本文核心观点与数据框架，来自小宇宙《张小珺商业访谈录》136期《全球大模型季报》第9集。

本期播客由张小珺与李广密围绕2026年第一季度全球大模型行业发展展开讨论，核心聚焦Coding成为AI新主线，分析硅谷头部模型公司的战略、组织特点，同时讨论了AI对社会、投资的影响，以及未来产业趋势。给了我很多启发，推荐大家去收听原播客：

https://www.xiaoyuzhoufm.com/episode/69de68cfb977fb2c47f1ee14

访谈中提到：2026年第一季度，AI行业发生了一件大事：Anthropic公司的Opus模型从4.5版本升级到4.6，这次升级被业内称为“跨代际提升”——其意义被比作当年从GPT-3到GPT-4的飞跃。但这次升级的核心，不是聊天能力变强了，而是：AI终于开始真正“干活”了。

这意味着，AI正在从一个“嘴强王者”（能聊但不能做），进化为一个“实干家”（能独立完成复杂任务）。这个转变，将对每个人、每家企业都产生深远影响。

一、核心认知：AI进化的“三幕剧”

要理解当前AI的发展阶段，可以把它想象成一场三幕剧：

第一幕：Chatbot（聊天机器人）—— 序幕已过

这是大家都熟悉的阶段，核心能力是“对话”。它们能做很多事情，但只能被动完成任务，缺乏主动性。

第二幕：Coding Agent（编程智能体）—— 正在进行

AI开始学会写代码、运行代码、调试代码，最终独立完成数字世界的任务。

代码是数字世界的“施工指令”，一个能写代码的AI，本质上就学会了操作电脑、处理数据、完成各种白领工作。

按照本次播客嘉宾的判断，完成这一幕，90%的AGI目标就已经实现。

第三幕：自动化AI研究员 —— 展望未来

届时，AI不再需要人类指示，能自主提出假设、设计实验、验证结果，推动科学发现。这一阶段的AI，将不再只是执行者，而更像是能够独立思考和发现的“科研伙伴”。

理解这三幕，就能理解为什么当前所有顶尖AI公司都在拼命“做好Coding”。

二、一个深刻的洞察：为什么“组织管理”比技术更重要？

这篇文章最反直觉、也最深刻的判断是：做好Coding模型，技术门槛本身不是最大难点；真正的挑战在于组织文化和数据。

2.1 在一家顶级AI公司里，最难的事是什么？

“顶级AI公司的核心竞争力是什么？”

大多数人会回答：算法、算力、人才。

播客中提出了一个更深层、反直觉的观点：让几百名顶尖研究员愿意沉下心来做“脏活累活”。比如：

• 整理和清洗数据
• 标注成千上万个样本
• 构建评估体系
• 反复调试同一个模型的细节
• 记录和分析每一次失败的实验

很脏很累，但它们是做出顶级Coding模型的必要条件。

2.2 为什么聪明人不愿意做“脏活”？

这就引出了一个核心的组织管理难题：激励机制的错配。

顶尖研究员之所以成为顶尖，很大程度上是因为他们有强烈的内在驱动力——追求0到1的突破、探索未知领域、发表开创性成果。这是他们的“天性”，也是他们的价值所在。

但问题是，一个AI实验室不能只有“探索者”，还需要“建设者”。需要有人愿意做那些枯燥但必要的基础工作。

文章对比了两家公司的文化：

结果是：在Coding这个需要大量“脏活”的赛道上，战略聚焦的Anthropic反而领先了人才储备更雄厚的OpenAI。

这主要不在于技术能力的差距，而是组织管理能力的区别。

2.3 更深一层：使命感的力量

文章还指出了一个容易被忽略的因素：使命感。

Anthropic的创始人都是物理学家出身。他们的风格不是追求花哨的新范式，而是专注、深入、把一件事做到极致。这种文化渗透到组织的每个层面。

• 他们不招“大人物”，更愿意招募有潜力的非知名人才
• 首席科学家会亲自带队梳理数据，这不是“下属的活”
• 信息管控严格，防止外泄，保持战略聚焦

这种文化的形成，不是靠KPI或奖金，而是靠共同的使命感和对“什么是重要工作”的共识。

这带给我们一个核心启示：在AI时代，组织文化本身就是核心竞争力。

2.4 为什么数据是第二要素？

理解了组织文化的重要性，再来理解数据的重要性就很容易了。

训练一个能写代码的AI，需要的不只是文本，而是包括任务指令、环境信息、动作轨迹、反馈结果在内的全链路数据。这种数据的获取和清洗，远比从互联网上抓取文本困难得多。

数据就像AI的“食物”。食物的质量决定了AI的能力上限。

谁能建立高质量的数据流水线，谁就建立了长期壁垒。而建立这样的流水线，需要的是：组织愿意投入资源、团队愿意做“脏活”、有清晰的流程和标准。 这又回到了组织管理的问题。

2.5 技术可以追赶，组织难以复制

技术会扩散。今天OpenAI的算法，几个月后Google也能实现。GPU可以采购，算力可以堆砌。

但组织文化、团队默契、数据流水线、使命感——这些东西是无法快速复制的。它们是时间的产物，是每一天、每一个决策、每一次协作的积累。

三、行业全貌

一个关键数据点：市场预期，到2026年底，Anthropic和OpenAI的ARR（年度经常性收入）都可能达到800-1000亿美金，到2027年更将冲击1500-2000亿美金，它们正在成为新时代的超级巨头。

四、AI时代，管理将变得更加重要

很多人直觉上认为：AI能自动做决策、自动分配任务、自动考核绩效，那“管理”这个职能是不是要消失了？

事实恰恰相反。 AI确实在替代部分执行性、流程性的管理工作——比如数据录入、进度跟踪、基础分析。但与此同时，管理的本质正在被重构，其战略价值反而被空前放大。

4.1 管理的对象变了：从“管人”到“管人+AI”的复合系统

过去，管理主要面对的是人性的复杂性（激励、考核、协调）。未来，一个团队可能是“3个顶尖人类 + 20个AI Agent”。管理者需要懂业务、懂人性，还要懂AI的能力边界——什么任务交给AI、什么任务留给人、如何评估AI的产出。

这意味着：管理者需要同时驾驭两种截然不同的“物种”。

4.2 管理的重心变了：从“执行监控”到“目标与边界设定”

当AI能高效执行时，管理者的核心价值不再是指挥“怎么做”，而是定义“做什么”和“为什么做”。

• 目标设定：AI需要清晰、无歧义的目标。如何将一个模糊的商业愿景（“提升客户满意度”），分解为AI可以理解的、可量化的指令？这是管理的艺术。
• 边界约束：AI可能会为了达成目标而“走捷径”。管理者必须设定伦理、安全、合规的边界，并对AI的行为负最终责任。

在AI时代，管理是最后一道“安全阀”。

4.3 管理的价值凸显了：从“效率工具”到“战略稀缺品”

当AI将执行效率“拉平”后，企业的胜负手就落在了战略选择和资源配置上——这正是管理的核心。

• 战略判断无法被AI替代：选择进入哪个市场、放弃哪条业务线、如何平衡短期利润和长期投入——这些充满不确定性的决策，AI可以提供数据，但最终拍板的必须是人类管理者。
• 创新与冒险：颠覆式创新往往来自反常规的“直觉”。这种打破常规的勇气，依然植根于人类领导者。

4.4 一个比喻：AI是强大的引擎，管理是精密的方向盘

AI就像一台马力巨大的引擎，它能让你跑得飞快。但如果没有精密的方向盘（管理），你可能冲向悬崖，也可能在原地空转。

AI解决的是“效率”问题——用更少的资源、更快地完成任务。而管理解决的是“方向”和“系统”问题——确保所有任务指向正确的目标，并让人与AI高效协作。

AI时代，优秀的管理者不是被替代，而是变得更加稀缺和重要。

五、组织的重构：从“纯人类”到“人+AI”的共生体

5.1 传统组织的假设正在失效

传统的组织管理，建立在一个不言而喻的假设之上：组织是由人组成的。

所有的管理理论——从泰勒的科学管理到德鲁克的目标管理，从金字塔架构到扁平化组织——都是基于“人性”的假设：人有动机、有情绪、有局限性、需要激励、需要协调。

但未来的组织，这个底层假设正在被打破。

5.2 新现实：组织 = 人类 + AI

在AI时代，一个典型的工作场景可能是这样的：

• 人类员工：负责定义目标、做出关键判断、承担最终责任、进行创造性思考。
• AI Agent：负责执行具体任务、处理海量信息、进行数据分析、完成标准化操作。

这两者不是“工具与使用者”的关系，而是“同事”关系。

这意味着：

• 组织架构需要重构：传统的部门划分、汇报关系、协作流程，都需要重新设计，以适应“人+AI”的混合团队。
• 协作方式需要重构：人类与AI之间如何沟通？如何交接？如何互相校验？这些都需要新的规范和流程。
• 激励机制需要重构：AI不需要奖金，但需要明确的目标和边界；人类需要意义感和成就感，这些AI无法提供。

5.3 一个关键的认知：不理解组织逻辑，就无法与AI协作

很多人认为，与AI协作就是“学会用AI工具”——比如怎么提问、怎么调试。这当然重要，但只是表面。

更深层的能力是：理解组织的逻辑。

1. AI是嵌入在组织中的：你不是一个人在战斗。你的AI Agent需要与其他同事的AI Agent协作，需要遵循公司的数据规范、安全标准、流程规则。不理解组织是如何运作的，你无法设定正确的边界和规则。
2. 任务需要被分解和分配：一个复杂的项目，需要拆解成子任务，然后决定哪些给人、哪些给AI、哪些需要人机协作。

这本质上就是一个“微型组织设计”的过程。不懂组织逻辑，就无法做出合理的拆解。

1. 目标需要被翻译：公司的战略目标（“提升客户满意度”）需要被转化为AI可以执行的指令（“将客户投诉响应时间从24小时缩短到2小时”）。这个“翻译”过程，需要理解目标在组织中的传递逻辑。
2. 异常需要被处理：AI会出错，会碰到边界情况。如何处理异常？什么时候需要升级给人类管理者？这个流程的设计，本身就是组织设计的一部分。

5.4 一个反直觉的结论

未来的核心竞争力，可能不是“你会不会用某个AI工具”，而是“你懂不懂组织的逻辑”。

• 如果你不懂组织逻辑，你就像一个不会看图纸的工人——即使给你最好的工具，你也无法在正确的位置上拧紧正确的螺丝。
• 如果你懂组织逻辑，你就能设计出“人+AI”的高效协作流程，你就能成为一个“微型组织”的架构师。

这意味着：学习组织管理知识，不再是“将来当领导”才需要做的事，而是每一个知识工作者的“生存技能”。

5.5 一个具体的例子

假设你是一个市场专员，需要策划一次营销活动。

不懂组织逻辑的做法：打开AI，让它写一份方案，然后照搬。

懂组织逻辑的做法：

1. 理解公司的整体营销目标和预算约束（组织目标）
2. 将任务拆解：市场调研（给AI）、创意生成（人+AI协作）、内容制作（大部分给AI）、渠道选择（人做最终决定）、效果追踪（给AI）
3. 为每个AI Agent设定清晰的目标和边界
4. 设计人机交接点：什么时候人类需要介入？如何验收AI的产出？
5. 建立异常处理机制：如果AI生成的素材偏离品牌调性，怎么办？

前者会被AI取代。后者会成为AI的“指挥官”，价值倍增。

5.6 理论支撑：“语言即世界，代码即方案”

正是在这个背景下，我们可以理解文章提出的一个哲学金句：

“语言即世界，代码即方案。”

这句话的含义是：

• 语言是人类描述世界、传递知识的工具。AI通过学习语言，掌握了理解世界的能力。
• 代码是改变世界、解决问题的可执行方案。在数字世界，代码就是最精确的“施工指令”。

定义目标、翻译需求、设定边界——这些管理的核心能力，本质上就是在做“将模糊的语言转化为可执行的方案”这件事。

• 当CEO说“提升客户满意度”，这是一个语言层面的愿景。
• 当管理者把它分解为“将响应时间从24小时缩短到2小时”，这是在向代码/方案迈进。
• 当AI根据这个指令执行，它就是在运行方案。

所以，管理者的核心工作，恰恰就是完成从“语言”到“代码”的转化。不懂这个转化逻辑，就无法有效驾驭AI。

未来，任何能用清晰语言描述的问题，都有可能被AI自动转化为解决方案。因此，人类最宝贵的能力，正从“亲手执行”转变为“用精确的语言定义问题，并判断AI给出的方案是否可行”。——这恰恰是管理能力的核心。

六、对企业和个人的启发：学习组织管理，是AI时代的必修课

对企业：你的组织文化决定你能走多远

1. 不要只追求“技术领先”：没有好的数据基础和组织协同，再强的技术也难以落地。Anthropic vs OpenAI的案例已经证明了这一点。
2. 重视“脏活累活”：数据清洗、流程优化、反馈闭环——这些“不性感”的工作，恰恰是长期的护城河。
3. 战略聚焦比摊大饼更重要：对大多数企业而言，聚焦一个细分场景做深做透，比追求“大而全”更有胜算。
4. 重新定义管理职能：将重复性、流程性的管理任务交给AI；管理者聚焦于战略、文化、创新和危机处理。
5. 重构组织架构：从“纯人类组织”转向“人+AI共生体”，重新设计部门划分、协作流程和激励机制。
6. 培养使命感文化：在AI时代，技术人才的选择更多。能留住顶尖人才的，不仅是薪酬，更是共同的使命感和对“什么是重要工作”的共识。

对个人：管理能力是你最可靠的“职业护城河”

很多人担心：AI会不会取代我的工作？

这个问题的答案，取决于你的工作性质。

具体建议：

1.重新定义你的核心竞争力：

当AI负责“怎么做”，人类的独特价值在于“做什么”和“为什么做”——这意味着提出正确的问题、做出有温度的判断、发挥创造力和审美品味。

2.从“做”转向“判断和引导”：

未来的工作可能是“指挥多个AI Agent完成任务”，而不是亲手完成每个环节。这本质上就是管理能力——设定目标、分配任务、验收结果。

3.学习组织管理知识：

不要以为管理只是“当领导”才需要学。在AI时代，每个人都需要成为“人机协作”的管理者。理解如何设定清晰的目标、如何进行有效沟通、如何激励团队（包括人类和AI）、如何在不确定性中做决策——这些能力将变得前所未有的重要。

4.理解组织逻辑，成为“人机协作”的架构师：

在AI时代，你不再只是一个“执行者”，你更是一个“微型组织”的管理者。你需要学会如何将任务分解、如何设定AI的目标和边界、如何设计人机协作流程。这些能力，本质上就是组织管理的核心能力。

1. 积极拥抱AI工具：

正如播客所指出的——“AI只会取代不拥抱AI的人”。主动学习使用AI工具，才能成为这场变革的受益者。

结语：AI时代的生存法则

我们正处在一个AI从“对话”走向“行动”的关键转折期。按照目前的趋势判断，AGI的到来可能比大多数人预想的要快。

对于每一位普通读者，最重要的事情或许有四件：

1. 不要恐慌，但要行动。主动学习、拥抱工具，让自己成为受益者而非被动承受者。
2. 回归人的本质。当机器越来越擅长“执行”，管理能力——定义目标、做出判断、承担责任——将变得越来越珍贵。
3. 理解组织的逻辑。未来的组织将由人和AI共同组成。只有理解了组织如何运作，你才能成为驾驭AI的“指挥官”，而不是被AI替代的“执行者”。
4. 记住这个公式：

强大的AI引擎 + 精密的组织管理 = 指数级增长强大的AI引擎 – 糟糕的管理 = 加速冲向深渊

“AI取代的是不拥抱AI的人，积极拥抱AI的人可能是受益者。”

而在这个新时代，积极拥抱AI的最佳方式，就是成为一个懂管理、善协作、能判断的“人机协作指挥官”。

AI提炼的原播客要点总结：

• 关键模型突破：Anthropic的Opus 4.5到4.6实现了跨代际提升，相当于从GPT-3到GPT-4级别的跨越，将AI从Chatbot对话模式带入真正可完成高价值任务的Agent模式。
• 进步幅度数据：过去一个季度模型水平进步幅度超过了2025年全年的进步幅度，OpenAI和Anthropic预计在今年夏天六七月份之前还会实现一次GPT-3到GPT-4级别的跨越。
• 一线落地案例：硅谷前沿实验室的AI研究员、顶级程序员现在写的代码占比小于1%，去年占比约七八成，仅保留人工审核环节，AI写代码水平已经对标Meta R8/R9级别的首席架构师。
• 效率提升数据：过去一个想法到跑通代码需要两三个星期，现在仅需要一两天到两三天，研发效率提升超10倍；多模态模型数据迭代从一两个月缩短到几天到一周。

Coding成为AI主线的核心逻辑

• 核心观点1：泛化性充足代码可以表达数字世界的绝大多数任务，自然语言是对世界的描述，代码是对解决方案的描述，Coding能力达标后可以自动化大部分白领知识工作者的办公室任务。
• 核心观点2：行业梯队筛选不重视Coding的领先模型公司大概率会掉出第一梯队，也不存在只供内部使用的Coding模型，数据分布不足必然导致模型落后，依赖外部Coding模型存在被断供风险。
• 核心观点3：加速作用对标GPUCoding不只是应用场景，更是AI路线图中的核心加速器，没有领先的Coding模型就如同没有领先的GPU，研发效率会大幅落后。
• 核心观点4：发展路径类似亚马逊卖书Coding可以帮助模型拉通数据、工程、用户全链路，为后续横向扩展其他能力打下基础，且Coding的反馈闭环最短，是当前最适合落地的方向。
• AGI路线图定位：AGI发展分为三幕，第一幕是Chatbot，第二幕是Coding Agent，第三幕是自动化AI研究员；当前正处于第二幕，完成Coding Agent后90%的AGI目标就已经实现，不需要新的范式创新。

做好Coding的核心难点

• 核心要素排序：做好Coding最重要的两个要素分别是战略组织文化、数据，技术门槛本身不是最大难点。
• 组织难点拆解：每个AI实验室的顶尖研究员都想做0到1的新突破，不愿意做整理数据这类脏活苦活，很难组织几百人all in投入Coding。
• 数据难点拆解：Chatbot只需要文本类数据，Coding和Agent需要整合任务、环境、评估全链路数据，数据复杂度远高于之前，还需要人工生成大量新数据，难度极高。
• 行业战略误判：过去半年OpenAI和Google都在争抢C端流量，严重低估了Coding的重要性和优先级，直到近一到三个月才将Coding放到最高优先级。

Anthropic战略与组织分析

• 发展路径总结：Anthropic是在2024年夏天推出Sonnet 3.5获得Coding正反馈后，才逐步明确all in Coding的路线，属于在摸索中找到方向。
• 战略特点：Anthropic采取非常聚焦的top down战略，主动放弃了C端、多模态、推理模型等方向，只all in Coding一件事，战略一致性极高。
• 组织文化特点：团队稳定性远高于OpenAI，人才流失少，创始人都是物理学家出身，不追求新的范式创新，只专注把Transformer架构、数据、工程细节做到极致。
• 产品特点：产品Sense更贴合AI原生，Cloud Code选择做终端形式而非跟风做IDE，能够更好承接模型指数增长的红利，用户体验优秀。
• 当前竞争优势：定位金字塔塔尖高价格带用户，坚持高定价不降价，拥有更高的利润率；70%-80%的收入都来自Coding和Agent业务，2026年一季度AR已经超过OpenAI，一两百万付费用户贡献的收入超过OpenAI五六千万订阅用户。
• 风险与瓶颈：当前最大增长瓶颈是算力，此前没有预估到需求爆发，算力规划偏保守，2026年要实现1000亿美金AR需要到处采购GPU；OpenAI和Google最终大概率能追赶上Coding能力，竞争会持续加剧。

OpenAI战略与组织分析

• 当前基础盘：C端遥遥领先，拥有9亿多周活、五六千万付费用户，过去两次推动范式创新，综合实力和人才密度仍然行业领先。
• 战略误判与转向：直到两三个月前才意识到Coding的重要性，此前一直和Google Gemini争抢C端DAU流量，对Coding有严重战略误判，目前已经将Coding放到最高优先级。
• 组织文化的优缺点：优点是自下而上开放探索，更容易诞生范式级突破；缺点是不够聚焦，喜欢摊大饼，过度推崇零到一突破，没人愿意做一到一百的脏活累活，产品打磨不够细致。
• 前景判断：当前市场对OpenAI偏悲观，但实际被阶段性低估，OpenAI大概率能追赶上Anthropic的Coding和Agent能力，有50%概率最终成为AGI的赢家，今年年底即将发布的Spar是真正意义上的GPT-5，会带来代际提升。

Google Gemini战略与组织分析

• 当前现状：Gemini 3.0 benchmarks刷分很高，但实际用户体验不佳，C端没有实现持续增长，至今还没有推出PC桌面版，产品能力偏弱。
• 战略误判：此前过度重视C端和多模态，和ChatGPT争抢C端窗口，严重低估了Coding的重要性，直到最近才将Coding放到最高优先级，比Anthropic晚了三四个月，给了Anthropic充足的黄金发展窗口。
• 组织特点：属于自下而上文化，组织偏僵化，高阶人员占住位置后新方向难以推进，整体运转体系化，已经发展到第三代职业经理人，长期稳定性很强。
• 前景判断：Google现金流和算力都是行业最充足的，拥有操作系统、Google Workspace等现成生态，掉队可能性很低，短期需要调整，长期总能追上来，是最稳的玩家。

硅谷其他模型公司分析

• Meta：Meta已经取代XAI成为硅谷四号种子选手，团队从各家AI实验室挖来了大量顶尖人才，9-10个月就做出了不错的模型，长期有机会追上第一梯队；产品战略还不清晰，收购了Manus后尚未整合，产品创新力弱于中国团队，团队稳定性存疑，砸钱挖人文化不利于长期冒险。
• XAI：XAI短期已经掉队，核心创始团队大多离开，存在战略摇摆问题，从多模态到C端搜索再到Coding不断切换方向，CEO马斯克缺乏耐心，追求短平快效果，不重视数据质量，目前战略路径不正确，手上仍有大量GPU，马斯克调整能力强，并未彻底没戏。
• Cursor：Cursor本质是吃模型公司的技术溢出红利，如果头部模型公司不开放最强模型API，优先自己做产品生态，Cursor就会失去核心优势，最好的结局是卖给微软或者马斯克，窗口是阶段性的。
• Minus：Minus是Alignment概念的鼻祖，被Meta收购卖便宜了，如果晚卖两个月估值就能达到百亿美金，目前收入增长速度非常快。

行业格局总结

• 当前格局特点：硅谷头部三家公司各领风骚一百天，交替领先，三家都拥有足够的人才和资源，都不太会轻易掉队。
• IPO与投资影响：今年年底OpenAI等头部模型公司都会上市，上市后投资者大概率会卖出其他科技公司买入模型公司，模型公司会成为未来科技投资的绝对主线。

国内大模型行业观察

• 当前行业共识：过去三到六个月，国内模型公司已经形成共识，普遍选择走Anthropic的高价值任务路线，认为C端已经没有机会，Coding和高价值任务的上限远高于C端。
• 头部玩家路线：国内kimi、minimax、智谱都转向Anthropic路线，豆包占据C端优势，也一定会跟进Coding和Agent，最终胜负取决于组织能力和资源投入。
• 行业阶段判断：AI行业已经进入工业化时代，早期窗口已经关闭，未来会变成无聊的大厂游戏。

AI行业终局判断

• 模型终极形态：最终领先的大模型会成为新一代全球GDP的操作系统，是比Google更重要的世界基础设施，支持应用无限扩展，覆盖生活、工作、科研全场景，兼容各类硬件，形成新的生态。
• AGI时间表变化：路线图比之前更清晰，进展加速远超预期，大概率今年年底或者明年初就会有一家公司宣布实现AGI。
• 新进入者机会：新模型公司想要出头难度极大，需要满足每年投入三五百亿美金持续投入三五年、创始人有足够认知魄力、能招到上百名顶级AI科学家、拿到足够GPU、选对战略产品方向多个条件，难度相当于再造一个台积电。
• 新实验室观察：硅谷新实验室的技术路线还未收敛，训练还未开始，暂时可以观望，优秀人才流向是最好的观察指标。

Honest Engineering与Agent Harness核心观点

• 核心思路转变：未来需要把AI Agent当成一等公民，给Agent搭建和人类一样完整的工作环境，这就是Honest Engineering的核心思路。
• Harness的价值：Agent能力不止取决于模型，还需要管理和组织，做好Harness后，即使是普通模型也能完成高价值任务，大量非Sota开源模型都能得到应用。
• 商业逻辑变化：未来商业会从区分To C/To B变成区分To人类/To Agent，To Agent模式不再看DAU，更看重Token Usage和利润率，未来工具调用决策会由Agent完成。

AI对社会的影响

• 核心变化：人类的知识和智力已经变得廉价，模型已经比绝大多数人类更聪明，70%-80%人类的社会价值会发生变化，白领将进入失业通缩窗口期。
• 当前失业数据：2026年美国本科毕业生就业率创历史新低，入门级程序员工作已经被自动化，预计2026年就会有30%的白领工作岗位消失，人才成长路径被AI拦腰截断。
• 人类未来方向：创造力和审美品味会成为人类的核心价值，AI基础设施完善后，少数人就能完成过去需要几百人才能做成的事，创造力会被极大释放。
• 给听众的建议：AI只会取代不拥抱AI的人，积极拥抱AI的人会成为受益者。

AI投资相关思考

• 核心投资逻辑：投资的核心指标是能不能持续做出Sota模型，最领先的三五家模型公司最终都会成为十万亿美金级别的公司，加起来总市值会达到三五十万亿美金。
• 个人投资策略：个人投资策略越来越聚焦，八九成精力都放在模型公司上，会极致重仓全球最领先的三五家模型公司，剩下的仓位分散布局机器人、AI for Science、Agent Infra。
• 一季度头部AI公司营收数据：Anthropic公开ARR为300多亿美金，OpenAI为250亿美金，预计2026年底两家都会达到800-1000亿美金，2027年达到1500-2000亿美金，已经成为新的超级巨头；Cursor预计25亿美金，Probability超过5亿美金，Minus和Lovable超过4亿美金，ElevenLabs和Suno超过3亿美金，头部AI产品增长速度都非常快。
• 其他方向机会：机器人和AI for Science是大模型之后下一个大平台，机器人未来6-18个月会出现架构质变，技术路线已经收敛，数据规模化即将开始，中国团队在硬件领域会有更大优势，硅谷公司也开始到深圳招人。
• AI应用公司判断：如果模型成为基础设施，一人公司（One PC）会成为常态，核心判断指标是消耗100美金Token能不能赚到110美金，跑通ROI闭环就能存活。

✨ 金句精选

• “语言即世界，代码即方案。” (战略洞见)
• “今天胜利的秘籍可能就是下个时代的毒药。” (战略洞见)
• “Coding是新的ai加速器，正在加速agi的实现，领先的coding模型就会像领先的gpu。” (战略洞见)
• “AI取代的是不拥抱ai的人，积极拥抱ai的人可能是受益者。” (方法技巧)
• “过去一个季度AI智商的进步，可能比人类过去两百年智商的进步要快。” (思考启发)
• “你消耗了100美金的token，你能不能赚到110块钱，你得把这个ROI跑正。” (执行策略)
• “如果AGENT开始大规模的取代白领，AI取代的是不拥抱ai的人，积极拥抱ai的人可能是受益者。” (思考启发)
• “未来最领先的几个模型，可能就是世界最重要的基础设施，它的重要性比今天的google对世界基础设施的支持还要重要。” (战略洞见)
  

  本文要点也整理成了播客形式，放在小宇宙，方便大家收听：

  https://www.xiaoyuzhoufm.com/episode/69ef3014b4f25397f5b45022