公司正在變成一串嵌套的 loop，但 loop 只能爬到局部最優
prompt 之後是 agent，agent 之後是 loop。loop 會幫你爬到局部最大值然後平臺化，這時需要人的直覺幫你落到下一座山的山腳。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
太小的想法現在沒人投
Anish 說三年前如果一家公司想做的事太宏大，a16z 會不投；今天反過來了——太小、太局部的想法他們不想碰。原因是模型能力把「能不能做」的門檻拆掉了，剩下的約束是野心本身。他把這稱為技術「把技能和慾望解綁」：不只是生產力能被放大，想做的事的規模也能被放大。
— Anish Acharya不是遞歸自我改進，是自催化
Anish 反駁「快速起飛」敘事：實驗室裡最懂的人說的不是 RSI（遞歸自我改進），而是 autocatalytic effects——用新技術改進自己的流程，但並不真正遞歸。他給的兩個反證：一是經濟擴散極慢，他回老家發現人們的生活沒怎麼變；二是很多問題根本不是 intelligence bound，給 FedEx 或 Domino's 一個裝滿博士的數據中心，也不會讓供應鏈和披薩指數級碾壓。
— Anish Acharya用 AI 和圍繞 AI 重組是兩件事
Anish 用電力擴散做類比：從電的發明到工廠真正重組，花了 40 年，而且意味著燒掉舊廠房重建，而不是把煤換成電。今天最激進的公司圍繞模型重新設計一切，稍慢的公司只是給現有崗位和職能開權限。他還舉了墨西哥二手車公司 Kavak 的 Jedi Academy：六週課程教包括機修工在內的全員用新工具，結業時每人交付一個生產環境裡的 agent。
— Anish Acharya公司會變成一串嵌套的 loop
Anish 的 steel man：prompt 之後是 agent（模型加工具、記憶、技能文件的循環），agent 之後是 loop（一組 agent 做任務）。coding 之所以先跑通，是因為模型最好、用戶最懂技術、且已有成熟 loop——bug 報告進來、生成復現、修復、高風險人工確認、低風險直接上線、甚至自動回信告知客戶。往上還有 loop per person、loop per job function、跨業務單元的 loop，直到能跑公司大部分環節的 loop。
— Anish Acharyaloop 只能爬到局部最優就停
增長團隊的 loop 版本：每個變體自動生成、自動測量，達到統計顯著就收斂上線，留長期 holdout，然後開始下一個實驗。但 Anish 強調 loop 會撞上局部最大值然後平臺化，這時需要 out of distribution thinking 和人的直覺，幫你落到下一座山的山腳。他的例子是讓 Claude「幫我賺一百萬、不許犯錯」——它做不到，因為方向得由人來定。
— Anish Acharya前沿模型定價其實不理性
Anish 用帕累托效率解釋模型選擇：前沿模型在價格性能曲線上是「不理性定價」的——多一個 IQ 點，可能要比 Opus 貴 100 倍。但對藥物發現這類上行空間無界的行業，多這一個 IQ 點可能值一個萬億美元的結果，所以付這個價是理性的；而法律、財務這類上行有界的工作，你只想帕累托高效，用便宜夠用的開放權重模型。結論是兩種架構會並存，不是二選一。
— Anish Acharya人們想花時間，不是省時間
Anish 說「loop, make me happier」才是大機會：人們嘴上想更高效，實際更想花時間——世界上最大的產品是娛樂和社交，不是效率工具。他區分兩種用戶：X 上的 AI 用戶恐懼掉進永久底層、對 GLM 和 Kimi 誰強吵得不可開交；Instagram 用戶只覺得「這是個更好的 Google 搜索」。他認為這不是模型或能力問題，是產品設計問題：過去 40 年我們造的是延伸智力的技術，沒有造延伸靈魂的東西。
— Anish Acharya消費級 AI 還停在 iPhone 2010 年
Anish 把當下類比成 iPhone 2010 年——Airbnb、WhatsApp、Uber 都還沒出現。卡住消費級的三件事：模型太貴，做免費產品不容易；界面問題，chat 只適合 Elon、Sam 這種「世界上能動性最高的人」，普通消費者的理想界面是 TikTok，需要找到 chat 和 TikTok 之間的東西；技術過去太偏生產力，而不是人的連接和娛樂。他認為這三件事現在都在鬆動：開放權重模型讓成本大幅下降，Eugenia 這類創始人在認真想界面，Brian Chesky 也辦了一個專注下一代界面的 lab。
— Anish Acharya賭注高的時候人最強，賭注低時最差
Anish 的一個理論：stakes 高的時候我們很棒，stakes 低的時候我們處於絕對最差狀態。五年前的世界感覺是個低賭注世界，所以整個社會集體搞了很多副業項目，既不產出也不讓人更快樂。現在每個人都感覺在爬野心的梯子。他引用 GDP 增長長期困在 2% 的泥潭，反問誰說我們必須待在那裡，為什麼不能是 10%、15%、20%。他還說 AI 把技能和慾望解綁：想做音樂不必會彈鋼琴，想做軟件不必是程序員。
— Anish Acharya讓重要的事變便宜，是 AI 最好的公關
Anish 認為改變 AI 輿論最重要的事是讓重要東西變便宜。美國有兩樣極重要且越來越貴的東西：醫療和教育。醫療裡 45% 是行政成本，把行政負擔拿掉就能看到醫療成本通縮；教育則面臨 200 年來最強的競爭，會把學習和機構解綁，也會把身份和文憑解綁——你不需要哈佛學位。他還提出一個觀察：revealed preferences 顯示個人體驗在變好，stated preferences 顯示人們認為社會層面在變糟。問要不要在自家附近建數據中心，多數說不；問今天用不用 ChatGPT，多數說用。
— Anish Acharya「太危險不能發布」混了營銷和算力
對 OpenAI 放慢 RL 訓練、以及「模型太危險所以不發布」的說法，Anish 表示懷疑。他認為 Anthropic 從「模型太危險不能發布」裡獲得的 aura 極其巨大，但背後可能有 GPU 短缺、能力其實沒到、或者就是想把這個專有模型留在內部延長領先等混淆因素。他說這個概念把營銷、推理算力和經濟考量混在一起——你到底是想把競爭優勢外部化，還是用它讓自己更強。他認真對待進攻性網絡攻擊這一點：在讓系統變得容易被攻破之前，應該先把所有系統加固。
— Anish Acharya護城河是被發現的，不是被設計出來的
Anish 引 Decagon 的 Jesse：護城河多數是被發現的，不是被設計出來的。他做創始人時也犯過這個毛病，非要憋出一個能扛住 MBA 和 BCG 審視的商業計劃。Cursor 就是例子：早期被批評沒有護城河，但高 NPS 的 DAU 產品本身很好，後來他們積累了全部推理軌跡、訓練出自己的 Composer 模型。他還說經典護城河沒有一條建立在「軟件有多難做」上——網絡效應、規模優勢、品牌、專有數據、被歷史稱為 cornered resource 的東西，五年前的護城河今天依然是護城河。
— Anish Acharya沒有增長問題，只有產品問題
Anish 說現在沒人有增長問題，只有產品問題。理由是你可以做出任意方向上都極其有野心的產品，功能性的或情感性的，並且可以收很多錢。他的挑戰是：到底是增長問題，還是我們集體想像力的失敗？如果想像你的產品一個月收一千美元、一萬美元，如果它是軟件界的 Birkin bag，它得做到什麼才配得上這個價？他還說現在對創業公司更容易而不是更難：Gemini 儘管有 Google 大量交叉銷售，沒人會說它贏了；創業公司可以往在位者不舒服的方向建，比如 companion；價格可以很高，人們願意一個月付 200 美元，企業願意在不太清楚拿到什麼的情況下籤百萬美元 ACV 合同。
— Anish Acharya讓 AI 改變你的開關是「快樂」
Anish 說，他觀察到人們對 AI 的態度會翻轉，觸發點往往不是效率提升，而是 AI 為他們創造了某個快樂時刻。他舉的例子是母親節的一個點子——先問自己「如果這件事成了，什麼會讓我開心」，或者「我能為別人做點什麼」。他把這當成一個可操作的起點：不要從技術能力出發找場景，從能帶來 joy 的具體事情出發。
— Anish Acharya他推薦的三本書都在講同一件事
Anish 最常推薦的三本書：Thomas Sowell 的 Conquest and Cultures，講征服如何改變各地文化，他認為這是「文化是結果最大驅動力」的最佳歷史視角，也對應他自己從加拿大搬到美國後感受到的野心文化差異；Seven Powers，關於護城河與複利優勢的商業理論；以及 Mark 推薦給他的教科書 Increasing Returns to Scale（作者 Brian Arthur），一本略密的、解釋為什麼軟件這類東西有極端經濟效應的研究。他說這三本幫他理解「為什麼我們這個行業是這樣運轉的」。
— Anish Acharya他用 Grokbot 搶 IMAX 票，卡在驗證碼
Anish 說他一直搶不到 Odyssey 的 IMAX 票，於是讓一個 Grokbot 持續盯著售票網站幫他找好座位。但 AMC 網站上的驗證碼擋住了它——要點擊三個匹配的形狀。Lenny 追問是不是選水果那種，Anish 說就是這種，「拜託，這你都做不了？」這段是整集裡最具體的 agent 落地案例：真實任務、真實失敗點。
— Anish AcharyaGrokbot 讓他懷疑模型不是兩強競賽
被問最喜歡的 AI 產品，Anish 選了 Grokbot，理由是它「如此不設防地」去緩存憑證、替你完成任務——他說他期待創業公司這麼幹，但沒想到大公司會做這種事。他認為它有深思熟慮的 UI 和強大的基礎模型，並由此得出一個判斷：也許模型側並不是一場兩匹馬的競賽。
— Anish Acharya別同時做產品和平臺
Anish 的人生信條來自創業經歷：不要通過痛苦的親身經歷去發現別人一句話就能告訴你的事。他給孩子的版本是「別碰熱爐子」，給創業者的版本是「不要同時造一個產品和一個平臺」。他的第一家公司既想做手遊社交平臺又想做遊戲工作室，有人當場勸他：做工作室已經夠難了，還同時做平臺，選一個。他們沒聽，花了好幾年才搞明白自己錯了。
— Anish Acharya磁帶才是音樂史上真正的分水嶺
Anish 玩了 31 年 DJ（從 95 年開始），他認為 DJ 加音樂模型是新的表達方式：你出想法，模型做重活。他給了一段音樂媒介史——最早只能聽現場演奏，然後有了留聲機上的錄音，真正的轉折是磁帶，因為那是人第一次能自己「創作」、編排自己的專輯。他認為 2000 年代音樂業的困境正是因為這一點消失、退回廣播模式；現在人們重新開始做音樂，音樂產業會比以往任何時候都大。
— Anish Acharya原話 · 已逐字校驗
It kind of unbundles skill from desire. Not only can we dramatically drive productivity, we can dramatically drive ambition.
它把技能和慾望解綁了。我們不僅能大幅提升生產力，還能大幅提升野心。
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.
如果你去問實驗室裡最懂的那批人，實際發生的並不是 RSI——那種因為比別人領先一個 epsilon 就產生失控贏家的東西。它是自催化效應，意思是你用新技術改進自己的流程，但它並不是真正遞歸的。
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 會幫你爬到局部最大值，然後就平臺化了。你需要某種分布外思考，需要人的直覺，需要有人真正幫你落到下一座山的山腳。
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.
我的一個理論是，Lenny，當賭注很高時，我們非常出色。當賭注很低時，我們處於絕對最差的狀態。
Anish Acharya37:58
moats are most often discovered, not designed
護城河多數是被發現的，不是被設計出來的。
Anish Acharya53:29
I always say that nobody has a growth problem these days. They have a product problem.
我一直說，如今沒有人有增長問題。他們有產品問題。
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.
我覺得它也在說，等等，也許模型這一側並不是一場兩匹馬的競賽。
Anish Acharya1:13:30
don't discover things through painful experience that somebody can just tell you
不要通過痛苦的親身經歷去發現別人一句話就能告訴你的事。
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?
從媒介的角度看，音樂真正的大變化其實是磁帶，因為磁帶是第一次你可以創作，對吧？
Anish Acharya1:15:32
數字與實體
| 電力從發明到工廠重組耗時 | 40 年 | 8:16 |
| Kavak Jedi Academy 課程時長 | 六週 | 8:16 |
| 前沿模型每多一個 IQ 點的價格倍數 | 100 倍（相對 Opus） | 21:32 |
| 醫療支出中行政成本佔比 | 45% | 40:00 |
| 長期 GDP 增速 | 2% | 37:58 |
| 消費者訂閱價格 | 200 美元/月 | 59:49 |
| DJ 年限 | 31 年（從 95 年開始） | 1:15:32 |
術語
- autocatalytic effects自催化效應
- 用新技術改進自己的流程，但不是真正遞歸的自我改進。
- RSI遞歸自我改進
- 模型能改進自己、從而產生失控贏家的假設。
- out of distribution thinking分布外思考
- 跳出已有數據分布、找到下一座山的思考方式。
- cornered resource被獨佔的資源
- 被歷史稱為護城河之一的專有資源。
- revealed preferences顯示性偏好
- 從實際行為推斷出的偏好，而非口頭聲稱的。
- stated preferences陳述性偏好
- 人們口頭表達的偏好，可能與實際行為不一致。
收聽指南
關注 agent 落地、模型定價和消費級 AI 的創業者與投資人，尤其適合正在設計產品 loop 或思考護城河的人。
1:11:20 推薦書單和 1:15:32 音樂史可跳過。