创业十年老炮的“AI渡劫”：从焦虑到掌握未来 | 对谈特赞 Tezign创始人 范凌

02:17呃，没有没有没有。其实听这个AI炼金术呃这集节目都觉得受益匪浅，很高兴有机会来呃AI炼金术来做客啊。反正我就是一个天秤座啊，所以既要有理论，但是呢又要有实践，所以既是会想一些乱七八糟的东西，但是呢又总想用产品或者用商业价值来证明这些想的东西，呃不是。

02:41只是空想啊，所以就是呃，刚刚这个马斯介绍的这个这个情况。那

02:56的。特赞。其实起源和很多创业公司可能不太一样啊，我们自个儿是先有名字再有产品的啊，特赞就是tech加design合在一起叫特赞，中文的谐音就叫特赞，一个手赞两个手就是特赞，所以我们的logo很自然就来了。一直想的事情就是能够把呃技术能够带到创造的这个领域里边来，因为我一直相信就是说呃人的想象力创造力不是只是人性与生俱来的，

03:23很多时候比如说正是因为有了播客这种工具，所以我们就有了播客的创造，对吧？所以很多时候我们的创造是呃基于前人做的工具基础上，不停地拔高我们的想象力的上限啊。所以我就一直想做一些能够让创造力和想象力更有发挥余地的呃工具吧啊。

03:46所以我们自己公司，如果两位有机会来，可以看到我们有一面墙，叫创造工具的历史。就是说一系列的工具，比如说摄像摄像机出来了，照相机出来了。又有一种新的创造力出来了啊。所以起点是这样的，呃然后做着做着当然呃所有的这个公司都要有一个商业逻辑哈，呃然后我们就开始发现越来越多的企业品牌啊需要用内容来做生意，

04:12那内容就是这种有想法有创意有视觉有审美的一个载体。啊所以我们自己的在在在业务逻辑上就是用人工智能帮助企业来做内容的生产，内容的管理，内容的分发，啊内容的优化。创业大概十年，其实从第一年结束的时候我们就开始用AI来做一些创意的东西，当然那时候的AI是这个neural network或者对抗生成网络，

04:39GAN，如果大家还记得的话。其实做的主要工作是比如说人来做零到一的那个想法，然后AI来对这些呃创意的内容来进行重新的排版啊。那最重要的一个场景当时就是电商的各种各样的resize，横的变竖的，京东的变淘宝的啊，就是那些。

04:59第二个阶段就开始做一个产品，就是因为我觉得企业要用内容来做生意，对吧？内容的平台又很分散，公域私域，线上线下，电商社媒，对吧？所以越分散的这个场景，可能企业就需要越集中的来把这些分散的东西管起来。所以我们就做了一个叫内容的数字资产管理系统，其实就帮助企业做跨渠道、跨域、多产品的所有的内容的管理。

05:28然后这里边当然AI的作用就是对内容进行分析、理解、打标，包括人去做搜索，然后渠道去做匹配等等等等。那第三个阶段就是可能两三年前我们就开始，当然也是基于大语言模型的出现啊，我们就发现那个企业既然把这么多内容存在这里了，那我们能不能呃更好地帮企业去生成呃内容，所以我们去做很多这个社媒内容的生成。

05:56我一直说零到一可能永远都是人的领域，虽然人会用不同的工具啊，但是是人驱动的。那但是现在呢，因为渠道太多，媒介太多，效率太高，频次太多，所以很多渠道上的内容就是一到无穷的这些内容，啊可以由AI驱动，啊可以更personalize，更千人千面，更on demand，发展到现在就是做做了一个这样相当于企业级的这个内容的呃系统，

06:23然后底层是AI的理解能力和AI的生成能力。95%左右的收入来自于大型企业，一半是这个MNC，一半是联合利华、星巴克。雀巢这样的国际企业，另外一半是呃国内的企业，比如最近我们刚刚做了五粮液，啊这样这样的企业。

07:01嘛？其实每个企业第一件事情都是要把它所有的内容管起来。那你有多少个商品，每个商品要在多少个渠道，比如一百个渠道里边，每个渠道可能每周或者每天都要有不同的内容，对吧？每一波的内容里边可能图文视频，可能要有一百个不同的内容，所以这是一个海量的东西。

07:21我们每一个品牌可能一年在我们这儿要存上千万甚至上亿的内容，就是图文视频，啊，所以其实挺吃呃云计算资源的。然后每一个内容后边都有标签，这些metadata我就不算了哈，就是说这海量的这个内容的数据。那个像五粮液这种企业，或者说很多企业吧，都有很多经销商对吧？

07:41每个经销商都要从总部调内容。而且现在经销商可能自己要呃运营自己的这个社媒号，可能上千个经销商，上千个社媒号。啊，那每一个社媒号呃，总部的内容下来以后，可能还要按照这个社媒的就是这个经销商的属性，persona，那个个性，地域等等特征，然后来对这些内容进行二次编辑。

08:03那这些二次编辑有可能很大程度上就可以用AI来做。

08:34对，一个场景比如说AI怎么去理解内容呢，就是呃其实你是不知道什么内容会火的，或者说会火的内容有很强的偶然性，但是呢你知道火的东西是可以学的啊，所以我们就会把呃一些好的内容拿过来用AI进行理解，比如拆脚本，拆转场，对吧？我我说的比如说社媒的视频的东西啊，拆转场，然后呃拆文案，拆语调，对吧，就是我们会把它原子化，

09:02这些都是AI自动去做的。而且AI会实时的在线上去来进行爬取。那拆完以后其实我们会把它翻译成，有点像是一个内容的生产线，就是拆成一个产线，产线里边可能有不同的段落，对吧，啊。然后呢，这些段落里边呢，其实比如说第一个部分要要来一个产品的特写，第二个部分可能要抖一个包袱，

09:23对吧？类似于可能会就拆成这样的东西。当你有产线以后，那你就需要每一个段落就可以从我们给它做的这个内容的库里边，你就可以在某一个文件夹里，或者某一个标签里去找，可以把这段匹配上去的啊。所以AI就会去自动在库里把一个长视频切切成片，然后有一大堆的原材料就会自动的找到。

09:47AI可能会去做中间的转场啊。所以这里面没有一个素材是AI零到一生成的，比如什么文生视频没有的啊。但是AI呢就是相当于去分析理解，匹配，然后切片，混剪，呃剪出来。啊，最后可能还有个voice over，如果用这套方法，这个东西叫内容工厂哈，呃。

10:07可能每一个品牌，一天我们要给它做上千条不一样的视频。然后它的终端有可能是它的销售，有可能是它的经销商，呃，会用这些内容再去，呃，发到社媒上去。那发到社媒上去以后，因为这些不是投流的内容，它会有自然流量，也就是平台自己用推荐逻辑去选那些好的内容。

10:29啊，那好的内容，这数据表现超过平均数的，可能，呃，自然流量能到一千次观看的。那回来以后，我们又可以继续地进行二次的分析，然后把这个整个内容优化的know-how就变成一个飞轮。其实永远都不存在一个绝对最好的东西。永远都是说让测试的成本，呃，通过AI能够让测试成本更低，啊，然后能够让测试的频次更高。

11:07对，我觉得就是说这是两个很应该要同时发生的事情啊，因为对于我们我们的客户都是一些品牌，所以对他们来说，呃，内容的真实性很重要。就算你生成百分之九十九像的一个产品，呃。它还是不能用的啊。所以呢，对品牌客户来说，可能，呃，剪辑、呃，撰写这个剧情，然后测试分析这种场景，

11:32用AI他们会觉得更舒服。但是零到一我觉得永远都是技术的底座，零到一的这个可能离真的大的商业化还有一点这个距离。但是没有这个前期的，就是不靠谱、不好、不好用的状态，就不会有后边好东西。

12:29一下？有时候也也也挺自嘲的，因为我们一直就标榜自己是做，呃，内容加人工智能的公司，对吧？然后那个我前面讲过，我们这九年前我们就自己开始训模型，做数据集，也也有很多的客户应用，对吧？能够在那个阶段花得起钱的客户，呃，是凤毛麟角的啊。

12:48绝大多数的其实都是很多也都需要手搓很多东西的。我们我记得我们有一个项目是帮麦当劳用图像识别识别各种汉堡。啊，因为你识别了汉堡，你就可以自动生成图片来帮它做各种时间的库跑。比如说麦辣鸡腿汉堡和和那个可乐连在一起做个库跑，对吧？

13:09那个GPT出来以后，其实一个最大的变化就是过去所有做的模型的积累，其实都没有意义了。因为你不不需要你自己再做这些模型了，对吧？比如我们投资人也好，会来问，呃，这家公司出来了，会不会让我们的生意没得做了？那家公司出来了，会不会让我们生意没得做了？

13:27所以，所以我们最大的阵痛，就是说我们不仅，呃，是AI的转型，我们最大阵痛是原来我们标榜的最大的差异度，有可能会成为一个别的公司的优势，对吧？这个是是我们当时预见，但是但事实上你会发现，呃，很快啊，我们也纠结过要不要自己训模型。

13:472023年的时候，我们也纠结过我们自己要不要上一个大模型。当时很多企业其实都做自己的模型啊，然后慢慢慢慢我们很快就意识到，呃，人工智能的这个所谓三个pillar吧，算力、算法和数据里边，呃。我们可能就是牢牢的，呃，应该抓住站在这个数据这一侧，啊，就是内容作为一种数据。

14:09那原来没有大语言模型之前，为什么我们自己要做模型、要做数据集？是因为图文视频这种非结构化数据非常难理解。就汉堡，人家理解不了这是汉堡，你得训练它，对吧？但现在大语言模型的多模态理解能力，甚至到现在的推理和long thinking的能力都非常强了以后，

14:28呃，那我们应该牢牢地帮助客户把每年创造出来这上亿的新的内容背后到底有什么know-how，能不能进行复用啊，到底这里边的implication是什么？能够抓取出来，对吧？能够了解出来，让他们对数据的理解，从原来的简单的Excel表格、数据库里面那种，呃，变成这种更更深度的，

14:50啊，所以我我们才会去做一些和洞察相关的事情。不过花了一年时间就就克服掉，我们当然也会做新的产品，对吧？第二个就是确实那个马斯克像你所说的，一个企业的AI转型蛮难的。你觉得是技术转型，要不要投入很多钱做技术？后来发现其实都是人的转型。

15:09啊，就是说我我现在越来越强的一个观点，我觉得人工智能的这个，就就生成式人工智能，过去两年的这个人工智能的出现是反工业化的。啊，什么意思？就是原来我们的企业组织是按分工来的，对吧？越大的组织分工越细致，呃，SOP，或者说用工作流，或者说是用工具来规范每个人，呃，

15:32每个工种之间的协作。但我觉得现在应该回归到，呃，全能的人，啊，弱化分工。所以我们自己公司，呃，三年前想做一个组织形态叫pod，就是每个每个工种在一起，呃，没做成，对吧？啊。最近我又把这个pod拿出来了，大家心里都很有压力的。

15:51因为三年前那个方式没做成，最后又变成一个一个机器型组织了啊。我们现在又想变成一个生态型组织pod，我们就说叫，呃，高内聚低耦合，就是，呃，就是pod之间不要不要太多交流，呃，不要那个拉齐，呃，这个工程师不要联调，尽量就一个人搞定，对吧？

16:11呃。然后这时候每个人的ownership离最终结果更近的，呃，东西。所以这个是过去这半年我们比较大的一个改变。我们不能只是给客户来讲AI能怎么样，我们自己也要在组织上、在文化上改变。

16:55是的。而且组织，呃，再往下走，比如说你还是会担心有一些合规问题啊，然后还是会有这些，就是说防守的动作是是避不开的。你

18:12呃，特别逗，有一次那个我们有一个红，呃，投资人红杉嘛，红杉开那个年会，呃。以前我我我我们几个都是年会的这个台上嘉宾哈，最近几年我们都是台下嘉宾哈。我跟我们另一个，呃，也是SaaS公司的独角兽这个CEO，我们就就在在台下听，呃，一帮这个三十岁不到吧的的小伙伴，

18:35这这创业者在在聊啊，都是都是我要做一个下一代的general agent，我要做一个下一代什么什么，对吧？我们一开始听得特别刺耳，后来我我就安慰那个我那个跟我一起去的那个，呃，创始人，十年以前我们创业的时候，我们在台上也是这么说的。

18:54啊，只是现在因为我们我们被这个业务拷打过了以后，我们开始不太好意思这么说了。其实心里边也是这么想，也还是会这么想的啊。啊，所以我我我是我是觉得那个现在我会越来越对新公司表示一种敬畏。就是两年前的话我会觉得，啊，这小朋友，这不这个又在瞎说了哈，对。

19:17但是我现在会对这些新的新的创业者我会非常非常的敬畏。然后我也会，呃，尽量多的去，呃，用这些新的，呃，产品。比如说我最近干的一件事情，我用那个Lovable和Cursor，呃。我其实代码写得很烂的，我只会写一些前端代码啊。

19:36但是有Lovable和Cursor以后，我就老想用提示词，能不能把我们最核心的产品，我们最核心的产品叫DAM，叫Digital Asset Management啊，能不能把这个产品做出来。如果这个产品能靠提示词就做到七七八八，那我们过去这么长时间的积累，呃，可能也没有什么价值了。

19:57所幸现在我觉得只能做到二二三三啊。所以呢，我是觉得我们投入研发还是有价值的啊，我会去这样反复地去测我现有的产品到底有没有意义，对吧？啊。你刚刚讲像Nano Banana，我觉得还不太一样，它毕竟是一个人都可以调的模型啊，呃我们也会调的啊。

Nano Banana

20:17但是呢，确实有很多AI native的agent啊，他们来，我我们的做法，我我可能会两个角度来想吧。第一个是我们也会做新的agent，而且我会用新的组织形态去做新的产品。然后我不会停留在我要在我现有的产品上不停地去加AI功能。

20:37我一直说商业模式最差的就是老瓶装新酒，别人觉得你啥新也没有，但其实你已经很努力了，里面都换过了啊，但是卖不上价格，最好的方法。要不是新瓶装新酒，要不是新瓶装老酒，就你得看上去是个新东西啊，所以我们会持续地做新的agent、新的产品。

20:59第二个呢，我是觉得天下没有新鲜事，就是说客户的需求没有什么新鲜的啊，但是呢，解决客户需求的方法不停地会有新鲜的，那也会有一些不变的啊。那我刚刚其实不停地在想，试图解释的就是说，当一个企业一年已经把这么多的内容，或者说这么多对于内容的know-how存在我这里了。

21:25那这个可能会成为我最重要的竞争壁垒。那我如果上面的应用能够再敏捷一些啊，那也许新的这些agent公司三板斧之后，我还是有机会招架得住的。然后呢，第三个呢，就是说我觉得企业的场景里边都要越过一个坎，就是从consumer到enterprise这个坎。

21:51Consumer你用户体验好，产品性能好，呃。可能就会很快地用了，但是确实难涨收入，就是收入不会涨得很快的。如果你去做一个vertical的话。嗯，啊，你都要跃升到怎么做enterprise。那一做enterprise其实又是一个综合能力啊，所以我觉得这里边可能还会让我们这些公司有一些竞争的edge吧。

22:36是的，我是觉得那个创业公司肯定一开始的攻势都应该是很猛的，不猛的你可能也不会被人注意，对吧？但是猛完以后，就是说就像就像踢足球一样，没有一个球队是只靠进攻赢的，对吧？你最后就会变成更完整，对吧？青训体系啊等等等等，对吧？

22:53所以所以慢慢慢慢你还是会成为一家不得不让自己更完善的公司啊，在三板斧过后。

23:54我觉得这个角度非常好哈，这个角度也是我们反复问自己的。因为我一直把那个digital asset management当做一个引擎。就是现在我们其实有很多调用已经是agent在调用了，产出的东西也很多是给agent用的，对吧？

24:11或者说给自动化的一些系统用的，人真的在里边上传、下载、管理、搜索，其实变得比例已经非常非常小了啊。我也经常在想这个问题，就是说到底还需不需要一个这样的引擎，内容的产生的成本和时效性变得更好的话。但是我我我我我最近个人体验啊，我觉得我也不一定对，就是呃我用那个Loveable开一个项目，

24:36呃。就需要在数据库上开一个项目，对吧？啊。就要在Supabase上开一个项目啊。然后呢，我虽然每个月给Loveable付二十刀，但我每个月可能要给Supabase付一百刀。

24:48如果今天不是因为Loveable，我都不知道Supabase是个什么公司。但是因为Loveable，对吧？因为Loveable，我现在给Supabase付五倍Loveable的价格，我相信Supabase可能也会给Loveable钱哈。

25:02所以我倒过来想，就是说当上面的这个内容生成的agent越活跃，也许下面的内容的数据库也会变得越来越活跃。所以我是这样的想法哈，就是说，呃，只是说原来的这个数据库是给人的。现在这个数据库是给Loveable这样的coding agent的啊。

25:23呃，所以我觉得这里边可能就是说，不一定这个digital asset management这件事儿会没有，但是呢，老的只做老的那种给人用的digital asset management一定会没有。比如说我们最近做了一个功能，我特别喜欢，就是你知道那个，比如说你们管一些，呃，我不知道你们管不管哈，

25:44但是比如说我们的客户管一个个的这种marketing campaign，从怎么下brief、找参考图，对吧？一个非常繁琐的过程啊，然后呢，做完了以后，再也没有人想碰文件夹了，没有人想回过来重新整理，对吧？但我们现在的做法就是，当你这个项目做完以后，AI自动帮你把这个整个的工作过程就archive成了文件夹。

26:12就像那个Supabase，我从来也不用设这个数据库的，Loveable的这个网页做好了以后，它自动就帮我全都安排好了，就是一个这样的过程。所以所以我想可能会有一种新的内容管理系统的逐渐的出现吧。啊。然后做原来那种肯定是不行的，但是并不代表说实时生成的内容多了以后，下面那层东西就不要。

26:36好，这是第一个角度哈，就是跟AI原生的角度。那第二个角度呢，其实当我们跟这么多企业合作以后，我们就发现这些企业，你看很多品牌我们合作可能已经几十年上百年历史，就它的这些积累啊，就是说如果内容都很容易出现，每个人都可以做一张美美的图了，那这个时候这个meaning就变得很重要。

26:59就means很简单了以后，meaning就变得很重要，对吧？做一个奥利奥，对吧？那奥利奥大家都知道，所以奥利奥的图才会有价值。你今天如果是一个莫名其妙的品牌，随便做一张图，即使比奥利奥的图好看，你也达不到奥利奥的那个效果。

27:14所以这些企业的资产的积累是会在未来给它带来价值的。虽然生成这个过程的成本很低，但是资产的积累带来的价值是会有复利的。

28:02因为像我这种就是呃三脚猫程序员嘛，就是我会写点这个prototype，对吧？你真的让我写数据库我是不会的，但现在这个Vibe Coding就是可以让我写数据库了。但我其实还是不会写数据库，只是它能生成这个数据库。而Supabase就是给Vibe Coding做的数据库，所以特别容易用。

28:20而且它这时候问我要钱，我只能给。

29:24对，我觉得如果我们今天真的在讲中国，不止，就任何一个行业赚钱都很艰辛哈，绝大多数行业赚钱都很艰辛，我们也不例外啊。对，但是我我是这么理解啊，第一就是说还是要在一个不是每个人都能听懂你在做什么的事儿上多花点精力啊。就如果今天你在做CRM、SCRM，你在做什么财务系统，就这些人人可能都懂，而且有成熟的、相对比较成熟的方法。

29:51那我觉得这里在做SaaS、在做软件、呃，企业服务，我确实觉得收入会非常惨淡吧。啊。呃，但我们在做这些事儿，你看我解释也不一定解释得很清楚，每天也都在摸索新东西。所以客户也是一样，所以他如果今天有预算要要摸，他一定是去压确定性强的东西的预算，一定是把钱花在呃增长性强、增长性预期强的地方。

30:16所以我觉得这个维度上，我们还在一个相对呃客户投入在增加的呃赛道上。第二个就是我觉得AI这一波儿，那个AI的企业应用肯定是一个大赛道。就像你说这个Palantir也好，等等也好，就包括微软在内啊，呃OpenAI在内，Claude等等都是哈。

30:37所以那个AI的这个赛道上，我觉得中国和海外绝对是没有时差的，就是真的有机会China for Global，就是我们在中国卷的东西是有可能带到海外去的啊。我其实看了不少海外产品，包括等一下我们可能会聊Typical，我看了海外那些类似的market research agent，

30:57真的做得非常粗浅。所以我觉得勇敢的就勇敢的这个在中国的战场上成长起来，然后呃到海外去卷。地缘政治是一个原因，但是不应该是一个阻碍啊。然后那个呃第三个我是觉得企业服务确实在中国的成长速度比预想中慢很多，所以投资机构我觉得大多数都是唱衰的啊。

31:19但是我觉得这个投资也好，做企业也好，做创业也好，呃。我们都是应该有一点反共识的精神吧。呃，原来预期三年五年中国会有自己的Salesforce、Adobe，对吧？那可能这个时间确实需要花十年二十年。所以创业者嘛，那个如果真的在做自己喜欢做的事儿，真的在做的过程当中有收获，我觉得那现在就是咬咬牙啊，

31:46那个但也不要忘记梦想啊，也许大家都觉得没希望的时候，市场就会不那么卷了。

32:07对。还是要跟增长有关的。跟我

32:42我我我是觉得那个毫无疑问的就是现在是个难的时间，但是呢去年更难，今年好歹有这么多agent可以看一看，去年是没有什么成熟的创业公司吧，做新产品的。一边面对现实吧，这个还是得勒紧裤腰带，另外一边就是说呃没有比现在更好的能够做新产品的机会。

33:02呃我自己刚刚那个Mars讲那个组织上的挑战，比如说我今年做的调整就一个目的，就是说那个我能够让每一个人的ownership变得更更多，我不是为了优化人，是ownership更多。这个时候我这什么叫ownership更多？

33:20我的产品技术团队可以每个月发一个新产品。我可能需要更长的时间go to market，但是我应该有更短的时间验证PMF。就我一旦验证PMF，我可能比以前竞争更激烈，对吧？销售要更多，呃，marketing的budget要更多，但是我应该以前我们做一个产品花很多时间，

33:38现在我觉得第一天你就就拿原型出来，啊，一个月我们就上线，啊，然后可能要花一段时间，对，所以我觉得这种节奏感又会带来公司的另一种活力。

35:12我觉得最根本的不管什么样的公司啊，还是要有一种向前向前向前的这种冲劲的啊。所以如果今天一个专业性很强的人，我们公司原来是有的，呃呃。不能说现在没有，但我会慢慢调整掉哈。呃。如果他的专业性是说这个不能做，那个不能做，这个只能按照这种方式做，那个只能按照那种方式做的话，

35:35我会把它调整掉的。但是如果今天这个专业性让他知道，比如说我们最近在做刚刚说的那个，嗯，矩阵内容的生成，他专业性是对小红书抖音的更深刻的理解，对吧？对客户更深刻的理解，从而让我们这个agent的做的过程当中，知道力应该花在哪里。

35:54啊，那我觉得这种专业性是非常有利的。啊，其实就是说他说白了就是他的brief或者提示词写得好。啊，这个专业性我觉得非常珍贵啊。专业不要成为不能这么做的一个理由。第二个，你刚刚问到就是说通才还是专才，我一直感觉到就是说呃我我自己是一个非常信仰全能的人的人。

36:17我一直觉得我的孩子的教育应该是博雅的教育，对吧？就是因为我们没有人知道明天会发生什么，所以我们要建立一个更开放的宇宙观，啊，从而在明天发生的时候，我们有一个不变的东西吧，或者说啊，可以可以应对它。所以我一直相信通才，呃，AI反而是能够更好地帮助通才来成形成一定的专业度啊。

36:42原来比如说，呃，我们要做一件事情要八十分，你如果通常都是六十分，那你就做不了这事儿。但是加上AI，你可能就在这个方向，你就能八十分，对吧？所以我是很相信通用能力再加上AI能够变成这个有通用能力的专家的啊。所以这是第二个就是呃通才。

37:00第三个关于呃人才，那那毫无疑问，我觉得现在呃中层的干部是有一些尴尬的。啊，那个要不你就变成拥抱AI的行动者，而不是管理者，是行动者。要不你就成为AI转型大潮当中的这个落后者、牺牲者啊。所以我们会一边招很多年轻人进来，年轻人进来就就一张白纸，第一天就是就是他的不呃论文可能都是借助着豆包写出来的，

37:34对吧？我们就就招这样的人，所以他第一天他就会谋求AI的帮助。要不呢，我们就是去看那些可以改变的中层，三五年工作经验的，确实呃我们会很好的，就会会会很细致的考察他。招聘的时候啊。然后就是刚刚你也说我们是十年的公司，十年公司是有文化的。

37:56然后我也很关注我们自己团队的人的成长，就是说我我请很多人来给我们做培训的，我自己为什么出去讲，录了视频回去也给大家放的。就是我是觉得每个人都值得被呃引导，而不是说呃你今天不行。你就不，我们就换人啊。所以所以我觉得每个人，呃，我会给他，就是针对他的这个这个实际情况，呃，三个月六个月一年两年。

38:25我都会我都会试着去引导他，只要我感觉他是可被引导的。我其实可

40:17这个我同意的，所以我才会说这个两边可能可能都要要哈。就是那个新的人进来，一定要有新的思路去解决老的问题。但同样老的人要一定要要用各种方式强迫他们也好，培训他们也好，这个动之以情，晓之以理也好，让他们要要放松一些，要用这些新的AI的工具啊。

40:40比如说我最简单一件事儿，呃，我我的所有的高管，我都给他们买那个Claude账号，然后我会每周动不动我就问他，这周用了多少，然后我就会这这样子，对吧？然后我们会去分享，就或者说我我会去不停地告诉他们我怎么用的，比如我是怎么，呃，二十分钟写出一篇长文的，

41:02类似于这样的方法，我是怎么来评价一些东西的，对。有时候就是老师傅们要改变一个他的工作习惯，就是需要，呃，半推半就，连拉带拽，啊，但是他可能最终也就进来了。就但是你你你不做这些事儿，你不手把手，他可能就就就掉下去了。所以我就用这种方法，嗯。

41:26年轻人不用，嗯，越是老师傅越要这样。

43:36首先我讲讲什么样的这个需求，让我们想想做这事儿哈。我们不是最早一直都在做内容这个事儿。那内容呢确实就是原来可能一个品牌一年做四次内容就行了，春节做一次，圣诞节做一次等等哈，就是一年四波campaign，大广告，对吧？然后现在到每天每个门店都的内容都不一样，对吧？

44:01所以就内容营销这件事儿，颗粒度已经小到了，不能说小时吧，几小时、以小时计。呃，产品创新也是一样的，呃。原来产品可能两三年都不变的，现在是每个月都要上新品啊。但是呢，用户洞察、用户分析、用户研究这件事情还是很传统的。比如说麦肯锡帮你做，Epsons帮你做，这个用研的这个部门，公司帮你做，呃。

44:29要花两三个月的时间，最后采访出来一百个人到底怎么说，对吧？所以我们就觉得，因为内容的迭代频次变得更高了，不管是内容制作前的洞察，还是内容制作后的分析归因，呃。也应该以这个频率来。但是就像客户的这些预算都是跟收入有关的啊，所以他不可能因为你频率高了一百次给你一百倍的钱啊。

44:57所以我们就想有没有机会用一百分之一的时间，然后一百分之一的成本，覆盖一百倍的人群，就是三个一百乘起来啊，就是一个指数级的这个提升啊。这是原因啊，就是说，呃，我们想做一个能够产生洞察和归因的agent啊。那第二个呢，就是因为我原来创业之前，我我在美国教书，呃。

45:21我做的是人机交互，我研究一个方向叫Social Computing，其实就是用各种方式去模拟一堆人。当时只能模拟一堆人，每个人都像是一个蚂蚁一样的，呃，没有脑子的，呃。然后所以我一直就很感兴趣，我说大语言模型出来了以后，如果我们认为比如说物理是model，就是是给这个客观世界建了模，

45:43那大语言模型能不能给主观世界建个模？就能不能开始这个大语言模型来模拟每一个个体啊？所以我们当时就开始试，可能两年前就开始试这事儿。但是那时候是，呃，效果很差，就是你就想，因为大语言模型能力不太强。所以每个人都像个小孩一样的，对吧？

46:03然后但是去年年底的时候，有一篇论文让我觉得这事儿又可以重新被拿出来试了。是，就是做斯坦福小镇的那个团队写了一篇论文，叫Generative Agent Simulation of a Thousand People。就是用AI去模拟一千个美国人，随机的美国人。

46:21呃，用的方式就是用AI去做深度的访谈，然后从而给每一个这一千个随机的美国人建模。建完模以后，你可以问他问题，比如说商业的问题、政治的问题、社会的问题。所以它可以模拟一千个随机美国人的抽样调查，就把原来的那个民调啊给模拟了啊。

46:42然后准确度是怎么样的呢？准确度可能是85%，就是和真人用真人访谈大概有85%的一致性啊。所以我就觉得，哦，呃，那个大语言模型，比如说那时候他们用的可能GPT-4o，那后来我们比如说会用一些更好的模型，呃。原来是有机会来做这样的一件事情的啊。

47:02所以我们就开始，呃，用这个AI来模拟消费者啊。那那AI模拟消费者和Deep Research的区别是这样的，Deep Research就像是一个很厉害的做题机器，所以它能够通过，呃，大语言模型，通过搜索来进行归纳啊。所以我我一直觉得它是一个收敛模型，就是它是一个解题模型，啊，能帮你很快的很高效地找到最对的那个解。

47:29但是呢，很多商业的问题事实上是开放的，没有对与错的，只有可能性，对吧？所以我我觉得就是说商业问题、社会问题要用一种发散为优先的思路去解啊。啊，所以我们就想这个用用interview的方式，其实是能找到很多可能性的，是一个发散的方法。

47:50然后正好后来我们就意识到，整个market research的领域，确实包括美国的一些投资机构，都发现有一个用AI重做一遍的机会啊。所以我们就把atypica.AI这个产品从，呃，内部的一个小模块，呃，就变成了一个独立产品啊，

48:08大概就是一个这样的过程。

48:22呃，对。其实其实当时的这个契机就是这样，因为我我我就在公司内部推AI嘛。我说推AI不是说我们要做AI的产品，是推AI的工作方法。那我就跟我们的研发就说，那个你们要用Cursor啊，你们要用Trey啊，对吧？你们要用这些工具啊，对吧？

48:40我就跟产品经理说，你们要用Claude，用用Lovable啊。结果呢大家都说用了啊，然后呢你会问用了百分之多少，他们会告诉你一个非常冠冕堂皇的数字，对吧？百分之三十，然后你也不知道百分之三十是好的还是不好的，对吧？那那我所以我就觉得这个时候只有一个办法，就是lead by example，就是你冲进去自己试一试。

49:01所以我就跟我CTO，我我就跟他说，我说要不咱们这个自己来做这个atypica.AI这个产品，然后试试，呃，AI到底能怎么帮我们啊。然后结果那个其实这个产品在开始做的时候，我的CTO也不知道，呃，该怎么做。所以我们也是，呃，这个一边做一边学一边想，啊，做到第二周的时候我们就上线了。

49:27那时候我就觉得这个工作方法我也可以推了这个产品。我其实so far我我也我也觉得，呃，是满意可以上线的。到现在我的CTO还不太愿意，呃，加程序员，因为因为因为他觉得那个在加人进进来做很多东西的时候，会把整个，呃，他他给我打比方，他说这是AI，呃，一气呵成的东西，就像三维打印的一个房子，呃。

49:50不是像原来一块块砖垒的，你今天换一个施工队继续往上垒，而是一个一气呵成的东西。所以最好就是有一个人可以直到他没有时间为止哈，然后他会继续这样这样迭代和维护下去。

50:27就是说包括多人协作啊什么，好像也也没有以前那么必要了啊。哎，那

50:52啊？Consumer market research在每一个企业都有大量的预算。当然这个数据都是海外的数据啊，就是最近A16Z发了一篇文章。其实不是最近了，六月份的时候就叫AI Reinvent Market Research，它里边就讲了一个数据，

51:09就是大概有1400亿美金。每年用在market research相关的事情上面。最大的玩家当然就是咨询公司，然后当然也有像用户调研的工具，像Qualtrics、Medallia这些工具，对吧？所以这个就分配这些预算。

51:29那国内呢，就是我们看到每一个企业其实都有market research的预算，少则几百万一年，多则可能上千万。当然大家都想优化，呵呵。就像所有的预算一样，都想优化啊。所以我们的用户是这样的，我一直因为我们已经有大客户，所以我希望尽量新产品不做大客户。

51:48我是很有意义的，就是明明有很多大客户等着用，但是我们并没有做enterprise版本。因为我想让这个产品再独立发展一段时间，所以我们全都是prosumer的用户。

52:07吗？说没错，对，但我觉得就是说产品是这样的，就是我既然在做一个新的产品，我希望以这个新的产品自己的逻辑来做。大客户的需求可能第一步他就说，哎，这个想法挺好，对吧？然后第二步说能不能私步，对吧？第三。

52:22甚至说这个出的报告logo能不能换我们自己的，对吧？所以我觉得这些是迟早可以做的，但是不是我现在最早期来证明我产品有竞争力的最重要的东西。所以我走的是农村包围城市的路线。我们最早用户都是和用户调研这个领域有关的从业者，他可能自己花钱买的，甚至他可能就在大客户那儿，

52:47但是他不走企业的预算。然后第一天就是global的，所以我们大概现在三分之二的用户是海外的。但是这个产品我看到一个挺有意思的数据，就是付费率大概是我们以前做的PLG产品的十倍。

53:02然后国内的付费率和国外的付费率没有明显区别。所以就是说AI agent产生的，而且当然我们国内比国外便宜一点点，不过就没本质的区别。有些什么类型，比如说他本来就是做市场调研的乙方，或者本身在企业内部做市场或者用户研究的这个部门，

53:23CMI的部门或者data intelligence的部门。然后也有很多人是做公众号或者做自媒体的，他们想就是找找自己的受众。做什么内容会比较好，然后还有一类是商学院的老师和学生，商学院的老师和学生by the way，呃。

53:41付费的很多啊，很适合做商学院的这个题目啊，比如说有一个中欧的老师在用我们这个工具来上他的定价课。就定价有一堆方法论，原来讲完就结束了，现在这个方法论可以直接用AI来跑。有一个中欧的教授在用我们这个工具来做市场定位的理论，什么Kano模型啊，什么五力模型，反正我都不知道，

54:09但是AI自动就能够用这种方法去分析和洞察真实的案例。还有一个功能其实挺有意思的，叫AI interview，就是AI来做访问者，然后你可以把这个链接发给所有你想被访的消费者，然后AI会针对消费者的回答来产生下一个问题，最终来得到答案。

54:34那以前这个market research需要做这样的两三个月的时间，要想题目，要找panel。就是要找这个用户等等，现在AI可能一下午就搞定了，所以这些都是这里边很好的用例的场景。比我想象当中，这事儿也是从不严肃到严肃的过程。

54:53其实产生的结果比我想象当中的增速要快很多很多。那

55:05国内我们当然有一些积累，对吧？比如说那个马斯克看了我自己会写一些公众号，对吧？就是从那个Atipika开始，我开始写一些比较理论化长篇的公众号，因为要从为什么开始讲。一是为了带货，第二是为了改变mindset。因为我觉得大语言模型时代，分析这件事就是data driven analytics不再那么稀缺了。

55:27但是wisdom driven的，对吧？就是你得有大的想法，大的假设，我觉得更珍贵。所以我觉得也是有一些思路的变化。大数据时代数据要多，大模型时代思路要深。那海外我们当然就是走这些典型的agent的增长方式，就是买KOL，最早的时候就是找一些KOL合作。

55:49这个其实跟像Manners、Love Art等等这些早期做的也没有太大区别。当然现在Janspark这种方式也没什么太大区别，但是我们花的钱比他们小很多，因为我们会更垂。我们找完第一波的KOL以后，我们事实上就意识到在我们这种垂直场景里边。

56:09最好的渠道是LinkedIn，然后我们就开始在LinkedIn上做一些工作。

56:19OK。所以他们可能比较少在X上，他们更多在LinkedIn上讨论这些问题。

56:34的。现在主要是我们没有太多花钱做增长，反正就是你免费注册，我们会给你一定的点数嘛。然后主要就是站内信，我们还在等一个功能完成，然后接下来我们可能就会去做一些投放型的广告了。

57:26目的。不是为了非共识啊，只是说有时候大家都觉得应该这样了，你就会问问为什么一定要这样，对吧？比如说我有很多客户，然后呢，那个就跟我，比如说跟我们说说，你能把这个数据都爬下来，对吧？比如说我们说内容啊，您能把社媒上关于这个内容这个品类的所有数据爬下来，对吧？

57:47我对这些话题我就很有疑问。首先第一，你爬下来了，那爬下来了，这个数据不就死了吗？你目的就是为了要知道社媒上发生了什么，你一年就这么爬一次，一个月爬一次，不是还是死的数据吗？第二。爬下来的数据不是都是有效的，很多是无效的。

58:05然后爬完以后最后产生一大堆的标签，这堆标签就像我老说那个，你用化学元素去描述一杯果汁，你根本不知道果汁是什么色香味的。虽然这些都是facts，对吧？都是都是都是真理啊，但是事实上它不是你的真实体验啊。说我们想用的方法就是重新让这个真实的东西，有代表性的东西能够活生生，所以会想去为消费者建模。

58:36每个人不再是说你是什么精致宝妈，你是技术宅男，你就是一个真的一个很丰富的人。那这个丰富度如果我们有的是一些少有的内容，那我就要歪歪出很多你的生活场景。所以这个语料再加上把语料用大语言模型给它冲开，就是稀释掉，对吧？就是冲冲开，这个就是我们在做的事情。

59:02所以语料越多，我的还原度越高。语料越少，但我也可以用AI去补齐我对你的揣测。所以我就觉得现在我们不是需要很多很多的所谓的数据才能做决定，而是需要像这样真真实实的，像我们这样的对话，能够看到很多很细节的东西，然后这些东西可能会产生新的启发或者新的假想。

59:29为什么用多伊奇，就是因为原来我们可能理解，多伊奇写的这个书是关于科学的，对吧？原来我们觉得科学是真理，但他说是真理的解释。就比如说几百年前，我们觉得那时候就是地球为中心的，人都觉得这个解释是最好的。后来有人说是太阳为中心，这个解释其实也不是真理，但这个解释就比原来的更好，对吧？

59:55然后到后面什么，牛顿的解释好，但是爱因斯坦解释更好。所以不停的我们就需要永远都是先有解释，再有后边的实验验证的，不是前面一大堆数据自然推演到这个解释的结论，呃。或者假说是需要这个jump的，是需要有一个跳跃的啊。所以我觉得这个时代，越是我们现在不缺数据，不缺计算，其实我们越缺呃猜想，越缺智慧，

1:00:24越缺人勇敢地去做一个假设或者判断。所以我觉得我们的工具如果能够呃能够在这个点上做一些工作吧，我就觉得这是一个好的工具，而不是在原来那种就简单的还原。

1:01:28呃，挺好的。其实你刚刚做的这个东西就已经是atypica.AI想做的事情或者在做的事情了，对吧？其实本质上就是说让呃你去访谈别人变得更容易。那你现在如果能找到这些被访对象，呃你可以用atypica.AI的AI Interview，呃在线上直接同时开始，

1:01:47对吧？你如果能找到一百个这样人，你可以同时来interview这一百人。呃，AI会就是atypica.AI会帮你设计题目，最后你会拿到一个呃答案的总结和原声，对吧？如果你今天没有找到，没有办法找到这些人，你说你就你就在AI Research里边，你你可以把这个问题给atypica.AI，

1:02:06然后atypica.AI会在会会找语料。现在的语料主要就是社交媒体，它会在小红书、抖音、TikTok、Instagram和X上面去找，自动去找和你这个问题相关的关键词的搜索，然后用找到的帖子和回帖作为context，然后拟合成不同的角色，

1:02:29然后就会engage到你前面说的那自动化的interview的过程，然后最后来给你一个呃这个报告，然后这个这个报告有两种。一种呢是关于洞察或者验证的，一种呢你也可以我们下一版会上的，就是也可以做Product R&D，就你也可以让它开始帮你产生各种产品的想法，并且把原型给你做出来，就原型的图版帮你做出来。

1:02:52嗯。

1:03:22对对对。小红书上捏的人主要都是针对To C的场景。如果是To B的场景，我们也有别的办法捏人，比如刚刚说的，你可以把链接发给你要采访的专家们，啊，然后专家们采访的记录，呃，就可以呃捏人。就是说另一种方法就是如果你已经有这个行业的相关的知识，比如说五篇论文，我们可以针对这些论文去把它归纳成一个persona。

1:03:48啊，就是这就是专家persona，不是consumer了，对，专家persona。

1:04:15对。如果你的场景足够通用，通用模型一定会做的，对吧？所以对我们来说就是第一就是说，呃，我们慢慢要去更好地理解，呃，我们服务的这种research的人群，呃，他们的全链路会是什么样。所以你看比如说我们除了做market research之外，我们会去想下一步是不是应该跟内容创作结合在一起。

1:04:38就是是不是把我们的这个insight agent和content agent结合在一起，会不会把insight agent和这个产品研发的agent放在一起，对吧？我觉得这这个可能就是说，就让自己更更厚重一些吧。第二个呢，其实自己更兴奋的一点，当然我我不敢说我们一定能做到。

1:04:58呃，就是重新再定义一次用户的数据库啊。如果上一代的用户数据库是靠CRM或者CDP来定义的。那CRM就是里边有一大堆标签，CDP里边有一大堆跨域的用户的标签，对吧？但我觉得标签不及persona来的丰富啊。所以我们现在大概通过这么多的research去积累了呃接近快一百万个就是社媒的用户标签，

1:05:30然后还有大概三万个真人采访的标签。就真人采访就背后都是有一个人的，比如说AI就是atypica.AI采访我两个小时，啊他是呃帮我写了一篇可能两三万字的个人陈述，啊然后两三万字就是就是atypica.AI理解我的语料，然后我们再用一大堆的方法去拆这个语料哈，

1:05:53啊来建我的模啊。我们现在大概有三万个这样的真人和一百万个假人，一个真人的建构成本可能是五十块钱左右。所以如果我们有足够多的钱，我会想着要建足够多的真人的persona。从而替换掉原来的标签式的用户画像。

1:06:25一个是这个，另外就是说可能我真的有可能做一个精确到人的模拟社会。但

1:07:32这个这个问题问得非常好，我一直跟我的客户说，不要被云厂商忽悠做一个自己的模型，就尽量能够解耦完全解耦掉，对吧？就是哪些是数据，哪些是模型，完全解开，不要fine-tune，对吧？啊？就是或者post-training，这是我一直跟我的客户说，这样的话一个新的模型来，你立马就像换个就可插拔的引擎一样，

1:07:54你就换掉了，你就变成个更牛逼的车，对吧？所以我们其实的技术栈是把一个叫memory经验、经历，对吧？呃。一个是你自己的这个know-how，personal know-how，另外一个是你的智力。智力当然就是用模型的。

1:08:09啊，然后但是经验和经历，就是你的memory和你的你的personality，呃，这个是用上下文的。我刚刚会说那个，有一种建AI persona的方式是用社媒，对吧？那社媒的这些数据可能最后翻译成文字，就两千字的小作文。

1:08:28所以关于这个人，就用两千字描述了。两千字看上去不多，但事实上已经比CRM的数据丰富多了。第二。另外一种质量更好的叫deep interview，就比如说，呃，AI采访我两小时，中间大概覆盖了140个问题。这两个小时里边他会问各种各样，试着从各个维度去理解我，最后帮我写出一篇两三万字的小作文。

1:08:53这这个语料就更丰富了，然后而且会定期来进行更新。啊，所以大概我们用的这个方法。呃，关于personality和memory，我们会有呃相应的这个维度去拆解它，所以这里又有一段这个这个提示词去理解这个context，然后从而呃是用建这个persona的方式去再把这个context拆开。

1:09:16就是刚刚讲这个问题，第一个就是新的模型来了。呃我们是可以换新的模型的。第二个呢就是说确实新的模型来了，一个人的性格可能会变，会做一个neutralization的process。什么意思就是我们会用呃不不同的模型去做一大堆的性格测试。

1:09:36就是什么fine-tune都没做，什么什么prompt都没做对吧，然后你就会去发现不同模型的性格是什么。很有意思的，如果你没有用任何的context，上下文，每一个模型的反馈都是正向分布的。比如说我举个例子，我让他们做，我让模型做那个economic games，呃。

1:09:56经济的游戏，就博弈论的那套behavioral science那套东西。比如说今天我们三个人口袋里都有两百块钱，然后有一个兄弟没钱，我们每个人愿意给他多少钱这种问题。大模型more or less都是给他六十块钱，基本上就正向分布的。

1:10:16但我们每一个人其实是乱的啊，所以我们就要用一大堆的基础提示词，去让每一个模型尽量random，它的性格初始值就是random的，从而能够模拟这个比如说尽量随机的人的行为。然后在此之上再给personality和memory啊，反正我们就会做一大堆这样的调整和优化。

1:10:40每次新的模型来，我们就会做一次这样的neutralization。这当然我最近看到一些论文，就是会觉得大语言模型是无法模拟人的，也有counter的观点，但是我看到那个counter的观点的学者的名气都没有，呃……pro观点的学者名气大，这个Anthropic写了篇文章，叫Persona Vector，

1:11:02就其实就讲每个模型背后是有这个关于性格的向量的。

1:11:45当局者迷旁观者清哈，我们可以轻松地说出这句话哈，但真的做分析的人他们会很纠结的。事实上，你就像我们这个做创业的，做决定也是一样的，什么时候你知道一定对的决定你才做呢，对吧？都是，所以决定的速度也很重要。什么能决定你下决心的速度呢？

1:12:04就是一个有道理的故事，对吧？所以就是我就觉得，一个有道理的、能够听上去make sense的理由，就可以让你move on到下一步了。错了最多回来再再再调整嘛。很好，

1:12:23GPT-5。然后Lovable和呃

1:12:31啥事儿？写博客的文章，做我观点的反思者。然后第三个就是我有很多的这个政府和学术的表格要填，帮我填表。

1:12:45呃，Nanobanana。

1:12:51反正用它填表，这个绝大多数人不会这么用。就是说，呃，因为政府的表格，我相信你们都不用填哈，呃，我要填不少政府的表格，各种项目的表格、结题的表格、汇报的表格，其实每个表格差别是不大的。但是呢，因为每个做表的人都是站在自己视角做的表，呃……所以我会维护一个我称之为叫“干面粉”的东西，

1:13:14就是说特别素的东西。今天做了什么，这个项目的内容是什么，结果是什么，就没有任何修辞的，就相当于是一个RAG的基础语料。然后呢，我把填表叫做这个“辣条”，所以所有的修辞是根据每个表格的口味来自动填进去的。

1:13:57现在阶段给我内容。对。前段时间有一个云厂商问我，就是说，呃，怎么能够帮助大学老师更好地用AI来做科研。我就跟他说，我说大学老师都很喜欢做科研，问题是填表和开会占用太多时间。如果AI能解决填表和开会的问题，那大学老师的科研就可以，呃，很好了。

1:14:32我觉得也不算反共识吧，就是大家都会有一些关于AI的观点，然后我也很同意有很多观点。但我觉得可能最想讲的一个观点就是，大语言模型时代更需要大的猜想吧。

1:14:56我因为最近开始比较积极，以前是可能两三个月才写一次、写一篇文章。现在我争取能做到每周写一篇文章，所以我就要建立一个写文章的工作流，既要有我写作的风格，然后呢观点要好，但是呢又不用逐字逐句地抠。当然我现在用GPT-5啊，会有一个工作流来做这件事。

1:15:21其中最重要的一句话，我可以分享给大家，最重要的一句话叫：请把整篇文章按照Malcolm Gladwell——这是我很喜欢的一个作者——或者Adam Grant的风格重写一遍。好

1:15:51你可以看一下我最近的每一篇文章，最近的四五篇文章差不多吧，应该都是AI帮我写过的。然后如果以前我要写这样的长文，因为我的时间也比较碎片化，我可能真的需要一个月的时间啊，来拖拖拉拉的。现在我一个周末我就可以搞定，或者就是半天我就可以搞定。

1:16:09了

1:16:13对对对对对，Malcolm Gladwell。最近刚刚读了他一本新的书，那也挺好的，叫The Bombardier Mafia，就讲二战时候两个将军。第二个

1:16:23Adam Grant，他写了一本书叫Give and Take，第二本书叫Hidden Potential，决策心理学家。好

1:16:47不要收缩过度。

1:17:08千万别做我这个行业。因为字节的人出来很容易就想做一个内容相关的agent，这个没有那么容易做，第一个啊。第二个，我如果honestly讲哈，我其实没有对中国的市场那么悲观。

1:17:21所以我可能会跟他说，虽然有一些AI的方向和产品看上去起速比较快，但是其实有很多行业的深度AI应用，或者说Palantir的那些深度AI应用，完全可以用agent再做一遍的。

1:17:49的吗？如果说我今天想跟，呃，一个人，就是我真的很希望跟这个梁文锋能够聊一下的。约不到。

1:17:58对，也许我们可以用AI Persona的方式模拟一次采访。

1:18:24这个其实都是有bias的哈，我觉得重新发展新技能应该是写作。

1:18:32但是我不会承认AI能写出我写的东西。我只能说我用了AI以后，我想写的东西写得更快了。然后我其实把我那篇就是从大数据到好猜想那篇文章的整个提示词分享过给我的同事。他说里边最重要的AI，就是突然之间写出来的文章觉得好起来，都是因为那几句提示词。

1:19:01比如说我说能不能用《大卫多伊奇：无穷的开始》第一章里边的某一个观点来把这个问题分析一下。我反而因为AI而读了更多的书。我最近在读一本书，那我不知道两位感不感兴趣这个话题啊，就我最近在读一本书叫《维也纳小组》，就是那个书名叫《疯狂年代的确定思考》，

1:19:23讲的是维也纳小组。维也纳小组是一些什么人呢？就是什么维特根斯坦啊，什么马赫呀，就是其实是在一战前后的时期，科学哲学的这帮人。就以前哲学是人文的，对吧？科学呢是数学的，对吧？

1:19:38但这帮人是把结构化的思考和哲学结合在一起。比如说，呃，卡尔·波普尔等等这些，对吧？我就觉得这些人很有意思，就包括《大卫多伊奇》也是这样的人。所以我觉得人工智能时代，反而你如果你有能力……用文字去表达你的想法，AI可以帮你实现很多东西。

1:20:00AI可以帮你做很多，就是你能够写清楚，AI能够做很多事情。所以我反而觉得写作，就是把把自己的想法、脑子呃里边想东西，能用简短的东西变成提示词，或者变成变成文章，呃。AI能够做很多事儿。

1:20:41对。或者说，呃，大概率都已经在模型里了啊，那人要去创造的就是小概率啊，就是意外，就是outlier。

1:21:05拜。拜拜，马斯克，哈。