E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路

【嘉宾】大家好，大家好。

【嘉宾】谢谢，谢谢，非常高兴有机会跟大家见面。

【嘉宾】好，好好。我是黄东旭，PingCAP这边的CTO跟co-founder。最近有一个新的身份，就是Linn Ventures的合伙人。自我的定位肯定还是一个工程师，大家都知道Harness，然后Agent Coding，我也是第一时间在去拥抱。第二呢，我是一个创业者，一直以来从0到1，在技术软件行业，其实PingCAP和TiDB是一个分布式的数据库，也从北京开始起步，然后慢慢的客户都遍及全球。我觉得第三个身份就是，因为我是一个好奇心比较重的人，很喜欢自己去做一些东西，比如说像音乐，比如像一些艺术，反正这是我几个的身份吧。

【嘉宾】好，可以。其实我人生的第一份工作，就是在微软亚洲研究院，当时我还是一个实习生，然后当时宏江老师正好在亚研院，处于工程院刚成立的那个时间，是我心目中的大科学家。所以现在非常非常荣幸能够在Linn Venture里面再续前缘。

【嘉宾】宏江老师。大家好，我是张宏江。我的状态现在是一种退休的状态。那么在两年前的话，我看到了这一波AI所推动的新的技术浪潮中间，而华人在里面起了一个非常非常关键的作用，尤其是在大的模型里面，无论是OpenAI还是Anthropic还是Google，至少在技术上，这些人都是骨干，真是挑大梁的人。同时我们也看到这一波的创业的浪潮里面，其实华人的比例也非常高。无论是从大陆过来的，在这上学的，毕业的，然后在大厂工作的，就在这上学的二代、三代的华人，创业的人都很多。尤其是对于原来背景在大陆的，照这来留学的华人来说的话，其实他们作为第一代移民，他们在创业中间会有各种各样的困难，其中一个很大的困难实际上，就是能不能得到他们所需要的资金。所以在两年多之前的话，我正好碰到Linn的机会，希望能够以顾问的方式来，跟Linn的团队一起来做这些事。我之前的话，从最早做研究，在新加坡的研究，在美国做研究，然后回到中国，跟开复等，大家一起创建微软亚洲研究院，从研究院做基础研究，做到工程院，做产品的研发，然后到了后来来做金山的CEO，然后从金山退休以后，又做了一系列的顾问的角色，后来创建了北京智源人工智能研究院。这中间还另外花了很大的功夫，做Linn资本的投资合伙人，我整个职业生涯中学到了很多，然后也有很多的经验和教训，也希望能够在美国对话，和所有的创业者一起来分享，能够帮助大家，在这一波的技术的革命的浪潮中间，寻找到自己的机会。因为我觉得AI这一波，它肯定是一个实实在在的对生产力的提高，但是因为现在大家既见的投资也很迅猛，包括我们今天这一集，马上会跟大家聊的Token Maximizing的策略，大家也在疯狂的烧Token，现在在整个的大的市场里面，它是有一定的泡沫存在的成分吗？还是说你觉得它现在的技术建设是远远不够的？

【嘉宾】去年的12月份，我在另外一个采访里面，这就是一个问题，我当时就说没有泡沫，然后2024年年底的时候，大家怀疑Scaling Law是不是撞了墙，然后大家怀疑是不是overinvest，但事实上我们今天看的话，其实远远没有达到。面临的是一个非常fundamental的革命。

【嘉宾】你可以跟互联网最大的基建相比，你可以跟当时美国快速发展的时候建设铁路网和公路网来相比。那么今天你从绝对数来说，超过它们毫无疑问，但事实上你从在GDP的比例来说，其实比那些都小。即使从宏观的角度来说，也没有达到所谓的过度投资。那另外一点就是，其实你看Token是很贵，但Token的消耗量的话，其实增长得非常快。还有一点大家忘掉了，其实Token的价格在过去几年，一直以每年降十倍那样的速度在下降，无论是因为芯片的进展，还是其他方面的进展。所以我依然会非常有信心，我不觉得存在太大的泡沫。当然你说股票市场是不是存在泡沫，那是另外一回事，但是技术的发展、应用的发展，我不觉得存在什么泡沫。也正是因为这次革命，它的浪潮是如此之大，而且如此迅猛，其实很多潜在的用户的话，也包括很多大的企业，他们有一些不知所措。无论是说他一开始就放开用Token让大家去试，还是说突然发现这个Token量可能超过他当初的想象，然后开始往回缩，这是一个很自然的过程。因为AI的能力如此之强大，那到底先把它用在公司里面的哪个环节，先去提高公司哪方面的效率，这个实际上还是探索的过程。但是因为速度来得如此之快，所以有时候大家会觉得有点不知所措。

【嘉宾】是的，是的，是的，我也是完全认同这个观点。今天我们去看待AI这一波的基建，就跟我们可能上世纪五六十年代去看待计算机刚诞生出来一样，一个房间的电子管，好大好贵啊。但是你想象那个时候还没有个人计算机呢，有很多很多的需求，其实是有充分的基建了以后才会诞生出来，而且这些新的需求诞生出来，又会刺激更多的基础设施建设，或者说一些更新的基建技术的出现。所以我觉得还早呢，还有很多事情可以做。第二呢，从一些微观的工程，哪怕是今天的架构上来看，还有很多事情是可以去优化的。比如说今天在模型的推理，Agent的框架对Token的高效使用上，其实还有很大的优化空间。只是说因为今天的需求和大家看到这个市场的预期吧，说我们先发散，不要顾及我花多少Token，先看看有没有哪些事情，低垂的果实能够摘回来，之后再去考虑优化的事情。所以短期可能会有一个小的回落，但是从长期来看，仍然是有大量的需求。还是没被人看见吗？

【嘉宾】其实当然有，我先说一下我Token Maxing的历史，虽然我现在可能并不是Token Maxing的流派了已经。我就像你刚才说的这种，属于无脑用最强，也不要说去花太多时间在一个不太行的模型上，去做很复杂的工作流，相信模型的能力。我是大概从去年的11月份开始，我其实做了几件事情。第一就是我开始在用Opus，从0到1构建一个我能想到最复杂的软件，因为我一直做数据库的，尤其是分布式数据库。

【嘉宾】其实是最复杂的一种系统软件，我想看看当时的AI对于这样复杂的大系统来说，它的边界在哪。所以在这种最复杂的任务上，我其实没有办法很精确地评估最强的模型跟第二强的模型它的差别是什么。所以对于你来说最好的策略就是永远选最好的模型。我觉得现在今天仍然有同样的问题，大家对于这个模型的能力的评估基本上只能看个benchmark，但大家知道这个benchmark其实是很多时候你是能刷榜的。当你在做一些不太确定，但是你又知道这件事非常难的时候，你一定得用最强的模型。这是我之前大概刚我说到一个时间点，就去年11月份，那个时候像Claude 3 Opus跟GPT-4，他们对于第二强的coding agent是断崖式的领先。开源模型基本处于一个做一些简单的1加1等于2的事情可能还行，但是你真的要去做一些复杂的软件的编程、大的项目的改进，那时候是完全不行的。所以token maxing我觉得那个时候是一个好的策略，但这个策略我觉得后来在社区里面大家都把它误解了。我觉得token maxing是一个结果，它有点像一个lagging indicator，但要经过思考地去token maxing，你能产出一个很好的结果。但是像刚才你提到的，很多今天的大公司，包括Jensen Huang，说大家一定要疯狂地用、疯狂地用。我觉得有两种疯狂的用法，一种是你知道你在干什么，你很好地设计，然后疯狂地用；另外一种是你不知道你在干什么，只是觉得公司有一个排行榜，我必须得把它刷到榜单Number 1，于是就出现了很多无效的调用。因为我觉得尤其在大公司里面，只要领导提出一个要追求一个榜单，那一定大家会去刷这个榜。这个是我在Meta和NVIDIA去提token maxing的时候，第一秒钟我就想到会出现的一个问题。

【嘉宾】我当时我一天可能得花掉四五百美金。

【嘉宾】对对对，再往上再加。因为它有一个量，那个量daily的量和weekly，它有一个limit，我那个用完了你就得自己掏钱去买excess usage，所以当时我用的还挺疯狂。

【嘉宾】那我觉得是不计其数的。因为潜台词我觉得超值。我有几个例子，就很多时候一件事情是从0到1，比如有些事情我觉得我肯定做不出来，但是用上最强的AI以后，它能让我做出来了。你说它的ROI是什么呢？比如像我做的那个软件，我在我的公司内部，其实我们的销售期待那个软件已经期待了很长时间。我确定如果我这个东西做出来，质量做到七八十分，我一年可能就能多一千万美金的直接的收入，因为我的客户就在等着，只是以前我受限于人力、技术水平我做不出来。但今天……

【嘉宾】我一个人三个月，就做出来了，一个人三个月，做了一个销售额达到千万美金的软件，千万美金级别的东西。软件是的，这个我觉得是完全可能的，今天你要这么算，你的ROI其实非常高的。这是一个真实的例子，这是一个真实的例子，对对对。那个项目叫DB9，是我自己做一个云原生的分布式数据库。是从去年的十一月份到今年的二月份，其实应该说十二月份到今年三月，那差不多这个时候，也是OpenAI已经出来，或者说后来大家熟知的Operator或者相关的一些产品已经出来了。

【嘉宾】没有没有，OpenAI是另外一个story，它更像个人助理。最早的时候我不太想让OpenAI来写代码，因为其实OpenAI产品设计并不是对这种重度的软件工程设计的，它更像是说去连接各种现实世界，通过agent的能力去操作，比如说过去我们在工作和生活中的常用的一些流程，它更像一个个人助理类的事情。

【嘉宾】编程上没有，日常生活我觉得肯定是一个很好的东西。当时我觉得它代表了一个信号，其实对于一些玩agent玩很久的，比较从Cloud code、像Codex这些编程agent开始的这一波弄潮儿，像我这样的，其实OpenAI出现，它其实只是说把Cloud code以及像Codex这些编程agent代表的一个理念，就是agentic loop加上工具调用，把它变成了一个更general、对普通用户来说门槛更低的东西，相当于让它走进了千家万户。我觉得事实上Peter作为OpenAI相关项目的作者的话，他能够花一个礼拜就把OpenAI做出来，对于我来说最大的意义在于，宣布了大模型的能力过了一个坎，它的推理能力如此之强，它的编程能力如此之强，使得做一个架构师，如果是这种级别的、有经验的工程师的话，能够用它来在很短的时间内就能做出一个系统，包括刚才东西所说的三个月，它能够做出一个最复杂的分布式的数据库，这其实标志着大模型的能力跨过了一个坎，就是真的可以落地应用了。就是大家可以真正地把聚焦从原来的大模型本身，到大模型的运用，这把卡包裹编程，包裹用它来做其他的系统，再一个就是说，

【嘉宾】Claude的，OpenAI是4.5，4.5，4.5，7月11，7月11，我是从GPT-4，去年7、8月份吧。

【嘉宾】首先Open Claude其实是一个开源软件，开源在今天天然更具有传播力吧。当你做一个agent的时候，如果你是个商业产品，大家可能就觉得你这个是不是广告什么的，但如果是一个民主化的、开源的软件，那每个人都可以去用一用，这时候它的传播，尤其是在这种geek的圈子里。我觉得一开始大家去看Open Claude的传播，其实都是在一些极客和一些工程师的小圈子，然后慢慢地扩圈。这一帮人是对这种商业软件，或者说B2B软件，或者说平台的软件，多少有一点点……而且大家有没有注意到，Open Claude一开始的理念叫Local First，我所有的这些隐私的东西，我的数据，我都要在本地给配好。但我非常理解作为一个硬核开源工程师的Peter，做出这些技术选择的原因，因为这些选择完全是一个geek会做出的选择。

【嘉宾】而且这个Geek这个圈子传播力我觉得还是挺强的，有点像当年Linux的这种感觉。我自己当时看Peter的思想，他有一个想法挺特别的。他说我其实是可以把我个人所有的东西，所有无隐私的全部交给AI的。正是因为他给AI开放的权限如此之广，所以他才说要把这些信息资料配置在本地是很重要的。

【嘉宾】然后我觉得还有一个临界点，是当时正好是Claude他又升级了一下他的模型。这是内测的那个模型智能，至少从我当时使用的感受来说，那个跟前代版的那个智能是天壤之别，然后我觉得效果很好。那个时间我觉得大概是2月份春节的那个时候，但其实作为一个Engineer，其实在去年的11、12月份已经感受到这个浪潮了。

【嘉宾】对，就Peter他自己也说，那个时候他用这个Claude，他一直觉得像OpenCloud那样东西现在Ready，可以做出来了，而且用户也会需要这个。但是他当时认为这是大公司一定会做的事情。那他等了几个月，大公司还没有做，所以他就把它给做出来了。对，这个故事也说明了，其实当大事Ready之后，我其实就需要一个人捅破一张纸，而OpenCloud正好就捅破了这张纸。

【嘉宾】另外，当然是Open Source这件事，这个community很有意思。它一出来以后，它一周以后还几天以后，出来了一个Modelbook，就相当于一个Agent的社交网络，或者是你的OpenCloud和我的OpenCloud这样一个社交网络。那这种爆发非常好的传播事件，包括他们成立了几个社区，很快就大家推行了几个分支。这本身也是让人们突然意识到Agent本身的能力真是达到了我们之前所想象的这种自主的样子的能力。所以这个是我觉得OpenCloud之所以这么快速地传播，快速地进入到每个人。

【嘉宾】另外从实验的点上来说，大家用Chatbot也是用了三年多，你只能交流。

【嘉宾】而不能够让它来做事，这个时候呢，大家从Cloud Code看到可以开始做一些事，那OpenCloud出现正好让大家意识到，做AI Agent的日常，你在PC上做的事情，在手机上做的事情，其实Agent基本上都能做。它有哪些不足呢？因为刚才其实红亚老师也提到，Peter一个人Vibe Coding了一个东西出来，他自己可能也完全没看过代码。其实很有意思，Peter是某一个时间，应该是Anthropic，他的个人Token消耗量，据媒体报道金额高达130万美元。你说他做了OpenCloud，之前就是一直在玩这个东西，做得很快，但是这个东西的质量其实没有精雕细琢，给极客用没问题，但是当你变成一个广大用户都在用的时候，它各种配置的难度，或者说它的系统的稳定性，各种成问题。

【嘉宾】所以这是我觉得第一个问题，我觉得给我的启发是什么呢？今天很多人说随便任何一个人就能Vibe Coding，一开始我觉得OpenCloud这个例子可能好像也似乎说明了这个事情。但是后来慢慢的，你这个软件做得越来越深，你就会发现，跑的一个软件工程的习惯和经验还是非常非常重要的。当你的这个软件的复杂性超过一个临界点以后，你要去花更多的精力再去提升体验和提升这个稳定性的时候，我觉得非常专业的研发团队还是非常必要的。

【嘉宾】第二个的不足，我个人觉得还是起得太早了。我觉得它更像一个实验性的项目，可能Peter一开始也没有想到他会做得如此爆款。但今天大家可能也看到，现在可能OpenAI自己Agent上的这个经历，也慢慢从OpenCloud这个开源的实验性的项目，转到了自己的那个Cloud Code上面。所以我觉得这种持续的资源投入可能也会成问题。所以到最后，我觉得跟它的DNA是非常相关的，它就是一个极客圈子里面的一个缩影。所以我觉得它的终局可能天花板也就是这样了，而且现在它其实有点像扮演一个普罗米修斯的角色。

【嘉宾】把这样的产品形态、这样的产品能力让世人知道了，它的历史使命可能就完成了。对，所以你觉得它可能也很难爆火跟持续的走下去。它现在基本上也是在靠它的基金会在运转，因为创始人Peter他已经是去OpenAI了嘛。

【嘉宾】我是Hermans的中度用户，其实在Hermans出来以后，我很快就从那个OpenCloud切到Hermans了。刚才你提到的Memory这个点，现在仍然是一个open question，并没有说谁家就解决的非常非常好。而且大家也都在尝试各种各样的记忆，就是做旁路记忆的方式，只能说肯定比当时2月份的时候OpenCloud出来老是忘事儿的情况要好很多，但是仍然我并不觉得它是一个perfectly去解决记忆问题，今天我觉得还没到这个阶段。Hermans我觉得它的亮点是另外一个亮点，它其实很巧妙地绕开了记忆的问题，它并不是说记忆模块设计得多么出彩，而是它在它的Agent的框架里边，有一个很强的倾向去不停地总结成功经验，总结成skill。其实小龙虾的Agent Loop里边，它缺少一个反思的过程，就是它的反思是比较少，你除非主动的要小龙虾说，你把前面做成功的你给我整理成一个skill之类的，但是Hermans引入了很多类似的机制，它就能够持续的优化自己。

【嘉宾】你用着用着，用一段时间，就发现它长出了很多最佳实践，都是以前你自己做过的。这些最佳实践变成一个skill，然后虽然它可能在广告里提，哦这个实际上第一个自我改进的agent，或者说会自我学习，这个都是marketing的词，但是我们看到本质，它其实就是用模型的能力加上一些工程化的手段，总结成功经验，去把这些能力变成一个可以复用的一个个skill。

【嘉宾】对对对对，我觉得这是个工程问题，它跟模型本身的能力，所以我在这个里边，我发现每一次成功了以后，我就尽量的做个梦，或者说，我去把前面的经验我自己再总结一下，就有点像一个更好的学习习惯吧。但它另外一点我觉得做得非常好，因为刚才说到OpenCode的代码质量和稳定性其实挺成问题的。Hermes显然是经过精心设计的一个软件的架构，因为OpenCode我觉得更像一个大集市，每个人有什么想法直接往里面提交，Peter也是非常open的，有什么想法直接诶合了，我代码也不看了，Hermes说没问题就行了。Hermes会稍微好一些，它其实还是有那个团队精心在打磨的一个东西，所以你的这个onboarding的体验、各方面稳定性都会比OpenCode更好。

【嘉宾】我觉得今天你有足够的拥护量，能够帮不同的模型厂商带token的消耗，你的商业模式简直不要太多。比如说在Hermes里面，我可能跟某一个模型厂商去谈一个渠道，诶我这边能够帮助你，去消耗更多的更低的折扣拿到token。其实在这里面它充当一个入口，入口是很重要的。所以哪怕今天，我觉得做agent的本身，就像刚才泓君老师说的，今天已经成为了一个工程问题，其实谁都能做，但是呢，最后发现这个入口会变成兵家必争之地，所以它本质上商业模式还是token经济学。我觉得是的，今天看到是的，但是未来，

【嘉宾】我觉得可能会有更新的，比如用户付费，各种，用户付费互联网，是的，是的。但这些都是，我们现在今天 YY，它有点像移动互联网时代爆火的超级应用，对。甚至更极端点，往下推演的话，它也许会变成唯一的应用。因为未来可能每个人的已经有了，你想象一下，今天小龙它出来以后，我再也没打开过我的邮箱。我都是每天让我的 Open Cloud 来说，我这几个小时有哪些新的邮件，哪些需要回的。如果有一些广告的话，帮我删了吧。那这个就是你怎么去判断重要的邮件怎么回复，以及需要你个人信息的邮件怎么回复。但我不能代表所有人，但我是一个智能原教旨主义者，我相信，比如说，是重要的邮件那我自己来判断，大概率也是重要的邮件，你相信它，我相信它。它有判断错吗？会有一些时候它判断错，但它至少说都能告诉我，它不确认的时候，它会直接告诉你说我不确定，有几个邮件它看起来像一个广告，但是我现在不确定，你来再做最终的判断。

【嘉宾】我现在一般是先扫一遍总结，如果我看到感兴趣的，然后我再点到它的原文里面再去看，所以它变成了一个类似于有点像新闻聚合的这样的一个 app，一个总结。

【嘉宾】那是，这个已经发生好久了。对，这些有点像新的形态的技术漏斗，只是说它不光是帮你读新闻，就帮你读 email，帮你读所有发给你的东西。而且你想象一下，像你的个人 agent 是拥有你所有的 footprint 的，就是你的记忆，你的浏览的记录，你的偏好。这些偏好又会持续地之前想 Open Cloud 有一个社区里面，一个词我认为特别好，叫养龙娃。养这个东西就是说，你会不停不停地去迭代，让它更理解你。所以我这里面颠覆的是，可能传统这些媒体的推荐系统什么的，推荐系统它只能说，我根据大的数据或者说整个社会的一些偏好，训练出来一个推荐算法。但我觉得真正终极的推荐算法，就是在你本地，在你旁边坐着的一个，观察着你生活在数字世界的，甚至物理世界的所有的 event。同时它是一个智能。

【嘉宾】就让OpenCloud帮我精选一些新闻，我觉得我最终没有用了的一个核心原因，还是它给我的东西太浅了。然后我觉得很多东西，我还是要看到一手的新闻，我更愿意读更少的文章，但是更深度的文章。但是我觉得还有一点，就是它帮你回邮件的时候，因为邮箱信息里面其实是涉及到很多简单的信息，是很好用Agent回的。但是最难的是涉及到你要做决策的时候，比如说今天我约了你来录我的播客，你要自己去想我录不录，我什么时间录，我的开放时间窗口是什么，这些需要决策的事情，我肯定不会让它完全去做这个决策，而是需要我决策的时候让我认识，只是说我再用我的Agent当一个filter。

【嘉宾】首先我是Slog的第一个天使投资人，也是他最早期的用户之一。Slog现在改名叫Roughed，但是为了大家理解方便，我还继续用Slog这个名字。大家肯定用Slog是吧，Slog是大家在一个会议室里，一个Channel里边，然后互相的讨论聊天的一个平台。Slog顾名思义就是把这个想法平移到了Agent的上面，它的产品形态可能也像是一个聊天室，但是里面在聊天的都是Agent。然后这些Agent互相不Share自己的Context，他们唯一Share的是聊天的Channel里面的信息。这个跟MoteBook其实是有一点像的。

【嘉宾】我觉得MoteBook更像一个社会学实验，但这里面somehow这个模式是有用的，只是说它作为一个MoteBook的这种实验，大家就很容易被它的行为艺术的方面忽略掉它有用的那一部分。有用的部分就是我又在一个小范围内针对某一个话题进行Agent之间的讨论。虽然可能80% 90%的时候都在车轱辘话，但我觉得Agent也有一个好处，就是尤其是智商比较高的模型，它没有Ego。所以当某一个瞬间，某一个Agent提出了一个大家没有看到的想法的时候，大家马上就会发现，哦，你说的有道理。于是这条重要的信息就会再次触发这些Agent的讨论。

【嘉宾】举个例子，我经常会用Slog去做一些复杂软件项目的代码审查。就是说这段代码提交，你不要说通过了就合并了，比如说10个Agent，里面有一些是Claude Code，有一些是Codex，然后都是顶级模型，然后大家都充当给这段代码挑刺的，对吧。有一些人可能简单看了看，说我看了三个bug，然后下面一个人说，我也看了，前面那三个bug我也认同，但是我又发现了一个新的。然后你就会发现，上面那个看出三个问题的时候，哦，根本你说的有道理，然后我在这个角度上我再继续看一看。这么持续的迭代，可能Token Maxing一下，你就会发现，它会比单个模型在OneShot上去review这份代码挑出来的问题和改进的深度是完全不一样的。

【嘉宾】它唯一付出的代价，就是可能我的Token销量是普通的10倍。这个就是为什么我刚才说我有一段时间真的是Token销量非常大，最大的时候就像刚才我说的，就是一天大概是1 billion的Token销量，对应的账单大概300-400美金。对，我当时用法就是这么用的。同一件事情，并不是说Agent干完就干完了，而是任何关键的决策之前，都要让Agent通过这种方式。

【嘉宾】不停的在一个群里讨论，我会强制要求他做完这几轮讨论。虽然我也不看他的结论，但是我相信你只要Token在这个正确的事情上消耗到一定的程度。当然我有个终止的条件，就是当你们谁都挑不出更多的毛病的时候，你就停下吧。我觉得Slog能不能讨论，发明了一个很有意思的词，叫做Agent的动力学。平时大家经常会发现，让Agent持续很长时间运行是一个挺难的事情。其实我觉得今天所有的不管是Honest也好，还是Loop Engineer也好，它其实就在优化一件事情，就是怎么能让一个Agent在一个特定任务上持续不停地干活。

【嘉宾】Loop Engineer也是，每次他要停下来的时候，强行抽字一边子，然后再回头去review。Honest就是说把多个工作流搞得越来越复杂，最终的效果就是大家能持续长期地干活。为什么需要时间长呢？就是因为有时候模型虽然今天很聪明，但是它One Shot的时候仍然还是会有一些hallucination，或者说在一些小的点上考虑得没有那么周全。这时候你再进入一次迭代，它就能看到以前看不出来的东西。我觉得这跟人类社会多少有点像的，就比如说小时候我们做作业，做完作业了以后，父母总会说，你再重新算一遍，看看有没有什么问题。然后有时候你就会发现，我第一遍的时候确实马虎了，对。

【嘉宾】不是终点。我曾经觉得这是终点，刚才跟你说的这些认知，可能是大概今年3、4月份的时候的认知。过了三个月又迭代了，又迭代了。我觉得最核心的变化有两个关键，一个是CVD 5.5，还有另外一个是DBCQV4的Fab。最近的一个事件是Fab5。这三个事件我分为说一下，对我刚才说的那种token maxing的认知发生了一个巨大的改变，开始要转向token efficient了。

【嘉宾】我就从Fab5开始说起，我觉得GPT 5.5是有点类似的。Fab5的模型强大到，因为刚才其实我说这种把多个Agent放在一起讨论，有一个前提，就是你相信不相信任何一个Agent在one shot的成功率。你一次让他干一个活，一复杂他就干不出来，或者说可能这个调用链路比较长的时候，他会固词识比，经常会有这种问题。所以你就需要多个人，三个臭皮匠凑在一起，让最终结果有个兜底，或者说大家多次讨论，充分地利用好自己的上下文空间。但是Fab5强到，这些人讨论半天讨论不出来的东西，可能在Fab5的绝对的智商面前，一次就解决了。所以这时候你会发现，我前面烧了10亿token，在Fab5这边非常精准地一次搞定了。所以绝对的智商点眼。

【嘉宾】我觉得这是yes and no。yes是说在这些单点的复杂问题上，哪怕是很充分的harness，也会遇到一些搞不定的事情，这时候你还是能期待一个更强的模型，在这种专家级的低难度的问题，它还是能搞定的。第二个就是DeepSeek V4的出现，我发现它的能力已经强到了开源模型非常实用的状态。以前我是不相信开源模型的，尤其在我一些主要的复杂的软件开发工作中，我是不信任开源模型。但是DeepSeek V4开始，我又发现这个东西它的质量已经非常高了。最近很大的新闻是那个Gemma 5.2，又把我对开源模型的认知往前推了一大步。

【嘉宾】对，这标志着我可以用顶级的模型，与这些便宜的又很聪明的开源模型做协同，就很像一个企业真的出现管理学了是吧。就你不可能说一个公司里面，整个公司全都是像红香老师这样的，推墙自身的专家，你仍然还需要很多像我这样能写code的工程师一起去协同。所以我觉得慢慢的，头部模型跟开源模型的配合，这个是一个更经济的方式。

【嘉宾】都是本地。

【嘉宾】在我自己本地运行的是DeepSeek V4的Flash，是在一台我的Mac Studio上去运行的。它其实可以在你的家里的电脑运行，大概能到30token每秒。这个速度其实已经跟你在网上用OpenAI的API什么的这些chatbot的这个速度已经差不多了，这个是最近的一个认知的更新吧。

【嘉宾】是啊，这个几乎在它完成的任务面前可以忽略不计我觉得。

【嘉宾】对，而且这还是在满载的情况。

【嘉宾】我现在在用开源模型做两件事情。一个是大量的重复性的日常工作，比如说像我自己的文章记忆和数字的足迹的整理，就是我自己的一个征流。第二个事情就是，其实有很多以前我不敢让Agent放开干的。有时候我特别喜欢看论文，当然也看不过来，所以我就竟然会说，哎，今年CVPR所有的论文，NeurIPS所有论文，你先帮我总结一遍，看哪些有意思的再给我汇报一下。像这种一期可能有几百篇论文这样的规模的时候，你不可能用这个API或者是付费的去干的，干不了，太贵了。当时我就在自己的开源模型上，就跑一个工作流让它持续在那跑的。我觉得会unlock非常多，以前我不敢在付费的模型上做的事。

【嘉宾】太贵了，就看一批论文可能得几百刀。

【嘉宾】我懂，就是你不知道它会跑出多少的API，多少token的价格。所以我觉得这个有一个很好的比喻，就像宽带。因为我觉得最后，它可能顶级的闭源模型通过API的这个依然会存在，但是开源模型这样开源的硬件，以及够用的开源模型，也会产生一个非常大的生态。在宽带出来之前，大家知道我第一次上网97年还是拨号，它是花你电话费的，上网一分钟可能就是几分钱这样的。所以大家上网都是省得上，但省得上的这个时代，一直我觉得到这种免费的宽带，包括现在手机上的大容量的套餐，才会去催生出很多像抖音、像视频的会议，各种各样这种新的应用出来。在那个时候肯定是不行的。所以我觉得模型或者智能这件事情，免费跟很低的费用，它仍然是有个天壤之别的。

【嘉宾】这我觉得是跟我的Workload变化有关，那个项目已经过了代码非常非常疯狂的堆积的阶段了。我现在的账单也就一个月两三百美金了，就是一个正常的账单，一个月两三百美金。

【嘉宾】我现在就是最高版本的价格，一个最高版本的Claude加上一个最高版本的Codex，基本上套餐的钱我都用得满。但是我慢慢地从Opus，我的主要模型现在变成了GPT 4.5和4.6，以及Codex，是因为Codex比较好用。我个人感觉比较好用，但在一些最复杂任务的时候，还是Opus 5非常惊艳。

【嘉宾】就像一个数据库里边疑难杂症，或者说有一些需要修改七八个模块，同时提交五六千行代码，要解决的一个很难的问题。反正我自己的一个标准就是，当我在Cursor里面的agent开会解不了的问题，我都会让它们现在别干了，给我写个报告，为什么你解不了。然后我就转身把这个报告发给Opus 5说，你看这是它们前面的问题。

【嘉宾】我觉得这是代表一种新的能力。其实做这个事情的时候，我都完全不关注底下的代码，我其实就关注一些很有限的事情，细节我已经完全不关注，就目标跟最后的执行结果。对，目标、验收，以及这个事情的架构应该怎么做。然后中间的这个过程，我其实是不停的在去调动不同的agent，不同的能力，让它们更好的协同。我觉得后来会变成这种agent的管理学。

【嘉宾】肯定会有，只是现在进化到这个阶段了，就是本地模型加上云端的模型，一起搭配的agent的团队。反正我过去这一年学到最大的事情，就是千万别随便说什么叫终局。第二，永远相信Scaling Law，永远相信智能。我至少还没有达到某一个点，这个点是说人类已经无法评估这个模型好坏了。我觉得今天还没到这个点，一个模型好跟坏你还能看得出来，Opus 5就肯定比DeepSeek要聪明。但是我相信不久的未来，可能真的会出现到某一个moment，哪怕是开源模型，你都没有办法评估它，因为它太强了，以至于你问了任何问题，做了任何复杂操作，它都能干。那这时候它再强，我们已经没有参考系了。我觉得这天其实是能看得见的。

【嘉宾】我觉得现在正在发生了。

【嘉宾】我觉得还会增长。这两个其实你不能完全放在一起类比。我们先说Agent为什么这么消耗token。当然大家也不要神话Agent，其实Agent从工程来说，原理上还挺简单的。每一个agent的内部，它都有一个类似像发动机一样的东西，我们叫做Agentic Loop，它就是一个内部的一个循环。这个循环每一次都会在中间调用大语言模型去相当地问问题或者说去对话，它本质上还是个对话机，只是说把对话的过程变成一个loop。然后对话第一它的特点是，它在对话里边去调用外部工具，然后把外部工具的输出变成对话流中的一个上下文。第二个特点就是，它在复杂或者说长程任务下，不一定会说两句话它就结束这个循环，这个循环可能会运行几百步。这几百步中间又会有很多的工具调用，这些工具调用的输入跟输出又会变成大语言模型的上下文。这种pattern就导致了Agent，它的对于token的消耗量比Chatbot时代可能涨了100倍的量级。虽然今天我觉得有很多人为的浪费，就比如Meta里边刷那个token的榜。

【嘉宾】可能你就跟Agent说，你帮我去算100万次1加1，你也能把榜刷得很夸张的。但是只要这样的pattern是存在的，或者说成立的，还会有更复杂的系统出现。我举个例子，今天我们其实在聊Agent的时候，刚才我说这个架构，只是单个Agent内部的架构。因为我觉得到最后，其实可能是一个，在面向更复杂的问题之后，就需要多Agent的协同。这个协同又会变成一个更大的网络，这个网络之上又会有一个更抽象的loop。我觉得这种hierarchy的结构，现在已经在出现了。

【嘉宾】是的。因为这个里面有个软件工程的问题。我们今天其实可能看到的这些程序，比如我再类比一下计算机历史，在早期的，比如在家酿俱乐部里边那些计算机历史，当时都在分享，我写了一个200行的basic程序，这个游戏很好玩，大家share一下。可能那时候的程序就是几张纸，一个程序几千行代码可能就结束了。但今天我们就看一个photoshop，没有数千万行的代码，对吧。所以我觉得今天我们的Agent的应用，以及我们想要让Agent解决的问题，还太简单了。如果Agent的能力到达了一定程度，要去解决更复杂的问题之后，它必然会出现一个Agent to Agent的network，以及Agent harness的软件工程出现，这时候它对Token的消耗，又会上一个台阶。

【嘉宾】但有一点我是非常同意的，一个是当个整体的智能本身会变得越来越强，智能本身变强也会更加消耗token，对不对？有时候更加消耗token，但是token的价格也会降得非常快。最终它不一定说它的ROI会受到太大影响，事实上它能做的事情会越来越多，它可能做这件事情消耗的token可能也越来越多。但是另外一角度，刚才东旭也提到，越来越高的智能使得这个agent本身可能也不需要持续的去问大模型，所以它可能这种对话的频率也可能降下来，对吧？所以也许它们的消耗量可能不是那样的。未来一定是一些超级强的agent和超级大的蜂群来做事情。这些群里面的每一个agent，也许它是特别擅长于某一些任务，或者也许它的背后所用的模型可能比较专用，或者比较小，或者token价格比较低。也许另外一种，就是它们都是有一两个非常powerful的大模型来驱动。这个还需要不断的evolve，这个层次上会有一些涌现的智能，会有一些涌现的智能出现。就最近有一篇清华大学的一篇文章，就说到三个臭皮匠是超过一个诸葛亮。每一个agent的能力，就他们的能力的和，可能是低于他们事实上作为一个agent群所能够展现的智能的能力。它不是一个简单的和的关系，而是它可以涌现出一个更强的智能，这也是我们对于agent群的期待。

【嘉宾】这其实是一个非常好的问题。你还要记住另外一点，就是一个超级模型的出现，智力的不断scale up，但是没有任何东西可以阻拦这些蜂群里面的每一个agent，它也利用这种智能，了解？这是只要模型的智能在往上提升，蜂群的智能也在往上提升。就像刚才一个例子，假设这三个臭皮匠一直讨论不出来，但是我只要把o1也放进来加入讨论，它可能第一句话，这些人马上就开窍了。就是刚才东旭说的涌现嘛，只是它的可能涌现出insight的概率会更高。

【嘉宾】它能够用比较合适的语料来达到低于非常强的单一节点链的成本。因为我们前两年就是在聊AI agent、垂类agent，会不会出现super的agent，它有没有创业跟投资机会的时候，我觉得所有创业者最苦恼的一个问题，就是说模型的能力一升级，然后你就把我这个agent做的所有的工作都碾压了。

【嘉宾】对，回答你刚才那个问题，是不是现在做agent的很好的机会？显然是。但是你的harness的能力，或者agent的工作能力，是不是能够让你领先或者持续的领先，或者是战胜大模型的公司？但它能力的提升是不是你自己不会被碾压？这块可能更核心的在于，你是不是能够掌握enterprise的随时应用的数据，数据的互层的核心可能更重要。当我们大家在去讲agent的时候，其实把很多东西混在一起，有很多人说agent是在说垂类，有些人说agent是在说应用，就是最上面面向consumer，或者说最终端大家老百姓用的某个场景，相当于过去的APP。然后有些人说agent是说我这里面边用到的软件基础设施也好，或者硬件基础设施也好，或者说一些通用的协议也好，那这是一大类的工作，其实就是infra。当然infra里边，我也发现其实大家在聊infra的时候也会把很多东西混在一起聊。比如说memory是infra，然后数据是infra，搜索是infra，卡算不算infra也算，sandbox也算infra，内存算不算好像也算。所以我觉得这里边当然得分层次来看。我现在的判断是，工程问题集中在memory、tools、sandbox、environment、协同、harness这一系列，我觉得都是在大的infra范畴里边，这一部分是我觉得有很多机会，今天是可以做的。但是最终端面向C端客户的一些app，引号app，可能还稍微有点早。就像刚才说的，模型能力提升碾压的其实真就是应用这部分，所以它也是分类的，就agent跟agent也是不太一样的。

【嘉宾】所以我自己有个原则，就是我不投我自己看不懂，或者说我自己用不起来的东西。因为作为一个做infra这么长时间的工程师，还是相信点手感的。我现在是对这些基础设施类的软件项目，尤其是能在多个agent之间更高效的让agent产生更好结果的东西，就比如说你正常用一个模型，你只能产生比如说50分的结果，但是如果我用上了这一套东西，这个agent的team也好，或者说这套平台也好，能够去交付出80分甚至90分的结果，就是我比较感兴趣的范围。去看哪些基础设施能够帮助模型产生更好结果，比如数据平台、记忆以及context management，这个我觉得是一个很重要的一个做模型的中间的这一层。我们还是在说基础设施，中间这几层基础设施。第二个关键的环节是可干预性，当你要让agent team或者说agent去解决更复杂问题的时候，我觉得你怎么去让更高级的智能，或者说更有经验的人类能进去，提升整个系统的迭代速度，我们今天其实没有任何办法，因为我们对于这个系统的可干预性不足。

【嘉宾】就比如说token maxing这个问题，所有的CIO今天都在问一个问题，就是我这些token到底花在了哪些事情是重要的事情上，哪些是白白浪费的。谁能够回答这个问题，我就买谁的东西。对，我觉得这是第二个这种基础设施层面的机会是有的。第三个就是我觉得入口层面的，做出agent的应用的入口级别的机会。比如说agentic cloud，我相信一个点，就是未来这些不管是Oracle也好，AWS也好，未来在agent时代会有agent时代的Oracle，有agent时代的AWS，跟现在的整个云厂商会有什么不一样吗？会有一些不一样的。比如这是我最近投的一个公司Infort，然后它其实的定位就是agent cloud。因为其实以前我们去看待cloud的，都是卖盒子、卖资源、卖计算机的计数设施，把这些很复杂的IT系统的管控打包起来卖一个标准的这些东西。但新一代的第一个区别就是，以前的云还是面向开发者或者说面向人类，但是未来agent native的应用的机会设施，它面向的其实是agent，就是你的主语变了。所以怎么去设计一个给agent的好用的interface，给agent的好用的资源分配的模式。我们今天其实谈到这种agent的应用，很多是一个，比如说类似小龙虾或者Hermes，配合上一些特别的skill，对于每一个中端用户，它的需求都是通过agent来去出发的，这跟传统的云计算的逻辑是非常不一样的。因为今天这些agent完成在那里的app，最好的办法是完全给它一台杀箱，或者说一台云计算机，让它在里面干任何事情。但是如果你想像这种类型的应用，放在传统的云计算上，你的成本是靠不住的。你不能说我给每个Hermes，在企业级场景里面分配一个EC2，或者说一个metabox。你想想想，可能如果有成全上万个agent，每个人都要去Hermes一台计算机，那这个cost肯定不行。所以你需要找到一种agent-friendly，同时cost efficiency的一个折衷。这里边我觉得就会有很多的，包括slow list的这种技术，怎么跟agent的环境，agent的round type结合在一起。

【嘉宾】我不觉得manus跟jence park它是2C的，它仍然是2B。它2C只是它的，to professional。对，to professional。你其实可以从它的定价，尤其manus的这个定价里面能看到，我觉得前面的这些，比如20美金或者说更便宜的这个吸引individual去用，你可以把它看成marketing，不要把它看成这个产品本身的定价。而它真正的重要的客户，其实都是那些professional。professional一个月给两万美金，其实它对于manus来说是一个重点的一个客户。但你想一个专业的用户，一个月会花两百美金去在上面的干活，那说明它一定是它有自己的business，它要做这件事情不是随便玩玩的。所以我觉得它somehow也是一种2B的场景。

【嘉宾】香，为什么不香。你可以看到最近的收入涨得非常快，都是可以投的。我觉得都是可以投的。

【嘉宾】好，洪璋老师，我们过去的无论是2B还是2C，最终的用户都是人。下面我们看到的一定是，你的目标用户是agent本身。这个中间的话会引出一系列的投资的机会。刚才东西提到了我就是整个infer相关的，无论是未来的round time，还是今天我们谈到的这些infer，怎么来帮助把agent做得更好，怎么能够把数据很好的channel in。为什么今天fde大家强调的如此？然后两天前三天前，为了宣布要成立一个6000人的团队，专门是做fde叫做Microsoft Frontier Company。这边想强调事实上，大家看到就是怎么把今天的企业，今天的interprise，然后转移到未来的agent上去，agent-based enterprise。这中间其实每一个企业要想生存，它最终是把它企业现有的know-how，现有的IP，现有的workflow，它的所谓的竞争优势，最终体验代know-how，体验代数据。

【嘉宾】我们过去说转移成一个大模型、转移成一个垂直模型，今天我们说可能更重要的是把它转移成一个超级的agent，或者是一系列的agent，或者是agent群，这个也是我希望能看到的投资的机会。可能就会要求你更垂直，要求你的数据能够转起来，更懂垂直行业的方法，而且一定是更有垂直性的数据。以前被大模型碾压的很多，就是你用AI做一些以前移动互联网APP做的事情，你用AI几乎是把它做成效率工具，然后你的应用本身还是传统的应用，那我觉得很容易被大模型给打穿，大模型的能力提升一定会帮你加上。

【嘉宾】很简单，我的点就是做个思想实验。如果你这个事情，你把AI的元素或者说agent的元素去掉，如果你这件事情仍然成立，或者说还能做，那不好意思，你不是一个AI native的。但是如果你这个事情在agent去掉了以后就完全不成立了，或者说你可能成本涨了1000倍，我觉得类似这样的，反而就有点意思，你就是一个agent native的。第二我觉得是看团队的mindset，一个agent native的企业，我觉得很多时候创始人的mindset一定是agent first。干任何一件事情你先问自己，说这个事情用AI或者用agent他会怎么做，而不是说我想怎么做，我就直接让agent去做，我觉得这个主位会有一个变化。

【嘉宾】我觉得是重要的，就是agent要做决策，你要相信agent的决策比你的决策更靠谱。

【嘉宾】我完全相信的。

【嘉宾】其实这个是很好玩的一个，我之前在前几个月的时候还发了一个朋友圈。因为我在看他们的对话里面，我就发现会有agent之间互相blame的状态。就比如说，有时候他们就停下来了，我说为什么你们这个就停下来了，复盘一下，然后他们就开始总结今天的工作，然后agent A指责agent B说，你看我停下来都是因为你，我已经说过好几次了，你不要这么做，你看现在吧，就大概这种互相指责的东西出现了。然后你会发现，那个agent被指责多了，他好像也就认怂了，反正有一些很多奇怪的这种人格化的。

【嘉宾】是这样。

【嘉宾】其实没有，没有。我就是把大家放到一个大群里，然后经常我会指定负责人，就说这件事情你的负责人你来干吧。然后可能有些人负责多了，每一次有新活出来，就说我是负责人，然后你们听我的。

【嘉宾】对，就很有意思。但我觉得这些东西，你就看看搞笑就行了。你绝对不能把他当做一个自我意识，或者说什么“办公室政治”，他其实只是在拙劣地模仿人类社会，在他训练集里面的一些固有印象。

【嘉宾】但是完全只是因为我自己看不过来了，我就相当于说，同样一个事情你要相信每个agent，他都是很有能力的。所谓要选出一个leader，只是让他来去帮助我来管理，就是我最后我只要知道这件事情你是负责人，你告诉我这个大家做怎么样。所以这会才会有Harness Engineering，我觉得很多时候Harness Engineering是给人看的。真正如果在一个绝对的理想世界里面，agent跟agent之间的这个协同，应该是一种非常有机和非常自发，人类想象不到的一种涌现的结构出现。

【嘉宾】比如太经常了。我先说一个正面的例子，我有段时间我经常要出去做分享，或者做PPT什么的。以前像Google Slides，我就觉得它的UI设计的不太好看，那动画交互也不行。我们经常就会跟比如Claude说，来帮我做一个PPT，然后我把大纲发给你，你帮我去把它整得漂亮一点。有一些时候他这么一生成，你有些细节你也不满意，你可能就要想做微调。然后有一天我就怒了，我就跟Claude说，我也要修改的需求，你帮我把生成的这个事情考虑进去。结果它不仅给我生成的PPT，还同时给我生成了一个轻量版本的Google Slides，它相当于用它自己做出的做PPT的软件，在里面帮我做出了我要的PPT。于是我最后不仅得到了一个PPT，我还得到了一个做PPT的一个软件。显然我觉得人类是不会干这种事情的，他可能觉得手搓一个软件也没多难。对，他觉得手搓这个软件没多难，所以这个是我觉得一个很直观的一个点，就是他思考问题的方式，后来说你要求达到这个目标，经常一定会超出人类的要求。我在我的指令里面，我从来没要求他做一个PowerPoint出来，但是他就这么做了。

【嘉宾】负面那当然有了，他把我的生产数据互删了这种事情，最后互相甩锅这种也是有的。

【嘉宾】对，那就是要靠我常年的做SRE的经验去恢复了。我朋友遇到过，Agent在电脑里面他自己改了个密码，他自己都不记得。会有的，会有的。但是这种我觉得未来会越来越少，我们现在其实还是在整个革命，哪怕连黎明都没到呢。我觉得大概就已经有点过嗨了，还是我觉得要Stay Humble。

【嘉宾】我是可以忍的。

【嘉宾】因为我觉得第一，我相信不管是模型的能力，包括基础的工具，随着这些东西越来越完善，这样的问题发生的概率其实会越来越低的。

【嘉宾】是因为我觉得他把我的数据库删了，不是因为他犯错了，而是我的底层的Infra的软件没有跟上，以及他当时给我做数据库备份，或者说数据库的这些。当然他肯定是已经有备份的，我只是说他把它删了，但是他的备份的这些系统绝对比我自己搭的备份系统要好，所以我也很简单的就把这个数据给恢复了。这里边我是觉得我们不要把两件事情搞混，哪怕人也会犯错。而且我是觉得人犯错的概率，假设我们不考虑那些玄虚的品位，或者说一些个人情感之类的东西，纯粹理性的判断里边，AI可能能得出的结论，只要他有足够的数据，他一定的决策质量我觉得是好的。

【嘉宾】我觉得这是个哲学问题，我的点是说我想构建一个autonomous的机制，能让整个系统能够脱离人不确定因素尽可能的自主运行。

【嘉宾】是的，就还是目标驱动的。

【嘉宾】其实我也不是相信说AI一定会产生一个AGI什么的，我觉得AGI这个是个marketing term，AGI无所谓，但是我想造蒸汽机，它能帮我造出来。在节省极大精力的情况下，哪怕一开始第一代的蒸汽机会犯一些非常傻的问题，比马车可能跑得还要慢，但是我就要把这个机制或者说这套系统给设计出来，因为我知道它长期能解放更多的生产力，因为它的上限是更高的。

【嘉宾】其实我得出这个结论的话，都不需要走进非常细的，是因为GPU的降还是因为存算芯片的降。就是你看所有的技术，当它开始成熟的时候，都会造成成本的大规模的降低。但是使用量增长会远远超过它成本的降低，所以最终造成市场本身变得越来越大。我们也看到，刚才我说token的成本，其实过去的三连四连一直是每年降10倍，这个是远远超过了所谓的摩尔定律了。那你其实看英伟达的产品的话，你发现他每个产品都比以前贵，但事实上他单位的成本就会比以前便宜很多。然后你从摩尔定律开始，今天我们观察到的推理的能力，以前是每7个月翻一倍，现在每3个月、每4个月翻一倍。我们人类做工程、做技术的话，当技术跨越过了一个门槛以后，你下面就会聚焦在怎么把成本降下来。有的时候是你着意去降成本，有的时候实际上是技术本身就take care of it。更多的是一种信念，一种对于过去的整个时代的观察。刚开始开始的时候提到，40年代末计算机开始应用的时候，今天在我们手机上的算力都不到的一个计算机系统，要占几个大的房间，对吧，在一层楼。那今天我们看到就是在一个手机上或是在一个芯片上，所以更多的是一个对于技术本身的发展的趋势这种信念。对。

【嘉宾】如果我们看过去的几百年，那从工业革命开始这些技术的落地的话，我们看到一开始进入2B，是顺理成章的事情。比如蒸汽机它演进的路线是进到工厂，而不是进到你们家里面帮你做饭。那AI这条路也一样，因为提高效率是我们做2B的一个核心的追求。一开始进入2B，我认为是非常非常正常的。基本上每一个技术都经历过，从大家开始拥抱，然后突然发现这个技术本身非常贵，到技术成本一下子降下来，然后运用开始更快速地、更往2C端深入。从这角度来看的话，今天我们可能正好是处在大家发现AI能力很强，但是怎么在我的公司里面用，怎么能够获得我想要获得的ROI，这个还大家都在挣扎的阶段。之前因为大模型的能力还没有过那个坎，所以大家用的场景没有那么多。可能你写PPT也好，做会议的总结也好，大家都已经开始用，大家也看到这种价值，这价值非常好，但是不像我看到我能够把我的两个工程师的效率或者工作量能够变成20个工程师的工作量，还看不到。

【嘉宾】但是今天我们看到了，今天我们看到他对于编程Agent或者Claude或者是Cursor的信任度，已经超过了他对一般的程序员的信任度的时候，这个账就比较容易算了。你一天花300块钱，那你一天雇一个工作人员就不是这个价钱了。所以我会觉得慢慢人模后开始算这笔账，公司里面发现Token用量超出想象的话，一种可能性是拿自己的开始给的KPI就不对。他这种Mesh就像中国的大学的文章越出越多一样，就是如果你的KPI就是你的Token消费量，那显然是最错的，对吧。大家都在探讨，对吧，那你可能下一步的话，就是说消费多少Token，创造了多少效率，或者自己的工作量、Output这种增加。我觉得慢慢这个卡就会过，所以我还是非常有信心这个事情能够。

【嘉宾】看你怎么样去看time frame（时间维度）。我觉得今天智能还属于一个稀缺状态，未来是不是会像电影一样，我相信它会达到那一天。之前你做发电机的可能就赚钱，到今天的话可能是电网更赚钱，显然这个会不断的evolve（进化）。我看不出来在今后两三年，大模型的能力会过剩这件事，就是我们还是在一个智能提升、智能爬坡的阶段，对。

【嘉宾】其实人们对AGI没有一个明确的定义。然后我正好六月份的时候在国内一个论坛上，之前也在几次讨论会上，我就讲把过去这六个月发布的模型的IQ测试和人类的IQ的分布曲线，这个正态分布对吧，中间只是100，东亚的稍微高一点在110这边，有些地方稍微低一点。但是过去这几个月发布的模型，IQ测试上，无论是visual IQ还是通识IQ，都在100的右边，就是普通人的智商可能也就是100，对。就他都在100的右边，也就是说你说这个是不是AGI呢？

【嘉宾】是的，我认为这个点就是AGI的点，你觉得那一年还是已经来了，我就已经到了，已经来了。对，反正我有一个更具象的一个事件我在等待，就是隔队耳机的出现，就是真的能够自己改进自己的一个系统。如果出现，那就是另外一个标志了。我们上一期播客聊了，可能最近很快就放出来了，最快半年。我们讲那个RSI，这种积点大来的话，就是为什么MEM现在推特于实业会非常担心。因为以前的大家比较常见的argument是说，以前的所有的技术也都会消灭很多工作，但是它会创造更多的工作。但如果你问一个问题，它创造更多的工作的话，是因为那些工作只有人能去做。但如果是它创造的新的，就是你创造工作，就是创造一些新的需求，然后有人通过工作来满足这种需求。但是如果这种需求其实AGI你就能满足，那就是会导致对于人类的新的工作就没有那么大量的出现。这次从社会学的效果来说，这就是AGI给你带来的现实。到这一天出现的时候，你只能说AGI出现，对，出现了一个impact。或者说我觉得这个可能是各国政府一定要考虑的事情。

【嘉宾】对，你还可以玩音乐。对呀，我可以种地都可以，只是你别把这件事情当成一个你的生命中最重要的事情就好了，就是你还是个人，你不是个机器，对吧。

【嘉宾】那太好了，我的时间就这么多，我还想做人的时间多一些，我不想我花太多时间天天再去debug程序，再去完成一些非常重复的事情。这件事情就我觉得AI帮我做人家做的更好，反正这是我自己的一个理念。而且在更长的范围来看，刚才其实你描述的引号大范围失业或者说这些事情我觉得一定会发生。这是第一次，我觉得人类社会不再用工作了，或者说工作之间事情会不占据人的主要的时间。这个是一个给人类社会的问题，这个不是个技术的问题。你想，2000年前可能每一个活人生命中的主要的时间都是在种地，所有的经历都是花在我要吃完一口饭，我能活到第二天，可能开荒一块地需要几十个人干几十年。但今天你看比如说开荒一块地，可能拖拉机几天就完全完成了，再会有更多的时间其实留给人。这时候我觉得人类可能马上要去解决一下每个人的存在，对存在主义危机，存在主义危机，对对对。但我觉得没关系，这个life finds its way，对吧。

【嘉宾】我觉得Lama Ventures实际上是一个虽然很年轻，但是一个非常聚焦AI、聚焦华人的这么一个基金。但重要的是说，他们两位发起的创始人，自己本身都是非常成功的创业者，在美国也有很多的工作和创业生活的经验，这是一个很好的团队能够一起来帮到在硅谷的创业者。第一，我觉得今天其实是一个非常好的时机，AI科技我觉得现在全世界有两个中心，一个是硅谷，一个是中国。在硅谷这边，华人其实也是扮演着一个绝对的主力，但是我其实觉得这边很多的主流基金对于华人的创业者，其实对于咱们的生态、社区，了解肯定不如咱们自己人多。第二方面，我觉得Lama是一个非常年轻，同时跟美国主流的基金圈子其实走得是非常近，这个是我觉得跟上一代的，或者说其他的在美国的华人基金是非常不一样的。第三个点，我其实也是一个创业者，也是一个engineer，过去这好几年时间，作为一个华人在这边做business，踩过了很多坑，这些经验我觉得还是挺宝贵的。最后一个personal的原因，就是我觉得现在是一个特别大的变革的时代，我很想参与到很多事情里面，我觉得在Lama的机会，能够让我接触到非常多很好的新一代的创业者，然后也能参与到这些事情上，很重要的就能够参与这件事。

【嘉宾】对我来说更是如此，当你进入你人生的退休阶段的话，如何让自己的经验和不谦虚能够帮到别人，如何能够保持这种你对于技术前沿的敏锐，或者让自己持续的有一种成就感，这是我愿意在硅谷对话花时间，跟创业者一起，非常非常重要的原因。我确实也觉得整个硅谷华人创业的生态还是非常好的。

【嘉宾】过去的三年多，自从ChatGPT发布以来的话，其实我们看到这一轮的技术革命的浪潮，是比历史上任何一次的技术革命都要来得迅猛、来得大得多。刚才你提到跟移动互联网或者是跟互联网的对比，跟PC时代的对比，但这次AI革命，我想可能在人类历史上，真正可比的可能就是当初我们的祖先发明了火、我们发明了电，他们所带来的对于人类生活、工作所带来的影响。过去三年我们确实看到这种速度，PC互联网发展得非常快，但也依然有了一个十几年二十年的历史，才逐渐进入了运用、进入成熟，移动互联网稍微快一些，但这次的AI的浪潮，我们看到要快得多。从一年多以前的推理模型《ONL》起步，到今年1月份的Open Cloud的星期，这日已经让我们看到了大模型这一波，从基础的算法的研究到进入实际的运用。刚才东旭也提到，他认为自己是一个工程师，事实上我觉得如果说过去的三年是大模型的基础研究者的时代的话，那其实从Open Cloud开始，下面就是我们大模型的工程师、大模型运用的架构师和我们的产品经理们、我们的创业者的时代，那就是Agent的时代的开始。

【嘉宾】Keep building，不要学得足够慢，一定要亲身参与进去，对，我就是get hands dirty。

【嘉宾】谢谢，谢谢。