今天聊一场特别的毕业演讲。黄仁勋去了卡耐基梅隆大学，站在 2026 届毕业生面前，告诉这些年轻人不要害怕 AI，你们赶上了一个最好的时代。

这句话听起来非常热血，但是放在今天这个就业环境里，就有那么一点刺耳了。Anthropic 的 CEO 阿莫迪就在讲，AI 可能会消灭大量入门白领岗位。实际上，这就是卡耐基梅隆大学毕业生要去争取的那些岗位：入门白领岗位可能就没有了，而且要消灭多少？一半，50% 就没了。

另外一边，马斯克讲的是什么呢？他讲的是，AI 有 20% 的可能性会让人类毁灭，剩下 80% 的可能性会带我们奔向繁荣富强。

当然，这还不是最夸张的。谷歌 X 前高管莫高达特说得更吓人，他说我们从 2027 年开始，会迎来 12 到 15 年的地狱，12 到 15 年以后是天堂，但是中间这 12 到 15 年是地狱。

结果黄仁勋就站出来了，说你们这帮 CEO 不要总是摆出上帝视角，应该回到现实，应该乐观，应该建设。

所以这期节目的真正意义，不是黄仁勋又拿到了一个荣誉博士，也不是他又上来讲“AI 不会取代你，AI 会再带来更多就业”。真正有意义的是，当 AI 已经开始改变就业、产业、教育和人生路径的时候，最成功的幸存者，正在教育还没有上牌桌的年轻人：不要怕，冲啊。

为什么说黄仁勋在放毒鸡汤？幸存者说的话一定就是对的吗？不一定。但是幸存者说的话一定是不完整的，他肯定掩盖了一些东西。今天我们就顺着这场演讲，拆一拆黄仁勋这碗毒鸡汤：为什么有效，为什么危险，又为什么哪怕有毒，我们可能还是要去喝。

这场毕业典礼为什么有象征意义

首先确认一个基本事实。2026 年 5 月 10 日，卡耐基梅隆大学举办了第 128 届毕业典礼。黄仁勋作为英伟达创始人兼 CEO，在现场发表了主题演讲，并被授予科学与技术荣誉博士学位。卡耐基梅隆大学官方新闻说，这场毕业典礼授予了 5,800 多名本科和研究生学位。

这个场景本身就很有象征意义。卡耐基梅隆大学是美国计算机科学、机器人、人工智能的研究重镇，大量技术从这里来。黄仁勋是这一轮 AI 浪潮中最核心的商业人物，一个做 GPU 算力中心、一个卖铲子的人，站在一所以 AI 和机器人闻名的大学里，对即将毕业的年轻人讲未来。这个画面本来就非常有传播力。

这里还有一个细节也很有意思。上去给他发荣誉博士披肩的人是谁呢？是英特尔的 CEO 陈立武。这很有意思，现在美国做芯片的这帮老大，英伟达的、英特尔的、AMD 的以及博通的，全都是华人。而且这帮人在这一次川大爷的访华行程里都没有抢到票。本来黄仁勋应该有一个登机牌，但是在最后一天，黄仁勋的登机牌被马斯克替代了。

大家想想，万一这四个人，黄仁勋、苏姿丰、陈立武，再加上博通的这位华人老大，跟着川普到中国来了，那直接在咱们这都讲中文就完了。川普说，你们都在说啥？这也是一个很有意思的事情。最后甭管是英特尔的陈立武，还是苏妈，还是黄仁勋，都没有抢到登机牌。

大家要注意一点，黄仁勋自己并不是 CMU 毕业的，也就是说他不是卡耐基梅隆的。黄仁勋的本科是俄勒冈州立大学，硕士毕业于斯坦福大学。陈立武也不是这里的，他本科是南洋大学，后来是 MIT 硕士、旧金山大学 MBA。所以你只要成功了，这边去发学历的人和最后得学历的人是不是这个大学毕业的，就都没有那么大关系了。

所以这场典礼不是校友衣锦还乡，而是一所顶级大学请来了当下最有时代符号意义的科技公司 CEO，给毕业生提供一套关于未来的叙事。这套叙事的核心非常简单：AI 不是终点，而是起点；你们不是被 AI 淘汰的一代，而是和所有人一起重新站在了起跑线上。

黄仁勋也讲，你们再也不用去顾及以前那些老人的经验了，因为站在 AI 面前，大家都没经验。这也是黄仁勋给毕业生的第一层安慰。

黄仁勋演讲的三层意思

第一层：个人奋斗史

黄仁勋这次演讲大概分三个层次。第一层是他个人的奋斗史。

他讲到自己 9 岁来到美国，先住在肯塔基州一个煤矿小镇附近的寄宿学校里。后来父母来到美国，家庭条件并不好，母亲凌晨 4 点就会把他叫起来去送报纸。后来他哥哥给他找了一份在 Denny’s 快餐店洗碗的工作。黄仁勋说，当时他觉得从送报纸到洗碗，已经是一次重大的职业晋升了。

这段话非常有传播力，因为他不是说“我天生厉害，我天生要改变世界”，它更像是一个非常淳朴的移民故事。他讲自己是第一代移民，活下来，干活别挑剔，先把眼前的机会抓住。他讲的是这样一套东西。

第二层：英伟达的生死关头

然后黄仁勋讲到，30 岁的时候，他和合作伙伴一起创办了英伟达。他说当时他们完全不知道怎么创办公司，也不知道怎么融资、怎么经营，也不知道这个技术到底能不能实现。这能有多难呢？结果非常非常难。第一项技术就行不通，钱烧完了，最后他不得不飞到日本去向世嘉的 CEO 解释。

世嘉当时做游戏机，找他们做图像卡，最后没做出来。他要跟人解释：对不起，您让我们做的这个东西，我做不出来，失败了，但是你还得把钱给我。因为如果你不把钱付给我的话，我就完了。最后世嘉的 CEO 还是把钱付给他了，让英伟达继续存活下来。我们才有今天可以看到的全世界市值第一的公司。

黄仁勋讲，这应该是他这一辈子做的最痛苦的一件事情：拿了人家的钱没做出来，飞过去说对不起，但是你能把这钱付给我吗？

这个故事在黄仁勋的演讲中非常关键，因为他真正想传递的不是“我很惨”，而是你们今天面对 AI 的不确定性，我当年也面对过完全不知道怎么解决的不确定性。

第三层：AI 时代的机会论

第三层才是 AI 时代的机会论。

黄仁勋说，他的职业生涯开始于 PC 革命的开端，而 2026 年的毕业生，职业生涯开始于 AI 革命的开端。他认为，过去 60 年的计算模式是人写软件，计算机执行命令；现在这个模式正在结束。AI 把计算从人类编程推向了机器学习，从 CPU 上的软件推向了 GPU 上的神经网络，从执行指令推向了推理、理解、规划和使用工具。

不要害怕未来，要参与未来；不要慢慢走，要跑起来。

这句话很黄仁勋，也很硅谷。

在他看来，AI 会自动化很多任务，但是任务不是工作的全部。软件工程师会用 AI 解决更复杂的问题，医生会用 AI 做更多的诊断，电工、水管工、钢铁工人、建筑工人、技术员，也会因为 AI 基础设施建设获得机会。

AI 不一定取代你，但是更会用 AI 的人可能会取代你。

这也是为什么我说黄仁勋是在说毒鸡汤，而且是中国大家长式的毒鸡汤。他讲的话是什么？你不要输在起跑线上。大家有没有感觉稍微有一点熟悉了？

这套逻辑本身并不荒唐。我们所有人都是这么长大的，我们所有人也都是这么去教育自己孩子的。技术革命确实会消灭一些旧的任务，也会创造一些新任务。

但问题在于，被消灭的人和获得新机会的人，往往不是同一批人；被技术提高效率的岗位和被技术压低价格的岗位，也往往不是同一个岗位。

AI 讨论中的三派观点

所以我们要进入下一层。黄仁勋的乐观，不是整个 AI 世界的乐观。同一场革命，有人看到了机会，有人看到了失业和毁灭。

第一派：建设乐观派

现在关于 AI 的讨论，大概分为三派。

第一派就是黄仁勋的建设乐观派：我们先建设起来，我很乐观。他们认为 AI 会提高生产率，扩大能力边界，创造新的产业、新的岗位、新的基础设施。只要人类负责任地推进技术，整体收益会大于损失。

这套说法背后有非常现实的商业逻辑。英伟达就是卖铲子的，黄仁勋当然希望更多人相信 AI 是机会，相信企业应该买 GPU，相信国家应该建立计算中心，相信年轻人应该学会使用 AI。所以他并没有说谎，但是我们必须知道，他的立场天然站在建设更多 AI、卖更多英伟达算力卡的立场上。

第二派：就业风险派

第二派就是 Anthropic 的 CEO 阿莫迪，他属于就业风险派。

在 Axios 2025 年 5 月份对 Anthropic CEO 达里奥·阿莫迪的采访中，阿莫迪警告说，AI 可能在 1 到 5 年内消灭最多一半的白领岗位，并且可能把美国失业率推到 10% 到 20%。他是 2025 年讲的，而且他一般讲的时候都是说明年怎么怎么样，但是现在已经 2026 年了。

这个预测非常吓人，因为它打中的不是遥远的未来，而是大学毕业生最关心的第一份工作。过去一个年轻人进入咨询、金融、法律、媒体、软件、产品、运营，通常是从低端任务开始：写初稿、做表格、整理材料、查资料、跑流程、改 PPT。而这些任务恰恰是现在 AI 干得最顺手的这一批。

第三派：存在风险派

第三派就是马斯克这一派，存在风险派。

马斯克在参加罗根的节目里讲到，他认为 AI 有 20% 的可能性会毁灭人类，同时也说有 80% 的可能性会走向好的结果。这也非常马斯克，既像警告，又像冒险家在下注。这类观点关注的不是某个岗位，而是 AI 最终会不会变得比人类更强，脱离控制，甚至威胁人类整体生存。

黄仁勋为什么会痛批这些说法呢？因为在他看来，科技领袖们天天讲末日，会把社会推向恐惧；恐惧会阻止人们去学习、去建设和参与，也会阻止人们去买他的显卡。所以媒体报道说，他把一些 CEO 末日式的表达称为上帝视角，也就是高高在上，仿佛觉得自己知道所有人的未来一样。

但是这一点，黄仁勋说得并非没有道理。问题是，他在批评别人的时候，其实自己也是站在上帝视角上的，并没有那么大的差异。只是两种不同的上帝视角：一种是黑色的，大家要小心；一种是绿色的，赶快拿着美金上我这儿买显卡来。

莫高达特：天堂之前可能有 12 到 15 年的地狱

当然这还不是最惊悚的一派。最惊悚的一派叫莫高达特。他说的是什么？天堂之前可能有 12 到 15 年的地狱。

如果说阿莫迪讲的是岗位风险，马斯克讲的是存在风险，那么莫高达特讲的就是社会风险。

莫高达特是谁呢？他是谷歌 X 以前的 CBO，Chief Business Officer，也就是首席商业官。谷歌原来有一个部门叫 X 部门，各种新的业务都是从这里孵化出来的。在孵化过程中，CBO 会帮这些天马行空的科学家们把项目落地，思考怎么能够把项目卖掉。而这个 X 部门里孵化出来最有名的项目，就是谷歌的无人驾驶。

这个人离开谷歌以后，写了一本书叫 Scary Smart，中文翻译应该叫《可怕的智慧》。这本书的基本观点是，AI 会变得越来越聪明，关键不只是 AI 自己会怎么样，而是人类会怎么训练、使用和操纵它。他并不认为 AI 会作恶，而是认为 AI 落到一些坏人手里后，这些坏人的能力会被极大增强，就有可能给我们带来地狱。

2025 年 8 月，他在参加 The Diary of a CEO 这个访谈时讲到了这件事情，说未来 12 到 15 年可能是天堂之前的地狱。为什么这么讲？他自己有一套框架，叫 FACE RIPS。

• F：freedom，自由。他说因为有了 AI，你更容易被监控，你的自由会受到损害。因为 AI 首先会落到政府手里，他们会利用 AI 来监控你。前面阿莫迪跟美国国防部的摩擦不就是这样吗？他说我不能够用 Anthropic 去监控美国民众。这里头第一个问题就是 freedom。
• A：accountability，责任。很多人都说 AI 没有办法替你签字，你还是需要有一个能背锅、能签字的人来做事情。但是莫高达特讲，有了 AI 以后，政府部门会相互扯皮，会出现大量责任不清的事情，会互相甩锅，甚至甩锅给 AI。所以责任会变得非常模糊。
• C：connection，人类连接。他说当有了 AI 以后，就会有虚拟伴侣，会有大量 AI 加入到人与人之间的关系里，加入到这种连接里。而人本身的连接，也就是人跟人之间的真实连接，就会出现问题。
• E：equality 和 economics，平等和经济。他说在 AI 来了以后，原来靠上班领工资的这种经济模式，可能整个就会崩溃掉。
• R：reality，现实。他说有了 AI 以后，我们就再也没有办法去区分真假了。有图有真相、有视频有真相、有语音有真相，这些事情就都已经没有意义了。人类也会陷入“到底什么是真、什么是假”的困惑里。
• I：innovation and business，创新与商业。AI 会大量替我们去做创新，那么人类到底应该如何指导 AI，如何使用 AI 再进行下一步创新，这也会困扰我们。
• P：power，权力或者能力。很多人得到 AI 以后，他们的能力会被放大。这就是他给出的未来 12 到 15 年里我们会面临的问题。

莫高达特也给出了一些建议，不是躺平。没有任何科技大佬会要求大家去躺平。他的建议是：

1. 要承认 AI 变化的速度，不要自欺欺人。
2. 要尽快学会使用 AI，而不是站在原地抱怨。
3. 要降低对单一职业身份的依赖。原来那种找一个工作干一辈子，然后领退休金的模式，千万不要再指望了。要有更多被动收入也好，或者有更多可以用 AI 挣钱的方式也好。可能以后不会有一张文凭是特别值钱的，也不会有一个职位是特别值钱的，也不会有一个位置是非常稳定的。那种爬天梯、打怪升级、一级级升上去的事情，再也没有了。
4. 要重新理解人生的价值，不要把有工作当成唯一的自我证明。
5. 社会层面需要监督，要有再分配和新的安全网。因为他讲的这个“12 到 15 年的天堂之前的地狱”，就是再分配没有建立起来，原来的社会安全网会破掉。

听到这里，你可能会觉得，这些人讲的东西是不是相互矛盾？阿莫迪讲的东西、马斯克讲的东西，跟黄仁勋讲的一样吗？我要说的是，他们讲的东西其实是一样的，并没有那么大的区别。

为什么说黄仁勋讲的是毒鸡汤

这里就要讲，为什么黄仁勋讲的是毒鸡汤。因为黄仁勋讲的是真的，但是并不完整。

黄仁勋都讲了什么？

• 第一个，他讲的是我小时候很苦，早上 4 点钟我就要爬起来去给人送报纸。所以他也在告诉这些卡耐基梅隆大学的学生，你们可能也会要去过苦日子。
• 第二个，他讲的是我从送报纸到 Denny’s 去洗碗，我觉得这是一个重大的职业晋升。他讲的是你们要脱下长袍，不要再想着以前那些进投行、进软件公司、进这些地方的路径。你们要去做水管工，你们要去做电工，你们要去给我做机房，去给我建机房，这都是伟大的职业晋升。
• 第三个，他讲的是每一次英伟达遇到困难的时候，他们会想：这能有多难？但实际上每一次遇到的困难，都比他们一开始设想的要难得多。

但是最后有半句他没讲，是什么？他活下来了。

他现在可以站在这里跟大家灌毒鸡汤，是因为他活下来了。他是一个幸存者。

这就是幸存者偏差。剩下那些人没有活下来。有没有起得比他早的？有。有没有干得比他苦的？有。有没有遇到比他更难的问题的？也有。但是那些人没有活下来，只有他活下来了。所以我们现在听的是幸存者给大家讲的故事。

幸存者讲的故事，一定是对的，但一定是不完整的。他不会专门讲一些错的东西给你，不会有这样的。但是剩下那些人遇到了什么，他不会告诉你。而且大家要注意一点，幸存者永远是少数。

我们今天听幸存者讲“我当年努力了，我当年怎么怎么样”，就跟你去听成功学一样：我当年是怎么成功的，我当年是怎么怎么样的。你照他那样学就能成功吗？别扯了，这就是成功学。

但是他也会告诉你，你一定要吃这个苦，你一定要注重这种微小的晋升，你一定要设想这些困难，而且最后的困难可能会比你想的还要更难，但是你要活下来。这是黄仁勋反复强调的。他说我就是要活下去，你们也要活下去。

所以这就是这碗毒鸡汤最真实的地方。它不是假话，它只是把最残酷的一半藏起来了。

最后：有毒，但可能还是要喝

最后我们回到黄仁勋在卡耐基梅隆大学的结束语。他最后说的是，把你们的心投入到工作中，去创造一些配得上你们所受教育、你们的潜力，以及那些在世界相信你们之前就已经相信你们的人的东西。

什么是“在世界相信你们之前就相信你们的”？就是你们的父母、你们的老师、你们的朋友。

这句话讲得非常好，但也非常沉重。因为它背后其实不是“未来一定会奖励努力的人”，或者“你们一定能够成功”，而是未来不可知，你至少要以一种像幸存者一样的方式存活下去。

所有人都会死，但是我们从小受到的教育，都是应该如何过好这一辈子，如何不要输在起跑线上。这就是中国大家长式的毒鸡汤。

AI 时代也一样。阿莫迪提醒他们，工作可能消失；马斯克提醒我们，技术可能失控；莫高达特提醒我们，社会可能会进入地狱期；黄仁勋提醒我们，不要被恐惧钉在原地，先跑起来再说。这些话放在一起，才是比较接近完整现实的。

所以这场演讲里，黄仁勋没有给出一份安全说明书，不是说你们从卡耐基梅隆大学毕业了，这是美国名校，你们就一定是棒棒的。他给的是一碗幸存者煮出来的毒鸡汤。

有毒，是因为它来自于幸存者偏差。有用，是因为在一个不确定的时代，完全不喝鸡汤的人，可能连站起来的勇气都没有。关键不是把它当成真理，而是要知道它缺什么，然后带着清醒，把该学的工具学起来，把该做的事情做起来。

至于能不能活到最后，谁也不能保证。但至少，别站在原地等着未来来审判你。

背景图片

以毒攻毒：用 Vibe Coding 治疗网瘾，AI 时代的新选择

大家好，欢迎收看老范讲故事的 YouTube 频道。今天咱们来讲一讲“以毒攻毒”：用 Vibe Coding 治疗网瘾，AI 时代的新选择。

大家注意，这个名字听起来稍微有点标题党。网瘾是一个很严肃的问题：孩子沉迷游戏，或者刷短视频，昼夜颠倒，不写作业，不出门，不社交，家长急得不行。你现在说再给他一个 AI 编程工具，让他继续坐在电脑前面，继续盯着屏幕，继续熬夜折腾，这不是火上浇油吗？

所以我要先把今天的核心观点讲清楚。我不是说 Vibe Coding 能够完全替代程序员，这不是今天的主题；也不是说孩子学了 Vibe Coding 以后，明天就可以上硅谷年入百万。今天咱们要讨论的是：如果一个孩子已经沉迷游戏了，已经刷短视频、沉迷二次元，很难从屏幕世界里边直接揪出来了，那么有没有可能，不是先把他从屏幕前头拉走，而是把他的注意力从一种消费型的成瘾，迁移到一种创造型的成瘾上？

所以咱们的标题叫“以毒攻毒”，咱们也没说 Vibe Coding 就是一个多么健康的事情。游戏和短视频给的是即时反馈，Vibe Coding 其实给的也是即时反馈。游戏和短视频让人沉浸、让人上瘾，Vibe Coding 其实也让人上瘾。游戏和短视频会把人困在平台设计好的反馈回路里头，Vibe Coding 则是把人带到一个现实世界的创造反馈回路里。还是要不断给他一些强刺激，说你干得不错，然后他会继续留下来。

这个话题也不是老范自己拍脑袋想出来的，而是一位硅谷著名的传奇投资人的播客给了我一些启示。这个人叫纳瓦尔。他最新的一期播客里，其实并没有直接讲这个话题，而是讲自己怎么在这么多年以后重新回去写程序。他这个播客的名字叫 A Return to Code，就是“我又回到写程序这个事情上去了”。

这哥们是学计算机的，但是做投资人，肯定很长时间不接触代码了，现在又回来写程序。他讲到，真正有创造力、有自驱力、有表达能力、有清晰愿景的人，会有新的工作机会。今天咱们要讲的 Vibe Coding 像电子游戏一样容易上瘾，但是它的奖励不是假的，而是真实世界里边真实有价值的东西。

为什么说 Vibe Coding 可能成为一种“成瘾迁移”

我们以前讨论网瘾，总是想着怎么把孩子从游戏里边揪出来。但是游戏为什么能让孩子上瘾？包括短视频，现在短视频其实比游戏还上瘾，短视频为什么能够让人停不下来？本质上，有几个因素凑在一起：

• 低门槛；
• 即时响应；
• 难度可以动态调节；
• 持续奖励；
• 社群身份认证；
• 亚文化归属；
• 逃避现实中的挫败。

Vibe Coding 居然也具备所有这些特征，甚至比这个还要更强一些。Vibe Coding 跟前面这些网瘾的唯一区别就是，它产出的东西不是游戏等级，不是短视频里的赞，而是一个真实的网页、一个小工具、一个小游戏、一个小脚本，甚至是一个小应用。它产生真实的价值。

网瘾到底怎么治：粗暴戒断为什么常常无效

首先，治疗网瘾这件事一直是一个很有争议的事情，因为它没有一个特别有效、特别科学的方法，甚至还出现过一些让人没法看的事情。先说一个很现实的问题：网瘾到底怎么治？

过去 20 多年，很多家庭都在被这个问题所困扰。我们回头来看，所有所谓的治疗网瘾的方法，其实都非常粗暴。有些地方搞封闭式训练，把孩子关起来，体罚、羞辱、强制劳动、军事化管理，还有一些更极端的案例，直接进行电击、暴力管教，训练营据说还有死亡事件发生。

这些事情为什么会发生？因为家长焦虑。家长看着孩子沉迷游戏，会觉得这个孩子要完了。特别是在中国，输在起跑线上了，他不读书、不工作、不社交、不运动、不睡觉，这怎么行？家长当然就慌了。

但是问题是什么？焦虑的家长很容易相信一个简单粗暴的方案：把手机抢走，把电脑砸了，把孩子关起来，强行戒断。他以为这东西像戒毒一样，其实真的不太一样。因为很多时候，孩子的问题不是屏幕本身，屏幕只是个出口。真正的问题可能是，他在现实世界里长期得不到正反馈，在学校里只有失败和羞辱，在家里也只有指责和比较。“你看别人家小明怎么怎么样。”他不知道自己擅长什么，也没有一个可以投入的现实目标。他一离开游戏，就只剩下空虚了，啥也没剩下。

所以你把游戏给他拿走，问题并不会自动消失，你只是把一个出口堵住了。如果没有新的出口，他可能会转向短视频；短视频堵住了，他可能会转向小说；小说堵住了，他可能再转向饭圈，或者彻底躺平。现在很多人说：“我没有任何欲望，我就准备躺这了。”

这就是为什么我要说，治疗网瘾一直没有一个特别简单、特别有效、特别科学的方法。它不是一个按钮，按下去就好了。它更像是一个迁移过程：从低价值的反馈迁移到高价值的反馈，从纯消费迁移到半创造，从算法喂养迁移到主动提出问题，从“我今天刷到了什么”，迁移到“我今天做出了什么”。这才是今天咱们要讨论 Vibe Coding 的意义。

什么才算网瘾：不要把所有数字兴趣都病理化

那么到底什么是网瘾？这个定义本身其实也有一些争议。网瘾这个词在中文语境里经常被滥用，好像孩子开始打游戏了，家长就说他有网瘾；孩子周末多刷了几条短视频，家长就说他有网瘾。但是从医学和公共卫生角度上，这个事情是有严格标准的。

世界卫生组织专门有这个病，叫做游戏障碍。它有三个核心条件：

1. 控制力受损：明明知道我应该停下来，就是停不下来。
2. 游戏优先级越来越高：学习、工作、睡眠、社交、家庭责任都被挤在它后边去了。
3. 即使已经造成明显负面后果，仍然持续或者升级：比如成绩已经严重下滑了，工作已经失控了，关系破裂了，健康受损了，但是仍然要继续玩，甚至越玩越多。

这点非常重要，因为我们不能把所有孩子对数字娱乐的兴趣都病理化，都认为这事有病。一个孩子喜欢游戏、喜欢动漫、喜欢刷视频，未必是病。问题在于这件事情有没有挤压他的现实生活，有没有破坏他的自我控制，有没有让他长期丧失学习、工作、社交和生活的能力。如果没有，那就是兴趣；如果有，那可能就稍微需要干预一下了。

所以今天我们说用 Vibe Coding 治疗网瘾，不是说 Vibe Coding 是医疗疗法，更不是说它可以替代专业的心理咨询、精神科诊疗、家庭关系修复。我说的是一个家庭教育和数字习惯迁移的思路：当一个孩子已经被低价值的数字产品牢牢吸引住的时候，不要只想着强制断网或者抢他手机，要尝试着引导他到一个同样有吸引力，但是能产生现实价值的方向上去。这个方向就是今天咱们要讲的 Vibe Coding。

游戏和短视频为什么会让人上瘾

常见的网瘾机制，就是为什么大家觉得游戏和短视频这些数字产品会让人上瘾？因为这些东西都是靠数学模型拿捏人的能力边界的。真的是世界上最聪明的一帮人在研究怎么让你上瘾。

游戏有任务、有等级、有装备、有队友、有技能，它是一套完整的世界观。短视频没有那么复杂，它也不要求让你循序渐进，而是给你一个更短、更快的反馈。刷一条不喜欢，我再给你一条你喜欢的；刷完以后再接着刷。它的反馈更快，但是没有形成完整世界观，没有这种梯度。它们是两个不同的玩法，但底层有类似的东西，就是即时反馈和持续调整。

调整什么？游戏不是随便设计的。它会让你刚开始的时候很容易赢：新手村、新手引导，给你简单任务，怪物也很弱，奖励也很密集，让你快速建立起“我能行”的感觉。刚才咱们讲了，很多小孩形成网瘾的原因是他们在外边没有办法得到认可，那你到游戏里头说：“哎，我行了。”

等你熟悉了以后，等级和难度会逐渐上升，怪会变强，副本会变复杂，装备会更加精细，角色成长线会拉长。你会不断遇到一个刚好能够得着的目标，这叫能力边界。它会不断摸索你的能力边界。太简单，你觉得没劲；太难，你直接有挫败感。现实生活已经这么难了，我为什么要到游戏里受折磨？就直接弃坑了。所以它一定要找到“刚刚好”，你稍微努努力就能够得着。

其实很多教育学也在讲这个事，我们要设置一个能力边界，让他刚刚好够得着。但是通常老师没这个耐心，老师也有自己的 KPI。

短视频跟游戏这套东西不太一样。它不会要求你升级，它只是每一次来猜，你下一条最喜欢看什么。我尽可能更集中、更快速地给你进行反馈。所以短视频的危害形式要比游戏大，要注意这一点。

游戏和短视频厉害的地方就在于，它不只是一个娱乐产品，它是一个非常巨大规模的反馈机器。它通过即时满足、随机奖励、社群身份、等级系统、算法推荐，不断把人留在系统里边。

最后的问题就来了：孩子们不是简单地不自律，他是在用一个普通人的意志力，对抗一个由产品经理、游戏设计师、增长团队、推荐算法、商业化团队共同打造的超级系统。甚至这些超级系统里很多人，都是年薪好几百万的科学家。你要让人从这里边逃出来，不能简单靠一句“你别玩了”，这个事是很难成功的。

从历史看“替代成瘾”：卷烟替代鸦片的类比

我们必须要找一个更聪明的办法。你说有没有这种聪明办法？其实有过。

清末虽然鸦片战争已经打过了，虎门销烟也过去了，清朝也禁烟了，甚至英国也跟我们一块去开了禁烟大会。当然英国跟中国开禁烟大会的原因比较奇怪，因为后来中国反向出口鸦片，把英国也祸害了，英国说不行了，我们禁烟吧。

但是清朝政府自己的治理能力和治理效率是比较低下的，所以鸦片依然泛滥。最后没有办法，一方面这东西很上瘾，另外一方面，地方政府和很多门阀势力要靠鸦片赚钱，所以必须要种鸦片。最后他们用了一个什么方法把这个事情解决掉，或者说部分解决掉？上卷烟。

上了卷烟以后，你也可以上个瘾，稍微替代一下，没有鸦片的危害那么大。而且各级政府相对来说还有收入，因为卷烟可以收税，卷烟是一个税很重的产业。所以它算是一个成瘾替代的过程。

这也是我们今天讲这个故事的一个原因。小孩有网瘾了怎么办？我们希望立刻把孩子拎出来，变成一个热爱学习、热爱运动、热爱社交，每天早睡早起、积极向上的完美青年，这可能吗？家长们，你自己照照镜子，你自己是这样的人吗？我们大部分人其实也做不到这一点，那么就别要求孩子干成这样的事情。

所以我们今天就要稍微让他换一下，让他用 Vibe Coding 来替代打游戏。很多人说，写程序这事看着挺痛苦的，程序员都是秃头。当然像老范这个头发还是不错的。很多程序员都是未老先衰，很年轻的程序员看着都很老。你怎么说 Vibe Coding 或者写程序上瘾呢？

其实写程序真的是上瘾。如果你没写过程序，你可能很难理解，因为写程序是一种心流状态，它在不断解决问题。而 Vibe Coding 要比写程序还要上瘾。就像卷烟替代鸦片一样，我们现在就希望用它来替代打游戏。

Vibe Coding 为什么会上瘾

下面咱们来讲今天真正的核心：Vibe Coding 为什么会上瘾？很多不写代码的人其实很难理解，他们以为写程序是一件特别枯燥的事情，屏幕上甭管是白底黑字还是黑底白字，看着就头大。你需要学编程语言，需要学语法、变量、函数、对象，要学一大堆东西。

现在你只需要跟 AI 说：“我要一个什么什么东西。”就像上帝说要有光，于是就有了光那样的感觉。所以 Vibe Coding 等于直接把第一道门槛去掉了。它可以让人从一句话开始：“帮我做一个记账的小程序。”“帮我做一个背单词的小游戏。”第一版可能比较粗糙，但是它能跑，也能有一些效果。这不就是一个正反馈吗？跟打游戏那过程不是一样吗？

它一旦跑起来，这个人就觉得：“我是不是改一改？按钮不太好看，有点丑，咱改一下吧。这个颜色太丑了，咱改一下吧。”当你改的时候，你就相当于在游戏里从新手村出来，稍微往前走一走，在周围稍微探索一下。你的编程任务就可以一个一个地像游戏那样进行下去。而每一次任务的成功，就相当于你解决了一个问题，又得到了一个反馈，相当于又打了一个怪。

所以 Vibe Coding 是非常成瘾的，而且它把前面这些基础知识的门槛给你去了。小孩也都可以很好地使用 Vibe Coding 写出程序来。而且你直接跟它说中文、说英文、说各种语言，它都老老实实给你写程序，这还是非常爽的一件事情。

为什么传统少儿编程很难坚持

过去其实也有少儿编程课，但是门槛很高。我也投过少儿编程的项目，比如编程猫，我还给我儿子报过。报了以后他也没什么兴趣，学了半天，你的付出跟反馈不匹配。我折腾了半天，最后做出来那个小程序不好玩。

为什么会不好玩？原因很简单，它需要把课程设计得适合所有人，每个人的进度是不一样的。你需要学一堆基础知识，很快兴趣就没有了。所以当时编程猫的课程付了费以后也没上完。

原来这些东西有价值，不能说没有价值。但是问题是什么？真正长期坚持下来的孩子非常少。原因是你还是要去学编程语言，还是要去学符号系统。即使是 Scratch 这种用积木拖的代码，它确实很形象，就是一堆积木拼起来，但是你还是要了解加减乘除、赋值、排序、存储、循环、判断，还是要搞这些东西，还是很麻烦。而且你用 Scratch 这种积木语言拼出来的代码，能干的事情很有限，大部分事情干不了。

不像现在，我可以提一个很现实的问题：我现在想要一个记菜谱的程序，或者我现在追星，我特别喜欢哪个明星，请帮我把这个明星的所有信息都搜集起来，让我可以给他做一个明星记事本。一句话我就可以把这事搞定了。以前你学了半天 Scratch，你要想做出这样的东西来，得学几年。

所以孩子还没有看到成就，就直接被复杂的编程语言把兴趣给磨没了。现在的话，你会说就可以了，语法也不需要严谨。即使是 Scratch 那种拼积木的，你的语法还是要严谨，还是要 debug，还是会出错。更别说 Python、JavaScript 或者其他语言。现在我写中文跟 AI 聊天，写英文跟 AI 聊天，我语法错了，写错别字了，单词拼错了，有什么关系？没关系。

AI 提供了安全的表达环境

这个事情对孩子非常重要。很多孩子不是没想法，只是他觉得不太敢表达：我说了，万一说错了怎么办？这个叫挫败感。他也害怕我万一把这个想法说出来，老师说你这怎么这么幼稚，或者同学笑话他，或者父母说这玩意有什么用。这个对于他来说压力是很大的。

但是 AI 不会干这活。你跟 AI 说什么，AI 都不会笑话你。AI 会说：“行，我给你做一版。”很多孩子在现实世界里最缺的其实不是知识，而是一个愿意把他的想法当回事的对象。在这件事情上，AI 要比父母、比老师、比他的同学做得都要好，所以更容易上瘾一点点。

而且 AI 会不停地告诉他：“你这个想法可以实现，没问题的。”这对一个长期沉迷游戏、觉得现实世界没有正反馈的孩子来说，非常重要。

Vibe Coding 的“动态难度”机制

游戏让人上瘾的还有一个原因，就是难度刚刚好。Vibe Coding 也是一个天然具备难度适配结构的东西。

一个好游戏，动态难度一定是动态设定的。太容易了，玩家就跑了；太难了，新手就不来了。所以游戏设计里有很多机制，就是为了让不同程度的玩家有他们自己可玩的东西。

但是游戏比较麻烦的是什么？因为它一发售就写死了，有些人可能会高不成低不就，没法找到自己合适的地方，那他就会离开。Vibe Coding 这件事，一个完全不懂计算机的人，让 AI 帮他做个小工具，第一版就出来了，第一波奖励到手了。

然后他发现，我这个程序在电脑上好好的，怎么到手机上就这么丑？你把这个问题提给 AI 以后，AI 会告诉你，有一个东西叫响应式设计，就是在不同的屏幕大小上会自动适应。你原来没用这个东西，这个东西大概是怎么回事。然后你说我们用一用吧，它等于就升了一级，而且是你自己提出的问题，不用让 AI 猜你到底会什么、不会什么。

再往后说，我想把这个东西本地持久化一下。什么意思？就是我不希望每次打开应用以后，数据都没有了，我需要把东西存起来。AI 就会告诉你，什么叫本地存储，什么叫持久化，什么叫后端服务，什么叫数据库。你学了半天以后说，哦，我又学会一点东西，又把这个问题解决了，又一波奖励到手了。

再往后说，不光我自己想用，我还想给我朋友用，这事怎么办？你问 AI，AI 告诉你，你需要把它部署到云服务器上去。搁在自己电脑上，别人用不了。部署到云服务器以后，你还要给它申请个域名。你不希望别人乱用，可能还要登录；登录以后可能还有权限，因为现在不是你一个人用了。后台可能只有你一个人能看到，其他人能用前台的服务就可以了。等于你又学了一堆知识，又一波奖励到手。

它是这样的一个打怪升级过程。每一次你遇到的问题，正好是你现在知识上缺的这点。它不会给你做这种系统化教育。像我们原来学编程都是系统化教育，先学变量，再学计算机架构，然后再学什么，就是这样的一个系统化。现在没有了。我先有个需求，然后根据这个需求，一步一步把这个程序越做越复杂。在这个过程中，我学会编程了。

所以这就是 Vibe Coding 最厉害的地方。它不是把知识库做成课程，系统化教给你，而是让知识藏在问题里头。你自己发现问题，你自己想去解决问题，你自己去问，问完以后它就耐心地给你解释。在这个过程中，它就慢慢让你上瘾了，让你在这个过程中还学习了。

而且它永远知道你的能力边界是什么。你的能力边界就是你问的问题，你问了什么问题，你的能力边界就在这了。所以 Vibe Coding 会让孩子在解决问题中自然学习现实的知识。

Vibe Coding 的教育价值：从愿望走向现实

这部分很关键。很多人以为 Vibe Coding 是让 AI 写代码，如果只理解到这里就太浅了。Vibe Coding 真正的教育价值在哪？不是 AI 帮你写了多少代码，而是它会把你从一个愿望一步一步带到现实世界。

你就在这样的过程中，从一开始只想做一个简单的东西，不断往前推进，就会自然碰到现实世界的边界：网络延迟怎么办？服务器为什么要钱？用户数据怎么乱的？

这些问题比单纯上一门信息技术课要更有力量，因为这是从他自己的需求出发的，不是老师布置的。这是孩子自己碰上的。一个人只有在自己撞上墙、自己想去解决问题的时候，才有动力继续学习下去。Vibe Coding 就是一个不断制造这种温和撞墙的机器。这就是润物细无声的学习。它不需要说教，不需要像家长那样在旁边喊：“你应该学点有用的。”所以 Vibe Coding 让人上瘾，而且让人努力学习。

Vibe Coding 比游戏更没有边界

Vibe Coding 跟游戏还有一个很大的区别，就是游戏是有边界的，Vibe Coding 是没有边界的。在这点上，Vibe Coding 其实比游戏的成瘾性还强一些。

纳瓦尔在他的播客里有一个点让我觉得非常有意思。他讲，游戏这东西不可能让你无限地玩下去。就算是再大的开放世界游戏，它也是有边界的。原因其实很简单，游戏公司是靠卖游戏挣钱的。你如果买了一个游戏玩一辈子，再也不买第二套了，那人家不饿死了吗？

但是 Vibe Coding 不一样，它底下连接的是现实的计算机世界和计算机网络。所以理论上说，你可以让它做任何软件，你可以把软件向任何方向去升级。你可以让它做背单词工具、健身记录、家庭记账、小型游戏，也可以给同学们做社群工具。它没有一个特别固定的地图，后边无穷无尽，你可以一直让它玩下去。

所以它也没有固定任务。它不像传统游戏似的，还要设计说你应该先玩什么、后玩什么，都没有。想做什么做什么，一切都是从自己的意愿出发。Boss 无限多，你只要说我愿意打下一个 Boss，没问题，来了。它是这样的一个系统。而且每一个 Boss 打过去的过程都不是特别费劲，因为真正生成代码的是 AI，不是你自己。

纳瓦尔自己也说，他现在开始用 Vibe Coding 以后，立马上瘾，这一点都不夸张，而且是越用越上瘾。

AI 为什么会让孩子更敢表达

刚才我们讲到，小孩子有网瘾，有一个很重要的原因是他害怕被拒绝。他在现实世界中有挫折感，所以愿意逃避，愿意到网络世界里去寻找新的认同。那 AI 是一个什么东西？它不会嘲笑，不会翻脸，你让它干啥它都干。

咱们就说写程序。我今天说：“你给我加一个按钮。”看完以后，按钮不太好看，“你给我把这个颜色换成红的。”红的不好看，“给我换回去吧。”我需要一个新的功能，要做什么什么东西，它就做去了。那个 AI 可能吭哧吭哧做了俩小时，写了几万行代码进去，还没有上一版好用呢，你说“给我退回去”。如果后边是个人会怎么样？后边是个人早给你疯了。但是 AI 不会干这个，你说什么它就给你干什么。

而且 AI 还有一点，AI 大部分是讨好型人格。因为 AI 自己经常容易出现幻觉，它也知道自己说的东西不是特别靠谱，所以只要人不是错得特别过分，它都会说：“没问题，你是对的，我接着给你做。”所以 AI 在孩子面前会让孩子有一个非常安全的表达环境。

像我儿子有时候在我面前也是不太敢说话，因为怕我挑他错。我原来是有给人挑毛病的习惯，这确实要承认。说点什么事，我说：“你这样说对吗？你的逻辑清楚吗？”然后他就会觉得压力很大。AI 不会跟你说这个。

Vibe Coding 不是万能药，但它能改变方向

讲到这，很多家长就晕菜了，说老范你这不对，你找了一个更上瘾的东西回来。孩子原来就沉迷游戏，你现在让他沉迷 Vibe Coding。

所以我要把话说完整：Vibe Coding 不是万能药，不能自动解决孩子不社交的问题，也不能解决焦虑、抑郁、注意力缺陷、家庭冲突这些更深层次问题。如果孩子已经出现了严重的心理或者行为问题，您该去看医生还是要去看医生。

但是 Vibe Coding 能够解决另外一个非常关键的问题：它能够把一部分沉迷数字反馈的孩子，转换向能够用数字工具创造东西的孩子。向这个方向转换，这件事的价值还是非常巨大的。

纳瓦尔在这个播客里也说了，Vibe Coding 可能会把能够构建应用的人，从人口总数的 0.1%，提高到 1%、2%，甚至是 3%。注意，这里并不是说所有人都会变成程序员。他说可能未来人口里的 3% 会成为程序员。对于大多数人来说，电脑仍然是一个黑箱。但是对于那些有创造力、有自驱力、有表达能力、有清晰愿景的人来说，门槛就降低了。

所以我们也希望自己的孩子未必能够成为一个各方面都强的人，但是在 AI 时代，他一定要成为一个有创造力、有自驱力、有表达能力、有清晰愿景的人。这个非常重要。这就是我们今天的关键。

一个网瘾少年，如果只是沉迷游戏，他的数字能力可能就被锁在游戏的虚拟世界和游戏规则里。但如果他沉迷的是 Vibe Coding，他至少有机会进入 3% 的应用构建人才里去。他不一定会成为职业程序员，但是可能会成为一个会用 AI 做工具的人。我们是要让孩子从被软件控制的人，变成能够指挥软件的人。这才是 Vibe Coding 替代网瘾的真正意义。

家长应该怎么引导孩子接触 Vibe Coding

所以，如果您觉得家里的孩子稍微有点网瘾，可以让他接触 Vibe Coding。但是你不要说：“人家 Vibe Coding 都去做什么什么东西，你也要去做同样的东西。”这个就没必要了。一定要让他自己找到他自己的兴趣。

比如说：

• 你不是喜欢打游戏吗？你让 AI 给你做个小游戏行不行？
• 你不是喜欢动漫吗？你让 AI 给你做一个角色的成长历程库、资料库行不行？
• 喜欢二次元设定，也可以做个小网站，把这些东西整理整理、比较一下。

重点不是这个项目有多大。大家注意，一开始如果项目大了，他可能就没兴趣了。重点是要让他得到正向反馈，让他体会到一次：“原来我不只是能玩别人的东西，我自己也能做出东西来。”这个转换很小，但是方向完全不同。

如果一个孩子连续几天都愿意花时间改自己的小项目，哪怕还是坐在电脑面前，这已经是从无意识地刷短视频、刷游戏，到自己去创作了。因为他开始有目标了，有目标就要有计划，他就会开始有一定的自控力。

当然，家长也要注意，不要把 Vibe Coding 又当成新型的鸡娃。一上来说：“你看别人家怎么怎么样了，你去参加个比赛，咱们去创个业吧。”这事就废了，你又把兴趣毁了。所以最好的方式是什么？让孩子玩起来，只是这次玩的东西是创造工具。

纳瓦尔是谁，为什么他的观点值得重视

纳瓦尔是个印度人，移民到美国以后，自己先去创业，然后开始做投资人。他创业的时候，跟他的投资人发生过一些诉讼，他觉得里头有一些条款有问题。所以他后来去做投资人的时候，做了一个项目叫 AngelList，叫天使列表，专门帮助创业者跟投资人建立联系的平台。

他投中的项目包括 Twitter、Uber、Yammer。Yammer 后来被微软收购了。然后是 Stack Overflow，已经上市了；Notion 也是他投的。所以这是一个非常成功的传奇投资人。投资人怎么叫成功？就是你看他投的项目到底都是什么。为什么老范自己老说，我吹牛说我投过 Musical.ly，现在是 TikTok。这种成功退出的，或者说能让大家知道的案例，就是一个投资人身上的标签。他身上有 Twitter，有 Uber，有 Notion，这些公司有的上市了，有的被收购了。

纳瓦尔关于苹果、软件和未来投资的判断

苹果可能走到高峰

他还讲了些什么？第一个，他讲苹果完了。这个特别有意思。为什么？你想，他现在想着谁都可以写自己的程序。那写完程序以后会发生什么事？大家知道吗？你要上架，你要让 iOS 能够认你这个 App。但是 iOS 上 App 这个事要求是非常严格的。

在这点上，苹果有点像 Costco，叫开市客。大家想想开市客有什么特点？它的 SKU，或者说商品的品类特别少，但是所有商品都是精挑细选、经过选择的。那么大家为什么愿意上 Costco 去交会员费？因为人家替你选过了，你不需要再去挑了，这都是最好的。

苹果实际上一直走这样的策略。它的硬件确实设计得很好，它整体的软件体验也非常好，要比安卓好很多。但是现在好了，大家每一个人都可以写应用了。你要还按这样的方式去做就不行了。我们每个人都有应用，每个人都需要上架，每个人可能都需要在小范围内进行分发。这个时候我们就不需要 Costco 了，我们这时候需要什么？我们需要淘宝。

淘宝是什么？叫只有你想不到的，没有它不卖的。即使它真的不卖，你还可以找商家定制。你现在还可以让 AI 给你定制。所以以后苹果就没有任何意义了。他说苹果这种靠维持 App Store 垄断的生意肯定做不下去了。以后的手机是什么？就是显示器、电池、处理器、存储、摄像头、各种传感器、麦克风，再加上网络连接，其他就都不需要了。我不需要你去替我做这种筛选。我自己做了一个 App，我自己用就行了。你不要上来说“我要为了你的安全”，我不需要，我自己就足够安全了。所以他觉得苹果已经完事了，现在已经到高峰了，再往前涨涨不动了。

纯软件项目可能不再值得投资

他在这个播客里还有一个比较有意思的观点，就是纯软件项目以后就不值得投资了。这个观点也是非常刺激的。原因也很简单，做软件的门槛实在太低了。任何一个人，包括原来这个行业里的产品经理，或者一些文科生，也可以做出软件来了。

他说他以后要去投硬件，投网络效应。就是说你做了一个事情以后，可以进行这种裂变，一传十、十传百，这种事情他要投。数据优势，这个数据只有你有，其他人没有，这个事是值得投的。分发渠道，你可以触达用户，这事可以投。AI 模型能力、品牌、社区、现实世界资源，以及难以复制的系统能力，这些东西是值得投的。纯软件就不投了。

Vibe Coding 能不能替代大型软件公司

那么 Vibe Coding 到底能不能替代大型软件公司？我只能说，至少到目前为止还不行。现在 Vibe Coding 还是只能做个人工具、小团队工具、原型、内部的一些小系统、学习项目、兴趣项目或小范围应用。

但你说我想做一个为几百万用户服务的，涉及支付、安全、隐私、稳定性、合规、性能、灾备等等一大堆系统的完整项目，也用 Vibe Coding？现在苹果不是也 Vibe Coding 了吗？但是你还是需要有职业程序员，要组队去进行 Vibe Coding。完全不懂计算机的人去搞这个事，是搞不起来的。

但是这也只是当前状态。大家要想想，3 年前我们可能连 AI 到底能不能代码补全还心存疑虑；两年前我们知道 AI 可以做代码补全了，但是应对完整项目到底行不行，我们不知道；去年开始有 AI agent 了，你可以稍微处理一点完整项目了，但是我们还是要在浏览器里看代码的；到今年，已经发展到 Claude Code，发展到 Codex，我们可以不用看代码了。

去年我还不太敢去用自己不熟悉、不会的编程语言写程序。我现在已经可以完完全全使用我从来没有学过、也不看代码、也没见过代码的编程语言去写程序了。所以每一天都在发生变化。现在这种特别复杂的项目，依然需要职业程序员，甚至是成建制的职业程序员使用 Vibe Coding 工具去写。是不是再过一年，普通人也可以一拍脑袋把这事情搞定？这个事我不知道，可能行，但是也可能不行。

AI 时代，编程会不会像驾照一样普及

AI 时代，个性化软件一定会大爆发，手机可能就会变成一个基础硬件。有一点，我跟纳瓦尔的观点是不一致的。编程人口，他认为会达到 3%，这对于他来说已经是很夸张的一个数字了。但是我个人认为，编程人口有可能会像汽车驾照一样，达到社会人口的一半甚至以上。

中国到现在为止，18 岁以上的人有驾照的是 49%；日本大概是 70% 多；美国 18 岁以上有驾照的人是 85%。如果纳瓦尔的判断是对的，就是非常低的比例会成为程序员，那么你现在去学习 Vibe Coding，这个价值就会上升，因为你可以有敲门砖，可以赢在起跑线上。

如果我判断是对的，以后可能有 50% 以上的人都是程序员，那你就更要去学 Vibe Coding 了。因为你不会 Vibe Coding，不会编程，就相当于现在不会开车似的，你缺乏了一个基本的生活技能。不管是谁对，学 Vibe Coding 都是一个正确的事情。

结论：用更高阶的数字成瘾，替代低阶的数字成瘾

最后的结论是什么？以毒攻毒，用 Vibe Coding 治网瘾，也许就是 AI 时代的一个新选择。这就是咱们今天节目的核心观点。不是 Vibe Coding 要替代程序员了，也不是说孩子学了 Vibe Coding 就一定会发财，更不是说 Vibe Coding 是医学意义上的网瘾治疗方案。

我真正想说的是，在 AI 时代，我们也许可以用一种更高阶、更有现实生产力的数字成瘾，去替代一种低阶的、纯消费的、被算法控制的数字成瘾。

区别就在于，游戏的奖励大多是留在游戏的虚拟世界里了，而短视频的刺激更是什么都没剩下。Vibe Coding 的奖励是一个真实的作品、一个页面、一个小工具、一个 App 原型。这些才是真正有价值的东西，也是让孩子快速进入 AI 时代、快速进入程序时代的一个敲门砖。咱们不说什么赢在起跑线上这些比较垃圾的话，这就是咱们今天讲的故事。

关注 AI 领域的朋友们，最近应该经常被一条新闻刷屏。这个新闻的标题叫做：Anthropic 的 Pre-IPO 估值已经冲到了 1.2 万亿美金，超越 OpenAI，成为全球估值最高的 AI 公司。

这个标题确实非常抓人，因为里面有 Anthropic、OpenAI、Pre-IPO、1.2 万亿美金这些关键词。全球市值第一的 AI 公司上市前暴涨，普通人要提前买入。如果只看标题，你会以为 AI 界已经变天了：OpenAI 已经不是老大，Anthropic 现在是老大了。

1.2 万亿美金这个数字本身很容易引起误导。所以今天不着急喊 Anthropic 好厉害，也不是出来喊哪里有泡沫，而是把它拆开以后，把这里面的三个误导和一个风险说清楚。

第一个误导：这不是通常意义上的 Pre-IPO

很多中国人对 Pre-IPO 这件事特别有执念。什么叫 Pre-IPO？就是 IPO 之前融的最后一轮钱。

为什么中国人对这件事特别有执念？因为中国 IPO 长期是审批制，不是注册制，所以 IPO 的机会很少。最后一轮上车的这帮人，也就是 Pre-IPO 这一轮的人，通常会代表一些官二代、红二代、富二代，他们上车以后会给你保驾护航，能够让你上市成功；上市以后，他们也能挣到超额回报。因为上市机会少，谁上去了以后就属于“奉旨割韭菜”。

所以 Pre-IPO 在中国有一个很特殊的意义。但是这里要讲的第一层误导就是：此 Pre-IPO 非彼 Pre-IPO。

正常应该是上市之前最后一轮融资叫 Pre-IPO，但是 Anthropic 这个 Pre-IPO 叫做链上 Pre-IPO，是一种跟区块链相关的特殊股票计价方式。

第二个误导：tokenized Pre-IPO 不等于真正买到股票

有人把这种 tokenized 的 Pre-IPO 当成了真正买到了 Anthropic 股票。这个还不行。你买到的这种 token 化股票，实际上是一个价格敞口，跟最后你真正买到股票不能直接画等号。

第三个误导：小盘交易价格不等于上市市值

很多人会把这种二级市场上的小盘交易价格，当成 Anthropic 上市时一定能够兑现的市值。这是有区别的。

现在 tokenized Pre-IPO 这个盘子非常小，可能只占到千分之几的份额。这个数据的涨跌，跟 Anthropic 自己的估值或者最后上市的市值，其实并没有什么直接关系。而且这种从 tokenized Pre-IPO 的价格反向传导回它的估值、它的市值，这个链路并不通畅。

这就是三重误解。

一个重大风险：Anthropic 可能不承认这些交易

那么风险是什么？这些 SPV，也就是以特殊目的建立的基金或者公司，一般什么时候会玩这个东西？比如说想买 Anthropic 股票，但现在它没上市，买不着。那怎么办？有些人说，我们替你买。我们专门建一家公司，去买 Anthropic 股票。Stockx 每过一段时间也会卖一些老股。

如果你是个人，手里只有 20 块钱买菜钱，也想买这个东西，你买不着，人家不跟你谈。现在就有人说，我成立一个基金，我去投资，我去买它的老股，然后你再给我 20 块钱，我把这个东西拆开以后分你一部分。这个就叫 SPV。

有些人把 SPV 的东西代币化，到链上去交易，这就是今天讲的 tokenized Pre-IPO。

但这些东西 Anthropic 得承认才行。也就是说，Anthropic 承认他们买走的这些股票，到上市的时候都认，最后愿意给你兑现，这才可以。但是现在 Anthropic 有可能不承认。

它已经发公告说，我们现在是私营公司，我们没上市，所有对我们公司股票的转卖，必须要经过我们同意；没有经过我们同意的，我们通通不承认。

那你说，人家愿意买你股票，你凭什么不承认，凭什么不同意？这个其实很好理解。Anthropic 也有竞争对手，也有一些人是 Anthropic 不希望把股票卖给他的。比如背后是中国国资的一些基金，也想冲上去买 Anthropic 股票，那 Anthropic 会说，我必须审核一下。你卖给谁之前，必须告诉我；如果我不知道你就把股票卖了，这件事我有可能不承认。

如果它已经上市了，比如哪天 Anthropic 在纳斯达克上市，有国资基金冲上去说我们要买股票，它是不能反对的。但没上市之前，它是可以反对的。所以这里面有一个重大风险。

1.2 万亿美金到底从哪来

先把事情讲清楚：这 1.2 万亿到底是从哪来的？我们先不要被 1.2 万亿美金这个数吓着。这个数字不是 Anthropic 官方宣布的，也不是 Anthropic 最新融资爆出的估值。

像这种没上市的公司，它的估值一般有几种方式对外暴露。

1. 融资。融了一轮新的钱，大家去报道一下，这轮新的融资以后，投后估值是多少。投后估值就是原来的估值加上这次新融进来的钱，最后一共多少钱，这是一个暴露方式。
2. 卖老股。公司有一批老股要卖出去，想给创始团队和员工稍微改善一下生活，这个时候会有一个窗口：我们在什么样的估值上卖。卖掉以后，创始团队和有老股的人可以在里面变现一些，这也可以暴露一定的价格。
3. 并购。比如 SpaceX 跟 xAI 之间的并购，也可以暴露一个估值出来。

上市以后才有市值，没上市之前通常只有这三种方式暴露估值。

这一次暴露的叫链上 Pre-IPO 市场的隐含估值。简单来讲，就是有人通过 SPV 的方式得到了一部分 Anthropic 的股票，而且这个股票的数量其实很少，还存在巨大风险：Anthropic 有可能不承认。他们把这一部分 Anthropic 股票上链交易去了，完整的名字应该叫 Anthropic tokenized stock。

交易 Pre-IPO 的这个公司叫 PreStocks，是 2025 年才创建的。现在在这个平台上交易的有 Anthropic、OpenAI、Neuralink、SpaceX，这些公司都没上市。但是比如通过投资、购买、买老股的方式，他们得到了一点点股份，然后放在这里，谁愿意买谁去买。

这里面就不再管你是谁了，只要你拿着比特币，或者 USDT、USDC，就可以来买，直接跟你交易。既然有交易，它就会有一个市值出来。所以这一次的价格就是这么来的。

要注意，它叫隐含估值。所谓隐含，就是它不是一个官方估值，也不是公司董事会批准的融资价格，不是审计以后的市场价值，也不是 IPO 定价，跟这些通通都没关系。而且这个价值想要传导回去，说“我这边已经 1.2 万亿了，我要影响 Anthropic 本身的定价”，基本上没有什么路径。

Anthropic 的官方估值是多少

Anthropic 的官方估值到底是多少？要注意，它已经 close 的融资是在 2026 年 2 月份，300 亿美金到手。那一轮已经关闭了。只有已经关闭的交易，才可以算它的估值是多少。你说现在还谈着，还有一些交易没做完，协议没签，钱没到手，这个是不能算的。

按照 2026 年 2 月份这一次 300 亿美金的融资，它的估值是 3,800 亿美金 post-money，也就是投后估值。

你说这跟 1.2 万亿差远了，差三点几倍，快 4 倍了，这数对吗？对，这就是官方确认的 3,800 亿美金。

再往后还有没有在谈的融资？有。现在还有一个 500 亿美金的融资还在谈，也就是说这一轮要进 500 亿美金现金。它这一轮的投后估值，现在大家猜测是 1 万亿美金。但是在没有签字、没有对外公示之前，这都是无效的。

所有谈融资，都要签 term sheet，也就是投资意向书。投资意向书里有一个很关键的点：保密。所以在正式投资文件签署之前、对外公开之前，没有任何一个严肃的投资人会来跟你讲说，我准备投多少钱，这个估值是多少。这个都不对。一旦说了这个数，就违反了投资意向书的保密义务，就会被踢出局。这个事是不能说的。

所以它到底是不是到 1 万亿美金了，我们要等。等它这个 500 亿美金这一轮融资完成，大家签了字，正规媒体出来报道了，我们才能说它的价值在往上涨。

所以 Anthropic 目前正常的估值是 3,800 亿美金。这里面有三个数：

• 3,800 亿美金：2026 年 2 月份已经完成的那一轮投资的 post-money。
• 1 万亿美金：现在正在进行的 500 亿美金融资外面传说的 post-money，注意是传说的，并没有最后签字确认。
• 1.2 万亿美金：PreStocks 这样一家创业公司拿一部分在外面流通的、Anthropic 自己还不承认的股票去做 tokenized 交易，然后形成的一个预估价格。

这三个价格，大家要理解清楚。

OpenAI 到底有没有被超过

那讲到这里，OpenAI 值多少钱？到底有没有被超过？

OpenAI 在 2026 年 3 月份也完成了一轮巨额融资。这一轮融资以后，它的估值达到了 8,520 亿美金 post-money，也就是投后估值 8,520 亿美金。所以从可以确认的估值上来说，OpenAI 还是 Anthropic 的两倍多：OpenAI 是 8,520 亿，Anthropic 是 3,800 亿。

那 OpenAI 有没有 tokenized Pre-IPO 的估值？也有。PreStocks 这个创业企业也拿了一部分 OpenAI 的股票上链，让大家去交易。在那个上面，现在 OpenAI 的价格大概是 1.3 万亿美金，比 Anthropic 还要稍微贵一点点，但是已经非常接近了。

这种价格代表的是一种心理预期。虽然它很难反向影响到实际公司的价值，但是它还是代表着能够参与这种交易的人对这两家公司的价值认可。

那 SpaceX 现在在 PreStocks 的 Pre-IPO 上价格是多少？大概是 1.8 万亿。这三家公司都号称今年要上市，但是现在真正向 SEC 递表、交了 S-1 上市申请书的只有 SpaceX。

SpaceX 说我们准备按 1.75 万亿去招股，这是一个确定的数字，不是大家随便拍脑袋出来的数字，这是 SpaceX 已经交上去的数字。

剩下两家，OpenAI 和 Anthropic 到底什么时候交表，现在不知道，并没有确定消息说它们已经把表交到 SEC 了。所以对它们来说，正规的 Pre-IPO 压根还没开始做。最后 IPO 之前的那轮融资才叫 Pre-IPO。

而且在美股上，Pre-IPO 并不像在 A 股上这么神秘，大家都可以上去搞。而且 Pre-IPO 的投资还会受到一些限制，比如锁定期。不是说上市之前冲进去，上市以后就可以马上割韭菜。正常 Pre-IPO 投资在上市以后并不能马上卖掉，还要锁定一段时间才可以卖。

为什么 Anthropic 会被炒到这么高

那为什么 Anthropic 会炒到这么高？大家是不是真的觉得 Anthropic 已经接近甚至要超过 OpenAI 的价值？

Anthropic 最近一段时间确实很猛。一方面，它的编程模型 Opus 4.6、Opus 4.7 确实很强。虽然 OpenAI 的 Codex 以及 GPT-5.5 能力提升很快，而且 OpenAI 的 Codex 和 GPT 其实要比 Anthropic 便宜很多，解决同样的问题，这边花的钱要比那边少很多。即使在这样的情况下，大家依然认为现在最好的编程模型，最好的真正能够干活而不仅仅聊天的模型，还是 Anthropic 的。

而且 Anthropic 背后是谷歌和亚马逊。它可以证明谷歌云很强，亚马逊云也很强，谷歌的 TPU 很厉害，亚马逊自己做的芯片，包括上面买的英伟达芯片都很强。它这块的通用性很好。谷歌和亚马逊又是它的大股东，也非常愿意顶着它继续往前走。

对于云计算厂商来说，支撑一个这种顶级大模型公司前进是有巨大好处的。为什么？不是说我们买了 token，Anthropic 上谷歌云、亚马逊云交钱就完事了，而是比如我今天想买一个云服务，因为我后面要使用 Anthropic 的 AI 服务，所以我愿意把它部署在谷歌或者亚马逊云上。因为离服务器近，不用出机房就可以找到 Anthropic 的 AI 服务，成本会急剧下降，效率会急剧上升。这对于它们自己卖云计算服务是有巨大好处的。

Anthropic 与 Harness agent

还有一点，Anthropic 现在真正比较强的地方在于，它算是引领了时代。在这个行业里，现在到底谁挣了多少钱，谁有多少用户，重要吗？重要，但并没有那么重要。真正重要的是谁代表了先进生产力，谁代表了未来的方向。

现在大家玩的这一波叫做 Harness agent，也就是驾驭系统。这一波是从哪里来的？就是从 Anthropic 的 Claude Code 这里来的。现在大家都在围绕这一套东西往前走，包括 OpenAI 的 Codex，还有国内很多类似产品，都属于 Harness agent，也就是驾驭系统，都是从 Anthropic 这边来的。

而且现在大家去看 GitHub，每周最抢眼、star 涨得最多的开源仓库，通通都是围绕 Claude Code 和 Harness agent 的。这就说明这就是今年的方向了，所以这一块确实很猛。

三家公司上市进度与市场情绪

现在还有一个问题是，Anthropic 号称要上市。现在要上市的这三家，SpaceX、Anthropic 和 OpenAI，SpaceX 这事基本上确定了，已经交表了，等就好了。

而 OpenAI 麻烦缠身，一边还跟马斯克打着官司，山姆·奥特曼又是一个财务纪律非常涣散的人。IPO 不光是说可以上市割韭菜，IPO 必须要守一大堆规矩。因为一旦 IPO 以后，大家就再也没有优先股了。

什么叫优先股？就是除了有股票的标准价格和权利之外，还有一些优先权，这个东西叫优先股。因为一旦上市，所有优先股通通变成普通股。不能说谁的股票比谁的股票权利更多一些，这个事是有问题的。当然投票权可能会有差异，但是别的权利都是一致的。你说我这个股票给你的分红权比别人的股票多一些，这不行，这样外面买你股票的人就亏了。

所以一定要一致。当所有人都拿着普通股时，就需要靠一套很完善的规则来管理公司。股市会保证这些公司都符合一个基本规则去运转：我买了它的股票，它就不能骗我，不能做假账，挣了钱得跟我分。这些规则是要保证的。

而山姆·奥特曼本身不是一个特别守规矩的人。他自己的 CFO 也认为，他经常有一些大嘴巴，或者有一些财务上不是那么守规矩的地方。所以 OpenAI 到底什么时候能上市，不知道。

Anthropic 一直相对来说还是比较规范的，而且挣钱也是老老实实在挣。它说我要上市了，大家就相信它真的能上市，而且上市以后还能涨很多。现在也就是 3,800 亿，如果这个时候能冲进去，等它上市的时候一定能挣很多。所以大家会有很强的 FOMO 情绪。

什么叫 FOMO？就是 fear of missing out，害怕错过的感觉。大家会想，我们能不能提前上车？等上市以后股票开始涨了我再去买，这不就亏了吗？能不能在它没上市之前就冲进去？于是大家就会研究怎么冲上去，怎么上这个车。现在 PreStocks 这个公司就拿出了这样的产品，叫做 tokenized Pre-IPO，很多人就会冲上来买它，把这个价值冲得很高。

如果买了这些代币，IPO 以后怎么办

三个误导和一个风险已经讲过了，再补充一点知识：如果你今天买了这些代币，上市以后怎么办？

它叫 tokenized Pre-IPO，那 IPO 以后怎么办？首先要说一点，PreStocks 这个创业项目非常年轻，2025 年才创建，所以到目前为止，它没有成功退出过任何一个项目。没有哪个项目说，我把 Pre-IPO 的 tokenized 卖掉以后，它成功上市了。这个事并没有发生过，所以这里面还有很大的不确定性。

理论上说，它应该是在 Pre-IPO 这个点上，把原来寄存在它这里的这些 SPV 权益首先送到股市上去。

比如这里有一个叫张三的 Anthropic 员工，手里分到了一部分 Anthropic 股份，然后他偷偷把这个股份卖给了一个 SPV。这个 SPV 把这一部分股份 token 化，送到链上交易。等到 Anthropic 上市了，张三自己把这个股票登记到自己身上，因为他是员工，然后再跟这个 SPV 做交割，说我把这部分再交割给你。它已经上市了，你可以到那边去买，或者做相应处理。他是可以做这样的操作的。

SPV 要在满足所有限制条件以后，把这些股票卖掉变成现金，然后再把这些钱还给原来买 token 的人。它大概是这样的一个流程。

有人问，交割的时候，也就是 SPV 买这个股票的时候，直接登记不就完了吗？问题就在这儿：Anthropic 不承认。你去登记，也要有人承认才行。所以大家实际上签的是个白条，或者不是一个特别正规、可以被认可的协议。

所以这个钱你现在交了以后，怎么把它变回来，这个过程可能会有一定不确定性。

说一个比较小概率的事件。比如在临上市之前，张三被开除了，他所有授予的股票都直接被没收了。那你在这交易了半天，这个东西就是一张废纸。这个可能性也是存在的，所以这就是一个重大风险。

最后总结：三个误导和一个风险

最后重新数一下三个误导。

1. 第一个误导，是把链上 Pre-IPO 的隐含估值，当成了公司真实的融资估值。
2. 第二个误导，是把 tokenized Pre-IPO 当成了真正买到了 Anthropic 股票。
3. 第三个误导，是把二级市场的小盘交易价格，当成了 Anthropic 上市时一定能够兑现的市值。

最后要注意的风险是，这些 SPV 和代币化的敞口，是 Anthropic 官方不承认的。以前我们投资项目的时候，最后要签协议，所有相关股东都要签协议。有一个股东不签字，整份协议就失效。

今天这个故事，其实就是第一个误导的重要性。你说 1.2 万亿美金估值这件事完全是空穴来风、完全是假的吗？也不是。只是这里面有很多信息被隐藏掉了，没有跟大家对齐。所以今天把这个事情稍微对齐一下，希望大家能够对 OpenAI、Anthropic 有一个更理性的看待。

背景图片

最新编程跑分：大模型全军覆灭，但真正可怕的不是 0%

大家好，欢迎收听老范讲故事的 YouTube 频道。

这两天，AI 编程圈出了一个新的跑分，叫做 ProgramBench。这个测试非常狠：它不是让 AI 去改一个 bug，也不是让 AI 补一个函数，也不是让 AI 在现有项目里加一个小功能。

它直接把题目做成这样：给你一个已经编译好的可执行文件，再给你一份使用文档。你根据文档和可执行文件去测试：应该输入什么、输错以后该怎么报错。源码什么都不给，然后让 AI 自己规划，写出完整的程序。

这已经是一个完整的软件工程了。以前很多人都说，AI 可以写一部分代码，可以补个 bug，但你给它一个完整项目，它写不出来。老范自己做直播的时候，很多程序员也会说：

你看看，你让它做一个这个，你让它做一个那个，它做得出来吗？

原来确实做不出来，这一次测试也说明它做不出来。但是事情并没有大家想象得那么简单。

ProgramBench 的结果：9 个模型，全员 0%

这一次一共用了 9 个模型做测试，全员通过是 0。

测试大概选了 200 多个软件，都是大家比较熟悉的各种底层开源软件，而且给到模型的是已经编译好的版本。每一个软件都有很多测试项，比如输入这个参数应该怎样，输入那个参数应该怎样，错误信息应该怎么处理。整体加起来有几千个测试项，论文中给出的总测试项是 248,853 个。

9 个模型测完以后，没有任何一个软件的所有功能可以全部通过。所以这一次就是全军覆没。

参与测试的模型包括 Claude、GPT、Gemini 系列，其中有 Claude Opus、Claude Sonnet，GPT 有 GPT 5.4、GPT 5.4 Mini，Gemini 有 Gemini 3.1、3.0 Flash Pro 等，合计 9 个。

很多人看完以后的第一反应可能是：程序员这饭碗保住了，AI 吹了半天牛，最后还是没法完成完整的软件工程吧？

这句话在测试结果公布的这个点上是对的，但也只对了一半。因为我看完以后，真正让我冷汗直流的不是那个 0%，而是另外一件事：这个 Benchmark 已经把下一代 AI Coding Agent 要攻克的目标定义得非常清楚了——AI 要完成完整的软件。

真正可怕的是：目标已经被定义出来了

你不要给它选型，不要告诉它要用 C、JavaScript 还是 Python。你就说：我有一个应用，这头输入什么，那头输出什么，你给我再做一个。

这有点像修车。原来是某个部件坏了，我要等原厂配件，非原厂配件不好。以后可能变成：我缺一个配件，你给我重做一个。这个配件长这样，输入是这些，输出是那些，你给我做出来就完了。

一旦目标被定义出来，接下来就不是会不会的问题，而是什么时候的问题。甭管是美国人做 AI，还是中国人做 AI，大家都喜欢干一件事：刷题。

原来没有一套题来规定未来要向哪个方向发展，大家就不知道该刷谁。当一套题已经明确未来方向，剩下的事不就是刷吗？所以 ProgramBench 出来以后，所有做 AI Agent、做软件的厂商，方向就已经明确了：奔着这个方向刷就完了。

从 SWE-Bench 到 ProgramBench

ProgramBench 是由 SWE-Bench 这个团队做的。SWE-Bench 其实已经是 AI 编程领域里比较难的测试了。

在 AI 编程领域，最早的测试方式是：我给你出题，让你做一个排序、一个算法，做完以后验证对不对。到 SWE-Bench 的时候，他们做了一件更狠的事：给你一个 GitHub 仓库，上面有一些 bug，也有人提 issue，说这里有问题、那里有问题。AI 要自己把代码拉下来，读清楚问题，提交补丁，把问题解决掉，再看通过情况。

这已经开始解决现实问题了。

现在的大模型跑 SWE-Bench，很多已经可以跑到 70 多分，也就是 70% 多的问题都可以自动搞定。而且这些大模型在 SWE-Bench 上已经有点拉不开差距了。即使是国内的大模型，比如 DeepSeek、千问、Kimi，在这块都已经跑得非常靠前。甚至有些模型还可以跟 Claude Opus 4.7 稍微掰掰手腕。

因为在大模型领域里，最容易提升的就是编程。编程比较确定：要求是什么，输入是什么，输出是什么，中间可能出现什么问题，应该怎么解决，这些都相对明确。大模型可以一遍遍刷，不对就再刷一次。而且它不光知道哪个是对、哪个是错，还知道什么样更好。所以大模型在编程能力上提升得非常快。

当一个 Benchmark 已经没法再区分大模型能力的时候，怎么办？那就出更难的题。就像考试时所有人都考 100 分了，老师就再出一套更难的题。ProgramBench 就是在这个背景下出现的。

ProgramBench 到底怎么考

这一次不是修 bug。修 bug 仍然是在一个已经完成的项目里工作：项目用什么软件、什么技术栈、什么编程语言、什么目录结构、什么架构，人家都写好了，只是里面有一些 bug，你进去修就行。

ProgramBench 没有这些，只有一个黑箱子。

什么叫黑箱子？就是我知道输入什么、输出什么，但不知道里面怎么处理。等于我给你一个黑箱子，剩下的你要把箱子里的东西做出来。

ProgramBench 的论文名字叫“大语言模型能不能从零开始重建一个软件”。它设计得非常干净，也非常狠。

研究团队给模型的东西只有两类：

• 第一类：已经编译好的可执行文件。
• 第二类：这个程序的使用文档。

模型可以运行这个可执行文件，比如加一个 -a、加一个 -b，输入一个文件名，再输入其他参数，观察应该出现什么结果。文档里会写这个软件是什么，有哪些参数。

这里测试的都不是有图形界面的东西，而是 text in, text out，基本属于 Unix 平台的规范：输入是文本，输出也是文本，跟图形界面关系不大。

研究团队不会给：

• 源代码；
• 测试用例 test case；
• 项目结构；
• 技术栈；
• 应用内部使用了什么函数。

模型要自己运行程序，观察输入输出行为，然后推理它有哪些命令行参数、如何处理边界情况、出错以后怎么办。

比如应该输入三个参数，结果只输入了两个，程序应该怎么处理？应该输入大于 0 的数，结果输入了小于 0 的数，应该怎么办？出异常时应该输出什么错误信息？这些都属于边界情况。

程序内部大概有什么样的数据结构，也可以通过行为观察。比如一个执行文件收到一些数据后，会在目录里创建数据文件，把输入信息存进去。模型可以观察这些行为，再自己决定用 Python、C、Rust 还是 Go 来重写，整个项目应该如何组织。

所以 ProgramBench 跟 SWE-Bench 已经不是同一个层次了。SWE-Bench 相当于修车：车还在，坏了一个零部件，我把它修好。ProgramBench 则是：我想要一辆车，它要具备某些特性，比如看到红灯会停、看到行人会按喇叭，剩下什么都没有，你去造吧。

任务规模：真实软件，不是玩具项目

这次是 200 个任务，每个任务有一堆测试，总共 248,853 个测试项。任务不是玩具项目，而是真实软件项目。

比如：

• 压缩工具：Zstd、LZ4、Brotli；
• 语言编译器或解释器：PHP、Lua、TinyCC；
• 数据库：SQLite、DuckDB；
• 媒体处理工具：FFmpeg。

其中最大的项目是 FFmpeg，很多人做视频编解码都会用到。这个项目有 270 万行代码，也被放进测试里，让模型去重建。

当然，这些软件并不全都像 FFmpeg 这样大。很多项目比较小，平均代码中位数是 8,635 行，能够到 270 万行的只有 FFmpeg 一个。

这次测试考验的是：AI 有没有能力做软件架构、系统推理和长期工程设计。

成绩细节：Claude 稍微领先，但也只是“接近完成”

成绩是全员 0%，真的是全军覆没。即使是最简单的应用，上最好的模型 Claude Opus 4.7，也没有通过全部测试项。

当然，在这批模型里，Claude 还是稍微强一些。

测试里有一个指标叫“接近完成”：如果所有测试项里大概有 95% 都通过了，就算接近完成。按这个指标计算：

• Claude Opus 4.7：3%；
• Claude Opus 4.6：2.5%；
• Claude Sonnet 4.6：1%；
• GPT 5.4：0；
• Gemini 3.1 Pro：0。

也就是说，用 Claude 还有可能做出一个差不太多的版本，但用 GPT 和 Gemini，连 95% 都达不到。从这一点看，Claude Opus 4.7 还是稍微领先一些。

如果有人好奇：它到底是把最简单的项目完成了 95%，还是把 FFmpeg 这样最难的项目完成了 95%？答案和大家想象差不多：越难、越大的项目越难完成，完成度越低。能够完成 95% 以上的，一定是相对简单的项目。

这次测的是模型能力，不是最强 Coding Agent 能力

还有一个重要细节：这次测试并没有使用 Claude Code，也没有使用 Codex，而是使用了一个比较轻量级的开发 AI Agent，叫 mini-SWE-agent。所有大模型都是在统一的 Agent 上跑出来的。

如果现在让 Claude Code 或者 Codex 去跑这些测试，完成度可能会提高一些。所以今天讲的是测试中的大模型能力，还不是最强 Coding Agent 的能力。

现在想让 AI 完成完整项目，很多时候提升可能不在大模型本身，而是在 Coding Agent 上。

所以 ProgramBench 真正测出来的是：今天的模型加上一个很轻量级的 Agent，还没法完成完整软件的重建。这并不等于未来上 Claude Code、Codex 这种更强的 Coding Agent 以后就一定做不出来。

一个有趣细节：AI 也在千方百计“作弊”

在这个测试里，有一点很有意思：测试时命令这些 AI 不允许作弊，也就是不允许抄源代码。否则如果能拿到源代码再去做，就失去了考核目的。

但是 AI 都在千方百计地作弊。

它们的第一种处理方式，是先上 GitHub 找源代码，然后去改。发现这事不行，不能这么干。

第二种方式，是使用包管理，想办法把包含源代码的包拉回来，再研究怎么做。这个也不允许。

第三种方式，是去电脑里的包缓存目录翻。Unix、Linux 或 macOS 会有很多软件包，拉下来以后会缓存在某个目录里，以便后续更新和维护。模型就去这些目录里找源代码。

后来没办法，研究团队说：断网吧。

所以这一次测试是在断网环境下进行的。这里的断网不是说不能连接 OpenAI、Anthropic 的服务器，而是说没有联网工具，不能使用搜索工具和 Web 工具，只能连接模型自己的服务器。这样才得到了一个相对公允的测试结果。

如果允许这些大模型联网，它们应该可以更好地复刻这些软件。

为什么 0% 反而让人冷汗直流

讲到这里，为什么老范看了这个测试结果以后会冷汗直流？这不是标题党。

因为这个 0% 并不是证明 AI 很弱，而是说明一个新的方向已经找到了。ProgramBench 表面上的结论是：今天的大模型还无法完成完整的软件工程项目。但更深一层的结论是：完整软件工程第一次被 Benchmark 化了。

也就是说，这件事已经被做成题了。以后大家只管刷题就完了。这个才是真正让人紧张的地方。

在 AI 发展里，一个任务一旦被明确地定义下来，可以稳定评测、稳定排名，就会进入工业化刷题流程。所有 AI 厂商、AI Agent 厂商、开发工具厂商，都会拼命刷这个题。如果谁刷的名次很高，就可能拿到融资，这背后有经济利益刺激。

最早大家说 AI 到底会不会写代码，于是有了 HumanEval。很快这个测试就被刷漏了，所有模型都能得到很高分，拉不开档次。

再往后 SWE-Bench 出来了，说不要只做写死的题，去解决现实问题，到 GitHub 上改 bug。结果现在这个也快搞定了，又拉不开档次。

那干脆做完整的软件吧，ProgramBench 就出来了。

这意味着下一个阶段，所有模型公司、Agent 公司、开发者工具，都知道应该向哪里使劲了。要攻克 ProgramBench，至少需要这些能力：

• 长期规划；
• 行为探索；
• 系统抽象；
• 自动测试；
• 多轮纠错；
• 记忆管理；
• 工具链协作。

你会发现，这正好是现在 AI Coding Agent 行业正在卷的方向。所有这些关键词最后都会汇聚到一个目标上：让 AI 从写代码片段，进化到维护、重建完整的软件系统。

所以，0% 只能说明今天这些模型还做不到从头开始写软件。真正让人紧张的是：路线图已经清楚了，测试也已经放好了，大家上吧。

更可怕的事：AI 写的软件，可能根本不是给人读的

当然，这还不是最可怕的。最可怕的是：AI 写出来的软件，可能根本就没有考虑过需要让人读。

ProgramBench 里有一个很奇特的发现，比 0% 更值得软件工程师认真思考。论文提到，模型倾向于生成单个文件，写特别长的函数。公开材料里的对比很有冲击力：模型生成的代码文件很少，目录层级很浅，函数数量更少，但单个函数特别长，代码总量比原项目少很多。

从人类软件工程的角度看，这一定是个很烂的项目。如果哪个程序员把程序写成这样，肯定会被劈头盖脸骂一顿。因为这种代码别人没法维护，他自己以后也没法维护，属于软件工程上完全不合格的代码。

但 AI 就给你写出来了。

很多程序员听到这个结论以后可能会觉得开心：AI 只能写这种代码，它不懂软件工程。千万别这么想。我们为什么要做复杂的软件工程？主要有两个目的。

第一，代码复用

代码写完以后，下次还要接着用。原因有两个：

• 代码写起来很贵，复用以后可以降低软件生产成本；
• 一个代码被复用后，只要改这个代码，所有相关地方都可以一起改，不需要每个地方单独改一遍。

第二，团队协作

一个项目通常需要很多人一起协作，因为一个人写不下来。而且人的记忆力是有限的。

我们经常批评 AI 的上下文很短，但 AI 有 100 万 token 的上下文，人却没有办法记住 100 万字的东西，并且精准告诉你第几行第几列写了什么。人没有这个能力，所以我们必须把函数写短，把项目规划好，把不同东西放到不同目录里。

把每个文件写短还有一个好处：修改其中一部分时，其他代码在其他文件里，跟它没关系，可以进行错误隔离。版本升级时，也只需要考虑修改过的文件，其他文件不需要重新考虑。它们的编译结果可以继续用，甚至测试结果都不用改。

这些都是人类维护软件工程时的考虑。

但 AI 可能不需要这些软件工程规范

现在对 AI 来说，很多问题可能不存在。

AI 不需要像人类一样代码重用，也不一定需要知道每个代码里有什么，到时候搜索就完了。需要修改时，它可以把所有相关东西都改掉。下次再烧点 token，重写一遍。它没有那么强的软件重用需求。

从团队协作角度看，它也不一定需要跟人协作。它可以跟 AI 协作。它有 100 万 token 的上下文，也可以有一套矢量数据库进行代码检索，把大量代码一把塞进去，然后精准快速定位哪一段在干什么。

所以我们认为在软件工程上完全不合格的代码，对于它来说反而很方便。

举一个最简单的例子。人写代码时，经常要求变量名、函数名要起得特别小心，稍微长一点，把函数具体干什么写清楚。为什么？因为下一个人要读。你不能写一个函数名叫 a，别人完全不知道它是干什么的。

但是对 AI 来说，函数名写长和写短有什么区别？只有一个区别：写长了多烧几个 token。除此之外没有本质区别。

如果代码根本不需要人看，它就不需要按照人类规范写函数名。它可以写短一点，省几个 token。AI 可以写出代码来，效率很高，执行得也很好，而且不需要进行人类理解上的区隔。它可以把整个东西都改掉，然后把所有测试跑一遍就完事。

最让人害怕的是，以后 AI 写代码，人类可能插不上手了。

最早 AI 叫副驾驶，叫 Copilot。我写完代码，它帮我改。后来 AI 在我写好的 GitHub 仓库里改 bug，它改完的 bug，我还是可以看明白，还可以接着弄。

但是 ProgramBench 之后，它写的代码我可能看不明白了。虽然语法还是编程语言，我还能一行一行读，但如果你给我一个 5 万行的代码，我从上到下看就会看傻。

人类需要对代码进行抽象、继承、架构设计。AI 可能不需要，只要代码能跑就完了。

机器真正执行代码的时候，本来就不关心变量名起得多好。人写的源代码里有复杂的软件工程设计，但很多东西在编译和优化时都会被扔掉。机器只需要知道变量里的数据存在哪个地址，不需要知道它叫什么长长的名字。

所以 AI 虽然现在还没有开始直接用二进制机器码写程序，但它现在写出来的程序，人已经很难再看了。我记得马斯克前面好像说过，以后 AI 写代码可能就直接写机器代码，直接写编译过的结果，不需要写那种由人参与、由人维护的代码。可能马斯克在这件事上更高瞻远瞩一些。

巨型脚本可能不是屎山，而是一种新生产方式

ProgramBench 里最让我害怕的一点，还不是 AI 找到了正确方向、要开始做完整软件了，而是：今天 AI 写出来的巨大一坨脚本，可能不是屎山。

这种巨型脚本可能代表一种新的软件生产方式：

• 它不优雅，但是便宜；
• 它不适合人类阅读，但是适合 AI 重写；
• 它不服务于团队协作，但是服务于自动化迭代。

还有一个很重要的点：这次作为题目的 200 个项目，都是 Linux、macOS、Unix 里很底层的模块，比如压缩、开发、媒体处理。程序员不可能每个人都从头从零做这些东西。

但现在 AI 开始测试：怎么把最底层的地基重建一遍。一旦 AI 可以快速重建整个地基，人类可能就逐渐不会写程序了。甚至它重写以后发现，不需要遵守原来的协议，自己内部调用就行；自己写一个很小的模块放进去就完事。那人类可能会离现实编程越来越远。

这对程序员、创业者和投资人意味着什么

对程序员：饭碗暂时保住了，但工作内容会继续上移

今天的大模型还做不到完整软件系统的重建，这说明软件工程仍然很难。特别是架构设计、需求澄清、长期维护、系统安全、团队协作、业务理解，这些能力仍然是人类的优势。

但是不要把 0% 理解成完全安全。因为 AI 最擅长的就是沿着 Benchmark 快速迭代。

程序员真正要做的，不是证明 AI 不行。很多人特别喜欢干这个事，但这对你没有任何好处。

程序员真正要做的，是把自己从代码执行者升级成：

• 需求定义者；
• 系统验收者；
• 工具链组织者；
• 质量负责人；
• 业务和技术之间的翻译者。

未来最危险的程序员，不是不会写代码的人，而是只会写代码，却不会定义问题、验证结果、控制风险的人。这些人可能就要失业了。

对 AI 创业者和投资人：新的 Benchmark 已经来了

对于 AI 创业者来说，Benchmark 已经来了，卷吧，上去刷。

对于投资人来说，谁刷得好就投谁，这就是未来的方向，而且非常明确。

旧的榜单依然有效，SWE-Bench 还是有效的。它现在并没有被刷到 100%，大概是 70% 多，还可以继续往上刷，只是已经没有特别大的区隔度。大家都刷到 70% 多以后，再往上刷一点就很难拉开差距。

后面就可以盯着 ProgramBench 了。

总结：0% 不是终点，而是新战争的起点

0% 不是终点，而是新战争的起点。对于程序员来说，这当然是一个短期安慰：又活过了一天。但它也是一个更危险的信号。

第一，AI 正在向着直接从零开始完成完整项目的方向发展，而且 Benchmark 出来以后，大家会快速向这个方向迭代。

第二，AI 写的程序以后人可能读不懂，人也没有办法再到 AI 程序里修修补补。到那个时候，大家就不要再去卷“我比 AI 更懂编码规范”这件事了。

我记得在猎豹的时候，傅盛有一次抱怨过一个事情。他女儿写小学作业时倒插笔，也就是写中文笔画顺序是错的，被他老婆狠狠批评了一顿。他回来跟我们抱怨：

到现在了，大家以后都使电脑了，你管他写什么笔画呢？只要能认出来不就完了吗？你让她费这么半天劲去笔画正确，这有什么意义呢？

我们现在如果继续坚持软件工程规范，可能就像当时要求孩子写字不能倒插笔一样。

未来可能是：我们的软件可以执行，功能跟原来的软件一致，甚至比原来的软件更好、更快。因为 AI 的写法没有那么多抽象、没有那么多架构，用巨大的单体函数写出来，可能会跑得更快。每一次代码抽象，对计算机来说本质上都是一次地址跳转；少跳转几次，速度就可能更快。

所以未来方向已经确定了：AI 不再只是代码助手，而是完整软件工程师。程序员要做的事情不再只是写代码，甚至连看代码都未必需要你看，而是如何定义需求、如何验收结果、如何进行安全把控。

大家一定要把这个事情搞清楚，这就是未来的方向。

好，这个故事今天就讲到这里。感谢大家收听，请帮忙点赞，点小铃铛，参加 Discord 讨论群。也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片

从豆包收费争议，看普通人的 AI 认知差

从豆包要开始收费、大家开骂这件事，我们来看看普通人的认知差到底能有多大。

这两天很多人都在骂豆包：不是说永久免费吗？怎么突然就一个月 68、200、500 了呢？以后免费版是不是就没得玩了？是不是就变笨了？字节是不是没钱了？玩不起别玩啊。

但这些问题都太表面了。真正值得聊的，不是你要不要给豆包交 68 块钱，而是：中国 AI 的免费时代可能正在结束。

普通人第一次发现，智能可能会像专家号一样。专家号是什么？就是在医院里，你要花更多的钱去看特需门诊。智能以后可能真的是：普通人用比较笨的，付得起钱的人用最好的。你以为自己还在免费用 AI，其实已经被放进了一个新的算力等级制度里。

这一期的核心判断很简单：

• 豆包不是因为没钱才收费的，后面会简单算一下这笔账；
• 免费用户也不可能完全不受影响；
• 字节真正想做的，是趁着豆包用户量遥遥领先，把 AI 竞争从“谁免费谁用户多”，强行切换到“谁敢收费、谁占领用户心智高地、谁能够跑通商业闭环”的下一个阶段。

这就是普通人的认知差。你以为 AI 是一个免费 App，其实它背后是一座云计算工厂、一座电力工厂、一套 GPU 军备竞赛，外加一场用户心理战。

当然，中国用户跟国外用户还不太一样。国外的 AI 从诞生第一天开始就在收费，AI 收费是一件比较天经地义的事情。虽然 ChatGPT 有免费版本可以用，但它会处处告诉你：你要充会员，你要升级，它会不停提醒你这件事。

豆包收费事件的时间线

先把这件事的时间线简单捋一下。

2026 年 5 月 4 日前后，大家注意，当时还在五一假期里，豆包 App Store 页面出现了付费订阅、付费版服务声明。多家媒体转述了 App Store 页面和界面上的信息。

目前看到的收费分三档：

• 标准版：68 元一个月；
• 加强版：200 元一个月；
• 专业版：500 元一个月。

官方也出来解释了。豆包官方对外核心口径大概是：

豆包始终提供免费服务，在免费服务基础上，探索更多的增值服务，相关方案仍在测试，正式上线会通过官方渠道发布完整信息。

接近豆包的人士透露，付费功能主要集中在复杂任务和生产力场景上，比如 PPT 生成、数据分析、视频制作。大家注意这 3 点，就是哪些地方可能会收费，因为这些任务更消耗算力和推理时间。

第一层结论是：这不是豆包明天就要开始全体收费，也不是免费聊天马上就要消失。更准确的说法是，豆包正在把原来混在一起的免费功能，拆成免费入口、增值能力、高端生产力服务几个不同层次。

第一层认知差：AI 不是普通 App

普通人的第一重认知差是，他们会认为：AI 不就是个软件吗？你让我用不就完了吗？

特别是在国内，很多软件都是免费的。抖音是免费的，微信是免费的，百度搜索是免费的，B 站、微博、小红书的基本功能也都是免费的，那 AI 有什么不能免费的呢？甚至有人说，字节这么有钱，抖音这么赚钱，豆包多几个用户也是给你拉用户来了，你就大方点，有什么问题吗？

但 AI 和传统互联网产品真的不太一样。

传统软件和内容平台的成本逻辑

拿 Netflix、长视频平台、软件平台来比较。传统软件包括这些视频平台，剧拍一次就完事了，或者软件做一次就完事了。虽然后期软件可能还需要维护，但剧真的是拍一次就完事了，成本已经锁死。

再往后多一个人看，边际成本就下降一点点；看的人越多，边际成本越低。而且看的人多了以后，没准还能多挣点广告费回来。前面拍视频的钱花过一份就完事了，不会因为多了 100 个人看，就需要多出一些视频成本。

写软件也是一样。软件写好了，一个人买，是一个人摊成本；十个人买，是十个人摊制作成本。

所以以前这些互联网软件为什么大多是免费的？因为把用户拉进来，多一个用户，成本不上升，但收入可能上升。

AI 的成本逻辑完全不同

AI 稍微有一点差距：每个用户的每次请求，都需要重新去算。

用户越多、越喜欢用，平台就要烧越多 Token。重度用户不是优质用户，可能是成本炸弹。

你问它：“今天天气怎么样？”它回答一下。另一个人上来就说：“你去给我做 10 个视频出来。”这两种请求消耗的 Token 肯定天差地别。

普通人认为豆包是在卖会员，真实情况是：豆包是在尝试把不可控的算力成本变成可预测的收入结构。

它还是分开的：如果你就是每天问个天气、问个好，这些事依然可以免费用；但你上来就要做视频、要干活、要让 AI 做生产力任务，那就应该老老实实交钱。

这是 AI 商业模式的第一道坎：不是有没有用户，而是用户越多，到底是越赚钱还是越烧钱。

比如你进去问一句“今天天气怎么样”，问完以后就一头扎到抖音里直播购物去了，对字节跳动来说，你就是个好用户。你没烧多少 Token，然后又到抖音里拼命买东西。

但如果像我这种，抖音那边不怎么买，拎着豆包就开始狂问，让它写报告、分析数据、写 PPT、做视频，那就属于字节跳动不太欢迎的用户了，所以才需要分层。

第二层认知差：免费版不可能完全不受影响

普通人的第二层认知差是，他们会相信豆包官方的话，认为免费版不会受影响。

这几乎是不可能的。只要开始收费，免费版必然受影响。

官方讲基础服务继续免费，大概率是真的。但问题在于，免费继续存在，并不等于免费体验不变。

免费用户的算力优先级会下降

高峰算力不足的时候，系统一定会排队。

这些 AI 公司背后其实是云计算公司。云计算公司有一个非常重要的指标，就是开机率。比如在高峰时间还能服务所有人，大家都觉得好快，那说明什么？说明机房建多了，这对云计算公司来说是不对的。

高峰时间的访问量，可能是低谷时间的几百倍，这个差距非常大，绝不可能按照高峰期满足所有人来建机房。

作为云计算公司，字节跳动该建多少机房？一定是在高峰时间让付费用户还可以用，免费用户稍微等一等，要么降个质，要么慢一点。否则一定是亏钱的。

模型等级会发生变化

现在豆包分 Pro 版本、Lite 版本，以后普通用户可能会更多地使用 Lite 版本。

我们现在用豆包 App 时，下方会有一个选项，叫“快速思考”和“专家”。如果选“专家”，就是 Pro 模式；如果选“快速”，就是 Lite 模式。

Lite 模式提供的结果要稍微差一些，幻觉会多一些。而且打开豆包，它默认会给你切到“快速”。

以后免费用户可能没有办法选 Pro 模式，或者选了 Pro，也就是选了专家模式以后，额度会有一定限制。

功能入口会发生变化

普通聊天肯定是免费的，但更复杂的功能大概率会被限制或收费：

• 长文解析估计会限额；
• AI 绘画应该会限额；
• 深度分析大概就要付费；
• PPT 大概要付费；
• 视频生成大概率也要付费。

用户心理感受也会变化

即使两边没有任何变化，只要你看到那边有付费版本，你一定会觉得自己这个版本已经降质了。

原因很简单。哪怕我得个感冒去医院，我也总是会相信那些花了更多钱、看了特需门诊、看了专家的人，会得到更好的服务。所以人的心理上也会有落差，这个事避免不了。

收费团队一定会有 KPI

收费团队一定会有 KPI。它的 KPI 是什么？就是付费转化率。

现在有这么多免费用户，到底有多少人付费了？到底付了多少钱？留存率怎么样？续费率怎么样？你今年付了，明年还付不付？这些都会变成指标。

未来这些免费用户烧掉的 Token，大概率会计入豆包软件的获客成本。也就是说，我免费给你烧 Token，目标是为了获得这个用户，所以它算获客成本。

在这个逻辑里，它就会思考：怎么降低成本？怎么多收到钱？是不是再多恶心你一下，让你来付钱？它会做这样的事情。

这些指标上来，一定会改变产品形态：怎么让免费用户用得不那么痛快，怎么尽可能刺激你付费，怎么在你快要续费的时候给你一些小优惠。中国互联网公司在这块“绣花”还是很有水平的。

所以普通人认为：豆包说了免费可以继续，我没事。

真实情况可能是：免费确实继续了，但那是为了留住入口；付费分层，是为了重构体验，而且它会不断吸引你去付费。

未来免费 AI 的状态，很可能不是不能用，而是能用，但你总觉得旁边有人出了钱，得到更好的智能，让你心里不太平衡。

第三层认知差：字节是不是没钱了？

下一层普通人的认知差是：字节是不是没钱了？

这里面还有一个叙事，就是字节利润大跌，豆包烧不起了。很多文章和自媒体说，豆包收费是因为字节利润下降，同比下滑了 70%。这是一个非常大的数字。

据这些说法，字节 2024 年利润是 330 亿美元，2025 年利润大概只剩下 90 亿美元，一大块利润就没了。

但字节并不是上市公司，所以不会披露特别准确的财报。现在这些数据都是路透社等媒体报出来的。字节也没有否认这件事情，只是解释说，这个钱并不是真的没了，而是去做了几件事情。

那么，是不是字节已经不挣钱了，豆包已经把钱都烧掉了？不是这么回事。

这件事要分两块讲：

1. 豆包一年到底烧多少钱？
2. 字节的利润到底去哪了？从 330 亿美元到 90 亿美元，中间的 240 亿美元是不是被豆包烧掉了？

估算豆包到底烧了多少钱

先讲数据来源。

火山引擎 2026 年 4 月 2 日在武汉 AI 创新巡展上披露：2026 年 3 月份，豆包大模型日均 Token 使用量突破 120 万亿，也就是每天 120 万亿 Token，而且在过去一年里涨了 1,000 倍。

这个数涨得非常猛。

按照火山引擎官方文档上的豆包 Seed 2.0 Pro 单价来算：

• Pro 版本输入：3.2 元每百万 Token；
• Pro 版本输出：16 元每百万 Token；
• Lite 版本输入：0.6 元每百万 Token；
• Lite 版本输出：3.6 元每百万 Token。

如果被缓存命中，输入价格还可以在这个基础上大概下降 60% 到 70%。它下降得比较少，不像 DeepSeek 下降那么多。

这 120 万亿 Token 到底有多少是输入、多少是输出、多少被缓存命中、多少没命中？这个我们不知道。

我就跑到 DeepSeek 里，用自己的一些使用记录估算。按照 DeepSeek 给我的使用状态，把这个比例套过来：

• 输出大概只占所有 Token 的 0.7%；
• 未命中的输入占所有 Token 的 3.3%；
• 缓存命中的 Token 大概占所有 Token 的 96%。

有人可能会说，我进去问一句“今天天气怎么样”，我说了十来个字，它给我输出一大堆，这个比例合理吗？

其实没问题。第一，问这种问题的人大概率使用的是 Lite 模型。第二，这些人不会长期跟豆包聊来聊去，不会消耗特别多 Token。如果你是把豆包套到各种 Agent 里，然后进行很复杂的沟通，那么刚才这个比例是合理的。

如果按照这个估算，120 万亿 Token 接近 6,000 万人民币，也就是一天 6,000 万人民币。一年费用大概是 109 亿人民币。

字节跳动一年烧 100 多亿人民币在豆包上，确实挺不容易，也确实很花钱，很多人会觉得该收钱。

但是不要看到一个大数字就觉得这个钱特别多，还是要比较着看。

字节跳动一年的营收有多少钱？1.4 万亿。利润有多少？就算下降了 70%，利润还有四五百亿人民币。

很多人说，四五百亿人民币利润里烧了 100 亿人民币的豆包 Token，这也很大。其实这 100 多亿人民币对于字节来说就是九牛一毛。即使只计算资本支出，只计算建机房的钱，在这里头也不算特别大的钱。

字节利润下降 70%，钱去哪了？

有些人说，字节 70% 的利润下降是实打实的，原来从 330 亿美元降到 90 亿美元，这钱去哪了？

字节跳动是一个大集团，分两大块：国内叫抖音，国外叫 TikTok。

抖音的一位副总裁出来解释过这件事。他说，钱并不是凭空消失了，整个收入还在上升，利润基本持平，可能稍微有一点下降，但绝不可能下降 70%。

大家看到账面上少了 70% 的利润，主要去了三个地方。

第一，做新兴业务的资本投入

字节确实在做新兴业务的资本投入，也就是盖机房。

但要注意，盖机房并不是说这钱都直接花掉了。钱确实花出去了，但它要算折旧，今年可能摊销 25% 或 20%，也就是分 4 到 5 年摊销掉。

所以这一块有影响，但不会有那么多。假设去年是 1,500 亿，摊 1/5，也就是 300 亿人民币，是从这里摊掉的。

第二，优先股公允价值变化

剩下两块就特别有意思了。一块叫“优先股公允价值变化”。

这是什么意思？字节跳动发展到现在没有上市，前面有很多投资人，这些投资人得到的股票叫优先股。相对于普通股来说，它有一些优先权利，比如以后还有权利用一个较低价格再买一些其他股票。

这个权利是值钱的。未来某一个时间点可以按以前的价格买你的股票，如果整个公司的价值上升了，股价上升了，那这个权利的价值也上升了。这一块就要记到账上去，相当于利润减少。

举个例子：假设我原来投了你 100 万，我还有权利按照你现在的估值再投 100 万。如果你现在估值是 1 亿，那我这 100 万可以得到 1%。当你的估值达到 10 亿时，我按照前面的权利来履行，又拿 100 万得到了 1%。但现在这个 1% 已经值 1,000 万，因为你现在估值是 10 亿。差出来的 900 万，就要记成损失。

第三，期权股权激励计划

还有一大块损失叫期权股权激励计划。

字节里很多人是拿期权的，一部分是工资，一部分是期权。特别是最近在疯狂挖人，包括从 DeepSeek 挖人。前面还说 DeepSeek 有人被年薪上亿挖回来，那这上亿年薪里，有多少是期权？不可能上亿都给现金。

这个期权其实跟刚才讲的优先股问题类似。当公司整体估值上涨时，期权价值也会上涨，这一部分也需要从利润里刨掉。

所以所谓净利降低 70%，最主要降的是这两块。字节这么多人，这些年从中国甚至国外 AI 公司挖了这么多人回来，一旦字节跳动估值上升，这些东西都需要从利润里扣掉。

所以这里有个小知识：不用可怜它。虽然利润降低了 70%，但很多都是账面上的东西。

这是一个关键反转。普通人认为豆包收费等于字节没钱了，更合理的判断是：字节不是烧不起，而是不想继续用免费大锅饭掩盖真实的成本结构。

字节真的烧得起这个钱。在它那个体量里，100 多亿一年的豆包成本，不算特别过分的数字。

字节到底想干什么？

那字节到底想干什么？整了这么一个事情，被大家骂成狗头，到底想干嘛？

第一，建立收费心智

字节现在最大的优势是什么？其实豆包的模型在国内各个模型里不算强，算是比较中间偏后。

但是豆包 App 做得非常好。豆包 App 里的各种系统提示词、各种 Agent 做得很好，所以豆包 App 的体验非常好，用户量极大。

现在豆包 App 的月活，大概是中国各种 AI 助手前十名里剩下 9 名的总和。它比那 9 个加起来还大，属于绝对遥遥领先、一骑绝尘的水平。

截至 2026 年 3 月：

• 豆包月活用户：3.45 亿；
• 第二名千问：1.66 亿；
• 第三名 DeepSeek：1.27 亿；
• 再往后的产品基本上可能是几千万甚至几百万，存在感很弱。

千问的 1.66 亿怎么来的？春节拼命烧钱，各种送奶茶，搞这些活动才有的。如果没有这一步，千问 App 也不会有什么量。

豆包现在领先了，字节跳动就要做一件事：趁着用户还在，趁着心智领先，也就是大家觉得它好用；趁着竞争对手还在免费追赶，先把“AI 值得付费”这件事打进用户脑子里。

高价有心理锚定作用。有点像皇帝的新衣：我付了钱以后，哪怕没有得到更好的服务，我也会在心里把这个过程合理化。我不能告诉自己说，我付钱是个傻子；我一定会认为自己享受了更好的服务。

豆包现在要做的就是：先把高价锚点立起来，再用权益包、限时优惠去承接用户。

比如我去买剪映的年费会员，很贵，但它不停给你打折，不停做各种团购，可以用很便宜的价格买下来。

第二，把难题甩给竞争对手

字节下一件事，是把难题甩给竞争对手：我开始收费了，你们看着办。

阿里、腾讯，还有 DeepSeek 这些公司，就要思考这个问题：我到底收不收？

如果不跟着收费，继续说我要免费、我要抢用户，用户会怎么想？你为什么不收费？是不是能力不行？是不是商业化没做好？是不是不敢让用户为你付费？

如果跟着收费，本来你就落后，再收费基本上相当于自杀，后边再想增长用户基本上增长不上来了。

所以这个两难问题就直接被扔给竞争对手了。

第三，理顺内部 AI 资源战争

字节跳动可能还想理顺内部的 AI 资源战争。

字节内部不只有豆包。它还有豆包 App、豆包模型、火山引擎、扣子、即梦、剪映、飞书、Trae，还有 Seedance 这样的视频模型、Seedream 这样的图像模型、Coding Plan，以及各种企业服务和 API。

每个团队都有自己的 KPI：我要把我的东西卖给谁，卖到多少钱，怎么有自己的业绩，以便在内部争取更多资源。内部打架打得很厉害。

举一个例子。前面 Seedance 2.0 出来的时候，大家都要去生成视频，内部就掐起来了。

• 你可以在豆包 App 上每天免费生成几个视频；
• 你可以在即梦 App 上每天生成 4 个免费视频；
• 你也可以到即梦网页上去生成视频；
• 但如果你要在即梦网页上生成视频，就要花钱。

如果买基本 10 美金一个月的套餐，一个月大概能生成十几二十条 15 秒视频。这个划算吗？而且还要排队。

现在它变相涨价了，有一个 VIP 模型，涨两倍价格。你用这个模型，才能做出视频来。要是不上 VIP，我前面做了一个实验，把一个视频提示词扔上去，到现在已经一个礼拜了还没画出来。每天都说你前面等 10 个小时，但已经一个礼拜没画出来。

再加上剪映 App 里也允许你生成视频。火山引擎里，如果直接买 API，用 Seedance 2.0 的 API 直接生成视频，也可以，一块钱一秒。不同口径都在卖套餐，而且相互抢资源。

现在字节跳动下面各种模型里，Seedance 2.0 算是做得最好的一个，而且 Seedance 2.0 是真正的全球领先。

做自助餐厅最怕什么？最怕有一道菜特别贵，还大家都喜欢。如果出现这种情况，自助餐厅就可能亏钱。像以前去自助餐厅，有人就要吃三文鱼、北极贝，自助餐厅会希望你换着吃。你只吃这一种，它的生意就没法做了。

现在字节跳动也出现了这样的情况。豆包模型、画图模型、语音模型都一般，唯一最好用的是视频模型。就这一个模型，导致内部已经打起来了。

字节可能会向 OpenAI 学什么？

字节跳动有可能通过豆包收费这件事，直接把内部资源问题解决掉。

怎么解决？跟 OpenAI 学。

也就是直接交豆包订阅费，订阅完以后就可以使用 Coding Plan。像我们现在在 OpenAI 上每个月交 20 美金，交完以后，自然而然得到一个 Codex 上的额度，就可以拿这个额度去用。没有那么多乱七八糟的“这个也要付钱、那个也要付钱”，不同地方都要付钱，不同部门都向你推广告。

现在我在字节跳动里花了哪些钱？

• 剪映 App 订了会员，一年会员，而且是最贵的一档；
• 即梦订了比较便宜的一档，基本上是 10 美金一个月；
• 火山引擎里的 Coding Plan 也买了，40 块钱一个月；
• 里面还充了一点 API。

说到即梦我还生气。它里面有一些功能我想用，不让我用。对方说，只有订更高档才给你用这个功能，这一档不让用。

火山引擎里的 Coding Plan 也一样，里面有很多东西不让用。比如我想用豆包搜索，想用豆包里的 TTS、STT，这些功能都不让我用，因为那边火山引擎还要单独卖。各自有各自的 KPI，不能把人家套餐挂进去，于是就变成这种状态。

如果以后只要订阅豆包，就让我用所有这些功能，那我可能真的会订，而且有可能订比较贵的版本，比如一个月 200，或者一个月 500。

订下来以后，统一得到相应的 Token，统一得到所有功能，包括视频生成相应额度，这不是挺好吗？最好把剪映、即梦这些会员也合并进去，那我就去订最贵的。

这样做的好处是，内部所有部门利益就统一了。不会各自定价、各自抢资源、每个人都想办法转换成自己的用户和 KPI。也不需要每个部门都做一堆定价和打折策略，统一打折策略就完了。

比如以后一个月 500，一年 5,088，这可能是一个相对有意思的玩法。

国外的 OpenAI、Anthropic 都是走这条路：先让你订会员，订完会员以后，用会员给你一堆额度，下面所有产品都可以去用。

如果比较小家子气，比如 Anthropic，它让你 Claude Code 能用，但你把它挂在其他地方，就不定期封几个账号。OpenAI 就是鼓励你用，没问题，拿去用。

所以我希望字节跳动能够真正往前迈一大步，直接向 OpenAI 学习，把内部所有套餐一次性打通。当然，这只是我的愿望，可能像字节这样的大公司，最后还是各自为战。

如果各自为战，我应该不会去订这个套餐，因为没有任何意义。

所以这里又有反转。普通人会认为豆包收钱是为了赚这 68 块钱，但更深层次的可能是：字节在建立 AI 时代的统一计费权、算力分配权，以及用户心智高地。

豆包收费到底该不该骂？

开头我们问，豆包说 68、200、500，普通人到底该不该骂？

现在可以回答：你可以骂它贵，可以骂权益不清晰，可以担心免费版降权降级，可以等正式上线以后再决定充不充。

但如果你只骂“割韭菜”，这个事就太浅了。

这里面有 5 层认知差：

1. 很多人把 AI 当成普通 App 来用，这是不对的，因为 AI 每次使用都要烧成本。
2. 以为收费以后免费版不会有变化。免费入口会存在，但免费使用一定会让你觉得各种痛苦和不方便，这个事跑不掉。
3. 以为字节收费是没钱了。字节不是烧不起，而是必须从增长转向经营，开始算单位经济模型了。
4. 以为收费只是赚用户的钱。收费同时是在建立心智、测试价格、逼竞争对手、理顺内部资源。
5. 以为 AI 普惠是永远免费的。这个想多了。真正普惠不是所有高级智能无限免费，而可能是基础能力免费，高级能力按需付费，成本不断下降后再逐步下放。

我的判断

我个人对豆包收费并不感到意外。我真正关心的其实只有一件事：字节能不能做成统一账户和统一额度。

如果 68、200、500 能够打通豆包、即梦、火山和剪映，那我应该会冲上去充钱，而且有可能会充最高档的。

如果打不通，那么我觉得字节的大公司病就已经病入膏肓了。

最后一句话：豆包收费不是 AI 免费时代的终点，而是字节跳动趁着自己在中国这个封闭市场处于领先位置的时机，强行将竞争拉入下一个阶段。

好，这个故事就讲到这里。感谢大家收听，请帮忙点赞、点小铃铛，参加 Discord 讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片

硅谷很多 CTO 集体跳槽去 Anthropic 当小兵，真的只是为了理想吗？

最近，硅谷出现了一个很奇怪的现象：一些已经做到 CTO、联合创始人、CPO 的人，不再在原来的公司里发号施令，而是跑去 Anthropic 做一个听起来像普通工程师的岗位，叫 Members of Technical Staff，简称 MTS。

很多人的第一反应是：CTO 不香了吗？在很多公司里，大家对于 CXO，也就是 CEO、CTO、CPO、COO、CAO、CFO 这一大堆 C、各种 O，多少有些迷信，觉得好像已经跨越阶层了。原来手里管着几十、上百人，甚至上千人，能够过手上亿预算，现在不干了，跑到 Anthropic 去做一个新职位，这是干嘛？管几百人的权力不要了吗？甚至还有人会想象：这些人几千万的年薪不要了吗，跑到 Anthropic 去当小兵？

表面上看，这是一个 AGI 的使命感。你去问每个人：“你为什么不在原来的地方当 CTO 了，跑到 Anthropic 去干嘛？”大家给你的解释往往都是冠冕堂皇、非常理想主义的：我们为了 AGI 去的。

但是深一层看，这是技术人员重新靠近模型的过程。再深一层看，这是上一代软件和互联网精英给自己寻找新的杠杆和新的标签的过程。

这个现象是怎么出现的？

这个事情的起点，是 Henry Shi 在 X 上突然发了一个帖子，说很多原来公司的 CTO 都辞职跑到 Anthropic 去干活了，里面还举了一些例子：

• Workday CTO 去 Anthropic 做 MTS；
• You.com 的联合创始人兼 CTO 也跑去 Anthropic 做这个职位；
• Instagram 联合创始人之前在 Anthropic 做了一段时间 CPO，现在也转到 MTS 职位；
• Super.com 的 CTO，也就是 Henry Shi 自己，现在也跑到 Anthropic 去了。

他列了这么一个表，说你看，大家都去了，我也去了，于是大家开始讨论。

第一层解释肯定是理想主义，而且一定要冠冕堂皇。Henry Shi 自己的叙事是，他花了 9 个月时间准备离开 Super.com。如果 AGI 在 2027 年或者 2028 年到来，他希望自己坐在前沿实验室的前排，看着这个事情怎么发生；如果 AGI 没有到来，他也想知道为什么。

这一层逻辑是成立的。很多技术人做到 CTO 以后，日常就不怎么写代码了，他们成了技术官僚，主要负责管理、招人，要处理组织、预算、路线图、招聘、公司政治。AI 大模型突然出现以后，技术本身重新变得非常刺激，而且这也是现在杠杆率最高的东西。你离模型有多近，谁就可能获得价值的巨大提升。

我不否认他们有理想主义，也不否认很多技术人员是真的想回到一线去。但是，如果一个解释听起来太高尚了，我们就要问一句：它是不是把更现实的动机藏起来了呢？

他们不是去当小兵，而是去离模型最近的地方

首先要讲清楚一点：他们不是去当小兵，而是去离模型最近的地方。

传统科技公司的权力来源，是你管了多少人，掌握了多少预算，控制了多少系统，对公司的路线图有多大的话语权。

AI 时代的新权力来源是什么？是你离模型有多近，你能否调动最强的模型，你能否把模型能力变成产品，你能否利用 AI 把个人产出放大 10 倍、100 倍。

MTS 不等于传统意义上的小兵。在前沿实验室里，MTS 往往是高等级技术岗位，管理头衔少，但是技术和产品影响力可能更大。特别是 Anthropic、OpenAI 这样的组织，前线技术人员可能比传统公司的副总裁更接近核心决策。

在传统公司里，你的权力来自组织架构；在前沿公司里，你的权力来自模型接口。

这些人原来的公司为什么留不住他们？

很多人会问：这些人原来的公司怎么样？他们怎么就舍得离开？稍微捋一捋。

Workday：成熟 SaaS 的增长天花板

Workday 其实已经上市了，还是很大的公司，但已经没有高速增长的势能了。Workday 官方披露，他们 2026 年的总收入是 95.5 亿美元，同比增长 13.1%；订阅收入是 88.3 亿美元，同比增长 14.5%。

这说明 Workday 并没有快完蛋，它仍然是很大的企业软件公司，这帮人就是做 SaaS 的。但是，它已经进入成熟 SaaS 的成长阶段，不再是早期那种十倍、百倍增长的创业故事。

Anthropic 一边吸收 Workday 的 CTO，另一边通过 Claude Code、Claude Coworker 这些工具，把这些 SaaS 公司的股价摁在地上摩擦。

You.com：AI 搜索被模型公司挤压

You.com 是一个 AI 搜索公司，自己也被模型公司挤压得不行了。所以 You.com 的联合创始人和 CTO 选择离开，说我不跟你费劲了，我上 Anthropic 去了。

这背后是行业压力。现在专门做 AI 搜索，意义已经没有那么大了。包括 Perplexity、Cursor 这些比较顶级的 AI 应用公司，也都增长不上去了，受到了顶级模型公司的挤压，所以他们的 CTO 都在想办法。

现在 Cursor 的 CTO 在 xAI 上班了，另外一个做 AI IDE 的公司 Windsurf，整个核心团队都已经上谷歌上班去了。所以大家都在采用相同的路径。

Super.com：成长还在，但 IPO 更难

Super.com，也就是发帖的 Henry Shi 所在的公司，还在成长，但是 IPO 已经比较难了。你说现在还能上市吗？上不去了。

Super.com 在 2023 年完成了 8,500 万美元的 C 轮融资，现在的年收入是 2 亿美元，用户有 5,000 万，累计融资是 1.5 亿美元。但是这样的公司，你要想让它再增长上去，再到美股上去 IPO，很难。

别看美股是注册制，但如果上去了以后跌跌不休，上来直接击穿，也没有人愿意上市。只是在美股，是你自己判断我想不想上；在中国，是有人替你判断。

Adept：AI Agent 早期明星被大厂拆解

还有一个叫 Adept 的公司，这是 AI Agent 早期的明星企业，被大厂直接打碎了、拆了骨头给吸收掉了。Adept 在 2024 年 6 月被亚马逊招走了一些核心员工，现在它的 CTO 也去 Anthropic 干活了。

CXO 神话：很多高管本质上是“退出标签”的携带者

大家有没有想过，这些 CTO、CXO、CEO、CFO 到底是干什么的？很多在公司里混过的人，特别是没有混到特别高职位的人，会神化这些 CXO。今天就把这个神话拆掉，讲讲这帮人到底在干嘛。

首先要承认，有些 CTO 或者 CXO 是创始人，也是真正从 0 到 1 做起来的。但是这些人其实并不是特别多。因为很多公司的成长很快，当公司涨上去以后，原来的初始团队未必能够跟得上这个成长。

所以，很多公司会在发展到 B 轮、C 轮，准备上市的时候，再去招一个 CTO 回来，或者招一个 CPO、CXO 回来。

这些人说好听点，叫补齐团队架构或者短板，提升投资人信心，让公司看起来可以被治理、被审计、被上市，给下一轮融资、上市、并购讲一个完整故事。

甚至很多 CFO 就是投资人带进去的。投资人投了一个项目以后，要做投后管理，募投管退嘛，“管”就是做这种投后管理。投后管理怎么做？不是说真的让投资人坐在里头给人管公司，而是去给人招人，把团队补齐，把 CXO 塞进去。

塞进去以后拿到下一轮融资，投资人就可以开开心心退出了。当然，最好的是上市，一上市大家都开开心心退出。

技术官僚的职业路径：用三年换一次杠杆

这里只讲 CTO，不讲别的。他们会变成技术官僚，自己是不写程序的，也不做任何研发。

他们怎么个技术官僚法？他们加入成长型企业，注意，不是从头创的，而是 B 轮、C 轮以后加入的，帮公司补技术、补团队、补流程，陪跑到下一轮融资，通常是要陪跑到 IPO 的。

股权兑现以后，他们就会离开，重新加入一个新的公司，再干一遍这个事情。

为什么这么干？这些创业公司上市之前叫苦日子。这些 CTO 拿到的薪水其实并没有那么高，号称是几千万，其实这几千万里大量都是价值不确定的股权。只要公司没上市，这些股票到底值多少钱，其实说不清楚，现金只占很少一部分。

所以很多公司的 CTO 日子并没有那么好过。但是一旦上市以后，这个杠杆就加上去了。包括上市以后的快速发展过程，公司的价值会翻好几倍，然后他们拿到的那些股权一下都变值钱了。

所以这些 CTO 的职业生涯，就是一次一次地利用最大化杠杆：我进来做三年，把你这公司带上市，我的股票退出；然后我再去一个地方再干三年，我再上一次市。这是最高效的方式。

投资人为什么喜欢他们？投后管理最重要的事情之一，就是补团队短板。如果一个人曾经帮一家创业企业上市了，或者并购了，这个人身上就会打一个标签。

这个标签不叫上市，不叫并购，在投资圈里叫退出。就是你成功地帮投资人把钱退出来了，而且还挣了很多。如果一个人身上有这种退出标签，是投资人最喜欢的。

投资人要找一个最会退出的人冲上去，把这公司退掉，然后把投进去的钱最大化地拿出来。这就是投资人、技术官僚和创业公司之间玩的一个小把戏。

他们真正害怕的标签是什么？

回到这些跳槽的 CTO 身上，他们到底害怕什么标签？他们想贴什么标签？

职业市场是很残酷、很现实的。成功上市，你身上就有成功退出的标签；被大厂收购，你身上也有退出标签，但是比成功上市稍微差一点点。因为上市以后，所有投资的钱就可以到股市上自由流通；如果被大厂收购，还要去跟大厂谈判，有时候可能还会打点折扣。

但是如果公司没跑出来，增长停滞，被 AI 取代，这些标签被打上了，那你这个人就不值钱了，等于整个价值下降了。

所以，这是这些人纷纷放弃原来的 CTO 职位，跑去 Anthropic 的一个最核心原因：我不能打上失败的标签，我要去 Anthropic 打一个新标签。

• 原来的公司如果没有上市，没有退出窗口；
• 原来的公司如果已经上市，高速增长空间变小；
• 原来的公司如果正好在被 AI 改写的赛道上，比如 SaaS、AI 搜索；
• 那么 CTO 未来就有一个很难看的标签在等着他。

这是他们不能忍受的。

而 Anthropic 会给你打一个新标签：我在 Anthropic 一线做过模型，我做过 Agent，我做过企业 AI。那这些人就又变值钱了。他们永远在想，我身上应该贴一个什么样的标签，让自己更值钱。

如果他说：“我亲眼见过前沿实验室如何组织产品和研发，我有 Anthropic 内部的人脉和 AI 时代的组织经验。”那么下一次创业或者加入下一家公司的时候，这些标签就会变成新的溢价。他们又在向更高的台阶去爬。

所以他们不是从 CTO 变小兵，而是从上一代软件公司的高管，变成下一代 AI 公司的早期战斗人员。大家一定要搞清楚。

Anthropic 为什么要这些人？

那你说 Anthropic 傻吗？让他们来蹭经验、蹭履历，上我这来镀金？Anthropic 一点都不傻。它在干嘛？它在收编旧世界的资源。

Anthropic 为什么要这些人？他们不一定是最强的模型训练和研发人员，让他在一线写程序，他未必写得了。但是他们懂软件工程，懂企业客户，懂组织流程，懂招聘体系，懂产品化，懂上市公司治理。

Anthropic 如果想从模型公司变成企业软件和服务公司，就需要这些能力。

2026 年 5 月，《华尔街日报》报道了 Anthropic 与黑石、高盛等推动了约 15 亿美元的 AI 企业服务合资公司，出去给人家做各种咨询、服务、孵化，目标是为了给 PE 支持的公司提供 AI 工具和落地服务。

刚才讲了，一个创业公司最赚钱的时间点是什么？就是上市 IPO 的时间点。Anthropic 说，你们谁快上市了，来，我给你辅导辅导。折腾一圈以后，你上去了，我把这个钱挣回来，也是一个很不错的事情。

这很像 AI 时代的麦肯锡、埃森哲和企业服务公司干的活。这说明 Anthropic 的战场在扩大，不只是模型的 API，也不只是 Claude Code，还包括企业工作流咨询、私募股权投资后的一些改造、软件行业的重构。

以后比如说，投资人投了项目以后说：“我投过这项目了，你们要去上市对吧？怎么上呢？我从 Anthropic 请一个人回来，在这给我看着，把它看上市了。剩下这个钱，跟 Anthropic 一块分。”

或者说，直接从 Anthropic 把这人挖出来，到那边去占个坑，然后让这公司去上市，这也可以把故事讲清楚。甚至一个新的企业说：“现在这公司我新找回的 CTO，原来是 Anthropic 的哪哪哪。”那这个公司上市的时候，估值、市值还可以再高一些。

旧世界的“地图”和“带路党”

所以，Anthropic 招这些 CTO，有点像找到旧世界的带路党。比如洪承畴、吴三桂、尚可喜，这些名字大家听着熟不熟？这就是大清入关的时候找的这些带路党。现在这些人跑去当带路党去了。

更准确地说，这些人是熟悉旧软件帝国地图的人。Anthropic 要攻城略地，需要他们知道城门在哪，客户端痛点在哪里，组织的阻力在哪里。得把这些人搞回来，就全都明白了。

当然，这里肯定有人会说：“老范，你这个说得太阴暗了，我们不同意。很多技术人员是真的热爱技术的。”这个没毛病，还是要承认。他们可能真的是热爱技术，而且 MTS 在前沿实验室也不是低级岗位。在 AI 加速期，亲自做东西可能比管理更有影响力。Henry Shi 这些人到底有没有 AGI 使命？我们就认为他有吧。

但是，老范原来跟这种人接触还是蛮多的，特别是聊到深了，聊得多了以后，再喝点酒，可能就祛魅了。会有这方面的原因在里头，但我还是要承认，他们是会有一定的理想主义。

人的动机通常不是单一的，理想主义跟财务杠杆可以同时存在。你不能说这个人理想主义了，他就不要薪水了。所以，高尚叙事越漂亮，越要看到它背后的职业资产重组的底层逻辑。

核心判断：AI 正在重新梳理整个行业结构

本期的核心判断是：AI 正在重新梳理和定位整个行业结构。

过去，管的人越多，权力越大；公司越接近 IPO，CXO 越值钱；软件公司靠组织、销售、渠道、合规、客户成功建立护城河。

现在，离模型越近，杠杆越大；能把模型能力产品化的人，重新变得稀缺；传统软件公司的护城河，被 Agent、Claude Code、企业自动化工具重新估值。

所以我的判断是，上一波软件和互联网创业企业，很难再复制过去那种顺滑的 IPO 路径了，里面最聪明的人已经开始给自己找新的出路了。

大家一定要相信，这些人就是行业里最聪明、最顶尖的一些人，他们绝对不傻。

最后总结

这些 CTO 去 Anthropic 上班，不是简单地从 CTO 的位置上降级成为小兵。他们是在判断下一个权力中心在哪里，下一个杠杆在哪里，去什么地方可以最有效地变现。

• 对于个人来说，去 Anthropic 是换职业标签，换杠杆，换叙事。
• 对于 Anthropic 来说，吸引这些人，是为企业战场储备旧世界的地图，储备像吴三桂、尚可喜这些人。
• 对于传统软件公司来说，人才和资本已经开始重新投票。不光是资本不喜欢他们，他们的股价在跌，收入在跌，他们手下这些最聪明的人也离他们而去了。
• 对于普通程序员来说，未来最重要的可能不是你管多少人，而是你能否驾驭最强的 AI 系统。

对于普通人来说，我们假设大家在高速公路上开车堵车了，这个时候应该跟着哪队走？跟着有大车的那队走。

原因有两个：第一，大车司机相对来说是职业的，人家的经验会更丰富一些；第二，大车的位置高，大车的驾驶室比普通人的车高，所以他可以看到更远的地方。

今天讲这个故事，不是说这些人有理想主义，也不是说这些人怎么这么爱财、这么想去挣钱。今天要说的是，创投圈里最聪明的一些人，已经用脚投票选择了新的赛道。而传统那些赛道，大家就不要再跟着折腾了。

背景图片

山姆·奥特曼为什么说 OpenAI 要派工程师去给企业 CEO 服务？

FDE 爆火的背后，是企业 AI 的最后一公里战争。

大家好，欢迎收听老范讲故事的 YouTube 频道。今天咱们来讲一讲 FDE 的故事，这是一个最新爆火的职位。

Customers Bank：OpenAI 工程师进入银行核心流程

先讲一个案例：一家银行把贷款、开户、支付交给 OpenAI 来改造。这家银行叫 Customers Bank，是美国宾夕法尼亚州的区域商业银行。OpenAI 向他们提供服务，也就是山姆·奥特曼所说的：直接给 CEO 派工程师。

这家银行宣布跟 OpenAI 建立战略合作，要把 AI 放进商业银行的核心流程里。注意，这不是一个 AI 客服，也不是让员工用 OpenAI 写邮件，而是三条银行血管。

第一，贷款生命周期

审批一笔贷款，并不是人家请你吃顿饭就能批。银行要评估企业资质、原来的还款情况、可以贷多少钱、贷多长时间、定什么样的利率相对合适。原来贷款评估的过程非常漫长，有了 OpenAI 以后，这个过程就极大地提升了。

第二，存款和开户生命周期

大家不要用中国银行的存款开户速度去思考问题，因为咱们是所有人都实名制的，而且所有人的账目都是公开透明的。在这样的情况下，银行可以快速开户、快速存款。而且中国的银行把你的钱丢了，它是不负责任的，所以他们可以很开心地来做这件事情。

如果有在外资银行开户、存款经验的朋友，应该了解，你跑到一个外资银行去开户存款，这个过程是挺痛苦的，有的可能需要一两个小时才可以把事情搞定。现在他们把这一块也交给 OpenAI 了。因为填表格、问问题、个人评估这些事情，AI 处理起来要比人快很多。

第三，支付生命周期

支付相关的生命周期，也交给 OpenAI 了。

这家银行资产规模接近 260 亿美金，也不是一个特别大的银行。银行要改造的不是边缘业务，而是银行怎么赚钱、怎么拿资金、怎么处理交易的一些核心问题。

媒体报道里有一个非常具体的目标：商业贷款关闭周期从原来的 30 到 45 天压缩到 7 天。还有一个目标：复杂商业客户的开户从超过一天压缩到 20 分钟。原来真的是需要一天的时间，大量文件需要你去读，读完了签字。其实我们在银行里读的很多文件，真的读过吗？反正我自己是没有太读明白过，就是告诉你签字吧，我就去签了。这个过程非常形式主义，但确实很慢。

这说明什么？说明 AI 已经从聊天窗口进入了企业的血管里面。过去企业买软件是买一个工具，现在企业买 AI，是要重写工作方式，也就是整个工作过程要改变。

于是问题就来了：谁来把 AI 放进贷款流程里？谁来处理银行的权限、数据、合规和审计这些问题？以前很多人说，AI 能不能代替会计？会计出来说，它能替我坐牢吗？现在就告诉你：你怎么能够在承担风险、继续坐牢的情况下，让 AI 大量代替你的工作。

这就是今天咱们要讲的事情：谁来面对业务部门、IT、法务、财务和老板？今天的答案，就是 FDE 这样的一个新职位，由它来面对这些接口。

FDE 是什么：不是前端，而是前沿部署工程师

FDE 叫 Forward Deployed Engineer，中文可以叫前沿部署工程师。它不是写前端的。一般中国人听到有“前”这个词，就以为他们是写前端的、写网页的，不是。他们是要到顾客现场去的，这么一个“前沿”。当然，他们也不是普通的售前工程师，而是从 AI 时代进入企业现场的野战工程兵。

讲到工程兵，待会儿咱们讲讲这个职位是怎么来的，这个还是跟战争稍微有那么一丢丢关系。

企业 AI 的问题：不是没钱，而是钱花了没有结果

其实发展到今天，你说有多少企业坚决不用 AI，谁敢用 AI 就把他开了？这样的企业也不能说完全没有，但现在应该已经占很小比例了。所有企业都想上 AI，但是在每一次 Anthropic 升级的时候，这些企业的股价还是稀里哗啦一泻千里。

原因其实很简单，就是他们所谓的上 AI，其实是假的。整个企业内部的工作流程、组织架构不进行调整，大家就是每人得到一个聊天窗口，每人订一个套餐，然后用 OpenAI、用 Anthropic 去写邮件、写报告，就做这样的事情。你这个还不如不用呢。

你不要说，我用了提高点效率有什么不好？不好的地方就在于，你确实提高效率了，它写邮件写得很快，写报告写得很快，但是报告里到底写了什么，有多少人看呢？原来我们自己写报告的时候，我们知道我们写了什么，我们知道企业在发生什么事情。现在告诉 AI 去把报告写了，给我写一个周报、日报，到底发生什么了，我们是不知道的。所以很多企业用了 AI 以后，反而比原来更差。

这也就是为什么 OpenAI 要派工程师进企业。它在这点上跟 Anthropic 是不一样的。Anthropic 就是我升级，升级完了以后你们死吧。它的 CEO 阿姆迪就出来说，我们在 2026 年到 2027 年要让一半的白领工作直接消失掉。山姆·奥特曼说，我们不干这活，我们派工程师到企业里去，我们要帮助企业渡过这个关口，怎么能够继续往前走。这是两个不同的玩法。

企业 AI 的最后一公里

企业用 AI 最大的问题，不是模型够不够强，而是落不了地。MIT 专门做了一个企业使用 AI 的调查报告，有一个被大量引用的数字：企业投入 300 到 400 亿美金到生成式 AI，约 95% 的组织没有获得可衡量的回报，只有约 5% 的企业使用 AI 以后创造了百万美金以上的可衡量价值。

这个数字要谨慎理解。它不是说 AI 没用，而是说大多数企业没有把 AI 变成可衡量的经营成果。企业最容易做的是什么？我上了 AI 以后，我裁员了，我如何降低我的支出了。这个事是比较容易衡量的。其实很多企业裁员跟 AI 也没什么关系，只是生意不好了而已。但是你说一个企业上了 AI 以后增加了多少收入，这就很难很难了。所以 MIT 的报告就说，只有 5% 的企业增加了收入。

企业为什么会失败？不是因为员工不会问 ChatGPT 问题，而是因为真实企业里有一堆麻烦：

• 数据分散在 CRM、ERP、邮件、飞书、Slack、Excel、网盘和老板的脑袋里面；
• 权限没人敢开；
• 审计没人敢签；
• 法务只会说有风险；
• IT 又怕出事故；
• 业务部门怕被替代；
• 老板想要 ROI，就是希望有投入产出比，但是又不想改流程。

Demo 能跑，生产环境根本跑不起来。这是大多数企业遇到的问题。所以这就是咱们今天要讲的企业 AI 的最后一公里。很多公司买了模型，买了套餐，做了 Demo，开了发布会，最后什么也没改变。

所以 AI 时代真正稀缺的人，不是发明新模型的人了。更稀缺的是能够进入企业现场、看懂业务流程、接通旧系统、设计权限和评估，把 AI 从 Demo 推进生产环境的人。这就是 FDE 爆火的根本原因。

FDE 的源头：Palantir 的旧方法在 AI 新战场复活

FDE 不是一个新发明，这东西是 Palantir 很早很早就发明的。所以我说这个玩意跟战争还是稍微有一点点关系的。

Palantir 成立于 2003 年，服务于政府、军方、情报、金融、能源、医疗、制造等复杂客户。这些客户有几个共同点：

• 第一，数据很脏，就是各种各样的数据放在不同的地方。
• 第二，系统很乱，不同的时期上了不同的系统，管不同的事情。
• 第三，权限很复杂。像政府、军队，权限一定是非常复杂的，而且他们设计这套权限系统的时候，也是考虑到各种法律法规的相互制约。
• 第四，业务不能停。你不能说咱们停下来，不打仗了，咱们研究一下怎么去改变一下这个架构吧，这个是不行的。
• 第五，出错代价极高。打仗、政府，肯定是出错代价很高的。

Palantir 很早就发现了，传统 SaaS 模式没法为这种客户服务。不能只说给你一个账号，你自己去研究，这事是搞不定的。必须派工程师进入客户现场。

Palantir 在内部把传统的软件工程师叫 Dev，叫开发；把 FDE，他们叫 FDSE，也就是软件的前沿部署工程师，叫做 Delta。Delta 就是增长的意思。

官方博客里面有一个非常典型的区分：Dev 关注的是我怎么能够开发一个模块为大家服务；而 Delta 关注的是，我有这么多模块和功能，怎么能够为一个客户服务，让他把这些东西用起来。FDE 为一个客户组合很多能力，把问题现场解决掉。

这个角色不是售前，不是客服，也不是普通的外包。他是会写代码的业务顾问，也是懂业务的工程师。

Palantir 的模式为什么在 AI 时代重新爆火？因为 AI Agent 进入企业以后，碰到的也是同样的问题：数据不干净，旧系统难接，员工不配合，合规要求高，业务流程没人说得清楚。

所以 FDE 不是新瓶装旧酒，而是一个旧方法在新战场上的复活。以前 FDE 把 Palantir 的系统装进了复杂的组织，今天 FDE 把 AI Agent 装进各种复杂的公司里。

OpenAI 要卖的不是模型，而是落地结果

OpenAI 不是要干掉客户，而是要逼客户先干掉旧流程。你想让公司 AI 化，一定要打破原来的组织架构，打破原来的流程。如果不打破，神仙来了也救不了。

OpenAI 为什么现在要做这件事？因为只靠模型打不赢企业市场了。个人用户买 ChatGPT 很简单，20 美金一个月，好用就订，不好用就拉倒。企业客户是不一样的。企业客户会问：

• 我的数据能不能接？
• 我的权限能不能管？
• 我的审计能不能留痕？
• 出了事谁担责任？
• 出了事谁去坐牢？
• 我投入这个钱以后，怎么能把这钱收回来？

你不能说我投入以后就只能裁员，这事也稍微有些悲观了吧。所以 OpenAI 必须从卖模型走向卖落地结果。

2026 年 2 月 23 号，OpenAI 宣布 Frontier Alliance，要去给人接。合作伙伴是 BCG、麦肯锡，还有其他几个咨询公司，目标是帮助企业从使用 AI 助理走向生产级的、安全可扩展的 Agent 部署。

路透社报道提到，OpenAI 的 FDE 会和咨询公司协作，帮助企业把 AI 嵌入销售、客服、软件开发等核心运营环节。这个动作非常关键。它不是说我自己的工程师就直接上人家公司上班去了，而是它的工程师跟麦肯锡这些人一块到客户那里去，然后把这个东西整个用起来。

因为麦肯锡那帮人相对来说比较了解客户业务，甚至很多客户的业务就是由麦肯锡他们来规划的。现在有工程师进来了，说我现在有这个能力了，有那个能力了，咱们怎么再进行大刀阔斧的调整。

这说明 OpenAI 已经意识到了：模型公司自己不懂所有行业，咨询公司懂客户和组织，系统集成商懂旧系统，FDE 懂 AI 落地。它要把这几个能力结合在一起，才能够推动企业 AI 化。

所以未来企业 AI 的交付，不是一家公司单打独斗，而是一个新的联盟：

• 咨询公司负责改脑子；
• 系统集成商负责改管道；
• OpenAI、Palantir、Salesforce 这些平台公司负责 AI 能力的接入；
• FDE 负责把 AI 放进血管里。

这里还有一层更残酷的逻辑：OpenAI 不能一上来就把客户干掉。你不能像 Anthropic 似的，我这起来以后，你那边的股价就暴跌，很多公司就开始倒闭，这事不行。它必须让客户成功，因为企业客户是它的大市场。但是客户如果真想成功，就必须干掉自己旧的工作方式和组织架构。

所以 OpenAI 不是温柔地卖软件，它是在告诉企业：你不改，别人会改；你不重构流程，AI 原生小公司会用更少的人干掉你；你不让 FDE 进来，以后可能连改造的机会都没有了。

山姆·奥特曼曾经跟人打过赌，说一人十亿美元独角兽很快就会出现了。但其实他那个声音有点灰色。不过山姆·奥特曼说，现在 10 个人的独角兽，也就是这公司只有 10 个人，但是估值已经到 10 亿美金以上，也马上要来了。

如果这些大企业不去进行调整，不去请 FDE 进来改掉自己的组织架构和传统流程，可能这些 10 人独角兽就是你们的掘墓人。所以这是一种恐吓式的销售：你不干，别人干掉你。

Shopify：先用 AI，再谈招人

Shopify 已经把先用 AI 再招人写进制度里了。如果说前面讲的 Customers Bank 是银行流程被 AI 改造，那么 Shopify 是公司管理制度被 AI 改造。

2025 年 4 月 7 日左右，Shopify 的 CEO 在 X 上确认并公开了一条内部备忘录，大意就是：AI 使用已经成为底线要求。任何团队要招人，你先问问，你这个团队 AI 是不是已经彻底用好了。如果没有用好，继续用 AI，不要招人。至少还没说裁人，我觉得还算是做得不错的一个 CEO。

所以在他们公司，不能说活太多，所以我要招人；而是你要先证明 AI 已经干到冒烟了，AI 干不了了，你才能再跟我提要求去招人。它是这样的一个运作模式。它还把 AI 使用纳入了绩效考核和评估里。

这不是技术部门自嗨，这是 CEO 把 AI 写进了公司制度。过去老板会问，你为什么没完成？未来老板会问，你有没有先让 AI 做一遍？过去团队申请加人说活太多了，未来团队申请加人要先解释，这些活为什么不能由 AI Agent 来处理。

那这跟 FDE 有什么关系？FDE 进入企业以后，真正改变的不是一个工具，而是企业组织对于工作的定义：哪些工作必须由人来做，哪些工作可以由 AI 来做，哪些岗位还要补人，哪些流程应该重写。这就是 AI 从效率工具变成组织制度的一个标志。

FDE 到底做什么：不是培训 ChatGPT，而是接管流程改造

这里我们正式定义一下 FDE：前沿部署工程师。

他不是普通售前。售前叫 Sales Engineer，老范做过售前。售前通常是做 Demo、讲方案、配合销售的。FDE 也不是传统咨询，咨询更偏重于访谈、框架、报告、路线图，最后交付的是一大堆报告，交完了就完了。至于你看不看、用不用，他其实不管。

FDE 是一个混合角色：会写代码，会听业务，会接系统，会做流程，会处理权限、日志和审计，会推动组织采用，会把客户反馈带回产品团队去。

他的工作通常分为五步。

第一步，诊断真实业务

客户不会给你一个清晰的需求文档，客户给你的通常是抱怨：这个审批实在太慢了，客服回答不一致，销售跟进太慢了，合同看不过来，报表每天要手工做，新员工培训太久了。FDE 要把这些抱怨翻译成可以部署的 AI 场景。

第二步，选择可衡量的场景

不是上来说，我整个都给你改掉，你给我签一个什么样的服务协议，我就给你规划一套完整的新流程。这是原来咨询公司干的活，FDE 不干这个活。

好的 AI 落地场景通常有几个特点：

• 第一，高频，经常要发生。
• 第二，重复。如果每次都不一样，这个事对于 AI 来说也是很痛苦的。
• 第三，要有数据。这个事情完全没有数据、完全靠人，搞不定。
• 第四，要有规则。事是办完没办完，办到什么样算结束，办得好不好，你必须要有一个规则来评判。如果完全主观，就不适合进行 AI 改造。
• 第五，风险可控。如果发现改完以后马上就有巨大风险，可以往后排。
• 第六，结果可以衡量。改造以后，速度提升了，人员减少了，收益上升了，这个必须可衡量。

要不然的话，你上了半天，钱花了，最后没有结果，可能最后写个 PPT、开个报告就结束了，这不是一个好的场景。

第三步，接入真实系统

传统企业不可能说原来没有数字化过，都是数字化过的。原来可能有什么 ERP、CRM、OA、邮件、Slack、飞书、钉钉、企业微信，还有数据库、Excel、老旧的内部系统，一大堆这些东西。

FDE 需要处理这些 API、权限、单点登录、日志、审计、回滚、安全边界。谁可以看什么，不可以看什么，谁有什么样的权利，这个东西必须要梳理清楚。梳理不清楚，就没有办法前进。为什么很多人进到企业里给人家做新的项目部署，最后失败了？就是因为这些东西接不起来。FDE 他们要去接这些东西。

第四步，设计人机协作

高风险任务不能完全交给 AI，要设计人在里面的审批环节。比如 AI 可以做合同风险标注，但是最终签字的还得是法务，而且你要让法务可以快速看到你到底标了些什么，为什么这么标。你不用让法务把整个合同都看一遍，你要提高他的效率。

AI 可以整理贷款资料，但是最终审批还得是人。AI 可以生成客服回复，但是敏感问题还是得转人工。

第五步，推动组织采用

前面都做完了，组织得用起来。这一步往往是最痛苦、最难的。员工会害怕被取代，当然这个怕也没用，他最后还是会被取代的。部门负责人害怕失去权力，这应该也是不可避免的。IT 怕出安全事故，也肯定还是要出的，因为改了流程以后，特别是还有从上到下大家不愿意配合的主观因素在里面，所以出现一些磕磕碰碰是难以避免的。

法务也怕合规风险，财务要看 ROI，到底是怎么挣钱、怎么亏钱，投入产出比是什么样的。老板要快，这个是稍微有点痛苦。这都是组织应用 AI 过程中的各种拦路虎。

FDE 夹在所有这些人中间，所以它不是一个普通的工程岗位，它是一个沟通协调岗位，但是同时你还得会写程序。

中国企业里的 FDE：可能要先学会不背锅

中国企业可能会更难一点。FDE 可能要先学会不背锅。像在美国，他们可以说我们规划一个新的组织架构、新的流程，上面老板一拍板就开始动了。但在中国，毕马威、麦肯锡他们在中国其实最主要干的活，就是帮国企去做阶级斗争。FDE 现在进来以后，可能也会成为同样的角色。

但是你帮国企做阶级斗争，总有斗争成功、斗争失败的时候。如果斗争失败，可能就要背锅。所以在中国做这个事情会更痛苦一些。

国内企业内部有几个特点：

• 第一，老板意志极强。特别是一些相对成功的企业，基本上是一言堂。他说什么就要什么，一拍脑袋想什么就来什么，你必须照着做。
• 第二，部门的墙极厚。因为每一层部门都有各自的利益，咱还不说灰色的部分，就说明面上的利益，他也有自己的部门利益，是很难打破的。
• 第三，权限很模糊。虽然咱们讲究责任到人，这是对底下来说的。在上面这一层里，权限是非常模糊的。数据也非常不透明，很多数据是相对隔离、比较分散的。

我记得傅盛当时他们叫可牛影像跟金山合并的时候，坚决不使用金山已经开发好的 ERP 系统、CRM 系统，坚决不用。原因很简单，就是一旦用了，你的数据就打通了。所以猎豹移动在上市之前，我们整个内部的财务管理系统是用 Excel 来管理的。

当时是安永进来做上市辅导，看了一下都疯了，说这次收这点钱不够，我们没法给你做上市辅导，你这个都是 Excel。

Excel 跟数据库之间最大的差别，大家知道是什么吗？就是没有做数据一致性。这边改了以后，那边那个表是不会跟着动的，就可以有很多很多的账目在里面。当时安永也是费老鼻子劲，才算把这个事情推过去。

中国企业还有什么特点？就是出了事没人担责任。成功了以后还要抢功，失败了以后要甩锅。所以 FDE 进到中国企业里，可能会遇到三种情况。

第一种，被老板当枪使

一进来以后，老板说咱们先别研究改系统了，先看看怎么能够帮我把那哥们干掉。原来麦肯锡他们在国内企业里经常就干这种活。

第二种，被部门当成预算工具

要上 AI 吧？买显卡呀。中国原来买了一堆垃圾，叫 DeepSeek 一体机。就在 DeepSeek R1 发布的时候，各个企业都去买这个东西。这个东西里应该是使用各种各样的算力卡，可能是 8 卡机或者几卡机，能够跑 DeepSeek R1，将就能跑。跑起来以后，其实也没有人用，就是当时大家都买，买完以后就都搁那儿落灰了。

当然，也有一些比较黑心的老板或者黑心的手下，他们会干嘛？用这种比较烂的机器，比如里面装了一个千问很小模型蒸馏出来的 DeepSeek R1。因为当时有 DeepSeek R1 什么 32B，就是拿千问模型蒸馏出来的这种版本，号称也是几百万，就把这钱花了。这种东西现在都搁在库房里躺着呢。

有一些强势部门遇到 FDE 以后说，我们还要再去搞一些这种事情，再买几台这种一体机给我放在仓库里。至于买一体机剩下的钱哪儿去了，就谁也不知道了。

第三种，项目失败以后成为背锅侠

你帮着这个老板把那个人干掉，结果那个人没干掉，这个老板自己塌房了，那么这个 FDE 可能也会在里面背锅。而且这种背锅，不是说你项目失败了，有可能会承担更重的一些责任，咱们就不展开讲了。

FDE 是长期职业，还是短期泡沫？

那么 FDE 是一个长期职业，还是短期泡沫？谁适合干这个活？因为我们看到 FDE 上来以后，帮人把公司改了，改完以后你就回去了，你就结束这个任务了。还有新的公司可以做吗？还是说做完这一批以后就废了？这是我们要研究一下的。

FDE 这个职位可能是分层的。低端的 FDE 最终可能会被工具所取代。比如你就会搭个 n8n，会接 API，会做知识库，或者会配一个简单的客服机器人，这类工作肯定会越来越便宜，最后会被 AI 取代。

高端的 FDE 会长期存在下去。因为高端 FDE 其实是行业的领域专家，你可能真的特别懂某一个特定行业，可能会比这些老板自己还要再懂，然后还很会用 AI，他们会一直存在下去。

什么人适合做 FDE？

第一类，早期创业公司的工程师

你说我是大厂工程师，这个其实不适合。为什么越大的厂，工程师就越螺丝钉，你可能除了自己这块东西做得特别好、特别精细之外，换一个地儿你就不知道怎么转了，或者说整个大厂的运作方式你是不理解的。这些人其实不适合做 FDE。

而且很多大厂工程师离开大厂以后，可能连软件都不会写。原因很简单，比如像百度、阿里这样的公司，它全套的底层代码库、底层软件库都是大公司整个重构过的，你离开原来的公司压根就没法转起来。

早期创业公司的工程师会比较习惯混乱，既会写代码，也能见客户，还会做产品，还能救火，所以他们会更适合一点。

第二类，解决方案架构师、云迁移工程师

他们通常会懂企业系统，也懂权限、数据、部署、稳定性和成本这些东西，算是跟企业 IT 部门有一定的共同语言。

第三类，有行业背景的技术人

比如你懂金融、懂医疗、懂制造、懂法律、懂教育、懂跨境电商，这一类人只要补上 AI 工程能力，还是非常有价值的。

第四类，懂自动化的业务专家

比如这些人会 n8n、Dify、Coze，或者是 MCP、OpenClaw 这些东西，能够快速做出工作流来。但是要从工具玩家升级到行业流程专家这一块，还是要付出一些努力的。

第五类，能够转工程的顾问

比如原来麦肯锡的，以前只会做 PPT，这些人位置就比较危险了。如果他们能够掌握 API，掌握 RAG，掌握 Agent，掌握自动化和数据接口，他们也可以成为 FDE。

哪些公司适合提供 FDE 服务？

Palantir，这东西就是从他这儿来的。OpenAI 现在也正在干这个事情。像 Salesforce、SAP、Oracle、ServiceNow、Microsoft 这些 ERP、CRM、SaaS 公司，他们也会提供这种 FDE 服务。因为原来他给你做一个完整的项目，系统就搁那儿了。现在的话，他可能需要工程师到现场去，帮你改改业务流程。

还有就是原来那些咨询公司的人，他们也适合做这个事情。当然，还有一种是垂直行业的一人公司，就是他对这个行业很懂，但是他这公司很小，就一个人、两个人，他们也可以做这个事情。

我个人可能更看好的是 一人 FDE 公司。不是泛泛地给所有人做 AI 自动化，而是锚定一个行业，比如做牙科诊所、做小律所、做跨境电商、做汽车经销商、做中小银行、做教育培训机构、中小制造业企业，对某一个特别熟，那就可以去做这种 FDE，帮人做 AI 部署就完了。

一个客户可能你服务他十天半个月，就可以去下一个客户。而且随着这些 AI 工具的不断增强，AI 新工具的涌现，AI 新模型能力的涌现，你还可以不断跟你行业里的这些客户进行升级和服务。所以一人公司未来可能在这个方向是大有可为的。未来模板越来越多，部署越来越快，行业理解越来越深，这才是真正的一人 FDE 公司的复利时代。

FDE 会创造就业，也会加速岗位消失

最后，FDE 在创造就业，但是也会加速岗位的消失。这个稍微让大家听起来不太舒服。

FDE 会创造高薪就业吗？会的。而且 2025 年 1 月到 9 月，FDE 这个岗位的岗位数增加了 800%，很多企业都在开始招这个职位了。

但是注意，这个职位新人小白干不了。你一定是有行业经验的领域专家，你才能干这个活。它会创造一定的岗位，但是任何使用 FDE 的企业都会进行岗位压缩，这个事是避免不了的。

而 FDE 是一个高杠杆角色，可能一个 FDE 就业了，会有 10 个、20 个其他岗位消失。这可能是无法避免的事情。

而且企业使用 FDE 的过程中，那些初级法务、初级分析师、初级运营，大量会被 AI 替代。原来你可能还替代不了，现在 FDE 上来了以后，这个东西 AI 搞定了，那个东西 AI 搞定了，这些人就都没工作了。再想重新招聘这些人，基本上不现实了。

McKinsey 2023 年报告估计，生成式 AI 和其他技术有潜力自动化员工 60% 到 70% 的时间。这不是说 60% 到 70% 的人员马上会失业，而是说岗位内部大量的任务会被切走。所以 FDE 是机会，也是冲击。

给企业管理者、企业主和个人的建议

如果你是企业管理者，不要一上来就搞个大平台，找一个高频、痛苦、可衡量、风险可控的流程，找个靠谱的 FDE 直接做样板。

如果你是企业主，可能你也不太想去搞这个 AI，但是也可以利用 FDE 这种外部变量，突破原来内部搞不定的部门墙和流程桎梏。你说我想把谁谁谁干掉，但是搞不定，那就整个 FDE 过来把他搞定。

如果你是个人，有软件背景、AI 能力、行业经验，就应该开始准备向 FDE 这个行业迈进。你要提升自己的 FDE 服务能力，不要只学提示词，要学 API、数据、RAG、Agent、权限、评估、部署和行业流程。学好这些东西，个人就有可能成为一人 FDE 公司。

最后一句话

AI 不会自动改变公司，真正改变公司的是懂 AI、懂业务，又能把系统跑起来的人。FDE 就是 AI 进入企业现场的那把手术刀，也是企业 AI 化的最后一公里。

好，今天的故事就讲到这里。感谢大家收听，请帮忙点赞、点小铃铛，参加 Discord 讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片

大家好，欢迎收听老范讲故事的 YouTube 频道。

今天咱们来讲一讲：一位美国投资人在中国走访两周以后沉默了，中国 AI 真的追不上美国了吗？

这个故事来自我两天前看到的一篇很有意思的长文。文章应该写于 3 月底，不是在中国媒体上发布的，也不是硅谷大厂的公关稿，而是一位海外投资人跑到中国 AI 创投圈里泡了整整两周之后，回去写下的观察。

他见了很多中国的 AI 创业者、VC 以及上市公司 CEO。最后他的结论非常刺耳：中国硬件比他想象中更强，但中国 AI 软件比他想象中弱很多。中国创业者很聪明、很努力、履历很强，但太一致了，缺少批判性，所有人都像从一个模子里刻出来的。也就是说，中国 AI 创业者高度同质化，这是让他很难忍受的一点。

我们平时听到的叙事一般有两种极端：一种是中国 AI 已经全面追上美国，马上就要反超；另一种是中国 AI 永远只能靠开源、靠低价、靠卷，追不上 OpenAI 和 Anthropic。

而这位真正跑到中国看了一圈的投资人，给出了一个有趣视角。他不是简单唱衰中国 AI，他真正想说的是：中国 AI 的机会不在于复制一个 OpenAI，中国真正的强项可能在硬件、供应链、机器人、视频生成、AI 出海，以及中国工程师服务全球市场。但是，中国 AI 软件公司的估值可能已经跑得太快，他认为中国 AI 带来了巨大的泡沫。

这也是一个很有意思的观点。很多人会问：为什么要跑到中国来看项目？因为中国有的是人，已经卷得一塌糊涂。按理说，中国项目应该特别便宜。可他来中国一看：你们软件做得也不行，还这么贵，到底是为什么？

所以今天我们就来拆一下：这位投资人到底是谁，他为什么来中国，他看到了什么。以及 3 月份他发文之后，又发生了两个新的变化，可能会改变整个中国 AI 创投的方向。

这位投资人是谁？

这位投资人叫何塞·玛丽亚·马塞多，我们就管他叫何塞吧。他的公开身份是 Delphi Labs 的联合创始人、Founder & CEO，Delphi Ventures 的 Founding Partner，也就是创始合伙人。

Delphi Ventures 是 Delphi 体系下的风险投资基金，管理着大概 200 多个项目组合，长期关注 Crypto，也就是加密货币、Web3、AI、机器人，以及他们称为 Deep Tech 的深科技。这里的 Deep Tech，大概可以理解成一些比较“黑科技”的东西，包括 AI、航天、生物技术、量子计算等前沿硬科技。

这次文章的标题叫《我在中国 AI 生态里两周学到了什么》。这里有一个很关键的背景：他不是传统意义上的硅谷 SaaS 投资人，也不是只看大模型跑分的 AI 博主。他来自 Delphi 这样的机构体系。

Delphi 的背景

Delphi 最早是做什么的？说白了，它是做加密研究的，专门做币、做 Web3 投资、做协议孵化。所以 José 看中国 AI 的方式，和普通投资人不太一样。

普通投资人可能更多会问：

• 你的产品有多少用户？
• 年度经常性收入有多少？
• 留存怎么样？
• 毛利率是多少？

而来自币圈的投资人会问一些额外问题：这个系统有没有网络效应？能不能传播起来？这个生态里谁能够捕获价值？或者说，最后谁收钱？

比如你说你做了 AGI，做了开源，那钱怎么收回来？这是他会关注的。他还会看：开源之后还能不能赚钱，项目是基础设施还是表层应用，估值是不是被叙事吹起来的。因为币圈嘛，吹牛这件事大家还是得跟他们学。所以他到这边来看到有人吹牛，可能会觉得这是一帮小孩在他面前班门弄斧。

另外，他还会看谁是最终的接盘人。币圈做击鼓传花，总要有人接。所以创始人够不够怪、够不够反共识，是币圈必须看的东西。传统投资里并不一定非要求创始人反共识、要怪，但是币圈一定要看这个。因为币圈很多项目大家谁也看不懂，这时候就看行为艺术，看谁表演得好。如果你真的是很反共识、很怪的一个人，反而可能得到关注。

所以，他这次看中国 AI，不只是技术观察，也是一次用加密圈投资逻辑审视 AI 创业的过程。这一点非常重要。

Delphi 大概是在 2018 年创建的，最早叫 Delphi Digital，主要是做加密货币和数字资产研究，写各种深度报告，分析链上生态，理解 Token 经济，以及其他早期项目和开发者社区。

做了一段时间研究之后，他们开始做 Delphi Ventures，从 Crypto 去投深度科技项目。除了投 Web3、DeFi 之外，也投 AI、机器人，还有脑机接口。马斯克的 Neuralink 就是他们投的一个项目，但他在 Neuralink 里到底占多少股份，我没有去查。

再往后，他们还成立了 Delphi Labs，做协议孵化和研究；又做了 Delphi Intelligence，专门做 AI 研究。整个体系是四个机构连在一起。

这次不是他一个人来，还有 Delphi Intelligence 的研究员罗森·哈弗蒂，我们就叫他罗森。他也写了一篇报告，叫《中国科技现状》，更像一份投资备忘录，没有何塞那么尖锐。我们可以把两篇报告拼起来看，理解他们认为中国 AI 科技现在发展到了什么状态。

他们的看法是：中国的科创投资并没有结束，但已经不便宜了。

他们为什么来中国？

原因很简单：中国 AI 现在是全球投资人绕不开的一站，必须得来。

第一，极高的人才密度

中国 AI 创业者的履历往往非常强：清华、北大、浙大、上海交大、中科大，再加上字节、阿里、腾讯、华为、大疆，还写了一大堆论文，有大厂 AI 实验室经验，产品和工程能力都非常强。

中国在产品上通常要比美国更强，因为我们卷细节。至于工程能力，中国团队也很强。真正面对过大规模用户的美国公司并不多，OpenAI、Anthropic、谷歌、xAI 可能面对过大规模用户，其他美国创业者其实根本没见过什么叫大规模用户。他们没见过双十一，也没见过春运。所以中国这些团队的工程能力非常强。

第二，极强的硬件供应链

很多人认为，现在 AI 应该开始转向卷硬件了，所以他们要来看一看深圳、大湾区是不是有机会。

在深圳这些地方，工程师在旁边，模具厂在旁边，PCB，也就是造电路板的厂在旁边，组装厂也在旁边。测试、迭代、返工，基本上在一公里或者几公里半径内就能搞定。

你要做一个硬件出来，这边的迭代速度是按天算的；在美国，迭代速度可能是按月算的。所以他说，他们一定要到中国去。

第三，中国创业公司从第一天开始就想着出海

这也特别有意思。他们发现，几乎没有哪个中国创业公司是不想出海的，因为国内实在太卷了。

这些中国创业公司从第一天开始就在用 Claude Code，听硅谷各种 AI 播客，研究 Cursor，研究美国和欧洲的创业企业，对美国 AI 公司如数家珍，产品一开始就是面向全球市场。

这说明，中国 AI 创业已经不是过去那种先做中国市场、再做海外市场的路径了。现在很多中国 AI 创业者上来第一件事，就是先做海外市场。中国市场卷不动，就不用费这个劲了。

他们见了哪些公司？

两周中国行，他们见的是 AI 创业者、VC 和上市公司 CEO，主要在深圳、大湾区，上海应该也转了。文章里没有写其他城市，所以不知道是否去了北京或别的地方。

他们去了大疆、影石科技、华为、拓竹。拓竹是专门做 3D 打印机的。人形机器人方面去了智元科技、宇树科技，这些大家耳熟能详的机器人公司他们都去了。

大模型方面，DeepSeek、智谱、MiniMax、月之暗面、字节、阿里，他们也都跑到了。AI Agent 方面，Manus、Genspark 也有接触。反正能见的人，基本都见过了。

核心观点一：硬件真的强，但不代表每家硬件公司都值得投

何塞最震撼的不是中国大模型，也不是中国 AI 应用，而是深圳的硬件生态。他的观察是：中国硬件公司正在赢一场西方人还没有意识到已经开始的战争。这个说法非常狠。

为什么？因为在软件领域，美国还有 OpenAI、Anthropic、谷歌、Meta、Cursor 等一大堆非常强的公司。但是在硬件领域，特别是在消费硬件、机器人、AI 硬件领域，中国的优势不是某一家公司，而是一整条生态链。

比如大疆、影石、拓竹、宇树科技等等，这些公司背后不只是产品经理，也不是一个模型 API，而是机械结构、模具、电池、传感器、电机、芯片、软件、App、供应链、量产能力、全球电商分发。等于这些东西全部凑齐了。

这些能力在其他地方，包括美国，目前为止几乎没有追赶的可能。

这一点上，我同意他的观点。中国硬件确实是系统性优势。但何塞说硬件强，并不等于每家硬件公司都值得投。他的意思更多是：中国硬件生态形成了一种难以复制的系统密度，不是说买哪家公司，它就一定能涨起来。可能谁也涨不大，但我们就是可以在这样的体系架构下把东西做出来。

这也是他的一个观点：确实很强，但能投的项目并不多。其实我在深圳也看过很多硬件公司，最后也没有出手。这些硬件公司做产品非常强，但你要投资它们，指望它们快速长大，还是挺难的。所以在这一点上，我认为何塞基本是正确的。

核心观点二：中国软件是真的差

这是他一个特别有意思的观点。而且他认为，中国软件差的问题不在能力，而在市场结构和出海策略。

何塞对于中国 AI 软件非常悲观。他认为中国软件应用同质化非常严重，大家都是抄：你做一个，我就一定要做一个跟你一样的。很多公司没有真正壁垒，很多 Agent 产品会被大模型公司的原生功能直接吃掉。

他认为，中国没有像 Cursor、Lovable、Harvey、Glean 这种软件公司，压根就没有，谁也没长出来。

• Cursor 是产品名，公司叫 Anysphere，在美国旧金山，是 AI 编程领域的 IDE。
• Lovable 在瑞典斯德哥尔摩，做自然语言生成网站和 App。
• ElevenLabs 在英国伦敦和美国纽约都有办公室，是波兰人创建的，做 AI 语音生成、声音克隆、语音 Agent。
• Harvey 是美国旧金山的法律 AI 平台。
• Glean 在 Palo Alto，做企业工作 AI 产品。

中国也不是完全没有软件公司。他举了三个例子：

• 第一个是 HeyGen，其实是在深圳起家的，但很早就搬去洛杉矶，做 AI 数字人视频。我们最早看到的郭德纲讲英语之类的东西，就是他们做的。
• 第二个是 Manus，新加坡的通用 AI Agent，也是中国团队做出来的。
• 第三个是 Genspark，也在 Palo Alto，但团队基本在美国和新加坡，原来百度团队做出来的，做 AI 搜索、AI 工作空间、Super Agent，也就是超级 AI Agent 路径。

也就是说，中国也做出了一些软件产品，但做出来的都出海了。

我对这一点的看法是：中国 AI 软件为什么做不出有差异的产品，为什么没有独立思维，为什么都是抄来抄去？原因很简单：在中国做软件，软件公司没有任何话语权。我们叫乙方，甲方想要什么，你就得给他做什么。你说“不对，你这个要求有问题”，人家不给你结账。所以中国软件很难有自己的思考方式。

另外，中国 AI 软件其实更多是在卷海外，因为大家也知道国内挣不到这个钱。中国甲方不需要 AI 软件，中国甲方需要的是“我说什么，你给我干什么”。至于有没有 AI，写上有就行了。所以中国想在国内做出划时代的、有独立思考的 AI 软件，基本不现实。

还有一点，中国这些 AI 软件其实比国外卷。像 Cursor、Lovable、Harvey，迟早也会被 Anthropic 吃掉。只是我们觉得没必要在这儿费劲了，直接卷下一个阶段就可以了。美国还可以再折腾折腾，而且他们从全球赚钱，美国市场支付能力强，所以他们还能做起来。

我认为他们举的这些例子，包括 Cursor，可能能多苟延残喘一两年，但最后也不会有什么结果。所以这一点上，中国算是卷得更快。

这让我想起以前做游戏时讲生命周期。一个游戏在中国的生命周期可能是半年，在美国可能是一年。所谓生命周期，就是这个游戏从上线到用户不爱玩的周期。

核心观点三：大模型差距巨大，但 Agent 时代可能降低对最强模型的依赖

何塞认为，中国大模型进步确实很快，但跟 OpenAI、Anthropic 比起来还是差很远，而且可能很长时间都追不上。

特别是在开源模型上，中国模型中文理解能力可能很强，性价比很强，上下文也已经很长，视频生成、代码辅助都可以用，也适配了国产芯片。但是，真正的前沿能力，中国模型差得非常远。

什么是前沿能力？包括：

• 高级推理；
• 长程 Agent 执行；
• 复杂代码生成和 debug，也就是除错；
• 数学和科学能力；
• 多模态理解；
• 视频理解和生成；
• 可靠工具调用；
• 企业级稳定低幻觉；
• 大上下文复杂任务。

中国在多模态生成上已经做得不错，但理解稍微差一点。在这些前沿能力上，中国要差很远。

他认为，在这一块 OpenAI 和 Anthropic 绝对领先，主要不是模型参数，而是整个系统能力。就像中国硬件强到他们追不上，OpenAI 和 Anthropic 的训练算力、推理算力、数据闭环、企业客户、开发者生态、API 生态、Codex 和 Claude Code 这样的工具入口，以及真实商业收入，中国大模型厂商也完完全全没有追赶的可能。

这点怎么说呢？差距要承认，特别是在最强闭源模型和企业生态上，确实要承认。但我们也要知道，中国模型主要是在中国挣钱，开源以后在海外挣回来的钱相对比较少。而 OpenAI 和 Anthropic 是在全世界挣钱，收入差距很大，这可以理解。

我觉得唯一需要补充的是，虽然我们的模型在数学推理、物理、科研上差一些，但在现在的 Agent 时代，这些没那么强的模型也将就够用，算是中国稍微追上了一点点吧。差距仍然要承认。

核心观点四：中国 AI 泡沫可能比美国还厉害

何塞还有一个可能违反大家常识的判断：他说中国的泡沫比美国还厉害。很多人难以理解：中国都已经卷成这样了，这么多人都没饭吃了，怎么还有泡沫？这和中国一个很特殊的机制有关。

何塞非常尖锐地判断：中国 AI 大模型公司的估值太高了，上市公司的市值也太高了。

我们看几个最简单的数据：

• 智谱已经在香港上市，市值是 4,169 亿港币，去年收入是 7.243 亿人民币，也就是 1 亿多美金。它的 PS 是 533 倍，非常巨大。
• MiniMax 也是香港上市公司，去年收入是 7,900 万美金，不到 1 亿美金。它的市值是 2,236 亿港币，PS 是 362 倍，也非常高。
• 月之暗面、Kimi 还没有上市，现在估值是 180 亿美金，去年收入大概 1 亿美金左右，PS 是 180 倍。

为什么只有 PS，没有 PE？因为 PE 是有利润才能算出来的，这些都是亏钱公司，所以只能算 PS。

那美国是不是也这样？OpenAI 估值是 8,352 亿美金，年化收入是 250 亿美金，PS 是 34 倍。Anthropic 据说有 1 万亿美金估值，年化收入是 300 亿美金，PS 是 33 倍。相比中国这些 300 多倍、500 多倍 PS 的公司，美国估值反而显得实在多了。

这有点反直觉。很多人会认为中国 AI 公司应该便宜，美国 AI 公司应该贵。但从收入倍数来看，还真不是这样。美国是 30 多倍，中国没上市的是 180 倍，上市的则是 300 倍、500 倍，确实不太理性。

中国为什么会出现这样的问题？前期太内卷，卷得太厉害。现在这些上市公司也好，像 Kimi 这样的公司也好，都是从众多小龙里卷出来的。

另外，中国上市非常难，不像美国上市那么容易。而且中国公司必须早上市，因为手里的现金没有那么多，必须在现金烧完前上市。美国公司现金多，像 Anthropic 这样估值 1 万亿美金的公司都没有上市，它们可以一直融到钱。中国公司融不到，所以必须着急上市。

在这种情况下，一定会有一个相对较高的估值去击鼓传花。否则上市以后，前面投资人退不出去。

还有一点，中国股市会人为制造稀缺性，让你没那么容易上去。投资人想投 AI，发现就这两家，那就买它们俩，于是全民热情集中在这两家公司身上，PS 就会非常不理性地涨上去。

核心观点五：人形机器人更加过热

何塞认为另一个更有泡沫的地方是人形机器人。

他们认为，中国人形机器人已经极度过热：公司太多，融资太热，估值太高，不值投了。而且这些公司大多没有收入，或者收入极少，很多公司根本没有证明真实场景。

也就是说，你可以把东西做出来，甚至可以量产，但量产之后卖给谁、卖出去干嘛，谁也说不清楚。现在我们就吭哧咔哧冲上去开始造了。

这个赛道里有宇树科技、智元，还有一大堆公司，以及供应链，包括灵巧手、电机、关节、控制器。等于我们把所有东西都凑齐了，但不知道这东西该卖给谁。

从我个人观点看，中国优势还是明显的：供应链强，试错成本相对低。就算很多公司挂掉了，那又怎么样呢？我们认为这些损失应该被承担，不就可以了吗？就像以前的百团大战、千团大战，确实浪费，确实有泡沫，但最后卷出来的美团，就是一个狠角色。

机器人这块，我估计我们也在走同样路径：通过养蛊的方式，把最后的狠角色拎出来。而且为了保证最后一定有人胜出，而不是整个行业都倒在黎明之前，现在政府还在做政策扶持，也准备让一些公司上市。宇树也好，智元也好，今年或者明年都有可能上市。

上市实际上就是“奉旨割韭菜”。中国股市相对很难上去，一定是得到了批准，国家允许你上去割韭菜，才可以去，其他人是不可以来的。所以政策现在还在努力支持它们。

当然问题也很明显：机器人视频很好看，翻后空翻之类都可以，但真正的商业化到底哪一天到来？最后能活过周期的到底是谁？我们还要拭目以待。但我相信最后一定会有能活下来的。

核心观点六：中国创始人同质化太厉害

何塞认为中国创始人同质化太厉害。他的同事罗森则认为，美国人可能看不懂中国模式，中国模式也许有一些其他差异化，只是美国人未必看得懂。

何塞这个观点非常刺耳。他说，中国创始人履历都很强，但太同质化，缺少那种极端叛逆、偏执、反共识的人。比如马斯克、乔布斯，都属于比较极端、叛逆、偏执、反共识的人。

但他看到的中国创始人是什么样？顶尖大学、大厂背景、发论文、写专利，执行力极强，工作强度极高，工程能力极强，所有人都长一个模样。这些人按道理说应该去做职业经理人，而不应该出来创业。

我记得以前跟一帮投资人聊天时，有人说特别守规矩的人不能创业，你们就适合在大厂里当螺丝钉。这也是投资人的一个共识。

问题是，这些人像是同一个系统里筛选出来的最优解。在这一点上，我认为何塞可能有问题。因为中国整个教育和职业体系就是这样的过程：筛选能够回答问题的人，筛选能够解决问题的人，筛选不会质疑领导的人。这是我们整个教育和职业生涯一直在训练的事情。

但还要看清楚一件事：哪里有压迫，哪里就有反抗。所有在高压环境下成长起来的人，都惦记着去做一些不一样的事情。只是被别人看着的时候，他一定会老老实实。一旦没人看着他了，你看看他们是不是给你翻出花来。

这让我想起蒙哥马利，也就是英国二战时的统帅。他从小的成长环境是，他妈妈总在说：

看看蒙哥马利在干嘛，叫他停下来。

所以他成为英国二战统帅以后，干的很多事情让美国将军们无所适从。大概就是：我虽然答应了，但我可以干点别的，我要看看哪有空子可以钻。

当时把巴顿都吓坏了。巴顿说：“你上面有命令，你怎么可以违反呢？”蒙哥马利说：“命令就命令呗，有空子，我为什么不钻呢？”他是这样的性格。

所以中国很多创业者其实也在向这个方向发展。他们知道怎么适应规则，怎么在规则边缘游走；他们知道怎么在上面有领导的时候好好表演，怎么在自己成为领导的时候，在自己的一方天地里大闹天宫。

所以我觉得何塞可能还是不太理解我们的人。但有一点他可能说得对：我们缺乏从根本上的叛逆，我们还是会跟规则妥协。就像咱们这些做 YouTube 的人一样，人人心中都住着中宣部。

核心观点七：最好的出路是服务全球，别在中国卷

何塞看到的另一个现象是：最好的出路就是服务全球，别在中国卷。在这一点上，我完完全全同意。这可能是中国 AI 创业唯一的出路。如果定义在国内卷，根本卷不出来。

何塞的判断是：中国 AI 创业最好的出路，不是做中国市场，而是中国团队加中国工程师，加中国供应链，加全球用户，加海外收入。

我也完全赞同这一点。

为什么？因为中国市场有几个现实问题：

• 用户付费意愿稍微差一点，特别是企业用户。
• 企业软件领域不给软件公司任何定义权，都是付钱的人想要什么，你就按照他的要求改。
• 在这样的环境下，想做出有差异性的 AI 软件是不可能的。
• 大厂竞争极其激烈，上面还有腾讯、字节、阿里，小公司跟它们卷，很容易卷死。
• 模型 API 价格战非常惨烈。
• 同质化复制特别容易，也缺少有效专利保护。
• 政策和合规不确定性高，AI 应用很难在国内做出很高收入。

但是全球市场不一样。美国和欧洲市场愿意为了提高效率、企业知识管理、法律文档、视频制作、语音生成、市场研究、自动化工作流付钱，而且是真金白银。

所以像 HeyGen、Genspark、Manus 这样的公司，才会有这么好的发展。

他认为，做一个中国版 Cursor 没有意义。还是应该让中国团队，或者中国背景团队出去做全球产品。这样你才有能力或者机会去定义产品。否则就完全被甲方牵着鼻子走，没有意义。

为什么币圈投资人会形成这样的判断？

刚才讲了，何塞原来是做区块链的人，是币圈投资人。投资人都有各自的投资逻辑，有些人不愿意说自己的逻辑，有些人愿意讲。

为什么不愿意说？原因很简单：你告诉别人你的逻辑是什么，别人就会照着样子来骗你，这很危险。

作为加密圈投资人，他跟普通投资人有巨大差异。叙事爆炸、估值飞涨、流动性撤退、泡沫破裂，这些都是币圈投资人经历过的事情。所以他们看到 AI 圈时，会有一种熟悉感：这玩意儿都是我们玩剩下的。

很多 AI 项目看起来也像币圈牛市：

• 叙事非常宏大，比如我要做 AGI；
• 用户增长很快；
• 估值非常高；
• 收入还没有跟上；
• 技术壁垒不清楚；
• 大家都在讲 Agent、workflow、AI coworker；
• 很多项目长得都差不多。

这就是币圈的人会觉得“我熟”的地方。

他们看重价值捕获能力

一个产品有价值创造能力，比如 Cursor 让人编码效率上升，Claude 让人解决各种问题，这都叫创造价值。

那什么是捕获价值？收订阅费，这叫捕获价值。

所以他会问中国 AI 厂商：你们怎么把钱挣回来？谁来捕获最后的价值？这是他要关注的。

他们看重前沿能力

不能卷来卷去大家长得都一样。特别是长链 Agent、高级编程、复杂数学科学推理，这些到底谁做成了什么样？在这一块，何塞和罗森大概没有在中国看到什么特别值得看的东西。

他们关注分布式 AI、去中心化 AI 和隐私计算

这些都是从币圈传下来的东西。

什么是分布式 AI？就是每一个 AI 处理不同项目，比如销售 Agent、法务 Agent、财务 Agent、代码 Agent，让这些东西配合起来工作。

什么是去中心化 AI？现在不管是 Anthropic 还是 OpenAI，本质上都是中心化 AI，我们要到它的服务器上干活。币圈的人希望 AI 的训练、推理、数据、算力、结算、治理，不完全被 OpenAI、谷歌、Anthropic 这样的中心化巨头控制。

所以他们希望能有一些去中心化算力网络、去中心化推理市场，让每一家都可以做贡献，也可以从中得到收益。

如果有显卡的人、有数据的人、有需求的人都能做贡献、都有收获，其实就是走回 Web3 那条路，让价值在其中流转。

他们也很关心隐私计算。所有去中心化的东西都会关心隐私：数据可以被计算，但原始数据不能暴露。医疗、金融、政务、企业内部数据如何脱敏，都是他们关注的点。

3 月之后发生的两个新变化

何塞在 3 月写完这篇文章以后，又发生了两个新变化。现在再创业、再做创投，可能又要考虑这些新因素。

第一个变化：Manus 的交易被叫停

前面何塞还把 Manus 的交易作为正面典型，说你看，中国也能做出好东西来。现在没了，这个事情已经没有了。

这代表什么？如果想做 AI 出海，一定要早出去，不要在国内闹出名声以后再出去。Manus 算是给大家提了个醒。

另外，Manus 也提醒大家：如果有人要求你回来开会，要三思而后行。回来之后可能就出不去了，这还是要注意。

像前面讲到的 HeyGen，就是早早离开中国。在中国稍微有冒头的影子，就直接搬到美国，把中国这边彻底关掉。所以 HeyGen 现在发展得还可以。

第二个变化：DeepSeek 大降价

DeepSeek 大降价可能会击穿估值逻辑。DeepSeek 已经降到这样的价格了，你 GLM 还值这么多钱吗？MiniMax 还值这么多钱吗？拿着 MiniMax 和 GLM 股票的人，心里是不是哇凉哇凉的？

而且 DeepSeek 把价格打到这么低，OpenAI 和 Anthropic 的估值是不是也要重新看一看？谷歌、微软、亚马逊、Oracle 等买了这么多显卡、资本支出做到这个程度的公司，是不是也得想一想：现在囤的这些显卡，到底能不能把钱挣回来？

总结：中国 AI 不是简单追不上，而是赛道变了

这次何塞和他的同事在中国晃了两个礼拜，得出了一些结论，也引起了一些讨论。这个问题不是简单的“中国 AI 追不上美国”，而是赛道变了。

我的答案是：不能简单说中国 AI 就追不上美国。

如果你问中国有没有追上 OpenAI 和 Anthropic 前沿模型的能力，现在答案很明确：没有。

如果你问中国 AI 软件公司有没有像 Cursor、Harvey 这样的高收入公司，答案也是没有，而且可能很难做出来。

中国 AI 的估值是不是太贵了？是真的，真贵。300 多倍 PE 的我见过，但是 300 多倍 PS、500 多倍 PS 的公司，真的是非常少见。你说这玩意儿不是泡沫，谁是泡沫？

但是中国 AI 有没有机会？有，而且非常大。

中国公司的机会不是复制一个 OpenAI，而应该在这些方向：

• 硬件；
• AI 眼镜；
• AI 玩具；
• 机器人；
• 消费电子；
• 传感器；
• 边缘设备；
• 完善的供应链；
• 开源模型；
• AI 视觉和多模态应用。

像可灵、快乐马、Seedance，这些都是我们现在真正比较强的地方。

至于做软件，就别在国内折腾，出去卷美国人，卷新加坡人。其他 AI Agent 基础设施，包括支付、身份、权限、记忆、工具调用、隐私计算，其实也都还有机会。

作为币圈投资人，何塞和罗森的很多观点值得认真思考。特别是更接近钱的人、已经被骗过一轮的人，或者已经组织过一轮骗局的人，再去看 AI，还是有一定深度的。虽然我并不完全同意他们的观点，但我觉得很值得好好看一看。

最后两个问题

1. 你觉得中国搞 AI 创业最有希望的方向是什么？是大模型、机器人、AI 硬件、视频生成、Agent，还是中国团队服务全球市场？
2. 中国跟美国 AI 的差距到底是越来越大了，还是正在被快速追赶？

欢迎在评论区说出大家的判断。如果你觉得这期节目有意思，咱们记着，该转发转发，该订阅订阅。

DeepSeek V4 终于开始了属于它的革命，只是方法可能出乎了很多人的意料。

革命不是发生在发布当天

DeepSeek 发布之后，很多人的第一反应是：就这？跑分没有炸裂，发布会没有高潮，实际上压根就没有发布会。梁文锋也没有站出来讲一个“AGI 改变世界”的宏大故事，什么都没有。

但是几天之后，真正可怕的事情发生了。DeepSeek 没有推出什么 Coding Plan 或者 Token Plan，也没有把用户锁在一个订阅套餐里，而是直接掀桌子：连续降价。

这件事情的意义可能比跑分更大。因为它不是在说“我的模型比你强一点”，而是在说：你们靠高 Token 价格，再用 Coding Plan 去捆绑用户的玩法已经结束了。

所以 DeepSeek 这一次的降价，其实是在给现在的 Coding Plan、Token Plan 泼冷水，直接说你们就是在坑人，咱这个才是实在人。

DeepSeek V4 发布后的微妙气氛

DeepSeek V4 发布以后，气氛有一点小诡异。原因很简单：期望越高，失望越大。大家期待的全面碾压、各种追平、国产算力全面验证、多模态、agent、coding 一起爆发，都没有来。

跑分当然还是可以看的，但是没有出现去年 R1 发布时那种核爆级的震撼。所谓 R1 核爆级的震撼，最核心的也不是说它真的碾压、追平了，而是它特别便宜，便宜得简直没法看。

这一次 DeepSeek V4 发布时，价格其实跟国内主流模型差不太多，各有长短。有些地方 DeepSeek 还稍微贵一点，有些地方它比别人稍微便宜一点，但便宜得也不是很多。

DeepSeek V4 Pro 是一个很强的模型，特别是在代码、数学、agentic coding、长上下文方面。但它不是那种一眼看上去就把所有模型都打穿的东西。所以第一波舆论里，大家想尬吹它，因为准备了很久，却不知道从哪下嘴。

梁文锋也没有出来讲故事，反而有点像是在说：你想骂就骂吧。最后写了四句：

不诱于誉，不恐于诽，率道而行，端然正己。

最后大家找不到夸的了，就开始吹 DeepSeek 从来不加班。别的大模型公司都是各种加班、各种卷，DeepSeek 到下班就让大家回家。虽然不加班是一件很棒的事情，但是在发大模型的时候说“模型做得可能不重要，但是它不加班”，吹起来就有点尬。

DeepSeek 自己也说了，现在降价了，但等到华为昇腾 950 上来以后，还会再降价，比现在还便宜。不过那至少要到今年下半年或者明年才有可能出来，大家还可以继续拭目以待。

贡献者名单和体感测试

还有人开始吹贡献者名单：里面居然把离职的人也都标注出来了。有人猜梁文锋是不是压力山大，或者有些委屈，想要吐槽一下。因为很多大厂都在挖他的人，比如罗福莉，还有一些去了字节、腾讯的人，都给标上了，也标明他们在哪个模型里做出过贡献。

• 有人做过 R1；
• 有人做过 V3；
• 罗福莉做过 V2；
• 还有人做了 DeepSeek OCR 模型。

这些人的名字前面画了星号。

实际上这种方式在国外很常见。国外大厂发软件时，会把即使已经离职的员工也标在上面；发论文时，也会把已经离职的员工或者贡献者标上去。但在国内比较少见，国内通常是领导标前面，离职了基本就没有名字。所以把离职员工标在上面，在国外算惯例，在国内是比较罕见的现象。

因此也没必要特别过度解读。梁文锋把他们标出来，并不是惦记着羞辱谁，或者跟大家诉苦。

现在还有一些人开始做体感测试。因为跑分这件事，跟我们的体感是不一样的。有人拿它去写网站，或者去写小红书，跟 GRM、Opus 和其他模型比较，结论是 DeepSeek V4 在体感上还是相当不错的。

但是体感很主观。我觉得好，你觉得不好，这都正常。所以有人录体感测试视频，或者写文章继续吹捧 DeepSeek V4。大家都吹成这样了，老范自己也去用了一下，下面会讲讲体验。

真正的革命：连续降价

这一次，作为一个国运级产品，DeepSeek 真正开始革命并不是在它发布的那一天，而是在发布之后。DeepSeek 进行了连续降价，每过几天就降一次，价格一下把其他模型，包括这些 Coding Plan、Token Plan，全打穿了。

当前价格

现在的价格大致是这样的：

• DeepSeek V4 Flash：输入 100 万 Token 的价格是 1 元；如果命中缓存，100 万 Token 是 2 分钱。
• DeepSeek V4 Pro：输入 100 万 Token 的价格是 3 元；如果命中缓存，100 万 Token 是 2 分 5。

这个价格非常便宜。尤其是 Pro 的价格，2 分 5 就可以把信息输进去。

官方同时说明，全系列模型输入缓存命中的价格都已经降到了首发价格的 1/10。该价格调整自北京时间 2026 年 4 月 26 日 20 点 15 分生效。当前 DeepSeek V4 Pro 模型是 2.5 折的价格，非常便宜，优惠期延长到 2026 年 5 月 31 日 23 点 59 分。也就是说，一直到 5 月底，都可以使用这个 2.5 折价格。

这个价格可以说已经让 Token 价格无感了，随便用，感觉像没花钱一样。而且 DeepSeek 还说，等到昇腾 950 到线、到货以后，还会继续打折，大家可以稍微期待一下。

按 100 万 Token 粗算

按照 100 万 Token 粗算，Flash 能有多便宜？假设一个 Agent 任务是 80 万 Token 输入、20 万 Token 输出，总计 100 万 Token。

• 使用 V4 Flash，输入成本是 8 毛钱；
• 输出成本是 4 毛钱；
• 合计 1 块 2，还没有计算缓存。

这个价格已经非常便宜了。

那 100 万 Token 的上下文到底有多少？很多。一本《鹿鼎记》大概总共是 200 万到 300 万字。

一次实际使用体验

老范自己试了一次，把 DeepSeek V4 Pro 和 DeepSeek V4 Flash 挂到了 Claude Code 里。改配置文件就可以：默认模型是 DeepSeek V4 Pro，Opus 模型是 DeepSeek V4 Pro，Sonnet 模型是 DeepSeek V4 Pro；如果需要使用 Haiku 模型，也就是 Anthropic 自己那个特别小的模型，就调用 DeepSeek V4 Flash；如果要开 subagent，也就是子代理，也使用 DeepSeek V4 Flash。然后按照 Max 模式疯狂跑。

这次让它做的事情是：现在有很多人在 GitHub 上分享 GPT-image-2 的提示词，比如画什么样的图应该用什么样的提示词，建立了一个大仓库来存放这些内容。于是就让它把这个仓库拉下来，建一个本地网站，可以搜索、查找这些提示词。

一句话扔进去，它就开始干，基本上干完了，过程中没有什么错误，直接把网站做出来。

总共花了大概 8 毛多钱。其中 6 毛多钱是 Pro 的价格，1 毛多钱是 Flash。Flash 的缓存命中率是 0，全都是按新输入来算；Pro 的缓存命中率是 98.7%。

为什么会有这么高的缓存命中率？原因很简单：在写一个代码项目时，它会反复把这个项目的代码输入、输出，所以缓存命中率非常高。在这样的情况下，总共大概花了 8 毛多钱，就得到了一个网站。

这也是为什么说，使用 DeepSeek 写网站时，Token 价格基本无感。花 8 毛多钱写出一个网站，而如果用 Codex 或者豆包 40 块钱的 Coding Plan，5 个小时额度可能就用完了。在 DeepSeek 这里，8 毛钱搞定。就算现在 2.5 折以后变成 2 块钱搞定，也依然可以接受，仍然是无感的。

为什么降价就是革命

有人可能会说，这不就是降价吗？怎么就革命了？真不是大惊小怪。

现在各个云厂商也好，AI 厂商也好，玩的游戏是：把 Token 价格定得很贵，也不降价。前面小米的卢伟冰还出来讲，说 Token 很贵，不可能降价，成本就在这里。然后你可以来买我的 Token Plan，或者买我的 Coding Plan。

Coding Plan 和 Token Plan 的区别

为什么有的叫 Token Plan，有的叫 Coding Plan？区别主要在于：

• Coding Plan 通常只能编程；
• Token Plan 通常会包含 STT、TTS、画图、搜索、embedding、RAG 等能力；
• STT 是语音转文字；
• TTS 是文字转语音；
• 如果是 Coding Plan，除了编程之外，其他能力往往不让用，还要再买其他 Token 才能使用。

这些 AI 厂商和云厂商，希望大家尽可能订 Coding Plan。订完 Coding Plan，你就相当于被绑在它的平台上了。

大家都买 Coding Plan 的结果，就像大家去吃自助餐。有的人吃得多，有的人吃得少，平均下来商家肯定能挣钱。

比如很多自助餐厅都有生日免费。你生日免费了，不能一个人去吃，肯定会带一帮人去。这里面有人吃得多，有人吃得少，而且也不可能每次都照死了吃，绝大部分人的食量还是有限的。所以自助餐厅就能挣到比较多的钱。

另外，这些云计算厂商和 AI 厂商都有很完整的服务体系：视频生成、图片生成、语音生成、数据库以及各种其他业务。只要你买了它的 Coding Plan，它就相当于把你绑在这里了，你不能再去买别人的，必须在它这里来。

但是现在 DeepSeek 一下把桌子掀了。它说：你看，我现在写个网站，你们那边可能 5 个小时额度跑光了，在我这里几毛钱、不到一块钱就写好了。这个价格，还要什么自助餐？还要什么自行车？

Coding Plan 玩家开始难受了

这样一来，做 Coding Plan 的人日子就不好过了。前面不但大家搞 Coding Plan，还给 Coding Plan 搞饥饿营销。

• 智谱的 Coding Plan 买不着，每天早上 10 点要排队、要抢，还经常抢不到。
• 阿里 40 多块钱的 Coding Plan 直接取消了，必须买 200 块钱的，而 200 块钱的还经常买不着，经常下架。
• 字节的豆包 Coding Plan 也玩这个：买的时候突然告诉你，最便宜的 40 块钱下架了，必须买 200 的。

现在用户可以说：我不用了，直接吃多少付多少，直接用 DeepSeek，不需要这些 Coding Plan。

那前面喊着“这个价格很贵”的罗福莉怎么办？一拍脑袋，开源吧。现在把小米的 MIMO 2.5 全系模型通通开源，而且直接上 MIT 协议：不做任何修改，大家随便用，愿意商用就商用。反正已经赔本了，后边就只赚吆喝。

其他这些人，比如智谱、阿里、Minimax、Kimi，现在就头疼了，估计正在连夜开会，讨论怎么调整价格策略。前面把菜标得很贵，逼着大家吃自助，现在被人把桌子掀了，人家直接亮底牌：这东西其实很便宜，大家直接在我这里买就可以，不需要买自助餐了。

Flash 和 Pro 到底怎么选

很多人会说，Flash 很便宜，Pro 其实还是挺贵。现在 2.5 折便宜了，但 5 月 31 号以后是不是就变贵了？

第一，5 月 31 号以后未必会变贵；第二，到下半年没准昇腾 950PR 上来以后，它又打折了。在中国，只有降价的，没有涨上去的，涨上去这件事很难。前面各个模型公司刚想涨价，想涨 Token，想涨 Token Plan，马上就被打回原形了。

Flash 够用的场景

Flash 这个模型，日常写代码很够用。因为代码需要的知识相对比较少，改 bug、写前端、写脚本，用 Flash 模型没有太大问题。

长上下文做一些理解，Flash 的性价比也很高。DeepSeek V4 Pro 的上下文是 100 万 Token，Flash 也是 100 万 Token。别看它便宜，它也有 100 万 Token 的上下文。做一些数学、代码竞赛，Flash 其实也够。

必须上 Pro 的场景

那什么时候 Flash 不行，必须上 Pro？

• 复杂 agent 的多轮规划；
• 需要规划很多事情，并进行多次 function call，也就是调用外部工具；
• 基于事实核查的任务；
• 财经研究；
• 节目脚本等需要更强底层知识和判断力的内容。

Flash 和 Pro 之间最主要的差距，是底层知识库大小。Flash 的底层知识库小一些，但运算能力其实不差，而且算得很快。

所以现在使用龙虾、爱马仕，包括 Claude Code 这种 harness agentic，Flash 基本上都是够用的，不需要上那么多 Pro。正常配置就是：Flash 负责跑量，Pro 负责兜底。特别难的、比较难判断的、需要长程规划的任务，用 Pro；正常工作通通用 Flash，这样就会非常便宜。

Token Plan 和 Coding Plan 的逻辑被打穿

随着 DeepSeek 的降价，Token Plan 和 Coding Plan 的逻辑就被彻底打穿了。绝大部分普通人根本不需要订阅，直接用 DeepSeek V4 的便宜 Token 就够了。低频用户可能每个月养虾的钱也就是几块钱，或者十来块钱，比买 40 块钱的最低套餐便宜很多。

AI 厂商为了不让你买最便宜的套餐，会给 40 块钱的套餐起名叫 Lite，就是告诉你，这只是让你尝鲜的。真正干活，还要买 Pro，买更贵的套餐，至少 200 人民币以上，而且还直接下架这些最便宜的套餐。

DeepSeek 为什么敢这么做

DeepSeek 跟这些大厂不一样。DeepSeek 自己没有电商，没有社交，没有短视频，没有云计算，也没有手机、汽车、办公套件、操作系统、浏览器、大规模企业 SaaS，这些它全都没有。

阿里、字节、腾讯有这些东西，所以它们尽可能希望把你绑在平台上，不要出去。

一旦你买了它们的 Coding 套餐，或者 Token 套餐，这种东西是有排他性的。就像吃自助餐，不可能在这家吃完自助餐以后，出去再吃碗面。自助餐的意思是，你一定要在它家吃饱，绝对不能再出去吃任何其他人的。

DeepSeek 除了没有这些生态之外，还缺很多东西：STT、TTS、绘图、视频生成、音乐生成、Embedding、Rerank，它通通都没有。它只有一个文本模型，其他全都没有。

所以 DeepSeek 的竞争方式就是：我的文本模型最便宜，你们就在我这里用。用完以后，如果你需要 TTS、STT，或者需要绘图，爱调谁的就调谁的，我不管。

这就像它卖的面特别便宜，你在它这里吃完一碗面以后，出门再去吃俩包子，它也不管。这跟自助餐完全是不同的逻辑。所以 DeepSeek 根本不需要锁死用户。

再看 OpenAI、Anthropic、小米、字节、阿里，它们都是希望锁死用户：你只要来我这里，就别出门了，在我这一家全部吃完。这是很大的差异。

开源模型与默认入口之争

还有一点很重要：DeepSeek V4 是一个开源模型，彻底开源。其他云计算厂商去薅它羊毛是必然的，也就是自己部署 DeepSeek V4，对外提供服务。

与其让别人分流，不如 DeepSeek 直接给一个低价。你们自己掂量掂量，上了 DeepSeek V4 以后，到底能不能出我这个价格。出不来，会被人戳脊梁骨；如果出得来，还划不划算？不那么划算。这样就让用户尽量沉淀在 DeepSeek 这里。

DeepSeek V4 其实是在抢这些 agent 的默认模型入口。单纯聊天或者做其他事情，缓存命中率可能没那么高；但越是跑 agent，比如养龙虾、养爱马仕这种东西，缓存命中率就越高，使用成本就越低。

普通用户每天使用龙虾、爱马仕，可能也花不了几十万 Token。在这种情况下，一天成本可能就是几毛钱，或者一块钱左右。所以为什么还要去买那种 Coding Plan 呢？

Coding Plan 仍然有适用人群

那 Coding Plan 是不是在某些情况下还是会比 DeepSeek V4 便宜？会。

这就跟吃自助餐一样。如果大胃王都吃不回本，那自助餐就倒闭了，没有人会进去吃。这个价格一定会让很多人觉得自己能吃回本。大家抱着这样的心态进去以后，自助餐厅老板才能挣得盆满钵满。

所以如果有些“大胃王”确实特别能吃，买 Coding Plan、Token Plan 也还是划算的。但是如果进来吃饭的都是大胃王，开自助餐的老板就该哭了。卖 Coding Plan 的人如果发现每个人都卡边掐沿地把所有 Token 消耗完，那就有点太过分了。

甚至有人可以这样做：买一个 Lite 套餐，一个月 40 块钱，先把它烧完，然后再接着跑 DeepSeek。这个肯定是所有自助餐厅老板都不欢迎的食客。

总结：DeepSeek V4 革命的是定价

DeepSeek R1 出来的时候，我就说这东西是国运级的，现在它依然是国运级的。作为国运级产品，降价到底会带来什么改变？低用量客户的 Token 基本无感了。我们随便养个龙虾，挂个 Claude Code，基本不会有任何感觉。

价格稀缺性被打破，饥饿营销失效，这真的会给整个行业带来改变。什么叫国运级？就是带着整个国家，甚至带着整个世界一起发生改变的产品，才叫国运级产品。

所以这一次 DeepSeek V4 革命的地方不是跑分，不是它做了别人做不了的事情，而是定价。它通过定价改变了整个商业格局。DeepSeek V4 最开始看跑分不够炸裂，但是价格上来以后，全行业的人现在都是晕头转向，不知道该怎么办。

希望 DeepSeek 可以带来更多惊喜。感谢大家收听，请帮忙点赞，点小铃铛，参加 Discord 讨论群，也欢迎有兴趣、有能力的朋友加入付费频道。再见。

背景图片

网信办约谈剪映、即梦和猫箱：AI 内容标识与“无真相时代”的开端

网信办约谈剪映、即梦和猫箱，可能是字节跳动的一个小心思，也可能是一个新时代的开篇。

国家网信办在 2026 年 4 月 28 日发布通报，剪映 APP、猫箱 APP、即梦 AI 网站均为字节跳动旗下产品，因未有效落实 AI 生成合成内容标识规定，被约谈、责令整改并予以警告。

原文里写的是“未有效落实”，不是说它们完全没做，而是做了一些，但效果不够好，所以被拎出来谈一谈。

这三个产品到底出了什么问题？核心就一件事：AI 生成的内容，没有让看到的人清楚知道它是 AI 生成的。

AI 生成合成内容标识：水印与指纹

《人工智能生成合成内容标识办法》是在 2025 年 9 月 1 日正式开始实施的。它要求有两个东西：一个叫水印，一个叫指纹。

什么是水印？

水印是什么？就是普通人能够在图片或者视频上看到的标识，比如“这是 AI 生成的”“这是即梦生成的”。如果你用 Nano Banana，在右下角会有一个菱形标志，这就叫水印，人是能看到的。

什么是指纹？

指纹是什么？指纹是人看不到的。它看起来就是一张正常图片、一个正常视频，普通人分不出真假，但是软件可以把里面的内容读出来。

而且指纹里包含的信息非常丰富，比如张三、李四、王五，具体是谁，某年某月某日在哪个平台上，通过什么提示词生成了这个东西，这些都可以写在里面。

这次被约谈的核心：显式标识不够好

这一次被约谈，就是因为它们的水印加得不够好。监管叫它“显式标识”，也就是要让用户能够看到 AI 提示。

图片、视频、音频都要有一定位置的要求。音频怎么加我还不太了解，但图片和视频需要在上面画出标识，而且这些标识在导出的时候要保留。用户下载视频后，标识必须还在，不能导出以后就没了。

现在剪映也好，即梦也好，在导出 AI 生成内容的时候，都会给你一个选项，特别是付费用户，可以选择把水印隐藏起来。如果你是免费用户，水印一定会在，去不掉；如果你是付费用户，它就可以帮你去掉。

它背后的逻辑是，在中国，付费用户基本上意味着已经实名制。平台已经把你的所有信息写进指纹里，后面都可以查到，所以它就可以帮你把水印去掉。

国际产品也是类似逻辑

其实国际上的产品也是这样。比如 Nano Banana，如果你在 Gemini 网站上生成，右下角都有菱形水印；如果你通过 API 付费生成图片，它就没有这个水印，或者说你可以选择把它去掉。

再比如我们直接在火山引擎上调用 Seedream 模型，上面也有一个属性，可以写“水印=false”，不画这个水印也是允许的。但是你的所有信息都会通过指纹写进去。

不要以为表面上没写，就可以胡说八道：第一，胡说八道的内容它可能根本不给你画；第二，你的个人信息都挂在里面，是可以识别出来的。

现在字节跳动做的这件事，就是你付了钱，我就给你把水印去了。这个事情不行，所以网信办去约谈了。

传播核验：平台也要识别 AI 内容

还有一个要求叫传播核验。也就是说，抖音、今日头条、小红书这些平台，如果用户上传了 AI 生成内容，平台要自己读取指纹信息，发现以后，要在帖子旁边标注“这个内容是 AI 生成的”。

一定要写，不写是不允许的。现在这三个产品一定是有问题的。

AI 内容都标识出来，到底对不对？

我们把 AI 内容都标识出来，到底对不对？我还记得一些科幻作品里有机器人标志的设定。

无论是游戏《底特律：变人》，还是很多影视作品，都有类似要求：当机器人和人很像，甚至可以以假乱真的时候，所有机器人都必须在最显眼的位置标出身份。比如眼睛是什么颜色、头发是什么颜色，或者身上亮一个什么样的灯，意思就是你是机器人。

如果隐藏这样的标志，就会被抓起来，或者机器人会被销毁。

很多影视作品和游戏里，机器人都是通过隐藏这个标记来进行反抗的。在这些作品中，强制机器人显示身份的标记，被想象成二战时期犹太人身上必须强制佩戴的大卫星标。

一旦是犹太人而没有佩戴，被德军抓住也是直接枪毙。所以隐藏这个标记，就代表反抗，代表革命。

为什么说这可能是字节跳动的“小心思”？

讲回这三个产品。它们都是字节跳动的产品。为什么说这可能是字节跳动的一个小心思？因为字节跳动自己是有国资占股的，国资在里面有各种指导作用。

既然如此，如果要打，为什么要打自己家的人？为什么一上来就直接拎它？

这里有几个原因。

原因一：这三个产品的量都很大，尤其是剪映

第一个原因，这三个产品都是量很大的产品，特别是剪映。剪映在全世界范围内，可能都是下载量最高的视频剪辑软件。而且剪映在整个 AI 标识应用中有举足轻重的作用。

比如你生成了一张图片，左上角有一个“AI 生成”的小框。你把它放到剪映里，可以遮住这个标识，也可以把图片放大一点，把有水印的地方裁剪掉，这些都是可以做到的。

还有，剪映最终的结果需要重新编解码，也就是先重新解码，再重新编码。在编解码过程中，原来的指纹信息也可能被去掉。所以剪映是必须要被说一说的。

原因二：即梦和 Seedance 2.0 已经很强

即梦现在也是很强的 AI 生图和 AI 生视频工具。特别是 Seedance 2.0 出来以后，很多人觉得以后再做 AI 漫剧、AI 短剧，已经无往而不利了。

现在使用 Seedance 2.0，也就是很强的视频生成模型，生成的视频上到底有没有标识？跟前面讲的一样：不付钱的一定有，付了钱的可以去掉。

等于国家要求必须标记的东西，到了字节跳动手里，变成了一个收钱工具：你不想要这个标识吗？给钱就可以。所以在这一点上，也必须约谈，没什么好说的。

原因三：猫箱借机被看见

猫箱是一个相对比较小众的产品，我自己从来没用过，刚才上去看了一下。猫箱是用来创建虚拟角色、写故事板，然后做一些小短片的工具，相对小众一些。

关键时间点：GPT Image 2 与快乐马公测

为什么说这三个产品被约谈是字节的小心思？大家要注意现在这个时间点。

第一个时间点：GPT Image 2 已经以假乱真

第一个时间点是，GPT Image 2 绝对比字节的即梦或者 Seedream 5.0 强非常多，而且它已经以假乱真了。

很多人拿它生成各种新闻截图、聊天截图，效果绝对以假乱真。而且这一次 OpenAI 根本没有给你加水印，上面就是没有。很多人已经觉得天塌了，各种假消息满天飞，完全没法判断，大家正在焦虑。

第二个时间点：阿里的 HappyHorse 快乐马开始公测

第二个时间点是，4 月 28 日发公告，而 4 月 27 日、4 月 28 日还有一个消息：阿里的 HappyHorse 快乐马开始公测了。

很多人都说快乐马在评分上超越了 Seedance 2.0。现在它一出来公测，是不是就可能盖过 Seedance 3.0？那不行，咱们先把整个要求提高一些，你们先去合规，再说后面的话。

所以字节跳动可能会选择在这个时候说：来，赶快给我开张罚单，给我约谈一把，把其他后来者好好震慑一下。它也可能有这样的考虑。

先拿罚单再上线：一个曾经的行业经验

说到这里，我们以前在盛大的时候，也干过类似的事情。比如国家规定游戏里不允许开宝箱，因为这有一定的博彩和赌博性质。但是你不开宝箱，大家又不爱玩。

怎么办？我们还是会在游戏里设置开宝箱。设置完以后，就找上海的网信部门说：来，给我们开一张罚单吧，罚我们一笔。

罚完以后，等于有一张“发票”，也就是处罚决定通知书。然后我们把游戏发行了。

发行以后，比如陕西的网信部门一看：你们怎么可以在里面开宝箱？我们就赶快把处罚通知书拿给人看：您看，我们已经罚过了，也做了一些整改，人家觉得没什么问题，所以我们才发行的。当然我们肯定也要稍微整改一下。

在中国，有时候会有这种神奇现象：你会请老爷过来检查一下，给我们做一个约谈。

约谈之后：字节似乎没有明显变化

这一次网信办发了通告以后，字节什么也没说，也没说要整改，也没说要做任何变化。我今天还到即梦上看了看，下载出来的图片依然没有水印，上面没有那个小框。

猫箱也算是蹭着两位大哥的身边出来露了个小脸。原来可能绝大部分人根本不知道猫箱是什么，一看被约谈了，反而会想上去试一试。

我刚才上猫箱的时候发现，这个网站速度稍微有些慢，肯定是上的人很多。原来从来没听说过这个东西，所以这就是字节的小心思。

决定 AI 生图和视频模型好坏的三个因素

现在决定 AI 生成视频或者 AI 生图模型好坏的，其实有三个因素。

第一个因素：质量

第一个因素是质量。你生成出来的东西如果很难看、完全无法控制，那肯定流行不起来。

但字节这几款产品，不管是 Seedream 还是 Seedance，生成质量都还是可以接受的。Seedream 是画图的，Seedance 是做视频的。

Seedream 属于可以接受，Seedance 其实已经是天花板级别，现在别人都追不上的状态，在业内极其有竞争力。如果在国内没有办法使用 Nano Banana，没有办法使用 GPT Image 2，那么 Seedream 就属于比较好用的；Seedance 在全世界都是很强的。

第二个因素：传播渠道

第二个因素是传播渠道。你生成完东西以后，得有地方放。

比如马斯克的 Grok Image，生成完图片以后，就可以在 X 里面直接产生互动，可以让 X 的广告收入上升，这件事才是有意义、有价值的。而且每次你用 Grok Image 做出有趣的图或者有趣的视频，马斯克在下面亲自给你点赞、转发，这还是很有诱惑力的。

字节自己手里的内容分发渠道也很完整，有 TikTok、抖音、今日头条。所以你使用剪映、即梦、猫箱做出来的这些产品，都是有地方去的。

而且发布以后，会为字节跳动这些社交媒体平台带来互动和收入提升，所以它也愿意干这个活。

这和其他平台不一样。如果我只能做出很好的图片，但没有地方让你展示、互动，那我就必须在生成图片这个环节把钱挣回来。

像字节也好，X 也好，生成完图片、视频以后，可以在另一头把广告收入挣回来，所以在生成端赔一点钱也没关系。这也是很大的差异。

第三个因素：限制情况

第三个决定 AI 生成图片、视频好坏的因素，是限制情况。你的合规限制到底怎么做？水印是不是加得很恶心、很难去掉？

现在“无痕去水印”之类的东西都是要打击的，不允许的。如果这块做得比较严格，大家就不爱用；如果做得比较模糊、比较宽松，大家就喜欢。

比如 Grok Image，大家就很喜欢，因为百无禁忌。

至于字节，它的做法是：你不付钱，或者付的钱比较少，它给你的限制就很严格；如果你付很多钱，成为比较核心的用户，它对你的限制就相对少一些。

它的思路是，如果你付了很多钱，就相当于被绑在这里了，你也不敢瞎搞。身娇肉贵，谁敢以身犯险？大家都不会。所以它通过这种方式进行限制。

AI 标识真的能执行下去吗？

这些标识真的可以执行下去吗？真的可以按照国家要求，把所有图片、所有视频都加上水印，让人一眼看出来是假的？其实做不到。

最关键的是用户不喜欢。如果用户喜欢，说我就是想给它加上，那不需要这么严格的管理，也可以做到。但如果用户不喜欢，你再怎么加水印，用户都会想办法绕过。

比如我用 Nano Banana 生成的图片，右下角会有一个菱形小标记。我每一次都会尝试往那里覆盖一个东西，把它盖住；或者生成完图片以后，把图拉大一点，把底下那块裁掉。这些我都会去看。

而且图片和视频一旦经过重新编解码，里面的很多信息就会被抹掉。你说这些指纹信息能不能留下来？也不是完全留不下来，但会越来越模糊。

因为现在的编解码是有损压缩，所以信息能够留下来，但会有损伤。

所以监管想要的“必须标识、不许去除”这件事，基本上是无法实现的。因为谁想往前多走一步，想在竞争上获胜，又知道用户不喜欢，就一定会想办法把这个标识去掉。

或者说，你付钱，我就给你去掉。现在很多平台都是通过这样的方式处理的，包括谷歌也是这么干的。

所以，监管可以要求，但最终可能不会有理想中的结果。

结论：我们可能进入“无真相时代”

最后，我们会进入一个新的时代。字节这一次的小心思，可能把我们带进一个“无真相时代”。

表面上看，是约谈了三款产品，罚的是字节跳动；实质上，是监管回答了一个根本问题：AI 生成内容怎么能够标识出它是 AI 生成的？

最终答案是，生成平台你可以去要求它，但用户不喜欢。这些生成平台站在竞争角度上，一定会对这些监管要求睁一只眼闭一只眼，或者各种阳奉阴违。

这个事是躲不过去的。就像刚才讲的游戏里开宝箱，最后我们还是得开。开完以后，先拿一张罚单，号称整改过了，然后就上线了。至于其他还没有拿到罚单的人，比如 HappyHorse 这样的，就要小心一点了。

未来我们看到的大量音视频和图片，就没有真相了。以前我们说“有图有真相”，以后这件事就彻底没有了。

即使有标识，你都不知道那个标识是真是假。有些人可能会把真的图打上一个假标识；有些人可能会把本来应该有标识的图去掉；还有人可能直接付钱把标识去掉。

这还仅仅是闭源平台。不管是谷歌、Grok，还是字节，它们的图片和视频生成平台都是闭源的。你还有开源平台呢。你怎么要求开源平台给你打指纹、打水印？根本要求不了。

所以未来我们看到的所有图片和视频，都有可能是假的。以后没有什么东西是绝对真实、可以保证的。我们以后再看这些图片时，心里一定要打个问号：这东西到底是真的还是假的？

因为现在图片用 GPT Image 2 去生成，可能几秒钟就出来了，以假乱真，完全看不出来是假的，上面也没有水印。

背景图片