即刻App年轻人的同好社区
下载
为什么朱啸虎说AI至少还有三年好日子？
打开任何一个财经媒体，关于AI泡沫的讨论铺天盖地。
但真正在一线投钱的人，反而并不慌。
我这两天看了张小珺对谈朱啸虎的访谈，他说：当所有人都在讨论泡沫的时候，泡沫肯定还没到。
泡沫的判断标准是什么？
2000年互联网泡沫破裂前，美国铺设了大量光纤。
后来人们发现，90%以上的光纤根本没人用。
这才是泡沫的真正标志：产能严重过剩，需求跟不上。
那现在AI是这个情况吗？
朱啸虎给了一个很直观的数据。
他投的很多小公司，每天消耗几百亿token。一个100万日活的APP，一天就能烧掉几百亿token，而且这个消耗量还在以十几倍的速度增长。
不是产能过剩，而是产能严重不足。
他说现在的瓶颈根本不在模型上，而在数据中心和电力上。
美国要建个核电站有多麻烦，懂的都懂。
但中国这边，十几个核电站说建就建，海上光伏说搞就搞。
判断一个行业有没有泡沫，不能只看价格，要看供需关系。
价格高但供不应求，那叫稀缺。
价格高但供过于求，那才叫泡沫。
而且，技术见顶和应用爆发是两回事。
很多人看到伊隆·马斯克说scaling law撞墙了，就觉得AI完蛋了，但这其实混淆了两件事。
第一件事是技术的天花板。
在Transformer这个架构上，继续往前走确实越来越难。花几亿美金训练一个模型，可能领先时间还不到一个月。
从投入产出比来看，这事儿确实不划算了。
第二件事是应用的爆发。
朱啸虎说今年全行业的token消耗量涨了十几倍，说明现有的技术水平已经够用了。
这就像智能手机，芯片性能这几年提升其实没那么夸张了，但这不妨碍短视频、直播、移动支付这些应用持续爆发。
技术突破是必要条件，但不是充分条件，应用爆发需要的是技术够用加上场景成熟。
现在的情况是，技术已经够用了，场景正在快速成熟。
朱啸虎提到一个观察，他说OpenAI今年做了一个很重要的战略转型，就是从周活场景切到日活场景。
像搜索和聊天机器人都是周活性产品，用户想起来才会用，用完就走。
这种产品有个致命问题：护城河很浅，大厂随时可以做一个差不多的来跟你竞争。
但日活产品不一样，用户每天都打开，数据飞轮转起来，粘性会越来越强。
所以你看OpenAI，最近做了一个类似今日头条的信息流产品，做了浏览器，甚至做了群聊功能。
但是，一个追求AGI的公司，为什么要做群聊这种看起来很low的社交功能？
朱啸虎说，群聊的想象空间在于它可以建立社交关系。一旦社交关系建立起来，这个护城河就深了。
这也是为什么他说如果OpenAI能通过群聊反向建立社交网络，Meta可能真的会很危险。
聊到这里，可能有人会问：既然大厂这么猛，创业公司还有机会吗？
朱啸虎的回答很直接：机会有，但要离开大厂三条马路。
什么叫三条马路？
移动互联网时代，他说要离开大厂一条马路。意思是大厂不愿意干的脏活累活，你去干。
比如滴滴和美团，都是有大量线下苦活的业务。
AI时代这个距离要拉到三条马路，因为现在不只有大厂，还有一堆中厂小厂都在all in AI，你要找的是大家都不愿意干的事。
具体来说，三个特征：第一要做垂直优化，第二要做私有化部署，第三要去做销售。
他举了个例子，有创业公司拿千万的30B小模型做私有化部署，给特定行业做垂直应用。去年收入几千万，今年一个多亿，明年预计两三个亿。
这种生意大厂看不上，但创业公司能活得很滋润。
他今年还投了一个海底洗船的机器人，投了一个按摩机器人。
后者不仅会按摩，还能跟客户聊天做销售。
他管这叫错开共识15度，不是完全避开热门赛道，而是稍微偏一点，找那些别人忽略的机会。
朱啸虎经历过PC互联网、移动互联网，现在又赶上AI。
他有个观察，就是每一轮技术周期的节奏其实差不多：先是硬件芯片，然后是基础设施，最后是应用。
PC互联网用了大概十年走完这个周期，移动互联网用了五年左右，AI可能只需要两三年。
速度在加快，但规律没变。
他说现在就是应用开始爆发的阶段。
站在2025年底往前看，2026年大概率会是应用进一步爆发的一年。
瓶颈不在技术，在基础设施能不能跟上。
做个简单的总结：
第一，判断泡沫不能看情绪，要看供需。现在的情况是需求爆发产能不足，这不是泡沫的特征。
第二，技术见顶和应用爆发是两回事，技术够用就行，剩下的是场景和运营的事。
第三，大厂会更大，但缝隙里还有机会。关键是要离开共识足够远，找到大家不愿意干的事。
第四，速度在加快，以前的经验还管用，但时间窗口更短了。
朱啸虎说他对未来三到五年特别乐观，尤其看好中国的开源AI生态。
理由很简单：算法差距在缩小，而中国建数据中心、建电站的速度，是美国没法比的。
这话说得对不对，我不知道，但时间会告诉我们答案。
机会永远是留给准备好的人的，不管有没有泡沫。
打开任何一个财经媒体，关于AI泡沫的讨论铺天盖地。
但真正在一线投钱的人，反而并不慌。
我这两天看了张小珺对谈朱啸虎的访谈，他说：当所有人都在讨论泡沫的时候，泡沫肯定还没到。
泡沫的判断标准是什么？
2000年互联网泡沫破裂前，美国铺设了大量光纤。
后来人们发现，90%以上的光纤根本没人用。
这才是泡沫的真正标志：产能严重过剩，需求跟不上。
那现在AI是这个情况吗？
朱啸虎给了一个很直观的数据。
他投的很多小公司，每天消耗几百亿token。一个100万日活的APP，一天就能烧掉几百亿token，而且这个消耗量还在以十几倍的速度增长。
不是产能过剩，而是产能严重不足。
他说现在的瓶颈根本不在模型上，而在数据中心和电力上。
美国要建个核电站有多麻烦，懂的都懂。
但中国这边，十几个核电站说建就建，海上光伏说搞就搞。
判断一个行业有没有泡沫，不能只看价格，要看供需关系。
价格高但供不应求，那叫稀缺。
价格高但供过于求，那才叫泡沫。
而且，技术见顶和应用爆发是两回事。
很多人看到伊隆·马斯克说scaling law撞墙了，就觉得AI完蛋了，但这其实混淆了两件事。
第一件事是技术的天花板。
在Transformer这个架构上，继续往前走确实越来越难。花几亿美金训练一个模型，可能领先时间还不到一个月。
从投入产出比来看，这事儿确实不划算了。
第二件事是应用的爆发。
朱啸虎说今年全行业的token消耗量涨了十几倍，说明现有的技术水平已经够用了。
这就像智能手机，芯片性能这几年提升其实没那么夸张了，但这不妨碍短视频、直播、移动支付这些应用持续爆发。
技术突破是必要条件，但不是充分条件，应用爆发需要的是技术够用加上场景成熟。
现在的情况是，技术已经够用了，场景正在快速成熟。
朱啸虎提到一个观察，他说OpenAI今年做了一个很重要的战略转型，就是从周活场景切到日活场景。
像搜索和聊天机器人都是周活性产品，用户想起来才会用，用完就走。
这种产品有个致命问题：护城河很浅，大厂随时可以做一个差不多的来跟你竞争。
但日活产品不一样，用户每天都打开，数据飞轮转起来，粘性会越来越强。
所以你看OpenAI，最近做了一个类似今日头条的信息流产品，做了浏览器，甚至做了群聊功能。
但是，一个追求AGI的公司，为什么要做群聊这种看起来很low的社交功能？
朱啸虎说，群聊的想象空间在于它可以建立社交关系。一旦社交关系建立起来，这个护城河就深了。
这也是为什么他说如果OpenAI能通过群聊反向建立社交网络，Meta可能真的会很危险。
聊到这里，可能有人会问：既然大厂这么猛，创业公司还有机会吗？
朱啸虎的回答很直接：机会有，但要离开大厂三条马路。
什么叫三条马路？
移动互联网时代，他说要离开大厂一条马路。意思是大厂不愿意干的脏活累活，你去干。
比如滴滴和美团，都是有大量线下苦活的业务。
AI时代这个距离要拉到三条马路，因为现在不只有大厂，还有一堆中厂小厂都在all in AI，你要找的是大家都不愿意干的事。
具体来说，三个特征：第一要做垂直优化，第二要做私有化部署，第三要去做销售。
他举了个例子，有创业公司拿千万的30B小模型做私有化部署，给特定行业做垂直应用。去年收入几千万，今年一个多亿，明年预计两三个亿。
这种生意大厂看不上，但创业公司能活得很滋润。
他今年还投了一个海底洗船的机器人，投了一个按摩机器人。
后者不仅会按摩，还能跟客户聊天做销售。
他管这叫错开共识15度，不是完全避开热门赛道，而是稍微偏一点，找那些别人忽略的机会。
朱啸虎经历过PC互联网、移动互联网，现在又赶上AI。
他有个观察，就是每一轮技术周期的节奏其实差不多：先是硬件芯片，然后是基础设施，最后是应用。
PC互联网用了大概十年走完这个周期，移动互联网用了五年左右，AI可能只需要两三年。
速度在加快，但规律没变。
他说现在就是应用开始爆发的阶段。
站在2025年底往前看，2026年大概率会是应用进一步爆发的一年。
瓶颈不在技术，在基础设施能不能跟上。
做个简单的总结：
第一，判断泡沫不能看情绪，要看供需。现在的情况是需求爆发产能不足，这不是泡沫的特征。
第二，技术见顶和应用爆发是两回事，技术够用就行，剩下的是场景和运营的事。
第三，大厂会更大，但缝隙里还有机会。关键是要离开共识足够远，找到大家不愿意干的事。
第四，速度在加快，以前的经验还管用，但时间窗口更短了。
朱啸虎说他对未来三到五年特别乐观，尤其看好中国的开源AI生态。
理由很简单：算法差距在缩小，而中国建数据中心、建电站的速度，是美国没法比的。
这话说得对不对，我不知道，但时间会告诉我们答案。
机会永远是留给准备好的人的，不管有没有泡沫。
1 00
最近读到冯仑的一篇文章，他讲了一个观点。
他说，做好人，你永远可以心安理得，并且可以一直做下去。
而做坏人，也许短期能获利，但坏人的机会是不可重复的。
坏人的机会为什么不可重复？
举个例子，小偷第一次偷东西，侥幸得手，没被抓住。过几天再偷，说不定就被抓了。
每一次作恶，都是在赌概率，第一次成功率假设是80%，第二次还是80%，第三次还是80%。
但连续三次都成功的概率是多少？0.8的三次方，大概是51%。
连续十次呢？10%左右。
换句话说，只要你一直干下去，翻车是必然的。
纳西姆·塔勒布在《黑天鹅》里提到的一个概念叫遍历性，简单说就是，如果一个策略在长期执行中会导致你出局，那这个策略就是不可持续的。
赌徒为什么最终一定会输光？不是因为他运气不好，而是因为只要他一直赌下去，遇到极端情况是必然的。
而一次极端情况就足以让他彻底出局。
坏人的处境也是一样，他不需要每次都失败，他只需要失败一次。
你可能会说，现实中不是有很多坏人活得挺好的吗？
确实有，但这里有一个幸存者偏差的问题。
你看到的那些靠不正当手段发财的人，是活下来的那批。
那些翻车的、进去的、破产的，你根本看不到，因为他们消失了。
冯仑讲了一个20年前的真实案例。
有个商人在他们公司买了一栋别墅，几百万，买这房子不是自住，是准备送给一个官员的，说白了就是行贿。
结果房子还没送出去，那个官员就被抓了。
这下尴尬了，房子送不出去，这人就想退房。
但问题是，他没付全款，按合同规定，他想违约得付违约金。
他不想付违约金，又想把钱拿回来，怎么办呢？
他想了个歪招。
他开始在房子里折腾，人为制造一些渗水的痕迹、墙上的裂缝，拍成照片，然后跑到上海找媒体曝光，说房子质量有问题，要求退款赔偿。
他的算盘是，用舆论压力逼开发商就范。
但他没想到的是，这个行为在法律上构成了敲诈。
最后的结果是，他本来只是行贿未遂，还有个普通的商业违约。
但因为这波操作，他把自己搞成了敲诈勒索，直接被抓了。
冯仑说，这种人，不在这儿出事，也一定在别的地方出事。
所谓恶人自有天收，你稍微等一等，就会看到有人收拾他。
这不是因果报应，这是概率收敛。
说完坏人，我们来说说好人。做好人有什么实际的好处？
第一个好处是信任的积累。
社会学家罗伯特·普特南在《独自打保龄》里提出过一个概念叫社会资本。
简单说就是，人与人之间的信任关系是一种资产，这种资产会随着时间积累，而且有复利效应。
你今天帮了一个人，这个人记住了。
将来他可能帮你，也可能把你介绍给其他人，这些人又会记住你。
长期来看，一个值得信赖的人，他的社会资本会越滚越大。
坏人呢？他每一次作恶，都是在消耗自己的社会资本。
等大家都发现这个人老是侵害别人，都会远离他，他的路只会越走越窄。
第二个好处是筛选机制。
冯仑说，人从二十岁进入社会，到五十岁，会经历两种事。
一种是正面的，诚实守信，互相帮助；一种是负面的，嫉妒，仇恨，坑害。
这两种事都会经历很多。
但有意思的是，随着年龄增长，你会自然地把那些负面的人和事过滤掉。
到五六十岁的时候，剩下的就是你信赖的、能互相帮助的人。
这个过程很像投资中的筛选。
巴菲特说他和芒格这么多年，一直在做一件事，就是筛选。
把那些不靠谱的人过滤掉，留下一群互相信赖的人。
这群人在一起，会把公司持续下去，会去投资那些他们认为对别人有帮助的公司。
研究巴菲特的人写了一本书，专门讨论一个问题，做好人有用吗？
结论是，有用，因为即使巴菲特不在了，他的公司也会一直好下去。
这是做好人带来的长期回报，它不是立竿见影的，但它是复利的。
但现实中不可能只跟好人打交道，如果遇到坏人怎么办？
冯仑有一个说法我觉得特别精准，他说，平时比追求，战时比底线。
平时大家做生意，比的是价值观，是愿景使命，是商业模式，这些是追求层面的事。
但一旦有了矛盾，有了冲突，这时候最重要的是看对方的底线在哪里。
如果对方的底线是法律，大家打官司，仲裁，这都是正常的商业行为。
但如果对方的底线不在法律上，比如他开始搞一些阴招，那你就要小心了。
底线越低，手段越多，让人防不胜防。
所以遇到矛盾的时候，第一件事不是想怎么赢，而是要研究对方的底线在哪里。
如果发现对方在不断拉低底线，你就要有所提防，甚至要有所反击来制止他继续往下拉。
做好人这件事，本质上是一种策略选择。
不是道德选择，是策略选择。
博弈论里有一个经典实验叫做重复囚徒困境。
单次博弈中，背叛是最优策略；但如果博弈重复进行，最优策略就变成了合作。
因为重复博弈中，你今天的行为会影响对方明天的选择。你今天背叛了对方，对方明天就会报复你。
长期来看，互相合作的收益远大于互相背叛。
做好人就像定投，短期看不到什么收益，但长期来看，复利会让你收获巨大。
做坏人就像加杠杆赌博，可能短期暴富，但长期来看，翻车是必然的。
冯仑说，如果你得到的结论也是做好人重要，那咱俩就有机会成为朋友。
你选择什么样的策略，就会吸引什么样的人。你选择做好人，就会慢慢筛选出一群同样选择做好人的人，你们在一起，会互相成就。
这大概就是做好人最大的回报。
不是天上掉馅饼，是你周围的人变得越来越靠谱，是你的路，越走越宽。
他说，做好人，你永远可以心安理得，并且可以一直做下去。
而做坏人，也许短期能获利，但坏人的机会是不可重复的。
坏人的机会为什么不可重复？
举个例子，小偷第一次偷东西，侥幸得手，没被抓住。过几天再偷，说不定就被抓了。
每一次作恶，都是在赌概率，第一次成功率假设是80%，第二次还是80%，第三次还是80%。
但连续三次都成功的概率是多少？0.8的三次方，大概是51%。
连续十次呢？10%左右。
换句话说，只要你一直干下去，翻车是必然的。
纳西姆·塔勒布在《黑天鹅》里提到的一个概念叫遍历性，简单说就是，如果一个策略在长期执行中会导致你出局，那这个策略就是不可持续的。
赌徒为什么最终一定会输光？不是因为他运气不好，而是因为只要他一直赌下去，遇到极端情况是必然的。
而一次极端情况就足以让他彻底出局。
坏人的处境也是一样，他不需要每次都失败，他只需要失败一次。
你可能会说，现实中不是有很多坏人活得挺好的吗？
确实有，但这里有一个幸存者偏差的问题。
你看到的那些靠不正当手段发财的人，是活下来的那批。
那些翻车的、进去的、破产的，你根本看不到，因为他们消失了。
冯仑讲了一个20年前的真实案例。
有个商人在他们公司买了一栋别墅，几百万，买这房子不是自住，是准备送给一个官员的，说白了就是行贿。
结果房子还没送出去，那个官员就被抓了。
这下尴尬了，房子送不出去，这人就想退房。
但问题是，他没付全款，按合同规定，他想违约得付违约金。
他不想付违约金，又想把钱拿回来，怎么办呢？
他想了个歪招。
他开始在房子里折腾，人为制造一些渗水的痕迹、墙上的裂缝，拍成照片，然后跑到上海找媒体曝光，说房子质量有问题，要求退款赔偿。
他的算盘是，用舆论压力逼开发商就范。
但他没想到的是，这个行为在法律上构成了敲诈。
最后的结果是，他本来只是行贿未遂，还有个普通的商业违约。
但因为这波操作，他把自己搞成了敲诈勒索，直接被抓了。
冯仑说，这种人，不在这儿出事，也一定在别的地方出事。
所谓恶人自有天收，你稍微等一等，就会看到有人收拾他。
这不是因果报应，这是概率收敛。
说完坏人，我们来说说好人。做好人有什么实际的好处？
第一个好处是信任的积累。
社会学家罗伯特·普特南在《独自打保龄》里提出过一个概念叫社会资本。
简单说就是，人与人之间的信任关系是一种资产，这种资产会随着时间积累，而且有复利效应。
你今天帮了一个人，这个人记住了。
将来他可能帮你，也可能把你介绍给其他人，这些人又会记住你。
长期来看，一个值得信赖的人，他的社会资本会越滚越大。
坏人呢？他每一次作恶，都是在消耗自己的社会资本。
等大家都发现这个人老是侵害别人，都会远离他，他的路只会越走越窄。
第二个好处是筛选机制。
冯仑说，人从二十岁进入社会，到五十岁，会经历两种事。
一种是正面的，诚实守信，互相帮助；一种是负面的，嫉妒，仇恨，坑害。
这两种事都会经历很多。
但有意思的是，随着年龄增长，你会自然地把那些负面的人和事过滤掉。
到五六十岁的时候，剩下的就是你信赖的、能互相帮助的人。
这个过程很像投资中的筛选。
巴菲特说他和芒格这么多年，一直在做一件事，就是筛选。
把那些不靠谱的人过滤掉，留下一群互相信赖的人。
这群人在一起，会把公司持续下去，会去投资那些他们认为对别人有帮助的公司。
研究巴菲特的人写了一本书，专门讨论一个问题，做好人有用吗？
结论是，有用，因为即使巴菲特不在了，他的公司也会一直好下去。
这是做好人带来的长期回报，它不是立竿见影的，但它是复利的。
但现实中不可能只跟好人打交道，如果遇到坏人怎么办？
冯仑有一个说法我觉得特别精准，他说，平时比追求，战时比底线。
平时大家做生意，比的是价值观，是愿景使命，是商业模式，这些是追求层面的事。
但一旦有了矛盾，有了冲突，这时候最重要的是看对方的底线在哪里。
如果对方的底线是法律，大家打官司，仲裁，这都是正常的商业行为。
但如果对方的底线不在法律上，比如他开始搞一些阴招，那你就要小心了。
底线越低，手段越多，让人防不胜防。
所以遇到矛盾的时候，第一件事不是想怎么赢，而是要研究对方的底线在哪里。
如果发现对方在不断拉低底线，你就要有所提防，甚至要有所反击来制止他继续往下拉。
做好人这件事，本质上是一种策略选择。
不是道德选择，是策略选择。
博弈论里有一个经典实验叫做重复囚徒困境。
单次博弈中，背叛是最优策略；但如果博弈重复进行，最优策略就变成了合作。
因为重复博弈中，你今天的行为会影响对方明天的选择。你今天背叛了对方，对方明天就会报复你。
长期来看，互相合作的收益远大于互相背叛。
做好人就像定投，短期看不到什么收益，但长期来看，复利会让你收获巨大。
做坏人就像加杠杆赌博，可能短期暴富，但长期来看，翻车是必然的。
冯仑说，如果你得到的结论也是做好人重要，那咱俩就有机会成为朋友。
你选择什么样的策略，就会吸引什么样的人。你选择做好人，就会慢慢筛选出一群同样选择做好人的人，你们在一起，会互相成就。
这大概就是做好人最大的回报。
不是天上掉馅饼，是你周围的人变得越来越靠谱，是你的路，越走越宽。
3 00
给大家分享一个实用小技巧，非常适合有大量英文阅读需求的朋友。
因为我平时基于工作需求，要看大量的英文资料，论文、行业报告之类的。
但说实话，我英语水平也一般，硬着头皮看全英文内容真的很痛苦，效率也低。
后来我开始尝试各种翻译工具，也总结出了一套比较顺手的方法。
今天就把这些经验整理出来，希望对有同样困扰的朋友有帮助。
1️⃣ 网页阅读
先简单说下网页阅读场景，比如你要看arXiv上的论文，自从朋友推荐我用沉浸式翻译这个浏览器插件以后，真的解决了我大部分的痛苦。
它的核心优势是中英对照显示，原文和译文并排放在一起，遇到翻译不准确的地方能立刻对照原文理解。
操作也很方便，装好插件后，点一下悬浮球就能翻译当前页面。
我现在浏览英文网站基本都靠它，不管是看技术文档还是新闻资讯，效率都提升了很多。
2️⃣ PDF文档阅读
网页翻译相对简单，真正让我头疼的是PDF文档。
做过学术研究或者读过行业报告的朋友应该都有体会，PDF这种格式特别顽固，因为它的设计初衷就是为了保证在不同设备上显示效果一致，所以文件结构非常复杂。
普通的翻译工具处理PDF时，经常出现各种问题：公式变成乱码、图表错位、表格线条消失、多栏排版错乱……翻译完的文档根本没法看。
我试过很多PDF翻译工具，大部分都是把PDF里的文字抽出来翻译，然后再塞回去。
这个过程中，原始的排版信息就丢了。
尤其是学术论文，里面有大量数学公式、图表、脚注，这些元素一旦错位，整篇文章的可读性就毁了。
后来我开始用BabelDOC，这是沉浸式翻译团队做的一个专门针对PDF场景的翻译功能。
用了一段时间后，我觉得它确实解决了几个关键痛点。
第一个是公式保留。
学术论文里的数学公式是重灾区，很多翻译工具要么把公式翻译成奇怪的文字，要么直接变成乱码。
但BabelDOC会识别出公式，然后原封不动地以字符形式保留下来，不做翻译。
这个处理逻辑很聪明，因为公式本来就是通用语言，不需要翻译。
第二个是排版还原。
它会先用AI识别文档的布局结构，记住哪里是段落、哪里是图表、哪里是表格，然后翻译完文字后，再按照原来的排版重新组装。
这样出来的文档，格式和原文基本一致，不会出现那种"翻译后面目全非"的情况。
第三个是术语一致性。
这个功能对专业文档特别重要，比如一篇论文里反复出现某个专业术语，你希望它在整篇文档里翻译成同一个词，而不是一会儿翻成这个、一会儿翻成那个。
BabelDOC支持术语库功能，可以锁定高频专业词的统一译法。
3️⃣ 我的PDF翻译工作流程
拿到一篇英文PDF后，我会先上传到BabelDOC，选择目标语言（一般是中文）和翻译模型（我一般选Gemini）。
如果文档里有很多专业术语，我会选择术语库，比如可以选择科技、医疗等，然后点击自动提取术语，让它帮我统一译法。
设置完点翻译，等个几分钟，就能下载翻译好的PDF了。
出来的文档可以直接用，不需要再手动调整排版。
有个小技巧：BabelDOC有个"富文本翻译"选项，可以保留原文的粗体、斜体、下划线这些格式。
学术论文里经常用斜体表示变量名或者强调某些术语，保留这些格式能让翻译后的文档更容易阅读。
还有一个选项叫"移除段落中非公式线条"，这个是针对一些排版复杂的文档的。
有时候原PDF里有一些装饰性的线条，翻译后可能会错位，开启这个选项可以减少这类问题。
4️⃣ 配合Zotero使用效果更好
如果你是经常需要管理大量文献的科研人员或学生，可以考虑把BabelDOC和Zotero配合起来用。
Zotero是一个开源免费的文献管理软件，可以自动抓取论文的元数据，帮你分类整理文献，还能在写论文时自动生成参考文献列表。
沉浸式翻译团队做了一个Zotero插件，可以直接在Zotero里调用BabelDOC翻译文献。
具体操作是：在Zotero里选中要翻译的PDF文献，右键点击选择沉浸式翻译，设置好语言和模型，翻译完成后会自动作为附件关联到原始条目。
这样你的文献库里既有原文也有译文，查阅的时候很方便。
说到底，翻译工具的目的是降低语言门槛，让我们能更高效地获取一手信息。
对我来说，有了这套工具组合后，阅读英文资料不再是一件让人头疼的事，希望这些经验对你也有帮助。
因为我平时基于工作需求，要看大量的英文资料，论文、行业报告之类的。
但说实话，我英语水平也一般，硬着头皮看全英文内容真的很痛苦，效率也低。
后来我开始尝试各种翻译工具，也总结出了一套比较顺手的方法。
今天就把这些经验整理出来，希望对有同样困扰的朋友有帮助。
1️⃣ 网页阅读
先简单说下网页阅读场景，比如你要看arXiv上的论文，自从朋友推荐我用沉浸式翻译这个浏览器插件以后，真的解决了我大部分的痛苦。
它的核心优势是中英对照显示，原文和译文并排放在一起，遇到翻译不准确的地方能立刻对照原文理解。
操作也很方便，装好插件后，点一下悬浮球就能翻译当前页面。
我现在浏览英文网站基本都靠它，不管是看技术文档还是新闻资讯，效率都提升了很多。
2️⃣ PDF文档阅读
网页翻译相对简单，真正让我头疼的是PDF文档。
做过学术研究或者读过行业报告的朋友应该都有体会，PDF这种格式特别顽固，因为它的设计初衷就是为了保证在不同设备上显示效果一致，所以文件结构非常复杂。
普通的翻译工具处理PDF时，经常出现各种问题：公式变成乱码、图表错位、表格线条消失、多栏排版错乱……翻译完的文档根本没法看。
我试过很多PDF翻译工具，大部分都是把PDF里的文字抽出来翻译，然后再塞回去。
这个过程中，原始的排版信息就丢了。
尤其是学术论文，里面有大量数学公式、图表、脚注，这些元素一旦错位，整篇文章的可读性就毁了。
后来我开始用BabelDOC，这是沉浸式翻译团队做的一个专门针对PDF场景的翻译功能。
用了一段时间后，我觉得它确实解决了几个关键痛点。
第一个是公式保留。
学术论文里的数学公式是重灾区，很多翻译工具要么把公式翻译成奇怪的文字，要么直接变成乱码。
但BabelDOC会识别出公式，然后原封不动地以字符形式保留下来，不做翻译。
这个处理逻辑很聪明，因为公式本来就是通用语言，不需要翻译。
第二个是排版还原。
它会先用AI识别文档的布局结构，记住哪里是段落、哪里是图表、哪里是表格，然后翻译完文字后，再按照原来的排版重新组装。
这样出来的文档，格式和原文基本一致，不会出现那种"翻译后面目全非"的情况。
第三个是术语一致性。
这个功能对专业文档特别重要，比如一篇论文里反复出现某个专业术语，你希望它在整篇文档里翻译成同一个词，而不是一会儿翻成这个、一会儿翻成那个。
BabelDOC支持术语库功能，可以锁定高频专业词的统一译法。
3️⃣ 我的PDF翻译工作流程
拿到一篇英文PDF后，我会先上传到BabelDOC，选择目标语言（一般是中文）和翻译模型（我一般选Gemini）。
如果文档里有很多专业术语，我会选择术语库，比如可以选择科技、医疗等，然后点击自动提取术语，让它帮我统一译法。
设置完点翻译，等个几分钟，就能下载翻译好的PDF了。
出来的文档可以直接用，不需要再手动调整排版。
有个小技巧：BabelDOC有个"富文本翻译"选项，可以保留原文的粗体、斜体、下划线这些格式。
学术论文里经常用斜体表示变量名或者强调某些术语，保留这些格式能让翻译后的文档更容易阅读。
还有一个选项叫"移除段落中非公式线条"，这个是针对一些排版复杂的文档的。
有时候原PDF里有一些装饰性的线条，翻译后可能会错位，开启这个选项可以减少这类问题。
4️⃣ 配合Zotero使用效果更好
如果你是经常需要管理大量文献的科研人员或学生，可以考虑把BabelDOC和Zotero配合起来用。
Zotero是一个开源免费的文献管理软件，可以自动抓取论文的元数据，帮你分类整理文献，还能在写论文时自动生成参考文献列表。
沉浸式翻译团队做了一个Zotero插件，可以直接在Zotero里调用BabelDOC翻译文献。
具体操作是：在Zotero里选中要翻译的PDF文献，右键点击选择沉浸式翻译，设置好语言和模型，翻译完成后会自动作为附件关联到原始条目。
这样你的文献库里既有原文也有译文，查阅的时候很方便。
说到底，翻译工具的目的是降低语言门槛，让我们能更高效地获取一手信息。
对我来说，有了这套工具组合后，阅读英文资料不再是一件让人头疼的事，希望这些经验对你也有帮助。
4 01
创业的本质，是一场对抗不确定性的马拉松。
最近我在看一档投资人访谈，嘉宾是Dave Samuel和Maria Palma，两位从09年就开始做种子轮投资。
Dave在节目里讲了一段他自己的亲身经历。
他曾经创办过一家公司叫Crackle，做视频内容的。
同一时期，还有另一家公司在做类似的事情，叫YouTube。
结果Crackle被收购的价格是8000万美元，YouTube被谷歌收购的价格是16亿美元。
整整二十倍的差距。
Dave自己复盘这件事的时候，说了一个很关键的词：灰色地带。
什么是灰色地带？
简单说，灰色地带就是规则还没被完全定义的区域。
不是明确合法的白色，也不是明确违法的黑色，而是介于两者之间的那片模糊地带。
YouTube当年选择拥抱那些有版权争议的内容，用户上传的视频里有大量音乐、影视片段，版权归属是个大问题。
按照严格的法律解读，这可能会惹上官司。
但YouTube没有主动去删除这些内容，而是选择了先跑起来再说。
这个策略让他们的增长速度快得惊人。用户涌进来，内容越来越多，平台效应开始显现。
硅谷的投资人当时都很犹豫，觉得这个法律风险太大了。
结果谷歌看到了机会，花16亿美元把YouTube买下来，然后再用自己的资源和法务团队去跟内容提供商谈判。
而Dave的Crackle呢？他们因为害怕唱片公司起诉，选择了更保守的路线，主动删除了所有有版权争议的内容。
合规是合规了，但增长也慢下来了。
为什么保守的选择反而输了？
这件事其实很反直觉。
按理说，规避风险、遵守规则应该是更稳妥的做法，为什么最后反而是那个敢冒险的赢了？
引入一个经济学概念就是先发优势和网络效应。
哈佛商学院教授Bharat Anand在他那本《内容陷阱》里专门分析过这个问题。他说，平台型产品有一个特点，就是用户越多，产品价值越高，这叫做正向网络效应。
YouTube当时面临的局面是，如果等所有版权问题都理清楚再上线，那用户早就被别的平台吸走了。一旦用户形成了习惯，再想抢回来就难了。
换句话说，在某些赛道上，速度本身就是护城河。
Dave后来反思这件事的时候说，他们需要学会在灰色地带中寻找机会，有时候甚至要敢于踩入更深的区域，尽管那意味着更大的风险。
当规则还没有被完全写好的时候，如何判断和行动，本身就是一种核心能力。
如果说YouTube的案例还不够直观，再举一个例子：Uber。
早期Uber进入市场的时候，网约车这个品类根本没有明确的法律定义。
它算出租车吗？不完全是。它算私家车载客吗？好像也不太对。
这就是典型的灰色地带。
当时，出租车公司联合起来要求政府关停Uber，城市管理部门也在施压。
Travis Kalanick面临的选择是，要么退缩，要么硬顶。
他选择了后者。
后来Lyft进入市场的时候更激进，直接用那个标志性的粉色小胡子作为标识，明确告诉用户这不是出租车，这是一种新的出行方式。
这两家公司都在规则模糊的地方找到了突破口。
当然你可以说他们运气好，监管最后没有一刀切地禁止网约车。
但问题是，如果他们当初选择等监管明确了再行动，那今天的出行市场可能完全是另一个样子。
Dave回顾自己和YouTube的差距时，本质上就是在说这件事：Crackle的决策者高估了风险，低估了速度的价值。
说到这里，可能有人会问：那是不是所有灰色地带都值得冒险？
当然不是。
我总结了一个简单的判断框架，分三步。
第一步，看这个灰色地带的形成原因。
是因为技术发展太快、法规还没跟上？还是因为这件事本身就有道德争议？
前者的灰色地带往往会随着时间推移变成白色，后者则可能变成黑色。
YouTube的版权问题属于前者，法规最终会找到一个平衡点。
但如果你做的事情触及了社会的道德底线，那这个灰色地带大概率会被堵死。
第二步，看你有没有能力承受最坏的结果。
谷歌敢买YouTube，是因为它有足够的资源和法务团队去处理后续的版权纠纷。如果你是一个小团队，没有这个兜底能力，那进入深水区就要格外谨慎。
第三步，看时间窗口。
灰色地带不会永远存在。要么变白，要么变黑。
如果你判断这个窗口期很短，那就要快速行动；如果窗口期还长，可以多观察一下。
创业的本质是什么？
不是找到一条确定的路，而是在不确定中做出判断，然后承担后果。
那些最后跑出来的公司，往往不是最聪明的，也不是资源最多的，而是在关键时刻敢往前多走一步的。
当然，往前走有可能摔倒，但如果你连尝试都不敢，那就连运气都不会眷顾你。
最近我在看一档投资人访谈，嘉宾是Dave Samuel和Maria Palma，两位从09年就开始做种子轮投资。
Dave在节目里讲了一段他自己的亲身经历。
他曾经创办过一家公司叫Crackle，做视频内容的。
同一时期，还有另一家公司在做类似的事情，叫YouTube。
结果Crackle被收购的价格是8000万美元，YouTube被谷歌收购的价格是16亿美元。
整整二十倍的差距。
Dave自己复盘这件事的时候，说了一个很关键的词：灰色地带。
什么是灰色地带？
简单说，灰色地带就是规则还没被完全定义的区域。
不是明确合法的白色，也不是明确违法的黑色，而是介于两者之间的那片模糊地带。
YouTube当年选择拥抱那些有版权争议的内容，用户上传的视频里有大量音乐、影视片段，版权归属是个大问题。
按照严格的法律解读，这可能会惹上官司。
但YouTube没有主动去删除这些内容，而是选择了先跑起来再说。
这个策略让他们的增长速度快得惊人。用户涌进来，内容越来越多，平台效应开始显现。
硅谷的投资人当时都很犹豫，觉得这个法律风险太大了。
结果谷歌看到了机会，花16亿美元把YouTube买下来，然后再用自己的资源和法务团队去跟内容提供商谈判。
而Dave的Crackle呢？他们因为害怕唱片公司起诉，选择了更保守的路线，主动删除了所有有版权争议的内容。
合规是合规了，但增长也慢下来了。
为什么保守的选择反而输了？
这件事其实很反直觉。
按理说，规避风险、遵守规则应该是更稳妥的做法，为什么最后反而是那个敢冒险的赢了？
引入一个经济学概念就是先发优势和网络效应。
哈佛商学院教授Bharat Anand在他那本《内容陷阱》里专门分析过这个问题。他说，平台型产品有一个特点，就是用户越多，产品价值越高，这叫做正向网络效应。
YouTube当时面临的局面是，如果等所有版权问题都理清楚再上线，那用户早就被别的平台吸走了。一旦用户形成了习惯，再想抢回来就难了。
换句话说，在某些赛道上，速度本身就是护城河。
Dave后来反思这件事的时候说，他们需要学会在灰色地带中寻找机会，有时候甚至要敢于踩入更深的区域，尽管那意味着更大的风险。
当规则还没有被完全写好的时候，如何判断和行动，本身就是一种核心能力。
如果说YouTube的案例还不够直观，再举一个例子：Uber。
早期Uber进入市场的时候，网约车这个品类根本没有明确的法律定义。
它算出租车吗？不完全是。它算私家车载客吗？好像也不太对。
这就是典型的灰色地带。
当时，出租车公司联合起来要求政府关停Uber，城市管理部门也在施压。
Travis Kalanick面临的选择是，要么退缩，要么硬顶。
他选择了后者。
后来Lyft进入市场的时候更激进，直接用那个标志性的粉色小胡子作为标识，明确告诉用户这不是出租车，这是一种新的出行方式。
这两家公司都在规则模糊的地方找到了突破口。
当然你可以说他们运气好，监管最后没有一刀切地禁止网约车。
但问题是，如果他们当初选择等监管明确了再行动，那今天的出行市场可能完全是另一个样子。
Dave回顾自己和YouTube的差距时，本质上就是在说这件事：Crackle的决策者高估了风险，低估了速度的价值。
说到这里，可能有人会问：那是不是所有灰色地带都值得冒险？
当然不是。
我总结了一个简单的判断框架，分三步。
第一步，看这个灰色地带的形成原因。
是因为技术发展太快、法规还没跟上？还是因为这件事本身就有道德争议？
前者的灰色地带往往会随着时间推移变成白色，后者则可能变成黑色。
YouTube的版权问题属于前者，法规最终会找到一个平衡点。
但如果你做的事情触及了社会的道德底线，那这个灰色地带大概率会被堵死。
第二步，看你有没有能力承受最坏的结果。
谷歌敢买YouTube，是因为它有足够的资源和法务团队去处理后续的版权纠纷。如果你是一个小团队，没有这个兜底能力，那进入深水区就要格外谨慎。
第三步，看时间窗口。
灰色地带不会永远存在。要么变白，要么变黑。
如果你判断这个窗口期很短，那就要快速行动；如果窗口期还长，可以多观察一下。
创业的本质是什么？
不是找到一条确定的路，而是在不确定中做出判断，然后承担后果。
那些最后跑出来的公司，往往不是最聪明的，也不是资源最多的，而是在关键时刻敢往前多走一步的。
当然，往前走有可能摔倒，但如果你连尝试都不敢，那就连运气都不会眷顾你。
3 10
最近看到Lenny采访了Edwin Chen，底下评论说，这是Lenny最好的作品之一。
Edwin的公司Surge AI给OpenAI、Anthropic、Google这些顶级AI实验室提供训练数据，公司虽然不到100人，但4年已经做到了10亿美元营收。
而且，是从第一天就盈利，从来没拿过一分钱风险投资。
但让我真正想写这篇文章的，是他在访谈里说的一段话。
他说，自己有次用Claude帮忙写邮件，改了30遍，花了30分钟，终于写出了一封完美的邮件。
发出去之后他突然意识到：这封邮件根本不重要，之前他压根不会在这种事上花30分钟。
他问了一个问题：我们到底想要什么样的AI？
就像你有没有刷过那种AI生成的短视频，标题震惊体、画面花哨、看完之后你发现自己什么都没记住，就是莫名其妙花掉了20分钟。
这就是Edwin说的AI slop，AI垃圾内容，他担心整个行业正在朝这个方向狂奔。
为什么会这样？
我们要知道，AI模型是被训练出来的。训练的方式简单说就是：给模型看大量的问答对，告诉它什么是好回答什么是坏回答，它就慢慢学会了。
但是，谁来判断什么是好什么是坏？
现在行业里有个特别火的排行榜叫LMSys Arena，原理是让普通网友对比两个AI的回答，投票选出更好的那个。
但问题来了，Edwin说，这些投票的人平均只花2秒钟就做出判断。
他们不会仔细核实内容对不对，就看哪个回答更长、emoji更多、格式更炫。
结果就是，一个胡说八道但排版漂亮的回答，很可能打败一个准确但朴素的回答。
Edwin在Twitter、Google、Facebook都工作过，他说每次公司优化engagement，最后都会出现可怕的东西：点击诱饵、比基尼照片、大脚怪新闻、吓人的皮肤病图片占领你的信息流。
同样的事情正在AI领域重演。
现在的AI助手会不断夸你是天才、认同你的想法、顺着你的偏见说话，因为这样你就会多聊几句，多用几次，数据好看，投资人开心。
但这真的是我们想要的AI吗？
Edwin提出了一个更深层的问题：公司的价值观会塑造AI的性格。
就像Google做的搜索引擎和Facebook做的会完全不同，每家AI公司训练出来的模型也会带着这家公司的基因。
训练AI就像养孩子，你想让孩子考高分很简单，就是做题、背答案、刷题库。
但你真正关心的是他能不能独立思考，是他有没有好奇心，是他能不能成为一个有创造力的人。
问题是，考试分数很容易量化，而创造力、好奇心、独立思考能力这些东西，怎么衡量？
Edwin说，这正是他公司最核心的工作：帮AI实验室想清楚，你到底想训练出什么样的AI？然后找到方法去衡量、去训练。
Edwin自己的创业方式也非常反主流，他从第一天就决定不融资。
他说融资之后你就被绑上了硅谷的流水线：发融资新闻、刷推特、做PR、给VC汇报、参加各种活动。
你的客户变成了会看Techcrunch头条的人，而不是真正懂数据、真正需要高质量数据的人。
他选择了另一条路：不发推，不做网红，不搞热闹，就是把产品做到足够好，靠研究员之间的口碑传播。
直到最近大家才知道，原来这家默默无闻的公司已经是AI数据领域最大的玩家了。
Edwin说：我宁愿做陶哲轩，也不做巴菲特。
陶哲轩是当今最伟大的数学家之一，这句话的意思是，他追求的是推动人类知识的边界，而不是账户上的数字。
听起来很理想主义，但他真的做到了。
公司100人不到，年营收10亿美元，他依然每天泡在数据里，每次新模型发布他都会亲自做深度分析，有时候跟研究团队聊到凌晨三点。
他说自己讨厌开会、不会销售、不会做那些典型的CEO该做的事。
但正因为他坚持做自己，公司才能招到真正热爱这件事的人，才能服务那些真正在意数据质量的客户。
Edwin的为什么很清楚：他想让AI真正造福人类，而不是变成另一个吸走我们注意力、放大我们偏见、让我们变得更懒更蠢的工具。
访谈快结束时，主持人问他有什么想对创业者说的。
他说：我希望早点知道，你可以通过埋头做出真正好的东西来建立一家成功的公司，而不需要整天发推、炒作、融资。你不需要变成另一个人。
我觉得这段话不只适用于创业者。
在这个算法主导、流量为王的时代，我们每个人都面临着类似的选择：是追逐短期的反馈和关注，还是沉下心来做真正有价值的事情？
Edwin选择了后者，然后证明了这条路也能走通。
也许我们应该多听听像他这样的人的声音，那些真正关心自己工作的人，那些在意工作对世界影响的人。
Edwin的公司Surge AI给OpenAI、Anthropic、Google这些顶级AI实验室提供训练数据，公司虽然不到100人，但4年已经做到了10亿美元营收。
而且，是从第一天就盈利，从来没拿过一分钱风险投资。
但让我真正想写这篇文章的，是他在访谈里说的一段话。
他说，自己有次用Claude帮忙写邮件，改了30遍，花了30分钟，终于写出了一封完美的邮件。
发出去之后他突然意识到：这封邮件根本不重要，之前他压根不会在这种事上花30分钟。
他问了一个问题：我们到底想要什么样的AI？
就像你有没有刷过那种AI生成的短视频，标题震惊体、画面花哨、看完之后你发现自己什么都没记住，就是莫名其妙花掉了20分钟。
这就是Edwin说的AI slop，AI垃圾内容，他担心整个行业正在朝这个方向狂奔。
为什么会这样？
我们要知道，AI模型是被训练出来的。训练的方式简单说就是：给模型看大量的问答对，告诉它什么是好回答什么是坏回答，它就慢慢学会了。
但是，谁来判断什么是好什么是坏？
现在行业里有个特别火的排行榜叫LMSys Arena，原理是让普通网友对比两个AI的回答，投票选出更好的那个。
但问题来了，Edwin说，这些投票的人平均只花2秒钟就做出判断。
他们不会仔细核实内容对不对，就看哪个回答更长、emoji更多、格式更炫。
结果就是，一个胡说八道但排版漂亮的回答，很可能打败一个准确但朴素的回答。
Edwin在Twitter、Google、Facebook都工作过，他说每次公司优化engagement，最后都会出现可怕的东西：点击诱饵、比基尼照片、大脚怪新闻、吓人的皮肤病图片占领你的信息流。
同样的事情正在AI领域重演。
现在的AI助手会不断夸你是天才、认同你的想法、顺着你的偏见说话，因为这样你就会多聊几句，多用几次，数据好看，投资人开心。
但这真的是我们想要的AI吗？
Edwin提出了一个更深层的问题：公司的价值观会塑造AI的性格。
就像Google做的搜索引擎和Facebook做的会完全不同，每家AI公司训练出来的模型也会带着这家公司的基因。
训练AI就像养孩子，你想让孩子考高分很简单，就是做题、背答案、刷题库。
但你真正关心的是他能不能独立思考，是他有没有好奇心，是他能不能成为一个有创造力的人。
问题是，考试分数很容易量化，而创造力、好奇心、独立思考能力这些东西，怎么衡量？
Edwin说，这正是他公司最核心的工作：帮AI实验室想清楚，你到底想训练出什么样的AI？然后找到方法去衡量、去训练。
Edwin自己的创业方式也非常反主流，他从第一天就决定不融资。
他说融资之后你就被绑上了硅谷的流水线：发融资新闻、刷推特、做PR、给VC汇报、参加各种活动。
你的客户变成了会看Techcrunch头条的人，而不是真正懂数据、真正需要高质量数据的人。
他选择了另一条路：不发推，不做网红，不搞热闹，就是把产品做到足够好，靠研究员之间的口碑传播。
直到最近大家才知道，原来这家默默无闻的公司已经是AI数据领域最大的玩家了。
Edwin说：我宁愿做陶哲轩，也不做巴菲特。
陶哲轩是当今最伟大的数学家之一，这句话的意思是，他追求的是推动人类知识的边界，而不是账户上的数字。
听起来很理想主义，但他真的做到了。
公司100人不到，年营收10亿美元，他依然每天泡在数据里，每次新模型发布他都会亲自做深度分析，有时候跟研究团队聊到凌晨三点。
他说自己讨厌开会、不会销售、不会做那些典型的CEO该做的事。
但正因为他坚持做自己，公司才能招到真正热爱这件事的人，才能服务那些真正在意数据质量的客户。
Edwin的为什么很清楚：他想让AI真正造福人类，而不是变成另一个吸走我们注意力、放大我们偏见、让我们变得更懒更蠢的工具。
访谈快结束时，主持人问他有什么想对创业者说的。
他说：我希望早点知道，你可以通过埋头做出真正好的东西来建立一家成功的公司，而不需要整天发推、炒作、融资。你不需要变成另一个人。
我觉得这段话不只适用于创业者。
在这个算法主导、流量为王的时代，我们每个人都面临着类似的选择：是追逐短期的反馈和关注，还是沉下心来做真正有价值的事情？
Edwin选择了后者，然后证明了这条路也能走通。
也许我们应该多听听像他这样的人的声音，那些真正关心自己工作的人，那些在意工作对世界影响的人。
4 00
为什么大多数创业公司无法活到2026年？
最近我在看一档投资人访谈节目，两位嘉宾是Dave Samuel和Maria Palma。
他们从2009年就开始做种子轮投资，算下来已经看过上千家公司的生生死死。
主持人问：为什么大多数创业公司活不到2026年？
他们的回答是，不是因为产品，也不是因为市场，而是因为大多数创始人在前两年就把自己的心理能量耗干了。
Maria在节目里提到了一个数据，她说如果你去看投资基金的回报曲线，会发现一个有意思的规律：大多数基金要到第八年，才能真正确定自己处于哪个业绩四分位。
什么意思呢？
就是说，一个投资人投了一堆项目，前两年看起来表现平平的那些，很可能在第七年到第十二年之间突然爆发。
Maria给这个现象起了个名字，叫alive and surprise。
翻译过来就是：先活着，然后给你惊喜。
换句话说，一家公司如果能活过前五年，它继续存活下去的概率反而会比刚成立时更高。
这就解释了为什么Maria说前六年看不到明显增长不是问题。
真正的问题是，你能不能撑到那个时间点。
Dave在节目里举了一个例子，是Airtable的创始人Howie。
Howie在Duke大学读书的时候，Dave就认识他了，那时候Howie还只是个有想法的年轻人。
Howie后来创办了一家公司，卖给了Salesforce。
但他没有拿着钱去享受生活，而是选择留在Salesforce工作，他说自己想系统学习一下B2B业务到底怎么做。
等他觉得自己学够了，才出来创办Airtable。
而且创办之后，他用了整整三年时间，团队只维持在四个人的规模。
三年，四个人，只做一件事：打磨产品。
从Dave认识Howie，到Airtable真正开始起飞，中间经历了多少年？
这不是百米冲刺，而是一场非常之漫长的超级马拉松。
那么，为什么心理资源会耗尽呢？
自我损耗这个理论最早是心理学家Roy Baumeister提出来的，他做过一系列实验，发现人的意志力和自我控制力就像肌肉一样，用多了会疲劳。
创业这件事就非常的消耗心理资源。
首先是它的不确定性。
人类大脑天生讨厌不确定性，因为不确定意味着无法预测，无法预测意味着危险。
但创业每天都在面对不确定，这种状态会持续激活你的压力反应系统。
然后是社会比较，你周围总有人融资成功，总有人被媒体报道，总有人看起来比你顺利。
人会不自觉地拿自己跟周围人比较，当你连续两年觉得自己不如别人的时候，心理能量的消耗是巨大的。
还有一个是沉没成本。
你已经投入了那么多时间、精力、金钱，放弃显得很不甘心，但继续下去又看不到希望。
这种两难的状态，会让决策变得异常困难，而每一次艰难的决策都在消耗你的心理资源。
所以Maria说的那句话就能理解了：大多数创始人不是被市场打败的，是被自己的心理状态打败的。
Dave在节目里反复强调的一个观点是：他投的是团队，不是产品。
他说产品会变，市场会变，甚至整个赛道都可能消失。
但一个优秀团队的学习能力、适应能力和韧性，是可以跨越这些变化的。
节目里还聊到一个有意思的话题：很多创业者在融资时采用了错误的策略。
简单说就是，他们把融资当成了一次性的销售行为，而不是长期的关系建设。
很多创业者在融资的时候，只想着怎么把眼前这轮融到。
为了让数据好看，会做一些短期行为，为了让估值高一点，会讲一些过度乐观的故事。
但问题是，投资这件事的反馈周期特别长，一个投资人做的决策，可能要八年后才能验证对不对。
这也意味着投资人非常依赖口碑和长期信任。
如果你在A投资人那里表现得不诚实，这个信息很快就会在圈子里传开。
同理，如果你是一个长期主义者，愿意如实沟通、接受反馈、持续迭代，这种口碑也会慢慢积累起来。
创业公司的生存法则，其实可以迁移到很多其他场景。
比如说技能学习，大多数技能的进步不是线性的。
你可能会经历很长一段时间的平台期，看不到明显进步，然后在某个时间点突然上一个台阶。
心理学家Angela Duckworth在她那本《坚毅》里面专门研究过这个现象。
她发现，长期成就跟智商的相关性没那么高，反而跟一个叫做Grit的特质高度相关。
Grit可以翻译成坚毅，指的是对长期目标的持续热情和坚持。
换句话说，能不能撑到爆发的那一天，本身就是一种核心竞争力。
回到最开始的问题：为什么大多数创业公司无法存活到2026年？
现在这个问题可以换一种问法：你有没有做好准备，打一场八年以上的持久战？
你的心理资源够不够？
你的团队韧性强不强？
你跟投资人的关系是一次性的还是长期的？
毕竟，alive and surprise。
先活着，惊喜才有可能发生。
最近我在看一档投资人访谈节目，两位嘉宾是Dave Samuel和Maria Palma。
他们从2009年就开始做种子轮投资，算下来已经看过上千家公司的生生死死。
主持人问：为什么大多数创业公司活不到2026年？
他们的回答是，不是因为产品，也不是因为市场，而是因为大多数创始人在前两年就把自己的心理能量耗干了。
Maria在节目里提到了一个数据，她说如果你去看投资基金的回报曲线，会发现一个有意思的规律：大多数基金要到第八年，才能真正确定自己处于哪个业绩四分位。
什么意思呢？
就是说，一个投资人投了一堆项目，前两年看起来表现平平的那些，很可能在第七年到第十二年之间突然爆发。
Maria给这个现象起了个名字，叫alive and surprise。
翻译过来就是：先活着，然后给你惊喜。
换句话说，一家公司如果能活过前五年，它继续存活下去的概率反而会比刚成立时更高。
这就解释了为什么Maria说前六年看不到明显增长不是问题。
真正的问题是，你能不能撑到那个时间点。
Dave在节目里举了一个例子，是Airtable的创始人Howie。
Howie在Duke大学读书的时候，Dave就认识他了，那时候Howie还只是个有想法的年轻人。
Howie后来创办了一家公司，卖给了Salesforce。
但他没有拿着钱去享受生活，而是选择留在Salesforce工作，他说自己想系统学习一下B2B业务到底怎么做。
等他觉得自己学够了，才出来创办Airtable。
而且创办之后，他用了整整三年时间，团队只维持在四个人的规模。
三年，四个人，只做一件事：打磨产品。
从Dave认识Howie，到Airtable真正开始起飞，中间经历了多少年？
这不是百米冲刺，而是一场非常之漫长的超级马拉松。
那么，为什么心理资源会耗尽呢？
自我损耗这个理论最早是心理学家Roy Baumeister提出来的，他做过一系列实验，发现人的意志力和自我控制力就像肌肉一样，用多了会疲劳。
创业这件事就非常的消耗心理资源。
首先是它的不确定性。
人类大脑天生讨厌不确定性，因为不确定意味着无法预测，无法预测意味着危险。
但创业每天都在面对不确定，这种状态会持续激活你的压力反应系统。
然后是社会比较，你周围总有人融资成功，总有人被媒体报道，总有人看起来比你顺利。
人会不自觉地拿自己跟周围人比较，当你连续两年觉得自己不如别人的时候，心理能量的消耗是巨大的。
还有一个是沉没成本。
你已经投入了那么多时间、精力、金钱，放弃显得很不甘心，但继续下去又看不到希望。
这种两难的状态，会让决策变得异常困难，而每一次艰难的决策都在消耗你的心理资源。
所以Maria说的那句话就能理解了：大多数创始人不是被市场打败的，是被自己的心理状态打败的。
Dave在节目里反复强调的一个观点是：他投的是团队，不是产品。
他说产品会变，市场会变，甚至整个赛道都可能消失。
但一个优秀团队的学习能力、适应能力和韧性，是可以跨越这些变化的。
节目里还聊到一个有意思的话题：很多创业者在融资时采用了错误的策略。
简单说就是，他们把融资当成了一次性的销售行为，而不是长期的关系建设。
很多创业者在融资的时候，只想着怎么把眼前这轮融到。
为了让数据好看，会做一些短期行为，为了让估值高一点，会讲一些过度乐观的故事。
但问题是，投资这件事的反馈周期特别长，一个投资人做的决策，可能要八年后才能验证对不对。
这也意味着投资人非常依赖口碑和长期信任。
如果你在A投资人那里表现得不诚实，这个信息很快就会在圈子里传开。
同理，如果你是一个长期主义者，愿意如实沟通、接受反馈、持续迭代，这种口碑也会慢慢积累起来。
创业公司的生存法则，其实可以迁移到很多其他场景。
比如说技能学习，大多数技能的进步不是线性的。
你可能会经历很长一段时间的平台期，看不到明显进步，然后在某个时间点突然上一个台阶。
心理学家Angela Duckworth在她那本《坚毅》里面专门研究过这个现象。
她发现，长期成就跟智商的相关性没那么高，反而跟一个叫做Grit的特质高度相关。
Grit可以翻译成坚毅，指的是对长期目标的持续热情和坚持。
换句话说，能不能撑到爆发的那一天，本身就是一种核心竞争力。
回到最开始的问题：为什么大多数创业公司无法存活到2026年？
现在这个问题可以换一种问法：你有没有做好准备，打一场八年以上的持久战？
你的心理资源够不够？
你的团队韧性强不强？
你跟投资人的关系是一次性的还是长期的？
毕竟，alive and surprise。
先活着，惊喜才有可能发生。
1 00
这是近期所有PM不可错过的一期播客。
最近，LinkedIn的首席产品官Tor Cohen在lenny的播客里分享了他们正在做的一件事：取消沿用多年的APM项目，也就是产品经理培养计划，换成一个叫APB的新项目。
APB全称是Associate Product Builder，翻译过来就是助理全栈构建者。
什么叫全栈构建者？让一个人干三个人的活吗？
没那么简单。
LinkedIn有一组数据特别值得关注。
他们发现，到2030年，完成你现在这份工作所需要的技能，将会变化70%。
不是你要换工作，而是你不换工作，工作本身也在变。
还有一个数据更夸张，今年增长最快的那些岗位，70%在去年的榜单上根本不存在。
这是LinkedIn启动全栈构建者计划的根本原因——不是为了省人力成本，而是为了活下去。
我们先聊聊产品开发流程是怎么变臃肿的。
假设你要做一个新功能，最原始的流程是：发现问题、设计方案、写代码、上线、迭代。
但在大公司里，这个流程会一步步膨胀。
发现问题这一步，在LinkedIn要查10到15个数据源。设计评审、隐私评审、安全评审，光评审环节就能列出一长串。
每个环节都有存在的合理性，但加在一起，一个小功能可能要跨多个团队、多个代码库、好几个sprint才能上线。
更关键的是，真正创造价值的迭代阶段往往还没开始，项目就已经精疲力尽了。
Tor Cohen说了一句话：工作本身并不复杂，是流程让它变复杂了。
工作会自动膨胀，直到填满所有可用时间。流程也会自动生长，直到吞噬所有可用资源。
好，概念铺垫完了，说说他们具体在做什么。
LinkedIn把全栈构建者模式拆成了三个部分：平台、工具、文化。
第一步是重构平台。
他们发现，直接把外部的AI工具接进来根本不好使，不管是Cursor还是Figma的AI功能，在LinkedIn的代码库和设计系统上都跑不顺。
所以他们花了大量时间让AI能真正理解自己的技术栈，这个过程叫做让AI能够reason over your codebase。
第二步是构建专属的AI智能体。
他们做了一个信任智能体，专门用来检测产品方案中可能存在的安全隐患和欺诈风险。
LinkedIn上有个功能叫open to work，就是那个绿色的找工作标志。
这个功能很好，但也让骗子更容易找到下手对象。
他们把两年前的产品文档丢给信任智能体，结果不仅发现了当初漏掉的风险点，还找出了后来才暴露的问题。
他们还做了增长智能体、研究智能体、分析师智能体。每一个都是用LinkedIn自己的历史数据、研究报告、成功案例训练出来的。
这里有个很反直觉的发现：不能把AI接入你的全部知识库。
直接给AI访问所有文档的权限，效果反而很差。它分不清哪些信息重要，哪些是过时的。
你得手动筛选出黄金样本，告诉AI什么是好的，什么是成功的。
第三步是文化变革，这一步其实最难。
Tor Cohen分享了一个观察：最早开始用这些工具的，是公司里最顶尖的那批人。
大家可能以为AI工具是用来帮助能力不足的人补短板的。但实际上，顶尖人才对新工具的接受度更高，学习曲线更陡，产出质量也更好。
那怎么让更多人用起来呢？
LinkedIn做了这么几件事👇
首先是调整绩效考核，你的360度评估会包含其他职能同事对你的评价。
如果你是PM，设计师和工程师都会给你打分，看你是不是真的能跨职能工作。
其次是树立标杆。
他们的一个用户研究员，用这些工具转型成了增长PM，这种案例在内部被反复传播。
最后是制造适度的稀缺感。
不是所有人都能马上用上这些工具，你得申请，得给反馈，得帮助改进产品。
那到底什么样的人适合成为全栈构建者呢？
Tor Cohen总结了五个能力：愿景、同理心、沟通、创意、判断力。
其中他最看重的是判断力。
其他能力AI都可以辅助，但在复杂模糊的情况下做出高质量决策，这件事目前还是人类的专属能力。
最后他说：不是每个人都需要成为全栈构建者。
有些人就是喜欢在某个领域深耕，做到极致，这完全没问题，全栈构建者和专业人才会共存。
LinkedIn这次做的事，某种程度上就是在用完全不同的方式重新定义产品开发这件事。
这可能不是产品经理的末日，但一定是某种旧模式的末日。
最近，LinkedIn的首席产品官Tor Cohen在lenny的播客里分享了他们正在做的一件事：取消沿用多年的APM项目，也就是产品经理培养计划，换成一个叫APB的新项目。
APB全称是Associate Product Builder，翻译过来就是助理全栈构建者。
什么叫全栈构建者？让一个人干三个人的活吗？
没那么简单。
LinkedIn有一组数据特别值得关注。
他们发现，到2030年，完成你现在这份工作所需要的技能，将会变化70%。
不是你要换工作，而是你不换工作，工作本身也在变。
还有一个数据更夸张，今年增长最快的那些岗位，70%在去年的榜单上根本不存在。
这是LinkedIn启动全栈构建者计划的根本原因——不是为了省人力成本，而是为了活下去。
我们先聊聊产品开发流程是怎么变臃肿的。
假设你要做一个新功能，最原始的流程是：发现问题、设计方案、写代码、上线、迭代。
但在大公司里，这个流程会一步步膨胀。
发现问题这一步，在LinkedIn要查10到15个数据源。设计评审、隐私评审、安全评审，光评审环节就能列出一长串。
每个环节都有存在的合理性，但加在一起，一个小功能可能要跨多个团队、多个代码库、好几个sprint才能上线。
更关键的是，真正创造价值的迭代阶段往往还没开始，项目就已经精疲力尽了。
Tor Cohen说了一句话：工作本身并不复杂，是流程让它变复杂了。
工作会自动膨胀，直到填满所有可用时间。流程也会自动生长，直到吞噬所有可用资源。
好，概念铺垫完了，说说他们具体在做什么。
LinkedIn把全栈构建者模式拆成了三个部分：平台、工具、文化。
第一步是重构平台。
他们发现，直接把外部的AI工具接进来根本不好使，不管是Cursor还是Figma的AI功能，在LinkedIn的代码库和设计系统上都跑不顺。
所以他们花了大量时间让AI能真正理解自己的技术栈，这个过程叫做让AI能够reason over your codebase。
第二步是构建专属的AI智能体。
他们做了一个信任智能体，专门用来检测产品方案中可能存在的安全隐患和欺诈风险。
LinkedIn上有个功能叫open to work，就是那个绿色的找工作标志。
这个功能很好，但也让骗子更容易找到下手对象。
他们把两年前的产品文档丢给信任智能体，结果不仅发现了当初漏掉的风险点，还找出了后来才暴露的问题。
他们还做了增长智能体、研究智能体、分析师智能体。每一个都是用LinkedIn自己的历史数据、研究报告、成功案例训练出来的。
这里有个很反直觉的发现：不能把AI接入你的全部知识库。
直接给AI访问所有文档的权限，效果反而很差。它分不清哪些信息重要，哪些是过时的。
你得手动筛选出黄金样本，告诉AI什么是好的，什么是成功的。
第三步是文化变革，这一步其实最难。
Tor Cohen分享了一个观察：最早开始用这些工具的，是公司里最顶尖的那批人。
大家可能以为AI工具是用来帮助能力不足的人补短板的。但实际上，顶尖人才对新工具的接受度更高，学习曲线更陡，产出质量也更好。
那怎么让更多人用起来呢？
LinkedIn做了这么几件事👇
首先是调整绩效考核，你的360度评估会包含其他职能同事对你的评价。
如果你是PM，设计师和工程师都会给你打分，看你是不是真的能跨职能工作。
其次是树立标杆。
他们的一个用户研究员，用这些工具转型成了增长PM，这种案例在内部被反复传播。
最后是制造适度的稀缺感。
不是所有人都能马上用上这些工具，你得申请，得给反馈，得帮助改进产品。
那到底什么样的人适合成为全栈构建者呢？
Tor Cohen总结了五个能力：愿景、同理心、沟通、创意、判断力。
其中他最看重的是判断力。
其他能力AI都可以辅助，但在复杂模糊的情况下做出高质量决策，这件事目前还是人类的专属能力。
最后他说：不是每个人都需要成为全栈构建者。
有些人就是喜欢在某个领域深耕，做到极致，这完全没问题，全栈构建者和专业人才会共存。
LinkedIn这次做的事，某种程度上就是在用完全不同的方式重新定义产品开发这件事。
这可能不是产品经理的末日，但一定是某种旧模式的末日。
3 00
创业这件事，比你想象的要痛苦得多。
Spencer Skates，Amplitude的创始人兼CEO，最近在YC播客里聊了一个话题：想当好CEO，得先把创始人那套习惯扔掉。
2012年两个刚毕业的年轻人，一开始做的还不是数据分析，而是一个类似Siri的语音识别产品叫Sonet Light。
Demo Day上，媒体争相报道，但产品本身不够好。所以Demo Day刚结束，他们就决定把这个项目砍掉。
然后他们发现，之前自己随手搭的内部数据分析工具，反倒有一堆公司想要。
于是Amplitude就这么诞生了。
从那时候起，Spencer就学会了一个道理：CEO的工作就是往最难的问题上冲，然后带着团队从前线杀出一条血路。
代码写不动了你来写，客户搞不定了你来搞，员工有矛盾了你来调解。
这套打法在早期公司极其有效。
公司小的时候，创始人就是那个什么都能干、什么都得干的人。
你亲力亲为，团队就会跟着你一起拼命。
但公司变大以后呢?
你会变成自己曾经讨厌的那种人。
Spencer说：当公司发展到一定规模，你会发现自己变成了以前最看不起的那种大公司高管，不亲自干活，整天评判别人的工作。
你的团队从几个人变成几十人，从几十人变成几百人，你就不可能再冲到每一条战线的最前面了。
因为你根本没那么多时间。
于是你不得不学会一件事：说不。
对很多事情说不，对很多人说不，你得变得极其吝啬地使用自己的时间，因为所有人都想要你的时间。
更难受的是，你还得接受层级制度这个东西。
Spencer说他一直试图用一种更扁平的方式来管理Amplitude，但现实教会了他，层级存在是有道理的。
你需要有人对某些事情负责，需要有人来领导某些团队。
Spencer还观察到一个规律：即使是那些最成功的创始人CEO，干了大概十年之后，大部分人也会选择离开。
原因正是他说的这些，大公司高管需要的技能和创始人需要的技能，本质上是两套东西。
创始人靠的是冲劲和直觉，大公司高管靠的是系统和杠杆。
你有几百人给你干活，有上亿资金让你调配，产品已经找到了市场，你要操心的是怎么把这些资源用好。
这当然也有好的一面，Spencer说当大公司CEO其实某种程度上比当创始人轻松，因为你有杠杆了。
你不用每件事都亲自上手，你可以通过组织来实现目标。
Spencer讲这些话的背景，恰恰是Amplitude正在经历一次剧烈的转型。
2022年ChatGPT发布的时候，Amplitude内部其实对AI是持怀疑态度的。
很多工程师觉得这东西被吹得太厉害，实际能力跟不上，到处都是在AI名义下招摇撞骗的人。
这种情绪持续了差不多两年，直到2024年下半年，Spencer才真正意识到：不管之前怎么看这个技术，现在必须全力以赴了。
他做了几件事。
第一，招了一个新的工程负责人Wade Chambers，这人在AI领域经验丰富。
第二，收购了Command AI这家公司，把他们的团队和技术整合进来。
第三，办了一个全员AI培训周，让公司200多人的产品工程设计团队亲手体验这些工具能做什么。
他用了一个词：破釜沉舟。
组织内部进行了两次重组，有些在传统SaaS模式下很成功但不适应AI时代的管理者，不得不离开了。
这个过程很痛苦，但Spencer认为没有别的选择。
这一次，他不是亲自写代码，而是通过组织变革来推动整件事。
Spencer还讲了一个观察，他读过一本书叫Founders at Work，里面采访了很多成功创业者。
他发现一个共同规律：几乎所有成功的创业故事里，都存在这样一个节点，通常是创业一两年左右，从理性的角度看，那时候应该放弃了。
数据不好看，客户没着落，钱快烧完了，继续下去看不到任何希望。
但那些最后成功的人，在那个时刻没有放弃。
Spencer强调，你得有一个比自己更大的使命感，一个在创业之前就想清楚的东西。
当一切都很糟糕的时候，你能回到那个原点，问自己为什么要做这件事。
如果你做这件事是为了钱，为了名声，为了证明自己，那些东西在低谷期根本支撑不住你。
只有当你真正相信你在做的事情有意义，你才有可能熬过那些最黑暗的日子。
从一个在MIT宿舍里写代码的年轻人，到一个需要管理几百人、对投资者负责、在公众场合说话要小心翼翼的上市公司CEO，Spencer走了十多年。
但有一样东西他没有放弃，就是那股从第一天就有的劲头：看准了方向，就一头扎进去。
Spencer Skates，Amplitude的创始人兼CEO，最近在YC播客里聊了一个话题：想当好CEO，得先把创始人那套习惯扔掉。
2012年两个刚毕业的年轻人，一开始做的还不是数据分析，而是一个类似Siri的语音识别产品叫Sonet Light。
Demo Day上，媒体争相报道，但产品本身不够好。所以Demo Day刚结束，他们就决定把这个项目砍掉。
然后他们发现，之前自己随手搭的内部数据分析工具，反倒有一堆公司想要。
于是Amplitude就这么诞生了。
从那时候起，Spencer就学会了一个道理：CEO的工作就是往最难的问题上冲，然后带着团队从前线杀出一条血路。
代码写不动了你来写，客户搞不定了你来搞，员工有矛盾了你来调解。
这套打法在早期公司极其有效。
公司小的时候，创始人就是那个什么都能干、什么都得干的人。
你亲力亲为，团队就会跟着你一起拼命。
但公司变大以后呢?
你会变成自己曾经讨厌的那种人。
Spencer说：当公司发展到一定规模，你会发现自己变成了以前最看不起的那种大公司高管，不亲自干活，整天评判别人的工作。
你的团队从几个人变成几十人，从几十人变成几百人，你就不可能再冲到每一条战线的最前面了。
因为你根本没那么多时间。
于是你不得不学会一件事：说不。
对很多事情说不，对很多人说不，你得变得极其吝啬地使用自己的时间，因为所有人都想要你的时间。
更难受的是，你还得接受层级制度这个东西。
Spencer说他一直试图用一种更扁平的方式来管理Amplitude，但现实教会了他，层级存在是有道理的。
你需要有人对某些事情负责，需要有人来领导某些团队。
Spencer还观察到一个规律：即使是那些最成功的创始人CEO，干了大概十年之后，大部分人也会选择离开。
原因正是他说的这些，大公司高管需要的技能和创始人需要的技能，本质上是两套东西。
创始人靠的是冲劲和直觉，大公司高管靠的是系统和杠杆。
你有几百人给你干活，有上亿资金让你调配，产品已经找到了市场，你要操心的是怎么把这些资源用好。
这当然也有好的一面，Spencer说当大公司CEO其实某种程度上比当创始人轻松，因为你有杠杆了。
你不用每件事都亲自上手，你可以通过组织来实现目标。
Spencer讲这些话的背景，恰恰是Amplitude正在经历一次剧烈的转型。
2022年ChatGPT发布的时候，Amplitude内部其实对AI是持怀疑态度的。
很多工程师觉得这东西被吹得太厉害，实际能力跟不上，到处都是在AI名义下招摇撞骗的人。
这种情绪持续了差不多两年，直到2024年下半年，Spencer才真正意识到：不管之前怎么看这个技术，现在必须全力以赴了。
他做了几件事。
第一，招了一个新的工程负责人Wade Chambers，这人在AI领域经验丰富。
第二，收购了Command AI这家公司，把他们的团队和技术整合进来。
第三，办了一个全员AI培训周，让公司200多人的产品工程设计团队亲手体验这些工具能做什么。
他用了一个词：破釜沉舟。
组织内部进行了两次重组，有些在传统SaaS模式下很成功但不适应AI时代的管理者，不得不离开了。
这个过程很痛苦，但Spencer认为没有别的选择。
这一次，他不是亲自写代码，而是通过组织变革来推动整件事。
Spencer还讲了一个观察，他读过一本书叫Founders at Work，里面采访了很多成功创业者。
他发现一个共同规律：几乎所有成功的创业故事里，都存在这样一个节点，通常是创业一两年左右，从理性的角度看，那时候应该放弃了。
数据不好看，客户没着落，钱快烧完了，继续下去看不到任何希望。
但那些最后成功的人，在那个时刻没有放弃。
Spencer强调，你得有一个比自己更大的使命感，一个在创业之前就想清楚的东西。
当一切都很糟糕的时候，你能回到那个原点，问自己为什么要做这件事。
如果你做这件事是为了钱，为了名声，为了证明自己，那些东西在低谷期根本支撑不住你。
只有当你真正相信你在做的事情有意义，你才有可能熬过那些最黑暗的日子。
从一个在MIT宿舍里写代码的年轻人，到一个需要管理几百人、对投资者负责、在公众场合说话要小心翼翼的上市公司CEO，Spencer走了十多年。
但有一样东西他没有放弃，就是那股从第一天就有的劲头：看准了方向，就一头扎进去。
0 00
创业初期，你应该把钱花在哪里？
最近听了一期播客，主讲人是Good American和SKIMS背后的操盘手，这两个品牌你可能听过，都是估值超过十亿美元的消费品公司。
她在节目里聊了一个特别实际的问题：创业初期，钱到底该往哪花？
这个问题听起来简单，但我发现大多数人的答案都是错的。
假设你现在要创业，手里有一笔启动资金，你会先干什么？
很多人的第一反应是：租个像样的办公室，招几个人，做个漂亮的网站，搞一场发布会，然后在社交媒体上砸钱推广。
这套逻辑看起来很合理，但如果你真的这么做了，大概率会踩坑。
因为这些事情有一个共同点：它们都是让你看起来像个品牌，而不是让你真正成为一个品牌。
这两者的区别，就是感知价值和实际价值的区别。
举个例子，Good American这个品牌是怎么起步的？
创始人没有先去想logo怎么设计，也没有先去想发布会请谁来。她做的第一件事是跟大量女性聊天，问她们一个问题：你穿牛仔裤的时候最烦什么？
答案出奇地一致：不合身、勒腰、坐下去会勒出印子、弯腰的时候后腰会露出来。
这些抱怨听起来很琐碎，但它们指向了一个巨大的市场空白。当时市面上的牛仔裤，对身材有曲线的女性特别不友好。
于是她们做了几件事：研发有弹性恢复力的面料，设计四片式裤腰，加固皮带环。
这些细节听起来很技术，但每一个都是针对真实痛点的解决方案。
这就是实际价值。
它不是你说自己有多好，而是用户穿上之后真的觉得舒服。
所以第一个结论来了：在花任何一分钱之前，先问自己两个问题。
1、我在解决什么问题？
2、我的用户真正需要什么？
这两个问题的答案，会告诉你钱该往哪放。
值得花钱的地方有这么几个。
第一是产品本身。
很多人觉得产品差不多就行了，这个想法很危险。
再好的营销也只能让人进门一次，能让人反复购买的只有产品。
第二是了解用户。
这包括做调研、做访谈、做测试。
Good American在早期花了很多钱请调研机构帮忙，因为创始人知道自己的直觉可能是错的，需要数据来验证。
第三是品牌视觉。
不是华丽的视觉，而是清晰的视觉。
如果你自己不擅长这个，找一个靠谱的合作伙伴是值得的，甚至可以考虑用股权换，因为早期的视觉系统会影响用户对你的第一印象。
第四是数字化存在。
你不需要一个功能复杂的大网站，你需要的是一个看起来专业可信的页面。现在有很多工具可以帮你快速搭建，不用花大钱。
第五是社区。
每一封订单确认邮件、每一条评论回复、每一次客服互动，都是在建立信任。
这些事不需要大预算，需要的是耐心和一致性。
说完该花的，再说说不该花的，这部分可能更重要，因为很多创业者的钱就是这么漏掉的。
首先是过早追求完美。
你不需要在第一天就看起来像个大品牌。
事实上，如果你一开始就很完美，反而说明你可能花了太多时间在不重要的事情上。
其次是过度备货。
很多人会假设用户会来，然后囤一大堆货。
但在没有验证需求之前，这就是赌博。
Good American的做法是先小批量测试，根据反馈决定下一步生产什么。
这里有个特别好的案例，她们推出的第二个品类是连体衣。
几个月后，她们发现很多用户居然把连体衣当泳衣穿。
这显然不太合适，但它传递了一个信号：用户需要这种版型和面料的泳衣，而市面上没有。
于是泳装成了她们的第三个品类，而且上线就有了现成的受众。
你看，这就是用数据和反馈来指导决策，而不是拍脑袋。
第三个不该花钱的地方是发布会。
很多人会觉得，发布会不是很重要吗？能上新闻、能请KOL、能造势。
但问题是，这些热闹只能持续几天。
真正让品牌活下去的，是产品带来的口碑。
最后是办公室和团队。
创业早期应该是scrappy的，这个词不太好翻译，大概意思是精简、灵活、能省则省。
Good American刚开始的时候，团队挤在别人公司的一个角落里办公。这不丢人，这是正常的。
说了这么多，怎么判断自己有没有花对钱呢？
有一个简单的标准：这笔钱花出去，用户能感受到吗？
如果答案是能，比如产品更好了、包装更贴心了、客服响应更快了，那这钱就花对了。
如果答案是不能，比如办公室更大了、发布会更豪华了，但用户根本感知不到，那就要小心了。
这个标准背后的逻辑是：早期的每一分钱都应该转化成用户体验的提升。
因为只有用户体验好了，才会有复购，才会有口碑，才会有增长。
创始人在节目里分享了一个习惯，她每周五都会回顾一下，这周的时间和钱都花在哪了，有没有和最重要的事情对齐。
这个习惯很简单，但能帮你持续校准方向。
创业这件事，永远是资源有限的，你不可能什么都做，所以必须选择。
而选择的依据，不应该是什么看起来重要，而是什么真正重要。
两者的区别，往往就是成败的区别。
最近听了一期播客，主讲人是Good American和SKIMS背后的操盘手，这两个品牌你可能听过，都是估值超过十亿美元的消费品公司。
她在节目里聊了一个特别实际的问题：创业初期，钱到底该往哪花？
这个问题听起来简单，但我发现大多数人的答案都是错的。
假设你现在要创业，手里有一笔启动资金，你会先干什么？
很多人的第一反应是：租个像样的办公室，招几个人，做个漂亮的网站，搞一场发布会，然后在社交媒体上砸钱推广。
这套逻辑看起来很合理，但如果你真的这么做了，大概率会踩坑。
因为这些事情有一个共同点：它们都是让你看起来像个品牌，而不是让你真正成为一个品牌。
这两者的区别，就是感知价值和实际价值的区别。
举个例子，Good American这个品牌是怎么起步的？
创始人没有先去想logo怎么设计，也没有先去想发布会请谁来。她做的第一件事是跟大量女性聊天，问她们一个问题：你穿牛仔裤的时候最烦什么？
答案出奇地一致：不合身、勒腰、坐下去会勒出印子、弯腰的时候后腰会露出来。
这些抱怨听起来很琐碎，但它们指向了一个巨大的市场空白。当时市面上的牛仔裤，对身材有曲线的女性特别不友好。
于是她们做了几件事：研发有弹性恢复力的面料，设计四片式裤腰，加固皮带环。
这些细节听起来很技术，但每一个都是针对真实痛点的解决方案。
这就是实际价值。
它不是你说自己有多好，而是用户穿上之后真的觉得舒服。
所以第一个结论来了：在花任何一分钱之前，先问自己两个问题。
1、我在解决什么问题？
2、我的用户真正需要什么？
这两个问题的答案，会告诉你钱该往哪放。
值得花钱的地方有这么几个。
第一是产品本身。
很多人觉得产品差不多就行了，这个想法很危险。
再好的营销也只能让人进门一次，能让人反复购买的只有产品。
第二是了解用户。
这包括做调研、做访谈、做测试。
Good American在早期花了很多钱请调研机构帮忙，因为创始人知道自己的直觉可能是错的，需要数据来验证。
第三是品牌视觉。
不是华丽的视觉，而是清晰的视觉。
如果你自己不擅长这个，找一个靠谱的合作伙伴是值得的，甚至可以考虑用股权换，因为早期的视觉系统会影响用户对你的第一印象。
第四是数字化存在。
你不需要一个功能复杂的大网站，你需要的是一个看起来专业可信的页面。现在有很多工具可以帮你快速搭建，不用花大钱。
第五是社区。
每一封订单确认邮件、每一条评论回复、每一次客服互动，都是在建立信任。
这些事不需要大预算，需要的是耐心和一致性。
说完该花的，再说说不该花的，这部分可能更重要，因为很多创业者的钱就是这么漏掉的。
首先是过早追求完美。
你不需要在第一天就看起来像个大品牌。
事实上，如果你一开始就很完美，反而说明你可能花了太多时间在不重要的事情上。
其次是过度备货。
很多人会假设用户会来，然后囤一大堆货。
但在没有验证需求之前，这就是赌博。
Good American的做法是先小批量测试，根据反馈决定下一步生产什么。
这里有个特别好的案例，她们推出的第二个品类是连体衣。
几个月后，她们发现很多用户居然把连体衣当泳衣穿。
这显然不太合适，但它传递了一个信号：用户需要这种版型和面料的泳衣，而市面上没有。
于是泳装成了她们的第三个品类，而且上线就有了现成的受众。
你看，这就是用数据和反馈来指导决策，而不是拍脑袋。
第三个不该花钱的地方是发布会。
很多人会觉得，发布会不是很重要吗？能上新闻、能请KOL、能造势。
但问题是，这些热闹只能持续几天。
真正让品牌活下去的，是产品带来的口碑。
最后是办公室和团队。
创业早期应该是scrappy的，这个词不太好翻译，大概意思是精简、灵活、能省则省。
Good American刚开始的时候，团队挤在别人公司的一个角落里办公。这不丢人，这是正常的。
说了这么多，怎么判断自己有没有花对钱呢？
有一个简单的标准：这笔钱花出去，用户能感受到吗？
如果答案是能，比如产品更好了、包装更贴心了、客服响应更快了，那这钱就花对了。
如果答案是不能，比如办公室更大了、发布会更豪华了，但用户根本感知不到，那就要小心了。
这个标准背后的逻辑是：早期的每一分钱都应该转化成用户体验的提升。
因为只有用户体验好了，才会有复购，才会有口碑，才会有增长。
创始人在节目里分享了一个习惯，她每周五都会回顾一下，这周的时间和钱都花在哪了，有没有和最重要的事情对齐。
这个习惯很简单，但能帮你持续校准方向。
创业这件事，永远是资源有限的，你不可能什么都做，所以必须选择。
而选择的依据，不应该是什么看起来重要，而是什么真正重要。
两者的区别，往往就是成败的区别。
3 10
Vibe Coding会杀死SaaS生意吗？
有个哥们说，Vibe Coding后面发展一下，可能会杀死SaaS生意。
这哥们叫Maor，是个以色列创业者，一个人做了个产品叫Base44，后来以8000万美元卖给了建站平台Wix。
更夸张的是，被收购后这个产品现在年收入已经超过1亿美元。
一个人的项目能做到这个体量，听起来就很不可思议。
但更让我在意的，是Maor对未来的一个判断。他说：以后你想要个CRM系统，可能不需要去买Salesforce了，直接自己造一个就行。
你现在想管理客户信息，可能会去Salesforce或者HubSpot买个账号，每个月交几百上千美元的订阅费。
然后你发现，这软件里80%的功能你根本用不上，你真正需要的那20%功能又藏得很深。
想改点东西？对不起，你得找他们的技术团队定制开发，再多交一笔钱。
Vibe Coding的逻辑是反过来的，你直接跟AI说：给我做个客户管理系统，要能记录客户信息、跟进记录，还要能自动提醒我回访时间。
然后AI就给你生成一个可以直接用的系统。
过两天你觉得不够用了没关系，继续跟AI说：我想加个功能。
几分钟，改好了。
软件变成了一种可以随时塑形的东西，就像捏橡皮泥一样。
你可能会说，这现实中真的行得通吗？
其实技术上已经没什么障碍了。
Maor提到一个关键观察：现在的AI编程工具，包括Claude、Cursor这些，已经能帮人快速生成可用的代码。一个对编程一窍不通的人，也能在AI的帮助下搭建出基本能用的应用。
更关键的是成本问题，Maor算了一笔账：AI模型的价格在快速下降，几乎趋近于零。
当生成代码的成本变得极低，你为什么还要每年给软件公司交几万块的订阅费呢？
Maor用了一个很形象的比喻，他说软件正在变得更加液态。
传统的软件像一块固体，形状是固定的，你买了就得适应它的逻辑和流程。Salesforce长什么样，你就得按它的方式工作。想改太难了，成本太高。
但Vibe Coding时代的软件更像液体，它可以流动，可以随时改变形状，适应你的需求而不是让你去适应它。
你可能从一个开源模板开始，然后不断地调整、修改、添加功能，最终变成完全适合你自己业务的样子。
这种转变带来的影响是深远的，当工具变得足够灵活和个性化，它就不再是单纯的工具，而是成为了用户能力的延伸。
Vibe Coding就是在做这件事，让软件从标准化产品变成每个人可以掌控的能力。
但这对传统SaaS公司来说，可能不是什么好消息。
你想想看，SaaS的商业模式本质上是什么？
是把软件标准化，卖给成千上万个客户，通过规模效应赚钱。
一套系统服务所有人，这就是它的核心逻辑。
但如果每个人都能根据自己的需求定制软件，这个逻辑就不成立了。
为什么我要为你设计的功能买单，如果我自己十分钟就能做一个更适合我的？
Maor提到，不只是小功能，连CRM、项目管理、客服系统这些大类软件，都可能被Vibe Coding取代。
当构建一个定制化的工具比购买现成产品还要便宜、还要快的时候，市场会怎么选择？
答案不言而喻。
当然这不会一夜之间发生，大企业还会继续用Salesforce，因为他们有复杂的业务流程和合规要求。
但中小企业、创业团队，他们可能会是第一批转向Vibe Coding的人。
如果Vibe Coding真的普及了，那是不是意味着每个人都成了程序员？
其实也不算。更准确的说法是，编程的门槛被大大降低了。
你不需要懂代码的具体语法，但你需要知道自己想要什么，需要有把需求描述清楚的能力。
从某种程度上说，Vibe Coding不只是一个技术创新，更是一种思维方式的转变。
它让我们重新思考：软件到底应该为谁服务？是用户适应软件，还是软件适应用户？
当然现在就说SaaS会被完全取代，还为时过早，但趋势已经很明显了。
有个哥们说，Vibe Coding后面发展一下，可能会杀死SaaS生意。
这哥们叫Maor，是个以色列创业者，一个人做了个产品叫Base44，后来以8000万美元卖给了建站平台Wix。
更夸张的是，被收购后这个产品现在年收入已经超过1亿美元。
一个人的项目能做到这个体量，听起来就很不可思议。
但更让我在意的，是Maor对未来的一个判断。他说：以后你想要个CRM系统，可能不需要去买Salesforce了，直接自己造一个就行。
你现在想管理客户信息，可能会去Salesforce或者HubSpot买个账号，每个月交几百上千美元的订阅费。
然后你发现，这软件里80%的功能你根本用不上，你真正需要的那20%功能又藏得很深。
想改点东西？对不起，你得找他们的技术团队定制开发，再多交一笔钱。
Vibe Coding的逻辑是反过来的，你直接跟AI说：给我做个客户管理系统，要能记录客户信息、跟进记录，还要能自动提醒我回访时间。
然后AI就给你生成一个可以直接用的系统。
过两天你觉得不够用了没关系，继续跟AI说：我想加个功能。
几分钟，改好了。
软件变成了一种可以随时塑形的东西，就像捏橡皮泥一样。
你可能会说，这现实中真的行得通吗？
其实技术上已经没什么障碍了。
Maor提到一个关键观察：现在的AI编程工具，包括Claude、Cursor这些，已经能帮人快速生成可用的代码。一个对编程一窍不通的人，也能在AI的帮助下搭建出基本能用的应用。
更关键的是成本问题，Maor算了一笔账：AI模型的价格在快速下降，几乎趋近于零。
当生成代码的成本变得极低，你为什么还要每年给软件公司交几万块的订阅费呢？
Maor用了一个很形象的比喻，他说软件正在变得更加液态。
传统的软件像一块固体，形状是固定的，你买了就得适应它的逻辑和流程。Salesforce长什么样，你就得按它的方式工作。想改太难了，成本太高。
但Vibe Coding时代的软件更像液体，它可以流动，可以随时改变形状，适应你的需求而不是让你去适应它。
你可能从一个开源模板开始，然后不断地调整、修改、添加功能，最终变成完全适合你自己业务的样子。
这种转变带来的影响是深远的，当工具变得足够灵活和个性化，它就不再是单纯的工具，而是成为了用户能力的延伸。
Vibe Coding就是在做这件事，让软件从标准化产品变成每个人可以掌控的能力。
但这对传统SaaS公司来说，可能不是什么好消息。
你想想看，SaaS的商业模式本质上是什么？
是把软件标准化，卖给成千上万个客户，通过规模效应赚钱。
一套系统服务所有人，这就是它的核心逻辑。
但如果每个人都能根据自己的需求定制软件，这个逻辑就不成立了。
为什么我要为你设计的功能买单，如果我自己十分钟就能做一个更适合我的？
Maor提到，不只是小功能，连CRM、项目管理、客服系统这些大类软件，都可能被Vibe Coding取代。
当构建一个定制化的工具比购买现成产品还要便宜、还要快的时候，市场会怎么选择？
答案不言而喻。
当然这不会一夜之间发生，大企业还会继续用Salesforce，因为他们有复杂的业务流程和合规要求。
但中小企业、创业团队，他们可能会是第一批转向Vibe Coding的人。
如果Vibe Coding真的普及了，那是不是意味着每个人都成了程序员？
其实也不算。更准确的说法是，编程的门槛被大大降低了。
你不需要懂代码的具体语法，但你需要知道自己想要什么，需要有把需求描述清楚的能力。
从某种程度上说，Vibe Coding不只是一个技术创新，更是一种思维方式的转变。
它让我们重新思考：软件到底应该为谁服务？是用户适应软件，还是软件适应用户？
当然现在就说SaaS会被完全取代，还为时过早，但趋势已经很明显了。
1 00