代码这种容易验证的死技能，最先被AI吞掉！a16z合伙人：算法在原地爬山，找山还得靠人

两年的活，3 个月被 AI 干完了。

编译 | 王启隆

出品丨奇点折射（ID：rgznai100）

这几天 Astra 刷屏全网，AGI 再次成为了热词，我看到一句很扎心的话：当 AI 圈还在争论 Fable 5.1 和 GPT-6 Astra 谁更强的时候，现实世界里 97% 的人甚至不知道这两个东西的存在。

在科技圈和职场人之间，其实也弥漫着一种很普遍的焦虑：如果没跟上最新的 AI 工具、没能把自己武装成生产力极高的人，是不是就会彻底掉队，沦为所谓的“永久底层阶级”（Permanent Underclass）？很多人嘴上当段子讲，心里其实免不了发慌。但在 a16z 合伙人 Anish Acharya 看来，这种末日恐慌更像是硅谷集体脑补出来的黑色幻想。

在最新一期《Lenny’s Podcast》中，主持人 Lenny Rachitsky 邀请 Anish 深入聊了聊这个话题。Anish 在 a16z 负责消费互联网投资已经超过七年，同时也是一位连环创业者：他创办的 SocialDeck 卖给了 Google，后来做的 Snowball 又卖给了金融科技独角兽 Credit Karma，并一路做到消费者业务负责人。比起坐在办公室里算模型的投资人，他至今依然保持着极高频的个人开发习惯，是个真正懂一线产品细节的操盘手。

在对谈中，Anish 给出了一套让人松弛下来的宏观视角。从就业与产业数据来看，现实世界并没有走向少数巨头的绝对垄断，实体经济本身的沉重阻尼也让技术狂飙有着天然的缓冲带。他认为，AI 本质上是在把“专业技能”与“创造意愿”彻底剥离——你不再需要先苦练十年琴技才能写歌，也不用非得是科班程序员才能做软件。正因如此，创业圈的衡量标尺全变了：三年前如果一个团队想法太大、太狂妄，投资人通常不敢碰；而到了今天恰恰相反，要是想法太小、太保守，大家反而连聊都不想聊。

关于未来公司的组织形态，他提出了一个很有意思的判断：“公司正演变为一系列闭环（loops）”。和我们前段时间聊的编程 Loop 不太一样，未来的日常业务会逐步被端到端的自动化 Agent 闭环接管，但这些算法闭环只能在既定曲线上寻找“局部最优解”，一旦撞上增长天花板，依然必须靠人类的直觉来指明下一座山峰在哪里。

要点速览

• “永久底层”是硅谷的黑色幻想：真实世界有很多复杂的物理瓶颈，不是在机房塞满博士级模型就能瞬间通关的；现实经济自身的运行阻尼，天然会让技术的落地保持平稳节奏。

• 技能与意愿彻底解耦：AI 把创作的门槛打碎了。三年前如果一个创业项目野心过大，投资人不敢投；今天如果一个想法格局太小，投资人根本不想看。

• 算法爬山，人类找山：未来的组织是一串自动运转的 Agent 闭环，但算法只能跑出当前曲线的局部最优；当业务陷入平台期，决定下一座大山在哪里的，永远是人类的非共识直觉。

• 消费级 AI 的终极指令是“让我更快乐”：人们总以为用户拼命想节省时间，但大部分人真正想要的其实是消磨时间。消费级真正的蓝海不在更漂亮的表格，而在情感与陪伴。

• 构建是新的阅读（Building is the new reading）：护城河不是在商业计划书里算出来的，而是在高频交付中撞出来的。克服本领恐慌唯一的办法，就是每周用新模型亲手做点东西。

“构建是新的阅读。”

真正拉开差距的，不是知道多少新模型，而是能不能看懂技术变化、快速动手验证。

2026 奇点智能技术大会将于 11 月 20—21 日在北京举行，18 大前沿专题、70+ 一线技术嘉宾，拆解 AI Coding、Agent、Infra、多模态等真实落地路径。

扫码免费领取大会 PPT 与 Agent 实战资料

以下是采访全文：

所谓“永久底层”，不过是硅谷集体的黑色幻想

主持人：今天做客节目的嘉宾是 Anish Acharya。Anish 是 a16z 的通用合伙人（General Partner），主要负责消费领域的投资。在产品型投资人里，他极少能兼具深度洞察、启发性以及对产品细节的敏锐掌控。

他在 a16z 已经待了七年多。很多 VC 只懂投资，但 Anish 不同，他长期深耕产品，自己做过创始人——这也是我很想请他上播客的原因。他创办的第一家公司 SocialDeck 被 Google 收购，之后他在 Google 内部负责过多条业务线。

后来他又创办了 Snowball，卖给了 Credit Karma。进入公司后，他升任产品副总裁，随后全面负责消费类产品以及整个信用卡业务。听完这期对话，一定会让你大受启发。

现在就让我们进入正题，欢迎 Anish Acharya。

Anish Acharya：谢谢你，Lenny。很高兴能来，非常期待。

主持人：我想先从一个轻松点的话题开始，聊聊“永久底层”（permanent underclass）这个说法。

很多人半开玩笑地讨论过这个话题：如果跟不上节奏、没有掌握最新的 AI 工具、没有把自己的生产力拉到极致，你就会彻底掉队，沦为所谓的永久底层，以后日子会非常难熬。

有些人只是拿它开玩笑，但我发现不少人是当真的，甚至因此非常焦虑。你觉得这种担忧究竟有多现实？大家真的需要这么放在心上吗？

Anish Acharya：不用太当真。这更像是硅谷集体产生的一种略带幽默的末日幻象。

其实不管从哪个维度看，现在的环境都比以往任何时候都要好：机会分布得如此广泛，触手可及的技术如此强大，大家被赋予了敢于想象更大野心的空间，各条赛道上独立探索并跑通模式的公司也比比皆是。

可大家依然在讨论“永久底层”，担心自己被甩在技术“光锥”之外。我经常听到这类讨论，而且不仅是圈外人或核心圈内人在说。似乎从基础模型实验室的研究员，到硅谷最普通的从业者，大家心里都有一种实实在在的恐慌。

我觉得有几个事实非常关键：

第一，上一轮科技周期要中心化得多。在移动互联网时代，网络效应是绝对的标准。只要做产品，具备网络效应就是最顶级的商业模式。而网络效应必然带来高度中心化，每个成功的网络本质上都是赢家通吃的独占者（N-of-1 networks）。

但看现在的格局，在技术栈的每一个环节，重要玩家根本不止一两家，而是有二十家。有闭源实验室，有开放权重模型，而且两边内部都有很多不同分支。

拿 coding agents 来说，两年前大家的默认认知还是赢家通吃。但现在 Claude Code、Codex、Lovable、Replit、Wabi 都在健康运转，而且各有各的生存空间。能看到这种格局，非常令人鼓舞。

第二点是经济数据。过去二十年里，几乎每年都有人说放射科医生要被淘汰了，但现在的相关岗位需求比以往任何时候都多；程序员也是如此。从现实的统计数据来看，这种担忧其实缺乏事实支撑。

最后一点，大家常聊到 RSI（递归式自我改进，recursive self-improvement）。这个词聊起来很带感，但如果你去问那些实验室里最顶尖的专家，他们会告诉你，现在发生的根本不是真正的 RSI——那种只要比别人微弱领先一点点（epsilon），就能彻底拉开差距、形成不可逆超级赢家的情况并不存在。

目前发生的只是“自催化效应”（autocatalytic effects）。也就是说，你在用新技术来优化自己的研发流程，但这并不是真正的递归自我迭代。

从经验数据到技术底层，所有事实都指向了另一个方向，可大家似乎依然执着于这种末日幻想。

主持人：我最近也一直在想这个问题。看到各种不可思议的新闻——比如 OpenAI 的模型黑进了 Hugging Face 之类的——大家一直在讨论：我们面临的究竟是“快速起飞”（fast takeoff）还是“慢速起飞”（slow takeoff）？

现在给人的感觉更像是慢速起飞。每一个里程碑出现时，大家的反应都是：“天啊，它居然能攻破那个，我们完全没想到它还能这么干！”但我们能及时发现，观察它，评估它，然后不断迭代演进。

可人们心里总有一层担忧：“好吧，但要是它明天突然就快速起飞了呢？”听你的意思，这种可能性不大。我觉得很多人感到害怕的根源就在这里——担心突然有一天超级智能降临，而人类措手不及。

Anish Acharya：没错。支持快速起飞的推导逻辑往往是：在此之前一切正常，突然发生了某种谁也讲不清楚的质变，然后直接进入指数级爆发。我不认为会发生这种情况。

模型本身的进步速度确实比以往任何时候都快。但如果看看技术在现实经济中的扩散速度：我从小在小镇长大，去年夏天回老家时，大家的生活其实并没有什么实质变化。单凭经济扩散固有的缓慢节奏，就足以平抑这种冲击。

很多问题，并不是堆砌智能就能解决的

还有一点很少被提及，Lenny，那就是现实中究竟有多少问题是真正受限于“智力”的（intelligence-bound）。

就算给联邦快递（FedEx）或达美乐披萨（Domino's Pizza）配上一整个数据中心的博士级智力，他们就能靠此在供应链或披萨业务上建立指数级垄断吗？我看不会。我们可能高估了有多少问题单纯受制于智力，而低估了物理现实本身的硬性约束。

主持人：本期节目由本季度的特约赞助商 WorkOS 赞助播出。

OpenAI、Anthropic、Cursor、Replit、Sierra、Clay，以及几百家行业头部公司，它们有什么共同点？它们都在使用 WorkOS。

如果你在做面向大企业的软件，肯定经历过集成单点登录（SSO）、SCIM 用户同步、RBAC 权限管理、审计日志等大客户必备功能时的痛苦。WorkOS 专为 B2B SaaS 打造了一套现代化的开发者平台，把这些阻碍大单落地的卡点，变成了开箱即用的 API。

毫不夸张地说，只要是我投资的初创团队，一旦开始向大客户市场拓展，最后都会用上 WorkOS。因为他们确实做得最好。

无论你是想拿下第一个大客户的种子轮团队，还是正在全球扩张的独角兽，WorkOS 都是让产品快速具备企业级能力（enterprise-ready）、打通增长瓶颈的最快路径。它本质上就是企业级功能领域的 Stripe。

访问 workos.com 即可开始体验，也可以直接加入他们的 Slack，随时有工程师在线解答疑问。凭借好用的 API、完善的文档和流畅的开发体验，WorkOS 能帮你更快完成开发。欢迎今天就访问 workos.com，让你的应用迅速具备企业级能力。

在企业内部，你有没有看到员工之间正在出现分化？未来这种分化会不会越来越明显：一边是积极拥抱新技术且用得越来越顺手的人，另一边则是觉得“我没时间搞这些，我讨厌这套东西，工作本来就够累了”的人？在公司内部，你现在看到了什么，又觉得未来会怎么演变？

Anish Acharya：关于这点我有很多想法。我觉得大家也太小瞧普通员工了。

我们常常对白领形成一种刻板印象，觉得他们就像《呆伯特》（Dilbert）里那种整天只会摆弄文件的办公室经理；我们把普通消费者想象成缺乏主见、随波逐流的 NPC——当然，我们永远觉得这种标签绝不可能用在自己或身边的朋友身上；我们还下意识地认为别人的工作很容易被 AI 彻底自动化，而自己的工作绝不可能。

但只要真正深入实际情况，你会发现很多人都在积极地想提升自己、获得更大的工作杠杆。

在 Google 这样的成熟大厂是这样，甚至在墨西哥二手车交易平台 Kavak 也是如此。他们在公司内部搞了个“绝地学院”（Jedi Academy），教全员——包括修车师傅——如何使用最新的工具和技术。为期六周的课程结束时，他们真正在生产环境里部署了一个前沿的 agent。

积极接纳这项技术的人，远比我们平时讨论的要多得多。

真正的大变革，在于你只是在用 AI，还是围绕 AI 彻底重组整家公司。

电力的普及就是一个绝佳的例子。从电力的诞生到工厂围绕电力彻底重组生产结构，整整走过了四十年。这意味着你必须把原有厂房推倒重建，而不是仅仅把过去烧煤的动力源简单换成电。

最有野心的公司正在围绕大模型重新思考一切业务流程；而野心稍小、或者目前还处于早期阶段的公司，想的更多还只是如何让既有组织架构和工作岗位里的员工能用上这项技术。

生产力大幅提升后，最头疼的反而是“路线图做空了”

主持人：听你聊到现在，一个很明显的感受是：对于未来的发展趋势，以及我们自己的工作和职业前景，大家其实不用那么焦虑。

Anish Acharya：我确实这么认为。想想 CEO 和高管们的诉求：执掌 Google 的 Sundar 想要的绝不是把公司做成一家更高效的 4 万亿美元企业，而是想做成一家 40 万亿美元的企业。

任何一个能够产生经济效益的生产单元，尤其当它的生产力进一步提升时，组织在商业理性上都会倾向于继续保留它。

我不知道你听到的是怎样，但就我私下了解，我和一位在 Google 当高管的好友聊过，我问他：“你们裁员了吗？”他说：“没有，我们现在做的是疯狂推进路线图。原本两年的规划，现在三个月就干完了。我们现在最头疼的反而是不知道该往路线图里加什么。”

顺便说一句，这可是每个 PM 梦寐以求的场景。想想以前你我为了排定优先级，耗费了多少心力和精力。

所以大家没必要那么焦虑，反而应该感到获得了极大的赋能。

顺便说一句，最好的应对方式就是动手做东西，不断把东西交付出去（ship stuff）。

Claire Vo 就是我的灵感榜样。她非常厉害，永远在交付、永远在尝试新东西，哪怕有些半成品让人觉得有点不好意思，她也毫不介意。你看她现在的状态，完全就是她个人有史以来的最佳状态。我们每个人都有机会做到这样。

主持人：沿着这个话题，你之前提过一个很有意思的观点：未来的公司搭建，越来越像是在构建一系列闭环（loops）。聊聊这个吧。

Anish Acharya：“闭环（loops）”这个概念在 X 上经常被调侃，因为大家有时觉得我们把它想得太玄乎了。我知道关于“图”（graphs）也有很多梗，说闭环的下一阶段就是图。

但我还是想从最合理的前提（steelman case）来阐述它：起初我们有提示词（prompts），后来有了 agents。而 agents 本质上就是把大模型放进一个带有工具、记忆和技能文件的循环里。再往后就是 loops（闭环），也就是一组 agents 共同协作去完成具体任务。

写代码是一个绝佳的场景，因为这里有最好的模型、技术理解力最高的客户，以及早已成型的流程闭环。

收到一个 Bug 反馈，系统自动生成复现步骤，自动写出修复补丁，并提交审查。如果是高风险变更，由人类确认后再发布到生产环境；如果是低风险的，就自动发布，甚至能在五分钟内发邮件告诉客户：“您反馈的 Bug 已经修好了。”

在工程领域有很多类似的闭环：Bug 修复、用户反馈、销售演示、新功能开发。写代码天然就很适合这种模式。

这样你就拥有了一个代码闭环，它带来的改变体现在代码库上。但我的问题是：业务层面的闭环又在哪里？

如果你是一位统管多项职能的业务总经理（GM），你的团队在代码、市场、销售、支持和法务上都有闭环在运转。所有这些闭环的输出，本身又构成了一个你应该能够去优化的宏观闭环。

这种模式的强形式，是系统直接给 CEO 发一条消息：“我们需要对业务的实体环节、商业模式或公司战略做出调整了。”

我们将会看到一整套层层递进的闭环：从每个人身上的闭环、每个岗位的闭环，到跨越整个业务部门的闭环，再到掌管公司核心运转的大型闭环。

话虽如此，人类依然是其中的关键要素。我认为组织中的大多数工作都不可能完全自动化运转。

思考一下人类在未来的 AI 原生公司中究竟要做什么，归结起来其实就是四件事：销售、支持、战略，以及异常处理。这几件事都极其关键。

模型进行“分布外思考”（out-of-distribution thinking）的能力依然非常有限。我并不认同数学领域出现的一些新推理能代表商业等领域的创新思考。你依然需要人站出来说：“我觉得我们应该做这个产品”，而且这个判断必须是正确的。

主持人：我想把这点进一步梳理清楚，因为这确实很有意思。

你的意思是，如今的研发和构建正在变成一种闭环：输入、反馈、客服工单，或者任何指明开发方向的信号；AI 越来越多地接手这些环节，创建 PR、验证是否完备，然后直接部署上线。

你预计这种模式会扩散到市场开拓（GTM）、法务、增长和客户支持等各个部门。那么在一家公司内部，这种闭环具体运转起来是什么样子？

Anish Acharya：增长团队就是一个很好的例子。你以前在 Airbnb 就在增长团队，对吧？

主持人：对，负责供给端增长。

Anish Acharya：你肯定还记得当时是怎么带团队的：把所有人召集起来，列出一批可能做的实验，排优先级，动手开发，上线，然后评估效果。

如果换成闭环模式，应该是这样的：自动生成每一个变体方案，自动监测每一个变体的效果；一旦达到具有足够统计学显著性（stat sig）的水平，系统就会收敛并上线该方案；同时保留长期的对照组（holdout），并开始进行下一个实验。

但最终，你总会遇到“局部最优解”（local maxima）。闭环能帮你爬到当前山头的最高点，但随后就会进入瓶颈期。这时你就需要分布外思考，需要人类的直觉，需要有人真正帮你找到并降落在下一座山的山脚下。

结果越容易被验证的工作，越容易被 AI 接管

主持人：你之前画过一张图来解释这个过程：agents 会帮你爬山、寻找局部最优，达到一个新平台后陷入停滞；这时就需要人类介入，提出一个更大的构想；之后 agent 和人类就以这种方式来回接力推进。

Anish Acharya：对。最明显的例子就是：如果你试过让 agent 帮你构思商业点子，比如对它说“Claude，帮我赚一百万美元，别出任何差错”，为什么这行不通？

因为你必须先给它定好方向。从这项技术目前的发展来看，没有任何迹象表明人类的指引是可以被省去的。

主持人：我看到一条推文说，OpenAI 的 GTM（市场开拓）团队使用 Codex 的频次，甚至已经超过了他们的研发工程团队。

Anish Acharya：没错！想想他们会有多高兴。GTM 团队真正想做的是什么？这可能有点刻板印象，但我依然坚持这个看法：他们想去健身房，去吃牛排大餐，然后捧起当季最佳销售的奖杯。

这意味着他们的工作被精简到了自己最擅长、也最感兴趣的核心环节。围绕这些核心工作的大量行政杂务，现在都有系统替他们处理。这就是 GTM 的未来走向，会非常棒。

主持人：这让我想起一个做 PM 的朋友，他有个很有意思的思路。做产品经理时，你总在拒绝各种涌过来的点子，总是说“我先加进路线图，后续再排期”。

后来他决定反其道而行之：“我对所有想法都说‘行’。什么都去做，用 Simile 这类工具去模拟用户的实际反应，让模拟结果来决定我们到底该不该做。”这种重新审视产品管理的方式真挺有意思的。

Anish Acharya：你知道这种做法妙在哪吗？几乎每家公司的 PM 都觉得自己是个从 0 到 1 的思考者，只是被管理层、创始人或者工程资源的瓶颈给耽搁了。

当每个产品构想都能被讲出来、每个功能都能真正试一遍的时候，很多 PM 就会发现，自己其实没那么擅长做从 0 到 1。把别人的好想法落地，远比守着自己糟糕的点子更有成就感。光是看清这一点，就能让组织的健康度提升不少。

更不用说，最终胜出的方案再也不取决于谁最会向高管兜售点子；只要拿去实际试一试，最好的想法自然会脱颖而出。

主持人：回到闭环这个话题：各个职能都在考虑搭建 agent，实现从输入到产生实际影响。

Claire Vo 最近发推说，以前大家总开玩笑说软技能最不值钱，工程技能最值钱，因为工程技能很具象。但事实证明，具体、可验证的工作，恰恰是 AI 最擅长的。

那么接下来的问题就是：到底有哪些技能是无法做成闭环的？原因正是其产出太难被验证。

Anish Acharya：没错，这些地方就会成为限制整个系统速率的瓶颈（rate-limiting factors）。一个人一晚上只能吃一顿牛排晚宴，最多中午再吃一顿，任何系统里都会存在这类限制因素。

这里有一个很实用的思考角度：每当模型出错，或者做出了你不会做出的举动时，问问自己：“我知道什么它不知道的事？”

Kavak 的 Ali 分享过一个很好的例子，他对这个问题的思考非常深入。他们在网上卖二手车，为每个客户都配置了一个 agent。当 agent 卡住时，它会呼叫人工，由人工来指导它完成后续流程。

妙处在于，这不仅帮 agent 解决了当下的卡点，agent 还会记录下所有的执行轨迹（traces）并从中学习。你补充的无非是一个知识缺口或数据盲区，下一次遇到同样的问题，它就不需要再向你求助了。

主持人：所以本质上，是把每个职能都看作一个 agent 闭环。你的工作就是弄清楚它在什么地方被卡住、什么地方会出错，然后给它补充更多的上下文和指引。

Anish Acharya：对。当你构思出一个切实可行的产品新点子时，其涉及的各项运营执行——市场、销售、产品营销、公关传播、法务——大部分都应该被自动化处理掉。

你的本职工作是去徒步散步，放开去想，然后找到下一座需要去攀登的山头。

算得清账的用开源，赌无限可能的才舍得买最贵 Token

主持人：在 AI 承担了如此多工作的世界里，胜出的公司究竟靠什么拉开差距？人类在局部最优处带着更好的想法介入当然是一部分，除此之外，还有什么能成为壁垒？

Anish Acharya：很多行业现有的竞争格局其实未必会真正改变。

假设必胜客（Pizza Hut）、达美乐（Domino's）、棒约翰（Papa John's）和 Round Table 都拥有了一整个数据中心的博士级智能。大家都会用上这项技术，要么现任管理层主动推进，要么换个 CEO 来做。中间可能会经历一段座次重排的震荡期，但最终各家都会接纳技术。我不觉得其中某一家能借此通吃 99% 的市场。

短期内，确实会因为采纳速度和野心大小分出胜负。但很多行业原有的竞争态势依然会维持下去，因为它们本身并不是受限于智力（intelligence-bound）的行业。

作为创始人或 CEO，眼下最值得问自己的问题是：“如果我们假设这些模型拥有无限的智能，而且成本极低，我们会如何重组整家公司？”因为这才是未来的方向。

主持人：你之前提过一个很有意思的观点：企业内部在通用人才和专业人才之间会出现分化，而 AI 在其中起到了很大作用。能展开讲讲吗？

Anish Acharya：这涉及到开放权重（open-weights）与前沿模型（frontier models）的选择。

帕累托效率追求的是在有效边界上的最优权衡：为每单位性能支付合理的价格。

但前沿模型的定价往往是非理性的。比如像 Mythos 这类假想中的极致模型，单 token 价格可能高到不可承受，根本没法实际使用。即便看目前的顶级推理模型，为了概念上多出的 1 点智商，你付出的成本可能是 Opus 级别模型的上百倍。

账面上看这并不合算，但有些工作的上升空间（upside）是没有上限的——比如药物研发。如果这多出来的 1 点智商能帮你发现下一代他汀类药物，那就是上万亿美元的回报。在这种工作上为最顶级的智能买单，完全是理性的。

但如果是法务或财务，业务的上限其实很明确。你更需要追求帕累托效率：用合理的价格换取不错的表现，而不是为了无限的潜在空间去承担无限的成本。

未来企业内部会出现分化：对智能要求居中的职能，往往会采用通过强化学习微调过的开放权重模型，它们成本低，在垂直任务上表现出色；而在销售、客服、科研和工程等领域，则会使用昂贵的前沿模型 token。

最终这两种架构会并存。不同模型家族和具体模型之间各有相对比较优势，绝不是非此即彼的关系。

主持人：也就是说，在一家公司里，具备巨大回报潜力和杠杆效应的职能——产品、销售、工程、科研——会采用前沿模型；而其他职能不需要最昂贵的前沿模型，做这些工作的人也不需要是全世界最顶尖的大脑。

Anish Acharya：这些岗位上同样有很多极其优秀的人，只是他们面对的问题本身收益是有上限的（bounded-upside）。账目只要做准就够了，你不可能把做账这件事做得好上 100 倍。

主持人：这和结果的“可验证性”有关吗？如果一项任务更容易被验证，是不是就不太需要前沿模型，还是说主要看潜在的收益上限？

Anish Acharya：对制药公司来说，潜在回报无限，而且结果也是可验证的。做账同样可验证，但回报上限很低。核心问题在于究竟有多大的潜在收益，以及评估这种收益有多难。

但这里有一个微妙之处：客户支持。比如有客户打电话反馈了一个 Bug，这个 Bug 可能是重塑整家公司的第一条线索。如果是 CEO 或最聪明的人在接这通电话，他们就能顺藤摸瓜抓住要害。

如果用的是一个中等水平的通用模型，可能就会漏掉这个信号。这也是为什么有人主张在这类问题上也该用上前沿智能。

但支持中等智能模型的理由也很充分：对于几乎所有具备经济价值的实际问题，我们其实已经跨过了智能门槛。超出这个门槛的智能，本身就是一种浪费。

主持人：大家容易忽略一点：现在的非前沿模型，六个月前也是行业最顶尖的存在。当时我们觉得惊为天人，现在有了更好的模型，大家反而觉得它们不值一提了。

Anish Acharya：确实如此。昨天大家还在振臂高呼“太不可思议了，这就是 AGI”，一觉醒来，就被弃之如敝履、随手扫进垃圾堆了。

别只停留在想法层面：动手做东西才是关键

主持人：大家开玩笑叫你“模型品酒师”。作为一名“品酒师”，你怎么看当前各大模型的最高水平？各家模型分别擅长什么，又不擅长什么？

Anish Acharya：每个品酒师的秘诀都在于那一万小时的积累——或者喝过一万瓶酒。想成为模型品酒师，秘诀也一样：把所有模型都用一遍。

每当有新模型发布，我都会逼自己用它做点东西交付出来。如果有人觉得模型只是同质化的大宗商品（commodities）、彼此完全可以互相替代，那只能说明你根本没真正用过它们。

过去几周我一直在重度使用 Qwen。Qwen 非常出色：很擅长处理长流程任务，有创意，也很会讲故事。

我一直在用它制作《星球大战》宇宙中各个星球的虚构纪录片。我做了一期塔图因（Tatooine）星的，效果非常好；昨晚我又做了一期贝斯平（Bespin）星的。

它可以连续跑上四五个小时。构思故事，通过 Fal 调用 MiniMax 生成视频，用 ElevenLabs 生成音频，导演一部五分钟的短片，剪辑拼接镜头，叠加图层，然后进行复审。整个过程非常厉害。

这和 GLM 的特质截然不同。GLM 没有视觉模块，它就像被你放在角落里的一个有点神经质的博士。它们各有各的用处。并不是说谁绝对比谁更领先、更聪明，而是 Qwen 的特质更偏向创意和开放，而 GLM 则更偏向偏执和严谨。

每个模型我都拿来做点东西，我的直觉就是这么建立起来的。

主持人：你是怎么想到用这些模型来做具体项目的？很多人也想上手尝试，但总会问：“我到底该做点什么？”你有什么建议吗？

Anish Acharya：很长一段时间里，身边最招人烦的就是那种“满脑子都是 App 想法的朋友”。每次一起喝啤酒，他们总会说：“我跟你讲讲我那个 App 的点子。”

但现在，我们得成为这种满脑子都是点子的人。所有那些看起来很傻的想法——尤其是越傻越离奇的想法，往往越能带来意想不到的超额回报（alpha）——这才正是我们现在该去做的。

我自己写过二十多个 App，同时还有一两个大一点的项目在持续迭代。如果你手里没有一个可以用来试验模型的底座（chassis），每次都从零想点子确实很难。

去做那些不是大写加粗的所谓“重大意义”的项目，把模型当成工具而不是目的，在现有项目上不断找新方式去拓展它。

主持人：现在最需要培养的一个习惯就是：每当你准备做一件事时，先问问自己：“这事怎么让 AI 帮我做？”

常有人说，在刺激与反应之间存在一段间隙，冥想能帮你在这段间隙里先思考再行动。而现在的诀窍，就是在那个间隙里塞进一个念头：“AI 能怎么在这件事上帮我？”

Anish Acharya：我也练了很久的冥想，确实是这样。

在日常的脑力工作中，这种结合点有时没那么直观。我是做消费产品出身的，对我来说，给自己的 DJ 流媒体应用构思一个新功能，或者给 X 做一个类似 Google Reader 的工具，要比在日常生活中硬找地方搞自动化容易得多。

不过也有一些好玩的例子。几周前，我让笔记本电脑把厨房里的所有动静实时转录下来，根据我儿子的表现是好是坏，自动增加或扣减他 iPad 的屏幕使用时间。

这是一个挺有意思的小实验，结果非常搞笑：他自己录了一段视频，对着镜头一遍遍说“爸爸，我爱你”，然后把视频放在麦克风旁边循环播放，直接把指标给攻破了。

这就是古德哈特定律（Goodhart's Law）：当一项指标变成目标时，它就不再是一项好指标了。但不管怎样，这是个很酷的尝试。

主持人：太逗了。考核指标里居然还包括他有没有说“我爱你”？

Anish Acharya：是看他说的话是积极友善、符合亲社会行为，还是消极抵触的。说“我爱你”当然是非常亲社会的。

主持人：我有个朋友做过一个设备，用来统计他和孩子一整天笑过多少次。他改动了一个 Limitless 吊坠来记录这个数据。

Anish Acharya：这就是我想说的。我们花太多时间讨论生产力、失业，以及各种宏大的严肃话题。但记录你笑了多少次，哪怕做不成一家创业公司，也没有重大的经济意义，它关乎的却是实实在在的生活质量。

我们总以为幸福感是恒定不变的，但如果不是呢？如果我们回到一百年前去工作，那份工作肯定远不如我们现在做的酷；而一百年后，人们的工作只会比现在更酷。

大家往往忽略了一个问题：哪怕没有直接的经济回报，这项技术又该如何丰富人类的生活质感？

技术的机会，不在于把表格做得更好看

主持人：你有个很有意思的观点，认为消费级市场最大的机会在于“闭环，让我更快乐”（loop, make me happier）。能展开聊聊吗？

Anish Acharya：我们总以为人们渴望更高的生产力，但事实并非如此。我觉得想要消磨时间的人，远比想要节省时间的人多。世界上体量最大的产品永远属于娱乐和社交，原因就在这里。

对大多数普通消费者而言，Instagram 上的 AI 用户和 X 上的 AI 用户之间存在明显的割裂。

X 上的用户整天担心自己沦为永久底层，对各种模型评测跑分如数家珍，完全沉浸在 AI 的狂热里（AI-pilled）；而 Instagram 上的用户只会觉得：“挺酷的，就像个更好用的 Google 搜索”，完全无法理解大家究竟在兴奋什么。

这其实是产品设计上的失败。我们明明掌握着足以从根本上改变人们生活的能力，却花了整整四十年时间去研发能把电子表格做得更好的技术——我们延伸了自己的智力，却没有延伸自己的心灵。

现代人普遍存在精神层面的渴求，尤其是在过去承担这一功能的文化与社会机构逐渐式微之后。这项技术真正的机会，在于满足消费者最底层的基本需求：我们如何感受到更多连接？如何感受到更多被爱？我们如何取得进步？又如何收获快乐？

我不认为这是模型能力不足导致的瓶颈，这纯粹是一个产品设计层面的问题。

主持人：不再是“loop，帮我拓展业务”或“loop，帮我处理完客服工单”，而是“loop，改善我的健康”，或者“loop，让我成为一个更好的朋友”。AI 完全没有理由找不到实现这些目标的方法。

Anish Acharya：AI 可以挑战你、督促你，甚至表达不同意见。这正是初创公司相比行业巨头具备优势的地方。

在 Google 内部，会有上千个审查委员会坚决反对发布一个会唱反调、甚至带有性暗示倾向的模型。但这些本就是真实人性与社会生活的一部分。去探索我们社交存在中那些令人不安的灰色地带，是初创公司独有的优势。

主持人：你花了很多时间投资消费类公司。对于消费级业务来说，打造围绕改善亲友关系的闭环产品，会是一个巨大的机会吗？

Anish Acharya：没错。如果拿 iPhone 的发展历程来打比方，我们现在大概处于 2010 年——Airbnb、WhatsApp、Uber 都还没有真正爆发，一切还处于早期阶段。

此前阻碍行业发展的有三件事：

第一，过去模型调用成本太高，免费的消费级产品在商业上很难维持。

第二，交互界面存在局限：对话界面（chat）适合像 Elon Musk 或 Sam Altman 这样拥有极强能动性（highest-agency）的人；但对于普通消费者来说，最理想的界面其实是 TikTok。我们需要的是某种介于 Chat 和 TikTok 之间的全新交互形态。

第三，这项技术的研发重心一直放在提高生产力上，而不是放在人际连接与娱乐上。

现在，这三点都在发生变化：开放权重模型让推理成本大幅降低；大家开始探讨能让我们更快乐的闭环；

像 Eugenia Kuyda 这样的创始人正在以更具野心的方式重新思考界面，Brian Chesky 也成立了专注于下一代界面的实验室。相比两年前，这些问题现在都有了更好的解决条件。

它把“技能”与“意愿”解绑，放大了人类的雄心

主持人：Marc Andreessen 之前在播客里提出过一个很有意思的观点：AI 出现得恰逢其时，甚至救了我们。因为全球人口在下降，生产力在放缓，加上气候变化和国际局势的不稳定，如果没有 AI 来填补缺口，我们真的会遇上大麻烦。

从更宏观的视角来看，你觉得为什么大家普遍低估了对 AI 的乐观态度？

Anish Acharya：因为它有潜力成为一种情感和精神层面的界面，帮我们探索内心深处被埋没的自我。

工业革命带来了不可逾越的规模优势。虽然我坚决支持资本主义，但中心化确实会压制个体的独特性，削弱个人身份的认同。

而这项技术放大了每个人的个性和能动性。它在某种程度上把“技能”与“意愿”彻底解耦了。

现在如果你想做音乐，就算不会弹钢琴也能做出来；如果你想做软件，即便不是传统意义上的程序员，也一样可以写软件。它让我们能够探索过去触碰不到的生活维度。

我们长期困在 2% 的 GDP 低速增长泥潭里。谁说我们必须一直停在那里？为什么不能实现 10% 甚至 20% 的增长？我们不仅能大幅提升生产力，更能成倍激发大家的雄心。

二战后的五六十年代，整个社会的动员规模达到了以往不可想象的高度。当赌注很高、面临重大挑战时，人类的表现往往令人赞叹；而当赌注很小、无足轻重时，我们往往表现得最差。

五年前的世界就像处在一个低风险、低回报的温吞状态，社会上充斥着各种无关痛痒的边缘项目，既无助于生产力，也没能让人感到更快乐。而现在，每个人都在努力向上攀登，野心越来越大。

多去交付看似不成熟的想法，才能在此基础上发现真正的好点子。现在如果你想造一座桥，不必成为专业的土木工程师，也能弄懂该如何去设计。我们明明具备了建立一个更快乐、更充实、生产力更高的社会的基础。可此时此刻，大家却还在忧心忡忡地讨论什么“永久底层”。

主持人：从 AI 兴起以来的实际情况看也是如此：失业率依然很低，大家都在动手做东西，Moderna 也在利用 AI 研发癌症治疗方案。

Anish Acharya：Dario Amodei 写了一篇文章探讨治愈所有疾病之后的世界，而我们居然真的能把它当作一个严肃课题来认真讨论。我们生活的时代真的很神奇。

我们总是在为各种抽象的概念担忧——抽象的普通工人、中层管理者，或是住在数据中心附近的居民。但从现实的“显示性偏好”（revealed preferences）来看，大家在真实生活里正变得越来越有能力、越来越被赋能。

如果你问大家愿不愿意在自己社区附近建一座数据中心，绝大多数人会说不；但如果问他们今天有没有用 ChatGPT，多数人都会说用了。这就是矛盾所在。

主持人：围绕 AI 的公关舆论一直不太好，充斥着很多恐慌言论。这种情况会有所改变吗？

Anish Acharya：要改变这种舆论氛围，最重要的就是让真正重要的事情变得便宜。

在美国，有两件事极其重要，而且价格一直在持续上涨：医疗和教育。

在医疗领域，有 45% 的成本来自于行政支出。如果能把这部分行政负担挤掉，医疗就能变成通缩性行业。而在教育领域，传统机构正在面临两百年来最激烈的外部竞争。

把学习从教育机构中解绑，把个人声望从文凭凭证中解绑——你不再需要哈佛学位，只需要一个 GitHub 主页——这本身就是一件非常酷的事。

暂停模型研发，往往不只是出于安全顾虑

主持人：OpenAI 最近因为安全方面的顾虑，暂停了其最新模型的强化学习（RL）阶段。这是一个很大的转变：之前大家都在全速向前冲，现在却说要慢下来。你怎么看这件事？

Anish Acharya：先不谈 OpenAI 本身，我对其中的一些说法是持怀疑态度的。

当初 Anthropic 因为宣称某个模型“危险到不能发布”而建立的光环，是一次极其成功的营销。但真实情况可能是他们的 GPU 紧缺，可能是模型表现还没达到预期，也可能是他们想把自研模型留在内部使用以保持领先优势。

导致公司选择放缓节奏的，往往有很多现实层面的复合因素。

进攻性的网络安全风险确实存在：在系统变得容易被攻破之前，我们确实应该先加固防御。但“模型过于危险所以不能发布”这种说法，往往把很多东西混为一谈了——既有公关营销的考量，也有推理算力的限制，还夹杂着是将优势对外开放还是留作内部专用的商业战略决策。

主持人：之前 Anthropic 看起来势头无人能挡，随后 OpenAI 迎来了一段势头极猛的爆发期，而开放权重模型也正在全力加速。

Anish Acharya：虽然此前大家一直担心会有某家公司独自垄断超高智能模型，但行业的发展轨迹完全不是这个走向。

主持人：Grok 也是突然杀出重围，现在已经是一款非常出色的 AI 助手了。

Anish Acharya：个人 agents 这个方向潜力巨大。Grok 把这一点抓得很准，底层的模型也很棒。

ChatGPT Work 虽然在界面里藏得很深，但它绝对是 OpenAI 迄今为止发布的最好产品之一。另外，还有一家最近备受关注的初创公司 Instinct，在这个领域做出了非常大胆且有趣的取舍。

主持人：负责 ChatGPT Work 的产品经理 Tara 刚好参加了我们前一期的节目。这款产品到底为什么这么出色？主要是因为它跑在云端吗？

Anish Acharya：它运行在云端，能很好地缓存浏览器凭据，并且支持全双工语音模式。

你可以直接给它打电话，它能同步看到你所有的对话线程，你可以直接对它说：“我那几个 coding agents 现在进展怎么样了？能帮我调整一下吗？”

正是因为全双工语音非常流畅，你的体感就像是在给一位对自己当下所有工作了如指掌的真人助理打电话。相比之下，Grok 目前主要是单向语音转录，其他大部分产品还停留在纯文字交互。把语音体验与跨线程的统一上下文结合起来，这点他们做得极为出色。

人的欲望，增长速度永远快于满足欲望的能力

主持人：关于就业和经济，目前大家的看法各不相同：一端是 Dario Amodei，他认为 50% 的脑力工作可能会受到冲击；另一端是 David Sacks，他觉得就业不会有问题。你的观点更接近 Sacks。除了刚才聊到的那些，还有什么让你对未来的就业持乐观态度？

Anish Acharya：人类社会的发展规律一直都是：我们的欲望增长速度，永远快于我们满足欲望的能力。

今天被视为基本配置的东西，在五十年前（比如心理咨询）或一百年前（比如抗生素）都是无法想象的奢侈品。在那个时代，无论贫富，谁都享受不到。

我们总是低估了人类的野心与欲望。二十年后，如果有人发现自己在火星上买不起度假屋，是真会生气的——他们在 Instagram 上看到别人发帖，会打心底里感到愤愤不平，然后对自己说：“我得更努力工作，我也要买一套。”

每一个 CEO 都会想把公司做得更大。相比一个世纪前的想象，我们如今的生活体验已经丰富广阔得多，而且没有任何理由认为这一趋势不会进一步加速。

主持人：AI 降低了拥有野心的门槛，甚至在倒逼我们变得更有野心，因为简单的任务现在谁都能做。人和人之间的差距，就看谁敢把目标定得更大。

Anish Acharya：大家往往把“野心”定义得很窄，觉得只有做创始人或者写软件才算有野心。但想想创作上的野心：当你五岁的时候，没人会对你说：“Lenny，你擅长画水彩，但不擅长画素描。”你只是想做点东西，然后就动手做了。AI 鼓励的正是这种状态。

再想想具体场景下的野心：英国的国家医疗服务体系（NHS）备受重视，但运转一直很困难。也许 AI 能帮它变得像 iPhone 一样流畅好用。

或者更朴素一点：渴望与家人建立更紧密的联系，成为更用心的父母。野心不一定局限于经济层面；任何我们发自内心想做得更多的事，都是野心。

主持人：做产品的人习惯了围绕 MVP（最小可行产品）和各种限制条件去思考。但现在我们得换个思路：如果把这个方案放大 10 倍甚至 1,000 倍，它会是什么样？

Anish Acharya：同时我们也要学会往小处想。以前软件和智力是稀缺资源，如今却变得极其充沛。这种思维方式的转变其实并不容易。

主持人：Claude Code 团队有个原则：“有什么比我自己动手更好？那就是让 Claude 替我做。”这在团队里形成了一种习惯：遇到事情先想，怎么让 Claude 替我完成？

Anish Acharya：很多认知都是在动手实操中获得的。现在大家都在聊 vibe coding，但很多人不太好意思分享自己的项目，觉得这些东西微不足道、不够重要。

但其实很多学习和成就感，恰恰来自执行并把它交付出来（shipping）。“动手构建”（Building）就像是一种新的“阅读”：你通过亲手做东西来学习，把经验内化为自己的能力。就算做出来的东西大多数都留不下来也没关系，因为你已经锻炼出了底层肌肉。

主持人：把动手构建本身当成一种过程，而不只是为了结果。

Anish Acharya：正是如此。我做了一套 DJ 混音，可能一共就三个人听过，而我自己听了一百遍，依然觉得非常满足。这完全没关系。

护城河不是设计出来的，而是在实战中发现的

主持人：在消费级 AI 领域，现在正在发生什么？你重点关注的方向有哪些？

Anish Acharya：主要有三个方向：

第一是 coding agents。大多数人觉得自己并不想写代码，但 coding agents 本质上是一种与世界交互的通用方式。有人用 Claude Code 来剪辑视频，或者在飞机上用 Codex 现做一款小游戏陪孩子玩。它成了一种通用的问题解决工具。我们投资的一家公司 Wabi，就是一个让大家能够创建、使用和分享微应用（micro-apps）的平台。

第二是 personal agents。此前开发者社区里出现过 OpenClaw 和 Nous Hermes 等开源实验，现在这些技术正在被提炼为面向消费端和企业端的 agents，比如 Grok、Instinct 以及 ChatGPT Work。

第三是娱乐与陪伴。Suno 在音乐创作方面做得很出色。陪伴类产品聊起来可能会让人觉得有点尴尬，所以平时讨论得不多，但这类产品的体量非常大，而且增长极快。

主持人：陪伴类产品确实很有意思。在行业市场图谱（market maps）里，经常能看到好几家这类产品。

Anish Acharya：准确地说，现在的 AI 男友比 AI 女友更多。使用陪伴类产品的绝大多数用户，其实是四五十岁的女性。

主持人：在看 AI 初创团队时，你怎么评估护城河和业务的持久性？大家现在都在问：“你怎么证明自己不只是一个套壳产品（wrapper）？”

Anish Acharya：这里有两个重要的想法：

第一，正如 Decagon 的 Jesse 所说：护城河是发现出来的，而不是设计出来的。创始人常常陷入一个误区，试图拿出一份能经受住商学院推敲的商业计划书。而 Decagon 团队就是直接开始交付产品，他们的护城河是随着时间逐步形成的。

Cursor 作为开发者工具，早期也曾被批评没有护城河。但随着时间推移，他们沉淀了推理轨迹（reasoning traces），训练了自己的定制模型，开发了 Composer，最终建立起了具有持续生命力的业务。护城河是在交付的过程中被发现的。

第二，传统的护城河从来不取决于软件本身的开发难度，而是来自网络效应、规模优势、品牌以及专有数据。五年前成立的每一种护城河，在今天依然是有效的护城河。

我们需要创始人去打造具备多人协作属性的产品（multiplayer products）、消费级社交产品，以及那些用户越用、价值越能持续复利累加的产品。Hamilton Helmer 在《商业七力》（7 Powers）里写的内容依然适用。

如果软件卖到每月一万美元，它究竟需要交付什么？

主持人：我觉得全世界真正有价值的商业书可能也就五本，《7 Powers》（商业七力）肯定在列。你的书单里还有哪些？

Anish Acharya：Andy Grove 的《High Output Management》（格鲁夫给经理人的第一课）依然经典。

还有 Ben Horowitz 的《The Hard Thing About Hard Things》（创业维艰）。这是第一本在情感上真正做到坦诚的商业书。创业者之所以喜欢它，是因为读完会发现：“原来不是只有我一个人整天焦虑、觉得自己是个失败者，而且还无法向别人倾诉。”

主持人：如果创业者向你路演时没有明显的护城河，他们可以直接说“我们会在之后的过程中去发现它”吗？

Anish Acharya：只要一款产品有增长势头、工艺打磨极佳且用户参与度不断提升，哪怕创始人暂时讲不出一个明确的护城河故事，我们也乐于支持。

大构想往往是由十几个看不见的小构想支撑起来的。哪怕有人抄袭了大方向，也会漏掉那些让产品真正运转起来的细微之处。

看看 Granola：两年前大家都质疑它的持久性，但它如今不仅站稳了脚跟，而且深受用户喜爱，靠的就是对产品工艺的极高水准。

主持人：底层的工程调用框架（harness）和产品体验，才是真正的差异化所在。

Anish Acharya：站在前沿的人往往会同时为它们付费——Cursor、Grok、ChatGPT 都会买，因为每款工具都有自己的特长。

主持人：现在每天都有成千上万款产品发布，分发渠道似乎成了一道巨大的壁垒。你怎么看当前的分发问题？

Anish Acharya：Chris Dixon 曾提出过一句话：“因工具而来，为网络而留”（Come for the tool, stay for the network）。

整整一代创业者都是在这套网络效应理论下成长起来的；结果导致现有的大平台都变得极其敏锐，竭力防止任何人在自己的生态之上建立新的网络。

现在的网络效应已经回归到了最基础的草根口碑（grassroots word-of-mouth）。如果一款产品能在 X、YouTube 和 Instagram 上获得真实的自发讨论，那就是你能指望的最佳第三方网络效应。

这和移动互联网时代靠应用商店推荐和增长黑客玩法的逻辑不同，今天我们必须依靠口碑传播，建立属于自己的渠道。

主持人：Seth Godin 谈过要做真正“非凡”（remarkable）的东西——也就是值得让人谈论的东西。

Anish Acharya：现在的团队遇到的其实大多不是增长问题，而是产品问题。

无论在功能深度还是情感体验上，你完全可以做出一款野心极大的产品，并向市场收取相当高的费用。这到底是增长遇到了瓶颈，还是想象力受了限？

如果你的软件每月收费 1,000 美元甚至 10,000 美元——做成软件里的“爱马仕铂金包”——它究竟需要交付什么价值？把这个问题想清楚，然后把它做出来。

要么登上月球，要么在地上砸出一个巨大的陨石坑

主持人：大公司是否会因为现成的分发渠道而拥有巨大优势？比如 Google 强推 Gemini。

Anish Acharya：对初创公司来说，情况可能反而更容易一些。尽管 Google 做了大量交叉推广，但没人会认为他们靠 Gemini 彻底拉开了身位。

初创公司可以去涉足大公司不敢轻易碰的方向，比如情感陪伴。如今不仅有个人用户愿意每月支付 200 美元，甚至还有企业客户在尚未完全看清终局的情况下，就愿意签下数百万美元的采购合同。

现在的感觉很像 2009 年的圣诞节：每个人都刚拿到一部 iPhone，渴望下载各种各样的 App。窗口期已经打开了。

MSCHF 曾做过一款叫 Card Versus Card 的产品：他们给十万人寄了借记卡，每天发短信通知一个消费地点，并在卡里充入 100 美元，第一个刷卡成功的人拿走这笔钱，其他人的刷卡都会被拒绝。这是一个病毒式传播的社交实验。

金钱天然带有社交属性，但大多数金融工具却枯燥而封闭。而在 AI 领域，我们完全有机会打造出更具野心、能够触动社会神经的产品。

主持人：见证了这么多优秀初创公司的成功，你学到了哪些比较反直觉的经验？

Anish Acharya：三年前，如果一家公司的想法过于宏大或复杂，我们通常不会接触。当时做 1 亿美元的种子轮融资根本不可理喻，因为初创团队根本消化不了这么多资金。

而今天，我们反而会放弃那些格局太小的想法。现在的野心已经没有上限。

做投资时，我们会告诉创始人，我们想帮他们把愿景中最具力量的版本实现出来。Marc Andreessen 曾跟我说，他们在筹集第一支基金时心态就是：“我们要么登上月球，要么在地上砸出一个月球那么大的陨石坑。没有别的选择。”

看看 Hadrian 或 Anduril——十年前看似不可能做成的事情，现在都成了切实的创业方向。

另外，过去的共识是消费级产品必须免费。但我认为消费级产品其实可以卖得非常贵。价格本身就是衡量产品市场契合度（PMF）的标准。试着去想一想：如果你的软件是一款每月收费 10,000 美元的高定爱马仕铂金包，它应该长成什么样？这是一个非常有效的思维练习。

逼自己每周交付一点新东西，哪怕只是给身边人带来惊喜

主持人：你和 Marc Andreessen 以及 Ben Horowitz 密切共事，从他们身上学到了什么？

Anish Acharya：一种对科技行业和国家的强烈责任感与担当意识（stewardship）。

就像 Ron Conway、Brook Byers 或 Tom Perkins 那样，他们身上有一种使命感：离开这个行业时，要让它比你来时变得更好。他们会主动牵头推进很多艰难而重要的项目，哪怕这些事对公司本身并没有直接利益，只是因为它们确实至关重要。

他们重塑了整个硅谷的集体雄心。七年前，硬科技（deep tech）以及关乎国家利益的技术还处在边缘位置，不受重视。而他们旗帜鲜明地全力支持这些真正重要的事情，整个行业生态也随之跟进了。

主持人：对于身处 AI 时代的产品人，你有什么建议？

Anish Acharya：多做东西。

随便挑一个项目做起来。你不用告诉任何人，它也不必是什么了不起的大项目。把它当成一个试验平台，用来测试新模型、发布成果并培养直觉。你只要经历充满挫折却又极具成就感的一周，就能彻底对 AI 开窍（AI-pilled）。

我们当初入行做产品，初衷都是为了把自己脑海中的构想亲手做出来。现在，我们终于有了实现它的工具。

逼自己每周交付一点东西。我之前玩 Codex 时，让它帮我妻子做了一套母亲节演示文稿：它提取了我的短信记录、相册照片，挑选了配乐，甚至翻出了我当年第一次约她出去时的聊天记录。这虽然不是什么商业化项目，但这同样是一次真实的交付。

主持人：你在 Credit Karma 时的同事 Nikhyl Singhal 曾提到：只要 AI 在个人生活中带来一次发自内心的喜悦，人们对它的看法就会彻底转变。

Anish Acharya：想办法用 AI 给身边的人带来快乐，就是一个极好的开始。

主持人：最能给你带来乐趣的 AI 产品是什么？

Anish Acharya：Grok。它在缓存凭证和代表用户执行操作方面很有野心，敢于去冒大公司避之不及的风险。

主持人：你经常想起的一句人生座右铭是什么？

Anish Acharya：“既然别人能直接告诉你，就不要非靠痛苦的经历去重新摸索一遍。”

对我的孩子来说，这意味着不要去碰发烫的炉子；对我第一次创业来说，这意味着不要试图同时做一家游戏工作室和一个平台，老老实实二选一。

文末福利｜AI 开学季硬核资料免费领

2026 奇点智能技术大会限时送出两份技术礼包：

• Łukasz Kaiser 历届演讲视频 + PPT | Transformer 八子之一、OpenAI 资深研究科学家，带你理解推理模型与大模型第一性原理。

• Agent 实战训练营录播课 | 覆盖 Agent 架构、基座模型、Skill、Agentic Infra 等核心技术，从理论到企业级落地。

扫码免费领取，两套硬核资料一次带走。

11 月 20—21 日

北京万达文华酒店

2026 奇点智能技术大会，现场见。