Podcast Interview · 逐期深读

莫子皓谈 Personal Agent:把智能带到现场,而不只是放进一个更聪明的聊天框

本期背景与内容导览

曲凯与 Ambi 创始人莫子皓讨论 Personal Agent,重点不是“哪个模型最聪明”,而是普通人为什么愿意让智能持续参与生活。对话先从近期产品与模型能力的变化说起:莫子皓认为,新模型在长程、模糊任务上的进步改变了他的预期,但普通人是否使用,还取决于安装、配置和每次解释需求的成本。随后话题进入 Personal Agent 的需求与商业模式:他主张降低“获取智能的交互成本”,用 Agent 之间在授权下的协作形成新的价值,并比较 To C、To B 和硬件渠道的差别。中场他点评几款产品,解释 Ambi 为什么强调线下 context、持续在场和软硬件结合,而不是只做一个异步执行任务的聊天框。后半段回到他自己的创业经历:溜冰场门票分销、保险用户路径、销售激励和人才招募,用来说明识别需求、设计交付与激励的方式。最后他提出“AI 是主体的延伸”、主动服务应该由环境变化触发,以及 AI 的增量价值在屏幕之外的并行工作。所有市场判断、融资观察和成功率预测都按录制时观点保留,本文另行讨论其成立条件。

42章经 · 2026-10-13 · 1:26:18

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:02–00:25:57连续对话 1

00:00:20–00:05:58Personal Agent为何近期再次火热?

  • Ambi从一开始就定位为Personal AI吗?
  • 这一波Personal AI的热潮与之前有何不同?是像Openclaw那样的短暂现象,还是有更坚实的原因?

主持人曲凯首先询问嘉宾莫子皓,其创办的Ambi是否从一开始就定位为Personal Agent。莫子皓确认,尽管团队并未主动使用这个标签,但其初始技术架构(为每个用户设一个虚拟机环境)和改变人与AI交互方式的初衷,都与Personal Agent的方向一致。他提到,创业的愿景是让AI像水电煤一样普及,而非局限于少数场景,做一个能被大多数人使用的产品。

随后,曲凯将话题转向近期Personal Agent概念的火热,并追溯其发展脉络:从早期的AI做事概念,到主持人提到的早期产品,再到 OpenClaw,最终与AI Coding等方向融合。他询问这波热潮与之前的区别,以及是否只是昙花一现。

莫子皓认为,这波热潮并非“诈骗”,而是满足了许多产品经理看到的趋势,具备持续火爆的潜力。他以Muse和Grok为例,指出这类产品降低了使用门槛,普通用户无需技术背景即可轻松上手,体验类似成熟的互联网应用。他进一步解释,Openclaw虽然曾引发关注,但存在两个核心问题:首先,它虽然强大,但缺乏明确的应用场景和价值点;其次,普通用户要获得并配置这种能力的链条过长,安装和设置成本极高,这更多是产品和传播问题,而非技术问题。

莫子皓分享了自己从年初开始持续使用和迭代Hermes(替代Openclaw)的经验,结合代码与工具环境,将其应用于工作、生活、健康等多个方面,并设置定时和主动性任务。他强调,随着模型(如从5.6升级到6)的不断进步,系统的价值感和能力都得到了巨大提升。因此,他总结道,Personal Agent的火热是产品体验优化和模型能力增强共同推动的结果,使其越来越接近成为一个大众化产品。

Personal Agent在本对话中,指一种能代表个人、在数字世界中自主执行任务的AI程序。它不仅仅是问答工具,而是被赋予了用户的个人数据(如记忆、文件、偏好),并能在虚拟机等环境中模拟人的操作(如点击、输入),主动或被动地为用户完成订票、处理邮件、信息整理等一系列复杂任务。
Hermes在这里指一个开源的Agent框架或系统。嘉宾提到用它替代了Openclaw,并结合Codec(可能指代码生成或执行能力)来构建自己的个人AI系统,用于处理工作、生活、健康等方面的任务。
Computer Use指AI模型直接理解和操作图形用户界面(GUI)的能力。输入是屏幕截图或视觉信息,输出是模拟人类的鼠标点击、滚动、键盘输入等操作指令,从而让AI能够使用任何软件或网站,即使没有专门的API接口。
Harness / System PromptHarness 是模型外部的任务执行环境:它向模型提供指令、历史上下文和工具,接收模型输出后调用代码、浏览器或其他工具,再把结果带回下一步。System Prompt 是其中的行为指令。嘉宾说模型升级后要“剪一层”Harness,指减少不再需要的约束和补偿逻辑,而不是只缩短一句提示词。

话题推进:在讨论完Personal Agent火热的原因后,主持人基于嘉宾提到的模型进步,追问近半年新模型带来的具体改变。

00:05:59–00:10:06模型进步如何改变Agent能力:从“智能足够”到“永不满足”

  • 去年我们曾聊到“智能已经足够了”,近半年来新发布的模型(如Fable, 5.5)是否让你觉得还能更进一步?体现在哪些具体场景和细节上?
  • 如何看待GPT最近发布的Computer Use能力?你们在产品中会用到吗?

主持人曲凯提起一年前与嘉宾的讨论,当时普遍认为“智能已经足够了”。他询问,近半年的新模型是否改变了这一看法。

莫子皓修正了自己去年的观点,认为当时觉得“智能足够”是因为设计的任务不够复杂,给模型的上下文(context)不够丰富和多元,视野受到了局限,主要停留在聊天场景。他指出,在更复杂的工作场景中,新模型的提升是巨大的。他以GPT-6 级模型发布时的亲身经历为例:在调整完自己的Harness和System Prompt以适配新模型后,他发现对于处理公司内部Lark、GitHub、Figma等平台上的长程、模糊任务(如“某个功能与最初设计有何偏离”),新模型(GPT-6)的输出质量有肉眼可见的巨大提升。具体表现为,输出内容更精简,但表达更精确,甚至能总结出人类自己都想不到的洞见。这次经历让他感到“aha moment”,并意识到人类对智能的需求上限非常高。

接着,曲凯询问嘉宾对“Computer Use”(计算机使用)能力的看法,指出该能力在模型厂商内部评价很高,但在外部感知较弱。莫子皓回应,他们将Computer Use视为模型自身能力演进的明确方向。他解释了团队的产品哲学:要么利用技术优势创造当前模型“刚刚好能做到”的惊艳体验,要么避免投入过多精力去实现那些模型在3-6个月后就能天然具备的能力。Computer Use属于后者。尽管目前可能还存在速度慢、需要反复尝试等问题,但这些都会随着模型迭代而改善。因此,Ambi团队选择乐观关注,但不会在当前阶段投入资源去调优这些corner case,而是将其当作未来可以直接利用的基础能力。

话题推进:从模型能力的供给侧讨论,自然地转向了另外两个关键的供给侧问题:成本和需求。

00:10:07–00:15:33Personal Agent的成本与需求:交互成本决定需求真伪

  • 从成本角度看,Instinct、Grok Bot、Muse这类产品到底有多烧钱?成本是否是问题?
  • 从需求角度看,个人用户真的有那么多日常需求来使用Personal Agent吗?
  • 这些Personal Agent的终局是否就是成为ChatGPT或Claude的一部分?

主持人曲凯提出,尽管模型能力在提升,但供给侧仍面临两大问题。首先是成本,他询问Personal Agent产品是否非常烧钱。

莫子皓认为成本不是大问题。他观察到,在当前这波热潮中,用户并不关心背后用了什么模型。对于订餐厅、订票这类任务,用户对延迟不敏感,更看重成功率和质量。这意味着在速度上可以做一些权衡(trade-off)。他表示,Ambi的原则是不因成本阉割用户体验,而目前的模型价格与智能交付的价值之间,已经可以找到一个商业上成立的平衡点。

接着,曲凯转向需求侧,质疑个人用户在工作场景之外,是否有足够高频的需求。莫子皓提出了一个核心观点:需求的强度取决于“获取智能的交互成本”。如果用户能像说话一样轻松地调用AI,那么许多“鸡毛蒜皮”的生活小事都会变成真实需求。但现状是,用户需要经过复杂的设置和交互才能使用,高昂的“行为成本”抑制了生活场景中的需求。他用“增程汽车”类比:人们可能一年也用不到一次增程,但为了避免那一次的“痛”而愿意买单。同理,如果能随时随地低成本获取智能,用户自然会高频使用。

莫子皓举例,一个同事在新疆自驾时,突然需要改酒店、找加油站和修车厂,这时对Agent的需求就变得非常强烈。他认为,简单地将人的需求划分为工作和生活是过于简化的,真实需求与时间、场景、环境都相关,而这一切都建立在“获取智能的成本是多少”这个前提之上。

最后,曲凯追问,既然如此,Muse这类产品的终局是否就是被ChatGPT等大平台整合。莫子皓表示同意,认为这些产品验证了个人生活场景中与“名和利”相关的需求是真实存在的,因为其ROI(投资回报率)可以被明确计算。一旦某个切入点被验证,所有玩家都会跟进。他透露,无论是OpenAI还是字节跳动,都在开发类似的产品,这是一个显而易见的趋势。

话题推进:在确认Personal Agent的个人场景需求后,对话转向了不同Agent产品路线的比较,特别是与企业协作场景(Coworker)的对比。

00:15:34–00:21:09AI Agent的产品路线之争:为何To C优于To B?

  • 如何看待不同的Agent产品路线?例如,多个Agent服务一人、每人配一个Agent,或是在团队中加入一个AI Coworker(如Claude for Teams)。未来人与Agent的协作关系会是怎样的?
  • To C产品容易赢家通吃,Personal Agent会是这样吗?
  • 有评论认为Personal Agent最终会是腾讯、Meta这样拥有强网络效应的大厂的机会,你怎么看?

主持人曲凯询问嘉宾对不同AI Agent产品路线的看法,包括个人Agent和团队协作型的AI Coworker。

莫子皓认为,这些路线都有可能成功,就像不同组织架构(民企、外企、私企)的公司都能成功一样。他以桥水基金的极端透明为例,说明不存在唯一的正确模式。他指出,AI Coworker发展缓慢的根本原因在于,将其应用于现有组织会触及复杂的组织变革问题,其效率会被组织中最慢的一环限制。他引用“电发明后,按电力逻辑重建工厂需要30年”的例子,认为只有当新一代AI Native公司成长起来,才会完成对旧模式的淘汰。从逻辑上看,拥有更高效率、人才密度和知识复利的新型公司,假以时日必将取代旧公司,届时AI Coworker的市场才会真正扩大。

基于此,曲凯推断,面向个人的Agent更容易起步。莫子皓表示赞同,并犀利地指出,许多创业者“看硅谷看多了,有点魔怔了”,忘记了“能做To C谁做To B”的基本逻辑。他认为,美国公司之所以转向To B,是因为在移动互联网时代,To C市场已被巨头占据,渗透率高,网络效应强。但在AI这个新时代,不应再走老路。

针对To C市场赢家通吃的担忧,莫子皓认为,这主要取决于获客渠道是否依赖于有强网络效应的上游平台。如果依赖,创业公司就很难独立成长为巨头。他特别提到中国市场,直言由于分发渠道被巨头掌控,创业公司的成本被严格控制,创造力受到压榨,因此在中国做Personal Agent几乎没有机会。他将讨论范围限定在海外市场,认为通过硬件等线下渠道,仍有机会绕开巨头的封锁。

最后,莫子皓总结,他认可在中国市场,Personal Agent的机会属于拥有分发渠道的巨头,但在全球市场,创业公司仍有机会。

话题推进:在讨论完渠道对创业公司的限制后,话题自然转向了Personal Agent产品本身是否具有网络效应,以及如何构建壁垒。

00:21:11–00:25:57Personal Agent的壁垒:网络效应体现在Agent之间

  • Personal Agent这个名字听起来天然不带网络效应,它要如何构建壁垒?
  • 能否具体分析一下Town、Grok Bot、Muse、Instinct等几款产品的特点和路线?

主持人曲凯提出一个疑问:Personal Agent这个概念听起来很“个人”,似乎天然不具备网络效应,那么它该如何构建壁垒?

莫子皓反驳了这一观点,他认为Agent之间(A2A, Agent-to-Agent)的交互是构建网络效应的关键。他解释,网络效应的核心在于用户间的连接能否为彼此带来正向价值。在Personal Agent的场景中,每个Agent都沉淀了其主人的记忆(memory)、文件系统(file system)和知识。当人与人需要沟通时,本质上是想获取对方的知识和时间。因此,如果一个用户的Agent可以与另一个用户的Agent进行交互,共享彼此的“个人数据”,就能为双方带来巨大帮助。他强调了因果关系:“不是因为可以A2A,所以才用你的产品;而是因为用了你的产品,沉淀了数据,才使得A2A成为可能并产生价值。”这与iPhone的逻辑类似,先有大量用户,再建立App Store生态。

为了证明A2A的实用性,莫子皓分享了自己公司内部的实践。他会将自己的Hermes Agent(以Lark Bot形式存在)拉入一些工作群。同事们可以直接@这个Bot,向它请教问题或审阅稿件,相当于在特定权限下调用了莫子皓的“知识库”。莫子皓本人在群里只起到一个权限监督的作用。他认为,这天然就是一个A2A协作的场景,证明了其可行性和价值。

随后,曲凯请嘉宾简评几款具体的Personal Agent产品。莫子皓首先分析了Town。他认为Town带有浓厚的金融科技背景(其CEO来自Plaid),因此产品设计极其注重权限(permission)和引用(reference),这使其天然适合处理邮件等To B场景。Town通过自动为邮件打标签、分类、写草稿等功能,精准满足了一部分特定人群(如需要处理大量学校通知的家长)的需求。然而,莫子皓也指出了Town的几个问题:首先,其产品信息架构复杂,不如“中国人做得好”;其次,它对智能的利用程度不高,过于聚焦在“回邮件”这个点上,而这并非在模型能力持续增长的延长线上。因此,他个人不看好Town的长远发展。

话题推进:在分析完Town之后,对话预计将继续讨论其他几款Personal Agent产品,如Grok Bot、Muse和Instinct。

00:25:57–00:51:01连续对话 2

00:25:57–00:32:30简评几款Personal Agent产品,探讨国内AI应用创业的困境

  • 还有个那个Instinct(怎么样)?
  • 在现在这个timing上,你觉得你是要定位自己是Personal Agent吗?

承接上一段对Town的分析,嘉宾莫子皓继续点评其他几款Personal Agent产品。

首先是Grok Bot。嘉宾认为这是一款非常好的产品,尤其在授权和透传方面做得很好。他解释,有些接口无法直接连接bot,Grok Bot会为此启动一个浏览器,让用户在弹窗中输入邮件和密码,这种有大厂(Cursor团队)背书的方式让普通用户感觉更安全。此外,它在bot之间的通信和上下文共享(context share)方面也做得比较出色。由于是Cursor的增长负责人主导,产品在传播方式和一些细节上处理得很好。

其次是Muse。嘉宾认为Muse带有强烈的“上个移动互联网时代”烙印,产品打磨得非常精细,投入巨大(例如给每个用户一亿token的额度),上手体验很好,并且在Instagram顶部有推广。他观察到Muse产品设计上的一些巧思,比如对“长程任务”的理解。Muse区分了程序员和普通人定义的长程任务,并考虑到普通人日常生活中物理世界与比特世界的穿插。其“go”功能的设计与嘉宾自己团队的设计思路非常相似,显示出它比Grok Bot更贴近普通用户。嘉宾总结,Grok Bot更偏向“非典型程序员”用户,而Muse则更大众化。

再次是Instinct。嘉宾表示由于生活在中国,有美团这样便捷的服务,很难切身体会Instinct所要解决的需求。主持人曲凯补充说,不止Instinct,很多美国Personal Agent产品在宣传时都主打订机票、酒店、餐厅等场景。嘉宾认为这是一种有效的传播策略,因为它解决了之前类似Openclaw项目遇到的问题:案例难以描述、用起来也难。而“订票省钱”这类案例简单易懂,能让用户感觉“下载App不仅不花钱还能赚钱”,这与早期互联网的增长模式非常相似。

对话随后转向对国内AI创业环境的感慨。主持人曲凯唏嘘道,如果放在几年前的互联网时代,国内大厂可能早已入场开始“补贴大战”了。嘉宾对此表示认同,他认为这一波AI浪潮中,国内大厂似乎失去了成为世界第一的雄心,更多是在做“中国版”的复制品,原创性产品稀缺。主持人分析,从年初Openclaw的热潮到如今Personal Agent的兴起,产品化需要半年到一年的周期,这本可预见。但可惜的是,当时上百个做Openclaw的团队大多没拿到投资,导致了AI应用的“寒冬”。结果是,尽管Personal Agent在海外很火,国内却反响平平,创业者热情被消耗,普遍认为这是大厂的机会。嘉宾补充,年初那波“做中国版XX”的跟风创业潮耗尽了大家的热情,因为这类创业团队几乎没有成功的。他强调,成功的AI公司如Jensberg、Mendix、Plaud都不是简单的复制,而是有自己的审美和判断。因此,现在投资人对这种急功近利的项目也失去了兴趣。

Grok Bot在本段中,指由Cursor团队(特别是其增长负责人)开发的一款Personal Agent产品。其特点是为需要授权的网站(如通过邮件密码登录)启动一个安全的虚拟浏览器环境,方便用户授权,并擅长处理多个bot之间的通信与上下文共享。目标用户更偏向“非典型程序员”。
Muse在本段中,指一款被认为带有浓厚“移动互联网时代”风格的Personal Agent产品。其特点是产品打磨精细、投入巨大(如赠送大量token)、注重用户上手体验,并通过主流社交媒体(Instagram)进行推广。它试图理解并服务于普通人的长程任务,被认为比Grok Bot更贴近大众用户。
Instinct在本段中,指一款在美国市场主打生活服务场景(如订餐、订酒店)的Personal Agent产品。嘉宾因生活环境不同,表示难以理解其需求市场。
human in the loop在本段中,指一种人机协作模式,其中人类用户需要在AI执行任务的过程中进行关键步骤的确认、修正或决策。嘉宾认为这是一种不够理想的交互方式,与他追求的AI“同步在场”、持续自主运行的理念相对立。

话题推进:在讨论了国内外Personal Agent赛道的差异和创业环境后,主持人将话题拉回嘉宾自己的产品Ambi,询问其如何与Muse这样的强大对手竞争。

00:32:30–00:40:24Ambi的差异化定位:通过软硬结合实现“在场”的AI交互

  • 中间我记得你也提到过说你觉得Muse那个打法太强了,不能碰吧,对吧?那这里面对你们来讲的定位跟道路在哪里?
  • 如果AI一直在跑,尤其是它还能看你的桌面,听你的声音的话,大家会不会更有concern?就这个隐私的问题后面会是什么样的?
  • 所以就是越来越多东西会直接放在端侧去解决,对吧?

主持人询问,既然嘉宾认为Muse的打法很强,那么Ambi的定位和发展路径是什么?

嘉宾莫子皓阐述了Ambi的差异化竞争策略。他指出,Ambi的核心是“软硬结合”,虽然也有纯软件产品,但与Muse等纯软件Agent的根本不同在于,Ambi增加了“线下的context(上下文)”和“线下的交互入口”。他认为这是当前Personal Agent发展的最大瓶颈(gap):尽管Agent能力强大,但每次使用都需要花费30秒到5-10分钟的启动和输入时间。嘉宾称,Ambi在半年前就预见并着力解决这个问题。Muse发布的硬件Town也印证了他们对线下交互入口的重视。Ambi虽然也能实现订餐、打折等功能,但不会主打这些。他们的核心理念是让AI与人的关系是“在场”(in-situ)而非“异步”(asynchronous)的。其他产品很多是“human in the loop”,即人需要在流程中不断干预;而Ambi希望实现人与AI“同步在场”,AI像软件一样在后台持续运行(continuous running),无需人的介入。他引用了一位他提到的产品创始人的观点,即软件就应该一直在跑,用户无需关心。AI也应如此,实时跟在用户身边,持续运算和提供帮助。

嘉宾进一步以产品经理的视角强调了交互的重要性。他以AI眼镜为例,指出其交互体验的一大痛点:当用户听到或看到有趣的事物想让AI处理时,需要先唤醒设备(如“Hey Meta”),然后把刚刚发生的事情对AI复述一遍,再提出自己的要求。嘉宾认为这种“复述”非常奇怪和不自然,根源在于AI不是“一直在跑”。他引用乔布斯优化电脑开机时间的故事类比,如果能将每次与Agent交互的时间从30秒缩短到5秒,将为全世界用户节省大量时间。因此,Ambi的设计哲学是“站在未来的模型能力上想象交互”。

针对主持人提出的“AI持续运行是否会引发更严重的隐私担忧”的问题,嘉宾回应说,世界上最注重隐私的公司(指苹果)已经给出了答案,即“Ambient Computing”。Ambi的名字也来源于此。他介绍团队的隐私思路是减少应用方接触原始数据,语音可交给第三方识别、图片可选择本地保存。这里“端侧识别”和“第三方云端识别”是两种不同部署路径,不能合并成“所有数据都不离开设备”;实际数据流、保存时间与第三方权限仍需产品说明和审计确认。他认为,这就像手机刚出现后置摄像头时人们对隐私的担忧一样,未来大家会习惯这种模式。

最后,主持人问到是否会把更多功能放到端侧解决。嘉宾认为,这取决于具体情况,可能在端侧,也可能在可信的第三方云端。核心是确保涉及生物识别或个人身份的底层数据不被任何应用方获取。

话题推进:在讨论了端侧计算和隐私问题后,话题自然延伸到应用公司与模型的关系,主持人接着询问嘉宾对于“应用公司自己训模型”的看法以及Ambi在模型上的规划。

00:40:24–00:47:21从多段经历看商业本质:选择比努力重要,变化是唯一竞争力

  • 讲到端侧啊,其实过去半年为主吧,大家都在看各种的模型,然后也最近啊也觉得应用公司要自己训模型。那你你们后面对于模型上的一些规划打算啊,包括这个timing节奏是会怎么看?
  • 在端侧上你们会做更多什么东西吗?
  • 你又创过业,你又做过保险那个业务……现在你总结的话,你觉得这几块……最核心的给你带来一些认知的点是什么?
  • 你自己觉得你是更偏……什么类型的(创始人)?
  • (你总能赚到钱)你觉得这是为什么呢?

主持人首先询问嘉宾对“应用公司自训模型”趋势的看法及Ambi的规划。

嘉宾莫子皓认为,应用公司训模型并非为了追求更高的智能,而是为了在成本、速度和智能三者间找到一个比通用模型更适合自身业务的平衡点。他引用红杉某合伙人的观点,将大模型公司提供的标准接口比作“帕累托最优化曲线”上的几个固定点,而不同应用的需求可能落在曲线上的其他位置。因此,应用公司训模型本质上是一种优化工作,类似优化代码,目的是提高ROI。Ambi也会基于这个逻辑,在未来有能力时,为优化速度和成本而投入。但他明确表示,不认为应用公司能训练出比顶尖AI Lab更智能的模型,这种想法是“荒谬的”。

当被追问是否会在端侧做更多模型相关工作时,嘉宾表示不会。他强调做硬件要尊重物理规律,当前的主要限制是电池而非算力。在Ambi的产品形态(form factor)下,运行端侧大模型会消耗过多电量,导致设备更重更厚,影响佩戴体验。因此,他们没有选择任何端侧大模型。

随后,主持人请嘉宾总结他过往丰富的从业经历所带来的核心认知。嘉宾将其分为几段:

1. 公益创业(6年):最大的感悟是“选择比努力更重要,而大的浪潮(命运)比选择更重要”。Timing和赛道的选择是决定性的。

2. 商业化探索(4年,保险、创新支付、SaaS等):这段经历让他深刻理解了商业模式的本质。他认为商业没有秘密,底层逻辑就是效率、ROI和需求。通过在六七种不同商业模式中都做到行业前列,他确认了这一认知。

3. 硬件公司与模型公司:硬件研发的经历补齐了他的知识版图。他发现做硬件与做To B软件很像,核心都在于“交付”。To C软件可以不断试错、快速迭代,而To B和硬件在项目启动(签单或设计定版)的那一刻,收入或形态就已基本确定,后续的利润和成功取决于如何低成本、高效率地完成交付,减少风险。他认为大模型时代的到来,让他看到了许多与移动互联网初期相似的规律,历史在押韵。经历过完整的周期后,他更加明确:在底层剧烈变化的时代,短期的成功非常脆弱,唯有足够快地变化、找到核心的竞争方式,才是唯一的竞争力。

最后,主持人让嘉宾给自己打标签。嘉宾认为自己是“产品和商业”复合型,但商业能力可能更突出。主持人也表示认同,认为嘉宾总能“deliver结果”、“赚到钱”,是一种非常难得的能力。

话题推进:主持人对嘉宾“总能赚到钱”的能力非常好奇,由此引出下一个问题,探究这种商业能力的来源和本质,嘉宾则分享了一个自己早年的亲身经历。

00:47:21–00:51:01商业能力的起源:高三暑假成为溜冰场门票“独家代理”

  • 你觉得(总能赚到钱)这是为什么呢?
  • 你觉得商业的本质到底是什么?或者说有的人不会赚钱,然后你会赚钱,这个中间到底差的是什么?
  • 有没有一个例子是说……别人怎么样都搞不清楚,赚不到钱或跑不通,然后你去了,一下子可能抓到某个点,就把这问题解决了?
  • 你高三暑假为什么会想这个?你当时就对商业就是感兴趣?

主持人追问嘉宾为何总能赚到钱,两者之间到底差的是什么。嘉宾将其归结为两点:对外能识别需求,对内能招到人。

为了说明“识别需求并将其商业化”的能力,嘉宾分享了一段个人经历。高三毕业的暑假,他想体验一下不靠脑力、只靠体力能赚多少钱,于是去广州一个溜冰场卖票。第一天,他在街上尝试推销,因为拉不下脸,一天只卖出5张票。他坦言自己无法胜任这种需要“厚脸皮”的地推工作。

第二天,他改变了策略。他观察到溜冰的主要是年轻人,于是他没有亲自去卖,而是利用了商业模式创新。他以25元一张的价格从溜冰场拿到票,然后在兼职网站上发帖招募“代理”,以27元的价格批发给他们。这些代理(主要是学生)可以再以30元的价格卖给自己的同学,从中赚取10%的利润。通过这种方式,他迅速建立了一个分销网络,自己则成为了这家溜冰场的“独家代理”(独带)。这个模式非常成功,以至于他到大三时,还有人打电话向他拿票。他总结,自己从小就有这种通过商业方法解决个人能力短板的思维。

主持人对这段经历非常惊讶,追问他为何高三暑假就会有这种想法。嘉宾解释,当时是因为高考没考好(虽然去了中山大学,但那是他高中三年里发挥最差的一次),心情郁闷,想考验一下自己能否吃苦耐劳。结果发现体力劳动太累,赚的钱也都花在了吃喝按摩上,根本攒不下来。这段经历让他意识到,商业才是自己真正喜欢和擅长的领域。

最后,主持人再次将话题拉回“商业的本质”。嘉宾总结为:识别需求,然后找到能满足需求的东西去交付。至于如何找到,则取决于个人的见识和经验。主持人指出,很多优秀的产品经理擅长发现需求,却不擅长将需求转化为商业收入,这个坎很多人过不去。嘉宾认为,这是因为他们没有“赚过钱”的经历。

话题推进:在讨论了商业能力中的“识别需求”后,主持人准备深入探讨嘉宾提到的另一个关键能力——招人。

00:51:01–01:18:32连续对话 3

00:51:01–00:57:01如何让不赚钱的业务盈利:从数据、人性到竞争策略

  • 如果一个公司有用户、产品不错但不赚钱,你会如何建议?
  • 能赚钱和赚大钱的区别是什么?

主持人曲凯提出一个假设性问题:如何帮助一个有用户、产品不错但不赚钱的公司实现盈利。嘉宾莫子皓没有给出普适方法论,而是通过三个亲身经历来阐释自己的思路。

第一个例子是在轻松筹时期,他利用一个周末,通过逐页查看网页URL和分析用户旅程(user journey),还原用户在购买保险时的心态和行为路径。当时公司的数据追踪(tracking)系统很基础,他就用最原始的方式去寻找用户愿意花钱克服的痛点,或者愿意支付更高价格的服务点。他认为,商业机会要么是帮用户省钱,要么是发现用户愿意付100元而你只收了50元的场景。通过这种细致的数据分析,他在一天内就将业务提升了30-40%。

第二个例子是管理电销团队。他首次接手电销中心,发现团队业绩不佳的核心原因之一是销售人员觉得赚不到钱,缺乏动力。他的解决方案是直接激发人的利益需求:申请预算,设立“插红旗”的激励机制——每出一单就敲锣,给销售插上一面代表业绩的红旗,红旗最终可以兑换成现金。这个简单的改变,当月就让利润翻了200%多。他总结,关键在于找到业务的缺口和关键人群的核心需求,比如销售的利益诉求,并通过直接满足这种诉求来提振士气。

第三个例子是做创新药支付业务。当时面对一家独大的竞争对手,他没有选择比拼价格,而是洞察到药企客户的“安全需求”。由于竞争对手与其他药企合作时曾出现问题,莫子皓将自己的方案定位为“清白”的合作选择,满足了客户对稳定和安全的深层诉求。他强调,要找到不同决策者的根本驱动力,可能是利益,也可能是安全感。

最后,曲凯追问“能赚钱”和“赚大钱”的区别。莫子皓谦虚地表示自己不算赚到大钱,并提到之前做的保险业务虽然保费规模达几十亿,但高度依赖抖音、腾讯等上游流量平台,这种模式无法成就一家伟大的公司,这与早期蘑菇街依赖淘宝的道理相似。

User Journey指用户在使用一个产品或服务时,从最初接触到最终完成目标的整个过程所经历的全部触点和路径。在这里,莫子皓通过分析用户在轻松筹平台上购买保险的每一步操作(输入),来理解他们的决策过程和痛点(中间机制),最终找到可以提升收入的优化点(输出)。
Tracking指在数字产品中追踪和记录用户行为数据的技术。输入是用户的点击、浏览、停留等行为,输出是结构化的数据报告,用于分析用户偏好、转化率等指标。嘉宾提到当时轻松筹的追踪系统很基础,所以他需要用更原始的方式手动分析。
单向门(One-way Door)一个决策比喻,指那些一旦做出就很难甚至无法逆转的决定,如同走进一扇单向门。与之相对的是“双向门”(Two-way Door),即可以轻松反悔或修正的决定。在这里,嘉宾指创业加速时要极力避免犯下对公司造成不可逆伤害的战略性错误。
Go-to-market (GTM)指一个公司将新产品推向市场并触达目标客户的完整策略和流程。它包括市场定位、定价、销售渠道、营销推广等一系列活动。嘉宾在此用它来指代硬件初创公司典型的一套上市流程(输入),并思考如何用AI加速这个过程(输出)。

话题推进:在讨论了如何赚钱后,话题转向了个人成长,曲凯询问莫子皓多年来除了商业天赋外,还学到了什么核心认知。

00:57:01–01:00:35招募顶尖人才的秘诀:真诚、分享与不可动摇的直觉

  • 你招人能力这么强,是怎么做到的?

主持人曲凯称赞莫子皓招人能力极强,能让优秀的人持续追随,并能不断吸引新的人才,希望他总结经验。莫子皓将自己的招人能力归结为几个核心原则。

首先是“真诚”与“愿意分享”。他认为,面对比自己更厉害的人,任何不真诚都会被轻易识破。因此,他会坦诚地沟通自己最真实的想法、做这件事的愿景,以及项目能带给大家的回报,其中不仅包括财务回报,也包括他所说的“过程级奖励”——让每个人能充分发挥才华的平台和机会。他相信,真正有才华的人不缺工作,他们更看重能否参与做一件更伟大的事。

其次是投入真实的“时间与成本”。他强调,不能只是口头上说招人重要。他举例,为了招募海南电销业务的负责人,他曾在对方楼下的小卖部等了五六个小时才见到一面。他认为,必须投入足够的时间和真心,才能打动优秀的人才。

最后,他分享了两条招人过程中的准则:

1. 相信直觉:如果在与候选人交流过程中有任何一点“不舒服”,就千万不要推进,因为这个“不舒服”的感觉在未来一定会被放大。

2. 快速放弃(move on):当你付出了足够的诚意和努力后,如果对方仍不愿加入,就应该快速放弃。这可能意味着双方在原生家庭、价值观或对未来的预期上存在根本不匹配,即便加入也无法长期同行。他总结,招人这件事和做企业一样,没有捷径。

话题推进:在分享完招人的心得后,曲凯将话题引向莫子皓当下的思考,询问他最近在关注什么问题。

01:00:35–01:04:56AI时代的加速与应对:在“有意义地卷”的浪潮中求快避险

  • 你最近主要在思考的问题是什么?
  • (跑得更快)会有更大的压力或更多的问题吗?
  • 你现在最担心的问题是什么?
  • 你现在担心那些Muse等等的竞争吗?

被问及最近的思考,莫子皓的核心关切是“timing”和“速度”。他观察到,AI正在极大地压缩时间,过去需要3年、30个人才能做成的事,现在可能几个月、更少的人就能完成。这促使他从根本上反思传统的企业发展路径,例如硬件产品上市(go to market)为何要遵循“众筹-媒体-独立站-亚马逊”这样长达3年的流程。他希望借鉴AI提升编码效率的思路,重新思考业务构成、组织形态,并以更激进的方式,用一年时间完成过去三年的事。

曲凯追问这种加速是否会带来更大压力和问题。莫子皓回应,这正是过去十几年积累的经验发挥作用的地方——尽力不犯错,尤其是不犯“单向门”式的、无法挽回的错误。很多小错误犯了就犯了,关系不大。

当被问及最担心什么时,他的答案依然是“速度”。他认为速度不仅取决于自己,也取决于同样在加速的对手。他举例,苹果的设计师加入Meta后,仅用10个月就做出了Charm,这种速度在过去是难以想象的。面对曲凯感叹“何必这么卷”,莫子皓认为,对于很多人来说,这是“好不容易等到的一个有意义地卷的时代”。曲凯也表示认同,他回忆,如果没有AI,2022年的市场氛围如同“死水”,相比之下,他更愿意选择当下这种虽有焦虑但充满变化的时代。莫子皓补充,每个人能遇到的大浪潮只有一次。

最后,对于是否担心Muse等竞品,莫子皓表示,他只担心自己做得不够好、不够快。他自信Ambi的打法与这些竞品有很大差异,而那些纯软件形态的竞品之间可能才缺乏差异化。

话题推进:在谈及与竞品的差异化时,莫子皓提到了Ambi的软硬件结合形态。曲凯顺势将话题引向硬件的具体优势。

01:04:56–01:08:55硬件的三重优势:渠道、独占性与反直觉的用户体验逻辑

  • 硬件(的优势来自哪里)?

莫子皓详细阐述了硬件产品相较于纯软件的三大优势,这些优势在AI时代尤为重要。

第一,渠道优势。硬件的获客渠道天然不具备强网络效应,这反过来意味着一旦创业公司建立起自己的渠道(如Anker、大疆),这个渠道本身就构成了护城河。新品可以通过自有渠道直接触达用户,而不像软件产品那样严重依赖平台(如抖音)的流量分发。

第二,独占性与商业模式。在特定时刻,用户通常只会携带和使用一个同类硬件设备,但电脑后台可以同时运行多个软件。这种“独占性”使得用户一旦购买了硬件,就更有可能为其上的附加服务付费,尤其在AI时代,这种附加价值会被放大,从而形成与软件不同的、更稳固的商业模式。

第三,反直觉的用户体验逻辑。软件有100个功能,用户可能只用其中一个,或者98%的时间体验良好,2%不好用时可以换用其他软件。但硬件不同,如果一个设备每天100分钟的使用里有2分钟体验“特别恶心”,用户就必须每天100%忍受这2分钟的糟糕体验。因此,硬件不能有明显的短板,即使某个功能使用频率不高,但只要是每天必然会发生的场景,就必须做到完美。他反驳了那种认为“使用频率低=需求不重要”的观点,指出如果一个场景能被清晰描述且必然发生,那它恰恰是必须满足的核心需求。

莫子皓总结,硬件的劣势(慢、迭代成本高)和优势是“盈亏同源”的。但在大模型吞噬一切的背景下,软硬件结合的路线能提供更大的生存空间。他还提到,硬件公司生命力更强,即使个别产品表现不佳,硬件公司也可能凭供应链和渠道继续生存。最后,他澄清了一个对深圳的普遍认知:深圳是验证原型(demo)的好地方,但真正大规模、高集成度的生产制造(如苹果级别)需要动用完全不同的资源,通常不在深圳。

话题推进:在深入探讨了硬件的商业逻辑后,曲凯将话题拉回到Personal AI的核心,询问莫子皓认为该领域最大的、尚未被普遍认识到的机会是什么。

01:08:55–01:14:28Personal Agent的最大机会:重塑交互,而非追逐技术概念

  • 对于Personal AI,有什么是你认为对、但大家觉得是非共识的事情吗?
  • 交互你指的是软硬件结合的交互还是?
  • (关于技术概念)所以最重要的到底是什么呢?
  • 但交互会容易被抄吗?
  • (关于主动性)那解决方案是什么呢?
  • 工作跟生活你觉得最后(会怎么样)?

莫子皓认为,Personal Agent领域最大的机会和非共识在于“交互”,即人与AI的交互方式。他理想中的终极交互是“言出法随”:用户张嘴说出需求,AI就能做好。他认为,当前很多生活场景下的AI需求不明显,是因为完成这些行为的交互成本太高。一旦交互成本趋近于零,需求就会被急剧放大。

曲凯提到大家常聊的Computer Use、Memory等技术概念,莫子皓认为这些都不重要。以他在大模型行业的经验,今天看起来很了不起的技术,两个月后就会变得理所当然。他举例,曾经被热议的“skill”概念现在已无人提及,他预测半年后,Coding Agent将让“所有可被数字化的事都能被智能解决”成为基础设定。因此,追逐这些转瞬即逝的技术概念没有意义,核心问题始终是“人到底怎么用AI”,而这最终体现在产品交互上。

对于交互是否容易被抄袭的疑问,莫子皓认为,好的交互能沉淀下有网络效应或迁移成本的价值,从而建立壁垒。他再次强调,技术一定会趋近无限好,因此技术本身不是壁垒。

接着,曲凯引出“主动性”(Proactive)的问题。莫子皓批评了当前主流的产品思路:通过连接器(connector)定时扫描用户信息,然后猜测用户可能需要的“aha moment”并推送。他认为这个模式的商业账算不过来:首先,猜测和推送本身有高昂的智能成本;其次,推送的场景与用户接收时的真实需求存在错配;最终,为了获得极少数的“aha moment”,产品需要付出大量成本,并承担打扰用户的风险,而这种“aha moment”能否有效转化为付费或留存,非常不确定。他将此比作一个秘书每半小时敲门问你需不需要帮助,非常奇怪。

对于Ambi的解决方案,莫子皓表示他们的“主动性”并非源于无目标的扫描和猜测,而是基于“环境的变化”。只有当用户的线下环境或线上连接器中的信息发生明确变化(delta)时,才会触发一个有来源、有根据的主动行为。最后,他认为工作和生活场景不应被人为分开,统一的上下文(context)能让AI更了解用户,从而提供更好的服务;相应的数据授权和边界则需在具体产品中另行交代。

话题推进:在阐述了对交互、主动性和场景融合的独特看法后,话题进一步深入到Ambi的产品哲学和终极愿景。

01:14:28–01:18:32AI的终极形态:作为“主体延伸”的智能,在屏外创造价值

  • 工作跟生活你觉得最后(会怎么样)?
  • 你觉得最终的人和AI会是一个什么样的关系?或者Ambi做到最后会是什么样子?
  • 特特别牛逼的什么跟着他?

莫子皓进一步阐述了Ambi在产品哲学上的两个独特选择。

第一,关于AI的人格化。他认为,将AI塑造成一个有名字、有头像的独立“客体”(如一个助手)是一条很奇怪的路线。Ambi选择另一条路:AI不是一个与你分离的客体,而是你“主体的一部分”,是你自身的延伸。他从哲学层面解释,当外界与“曲老师的助手”交互,和与“一个了解曲老师80%的、曲老师的延伸”交互时,人们的认知和信任是完全不同的。他相信后一种关系(主体延伸)更有可能创造网络效应。

第二,关于Ambi的终极愿景。莫子皓希望实现“言出法随”,让每个人都能随时随地享受到智能的服务。他分享了自己从小就有的梦想:拥有一个能跟着自己的无人机,帮自己拿忘带的钥匙或水。他认为,这背后是对一个“一直在工作的智能”的渴望。这个智能可以在任何时间、任何地点,根据你的口头指令完成任务。

曲凯指出,要实现拿东西这样的物理任务,最终需要具身智能(机器人)。莫子皓表示同意,认为虚拟世界的事由AI完成,物理世界的事由机器人完成。他提出了一个核心观点:人类在手机和电脑上处理非娱乐任务的时间占比其实很小。AI产品不应该去抢占用户已被娱乐产品(如游戏、视频)占据的屏幕时间,因为抢不过。真正的增量价值在于“抢占屏幕以外的时间”,即让AI成为一个平行世界的“你”,在你专注于现实生活的同时,在互联网上为你并行处理各种事务,从而创造更多价值。

他总结,AI的价值在于让人类能够“并行”处理任务,这才是真正的增量价值所在。

话题推进:本段详细阐述了嘉宾对AI终极形态和价值创造的思考,为整个播客关于Personal Agent的探讨画上了一个富有想象力的句点。

01:18:33–01:26:17连续对话 4

01:18:33–01:21:08嘉宾判断:亿万级用户产品的时机已到

  • 你觉得当下这个timing更适合的是哪条路线(几十万付费用户的工具型产品 vs. 亿万级用户的平民市场产品),尤其对于创业公司来讲?
  • 你觉得这个timing现在大概走到哪一步了?你觉得快到能做那个(亿万级用户产品)了吗?

主持人曲凯首先观察到,无论是Minus还是Plaud这类AI工具型产品,其付费用户规模大约在几十万到百万级别。相比之下,像Muse、Grok Bot以及国内的WorkBuddy、豆包等产品,似乎在瞄准一个亿万用户的“平民市场”。他因此询问嘉宾莫子皓,对于创业公司而言,当前时机更适合走哪条路线。

莫子皓毫不犹豫地选择了后者,即亿万级用户的路线。他认为,虽然创业者通常感觉两条路线的难度相当,但关键不在于付费问题。他指出,前者(工具型产品)路线中能成功的公司屈指可数,且很多只是阶段性产品。主持人反驳说,后者路线成功的案例几乎没有,基本都是大厂在做。莫子皓回应,这是因为“Timing没到”。

在主持人的追问下,莫子皓阐述了他认为时机已到的理由。他预测,半年之后,市场会默认所有能被数字化的任务,AI的完成成功率都将达到100%。他认为,AI能力的发展已经经历了从“够不够聪明”到“指令追随”,再到“多模态”和“长程任务”的演进。当AI能够完美执行所有虚拟化任务(如computer use、browser use)时,对于普通C端用户的日常需求而言,其能力已经迭代到了上限。届时,如同水电煤一样的AI基础设施已经完备,创业者可以在此之上构建各种应用,从而进入“扩量”阶段。他总结,这就是他判断时机已到的核心逻辑:能力到位,成本持续下降,使得人人都能使用智能成为可能。

亿万级用户产品 vs. 几十万付费用户产品在本段对话中,这两种路线代表了不同的市场策略。前者指面向广大普通消费者、追求巨大用户规模的AI产品,如通用聊天机器人或个人助手,商业模式可能不完全依赖直接付费。后者指专注于特定场景、解决特定问题的AI工具,用户基数较小但付费意愿强,商业模式清晰。
Timing在这里指市场时机或时间点。对话探讨的是,当前AI技术的发展阶段、成本结构和市场接受度,是否已经到了适合推出面向大众的、亿万级用户产品的成熟时刻。
长程任务 (long-range tasks)指需要AI在一系列连续步骤中保持目标、记忆上下文并持续执行的复杂任务。在本段中,嘉宾认为AI完成这类任务的能力是基础设施成熟的关键一环。

话题推进:主持人从时机判断转向嘉宾的思维方式,询问他最近是否有新的“反过来想”的感悟。

01:21:08–01:26:17开放性问题:为何国内鲜有亮眼的AI应用?

  • 你最近有新的什么反过来想的问题吗?
  • 为什么呢?(国内今年几乎没有好的AI产品)
  • 所以你觉得到底是为什么呢?

主持人询问嘉宾莫子皓最近有无新的“反过来想”的思考。莫子皓回应,现在更重要的是“多问为什么”,而不是凡事都反过来想。他举例说,如果顺着主流思路,他今年3月创业时就应该做无屏卡片、桌面Agent或办公场景产品,但他都没有做,因为他更关注什么是真正正确的,以及如何规划市场进入(go-to-market)和硬件交付的节奏。

接着,莫子皓话锋一转,感慨今年的资本寒冬前所未见,并直言一个令人费解的现象:2026年至今,无论是大厂还是创业公司,中国几乎没有出现一个可以称之为“好”的AI产品。主持人对此表示认同,并提及一位投资人(嘉宾确认为Minus和Plaud的投资人)也曾公开质疑国内VC和应用生态。主持人尝试分析原因:一批老的从业者可能离AI较远;一批新创业者可能是机会主义者,缺乏产品和需求把握能力;还有一批优秀的创业者可能担心自己的产品被模型能力迭代所吞噬。但主持人随即自我否定,认为即使是Minus和Plaud这样几十万用户的产品,模型也并未完全“吃掉”它们,因此这个理由不成立。

莫子皓也表示不解,并进行了中美对比。他认为美国市场,无论是数据公司、To B公司还是垂直领域的To C公司,都有不错的成果,并明确指出Town和Instinct是好产品。他感慨,这些好产品中没有一个是中国人做的。他强调,这是他从业多年来第一次见到这种情况,到9月底(播客录制时)都数不出一个今年国内让人眼前一亮的产品,甚至连做得比Granola好的都没有。两位对话者都无法给出确切答案,只能将此作为一个开放性问题,并表达了对国内市场出现变化的期望。

最后,主持人与嘉宾确认,节目播出时,嘉宾的Ambi产品将在App Store上架,但初期需要邀请码才能注册使用。

话题推进:对话以一个开放性问题结束,随后进入节目尾声和产品发布信息环节。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

Personal Agent的需求真伪和强度,取决于“获取智能的交互成本”。

莫子皓 · 00:12:08;01:09:20

当前许多生活场景中的AI需求看似不强,是因为调用AI的过程(如解锁手机、打开App、输入文字)过于繁琐,行为成本高昂。如果交互成本能降到像说话一样简单、即时,那么许多被抑制的“鸡毛蒜皮”的小需求就会被释放,成为真实、高频的需求。他用“增程汽车”类比:人们可能很少用到增程,但为了避免里程焦虑的“痛”而愿意买单。同理,用户愿意为“随时随地低成本获取智能”的可能性付费,即使不总是高频使用。

成立条件:此论证成立的前提是,技术上能够实现足够低延迟、高精度的语音或其他自然交互方式,并且这种交互方式的硬件载体能被用户无感地携带和使用。

莫子皓认为,Personal Agent 的网络价值可能来自 Agent 之间经授权的协作,而不仅是单个用户的工具调用。

莫子皓 · 00:21:28;00:23:12

他把个人 Agent 看作个人记忆、文件和能力的入口。若两个用户需要在授权范围内共享信息或协调时间,双方 Agent 的交互可能比手动转发上下文更直接。但他强调顺序:先有人愿意持续使用并积累数据,A2A 才有内容可交换;不是先做一个 A2A 功能就会自然产生网络效应。他用自己的工作群内 Agent 回答同事问题作为早期使用例子。

成立条件:这需要明确的数据权限、可撤销授权、跨 Agent 的语义理解和真实协作需求。单个公司内部的信任环境不能直接证明开放互联网中的网络效应;用户数量增加是否会提高每次协作的价值,也需实际观察。

AI应用创业,应优先选择To C而非To B,因为AI Coworker模式受限于现有组织的变革速度。

莫子皓 · 00:17:06;00:18:34

许多创业者转向To B是受硅谷上一代互联网格局的影响,当时To C市场已被巨头垄断。但在AI这个新时代,不应再走老路。AI Coworker虽然在理论上能提升效率,但将其引入现有组织会面临复杂的组织变革问题,其效率会被组织中最慢的一环(流程、文化、人员)所限制。他引用“电力发明后,工厂花了30年才完成改造”的例子,认为只有等待AI Native的新型公司成长起来,AI Coworker的市场才会真正成熟。因此,在当前阶段,直接面向个人、解决个人问题的Personal Agent是更现实、更容易起步的路线。

成立条件:此论证的成立,假设了组织变革的阻力普遍大于个人采纳新技术的阻力。同时,它也取决于是否存在一种能够平滑融入现有工作流、对组织冲击较小的AI Coworker产品形态。

软硬件结合的优势在于渠道、独占性和反直觉的用户体验逻辑,这为创业公司提供了对抗巨头的空间。

莫子皓 · 01:04:56;01:06:00

1. 渠道:硬件的线下渠道不具备互联网平台的强网络效应,一旦建立(如Anker),本身就是护城河,可绕开巨头的流量控制。2. 独占性:用户在特定时间通常只使用一个同类硬件,这使得基于硬件的付费服务模式比软件更稳固。3. 体验逻辑:硬件的短板体验是无法回避的(“每天必须吃两分钟的屎”),因此必须追求无短板的完美体验,这与软件“大部分好用即可”的逻辑不同。这种高要求也构成了壁垒。他认为,在大模型吞噬软件功能的背景下,软硬件结合提供了更大的生存空间。

成立条件:此论证成立的条件是,创业公司有能力驾驭复杂的硬件供应链、生产和渠道建设,并且硬件带来的交互提升和价值足以让用户接受一个新的硬件设备。

当前主流的Proactive(主动性)产品逻辑是错误的,其商业模式不可持续。

莫子皓 · 01:11:51;01:13:43

主流Proactive模式是:通过连接器定时扫描用户信息,用模型猜测用户需求,然后推送“aha moment”。他认为这个模式有三大问题:1. 成本高:持续扫描和模型推理的成本高昂。2. 体验差:推送时机与用户真实场景往往错配,大部分推送都是打扰。3. ROI低:为了极少数可能猜对的“aha moment”,付出了巨大的成本和用户骚扰的风险,而这些“aha moment”能否有效转化为了付费或留存,非常不确定。他提出的解决方案是,主动性应基于“环境的变化(delta)”,而非无目标的猜测。只有当用户的线上或线下环境发生明确变化时,才触发有来源、有根据的主动行为。

成立条件:此论证成立,需要证明基于“环境变化”触发的主动服务,其准确性和用户接受度显著高于基于“猜测”的推送。同时,需要技术上能可靠、低成本地感知环境变化。

机制与术语:对象、输入输出和中间过程

溜冰场门票分销模式

这是一个通过设计商业模式,利用杠杆解决个人能力短板的机制。

- 输入:嘉宾个人不擅长地推销售(拉不下脸),但拥有从溜冰场以较低价格(25元/张)拿票的渠道优势。

- 过程:1. 角色转换:嘉宾从一线销售转变为批发商/渠道管理者。2. 激励设计:在兼职网站招募学生作为“代理”,以批发价(27元/张)供货。代理们可以利用自己的社交网络(同学圈)进行销售,以零售价(30元/张)卖出,赚取差价(3元/张)。3. 网络构建:通过利益驱动,快速构建了一个由多个学生代理组成的分销网络。嘉宾自己则负责维护与上游(溜冰场)和下游(代理)的关系。

- 输出:嘉宾无需亲自销售,就能通过批发差价(2元/张)赚取利润,并迅速扩大了销售规模,成为溜冰场的“独家代理”。

- 失败条件:1. 利润空间过小,无法激励代理。2. 找不到足够多的有销售意愿和能力的代理。3. 溜冰场方面改变合作政策,取消了批发折扣。

对应节目:00:48:11

本文自拟示意,不是嘉宾实验

本文自拟算例:假设嘉宾一天招募了10个代理,每个代理平均卖出10张票。总销量为 10 * 10 = 100张。嘉宾的总利润为 100 * (27 - 25) = 200元。每个代理的利润为 10 * (30 - 27) = 30元。相比嘉宾自己第一天只卖出5张票(利润 5 * (30-25) = 25元),效率和收入都大幅提升。

基于“环境变化”的主动性(Proactive)机制

嘉宾把主动服务分成两种触发方式。猜测式推送先扫描用户信息,再猜一个可能有用的建议;他担心的是计算成本、推送时机和打扰。基于环境变化的方式则从明确事件开始:线上日历、邮件或线下状态出现了变化,系统再结合用户授权的历史偏好判断是否行动或询问。输入是具体 delta 和可用上下文,输出是与当前场景相关的建议或操作。它的失败条件包括变化检测错误、把普通变化误解为需求、跨场景权限过宽,以及用户并不希望被打扰。

对应节目:01:13:43

独立判断:这些对话改变了什么理解

“交互成本决定需求”需要和价值密度一起理解:低成本让小事可用,高价值让用户愿意先跨过高成本。

推理:嘉宾强调,如果需要安装、配置、解释背景,很多小事根本不会被提交给 Agent。这说明产品不能只提高回答质量,还要减少任务开始前的准备。另一方面,他自己举的新疆自驾、订票省钱又都是用户能明确感到收益的例子。早期产品可以先在高价值场景中证明结果,再逐步降低交互成本,让低频小事也能顺手完成。

竞争解释与边界:如果一开始只追求随时在线和零操作,却没有一个用户愿意主动选择的核心场景,产品可能变成“什么都能做,但没有一个非用不可的理由”。因此应同时观察首次价值、交互耗时与重复使用,而非只看功能数量。

A2A 的早期例子说明授权调用的可行性,还不足以证明网络效应。

推理:把个人 Agent 拉进工作群,确实能让同事在一个明确边界内复用主人的知识和时间。这是有价值的产品行为,但网络效应还要求新增用户提升其他用户的收益,并且这种收益不能轻易被独立工具复制。真正的考题是跨团队、跨权限的协作能否减少沟通成本,同时让主人能看懂、限制和撤销共享。

竞争解释与边界:若协作主要发生在单一平台或公司内,优势可能来自统一权限和组织关系,而非 Personal Agent 本身的网络效应。开放标准、信任与责任分担是后续必须解决的问题。

硬件路线真正改变的是可用上下文和触发时机,不只是增加一个设备。

推理:如果设备能持续感知用户允许的环境,AI 可以在需要时取得当下信息,而不必让人复述刚发生的事情。这与嘉宾批评异步、配置重的 Agent 是一致的。可是持续感知也会增加电力、隐私和误触发成本;他提到第三方 ASR 时,也不能再简单声称所有原始数据都留在端侧。

竞争解释与边界:如果手机或耳机已能以更低负担提供同样的上下文和交互,专用硬件的增量就可能不足。需要在同一任务中比较任务完成时间、打断程度、续航和用户愿意携带的天数,而不是只比较硬件功能。

尚未解决的问题与可检验的下一步

待解问题:Ambi的软硬结合策略,其硬件带来的“在场”交互优势,是否足以抵消用户额外携带一个设备的负担?

下一步信息或小实验:让同一组用户分别用手机 Agent 和 Ambi 完成需要当下环境信息的任务,记录首次成功、总耗时、打断、续航和一周后主动携带率,并查看用户关闭持续感知的比例。

怎样的结果会改变判断:若专用硬件显著减少解释与打断且用户愿意持续携带,它提供了真实增量;若手机能达到相同效果,或用户因隐私、重量、充电而停用,硬件路线就需要重新定位。

待解问题:“半年后数字化任务成功率 100%”应按什么任务与失败口径检验,它对应用创业意味着什么?

下一步信息或小实验:选取真实的多步数字任务,固定数据、工具和成功标准,记录端到端完成率、人工接管、成本与失败恢复,而不只测单次回答。比较通用模型直接执行与应用层工作流。

怎样的结果会改变判断:若通用模型已能在真实任务中稳定独立完成,应用价值会更多转向场景、权限与分发;若长尾失败仍需产品约束和人工恢复,应用层仍有明确的工程与责任价值。

影响理解的转录疑点

建议优先回听 01:04:56 - 01:18:32 这一段。该段集中阐述了嘉宾对软硬件结合优势、AI交互本质、Proactive错误范式以及AI终极形态等核心问题的非共识思考。内容密度高,观点犀利,最能体现其产品哲学和战略洞察力,是理解Ambi差异化定位和嘉宾思维深度的关键。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:一个 Personal Agent 创业者的思考|对谈 Ambi 创始人子皓

本页使用的公开文字或字幕来源

返回顶部