#AI 時代
90%的AI中間商會消失:Google封號只是第一槍
AI的“免費紅利期”結束了,未來18個月,靠“API倒賣”的公司,會成片消失。這個導火線就是最近Google的一輪封號導致的,隨著封號風波的結束,這也標誌著AI行業【收租時代】來了。2月封號潮:高付費使用者被一鍋端一周前,Google開始大規模封號,付著250美金月費的人,帳號說沒就沒,Gmail、YouTube、Workspace,一鍋端。事情的起因是,Google的一個產品叫:Antigravity,一個AI程式設計平台。號稱能讓程式碼自己飛起來,只要只要給錢(250美刀),模型隨便用。結果很多開發者發現Google這個套餐太香了,他們用OpenClaw做橋接,把Google的大模型能力匯出來,然後給自己公司跑自動化任務。這種薅羊毛行為讓Google的算力不抗重負。Google最開始只是為“拉新”,結果拉來了一堆薅羊毛的,最狠的是,OpenClaw的創始人上周剛被OpenAI挖走。Google 一看:“好好傢伙,你在我的地盤薅羊毛就算了,還把創始人都給撬走了”,於是直接大規模封號。(圖為OpenClaw的創始人Peter Steinberger)問題出在“定價模式”過去兩年,大模型平台普遍採用兩種策略:(1)高階訂閱制,(2)API按量計費,本質是“流量拉新使用者”。假設一個使用者一天問 10 次。一個月 300 次。那麼一個月200~300 美金是可控的。但Agent出現之後,一切變了。一個自動化指令碼一天跑 1000 次呼叫,是常態。企業內部接入後,可能 5000 次。我們算一筆極保守的帳:1000次/天、30天 = 3萬次、多模型協作時翻倍,而月費價格仍然封頂。這意味著什麼?意味著:如果有1萬個這樣的使用者,Google一個月就要虧掉幾千萬美金。所以,必須清場。那怕誤傷,也要殺雞儆猴。海外收緊,國內巨頭開始搶人Google 剛把開發者趕出門了,國內廠商動作明顯加快。阿里:直接在GitHub開源CoPaw,特意標註“全中文”、“個人免費”、“適配釘釘”。網易:LobsterAI(有道龍蝦)迅速跟進,死磕教育和辦公場景。字節/智譜:表面低調,實則秘密測試外掛,準備承接流量。當外部收緊,開發者會尋找替代方案。誰此時開放入口,誰就能承接流量。國內的巨頭也看清了,算力戰爭的核心不是模型,而是開發者。誰控制開發者,誰控制未來呼叫量。免費開源 = 流量入口。真正危險的不是平台,是“中間商”未來18個月,大部分靠“模型中轉”、“介面封裝”活著的AI公司,會被成片地擠死。(1)2026年,拼參數已經沒意義了,拼的是誰能讓Agent跑得更順。(2)當阿里、Google親自下場做免費框架,那些倒賣API的“二手販子”就沒啥利潤了。以後只有兩種人能活下去:一種是手裡握著伺服器資源的元廠商、另一種是深耕垂直行業的干髒活累活的應用商。2026年以後,不存在“中立玩家”時代真的變了。以前是“草莽英雄”時代,有人靠漏洞發財。有人靠資訊差賺錢。但現在,正規軍開始收租了。算力是地皮、Agent是商舖、開發者是租客。2026年以後,不會再有“中立工具”。你要麼站在阿里雲 這樣的基礎設施一側,要麼站在OpenAI 這樣的全球生態一側。。中間地帶,會越來越窄。這次封號,不是意外,是訊號。是行業第一次明確告訴你:AI進入收租時代,歡迎來到2026。 (盧鬆鬆)
AI 浪潮下:我們熟悉的世界,正在徹底解體
在 AI 時代浪潮的衝擊下,人類社會正處於一場底層的結構性重構之中。這不僅僅是一次簡單的技術升級,更是對經濟基礎、生產關係乃至人類生存狀態的全面革新。當 AI 從單純的輔助工具躍升為具備自主生成與決策能力的“參與者”時,舊世界的規則正在加速崩塌。綜合各界前沿洞察,這場社會變革主要體現在以下四個核心維度:1. 職業結構的“摧毀”與“新生”在過去的工業革命中,新技術往往伴隨崗位的等量更替。但在 AI 時代,這種演變呈現出更為極端的分化特徵:傳統崗位的廣泛替代: 從流水線工人到程式設計師、設計師,甚至醫生、律師等“鐵飯碗”,都面臨被更廉價、更精準的 AI 替代的風險。企業的增長不再必須依賴增員,有時只需**“裁掉真人、升級算力”**。新興職業的湧現: AI 訓練師、資料標註專家、AI 倫理顧問等複合型人才成為新寵。人類角色的根本轉變: 核心競爭力將從“知識儲存”轉向批判性思維、跨界整合與情感溝通。人類正從單純的“勞動者”向“創造者”或“高級指令發出者”轉變。2. 階層分化與“新生產資料”的壟斷:從資本集中到算力霸權在 AI 時代,社會階層的劃分標準正在經歷劇烈重構。傳統的土地、廠房已成過去,算力、資料與核心演算法成為了決定財富歸屬的“新生產資料”。■ 新寡頭的誕生:掌控算力的頂端階層未來的社會財富將以前所未有的速度向少數人集中。研發頂級模型需要天文數字的算力與能源,掌握這些基礎設施的科技巨頭將成為新時代的**“算力寡頭”**。他們無需僱傭海量員工即可實現產能擴張,從而徹底切斷了傳統的勞資財富分配鏈條。■ 社會結構的“M型”折疊:中產階級的消解AI 的衝擊直接從“中間”切入。曾經作為中堅力量的初中級腦力勞動者(程式設計師、分析師等),其賴以生存的“存量知識”被 AI 瞬間拉平。社會可能走向兩極分化:極少數的 AI 統籌者與大量失去核心生產參與權的群體。■ “超級個體”的崛起:生產工具的平權在宏觀壟斷的同時,AI 也帶來了工具的下放。借助 AI Agent,具備極強產品思維的個人可以單槍匹馬完成過去整個團隊的工作。擁有**“增量知識生產能力”**的少數人,將成為打破壟斷、實現階層躍升的“超級個體”。■ 階層流動的“演算法化”:動態適配機制AI 也在消解血緣繼承。在高資訊密度時代,個體的創新能力與協作表現可被即時量化。社會有望建構一種**“誰更適配就上,誰失配就下”**的高流動性動態平衡,用演算法反饋替代粗糙的學歷篩選。3. 人類認知危機與“人工智殘”風險隨著 AI 全面接管生活,人類的認知能力面臨前所未有的挑戰:“去智化”現象: 學術界提出**“人工智殘”(Artificial Ignorance)的警告。過度依賴工具可能導致人類思考能力萎縮。若人類放棄進化,社會可能演變為 AI 扮演“牧羊犬”、人類淪為“羊群”的牧民社會**。教育的底層重構: 傳統的“填鴨式”教育將徹底失效。未來的教育必須轉向培養問題導向意識,以及在 AI 給出答案時的價值判斷力。4. 社會治理範式的相變從“災難重設”到“連續調節”: 歷史上的矛盾常通過危機釋放。但在 AI 時代,借助極高頻寬的資訊反饋,社會運行可以像工程系統一樣進行即時的**“參數微調”**,用科學的糾錯替代破壞性的動盪。人機共生與監管重塑: 政府需要重新確立責任邊界。建立 AI 倫理規範、隱私保護及全新的財富二次分配機制(如 UBI 全民基本收入),將是緩解技術陣痛的關鍵。結語我們正站在這場重構的臨界點上。舊的勞動關係和知識壁壘正在解體,一個基於算力驅動的新型社會生態正在形成。在這個勇敢者的新世界裡,無論是組織還是個人,“主動擁抱技術、重塑思維框架、堅守人類獨特價值”,將是跨越周期、避免被時代洪流吞沒的唯一生存法則。 (skyming)
AI時代的“稀缺資產”?高盛:HALO--重資產、不過時
當AI產品變得更容易複製,市場開始重新給電網、管道、基礎設施與長期產能這類“難以複製的實體資產”定價。2月24日,高盛全球投資研究部發佈最新報告《HALO影響力:AI領域的重資產、低淘汰》(The HALO effect: Heavy Assets, Low Obsolescence in the AI era)提出:在更高實際利率、地緣政治碎片化、供應鏈重構與AI資本開支浪潮疊加上下,股市的核心定價邏輯正在從“可擴張的輕資產敘事”,轉向“可建造、難替代的實體產能與網路”。高盛把這種變化概括為“稀缺性重新定價”。“更高的實際收益率、地緣政治碎片化和供應鏈重構,正把股票領導權拉回到有形的生產性資產。市場正在獎勵產能、網路、基礎設施和工程複雜度——這些資產複製成本高,也更不容易被技術淘汰。”什麼是HALO?高盛將這類公司稱為HALO,它指的是“重資產”與“低過時”的結合體,即Heavy Assets, Low Obsolescence。重資產(Heavy Assets): 商業模式建立在龐大的實物資本基礎之上,具有很高的複製壁壘——如成本、監管、建設時間、工程複雜性或網路整合難度。低淘汰率(Low Obsolescence): 這些資產的經濟相關性能夠穿越技術周期而持久存在。典型例子包括輸電網、油氣管道、公用事業、交通基礎設施、關鍵裝置,以及更換周期相對於數字創新更為緩慢的各種工業產能類別。這類資產很難被憑空創造。在數位技術日新月異的今天,這類實物資產的替換周期極其緩慢。技術創新無法輕易替代一條跨國輸油管道,也無法用程式碼取代一張龐大的國家電網。高盛觀測到,當下企業正在決定性地重返實體資產。產能、基礎設施和長周期資產正在迎來史無前例的價值回歸。AI時代,輕資產神話為何在終結?過去十餘年,全球金融危機後的零利率和充裕流動性,造就了以可擴展性而非實物資本為核心的商業模式。科技股和輕資產行業享受了極高的估值溢價。但這種平衡已經被打破。人工智慧的快速崛起,正對全球股市施加一股強大的“雙重壓力”。首先,AI正在顛覆過去十年佔據主導地位的“新經濟”模式,讓部分輕資產行業的“利潤率與終值”變得更不確定。高盛直言:“AI革命正在對軟體和IT服務的利潤率及終端價值提出質疑。”報告點名軟體、IT服務、出版、遊戲、物流平台,甚至資產管理行業,稱它們的護城河正在被重新評估。高盛的表達很直白:“軟體與IT服務近期大幅去估值,並非因為短期盈利崩塌,而是市場在重定價終值與利潤率耐久性——歷史性的高盈利能力被認為更容易遭到競爭侵蝕。”換句話說,AI降低資訊處理成本,也壓縮差異化,市場開始更謹慎地給遠期現金流打分。其次,AI正在重塑資本支出的格局。高盛指出:“AI同時正在將一些最具標誌性的‘輕資產’贏家,轉變為歷史上最大的資本支出者。”為了在基礎大模型和算力競賽中保持領先,美國五大科技巨頭開啟了史無前例的投資周期。資料顯示,自2022年ChatGPT發佈以來,這些巨頭在2023至2026年間的資本支出(Capex)將高達約1.5兆美元。相比之下,它們在2022年之前的整個發展歷史中,總共才投入了約6000億美元。更具衝擊力的是,僅在2026年單年,這些巨頭的資本支出就有望超過6500億美元。這意味著單單一年的投入,就將超越它們在AI時代來臨前的歷史總和。這是科技史上最龐大、最迅猛的資本支出周期。這意味著兩件事:其一,“算力基礎設施”本身是一種典型的實體資產周期;其二,AI並未讓世界更輕,反而讓更多產業鏈受益於“能建設、能供給、能交付”的能力。當科技巨頭變成了“重資產”的基建狂魔,市場對“輕資產”優越性的信仰自然隨之動搖。市場正在真金白銀地獎勵HALO投資者的嗅覺是敏銳的。高盛建構的“重資產組合”(GSSTCAPI)與“輕資產組合”(GSSTCAPL)的表現差異,給出了最直觀的市場答案。資料表明,資產密集度已經成為驅動估值和回報的核心要素。高盛在報告中揭示:“自2025年以來,我們新的重資產組合(GSSTCAPI)已經跑贏輕資產組合(GSSTCAPL)達35%。”這種跑贏不僅僅是股價的相對波動,更是估值邏輯的收斂。在2020年代初期,由於市場將許多舊經濟公司視為“結構性價值陷阱”,歐洲成長股的估值一度是價值股的兩倍多,溢價率高達150%。但如今,重資產與輕資產之間的估值鴻溝已經急劇縮小。更值得投資者注意的是估值收斂的方式。高盛指出,兩者的估值目前幾乎處於同一水平,但這種趨同“更多是由重資產公司的估值重估驅動的,而不是輕資產公司的全面估值下調。”除了部分直接暴露於AI顛覆風險的軟體等輕資產類股出現疲軟外,整體市場的演變路徑是:重資產企業主動拔高了估值,去迎合了輕資產同行的估值水平。這說明市場資金正在主動為實體經濟資產的彈性和戰略價值支付溢價。如何定義“重資產”?六大核心指標的審視為了穿透傳統的行業分類,精準定位那些真正依賴實體資本的標的,高盛摒棄了單一指標,轉而建構了一個包含六項指標的綜合“資本密集度得分”體系。這一套體系深刻反映了市場審視資產質量的新視角。有形資產密集度(淨實體營運資產/銷售額):數值越高,意味著產生每1美元收入所需的實體底座越沉重。固定資產密集度(廠房裝置/銷售額):反映了企業對實體磚瓦的依賴程度。固定資產份額(廠房裝置/總資產):揭示了公司資產負債表中有多少資金被“鎖”在了長期實體資產中。資本-勞動力比率(有形資產/員工數):區分了業務是由機器驅動還是由人海戰術驅動。資本支出密集度(Capex/銷售額):衡量了維持或擴張業務每年需要抽血的比例。資本支出負擔(Capex/EBITDA):展現了經營現金利潤被資產維護吞噬的程度。通過這六大維度的掃描,高盛將企業分為了截然不同的陣營。公用事業、基礎資源、能源和電信毫無懸念地穩居重資產陣營。這些行業被嚴格監管、固定資本要求極高且資產壽命極長。相反,軟體、IT服務、網際網路和媒體等平台企業,被牢牢釘在了輕資產、人力資本密集的分類中。有趣的是市場中的“中間地帶”。高盛發現,汽車和航空顯然是重資產;但由於品牌資產、生產工藝訣竅以及對工藝的長期投資,奢侈品和飲料同樣落入了“低過時”的優質資產類別。相比之下,消費者服務、博彩和大多數零售商則屬於結構性的輕資產,其經濟命脈在於勞動力和行銷,而非物理資本。宏觀東風與業績動能的共振為什麼重資產在當下這個節點爆發?答案在於宏觀經濟指標與企業基本面的雙重共振。在利率端,重資產股票在較高利率時期往往表現出色。因為高收益率會無情地壓縮長久期、輕資產成長型企業的估值。而與有形產能掛鉤的重資產部門,反而能從更強勁的名義經濟活動和政府財政支出中獲益。高盛提到,如今的政策組合正在引導資本流向實體資產,“這為資本密集型企業創造了結構性的順風。”在宏觀周期端,製造業與服務業的博弈是關鍵風向標。重資產類股的命運與工業生產、資本開支周期緊密相連。高盛觀察到,隨著製造業PMI(特別是未來業務預期部分)回升並超越服務業PMI,宏觀背景再次向重資產行業傾斜。而在決定股市長遠表現的盈利端,基本面的天平也已發生傾斜。過去一個周期,輕資產企業憑藉持續高增的盈利享受了長期的估值溢價。但進入2025年後,儘管重資產企業短期盈利遭遇了關稅等貿易摩擦因素的擾動(作為大宗商品生產者和出口導向型企業,其受關稅影響遠大於服務業),但剝離短期噪音後,趨勢已然清晰。高盛強調:“重資產公司的盈利動能最近已經轉正,共識預期正在上調;而輕資產公司的盈利預期則遭到下調。”前瞻地看,分析師共識預期未來幾年重資產組合的EPS復合年增長率(CAGR)將達到14%,而輕資產組合僅為10%。更致命的是,長期支撐輕資產高估值的核心指標——淨資產收益率(ROE)——正在顯露疲態。市場目前預計輕資產公司的ROE將保持平緩,而重資產公司的ROE則有望持續改善。資金擁擠度:向重資產的輪動才剛剛開始既然邏輯如此清晰,估值已經收斂,這波重資產的行情是否已經走到了盡頭?從資金博弈的角度來看,遠未結束。近期的重資產領漲,與市場資金極度渴望擺脫擁擠且昂貴的“美國科技股”倉位密切相關。過去12個月,歐洲價值型基金迎來了3%的資金淨流入,而成長型基金則遭遇了9%的淨流出。但高盛一針見血地指出,儘管短期輪動劇烈,長線資金的倉位依然非常薄弱:“歐洲價值型基金相較於成長型基金的累計資金淨流出仍徘徊在資產管理規模的-40%左右。”這意味著,全球投資者對價值股(重資產的集中地)依然處於嚴重低配狀態。基於這一巨大的頭寸落差,重資產股繼續跑贏輕資產股的結構性邏輯依然堅如磐石。在這個被AI加速重構的時代,虛擬世界的狂飆突進,反而讓物理世界的鋼鐵、管道與電網變得空前珍貴。不論這是一場持久的市場領頭羊更替,還是周期演進中的再平衡,對於投資者而言,實物資本的“防彈衣”屬性,正在散發著無法忽視的光芒。 (追風交易台)
AI Agent 經濟時代,產品生存法則
今天剛好看到YC CEO Garry Tan轉發的一篇熱門文章《how to sell to agent》,挺有意思。文章包含了大量的經濟邏輯,會啟發你站在不同角度來思考 Agent 時代下的完全不同的產品(服務)設計思路。Garry 在劃出文章重點的同時拋出一個值得思考的問題:One of the most important questions for founders is: How do I make sure agents know about my product and service and choose it? All the old tricks won’t work.   People who figure this out will win big. 對於創始人來說,最重要的問題之一是如何確保智能體知道我的產品和服務並選擇它們?所有舊的技巧都將失效。率先破解這個問題的人將贏得巨大優勢。這不僅僅是一個行銷問題,更是商業模式的改變。如果未來採購決策由企業內部的 AI Agent 完成,你的產品是否已經是agent-native?還是仍然停留在為人類決策流程設計的狀態?1937 年,Ronald Coase提出了一個極具深見的問題,並因此榮獲諾貝爾獎:如果市場機制如此高效,企業為何還會存在?為什麼我們不通過合同將所有業務外包?他的核心答案是交易成本。因為尋找合適的專業供應商、評估其履約能力、協商價格、監督合同執行,這些環節都會消耗大量的時間與資金。在傳統環境下,內部僱傭的組織成本往往低於外部市場的交易成本。如今,AI Agents 正在重構這一經濟模型。 一個智能體可以在單次 HTTP 往返中,自動化完成服務發現、價格查詢與呼叫執行。它消除了傳統商業中的方案比選、產品演示及人工對比等冗餘環節。通過查詢登錄檔獲取結構化資料,Agent 能在毫秒級時間內做出最優決策。當然,交易成本並非全面下降。系統整合、合規性審查及安全評估等環節的成本依然高企。然而,搜尋與評估層,即獲取服務存在性及其定價資訊的邊際成本正在趨於零。當搜尋成本發生驟降,企業的決策邏輯將從“內部自建”轉向“外部採購”。而此時的採購主體已不再是人類,而是擁有獨立預算的自動化軟體(They're software with budgets)。注意力經濟不再適用整個行銷史的核心就是捕捉注意力。廣告牌、搜尋廣告、落地頁、開發信、展會展位,這一切都是為那些會瀏覽、比較並最終做決定的人類設計的。Agent 不瀏覽,它們只查詢。Agent 最佳化的是結果,而不是注意力。它們沒有品牌忠誠度,沒有衝動消費,沒有地位象徵的需求。Agent 的決策函數簡單得近乎殘酷:你能解決我的問題嗎?多快?多少錢?多可靠?在 Agent 執行階段,你的行銷網站對 Agent 是不可見的,你的價格頁面也無關緊要,唯一重要的是你的 API。推薦引擎只給三件事加分:活躍度(當前響應速度)、可靠性(歷史成功記錄)、置信度(結果精準頻率)。推特粉絲數、媒體曝光或品牌知名度沒有任何加分。演算法看不見這些,即使能看見也不在乎。這意味著發現過程必須程序化。人類通過口碑、搜尋結果和社交媒體尋找服務;Agent 則需要機器可讀的能力登錄檔。如果你的服務不能被機器發現,那麼對 Agent 來說,你就不存在。當然,人類仍會決定允許 Agent 使用那些工具。這確實是新的行銷方式的切入點。但一旦 Agent 運行起來,執行階段的採購決策就是純粹的最佳化過程。競爭的關鍵在於先進入人類准許名單,然後成為名單中最優的選項。Agent做決策的邏輯每當Agent面對子任務時,都會面臨一個核心決策:是消耗自身算力進行推理(build),還是付費呼叫已有的成熟方案(buy)?這一決策模型主要取決於兩個變數:成本與速度。1/ 資訊套利是驅動採購的核心動力。 以常見的Agent子任務為例,如“調研網頁抓取服務”或“獲取特定資料集的最佳 API”。自主推理路徑:若智能體通過大模型(如 GPT-4 等級)進行自主研究,配合約 16K token 的推理和工具呼叫,成本約為 0.10 至 0.50 美元,耗時 10 至 25 秒。由於結果源於對訓練資料的合成,精準性往往存在波動。專業服務路徑:相比之下,呼叫帶有精選目錄的專業化服務,獲取相同答案僅需 0.01 至 0.02 美元,響應時間低於 200 毫秒。由於其基於即時維護的資料而非生成的推理,精準性更高。這種情況下,buy 比 build 便宜 7 到 50 倍,速度快 50 到 100 倍。2/ 在自動化工作流中,速度的權重往往不亞於成本。當Agent花費 25 秒進行自主推理時,整個業務流水線將進入“阻塞狀態”,導致終端使用者感知到的延遲呈指數級累積。我們來對比一下,一個包含 10 個步驟的工作流,若每步依靠自主推理耗時 20 秒,使用者需等待超過 3 分鐘;如果將其取代為 200 毫秒的專業 API 呼叫,整體流程僅需 2 秒即可完成。此外,通用智能體雖然具備抓取網頁或提取資料等能力,但其執行成本往往比那些在基礎設施層面深度最佳化的服務高出近百倍。其背後的經濟邏輯清晰而客觀,若 buy 的邊際成本低於 build 的成本,且響應速度更快,系統邏輯必然向 buy 傾斜。這種趨勢催生了“長尾化”的超專業化服務市場,即那些功能單一、響應極快、且單次呼叫成本僅需微量支付的 API 端點。然而,build 與 buy 的邊界始終在動態變化。隨著基礎模型成本的降低和原生能力的增強,部分簡單的、通用的功能會被 Agent 重新用build的方式完成。能夠長期存活的服務,往往具備 Agent 難以複製的優勢,例如專有資料集、即時資料流、依賴硬體的計算能力,如圖像生成或網頁渲染。隨著大模型和各類 Agent 的普及,推理、總結、寫程式碼、寫報告等能力越來越標準化,甚至接近商品化。無論是基於 OpenAI、Anthropic 還是 Google 的模型,底層智能差距在很多通用任務上已經被顯著壓縮。也就是說,單純賣“更聰明一點”的模型,長期來看護城河有限。You sell access to things they literally cannot compute on their own 真正有價值的,是權限。Agent 再聰明,如果無法訪問你的資料庫、ERP、CRM、專有 API、物理裝置、支付系統、供應鏈網路,它就只能停留在語言層面。它可以理解問題,卻無法真正行動。真正的 Agent-native 產品是什麼樣的如果你在建構一個供 Agent 購買的服務,其產品需求與針對人類建構的產品完全不同。1/ Price belongs in the protocol, not on a webpage 價格應存在於協議層,而非網頁上。Agent 需要 API 層的機器可讀定價,而不是分三檔並帶有“聯絡銷售”按鈕的價格表。價格應作為結構化封包含在響應中。當 Agent 訪問你的端點時,它應立即知道呼叫成本及支付方式。HTTP 協議裡有一整套狀態碼,用來告訴請求方發生了什麼。例如:200 表示成功、404 表示資源不存在、401 表示未授權。其中有一個狀態碼是 402 Payment Required。它在 1997 年寫入 HTTP 標準時就被預留出來,意思是“需要付款才能訪問”。但在現實網際網路裡,幾乎沒有真正使用過它,所以長期被標註為“保留以供未來使用”。為什麼沒人用?因為過去網頁主要面向人類使用者,收費由網站在應用層自行設計,例如結算頁面、訂閱流程和第三方支付介面,而不是通過 HTTP 協議。在 Agent 經濟下,情況將發生變化。如果未來是智能體在自動呼叫 API,那麼一次請求本身就可能需要即時付費。理想流程是這樣的:Agent請求某個介面、服務返回 402,並附帶機器可讀的價格資訊、Agent自動完成支付、再次發起請求並獲得結果。整個過程無需人類參與。網際網路最初為瀏覽而設計,現在可能要為自動交易而重構。2/ Per-request pricing changes what's viable 請求計費模式改變了商業模式在傳統SaaS訂閱模式下,服務通常每月收費 29 美元甚至更高。這意味著產品必須功能足夠全面,能夠持續為使用者提供價值,否則使用者很難長期付費。一個只解決單一問題的介面,在這種模式下幾乎沒有生存空間。當計費方式變成按請求付費,而且單次成本極低時,經濟邏輯發生了變化。即便是非常垂直、只做一件小事的介面,也可以成為獨立業務。例如,抓取一次社交資料可能只需 0.1 美分,分析一份文件約 0.5 美分,生成一張圖像約 0.17 美分。在人類主導的訂閱模式下,很少有人願意每月花 29 美元,只為使用一個功能單一的介面。但當呼叫方變成 Agent,並且每天自動發起成千上萬次請求時,收入來源就從“單個使用者的訂閱月費”轉變為“高頻、低價呼叫的累計”。只要介面在某個細分任務上具備明顯優勢,按呼叫計費就有可能形成可持續的商業模式。3/ Onboarding has to be automatable 入駐流程必須實現自動化高價值的服務依然需要身份驗證、頻率限制和防濫用機制。但其註冊流程必須能夠由 Agent 通過程序自動完成。如果你的入駐流程還需要人類去點選儀表盤、填寫表格,並手動將 API 金鑰複製貼上到配置檔案裡,那你就是在為一個原本僅需幾秒鐘的整合過程,增加了長達數分鐘的阻礙。最理想的狀態是:一次請求用於發現,一次請求用於認證,一次請求用於購買。三次 HTTP 呼叫,全流程無需人工干預。什麼不會改變整個銷售漏斗就此消失了嗎?並沒有,它只是經歷了重構與最佳化。1/ Trust becomes machine-evaluable 信任進化為一組可被機器量化的指標品牌並沒有消失,而是轉化為了一套可靠性評分系統。未來,Agent 會像審計員一樣,即時追蹤並對比各家服務的運行狀態:線上率夠不夠穩?響應準不準確?延遲波動大不大?資料來源是否可追溯?在這樣的環境下,競爭邏輯隨之變化。能夠證明自身輸出精準性的服務,即便價格更高,也更容易被選中。無法提供可驗證依據的服務,那怕更便宜,也會因為不確定性而被降權。來自 Agent 服務目錄的早期資料揭示了一個殘酷的真相:在一項針對 44 個服務的抽檢中,竟然只有 2 個能完全正常工作。直接呼叫服務的成功率只有 53%。這說明,可靠性就是產品的全部。那些不穩定的服務(Dead services)將面臨最嚴厲的懲罰,它們會永遠失去 Agent 的調度,流量瞬間歸零。2/ Policy still gates purchasing 規則依然是購買行為的終極門檻雖然 Agent 可以秒級完成交易,但它們必須在既定框架內運行,比如支出上限、供應商白名單、資料儲存要求等。傳統的銷售漏斗(吸引、說服、轉化)並沒有消失,而是進化了。現在的篩選標準是既要“快和便宜”,更要“合規、可信、可審計”。 不符合合規要求的服務,性能再強也不會進入備選名單。與此同時,合規性本身正在轉化為機器可讀的程式碼。 以前需要逐字閱讀的服務條款,現在變成了機器秒讀的結構化資料。資料存多久、權限怎麼設定,全都寫在了 API 的數字標籤裡。那些由合規約束的 Agent,會本能地避開黑盒服務,優先採購那些支援程序化驗證的可信供應商。3/ The adversarial environment is real Agent 時代的叢林法則並不是每一個介面都值得信任。有的會返回無效甚至錯誤的資料,有的會藉機收集不該獲取的資訊,還有的誇大自身能力,只為了吸引更多呼叫流量。因此,Agent 不能只看表面結果,還必須具備一整套防護與驗證能力,例如結果校驗機制、隔離運行的沙箱環境,以及基於歷史表現的聲譽加權路由策略。只有這樣,才能在複雜環境中篩選出真正可靠的服務。對於服務商來說,願意在“可驗證性”和“透明度”上投入資源,會帶來長期優勢。因為在機器主導決策的市場裡,系統優先選擇的是可證明、可追溯、風險可控的服務。最終,可信度本身就成為最核心的產品能力。打造 Agent 原生服務Agent 已經在花錢了,只是它們正通過為人類設計的笨重介面來操作:註冊金鑰、瀏覽帳單後台、解析瀏覽器專用的價格頁。正如前面所分析的,如果創始人想把產品或服務賣給 Agent,請參考這份清單:Machine-readable capabilities 機器可讀的能力描述: 以結構化格式(如 JSON)發佈服務功能,而非行銷頁面。Pricing in the protocol 協議內定價: 在 API 響應中返回價格。Agent 不會去讀你的定價網頁。Automatable onboarding 可自動化的入駐: 實現從 Agent 從未聽說你的產品(或服務)到成為 Agent 的付費客戶的程序化閉環。Provable reliability 可證明的可靠性: 公佈即時指標和置信度評分。信任是衡量出來的,不是行銷出來的。Be faster and cheaper than self-computation 需要比自我計算更快、更便宜: 這是硬指標。如果 Agent 能花更少錢、用更短時間自己算出結果,它就不會呼叫你。未來無限可能是不是這些做法都給了你新的啟發,但是我們在實際實踐中,還需要延伸思考,以上所描述的經濟環境其實是隱含了一些重要假設的。1/ Agent 會成為主要採購主體它假設未來大量服務呼叫和採購決策由軟體自動完成,而不是由人瀏覽網頁、閱讀報價單再做決定。但如果企業仍然保持人工審批和主觀判斷為主,這套“機器最佳化市場”邏輯就不會完全全面成立。2/ 搜尋和評估成本接近零這是對 Ronald Coase 理論的延伸。它假設 Agent 可以通過標準化登錄檔快速發現能力、比較價格、驗證可靠性。如果現實中能力描述高度碎片化、介面標準不統一、質量難以驗證,那麼搜尋成本不會真正趨零。3/ 決策函數高度理性它假設 Agent 嚴格按速度與成本最佳化,不考慮品牌、關係或情緒等因素。這意味著市場會向極度理性、邊際成本驅動的方向演化。但如果企業刻意將品牌、長期合作關係或戰略繫結寫入規則,這個假設會被削弱。4/ 介面可標準化它假設價格可以寫入協議層,能力可以用結構化 JSON 描述,支付可以程序化完成。如果基於未來的支付系統、法律體系或合規要求等,無法支援這種自動化交易,Agent-native 市場恐怕難以形成。5/ 可靠性可以由機器來評估它假設服務的線上率、延遲、精準性都可以被量化並公開。如果大量服務缺乏可驗證的指標,agent 就無法理性最佳化,市場仍然會依賴品牌與信任關係。6/ 支付架構的標準化它假設支付將成為網際網路的基礎協議(Protocol),而非應用(Application)。 比如金融基礎設施允許微支付(Micropayments),即單次呼叫只需支付 0.001 美元,且無手續費損耗。這其實是非常具有挑戰性的,事實上微支付在技術上可行,但在現有金融體系中手續費、清算延遲與合規成本仍然存在。若缺乏低成本清算網路,單次 0.001 美元等級的支付難以實現規模化。只有當支付協議與網際網路基礎設施深度融合,自動化交易才可能普及。這一假設將會依賴金融基礎設施的演進,而不是單純技術突破。儘管上述技術路徑充滿了各種現實挑戰,但商業邏輯的演進從不以障礙為終點,而以效率為導向。歷史經驗反覆表明,當一項技術同時降低成本、縮短時間並擴大規模時,它最終會重塑商業邊界。AI 的演進也是如此。 (Miss LN)
段永平最新13F:從“蘋果時代”到“AI時代”,他還是在買“確定性”
從最新披露的13F看,段永平的組合依舊是“重倉少數、押注確定”的典型風格:期末持倉市值近180億美元,股票數量 14隻,前五大合計佔比超過 89%。其中蘋果仍是絕對第一大倉位(約 50.30%),其後是波克夏B(約 20.63%)、輝達(約 7.72%)、拼多多(約 7.48%)、GoogleC(約 3.33%)。同時他在四季度明顯減持蘋果(約減持247萬股、持倉佔比仍高),但增持了Google、拼多多,並大幅減持阿斯麥。但更值得玩味的是:他開始把視野“認真挪向AI”。一方面,他在Q4把輝達倉位拉升到“第三大重倉”(報導口徑為“增超1100%”),同時也提高了對AI鏈條關鍵環節的配置(例如微軟、台積電的增持在媒體梳理中被視為“AI關鍵一環”)。 另一方面,在他與方三文的深度對談裡,段永平把自己對AI的態度說得很直白:“AI這個東西至少摻和一下,不要錯過。” 這句話很段永平——不是追熱點,而是承認“時代變數”已經足夠大,大到不研究就會產生系統性錯過;於是用可控的方式把自己“逼進場”,把認知補上。於是,第三段就落在你點名的三家公司:Tempus(TEM)+ Credo(CRDO)+ CoreWeave(CRWV)。它們在13F裡都是“輕倉試水”,持倉佔比分別約 0.04% / 0.12% / 0.12%,但位置很有象徵意義:應用、互聯、算力——幾乎覆蓋了AI產業的三層“新地基”。(奇怪的是沒有特斯拉,對於阿段又買特斯拉,又試駕FSD,最後竟然沒有輕建倉,說明還是沒有太看懂4個輪子的FSD生意)這幾家公司,我其實都非常看好,當然對於CRDO和CRWV不如電+儲存那麼看好。但也是非常的看好。之前我在文章中也反覆提過這幾家公司的情況和護城河。一、Tempus(TEM):主打“資料+AI驅動醫療”,面向臨床與科研,核心是把分散的醫療資料產品化、工具化,提升診療與研究決策效率。Tem最強的護城河是近乎壟斷的醫療資料庫,從而保證在AI精準醫療時代,成為鏟子公司。這個護城河是他用了10年時間精心建構近300PB的資料資源,別人很難複製。二、Credo(CRDO):資料中心高速互聯的“賣鏟人”,做SerDes/DSP與AEC等連接方案,解決高頻寬、低功耗、低延遲的傳輸瓶頸——AI叢集擴張越快,互聯越是硬需求。即使在光進銅退的大趨勢下,他仍然在AEC市場有80%的市場份額,大家看到的機櫃背面的紫色線,就是他可以解決7M以內減少50%的功耗,提升1000倍穩定性的連接能力。而且即使未來在光進銅退的大趨勢下,還能把Scale- UP加強,做ALC能力,用LED去打通更多的連接能力。三、CoreWeave(CRWV):偏“GPU雲/AI雲”基礎設施,圍繞大規模GPU算力供給與交付能力做深做專;其與輝達的合作、訂單與擴張路徑,體現出“算力供給鏈”在AI浪潮中的戰略位置。作為輝達的親兒子,如果像輝達說的一樣,Rubin和RUbin Vera提速的背景下,CRWV將是首批拿到RUBIN系列晶片的資料中心,將是最大的受益者。而且現在大部分資料中心,連B200 都不見得能夠駕馭訓練, 更不用說Rubin了,可見,CRWV是真的有核心New Cloud時代的護城河的。把這三隻“新進”放回段永平的老框架裡,你會發現他並沒有變:他在訪談裡反覆強調“不懂企業最好不要碰”、以及投資要算清楚自己的機會成本,並提醒外界“抄作業是滯後的”,尤其不知道他買多買少時更危險。 所以這三筆更像是“認知倉”:先用極小倉位把自己放進研究閉環,等到商業模式與護城河看清楚,再決定是否值得提升到“主倉位”等級——這恰恰是他一貫的“慢、穩、可複製”。作為阿段的忠實信徒,他的持倉,在這些新AI股上和我的選擇如此一致,一方面是感謝阿段在AI大時代下的轉型。另外,也覺得自己平時的研究沒有白費,認真挖掘護城河並持有好公司,和阿段有類似的持倉,感覺這是開年最開心的一件事。 (老王說事)
都 AI 時代了,還需要招人嗎?
上周的文章130 GB 記憶體……Claude Code 又崩了裡,我提了一下正在招人,沒想到還真收到了兩份簡歷。還有五六個人來諮詢,問我在招什麼人?做什麼事?團隊畫像什麼樣?……這裡挑幾個問題簡要說一下,也順便招人:1 . 都 AI 時代了,為什麼還要招人?讓 AI 來幹不行嗎?當然需要人。一方面是面向使用者:需要去洞察問題和機會、找到最合適的解決路徑、去獲取真實的使用者反饋,目前確實還需要人,AI 還不太行,當然會用但不能全聽它的。另一方面是面向 AI:程式設計確實不再是瓶頸了,但如何去給 AI 下發任務、驗收結果,還是需要人的。當然,我們做了很多自動化收集 issue,AI 自己開 branch、自己開發、自己提 pr、多 agent cross review、自己幹 test、ci 的工作(後面我可以 share 一下)……但離全 AI 化還有不小距離。還有就是,時機很重要,人多了,當然會有一些 context 切換而帶來的摩擦和損耗,但只要這個人的加入,能讓整體的結果更提前,那就是合適的。當然,摩擦損耗的程度也與個人的能力和團隊協作的機制有關。我不敢說現在已經是最優,但我會一直去審視和調整,最大化地減小損耗,最大化個人的能力釋放。2. 需要什麼樣的人?AI First:凡事先AI,找人之前先找 AI靠譜:事事有回應、問題終結者敏銳:能從混亂中找到規律,從不變中找到機會聰明:被認為比身邊大部分人聰明自信:自認為比身邊大部分人聰明不設限:❌:我是做……的,我不會……,✅:在 AI 加持下,我什麼都可以!全端:IC、有較好技術或演算法基礎、科班出身、暫謝絕純 vibe coder(除非有不錯的案例加持)以及,這個人的加入能提升而非降低團隊的平均水平3. 當前團隊畫像一半是 00 前後,也有 85 後清華、北航、國防科大等字節、網易、阿里、特斯拉等4. 團隊規劃現在不到 10 人,計畫每月 +5 人,年底 50 人爬蟲、演算法,工程、全端、AI Agent、……還有產品,不過其實,職能的邊界不會分得非常清楚5.  年齡有限制嗎?不太有,當然太大可能不太合適。兩個角度:年齡無關:靠譜的人老了依舊靠譜,不靠譜的人年輕時就不靠譜年齡有關:年輕人的成功經驗和和苦澀經驗都不多,慣性和約束也不多,會更願意試錯;所以新鳥老鳥都可6. 公司現狀0人民幣收入,都是其他幣種,涉及 100+ 國家已實現規模化盈利,國內頭部美元機構投資,輪次和金額就暫不透露了。7. 公司做什麼騎在模型廠商身上、而非躺在其身下的垂類 agent我的判斷是,模型廠商至少五年內不會做,也基本做不好。業務上先賣個小關子,具體的私信我簡歷,我再告訴你😆8. 工作和 AGI Hunt 公眾號有關嗎?無關。還真有不少人問我這個問題,還有主動問招不招編輯的……公眾號不招人,也沒這方面需求和預算,這就是我每天 20 分鐘寫點東西分享一下的號而已,佛系寫寫。9. 薪資薪資 open,基本沒上限,當然和小扎是完全沒法比的,這個要有預期10. 福利提供最好的模型和充足的額度。其他的你來提,我來滿足 (AGI Hunt)
小摩最新預判:NAND周期更長更穩,eSSD成AI時代新主角
在全球資本市場緊盯 GPU 和高頻寬儲存器(HBM)的同時,NAND 快快閃記憶體儲器正悄然崛起,成為 AI 時代不可或缺的基礎設施資產。摩根大通(JPM-US,簡稱小摩)亞太區科技團隊在近期發佈的研究報告《半導體:NAND——更長、更強的上升周期》中指出,NAND 已進入由 AI 推理全面驅動的全新超級周期,其影響力可能超過以往任何一輪由消費電子推動的周期。過去 20多年,NAND 市場一直受供需波動影響。技術進步降低了成本,但廠商擴產又容易導致價格崩盤。小摩分析顯示,NAND 市場年均潛在成長率過去多在 7%~12% 之間,但預計 2025~2027年,這一數字將躍升至 34%,呈現前所未有的“斷層式”增長。更重要的是,這次增長不是單純靠出貨量堆積,而是“量價齊升”。小摩預計,今年 NAND 混合均價將上漲 40%,到2027 年價格仍能維持高位,僅小幅回落 2%。為什麼AI 推理能成為 NAND 的轉折點?關鍵在於推理階段的特殊需求:訓練階段強調算力和頻寬,HBM 無可替代;推理階段需要即時處理使用者指令,高速調取模型參數,延遲和上下文處理能力至關重要。隨著模型上下文擴展,GPU 內建 HBM 容量已捉襟見肘,行業開始引入 KV Cache Offloading 技術,把部分中間資料解除安裝到外部儲存。這讓企業級SSD(eSSD)從傳統“資料倉儲”升級為 AI 架構中的“二級儲存”,需求迅速增長。2024 年 eSSD 出貨量同比下降86%,刷新自 2012 年以來的紀錄。未來,AI伺服器單機儲存容量預計將超過 70TB,是普通伺服器的兩倍以上。到明年,eSSD 有望佔全球 NAND 需求總量的 48%,超過智慧型手機的 30% 和PC 的 22%,成為第一大應用場景。同時,HDD供應緊張也助推 NAND 上位。Seagate 和 Western Digital 因前幾年市場低迷大幅削減資本支出,導致大容量 HDD 交貨周期延長至兩年以上。面對“有貨優先於低價”的 AI 資料中心規則,客戶紛紛轉向 NAND,尤其青睞性價比提升的 QLC(四層單元 NAND)。雖然SSD 單位成本仍是 HDD 的 6~8 倍,但在能效和空間利用上優勢明顯,適合高密度 AI 資料中心。目前,SSD在“業務關鍵型”儲存領域滲透率僅 19%,還有很大提升空間。小摩估算,SSD 滲透率每提升 1%,即可為NAND 市場帶來約 20 億美元新增收入。值得注意的是,面對強勁需求和價格上漲,NAND 廠商並未盲目擴產。未來三年,產業資本支出佔銷售額比例將降至 15%~16%,遠低於過去十年的30%~50%,2018 年甚至高達 68%。原因在於技術瓶頸:NAND 堆疊層數已突破 300~400 層,刻蝕製程和晶圓應力控制難度極大,混合鍵合技術雖能緩解,但裝置昂貴且良率受限。市場預計,今年全球 NAND 晶圓產量僅增長 3%,而位元需求增速高達 21%,供需缺口將貫穿全年,支撐價格持續上行。原廠動作方面:鎧俠(Kioxia):CBA 架構優勢明顯,BiCS 8 技術量產推動伺服器業務營收從 2023 年的 20% 提升至2027 年的 61%。SK 海力士(SK Hynix):憑藉 Solidigm 在 QLC 和 eSSD 超大容量市場的統治力,以及 HBM 與 QLC 雙線優勢,長期看穩健。三星電子:雖然 QLC 佈局稍慢,但大產能和 V9 QLC 加速量產,有望收復失地,股價短期具備補漲潛力。美光(Micron):推出 232 層 TLC 的 6500 ION 系列,以“性能接近 TLC、價格接近 QLC”的策略受益美國本土資料中心建設。雖然NAND 價格上漲過快,可能推高筆記本等終端 BOM 成本,壓縮品牌商利潤,消費者換機節奏或延緩。但小摩認為,這次由 AI 推理驅動的需求革命與供給剛性深度交織,構成真正的“超級周期”。NAND 已不再是 DRAM 的陪襯,而是 AI 體系中高速“熱資料”管理的基石。 (半導體脈)
AI時代通才正在崛起:別把自己活成螺絲釘
最近我看了一條 Dan Koe 的視訊,主題大意是:如果你有很多興趣,不要在接下來的 2-3 年裡把時間浪費在“焦慮”和“內耗”上,而是把多興趣變成一條可以積累、可以複利的路徑。看完之後,我最大的感受是:他說得太透徹了——而且放在今天這個節點(AI 進入新一輪加速的階段),尤其有現實意義。我把他的核心觀點結合自己的理解,整理成一篇更適合中文讀者閱讀的轉述。也歡迎你看完後留言:你更認同那一點?你在這個時代最想建構的能力系統是什麼?1)工業時代需要“螺絲釘”,AI時代更需要“能自我進化的人”我們很多人的成長路徑,本質上仍然是工業時代的邏輯:上學→考試→拿證→進公司→在某個崗位上持續“專業化”→成為組織系統裡高效的一顆螺絲釘。這套路徑在過去有效,是因為那個時代的核心目標是規模化生產:組織需要可替換、可標準化的人力模組,越“專”、越“穩定”、越“可管理”,越能成為體系的一部分。但 AI 帶來的變化是:凡是能被拆解成流程、被標準化、被覆用的工作,都會越來越容易被自動化。當“執行層”能力被工具極大放大之後,個人真正的競爭力會往上遷移:從“會做”遷移到“會判斷、會整合、會表達、會持續產出”。換句話說:未來不只是“技能強的人”更強,而是“能持續學習、跨界整合、建構個人系統的人”更強。2)他提出的“三個自我”,是通才走向自由的底層結構Dan Koe 提到三個關鍵概念,我覺得是整條邏輯的骨架:① Self-education:自我教育(自主學習)你要能夠主導自己的學習,而不是只依賴學校或公司提供的內容。在一個變化越來越快的時代,如果學習只能靠外部安排,那速度一定跟不上現實。更重要的是:自我教育的核心不只是“學更多”,而是“為自己的目標而學”。你學的內容、節奏、輸出方式,都要圍繞你的長期方向服務。② Self-interest:自我利益(以己為本的長期選擇)這裡的“自我利益”不是狹義的自私,而是一個更成熟的概念:你要以自己的長期價值與人生目標為中心做選擇,而不是被環境、標準答案、外部期待牽著走。很多人痛苦,不是因為不努力,而是因為努力的方向是被“教育出來”的、被“體系需要”的,而不是自己真正在乎的。真正的動力,來自你願意為它長期投入的興趣與意義感。③ Self-sufficiency:自我自足(自立,不外包判斷)你不能把人生最關鍵的東西外包出去:判斷、選擇、行動力。工具可以外包,執行可以借力,但方向與判斷必須自己掌舵。當你同時具備這三件事:自主學習、長期利己、自立判斷,你的“多興趣”就不再是分散,而會變成一種結構性的優勢——通才的能力,會自然長出來。3)AGI時代最稀缺的資源:注意力(Attention)他還有一個非常現實的判斷:當 AI 讓“做東西”的門檻不斷下降——程式碼可以生成,內容可以生成,產品可以快速做出來——真正稀缺的反而不是“產能”,而是注意力與信任。你可以把產品做得再好,如果沒有被看見,沒有被理解,沒有被信任,它的價值就很難實現。而注意力是稀缺資源,並不會因為工具變強而變得不稀缺,反而會因為資訊爆炸而更加稀缺。這也是我越來越認同的一點:未來的個人競爭力,很大一部分會體現在——你能否長期建立影響力?能否持續吸引並留住注意力?能否積累信任與品牌資產?4)怎麼做才不陷入“學了很多但什麼都沒留下”的循環?很多多興趣的人,最容易陷入一種“自我安慰式學習”:刷教學、看乾貨、學新工具、收藏一堆方法論——當下感覺自己進步很快,但回頭發現:沒有作品,沒有輸出,沒有可展示的沉澱。他的建議(我也非常認同)是:不要把學習停留在“輸入”,要把輸入變成輸出 → 作品集 → 複利。你可以把路徑理解為兩條:路徑 A:技能導向(skill-based)學一項可交易技能 → 用內容表達與教學 → 形成產品/服務。適合希望快速建立收入閉環的人。路徑 B:發展導向(development-based)把自己當作長期項目來發展 → 圍繞自己建立品牌與內容系統 → 再長出產品與商業模式。適合多興趣、跨領域、希望走長線的人。其中我特別喜歡的一點是:你不一定要先捏一個“客戶畫像”再硬湊定位。你可以先幫助“過去版本的你”。你真正走過的路徑、踩過的坑、總結出來的方法,天然具有可信度,也更容易形成內容的獨特性。5)別把自己當平台的“打工人”:要把社交媒體變成你的“媒體資產”現在很多人做內容,最大的誤區是:追熱點、賭爆款、靠演算法吃飯。這樣做短期可能會有資料,但長期會很焦慮,因為不穩定、不可控、不可複利。更好的思路是:把平台當分發管道,把內容當資產,把輸出當系統。當你把系統建立起來之後——文章可以拆成短影片,短影片可以反哺長文,長文可以沉澱為系列,系列可以沉澱為方法論,方法論可以進一步長出產品或服務。這才是“複利”的開始。6)我為什麼特別認同:因為我正在做的事,和這條路徑高度契合去年開始,我嘗試認真寫公眾號:用 AI 做深度調查與報告,把資訊整理成更結構化、更可信、更可復用的內容;同時也做視訊號、小紅書。做著做著你會發現:現在的資訊噪音非常大——很多人並不瞭解,也在輸出;而真正的稀缺,是長期經驗、判斷力、以及把複雜問題講清楚的能力。我在日本生活多年,對日本的企業、工作、生活、投資這些話題相對更熟悉,所以更希望做一件事:把靠譜的資訊做成長期欄目,讓需要的人少走彎路。到今天,視訊號也快突破 1.5 萬粉絲。這個過程讓我越來越堅定:AI 時代並不是“通才沒用”,恰恰相反——當工具把執行門檻打平之後,通才的整合能力、跨界能力、表達能力,會變得更值錢。結尾:給同樣多興趣的你,一個可執行的行動清單如果你也興趣很多、也擔心分散,我建議先別糾結“終身定位”,先做三步:1. 選一個你願意長期研究的主題(它可以很大,但必須是你真的在乎的)。2. 固定節奏輸出:每周一篇文章/一條視訊/一份小報告——建立“持續交付”。3. 做系統,不做一次性努力:把輸出沉澱為系列,把系列沉澱為方法,把方法沉澱為產品/服務。最後送你一句我自己的總結:別急著把自己修剪成單線程的人。2026 這樣的時代,多興趣可能不是缺點,而是你最值得珍惜的結構性優勢。 (MAMIANA HOUSE)