一、先认识刘元：一个“文艺投资人”如何进入 AI
刘元介绍自己 2014 年加入真格基金，此前在美国做母基金和 VC 的 LP 投资，后来成为真格合伙人，过去看过八十多个项目，行业很杂：医疗、自动驾驶、知识产权、电商、教育和 AI 都投过。他把自己的特点概括为好奇心强、没有单一行业专长，也因此经常被同事调侃。
主持人提到他过去说过喜欢“有商业嗅觉的文艺青年”。刘元随后主动修正这句话：创业需要长期承受压力、不断推进和在不确定性中做决定，而过度沉浸于艺术和人类体验的“文艺青年”，可能更容易享受生活、体察世界，却不一定愿意承受创业的粗粝。他并不是否定文化兴趣，而是在区分“有审美的人”和“能把公司做下去的创始人”。
这个自我修正为整期埋下了一个张力：AI 让自然语言、审美和想象力的重要性上升，文科生似乎迎来春天；但创业仍然要求组织、产品、销售和现金流，不能因为会写 Prompt 就自动拥有企业家能力。
二、为什么他觉得 Prompt、文生图和大模型让文科生重新进入技术现场
刘元说自己小时候参加过物理和数学竞赛，但兴趣上更接近文科。过去的技术行业常把“语言”归进计算机科学，忽略语言学、叙事和语境的作用；而大模型把人与机器的交互重新拉回自然语言。写 Prompt 有点像咨询师套话：不是写出最优雅的代码，而是用不同词语、顺序和语境引导模型进入某种状态。
在文生图里，词汇量、形容词的细微差别、对风格和构图的理解，可能比编码能力更重要。刘元因此推测，一个英语专业的人在 Stable Diffusion 上可能比计算机专业的人做得更好——他同时承认这是自己的假设，可能错误。更大的变化是，做大模型的研究者开始讨论维特根斯坦、罗素等哲学家，过去被视为务虚的思想问题重新进入技术讨论。
但这不等于技术门槛消失。自然语言让更多人能尝试，却也让“会写一个 Prompt”与“能把产品交付给用户”之间的距离更加隐蔽。
三、黑客松现场：90 个团队、每队五分钟，以及一群年轻人做 Copilot
节目转到最近的黑客松。刘元一个月参加了三场，最近一场有大约九十个团队，早上九点半开始，持续听到晚饭前；如果每个团队五分钟，就是七个多小时的高密度 Demo。参与者主要是 95 后到 00 后，也有更早一批技术人。
当时的题目多是“为生活做一个 Copilot”：法律 Copilot、医疗 Copilot、电影分镜 Copilot、疑案追踪 Copilot，以及一个“陪你散步”的 Copilot。散步项目尤其让刘元印象深刻：AI 知道你在上海哪条街，讲这条街现在的店、过去五年和二十年的变化，根据黄昏、微风和你的情绪推荐音乐或播客。它不是最宽的市场，却像捕捉了一个具体的生活时刻。
电影分镜项目把剧本转成镜头设计；疑案追踪项目则把目击者对嫌疑人的描述转成可反复调整的人像。这些项目的共同点是：场景窄、Prompt 到结果的链路清晰、第一次听就能理解，而且不是所有人都同时想到。相比之下，AI 法务、邮件生成、医生助手等大场景虽然合理，却已经有太多团队在做，投资人的记忆和判断阈值都被抬高。
四、模型很强，应用却很难投：因为产品价值可能被底层模型吞掉
刘元观察到一个反常现象：VC 都非常兴奋，纷纷去看 AI 项目，但真正出手并不多。原因不是没钱，而是无法确定价值最终沉淀在哪一层。很多黑客松团队几天就能做出一个效果不错的应用，说明“调用模型做应用”本身并不难；但也正因为太容易，用户体验好可能主要归功于底层模型，产品层的差异就很薄。
这让经典护城河都受到怀疑。用户增长、用户数据、数据飞轮、企业文化过去都可能构成壁垒，但模型能力快速更新后，旧壁垒是否仍有效？算力是不是壁垒？公共数据很快会被耗尽，私有数据和实时数据又受到授权和合规限制。人类反馈与 AI self-play 哪一种数据更有价值，也没有简单答案。刘元用 AlphaZero 提醒：在人类棋谱之外，self-play 确实可能产生强大能力，但这不意味着所有领域都能靠“左脚踩右脚”自我进化。
他还讲了一个反直觉观点：AI 人才可能是最容易被商品化的部分。因为技术扩散很快，很多人都在追同一套方法；反而是人类特有的产品感、审美、组织能力、用户理解和跨领域组合能力，可能更难复制。节目明确把这当成一个被投创始人的 unpopular opinion，而不是已经证实的结论。
五、即刻与 Monica 的故事：创业者不是天生的，是在反馈中训练出来的
主持人追问，为什么即刻要做自己的孵化器。刘元讲了一个故事：即刻的一位工程师在业余时间做了一个 ChatGPT for Google 的浏览器插件，转录中说它在达到约四十万用户后，被另一位创业者注意并收购；这位创业者后来做了 Monica。具体用户数和交易细节没有在节目中给出外部证明，但故事的机制很清楚：一个人先在社区里做小产品，先获得真实用户，再因为反馈被更成熟的创业者发现。
刘元还讲到另一位创始人：因为前女友患罕见病，他希望帮助基因治疗，于是第二次创业做面向科学家的协作工具，像“给科学家用的飞书”。科学家在前沿研究中常用简单电子笔记，协作、版本、语音和数据管理都很落后，现代工具可以显著提高效率。这类 AI for Science 方向当时还没有今天这么流行，却已经有明确的真实问题。
他用这些故事解释即刻孵化器的目标：让社区里自下而上的创造被看见。工程师做小工具，学生参加黑客松，团队得到用户反馈和一点天使资金，之后可能卖掉公司、进入大公司，再出来做第二次创业。创业者像神经网络一样，在正反馈和负反馈中更新参数，不是天生就知道如何组队、销售和做产品。
六、黑客松不是制造大公司机器：它提供的是一次低成本的“刷题”
刘元承认黑客松存在幸存者偏差。某个参加过黑客松、做过小插件、后来做大产品的故事很有启发，但不能据此推断所有参赛者都会成功。黑客松更合理的价值是提供一次低成本训练：从零做一个小东西，和同学组队，面对用户，看到有人使用，然后决定是否全职。
即刻的设想是，对愿意全职创业的团队做几个月孵化，结束后再选择部分团队投资。这个过程不保证制造大公司，因为创业结果本来就是幂律分布；但它能把一个“还没有做过公司的人”变成有一次完整反馈的创业者。刘元认为，很多最终做出大公司的创始人，早期都做过很小、甚至失败的公司。
因此黑客松的题目不应该要求参赛者几天内解决一个宏大问题，而应该鼓励他们做一个像玩具一样、甚至有点可笑，但真正能解决小问题的产品。大问题通常需要长期资源，小问题能在几天内产生反馈，反馈才是创业能力的训练材料。
七、创始人工资：一个看似琐碎的问题，暴露了 runway 的伦理和实用主义
节目中途讨论创始人能不能给自己发高工资。转录把某处数字识别成“几千万工资”，显然不应按字面理解；刘元真正表达的是，一些创始人会把早期融资大量用于自己的高薪，而投资人往往没有在协议里详细约束。
他的判断有两个层面。伦理上，创始人已经通过股权分享公司的上行，不能把投资人的现金当作复制大厂薪资的工具；实用上，早期现金本来就少，高工资会缩短 runway，少招一个关键员工，或者让公司更早进入下一轮融资。合理的工资应首先维持基本生活和必要家庭责任，而不是追求与上一份工作等价。
他也承认没有统一标准：创始人的家庭负担、公司阶段、联合创始人结构和关键员工定位都不同。真正需要警惕的是一号位在 PMF 之前把融资变成个人高薪，而不是简单制定“创始人一律不拿工资”的道德规则。
八、中美创业者供给：四个象限与“余裕”的差异
节目随后把视角从一次黑客松拉到中美 AI 创业生态。刘元把创业者大致分成四个象限：小天才、老司机、操盘手和技术派。一个人可能在不同阶段穿越多个象限：年轻时做小产品是小天才，创过公司并卖掉是老司机，进入大公司负责业务变成操盘手，再次创业时已经拥有多种经验。
他认为中国在“技术派”上与美国的差距可能相对小，国内名校和实验室有大量优秀人才；教授创业、AI for Science 和学校孵化也在增加。但“老司机”供给明显不同：美国创业历史更长，家族和社区有多代创业传统，公司收购更频繁，卖掉公司是较常见的职业节点，于是有更多人经历过完整周期。中国创业历史较短，退出渠道少，连续创业者的供给还在形成。
“小天才”的差异不是智力，而是兴趣驱动和探索余裕。刘元用 Midjourney 创始人 David Holz 的故事对照：小时候做小实验、自己动手探索，不是为了奖项或升学，而是被问题本身吸引。中国学生同样聪明，但在竞争密集的教育环境里，兴趣驱动的探索可能是一种奢侈。很多人被训练成在考试系统里不断优化，却没有机会做一个看似无用的项目。
这段不是简单批评中国教育。刘元承认中国教育质量高、人才聪明，只是供求关系、人口规模、岗位竞争和家庭风险偏好，让“做一个不确定的小实验”需要付出更高机会成本。真正的创业勇气不仅是个人性格，也依赖社会是否给人第二次、第三次选择。
九、上一代 AI 与今天的大模型：技术变了，创业者的转型问题没有变
主持人问上一轮 AI 公司受到什么影响。刘元认为冲击最大的恰恰是上一代 AI 公司：新模型可能把原本昂贵的 NLP、CV 或识别能力快速商品化。它们不能只说自己拥有通用技术，而要把价值更深地积累到垂直行业 know-how、客户流程和真实部署中。
他回顾自己早期投自动驾驶、机器人、AI 制药的经验：技术导向的公司通常比只靠商业模式的公司更能穿越同质化竞争，但技术优势也不能停在原来的技术路径上。大模型的出现要求上一代团队拥抱新方法、重做产品，而不是把旧系统的局部能力当成永久壁垒。
相比上一轮，今天投资人对应用效果、用户付费和粘性的要求一度变低，因为“先把模型做出来”已经足够困难；这可能是暂时的时代宽容。模型能力逐渐扩散后，产品和商业化要求还会重新回来。
十、AI 狂欢里的虚无主义：当信息输入输出都被重新估价
刘元坦白，自己从 ChatGPT 之后出现过一种“人类时代进入黄昏”的感觉。朋友甚至把某次 AI 进展当作人生最后一条朋友圈的节点。这里的“忧伤”不是情绪装饰，而是他对职业和投资方法的冲击：过去 VC 研究大量信息如何被组织成产品和服务，教育、医疗、内容、搜索很多时候都可以被抽象成信息输入、处理和输出。
如果 AI 能越来越便宜、平等地完成这些事情，那么许多传统的不平等来源会被削弱：有人离三甲医院近、有人拥有教育资源、有人能找到专业顾问，本质上都是信息获取渠道不同。AI 可能把很多入口拉平，让每个人面对一个对话框或语音接口。投资人过去做的聚合、分发和制造信息差，都需要重新思考。
这也把问题从“AI 能做什么”推向“AI 不能做什么”。在纯信息输入输出上，AI 已经能分析 BP、比较过去案例、估算一个项目的投资概率；它暂时不具备和创始人面对面建立关系、共同吃饭和产生身体在场的共鸣。但如果给它耳机、语音和一套对话策略，连这条边界也可能很快被削弱。
十一、创业机会的三层境界：不和大厂正面撞，寻找它无法公平做的事
刘元转述一位创业者的三层思路。第一层看到大厂正在做某个产品，就认为创业公司必然会被消灭，于是完全不行动。第二层承认大厂可能做得更好，但仍在夹缝里先赚到钱，例如早期的 GPT 套壳和插件产品。第三层则寻找大厂因为战略利益而无法公平提供的服务。
一个简单例子是多模型路由：Google 即便知道 OpenAI 的模型可能更好，也未必愿意在自己的产品里公平调用竞争对手模型；微软和 OpenAI 的联盟也会影响选择。独立创业公司可以同时比较多个模型，把“中立”本身变成产品价值。
Monica 的早期浏览器插件也体现了阶段性产品的作用。一个创业者不一定第一天就做最终的大公司，阶段性产品可以先获得用户、流量和商业化，再作为火箭助推器进入更长期的战略。投资人真正要判断的是：眼前产品是手段还是目的，创始人是否知道下一步要往哪里走。
十二、为什么他看了两百多个项目仍只投一个：共识把价格推高，非共识项目被一起冷落
节目后段，刘元说截至当时看过两百多个 AI 项目，但公开能说的投资只有 Monica，而且是对已有创始人的第二次投资。这个数字属于嘉宾自己的粗略统计，不应作为机构完整流水账。更重要的是他的解释：可持续的大公司本来就稀少，任何一年真正值得重注的机会都不多；AI 共识又把所有基金同时推向最顶尖的人。
于是估值出现两极分化。最有共识的团队非常贵，早期估值甚至可能把未来大部分收益提前买走；没有进入共识名单的团队又很难融资，因为投资人缺乏足够差异化的判断。以前区域市场、垂直场景和非共识创始人还有一层阶梯式资金，现在 AI 的共识更统一，第二梯队更容易被整体忽略。
刘元把自己的迟疑说成两难：真格过去通过复盘总结出哪些人不能投，但新时代可能要求投资人“正确地犯一些以前不愿犯的错”。纯理论推演无法替代实践，可一旦等结果验证，窗口又可能过去。投资本质上是不断用历史反馈修正预测算法，却永远没有终极算法。
十三、最后的私人收束：书、电影、导游与人类的细腻经验
快问快答把节目从资本和模型拉回个人生活。刘元提到莱姆的科幻小说、关于深度学习研究者的传记，以及电影《晒后假日》。他担心的不是 AI 能否写出一个有情节的故事，而是能否写出像海明威短篇那样几乎没有情节，却在省略、节奏和未说出口的部分里保留漫长余味的作品；也担心 AI 能否制造一部只靠画面和微妙情感成立的电影。
他又讲到在华沙请中文导游的经历。导游把肖邦、密茨凯维奇、华沙被毁后重建的历史，与中国城市和文化作类比，使一个原本“漂亮的欧洲城市”变成有重量的地方。刘元由此意识到，旅行真正缺少的不是信息，而是把地点、历史和个人感受连接起来的解释者。他甚至想到，AI 导游可能是一个真实而具体的产品方向，但也正因为好的导游能把世界讲出情感，才让“机器是否能替代这种经验”显得更令人不安。
节目最后没有给出“AI 时代必须知道的一个答案”。刘元拒绝把自己包装成已经看懂未来的人，只留下一个态度：在共识很强、结论很少的时代，保持行动，也允许自己承认混沌。