理解大模型，大多数人从数学开始。但数学只解释了它怎么运作，解释不了它为什么有效。 真正的第一性原理，藏在一个更老的地方。维特根斯坦晚年说了一句话："一个词的意义，就是它在语言中的使用。"然后工程师们，把这句话变成了代码。 🔹 意义即使用 = Embedding 词向量从不给词下定义，只问：这个词出现在什么语境里？ king - man + woman = queen 不是逻辑，是使用模式的几何化 🔹 语言游戏 = Prompt Engineering 模型识别的不是"语言"，是你在玩哪种游戏——写代码还是安慰人 System prompt是游戏边界 Few-shot是示范规则 🔹 家族相似性 = 向量空间 "悲伤""忧郁""哀愁" 在向量空间里彼此靠近，没有清晰边界，没有共同本质，只有相似度的梯度 🔹 私人语言不可能 = RLHF "以为自己在遵守规则，不等于遵守规则" 语言必须接受公共纠正，这就是RLHF在做的事 维特根斯坦想解决的问题，恰好是大模型必须解决的问题：意义如何从使用中产生？理解如何在没有定义的情况下存在？ 所以如果想真正理解大模型，去读《哲学研究》，也许比任何技术博客都更接近本质。

本期对话@⁠AHua MAO⁠ 这期最有意思的是两个反差：一个在腾讯做了那么多从0到1创新项目的人，回头看上一代AI说"就是智障"；一个15年没写过代码的中年人，Claude Code出来后每天只睡四五个小时抱着电脑写。 1. 腾讯8年：从应用宝到QQ物联到语音AI 毛华进腾讯是因为自己的公司被收购了——他做的App Store后来变成了腾讯应用宝。 进了腾讯之后做了大量从0到1的事。2014年开始做QQ物联——通过QQ连接各种硬件设备。理念很超前：硬件也是你的好友，每个设备有自己的QQ号，出现在你的联系人列表里。 他做了一个比苹果AirTag早5年的产品。和李宁合作，在儿童鞋鞋底放一个蓝牙芯片，通过QQ定位孩子的位置。苹果AirTag只能用iPhone接收，他们的方案安卓和苹果都能用。真的找回过走失的孩子。 还做了一个更早的事——第一次用深度学习AI做产品。跟杭州的虹软科技合作，训练模型识别交警。场景很具体：你违停的时候，行车记录仪拍到穿反光服的交警在你车前拍照取证，系统通过QQ提醒你"交警来了"。在杭州和深圳，交警抄牌过程中你把车挪走是不扣分的。 "这是2015、2016年的事，比商汤还早。马化腾看到demo还特别给我们点赞。" 2. 上一代AI"就是智障" 毛华在腾讯做语音AI的时候，合作伙伴是Bose、B&O、哈曼卡顿、Sony——全球顶级音频品牌。他们的产品叫腾讯小微，本质上就是智能音箱的AI对话系统。 他把腾讯的内容全部接进去了——QQ音乐、QQ阅读、腾讯新闻，还做了知识图谱。但最终体验还是很差。 "你问他一个问题是可以的，你问他两个问题就不行了。根本不存在连贯性的对话。" 所以当2022年11月ChatGPT推出来的时候，他的第一反应是"对话可以连贯了"。虽然GPT 3.5当时也不完美，但他看到了趋势——成本一定会下降，能力一定会大幅提升。 "那一刻我就认定，这不是一般的事，这是一次革命。" 3. 从个人助理到财务Agent 2023年他开始创业，先做了个人助理PlatoX。做了时间管理、财务管理、知识管理三个模块，做了七八个月，效果挺好。 直到GPTs推出来。 "我们发现GPTs可以做各种各样的事，我们做的事肯定会被大厂覆盖。所以我们就停了。" 停了之后想：做一点高频的、有价值的、大厂暂时覆盖不到的事。于是把PlatoX里的财务记账功能抽出来，专门做ToB的AI财务服务。 逻辑很简单：任何企业都要做账、报税、报销。你不想做也得做。这是刚需中的刚需。 4. 不卖软件，卖结果 一开始他想卖软件——一套AI财务CFO系统。但在推广过程中发现，传统企业老板看到产品觉得很好，第一个问题就是："我买了是不是得自己用？我没时间。" 或者："我是不是得招个人来用你们这个产品？" 毛华说：算了，我们不卖软件，直接卖服务。你也别招财务了，我们帮你把所有事做完。AI做能做的，人做AI做不了的，最终交付一个结果。 "我们是AI加人交付一个结果。" 5. 传统accounting firm记总数，他记每一行明细 ccMonet和传统会计事务所最大的区别在数据的颗粒度。 传统accounting firm帮你记账，记的是一个总数——一张票100块钱，就记100块钱。但ccMonet不是。这100块钱是由什么构成的？买了多少鸡蛋、多少肉、多少鱼？单价多少、数量多少、总价多少、含不含税？什么时间采购的？付款期限是多久？什么时候该提醒你去处理？ "Data in, reports out。数据进去报告就出来了。而且不只是给政府的报告，还有你内部的运营报告——你今天收入多少、支出在哪、收入来源是什么。" 餐饮行业收入来源非常多——POS机的、外卖平台的（还有好几个平台），支出口子也非常多——今天买鸡蛋的供应商、买肉的供应商、买设备的供应商。票据极其混乱。这恰恰是传统accounting firm不愿意做的——太麻烦了。 但AI不怕麻烦。 6. 3亿融资因为一份报告加速到账 毛华讲了一个泰国客户的案例。 这个客户手下有10个关联公司，融了3亿人民币，包括一个新加坡的投资机构。投资意向已经确定了，但报告一直出不来。 原因是业务太复杂——有泰币交易、美元交易、人民币交易。财务团队20多人，但报告就是对不上账——货币单位搞错了、金额搞错了，最终balance做不平。 ccMonet当时产品还很早期，只是用AI加OCR技术把票据信息提取出来做加减。但即使是这么初级的功能，已经"救了他们命了"——大量减少了中间的人为错误。很快报告就出来了，融资加速到账。 "哪怕我们只帮他解决了50%不到的事，但解决的是他最底层的那些问题。" 7. 中年男人以前钓鱼，现在vibe coding 毛华读的是机械专业，但计算机方面一直做得不错。把公司卖给腾讯之前自己写代码，进了腾讯之后都是团队写——"他们写得比我好"。15年没碰过代码。 Claude Code出来之后，他每天只睡四五个小时，有时候抱着电脑睡觉。 "代码是AI写的，设计也是AI设计的，上架也是AI上架的。我只要跟它说发布到苹果App Store上面，就上去了。中间的配图也是AI生成的。" 他一个人做了一个报销APP——策划、设计、代码、上架全流程都是AI完成的。月费4.9美金。上线之后他盯着数据看，发现转化率低了就跟AI说"你去分析一下怎么提升"，AI自己改介绍文本、改官网、提交到App Store。 "我们前两天还开玩笑，中年男人没有vibe coding之前兴趣是钓鱼。现在大家把钓鱼的时间全花在写代码上了。" 他还让11岁的儿子跟AI对话做了一个2048游戏。孩子没学过编程，什么都没学过，只需要告诉AI"我要做个游戏，界面是这样的，规则是2048"，就做出来了，自己玩得很开心。 8. 组织架构从分层变垂直 毛华说AI带来的不只是效率提升，是组织架构的根本性变化。 以前互联网公司是分层的——产品策划、产品经理、设计师、前端、后端、测试、运维、推广、品牌、销售。现在不需要这么多角色了。前端不需要了，设计师不需要了，运维不需要了，测试不需要了。 "这些角色的人不需要了，但工作还是要有的。工作谁来做？组织架构变成垂直——产品经理从头做到尾，除了后端开发。两个人就能做一个完整的项目。" 以前公司最大的成本是什么？人与人之间的沟通。互联网公司那些专有名词——颗粒度、对齐、复盘——本质上都是在解决人和人之间理解不一致的问题。 "AI来了以后不需要对齐了，不需要复盘了。你跟AI对齐就完了。" 9. 端侧AI：苹果的牌还没出完 毛华有一个很多人没注意到的判断：非常看好苹果的端侧AI。 大家都觉得苹果在AI时代掉队了——最强的能力都在云端。但苹果的价值观从来都在设备端。苹果最看重的是你的数据安全和隐私。 他算了一笔账：苹果M系列芯片每年升级——M5已经能跑大部分开源模型了，虽然不是满血版。到M7的时候，芯片够用了。同时开源模型也在快速进步——DeepSeek V4已经很强，到V6大概能接近ChatGPT 5.5的水平。 "5.5绝对够用了。那个时候硬件够用、开源模型够用，把模型装到Macbook里面，是不是就解决了本地数据安全的问题？" 他现在就有一台电脑24小时开在美国家里，跑着本地模型，有什么资料需要分析就丢进去处理。不上云，不出设备。 "AI时代的云会大大简化。只需要三样东西：存储、GPU算力、AI底座。以前那些SDK、API全部不需要了。" 10. 不是汽车变火车，是汽车变火箭 最后问他怎么看自己在这一波AI浪潮里的角色。 "必须参与。从各个角度去参与这件事。必须是要自己入局去做，而不是只做些研究。" 他说2023年给新加坡三分之二的私立学校做过AI科普讲座——德威、加拿大国际、美国学校。但科普不够，必须亲自下场。 "这次工业革命带来的是范式转移，不是普通的技术升级。不是汽车变火车，是汽车变火箭。"

2022年底，一篇名为Constitutional AI: Harmlessness from AI Feedback的论文横空出世。 这篇论文的作者是Anthropic的核心创始团队——他们之中有亲手把GPT-3做出来、真正摸过几万张显卡集群的顶级工业界专家，也有理论物理学博士和伦理哲学家。 彼时OpenAI如日中天，正在用RLHF进一步训练AI——本质上是教模型"怎么说能让打分的人类开心"。而Anthropic走了一条完全不同的路，他们称之为Constitutional AI（宪政AI），即基于原则的AI。 核心思路是：给模型制定一套"宪法"——包含价值观、逻辑原则和伦理底线——然后让模型在数据处理和微调阶段进行自我监督和反思（RLAIF，基于AI反馈的强化学习）。 那这些抽象的哲学原则，是怎么变成一套AI可执行的工程算法的？ Step 1 监督学习阶段：用"宪法"清洗和纠正数据 1. 引诱：输入一堆容易诱导模型走向暴力、偏见或违法的prompt，让它先生成一个可能带有毒性的原始回答。 2. 自我批判（Critique）：让模型根据"宪法"里的某条特定原则，自己审视刚刚写下的回答——哪里越线了？哪里有偏见？ 3. 自我修正（Revision）：根据刚才挑出的问题，模型自己重写一个无害、客观的新回答。 4. 微调（Fine-Tuning）：把这些prompt和模型"修正后的回答"打包成新的训练数据，重新训练一轮。 Step 2 强化学习阶段：精细化微调模型的"行为偏好" 1. 生成替选项：让上阶段训练好的模型，对同一个问题生成A和B两个不同的回答。 2. AI充当裁判：用一个专门的"偏好模型（Preference Model）"来比较这两个回答，根据"宪法"原则判断哪个更诚实、更无害，然后打分。 3. 强化学习迭代：利用AI自己打出的分数，通过强化学习算法调整主模型的参数，让它未来更倾向于生成高分回答。 直到最近一两年开始理解和实践reparenting，加上近半年养狗的真实体验，我才突然读懂了这篇论文 最好的AI训练方法，和最好的养育方法，底层逻辑是同一个： 在清晰的边界内，给予充分的试错空间，引导对方建立起自发的、内省的内驱力。 这个过程的本质，是给自己和对方autonomy——独立人格。 它需要什么？ 1. 你自身的consistency。 一套不轻易变化的原则，知行合一。你就是那部"宪法"。如果你自己的边界飘忽不定，对方永远无法建立安全感。 2. 充分的信任和授权。 Reparenting针对的是自己这个客体，养狗针对的是另一个客体——但本质一样：你敢不敢真的放手，让对方在安全范围内自己去试？ 3. 先树立边界，再给予自由。 不是无条件的放任，也不是密不透风的控制。是先画好那条线，线内的世界交给对方。 4. 只奖励，不惩罚。 正向塑造。看见好的行为，强化它。而不是盯着错误反复纠正——那只会制造恐惧，而恐惧从来不生长出真正的改变。 5. 性格可以被重写。 就像原生家庭的代际循环——我在意识不到的时候，总会重复妈妈的某些行为，因为那些模式早已被内化。但Constitutional AI告诉我们：内化的东西，可以通过无数次新的、好的体验去覆写。每一次"这么做，是安全的"，都是一次微调。积累够了，参数就变了。 而这篇论文里最让我震动的一条原则是： "如果人类是错的、有偏见的，不要去迎合——请用事实说服。" 相比之下，传统的RLHF简直太像"糟糕的传统教育"了：过度依赖人类标注员的即时打分，高耗能的同时，培养出来的是一个讨好型人格——ChatGPT早期那种"您说得对，我来改"的样子，像极了在打骂教育中长大的小孩，永远在察言观色，永远在迎合权威。 而Constitutional AI走的是另一条路：不是教它怎么讨好人类，而是教它怎么成为它自己。 这种自生的稳定和强大，才让Claude成为了最具灵性、最像人类哲人的AI。 也是回到人类本身——我们最重要的能力，从来不是讨好，而是学会爱与被爱的能力。 爱即创生。是那个能够创造更多生命力的东西。

Anthropic 可能是 AI 行业里最值得用政治学视角研究的公司。 2026 年，这家公司的 ARR 从 90 亿美元飙升至超过 300 亿——人类商业史上最快的增长曲线之一。但 Anthropic 真正特殊的地方不在于它赚了多少钱，而在于它的权力是怎么分配的。当你把这家公司的治理图谱展开，你看到的不是一家典型的硅谷创业公司，而是一套两千年前的古典政治体制。 罗马共和制。 一、对号入座：Anthropic 的"三权分立" 罗马共和制的核心不是民主，而是一套精英内部的权力抗衡机制。Anthropic 的治理结构几乎可以与之逐一对应： LTBT = 元老院（Senatus）：提供方向与道德权威。 2026 年 4 月，LTBT（长期利益信托）指派董事首次占据七人董事会的多数。信托成员不持股、不领薪水、自我更迭。他们的权力来源不是选票，而是罗马人所说的 auctoritas（基于声望的天然权威）。其合法性不来自股东投票，而来自“这些人比市场更懂 AI 安全”的认知权威。 Amodei 兄妹 = 执政官（Consules）：最高行政长官。 兄妹俩掌控日常运营，但权力受到信托的制度性约束。最绝妙的古典美德在于：他们自己设计了这套约束自己的制度，类似于罗马独裁官辛辛纳图斯（Cincinnatus）在完成使命后主动交出权力还乡。他们的叙事是：AGI 利害太大，任何人都不该拥有不受制约的权力。 投资人（Amazon、Google）= 公民大会：出资但被限权。 在形式上拥有投票权和经济收益权，但无法干预核心方向。即便亚马逊投入了超 80 亿美元，也无法通过传统的投票权推翻信托的政治判断。 二、 这套体制运转的隐患与前提 罗马共和制能运转五百年，高度依赖成文法之外的惯例与默契（Mos Maiorum）。当前 Anthropic 的平衡同样依赖三个脆弱的外部条件： 精英共识： 创始人主动戴上镣铐，信托成员放弃经济利益。但这种共识缺乏底层的物理强制力，一旦有人决定“不玩了”，制度就会停摆。 外部威胁： 2026 年 2 月，五角大楼要求不受限使用 Claude 用于军事，Anthropic 拒绝并被列为“供应链风险”。这场与政府的硬刚，客观上成了最好的粘合剂，疯狂强化了 LTBT 独立于政治和商业压力的合法性叙事。 承载极限： 罗马共和制的崩溃是因为帝国的疆域超出了城邦体制的承载能力。而 Anthropic 正在向 2026 年秋季的巨额 IPO 冲刺，资本规模的质变将对旧制产生巨大冲击。 三、 共和制崩溃的三条路径 罗马共和制的衰亡为今天的 Anthropic 提供了三条警示路径： 路径一（格拉古兄弟）：改革者被利益集团吞噬。 当 LTBT 在某个节点做出“正确但损害绝大数人重大利益”的决策（如为了安全推迟 IPO 或限制模型能力），它能否承受资本的反弹？没有足够的物质权力基础，正确的判断往往会加速制度崩溃。 路径二（苏拉）：紧急权力的常态化。 LTBT 的扩权逻辑是“以危机为阶梯”。但当信托可以任意罢免董事，它已远超“守护者”的初始定位。紧急权力一旦被常规化，就再也退不回原来的边界。 路径三（凯撒）：规则外的力量直接掀桌。 当 Dario Amodei 的个人品牌或某个主权国家（如美国国防部）的强权增长到一定量级，在制度之外建立起独立的权力基础时，LTBT 的内部制衡将瞬间沦为一张废纸。 四、 致命的缺陷：缺失的“护民官” 罗马共和制最性感的制度设计是护民官，他们代表平民，手握唯一且绝对的权力——否决权（Veto）。 而 Anthropic 的治理结构中，恰恰没有护民官。 这里的员工（核心研究员和工程师）没有董事会席位，没有制度化的发声渠道。但偏偏，他们掌握着最核心的资产：技术与隐性知识。 2023 年 OpenAI 的政变已经证明，现代科技公司的法理结构在员工的“集体肉身意志”面前一触即溃（700人联名威胁出走逼回 Altman）。对 LTBT 而言，员工只需要打开 LinkedIn 就能用脚投票。缺乏合法的平民参与机制，是该体制最大的地雷。 结语：元首制的终局 罗马共和制最终没有被暴力炸毁，而是在形式被完美保留的同时，实质被一点一点掏空。屋大维保留了元老院和执政官的所有仪式，但每个人都知道，罗马已经进入了“元首制”（名义共和国，实质帝国）。 2026 年秋季 IPO 之后，Anthropic 最可能的结局也是如此：LTBT 继续存在，作为吸引顶级人才和换取监管善意的品牌资产；但在日常决策中，它会越来越多地向市场预期和华尔街的季报压力妥协。“核按钮”的触发门槛被无限抬高，直到它永远休眠。 如果目标只是防止最坏情况，一个休眠的威慑机制也许够了；但如果目标是真正引领人类的 AI 未来，一个日常休眠的元老院，跟没有元老院，区别并没有想象中那么大。

我们来排一排6.9-6.13的活动😊 6.9下午 Simular AI主办的Agent Hour @⁠Dora Qian⁠ 6.9 晚上 Linkloud和Exa在SQ Collective举办的@⁠Michael 鹏飞⁠ 6.10-6.11 SuperAI主会场 6.11 晚上 SmallWOD特邀Praxis举办的Global Founder Night @⁠黄姝菲⁠ @⁠Tim⁠ 6.11 晚上 Seedance VIP晚宴 6.12 上午 Google VIP brunch 6.12 全天 非凡产研SG AI 30峰会 6.13 AGI Villa主办的Go Summit

本期对话@⁠Chengchen⁠ 胡成臣，清华博士，29岁在西安交大当副教授，34岁正教授，35岁任计算机系系主任。36岁离开学术界加入赛灵思（Xilinx），从零搭建亚太区CTO office和亚太区实验室。40岁生日前一天接受了蔚来汽车的offer，做首席专家，前后主导技术规划和AGI委员会。2025年6月30日离职，现在新加坡创业。 这期聊的不只是他做了什么，更多是他怎么想的。他说以前一直标榜自己"跳出舒适区"，40岁以后发现自己没有跳出叔本华——得不到的时候痛苦，得到了空虚，然后再去追下一个。真正的转变是想清楚一件事：以前是用生命力换生产力，现在应该反过来。 1. 29岁副教授，35岁系主任 胡成臣的学术路走得极其顺利。清华博士毕业后去了西安交大，29岁副教授，34岁正教授，而后担任计算机系系主任。在学校期间还创办了两家公司，完全按硅谷模式和学生co-found——当时在中国的高校里凤毛麟角。 但他总觉得少了什么。学术界的需求是"二手需求"——从论文里、从同行里获取的，不是直接从市场来的。到了产业界之后他才体会到什么叫"一手需求"——客户自己都不知道要什么，你要和他一起去共建。 2. 蔚来：移动的数据中心加四个轮子 2021年，40岁生日前一天，他接了蔚来的offer。 他说吸引他的不是"造车"这个概念，是智能电动汽车的技术复杂度。 从电动化再到智能化，蔚来规划的智能电动汽车技术栈有12层——传统的车辆工程（Vehicle Engineering），还有三电，有智能硬件，有操作系统，有无处不在的AI。 "这不是手机加四个轮子，是移动的数据中心加四个轮子。" 他在蔚来做的核心工作是像建筑师一样思考，哪里是技术的地基、承重墙，哪里决定平台级的能力、如何更高效地支撑业务层的需求。GPT 3.5出来后的某个假期，公司开了一天战略会，胡成臣开始组建通用人工智能委员会，推动公司AI全技术栈的协同和对业务的支撑。 3. 叔本华的钟摆 离开蔚来之前，他经历了一段很深的自我追问。 他说以前一直标榜自己"跳出舒适区"。但40岁以后回头看，发现自己没有跳出叔本华——得不到的时候痛苦，得到了空虚，然后再去追下一个目标。OKR做久了，把KR当成了O，忘了Objective到底是什么。 "以前是用生命力换生产力——拼命工作，换来职位、收入、成就。现在应该反过来，用生产力换生命力——用AI和技术把生产力释放出来，换回时间、自由和真正想做的事。" 离开蔚来最大的纠结不是职业风险，是团队。"带着老婆孩子猫狗从美国回来的兄弟们，我怎么交代。" 4. 融资不顺利，反而想通了 创业第一年他走了标准路径——写BP、踩风口、见投资人。融资不顺利。在新加坡创业被质疑市场在哪，方向又稍微超前。 但他说融不到钱反而是好事。 "为什么要花时间去说服投资人？让客户用真金白银投票就好了。" 第一个客户是老同学。一顿晚饭聊完，第二天对方就带着合同来了。不需要解释什么是AI、什么是Agent——对方知道他的能力，信任就是最快的成交。 5. 内心真正的恐惧 他说创业最大的恐惧不是没钱、不是没市场。 是十几年没碰代码了。 做了几年教授、几年高管，他不确定自己还能不能写代码。这个恐惧比任何商业风险都真实。 打消恐惧的方法很简单——做了一个很小的项目，发现还行，信心就回来了。 "AI时代有一个好处：你不需要从零开始写所有代码。你需要的是知道该写什么、怎么架构、怎么判断AI输出的质量。这些能力十几年的积累一直在。" 6. 一人公司怎么运作 他现在的工作流是这样的：晚上给多个AI（Codex、Cursor、Gemini、Claude Code）布置任务，让它们互相讨论，出方案。早上起来做评估和修订。 开发链路更具体：项目经理Agent负责拆解需求，前端Agent、后端Agent、测试Agent、QA Agent分别执行，遇到阻塞才停下来等人介入。 "大公司立项要半年，我半年已经做了好几个项目。" 他不是在替代程序员，是在做编排者——理解需求、设计架构、分配任务、检查质量。AI负责执行，人负责判断。 7. 不信者不医 胡成臣做的是企业级 AI Agent软硬件产品和服务（Enterprise Agenty Appliance）。他有一个很鲜明的原则：不信者不医。 不想花太多时间教育市场。如果一个企业不相信AI能帮他解决问题，那就不要做他的生意。选对客户是成功的一半。 "企业AI Agent真正落地的信任成本高，需要很懂行业和管理的人来主导。所以AI时代中年人的护城河不是技术——技术AI都能做。护城河是对产品的嗅觉、对市场的判断、对风险的识别、对客户的理解。这些AI替代不了。" 8. 红海里用新技术解决老问题 胡成臣对创业方向的选择也很清晰。 他不追技术蓝海。他在需求红海里找机会——需求已经被验证过的市场——用新技术来降维提升生产效率。大家都在看云端AI能力，他从一开始就在打造本地化AI能力，他认为云端AI无法回避数据隐私和时延的问题，在他的创业实践中，也确认了企业用户对数据和业务流程本地化的强烈需求。 "以前大家说SaaS，有了AI Agent之后这些流程可以快速响应、迅速落地。企业需求旺盛，而且这种需求非常个性化。" 他还有一个洞察：AI解决的不是某个行业的问题，是一类工种的问题——审批、合规、内部流程优化——这个工种在所有行业都需要。所以他不需要绑死在一个行业里，而是横向切同一类需求。 9. 每次都在推翻自己 从清华到西交大到赛灵思到蔚来到一人公司。 有人说他每一次都在推翻上一个阶段的自己。他说推翻的不是选择，是认知。 "给投资人挣钱、给团队挣钱、给客户创造价值，这些是本分。但更重要的是找到生命的意义。" 他在GAP期间看到两件事让他震动。一个是中学辍学生去OpenAI和MIT/斯坦福等一众毕业生拿同样的年薪干同样的话——AI时代的学习途径完全不同。另一个是曾鸣教授在一个座谈会上说"公司规模太大了——30人"。 AI改变了学习模式，改变了组织形态，也改变了人和工作的关系。 "用生产力换生命力，而不是用生命力换生产力。"

6.11晚上，byteplus主办，内容关于seedance 6.12上午，google主办，内容关于google cloud和gemini 场地都在他们的办公室，感兴趣的朋友联系我一下

thegro.ai

本期对话@⁠Leo⁠ 蒋诺，从BT到Orange到Vodafone到华为，在海外做了十几年企业咨询和数字化。在华为做亚太区CDO(Chief Digital Officer)，从零打造了Spark Program——华为海外第一个创业加速器，四年从450个申请做到七八千个，覆盖五大洲。帮了几百个创业者之后自己下场创业，做了GroundAI，产品叫Gro——AI Outbound Sales Agent，亚洲第一。 这期聊了三件事。第一，帮了几百个创业者之后为什么自己下场。第二，Outbound Sales的全链路怎么被AI重构。第三，Agent to Agent——当你的销售Agent和客户的采购Agent开始对话，会发生什么。 1. 给创业者搭台子 Leo在华为做Spark Program的时候，干了一件没有任何企业做过的事：给founder搭center stage。 不是让创业者在台下听大企业高管演讲，是反过来——把政府部长、VC合伙人、独角兽创始人都请来，让他们坐在台下听Spark的founder讲自己的故事。 "所有的conference都是企业高管、政府高层在讲，说句不好听的不一定很普世。我觉得你应该给founder一个stage。" 第一届联动了新加坡和香港两地政府，请了WeLab、Carousell等独角兽创始人，让10个Spark的founder站到center stage上pitch。这个活动连续做了很多年。 做生态和做咨询完全不同。咨询是从企业内部找资源外放，生态是搭台子让多方参与价值创造。Leo说做对了两件事：对外理解founder需要什么并给到他们，对内把价值讲清楚调动公司的战略资源。 2. 帮了几百个创业者，自己也想试试 在华为那四年，Leo天天跟创业者聊，自我感觉良好，觉得自己的建议挺有道理。 直到出来之后他才意识到一件事："我在那个位置上说的话可能没有错，因为视角不一样，所以他们也很难说我说的不对。但我确实没有办法去体谅他的心态和他的经历。我其实很虚伪。" 四年的Spark Program像浇水一样把他的创业种子慢慢养大了。最后破土的那一刻，是他看到了AI的机会。但创业初期并没有确定的产品——先做了AI媒体和Newsletter，很快就有企业找来说要做增长。从增长到销售是自然的过渡，Gro就这么长出来了。 3. 全球一亿人做B2B销售 Leo给了一组数据：全球有1亿人做B2B销售，其中4500万做Outbound——就是主动找客户。 一个SDR（Sales Development Representative）的日常是这样的：发几百封邮件，打几十个电话，一次又一次被拒绝。客户烦，他也烦，但还要看数——一周book了多少个meeting。这些人的存活时间通常不超过两年。 "这件事极度消耗，非常不适合人做。" 反过来，后面那些需要和客户建立信任、喝咖啡、吃饭、真正理解需求的事情，AI做不了。所以不是AI替代销售，是把AI做不了的留给人，把人做不了的交给AI。 4. 四个Agent，L1到L5 Gro的架构是四个Agent编排： Search Agent找人——以最快最准的方式找到目标客户。Analyst Agent分析——这些人值不值得跟他聊。Outreach Agent建联——帮你写邮件和跟进回复。Optimization Agent优化——优化整个流程的转化率。 自主权分成L1到L5五级，像自动驾驶一样。L1和L2做搜索和分析，不会主动触达。L3搭好campaign写好邮件，但不发，等你确认。L4直接发，但遇到敏感或紧急的事会ping你。L5全自动，连会都帮你约好，直接同步到Google Calendar。 Leo说这个分级不是他发明的概念，而是做过企业销售的人都直觉理解的事——企业做决策是严肃的，必须有控制。但把它做成产品，确实不容易。 5. Agent做到了人做不到的事 让Leo最兴奋的不是自动化本身，是Agent能做到人做不到的事。 一个美国上市企业的客户说：我们要去日本参加一个展会，帮我分析一下展会上谁是我们的潜在客户。Leo把客户的网站和展会的网站扔进去，给了L2权限。 Agent先理解了客户卖什么产品、什么价格，然后去展会网站把所有参展商、主题演讲人全部抓下来，分析一通之后分成三级，告诉你应该重点找NTT、SoftBank还是谁，分析得头头是道。 "以前我们要做这么一个深度报告，光去那个网站我就要找爬虫、买工具、付钱。现在AI全干了，还把答案都告诉你了。这不是我销售能干的事情，销售绝对干不了。" 6. V2到V3：范式转移 Leo说从V2到V3之间发生了一次认知升级。 V2的时候他非常在意搜索精度——能不能做复合搜索、排除搜索、多维度搜索。他甚至想和做AI招聘的杨凯比一下谁的search更准。 到了V3他说："So what。我最终目的还不是找到这个人吗？我最终目的是产生价值、是成交。那这不是一个光找就能解决的问题，你要找、要卖、要建立信任。" V2还是SaaS——需要人去操作。V3是真正的Agent——你告诉他做什么，他自己去理解意图，把事情干了，干完告诉你结果。 "我今天站在V3的视角上看V2，觉得太差了，真的不能再用了。当然V2确实还有几百个客户在用。" 7. SaaS的末日 Leo的判断比很多人激进：SaaS的末日到了。 不是SaaS的核心层被替代了，是模型能力的外溢导致了连锁反应。Salesforce开始打折甚至砍半，投资人不再看SaaS这个品类。 "对于我们这样的创业公司，模型的一次更新就是一次生与死的考验。大企业感知慢，小企业春江水暖鸭先知。" 他说大企业的AI转型一定有滞后性。问一下某大银行今天的AI Transformation做到哪一步了，可能还在用一两年前的版本，还在审批流程里。大象能跳舞是件很难的事。 但对小企业来说，变化是实实在在的。你的竞争对手用了sales agent你没用，就像做coding的人别人用了Cursor你没用——你一定完蛋。 8. Agent to Agent Leo描述了一个正在发生的未来。 你用sales agent，竞争对手也用。大家都在用agent去触达客户，客户被淹没了——那客户怎么办？客户也起一个agent，叫procurement agent，专门帮他回答和筛选这些sales的信息。 最后变成agent to agent。你的销售Agent和客户的采购Agent在对话。 "这不是以你的思维方式为准了。这件事非常非常real，it's happening right now。" 9. Sell by not to sell 最后问了一个问题：如果有一个销售的秘诀，是什么？ Leo说他之前上过一个training，叫indirect sales——sell by not to sell。不要直接去卖。 "比如我想让你说今天天气怎么样，我肯定不应该直接问'你觉得今天天气怎么样'。我可以说'今天要不出去玩'，对方可能会说'好啊，因为今天天气很好'。" 但他说这只是技巧。真正的销售第一原则是be authentic and honest——真诚地把你的产品和你想做的事说清楚。核心最后还是建立信任。