公司正在变成一串嵌套的 loop，但 loop 只能爬到局部最优
prompt 之后是 agent，agent 之后是 loop。loop 会帮你爬到局部最大值然后平台化，这时需要人的直觉帮你落到下一座山的山脚。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
太小的想法现在没人投
Anish 说三年前如果一家公司想做的事太宏大，a16z 会不投；今天反过来了——太小、太局部的想法他们不想碰。原因是模型能力把「能不能做」的门槛拆掉了，剩下的约束是野心本身。他把这称为技术「把技能和欲望解绑」：不只是生产力能被放大，想做的事的规模也能被放大。
— Anish Acharya不是递归自我改进，是自催化
Anish 反驳「快速起飞」叙事：实验室里最懂的人说的不是 RSI（递归自我改进），而是 autocatalytic effects——用新技术改进自己的流程，但并不真正递归。他给的两个反证：一是经济扩散极慢，他回老家发现人们的生活没怎么变；二是很多问题根本不是 intelligence bound，给 FedEx 或 Domino's 一个装满博士的数据中心，也不会让供应链和披萨指数级碾压。
— Anish Acharya用 AI 和围绕 AI 重组是两件事
Anish 用电力扩散做类比：从电的发明到工厂真正重组，花了 40 年，而且意味着烧掉旧厂房重建，而不是把煤换成电。今天最激进的公司围绕模型重新设计一切，稍慢的公司只是给现有岗位和职能开权限。他还举了墨西哥二手车公司 Kavak 的 Jedi Academy：六周课程教包括机修工在内的全员用新工具，结业时每人交付一个生产环境里的 agent。
— Anish Acharya公司会变成一串嵌套的 loop
Anish 的 steel man：prompt 之后是 agent（模型加工具、记忆、技能文件的循环），agent 之后是 loop（一组 agent 做任务）。coding 之所以先跑通，是因为模型最好、用户最懂技术、且已有成熟 loop——bug 报告进来、生成复现、修复、高风险人工确认、低风险直接上线、甚至自动回信告知客户。往上还有 loop per person、loop per job function、跨业务单元的 loop，直到能跑公司大部分环节的 loop。
— Anish Acharyaloop 只能爬到局部最优就停
增长团队的 loop 版本：每个变体自动生成、自动测量，达到统计显著就收敛上线，留长期 holdout，然后开始下一个实验。但 Anish 强调 loop 会撞上局部最大值然后平台化，这时需要 out of distribution thinking 和人的直觉，帮你落到下一座山的山脚。他的例子是让 Claude「帮我赚一百万、不许犯错」——它做不到，因为方向得由人来定。
— Anish Acharya前沿模型定价其实不理性
Anish 用帕累托效率解释模型选择：前沿模型在价格性能曲线上是「不理性定价」的——多一个 IQ 点，可能要比 Opus 贵 100 倍。但对药物发现这类上行空间无界的行业，多这一个 IQ 点可能值一个万亿美元的结果，所以付这个价是理性的；而法律、财务这类上行有界的工作，你只想帕累托高效，用便宜够用的开放权重模型。结论是两种架构会并存，不是二选一。
— Anish Acharya人们想花时间，不是省时间
Anish 说「loop, make me happier」才是大机会：人们嘴上想更高效，实际更想花时间——世界上最大的产品是娱乐和社交，不是效率工具。他区分两种用户：X 上的 AI 用户恐惧掉进永久底层、对 GLM 和 Kimi 谁强吵得不可开交；Instagram 用户只觉得「这是个更好的 Google 搜索」。他认为这不是模型或能力问题，是产品设计问题：过去 40 年我们造的是延伸智力的技术，没有造延伸灵魂的东西。
— Anish Acharya消费级 AI 还停在 iPhone 2010 年
Anish 把当下类比成 iPhone 2010 年——Airbnb、WhatsApp、Uber 都还没出现。卡住消费级的三件事：模型太贵，做免费产品不容易；界面问题，chat 只适合 Elon、Sam 这种「世界上能动性最高的人」，普通消费者的理想界面是 TikTok，需要找到 chat 和 TikTok 之间的东西；技术过去太偏生产力，而不是人的连接和娱乐。他认为这三件事现在都在松动：开放权重模型让成本大幅下降，Eugenia 这类创始人在认真想界面，Brian Chesky 也办了一个专注下一代界面的 lab。
— Anish Acharya赌注高的时候人最强，赌注低时最差
Anish 的一个理论：stakes 高的时候我们很棒，stakes 低的时候我们处于绝对最差状态。五年前的世界感觉是个低赌注世界，所以整个社会集体搞了很多副业项目，既不产出也不让人更快乐。现在每个人都感觉在爬野心的梯子。他引用 GDP 增长长期困在 2% 的泥潭，反问谁说我们必须待在那里，为什么不能是 10%、15%、20%。他还说 AI 把技能和欲望解绑：想做音乐不必会弹钢琴，想做软件不必是程序员。
— Anish Acharya让重要的事变便宜，是 AI 最好的公关
Anish 认为改变 AI 舆论最重要的事是让重要东西变便宜。美国有两样极重要且越来越贵的东西：医疗和教育。医疗里 45% 是行政成本，把行政负担拿掉就能看到医疗成本通缩；教育则面临 200 年来最强的竞争，会把学习和机构解绑，也会把身份和文凭解绑——你不需要哈佛学位。他还提出一个观察：revealed preferences 显示个人体验在变好，stated preferences 显示人们认为社会层面在变糟。问要不要在自家附近建数据中心，多数说不；问今天用不用 ChatGPT，多数说用。
— Anish Acharya「太危险不能发布」混了营销和算力
对 OpenAI 放慢 RL 训练、以及「模型太危险所以不发布」的说法，Anish 表示怀疑。他认为 Anthropic 从「模型太危险不能发布」里获得的 aura 极其巨大，但背后可能有 GPU 短缺、能力其实没到、或者就是想把这个专有模型留在内部延长领先等混淆因素。他说这个概念把营销、推理算力和经济考量混在一起——你到底是想把竞争优势外部化，还是用它让自己更强。他认真对待进攻性网络攻击这一点：在让系统变得容易被攻破之前，应该先把所有系统加固。
— Anish Acharya护城河是被发现的，不是被设计出来的
Anish 引 Decagon 的 Jesse：护城河多数是被发现的，不是被设计出来的。他做创始人时也犯过这个毛病，非要憋出一个能扛住 MBA 和 BCG 审视的商业计划。Cursor 就是例子：早期被批评没有护城河，但高 NPS 的 DAU 产品本身很好，后来他们积累了全部推理轨迹、训练出自己的 Composer 模型。他还说经典护城河没有一条建立在「软件有多难做」上——网络效应、规模优势、品牌、专有数据、被历史称为 cornered resource 的东西，五年前的护城河今天依然是护城河。
— Anish Acharya没有增长问题，只有产品问题
Anish 说现在没人有增长问题，只有产品问题。理由是你可以做出任意方向上都极其有野心的产品，功能性的或情感性的，并且可以收很多钱。他的挑战是：到底是增长问题，还是我们集体想象力的失败？如果想象你的产品一个月收一千美元、一万美元，如果它是软件界的 Birkin bag，它得做到什么才配得上这个价？他还说现在对创业公司更容易而不是更难：Gemini 尽管有 Google 大量交叉销售，没人会说它赢了；创业公司可以往在位者不舒服的方向建，比如 companion；价格可以很高，人们愿意一个月付 200 美元，企业愿意在不太清楚拿到什么的情况下签百万美元 ACV 合同。
— Anish Acharya让 AI 改变你的开关是「快乐」
Anish 说，他观察到人们对 AI 的态度会翻转，触发点往往不是效率提升，而是 AI 为他们创造了某个快乐时刻。他举的例子是母亲节的一个点子——先问自己「如果这件事成了，什么会让我开心」，或者「我能为别人做点什么」。他把这当成一个可操作的起点：不要从技术能力出发找场景，从能带来 joy 的具体事情出发。
— Anish Acharya他推荐的三本书都在讲同一件事
Anish 最常推荐的三本书：Thomas Sowell 的 Conquest and Cultures，讲征服如何改变各地文化，他认为这是「文化是结果最大驱动力」的最佳历史视角，也对应他自己从加拿大搬到美国后感受到的野心文化差异；Seven Powers，关于护城河与复利优势的商业理论；以及 Mark 推荐给他的教科书 Increasing Returns to Scale（作者 Brian Arthur），一本略密的、解释为什么软件这类东西有极端经济效应的研究。他说这三本帮他理解「为什么我们这个行业是这样运转的」。
— Anish Acharya他用 Grokbot 抢 IMAX 票，卡在验证码
Anish 说他一直抢不到 Odyssey 的 IMAX 票，于是让一个 Grokbot 持续盯着售票网站帮他找好座位。但 AMC 网站上的验证码挡住了它——要点击三个匹配的形状。Lenny 追问是不是选水果那种，Anish 说就是这种，「拜托，这你都做不了？」这段是整集里最具体的 agent 落地案例：真实任务、真实失败点。
— Anish AcharyaGrokbot 让他怀疑模型不是两强竞赛
被问最喜欢的 AI 产品，Anish 选了 Grokbot，理由是它「如此不设防地」去缓存凭证、替你完成任务——他说他期待创业公司这么干，但没想到大公司会做这种事。他认为它有深思熟虑的 UI 和强大的基础模型，并由此得出一个判断：也许模型侧并不是一场两匹马的竞赛。
— Anish Acharya别同时做产品和平台
Anish 的人生信条来自创业经历：不要通过痛苦的亲身经历去发现别人一句话就能告诉你的事。他给孩子的版本是「别碰热炉子」，给创业者的版本是「不要同时造一个产品和一个平台」。他的第一家公司既想做手游社交平台又想做游戏工作室，有人当场劝他：做工作室已经够难了，还同时做平台，选一个。他们没听，花了好几年才搞明白自己错了。
— Anish Acharya磁带才是音乐史上真正的分水岭
Anish 玩了 31 年 DJ（从 95 年开始），他认为 DJ 加音乐模型是新的表达方式：你出想法，模型做重活。他给了一段音乐媒介史——最早只能听现场演奏，然后有了留声机上的录音，真正的转折是磁带，因为那是人第一次能自己「创作」、编排自己的专辑。他认为 2000 年代音乐业的困境正是因为这一点消失、退回广播模式；现在人们重新开始做音乐，音乐产业会比以往任何时候都大。
— Anish Acharya原话 · 已逐字校验
It kind of unbundles skill from desire. Not only can we dramatically drive productivity, we can dramatically drive ambition.
它把技能和欲望解绑了。我们不仅能大幅提升生产力，还能大幅提升野心。
Anish Acharya0:00
if you ask the most sophisticated individuals at the labs, it's not actually RSI that's occurring, which could lead to some sort of runaway winner because they were an epsilon ahead of the others. It's autocatalytic effects, which just means you're using the new technology to improve your process, but it's not truly recursive.
如果你去问实验室里最懂的那批人，实际发生的并不是 RSI——那种因为比别人领先一个 epsilon 就产生失控赢家的东西。它是自催化效应，意思是你用新技术改进自己的流程，但它并不是真正递归的。
Anish Acharya6:10
the loop will help you climb to the local maxima, but then it plateaus. And you need some sort of out of distribution thinking. You need human intuition. You need somebody to actually help you land at the base of the next hill.
loop 会帮你爬到局部最大值，然后就平台化了。你需要某种分布外思考，需要人的直觉，需要有人真正帮你落到下一座山的山脚。
Anish Acharya14:18
And one of my theories, Lenny, is that like when the stakes are high, we are awesome. When the stakes are low, we are at our absolute worst.
我的一个理论是，Lenny，当赌注很高时，我们非常出色。当赌注很低时，我们处于绝对最差的状态。
Anish Acharya37:58
moats are most often discovered, not designed
护城河多数是被发现的，不是被设计出来的。
Anish Acharya53:29
I always say that nobody has a growth problem these days. They have a product problem.
我一直说，如今没有人有增长问题。他们有产品问题。
Anish Acharya59:49
I think it also is like, okay, wait, maybe this is not a two horse race on the sort of model side.
我觉得它也在说，等等，也许模型这一侧并不是一场两匹马的竞赛。
Anish Acharya1:13:30
don't discover things through painful experience that somebody can just tell you
不要通过痛苦的亲身经历去发现别人一句话就能告诉你的事。
Anish Acharya1:14:31
The big change in music actually from a medium perspective was the cassette tape because the cassette tape was really the first time you could create, right?
从媒介的角度看，音乐真正的大变化其实是磁带，因为磁带是第一次你可以创作，对吧？
Anish Acharya1:15:32
数字与实体
| 电力从发明到工厂重组耗时 | 40 年 | 8:16 |
| Kavak Jedi Academy 课程时长 | 六周 | 8:16 |
| 前沿模型每多一个 IQ 点的价格倍数 | 100 倍（相对 Opus） | 21:32 |
| 医疗支出中行政成本占比 | 45% | 40:00 |
| 长期 GDP 增速 | 2% | 37:58 |
| 消费者订阅价格 | 200 美元/月 | 59:49 |
| DJ 年限 | 31 年（从 95 年开始） | 1:15:32 |
术语
- autocatalytic effects自催化效应
- 用新技术改进自己的流程，但不是真正递归的自我改进。
- RSI递归自我改进
- 模型能改进自己、从而产生失控赢家的假设。
- out of distribution thinking分布外思考
- 跳出已有数据分布、找到下一座山的思考方式。
- cornered resource被独占的资源
- 被历史称为护城河之一的专有资源。
- revealed preferences显示性偏好
- 从实际行为推断出的偏好，而非口头声称的。
- stated preferences陈述性偏好
- 人们口头表达的偏好，可能与实际行为不一致。
收听指南
关注 agent 落地、模型定价和消费级 AI 的创业者与投资人，尤其适合正在设计产品 loop 或思考护城河的人。
1:11:20 推荐书单和 1:15:32 音乐史可跳过。