离线时间

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