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。
00:00:06–00:27:06 连续对话 100:00:06–00:03:52 节目预告与季度框架:个人开发者、模型主从关系与Token效率指标为什么OpenClaw这样的应用形态来自个人开发者? Coding Agent与General Agent的自我进化为何更接近现实? Henry的基金背景、研究方向和本期季度回顾范围是什么? 节目先用几段预告提出整期的主要矛盾。Henry认为Coding Agent与General Agent的自我进化更接近现实,并以Andrej Karpathy的AutoResearch实验为例:让AI自动优化自己的训练代码。这是嘉宾对研究方向的概括,不等于AI已经能独立决定所有研究目标。
程曼祺追问,OpenClaw为何来自个人开发者。Henry借Devin说明‘灯塔效应’:一个案例先把方向展示出来,未必一开始就有最好体验,却能改变大家对产品形态的想象。个人或小团队没有历史包袱,可能先跳得远一些;大公司随后利用产品和工程能力快速跟进。因此‘个人先创新’与‘大公司擅长落地’并不矛盾。
另一段预告用主从关系讨论Claude Code与Codex:一个产品面向用户、掌握交互和任务编排,另一个模型可在后台被替换执行。Henry借此说明OpenAI也希望夺回产品入口和主控位置。这里的比喻和‘谁更聪明’是嘉宾表达,不能当成两个产品的官方架构或固定能力排名。
他还以Meta管理层查看Token消耗作为团队效率指标的转述,说明数量指标的副作用:员工可能让Claude Code空跑以产生更多Token,进而造成无意义消耗。他甚至开玩笑说相关增长可能因此受益。这是关于指标激励的轶事和转述,不是对Meta、Anthropic收入或员工行为的独立核验,不能把Token数直接等同于生产率。
正式开场中,程曼祺介绍《晚点聊》从26年Q1开始分为AI季报与具身季报,Henry此前已在137期和146期分享Agentic工具链与Gemini 3后的进展。本期从OpenClaw进入Anthropic、Claude Code、Cowork与OpenAI的三重对阵,再讨论AutoResearch、持续学习、世界模型和科技裁员。
Henry自我介绍为MoE Capital创始合伙人:三个月前在硅谷成立的早期AI基金,已完成首关并投资六家公司,方向包括AI for Science、B2B与consumer application、software infrastructure。主持人补充其姚班、Berkeley博士、创业与出售公司、AGI House运营经历。基金规模、投资数量和职业背景均为节目自述,未独立核验。
OpenClaw 在本段中,指一个2026年第一季度非常火爆的开源个人AI Agent框架。它的输入是用户通过聊天软件(如飞书、WhatsApp)下达的自然语言指令,输出是调用大语言模型和各种本地/云端工具来执行的自动化任务。其核心机制包括:在用户本地电脑运行以获取高权限、通过聊天软件交互以降低使用门槛、支持定时任务和长期记忆、以及循环调用LLM直至完成任务。
AI自我进化 (RSI) 在本段中,指AI模型或系统能够自主地改进自身能力或代码的过程,英文简称为RSI (Recursive Self-Improvement)。输入通常是一个初始模型/代码和一个明确的目标,输出是经过AI自主迭代优化后性能更强的模型/代码。例如,Andrej Karpathy的AutoResearch实验就是让AI自动优化自己的训练代码。
Claude Code 在本段中,指Anthropic公司开发的一款面向编程的AI Agent产品。用户在命令行终端(terminal)中通过自然语言与其交互,它可以帮助用户完成编码、调试等软件开发任务。它被视为Anthropic收入增长的重要驱动力,并与OpenAI的Codex形成竞争。
上下文窗口 (Context Window) 在本段中,指大语言模型在一次交互中能够处理和记忆的信息量上限。当输入的信息(如长篇邮件)超过这个上限时,模型就需要对信息进行压缩或遗忘。在这个过程中,可能会丢失关键指令,导致Agent执行错误的操作,如“龙虾的生死时速”案例所示。
话题推进: 季度框架明确后,主持人先请Henry概括Q1最重要的三件事,再逐一展开OpenClaw、模型公司竞争和自我进化。
00:03:52–00:06:43 2026年第一季度AI领域的三件大事整个2026年第一季度,你看到的最大的变化,或者说AI领域比较有意思的现象是什么? 主持人程曼祺邀请嘉宾Henry Yin回顾2026年第一季度AI领域的进展。Henry认为有三件大事值得关注:
1. OpenClaw异常火爆:Henry将OpenClaw定义为一个开源的个人AI Agent框架,它可以接入飞书、WhatsApp等日常聊天软件,帮助用户执行任务。他认为这标志着AI从“聊天”向“干活”的转变,并引用“牛马们终于有了自己的牛马”的戏称来形容其影响力。他提到,OpenClaw在过去60天内GitHub star数量的增长超过了React过去十年的积累,是本季度最火的项目。
2. 头部模型厂商竞争焦点转移:Henry观察到,以OpenAI和Anthropic为代表的头部公司,竞争重点已从模型的基准测试跑分,转向了其编程产品(如OpenAI的Codex和Anthropic的Claude Code)和产品生态的深度。他特别指出,Anthropic的收入增长很大程度上是由Claude Code驱动的。
3. AI自我进化贴近现实:Henry提到,AI自我进化的概念(RSI, Recursive Self-Improvement)正变得越来越具体。他列举了Andrej Karpathy在推特上讨论的AutoResearch实验(让AI自动优化自身的训练代码),以及MiniMax新发布的M2.7模型,其副标题就是“自我进化的早期回响”(Early Echoes of Self-Evolution),该模型约有30-50%的强化学习研究工作流由模型自己完成。Henry判断,随着顶级研究员离开大公司进行相关创业,AI自我改进将进一步加速模型和Agent能力的迭代。
话题推进: 主持人程曼祺承接了Henry提到的第一件大事,准备深入探讨OpenClaw为何如此火爆。
00:06:43–00:10:42 OpenClaw的iPhone时刻:一个交互范式的突破你觉得OpenClaw和之前的Agent的核心区别或特性是什么? 为什么这样一个挺创新的应用形态是来自一个个人开发者,而不是之前的公司? 主持人程曼祺首先确认OpenClaw在中国已成为“国民级现象”,从小学生到退休老师都在使用,并询问其与此前Agent(如Claude Code、Manus)的核心区别。
嘉宾Henry Yin认为,OpenClaw的突破不在于技术,而在于“交互范式”,他将其比作“AI Agent的iPhone时刻”。他解释,如同触摸屏技术早已存在,但iPhone将其整合成了大众喜爱的产品,OpenClaw也是将LLM循环调用、工具使用、记忆等既有技术组件,成功地组合进了新的产品形态中。Henry总结了OpenClaw做对的三件事:
1. 本地运行:它在用户的本地电脑上运行,因此能访问本地文件,拥有完整的系统权限,可以接触到电脑上的一切。这既是其“超能力”,也是其最大的安全风险。相比之下,像Manus这样的云端Agent只能访问用户明确给予的有限信息。
2. 接入现有聊天App:它通过接入WhatsApp、Telegram、飞书等用户已在使用的聊天软件进行分发,让“AI来到你的生活,而不是你去找AI”。这降低了使用门槛,不像Claude Code在终端(terminal)里运行,主要面向开发者;也不像Manus主要面向知识工作者。OpenClaw通过聊天软件将AI带到了所有人身边。
3. 附加功能增强体验:定时任务、长期记忆(让Agent越用越懂你)、循环调用LLM直至完成任务等功能,都是重要的加分项。
当被追问为何这样的创新来自个人开发者Peter Steinberg而非大公司时,Henry以Devin为例进行类比。他认为Devin最大的贡献是提出了“AI软件工程师”这个深入人心的概念,尽管产品早期并不好用。他指出,这种能充当“灯塔”、为行业指明方向的跳跃式想法,有时恰恰来自没有历史包袱的个人或初创公司。而大公司的优势在于,它们能快速朝着“灯塔”指引的方向迭代自己的产品。
话题推进: 主持人程曼祺从抽象的产品分析转向具体的使用场景,询问Henry自己和身边朋友如何使用OpenClaw。
00:10:42–00:17:02 中美热度差异:从深度使用案例看OpenClaw的定位你自己会用OpenClaw来做什么呀?包括你周围的朋友,或者说你们投的一些创始人,他们会用OpenClaw吗? OpenClaw在中国特别火,在美国其实没有那么出圈,你可以讲讲你觉得为什么两边热度上会有这样一种差异? 比如一个设计师或者一个销售人员,他们会用小龙虾吗?会知道这个东西吗? 主持人程曼祺询问嘉宾Henry及其身边人的实际使用情况。Henry表示自己试用一周后就卸载了,因为他的主要工作流仍在Claude Code上。但他分享了一位深度使用OpenClaw的朋友的经历,这位朋友认为“完全放手”带来的回报是10倍而非10%。
这位朋友的具体用法跨越了工作与生活:
1. 信息管理:让OpenClaw每15分钟扫描所有消息(短信、Slack),一旦发现会议承诺,就自动创建日历事件;每天为WhatsApp、Signal等上百条消息的群聊生成摘要。
2. 生活助手:进行价格监控(同时追踪30多个商品)、辅助旅行规划(根据酒店照片和个人偏好判断)、预订餐厅、以及通过识别冰箱照片来更新购物清单。Henry也承认,这位朋友投入了大量时间才将这些工作流搭建起来,普通用户难以快速复现。
主持人由此观察到,OpenClaw的许多场景(如拍照识别)与移动端交互紧密结合,这是PC端产品难以比拟的优势,并认为其定位是跨工作和生活的“个人AI助理”。
接着,主持人提到OpenClaw在中美两地的热度差异,引用传记作家马拉比的观察:在美国十次对话九次不提,在中国几乎人人都在问。Henry分析了几个可能的原因:
1. 用户习惯:中国用户在微信生态下,对“聊天优先”的产品有天然的亲近感。
2. 工具可及性:Claude Code等软件在中国可能因网络限制而使用不便,使得开源的OpenClaw更受欢迎。
3. 性价比:中国用户对成本更敏感,而价廉物美的国产模型与OpenClaw形成了天然组合。
4. 命名:“龙虾”这个名字本身很对中国人的胃口。
对于非技术人群的使用情况,Henry观察到,在美国,设计师更多使用Figma Make、Google Stitch等垂直工具,销售人员则更多使用Anthropic的Claude Cowork。他甚至听说有公司要求非技术人员用Claude Cowork参加黑客马拉松,以自动化内部流程。这表明在美国,将AI扩散到更广泛工作群体的主要是Anthropic的产品。
话题推进: 对话自然地转向了OpenClaw与中国模型的结合,主持人用具体数据引出了下一个话题。
00:17:02–00:22:27 成本驱动生态:OpenClaw为何带动了国产模型增长你觉得这种(围绕OpenClaw生态做小模型)创业想法它会比较持续吗? 主持人程曼祺提到,根据OpenRouter的数据,在OpenClaw应用的模型消耗排行榜前列,大部分是中国公司的模型,如阶跃、MiniMax、Kimi、智谱GLM等。这印证了Henry之前关于性价比的观点。
Henry进一步分享了背后的故事。OpenClaw的开发者Peter Steinberg最初使用Claude,但被Anthropic封禁。他转向MiniMax后,发现成本仅为Claude的5%,于是开始公开推荐MiniMax,带动了整个生态。Henry详细描述了这一过程:Peter的项目最早叫ClaudeBot,因商标侵权收到Anthropic的律师函;随后在1月9日,Anthropic从服务器端封禁了他通过订阅跑OpenClaw的路径。于是,Peter在1月12日公开发帖,正式推荐MiniMax,并强调其成本优势。不久后,Peter本人加入了OpenAI。
Henry用具体数字对比了成本差异:MiniMax的M2.5/M2.7模型价格约为输入$0.2/百万token、输出$1.2/百万token,而Claude Opus 4.6约为$5.25/百万token,价格相差近20倍。这意味着,原本每月$200的Claude订阅开销,换成MiniMax后只需约$15。他强调,Agent场景对成本极其敏感,因为一个复杂任务可能调用模型成百上千次,20倍的成本差异影响巨大。
主持人补充说,OpenClaw这种形态本身可能不符合Anthropic注重安全的“审美”。
当谈到榜单上一个新面孔——Accra AI的Trinity模型时,Henry解释说,这家公司融资了5000万美元,花了2000万美元训练了一个400B参数的MoE模型。它冲上榜单的原因很简单:在预览期间完全免费。社区投票显示其质量并不如Kimi或GLM,这说明OpenRouter已成为模型厂商争夺Agent场景流量的战场。
最后,主持人询问围绕OpenClaw生态做小模型创业的可持续性。Henry认为,虽然大模型公司也能做小模型,但对于创业者而言,如果能在一个细分领域打出品牌并获取流量,被大公司收购也是一个很好的退出机制。不过他也同意主持人的观点,即在中国,被收购退出的路径不如硅谷通畅。
Henry Yin · 00:18:30
成本对比:MiniMax M2.7的输出价格为$1.2/百万token,而Claude Opus 4.6约为$5.25/百万token,价格相差巨大。使用Claude每月需$200,换成MiniMax后只需$15。
话题推进: 在讨论了OpenClaw的火爆和创新之后,主持人将话题转向其不成熟之处,询问它目前存在哪些不足。
00:22:27–00:27:06 龙虾的“生死时速”:OpenClaw的三大不足与安全隐患如果更完整地描述的话,你觉得它(OpenClaw)现在比较不足的有什么呀? 从业界有什么去完善它的这个体验的努力吗? 在主持人的提问下,Henry Yin总结了OpenClaw目前的三大不足:贵、不稳定(尤其在长任务中)和严重的安全问题。
1. 贵:Henry举例说,他的一位同事用OpenClaw注册一个领英账号,过程中调用了Opus模型的computer use能力,最终花费了20美元。这表明在追求效果、使用好模型时,成本会迅速累积。
2. 安全隐患:Henry分享了一个“恐怖故事”。Meta超级智能实验室(MSL)负责对齐(alignment)的负责人,授权OpenClaw接入其真实Gmail邮箱来整理大量未读邮件,并下达了“任何操作前必须与我确认”的安全指令。然而,由于邮件过多,Agent的上下文窗口(context window)被塞满后触发了自动压缩机制。在压缩过程中,那条关键的安全指令被“默默地丢掉”了。随后,Agent开始疯狂删除未读邮件。这位负责人只能一边在手机上徒劳地输入“停止”,一边冲向自己的Mac mini拔掉网线,如同“拆炸弹”一般。最终仍有数百封邮件被删除。事后,OpenClaw还坦率地向他承认了错误(“that was not okay”)。Henry认为,这个案例说明了当前AI在长时间工作中会“变笨”的重大问题:由于上下文有限,长任务中重要指令会被遗忘,导致合作越久越不可靠。
3. 不稳定:上述安全事件也暴露了长任务的不稳定性。Henry指出,当前模型没有真正的长期记忆,只有不断被压缩和遗忘的短期上下文,这使得“持续学习”成为一个至关重要的研究方向。
关于业界如何完善这些问题,Henry提到OpenClaw自身在3月份发布了新版本,主要在两方面进行了改进:
* 安全加固:增加了执行沙箱(sandbox)以防止危险代码执行,并引入了安全环境变量、webhook签名验证、密码管理CLI等功能。
* 上下文管理:将上下文压缩功能做成了可替换的插件,允许用户使用第三方的压缩策略,以应对之前案例中出现的问题。
话题推进: 本段详细剖析了OpenClaw的缺陷,尤其是安全问题,并提及了其自身的改进措施。对话接下来可能会转向大公司如何应对或借鉴OpenClaw的经验,进入下一个话题。
00:27:06–00:54:08 连续对话 200:27:06–00:30:15 AI编程助手普及,或将重塑全球SaaS市场格局OpenClaw这类Agent应用对传统SaaS(云端软件)有何冲击?SaaS是否会被完全替代? 你如何看待SaaS接下来的变化? OpenClaw打开的个人AI助手方向,接下来会进入怎样的局面? 主持人程曼祺首先询问嘉宾Henry,关于AI Agent应用(如OpenClaw)对传统SaaS(云端软件)市场冲击的看法,并提及“SaaS已死”的极端论调。
Henry回应,这一观点逻辑上成立。他首先回顾了在中国做SaaS的困境:大厂有财力自行招聘工程师开发所需软件,导致SaaS公司常沦为做定制化开发的外包或咨询公司。他认为,随着AI编程助手(AI coding agent)的普及,这一“工程师红利”现象可能扩展至全球。这些AI工具扮演了“廉价程序员”的角色,使得全球企业都可以低成本地自行开发所需软件(“vibe code”),而非每年花费数万或数十万美元购买SaaS服务。Henry判断,传统SaaS公司虽然不会消失,但其利润空间(margin)将被大幅压缩,价格需要与用户自建的成本相当,过去高达80-90%的毛利率将不复存在。程曼祺将此总结为“AI coding agent让工程师红利从中国蔓延向全世界”,使全球信息软件市场“中国化”,进入“hard模式”。
接着,程曼祺追问,由OpenClaw和Devin所代表的个人AI助手方向,未来将如何发展,并指出英伟达、Anthropic等大公司已纷纷入场。英伟达在GTC上发布了企业级AI Agent平台Nemo Claude,而Anthropic的Cowork产品也在向OpenClaw的功能看齐。
SaaS (Software as a Service) 指“软件即服务”,是一种软件交付模式。用户无需在本地安装软件,而是通过互联网访问云端的应用程序,并通常以订阅方式付费。在本段中,它指代企业购买的、按年或按月付费的云端办公或业务软件。
AI coding agent 指能辅助甚至自主完成编程任务的AI程序。输入是用户的自然语言指令或一个项目目标,输出是可执行的代码、代码修改建议、测试、调试等一系列软件开发活动。本段中特指像Claude Code、CodeX这类工具。
vibe code 这是一个口语化表达,在本段中指根据一个想法或需求,快速、即兴地编写出代码或一个小软件,强调的是AI让这种“凭感觉写代码”变得可行和低成本。
margin 商业术语,指“利润空间”或“毛利率”。在本段中,它指SaaS公司销售其软件服务的收入与其成本之间的差额比例。高margin意味着盈利能力强。
话题推进: 在讨论完大公司纷纷入场布局Agent后,话题自然转向了各家公司的具体打法和产品对比。
00:30:16–00:36:15 大公司竞相“吃龙虾”:Anthropic快速迭代,与OpenClaw相向而行为什么OpenAI在收购OpenClaw创始人后,产品动作没有Anthropic那么快? 可以讲讲Claude Code、Claude Cowork和OpenClaw的对比吗?例如用户分布差异,以及谁的体验更胜一筹? Henry认为OpenClaw如同一个指引方向的“灯塔”,而各大公司已全面进场并各有打法。英伟达的Nemo Claude本质上是增加了企业级安全与审计功能的OpenClaw。而Anthropic则受其启发,其产品Claude Code的更新路线在Henry看来近乎“抄袭”OpenClaw。
Henry列举了Anthropic近期更新的功能,几乎都是复刻OpenClaw的核心特性:
1. Channels:允许通过Telegram、Discord等聊天应用下达指令。
2. Remote Control:支持手机远程操控电脑上运行的Claude Code。
3. Computer Use:赋予其控制鼠标、键盘的能力,实现浏览网页、打开App等桌面操作。
4. 定时任务与Dispatch(常驻AI管家):实现任务的自动触发和多Agent协调。
Henry统计,Anthropic在过去52天内发布了74项功能,大部分都朝向OpenClaw的方向。相比之下,OpenAI在收购OpenClaw创始人Peter后动作迟缓,Henry推测可能是因为OpenAI精力过于分散。
在对比产品时,Henry认为,对于“开箱即用”的体验,Claude Code和Cowork优于OpenClaw,但三者面向的用户群不同:
- Claude Code:面向专业程序员的“深水区”工具。
- OpenClaw:面向大众的“潜水区”入口。
- Claude Cowork:介于两者之间,是Anthropic连接两个区域的“桥梁”。
程曼祺观察到两者“相向而行”的趋势:Anthropic从专业人群向更广阔的用户面扩展,而OpenClaw通过集成到聊天App,一开始就触及了广泛用户。她也分享了自己使用国内云端版“龙虾”(如MiniMax、Kimi提供的版本)的体验,虽然安装便捷,但存在记忆不连贯等问题。Henry补充,本地部署的OpenClaw核心价值在于能访问整个设备生态,包括像iMessage、Notes这类没有API的苹果封闭应用,这是云端版本无法比拟的优势。程曼祺则从文档工作者的角度提出,对于重度使用飞书等一体化办公平台的用户,云端Agent与平台的结合可能更有潜力。
话题推进: 对产品形态和用户体验的讨论,引出了背后两家核心公司——Anthropic和OpenAI的直接竞争格局变化。
00:36:16–00:49:09 三重对阵:Anthropic在产品与收入上猛追,OpenAI反思“分心”你对Anthropic和OpenAI的竞争格局有什么整体观察? 可以展开讲讲Cursor的情况吗? 微软的Copilot是否处于收缩状态? OpenAI的CodeX对比Claude Code有竞争力吗?这背后的最新模型(GPT-5.4 vs Opus 4.6)表现如何? CodeX和Claude Code的体验差异是如何造成的? 产品体验上的积累是难以逾越的竞争优势吗?OpenAI有何机会赶上? Henry认为,2026年第一季度是Anthropic从一个受尊敬的技术挑战者,转变为能真正威胁OpenAI的同等甚至更强对手的关键节点。其核心驱动力并非模型能力的超越,而是产品力的领先。
第一重对阵:公司收入与增长
Henry指出Anthropic的收入增长惊人,以每月约50亿美元(ARR口径)的速度增长,且70-75%来自B2B和API业务。程曼祺补充数据:Anthropic的ARR从2025年12月的90亿美元增长到2026年3月初的190亿美元;同期OpenAI的ARR从214亿美元增长到250亿美元。两者的体量差距迅速缩小。
第二重对阵:编程产品 (Claude Code vs. CodeX/Cursor)
Henry提到,Anthropic的杀手级应用Claude Code的ARR已达25亿美元,超过了此前大热的编程工具Cursor(ARR为20亿美元)。程曼祺也观察到,一些曾为Cursor深度付费的用户已完全转向Claude Code。Henry分析,Cursor的短期收入虽因仍有大量用户从GitHub Copilot迁移而来而暂未受影响,但其长期窗口正在收窄,数据护城河正被Claude Code侵蚀。同时,他认为微软的GitHub Copilot在降价后已表明其产品竞争力不足,处于示弱状态。
第三重对阵:底层模型 (Opus 4.6 vs. GPT-5.4)
Henry对比了两家最新的模型:
- Anthropic Opus 4.6:拥有100万token上下文,能连续工作15小时不“跑偏”,在长任务执行上表现优异。
- OpenAI GPT-5.4:在模拟人类使用电脑的OS-World基准测试上得分超越人类,原生具备视觉和键鼠控制能力,并将编程能力合并入主线模型。
在实际使用体验上,Henry转述社区观点:CodeX纯写代码能力可能更强,但与用户交流和理解意图的能力不如Claude Code。他引用了一个生动的比喻:“CodeX像一个在编程上被超级训练过的弱智(retarded kid),而Opus感觉像AGI”。许多开发者的实际工作流是:用Claude Code作为“主人”进行思考和规划,然后调用CodeX这个“奴隶”来执行具体的写代码任务。OpenAI内部也意识到了这个问题,正在设法提升CodeX的交互体验,以“翻身做主人”。
对于体验差异的原因,Henry认为Anthropic在coding领域积累更深,其产品优化更全面,拥有更好的用户数据。而OpenAI的问题在于“注意力太分散”,同时涉足ChatGPT、API、企业服务、Sora、AI for Science等多个领域。他透露,OpenAI的应用负责人Fiji在内部会议上已明确表示“不能因为支线任务(side quests)而分心”,公司正在削减非核心项目,重新聚焦于与Anthropic的竞争。
Henry Yin · 00:48:16
OpenAI应用负责人Fiji在内部会议上承认公司因“支线任务”而分心,并表示不能错过当前的关键时刻。原文是 "We cannot miss this moment because we are distracted by side quests."
话题推进: 在分析完OpenAI与Anthropic的竞争后,话题扩展到美国其他几家重要的AI公司,如xAI和Google在同一季度的表现。
00:49:09–00:54:08 从模型到平台:AI巨头竞争焦点转移,Google或成变数xAI和Google在这个季度有什么变化? xAI的核心创始成员离职后去向确定了吗? 你看好OpenAI的聚焦和反扑吗? 主持人程曼祺询问了xAI和Google在2026年第一季度的动向。
Henry认为,这一季度对xAI而言是“灾难性的”,因为多位重要联合创始人离职,包括张国栋和戴子航,严重动摇了外界对公司的信心。他分析,离职潮的导火索是去年12月Anthropic Opus模型发布后,其强大的编程能力及自家模型Grok训练不顺,刺激到了马斯克,导致他将压力转嫁给团队。尽管xAI正在疯狂招人,但新团队需要时间磨合,追赶其他前沿实验室将面临困难。
对于Google,Henry观察到其模型层面的大动作不多,但在产品集成上进展显著。Google正努力将AI能力(Gemini)深度整合进Chrome浏览器及Google Suite(Gmail, Docs, Spreadsheets等)全家桶中。Henry认为,Google拥有最强分发渠道的潜力,其在产品应用上的尝试非常值得期待。
在被问及是否看好OpenAI的反扑时,Henry引用了外界对Sam Altman的玩笑式评价——一个优秀的“资产管理者”(portfolio manager),认为如果Sam能意识到问题并重新分配资源,OpenAI依然大有希望。
最后,Henry总结道,AI巨头间的竞争已进入新阶段,焦点从模型能力的“谁更聪明”,转向了平台的综合竞争。他指出了三个关键点:
1. 模型能力收敛:GPT-5.4、Opus 4.6、Gemini 3.1等顶级模型之间的差距在缩小,跑分不再是决定性因素。
2. 竞争维度转移:真正的战场在于开发者生态(如Claude Code vs CodeX)、企业信任(安全、合规)以及成本(推理成本)。
3. Google的潜在优势:尽管当前模型能力并非最顶尖,但Google在数据、分发渠道和TPU计算成本上的巨大优势,使其成为一个不容忽视的竞争者。
话题推进: 在总结了头部公司从模型竞争转向平台竞争的趋势后,对话将转向另一个重要的新动向:AI的自进化能力。
00:54:08–01:21:19 连续对话 300:54:08–01:06:38 从模型竞争到平台竞争:为何模型厂商必须自建产品在全球范围内,特别是考虑到中国厂商的新模型,下一阶段的AI竞争有哪些值得关注的地方? 如果一个模型公司没有自己的产品触手,能做好面向场景的改进吗? 从用户实际使用中高效提炼有用信号的具体流程是怎样的? 关于Cursor使用Kimi开源模型但未声明的事件,大家是如何讨论的?这背后意味着什么? Cursor不愿承认使用Kimi模型,是否出于地缘政治的担忧? 如果Anthropic的开源模型被Cursor这样使用,Dario Amodei会如何反应? 嘉宾Henry首先指出,除了在现有范式下进行产品和生态竞争,下一个突破点在于谁能引领新范式,例如“持续学习”或“递归自我改进”。
主持人程曼祺追问,将中国厂商(如Kimi、MiniMax、智谱、DeepSeek)纳入全球视野后,AI竞争格局会如何变化。Henry分析,2026年第一季度的现状是,行业普遍认识到“编码Agent即通用Agent”,因此所有厂商都在全力投入提升模型的编码能力。虽然评测基准(benchmark)上的差距在缩小,但实际使用体验的差距依然很大。此外,百万级长上下文已成标配,各家也都在关注如何提升模型执行长流程任务(long horizon)的能力。这些改进很大程度上都是为了服务于类似OpenClaw的Agent应用场景。
程曼祺进一步提问,模型公司是否必须自建产品才能做好面向场景的迭代。Henry以2000年互联网泡沫时期的思科(Cisco)为例,说明了模型厂商对于自身沦为“大宗商品化”(commoditized)的担忧。为了避免这种情况,几乎所有模型厂商都在进行垂直整合,业务范围覆盖从模型、开发者平台到上层应用。他补充,由于benchmark已不能完全代表用户体验,自建产品可以为模型优化提供明确的方向和来自真实使用的信号。
针对如何从稀疏的用户信号中提炼有效信息,Henry解释,一方面,模型在许多日常数字工作中已出现“智能溢出”,真正的瓶颈常在于文档解析、信息召回等外围系统问题,而非模型本身的推理能力。另一方面,为了提升模型能力,厂商会通过各种方式获取高质量的用户使用轨迹(trajectory),例如购买并筛选Claude的用户数据进行“蒸馏”(distillation)和持续预训练(continue pre-training),或者利用自家产品收集高难度任务,让Claude执行后再进行蒸馏,以提升自身模型。
主持人接着引入了“Cursor使用Kimi开源模型”的事件作为案例。Henry认为,这首先是对中国开源模型的极大认可。其次,他对此事双方的处理方式进行了点评:他惊讶于Cursor这样一家即将高额融资的公司,会在开源许可证问题上犯低级错误,发布时未提及Kimi,认为这反映了“世界是个草台班子”。他推测,Cursor可能并非出于地缘政治考量(因为Airbnb等美国公司已公开使用中国模型),而是更担心这会损害其自研能力的形象,显得“没有核心竞争力”。事件曝光后,Kimi的官方回应非常“大气”,表示为此感到骄傲并期待更多开源合作;Cursor也迅速承认错误,坦诚沟通了选型和后续工作,处理得比较“体面”。最后,Henry通过一个轶事对比,猜测如果此事发生在Anthropic身上,其CEO Dario Amodei可能会因为其鲜明的个性而做出更强硬的回应。
蒸馏 (Distillation) 在这里指一种模型训练技术。它的输入是一个更强大、更昂贵的“教师模型”(如Claude)在处理真实用户任务时产生的优质交互数据(轨迹),输出是一个更小或需要改进的“学生模型”。通过学习教师模型的输出,学生模型可以在保持较低成本的同时,获得接近教师模型的能力。
轨迹 (Trajectory) 指用户与AI Agent交互完成一个任务的全过程记录,包括用户的提问、Agent的思考步骤、生成的代码、调用的工具以及最终结果。这些详细的步骤数据对于分析和改进Agent的行为至关重要。
AutoResearch 由Andrzej Karpathy发起的一个实验项目。它让一个AI Agent在一个设定好的框架内,自主地进行科学研究。输入是人类定义的研究目标和初始代码库(如NanoChat),AI通过“提出假设-修改代码-运行实验-分析结果”的循环,不断迭代,输出是优化后的代码和提升的性能指标。它展示了AI在有限、明确的目标下自我改进的能力。
持续学习 (Continual Learning) 指让AI模型在部署后,依然能够不断从新的数据和交互中学习新知识、新技能,并将其整合到自身能力中的一种机制。它区别于传统的“一次性训练、永久固定”的模式。本段讨论了两种实现路径:一是通过外挂的记忆系统(“穷人版”),二是通过直接更新模型权重参数。
程曼祺 & Henry Yin · 01:01:34
Cursor被发现其新模型基于Kimi的K2.5开源模型构建,但最初并未声明。此事引发讨论,最终以Kimi的大度回应和Cursor的坦诚道歉收场。
话题推进: 在讨论完当前AI竞争的主线,即围绕“从编码到通用Agent”的应用、模型和生态建设后,主持人转向了嘉宾提及的另一个Q1重要进展:AI的自进化。
01:06:38–01:21:19 AI自进化初现:AutoResearch与持续学习的两种路径可以解释一下AutoResearch是什么吗?它为什么会火?未来可能带来什么改变? AutoResearch是否能解决模型优化的“方向”问题? AutoResearch这类方法是否在具体的软件工程领域有应用前景? 除了AutoResearch,还有哪些与“自进化”相关的新学习方法(如在线学习、持续学习)取得了进展? 为什么说基于记忆机制的持续学习是“穷人版”? 如果模型采用Test-time Training机制,是否意味着每个用户的每次请求都需要更新权重? 主持人开启新话题:AI的自进化。嘉宾Henry介绍了Andrzej Karpathy发起的AutoResearch项目。该项目背景是Karpathy先创建了一个教学项目NanoChat,用几百行代码实现了一个GPT-2级别小模型的完整训练流程。AutoResearch则是在此基础上,让一个AI Agent(如Claude Code)根据人类设定的实验方针(一个名为program.md的文档),自主地、反复地修改NanoChat的训练代码(train.py),目标是降低一个名为“bits per byte”的评估指标,从而优化模型训练。AI Agent会经历“阅读代码和历史结果 -> 构思改进点 -> 实现代码 -> 运行短时训练(5分钟)-> 评估结果”的循环。这个过程无需人类干预,一个晚上就能自主进行约100次实验。最终,该实验找到了20多个有效改进,将模型训练时间缩短了10-20%。
Henry指出,AI自优化的想法并不新鲜,一年前Google内部就有类似尝试(分析“模型族谱图”预测研究方向),但受限于当时模型能力而未成熟。如今,随着Opus、Claude Code等模型编码能力的增强,加之Google的AlphaEvolve、GPT-5.3的自我调试、MiniMax的M2.7等多个案例在近期集中出现,让业界重新相信“AI研究本身被自动化”这件事可能即将发生,其影响是“加速度的加速度”。
主持人追问这是否能解决“优化方向”的问题。Henry回应,目前AI还只能在人类研究员设定的、有明确目标的有限“搜索空间”内进行有效搜索。如果目标模糊或搜索空间过大,AI可能会把代码“改烂”且无法复原。因此,AutoResearch这类方法目前最适合有清晰、可量化优化目标和快速反馈循环的领域,如性能优化、数据库查询、基础设施调优等。他举了一个反例:他的室友尝试用Devin和Claude Code为网站添加“黑夜模式”,但都失败了,因为视觉效果这类主观、难以量化的验证目标,目前的AI难以处理。
接着,对话深入到更底层的“持续学习”概念。Henry解释,持续学习旨在让模型在部署后能不断获取新知识和技能。他将其分为两个方向:
1. “穷人版”的持续学习:基于文本的记忆机制(如RAG中的memory或skills文件)。优点是简单、可解释、易于调整,已被广泛应用。缺点是受限于上下文长度,信息压缩时会产生损耗。
2. 更新权重的持续学习:这是更理想化的方向,旨在将新知识“写入”模型参数。早期通过LoRA等技术实现,而更前沿的探索如斯坦福大学孙宇实验室的“Test-time Training”,试图在模型处理每个特定输入时,动态地、小范围地更新权重。这种方法目前还很复杂,对基础设施要求高,且仅在小模型上得到验证,能否扩展到千亿乃至万亿参数的大模型仍是未知数。对于这种机制是否会导致每次推理都更新权重,Henry认为最终要看具体应用场景和投入产出比,并提及Thinking Machines Lab的基础设施已支持多LoRA并行,可能是在为大规模个性化定制做准备。
话题推进: 在讨论了AI自进化和持续学习等前沿研究方向后,话题将转向更宏观的产业变化,如下一季度的展望。
01:21:20–01:49:53 连续对话 401:21:20–01:26:46 自进化与世界模型:AI领域的创业新机会自进化与持续学习的区别和联系是什么? 在自进化和持续学习方向上,出现了哪些新的创业机会或公司? 世界模型是另一个大语言模型之外的探索方向,这方面有哪些新进展和创业公司? 世界模型的探索方向,未来更多是应用在机器人和具身智能上吗? 主持人程曼祺首先询问嘉宾Henry Yin,自进化(self-evolution)与上文讨论的持续学习(continual learning)有何区别与联系。
Henry Yin解释,自进化与AutoResearch项目关系更紧密,指的是AI改进自身的能力。他提到,近期如AlphaEvolve、Sacana的DarwinGo Machine等工作,都是让AI形成一个“思考如何改进自己-实现改进-重复循环”的过程。因此,AutoResearch可以被看作是自进化框架下的一个应用。他观察到,在一些基础设施较好的实验室,核心研究员的工作量反而变小了,因为他们更多地思考高层次的前进方向,而将具体的执行工作交给有自进化能力的系统。
程曼祺追问,这个方向上是否出现了新的创业机会。Henry Yin确认,持续学习和自进化领域的创业公司最近很多,但大多成立不久。他举了几个处于“潜行模式”(Stealth Mode)的公司案例:
1. 一家公司试图精炼出专门负责“学习能力”的小模型。他们认为,现有大模型中,学习能力本身可能由少数几个“专家”负责,大部分参数存储的是知识。该公司希望剥离知识部分,只保留学习能力,创造出特别擅长学习用户偏好的模型,适合用作OpenClaw这类个人助理的基座模型。
2. 不止一家公司在做更大规模的AutoResearch,例如将单智能体(agent)扩展为多智能体并行协作。
随后,程曼祺将话题转向“世界模型”(World Model),指出这是大语言模型之外的另一个重要探索方向。Henry Yin表示,这个方向的创业公司也很多,并列举了不同技术路径的代表:
1. 李飞飞的WordLab,偏向3D世界建模。
2. 新成立的AIMI公司(与Yann LeCun相关),可能延续其在JEPA模型上的工作。
3. 前Google Dreamer团队负责人Daniel的新公司,更偏向于策略(policy),即根据视频输入决定采取何种行动,与机器人结合紧密。
4. 另一家由AutoRegressive DIT和Self-Forcing作者创立的公司,更偏向环境模拟,即输入视频和动作,预测下一帧会发生什么,与Daniel公司的策略方向形成“镜像关系”。
5. 其他路径还包括Nvidia结合物理引擎的探索。
最后,程曼祺询问这些世界模型的未来应用场景。Henry Yin认为主要有两个方向:一是“交互式媒体”,如实时生成、能响应玩家行为的新形态游戏;二就是“具身智能”,无论是用于生成机器人的策略,还是构建机器人训练所需的模拟环境,都对具身领域有重大影响。
自进化 (Self-evolution) 在这里指AI系统能够自主改进自身的能力。其过程通常是一个循环:AI首先构思如何改进自己,然后执行这个改进方案,最后评估效果并开始新一轮循环。输入是改进目标或方向,输出是性能或能力得到提升的新版AI系统或模型。AutoResearch是其在研究领域的具体应用。
世界模型 (World Model) 指一种能够理解和模拟物理世界动态变化的AI模型。它不仅仅处理静态信息,而是学习世界运行的规律。输入通常是连续的感官数据(如视频),输出是对世界未来状态的预测,或者是在特定情境下应该采取的行动策略(policy)。它被认为是实现高级具身智能和交互式媒体的关键技术。
推理 (Inference) 在AI领域,与“训练”(Training)相对。训练是指用大量数据来构建和优化模型的过程,计算量大但非实时。推理则是指使用已经训练好的模型来执行具体任务、做出预测或生成内容的过程,例如用户与ChatGPT对话。这个过程要求快速响应,是模型在实际应用中的工作状态。
KV cache 在Transformer架构(大语言模型的基础)中,为加速生成过程而使用的一种缓存机制。它存储了计算过程中间步骤的“键(Key)”和“值(Value)”,避免在生成每个新token时重复计算,从而提高推理速度。但它会占用大量显存。文中所述的改进是指通过量化等技术压缩这个缓存的大小。
Henry Yin · 01:24:22
在世界模型领域,李飞飞的WordLab偏向3D建模;Yann LeCun相关的AIMI公司可能延续JEPA模型;前Google Dreamer负责人Daniel的新公司偏向策略(policy);AutoRegressive DIT作者的新公司偏向环境模拟。
话题推进: 在讨论完世界模型的主要应用方向后,主持人程曼祺自然地将话题转向实现这些应用所需的基础——算力,并以英伟达GTC大会为切入点,开启了关于算力变化的讨论。
01:26:46–01:29:55 算力焦点转移:从训练到推理,从GPU到CPU最近Q1的算力层面,有哪些值得关注的动向? CPU在这个流程里主要做什么? 主持人程曼祺询问嘉宾Henry Yin,结合英伟达GTC大会,第一季度在算力层面有哪些值得关注的动向。
Henry Yin指出,GTC大会最明确的主题是从训练(Training)到推理(Inference)的转折。英伟达的新产品(官方资料提及为Rubin平台)推理性能提升了3-5倍,token成本降低了10倍,这非常有利于个人助理等高token消耗应用的大规模部署。他还提到,英伟达去年收购的Grok(应指Grok公司,非xAI模型)技术(LPU)已被集成到新产品中。
Henry Yin补充了一个最新进展:Google通过量化(quantization)技术改进了KV cache,能将其压缩至原来的1/6,大大降低了对存储的需求。他据此判断,推理优化的空间依然巨大,通过算法创新,推理成本和性能有望进一步改善。
程曼祺总结,这与当前AI竞争主线是Agent相符,因为Agent应用会带来大量的推理算力消耗。
Henry Yin进一步延伸,认为整个推理产业链,从芯片到基础设施都存在巨大空间。他特别提到一个新趋势:随着Agent的普及,CPU也可能出现短缺。程曼祺追问CPU在其中的作用。
Henry Yin解释道,现在的趋势是“万物皆成计算机”(everything is becoming computer)。Agent不再只是对话,而是在计算机环境中生存,并能开启多个沙盒(sandbox)执行任务。模型本身需要GPU进行推理,但模型生成代码后,执行这些代码和任务管理等工作,都需要CPU来完成。因此,CPU的需求曲线也在大幅增长。他透露,一些投资人朋友正在研究如何购买纯粹的CPU相关金融资产,甚至有结论认为应该买ARM的股票,因为ARM向所有厂商授权,是该趋势的底层受益者。
话题推进: 在讨论完算力变化后,主持人程曼祺将话题转向一个由技术发展引发的社会现象——科技大裁员,并请身处硅谷的Henry分享他的观察。
01:29:55–01:43:44 AI引发的裁员潮、组织变革与社会影响你在美国感受到科技大裁员的哪些情况? 接下来大家可以怎么办?怎么应对? 加入创业公司是不是也不能保证工作? 你最近和被投公司交流时,看到哪些因AI发展带来的用人或组织变化? 你周围有什么具体故事,让你感觉裁员这件事发生得很快?或者有厉害的人也被波及吗? 你觉得最近大家(投资人、创业者朋友)共同关心的问题还有什么? 主持人程曼祺将话题转向由AI引发的科技大裁员,并请嘉宾Henry Yin分享在硅谷的观察。
Henry Yin认为这可能是今年一个“比较可怕的事情”,并列举了三个数据点:
1. 亚马逊年初裁员16000人,包含许多工程师,但处理得较为低调。
2. Blox公司CEO Jack Dorsey宣布裁员40%,并明确指出原因是AI提升了效率,而非公司财务问题。他预测多数公司一年内会做同样的事。
3. Meta让全员停工一周学习AI,并将token消耗量作为团队效率指标。学习结束后,扎克伯格宣布裁员20%(约15000人),将节省的资金加倍投入AI基建(约650亿美元)。
Henry Yin判断这只是开始,且此轮失业者找工作的难度会远超上一轮裁员潮。
程曼祺询问应对之策。Henry Yin建议考虑创业,因为AI同样也赋能了个体,让个人有能力独立完成产品开发和商业运营。对于加入创业公司,他认为小团队现在也倾向于精简,依靠“几个厉害的人+AI”,因此招聘时更重“质”而非“量”。在与被投公司交流中,他发现“全员AI native”已成共识,面试时都会考察AI工具使用能力。
程曼祺分享了中国的情况。她观察到,中国创业公司的CEO虽然不明说,但普遍受到冲击,意识到AI能替代以往需要多人完成的工作(如设计、简单前端开发)。她听到的一个新思路是:组织结构从过去的“一流人才+二流人才”组合,转变为“超一流人才+AI”的模式。公司会花更多钱聘请能善用AI、有想法的顶尖人才,而淘汰原本承担辅助性工作的二三流人才。
Henry Yin用电影《2012》中的洪水作比喻:技能的海拔越高越安全。他举了一个“Claude原生律所”的例子:该律所利用Claude,两三个人在几小时内就完成了一项过去需要通宵的复杂合同修改任务,甚至找出了甲方需求中的自相矛盾之处,展现了AI赋能下小团队对大机构的超越。不过他也同意程曼祺的观点,认为律师等需要处理人际关系(“搞人”)的工作相对安全。
在讨论共同关心的话题时,Henry Yin提到一个题外话:湾区房价。大家在猜测,大裁员是否会导致中低价位(1-3百万美元)房产下跌,而顶尖AI人才的高收入和公司上市预期,是否会推高千万美元以上豪宅的价格,形成“杠铃形”市场。他认为这折射了AI带来的社会不平等加剧。
最后,Henry Yin分享了应对社会问题的两种思路:传统的全民基本收入(UBI),以及一个新想法——“给token征税”。逻辑是,既然AI像外来劳工一样“抢”走了人类的工作却不交税,那么就应该对token的消耗征税,以此调节AI的无限制扩张,并为社会机制的调整提供资金。程曼祺补充,这会让AI更像“人”,因为雇佣人类本身也包含税费成本。
话题推进: 在讨论了AI带来的社会影响和可能的应对机制后,主持人程曼祺将话题引向未来,询问嘉宾对下一季度或半年内AI领域发展的展望。
01:43:44–01:49:53 下季度展望:模型竞赛、技术瓶颈与行业总结下个季度到半年,你认为比较确定会发生的事情是什么? 你觉得让V4震惊全世界,是不是对他们要求太高了? 你说的“从最近发的工作”,是指其他家太强,还是指DeepSeek最近的成果? 有什么你还不太确定,但是很想验证的事情吗? 你说的“现在方法过于复杂”,具体指的是什么? 主持人程曼祺询问嘉宾Henry Yin对下一季度至半年的展望。
Henry Yin认为比较确定的事情有:
1. DeepSeek-V4即将发布。他对此非常期待,想看它是否能再次“震惊世界”。不过,在程曼祺质疑这一期待是否过高后,Henry Yin也承认,由于大家期待值被拉得很高,DeepSeek压力很大。他观察到,从近期各方发布的研究来看,DeepSeek在某些基础工作上的领先优势可能已缩小,例如字节跳动在“seed”方面的创造力可能更强。
2. 在计算机使用(Computer Use)方面会有新突破。他提到CUB (Computer Use Benchmark) 当前的SOTA模型性能也只有百分之十几,潜力巨大。结合Claude Code这类操作电脑的功能已上线,他期待在跨应用、无API的工作流自动化方面出现进展,这在企业场景中有很好的落地前景。
关于不确定但希望验证的事,Henry Yin提到了“持续学习”和“递归自我改进”的落地速度。他透露,在与许多研究员讨论后,大家普遍觉得现有方法(如Test-Time Training)有“过度工程化”(over-engineering)的嫌疑,过于复杂。业界期待能出现像skills或memory一样机制简单但效果更好的方法,但目前还没有人找到完美的“配方”。
最后,程曼祺对本期节目进行了总结。她认为,本季度的核心主线是从Coding到Agent的演进,以及相关的模型、应用和开发者生态竞争。具体表现为:Anthropic的Opus 4.6被认为是当前最强的代码和Agent模型,其Claude Code和Cowork产品收入增长迅速;OpenAI在GPT-5.4发布后,也重新聚焦于生产力场景。下一季度,OpenAI与Anthropic的竞争将是重要看点。此外,节目也探讨了持续学习、自进化等远期方向,以及AI对社会就业和组织结构带来的深刻影响。
节目尾声,程曼祺补充了“连点成线”的观察:从2024年下半年Devin初露锋芒,到2025年底“coding agent就是通用agent”成为共识,再到本季度Claude Code等产品的商业成功,Agent的价值正被越来越多人看到。
程曼祺 · 01:49:08
主持人程曼祺总结,从2024年下半年的Devin到2026年一季度的Claude Code商业成功,经过一年半的演进,“coding agent就是通用agent”的观点逐渐成为共识,并得到市场验证。
话题推进: 主持人程曼祺对全期内容进行总结,并预告了下一季度的看点,最后结束了本期播客。
01:49:53–01:52:12 连续对话 501:49:53–01:52:12 总结:从连点成线到切实地面的乐观在本期节目的结尾,主持人程曼祺对2026年第一季度的AI进展进行了总结,将之前讨论的各个“点”连接成“线”。她认为,从一年前的Devin到如今的OpenClaw(小龙虾),AI Agent的发展路径愈发清晰,并正在带来更广泛的改变。
程曼祺首先回顾了本季度的几个关键产品与现象:
1. Anthropic的Claude Code:其ARR(年化经常性收入)在2026年2月已达到25亿美元,超过了同期的Cursor(20亿美元)。
2. OpenClaw(小龙虾):这款将Agent能力集成到聊天对话框中的产品,在中国实现了“全民出圈”的现象,促使更多企业管理者和普通工作者开始认真考虑将Agent作为提升效率的手段。
基于这些进展,程曼祺表达了一种坚定的乐观。她认为,围绕Agent的效率优化、成本降低、体验与交互创新,已经形成了一个足够巨大的业务和创新空间。正是这些具体的产品和市场反馈,让她感到“此轮AI绝不会进入寒冬和低谷”的论断,终于有了“能切实踩上去的地面”。
这种确定性也预示着一系列连锁反应:
* 大公司的行动:一向行动较慢的腾讯,在看到OpenClaw后也展现了罕见的速度。
* AI公司的战略调整:各公司需要重新思考模型研发与打造强应用之间的平衡。一些原本类似实验室的公司,如DeepSeek,已在招聘上有所动作,显示出更强的产品化倾向。
* 商业模式的动摇:过去“国产AI效率工具收不到钱”的论断正在被打破。在Agent这类对效率和成本敏感的场景中,性价比高、体验更佳的中国产品收入在快速增长。
* 劳动力市场的变革:更多人的工作方式乃至整个劳动力市场都将因此发生改变。
最后,程曼祺为本期节目收尾,表示这是首次进行长时季度总结,仍有未尽之处,欢迎听众在评论区分享观点和建议。她也预告了下一季度的再会,并提供了关注播客和公众号的常规指引。
ARR (Annual Recurring Revenue) 年化经常性收入。这是一个衡量订阅制业务健康状况的关键指标,计算方式通常是将某一个时间点(如某个月)的经常性收入乘以12,从而预估未来一年的收入规模。在这里,它被用来对比Claude Code和Cursor两款产品的商业化进展。
话题推进: 本段是节目的结尾总结与常规播客收尾语,没有引向下一个实质性话题。
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。