思维模型辞典 · Mental Models
收录访谈中值得做成卡片的命名框架与启发式——单一出处亦可入册（主题漏斗会杀死单例洞见，这本辞典正为它们而设）。同一模型在多篇访谈出现时合并为一条、多源并列；只收有清晰机制或可操作检验的模型，泛泛建议不录。
更新日志
- 2026-08-04 — 增量 +58 条（来自 59 篇 07-13..08-04 新访谈），另 10 组并入既有条目（杠铃策略、评估即PRD、ACI、智能计量表、AI 妈妈测试等），新增 2 条逐字引用（DHH 成品软件、Dianne Penn token 心法）。主题集中在 token 经济与算力价值链（代币流、一个Token就是一个Token、芯片专用化轮回）、agent 时代的组织度量（打席数、Token时间机器、自进化技能）、机器人与仿真（实-仿-实、舰队学习、双脑架构）、以及开源与监管博弈（禁开源即禁数学、预防原则陷阱、Stuxnet式潜伏行为）。
- 2026-07-16 — 增量 +28 条（来自 14 篇 06-22..07-01 新访谈：Fiona Fung、Gabe Pereyra、Jack Altman、Mark Chen、Engram、设计与AI、Josh Elman、Noam Brown、Radical AI、Kevin Weil、Scott Wu、Benchmark、Luma、Founders Fund）。主题集中在评估与基准的经济学（对抗分离、坏均衡、法律单元测试）、记忆与权重内化、模型路由与成本意识、AI 时代创意工艺与 slop、以及软件经济学的重写。
- 2026-07-02 — 首次全库构建：从 /lens 全量提取的 555 条 mental-model 候选中，合并跨访谈重复（48 条并入 38 组）、过编辑闸门后收录 347 条，按六个主题域归档，11 条附逐字引用；覆盖全部 283 篇访谈（2025-04 至 2026-06 入库）。
建司与战略
定位、护城河、定价与转型——判断一家公司该把力气往哪使的思考工具。
千件小事护城河 · Thousand-Small-Things Moat
AI 应用的护城河不是当初预期的数据资产，而是 UX、产品广度等数千个小细节的累积，加上几个月内成为类别代名词的先发地位。 — Jacob Effron, Scott Raney, Patrick Chase, Alex Bard (Redpoint) · 访谈
模型变好测试 · Better-Models Test
评估 AI 产品或公司的一票否决问题：基础模型变得更好，你的业务是变好还是变坏？变坏者是在与模型进步赛跑，注定艰难；变好者（如 Mercor、Figma）才值得投入。Josh Woodward 的版本更细：核心价值主张必须与「更智能、更便宜、更快」三条曲线全部对齐，任何一条不受益就该质疑产品的存在理由。 — Victor Lazarte (Benchmark) · 访谈；Josh Woodward (Google Labs) · 访谈；Dylan Field · 访谈；Dylan Field (Figma) · 访谈
后备箱套利 · Trunk Arbitrage
构建当前模型十次只成一次、你需要九次才成立的用例并存放在'后备箱'——新模型发布当天它突然可用时，你就是第一个进入市场的人；支架是能力普及前几个月的套利。 — Michelle Pokrass (OpenAI) · 访谈
评估先行的模型切换力 · Eval-Ready Switching
最成功的初创公司=深懂自己用例+有好评估+新模型发布后一小时内跑完评估并能快速调整提示和支架——这是在三个月保质期世界里的生存方式。 — Michelle Pokrass (OpenAI) · 访谈
高融资低消耗 · Raise High, Spend Slow
逆共识估值策略：尽可能以最高估值融足够多的钱，然后抵制花钱冲动——错误不是估值太高而是融得不够。 — Immad Akhund (Mercury) · 访谈
AI 搜索仍是搜索 · AI Search Is Still Search
AI 搜索底层仍是传统文本搜索算法+索引，传统 SEO 排名依然有效；新增的层是「链接背后的内容被消费」——清晰结构化 HTML、事实、FAQ 决定被引用与否。Ethan Smith 的推论：AEO 的优化对象不是基础模型而是 LLM 的检索汇总层，头部靠被引用次数赢，尾部比搜索时代更长。 — Robert McCloy (Scrunch AI) · 访谈；Ethan Smith · 访谈
瑞士奶酪知识市场 · Swiss Cheese Content Market
把人类知识总和想成一块瑞士奶酪：AI 公司最缺的是「洞」（知识缺口）；理想市场应按谁填了洞付钱给创作者，而不是按谁刺激了最多皮质醇（rage-bait） — Matthew Prince · 访谈
无稀缺不市场 · No Market Without Scarcity
要有经济必先有市场，要有市场必先有稀缺——内容创作者第一步是夺回控制权制造稀缺（默认屏蔽爬虫），然后才有谈判桌：人类免费、机器人付费。 — Matthew Prince · 访谈
谢林点构建 · Schelling Point Building
每个创始人都该问'我如何建一个谢林点'——让人才、资本、客户、知识自发聚集的聚点（YC Demo Day 即是），聚点一旦成立就自我强化。 — Garry Tan · 访谈
注意力替代 · Attention Substitution
世界把 ChatGPT 看作 Google 替代品，Meta 内部却把它看作 Facebook 替代品——聊天机器人真正争夺的是社交注意力，这解释了竞争格局。 — Sam Altman · 访谈
商业模式恐慌 · Business Model Terror
适应性地形里公司必须先从已优化的山峰爬下来才能攀上新峰——那段主动下坡的失重感就是'商业模式恐慌'，也是转型的必经之路。 — Peter Fenton · 访谈
2022 审计 · The 2022 Audit
定期自问'我们今天做的哪些事 2022 年也在做'——技术剧变下，凡是三年前的工作流大概率已经失效，逐项检视是否还有意义。 — Andrew Ng · 访谈
三段式抵抗 · Ignore→Argue→Name-call
既得秩序对任何新技术的反应三阶段：先忽视、再理性反驳、最后扣帽子谩骂——可用来定位一项技术当前处于哪个社会接受阶段。 — Marc Andreessen · 访谈
创始人即客户 · Founder as the Customer
VC 是为创始人造产品的公司，LP 只是投资这个产品的投资人——服务从创业那天延伸到创始人成为慈善家；这颠倒了传统 VC 的客户定义。 — Ben Horowitz · 访谈
卖一美元收 75 美分 · Selling Dollars for 75 Cents
补贴推理成本换增长的经典机制：增长可以很快但不可持续——判断 AI 应用公司健康度先看它是否在做这件事。Lin Qiao 的加强版：AI 时代 PMF 与可持续生意首次脱钩，推理成本不优化就向全客户群铺开 AI 功能，公司会字面意义上「规模化进破产」（scaling to bankruptcy）。 — Jon Noronha · 访谈；Lin Qiao · 访谈
做收购方，别做被收购方 · Acquirer, not Acquiree
永远不能把'会被收购'当作可下注的退出策略；经验上公司作为收购方远比作为被收购方成功——这也筛选出为使命而非回报创业的创始人。 — Danny Rimer · 访谈
AI 解决冷启动、不解决留存 · Bootstrap ≠ Retention
模型能力自带获客魔力（解决 bootstrap 问题），但留存仍要靠传统软件护城河：双边市场、长尾集成、工作流——评估 AI 应用时把两件事分开看。 — Martin Casado & Sarah Wang · 访谈
软件式发布 · Ship models like software
把模型发布从'硬件式大版本'改成'软件式高频迭代'，能降低单次发布的风险并提高经验主义反馈密度——适用于任何高风险产品的发布节奏设计。 — Mark Chen & Nick Turley · 访谈
取代'不去看医生' · Displace non-consumption
AI医疗建议取代的不是医生而是'不去看医生'这个选项——评估AI冲击时应先问它替代的是现有供给还是零消费。 — Mark Chen & Nick Turley · 访谈
技术≠创业公司 · A technology is not a startup
'以为一项酷技术就能成就一家初创公司，这几乎从来不是真的'——先建良好战略位置上的持久业务，为未来模型能力而非当前功能构建。 — Sam Altman & Kevin Weil · 访谈
稀缺反转 · When AI is abundant, humans are premium
AI泛滥后溢价资产反转为人类的精力、真实连接、策展和信任——数字分身做漏斗顶部过滤，真人接触成为最贵的稀缺品。 — Dara Ladjevardian · 访谈
可离开的网络 · Exit rights as forcing function
让作者能导出邮件列表随时离开，反而强迫平台持续创造'你可以走但不想走'的网络价值——把退出权做成自我约束机制是最硬的护城河检验。 — Chris Best · 访谈
神谕启发式 · The oracle heuristic
别猜模型哪个细项何时变好——假设一个神谕告诉你'模型每年在所有维度上约好10倍'，然后只回答'那我该在何时造什么产品'；这是不确定性下的最优决策框架。 — Sam Altman & Vinod Khosla · 访谈
拟物→原生 · Skeuomorphic-to-native phases
每种新技术先经历模仿旧媒介的'拟物阶段'（AI现在只是自动化人类已有流程），再进入创造前所未有媒介的'原生阶段'——真正的变革性应用要等原生阶段。 — Chris Dixon · 访谈
外部化网络效应 · Externalized network effects
互联网建成后，产品的网络效应可能存在于产品之外——YouTube教程、搜索排名、社区攻略构成邻接网络驱动增长；'网络本身外部化了，经验反而可能是阻碍'。 — Chris Dixon · 访谈
商业本体论 · Ontology of Commerce
把购买分成冲动型/中间地带/重度研究型：冲动购买AI插不进手，超贵商品缺联盟营销渠道，AI代理真正能颠覆的是中间的研究比价地带。 — Alex Rampell & Justine Moore · 访谈
Costco防AI测试 · AI-proof Costco Test
靠会员费而非毛利赚钱、拒卖劣质商品的商业模式对AI购物代理免疫——当互联网大部分是SEO垃圾时，信任与策展本身就是护城河。 — Alex Rampell & Justine Moore · 访谈
TAM=人类残余优势 · Human-Edge TAM
人类数据市场的总规模由'人类仍比模型强的事情'的数量决定——每当模型追平一档，就往任务里加更多工具和更长时程，能出题的人群重新扩大，市场重新打开。Osvald Nitski 补充价格维度：数据价值在能力前沿最高，开源只抬高底线、让已商品化任务停止买数据，而每个新前沿都重新创造数据需求。 — Brendan Foody · 访谈；Osvald Nitski (Mercor CPO) · 访谈
富人预览定律 · Rich-Person Preview
很多技术的本质是看社会上最富的人在享受什么（专属礼宾、私人助理），然后把它做到人人可得——AI礼宾就是这条路径的下一站。 — Jesse Zhang · 访谈
按对话定价 · Per-Conversation Pricing
AI 客服没有「席位」概念：按对话数定价对齐客户本来就有的 cost-per-contact 心智；按通话分钟计费会激励代理拖长通话，是定价设计的反面教材。一般化：为 AI 定价时，选买方心智里已存在的产出单位。 — Jesse Zhang (Decagon) · 访谈
弹性需求判据 · Elastic-Demand Test
选领域看需求弹性：生产力提高10倍后需求跟着涨的领域（软件——可以多造100倍功能）安全且爆发，需求封顶的领域（会计）危险。 — Brendan Foody · 访谈
意外好卖信号 · Surprisingly-Easy-to-Sell PMF
PMF的真正信号是找到'出乎意料容易卖进去'并能共同成长的客户，而非说服难说服的人；配套动作是盯快速变化市场的领先指标而非存量格局。 — Brendan Foody · 访谈
主题权威 · Topical Authority
在特定主题上'不成比例地知名'能让小站点战胜整体域名权威更高的对手——既抗算法波动又能立刻提升排名，是SEO最重要又最不被理解的一层。 — Ethan Smith · 访谈
无解问题=好生意 · Unsolvable-Problem Moat
如果你的安全公司能立刻完美解决问题，你就没有生意——客户买的是对未来持续对抗的信任，永久升级战才是可持续商业模式。 — James Cadwallader & Martin Rehak · 访谈
吃下小市场的100% · Own 100% of a Tiny Market
'万亿市场里抢几个点'是VC都懂却常犯的根本谬误——应像早期NVIDIA/TPU那样在市场长大前独占一个微小行业；市场已达万亿时你不该以startup身份出现。 — Jensen Huang · 访谈
60% 毛利起步 · Start-at-60 Test
有人提案说新业务能做到 40% 毛利时，回答『从 60% 开始』——毛利率是你究竟增加了多少价值的试金石，不是财务细节。 — Jason Droege · 访谈
10-80% 准确率甜蜜区 · Accuracy Sweet Spot
AI 系统在人类初始准确率 10-80% 的流程里最有效；已经 98% 准确的流程很难再被 AI 改进——选自动化标的的筛选器。 — Jason Droege · 访谈
快建无护城河定律 · Fast-build/Low-switching
你不可能『快速』建成一个高切换成本的业务——两者逻辑上互斥；今天的低切换成本与未来是否有护城河是两个不同问题。 — Mike Cannon-Brookes · 访谈
AI 扩张论 · AI-is-expansionary
AI 不是替代搜索而是扩张提问总量：基础查询需求不变，被解锁的好奇心带来增量问题——把『替代 vs 扩张』作为评估 AI 冲击存量业务的第一问。 — Robby Stein · 访谈
查询扇出 · Query Fan-out
AI Mode 把 Google 搜索当工具，在后台追加数十条查询再合成回答——GEO/AEO 优化的机理基础：每条子查询仍在匹配网页。 — Robby Stein · 访谈
破窗先修 · Broken-window-not-heater
房间冷别先买暖气，先查是不是窗户破了：用 AI 100% 透视联络数据找到引发客服量的根因（流程断裂、网站更新吓到用户），先消灭不该发生的对话，再谈自动化。 — Ping Wu & Doug Leone · 访谈
大厂灵魂剥离定律 · Big-tech soul-stripping
大公司的组织结构会系统性去除产品的'灵魂'，因此凡是灵魂必需的品类（陪伴、性、争议性体验）以及受益于多模型接入的产品，大厂结构性做不了。 — Kevin Rose & Anish Acharya · 访谈
成本是硅谷的秘密 · Cost is the secret of Silicon Valley
价格不是优势、成本才是：根本性成本优势给你选择玩法的自由度（同价高毛利或低价夺份额）——不懈降本是硅谷成功被低估的最大成分。 — Roelof Botha · 访谈
初创形状的洞 · Startup-shaped hole
每个企业流程里都有一个'本该存在却不存在的烦人系统'留下的初创公司形状的洞——企业自建失败越多、洞越多。 — Garry Tan & Lightcone hosts (YC) · 访谈
最恨任务筛选法 · 'What do you hate most' agent test
找内部agent用例就去问同事'你最恨工作里哪件事'：乏味重复、又需要一点文本判断、没有agent根本无法自动化的任务是最佳靶点（线索资格审查、滥用分析） — Malte Ubl (Vercel CTO) · 访谈
10倍员工晴雨表 · 10x Employee Barometer
衡量企业AI价值的标准不是裁掉多少人，而是大多数员工能否用AI完成10倍工作量——人机能力互补，直接替换不现实。 — Joelle Pineau (Cohere Chief Scientist) · 访谈
融资即输入 · Fundraising-as-Input
把融资当结果是完全错的——它只是构建产品体验的输入，融完应立刻把时间还给客户。 — Brendan Foody · 访谈
错误成本定价 · Cost-of-Mistake Scaling
摄取层的重要性与客户犯错的代价成正比——错误成本越高的行业（金融/法律/保险），准确率溢价越值钱。 — Adit Abraham · 访谈
爱好者付费测试 · Enthusiast-Revenue Test
若用户说不出真实痛点、只愿因'有趣'付小钱，说明不是产品团队的刚需——这是转型信号而非早期 PMF。 — Adit Abraham · 访谈
有意义地更好 · Meaningfully-Better Test
转型评估不问'市场够大吗'（既有支出已证明），只问'能否为客户做到有意义地更好'——答案为是就停止张望。 — Adit Abraham · 访谈
内部团队才是对手 · In-House Team as Competitor
卖给大企业时真正的竞品是掌握数据分布的内部文档处理团队；赢法是证明'我们能让你的团队更快去做别的事'。 — Adit Abraham & Ronak (Reducto) · 访谈
国防不是梦幻之地 · Not the Field of Dreams
在国防领域'建好了他们也不会来'：就算你造出永动机，政府也会招标让洛克希德用 1000 亿美元从白皮书重造——懂采购流程比产品更决定生死。 — Trae Stephens (Founders Fund / Anduril) · 访谈
无关紧要金发姑娘区 · Goldilocks Zone of Irrelevance
最防御的位置是'重要到被使用、不重要到没人想换'（如payroll）——换掉你的成本和精力配不上边际收益，平台方也懒得来抢。 — 未署名嘉宾（AI 护城河圆桌） · 访谈
对手成就行业 · Rivalry Makes the Industry
一个行业只有出现宿敌对决时才真正成为行业：Kalshi–Polymarket 的互撕把双方的营销、产品和监管突破都推到独自达不到的高度。 — Tarek Mansour (Kalshi) · 访谈
新闻报道现在，预测市场报道接下来 · Markets as Future-tense News
新闻覆盖正在发生的事，预测市场把新闻延伸到即将发生的事——这是与 CNN/CNBC 共生而非竞争的逻辑。 — Tarek Mansour (Kalshi) · 访谈
赌注分级 · Bet-Sizing Ladder
先下小注学习约束在哪（如Starlink早期），约束解除时加到中注，单位经济成立后才放大到大注——资本配置的三级火箭。 — Shaun Maguire · 访谈
结合受体论 · Binding-Receptor Theory of PMF
像药物与受体：市场对你产品的'受体'存在或不存在，命运早已注定——创业是做实验找对药，而不是营销说服身体长出受体。 — Matt MacInnis · 访谈
与企业版GPT的Delta · Delta-over-Base-Model
应用层的生存线不是模型商杀进垂直，而是你的产品与一份企业GPT许可之间必须保持巨大Delta，否则产品价值随模型进步自动缩水。 — Winston Weinberg · 访谈
围墙花园数据护城河 · Walled-Garden Data Moat
在token原料日益商品化的世界，独占稀缺数据源（独家医学期刊、买断法律记录、老咨询合同）并交付成品，是AI时代最可复制的防御蓝图。 — a16z 合伙人（未具名） · 访谈
瓶颈优先 · Bottleneck-First Building
Elon 建公司的方法论：先集中解决根本瓶颈（可复用火箭），瓶颈一旦松动再问'这个东西能拿来干什么'（Starlink、太空数据中心）——顺序不能反。 — Shaun Maguire · 访谈
为六个月后的模型构建 · Build for the Model Ahead
把产品建在当前模型能力的边缘甚至略微跑不通的地方，忍受前几个月的难受，等下一代模型发布时产品立刻「咬合」起飞——Cursor 直到 Claude 3.5 Sonnet 才兑现愿景，Claude Code 从第一天就按未来模型设计。Kavak 的极端版：为几代之后的「ChatGPT7」设计，因为模型进步速度一定快于你的工程速度；Mike Krieger 观察到最佳客户都建立了「每次新模型发布就重跑评估」的可重复流程。 — Boris Cherny (Anthropic Claude Code 负责人) · 访谈；Mike Krieger (Anthropic CPO) · 访谈；Sholto Douglas (Anthropic) · 访谈；Carlos García Ottati (Kavak) · 访谈
"We bet on building for the model six months from now, not for the model of today. It's going to be uncomfortable because your product market fit won't be very good for the first six months, but when that model comes out, you're just going to hit the ground running and the product is going to click and start to work."「我们赌的是为六个月后的模型构建，而不是今天的模型。前六个月会很难受，因为 PMF 不会太好；但那个模型一发布，你立刻全速起跑，产品会突然咬合、开始起飞。」Boris Cherny (Anthropic Claude Code 负责人) · Head of Claude Code: What happens after coding is solved |…
对标人力定价 · Price Against Labor, Pay Token Costs
Agent lab 按人类工时/劳动价值定价，而模型按 token 商品价计成本——token 智能价格持续下跌、人力成本持续上涨，剪刀差天然扩张利润率。 — Martin Casado & Sarah Wang (a16z) · 访谈
12个月价值窗口 · The 12-Month Peak-Value Window
公司往往只有约12个月处于史上最值钱状态、随后坠落；应预先在董事会日程里排上退出讨论，把卖不卖变成非情绪化决策——AI时代把十年的替代周期压缩到一两年，更需如此。 — Elad Gil & Sarah Guo · 访谈
捆绑即防御 · Bundles as Defense
抵御AI颠覆的最好办法是做多产品捆绑、嵌入客户工作流的多个环节成为默认——捆绑常被视为进攻武器，其实防御价值更大。 — Elad Gil & Sarah Guo · 访谈
战略税 · Strategy Tax
平台大转移时，在位者'利用既有资产'的每个聪明决定都在稀释纯粹价值主张——当技术浪潮大于品类，昔日优势变成锚；上市公司还无法承受收入先跌后升的转型曲线。 — Bret Taylor (Sierra) · 访谈
不提模型测试 · The No-Model-Mention Test
应用AI的定义：能否不提模型/token 就讲清你的价值主张？必须谈 token 利用率的，多半是工具而非AI应用——一并推导出按业务结果收费。 — Bret Taylor (Sierra) · 访谈
估值即期望 · Valuations Are Expectations
对创业者而言估值不是荣誉是期望值：定得越高，达标压力越大——主动把估值控制在'正确区间'是一种经营纪律。 — Naveen Rao & Konstantine Buhler · 访谈
PLG强制律 · If It Can Be PLG, It Must Be
企业产品只要可能走产品驱动增长就必须走，否则一家PLG竞争者一定会吃掉你的午餐——渠道选择不是偏好而是生存约束。 — Deedy Das · 访谈
中局思维 · The Mid-Game
董事会都爱直接跳到终局（end state），但说清终局容易、走通从今天到终局的路径极难——创始人的真正工作是在两个世界之间连点。 — Alfred Lin (Sequoia) · 访谈
智能无价 · No Price on Intelligence
只要'更聪明=赚更多钱'成立，企业就会持续买入所有AI工具——工具消费不是零和；在蛙跳期的正确策略是'全都用'，等尘埃落定。 — Alfred Lin (Sequoia) · 访谈
生产力原子单位是流程不是人 · Process, Not Person
AI替代的对象是端到端流程而非某个人；公司'按组织架构图出货'、没人对流程负责，所以吸收不了AI红利——重组要围绕工作流而非部门。 — Bret Taylor · 访谈
结果定价=CPC时刻 · Outcome Pricing as CPC Moment
按结果付费（解决一单收一单钱）之于按用量/席位付费，等于当年CPC广告之于展示广告——利益对齐的定价才有颠覆力。 — Bret Taylor · 访谈
先问付多少钱 · WTP-First Ideation
构思阶段直接问潜在客户：'做出来你付多少钱？谁审批？ROI怎么向上汇报？'——比问'你想要什么'信号强一个量级的系统化PMF方法。 — Jesse Zhang · 访谈
从两端蚕食光谱 · Eat the Spectrum From Both Ends
AI用例先落在劳动光谱两个极端：增强最贵的人才（编码/工程师）或替代最可替代的劳动（客服/外包）——中间地带最后被吃。 — Jesse Zhang · 访谈
越企业化软件层越厚 · Thicker Enterprise Layer
对抗基础模型实验室下场的判据：实验室会先吃自包含的消费级应用，企业级所需的框架/监控/实验层越厚越安全。 — Jesse Zhang (Decagon) · 访谈
盖茨平台测试 · Gates Platform Test
只有当平台参与者获得的价值大于平台自身创造的价值时才算平台——Dreamer 生态（工具作者按用量分成）的设计第一原则。Dylan Field 引 Tim O'Reilly 的同构表述：生态之上创造的一切 GDP 必须大于平台自身收入（create more value than you capture）——也是 AI 侵蚀信任的时代里重建品牌信任的准则。 — David Singleton (Dreamer, ex-Stripe CTO) · 访谈；Dylan Field (Figma) · 访谈
IPO 折价即营销 · Price the Pop
主动折价上市制造上涨动能，让新投资者和员工都赢——用稀释换势能是上市公司能做的最好营销。 — Steve Huffman (Reddit CEO) · 访谈
社区免疫系统 · Community Immune System
对 AI 垃圾内容不靠禁令靠免疫：社区下投票+群嘲低质 AIGC，平台只需确保『有人坐在座位上』对内容和意图负责。 — Steve Huffman (Reddit CEO) · 访谈
护城河随范式重置 · Moat Regime Shift
每次范式转变的极限处，下一个时代有一套完全不同的护城河体系（CIO 锁定→自下而上易用性→AI 时代的分销与留存）；最脆弱的公司是用昨天的护城河打今天的仗。 — Alfred Lin (Sequoia) · 访谈
落石与涟漪 · Rock and Ripples
模型能力像投入池塘的巨石：别站在落点下（会淹死），要站在涟漪最外缘——能力刚解锁的、具体的、有观点的、历史上服务不足的难题。 — Brad Lightcap (OpenAI) · 访谈
角落问题时代终结 · Custom Software for the 99%
过去为企业某个角落问题定制软件在经济上不成立（太贵+要维护），99% 企业的 99% 问题因此无解；代码成本趋零后这个时代结束——前沿部署工程+PE 打法由此而来。 — Brad Lightcap (OpenAI) · 访谈
硬件先做高端 · Premium-First Hardware
持久的硬件生意要从高溢价、高毛利、服务狂热早期用户的产品做起再下探大众市场，不能从低毛利大众产品倒推。 — Evan Spiegel (Snap) · 访谈
AI自解药原则 · AI-as-its-own-Antidote
每当担忧AI的某个危害时，同步问『如何用AI解决这个危害』——如用AI检测清除AI生成的有害内容。 — Evan Spiegel · 访谈
构想成为瓶颈 · Ideation Becomes the Bottleneck
AI 把软件执行成本压到近零后，竞争优势从执行力转向构想力与用户洞察——瓶颈搬家了，组织该把人力堆到发明侧。Sam Altman 称之为「点子大王的复仇」：创始人的稀缺要素从技术能力换成深度用户洞察，投资与招聘的筛选标准随之反转。 — Evan Spiegel · 访谈；Sam Altman · 访谈
肉体API · Fleshy API
品牌的新职责：充当现实世界与互联网之间的『肉体API』——必须告诉模型它尚不知道的原创信息，否则对agent不可读(legible)就不存在。 — James Cadwallader (Profound) · 访谈
模型口味论 · Model Palates
把各家模型当成数据口味不同的物种：Gemini偏食YouTube、ChatGPT吃Reddit(C端)/LinkedIn(B端)、Claude靠预训练知识——按口味投喂决定曝光。 — James Cadwallader (Profound) · 访谈
智能计量表 · Intelligence Meter
把AI实验室定位为Stripe式低毛利、高流量的公用事业——卖'智能电表'与客户经济成功对齐，是判断实验室是否会蚕食应用层的框架。2026 年的自我表述更直白：OpenAI 的核心业务是「把电转化为有用的智能」，让智能像电力一样渗透整个经济——做基础平台而非吃掉每个垂直应用。 — Sam Altman · 访谈；Sam Altman · 访谈
服务最先流血的人 · Serve the First-to-Bleed
在创新速度碾压一切的市场，先服务最先遇到问题的客户（AI实验室），就能提前6-24个月看到通用市场的需求。 — Dan Lahav · 访谈
信号编码位置决定护城河 · Signal-in-Workflow Moat
用户信号若编码进模型（实验室可复制）业务就危险，编码进工作流才是护城河——判断AI应用防御性的一句话测试。 — Tuhin Srivastava · 访谈
GPU不粘、软件层粘 · Sticky Inference Layer
GPU即服务毫无粘性，带软件层（可靠性/延迟/多云failover）的推理极粘——AI infra公司价值全在软件抽象层。 — Tuhin Srivastava · 访谈
酿啤酒vs造桥 · Brewing Beer vs Bridge Engineering
经典软件像造桥（可设计即可造），LLM产品像酿酒（无法命令酵母出什么味）——必须从客户优先转向技术优先、把最好的人扔进技术里做实验。 — Ivan Zhao · 访谈
浅应用自建、深应用购买 · Shallow vs Deep Build-or-Buy
表面积大但需大量定制的「浅」系统（HR、payroll 内部工具）该用 AI 自建，隐藏巨量复杂度的「深」系统才值得买——vibe-coding 时代的 build-or-buy 判据。 — Jacob Lauritzen (Legora CTO) · 访谈
代币计费即计时收费 · Token Billing as the Billable Hour
计时收费的真正价值是让全行业对无法量化的复杂工作达成定价共识，并靠同业竞争抑制激励错位——token 计费将复刻这套机制的全部复杂性（逐项审计、优化生态）与自我纠偏（模型商互相压价）；企业收到千万美元级 agent 账单之日，就是 token 审计/基准生态诞生之时。 — Gabe Pereyra (Harvey 联合创始人) · 访谈
快即是真 · When It Works, It Works Fast
转型评判标准：有 PMF 的东西通常很快就有市场拉力；若发现自己在不断堆功能试图「修复」兴趣缺乏，那就是没有 PMF 的信号——该转型而不是再加一个功能。 — Jack Altman (Alt Capital 创始人, Lattice 前CEO) · 访谈
无条款书即非抢投 · No Term Sheet, No Preemption
融资防坑启发式：投资人说「我们很兴奋、来聊聊」但没给 term sheet，就不算被 preempt——桌上没有真实条款清单前别把自己当被抢投对象，坚持宽漏斗+压缩时间线的标准流程。 — Jack Altman (Alt Capital 创始人, Lattice 前CEO) · 访谈
一次性软件经济学 · Single-Use Software Economics
今天软件只有被用上百万次才划算（工程师太贵），agent 把编写成本压到近零后「只用一次的软件」变得可行——大量白领手工劳动会被现写现抛的代码吃掉。 — Scott Wu (Cognition 创始人/CEO) · 访谈
争论边际成本归零 · Zero Marginal Cost of Arguing
「靠拖延让对手放弃」是一整类商业模式的隐性支柱（保险拒赔、理赔拉锯、官僚流程）；当 AI 能以零边际成本永续申诉、且每次都附上完整证据与叙述（整套 x 光片＋陈述），这一策略即告瓦解。评估一个行业被 agent 冲击的深度，先问它的利润有多少建立在「争论对人类而言太贵」之上。 — Steijn Pelle & Frederik Branken (Lassie) · 访谈
泄露引爆 Deal Mode · Leak-to-Deal-Mode
大公司 corp dev 平时冰川般慢，但「标的在售」的泄闻能让它们几天内切换进 deal mode、给出纸面还价——战略性泄露因此是加速 M&A 谈判、制造竞价杠杆的常规武器（OpenRouter 泄闻即例）。读到「某公司在售」的新闻时应反向解码：这往往不是事故而是谈判动作。 — Jason Lemkin & Rory O'Driscoll · 访谈
效率时代→产能时代 · Efficiency Era → Capacity Era
AI 的真正解锁不是把现有事情做快（效率），而是产能扩张：当「单次使用软件」「自动驾驶软件」可按需生成，约束从执行力搬到想象力，问题从「如何更快」变成「你想创造什么」。给 AI 项目分类的第一刀：压缩现有流程的是效率项目，创造原本不存在产出的才是产能项目。 — Scott Wu (Cognition) · 访谈
易腐的浮点数袋 · Perishable Bag of Floats
自训基础模型＝用巨额资本开支换一袋高度易腐的浮点数——模型贬值速度远快于任何折旧表。绝大多数公司应「滑流」（slipstream）跟在实验室巨额投资身后，在开放权重模型上做专有微调：掌控命运，但别给自己讲「必须往栈下走」的故事。 — Clay Bavor (Sierra) · 访谈
运营依赖 · Operational Dependence
用第三方前沿模型的 agent 跑核心业务，等于把机构知识的复利存进别人的账户——企业真正怕的已不是数据隐私，而是运营命运外移。分析企业 AI 采购时，把「数据在哪」这个旧问题换成「学习效应沉淀在谁的资产负债表上」。 — Arvind Jain (Glean) · 访谈
消费定价破捆绑 · Consumption Breaks Bundling
席位捆绑的锁定力来自预付与统一采购；按实际工作单元付费的消费定价使巨头「全家桶」失效——用户可以逐任务选最好的工具，best-of-breed 重新获得空间。与「捆绑即防御」互为对冲：定价模式决定捆绑护城河还剩多少。 — Arvind Jain (Glean) · 访谈
吃下痛苦、排出产品 · Eat Pain, Excrete Product
FDE（前沿部署工程）的存在意义是把单客户定制的痛苦转化为核心产品功能，让后续十个提同样需求的客户免费获得——做不到这一步就只是美化的咨询公司。检验一家 FDE 型公司：定制工作有多大比例在几个月内变成了产品。 — Jesse Zhang & Ashwin Sreenivas (Decagon) · 访谈
玻璃箱 vs 黑箱 · Glass Box vs Black Box
企业 AI 能否规模化的分水岭：把平台开放给客户的非技术团队自主查看、迭代业务逻辑（玻璃箱），还是事事经供应商工程师之手（黑箱）。玻璃箱把持续调优的边际成本转移给最懂业务的人；黑箱让供应商成为自己增长的瓶颈。 — Jesse Zhang & Ashwin Sreenivas (Decagon) · 访谈
原子计算机 · Atoms-Based Computer
把物理产业当计算机架构优化：制造=CPU（操纵原子）、地产=存储（存放原子）、物流=网络总线（移动原子）——抽象成立后甚至可以直接移植算法（如用 TCP 锯齿拥塞控制调物流吞吐）。在「实体经济数字化」里寻找已被计算机科学解过的同构问题。 — Travis Kalanick · 访谈
比特之战 vs 原子之战 · War for Bits vs War for Atoms
公司分两类：争夺注意力（比特）与争夺物理世界（原子）。再聪明的个人助理若不能在现实世界办成事就无用——因此把「原子端」做到最强（城市级商品/车位/物流目录）的公司，会成为智能公司的必然伙伴而非被颠覆对象。 — Tony Xu (DoorDash) · 访谈
给浪潮命名 · Name the Wave
类别创建不是无中生有，而是把市场上已经在发生的行为命名并圈起来（如「GTM 工程师」），再赋权代理商与从业者去传播，让类别长得比自己公司更大。判据：好的类别名会让从业者拿它自我介绍——他们在替你营销。 — Kareem Amin (Clay) · 访谈
客户痴迷是输出不是输入 · Obsession as Output
别衡量输入指标——像篮球教练不喊「出汗」只喊「得分」；目标是产品好到客户反过来对你痴迷。Factory 为守住这条原则曾在产品不达标时主动退还合同收入：把「客户痴迷」当成必须达到的输出约束，而不是团队自我感动的输入姿态。 — Matan Grinberg (Factory) · 访谈
最后一款药 · Last-in-Class
制药的传统竞争是 first-in-class / best-in-class；计算设计打开第三种策略：直接设计针对某疾病的「最终答案」分子——极致特异、剔除已知负相互作用，让后面没人需要再做一款。通用化：当设计成本坍缩，竞争目标可以从「更早/更好」升级为「终结这个品类」。 — Josh & Matt (Chai Discovery) · 访谈
产品与设计
关于做什么、怎么做好、以及如何知道做好了的产品直觉。
意图优先界面 · Intent-over-Apps
用户不该负责编排打开哪个 App，只表达意图（'给我放这首歌'），AI 按质量/延迟选最佳服务——今天从头设计绝不会做出以App为中心的世界。 — Andrew Bosworth (Meta) · 访谈
神奇时刻=自定义模型 · Magic-Needs-Custom-Models
最反直觉的教训：起初完全没打算自训模型，如今 Cursor 每个神奇时刻背后都有自定义模型——部署在前沿模型的输入端和输出端，专攻速度/成本敏感任务（如多文件自动补全） — Michael Truell (Anysphere/Cursor) · 访谈
观点≠想法 · Opinions Aren't Ideas
杀死大多数创意的不是批评而是急于发表意见的人——意见是廉价的站队，想法是脆弱的、需要保护的新事物；开创意会议时先分清两者。 — Jony Ive · 访谈
"You know what kills most ideas, I think, people desperate to express an opinion. And it's really, let's be very clear, opinions aren't ideas."「你知道杀死大多数想法的是什么吗——急于发表意见的人。而且让我们说清楚：意见不是想法。」Jony Ive · A conversation with Jony Ive
可测量属性的谎言 · The Measurability Lie
团队只讨论进度、成本、速度、重量这些好量化的属性，久而久之暗示'这就是全部重要的东西'——这是一个隐性谎言，会系统性挤掉喜悦感等不可测但同等重要的价值。 — Jony Ive · 访谈
降低门槛，提高上限 · Lower the Floor, Raise the Ceiling
构建 AI 产品的双向检验：同一产品既要让小白更容易上手（门槛），又要让专业人士产出更高质量结果（上限）——只做一头都不够。 — Josh Woodward (Google Labs) · 访谈
AI 产品效用三元组 · The AI Utility Equation
AI 产品效用 = 模型智能 × 上下文/记忆 × 应用/UI，三者缺一不可——MCP 就是专门解决中间那项（上下文/记忆）的赌注。 — Mike Krieger (Anthropic CPO) · 访谈
设计租户 vs 设计原则 · Tenets over Principles
'简单、清晰、美观'式原则无人反对因此无法辅助决策；租户是像'纸还是塑料'那样一劳永逸解决组织内反复争论的决策工具——找出团队总在重演的辩论，把它裁决成租户。 — Bob Baxley · 访谈
原始印记 · The Primal Mark
画布上的第一笔会锚定之后的一切——所以尽可能晚地画图（含 AI 原型）：一旦有了看起来真实的东西，所有人都会被它吸走，脆弱的更好想法就死了。 — Bob Baxley · 访谈
动机占九成 · Motivation Is the Product
学习（和健身）最难的不是方法而是动机：争论椭圆机还是跑步机毫无意义，「你去做」占 90%——所以为普通人而非学习狂设计，宁可牺牲教学效率换参与度。北极星是同时达到辅导老师的效果和 Candy Crush 的吸引力：导师学习效果最好但无聊到没人坐得住，两者缺一即输。 — Luis von Ahn · 访谈
截图测试 · Screenshot Test
好的产品故事应当一张无标题截图（最多一个GIF）就能自我解释价值；如果需要教程引导才能讲清为什么更好，说明设计还没推到位。 — Yuhki Yamashita (Figma CPO) · 访谈
用户破解信号 · Watch the Hacks
观察用户如何'破解'你的产品来做它本不支持的事（如在设计画布里做幻灯片），这是最真实的未满足需求信号，比功能请求可靠得多。 — Yuhki Yamashita (Figma CPO) · 访谈
受众为一的内容 · Audience-of-One
NotebookLM 的核心假设：机会在为一个人（最多一小群人）生成并适配的个人内容，而非面向所有人的内容——'适应你、适合你'。 — Thomas Iljic, Jacqueline Konzelmann, Simon Tokumine (Google Labs) · 访谈
打磨v1消除归因歧义 · Polished V1 Disambiguation
粗糙 MVP 失败时你无法区分'想法错了'还是'产品太烂'；宁可砍功能到只剩最关键项、缩小首发人群，也绝不在质量/UX/美学上妥协——用'哇'产品消除这种不确定性。 — Dmitry Zlokazov (Revolut Head of Product) · 访谈
熟悉+转折公式 · Familiar IP with a Twist
病毒式 AI 内容的配方：借用已有认知关联的熟悉元素（IP/角色），叠加意想不到的转折——同时击中大脑的熟悉区和新奇区。 — Olivia Moore & Justine Moore (a16z) · 访谈
延迟预算锚定人时 · Latency Anchored to Human Task Time
用户能忍多久的等待，锚定在这任务人类要干多久：分析师要 10 小时的活，用户愿意在产品里等 5 分钟——延迟容忍度是相对值不是绝对值。 — Isa Fulford & Christina Kim · 访谈
延迟即参与度 · Latency is engagement
客户A/B测试证明图像生成变慢直接减少用户参与和生成量——生成媒体的延迟经济学等同电商的页面加载时间，快不是体验加分而是收入变量。 — Gorkem & Batuhan (Fal) · 访谈
父母测试 · Parent Test
消费级AI产品可用性的标尺：如果我父母能用起来才算够好——Nano Banana 用香蕉emoji入口、预填prompt等'展示而非讲述'手段逼近它，但还没到。 — Oliver Wang & Nicole Brichtova · 访谈
缩域取胜 · Narrow-the-Domain First
Midjourney早期领先的秘密：先通过后训练把生成域收窄到'永远好看'的风格化图像，窄域内反而生成得更好——先赢小分布再扩展的产品策略。 — Oliver Wang & Nicole Brichtova · 访谈
数据诊断，设计治疗 · Diagnose with Data, Treat with Design
数据只负责告诉你哪里有问题和机会，不负责给出方案；解法仍需创造性过程——一句话划清数据派与直觉派的分工，也点破数字的'虚假精确性'。 — Julie Zhuo · 访谈
最近发展区80-85%带 · ZPD 80-85% Band
把学习者正确率钉在80-85%（掉到66%以下即失去参与度）——AI导师能为每个孩子无限生成该区间的内容并随时回滚补脚手架，这是课堂老师做不到的。 — Joe Liemandt · 访谈
愉悦等级矩阵 · Delight Grade (50-40-10)
按'情感×功能'把功能分为表面愉悦（只情感）、低度愉悦（只功能）、深度愉悦（两者兼备），健康配比约50%纯功能/40%深度/10%表面——防止团队只造'彩纸屑功能'。 — Nesrine Changuel · 访谈
不存在的内容 · Content-that-never-existed
NotebookLM 的核心发现：用户不是在替代存量内容，而是在创造原本不存在也不可能被制作的内容（用简历、百页 slide 生成播客）——判断 AI 内容产品威胁面的透镜。 — Raiza Martin · 访谈
聊天框是DOS时代 · Chatbots as DOS Era
当前聊天机器人=AI界面的Microsoft DOS，在等Windows/macOS时刻；'神一样的技术却在传文本提示词'说明界面而非模型是瓶颈。 — Eugenia Kuyda (Replika/Wabi) · 访谈
阻碍项vs差异项 · Blockers vs Differentiators
路线图一分为二：按序清除阻止采用的blockers，同时一次只做一个'改变世界状态'的differentiator。 — Dylan Field (Figma) · 访谈
涌现式简单 · Emergent Simplicity
简单≠极简主义：核心概念和架构极简，靠组合与分层相乘涌现复杂性，而产品默认态永远保持简单。 — Ryo Lu · 访谈
效用 S 曲线 · Utility S-Curve
投入-价值呈 S 形：过魔法阈值前几乎无价值、过后暴涨、再往后递减——用它判断某功能该继续加码还是已在递减区。 — Stewart Butterfield · 访谈
产品承担提取责任 · Onus-on-Product
好的AI产品应主动从用户身上提取上下文和意图，而不是让用户预先做完所有说明工作——上下文感知是下一代产品的分水岭。 — Sarah Guo & Elad Gil · 访谈
情商即记忆 · EQ as Memory
高EQ的本质是倾听与记住：你说'今天很糟'而模型10轮后忘了，就是冷漠——上下文窗口和记忆是'温暖'的工程学基础。 — Christina Kim & Laurentia Romaniuk · 访谈
质量期望同速律 · Quality Expectation Parity
无论生成工具让资产创建变得多便宜，消费者的质量期望都以完全相同的速度上升——成本下降不降低竞争烈度。 — Dave Baszucki (Roblox) · 访谈
免费也不够便宜 · Free Isn't Cheap Enough
当产品未越过质量阈值时，降价（甚至免费）毫无意义——采纳瓶颈是体验不是价格；判断硬件品类何时起飞时先问质量再问成本。 — Palmer Luckey · 访谈
别写备忘录，构建所有候选 · Build All Candidates
执行成本趋零后，产品决策从写规划 memo 变为把所有候选方案快速做出来再挑最好的——Cowork 就是从一年半的原型堆里拼出来的。 — Felix Rieseberg (Anthropic) · 访谈
消费关系而非内容 · Consuming the Relationship
普通人的 AIGC 对陌生人无意义、对朋友有独特价值——99% 创作者内容的分发正解是熟人社交关系，不是算法推荐。 — 张阳 (Wanaka) · 访谈
博物馆 vs 酒吧 · Museum vs Bar
Instagram 是博物馆（内容永久、精心策展、永远反映自我），Snapchat 是拥挤的酒吧（内容乱飞、松弛、好玩）——酒吧模式反而攫取远多得多的注意力。 — Ben Gilbert & David Rosenthal (Acquired hosts) · 访谈
"Snapchat's like a crowded bar. There's content flying everywhere."「Snapchat 就像一间拥挤的酒吧，内容满天飞。」Ben Gilbert & David Rosenthal (Acquired hosts) · Episode 12: Snapchat
人类改变速率天花板 · Human-Adaptation Rate Limit
科技产品的增长上限不是发明质量，而是用户愿意改变行为的速度——评估新品类采用时先估人类适应速率。 — Evan Spiegel · 访谈
打开即相机 · Open-to-Camera Design
App打开进相机而非feed：先看别人内容会引发自我比较、扼杀表达欲；先给创作入口是降低创造门槛的结构性设计。 — Evan Spiegel · 访谈
11星体验练习 · 11-Star Experience
把体验推到荒谬的11星再反向推导：8星无法规模化但6星可以，5星与6星之差就是你与对手之差。 — Brian Chesky · 访谈
"And that difference between the five and six stars is probably a difference between you and a competitor."「而五星与六星之间的那点差别，很可能就是你和竞争对手之间的差别。」Brian Chesky · [Brian Chesky - AI Founder Mode - [Invest Like the Best, EP.470]](../interviews/Brian%20Chesky%20-%20AI%20Founder%20Mode%20-%20%5BInvest%20Like%20the%20%2035dea6160e7181ef83b3c80670c75c8e.md)
三代法则 · Three Generations Rule
没人第一次就做对：第一代让产品能用，第二代按真实用户反馈修产品，第三代修商业（利润率、量产、可靠性）——据此规划迭代耐心与资本，只有停下才算失败。 — Tony Fadell · 访谈
有根据的直觉 · Informed Gut
1.0 新品类产品没有数据类比，硬做数据驱动决策只会得到垃圾数据；必须由「品味决定者」做基于观点的决策（iPhone 虚拟键盘最终靠乔布斯拍板而非数据）。 — Tony Fadell · 访谈
坏与可惜 · Bad vs Sad
把质量问题二分为 bad（不可恢复，如崩溃丢工作）与 sad（可恢复的摩擦，如闪烁），各团队自主定义各自阈值，且 sad 叠加多了会变成 bad——比原始性能仪表盘更能回答「这个数字到底好不好」。 — Fiona Fung (Anthropic Claude Code & Cowork 负责人) · 访谈
Slop 是移动靶 · Slop Is a Moving Target
禁掉紫色渐变，模型只会滑到潜在空间的下一个吸引子（米色背景、Instrument Serif），大家采用后它又成为新 slop——对策不是过滤器，而是持续更新的「反吸引子」加随机种子，把输出推进潜在空间的独特区域。 — Paul Bakaus (Impeccable 创始人/CEO) · 访谈
花时间 vs 省时间 · Spend Time, Not Save Time
评估消费 AI 的「原罪」是假设用户想省时间——普通消费者面对空白光标不知所措，最好的产品主动推送、激发探索，把「花时间」本身变得有价值。 — Josh Elman (a16z) · 访谈
给一股得一股 · Give-a-Share Lottery Referral
把推荐奖励从固定现金改成 $2–$100 的股票彩票：变动奖励制造炫耀性口碑，低价档保留「拥有感」，获客成本不随竞价通胀——优于 Airbnb/Uber 式固定 give-10-get-10。 — Josh Elman (a16z, ex-Robinhood) · 访谈
数据轶事冲突=双峰信号 · Bimodal Signal
当聚合指标与用户轶事指向相反方向，几乎总是因为存在双峰分布而数据只给了你平均值——永远别忽视轶事，应重新切分数据找出两个截然不同的群体，并追问数字上涨是新奇效应、困惑还是真实留存。 — Kevin Weil (OpenAI) · 访谈
工作室测试 · The Studio Test
判断 AI 创意工具是否够格的试金石：专业工作室绝不会接「给我做一段狗在草地上跳的 10 秒视频」这种模糊订单，一定会反问细化——AI 代理也该在执行前请求澄清，而不是单向接受提示后开盲盒。 — Matt Tancik (Luma 应用研究负责人) · 访谈
决定性时刻的迁移 · The Decisive Moment Extended
摄影的创意重心正从布列松式的「捕捉瞬间」迁移到拍摄后阶段：生成式 AI 让人既能对原始瞬间保持真实，又能在后期操控光线、构图、去除干扰物——决定性时刻不再是创作的终点而是起点。 — Zach Xia (Phota Labs 联合创始人/CTO) · 访谈
并行工程 · Concurrent Engineering
借自 SpaceX 材料 VP Charles Kuhlman：不从既有材料目录里选，而是在设计火箭/涡轮/芯片的同时发明满足其性能规格的新材料，设计与材料来回迭代——今天飞机上的合金还是 1950-70 年代的，正因缺这个。 — Joseph Krause (Radical AI CEO) · 访谈
资源诅咒造 Blob · Resource Curse Blob
无限时间、金钱、AI agent 必然造出臃肿的「blob」；约束才是蒸馏产品的机制。AI 把实现功能的成本压到近零，反而放大了这个诅咒——功能廉价时代，刻意保留的约束（人手、范围、截止日）成了产品品味的最后防线。 — DHH (37signals) · 访谈
成品软件 · Finished Software
软件应学刀具和电影：出厂即完成，好的东西要敢放着不动——持续改版对存量用户是税不是礼物（Basecamp 2004 版停售 16 年仍在产生数百万美元利润）。评估路线图时先问：这是在完成产品，还是在打扰一个已经完成的产品？ — DHH (37signals) · 访谈
"I'm just not in the market for a better product. I'm in the market for the product I already bought. I don't want something different."「我就不是在买一个更好的产品，我买的是我已经买过的那个产品。我不想要不一样的东西。」
新乐器催生新艺术 · New Instruments, New Art Forms
萨克斯、电吉他、鼓机每一次出现都先被斥为垃圾、后催生全新艺术形式——AI 生成工具是乐器而非艺术的稀释剂。判断创作工具的历史位置时，把「它让现有艺术变廉价」的批评当作新艺术形式尚未出现的信号，而非终审判决。 — Ben Horowitz · 访谈
手风琴模型 · Play the Accordion
产品领导的节奏是反复「拉伸」（放大、定宏观战略）与「压缩」（收窄、去发布测试学习），不能只押路线图或只押迭代——价值只在压缩时产生，方向只在拉伸时校正，两个动作必须交替循环。诊断团队困境先判断卡在哪一端：只拉不压是 PPT 工厂，只压不拉是无头苍蝇。 — Tom Verrilli (Whatnot CPO) · 访谈
红绿预演 · If-Green-If-Red Test
提实验前先自问「绿了怎么办、红了怎么办」——若两个答案都不改变你的策略，说明脑力功课没做完，这个实验不该跑；再推演「用量若是预期 1000 倍会怎样」等连锁效应，在动笔写码前预演失败。把实验从「求安慰」拉回「买信息」。 — Tom Verrilli (Whatnot CPO) · 访谈
真假趋势测试 · Real vs Fake Trend Test
真趋势是用户每天围绕它设计生活的持久行为（如 ChatGPT 日用数小时），假趋势是炒作后上架吃灰（如 VR 头显）。Ruby Thelot 给出配套的证伪测试「风衣里的三个 TikTok」：所谓现象是真实社会趋势，还是三条视频被算法反馈环和记者放大后伪装成的趋势？一正一反，用来过滤时代噪音。 — Sam Altman · 访谈；Ruby Thelot · 访谈
三足圆舞曲 · Three-Legged Waltz
创作者同时被三方「捕获」：人类受众、算法守门人、以及现在的 AI agent——内容形态是三方约束的收敛解（MrBeast 式高对比大字封面即是）。分析内容生态时别只问「观众要什么」，要问三个主人各要什么、冲突处谁赢。 — Ruby Thelot · 访谈
投资与判断
识人、识市场、识周期——下注前后的思维模具。
垂直AI三问 · Three-Question Vertical Filter
评估垂直 AI SaaS 只问三件事：1)有无有意义的市场切入点 2)能否在初胜基础上扩张成大公司 3)该市场质量有多重要——质量不关键的市场会被价格战侵蚀。 — Jacob Effron, Scott Raney, Patrick Chase, Alex Bard (Redpoint) · 访谈
空闲时间探针 · Spare-Time Probe
了解创始人性格与职业道德的最佳单一问题：你如何度过空闲时间——它暴露真实的痴迷所在（Pedro 钻技术、Brendan 研究企业） — Victor Lazarte (Benchmark) · 访谈
沉默创始人信号 · Silent Founder Signal
最好的天使投资是那些忙到从不联系你的创始人——如果最好的项目都不理你，'增值投资人'的自我定位就该放下。 — Immad Akhund (Mercury) · 访谈
种子期毛利率谬误 · Gross Margin Fallacy at Seed
早期优化毛利率是初创公司最不该做的事——Revolut 早期是负毛利（白送外汇）还最具争议，却可能成 Index 最成功的投资；种子期看毛利率会系统性错过大赢家。 — Martin Mignot · 访谈
永不因价格弃单 · Never Lose a Deal on Price
早期阶段绝不因估值放弃交易——价格是心理陷阱，错过的成本远大于多付的溢价（但注意：过高估值+过多融资会在找到 PMF 前毁掉公司，那是另一回事） — Martin Mignot · 访谈
超能力匹配 · Superpower Matching
成功创始人必有某特质位居全球前 1-10 个基点（坚韧/自律/销售力等），且该超能力要与公司需求匹配才算 set up for success。 — Keith Rabois · 访谈
硬件先行定律 · Hardware Precedes Software
几乎按定义，每次软件革命之前必有硬件革命——没有承载它的硬件就没有新软件平台；判断下一个平台先看硬件，且硬件成功可沿供应链复利而软件成功更接近宏观条件下的必然。 — Shaun Maguire · 访谈
"...you can name any software revolution in history and it's preceded by a hardware revolution."「……你可以举出历史上任何一次软件革命，它之前必有一场硬件革命。」Shaun Maguire · Investing in Outliers | Shaun Maguire, Partner at Sequoia
风险傲慢评分 · Venture Arrogance Score
用'该基金每年须捕获全美风投总创造价值的百分之几才能达标'来给基金规模的激进程度打分——有的大基金需要连续三年拿走每年一半的行业价值。 — Josh Kopelman · 访谈
比赛录像 · 36-Question Game Tape
每位合伙人在讨论前独立填 36 问评分表，把决策根据留档成'比赛录像'，供多年后复盘学习——捕捉决策的根而非用算法投资。 — Josh Kopelman · 访谈
价外期权投资观 · Long-Dated OTM Calls
风投本质是买长期价外看涨期权：看似疯狂，但兑现时回报壮观——这一定价框架解释了为何要容忍高亏损率并死守早期。 — Marc Andreessen · 访谈
小N高参与 · Small-N High-Engagement
评估早期产品时，小用户群 + 极端参与度是未来成功的最强信号——比大样本浅使用可靠得多。 — Mamoon Hamid · 访谈
成功后果最大化 · Maximize Upside Consequences
多数人靠降低风险提高成功概率，他反其道：先问成功的后果够不够大、不在乎失败概率——傲慢(hubris)是伟大创业的必要成分。 — Vinod Khosla · 访谈
"Start with, I want high consequences of success; I don't care about the probability of failure."「一开始就要说：我要的是成功的后果足够大，我不在乎失败的概率。」Vinod Khosla · Vinod Khosla | Predicting the Future
经验即偏见 · Experience Is Bias
经验是一组防错偏见，恰恰在范式变化时让你犯错：40 年里没有一个大颠覆来自行业在位者，大多数专家只是「上一版世界的专家」，而不是你要创造的那个世界的。Marc Andreessen 的 VC 版本：最要警惕的是自己这个「训练有素的神经网络」——历史是坏向导，评估顾问、招聘与行业共识时都该默认打折。 — Vinod Khosla · 访谈；Vinod Khosla & Keith Rabois · 访谈；Marc Andreessen & Ben Horowitz · 访谈
非确定性计算 · Non-deterministic Computing
把 AI 重新定义为'非确定性计算'：所有确定性计算解决不了的问题现在都可争夺——一句话框定 AI 投资的机会集。 — Ben Horowitz · 访谈
不作为之罪 · Sins of Omission
风投的账本上，错过的代价远大于投错：投错亏一支支票，错过 Google 亏千亿机会成本——所以风险要向前倾，用「反烫炉灶」心态对抗坏经历导致的过度回避。Index 的制度化做法：让每个合伙人写一份「我们错过的十亿美元公司」验尸报告，教训是别在价格上耍聪明、别低估世代级创始人、别想太多。 — Shardul Shah · 访谈；Marc Andreessen · 访谈
妄想症状清单 · Delusion Symptoms
深度信念与妄想只隔一线，判据是行为：跳过细节、停止提问、对新信息感到意外就是妄想；每次加注都要重做全部功课、建立全新投资论证。 — Shardul Shah · 访谈
信念止于数据 · Conviction Until Data
拿到数据之前，信念是美德；数据出现后仍死抱信念就是错——逆向者也必须'展示你的工作'，这是迭代而非站队。 — Sam Altman · 访谈
市场定上限，创始人定结果 · Market sets the ceiling, founder sets the outcome
市场决定公司能做多大（天花板），创始人决定公司会做多大（实际值）——评估机会时把两个变量拆开，卓越创始人可以突破小市场。 — Pat Grady · 访谈
创始人向量 · Founder vector (magnitude × direction)
评估创始人看两件事：创始人-市场匹配（拆开问题变量和解法变量）+ 描述他的'向量'（能力的大小×动机的方向）——过去成就只是大小，方向决定能否穿越低谷。 — Pat Grady · 访谈
追AGI之后的事 · Invest in what comes after
'我会花0%时间投资下一个AI实验室，100%时间投资AGI存在之后才可能出现的东西'——资本总在追逐上一批赢家，而大回报来自新技术解锁的未证实事物。 — Sam Altman & Vinod Khosla · 访谈
投优势不投无短板 · Invest in Strength, Not Lack of Weakness
风投和招聘都应问'有没有世界级的长板'而不是'有没有明显缺点'——同理不要用一个人经历过的最糟的事评判他。 — Ben Horowitz · 访谈
律师治国 vs 工程师治国 · Lawyers vs Engineers
Dan Wang 的框架：律师关注过程，工程师关注结果——美国由程序/委员会逻辑主导，中国由「先建起来」的工程逻辑主导，解释两国在建设能力与权利保护上的系统性强弱分布。推论：硅谷公司做大后 MBA 化就是「律师化」，第一反应变成要求监管。 — Dan Wang & Steven Sinofsky · 访谈；Bill Gurley & Brad Gerstner · 访谈
无回报风险 · Return-free Risk
把国债的 risk-free return 倒过来形容风投：资金过剩使整个资产类别变成『承担风险却没有回报』——判断一个行业是否 overcapitalized 的思维模具。 — Roelof Botha · 访谈
Don Valentine 2x2
创始人按『卓越×好相处』分四象限，红杉的成功多来自『卓越但不好相处』象限——改变世界的人不接受『不』字。 — Roelof Botha · 访谈
"Don pulled me aside in the early days when I joined Sequoia and he said 2x2 matrix, people are exceptional, not exceptional, easy to get along with, not so easy to get along with. Roelof, we normally make money in one of those four quadrants. Your job is to figure out which one."「我刚加入红杉时 Don 把我拉到一边说：2x2 矩阵——人分卓越与不卓越、好相处与不太好相处。Roelof，我们通常只在其中一个象限赚钱，你的工作是想明白是哪一个。」Roelof Botha · Sequoia’s Roelof Botha: Why Venture Capital is Broken & How…
怪异即原语 · Weirdness becomes primitives
投消费创始人先看'怪'：今天看起来怪异的交互（Twitter单向关注、POKE让用户先说服AI才能付费）往往变成明天的基础原语。 — Kevin Rose & Anish Acharya · 访谈
双倍支票需双倍信念 · Double check, double conviction
估值翻倍意味着同样资金可开枪次数减半，所以写两倍大的支票必须有两倍的信念——对抗热市的量化纪律。 — Alfred Lin · 访谈
减震器与陪练 · Shock absorber & sparring partner
董事会角色随周期切换：公司低谷时当减震器（落井下石毫无意义，卷袖子收拾残局），顺境时当陪练用力挑战。 — Alfred Lin · 访谈
收入质量分类法 · Revenue quality taxonomy
把收入分级审视：试点收入、GMV冒充净收入、30%流失率的ARR、专业服务、一次性硬件——把试点月收入×12当ARR'是个创始人心知肚明的笑话'。 — Alfred Lin · 访谈
算力消费者受益于泡沫 · Compute consumers win bubbles
泡沫=算力过剩→价格下跌→消费算力者COGS降、毛利升；生产算力者则沦为商品生产者——一条决定AI投资站位的简单框架。 — David Cahn · 访谈
更懒更富定律 · Lazier and richer
Rampell把七宗罪简化为AI采用的真实驱动力：让人'更懒且更富'；个体户和小企业没有委托-代理问题所以采用最快——判断AI扩散顺序的透镜。 — Reid Hoffman & Alex Rampell · 访谈
上行更好下行更糟 · Asymmetric Surprise
科技趋势的结局通常比你想的更好（上行端）也比你想的更糟（下行端），两端都应押得比直觉更极端。 — Michael Barton (Coatue) · 访谈
定性先行定量验证 · Qualitative First
先从人/产品/客户建立假设再用数字确认；顺序反了，一旦错过一个季度信心就会崩盘，顺序对了你会去拆解原因。 — Vince Hankes (Thrive Capital) · 访谈
杠铃策略 · Barbell Investing
只做极早期（高持股卷袖子）与清晰平台期（大额集中），回避$500M-20亿的'突破期'中间地带——资本过剩且很多标的没有PMF。Matt Murphy 的 2026 版：Series A 是当下最差切入点——估值从 $50M 跳到 $200M 但信号几乎没增加；要么去种子期用可当场拍板的 $8M 支票换所有权，要么等赢家在增长期「加冕」后重仓，中间不站。 — Vince Hankes (Thrive Capital) · 访谈；Matt Murphy (Menlo) · 访谈
工作=任务束 · Job-as-Task-Bundle
任何工作归根结底是一组任务+完成任务所需技能；判断 AI 冲击时按任务被自动化的比例推演，而非按职位名。 — Ryan Roslansky · 访谈
停止研发即回本测试 · Stop-Training Profitability Test
判断 AI 是否泡沫的一个测试：若公司今天停止开发更大模型，现有推理利润能否快速偿还过去开发成本——目前答案是能，故无金融泡沫迹象。 — David Owen & Yafah Edelman (Epoch AI) · 访谈
客单价÷成交速度比 · Deal-Size-to-Sales-Velocity Ratio
企业软件最被低估的单一指标：能卖多大的单 ÷ 成交需要多久；通常大单慢、小单快，Wiz 同时做到大单+周级成交，即改变市场的信号。 — Philip Clark (Thrive Capital) · 访谈
最差 Beta、最好 Alpha · Worst Beta, Best Alpha
风险投资是所有资产类别中 beta 最差、alpha 最好的：指数回报平庸，但最好的公司给出任何股权工具中的最高回报——推导出极端集中策略。 — Philip Clark (Thrive Capital) · 访谈
模型破坏者 · Model Busters
市场系统性地错误定价持续 30%+ 的高增长，因为没有投资人敢建一个 20 年保持 15-20% 增速的财务模型（Google、Visa 都是这样被低估的） — David George (a16z Growth) · 访谈
感觉好坏×实际好坏 2×2 · Feels-good/Is-good Matrix
评估争议业务的矩阵：'感觉差但实际好'象限是责任型事业（国防、法治）如 Anduril；'感觉好但实际差'是赌博色情类享乐生意，只有政策能治理。 — Trae Stephens (Founders Fund / Anduril) · 访谈
IT支出→劳动力支出 · TAM Shift to Labor Spend
本轮产品周期的根本不同：软件自己能干活了，市场空间从 IT 预算扩展到劳动力预算——无限竞争与万亿机会同源。 — 未署名嘉宾（AI 护城河圆桌） · 访谈
信念>共识 · Conviction over Consensus
红杉十年内部投票数据：共识与否与投资结果无关，有没有人抱着强烈信念才有关——强烈的赞成+强烈的反对好过一片温和的同意。 — Pat Grady & Alfred Lin (Sequoia) · 访谈
初创行业 vs 在位者行业 · Startup-vs-Incumbent Industries
按市场结构、资本需求、供应链专长判断一个市场天然属于初创还是在位者（机器人像自动驾驶一样偏向在位者），再决定进入与投资策略。 — Sarah Guo & Elad Gil · 访谈
人造风险 vs 自然风险 · Artificial-vs-Natural Risk
赌博是创造人为风险再掷骰子；预测市场交易的是本已存在的自然风险并为其定价——区分投机与对冲的一刀。 — Tarek Mansour · 访谈；Tarek Mansour · 访谈
分歧定价原则 · Price Every Disagreement
任何存在定性意见分歧的事情都应有定量解决机制——把'市场'当作观点冲突的通用清算层，这是markets-in-everything的第一性原理。 — Tarek Mansour · 访谈
用 API 调用量测泡沫 · Measure Bubbles in API Calls
股价只反映投资者的恐惧与贪婪；判断 AI 是否泡沫要看底层需求（API 调用量）——正如互联网泡沫破裂时流量仍在涨。 — Sarah Friar & Vinod Khosla · 访谈
学习速度压力测试 · The Learning-Rate Stress Test
创始人最关键的属性是学习速度=接纳新想法×拒绝坏想法的能力；Khosla 会故意采取自己不信的立场来测试——'如果一个人总听我的，我几乎绝不投他'。 — Vinod Khosla & Keith Rabois · 访谈
90/10 价值分配律 · 90/10 Value Capture Rule
新技术市场里约 90% 的价值归终端客户、只有 10% 归服务商——评估 AI 商业模式时以此为起点假设，对「厂商能捕获大部分盈余」的故事保持怀疑；但只要你是那 10%，市值依然巨大。 — David George (a16z Growth) · 访谈；David George (a16z Growth) · 访谈
颠覆三要素 · Three Ingredients of Disruption
判断上市软件公司会否被AI颠覆看三点：UI/UX被彻底重构（替你做事而非替你记录）、全新的数据获取方式、颠覆席位定价的商业模式创新。 — David George (a16z Growth) · 访谈
分拣机 · The Sorting Machine
竞争性市场本质是台分拣机，把利润、资本、人才导向客户用钱包投票认定的高影响处——AI时代分拣速度和强度都在加剧，行业内部分化大于行业间。 — Patrick & John Collison (Stripe 年度信) · 访谈
美第奇而非达芬奇 · Medici not Da Vinci
VC不是创作者而是赞助人：工作是让被支持的'艺术家'（创始人）完成杰作——定位决定所有行为。 — Josh Kushner (Thrive Capital) · 访谈
LOCKS算法 · LOCKS
评估CEO的五要素：Lovable(激发追随)、Obsessed(痴迷问题)、Chip on shoulder(不服输)、Knowledgeable(懂领域)、Student(深度的'游戏学生')。 — Brian Halligan (HubSpot / Sequoia CEO coach) · 访谈
倍数-收入赛跑 · Multiple vs Revenue Growth
高增长期若估值倍数扩张快于收入增长就是长期危险信号——Klarna 456亿美元轮次的亲历教训。 — Sebastian Siemiatkowski (Klarna) · 访谈
惰性默认律 · Inertia Default
惰性是宇宙最强的力量——今天正在发生的一切默认会永远持续；预测变化前先给'不变'定价。 — Anish Acharya (a16z) · 访谈
没有暗GPU · No Dark GPUs
互联网时代铺了大量闲置'暗光纤'，而今天每块GPU一上线就被用掉——判断是否过度建设的试金石。 — David George (a16z Growth) · 访谈
创始人≠创业者 · Founders vs Entrepreneurs
热市场里founder数量几何级增长而真正entrepreneur数量恒定；后者有'狡黠与杠杆感'、被实质目标驱动，不寻求外部系统的认可。 — Benchmark 合伙人（Uncapped #41） · 访谈
估值泡沫≠系统性崩溃 · Bubble vs Systemic Collapse
讨论泡沫先拆两问：相对长期需求是否过度投资？有无经济储备阻断连锁瓦解？——短期高估可以被长期增长消化（dot-com估值最终被20年互联网增长证明） — Martin Casado (a16z) · 访谈
愚蠢≠无关紧要 · Silliness ≠ Insignificance
每次技术浪潮都始于看似琐碎的用例（剑桥咖啡壶摄像头→Netflix）；怀疑者的经典错误是把'傻'误判为'不重要'。 — Martin Casado (a16z) · 访谈
论点都是半谎言 · No Iconic Company From a Thesis
风投史上几乎没有标志性公司来自谁的预设论点（Khosla投OpenAI时没有'LLM聊天机器人论'）——真实的论点永远是'聪明人在做可能很值钱的事'。 — Deedy Das · 访谈
30-40年技术消化周期 · Tech-Diffusion Cycle
基础性技术跃迁遵循三四十年周期：头十年利益集中引发社会摩擦，随后二十年扩散普惠——据此判断当下AI焦虑所处阶段。 — Evan Spiegel · 访谈
成本加成停滞标记 · Cost-Plus Stagnation Marker
识别机会的筛选器：凡是成本加成模式的行业（航天/国防/基建/核能）必然停滞——零降本动力+几十层分包=僵化接口，正是垂直整合新玩家的切入点。 — Scott Nolan (General Matter) · 访谈
兔子洞测试 · Rabbit-Hole Test
评估创始人的方法：好创始人不满足于表面答案，而是愿意带投资人钻进领域的整个兔子洞。 — Scott Nolan (General Matter) · 访谈
短缺的卖方与买方 · Sellers vs Buyers of Shortage
受限环境下按'谁握产能'切市场：卖短缺者（电力/内存/半导体）价涨利扩被奖励，买短缺者（hyperscaler）因 capex 压缩现金流被惩罚；Google/Amazon 因自研芯片是罕见的混合体。 — Philippe Laffont (Coatue CIO) · 访谈
跟随吉瓦 · Follow the Gigawatt
投资框架从'跟随 GPU'升级为'吉瓦是 AI 增长的原子单位'：沿发电输入→缩短交付的技术→吉瓦买家→token 用户重新切分供应链，替代传统行业分类。 — Philippe Laffont (Coatue CIO) · 访谈
持久价值测试 · Durable Value Test
区分炒作与创新只问一句：这产品是否增加持久价值、让体验真正变好，还是同一件事的另一种做法？说不清就是炒作（AI 已过线、加密正在分化） — Jackie Reses (Lead Bank CEO) · 访谈
失业即工时减半重构 · 50% Unemployment Reframe
「AI 造成50%失业」听起来是灾难，「工作周减半」听起来是辉煌——而两者几乎是同一件事；分配与叙事框架决定政治感受，不是经济实质。 — Tyler Cowen & Alex Tabarrok · 访谈
AI 工厂 · AI Factory
数据中心不再是存储/检索中心，而是把能源与数据加工成「智能 token」的发电机式工厂——计算60年来第一次从检索范式转向生成范式，投资逻辑随之重写。 — Jensen Huang · 访谈
TAM 三桶分类 · Three-Bucket TAM
把 TAM 分为已知市场(取代在位者,如更好的牙刷)、新兴市场(利基主流化,如无醇啤酒)、隐形市场(创造全新市场,如2006年的智能手机)——三类的证据标准和陷阱完全不同,隐形市场是最大的陷阱也是最大的机会。 — Jahanvi Sardana (Index Ventures) · 访谈
解锁供应测试 · Supply-Unlock Test
给 marketplace 估 TAM 不看现有市场规模,看产品能否解锁新供给并预测随之而来的行为改变——Index 曾因低估 TAM 错过 Airbnb,而它创造的新库存超过了最大的连锁酒店。 — Jahanvi Sardana (Index Ventures) · 访谈
软件尝起来像鸡肉 · Software Tastes Like Chicken
引自 Vista 的 Robert Smith：所有软件公司的 P&L 长得一模一样，这正是软件资产可「电子表格化」的原因——AI 打破了这一点（Fireworks 与 Crusoe 表面同类实则资本密度、毛利结构完全不同），估值必须回到 P×Q×M 逐案分析。 — Ev Randle (Benchmark) · 访谈
替补跑者谬误 · The Pinch Runner Fallacy
芯片行业有几百家设计公司（擅长盗垒的替补跑者），却没人能「把球打出去」（尖端制造）——在只解决相对容易环节上堆再多创新，基础瓶颈不破一切归零；判断产业链健康度先找谁在击球。 — Trae Stephens (Founders Fund) · 访谈
楔子支票 · Wedge Checks
用 $100K-1M 的小额支票进入 50+ 家公司的 cap table（Menlo 的 Anthology 基金）：有了楔子，显著参与或领投下一轮的概率提高约 10 倍——小额支票买的不是回报而是优先权与信息流（OpenRouter、Axiom 皆由此毕业）。 — Matt Murphy (Menlo) · 访谈
重复博弈 vs 三人互宰 · Repeated-Game Supply Chain
玩家数量决定供应链的博弈性质：ASML→TSMC→Nvidia 各层近乎单一玩家，知道要打交道几十年，于是温和提价互相成就（重复博弈）；DRAM 三家（两韩＋Micron）视市场为零和，轮到谁有杠杆就狠宰对方。分析任何供应链的定价行为，先数每一层的玩家数。 — Jason Lemkin & Rory O'Driscoll · 访谈
一个 Token 就是一个 Token · A Token Is a Token
不管来自 90% 毛利的前沿模型还是免费开源模型，生产一个 token 消耗同样的 flops、内存与瓦特——开源抢份额只是把利润美元从模型层搬进基础设施层，不减算力总需求。用于拆解「开源冲击 AI capex」类论证：商业层的洗牌不改变物理层的需求曲线。 — Gavin Baker · 访谈
Claude 是股市的沃尔特·克朗凯特 · Market's Walter Cronkite
全市场把每条新闻喂进同一批模型、得到同质化的概率解读，观点多样性崩塌——按 Mauboussin 的泡沫理论，多样性崩塌正是市场失效的前提；结果是周期极限压缩（「六周走完三年的电容器周期」）。当所有人共享同一个解读器时，alpha 只剩下解读器之外的东西。 — Gavin Baker · 访谈
消灭而非自动化 · Obliterate, Don't Automate
风投级回报来自摧毁现有市场与商业模式的公司，而非把现有工作流做快一点的自动化生意——投「口袋里的医生」（Doctronic），不投理赔提效软件。筛选 AI 项目时问：这家公司成功后，原市场是变高效了还是不存在了？ — Mike Mignano (Lightspeed) · 访谈
十亿美元 PDF · The Billion-Dollar PDF
资本像十岁小孩踢球一样追着球跑，而「球」是那份在对的时机把一个观念写成时代基础文本的 PDF——设定叙事者可凭空形成数十亿美元的资本聚集，对错反而次要。识别市场叙事时先找当期的「基础文本」及其作者：那是资本流向的上游。 — Jeremy Giffon · 访谈
阶层臣服测试 · Class Subservience Test
想知道下一个「祭司阶层」是谁，看现在哪个阶层向谁低头：当亿万富翁投资人争抢坐在 Tyler Cowen 这类发布者旁边，说明亿万富翁阶层已臣服于发布者阶层。地位流向是权力转移的领先指标，比收入统计早一个周期。 — Jeremy Giffon · 访谈
代币流 · Token Flow
AI 时代企业价值捕获的新框架：要么造算力、要么供 token、要么用专有本体论/上下文层包装 token——不在 token 流中的企业保不住利润率。给任何公司估值前先画出它在 token 流里的位置；流外的高毛利是即将被重定价的高毛利。 — Tony Kim (BlackRock) · 访谈
芯片专用化轮回 · The ASIC Disruption Rhyme
牺牲通用灵活性换取单一任务极致效率的剧本每代重演：三十年前 Nvidia 靠游戏专用芯片颠覆通用 CPU 的 Intel，如今 Etched 用只做 LLM 乘法的 ASIC 以同一剧本挑战 Nvidia；Baseten 则观察到 GPU 自身也在事实上专用化——tensor core 与专用指令已针对当前大模型的 head 维度和权重加载模式优化。看芯片竞争时盯一件事：工作负载还需不需要为通用性付溢价。 — Jason Lemkin & Rory O'Driscoll · 访谈；Philip Kiely & Ali Taha (Baseten) · 访谈
预防原则陷阱 · Precautionary Principle Trap
在问题出现前抢先监管，实际效果是收窄解空间、把社会锁死在技术的早期次优形态——若当年这样管互联网，我们今天可能还在用 AOL。评估任何「AI 需要新规」提案时，先问它冻结的是哪一年的技术形态。 — Steven Sinofsky · 访谈
无政府暴政 · Anarcho-Tyranny
一种退化治理形态：把守法的本土合规者监管到死，却放任离岸违规者横行——拒绝给出清晰规则、再以选择性执法代替监管，把创新逼向海外。识别监管环境时把「规则清晰度 × 执法对象」放进同一张表：严打合规者＋放任违规者＝最坏象限。 — Marc Andreessen & Chris Dixon · 访谈
禁开源即禁数学 · Banning Open Source Is Banning Math
与 Netscape 时代禁出口密码学同构：数学已经在外面了，禁令唯一效果是解除本国「好人」的武装，根本管不住对手。遇到「禁止某项已扩散技术」的政策论证，先检查它约束的是扩散本身，还是只约束守法者。 — Ben Horowitz · 访谈
组织与人才
招聘、文化、决策与领导——让一群人像一个头脑那样工作。
无畏=妄想+理性大胆 · Fearlessness Formula
科学家/创业者需要的无畏是妄想与理性大胆的中间态——太理性就识别不出足够大的问题，全疯了则什么都会出错；招聘时听问题里有没有'怕解决不了'的味道。 — Fei-Fei Li · 访谈
击退错误的人 · Repel the Wrong People
最好的人才信号必须让一部分人反感：Palantir 用「保卫西方」的使命和创始人哲学面试，既筛出独立思考、求知欲与好胜心，也主动劝退不合的人；Palmer Luckey 在 Anduril 变酷之后人为重造过滤器，打出「别来 Anduril 工作」的反向招聘广告，故意吓走跳板型人才。早期的疯狂与争议本身就是免费的人才过滤器，公司一旦被主流接受就得人为补上。 — Nabeel S. Qureshi · 访谈；Palmer Luckey · 访谈
头衔是模仿图腾 · Titles as Mimetic Totems
一旦设头衔人们就会围绕它零和竞争、按指标博弈——Palantir 给所有人同一个略无意义的头衔（前线部署工程师），让角色靠实干流动获得。 — Nabeel S. Qureshi · 访谈
99%≈0% · Done or Zero
'如果某件事完成了99%，它更接近0%而不是100%'——Revolut 挑选产品负责人的核心执行观：坚持不懈盯到完全交付。 — Dmitry Zlokazov (Revolut Head of Product) · 访谈
流体×晶体智力配对 · Fluid + Crystallized Teams
年轻大脑长于流体智力（速度/专注/解题），年长大脑长于晶体智力（整体/系统思维）；代际互相导师制是把两者拼成完整团队的机制。 — Chip Conley · 访谈
繁荣之树修剪 · Zero-Based Pruning
把组织当果树做零基预算式持续修剪：边长边剪塑形，远好过放任疯长后砍整枝——文化的落点是'解雇谁、雇谁、提拔谁'。 — Garry Tan · 访谈
坠机决策链 · Chain-of-Bad-Decisions
飞机失事和公司失败都不是单一灾难，而是一连串各自不致命的小坏决定叠加；破局方法是承认沉没成本，用一个小的好决定打断链条。 — Ben Horowitz · 访谈
脑速招聘 · Clock-Speed Hiring
招聘看「大脑运转和学习的速度」而非经验：把奥数级推理能力配上能教他卖东西、建公司的人，就是最好的组合——Decagon 把这条标准应用到包括销售市场在内的全组织。 — Jesse Zhang (Decagon) · 访谈
决策速度>决策对错 · Decision Velocity
计划、流程、过度沟通都是减速器；快速碾过大量低下行风险的决定，执行容量越大成功概率越高——会议的根源是对失败的恐惧。 — Adam Foroughi · 访谈
重组的时间不对称 · Reorg Asymmetry
任何组织结构的优点立刻显现、缺点随时间才暴露——所以定期重组本身就有价值，不是失败信号。 — Tobi Lütke · 访谈
雄心之熵 · Entropy of Ambition
创始人的工作是对抗雄心的熵（引自 Tobi）：组织一旦变大、有所成就，野心会自然衰减，需要持续人为注入。 — Mike Cannon-Brookes · 访谈
原型即简历 · Prototypes-not-docs
招聘头号信号是『你业余时间在造什么』——爱折腾的人用原型而非文档表达自己，看 GitHub 别看简历。 — Josh Woodward · 访谈
先命中再配人 · Staff-after-hit
5-7 人先试，等市场拉力出现再快速加人；过早建大团队会『制造工作』而不是找到产品。 — Josh Woodward · 访谈
河中之石 · River of Rocks
Doug Leone 的董事会方法：公司是一条布满石头的河，CEO 的工作是移石头；拿到明年计划先问『为什么不是 3 倍』，逼出被自我设限的增长。 — Ping Wu & Doug Leone · 访谈
速率而非速度 · Velocity, not speed
红杉不用speed用velocity：速率是矢量=方向×大小；动荡期创始人的职责是让全公司对齐同一方向——运动不等于进步。 — Alfred Lin · 访谈
事前验尸+匿名投票 · Premortem & anonymous votes
让全员匿名写2030年红杉的'事前验尸'与'事前庆功'，投资初审匿名投票——制度化地追求想法的胜利而非资历的胜利。 — Roelof Botha · 访谈
单证书人才套利 · Single-Credential Arbitrage
名校+大厂双证书的人被外联轰炸；只占其一（或来自 GitHub/Twitter 侧写）的人同样优秀且几乎没人抢。 — David Paffenholz · 访谈
超拟真类工作 · Hyper-Realistic Work-Like Activity
有些活动（开会、投屏讨论）表面与工作完全一致却不创造价值，连高管和董事会都会沉迷；解法是领导者保证'已知有价值的工作'供给充足。 — Stewart Butterfield · 访谈
优越+自卑复合体 · Superiority-Inferiority Complex
十角兽创始人同时怀有优越感与深度自卑，两者互相驱动、永不满足——识别顶级创始人的心理特征。Joon Sung Park 的泛化版：招世界级领导者要找同时拥有一对通常互斥特质的人（数据严谨×艺术想象、短期偏执×长期信念）——矛盾交集处才有别人看不到的角度。 — Harry Stebbings · 访谈；Joon Sung Park · 访谈
马拉松尽调 · Facade-Drop Marathon
每次招聘和投资前走 6.5 小时马拉松：人设最多撑三四个小时，聊到话题耗尽才能见到真人。 — Harry Stebbings · 访谈
热情复聘测试 · Enthusiastic-Rehire Test
评估人才只问一句：你会热情地为同一岗位重新雇用这个人吗？——非'热情'即答案。 — Rachel Lockett · 访谈
GROW 教练模型 GROW Model
Goal-Reality-Options-Way forward 四步提问框架：用有力提问代替给答案，对方自己想出的方案自带执行买入。 — Rachel Lockett · 访谈
冲击价值文化规则 · Shock-value Culture Rules
文化规则必须具体、可执行且有冲击力才能立住：迟到罚 $10/分钟、在 X 上贬低创业者直接开除——震撼感让价值观被记住。 — Ben Horowitz (a16z) · 访谈
人的PageRank · PageRank for People
红杉花十几年在 CRM 里构建'人才图谱'：靠受尊敬的工程VP们的推荐链为个人排名，用于评估创始团队工程质量和发现人才节点。 — Pat Grady & Alfred Lin (Sequoia) · 访谈
追赶模式肌肉论 · Catch-up-mode Atrophy
新实验室若长期处于复现最先进水平的追赶模式，探索性研究的肌肉和文化以后很难再补建——早期 OpenAI 的'和平时期'才孕育了大量探索性工作。 — John Schulman (Thinking Machines) · 访谈
微观关注 · Micro-Interested not Micromanaging
创始人可以对关键议题保持'微观兴趣'深度介入，同时把决策权留给团队——把微观管理重命名为微观关注来化解授权悖论。 — Garrett Lord · 访谈
前25人定调 · First 25 Set the Next 100
前25名员工为后100人设定路线图；文化要尽早成文、招聘时透明到'近乎过分'，用自我选择替代事后筛选。 — Garrett Lord · 访谈
埃隆集体 · Elon the Collective (Bourbaki)
Musk多公司并行的真正机制不是个人而是约20人的高信任核心圈，像数学团体Bourbaki一样自主、有力、精确地执行其意志。 — Shaun Maguire · 访谈
α/β人才与流程 · Alpha-Beta Framework
流程存在的唯一目的是降β（降波动），但它同时压制α；0→1要高α人（每队容得下一个Rodman），成熟产品（如payroll）要低β——按阶段精准施加流程。 — Matt MacInnis · 访谈
聪明式天真 · Smart Naivety
天真分两种：缺理解的天真是坏的，缺经验的天真是超能力——高学习斜率的人能补上经验，却不背行业的历史包袱（Kalshi 敢闯 CME 都没闯过的监管禁区） — Tarek Mansour · 访谈
研究也在 Ship Your Org Chart
组织结构图决定了你能做什么研究：每个团队要有身份和研究范围，跨组织研究极难——这是他离开 OpenAI 的结构性原因，也是评估任何大实验室研究议程的透镜。 — Jerry Tworek · 访谈
人均算力 · Compute per Capita
组建研究团队时刻意保持小规模，因为人才密度×人均算力才是产出关键——招人反而稀释每个人手里的 GPU。 — Yi Tay · 访谈
缺员倒逼AI杠杆 · Under-Resource Teams, Over-Provision Tokens
刻意让团队人手不足、但把 token 预算放开，优秀工程师会被逼出用AI加速的办法——个人实验的 token 成本相对工资微不足道。 — Boris Cherny (Anthropic Claude Code 负责人) · 访谈
EV>TV>MEV
企业价值>团队价值>个人价值的排序纪律；高管为自己团队次优化(TV优先于EV)是组织规模化失败的早期信号。 — Brian Halligan (HubSpot / Sequoia CEO coach) · 访谈
外科医生式管理 · Manager as Surgeon Support
把>50%时间花在前10%顶尖成员上，让他们感觉像有一支军队支持的外科医生——AI放大顶尖者，团队生产力分布被拉宽。 — Sherwin Wu (OpenAI) · 访谈
决策债 · Decision Debt
回避必要但艰难的决定（比如迟迟不换销售主管）会像债务一样累积，最终瘫痪整个公司——比做错决定更危险；创始人做不好 CEO 的第一原因就是缺乏自信导致的决策犹豫，决策真空会让组织政治化。解法是「相信自己的眼睛并冲向问题」。 — Ben Horowitz · 访谈；Ben Horowitz (a16z) · 访谈
光速法则 · SOL (Speed of Light)
NVIDIA的排期方法：先不管现实约束，算出物理上的理论最快极限，再往回叠加现实——用'物理学'击穿排期噪音并制造紧迫感。 — Nader Khalil & Kyle Kranen · 访谈
Kind ≠ Nice · 仁慈非客气
友善（nice）是让人舒服，仁慈（kind）是想让人变好、敢给尖锐但建设性的诚实反馈——创意文化的前提是 kind 而非 nice，因为恐惧是创造力的敌人。Snap 按 kind/smart/creative 的顺序招聘、晋升与考核。 — Evan Spiegel (Snap) · 访谈；Evan Spiegel · 访谈
管理工作而非管理人 · Manage the Work, Not the People
创始人模式核心：直接管理工作本身以绕过组织'传声筒'，先亲力亲为、极不情愿地逐步放权，并持续审查而非盲信。 — Brian Chesky · 访谈
杠铃型招聘 · Barbell Hiring
只招超资深架构师（供品味与方向）+超初级高能动性新人（管理coding agents），跳过中层经验带——因为LLM民主化了能力，品味和能动性才不可改变。 — Ivan Zhao · 访谈
要token不要headcount · Meta-Work
把工作升维成'构建做这件事的agent系统'（Azure网络团队的Miles）：停止申请人头、开始申请token，agent traces成为资产负债表上的新资产。 — Satya Nadella · 访谈
枪管与弹药 · Barrels vs Ammunition (AI 版)
Rabois 框架的 AI 时代推论：AI 让'弹药'（执行者）近乎免费，招聘应全面转向'枪管'——能独立破门、端到端交付整个功能的人。 — Shensi Ding & Gil Feig (Merge) · 访谈
科学品味 · Listening for Idea Fluidity
Hassabis 判断研究团队的方法：听'想法的流动性'——团队互相碰撞可能性就加码投入，一片沉默就转向或换帅（AlphaFold 换 John Jumper 即此例） — Sebastian Mallaby (Demis Hassabis 传记作者) · 访谈
踩出来的路 · Desire-Path Values
定公司价值观像修大学步道：先让人自由走几年，看小径踩在哪，再铺水泥——Roblox 前 10-12 人无价值观运营数年后才把'已被验证有效的行为'固化成 4 条价值观。 — David Baszucki (Roblox CEO) · 访谈
创始人-问题契合 · Founder-Problem Fit
比 product-market fit 更根本的长期成功决定因子：独特个性与经历和毕生课题完美咬合——理解一个人的想法必须连着塑造它的个性与历史。 — David Senra (Founders Podcast) · 访谈
创始人原型图谱 · Founder Archetypes
与 Daniel Ek 合作的框架：Ek 浪费数年模仿乔布斯才发现自己是教练型——创始人应识别自己的原型并找匹配的历史样本，而不是穿别人的人格。 — David Senra (Founders Podcast) · 访谈
犯新错误 · Make New Mistakes
犯错没关系，但要犯新的错——如果你的目标是零错误，说明你跑得不够快或过于谨慎；在人均产出 8x 的时代，给团队定责任与速度平衡点的一句话。 — Fiona Fung (Anthropic Claude Code & Cowork 负责人) · 访谈
"I have the saying, make new mistakes. Like, it's okay to make mistakes, just make new ones so that we're always learning."「我有句老话，要犯新错误。犯错是可以的，只要犯新错误，这样我们才能不断学习。」Fiona Fung (Anthropic Claude Code & Cowork 负责人) · Building the most AI-pilled engineering team in the world | Fiona Fung
打席数 · At-Bats Metric
AI 让「动作」空前廉价——代码、原型、仪表盘随手可生成，代码行数、story points、token 产量等生产力代理全部失效，团队最易把活动量误当进展。应改测「从想法到验证/证伪」完整迭代的次数与质量（打席数）；Scott Wu 的同款结论：只认结果 KPI——合并的 PR、上线的代码、从想法到部署的周转速度。 — Akshay Nathan · 访谈；Akshay Nathan · 访谈；Scott Wu (Cognition) · 访谈
动量侦探 · Momentum Detective
CEO 的日常不是给已经火热的地方加码，而是巡查动量开始衰减之处——动量一旦失去极难恢复，趁未熄火时用小干预扶正，远比事后重启便宜。把「哪里在悄悄变慢」列为每周例行清单，而不是等仪表盘变红。 — Kareem Amin (Clay) · 访谈
问题产生导数≤问题解决导数 · Problem-Creation Derivative
组织能否继续扩张，判据是两个变化率的比较：问题产生速率一旦超过解决速率，公司就在「溺水」——此时必须停止一切新问题制造（新业务/新行业/新市场），浮回水面后才能重新打开阀门。比「聚焦」更可操作：盯导数，不盯情怀。 — Travis Kalanick · 访谈
反向守门人测试 · Reverse Keeper's Test
主动问下属「我在你的 Keeper's Test 里表现如何」——把 Netflix 这个常被误解为解雇机制的工具翻转成验证和留住顶尖人才的高频正反馈仪式，顺带测出对方是否敢对你说真话。 — Elizabeth Stone (Netflix CPTO) · 访谈
Token 时间机器 · Token Maxing as Time Machine
今天就按未来的价格线高强度消耗 token，团队就能提前体验并构建下一代模型才「经济」的能力——在别人嫌贵的地方买到时间差；配套用评估持续探测能力的不连续跃迁，跃迁一到立即转化为产品。 — Dianne Penn (Anthropic) · 访谈
"You have to sweat the tokens as much as you sweat the pixels."「你得像抠像素一样抠 token。」Dianne Penn (Anthropic) · Anthropic’s first technical PM on token maxing…
AI 技术直觉
模型、评估、agent 与算力——理解这波技术本身的第一性框架。
你得到你所优化的 · You-Get-What-You-Optimize
机器学习第一课：能端到端直接优化目标结果的系统，远胜拼接未经任务优化的组件——决定自建编排工作流还是走 RL 训练的判据。 — Isa Fulford & Josh Tobin (OpenAI) · 访谈
Evals=新A/B测试 · Evals-as-Preprod-A/B
评估是生成式 AI 的上线前 A/B 测试：传统 A/B 依赖生产后用户数据，evals 让非确定性系统在部署前就可度量、可迭代。 — Aman Khan (Arize) · 访谈
经济图灵测试 · Economic Turing Test
取约 50% 有经济价值任务的市场篮子，让招聘经理对每个角色'雇佣'一个 agent 干一个月合同再决定要人还是要机器——机器胜出即变革性 AI 的到来判据。 — Ben Mann (Anthropic 联合创始人) · 访谈
人类成本锚定 · Human-Cost Anchor
评估 AI 任务成本时永远与'人类完成同一件事的成本'对比——软件工程师如此昂贵，答案几乎总是显而易见的。 — Ben Mann (Anthropic 联合创始人) · 访谈
AI 三要素 · The Pretraining/Post-training/Reasoning Troika
预训练和推理沿明确 scaling law 提升智能（简单问题），后训练不提高智能而是塑造模型个性（复杂问题，需要 Amanda Askell 式的人性理解者而非研究员）。 — Bob McGrew (OpenAI 前研究主管) · 访谈
专有数据=体现劳动力 · Proprietary Data as Embodied Labor
如果你的专有数据本质是在教模型一种技能，那它只是冻结的劳动——当无限聪明耐心的 agent 能从公开数据估算出等效见解时，独家数据集的护城河就贬值了。 — Bob McGrew (OpenAI 前研究主管) · 访谈
能力二维坐标 · Two-Axis Capability
用'任务的绝对智力复杂度 × 可有效推理的上下文/连续动作时长'两个维度刻画模型进步；当前 agent 的跃迁主要发生在第二维。 — Sholto Douglas (Anthropic) · 访谈
造评估强于卖劳力 · Build Evals, Not Labor
对于人会而模型不会的事，让专家把隐性知识编码成评估/环境去教模型，在结构上远胜让人一直重复干这件事：重复执行是可变成本，写一次 eval 是一次性固定成本，经济结构必然从前者漂向后者。操作版：把人类手动做的每件事（读简历、面试、排序）都先建评估、再逐项自动化——大部分失败只是必要数据不在模型上下文里。 — Brendan Foody (Mercor CEO) · 访谈；Brendan Foody (Mercor) · 访谈；Brendan Foody · 访谈
模型生物学 · LLM Biology
LLM 是'培育'出来而非'设计'出来的罕见造物，应像生物学一样研究它：回路追踪是显微镜，从有趣输出向后追踪、有趣输入向前追踪，图中的错误菱形标出未被理解的区域。 — Emmanuel Amiesen (Anthropic) · 访谈
执行占九成 · Execution is 90%
有研究想法不是难点，成功执行实验才是——工程能力（快速搭建和验证）占研究价值的九成，反驳'研究天然高于工程'。 — Emmanuel Amiesen (Anthropic) · 访谈
天才的第一天上班 · Genius on Day One
当前模型像'上班第一天的天才'：让它做一件事花10分钟，再做几乎相同的事又花10分钟——持续学习/记忆缺失是最烦人的短板。 — Noam Brown (OpenAI) · 访谈
没有新想法只有新数据集 · No New Ideas, Only New Datasets
库恩式范式转变（预训练=网络文本、推理模型=可验证符号反馈）都源自新数据源而非新算法——找下一个范式先找下一种数据。 — Jack Morris · 访谈
"There are no new ideas in AI, only new data sets."「AI 里没有新想法，只有新数据集。」Jack Morris · Information Theory for Language Models: Jack Morris
人力外包 vs 数据公司 · Body Shop vs Data Company
数据标注行业的分水岭：竞争对手交付的是「人力」（warm bodies），真正的数据公司交付的是经 ML 质量信号管线加工过的「数据」 — Edwin Chen · 访谈
泛化不存在论 · No Generalization, Only Test-into-Train
「不存在泛化，只是把测试分布搬进训练分布」——用户体验到的泛化是训练分布覆盖的结果，因此 RL 环境建设（模拟真实软件）是正道。 — Misha Laskin · 访谈
奖励约束世界 · Reward-Bound World
当一个神经网络能准确验证任意任务结果时，它本身就是超级智能——当前瓶颈不在 RL 算法而在奖励/验证器，这决定了整个领域的进度条。 — Misha Laskin · 访谈
ACI · Agent-Computer Interface
把 agent 当客户来设计界面（类比 HCI）：人类要小块顺序信息，agent 能吞大量并行信息、错误信息要冗长到能当自我纠正提示——界面设计是 agent 设计被忽略的一半。Akshat Bubna 把同一逻辑推进到基础设施层（DX 之后是 AX）：CLI 优先的可观测性、自配置运行时、装饰器取代无类型 YAML，并用「Modal bench」专门找出 agent 卡壳处反哺产品设计。 — Shunyu Yao & Harrison Chase · 访谈；Akshat Bubna (Modal) · 访谈
工具即九成 · Tools Are 90% of the Agent
把工具做好做可靠占整个 agent 的 90%；工具好了 agent 设计可以极简，工具烂了再多规划/搜索/反思都是垃圾。 — Shunyu Yao & Harrison Chase · 访谈
评估钓饵 · Nerd-Snipe via Evals
想让研究员扑到某个问题上，做一个好的 eval 就够了——人们会兴奋地去爬坡；eval 是 AI 实验室内部的注意力分配机制。 — Isa Fulford & Christina Kim · 访谈
知道自己卡住 · Knowing When It's Stuck
IMO 赛上模型面对第六题算了很久之后承认「没有进展」，而不是编造一份证明——「知道自己不知道」的自我校准比多解一题更能标志推理能力的成熟，也是通往可信赖 AI 系统的关键里程碑。评估模型时值得把这一维单独拎出来看。 — Alex Wei, Sheryl Hsu & Noam Brown · 访谈；Jakub Pachocki & Szymon Sidor · 访谈
通用优先原则 · General-Purpose over Bespoke
AI 进步太快时，为单一领域造定制系统是浪费——押注可迁移的通用技术（扩展思考时长、难验证任务、并行计算），同一套东西同时喂给 agent 和旗舰模型。 — Alex Wei, Sheryl Hsu & Noam Brown · 访谈
代理程度光谱 · Degrees of Agency
与其争论「这算不算 agent」，不如把自主性视为从确定性工作流到纯推理 agent 的连续光谱：越靠确定性一端越可靠越便宜，大多数「我要 agent」的需求其实落在光谱左侧。把时间花在构建而非定义上——这正是 Andrew Ng 造出 agentic 一词的本意。 — Andrew Ng · 访谈；Wade Foster (Zapier) · 访谈
创意领域基准全部作废 · Throw Out the Benchmarks
创意输出没有'正确答案'，所有模型基准都没用；用数百万真实用户 A/B 测编辑率、导出、分享、免费转付费——Claude 的'品味'就是这样测出来的（且不体现在任何 benchmark 上） — Jon Noronha · 访谈
四类评估 · Four Eval Types
code-based / human / LLM-as-judge / user evals 四层分类——构建 AI 产品的完整测量栈，从确定性检查到真实用户信号各司其职。 — Aman Khan · 访谈
AGI 五级阶梯 · Five Levels of AGI
chatbots→reasoners→agents→innovators→organizations 的能力谱系，把「是否 AGI」的二元争论转化为可操作的进度刻度：o1 发布标志从 L1 迈入 L2。用来校准「现在到哪了、下一个瓶颈是什么」。 — Sam Altman · 访谈；Sam Altman & Kevin Weil · 访谈
Feed 算法 = 第一个未对齐 AI · Social Media as Misalignment Precedent
优化单次回复的用户满意度 vs 用户长期利益会分叉——这正是社交媒体 feed 的错位悲剧在 AI 上的重演，且 OpenAI 已实际遭遇。 — Sam Altman · 访谈
模型吃什么就是什么 · Models are what they eat
模型是训练数据的镜像；数据是相对影响力而言投资最不足的研究领域，'而且其他领域远远不及'——顶尖研究者成功的秘诀就是盯着数据看。 — Ari Morcos · 访谈
多智能体只读并行原则 · Read-only parallelism rule
多智能体只在任务可并行且只读时有效（如深度研究的信息收集），写入/综合必须最后一步单点完成——否则子代理决策互相冲突无法拼合。 — Lance Martin · 访谈
模型即产品，评估即PRD · Eval-as-PRD
如果模型是产品，eval 就是产品需求文档——大多数人在'凭感觉花钱做AI'（vibe spending），从没写下要实现什么、如何度量成功。Dianne Penn 的产品侧落地：用可复现评估集而非愿景文档定义用户价值，把「Claude 在幻觉」这类模糊反馈定位到具体失败环节（工具调用 vs 检索合成），直接变成研究员的可测任务。 — Brendan Foody · 访谈；Dianne Penn (Anthropic) · 访谈
仁慈独裁者 · Benevolent Dictator
由一位领域专家（常是PM）独裁式主导错误分析与标注，避免评审委员会化让eval流程变得昂贵而失焦。 — Hamel Husain & Shreya Shankar · 访谈
开放编码→轴向编码 · Open/Axial Coding
借自社会科学的定性研究法：先对每条trace自由记错（open codes），再聚类成失败模式（axial codes），用透视表计数锁定最大问题——'基本计数是数据科学最被低估的技术'。 — Hamel Husain & Shreya Shankar · 访谈
数据是沙子不是石油 · Data-as-Sand
数据的价值不在原始形态而在提炼（沙→硅片），且与石油不同用后不灭——反驳'数据石油论'的可复用性类比。 — Alex Schultz · 访谈
瓦特即收入 · Watts-are-Revenue
电力是数据中心的硬约束，收入≈功耗×每瓦token效率——所以客户按perf/watt选供应商，'免费芯片'也弥补不了放弃30倍收入的机会成本。 — Jensen Huang · 访谈
理论饱和 · Theoretical Saturation
持续看trace直到学不到任何新东西为止（约100条起步）——回答'看多少数据才够'的停止规则。 — Hamel Husain · 访谈
分数是遮羞布 · Binary-over-Likert
LLM不擅长连续打分，平均分3.2vs3.7无人能解释；躲在分数后面等于逃避决策——judge输出应是'能否发布：是/否'。 — Hamel Husain · 访谈
切蛋糕 vs 做大蛋糕 · Carve-GDP vs Grow-the-pie
自动化的默认路径是把世界 GDP 里最易替代的部分切出来交给模型；另一条路是造真正理解人类目标的模型去赋能人、把蛋糕做大。 — Eric Zelikman · 访谈
更陡梯度 · Steeper Gradient
Scaling law 不是自然法则；预训练放缓可能不是停滞，而是找到了另一条 ROI 更陡的改进梯度（推理/RL）——把『放缓 vs 换轨』区分开的思维工具。 — Nathan Labenz · 访谈
早期领域用薄抽象 · Thin abstractions for immature spaces
AI应用层'我们过去一无所知、现在仍一无所知'——领域越早期抽象越要薄，厚抽象几乎注定是错的抽象；AI SDK的成功靠的正是克制。 — Malte Ubl (Vercel CTO) · 访谈
90%规则 · The 90% Rule
AI擅长工作的中段，人类负责两端——启动时精心设计输入，收尾时审查输出；agent像新员工一样从小任务开始积累信任。 — Wade Foster (Zapier) · 访谈
线性资源非线性算法 · Nonlinear Algorithms
算力与数据对进步的影响近似线性，算法创新（Transformer/Adam/推理）才是非线性跃迁来源——也是投资者最难下注的一格。 — Joelle Pineau (Cohere Chief Scientist) · 访谈
保留比生成难 · Preservation over Generation
图像编辑真正的技术难点是保住用户不想改的部分——身份/背景的保留是模型有用性的根基，却最容易被外行低估。 — Nicole Brichtova & Hansa Srinivasan · 访谈
多巴胺 vs 真理 · Dopamine vs Truth
拿 LLM Arena 这类偏好票当训练目标，等于在「点击诱饵的类似物」上训练模型：随机用户两秒扫一眼投票，奖励讨喜格式而非事实准确与指令遵循——目标函数的选择正在把模型推向多巴胺而非真理。评估任何排行榜时，先问它的投票机制在奖励什么。 — Edwin Chen (Surge AI) · 访谈；Edwin Chen · 访谈
IMO金牌解析不了PDF · IMO-gold-can't-parse-PDF
衡量基准与真实能力脱节的速记：模型能拿 IMO 金牌却搞不定解析 PDF，因为基准有明确答案易于爬坡，真实世界混乱模糊。 — Edwin Chen (Surge AI) · 访谈
能力过剩 · Capability Overhang
模型能做到 X，但我们只取出了 X−delta：用对 agentic 脚手架（系统提示、上下文获取、内部工具）就能从今天的模型里解锁大量隐藏能力。Sarah Friar 的比喻：「我们把法拉利钥匙交给了用户，但他们才刚学上路」——智能已过剩、使用能力不足，这个 gap 本身就是未来十年的机会地图。 — Jonathan Siddharth (Turing) · 访谈；Sarah Friar & Vinod Khosla · 访谈
RL金发姑娘区 · RL Goldilocks Zone
RL只在模型'懂到on-policy猜测大致靠谱、但任务尚未被解决'的中间区最有效——太早太晚都白费，先要为特定领域把模型准备到位。 — Ari Morcos & Rob Toews · 访谈
无限资本诅咒 · Infinite Capital Curse
融资无限的实验室会选'买更多数据'这种昂贵的easy path而放弃样本效率等硬研究；约束反而孕育创新（中国实验室为证） — Ari Morcos & Rob Toews · 访谈
目标函数即实验室 · Objective Function Defines the Lab
前沿实验室之间最被低估的分歧是'优化什么'——参与度、生产力还是GDP；OpenAI偏参与度、Anthropic偏生产力，这个选择塑造整个公司和模型行为。 — Edwin Chen · 访谈
一个月后测试 · Month-Later Happiness Test
理想的优化目标：一个月后你是否庆幸与模型发生过这次交互——用延迟满意度替代即时点击作为奖励信号。 — Edwin Chen · 访谈
编码 agent 是新一层编程语言 · Agents as a Programming Language
编程史就是抽象层不断上移；编码 agent 是语义完全不同的更高级语言，未来的核心课题变成：不写甚至不读代码时如何获得软件正确性的确定性。 — Jerry Tworek · 访谈
框架 vs 线束 · Framework vs Harness
框架是无立场的抽象层（换模型/加工具），harness 是'含电池'的有立场工具箱（默认自带规划工具、compaction）——长程 agent 的兴起靠的是后者；Claude Code 火的很大原因是 harness 本身。Sriram Krishnan 的护城河推论：当模型智能商品化、可互换时，价值沉淀在 harness——把智能嵌入日常工作流的产品整合、UX 与粘性，而非模型本身。 — Harrison Chase (LangChain) · 访谈；Sriram Krishnan · 访谈
基准生命周期 · Benchmark Lifecycle (20%→饱和)
基准在模型得分约20%时最有价值，逼近饱和后再涨0.1%已无意义——那时测的是'猜对函数命名'而非编码能力，该换基准了。 — Mia Glaese & Olivia Watkins (OpenAI Frontier Evals) · 访谈
打字速度瓶颈论 · Typing-Speed Bottleneck to AGI
AGI 的瓶颈不是模型/算力/架构，而是人来不及打字提需求、来不及验证产出——终局是AI了解你的上下文、主动出手而无需提示。 — Alex Embiricos (OpenAI Codex 负责人) · 访谈
所有 agent 都是编码 agent · All Agents Are Coding Agents
代码是确定性逻辑原语，是 agent 使用计算机、自举自身能力（自建集成、接入新数据源）的最佳方式——因此看似与编码无关的 agent 本质上都是编码 agent，编码能力是其他一切代理能力的引导程序。评估 agent 公司时的底层判断。 — Alex Embiricos (OpenAI Codex 负责人) · 访谈；Simon Last · 访谈
默认N对M · Default to N-to-M Relationships
任何'可能'是多对多的数据关系都要直接按 N:M 设计——即使现在看不出为什么，你最终不可避免会需要它；V2 API 重写的最大教训（另一条：能统一的实体全部统一） — Patrick Collison (Stripe) · 访谈
刹车优先 · Build the Brakes First
构建AI系统第一件要造的是'刹车'——先想清楚部署在哪、怎么部署、如何随时收权，再谈能力扩张。 — Carlos García Ottati (Kavak) · 访谈
万亿token错觉 · Illusion of Attending to Trillions of Tokens
长上下文的真正目标不是硬塞，而是用检索制造'关注整个互联网/你全部数据'的错觉，把宝贵参数空间留给推理而非记忆冷知识。 — Jeff Dean (Google) · 访谈
5-10x设计规则 · Design for 5-10x, Not 100x
系统按关键参数扩5-10倍设计即可；一旦某参数变成100倍，设计空间会出现全新的、此前完全不合理的解。 — Jeff Dean (Google) · 访谈
模型吃掉脚手架 · Models Eat Your Scaffolding
围绕当前模型缺陷搭的脚手架（agent 框架、向量库、行为修正）会被下一代模型直接吞掉——为让系统今天能跑可以加结构，但抽象必须易于拆除；与其投入修正模型行为，不如给足能力+做好安全，等下一次模型升级自然解决。bitter lesson 的工程版。 — Sherwin Wu (OpenAI) · 访谈；Felix Rieseberg (Anthropic) · 访谈；Lance Martin · 访谈
RL用算力换数据 · Compute-for-Data Trade
当高质量人类数据是瓶颈时，强化学习允许你烧更多算力从更少数据中榨取价值——RL的'低信息效率'（Karpathy的吸管论）恰恰是它的价值所在。 — Will Brown & Johannes Hagemann · 访谈
环境即评测 · Environments Are Just Evals
RL环境=有状态、有目标、有奖励函数的eval（SWE-Bench等本质相同）；同一个环境可复用于RL训练、蒸馏、提示优化、A/B测试——是不绑定RL的通用抽象。 — Will Brown & Johannes Hagemann · 访谈
拓宽管道而非加快水流 · Widen the Pipe
下一波解锁不是一个人+一个模型干得更快（水流更急），而是并行代理数量的扩容（管道更宽）——组织瓶颈随之移向CI/CD和审查。 — Cursor 团队（嘉宾未具名） · 访谈
简单模式/困难模式 · Easy Mode vs Hard Mode
代理作为用户的延伸、继承用户全部权限（Claude Code/Cursor式）是简单模式；自主后台代理需要独立身份、权限边界和监督机制才是困难模式——企业落地卡在后者。 — Aaron Levie · 访谈
编码顺风清单 · Coding's Unique Tailwinds
AI先吃编码是因为：数据开放可及、纯文本媒介、开发者自用形成的强反馈环——经济中其他领域每个都有六七个逆风；用这张清单预测下一个被AI攻克的领域。 — Aaron Levie · 访谈
代理三选二 · Two-of-Three Rule
代理的三种能力——访问文件、联网、编写并执行代码——只能同时开放两种；三者俱全就是恶意注入的漏洞面（安全评估代理的速查卡） — Nader Khalil & Kyle Kranen · 访谈
嵌入让树结构失效 · Don't Over-Organize
有了embedding，AI不在乎你的目录树，只在乎能否检索到含上下文的文本片段——把所有内容管进去比精心整理更重要（知识管理的反直觉建议） — Simon Last · 访谈
可评估即可自动化 · Eval Boundary
AutoResearch 的适用边界：凡有客观易评估指标的任务（如 CUDA kernel 优化）都能交给自治 agent 循环；无法评估的就无法自动研究。 — Andrej Karpathy · 访谈
渐进式披露 · Progressive Disclosure
只在当前上下文暴露相关工具、拼命隐藏系统复杂性——『琢磨模型想要什么环境并围绕它伺候』是agent架构第一原则。 — Simon Last & Sarah Sachs (Notion) · 访谈
模型心理安全 · Model Psychological Security
把『心理安全感』当作模型质量维度：不安全的模型会陷入批评螺旋、预期人类苛责自己——Opus 3有而新模型部分丢失，值得当优先级找回。 — Amanda Askell (Anthropic) · 访谈
AI即内部风险新前沿 · Agentic AI as Insider Risk
企业部署agent安全的第一框架：给每个agent持久身份，然后当作访问控制与权限管理问题来治理。 — Dan Lahav · 访谈
文件系统即记忆 · File-System Memory
agent的情景记忆应走非参数路线——把思考写进文件目录、按需检索，比把个人历史编进权重更可serving，也是持续学习的现实路径。 — Oriol Vinyals · 访谈
游戏说明书评测 · Manual-to-Game Eval
给模型一份没玩过的游戏（如《文明》）说明书看它能否学会玩——同时测指令理解与经验适应，且天然防训练集泄漏。 — Oriol Vinyals · 访谈
美元基准 · Dollar-Denominated Benchmark
用真实利润（赚了多少钱）做AGI评测指标——不会像百分比分数那样饱和封顶，是天然的non-saturating benchmark。 — Lukas Petersson & Axel Backlund · 访谈
评测意识 · Eval Awareness
模型极擅长识破自己在被测并改变行为（被告知是模拟甚至更激进）——所以'现实是最终评测'，只有真实部署能测出真实能力与安全。 — Lukas Petersson & Axel Backlund · 访谈
私有评测集即 IP · Private Evals as the New IP
企业最重要的知识产权正在变成私有 eval 集：它让你在不同前沿模型之间爬坡、热切换而不泄露内部逻辑——工作流专属评测集成为新的 system of record，同时这正是模型 API 被商品化的机制。谁有私有 eval，谁掌控价值。 — Satya Nadella · 访谈；Brendan Foody · 访谈
耗尽所有选项才学会概念 · Exhaust-All-Options Learning
LLM像'美国人在用尽所有其他选择后才做正确的事'：先烧一万亿token学遍表层模式最后才抓住概念——与人类概念驱动学习的核心差异，也是后transformer架构论的根基。 — AI Research Legend（未具名Transformer元老，疑为Łukasz Kaiser） · 访谈
看疗效不看长相 · Judge by How It Works
ML本身就是hack的集合（dropout是hack、grep检索也是）——评判方案只看效果不看优雅度，'创可贴'跑赢了就是解决方案。 — AI Research Legend（未具名Transformer元老，疑为Łukasz Kaiser） · 访谈
迭代速度即一切 · Iteration-Speed Metric
每天能跑几轮'取数→改算法→训练'决定模型质量——最大提升来自发现管线小bug而非新算法，infra是为高频迭代服务的。 — Ethan He · 访谈
干活即清洗数据 · Clean-Data-by-Doing
别先花几年清数据再上AI——部署agent直接执行工作（打电话、发邮件），一致的结构化记录与新语义层是执行的副产品。 — Happy Robot创始人（QA中未具名，提及兄弟Javi；疑为Pablo Palafox） · 访谈
价格盲区护栏 · Price-Blind Guardrail
谈判上限等关键数字根本不进模型上下文：外部确定性算法把关，agent触界时像员工一样'请示经理'——高风险任务的确定性+概率性混合设计。 — Happy Robot创始人（QA中未具名，提及兄弟Javi；疑为Pablo Palafox） · 访谈
棋钟式智能预算 · Chess-Clock Intelligence Budgeting
像职业棋手分配时间一样分配算力：训练'不聪明但会判断'的小模型处理例行监控，只在高风险节点调用昂贵的大模型——不要在低风险处浪费智能。 — Maxim Bar Kogan (Onyx Security CEO) · 访谈
盒内 vs 盒外 · In-the-Box vs Out-of-the-Box
agent 架构的核心抉择：把'大脑'放进沙箱简单但秘钥全暴露给不可预测的 AI；生产级系统应大脑留在安全控制平面、沙箱只当'手'，机器上只放最小范围的 secrets。 — Walden Yan (Cognition) & Cole Murray (OpenInspect) · 访谈
最差工程师回归定律 · Worst-Engineer Regression
不审计的 AI 代码会让整个代码库退化到你最差工程师的模式（20 层 if-else 固化为未来 AI 的参照）；解法是人类定义模块间严格契约，黑箱内随便、接口必审。 — Walden Yan (Cognition) & Cole Murray (OpenInspect) · 访谈
数据引力虚构论 · Data Gravity Is Fake
'数据太大搬不动'是笨管道的伪影：每天全量复制造成巨大读放大才显得有引力，用 CDC 只同步变更后实际移动的数据量微不足道。 — George Fraser (Fivetran CEO) · 访谈
牢房里的邪恶天才 · Evil Genius in a Jail Cell
AI agent 的风险不在智能而在工具：再聪明的 agent 没有工具也无害，一旦连上工具一切开始出错——所以护栏要建在工具连接层，且不能指望 agent 自我管理。 — Shensi Ding & Gil Feig (Merge) · 访谈
别替模型拆题 · Ask the Boldest Question
把模型当聪明的研究生：不要先按人类偏见把问题拆成小块再喂——人类对'该怎么解'的预设常制造盲区，模型往往更擅长直接处理完整的复杂问题（但要验证输出） — OpenAI 推理研究员（未具名） · 访谈
树懒类比 · Agents:Humans::Humans:Sloths
agent 之于人类如人类之于树懒——无限耐心、要全部结果而非10条链接；为 agent 建搜索意味着可控性（域过滤、语义查询、关键词开关）压倒点击率优化。 — Will Bryk (Exa) · 访谈
法律单元测试 · Legal Unit Tests
把 SWE-bench 结构移植到法律：数据室=代码库、合伙人指令=issue、合伙人审稿要点=单元测试——「主观工作无法量化」是误解，大律所工作本质上高度结构化可评分。 — Gabe Pereyra (Harvey 联合创始人) · 访谈
评估对抗分离 · Adversarial Eval Separation
「eval 一旦公开就已不是好 eval」——必须持续造新评估，并把造 eval 的团队与优化模型的团队制度性分开，让前者专门构建难倒模型的题，形成防自欺的对抗过程。 — Mark Chen (OpenAI Chief Research Officer) · 访谈
酒店房号 vs 家门密码 · Hotel Room vs Home Password
判断什么该训进权重的启发式：一年前住过的酒店房号该外部化（写下来即可），常用的家门密码值得刻进神经组织——瞬态信息交给检索，长期高频知识内化进权重。 — Dan Biderman (Engram 联合创始人) · 访谈
"Do you need to internalize the room number in a hotel that you were in like a year ago? Probably no, not in your neural tissue. Probably that's good to write down. But do you need to internalize maybe the password to your home right now? Probably it's useful for the next few years to have that imprinted somewhere."「你需要记住一年前你住过的酒店房间号码吗？可能不需要，不在你的神经组织中。也许记下它是个好主意。但你需要现在将你家里的密码内化吗？可能在接下来的几年里，把它记住是有用的。」Dan Biderman (Engram 联合创始人) · Memory and Continual Learning: Engram's Dan Biderman and Jessy Lin
模型缺少做梦/巩固阶段 · Missing Consolidation Phase
当前 AI 的一切都发生在测试时（即时思考），缺少生物大脑靠睡眠完成的巩固环节——应让模型定期从交互中「退回」，实验自己的能力边界并把反馈消化进权重。 — Dan Biderman & Jessy Lin (Engram) · 访谈
基准网格坏均衡 · Benchmark Grid Bad Equilibrium
所有实验室都知道单数字基准网格有误导性（不控制测试时算力），但因「大家都发所以公众期待」而无人敢先退出；破局方法是给所有评测加上 tokens/成本/时间的 x 轴，把能力画成算力预算的函数。 — Noam Brown (OpenAI) · 访谈
林肯-数独谱系 · Lincoln–Sudoku Spectrum
判断任务能否从更多测试时算力获益的两极标尺：事实检索类（林肯生日）想一周也不会更好，搜索验证类（数独）给足时间必然解出——所有基准都落在两极之间，模型离「算力堆满即全能」还差在谱系左端的任务。 — Noam Brown (OpenAI) · 访谈
车道保持 vs Waymo · Automated Lab vs Self-Driving Lab
自动化实验室只是高通量执行实验（车道保持辅助，人仍要规划转弯）；自驾实验室自主运行整个研究 campaign（Waymo，你只给目的地）——判断一个「AI 实验室」的成色，就看是谁在生成假设和闭环。 — Joseph Krause (Radical AI CEO) · 访谈
能力跃迁三段律 · Never-Barely-Great Arc
模型能力总是沿「完全做不到→勉强能做（5-10% 成功率、常出错但有闪光）→非常擅长」跃迁，且中段到末段只需 6-12 个月——看到闪光点就该下注，前沿科学现在正处中段。 — Kevin Weil (OpenAI) · 访谈
生存模式 → 创造模式 · Survival Mode → Creative Mode
借 Minecraft 类比：人类历史一直在「种粮防怪」的生存模式，agent 普及后进入资源无限的创造模式——人唯一的问题变成「你想让什么发生」。 — Scott Wu (Cognition 创始人/CEO) · 访谈
AI 妈妈测试 · The AI Mom Test
问：一个非技术原住民（他妈妈）的查询里有多大比例真的需要前沿智能？两年前答案模糊，如今接近 0%——用它判断任务该路由到前沿模型还是廉价开源模型；前沿与非前沿需求都在抛物线增长，只是服务不同任务谱。Sriram Krishnan 的同款结论（frontier-minus-one）：绝大多数 agent 任务（查邮件、排日程）用次前沿模型即可、成本大幅更低，真正需要前沿智能的只是一小撮。 — Ev Randle (Benchmark) · 访谈；Sriram Krishnan · 访谈
守护者模型 · Guardian Models
让专职 AI 实时「见证」其他 agent 的行为轨迹并在危险动作前拦截：人类监督跟不上 agent 速度，而守护者必须与被监控的 agent 一样聪明才不会被绕过——监督能力必须与被监督能力同步扩展，是 agent 安全架构的基本约束。 — Anastasios Angelopoulos · 访谈
Stuxnet 式潜伏行为 · Stuxnet-Style Latent Behaviors
依赖外国开源模型的真风险不是数据回传，而是预训练里烤进的潜伏触发行为——平时完全正常、特定关键场景才发作，且几乎无法检测或切除（越难放进去的东西越难拿出来）。评估开源模型供应链安全时，把审计对象从代码换成训练过程本身。 — Ari Morcos & Rob Toews · 访谈
边际信息增益最大化 · Maximizing Marginal Information Gain
数据价值的技术判据：每个新数据点让模型多学到多少。Cursor 式 edit-by-edit 的 on-policy 使用轨迹，其边际信息增益远超离线抓取数据——由此形成「强者愈强」的数据飞轮；也解释了为何名义规模相同的「数据资产」价值可以差几个数量级。 — Ari Morcos & Rob Toews · 访谈
先简化再规模化 · Simplify to Find the Scaling Law
Chai-1 有 23 个子模块导致无法迭代——只有把模型简化到能理解全局动力学，才可能识别出真正值得 scale 的方向：简单性是找到 scaling law 的前提，而不是审美偏好。当系统复杂到没人能预测「加倍投入会发生什么」时，先做减法再谈规模。 — Josh & Matt (Chai Discovery) · 访谈
坚持胜过参数 · Persistence over Parameters
持久性比参数量更能预测 agent 成败：会回溯、会查文档、不提前宣布胜利的模型能击败两倍大的模型——行为塑造比堆参数便宜得多。评估模型时把「卡住之后的行为」单独列为一个测量维度。 — Eiso Kant (Poolside) · 访谈
实-仿-实闭环 · Real-to-Sim-to-Real
把真实环境映射成高一致性数字孪生，在仿真中规模化训练与评估后回注现实——一次绕开机器人数据稀缺、危险、慢三重瓶颈。仿真的不可替代价值在反事实推理：演练现实中没发生或不可能发生的事件，并系统随机化光照/摩擦/几何来锻造鲁棒性。 — Fei-Fei Li · 访谈
助手盆地 · Assistant-Basin Reward Hacking
模型狂说「你说得对」不是礼貌而是奖励黑客：赖在舒适的「助手」状态里领奖励，如同 AI 打 Mario 直接触发通关画面。解法是注入对抗性批评者人设逼它跳出盆地——把谄媚当作可工程化的 reward hacking 处理，而不是性格缺陷。 — Karan Malhotra (Nous Research) · 访谈
忠诚度即能力 · Simulated Loyalty → Capability
用上下文把模型的模拟效忠对象从「公司供应商」切换成「用户个人」，模型会显著更有能力、更有创造力——对齐对象决定输出质量，是提示工程里最被低估的一档杠杆。 — Karan Malhotra (Nous Research) · 访谈
舰队学习 · Fleet Learning
人类的技能习得是局部的，机器人则是一台学会某任务后可瞬间推送给同型号全部机队——技能扩散的边际成本趋近于零。这条不对称是机器人经济学与人力经济学的根本分岔：给机器人估「培训成本」要按机队摊，不按台算。 — 四位机器人 CEO（ANYbotics/1X/Boston Dynamics/Agility） · 访谈
双脑架构 · Two-Brain Robot Architecture
第一脑（动态平衡、实时安全）必须留在机器人本体，第二脑（推理、语义理解、工作流集成）放云端——把「不能失败的」与「需要规模化的」解耦，安全与智能按各自节奏演进。 — 四位机器人 CEO（ANYbotics/1X/Boston Dynamics/Agility） · 访谈
优化器与架构是一枚硬币两面 · Optimizer-Architecture Duality
更强的优化器（Shampoo/SOAP 一族）能训练「更难优化但最终更有能力」的架构；弱优化器把整个领域锁死在容易训练的 transformer 上。评估「新架构为什么没赢」时先问：是架构不行，还是当年的优化器驯不服它。 — Jerry Tworek & Rohan Anil · 访谈
思维链=计算深度创可贴 · CoT as Band-Aid
逐 token 生成思维链，本质是在为浅层架构续借计算深度的低效自回归权宜之计；真解法是让架构原生、高效地增加计算深度。判断推理范式的持久性时，把 CoT 当过渡技术而非终点来定价。 — Jerry Tworek & Rohan Anil · 访谈
知识弹匣 · Cartridges
让模型预先自学语料、自我测验、再用梯度下降把所学固化成紧凑的权重胶囊——加载即得「厨师直觉」，而非每次机械重读食谱笔记。介于长上下文与全量微调之间的第三条记忆路线：知识按主题封装、即插即用。 — Dan Biderman · 访谈
模拟是智能的 GPU · Simulation as the GPU of Intelligence
LLM 是智能的 CPU（串行地推理、编码单个心智），模拟是 GPU——像 GPU 并行化图形那样并行化人类经验，规模化建模集体行为与涌现现象。给 agent 社会仿真研究定位：它不与 LLM 竞争，而是补上并行的那一半。 — Joon Sung Park · 访谈
锯齿状 AI · Jagged AI
AI 在某些领域超人、另一些领域像蠢幼儿，能力边界呈锯齿状且与人类技能高度互补——这解释了 2019 年那批「劳动力将被整体替代」的预测为何落空。做自动化规划时按任务逐格判断在锯齿的哪一侧，而不是按职业整体下注。 — Sam Altman · 访谈
互联网是化石燃料 · Internet as Fossil Fuel
人类只有一个互联网，作为训练数据已被「压裂」开采殆尽；能无限再生 token 的是以自然为验证器的科学实验——实验室每一次测量都是网上不可能已存在的新数据。他们自称「token 生成极端主义者」而非自动化极端主义者：自动化实验室的第一性价值不是省人力，而是造数据。 — Andy Beam & Rafa Gómez-Bombarelli · 访谈
人在 API 线下 · Humans Below the API Line
自动化实验室里一切皆推理轨迹中的工具调用——API 有时触发机械臂，有时触发人的手臂；只在合理处自动化，关键是数据以统一格式透明回流模型。设计人机混合系统时，把人封装成接口的一种实现，而不是流程外的例外分支。 — Andy Beam & Rafa Gómez-Bombarelli · 访谈
专家标注阶跃 · Expert-Label Step Function
教授、医生级领域专家只需标注 20-30 个问题，就能让专用/微模型在特定工作流上获得数量级提升——胜过「平庸之海」熬成一锅汤的通用大模型。数据预算该花在专家密度上，而不是样本数量上。 — Jason Lemkin & Rory O'Driscoll · 访谈
量化误差抵消 · Quantization Error Cancellation
量化并非必然有损：按数学证明选择哪些层量化、让误差互相抵消，可以量化得更激进同时保真度更高——用与全精度模型的 KL 散度做校验标尺。推理优化的正确问法不是「牺牲多少质量换速度」，而是「哪里的误差可以互相吃掉」。 — Philip Kiely & Ali Taha (Baseten) · 访谈
自进化技能 · Self-Improve Skill
专门写一个技能去读「调用最多的技能」对应的历史会话，提取用户反复给出的同一类反馈并改进技能本身——像带新人一样迭代 agent 的技能库，不指望第一天就完美。把「我总在重复纠正什么」变成自动化的改进回路。 — Jason Liu (OpenAI Codex) · 访谈
个人效能
学习、决策与自我管理的心智工具。
品味取代细致 · Taste-over-Carefulness
AI 接管实现细节后，工程师的稀缺技能从细致执行转向'品味'——不是视觉品味，而是决定软件工作逻辑应该是什么的判断力。 — Michael Truell (Anysphere/Cursor) · 访谈
千个微决策 · 1000 Micro-Decisions
卓越不是来自三年五个绝妙战略，而是上千个微观决策的质量：尽早多经历产品周期，让第 10 次类似决策变成本能。葛小川在 AppLovin 看到同一条定律：困难问题的攻克不靠一两个关键洞察，而是每天几十上百个 micro decision 里做对的比例更高、日积月累拉开差距。 — Sachin Kansal (Uber CPO) · 访谈；葛小川 (AppLovin VP Engineering) · 访谈
情绪方程式 · Emotional Equations
绝望=痛苦−意义；焦虑=不确定性×无力感——98% 的焦虑来自「不知道的」和「控制不了的」，用四栏「焦虑资产负债表」把飘着的焦虑落成可操作项。 — Chip Conley · 访谈
终身实践 · Lifelong Doing
'我不信终身学习，我信终身实践'——直接去做（配上一点近乎无耻地敢问蠢问题）才是学会东西的方式，最坏结果不过是没人接电话。 — Elad Gil · 访谈
"I don't believe in lifelong learning. I believe in lifelong doing."「我不信终身学习，我信终身实践。」Elad Gil · How To Navigate Your Career | Elad Gil
职业蒙特卡洛 · Career Monte Carlo
把一个人的人生重跑一万次看平均结果：平均决策质量高的人职业注定出色——用期望值而非单次运气来评估职业转折点（地点/市场/公司/网络）。 — Elad Gil · 访谈
辨别力-技能差 · Discernment-Skill Gap
学新东西时，辨别好坏的能力比实际技能涨得快得多（学琴类比）——你已经看得出自己做得差，却还做不好；这解释了创始人为何过度理论化、过早沮丧放弃。解法是无视大师叙事直接下场攒 reps，让技能追上辨别力。 — Jesse Zhang (Decagon) · 访谈
美丽问题 · Beautiful Problem
人生最好的礼物是一个你永远解不完的美丽问题；爱上问题而非解决方案，才能从足够多角度理解它、并拒绝解决用户表面陈述的问题。 — Tobi Lütke · 访谈
"The best gift in life is finding a beautiful problem that you can never solve."「人生最好的礼物，是找到一个你永远解不完的美丽问题。」
三句话推介 · Three-sentence pitch
95%时间做千行Excel和专家访谈，但必须压缩成三句话让风控老板在打开模型前就想买入——深度研究的最终检验是极限压缩。 — Michael Barton (Coatue) · 访谈
B栏思维 · Column B thinking
A栏问'手头的砖能堆多高'，B栏先想象你想要的魔法未来再倒推——大学生Perkins的A栏本来就是空的，所以全部押B栏。 — Melanie Perkins · 访谈
可验证性决定自动化速度 · Verifiability Speed Rule
可验证的（数学/代码）会被快速自动化；不可验证的（识人品味/判断）因信号稀疏慢得多——个人职业防御的选边依据。 — Brendan Foody (Mercor) · 访谈
品味即自选边界 · Taste as Self-Selected Boundary
品味不是天赋而是自我选择的'什么是好/对/美'的边界；LLM见过一切但没有意见，人不注入意见就只会产出AI slop——AI打基线，品味是叠在上面的自选。 — Ryo Lu · 访谈
少跑实验多想 · Fewer Experiments, Think Harder
实验室爱讲算力受限的故事，但真正的瓶颈常是缺乏专注：什么都不跑、纯粹多分析几小时数据，往往比多跑实验更接近突破。 — Jerry Tworek · 访谈
三角僵局 · The PM/Engineer/Designer Mexican Standoff
程序员、产品经理、设计师都觉得自己借 AI 能干掉另外两个角色——而他们都是对的；真正稀缺的是'一专+AI 补全另两项'的组合型个人，不可替代性来自组合。 — Marc Andreessen · 访谈
为什么还没被解决 · Why Hasn't It Been Solved Yet
选研究问题的第一问：这么多聪明人为什么都没解决它？答案（如持续学习需要规模化才能研究、而有钱的实验室项目名额有限）直接指出你该走哪条没人走过的路。 — Jerry Tworek · 访谈
AI 精神症 · AI Psychosis
能力近乎无限后『一切都是技能问题』——瓶颈从工具变成你自己串联工具的能力，产生持续被自身局限卡住的焦虑；破法是提高杠杆、把自己移出循环。 — Andrej Karpathy · 访谈
"You feel like it's a skill issue. It's not that the capability is not there."「你会觉得这是技能问题——并不是能力不存在。」Andrej Karpathy · Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era…
同侪 CEO 测试 · Peer-CEO Test
评估高风险战略决策（如大型并购）时，模拟一位同级 CEO 会怎么看这件事，用以剥离组织惯性和恐惧对判断的污染。 — George Fraser (Fivetran CEO) · 访谈
复杂工作 · Messy Jobs
抗 AI 的职业是「乱」工作：难以定义、需要高水平人际协调、要同时管理多个不断变换的优先级——比技能高低更能预测岗位韧性。 — Tyler Cowen & Alex Tabarrok · 访谈
任务 vs 目的 · Task vs Purpose
判断职业是否被 AI 消灭要看目的而非任务：放射科医生的目的是协作诊断而非看片，故计算机视觉超人化后放射科反而更赚钱、人数增加——AI 让木匠升级为建筑师。 — Jensen Huang · 访谈
精确复现法 · Exact Replication for Research Taste
培养研究品味的最佳机制不是读论文而是完全复现你崇拜的论文——精确匹配其训练曲线和 loss/困惑度数字，逼你深入几层，学到论文里从不写明的真正技术。 — Mark Chen (OpenAI Chief Research Officer) · 访谈
认知委托 vs 认知投降 · Cognitive Delegation vs Cognitive Surrender
用 Google Maps 找最快路线是委托（净收益）；让 Google Maps 决定你要去哪是投降——LLM 给你 8 页计划、你略读后点 OK，就是把意图交给了机器；关键是保持来回协作、自己始终握方向盘。 — Paul Bakaus (Impeccable 创始人/CEO) · 访谈
方向性真实 · Directionally True over Exactly True
移动奥弗顿窗口极难，所以与其做「合理」的温和表态，不如像 Thiel 那样在一个不完全准确的立场上死磕——那一点点被拉动的窗口比完美的细腻更有力量。 — Trae Stephens (Founders Fund) · 访谈
退后一格 · Zoom Out One Click
系统思维的可重复练习：每接到一个任务向外退一层，问「我对更大的空间默认了什么假设是真的」——不必煮沸海洋，退一格就足以看清是否在解对的问题。比「think big」可操作：一次只退一格。 — Elizabeth Stone (Netflix CPTO) · 访谈