Ai-Strategy on All about Raspberry Pi

你烧的 token，是资产还是费用？

Sat, 19 Sep 2026 00:00:00 +0000

在《当智能变得免费，什么东西在涨价》里，我拆了那张「AI 无法低成本复制什么」的环图。顺着这个题目继续想，想到一个更落地的对比：

企业花钱买 AI，是为结果买单；个人花钱买 AI，是提效给自己赚钱。

两句话听起来是同一件事的两面。但放到账本上看，是两种完全不同的账——而且大多数人把自己的账记错了。

当智能变得免费，什么东西在涨价

Sat, 19 Sep 2026 00:00:00 +0000

今天在 GTLC 全球科技领导力大会现场，白鲸开源 CEO 郭炜的演讲里有一张 slide，我在台下盯着看了很久。标题是一个问句：当 Code 和 Intelligence 都越来越便宜，什么更贵？ 页面中心又是一问——「AI 无法低成本复制什么？」——周围环列八类资产：Innovation、Brand、Trust、Attention/Traffic、Customer Relationship、Proprietary Data、Know-how、Distribution。底部一行标语是全场最好的 takeaway：

AI 最先贬值的是可复制的能力，最先升值的是不可复制的资产。

这句话听起来像常识。但把它放进历史里看，你会发现它描述的是一次已经发生过三次的结构性迁移——而且每一次，大多数人都在错误的那一边。

同一句「AI 壁垒在数据」，三个角度推出三个相反的行动

Fri, 18 Sep 2026 00:00:00 +0000

前几天我把手上的三份材料丢给 AI，让它整理成一篇观点汇编：一段产业对话（提问者沈X，回答者是我自己）、一场企业 AI 落地的闭门沙龙、朱啸虎在北大的演讲（Ethan 整理）。

三份材料来自三个完全不同的场合，AI 干得很利索——分门别类、提炼要点、做成对照表，最后在末尾给了我一行加粗的字：

收敛成一句话：模型能力会迅速扩散、趋同、变便宜，所以技术领先只是阶段性优势。真正的长期壁垒，都从「功能/模型」转向独占的数据、跑通的流程、沉淀的资产和用户入口。

我盯着这句看了很久，然后把它删了。

不是因为它错。它对得无可指摘。是因为 它把三份材料里唯一值钱的东西给抹掉了——那三个人说同一句话的时候，各自在指三份不同的数据，各自要把资产放进三个不同的口袋。

学 AI 要学让你赚钱的 AI

Fri, 18 Sep 2026 00:00:00 +0000

上周在高铁上，邻座一路都在聊 AI。听内容是一群做自媒体的人，各自交流学 AI 的心得，声音不大，但关键词密集：工具、课程、变现。

我没听全，但有一句记住了：

学 AI 要学让你赚钱的 AI，不然不要学。判断标准就一条：学完之后，有没有人愿意为它付钱。

我的第一反应是想笑——这话听着太像焦虑贩卖课的开场白了，卖课的人最喜欢把「赚钱」两个字挂在嘴边。但后来越想越觉得，这可能是普通人在 AI 学习上能拿到的最好过滤器。不是因为「赚钱」正确，而是因为 「有没有人付钱」是唯一无法伪造的标准。

点赞可以刷，收藏可以自嗨，「感觉学到了」更是大脑最擅长制造的幻觉。只有付钱，要求另一个真实的人掏出真金白银换你的产出——这个信号伪造不了，你也骗不了自己。

历史是极好的律师，极差的法官

Sat, 12 Sep 2026 00:00:00 +0000

1965 年 2 月 7 日凌晨，越共袭击了美军波来古基地，八名美国人丧生。几个小时内，国家安全顾问邦迪把一份备忘录推到约翰逊总统面前：持续报复。3 月 8 日，三千五百名海军陆战队员在岘港登陆。美国全面卷入越南战争，就是这么开始的。

值得注意的不是这个决定，是他们的推理方式。那间屋子里的人，被当时的媒体称为「最聪明的一代」。他们没有忽略历史——恰恰相反，他们是被历史喂得最透的一代人。会议上，洛奇大使明确援引 1938 年的慕尼黑协定，把胡志明的推进类比成希特勒的推进；后来学者在《Analogies at War》（普林斯顿大学出版社，1992）里复盘，在场的高级决策者们，包括邦迪，都确信这个类比是恰当的。肯尼迪本人大学时写过批评英国绥靖政策的荣誉论文，后来出版成书，书名就叫《英国为何沉睡》。「慕尼黑的教训」不是他们的盲区，是他们最深的信念。

十年之后：五万八千多名美军士兵、数百万越南人的生命、美国历史上最糟糕的一场对外战争。

最认真的历史类比，产出了最坏的决策之一。这不是要论证「历史没用」——恰恰相反，这篇要说的是，历史对大模型的价值极大，在训练和推理两端都是。但波来古之后那间椭圆办公室里的场景，指向我真正想讲的判断：历史是极好的律师，极差的法官。 而且它背后还有一个更反直觉的悖论：决策越大，历史的证据效力越弱。

Palantir 从本体长到 Agent，我们从 Agent 长回本体

Wed, 19 Aug 2026 00:00:00 +0000

前几天有人抛了一个问题：「哪些客户的续约风险正在上升，今天由谁介入？」

我把它原样丢给了一个 AI 助手，想看看它怎么答。

它的回答很诚实：答不了。它列出了这个问题需要同时拉齐的五个系统——CRM 里的客户关系、合同系统里的到期日、产品日志里的用量变化、工单里的故障、财务系统里的回款——然后说：「任何一个单独看都不够，五个信号交叉才能定位谁在恶化。」

这个回答本身没问题。但它暴露了企业 AI 的真实现状：AI 不缺智能，缺的是跨系统取数的资格。 它能看到每一个系统，如果它有资格的话。

有意思的是，最近两篇文章，从两个完全不同的方向，撞上了同一个问题。一篇是 Carlos Perez 的企业版 OpenClaw 万亿清算论，一篇是《读懂 Palantir Ontology》的完结篇——后者举的范例决策，一字不差就是上面那个续约风险问题。

两篇文章各讲了企业 AI 的一半。把它们拼起来，你会看到一条没人明说的路线。

Anthropic 领先行业 6 个月——但只有前两层算数

Tue, 18 Aug 2026 00:00:00 +0000

发完从 Cowork 到 Tag：AI 的竞争单位，正在从个人变成组织第二天，那个年轻人又发来一条消息。这次他没提问，而是直接甩了一个判断：

「对 AI 创业者来说：Anthropic 领先行业 6 个月。」

他还给了自己的三层拆解：

层次	Anthropic 的领先点	领先幅度
Foundation Model	Claude 系列整体非常强	0-6 个月，且会快速收敛
Agent Harness	Claude Code / Cowork / Tag 形成完整 Agent 工作范式	~6 个月
Agent-native Organization	从「人使用 AI」走向「Agent 成为组织成员」	~6-12 个月

他的结论是：模型层的领先会快速收敛，真正值得关注的是后两层。而且第三层，恰好是钉钉「数字员工」可以承接的位置。

前两层，我认同。第三层，我认为 写反了。

在 Agent-native Organization 这一层，Anthropic 不是领先者，是刚入场的人。

AI 重构行业的速度，是可以算出来的

Fri, 14 Aug 2026 00:00:00 +0000

上周有两个消息放在一起看，特别有意思。

一条是：AI 客服已经能独立处理大部分标准咨询，有的团队把人工坐席砍了一半以上。另一条是：AI 医生还在辅助写病历的阶段，离独立诊断隔着十万八千里。

同一种技术，同一个十年，为什么差出这么多？很多人的答案是「医疗数据难搞」「监管严」——都对，但都只是现象。现象背后有一个可以算的东西： AI 重构一个行业的速度，是有公式的。 这个公式不仅能解释客服和医疗的差距，还能告诉你自己的行业排在队里的第几个。

从货架到 Agent：平台争夺的不再是人

Thu, 13 Aug 2026 00:00:00 +0000

上周的战略会上，有人问了我一个问题：如果 Agent 真的能替人完成工作，那工作软件公司以后卖什么？

这个问题听着抽象，我换个问法：货架电商时代，平台卖的是货架和流量——商家买排名，用户搜索、比价、下单。那当 Agent 替人买东西的时候，平台卖什么？

电商其实已经在回答这个问题了，因为它正在路上。而我把电商这二十年的演进，和工作软件的演进摆在一起看，发现它们在走同一条曲线。

先说结论： 过去平台争夺的是「人」；AI 时代平台争夺的是「人的意图」和「Agent 的行动」。

用 1% 法则，给你的公司做一次 AI 盘点

Wed, 12 Aug 2026 00:00:00 +0000

最近一个月，有三个人问过我同一个问题：「我们公司想做 AI，从哪开始？」

三个人的背景很不一样：一个做制造，一个做跨境电商，一个做连锁餐饮。但他们的第一反应惊人地一致：先看看现在的模型能干什么，再从公司里找个场景套上去。

Jeff Dean 给的答案正好相反。今年 YC Startup School 上，他给了一个我认为值得每个企业贴在墙上的选题标准：

去找模型成功率是 0% 或 1% 的问题，不是 20%。

这就是 1% 法则。在 AI 的竞争变了：未来是上下文的竞争里我讲过这个判断的战略含义；这篇往前一步——把它变成一套你在自己公司就能执行的盘点方法。

AI 的三代进化：Chatbot、数字分身、数字员工

Thu, 06 Aug 2026 00:00:00 +0000

我名下有两个数字员工：一个负责开发、测试、部署，另一个在用户群里服务真实的同事。它们不是工具，是组织里两个正式的岗位。岗位一立起来，一个问题就自然跟着来了：

「如果它批错了一张审批单，造成了损失，谁来负责？」

这个问题不难答——难的是我发现，市面上绝大多数 AI 产品，从来没准备回答这个问题，因为它们压根不是「员工」。

Chatbot、数字分身、数字员工，这三个词正在被混着用。很多人以为它们只是同一类产品的不同营销话术：能力弱一点的叫 Chatbot，能力强的叫数字员工。

但我的判断是： 它们是三代不同的东西。 区分代际的不是模型有多聪明，而是两个更根本的问题：

它的 Source of Truth 是什么？它出了错，谁来负责？

想清楚这两个问题，很多关于企业 AI 的争论会立刻变得清晰。

私有 Eval 是终极护城河

Sun, 02 Aug 2026 00:00:00 +0000

上个月和一位做 HR SaaS 的朋友吃饭。他刚花了两百万买了一批行业测评数据，准备训练自己的垂直模型。

我问他：「竞品如果也买同样的数据呢？」

他愣了一下：「那……我们还有先发优势。」

「先发多少？」

「大概……半年？」

半年。这就是原始数据作为护城河的保质期。

三个月前，我写了一篇中国 SaaS 厂商的护城河应该怎么建，核心公式是：

护城河 = 垂直行业数据资产 × 行业 Know-How × 客户成功体系 × 生态协同

那篇文章里，我把「数据壁垒」放在七大维度的第一位，画了一个数据飞轮：客户使用 → 数据沉淀 → 模型训练 → 更精准的服务 → 更多客户使用。

三个月后，我要修正自己。

飞轮里转的不是数据，是 eval。

企业打造AI原生组织：六维转型模型的落地路径

Mon, 27 Apr 2026 00:00:00 +0000

上周三，一家头部互联网公司的CTO在季度复盘会上盯着一组数据沉默了整整两分钟。

Q1 的 AI 投入报表显示：工程团队 token 消耗同比增长 400%，人均 AI 工具支出逼近 20 万美元/年——已经和一个高级工程师的人力成本持平。但业务端呢？营收增长 35%，客户满意度提升了 8 个百分点。

“我们买了蒸汽机，但跑出来的速度还不如马车。“他最终说了这么一句。

会议室里没人接话。因为所有人都知道，问题不在 AI 技术本身——他们的工程师确实写出了更多代码，做了更多功能。问题在于：组织的工作方式没有变。AI 被塞进了旧的流程、旧的考核、旧的管理思维里，变成了"更贵的自动化”。

这不是个例。2026 年硅谷一线的最新观察揭示了一个残酷现实：AI 技术迭代已经进入"周级范式转换”，但绝大多数企业的组织形态还停留在"年度规划+季度复盘"的工业时代节奏里。技术跑得太快，组织跟不上，中间的鸿沟正在吞噬 AI 本该带来的价值。