刘勇北大分享:AI 创业的第一性框架:赛道和时机
刘勇在北大 AI 创投课第三讲的分享,主题是 AI 创业的第一性框架:赛道和时机。他从「为什么比尔·盖茨和乔布斯都生于 1955 年」讲起,说明选赛道为什么比努力重要、该花多少时间做选择;再用康波周期讲技术怎样消灭稀缺、新的稀缺又出现在哪里;然后给出一个比较新旧供给成本的公式,用它解释工业革命为什么发生在英国、AI 应用为什么先在美国跑通,以及成功率为什么是 AI 产品成本里最核心的变量。后半部分讲怎样判断模型的能力拐点、AI 产品经理要做的事,以及 Claude Code、Manus、Cursor、Abridge 等案例,中间和结尾穿插了约二十个现场提问。
以下根据录音转写整理,校正明确的识别错误、去掉口水词,并按语义分段。保留讲述顺序、口语表达和现场互动,部分人名和专有名词按上下文推断,未经讲者审定。
为什么比尔·盖茨和乔布斯都生于 1955 年
刘勇 Patrick:咱们正式作为刘老师来讲讲课。其实真的三十年前我也是跟大家一样,也坐在这个教室里面,反正学的都是一些非常 hardcore 的一些东西。上两节课我们分别请的是王小川和朱啸虎,他们其实分别是从宏观的角度来讲一下创业和投资的一些完整的 picture,但是我其实想讲一些微观的东西。但大家知道一进入微观的就不好说了,它就非常耗脑力。所以我就想沿袭我以前学物理这个精神,真的是用第一性的原理,从创业者的视角,创业者的第一性的视角,非常 hardcore 地来看一下这过程一步一步会怎么去做。其实你真的掌握了一些能力之后,你会发现创业也是有公式的,你真的有的地方完全可以像咱们在学数学分析似的一步一步推理下去。当然北大的学生都才华横溢,所以我就讲得 hardcore 一点点。
那么我们先从一个问题开始,这问题就是红色的这个字体,为什么比尔·盖茨和乔布斯都生于 1955 年?这个问题我估计有人肯定看过,这个问题首先是来自于一本书,叫做 Outliers,中文翻译叫《异类》,这是一本专门讲成功学的畅销书,我并不觉得这本书特别地有深度,但是我觉得他提的问题都特别特别地好,这是其中一个问题。先说这个答案,这个是因为在 1976 年诞生了两家特别牛的跨世纪的公司,大家知道是哪两家吗?一家就是苹果,一家就是微软。在那个时候,乔布斯和比尔·盖茨都是二十一岁,正是大家这个年龄。他们是在 PC 刚刚开始兴起的时候,凭借他们强大而丰富的想象力,就抓住了这样的机会,并且一直坚持下去。
76 年其实就像爱因斯坦在 1905 年发表了四篇跨世纪的经典论文,它是一个大年,在科技史上有好几个大年。比方说我的标题里面说,美国互联网的大年是 1995,95 年前后就诞生了非常多,雅虎,亚马逊,Netscape 早一点点,还有好多公司。而刚才说 PC 还有一个大年,我都没写上去,就是 1982 年,今天我们看到所有的大型软件公司,几乎都是在那前后的一年诞生的,什么 Oracle,什么 Adobe,大家可以去查。还有移动互联网也有个大年,这是咱们相对熟悉的,就是 2010 年,小米、美团,之后 11 年,什么滴滴,后来出现特别牛、市值第一高的字节,就那个时候诞生的。所以这都是大年。为什么会存在大年呢?你 miss 了这个时候,你很可能就要付出很大努力。
赌赛道不赌选手
这个我专门研究了好多,然后发现有个人写了一本书,是关于红杉,这当然是全球风投的老大了,他那本书叫《赛道为王》。他总结出一句著名的话,那句英文叫「bet on the racetrack, not the jockey」。racetrack 就是赛道的意思,jockey 是赛马的选手,说白话就是赌赛道不赌选手,这真的一直是红杉的哲学。虽然说红杉,我只说美国的红杉,它是会在一个赛道里边投两家公司、三家公司的,所以它投赛道,但是这对于创业者是非常忌讳的,大家选 VC 的时候可以多想想这个。
但类似的这些话,其实我们鸡汤的话,就像「选择大于努力」,或者我喜欢的,咱们老祖宗也讲的,《孙子兵法》里面叫「善战者求之于势,不责于人」,就是你所处的势是大于你人本身的能力的,就是时势造英雄。回到我们这个投资上面来,我以前创业的时候,我还不是特别明白一点,但是我进了 VC 之后,我发现有一个不成文的规则,就是一流的赛道,如果是三流的创业者去做,他成功的概率其实会高于一流的创业者去做一个垃圾赛道,是显著高于,显著显著的。这句话能解释很多问题,等一下我们还会慢慢回到类似的案例。跟这个相关的就有一句暴论,就是一流的赛道会放大普通人的能力,三流的赛道会吞没顶尖选手的才华。而在座的都是顶尖选手,如果你加上一流赛道,这 buff 就更大了。
花多长时间做选择
但是我们光说要去做好选择,下面我们紧跟着要问别的问题。第一个显而易见的问题就是怎么做选择呢?这就是 how 的问题,每个人都想做好选择。不过我更觉得这个问题没有另外一个问题那么重要,就是 how long 的这个问题,就我右边的,你要花多长时间去做选择?在我们移动互联网的时候,平均要成一个独角兽的公司要多长时间呢?要八到十年。所以你要去创业,真的要做十年的话,问题就是你该花多少时间去选择方向、选择赛道、选择战场?大家觉得该花多长时间?有没有人猜一下?
其实这是一个非常非标的,有人立刻就冲进去了。但我的经验其实是大概要花十分之一的时间,也就是你其实要花一年的时间去思考这个才行,而且你之后还要不停地迭代思考,甚至以季度为单位来思考,当然你可能以半年为单位去思考。凡是准独角兽公司,或者叫一亿、两亿美金的公司,你一定要每个季度都要去思考一个赛道是否正确,思考一个战场是否正确。
思考这个问题,我其实总结出一个快与慢的规则。《快与慢》这本书大家肯定都知道,这个思考的方式。对于创业来说,创业的快与慢,其实就是创业不怕的是你跑得慢,创业最怕的是你在错误的战场上跑得快,使劲跑,拼命奔跑,那就南辕北辙,对吧?
其实对一些 VC,比如说上次 Allen 说,互联网最成功的几家公司之一吧,我就不点名了,是当时孙正义花了多少,十五分钟就投它了。其实我是特别不相信这样的神话的,除非只有一点,那个公司,投了它大概两千万美元,只占他投资额的千分之一,这种他其实不用花那么大的精力去思考,反正我就赌一下就行了。所以对于传奇的事情可以去祛魅。但是另外更重要的是,对咱们创业来说,其实是这 how long 的问题特别值得去思考。
选择方法的三个标准
虽然我们要花一点时间,但我们也不能一直耗在那地方,所以我们在选择的时候还是需要有方法论的。所以我不仅在思考这些方法论,想让它变得更加通用,我觉得总结出三个规则,三个适用条件,三个标准。
第一个就是必须满足第一性原理,它不是叙事,它必须是,我认为,你的产品必须要满足用户需求,必须用户愿意用、愿意买才行。这件事情其实从第一性的角度来看,它就是一个咱们微观经济学的基本原理,就是一个价格和成本的问题,供需的问题。而这个价格成本的问题,你要通用的话,你就不是放在一些比较细枝末节的地方,是需要放在一个比较大的变量,这种大的变量就是生产要素供给。大家都知道亚当·斯密提出的,资本、劳动力和土地,我把土地归为能源了,等下会看到为什么是能源。
第二个,咱们北大的,我觉得在座 80% 都是学科学的,所以我们要用科学的方式,它必须要可量化,还要可证伪,不能证伪的咱们就不去玩它了,这当然也是我自己一些背景来做这样的方式的原因。
第三个是跨时代,也就是说它在长期的周期里面是被验证的。它既能解释历史,更能用历史去预测未来。顺便说,其实我们去看赛道的时候,我自己在历史和未来上基本上是一半一半的时间,我会花一半的时间去看历史,但是大家知道历史不会重复。
所以后面的 agenda,我其实是讲三方面的,第一就是宏观周期,第二就是我讲的战场优先的框架,第三个就是为什么是现在做这些事情。其实这些东西都是我在我的视频号上一直讲的,这就是我的视频号,也是我过去二十年穿越了三个周期,互联网、移动互联网,中国互联网公司全球化,以及现在的 AI,AI 还没完全穿越,穿越三个周期,我做了两家公司,分别在互联网和移动互联网,然后投资的时候也看了这么多创始人,不停地去看书、咨询我的老前辈们,然后总结出来的一套东西。所以其实每一个东西我都可以花一堂课来讲,但是没办法,邀请的嘉宾太重磅了,所以本来最初要讲三堂课,做三次刘老师,后来是要删成两堂课,现在删成一堂课,再删的话我就没了。
宏观周期
技术是人的延伸
我们回到刚才,就是宏观的周期,大家如果要看历史,是一定要从这个视角去看的。标题其实就是技术史的主线,这句话是从有一本书叫《理解媒介》,这本书非常推荐大家去看,我在 12 年的时候,对,麦克卢汉的,哎呀,好厉害啊,我们做互联网的人,尤其是非常 top 的产品经理,这是必看的一本书。其实它的原话基本上这样翻译过来,就是技术史是人类从心理和外部需求不断被延伸的一个历史,就是技术是人类的延伸,是人身体的延伸,是人类器官的延伸。
但是更本质的,这句话听起来反正是一句暴论爽口的话,它的更第一性的不在他那书上,在别的。技术的本质就是我们人是用工具加上使用能量,去获得我们想要的事情,就是满足我们的需求。所以它是工具加上能源去干一些事情,这就是技术。这个的直接推论你就会看到,大规模的这种技术,它只要大规模地满足了我们的需求,就是我们人的不断延伸,汽车是我们脚的延伸,电脑目前是我们以前一些计算的延伸,你完全都可以去举例,甚至于小到你戴手套是为了防冷防热的一些延伸。
它都在干一件事情,它其实是在消灭稀缺,或者用相对拗口一点的话叫反稀缺性。大家知道稀缺是很重要的,我们还是回到第一性原理,只有稀缺的东西才是有价值的,在商业上,对吧?空气大家都是需要的,每个人都需要,需要无穷多,但是它一点都不稀缺,所以空气是没有价格的,是无价的。别的还有很多,水其实也是,你随便喝,但是今天干净的水就稀缺一点点了。所以这两个其实是矛盾的,技术是一种反稀缺性的,但是商业价值一定是稀缺的,那我们该怎么办?等一下我们还是会看到这个东西的答案。
康波周期
再到周期的话,技术周期有很多种解释框架,甚至也包括比如说像马克思主义也在解释我们的这种框架,还有熊彼特,但我个人其实最喜欢的是叫康波周期,我发现我用它来解释了很多东西。它的核心就是,你看,他说从第一次工业革命之前,1800 年开始,它就经历了五个大的技术周期,而且每一个技术周期都和经济周期、政治周期、金融周期全部都连接起来了。我其实更推荐大家,我自己也是去看 cosine 曲线,而不是一个 sine 曲线,是一个 cosine 的这种曲线。如果你看 cosine 曲线,第一次结束的,比如说蒸汽革命,它就是在大概 1840 年结束,就是咱们的第一次鸦片战争,其实别人已经完成了第一次大的技术周期了。想一想我们也没多远,这为啥开始那么惨,那现在我们不是赶上来了嘛。然后第二次铁路、钢铁,然后比如说到第四次的时候,这个地方就是 1937 年到哪一年呢?到 1982 年,它的底部是 1982 年、81 年,还记得八一、八二这个数字吗?这个数字的大年,为什么它是大年?它其实在那个波谷的时候,有好多事情在发生,那时候其实是一个很好的时间点。
而最后这一轮,是 1981 年到,我还是用 cosine 曲线来看,81 年到哪一年呢?每一轮周期,上一轮是四十三年,加四十三年,其实就是 2024 年左右。我自己觉得上一轮周期是以 PC 为代表的信息革命,它是在 24 年、23 年左右结束了。22 年的 11 月 30 号 ChatGPT 出现,所以 23 年开始,24 年开始,就开始了新的波澜壮阔的大的周期。其实我还很激动的,我激动但也有遗憾,我遗憾如果我出生在这个年代的话,我肯定就不会站在这个地方,我就会去实际创业了。但是这个年代,是咱们北大的学生和老师们,我觉得是最好也是最大的创业机会,因为这个年代比以前更需要技术,更需要底层的技术和基础科学的研究。
那我们简单看一下,一个康波周期它是一个什么样的东西。它其实是一个四周期,这是曲线往上,如果把这个放到这边来的话,这样看更方便一些。它每一个周期大概是四十到六十年,平均五十年左右,它有三个巨大的特征。
第一个就是,其实技术开始说都是能源通过工具转化成我们的需求,所以它其实就是一个能源转化效率,每一个周期都是一个能源转化效率的百倍的提升,都超过了上次 Allen 讲的十倍提升,那是需求的角度,是你自己在满足需求的角度,但其实它底层的实际上一定是百倍的提升。所以这样生产力就百倍地提升了,这是一个大的前提。生产力提升了之后,就一定会出现一个大市场,等一下我们会看到出现哪些市场,所以当然生产关系就慢慢变化。
但最后一点我觉得对咱们最重要,当你把这个曲线变成 cosine 的时候,你就看到了,这个地方就是复苏到繁荣,它是整个上升期的,衰退到萧条是下降的。所以在整个上升期的时候,是创业的最好的时间点,也是资本最活跃的时间点。所以它的一个推论就是一定会出现金融泡沫,也一定会出现崩盘。所以每一次技术革命,虽然都是大的发展,但是大家都会恐惧泡沫,上次也有人在问这个泡沫。我觉得咱们北大的同学一定要有丰富的想象力,要拥抱泡沫,千万不要怕泡沫,一定要拥抱上去,拥抱泡沫才能够致富。
拥抱泡沫:普通人的三个机会
为什么拥抱泡沫可以致富?因为每一次技术革命就有三个东西,让普通人而不是老登们有机会。这为啥我不敢直接杀进去?很惭愧啊,很惭愧,我要是三四年前像你们,我真的就杀进去。
第一个就是增量市场红利。刚才说生产力百倍变化了,稀缺已经消除了,消除了稀缺什么意思?就是你的成本降到了非常非常低,之前是一百块钱的现在一块钱,之前十块钱的现在一毛钱,甚至是免费。这免费为什么能来?就是因为它的边际成本特别特别低。所以第一就是一个增量的大市场。
而有了大市场之后,而且这是个增量大市场,你会发现老登们的经验清零了。在座不是新登,在座是新生力量,你们对这理解其实超过了他们,因为你们是内生的。或者说从另外一个角度来说,这个新的大市场出现之后,大家都处在同一位置去抢这市场,老家伙们没有优势,你们在同一条起跑线上,所以你们是有机会的,这就是经验清零。然后另外一个就是各种壁垒,尤其是刚才生产要素级别的这种壁垒,资本壁垒是在降低的。
那我们看一下,其实讨论特别多这件事情,它的增量市场是什么?我前几天还刷到一个非常知名的投资人说,当然我们从 04 到 23 年,我们在蓝驰内部也在讨论这些东西,增量市场究竟是什么?以前都有增量市场,比如说 PC 的时候,出了上亿台计算机,互联网的时候有几亿、十多个亿的网民,移动互联网的时候有百亿的手机,它都是增量市场,增量用户,或者叫增量设备也可以,总之是增量。难道在 AI 这个时代就没有增量了吗?所以我其实挺反对这个观点,说它没有增量。这个增量其实就是 agent,是有上百亿的 agent 等着我们去调用、管理、交互,这些都是需求,这都是新生的市场,这些东西其实老登们理解这个的地位更高。我们很多年轻人,大家都是第一天就可以使用了。那么它带来要素价格降低,带来增量市场之后,就会带来不同的商业模式。
新的稀缺在哪里
然后刚才说技术消灭了稀缺,但是最开始的问题还记得吗?商业是要稀缺的,商业价值来自于稀缺。这两者之间的矛盾怎么解决呢?就是这句话,一个东西不再稀缺了,一定是你价值链旁边的东西开始变得稀缺。比如说机械动力,最开始的这个 engine,不是牛顿,卡诺他们发明的引擎出来之后,什么就稀缺了呢?煤炭就稀缺了,然后做机器就稀缺了。然后比如说计算机造好之后,有电脑、有处理器之后,软件就稀缺了,软件应用在各种不同的场景,Adobe 今天也是两千亿的软件公司。互联网其实让分发变得特别便宜,什么就稀缺了?大家都能看得到一些东西,这时候最稀缺的就是注意力,为什么搜索那时候最能吸引注意力?还有上下游,就是跟支付相关的、跟你物流相关的都变得特别稀缺,这些都是价值。
移动互联网更是了,它其实是让连接变得不再稀缺,随时随地的连接,所以什么就变得稀缺了呢?上周我还问 Allen 总的这个是什么?就是高频是什么意思?我不知道大家还记不记得,大家可以回去复习一下。还有别的稀缺,就是你本地履约就变得特别稀缺了,滴滴、美团,这里都要本地履约。还有摄像头出现之后,摄像头相关的一切东西,内容就不再稀缺,但是稀缺的是啥呢?内容创作者,这些是变得稀缺。所以 AI 可以让大家继续思考这个问题,就价值链上有新的东西变得稀缺,那些稀缺就是你利润的来源。这就是上面的第一部分。
大家有什么问题吗?我是老师,不是嘉宾,得学习老师这种方式,有什么问题的话,咱们可以随时提出来,有吗?没有的话,那我们就进入第二部分。对了,我问一下,是不是讲得太抽象?大家能听明白吗?听得明白的举手吧。不可能吧?真的都听不明白吗?这边呢,听得明白的举手,真的举手,这边呢,中间这个,哪些?没关系,我可以给大家开小灶,选课的。我觉得可能更有经验的人可能听得更明白一些。
向昊天:主力投资人,我光华请很多这种一线 PE 方的,都是你这挂的,先讲抽象。
刘勇 Patrick:对啊,后面还是比较 hardcore,也是相对比较抽象。我以为这些东西更适合大家,更适合咱们北大的天之骄子,对不对?元培、计算机、物理、工学院,你们连这个都不明白吗?不明白应该多去看技术史的书,有几本技术史的书,其中有一本我刚刚在下面已经说了,我记得叫技术,就佩蕾丝的,还有一本周金涛说的康波周期,具体书名是什么我有点忘了,大家也可以看一下,反正慢慢啃。这就是你们的第一性原理,就跟你啃爱因斯坦那个最开始和统计力学从开始推导出来的一些东西似的,第一性原理你慢慢去推导。
战场优先的框架
成本与价格的公式
好,那现在我们就开始真的讲我们的框架了,从中观来讲。刚才说这个框架要满足三条标准,第一条标准就是第一性原理。第一性原理其实就是一个供给需求,或者继续再说的话,它就是你这个成本和价格的关系。你做这件事情要的成本,需求总是以价格的形式体现出来的。
所以我有一个公式。公式的右边,这是生产要素的一个东西,这是劳动力,人口,labor,劳动力的价格其实转化为工资,就你每小时要付多少钱给别人来干这事情,或者你自己做这件事情每小时的一个机会成本。咱们北大机会成本肯定就更高了,比隔壁。这是右边,它一定要小于现在你用劳动力或者是用机器的这种成本。举个例子,你做 Excel,之前你要花五个小时,这五个小时是有钱的,对吧?今天我们 Excel 已经不用那么多钱了。
它是由什么来决定的呢?就两个东西。一个抽象来说叫资本,资本是以机器的方式来体现出来的。刚才第一次康波周期那个机器就是蒸汽机,第二个康波周期机器就是一些发电机,各种发电机,后来还有汽车,今天的电子电脑设备、手机全部都是机器。机器的价格或者机器的成本,当然这里面有一个摊销的成本,加上什么呢?刚才说是把能源转化为你的需求,加上能源的价格,之前就是煤、石油、天然气、电,今天 AI 了,它就是电。今天的机器等下我们还会看到,它其实就是一个大模型。
所以如果你给别人付的工资高,你就更有动力去替代你的人口,替代牲口们。码农们工资很高,硅谷天天都想替代他们,你就有这个意愿。然后另外一个,你想替代他们,有意愿还不行,你的能力就是你供给端的这个能力,就是你要用你的能源和你的资本或者机器的成本,要是比它便宜的。这就是一个非常典型的第一性的,就是新的供给成本小于市场上老的供给成本,就是这样一个框架。
但这个框架只是表明它可能发生,但你要持续发生,我们判断赛道的时候,一定是这个赛道它是可持续的。Allen 上次也讲,sustainable 是三 S 中的一个,就是可持续的。要持续发生这样的转变,就必须是它们的剪刀差越来越大,这个差别越来越大。所以两边差别显著且持续,这个就是规模化的 PMF。对了,PMF 大家听得明白吗?我相信肯定,PMF 就是叫 product market fit。
台下:最小验证。
刘勇 Patrick:对对对对对,看来还比较任重道远啊。顺便说,我觉得这个词在硅谷,包括 Stanford 这样的学生,他们是耳熟能详的。所以为啥我挺希望和向老师、马老师和刘院长他们一起来做一些这种普及。咱们北大这些要创业,PMF 这是最基本的词,就跟牛顿第二定律一样,你不会你就赶快把它学会就行了。
为什么工业革命发生在英国
有了这个东西,我们就看到下面一个推论,一旦技术革命发生,这个周期往上走的时候,cosine 函数往上走的时候,它发生的地方不均匀,它一定发生在机器替代人最经济、能算得过账的地方,这个账就是刚才那个公式。所以举一个例子,用类似的这样一个公式,有一个英国人就在说这件事情,为什么工业革命在英国发生,为什么不在德国发生、法国发生,也为什么不在中国发生呢?最重要的原因,当时工业革命 1800 年开始,英国工人工资贵,而且英国的能源价格便宜,因为那时候英国的煤是在地表的,所以很快就可以抽得出来。大家可以去看那本书,讲得非常地精彩,但他只讨论了第一次工业革命,第二次没谈。那为什么不在德国呢?尤其是不在法国,他谈论得特别多,因为英国最开始跑马圈地把人赶出来,法国当时的人工更便宜,而且法国和德国的煤更难开采,就是那时候能源价格更高,人工价格更便宜,所以不在他们那个地方。这就是一个听上去很基本的问题。
其实这个通用框架还有一些,比如说机器的效率,还有一些摩擦成本,大家也可以去看看我的视频,我会讲得更详细,因为我考虑到也是 PMF 大家很明白的话,就不讲那个,但那个挺公式化的。
Why this,why you,why now
那我们把这个回到 AI 这个赛道上面来,就是我说在跨周期可以使用。AI 这个赛道,用它就可以回答你们只要见 VC,三个最经典问题中的两个。哪三个最经典的问题呢?第一个,你为什么做这个?第二个就是 why you,为什么是你?第三个就是 why now,为什么是现在?这是最经典的,你其实把这三个问题想透了,别的什么壁垒、什么 team 之类的,他问的别的很多问题都可以在这个牛顿三大定律上找到答案。
所以第一个,规模化的 PMF 在 AI 这里面最开始在哪个战场发生。这个战场,如果我们用投资的语言来说,其实很多投资的语言,我认为是非常理论化、非常科学的,它是用数学来表达的。比如说这个战场就决定了它的赔率,赔率这个词学文科的可能还没有咱们学理科的懂得那么多,但它就是这个倍数嘛,你一块钱能够赚多少块钱,它决定赔率。然后另外 why now,timing 这个,就是为什么现在做这个呢?它是一个胜率,切入点。就像上次,大家还记得 Allen 说滴滴从哪个市场开始切入的吗?对,出租车市场,太好了。它其实就是切入点特别好,就决定了它胜率特别好。所以像 Allen 这么优秀的一个独角兽的捕手,他一定是对胜率非常非常有感觉的。这个胜率也是咱们创业者要学会的,但其实相比投资者没有那么地重要,因为你有足够的时间去搏,等下会说到这个事情。但是赔率这件事情一定要把它想好。
AI 摩尔定律
在用这个公式之前,我们必须看到 AI 有它自己的规律,就是之前的摩尔定律变成了 AI 摩尔定律。就是每十二个月,你的 AI 的成本,我们统计的结果不等,十到三十到五十倍,就是你的推理成本是乘那么高的,每年十倍都不得了,三年就是多少倍了?一千倍,多可怕。之前是百万 token 比如说二十美元的,三年之后就变成多便宜,然后能力翻番。这个大家一定要看未来的话,就是你之所以比别人要更熟一点点,别人还去讨论大模型能不能解决什么 9.11 大于 9.9 那种问题的时候,你就看它的成本,你就预测成本的变化,到明年成本还会继续变化。
在这个摩尔定律下,我们就会看,这上面的是什么呢?就是左边的供给端的成本要小于你需求端的成本。供给端的成本分为三部分,一个是模型,这是机器,刚才说了,它是摊销的,然后再加算力,这个就是 token 价格。但这里面有一个什么呢?有一个失败的接管成本,也就是说失败了还需要人力去介入的。这个成本必须小于使用人的全成本,total cost。
右边:人的成本
我们就先看右边这个,看这是怎么回去的,上一个,这样翻过来,对,算了不回去了。右边刚才说是人的成本,我只是举这个例子,是说对比中美的人力成本,这是大家显而易见的,但是虽然显而易见,却一定要理解。大家可以用这个去对比不同行业的成本,比如说程序员的成本、律师的成本、分析师的成本、财务分析员的成本,还有老师的成本、教授的成本,都可以去对比,去看看他的小时是多少。你看这个例子就会看到,美国的成本是中国的三到五倍,也就是说这个曲线是这样的,这个成本基本上短时间不会变化,供给端的成本不停下降、不停下降,就 hit 到了你这条直线,先一定 hit 到美国的直线,再 hit 到中国的直线,对吧?这个是可以理解的吧?所以这就是你去判断你自己选择这行业的时候,右边这个成本你可以非常清晰地计算出来的一个大的宏观逻辑,所以它是可推演的,也有数据可推演。
左边:成功率是最核心的变量
然后我们看左边。左边必须要理解一点,这个是跟过去的机器有差别的,因为 AI 是概率产品,它会失败。失败了该怎么办?你只有人工去修,而这时候人工去修的时候,你就必须加一个成功率,它的总成本就应该是算力成本,加上失败时介入的成本。刚才说 90% 的成功率的时候,你要介入的概率就 10%,然后整体其实是除以这个成功率,这好理解,算力成本我们单独拆分出来,算力成本除上成功率,其实就是它做一件成功事情所需要的算力成本。但是你还要计算另外一坨是啥呢?就是我失败了,人还得介入进去,人的成本是非常高的。我去做了各种推演,我只是示范到这个地方,当你成功率是 90% 的时候,你总成本只是提升了 2.2 倍,相比成功率是 20% 的时候,总成本要提升四十五倍。所以这最核心的变量是啥呢?成功率才是最核心的变量,等一下我们就会围绕着这个成功率来讲很多东西。
这个东西同样的,我还是用中美之间来举例子,两边用刚才公式的要素和价格,它的结论就是什么呢?数字白领,刚才程序员、分析师这个,首先是在美国发生的,它的 PMF 首先在美国发生。也就是说,为什么今天不管是模型公司还是应用公司,你看它的收入 80% 甚至 100% 都来自于海外,来自于这种高端的北美、欧美的市场的原因,因为他们能付更多的钱,他们的成本更高。
但是别的,我们看到中国的一些优势,比如说在制造业,robotics 这些东西,要素上资本的成本其实比美国要低特别多,还有 deploy、政府支持这些东西都低非常非常多。所以我认为物理的这些自动化,就是 robotics,可能中国和欧美市场发生的时间不会差异特别多。当然还是那样,还是会先 hit 到美国这一线,但是你要知道摩尔定律的话,它会特别快,再加上中国本身供给端的成本会特别低,到美国之后,这些物理设备由于中美之间的冲突,导致它供给端的成本变高,都是一系列元素吧。总之这就是一个很方便的框架,可以让大家去分析。
国运
但这个框架里面还有一个很重要的因素,就是国运。我觉得我们每个人都是这个时代背景的产物。国运这个词很抽象,但我只是把它放到了我的公式里面而已。它在改变生产要素的价格,改变的是什么呢?比如说左边的机器的成本价格,改变右边的你愿意采购的价格,客户愿意使用这个产品的价格。比如说中国的新能源车,最早的时候其实都是补贴起来的,它就是国运驱动着新能源车,补贴了十年之后才产生了那个三小强,其中一个,蔚来,还是我们北大九一级的校友,非常成功的创业者。这些都是要把这些抽象的词语转化为刚才说的第一性原理,让它变得可量化、可衡量、可苹果对苹果、可比较。所以我觉得我们北大的学子真的就要紧跟着科教兴国的国运,因为它是有深刻的经济学的原理在里面的。
这也是我觉得这一轮 AI,你看这些各种要素,它为什么跟移动互联网不太一样,国运在这里面起的作用差别特别特别大。就是因为你看这些所有的模型、资本、制造、部署,这些软件硬件的整合,很多今天都需要零到一的突破,都需要基础科学的支撑,都需要很强的系统性的、规模性的工程能力。在美国现在第一大的、第一流的 AI 公司叫 Anthropic,你知道他的 CEO 是什么背景吗?
台下:百度。
刘勇 Patrick:是什么?百度,他的背景是百度,对,是百度一下,对。所以 AI 时代来了之后,这很奇怪,我觉得这些知识性的东西它消化进大家的大脑里面。他的背景是纯理科背景,他是物理学的博士,是美国物理奥赛队的成员。我觉得他有很多第一性原理的思考,虽然我并不喜欢 Anthropic 这公司,但我觉得他的很多东西是值得大家去看的,我也好好去看这些东西。而且我有认识的同学,他以前在 OpenAI,他们就说在一段时间之前,21 年之前吧,还是 22 年,专业最多的是学物理的。就是这一轮 AI 真的是基础科学的突破,清华有很多做智能科学的,北大现在有很多做智能科学的,强化学习、贝叶斯,它是一个非常数学化的东西。这是为啥我非常相信北大在这一大波 AI 技术浪潮里面,一定会出现特别牛逼的学生和老师,或者学生加老师,或者老师独立的这种创业公司。不光是需要他们,而且今天从基础知识转化为产业的这样一个路径是非常非常之短。我特别希望有好多老师也来听听这个。
新、大、快
有了刚才说的成本阈值之后,才会说到大家通用共识的一些东西。我以前在蓝驰提的这个词叫「新大快」,这个词语大家可以作为一些标准来审核你自己的商业 idea 是不是够好。
新就是要新市场,刚才说了就是增量市场。增量市场出来的时候大家都不懂,你也不懂,别人也不懂,所以一样。最关键的是你可能比别人用得更多,你脑袋里面没有这障碍。
二一个,Allen 也说,第一个就是 significant,三个 S,就是 TAM 要大,这是一个大家都会问的问题。
但我觉得其实在 AI 这个时代,更重要的是要快速起规模,就 scale up 一定要快。今天 AI 公司的壁垒是什么呢?坦诚地说,很多人都觉得是没壁垒的。上次 Allen 不也讲到可防守嘛,你不可防守,等一下我们讲 Cursor 这个案例的时候,它就变得不可防守,但是这时候你一定要天下武功唯快不破,使劲快就行。
现场提问:快与慢、定价、数据
这一趴有什么问题吗?有吗?来来来。是什么?能说大声一点吗?
提问同学 1:(提问未录清)
刘勇 Patrick:对,好问题好问题。先说这个快,其实它是在不同层次的。这个快是当你有了 PMF,这个词我相信你肯定听得明白,有了 PMF 之后,你选的这个赛道一定要快速起量、规模化,就是要快,你快速增长你就可以跟模型公司一拼。因为模型公司特别强大,各方面都非常强大,今天一个最重要的问题就是凭什么你做的这些事模型公司不会做?答案是什么呢?我觉得相对标准的答案,模型公司也会做,但是你跑得比它快。这是这个层级的。
而另外一个层级,你真的选赛道的时候,你要慢下来,做大决定一定要慢下来。那个大决定,刚才说十年八年出一个独角兽公司,或者说五年出一个独角兽公司,你就要花多少?零点五年,六个月去好好思考这个事情,好好思考赛道、战场,好好思考你的差异性。但 AI 当然也是,AI 不是特别快嘛,不是两年就可以成独角兽公司嘛,这是今天的大模型的和具身的一些情况。但是这个也是一个非常独特的阶段,大模型两年出,所以你就得冲得特别快才行。我记得第一堂课也跟小川说,那是在 23 年的 2 月份吧,我就跟小川说,不是说他是最适合做大模型嘛,就应该啪一下冲进来,砸个二十亿,然后使劲干,你可能就会比较那个。这是这个问题,刚才还有另外一个。
提问同学 2:您这一部分主要是讲成本这一块,然后我有一个比较好奇的点,因为我的产品做完之后,除去成本,还要有一个售价,怎么去确定我的买方他是足够支撑我去做这一个改变,或者应用这些新的技术。
刘勇 Patrick:对对对,这个问得特别好。刚才说左边的供给端的成本,它是分为你的客户采购的成本和你真实的成本,这期间中间就是你的毛利嘛,对吧?我觉得这一点,反正不同的公司有不同的打法,这是你自己的定价战略。但我觉得今天,尤其是应用层公司,你就是要去赚钱的,你定价就不能过低。所以我建议你是用你自己的定价成本,而不是用你的真实的成本。因为 token 价格,比如说 DeepSeek 给你的,一百万多少钱我都忘了,因为我好像 DeepSeek 用的没这么多,总之吧,一百万比如说是五块钱吧,你不要用这个成本,你本来就是在干一件什么呢?就是你把它的 token 转卖给别人,卖更高的价格。所以你用你自己的定价。
好,OK,咱们继续往前走吧。有问题啊,来。
提问同学 3:(提问未录到)
刘勇 Patrick:对,这个就完全是在非常细微,我觉得做公司都是一连串的决策。开始我其实有句话没说,就是你决策质量一定要高。单独对这个问题其实肯定没有标准答案,完全没有,但它一定受什么影响呢?一定受竞争的影响,和你自己希望你这公司多快速度增长。比如说竞争就是什么百车大战、百团大战,那对不起,你就使劲先起规模,什么都不要管那么多,质量低的也要上来一些,但不是无限低。但是如果竞争没那么大,我认为在 AI 这个市场还不太存在这个,但确实你能拿得到一些锁定的资源的时候,竞争没这么大,你可以慢一些的。不过总之今天还是要快。我觉得 AI,最开始说了,它执行力是无限小,成本无限低,凭啥你做的东西能卖出比人的溢价出来?就是因为你比别人快卖一天,所以你卖出溢价出来,所以要快一点点。
提问同学 4:老师我想问,就是哪怕我的市场起得快,那后来如果大模型再起效,会不会对我的业务产生影响?
刘勇 Patrick:对对对,这是一个特别好的问题,反正今天做,尤其做应用层的公司都会面临这个问题,等会儿我会举一些例子来看看这个问题。我现在的解法,模型公司的壁垒不是事儿,非模型公司的壁垒,我觉得其实就两个,一个刚才我说快,还有一个也是来自于 AI 的三大要素,真的从要素层面出发的话,一个是算力,一个是算法,第三是数据,你觉得这三个东西哪一个会潜在地成为你自己的核心能力、核心竞争力?就是数据。凡是能成为核心竞争力的,它一定是你稀缺的,只有你自己独特的数据才行,非独特的数据还不行。
提问同学 5:那个讲产品本质是等到技术成熟,不是市场成熟,但我觉得好像现在有点不一样了,其实现在没有一个是技术成熟,包括机器人现在也不是,这就是我之前非常错判的一个,然后我觉得这个也在变,我觉得我上一轮创业带来的经验完全不对。以前的话,一个重要经验就是你得看到这个技术成熟,然后和商业东西,那现在的话,是商业东西不用看,然后技术也说不成熟。怎么办?我感觉这个时候,我也想不太清楚。
刘勇 Patrick:对,你观察很仔细。其实是你的产品真的是来自于你自己的技术,是指的是你,是下一张 PPT 是吧?对,好,就是等到技术成熟。其实这个意思我再说一次,是你技术也不要完全成熟的时候,你一定要杀进去。可能技术不完全成熟,但是已经感觉到了它快成熟了。比如说一个经典的问题,你可以问机器人、具身智能什么时候能到 ChatGPT 时刻,上次好像也在问吧,我不知道有没有问,忘了。现在一个共识的答案是三年,三到五年吧。所以你如果要做通用机器人,今天首先三到五年还不一定是最好的时机,这是指你真的要去做。但是有另外一种做法,你的概念是通用机器人,但你真实做的可能不是通用机器人。我觉得这是有很多技巧的,当然这个技巧也是你真的对这个东西理解了,然后迎合市场的需求。还是那样,你既要拥抱泡沫,但是你也要坚持自己的东西,一定要拥抱泡沫。
多说一句,我觉得今天人形机器人它的泡沫为什么大,因为大家觉得它三年之后就可以通用了,所以这么大。但是只要你共识了的东西,共识了是什么意思呢?共识就不具备稀缺性了,非共识才稀缺。不具备稀缺性,最开始说就没有商业价值,就是你再去创业,或者这公司,它可能已经没那么值钱了。所以这是这个 timing 问题的一个解释,提得特别好。
Why now:模型的能力拐点
需求常在,机会窗口只偶尔开放
但这个东西跟我们上节课也讲了一个类似的东西,是啥呢?就是要看市场还是看技术,这是当时问小川和 Allen 的问题。其实这个问题我觉得肯定是两个都要看,但是你不可能什么都看得那么明白,所以一定是抓一个最主要的变量。今天 AI 这个时代最大的 driver 是啥呢?是技术,是模型的技术,AI 摩尔定律比之前的摩尔定律要以更快的速度迭代,要以十倍的速度迭代,之前十八个月翻倍嘛,现在这个价格是十二个月,就是翻十到三十倍、五十倍。所以需求这一点,我有一个暴论,就是叫需求常在,但是机会窗口只有偶尔才开放。需求是一直都在的,尤其是贵的需求一直都在。
那么大变量、时机、timing、why now,这个东西就完全要看你的 driver 的变化,拐点的变化,就看技术。技术会导致什么呢?技术会导致你的成本,刚才说按摩尔定律这样变化,你的能力按照 AI 摩尔定律去上升,你去看这个东西,你去预测它。所以我们要看大模型的能力拐点,这是为啥今天这么要求技术。
单步成功率与任务步数
我们怎么看模型拐点,这其实是我拿出来的一个非常简单的、粗糙的框架。这个框架必须要回到刚才说的成本里面最大的变量,大家还记得是什么吗?成本是等于你的算力成本,加上失败时人工介入成本乘上一减去成功率,再除上整个的这个成功率。其实那是最大的变量,咱们也看变量嘛,咱们也看 driver,driver 就是变量、驱动力。
所以我们看看这个,这是完成任务的成功率,可以简单地这样去思考,其实复杂的也很容易在这方面迭代。就是每一步的单步成功率的 n 次方,n 就是你任务所需要的步数。我们知道任何一个复杂任务都是由 n 个简单任务组成的,n 就是那个简单任务的数量,也就是步数。这里就可以看到差别特别大,如果是十步的,单步的成功率 95%,十步的成功率是 60%,而 99% 的话,十步成功率是 90%。但如果是五十步,这就更夸张了,这还不到 10% 了。95% 的成功率大家觉得已经特别特别牛了,对不对?但是你看如果 99%,它只有 61% 了。如果你五十步,99.9%,我记得好像是 80%。
这是为什么大家会觉得,你这些大模型不是做这些东西特别牛了吗?那为什么要做我自己的事情的时候又不那么顺手了?就好像是什么都能做,但感觉又什么都做不成似的。是因为咱们面临的任务全是相对复杂的,就像你写一个 PPT,一个实验的 PPT,反正我这个 PPT 的内容也是 AI 生成的,但是也花了我好多 token 才生成了好多内容。它是一个复杂任务,但这些东西都是我喂给它的,如果不喂给它,还要花更多,但它其实成功率不可能达到,它要是一万步、十万步,其实不可能做出来的。这就是你从单步成功率的概率来分析你的能力拐点。你也可以把这个模型,咱们只讲最初级的一二三,也可以把它迭代到一个复杂任务,它其实是由几个子模块组成,然后再去分析它,都是可以的。你用这种去分析的时候,你其实就更能理解,在这个场景下为什么 AI 能够完成任务,为什么不能完成任务。
Claude Code、Manus 与八十七天的窗口
这个其实就是用 Claude Code 来举这个例子,我用它来说明几件事情。第一个,其实需求是一直存在的,就是需求常在,窗口只是偶尔才开放。这个偶尔就是,自动化编程各家公司都想做,其实直到 25 年的 5 月份,我看这上面写这里了,反正 25 年 5 月份,这个东西才可以达到让程序员正常很好地去使用它,在这之前都不行的。
刚才说这个战场窗口只有八十七天,那我举一个例子,这个没在 PPT 上,没写上去。去年上半年出了两家现象级的 agent 公司,一家公司叫 Manus,Manus 也是在后面我们要邀请过来的嘉宾之一,还有一家也是蓝驰投的,是 Genspark,他们分别是在 3 月 6 号和 4 月 8 号发布的产品,一炮而红。25 年的 3 月 6 号和 4 月 8 号,为什么是那个时间点?是因为 25 年的 1 月份,DeepSeek 干了一件事情,DeepSeek 开源了自己的 R1。它一旦开源了之后,那时候你的窗口期,这是我反推出来的,Manus 他们真的是大量地借助了 DeepSeek 的这个框架来做出自己的通用 agent 的框架。因为 agent 框架就是要推理,不停地推理,用很多步数去推理,加上你 harness 的各种工具。这个时间点,那整个只有两个月到三个月的时间,所以你要拼命狂奔,那个窗口期一样的只有八十七天。你看后面再做这个所谓的通用 agent 的这些东西,再也不可能成功,不可能的,因为模型已经做到那儿去了,然后模型自己也推出通用框架,当然那个另外问题是对他们的挑战。
但是回到你刚才提的这个问题,要不要快?你那时候只有拼命快,七乘二十四小时这样去干,把它干出来,八十七天发布这产品。所以快确实就是今天,只要能力拐点一到,你的核心能力。如果你那时候还要重新去组团队,对不起,早就没戏了。所以你就必须在拐点来临之前,就等在风口。这个风口怎么等,等一下我就说。
基于刚才这个模型,你可以看到不同的任务,有一百万步的菲尔兹奖级别的,还有十万步的新药,总之模型是连续进步的,但是你的机会却是不连续的,是突然打开的,是一个阶跃函数。
反馈速度与打分
所以我们从这个角度来看 coding 的话,这上面没写 Cursor 吧?哎,还是不行嘛,AI 生成 PPT 很差的。
这里面其实我想说,任何一件任务其实是有好几个核心变量大家要去考虑,在我们框架里面,一个就是反馈速度,你反馈速度一定要非常快,从而导致你前面供给的成本相对较低。coding 是反馈速度最快的,下一秒钟就出得来。然后其实数学,我理解数学也是,菲尔兹奖它反馈速度就慢了。我跟一个做 AI for Science 的人聊,他说生物实验的反馈速度也是较快的,这个我不是特别懂。总之 coding 被替代,它是跟反馈速度有关的。这也是在整个不管大模型公司还是财富五百强公司的主线里面的,所以你要去考虑你的反馈速度。
而反馈速度在前面一步,你就必须要对它进行打分。如果是标准化的题目,像 coding 这种,它打分非常容易。如果不标准化的题目,你要自己花一些精力去打分,我看后面有相应的 PPT 里有。那这一趴其实相对讲完了,这是 why now 这件事情。到几点来着?
台下:八点半。
刘勇 Patrick:八点十分哈,看吧。这有啥问题吗?来。
现场提问:尊重时间还是唯快不破
提问同学 6:还是回归到我们最初的那个问题,就是说两个创业公司方法,一个叫唯快不破,第二个叫刘老师说的三要素,就是数据。但其实现在这也是个高维的问题,因为在这两个因素当中,第一,真实场景和线下场景的数据积累一定是耗时间的。第二,如果你在耗时间的同时,你跟 VC 去说我追求速度,但显然你的利润是不够的。所以又考虑到一个企业层的问题,是我们追求泡泡玛特王宁说的尊重时间、尊重经营,积累数据,还是像您说的,可能我们就要融钱,快速地出产品,快速地拿到一定的资金,等待下一个风口。所以这两个是一个平衡点也好,或抉择也好,也很困扰,所以才会请教。
刘勇 Patrick:对对对,我觉得问得特别好,它其实是个对立的事情。所以我觉得创业者,尤其是咱们偏理性的一些理科,优势就在可以去思考这个东西的边界。好与坏其实没有一个统一的标准,除非是纯好、100% 好和纯坏。那你中间的边界是什么?刚才你那个问题,泡泡玛特这种方式和 AI 公司或者以前百团大战那种唯快不破,它都是有边界的。泡泡玛特的边界,你看这个泡泡玛特,今天我不知道在座,没准零零后们这些人看得懂泡泡玛特,反正我是看不懂。我做第一个公司的联合创始人叫麦刚,我们俩是联创,他是泡泡玛特的天使投资人,两百万人民币,反正赚了 n 倍吧,n 等于一千还是五千。我觉得他也不懂,但是我觉得他肯定比我更懂,他只要比我更懂,他就敢、愿意花钱进去。
所以其实那个赛道,我觉得尤其包括 IP 这个赛道,它是有它独特的赛道属性的,非常强的赛道属性。内容、IP,包括游戏,首先内容就是需要沉淀,IP 更需要沉淀,它是快不来的,这是每一个东西固有的属性,这是它的内因。但是今天咱们做 AI,在大模型上面,我们看到的其实它都不是不可替代的,它不需要慢,当你不需要慢的时候,你就可以快。所以你从你自己这个业务内生的、内禀的属性去思考,这就是它真正的边界。比如说你做企业市场,在中国,它一定快不起来,比如你做大 B 的,一定快不起来,所以你就慢慢去做。但是你今天去做海外的 consumer,它有强大的竞争,就是它的内禀属性、它的价值链的不同环节、它的外部的竞争属性都决定了你需要快。慢了,刚才那个例子,你会看到 6 月份之后就再也不会有通用 agent 的公司出现了,而且没做好的那些,四五月发布的,都已经慢慢转型了,但是 Manus 他们就真的一炮打红了,还在不停地享受这个红利。
这确实是很好的问题,这都是可以去思考你的业务的内禀属性,你可以快还是慢,你的成本能不能快速跨越,别人是否可以把这成本打低,这完全可以回到你的生产要素上面来,你看你的生产要素,你还要看别人。
大模型的竞争格局
我上个月也去硅谷,跟他们交流一下,其实我自己的观点是,这一轮大模型的竞争已经结束了,game over 了,是指它的格局已经定了,不是说新的公司是不是有搞事儿的,新的架构是否出来。我觉得短期之内,即便新的架构会出来,包括刚才有同学提到的那个 NeoLab,我觉得他们的竞争力都是没有目前这个御三家、御四家那么强。中国,我觉得很牛的一件事情就是,一个是闭源,一个是开源,中国占了开源的这个入口。所以开源的入口,但是中国,咱们就不知道这个结论了,总之你使用开源和闭源,这个结合起来就好了。
但是仍然是,今天你要去做新架构的,你要去做原来架构的大模型是一点机会都没有,但是我觉得还是值得在技术还没有成熟、但是你相信技术可以有的时候,就刚才那句话,NeoLab 还是可以值得去尝试。我觉得今天中国做 RSI 呀,别的,我认为还是值得去尝试。尝试的机会来自于两方面,第一,RSI 或者别的会出现一些新的架构的模型出来,第二,就是你做开源嘛,这是两层机会。好的,来。
现场提问:当年看懂泡泡玛特了吗
提问同学 7:老师,刚刚你讲到泡泡玛特刚开始的时候,我想问您当时是不是真的没有看懂泡泡玛特?或者是说在你那个年龄的时候,向下看的话,你身边是不是真的就没有人喜欢潮牌吗?比如说我记得陈冠希就很喜欢潮牌,或者是说可能国外已经有这些潮牌玩具,或者是你身边孩子里面已经有了一种东西,那当这种潮牌玩具或者是别人提供情绪价值的东西和技术相碰撞的时候,你当时会不会去考虑到,在市场上那么多元产品,当技术来临的时候,人们的精神受到一些冲击的时候,它必然会有一个抚慰它的东西。所以如果现在看的话,当时麦刚特别年轻。
刘勇 Patrick:这个事情我真的无法给你回答,我觉得他应该是看懂了,因为他就比我更有人文气息,他是人大经济系的,他也喜欢扎长辫子,真的他特别帅气,然后也非常有才华的一个人。所以我觉得他肯定比我更能看懂,但是像巴菲特说的,我们做我们的能力圈之内的事情。今天大模型也是,大模型的创业、投资也是,它其实非常需要技术能力。我可能对于技术的拐点、技术的底层的东西,能理解得相对多一点,同时我又具备一个优秀产品经理所需要的很多能力,也做过这些,主导做产品。就跟着你的曲线,跟着你的能力向前走,当然绝对没有标准答案。好吧,OK,那我们就继续。
AI 产品经理
可验证性
这个是我专门加的,我把 PPT 改了一下,专门加了 AI 产品经理的两三页 PPT。因为移动互联网训练出了优秀的产品经理,也知道你创业就必须要好的产品经理,大家往往也找不到产品经理。AI 产品经理,我研究了好些,我发现它其实和过去不太一样。
首先有一点,就是在挑选这个赛道,包括方向的时候,你的赛道的可验证性特别重要。可验证性包括反馈的速度以及可标准程度。最标准的,我觉得那个东西很可能就是大模型的菜,最标准的包括 coding,包括数学,这些 AI for Science,数学,我今天的暴论就是它真的就是大模型公司的,不是别的。可能理论物理还要难一点,因为理论物理要验证。所以我们在想自己赛道的时候,可验证性,包括标准化程度以及可验证的速度,就必须要去考虑。
这个标准化程度就是开始说的 grader,就是你打分的程度。最简单的一个打分,大家知道大模型在 post-training 的时候,在 fine-tuning 的时候有一个叫 RLHF,对吧?HF 是啥?叫 human feedback,其实是人给它们打分的,所以一条数据其实蛮贵的。我记得 23 年我去硅谷的时候,当时还是一个很核心的秘密,OpenAI 一条数据就要花大概一百美元,一条 RLHF 的数据要花一百美元。今天具身的数据很贵的,非常地贵。就是它要数据,并且对数据进行 grading、打分,然后你后面能不能自动打分,这是你模型能力决定的。所以我觉得今天数据公司一个很核心的能力,就是你要具备 grading 的能力,有了 grading 你就可以对它进行快速反馈,你就比别人快。这是可验证性。
做自己的 eval
第二个,跟刚才 grading 相关的,你必须要去做 eval。大家都可以去看我那个,我专门有一期视频是讲 AI 产品经理的,现在上课也没时间做了。你去研究一下 Anthropic、OpenAI 他们怎么做这些产品,你就会发现他们自己的产品经理是会做 eval 的,会做 evaluation。这 evaluation 我特意说它不是 benchmark,benchmark 是一个宏观的数据,evaluation 是在你自己的垂直场景下,你自己要做二十来条任务,比如说我那个视频里面还专门举了订机票这个例子,大家可以去看。
然后这个是指,你产品经理,因为你的某一个环节效率突然提升之后,别的就有瓶颈,所以你怎么去想到提升边缘的瓶颈。这其实跟刚才咱们说稀缺性一样,一个大的变量被技术变得毫无稀缺性之后,它边缘的价值链上的这些东西就有稀缺性,这就是价值,你提升你的瓶颈能力,你的速度就会上来。其实还是围绕着这个唯快不破。
冲浪:为下一代模型做产品
这个是我取了一个叫冲浪三点法。什么叫冲浪三点法呢?我发现其实所有成功的公司都是在为下一代的模型做产品。为下一代模型做产品,所以叫冲浪。像 Claude Code 这个例子,可能这上面没有写出来,Claude Code 是在 22 年、23 年他们就想做,24 年产品已经出来了,他的老大叫 Boris,24 年产品出来,但是特别不好用,但是他看到内部的模型能力其实变化特别快,所以他觉得先做出来,直到 25 年 1 月份勉强可用,开始说 25 年的 5 月 22 号发布了 Opus 4 之后,突然能力就上升到 60%、70%。他也在为下一代模型做产品,更何况咱们应用公司呢?
而你要为下一代模型做产品,你必须要干什么事情呢?你必须要理解模型。怎么理解模型?你就是要去理解模型的能力曲线。怎么理解能力曲线?就是从过去、现在到未来去看。这个理解就是要看 benchmark,看自己的 evaluation,看那些能力的拐点,你看究竟哪些东西是在快速地变化。比如说做你这个东西的 evaluation,它开始是 10%,后来慢慢涨到了 20%,这就是 Claude Code 那条曲线,后来突然涨到 30%、40%,然后一下涨到 60%、70%,你就知道 OK,你成了。这为什么要提前做?回到刚才那位同学提的问题,就是在市场还没有成熟,但你相信沿着你的这反馈速度它一定会成熟的。这就是测量今天,按照评估昨天和今天的数据统一来看,来看未来。
而你今天同时还要评估昨天,你还要干一件什么事?你要把过去那些 evaluation 全部要变化。今天的 benchmark 是不变的,其实那个是不对的。在你复杂任务的情况下,很多 benchmark,它宏观的没变,其实微观的还是变了很多,对你的复杂任务其实一定要把它做出来,不好的 benchmark 立刻去掉,这个不好是指它已经完全能完成了,它就是不好的。刚才说要找能力曲线,什么叫能力曲线?能力曲线它一定是沿着边界,行和不行之间的那一条缝在移动,这叫能力曲线、能力边界。所以你把全会做的东西,今天让北大学生做小学的题,那就不是你的能力边界,举个例子的话,对不对?
所以其实 AI 产品经理他是要找供需曲线,需求曲线和能力曲线的交点,这就是他对技术能力的理解要比移动互联网、互联网高特别多倍的原因。否则你还那样,你这个做了别人也能做,模型也能做,你怎么办?
案例
Cursor 与 coding 战场
哎,这好像来了。这个就是 Cursor。刚才说这是一个模型能做的 coding 的战场。但是 Cursor 最开始做的时候,22 年、23 年开始做的时候,其实 coding 还不成熟,所以它是怎么做的呢?在 Anthropic 也要决定干这件事情的时候,它就放多个模型进来,避开和它的竞争,同时另外一个,它也在做自己的模型,让它在专用场景上的推理速度更快更好。第三个,Cursor 是有 IDE 的,这个一定程度有点差异吧我觉得,所以我觉得它还是增长得超级快的。
回到一个问题是啥呢?coding 这个战场究竟是否还存在?我觉得答案是肯定的,coding 的战场是一定存在的。为什么呢?因为今天 Codex、Cursor 他们加起来只服务了五千万的核心 coder。今天的 vibe coding 能够让我们在座所有的人,能够让全球可能有十亿人,可能真有十亿人,成为 vibe coder,这就是 AI coding 的很大的一个机会。但是这机会我们再来看,回到你的要素上面,你反馈的速度究竟有多快,你是否能标准化,还有你的要素的成本是不是也便宜,你就发现机会有,但是很可能不是创业公司的机会了。这其实是上次我记得你们问 Allen 的问题,coding 就没有了。
另外其实刚才有个也说短剧,短剧今天我觉得对创业公司的机会也是有的,只是你一定是在海外,你更靠近需求方,而不是靠近供给方。在国内的市场肯定是一点机会都没有的,一丁点都没有。
最后大家知道,Cursor 它就卖掉了,六百亿美金,多好的一个,就做了四年的时间。所以只要你跑得快,你从全局去思考的时候,你一定找到一个最佳的方案。因为太多大公司想进入这些市场,它的 focus 特别特别强,跑得快你就有机会。
Abridge:有数据壁垒的市场
这其实是讲别的案例,这是客服这个案例,Abridge 是我特意挑出来的,我看咱们也有一些医学院的学生。这完全是有数据壁垒的一个市场,它不是公用的市场,所以我觉得找到这样的市场是有戏的。当然在中国,也跟小川交流过,其实生产关系也挺麻烦,但是要找那些生产关系偏弱的,就是监管门槛没那么高的一些场景去做。Abridge 其实最开始做得很简单,就是帮医生写 notes,但是在美国一个医生的成本特别高的情况下,是很容易替代的。今天当然中国的情况不一样,或者大家找到类似的一些东西也是很好的,就是数据壁垒的一个很好的例子。
中美竞争与自己的变量
这是机器人的,看后面还有什么。这个是啥,中美竞争。因为我,尤其是 23、24 年也常跑硅谷,我觉得今天我们一定需要看硅谷,但是我觉得也要拿出自己在要素上很独特的地方,这个就是在硬件这方面。而且硬件这方面也是咱们中国在科教兴国的这个国运下,拿着具身智能在 AI 这个行业和美国竞争的一个很大的 leverage,一个杠杆。所以我觉得大家考虑到这些变量之后,你把它揉到你的公式里,你就会发现也是有机会的。
虽然说你看左下角的数据,硅谷在一级市场花的钱是三百亿美金,三百个 billion,中国只花了十二个 billion、十个 billion,这是一百亿美元和三万亿美元的这种差别。这都不是整体的一级、私人的所有的 AI 的投资,也包括你去算你的投资。差距这么大的情况下,你就不要完全想着我一定要在 token 上比它强,或者说在算法上一定要比它好,因为它能花更多的钱去找更优秀的人才,包括你这培养出一个优秀的人才,也很快就会被它挖过去。而是要真的去找我们自己的变量。
我也希望咱们这课就是去做一些有意思的事情吧,包括「为后学传薪火」,就是希望我们在北大这个环境,师兄带师弟们去创业,我也会叫更多的师兄来帮助大家去创业,如果他们不是老师的话。但是也要为咱们这个时代去创造英雄。行,我基本上讲到这里吧。
问答
to B 和 to C
大家有什么问题?来。
提问同学 8:如何看待 AI to B 和 to C 的差异和机会点?
刘勇 Patrick:咱们还是那样,三十秒钟问个问题,然后我也尽量简单回答,大家有更多问题的话,可以问一下。你刚才问题是什么?再说一遍。
提问同学 8:AI to B 和 to C 的差异和机会点。
刘勇 Patrick:这就是刚才这个 timing。to C 这件事情,回到那个公式,右端的是人力替代成本,to C 的人力成本是很低的。所以用这个公式就可以很容易解释,其实通用的 to C 今天还没有到来。然后 to B 是一定有机会被占领的,但是你可以找那些高人力成本的地方。
国内的机会在哪里
好,后面还有问题吗?
提问同学 9:因为中国现在,您也讲到,私人资本的并购,退出方式很差,往往是需要上市,对吧?这个时候如果说走技术路线,NeoLab,它往往就是被大部分大厂直接占掉,很多大部分都是这样的事情。那您会判断,会觉得在国内的机会主要就是在落地应用、工业界的这些机会吧?如果说想做一些 NeoLab,或者说一些更突破的东西,就是在美国更合适嘛,因为——
刘勇 Patrick:三十秒,三十秒。对对对。如果是纯软件的 application,我其实推荐的还是中国做供给,市场在海外,市场尤其在欧美。如果你是做硬件的,那我觉得其实是可以两边同时并行,在中国验证 PMF,甚至规模性的销售。今天宇树的那个结构也可以看得出来,中国还是能够占到接近一半的样子。
AI 产品上线的标准
提问同学 10:老师,您觉得一个 AI 产品在 launch 之前会有哪些维度是必须满足的,它可以 launch?以及您提到 AI 产品经理的那些 benchmark,他会有哪些评价的标准去判断这些 benchmark 是否合格?
刘勇 Patrick:对,这也是一个非常具体的问题。我觉得今天 AI 产品其实有两种说法,我其实还是倾向于有一种说法,就是 Stripe 的 CEO 说,今天 AI 产品经理是不能你做个 MVP 就上线的。我是挺赞成的,因为今天的供给能力已经非常强了,你可以把它做得非常好,而且做得非常好你不需要时间,这是关键。所以你说那个标准,我认为是既要快速迭代、快速上版本,又要你这个版本相对比较好。我觉得已经不完全存在你做一个 demo 就可以给客户去试用,因为 demo 客户自己用 AI 也可以做一个。
AI 产品经理那就更复杂一点点,我认为他的能力,以前他要了解需求,现在又要了解供给。这个需求,今天很多从 B 端是从生产力的角度出发的,所以他要了解这个生产力的效率,甚至该什么时候替代,workflow 这些所有这些东西。但是他可以对什么少了解呢?说真的,其实今天对人性的理解,AI 产品经理可以不像过去移动互联网那么深。所以这是为啥我跟我的一些 portfolio 公司在说的时候,其实你不用真的去找过去那种非常优秀的产品经理,因为他们要的这个 key point 是完全不一样的。好,来,继续。
AI 硬件
提问同学 11:您好,我想请问一下,您怎么看比如说像手机、手表、眼镜这种硬件类的,是它们搭载 AI,还是认为有可能 AI 会驱动一个像手机一样全新的、划时代的硬件产品?
刘勇 Patrick:对,现有这些,曾经一度大家觉得是眼镜,今天 AI 眼镜也特别火,但我觉得新的东西其实还没有完全出现。至于是不是手表呢,我觉得它的模态是不够的,它输入的模态不够,就意味着你获取数据的能力是不够的。回到三要素,咱们能掌握的就是数据加快,所以你看哪些东西能够获得数据。眼镜具备这种数据,它好像有全模态这些数据,但是至少今天眼镜还没有被完全证明吧。
不过我觉得,即便如此还是有一些不错的硬件的赛道。Plaud 当然是一个,真的,这是一个非常媒体的需求。还有就是不一定去做人,去做满足宠物的一些需求。这些东西我强烈推荐大家,能去看的话就去 CES 去看看,我去年也去 CES 了,上面那些硬件,喂鸟、给鸟拍摄、养鱼,这些硬件每一个都能够做到十亿美元的规模,这没问题。你即便不能去 CES,网上看一下。
值得看的创业方向
提问同学 12:想请问一下老师,最近两三年您见过哪些比较好的创业方向和案例,就像朱啸虎老师上节课分享的一些挺有启发性的案例。
刘勇 Patrick:其实今天在 AI 创业的,你说今年上半年,主要就是大家围绕着模型公司看,它具备一定的风口的属性。今年的 AI 公司,也有一些垂直场景,但是我自己感觉,其实做垂直场景对于大家来说,如果是应用,比如说机器人的这些场景,你从长周期来看,我建议去攻更通用的一些场景。但是如果你觉得自己的能力不太够的话,或者就是我就想快速尝试,是可以去选择一些垂直场景的。这是从硬件。
从软件呢,我觉得是有很多小的垂直场景的。比方说之前视频生成的时候,其实去年的时候,我跟我的一个 portfolio 公司就告诉他们一个我在硅谷得到的趋势,就是视频生成的 ChatGPT 时刻,应该是在今年、明年的某个时刻达到,所以在那个时候你就应该去做跟视频生成相关的东西。而视频生成相关的场景特别多,有的还可以去做图片的一些审美,我觉得就不一一举例了,但是确实可以去看这些,你自己去思考一些东西,就快速做一个工具出来去尝试。
小公司被大公司抄袭
提问同学 13:老师我想问一下,我一直有个疑惑,就是占市场份额比较小的公司,如果推出一些比较创新的产品,就很容易被占市场份额很大的公司抄袭,但是这个小公司它就是要靠这种很新的产品来达到一个更大的市场,所以我觉得是有这个矛盾。
刘勇 Patrick:是啊,我觉得今天这个矛盾可能还尤其突出,就是别人可以很快抄你。但是我觉得要这么看,你的竞争对手全是分层的,我觉得你去专注地做,就是 Peter Thiel 说的,你从一个小需求的地方、小市场做到零到一的垄断性的。这个垄断性在今天,尤其是你积累到数据了,你就可以继续往前走。如果你还没有具备一定的可防御的数据的话,我觉得你就使劲天女散花地去尝试各种小市场,直到你找到那一点为止。回到那个,如果你五个月就要换一个赛道的话,三个月就要换赛道,四分之一的时间就是你可能零点三个月,你就可以去想这个是什么,对吧?
哪些能力交给 AI,哪些靠关键人才
提问同学 14:老师您好,我是 DEC 的 Lori。是这样子,因为现在 AI 让更多的人可以做出一个产品,或者说更多的 OPC 的涌现,那么您作为一个连续创业者或者说一个投资人,您觉得 AI 时代创业公司应该如何判断,哪些能力是可以快速用 AI 去补足这 30% 到 70%,哪些能力是需要通过引进关键人才来建立的呢?
刘勇 Patrick:我觉得有一个比较那个,就是凡是跟人打交道的,你就可以用关键人才,凡是基本上不用和人打交道的,你就可以用 AI,基本上可以被达到、可以训练。
公共部门的数据
提问同学 15:老师您好,刚才说到 AI 的一个壁垒在数据,而中国现在有很多的数据其实沉淀在公共部门,所以说未来这块在公共部门的数据,您觉得会由什么样的组织或者说个人来挖掘出来,并且个人在里面又起到什么样的作用?
刘勇 Patrick:这个是一个特别悖论的,就是中美之间,其实你知道吗?美国获取数据的摩擦成本是远高于中国的。所以这是一个悖论,并不是真的悖论,它是一个比较优势。所以数据公司我觉得就该中国人做。中国获取数据的摩擦成本小,且数据公司基本上是 highly operation intensive 的,就是它是非常靠人的,中国人就特别擅长产品运营这套东西。
办公 Agent 与医疗
OK,还有吗?来。能大声点吗?
提问同学 16:(提问未录到)
刘勇 Patrick:对,这个赛道是非常非常非常大的,这赛道其实也是 Anthropic 和 OpenAI 都在争的一个赛道。为啥呢?其实这个赛道好多可以相对 grading 出来,就比如说做 PPT 能不能达到一定的要求。我现在给它们,比如说给 Codex 或者是它们做的时候,我就说你要达到某某的要求,我说你这个 PPT 要达到三份的要求,对,三份 PPT 的要求,它就真的给我不停地迭代,还行哈我觉得,但我是把数据输给它的。所以我自己感觉在这里面的话,逻辑还是相对清晰的。想说什么来着,一下忘了,刚才打断了这个事情。你再问吧,我也忘了。来,那个没问的。
提问同学 17:老师,我想问一下,对于像医疗这种不光受三要素,还受法律合规因素影响的行业,您觉得什么时候是一个比较好的进入时机?
刘勇 Patrick:我觉得医疗可能对于一般的人来说,如果是有监管的,永远不是一个很好的进入时机,除非你是能够降低你的摩擦系数。还有呢,你也可以跟别的公司去合作,但最后别的公司为什么要用你?它更适合的其实是医院自己相关的,也就是与狼共舞嘛,去跟他们一起合作就行。Anthropic 今天其实也是这样的。
哦,刚才对,我想起那个 WorkBuddy 那个东西了。这个大赛道的话,我自己感觉对于初创公司是很难的,因为没壁垒,获取数据没壁垒,算力算法更没有壁垒,对吧?你快,腾讯的人也在使劲加班搞。所以我认为 WorkBuddy 这样的东西大家就别去搞了。今天其实一些做 PPT 的也不容易。如果一定要去的话,WorkBuddy 就去海外做垂直场景。今天海外的通用场景也不行了,海外通用场景这些都在做,OpenAI、Anthropic 全在做。还有另外,我确实也看到像 WorkBuddy 这样的东西,他们也要用开源的方式来做,这也是个路径,但是开源在中国也没壁垒,完全没壁垒。就是你靠快都快不过别人,没有数据的壁垒在的话,你又不能去做了。但还是值得尝试一下,反正积累一点经验没关系。
硅谷押硬件,国内 VC 呢
还有啥问题?来。
提问同学 18:老师我想问一下,在美国的话,比如说我们说 SOSV 或者是说 YC 这一 batch,更多是 focus 在所谓的 hardware,或者说硬件,就是他们所押注的所谓以后的独角兽,是往这个方向靠拢。那我想问一下,在内地的 VC 的场景下,这个是不一样的吗?还是说还是一样的?
刘勇 Patrick:是什么?你再问一下,简单问一下。
提问同学 18:就是说海外的硅谷更多是投在关于 hardware 的,或者说硬件的赛道上,押注成为下一个独角兽。那我想问一下,在内地的 VC 的场景下,这个是不是一样的?或者说它其实是,比如说 SaaS 这个机会。
刘勇 Patrick:对,我只是觉得这两边的需求不一样,还是有很大差别的。比如说美国就是很愿意投在 to B 的上面,对吧?其实今天 Anthropic、别的都在 to B 的上面。但中国有自己独特的要素的优势,这个还是要联系到国运。我觉得大家可以看看《新闻联播》,今天创业还挺需要《新闻联播》的。
FDE
好,那你要不先给别人,我看还有别人吗?来,前面那位吧,后面等一下,下一位。
提问同学 19:老师我想请问一下,你怎么看待 FDE 这个岗位在中国的发展?
刘勇 Patrick:这个问题其实我一直不太理解,我的问题就是 FDE 它今天实现规模化,反正有人跟我说规模化,但是我没有被 convinced,所以我还觉得这好像就是售前吧,但是我理解得不够深入。OK,下面。
第一性更偏数学还是直觉
提问同学 20:我比较好奇,您今天讲到很多做决策,包括投资的时候,有很多数学的东西在里面,然后您今天标题也是跟第一性有关,就最后想问一下,您在做投资或者决策,包括创业的时候,您的第一性是更偏向数学一点,还是商业的直觉?
刘勇 Patrick:我觉得我还是更偏向于数学一些,就是除了一点,就是你判断 founder、判断人的时候,跟人打交道的时候。只要不跟人打交道,我觉得都可以用很多第一性的去分析事情,所以第一性原理很值得大家去深入研究。
大模型在物理世界的边界
提问同学 21:我想问一下,像 AI 写 code,它其实就是解决计算机工程或者软件工程的同学的问题。那么您有看到,比如说像一些机械工程或者电气工程,我看最近写那个 PCB 板其实写得很好,那您认为这个时代可能在这些领域里面会发生吗?
刘勇 Patrick:对,这个问题其实我也是转化了另外一个问题,它不完全一样,就是大模型在物理世界的边界是什么?我目前的答案是什么呢?凡是可以被编程的物理世界的东西,都是大模型的能力边界。所以你刚才说的电气工程这些东西,我觉得它可编程,机械工程很多还不可编程,所以我觉得这是咱们中国制造业会成为很优秀的。OK。
向昊天:好了好了,我要 stop 了,你们已经多听了二十分钟了,因为我们中间没下课。如果还有其他的问题,因为有的同学可能要急着回去了,接下来还有问题再单独围着。
刘勇 Patrick:我也一直在这个地方。
向昊天:围着他再问了。那我们今天就感谢刘老师。
文章分享
如果这篇文章对你有帮助,欢迎分享给更多人!
部分内容可能已过时