重估一切,文艺复兴:给 AI 创业者的四个判断Chapters1×0:08开场:这不是行业新闻,是一次账本复盘1:19第一章:资本与硬件,先看现金流再看叙事4:42第二章:智能的复兴9:17第三章:Agent 不是一个聊天框,它是一套工作组织方式12:44第四章:Token 不是价值,责任才会回到产品里16:21结尾:给创业者的四个复盘问题0:0018:120:08主持人这里是七档 AI 创业者精选播客。我是主持人。今天这一集,来自《屠龙之术》刚刚发布的《重估一切,文艺复兴》,原节目用接近五十五分钟,回顾了二〇二六年上半年的 AI 行业变化。我们已经拿到原集完整公开音频并做了全量转写,今天的内容是二次精炼,不是原声剪辑版。0:32分析师这期原节目有一个很大的历史比喻:文艺复兴并没有凭空发明一套新知识,它首先做的是降低知识复制的成本。今天推理成本下降,智能开始变成一种基础设施,于是资本、产品、组织,甚至人的位置,都要重新估价。0:50主持人我们不把这套比喻当成历史结论,而把它当成一个观察框架。今天重点拆四件事:第一,资本开支为什么像一笔还没有结算的账;第二,模型和世界模型到底改变了什么;第三,Agent 产品已经有了形状,但还没有标准答案;第四,Token 很热闹,真正的商业价值却还没有被测出来。每一部分最后,都给正在做 AI 产品的人留一个动作。1:19主持人原节目第一章讲的是「美第奇的账本」。这个比喻很有用,因为它同时包含繁荣和风险。美第奇银行曾经是文艺复兴的赞助人,最后却在一四九四年倒闭。也就是说,赞助黄金时代和账本失控,可以发生在同一个故事里。1:37分析师放到今天,赞助人的角色由科技巨头、资本和算力基础设施共同扮演。原节目引用的统计里,过去三年市场对资本开支增长的预期,每一年都低于后来真正发生的增长。二〇二四年的预期大约是百分之十九,实际增长被讲到百分之五十四;二〇二五年预期百分之二十,实际百分之七十三;到二〇二六年,谷歌、Meta、亚马逊等公司的资本开支还可能继续大幅上升。2:07主持人原节目进一步判断,几家科技巨头二〇二六年的资本开支合计大约八千亿美元,二〇二七年可能突破一万亿美元。这个数字当然是节目中引用的行业判断,不是我们在这里重新审计过的财报。但它足以提醒创业者:现在的 AI 竞争,已经不只是在买 GPU。2:30分析师因为产品形态变了。预训练时代,大家先想到 GPU;Agent 时代,内存、CPU、存储、定制芯片、网络和能源都进了账本。节目里有一个很具体的成本结构对比:过去数据中心里存储可能只占百分之二,到了新的 AI 基础设施里,节目引用的估算已经接近百分之十八;算力芯片约百分之四十二,冷却、能源和建筑也各有很大比重。2:58主持人这带来第一个创业者判断:不要因为某个赛道被 AI 叙事带动,就默认它会成为好生意。你要问的是,新增需求是否能带来新增收入,收入是否能覆盖折旧,覆盖固定成本以后,是否还能留下毛利。3:15分析师原节目说得很直白:到二〇二六年第二季度,行业整体收入规模,可能还只是刚刚够覆盖巨大的资本开支折旧。它也提到,科技巨头的自由现金流承压,New Cloud 公司面临更高杠杆,债务会把供给侧的乐观放大,也会把需求侧的不确定性放大。3:35主持人所以给正在做 AI 产品的团队,一个很实际的动作是:把商业计划里的「市场会很大」删掉,换成三行账。第一,客户因为你多付多少钱;第二,你每完成一次任务消耗多少模型、工具和人工成本;第三,客户不再扩张预算时,你的现金流能不能撑过六个月。3:57分析师如果你是做应用层,最容易犯的错是把成本表藏起来,只展示一个漂亮的毛利率。建议把一次完整任务拆成模型调用、工具调用、人工复核和基础设施四项。客户每多买一份结果,你的成本是不是线性增长,还是会因为失败重试突然翻倍,这比一张市场规模图更能决定你能不能扩张。4:20主持人如果你是做基础设施,也要反过来问:你的产品到底帮助客户省了什么,或者让客户多卖了什么。只是把调用链包装成一个新名词,很难形成长期预算。真正有机会留下来的基础设施,通常会把性能、可观测性、权限和成本控制做成客户每天都离不开的工作流。4:42主持人第二章叫「智能的复兴」。原节目的第一个判断是,模型能力已经强到可以在没有人持续介入的情况下,连续执行十几个小时的任务。模型发布速度加快,多模型共存成为常态,代码、推理、多模态和长上下文各自有领先者。5:03分析师这里对创业者最重要的,不是记住每一个模型版本,而是接受一个产品前提:模型能力会继续变化,模型供应商也不会永远只有一家。你的产品如果把价值全部押在某一个模型的单次回答上,模型一换,体验、成本和毛利都可能一起波动。5:22主持人原节目把中美模型生态比作文艺复兴里的两条路线:一条是昂贵、独一无二的定制作品,另一条是版画和印刷,便宜、可复制、能大规模扩散。它对应的是闭源前沿模型和开放权重、高效率扩散的竞争。5:40分析师但节目也强调,这不是非此即彼。它提到法律场景里的后训练,以及一些产品被发现使用了不同来源的开源模型继续训练。对创业团队来说,真正的问题不是「我支持开源还是闭源」,而是你的客户愿不愿意为哪一段差异付费。5:59主持人如果客户付费的是更高的准确率,你要验证评测和错误成本;如果客户付费的是更低的延迟,你要看部署和路由;如果客户付费的是数据隔离,你要看权限、审计和合规;如果客户只是想要一个更好看的聊天窗口,那很可能很快就会被模型厂商自己覆盖。6:20分析师第二章里还有一个更值得创业者盯住的概念:世界模型。原节目借用了透视法的比喻。透视法不是发明颜料,而是提供一种新的表征方式,之后绘画、建筑和地图都被改写。世界模型对应的变化,是从预测下一个词,走向预测世界的下一个状态。6:41主持人节目引用了把世界模型分成渲染器、模拟器和规划器的分类。这个分类对产品判断很有帮助。渲染器主要服务人类视觉,模拟器要处理物理规则,规划器则要让机器人或自动驾驶系统在现实世界里做动作。6:59分析师所以一个创业者听到「我们也在做世界模型」时,不能只问模型多大,要问它到底在解决哪一个问题:是让人看起来更真实,还是让系统在行动前预测后果,还是让机器人在复杂环境里少犯错。三个方向的客户、数据和交付周期完全不同。7:19分析师还有一个小提醒。原节目拿存储行业的涨价和周期做例子,也拿英特尔和思科在多年后回到高点做类比。创业者可以听这个故事,但不要把股票表现当成产业健康度。股价反映的是预期,现金流才更接近企业能不能继续活下去。7:38分析师如果你是做应用层,最容易犯的错是把成本表藏起来,只展示一个漂亮的毛利率。建议把一次完整任务拆成模型调用、工具调用、人工复核和基础设施四项。客户每多买一份结果,你的成本是不是线性增长,还是会因为失败重试突然翻倍,这比一张市场规模图更能决定你能不能扩张。8:01主持人如果你是做基础设施,也要反过来问:你的产品到底帮助客户省了什么,或者让客户多卖了什么。只是把调用链包装成一个新名词,很难形成长期预算。真正有机会留下来的基础设施,通常会把性能、可观测性、权限和成本控制做成客户每天都离不开的工作流。8:23主持人这一章的动作是:把你的技术路线写成「输入、状态、动作、结果」四列。只要产品说不清它在预测什么、执行什么、结果如何验收,就还停留在概念层。8:37分析师还可以加一列「错误之后怎么办」。渲染出错,用户可能重新生成一次;模拟出错,系统要告诉你哪条物理假设不成立;规划出错,产品要能阻止动作继续发生。世界模型的价值,不只在于预测得像不像,也在于预测失败时,系统能不能把风险挡在现实世界之外。8:58主持人所以对早期团队来说,未必需要一开始就宣称自己做通用世界模型。你可以先在一个窄场景里,把状态表示、行动空间和结果评测做扎实。只要客户愿意持续提供反馈,窄场景里的数据闭环,往往比一个宏大的技术口号更有用。9:17分析师对应到 Agent,基本结构是规划、工具调用、执行、纠错和评判。单智能体之外,还会出现多智能体协作。这里最值得记住的不是名词,而是用户交互的变化:过去是提问、等待回答;现在更像是交代任务,系统拆分任务、调用工具、检查结果,再继续循环。9:39主持人原节目把 Codex 的增长当成「时代变了」的证据。它提到,Codex 的活跃用户从五月的五百万,到七月中旬连续几天增加到六百万、七百万、八百万、九百万,节目判断当时已经接近一千万。我们不在这里把每一个数字当成独立核验过的市场数据,但这个趋势表达得很清楚:编程正在成为 Agent 最先改变的工作场景。10:06分析师原因也很现实。代码既是工作对象,又是执行层。它可以调用工具、修改文件、运行测试、观察结果,再继续下一轮。原节目还提到,Claude Code 发布后,相关团队内部工程师的人均代码提交量曾被描述为增长八倍。对创业者来说,这意味着软件产品不一定要先做一个人类友好的界面,也可能要先做一个 Agent 能调用、能验证、能失败重试的接口。10:35主持人于是 CLI、MCP、A2A 以及各种 Agent 基础设施开始受到关注。软件从「给人点击」转向「给 Agent 调用」,产品外观会变化,权限系统、日志、回滚、评测和计费也要一起变化。10:53分析师但原节目有一个很克制的判断:Agent 怎么做、做什么场景、找谁付钱、怎么定价、做企业还是做个人,目前都没有标准答案。相对确定的是,产品的形状开始清楚了。Codex 给了行业一个参照:用户不是来和一个聊天机器人闲聊,而是把一项工作交出去,看它能不能完成。11:16主持人这对创业团队有两个含义。第一,不要急着给所有功能都加 Agent。先找一个能被验收的任务,定义完成标准和失败边界。第二,别把「自主性」当作越高越好。金融、法律、医疗这些场景,客户真正买的可能是可审计、可撤回和有人负责,而不是一个完全不受约束的自动化演示。11:40分析师第三章的动作是:把产品首页上的「智能体」三个字拿掉,改写成一句具体承诺。比如「把会议录音变成可执行的研发任务,并在提交前列出不确定项」,或者「读取企业内部资料,生成一份带出处、可复核的销售方案」。如果这句话无法写出来,Agent 还只是包装。12:01主持人再往前一步,要给任务设计一个交付协议。开始前,产品要知道输入是否完整;执行中,要记录调用了哪些工具;结束时,要给出结果、证据和未完成项。用户不一定要看完整日志,但团队必须能在出错时复盘。对于企业客户,这套可追溯性经常比多一个模型参数更重要。12:26分析师这也解释了为什么 Agent 的产品竞争不会只发生在模型层。一个模型可以把任务做对一次,但企业要的是在不同权限、不同数据和不同异常条件下,稳定地做对。真正的产品能力,是把偶然成功变成可以重复交付的流程。12:44主持人最后一章叫「治理与反弹」。原节目借用「虚荣的篝火」这个历史故事,讨论 AI 的反作用力:创新和安全、主权和互通、效率和就业,三组张力会同时出现。12:58分析师这不是离产品很远的政策问题。模型和数据天然跨境,企业又希望效率提升,用户还会要求隐私和责任。一个 AI 产品越自主,理论上价值可能越高,但企业愿意授予它的权限,往往越少。越接近真实业务,越不能只靠一句「模型会自己判断」来交付。13:19主持人原节目还反思了 Token 指标。它提到,二〇二六年第一季度大家还在讨论谁消耗的 Token 更多,到了第二季度,越来越多人开始问:烧 Token 到底换来了什么?节目引用一个头部企业软件公司的估算,每月 Token 成本已经到七千五百美元左右,而软件工程师平均月工资约一万五千美元。这个比例一旦继续上升,Token 就不再只是增长指标,也会变成成本约束。13:51分析师这个类比很重要。电力时代,亮度不是最终商业指标,千瓦时更接近真实成本;互联网早期,页面浏览量不是最终价值,Session 和点击更接近商业行为;移动互联网里,流量也不等于留存,DAU 和 MAU 才是结果指标。AI 产品也一样,Token 更像投入量,不是价值本身。14:14主持人正在做产品的团队,可以从今天开始把指标拆成三层。第一层是消耗:Token、调用次数、延迟和人工介入。第二层是任务:完成率、返工率、错误率和用户是否采纳。第三层是业务:收入、节省的时间、风险减少,或者客户因此多完成了什么。14:37分析师如果只有第一层,没有第二层和第三层,那你的产品可能只是一个更贵的自动补全器。更麻烦的是,治理和责任会在最后一刻找上门。谁能看数据,谁能批准动作,谁来承担错误,哪些事必须由人签字,这些都应该写进产品,而不是等客户出事故后再补。15:00主持人一个简单的做法,是在每个高风险动作旁边写出「人类最后确认」的按钮,但不要把它当成装饰。这个按钮应该对应明确的责任人、可读的证据和可撤回的后果。否则所谓的人在环,只是把风险转交给了一个没有时间看材料的人。15:19分析师原节目谈到二〇五〇年的一种可能:人会在某门手艺上待得足够久,在真实的地方承担责任,和少数人保持长期的相互义务,并有意识地继承传统。这个判断未必准确,但它给产品设计一个方向:让 AI 处理可复制的部分,把需要信任、判断和承担后果的部分留在清楚的人际关系里。15:42主持人原节目最后把问题落到「人的画像」:分发的冲击、知识的重现、资本的赞助都已经发生了,但人的价值不会自动出现,必须由具体的人刻意建造。它给出的追问是:当智能不再稀缺,人还需要做什么?16:00分析师对创业者,我会把这句话翻译成一个更具体的问题:你的产品是在替用户拿走判断,还是在帮助用户承担判断?前者很容易做成一个漂亮的演示,后者才可能进入长期工作流。客户愿意持续付费,往往不是因为你让他少点了几下,而是因为你让他更敢做一个重要决定。16:21主持人我们把今天的内容收成四个问题。第一,资本开支继续上升时,你的产品收入是否真的跟着上升,还是只是被基础设施的热度带着走?16:33分析师第二,模型能力继续变强时,你的壁垒在模型本身,还是在数据、工作流、分发和结果验收?如果明天模型厂商把你的核心功能放进产品,你还剩下什么?16:46主持人第三,Agent 进入工作流之后,用户交出去的是一个问题,还是一项可以验收的任务?你的产品能不能清楚地说明它做了什么、为什么这么做、哪里不确定?16:58分析师第四,你在追踪 Token,还是在追踪真实结果?如果每月调用量翻倍,客户的收入、效率或风险有没有同步变化?如果没有,增长可能只是成本的另一种名字。17:11主持人这期节目根据《屠龙之术》的完整公开音频和全量 ASR 做了二次精炼,保留了原节目关于资本、模型、Agent、世界模型和治理的主要结构,但没有混入原嘉宾或主播的原声片段。原集音频和节目方提供的报告库链接,我们都放在正文里。17:32分析师二〇二六年下半年,原节目关注的也是这四件事:ROI,Token 应该怎么衡量,巨额投入有没有拐点,开源与闭源以及世界模型和物理 AI 的边界。它最后说,一切可能真的才刚刚开始。对创业者而言,这句话不是鼓励继续追热点,而是提醒你把账本、任务和责任先写清楚。17:56主持人这里是七档 AI 创业者精选播客。感谢收听,我们下期再见。