2023 年读过的 56 篇好文章

这篇是我在 2023 年读过的所有文章，从中精选出了 56 篇的集合帖，涵盖 AI、创业与成长 3 个主题。

可以说每篇都非常精华，给我过去一年很多启发和思考。

P.S. 感谢我同事 @Celia 对文章亦有贡献

P.P.S. 以下各主题文章均按发表时间先后进行排序

AI

“AI-Native”? 怎样才算“Native”？先来思考下我们身边的“Mobile-Native”

这是一篇来自 Union Square Ventures 在 2009 年写的文章。时间挺久远的，从发布时间点来看还是上个技术浪潮、移动互联网时代爆发的初期。

这篇文章我很喜欢。当下很多人都在讨论 “AI-Native” 的产品形态是什么样的，这篇文章总结了上一个技术浪潮迭代出来的 “Mobile-Native” 的产品形态特征，非常值得思考借鉴、反思当下。

所谓 Native，对于手机而言，指那些以前根本不存在且离开手机无法存在的机会。例如，我们不认为将新闻资讯信息搬运到手机上是一种 native 的机会，因为初创公司很难有机会成为比 CNN (美国有线电视新闻网) 更好的 “移动设备上的 CNN”。

1）Location
虽然 PC 也具有位置，但基于 IP 的地理位置颗粒度比较粗糙，可靠性较低，以及最重要的是，用户离开 PC 之后就不可用了。

2）Proximity
它可以确定用户相对于线下的商店、地标，还能确定用户相对于其他用户的位置。

3）Touch
并非所有的智能手机都配备触摸屏（大多数 Blackberry 手机没有），但触摸是一种重要且独特的能力。

4）Audio input

5）Video input

在以上特征中，我们没有将数据列为其中。虽然这对于手机来说是新的，但在 Web 上一直存在，因此不太可能成为初创公司的一个机会。例如，想要成为移动设备上的流媒体音乐服务平台，不会轻易让初创公司在现有的流媒体服务上占得先机。

生成式 AI：一个创造性的新世界 | 红杉美国

2022 年 9 月红杉美国发表了这篇文章，可以说是代表着新一轮 Paradigm shift 的开始，正式拉开了 AIGC 时代的序幕。

生成式 AI 正在变得不仅更快、更便宜，而且在某些情况下比人类创造的更好。从社交媒体到游戏，从广告到建筑，从编程到平面设计，从产品设计到法律，从市场营销到销售，每一个原来需要人类创作的行业都等待着被机器重新创造。

人们期待的梦想是：生成式AI将创造和知识工作的边际成本降至零，产生巨大的劳动生产率和经济价值，以及相应的市值。

生成式 AI 可以处理的领域包括了知识工作和创造性工作，而这涉及到数十亿的人工劳动力。生成式 AI 可以使这些人工的效率和创造力至少提高10%，它们不仅变得更快和更高效，而且比以前更有能力。因此，生成式 AI 有潜力产生数万亿美元的经济价值。

AI 时代下，初创公司和巨头的价值分配

在第一波 PC 互联网的浪潮中，大部分价值流向了初创公司（Google、Amazon、PayPal、Ebay、Salesforce、Facebook、Netflix），而一些则被现有企业（Microsoft、Apple、IBM、甲骨文、Adobe）占领，初创公司/现有企业大概是 60:40 或 70:30。

而移动互联网的浪潮则主要由现有企业捕获价值，但创业公司（Whatsapp、Uber、Doordash、Instagram、Instacart 等）仍然占据重要地位，初创公司/现有企业大概是 20:80。

相比之下，加密货币领域几乎完全由初创公司主导（Bitcoin、Ethereum、Coinbase、Binance、FTX 等），现有企业可能是 AMD、Nvidia 等卖铲子的半导体公司。

在第一波的 AI 浪潮中（CV、RNN、CNN、早期的 GAN、深度学习），尽管初创公司活动频繁，但大部分价值都流向了现有企业，主要成就了一波自动驾驶技术的公司，如 Google、GM、Tesla 等。

那为什么初创公司在第一波 AI 浪潮中价值创造不足？

1）AI 技术可能只是创造了 0.5-3 倍更好的产品，而不是 10 倍更好的产品，这不足以击败现有企业或打破市场结构
2）数据差异化曾经更重要，因为大型消费公司拥有大量数据集来训练 AI 模型
3）许多公司选择竞争的市场要么已经有现有企业，要么市场结构困难，如教育或医疗保健

那以生成式 AI 为代表的第二波 AI 浪潮会不同吗？

1）技术比第一波更强，如图像生成、自然语言处理、语音识别等领域，这意味着更容易创造出 10 倍更好的产品来击败现有企业
2）新技术意味着初创公司可以为整个行业提供有价值的基础设施服务，如 OpenAI、Stability.AI、Hugging Face、Weights & Biases
3）需求存在，但现有企业还未涉足的领域。例如营销文案（Copy.AI 或 Jasper）、图像生成（Midjourney、Stable Diffusion 等）和代码生成（Github Copilot、Replit）

关键在于避免出现‘拿着锤子找钉子’的问题。重要的是识别出真正的用户需求和尚未被服务的产品/市场，这些需求和市场将从这波激动人心的 AI 浪潮中受益。

随着市场中的参与者从科学研究转向以产品为中心，我们应该会看到新的技术驱动应用的蓬勃发展。这可能是一个 10 到 20 年的转型期，类似于云计算，而云计算本身仍在持续进行中。

生成式 AI 市场的价值将会在哪里累积？| A16Z

1）AI 应用开始逐渐规模化，但用户留存率和差异化还是存在问题。

在以前的技术周期中，传统观点认为，要建立一家大型公司，必须拥有最终客户，无论是个人消费者还是 B2B 买家。

可以肯定的是，AI 应用的用户增长是惊人的，这得益于新颖且充满想象力的 use case，且目前已经有 3 个产品类别的年收入已经超过 1 亿美元：图像生成、文案写作和代码编写。

然而，仅靠增长并不足以建立持续的商业模式，增长必须是有利可图的：用户一旦注册就必须产生利润（高毛利）和留存（高留存率）。

在我们接触过的 AI 应用公司中，毛利率的范围很广：极少数能达到 90%，大部分是低于 50%，这主要是因为模型推理的成本太高；用户增长和留存开始下降，因为大多数 AI 应用都太相似了，缺乏差异化。

2）模型层公司尚未实现大规模商业化。

3）市场中的大量资金最终流向了 Infra 层公司。

我们估计，平均而言，AI 应用层公司将大约 20~40% 的收入用于推理和微调，这通常直接支付给云提供商或第三方模型提供商，而第三方模型提供商又将其收入的一半左右用于云基础设施。因此，可以合理地推测，如今生成式 AI 市场的 10~20% 的资金流向了云提供商。

Madrona Ventures 对模型层的发展预判：iOS vs. Android?

1）专有模型：这些模型由拥有雄厚资金和精湛技术的公司提供。

这意味着它们可以提供最佳性能的模型，模型的即插即用性也意味着开发者可以轻松上手。Azure 的新 OpenAI 服务使入门变得比以往更容易，我们预计这将进一步加快开发者的构建速度。

2）开源模型：它们的性能不如专有模型那么高，但在过去的一年中已经取得了巨大的改进。

构建者可以灵活地扩展这些架构，并构建专有模型尚不可能实现的差异化能力（这也是我们喜欢 Runway 的原因，它是一套新一代的内容生成套件，提供实时视频编辑、协作等功能。为了支持所有这些功能，Runway 持续为多模态系统和生成模型的科学做出深刻的贡献，以解锁更快的功能开发速度，以满足 Runway 自己的客户需求）。

3）关于模型层的观点，目前已经转移到专有和开源模型之间的 iOS / Android 辩论。

专有模型的优势在于性能和易上手性；开源模型的优势在于灵活性和成本效益。构建者可以假设每个阵营都将致力于解决其弱点（使开源模型更易上手，并使扩展 OpenAI 模型更为深入成为可能），即使它们也在发挥各自的优势。

关于生成式 AI 的市场、模型和开源

生成式 AI 的三大领域：

1）大型语言模型（LLMs），如 GPT-4 和 Chinchilla，能够处理从法律文件总结到搜索引擎或聊天机器人的多种任务
2）图像生成模型，如 Midjourney、Dall-E 和 Stable Diffusion，允许用户通过输入提示词来生成图像
3）其他技术领域，包括机器人技术、自动驾驶汽车、蛋白质折叠等，这些领域不应自然地被归为一类

图像生成市场的潜力：

1）图像生成技术预计将在社交产品、图形设计、电影、视频游戏、CAD 和电子商务等多个领域产生变革
2）这些模型的训练成本相对较低，且质量标准主观性强，即使图像不完美也能提供有用输出

大语言模型的未来：

1）LLMs 在搜索、B2B、金融、社交和消费者产品等领域有广泛应用
2）LLMs 的市场结构可能会形成寡头市场，其中 OpenAI 和 Google 可能是主要的竞争者
3）随着模型规模的扩大，新进入者的门槛将提高，可能导致市场进一步集中

开源与闭源模型的对比：

1）开源项目通常需要大型企业的支持，而 LLMs 可能因为高昂的训练成本而落后于闭源模型
2）如果出现大规模的资金支持，开源 LLMs 可能会迎头赶上或超越闭源模型

AI 创业公司的壁垒、护城河和竞争

极少有 SaaS 或 AI 创业公司公司在早期就有壁垒的，这类公司大多都是在后续发展中、随着时间的推移，逐渐找到并形成自己的壁垒。

其中提到了一些常见的壁垒的形式：

1）网络效应

网络效应可以是局部的，例如公司内使用 Slack 的人越多，产品壁垒就越大；也可以是全球的，例如 Instagram, Uber。

2）平台效应

例如 Salesforce 是一个高粘性的产品，因为许多其它公司已经整合了它。平台效应通常是一家公司在成立几年后并且拥有足够多的用户之后才会出现的。

3）集成

例如一些初创公司集成了许多难以复制的 API、供应商。我想到的一个例子：Midjourney 没有开放自己的 API，如果有公司能通过一些手段将它的 API 集成到自己的产品中，在一定时间内相比于其它初创公司产品也是有壁垒的。

4）Building a ton of stuff

例如：产品内有无数多细分的功能，或者将一个场景切分成无数个小的功能点，竞争对手难以抄袭。PhotoRoom 或许是一个例子，把场景切分的足够细。

5）独家交易

如 OpenAI 提供给部分公司优先使用 GPT-4 的权限、Google 早期独家为 Yahoo! 提供搜索功能等。

6）销售壁垒

拉长年限签订合同，锁定客户，例如偏 SLG 的 SaaS 公司。

7）开源

…

大多数好的创业 idea 在早期从定义上来看都不是那么明显的，否则每个人都会去那么做。好的创业 idea 看起来很小众，对于巨头、大公司而言，这些领域都看起来太小了。

在一家创业公司创立的前 4~5 年，其主要竞争对手都是其它创业公司。如果成功证明自己的领域具备很大的市场之后，大公司才会注意到你，才会 take action。

对于创始人而言，值得思考的是：大公司对你正在做的领域有多清楚，以及他们采取行动的可能性有多大。

AI 时代，软件开发、低代码工具将会如何演进？

大模型带来了软件交互和开发范式的迭代：

一方面 LUI 的出现降低了 GUI 软件的复杂度；另一方面大模型又降低了开发软件的门槛，使得基于用户个性化需求、但在从前又没有足够市场来形成软件的 single-use apps 成为可能。

得益于大模型，长尾需求可以被真正解决。

AI 时代的商业壁垒

1）在人工智能时代中，商业壁垒在于通过原子构建世界，而不仅仅是通过比特建构虚拟产品。”Defensibility in the age of AI can be found by building with atoms, not just bits.”

2）最好的人工智能公司可能是那些以原子为基础去构建的公司，而不仅仅是比特为基础的公司。”The best AI companies may be those building in atoms and not just bits.”

B2B 的 AI 产品未来演进方向：少即是多？| A16Z

文章主要探讨了 B2B 产品未来的演进方向：从「生成式」转向「总结式」。这也符合人们对待信息的一种思维转变：朝着信息熵减的方向演进。

当前 AI 领域第一波浪潮是 Generative 为主要的 GenAI，第二波浪潮可能是以总结提炼为首的 SynthAI。

GenAI 能够帮助人们在头脑风暴和起草阶段进行有效协作，例如撰写简短的广告或产品描述；但在越需要创造力和专业知识的领域，则越需要人类协助完善，特别是诸如长文本法律文件，需要在专业的律师审查和编辑后才能够达到可以用来签署的程度。

AI 的下半场，重心从 “生成” 转为 “融合”，以促进工作中的重要决策，提高同等条件下的决策质量或速度。

从第一波浪潮到第二波浪潮的转变，是一场关于工作流 workflow 改变的争夺。最终这场竞赛的奖品不是谁先建立了 AI 融合的能力，而是谁先占据了 B 端客户的工作流。

Sarah Guo 对于 temporary markets 的思考

探讨当下 AI 市场的细分需求：这些需求虽然是临时的，但当创业者只要服务好该 niche 市场的客户，你就越有可能找到别人看不到的需求，构建伟大的公司。

AI 未来生态预测：一个大模型吃掉所有？

会有几个普适的通用大模型，去满足广义的中长尾的大众需求；而在垂直的高价值大用户基数的场景下（比如图像生成、营销文案协作、编程助手等场景），会有很多专业模型，这些模型更像是端到端的应用，会占据用户场景，并建立自己的模型。

1）专业化领域的用户对产品性能的要求高，需要更好的定制化的产品和技术的解决方案，直接调用通用大模型是难以满足的。

2）要把产品做到更好，需要更完善和灵活的数据反馈和底层架构，而通用大模型在可控性上是难以做到的。

3）垂直场景的产品的护城河就是数据，最珍贵的也是数据，所以一旦有了场景和用户，这些产品提供者有足够强的动力去保护自己的数据不被其他大模型调用，所以自己基于类开源的大模型去训练自己的模型就几乎成为了必然的选择。

4）AI 领域本身就是有非常强的协同性和开源性的，而且各项成本也是在不断降低的，所以未来做自己的大模型的门槛会不断降低。

未来可能会有非常多的大模型，有少数通用的，有更多垂直的，整个生态会无比繁荣，会有更多的端到端应用的机会，而非通用大模型本身。

对于生成式 AI，创业公司应该问自己的 4 个问题 | Tomasz 在 SaaStr 研讨会上的分享

1）思考哪一个环节会产生超额收益。

Infra in Cloud：AWS/Azure/GCP 的 market cap 是 2.1t，其它 top 100 的 cloud company 的 market cap 加总是 2.2t，近乎相等。

2）Layer：Tomasz 总结了 3 个，分别是应用层，平台层，Infra。

3）应用层进一步细分为 3 个 segment：

内容生成 (Jasper, Gamma, Synthesia, Craiyon, AIdungeon)，Co-pilots (Github, Harvey, Lilt)，Agents AI助理 (ChatGPT, next-gen RPA, YC 2023入选了不少 RPA 2B 方向的产品，最近的 Auto-GPT 类似)。

4）平台层主要是面向开发者的工具和 API 聚合，Mid-layer of AI；另一种是托管企业服务。

短期来看，热钱会流向托管企业服务平台，因为产生的价值是大量且明晰的；但长期来看会出现很多大型的开发工具和 API 公司。（stripe 和 twilio 主要的 API 业务用了 15~20 年）

5）Infra 主要是 chips, LLMs, ML ops，是一个很烧钱的赛道。

startups 在这块的优势很小，人的 impact 和 capital 显得很重要（ex-Databricks 的人出来做 Anyscale）。

6）Market: 避免和现有赛道的巨头产生直接竞争。

Adobe/ms/saleforce 都推出了自家的 Gen-AI, startups 需要想清楚自己的价值在哪里。

7）AI-native 公司的护城河，Tomasz 给出了 4 点：模型质量、Usage、私域数据、价值分配 Distribution。

价值分配这块，Tomasz 提到了一个公式挺有意思：Innovation = Invention + Distribution。Gen-AI 让 cost of invention 无限接近于 0，value of distribution 将会上升，traffic of value distribution 在未来会成为公司的护城河。

8）AI Depth: Plug-in -> Tune prompts -> Bespoke Model。

三者对于 startups 的要求依次递增，成本也以此递增，但提供了更深的护城河。

未来每个公司都会是 AI 公司

如同十年前我们谈：未来每家公司都会是互联网公司一样，站在现在看未来，未来每家公司也都会是 AI 公司。

用户的期望将会发生改变。当一个电子邮件的编辑窗口能够通过 AI 自动完成句子撰写，那未来每个电子邮件产品都必须具备这个功能。

为什么“聊天机器人”不是一种好的产品界面

1）缺乏足够的 affordance 去引导用户向 LLM 提问

只有一个对话框，在某些不熟悉的领域用户不知道如何提问。

2）用户在反复在冗长复杂的 prompts 中纠正提问

用户在问一个问题前，需要打入一长串 prompt，如果回答不满意，还需要围绕这个文本来来回回纠正需求，重复好多次才能得到你想要的答案。

3）LLM 的回复通常会因为上下文限制产生隔离

从过去 4 波技术周期中看生成式 AI 的未来发展

Menlo Ventures 总结了过去 50 年的 4 波主要的技术浪潮：计算、PC 互联网、云、移动互联网。这其中的每一波都被一个关键的创新点所点燃：1979 年的 GUI，1991 年的互联网，1999 年的云计算，2007 年的 iPhone。

AI 给 SaaS 公司提高了多少效率，以及提供了多少价值？

1）Tomasz 总结了 3 个最受益于 AI 的 workflow：销售和 BD 团队，内容营销团队，工程团队。

2）销售/BD 和 内容营销 在叠加 AI 能力后，取得的业务增益均为 1.5%，小于 工程团队 的 10%；生产力提高方面，内容营销 为 30%，高于 销售/BD 的 15% 和 工程团队 的 25%。

3）在不那么 “常见的” workflow 中，生产力的提高并不会实质性转化为公司的财务增益：尽管 内容营销 的生产力提高了 30%，但由于本身部门的成员组成较少，所以对业务的总增益并没有太多。

4）工程团队 由于成员的组成规模较大，且员工普遍是高薪，以及 AI 对其业务成本有显著的下降 (GitHub: 现在 50% 的代码都是 AI 生成的)，所以业务总增益比较高。

5）初创公司应该优先考虑在 成员基数大、高薪的团队/业务 中对 workflow re-imagine，低门槛地 share workflow, 然后 onboarding 更多人。

AI 创业公司（最终将）会有护城河

…当 xxxGPT (某 AI 创业公司) 进行种子轮融资时，xxxGPT 被视为 “GPT Wrapper”。但随着时间的推移，通过广泛的研发和以客户为导向的产品迭代，该公司培育出了独特的价值主张，在这一细分市场的专业知识的深度和广度创造了一个累积优势…

显然，并非每家 AI 创业公司都会成功。但如果一家公司失败，原因不太可能是因为 “OpenAI 发布了这个功能” 或 “xxx 复制了它们”。更可能是因为公司从一开始就没有找到 PMF，或者即使找到了，团队也未能执行、整合市场反馈以构建用户所需的产品。

最佳的 PMF 领域是竞争激烈的。你可能以独有的洞察力创办一家公司，但随着时间的推移，保持专有技术是非常罕见的。在过去十五年的云服务市场中是如此，对于 AI 公司而言亦如此。

尽管起初差异可能很小，但这不应阻止创业公司投身其中。事实上，这强调了早期进入市场的重要性。你越早开始积累优势，其他人就越难迎头赶上。

当下的 AI 创业公司究竟是如何赚钱的？| 采访 OpenView 合伙人 Kyle Poyar

在当下的生成式 AI 市场，有两种解决方案：

1）AI-as-a-service (AI 即服务)。如通过 API 访问 AI 功能并将其整合到现有的应用产品中。

2）AI-enabled 应用。如 GitHub Copilot, Notion AI, Canva Magic 等，C 端用户可以直接使用。

这两种解决方案以不同的模式盈利。

1）模型的 API 基于使用量进行收费，即 usage-based。开发者使用例如 GPT-4 的次数越多，他们支付的费用就越高。

2）AI 应用产品则基于类似 SaaS 产品的订阅制进行收费。

Winners and Losers in the AI Revolution

就 VC 如何投资 AI 以及到底 AI 赚不赚钱的争论一直在硅谷保持着热度。Context Lab 创始人 Sam Hogan 认为目前有两组很明显的市场赢家，少数几个输家，还有一小部分看起来很有希望的 「AI Moonshots」。

赢家包括：

大多数现任大公司：他们在将 AI 融入到自家产品或工作流的过程中都没有遇到什么困难。 

独立开发者和个体经营小团队：他们是灵活轻巧的游击队，既不筹集外部资金，也不组建庞大的团队，能快速为利基市场打造出一些不错的利基产品。

输家包括：

像 Jasper 这样的公司以及它们背后的风投机构是当前最大的输家。它们的用户体验和品牌很好，但是没有突出的价值点和护城河，而且要应对众多为细分市场打造差异化产品的公司的竞争，这使得这种通用产品很难实现增长。

不过，即使是更有针对性的应用层公司形势也不容乐观，因为它们还是没有真正的技术护城河，产品很容易被复制。

有希望的「AI Moonshots」包括：

• Cursor: 一种人工智能优先的代码编辑器，很可能会改变软件的编写方式
• Harvey: 用于法律实践的人工智能
• Runway: 人工智能驱动的视频编辑器

这类公司从根本上颠覆了某个行业的工作方式，但它们最终能否打磨出足够有竞争力的产品，还有待时间验证。

When to Dig a Moat

AI 公司到底如何创建壁垒？从什么时候开始创造壁垒？这个问题几乎困扰着当下所有的创业者和投资人。

很多风险投资者认为，基于 OpenAI API 的创业公司就是一层「GPT 包装纸」，不存在壁垒，但也有人认为当前阶段做好产品和增长是最关键的，护城河会在之后慢慢生长出来。

上周五，曾在去年获得 15 亿美元估值的生成式 AI 公司 Jasper 宣布裁员，这就是一个典型的，因为没能建立护城河而走向衰落的例子。Packy McComick 认为，Jasper 这类公司的问题在于，它过早地耗尽了自己的不确定性。

Jerry Neumann 在《生产不确定性》一书中写道，“唯一能让新创业公司创造护城河的就是不确定性”，是 “不确定性使竞争持续了足够长的时间，以至于可以建造护城河。”

具体来讲，市场对于创新产品的不确定性可以分为两类：

1）Novelty Uncertainty（新概念能否落地，产品能否被实际构建出来）
2）Complexity Uncertainty（构建出来的产品是否有市场需求）

这些不确定性给创业者争取了掩护的时间，让创业者可以利用这段时间窗口抢跑。比如，Airbnb 起初筹集资金非常艰难，投资人纷纷不看好，但正是因为复杂性的不确定性让它有时间打磨品牌和建设网络效应，后来慢慢形成了自己的护城河。

如下图，如果创业公司可以在不确定性耗尽前建立起足够深的护城河，它就可以在市场中站稳脚跟。而最终，你所需要的护城河符合这样一个公式：护城河深度 = 这个机会看起来有多好 - 做起来有多难。

所以，有趣的是，你以为困扰你的东西，很多时候恰恰在保护你，市场的不确定性证明创业者还有时间，但市场的拥簇反而是竞争开始的发令枪响。

多模态 AI 如何创造下一个服务交易市场巨头？

服务交易市场是个高度分散且价值巨大的市场。每年全球自由工作者的总收入高达 1.3 万亿美金，每年美国相关的家政支出也高达 6000 亿美金。但除了 Uber 外，美国市值超过 100 亿美元的 10 个公共市场中没有一个是服务型市场。这篇文章探讨了为什么服务交易市场很难做大，以及 AI 将如何改变它的价值链条。

首先，交易市场存在的核心是为了降低交易成本，而常见的交易成本有 4 种：

A. 搜索成本
B. 讨价还价 & 决策成本
C. 执行成本（信任成本，交易风险，库存问题）
D. 物流成本

根据减少的交易成本类型，交易市场可以分为 4 个不同的阶段。

1）搜索交易市场 (A↓)，类似 58 同城 2）结算交易市场 (A↓+B↓)，类似拼多多 3）轻管理交易市场 (A↓+B↓+C↓)，类似 Airbnb 4）重管理交易市场 (A↓+B↓+C↓+D↓)，类似京东、美团外卖

现在的服务交易市场更多集中于第一种搜索交易市场。如今我们想要购买 1 个灯泡已经比 10 年前容易了很多，但如果我们想找一个电力工人或者设计师，这整体体验的优化程度差了非常多，因为亚马逊可以将每一个产品作编码，但是服务交易市场能做的标准化非常少。平台往往只能降低第一步的搜索成本，让客户在平台找到服务商，这之后的沟通确认和实际交付都需要线下与服务人员协商完成。

为什么 AI 能让服务交易市场不一样？目前服务交易市场很大的一个问题是，消费者说不清楚自己想要什么（要完成一个什么样的设计、要修好一个什么规格的水管等），而多模态大模型能很好地解决这个问题，用户通过录制视频拍摄自己想要修好的家具，平台则能利用 AI + 大数据确定该服务的价格。

如下图，在 AI 的加持下，平台可以将一系列流程自动化，进而由搜索交易市场，跃升为结算交易市场，捕获更多的价值。

在这个过程中，最大的阻力有两方面，一是任务复杂度，二是信任问题。任务越复杂，AI 就需要越多的知识和越强的多模态能力。信任成本越高，AI 就需要越多的评论和越详细的背景调查。最终，作者预测，服务交易市场的升级会首先由低复杂度，低信任成本的行业展开，呈 S 型 (如下图) 慢慢过渡到高复杂度，高信任成本的行业。

AI 创业公司与现存者 (incumbents) 之间如何对抗？| 美国光速资本

AI 是一种商品。

历史上，当新技术变得普及时，技术本身便已从新进入者的早期差异化因素逐渐演变为基本条件。对于大多数产品和服务来说，它们是保持竞争力的必备条件。

以 Mobile 应用为例：在 App Store 推出不久后，一些激动人心且创新超前的公司迅速推出了 App，早于其他公司。其中一些团队获得了丰厚的回报，如 Instagram、WhatsApp、Uber 等。

但随着移动智能手机应用程序的开发成本降低，移动分发变得更加普及时，开发技术便已不再是差异化因素，它已经成为了一种商品。这不仅适用于初创公司，也适用于现有企业。

所以，如果一家创业公司正在开发的 AI 产品很可能会被现有企业提供，那么这家创业公司将不可避免地面临非常激烈的竞争。毕竟，现有企业可以向现有的客户群提供同样的 AI 技术和产品。

那如何避免与现有企业的正面竞争？

1）独特、创新的产品形态

如果创业公司开创了一个全新的产品形态，并达到规模，那么这家创业公司将比那些使用标准形态（如标准图像或视频文件）的产品更具竞争性。 这是因为现有企业采用新形态来更新现有产品往往需要重新设计产品流程、用户体验，甚至整个商业模式。

举例：Snapchat

Snapchat 的 “Snap” 和 “Story” 功能是开创性的产品功能设计，此前市场上从来没有产品做过。在取得一定的用户正反馈和影响力之后，Instagram 和 Facebook 等现有企业匆匆推出了自家的“抄袭”版本，但 Snapchat 已获得了在这个市场上的先发优势，最终成为了一家百亿美金市值的上市公司。

2）价值破坏

当一个新产品的商业模式威胁到现有企业时，它将变得更加强大。例如提供现有企业无法提供的服务，并为客户创造价值。否则，现有企业将降低价格并利用其庞大的规模提供更好的产品。

举例：Airbnb

Airbnb 创建了一个平台，使人们可以轻松地将他们的住宅或空余卧室出租给旅行者，从而直接与酒店行业展开竞争。传统酒店由于固定成本和监管规范的束缚，在不做出实质性变革的情况下很难与其进行竞争。

3）数据护城河

一旦一家初创公司建立了实质性的数据护城河，其他公司（包括现有企业）要想迎头赶上就变得非常困难，除非它们也能够获得相同数量或质量的独特数据来训练自己的 AI 系统。

举例：TikTok

TikTok 积累了大量有趣的短视频内容，但更重要的是，他们找到了一种方式来调整 TikTok 的用户体验，以便每次使用产品时，每个用户都能匹配到高度个性化和相关的内容，而这一切都通过数据护城河实现。

AI startups are just startups.

上述 3 种策略并非 AI 创业公司独有的策略，实际上这适用于任何一家创业公司。

归根结底，产品最终取得成功并不是因为你可以利用最先进的 AI 技术，而是因为你能够为用户构建真正解决需求、解决问题的产品，并在现有企业发现 PMF 时快速扩张产品规模。

生成式 AI 的经济模型 | A16Z

自 1950 年以来，人工智能领域的革新掀起过好几拨浪潮，但 AI 创造的价值基本都流向了当时的大公司，而不是初创公司，直到最近这一次，AI 的商业化前景出现了一丝转向。A16Z 的这篇文章探讨了为什么这一波的生成式 AI 对创业公司会是一个巨大的机会，以及，为什么说它会带来「计算的第三时代」。

首先来看过往的人工智能存在哪些问题，为什么它们难以孕育出一个有价值的商业模式：

1）长尾效应

大量尾部案例的存在导致人工智能公司的发展很多时候是反规模经济的。例如，建造一个准确率为 80% 的机器人可能需要 2000 万美元的投资，但要达到 90% 的准确率，可能需要 2 亿美元。这种投资资本的边际回报递减导致了一个结果，行业领导者在研发上烧钱，而后来者则可以建立在他们的学习基础上以更小的成本赶超。

2）正确率难以保证

人工智能过往涉及的领域往往容错率不高，比如，支票存款的光学字符识别不能误读，自动驾驶不能发生危险，这导致 AI 仍然需要高度的人机协同。

3）人类在某些方面比机器好用太多了

很多时候，人工智能不是在与传统的计算机程序竞争，而是在与人类竞争。当这项工作涉及碳基生命的基本能力时就更是如此，很多人平均工资每天不到一美元，人工很多时候其实更便宜。

所以，由于投资人往往更关注增长而不是利润率，公司会倾向于不断招人来快速解决问题，而不是投资于自动化。而等公司终于准备好做长远投资的时候，他们往往也已经建立了一个完善的组织队伍，调转船头变得非常困难。

那这一轮的 AI 革命和以往有哪些不同呢？为什么类似 ChatGPT, Midjourney, Character.AI 等一众公司能快速取得成功？

1）正确性被高估了

人们发现，AI 的用武之地根本不在精确度要求高的行业里。事实上，AI 目前最常见的两个用例是内容创造 (图像、故事等) 和提供陪伴 (虚拟伴侣、头脑风暴伙伴等)。

2）AI 在高价值任务上的表现开始大大超越人类

我们过往一直试图让 AI 复制人类能够完成的简单任务，例如物体识别和运动感知。这些任务对人类而言很容易，因为我们已经进化了数亿年，然而，在另外一些能力项上，比如语言能力，人类大脑仅仅进化了不到十万年，所以我们现在发现，AI 反而能更快地学会完成高难度的脑力工作，和人类产生不同的比较优势。

3）通用性

生成式 AI 模型非常通用，当 LLM 解锁了自然语言这个能力后，几乎一切行业都能被重构。

由此，就像微芯片将计算的边际成本降至无限靠近零点，互联网将分配的边际成本降至无限靠近零点，这一轮的生成式 AI 有望将创造的边际成本降至无限靠近零点。(而且有趣的是，统计结果显示，不管是微芯片、互联网、还是生成式 AI，节约的成本都是比原有解决方案高出 3-4 个数量级)。

我们很难想象当创造的边际价值下降为零时，社会会发生怎样的变化。但从历史上看，杰文斯悖论一直被证明是正确的：当需求弹性高的资源边际成本下降时 (比如能源使用效率提高、计算资源成本降低)，人们对它的需求量会大大增加，而不是因为它节约了效率导致需求量减少。这会带来更多的就业机会，更快的经济发展。工业革命，微芯片和互联网的诞生是如此，我们相信生成式 AI 也会如此。

当下 AI 的 4 波浪潮，我们还处在早期

Elad Gil 指出，当下的生成式 AI 和过去的 CNN / RNN / GAN 并不是连为一体的。他拿飞机和汽车来举例：过去当飞机被发明了出来，有人说它只是更快的汽车，却没有看到飞机的诞生对物流、旅行、国防等领域的影响。飞机的诞生标志着航空时代拉开了序幕，而并非更快的汽车时代；同样，Elad 也认为当下的生成式 AI 也是具有划时代意义的。

他还指出生成式 AI 的四波浪潮：

1）第一波是 GenAI 的原生公司，如 ChatGPT, Midjourney, Character.AI, Github Copilot。当然还有一些之前做 ML 的公司继续参与进了 GenAI 时代，如 Hugging Face, Runway, Scale, WandB 等

2）第二波是在 GPT-3.5 / 4 发布的时间节点推出的公司，如 Perplexity, Langchain, Harvey 等。与此同时也有一些现有玩家推出的 AI 产品，如 Notion, Quora, Replit, Zapier 等，一些巨头同样值得注意：Adobe, Google 等

3）第三波浪潮将聚焦在更垂直的领域，甚至包括语音、视频等多模态格式

4）第四波预测会在 2024/2025 年到来，会有一些超过市场预期的产品出现

售卖结果，而不是 AI 软件服务本身

AI 软件通过理解任务需求，直接生成可交付的 “结果”。因为 AI 公司售卖的不再是软件，也不再是软件背后的服务，而是一个 “结果”。

Benchmark 的合伙人 Sarah Tavel 在这篇文章中提到一家 AI 法律公司 EvenUp，通过结合 AI 为律师直接生成对应的文档、材料包。这份工作原本需要律师整合各类材料，最后输出书面材料。而现在这份工作逐步不再需要律师参与，把律师的时间解放出来并投入到真正的咨询和审理过程中。

Sarah Tavel 还提到，检验在除了法律领域，其他领域是否还存在类似可用 AI 改造的机会的标准是：这个领域内在全世界是否已经存在一个专注的外包团队来支持现在由生成式 AI 能替代的工作。在自己外包团队体系内用 AI 和人工结合的方式来操作，最终给客户交付的结果，而不是产品。

企业级 AI 模型是否会“一家独大”？

Lightspeed 在这篇文章里对 AI 模型的发展趋势进行了推演，提出未来的大模型将分为三类模型：

1）开发者和企业会选择最适合“要完成的任务”的模型，尽管在探索阶段的使用可能看起来更为集中

2）企业采纳的可能路径是使用大型模型进行探索，随着他们对使用案例的了解逐渐增加，逐渐转移到生产时使用的较小的专用（调整+提炼）模型

类别一：大脑模型

1）这些模型的训练成本高，维护和扩展复杂，开发者目前正在这些模型上进行实验，并评估 AI 在企业应用程序中的使用
2）这些模型是通才，可能在专业任务上不太准确

类别二：挑战者模型

1）这些是高能力的模型，其技能和能力仅次于前面的通用大模型
2）Llama 2 和 Falcon 是这一类别中的最佳代表。例如，根据某些基准，Llama2 与 GPT-3.5-turbo 一样好。在企业数据上调整这些模型可以使它们在特定任务上与第一类通用大模型一样好

类别三：长尾模型

1）这些是“专家”模型。它们被建造用来为一个具体的目的服务。比如分类文档、识别图像或视频中的特定属性、识别业务数据中的模式等
2）这些模型灵活，训练和使用成本低，可以在数据中心或边缘运行

生成式 AI 进入第二阶段了 | 红杉美国

继 22 年 9 月发布《生成式 AI：一个创造性的新世界》之后刚好 1 年的时间里，红杉美国再次发表了一篇文章。这篇文章是红杉对当下 AI 市场最新的认知与思考，也有对过去观点的反思和证伪。

1）生成式 AI 的第一阶段，是从技术出发的：

我们发现了一个新的“技术锤子”：基础模型，并引发了一波新技术的 Paradigm Shift。

2）我们现在认为市场正在进入第二阶段，这将是从客户开始的，这将端到端地解决人类问题。

这些应用与第一阶段推出的应用在本质上有所不同。

它们往往将基础模型作为更全面解决方案的一部分，而不是整个解决方案。

它们引入了新的编辑界面，使工作流程更加粘性，输出效果更好，以及它们往往是多模态的。

3）整个 AI 发展的速度比之前预计的要快很多。

去年，红杉预计需要近十年时间才能拥有实习生级别的代码生成、好莱坞级别的视频效果和听起来不那么机械的人类质量语音克隆和生成。

但是现在，基于 Eleven Labs 的声音已经在 TikTok 上越来越普及、Runway 已经举办了 AI 电影节，甚至 AI 在 3D、游戏和音乐等领域也在迅速变得越来越好。

4）瓶颈在供应端。

没有预料到客户对 GPU 的需求大大超过了供应，很多公司的瓶颈都变成了不是客户需求，而是获取英伟达最新 GPU 的渠道。

5）壁垒在客户中，而不是在数据中。

我们预测，最好的生成式 AI 公司可以通过数据飞轮生成可持续的竞争优势：更多使用→更多数据→更好的模型→更多使用。

尽管这在某种程度上仍然是对的，特别是在拥有非常专业和难以获得的数据的领域，但“数据鸿沟”的基础正处于摇摇欲坠的状态：应用层公司生成的数据并没有创造一个无法逾越的鸿沟，下一代基础模型很可能会摧毁初创公司生成的任何数据鸿沟。相反，工作流和用户网络似乎正在创造更持久的竞争优势来源。

当我们在谈论 AI 时，我们在谈论什么？| A16Z

A16Z 在 23 年 9 月邀请了一众知名 AI 初创公司，举办了一次关于当下 AI 市场的圆桌讨论。这场圆桌的核心观点：我们正处于计算的第三个时代。微芯片将计算的边际成本降到了零，互联网将分发的边际成本降到了零，现在大型模型实际上将创作的边际成本降到零。

1）对于一些早期应用场景，“创造力”大于“正确性”

幻觉是目前大模型难以克服的技术难题，但对于某些应用场景来说，编造事情的创造力是一个功能，或许并不是一个错误。

目前 AI 产品的许多早期用例，如虚拟朋友、AI 女友、头脑风暴、在线游戏等，都具有以下特点：专注于创造力比正确性更重要的领域。

2）对于其他场景，例如代码开发中的 Co-pilot，正确性会随着人类的使用而提高

3）将模型交到用户手中，将帮助我们发现新的应用场景

模型不是产品。作为一个创业者，你必须要问自己：你的用户是谁？他们的问题是什么？你能做些什么来帮助他们？

AI 就像一个新的、有趣的基础设施，可以让你以更好的方式解决新类别的问题或解决旧类别的问题。

4）我们会有一些通用模型，一堆专用模型，还是两者兼而有之？

这个问题就像十年前关于云计算市场的辩论一样，答案取决于你愿意支付多少费用、你需要输出的准确性以及你可以容忍的延迟程度。

现在有点像 2000 年，互联网即将主宰一切，最重要的是谁能建造出最好的路由器。但就像互联网一样，后来也总会有人想到像 Uber, Airbnb 这样的产品创意。

这些都可能成为巨大的商业机会，并不只是 OpenAI、Databricks 或 Anthropic 等公司构建一个模型就能主导所有应用场景的。

如果 OpenAI 做了你怎么办？

这篇文章写于 OpenAI 更新 ChatGPT 一大功能：允许用户上传本地文档并针对文档内容进行提问。

很多人在谈论是不是这次 ChatGPT 的更新，又将会终结一批 GPT-Wrapper 的创业项目？大模型工程师 Matt Rickard 在本文提出了一些自己的思考。

RAG (Retrieval-Augmented Generation, 检索增强生成) 一直是最受独立开发者欢迎的产品方向。在 ChatGPT 这次更新之前，就已经有很多产品出现并取得了不错的收入数据，有些甚至 ARR 已经达到六位数，如 PDF.ai、ChatPDF 等。在这之后，PDF.ai 的创始人在 Twitter 上分享了最新的收入数据，没有受到太大影响的同时还出现了收入和用户的增长。

有创始人在 Twitter 发文：在 ChatGPT 推出 PDF 功能之后，对 PDF.ai 这类产品甚至可能是利好。因为更多人会知道这一个功能，而对于很多专业用户，ChatGPT 是满足不了的，这时候对于专注在这一领域的工具产品来说就是一个好机会。

Matt Rickard 在文章还提到一个有趣的事：在投资人讨论 “如果 OpenAI 做了你怎么办？” 这类问题之前，其实就已经有类似的问题出现了，比如 “如果 Google 做了你怎么办？”。这些问题屡见不鲜，结论其实也都是殊途同归的，Matt 在文章中也给出了自己具体的思考。

对我启发比较深的思考是：眼下的 AI 时长，至少是目前来看，诞生的 AI 创业机会，从发展路径来看，或许和过去不太一样。过去是一轮轮拿 VC 融资，成长为独角兽，现在更多是用 Micro SaaS 的逻辑去做能营收、能自给自足的 AI+SaaS 产品，即 Bootstrapped Profitable Startup。

创业

为什么我更关注问题大小而非市场规模？

对于早期的风险投资人，过于关注 TAM (Total Addressable Market) 可能会是一个陷阱。

相比于一个漂亮的市场规模的数字，投资人更应该关注的是创始人正在解决的问题的本质特征：

1）这个问题是否足够大、显著？
2）这个问题是否紧急？在当下去做是否是一个好的 timing？
3）这个问题是否有价值？

3 条占 1 条，这个事情可能不成；占 2 条，事情可能会成，但可能不是 venture-scale，不是 VC 感兴趣的；占 3 条，VC 会感兴趣。

那些最成功的 SaaS 公司是如何在早期找到创业 idea 的？

Key takeaways:

1）大多数创始人在自己的创业领域中，对于过程中所涉及的问题并没有专门的技能或相关的背景
2）大多数 B2B 公司创业的想法并非来自创始人在上一份工作中识别到的用户痛点（尽管很多公司的创业想法确实源于此，大约 40%）
3）每个专业级的消费产品（例如 Notion、Figma、Airtable、Miro、Slack、Coda）在找到 PMF 之前，都经历了 2~4 年的摸索和 pivot
4）几乎所有创始人在做之前，都与大概中位数为 30 的潜在客户进行了沟通，以验证自己的想法
5）在找到成功的想法之前，大约 40% 的创业公司至少进行过一次 pivot，往往不止一次
6）大约 20% 的创始人是独自创办的
7）cold outbound 是有效的，它是获得早期客户的备选方案

1 亿美金的教训

刚点开原帖发现已经被删了。

原文大致内容是：

作者辞去了互联网公司高管职位下场创业，第一次创业自己做 SaaS 公司。找到 PMF 后 VC 出现了，给了远超作者所需的投资额。

之后 VC 希望他加速，给了作者难以达到的商业目标。尽管那时作者已经凭借公司里仅仅 5 个人创造了数百万的营收。但 VC 不希望他满足于当下，并要求他要开始大量地招人。

作者雇了一堆所谓的 MBA 精英们，花了大量的精力在招聘和培训上，而不是专注在产品和获客上。

最终产品一路下滑，越来越多的客户取消合作。一切又回到了 0，作者认为这一切都是因为他听从了 VC 的建议。

这件事在创投圈非常典型、屡见不鲜。

VC 希望你成为一艘火箭，他们只关心你产品的商业化和业务增长速度；而作为创始人往往更关注产品本身。但其实这两者并不冲突，如果创始人只希望自己的产品能扎根在一个 niche market 上赚取稳定的现金流，比如像作者最开始那样，那其实完全可以选择不接受 VC 的投资。

而 VC 则不希望你仅仅满足于一个 niche market，他希望你能 scale-up。

创业公司的“不确定性”

非常体系化的一篇文章，讲清楚了什么是“不确定性”、“技术和市场风险”，“新技术和新市场哪个更重要”，以及最被人多次提及的“壁垒和护城河”。

作为 VC，投资开发新技术的初创公司是诱人的，但相比于那些利用现有技术开拓新市场的初创公司，后者往往更具投资价值。

事实往往是：依赖新技术的初创公司很少数能从创新者转变为市场中的主导者。

技术本身通常不是壁垒，通过引入 / 开发新技术的公司很少能够建立起壁垒。VC 需要投资那些起步时没有太多竞争对手的公司，而不是产品 / 技术优于竞争对手的公司。即投资进入新市场的公司，而不是拥有新技术的公司。

“Technical risk is horrible for returns, so VCs do not take technical risk… VCs have always waited until the technical risk was mitigated… Market risk, on the other hand, is directly correlated to VC returns.”
- Heat Death: Venture Capital in the 1980s
“技术风险对回报来说是可怕的，所以风险投资者不会承担技术风险… 风险投资者总是等到技术风险得到缓解才行动… 另一方面，市场风险与风险投资回报直接相关。”
—— 《热寂：20 世纪 80 年代的风险投资》

所以，为什么在投资回报上，技术风险和市场风险之间会有差异？我的答案是，问题不在于“风险”，而在于“不确定性”。

在《Schumpeter on Strategy》一书中，我认为公司通过创新创造超额利润，并通过保护创新不被复制来持续赚取超额利润。在完全竞争的市场中，竞争将利润降为零，为了获取超额利润，公司必须做一些与竞争对手不同的事情。由此产生的超额利润只会持续到该创新被竞争对手模仿为止。通过完全竞争实现创新的超额利润的总和，我称其为超额价值。公司可以通过设置进入壁垒或护城河来延长创新引入和被竞对模仿之间的时间，从而增加超额价值。

在《A Taxonomy of Moats》一书中，我认为唯一能为创业公司创造超额价值的护城河就是不确定性。这个论点有两方面。首先，如果护城河在创业公司成立之前就存在（比如专利），那么在没有不确定性的情况下，该专利至少可以卖出与创业公司能够从中获得的相同金额。在这种情况下，创业公司并未创造超额价值，因为它已经存在于专利之中了。其次，如果创业公司不能从一开始就拥有护城河，那么它必须随着时间的推移建立护城河。不确定性足以阻止竞争对手的进入，从而为建立护城河提供足够长的时间。

注意，我所说的“不确定性”，与“风险”是两个完全不同的概念，我指的是 Knightian uncertainty (奈特氏不确定性)，即无法被衡量、计算和预测。我在《Startups and Uncertainty》中经常谈论这个概念。当一家创业公司追求创新时，它无法预测会发生什么，这使得其他公司望而却步，不敢进入竞争。他们会说出类似于“这看起来像个玩具”，或“市场上没有需求”的之类的话。一旦创业公司开始取得成功，竞争对手则会重新评估，但到那时，聪明的创业公司已经建立起了护城河。所以，不确定性为创业公司提供了时间和竞争空间。

首先是产品，然后是战略，最后是商业模式

把产品做对意味着找到 PMF，这并不意味着只是推出产品，而是要达到市场接受你的产品并愿意付费的阶段。这在消费、SaaS、Infra、硬件等行业意味着不同的东西，但在每种情况下，你都必须首先了解产品市场，然后再考虑其他的事情。在找到 PMF 之前就开始考虑商业模式是糟糕的决定。

我记得 2009 年的 Twitter，当时可以肯定的是产品已经找到了 PMF，所以团队开始将注意力转向了商业模式。当时有各种各样的讨论，包括付费账户、订阅、数据业务等。与此同时，Ev Williams (Twitter 的联合创始人) 正在制定一项战略，使 Twitter 成为“人们用来发现他们关心的内容的信息网络”。因此，该战略需要将尽可能多地讲信息源带到 Twitter 上，并有尽可能多的用户访问它。这一切都与网络规模有关，所以该战略需要一种商业模式，使服务对所有人免费开放。这便促成了推广、广告的商业模式。Twitter 很好地执行了先有产品，然后是战略，最后的商业模式水到渠成。

为什么“楔子”对于创始人而言非常重要？

作为创始人，你永远不应该以占领 1 万亿美金市场的 1% 为最终目标。

创始人能做的几乎没有比在 BP 上展示具有无限潜力的 TAM 更能自欺欺人的事情了。任何声称他们产品的 TAM 是“互联网上的每个人”，或“每个使用智能手机用户的人”，都表明他们根本不了解自己产品的目标市场。

每个市场都是由更精细的小的市场组合而成。如果你是一家处于早期阶段的初创公司，你必须要说明你的产品在第一天就服务的利基市场。这就是为什么我们说，构建一个吸引所有人的产品意味着它将不会吸引任何人。

每个成功的产品在推出时，要么是一个新颖的想法，要么有一个独特的方法来执行一个已经验证过的想法。

在 1 万亿美金的市场占据 1% 的份额是一个诱人的愿望，但对于这个庞大市场中的细分子市场，你的产品如果没有提供独特的价值主张，这听起来就像是登上了一架已经起飞的航班，这不太现实。所以，你必须找到一架较小的飞机，或喷气背包，这就是所谓的“楔子”。

Uniswap 与 Binance 不在同一维度上进行竞争、Blur 与 Opensea 争夺的并不是同一目标用户、区块链不与“互联网”或传统金融机构进行竞争等。这些例子展示了成功的公司是如何创造自己的垄断市场，以及如何通过找到“楔子”来逃避竞争。

矛盾的是，在完全竞争的市场中，公司一开始的市场会很广泛，但为了追求差异化，会立即缩小市场范围（即使缩小范围并不像他们正在做的事情）。但如果他们不参与完全竞争的市场，而是从自己的（小）市场开始，他们便只能增长，而不是萎缩。

因此，最好的企业是可以讲述一个关于未来的引人入胜的故事。这些故事各不相同，但它们采取相同的形式：找到一个小的目标市场，在为其提供服务方面成为世界上最好的，然后立即占领相邻的市场，扩大你所正在做的事情的范围，并捕获越来越多的用户。

在早期找到“楔子”，并在后来逐步扩展业务边界，取得成功的初创公司：

1）Facebook 最初是专门面向哈佛大学学生的平台，后来才向其他大学、高中和公众开放
2）LinkedIn 的 GTM 策略主要依赖于科技领域的大厂员工的使用、传播
3）Nvidia 最初是服务于游戏行业，然后才扩展到数据中心和计算平台等相关服务
4）Google 的独特秘诀是 Pagerank 算法，该算法可以生成比其它搜索引擎更高质量的搜索结果，最终促成了最赚钱的广告业务，以及后来的云计算、硬件等业务的发展
5）Porsche 最初是一家专注于生产跑车的公司，但现在主要销售 SUV

被谷歌收购，我学到了什么？

1）在谷歌工作就像拥有第二本护照。

去世界上的任何一个城市，你的员工证都能解锁一个漂亮的办公室，里面有美味的食物、办公桌，以及与谷歌 20 多万名员工的链接。

以及最令人震惊的是，你可以立即访问谷歌的所有内容。包括它们庞大的代码库，几乎涵盖了它们的所有产品；覆盖全球的数据中心的实时状态；跨越二十年历史的战略文件；甚至还可以直接接触到一些传奇人物。

2）谷歌以谷歌的方式做事。

谷歌使用的几乎每一款软件和基础设施都是在谷歌构建的，这是比大多数公司更早面对最棘手的工程问题下的自然结果。

这意味着我们无法保留我们自己的代码库，必须从头开始，在谷歌的技术栈上重建我们的应用程序，与新团队一起重建产品。

3）简单的事情反复完成会让人感到不可思议。

与搜索行业的资深人士一起重新构建我们的查询分类系统，是对搜索本身建设过程的一次启发性窥视。一方面，谷歌有着令人难以置信的信息检索工具的深度，以及在整个互联网上计算并添加新信号的惊人能力。

“我注意到的一个模式是，伟大的人工智能研究人员愿意手动检查大量数据。不仅如此，他们还构建了基础设施，使他们能够快速手动检查数据。虽然并不光彩，但手动检查数据可以提供有关问题的宝贵直觉。”

4）大多数问题不值得谷歌花费时间，但一些令人意外的问题却值得。

大多数用户规模在 1000 万至 5000 万之间的问题并不值得谷歌花费时间，而且不符合他们的战略。但对于符合他们性质、战略以及某人的晋升目标的问题，他们将投入大量精力。

5）谷歌员工渴望交付出色的工作，但往往无法做到。

虽然毫无疑问，有一些人是冲着美食而来，每天只工作 3 小时，享受着提前退休的生活，但我所遇到的所有人都是认真、努力工作，并希望能够做出优秀的工作。

打败渴望出色的员工的是审查的重重关卡、频繁的组织重组、过去失败留下的制度疤痕，以及在国际舞台上做一些简单事情的复杂性。初创公司可以忽略许多问题，但谷歌员工很难做到这一点。

另一个阻碍他们的是他们自己。所有聪明的人都能反驳任何事情，但却不能支持某件事情。所有的领导者缺乏说出令人不适的真相的勇气，以及所有被雇佣却没有明确项目可供工作的人，但仍必须通过虚构的工作来保留其晋升资格。

6）头重脚轻、结构庞大的组织很难调整方向。

我亲身经历的另一个阻碍进展的因素是组织结构的顶层过重。一个团队拥有多位成功的联合创始人和 10~20 年的谷歌老兵听起来可能是取得伟大成就的秘诀，但这也是制造僵局的秘诀。

如果有多个领域可以探索，明确的目标以及强大的自主权来追求这些路径，这种结构可能有效。但如果你想要致力于一个统一的产品，它需要一个明确的领导者，一个明确的方向，以及更多的实干者而非思考者。与直觉相反，在早期项目中增加更多人并不能使项目进展得更快。

7）在谷歌，只要你玩对了游戏，惊喜的事情就是可能的。

谷歌曾经有一套他们称之为“三尊重”的内部价值观：尊重用户，尊重彼此，尊重机遇。前两者比较容易理解，但第三者却让大多数人感到困惑。我的理解是：你在谷歌，这是一个极其盈利、充满天才的企业。你薪水丰厚，食物丰盛，生活在永恒的春天天堂——硅谷。所以，拥有这种疯狂的运气，你能做的最好的事情是什么呢？

8）大部分的收购都以失败告终，Socratic 的故事则是复杂的。

一方面，我们成功地融合了两种截然不同的文化，我们的产品依然存在并已发展到每年服务约 50 亿次的查询，Socratic 团队的职业生涯也蓬勃发展。另一方面，Chris 和我都离开了谷歌，再次创业，而且无论是 Socratic 团队还是整个谷歌，都尚未推出一款与谷歌实力相称的 AI 导师。但一些 Socratic 的谷歌员工可能会实现这一目标，除非他们已经经历了组织重组。

Sam Altman 给创业公司的行动手册

1）关于 Idea

是谁迫切需要这个产品？最理想的情况是你自己就是产品的忠实用户，其次是你对目标用户的理解非常深刻。

测试一个想法的方式要么是推出并观察结果，要么是尝试销售它（例如，在编写代码之前尝试获取“意向书”）。前者对于消费者想法更有效（用户可能会告诉你他们会使用它，但实际上它在实际应用中可能无法脱颖而出），后者对于企业想法更有效（如果一个公司告诉你他们会购买某些东西，那就去建造它）。

让你的想法随着用户的反馈而演变是很重要的。而且，你必须深刻理解你的用户，你需要这样做来评估一个想法，构建一个优秀的产品和公司。

最好的想法是听起来可能不好，但实际上是好的。因此，你不需要对你的想法过于保密。如果它实际上是一个好主意，它可能不会听起来值得窃取。即使它听起来值得窃取，拥有好主意的人比愿意付出努力将伟大的想法变成伟大公司的人至少多一千倍。而且，如果你告诉人们你在做什么，他们可能会提供帮助。

2）关于团队

优秀的创始人具备一系列表面上看似矛盾的特质。一个重要的例子是坚持与灵活：对公司的核心和使命有坚定的信仰，但在几乎所有其他方面都要非常灵活，愿意学习新事物。

科技初创公司至少需要一个能够构建公司产品或服务的创始人，以及至少一个擅长销售和与用户交流的创始人（或者能够成为这样的人）。这两个角色最好是同一个人。

3）关于产品

一个伟大的产品是实现长期增长的唯一途径，你必须通过用户真正想要使用你的产品来实现增长，这是关于超级成功公司最重要的理解。没有其他途径。想一想所有真正成功的科技公司，他们都是这样做的。

“Do things that don’t scale” 已经在创业公司中成为一种口头禅。通常，你需要逐一获取最初的用户（Ben Silbermann 曾经在帕洛阿尔托的咖啡店里找陌生人，邀请他们尝试 Pinterest），然后构建他们所要求的功能。许多创始人讨厌这一部分，只想在媒体上宣传他们的产品，但那几乎从来不奏效。手动获取用户，使产品变得非常出色，从而让你获取到的用户告诉他们的朋友。

你还需要将事情分解成非常小的部分，并在执行过程中进行迭代和调整。不要试图规划得太远，绝对不要将所有事情都批量处理成一个大的公开发布。从非常简单的东西开始，表面积越小越好，并在你认为的时间之前推出它。实际上，简单总是好的，你应该始终保持产品和公司的简单。

4）关于增长

Airbnb 的创始人绘制了一个前瞻性的增长图表，他们把这个图表贴在家里的各个地方，冰箱上、办公桌上、浴室镜子上。如果他们在那一周内达到了这个数字，那就太好了。如果没有，这就是他们周会所要谈论的全部内容。

Mark Zuckerberg 曾经说过，Facebook 最重要的创新之一是在增长放缓时建立了一个增长团队。这个组织，也许仍然是公司中最负盛名的组织之一，每个人都知道它有多重要。

在指标，譬如财务状况方面实现极端的内部透明度是一件好事。由于某种原因，创始人总是对此感到非常害怕，但这对于保持整个公司专注于增长是很有益的。公司员工对指标的关注程度与公司的绩效表现似乎存在直接的相关性。如果你隐藏了指标，人们就很难专注于它们。

说到指标，不要用虚荣指标欺骗自己。这里的常见错误是专注于注册用户数，而忽略了用户保留率。但对于增长来说，保留率和新用户获取同样重要。

针对感受进行优化，而不仅仅是数字指标 | Arc 浏览器 CEO Josh Miller

我们为什么在这里？这是我们经常提出的问题。虽然我们不喜欢纠缠于过去，但无可否认的是，我们对硅谷某种哲学框架感到相当厌倦。

它有很多名字：成长思维、OKR、KPI，甚至极简主义，这似乎是我们这个时代的主导审美。但归根结底，它都指向一件事：对我们世界中一切进行的无情感地优化。

我们认为这种思维方式导致了我们进入了一个非常特定的境地：效率、生产力和利润，但不是人性、灵魂或情感。

如果背后的有灵魂的人们纯粹为了利润进行优化，那这个地方会有什么不同吗？为了可扩展性？为了时间利用？也许你不会喜欢在那之前的那些餐厅的版本。

所以，软件如果要有灵魂，那就必须更像周围的世界。今天的软件缺少的是“感觉”。因为我们作为人类，几千年来所围绕自己的工具、物品和艺术品的价值，远远超出了它们的功能。从许多方面来看，它们的主要价值往往来自于它们如何通过触发记忆、帮助我们延续传统、激发我们的感官，或者只是创造出一刻宁静，让我们感受到一种情感。

这并不是说指标不应该在我们所做的事情中起作用。不可否认，指标时代确实带领我们取得了一些非常了不起的成就。数字是一个有用的标尺，可以让我们保持诚实。

我们接下来要回答的是，在数字之外，要优化什么？我们如何将我们周围更多的事物、情感，带回到我们面前的软件中？更关注用户的真实感受，而不仅仅是对数据、图表、指标的痴迷。

我们会去想，我们软件另一端在使用的人，有什么感觉。他们会感到快乐吗？他们会觉得有条理吗？他们会感到专注吗？

无论在任何一个特定的项目中，任何一个特定的功能中，任何一个特定的故事中，我们都会去思考我们究竟想试图唤起用户什么样的感觉。

建立持久的十亿美金公司的秘诀：10 倍和更便宜

Uber 通过使用移动技术创建了一个比现有出租车服务好 10 倍的产品，而且价格更低，从而打造了一个数十亿美元的业务。

Uber 并非第一个，也不会是最后一个。事实上，当你尝试寻找类似的公司时，你会意识到“10 倍产品并为人们省钱”是贯穿从 Airbnb 到 WhatsApp 等众多突破性公司的潜在主旋律。

• Amazon：无尽的选择、便利性和最佳的价格
• Netflix：比你附近的 Blockbuster 有更多的选择、便利性
• Airbnb：专注于独特的住宿，并且比酒店更便宜
• Skype：具备在线状态和在线聊天等功能，并且提供免费国际通话
• …

关键在于“10 倍产品”和“省钱”

正如我的前 Pinterest 同事 David Rubin 向我指出的：你的服务不应该以“节省金钱”为主。你必须创造一个吸引人的产品，以至于在消费者心中独树一帜。

如果你能让人们认为你的价格优势理所当然，那么你已经成功了。

另一方面，如果你的产品更多地与“省钱”联系在一起，那很可能是因为你的产品差异化不够。“节省金钱”如果就是产品的特点，这将对公司的单位经济产生巨大的压力。如果你一直被迫不断优化价格，要建立一个持久的业务就会更加困难，想一下限时折扣和交易网站。

这里有一个例外，那就是“免费”本身就是一个 10 倍产品。如果你能免费提供曾经让很多人花费不少钱的东西，例如 Skype 的免费国际通话，那产品的增长将是你最不需要担心的事情。

创业公司如何识别 10 倍心态的员工？

创业公司的员工存在两个极端：

一方面，有些员工把公司看作一份工作。他们进来努力工作，完成他们的任务。他们希望确保他们对工作的付出能够得到对等的报酬，并有有趣的项目可参与。他们是理性的行为者，虽然他们为公司创造的价值很有限，但其增值是线性的。

另一方面，这个群体有着不同的 DNA，他们的行为更像创始人而不是员工。他们将激情投入公司，因为他们相信公司的使命，这是他们的行为方式。他们为公司增添了超出工作描述和责任范围之外的价值。他们努力工作到很晚，因为对他们来说，公司不仅仅是一份工作。

在早期阶段，第二类稀缺的个体是创业公司的核心。随着公司规模的扩大，他们将成为公司的领导者。他们应该受到珍视，并且应该在其他员工中鼓励这种心态。这其中有三个方面：

1）意识

意识始终是第一步。你公司里的第二类人是谁？制定一个名单，投资于与这些人的关系，以及这些人本身，随时了解这群人的内心和想法。

2）价值观面试

公司的价值观是公司取得成功的蓝图，是团队行为和决策的规范。有创始人心态的员工不仅擅长他们所做的事情，更能体现公司的价值观。因此，为了最大化地招募第二类员工，你不能只是为了能力而进行面试，你需要进行价值观面试。

价值观面试有助于确定候选人是否符合公司的核心价值观。这些面试应该由创始团队进行，或者随着规模扩大，由已经在公司工作的核心员工进行。

3）随时准备好打破“档次”、“级别”

在某个阶段，一家公司会正式制定其薪酬结构，即根据职位和经验水平向新员工和现有员工提供薪酬。

我见过初创公司犯的最大错误是对上述的两类员工使用相同的薪酬标准。

薪酬水平是一种理性的结构，用来叠加在一种非理性的承诺和影响之上。不打破这些级别的公司将低估第二类员工所产生的价值，最终将难以激励和留住这些员工。

“不同”总比“更好”要好

VC 们最常见的信仰之一是“产品必须比替代品更好十倍”才能成为一个有价值的投资。

我花了很多时间思考这个问题，我相信这是真的，但我更喜欢用一个“不同”的框架来表达：“不同”比“更好”要好。

为了使产品在数量级上更好，你可能需要从根本上不同。“不同”使产品突出，而“更好”则使产品在其他产品中引起比较。

• Salesforce 并没有构建一个更好的 Siebel，它构建了一个不同的 Siebel：在云中
• Divvy 并没有构建一个更好的 Expensify 或 Concur，它构建了一个不同的 Expensify 或 Concur：附带一张卡
• Figma 并没有构建一个更好的 Adobe Photoshop，它构建了一个不同的 Photoshop：在浏览器中
• Tesla 并没有构建一个更好的 Ford，它构建了一个不同的 Ford：电动的

十年前，市场上有一种产品，是其类别中唯一的。它基本上占有百分之百的市场份额。任何想在走路过程中听音乐的人都有一个随身听。所以你有一个磁带，那就是所有的，所以它是非常出色的。索尼占领了市场。在全球范围内，没有任何具有重要影响的竞争对手。技术相当简单。他们成功的最大部分是他们的分销系统。但就在三年半或四年前，一家名为苹果的本地公司用一种完全不同的产品永远淘汰了随身听。
- Don Valentine，红杉资本创始人

“不同”也意味着在某些方面你经常更糟。

Salesforce 没有 Siebel 那么多的功能；Divvy 与 Expensify 相比也是如此；Tesla 的续航里程没有汽油汽车远；iPod 以电池寿命较短而“出名”。

但当你是“不同”的时候，在你更差的方面的重要性就显得不那么重要了，因为“不同”允许你在一两个关键方面变得更好。

对冲基金 Coatue 46 页 deck 谈未来趋势：市场已经完全不一样了

免费便宜的资金时代已经过去：

1）过去的时代钱是免费的，如今必须要承担 5% 的无风险利率
2）野蛮生长的时代已经过去，现在必须面临增长放缓的可能性
3）从泡沫估值回归理性估值
4）从资本驱动到创新与运营驱动
5）从不计代价地扩张，到开始回归商业常识，重视盈利水平

独角兽企业将被重新定价：

1）如今全球独角兽的数量已经达到 1350 家，相比十年前的 44 家翻了 30 倍
2）总估值也从 1000 亿美金到 5 万亿美金
3）随之而来的，是这些独角兽每年潜在的资金需求量也从曾经的 150 亿美金猛涨至 2500 亿美金
4）然而，这些独角兽真的还能够融得到这么多钱吗？答案是否定的。因为投资者有了其他更多可替代性的选择，比如他们完全能以 20 倍 P/E 买下 Meta 或 Google 的股票，也可以 50 倍 P/E 购入英伟达
5）还有一个残酷的趋势是，如今的退出和后续融资渠道都在变窄。美国科技股 IPO 在 2021 年达到 124 家，但在 2022 和 2023 年分别只有 2 单
6）大多数独角兽公司的当前估值已不公允，很多大公司都在面临重新定价。那些拿到新钱的独角兽估值也在大幅回调

Threads and the Social/Communications Map

继 2013 年第一次发布 Social/Communication Map 的 10 年后，Ben Thompson 最近又手绘了一版 2023 年的社交软件坐标图：

该分类将北美市场中的社交软件按照三个维度做了拆分：

• 消息推送法则（横坐标）：Time-based （时间线推送）vs. Algorithm-based （算法推送）
• 信息来源（纵坐标）：User Generated （信息来源不设限）vs. Social Network（仅来自关注的人）
• 受众范围（灰色方框）：Public vs. Private

Ben Thompson 认为，社交软件的定位是随着移动互联网的演进发展的。随着算力的增加和算法的完善，推特和 Ins 都在近几年内积极投向了算法推送的怀抱。Twitter 甚至明显提高了时间线推送的使用门槛，从免费功能变为付费功能。而 Threads，作为一个横空出世的新社交软件，则是从最初便找准了自己 “UGC+算法推送公域内容” 的定位，抢先实现了 Twitter 转型的野心。

一个有趣的点是，当大众认为 Threads 抢占了 Twitter 的市场，两家的用户大战将是一场一去不回的算法战役的时候，Ben Thompson 反而觉得 Twitter 想要赢得战役的最佳手段是强化自己原有的 “time-based culturally relevant” 的社群属性，尽可能让用户掌控自己看到的内容。他认为，作为一个用户用来获取时事和观点的软件，用户选择关注某些 KOL 同时意味着他们选择不关注其他信息源。尊重用户的选择，允许他们按照自己的需求获得信息，可能是 Twitter 在产品迭代的过程中不能忽视的部分。

文章的最后，Ben Thompson 总结，找到自己的 product-market fit 会是新一轮社交软件版图之争的重点。

10 个来自 YC 合伙人 Jessica Livingston 的创业建议

2005 年，四个人在剑桥的一次聚会上相遇，决定创办一家创业孵化器。它们给它命名为 Y combinator, 意思是创造其它函数的函数。后来，这家孵化器成为了硅谷最著名的创业孵化中心，资助了超过 1800 家创业公司，总价值超过 1000 亿美元。这篇推文总结了 YC 创始人，也是 Paul Graham 的妻子 Jessica Livingston 给创始人写过的最关键的 10 条洞见/建议，其中，我们觉得最有价值的 5 点是：

1）对任何方向的创始人而言，决心都是最重要且是唯一必要的品质。如果说我沟通过的创始人在某些方面的确显得超乎常人、天赋异禀，那也仅仅是因为他们的毅力足够强而已。
2）大部分投资人都是从众的，只有其它人出手之后，他们才愿意跟上。
3）选择一个足够大的、足够难的，能让你十年如一日不断不断为其努力的项目。
4）人们喜欢那些创新的概念，但当你真的去展示一些具体的创新性的产物时，往往会被拒绝，因为这和他们已有的认知并不匹配。
5）这么多年来，我意识到，人的第一个想法往往是无关紧要的，这只是你开始做一件事的催化剂。等到你搞清楚了它有什么问题，并且经历了否认、恐慌、后悔等等这些阶段后，才会酝酿出一个更好的想法。人的第二个想法往往才是最重要的。

YC 合伙人 Jared Friedman 总结了二次创业者在早期最容易犯的三大错误

1）没有合伙人。

很多创始人不愿意放弃一半的股份，可是事实上，有一个搭档是非常重要的，他不仅仅是信息和资源上的互补，也能在艰难的时刻为你提供精神上的依靠。

2）没有什么战略是尽善尽美的。

因为知道创业是怎样一份承诺，二次创业的创始人总是过于谨慎，但事实上，几乎所有的创业想法都存在重大缺陷，有时候需要先开枪，再瞄准。

3）偏离现有专长。

因为深知所在行业的难处，二次创业者往往不愿意再选择自己第一次尝试的赛道，可当他们去尝试新行业时，会发现，看似好走的路其实一样艰难，而且自身还不具备任何经验优势。所以，建议是，不如回去周旋你熟悉的那条恶龙。

不少连续创业者也在评论区分享了他们自己作为「过来人」的经验，教育产品 Codingal 和 HackerEarth 的创始人 Vivek Prakash 补充：

「二次创业者往往会陷入一个陷阱，有了第一次的创业经验，他们就会误以为自己已经做好了准备，应该前进地比上次更快更猛，从而过快地招人、融资、开展业务… 直到现实让他们清醒过来。」

初创企业往往会错误估计业务增长带来的价值。对此，Romeen Sheth 给出了一个很形象的火鸡比喻

有的企业生下来只是一只感恩节火鸡，火鸡成长的 3 个阶段代表了不同的发展时期：一开始势头很强，后来增长也能维持，但到某一刻注定会突然崩盘。 

事实上，不是所有的增长都是一个好苗头，如果不认清自己，以及自己所在的商业环境，有的增长是在把你引向地狱，而不是天堂。

寻找非对称回报的机会

有什么概念是你 28 岁才领悟，但你希望你 18 岁就能知道的？

Doola CEO Arjun Mahadevan 在 Twitter 上谈到了这样一个概念：如果把人生看作一场「资产配置」，这个世界上有两种非对称机会：第一种是高风险，低回报的机会，第二种是低风险，高回报的机会。

要想提高人生的投资回报率，我们的目标是寻求第二种，即那种「失败了损失很低，但一旦成功回报巨大」的机会。

举例来说，这些机会包括：

1）创办公司 

公司使用了资本，劳动力等生产要素，它本身具备的杠杆属性，比单纯投资自己收益更大。所以，一艘好船能把你带到一个新的水平面上。

2）创作 (书/播客/视频/运营社交媒体/编写软件，whatever) 

这些都是影响面极广，但分发成本极低的事情。它们可以增大你的「幸运表面积」。

3）多多参加活动 「你的身价就是你人际关系的总和」

你永远也不知道改变你一生命运的贵人是在哪个鸡尾酒会里碰上的。

4）主动开启第一次约会 

主动表白存在巨大的不对称上升空间。你可能当场觉得有点尴尬，并且从此你们的相处都有点尴尬，但也可能，这就是一辈子的开始。

5）搬到大城市 

Paul Graham 有一篇非常经典的文章，伟大的城市吸引了一群野心勃勃的人。当你在大城市中走动的时候，你能不经意地察觉到一种氛围。它会以一百种微妙的方式向你发送一个信号：你可以做得更多，你可以做得更好。

成长

不要落入从别人的成功中吸取错误经验的陷阱 | Benchmark 投资人 Sarah Tavel

在 Pinterest 的早期，我们的新增长团队正在更新我们的新用户体验 (NUX)，我当时也参与了其中。我记得当时工作的很大一部分是研究其它产品的 NUX，我像是拿着放大镜般地仔细研究 Instagram 的 NUX！

但说实话，最终我们推出了一个不是那么好的 NUX，数字指标给了我们答案，我们的增长团队必须重新做一遍。Pinterest 经历了一个超常增长但新用户体验表现不佳的时期。

几个月后，我想起了 Twitter 的 NUX，他们变得和 Pinterest 的 NUX 简直一模一样。当然，他们也要重做了。

这就像我们当时研究 Instagram 的时候一样，我们预先假设了它是用户体验里的 Top 1，正如 Twitter 看我们那样。

事实上，这种逻辑错误经常发生。一家公司成功，很容易假设该公司的所有细节都是成功的一部分。你可能渴望将自己限制在 Instagram 被收购时的员工数量，或者像 Gitlab 一样从一开始就建立一个完全分布式的团队，但除非你能够从基本原理上理解这个决定对你来说是否是正确的决定，否则记得不要盲目接受它。

寻找学习曲线陡峭的工作

回顾过去，我意识到学习曲线的双维性混淆了两个事物：我能够学习的速度以及工作能够教授的速度。

往往而言，工作能够教授的速度是拖慢一个人学习曲线的因素，而不是相反。我将这视为工作的“学习周期”。

在一个快速增长的初创公司中，你的学习周期是极其快的。例如，在 Pinterest，特别是在初期，如果我有一个想要测试的假设，我可以迅速推出一个实验，因为我们已经拥有一个非常活跃的用户群体，我可以在一两周内从结果中学到东西。基本上，我的学习周期是你可以期望的最快的，这意味着我能在很短的时间内累积大量的学习经验。

另一方面，我经常面试像在微软这样的大公司中工作的产品经理候选人，我总是对他们在多年的经验中实际上能够做多少产品管理的工作感到惊讶。他们可能需要数年的时间才能推出一个功能，尽管过程中会有很多职位晋升。

这似乎有点违反直觉，但一个全新的初创公司实际上可能比一个已经是“火箭”的初创公司具有更慢的学习周期。因为在找到 PMF 之前，需要在沙漠中徘徊许多时间。

如何获得超越线性的回报？

Paul Graham 提到线性的增长是无法获得超额回报的。

超线性的回报往往都不是和“你的付出”成正比的，这也 echo 到我之前读过的一本书 10x is easier than 2x，在这里也推荐给大家：2x 的增长是线性的，要继续增长需要更多的努力。这是更加辛勤地工作，而不是更聪明地工作；10x 的增长是非线性的，巨大的增长并不需要更多的努力，而往往需要更少的努力，但要做得更好。

Paul 还提到今时不同往日，现在是一个不再需要通过加入知名组织 / 机构才能获取所需资源、实现超额增长的时代。现在有更多的人可以像 20 世纪的艺术家和作家一样拥有自由，有很多雄心勃勃的项目不需要太多的初始资金。

除此之外，Paul 还讲到了如何寻找能获得超线性回报的领域，以及什么样的人能够获得超线性回报：寻找那些只有少数玩家胜过其他人的领域。如果在一个每个人表现都差不多的领域，不太可能存在超线性回报。

一开始你的成绩肯定会微不足道，但超线性回报的奖励曲线上升会非常陡峭。再次提到了这句耳熟能详的硅谷信条：Do things that don’t scale, 在最开始专注于一小部分客户，你将通过口碑传播获得指数级增长，同理学习、科研、投资亦如此。

说了这么多，对我最有感触的还是这句话：不要把 work 等同于一份 job，要被好奇心驱使，而不是职业主义；要给予你的好奇心自由发挥，而不是只做你应该做的事情。

如何做出伟大的事业？

你选择的工作需要具备三个特质：首先，它必须是你天生擅长的；其次，你对此有浓厚兴趣；最后，它提供了实现卓越成就的空间。

在实践中，第三个条件并不需要过多担心。因为有野心的人在这方面已经非常保守了，所以你需要做的就是找到你有天赋和浓厚兴趣的东西。

听起来很简单，但实际上往往相当困难。当你年轻的时候，你不知道自己擅长什么，或者不同种类的工作是什么样子的，你最终从事的一些工作甚至可能还不存在。所以虽然有些人在14岁就知道自己想做什么，但大多数人还需要摸索。

找出要从事什么工作的方法是通过工作。如果你不确定该从事什么工作，那就猜一下，选择一个并开始行动。你可能有时会猜错，但没关系。了解多个领域是很好的事情，因为最大的发现来自于注意到不同领域之间的联系。

养成开展自己的项目的习惯。不要让“工作”成为其他人告诉你要做的事情。如果你某天成功地完成了一项伟大的工作，那很可能是你自己的项目。它可能是在某个更大的项目中，但你会推动其中的一部分。

当阅读成功者传记时，我们会惊讶地发现其中涉及了多少运气成分。他们通过偶然相遇或者阅读碰巧拿起来的书籍来确定要从事何项工作。因此，你需要使自己成为运气的大目标，而实现这一点的方法就是保持好奇心。尝试很多事情，结识很多人，阅读很多书籍，提出很多问题。

如果你发现自己对不同的事物感兴趣，不要担心与其他人有所不同。你越是对有趣的东西有奇怪的品味，就越好。奇怪的品味通常意味着强烈的兴趣，而对工作有强烈兴趣意味着你会很有成效。如果你在少数人未曾涉及过的领域寻找新事物，那么你更有可能发现新鲜事物。

也许有些工作需要你在讨厌的事情上勤奋地工作几年，然后才能进入好阶段，但这并不是伟大工作发生的方式。伟大的工作是通过持续专注于自己真正感兴趣的事物而实现的。当你停下来回顾时，会惊讶地发现自己已经走了很远。

我没事，公牛死了

在 Hacker News 上刷到的一篇很有意思的短文。

内容其实和公牛关系不大，主要讲了这样一件事：在工作中汇报要用金字塔风格，即结论先行，事实和细节随后。这与学术论文写作截然相反，后者往往是陈述问题，列出事实和细节，进而开始讨论，最后才给出结论。

但如果适应了前者，在工作中其实会大大提高信息的清晰度和节省表达观点的时间，减少不必要的解释。

具体操作步骤：

1）Punch line 结论。不能包含形容词、副词等修饰语。比如：未能按计划完成任务。
2）Current status 现状。回答“为什么没能按计划完成”。
3）Next steps 后续步骤（如有）。
4）Explanation 原因解释。

如此一来，便可以避免工作汇报最开始的冗长的原因解释，直击事件本质。

于是作者把这套工作沟通流程传授给了儿子，便有了这篇短文的滑稽标题：“我没事，公牛死了”。

在一个暴风雨的夜晚，作者的儿子独自开车驾驶在夜路上，作者和孩子母亲在家接到了儿子的电话：“我没事，公牛死了；这辆车损坏了，但还能开。”

猴子在谁的肩膀上？| 哈佛商业评论经典

Who’s got the monkey 这篇文章是 1974 年首发于 Havard Business Review，评论热度和欢迎度只增不减。二十年后又重刊了这篇经典文章，目前依然位居最受欢迎文章之列。

这篇文章的核心观点是：一件事情如果想要不断推进，一定是反复有人在对每一件子事件的结果负责。

每一个子事件就是文章里提到的 monkey (猴子)，背着猴子的人便是对此负责的 owner (员工)。反复地把猴子移交给不同的人，让这个猴子始终处于“被背着的状态”，这件事便可以被持续地推进下去。

Benchmark 传奇投资人 Bill Gurley 给年轻人的建议

这是硅谷传奇投资人、Benckmark 基金老前辈 Bill Gurley 于 2018 年在德州大学商学院的演讲，题为 Runnin’ Down a Dream: How to Succeed and Thrive in a Career You Love, 如何在你所热爱的职业道路上取得成功。

1）找到你的激情所在

职业选择中最重要的因素是对该职业有激情，这种激情必须是你独立于外部影响（父母、社会、朋友）的激情。

很多时候，人们追逐与声望和地位相关的职业，但如果你对这项工作没有激情，你将会精疲力尽。

此外，对于每个职业来说，总会有其他热衷于这项工作的人，他们会因为对他们来说这不是工作，所以会比你付出更多努力。

换句话说，激情决定成功。激情导致努力工作，因为它不是工作，而是一种愉快的活动。

判断你是否对某个职业有真正激情的试金石在于你是否享受实践，而不仅仅是结果，也就是日复一日的苦工。

2）磨练你的技艺

对于与你的技艺有关的一切事物要偏执地追求：从该行业的历史开始。了解前辈，了解它们的成长轨迹，并与该行业的其他人使用共同的语言交流。

你的目标应该是在这个领域比世界上任何其他人都更了解。Bob Dylan 在民谣音乐方面做到了这一点，Bob Knight 在篮球方面做到了这一点，Danny Meyer 在烹饪方面做到了这一点。

你不能保证自己在任何一个行业里都是最聪明的，但你可以保证自己是世界上对该行业最有知识的人。

简而言之，成功取决于学习。伟大不是随机的，而是通过努力获得的。在当今这个时代，这一点尤为真实，因为 Google 上的信息是如此丰富且免费，但几乎没有人能够利用好它。

3）在你的领域中找到你的导师

确保识别出你所感兴趣行业的领军人物，并尽一切必要的努力与他们取得联系。在这些会议中，可以辩论问题，向他们学习，记录你听到的内容，并与他人分享这些见解。

最重要的是，努力寻找对你的发展和成功感兴趣的导师，并通过持续的接触点与他们保持联系：给他们发送便签，告诉他们你如何运用他们的建议取得成功，并送些小礼物给他们。利用 “美国偶像效应”（人们支持他们选择的人）来让导师对你产生兴趣。无论你有多成功，这个过程都应该贯穿你的一生。

4）和同行建立联系

与你一同旅程的人建立关系，这是产生和完善想法的方式。社交网络就是与有共同点的人建立联系。（不一定总是职业方面的，从其他领域的人身上也可以学到很多东西）

与这些同行分享最佳实践（任何有价值的内容），不要担心保密知识：知识的分享会带来多重回报。我见过身边太多同龄人因为害怕自己所分享的东西会让别人比自己更优秀，而感到很抵触、不愿意帮助别人。

确保帮助你的同行，并像庆祝自己的成就一样庆祝他们的成就。

关于社交媒体，可以在 LinkedIn 上与他人建立联系，但要有选择性，以便与那些你愿意信任其建议的人建立联系。此外，可以使用 Twitter。在任何领域，50-80% 的思想领袖都在 Twitter 上分享观点，这是你可以参与并在幸运的情况下可以通过直接消息直接联系的对话。

5）时刻保持感激和谦卑

将大部分功劳归功于帮助过你的人，因为这会让你成为一个更好的人，也是正确的做法。

在可能的时候表达感激之情，向所有帮助过你的人发送礼物、信件和推文。用 Danny Meyer 的话来说，给予更多，会得到更多。

Peter Thiel 9 年前在 Reddit 上的 AMA

9 年前，Peter Thiel 在 Reddit 上发起了一场 Ask Me Anything，网友们向他抛出了各种各样的问题，关于 AI、关于创业、关于人生，现在回看，其中的很多回应依然历久弥新。

以下是我们最喜欢的几个小片段：

Q: 如果只给创始人一条建议，你会说什么？
A: 先专注于一个小的利基市场，霸占住它。

Q: 你史上最差的一笔投资是什么？你从中学到了什么？
A: 我人生最大的错误是当时错过了 Facebook 的 B 轮投资。我事后总结，当一个科技公司在某一轮估值突然大幅上涨 (并且是由头部投资人或孵化器领投) 的时候，这家公司通常还是被人们低估了。而且，涨幅越大，被低估的程度越大。

Q: 对你来说，最难克服的思维偏误是什么？
A: 即便你能理性地认识到指数增长的运作原理，你仍然会低估它。PayPal 在刚刚推出时以 7%/天的速率保持高速增长（1999年10月的24个用户 → 2000年4月的一百万用户），但我们当时完全没有意识到自己坐在怎样一艘火箭上。

Q: 在什么事情上，你和大多数人的看法相反？
A: 大多数人会把「资本主义」和「竞争」视作同义词，但我认为它俩是反义词。在完全竞争的资本主义市场中，资本家是无法积累到资本的，所有的资本都会因为竞争而被压榨殆尽。举个例子，旧金山的餐馆是非常有竞争力但是又是非常不挣钱的，相反，Google 是非常资本化但同时又不面临太大竞争的。