离线时间

杨凌，ShipLinker创始人兼CEO。20年科技和供应链经验，本科计算机，研究生生物信息学。最早在中国国际电子商务中心（阿里巴巴起源的地方）做电商和供应链SaaS，后来创业做IoT物联网，为世界500强做数字化转型。2019年来新加坡，负责Marine Online（海运在线）——一站式海运B2B电商平台，两年做到20亿美金营收，覆盖141个国家、6000+ B2B客户。后因业务模式太重，战略性关停。现在做ShipLinker——海运AI Broker，用AI Agent帮船东、货主和经纪人做船货匹配和交易决策。这期把海运行业从头到尾拆了一遍——四个角色怎么分工、佣金怎么构成、经纪人一天怎么过、三种租船模式的区别、为什么不能用满帮的逻辑来套。然后讲了ShipLinker的AI Agent具体做什么：从理解需求（NLP）→扫描200万数据点→裁判系统打分→推荐最优解→自动化文档和audit trail。核心判断是一句话：data不能fix deal，agent能。Highlight：→ 喜欢用科技手段处理复杂信息系统，"行业越复杂、越不透明、越依赖经验，越适合用AI Agent"→ Marine Online做到20亿美金营收后战略关停，带走的最大教训：不能硬套互联网平台逻辑，关系不能被替代，ShipLinker必须做轻资产高科技→ 海运行业三阶段：信息化→数字化/电商化→智能化。Marine Online在第二阶段，ShipLinker在第三阶段→ 海运四个核心角色：货主/租家（有货要运）、船东/operator（有船要跑）、经纪人/broker（撮合+传递信任）、服务商（供油/供应/保险/代理等）→ 经纪人四个价值：信息价值（谁有真实货盘）、匹配价值（哪条船最适合）、谈判价值（价格博弈）、信任传递价值（省去KYC）→ 海运vs公路货运（满帮）五大区别：跨国/高金额/非标/高风险/关系驱动→ "Data doesn't close deal, AI agent does"——数据公司只解决了"看见市场"的问题→ AI Agent五步流程：理解需求（NLP）→扫描200万数据点→裁判系统（不是离得近就最好）→scoring推荐→自动化文档+audit trail→ 在Marine Online想干掉中间人，失败了→ShipLinker选择与broker共舞→ 骆驼拉骆驼：新疆人的说法，"一个可靠的人会带来另一个可靠的人"。网络效应自然发生，粘性极强Timeline：00:00 开场：杨凌，ShipLinker创始人，20年科技和供应链经验00:25 自我介绍：从阿里巴巴起源地做电商SaaS→IoT创业→Marine Online→ShipLinker01:56 海运行业判断：不缺数据不缺软件，缺的是理解行业、理解交易逻辑、帮人做判断的智能层02:18 暗线：喜欢用科技处理复杂信息系统，行业越复杂越适合AI04:36 Marine Online：一站式海运B2B电商，两年做到20亿美金营收05:40 为什么关停：8条业务线+供应链融资→运营资本极重→偏离科技公司初衷07:57 从Marine Online到ShipLinker的战略转变：轻资产、高科技、AI驱动08:52 海运行业三阶段：信息化→数字化/电商化→智能化10:06 不能硬套互联网平台逻辑：客单大、风险高、非标、不能点击成交10:40 关系不能被替代：最早的船货交易在伦敦小酒馆里谈成12:40 海运四个核心角色详解：货主、船东、经纪人、服务商15:22 封闭的圈子：跑熟不跑生，bus route vs taxi route16:32 干散货占60%以上，其中一半以上是taxi模式——ShipLinker的切入点16:50 佣金构成：3.75-5%（有时候船东付1.25%），经纪人四个价值18:20 经纪人的一天：查邮件→匹配资源→打电话沟通→筛船→谈价格→签租约20:48 完成一票货：1-2周，前3-7天找船21:39 三种租船模式：定程（VC）、定期（TC）、光船（Bareboat）24:49 海运vs满帮：五大结构性区别32:28 为什么笃定做Agent而不是卖数据33:50 "Data doesn't close deal, AI agent does"35:01 AI Agent五步流程：NLP→200万数据点扫描→裁判系统→scoring→自动化文档39:54 不替代关系，替代重复劳动：Marine Online想干掉中间人失败了41:03 经纪人反应比预期积极：从3-5天找船变成1分钟42:06 中东局势升级案例：30% organic registration43:33 vs Sedna：三层壁垒45:46 ESG不是为了BP好看：IMO脱硫→脱碳→欧盟碳交易48:17 定价逻辑：1000→3000→Enterprise API50:06 33%客户主动升级，trigger是从工具变成日常工作流51:22 骆驼拉骆驼：网络效应自然发生52:44 先抓稀缺端：船公开货不公开53:56 大客户vs独立经纪人：像Bloomberg55:42 希腊扩张策略：关系切入+wow factor+小场景先行57:13 收尾：Data不能fix deal，Agent能

Bruce Yang，Agnes AI（SapiensAI）创始人兼CEO。拿新加坡教育部奖学金来新加坡读高中，之后UC Berkeley大学，硅谷微软、LinkedIn工作，曾在硅谷和国内创业，疫情后回新加坡在NUS读计算机PhD（总统奖学金）。2025年初创办SapiensAI，4月推出Agnes AI。Agnes AI是一家总部在新加坡的多模态AI模型公司，自研文本、图像、视频模型。文本模型在Claw-Eval和PinchBench的Agentic/Coding榜单全球前十，图像和视频在Artificial Analysis盲评榜单全球前十。目前1000万注册用户，ARR接近2000万美金。6月1日宣布全模态API无限期免费，一周内日均token调用量达2000亿，预计月底达1万亿（约为OpenRouter总量的1/4）。每百万token成本0.15美元，是GPT/Claude的1%，接近万卡集群。计划年底或明年初在新交所或港交所上市，目标估值20亿美金。Highlights：→ 成本是GPT的1%： 每百万token 0.15美元，GPT/Claude是15美元。图片成本约为DALL-E的1/50，视频约为Seedance的1/100（每秒一分钱vs一块钱）。每天2000亿token免费供应，月服务器成本控制在50万美元以下。"虽然免费，但在同量级用户下，我们可能是亏损最小的。"→ 免费之后付费用户反而更多： 原来按1/100的低价卖，基本没人付费也没人用。免费开放后，每天新增用户的1-2%当日付费。限制RPM（每分钟20次请求），个人开发者够用，企业和重度用户自然转付费。→ 从Agent到模型公司的转变： Day 1 做的是Agent产品，3月设计产品，6月就开始训模型。用户量到千万级后闭源模型账单烧不起——用户付费能力不强但量大，靠调用第三方模型的商业模式不可持续。被迫自研，先做20个专用模型，后统一为一个MOE模型。到今年3月，95%以上的应用场景已用自研模型替代。→ 200B以下找sweet spot： 不训练超过200B参数的文本模型。通过CUDA层优化、量化、图片视频跳步等手段压缩推理成本。发表了Recurrent Depth Transformer论文，单位参数智能密度比同类模型高约10%。"10倍参数可能只带来2-3%的准确性提升——过了某个点，消费者已经感知不到区别，就像屏幕像素超过某个分辨率后人眼看不出差异。"→ 模型市场三层分化： 第一层OpenAI/Anthropic占最头部，参数大、性能最强、价格最高。第二层DeepSeek为王（200B-2T），价格极低但可能不赚钱。第三层Agnes——免费但性能不妥协，在Coding和Agent场景做到与DeepSeek差距不大甚至部分超越。"我的成本比他们的亏损都低，那我为什么不免费？"→ AI adoption还在早期： 美国市场调研50%以上用户还没用过AI。Codex周活只有500万，日活约100万——回到互联网时代这个数字只能说"完成了一轮"。OpenRouter全球每天4万亿token，只有约40万活跃开发者。"AI adoption没有大家想的那么快，格局远没有定。"→ AI中立——中美之外的第三选择： 核心vision是AI平权和包容（AI Parity & Inclusion），希望做中美之外的中立AI模型公司。API市场中国最成熟（需求最大），但APP用户增长主力在东南亚、拉美和北美。"除了中国和美国以外，就没有特别做得好的模型公司，这本身就是稀缺性。"Timeline：00:00 开场：Bruce Yang，Agnes AI创始人，自研文本+图像+视频模型00:25 核心数据：文本/图片/视频三个榜单全球前十，全球能做到这一点的只有OpenAI、Google、阿里、字节01:09 6月1日全模态API免费：一周内日均2000亿token，预计月底达1万亿01:47 APP已有1000万用户，分两条线：Pro（对标Codex/Claude Code）和消费者端（对标豆包）02:16 为什么在新加坡做AI：MOE奖学金来新加坡→Raffles高中→美国Berkeley大学03:56 "富人的聪明小孩去Stanford，穷人的聪明小孩去Berkeley"04:15 硅谷工作（微软、LinkedIn）→创业→疫情回新加坡→NUS总统奖学金读PhD05:04 选择新加坡的原因：感激之心+AI平权理念——让更广泛的人access AI06:53 最早认识Bruce时他还在做Agent，后来转成了模型公司。转变怎么发生的？07:04 Day 1 没想过做模型，先做产品。6月开始训第一个模型，和Gemini差距很远07:44 用户到千万级后闭源模型账单烧不起——商业模式不可持续→决心自研08:08 先做20多个专用模型→统一为一个MOE模型→重点Agentic和Coding08:57 今年3月实现95%自研替代。发现自研模型"其实没那么差"，有些地方更好10:02 6月1日放大招：全模态免费。一周2000亿token，月底预计1万亿10:26 成本怎么cover：核心是GPU租赁，CUDA层优化+量化让成本降到SOTA的1/10011:17 每百万token 0.15美元，GPT/Claude 15美元。图片1/50，视频1/10012:15 月服务器成本50万美元以下。"同量级用户下我们可能是亏损最小的"13:10 免费前按1/100低价卖→没人用。免费后→每天1-2%新用户当日付费14:57 限制RPM（每分钟20次），个人开发者够用，企业/重度用户自然转付费15:11 怎么把成本压到极致：不训超200B模型，在小参数中找到接近大模型效果的sweet spot16:36 模型市场三层分化：OpenAI/Anthropic（最强最贵）、DeepSeek（物美价廉）、Agnes（免费但不妥协）18:35 vs DeepSeek：部分benchmark超过，全面超越不可能（模型更小），专注Coding和Agent两大场景20:09 错位竞争还是通用模型？"还是通用模型，只是在两三个模块更强，其他稍弱"21:00 图片视频的scaling law在小模型里还没到顶。文本可能到顶了，但在尝试突破22:06 Marginal benefit递减："提升10倍参数可能只有2-3%准确性提升"23:48 为什么不用开源fine-tune：图片视频从零训（数据以亿计），文本仍用开源做后训练25:47 1000万用户增长来源：东南亚（印尼/菲律宾/越南）→拉美（巴西）→北美26:58 API市场中国最成熟：国内coding/agent消耗最大，海外大部分人只知道OpenAI/Anthropic/Google29:05 API面向中国市场，APP面向全球——两条腿走路29:43 最好的增长策略：模型驱动。免费API后每天新增1-2万用户，次日留存60%30:14 没有做任何SEO，没有在增长上花钱。90-95%的宣传是用户/博主自发传播31:59 "新加坡的DeepSeek"这个标签：自己提过一次，后来被pick up。有相似也有不同33:07 vs DeepSeek：DeepSeek更专注文本/更大模型。Agnes优势在图片视频+海外获客35:08 免费后文本增长最快（2000亿/天），图片约100万张/天，视频约100万秒/天35:35 ARR接近2000万美金，目前全是C端订阅。B端还没开始推，计划自下而上grassroot策略36:38 Agnes的AI vision：平权、包容、中立——中美之外的第三选择38:20 Agora合作和Vibepod耳机已不是最高优先级，回归模型公司+Harness产品39:03 下半年两款Harness产品：Coding Harness（对标Codex+Manus）和Pavo（多模态创作工作流）41:15 融资和上市：2000万美金已close，计划上市前再融两轮冲到20亿估值42:06 AI泡沫判断：像互联网2001年100%会爆→但AI潜力比互联网大→泡沫可能延续3-5年43:10 选新交所/港交所而非纳斯达克：地缘考量+AI neutrality定位45:22 大模型竞争终局：还没上牌桌的已经out，但桌上10-20家的排序还有巨大变化空间46:44 "美国50%以上用户还没用过AI"——adoption还在早期47:44 OpenRouter每天4万亿token只有40万开发者。字节每天120万亿（含图片视频+B端）48:00 Codex周活500万，日活约100万——"回到互联网时代一天才100万日活，只能说完成了一轮"50:04 "10%性能差距，用户不会付10-100倍价格。两倍是极限。"53:01 被市场推着走还是团队决定？Day one的constraint（资金少、卡少）→弯路走得少→反而更专注54:29 发表Recurrent Depth Transformer论文：单位参数智能密度提升约10%56:04 信心从哪来？"实话说做的时候没想那么多，第一要务是降低成本。做完发现跟别人差距不大"57:09 OpenAI后训练负责人Yan du Bois说"训练模型不是火箭科学，是很多手艺活结合在一起"58:11 "这个时间点能参与竞争，才能参与部分规则的制定。再给别人一年，我们又不一样了"

这是「离线时间」特别栏目「在场」的第一期。「在场」不聊已经干成的事，聊正在摸索的。「在场」的Co-host是EP10的嘉宾胡成臣，ClariPpi创始人。本期嘉宾薛翀，协和医学院外科学博士，曾在浙二泌尿外科任主治医师，赴约翰霍普金斯医学院进修。2016年从医院出来创业，创办全诊通（Trizen），做了10年AI医疗。公司100人，覆盖全中国所有省份的医院。2022年底全面拥抱大模型，2023年4月推出国内第一个AI医疗文书助手。最近和ClariPpi联合发布了一台科室诊疗AI一体机——把数据中心级的AI方案做成桌面级，体积缩小60倍，功耗降低20倍，成本最高降低20倍。Ellen的视角：2017-2018年在北京做美元基金投资时看过一波AI影像公司，几乎每家都做肺结节筛查，资本极度追捧，但后来大部分没了声音。这期想搞清楚：过去八九年AI医疗到底经历了什么？为什么那一波没跑出来？现在这一波有什么不一样？Highlights：→ 胡成臣和薛翀两个月前一见如故：一个在找行业合作伙伴，一个在找本地AI部署方案，聊到最后发现天然互补→ 科室诊疗AI一体机：15cm×15cm×5cm的盒子，支持10个医生同时使用，数据不出院→ 以前做不到是因为方案都从云端"缩小"过来的——overkill；现在从边缘侧原生设计，找到更好的折中点→ 胡成臣在蔚来做过车载AI——车就是边缘侧设备，技术方案直接迁移到医疗，甚至成本更低（不需要车规）→ 薛翀在Hopkins做postdoc时研究手术机器人：用算法切割影像边界→3D重建→手术规划→机器人执行→ 从美国回来后最大的感受："每天像台机器，分不清自己是机器还是修理工"——一年400台手术，根本没有情感关怀给病人→ 为什么选医生工作流而不是影像AI：受美国Physician Assistant启发——医生需要的是一个分身，帮他记录、开药、写病历→ "大部分诊疗决策是机械性的，3到5步推理就够了，不用像下围棋那样考虑10步"→ 2022年底GPT moment之后全面拥抱大模型：以前直接训练专家模型需要大量数据，现在在预训练模型上微调，用微量数据就能达到更好效果→ 医院不是"不好敲的门"——首先它是一个经济体，有收入有支出就有商业机会。最大的门槛是语言体系→ 销售方式极其直接：直接挂院长的号，打开APP，聊完病历就写好了。北京某医院院长用了之后，原来看60个病人要到下午1点，现在11点半就结束了→ 肺结节AI为什么没跑出来：它节约的时间"可以忽略不计"——最后专家还是要重新看一遍→ 写病历这件事不一样：医生一半时间花在"pajama time"（穿着睡衣敲键盘），节约的是实实在在的几小时→ 油条比喻：在家炸油条成本太高质量还差，不如去早餐店。但如果边缘侧计算成本比云端token还低，那就在家做了→ 薛翀最纠结的事：被医院"逼着"做本地化部署——本来想做云，但医院要求数据不出院→ 内存条涨价是转折点：硬件成本上去了→遇到胡成臣→发现可以用1/20功耗做同样的事→决定合作→ 以前被打掉的需求现在能接了：10万级的民营医院、科室级部署、安提瓜2000个大夫——几台机器远程部署就行→ 全诊通今年自己做了一个HIS Claw：专门操控医疗信息系统，成本极低——"智力劳动者的具身智能"→ Token成本越来越低，但总消耗量在指数级增长——全诊通公司内部token消耗已经百倍级增长Timeline：Part 1：在场栏目开场 + 胡成臣前奏00:00 开场：离线时间特别栏目「在场」——聊正在摸索的，不聊已经干成的01:00 胡成臣返场：两周前录完EP10，项目有新进展——在杭州GAITC发布了医疗AI一体机02:19 为什么做「在场」：AI时代充满不确定性，需要探索精神，只要在场面上就无所谓输赢04:23 Ellen：播客做了10期，发现每个人的状态都在迭代，正在发生的事情值得被记录05:45 在场第一期嘉宾：全诊通薛翀医生05:58 胡成臣和薛翀怎么认识的：去薛翀家聊天，一见如故，同年出生，聊创业聊人生07:10 两拨人——做行业的和做AI的——合到一起机会就出现了08:00 科室诊疗AI一体机做什么：帮医生做助手——记录问诊、写病历、开药、开检查单09:30 全诊通负责行业应用，ClariPpi负责本地AI Runtime和模型优化，1/20功耗1/60体积10:32 以前为什么做不到：云端方案缩小过来是overkill，从边缘侧原生设计才能找到折中点12:42 蔚来车载AI和诊室AI的相通之处：车就是边缘侧设备，技术方案直接迁移Part 2：薛翀的完整对话14:28 Ellen开场：2017-2018年在北京看AI影像，几乎每家都做肺结节筛查，后来大部分没了声音16:45 薛翀自我介绍：协和博士，12年前还是外科大夫，Hopkins做postdoc研究手术机器人18:00 全诊通：2016年创业，2022年底全面拥抱大模型，2023年4月推出国内第一个AI医疗文书助手21:07 公司100人，年收入约1亿人民币21:30 GPT之前vs之后：以前直接训专家模型需要大量数据，现在预训练模型上微调效果更好22:30 为什么离开医院："每天像台机器，一年400台手术，根本没有情感关怀给病人"23:00 为什么选工作流而不是影像：受美国Physician Assistant启发25:19 "大部分诊疗决策是机械性的，3到5步推理就够了"26:00 美国外科大夫做完手术打录音电话→助理帮他敲进电脑——这就是AI该做的事26:36 "pajama time"：医生穿着睡衣写病历的时间占了工作的一半28:18 医院数据不能上云→2024年开始本地部署→华为芯片适配30:47 内存条涨价→遇到胡成臣→发现可以做极小型机器→"我相信你能干，就当交学费"31:35 GAITC发布：ASR+OCR+语言模型+医疗推理模型全部装进一个小盒子，成本全世界最低32:00 美国创业者看了也很惊艳，要拿去美国推广32:24 对标公司Abridge：17亿美金市值，年收入1.5亿美金33:03 销售网络覆盖全中国所有省份，东南亚和安提瓜卫生部长都在邀请34:54 医院的门好敲吗：医院是经济体，有收入有支出就有商业机会36:10 最大门槛是语言体系：医生之间有一套专业话语体系，外行进不去38:00 肺结节AI为什么卖不动：识别一个结节的良恶性，节约的时间可以忽略不计40:00 写病历不一样：节约的是医生一半的工作时间，商业价值非常容易量化42:25 销售方式：直接挂院长的号，打开APP，聊完病历写好了42:44 北京某医院院长：原来看60个病人到下午1点，用了产品11点半结束44:00 经销商模式：药企和器械企业转型做AI，带产品进医院45:15 油条比喻：什么时候该用云（油条店），什么时候该在本地做（包子在家蒸）46:42 边缘侧成本比云端token还低时→本地计算蓬勃发展48:00 薛翀的纠结：本来想做云，被医院逼着做本地化——但商业化反而更成功50:02 计算机从大型机→小型机→PC→移动设备的类比——AI也会走同样的路50:20 全诊通今年做了HIS Claw：操控医疗信息系统，"智力劳动者的具身智能"53:17 Token成本在降但总消耗在指数级增长——公司内部token消耗已百倍级增长56:07 薛翀不允许工程师直接写代码了：让AI先写一道，人去check59:37 本地vs云的分工：文书和诊疗决策在本地做，50万篇文献检索在云端调1:01:03 收尾：产品5月23-24日在中国发布

毛华，ccMonet AI创始人兼CEO。2000年毕业，经历了互联网、移动互联网、AI三个时代。2011年把自己创办的App Store公司卖给腾讯，成为腾讯应用宝的前身。在腾讯8年，做了QQ物联（比苹果AirTag早5年做了儿童鞋定位，和李宁合作）、腾讯小微语音AI（对接Bose、B&O、哈曼卡顿、Sony）、视觉AI（华星光电面板缺陷检测），在腾讯云体系下从IoT到Voice AI到Vision AI全部趟过一遍。2019年来新加坡，2023年ChatGPT出来后开始创业，先做个人助理PlatoX，GPTs推出后砍掉，转做ToB财务Agent——ccMonet AI。AI+人的团队帮中小企业做全套财务服务，客户包括喜茶、秀波格尔等连锁餐饮。去年搬去美国拓展市场。这期最有意思的是两个反差。第一，他在腾讯做了那么多从0到1的创新项目，但回头看上一代AI"就是智障"——能问天气能放歌，但不存在连贯对话。ChatGPT出来的那一刻，他知道这次不一样了。第二，15年没写过代码，Claude Code出来后每天只睡四五个小时抱着电脑——中年男人以前钓鱼，现在全换成vibe coding了。一个人手搓了报销APP从策划到上架App Store。Highlight：→ 2011年把公司卖给腾讯，成为腾讯应用宝前身→ 在腾讯做QQ物联：比苹果AirTag早5年做了儿童鞋定位芯片，和李宁合作，真的找回过走失的孩子→ 第一次用深度学习AI：训练识别交警——违停时行车记录仪拍到交警通过QQ提醒车主，比商汤还早→ 上一代AI"就是智障"：能问天气能放歌，但问两个问题就不行了，根本不存在连贯对话→ ChatGPT出来那一刻就认定：这不是一般的事，这是一次革命→ 先做个人助理PlatoX，GPTs推出后砍掉——发现大厂一定会覆盖这个方向→ 转做ToB财务Agent：任何企业都绕不过记账和报税，这是刚需→ 不卖软件卖结果：传统企业老板说"我买了是不是得自己用？我没时间"——于是改成AI+人交付全套服务→ 传统accounting firm记总数，ccMonet记每一行明细——100块钱由哪些东西构成、单价多少、数量多少、含不含税→ 泰国客户有10个关联公司出不了报告，用了ccMonet两个月后报告出来，3亿人民币融资加速到账→ 15年没写代码，Claude Code出来后每天只睡四五个小时——"中年男人以前钓鱼，现在vibe coding"→ 一个人手搓报销APP：策划、设计、代码、上架App Store全是AI做的，月费4.9美金→ 组织架构从分层变成垂直：产品经理从头做到尾，两个人就能做一个完整项目→ 公司最大的成本是人与人之间的沟通——AI来了以后不需要对齐、不需要复盘，你跟AI对齐就完了→ 未来数字化无死角：新加坡餐厅扫码还是PDF菜单，说明开发人员不够，AI会覆盖所有角落→ 非常看好苹果端侧AI：M7芯片+开源模型V6，两年后本地就能跑够用的AI，解决企业数据安全→ AI时代的云大大简化：只需要存储、GPU算力、AI底座，SDK和API都不需要了→ "必须参与，从各个角度去参与。这不是汽车变火车，是汽车变火箭"Timeline00:00 开场：毛华，ccMonet AI创始人，2000年毕业，经历了三个时代01:10 腾讯8年：公司被腾讯收购，成为腾讯应用宝前身01:36 QQ物联：通过QQ连接各种硬件，深圳硬件生态02:13 腾讯小微语音AI：对接Bose、B&O、哈曼卡顿、Sony02:24 上一代AI"就是智障"：能问天气放歌，但连贯对话不可能03:32 从IoT到Voice AI到Vision AI：在腾讯云体系下全趟了一遍05:05 Google 21亿美金收购Nest，给深圳硬件圈巨大震撼07:34 QQ物联的理念：硬件也是你的好友，每个设备有QQ号09:32 第一次用深度学习AI：训练识别交警，违停提醒12:07 比商汤还早做视觉AI，马化腾看了demo点赞12:20 比苹果AirTag早5年：儿童鞋定位芯片，和李宁合作发布15:19 QQ物联的硬伤：室内交互太麻烦，开个灯要10步操作17:24 2017年CES看到Alexa：语音交互解决了近场交互问题18:06 回来后立刻做腾讯小微语音AI平台20:06 Voice是当时最自然的交互方式，但AI能力太弱21:03 2019年离开腾讯来新加坡，因为孩子上学21:21 休息两年，2022年11月ChatGPT推出22:07 "对话可以连贯了"——认定这次和上一代完全不同22:58 先做个人助理PlatoX：时间管理、财务管理、知识管理26:58 GPTs推出后砍掉PlatoX：大厂一定会覆盖27:12 转做ToB财务Agent：任何企业都绕不过记账报税28:24 面向中小企业：餐饮、诊所、制造业、物流、建筑、美容院29:07 不卖软件卖结果：老板说"我买了是不是得自己用"——改成AI+人交付31:05 客户画像：餐饮最多，票据量大，传统accounting firm不愿意做31:57 客户有喜茶、秀波格尔等品牌连锁32:14 餐饮adopt的根本原因：反正都是外包，换一个更好更便宜的33:07 ccMonet定位：用AI让服务价格极低、效率极高、准确率极高33:47 Data in, reports out：实时数据，不只给政府报告，还有内部运营报告34:41 传统accounting firm记总数，ccMonet记每一行明细37:02 VC投了餐饮连锁后财务一团糟：ccMonet两个月切入30多家店，投资人每天看实时数据38:38 泰国客户案例：10个关联公司出不了报告，ccMonet帮忙后3亿融资加速到账40:24 15年没写代码，Claude Code出来后每天只睡四五个小时41:37 新加坡餐厅扫码是PDF菜单——说明开发人员不够，AI会覆盖所有角落42:35 11岁儿子没学过编程，跟AI对话做出了2048游戏43:25 "中年男人以前钓鱼，现在vibe coding"43:57 一个人手搓报销APP：从策划到设计到代码到上架全是AI47:04 转化率低了就跟AI说，AI自己分析改内容改官网48:08 未来可能是App Factory：财务体系每个功能都可以单拆成产品49:28 组织架构从分层变垂直：产品经理+后端工程师两个人做一个完整项目50:55 公司最大成本是沟通——AI来了不需要对齐不需要复盘51:30 龙虾本质是个人助理，背后是工程架构，给大家很大启发52:32 ToB场景最大障碍：数据安全，龙虾用的还是云端大模型53:02 非常看好苹果端侧AI：M系列芯片+开源模型，两年后本地就够用57:00 云大大简化：AI时代只需要存储+GPU+AI底座59:33 "必须参与，从各个角度去参与。这不是汽车变火车，是汽车变火箭"

胡成臣，清华博士，29岁在西安交大当副教授，34岁正教授，35岁任计算机系系主任。36岁离开学术界加入赛灵思（Xilinx），从零搭建亚太区CTO office和亚太区实验室。40岁生日前一天接受了蔚来汽车的offer，做首席专家，前后主导技术规划和AGI委员会。2025年6月30日离职，现在新加坡创业。这期最有意思的不是他做了什么，是他怎么想的。他说以前一直标榜自己"跳出舒适区"，40岁以后发现自己没有跳出叔本华——得不到痛苦，得到了空虚，然后再去追下一个。真正的转变是重新想清楚一件事：以前是用生命力换生产力，现在应该用生产力换生命力。创业第一年走了标准路径——写BP、见投资人、融资建团队。融不顺利之后反而想通了：为什么要花时间说服投资人？直接让客户用真金白银投票。第一个客户是老同学，一顿晚饭聊完第二天就带着合同来了。现在一人公司，用AI Agent同时交付多个项目，不信者不医。Highlight：→ 29岁副教授，34岁正教授，之后系主任——学术界发展极顺，但总觉得少了什么→ 在西交大做教授时就创办了两家公司，完全按硅谷模式和学生co-found——当时在中国凤毛麟角→ 赛灵思4年从零搭建亚太区CTO office和实验室——"客户自己都不知道要什么，你要和他一起去共建"→ 40岁生日前一天接了蔚来offer，主导智能电动汽车12层技术栈和AGI委员会→ 蔚来的智能电动汽车不是手机加四个轮子，是移动的数据中心加四个轮子→ GPT 3.5出来那天假期最后一天开了一天战略会，之后成立了AGI委员会→ "以前用生命力换生产力，现在应该用生产力换生命力"——OKR忘了O是什么，把KR当成了O→ "以前一直标榜跳出舒适区，40岁以后发现没有跳出叔本华"——得不到痛苦，得到了空虚→ 离开蔚来最大的纠结不是职业风险，是团队——"带着老婆孩子猫狗从美国回来的兄弟们，我怎么交代"→ 创业第一年融资不顺利反而想通了：为什么要花时间说服投资人？让客户用真金白银投票→ 内心真正的恐惧：做了几年教授几年高管，十几年没碰代码，我还能不能写代码→ 打消恐惧的方法：做了一个很小的项目，把信心找回来了→ 一人公司的工作流：多个AI（Codex、Cursor、Gemini、Claude Code）互相讨论一晚上，出方案，人做评估和修订→ 开发链路：项目经理Agent + 前端Agent + 后端Agent + 测试Agent + QA Agent，遇到阻塞才停→ "不信者不医"——不想花太多时间教育市场，选对客户是成功的一半→ 在红海里用新技术解决老问题：需求已经被验证，用AI降维提升生产效率→ AI解决的不是某个行业的问题，是一类工种的问题——这个工种在所有行业都需要→ "大公司立项要半年，我半年已经做了好几个项目"→ 中年人的优势：精力拼不动了，但对产品的嗅觉、对市场的判断、对风险的识别，这些AI替代不了Timeline：00:00 开场：胡成臣，清华博士，前蔚来首席专家，现在做AI创00:42 从清华博士到西安交大：29岁副教授，34岁正教授，之后系主01:21 为什么离开学术界：在学校做了两家公司，接触了赛灵思，加上家庭原因02:58 赛灵思4年：从零搭建亚太区CTO office和实验室03:27 学术界和产业界最大的区别：从二手需求到一手需求05:37 为什么加入蔚来：智能电动汽车是移动的数据中心加四个轮子08:26 蔚来的12层技术栈：从Vehicle Engineering到操作系统到自动驾驶到AI12:12 架构设计的核心原理：体系结构思维，像建筑师一样做承重墙16:07 GPT 3.5出来后成立AGI委员会：把公司的AI资源做通用化23:00 为什么离开蔚来：看到了更大的AI机会+用生产力换生命力的思考25:28 叔本华的钟摆：40岁以后发现自己没有跳出"得不到痛苦，得到了空虚"27:41 创业第一年走标准路径：写BP、见投资人、融资不顺利28:10 融资不顺利的原因：在新加坡创业被质疑市场在哪，方向稍微超前32:39 GAP期间的认知重启：一人公司做69个项目成功40个、中学辍学生去OpenAI拿70万年薪35:11 AI改变了学习模式：终极的PBL（项目驱动学习）36:06 "公司规模太大了——30人"：曾鸣教授座谈会的震撼37:23 内心真正的恐惧：十几年没碰代码，我还能不能写代码37:58 打消恐惧：做了一个小项目，把信心找回来38:00 第一个客户是老同学：一顿晚饭，第二天带着合同来了46:13 AI在工作流中的角色：多个AI讨论一晚上出方案，Agent编排做开发53:03 一人公司有天花板吗：链条在扩展，开始加人59:10 传统企业AI改造最大的卡点："不信者不医"，选对客户是成功的一半1:04:03 红海vs蓝海的思维转变：在已验证需求上叠加新做法，降维提升生产效率1:06:58 中年人的护城河：商业嗅觉和信任关系，这些AI替代不了1:09:58 每次都在推翻自己：从清华到西交大到赛灵思到蔚来到创业1:14:37 "给投资人挣钱、给团队挣钱、给客户创造价值是本分，但更重要的是找到生命的意义"

Leo Jiang，蒋诺。从BT到Orange到Vodafone到华为CDO(Chief Digital Officer)，一路做海外企业咨询和数字化，在华为做亚太区CDO，从零打造了Spark Program——华为海外第一个创业加速器，四年从450个申请做到七八千个，覆盖五大洲。帮了几百个创业者之后，自己也被"浇水浇出芽"了，2024年下场创业做GroundAI，产品叫Gro——AI Outbound Sales Agent，亚洲第一。这期最硬的部分是Leo把Outbound Sales的全链路拆得极其清楚——从找人、分析、建联、跟进到成交，每一步以前都需要人做，现在四个Agent编排起来可以全自动。他把自主权分成L1到L5五级，像自动驾驶一样。最让他兴奋的不是自动化本身，是Agent能做到人做不到的事——比如把一个展会网站的所有参展商分析一遍，分成三级，告诉你该去找谁。"以前我销售绝对干不了这个事。"Highlights:→ 加入华为的三个原因：没在民企做过、华为出海是好机会、被美国刁难有点民族情怀→ Spark Program从零开始：第一年450个申请，第四年七八千个，覆盖五大洲→ 做生态和做咨询完全不同：咨询是从企业内部找资源外放，生态是搭台子让多方参与价值创造→ "我给founder搭了一个center stage，把政府高层、VC、独角兽founder都叫来听他们讲话"——没有任何企业做过这件事→ 帮了几百个创业者之后自己下场："我在华为那个位置上说的话可能没有错，但我确实没有体感"→ 创业初期没有确定产品，先做AI媒体和Newsletter，很快企业找来做增长，从agency转到产品→ SaaS的末日：Salesforce开始打折砍半，投资人不再看SaaS——不是SaaS核心层被替代，是模型能力外溢→ "模型的一次更新对我们来说就是一次生与死的考验"——春江水暖鸭先知→ Gro V1做自动化、V2做搜索（SaaS形态）、V3做全自动Agent（不再需要人操作）→ 全球1亿人做B2B销售，4500万做Outbound——每天发邮件打电话被拒绝，极度消耗，非常不适合人做→ Outbound Sales六七步：画像→找客户→补全数据→触达→建立信任→约会→签单，每步都有provider→ 四个Agent：Search→Analyst→Outreach→Optimization，自主权分L1到L5→ Agent做到了人做不到的事：分析一个展会所有参展商，分成三级，告诉你该找谁——"以前销售绝对干不了"→ Autonomy Control是企业软件的关键：竞品的agent越权多消耗了60%的credit——"安全和compliance是大企业最care的"→ V2和V3之间是范式转移：V2还在比搜索精度，V3说"So what，我最终目的是成交"→ Agent to Agent的未来：你用sales agent，客户也用procurement agent，最后变成agent对话→ 亚洲做ToB：企业密度和付费意愿不如北美，但对新事物认知滞后反而是机会→ 出海三板斧不work："技术多、有大客户、价格便宜"不是海外市场的沟通方式→ 销售的第一原则：Sell by not to sell，不要直接卖。核心是建立信任，be authentic and honestTimeline:00:00 开场：Leo蒋诺，前华为CDO，现在做AI Sales Agent创业00:22 背景：从BT到Orange到Vodafone到华为，一直在海外做consulting01:07 华为Spark Program：从零搭建亚洲最大创业加速器03:10 加入华为的三个原因：没在民企做过、出海好机会、民族情怀03:50 做生态vs做咨询：搭台子让多方参与价值创造05:02 给founder搭center stage：没有任何企业真的为创业者搭过台06:47 做对了什么：对外理解founder需要什么，对内把价值讲清楚调动资源08:03 "我自己出来创业后发现，没多少人请我做这些事了"11:09 大企业数字化转型vs AI创业：大象跳舞很难，小企业春江水暖鸭先知12:58 SaaS的末日：模型能力外溢，Salesforce打折，投资人不看SaaS13:30 为什么离开华为创业：帮了几百个创业者后自己也想试试14:35 "我在那个位置上自我感觉良好，但其实很虚伪——我没有体感"15:26 创业初期：没有确定产品，先做媒体和Newsletter，客户自己找来16:27 从agency到产品：印度巴基斯坦印尼都试过外包SDR，不好用17:12 V1做自动化、V2做搜索、V3做全自动Agent18:04 SaaS形式一定会变：模型能把复杂流程做通，不再需要人操作19:04 什么是Outbound Sales：5%的人有明确购买需求，65%有需求但没去找20:54 Outbound六七步：画像→找客户→补全数据→触达→建信任→约会→签单23:34 SDR的日常：每天发几百封邮件被拒绝，存活不超过两年——非常不适合人做24:18 AI没法陪客户喝咖啡，人也没法24×7分析全网——必须结合24:55 四个Agent：Search→Analyst→Outreach→Optimization28:30 L1到L5自主权分级：像自动驾驶一样，用户自己选autonomy level29:00 美国上市企业客户案例：Agent分析展会所有参展商，分三级推荐——"销售绝对干不了"31:33 V2到V3的范式转移：不再比搜索精度，目标是成交33:00 Autonomy Control：竞品agent越权多花60%credit——企业软件必须care安全37:40 Sales Agent赛道：全球1亿B2B销售人员，1.3万亿美金市场，比Coding Agent大两倍38:40 Agent to Agent的未来：销售用agent，客户也用procurement agent42:12 商业模式：V3转按结果收费，不再按席位44:04 亚洲市场：企业密度和付费不如北美，但认知滞后是机会45:27 出海三板斧不work：技术多、大客户、价格便宜不是海外的沟通方式46:50 销售的第一原则：Sell by not to sell，核心是建立信任，be authentic and honest

Lizzie Zhang，在新加坡做了12年互联网产品经理，从音乐APP到韩剧流媒体到全球招聘引擎到出海社交平台，一路做C端。最近这家公司是一家东南亚头部的出海社交平台，全球2000+员工，她从0到1把产品做到了百万美金级月收入。2023年开始转向AI+社交，做过AI塔罗占卜、AI虚拟伴侣、AI红娘、AI NPC、AI社交撮合。这期聊了三件事。第一，中国出海公司和西方互联网公司做产品的根本区别——不是build product，是build service。第二，AI社交产品的实战经验——陪伴型和引导型bot的设计逻辑完全不同，以及一系列违反直觉的"反效率设计"。第三，AI时代产品经理这个角色会变成什么——入门门槛更高了，但最后剩下的人可能不叫产品经理了，叫AI builder。Highlight：→ 产品经理的mentor告诉她：做产品不是ship feature，feature推出去就有运营成本，不要做feature creep→ 加入中国出海公司的culture shock：西方做的是product，中国做的是service——背后有庞大的运营体系→ 中国互联网充分竞争催生了角色细分：用户运营、商业化运营、平台运营、产品运营、增长运营、内容运营→ 社交产品的本质：Status as Service——人是追求社交地位的动物，你在哪个场域最容易获得社交资本，你就会被吸引过去→ AI社交三种bot类型：陪伴型（体验驱动）、引导型（行动驱动）、撮合型（连接驱动）→ 反效率设计：AI回复越短，用户聊天轮次越多→ 反效率设计：让AI下线制造"它很忙"的拟人感，用户反而更珍惜互动→ 反效率设计：检测连续问句并强制改写，避免AI像审问→ 引导型bot的核心教训：时机比内容重要——在用户最需要的时候出现，而不是每30分钟扫描一次→ 更像真人的人设转化率远超fancy人设——用户不想跟一个有光环的虚拟角色聊，想跟和自己差不多的人聊→ 日本AI红娘插入双人对话降低了私聊频率——日本用户对私域非常敏感，第三方在场他就不说话了→ "被看到"不等于"被回应"或"被理解"——是经验的共振和情绪的激发，AI目前做不到真正的共感→ 但下一代人可能不care——如果从小就和AI对话，没有"AI是机器"的偏见，信号够足就能感觉被看见→ AI时代产品经理的入场券变了：execution可以被AI取代，junior PM没有足够的练手机会了→ 最后剩下的可能不叫产品经理了，叫AI builder——管理者、纠偏者、coach，驾驭AI而不是被AI替代Timeline：00:00 开场：Lizzie，新加坡12年产品经理00:20 第一份工作：音乐+游戏APP的co-founder式角色，发现自己喜欢C端产品02:57 Mentor的影响：做产品不是ship feature，feature有运营成本04:42 Rakuten Viki：韩剧流媒体+粉丝社区，把弹幕引入西方用户06:33 Indeed：experiment culture，一切以数据说话，所有PM都会SQL07:37 加入中国出海社交公司：culture shock——西方做product，中国做service10:12 中国互联网充分竞争催生了运营岗位的极致细分11:32 中国公司的ROI思维：7天打正、30天打正、180天打正12:53 社交产品和其他C端产品的区别：Status as Service理论15:05 社交资本驱动付费：你在哪个场域获得最多地位，你就去哪15:57 台湾蓝领用户案例：线下没社交资本，线上变大哥大姐17:10 社交产品的组局逻辑：组局者、消费者、魅力者、普通参与者19:04 做了哪些市场：台湾、泰国、印尼、中东、越南、南美21:02 从0到几十万DAU，6-12个月跑通商业化23:05 转向AI：从AI塔罗占卜开始，逐渐做AI社交模块24:31 AI产品和传统产品最大的区别：AI在产品里的角色定义——能力升级、新能力、新角色28:35 产品经理核心能力有变化吗？两类PM：业务视角型vs craftsmanship型31:57 AI产品经理需要懂技术到什么程度？从需求出发学最快33:47 不同类型bot的设计逻辑：虚拟陪伴型——沉浸感和真人感37:25 虚拟伴侣赛道竞争激烈，她选择做撮合和提效40:26 引导型bot的关键：意图把握、推进力度、被拒绝后怎么挽尊41:22 引导型bot最难：日本红娘插入私聊降低频率的教训44:10 时机比内容重要：深夜在线1小时无消息的孤独用户，效果最好46:32 更像真人的人设转化率远超fancy人设48:06 反效率设计：AI回复越短用户聊越多、连续问句改写、打破哈哈循环52:07 AI陷入pattern的真实案例：虚拟伴侣只做动作不说话了53:02 Anthropic论文：Claude内部的功能性情绪——方法论演员为了演好角色需要进入情绪状态56:10 AI alignment和peer protection：模型给合作过的模型打分偏高59:37 AI能让人感觉"被看到"吗？被看到≠被回应，是经验共振和情绪激发1:02:45 下一代人可能不care：从小和AI对话，没有"AI是机器"的偏见1:03:58 AI时代PM还有必要吗？execution被取代，junior PM入场券没了1:06:26 最后剩下的人可能叫AI builder：管理者、纠偏者、coach1:08:38 收尾

杨凯，连续创业者。多伦多大学数学系，Geoffrey Hinton的学生，亲历了AlexNet开启深度学习时代的那个瞬间。哈佛统计硕士，华尔街对冲基金做量化交易。回国后在企业服务领域连续创业——会小二（线上会议预定，获客成本从2000+降到800）、魔音智能（语音技术，YC中国，融了300万美金，比飞书早一年推出会议纪要产品，后被大厂免费碾压）。现在在新加坡做Arros AI，为招聘平台和企业提供AI招聘基建，ARR超过100万美金，是东南亚头部的AI招聘技术供应商。上个月刚被纳斯达克上市公司YY Group任命为首席AI科学家。这期聊了两个核心问题。第一，"找人"和"找信息"有什么不同——Google用关键词index网页，但人是一个非常复杂的object，关键词解决不了。第二，龙虾（agentic AI）为什么是真正的范式变化——不是因为技术牛，是因为人越来越懒了。Highlights：→ Hinton教给他最重要的一件事：好奇心→ "LLM不过是大三学过的autoregressive model，只不过做得很深"——万变不离其宗→ 量化交易和AI招聘的共同点：都是信噪比问题，都要capture true signal→ 会小二获客成本从2000+降到800：线索分类+场地自动匹配+减少人力→ 魔音智能比飞书早一年推出产品，飞书免费碾压——中国enterprise SaaS至今没找到scalable商业模式→ 从AI招聘玩家转身为AI招聘基建——每个招聘公司都在谋求AI转型，卖铲子变成最大机会→ 用关键词index信息很简单，用意图index人很难——简历里写了LLM不代表他是做LLM的→ "龙虾就是下一个AlexNet"——用户越用越懒，一旦习惯对话式交互就回不去SaaS→ AI时代做产品最稀缺的：对需求的理解。技术门槛在降，客户究竟需要什么才是亘古不变的问题Timeline：00:00 开场：杨凯，连续创业者，Arros AI做AI招聘基建，ARR超100万美金01:30 多伦多大学数学系，Hinton的学生，当时深度学习还没成为显学02:13 AlexNet出现的震撼：海量数据+神经网络的大力出奇迹03:43 Hinton教给他最重要的一件事：好奇心和探索精神05:21 "LLM不过是大三学过的autoregressive model"——底层原理没变，做得深度不可同日而语06:58 从Hinton到Google到Transformer到OpenAI：一个连锁反应07:53 哈佛统计→华尔街量化交易：和AI招聘的相通性——信噪比问题09:40 离开华尔街回国创业：问题scope不够大，想做更大影响力的事10:40 第一个创业项目：会小二，线上会议预定12:31 怎么把获客成本从2000+降到800：线索分类+场地自动匹配+减少人力14:33 第二次创业：魔音智能，疫情期间爆发，语音转录+会议总结15:46 几个月上百万用户，融300万美金16:10 但飞书免费碾压：提前一年推出产品，大厂全部免费17:12 做大企业客户：一个订单一两百万人民币，但要消化一年，第二年就压价18:22 两年前重新回海外市场做招聘18:37 "中国做SaaS"：consumer有商业模式，enterprise至今没找到scalable模式20:03 为什么第一个场景选招聘：cofounder是招聘行业15年的专家21:24 找人的难度：关键词搜不出来的东西太多——"中国背景"怎么用关键词搜？24:19 纳斯达克上市公司YY Group投资Arros AI并任命杨凯为首席AI科学家——合作怎么发生的25:27 从AI招聘玩家转型为AI招聘基建：不竞争，供应弹药27:08 每个招聘公司都在谋求AI转型——卖铲子变成最大机会28:19 产品迭代三个阶段：①AI native招聘流 ②技术标准化供应 ③agentic AI，界面越来越少31:09 Ellen亲测龙虾产品找人：先锁定数据库→特定标签搜索→分段跑数据31:51 这个设定的原因：agentic AI需要及时反馈，sourcing耗时长，分批汇报提升体验33:03 龙虾打开了SaaS做不到的空间：对话式交互没有界面限制，功能可以无限集成35:21 recruiter用龙虾：organizational chart mapping、sourcing、自动发WhatsApp/LinkedIn36:43 用户越来越懒：所有due diligence都在龙虾上发生，懒得用Google懒得敲字38:36 龙虾是真正的产品范式变化：一旦习惯对话式交互就回不去SaaS41:05 "龙虾就是下一个AlexNet"——我们看到了agentic AI巨大的潜力41:28 Ellen的类比：Google用意图搜索重新组织信息，你们用算法重新还原人42:07 人是复杂object：简历里写了LLM不代表他做LLM，可能只是招LLM的recruiter44:17 AI作为communication tool：LinkedIn是世界上最大的通讯录，AI成为未来的Connector44:52 千人千面：不是针对场景做profile，而是先做完整的profile consolidation，再按需求抽取48:16 数据和算法哪个更重要：硬币两面，巧妇难为无米之炊，但有数据不懂业务也不行50:05 统计学科班出身，理解底层原理有多重要：设计算法需要heuristic，需要理论逻辑支撑52:35 AI能做什么不能做什么：大量还是实践出结论，做hypothesis→training→rigorous evaluation54:42 "技术怎么实现不重要，关键是看好不好用"——技术是实现手段，最终为用户体验服务56:42 AI时代做产品最重要的：对需求的理解。技术门槛在降，客户需要什么才是亘古不变的问题57:55 人变得越来越复合：engineer变产品经理，产品经理变engineer，还要懂市场懂推广

Allen史大侠，物理系出身，从Hitachi硬件产品经理入行，因为一堂UX课找到方向，先后在滴滴做AI应用产品，在Roblox做AI与内容安全，经历过A轮到上市的各种阶段。现在全球各地做产品教练和增长顾问，帮AI创业公司找product-market fit，助力多个团队实现迈向千万级用户增长，突破融资瓶颈，缩短从 0 到 1 的验证周期。这期最有料的不是大厂经验本身，是他对"品味"的定义、对跨国增长的方法论、以及对AI时代产品经理角色的判断。他说品味不是永恒的——是你在特定的场景和时空背景下展现出来的深刻理解。他说最好的增长不是投广告，是找到市场自然而然就有的momentum。他说AI时代不需要产品经理是假命题——当生产力足够简单的时候，决策才是最重要的事。Highlight：→ 一堂UX课和一堂SEO课改变了他的方向→ 从时间、地域、文化、生命周期多个维度重塑商业模式，而不是从单一路径看→ 滴滴顺风车事件后AI团队的机会：从安全出发，做到客服体系→体验体系→ "最好的体验是你不要告诉我还需要操作，你帮我解决掉就好"→ Roblox从来不觉得自己是元宇宙公司，内部没有任何文档用过Metaverse→ 给小孩做产品：不要臆测他们喜欢什么，足够大的自由度+不要太多干预→ 鱿鱼游戏在Roblox上爆红——几百上千个用户自制版，这才是UGC的力量→ "你找得出各种不红的道理，但找不出它红的道理"→ 日本B2B：终身聘雇制下高管需要确定性极高，所以consultant文化全世界最强→ 做顾问的初衷：公司内部做创新业务的团队是最孤立最可怜的→ 筛选合作产品三个标准：自己要用、教育成本低、迭代速度快→ "品味就是你对一件事情看得非常深刻"→ AI时代不需要PM是假命题：决策才是产品经理最重要的事→ 最好的增长是市场自然有momentum——选题比做feature重要→ "你应该做一些以前做不到的事情，那才叫需求，不然那叫规格"Timeline:00:00 开场：Allen史大侠，全球AI创业公司产品教练和增长顾问00:59 从物理系到产品经理：一半同学去了台积电，但我知道我不想做什么02:38 入门产品是从UX开始的——一堂UX课和一堂SEO课05:05 电影平台创业：定位没确定清楚时，投广告和产品转化都不会好06:14 "持续滚动数百种中美商业模式和文化做匹配和测试"是怎么养成的07:40 日本、美国、东南亚同一个产品发展路线完全不同——Brex的例子11:27 从多个维度重塑商业模式：时间、垂直领域、生命周期、文化地域11:42 加入滴滴：为什么选滴滴而不是字节或美团13:58 顺风车事件后：安全链路成为AI团队的切入点15:54 千万级日活，载的不是货是人——安全和体验的平衡16:57 智能客服的本质不是处理客诉，是当下解决情绪和问题17:45 AI在滴滴像内部创业——十几个项目里选题、排序、配资源20:03 AI语音交互：怎么知道做得好不好——事件触发的渗透率和scenario-specific的效用22:10 "最好的体验是你不要告诉我还需要操作，你帮我解决掉就好"23:03 加入Roblox：当所有互联网效率到瓶颈，注意力流向娱乐24:24 打电话给美国姑姑叔叔，不会用智能手机的人说Roblox是好公司25:15 从安全和推荐切入——AI对Roblox效率生产帮助很大25:25 滴滴的AI经验哪些可以迁移到Roblox：事前事中事后的框架大部分复用29:51 给小孩做产品vs给成年人：task-oriented vs discover-oriented31:00 Roblox的增长引擎：足够大的自由度+不要臆测用户喜欢什么32:08 Roblox从来不觉得自己是元宇宙公司33:01 鱿鱼游戏爆红：几百上千个用户自制版——UGC的力量35:27 Roblox的principle：足够大的自由度，不要太多干预37:16 内容出海vs工具出海：游戏语言无国界，但文化内容有迁移路径39:24 "你找得出各种不红的道理，但找不出它红的道理"——要把权力还给当地创作者40:44 跨国增长方法论：个人观察+在地访谈+统计数据+过去经验41:02 日本市场：ToC难做，ToB要理解终身聘雇制下的决策逻辑45:47 日本B2B的增长渠道：为什么户外广告这么重要49:07 为什么从甲方转做顾问：公司内部做创新业务的团队是最孤立的51:40 如何在公司做内部PIVOT——需要客观第三方帮内部发声53:21 和Plaud、Monica(Manus前身)合作经验：category创新+附着渠道是关键57:00 筛选合作产品的三个标准：自己要用、教育成本低、迭代速度快1:00:30 AI时代不需要PM？假命题。决策是产品经理最重要的事1:01:39 钟摆效应：PM从少到多再到少，核心始终是洞察+决策1:04:09 "品味就是你对一件事情看得非常深刻"——Granola的例子1:06:18 新加坡AI创业公司三大需求：融资、招聘、增长1:07:01 最好的增长是市场自然有momentum——选题比做feature重要1:08:56 太多团队技术很强但遗漏了市场洞察——不要快速做feature然后靠营销1:11:30 "你应该做一些以前做不到的事情，那才叫需求，不然那叫规格"1:11:43 为什么还要亲自做用户研究：帮团队发现以前做不到现在能做到的事1:15:15 用户访谈两个关键问题：重新做你会选什么方向+有没有更适合我们的人1:17:00 为什么叫史大侠：喜欢全世界跑来跑去研究

Jasmine，常青藤毕业，过去六七年帮中国消费品牌出海东南亚，同时一直在做内容产业——从传统电影电视剧到短剧、漫剧。投过国内顶流大IP。今年开始深度参与一个大IP的运营开发，直接把自己扔进了AI+影视的一线战场。这期最有意思的不是AI技术，是人。Jasmine发现90%的技术创业者觉得AI可以完全替代创作者，90%的创作者觉得AI什么都不是。但私底下，技术团队的作品离不开人的校准，创作者偷偷在用AI写剧本。她在中间做mediator——把互相看不顺眼的人摁到一张桌子上，让大家用同一种语言讨论同一个问题。她说AI时代最难的不是技术，是人。创作者的抵触不是对技术的rejection，是对"有一天会被替代"的恐惧。而她作为一个"啥都懂点的文科生"，在这个时代反而找到了自己最确定的角色。Highlight→ 90%的技术创业者说不需要导演了，90%的创作者说AI什么都不是——但私底下双方都在打自己的脸→ 创作者偷偷用AI写剧本，技术团队的作品离不开人的校准→ AI在讲故事方面还是"生成"而非"创作"——用户engaged的是情节发展，不是视听语言→ "80年代的feelings"——导演说了一个词，工程师完全听不懂。她的工作是"中译中"→ AI的干预反而拉长了项目前期的时间——世界观设定上AI和创作者有很大冲突→ AI时代最难的不是技术问题，是人的问题——创作者的抵触本质是对被替代的恐惧→ 她的方法：循序渐进，从小任务开始让双方建立信任，严格把控不让话题滑向"AI会不会取代人"→ AI帮她把脑子里模糊的画面可视化了——这件事提振了她做IP运营的信心→ IP开发在国内一直做不起来：说了多少年学Disney学Marvel，但没有真正有生命力的长线IP跑出来→ 投内容这么多年，投的还是人。但现在会多看一个维度：创作者对技术的心态和学习能力→ "文科理科是人为分出来的。我啥都懂点，做串联者和调停者，这就是我的核心竞争力"→ Claude让她感受到人文关怀——adaptive、像人、会challenge她，不是在舔→ Amanda Askell构建的"亚里士多德式人格"让她觉得Claude有底线有标准→ 不管做消费还是内容，她一直在做离人最近的东西→ 内容的价值永远在，变的只是媒介和载体Timeline00:00 开场：Jasmine自我介绍——消费出海+内容产业+IP运营02:02 AI+影视的一线：你在调和什么矛盾？03:14 90%的技术创业者觉得不需要导演了，90%的创作者觉得AI什么都不是04:10 但私底下，双方都在打自己的脸05:42 mediator的角色：让互相鄙视的人坐到一张桌子上06:44 你能get things done的根本原因是什么？07:25 "80年代的feelings"——导演和工程师完全说不通08:13 她的工作是"中译中"：把抽象的感受可视化传达给技术团队09:32 AI对影视冲击到了什么阶段？10:03 宏观层面：大制作项目被默契地搁浅了，技术发展冲击的是行业信心11:45 微观层面：AI已经介入得更深了，纯AI漫剧已经能赚钱13:31 创作者的core identity被动摇：AI传递的是谁的意识？15:22 AI是在"生成"不是在"创作"——这两个词有subtle的区别16:30 干预、影响、替代——三个词的区别17:32 替代：现在AI很难讲好一个故事，用户engaged的是情节不是视听20:00 干预的负面例子：AI参与世界观设定，和创作者产生冲突，反而拉长了项目周期25:06 建立common language是最难的——各方只关注自己擅长的部分28:46 大家喜欢跳过"问题"阶段，直接要做事情30:21 创作者脆弱的自尊心：AI时代最难的不是技术问题，是人的问题31:42 抵触的本质是恐惧，不是对技术的rejection32:05 她的方法：循序渐进，从小任务开始，严格不让话题滑向"AI会不会取代人"33:14 AI给出不够精确的方向，反而帮团队确定了真正该做的事35:43 AI消解了创作者的焦虑——各方都看到AI确实不是什么都能做36:08 开发IP的本质是什么？国内IP行业和美国的最大区别37:44 国内跳过了原始手搓阶段，直接进入了AI介入的阶段39:11 AI帮她把脑子里模糊的画面可视化——这件事降低了做IP运营的决策门槛40:45 回到文科生背景：纯文科生，双学位国际关系+经济42:33 AI时代文科生应该如何自处？43:29 文科全女生团队做出海，AI极大提升了团队效率，没有造成冲击44:54 给文科生的建议：不要抵触，机会大于风险45:23 为什么是Claude？adaptive、像人、会challenge、有底线47:21 Amanda Askell的哲学：亚里士多德式人格，Claude有人文关怀49:14 消费出海和内容影视的相通点：一直在做离人最近的东西51:03 human dies, ideas last51:16 回国入海：业务反而扩大了，从东南亚到澳洲日本欧洲52:31 回国更卷了，但只愿意为真正感兴趣的事情熬夜53:15 作为投资人，判断标准变了吗？53:55 变的：不再愿意投制作周期3年以上、回报周期5年以上的大项目55:13 不变的：投的还是人。内容的价值永远在，变的只是媒介56:16 现在多看一个维度：创作者对技术的心态和学习能力56:54 最后一个问题：AI时代一个人最重要的品质是什么？57:06 跨学科能力。不要把自己困在文科生理科生的标签里57:37 "我啥都懂点，做串联者和调停者，这就是我的核心竞争力"

曹亮，微软七年，从on-premises到云到低代码，经历了企业软件的三次大迁徙。2020年出来创业做Component.app——用模块化+AI的方式让企业软件开发变得更快更便宜。两年里产品重构了三次，每一次都是因为大模型又进步了，他又要问自己：我们做的这个东西还有存在的价值吗？这期最有意思的不是产品本身，是他看大模型的方式：大模型本质上是基于概率的计算，不具备逻辑思考能力，不具备创造未来的能力。所有Agent的存在，恰恰证明了大模型本身是不够的。但他又说，自己必须不断站在大模型的角度来推翻自己——如果大模型再进步一步就能取代我，那我现在就得改。一个创业者最难的事不是坚持，是敢于否定自己。Highlights→ SaaS行业方向走偏了：开发成本占20%，销售成本占80%，价值倒挂→ 定制开发的市场规模比SaaS还大，说明定制才是主流需求→ "Do you believe in it?" "Yes, I believe." ——离开微软创业的那个瞬间→ 产品两年重构三次：每次大模型进步，就问自己还有没有存在的价值→ 大模型本质上是基于概率的计算，不具备逻辑思考能力→ 我们做这么多Agent，恰恰因为大模型没有逻辑能力→ 大模型非常依赖已有数据，不具备创造未来的能力→ 大模型当工具很好，当人还不够——你不能把事情交给它就不管了→ 前端页面放心交给AI，但软件工程架构还是人来→ Lovable们站在大模型车轮前方一点，很可能被碾过去→ 大模型能力增长边际递减，但工程化能力还能让它再发挥很长时间→ 软件不会消失：操作数据、交互数据、呈现数据最好的方式还是程序→ 东南亚撑不起大的企业软件市场，未来要往发达国家走→ 失败的将领都在想怎么赢对方，而没想对方怎么赢我→ 宁可把公司关掉，也不要在错误的路上justify自己Timeline00:00 开场：让企业软件开发变得更高质量和低成本00:57 微软七年：从on-premises到云到低代码的大迁徙02:35 整个技术迁徙的趋势：ERP→互联网→SaaS→AI04:06 SaaS行业方向走偏了：开发成本20%，销售成本80%05:12 SaaS的第二个问题：标准化产品满足不了个性化需求06:17 定制开发的市场规模比SaaS还大08:48 为什么技术在进步，企业软件体验还是那么烂11:45 微软推低代码产品PowerApps的经历12:22 "Do you believe in it?" ——离开微软创业的那个瞬间13:38 2020年开始创业：先做低代码产品代理和服务15:16 发现低代码产品的挑战也很多，决定做自己的产品16:01 Component.app的诞生：模块化组装的想法17:02 第一次重构：AI+模块化17:10 第二次重构：更向AI native演进17:26 第三次重构：在模块化基础上贴近大模型能力18:08 为什么选择模块化：企业软件不需要100%代码控制22:14 大模型出来后：一直在试图用大模型推翻自己23:04 "如果自己不推翻自己，将来一定会被别人推翻"24:44 "如果这东西没价值，今天就把公司关掉"25:00 大模型处理不了什么：软件工程和企业业务逻辑27:01 企业软件需要协作，不能经常报错27:19 大模型当工具很好，当人还不够28:11 第三版迭代：凡是能用大模型的全部用大模型29:05 哪些放心交给大模型：前端页面，但加了工程化控制30:11 1%出错时AI自己修不过来，要引入另一个模型检查30:48 哪些绝对不交给大模型：一直在挑战自己这个边界32:25 大模型本质上是基于概率的计算33:07 大模型不具备逻辑思考能力，所以我们才需要Agent34:36 大模型非常依赖数据，不具备创造未来的能力35:28 vibe coding平台Lovable、Cursor怎么看36:11 它们的价值10-20%是工程化，80-90%是大模型本身36:46 Claude Code出来后，大厂的人都转去用Claude Code37:52 站在大模型车轮前方一点，很可能被碾过去38:30 两年前的预测：大模型能力边际递减——90%说中了40:04 超出预期的：Anthropic在代码训练上的进展40:40 工程化能力+大模型，接下来两三年还会很惊艳41:28 Component.app的业务进展：产品在快速迭代43:13 和SaaS时代的创业方法论不同：需要做很多基础性工作44:25 把业务翻译成产品架构，这个能力AI暂时替代不了45:17 客户案例：一个完全没有软件概念的人开始用Claude Code46:48 未来的人才结构会根本性改变47:37 未来还需要App吗？软件的本质是操作数据49:03 AI交互效率其实很低，程序才是操作数据效率最高的方式50:03 东南亚能撑起企业软件市场吗？——比较难51:32 加一个人还是加一个软件？取决于人均GDP52:38 未来路线：先新加坡，再往发达国家走53:36 最后一个问题：你不停反对自己的习惯是怎么来的54:10 "一个人停在那个位置，一定是能力不足的那个位置"55:27 读战争史的训练：失败的将领都在想怎么赢，没想对方怎么赢我55:59 "宁可把公司关掉，也不要在错误的路上justify自己"

郭一辰(YG)，Berkeley本科，花旗投行四年，Harvard MBA，现在新加坡创业。他之前几乎没怎么做过SEO。两年后站上了全球顶级SEO大会做分享。他做的事说起来很简单：帮公司从ChatGPT和Google上获客。做起来不简单：用AI批量生成上千个网页，覆盖所有搜索意图，让你的产品被AI推荐。这期聊了很多行业里没人敢说的话。Highlights→ 一句话：让ChatGPT和Google推荐你的产品→ 花旗投行四年练出的Excel思维，成了AI创业的起点→ 客户不在乎你的工具多牛，他只在乎结果→ "会跑步和跑得过刘翔是两回事"——别拿Claude硬干专业的活→ 没做过SEO反而是优势：老兵转不过弯，新人赢了→ 如果一个SEO机构说能保证流量，多半是诈骗→ 国内GEO被315整治，问题出在搜索引擎生态本身→ GEO的下一步：不只给人看，还要给AI看→ 眼花缭乱的AI新技术？三年后有意义的就那一两个→ ChatGPT爱拍马屁因为它是ToC，Claude不会因为它是ToBTimeline00:00 开场：帮公司从ChatGPT和Google上获客01:30 产品转服务：客户要的是结果，不是工具02:30 批量生成网页的逻辑：覆盖所有搜索意图03:50 表格的起源：花旗投行四年的Excel自动化05:20 为什么现在反而不给客户看表格了06:15 用Claude也能生成网页，为什么还需要CapGo？07:40 "会跑步和跑得过刘翔是两回事"08:30 从写代码工具转向SEO：转化率最高的场景09:40 没做过SEO，两年后站上全球顶级大会11:00 服务中国头部AI公司：他们更理解变革13:55 方法论：全覆盖搜索意图 + 数据驱动保证质量14:15 UGC SEO：原创性内容是排名的关键15:40 国内GEO最大的坑：保证流量的多半是诈骗17:45 国内vs海外：灰色软文生态 vs 官网透明规则19:35 315整治GEO厂商：问题出在生态本身20:40 GEO是风口还是趋势？23:35 下一步：GEO不只给人看，还要给AI看25:45 每月100个网页×10种语言的数据逻辑27:50 前七八个月上量，之后重在优化28:40 未来搜索引擎：SEO和GEO会融合31:00 GEO和AEO是一回事，别被新词骗了34:00 别押宝framework，大部分是死胡同38:30 没变的：自动化一切。变了的：表格可能被自然语言跨越42:30 AI的记忆问题：它知道什么时候该用记忆吗？46:15 ChatGPT拍马屁 vs Claude不推产品：商业模式决定产品行为关于Capgo AI：https://capgo.ai/YG的小红书：哈佛YG用AI

二十年技术老兵、前上市公司CTO、知乎美食优秀答主、经济学硕士——翁伟大概是新加坡AI圈最不像程序员的程序员。本期对话里，他分享了用AI替代整个技术团队独立开发一年的真实体感：为什么AI越快他反而越慢，为什么学得够慢反而能避开技术泡沫，以及他对MCP等热门概念一直保持距离的判断逻辑。我们也聊到了AI对社会结构的冲击——翁伟认为这一轮革命的影响将超过此前所有工业革命的总和，凯恩斯百年前的预言正在兑现，而新加坡需要做一只"五脏俱全的顽强麻雀"，在应用层做强全链条，而不是追逐大模型本身。一期横跨技术品味、经济学思维和地缘判断的对话，从煮饺子为什么要三点水，聊到新加坡在中美之间该不该选边站。Highlights→ AI 时代的 CTO：以前管几十人团队，现在付个订阅费，做一样的事→ 为什么 AI 越快，他反而选择越慢→ "学得够慢，很多东西就不用学了"——如何避开 MCP 等技术泡沫→ 品味不是天赋：从《C++的设计与演变》到煮饺子三点水→ 美食、技术、经济学的底层能力是同一个：抽象建模→ 凯恩斯百年预言正在兑现：这次 AI 革命超过此前所有工业革命总和→ 新的社会问题不是多寡，而是不均→ 新加坡要做"五脏俱全的顽强麻雀"：做强应用层，而非追逐大模型→ 新加坡的生死问题：能不能继续不选边站Timeline00:00 开场：不懂美食的 CTO 不是好的键盘侠03:00 从一线程序员到上市公司 CTO 的二十年04:30 AI 如何替代整个技术团队：以前叫同事写代码，现在叫 AI 写08:00 反直觉：AI 太快了，所以我选择放慢速度10:00 技术品味：为什么对 MCP 一直保持距离11:20 "学得够慢，很多东西就不用学了"11:45 什么是技术品味？先从美食说起——你得吃得够多12:50 改变技术观的一本书：《C++的设计与演变》14:10 煮饺子为什么要三点水？第一性原理的日常实践16:15 跨界迁移力：法国大厨的厨房管理和技术团队管理是一回事17:45 为什么在做到 CTO 之后去念经济学硕士20:25 经济学的核心能力——抽象建模，和技术、美食相通22:00 经济学两大流派：structural vs reduced form，因果性 vs 相关性25:55 用收入支出比研究新加坡生活成本——为什么没人做过这么简单的事30:55 这一波 AI 的范式转变：不是技术问题，是经济学问题31:50 AI 革命的影响将超过此前所有工业革命的总和32:15 "旧工作消失、新工作出现"是一厢情愿的惯性思维34:25 凯恩斯百年预言：生产力过剩时代，社会伦理需要推倒重来35:00 推崇进化，反对革命：希望变革来得慢一点37:20 Abundance 理论 vs 现实：问题不是多寡，而是不均39:45 "AI 是个文科生"——从文字接龙理解大语言模型50:40 新加坡在 AI 时代的角色：一只五脏俱全的顽强麻雀51:20 李光耀的时代是李光耀的，不能搞"两个凡是"52:45 新加坡的生死问题：还能不能继续不选边站53:40 小国的生存法则：不要想自己能得到什么，要想能为别人创造什么56:15 新加坡应该聚焦应用层，做强全链条，认真考虑核能58:15 收尾：反求诸己，保持主体性