2026-10-09 12:29:56
2015 年，郭宇在字节第一次见到由神经网络驱动的产品；十年后，他在东京一个人用 Agent 做出三十多个产品，随后陷入倦怠。这期 INDIGO TALK，我们从抖音如何意外胜出聊起，谈到 Vibe Coding 背后的决策负担、Agent OS、智能的五个层次，以及软件为何会像牛奶一样便宜。当软件随时生成、用完即丢，我们真正要交付的是什么？最后，当工作不再是必选项，年轻人该如何选择？欢迎收听
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
嘉宾
郭宇 - 字节跳动前资深员工 / 退休程序员
时间戳
这篇文章沿着对谈的脉络，从字节往事讲到工程师角色的转变，从 Agent OS 讲到智能的分层与商品化，最后落在一个看似遥远其实已经到来的话题上：当工作不再是人生的必选项，我们，尤其是年轻人，该怎么活。
早在大语言模型出现之前，字节跳动就已经是一家由神经网络驱动产品的公司，连工程师自己也无法完全解释系统为什么这样运作。
郭宇的科技职业生涯始于 2011 年的支付宝。2013 年 4 月，他在支付宝内部的一次分享会上第一次接触到比特币，当时价格正好是 100 美元左右。那一年也是中国移动互联网真正爆发的起点：功能机向智能机迁移，大量南方科技城市的从业者涌向北京，他在支付宝的不少同事也纷纷跳去做移动应用开发，或者加入 OPPO、vivo 这类智能手机品牌。
2014 年，因为一些个人生活上的转折，郭宇下定决心北上，加入朋友在中关村苏州街的创业公司，团队做的是多说和图虫，晚上直接在办公室打地铺。有意思的是，这家公司的部分投资来自微博基金，而当时 Indigo 正在微博负责平台业务与投资，两人那时并不相识，多年后在这期节目里才把这段交集对上号。也正是因为微博早期同样投资过字节，这层关系成为了后来被收购的契机。
2014 年 12 月，郭宇接到沈振宇的电话，说今日头条想收购他们。他的第一反应是："什么是今日头条？"那时没人知道字节跳动这个名字。当年北京满街都是有意思的创业公司，36氪、刚起步的 Keep 都比头条更 Fancy；头条虽然刚完成 1 亿美元的 C 轮融资（Indigo 补充说微博当时也参与了这一轮），但在年轻人里用的并不多。并入之后团队里甚至有员工待了几个月就走了，觉得这家公司"不太靠谱"。
真正让郭宇意识到字节与众不同的，是一个小故事。张一鸣要求员工把自家产品推荐给亲戚朋友，郭宇有位亲戚装了今日头条，对某类新闻特别反感，就点了"不感兴趣"。可几天后，类似新闻依旧出现在首页。郭宇去找推荐算法的工程师反映这个 Bad Case，对方的解释让他大为惊讶：他们其实也是调参工程师，每次实验设定的召回策略并不能百分之百拦住这类内容，他们自己也说不清系统内部到底是怎么运作的。
"某些代码就已经是跑在一个 Black Box 里面，就像现在普遍的神经网络驱动的大语言模型一样，你不知道它具体是怎么样工作的，你只能通过实验来不断地改进，去逼近你想要得到的效果。" [05:45]
这正是今天所有人面对大模型时的处境，只不过字节在十年前就已经习惯了。在郭宇待过的支付宝和他了解过的创业公司里，没有一家的产品是由神经网络驱动的；而在字节，产品和业务被拆成一个强大的业务支撑部门（当年叫中台）和一个强大的商业化部门，推荐算法是贯穿一切的引擎。
Indigo 在这里插了一段微博的花絮，正好形成鲜明对照。同一时期微博也在改进信息流，但用的还是偏人工的规则算法。微博的根本难题在于它是关系网络优先，和今天的 X 一样，关注关系非常重要。一旦用推荐算法过滤内容，用户就会投诉："我关注的人发的东西为什么看不到了？"微博在推荐流和关注流之间来回拉扯了很久，最终没能做好。两家公司的分野，某种程度上在那时就已经注定：一个是从社交关系出发，一个是从算法出发。
不过郭宇也提醒，文字和图片类的推荐产品即便依赖神经网络，它能覆盖的受众和能达到的效果，远不及后来的视频推荐。2015 年对字节来说其实是很艰难的一年：还没有抖音，头条的 DAU、MAU 和留存都进入了瓶颈，大批员工离开。
抖音的成功并非事先押注的结果，而是在与火山小视频的长期内部竞争中，凭借出色的"用户泛化"胜出。
很多人以为字节从一开始就把宝押在了抖音上，郭宇说事实并非如此。张一鸣最初想做的是一个更大众化的视频推荐产品，所以大量资源投给了定位面向大众的火山小视频。抖音在 2016 年起步时只是一个很小的团队，名字也不叫抖音，而是叫 Z，产品形态非常像 musical.ly。
转折出现在收购 musical.ly 之后。Alex（朱骏）加入，产品形态和背后的推荐引擎都得到了显著增强。抖音和火山的竞争反反复复持续了四五年，最终抖音完成了一件关键的事：用户泛化。
所谓泛化，用郭宇的话说，就是把一个 18 岁到二十多岁年轻人爱用的产品，慢慢变成一个 7 岁到 70 岁都能用的产品。当抖音完成了这一点，火山原本要承担的历史任务也就被抖音完成了，两者最终合并。2016 年 12 月，团队做了十几个月的抖音和火山陆续推出，到 2017 年，字节的整体境况才真正得到大幅改善。
这段时间郭宇一直在中台，支持的业务换得很快。他做过视频直播，参与过当年风靡一时的答题直播产品《百万英雄》，字节在央视春晚相关的节目上投了大量资源，用户可以在手机上实时答题赢取百万奖金。后来他长期负责所谓的 Micro Runtime，也就是跑在抖音和 TikTok 里的小程序引擎。游戏和各种 JS Bundle 可以动态发布上去，你刷着视频、刷到广告，再往下刷可能就是一个能直接玩的小游戏，这套东西最早就是郭宇做的。
他把自己定位为一个技术执行者：在头条多年，一直没有带团队，也不想带。
当连字节这样的"应用工厂"都难以获得新用户时，郭宇判断移动互联网周期已经结束；一场疫情让他意外地在日本开始了新生活。
2019 年，有一个数据让郭宇印象很深：从外部拉一个新用户进来，成本已经高达 50 多元人民币。连字节这种 Retention 做得极好的"App 工厂"都很难再拿到新用户，他意识到，这个时代他能做的事情基本都做完了。
2019 年年中他决定离开，离职交接拖了大约半年。2020 年春节，他回家后去日本旅行，结果疫情爆发，国际旅行中断，他再也没能回到北京，连电脑交接都是同事们半年后回京才帮他办完的。他就这样在日本办了长期居留签证，后来拿到永住，一直生活至今。
其实早在 2019 年想离开时，郭宇就列过一张表比较各个目的地。新加坡是很多字节老员工的选择，主要是为了转变税务身份，但他在深圳长大，不喜欢热带气候。加拿大也是他早期很认真考虑的选项，如果当时选了加拿大，疫情期间的快速移民通道他大概率就走了（Indigo 补充，那时几乎所有人都通过了）。最终他选择东京，是因为综合评分更高，而且当时他已经决定离开科技行业，去过一个普通人的生活。
在他看来，科技行业的机会主要是北京的机会，而那一轮移动互联网周期已经基本结束。直到 2022 年底 AI 浪潮再次爆发，他真正的休息时间其实只有两三年，而这两三年恰好被疫情覆盖。
"离开字节是一个蛮机缘巧合的事情，它不是一个那么完整的体验，因为疫情的打断。" [11:13]
Indigo 认识郭宇正是在那段时间，2021 到 2022 年的 Clubhouse 上。Indigo 回忆，疫情期间他自己也开始在 X 上写作，当时最强烈的感受是整个时代突然加速了：居家办公、新的治疗方法，尤其是 SpaceX 的火箭回收。他的合伙人们 2019 年投资 SpaceX 时，纯粹是为了星辰大海，甚至觉得"这事肯定不太靠谱"。再往后，2022 年 11 月 30 日 ChatGPT 诞生，美股市场一下子被 AI 拉了起来，两人也在 X 上因为美股和 Crypto 互动多了起来。
AI 接管编码之后，工程师并没有变轻松。一个人要扛起过去一整个小队的决策负担，这才是倦怠的根源。
Indigo 梳理了这几年的脉络：2022 到 2024 年是 Chatbot 时代；2025 年年中，Andrej Karpathy 提出的 Vibe Coding 开始流行，大家在 Cursor 里写代码，再往后走向完全自动化的编程。他注意到郭宇很快就进入了高强度的 Coding 状态，于是问：这一次的"实施"，和当年在字节当工程师时有什么本质不同？
郭宇的回答直指核心：最重要的变化是身份。编码能力被 AI 接管之后，工程师退位成了观察者。
在传统科技公司里，一个小团队决定做什么，以一到两周为一个迭代周期，设定目标、开发、设计、测试、发布、观察实验结果。有了 Agentic Coding 之后，这样一个周期可以被压缩到一两个人、半天时间完成。
听起来是解放，实际上是加压。你现在要同时是工程师、架构师、设计师，最重要的是产品经理。设计、架构、技术执行，AI 大多能帮你处理得很好，所以你必须变成一个善于提问的人。
"本质上是你要去约束语言模型的语言空间。你要知道以什么样的语言和它沟通，可以得到你想要的结果；你需要知道什么样的语言结构，可以让它持续地推进这件事情。" [16:30]
这里有个很好的类比：过去写代码像是你亲手砌墙，现在像是你站在工地上指挥一支永不疲倦的施工队，但图纸、优先级、哪面墙拆了重砌，全得你来决定。而且因为 Agent 在 Loop 里不停地跑，你还要知道它如何根据实验结果自我调整方向。写代码于是从一种相对简单的脑力活动，变成了一种复杂得多的脑力活动。
为什么 AI 不能替你做这些决策？郭宇认为，不仅因为它缺少上下文，更根本的是它没有主动的意图。没有意图，就无法替你做所有决策。现在火热的 Personal Agent 在拥有足够丰富的上下文之后，能不能从"给建议"走到"主动决策"，他不确定，至少现在还做不到。
结果就是心理负担的暴增。郭宇观察到，从 2025 年 10、11 月到 2026 年两三月，身边很多工程师朋友都出现了 Burnout：他们废寝忘食地工作了两三个月，完成了过去一两年的工作量。
"人类的大脑消耗的能量很低，它也没有办法跟上 AI 的速度。我们面临要做太多的决策，会影响我们的植物性神经，让整个人变得很焦虑，没有办法平静下来去真正地思考问题。" [18:30]
倦怠之后，包括郭宇在内的很多工程师都在重新思考两个问题：什么事情真正值得做？我们应该以什么样的节奏和 AI 协作？
观点碰撞：要不要做计划？
在这里两人出现了一段有意思的分歧。Indigo 分享了自己最近一个多月的体会：他想把自己的知识管理、交易和信息管理工具做成产品发布出去，发现当年在微博带产品团队时那套写 Spec、写 PRD 的方法依然有用。文档不必像过去那么精细，但把思考理清之后再交给 AI，交付结果的可用性会比直接让它跑好得多。所以他习惯先和 AI 讨论出一版执行方案，再让它执行，Planning 在前。
郭宇则走得更远。他提到，Claude Code 最近已经取消了计划模式，因为 Agentic Coding 本身已经足够强。过去你可能会先花半小时把所有 Spec 计划得非常详细，然后一次性跑完；而现在大家更希望它能 24×7 不间断地运行，这种持续运行本身就能覆盖你过去想计划的所有事情，"因为我们能想到的东西其实没有 AI 那么多"。他最近半年已经很少使用计划模式。随着 SOTA 模型和 Harness 不断进化，人类工程师也得不停适应，这本身就是倦怠的另一个来源。
Indigo 坦言，如果不和 AI 一起讨论实施方案，他会缺少掌控感。有些事情可以往上抽象一层，代码怎么写他完全不管，但 Business 层的逻辑他必须清楚。所以他常常让 AI 做完之后，再让它把思路讲给自己听，"让它教我"。郭宇则表示自己最近放手放得更多。这两种姿态其实代表了当下人机协作的两种节奏：一种是保持在 Loop 里理解系统，一种是退到目标层，信任过程。
推荐引擎让内容实现了千人千面，Agent 则让软件本身千人千面。当软件可以即时生成，软件的"分发"就失去了意义。
郭宇认为，比角色转变更重要的变化，是软件本身的性质变了。
他讲了一个通宵夜聊的故事。今年一两月份，他的好朋友东旭已经能同时控制几百个虚拟机，连续跑一整晚去完成一件大事，一天消耗几十亿 Token。东旭当时说，他觉得靠这种矩阵式的 Agent 网络，可以做出任何软件。
这让郭宇意识到，软件不仅形态结构变了，编码本身也变成了一种即时行为：为了完成某个任务、达成某个目标而写，用完就可以丢，或者只给自己用。
"以前我们以 AI 驱动的推荐引擎，是把我们做好的软件的内容面向所有人做到了个性化。但现在连软件本身，你都可以完全 Customize。你的软件是你的软件，我的软件是我的软件，我们互相之间的软件可能并不兼容，也没有必要去做兼容。" [22:50]
这个对比很精妙。十年前，大家用的是同一个今日头条，只是看到的内容不同；今天，大家可能连 App 都不是同一个了。
郭宇自己花了三四个月 Vibe Coding 了三十多个产品，很多没有发布。他起初觉得这和在字节没什么区别，当年作为应用工厂，也有很多产品胎死腹中，或者上线后没达到 ROI 被砍掉。但他后来发现，自己仍在沿用上一个时代的思路：为那些不会写代码的人做软件。
这件事正在被所谓的 First Class Harness 瓦解。郭宇的定义是：由 SOTA 模型实验室亲自打造的第一层 Harness，比如 Claude Code、Codex（郭宇提到现在已并入 ChatGPT），以及 DeepSeek Harness（DSH）。它们的进步已经把大量软件需要完成的功能内化了。你想用它搭一个 CRM 或者各种管理系统，两分钟、五分钟、十分钟的事。对于这类需求，把软件做好、放进应用市场分发给大家用，已经有点失去意义了。
操作系统的下一步，是从"以应用为中心"转向"以 Agent 为中心"；未来我们租用的计算资源，很可能都是由 Agent 操作的 Virtual Agent Server。
如果软件的意义在改变，那互联网和操作系统的下一步是什么？郭宇注意到，已经有人在基于 Linux 做全新的发行版，把 Agent 而不是 Application 当作一等公民，让 Agent 来操作整个系统。不过一个新操作系统要补齐基本的 OS API 和复杂应用的功能，需要很长时间的积淀。
所以 OpenAI 走了另一条路：买了大量 Mac mini，用来训练下一代模型操作这些 Mac。他认为这条路相当合理，因为 Mac 本身就是一个非常好的 Unix 发行版，在创意和影视制作等领域有极其成熟的工具和软件生态。
由此他描绘了一个近未来的图景：你在手机上用的东西，连接的其实是一台远程的 Mac，可能是你家里的那台，通过 OpenAI 的 Tunnel 或者你自己的 Cloudflare Tunnel 连回家，或者连到你在东京的服务器上。从更长远、比如五年的尺度看，这台被远程操作的计算机一定会特化，变成某种专门的 Linux 发行版。今天你租一台机房服务器，要自己装 Ubuntu、装一堆软件；以后，所有算力租用都可能变成 Virtual Agent Server，一个 Agent 操作整个系统，替你完成要做的事。
Indigo 用自己最近在玩的 Grok Bot 补充了实感。它背后的 Linux 环境很有 Agent OS 的味道：有小浏览器、有文件管理器、有终端，你想看可以进去看它在干什么，但大多数时候根本不用打开，跟 Agent 说就行，所有 Agent 共享这一台 Computer。他还做了个实验：在家里的 MacBook 和 Mac mini 上都装了客户端，云端那台电脑就能知道这两台设备的存在，在一台上发指令就能经由另一台的客户端去访问它。于是云端虚拟机做总协调，两台本地机器参与执行，资料全部打通，而他自己一行命令都不用敲。
郭宇则分享了 Codex 从二月起就支持的两种远程能力：一种是传统的 SSH 端口控制，另一种是通过 Codex 自身的 WebSocket 连接穿透内网，让你从任何机器甚至手机控制所有计算资源。OpenAI 并没有把它当作卖点宣传，但功能一直都在。郭宇自己的机房有好几台裸金属服务器，现在他连买机器都可以交给 Agent：购买后服务商会把初始 root 密码发到 Gmail，Agent 读到密码，登录、装上自己的密钥对、删掉密码，之后一切都由它自己运维。
但第一次这样做时，他心里想的是另一件事：
"如果 OpenAI 被攻击了，或者它的连接被劫持了，其实就变成世界上最大的肉鸡集群。因为你可以通过一个 Agent 来操作数十万甚至上百万不同的计算资源。" [29:55]
当所有人都通过 Agent 管理电脑时，中心化的 Agent 通道本身就会成为一个巨大的安全单点。这是 Agent OS 图景里不能忽视的暗面。
不是每个人都需要最强的模型，而是需要最合适的模型。智能正在按场景分层，从个人便利、个人生产力、企业协作、娱乐生成，到科研探索。
Indigo 把话题拉回用户界面：交互层正在变成 LUI（Language User Interface），每个人让模型为自己生成需要的界面。但这里有个 Gap，做过产品和技术的人知道怎么描述需求，普通人未必。
郭宇认为需求是分层的，并举了 Meta 最近发布的 Muse 为例（目前仅对美国用户开放）。它要解决的是普通人的简单需求：自动打电话订餐厅、在陌生国家旅行时预订东西、管理各种信息。它不需要一个单独的 App，而是集成在 Instagram、WhatsApp、Messenger 这些 Meta 已有的通讯渠道里，围绕 Agent 把所有沟通串起来。过去你要用一堆软件拼出一条工作流，现在不需要工作流了，说出你临时的需求，它就不断处理直到达成目标。
郭宇对此深有体会。他今年三四月做过一个替人打电话的产品，发布后有不少葡萄牙语、西班牙语用户在用（Indigo 说自己也用过并推荐给别人）；后来他又做了一个想把电话、邮件和各种沟通全部集成、交给 Agent 自动管理的产品。可到了快十月，超级应用已经把这些基础功能内置了。这再次印证了上一节的判断：特化软件的分发，正在变得没有必要。当然，更复杂的创造仍然需要围绕 Claude Code、Codex 这类 SOTA 模型来做。
顺着这个思路，Indigo 给出了他的五层框架，起点是一句判断：大家并不需要最强的模型，可能只需要最合适的模型和最合适的场景。
第一层是个人便利型，像 Muse 这样把日常连接和琐事集成起来。第二层是个人生产力型，写代码、做创作，用的是 Claude、Codex 这类有更强界面的模型。第三层是企业生产力协作，比个人更专业，需要 Agent 融入企业工作流，比如让模型直接学会用 Mac mini、用 Linux，把企业里的系统串起来，对模型要求更高。第四层是娱乐生成，Indigo 认为这是字节的强项：Seedance 配上红果短剧平台，AI 生成、人类消费，已经形成内循环；BytePlus 还做了面向海外创作者的工具，把视频生成模型的售卖和整套创作服务打包在一起。小游戏、互动游戏可能都不再需要人来做，品牌和专业创作者生成内容，通过社交平台的信息流分发；随着头显设备普及，字节和 Meta 这两家都在押注元宇宙的公司会占据入口优势，"之前的元宇宙只是诞生太早了"。第五层是科研探索，需要最顶尖的模型，而这类模型模型公司可能根本不会公开，而是和药企、研究机构签年度框架协议并做利润分成，国防订单大概也是类似形式。
郭宇在此基础上补了两块。
一是企业采用仍然很尴尬。微软刚发布了面向企业工作的新形态，把 Office 的层级降到 Agent 之下，让 Agent 去操作 Office，Copilot 实际上变成了一个操作系统（品牌名仍然保留）。微软想加速以 Agent 为核心的自动化工作流在企业中落地，但企业依然迟疑：它们知道可以裁员省钱，却不知道如何围绕 Agent 重建整个组织的信息流和资金流。One Person Company 和小团队会自然而然地拥抱它，大企业（包括日本企业）则顾虑重重，因为没人能为这件事负责，只有 CEO 和董事会能拍板，中层看到了机会也不敢动。他们甚至不敢用 DeepSeek 这类中国模型，担心内部信息被蒸馏、被泄露给其他企业。
二是他称之为现场 AI 的一层：最便宜、最快的模型，用于高度自动化的场景，比如管理农场和工厂。这类场景必须依赖边缘计算，因为一个摄像头一天要处理的信息量太大了。比如一个牧场要识别哪头牛跑出了栏，你不可能把所有图片都传给 OpenAI，只能用极便宜的模型在本地 24 小时运转。
把这些放在一起，郭宇给了一个投资视角的定位：
"在 2026 年 10 月这个时刻，AI 对人类社会、组织结构和商业的影响，仍然处于非常非常早期。我们虽然在加速，但能做到的事情可能只完成了 2%、3%。" [39:30]
AI 是一张白纸，只放大有想法的人；而对大众市场而言，AI 生成内容会走向完全竞争，智能本身终将像牛奶一样便宜。
Indigo 观察到，AI 的用户分布也停留在早期：先用上的是 Pro User，那些活跃、爱学习、爱研究的人。原因在于 AI 不像游戏或传统软件那样把按钮摆在你面前，它是一张白纸，你得先有想法才能启动它。而大多数人上班领导派活、干完走人、回家躺着看电视，没有想法，也没想过怎么提需求。
于是 AI 呈现出明显的两极：对 Pro User，它是十倍放大器，一个人能做三十多个应用、管理上百台 Agent Server，相当于过去五六十人的公司；而从 Gemini、ChatGPT 的各种调研来看，大多数用户仍然把它们当作更方便的搜索引擎。按人群分布，可能也只有 2% 到 3% 的人能成为 Pro User，剩下的人需要另一种 AI 来填满时间，这正是字节在做的事。
郭宇对这条路的商业前景持保留态度。消费娱乐一直是字节的核心中的核心，靠抓取注意力、用广告变现。但像 AI 短剧这类产品，盈利方式仍不确定。即便形成了闭环，你付钱给 Seedance 生成视频，再上传红果让别人付费观看，在经济学上它也会变成一个完全竞争市场：总有人用更便宜的 Token、花更多时间做更多实验，把价格压低，直到售价只比生成成本高一点点，再扣掉算力和电费，利润微薄到没有意义。
"如果一个市场是完全竞争市场，它最终的定价就会和成本几乎没有任何差异。" [42:30]
Indigo 接过话头：这就是硅谷现在很多人相信的，智能会变成 Public Goods，彻底商品化。郭宇用了一个很贴切的比喻：
"我们去超市买牛奶很便宜，是因为有大量集中化的工厂在生产牛奶。把软件看成是牛奶，未来我们获得任何软件、任何帮助我们达成目标的东西，它的成本都会变得像牛奶一样便宜。" [42:50]
所以郭宇的重心正在转移：从创造软件，转向思考软件本来要达到的那个目的。
在新范式下，与其急着沿用旧思路做软件、找用户、搞分发，不如像早期字节那样，花时间观察，等待环境真正成熟。
郭宇坦言自己现在有些迷茫。前段时间他在新加坡和尤雨溪聊了半小时，对方把创业公司卖给 Cloudflare 之后同样有些倦怠，在想下一阶段做什么。除了回归个人生活和家庭，郭宇觉得需要想得更深一些，比如观察三到六个月，再决定把最重要的精力放在哪里。
这让他想起字节自己的历史。字节 2012 年成立，用了两年验证第一个想法：推荐系统在图文上能否奏效。2015 年 3 月在冲绳的年会上，大家讨论的最重要的话题，是整个环境终于让人们愿意用手机流量看视频了，视频推荐因此进入成熟期，值得一试。
"如果我们没有进入一个成熟的环境，用户不知道要怎样使用我们的产品，我们还按照十几年前的创业思路去做软件、去触达用户、把软件分发给他们，这件事情本身是不是就没有太大意义？" [44:45]
话题由此转向下一代。郭宇说他很羡慕现在的小孩，他们生在这个时代，没有包袱，压根不会想"我要做个东西卖给谁"。Indigo 也聊起自己刚上大学的孩子：没什么赚钱的念头，更享受自己的爱好，以前喜欢地理就天天研究、天天做东西，在 Reddit 上的社群感很好。生活压力消失之后，下一代可能会更多地顺着兴趣社群走。郭宇补充，日本在泡沫经济之后就进入过这样的社会状态，而 AI 可能把全世界的下一代都带到这里；如果真像 Elon Musk 说的那样，十到十五年后人们不再需要钱、机器人干所有的活，这种状态就很可能成真。
在 AI 内容泛滥、信噪比极低的时代，真人本身成为最稀缺的差异化；我们交付的不再是软件，而是媒体。
Indigo 分享了自己的思考。他今年在硅谷见了太多不靠谱的小公司，做的都是模型的边角余料，正如郭宇所说，软件不用存在了，这些功能也就没有价值。但他认为有一样东西会越来越重要：人和人之间的连接。
"人和人的情感连接，在 AI 智能化越来越发达的时候会越来越强。我真的想看一个活人在这里讲自己的东西、做分享，这会很有趣。" [46:50]
他给自己定了一个小目标：把自己产品化，或者说把自己的 Attention 产品化。他大量的思考会被 AI Agent 自动整理成可以阅读、可以分享的内容，社群成员甚至希望他直接开放 API，让他们的 Agent 去读他的 Agent 写下的东西，完成又一次信息传递。他想交付的，是把自己的注意力交付给别人，形成思维碰撞的连接，就像这期节目一样：两个人把注意力高频集中再释放给观众。
"这就不是软件，这就是媒体。Software is media, everything is media。你每生产一个 Vibe Coding 产品，那个动作、那个结果都是 Media 的一部分。用户拿过去消化完，满足了，就跟刷了一个短视频一样，明天还想再看你发一个。" [48:10]
这样的内容会围绕某个主题形成 Community，比如美股和一级市场，人们依然愿意在里面和人交流，KOL 依然会出现。
郭宇用 Zara Zhang 的例子呼应了这个判断。她不是程序员出身，却做了很多 Keynote 相关的产品，在网上很火。她发过一条推特：想让初创公司的产品 Demo 获得更多流量，唯一要做的就是真人出镜介绍产品。郭宇的解释是，AI Slop 越来越多，任何人都能用 AI 造出想要的东西，信噪比变得极低；在内容极度丰富的时代，真人出镜本身就是最大的差异化，前提是你出镜得足够好，不能乱说。
接着郭宇讲了一个字节内部的经典案例，揭示了这种差异化背后的机制。抖音每隔一段时间就会冒出一个完全不知名的素人，被推到全网流量中心，往往是因为他在冥冥之中 Hack 到了推荐算法里最符合人性的部分。字节有专门的团队对抗这种行为。最经典的技巧是在视频字幕里故意写错别字。郭宇起初以为是为了规避审查，后来才发现是因为加了错别字之后完播率会大幅提高：大家会回头去看那个字到底是不是写错了。这个技巧很快被识别并屏蔽，但工程师永远不知道创作者下一次会怎么 Hack，因为算法虽然是他们造的，他们也只是调参工程师，无法干预其内在逻辑。
"不管我们是分发 AI 的内容还是分发真人的内容，本质上也是在 Hack 这种心智模型的流量。现在 AI 内容多、真人内容少，你做得杰出，在前期流量池的实验效果就会更好，你会被投放到更大的流量池里去。" [51:40]
由此郭宇回到了他自己的核心问题：我们到底在分发什么？是软件，还是通过软件讲述的故事、建立的个人品牌，抑或借个人品牌达成的商业目标？过去从 A 到 B 到 C 到 D 的顺序，现在可能整个倒过来了。
"如果我们可以绕开软件而达到这个目的，也许我们就不需要软件本身。如果我们所有的目的都是通过智能达到的，那我们有智能本身就足够了。" [52:35]
他用娱乐行业来说明：对大多数人而言，目的就是消磨时间，无论看短视频、看红果的 AI 短剧还是刷 TikTok，最终都是消耗时间，中间的产品形态并不重要。抖音之所以抢走了腾讯一大块份额，是因为打游戏就没法看短视频，看短视频就没法打游戏，长视频也是一样。所有娱乐产品看起来形态不同，对用户时间的争夺却是直接的。推而广之，如果把工作和人生目标都看作目的本身，那么 To B 软件、工厂软件、个人 App，中间软件的形态是什么，也许根本不重要。
这场变化像珍妮纺纱机一样改变了达成目标的手段；而当基本需求被满足、时间被释放，日本平成一代的生活方式或许预示了全人类的下一站。
郭宇把这场变化比作工业革命，比如 18 世纪的珍妮纺纱机：最终目的是制造衣服，用人手还是用机器根本不重要，达到目的就行。Indigo 顺势指出，人的目标层次在上移：以前目标是写软件，现在只需要提要求，让 AI 把界面做出来，或者干脆没有界面，把事情从 A 搬到 B 就完成了。那么在 Agent 极度发达的时代，人的目标感和意义会变成什么样？
郭宇讲了一个他刚"退休"到日本时的故事。他常开车出去玩，有一天开到千叶的九十九里滨，看到很多人在冲浪，而那天是工作日。后来他才知道，日本有相当多年轻人不再做正式工作，而是做アルバイト（临时工）。在他们看来，临时工自由，收入和正式员工差别也不大，这主要得益于日本贫富差距很小，做什么工作收入都差不多。于是他们做三休四：一周打三天工，剩下四天去冲浪，去做任何想做的事。
"当你的物质欲望极低，或者你所有的需求都被这个社会满足的时候，你就可以自由自在地追寻任何你真正想做的事情。这些事情有可能是你的兴趣，也有可能因为长久的兴趣变成了你的事业。" [55:50]
他举了奥运会的例子：日本有些滑板之类项目的选手并非传统意义上的职业运动员，只是因为从小到大常年的兴趣积累，有了专业的经验和技巧，然后选择去参加奥运会。这不像 F1 车手那样需要巨额投资才有回报，而是兴趣导向的自然结果，也是所谓"平成废宅"社会发展多年之后很重要的一个体现。
当然郭宇也承认，对大众而言，大部分人还是会想着怎么消磨时间。但在大众之中，总会有比例足够的一小部分人借助 AI 极大地提高生产力，从绝对数量上看会比传统教育时代多得多，而且更加平等。过去出生在乡村的小孩没法接受标准的大学教育，想做软件也做不到；现在只要他愿意改变自己，就能得到他想要的东西。
他借用了字节内部一直讲的一个哲学概念：如果你把抖音看成信息茧房，天天沉浸在想看的东西里，你当然会变成废物；但如果你把它看成面向更大世界的一扇窗，主动调教你的推荐算法，你就可以学任何想学的东西。他记得抖音上有个西部偏远山村的孩子，特别喜欢走秀，就用塑料和破布做衣服，在农田里走秀，靠不断发视频，最终真的去了米兰走秀。
"在传统的时代，你无论再怎么传播你的想法，也只会被你的同胞和乡亲认为是神经病。但是有了这样的工具之后，你可以利用它登上更大的舞台。AI 也是一样的。" [58:00]
郭宇认为，我们这一代人的童年属于上个世纪，难免有思维定势；下一代没有这些包袱。从比例上看大众依然会消费娱乐，但 AI 带来的变化太过巨大，哪怕只是一小部分人，也会创造出爆发性的生产力和创造力，"我们会看到很多以前想都没想过的东西"。
Indigo 则更愿意把它称作一次文艺复兴。就像十四、十五世纪，生产力突然提升，贵族们花大钱供养门客和艺术家，科学和艺术一同繁荣。日本的平成一代已经经历过类似状态，只是成因是经济模式而非 AI；而现在，全球的下一代都会因为 AI 带来的生产力提升而拥有更多时间。
这是一把双刃剑：时间变多，可能意味着找不到工作。但贫困的底线也在不断抬高，"你现在再差，也比 300 年前的国王过得好，你什么电子设备都有"。Indigo 认为，上班这件事从工业革命开始存在了一百多年，也应该在智能革命之后消失。人会分化：一部分人无欲无求，刷短剧、玩游戏也能活下去，只要不危害社会就好；另一部分人，那些 Think Different 的人，人类这个物种里总有这样的人，否则我们早就灭绝了，他们会抓住这次 AI 文艺复兴。
"我们现在有了无限可能的工具。你只要有无限可能的想法，你就可以做无限可能的事情。" [61:55]
他设想，再过一两年，只要你脑子里有足够的能动性和人类独特的创意，与 AI 混合，就能做出大量的作品，也就是 Artifact，或者全新的媒体形态；有了这些作品，认同你的人会迅速聚成 Community，一起参与创作。社会结构可能从"进入公司去工作"，变成"Pro User 创造媒体，许多人围绕媒体建立社群，形成循环的小世界"。所以，社交媒体依然重要。
不要再把工作当作金饭碗；短期的焦虑，是在逃避一场长期的滑坡。
最后 Indigo 请郭宇这位"创业被收购、提前退休、又撞上 AI 革命"的过来人，给年轻人一些建议。
郭宇先描述了两类年轻人。一类很焦虑，觉得很快会失业，或者根本找不到工作，因为 AI 带来的降本增效让企业的职位变少了，对未来感到渺茫。另一类是还没遇到这个问题的孩子，他们对 AI 充满兴趣，以前做不了的玩具和游戏现在自己都能做。这两代人恰好处在边界上，是 AI 对现实生活影响最具标志性的两代。再往后，比如现在两三岁的孩子长大时，AI 已经是再熟悉不过的东西，就像老人用微信、他们用 QQ 一样司空见惯。
对于正被迫找工作的人，他最重要的建议是：不要再把工作当作人生宝典和金饭碗，不要把工作视为必选项。不工作，你面对的选择是无限的，这在短期会放大焦虑，因为你不知道自己要干什么。
"但之所以你选择了不工作这件事，其实是在逃避一个长期的滑坡。" [65:00]
他用投资做了一个类比：一只股票被套牢时，你要决定的不是卖出的具体价格或者亏多少，而是两件事，第一，有没有更好的机会；第二，它是不是正处在一条非常非常长的下坡雪道上。如果工作本身就在长下坡上，守着它才是最大的风险。
他讲了父亲的故事。改革开放后，很多在国营企业或单位工作的人想南下深圳、广州"下海"，却害怕一种今天的人难以理解的风险：工龄会消失。所以他父亲南下时，每个月专门花几百块钱办停薪留职，担心闯荡失败还得回来。结果几年后，那座矿山倒闭了。东北的朋友对此感受更深，下岗工人实在太多了。
所以第一步是转变思路。不把工作当作核心目标，短期会焦虑，但长期看这个选择无疑正确。当然这也要看工作内容：如果是去沉闷的单位端铁饭碗，或者为此去考研，他觉得根本没必要；但如果你有能力加入前沿的 AI 实验室，成为创造这一切的人，那份工作值得去做。
至于不工作之后怎么探索世界、怎么赚到想要的收入，郭宇给了一个非常具体的建议：去南方看看，看看深圳人是怎么面对这一切的。他读大学时有两个潮汕室友，2010、2011 年那会儿根本没想过毕业去上班，因为家族观念就是"宁可做个小老板，也不给人打工"。他们自己也说不清这个观念从何而来，但它一代代传下来，已经成了刻在脑子里的思想钢印。
"他觉得打工永无出头之日。这个想法我觉得放在 AI 时代很受用：做自己的老板，做自己的 OPC。如果你不知道怎么做自己的老板，去深圳看一看。" [68:20]
Indigo 补充，美国的湾区和旧金山也是这样的地方。他特别认同股票那个比喻：守着一直下沉的股票，真正昂贵的是机会成本。放弃之前先选好能上涨的方向，再调过去，"投资最重要的就是不要丧失机会成本"。
把这期对谈放在一起看，会发现一条贯穿始终的暗线：黑箱、注意力与目的。
2015 年，字节的工程师已经在和一个自己也解释不清的系统共处，靠实验逼近效果；十年后，所有使用大模型的人都处在同样的位置。区别在于，当年只有推荐工程师需要这种心态，如今每个用 Agent 干活的人都需要。郭宇和 Indigo 关于"要不要做计划"的分歧，本质上就是面对黑箱的两种姿态：一种是保持理解与掌控，一种是在目标层上信任过程。可以预见，随着 Harness 继续进化，后者会越来越可行，但前者所代表的"判断力"并不会因此贬值，反而会成为区分 Pro User 与普通用户的关键。
第二条线是注意力。字节的商业本质是捕获注意力；Indigo 的 Everything is Media 是把自己的注意力打包交付；郭宇讲的错别字 Hack，则是注意力争夺战的微观样本。当软件和内容的边际成本都趋近于零，稀缺的只剩下真实的人的注意力和真实的人本身。这或许意味着，未来的"产品经理"和"内容创作者"会逐渐合流成同一种角色。
第三条线是目的。从珍妮纺纱机到 First Class Harness，手段在不断被替换，而人被逼着往目标层上移。这在个人层面是机会，在社会层面却带来真正的难题：当大多数人的目标是"消磨时间"，而只有 2% 到 3% 的人能把 AI 当作放大器，平成一代式的从容生活需要一个前提，即较小的贫富差距和完善的社会保障。日本的样本之所以成立，恰恰因为"做什么工作收入都差不多"。AI 时代能否复制这一前提，而不是把差距进一步拉大，或许才是"文艺复兴"能否真正惠及多数人的关键问题。
AI 并没有让工程师变轻松，它把一整个团队的决策负担压到了一个人身上。真正的瓶颈已经从写代码转移到提问和判断，而人脑的节奏跟不上 AI 的节奏，所以找到和 AI 协作的可持续节奏，与学会使用工具同样重要。
推荐引擎让内容千人千面，Agent 让软件千人千面。当软件可以即时生成、用完即丢，"做好软件再分发出去"这一整套上一代的创业逻辑就需要被重新审视。先问清楚软件要达成的目的，如果能绕开软件达到目的，就不必再造软件。
智能会分层，也会商品化。不是每个场景都需要最强的模型，而在完全竞争的内容市场里，价格终将逼近算力成本。智能会像牛奶一样便宜，稀缺的会是意图、判断和真实的人。
在 AI Slop 泛滥的时代，真人出镜、真实的思考和人与人的连接成为最强的差异化。你交付的每一个作品，本质上都是媒体，而围绕媒体会长出社群。
对年轻人而言，最重要的不是找到一份稳定的工作，而是判断自己是否正站在一条长长的下坡雪道上。短期的焦虑是为避开长期滑坡付出的代价；如果不知道怎么做自己的老板，就去深圳、去湾区，看看那些从不打算打工的人是怎么活的。
注：本文基于节目字幕整理，引文为口语整理，已做轻度润色。
2026-09-21 12:18:59
AI 推荐的答案只有三到五个位置，没被推荐就没有流量。这期 Indigo Talk 请来了 HashMatrix 合伙人大罗，一位把产品做进 a16z AIGC 榜单的 SEO 老兵，拆解 AI 到底凭什么推荐一个品牌：训练数据与 RAG、一个问题拆成十几个 Query、投毒为什么正在失效。聊到最后，两人得出一个反直觉的结论：Agent 时代最被低估的增长杠杆，是活人社群和线下连接。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
主持：Indigo（温哥华）
嘉宾：大罗 Roger，HashMatrix 合伙人，负责搜索与 Organic Traffic 业务；前跨境电商创业者，AI 图像生成产品 ZMO 联合创始人
时长：约 76 分钟
大罗对 SEO 的信仰不是理论推导出来的，而是在 ZMO 这个产品上"一线感受"到的：一个 AI 图像生成产品，主要用户几乎全部来自搜索。
节目开头有个小插曲颇有意思。大罗和 Indigo 其实在很多年前就在北京理想国际大厦同一栋楼里工作过，一个在印象笔记（Evernote 中国），一个在微博。两人在温哥华重逢，如今一个在 Vancouver，一个在 Richmond，算是大温地区的邻居。
大罗的创业路径很典型地踩中了几个时代节点。2017 年他离开北京回到加拿大，一开始并不知道要做什么，索性做起了跨境电商，把 Home & Kitchen 类目做到了几个头部产品。但真正把他推向 AI 的，是女装类目里一个非常具体的痛点：拍照太难、太贵，要租 Studio、要雇模特。2019 年，他和几个合伙人想到，如果有一个 AI 能把衣服直接"套"在模特身上，这些成本就都省了。这就是 ZMO 的由来，一个在 2019 年就切入 AI 图像生成的产品，后来拿到了大约千万美元的融资。
Indigo 补充了一个时代背景：2019 年初切入，随后疫情来了，所有人都在网上买东西，模特拍片反而不方便，ZMO 正好站在了第一波浪潮上。ChatGPT 出来之后，ZMO 一度频繁出现在全球热门 AI 应用榜单上，包括 a16z 的 Top 50 AIGC 项目。
大罗对此的解释很直接："主要原因是因为我做 SEO 做得好了。" [07:05] 当时 AI Image Generator、AI Model 这些关键词，ZMO 都排在 Google 第一。他之前对 SEO 只是"稍微了解过"，但在 ZMO 期间彻底见识了 SEO 能带来多强劲的用户增长。后来项目转型，不断有朋友来问"你们当时怎么拿到这么多用户的"，几乎每天都有人问，他意识到这是一个真实存在的需求，于是和小庞、Jenny（两位都上过 Indigo Talk）一拍即合，成立了 HashMatrix，专门帮助出海产品在海外做流量和获客，大罗负责其中的搜索与 Organic Traffic 板块。
这段经历的意义在于：接下来所有关于 AI 搜索、GEO、Brand Mention 的判断，都不是一个咨询顾问的推演，而是一个亲手把产品送上搜索第一位的人在实战中形成的直觉。
核心观点：营销有上百个可以 Niche Down 的细分操作，但 AI 目前真正带来数量级提效的，是那些重复性强、流程多的工作，典型的例子是内容的多平台切片与再分发。
Indigo 抛出的第一个问题是双重的：HashMatrix 服务的很多客户本身就是 AI 公司，而他们又在用 AI 做营销，那么身处其中，AI 到底在营销里起了什么作用，能提效多少？
大罗先给了一个坐标系。营销是一个非常大的话题，细分下去有上百种具体操作和渠道，HashMatrix 主要聚焦四个方向：Search Marketing（搜索、SEO），Paid Marketing（Google Ads、Meta/Facebook Ads 这类广告），Social Media（自己做内容运营），以及 Influencer / KOL 红人推广。
在这些方向里，能用到 AI 的地方很多，但"真真正正提效"的，是那些相对重复、流程环节多的工作。他举了一个自己团队过去最耗时间的例子：做出一篇 Long Form Content 之后，要把它做成视频，视频要再切成大约 60 秒的小片段，片段还要再改写成适合各个文字平台的短文案，然后针对 Instagram、Meta、TikTok，根据目标受众可能还要覆盖 Pinterest，甚至 Tumblr 这种"特别上古"的平台，以及最近特别火的 Reddit 和 Quora。每个平台都需要定制化的内容，因为不同平台对内容有不同的倾向性。
在 AI 出现之前，这套流程需要大量人力，速度慢，效果也未必好。从一个内容做出来到分发到所有平台，通常要两到三周，这还是在有成熟团队的前提下，中间还夹着内容审批的时间。而现在，通过他们自己训练的 AI Workflow，5 到 10 分钟就能完成，"这个以前是完全不可以想象的"。[11:28]
Indigo 把这一点总结为：多平台的重复工作、内容自动剪裁、按照不同平台受众重新定位内容。他顺带引出了一个概念，后面会反复出现，那就是结构洞。他自己玩 X 比较多，X 的受众和 Instagram 完全不一样，Lifestyle、美妆类内容发到 X 上基本没人看。不同平台之间的这种信息差和受众差异，就是结构洞。"大家想做 Marketing，就是要发现不同平台之间的结构洞，你就很好去做增长。" [12:35] 这个词来自社会网络理论，指的是网络中两个群体之间缺乏直接连接的位置，谁站在这个位置上，谁就能套利。
AI 擅长在已有东西的基础上优化和调整，但让它"无中生有"地做出一个 Viral 的、Engaging 的内容，至少目前几乎看不到成功案例。解决方案是给足 Context 和 Harness，然后多生成几版挑选。
Indigo 接着问了反面：AI 做不好的是什么？
大罗的回答先是一个趋势判断：做不好的东西随时间推移"越来越少了"。早期连普通的内容生成都需要大量修改，现在通过调整 Prompt，加上新模型的能力，尤其是他提到的 Opus 4.7 和 4.6（他觉得 4.6 在文字上比 4.7 稍好），对文字的把控已经几乎可以在不需要人参与的情况下直接使用。
但有一条边界没有变：如果你需要它无中生有，就很难。已有的东西让它优化、调整，它做得非常好；但如果基于一个比较虚的概念，让它写出一个能 Viral 的内容，或者做出非常 Engaging 的 Content，难度就很大。在创意、在"有可能产生高 Virality 的内容生产"上，AI 做得好的例子"几乎没有"。[14:14] 反过来，只要你能给出明确的起点、终点和中间节点，告诉它要 Optimize 成什么样，这类 Instruction 型的工作 AI 都会做得很好。
Indigo 对此深有同感，并从读者的角度补充了一层：做营销文案很重要，而人对文字是非常挑剔的，AI 生成的东西"人还是一眼能看得出来"。两人还聊到了一个有趣的观察：Opus 4.6 刚出来时 Indigo 觉得它完全可以替代人写作，但 4.7 不知道做了什么，可能是把 Agentic 能力训练得更强、针对 Coding 做了强烈优化，结果说话就"有点机械味了"，更 Programmatic、更压缩。Coding 追求的是 Efficiency，代价就是少了一点人的感觉。当时已经有 4.8 的传闻，两人笑说"小心升级，拭目以待"。这段闲聊其实点出了一个真实的张力：模型能力的优化方向和"人味"之间，未必是同向的。
那么从零创作到底怎么用 AI？Indigo 分享了自己准备这期节目的方式：他把大罗的课程大纲、简历，以及自己想问的问题一起扔给 Claude，让它 Remix，能给出不错的内容；但如果只是单纯让它"从一个大纲生成另一个大纲"，就做不好。他的体感是需要给它结构、给足够多的 Reference，它才能从中找出结构来。
大罗把这套方法论提炼成两块。第一是上下文（Context）：它要做的事情是什么，框架是什么，哪些信息是重点、哪些不是。AI 经常"发散得比较厉害"，不给足信息它就会乱搞。第二是 Harness，这个词最近在 Agent 圈很热，但大罗指出它在内容生产层面同样重要：你一定要告诉它什么是好的、什么是不好的。你不能只说"给我生成一篇爆款文章"，因为 AI 自己并不懂什么是爆款。[17:30] 你要把爆款文章的风格、Title 怎么起、框架是什么、Headings 的结构、承上启下的方式、哪些文字模式容易增加 Engagement，都通过案例喂给它。这些给足了之后，产出质量会大幅提升。
Indigo 补了一个实操细节：AI 的好处是比人快，给足 Reference 它每一点都能触及到、快速形成连接，把零散的参考组合成看上去不错的东西。所以他一般让它生成三到五版，从中挑一个好的，"肯定不能只是一遍"。但也要有个终点，就像用 Midjourney 选图选到眼花缭乱，"有时候还是得有个终点"。
Indigo 在这一节结尾留下了一个伏笔：模型越来越强，我们参与得越来越少，"但是最后如果不参与的时候，我们价值在哪？" [19:20] 这个问题贯穿了后面整场对话。
传统流量入口有三种：搜索、平台推荐的信息流广告、人推荐的 KOL。现在出现了第四种：AI 推荐。行业唯一的共识是，它会成为极其重要的渠道，而 AI 给出的答案只有三到五个位置。
Indigo 先梳理了传统的流量结构。搜索是一种；广告是一种，包括 Google 的搜索广告和 Meta 的信息流广告（他以前在微博，对 Feed 广告很熟）；KOL 是第三种，本质上也是一种信息流，只不过一种是平台机制推荐的，一种是人推荐的。而现在，用户大量的时间都在聊天窗口里，AI 产生的推荐成了新的东西。他举了自己的例子：想买一台投影仪，直接问 AI，AI 推荐了极米，他真的就买了，上午下单下午送到。
大罗说，目前行业对这件事"唯一的共识"就是 AI 推荐将会是一个非常非常重要的渠道，没有人怀疑。随着时间推移，人们只会越来越多地通过 AI 获取答案，区别只是用哪个 AI：Gemini、Claude、OpenAI，还是国内的豆包、DeepSeek。他甚至认为 AI 可能会占领几乎所有的流量入口，传统入口如果不快速 AI 化就会被淘汰。
这一点在日常使用中已经能感受到。Google 迅速推出了 AI Overview，你搜任何东西，最上面先是一段 AI 总结的答案；再深一层是 AI Mode，点进去继续聊就是纯粹的对话界面。TikTok、Facebook、Reddit 也在做类似的事情，虽然 TikTok 没有把所有 Query 都开放，但搜得多了就会发现它也开始给总结了；小红书也在做。大罗的判断是：入口本身不会变，但 AI 会入侵到所有入口里去。[23:00]
这带来一个结构性的挤压。以前在 Google 上搜索，你会看一两页结果，自己总结；现在 AI 给你的回答是有限的，通常只提供三到五个 Recommendation 就结束了，你后续的 Drill Down 也是基于这三到五个展开。如果你的产品没有出现在这三到五个里面，那么正如大罗所说，业界现在的共识是："如果你没有被 AI 推荐，你可能未来就不会有任何的流量。" [23:40] Indigo 把它总结成一句话：现在有一个核心命门，就是你如何被 AI 记住。
Indigo 顺着这个思路给了一个技术圈的例子。用 Claude Code 的人都知道，让它推荐一个数据库、一个在线 API、一个开源软件，它会有默认的优先选项。未来大量的软件模块不是给人用的，而是给模型用的，这就出现了一个巨大的市场：让模型选择你，像选秀一样，"我凭什么被 Claude Code 选中，每天编码的时候第一个默认就用我"。他的猜测是，模型在强化学习训练时，哪个项目在 GitHub 代码库里出现最多、优化得最好，模型就会记住它。这是一个有数据、有反馈的领域。但对于买东西这类事情，你怎么被记住？他提到之前"315 曝光豆包投毒"的事情，结果是曝光之后大家的生意反而更好了，"大家一看这玩意真管用"，315 起到了反作用。
AI 推荐基于两种信息来源，训练数据和检索（RAG）。前者商业上几乎无法影响，后者本质上是 AI 在用 Google 和 Bing 搜索，但 AI 搜索和人搜索的最大区别是，它会把你的一个问题自动拆成几个到十几个 Query。这就是为什么 SEO 和 GEO 差别不大。
大罗坦言，AI 推荐的机制变化速度非常快，没有特别确定的答案，但按形式可以分成两种信息来源。
第一种是训练数据（Training Data）。模型在训练当前版本时用了什么内容，就会"记住"什么。但从商用角度讲，你几乎没有办法影响它，除非你已经很知名了，大量出现在它的训练语料里。
第二种是行内术语叫 RAG（检索增强生成）的东西。你可以把它理解成：AI 遇到自己不知道答案的问题时，会做一件我们人也会做的事，就是去搜。用什么搜？主要就是 Google，如果是 OpenAI 也会用 Bing，还有一些其他搜索引擎，但主要就是这两个。
关键在于 AI 搜索和人搜索的区别。人的搜索量是有限的，你想买一辆电动自行车，可能就搜一句 "What is the best electric bike for under 500 bucks"，一个 Query 完事。但 AI"就猛了"。它会根据当前用户的喜好、Location、以及之前聊天中积累的信息，自动把这一个问题拆成四五个、五六个甚至十几个 Query。如果是 Indigo 在问，它可能会搜 "best electric bike in Vancouver"，因为购买这个 Intent 背后隐含着本地购买；它会搜 "in 2026"，因为时间相关；它不一定搜 "under 500 bucks"，可能搜 "around 500 bucks"、"less than a thousand dollars"、"most affordable but reliable"。然后把这一大堆搜索结果组合起来，挑出它认为有效的东西，组成一段话呈现给你。
所以结论很清楚：你必须先能在 Google 和 Bing 上被搜到，才有可能被 AI 搜到。这就是为什么大罗说 SEO 和 GEO 差别不大。[29:10]
Indigo 在这里做了一个补充，把前面关于 Claude Code 的猜想和这套机制对上了。对于技术人来说，进入训练数据的路径是清晰的：在开源社区把项目做到最好，文档最清晰，对模型友好，被"引用"最多，就像写论文被专家 Refer 最多一样，模型自然会用你。这对 Geek 来说很容易理解和执行。大罗也认同：如果你的项目能被 AI 当作训练数据来参考，你本身其实已经很成功了。
Indigo 还分享了一个自己观察 AI 搜索的体感。他现在特别喜欢用 Grok 搜索，会强调让它优先看 X 上用户的正面和反面消息，后来 Grok 记住了这个偏好。他提到 Grok 4.3 有四个 Agent 同时干活，有的负责查、有的负责问、有的负责验证结果，"很明显的看到他在帮我组织问题"。这比单纯问一个问题要全面得多。由此引出的问题是：在这么全面、多方验证的搜索面前，你的东西怎么还能脱颖而出？以前 SEO 的玩法是写篇文章说自己很牛，天天在网站上发，Google"很傻"，权重慢慢就加上去了。他半开玩笑地问大罗："你们以前做 SEO 都这么干的，对不对？"大罗的回答是：对，而且现在还好用。
当前 AI 推荐的权重逻辑仍然是"出现频率越高越重要"，投毒本质上就是利用这一点。但模型正在给高权重平台和"很多人在说"更高的置信度。不过截至目前，没有任何大语言模型真正知道什么是真、什么是假。
大罗根据实战经验（他强调"不一定准确"）描述了目前的权重逻辑：你的内容出现的频率越多，权重就越高。所谓投毒，本质上就是把一个概念在多个平台上发布，这样 AI 一搜，假设搜到 100 个答案，其中 30 个都提到了你，从 Frequency 的角度 AI 就认为你很重要。这个逻辑现在"仍然是一个有效并且很重要的逻辑"。[32:40]
但随着越来越多人做这件事，大部分 AI 模型加入了新的判断机制。新算法会把更多权重给传统意义上权重更高的平台，比如 CNN、BBC 这种相对严肃的新闻平台，它们提供的信息置信度肯定比一个名不见经传、连流量都没有的小网站高。你很难把毒投到 BBC 上去。所以随着时间推移，"信息来源越可信，权重越高，出现在推荐里的机会越多"，这一点已经能明显看到。
另一个判断维度是：这是一个人在说，还是很多人在说。社媒平台上 Engagement 比较高的帖子，AI 也会采纳，但它会区分单人发声和群体讨论，后者权重更高。
不过大罗说了一句很实在的话："目前为止，没有任何一个大语言模型，至少在我们的实际测试中，真真正正知道什么是真的什么是假的。他没有办法去判断。" [34:40] 所以 GEO 这件事还有空间可做。
Indigo 提供了一个来自个人工作流的反例。他有一套 Telegram 接 Claude Code 的系统，经常把读到的文章扔进去，有时候 Claude 会告诉他这是一篇营销文章、标题和内容不符，然后从另一个角度重新解读，因为他之前给过 Context，要求"思辨地看"。这看起来像是模型有了一点判断真假的能力。
大罗的解释很精准：它只是从逻辑上判断，读文章结构，发现标题党和内容之间明显的冲突，它并不知道事实本身、没法去验证。如果文章写得粗制滥造、强行推荐、不符合逻辑，AI 现在比较容易看出来；但如果你很谨慎地做一个不太容易被看出来的东西，"AI 仍然还是比较容易能够被骗过，AI 还是很好骗的"。[36:10]
品牌在不同渠道、不同平台被提到的频率，与被 AI 推荐的可能性正相关。而活跃的真人社群几乎无法伪造，是中长期 ROI 极高的投入，也可能是唯一有机会进入训练数据的有效路径。
Indigo 问了一个很好的问题：AI 进入这个时刻之后，对一个产品的增长来说，现在最被低估的能力是什么？是数据优化、内容分发、品牌价值，还是用户社区的反馈？
大罗的回答把整场对话推向了高潮。随着越来越多人用 AI 搜索，有一个特别重要的点：你的品牌在不同渠道、不同平台被提到的频率，和你被推荐的可能性成正相关。这其实又回到了最传统的 Marketing：营销的目的是什么？就是让品牌被更多人知道、更多人讨论。
现在生产内容非常容易，"你让 AI 一天写 100 篇文章，它都给你写出来"，但搜索引擎和大语言模型也有能力分辨哪些是粗制滥造的营销、哪些真正有价值。从 AI 的角度，一个品牌被提及的频率越高、平台越多越广，Inherently 就认为你是真的受欢迎。
而现实是，他接触到的很多品牌方都执着于做 Viral 的东西、做各种 Tactic、想办法快速起量，却不太关注"我怎么能让更多人讨论我，我们的社区怎么做"。大罗的判断是：做社区在目前这个场景下，应该是中长期 ROI 特别特别高的一件事。理由是它几乎无法伪造。"你很难去伪造一个很活跃的社区来讨论你的产品。这是为什么像 Reddit 这种平台反而它的权重越来越高了，因为真的有活人去参与的东西，是非常非常难去模拟出来的。" [39:15]
如果让他只选一件事做，他会优先把社区打造起来，让更多人谈论你，随之带来的就是 Brand Mention：在 Facebook、Reddit、Quora，你的品牌被更多人讨论，而这些都是能被 AI 拿来训练的。所以，"这可能也是唯一一个，你有机会能够进入到 Training Data 的比较有效的方法"。[40:05]
Indigo 听到这里非常兴奋，因为这正是他坚持做社群的原因。他的表述是："社群这个真实感，在 AI 这个时代是不可被替代的，而且它有可能现在是最被低估的。" 大家都知道 AI 能快速生产内容、搞数据、自动分发，但唯一做不到的，是把活人连起来。他描述了一条完整的链路：有了社区积累，品牌的口碑存在于人类直接传播时留下的痕迹里，这些痕迹留在网上，被 AI Agent 读到、综合分析，然后 Agent 给它的主人一个结论：这个品牌不错。
两人都承认，社群同时也是最难做的，因为它最"货真价实"，来不得假，天天在里面骗人很快就翻车了。Indigo 还分享了一个小技巧：看到任何电商或产品概念，直接问 ChatGPT"这是不是智商税"，它会一五一十回答，基本可以剔除 90% 骗人洗脑的东西。这个技巧本身也印证了前面的逻辑：AI 正在成为消费者的过滤器，粗糙的营销越来越难穿过它。
AI Slop 会不可避免地充斥网络的各个环节，但正因如此，真正难以制作的东西会更有价值。可以被 AI 轻易模仿的东西稀有度会迅速归零；AI 拷贝的只是你的基因，它造不出一个新的宫崎骏。所以让内容更像你自己，是唯一的护城河。
Indigo 问：如果 AI 营销大规模自动化，所有人都在用，市场会变成什么样？是满眼的 Slop、人在垃圾里找宝，还是会形成一个不一样的结构？
大罗承认 AI Slop 会不可避免地充斥到网络的各个环节。但当内容生产越来越容易时，真正好的内容、真正难以制作的东西，反而会变得更有价值。他对 AI 内容的评价是"很缺乏一个灵魂"，你几乎没有办法持续用 AI 生产出爆款；你可能能复制，但当一个内容很快被各种各样地复制之后，它本身就没有传播性了，因为大家都看到了。
所以 AI 在营销场景中被大量使用不是坏事，它把人从 Mundane 的任务里解放出来，比如切分、重复性 Workflow，这样你就可以把时间腾出来，不是去产生更多的 AI Slop，而是去思考你的内容要怎么做才能让目标受众更感兴趣，怎么把真正符合自己调性的东西有创意地做出来，怎么打 Differentiation。
他还观察到一个有趣的现象：人脑很快就被训练出来了，大家天天看 AI Slop，现在你用 AI 写篇文章发出去，很多人一眼就知道是 AI。AI 模型在搜索推荐时同样能通过大量训练学会识别。他提到 Google 已经在做的一件事：所有 Gemini 生成的内容都带有 SynthID 数字指纹，无法去除，用 Nano Banana 生成的图片一直都有 SynthID，Google 一看就知道是 AI 生成的。虽然目前他们并没有把它当作内容推荐的标准，但随着时间推移，AI 生成的内容和"古法打造"、真正人手做的东西，还是会有区别。
Indigo 从"品味"的角度延伸了这个话题，这也是他四月份在自己线下活动上分享过的观点。AI 的 Taste 是模仿，如果一个东西极其容易被 AI 模仿，它很快就会扩散出去，稀有度立刻降到零，就像 NFT 一样，稀有度归零就没有意义了。所以我们永远在找什么是不容易被模仿的。他给出了一个很精彩的比喻："即使 AI 可以把它拷贝出去，它拷贝的也是你的基因。它拷贝的是宫崎骏，那还是宫崎骏的基因，AI 并没有办法造一个新的宫崎骏出来。" [46:00]
由此推出的结论是：在生产内容、做营销、树立品牌时，让你生产的内容更像你自己。好的品味到极致之后是极简，是回归一个完全纯自我的状态。艺术家在不同时期发现自我、找到自我、表达自我，每个人最终都是要把自己表达出来，只是用各种工具。"我有非常强的风格，那一出去即使人家复制，那也是在帮我传播。"
大罗表示认同，并把它落到了营销人身上：你首先得有自己的 Voice，这个 Voice 很难被复制，别人一看就知道是你。复制以前还有时间成本，现在几乎没有价值了，所以"你得有真正的创意，不能简单复制"。对新一代市场人来说，这意味着挑战更大了。
大罗对未来"相对比较悲观"：营销成本会越来越高，AI 推荐会偏向已经在系统里获得认可、拥有 Brand Equity 的大玩家，Organic 的机会会减少，广告反而成为稳定渠道。但注意力被稀释的另一面，是线下和真人连接成为新的结构洞。
当 Indigo 问"未来三年，一个品牌的 Marketing 部门应该变成什么样"时，大罗坦白说自己"也不是很 Sure"，但在 Voice 之外，他给出了一个相对悲观的判断。
Marketing 的成本会越来越高。 以往还有一些不用花什么钱就能 Viral 的东西，未来可能还会有，但会越来越少。随着内容生产成本的变化，真正能获得推荐的，会是已经在系统里得到认可、已经有权重的东西。这意味着有资本的 Big Players 更容易得到认可，因为它们有过往的 Brand Equity。他举例：能在福布斯上拿到专访，不是每个品牌都做得到的，而福布斯本身是权重很高的平台，能上福布斯就更容易在其他高权重平台拿到曝光，形成正向循环。反过来，没有资本、没有 Budget 的品牌，拿到曝光和流量的机会会更少，"Unfortunately"。
最扎心的是，大罗说自己是做 SEO 起家的，但他认为随着时间推移，特别 Organic 的东西会越来越少，反而是广告会成为一个相对持续稳定的获取流量的渠道。人永远会搜索，在 AI 里搜、在各种平台里搜，但搜到的结果会是什么样，你怎么出现在里面，如果一点资源都不投入，可能很难不花钱打造一个响亮的品牌。
Indigo 从另一个角度解释了成本上升的原因：竞争会越来越激烈，因为大家很容易复制，生产内容的时间变短了，你有限的时间里会被更多内容填充，注意力被稀释了，"所有人就更难得抢到这一点点可怜的注意力了"。他在 X 上明显看到中文圈的号越来越多，同质化竞争严重，平台也在学习怎么判定原创和转载。
他由此提出了一个猜想：会不会出现一种反 AI 的小众路线，"我就百分之百人"，人味很重，哪怕有 AI 帮忙也看不出来？大罗认为肯定会有，这种"纯手工打造"的东西会拿到更高的溢价。这又回到了人和人之间口口相传的机制，它不会被替代，反而会更有价值。所以他再次强调，如果只选一个最被低估的渠道，就是创建一个社群，回到凯文·凯利的 1000 个铁粉：你不需要获得特别多人的认可，只需要想办法拿到 1000 个人的认可，就够了。而在 AI 时代，拿到 1000 个人的认可可能真的需要通过人传人来实现，"中间还要绕过好多 Agent，你的 Agent 和我的 Agent，他们都挡在前面"。
两人在这里达成了高度共识，并观察到一个反直觉的趋势。Indigo 承认下一代的社交方法已经全变了，非常 Digital，哪怕站在一块也在 Discord 上聊天，但至少还是在和真人聊，聊天渠道变了，并不是要跟 Agent 聊天。他有一个"偏执的观点"：技术越发达，人不会真的去跟 Agent 交友，人只会越来越想跟人聊天、跟人 Connect。这是我们这个时代的一个结构性机会：不能忽略社群，不能忽略人和人的连接，尤其不能忽略 IRL（In Real Life）线下的真实体验，它比之前更重要。他自己以前懒得参加线下活动，现在反而参加得多了，因为再过两年 AI 更发达，你在线上都不知道是在跟人开会还是跟 Agent 开会。
于是他们一起推出了一个漂亮的闭环：线上的 Attention 很难获得，但你可以把大把的人类通过社群搞到线下去获得 Attention，绕开所有 Agent，让人和人直接 Connect，满足感和传达感百分之百传递；然后回去鼓励他们发一点人类写的 Reddit、X、Instagram，提一下你的品牌，AI 和 Agent 的权重马上就起来了。Indigo 把它称为"新产生的一个结构洞"：之前大家都瞧不起线下，后来发现线下见面原来还有这种效率。[54:00]
HashMatrix 今年团队人数没有增长，反而减少了流程类岗位，全部交给了内部 Agent Gabby。Capacity 扩大了至少 10 倍，从服务二三十个客户到两三百个。但情绪价值和客户沟通仍然无法被 AI 替代，而且 General AI 做到的"平均"在零和博弈的搜索优化里等于没做。
Indigo 注意到大罗没有直接回答"未来 Marketing 部门什么样"，于是换了个问法：分享一下你家里那支"很牛的 Agent 军团"。他的想象是，未来就是"你这样的一个人加上一群 Agent"。
大罗确认这已经是一个比较成熟的模式。作为 Agency，他们一直是人力很重的业务，以往每年都要雇很多新人，但今年团队基本没有增长，反而减少了一些没有必要的岗位，大部分流程类岗位全部交给了 Agent。
他们内部的 Agent 叫 Gabby，基于 OpenClaw 搭建。他们把几乎所有已经成熟的 Workflow 都训练给了她。这里有一个重要的工程细节：不是纯粹靠 Skills 这类东西，他们还写了一些 Python 代码，因为很多比较复杂的东西需要 100% 可靠地执行，"像 Python 这种简单的文字处理还是非常可靠的，比 Agent 可靠多了"。Gabby 可以根据需求调用各种功能；因为服务的客户多，每个客户都有自己的 Context，她清楚每个客户过往的情况；他们还接入了 Google Analytics、Google Search Console 以及很多 External 工具，让 Gabby 基于数据来协助判断。更进一步，团队每次和她的沟通她都会记下来、总结下来，寻找可以改进的地方，回头再训练成一个 Skill。大罗后来才发现这就是现在流行的 Self-Improvement Agent，"我们早就用了"。
结果是：这套系统落地后，Capacity 至少 Expand 到了 10 倍，同样一拨人以前只能服务二三十个客户，现在两三百个没什么问题。
但大罗立刻加了一个限定：这只停留在"做事"这件事情上。真正服务一个客户，有很大一部分仍然无法被 AI 替代，那就是提供情绪价值，和客户沟通交流。客户很难接受和一个纯粹的 AI 沟通，还是希望看到有人脸。Indigo 打了个比方：打电话找客服，"赶紧给我接人类，不要找 AI 了"。
Indigo 接着问 Gabby 是否开放给客户使用。目前还只是内部使用，但未来某一天应该会开放。大罗解释了背后的市场逻辑：传统 Agency 成本很高，服务费几千刀上万刀，不是所有企业都承担得起；很多企业其实只需要做一些简单的、完全可以被 AI 完成的事情，但他们不知道怎么做。
那为什么不直接用 Claude 这类 General AI？大罗的回答很关键：Claude 给的建议不是不对，但它是基于 Common Knowledge 训练的，给出的建议是"平均"的。做大部分事情做到平均是可以的，但搜索优化是一个零和博弈，你要做到平均就等于没有做，你要排到前面就得比别人好。用 General Agent 做 AI 搜索优化，一开始可能有点效果，但随着所有人都这么做，"所有人都优化就等于你没有优化"。[60:20] 所以非常 Specialized 的、有 Special Know-How 的、知道的人不多的 Unique Knowledge 和 Domain Expertise，用它训练过的 AI 来做事，反而仍然有价值，这也是 General AI 短时间内不会替代的东西。
未来的专业服务不是简单的 SaaS，也不是传统 Agency，而是"一个有 Know-How 的人类团队 + 一个把 Context 传递给客户 Agent 的工具"。人站在边缘，负责聊天、压缩 Context 和背责，Agent 负责执行。几乎所有有门槛的专业行业都会被这样解构。
顺着"能不能给客户用"的问题，Indigo 描绘了他一直在想的一种模式。现在很多 Vendor 在做 AI Marketing 工具，可以给很多人用，但他觉得应该有一种更好的模式，就像 FDE（Forward Deployed Engineer，前线部署工程师）一样：你驻场进去帮客户解决营销问题，而这个工具背后是一个有自己 Know-How 的专业人类团队，通过工具把 Context 传达给客户。这样的工具就不是一个简单的 SaaS，因为 Agent 已经能做 Context 传达和自动化执行，你只需要人和客户聊天。
他把这个模式概括为"人在边缘"：聊完之后，通过一些手段把信息压缩成 Context，让 Agent 在这个 Context 下执行任务，下一次它就会执行得很好，比它自己整理的还好，因为你是专业的。他认为企业以后会被这样解构掉：Marketing 是一个方向，研发、业务执行、法律、Accounting，都会被这种 AI Vendor 或 Agent Vendor 来实施，不像 SaaS，也不像传统 Agency，但人在里面背责、提供情绪价值。
他还引用了上一期和 Cresta 的 Jove 的对话作为佐证。Jove 带领的 FDE 团队自己开发小工具，去客户那里把需求会议全部录下来，转成语音进工具，工具整理一遍模式，翻译给客户，再把 Context 写进去，然后在这个基础上快速完成研发部署。
大罗非常认同："几乎所有有一些门槛的专业行业，应该都会变成这种模式。"他的理由很接地气：付钱的客户是懒的。"我能跟人喷，然后你就能把事情做好，为什么还要我去跟 AI？"跟 AI 聊天有时候 AI 蠢，不一定真正理解你；但找一个人过来说一下，"我不 Care 你是用 AI 做还是怎么做，你最后把结果给我做好就行了"。
Indigo 把范围进一步扩大：Website Agency、Developer Agency、Accounting Agency、Lawyer，都会往这个方向变，这是又一个范式的结构性变化。他还观察到大模型公司也在做这件事，成立 JV 公司想获取别人的 Know-How，但他判断这个市场不可能一家吃下，最后会打成"地头蛇市场"：谁和谁关系好，谁用我的 AI、你用你的 AI，人到前面去卖 AI，归根结底还是人和人之间的交往和 Relationship。
Humanization 有两个层面，给人看的和给机器看的。大罗课程里的 Humanization 主要是后者，本质上是操纵算法，让内容通过前几层 Filter。你可以充满创意、有自己的 Voice，但如果突破不了算法的封锁，写得再好也不见天日。
Indigo 提到自己在做社群，想给社群提供更系统的有价值内容，而大罗正好在做一门营销课程，其中有一节叫 Humanize，如何让内容有人感。
大罗的回答出人意料地坦诚。这里面有两个层面：一个是给人看的，一个是给机器看的。他课程的 Scope 更多是针对给机器看的，让机器判断这是 AI 写的还是人写的。他直接说：AI Humanization 本身更多是 Manipulation，是一个操纵算法的东西。营销到最后要击败的是算法。
他解释了为什么这在 Google 搜索场景下尤其重要。尽管 Google 一直强调不在意内容是 AI 写的还是人写的，只在意内容好不好，但"内容好不好"是一个特别抽象的东西。Google 现在也许能用 AI 判断一篇文章的逻辑好不好、是不是在刻意营销，但在每天扫描几十亿上百亿内容的规模下，它不可能有足够的资源用大语言模型理解每一篇内容，仍然要用特定的算法一层层筛选。所以 Humanization 更多是说，怎么比较有效地组织内容，让它能通过前几波 Filter，这样才有被推荐的机会。
他说了一段很清醒的话："你可以说我充满了创意，我非常 Unique，我有我自己的 Voice，但是你写的这么一个非常 Unique 的东西，如果你都没有办法突破算法对你的封锁，那不管你写的东西再好，它也是不见天日的，没有人能够去发现你。" [68:30] 所以第一层必须通过算法的封锁，巧妙地让内容至少进入前两页前三页；那时再来谈品牌调性和 Voice，是第二阶段的事情。而从长期看，完全没有人味的 AI Slop 肯定不会被任何推荐平台最终推荐，所以必须从算法角度把内容"伪装成"人写的。Indigo 笑称这是"奇技淫巧"，大罗也没否认。
关于课程本身，大罗说它没有那么复杂。他在做 Agency 时发现，营销这件事你首先得知道怎么做、什么叫做好，才能判断 AI 给你做的对不对，即使 AI 很发达也是如此。所以这门课是帮你快速理解各种营销方式，但不只是知识，而是融会贯通了怎么用 AI 来做好这件事：每一个角度都 Package 成一个 Skill，教你概念，同时告诉你怎么用 AI 实现，并把实现的框架交给你。你可以装上直接用，也可以根据需求调整。
他把它定位为一门"启蒙课"。现在做产品、写代码、做软件的成本已经很低了，但如果你比别人稍微多懂一点怎么做营销，比如怎么做广告才是好的、怎么配置才是好的，这些仍然需要大量学习，完全交给 AI 也很难。他的设计思路是找到 Minimum Learning Unit（最小可学单位）：给你足够的信息，再给你可以直接拿来用的东西，让你有足够的认知去判断产出好坏，同时在使用和学习的过程中搭建一个产品增长的知识框架。以后不管 AI 变成什么样，这些东西都持续有用，因为归根结底营销针对的不是工具而是人，它本质上是获取 Attention 的事情，而"怎么去获取人的 Attention，这个框架结构它是不会变化的"。
不要被卖课的忽悠。核心是你对目标受众的理解，你要卖给谁、他们怎么做决策、怎么发现信息。不管用什么工具，没有这个就做不好营销。
聊了 70 分钟，Indigo 最后问：给新进入 Digital Marketing 这个"古老又崭新"的行业的人一句话。
大罗想了很久，先是自嘲了一句"不要被那些像我们这种卖课的忽悠"，两人赶紧互相澄清"我们真的不是卖课的"。然后是正题：归根结底，你要影响的是一个人，你要从人的角度、从受众的角度去思考这件事。只有你对产品了解、对产品的受众了解，才会有特别深刻的认知。AI 给你推荐的、网上看到的那些都是虚的，核心是你对目标受众的理解。"你如果不知道你要卖给谁，你如果不知道你要卖给的这些人他是怎么去做决策的、他是怎么去发现信息的，那你是做不好 Marketing 的，不管你用什么样工具。" [74:20] Indigo 总结为：基于对目标受众的理解，搞清楚你的 ICP（Ideal Customer Profile，理想客户画像）是什么，有了这个之后都好说。
两人的收尾很有他们各自的风格。Indigo 说："AI 的终途仍然还是人，人是用工具的。我们还是要做一个好的网感少年，直到 AI 把我们替代了，我们变成电池。"大罗接："那一天应该迟早会来的，但在我们有生之年，我们还是需要做影响人类的事情。"Indigo 补充：如果我们这个种族把自主权和解释权完全交给 AI，我们确实就没什么存在价值了，这是我们最后的坚持，也是初心，"要回来成为我们自己，做自己最重要的"。
节目最后预告，大罗的课程上线后会再来聊一期，两人将合作在 Rewired 社群里新增一个 Marketing 栏目的课程。
从 SEO 到 GEO，本质上是从"优化给爬虫看"变成"优化给一个会多轮检索、会交叉验证、但仍然不懂真假的读者看"。 大罗描述的机制里有一个值得反复琢磨的细节：AI 会把一个 Query 拆成十几个，并且会带上用户的地点、时间、预算模糊区间和聊天历史。这意味着传统 SEO 里"抢一个精确关键词"的思路正在失效，取而代之的是覆盖一个 Intent 周围的整个语义邻域。你的内容需要同时回答"最好的"、"温哥华的"、"2026 年的"、"500 刀左右的"、"便宜但可靠的"这些变体，而这恰恰是 AI Workflow 擅长批量生成、人类擅长判断取舍的分工。
"频率"和"可信度"两条权重曲线正在交叉。 投毒的逻辑是频率，反投毒的逻辑是来源可信度和"多人在说"。这两条曲线交叉的地方，恰好就是真人社群：它同时满足高频提及、多平台分布、群体发声、且难以伪造。这解释了为什么一个做 SEO 起家的人，最后给出的建议是"去做社群"。它不是情怀，是对推荐算法演化方向的一个理性押注。
"平均等于没做"是一个被低估的判断。 大罗关于 General AI 的批评，可以推广到几乎所有零和竞争的领域：当所有人都能以零成本获得平均水平的执行，平均水平的价值就归零，竞争重新回到 Unique Knowledge、Domain Expertise 和 Taste 上。这和 Indigo 的"稀有度归零"、"拷贝的是基因"是同一个观察的两个侧面：AI 拉平了执行，抬高了判断。
线下作为"新结构洞"的说法值得认真对待。 结构洞的价值来自连接两个原本不通的群体。当数字世界被 Agent 层层中介，线下反而成了唯一没有中介的通道，而线下聚集的真人回到线上留下的痕迹，又会反哺 AI 的推荐权重。这是一个线上线下互相强化的飞轮，对于社群运营者来说，它提供了一个比"涨粉"更清晰的目标函数：制造真实的、可被 AI 读到的人类提及。
Humanization 的坦诚揭示了一个尴尬的中间态。 一边是平台宣称只看内容质量，一边是规模限制下不得不依赖的启发式过滤器；一边是 SynthID 这样的溯源技术，一边是"AI 还是很好骗的"。在这个中间态里，"让 AI 写的内容看起来像人写的"和"让人写的内容不被算法误杀"是同一套技术。这个窗口会持续多久，取决于平台愿意为真伪判断投入多少算力，而这本身又是一个成本问题。
关于 AI 在营销里的边界。 AI 真正带来数量级提效的是流程型、重复型工作，比如一篇长内容到多平台切片分发，从两三周压缩到十分钟。它做不好的是"无中生有"，特别是有 Virality 的创意内容。解决方法是给足 Context 和 Harness：告诉它什么是好的、什么是不好的，用案例而不是形容词，然后生成三到五版挑选。
关于被 AI 推荐。 AI 推荐只有三到五个位置，来源是训练数据和 RAG 检索。训练数据你几乎影响不了，除非已经很知名；检索层面 AI 用的还是 Google 和 Bing，所以 SEO 和 GEO 差别不大，但 AI 会把一个问题拆成十几个 Query 并带入用户画像。目前的权重逻辑是频率优先，正在叠加来源可信度和"多人在说"，但没有任何模型真正知道真假。
关于最被低估的杠杆。 品牌在多平台被提及的频率与被推荐的概率正相关，而活跃的真人社群几乎无法伪造，是中长期 ROI 最高、也可能是唯一能让你进入训练数据的路径。凯文·凯利的 1000 个铁粉在 AI 时代不但没过时，反而成了穿越 Agent 中介层的必要条件。
关于 AI Slop 时代的护城河。 可被 AI 轻易模仿的东西稀有度会归零；AI 拷贝的只是你的基因，造不出新的宫崎骏。让内容更像你自己、拥有别人一看就知道是你的 Voice，是复制成本归零之后唯一还有价值的东西。
关于成本与结构。 营销成本会上升，注意力被稀释，AI 推荐偏向已有 Brand Equity 的大玩家，Organic 机会减少，广告成为稳定渠道。但线下和真人连接成为新的结构洞：把人从线上带到线下，再让他们回线上留下人类的痕迹。
关于组织形态。 一个人加一支 Agent 军团已经是成熟模式：HashMatrix 今年没有增员，产能扩大十倍。但情绪价值和客户沟通无法替代，专业服务会被解构成"人在边缘 + Agent 执行"的 FDE 式 Vendor 模式。General AI 给的是平均答案，而在零和博弈里平均等于没做。
关于起点。 不管工具怎么变，营销的对象是人，核心是对目标受众的理解：你卖给谁、他们怎么做决策、怎么发现信息。这个框架不会变化。
2026-09-02 09:04:14
这几个月，AI 世界把好几年的剧情压缩着演完了：SpaceX 完成人类历史上最大规模的 IPO，当天即本轮科技股的顶点；Anthropic 投后估值逼近万亿，一家公司承担了整个 AI 革命的投资回报；中国开源模型追平美国前沿，把头部公司的收租窗口压到三个月；AI 基建全面信贷化，成了数字时代的新房地产；而 mRNA 癌症疫苗和 AI 自动化科研，正在被半导体的喧嚣掩盖中悄悄改变生物学。
这篇文章是 8 月月末直播的完整整理，主线其实只有一句话——当智能变得便宜且无限供给，稀缺的东西才有定价权：对硬件是光刻，对模型是最强智能的那一点点差异，对人，是 AI 学不走的数据、品位与信任。所以最后一章，讲的是怎么「产品化我自己」。
00:00 开场：四个月后的重逢与亚洲之行
06:12 三个月 AI 大事记
13:58 你拥有的不是模型
25:15 SpaceX IPO 与 AI 周期反转
36:05 谁是瓶颈，谁就有定价权
49:40 Harness 与模型商品化
01:05:03 AI for Science：正在被开采的高价值市场
01:15:40 产品化我自己
01:23:25 鸡汤与感悟
01:34:06 Rewired 社群与产品化的落地
四个月没有直播，这一期的信息密度可想而知。今年最重要的一次 IPO——SpaceX，人类历史上最大规模，「但是很快就会有更大规模的，SpaceX 第一个，然后 Anthropic 第二个」[00:19]；然后是 AI 基建，以及 AI 的自我进化。
在进入正题之前，我们先回顾下六月的亚洲之行：东京、香港、上海三城。东京场出乎意料，70% 的参与者是说日语的日本朋友，整场变成了英文加日文的双语场，日本对 AI 的热情非常高；香港场则七八成是做投资的，JPMorgan、对冲基金的各路投资人；上海是与湛庐合作的大师课，三个半小时完整分享了我沉淀的一套思维体系，课后还在新天地包了一个 Club 办 After Party。6 月 6 日在香港预告过「韩国股市杠杆已经到了历史最高点」，当时股市还很 High，结果六月底半导体就崩盘了——这为后面的周期叙事埋下了伏笔。
上海场重点推广了我新翻译的一本书，戴曼迪斯的《吾辈如神》。书的最后几章讲了 AI 增强创造力的十条法则，其中感触最深的一条：
不可以外包自己的灵魂，尽可能在和 AI 协同工作的时候进入心流状态，这个时候效率会非常高。[05:41]
这句话几乎是整场直播的题眼——后面的「你拥有的不是模型」「产品化我自己」都是它的展开。
从上次直播（五月中）到现在，AI 圈发生了什么？先快速过一遍时间线。
起点是 Anthropic 的 H 轮融资：在半导体最 Hype 的时候，所有内存和闪存公司都投了进去，投后估值 9650 亿美元，「大家都惊掉下巴了」。紧接着 6 月 12 日，SpaceX IPO，人类历史上最大规模，募资七八百亿美元。同一天，联邦政府对 Anthropic 的 Fable 5 模型实施出口管制——「这届联邦政府已经疯魔了，把整个模型给政治化了」[07:15]，直到 6 月 30 日才解禁。顺带一个判断：头部前沿模型公司最强的一两版模型，我们可能在不久之后也用不到了——一方面出于更严的安全审核，另一方面是为了防止别人通过蒸馏清洗数据训练自己的模型。
7 月中下旬是最重要的节点：美国第一个真正的开源大模型来自 Thinking Machines（975B），紧跟着中国模型连环发布——Kimi K3 在 7 月底开放权重（2.8T，全球最大开源模型），然后是千问、智谱 GLM，「基本上全部霸榜」。
中国的开源模型的这个速度，追上了美国最头部的模型，而且这个咬得非常紧。[08:45]
这直接加剧了 7 月半导体的悲观叙事：模型都要商品化了，半导体怎么办？投进去的钱赚不回来？表面上是叙事崩塌，「实际上我认为就是杠杆太高了，在去杠杆」[09:10]。7 月 30 日 AWS 用财报证明「我赚钱的速度更快了」，才终结了这轮大回调——市场总是要找一个理由让股市反转。
然后是 Google 的洗牌：Demis 从 DeepMind 退位转做首席科学家，去做他的另一家公司 Isomorphic（生物 + AI，做蛋白质）；Jeff Dean 出走创办 Discovery Loop，做 RSI——通过模型的自我进化来驱动科研。这两个信号非常强，一个指向生物，一个指向 AI 自进化，都是后面章节的主角。
最后一件大事在生物领域：8 月 17 日，Moderna 与默沙东宣布人类首款 mRNA 机制的癌症疫苗（黑色素瘤）在临床三期取得显著效果。7 月的时候我特意研究过黑色素瘤：Moderna 成立的初衷本来就是做癌症疫苗，新冠只是证明技术可行的插曲，「现在它要回归正路」。
时间线的最后，用一个数字给这三个月定调：如果你在 2023 年 5 月投资 10 万美元到 Anthropic，按现在市值算是 2300 万美元，230 倍；即使算上稀释，也有 50 多倍。
你在这个时候你做任何创业任何投资都不需要做，你只要有机会投入 Anthropic 这家公司，这个就是你在 AI 革命里面回报最好的投资……所有的投资回报都被这一家公司给承担了，所有的市场利润也被他们给赚了。[12:08]
而就在三天前，Dario 在采访中说 Anthropic 面对的是 30 万亿美元的 TAM——整个人类劳动力市场，大约相当于美国一年的 GDP。SpaceX 招股书里写的是 28.5 万亿。两个数字互相印证，「八九不离十，很靠谱」。
第一个正式话题，从四个层面展开：软件、思考、投资、知识工作者。
第一，纯粹软件不可投资。 这个观点来自 Naval 的播客《Return to Code》。如果你唯一的优势是写别人不会写的软件，这个壁垒已经消失了——「你的能力应该是想办法解决问题」[14:30]。记得 Claude Code 刚出来的时候，我也觉得很不靠谱，「你不可能没有编辑器地写代码」，但模型进化很快，真的实现了。不过也得泼盆冷水：现在的 AI 你不给它架构，「它就是产生 Slop 垃圾，再好的模型都是这样」[15:09]。如果做 VC——我现在是一半 VC、一半股市投资——寻找的肯定是硬件、网络效应和 AI 模型，这里的模型指通过训练模型来构建软件，而不是让模型写代码构建软件。
第二，你不能外包思考。
语言模型只是放大了你有的东西——观点、结构和框架。如果你有想法，它会更加锋利、更加快速产出；如果你什么都没有，它们也会非常流利地什么都做不出来。[15:52]
它是个极端放大器，它会极端放大你的聪明和极端放大你的愚蠢，就是这样子的，没有中间点。[16:15]
Agent 干活很快，可以在几个小时内把你的想法重构一遍，所以人应该把更多时间花在设计结构和框架上，而不是去干活写代码。我们不能外包思考，但可以用 AI 杠杆思考，让它帮你想得更严密。
第三，大语言模型没法帮我们发现投资的 Alpha。 LLM 可以把量化交易做得很好，但做不了基本面投资——「基本面的发现是靠人的直觉来做的，我觉得投资是一种艺术」[18:42]。而且如果整个市场全是 AI 做量化，量化就纳什均衡了，市场饱和，做不出差价。剩下的 Alpha 只能来自你的创意和独特观点——LLM 的训练素材决定了它输出的是网络博客和巴菲特式的共识，「这种共识是没有 Alpha 的」[19:22]。那如何让 AI 帮你做投资？答案是搭建自己想法的外骨骼（这是 Brad 的说法）：把自己的知识变成 AI 可以检索的资料库，让 AI 把研究员的工作全部自动化，最后由人来做感知和决策。投资就是艺术，艺术这东西都是很个人化的。
第四，逆向信息悖论与护城河的迁移。 微软 CEO 提出过一个有趣的对照：传统信息市场的悖论是「为了出售知识，卖家必须先泄露知识」；而 AI 时代是逆向信息悖论——
我们为了使用 AI，买家必须先泄露自己的知识……所以你为智能支付了两次：第一次是用钱，第二次是把你的知识也给他。[20:42]
对企业来说这很致命，因为未来最重要的就是自己的 Learning Loop 和 Know-How。护城河正在从「保护静态信息」演进为「保护组织的持续学习机制」——云计算时代积累的是数据，但现在所有数据都被 AI 学过去了，学不走的只有台积电式的「炼丹」能力。Palantir 的 Alex Karp 因此炮轰 OpenAI 和 Anthropic「正在夺取企业最重要的东西」，企业要建立硬性隔离：组织记忆留在自己这里，内部评估、运行轨迹、权重微调都要自己掌握。
最后落到个人：知识工作者会不会都变成数据供应商？ 这是一位 DeepMind 研究员的断言：像创作者经济那样，把自己的专业知识私有化然后变现。核心资产是三样——稀有的数据、你的 Taste、你的 Trust。
接下来的知识工作会变成什么东西呢？他会坐拥稀有数据，输出独特的品位，然后经营信任网络……也就是在后 AI 时代，你的工作真正的最后退守的阵地就在这里。[24:15]
我正在亲身实践这件事：生成自己的稀有数据（所有输出），用品位筛选内容，用信任降低他人的调研成本。你拥有的不只是模型——在模型之外，你需要有自己的 Data、自己的 Taste、自己的决策。
SpaceX 的故事有三个阶段：2002 年开始的太空运输，2020 年开始的通信网络（Starlink，真正的硬 Moat 和网络效应），以及刚刚开启的 AI——把 xAI 并进来，启动 Colossus 千兆瓦算力集群，两周前还把 Cursor 收购了，合并代码能力。现在整个 SpaceX 已经是一家 AI 公司，6 月 12 日上市募资七八百亿美元，刚刚从破发的价格涨回来。当时我做过一个预言：它 IPO 的时候就是股市的顶点——「确实是股市的顶点，这一轮的最高峰，然后一路下跌到 7 月底」[26:35]。
SpaceX 现在是扩展算力最激进的玩家：2027 年潜在规模 5 到 8 吉瓦，还要把 NVIDIA 最新的芯片送到太空去改造。Elon 说下个季度 AI 收入（含卖算力）会超过发火箭加 Starlink 的收入，四五年后公司价值的 99% 来自 AI。对比各家算力投资进展，「Google 竟然建得最少，所以 Google 现在很缺算力」。
然后是一连串市场情绪的过山车。Meta 宣布加入 NeoCloud 自己卖算力（明显抄 SpaceX 作业），股市应声暴跌——市场解读为「你模型太烂了，只能把 GPU 卖给别人用」。但讽刺的是：
Meta 才是从 AI 里面受益最大的公司。他们买 Anthropic 的模型来改造自己的广告优化，是买 Anthropic Token 的转化效率第二大的公司。第一大公司是 Jane Street……我花一百万美金买 Token 可以赚三千万回来，Meta 花一百万买 Token 可以赚五百万回来。[28:51]
买别人家的模型帮自己的广告赚钱，自己的模型赚不了钱——这是 7 月市场恐慌的缩影。更深的担忧来自两个数据：Google 首次出现自由现金流为负（投入大于收入）；剔除 AI 相关投资后，美国的私人固定投资增长是负的——房地产在跌，制造业没回来，「所有的制造业都在建数据中心去了」[30:00]。不过我的态度相对冷静：这是市场结构转型期的特征，不能直接说这个结构很危险。7 月最矛盾的地方在于：「今天你不花这笔钱，明天可能连赚钱的机会都没有了。」
下跌怎么结束？「肯定是得拿出一只基金来祭天嘛。」这只基金就是 Leopold 的 Situational Awareness Fund（SA Fund）：两年内从 2 亿美元做到 450 亿美元，极度激进，最后公开资产全部清算，手上只剩 Anthropic 股份，被 Chamath 接盘——但很快又活过来了。总结成八个字：
人生苦短，慎用杠杆。[31:09]
真正的逆转来自亚马逊财报——增长快到足以抵消 Capex。但这背后藏着一个更大的结构性变化：所有公司的债务都在上升，「AI Capex 物理上是不能用股权进行融资的，必须信贷化」[32:17]——这是 6 月在香港分享过的判断，8 月中就被验证了：NVIDIA 联合六家投行启动 5000 亿美元以上的第三方资本建 AI 基建。「你没有钱买我的 GPU？我找银行贷款给你买。」
这个模式很像房地产：从银行借钱买地盖楼，靠出租售楼回款——现在 AI 数据中心就是「AI 时代的新房地产业务」，只是回款速度快得多（DeepSeek 说过十个月就能赚回 GPU 投入）。既然如此，为什么不能资产信贷化？于是 8 月底市场开始震荡：发债、发 ABS、做成资产包、债滚债——会不会重演 2008 年借钱盖房子的次贷危机？更吓人的一个对比：四大云厂的 Capex 之和已经接近美国国防预算的 87%。「市场担心 AI 基建的次贷危机，如何化债才是关键。这是个问号，我们都不知道，大家只能用赚钱速度来证明我可以化债。」[35:48]
这一章的标题就是结论：「什么是瓶颈？谁是瓶颈谁就有定价权。」[36:07]
先从一个问题开始：SpaceX、OpenAI、Anthropic 明年年中都会上市，长持选哪家？Perplexity CEO 在 20VC 的采访里选 SpaceX，我的选择一样：「SpaceX 有别人没有的能力，它有太空里面的 Connectivity，有最快的基建能力以及太空运输能力……它是能够把芯片、网络、电力和所有东西整合起来的一家公司。」[37:38]
然后是物理约束的排序，四位大佬四个答案：Elon Musk 说是电；Sam Altman 说是「晶体管」（这个判断不够具体）；Jeff Dean 的答案最技术——
搬数据比算数据贵一千倍。[38:16]
Transformer 模型最慢的环节就是搬数据：把整个模型装进去，算一点点，再搬出来，所有时间都浪费在搬运上，所以需要巨大的内存贴着 GPU，需要光互联、新的芯片设计、数据中心级别的提效。SemiAnalysis 的 Dylan 则认为电力短期可解，真正的瓶颈是封装、连接和制程。有趣的是，Elon 强调电，是因为对他来说其他都不是问题——东西放到太空里，无尽的太阳能，电自然可解。
接着是一个市场还没充分定价的判断：Agent 时代，CPU 和内存回归。 训练时代所有东西都看 GPU，但现在 Agent 要访问文件、访问内存、调用工具、启动 Subagent、自己做编排，这些都需要 CPU 和内存参与，需求暴增，「CPU 的产量是完全不够的」[41:11]。做对冲基金的朋友在 2024、2025 年就布局硬件，这一轮确实赚翻了。内存侧的逻辑更硬：GPU 的计算成本随上下文长度基本不变，但内存带宽成本随 Context 线性增长（KV cache 要不停搬运）。现在常用的 Context 是 100 万 token，很快会到 200 万、500 万；如果像 Anthropic 说的靠扩大 Context 实现持续学习，可能要到 1000 万甚至一个亿——「我不知道要什么样的架构、什么样的内存条才能做到，所以硬件和模型是同时进化的」
[42:30]。
再往下挖一层是封装：2028 年之后，限制 AI 算力的不再是晶体管而是封装，因为晶体管到极限了。台积电路线图摆在那里：2026 年 iPhone 18 用 2 纳米，2029 年才到 A13（1.3 纳米），「这个制程在路线表上根本动不了」。由此一个反直觉的结论：
台积电才是 AI 基建泡沫的减速剂。因为台积电的存在，我们才不会那么快地进入泡沫时代，因为最终都会受物理限制。[43:42]
半导体正在快速迈向 2030 年 1.5 万亿美元的市场，而且这一轮周期和过去由 PC、手机换代驱动的周期不同——数据中心在新建、规模还在成倍扩大，「并不是半导体没有周期，而是被拉长了」[45:07]。钱正在从芯片生产向封装层、内存层迁移：HBM、基底、CPO 嵌入式光模块。产业链上还有一个惊人的落差：60 亿美元的 Fab 设备每年产生 1 GW 的算力，这 1 GW 可以产生 1000 亿美元的收入——设备和收入之间将近百倍的差距，中间都被各层厂商特别是模型公司吃走了。
那最终极的瓶颈是什么？光刻机和反光镜。「光刻才是物理世界的终极瓶颈」，在台积电之下还有一层，它让整个半导体世界变慢，因为芯片就是做不出来。于是有了这一章最科幻的部分：8 月中旬 SpaceX 推出 Terafab 计划，热心网友从效果图里发现，巨大工厂的中间是一个环形粒子加速器——用自由电子激光（FEL）直接产生光源。这个技术 70 年代就被提出过，当时因为成本太高、技术不成熟而放弃；现在 Elon 要用一个光源给 8 到 20 台扫描仪供电，20 多台光刻机同时工作，零部件更少、镜子更干净、停机更少、波长可调、更高的光子通量。「Elon Musk 做这个事情，要从第一性原理解决——我先从光刻开始，解决芯片问题。」[48:04] Terafab 有多大？Giga Texas 那么大的厂区，苹果园区（约等于五角大楼）只相当于它中间一个粒子加速器圆环的大小。
大家最关心的问题：模型会不会商品化？
先看几个事实。今年新增算力约 30% 归到了 Anthropic 和 OpenAI 两家，明年会到 50%（Dylan 的数据）。而且 Anthropic 今年已经扭亏为盈：每投入 10 美元推理成本可以撬动 50 美元营收，再把收入全部反哺回预训练。但收益在技术栈中的分配严重不均：
终端客户是最大赢家——Jane Street 用 Token 做高频套利，Meta 用 Anthropic 的模型优化广告，「他们从 Token 中榨取的商业价值远超模型公司本身的利润」[52:15]。应用层几乎不存在了，沦为空壳——「我们现在来看依旧没有 AI 应用这个概念存在」，Chatbot 和 Coding Agent 本身就是应用，中间层到现在都赚不到钱：Perplexity 最后也得去做模型，Cursor 被卖掉了。模型层今年迎来暴利翻身——头部模型溢价更高，Margin 真的上来了。硬件供应商独领风骚——2023 年 GPU 吃红利，2024、2025 年是内存，现在所有环节都在吃利润，反而台积电的利润率没有内存高了。
为什么模型不会彻底商品化？核心论据来自 Naval 播客里的一个洞察：
一个 99.9% 正确的 AI 和一个 90% 正确的 AI，你单次看差不多，但是你递归循环跑 100 次之后，90% 正确率会掉到 13%，99.9% 还有 80% 到 90%。智能的误差它同样会有复利。[54:36]
所以在判断类、高杠杆类的业务上，大家永远会为最强的智能付费。深度编码的人为什么最后还是转回 Claude Code？就是长程任务上那一点点差异，反复使用时误差就会被放大——「跑分评测和实际任务中的永远不一样」。
结论是：至少在 Transformer 架构还有利可挖的时候，模型不会被彻底商品化。 但趋势也很清楚：大量稳定的、标准化的工作流会下沉到开源模型和老模型上省成本，慢慢吃走头部公司的利润。于是形成分层竞争：「第二线、第三线就要卷价格，第一线就要卷智能。」[57:27] 只要还有更高级的活只有你能做——就像台积电卖 2 纳米芯片——你就可以随便定价。
中国模型的追赶让这个逻辑更紧迫：上一个版本差 8 到 12 个月，现在只差 4 到 6 个月，下一版可能只有 3 个月。「前面这个收租的时间窗口越来越短了，这就是头部模型公司为什么这么慌——我至少要把窗口期放到六个月，多赚六个月的钱。」[58:28]
模型的终局是什么？一个有趣的观点：它可能是一个协议，而不是一个程序。 最近的注脚是 Stripe 收购 OpenRouter——支付 API 公司买下模型 API 路由器，定位直指智能 API Gateway，顺便把 Agent 支付也做了。「集成方案会路由，会把你的需求搭配到最优组合上面去，而不是选择最优模型。」当大家用这种方式买智能时，智能就更像互联网——不是 Internet，而是 Intelligent Network。「我们不可能预见一个东西被一家公司垄断，多么可怕。」
这一章用 Chamath 的六层结构图收尾（和我的 Rewired 五层结构几乎一致，只是把 Harness 和 Application 分开了），核心口诀是：
底层看稀缺，顶层看客户。哪个公司的客户更牢靠、客户更有钱，那这个公司更赚钱；底层每一层稀缺它就有定价权。[01:01:52]
苹果买内存条都压不了价了，因为数据中心把内存买空了。而现在土地和电是稀缺的——我判断美国今年中期大选最大的议题之一就是数据中心能不能合法地大量建：会不会抢居民的电、占居民的地、污染、抢工作。「这就是为什么 SpaceX 很好解决问题：太空上放就好了，土地不缺、电不缺，缺的是太空运力，而太空运力 SpaceX 有。」[01:03:20] 如果模型有商品化趋势，上面的 Harness 层最有价值，大量 SaaS 企业都会转变成 Harness 企业；应用层则要看完全垂直集成的形态——RoboTaxi、端到端工业自动化、武器系统、Wet Labs 生物实验室、Palantir 式的企业部署。
人事即路线图。用 Grok 做的一个 Research 揭示了 Anthropic 的方向：最核心的信号是 Andrej Karpathy 加入 Anthropic 做预训练效率和 RSI——现在所有赚的钱都往这个上面投，如果把模型规模做到 10 个 T、15 个 T，大家期望 Scaling Laws 的魔法还能继续；然后是算力自建、AI for Science、Agentic 检索与记忆、企业商业化和长期对齐。Google 那边：Demis 卸任 DeepMind CEO 去 Isomorphic 做蛋白质湿实验室；DeepMind 交给能执行的人做工程化——「DeepMind 的 Moat 是工程化的 Moat，不是预训练的 Moat」，我很期待 Gemini 4 有本质提升；Jeff Dean 的 Discovery Loop 则证明 RSI 在科学领域进展会很快。
2026 年 AI 和生物正在发生的事实：前沿 LLM 已经具备设计能力并通过了湿实验室验证——Claude 和 Twist 合作，设计的 15 个靶点中 14 个结合成功，Twist 股价因此涨了三倍（Twist 做 DNA 片段生产，「有点像生物界里面的台积电」）；Moderna 的黑色素瘤疫苗基本成功，就等 FDA 批准；原生 AI 药企（如 RXRX）开始交付靶点，虽然还早。顺带辟个谣：Moderna 疫苗和大语言模型一点关系没有，用的是专门的生物模型做病原特征识别和预测，「很多公众号写大语言模型帮助，那都胡扯了」[01:09:08]。
昨天 Anthropic 又推出了一个新协议 MHS（Model Hardware Standard），意义堪比两年前的 MCP：「想让模型使用软件，用 MCP；想让模型使用硬件，用 MHS。」Agent 通过这个协议自动化调用显微镜、相机等实验仪器，把实验硬件整合从数月、数周变成几个小时甚至几分钟，而且所有 Agent 框架都支持，不限于 Claude。「AI 开始使用硬件了，我们离《终结者》里天网的设备是不是已经非常近了？就差 AI 可以直接调用武器了。」[01:12:44] ——当然，Anthropic 拒绝了国防部的这个愿望，理由是模型还不够安全。
投资视角上，一位群友做了 AI for Science 五层投资图，和我的认知非常接近：最好的机会在第二、三层——科学数据层和实验室驱动层（控制仪器合成、自动化生产，像芯片流水线一样）；仿真层会和模型公司直接竞争（Isomorphic 就在这层）；最上面的药物研发风险最高、收益最大，但受 FDA 控制快不了。作为投资来说，二三层是可以快的。
现在说最重要的话题。这一章是整场直播的落点，呼应开头的 Data、Taste、Trust。
如果你觉得自己品位在线、视角独特、会做选择，那就应该把自己产品化，持续输出，用 AI 提效自己。为什么人还有价值？
AI 总能够给人最有共识和最深度的答案，但我们又能够提供最反共识的答案、最独特的答案……AI 没有自己的性格，所有人用的出厂版 Claude 都是公共版本的 Claude，不是你的 Claude。虽然它有你的记忆了，但是这个记忆毕竟没有训练到神经网络里面去。[01:16:15]
所以我们要做一个不可约化的人类，才是在 AI 时代最有意义的事情。[01:16:51]
这和前面「LLM 给不出投资 Alpha」是同一个逻辑：投资是艺术，艺术最重要的就是反共识和独特——市场上这么多人博弈，你只有独特才赚得到钱，「或者以独特的方式赔钱」。
接下来完整展示一下我自己的实践——Indigo Mind 个人知识库。Anthropic 发布 Fable 后有篇文章说他们把 80% 的约束提示词都删掉了，我也照做，把知识库的提示词全部重写，现在它是一个可以自我进化的系统。运作机制大致是一个认知飞轮：IN——Inbox 和 Notes 存所有进来的订阅和笔记；SAY IT——Agent 自动抓取 X Post 和直播内容存入知识库，而且分权重，「我说的话、我做的直播视频和我发的 X 都权重很高……我收藏的、AI 帮我做的总结，权重没有我自己的话高」[01:19:58]；定期整理——每周回顾这周想了什么、判断有什么进展，每月自动复盘说过的话兑现了没有，该合并的合并、该退役的退役；断言账本——把自己的判断（「软件不值得投资」「Anthropic 上市后市值会多少」）写成断言记账，AI 在帮忙读播客、文章、视频时会对照账本：哪些验证了想法，哪些提出了反面证据，多次验证的断言升级为永久断言，最终沉淀为方法论写进「方法论书架」——「这个东西都不是给我个人看的，都是给我的 Agent 看的」[01:21:44]。
这个循环的关键在于人的角色：这次月末直播的结构大纲就是 Claude 直接从知识库提炼生成的，但——
AI 给我的是共识，我必须在里面加入反共识。我们这样循环，每一次循环我才有新的知识涌现出来，不然我永远都是在吃老本。我们就是把费曼技巧融合到 AI 的自动化里面，认知飞轮才能往前进。[01:18:23]
关于所谓 LifeOS，建议浓缩成一句话：
不要从工具开始，从自己开始。你在选择任何 AI 工具之前，先花足够多的时间搞清楚自己的目标、信念和工作方式。架构设计远比模型选择更重要——一个好的上下文管理系统加一个普通的模型，往往比一个没有上下文的顶级模型表现得更好。[01:22:22]
AI 不需要人教。 好奇心是最好的老师。不要每天试工具、换模型、折腾评测——「你又不是知识博主」。用好一个东西，有目标，有架构，把事情做好。Get things done 最重要。
发现未知的能力。 这来自 Fable 最佳实践：模型的能力正转移到「你能不能把未知讲清楚」。给它一个未知，它来帮你澄清未知——完全不懂生物科技也没关系，把想要的东西描述清楚，它能很快把盲点补出来。最重要的是描述自己不知道的事情的能力。现在的模型给它目标就好了，不用给它过程。我自己的用法：把架构开诚布公地跟 Fable 聊一遍，然后让它派更便宜的 Agent、指挥 Grok 和 Gemini 把活干了——「因为它太贵了」。
季节人生。 来自《人生的五种财富》（The 5 Types of Wealth）：有野心的人应该把人生当季节来过，不必每天平衡每件事——几年重仓工作，一段认真健身，一两年数字游民，然后家庭生活，择机开启新事业。
伟大的成果是不被打断的连续冲刺，不是每日适度调和。[01:25:57]
我自己就在实践：北京做社交网络，换国家做创投，现在投北美二级市场，下一个主题是做社群、把自己产品化。当然前提是要有不怕失败的资本和超级专注的能力。
独处方可思考。「我发现只要一社交起来就没法思考。我必须找一个很安静的地方待上一段时间，才能才思涌现。」[01:27:16] 密集阅读、密集输出的前提是独处——你不可能边聊天边发推。
两本书。 一本是我翻译的《吾辈如神》，AI 时代重构的不只是技术，还有生存力、胜任力、教育、医疗、命运、财富。另一本是 2006 年彼得·沃茨的科幻小说《盲视》（Blindsight），我认为这可能就是 AGI/ASI 之后的未来：
我们人类的意识，可能只是我们大脑算力不足的权宜之计。海量信息进来之后，我们没法并发处理，大脑只能靠节能、调节注意力，然后才催生出意识。[01:29:45]
小说里的外星生物像虫族一样，个体高智商但不需要意识，整合起来涌现出新的智能和目标。顺着 AI 推演：硅基智能可以靠扩展算力无限增长，「我给它电就好了」，很可能发展出我们理解不了的全新智能。低效的生物智能如何与能量驱动的高级智能竞争？只能融合。而且这不是科幻——现在就在发生：「没有人设计社交网络……它涌现出来的一种智能，我们都在消息流里面被 AI 牵着走了，只是你不知道而已。」[01:32:01] 库兹韦尔在《奇点更近》里说人类最终要 Upload、要合体，「那还得靠 Neuralink 下一代的技术」。
最后一个公式：p(1984) >> p(AI Doom)。
AI 带来的新封建社会的危险，要远大于 AI 毁灭人类。AI 不会毁灭人类的，人类才会毁灭人类……未来如果只有一家私营公司，这很恐怖，所以说我们要杜绝这样的未来——新的封建社会，AI 控制所有的东西。[01:33:43]
最后是社群进展，也是「产品化我自己」的具体落地。Rewired 网站上会新增 In / Out 栏目——把 Indigo Mind 知识库的输入输出直接产品化同步上来（「我之前就喜欢叫 In / Out，汉堡的味道，输入、输出」）；上海奇点大师课和香港站的付费内容已经上线。9 月底争取上线两个在线 Workshop 课程：一个是 AI Native Design（AI 原生设计工作法），一个是 PAI——Personal AI 个人智能系统设计，就是 Indigo Mind 是怎么做的，完整分享给大家。
然后是 Rewired Index：春节直播预告过的二级市场基金（BP Innovation Balanced Fund）已于今年 2 月开始运作，放的是我自己的一部分资金，完全按照分享过的五层投资结构映射持仓，Year to Date 回报 18.52%（对标 S&P 500）。「这是个 Index Fund 不是 Hedge Fund，所以回报没那么夸张……我也想像木头姐这样，当然我的交易可能比她好。」[01:38:13] 有意思的是 AI 在其中的角色：AI 依照核心指南手册定期做检查，给持仓打上偏离旗标——基础物理设施层因为美光涨太多超配了、Tesla 多了、存储占到 L1 一半以上要按纪律减仓、Palantir 是否触发二段止盈、铠侠该触发止损——「AI 会给我建议，但是现在交易还是我自己做，还是我自己下单」[01:40:18]。这正是前面观点的自我印证：AI 自动化研究员，人保留感知和决策。
直播的结尾是一段朋友拍的纪录片花絮，以及对社群本质的一句总结：Talk、Live、Weekly、In/Out、Workshop、Meetup、Index——「为什么社群很重要、连接很重要？就是我不停地在讲：Taste 很重要，连接很重要，活人感很重要，在这个时代都是非常重要的东西。」[01:44:10]
这场直播表面上讲了 IPO、算力、半导体和模型竞争，但骨子里只有一条主线：当智能变得便宜且无限供给，稀缺的东西才有定价权——对硬件如此，对模型如此，对人也如此。
在硬件层，稀缺的排序是光刻 → 先进制程 → 封装 → 电力与土地，谁卡住物理瓶颈谁定价；在模型层，稀缺的是最强智能的那「一点点差异」——智能误差有复利，所以头部模型不会被彻底商品化，但收租窗口正在从 12 个月缩到 3 个月；在人的层面，稀缺的是 AI 学不走的三样东西：你的稀有数据、你的品位、你的信任网络。
核心 Takeaway：
2026-07-06 15:17:55
过去两个月，FDE 突然成了硅谷最热的职业名词，OpenAI 和 Anthropic 相继与投行成立合资公司做企业部署，Google 也组建了自己的 FDE 团队。但 FDE 到底是什么？是外包驻场的新马甲，还是 AI 时代真正的价值节点？
这期对谈请来了正在 Cresta 从零搭建 FDE 团队的 Jove——他放话要建一支比 Palantir 更好的 FDE 队伍。这场对话给出了一个远比"驻场工程师"深刻的答案：FDE 是把企业 Know-How 转化为 AI 可执行 Context 的翻译者，是模型智能与混乱现实世界之间的最后一公里，甚至可能是下一代行业软件公司的雏形。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
Jove（钟钱杰）：Cresta Head of FDE，前 IBM / EMC / Splunk 资深工程师，连续创业者
05:56 FDE 的定义：不是外包，是"靠谱的 AI 专家 + 产品改进者"
13:06 本体论：帮企业建一个"超级 Wiki"，也是在训练超级的神
17:06 模型公司下场：OpenAI 们为什么要另开公司做 FDE
18:58 组织设计的深意：为什么 FDE 不能归属 Professional Service
24:11 Skills 即下一代软件：Intelligence in Software
29:53 模型的粘性问题：为什么 OpenAI 做不了 Cresta 的生意
33:27 巨大的 AI Gap：从 Chatbot 到 Agent，比想象中难得多
35:41 新时代的 IT 家政：先断舍离，再谈 AI
39:10 中层的消失：战场透明与组织的抽离
46:27 SaaS 已死，定制永生:越定制越好的时代
53:14 Anthropic 的阳谋：托管 Agent 就是下一代模型
59:22 Know-How 的复利：Skill 是技能的传递系统
01:03:02 FDE 会被 AI 自动化吗：信任是人类最后的堡垒
01:05:14 给程序员的建议：转职 FDE，还是做 OPC?
FDE 起源于 Palantir 十几年前的实践，本质是应对"需求复杂到无法用文档说清"的场景；但 Palantir 的成功里 FDE 到底占多大成分，其实很难拆解。
对谈从一个道具开始——Jove 特意举着写有 Forward Deployed Engineer 的牌子上桌。这个词直译过来就是"前线部署工程师"：把工程师派到客户的战场上去。
它的源头是那家"很神奇的公司" Palantir。Palantir 的客户以政府和军方为主，很多需求敏感到什么程度？哪怕签了单子，都不能在文档里写清楚到底要干嘛，必须人到现场，客户当面告诉你。这种复杂到无法用纯软件和清晰文档交付的需求，加上 Palantir 独特的本体论（Ontology）系统，让 FDE 成了一个非常有效的解法。Palantir 沉寂了十年，最近几年股价突然起飞，于是所有人都在问：能不能通过复制 FDE 模式来复制 Palantir 的成功？
Jove 对此有一层清醒的祛魅。他面试过不少从 Palantir 出来的人，坦言 Palantir 的成功因素太复杂——你能不能见到军方高层、能不能把人派进那些机构，全世界没几家公司做得到。FDE 对 Palantir 确实有效，但"关系"在其中占了多大成分，很难讲。而且 Palantir 做的很多事情，比如 Data Engineering、Digital Twin（数字孪生），其实并不是 AI。
这正是 Jove 的信心所在：他在 Cresta 搭建的 FDE 团队完全针对 AI 优化，在一个没有神秘关系加持、竞争充分的纯软件市场里靠实力做成事。他年初放了句狠话：要建一支全世界最好的 FDE 团队，比 Palantir 还好。这个团队现在 30 人，今年可能涨到 50 甚至 100 人，Jove 直接向 VP Engineering 汇报，后者直接向 CEO 汇报。
FDE 最好放在 AI Agent 的语境里定义——一群靠谱的 AI 专家，结合自身产品优势贴近客户，做出生产级系统，同时让自己的产品越来越好。后半句是 FDE 与外包的本质区别。
很多人的第一反应和 Indigo 抛出的问题一样：这不就是外包吗？日本叫派遣公司，把人派到客户那儿干完活就走。Jove 自己最初被 Cresta CEO（他的大学同学，此前在 Google 专做 Contact Center）联系时，也"既被吸引到也被吓到"——他查了一圈，第一反应是：这不就是解决方案工程师（Solution Engineer）吗？
深入做了九个月之后，他给出了自己的定义，原话是："FDE 是一群非常靠谱的 AI 专家，结合你自身产品的优势跟功能，去贴近客户，为他做出一套适合生产的系统，且能够让自己的产品越来越好。" 他补了一句：这句话很长，但每个部分都很重要。
为什么客户不自己做？那些大客户手里有几百上千个程序员。答案是 AI 太容易犯错了。做一个 Demo 不难，但要上线直接面向终端用户——比如给阿拉斯加航空、美联航（United）做面向乘客的语音体验——系统做不好就是各种投诉、客户流失、算错钱。这需要对模型的细节纹理有足够的经验，需要对 Cresta 平台本身足够了解，而客户既没有这样的专家，也不愿意花三六个月去学。
真正把 FDE 和外包区分开的，是那个回流的飞轮。Jove 和他团队里的很多人，有 10% 到 30% 的时间在改产品本身——不是修 Bug，而是接触了几个客户之后发现共性，把共性沉淀进产品。Indigo 用了一个精准的比喻：这相当于在做蒸馏——用人类的智商在前端理解客户的各种摩擦，把摩擦的 Log 喂给后端的机器，回去改模型、改产品。三个月前 FDE 还在痛苦挣扎的问题，可能已经变成产品的一部分，团队就可以去解决新的问题、新的场景。下次实施，时间更短。
这也解释了 FDE 的商业模型：客户得付得起。Cresta 的单子六位数起，服务的都是 Fortune 100、Fortune 500。但 Jove 也透露团队在往下探——小饭店、牙医诊所、招聘、房产中介，这些根本没有呼叫中心的中小企业，同样希望有一个 AI 助手结合日程表和订单系统，帮自己挡掉电话、筛选来意、约定时间。这是一个正在打开的新市场。
Palantir 的本体（Ontology）本质是企业 Know-How 的超级 Wiki——一个 Company Model。所有 FDE 的工作，最终都在为 AI 这个"超级的神"接地气，而接地气的 Know-How 只有在场才能获得。
对谈在这里进入了第一个理论高潮。Indigo 给 Palantir 的本体系统做了一个通俗翻译：它帮你把企业的 Know-How 整理成一个你自己肯定整理不出来的超级 Wiki——企业里的知识节点、流通路径全在这个网格里，然后 Palantir 的工程师让系统在这个网格上运行。相当于帮企业建立了一个 Company Model（公司模型）。更关键的是第二层：Palantir 自己会带着这个模型的知识回去，让下一代本体系统变得更好，下次遇到类似企业可以快速复用。
Jove 把这个逻辑推到了 AI 时代的版本："我们所有的人都在训练一个超级的神。AI 本身智商已经很高，但它要接地气，接地气才能解决真实的问题。" [00:13] 而地气怎么接？靠 FDE，靠各种产品化的 SOP（标准作业流程）。
Indigo 分享了一个个人化的实践来呼应：他把自己每天做的项目当成一个小公司来运作，换不同的模型就像换不同的提词器。每完成一个步骤、每思考一个关键节点，他都让 Agent 写记录、写笔记——"这个是错的""这个对，下次保持"——对执行过程做认知层面的反思反馈，沉淀成很长的 Log 和 Memory。这些东西是可迁移的，就是他个人的工作流本体。
为什么不直接训练一个模型？两人给出了一致的答案：太笨重了。Jove 举了游戏公司的例子——每隔一两周出一个新 DLC，你不停地重新训练模型，费劲且错误难以纠正。相反，用 Markdown、用 Context、用沉淀的文档来承载 Know-How，相对透明，而且可以跨 Vendor 迁移。这里牵出一个非常现实的企业心态：没人想被绑死在某个模型上。就像当年的云厂商，大企业标配至少两朵云——Google Cloud 和 AWS 同时采用——万一一家抽风，你手里还有谈判筹码。
模型厂商成立 JV 做部署，动机很直白——自己的研究员太贵，用 OpenAI 的牌子招 FDE 价格是三倍，不如另设实体压低成本，只要单子做成、Token 消耗掉就行。
FDE 最近爆火的直接导火索，是 OpenAI 和 Anthropic 在节目录制前一周与投行成立了合资公司（JV），专门服务投行所投资的企业——我投了你，你就用我的模型、我的合资公司的系统、我的工程师帮你部署。
Jove 刚从旧金山参加完 Propel 回来——全世界最大的 Professional Service（专业服务）行业协会会议，五六百人规模。业内对模型厂商下场的看法是"既是好事又是坏事"：好事是这个词更热了，对招聘、对向外界解释自己在做什么都是利好；坏事藏在动机里。
他转述了一种流传的说法：OpenAI、Anthropic 的研究员和工程师本身很贵，而把 AI 项目做成需要招很多 FDE，这些人不见得需要顶级水平。如果用 OpenAI 的品牌去招人，价格是三倍；换一个实体去招，价格就下来了。人招得次一点、价格拉得低一点，只要活干完、Token 消耗掉，对估值还有帮助。
这段话为后面的核心分歧埋下伏笔：在模型公司眼里，FDE 多多少少还是"帮我把 Token 刷掉"的外包渠道；而在应用公司眼里，FDE 是产品飞轮的一部分。这个视角差异，正是 Jove 坚持不把 FDE 放在 Professional Service 部门下面的原因。
FDE 的全称应该是 Forward Deployed Product Engineer——本质上还是做软件做产品的人，只是花很多时间跟客户在一起。组织归属决定了这个飞轮转不转得起来。
Jove 在 Propel 会上是个"异类"：满场都是 Professional Service 从业者，很多人对 FDE 模式很感兴趣（能多卖钱当然愿意），但他的观点恰恰是 FDE 不应该属于 PS。
理由是组织激励的第一性原理。如果 FDE 归 PS 管，你整天想的就是怎么排项目、算人头、算时间；发现产品有问题，你只能开个 Ticket 跟产品组说一下，改完遥遥无期——你不被信任、也不被支持直接去改产品，因为那是另外一个组的事。而在 Cresta，Jove 直接向 VP Engineering 汇报，做界面、做后台、做功能的工程师和 FDE 全是平级（Peer），FDE 候选人的面试甚至要经过他们的初面。FDE 是工程组织的一等公民。
这个组织设计释放出的能量是惊人的：FDE 团队为了部署效率，自己开发 CLI 工具，甚至自己做了一个 IDE。这个 IDE 把大量系统对接的最佳实践 Skill 化——用 Claude Skill 把流程变成文档、变成 Script，包装成一个 Agentic 的 Harness（智能体执行框架）。
更妙的是，这套工具不只内部用。Cresta 的客户分两类：一类是 IT 能力不强的传统大企业（保险公司、家庭安防），他们只管结果——"给我一个电话号码，以后客户打进来你要搞定得跟我的员工一样好"，根本没兴趣知道你怎么做的；另一类是有技术能力的公司，他们明确要求交付之后自己能改——加了新 API、Routines 要调整，不想被绑定。对后者，FDE 就把这个 IDE 交给客户，下次要改一个 AI 流程，对着系统点一点、指一指就行。
Skill 在这里像插件：有通用的（支付类、Scheduling 类），有行业的，还有针对单一客户定制、仅限该客户使用的包。在不泄露客户隐私的前提下，共性被不断抽象出来，反哺给所有人。
Skill 是 SOP 的自动化沉淀，是一种动态执行的软件——它不是 If-Then-Else 的程序代码，而是根据上下文灵活判断任务怎么执行。这个转变会把整个基础设施行业重做一遍。
对谈在这里完成了一次漂亮的抽象跃迁。Indigo 指出：这些 Skill 的内容甚至比软件本身还有价值，因为它是 SOP 的自动化沉淀，知道公司非常细节的业务流程和认知。它也是一种软件，只是这种软件是动态执行任务的——载体可能是一些 Markdown 加一些表格，根据未来新任务的上下文灵活判断该怎么执行。这就是下一代软件：Intelligence in Software（软件中的智能）。
他打了个比方：以前的软件再聪明，都只是按程序代码 If-Then-Else 执行的结果，就像手写规则的自动驾驶代码；现在是神经网络训练出来的自动驾驶，两者根本不是一回事。两人还引用了黄仁勋的观察：以前的代码可能 100% 由 CPU 执行，因为它是纯逻辑的；现在这个比例是一半 CPU 一半 GPU；以后主体是 GPU，CPU 只负责中间一小部分调度运算。
顺着这条线，对谈滑向了一个让投资人兴奋的推论：Agent 时代会把基础设施行业重新做一遍。Indigo 的逻辑链是这样的——Agent 像人类一样工作，但比人类快得多，协作带宽大得多；人类软件工程师协作用过的那些工具，Agent 都可以再用一遍。为什么 Claude（Agent）活起来了？因为文件系统——它们用文件系统共享知识。接下来，高效的缓存系统、通讯系统、更像"Agent 专用"的新数据库，都会被重新发明。Jove 补充：数据库、文件系统会是下一波软件里最重要的东西，"市场会炒他们的"。
这里有一段耐人寻味的插曲。Jove 在加入 Cresta 之前创业四五年，做的正是实时数据库——Single-Digit Millisecond（个位数毫秒）级延迟，面向量化交易和网络攻击检测这类数据量大、复杂度高、又要实时出结果的场景。他自嘲做得有点早，但话锋一转：随着 AI 对基础设施的要求越来越高，那个领域可能再过几年会重新热起来。他的职业轨迹本身就是这场基础设施轮回的注脚——81 年生，复旦毕业，IBM 做企业搜索四年，EMC 四年，Splunk 做大数据和安全七年，创业做实时数据库，然后"异世界重生转职 FDE"（这是他一篇文章的标题）。
两人还留了一个开放的悬念：现在我们训练 AI 像人一样工作，用类人的工具（比如有人给 Agent 做了类似 Slack 的协作界面），但这可能只是过渡形态——开几百上千个频道对 Agent 来说根本不够用，它们的带宽支持几万个并发协作。等到 2027 年 AI 能够 Self-Evolve（自我进化）之后，会涌现出什么样的通讯形式，没人知道。Indigo 抛出了他的判断：超级智能不是在一个模型里诞生的，而是在一群模型里诞生的——大量 Agent 协作涌现出来的结果。
模型公司的粘性一直有问题——用户两三个月就换一次主力模型。真正的粘性在应用层的沉淀：复杂的 API、领域化的 RAG、语义检测、低延迟语音，这些是模型厂商既没有意愿也没有耐心去做的。
Jove 对模型厂商下场做 FDE 的纠结，落在一个词上：粘性。他现身说法——两三个月前他喜欢用 Claude Code，最近一两个月大家觉得 Codex 又回来了，"真的干活是又快又好"。这印证了此前姚顺宇（Anthropic）在节目里说过的观点：早期的差异更多是模型公司意愿问题，Anthropic 更愿意做 Coding 所以占了先机，但等大家都有意愿了，OpenAI 也不傻，招了很好的人，Codex 就起来了。
模型再强，不接地气就搞定不了事务性的工作，用户面对它就像面对"这么大一只鸡不知道怎么吃"。而 OpenAI 本身没有那么强的意愿做企业级应用，没有沉淀出企业级平台或成套 API——所以它的态度是：我不管你 FDE 怎么做，单子做成、用我的模型就好。
Cresta 则完全相反：扎根在 Customer Experience 这个领域，有非常复杂的 API、非常好的 RAG（检索增强生成）、语义检测、非常快的 Summarization（摘要）——这些应用层的沉淀复杂到用户自己学很麻烦，FDE 帮客户搞定，同时通过不停做成单子把产品打磨得更好。FDE 在这个模式里的作用是双重的：既把单子做成，又把产品做好，"就不是外包型的"。
Indigo 从投资角度补了一刀：模型公司用自己的名义招部署工程师，财报太难看——卖 Token 的 Margin（利润率）多高，做部署的 Margin 多低。用另一个实体做 JV，既能快速切企业市场，又能让 Token 在企业里得到更好的消耗。说到底，在模型公司的棋盘上，FDE 公司是帮它消耗 Token 的渠道。
大部分公司和老板的意识还停留在两年前的 Chatbot 时代。从"会提问"到"会抽象自己的工作流"，是一道大部分企业迈不过去的坎——而这正是 FDE 存在的理由。
对谈从产业视角切回了一个更普遍的观察。Indigo 说他接触了大量中小企业和个人，感觉现在 AI 的 Gap 巨大：Agent 起来之后，大部分公司的领导和老板还在用两年前的 Chatbot 思维，很难把思想转换到 Agent 工作流上来。用 Chatbot 消耗 Token 太慢了，换成 Agent 大概是十倍到一百倍——但这个转换比学会提问难多了。
难在哪？用 Chatbot 你只要会提问就好了；要让 Agent 干活，你首先得抽象你自己的工作流。而现实是残酷的：很多企业连自己的目标都讲不清楚，SOP 也搞不清楚，今天老板拍脑袋这样干、明天那样干。Jove 讲了一个一线的黑色幽默：他经常遇到客户主管脑子里的 SOP 跟真实接线员的 SOP 根本是两回事——主管想的是一个完美世界的话术，Jove 随便抽 5% 的通话样本一看：对不起，你最好的接线员根本不是这样讲的。现实世界是非常 Messy（混乱）的。
聊天搜索式的 AI 使用只是进入 AI 世界的第一步，那个时代已经过去了。现在要真的干活，就涉及真实世界里的意图、标准化的工作流、理解意图、执行工作流、交付结果、验收结果——Agent 就相当于你雇的员工，你要学会怎么用好这个人、怎么验收他的结果。
那种目标缺失、老板天天变主意、上面想一个下面做一个的公司怎么办？Jove 的回答很直接：如果不引入 FDE 这样的外力，这个事情会更加摆烂。
FDE 像家政服务——帮企业把凌乱的 API、SOP、知识库先收拾整齐，因为不 Ready 的企业上不了 AI。这也是新一代咨询公司的形态：不出 Slides，出能用的 AI 系统。
Indigo 在湾区巡回分享时提出过一个概念：新的 IT 家政。这个比喻在对谈里被两人越聊越透。就像日本有专门帮人做家庭整理、断舍离的服务，很多企业需要请一个 FDE 公司进来，帮公司做数字化的断舍离。
Jove 给出了他们筛选客户的 Roughly 标准：舒服的客户是 AI Native 或 AI Ready 的——已经在用 Salesforce，数据模型在那儿，知识库在 ServiceNow，只是不知道怎么做一个好的语音 Agent（毕竟延迟这些事情确实复杂）。这些"好学生"只要配一个好模型、搭一套 Harness，做成是比较容易的。麻烦的是另一类：API 是自己随便建的或者找学生搞的，非常不稳定，Error Code 都是错的，文档是大量截屏和古老格式，对 AI 极不友好。
对后一类客户，FDE 的角色就是"以一个比较客气但又比较专业的方式"告诉他：你应该先把 API 改成好的样子、把 SOP 理顺、把数据库和 Knowledge Base 理顺，有了这个基础才能做 AI 自动化——否则 AI 都不知道这次做得对不对、下一步是什么。
为什么企业愿意听？因为这一波没人敢错过。有些公司跳过了上云那一波、跳过了移动那一波，但所有人都觉得不能错过 AI——你不上 AI，投资人不相信你，客户不相信你，同行还都很卷。上 AI 没什么好讨论的，问题是很多公司现在不 Ready 上 AI。
Indigo 把这个洞察升维成了一个行业判断：FDE 是智能时代的顾问公司。上一个时代的顾问公司出个 Slides、出个 PPT，老板看得很爽，员工鼓掌，然后呢？再牛一点的顾问公司跟 HR 系统绑在一起，帮你换高层换中层、换公司结构，再派人进去实施。而现在的"顾问公司"不用换你的高层——派 FDE 进去，带着 Agent 进来，帮你重新整理，相当于把中层换成了 Agent。
当 AI 智能越来越高，公司组织会抽离成"核心决策层 + 边缘执行者"，传话和总结型的中层被 Agent 替代——因为 Agent 让战场对指挥官完全透明。
"把中层换成 Agent"这句话打开了一段组织学的推演。Indigo 的判断是：AI 越发达，整个公司就会抽离出一个核心决策层，中层慢慢被消灭掉。逻辑很朴素：Agent 沟通效率极高，能做大量的消息并发传递，前线发生什么事，Agent 马上回报，老板全知道——战场透明了。中层如果只是传话和总结，就没有存在的必要，领导可以直接指挥边缘的员工干活。而边缘的执行者，可以是人类，可以是机器人，可以是 Agent，"需要人干就人干，不用人干就其他干"。
Jove 从管理带宽的角度佐证：以前一个 Manager 管 10 个人，现在管 20 个、30 个，"马上就管 50 个很正常"。
这段还顺带点评了一个行业案例：Elon Musk 的 xAI GPU 利用率低、Token 卖不掉，最后把闲置 GPU 转卖给 Anthropic。Jove 的诊断是——他也缺 FDE。模型那端非常卷，应用这端除了 Coding 需求明确之外，出图片出视频"其实是有的没的，大家觉得就玩玩"。相比之下，Customer Experience 是低垂的果实但又极其具体：给美联航、万豪（Marriott）做成一次，每天几万个电话进来，按 Volume 收费，Token 消耗巨大，收益非常可观。
一个看似简单的语音 Agent，背后是 20 个不同的模型、上万个可调参数、大量的测试和护栏。模型公司做的是"大一统"，应用公司做的是把复杂性驯服成体验。
节目在这里做了一次现场演示。Jove 拨通了自己做的 Virtual Jove——一个克隆了他声音（只用了两分钟录音的粗糙克隆版）、装载了他的博客、访谈和招聘流程的语音 Agent。用途很实际：LinkedIn 上经常有人找他聊十几分钟，他就让对方先跟虚拟分身聊一下，顺便体验 Cresta 的产品。
演示效果相当惊艳。电话接通后 AI 先做了合规声明（通话录音、用于改进），然后 Indigo 用 Tom 的名字提问。问加拿大招不招 FDE——答有，包括全远程岗位，现在就挂着一个针对加拿大的 Forward Deployed Engineer 招聘；问加拿大有多少 FDE——它诚实地说数据里没有精确到加拿大的人数，但全球目前约 20 人；问面试流程——线上申请、简历筛选、在线编程测试、Recruiter 视频聊。有问必答，不知道的不编造，信息实时准确（Jove 补充：现在招了 27 个人，下周就是 28 个，数据会跟着变）。
Indigo 的现场感叹是：这不是一个简单问答器可以做的事情。你可以想象餐馆、牙医用上它——最近有什么优惠、哪个医生在不在、帮我取消某个预约，前台都不用搞了。
那么它为什么能这么精准地掌握 Context？Jove 拆解了背后的工程。数据归客户所有，需要整理成几层：静态的 Knowledge（知识库、公司文化、历史、老板是谁），动态的信息（库存、哪个医生什么时候有空），还有氛围的把握——如果给银行做，RBC 的风格要严谨，VanCity 就可以轻快一点，这涉及音色、语速的挑选，甚至要不要故意加一些"嗯""啊"这种口语填充词。如果客户有过去一两年的通话历史，还可以拿来做样本或训练，高度拟合真人。
最关键的数字在这里：模型公司追求的是大一统——最后就一个模型，你看不见它，聊就好了；而 Cresta 这套系统中间涉及大概 20 个不同的模型，1 万个参数可以调。你不光要通过写 Prompt、写 Subagent 把它做成，还要做大量测试证明这个 Agent 不会犯错——不会聊政治和敏感话题、能刹车、信用卡信息要脱敏。"如果你光花钱买 OpenAI，没人帮你做是不行的。然后 OpenAI 也不高兴自己做，所以他要找个 FDE 来做。" [00:45]
标准化的东西失去了吸引力，AI 让"贴身定制"第一次具备了经济性。FDE 的价值恰恰藏在混乱里——家里越乱，越想请家政。
Indigo 结合自己做内容审核的经历感慨：现在大家说 SaaS 已死，就是因为太标准化的东西没有吸引力了，越定制越好。一个几乎完全定制化的产品，能让企业少招很多人、交付更快更好。
Jove 分享了实施中的真实纹理。有趣的是，"IT 指标靠谱"不等于"项目好做"：有些客户特别有钱，用得起最好的 API 最好的平台，但一个会议动不动 20、30 人参加，隔两天开一次，不停地 Align 应该怎么"拿捏 Conversation 的方式"——意见分歧大、需求频繁改，FDE 的实施周期反而被拖得很长。而另一头，API 烂、文档全是截屏的客户虽然头疼，但 Jove 的心态是辩证的："如果大家的 API 都非常好，我们的价值就低了。我们家里越乱，你越想请家政。" [00:48] 他们有好的"油污去除方法"，有 Best Practice，头疼的客户往往只有他们能搞定。
他讲了一个特别生动的行业案例：北美的牙医。牙医非常赚钱（他以个人经历佐证：创业时买最低档保险，牙医对他爱理不理；回到正规公司享受两三千的牙科 Budget，诊所就想方设法让你用满，各种洗牙各种 X 光），但牙医们的 IT 能力其实不怎么样。Cresta 帮大量牙医做 Scheduling 预约和理赔咨询，然后你会遇到教科书里绝对没有的场景：一个牙齿都掉了的病人打电话进来，话都说不清楚——你要让 AI 大概听懂他是哪里不舒服、想约下周四还是再下周四。"这种事情你自己不做是不知道会有的"，你要回头调整语音模型：听到这个音可能是那个意思，或者让 AI 多想一想。
Jove 总结了 FDE 这份工作独有的乐趣：越贴近这个世界，才能把最后一公里补好。而且 FDE 可以不用一年换四五次工作，就能一年四五次贴身进入某个行业——国家公园有国家公园的门道，牙医有牙医的门道，保险有保险的门道。这种"原来这个世界是这样 Work 的"的体感，是知识层面之外的收获。
下一代模型不再是一个可以单独部署的权重文件，而是和云端 Infra 深度整合的托管 Agent——Context 管理、记忆、持续学习都长在云上。企业一旦选择，就被锁进了"Microsoft Office + AWS"式的深度绑定。
对谈的后半段出现了整期最具前瞻性的判断。Indigo 梳理了产业分层：模型公司越来越像操作系统（Operating System）；应用层不再是标准 SaaS（因为大量功能都可以直接用模型能力实现），而是需要深度理解企业需求的人进去，把过程变成 Context，让 Context 变成模型可执行的 Agent 工作流。
而执行这些工作流，需要新的云端设施。Indigo 特别提到 Anthropic 刚推出的 Managed Agents 平台——托管的 Agent，在云端运行，配套了 Context 管理、记忆，甚至"做梦"（Dreams，自我反省）这些能力。关键在于：这些东西只能在云端住，不给本地部署。
为什么这么设计？Indigo 给出了他的解读：下一代的模型出来之后，就不是一个简单的 Model——一堆你可以单独部署的权重——它必须和 Infra 整合在一起。可托管的 Agent 实际上就是下一代的模型。Anthropic 做了一支特别精简的模型，不是很大，但推理能力和直觉特别好，然后靠基础设施给它强化 Context、给它记忆能力、给它 Continual Learning（持续学习）。当你的企业选择了这个模型，就被完全锁到它的云端了。
Jove 用一句"在商言商"确认了这个逻辑：肯定希望大家多用一点，不要整天拿我跟开源比——"跑分比参数没有意义，很累的"。
Indigo 把推演继续往前推了一步：随着大量企业使用，模型公司从前端 FDE 获得大量反馈之后，Anthropic、OpenAI 实际上是在建立自己的本体支撑系统。这个本体可以交给前端的 FDE 公司用，而模型本身慢慢积累了更多 Know-How，把客户锁得更深。对企业来说，那个终局形态就是——Microsoft Office 加上 AWS。
顺着这个结构，FDE 公司的历史定位也清晰了：下一代的行业 SaaS，或者叫行业本体公司。你 Know-How 一个行业，就能给这个行业快速做实施；或者反过来，行业里最懂 IT、玩了很久的人出来成立这种公司，服务自己的同行。
FDE 把一个客户的 Know-How 沉淀成 Skill，下一个类似客户直接复用——原来两个月的活变成两天，甚至命令行敲一下。这是纯外包和咨询公司永远没有的"根"。
这一段解答了一个尖锐的问题：客户会不会在意你把我的东西学过去教别人？
Jove 的答案分了三层。第一，PII（个人身份信息）绝对不能泄露，这是底线；第二，公司要明确哪些是客户的 Secret Sauce（独门秘方），这块不碰；第三，行业的 Common Sense——那些大家不明说但都在这么做的事情——对客户来说不是秘密，而 FDE 掌握之后，对下一次部署非常有用。
Indigo 点出了这个机制的本质：你把他的 Know-How 变成了你软件的能力，变成了一个 Skill；另一个类似客户上来直接用这个 Skill——相当于把一个人的技能通过系统传递给了另一个人。
复利效应在实践中非常具体。Jove 说他有几个 FDE 已经做过三四家同类公司，做第五家时，客户说我的 API 是这样、流程是这样，FDE 可以回答：这个我可以做，但还可以更好——以我的经验，跳开这一步直接到下一步会更自然。客户会相信你有经验。"甚至我们做餐馆，可能会比一般做餐馆的人更有经验怎么提高翻台率。"对咨询背景出身的人（Jove 招过埃森哲、麦肯锡的人），这是完全不同的工作哲学：咨询模式是客户有项目我过去解一下，做完就跑，"没有一个自己需要呈现的东西"，两三年之后觉得也就这样了；而 FDE 的根扎在产品里，"这个树会越来越大"——原来花两个月的 Case，现在两天，甚至命令行敲一下就搞定。
对谈还触及了一个反直觉的社会学观察。上一个时代，SaaS 软件把中小公司的流程给约束化、标准化了——你必须按软件设计的流程走，哪怕觉得别扭。而现在，模型加 Skill 加 FDE 部署，让流程松绑了：每个企业可以按自己的需要微调，更个性化、更适合自己。Indigo 的判断是，这种个性化会成为新的粘性来源——理发师也好咖啡店也好，你越是 Be Yourself，人家越买账。
这一两年很难。AI 可以干活，但建立信任只能靠人——喝咖啡、聊小孩、关掉 Zoom 之后的闲聊。人类的位置在边缘（Edge）：连接感情，把事情 Connect 到一起。
Indigo 追问了一个所有 FDE 从业者都躲不开的问题：如果明年模型更好，FDE 这个工作会被自动化吗？
Jove 的回答很坦诚：多少年后不知道，但这一两年很难。他举了旁证——AI SDR（自动化销售开发，发冷邮件打电话那种）看起来最容易被 AI 替代，实际反响平平；AI DevOps 能做多好也很难讲。
更结构性的原因在于 FDE 工作里那些"技术之外"的部分。Cresta 的 FDE 其实很少长期驻场（没有人待超过一周），通常是过去两天：翻翻聊聊 High Level 的东西，对一对 API 的细节——但真正的目的是信任。大家喝咖啡喝喝酒，关掉 Zoom 聊聊小孩、聊聊爱好，这个信任建立起来之后，后面难免的摩擦（你这个 API 不 Work、你这个 API 又变了）都好处理。"这个事情你说 AI 搞就搞不了。"
于是形成了一个有趣的人机分工图景：信任建立完之后，干活的还是 Agent——开会录音、聊完做笔记，AI 把 Context 拿回来自己去做事情。但让 AI 去培养信任太难。Indigo 总结成一个空间隐喻：人在 Edge（边缘），做连接——把有的没的东西都连在一块；AI 在中间干活。这也解释了为什么大家要做具身智能：要能更接近世界一些，而不是只活在 Digital Channel 里。
FDE 的画像是"靠谱的 AI 专家 + 迷你 CTO"——快、准、狠，最好创过业。而 OPC（一人公司）的本质是媒体生意，适合天生能获取 Attention 的人。这是两条完全不同的路。
节目的收尾回到了每个从业者最关心的问题：普通工程师该怎么办？
Jove 每个月收到几百份简历，他的观察是：现在人人都自称 AI Engineer——你是个 Engineer 当然要用 AI，不用 AI 才有问题——但真正知道怎么做 AI Agent 的人不多。Prompt、Context Engineering、Test 和 Eval、语音、Call Center 的种种细节，这里面有实实在在的技术门槛。他给工程师的建议是三条：第一，你不能只会 Coding，要知道怎么做 AI Agent；第二，如果跟人沟通不是一件让你特别讨厌的事，应该多做一点，因为那块 AI 替代不了——哪怕你很 Nerd 也没关系，跟对方同样 Nerd 的 Tech Lead 反而容易产生共鸣，油腔滑调才招人反感；第三，像一个迷你 CTO 一样思考，想着怎么把客户的事情结合自己的产品做出来，中间有很多取舍，还要会 Say No。
他把要求浓缩成三个字：快、准、狠。快是动手快、学得快——接一个保险项目，Base Contracts、API 这些东西要迅速上手；准是判断准——一个项目往往只放两个人，这是他不招 Junior 的原因："Junior 积极性很高，但不见得能做非常好的决定"，还是要资深的老鸟，"它的模型比较大，可以做一个好的决定"；狠是对自己狠——加班、Travel 肯定有，要能跟人吵架、能自己扛。他特别喜欢招创过业的人，"最好是像我这样创业失败的，创业成功也不错"——因为创过业的人知道，把事情做成很难，不是按部就班就能成的。
为什么要这么拼？因为现在是抢山头的年代。OpenAI、Anthropic 在抢模型的山头，Customer Experience 领域也有好几家在抢——你把最大的航空公司、最大的酒店连锁吃下来，它要离开是很困难的。动作不快、不借助一个好的平台，一个人很难折腾出大动静。
对谈的最后是关于 OPC（One Person Company，一人公司）的清醒剂。Jove 对 OPC 不那么乐观：FDE 恰恰避开了创业最难的部分——获客、PMF、跟 VC 周旋、打 Cold Call，"我这边工作就是这个单子差不多可以成，怎么用最好的方式做完"。Indigo 则给出了一个更犀利的框架：现在生产软件很简单，获客很难，因为 Attention 很贵，智能不贵。所以 OPC 最适合的是自媒体型的人——天生就在获取 Attention 的人，有了注意力，卖什么都可以。代码是媒体，内容是媒体，视频文字都是媒体；如果你既会做内容，又会用 AI Carry 出带着强烈个人色彩的、很 Sharp 的产品，在一个利基市场里服务自己的粉丝基础，那 OPC 就成立——他举了小红书创作者 Peter 的例子，一个人做了 40 多款软件。这种 OPC 的本质是 KOL，是明星软件。
如果你没有这种基因？两人的共识是：去一个好平台做 FDE，比做 OPC 要稍微简单一点，也现实得多。
FDE 是"部署"，更是一场知识形态的迁移。 这期对谈最深的一条暗线，是知识的载体正在换代：从人脑里的经验，到文档和 Wiki，到 SaaS 软件里的固化流程，再到今天的 Skill——一种以 Markdown 和 Context 为载体、由模型动态解释执行的"活软件"。Palantir 用本体做过一遍的事情，正在被 AI 时代以百倍的规模和百分之一的成本重做。谁掌握了"把混乱现实翻译成 Context"的能力，谁就站在了这场迁移的收费站上。
产业结构正在重新洗牌成三层。 模型公司做操作系统（并试图用托管 Agent 把 Infra 一起吃掉）；垂直应用公司做领域沉淀（Cresta 之于 Customer Experience）；FDE 做最后一公里的翻译和实施。有意思的是三层之间的张力：模型公司希望 FDE 只是 Token 消耗渠道，应用公司把 FDE 当产品飞轮，而 FDE 公司自己可能长成下一代的行业 SaaS。这个三体结构未来几年怎么演化——特别是 Anthropic Managed Agents 这类"模型 + Infra 一体化"产品会不会挤压中间层——值得每个投资人持续跟踪。
组织学的预演已经开始。 "把中层换成 Agent"不只是修辞。当战场对决策层完全透明，管理带宽从 10 人扩展到 50 人，传话与汇总型岗位的消失几乎是数学上的必然。而人类的新位置在 Edge：建立信任、连接感情、做出需要担责的判断。这对个人的启示或许比对企业更紧迫——你的工作离"信任"和"判断"越近，离被自动化就越远。
1. FDE 的定义（Jove 版）：一群非常靠谱的 AI 专家，结合自身产品的优势贴近客户，做出适合生产的系统，且让自己的产品越来越好——后半句是 FDE 与外包的分水岭。
2. 组织归属决定命运：FDE 放在 Professional Service 下面就会退化成算人头的外包；放在工程组织里、直通 VP Engineering，才能形成"客户摩擦 → 产品改进"的蒸馏飞轮。
3. Skill 是下一代软件：不是 If-Then-Else 的静态代码，而是根据上下文动态执行的 Intelligence in Software。Know-How 沉淀成 Skill 之后可以跨客户复利——两个月的活变成两天。
4. 企业不想被模型绑架：跨 Vendor 的 Context 沉淀（Markdown、文档、Skill）比训练专属模型更透明、更灵活，就像当年大企业标配两朵云。
5. 托管 Agent 就是下一代模型：模型不再是可单独部署的权重，而是与云端 Infra（记忆、持续学习、Context 管理）深度整合的服务。选择即锁定，终局形态是 Microsoft Office + AWS。
6. AI Gap 的真相：从 Chatbot 到 Agent 的转换，难点不在技术而在企业能不能抽象自己的工作流。SOP 混乱的企业需要先请 "IT 家政" 断舍离，才谈得上 AI 化。
7. 人类的位置在边缘：AI 在中间干活，人在 Edge 建立信任、连接世界。信任无法被自动化——这是 FDE 短期内不会被 AI 替代的根本原因。
8. 给个人的路线图：会做 AI Agent（Prompt、Context Engineering、Eval）+ 愿意沟通 + 迷你 CTO 思维 + 快准狠 = 优秀 FDE 的画像。OPC 则是另一条路——它本质是媒体生意，Attention 很贵、智能不贵，适合天生的 KOL。
9. 这是抢山头的年代：吃下最大的航空公司和酒店连锁，客户的迁移成本就是你的护城河。动作要快，且要借助好的平台。
2026-06-19 12:26:09
最新一期 Indigo Talk，邀请了老朋友 Jun Wei，一位是自称”中登大厂牛马”的 Meta 工程师，两人都站在风暴中心，聊的却是最朴素的问题：当智力变得廉价，靠售卖知识和时间为生的白领该怎么办？这次对谈给出了一条完整的逻辑链——为什么这场竞赛不可能停、程序员的历史使命为何已部分完成、窗口期的 Alpha 在哪里，以及普通人如何”先苟住，再找生态位”。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
Jun Wei（Meta 工程师 西雅图 / The Diff Podcast）
这不是又一波科技小浪潮，而是 Junwei 和 Indigo 都认定的、一生中见过的结构性变化最大的一次技术革命。
对话从一次线下活动说起。两周前两人还在西雅图见面，上周 Junwei 又专程从西雅图赶到温哥华，参加 Indigo 组织的 Rewired Meetup，于是约定活动之后录一期播客，聊聊当下大家最关心也最焦虑的话题：大厂人面对 AI 竞争，这个压力怎么缓解。
Junwei 的自我介绍带着典型的自嘲幽默。他七八年前在纽约读完 PhD 来到西海岸，开始”大厂牛马的生活”，一路经历了云计算、Uber 和 DoorDash 式的线上线下融合等一波波科技热潮。他对观众开了个玩笑：如果你是最近刷到这期视频，那我讲的是一个中登大厂牛马的痛苦；如果是两三年后 YouTube 又把它推荐给你，那你大概是在博物馆里看一个”上个世纪如何写代码的活标本”。这个玩笑背后藏着真实的判断——他自己都不确定，手写代码这门手艺还能以现在的形态存在多久。
Indigo 则点出了这次对话的基调：AI 从去年年底到现在的进步非常惊人，Agent Coding 能力大幅提升，干活能力大幅提升，矛头直接指向白领和程序员。但他强调，这期节目并不想贩卖悲观——Junwei 带着”过来人经验”，要聊的是焦虑之外的机会、希望和新变化，包括很多大厂中年程序员关心的家庭与子女教育问题。
白领售卖的是时间加领域知识，而大模型把 Knowledge 这一部分”打成零”，初级和中级从业者被直接扯平——这是结构性变化，不是周期性波动。
Junwei 给出了这次革命与以往科技浪潮的本质区别。云计算也好，Uber 也好，那时候科技更多是”赋能”：CEO 们用科技杠杆侵入传统行业，盘活资源，增加 Revenue，科技从业者的商业版图越做越大。但这一次完全不同——大家突然发现，智力这件事情开始更加廉价了。
他拆解了白领工作的本质：整个白领行业售卖的，其实是你的时间，加上你在小范围内的 Domain 知识，再加上一些合作关系。问题在于，有了大模型，再叠加过去二三十年搜索引擎积累的能力，你思考范围内的 Knowledge 和实时数据它都有，知识这部分的价值可以说直接归零。有人会反驳说”我的 Domain Knowledge 只有内部人知道”，Junwei 承认这点，但他指出大趋势：很多初级跟中级的从业者，其实都被扯平了——这就是结构性变化的含义。
他进一步把这件事放进更大的历史框架里。过去几十年，摩尔定律带来幂指数级增长，算力提升又加速了生物探索、材料寻找等全行业进步，这是人类文明增长最重要的引擎。这个引擎在北美造就了一个庞大的知识型白领阶层。而现在，这个阶层最赖以生存的质点被大幅度打折了。顶尖的人当然还会留下来，但问题出在”面”上：如果原来三个人的活，现在花 Token 就能解决掉其中一个人的，那就是 30% 的白领劳动力市场被重新定价——对整个社会而言，这是可预见的未来就会发生的事。
Indigo 在这里补了一个自己的预言。他前两天发了一条 X：一年之内 AI 已经替代了初级程序员，明年可能部分替代高级程序员，三年内替代研究员。很多人不服气，甚至有人骂他”没见识”。他的回应很干脆：
“我就把话放在这。”
讨论”会不会替代”已经没有意义，因为替代正在发生——而且这次裁员发生在财报漂亮、收入增长的时候，性质和以往的周期性裁员完全不同。
两人接着把视线转向正在发生的事实。Indigo 列举：微软刚宣布让员工签退休协议、做买断，“像华为一样”；Oracle 裁掉数万人。Junwei 补充了他在硅谷亲眼所见的残酷细节：就在两三周前，有人晚上收到邮件，早上工牌就刷不进去了——“就这么残酷的资本主义”。还有 Jack Dorsey 的 Block，裁员一半，并且把理由明确指向 AI：我们发现 AI 能够提高效率，我们要重构组织。Dorsey 还为此写了一篇广为流传的文章，Indigo 评价说写得确实深刻，现在 Dorsey 甚至在尝试让六千人直接向他汇报——组织层级本身正在被 AI 压扁。
哪些行业首当其冲？两人梳理出北美靠智力赚钱的三大板块：科技大厂、金融、律师事务所。律师可能会好一点点——不是因为 AI 干不了，而是因为律师行业很团结，有行业保护。Junwei 后面用了一个精彩的类比来解释这种保护机制：就像北美做电工、水管工要考证、要修几千个小时，其实几百个小时就够了，多出来的部分本质上是摩擦成本，像收税一样——行业协会间接性地向 AI 收税，不让你轻易进入这个 Community。金融则毫无保护可言：金融机构本来就追求足够瘦小、足够敏捷，能用 Agent 替代研究员、初级交易员，那当然替代。
Indigo 引用了 Anthropic 的报告和 Dario Amodei 的访谈来印证：所有白领的文案工作、数据处理工作——分析、报告、研究、代码——正好被 AI 的能力圈完整覆盖。他判断，职业市场的信息是滞后的，这种感知会在今年下半年到明年，随着市场数据的披露而变得人人可见。
AI Labs 不会停、国家不会停、个人也不会停——这是一个多方博弈的纳什均衡，除非人类整体撞到大问题、政治力量彻底介入，否则竞赛只会加速。
既然都知道会有这样一个未来，大家内心是怎么准备的？Indigo 抛出这个问题后，Junwei 先讲了竞赛为什么停不下来。
程序员这个行当有个根上的基因：祖师爷是 MIT 黑客实验室，最重要的传统就是开源跟自由共享。这个基因决定了知识扩散无法被行会式地垄断——于是出现了现在的局面：美国人睡觉了，美国的 AI 还在卷；中国人还醒着，还在发新的 Paper、新的模型，不断打榜。这些公司已经处在一个根本不可能停的状态，除非达到某种稳态，而那个稳态本身又极其微妙、极其不稳定，所以大家只会持续砸钱，直到真的撞墙。欧洲也一定要砸钱做自己的模型，每个政体都在投算力，希望”自主可控”地往前走。
Junwei 提到一个很有说服力的反例：大约一年半前，Elon Musk 等人签署公开信，呼吁头部实验室放缓发展速度——没有任何人在意，Elon 自己也不会在意，因为大家都心知肚明，这就是一个 Game。真正能让竞赛暂停的，只有人类整体撞到一个大难关，需要政治力量彻底介入、重新谈利益平衡。但现在影响还局限在知识从业者身上，政府的优先级还没排到这里。
Indigo 用模型发布节奏量化了这种加速：以前一个季度、四五个月出一版模型，现在两个月一版，他估计到年底会是一个月一版。然后他讲了一个自己亲历的”主权 AI”案例：他的基金第一期投了加拿大大模型公司 Cohere，最近 Cohere 与欧洲公司合并，欧盟机构和主权基金注资六亿多欧元，估值翻了十倍——“感谢 Trump，感谢大家的竞争”。地缘政治的裂痕让每个政体都必须拥有主权 AI：加拿大有 Cohere，欧洲有 Mistral，中国全线开源，剩下全是美国的。国家不会停，实验室不会停，算力投入不会停——基建才刚刚开始。
竞赛的另一个加速器是湾区本身。Junwei 描述了这个”养蛊”般的环境：如果你在美国或中国的中部城市创业，第一步走对了，第二步走对了，第三步没有参照就 Lost 了——即使你手里有 Codex、有 Claude，你也”没见识”。但湾区是个思想的熔炉，PhD 浓度太高，智力浓度太高，各种想法会迅速 Converge，创业者 7×24 小时盯着彼此最新的 Paper，离资本又近，反馈和迭代都极快。Indigo 总结得很形象：硅谷和三藩在给全世界提供智力燃料，然后把智力燃料转化成模型的燃料，烧掉其他地方的工作岗位。
两人还共同回忆起一个讽刺的细节：一年半前大家还在 diss 大模型”没找到 Killer Application”。结果最后找到的杀手级应用是 Coding——把行业自己人给干掉。以前订阅模式一个月包月还有人嫌贵，现在用 Agent 写代码，烧 Token 如流水，而且会上瘾，停不下来。在企业内部也一样：你还在祖传手写代码，你的同事已经口述需求跑得飞快，竞赛已经是全员的。连学术界也未能幸免：PhD 用 Claude、GPT 写论文找 idea，教授把学生 polish 过的论文再扔进自己的 AI 里过滤一遍审稿——所有知识行当都在边被赋能、边被惊吓，然后”毕业即失业”，形成一个怪圈。
程序员的历史角色是把物理世界翻译成逻辑世界，几十年积累的代码恰好成了喂养大模型的最佳语料——这个翻译员群体的历史使命，有一部分已经悲壮地完成了。
这一段是全场最有思想密度的部分之一。Junwei 先剖析了大厂工程师这个群体的”用户画像”：大家不一定是生意人，可能 GPA 很高，但都是一个模子生产出来的，最大的共同短板是没有商业闭环能力——你之前做的事情属于”卖手艺”，由大厂来定价说你这手艺值多少钱。现在生态发生了根本性倾斜：你不仅要跟同行比拼，还要跟 Token 比性价比。
然后他给出了那个令人脊背发凉的历史隐喻。程序员这个群体的使命，本质上是把物理世界翻译到逻辑世界。几十年来人类程序员钉是钉、铆是铆写下的海量代码——你可以把它们理解成积累的 log——现在这些 logging 正好让大模型给吃进去了。语料如此规整、如此结构化，天然适合做自动化、做 Agent。“程序员 Somehow 作为一个翻译员的历史使命，有一部分人其实已经就完成了。” Indigo 接了一句：“就很悲壮。”
Indigo 从裁员模式的变化印证了这个判断。过去的裁员是周期性的：利润有压力、加息了、要控成本，裁完等景气回来再招。但现在财报很好、收入在增长，公司却开始裁员——这说明不是周期问题，是部分程序员的历史使命真的结束了。疫情期间大量”转码”进来的聪明人，行业其实已经不需要这么多人再去写那些最原始的、喂给大模型的代码了。
Junwei 还观察到一个学术圈的代际断层，他的说法很妙：2017-2018 年（Attention is All You Need 发表）之前的 PhD “已经不纯血了”，18 年之后的人是 Based on 这篇 Paper 开始的新纪元。有教授抱怨新一代学生连基础的 Computer Vision 知识都没有，但这并不妨碍他们发好 Paper——因为他们整个思维范式的 Foundation 变了。世界上到底需要多少 Pure Computer Science 的人去研究复杂度？对大多数小康之家的孩子来说，CS 是一门安身立命的手艺，不是阳春白雪的学问。而现在，斯坦福新开的课（比如 CS336）很少再讲传统内容，直接教 Transformer 的各种变体、教大模型 From Scratch——你可以立场上认为大模型就是一个新的 OS，现在教孩子的就是如何从零写一个 OS。
这对”老登”们意味着什么？Junwei 毫不留情地指出：硅谷精神最重要的就是反叛、反对权威，用最新的东西取代旧的，最受不了的就是老登——硅谷没有老登。作为老派，唯一让人愿意跟你玩的资本是你有钱或者有人脉；想靠”我是你某某古早师兄”刷脸，没有人理你，因为思考的 Fashion 和 Foundation 已经完全不同。他举了 Garry Tan 的例子：斯坦福 CS 本科出身，写过开源监控库 Prometheus，现在一边 Lead YC 的变革、做 Podcast 扩大影响力，一边还天天更新自己的 GitHub——这才是不被淘汰的姿态。
程序员这个职业本身在变——增删改查的码农时代结束了，剩下两条路：要么钻进金字塔尖研究模型本身，要么横向打通全栈、修炼”程序品位”，成为懂关联而非抠细节的 Builder。
如果还想留在这个行当，该怎么办？Junwei 给出的答案是一场彻底的自我革命：把自己所有的 Tech Stack 全部 Refresh 一遍，重新上货架再卖自己——就像十年前大数据浪潮时一样，但这次更彻底。你需要跟最新的青年才俊们站在同一个 Tech Stack 上，能跟得上他们的 Paper、有参与度，而不是忐忑不安地等着被干掉。
如果你不主动革自己的命，那就会和很多跟你技能相同的人一起出局；即使苟到最后，剩下的人也吃不到这个时代真正的 Buffer 和利润。
Indigo 从自己的经历出发做了系统总结——他做 VC 之前也是程序员，微博早期写过代码，自认”现在再写程序太落伍了”。他看到的第一个变化是职业本身的转型：从 Programmer 变成 Builder。随着技术一层层往上抽象，代码实现的细节不再重要，你交付的越来越多是 Intention——意图。
由此分出两条清晰的路径。第一条：如果你是最优秀的 Computer Science 人才，那就去研究模型、研究 AI 里最复杂的东西，去做这个时代的 OS——就像三十年前写操作系统的是大神中的大神，今天写 Mamba、做 Linear Attention、做大模型优化的人，依然能吃到很大的红利。但这条路在金字塔顶端，人很少，路很难走。
第二条路留给大多数人：横向学习，把 Full Stack 的关联性学会，成为一个好的 Architect。你懂所有东西怎么连接——A 关联 B 到 C 时会有什么问题——但里面的实现细节不用再抠了。这时候真正稀缺的能力变成了程序品位：我虽然不写代码，但我知道什么是好代码。不为实现细节较真，为代码最终达到的目的负责。
Indigo 说得很直白：IT 行业真的不需要那么多写增删改查的码农了。很多人当年选专业就是冲着”大厂码农收入高”，这扇门已经关上了——大家都冻结招聘了，再讨论这个话题已经不合时宜。至于 AI Lab 的顶部研究员说”三年后我们自己也被取代”，更多是自嘲：金字塔尖上，AI 永远只是研究助理，它不能帮你出结论。
当写代码的时间被压缩到和写文章一样长，纯软件不再有壁垒，竞争的焦点就变成了想法、表达和注意力——创业的核心逻辑变成了做媒体。
对想从大厂出来创业的人，Indigo 分享了他在上次活动中提出的判断：Everything is Media。他观察到现在 95 后、00 后创业者的打法完全不同：第一天先上社交网络，发 Reddit、发 X，喊出”我要做什么”——第一个喊出来，就是你的，不管你做不做得出来。第二天代码就出来了，设计很垃圾但没关系；马上有人试用、有反馈，第三天用 Agent 重写一遍，一周之后东西就比较完善了。先公开交付，再快速迭代，用开源吸引眼球，再做社群推广。
支撑这种打法的，是一个不可想象的成本变化：写代码的时间变得跟写文章一样长了。写一个巨大的工程，难度降到了写一本书的量级。但成本归零的另一面是壁垒归零：既然大家都能这么便宜地交付，那就比谁的想法好、谁更会做应用、谁能抓住注意力。
Indigo 顺势亮出了自己作为 VC 的投资纪律：过去两年多投 AI 基金，一个纯软件应用都不投（有一两个例外是关系户），只投 Infra 和模型，现在会往 AI For Science 这类更有深度的方向延伸。逻辑很简单：如果你唯一的优势是会写别人不会写的软件，这个壁垒已经不存在了——没有什么软件是别人”不会写”的，跟 Agent 说一声就写出来了。他还提到刚听的 Naval 新播客，对方对纯软件的判断与他一致。
新时代需要的能力组合于是变成：第一，有审核代码的品位；第二，有足够清晰的表达，让 AI 能准确理解你的意图。你写过多少行代码已经毫无重要，你要跟 00 后竞争的是如何 Build in Public、如何展示自己、如何”献才艺”——有点像做自媒体，一个大的秀场。
Junwei 从西雅图的视角补充了硬币的另一面。他先讲注意力的转化：有人靠审美、有人靠审丑获得破天流量，但最终都要回到经典的漏斗模型——流量怎么转化成生意的 Workflow、怎么留存。以前这些事归 Marketing 和 CEO 操盘，现在整个 Workflow 压在一两个人的小团队身上：你既是技术人员，又是 Marketing，你还得”有活”、得”整活”——他甚至举了快手吃播博主的例子：同样是吃播，有人就是能靠”自己有活”跑出来。
然后是更扎心的观察：四五年前大厂人说要创业，底气其实来自退路——刷题能力还在，随时可以回去，所以”抛弃大厂”显得潇洒。但现在没有退路了，这件事情要见真章了。市场验证也变得极快：现在这种环境下，你出来做半年还没有进展，就说明你没看明白这件事；而你写的东西，下个月就可能被人取代。
他还泼了一盆针对”Vibe Coding 狂欢”的冷水。国内因为某些编程工具的爆火，Builder 们天天在写产品，那种感觉像”憋久了终于找到释放的窗口”。但 Junwei 一针见血：那只是程序上的爽，跟真正的 Business 完全无关——你写的东西第一没人用，第二也不是解决了黎曼猜想，只是把开源库一点点堆上去的爽感。以前写完扔给大厂总能换成钱，现在你必须自己把它接进商业回路，这才是真正的新挑战。
职业梯子已经不存在了，取而代之的是窗口期的 Alpha——把过去为人类设计的软件世界，针对 Agent 全部 Redesign 一遍。这个窗口可能只有一两年，想吃到就得现在跳进去。
那么眼下还有什么确定的机会？Junwei 指出了一个巨大的工程缺口：过去所有的 UI/UX 都是针对人优化的，而现在干活的主体正在变成 Agent。无论前端后端，都面临一场针对 Agentic 场景的大重构，这本身会产生巨大的工作量。他举了 Web3 的例子：一个 Agent 要做支付，额度很小、涉及 Gas 和 EOA 账户，怎么 Verify、怎么设计权限，这些都需要重新 Redesign。
但他对这个机会的定性极其清醒：这个坑已经属于稍纵即逝，可能就是一两年你还有活干，干完之后，我们并不知道下一步是什么。这是与过去最大的心理断裂——以前的职业是可预期的：三级升四级、四级升五级，做到七级八级就满足退休；现在没有 Pass 了，看到 Alpha 就得赶紧跳进去，做完再看下一个坑在哪。他给这种状态起了个名字：海外务工人员变成了”大零工”——有活就赶紧干。
进入门槛倒是被拉平了。以前大厂的吸引力在于绿卡和稀缺技能这两道 Bar，现在 AI 行业里绿卡不再重要——所有协作都在 GitHub 上，只要你能连上 WiFi，你的脑子就可以跟湾区的人同步，再花 20 块钱充个会员，技术武器层面你就 OK 了。
Indigo 提到孟岩（五源资本）最近那篇广为流传的文章——“好像都被硅谷给抛弃了”。Junwei 表示认同：一个人推一把，另一个人再推一把，所有人都在踉跄着往前追。Indigo 的总结是：用自己革自己的命，这就是硅谷。
半导体行业重新回到了”硅”的本源——AI 让硅基智能的需求变得无止境，杰文斯悖论意味着算力越便宜消耗越多，下一代 GDP 增长真的要靠硅基拉动。
话题从职业转向更宏观的产业逻辑。Indigo 提出一个观察：硅谷为什么叫硅谷？Silicon——我们又回到了真正的硅基时代。半导体在互联网和移动互联网时代的增长其实是线性的，跟着人类消费电子和云计算的需求走，很快进入瓶颈；英伟达在 AI 之前的最后一波上涨靠的是挖矿，矿潮退去后暴跌得很惨。而 AI 让大家重新发现了做半导体的意义：人类对硅基智能的需求是无止境的——一旦有了好的智能，就想要更好的智能，硅基和人一样贪婪。
他做了一组关键对比：人类消费的增长上限很低——人口就这么多，生育率还在下降，这是 Elon Musk 天天担心的问题；但硅基消费的增长上限太高了。现在的模型这么贵、算得这么慢、还不够聪明——我们才刚刚触发智能边界的一点点——大家就已经兴奋到疯狂加芯片了。他引用杰文斯悖论：东西越便宜，需求越多而不是越少。每天用 Claude Code 的人都有体感：要么等额度恢复，要么心疼钱包——这就是算力不够。如果算力提升十倍，我一样可以把它花完，人类的聪明才智和无数的想法可以顶着把它花完。
顺着这个逻辑，他解释了几个行业现象：为什么字节 Seed 的惊艳模型不敢全量开放？不是不想，是算力根本放不起。为什么 OpenAI 限制 Sora？耗不起。为什么 AI 公司都把 Token 优先供给写代码？因为这是价值最高、最赚钱的 Token——“你要工作，你没办法，我就把最赚钱的 Token 给你用”。他畅想了基建提升十倍、五十倍后的场景：戴上眼镜（他打趣说”你们 Meta 做的眼镜”），AI 永远 Live Streaming 地实时同步看这个世界，帮你观察一切、自动生成今天的记录——现在做不到，纯粹是 Token 耗不起。
所以他的结论是：半导体进入了新的黄金期，AI 带来了新一轮的文艺复兴——硅基文化的复兴，下一代的经济和 GDP 真的要靠硅基拉动。但他也点出了唯一的系统性风险：只要别搞成 1929 年——人类不消费了，公司赚不到钱就裁员、更多投入 AI，人类更不消费——进入这个死循环。而科技行业的人即使看到了这些，手也不能停，这不是他们的事情。最后这个球，踢给了整个社会的代表：政府。
Indigo 还顺手举了内容产业的例子说明替代的速度：小红书上超过一半已经是 AI 内容，TikTok 上 AI 短剧把人类演过的剧本用 AI 重演一遍，投放到北美、南美市场赚钱——横店的剧组人员就这样被波及，这才一两年。
Junwei 的答案朴实而完整——用行动化解焦虑（Just Do It），把 AI 融入家庭健康和生活细节，用健身找回对物理世界的掌控感，以”少赔点就是赢”的心态守住基本盘，然后寻找适合自己的生态位。
节目最后回到了最初的问题：既然很多工作会被替代，我们现在应该做什么？如果有孩子，该给孩子什么建议？
Junwei 先承认了一个认知上的谦卑。他引用 Claude Code 主要作者 Boris 的访谈：连 Boris 都说完全无法想象两三年之后的样子，最多能告诉你六个月之后——因为他现在在内部 Dogfooding 的东西，就是六个月后公开发布的东西。未来出生的一代是完全的 AI Native，连互联网 Native 都不是。Junwei 的自嘲依然精准：你不能让一个农民去想象皇帝的生活——我脑子里的 Parameter 就这样，这是教育系统和生活经历积累的结果，没办法。
承认看不清之后，他给出了自己正在执行的几件事。第一，回到”乔丹老爷的那句话：Just Do It”——有焦虑，你就去做事情。焦虑并不解决问题，行动才给你反馈。
第二，把 AI 引入家庭健康。一个特别生活化的例子：长辈总转发养生文章，以前自己反驳毫无意义、还伤感情，现在让 AI 有理有据地分析，家庭矛盾少了很多。
第三，用健身对抗”光速焦虑”。这一段是全场最有哲学味的部分：聊 AI、聊代码、聊投资,都是脑子里的电信号,以光速运行——逻辑推演一分钟就想完了,再往下就是未知,所以特别容易焦虑。而运动是线性积累、回报很慢的事:做 30 个俯卧撑,胸没变大多少,但它给你一点点小的掌控感——对物理世界的掌控感。他选择强行把自己拽回物理世界。
第四，是一套完整的风险哲学。他用 2008 年金融危机类比：大家事后聊的都是谁逆势赚了大钱，但对普通人来说，你少赔点就已经是赢了。如果看不清前面的方向，那就把基本盘控制好——Mental Health、家庭健康、生活细节——把 AI 慢慢融进去，把那些 Bleeding 的漏洞补上，再去看前面怎么回事。他引用某资本 CEO 的访谈来区分两种赢法：谨慎的人靠对手犯错、自己少犯错而赢，“苟住了就还 OK”；有 Insight 的人靠在别人没发现时果断 All in 而赢。关键是认清自己是哪种类型——他坦承自己”非常普通，肯定是偏苟住的一种”。
第五，加入社群，找到生态位。他给 Rewired 社群起了个绝妙的名字：硅谷的 VPN——如果你肉身不在硅谷，可以接入一个虚拟的硅谷，一个 Virtual Personal Networking。社群成员从湾区到东京到处都有，经过”Indigo 优选”筛选，Taste 在同一水位，每个人带着自己对世界的观察，拼凑出一幅完整的图景。他的生态位理论也很实在：我在湾区不是最牛的，但也许在纳什维尔或其他地方能有自己的 Level，就像分级赛马——天龙人总有天龙人的赛场，我就拿小本记下天龙人怎么干，先少赔点，再找到适合自己的生态位，稳下来就成了。
Indigo 补充了自己的版本：回归现实生活、回归物理世界的体验——体验接下来会非常珍贵。他重提去年在上海分享过的构想：未来社会会分化成”AI 自动化社会”和”人类社会”，后者像日本、意大利那样尊重手工劳作和匠人、“人感很强”的社会会非常有价值；两种社会做贸易，就像两种文明交换——自动化产品换人类手工作品。AI Made 的东西会被人轻视，人类依然尊重手工制造。
关于子女教育，Indigo 给出了具体得能直接执行的建议：他对自己孩子选大学只有两个条件。第一，学校要在好的 Location——离科技进步最快的地方最近；第二，学校要足够 Social、足够多元化，什么样的人都有，因为多元化带来的可变机遇，会让你对未来的思考和选择完全不同。这两条比学术排名、比常春藤更实际——有些藤校 Location 偏僻得吓人，“那都是一百多年前排的名，赖着名字不走”。他还看好整个环太平洋地区，尤其美西：多元、乐于分享、站在科技最前沿。
AI 越发达，人和人的连接反而越重要；技术转型需要政府设计缓释机制；而我们要做的，是以乐观的观察员心态，活着看到起点到来。
收尾部分两人聊到了更远的未来。Indigo 提出一个看似反直觉的判断：AI 极度发达的时候，人和人之间的连接性反而更强了。连接方式可能会变——不再是信息流分发，而是 Agent 代表主人去连接——但最终还是人通过 Agent 连起来。所以组建社群很重要：未来会有非常丰富多彩的社群，让大家在没有了工作之后找到存在感，“把人类自己碳基的 Token 给消耗掉”，像村庄老大爷的 Q-Time 一样。
Junwei 接着提出了一个关于”隐性 UBI”的犀利观察：美国国防部前线战斗人员和后方文职人员的比例是一比一，以美国的技术能力，完全可以用 AI 优化掉后端，但它养着这些人——这本质上就是一种小范围的 UBI；中国的国企和政府部门里很多人忙的是”人情事故式的瞎忙”，用自己的时间和精力换稳定，同样是小范围 UBI。如果生产力真的大幅前进，这个范围可以慢慢扩大。呼应开头律师协会的话题，他提出”AI 税”的概念：你想解决我的问题可以，但要交高额的”关税”，养活行业里的人。
Indigo 把这个逻辑推到了政策设计层面：技术进步带来的 Shift 需要缓释，缓释慢了不行，太快了社会就休克了，因为社会的 Adoption 需要很长时间。政府需要设计很多机制——行业保护、牌照制度，他甚至预言：如果机器人真的进入物理世界，政府会给人类发牌照去组建机器人公司，人类在后面收机器人的税——让人有活可以干。
最后是两人的告别陈词。Indigo 说他做社群、做内容，是想成为一个有独特视角的观察员：我们不是看着 AGI 到来，我们是看着起点（奇点）到来——2040 年大家都能看得到，所以这时候最重要的是活得好。这是最好的时代，也是最坏的时代：悲观地想，AI 要拿走我们的工作；但 400 年前没有工业时代，人类也过得很好——白领本来就是过去几十年才有的产物。而生产力效率提高后，物质会更繁荣，最好的时代很快也会到来。这次转型像电力发明一样，会造成社会巨大的 Shift——所以他的社区叫 Rewired：重新连接，重燃——各行各业、各种思想都要重燃。带着平衡、乐观的心态度过这个艰难的时期，因为艰难的时期，是上帝给的机会，也是我们自己创造的机会。
智力廉价化的下一站是什么？ 对话中”知识被打成零”的逻辑，目前主要应验在可数字化、可验证的知识工作上（代码、分析、文案）。但 Junwei 的”翻译员”隐喻暗示了一个更深的问题：每一个把现实世界结构化为数据的职业，都在为自己的替代者生产训练语料。今天是程序员的 log，明天可能是医生的病历、律师的卷宗、设计师的图层文件。从这个角度看，“行业保护”（律师协会式的摩擦成本、AI 税、牌照制度）可能不是落后的既得利益，而是社会缓释机制的原型——这与 Indigo 提到的政府治理议题形成了闭环。
“Everything is Media” 与注意力经济的终局。 当交付成本归零，竞争被压缩到想法与注意力两个维度，这其实把所有创业者推进了内容创作者早已身处的”幂律世界”——头部通吃、中部消失。这或许解释了为什么 Junwei 反复强调”生态位”而非”梯子”：幂律世界里没有梯子，只有细分赛场。
碳基 Token 与硅基 Token 的对偶。 全场最妙的隐喻可能是这一对：硅基消费无上限（杰文斯悖论），人类消费有上限（人口封顶）；AI 在消耗硅基 Token 创造生产力，而未来的社群、体验、手工艺，是在消耗”碳基 Token”创造意义。两种经济可能长期并存——这正是 Indigo “自动化社会与人类社会做贸易”构想的微观基础。
