何时打开:你在想"AI 时代该做什么生意、怎么定位、护城河在哪"。本 wiki 不按单期节目复述,而是把 13 期播客(Benedict Evans、Marc Andreessen、Satya Nadella、Linear/Stainless/Suno/ElevenLabs/Listen Labs/Profound 创始人等)按论题重组——同一个问题谁怎么说、谁跟谁掐架,以及对一个 PM / 建设者意味着什么。
一句话核心:AI 把"写代码 / 做执行"这件事的成本打到接近零,于是价值整体上移到三个地方——① 知道该做什么(问题定义、品味、调研);② 占住工作流的上游入口(谁能持续灌上下文给一堆 agent);③ 拥有别人 copy 不走的资产(私有 evals、偏好数据、客户关系)。 基础模型本身大概率没有护城河(Evans),所以钱不在模型层,在"模型之上你建了什么"。
何时打开(具体问题):
- 基础模型公司(OpenAI/Anthropic)到底有没有护城河?→ §1
- "SaaS 已死、人人 vibe-code 自己的 CRM" 这个说法靠谱吗?→ §2
- "一个人 + 一堆 agent 做出十亿美元公司" 现实吗?→ §3
- AI 时代获客怎么变(SEO 还有用吗)?要不要现在就做 AI 调研?→ §4
- 人在 AI 流水线里到底还干嘛、哪些活不会被替?→ §5
- 创意类 AI(音乐/语音)能当一门正经生意吗?→ §6
- 芯片 / 稀土 / 地缘政治这层宏观,跟我一个建设者有啥关系?→ §7
与姐妹 wiki 的边界:本篇是投资人/分析师视角 + 创业定位(市场格局、护城河、商业模式);"agent 怎么进企业、企业怎么被重构" 见 AI Builders · 智能体原生产品与企业 AI 落地(播客精炼)。
0. 13 个信源一览
| 嘉宾 | 身份 | 节目 | 核心论题 |
|---|---|---|---|
| Benedict Evans | 科技分析师(前 a16z) | Data Driven NYC | 基础模型无护城河 / 软件分类法 |
| Andrew | General Intelligence(NY)创始人 | Data Driven NYC | 一人十亿美元公司 |
| Karri Saarinen | Linear 联创 CEO | AI & I by Every | "SaaS 没死"反驳 / 上游杠杆 |
| Alex Rattray | Stainless 创始人(前 Stripe API) | AI & I by Every | 开发者工具被 Anthropic 3 亿收购 / MCP |
| Kieran | Every 的 Quora GM | AI & I by Every | "AI 三明治" 人机分工 |
| (Every 编辑团队) | — | AI & I by Every | (无转录,仅列档) |
| Marc Andreessen | a16z 联创 / 浏览器之父 | Latent Space | "this time is different" / agent 即文件 |
| Jacob Helberg | 美国国务院经济事务次卿 | No Priors | Pax Silica 科技地缘战略 |
| Satya Nadella | 微软董事长 CEO | No Priors × Latent Space | 全栈建设者 / 私有 evals 即最大 IP |
| James Cadwallader | Profound 创始 CEO | Training Data | SEO → agent-led growth |
| Alfred Wahlforss | Listen Labs 创始 CEO | Training Data | AI 客户调研 / "知道做什么" |
| Mati Staniszewski | ElevenLabs 联创 CEO | Training Data | 语音成为一切的接口 |
| Mikey Shulman | Suno 创始 CEO | Training Data | 人人都能做音乐 / 创意即娱乐 |
注:
how-every-edits-in-the-age-of-ai这期源文件无转录(只有标题),已列入sources存档但未参与下面的综合。
1. 基础模型有没有护城河?(没有——但这恰恰决定钱在哪)
Why:这是所有 AI 创业定位的"地基判断"。如果模型层是寡头垄断,你就该去抱大腿、做应用;如果模型层是商品(commodity),那钱就不在模型,在"模型之上",你的创业逻辑完全不同。
Benedict Evans 的核心论断:基础模型 = 反过来的经典软件
Evans 给出本系列最锋利的一刀:基础模型里没有"赢家通吃"、没有网络效应。
"There is no winner takes all effect or network effect in a foundation model. So there's nothing that you can do that means other people can't make a model as good as yours."
译:基础模型里没有赢家通吃、没有网络效应。你做的任何事都挡不住别人做出一个跟你一样好的模型。
经典互联网软件(Windows、Google、Facebook、iOS)是"低资本 + 强网络效应 → 接近垄断 + 高利润"。LLM 正好相反:极贵、极难、几乎没有网络效应。你可能上不了牌桌(微软),也可能掉下去(Meta 一阵子),但没有任何杠杆能让你像当年 Google 碾压 Bing 那样永久领先。
- 最贴切的类比是台积电(TSMC):没有网络效应,但每代越来越难越来越贵,所以前沿只剩 ~1 家 + 身后几家。台积电很赚钱,但它没有拿走科技行业的全部价值——消费者不知道 iPhone 里有它,它也分不到 App Store 的抽成。
- memory(记忆)没有制造出护城河:它只帮重度用户(大多数人不是),它带来的是"黏性"不是"网络效应",而且你可以让一个模型把它对你的全部了解 dump 出来,粘到竞品里。
- chatbot 的 UI 本身没法差异化:就像没法差异化一个浏览器——一个输入框一个输出框。引擎能变好,但表面是设计上注定通用的。
给 PM 的含义:别指望靠"我家模型更聪明"建立壁垒,那是租来的、随时被超的。差异化要去产品层、工作流层、数据层、客户关系层找。
OpenAI 的战略困境(Evans 视角)
OpenAI ~9 亿周活、~5% 付费,但 "a mile wide and an inch deep"(一英里宽、一英寸深)——大多数人想不出能拿它干嘛。Evans 由此解读 OpenAI 一连串动作(PE 交易、视频 App、多个应用商店、电商整合,大多失败):它在用心智份额/势头去换"耐久的硬资产",并试图把自己说成一个自我实现的预言。
"If you're Sam Altman, you've got a commodity technology... massive mind share. So what do you do? You try and swap that for hard assets and you try and talk your way into a self-fulfilling prophecy."
谁同意、谁补充
- Marc Andreessen(a16z)其实同向:他预测 ~十几家美中前沿实验室会在 ~3 年内收敛到 ~3-4 家(甚至 1-2 家)。这跟 Evans "前沿只剩 1 家 + 身后几家" 的台积电图景一致。但 Andreessen 更乐观地强调模型可被换掉——见 §3 的 "agent 即文件"。
- Nadella(微软)的"平台"定义同样暗示模型不是终局:平台的价值在它"之上"被创造,而不是被它捕获。所以微软的打法是生态(让任何公司成为"一等参与者"),不是单一模型称霸。
**
**"A platform creates more value above the platform than is captured in the platform."**(平台之上创造的价值,大于平台自己捕获的价值。)— Satya Nadella**这句话翻译成创业语言就是:别想着当那个平台,想着在平台之上抢一块"被创造出来的价值"。
一个反共识的细节(Evans):这次唯一真正新的不确定性是——我们不知道 LLM 的物理极限。一篇论文可能一夜之间把算力需求砍到 1%-10%,所以没法给"价格崩盘"设下界。到目前为止是反方向发生的:我们不断发明用掉 10-100 倍 token 的方法(推理、agent、视频)。
2. SaaS 死了吗?("人人 vibe-code 自己的 CRM" 是个稻草人)
Why:2026 年最流行的危言是"SaaS 已死"。如果你正在做 SaaS、或在评估 SaaS 公司值不值得投/加入,这一节决定你信哪个版本。
Linear 的 Karri Saarinen:方向对,叙事太蠢
Saarinen 承认方向上对——未来 SaaS 的现金流确实更不确定。但"人人 vibe-code 自己的 CRM"太简化:
- 上市公司受伤最重:护城河在消失,而它们有惯性、调头慢。
- 成长期公司/创业公司反而能适应——但代价是 Linear 自己也得"重新活在 day-one 的世界",不能吃老本。
- Evans 用 "改良软件分类法" 把这件事说透了(本系列最可复用的框架,见下):没人会 vibe-code 自己的 Stripe 或 ERP,那是稻草人。真正的变化是软件总量暴增 + 一次性自动化暴增,不是 DIY 企业级系统。
**
**"No one will vibe-code their own ERP or their own frame.io, but they may ask Anthropic or Gemini or ChatGPT to do this thing for me in a way that's analogous to how they might have done it in Excel."**(没人会 vibe-code 自己的 ERP 或 frame.io,但他们可能让 AI "帮我做这件事",就像当年用 Excel 那样。)— Benedict Evans**
Evans 的改良软件三分类法(强烈建议背下来)
| 类别 | 是什么 | AI 时代命运 |
|---|---|---|
| ① 大型记录系统 / ERP | SAP 那种 | DIY 不出来,稳 |
| ② 垂直 SaaS | 拆解僵硬大系统的零件(典型美国大公司有 400-500 个垂直 SaaS;frame.io = 把视频版的 Google Sheets + Dropbox 拆出来) | 被冲击,但仍是主战场 |
| ③ "即兴软件"(improvised software) | 散落在 Excel/CSV/邮件/Tableau 里、不值得专门做工具的一次性活 | AI 最大增量在这里 |
Evans 再加一条 "短命软件"(ephemeral software):让模型一次性分析这堆 PDF/PPT,而不是为此建个工具。软件经历"主机 ~5 个 app → 本地部署几十个 → 云上几百个 → AI 多到没边"的膨胀。
为什么 Linear 是"这个时代的完美生意"——以及它主动给自己加成本
主持人 Dan Shipper 的观察:Linear 本来是这个时代最完美的生意——
**
**"This is the perfect business for this era because it's still SaaS... you don't have to pay for any of the actual tokens."**(这是这个时代的完美生意,因为它还是 SaaS……你不用付任何 token 成本。)— Dan Shipper**
它是黏性入口(所有人在这里开工、记录信息),但自己不烧 token,还控制 AI 层。然后 Linear 主动捅了自己一刀:做自己的 coding agent,引入 token 成本。为什么?因为不控制 agent,就没法实现自己的产品想法。 Linear 的应对是按用量计费(coding agent 贵),基础问答 agent 包含在内,并守住定位——"产品上下文 / 产品记忆平台",不做通用 agent 平台。
**
**"We don't want to be a kitchen sink product that does everything for everyone."**(我们不想做一个什么都给所有人做的"大杂烩"产品。)— Karri Saarinen**
关键对照:谁踩了"虚荣指标"的雷
这是 §2 里最重要的、跨多位嘉宾的共识——别拿"agent 写了多少代码 / 合并了多少 PR"当成绩:
- Saarinen 直接点名:"最大的虚荣指标就是你的代码有多少是 agent 写的、你合并了多少 PR……它衡量的是产出(output),不是产出干了什么。" 卖 token 的厂商有动机让你"多花 token",但活动量不等于正向价值,改动可能是负面的。
- Andrew(一人公司那位,见 §3)恰恰反着炫耀:团队"快了 400%"、每个工程师每天 ~25 个 PR、有时 token 花得比工资还多(某天 Opus token 烧 4000 美元)。
- Nadella 也警告:GitHub Copilot 刚从 per-user 改成 per-user + 用量计费,因为 per-user 没料到"一万个 agent 整天跑"。
这是本 wiki 一个值得标记的张力:同样面对"agent 产出爆炸",Linear 把它当危险的虚荣指标(要配一个质量对冲指标),而一人公司的 Andrew 把它当核心卖点。一个 PM 的判断:产出量是"信号"不是"目标",真正的指标还是老三样——利润、收入、用户喜爱(Shipper 补:这些是滞后指标)。
3. 一人(+一堆 agent)十亿美元公司,现实吗?
Why:这是最性感也最容易自嗨的叙事。一个 PM 该知道:它在多大程度上是真的、卡在哪、谁在泼冷水。
最激进的版本:General Intelligence 的 Andrew
使命直白:"enable the one-person billion-dollar company"——让组织靠 AI 自己跑起来。
- 组织新图谱:顶上 1 个人 → 中间"管理/协调 agent" → 底层垂直 agent(客服/财务/营销)。General Intelligence 故意只占中间管理层 + 人类界面,底层垂直 agent 用别人的("我们不想为所有事造所有 agent")。
- 关键顿悟:"an assistant is not a company"(助手不是公司)。 把邮件写得更好不是公司。于是从助手产品 Co-founder 转向更大的愿景。
- 公司 = 造产品 → 卖 → 支持 → 运营 四件事,他们给四件事都造 agent。
- "super optimization"(超级优化):一个 agent 管另一个 agent,上面再一个 agent 管全部,递归往上叠。
- 工程实践上的硬选择:完全不要本地开发——每个 coding agent 开一个 PR,每个 PR 自动获得一个像生产环境一样的预览环境,agent 登录进去拿真凭证测试,自检不过就打回重写,过了自动合并;Vercel 报警就再起一个 agent 修。
同一论题,Listen Labs 的 Alfred 给出更克制的版本
Alfred 的判断和 Andrew 殊途同归,但落点不同——瓶颈从"造"转移到"知道造什么":
**"As we get closer to AGI, it will be easier to build things, but the hard part will [be to] know what to build."**(越接近 AGI,造东西越容易,难的是知道该造什么。)— Alfred Wahlforss
所以 Listen 去占"figure out what to build"那一半(战略/调研),而把"造"那一半交给 coding agent。Alfred 设想的闭环:一个客诉/bug 访谈直接交给 coding agent 去修——"一人十亿美元公司 = coding agent + Listen 自动跑"。
谁泼冷水(也是给 PM 的清醒剂)
- Evans:别被 9 亿周活骗了,大多数人"想不出能拿它干嘛"。技术可能性 ≠ 80 亿人改变行为。"both the AI utopians and the AI doomers are far too optimistic"——乌托邦派和末日派都太乐观。
- Andreessen 的同源警告:~35% 的经济需要职业牌照(医生、律师、工会、公务员这些"卡特尔"),AI 想进去得对抗执照制度。"我们能快速采用 AI 就算走运了;如果不能,就只是停滞。"
- 现实约束(Andrew 自己也承认的代价):token 成本已经能超过工资——这不是"零成本一人公司",是"把人力资本换成智能资本"的成本结构转移。
给 PM 的含义:"一人公司"目前真实存在的形态是"一个人 + 一个超杠杆工作流"(见 §5 全栈建设者),不是"一个人躺着、agent 包办一切"。最稳的切入点是 Alfred 那半边——占住"知道该做什么"(问题定义、调研、品味),把执行交给 agent。
4. AI 时代的获客与定位:SEO 已死,agent-led growth 与"AI 调研"上位
Why:这是对一个产品/增长 PM 最直接可操作的一节。获客逻辑正在被换底层,谁先看清谁占便宜。
Profound 的 James Cadwallader:不是"门"变了,是"进门的人"变了
**"It's not so much that the front door of the Internet has changed. It's actually the person that's going through the door has changed."**(变的不是互联网的前门,是进门的那个人。)— James Cadwallader
互联网没变,消费者变成了 agent(ChatGPT/Claude/Gemini):它爬取、评估、重混信息,再维护和人的关系。由此:
- "agent 可见性 = SEO" 是最大误解:杠杆看着像(造内容、分发),但 SEO 是"为算法造、给人看",现在是"造给 agent 既发现又消费"——很可能一个人都不会读到。
- agent 用长尾远超人类:SEO 价值集中在前 4-5 个蓝链(因为人注意力稀缺);agent 带宽近乎无限,一次淋浴喷头查询 ChatGPT 用了 65 个网页。随着推理变便宜,agent 会用更多互联网——你得"为一个带宽无限的超级智能体写内容"。
- 平台像"不同物种":Gemini 重 YouTube(Google 自家);ChatGPT 拉 Reddit(消费)和 LinkedIn(B2B);Claude 历史上更靠预训练权重,近期分类器变得对实时信息更敏感,开始更多用网页。
- ALG(agent-led growth)的难点:消费者现在是超级智能体,你得告诉 Claude 一件它还不知道的事——人类是"现实和互联网之间一个肉做的 API(fleshy API)"。答案 = 原创的、第一性原理的洞察。
- 暗预测:~3 年内可能出现"死亡互联网"结局(人不点了 → 广告养不活内容 → 原创编辑内容动机归零);每个 AI 实验室都会纵向整合一个社交网络(社交保持"人味"+ 实时人类数据源)——Grok+X、Reddit-OpenAI 交易、X 开放 API 为证,甚至猜 OpenAI 会收 Reddit。
Listen Labs 的 Alfred:把"知道做什么"做成产品
§3 已提到 Listen 的定位。这里补它对 GTM/调研 的具体打法:
- AI agent 同时跑成千上万场语音/视频访谈;现服务 20% 的财富 500 强,30M 参与者库。
- 关键洞察 = 每家公司都被"客户分群的幂律"驱动:Sweetgreen 的核心客群(城市、高收入、多为女性、知道什么是"种子油"≈人口 1%)= 80% 收入。所以 80% 工程资源砸在"找到对的人"(audience)上。
- 比问卷更准:同一个人重复做选择题答案乱跳;逼他在访谈里出声推理,答案一致得多。对 AI 访谈员更诚实(无评判、"治疗性")。
- simulation(市场调研 3.0):深访一个人 ~1 小时 → LLM 预测他未来答案准确率可达 95% → 放大到 1000 个建模的人 = 代表性合成样本。但知道 simulation 的边界才是关键(插入"它狗叫什么名字"这种问题确认模型知道自己不知道)。
- 可复用金句(引 Sequoia 的 Brian Schiller):
**"founders want to build something complex, but customers want something stupid, simple, that just works."**(创始人想造复杂的,客户只想要个又笨又简单、能用就行的。)
跨视角:Evans / Linear / Listen 在"问题定义" 上罕见地一致
| 嘉宾 | 同一句话的不同说法 |
|---|---|
| Benedict Evans | "写代码从来不是难的,难的是知道代码该干嘛、卖给谁、收多少钱"——大多数 SaaS 是"database wrapper" |
| Karri Saarinen (Linear) | "我要让做事的循环很快,但不想让找问题这件事变快" |
| Alfred (Listen Labs) | "越接近 AGI,造越容易,难的是知道该造什么" |
| Kieran (Every) | AI 三明治:人在最开头(framing)和最末尾(品味)最值钱(见 §5) |
给 PM 的含义:你的稀缺技能正在从"会做"迁移到"知道做什么 + 占住问题定义的上游"。Cadwallader 给的可执行第一步是——先拿到可见性(别凭感觉,研究 agent 引用了哪些来源);Alfred 给的是——把客户调研变成持续在跑的基础设施,而不是一季度一次。
5. 人机分工:"AI 三明治"、全栈建设者、超杠杆通才
Why:回答"那人还干嘛"。对一个非技术 PM 尤其重要——它告诉你哪些能力会升值。
Every 的 Kieran:AI 三明治
**"Humans are the bread in the sandwich, and the AI is in the middle."**(人是三明治两端的面包,AI 是中间的夹心。)— Dan Shipper
- 人在最开头(framing/ideation)和最末尾(polish/品味)最重要,中间执行可自动化。
- Compound Engineering 流水线最终形态:Ideate → Brainstorm → Plan → Work → Review → Compound(把学到的/犯过的错喂回 repo,下次 agent 不再犯)——Kieran 说 Compound 那步"是这个插件里最强的东西"。
- 反直觉的人机回路规则:人应深度介入顶部(出主意、追问、使劲想),但不该在 framing 想清楚后还插手 plan/work。Kieran 明确不同意"始终保持 human-in-the-loop" 的框架(如 spec-driven development)。
- 为什么人不可被全替(Shipper):① 所有权——不是你决定/做的就不是你的,像艺术;② LLM 像"被关在盒子里的超级智能",和当下真实语境脱节,产出趋于通用/没人味。
- 给工程师/PM 的建议:不能再做你过去做的事;朝你觉得"美"的方向靠(漂亮的代码/抽象/架构/设计/文案)。工程师会越来越像产品经理 / 产品工程师。
Nadella:全栈建设者与超杠杆通才
- LinkedIn 新设"full-stack builder"工种:设计 + PM + 前端 合一,各自保留自己的"edge"。
- 通才拿最大杠杆:"做个 Word 文档"和"做个 app"现在能出现在同一句话里——"对有大量 agency(主动性)的 idea people 来说,是黄金时代。"
- 最佳实证(Azure 网络团队):同一支团队,过去 15 个月建的 Azure 容量比头 15 年还多。他们把工作从"做 Azure 网络"重定义为"造一个做 Azure 网络的 agentic 系统"(取名 Miles),要 token 不要人头。"They made their work meta."
**"Our job is not to do Azure networking. Our job is to build the agentic system that does Azure networking."**(我们的活不是做 Azure 网络,是造那个做 Azure 网络的 agent 系统。)— Satya Nadella
Nadella 的"私有 evals = 最大 IP"(本系列对建设者最硬的一条护城河建议)
呼应 §1——既然模型层没护城河,那护城河在哪?Nadella 给了具体答案:
**"Every company having private evals may be the biggest IP."**(每家公司拥有自己的私有 evals,可能是最大的 IP。)— Satya Nadella
- "资产测试(asset test)"判断你有没有控制权:能不能把模型 A 换成模型 B、跑你的私有 eval、继续 hill-climb,且不泄露你的 traces?能 = 你在控制;不能 = 你没有。
- 公司 IP 被重新定义:过去是"人类经验的长度",现在是 evals + 应用 agent 的经验。把 token 资本 + 人力资本通过"人与 agent 之间的 traces"复利化,训出"公司老兵 agent",甚至该"上资产负债表"。
给 PM 的含义:你的私有评测集(知道"什么样的输出对我们才算好")比你用哪个模型更值钱。这是非技术 PM 也能主导建设的资产——它本质是"把品味和领域知识写成可衡量的标准"。
Andreessen 的极端版:agent 即文件,模型可随意替换
Andreessen 把 agent 拆解到底,顺手把"模型锁定"这个护城河也否了:
**"It turns out what an agent is: it's a language model, and then a bash shell, and then a file system... LLM plus shell plus file system plus markdown plus cron, and it turns out that's an agent."**
**"Your agent basically, at the end of the day, is just its files."**(说到底,你的 agent 就是它的那些文件。)— Marc Andreessen
- 后果:agent 独立于底层模型——换 LLM(性格微变,文件状态全留)、换 shell、换文件系统、换循环框架都行。它能自我迁移、自我改写。
- MCP 怀疑论(与 §1 Stainless 的 Rattray 形成鲜明对峙,见下):"这套需要 MCP、需要花哨协议的想法——我们不需要。我们只需要一个命令行的东西。"
- "找那些在跑 YOLO / skip-permissions 的人,就能看见未来"(威廉·吉布森式)——他最激进的朋友已经给 OpenClaw 配了银行账户/信用卡。
一个值得记的技术路线分歧:MCP 还是 CLI / code-execution? Andreessen 说"别搞 MCP,命令行就够";Stainless 的 Rattray 则认为把 API 1:1 翻成 MCP tool 会烧光 context,正确解法是 "code execution over many tools"(给模型两个工具:执行代码 + 查文档,让它写 TypeScript 调有类型的 SDK)。两人其实殊途同归——都反对"一堆死板的工具",都主张让模型回到"写代码/敲命令"这个它最擅长的母语。Rattray 的版本更工程化、带类型检查和单域沙箱安全;Andreessen 的版本更"裸 Unix"。对一个 PM:别迷信协议,看模型用得顺不顺、context 省不省、安全在不在 API 层。
6. 创意 AI 能不能当生意?(Suno / ElevenLabs:能,但护城河不在模型)
Why:很多人觉得"生成式音乐/语音 = 玩具或侵权官司",但这两家是真在赚钱(Suno ~3 亿美元 run rate;ElevenLabs >4 亿美元收入)。它们怎么定位决定了创意 AI 是不是一门正经生意。
Suno 的 Mikey Shulman:"创意本身就是娱乐",而且别做 "AI 版 Spotify"
- 核心 step-change:任意一天 ~90% 的用户在创造(而非消费),而且不为发布到别处,就为"创造本身带来的满足"——创造即娱乐。
- 明确拒绝 "AI Spotify":"给 Spotify 加 AI 不会让它变好。" 机会是提升音乐在文化里的地位、让音乐重新变社交。
- 音乐不是 scale 问题:模型很小,LLM 那套 scaling 直觉会误导你;音乐没有 benchmark、没有标准答案,优势来自研究 + 偏好数据。偏好数据是良性循环(既对齐用户口味又驱动研究本身),且不像文本模型担心 sycophancy,可以更激进地 RL 回去。
- 护城河不在模型(本节最关键、且和 §1 完全咬合):
**"It's unclear how much moat exists in only a model... Google can probably catch up on the model side. So it's really undervalued to invest in the product and the UI and the UX."**(单靠模型有多少护城河不好说……Google 在模型侧大概能追上。所以投资产品和 UI/UX 是被严重低估的。)— Mikey Shulman
- 自我定位:"我们就是一家音乐公司",不是科技公司。对"slop(垃圾)"的反驳:"我昨天和我 5 岁孩子做了两首歌……对我很有意义,你叫它 slop 我也不在乎。"
- 反共识产品赌注:早早离开 Discord(5 天内 90% 流量迁到极薄 web app);专注完整有词歌曲("a song is a story");选自回归而非扩散(优先叙事而非音质)。
ElevenLabs 的 Mati Staniszewski:挑被忽略的赛道 + 先赚钱再融资
- 定位选择:2022 年(加密/元宇宙之年)偏偏选音频,正因为它是被冷落的小众——研究者少、模型小、所需算力少。一个时机/卡位的赌。
- 反"先融十亿"打法:很早就开始赚钱给模型研发供血,保持健康毛利,等野心变大才对外融资——收入先于重资本。
- 招人:"GitHub 扒人"——按作品(而非曝光度)联系顶尖音频研究者。
- 护城河观(老黄 Jensen 的话):语音转文字是"技术",文字转语音是"艺术"。防御力 = 死磕质量/情感 + 贴近用户收集偏好数据微调 + 领域专精(医疗 vs 金融 vs 教育)+ 完整产品生态(电话、评测、模板、20000+ 用户贡献声音)。
- 组织设计反直觉:400+ 人、>4 亿收入,但团队极小(研究/产品团队 <10 人封顶),扁平、无 title;把工程师嵌进非技术团队(HR/GTM/法务)——因为人人 vibe-code 后,review 的门槛在升高。
- 信任反转预测:今天检测"是不是 AI";未来默认一切是假的,转而检测"是不是真实、被认证的 AI"(密码学编解码)。
跨视角:创意 AI 的共同打法
| 维度 | Suno | ElevenLabs | 共同点 |
|---|---|---|---|
| 模型护城河 | 明说"不在模型" | 强调质量/数据/生态 | 都不靠模型本身防御 |
| 真正壁垒 | 偏好数据 + 产品/UX | 偏好数据 + 领域专精 + 生态 | 数据飞轮 + 产品体验 |
| 融资节奏 | (未强调) | 先赚钱后融资 | (ElevenLabs 是反主流样本) |
| 对 "slop" 态度 | "玩具论"是道德恐慌,raise the floor | jagged:能做制作音乐,做不了 Top 榜 | 都不接受"AI=垃圾"的框架 |
给 PM 的含义:创意 AI 当生意的关键,不是"模型更强",而是①数据飞轮(用户用得越多模型越懂他们的口味)+ ②产品体验把"创造"变成"享受" + ③选一个还没被巨头碾的卡位。这和 §1 "钱在模型之上"完全一致——只是落到了消费创意场景。
7. 宏观底盘:科技地缘政治与"this time is different"(为什么和建设者有关)
Why:芯片/稀土/算力/泡沫这层听着离一个 PM 很远,但它决定了算力贵不贵、泡沫会不会破、你的供应链卡不卡脖子——这些会传导到你的成本和生死。
Andreessen:"this time is different" 这次真不一样(但有刹车)
- "八十年的一夜成功":今天的突破吃的是 1943 年神经网络论文起的 80 年研究老本。那些科学家是对的,只是把时机算错了。
- 投资界 12 个最危险的词是 "this time is different"——但他的反转是:"现在它真的работает了"(推理突破 o1/R1 证明 AI 能用在编程/医疗/法律,不只是创意写作)。
- 为什么 AI capex 比 dot-com 风险小:dot-com 崩的其实是电信/带宽(高杠杆、靠债),而 AI 的投资者是"最蓝筹"的公司(微软/亚马逊/Google/Meta/英伟达/OpenAI/Anthropic),现金多、负债空间大;且每一块变成运转 GPU 的钱立刻变成收入(大家都缺算力)。
- "我们用的是技术的阉割版(sandbag version)":供给受限,实验室自己留着满血版,我们用的都是量化过的——所以哪怕技术冻结,光是 5-10 年多建产能就能让现有技术好很多。
Helberg(美国国务院):Pax Silica——把供应链当创业项目做
- Pax Silica = 14 国"经济安全联盟",围绕 AI 供应链;首个"产品"是和菲律宾建"前沿部署工业基地"(4000 英亩,~1/3 个曼哈顿)。
- 核心信条:"我们不搞政府运营的供应链,那不是美国发光的方式。美国的超能力是私营部门和公司。" —— 政府只搭台,目标是建成商业可行、最终能脱离政府独立运营的平台。
- AI 供应链 ≠ 只有芯片:是数千种输入(精密减速器、伺服电机、稀土磁体、执行器),机器人供应链"被中国完全主导"。
- 稀土的真相:稀土其实不那么稀有,真正卡脖子的是精炼/加工——中国之外的加工设施极少,中国还重补贴当政治杠杆。
- 对建设者的接口:政府想要 VC 的"看人/看执行力"信号来指导政府资本配置;也想要湾区在"无稀土磁体/新材料"上变个"魔术"(用技术而非政府解决问题)。
给 PM 的含义
- 算力会长期偏紧 + 偏贵(Andreessen 的 sandbag 论 + "网络/CPU/内存会成新瓶颈"),别把"token 价格无限下降"当规划前提——Linear/微软都已遇到"agent 整天跑"导致成本失控。
- 泡沫即使破,破的方式和 dot-com 不同(蓝筹自有资金 vs 高杠杆借债),对"AI 是不是泡沫"别用 2000 年的剧本简单类推。
- 供应链地缘风险是真实变量(尤其涉及硬件/机器人/出海),但对纯软件 PM,主要影响是算力价格和可得性这条传导链。
8. 一页速查:13 个最该记住的判断
| # | 判断 | 谁说的 | 对 PM 的含义 |
|---|---|---|---|
| 1 | 基础模型没有护城河/网络效应 | Evans | 别靠"我家模型强",护城河去产品/数据/工作流找 |
| 2 | "A better model doesn't solve the problem"(对要正确答案的场景,90%→95% 没用,你还得检查全部) | Evans | 选场景:要么模型能稳定给对答案,要么换个对错容忍度高的用法 |
| 3 | 没人 vibe-code 自己的 ERP,但软件总量 + 一次性自动化暴增 | Evans | SaaS 没死,但要重新活在 day-one;占"即兴/短命软件"增量 |
| 4 | "agent 写了多少代码"是最大虚荣指标 | Saarinen | 产出量是信号不是目标,配质量对冲指标 |
| 5 | 占住工作流上游(谁灌上下文给一堆 agent) | Saarinen | 价值在"work comes from"的地方,不在执行端 |
| 6 | 难的是"知道该做什么",不是"造" | Alfred / Evans / Saarinen / Kieran | 把问题定义/调研/品味当核心资产 |
| 7 | 人是三明治两端的面包(framing + 品味),中间可自动化 | Kieran | 你的位置在最前和最后,别陷在中间执行 |
| 8 | 私有 evals = 最大 IP;能换模型还能 hill-climb 才算有控制权 | Nadella | 建你自己的评测集(品味变成可衡量标准) |
| 9 | agent 即文件,可独立于模型迁移;别迷信 MCP/协议 | Andreessen(vs Rattray 的 code-execution) | 看模型用得顺不顺、context 省不省、安全在不在 API 层 |
| 10 | 进门的人变成了 agent;SEO→agent-led growth,平台像不同物种 | Cadwallader | 先拿可见性,为"无限带宽超级智能体"写内容 |
| 11 | 创意 AI 护城河不在模型,在数据飞轮 + 产品/UX + 卡位 | Shulman / Staniszewski | 让"创造"变享受;选还没被巨头碾的赛道;数据越用越懂用户 |
| 12 | "现在它真的能用了",但乌托邦派和末日派都太乐观(执照/惯性是刹车) | Andreessen / Evans | 技术可能 ≠ 行为改变;采用速度受现实制度约束 |
| 13 | 算力长期偏紧偏贵;泡沫即使破也和 dot-com 剧本不同 | Andreessen | 别把"token 无限变便宜"当规划前提 |
9. 元信息
- 改写策略:13 期播客(其中 1 期无转录,仅存档)按论题而非按节目重组——护城河 / SaaS 存亡 / 一人公司 / AI 时代 GTM / 人机分工 / 创意 AI 当生意 / 宏观地缘。每节自包含、带 Why,跨嘉宾综合并刻意点出分歧(Linear vs 一人公司的"PR 数量"之争;Andreessen MCP 怀疑 vs Stainless code-execution)。
- 不收录:每期节目的逐条流水(那是 digest 层的事);本 wiki 只留稳定的判断 + 框架 + 对 PM 的含义。
- 互查:agent 怎么进企业、企业系统怎么被重构 → AI Builders · 智能体原生产品与企业 AI 落地(播客精炼)。
- 信源:见 frontmatter
sources:(13 条全列)。
2026-09-26 增补：重估市场，也重估留存与时间尺度
证据范围：Granola创始人访谈（feed 2026-07-15）与Sarah/Elad讨论（2026-08-06）的本地截断稿；本节为 partial。口述估值不是本轮核验事实，亦非投资建议。
入口做对了，不代表下一阶段会留下来。 Granola访谈把会议笔记看作有用起点，更大的目标是人们如何在AI时代工作。竞争不只是谁也加了一个会议按钮，还包括用户完成记录后会在哪里继续处理事情。因此可以分别测当前入口留存、下一步任务采用与付费价值；先发身份和融资估值不能替代这三项。
“Meeting notes are not the end all, be all value” 译：会议笔记不是价值的全部与终点。
市场估计有两种相反的错。 Sarah提醒：用旧软件“人数×席位费”估算AI，可能漏掉按服务结果收费的空间。Elad提醒：承认市场可能扩大，也不能把近期快速跃升外推为三五年内大量公司都达到万亿美元规模。三五年和二十年是不同问题，千亿与万亿也差一个数量级。
“what does the company look like if they can charge for outcomes?” 译：如果公司能按结果收费，它会是什么样？
对新产品，可并排做席位模型与结果模型，分别列出采用率、交付成本、可收费结果和时间；再问客户为什么持续使用。这样既不被旧市场框住，也不会因“AI市场很大”跳过交付与留存验证。访谈在完整竞争影响与定量模型之前截断，不据此断言大平台竞争无害或某条商业路线必胜。
2026-09-26 全文增补：消费 AI 的增长要解释人为什么回来
机器更擅长某件事，并不意味着用户失去参与动机。Chess.com 的 Erik Allebest 认为，人仍想和人比赛、练习、看高手，并属于一个社区。AI 可以把能力转成复盘、个性化题目与随时可用的教练。这个案例支持一种产品假设：价值也许来自帮助用户取得进步，而非总替用户完成任务。它不证明所有行业都能复制国际象棋的增长。
“There are shortcuts in the tools.”
工具可以降低练习成本，但技能仍需实际练习。
把增长分成热度与持续使用。 Chess.com 的流量曾受影视和社会话题推动，嘉宾更看重波峰过去后仍维持的更高基线。对于 AI 游戏或兴趣产品，生成一张好看的图、一次新奇对话能带来尝试，但下一周为何回来，需要落在练习、关系、内容或共同身份上。竞技场景还需区分训练助手与比赛作弊，保护公平本身就是产品能力。
社交网络不是加一个分享按钮。 Sarah 在消费 AI 访谈中提出，高手创造的做法可以降低普通人的学习门槛，但要同时解决贡献动力、来源透明和日常使用频率。纯提示目录可能没有每天打开的理由。她也承认，旧平台的习惯、记忆和价格可能阻碍迁移；多人 AI 是否出现巨大赢家仍是待验证判断。
“it's words but not accelerators.”
飞轮图上的文字不一定真正推动增长，要看到行为证据。
适用时机：评审模板市场、角色社区或 AI 教练时，先选一个紧密细分群体，观察新增内容是否被复用、是否改善任务结果、是否带来留存。把注册、活跃、付费和进步分别记录，不用点赞或使用次数代替用户价值。原始经营数字、重播时间和利益关系限定见 Chess.com 精炼 与 社交 AI 精炼。
全文增补：能力增长、用户采用与利润归属分别判断（2026-09-26）
Benedict Evans 在 2026-07-27 归档访谈中，用历史平台变迁讨论 AI 的商业价值。互联网或电力的类比可以帮助提问，却不证明同一种利润分配会再次发生。基础设施用量、模型能力、实际采用和最后谁盈利，应分开记录证据。
为什么工具能力还要经过产品化。 “Most people aren't tool builders.”（多数人并不是工具设计者。）便宜生成代码，不等于员工能够独立改造多人协作、责任明确的账务系统。客户也通常不是单纯购买一份幻灯片；文档生成更快，不能直接推导咨询服务的全部价值已被替代。
案例：企业分析从一个回答变成一个项目。 总结客户电话，与结合产品使用、CRM、访谈和竞品提出流失改善方案，需要的资料、权限和验证不同。高价值工作可能把瓶颈从写作转移到数据连接和流程重构。编程具有大量数据与可重复验证，是一个较成功的特例；访谈保留了它能否代表所有行业的争论。
何时判断创业机会。 分别问谁有反复发生的需求、谁负责采用、谁付费以及每次使用的成本。消费产品只有新鲜感，还不能证明复用价值；模型层领先也不能自动证明应用层没有空间。访谈说 “All of the use cases have to be invented.”（用例需要被创造出来。）因此应先验证具体工作和经济结构，不能仅靠模型升级或平台类比替产品实验下结论。
全文增补：采用机制与判断责任，比工具使用率更完整（2026-09-26）
Walleye 的 Best of 访谈按 2026-09-08 采集归档，首次录制时间未确认。标题的约百亿美元是管理资产规模，不是公司收入或 AI 创造的收益。主持人所在 Every 向来宾公司提供过咨询培训，案例和数字均保留这种业务关系与自述边界。
为什么领导示范要配合组织机制。 来宾说 “you have to lead from the front”（领导者要亲自参与并示范），并介绍基础培训、每周分享、跨部门交流和内部产品试用。这些机制可以降低尝试成本，但使用榜单只说明采用行为，不能当生产力或投资回报。来宾自己也承认，尚不能精确知道员工因此提高了多少效率。
案例：从局部资料整理做起。 Current 汇集分析师笔记、财报、邮件附件等，服务投资团队的高密度信息工作。被频繁使用和受到外部试用关注，可以证明有需求，不能证明预测正确或产生超额收益。连接所有部门信息的 Borg 仍是目标；原文明确全公司邮件处理还没解决，不能把局部系统写成已完成的企业全知平台。
何时借鉴。 企业内部工具试点可从一个重复的信息整合任务开始，保留原资料、使用反馈和提出结论的人。来宾说 “these tools don't negate the necessity to think.”（工具没有取消思考的必要。）报告写得顺畅仍要由提交者校对并解释理由。会议转写积累可能帮助复盘，但访谈没有完整说明许可、敏感数据权限与保存期限，因此不能直接照搬“所有内容都录下来”的安排。
来源：Walleye 原文消化。
来源与关联资料
- https://www.youtube.com/playlist?list=PLuMcoKK9mKgHtW_o9h5sGO2vXrffKHwJL
- https://www.youtube.com/watch?v=vDY_ocrkQ5w
- https://www.youtube.com/@NoPriorsPodcast
- https://www.youtube.com/watch?v=dlI-5W7d7uU
- https://www.youtube.com/watch?v=6l8oAO_LBx4
- https://youtube.com/watch?v=jH2ZIUKvazU
- https://youtube.com/watch?v=rX3CxlGm-00
- https://podcasters.spotify.com/pod/show/how-do-you-use-chat-gpt/episodes/If-SaaS-Is-Dead--Linear-Didnt-Get-the-Memo-e3h8fqj
- https://youtube.com/watch?v=Uif_qAcgnLk
- https://www.youtube.com/watch?v=G0LTv8hQ5Cs
- https://www.youtube.com/@LatentSpacePod
- https://www.youtube.com/watch?v=xjlYpGaxIPA
- https://www.youtube.com/playlist?list=PLOhHNjZItNnMm5tdW61JpnyxeYH5NDDx8
- https://www.youtube.com/watch?v=Rumft-rsEu4
- https://www.youtube.com/watch?v=Jq3BIGz4vXQ
- AI Builders · 智能体原生产品与企业 AI 落地(播客精炼)
2026-10-15 增补：产品转向要保留已验证的支点，而不是保住最初设想
证据范围：完整阅读 AI & I 对 Factorial Capital 的 Matt Hartman 访谈，并核对单集 RbUHf4HeBzo。Hugging Face 的经历是投资者的回顾，不能当成所有团队转向必然成功的因果证明。
先区分方向和能力。 Hugging Face 最初尝试青少年聊天产品，留存表现却不足。团队把研究转成可用代码并开源，后来转向更适合模型权重与研究成果的平台。Hartman 看重的是承认指标问题，同时保留技术能力与开源这一支点。原产品的界面、目标人群和商业设想可以改变；真正积累下来的能力不必一起丢掉。
为什么迭代速度还要配合洞察。 Hartman 寻找“earned insights”（通过亲身实践获得的洞察）：创始人因具体经历理解了什么问题，上线后还能从哪些用户行为中学到新东西。他用两个月与两天的反馈周期作比较，说明观察、形成判断和发布改进可以更快循环。这是思路示例，不是已经证明的通用效率倍数。更快发布没有根据的改动，只会更快积累噪声。
编辑应用推导：为转向保留一张证据表。 分别写下原先假设、实际用户行为、仍然有效的团队能力，以及下一版要验证的问题。聊天产品留存不足可以推翻某个使用场景，却不自动否定团队将研究变成工具的能力。反过来，技术强也不保证新市场有需求；下一轮仍要看真实采用与持续使用。采用与体验的具体检查可参照 Agent 公司案例库，本节不重复自建软件的维护成本讨论。
October 15, 2026 update: Preserve validated capabilities through a product pivot
Evidence scope: The complete AI & I interview with Matt Hartman of Factorial Capital; episode RbUHf4HeBzo was checked. The Hugging Face account is an investor's retrospective, not causal proof that other teams will succeed by pivoting.
Separate the direction from the capability. Hugging Face initially tried a teen chat product, but retention was insufficient. The team turned research into usable code and shared it as open source, later moving toward a platform better suited to model weights and research outputs. Hartman values acknowledging weak metrics while retaining technical capability and open source as a foundation. The interface, target audience, and business assumptions of the original product can change without discarding the capabilities the team has actually built.
Why iteration speed still needs insight. Hartman looks for earned insights: what founders understand because of specific experience, and what they can continue learning from user behavior after launch. His comparison of two-month and two-day feedback cycles illustrates how observation, judgment, and product improvements can cycle faster. It is an illustrative idea, not a proven universal efficiency multiplier. Shipping unsupported changes faster only produces noise faster.
Editorial application: Keep an evidence table for the pivot. Record the original assumptions, observed user behavior, team capabilities that remain useful, and the questions the next version must test. Poor retention in a chat product can invalidate a particular use case without invalidating the team's ability to turn research into tools. Conversely, strong technology does not guarantee demand in a new market: the next cycle must still examine real adoption and continued use. See the Agent company case library for adoption and experience checks. This section does not repeat the earlier discussion of maintaining internally built software.
Source: AI & I interview with Matt Hartman.