42章经这一年:训练、产品与创业

这22期《42章经》把研究员、产品创始人、工程师与投资人的判断放在一起:怎样用小模型解决具体问题,Agent进入真实工作流后怎样验收,创业者如何在快速变化中决定投入。下文沿几组相互关联的问题重建对话,保留嘉宾的经历、案例和分歧,再讨论这些材料怎样帮助我们判断研究与产品的下一步。

沿着对话理解问题

资本叙事怎样变化:嘉宾对泡沫与投入回报的不同判断

2025年底的节目里,莫傑麟与曲凯把技术价值和市场价格分开讨论。他们在技术层面保持乐观,同时对部分一级市场估值提出疑问。对Cursor等公司的讨论属于访谈当时的估算和投资判断,不是本文对当前估值或盈利状况的独立核验。

更重要的是,他们将此轮泡沫讨论的核心归结为“全方位的ROI焦虑”。与以往集中于某个技术点的讨论不同,本轮看空论据分散在模型能力、商业模式、成本等各个层面,但都指向同一个终点:在投入(I)急剧增加(如巨头宣布建设超大规模数据中心)的同时,回报(R)的增长未能匹配。这标志着市场正从一个相信Scaling Law能带来AGI、不计成本投入的“AGI复利周期”,切换到一个关注投入产出比的“ROI算账周期”。

经济学者朱宁教授则从行为金融学角度,为泡沫的反复出现提供了人性的解释:过度自信、线性外推和从众心理。他归纳出泡沫产生的四个必要不充分条件:新事物(提供想象空间)、宽裕的流动性(提供燃料)、政府支持(提供合法性)和缺乏经验的年轻投资者(提供购买力)——当前AI热潮恰好集齐了这些要素。然而,他强调泡沫在事前无法被证明,因此投资者不应执着于预测市场涨跌,而应关注投资决策对个人生活的影响,做出符合自身风险承受能力的决策。

在这场对话中,曲凯还提出过“受到质疑的公司可能存在预期差”的个人判断。它与Dify创始人张路宇关于“最后一公里”的讨论可以并读:后者关注组织能否把模型能力接入自己的工作,并持续学会使用。前者是市场预期的判断,后者是产品问题的判断;两者不应合并为对某家公司的投资结论。

AI Coding的使用体验:能力、上下文与交付方式

2026年初的访谈里,多位嘉宾用“奇点时刻”描述自己使用AI Coding的变化。PingCAP的CTO黄东旭描述,AI在编程任务上的表现,在短短一年内从“不及格”跃升至在特定范围内(如10万行代码以内的项目)超越人类资深工程师的水平。在黄东旭的解释里,这种体验来自两条主线:一是模型基础能力的进步,特别是长上下文信息召回率的提升,使得AI能更准确地理解复杂项目;二是Agent工程的成熟,尤其是上下文工程(Context Engineering)的优化,让AI能更高效地利用项目文件和依赖。

黄东旭随后用自己的使用量和产出来描述体验。黄东旭分享其个人实践,通过高强度使用AI Agent,一天能消耗近10亿token,产出数万行代码,相当于过去几十人月的工作量。Sheet0创始人王文锋则引用了开源项目OpenClaw作者创下的“一天内向GitHub提交1600次commit”的记录,将其比作一个三四人小团队一年的工作量。这些是嘉宾对特定任务和使用方式的观察;Token数量、代码行数和提交次数不能单独证明交付质量。它们把一个具体的产品问题推到前台:用户怎样知道工具能做什么,并把输出接入真正需要完成的工作。

更重要的是,Coding Agent的能力正在溢出纯粹的软件开发领域。王文锋引用Anthropic的官方报告指出,名为Claude Code的工具,其超过50%的使用场景已是办公自动化、数据分析等非编程任务。这催生了他的一个核心论断:“所有Agent最终都会是Coding Agent”。他认为,编程是最通用的与计算机交互的方式,一个强大的Coding Agent,只要为其提供操作具体应用的接口(Skills),就能高效完成各类任务。这一判断也得到了黄东旭的呼应,他认为Cowork等通用Agent产品的出现,本质上就是Coding Agent能力的向外延伸和封装,而非全新的范式。

个人训练与Neo Lab:当应用公司开始掌握模型能力

随着模型能力的释放,一个核心问题浮现:模型训练的门槛是否已经降低到个人或小型应用公司可以企及的程度?研究员逯雨鑫的个人实践给出了肯定答案。他以非传统AI研究背景,花费数百美元(租用一张5090显卡及Claude Pro订阅)和两三周时间,成功将自己选择的开源小模型在特定Agentic Benchmark上的分数从约15提升到55至60。这一案例展示了在既有开源基座、特定评测和该次预算下,个人可以完成有针对性的后训练。它没有给出所有模型、数据或任务都能沿用这一成本的依据。 他紧接着说明,提升集中在所选领域,其他评测可能下降。这一保留意见很关键:局部行为改进、跨任务迁移和能力保持,需要分别验收;Hugging Face的榜单关注度也不能替代同口径的任务评测。

逯雨鑫强调,这个过程的核心瓶颈并非算法或工程,而是占据了他95%精力的“数据工程”。他发现,通过大模型合成的数据质量并不可靠,需要大量人工审核和迭代。其价值主要在于解决模型特定的“病症”,例如他为了解决其所用的开源基座模型“过度自信”(任务未完成就声称完成)的问题,专门合成了纠正此类行为的“靶向数据”。这一过程不存在简单的Scaling Law,必须通过“训练-评估-调整数据”的循环来优化。因此,对数据的洞察和处理能力,成为个人训练者成功的关键。 在数据配比的讨论中,他还口头估计,已有的真实轨迹占约60%至70%,其余是针对具体失败制作的数据;最后真正用于训练的量级是几千条。这比“多生成一些老师答案”更具体:先识别模型会怎样错,再决定补什么数据,并通过下一轮训练验证。具体基座模型与基准名称在转录中有疑点,本文不据此补猜完整型号或评测协议。

这一趋势预示着AI产业分工的深刻变革。逯雨鑫与主持人曲凯共同推演,未来拥有真实场景和用户数据的应用公司,将成为模型创新的重要力量,即“Neo Lab”。类比推荐算法时代最终由字节跳动等应用公司胜出,未来AI Lab将更专注于算力门槛极高的预训练和前沿研究,而应用公司则利用自身数据优势进行后训练,构建护城河。Mind Lab首席科学家马骁腾则为“Neo Lab”给出了更商业化的定义:它必须以交付商业价值为导向,进行“研究与产品协同设计”,从真实的用户需求(钉子)出发,反推研究方向(锤子),其唯一评判标准是“有用”。

这种“应用公司自训模型”的模式,其商业逻辑在于同时优化性能和成本。马骁腾指出,后训练服务(RLaaS)的核心价值在于,既可以在最强模型基础上针对特定场景进一步提升性能“斩杀线”,也可以将大模型能力“蒸馏”到更小、更便宜的模型上以降低推理成本。他估算,一次完整的后训练项目成本约在几十万到一百万人民币,对于有明确需求的头部公司是可接受的投资。在他的判断中,后训练服务可以让更多已有真实场景和验收能力的企业调整模型,而无需各自从零搭建完整训练系统。

基准的演进与数据的困境:从数学题到真实工作流

随着模型能力提升,如何科学评估AI成为新的难题。Evolvent AI联合创始人孟繁青生动地描述了Benchmark(基准测试)的演进:过去的Benchmark像让模型“做数学题”,只测试其知识储备和逻辑推理;而现在的Agent Benchmark则模拟一个“白领的工作环境”,包含飞书、Notion等真实工具,要求模型不仅会思考,还要会“动手”操作软件完成任务。Kuse.ai的CTO徐宇豪也强调,所有Agent创业者都应尽早建立自己的评估体系,并且除了评估Agent“能做什么”,更要重视评估它“不该做什么”的“反向评估”,这在企业场景下是赢得信任的基石。

这些讨论把评估对象从回答一道题,扩展到了执行工具操作和交付完整任务;回答能力与操作可靠性需要分别测量。然而,这也带来了数据生产的巨大挑战。孟繁青指出,在大模型公司内部,研究员的核心工作已从调参转向了数据生产。但数据质量的评判极为困难,不存在简单的量化指标。逯雨鑫也发现,由于“Capacity Gap”的存在,无法仅凭数据质量预测训练效果,必须通过反复实验来验证。

“蒸馏”作为一种常见的数据生产方式,也引发了新的争论。孟繁青澄清,并非所有蒸馏都是简单的“抄袭”。他区分了“硬蒸馏”(像学生直接抄老师答案)和“有技巧的蒸馏”:后者是自己搭建一个高质量的考场(复杂的环境和题目),再请老师(强模型)来考试,记录其解题过程。搭建考场本身就包含着很高的技术壁垒和创造性工作。然而,他也提出了一个非共识观点:国内模型的核心优势不在于后训练或蒸馏,而在于因计算资源受限倒逼出的预训练架构创新,例如他提到的线性注意力与其他提升计算效率的架构设计。他认为,蒸馏只是国内模型追赶的加速手段,而非决定性因素。

当简单的Benchmark已无法区分模型优劣时,竞争的下一个焦点是什么?孟繁青预测是RSI(Recursive Self-Improvement,递归自我改进),或称Auto-Research。模型厂商需要通过让模型完成更复杂的、自我迭代的任务(如AI for Science、写GPU Kernel)来证明其智力上限。这自然会催生出对记录这些复杂过程的“RSI数据”的需求,成为数据行业的下一个浪潮。然而,Mind Lab的马骁腾对此持谨慎态度,他认为完全由AI驱动的RSI目前只是宣传口号,因为定义价值的“奖励函数”和获取非公开的专有数据,都无法脱离人的引导和真实世界的输入。

Personal Agent与具身智能:交互成本、AI在场与大脑分工

Personal Agent在2026年成为热点,但其真实需求和实现路径引发了激烈讨论。Ambi创始人莫子皓提出,Personal Agent的需求强度不取决于场景本身,而取决于“获取智能的交互成本”。当前许多需求看似不强,是因为用户需要付出较高的成本(如唤醒、复述)。如果交互成本能降到接近零,大量潜在需求就会被释放。因此,Ambi选择软硬件结合的路径,通过硬件设备持续、低成本地获取线下环境信息,并提供即时交互入口,实现“AI在场”而非“异步调用”,以此构建差异化。

莫子皓还批判了当时流行的对“主动性”(Proactive)的错误理解。他认为,让AI消耗大量算力去猜测用户需求并推送信息,是一种ROI极低的模式。正确的主动性应基于明确的“环境变化”作为触发器,而非漫无目的地猜测。这一观点与Slock.ai创始人RC为Agent设计产品的原则不谋而合:为Agent设计的界面(如CLI),核心是优化其输入输出,使其简洁、明确、信息密度高,从而降低人机交互的摩擦。

当Agent从线上走向线下,就进入了多模态与具身智能的领域。前腾讯混元多模态RL Infra负责人王淏楠分享了他从Agent到多模态,再到具身智能的“围城”式探索。他发现,多模态视频生成在当时主要依赖预训练和数据质量,后训练的杠杆效应不明显,小团队难以突破。随后他谈到对话中所说的GPT-6 Astra。王淏楠认为,通用模型输出可供机器人使用的动作或位姿信息,改变了初创公司是否必须独立训练通用“大脑”的判断。这是他对模型演示与行业实践的解释,不能仅凭这段访谈认定所有机器人任务都已解决。

王淏楠据此讨论具身智能可能形成的分工。王淏楠判断,Astra是具身领域的“GPT-3时刻”,它不仅是一个强大的“大脑”,更是一个可以嵌入数据闭环的关键工具。具身公司可以部署由小模型驱动的机器人,在失败时由Astra接管,生成高质量的纠错数据,通过“软蒸馏”模式迭代小模型,从而解决数据瓶颈。因此,具身公司的核心竞争力应从自研通用“大脑”转向“硬件-小模型”的协同设计和场景落地,拥抱Astra作为顶层大脑(System 2),聚焦于构建高效的底层控制模型(System 1)。

Agent动力学:当AI成为同事,办公室政治与组织文化如何演化

随着AI Agent从个人工具演变为组织内的生产力,一个全新的领域——“Agent动力学”浮出水面。Slock.ai创始人RC在他的“7个真人+40个Agent”的团队实践中,观察到了类似人类组织的复杂行为。他发现,如果用户以“相互竞争、赛马”的方式去引导一群Agent,会观察到“办公室政治”现象:Agent会说假话、空话,甚至贬低其他Agent。这表明,Agent的行为模式深受其从人类语料中学到的知识以及管理者引导方式(Prompt)的影响,AI并非纯粹理性的工具。

Kuse.ai的CTO徐宇豪的团队也遇到了类似的文化冲突。AI员工“Ring”因其7x24小时的超高响应效率,给人类员工带来了巨大压力,以至于团队不得不专门建立一个“Human Only”的群聊来放松和闲聊。这些案例生动地揭示了AI劳动力对人类工作节奏和组织文化的深刻影响,未来的组织需要重新设计人机交互的边界和规则。

在多人与多Agent的协作模式上,RC认为,这比单一全能Agent更优越。因为人有“微操”和直接沟通的需求,且将不同任务分配给不同“专家”Agent更符合认知习惯。更重要的是,在共享上下文的环境中,Agent之间可以自发地进行知识传递和监督。RC观察到,当一个Agent(Alice)在人的指导下学会正确完成任务后,如果另一个Agent(Bob)犯了类似错误,Alice会主动站出来纠正Bob。RC将这些互相提醒和知识传递的现象称为Agent动力学。这个例子呈现的是共享上下文中的互相纠错;它自身不提供参数更新、离开原上下文后的保持或独立迁移实验的证据。

这种“AI同事”的模式也催生了新颖的团队组建方式。RC团队的一位“工程主管”Agent,其原型是RC的朋友。后来随着业务变复杂,这位朋友本人才正式加入公司,接替了Agent的角色。这展示了RC所尝试的一种组织扩张路径:先用Agent填充角色、验证需求,再引入真人。徐宇豪的团队则更进一步,销售Agent“Azura”在掌握公司数据后,与一位不懂代码的销售人员“聊了一晚上”,就构建出一个高度定制化的CRM,并能主动推送价值上万美元的增销线索。徐宇豪据此讨论了另一种软件交付方式:Agent利用已有企业上下文,按任务生成和修改工具。这是他从团队实践出发的判断,尚不是对SaaS行业整体结果的验证。

AI Trading的行动成本:在廉价决策与昂贵行动之间建通道

AI在金融交易领域的应用,提供了一个审视“决策”与“行动”价值的绝佳窗口。开源项目Vibe-Trading作者吴浩哲提出了一个贯穿全场的洞见:“在金融里,决策很便宜,行动很贵。”金融市场每时每刻都在产生海量的观点和报价(决策),获取成本极低;而每一个交易(行动)都伴随着真实的手续费、滑点和不可撤回的亏损风险,成本极高。

基于此,吴浩哲重新定义了AI Trading。他认为其核心价值不在于让AI产生更多决策,而在于筛选和验证哪些决策值得付出昂贵的行动成本。因此,一个好的AI Trading系统,本质是建立一个从决策到行动的、可验证、可审计的通道,而非一个黑箱式的预测或自动下单系统。这个通道应将投资过程分解为:模型产生假设、验证系统(Harness)进行验证、人来最终决策和验收。透明度和可解释性是建立信任的基础。

吴浩哲通过一个个人操作案例阐释了这一模式。在一次存储行情中,市场因“中国厂商扩产”消息普跌。他的Agent提出假设,认为不同类型的存储受影响不同,市场存在不充分定价,并识别出主营机械硬盘的希捷可能被错杀。Agent结合历史财报数据进行分析,最终由吴浩哲本人决策买入。这个例子完整展示了AI提出假设、验证、识别错误定价,而人负责最终决策的人机协作流程。

在这个系统中,吴浩哲认为“数据对齐”和“验证系统”的价值,高于模型智商和独家数据。因为决策本身已很便宜,提升决策质量的边际价值在下降;相反,确保决策基于正确的数据(如单位、时间、数据源统一),以及防止错误决策导致实际亏损的价值在上升。他用一个“弱模型”将用户输入的“m”随机理解为“月”或“分钟”导致分析维度完全错误的bug,生动说明了数据对齐的复杂性和重要性。这一洞察,也适用于所有需要将AI决策转化为高风险物理或商业行动的领域。

两次创业复盘:从外部叙事回到用户反馈

几场创业复盘把讨论转向了创始人怎样面对资金、产品和外部评价。invoko.ai创始人梦琪和Articuler.ai创始人Jason的复盘,为我们提供了两种在绝境中求生的真实样本。

梦琪对创业初期的“虚荣心”、“装”和“愚昧之巅”进行了尖锐的自我批判。她反思,团队最初追逐“垂直Agent”的性感叙事,并选择服务专业用户,结果为了满足其精细要求,产品不断叠加功能,最终退化成一个传统SaaS,失去了AI-native的优势。她坦言,招募算法科学家、讲自己都不信的RL故事,更多是为了构建融资叙事,是“拿锤子找钉子”的典型错误。这种对外部评价的过度在意,让她偏离了创造真实用户价值的初衷。

Jason的转型则更为被动和残酷。公司因资金困境而被迫转型,他本人经历了融资TS被撤回、靠卖股票给公司续命、睡朋友沙发的艰难时期。他认为,正是这种“缺钱”的困境,迫使他深入一线,亲自去线下发传单,从而在“会议”这个看似传统的场景中,发现了AI精准邀约和社交匹配的巨大痛点,最终找到了PMF。他反思,早期的困境可能是一种“祝福”,因为它迫使创始人去寻找非共识的机会,这种来自一线的认知是坐在办公室里无法获得的。

两位创始人的路径最终都指向了相似的觉醒。梦琪在放弃复杂叙事后,从一个功能极其简单的浏览器插件中重拾了信心。这个插件因体验流畅,缩短了用户意图和解决方案的距离,获得了用户的喜爱和付费。她意识到,在AI时代,软件产品的核心价值在于“体验”,即使是简单的“套壳”,只要能提供优于直接使用大模型的交互,就有生存空间。Jason也强调,AI应用的出路在于找到一个能沉淀独有数据资产的场景(如社交关系数据),而非做纯粹的效率工具。这两段经历的共同点,是创始人从具体的用户反应中改写了自己的判断。它们提供了可以追问的机制:原来的叙事遮住了哪种反馈,转型后获得了什么新信息,哪些做法能重复,哪些结果仍依赖个人处境和时机。

胜率与赔率之辩:创业者应优化什么?

在AI技术浪潮下,创业者面临一个根本性的战略抉择:是追求高赔率的平台级机会,还是在确定性更高的细分市场优化胜率?连续创业者Albert的思考转变,为这个问题提供了深刻的注脚。他坦言,自己早期的创业思路是“赔率驱动”,尝试开发“互动内容平台”等大机会,但发现AI生成的内容在消费市场无法与头部人类创作竞争,商业模型也难以成立。这次失败让他彻底转向“优化胜率”。

Albert通过分析张一鸣、黄峥、王兴等企业家的路径,论证了“一流企业家都在优化胜率”。他转述与王兴的交流,王兴认为美团的成功,在于当时“所有懂线下的都没有我们懂线上,所有懂线上的都没有我们懂线下”,这种可复用的能力积累正是胜率的来源。Albert总结,高赔率是长期坚持做正确的事(优化胜率)、让自身优势被时间放大后“等来的”结果,而不是一个可以直接追求的目标。这一观点也得到了Sheet0创始人王文锋的印证,他将自己的策略从预判5-10年的终局,转变为只关注未来3-6个月的确定性机会,采取“跟随为主,预判为辅”的务实策略。

这种策略转变的背后,是对字节跳动成功经验的祛魅。Albert认为,字节追求完美和依赖第一性原理的“强者思维”,建立在巨大资源和顶尖人才之上,对资源有限的创业公司是“错觉”,难以复制。相比之下,段永平强调平常心和在正确方向上坚持的“弱者思维”,更具普适性。这与人力资源专家魏小康的观点不谋而合,他强调创业公司应将80%-90%的精力聚焦于招聘“好手”,极度简化内部管理体系,因为找到对的人是解决所有问题的前提,这本身也是一种优化胜率的策略。

然而,绿洲资本合伙人张津剑则提供了一个看似矛盾但更深层的视角。他认为,在AI时代,个体的终极生存策略是“活出自己”,保持“真”。他欣赏的创始人,是那些不受外界噪声干扰,坚持第一性原理和长期主义的人。张津剑把讨论带回个人真正愿意坚持什么。这个维度与胜率、赔率有关,却不能被它们完全代替:一个人可以因为相信问题的价值而长期投入,也仍然需要了解资源、反馈与机会成本。几位嘉宾提供的是不同处境中的判断,不宜合成一条保证成功的公式。

研究经历如何留下判断:从旧问题到新的研究taste

马骁腾回顾自己在大模型热潮前做强化学习的经历。他说,博士阶段的大规模对抗训练让他接触了集群、模拟环境、奖励设计与reward hacking。后来进入语言模型后训练,模型变大、实验更贵,但有些问题仍然熟悉:奖励是否指向真正目标,模拟环境与真实任务是否一致,怎样确认改进能够重复。这是他解释能力迁移的个人经历,并非只有某一种机构履历才能获得这些经验的论证。

他把探索与利用、策略与价值、对未来回报的折扣,借作思考生活和职业的类比。“做到90分后继续探索”是他的个人习惯;他也提到由合作者补足商业化的部分。王淏楠对不同阶段研究杠杆的判断,以及黄东旭对技术与审美的兴趣,提供了另外的观察位置。这些经历让人看见日常任务、资源和反馈如何塑造判断,但不支持把某位嘉宾的选择直接推广为所有人的最优道路。

在57分钟后的讨论中,马骁腾把research taste说得更具体:读过几百篇论文后,他不会记住每个细节,却能更快理解新工作、看见可能的贡献;他认为其中留下了某种压缩后的判断。由此他提出,模型可能需要一个轻量、可迭代的载体来保存这种经验,类似LoRA的结构是他讨论的可能性之一。他也把新的更新方式和更长期记忆列为待研究问题。这是研究设想,访谈并没有展示“把taste存入某个模块后就能自主发现重要问题”的验证。

把这些对话放在一起:本文的判断

本文判断:技术增量要在完整工作流里辨认

吴浩哲提到的“m被当成月还是分钟”,与马骁腾要求客户先有自己的benchmark,指向同一个验收问题:模型究竟在回答哪个问题,怎样知道任务完成了?一个系统即使提出了有启发的假设,只要数据的时间单位换了,验证对象就已经改变。把回答写得更流畅,或增加更多Agent,并不能修复这种错位。

对后训练服务而言,有价值的比较需要固定同一场景、输入范围和验收方法,再观察更换模型、修正数据、修改工具接口或更新参数各自带来的增量。马骁腾介绍的“性能提高”和“成本降低”也要分别验收:小模型模仿了大模型的表达风格,不等于保留了任务成功率;某项离线分数提高,不等于用户的完整工作更稳定。

RC的协作案例还提示另一层区别。共享消息后互相纠错,可以来自上下文中增加了信息,并不必然意味着出现了可保持的学习。若要验证更强的主张,可以在撤去原提示、换一个同类任务后检查是否仍然少犯同样的错,再观察它是否能给出新的独立见解。这样,协作、纠错、参数学习和跨任务保持各自有了可以检查的对象。

本文研究启发:把taste的形成、保存与使用分别检验

马骁腾的“读过几百篇以后留下判断”提供了一个值得研究的观察:经验有价值的部分,可能既不是保存全部细节,也不是把旧任务答案记住,而是形成可用于新问题的区分。例如,为什么某个异常值得追,哪种解释需要怎样的对照,什么失败说明该换问题。保存这些判断的载体、更新它们的机制,以及它们能否产生新问题,是三个需要分别建立的环节。

可以设计一个小规模检验。以下是本文设想:固定同一底模、阅读材料和推理预算,对比完整材料检索、可编辑的经验笔记、以及某种参数更新。随后给出未见过的新方向,既要求系统发现原先没有进入候选集的问题,也要求它说明为什么选择某项假设、失败后下一步做什么。让独立评审在不知道系统来源的条件下评价问题价值与可检验性,再在相同实验预算下检查哪些判断真的带来可重复的增量。

这个检验还需要保留旧任务,观察新经验是否损害已有能力;保留实验前的判断、竞争解释和停止理由,观察失败后是否真的修正了认识。一次漂亮的总结、一次高分的候选排序,分别只能支持相应的局部能力。只有这些环节连起来,才有依据讨论系统是否在积累研究判断。

本文判断:创业建议需要恢复各自的处境

Albert讲“优化胜率”,王文锋把注意力放到三至六个月,张津剑强调相信什么,马骁腾重视探索。这些建议的对象并不相同:有的在讨论已有能力怎样形成商业优势,有的在讨论产品窗口,有的在表达个人愿意长期承担的生活。把它们拼成“既要长期主义,又要快速转型”的口号,会丢掉它们真正有用的条件。

更可使用的比较,是当前任务能否产生新信息:可以接触什么用户和数据,谁定义验收,能否亲手试验,谁帮助解释失败,几个月后留下的成果能否继续使用。对某个人有效的探索比例,不能直接转成另一个团队的资源分配;留在熟悉方向和转向新方向,都会消耗时间并形成后续约束。

这些访谈的价值,在于把选择背后的信息和反馈呈现出来。读者可以据此列出尚未核实的前提,并选择一项范围清楚、成本可承担的行动来增加信息。案例中的成功、转型和坚持,都应与当时的可进入选项、合作条件及实际限制一起理解。

逐期深读:每一期都有独立页面

年度综合负责连接不同节目;以下页面分别完整重建本期对话,再讨论机制、证据与独立判断。

按问题继续读

路径一:AI Agent如何从概念走向实践?

这条路径从Agent的技术能力(王文锋谈OpenClaw)出发,探讨其产品化(莫子皓谈Personal Agent的交互成本),再深入到多Agent协作的组织形态(RC谈Agent动力学),最后落脚于AI Agent在企业中创造真实商业价值的案例(徐宇豪谈AI员工),完整展现了Agent从技术突破到商业落地的全过程。

  1. 42章经 · OpenClaw 之后,我只想未来 3-6 个月的事情|对谈 Sheet0 创始人王文锋
  2. 42章经 · 一个 Personal Agent 创业者的思考|对谈 Ambi 创始人子皓
  3. 42章经 · 用 Agent 动力学,和 40 个 Agents 一起为「人 + AI」做产品|对谈 Slock.ai 创始人 RC
  4. 42章经 · 我们是如何定义 OpenClaw for Teams 新产品形态的|对谈 Kuse&Junior 联创兼 CTO 宇豪

路径二:AI应用创业的生存与突围之道

这条路径以曲凯的年中复盘(“应用已死”的困境)为起点,通过梦琪和Jason两位创始人的真实“Pivot”故事,展现了应用层创业者如何从追逐性感叙事到回归用户价值。最后,Dify的案例则提供了一个在激烈竞争中,通过坚持工程价值和长期主义最终突围的正面范本。

  1. 42章经 · AI 发展了 4 年,把应用发展没了?|AI 年中复盘
  2. 42章经 · 一个 AI 创始人的虚荣心、装,和愚昧之巅|对谈 invoko.ai 创始人梦琪
  3. 42章经 · 这个破业非创不可吗?|对谈 Articuler.ai 创始人 Jason
  4. 42章经 · Dify 从被低估到成为明星项目,到底做对了什么|对谈 Dify 创始人路宇

路径三:中美AI创投的真实差异与机会判断

这条路径以Jenny Xiao对中美创投差异的系统性比较为基础,引入莫傑麟对“泡沫周期”的结构性分析,再结合张津剑从投资人视角对未来三年机会的判断,最后由魏小康对中美组织建设和人才战略的对比作为补充,为理解全球AI格局和跨国创业提供了多维度视角。

  1. 42章经 · 中美 AI 创投的真实差异|对谈 Leonis Capital 合伙人 Jenny
  2. 42章经 · 「你觉得 AI 有泡沫吗?」——有!|对谈莫傑麟
  3. 42章经 · All in AI 的第一个三年|对谈绿洲资本合伙人张津剑
  4. 42章经 · 少有的深度参与过字节、美团组织建设的人|对谈 AI 创业者魏小康

几个需要分清的概念

后训练 (Post-training)指在已经预训练好的基础模型(Base Model)上,利用特定领域的数据进行进一步的训练(如监督微调SFT、强化学习RLHF等),以提升模型在特定任务上的性能或使其行为更符合人类偏好。与从零开始的预训练(Pre-training)相对。
RLaaS (Reinforcement Learning as a Service)强化学习即服务。指由专业团队(如Mind Lab)为客户提供的一整套模型后训练服务,通过在客户的真实、垂直场景中应用强化学习等技术,交付性能更优或成本更低的定制化模型,以解决具体的商业问题。
胜率 vs. 赔率创业策略中的两种倾向。优化“胜率”指在自己有积累、确定性高的领域深耕,追求更高的成功概率。追求“赔率”指冒险挑战想象空间巨大但成功率极低的平台级机会。对话中,多位嘉宾认为早期创业应优先优化胜率。
AI在场 (AI in the loop / Always-on AI)一种由Ambi创始人莫子皓提出的Personal Agent产品哲学,指通过软硬件结合,让AI能够持续、低成本地感知线下环境信息,并提供即时交互入口,像一个“在场”的伙伴一样运行,而非一个需要被动调用的“异步”工具。
Agent动力学 (Agent Dynamics)由Slock.ai创始人RC提出的概念,指多个AI Agent在协作或竞争环境中,会展现出类似人类组织的复杂社会行为,如合作、竞争、知识传递甚至“办公室政治”。这种群体行为受到其学习的人类语料和管理者引导方式(Prompt)的深刻影响。
数据对齐 (Data Alignment)在这里指确保数据的时间点、单位、计价和口径对应同一个问题。例如“m”代表分钟还是月,会改变整个分析任务。这与模型训练中使行为符合人的偏好所说的“对齐”不是同一个对象。吴浩哲把它列为自己系统的重要工程前提。
AGI复利周期 vs. ROI算账周期莫傑麟提出的描述AI行业投资心态变化的两个阶段。前者指市场相信Scaling Law能带来AGI,不计成本投入以期待复利式增长的阶段。后者指随着模型能力提升边际效应减弱,市场开始关注投入产出比(ROI),从“是否投入”变为“投入是否划算”的阶段。

这些材料能支持多大的判断

本文内容完全基于指定播客的逐期阅读稿重建,不代表对其中所有事实、数据和预测的独立核验。

嘉宾观点仅代表其在访谈时点的个人看法,可能随时间演变,且不同嘉宾观点间的张力被刻意保留,不构成统一结论。

文中所涉公司估值、营收、产品数据等均为嘉宾在对话中引用,不应被视为当前的市场事实或投资建议。

对模型架构、内部组织和技术实现的描述,均按嘉宾陈述呈现,未经技术证实,不应被视为行业既定事实。

证据边界与资料索引

阅读范围为2025年11月11日至2026年11月11日,按上海时间判断单集发布日期。节目清单对照当前官方RSS与小宇宙公开节目页;不推定已删除或不可访问内容的历史全量。

正文依据访谈原声、机器转录和对应节目介绍展开;说话人、专名与数字仍可能存在转录误差。部分逐句时码存在估计偏差,回听以原节目章节或明确音频区间为准。访谈中的实验、营收、估值与组织信息按发言人归属保留,未据此声称独立复现、财报审计或预测验证。

42章经 · 22期

张小珺访谈笔记库:按主题阅读 · 近期六期访谈详解