课代表立正

课代表立正（孙煜征）

《课代表立正》是一档关于AI、职业与商业的中文播客。这里既有与AI研究者、科技创业者、一线管理者和真实实践者的深度对话，也有课代表立正对产品、增长、创业与职业选择的亲身复盘。我们不只追逐新工具，更关心：当AI改变能力和成本，个人与组织怎样重新设计工作，把判断和本事做成真正进入现实、值得留下的作品。 主播课代表立正，本名孙煜征，康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。2020年以来完成200+场公开对话，跨平台关注者400K+。 加入Superlinear Academy免费社区，与2万+成员一起交流；这里已有700+真实项目与实践分享： https://www.superlinear.academy/ 了解立正与更多作品： https://www.lizheng.ai/

  1. 4d ago

    对话 319｜硅谷AI高手们，正在操作几百个AI同时上班｜Github七万星Orca创始人津晶对话

    开5个AI窗口就忙不过来，一个人怎么管400多个任务？ 这次和Orca联合创始人津晶聊的，就是她和重度用户已经在用的一套工作方式：让Claude Code指挥Codex，把需求、设计、开发、测试串成流程；把发布、用户反馈等重复工作交给定时运行的Agent；人负责设定目标、关键决定和最终验收。 她管理的400多个任务分处不同阶段，其中约一半已经在按固定流程自动运行。更值得追问的是：怎样让更多工作同时往前走，又不把自己变成每个AI的监工？ 这套方式也体现在Orca自己的团队里。录制时只有4个人，他们每天发布一个稳定版本，每版包含上百个PR。后半场，我们继续拆解：为什么他们不怕被OpenAI和Anthropic“顺手做掉”？为什么每做一个新产品，都要深入访谈约100位用户？把95%的时间花在产品上，增长又从哪里来？最后，津晶也分享了她看好的几类AI创业机会。 Orca：https://github.com/stablyai/orca 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。 章节： 00:00 开场：一个人，几百个AI任务 01:03 Orca解决了Claude Code的什么问题？ 03:00 ADE和Harness，究竟差在哪？ 08:00 AI越来越多，人的注意力怎么分配？ 11:27 为什么不怕被OpenAI和Anthropic做掉？ 16:59 一个好用的AI工具，难在什么细节？ 21:17 400多个任务，怎样做到不用逐个盯？ 27:18 这么多Agent，一个月要花多少钱？ 32:50 从Google到YC，她如何连续把产品做起来？ 37:29 95%的时间做产品，增长从哪来？ 42:59 访谈100个用户，怎样问出真正的需求？ 47:40 用户意见那么多，最后该听谁的？ 52:22 大厂跑得这么快，她为什么还不焦虑？ 57:50 接下来的AI创业机会，她看好哪三类？

    对话 319｜硅谷AI高手们，正在操作几百个AI同时上班｜Github七万星Orca创始人津晶对话

  2. Sep 15

    立正说 213｜职场不再奖励表演式工作，晋升要对结果负责

    当 AI 几分钟就能写出一份漂亮汇报，靠向上管理升职的路，还能走多久？ 我曾在腾讯管理三十多人的团队，擅长做汇报、协调上下游，也得到老板和团队的认可。后来，我离开大厂，加入早期的 Statsig，想离真正的结果近一点，却发现：创业公司也逃不开 Fake Work。 “表演式工作”最危险的地方，是它真的能让你拿到好绩效，甚至让你相信自己一直在进步。当 AI 让这些“工作证明”越来越便宜，又让一个想法更快接受现实检验，职场的奖励规则会怎样改变？为什么假工作可能先暴增，再失去溢价？ 这期也会聊一个更具体的问题：你手上的工作，哪些值得继续做，哪些可以交给 AI，哪些应该先删掉？不妨带着这个问题来看：如果我的产出增加十倍，结果真的会更好吗？ 00:00 AI 来了，向上管理还吃香吗？ 02:06 你在创造价值，还是制造工作感？ 04:08 比白忙一天更危险的，是误以为自己在进步 05:24 从腾讯到 Statsig，我还是没躲开 Fake Work 08:15 为什么交接越多，越没人对结果负责？ 10:30 AI 越强，为什么假工作反而先变多？ 12:16 当“工作证明”不再值钱，公司会追问什么？ 12:53 从想法到现实，AI 缩短了哪一段路？ 16:45 岗位还在，议价能力却可能先消失 17:28 产出翻十倍，结果会更好吗？ 18:51 哪些工作该保留、交给 AI、直接删掉？

    立正说 213｜职场不再奖励表演式工作，晋升要对结果负责

  3. Sep 11

    立正说 212｜老东家被OpenAI以11亿美元收购，我为什么选择全职卖课？

    老东家被 OpenAI 收购，顶级投资人愿意投我，为什么我选的却是全职卖课？ 一年前，戴雨森说，如果我以后创业、有亲友轮，他很愿意支持。那时我还没有具体的创业点子，这份对人的信任给了我很大的鼓舞。但我最后没有去下一家公司，也没有走融资创业的路。38岁生日，也是全职做自己事业一周年，我想聊聊这个选择：创业者的光环、资源和圈层都很诱人，为什么我还是认准了 AI 教育？ AI 让我们能做的事越来越多，什么才值得投入未来十年、二十年？从3000多名学员的课程，到两万多人的社区，再到 Stay Superlinear 会员，我不断尝试的背后，是同一个问题：怎样帮助人在 AI 时代找到自己的能力、热爱，并做出自己的代表作。这期也聊聊，如何认准一个值得长期解决的问题，同时让具体做法不断接受市场和用户的检验。 章节： 00:00 顶级投资人愿意支持，我为什么没去融资创业？ 01:55 不再打工之后，最难放下的是什么？ 03:18 AI 来了，为什么我觉得教育比再做一个 App 更重要？ 04:28 AI 最擅长的，恰好是我们被训练去做的事 06:01 3000多名学员，让我更确定了什么？ 06:53 热爱还不够，怎么知道自己做对了？ 07:49 为什么两万多人的免费社区还不够？ 08:56 未来3年、10年、20年，我到底想做成什么？ 09:46 一年后的变化，为什么要从今天开始？ 课程：https://ai-builders.com/ 社区：https://www.superlinear.academy/

    立正说 212｜老东家被OpenAI以11亿美元收购，我为什么选择全职卖课？

  4. Sep 8

    立正说 211｜AI已经用得很好，为什么还是怕被淘汰？

    我以前总说，焦虑的反义词是行动。但后来发现，连AI已经用得很好的人，也会焦虑。工具买得越来越多，新概念追了一轮又一轮，为什么还是觉得自己落后了？ 读到《道德经》第三章，我才把这件事拆开：怕自己被淘汰的身份焦虑，总觉得还缺一个工具、一门课的物质焦虑，以及每次新发布都必须追的信息焦虑。 这期聊聊这三种焦虑是怎样被制造出来的，以及各自该怎么应对。为什么收藏技术“名词”代替不了拆任务、整理上下文、评估结果这些“动词”？为什么看别人的成果会焦虑，看懂他们失败、取舍和迭代的过程，反而知道自己可以从哪里开始？行动要落到具体问题上，才有机会让人踏实下来。 章节： 00:00 AI用得很好，为什么还是焦虑？ 01:37 身份焦虑：我是不是要被淘汰了？ 05:42 物质焦虑：用购买和收藏换安心 09:09 用好AI，靠的是“动词” 11:29 信息焦虑：每个新东西都必须追吗？ 14:27 少追热点，理解什么值得学 17:36 行动怎样缓解三种不同的焦虑 原文4月份发布在社区里：https://www.superlinear.academy/c/ai-resources/anxiety

    立正说 211｜AI已经用得很好，为什么还是怕被淘汰？

  5. Sep 4

    对话 318｜GPT-6虽然厉害，但无法取代人，原因是

    AI 把每个人的简历改得更漂亮，把面试答案练得更标准，也在把越来越多的 hard skills 蒸馏进模型。等技能变得容易复制，员工、创业者和求职者还凭什么被选择？徐老师在这节大师课里给出的答案，不是再学一个工具，而是建立别人无法临时生成的信任。 AI literacy 当然必须学，但它更像进入 AI 生态的热身，而不是终点。徐老师借 Sam Altman 与 Greg Brockman 的故事，解释一段没有预设回报的关系，为什么可能在十几年后的关键时刻产生价值；我们也复盘了自己从一次主动联系到多年合作的经历，以及为什么很多后来被称为“贵人”和“运气”的连接，在发生时根本无法提前识别。 长期信任无法速成，但招聘、求职和融资常常要求我们在几个小时，甚至五分钟内作出判断。当简历和面试都经过 AI 包装，陌生人之间还能看什么？徐老师给出了一条很具体的路径：不要急着介绍自己，先理解对方最近真正关心的问题，再提出一个有根据、略有不同的判断。抓住注意力的底层不是话术，而是你是否真的理解了这个人和这件事。 章节： 00:00 开场：AI 时代什么才真正稀缺 00:27 AI literacy 只是热身 01:22 Hard skills 正被模型蒸馏 02:07 为什么信任更难复制 02:28 Sam Altman 与 Greg Brockman 的故事 03:43 我和徐老师怎样认识 05:53 贵人、运气与无法预见的机会 07:03 为什么创业搭档常是旧识 07:22 AI 简历和面试之后，招聘还能看什么 08:16 五分钟内如何获得对方注意 09:21 后续大师课预告 完整大师课回放：https://www.superlinear.academy/c/masterclass-recording/sections/1135481/lessons/4339638

    对话 318｜GPT-6虽然厉害，但无法取代人，原因是

  6. Sep 2

    对话 317｜2026年，硅谷创投，几乎不看AI应用了？｜硅谷一线投资人周楠

    完整版1小时50分钟：https://youtu.be/BseWUBpOHY4 2017—2018 年，当不少出资人还把 AI 看成“不靠谱、太烧钱”的赛道，周楠参与筹备的一支 AI 基金，待投项目里已经有 OpenAI、Databricks 和 Cerebras。基金最终没有募成，这些机会也就这样错过。在那前后，她早期投资了 Cerebras；几年后，又参与了 Scale AI 投资。她由此形成了一条很硬的投资纪律：一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 但“在共识之前看见”并不等于凭感觉押注。周楠会看非常具体的信号：为什么八十多位创始工程师、六十多位博士愿意再次追随 Cerebras 创始人；自动驾驶退潮之后，Scale AI 如何迅速转向公共部门；Alexander Wang 又如何用一段 28 分钟的视频，把公司的历史、客户迭代与未来愿景讲清楚。所谓投资直觉，背后其实是对工程、市场、团队和执行风险的一层层拆解。 这期对话也回答了几个创业者更直接的问题：技术团队很强，为什么 VC 可能五分钟就决定不投？AI Agent 即使能赚钱，为什么仍未必是一家适合风险投资的公司？垂直数据不再天然构成优势之后，真正的机会为什么更可能藏在完整、复杂、高价值的工作流里？机器人怎样跨过 Demo、部署、数据闭环与 ROI 之间的鸿沟？以及大厂技术人创业，最容易犯的三个错误是什么？ 嘉宾： 周楠：硅谷科技投资人。录制本期时任高通创投投资合伙人；曾在百度从事 AI 与芯片投资，是 Cerebras 早期投资人，并参与 Scale AI 投资。 章节： 00:00 精彩预告 00:47 为什么共识形成以后再下注已经太晚 04:49 基金规模如何决定投资打法 06:43 十年前注意到 Scale AI，为什么没有立刻投 10:30 Scale AI 如何穿越自动驾驶退潮 14:48 Cerebras：Transformer 之前的算力下注 20:38 投资直觉如何经由风险拆解验证 22:32 什么才是足够大、足够难的问题 25:31 技术很强，为什么 VC 五分钟就会拒绝 30:09 OpenAI、Databricks 与那支没募成的基金 36:53 垂直 Agent 真正还剩什么机会 39:15 Physical AI：Demo、部署与数据闭环 42:32 Token 如何改写硬件商业模式 44:40 能赚钱的产品，为什么未必值得 VC 投 45:35 从 Demo 到量产：什么是“暂时的 PMF” 47:12 这一轮 AI 接近收割，下一个周期在哪里 52:44 为什么正确的建议也可能毫无用处 55:26 大厂技术人创业的三个误区 57:48 什么样的创始人真正 coachable 59:42 不追热点，AI 时代谁不容易被淘汰 1:00:41 现在还该创业吗？一定要拿 VC 钱吗 1:01:50 怎样讲出能打动一线 VC 的故事 #AI投资 #创业 #风险投资 #OpenAI #ScaleAI 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。

    对话 317｜2026年，硅谷创投，几乎不看AI应用了？｜硅谷一线投资人周楠

  7. Aug 29

    立正说 210｜Hypothesis Testing Explained｜假设检验详解：Alpha、Beta、Power、MDE与样本量

    假设检验详解（Hypothesis Testing Explained）：从第一性原理理解Alpha（α）、Beta（β）、统计功效（Power）、MDE、标准误与样本量。视频为英文讲解，已提供简体中文字幕；内容也涵盖原假设/备择假设、第一类/第二类错误与临界值。 中文技术伴读（含公式、视频截图与常见误解）： https://www.superlinear.academy/c/posts/hypothesis-testing-alpha-beta-power-mde 【为什么重新上传】 这期视频最早由我和Statsig数据科学团队在2024年共同制作，并发布在Statsig的YouTube频道。后来Statsig不再使用那个频道，原视频也不再在线，所以我把最终版本重新上传到自己的频道，方便需要的人继续观看。 Hypothesis testing explained visually and from first principles: null and alternative hypotheses, standard error, Type I and Type II errors, alpha, beta, statistical power, minimum detectable effect (MDE), critical values, and sample size. Many textbooks blur Fisher’s significance testing with the Neyman–Pearson decision framework. This tutorial separates the two, then reconnects the concepts into one coherent experimental design. You’ll learn: • Null vs. alternative hypotheses • Standard deviation vs. standard error • Type I error, alpha, and critical values • Type II error, beta, and statistical power • How sample size changes power and MDE • Minimum Detectable Effect (MDE) • Common misconceptions about p-values and “accepting” H₀ This video was originally produced with the Statsig data science team in 2024 and refined through six versions. 00:00 Why hypothesis testing matters 02:46 H₀, alpha, and the critical value 06:41 H₁, beta, and statistical power 09:26 Statistical power in three views 11:23 MDE, standard error, and sample size 14:26 Common misconceptions and practical takeaways 15:41 Conclusion Presented by Yuzheng Sun, PhD.

    立正说 210｜Hypothesis Testing Explained｜假设检验详解：Alpha、Beta、Power、MDE与样本量

  8. Aug 28

    对话 316｜让心自由，才能更好地活着｜对话《金刚经50讲》王路

    完整版+文字解读：https://www.superlinear.academy/c/recording/wanglu 如果 AI 不会真正地痛苦，它就谈不上“成佛”；如果钱已经够了，我们仍然放不下成功，真正驱动我们的可能也不是钱。 这两个看似很远的问题，在这场对话里被王路用“无我”和“应无所住”串到了一起。在他看来，AI 是否可能成为佛教所说的“有情”，要看它是否拥有无法无损复制的经验和真实的痛苦；而人能否看清自己对成功的不甘，则要先分清收入、流量、title 等代理指标，与被认可、被尊重或创造价值这些更深层的需求。 我们从经、律、论和阿毗达磨讲起，梳理部派佛教、大乘、中观、唯识、如来藏与禅宗之间的关系，也追问：大乘经典即使并非佛陀的逐字原话，为什么仍可能延续了他没有被充分写下的精神？“应无所住”为什么不是把心擦成一面干净的镜子，而是不要把持续变化的人和世界钉死在某一个切片上？ 讨论也落到了一些很具体的生活问题：普通人读《金刚经》到底有什么用；轮回如何作为一种无法证伪、却能改变行为的叙事；禅修为什么不应该以“灵魂出体”等特殊体验作为进步的标准；把商业包装成“发愿”会给自己带来什么问题；以及简历、人设和个人品牌如何既帮助传播，也可能把变化中的人固定成一个标签。 嘉宾： 王路：学者、作者，得到《金刚经》课程主讲人；长期写作佛教议题，主要研究说一切有部阿毗达磨。 章节： 00:00 精彩预告与嘉宾介绍 01:19 阿毗达磨与佛教谱系：大乘如何继续解释佛陀 13:52 “应无所住”：不要把变化中的世界定格 21:28 普通人读《金刚经》有什么用 24:37 唯识、AI 意识与“有情”的边界 30:00 阿罗汉、涅槃与人为什么需要宗教 35:26 禅修为何不该追求特殊体验 42:46 法布施、发愿与人的混合动机 50:58 标签、人设与“凡所有相皆是虚妄” 59:29 内卷、成功焦虑与真正的需求 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy/，或下载App：超线性学院。 频道周边：https://shop.lizheng.ai/

    对话 316｜让心自由，才能更好地活着｜对话《金刚经50讲》王路
See All (532)

About

《课代表立正》是一档关于AI、职业与商业的中文播客。这里既有与AI研究者、科技创业者、一线管理者和真实实践者的深度对话，也有课代表立正对产品、增长、创业与职业选择的亲身复盘。我们不只追逐新工具，更关心：当AI改变能力和成本，个人与组织怎样重新设计工作，把判断和本事做成真正进入现实、值得留下的作品。 主播课代表立正，本名孙煜征，康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。2020年以来完成200+场公开对话，跨平台关注者400K+。 加入Superlinear Academy免费社区，与2万+成员一起交流；这里已有700+真实项目与实践分享： https://www.superlinear.academy/ 了解立正与更多作品： https://www.lizheng.ai/

Information

  • Creator
    课代表立正（孙煜征）
  • Years Active
    2025 - 2026
  • Episodes
    532
  • Rating
    Clean
  • Copyright
    © 2026 课代表立正（孙煜征）
  • Show Website
    课代表立正

You Might Also Like