可感知性
ChatGPT 让普通用户第一次直接感到模型能力，形成技术爆发所需的广泛入口。
原文讲解：节目到底讲了什么
梦秋是张小珺商业访谈录第一期嘉宾，这期先用“catch up”回顾两人的上次对话，再进入 2023 年大模型热潮。节目主持人的核心问题有三个：为什么 ChatGPT 这次如此快地进入大众视野；投资人表面上看起来很兴奋，为什么真正出手却很理智；创业公司究竟还有什么位置。梦秋的回答不断在两个尺度之间切换：一方面，她用 OpenAI、DeepMind、搜索引擎、移动 OS 和历史浪潮理解技术；另一方面，她用基金每天看项目、客户是否愿意付费、数据是否存在和公司能否熬过半年解释市场。
先固定节目时点
本期发生在 2023 年 GPT-4、Midjourney、Stable Diffusion 和 ChatGPT 连续引发新闻的阶段。投资热度、基金行为、模型格局、百度优势、未来五到十年和“10% 人类驾驭 AI”等都是嘉宾当时的观察或预测，不是当前市场统计。
| 节目阶段 | 主持人问什么，梦秋如何回答 | 这一段的作用 |
|---|---|---|
| 00:00—10:00 | 为什么每天像在给大脑预训练？ChatGPT 为什么像 iPhone 时刻？ | 建立大众可感知性是技术爆发的必要条件。 |
| 10:00—20:00 | 这次 AI 为什么快？为什么 Google 有组件却没先做出来？ | 比较 AI 1.0、DeepMind、OpenAI 的信念、资源和组织。 |
| 20:00—35:00 | 2023 年一级市场真实水温如何？搜索会被替代吗？ | 区分关注、估值、投资和商业落地。 |
| 35:00—52:00 | 教育、SaaS、创业机会和国内大模型格局怎样变化？ | 从宏大生产力回到数据、客户和垂直场景。 |
| 52:00—63:00 | 为什么大模型创业要组局？资金、人才和时间门槛多高？ | 解释资本谨慎和创业抱团的结构原因。 |
| 63:00—结束 | 涌现、Prompt Engineering 和 killing app 会怎样？ | 以谨慎乐观收尾，不把“有价值”误写成“已有赢家”。 |
一、先认识梦秋：她为什么要“给自己的大脑做预训练”
节目从梦秋的朋友圈和近况开始。她说每天都有读不完的资料，像回到做作业的状态；大学毕业以后，很少有哪一年像现在这样知识爆炸。她过去一年在看能源、材料、半导体，后来看到 Midjourney 和 Stable Diffusion 的效果，才意识到这一轮 AI 不能再错过。她承认自己完全没看上一轮计算机视觉 AI，而这一轮 ChatGPT 让中端用户直接感受到能力，因此必须投入学习。
她的身份决定了这种学习不是研究者式的纯技术兴趣。梦秋曾在百度负责搜索和用户侧产品技术，后来成为清流资本创始合伙人。她要和创始人交流，就必须先懂他们正在做什么；所以“给大脑做预训练”既是自嘲，也是投资工作的基本动作：先读论文、看产品、理解底层机制，才能判断新闻背后的真实变化。
二、为什么 ChatGPT 像 iPhone 时刻：底层技术早已有了，但普通人终于能用
梦秋认为，ChatGPT 的突破不只是模型能力，而是有一个任何人都能使用的产品载体。她提到 OpenAI 内部曾在 GPT-4 和 ChatGPT 之间犹豫，CTO Mira Murati 倾向先发布一个中端用户可以感知的产品；ChatGPT 一经推出，就把原本局限在开发者和研究社区的能力展示给大众。
她把这件事类比 iPhone：触摸屏、多点触控、移动计算等 building block 并不是 Apple 独创，但 Apple 把它们组合成一个普通人觉得有用、有趣、愿意重复使用的产品。ChatGPT 也是一样，深度学习、强化学习、Transformer 和大规模算力并非全部由 OpenAI 发明，但 OpenAI 把它们组装起来，再借助微软的资金、云和超级计算，把能力变成多轮对话产品。
对梦秋来说，技术必须经过“中端用户可感知”这一关才可能爆发。若能力只停留在 2B 项目或论文里，社会不会形成广泛想象；一旦用户亲自试用，应用场景和商业想象会迅速扩大。这也是她认为未来十年 AI 都是长期价值主题的第一个理由：它已经从“技术可能很强”进入“普通人可以验证它有用”。
三、为什么这次发展这么快：积累、现成生态和应用层的集体拥抱
主持人问这次速度为什么远超互联网 1.0、iPhone 或安卓迭代。梦秋说自己并没有完全想明白，但至少有三种力量叠加。第一，很多技术早已积累，只是在没有 Foundation Model 和 ChatGPT 之前，单独释放出来也很难让大众感知；现在底层能力先被展示出来，过去积累的工具和研究可以快速接入。
第二，今天已有成熟的数字基础设施。Chrome、Office、搜索、云服务和各种 SaaS 已经拥有用户，只要在这些既有场景中接入 AI，落地就会很快；第三方应用也会主动拥抱生态，因为它们不必从零做基础模型，只需调用接口，再把能力嵌入工作流。于是每天的 AI 新闻很多并不是底层模型又完成了一次革命，而是一个新的应用场景把已有能力接上去。
她同时提醒大家不要过度 panic。AI 会替代一部分工作，但到节目时点仍是人类的工具，微软 Office、搜索、Google 产品和第三方应用都在先把它嵌进去。速度很快，部分原因是用户场景已经存在，不必等待一个全新的社会基础设施完全建成。
四、AI 1.0 为什么没有爆发：大家有神经网络，却没有共同的终点
谈到上一轮 AI，梦秋解释，深度学习和神经网络早已存在，但当时的算力、数据和训练目标更有限。许多团队选择视觉、语音、游戏等明确任务；技术路线本身也有人相信、有人不相信，尤其是“能否通过大规模训练走向通用智能”并没有共识。没有信念的人不会长期投入，没有长期资金的人也无法承担等待。
DeepMind 是她用来解释这个问题的例子。它是一个非常特别的机构，有相信通用智能的人、优秀的研究者和强化学习路径，但商业化极难，最终被 Google 收购。她并不认为 DeepMind 不重要，而是用它说明：有技术和研究天才，还不等于拥有一条能长期承受成本的商业路径。
Google 的情况则更复杂。Google 拥有 Transformer、数据、算力和人才，却可能因为组织太大、目标太多、缺少足够聚焦而没有先把能力变成大众产品。梦秋不愿把原因简化成两个 CEO 的性格，而是把它看成信念、资源、组织焦点和产品落地共同作用的结果。
五、OpenAI 为什么能做出来：信念、微软的钱和“把研究拿给用户看”
梦秋把 OpenAI 的成功归结为几个现实条件。它最初由一群相信 AGI 的人组成；早期虽然争论、烧钱和人员变化很多，但始终把通用智能当作方向。Sam Altman 拉到微软投资之后，OpenAI 不必立即用收入证明自己，微软甚至为它提供专门的超算中心。她认为微软做出这个投资决定本身很有判断力，因为它愿意相信一群人能在暂时看不到商业回报时继续推进。
另一个关键是产品化。OpenAI 没有只把模型留在研究室，而是不断通过 GPT-3、ChatGPT 等产品让真实用户使用，再把用户反馈带回模型。梦秋特别强调 Mira Murati 的角色：技术大神很重要，但把研究成果做成普通人愿意反复使用的产品，也需要产品判断和执行。
从投资人的角度，这条成功路径很难复制。股权结构、微软的资金安排、云资源、团队信念和时代位置共同作用；即使知道结果，也不能只照抄一个组织图或产品发布时间表。
六、真实水温：所有人都在看，真正出手却很谨慎
节目转向一级市场。梦秋先讲新能源和新材料：在中国语境下，这些仍是未来十年的长期主题，产业规模、能源安全和世界竞争力支撑着投资需求。消费产业也在恢复，但用户更重视性价比，消费企业必须自己赚钱、准备长期融不到钱，不能再用互联网思维先买增长再想盈利。
AI 看起来最狂热，但梦秋说投资人“积极地看”不等于“积极地投”。二级市场可能因为企业挂上 AIGC 名头就迅速上涨，短期估值泡沫确实存在；但经历过上一轮 AI 和软件投资的头部基金，不会只因为新闻多就把大模型、应用、中间层和算力架构全部投一遍。变化太快，昨天的判断今天可能被新论文或新产品改写，所以她和团队更多时间用于读底层技术。
她把自己的态度称为“谨慎积极”：每天早上看到风起云涌会很开心，但不急着下注，因为 ChatGPT 还没有形成稳定的产业格局，真正的 iPhone 4 时刻和可持续商业模式尚未出现。投资人看得很勤奋，出手却需要看到更清晰的产品、数据和现金回报。
七、搜索会被替代吗：确定性答案与生成式发散不是同一需求
梦秋明确不认为 ChatGPT 会简单替代搜索。搜索引擎更适合用户已经知道自己要找什么、需要一个确定性答案的情况；生成式 AI 更擅长给建议、帮助发散、写东西和组合可能性。两者可以结合，搜索提供事实和链接，模型提供整理、解释和下一步建议。
她指出生成模型中有随机因子。若每次都只输出概率最高的下一个词，它更像一个低效搜索系统；加入随机性，才会产生不同答案、创意和图像。但随机也带来一本正经的错误，算术、事实和高风险问题不能只依赖生成模型。因此 ChatGPT 的价值不是“所有问题都比搜索好”，而是改变一部分用户提出问题和组织信息的方式。
她由此对 killing app 提出更严格的定义：不能只有很多人使用，还要产生新的商业行为。AI 时代的杀手级应用不一定是一个完全独立的新入口，也可能是已有的大 App 被 AI 彻底增强。这样一来，AI 更可能强化既有巨头，而不是自动产生一个新的平台巨头。
八、教育与人的变化：未来稀缺的不是记忆，而是想法和驾驭能力
梦秋认为，AI 最大的挑战之一是教育系统。计算器出现后，四则运算速度不再等于数学能力；搜索引擎出现后，死记硬背大量事实也不再是唯一价值；生成式 AI 出现后，写不出文字、画不出图的人也可以先生成一个版本。真正有价值的人，需要知道想做什么、如何判断第一次输出哪里不对、怎样调整方向。
她因此区分“有想法的艺术家”和“只按甲方要求照猫画虎的画工”：前者仍需提出问题、定义风格和判断结果，后者的部分工作更容易被生成工具吸收。她甚至提出极端的长期猜想：最后可能只有少数人真正驾驭 AI。但这个说法更像教育焦虑的警报，而不是可验证的人口比例预测。
九、SaaS 为什么在中国难：不是产品不行，而是“土地不平整”
当主持人问企业服务和创业机会时，梦秋用“土地不平整”解释中国 SaaS 的困难。许多企业完成了流程化，却没有完成数据化；数据不完整、不一致、权限混乱，SaaS 和 AI 就难以真正接入。客户因而觉得软件不好用，实际上可能是企业自身没有准备好可被软件处理的数据。
这与美国企业不同：许多美国新公司从第一天就数字化，数据和系统较为完整，SaaS 更容易获得付费和扩展。于是 AI 应用的需求很大，并不意味着所有 2B 公司会快速商业化；客户准备程度、部署周期和付费意愿会决定落地速度。投资人看到的是一个长期机会，但不能把技术 demo 直接换算成收入。
十、创业机会在哪里：避开通用模型覆盖区，寻找私有数据与深行业反馈
梦秋不看好仅仅调用 API、做轻度微调、然后把普通文字能力包装成行业产品的项目。Jasper 的经历是她的反例：它曾经是 OpenAI 的早期合作伙伴，专做营销文案，效果很好；ChatGPT 出来后，中小客户的许多需求可以直接被通用模型覆盖，原来的垂直价值迅速受到冲击。
她并不是说垂直模型没有机会，而是要求垂直领域足够特殊：数据必须难以从公开网络获得，行业 know-how 要足够深，反馈循环要能持续。例如医疗病例可能具有私密性，医疗机构、医生和数据治理形成的协作网络也更难复制；材料科技、生物科技和 AI for Science 可能有类似特征。模型“大”不一定指参数多，也可以指它从底层数据和专业知识开始构建；参数规模应与数据量和下游任务匹配。
她承认自己很难凭空列出所有机会，因为真正的机会需要项目、数据和反馈循环出现后才能判断。就 2023 年当时的中国市场而言，大家更多还在一窝蜂做通用大模型，真正具备私有数据、深行业 know-how 和持续反馈的项目并不多。
十一、为什么大家要组局：人才密度、资金和三年以上的时间
大模型创业明显组局，梦秋认为有四个原因。第一，人才密度要求高，团队人数未必多，但每个人都要有非常强的研究、架构或工程背景。第二，资金门槛高：节目中她引用一年烧五千万到一亿美元的传言，说明训练一次模型本身就很昂贵，算法和架构好坏会直接改变成本。
第三，商业化落地慢，不能以为别人今年跑出来，自己明年就能复制；创业者要按三年以上来准备。第四，工作本来就需要多人协作：有人负责算法，有人负责模型结构，有人负责把模型部署到大量 GPU，有人负责工程和实际交付。单个明星研究者无法替代整个系统。
这也解释了为什么投资人都在看却不一定出手：钱少的早期基金投基础模型没有意义，钱多的基金又很难判断谁能在长期竞争中胜出。梦秋说她很容易划掉“不该投”的项目，但还没有答案告诉自己什么一定应该投。
十二、巨头、百度与未来格局：大模型更像云，但比云难得多
梦秋倾向认为大模型仍然是大厂的菜。她看好百度，不是因为它已经证明超过 OpenAI，而是因为搜索、技术积累、入口、数据和应用场景与大模型天然相关；如果不犯重大错误，百度有机会成为中国较好的模型之一，并围绕搜索和云服务建立生态。
她也不认为中国只需要一个模型。中国市场足够大，内容平台、云服务和其他巨头都会需要模型；未来可能至少有两三家，甚至像云一样成为大厂的标准配置。但模型比云更难：云主要是愿意投入钱和工程就能做成基础服务，大模型即使花钱也不保证能力能出来。它会重塑所有行业的工作流程、人才模型和效率模型，却未必立即重置 TMT 现有巨头格局。
十三、最后的谨慎乐观：涌现让人意外，Prompt Engineering 只是过渡
节目后段讨论“涌现”。梦秋认为，模型突然出现预期之外的能力确实令人意外，但并非完全不可理解：神经网络、深度学习和强化学习本来就在尝试模拟大脑，模型又吸收了互联网上大量人类知识，因此可能组合出训练者没有逐项设计的能力。她也保留了一个反向解释：模型的逻辑能力可能部分来自大量代码数据，而代码是人类逻辑的高度形式化表达。
她认为 Prompt Engineering 很像早期搜索引擎的查询技巧。搜索引擎不够好用时，人必须学习怎样组合关键词；模型变强后，普通人不必专门学习提示词，直接用自然语言表达目的即可。因此 Prompt Engineering 可能是技术尚未足够好用时的中间形态，不是永远稳定的职业壁垒。
节目结尾她仍然没有宣布哪个项目已经是答案。她看好插件、生态和现有产品被 AI 增强的方向，也认为 OpenAI 早期通过 Jasper 等合作伙伴获取反馈的做法值得观察；但 C 端是否出现新的独立 killing app，她仍回答“不知道”。这句“不知道”是全期最重要的水温计：价值方向明确，投资对象却没有明确。
结构化提炼：真实水温是“注意力很热，下注仍冷”
梦秋的核心判断不是“AI 没机会”，而是把市场温度拆成四层：用户注意力已经被 ChatGPT 点燃；技术长期价值得到承认；基金正在密集学习和看项目；但能证明客户付费、数据反馈和商业模式的项目仍然稀缺。因此最接近真实水温的描述是：关注度极热，资本部署谨慎，商业结论尚未形成。
可投资性
长期价值不等于今天可投；基金要看到独有数据、明确客户、持续反馈和成本可承受。
可持续性
应用若只是通用 API 的薄包装，会被基础模型吸收；真正机会在模型覆盖不到的深行业闭环。
问题与背景：为什么投资人不能只追逐模型能力
当底层能力在几周内快速迭代，投资人面对的是一个典型的错配：技术信息更新速度快于财务报表，用户兴奋度快于付费验证，估值上涨快于商业模式形成。梦秋的工作不是判断“AI 有不有价值”，而是判断某个团队是否能在基础模型持续变化时保住客户、数据和反馈。
因此她一直把技术与商业分开看：一个模型可能真的有认知能力，仍然不知道谁会付费；一个应用可能用户很多，仍然缺乏定价权；一个行业数据很深，仍然可能因为数据治理、销售周期和责任问题无法落地。真实水温必须同时读取这几张表。
机制解释：一个 AI 项目从能力到投资，需要通过五道门
| 门 | 要回答的问题 | 节目中的对应例子 | 常见误判 |
|---|---|---|---|
| 用户门 | 普通人是否能感知并重复使用？ | ChatGPT 的多轮对话、Midjourney 的图像。 | 把开发者 demo 当成大众产品。 |
| 技术门 | 能力是否来自可持续的反馈和数据？ | 模型规模、涌现、底层论文与数据。 | 把模型名字或 API 调用当作技术壁垒。 |
| 场景门 | 客户数据、流程和责任是否准备好？ | 中国 SaaS “土地不平整”、医疗私有数据。 | 认为所有企业都能马上接入 AI。 |
| 商业门 | 用户增长是否产生新的付费行为？ | 搜索与生成式 AI 的互补、killing app。 | 把 DAU、估值或新闻数量当作收入。 |
| 资本门 | 项目能否撑过模型和商业化的长周期？ | 人才密度、GPU 费用、三年以上准备。 | 用早期互联网的小额创业成本套前沿模型。 |
梦秋的投资谨慎不是对技术悲观，而是因为前四道门的通过时间不同：用户可能今天就兴奋，客户数据要数年治理，商业模式可能仍然未知，资本却要在下一轮融资前决定是否继续。只要把这些时间尺度混在一起，市场就会同时出现狂热估值和谨慎出手。
证据审计：哪些是观察，哪些是预测
| 主张 | 节目中的依据 | 证据等级 | 限制 |
|---|---|---|---|
| ChatGPT 是面向普通用户的 iPhone 时刻 | 梦秋比较 ChatGPT、GPT-3.5、iPhone 和既有 building blocks。 | 产品观察/嘉宾分析 | “时刻”是类比，不等于用户规模或收入证明。 |
| 投资人积极看但谨慎出手 | 梦秋描述新能源、消费、AI 项目的看法与清流资本的策略。 | 投资人当时的市场观察 | 不是全市场统计，基金之间差异很大。 |
| 中国 SaaS 困难来自数据和流程不平整 | 她用客户数字化程度和付费能力解释落地慢。 | 行业经验假说 | 需要客户分层、合同、续费和实施数据验证。 |
| 简单垂直应用容易被通用模型吸收 | Jasper 与 ChatGPT 的对比。 | 案例式判断 | 不同垂直行业的数据私密性、责任和反馈深度不同。 |
| 大模型创业需要高人才密度、资金和三年以上周期 | 训练成本、GPU、工程分工和商业化周期的口述。 | 嘉宾估算 | 模型目标和技术效率会改变成本，不能直接当预算。 |
| Prompt Engineering 会成为中间形态 | 与早期搜索引擎查询技巧类比。 | 产品预测 | 模型能力、工具链和企业流程可能让提示设计长期保留。 |
术语解释：第一次听到时需要知道什么
| 术语 | 通俗解释 | 本期作用 |
|---|---|---|
| Foundation Model | 可以被多个下游任务和产品调用的基础模型，不为一个单一应用定制。 | 区分底层模型与应用层产品。 |
| AGI | 人工通用智能；节目里主要指能跨任务理解、规划和行动的系统。 | OpenAI、DeepMind 与未来能力的参照点。 |
| 涌现 | 模型规模或训练条件变化后，出现没有被逐项设计的能力。 | 解释为什么能力曲线不一定线性。 |
| killing app | 既有大量用户，又会产生新商业行为的关键应用。 | 梦秋用它检验 AI 是否真正进入大众市场。 |
| 土地不平整 | 企业流程、数据和系统还没有准备好，软件难以直接接入。 | 解释中国 SaaS 不是单纯产品质量问题。 |
| Prompt Engineering | 通过设计输入指令来提高模型输出质量。 | 被类比为早期搜索引擎的查询技巧，可能随模型进步而变化。 |
边界与风险：本期不能替代什么
不要把“谨慎”误读成“没有机会”
梦秋明确承认 AI 是长期价值方向，只是截至节目时点还没有足够清晰的投资对象。她对百度、垂直数据、插件生态和行业模型的判断，都是当时的观察或预测，不能直接当作后来实际格局。
新能源、消费、二级市场估值、SaaS 数据化程度、AI 融资数量和大模型成本都需要具体数据才能验证。节目没有展示基金项目库、投资回报、客户续费、模型调用成本或统一样本，所以“市场真实水温”只能理解为一位投资人的现场切片。
关于 Mira Murati、OpenAI 内部发布决策、微软投资结构、DeepMind 组织与百度能力的说法，本文保留为节目中嘉宾转述或分析。关于未来只有 10% 人类驾驭 AI、模型会不会出现独立入口等内容，属于强预测，不能与已观察事实混写。
独立判断：投资温度取决于“反馈是否可归属”，不是新闻数量
我的判断是，梦秋这期最有价值的区分是把“AI 热度”拆成注意力、技术价值、投资动作和商业回报四个变量。新闻数量和朋友圈兴奋度只测到注意力；论文和产品演示测到能力；基金出手测到风险偏好；客户续费、毛利和数据反馈才测到可持续价值。四者在早期必然不同步。
Insight：AI 项目的核心资产不是“用了哪个模型”，而是“谁能持续拥有改进信号”
一个项目若只有公开文本、一般写作需求和第三方 API，基础模型升级就可能吞掉它；一个项目若掌握私有数据、专业流程、错误反馈和用户关系，模型越强反而越可能增强它。投资人真正要问的不是“模型能不能做”，而是“模型做错以后，谁能知道错在哪里、谁能修正、修正是否会沉淀为下一次优势”。
这也给“土地不平整”一个更精确的含义：数据化不是把表格搬到云上，而是让业务事实、权限、评价和结果能够被机器连续读取。没有这种连续反馈，AI 只能做一次性建议，不能成为生产系统；有了反馈，较小的行业模型也可能比通用模型更有价值。
可证伪条件
- 如果简单 API 包装的应用能在通用模型快速升级后仍持续提高留存、毛利和客户数据壁垒，Jasper 式风险就不是普遍规律。
- 如果企业在没有完成流程和数据治理的情况下仍能低成本获得稳定 AI 收益，“土地不平整”就需要收窄为部分行业问题。
- 如果一个独立 C 端产品同时获得大规模使用、稳定付费和持续反馈，梦秋对“AI 主要强化既有巨头”的判断就会被削弱。
- 如果基础模型训练成本和周期因算法、硬件或开源协作大幅下降，节目关于高资金门槛的强版本就需要更新。
证据边界与资料索引
本文以 #21 完整公开音频、公开章节和节目简介为主，按张小珺与梦秋的回访顺序重建。梦秋的教育/职业背景、清流资本、百度经历、OpenAI 观察、投资水温、SaaS、Jasper、百度和大模型创业门槛，先作为节目口述与嘉宾分析处理；本文对“注意力热、资本谨慎、反馈稀缺”的抽象和独立 insight 是分析，不是梦秋的逐字结论。
节目中部分模型名、英文术语和人名由连续转写后结合标题、章节和语境校正；市场数字与未来判断固定在 2023 年节目语境，平台页面和行业事实可能随时间变化。