ARTICLE · 1078115
刘勇 AI 创业投资课程(北大)
PPT 文字提取
来源链接：https://www.xiaohongshu.com/discovery/item/6ab4b7120000000018010515
第1页
互联网大年：1995；移动互联网大年：2010
问题：为什么比尔·盖茨和乔布斯都生于 1955 年？
SEQUOIA CAPITAL
“Bet on the racetrack, not the jockey.”
《孙子兵法》：善战者，求之于势，不责于人。
选择大于努力：赛道选择 > 个人能力
一流赛道 + 三流创业者，成功概率高于二流创业者 + 三流赛道
势，先于人。
赛道为王
红杉资本的投资真言
第2页
How 的通用框架需要满足什么标准？
一个真正有用的框架，必须同时经得起几项标准的检验。
01 第一性原理
不能只讲故事，必须要用经济学基本原理，回到底层生产要素：资本、能源与劳动力。
（解释变量）
02 能量化、能验证
能落到可比较的变量、阈值与数据，而不是模糊叙述。
（检验关系）
03 跨时代可移植
既能解释历史，也能指导今天的选择，并允许未来证据推翻。
（指导决策）
第3页
Agenda
最终产出是回答：在哪里、为什么现在、下一步做什么。
01 宏观变化
什么能力或生产要素正在快速变便宜？
02 战场优先
同一任务，机器 + 能源何时低于劳动力？哪个地区先跨线？
03 Why Now
哪个模型能力拐点，刚刚改变了成功率、成本？
04 下一步行动
用一项 30 天实验验证最关键假设；提前写下否决条件。
个人简介：Patrick 硅谷 AI，AI 投资人｜14 年连续创业者｜解读硅谷 AI [无法辨认]
第4页
CHAPTER 01 · MACRO · EXTERNALIZING CAPABILITY
技术史的主线，是人类能力不断延伸的历史
Progress
• transforming material• Stone tools• Bronze tools• Iron tools• 2,000,000 BC—1200 BC• transforming energy• Water power• Steam power• Electric power• Combustion power• 1780—1895• transforming information• Communicating & storing information• Computing information• 1940—2008
被外部化的能力
• 工具 → 改变物质• 能源 → 持续做功• 信息 → 存储、传输、计算• AI → 生成、推理、规划、调用工具、执行动作
技术消灭稀缺；但商业价值的本质是稀缺。
第5页
CHAPTER 01 · KONDRATIEV · SYSTEM DIFFUSION
康波周期：技术只有穿过基础设施和组织，才会成为经济浪潮
历史上的五轮康波周期
• 纺织和蒸汽机技术（63 年）• 钢铁和铁路（47 年）• 电气和重化工业（56 年）• 汽车和电子计算机（43 年）• 信息技术：？
每轮技术体系的共同扩散链：
核心技术 → 基础设施 → 组织／制度重构 → 大规模市场与利润池
AI：信息技术的延伸，还是新周期的起点？
第6页
CHAPTER 01 · FOUR CYCLES
每轮康波周期都是一个 50 年的长周期
三个大特征
本质是能源转换效率，生产力百倍提升 新的大市场出现，生产关系逐渐变化 复苏和繁荣阶段是最好的创业阶段；金融泡沫和崩盘
繁荣 → 衰退 → 萧条 → 复苏
每一次技术革命，都是一次大规模的重新发牌。
第7页
CHAPTER 01 · THREE MECHANISMS
技术革命通过三种机制让普通人离财富更近
增量市场红利内容：消除稀缺后增加了新用户／任务误判：把 TAM 当收入 经验清零效应内容：便宜导致新稀缺（渠道／流量／数据）误判：年轻即正确 资本壁垒降低内容：投入结构分化（原型／获客／算力）误判：以为 AI 创业更轻
结构性创业窗口 = 新需求被创造 × 旧资产失配 × 新投入结构
新公司源于三种经济机制制造的“空位”。
第8页
CHAPTER 01 · DELEGATED TASKS
问题：AI 的增量市场是什么？还是没有增量？
PC核心要素／能力：计算新增单位：计算机商业模式：软件许可
互联网核心要素／能力：分发与连接新增单位：上网用户商业模式：广告／平台／电商
移动核心要素／能力：随时随地连接新增单位：手机商业模式：App／O2O／订阅
AI核心要素／能力：智力新增单位：Agent商业模式：按调用／任务／结果
第9页
CHAPTER 01 · COMPLEMENTS REVALUATION
要素降价不会消灭稀缺，只会重估新的稀缺
机械动力互补资产／新稀缺：能源／机器设计结果：规模化生产
电力互补资产／新稀缺：电网／电机结果：重构工厂
计算互补资产／新稀缺：软件／数据结果：问题定义更重要
互联网分发互补资产／新稀缺：注意力／搜索／支付结果：筛选与履约稀缺
AI 生成与执行互补资产／新稀缺：判断／预测／权限／责任结果：???
关键要素降价 → 新稀缺资产需求上升 → 利润池重组 → 进入战场选择
第10页
CHAPTER 02 · BATTLEFIELD
通用战场优先框架：规模化替代取决于三种生产要素的微观经济
完成同样的任务：
资本（机器）+ 能源 ≤ 劳动力价格（工资）
谁的工资最高 → 最有动力“少用劳动力” → 最容易“多用机器”
当成本差显著且持续 → 规模化 PMF 最先在该战场爆发
技术革命不会平均发生；它先发生在要素价格最先让“技术替人”算账经济的地方。
第11页
CHAPTER 02 · BATTLEFIELD
把通用框架翻译成 AI 创投的两个问题——VC 问的三大经典问题
先判断哪里会跨过规模化阈值，再判断自己能否站在价值发生的位置。
01 · What
规模化 PMF 最先会在哪个战场发生？
比较任务、工资、模型、算力与接管成本。
02 · Why Now — Timing
而我，又该如何切入痛点？
比较切入点、入口、客户关系、数据。
• 战场决定赔率• Timing 决定胜率
第12页
COST COLLAPSE
AI 的宏观拐点：AI 摩尔定律每 12 个月成本下降 10—30 倍，能力翻倍
达到 GPT-3.5 水平（MMLU 64.8）的推理价格：
• $20（2022.11）• $0.07（2024.10）• >280×（约 18 个月）• 对数口径：固定 benchmark 能力
调用价 ≠ 合格结果成本
底层价格下降只是第一步。谁能把下降传导到合格结果成本，谁才有商业窗口。
成本构成：数据 + 工具 + 集成 + 重试 + 接管 + 风险
TOKEN｜数据｜工具／集成｜重试｜人工接管｜错误／全损
问题：模型接近免费后，利润留给你，还是被客户要求降价？
8 / 45
第13页
CHAPTER 02 · BATTLEFIELD
AI 时代的战场优先框架
完成同样任务，当“模型 + 算力”的真实成本低于“人”的成本，规模化 PMF 才会跨线。
模型 + 算力 + 失败接管成本 < 人的全成本
AI 的规模化 PMF 不是平均发生的，而是先发生在最先跨过“机器 < 人”阈值的任务与地区。
美国 · 第一波
• 高价值白领更贵• 资本、算力与企业软件生态更密集
结论
当前最先跨线：美国的高价值、数字化、可验证任务
AI 创业不是找最大的市场，是首先找最先跨过阈值的市场。
17 / 45
第14页
CHAPTER 02 · BATTLEFIELD
推算过程 1：等式右边——人有多贵？
AI 最先替代的不是“所有工作”，而是程序员、分析师、法务、研究员等高价值数字劳动。
• 美国：$60—150／小时• 中国：$10—40／小时• 同一复杂任务的人类成本：美国约为中国的 3—5 倍
官方锚点 · 美国
• 软件开发者中位工资 $133,080／年 ≈ $64/h• 律师中位工资 ≈ $72.67/h
官方锚点 · 中国
• 信息软件 IT 非私营平均 238,966 元／年• 约 115 元/h ≈ $16/h（2080h、汇率近似）
采纳阈值：美国机器成本压低到约 $60/h 即可触发；中国往往要接近 $20/h，才出现相似 ROI。
18 / 45
第15页
CHAPTER 02 · BATTLEFIELD
等式左边：机器完成复杂任务的真实成本
AI 成本不是 Token 单价，而是完成一个可验收任务的总成本。
总成本 =〔算力成本 + 失败时人工介入成本 ×（1 − 成功率）〕÷ 成功率
一次尝试 → 成功；或失败 → 人工介入／重试 → 合格结果
单位合格结果成本示例
90%成本：2.2×
50%成本：12×
20%成本：45×
10%成本：100×
示例假设：算力成本 = 1，人工介入成本 = 10。成功率从 50% 降到 20%，真实成本从 12× 升到 45×。
20 / 45
第16页
CHAPTER 02 · BATTLEFIELD
同一公式，两套要素价格：软件先看美国，物理自动化再看中国
把同一个任务分别代入两国的工资、机器、能源与部署成本。
人工成本美国：高价值知识劳动更贵中国：工程与交付人力更可得对阈值影响：右边：替代价值
模型／资本美国：私人资本、云与模型生态密集中国：开源、成本工程与快速追赶对阈值影响：左边：机器价格
制造／部署美国：高 ARPU、软件采购成熟中国：机器人、硬件、工厂与服务网络对阈值影响：左边：部署成本
市场／规则美国：责任成本高，预算明确中国：产业场景密集，价格竞争强对阈值影响：风险与规模速度
当前判断：美国更容易先跨过“数字白领”阈值；中国更容易在受控制造任务中降低“机器 + 部署”成本。
21 / 45
第17页
CHAPTER 02 · BATTLEFIELD
“国运”不是赛道答案，而是改变战场的要素
国家条件不替代任务判断；它通过要素价格、基础设施与规则，改变哪类任务最先跨线。
人工成本 → 资本／算力 → 能源与基础设施 → 客户与采购 → 监管与责任
国家条件 → 改变机器成本与劳动力成本 → 改变 PMF 阈值 → 改变创业窗口
美国 · 数字劳动的第一波
• $285.9B（2025 私人 AI 投资）• 5,427 个数据中心；高价值白领工资高
中国 · 物理部署的要素优势
• 54%（2024 全球工业机器人安装量）• 295,000 台；制造密度与供应链完整
第18页
CHAPTER 02 · BATTLEFIELD
成本阈值成立，还要：新……大……快
01 新市场
增量市场
02 TAM 大
Addressable 市场大
03 快速起规模
跨客户复制
任一项不过线：不是“再讲一个叙事”，算账和传统判断标准的结合。
22 / 45
第19页
CHAPTER 03 · WHY NOW
战场优先框架 Timing 版：Why Now
寻找 Driver——真正推动创业窗口打开的驱动力。
供给与需求，看什么？
• 需求：旧而贵的问题一直存在（需求常在，窗口偶开。）• 供给 = 技术：AI 时代，大模型能力是最大的 Driver
所以，创业最佳时机不是由热度决定，而是由大模型能力拐点决定。
Timing 的本质，是等到技术成熟，但不要等到市场成熟。
25 / 45
第20页
CHAPTER 03 · WHY NOW
基于推理步数的能力拐点模型
单步能力的小幅提高，会在长链任务上产生非线性跃迁。
完整任务成功率 = 单步成功率 p 的 n 次方：P(success) = pⁿ
1p = 95%：95%p = 99%：99%
5p = 95%：77%p = 99%：95%
10p = 95%：60%p = 99%：90%
20p = 95%：36%p = 99%：82%
50p = 95%：8%p = 99%：61%
结论：10 步任务，单步从 95% 提升到 99%，端到端成功率从 60% 跃升到 90%。
来源：课程模型；独立步数假设用于数学，实际任务需端到端测评校准。
27 / 45
第21页
CHAPTER 03 · WHY NOW
Claude Code：能力拐点前等了三年，窗口打开后 87 天 Preview → GA
能力拐点可能等待多年，但一旦任务与产品形态跨线，产业反馈会以月为单位压缩决策时间；领先来自预先准备好的任务、产品与重测机制。
2022事件：Anthropic 内部尝试 Claude Code [无法辨认]时机含义：需求和 Idea 已在，能力钟未过线
2024事件：Sonnet 在开发者中成为重要模型，[无法辨认]时机含义：用户、任务和反馈门[无法辨认]
2025-02-24事件：Claude Code 以 limited research [无法辨认]时机含义：Task／Workflow 证据公开收集
2025-05-22事件：Claude Code 随 Claude 4 正式 GA时机含义：Preview → GA：87 天
CASE
如果团队在 2022 年只记录“代码 Agent 没需求”，2025 年仍然不会重启。正确记录应是：需求存在，但哪些能力导致失败？当模型在代码库理解、工具调用和测试闭环上改变时，任务量是否跨[无法辨认]
课堂问题
如果你的战场窗口也只给 87 天，你今天是否已经准备好任务集、设计伙伴、入口和产品形态？还是模型跨线以后才开始研究用户？
CLAUDE CODE｜87 days｜Anthropic
35 / 45
第22页
CHAPTER 03 · WHY NOW
Coding 率先跨线，不是因为程序员最容易被替代
Coding 同时具备高人工价值、数字化环境、自动 grader、快速反馈、现成 reviewer 与结构性入口，因此比许多知识工作更早跨过[无法辨认]阈值。
V 人工价值Coding 的条件：美国软件开发者 2024 中位年薪 $133,080对规模化的影响：自动化价值上限高
输入／环境Coding 的条件：代码库、issue、terminal、CI 数字化对规模化的影响：[无法辨认]
GraderCoding 的条件：编译、测试、lint、benchmark对规模化的影响：自动验收与重试
反馈速度Coding 的条件：秒到小时对规模化的影响：快速迭代和数据复利
CASE
代码补全只是 Feature；理解代码库、修改多个文件、调用终端、运行测试并进入 review loop，才是更完整的任务战场。模型能力上升时，价值会从“生成代码”向[无法辨认]、评测与工作流控制[无法辨认]
课堂问题
Coding 的六项结构性优势中，你的战场拥有哪几项？缺失项能靠产品设计补齐，还是属于无法绕过的结构性缺口？
MARKET DATA
01 US developer median：$133,08002 2024—34 employment：+16%03 BLS · May 2024
U.S. Bureau of Labor Statistics, Software Developers, 2024 median pay, [无法辨认]
30 / 45
第23页
CHAPTER 04 · APPLICATION
AI 产品经理：可验证性是一个战场结构
可验证性同时降低验收、接管与错误发现成本，并把每次交付转化为结构化反馈；在其他条件相近时，grader 更强的任务是更好的创业战场。
Coding patch主要 grader：编译、unit test、CI、review反馈时间：秒—小时错误可见性：较强
发票／理赔字段主要 grader：规则、对账、后续拒付反馈时间：小时—周错误可见性：中强
法律检索主要 grader：引用存在性、覆盖率、律师复核反馈时间：小时—天错误可见性：中
品牌文案主要 grader：人类偏好、投放结果反馈时间：天—周错误可见性：弱到中
CASE
一个 coding agent 写完 patch 后可以运行 unit tests；失败就重试，通过后再由 reviewer 检查。这使团队能够同时降低交付失败和积累结构化失败样本。相反，[无法辨认]
课堂问题
你的任务今天最接近哪一种 grader：规则、测试、专家复核、延迟业务结果，还是几乎没有？你能否通过改写任务，把反馈从一周缩短到一小时？
31 / 45
第24页
CHAPTER 04 · APPLICATION
AI 产品经理做 Eval：20 个真实失败任务，比 Benchmark 更接近你的战场
创业公司的第一条 AI 资产不是提示词，而是一组能稳定复现客户任务、环境和失败的评测集。
必须记录
• Task：用户目标、输入、限制、合格标准• Environment：工具、权限、状态、版本、异常• Grader：规则、单元测试、模型、专家、业务结果• Failure taxonomy：能力失败、工具失败、权限失败、状态失败、风险违规
CASE
法律合同 Agent 的任务集不能只放十份标准合同，还应包含扫描质量差、条款冲突、权限不足、附件缺失、跨语言和必须展开专家级失败样本。否则高分只证明在闭环场景优化。
课堂问题
如果今天必须判断这个战场是否可运营，你会用哪 20 个任务测量？其中哪三个失败会直接否决上线？
33 / 45
第25页
CHAPTER 04 · APPLICATION
AI 产品经理：如果代码环节快 4×，组织吞吐为什么可能只快 1.43×
AI 每解决一个局部瓶颈，价值就向没有同步提速的相邻环节迁移；创业者不仅要看模型刚刚替代了什么，更要计算它在系统里新制造了什么稀缺。
CodingAI 前：40AI 后（相对时间）：10AI 后占比：14%
其他非并行环节AI 前：60AI 后（相对时间）：60AI 后占比：86%
总周期AI 前：100AI 后（相对时间）：70AI 后占比：—
被 AI 加速的供给｜新暴露的瓶颈｜可能形成的 AI-native 战场
CASE
如果创业者只看到“代码更便宜”，最直觉的反应是再做一个代码生成器；但系统利润池可能已经转向更难的相邻环节：该定义正确规格，该证明 patch 安全，该管理 Agent 权限，该清理 AI [无法辨认]
课堂问题
如果你的产品真的把目标环节提速五倍，客户流程中哪一个环节会先被压垮？谁为这个新瓶颈负责，预算又会从哪里迁过来？
32 / 45
第26页
CHAPTER 04 · APPLICATION
AI 产品经理之冲浪三天法
为下一代模型做产品
测量今天，重估昨天，预测明天
P 太低／长链失败新模型可能改变吗：高触发事件：新模型、工具、context、harness重测方法：固定任务集多次 trials
推理或延迟太贵新模型可能改变吗：高触发事件：降价、缓存、本地部署、量化重测方法：重算 R 与 Cq
[无法辨认]太重新模型可能改变吗：中触发事件：新 UI、自动恢复、低置信路由重测方法：影子测试测 H
AI 产品经理的核心是需求曲线和能力曲线的交点。
36 / 45
第27页
CHAPTER 04 · APPLICATION
Cursor 证明了 Coding 战场，“复制 Cursor”呢？
Cursor 的增长证明开发预算大规模迁移到 AI，但其从编辑器到 Agent、模型与算力整合的路径说明：后来者不能只复制功能，必须选择仍可控制的任务入口或结果责任。
2025-01可核实事件：Cursor 官方称 recurring revenue [无法辨认]它证明什么：Coding 用户开始大规模付费它不证明什么：收入为审计 ARR
2025-06可核实事件：官方称 ARR 超过 $500M，覆盖超过半数 Fortune 500 [无法辨认]它证明什么：企业预算与分发显现跨线它不证明什么：任意代码助手都可复制增长
2026-03可核实事件：Bloomberg 报道 annual sales [无法辨认]它证明什么：品类进入高速规模期它不证明什么：严格可比的年度账面收入
2026-08可核实事件：Cursor 官方宣布被 SpaceX 收购它证明什么：模型、算力、产品入口进一步垂直整合它不证明什么：独立创业入口已经消失殆尽
CASE
一个团队准备做“面向所有开发者、支持所有语言、比 Cursor 更懂上下文”的新编辑器。如果没有独占分发、专有代码环境、结果责任或结构性成本优势，那么 Cursor 的增长不是它的利好，而[无法辨认]
课堂问题
如果 Cursor、基础模型和现有 IDE 明天都免费加入你的核心功能，客户仍然必须购买你的三个理由是什么？其中哪个理由已经有证据？
MARKET SIGNAL
01 Jan 2025：>$100M ARR02 Jun 2025：>$500M ARR03 >50% of Fortune 500
38 / 45
第28页
CHAPTER 04 · APPLICATION
Abridge：医疗 Vertical AI 的壁垒在证据、入口与责任闭环
医疗文书的价值来自“可签字结果 + 医生复核 + EHR 入口”，但专科异质性说明不能用总体平均值替代任务选择；深工作流是壁垒，也是责任与实施成本。
每次就诊 notes 时间使用前：6.2 min使用后：5.3 min结论：调整后约减少 0.91 分钟
写文书 mental demand使用前：12.2使用后：8.3结论：认知负荷显著下降
hurried／rushed pace使用前：13.2使用后：8.4结论：时间压力显著下降
写文书 effort使用前：12.5使用后：7.4结论：努力程度显著下降
CASE
同一套 ambient AI 在全科医生那里可能显著减少文书压力，在神经科却因专科体格检查格式不匹配增加修改。若团队只看总体平均值，会把专科差异误判成销售执行问题；真正的战场选择是把任务、模[无法辨认]
课堂问题
如果把任务从“整理笔记”扩展到“建议 order 或临床行动”时，哪一条原来成立的假设必须重新验证？谁拥有否决权与最终责任？
CLINICIANS
Clinically Useful and CompliantAI Notes—In Real Time
ABRIDGE
03 47% capacity for 1 more visit
39 / 45
第29页
FIVE VARIABLES
中美 AI 竞争，0—1 vs 1—10，五个变量的组合
FRONTIER MODELS美国／硅谷：顶尖模型、数据中心与资本领先中国：能力差距快速收窄，开源活跃
AI TALENT美国／硅谷：全球顶尖人才与研究网络中国：大规模工程人才与产业人才
RISK CAPITAL美国／硅谷：超大额私人资本、并购与美元退出中国：私人资本较弱，政府与产业资本更重要
MARKET美国／硅谷：高 ARPU · 全球 SaaS 开发者生态中国：超大市场 · 强竞争、多行业场景
PHYSICAL WORLD美国／硅谷：软件 · 云 · 芯片设计强中国：制造 · 供应链、机器人部署强
2025 美中私人 AI 投资
$285.9B vs $12.4B｜模型性能差距已基本收敛
08 / 24