效率
用更少 token 完成同一任务，降低延迟和推理成本。
核心判断：Token 是成本计量，不是价值本身
把 AI 产品写成“每个用户消耗多少 token”会产生一个危险错觉：仿佛更多计算就等于更多智能，更多智能就等于更多收入。Freda 提供了更有用的单位经济框架：
用户数 × 每用户任务数 × 每任务 token × 每 token 价格这个分解能把规模、使用频率、任务复杂度和价格分开。真正需要优化的不是 token 越多越好，而是单位任务的有效结果、成功率、延迟、人工接管和长期复购。效果
让任务真正解决问题，而不是生成更多文字或更长轨迹。
结果定价
在可验证的场景里按解决率、节省时间或最终产出收费。
因此 Tokenmaxxing 可以同时成立为两件事：单个任务可能故意使用更多计算，以获得更高质量；总市场仍可能因为用户和任务数量增长而扩大。关键是不能把两者混为“token 消耗就是需求”。
1:23:54 内容地图：从 token 到人的连接
| 时间 | 内容段落 | 机制线索 |
|---|---|---|
| 00:00–00:12 | Token 的世界、效率与 Tokenmaxxing。 | 成本单位必须与任务数、结果和价格分开。 |
| 00:12–00:27 | 模型公司的赛点、Coding Agent 与“AI 训练下一代 AI”。 | 反馈闭环可能加速领先者，但也可能只是更快试错。 |
| 00:27–00:44 | 软件被替代、结构化数据、组织像接力赛还是篮球赛。 | UI 与信息翻译层是脆弱点，层级是传递成本。 |
| 00:44–01:00 | AI 对投资行业与应用创业的冲击，Agent 基础设施。 | 可计算的目标让研究和交易更易自动化，最后一公里仍难。 |
| 01:00–01:08 | 大票、云资本开支与资本市场。 | 模型经济的收入、现金流、融资和估值节奏尚未稳定。 |
| 01:08–01:23 | 裁员、通缩、生产力、焦虑、孤独与人的连接。 | 信息变便宜不等于意义、信任和关系也变便宜。 |
一、从 Tokenmaxxing 走向结果定价
Freda 对 token 的第一层修正是“同一任务的 token 需求差异可以很大”。一个简单的摘要、一个需要多轮检索与验证的研究任务、一个连续调试的代码任务，计算量可能相差一个数量级以上。若产品只按 token 收费，用户会把价格与模型内部成本绑定，而不会为完成结果本身买单。
结果定价的前提是结果可定义、可验证、可归因。客服“问题是否解决且没有转人工”相对容易；写作、战略和创意则需要人类判断，不能假装有客观的完成按钮。于是未来更可能是混合价格：对确定性任务按结果，对开放性任务按 token/时间，对高风险任务收取审计和责任成本。
| 任务类型 | 更接近的价值指标 | 主要陷阱 |
|---|---|---|
| 客服、检索、流程自动化 | 解决率、转人工率、重复来电、单位成本。 | 把“结束对话”误当作“解决问题”。 |
| 编程与数据分析 | 通过测试、上线稳定性、维护成本、人工审查。 | 生成代码多、提交次数多不代表交付更好。 |
| 写作、创意、战略 | 人类采用率、决策质量、长期影响、迭代时间。 | 用自动评分压扁审美和责任。 |
不能直接外推的数字节目中关于收入、token 用量、模型排名和增长速度的数字，是嘉宾的市场观察或计算。它们缺少统一口径，不能当成审计财报、行业统计或投资建议。
二、模型竞争：更好的 AI 训练下一代 AI，是假设而不是定律
Freda 观察到 Coding Agent 进入长循环后，模型可以帮助写数据管线、实验代码和训练工具，形成“更好的 AI 帮助训练下一代 AI”的递归可能。这个想法有吸引力，但需要拆成三个条件：任务必须可验证，反馈必须能写回模型或 Harness，新增自动化不能把审查与维护成本推给人类。
模型公司短期领先可能因此被放大：更多高价值 Coding 任务带来更多真实轨迹，轨迹改善产品，产品带来更高收入和算力投入。但领先也可能被竞争稀释：用户在不同模型之间切换，开源权重和统一接口降低迁移成本，模型能力趋同后，真正的差别回到上下文、工具、价格与责任。
正向递归
模型写工具 → 工具提高训练效率 → 更快发布 → 更多真实反馈。
递归的断点
自动代码增加漏洞、评估污染、依赖债务或算力账单，反馈就不再等于进步。
Anthropic 的公开资料确实显示 Claude Code 正在处理跨文件修改、测试与持续任务，但这支持的是“Agentic Coding 具备可观察闭环”，并不能单独证明某家公司将因此永久领先。
三、软件为何脆弱：UI 份额、结构化数据与决策上下文
Freda 的软件判断不是“所有 SaaS 都会消失”，而是指出两类暴露面。第一类是软件主要替用户点击界面、搬运结构化字段、生成固定报告；代理可以通过 API、浏览器或自然语言绕开那层 UI。第二类是软件只保存“发生了什么”，没有保存“为什么这样决定”：例如折扣为何是 25%、谁反对过、客户真正担心什么。
后者反而可能成为新机会。AI 原生软件不只要把结构化数据库接给 Agent，还要保存决策过程、未决问题、权限、证据和责任链。数据仓库也不天然安全：如果 Agent 能直接访问系统并解释数据，一次性 SQL 配置的价值会下降；但治理、口径、质量和审计的重要性会上升。
Insight：AI 不是消灭软件，而是把“界面软件”逼成“决策基础设施”真正耐用的产品要让 Agent 能读懂、执行、回退、解释和审计；只提供按钮和字段的价值会被重新定价。
四、接力赛变篮球赛：组织层级本质是信息翻译成本
节目把传统组织比作接力赛：产品把目标交给研发，研发交给测试，测试交给运营，每次交接都需要翻译上下文。层级不只是一种权力结构，也是一种信息压缩和传输机制。AI 能减少文字传输，却没有自动消除目标冲突、责任不清和优先级争夺。
Freda 因此提出小型跨职能“篮球队”：成员拥有更完整上下文，可以在同一目标下持续传球、补位和决策，中层翻译层被压缩。这个模型的风险也很明显：若没有明确的停止权、审计和资源边界，扁平组织可能只是把隐性权力集中到最能控制上下文的人手里。
| 旧接力式组织 | 小分队式组织 | 验证指标 |
|---|---|---|
| 职责边界清楚，但信息反复翻译。 | 同一上下文中跨职能协作，围绕结果而非工序。 | 交接次数、等待时间、返工率。 |
| 中层负责汇报和分配，风险集中在交接。 | 代理承担部分执行，中层转向目标、资源和风险控制。 | 决策周期、异常升级、责任可追溯性。 |
| 按岗位评价个人产出。 | 按任务/产品结果评价团队。 | 长期质量、维护负担、团队学习速度。 |
组织改革的证据要求“3–5 人小队”“中层被压缩”是设计假设，不是已普遍验证的组织定律。要看连续季度交付、人员流失、事故率和知识传承，而不是一次成功项目。
五、投资行业与应用创业：可计算的目标先被自动化
Freda 认为，若投资问题有干净数据、明确持有期、目标收益、最大回撤和可执行交易约束，AI 理论上可以构建比人更稳定的系统。但现实市场混入制度、叙事、参与者反应和数据缺口，因此 AI 更可能先压缩事件驱动、财报摘录和信息搬运，再把人推向组合目标、风险偏好、情景设计与责任。
应用创业面对模型公司的向下吞并压力，单靠法律、合规或最后一公里服务不一定够。更有潜力的是 Agent 原生基础设施：身份、浏览器、电话、支付、权限、审计和复杂 B2B 采购。消费购物的代理化可能需要信任与售后，企业采购则天然有更高客单价和更清晰的工作流。
因此“模型会吃掉应用”并非完整判断。更准确的问法是：哪一层拥有不可替代的上下文、责任和结果，哪一层能以合理成本持续改善，哪一层可以把失败变成产品资产。
六、资本市场与社会：对不确定性保持开放，而不是选择一个口号
节目讨论大模型公司的算力资本开支、负自由现金流、超大型 IPO、裁员和通缩。Freda 反复保持“open minded”：短期技术扩散可能先造成劳动力替代和价格压力，长期生产率提升又可能扩大总需求、创造新行业。两者不互相排斥，关键在速度、分配和组织能否跟上。
Anthropic 的公开 Economic Index 也把“技术能做什么”和“经济如何吸收”分开测量：使用已经扩散到更多长时任务，但真正的就业、工资和生产率结果仍需更慢的宏观数据验证。由此，投资者不应把模型调用增长直接等同于 GDP 增长，政策也不能把转型成本全部转给个人。
最后关于孤独的讨论并非情绪附录。信息交换越便宜，人与人相遇时真正稀缺的就越可能是信任、共同经历、情感与价值冲突中的诚实。AI 可以替我们做分析，但不应替我们取消关系。
进一步推演：这期访谈留下的八条 Insight
- Token 是工业账本，不是产品。 只看 token 会把试错、浪费和价值混在一起；产品必须回到结果与责任。
- 单位经济要从“请求”改写为“任务”。 任务有输入、动作、验证、人工接管和后果，才能算出真实毛利。
- 软件的下一个护城河是决策上下文。 保存字段不够，保存原因、异议、证据与责任才可能让 Agent 长期有用。
- 组织层级是翻译成本。 AI 会压缩传递时间，但不会自动解决目标冲突和权力分配。
- “AI 训练 AI”必须经过维护账本。 自动生成更多代码只有在返工、安全、审查和未来维护都更低时才是真正递归。
- 应用层的机会转向 Agent 基础设施。 身份、支付、合规、浏览器和电话是把智能变成可承担行动的接口。
- 技术扩散和经济扩散是两个时钟。 模型能力的指数增长，不能直接替代组织重构、资本回收和劳动力再配置。
- 信息越便宜，人的连接越需要被主动保护。 未来的“效率”不应以消灭所有面对面关系为目标。
怎样证伪或修正这套判断
- 若 token/task 与最终客户价值长期高度相关，结果定价的必要性会被高估。
- 若所有 SaaS 的结构化数据都能直接转化为高质量 Agent 行动，决策上下文的差异化会减弱。
- 若跨职能小队在规模化后持续增加事故、隐性权力和知识断层，篮球式组织不是默认答案。
- 若模型公司无法把 Coding 反馈写回模型或产品，递归训练优势只是一种叙事。
- 若自动化同时带来足够快的新岗位、工资和需求扩张，短期裁员/通缩的路径需要重新估计。
证据边界与资料索引
本文以 Zhang Xiaojun Podcast #141 的完整逐句材料与节目章节为主，覆盖 1:23:54。Freda 对模型收入、公司排名、资本开支、裁员、通缩和投资回报的表述均按个人观察、计算或预测处理；本文不把这些数字当成经过统一口径审计的事实，也不构成投资建议。
- Zhang Xiaojun Podcast #141：Freda 的投资札记第 2 集：节目原始入口与章节。
- Anthropic Economic Index：Cadences：长时 Agent 任务、产物价值与使用节奏的公开测量。
- Anthropic Economic Index：Economic primitives：任务复杂度、成功率、自主性和经济影响的指标框架。
- Anthropic：Agentic coding and persistent returns to expertise：真实 Coding Agent 任务与领域知识的关系。
- Anthropic：Claude Code：Agentic Coding 的工具执行、测试和权限边界。
- Anthropic Economic Index Survey：将使用数据与人们对就业、工资和意义的体验分开调查。
证据顺序：节目原始入口与逐句材料 → 公开研究与产品资料 → 本文推演。文中数字的时间点、定义和分母必须与原始来源一并阅读。