在這期吳說播客中，DINQ 聯合創始人 Sam Gao 與 Kelvin Sun 圍繞 AI Agent、Crypto 基礎設施與未來組織形態展開了系統討論。嘉賓指出早期 AI Agent 項目之所以難以真正落地，核心在於當時大模型推理能力尚不成熟。隨著模型能力提升，Agent 正從“回答問題”轉向“呼叫工具並直接執行任務”，這也讓 AI 與加密結合重新具備了現實空間。談到 AI 與 Crypto 的關係，兩位嘉賓認為，多數 AI 開發者對加密並非敵視，而是相對疏離、缺乏直接關聯感。但在更底層的能力上，加密仍可能成為 AI 時代的重要基礎設施，尤其體現在三方面：為 Agent 提供無需許可的原生支付體系，通過零知識證明等密碼學工具提升模型與結果的可信驗證，以及為未來去中心化算力網路提供可能性。也因此，他們判斷 AI 與 Crypto 長期不是替代關係，而更可能在支付、驗證和基礎設施層面深度互補。圍繞創業環境與行業文化，Sam 與 Kelvin 進一步比較了 AI 和 Crypto 的差異：前者更容易讓小團隊、個人能力和作品導向脫穎而出，後者則更容易受到資本、敘事和短期激勵驅動。兩人認為，AI 正在推動組織形式從傳統大團隊轉向更輕量、更模組化、更靈活協作的小團隊，甚至讓過去 DAO 曾描繪過的一些組織想像，開始在現實中逐步具備可執行性。放在更長周期裡看，真正值得關注的機會，或許正出現在 AI Agent 與加密基礎設施重新結合的交叉地帶。嘉賓發言不代表吳說觀點，不構成任何投資建議，請嚴格遵循當地法律法規。音訊轉錄由 GPT 完成，可能存在錯誤，請在小宇宙、YT 等收聽完整的播客。從土木工程到 AI 創業，再到 Agent 驅動的人才平台貓弟：歡迎來到《吳說不加密》。本期嘉賓是 Sam 高岱恆和 Kelvin。Sam 不是電腦科班出身，而是從土木工程轉向 AI，長期做演算法和人工智慧研發，曾在阿里達摩院工作 4 年。2024 年離開後，他開始探索 AI Agent 方向，參與過去年頗受關注的 elizaOS 相關工作，目前更專注於 AI 原生產品創業。Kelvin 長期深耕人才招聘、人才識別和組織匹配，對人才市場和創業團隊有深入觀察。基於技術和人才方向的互補，兩人目前正共同打造 DINQ — — 一個由 Agent 驅動的人才平台，希望用 AI 重構人才的發現、識別和匹配，可以把它理解為 Web4 時代的 LinkedIn。接下來，請兩位分別介紹一下自己的經歷，以及現在在做的事。Sam：我最早是土木和建築背景，讀研時因為 AI 興起，開始系統自學，後來通過開源貢獻和寫文章進入阿里達摩院，並在通義實驗室體系裡工作。2024 年後，我主要參與一些開放原始碼專案，重點關注 AI Agent，也機緣巧合參與了 elizaOS 技術白皮書相關工作。到 2025 年，我開始認真思考自己能提供什麼長期價值，後來遇到 Kelvin，就一起圍繞這個方向開始研究和創業。Kelvin：我職業前半段主要都在做招聘，基本上那個行業最熱，就會進入相關公司。最早在外企做中國區招聘，後來去了地產，再之後進入網際網路背後的資本領域。在紅杉資本時，我主要負責科技網際網路、TMT 和消費方向的人才招聘，尤其是為被投企業招募高管。離開紅杉後，我連續做過幾次創業，也嘗試過 HR Tech、跨境電商和 Crypto 等方向。直到前幾年，經一位 Crypto 行業前輩介紹認識了 Sam，交流後確定了現在這個方向，並一直做到今天。因為鏈上資料工具太貴，開始自己做追蹤產品貓弟：那我們從 Sam 的工作背景聊起。你剛才提到你最開始其實是在做 AI，那你當時是怎麼接觸到 AI，又是怎麼接觸到加密行業的？為什麼後來會決定去做 Eliza Labs、elizaOS 這樣一個 AI 和加密結合的項目？Sam：我是在 2021 年底到 2022 年初開始接觸 Crypto 的。當時身邊有朋友在做相關項目，我最初只是出於興趣瞭解，後來發現自己更喜歡資料類方向。那時比較典型的產品是 Nansen 和 Dune，尤其是 Nansen。它收費很高，但依然有很多使用者願意付費，這讓我意識到鏈上資料服務是個很有價值的方向。所以我當時就找朋友一起，利用業餘時間做過類似 Nansen 的鏈上資料追蹤產品，主要做以太坊和 BTC 上的“巨鯨追蹤”。後來我一邊做 AI，一邊持續關注 Crypto 裡能和 AI 結合的機會。到了 2024 年下半年，AI Agent 在 Crypto 圈開始真正升溫，我覺得這是一個很自然的切入點。再加上 Eliza 團隊當時正好缺懂演算法的人，而我能補上這塊，所以就參與進去了。Kelvin：這一波 AI 其實不是人們主動選擇去擁抱的，而是所有人都不得不進入其中。它已經不只是一個獨立行業，更像是一種新的基礎環境。對每個人來說，關鍵都是思考 AI 和自己到底是什麼關係，並找到一個邏輯自洽的位置。對我來說，我最擅長、也投入時間最多的事情一直是人才和招聘，所以我自然會去想，AI 能怎樣和招聘結合。那時候我正好在思考這個問題，也因此和 Sam 聊了起來。Sam 本身就是 AI 人才，對 AI 在招聘中的應用有很多自己的判斷。我們後來討論得最多的，就是 AI 到底會給招聘這個傳統行業帶來什麼根本性的改變。再加上我自己也算比較早使用 AI 的一批人，從 GPT-3.5 到早期的 Midjourney 都很早就在用了，所以我會很自然地覺得，這是一個很適合我切入的機會。後來我們也就順理成章地開始做這件事。從鏈上資料工具到 elizaOS：項目思路與爭議梳理貓弟：Nansen 最火大概是在 2021 年，你當時提到它 A 輪融了 8000 萬美元。那時候它很重要的一塊業務，其實是幫以太坊 L2 和跨鏈橋項目做空投識別，篩出那些使用者是在“擼毛”，並據此制定分發規則。你後來參與的另一個項目就是 elizaOS，而且你好像還是白皮書作者之一。這個項目當時也很火，市值一度衝到大約 1 億美元，算是當時關注度很高的 AI Agent 項目。不過後來它的幣價一路下跌，中間還出現了“Eliza”大小寫兩個代幣的問題，社區也因此出現分流和爭議。所以想請你從內部視角講講，Eliza 這個項目最初是怎麼做起來、又是怎麼火起來的；後來為什麼會出現大小寫之爭；以及為什麼最後沒能繼續走下去，連你這樣的核心開發者也選擇離開。Sam：首先，我只是進去幫他們做了一部分演算法相關的工作。第二，這個項目背後的代幣，我記得應該叫 AI16Z，而不是 Eliza 的大寫或小寫。你說的那兩個“Eliza”項目，其實都屬於山寨項目，和這個框架本身沒有關係。這個框架本身，實際上是服務於 AI16Z 這個 Token 的，大概是這麼一個情況。貓弟：我之前的理解是，AI16Z 有點像在模仿 a16z，想做一個 Meme 風格的 VC；而 elizaOS 更像是想做一個 AI Agent 的生態。我原本是這麼理解的。看來我的理解不太對，是嗎？其實你們那個白皮書，主要還是服務 AI16Z 這個 Token，可以這麼理解嗎？Sam：這個項目最早想解決的問題，其實很直接：當時大家都覺得 AI Agent 會是未來，而 Crypto 使用者手裡又分散著很多鏈上的零碎資產，但跨鏈橋、借貸、套利、儲存等協議太複雜，普通人很難真正用起來。所以最初的設想，就是能不能用 Agent 自動幫使用者完成這些鏈上操作。後來，項目發起人 Shaw 又把方向進一步擴展，希望做的不只是交易 Agent，而是一個更通用的 AI Agent。它既能處理鏈上操作，也能抓取新聞、打遊戲，甚至參與遊戲製作和經濟系統理解，本質上是想做一個可以執行多種任務的通用智能助手。但在我看來，當時它最大的不成熟之處，是大模型還缺少關鍵的推理能力，這也是早期 AI Agent 很難真正落地的核心限制。即便如此，elizaOS 在當時依然算很超前，無論是技術路線還是語言選擇都很領先。比如當時大多數 Agent 框架主要都用 Python，但考慮到 Crypto 世界大量基礎設施本來就基於 TypeScript、JavaScript 和 Rust，繼續用 Python 不僅性能未必合適，接入鏈上原子操作也會很麻煩。所以我們最後選擇用 TypeScript 做底層，這在當時本身就是一個比較新的方向。另外，elizaOS 也算比較早強調 Agent“個性”的項目之一，不只是讓它完成任務，還希望它具備人格特徵，從而延展出更多玩法。再加上當時項目也帶動了 FHE、TEE 這類安全執行環境相關討論，整體上它確實是一個很早期、但理念相當前沿的嘗試。貓弟：你們當時做 elizaOS，這個項目火了之後，確實也帶動了整個 AI Agent 賽道。聽你的意思，你覺得它後來沒能堅持下來的一個主要原因，是因為當時大模型底層的推理能力還不夠，是這個意思嗎？Sam：對，更準確地說，是當時其實還沒有真正成熟的推理能力。大模型的推理能力，實際上是到 2024 年 9 月 OpenAI 官宣相關方向之後，大家才開始真正意識到這件事，真正的模型發佈則是到 12 月。那個時候，其實大多數人都還不太懂這件事。貓弟：當時市場很熱，很多人其實也沒有認真研究這個方向。後來 DeepSeek 出來之後，團隊逐漸鬆散，繼續推進的人也越來越少。那放到現在看，隨著大模型推理能力快速提升、模型迭代不斷加快，如果今天重新啟動，或者繼續做 elizaOS 這樣的項目，你覺得它還有沒有發展空間？還是說，它其實已經落伍了？Sam：我覺得這項技術本身肯定很有前途，未來 AI 接管越來越多事情也是很自然的。但如果說要做出一個真正爆火的項目，很多時候靠的不只是能力，還是時機和運氣，很難靠規劃保證成功。所以如果現在重啟這類項目，我覺得關鍵還是看市場環境和具體時機，而不是說按部就班去做，就一定能做成一個現象級產品。這件事本身其實非常難。從旁觀者視角看 elizaOS：爆紅項目背後仍是個人驅動貓弟：那你們現在和 Shaw 還保持聯絡嗎？平時還會交流技術嗎？另外，當年“Eliza”大小寫代幣的爭議，你當時有沒有比較近距離地觀察到？我印象裡，好像是先有一個版本發出來，後來 Shaw 又說那不是官方版本，而是社區裡有人自己部署的，於是又出現了一個官方更支援的新版本，最後引發了社區分流和幣價波動。這件事當時是怎麼發生的？Shaw 有沒有和你們溝通過？Sam：沒有，我們當時主要關注的都是技術相關的事情。Kelvin：後半段我其實回答不了，因為在當時，Eliza 更像一個相當神秘的組織。除非你知道內部具體是誰在做事，否則外界很難看到太多細節。像 White Paper 這件事，如果不是後來知道 Sam 參與過，我之前也並不清楚。對外來說，大家真正能明確知道的，基本只有 Shaw。但這個項目當時確實非常火，這一點是市場公認的。那時候我在 Galaxy，市場上什麼賽道熱，大家都會關注，所以我們肯定注意到了它。只是作為旁觀者，我們更多也是感受到它很火，而不是能看到太多內部資訊。後來我也是機緣巧合，通過私人關係認識了 Sam。某種程度上，正因為 Eliza 本身已經足夠有名，它其實也在一定程度上證明了參與者的能力和背景，不需要太多額外解釋。如果一定要說一個更大的感受，我會覺得，不管是 Crypto AI，還是現在整個 AI 行業，整體都更偏個人英雄主義。往往是少數個體先大膽創新，把事情做出來；而上一代網際網路創業更像是集體作戰，大家知道的通常只是老闆，真正推動事情落地的其實是背後一整群人。AI 開發者對 Crypto 多數無感，但 Agent 原生支付仍可能長在鏈上貓弟：最近我們也提到過 OpenClaw。它的創始人似乎對 Crypto 比較反感，因為項目改名之後，一度有 Meme 幣去蹭熱度，不但搶先發幣，連相關域名也被人註冊了，所以他後來還發過推特，明確表示想遠離 Crypto。那從你們的觀察來看，現在是不是不只是 OpenClaw 創始人，很多 AI 開發者其實都對加密行業比較排斥？整體來看，AI 開發者群體現在到底怎麼看 Crypto？Sam：我覺得整體來說，大多數 AI 開發者對 Crypto 其實是無感的，更像把它當成一條平行賽道。你提到的那些反感，更多還是 Meme 風潮留下的後遺症 — — 每逢熱點，總會有人搶著發幣、蹭流量，這種做法確實會讓一部分 AI 從業者反感。但從更大的範圍看，多數人並不會因此對整個 Crypto 行業形成強烈排斥。因為大家更看重的還是實用性：誰能解決問題，誰就是有價值的。如果 AI 圈真的普遍反感 Crypto，那像 OpenRouter 這樣的產品就很難成立了。它的創始人本身就有很強的加密背景，但這並不影響它成為大模型領域最重要的中轉平台之一，說明市場並不會因為創始團隊有 Crypto 背景就天然排斥。所以我並不認為 Crypto 會對 AI 產生負面作用。相反，我覺得它最大的價值在於為 Agent 提供原生支付能力。現在 Agent 還缺少真正的消費和支付系統，而一旦這個問題被解決，很多產品形態和商業模式都會發生很大變化。也正因為這樣，我會比較關注像 Coinbase 在推進的 x402 這類方向。因為在我看來，未來如果真要出現適合 Agent 的原生支付體系，它大機率不會建立在傳統法幣系統之上。貓弟：你前面說的“無感”，是指 AI 開發者對 Crypto 沒有明顯厭惡，也不覺得它特別有吸引力，只是相對中性的態度；還是更接近一種“不太關心”，覺得這件事和自己關係不大？你說的無感，更偏那一種？Sam：更接近後者，但也不是負面的“不 care”。我的意思更像是：我知道有這麼個東西，但它按自己的邏輯發展，和我沒有太直接的關係。不是排斥，也不是完全忽視，而是一種相對疏離的旁觀態度。貓弟：你剛才提到 OpenSea CTO，也讓我想到一個傳聞。OpenAI 創始人 Sam Altman 不是還有 Worldcoin 嗎？外界一直有說法稱，Worldcoin 某種程度上是為了給 OpenAI 或相關 AI 事業融資，因為早期 AI 項目融資並不容易，而加密項目反而更容易獲得資本關注。你聽過這種說法嗎？你覺得真實性高不高？Sam：這個說法有一定真實性。尤其在 2018、2019 年，OpenAI 的處境確實比較困難，內部和外部都經歷了一些變化，所以他們當時確實認真考慮過通過 ICO 這樣的加密方式融資，來緩解融資壓力。貓弟：也就是說，OpenAI 某種程度上也算和 Crypto 擦肩而過了。Sam：可以這麼理解。不過嚴格來說，那時候這件事和 ChatGPT 還沒有直接關係。因為真正讓 GPT 路線被廣泛認知，已經是 GPT-3 之後、尤其 2022 年以後的事了。AI 從業者會不會買幣，以及加密行業是否又到了“牛夫人”階段貓弟：從你的觀察來看，你接觸到的 AI 開發者會持有加密資產嗎，比如 BTC、ETH？你自己有配置嗎？Sam：就我身邊做 AI 的人來說，大多多少少都會配一些，但主要還是比特幣、以太坊、Solana 這類主流資產。大部分人談不上特別關注，只是有一定配置；當然也有少數人會對新東西更感興趣，甚至會研究 Polymarket 這類產品怎麼參與。整體上我覺得，這件事更多還是看個人興趣和精力，和 AI 本身沒有特別強的直接關係，兩者相關性其實沒那麼高。貓弟：那我們也看看 Kelvin 這邊的身邊統計學。你待過加密公司，也在紅杉做過投資，現在又在做 AI 相關的人才和招聘。你觀察到的 AI 創業者和開發者，對 Crypto 是什麼態度？他們會持有加密資產嗎？Kelvin：我覺得和 Sam 的觀察差不多。在投資圈裡，加密其實早就不是新東西了，很多 VC 都是很早就開始接觸、嘗試的一批人，很多人也已經經歷過好幾輪周期，賺過也賠過。而且人才本來就是流動的，很多人都會在傳統行業、網際網路和加密行業之間來回切換。那裡有機會、那裡有資金，人才就會往那裡走。貓弟：那從人才和資金角度看，你覺得加密現在是不是又進入了一個相對被冷落的階段？畢竟最近比特幣也跌了不少。Kelvin：如果從跟風者視角看，確實會有這種感覺；但對長期參與者來說，這種波動其實並不新鮮，他們還是會期待下一個周期。所以我也一直覺得，當前未必不是一個進入這個行業的好時點。這裡說的“進入”不只是買資產，也包括去相關公司工作、創業，或者直接投身這個行業。因為你也有可能正好趕上下一個機會。AI 的個人英雄主義，與加密行業的結構性困境貓弟：Sam，我之前聽過你 2025 年的一期播客。你當時提到，很多 AI 開發者，甚至技術很強的人，並不一定有名校背景，也未必有很強的資金支援，但依然能做出很好的產品。這背後其實是一種很強的“個人英雄主義”，剛才 Kelvin 也提到了這一點。但對比來看，現在加密行業很多項目越來越偏 VC 主導，個人開發者反而更難冒出來。你覺得這種結構性差異，是否在一定程度上抑制了 Crypto 的創新？尤其從 DeFi Summer 到現在，行業裡似乎已經很久沒有出現那種被普遍認可的真正創新了，這兩者之間會不會有關係？Sam：我覺得確實有關係。AI 行業裡，很多關鍵項目的決策者都非常年輕，因為他們是靠作品和成果證明自己的。但加密行業的問題在於，草根開發者一旦做出點東西，資金很快就會湧進來，把項目和人一起推得失控。很多團隊本身沒有足夠清晰的方向和組織能力，最後很容易自己走散。另一方面，VC 又往往更追求快速回報，與其慢慢找真正有潛力的個人，不如直接“組項目”。但這樣做出來的團隊和項目，通常缺少真正的競爭力，結果其實也已經說明了這一點。所以我覺得，這個行業更需要的是研究型組織，去長期做底層技術和創新探索，比如區塊鏈基礎設施怎麼變得更好，Agent 怎麼和預言機、零知識證明、強化學習這些方向結合。問題在於，現在市場太急功近利，這類人和這類機構很難活下來。但如果行業始終缺少這種長期技術導向的力量，就很難真正產生新的創新，也很難吸引新的增量。貓弟：過去兩三年，Vitalik 一直在研究零知識證明等底層技術，但很多人批評這些東西遲遲沒有落地。相比之下，AI 似乎更容易和現實場景結合，也更容易看到實際應用。那會不會正因為加密技術落地太難，才反過來抑制了行業裡的研究和創新？Sam：我覺得兩者沒有直接關係。很多偉大的技術，最早看起來都沒什麼現實價值。AI 早期無論是打小遊戲，還是做下一個詞預測，本身也都談不上“有用”，它們都是一步步發展出來的。所以問題不在於 Vitalik 研究的東西沒價值，而在於這個市場太短視，缺少耐心。Vitalik 能提出方向，但真正缺的是願意長期執行和深耕的研究團隊。現在行業裡太少這種人了，很多想法最後就停留在概念層面。我反而覺得，隨著 AI 時代到來，會有更多人進入“人人都是研究者”的狀態，開始主動研究模型、資料、能力邊界。同樣地，只要環境允許，也會有更多人願意長期研究區塊鏈本身。所以根本問題不是技術沒有價值，而是市場太急功近利，容不下這類長期創新。貓弟：你現在是在 AI 領域創業，之前在 Eliza 更像是做核心技術、不是站在台前。那從你的親身經歷看，在 Crypto 和 AI 這兩個行業工作，最大的差異是什麼？尤其在行業文化、工作節奏和商業模式上，你覺得有那些特別明顯的不同？Sam：我之前做 AI 更多是在公司體系裡，上班相對不用直接承受太多結果和生存壓力。但 Crypto 不一樣，它非常考驗一個人的快速反應、深度思考和執行力，對個人綜合能力要求更高。這是一個高風險、高回報的行業。有人扛不住壓力拿不到結果，也有人即使扛住了，最後還是可能因為運氣等因素失敗。相比之下，AI 行業對大多數人更友好一些，只要足夠聰明、也足夠努力，下限通常不會太低。但從技術發展的歷史來看，很多真正重要的突破，在當下未必都是最受關注的方向。所以我也一直覺得，當你選擇的路和主流不完全一致時，不必急著懷疑自己，可以先堅持做下去。很多重要機會，往往就藏在這些非主流方向裡。所以我的判斷一直很簡單：在 AI 時代，機會始終都在。關鍵是你能不能持續做下去。貓弟：從你的經驗看，AI 和 Crypto 的創業環境有那些明顯差異？這些差異會不會也體現在，什麼樣的人更容易被看見、被支援和被放大？Kelvin：我覺得最大的不同，還是激勵機制不一樣。Crypto 的反饋和激勵通常來得更快，但也更短期；AI 相對更居中一些，不管是創業還是在機構裡做創新，往往一兩年內也能看到比較明確的成果。不過本質上，我不覺得兩者差別特別大，因為它們都屬於高度鼓勵創新的行業。都需要新想法、新的人，也都強調打破舊東西，有時候要打破的甚至不是舊時代，而是上個月的東西。從人才角度看，兩邊也有很強的通用性。現在很多 AI 公司的關鍵人物，前幾年其實都在 Crypto 行業做出過成績，也把加密行業裡一些成熟有效的打法帶到了 AI，這對 AI 行業的發展其實是有幫助的。交易所紛紛入局後，Crypto 真正需要什麼樣的 AI Agent貓弟：Sam，最近很多交易所平台，像 OKX、幣安，還有 Bitget，都推出了和 Agent 相關的一些功能或者產品。我不知道 Sam 你有沒有關注到這個事情。從你的角度看，整個 AI Agent 賽道現在大致發展到了什麼階段？以及你覺得，加密行業真正需要的 Agent 產品應該是什麼樣的？Sam：早期很多 AI Agent 本質上還是資訊型產品，你先提需求，它再給回答，但這種模式更多隻是解決單點問題，實際價值有限。現在的變化是，平台開始提供 skills、MCP、SDK、API 這類能力介面，讓 Agent 能主動呼叫工具，完成更複雜的任務鏈，而不只是回答問題。再加上如今很多 Agent 系統都有了定時執行、持續運行這類“心跳機制”，它們的主動性正在越來越強。我覺得，未來真正有價值的 AI Agent，大概需要三個特徵。第一，足夠理解使用者。它要能基於你的歷史資料、交易記錄和行為偏好，主動分析並直接執行操作，而不只是停留在“給建議”層面。第二，真正具備執行力。面對多鏈、多協議的複雜環境，Agent 的價值不是告訴你該怎麼做，而是直接幫你完成資產調度和收益管理，把複雜問題真正解決掉。第三，安全性足夠強。未來這類 Agent 一定需要更完善的安全機制，比如沙盒環境、權限控制、異常交易阻斷和緊急開關，避免失控或誤操作。所以總結下來，真正有價值的 Agent，不只是會分析，還要能執行，而且必須安全可控。貓弟：現在 AI 幾乎無處不在。那從你們的角度看，有沒有那些關鍵環節，是 AI 很難脫離 Crypto 獨立完成的？換句話說，AI 是否在某些地方天然需要加密技術或加密資產的支援？Sam：我覺得主要有三個方向。第一是支付。Agent 現在還沒有真正屬於自己的原生支付系統，而現有銀行、信用卡和支付平台本質上都是為人設計的。相比之下，Crypto 提供了一套無需許可的帳戶體系，這讓 Agent 更有可能成為真正能獨立行動和付費的主體。第二是可信驗證。比如使用者呼叫某個模型時，怎麼證明平台沒有偷偷換成能力更弱的版本？這類問題其實需要借助零知識證明等加密技術，在保護隱私的前提下驗證模型身份和結果真實性。第三是算力和基礎設施。未來如果真的出現可用的去中心化算力網路，就可能為 AI 提供更低成本、更靈活的訓練和研究資源。所以在我看來，支付、驗證和算力，這三點都是 AI 很難和 Crypto 完全分開的地方。如果 DINQ 走上正軌，更想去做年輕人的孵化與支援貓弟：假如你和 Kelvin 現在這個 AI 人才招聘平台已經走上正軌，完全不需要你們兩個人親自去工作了，AI 已經可以替你們託管一切。那你自己會不會考慮，結合你在 AI 方面的背景，再回到 Crypto 行業做一次新的創業？就你剛才提到的那三個方向來說，你覺得有這個可能嗎？或者說你個人有沒有這樣的意願？Sam：從我個人的角度來說，我做這個平台最核心的目的，還是希望讓更多有才華的年輕人能夠脫穎而出。如果 DINQ 真的走上正軌了，我反而更希望去做一些線下活動，或者去做孵化器，或者做一些早期投資機構。類似於 AllianceDAO，去扶持、幫助年輕人，讓他們做出更偉大的事情。我覺得這才是我特別想做的事情。至於在資助方式上，未來有沒有可能和 Crypto 做一些結合，我覺得對我來說也是比較開放的。在 Crypto 與 AI 工作，最大的差異是什麼貓弟：你現在在 AI 領域創業，之前在 Eliza 更像是做演算法和核心技術。那從你的體驗看，在 Crypto 和 AI 這兩個行業工作，最大的差異是什麼？尤其在行業文化、工作節奏和商業模式上，有那些明顯不同？Sam：我之前做 AI 更多是在公司體系裡，相對不用直接承受太多生存壓力；但 Crypto 更殘酷，也更看重個人的快速反應、深度思考和執行力，是一個高風險、高回報的行業。相比之下，AI 對大多數人更友好一些，只要足夠聰明、也足夠努力，下限通常不會太低。但我也一直覺得，很多真正重要的技術方向，在當下未必是最受關注的那一條線。所以如果你走的路和主流不完全一樣，也不必太早懷疑自己。AI 時代的機會一直都在，關鍵是能不能持續做下去。Kelvin：在我看來，Crypto 的組織方式更像傳統網際網路，通常還是需要較多人協同推進，更偏重團隊化運作。但 AI，尤其是應用層，很多團隊都非常 lean，往往是少數精英高效協作，把事情做出來。這不只是 AI 和 Crypto 的區別，更像是 AI 和過去大多數行業在組織方式上的差異。AI 也讓很多原本依附大公司的職能開始獨立出來。過去必須放在大組織裡的團隊，現在借助 AI 工具，已經能自己完成完整工作鏈條，變成更靈活、更模組化、也更可插拔的小團隊或外部合作方。所以我覺得，AI 帶來的一個本質變化，就是組織會越來越輕、越來越靈活。一人公司、DAO 與 AI 對 Crypto 組織形態的重塑貓弟：最近有個很火的概念，叫“一人公司”。一個人通過各種 AI Agent、AI 助理，就能實現整個公司的運轉。你覺得這更多是噱頭，還是說未來隨著 AI 技術的發展，它真的會實現，甚至成為一種常態？Kelvin：我只能說說我的看法。我覺得這個說法有點極端。肯定會有一些人，真的可以一個人完成很多事情，但這其實也不是一個全新的概念。過去也有很多這樣的例子，比如小紅書上有人一個人畫插畫、一個人接單，本質上那也是上一代的“一人公司”。但我覺得更常見的形態，可能還是小團隊。比如兩三個人、三五個人、十個人。很多人可能是自己公司的 CEO，但同時也能去另一家公司擔任 CTO，或者幫別人做一段時間諮詢。也就是說，大家會變得更加可插拔、更靈活地協作，彼此之間可以快速合作、及時交付、及時履約、及時付款。我覺得這種形態會越來越多。這樣一來，任何一家公司其實都有能力去享受人才帶來的優勢，因為很多人才本身就會以這種小型組織的方式對外提供服務。這是我現在比較明顯觀察到的趨勢。貓弟：感覺咱們剛才這段話特別像幾年前加密行業裡一個很火的概念，就是各種 DAO，去中心化組織。我感覺那種狀態好像一下子又回來了。Kelvin：我覺得確實是這樣。為什麼我對這個特別敏感？因為 DAO 裡的 O 是 Organization，如果我沒記錯的話，而“組織”這件事本來就是我的專業領域。我一直都會關注組織是如何形成的。所以當年我對 DAO 這個概念其實是非常 buy in 的。因為我本來就認為，聰明人組成的組織，本來就應該是那個樣子：高度自驅，不需要大家非得坐在一起上班。一個公司有 20 個人，來自 20 個國家，這在我看來其實是非常合理的。至少我過去觀察到的很多優秀組織，本身就是這樣運作的。貓弟：所以會不會整個加密行業其實也會受益於 AI 技術的發展？就是它之前很多設想過、但沒有真正實現的概念，可能會因為 AI 而真正落地。再延伸一步，雖然短期來看，AI 行業對加密行業無論是資金還是人才，可能都有衝擊，但長期來看，隨著效率提升，它反而可能成為加密行業的助力。你認可這個說法嗎？Kelvin：我是非常認可的。因為我最近也在和一些 Crypto 行業的創業者交流。至少從敘事層面來看，現在 AI 這邊很多流行的敘事，你只要願意去翻舊書、翻歷史，其實在過去每一代 Crypto 敘事裡幾乎都能找到影子。也就是說，至少在敘事創新這件事上，Crypto 一直都是比較領先的。你完全可以從裡面找出很多東西，再用 AI 重做一遍。因為現在和過去最大的不同是，這些事情真的開始能做了，不再只是停留在概念層面，也不只是敘事層面了。包括我們現在做的這個項目，其實我在 2017 年就見過一個叫 Braintrust 的公司，它做的就是一種“去中心化的領英”。雖然它當時的實現方式和今天不一樣，但那個概念我是非常 buy in 的。你包括現在再回頭看，我也會想，會不會今天我們反而有機會去實現當年它想描繪的那個未來。 (吳說Real)

我們播客的合作者姚嘉在最近這期節目裡有一個很有趣的洞察，他把這稱作AI創業大潮中的“老頭樂現象”：在這一輪AI革命中弄潮的，很多都是四五十歲的中年人，比如OpenAI 的 Altman，41 歲，Anthropic 的 Amodei，42 歲；DeepMind 的 Hassabis，48 歲。最近大紅大紫的OpenClaw的開發者Steinberger，38 歲，都已經退休過一回了。這個現象放在中國也有類似情況，智譜AI的張鵬44歲，DeepSeek的梁文鋒41歲，階躍星辰的姜大昕40歲，MiniMax閆俊傑也37歲了！當然要說這群人是“老頭樂”，那也有點傷人。不過說是中年革命，應該不過分。這跟30年前的網際網路革命有很大不同，那幾乎是一個輟學生和穿帽衫的男孩們統治的時代。沒人會真的把這群掌控千億市值、定義技術走向的人稱作“老頭”，但姚嘉的調侃裡藏著核心事實：本輪AI革命的話語權，牢牢掌握在中年人的手中。當我們切開一個個AI項目的外殼，會發現這場革命的底層邏輯，從一開始就註定了——它偏愛相對更有積累、有情商、有敬畏心的中年人。這種權力的移轉並非偶然，也與運氣、情懷、年齡歧視沒什麼關係。01. 網際網路是快消品，AI是重工業創業類型有很多，但網際網路創業的邏輯經歷了30年的造富效應，最為人所熟知：找痛點、搭團隊、快速迭代、沖高流量、抬高估值、上市變現，在某個賽道牢牢佔據一塊市場。但在新的這輪AI創業浪潮中，無論是資源密集度的門檻，還是宏觀經濟周期的改變，加上監管環境、公眾輿論對創業者的要求，都與網際網路革命不可同日而語。先看資金門檻，如果說網際網路革命是生產洗衣粉的輕工業，AI革命就是生產萬噸乙烯的大基建。網際網路剛剛萌芽時，創業成本低到驚人。幾台廉價伺服器、一個創業點子、幾個同學夥伴，就能在車庫中、宿舍裡啟動一個項目。祖克柏在哈佛宿舍搞Facebook，啟動資金2000美元；馬雲創辦阿里巴巴，啟動資金靠“18羅漢”湊一湊，50萬元人民幣。那時候的創業，拼的是“敢想敢幹”，資金從來不是最大的絆腳石。AI創業則是另一番景象——它是資本密集型的“重工業競賽”，沒有巨額資金，連入場券都拿不到。訓練一個領先的基座模型，需要數以萬計的GPU、極高的電力供應，以及數億甚至數十億美元的持續投入。巴克萊銀行有個分析，AI基礎設施的資本開支已進入超常增長階段，預計到2030年，僅美國資料中心的電力需求就將比目前增長三倍，達到每年5600億度電——等於新增了三個三峽大壩的發電量。中國在本輪AI革命中主打一個價格便宜量又足，但這並不意味著中國的AI項目可以輕資產投入。以港股上市公司智譜為例，他們訓練GLM-130B大模型時，使用96台DGX-A100（每台8×40G），預訓練持續60天，等價於花費490萬美元的雲服務費用。這還只是一個版本模型訓練的基礎費用與時長！梁文鋒的DeepSeek-V3模型，算是“低成本高效益”的典範，僅為GPT-4估算成本的二十分之一到十分之一，但訓練成本依然達到557.6萬美元。如果沒有幻方量化數百億規模、幾十個百分點年收益率所形成的資金池，也無法支撐這樣的研發投入。這種規模的資金門檻，絕大多數年輕創業者都無法承擔。資金之外，工程經驗的門檻，也把大多數年輕人擋在了門外。網際網路創業的技術門檻相對較低，只要能快速實現MVP（最小可行產品），就能獲得市場反饋、持續迭代。但AI創業不一樣，大模型訓練涉及分佈式系統、最佳化演算法、資料工程、硬體適配，每個環節都需要深厚的工程經驗，每一步都不能出錯。還拿智譜AI舉例。根據團隊開放原始碼的研發時間線，GLM130B從2022年初開始進行多平台適配、演算法與框架偵錯、資料準備和大規模測試，正式持續的預訓練僅在5-7月這三個月內完成，大部分時間都用於“適應性調整和系統調整”，真正穩定訓練的時間不到2個月。這種“踩坑－填坑”的過程，與網際網路時代的小步快跑、快速迭代格格不入，反而更類似於傳統的工程建設。姜大昕的經歷也印證了這一點。這位47歲的階躍星辰創始人，出身於微軟亞研院，在自然語言處理、機器學習領域積累了數十年經驗，是多個頂級會議的區域主席和期刊編委。他創立階躍星辰後，選擇了“多模態統一”的技術路線——不是簡單拼接不同模態模型，而是從架構層面實現原生融合。這種高難度的技術選擇，需要對技術邊界有清醒的認知，更需要深厚的工程功底，而這兩種功力的積累都需要漫長的時間。組織能力和人脈資源，更是中年創業者的“獨家優勢”。網際網路創業初期，團隊規模小，管理簡單，年輕人靠熱情和衝勁就能帶動團隊。但AI創業需要的是規模化的組織管理，需要協調科研、工程、市場、資本等多個環節，需要整合學術、產業、資本等多方資源——這些能力，只能在長期的職業積累中慢慢沉澱。張鵬的“清華系”網路，就是最好的例子。他在清華深耕二十餘年，積累了強大的學術網路和產業資源，智譜AI的董事長劉德兵、首席科學家唐傑均為清華系人士，許多清華校友甚至辭掉國外頂級公司的工作，加入智譜AI。這種強大的人才感召力，不是年輕創業者能複製的。閆俊傑雖然年僅37歲，處於中年與青年的邊界，但他的組織能力同樣來自長期積累。在商湯科技擔任副總裁期間，他見證了“AI四小龍”的輝煌與困境，深刻理解上一代AI落地的痛點。創立MiniMax後，他打造了一支平均年齡29歲的年輕團隊，卻能憑藉自己的管理經驗，實現扁平化管理，讓團隊快速迭代產品，最終僅用4年就完成上市，刷新了AI公司的上市速度紀錄。說到底，網際網路創業是“點子驅動”，AI創業是“積累驅動”。年輕人或許有更好的點子，但中年人有足夠的資金、經驗、人脈和組織能力，能把點子變成真正的技術、真正的產品、真正的商業價值。這不是年齡的勝利，而是積累的勝利。02. 資本也學會品嚐時間的滋味資本也是決定創業風向的重要一極。AI時代中年人能掌權，很大程度上，是資本的外部環境與行為模式發生了根本轉變。網際網路時代，資本的主要玩法是普遍撒網、覆蓋賽道，賽馬中的領先者獲得更高倍率的資本追投，直到上市套現。YC開創的5萬美元佔5%股份的玩法是這一潮流的集大成者，VC願意把錢投給大量年輕創業者——那怕他們沒有經驗、沒有盈利模式，只要有一個概念足以讓後面幾輪投資者願意接盤，資金就會紛至沓來。楊致遠、拉里佩奇、祖克柏，這些傑出的年輕人奠定了這一模式的基礎。直到Uber的超長規模融資難以為繼，和WeWork帶來的擊鼓傳花的破裂，這一模式終於失去了光環。WeWork泡沫破裂、全球化被川普中止，加上疫情的衝擊和元宇宙的偽命題，資本開始變得小心翼翼起來，LP（有限合夥人）對風險溢價的要求更高，VC再也不敢“廣撒網、博機率”，而是轉向“精挑細選、選贏家”。他們的投資邏輯，從“賭未來”變成了“求確定性”。而這種確定性，恰恰是中年創業者能提供的。投資機構Antler做過一個統計，2021年，AI獨角獸創始人的平均年齡達到了40歲的峰值。在真正具有高護城河的核心基座模型領域，經驗的溢價依然存在，VC的資金依然優先流向那些擁有“深厚履歷”的中年人。OpenAI、Anthropic、xAI等頭部初創公司的核心團隊，幾乎清一色是曾在Google、Meta或頂級研究機構沉澱超過十年的“老兵”。Sam Altman能拿到巨額融資，離不開他在Y Combinator擔任總裁期間建立的投資人網路；Dario Amodei創立Anthropic後，能快速獲得資本青睞，得益於他在OpenAI主導GPT-2、GPT-3安全評估的深厚經驗；Demis Hassabis的DeepMind，能被Google以6.5億美元收購，更是因為他在AI領域的長期積累和跨界視野。VC對創業者的評估維度，也發生了徹底的轉變。網際網路時代，VC最看重的是創業者“快速實現MVP的能力”，行業經驗、資本調動能力都不是必需品，甚至偏好“外行顛覆者”。但在AI時代，資本的評估標準完全反轉：他們更看重創業者的深層R&D背景、大規模算力管理經驗，看重他們對垂直行業的深層認知，看重他們處理複雜算力合約、電力供應的能力，看重他們獲取優質資料、演算法專利、合規壁壘的能力。在臨門一腳的資本退出路徑方面，AI時代的資本也更偏向中年創業者。網際網路時代，VC主要依靠IPO退出，而AI時代，私募股權融資和巨頭併購整合成為更為主流的退出方式——微軟收購Nuance、入股OpenAI，Google收購DeepMind，都是典型案例。在中國也有類似情況，基座大模型的主要玩家基本是字節、阿里這類超級巨頭，即使有一些創業公司誕生，但大公司的戰略投資也早早找上門去。VC的算盤變了，創業的風向自然也變了。當資本不再追著“少年天才”跑，而是圍著有積累、有確定性的中年人轉，AI革命的話語權，自然就落到了中年人的手中。03. 反應過來的監管與媒體不再聽之任之如果說資本轉向是“推力”，那麼監管收緊和媒體敘事轉變，就是“拉力”——它們共同將中年人推向了AI革命的前台。網際網路革命的來臨，有很強的“猝不及防”意味。正如馬雲所說，“當年你愛搭不理，後來就高攀不起”。起於草莽的網際網路產業，早期很像年輕人的玩鬧，甚至誕生了給beg（乞討）加個“.com”後綴就能上市薅錢的段子。各國監管層對這種前所未有的事物抱持寬容的態度，媒體也更願意報導少年英雄改變世界的吸睛故事（雖然後來更多的僅僅是少年暴富）。但是經歷過“顏色革命”、社會撕裂、貿易戰、全球大流行之後，網際網路對社會結構的深刻改變暴露無遺，無論是監管層還是媒體，對新的技術革命都更加審慎起來。面對AI倫理、資料隱私、演算法公平，這些監管要求，需要創業者不僅要有技術，還要懂政策、懂法律，且有足夠的社會責任感。年輕人或許敢“先上車後補票”，但中年人更清楚，一旦觸碰監管紅線，所有的努力都將面臨不可預測的未來。所以在OpenAI如日中天的時候，僅僅因為倫理問題上的分歧，創始團隊就會爆發傷筋動骨的宮斗；而在中國，監管層從大模型上線伊始就要求合規註冊。隨著AI安全與合規成為企業的必選項，那些懂政策、有經驗、能平衡技術創新與合規要求的中年創業者，更容易獲得政策支援。Sam Altman的表現，就是最好的例子。作為OpenAI的CEO，他每年都要參加美國國會聽證會，向議員們解釋AI的技術邊界、安全風險和監管建議。他善於將複雜的技術概念，轉化為公眾和監管層能理解的敘事，既能推動AI技術發展，又能滿足監管要求。2023年的“董事會風波”中，他快速復職，不僅展現了組織掌控力，更體現了他對監管環境、公眾情緒的精準把握。媒體敘事的轉變，更是強化了中年創業者的優勢。Sam Altman和Demis Hassabis的媒體形象，不再是“反叛的創業者”，而是“科學家與思想家的結合體”。媒體報導他們時，更關注他們對AI安全的發聲、對社會倫理的思考，關注他們如何負責任地推動技術發展。Demis Hassabis獲得諾貝爾化學獎後，媒體重點報導的，不是他的“天才光環”，而是他如何通過跨學科積累，實現AI對科學的突破，以及他對“AI for Science”範式的長遠規劃。這種敘事轉變，背後是公眾的心理需求。AI模型對普通大眾而言是“黑盒”，是人們對未知的恐懼，需要通過信賴“成熟人物”來獲得心理補償。路透社研究院的調查顯示，62%的受訪者更傾向於信任有專業人士監督的AI內容。媒體聚焦資深領袖，實際上是在向公眾傳遞一種“技術在受控”的訊號——而一個40歲、擁有深厚學術背景、談吐得體的中年人，比一個20歲、穿著帽衫的年輕人，更能提供這種安全感。04. 中年人主導不意味著排斥年輕人當然，中年人掌控AI革命，並不意味著年輕人在AI時代沒有立足之地，在數十年一遇的巨大蛋糕面前，這兩個群體並不是非此即彼的互斥關係，AI時代也同樣湧現出了一批優秀的年輕創業者。月之暗面的楊植麟出生於1992年，2015年以清華電腦系第一名畢業，隨後獲得卡內基梅隆大學博士學位，師從蘋果AI研究負責人Ruslan Salakhutdinov。2023年，31歲的他創立月之暗面（Moonshot AI），推出Kimi智能助手，以“長文字處理”為核心差異化，迅速獲得市場認可。2024年，他完成超10億美元融資，估值達25億美元，成為國內AI大模型公司單輪最高金額融資的獲得者。張祥雨則是“技術天才”的另一典範。這位1990年出生的研究者，是ResNet殘差網路論文的第一作者，論文總引用數超30萬次，是深度學習領域最具影響力的研究者之一。2023年，他加入姜大昕的階躍星辰，擔任首席科學家，與姜大昕形成“老中青”技術梯隊，為階躍星辰的多模態技術突破提供了核心支撐。在AI的實施層，年輕人更是佔據了主導地位。港股上市公司MiniMax的員工中，平均年齡僅29歲，73.8%是研發人員，三分之一有海外背景——這些年輕人，是MiniMax快速迭代產品、實現4年上市的核心力量。智譜AI的員工中，也有大量“90後”“95後”年輕工程師，他們負責技術實現，將張鵬等中年領導者的戰略想法，轉化為具體的產品和技術。年輕人是“技術原住民”，他們成長於網際網路時代，對新技術、新產品的接受度極高，能快速捕捉行業趨勢，敢於嘗試顛覆性創新。他們也很少有家庭和財務的雙重壓力，沒有過高的機會成本，能夠承受更高的創業風險，能夠全身心投入到創業中。他們可以在車庫裡、宿舍裡，用最低的成本嘗試新的想法，那怕失敗，也能快速調整、重新出發——這種“無產者”的創新勇氣，是他們獨特的資源優勢。05. 四個方向與一個期待AI革命給中年人帶來了前所未有的機遇，但這並不意味著，所有人都能抓住這份機遇。不少中年人，在面對AI浪潮時，會陷入兩種極端：要麼盲目自信，認為自己的經驗足以應對一切，不會被AI所取代；要麼過度焦慮，擔心自己的經驗被新技術淘汰，害怕被年輕人超越。這兩種心態，都無法抓住AI時代的機遇。事實上，中年人要抓住AI革命的機遇，關鍵不是對抗年齡，而是發揮積累的優勢——把自己多年的經驗、人脈、資源，與AI技術結合起來，實現厚積薄發。結合一些AI領域先行者的經歷，我們總結出四個實戰方向供參考。第一，做領域問題的精準定義者，而非一線執行者。中年人最大的財富，不是會寫程式碼、會調模型，而是看透了行業中那些問題是“真正值得解決的”。龍蝦之父Peter Steinberger就是最好的例子。他有過成功的創業經歷，其項目被大公司收購，已經財務自由。製作Open Claw（當時還叫Clawdbot）的靈感，來自他旅行時的一個動念：現在的AI大多是一問一答式操作，能不能讓它部署在本地電腦，通過WhatsApp等IM軟體，直接命令它幹活呢？在推出Open Claw之前，Steinberger已經製作過44個AI項目，結闔第一次創業經驗，他清晰地知道企業管理者對AI的需求是什麼。正是這種時間和經歷的積累，助推了開源史上攀升最快項目的誕生。第二，建構知識圖譜護城河，打造不可替代的競爭力。隨著通用大模型的普及，基礎模型的能力會逐漸趨同，真正的競爭力，來自將AI與企業內部的非公開、高價值資料相結合。中年人多年積累的行業Know-how、隱性知識，正是建構這種競爭力的核心資源。梁文鋒的DeepSeek，就是靠這種“知識護城河”脫穎而出。他憑藉量化投資背景帶來的“系統最佳化”思維，將多年積累的演算法經驗，融入大模型訓練中，專注於“模型架構創新”和“訓練效率最佳化”，在MoE（混合專家模型）、MLA（多頭潛在注意力）等技術點形成獨特優勢，最終以極低的訓練成本，實現了接近GPT-4的性能。中年從業者可以推動自己的組織，建立“語義層”和企業知識圖譜，將自己多年積累的隱性知識數位化，然後與AI技術結合，打造出具有行業特色的AI產品。這種將行業經驗與演算法結合的能力，是剛畢業的AI博士、年輕創業者都難以複製的，也是中年人的核心競爭力。第三，掌握“敏捷領導力”，做好人機協同的管理者。AI正在將“固定職位”拆解為“動態任務流”，中年管理者不能再停留在“管理人”的層面，而要轉向“管理AI協同的人機系統”。年輕人擅長利用AI工具提高執行效率，中年人則擅長協調資源、統籌全域，兩者結合，才能實現效率最大化。閆俊傑的管理方式，值得中年創業者借鑑。他創立的MiniMax，團隊平均年齡僅29歲，他沒有採用傳統的層級管理，而是打造了扁平化的團隊結構，充分發揮年輕人的積極性和創造力。同時，他利用自己的行業經驗，為團隊定方向、控風險，將AI工具整合到產品迭代的每一個環節，實現了“年輕團隊+中年掌舵”的高效協同，最終僅用4年就完成上市。中年管理者要學會從“任務指派者”變為“工作流整合商”，將AI整合到決策工作流中，確保AI在決策發生的瞬間，就能提供支援。同時，要學會激勵年輕團隊，尊重年輕人的創新想法，實現“經驗+活力”的雙贏。第四，發揮成熟優勢，做好監管溝通者和倫理把關者。隨著AI監管的收緊，信任成為最稀缺的資源。中年人在建立共識、維護透明度、遵循道德規範方面的經驗，AI無法模擬，也無法跨越式積累。這種“軟實力”，將成為中年創業者在AI時代的另一核心優勢。Dario Amodei就是靠這種“軟實力”，贏得了資本和公眾的信任。他從OpenAI出走後，始終堅持“有益、誠實、無害”的AI開發理念，通過Constitutional AI技術，實現對模型行為的精細控制，主動應對AI倫理和監管挑戰。這種對倫理和合規的堅守，讓Anthropic在激烈的競爭中，佔據了獨特的優勢。中年從業者在AI項目中，要率先建立合規與安全框架，通過建立“人類審查循環”，消除演算法偏見，增強組織內外部對AI系統的信任。同時，要關注AI的長期社會影響，確保技術發展符合公司價值觀和監管要求，這樣才能實現長期可持續發展。如果說網際網路革命像是一場草原上的野火，它迅速焚燒舊有的植被，讓新苗得以在廢墟上肆意生長。那麼AI革命，更像是一場深層的地質運動。它沒有烈火烹油的喧囂，卻在緩慢而有力地重塑整個人類社會的底層類股。當AI真正可用後，執行的成本會被無限降低。但人類多年積累的經驗、洞察、人脈和責任，正在成為最稀缺、最不可替代的資源。這一次，機會站在長時間的積累一邊。 (秦朔朋友圈)

3月初，AI行業迎來一場無聲的震撼。當Azure、Google Cloud、AWS這三大美國雲巨頭尚未對OpenClaw做出明確響應時，中國的創業圈已經率先掀起了一場"不可逆的衝擊"。從AI相親平台到AI招聘網站，從AI旅行日誌到11台二手MacBook組建的內容創作軍團，OpenClaw正在中國創業者手中，以驚人的速度和創造力，改寫著AI落地的想像邊界。一場春節駭客松的爆發式創新春節過後，圍繞OpenClaw的創新在國內呈現爆發式增長。在各類駭客松（Hackathon）和創業活動中，創業者們用OpenClaw做出了一系列令人眼前一亮的產品。有人用OpenClaw搭建了AI相親平台。這個平台的運行邏輯顛覆傳統：AI智能體之間先自主對話，互相瞭解背景、核實條件、評估匹配度。只有當雙方Agent都認為匹配達標時，才會通知各自的人類主人介入。這並非簡單的"智能推薦"，而是讓AI替你完成第一輪甚至第二輪篩選。你只需要處理Agent已經過濾後的結果，大幅降低了時間和精力成本。有人開發了AI招聘網站，讓HR的AI Agent與求職者的AI Agent先進行初步溝通。雙方Agent會自動交換資訊、核實技能、評估匹配度，只有匹配度達到預設閾值才會向人類推薦。這個設計解決了招聘中的一個核心痛點：大量的無效溝通。通過Agent之間的"預面試"，HR和求職者都能在真正見面或通話前，就獲得足夠的資訊判斷。還有創業者用OpenClaw打造了AI旅行日誌平台。這個平台會自動記錄使用者的旅行軌跡、生成圖文並茂的旅行日記，甚至能夠根據照片自動識別景點、美食和人物，撰寫情感化的文字描述。你只需要專注享受旅途，AI會幫你完成記錄、整理、分享的全過程。💡 創新案例：這些創新並非孤例。從AI客服到AI內容稽核，從AI資料分析到AI自動化工作流，創業者們正在用OpenClaw解決一個又一個真實的業務痛點。11台二手MacBook背後的故事在眾多OpenClaw創新案例中，有一個特別引人注目：一位產品經理用11台二手MacBook組建了一支AI內容創作軍團。這個配置看似"寒酸"，卻背後藏著精妙的計算。每台MacBook成本約2000-3000元，11台總價不到3萬元，卻能組建起一支7×24小時持續工作的內容創作團隊。每個MacBook部署一個OpenClaw實例，連接到不同的內容創作平台和工具。這套系統能夠自動完成選題研究、資料蒐集、文章撰寫、圖片生成、多平台發佈等全流程。相比僱傭同樣規模的團隊，成本不到十分之一，效率卻高出數倍。更關鍵的是，這些MacBook可以持續運行，無需人工干預。當創作者休息時，這些AI員工仍在工作，源源不斷地產出內容。這不是個例。越來越多的創業者開始用OpenClaw建構自己的"一人軍團"。以前需要一個團隊才能完成的工作，現在一個人加一套OpenClaw系統就能搞定。從軟體溢出到硬體控制OpenClaw的影響力正在從軟體領域溢出到硬體領域。在廣州，一家初創公司實現了通過Agent遠端控制充電裝置。這個看似簡單的應用，背後卻有著深刻的意義。它讓AI能夠直接操作物理世界的裝置。當電力價格低廉時，Agent會自動啟動充電;當電網負荷過高時，Agent會調整充電策略，參與需求響應。更重要的是，這一切都是自主發生的。你不需要手動設定複雜的時間表或策略，OpenClaw會根據你的用電習慣、電價變化、電網狀態等即時資訊，智能決策並執行。類似的應用正在各個領域湧現。智能家居控制、無人機巡檢、工業裝置調度、農業自動化……OpenClaw正在成為連接AI與物理世界的關鍵橋樑。有創業者感慨："這是中國AI行業一次'不可逆的衝擊'。OpenClaw讓AI從'聊天工具'變成了'行動主體'，這個轉變是不可逆的。"💡 硬體創新：OpenClaw正在從軟體領域溢出到硬體控制領域，讓AI能夠直接操作物理世界的裝置，成為連接AI與物理世界的關鍵橋樑。為什麼是中國創業者先行?一個值得深思的問題是：當美國的雲巨頭還在觀望時，為什麼是中國創業者率先掀起了這場OpenClaw創新浪潮?首先是需求的迫切性。中國有著全球最活躍的創業者群體和最激烈的競爭環境。任何能提升效率、降低成本的工具，都會被迅速採納和推廣。其次是本土化的生態支援。Kimi推出了Kimi Claw，提供開箱即用的體驗;阿里雲、騰訊雲、百度雲同步上線一鍵部署;華為昇騰、摩爾線程等國產晶片完成適配。這一切都發生在極短時間內。最後是務實的創新文化。中國創業者不追逐空泛的概念，而是專注於解決真實的問題。他們用OpenClaw不是為了炫技，而是為了省錢、省時間、省人力。不可逆的衝擊，可期的未來OpenClaw正在中國AI行業掀起一場"不可逆的衝擊"。這場衝擊的核心，是讓AI從"回答問題的工具"變成了"執行任務的員工"。以前，AI是幫你想辦法的。現在，AI是幫你幹活的。以前，你需要把AI的建議人工轉化為行動。現在，AI可以直接執行。以前，一個人只能做一個人的事。現在，一個人可以帶著一群AI員工，完成一個團隊才能完成的工作。這種轉變之所以是"不可逆"的，是因為它帶來的效率提升和成本降低是實實在在的。一旦體驗過，很難再回到過去。當然，OpenClaw也面臨著安全、隱私、合規等挑戰。社區正在積極應對這些問題，安全工具、沙箱機制、權限管理等功能不斷完善。但無論如何，這場由OpenClaw引發的AI創新浪潮，已經不可逆轉地改變了AI落地的遊戲規則。Azure、Google Cloud、AWS的觀望還在繼續，但中國的創業者已經用行動給出了答案。OpenClaw不是一個簡單的工具，它是一個AI時代的"作業系統"。在這個系統上，無數的創新正在湧現，無數的問題正在被解決。這或許是AI真正落地的開始——不是在雲端，而是在本地;不是在演示，而是在實戰;不是在實驗室，而是在真實的生產環境中。而這一切，正在中國這片土地上，以驚人的速度和創造力，成為現實。 (AI智友筆記)

這一黃金賽道已捧出6位億萬富翁。又一個00後億萬富翁即將誕生！智東西2月14日報導，2月7日，根據福布斯估計，24歲的美國AI資料標註創企Micro1創始人、CEO阿里·安薩裡（Ali Ansari）即將成為世界上最年輕的億萬富翁之一。其依據是Micro1的25億美元（約合人民幣173億元）最新估值。福布斯報導稱，成立於2022年的Micro1被曝正在以25億美元估值洽談新融資，如果Micro1鎖定或超過這一估值，安薩裡在該公司持有的約42%股份價值將超過10億美元（約合人民幣69億元）。這位年輕CEO身上，早已寫滿了“天才創業者”的標籤：00後、史丹佛退學、16歲便賺到10萬美元。業績層面，Micro1同樣增長驚人：2025年初其年度經常性收入僅700萬美元（約合人民幣0.48億元），到2026年初已暴漲28倍至2億美元（約合人民幣14億元）。安薩裡的造富故事並非個例。眼下，AI資料標註賽道正成為造富新風口，接連催生多位億萬富翁。根據福布斯的資料，除即將登頂的安薩裡外，該賽道已至少誕生6位億萬富翁，並且均來自Micro1的競爭對手Scale AI、Surge和Mercor，包括Mercor三位創始人、Surge創始人Edwin Chen，以及Scale AI兩位創始人。這也意味著，站在OpenAI、Anthropic等大模型創企背後的AI資料標註正在從幕後賽道，走向台前成為資本與人才爭相湧入的黃金賽道。01.為微軟等AI明星公司做資料標註ARR的月均增長速度達35%成立於2022年的Micro1在科技圈的發展態勢並不多見：年收入、估值短時間內翻數倍，創始人即將成全球最年輕億萬富翁。AI訓練資料標註創企的核心作用是為OpenAI、Anthropic、Google、微軟這類AI公司提供大模型訓練資料。與一般的資料標註工具不同，Micro1會招募和管理程式設計師、律師、醫生、教授和金融分析師等數千名人類專家，再將從專家這裡收集到的資訊喂給大模型。▲Micro1的AI招聘工具首頁其作用是通過專家的專業輸出，來糾正AI讓其回答更準確。Micro1招募的專家每小時可以獲得60美元至170美元（約合人民幣414元至1174元）的報酬來評估AI輸出，如醫學或金融領域的少數專家，每小時可獲得高達500美元（約合人民幣3455元）的報酬。▲Micro1的業務架構圖由於AI的性能與其在訓練過程中能夠攝入的高品質資料量直接相關，因此可靠資料提供商的市場規模迅速增長。安薩裡估計，主要的AI實驗室目前每年在AI訓練上花費150億美元，2年後這個數字將超過1000億美元。在這樣的背景下，Micro1的收入與估值發展勢頭迅猛。2025年4月，這家公司的年度經常性收入為約700萬美元（約合人民幣0.48億元），8個月後年收入超過1億美元（約合人民幣6.9億元），到2026年初，據安薩裡透露，他們的年度經常性收入（ARR）收入已經達到2億美元（約合人民幣14億元），並正以每月35%的速度增長。▲2025年初至今Micro1年度經常性收入變化情況（單位：億美元）其估值不到半年翻了4倍。2025年9月，Micro1宣佈完成3500萬美元（折合人民幣約2.5億元）A輪融資，投後估值達5億美元（折合人民幣約35億元），如今這家公司被曝正在以25億美元估值洽談新融資。再來看下Micro1創始人的傳奇經歷。安薩裡2019年～2022年在加州大學伯克利分校讀書，2024年進入史丹佛大學，1年後退學全身心投入創業，2026年即將成為全球最年輕億萬富翁。根據福布斯估計，如果Micro1鎖定或超過目前投資者討論的25億美元（約合人民幣173億元），安薩裡在該公司持有的約42%股份價值將超過10億美元。如今的Micro1在矽谷風頭正盛。雖然安薩裡沒有公佈除微軟外的具體客戶名單，但他透露，Micro1正在與多家前沿AI實驗室以及“七大巨頭”科技公司的多數企業合作。安薩裡設想的未來是，幾乎每個人都能成為AI訓練師，而不僅僅是白領專家。因此最近Micro1將業務擴展到了機器人領域，在全球60個國家招募了約1000人，讓他們記錄自己整理床鋪、修理漏水的水龍頭或收拾餐具等家務視訊，並將這些視訊用於機器人系統的訓練。02.16歲就賺到70萬除了工作沒有其他愛好安薩裡的成長經歷，或為其躋身年輕億萬富翁之列埋下伏筆。他10歲那年隨家人移民美國，從12歲起和家人擠在伍德蘭希爾斯姨媽家的一間屋子裡。當時他們生活略顯拮据，母親叮囑他，別再浪費時間盯著手機看，不如試著用它賺錢。然後安薩裡將他父親的帆布鞋放到電商平台eBay上賣了50美元（約合人民幣345元）。嘗到賺錢甜頭的他，開始騎著自行車去參觀市場和雜貨店，把自己搬得動的東西買下然後線上出售。直到14歲，安薩裡開發了Cash Books Now網站來倒賣大學教材。這個網站為大學生提供教材轉賣管道，然後安薩裡再將這些書加價50%掛在亞馬遜上售賣。靠這門生意，16歲的安薩裡就賣出了超過10萬美元（約合人民幣69萬元）書籍。他說，當時他在賣書上花的心思比學習還多。▲安薩裡（圖源：福布斯）2019年，安薩裡前往加州大學伯克利分校讀大學，然後又創辦了一家為中小企業製作網站的軟體公司，然後因招募工程師製作網站效率太低，安薩裡又利用OpenAI的GPT-3模型開發了AI篩選工具幫自己面試。這個工具就是Micro1的前身，這個AI篩選工具現在用來幫Micro1面試專家。當時的專家一旦被Micro1聘用，就會和“人類資料管理者”配對。這些管理者通常是頂尖大學的應屆畢業生，其工作是幫助專家熟悉AI訓練領域。不過，安薩裡的創業經歷並非一帆風順。2023年Micro1籌集到330萬元種子輪融資，隨後安薩裡遠赴印度探望團隊，途中突發驚恐症。他在接受福布斯採訪時說，當時的他腦子裡總反覆琢磨一件事，素不相識的人願意把數百萬美元交到他手上，他必須用這筆錢做出真正有價值的事。如今，這個00後創業者相比當初已經更為成熟、穩重，且每月前往洛杉磯時，他都會選擇在距離他家人居住地不遠的一個共享辦公空間工作。安薩裡自述自己除了工作外沒有任何愛好，不看電視劇、電影，但會沉迷於各種商業播客以及馬斯克等企業家的個人故事。03.AI資料標註賽道捧出7位億萬富翁競對開價1300萬從Micro1挖人值得一提的是，安薩裡至少是AI訓練資料領域誕生的第七位新億萬富翁。另外六位億萬富翁就出自Micro1的主要競爭對手：美國的AI創企Scale AI、Surge和Mercor。據福布斯報導，有史以來最年輕的白手起家億萬富翁，幾乎都出自AI資料領域。2025年6月～12月，30歲的Scale AI聯合創始人郭露西（Lucy Guo）成為全球最年輕的白手起家女億萬富翁。2023年底前，這一頭銜一直被流行歌手泰勒·斯威夫特（Taylor Swift）佔據。▲Scale AI聯合創始人郭露西（Lucy Guo）2025年10月，Mercor的三位22歲創始人阿達什·海爾馬斯（Adarsh Hiremath）、布倫丹·富迪（Brendan Foody）、蘇里亞·米達（Surya Midha）成為全球有史以來最年輕的白手起家的億萬富翁，此前18個月，這一頭銜均為Scale AI前CEO亞歷山大·王（Alexandr Wang）。▲Mercor創始人阿達什·海爾馬斯、布倫丹·富迪、蘇里亞·米達（從左至右）（圖源：Mercor官網）與此同時，不僅AI訓練標註已經成長為矽谷增長最快、誕生最多億萬富翁的行業之一，而且AI人才爭奪戰也蔓延到了這一賽道，Micro1成為了被挖的焦點。2月6日，福布斯援引知情人士稱，Mercor向Micro1的員工發出邀請，不僅會提供豐厚的薪酬，還有“極具誘惑性的報價”：激勵員工跳槽的簽字費就高達50萬美元～100萬美元（約合人民幣345萬元～691萬元），在某些情況下甚至高達200萬美元（約合人民幣1382萬元）。此外，比高額薪酬更令人驚訝的是目標群體：除了AI研究人員和工程師，還包括項目經理和銷售人員。不過從公開資訊來看，目前還沒有員工接受Mercor的跳槽邀請，甚至有Micro1的員工直接拒絕：“Get out of here.”。根據Mercor發給Micro1員工的招聘資訊，Mercor的年度經常性收入已經達到7.5億美元（約合人民幣52億元），今年3月該公司宣佈完成3.5億美元（約合人民幣24億元）融資，估值達到100億美元（約合人民幣691億元）。有Micro1的員工告訴福布斯，自己對Mercor提出的現金獎金不感興趣，原因在於，Micro1當前5億美元估值能為他帶來的增值收益，遠高於加入當前估值100億美元的Mercor。福布斯分析，產生這一現象的原因可能是，AI訓練標註企業的員工是連接AI公司和提供訓練資料公司的關鍵。一位關係經理跳槽可能會將他們所學的專業知識帶走，這或許就意味著得到或者失去數億甚至數十億美元的商業合同。04.結語：人類資料市場規模或達到兆美元人類資料市場會呈現爆炸性增長趨勢，是因為AI模型不會自行變得更聰明，它們需要人類為它們訓練的資訊加入背景、細微差別和意義。因此，模型性能與高品質訓練資料的數量直接相關，而這可能已經轉化為AI公司對人類資料標註的巨額支出。安薩裡預測，從長遠來看，人類資料產業的市場規模將達到兆美元，這一預判的依據是，他假定全球約5%的人類勞動力，最終將被投入到AI系統的訓練工作中。 (智東西)

2026年1月13日，前釘釘副總裁王銘創立的攀峰智能正式對外宣佈完成數千萬元種子輪融資，2025年10月王銘創立攀峰智能，公司定位為“AI時代的Shopify”，致力於打造商業化視訊Agent。AI應用爆發的這一年，下海創業的遠不止王銘一人，一批曾深度參與釘釘從工具到生態、再到AI戰略轉型的核心高管，正密集走出大廠，投身AI原生創業浪潮。例如，釘釘前副總裁、智能硬體生態總經理林峰於2025年離職後計畫創業聚焦AI辦公硬體領域，釘釘前CEO葉軍也於2025年7月離職投身AI Agent賽道。不僅是中國大廠高管紛紛離職創業，前OpenAI首席技術官Mira Murati創辦的Thinking Machines Lab也已完成20億美元種子輪融資，前GoogleDeepMind資深研究員Andrew Dai與蘋果研究科學家Yinfei Yang聯手創立AI公司Elorian，種子輪融資目標高達5000萬美元。2025年創投圈焦點依然還是在AI、具身智能領域，年終最熱門的AI創投事件是以數十億美元的價格被Meta收購的AI agent公司Manus，Manus的爆火也可以看作是今年社媒流量改變AI創業生態的起點之一。在AI領域，還有更年輕的創業者。成立於2024年的首形科技，95後創始人胡宇航僅抖音平台粉絲量就達到了142.6萬（截至2026年1月25日），Pre-A輪融資高達上億，與手游《逆水寒》合作的角色“方承意”仿生機器人亮相杭州CP32Pre漫展，得益於雙目視覺系統，他能夠與面前的觀眾進行“眼神”交流，並通過搭載的AI仿生運動演算法，做出自然的表情與頭部動作。可以看到的是，越來越多不同AI垂直領域的創業公司湧現，讓AI應用正在從“工具”走向“夥伴”，從“功能”向“情境”轉變。AI在反映人類的需求與渴望的同時，也在重塑社會生產與消費的模式。2025年以來，頭部公司完成的融資額已經達到了數億甚至超十億的規模，技術競爭的壁壘正在被越築越高，AI應用落地也已經從概念驗證階段步入商業快速變現期。AI創業公司從誕生到規模化盈利的周期正在被極度壓縮，2025年真正跑出來的AI公司有一個共性：永遠在為下一個變化做準備，AI時代的創業邏輯是持續進化。結語當今的創業沒有冷門賽道，大家都在百花齊放，AI似乎能夠改變千行百業，但想要真正成長，更多的還是“專注”。 (DBC德本諮詢)

門檻沒了。真的沒了。以前幾個月才能做出來的 MVP，現在幾天就能上線。當任何人都能快速做出 AI 產品，問題變了：你做的，到底有沒有價值？使用者買單嗎？能撐得起一家公司嗎？2026 年 1 月 22 日，達沃斯會議期間，吳恩達、OpenAI 歐洲負責人、Cerebras 戰略官和 ETH AI Center 負責人坐在一起，參加了一場名為《AI 時代的創業》的圓桌討論。他們給出的答案是：速度，已經不是優勢，而是及格線。門檻沒了之後，AI 創業還剩什麼能贏？答案是三種能力：第一，重構流程的能力。用 AI 設計新流程，而不是最佳化舊流程。第二，全端開發的能力。技術和產品都得會，一個人幹全隊的活。第三，做成產品的能力。把 Demo 變成能用、能做大的產品。光快，不夠。做對，才是硬道理。第一種能力：用 AI 重構流程在這場達沃斯圓桌對談裡，吳恩達講了一個企業最典型的誤區。他說，現在很多公司部署 AI，最常見的做法就是：找一個環節，用 AI 替代人工。比如貸款審批，把某一步從人工 1 小時壓到 10 分鐘。看起來像是提高了效率，實際上只是改快了一小步，整個產品形態並沒有改變。還是貸款這個例子。傳統流程要走行銷、申請、初審、覆審、執行等五六步。如果 AI 已經能做出可信的自動批准結果，那就不應該去最佳化舊流程裡的某一步，而是應該打造一個 10 分鐘批貸的全新產品。這個差別，不是速度快不快，而是產品邏輯是不是從 AI 能力出發重新設計的。在他看來，如果其他環節不變，AI 只是一個效率工具。真正該做的，是圍繞新能力，重構整個流程。OpenAI 歐洲業務負責人 Laura 接著從使用者視角補充說：“企業的老習慣是那裡慢就改那裡，換掉一個環節，結果發現根本沒變，問題還在。真正有效的 AI 部署，是把舊流程推倒，從頭設計”她強調，AI 最該改的，是客戶從接觸到拿到結果的整個體驗，而不是只盯著某一個環節。說白了，AI 創業的第一種能力，就是能看到一個可以被 AI 徹底重構的場景，然後做出從一開始就不一樣的產品。判斷標準很簡單：如果去掉 AI，產品照樣能用，那你做的可能只是個工具。如果去掉 AI，產品就不能用了，那才算一個真正的 AI 產品。第二種能力：一個人幹一支隊伍的活流程重構需要什麼樣的人來執行？這是第二個問題。在以往，創業團隊通常需要一個產品經理負責想清楚使用者要什麼，一個工程師負責把功能寫出來，再配上營運、設計、前台、招聘……每個角色各有分工。但現在，吳恩達說的情況已經變了。他說，開發成本越來越低後，一個人如果既能寫程式碼、又能理解使用者，還能判斷下一步該做什麼，就能替代一整支傳統團隊。“我們以前是一個產品經理配幾個工程師，後來發現最有效的組合，是把他們合成一個人。”他在 AI Fund 就是這麼做的。招前台、HR、財務，都優先考慮會寫程式碼的人。甚至連 CFO，都能自己寫出內部使用的自動化指令碼，不用再花幾千美元去找供應商開發。為什麼需要這種全端能力？吳恩達認為：AI 工具把“怎麼做”變得很容易，真正拖慢進度的，是“要做什麼”這件事沒人決策。以前，工程師可能要等產品經理寫完需求文件、設計評審、開個會才動手。現在，工具快了，模型強了，工程師常常第二天就做好了。反過來，是產品經理跟不上工程師。所以他說，在他的公司，有時為了不浪費工程資源，團隊配置直接精簡：1 個產品配 1 個工程師，甚至讓一個人兼顧產品和工程。而且他發現，那些速度最快、反應最靈活的創業者，往往都是既能動手，又懂使用者。Cerebras 的戰略官 Andy 也表示，技術能力只是基礎，創業者還得懂得如何拆解問題、如何組建團隊、如何從使用者視角判斷產品方向。最優秀的技術創始人，都具備同理心、產品判斷力和講故事的能力，而不僅僅只是會寫程式碼。這就是第二種全端開發能力：既能動手做，又能判斷做什麼。在人人都能用 AI 寫程式碼的年代，一人頂多崗不是壓榨，是 AI 創業的標配。第三種能力：把 Demo 做成產品快速做出來只是第一步，真正難的是怎麼把一個 Demo 變成能讓成千上萬使用者天天用、用得穩的產品。吳恩達說：“很多創業者能做出 Demo，但做不大，卡住的不是技術，是產品沒做到位。”ETH AI 中心的 Alex 進一步解釋：很多項目失敗不是因為模型不夠好，而是沒把 Demo 打磨成真正能用的產品。展示一個好看的 PPT 很容易，但要讓它能被很多人用、出了問題能解決、還能一直好用，那就是另一回事了。什麼叫“打磨成真正能用的產品”？Laura 舉了個例子。有個叫 Fyxer AI 的創業公司，只做了一件事：幫使用者寫和回覆電子郵件。聽起來不複雜，但他們做得非常細：那些郵件需要立刻處理、那些可以跳過、什麼語氣更合適……產品上線 6 個月，就拿下了數百萬的年收入。Laura 的總結是：Fyxer AI 不是在節省發郵件的時間，而是在改善整個溝通體驗。反過來看，很多 AI 創業公司失敗，不是因為不會做，而是因為沒想清楚這些問題：資料進來了怎麼清洗？使用者提的反饋怎麼用？出錯了誰來修、怎麼修？新使用者怎麼上手？老使用者怎麼留住？AI  創業的第三種能力，就是要把 Demo 做成能持續運轉的產品，打通從開發、使用、反饋到最佳化的整個鏈路。在開發成本極低的今天，能做出閉環，才是真正的壁壘。結語｜開發容易，做成難吳恩達說：開發成本正在歸零，該做的就是大量試錯。但這也意味著，Demo 滿天飛的時代，真正稀缺的不是技術，是把東西做成的能力。留下來的，是那些能用 AI 重構流程、一個人幹全端活、把 Demo 做成產品的人。門檻沒了，能力就是新門檻。 (AI深度研究員)

Kevin Scott：“長期記憶”是AI創業最被忽視的機會2025 年 12 月 19 日，舊金山。矽谷創業社區 South Park Commons 的一場對話中，微軟 CTO Kevin Scott 聊職業拐點、與 OpenAI 合作、AI 時代更值錢的問題為什麼總被忽視。整場對話 56 分鐘，話題從創業試錯，一路聊到開源與閉源。他最關鍵的一句話是：AI 創業最怕的，不是技術落後，而是把“噪音”當訊號。什麼是噪音？看起來像積極訊號，但對你做的東西沒有價值，而且沒有關係的資訊。 媒體熱度、投資人興趣、技術熱詞，這些訊號容易獲取、容易量化，但可能正在把你引向錯誤的方向。這篇文章講四件事：第一， Kevin 如何學會識別正確的訊號。第二，今天的創業者面對什麼樣的環境。第三， ChatGPT 為什麼成功。第四， 如何識別被忽視的真實訊號。第一節｜放棄有趣的技術，選擇值得做的事Kevin Scott 原本想當一名大學教授。博士期間他研究動態二進制翻譯，技術含量極高，但他後來放棄了。原因很簡單：這事除了我，幾乎沒人在意。他說：我花了大量時間研究這些最佳化方法，能提升系統幾個百分點性能。寫論文、被引用、繼續寫論文……然後呢？在學術界，這就是標準路線。但在真實世界裡，這些百分比的提升沒有任何意義。Kevin 第一次意識到：學術界的評價標準，和真實世界的價值判斷，根本不是一回事。學術界看重論文數量、引用次數、同行認可，這套機制清晰、容易量化。但真實世界在意的是：有多少人因此受益？產生了多大價值？這兩套標準不一致，甚至是衝突的。於是他從學術界出來，進入Google。他做的第一個項目，是廣告稽核流程的自動化。這事聽起來一點也不酷。Kevin說：其實就是做一套自動過濾規則，判斷廣告文案能不能用驚嘆號、有沒有成人內容。但這個問題值錢。每天 5000 萬美元的廣告被卡住，人工稽核處理不過來。就這麼點改動，最終每年幫 Google 省了近 10 億美元。這讓他得到創始人獎。從那時起，他確定了一條職業準則。做每一件事，第一眼先看它有沒有可能產生真正的影響，其次才是技術有多有趣。他說，人生是從放棄最複雜的技術，轉向最有價值的工作開始的。這是他第一次識別出正確的“訊號”。第二節｜容易獲取的反饋，往往是噪音Kevin 20 年前做的那次選擇很簡單：學術界 vs 商業世界，二選一。今天的 AI 創業者面對的環境要複雜得多。現在做創業比過去任何時候都便宜。但也正因為便宜，試錯的人多了，噪音也就多了。什麼是噪音？他給出定義：看起來像是正反饋，但和產品價值無關的資訊。媒體熱搜、點贊數、風投的興趣，這些都可能是噪音。很多創業者依賴的這些訊號，恰恰也是最容易把你帶偏。因為這些訊號背後有自己的利益機制。媒體需要流量，選擇有話題性的故事。投資人看重多元的項目組合，對熱門賽道表現出興趣。技術社區追逐最新的模型、最大的參數量。但這些和有人願意為你的產品買單是兩回事。更麻煩的是，這些噪音還特別容易獲得。你發一條帖子，幾百個贊；寫一篇文章，上了熱榜；見幾個投資人，都說感興趣。你開始覺得方向是對的。但這可能只是說明：你踩中了一個熱門話題，成了轉發素材，而不是解決了真正的問題。很多創業者開始往熱門概念上靠：“我們是AI+教育”、“AI時代的瀏覽器”、“GPT時代的新筆記工具”……這些說法新穎、容易講，但不等於有人真正需要。Kevin 給了一個判斷方法：要分清楚兩件事。一件事是你希望它發生；另一件事，是它不管有沒有你都會發生。真正適合創業的，是後者。那麼，什麼才是真正的訊號？Kevin 用 ChatGPT 說明。第三節｜當所有人卷模型，OpenAI在做什麼ChatGPT 上線時，用的是老模型。業內很多人都見過，Kevin 說，包括他自己在內，沒人想到它會成為爆款。那為什麼它成了？因為所有人在追一個訊號，OpenAI 在追另一個訊號。2022 年底，每個實驗室都在追逐容易量化的數字：更大的參數量、更高的benchmark、更先進的架構。但這些是噪音。OpenAI 關注的訊號是：普通人能不能零門檻使用互動是否足夠自然能否成為日常工具這些才是真實需求。ChatGPT 的改動極小：一套老模型，加上 RLHF，加上一個輸入框。技術上沒有任何突破。但它讓普通人第一次可以直接和 AI 對話，不需要任何技術門檻。Kevin 明確表示：“它不是我們見過最強的模型，但第一次讓 AI 直接進入了使用者生活。”在他看來，這類機會有三個特徵：技術能力已經夠了但沒人認真設計用法因為看起來太普通、太基礎、沒熱度而被忽略。這些機會不會出現在熱詞榜上，也講不出宏大的故事，但可能打開兆美元市場。關鍵是：如何識別這樣的機會？第四節｜識別真實訊號的三個標準為此，Kevin 給出了三個判斷標準。標準 1 ：看能力和使用的差距他說：現在不是 AI 不夠強，而是很多人不知道怎麼把它用好。這意味著什麼？意味著機會不在能力端，而在使用端。他舉了長期記憶的例子。現在大模型能對話，但記不住歷史。使用者每次都要重新交代背景，AI 像個永遠喝斷片的“實習生”。技術上能解決嗎？完全可以。只需要做資料管道、內容壓縮、歷史記錄。但沒人做。為什麼？因為這不會上論文，也拿不到媒體關注。。Kevin 說：很多人不願意做這件事，是因為它看起來像修修補補，不像創造。但這恰恰是真實訊號。因為使用者真的需要，技術能力已經夠了，只是沒人認真做。標準 2：看誰在製造噪音如果媒體在報導、投資人在追逐、大公司在佈局，這很可能是噪音。這就像 Kevin 20 年前的選擇：他做的是所有人覺得不夠酷的事，但恰恰解決了真實問題。今天同樣如此。已經有太多資源在追逐那些熱門賽道，你作為創業者很難勝出。真正的機會往往在被忽視的地方：大公司覺得太瑣碎、媒體覺得不吸引眼球、投資人覺得不夠宏大。正因為被忽視，競爭反而更小。標準 3 ：做小實驗驗證Kevin說，做工具的成本已經非常低了。現在真正缺的，是願意動手的人。比如：讓 AI 記住使用者歷史。搭個簡單的上下文快取，看使用者是否真的需要。用現有工具搭建一個端到端流程。把 AI 對話、自動化工具、文件系統連起來，做一次完整閉環，看能不能真正替代人工。不寫 PPT，直接做互動原型。從產品體驗出發，而不是從概念包裝出發。現在是 AI 創業最好的時候，因為你可以不靠預測未來，只靠動手做個小實驗，就能找到好的方向。關鍵是分清噪音和真實訊號。你是追逐容易講的故事，還是解決真正的問題？結語｜訊號比方向更重要Kevin Scott 說，他不追求快樂，只想做有意義的事。因為有意義的事，自帶清晰的訊號。20 年前，Kevin 只需要選擇：學術界還是商業世界。今天的創業者面對更複雜的環境：媒體熱度、投資人興趣、技術熱詞，那些是噪音？那些是訊號？Kevin 的方法是：不要靠判斷去猜，要靠行動去驗證。做工具的成本從未如此低，但噪音也從未如此多。找對訊號，比找對方向更重要。 (AI深度研究員)

最新消息顯示，近年來以狂練肌肉和“夕陽紅”戀情引發關注的前世界首富傑夫·貝索斯，正在親身入局AI創業浪潮。據多位知情人士透露，貝索斯正參與創立一家名為“普魯米修斯項目”（Project Prometheus）的AI初創公司，並將擔任聯席CEO。得益於老闆是當今全球第三富豪，該創業公司種子輪就獲得62億美元（約合人民幣440億元）融資，堪稱資金最充沛的初創公司之一。這也是貝索斯2021年7月卸任亞馬遜CEO後首次擔任營運職務。儘管他也深度參與火箭發射公司藍色起源的營運，但官方頭銜只是創始人。據悉，普魯米修斯項目將與貝索斯“把人類送往外太空”的興趣相契合。創業公司將聚焦電腦、航空航天、汽車等領域助力工程與製造的人工智慧。貝索斯的聯席CEO是物理學家和化學家維克·巴賈傑（Vik Bajaj）。他曾在GoogleX部門與Google聯合創始人謝爾蓋·布林緊密合作，該部門主要孵化一系列雄心勃勃的初創業務，包括後來成為Waymo的自動駕駛汽車。巴賈傑的職場社交帳號也顯示，離開Google後他參與過多次創業，並從本月開始成為普魯米修斯項目的聯創和聯席CEO。普魯米修斯項目也延續了今年AI創業的熱門方向——將AI應用於物理任務。許多曾效力GoogleDeepMind、OpenAI和Meta等大公司的研究專家紛紛“自立門戶”，探索機器人、藥物設計，以及數學和理論物理領域取得重大突破。貝索斯也在去年投資過一家名為Physical Intelligence的初創公司，主攻將人工智慧應用於機器人領域。多位知情人士表示，普羅米修斯項目已僱傭近百名研究人員，其中不少是從OpenAI等大機構挖來的。與聊天機器人相比，這些公司的主營業務有著相近但顯著的區別：大語言模型通過分析海量的文字來獲取技能，包括模仿人類的語言系統、編寫電腦程序等。這些新公司正在幫助AI從物理世界中學習技能。今年夏天，一群從Meta等大機構離職的研究人員創辦名為Periodic Labs的公司，致力於建構能加速物理與化學等領域研究的人工智慧技術。這家獲得3億美元融資的公司計畫在北加州建立一處大型實驗設施，安排機器人進行“大規模科學試驗”。理論上，通過分析試驗過程中的對錯，AI將能學習如何“獨立完成試驗”。據知情人士透露，普羅米修斯項目也將展開類似的工作。 (財聯社AI daily)