AI 时代怎么“尝百草”：把图表、成本和叙事变成自己的 Loop

一场 53 分钟的线下演讲，为什么值得被剪成一集给 AI 创业者听？因为庄明浩没有在做一份“行业新闻汇总”，而是在展示一种工作：每天收集图表和 PDF，把零散的市场信号放到同一张时间轴上，再决定哪些变化值得进入自己的判断系统。

本期精炼版沿着一个问题展开：AI 创业者怎样把信息囤积，变成能影响产品、成本、竞争和融资决策的工作流？ 我们会保留四个核心判断：先看资本开支和成本曲线，再看模型与 Agent 的竞争位置；先拆开 ARR、估值和现金流，再谈融资叙事；最后把“持续收集”变成自己的复盘循环。

本期已取得《屠龙之术》这集的完整公开音频，并据此完成全量 ASR，再从原音频中复核可定位的庄明浩原声片段。官方节目页提供了 shownotes、时间线和图表页面图片，但本期没有取得 91 页 PPT 的原始文件，也没有把每张图表的底层数据逐一独立复核。因此，节目中的图表数字和演讲中的行业转述，下面都按“原节目演讲中的观察”来讲，不把它们包装成独立审计结论。12

庄明浩把 8 月 1 日到 20 日收集到的图表，连续放进一场 91 页的 PPT 里。他自己把这次分享叫作一次“PPT 乱讲”，但里面有一个很严肃的动作：不是只记住某一条新闻，而是让资本开支、云厂商、GPU 租赁价格、Token 价格、模型发布、ARR 和上市公司市值，彼此撞在一起。

这对创业者有用的地方，不是让你照抄一套行业结论，而是让你看到：信息只有被放进时间序列和因果链里，才会开始产生判断。

很多团队会收藏链接，也会收藏截图。真正难的是三周以后还记得：当时为什么保存它？它改变了哪个判断？下一次要用什么数据来证伪？

演讲里最值得学的，不是“每天平均收集多少张图”，而是把每天看到的东西做成一个持续更新的观察面板。今天看到云厂商的份额，明天看到资本开支，后天再看到 GPU 价格和电力需求，单张图表都可能只是一个局部；放在一起，才会逼你回答一个更具体的问题：AI 产业的钱，究竟先流向了哪里？

对 AI 产品团队来说，可以把信息分成三层。第一层是发生了什么，比如模型发布、价格变化、融资或采购。第二层是这个变化影响了谁，客户、供应商、模型厂商，还是你的毛利。第三层是你准备改什么，产品路线、成本结构，还是销售话术。如果一条信息只停在第一层，它还是收藏，不是判断。

演讲把很多篇幅放在 CapEx、云和 GPU 价格上。这个方向很重要，因为 AI 产品的成本不会只藏在模型调用费里。上游数据中心、电力、芯片、云租赁，最后都会通过价格、延迟、配额和可用性传到产品端。

创业者最容易犯的错，是把“模型能力变强”直接翻译成“我的产品更有价值”。但如果 Token 价格快速下降，模型能力逐渐变成更便宜的基础设施，产品的护城河就不能只写“我们接入了某个模型”。你要继续追问：模型便宜以后，谁会多买一份结果？哪个工作流会因此被重做？你的数据、分发或交付能力，是否能把成本下降变成客户愿意支付的价值？

这也是“卖铲子”叙事要小心的地方。基础设施生意当然可能成立，但不能只看卖了多少铲子。要看铲子有没有被持续使用，使用者是不是有收入，价格下降以后需求是扩大还是消失。对应用团队，反过来也是一样：不要只庆祝调用成本下降，要记录成本下降后你是否真的把产品做得更快、更频繁，或者交付了以前交付不起的结果。

这场演讲把模型发布频率、开源模型、本地部署、Agent 带来的 Token 增长放在了一条线上。它们共同指向一个变化：模型层的领先可能越来越短，模型能力会更快地扩散到更多产品。

这不等于模型不重要。它意味着早期团队不能把全部公司价值押在“我们先接入一个更强的模型”上。更值得经营的是自己的循环：用户提出什么任务，系统怎样拆解，哪里失败，人工怎样接管，结果怎样被评价，下一轮数据怎样让产品更稳定。Agent 增加 Token 消耗，并不自动等于产品产生价值。只有当更多 Token 换来了更高完成率、更少人工介入或更高复购，消耗才有商业意义。

这里可以做一个很小的团队实验。挑一个高频任务，连续两周记录四个数：一次任务消耗多少 Token，完成需要多长时间，失败后需要多少人工接管，客户是否愿意再次付费。你会很快发现，模型榜单解决的是“能力可能有多强”，而产品循环解决的是“客户为什么留下来”。

演讲后半段不断在 ARR、估值倍数、VC 退出回报、循环融资和热门公司之间切换。真正值得带回团队的，不是记住某家公司的某个数字，而是记住“叙事和公司之间有时间差”。市场先相信一个方向，资本先把钱投进去，收入和现金流可能很久以后才追上来；也可能收入看起来已经增长，现金流和真实需求却没有跟上。

所以，ARR 不能单独讲。团队至少要把它拆成三件事：客户为什么付钱，收入能不能续，交付成本会不会随着规模上升。如果这三件事没有答案，ARR 更像一个被放大的结果，不是商业模式本身。

同样，融资也不该只写成“下一轮要拿多少钱”。更实用的写法是：这笔钱要买来什么可观察的变化？是把某个任务的完成率从多少提高到多少，是把单次交付成本降到什么水平，还是让一批不依赖关系网络的客户完成复购？如果一年以后这些变化测不出来，融资额越大，团队越难知道自己到底买到了什么。

这集最有意思的比喻，是把信息收集说成“尝百草”。但创业团队不需要每天吞下更多信息。团队需要的是一张能反复使用的“信息药方”。

从下周开始，可以给每条重要材料只留五行：它观察到了什么；它的原始出处是什么；它影响哪一个成本、产品或竞争变量；它支持哪个判断；什么新证据出现时，你会放弃这个判断。每周把这些卡片重新排一次。一个月后，删掉已经失效的叙事，留下仍然能解释现实的变量。

这套动作的重点不是把信息库做得更大，而是让材料在关键时刻能改变决策。你不需要知道 AI 行业所有发生过的事情。你需要知道，哪些变化正在逼你的产品改路线，哪些数字只是市场热闹，哪些判断还没有被真实客户和现金流证明。

庄明浩做的不是一份永远不会过时的行业答案。他是在给自己建立一个可以定期更新、也可以定期告别的观察系统。

对正在做 AI 产品的人来说，真正值得带走的也不是 91 页 PPT 里的某一张图。是下一次看到融资、模型发布或价格变化时，别急着转发，先问一句：它改变了谁的成本？改变了哪个工作流？这个变化什么时候会在客户的复购和现金流里出现？

当一条信息能推动你改一个实验、删一个假设，或者停止追逐一个叙事，它才真正从素材变成了判断。