UnDefined对话商业

王与桐

《非标玩家UnDefined》音频版,以AI为核心,对话为形式,揭秘商业决策中的每一个为什么。 主持人与桐曾长期在《36氪》与《晚点 LatePost》从事科技与商业报道,过去几年深度采访大量创业者、CEO 与投资人,希望能把这些认知开源。 只影响人群中的1%。

  1. Nov 1

    25-具身智能开始坐冷板凳了,恭喜| 非标玩家10min判断

    具身智能的好日子,好像突然到头了。 单口预警! 8月还是全民狂欢,8家估值超过200亿的公司,教授、天才、老炮齐聚一堂,大家一起畅想物理AI的星辰大海。 9月底开始,投资人开始说“不投了”,头部公司传出裁员、停薪的消息,创业者之间互相泼脏水,甚至连装都不装了。 更要命的是,OpenAI的GPT-6 Astra突然展现出了操作物理世界的能力,DeepSeek也开始组建具身团队。 好消息是,具身智能的未来可能更有希望了。坏消息是,这个未来不一定属于现在这批具身智能公司。 这一期,我想聊聊具身智能的五根稻草:大模型跨界抢饭碗、最强大脑互揭黑料、监管开始关注、海外世界模型的退出路径,以及投资人的钱包和耐心。 第六根稻草没在播客里放:我不知道是否跟玄学有关,就是从2023年开始,每年都是春节后AI赛道火热,到了国庆之后冷淡,每年十一十二月我都是悲观的,感觉今年也不例外。 一个行业能在两年多的时间里聚集这么多天才、这么多钱,也算是一种奇观。 但庙小了,神仙太多,也难免打架。 不过,我并不觉得具身智能退潮是什么坏事。毕竟,这个行业已经提前享受了太多成功的待遇,现在终于轮到大家认真思考一下:除了融资、上春晚、互相举报,我们还能干点什么? 时间轴00:00|开场:具身智能的饭碗,开始被大模型公司盯上了 00:43|9月还在巅峰,10月就开始坐冷板凳了? 01:42|行业起飞可能只需要一阵风,退潮却需要天时地利人和 02:39|第一根稻草:OpenAI来抢饭碗了,DeepSeek也来了 03:10|具身智能凭什么值200亿?原本有一套很美好的逻辑 04:01|GPT-6 Astra出现:悬在具身公司头上的剑,终于掉下来了 04:37|第二根稻草:八家200亿公司,神仙太多,庙不够大 05:39|以前背后递黑料,现在直接把PDF甩到台面上 06:17|八家200亿公司,难道还能排队IPO,人手一个上市名额? 07:06|王兴兴已经上岸了,剩下的最强大脑还在抢船票 08:53|第三根稻草:互揭黑料的尽头,是监管 09:30|第四根稻草:李飞飞的世界模型公司,让投资人重新计算退出账 10:20|第五根稻草:钱花得太快,梦做得太久,投资人也累了 11:01|熟悉的击鼓传花:谁都想传下去,谁都不想接最后一棒 11:35|结尾:恭喜具身智能,终于到了该认真做生意的时候了 本期关键词具身智能、GPT-6 Astra、DeepSeek、宇树科技、智元机器人、银河通用、梅卡曼德、World Labs、世界模型、一级市场、商业化 在小宇宙查看该单集文稿

  2. Oct 12

    24-具身89月发生了啥?我挑了5件大事,具身GPT时刻还是GPT?机器人的泛化有机会了?

    是谁吞了我,而我又吞了谁! 动手吧。 2026 年 8—9 月,具身智能行业出现了几条值得放在一起观察的信号。 GPT-6 Astra 为代表的通用大模型开始直接控制机器人,会不会让具身模型不再有价值;宇树科技上市,让人形机器人第一次有了公开市场的定价参照;Generalist、Skild AI 和 Dyna 等公司的新进展,则让行业开始认真讨论:具身基础模型能否像大语言模型一样,通过扩大预训练规模,获得更强的泛化能力和更高效的任务适应能力? 与此同时,Figure 开始向全球普通用户征集第一视角视频,小鹏机器人获得大额融资,特斯拉 Optimus 的量产进度也再次提醒行业:技术演示距离稳定部署,还有一段距离。 本期是「非标玩家·具身双月报」第一期。我和星连资本沈筱一起,从这两个月最值得关注的五个焦点出发,试着从喧嚣中辨认真正的技术进展、产业信号和商业化边界。 这期我们重点讨论: 如果通用大模型已经能够直接控制机器人,具身公司还需要训练自己的基础模型吗? 机器人自己的 ICL 和 Scaling Law,究竟出现了哪些可信信号?怎样区分真正的泛化与演示中的模式匹配? Figure 为什么宁愿投入巨额资金搭建全球数据采集网络,也不继续向第三方购买数据? 宇树上市之后,一级市场的估值逻辑会发生什么变化?具身智能企业要如何证明自己的商业价值? 车企正在成为具身智能赛道的重要玩家。汽车行业积累的能力究竟能迁移多少,Optimus 又应该用什么指标衡量? 时间轴00:39|为什么要做「具身双月报」?从密集的融资、技术发布和行业争论中,寻找值得持续追踪的信号。 01:45|GPT-6 Astra 会不会吃掉具身模型?通用多模态模型直接参与机器人动作决策,意味着什么?Astra 展现的是空间理解、任务规划,还是足以替代专用具身模型的能力? 04:44|通用模型的能力从哪里来?关于训练数据、定向训练和空间智能的讨论。哪些判断有公开证据,哪些仍然只是推测? 06:41|通用模型与 VLA,可能是什么关系?通用模型正在削弱专用模型在高层规划上的部分价值,但精细操作、实时控制、真实数据和部署体系仍然重要。 沈老师补充:其实可靠执行任务,规划只是一部分,运动能力很重要(身体的实现) 08:49|通用模型能否加速机器人仿真?如果 AI 能帮助构建更复杂的物理仿真,机器人训练是否可能获得新的规模化数据来源? 10:30|未来 3—5 年,具身智能仍会是分层系统吗?高层推理与底层动作控制对速度、模型规模的要求不同。Reasoner 与 Action Expert 如何协同? 12:17|宇树上市:具身智能进入二级市场定价宇树上市提供了什么样的估值和经营参照?公开财报将如何帮助市场判断本体企业的真实发展阶段? 15:26|宇树股价回落,意味着行业预期发生了什么变化?如何区分市场情绪变化、估值回归与规模化部署仍需时间的产业现实? 提到的播客补充:https://www.xiaoyuzhoufm.com/episode/6a4e036b2e335a35a81003b1 18:15|机器人产业链里,谁在赚“卖铲子”的钱?核心零部件与机器人本体的商业逻辑有何不同?供应链公司的价值应该如何衡量? 19:35|王兴兴提出的机器人“GPT 时刻”,该怎么定义?陌生环境中自主完成 80% 的日常任务,是一个足够清晰的行业目标吗?泛化能力又该如何评测? 20:57|机器人自进化:从数字世界走向物理世界自主检索论文、编写控制代码、仿真验证,再部署到真机测试——物理 AI 的自进化闭环离真正可用还有多远? 25:04|具身智能开始出现 ICL 与 Scaling Law 的信号机器人能否通过少量现场示范适应新任务?随着预训练规模扩大,这种适应能力能否持续提升? 26:12|什么是 ICL?为什么它对具身基础模型很重要?从大语言模型的上下文学习出发,理解机器人能否在不更新模型参数的情况下,从少量示范中学会新技能。 29:50|怎么判断机器人真的具备泛化能力?一次成功的演示与可迁移的能力之间,还差哪些证据? 31:28|没有喷壶,就拿水杯浇花:这算真正的常识吗?机器人能否找到替代方案,究竟体现了自主推理、任务恢复,还是训练数据中已有的模式? 32:30|Zero-shot、One-shot 与 ICL,有什么区别?没有示范、只有一次示范、通过上下文适应新任务,分别对应什么能力? 沈老师补充: 场景泛化:换物体、换房间,仍能完成原来的任务,不一定涉及学习新任务。 长时序自主性:连续完成多步骤任务,考验技能组合、进度跟踪和出错恢复。时长可以作为参考,但还要看成功率和人工干预次数。 上下文学习:模型利用输入的演示理解新任务,执行时不更新权重。S1 接收一段视频演示,因此更准确地说是 one-shot 上下文学习,不能因为没有微调就称为 zero-shot。 此前具身智能的泛化展示,很多集中在更换物体或场景后完成既有任务。Skild AI 的 S1 更值得关注之处,是据其披露,模型无需额外微调,仅凭一段视频演示,就能执行预训练中未见的、长达约十分钟的多步骤任务。其中,长时序执行为技能组合、进度跟踪和纠错能力提供了观察窗口;依据演示适应新任务且不更新模型参数,则体现了上下文学习能力。这为降低新任务部署所需的数据采集与训练成本提供了可能。 35:04|机器人自己的 Scaling Law,正在出现吗?如何判断更多预训练数据是否真的带来了更强的泛化能力,而不仅是让模型在既有任务上表现更好? 38:29|数据规模之外,什么决定具身模型的上限?任务多样性、物体种类、环境变化与训练数据的可扩展性,如何共同影响模型能力? 39:20|Figure 为什么开始向全球普通人采集第一视角视频?从移动应用、众包网络到 Helix,Figure 想建立什么样的数据基础设施? 40:36|第一视角数据的价值,究竟在哪里?数据量之外,任务多样性、真实环境与物理交互信息,分别能为机器人带来什么? 43:30|为什么失败数据也很重要?机器人不仅要学会怎么完成任务,还需要理解什么情况下会失败,以及如何调整策略。 沈老师补充:这里稍微有些不准确,但无伤大雅。主要涉及模型条件输入的调整,但核心是训练方法和反馈机制的升级。 失败数据一直很重要,关键在于如何把失败转化为有效的学习信号。早期以模仿学习为主的 VLA,难以直接从失败行为中获益。Physical Intelligence 后续通过引入人工纠错、价值评估和强化学习,让模型能够区分动作好坏,从成功与失败的经验中改进策略。 比如Physical Intelligence 的 π*₀.₆/RECAP 对应的就是这个变化:结合人工纠错和强化学习,用价值评估区分动作好坏,再利用成功与失败经验改进策略。它涉及模型条件输入的调整,但核心是训练方法和反馈机制的升级。 44:25|第一视角视频与真机遥操作数据,成本为什么差这么多?低成本人类视频能否替代昂贵的机器人交互数据?两类数据之间的能力迁移还面临哪些限制? 47:09|真实世界、第一视角视频与仿真数据,应该怎么组合?具身模型的数据路线,究竟应该押注真实采集、合成数据,还是多种来源协同? 50:08|公开视频与世界模型,能为机器人训练贡献什么?人类视频如何帮助模型理解物理世界,又为什么不能直接等同于机器人操作数据? 51:04|小鹏机器人获得大额融资,车企正在成为新玩家汽车行业积累的感知、控制、制造和供应链能力,有多少能够迁移到人形机器人? 54:13|为什么很多具身智能从业者来自自动驾驶?两条技术路线共享哪些能力,又有哪些看似相似、实则无法直接复用的环节? 56:34|电动车之后,机器人会成为车企的第二增长曲线吗?车企进入具身智能赛道的优势在哪里,真正的难点又是什么? 57:27|Optimus 的量产进度,应该怎么看?量产是重要指标,但远远不够。工厂部署、实际承担的工作、可靠性和 MTBF,哪些更能说明机器人正在创造价值? 沈老师补充:Optimus 的量产节奏会影响市场预期,但对判断具身智能的核心能力进展而言,量产时间表本身提供的信息有限。量产涉及技术成熟度、供应链、成本及商业策略等多重因素。更值得关注的是机器人能否在真实场景中稳定、自主地完成任务,以及人工干预频率和部署成本是否持续下降。因此,量产进度应与智能能力、应用验证分别观察。 59:01|比生产了多少台更重要的,是部署后发生了什么机器人进入真实场景后,如何衡量稳定运行、任务完成与商业价值? 01:01:20|十年后,宇树的营收能超过 Physical Intelligence 吗?从本体公司与基础模型公司的不同商业路径,讨论具身智能产业最终的价值分配。 01:02:14|这两个月,具身智能最被高估的进展是什么?哪些技术演示容易被过度解读?又有哪些变化被行业低估了? 01:02:39|游戏数据、世界模型与机器人训练虚拟世界中的数据和交互经验,能在多大程度上帮助模型理解、预测真实世界? 01:06:53|当通用基础模型持续进步,具身公司的护城河还剩什么?模型能力

    24-具身89月发生了啥?我挑了5件大事,具身GPT时刻还是GPT?机器人的泛化有机会了?
  3. Oct 6

    23-当AI开始决定你应该认识谁,与申哲先从弱关系、向上社交,聊到人与人之间的社会资本

    辞掉投资工作,95后申哲先想用AI重做职业社交,融了上千万。【老友不闲聊】第二期更新。这期不是硬干货,而是我和申哲先就他们的产品产生的一些关于AI、人类社交、职业轨迹的观点碰撞。 文章已发布:https://mp.weixin.qq.com/s/LMeGd6GKTBtwzhk5KNjHLw 这一期的嘉宾是 Articuler.ai 创始人申哲先。95后的他此前做过全球科技投资,后来选择离开投资行业创业,开始重新思考职业社交这件已经被互联网解决了很多年的事情。 如果 AI 可以理解一个人的经历、能力、兴趣和当下正在做的事情,再从海量职业身份中找到真正与之匹配的人,那么职业社交会发生什么? 过去我们为什么需要 MBA、行业活动、朋友介绍和所谓的“混圈子”?这些东西究竟是在提供知识,还是在帮助一个人进入新的关系网络? 我们还聊到了一个更有意思的概念——弱关系。 很多改变职业轨迹的机会,并不是来自你最熟悉的人,而是来自一个你原本并不认识、甚至没有任何理由认识的人。过去,这种连接往往依赖偶然:一场活动、一次饭局、一个朋友的介绍,或者恰好坐在你旁边的人。 而 Articuler 想做的事情,是把这种“偶然”工程化。 这听起来很美好,但也让问题变得更复杂。 如果 AI 根据一个人的履历、影响力和公开信息去推荐关系,它会不会最后永远把网络中心的人推荐给更多人?如果算法不断把“兵对兵、将对将”,那么普通人真正想要的向上社交怎么办? 所以节目里,我也直接追问了我认为非常重要的问题: AI 究竟是在重新分配社会资本,还是在进一步固化社会资本? 这一期,我们从一个 AI 职业社交产品出发,聊到了创业、硅谷、AI 应用、Solo Operator、弱关系、结构洞、MBA、混圈子、向上社交、社会资本,以及一个至今没有答案的问题: 如果人生中那些重要的相遇,都可以被 AI 提前计算,我们会获得更多机会,还是也会失去一些原本只有偶然才能带来的东西? shownotes: 00:00|为什么硅谷并没有想象中那么“神”从硅谷创业团队的招聘开始,聊到大厂程序员与创业公司的真实差异,以及 AI 正在怎样改变工程师的工作方式。 09:00|中国创业者出海,最大的误区是什么?申哲先谈自己为什么坚持“Global = Localized”:真正做全球市场,不是把中国经验搬到美国,而是必须进入当地市场、理解当地用户。 15:12|到底什么叫 Global?中国创业团队的技术人才优势在哪里?为什么 Articuler 选择“美国做市场、中国做工程”的组织方式? 17:00|什么样的人适合做 AI 应用?行业专家、技术专家和 AI Native 年轻人,谁更适合今天的 AI 创业?行业经验究竟是优势,还是可能限制想象力? 23:37|为什么 Articuler 不重新做一个 LinkedIn?社交网络最难的不是把人放进来,而是同时解决“用户数量”和“用户密度”。在 LinkedIn 已经存在的情况下,为什么还需要新的职业社交产品? 25:01|Event,为什么可能是 AI Social 的入口?Articuler 开始帮助活动组织者找到真正应该参加的人,并在活动前告诉参与者:明天最值得见的人是谁? 28:39|为什么美国人的职业社交方式,和中国很不一样?从 LinkedIn、微信到 GitHub、Google Scholar、X,聊职业身份为什么在美国更公开,以及这件事为什么决定了 Articuler 先做海外市场。 34:32|过去的职业社交,为什么把人“压扁”成了几个标签?“记者”“投资人”“程序员”这样的关键词,究竟损失了一个人的多少信息?AI 能不能重新表达一个人? 37:11|8200多个维度:AI到底怎么看一个人?Articuler 如何从公开信息构建一个人的职业 Profile?为什么同一个人面对投资人、招聘者、采访者,应该呈现完全不同的“切面”? 41:23|如果张一鸣根本不想认识你呢?职业社交不是一个通讯录,也不是一个“名人大名单”。AI 匹配到底应该解决谁想认识谁,还是谁和谁真的有价值交换? 45:04|联系方式不稀缺,真正稀缺的是“匹配”Articuler 最早做的是 AI Cold Email,后来发现用户真正需要的不是“帮我写一封更好的邮件”,而是:告诉我,我到底应该给谁发。 46:02|为什么把回复率从 5%~6% 提到 15%,关键不是邮件写得更好了?当 AI 找到了“对的人”,同一套邮件流程几乎不变,回复率却发生变化。Articuler 因此把产品重心从“写邮件”转向“找人”。 47:47|弱关系依赖偶然,AI能不能把“运气”工程化?我们为什么会通过一个偶然的饭局、活动或朋友介绍认识一个重要的人?如果 AI 可以主动寻找这些连接,偶然还会存在吗? 49:06|熟人介绍真正提供的是什么?一个朋友为什么把两个人拉进同一个群,再认真介绍一次,关系就可能完全不同?我们聊到一个很有意思的答案:熟人真正提供的是上下文。 52:37|Solo Operator / OPC时代,人为什么反而更需要关系?当越来越多人脱离大公司成为独立个体,过去由组织承担的 HR、销售、融资、PR 等功能怎么办?未来一个人的职业身份,会不会不再由“我在哪家公司”定义? 54:27|“老登的春天”:AI时代,年轻一定是优势吗?为什么申哲先认为,真正拥抱 AI 的有经验的人可能拥有巨大的优势?以及为什么现在投资人开始关注 00 后创业者。 57:01|“混圈子”到底在混什么?申哲先认为,职业社交不是一门玄学,长期关系的本质仍然是价值交换:你知道对方需要什么,也知道自己能提供什么。 57:55|AI是在重新分配社会资本,还是固化社会资本?如果 AI 根据一个人的公开履历、影响力和已有关系来推荐,最后会不会永远是“兵对兵、将对将”?普通人真正想要的,恰恰可能是向上社交。 59:00|一个人为什么愿意和“暂时帮不到自己”的人建立关系?我们继续追问:所有关系都必须以即时价值交换为前提吗?那些看起来暂时“没用”的弱关系,会不会反而拥有更长的价值周期? 01:02:50|为什么很多人花几十万读 MBA?如果知识本身已经越来越容易获得,人们为什么还愿意花巨额成本进入一个新的学校和圈层?我们聊到弱关系、结构洞,以及“破圈”真正改变的是什么。 01:03:34|AI真的会带来“人脉平权”吗?AI常被描述成知识、智能和生产力的平权工具,但当它开始介入人与人的连接,它能不能让社会资源也变得更平等? 01:07:30|AI的“平权”可能并没有那么简单谁能够更早、更好地使用 AI,本身就可能成为新的优势。技术降低门槛的同时,也可能制造新的差距。 01:08:03|到底什么才叫 AI Social?从 AI Agent 帮你发消息、订餐馆,到真正改变人与人之间连接的产品,申哲先认为,很多所谓的“AI Social”其实并没有真正理解社交。 01:10:41|社交产品到底在解决什么?从微信、Dating App 到职业社交,我们最后回到一个更基本的问题:社交产品真正改变的,是人与人的关系,还是人与人的分发方式? 01:11:19|AI除了提高内容生产效率,还能提高“人与人之间的分发效率”这是 Articuler 最终想回答的问题:当 AI 开始决定“谁应该认识谁”,职业社交可能会进入一个完全不同的阶段。 在小宇宙查看该单集文稿

  4. Sep 21

    22-搅动硅谷AI圈上百亿的、国内马上要火的RSI,我先聊明白了 | 星连资本行研总监沈筱来科普解惑

    我预判,RSI会是10月最火的概念。 最近硅谷最火的一个词,可能是 RSI——Recursive Self-Improvement,递归自我改进。最简单的理解是:让 AI 学会改进自己,并且让下一代 AI,比上一代更会“改进 AI”。 这听起来像一个离我们还很远的 AGI 命题,但资本已经先动了。 今年上半年,国内已经冒出了一批 RSI 创业团队。一些投资机构甚至在这个词进入大众视野之前,就已经把国内项目扫过了一轮。海外,OpenAI、Anthropic、Google、Meta 都已经在不同程度上让 AI 参与 AI 的研发;Sakana AI、Recursive 等新公司,也在试图把“AI 研究 AI”进一步推向自动化和自我进化。 所以这一期《非标玩家UnDefined》,我们找来了一位已经密集看过国内 RSI 项目的投资人沈筱。 嘉宾介绍: 沈筱:AKA沈雅岚,星连资本行研总监。星连资本大家都熟悉吧,最近刚投了RSI的超衍智能。沈老师曾在奇绩创坛、36氪工作,长期身处科技创业的一线,同时又有很强的研究习惯。这让她既能看到最新的创业和投资趋势,也习惯把一个新概念拆开、追溯和梳理清楚。【星连资本(LinkX Capital)创建于 2021 年,是中国最早聚焦通用智能产业生态、目前最活跃的 AI 风险投资基金之一。】 王与桐:我长期泡在 AI 创业和投资一线,最近发现聪明钱和前沿研究者的注意力开始往一个地方移动,所以我提前去把它问明白。我是嘴替。相信对RSI不熟、微熟,已熟但不了解海外趋势的人群,都会有价值。 我们首先花了很长时间给这个正在迅速膨胀的概念划边界。 AI 会总结失败、修改 Skill、积累 Memory,算 RSI 吗?AI for AI、RL、持续学习、AI Scientist、Auto Research,为什么现在都开始被放进 RSI 这个筐里?真正的 Recursive 到底发生在哪里? 然后我们把视角转向了正在真正做这件事的人。锐评OpenAI、Anthropic、Google、Meta怎么做RSI,硅谷正当红的日本公司Sakana等,沈老师解析中国有哪些做RSI的模型公司(智谱、Minimax、大厂)。 再往后,我们聊到了钱。 如果 OpenAI、Google 这些拥有最好模型、最多算力和最强研究员的大公司自己就在做,为什么 RSI 还会是创业公司的机会? 可能的答案是:今天的大模型公司最终仍然要服务于基础模型能力,而一家创业公司可以把全部资源押在 Auto Research、AI for Chip,或者某一个具体的自我进化闭环上。 但这里存在很残酷的前提:如果开源模型持续进步,这些公司可以站在基础模型之上继续往前;如果开源模型停止进步,它们最终还是要回到最艰难的基础研究。 这也意味着,RSI 未必会让 AI 从此摆脱算力竞争。 算力决定你能同时跑多少实验,Infra 决定一个想法多久能得到验证,而 Verifier 决定 AI 到底知不知道自己这一轮有没有真的变好。尤其当问题从数学、代码进入科研、创意乃至物理世界,一个越来越棘手的问题会出现: 如果连人类都很难定义什么叫“更好”,AI 要朝哪里进化? 节目的最后,我们还把这个问题延伸到了具身智能。 数字世界里的 AI 可以低成本地试错几千、几万次,但机器人每一次错误都会发生在真实世界。当“自我进化”从代码和模型走向一个真正有身体的机器人,RSI 还会以同样的方式发生吗? 过去几年,我们一直在讨论 Scaling Law:更多的数据、算力和参数,能不能生产出更强的智能。 而 RSI 提出了更激进的问题: 如果未来连“如何生产更强的智能”这件事本身,都开始交给 AI 呢? 那时候,被加速的可能不再只是编程、科研或者某一种工作。 被加速的,是 AI 的进步本身。 shownotes:02:44|VC 的钱已经到了,大众为什么还没开始讨论 RSI? 04:25|到底什么才算 RSI?关键为什么是 Recursive? 07:44|AI 到底可以进化什么:Skill、Harness,还是 Model? 沈老师批注:1、这个skill本身也会在后续的使用过程中不断改进。 2、然后像这种组件其实还有很多。除了组件本身的定制化之外,另外一个层面就是 harness。 前段时间其实也有蛮多 work 在讲 meta-harness。也就是说,harness 本身、整个 harness framework 其实也是可以定制和优化的。比如说,它可以决定一些组件什么时候该变、应该怎么变。这个其实相当于是一个更高维度的优化。 但 harness 这一层,本质上不一定涉及模型参数本身的更新。就是说,我不会 necessarily 拿这些东西去更新 base model 的参数,而是更多停留在 agent execution 这一层,比如优化它的 planning、执行流程,或者组件之间的协作,让整个 agent 跑得更可靠,最终任务完成的效果更好。 3、比如说,如果你的进化目标很明确,而且验证又很简单,那这个事情其实就会比较容易做。 举个例子,一个 skill 这次执行失败了,AI 自己就可以去总结失败的原因。然后这个反馈可能会进入它的 memory,或者直接反过来修改这个 skill。这样下一次再执行同类任务的时候,这个 skill 可能就已经被调好了。 因为这里的反馈路径非常短,而且结果也很好验证:这个任务到底有没有执行成功,通常是一个非常显著的信号。所以它天然就形成了一个比较清晰的闭环。 但如果再往更高一层,比如说你要做 meta-harness 层面的优化,问题就会变得复杂很多。因为这时候你真正想衡量的是:整个 harness framework 本身带来的收益,是不是随着迭代在持续提高? 而到了这个层面,可能连一个足够明确的评价标准都还没有。也就是说,你不仅要解决“怎么优化”的问题,甚至首先要解决“到底怎么衡量它有没有变好”这个问题。 11:36|国内 RSI 创业公司都在从哪里切入?RL、AI for AI、AI Scientist 和 RSI 到底什么关系? 沈老师说的表:如何定义RSI https://tecunningham.github.io/posts/2026-06-05-rsi-definitions.html Good (1965), Speculations Concerning the First Ultraintelligent Machine 1965 年 I. J. Good 就有 intelligence explosion;Schmidhuber 很早就在做 self-referential learning 和 Gödel Machine 17:26|AI Scientist 已经走到哪一步?AI 会做实验以后,能不能自己提出真正有价值的新 Idea? 21:28|中美讨论的是同一个 RSI 吗?为什么这个几十年前就出现的概念,偏偏在 2026 年爆火? 24:59|中美 RSI 现在差多少?为什么算力可能再次拉开差距? 29:16|OpenAI:AI 已经开始给顶尖研究员“打工”,从 Research Intern 到 AI Researcher 还有多远? 沈老师批注:2026年9月,在一位博士后的指导下,两名高中生,借助AI工具,解决了菲尔兹奖得主许埈珥(June Huh)2022年获奖后一直未攻克的组合数学难题。 两名高中生是 Aayush Bathija 和 Prince Rohatgi,指导者是 UCLA 博士后 Daniel Soskin;论文题目是 “Bounded Ratios of Lorentzian Polynomials”,2026 年 9 月上传到 arXiv 参考链接:https://mp.weixin.qq.com/s/PhERDiMiXk0pqDIiZE6YsA 37:35|Anthropic、Google、Meta 都在怎么做?AlphaEvolve 为什么代表了另一条路线? 43:23|一个意外的话题:AI 越来越强以后,创始人的价值观会不会越来越重要? 47:13|国内大模型公司其实都在做,只是为什么没有像海外一样“打明牌”? 49:29|Sakana AI:为什么一家没法和美国拼算力的日本公司,反而成了 RSI 最值得关注的玩家之一? 提到的古德曼机,都是哥德尔机。 54:18|什么时候才算真正发生“递归”?AI 改进 AI 的效率,什么时候能够超过人类? 56:35|如果 OpenAI、Google 自己就在做,RSI 为什么还会是创业公司的机会? 1:00:12|一个残酷的前提:如果开源模型停止进步,这批 RSI 创业公司会发生什么? 1:01:01|为什么 Infra 可能决定 RSI 的“进化斜率”?研究能力之外,实验速度同样重要 1:03:18|RSI 会不会重新改写 AI 的游戏规则:从资本密集重新回到研究密集? 1:05:53|RSI 现在能商业化吗?AI Scientist 的第一批客户到底是谁? 1:08:55|RSI 最大的瓶颈是什么?为什么 Verifier 可能比“让 AI 变聪明”更难? 沈老师批注:这里还有一个非常关键的问题,就是“验证”。 现在大家讲 RLVR,也就是 Reinforcement Learning with Verifiable Rewards。它之所以在数学、代码这类领域有效,一个重要原因就是这些任务存在相对明确、可验证的奖励信号。比如一道数学题答案对不对、一段代码能不能通过测试,都可以比较客观地判断。于是模型可以基于这样的 reward signal 反复探索和学习,形成一个持续的自我改进闭环。 真正困难的是不可验证领域。 当一个任务没有天然的 ground truth 时,你怎么构造 rubric,怎么定义 reward function?什么叫“这一轮比上一轮更好”?甚至“好”本身可能都是模糊的、多维度的。这个时候,如果奖励目标定义得不准,模型优化得越充分,反而可能只是越来越擅长优化一个错误的 proxy。 所以验证真正重要的地方在于:AI 必须能够判断自己的改进是否真实发生。它需要知道这一轮是不是比上一轮更好,以及下一轮应该朝什么方向继续优化。 从这个角度看,AI 能不能持续 self-improve,很大程度上取决于一个领域能不能建立可靠的验证和反馈机制。数学、代码天然占优,而在科研、医疗、企业决策等更开放的场景里,如何把模糊的

  5. Sep 12

    21-争议背后的隐秘规则:具身走向IPO前,先抢到200亿,然后呢?| 非标玩家10min判断

    fake it until IPO~8家200亿估值的公司,但不代表他们就铁定是8家上市公司吧? 单口预警~内含一点点独家消息 一夜之间,具身智能行业突然开始讨论收入,这个在发展期不应该被关注的问题,最近频繁得被公开讨论。 梅卡曼德 CEO 邵天兰公开点名银河通用,质疑部分高估值具身公司通过数采中心、地方政府、投资方和供应商之间的交易做大收入,并带着尚未验证的 PMF 冲刺上市。银河通用随后回应,称产品已经在工业、零售、药房等场景实现规模化落地,并经历长期运营验证。 同时,自行业内另一家未上市头部公司放出了一份名为“银河通用港股上市的变身术与遮眼法”的PDF。 所有人都盯上了头部公司上市的事。 这期,我从这几个争议开始,聊聊哪些是夸大其词的,哪些是确有其事的。 背后真正值得讨论的,是当技术路线尚未收敛、商业化仍处于早期,一批具身公司为什么已经被一级市场推到了200亿元估值?而当它们集体走向IPO,二级市场还会按照同一套逻辑买单吗? 去年智元收购上纬新材时,市场传出借壳上市的声音。一位二级市场投资人跟我说:“一级市场拿现金买梦想,二级市场用梦想换现金。” 他说,要尊重监管,尊重二级。 Shownotes00:33|为什么一夜之间,所有人都开始讨论具身公司的“收入”?从2023年的小圈层热潮,到春晚、世界模型、半年460亿元融资,再到一批公司进入200亿估值区间,具身智能的资本热度在今年抵达高点。宇树上市之后,游戏开始发生变化。 01:49|梅卡曼德炮轰银河通用,到底在争什么?邵天兰质疑部分高估值具身公司依靠数采中心、地方政府、投资方和供应商之间的交易形成不可持续收入;银河通用随后回应。争论表面围绕“真假收入”,背后其实是一级市场和二级市场对于“什么叫商业化”的不同要求。 03:03|收入也有三种“真实”会计上的真实、商业上的真实、可持续的真实,并不是同一回事。一笔机器人采购明年不再发生,不意味着这笔需求不存在,也不必然意味着企业没有找到PMF。 04:02|为什么我不认为“客户不复购=没有PMF”?To B本来就允许低频甚至一次性采购。航空公司不会年年采购同一批飞机,但没人因此认为波音没有PMF。数采中心的问题,也不能只用单一客户是否复购来判断。 05:16|既然商业化还早,为什么一定要现在IPO?因为技术成熟可以等,资本市场窗口不会一直等你。 当公司仍处于“卖烤冷面”的Step 1,为什么已经开始冲刺IPO?这可能才是理解最近一系列争议的入口。 06:03|IPO收紧之前,行业里的人已经感觉到变化从智元取得上纬新材控制权,到随后启动赴港上市,再到具身IPO环境发生变化,头部公司争夺的不只有技术窗口,也有资本市场窗口。 06:44|一级市场和二级市场,说的是两种估值语言一级市场可以谈技术壁垒、团队、PS、融资能力和未来故事;二级市场最终会核对收入、利润、现金流、增长与可持续性。 07:37|宇树为什么成了整个具身行业的“标尺”?“第一股”的意义不只是名头,更重要的是获得定价权。宇树进入公开市场以后,智元、银河、它石等公司的估值终于有了一个可以被持续交易和比较的坐标。 08:14|地方政府、国资、数采中心和机器人公司,如何形成产业循环?地方发展产业、国资投资企业、企业落地、建设数采中心和示范场景、产生采购和收入、估值继续提高——这套循环不能简单等同于“造假”,它也是新产业早期常见的培育方式。 09:35|真正值得追问的,是收入与200亿估值之间的距离银河通用公开收入与200亿级估值、智元披露的收入与200亿级估值,以及行业里同时出现的一批高估值公司,都把问题指向同一个地方:资本究竟在为什么样的未来提前定价? 10:14|融了50亿,一年研发只有3000万?据晚点《180期晚点聊:具身智能的金钱游戏》,某头部具身公司累计融资超过50亿元,但年研发投入只有3000万元。技术进展难以观测、缺乏统一benchmark,也让融资、估值、订单和IPO成为更容易被市场观察的代理指标。本段相关案例及数据来源:晚点聊180期 10:53|数采中心为什么又成了“圈内人懂的都懂”?数采中心本身存在产业价值,但部分项目也出现开工率低、数据卖不出去甚至项目散伙的情况;真机数据又只是Ego数据、仿真数据等多条数据路线之一。相关案例及行业数据来源:晚点聊180期 12:08|当技术难以验证,数字会不会反过来成为游戏目标?具身缺少统一benchmark、复现困难、普通用户难以直接体验。当技术进展无法被轻易观测,融资额、估值、收入、订单就成了最直观的指标——而当所有人都开始优化这些指标,行业规则也可能随之改变。 12:50|从“下注未来”到“核对现在”去年,一位二级市场投资人告诉我:“一级市场拿现金买梦想,二级市场用梦想换现金。”如今二级市场开始问研发投入、收入来源、订单和复购。 13:23|IPO收紧,改变的不只是几家准备上市的公司退出预期改变,会向前传导到一级市场估值、融资节奏乃至整个行业的烧钱方式。资本市场依然需要具身智能,但只相信真的。但谁决定谁是真的? 在小宇宙查看该单集文稿

  6. Aug 27

    20-都在给机器人砸钱,但为什么小鹏可以融9亿美元这么多?| 非标玩家10min判断

    看我如何靠追星拿到大结果~ 单口预警! 本周,小鹏集团旗下人形机器人业务完成首轮融资,金额超过9亿美元,投后估值超过63亿美元。 小鹏汽车已经一年卖掉几十万辆车,上市公司市值却只有七八百亿元人民币;一个距离大规模商业化还很远的机器人业务,却已经可以单独获得430亿元估值。 类似的反差还发生在宇树身上:一年出货几千台机器人,上市后市值一度超过4000亿元;而理想、蔚来、小鹏、零跑四家新势力,去年合计卖出175万辆车,市值加起来却只有约3000亿元。 机器人到底为什么这么值钱? 这一期,我们从小鹏这笔9亿美元融资出发,聊聊为什么车企、智驾公司正在集体涌入人形机器人、具身智能和世界模型。 这背后当然有真实的技术迁移:过去十年,智驾公司已经跑过一遍数据闭环,做过端到端、VLA、世界模型,也交过一次让AI真正进入物理世界的工程化学费。 但还有另一层更现实的原因。我称之为“追星”——紧跟特斯拉的脚步。 汽车行业进入价格战之后,销量、毛利、现金流都越来越容易计算;机器人却仍然处在一个“所有人都相信未来可能很值钱,但没人知道今天应该值多少钱”的阶段。 特斯拉已经证明:从汽车走向机器人,迁移的不只有技术栈,也可能是一整套估值体系。 技术没有凭空多十倍,但它能讲的故事,突然大了十倍。 时间轴00:43 小鹏机器人为什么能首轮就融9亿美元?聊聊这笔融资本身,以及宣传稿里那个“小鹏一轮融资超过宇树整个IPO募资”的经典公关话术,为什么数学上正确、信息量却接近于零。 02:03 宇树上市一周后,小鹏为什么突然宣布机器人值430亿?宇树市值、小鹏汽车市值和几家新势力市值放在一起,一个很反常的现象出现了:真正卖了几十万辆车的公司,为什么还没有一个尚未商业化的机器人故事性感? 03:28 小鹏机器人430亿,资本到底买的是什么?不是今天的收入,而是小鹏过去十多年在自动驾驶、端到端模型、芯片、硬件和制造体系上的积累,能不能迁移到机器人。 04:56 特斯拉已经把“汽车公司”的故事讲大了马斯克说,未来特斯拉80%的价值可能来自Optimus。汽车、FSD、Robotaxi和机器人正在被统一进一个更大的叙事:Physical AI。 05:51 华尔街真的开始给机器人算钱了在一些机构的估值模型里,尚未大规模商业化的Optimus,已经比特斯拉成熟的传统汽车业务更值钱。 06:18 为什么机器人特别适合“做梦”?有些机构甚至暂时不给Optimus估值,不是因为认为它没有价值,而是因为根本不知道该怎么算。越难计算,想象力反而越大。 06:50 对车企来说,机器人的诱惑到底有多大?卖车时,资本市场问销量、毛利和现金流;一旦你能证明智驾能力可以迁移到机器人,公司就有机会从“汽车公司”重新解释成“Physical AI公司”。 07:51 何小鹏其实早就讲过:智能电动车是机器人的前序回看2025年《晚点》对何小鹏的采访,小鹏并没有把汽车和机器人看成两个独立赛道,而是把汽车理解成AI进入物理世界的第一步。 08:30 世界模型大军里,为什么出现了一支“智驾派”?比亚迪、小鹏、广汽、长安、奇瑞、蔚来、理想,以及Momenta、地平线、轻舟、小马等公司,都在沿着相似路线扩张自己的技术边界:自动驾驶 → 端到端/VLA → 世界模型+强化学习 → Physical AI → 具身智能。 09:35 智驾公司最大的可迁移资产:数据飞轮真实世界采集、清洗标注、训练、仿真评测、部署、回流、再训练——智驾的数据不能直接拿给机器人用,但生产数据的方法可以。 10:29 从“怎么开车”到“机器怎么理解物理世界”端到端、VLA和世界模型,让自动驾驶解决的问题越来越抽象:既然机器已经能理解环境、预测未来并采取行动,为什么这个机器一定只能是一辆车? 11:22 智驾公司已经交过一次Physical AI的学费端侧算力、延迟、安全、冗余、OTA、测试验证……智驾公司过去十年,一直在一个“AI犯错可能真的撞车”的世界里做工程。 12:00 但智驾能力绝对不能100%迁移到机器人汽车面对的是高度受约束、有交通规则的行动空间;机器人则要面对开放环境、高自由度运动,以及视觉之外的接触、力和物体形变。 13:28 所以,为什么偏偏是智驾公司最适合跨界具身?它们有数据闭环,有端到端和VLA,有世界模型,有端侧计算,也知道怎么让一个AI系统真正跑进物理世界。 13:57 真正的“财富密码”:故事的终点变了当智驾越来越成为汽车标配,机器人给了车企和智驾公司一个重新解释过去十年技术积累的机会。特斯拉已经证明,这套故事一旦成立,撬动的可能不只是新产品,也是一整套新的估值体系。 本期关键词:小鹏机器人 / 宇树科技 / 特斯拉 / Optimus / 人形机器人 / 具身智能 / 自动驾驶 / 智驾 / 世界模型 / VLA / Physical AI / 数据飞轮 / 机器人估值 播客中提到的晚点稿件指路: 《具身智能的金钱游戏》 晚点对话何小鹏:为了做一个真正的 CEO,我付出了怎样的代价 ###非标玩家UnDefined是一档商业人物访谈播客,致力于让世界看到中国商业和科技力量,只影响1%的商业决策者。 欢迎有认知的商业决策者联系、合作~ 在小宇宙查看该单集文稿

  7. Aug 24

    19-99%的科技founder,其实都不需要做IP | 和姜旭聊聊创始人的公共表达

    这一轮 AI 创业里,越来越明显的变化是:创始人开始频繁走到台前。 有人上播客,有人做短视频,有人直接在社交媒体上发布产品路线、解释公司决策。过去更多属于 PR、媒体和品牌部门的工作,正在被 Founder 本人吸收。 但问题也随之而来:创始人真的都需要做 IP 吗?所有创始人都需要走向台前来表达自己吗? 我先说我的答案:不一定要做IP,但一定都要经常、反复表达自己。 但怎么表达? 我们聊出了不少和行业流行答案相反的结论。 比如,她认为99%的老板其实都不需要自己做账号;越是过去获得过巨大成功的人,反而可能越难适应大众传播的游戏规则;员工很难做好老板IP,问题往往不在内容能力,而在权力关系;一个科技创始人真正应该关心的,不是10万粉丝,而是自己的受众里到底有多少客户、投资人、候选人和行业关键人物。 我们还聊到一个更大的变化:AI时代,创始人的公开表达正在从“营销”变成公司经营的一部分。 过去,PR和媒体负责告诉外界一家公司做了什么;现在,市场越来越需要Founder本人解释:为什么这么做,你相信什么,你的判断又为什么发生变化。 所以这一期最终想讨论的,并不是“怎么成为一个网红 Founder”。 而是AI 时代,一家公司为什么越来越需要一个可以被看见、被理解,也可以被追问的“人”的形象? 嘉宾介绍: 姜旭:这一期《非标玩家》,我找来《姜就一下》《当你红了》主理人姜旭。她过去长期从事创作者运营、内容运营和节目制作,也观察过大量从机构走向个人表达的人。文中提到的“高级外部顾问”,正是此人。@姜就一下@当你红了 在成为《姜就一下》主理人之前,姜旭做过多年创作者运营。她长期站在平台和内容背后,观察一个人为什么会红、为什么有些履历光鲜的人反而没人看,以及平台到底能不能“制造”一个创作者;后来自己成为创作者,她又亲自经历了一遍从“运营别人”到“经营自己”的过程。 王与桐:发现自己从生产端变成渠道端的前媒体人现在立志成为具备影响力网络的播客主理人。公众号@非标玩家UnDefined,YouTube@非标玩家UnDefined 我们试着从创作者、平台和媒体三个视角,重新拆解“创始人 IP”这件事。 Shownotes00:00 创始人为什么突然都开始出来表达?AI 技术变化越来越快,创始人公开表达正在从营销加分项,逐渐变成一种预期管理:不仅告诉外界“我们做了什么”,还要解释“为什么这么做”。 03:55 为什么很多创始人访谈都不好看?“电视访谈逻辑”为什么容易生产出最大公约数:专业的人觉得不够专业,大众又觉得离自己太远。 05:02 杨植麟的“人设”到底是谁打造出来的?真实经历、公司选择、媒体报道和公众记忆共同生产了一个公众人物。一个人成名以后,社会也会倒过来重新剪辑他的过去。 09:10 闫俊杰为什么总在推翻过去的自己?观点稳定和认知迭代,哪个更重要?AI 时代新的权威感,可能不是“永远正确”,而是“错误可追溯,修正可解释”。 11:09 Sam Altman:CEO 正在变成公司的“第一信源”产品预告、路线解释、延期说明、用户反馈,为什么越来越由 CEO 本人承担?解释权增加的同时,也意味着更重的“承诺债务”。 13:20 黄仁勋为什么开始主动进入社交媒体?他不是为了成为网红,而是在直接进入关键人群的信息流。CEO 这个职位,正在吸收过去属于媒体、PR 和内容创作者的一部分功能。 15:06 媒体为什么越来越难受?以前是媒体组织故事、寻找采访对象;现在越来越多 AI 公司自己已经完成了一整套叙事设计,媒体开始从“生产端”变成“渠道”。 16:47 最危险的创始人人设是什么?“完美老板”可能是最危险的人设。为什么公众越来越能接受一个有缺点、有犹豫、有变化的创始人? 19:23 AI 圈为什么像一个巨大的高中奥赛班?聪明、竞争、不能示弱,以及为什么很多高成就者反而很难面对公众表达中的失败和质疑。 21:12 创始人到底应该自己做 IP,还是去上别人的节目?对绝大多数 To B 科技公司来说,自己运营一个高频账号未必必要。更现实的策略,也许是在关键节点参加高质量访谈和公开表达。 24:27 创始人影响力到底解决什么问题?姜旭的排序是:招人第一、融资第二、获客第三。品牌反而排在后面,因为品牌本身就是这些信任长期积累后的结果。 27:23 10 个 AI Founder 坐在面前,谁最适合做 IP?看观点密度、能不能被挑战、观点和公司是否真正相关,以及能不能接受自己的判断被公众反复检验。 29:18 “高成就素人”为什么最难做公众表达?在学校和公司习惯了正反馈的人,第一次面对陌生大众的否定,往往比普通创作者更难接受。 31:39 什么情况下,创始人的表达才会真正成为公司资产?一个理想状态是:我越理解这个人,就越理解他为什么做这家公司,也越能理解为什么产品会长成今天这样。 33:06 Founder IP 要 10 万粉丝,还是 1000 个关键人物?比粉丝数更值得关注的指标,也许叫做“关键人群密度”:真正重要的不是多少人刷到你,而是多少能够影响公司命运的人记住你、相信你。 35:20 投资机构为什么突然都开始做播客?很多时候这不是进攻动作,而是一种“防守性配置”:头部机构开始做,腰部和尾部机构就会跟进。 38:31 为什么传统媒体人也未必能做好创始人 IP?“在大船上做水手”和“自己拿几块木头漂在海上”,完全是两种经验。机构媒体能力、自媒体手感和平台增长能力并不天然等价。 40:30 为什么“员工做不好老板 IP”这句话有一定道理?真正的问题不是专业技能,而是权力关系:如果内容操盘者依赖老板发工资,他有多大可能真正挑战老板、追问老板不愿意回答的问题? 42:00 创始人 IP 为什么很难被工业化复制?平台能把一个已经成立的创作者放大 10 倍、100 倍,却很难凭空制造“0 到 1”的人格、观点和真实感。 43:04 最后:大多数老板到底该怎么做?答案可能比行业里流行的“人人做 IP”简单得多:保持专业、不出错,在真正重要的节点,完成几次值得被记住的表达。 非标玩家UnDefined是一档商业人物访谈播客,致力于让世界看到中国商业和科技力量,只影响1%的商业决策者。 欢迎有认知的商业决策者联系、合作~ 在小宇宙查看该单集文稿

  8. Aug 14

    18-大厂为什么又抢办公?这一世我要夺走我失去的一切 | 非标玩家10min判断

    说好了办公不赚钱,大厂却又在这里重聚,原因竟是? 一期略带吐槽的单口~分析互联网大厂会什么密集回头相聚在以前都说不赚钱的办公赛道呢? 钉钉坐拥巨大用户量,却花了很多年证明商业模式;飞书好不容易做到 20 多亿元 ARR,放在字节内部,却可能还不如集团几天赚的钱;企业微信连接了十几亿微信用户,却长期很难把创造的生态价值直接变成自己的收入。 结果到了 2026 年,腾讯、阿里、字节、百度突然又集体杀回办公。 激烈程度,都是以集团的维度来调整团队。 为什么过去“不性感”的办公软件,加上 AI 两个字,突然成了兵家必争之地? 这期我们从 WorkBuddy 的突然走红聊起,拆一拆钉钉、飞书、企业微信过去十年的商业化困境,以及 AI Agent 到底改变了什么。 一个越来越清楚的答案是:agent改变了传统it订阅的模式之后,商业天花板有可能成倍增长。 而这场变化背后,还有一条很有意思的技术迁移路线: Coding Agent 完成技术验证 → Claude Code 完成商业验证 → OpenClaw 完成大众教育 → Agent 开始从程序员向白领外溢。 时间轴00:53|大厂怎么突然又爱上办公了?腾讯收拢 WorkBuddy,阿里整合千问办公,字节把豆包、飞书、火山引擎重新组合。几家大厂为什么几乎在同一时间做出类似选择? 03:46|没谦虚,过去做办公真的不太赚钱钉钉用户这么多,为什么不能只看 DAU?To B 真正应该看 ARR、续约率,以及客户到底愿不愿意持续掏钱。 06:37|飞书最大的“不幸”:原生家庭20 多亿元 ARR 放在一家 SaaS 公司已经相当可观,但放进一年赚数百亿美元的字节,又显得太小。一个好生意,为什么未必是一门“大厂尺度”的好生意? 08:32|企业微信:创造的价值,为什么不等于自己赚的钱?连接微信是企微最大的护城河,却也构成了它商业化的特殊难题。 09:19|AI Agent 把办公这门生意改了过去卖一个人一个 Seat,未来可能是一个人同时管理多个 Agent。办公软件第一次有机会从“卖工具”,走向“卖劳动”。 09:43|白领好,白领妙:为什么 Agent 偏偏盯上我们?邮件、Word、PPT、Excel、会议纪要、后台……抽象之后,白领每天的工作其实就是:信息输入—理解—判断—调用工具—生成结果。坏了,我们的工作流怎么这么适合 AI。 11:55|比最终那份 PPT 更值钱的,是工作过程AI 办公为什么也是一场数据战争?真正稀缺的数据,正在从公开互联网转向真实的工作上下文、任务轨迹和反馈。 12:39|Agent 又把 PC 救活了移动互联网把一切赶到手机上,Agent 却重新需要电脑里的文件、浏览器、权限和企业软件。大家争夺的其实是:谁能成为 AI 时代电脑上的总调度器。 13:37|这场战争为什么特别适合大厂?模型、Agent Framework、文件、浏览器、权限、安全、云、销售、实施……听完突然发现,大厂过去十年赔钱搭出来的 To B 基础设施,好像都在等这一刻。 14:25|AI 办公到底值多少钱?“上亿白领 × 10% 付费 × 每月 100 元”的算法可能低估了真正的想象空间。未来的收费单位,会不会从 Seat 变成 Agent、任务和算力? 16:14|腾讯财报给出了一个新信号WorkBuddy 已经开始商业化。传统办公难以按照创造的价值收费,Agent 能不能第一次解决这个问题? 17:46|腾讯为什么突然值得看了?混元、元宝都没让腾讯成为这一轮最耀眼的大厂,WorkBuddy 却开始改变外界对腾讯 AI 的判断。 20:18|我去年参加了 CodeBuddy 内测,然后一次也没用过一个原本给程序员做的产品,为什么最后长出了 WorkBuddy?答案藏在 Coding Agent 过去一年的爆发里。 21:04|编程,是 AI 第一次真正学会“干活”的地方读文件、拆任务、调用工具、执行、检查、修改——Coding Agent 训练出来的并不只是“写代码能力”,而是一套完整的工作方法。 22:07|这套能力,为什么只能用来写代码?当 Coding Agent 的工作循环迁移到文档、表格、PPT 和浏览器,Office Agent 的爆发也就不再意外。 22:41|2026 年,AI 的评价标准变了Coding Agent 完成技术验证,Claude Code 完成商业验证,OpenClaw 完成大众教育。下一场战争,是把这种执行能力复制到所有知识工作。 本期提到WorkBuddy / CodeBuddy / Claude Code / OpenClaw / 飞书 / 豆包 / 火山引擎 / 钉钉 / 企业微信 / 千问办公 / Coze / TRAE 在小宇宙查看该单集文稿

About

《非标玩家UnDefined》音频版,以AI为核心,对话为形式,揭秘商业决策中的每一个为什么。 主持人与桐曾长期在《36氪》与《晚点 LatePost》从事科技与商业报道,过去几年深度采访大量创业者、CEO 与投资人,希望能把这些认知开源。 只影响人群中的1%。