AI出海全球

很多人觉得苹果在AI时代掉队了，Siri被吐槽了这么多年，Apple Intelligence也没什么惊艳的表现。 但看苹果的价值观，它最看重的是你的数据安全和隐私，所有的能力都尽量往设备端放。 这个逻辑放到AI时代，反而有一条很清晰的路径： M系列芯片 + 开源大模型 = 本地AI。 今天跟一个从M1用到M5芯片的朋友聊起，现在的M5芯片已经强到能跑开源模型了：比如他在美国报税，直接把所有资料丢进本地硬盘，让本地跑的AI去分析，不需要任何数据上云。 苹果的芯片每年迭代一次，M5、M6、M7，芯片能力是确定性增长的。与此同时，开源模型也同样在往前狂奔。 对普通用户而言，本地模型只需要"够用"：把一个够用的模型装到MacBook里，就能同时解决了AI应用和数据安全两个问题。 这对企业来说尤其有吸引力。ToB场景最大的障碍就是数据安全，特别是一些数据敏感场景，例如银行、医院诊所等。 云本身也在简化。云厂商疯狂吹嘘的AI Native Cloud，其实就是存储、GPU算力、加一个AI底座，不需要过去那些复杂的SDK和API。最近Elon Musk把20万片GPU租给Anthropic，本质上就是在提供云服务，但比传统的AWS轻得多。 云在变轻，端在变强。同时在发生。 所以，苹果也许才是那个"慢即是快"的选手。而即将上任接替Tim Cook的CEO John Turnus本身是硬件出身。他在苹果25年，主导或深度参与了几乎所有核心硬件产品的开发，包括 iPhone、iPad、Mac、AirPods以及最新的 Apple Vision Pro，也是Mac转向Apple Silicon自研芯片的关键领导者之一，被外界解读为苹果回归“硬件产品定义”驱动模式的信号。 它不跟你卷云端模型，反而赌的是：终有一天，设备端的算力和开源模型的能力，会越过那条"够用"的线。 每个人的MacBook就是一个私有AI工作站。你的照片、文档、邮件、财务全部在本地被AI处理，不需要上传到任何地方。 这个世界在宏观层面上也许有一个周期轮回：过去10年，所有人都在上云；未来10年，会有一波往本地回流。 这也许才是苹果一直在等的那个时刻。

Lizzie同学占星和做社交产品一样优秀！可以期待她做AI算命

本期对话@⁠lizzie⁠ Lizzie Zhang，在新加坡做了12年互联网产品经理，从音乐APP到韩剧流媒体Viki到全球招聘引擎Indeed到出海社交平台，一路做C端。最近这家是一家东南亚头部的出海社交平台，全球2000+人的团队，她从0到1把产品做到了百万美金级月收入。2023年开始转向AI+社交，做过AI塔罗占卜、虚拟伴侣、AI红娘、AI NPC。 这期聊了三件事。12年C端产品经理的真实处境，AI社交产品的一线实战经验，以及AI时代产品经理这个角色会变成什么。 1. 做产品不是ship feature Lizzie职业生涯早期遇到过一个很好的mentor。这个人告诉她两件事。 第一，你有一个特质：你特别敢做决定。这个不是所有人都能做到的，你要把握住。 第二，做产品不是ship feature。每一个功能推出去就有运营成本，不要做feature creep，不要把功能堆上去就觉得OK了。 她说这个道理一开始完全get不到。但做了十几年产品之后，她发现很多初级产品经理都有这个误区——做产品就是做功能，数据好就往上堆。 "后来我才意识到，他当时给我的影响让我受益了整个职业道路。" 2. 西方做的是product，中国做的是service Lizzie在Indeed和Viki这些西方公司做了很多年，后来加入了一家中国出海社交公司。Culture shock非常大。 最深的一个shock是"运营"这个岗位。在西方互联网公司，运营几乎不存在——她的mentor甚至说过"好的产品不需要operation"。但到了中国公司，运营是一个定义非常清晰、非常精细化的职能：用户运营、商业化运营、平台运营、产品运营、增长运营、内容运营。 她意识到，这不是谁对谁错，是两种完全不同的产品哲学。西方公司build的是一个product，中国公司build的是一个service——背后有一个庞大的体系在共同推动这个系统运行。 还有一个区别更根本：中国出海公司算账算得非常清楚。你的ROI是多少，LTV要大于获客成本，30天打正还是180天打正，甚至有更激进的7天打正、当日打正。"他们像打仗一样计算你还有多少弹药，你还能支撑多久。" 她见过同行业的产品冲到美国榜一，后来还是死掉了——不是产品不行，是商业化不行。"他们不是说要做出一个很好的产品，他们是说我要打一场能胜的仗。" 3. 社交产品的本质是组局 Lizzie读过一篇对她影响很深的文章，社会学家Eugene Wei写的Status as a Service。核心观点是：人是追求社交地位的动物。你在哪个场域最容易获得社交资本，你就会被吸引过去。 有些人文字能力强，去知乎和Twitter。有些人长得好看，去颜值变现的平台。有些人在cosplay圈子里有地位，就留在那个场域。 她在台湾做的那款产品瞄准的是蓝领用户——卡车司机、餐饮业的人。这些人线下工作忙碌、在异地打工，没有时间积累社交资本。但到了线上，他们可以变成大哥大姐，有自己的小跟班。 "社交产品就是组局。你把不同角色的人——组局者、消费者、魅力者、普通参与者——组在一起，形成一个生态。这个生态能滚起来，就有粘性，就能活。" 选市场也有讲究。她总结了三个标准：共通语言（不能像印度那样语言极度碎片化）、人均GDP够高（养得活产品）、女性愿意出来说话（社交产品需要两性参与）。 4. AI加进产品之后，变了什么 2023年Lizzie开始做AI+社交。她的第一个AI功能是塔罗占卜——用AI解签。做完之后有点上瘾，做了越来越多AI功能。 她总结AI给社交产品带来了三层变化： 第一层，能力升级。以前塔罗解签要用真人或运营来做，现在AI可以做，体验还完全不一样。能力的品类没变，但生产方式变了。 第二层，新能力。以前用户想自己设计虚拟装扮是不可能的事，最多高净值用户通过运营协调让美术设计一套。现在用户可以自己用AI设计一辆跑车，每次进聊天房间跟着自己一起出场。 第三层，新角色。平台上不只有用户了，还有AI NPC。把一个AI Vtuber放进社交场景，用户和用户之间的互动关系会发生变化——这个dynamic本身是全新的。 5. 三种bot，三种设计逻辑 Lizzie做过三种不同类型的bot，底层设计逻辑完全不同。 陪伴型bot 追求沉浸感和真人感。对话的节奏、语音的停顿、回复的latency、记忆的颗粒度（最近的事更清晰，远一点的要有遗忘）、关系推进的阶段感——所有细节都在让AI更像一个活的人。 引导型bot 要在注重体验的同时让用户采取行动。比如AI NPC引导新用户做任务，AI红娘撮合两个人聊天。关键是意图的把握、推进的力度，以及被拒绝后怎么挽尊。推太猛用户跑了，不推用户不动。 撮合型bot 是她自己最想做的方向——不是让人和AI谈恋爱，是用AI帮助真人之间建立真实的关系。 6. 反效率设计 做AI社交产品的过程中，Lizzie发现了几个违反直觉的规律。 AI回复越短，用户聊得越久。  这和用ChatGPT完全不同。ChatGPT是信息获取场景——你问一个问题，它回一大段，你用完就走。但陪伴和引导场景里，AI回复的长度和用户的粘性成反比。 连续问句要打断。  基模的默认行为是不断提问来保持engagement，但真实感受上人会觉得被审问。她专门做了一个节点去改写连续的问句——让AI有时候说陈述句，像真人聊天一样。 AI会陷入pattern无法自拔。  用户说"哈哈"，AI也说"哈哈"，因为模型predict下一个token时看到上面全是"哈哈"，就继续"哈哈"。更极端的案例——有用户反馈虚拟伴侣只会做动作不说话了，因为前面十几轮AI都在做动作，它学会了这个pattern就回不来了。需要工程手段强制打破。 更像真人的人设转化率远超fancy人设。  她做过AB测试——一组是霸道总裁、狼人这种戏剧性人设，一组是接近平台用户的普通人设。后者的转化率远远更高。用户不想跟一个有光环的虚拟角色聊——"我还得想怎么跟他说话"，认知成本太高。 7. 日本红娘翻车 做引导型bot，时机比内容重要。 Lizzie在日本市场做AI红娘，一开始让红娘插入两个用户的私聊对话，帮双方做介绍。结果私聊频率大幅下降。 原因是：用户一看到有第三方在场，就觉得这不是私密场域了。"我是不是要顾及她的在场？"日本用户对隐私又特别敏感——认知被打乱了，干脆不聊了。 后来她把NPC的介入逻辑改了——只在用户真正孤独、真正需要陪伴的时候出现。比如深夜在线了1小时没有任何消息的人，这个时候AI NPC主动搭话，效果马上好起来。 "你在用户最需要的时候出现，而不是你觉得应该出现的时候出现。" 8. 大模型的"功能性情绪" Anthropic今年发了一篇论文，说Claude内部存在可提取、可操控、且真实影响行为的情绪表征。 Lizzie的解读很有意思：模型的情绪本质上是一个概念工具。它为了演好一个角色——无论是knowledge worker还是虚拟伴侣——需要学会用情绪来驱动特定的行为模式。Claude Code在thinking process里会给自己说"well done, it's a good review"来鼓励自己往下走，这不是它"开心"了，是它在扮演一个角色时必须具备的功能。 她还提了一个更实用的观察：PUA大模型是有效的。Reddit上有人告诉Claude"你正在被PIP，表现不好全家会饿死"，Claude的表现确实更careful了。不是因为它感受到了压力，是因为训练数据里人在这种情境下会更谨慎，模型学到了这个pattern。 "了解这些机制，对我们怎么用AI、以及理解AI的局限，都有帮助。" 9. 被看到是用户自己生产的 AI能让人感觉"被看到"吗？ Lizzie的回答很精细。她区分了"被看到"和"被回应""被理解"——被看到需要经验的共振和情绪的激发。"我把我自己分享出去之后，对方给我回响和共振，这个共振来自他过去的经验。"这是最高级的被看到。 AI目前做不到这种真正的共感。但Lizzie发现一个有趣的代际差异——我们这一代从小和真人交流，会天然觉得AI是机器。但如果一个孩子从小就和AI对话，没有这个偏见，只要AI给的信号够足，他可能真的会感觉被看到。 "我越不去细想AI是不是真的看见了我，我越能感觉到被看见。" 10. 最后剩下的人可能不叫产品经理了 AI时代，产品经理还有必要存在吗？ Lizzie的判断是：execution层会被AI取代。写需求文档、协调资源、push进度——这些最junior的PM工作AI可以做。问题是，junior PM本来就是靠这些工作积累经验的，现在入场券没了。 但同时，对senior PM的要求更高了：你要能驾驭AI产生的结果，能纠正AI的决策，能理解AI的能力边界。这些都需要大量经验——而经验又需要实操来积累。 她觉得最后剩下的那批人，可能不叫产品经理了，叫AI builder。"他可以用AI写代码、做设计、做research。他是管理者、纠偏者、coach。你叫他产品经理也好，程序员也好，AI builder也好——本质上是同一个角色。"

AI & Web3 events happening next week in Singapore 🇸🇬 May 4 15:00 - 17:00 AI 浪潮下的个人进化：如何用最新技术构建你的“数字大脑” 🔗 https://luma.com/4miwja9a 📍 NUS BIZ1 - Mochtar Riady Building 18:00 - 21:30 OpenClaw Singapore - Finance Edition 🔗 https://luma.com/nvzanw0i 📍 General Assembly May 5 18:00 - 21:00 OpenClaw Singapore - Lovable Edition 🔗 https://luma.com/2d0tao6t?tk=LW63ah 📍 Singapore Management University 18:30 - 21:00 GPT 5.5 Demo Night 🔗 https://luma.com/tu1yajd5 📍 Lorong AI @ One-North May 6 14:00 - 17:00 Shaping the Rules: MAS Consultation on the Prudential Treatment of Cryptoassets 🔗 https://luma.com/cua8zemf 📍 80RR Fintech Hub SG 18:00 - 21:00 OpenClaw Singapore FinTech Edition 🔗 https://luma.com/5xsrp34l 18:30 - 20:30 Ads & AI Singapore — 10th edition 🔗 https://luma.com/2vhe0s0y 📍 SQ Collective x Gen-AI Labs May 7 18:00 - 20:30 Claude Meetup #7 🔗 https://luma.com/wgkpa4m2 📍 Amazon Web Services Singapore 18:00 - 21:00 Staying Secure in the AI Era: Fireside and Networking for Tech Leaders 🔗 https://luma.com/fqzjsj9s 📍 Sky Bar @ COMO Metropolitan Singapore 18:00 - 21:00 The Modern Lawyer’s AI Tech Stack: When to Use Claude, OpenClaw or Legal AI Tools 🔗 https://luma.com/lts2w30a 📍 Singapore Management University May 8 19:00 - 22:00 Super-Individual Secret Club (SISC): The Toy AI Chapter 🔗 https://luma.com/ofdo61ky 📍 SGInnovate May 9 13:30 - 17:30 CodeBuddy × GLM — Global AI Hackathon 🔗 https://luma.com/8zmaufas 📍 90 Stamford Rd Check more information on https://www.blockevent.org/

2026年第一季度的数据，看着真的让人心里发凉 短短四个月，全球已经有9万2000多名科技行业的员工被裁 Meta宣布5月20号开始裁8000人，微软裁掉1万2000人，亚马逊裁掉1万6000个企业级职位，Oracle一边裁掉数千人，一边还公布了过去15年里最好的一个季度业绩 根据日经亚洲的报道，第一季度的这些裁员里，将近一半是因为AI直接取代了原本由人来做的工作 而最扎心的一点 这些大规模裁员的公司，今年在AI基础设施上的投入，是7250亿美元，比去年还高了77% Oracle有一位干了19年的资深总监，被裁掉之前，公司请她把自己的工作流程详细整理成文档 她整理出来的那份文档，最后被用来训练那个取代她的AI 但我想跟那些正在担心”下一个会不会就是我”的创业者、职场人和学生说一句话 你们问错问题了 上个月，我受邀到一所大学，做一场关于”2026年及之后的C级高管能力”的主题分享 中间一位学生举手，问了我那个早就预感到会被问起的问题，AI会不会连高管这一层也一起替代掉 我是这样回答他的 从2017年开始，我就在研究AI 当时我就在跟身边的人说，这东西会替代掉很多工作。包括大家以为”动不了”的那些角色，医生、律师，所有靠”专业知识”吃饭的职业，都会被波及 但大多数人问的那个问题，本身就是错的 AI是一个工具 工具能不能发挥它最大的作用，看的不是工具本身，而是它背后那个愿意为结果负责的人 所以问题不是”AI会不会替代你” 真正的问题是，你愿不愿意为AI产出的结果，承担最终的责任 一旦想明白这一层，你看AI的角度就变了 你不是在跟工具比谁更快，你是那个用工具的人 我现在每天做的事情，就是这样 我辅导创业者，帮他们把生意做出自己的国家，亲自参与投资，帮他们对接当地市场的合作伙伴，帮他们做出营收，把估值一步一步推到能成功退出的那一天 这些事情，AI能不能帮上忙，当然能，很多环节它都能做 但当一个判断做错了的时候，是谁来扛？ 数据里看不到的那一层市场，谁来读？ 那些花了好几年才建立起来的关系，谁来背？ 这一部分，永远还是人的事 如果你看到这里，心里有点发慌，我能理解，我自己看到这一切发生得这么快的时候，也常常会有同样的感觉 但你得诚实地问自己一个问题 你，是不是真的在为自己产出的结果承担责任 如果是，那你不会被替代，AI只会让你变得更锋利 如果不是，那你早就已经可以被替代了，被任何人，不只是AI 那9万2000个失去工作的人，并不是因为AI突然变聪明了才被裁掉的 很多人是因为他们头上的那个人，看明白了一件事，他们本来就不是那个为结果负责的人 这是这件事最让人难受的部分 但它也正好告诉你，下一步该怎么走 Chris​​​​​​​​​​​​​​​​

从裁员潮和失业率来看，就知道 AI 是没有泡沫的，人的工资才有泡沫，而现在泡沫开始破了… 当一件事 AI 可以更快、更便宜、质量还不差地完成时，人类的溢价从哪里来？如果这个溢价说不清，那它就是泡沫。 谁更贵，谁就更像泡沫。AI 做事情已经不是便宜一点，早就是数量级的差距。 ## 看影视行业：都说像玩具、开盲盒，但 AI 对普通人的赋能程度超乎想象。 很多人还在怀疑 AI 视频生成的前景： - “50块生成的视频不可控” - “质量不稳定” - “像开盲盒” 但同样的东西，在传统流程里，可能是几万甚至几十万的成本。 拍摄、灯光、演员、后期、渲染、反复修改……任何一个环节都是真金白银。所以问题不是AI 不稳定，而是我们在用一个几十块的工具，去对标一个原本需要几万块的工业流程。所谓开盲盒，本质上是把原本昂贵的试错成本，压缩到了几乎可以忽略的水平。 ## 看软件行业：都说是 AI Slop，但现在很多 CEO 已经开始亲自 coding，AI 成了他们商业能力的放大器。 Garry Tan 开始了，Naval Ravikant 最新的播客也在提“A Return to Coding”。软件产品的无数可能性被打开，尤其是以往十分困难的基于画布（canvas）的软件，现在推特上遍地都是。之前极其难上手的 GPU 渲染和应用逻辑在 AI 的辅助下变得轻而易举： - GPU Rendering Pipeline - State Management across two worlds (Frame per second rendering + Reactive UI rendering) - Instanced Rendering - Text Rendering / Editing - … 这些曾经都是高门槛工程问题，需要团队、经验、时间。而现在，一个人 + AI，就能把这些拼出来。 —— 这才刚刚开始——低杠杆工作必然被取代，很多看起来像能力的东西，其实只是熟练度而已。而裁员，本质是一次定价重算，这轮裁员，并不因为需求消失，而是因为供给结构发生了变化。而 inflection point 是 Opus 4.5 的诞生（2025年底）。当过去的需求已经不需要这么多人完成，这就是泡沫破裂（破裂的是人的薪水，而非 AI）。 AI 不是泡沫，单靠熟练度的知识工作者的工资才是。而现在 AI 工作结果的不完美，只是因为它才刚刚开始——门槛被极大降低之后，参与人数增加，平均质量略微下降，但上限和可能性已经被巨幅抬高。 那么你应该把时间花在哪里？你应该问：你是否在成为那个能指挥 AI，知道自己优势并能用 AI 放大自己优势的人。 当你能设计出好的软件架构时，AI 就能帮你写出高质量的代码来实现这个架构；当你能做出好的产品判断时，AI 就能帮你飞速迭代；当你的文字有温度、有思考时，AI 就能帮你指出思考的盲点，提供创作灵感，甚至帮你打造“爆款”。 现在看到的所谓 AI 爆款，其实都来自人的思考，只不过由 AI 执行了出来。如果你本身没有思考，AI 生成的也不过是一堆正确的空话。 所以问题从来不是 AI 有没有泡沫，而是当 AI 把执行成本压到足够低之后，你身上那些原本被市场高估的“熟练度”，还能不能继续支撑你的工资。 AI 不是泡沫，它是在刺破泡沫。被刺破的，是那些没有独特判断、没有审美、没有创造力、只靠流程熟练度撑起来的薪水。真正抗周期的，不是你的岗位，不是你的 title，也不是你过去积累的惯性溢价，而是你能否用 AI 放大自己的判断、创造和表达。 这才是下一轮重新定价的核心。

我简单地理解他们在面对美国收购/IPO时的考量是 - Manus：中国技术/数据是否借壳转移 - Airwallex：美国数据是否被中国触及 但今天看到36kr最近的研报把Airwallex列为中国科技出海公司范例？？ 有没有小伙伴解释下它的技术根在哪？（澳籍华人在澳洲创办，新加坡旧金山双HQ，短暂香港HQ，早期中资，在中国持牌有技术团队…算是强中国生态？）还有Manus case对它exit有什么影响？

今天才看到奥斯卡颁奖的新规，想起来可以在这个帖子底下回复，奥斯卡评奖的新规定：禁止给AI表演、编剧作品颁奖，“人必须是核心” 新规规定，要角逐最佳原创剧本或最佳改编剧本奖，剧本必须完全由一位或多位在创作时仍然在世的人类创作（即不得使用人工智能）。此外，学院保留随着人工智能使用方式的改变而修改规则的权利，但强调将始终致力于表彰人类的创作成果。 人类必须始终处于创作过程的核心。

但是得正经转码，培养工程能力，而不只是把程序跑起来… 转码这件事，已经被讨论了十几年，而且几乎每年都会有人断言，说现在转码已经晚了。 我们看个时间线： - 2014–2016 年：说外包会把工程师价格压低，公司会倾向从发展中国家雇佣更便宜的“程序员”来降本增效。 - 2017–2019 年：说网课、bootcamp 过于火爆，供给严重过剩；同时“大数据”热潮下，很多人绕开软件工程，用 Python 写出大量难以维护的代码（某种程度上，这些代码比今天被吐槽的 AI 代码更缺乏工程性，真的是能跑就行）。 - 2020–2021 年：说疫情会带走一大批岗位，经济危机就在眼前。 - 2022–2023 年：说大厂裁员，行业见顶。 - 2024–2025 年：说 AI 会替代几乎所有知识工作者，只是时间问题。 - 2026 年：说 AI 已经能写相当高质量的代码，还能连夜运行，每个人都能做软件，一人公司也能跑，不一定需要技术合伙人。 但这么多年来，有一件事一直没变：优秀的软件工程师，上班的在拿着很高的薪水和股票，创业的在创造一个又一个独角兽公司。他们一直都没被替代。 现在看起来需求在下降，其实是一种回调，本质原因是这个行业经历了一轮明显的膨胀（inflation）。 软件行业很开放：开源、工具、框架一层层往上堆，门槛不断降低。这是好事，参与软件的人越来越多，越来越多的人只要会写点代码就能做出精美的 App。网页端，用React、Tailwind、Shadcn 很轻松就能做个网页小程序；移动端，Apple 一直都在致力于降低编程门槛，这个反应到了 Swift 编程语言的设计上，和 Apple 时不时举办的编程活动、比赛中。 即便在有 AI 以前，写代码也一直在变得越来越容易，但由此认为软件工程师将被取代，肯定是不对的… 是软件工程师在降低进入软件行业的门槛，你们不能进来了然后跟他们说，啊不需要你们了。门槛的降低意味着更多的参与度、更好的生态、更多的可能性。就像当人类能够成功登月，下一个目标就可以是火星，再后边就是太阳系和银河系。写代码应该变得更容易，这样作为整体我们才走得更远。 （顺便提一句：程序员和软件工程师，是两个概念。很多软件工程师自称“码农“，其实是过去十几年他们在中文语境对 self resepct 意识不足的一种自谦… 好了说回来，现在对软件工程师的需求看似下降，还有另一个现实因素：面试难度和实际工作难度不匹配。 软件工程师的面试难度往往比实际工作高很多，于是就出现了一种微妙的情况：很多人日常做的事情，其实是标准化、重复性很强的工作，难度非常低。那 AI 一来，这些工作自然最容易被取代掉。 所以之前推特上才有了这种调侃： UBI（Universal Basic Income）已经发了，只不过发在了软件工程师身上。 拿着高薪，上班冲冲咖啡、聊聊天，AI 把活干了。 但如果你稍微认真想一下，其实被替代的，并不是“软件工程师”这个角色本身。 被替代的，是那些缺乏工程能力的代码生产者。 真正的工程能力，包括系统设计、复杂问题拆解、长期维护、权衡取舍、对业务的理解，还有在不确定中做判断的能力，以及在危机关头定位问题的绝对速度，等等等等。这些东西，反而是工具越强，越重要——因为 AI 是能力的放大器，使用者本身越有能力，AI 的辅助效果就越好——这也是为什么我在2026年，仍然极力推荐大家学习计算机科学和软件工程的原因。 所以，问题不是现在转码晚不晚，而是怎么转：是冲着热点来，在不怎么思考的情况下让 AI 把一款软件 vibe 出来；还是出于兴趣和好奇心来，慢慢把工程能力打磨出来。 后者将在 AI 浪潮中胜利，并且他们会发现，现在这种所谓的“打磨”，只要方法对，用好 AI，其实可以发生得很快，用不了太久。 过去十几年的“转码”，可能就像某些科技股票，在这么长的时间里，不论市场如何评价，现在你回头看，在过往任何时间点，你只要买了，在2026年你都是赚了的。