最近总有一些朋友过来问，比如portfolio有个founder搞定了美国的一单业务，领导也很支持，但他们ODI太难了，可以搞家新加坡公司吗，怎么搞。 我一看，千万别纯wash，被岛国gov一查一个准。真想搞，前提是真实业务、真实资金路径、真实的人在这里。少一样，这家公司迟早是个雷。 但这种来问的变多了，我也开始从生态角度反思自己，以及未来整个华人创业者和AI出海如何走向这种哲学问题。 作为一个几乎见证了中国上个周期经济上行期的人，3年前来新加坡确实觉得这地方的人，幸福得不需要格局和野心，每天最烦恼的事儿是今天停车位没了和头顶上的乌鸦变多了。今年因为AI出海太火，最respect的企业也只是在wework租了四个工位，对新加坡发展业务“认真尝试”。 毕竟在国内融了几百几千万美金，不去美国那个物价利率股市一片向好的地方搞一搞，对不起观众。 但新加坡自从manus这一起一伏的剧情之后，大家的心眼变多了。600万人口。横向看，上海3000万北京2000万人口，为啥不回国卷。除了线下，想不出其他bd和增长路径。to C的业务啊，哦线上流量比线下还贵。 那新加坡还能干啥？ 问我？上面的叙事全是错的。 新加坡从来不是市场，是位置。 站在操盘的角度看国际政治和两个双子座老爷爷👴的未来：动态发展的多边关系，利益博弈，甚至最基础的商业市场前景本身。 但前提是你真的在这里。四个工位加一个代持的时代，已经结束了。 新加坡不是目的地，它更像一个坐标。 你在这里设公司、融美元、见客户、招人，都只是表象。真正重要的是：当全球市场、资本和政治关系不断重组，你有没有给自己留下一块可以移动的位置。 所以新加坡到底是爱过、错过还是路过，其实取决于你把它当成什么。 这是当前政治经济格局下最有利的一颗棋子。你只是路过它，它也只会路过你。 全球化下半场，真正稀缺的不是找到一个完美目的地，而是保持自己移动和选择的能力。 所以别问我新加坡能干啥，先问你自己的野心有多大。

@Mia Mia 做的 Nora AI 不是育儿问答 chatbot。它的用法是：你录下 5 分钟和孩子的互动，AI 分析你的对话模式，告诉你哪些话说得好，哪些互动方式可以换一种。 这个产品逻辑在我听过的 AI 产品里很少见。大多数育儿 AI 做的是"你问我答"，本质上是一个包装过的 ChatGPT。Mia 做的事情完全不同——她在听你怎么带孩子。 1. 为什么不做 chatbot Mia 在节目里说了一句让我印象很深的话：家长不缺育儿知识，缺的是在压力下把知识用出来的能力。 你看过很多育儿书，你知道不应该吼孩子，你知道要用正面语言。但当孩子在超市尖叫打滚的时候，这些知识全部消失了。Chatbot 能做的是在你冷静的时候给你建议，但那不是你最需要帮助的时刻。 Nora 的逻辑是：你先去和孩子互动，真实地互动 5 分钟，然后 AI 分析你在那 5 分钟里到底说了什么、做了什么。它不是教你理论，是帮你看到自己的真实行为模式。 2. Chatbot 功能做了，又砍了 Mia 不是凭直觉放弃 chatbot 的，她真做过。 结果是：90% 的用户不用聊天功能。剩下那 10% 的重度用户，愿意为聊天功能付多少钱？不到 1 美元一个月。 这个数据直接说明了一个问题：育儿问答在 ChatGPT 和 Gemini 面前没有壁垒。家长如果只是想问"孩子不吃饭怎么办"，免费的大模型就能回答。把这个功能做成付费产品，没有人会买单。 所以 Mia 果断砍掉了聊天功能，把所有资源集中在录音分析和 coaching 报告上。 3. 核心价值不是"教你做"，是"让你被看见" 我在节目里听到 Mia 讲 coaching 报告的设计时，突然理解了这个产品真正在做什么。 5 分钟的录音里，AI 实际上在问你 30 个问题：你用了多少描述性赞美？你打断了孩子几次？你在孩子做对事情的时候有没有回应？你问问题的频率是多少？ 大部分家长录完之后最大的感受不是"AI 教了我什么"，而是"原来我是这样和孩子说话的"。 Mia 举了一个例子：有的家长 5 分钟里问了孩子三十几个问题，自己完全没有意识到。这不是好不好的问题，是你根本不知道自己在做什么。 我当时就觉得，这个产品的核心价值不是知识传递，是"被看见"。 4. 几个让我印象深的用户故事 一个工作很忙的爸爸，用了一周，女儿第一次主动抱了他。Mia 说那个爸爸给她发消息的时候，她自己也哭了。 另一个爸爸，每天都忍不住吼孩子，知道不对但就是控制不住。用了两周，打破了吼叫循环。 还有一个妈妈，孩子有轻度 ADHD，她什么方法都试过，已经半信半疑。用了 14 天，孩子的行为有了明显改善。 这些故事的共同点是：变化发生得比预期快得多。Mia 说，临床上 5 分钟是经过验证的最短有效时长。不是随便定的数字。 5. 为什么走临床路线 大多数 AI 育儿产品做的是消费级产品，快速获客快速增长。Mia 选了一条更难的路：走临床验证。 她给了三个理由。 第一，信任。育儿不是买一杯咖啡，家长把自己和孩子的互动录下来交给一个 AI 分析，门槛很高。有临床背书，信任问题才能解决。 第二，如果这个方法对 ADHD、自闭症等临床人群有效，那对普通家庭就一定有效。先验证最难的场景，再覆盖所有人。 第三，医疗器械路径。如果走通临床认证，保险公司和雇主可以买单。这意味着完全不同的商业模式。 目前台湾已经有心理学家在让他们的用户用 Nora，甚至在探索能不能用 Nora 改进现有的临床流程。有一个案例在做对比实验：传统路径需要每周见心理医生两年，现在试 6 个月心理医生 + Nora APP，看能不能达到同样效果。 6. 技术上到底做了什么 很多人会问：这不就是录音转文字再丢给 GPT 吗？ 不是。Mia 在节目里讲了技术栈的细节。 语音转文字用的是现成模型，这一步不是壁垒。但接下来的几步都是自研的：说话人分离（区分谁在说话），语气和情绪分析，以及最关键的——按照临床框架对文本进行分类。最后一步是自研的专利模型。 报告生成环节用的是现成 LLM，但核心在 context engineering——怎么把前面几步的分析结果组织好，让 LLM 生成符合临床标准的建议，而不是泛泛的"你应该多夸孩子"。 所以整个技术路线是混合的：该用现成模型的地方用现成模型，该自研的地方自研，关键是知道哪一步是壁垒。 7. 为什么选亚洲，不去美国 投资人都建议 Mia 去美国。她没去。 她的判断是：亚洲的 impact gap 更大。美国有大量的育儿资源、心理咨询师、成熟的保险体系。亚洲呢？新加坡给每个公民家庭提供了免费的 Triple P（正面管教）在线课程，但那是澳大利亚的框架。 Mia 在一个展会上遇到一个家长，对方问了一个问题：为什么市面上所有的育儿培训都是西方的？亚洲文化和西方不一样，为什么我们不能有自己的？ 这个问题让 Mia 更加坚定了方向。她的临床顾问钟教授（台湾，20+ 年临床经验）把西方的循证治疗框架适配了亚洲家庭。Mia 要做的是：基于亚洲专家的经验，做一套真正为亚洲家庭设计的育儿体系。 产品 2026 年 3 月在新加坡上线，随后进入台湾。2000+ 付费用户，零广告投放，基本全靠口碑和心理医生转介。 8. 一上来就收费，PMF 验证到哪了 Mia 从第一天就设了付费墙。 两类用户群体的 PMF 进度不同。临床端（孩子已有诊断、已在看心理医生的家庭）已经验证了——用户粘性高，理解产品逻辑，不需要 Mia 解释为什么这个好。他们只是把 Nora 当成日常练习的工具。 消费者端还在迭代。有一批忠实用户，但 Mia 觉得还没到可以花钱大规模推广的阶段。所以到现在为止没做过任何 marketing，没投过广告。 她说，她要等到产品到达一个她觉得可以用钱来帮助增长的程度，才会做更大的推广。这个判断挺少见的——大多数创业者恨不得尽快砸钱获客，Mia 选择先把产品打磨到位。 欢迎访问和使用：https://hinora.co/

@Zijian 子健-TalkMe 做了三个 AI 产品：Talkme（AI 口语练习）、ListenLeap（用播客和 YouTube 学语言）、Stances.ai（从播客中提取一手信源做研究）。 三个产品看起来很不一样，但底层有一个共同的判断：声音是被低估的信息媒介。他在节目里说，声音比文字信息量更丰富，比视频少很多噪音。 这个判断贯穿了他整个产品矩阵的逻辑。 1. Talkme：不是和 Duolingo 抢生意 子健 2024 年初做 Talkme 的时候，只是做了一个很简单的 AI 对话 demo，丢到 B 站和海外的导航站，结果意外爆火，来了几万用户。那是 GPT-3.5 Turbo 的时代，他意识到 AI 口语练习的 PMF 已经验证了。 但他很清楚自己不是在做第二个 Duolingo。Duolingo 的核心是零基础用户的习惯养成——每天五分钟，打卡积分。Talkme 做的是"学以致用"：你已经有一定基础了，但是不敢开口，不知道怎么用。 大模型的语音聊天功能呢？子健的比喻是：大模型像一个什么都知道的美国朋友，你问什么他都能聊，但他不是老师。他不会纠正你的发音，不会帮你设计进阶路径，不会在你犯同一个错误三次的时候停下来教你。Talkme 有完整的课程体系和进阶路径，全球积累了近 1 亿条用户语音录音——这是大模型没有的数据壁垒。 AI 的一个天然优势是多语言：同一套产品逻辑，可以用国家 × 语言的矩阵打法覆盖全球市场。台湾目前仍是最大市场，日本的 ROI 不错，大陆增长很快。 2. ListenLeap：听力的场景比口语多得多 Talkme 做的是"说"，但语言学习有输入和输出两个方向。子健发现，听力的使用场景远比口语多——通勤、做饭、跑步，这些碎片时间都可以听，但很难开口练。 YouTube 上有 30 亿语言学习者。这是一个巨大的存量市场，ListenLeap 的逻辑是：用播客和 YouTube 内容做沉浸式听力练习。产品上线小红书后，增长翻了 10 倍以上，成为小红书语言学习品类排名第一。 有意思的是，团队在这个阶段反而变小了，但收入在涨。效率提升本身就是 AI 时代的一个缩影。 3. Stances.ai：不生成，只检索 Stances 是最新的产品，也是最独特的。它的起点是 ListenLeap 里的一个功能：既然已经在处理大量播客内容，那能不能从中提取有价值的信息？ 这个功能后来独立成了一个产品，核心卖点是四个字：一手信源。 你问一个问题，Stances 不会像 ChatGPT 一样给你生成一个答案。它会告诉你：哪个人类专家，在哪期播客里，说了什么。不同专家的观点是共识还是分歧。同一个话题随着时间怎么演变。每一个论点都链接到播客的原始时间戳，你可以直接跳过去听原话。 比如搜 DeepSeek，你会看到 a16z、YC、Nvidia AI Podcast 等不同来源的专家各自的判断。 这里有一个关键的技术选择：Stances 不是生成式的，是检索式的。子健说，技术路线跟大模型根本不同。他们自研了模型（数十亿参数），基于 ListenLeap 一年多积累的播客数据标注来训练。 没有就是没有，不会强生成。你问海南鸡饭怎么做，如果播客里没人聊过这个，Stances 就直接告诉你没有——不会硬编一个答案出来。 这也决定了它跟 Perplexity 的本质区别。Perplexity 是 AI 搜索引擎，基于网页，什么都能搜。但网页是二手甚至不知道几手的信息。Stances 只做一手信源，不求全但求专，服务的是决策成本高的人群——投资人、分析师、创业者、科技研究者、记者。这些人不需要一个什么都能答的 AI，他们需要知道：关于这个问题，真正懂的人怎么说的。 4. 不替用户做判断 Ellen 在节目里问了一个很好的问题：如果出现新证据推翻了之前的结论，Stances 会主动提示用户吗？ 子健的回答很直接：我们不认为谁对谁错。沿着时间线，在不同时间点展示不同观点的演变，让用户自己判断。物理学家和化学家看同一个问题的逻辑不一样，判断也不一样，但不一定有谁对谁错。 这个产品哲学其实很少见。大多数 AI 产品都在努力给你"最好的答案"，Stances 反而在克制——它的价值不在于帮你想，而在于帮你看到所有人怎么想。 5. AI 创业的三个阶段 子健创业 6 年，大模型之后的 AI 创业已经两年多。他把这两年分成三个阶段： 早期，急着做出产品证明自己。中期，验证了一部分，急着扩量增长，但商业模式还不稳定。到现在，他说心态稳定了很多——知道自己的边界在哪，不给自己过高期望，跟投资人和其他 CEO 聊天也更敢于表达自己的观点，不去迎合。 他也很坦率地说，创业 80% 的时间都处于很 down 的状态，因为压力。但每发现一个新机会做出来的时候，就觉得"我又行了"。对于连续创业的人，压力已经成为日常。 他提到了一个新的生产方式：三款产品都是清北的状元加上斯坦福、哈佛、普林斯顿的同学们做的，资深工程师做架构引导和安全防护。用初生牛犊的创造力加上老手的经验，做得非常快。 6. Vibe coding 做出产品不难，找到付费用户才难 最后子健说了一句让我印象深的话。 他说，现在 vibe coding 很强，一个周末做出一个跟我们八九不离十的产品，不是不可能。但你如何获取到第 1000 个、第 1 万个付费用户，这是非常难的一件事情。 几个产品从 0 冷启动到运营，到第 1 万个付费用户，到第 10 万刀收入，这些经验既适用于全球市场，也适用于中国大陆市场。而且很多认知是团队积累的、没办法被文字化的——只有做到那个点，遇到类似的问题，才知道该怎么办。 技术壁垒在降低，但运营壁垒没有。这大概是 AI 创业进入深水区之后最真实的一句话。

起因是我彻底被Netflix拍的《百年孤独》里的费尔南多给整创伤了。 如果说布恩迪亚家族的男人们是用狂热和孤僻毁掉自己，那费尔南达就是用教条和伪善将整个家族拉入冰冷深渊。 1. 毁掉女儿梅梅：母权暴政与极权镇压 剥夺快乐： 用戒律套牢梅梅，强迫她学古风琴，试图把她塞进死板的模型里。 残忍借刀杀人： 叫警卫打残梅梅的爱人，将怀孕的梅梅囚禁于修道院，把外孙当作“漂流儿”隐藏。 她不是不爱女儿，她是只爱“符合她秩序”的傀儡。 2. 精神阉割丈夫：冷暴力与受害者姿态 用禁欲与规训推开丈夫，逼得对方逃向情妇。 终日用连绵不绝的抱怨进行精神折磨，哪怕家族坠入贫困，依然紧抱黄金便盆不放。 3. 权力结构：审判所有人 再看她构建的家庭关系，是一个彻底的权力结构，她坐在最中间。你几乎挑不出她的错，她总是道貌岸然和冠冕堂皇的大道理。 你几乎可以感觉到她就是想让自己的丈夫和女儿失败，这样可以维持她的正确。 这也是她说整个布恩迪亚大家庭是疯人院，只有她坐拥了一个上帝的概念就有了对所有人的审判权。 上次有这种被严重创伤的体验还是看《再见爱人》的麦琳。 为表对Netflix的敬意，股票建仓了，AI电影绝对不可能搞成这样。

全球餐饮AI市场今年要突破200亿美元。 美国这边，MarginEdge刚融了8000万美金做餐饮后台运营自动化，Loop AI融了1400万做餐饮连锁的"AI agentic co-worker"，Owner估值23亿美金用AI agents帮餐厅管营销。国内红餐网也刚出了《2026餐饮AI报告》，海底捞AI巡检覆盖全国门店，麦当劳AI点餐客单价提升4.5%。 资本在砸钱，大品牌在落地。但餐饮AI渗透率依然很低。 最近聊了一个在新加坡开30家清真中餐连锁的老板，发现一个更真实的瓶颈：你的数据还在纸上。 东南亚的中小餐饮连锁更甚，系统割裂、语言混杂、纸质流程是常态。新加坡算数字化程度高的了，但餐饮老板们面对的依然是三套互不相通的收银系统和一叠纸质送货单。 这位老板把在国内的技术敏感度直接平移到新加坡：他先花一年把数据从纸上搬到系统里。三套收银系统统一成一套，排班从Excel搬到AI。 其中最关键的一步是上了ccMonet，以前供应商送货就是一张纸质送货单，月底对账翻一叠纸，老板想知道某个品类的采购成本是涨是降？没办法，翻单据去。上了ccMonet之后，每一笔采购明细都是数字化的——成本、品类、供应商、历史价格，全部可追溯。餐饮最基础的问题解决了：知道钱花在哪了。 然后开了个Claude team账号，7个人，公司付费。 把ccMonet的成本和采购数据、HR系统上的工时数据、POS机的销售数据丢进去——每个月2号就能预测上个月完整的P&L。以前要等到20号会计出完账才知道。 全球大多数餐饮老板，不管在中国、东南亚还是别的地方，面对的不是"用哪个AI模型"的问题，而是"我的数据在哪里"“我能看到的数据颗粒度有多细”的问题。 不需要几千万的系统。先把数据从纸上搬下来，一个ccMonet加一个Claude账号，就已经能跑很远了。 也许AI在餐饮的真正瓶颈并不是技术。

Jerry Liao，在新加坡 21 年，做餐饮 10 年，壹碗 First Bowl（清真中式快餐）和新奇汉堡 Shiok Burger（中西融合汉堡），合计约 30 家店。Eric Bao，壹碗 CEO，2024 年加入，负责从 1 到 10 的运营和数字化。 他们不是 AI 创业者。他们是每天要管三十几家店、服务将近一万份餐的餐饮人。他们眼里的 AI 不是 agent 架构，不是 multi-modal，而是我的排班表能不能快一天出来，我的毛利率能不能不用等到下个月 20 号才知道。 1. 清真认证不是情怀，是护城河 Jerry 从兰州拉面起步，做着做着发现一件事：新加坡的清真中餐几乎是空白。 不是没人想做，是不敢做。拿 Halal 认证意味着后厨、供应链、员工全部要重构——猪肉不能碰，酒不能碰，调料供应商要重新审查，连厨房的锅碗瓢盆都得换。很多中餐老板一看这个代价，直接放弃。 但 Jerry 算的是另一笔账。新加坡的穆斯林人口只占 15%，但他们的选择权影响了大多数人的决策。"你一群朋友出去吃饭，只要有一个人吃 Halal，全桌就得迁就他。"做了清真认证，你什么人都能服务，营收直接多 30%–40%。 他管这个叫"少数人影响多数人"。竞争对手不是不想抄，是抄不动。 39平米、3个人、一天3000新币、大概出350份 Jerry 不追大店。他的模型是极致小店，39 平米，3 个人，一天 3000 新币，出350份。 坪效和人效是他最在意的两个数字。店不需要大，品类不需要多，但每一平米、每一个人的产出要够高。他说很多餐饮老板开到第二十家店的时候想的是"下一家开哪"，他想的是"这 20 家每一家的效率还能不能再挤一挤"。 中国餐饮品牌这两年大量涌入新加坡，很多人问 Jerry 怕不怕。他说不怕——他们来了，看到要做 Halal 就退了。清真认证不是花钱就能解决的事，它需要你从第一天起就用完全不同的逻辑搭后厨和供应链。 3. "我是一个虎头蛇尾的人" Jerry 说了一句让我印象很深的话。 "我是一个虎头蛇尾的人。擅长从 0 到 1，但不擅长把一件事做到极致。" 所以他把壹碗交给了Eric，自己去开新赛道——新奇汉堡。中西融合汉堡，皮蛋烧椒鸡肉汉堡成了爆款。 这种自知之明在创业者里很少见。大多数人会觉得"我创立的品牌我最懂"，舍不得放手。但 Jerry 很清楚：他的价值在开荒，不在精耕。0 到 1 和 1 到 10 需要完全不同类型的人。 4. 纸质送货单变数字化采购明细 Eric 2024 年接手壹碗的时候，面对的第一个问题不是 AI，是数据。 三套互不相通的收银系统。纸质的送货单。排班靠 Excel。客户评价散落在 Google、Grab、Foodpanda 各个平台。老板想看上个月的毛利率，要等到这个月 20 号会计做完账才知道。 他花了一年多时间，一点一点把这些拼起来。收银系统统一成一套。排班上了 新的HR软件，每个店每小时的人力成本实时可算。客户评价也通过Google Review 自动同步，AI 辅助回复。 这些东西听起来都不性感。但 Eric 说，没有这些，后面所有的 AI 应用都是空中楼阁。 5. ccMonet：知道钱花在哪了 所有数字化工具里，Eric 花最多时间讲的是 ccMonet。 以前供应商送货，凭证是一张纸质送货单。月底对账，要把一叠纸翻出来，一笔一笔核。老板想知道某个品类的采购成本在涨还是在降？不好意思，翻单据去。 上了 ccMonet 之后，每一笔采购明细都是数字化的——成本、品类、供应商、历史价格，全部可追溯、可对比。Eric 说，这解决了餐饮最基础的问题：知道钱花在哪了。 更关键的是，ccMonet 的数据成了 AI 应用的地基。Eric 后来用 Claude 做月度 P&L 预测，成本端的数据就是从 ccMonet 的接口拉出来的。没有这一层，AI 根本没有东西可以算。 6. 月初2号就知道赚没赚钱 数据基建做完之后，AI 才有东西可以算。 Eric 现在用 Claude 的 team 账号，7 个人，公司付费。他做了一件事：把 ccMonet 里的成本数据、HR系统里的工时数据、POS里的销售数据，汇总丢给 Claude，让它预测当月的完整 P&L。 以前要等到月底 20 号会计做完账才知道上个月赚没赚钱。现在每个月 2 号，他就能拿到一份预测，虽然不是最终数字，但偏差已经很小。 "我需要它快，等到 20 号什么都知道了，但调整的窗口已经过了。2 号知道一个大概，我当天就能做决策。" 他还用 AI 追踪一个指标叫 SPLH（Sales Per Labor Hour），每家店每小时的人效。每个月 1 号报表出来，第二天就发给运营经理：哪家店的人效在下降？是排班的问题还是客流的问题？快速调整。 7. 60分的Excel，20分钟变成90分的方案 Eric 讲了另一个让我印象很深的用法。 他们要上一套门店巡检体系——评分 ABC，跟奖金挂钩。运营经理给了他一个 Excel，很简陋的一个表格。 他把这个表格丢进 Claude。20 分钟后回来的东西，他说"基本上是一个 90 分的巡检标准"——权重怎么设、前厅后厨怎么分、怎么跟员工考勤和表现挂钩、怎么跟奖金挂钩，整套逻辑全有了。 "以前这个事情需要 HR 部门比较牛的人，再跟运营的人配合，花一周出一套体系。我 20 分钟就生成了完整的东西。运营经理第二天就可以发全员通告。" 他还用 AI 审合同。"以前要请律师，现在 AI 比 99% 的律师都强，直接给你提出文本要修改和避免的地方。" 以前可能需要 10 个人做的事，现在 2 个人搞定。 8. AI 在传统行业，瓶颈从来不是技术 录完这期我最大的感受是：AI 落地在实体行业，瓶颈从来不是技术，是数据的颗粒度。 Eric 花了一年多时间做的那些"不性感"的事——统一 POS、上 ccMonet 做财务数字化、用 StaffAny 做排班数字化——本质上是在铺数据管道。管道不通，AI 再强也没有东西可以算。 很多 AI 创业者想进餐饮行业，Eric 的建议是：订货管理和 BOM（原材料消耗）成本控制，这两块目前还没有特别好的工具。他们自己可能也要靠 AI 自己搭。

前几天把两个本来不会碰面的团队拉到一张桌子上。 一家是国内风头正火的企业级 AI 编程和工作流平台，红杉联想腾讯投了数千万美金，他们做三件事：多模型协作的AI Coding、Agent Factory、以及FDE。 他们来新加坡，是在研究下一个值得用FDE模式深入的垂直行业。他们之前多人独立问大模型"哪些行业最值得 AI 创业进入"，货代和航运几乎每次都排top3。理由是：商业价值高，knowhow深但可标准化，AI渗透率极低。 他们找到我，问能不能帮他们约一下在新加坡做航运AI的founder。 1. agent已经开始纠正人类了 用户说"找干散货船"，但货描写的是液态货。以前的规则系统会照着用户说的去找，你说啥就是啥。但现在agent自己读了货描，判断出"你给的信息是错的"，直接去找油轮。 还有一个：全球9000个港口，有一个怎么算都不对。agent自己跑了统计脚本做逻辑推理，回了一句话：你们是不是把这个港口的经纬度搞反了。回去一查，真搞反了。 这个团队听完说，这正是他们做多模型协作的核心判断，AI编程的瓶颈已经从"生成速度"转向"质量和可信度"。能发现人发现不了的错误，才是真正的壁垒。 2. 6 个人的公司，agent自己在获客 没有销售团队。agent每次匹配完自动触达top 30 船东拿报价，船东收到触达就成了用户。然后一个货主上来拉一批船东，船东又拉自己的货，一个拉一串。 核心匹配算法自研，大模型只用在自然语言解析和触达获客，因为用大模型做核心匹配不是最经济的方案。 3. 不收佣金是刻意选择 商业模式是收subscription fee而不是交易佣金。因为一收佣金就变成了线上broker，就要跟所有线下broker打架。不收佣金 = 我不抢你利益，我只是你的AI decision layer。 客户的信任是一步步建的：先给你不好做的单子，线下搞不定的才丢给你。你搞定了是第一个wow，成交了是第二个wow。 4. 人才是AI项目最大的bottleneck 现在的瓶颈不是agent能力，是屏幕前做决定的那个人。这位创始人说80%的确认人看都不看就点yes。那干脆让agent自己跑，跑完再验证。 一句 prompt自动拆目标、分任务、多 agent 并行推到结果，不是每一步问你要不要。

这期请了两个完全不同的人来聊 AI 时代的营销。 一辰是 CapgoAI 的创始人，做 AI 驱动的 SEO/GEO，服务 AI 公司和软件公司，Harvard MBA，典型的 AI 圈创业者。 Ashley 小周 @是小周Ashley 是 Sukoon 素寻的创始人，在新加坡做洗护品牌——沐浴露、补充装、香氛。一人公司，去年 12 月上市，8 个月做到约 3000 单。她不是 AI 从业者，但她用 AI 的方式，比很多 AI 公司都值得聊。 我想聊的主题叫 AI Native Marketing——AI 时代的营销到底变了什么，没变什么。分三个板块：Workflow、Taste、Pattern。 1. 过去一年就是我一个人跟七个机器人讲话 Ashley 做 Sukoon 的第一年，从品牌定位到供应链到产品开发，全程只有她和 ChatGPT。她在 ChatGPT 里建了一套虚拟团队，有人负责复盘、有人负责战略、有人负责产品——当然都是 AI。 但品牌上市的时候，她说了一句让我很意外的话："我突然丧失了表达的欲望。我非常想要听到真实的人对于这个产品的想法。" 于是她做了一个看起来很"反 AI"的决定——all in 线下。8 个月里跑了 7 个展会和卖点，一单一单地卖，面对面观察每一个陌生用户。 她看的不是销售数据，是微表情：用户路过展位时为什么停下来，闻到味道的第一个反应，听到哪句介绍后主动问价，对价格的第一反应是什么。 "这个过程我可能会重复上百上千遍。" 她说这些微表情对她来说就是数据库，而她本人就是那个数据处理引擎。AI 给不了这个。 2. 感知没有办法被代替 我问 Ashley，你的工作流里哪些被 AI 接管了，哪些绝对不会。 接管的：财务和法务——报表下载上传，AI 出分析，能完成 80% 的需求。图形处理——自己先拍照，AI 做二次创作。 绝对不会的：判断。 "不管是产品决策还是市场判断，到最后都是基于我个人的经验和感知。AI 目前还没有办法达到，给出一个代替的方式，因为感知这个东西是没有办法被代替的。" 她举了一个例子。选瓶型的时候，工厂里三四百个瓶子，她 20 米外看到第一眼就知道那是她的瓶子。选香调的时候，她坐在那想——如果 Sukoon 是一个人，什么瞬间会让他感觉到自己存在？她想到的是两三月份阳光下拨开橘子皮，水汽迸发的那个瞬间。 这些东西没有数据支撑，没有逻辑推导。但 8 个月线下验证的结果证明：她觉得好的，市场也觉得好。 3. AI 信息不够的时候也会下结论 一辰从乙方视角聊了一个很实在的问题。 CapgoAI 做 SEO 服务，很多环节已经被 AI 自动化了。但他说唯一不能自动化的，是跟客户的交互。 "甲方优化的可能不是流量，可能是'我老板在乎的那 5 个词的点击率'。"这些 context，AI 拿不到。 更致命的问题是，AI 在信息不够的时候也会下结论。"它不像人一样，会说'我数据信息不够多，所以我没法下这个结论'。" 他举了一个具体的例子：让 AI 分析一个网站做了哪些关键词，AI 会直接读 URL 就以为自己读了网页内容，然后给出一个错误的结论。你得人工逼它真正去读。 Context 给多了也不行。"AI 在读 context 的时候，信息太多它会 confuse。人能抽象重点，但 AI 不能。老板说的两句话，比下属说的 100 句话都重要——这种 context，AI 获取不到。" 4. 公司最大的损耗不是做得慢，是做错了 一辰说 taste 就是 judgment——决定做什么。 他分享了 Harvard 一个教授的观点：怎么训练 judgment？多做对结果负责的决定。教授说他创业几次，裁过四五十个人，每一个人叫什么、怎么裁的、对方的反应，他全都记得。但他读过 100 多个关于裁员的 case，一个都记不住。 "当你真正做了一个决定，对它负责的时候，它对大脑的训练和你纸上谈兵是完全不一样的。" 然后他说了一句让我印象很深的话。创业初期他总觉得 co-founder 工程做得慢，觉得这是公司最大的损耗。但回头看——"公司最大的损耗全都是我做了一些后来没有用的功能。" 这个 judgment 在 AI 时代更贵了，因为 execution 变便宜了。做一个东西比以前容易很多，但做错一个东西的代价没有变小。 5. 如果你是 0，AI 乘 10 还是 0 一辰聊 go-to-market 的时候说了一个我觉得很精准的判断。 B2B enterprise 的 GTM 没有本质变化。线下 in person 反而比以前更重要了——因为大家收到了太多 AI 自动化发的邮件和 LinkedIn，注意力更稀缺。"我在楼下看到有个人蹲在那放个板卖房子，我觉得这个效率多半比他在网上投广告要高。" 真正变了的是 B2C 和 PLG。AI 对优秀个体的放大作用特别大。 "如果你是 1，AI 让你乘 5 乘 10，你就是 5 或 10。如果你是 0，乘 5 乘 10 还是 0。" 他用了一个枪的比喻：没有枪的时候，大家打架看谁武功好。有了枪，看谁的枪好、谁的枪法好。有了 AI，看你用 AI 的水平、你的 judgment、你的 taste。 "你始终是需要比 average 强，你才能获得更多客户。" 6. 用 AI 蒸馏自己的直觉 Ashley 说了一个很有意思的用法。她不是用 AI 来替代判断，而是用 AI 来理解自己的判断。 她会问 ChatGPT：为什么我选了青橘皮？为什么选木质调？AI 帮她从这些直觉里抽出框架——原来是因为她想面对的是 AI 时代人们对确定性的渴望，而什么是确定性？是不需要思考的、直白的、瞬间爆发的感受。 "我跟 AI 不断沟通之后，它会帮我抽一些框架和架构，我去反推，哦，原来是因为这个。" 她还建了一个"30 年后理想状态的自己"，从终局倒推当下每一个决策——哪些和理想状态是错位的。 但她也说，AI 工具更新太快反而成了负担。她现在的策略是"让子弹飞一会"，只在一个工具里深挖，不追新。 7. 1/10 薪水、1/10 时间，买的是 20 年经验的判断 Ashley 的团队架构是这期我最想记住的东西。 一人公司 + AI agent 矩阵 + 4 位超级个体 part-timer。4 个人里有 3 个是 20 年以上行业经验。她给他们正常薪水的 1/10，但也只需要他们 1/10 的时间。 "就像 fine dining，你花很高的价钱买一个 set menu。买的其实就是这些侍酒师和主厨通过十几二十年的专业经历给你的判断。" 她不喜欢雇佣关系，觉得"大家一定要拥有自己的根之后互相生长，才能结出自己的果子"。 前 7 个月坚持线下一单一单卖，不急于爆单。有人问她为什么不第二个月就进直播间。她的回答是：卖 1 万单只有 1000 个评论，剩下 9000 个人怎么想？"这种恐慌对我来讲更可怕。" 曼谷展会，全场最年轻的品牌——才 7 个月——但唯一全售空。 8. 做 100 个烂视频，不如好好做一个 最后一辰说了一句我觉得可以当这期的结语。 "AI 时代 spam 变得很便宜，但所有平台都想 remove 这些 AI 生成的 spam。不是因为 AI 生成的不好，而是因为它没给用户带来什么价值。" "做 100 个烂的视频，不如好好做一个极高水平的视频。" 这跟 Ashley 用 AI 工具做了一圈视觉素材，最后还是让人手绘完成的逻辑是一样的。AI 能做的越来越多，但"好"这个标准没有变。 品味不会因为工具变便宜而贬值。恰恰相反。

Harris @Harris 是我在新加坡认识的一个营销老炮。Apple 在线商店待了近 5 年，然后跳进广告行业，在 Facebook Marketing Partner Nanigans 负责大中华区，帮 FunPlus、IGG 这些头部 SLG 游戏公司做海外投放。再之后进入 Meta，专门负责大中华区游戏——莉莉丝、米哈游、哔哩哔哩、游族都是他的客户。 "最夸张的一次，全球前 10 的 SLG 游戏公司，9 家都是中国的。"那是中国游戏出海的盛世。 2022 年他离开 Meta 创业，兜兜转转经历了区块链游戏，2024 年底 all in AI，在新加坡做了一家叫 A65 的公司。A65 做的事情听起来很大：用 AI agent 集群接管企业的整个营销链路——从用户洞察到投放策略到广告创意到 24 小时盯盘。 1. 不要为了 build agent 而 build agent Harris 说他去新加坡的创业活动做分享，最常问台下一个问题："你今天有一个实习生的岗位，你到底能不能清晰地定义出这个实习生能够给你干什么？如果你没有办法定义出来，那你一定也没有办法定义一个好的 agent 出来。" A65 一开始也踩过这个坑。最早他们把 AI agent 当效率工具——用它来 vibe coding，用它来帮员工提速。但很快发现，"如果你把它当成 agent，你的产品形式本质上没有什么变化，只是提高了效率。" 后来他们做了一个很大的转变：agent 不是工具，agent 就是产品本身。 2. 功能性 agent 里不放 memory 这个设计决策让我印象很深。 A65 把 agent 分成三类：一类是 AI 员工（跑在 Mac mini 上的 Hermes agent），一类是功能性 agent（执行具体技能的），一类是 governance agent（评估和监控的）。 功能性 agent 里，他们故意不放 memory。原因很实际："我不能让 A 客户的信息影响到 B 客户的输出。A 客户的数据也不可能被 B 客户看到。" 他们最早用 Hermes agent 的时候发现，当多个客户的 brief 进来，agent 的 skills 和 memory 会跟着变——用得多的客户会让整个产品往那边倾斜。如果要服务成百上千的客户，一致性和稳定性才是最大的难题。 所以 A65 在 governance 和 guardrails 上花的精力，远超大多数人想象中的 agent 公司。 3. 你想让 AI 给你 100 分，你至少自己要达到 85 分 我跟 Harris 聊到 CreativeOS——他们的广告创意生成系统。我说很多做营销的朋友从来不用 AI 做内容，觉得 AI 做的东西 mediocre。 Harris 的回应很直接："今天不是说 AI 不行，是因为你的 prompt、你的输入不行，它就输出不行。你想让 AI 给你达到 100 分，你至少自己要达到 85 分。" 所以 A65 在 CreativeOS 里做了大量的 harness——不是让用户随便输入一句"帮我做个咖啡广告"，而是把专业广告人的工作流程 build 进系统：先找用户 motivation，再结合产品卖点，形成策略，拆成 idea，然后分镜、hook、call to action、品牌信息——每一步都有套路。 "一个十年经验的创意总监和一个普通人，用同一个系统，得出来的结果是完全不一样的。" 这跟 Seedance 是一个道理——模型都在那里，谁都可以用，但输入的质量决定输出的质量。 4. 91.6% 够用了，不追 100% A65 有一个叫 CrowdOS 的产品，做合成受众——用 AI agent 模拟真实消费者做市场调研。他们用 Big Five（大五人格）模型构建 agent 的人格，然后每天喂新闻，让 agent 在服务器里自发 debate 形成观点。 他们跟 Pew Research 的公开面板做了校准，一致性达到 91.6%。 我问他剩下的 8.4% 差在哪，能不能往上做。他给了三个理由不做： 第一，校准的对象是已经发生的报告，做到 100% 匹配过去的数据并不等于预测未来更准。第二，统计学上 75% 以上就已经够用了。第三，成本——从 91.6% 再往上每升零点几个点，成本就会暴涨。 "我们不是在做 100% 准确的科研研究，我们是做商业可用的产品。" 这种克制在 AI 圈子里不常见。大部分人讲的是模型越准越好，Harris 讲的是：够用就是够用。 5. 我们不会干预 perspective 的形成，我们只喂原材料 CrowdOS 里有几千个 agent，每个都有持续的 memory。Harris 说他们每天给 agent 喂当地和国际新闻，让 agent 自己产生 debate，自己形成观点。 但他们也有监控：如果有某个 agent 说服力太强，把其他 agent 的观点全部 convince 掉了，系统会捕捉到。 "我们不会干预 perspective 的形成，我们只是喂原材料。" 我追问大模型本身偏英文、偏富裕、偏城市、偏上网多的人，怎么让合成受众代表更边缘的群体？他说他们同时接了 5 个模型——Anthropic、Gemini、OpenAI、DeepSeek、Kimi——中国模型和海外模型都在，就是为了消除单一模型的 bias。 而且不同市场会单独定制校准数据——不是每个国家都有 Pew Research 级别的报告，有些市场甚至要从社交媒体数据来补。 6. Tier 1 客户的 90 分方案，到 Tier 2 就是 120 分 Harris 讲商业模式的时候说了一个我觉得很聪明的策略。 他们的大客户（Tier 1）都是定制化服务，方案做到 100 分。但大客户的需求做成标准化产品后，可能只有 90 分——差的 10% 就是定制化的部分。 "但是我们今天这个 90 分的标准化方案给到 Tier 2 的中型客户，对他们来说可能就是 120 分了。因为他们远远没有那么 advance。" 这不是一个新逻辑，但在 AI agent 产品上第一次听人讲得这么清楚：用头部客户的经验喂养产品，然后把高浓度的 knowhow 通过标准化产品释放给中型客户。 7. 不是为了新而新，MCP 有缺点就用 API 最后一个让我印象深的点。 A65 的官网上写了一句话：fluency is not capability。流利不等于能力。这句话来自 1965 年 MIT 的 ELIZA 模型——也是 A65 名字里"65"的由来。 Harris 说他们在技术选择上非常务实："我们不是为了 agent 而做 agent。有些东西直接可以用代码写死的，我们就用代码写死。现在 MCP 很火，但我们看到 MCP 里有很多缺点，那我们就直接用 API。" "不是说 API 是一个老旧的技术就非得用 MCP 代替掉。今天解决这个问题，本质到底怎么解决，怎么效率最高，成本最低，我们就做这个。" 这跟很多 AI 创业公司讲的故事不一样。大部分人的叙事是越新越好、越 agent 越好。Harris 讲的是：回到 foundation，回到本质。

时间太碎片，除了刷手机，发现另一个更有效率的方法是同时开codex和claude，一个在工作的时候去另一个。 听听大家其他建议？