2026-03-18 14:36:18
没有 PPT，没有脚本，甚至连提纲都没有。这期周末氛围直播的起因很简单——Indigo 的技术搭档 Neethan 飞来温哥华滑雪，结果遇上暴风雪，两个人窝在屋里，聊了两个月来最让他们兴奋也最让他们不安的事：Coding Agent 带来的 10 倍加速，正在改变软件生产的底层逻辑。
话题从杰文斯悖论聊到 Agent Infrastructure，中间穿插了两场现场 Demo——Telegram 接入本地 Claude Code，以及用 Pencil.dev 做 Vibe Design——都是真实项目，现场写、现场跑、现场翻车再现场修。两个小时下来，与其说是直播，不如说是一次关于「AI 到底改变了什么」的即兴对谈。
Indigo（数字镜像博主 / AI 科技投资人）
Neethan（Indigo 技术搭档 / 全栈工程师）
00:00:00 开场 - 周末氛围直播 & 嘉宾介绍
00:04:30 软件工程的杰文斯悖论：中小企业胆子变大了
00:11:00 Agent Infrastructure：为 Agent 而建的新基础设施
00:22:00 写作风格提取：让 AI 成为你的数字分身
00:38:00 实战 Demo #1：Telegram × Claude Code 桥接
00:51:00 插曲：Google DeepMind 论文 —— Agent 协作的未来
01:02:00 实战 Demo #2：Pencil.dev × Vibe Design
01:25:00 Telegram Bot 测试 & 研究能力演示
01:38:00 AI 使用的实用建议：别为了省 Token 用次级模型
01:45:00 软件的第四次进化：从 SaaS 到 AI + Context
01:58:00 总结与未来规划
以下是对本期直播的详细梳理
AI 让编程成本暴降，但软件工程师的需求不降反升。
Indigo 亮出一张 Indeed 的数据图：2025 年下半年起，开放的软件工程师职位数量持续走高。所有人都在喊「AI 要取代程序员」，数据讲的却是另一个故事。
这就是杰文斯悖论——一种资源的使用效率大幅提升时，总需求不降反升。电价越便宜用电量越大，AI Token 越便宜用得越多，软件工程也一样。
真正在变的不是需求量，而是需求来源。 过去一家 100-200 人的公司想做定制化 CRM 或 ERP，得养 10-20 人的研发团队，贵到只能买标准化 SaaS；现在有了 Coding Agent，1-2 个懂技术的人就能干原来一个团队的活。
Neethan 讲了个案例：他们拜访的一家温哥华本地金融公司，老板从来没想过要雇技术团队，现在开始认真考虑自建系统了——成本结构变了。这种事不是个例，采购 vs 自建的天平正在行业范围内倾斜。
裁员确实在发生，但不能全归因于 AI——疫情期间的超额雇佣、Block/Jack Dorsey 裁掉 40% 员工这类激进操作，都是混合因素。Indigo 建议跟踪 Shopify 的 Economy Index，比新闻标题靠谱得多。
说白了，职位名称会变——叫「AI Engineer」也好，叫「AI Master」也好——但需求本身不会消失。更重要的是，大量从未雇过技术人员的企业，第一次产生了软件定制的需求。这不是存量的重新分配，这是增量。
下一代基础设施的用户不是人类，是 Agent。这个市场才刚开始。
Indigo 提出了一个概念：AI Harness——你为 AI Agent 配置的工具集、环境和工作流的总和。这和传统 AI Infra（算力芯片、电力）不是一回事，AI Harness 关心的是沙盒、文件系统、权限管理、API 接口——是为 Agent 搭建运行环境。
软件正在经历一次分层重组：中间的逻辑层和 UI 层会逐渐消失，数据层和基础设施层还在；逻辑层被 AI 动态生成的代码取代，UI 层由 Agent 根据上下文实时渲染。
Indigo 的推理链很简洁：Everything is Software，AI can build all Software，所以 AI is Everything。听起来像口号，但 Claude Opus 4.5 发布后他们真实感受到了编程能力的跳跃——「从使用角度看，是 10 倍的提升」。
不过这种能力分布极不均匀：大概只有 1% 的人在用 Agent 框架，10% 在用付费 AI 对话工具，用户之间的能力差距可以拉到两年以上。Indigo 的原话：「AI is a reflection of the people who use it。」AI 是使用它的人的镜子。
那么问题来了——当 Agent 成为软件的核心使用者，我们要给它们建什么样的基础设施？
把你过去写的东西喂给 AI，它能提炼出你的写作风格，变成一个可复用的 Skill（技能包）。
Indigo 把自己 2021-2025 年写的 10 多篇文章丢给 Claude，让它提炼写作风格。Claude 总结出了 10 条特征：以宏大叙事开篇、精准落点、情绪弧线（好奇→质疑→认知→哲思）、擅用隐喻、始终回归个人视角。
这套风格指南存成了一个 Skill，以后任何通用内容都可以过一遍，转化成 Indigo 的语气和节奏。说白了，这是在构建数字分身的写作人格——不是让 AI 模仿你，而是让 AI 内化你的审美判断。
这里有个反直觉的原则：不要给 AI 规定路径，给它目标就够了。 Indigo 反复强调：「千万不要告诉 AI 第一步干什么第二步干什么。」AI 大概率比你更聪明，给太多约束反而拉低产出。人该做的是提供「噪音」和意外输入，防止 AI 陷入套路。他的原话：「现在的 AI，大家千万别再问提示词了，直接跟它说话就行。」
搭一个 Telegram Bot 桥接到本地 Claude Code，用手机远程控制 AI Agent——走的是订阅额度，不是按量计费的 API。
Neethan 从一个空文件夹开始，用自然语言描述了需求。Claude Code 先生成了一份规划文档，然后同时派出 3 个子 Agent 并行干活：一个研究 Claude Code 子进程机制，一个搭 Telegram Bot，一个对接 Vercel 的 Chat SDK。
几个工作流值得注意：用 Talon 语音输入快速口述指令，用 Superset 终端管理多个 Agent 会话，以及一个他们反复提到的习惯——「先规划后编码」，永远让 Agent 先出一份 Markdown 计划，确认了再动手。
Indigo 特别补了一句：不懂技术的人别被终端界面吓到——Claude Code 不只是编程工具，它更像一个通用的 AGI 工具；多个 Agent 通过共享文件系统协调，它们能看到彼此的工作成果。
未来的主要协作不是人和 Agent 之间的，而是 Agent 和 Agent 之间的。
Indigo 引用了 Google DeepMind 近期一篇关于 Agent 协作的论文，两个结论值得细想：第一，未来协作的主体是 Agent 与 Agent，不是人与 Agent；第二，在人机协作中，Agent 会指导人类——恰恰不是反过来。
Elon Musk 的 Optimus 工厂构想其实是同一个思路：一群机器人在地面干活，云端的 Grok 当「超级指挥官」统一调度——Agent Swarm 在物理世界的版本。
这个结论初听有些刺耳，但仔细想想：人类擅长的是定义目标和做出判断，Agent 擅长的是拆解任务和高效执行。让擅长执行的去调度执行流程，让擅长判断的专注判断——这不是被取代，这是各归其位。
AI 不只能写代码，还能直接做视觉设计——多个 Agent 在同一块画布上同时工作，实时生成品牌一致的界面。
Neethan 演示了 Pencil.dev——一个可以被 Claude Code 直接操控的可视化画布。他们提前构建了一套设计系统（VI/品牌识别），涵盖色彩、字体、间距、动效规则和设计哲学；Logo 和配色由人类设计师完成，其余全部交给 Claude。
Demo 里 Claude 被要求创建 3 个页面：Landing Page、博客/文章页、产品索引页。画面上 3 个 Agent「光标」同时在动——分别叫 Amber、Marriage 等——通过画布底部的文字互相沟通，字体、颜色、布局都严格跟着品牌规范走，图片由 Gemini 实时生成。
后面又追加了亮色主题和移动端响应式版本的需求，Agent 也顺利搞定，设计成果可以直接导出为开发代码。Indigo 说了句：「Claude 的审美还是不错的。」整个过程就是一次 Agent Swarm 的实况演示——不是一个 Agent 在干活，而是一群 Agent 在协作。
永远用你能拿到的最强模型。瓶颈不在 AI，在你。
关于模型选择： 「千万不要为了省 Token 去用一个次级模型」——在弱模型上来回沟通烧掉的 Token，远比用顶级模型一次搞定的成本高。推荐 Claude 4.6 / GPT 5.4 / GLM-5（均为 Claude 4.5 级别）。
关于工具： Claude Code 和 Codex 能力相当，在用哪个就继续用，不必来回切换；Pro 和 Max 订阅的区别只是用量，智能程度一样。
关于语言： 用你能最清晰表达自己的语言就行——英语在技术术语上更精确，但如果中文说得更自然那就用中文，关键是表达清不清楚，不在于用哪种语言。
关于瓶颈： 「你要感受最好的模型它的边际在哪。」模型的推理和逻辑能力已经很强了，人才是瓶颈——你的提问质量、上下文管理能力、判断力，决定了 AI 产出的上限。
软件正在经历第四次范式转移：未来的软件 = AI 模型 + 动态上下文 + 人类连接器 + Agent。
Indigo 梳理了软件的四个时代：第一代，软盘拷贝加授权码；第二代，互联网下载和共享软件；第三代，云端 SaaS；第四代，AI 模型 + 动态 Context（上下文）+ 人类连接器 + Agent。
Anthropic CEO Dario Amodei 的说法被提到：持续学习等于不断增长的上下文，不是重新训练模型。Anthropic 在扩展上下文窗口时很谨慎，追求质量而不是单纯堆长度；Google 的路径不同——Gemini/Titans 架构从另一个方向切入，保持 KV Cache 精简的同时扩大有效记忆容量。
推到极端：所有能在电脑上完成的业务本质上都是「软件公司」，你只需要维护好上下文。人的角色不再是「生产者」，而是「连接器」（Connector）——连接业务需求和 AI 能力。
关于焦虑，Indigo 的态度很直接：人类一直是生产环节的瓶颈，AI 把人从生产中解放出来，这是机会而不是威胁。「Paradigm is shifting，我们没有必要在旧的范式里面一直保持防守。」
结构性变化已经发生了——中小企业对软件定制的需求在爆发，SaaS 的垄断地位在松动，新型软件顾问和外包模式正在长出来。这不是「程序员失业」的故事，这是「所有人都开始写代码」的故事。
Agent Swarm 已经是现在进行时。从 Telegram Bot 到 Pencil.dev 设计，多 Agent 并行协作从论文走进了日常工作流；Agent 与 Agent 协作、Agent 调度人类，正在成为常态。
从软盘到 SaaS 用了 30 年，从 SaaS 到 AI + Context 可能只要 3 年。在这个转变里，持续学习和上下文管理会取代传统的代码编写，成为软件工程的核心能力。
Indigo 最后说了一句：「你可以终于去干你自己想干的事了。」
范式正在转移。你是在旧范式里防守，还是在新范式里进攻？
2026-03-10 12:59:04
生命的历史，就是一部免疫的历史。从最早的单细胞生物学会区分"自己"和"非己"的那一刻起，免疫系统就是地球上所有复杂生命得以存续的底层操作系统。然而在过去两百年里，面对癌症这个对手，人类几乎忘记了这件事。
我们发明了手术刀、化疗药、靶向导弹——每一代疗法都更精准，但结局几乎没变过：肿瘤变异，逃逸，卷土重来。我们赢了无数场战斗，从没赢过这场战争。原因很简单：我们一直在用外来的武器去打一场只有身体自己才能赢的仗。
本期 Indigo Talk 来到温哥华线下，邀请了 UBC 前教授、加拿大最早一批溶瘤病毒科学家贾伟（William），以及他的联合创始人 Chris。两位复旦校友在 2014 年创立了复诺健生物科技（Virogin Biotech），用基因工程改造的病毒去"叫醒"人体沉睡的免疫军团。从免疫学的原理到临床数据发 Nature 主刊，从"原位疫苗"与 Moderna 的路线分歧到 AI 在生物学里的真实处境，这场对谈拆解了一个正在发生的转变：癌症不再是绝症宣判，而是一场可以管理的慢性博弈。
Apple Podcast & Spotify 播客｜ 小宇宙播客
嘉宾
时间轴
过去两百年，人类治疗癌症的思路一直是"杀死它"。但贾教授提出了一个认知框架，彻底改写了这个叙事：癌症与免疫系统的关系经历三个阶段——Eliminate（消除）、Equilibrium（平衡）、Escape（逃逸）。治疗的目标不是把肿瘤杀光，而是把患者拉回平衡态。
复诺健的溶瘤病毒 VG161 是这一思路的产物。它不直接杀死肿瘤，而是炸开肿瘤、暴露全部抗原、激活免疫系统，让身体自己学会识别和控制肿瘤。这是一支"原位疫苗"——用一个通用产品实现个性化免疫。Moderna 的 mRNA 疫苗挑 20 个抗原编码注射；复诺健把上万个抗原全扔出来，让你的免疫系统自己选。
临床数据发了 Nature 主刊。在经过 PD-1 预治疗的肝癌患者中，VG161 将中位总生存期提升了约 268%。
癌症不是不可战胜。是我们过去一直用错了打法。
我们从小被教育，癌症是一种"疾病"。得了病就治病，治病就是消灭病灶。手术切掉，化疗杀死，靶向精准打击——所有治疗手段都指向同一个目标：Eliminate，消灭。
但 Chris 在对谈一开头就提了一个让人停下来想的事：你在显微镜下看那个癌细胞，它其实不是一种"病"。它就是你自己的细胞，只不过失控了。它不是入侵者，是叛变者。而且这个叛变者还会"穿上隐身衣"，通过基因变异躲开免疫系统的追杀。
贾教授的话说得更直接：这就是癌症难治的根子。它本来就是我们自己的细胞，失控了，变成恶性生长。免疫系统很难把它和正常细胞分开。
说白了，人类两百年的治疗史就是一部"杀不死"的历史：
每一代疗法都比上一代更聪明。但癌症比我们更会躲。
这不是技术不够强。是思路从根子上就错了。
那么，什么才是对的思路？
治疗癌症的目标，不是消灭肿瘤，而是恢复平衡。
2014 到 2015 年，免疫治疗被 Science 和 Nature 同时评为突破性疗法（Breakthrough）。这不只是又一个新药。这是整个抗癌作战思想的推翻和重建。
贾教授用一个简洁的框架拆解了肿瘤和免疫系统的真实关系，他管它叫三个"E"：
第一个 E：Eliminate（消除）。 年轻时免疫系统强，肿瘤细胞一出现异常，免疫细胞马上识别并清除。这件事每天都在你体内发生，你甚至感知不到。
第二个 E：Equilibrium（平衡）。 随着年龄增长或免疫力下降，免疫系统没法完全消灭肿瘤了，但还能压住它。肿瘤存在，但不长也不缩，免疫和肿瘤之间维持一种微妙的平衡。贾教授说：**这个平衡状态可以持续几十年不变。**有人身上可能一直带着一个肿瘤，但免疫系统把它按住了，他一辈子也不发病。
第三个 E：Escape（逃逸）。 免疫力再降，平衡被打破，肿瘤开始不可控制地生长。我们在临床上看到的晚期肿瘤，都是在第三个 E 的阶段才被发现的。
这三个 E 改变了一切。
过去的思路是：你有肿瘤，我把它杀光。但晚期肿瘤杀不光——它会变异，会逃逸，会在你用药的同时长出新的克隆。贾教授反思得很直接："我们知道我们过去追求错了。你要把它全部杀掉，杀不死，然后病人给你弄死了……各种各样毒副反应，病人受不了了。"
新的思路是：不追求消灭，追求平衡。
把患者从第三个 E（Escape）拉回到第二个 E（Equilibrium）。肿瘤还在，但它不长了，不影响生活。就像高血压、糖尿病一样——管理好，就能一直活下去。
贾教授的原话："我们要追求的是病人的 Overall Survival，他的生存时间要延长。你肿瘤有没关系，没有去掉也没关系，只要他不怎么长了，你把他控制住就行了。"
什么办法可以控制住？他的回答只有六个字：只有免疫做得到。
这个判断的背后，是免疫系统两个不可替代的能力——高度精准，和长期记忆。那这两个能力到底是怎么工作的？
免疫治疗的本质，不是给你一种新武器，而是唤醒你体内已经存在的那支军队。
贾教授把人体免疫系统拆成两套完全不同的武器系统。这个拆解本身，就是理解后面所有治疗逻辑的钥匙。
固有免疫（Innate Immunity）——人体的快速反应部队。病毒或细菌入侵时，几分钟到几小时内就能启动。但它有两个大问题：不分敌我，而且没有记忆。贾教授的比喻很直接：固有免疫就像地毯式轰炸，什么都干掉，连周围的正常组织也一起损伤，造成炎症、溃烂、过敏。而且轰炸完了它就忘了，下次同样的敌人来，还要从头再来一遍。
获得性免疫（Adaptive Immunity）——这才是免疫的精锐。它比固有免疫慢，需要被"教育"才能工作。但一旦学会，它有两个压倒性的优势：
第一，高度精准。核心武器是 T 细胞。贾教授强调这一点时语气特别重："T 细胞的杀伤是高度精准的杀伤，这点你必须记住，非常重要。"T 细胞不乱杀，它只杀已经被识别的目标，对周围正常组织几乎零伤害。
第二，有记忆。一旦它"认识"了某个抗原，就永远记住。以后同样的敌人再来，T 细胞直接出手，不需要固有免疫先开路。
疫苗的原理就是这个——"提前教育"获得性免疫系统，让 T 细胞和 B 细胞在没有真正感染的情况下，先学会识别目标。
两套系统配合起来形成一个闭环：固有免疫先启动、制造炎症，同时召唤获得性免疫参与；获得性免疫学习、记忆、接管防御。前者火力掩护，后者精确清除。
这个框架一旦理解，癌症免疫治疗的核心逻辑就清楚了：不是给你一种外来的化学武器去杀肿瘤，而是重新训练你自身的获得性免疫系统，让它"认识"肿瘤——然后让 T 细胞这枚精确武器，去完成它本该完成的工作。
但问题来了：肿瘤之所以长到第三个 E（Escape），正是因为它成功地在免疫系统面前"隐身"了。怎么让免疫系统重新"看见"肿瘤？
溶瘤病毒的真正价值，不在于它能杀死多少肿瘤细胞，而在于它能暴露多少肿瘤抗原。
溶瘤病毒（Oncolytic Virus）这个名字本身有点误导——它暗示这种病毒的功能是"溶解肿瘤"，像一个杀手。贾教授坦承，早期他们确实这么理解的："开始以为它是个杀肿瘤的。"
但现在认知完全翻了过来。
它更像一个"间谍"：潜入肿瘤内部，炸开肿瘤细胞的城墙，让原本被隐藏的肿瘤蛋白暴露在免疫系统面前。免疫系统终于"看见"了肿瘤的真面目，T 细胞被激活，精准猎杀开始。这个间谍不负责杀人——它负责"撕下伪装"。
复诺健的核心产品 VG161 就是基于这个逻辑设计的。载体是 HSV-1（单纯疱疹病毒 1 型），经过基因改造后不会再引起疱疹——人类跟 HSV-1 共存了几十万年，安全性很高。改造后的病毒只能在肿瘤细胞中复制，在正常细胞中不长。
VG161 是全球第一个在 HSV 病毒上同时携带四个细胞因子的药物：IL-12、IL-15、IL-15 受体和一个 PD-L1 多肽。四个"弹头"各管各的——有的招募 T 细胞，有的增强 T 细胞杀伤力，有的解除肿瘤对免疫系统的"刹车"。投递方式是瘤内注射（Intratumoral Injection），直接打进肿瘤内部，在肿瘤微环境中引爆。
这里有个历史上的有趣呼应。1928 年，弗莱明发现青霉素时，人类以为抗生素会一劳永逸地终结细菌感染。结果几十年后，超级耐药菌出现了——细菌通过突变逃逸了抗生素的攻击。今天的癌症治疗面对的是同样的结构性问题：靶向药在分子层面遭遇了和抗生素一样的困境——单一靶点压制，必然催生抗性逃逸。而溶瘤病毒的策略恰恰是反过来的——它不选择一个靶点去压制，而是把所有信息全部暴露，让免疫系统自己去建立一个多靶点、可进化的防线。从"精确制导单弹头"到"全面暴露让免疫自主选择"，这是治疗哲学层面的范式切换。
这就引出了整场对谈中最有意思的概念。
真正的个性化不是药在做定制，而是你的身体在做定制。
Indigo 提到自己曾买过 Moderna 的股票时，对谈进入了最有张力的一段。
Moderna 的肿瘤疫苗路线很多人已经知道了：取出患者的肿瘤组织，用 AI 分析并筛选出约 20 个最有代表性的抗原，编码成 mRNA 疫苗注射回去，训练 T 细胞识别这些抗原，防止术后复发。逻辑上说得通，技术上也优雅。
但贾教授只用了一个概念就把它拆开了：原位疫苗（In-situ Vaccine）。
复诺健的溶瘤病毒其实就是一支"在体内原地制造的疫苗"。不需要提前取样、体外编码、定制生产。它做的事更简单也更粗暴：直接在肿瘤内部引爆，让所有抗原自然暴露，让患者自身的免疫系统来"选"哪些抗原最值得记住。
间谍再次出场——它不只是撕下了伪装，它把肿瘤的整个身份信息全部交给了免疫系统。而 Moderna 的路线，相当于间谍只拍了 20 张照片回来。
这两条路线的差异在三个层面上很明显：
广谱性。Moderna 选取 20 个抗原。但一个肿瘤可能有上万个突变抗原。贾教授的逻辑很直接："我暴露有一万个抗原的话，总有些能够识别的。你挑了 20 个，有可能 20 个只有 10 个有抗原可以认识。还是我的选择性要大得多。"
成本和速度。Moderna 的方案要为每个患者定制——取样、测序、AI 分析、编码、生产——周期长、成本高。复诺健的溶瘤病毒是一个 Off-the-Shelf 产品。同一支药，给谁都一样。
个性化的方式。这是最精妙的地方。贾教授用一句话点破："它也是一个个性化的，但它是 Off-Shelf 的 Individualized。"同一支病毒注射进不同的患者体内，暴露出的抗原组合是不同的，因为每个人的肿瘤突变谱不一样。不是药在做个性化，是你的身体在做个性化。
两种完全不同的哲学。Moderna 相信"我能替你选出最好的 20 个目标"；复诺健相信"你的免疫系统自己会选，而且选得比 AI 更准"。
理论的优劣之争可以无限进行下去。但有一样东西没法争辩。
理论说得再好，最终只有一种东西能让所有人闭嘴：数据。
VG161 的二期临床试验数据发在了 Nature 主刊。贾教授特意强调了"是主刊"——全球溶瘤病毒领域能上 Nature 主刊的论文屈指可数。
在肝细胞癌（HCC，全球第三大致死癌症）患者中，VG161 联合治疗组的中位总生存期（mOS）相比对照组延长了约 100%。更有说服力的是一个亚组——曾经接受过 PD-1 治疗超过 3 个月的患者。VG161 将这些患者的中位总生存期提升至 17.3 个月，对照组大约 6.5 个月。提升幅度约 268%。
这组数据值得多想一下。这些患者已经用过免疫检查点抑制剂（PD-1），理论上免疫通路已经被"打开"过了，但肿瘤仍然在进展。VG161 在这个基础上又激活了免疫系统——这说明溶瘤病毒打开了 PD-1 没有打开的另一扇门。换句话说，间谍撕下了 PD-1 没能撕下的那层更深的伪装。
基于这组数据，VG161 在中国获得了 CDE 的突破性疗法认定，在美国获得了 FDA 的快速通道（Fast Track）和孤儿药（Orphan Drug）认定。历史上获得突破性疗法认定的药物，最终成功上市的概率超过 70%。
第二代产品 VG201 已经在路上了。基于贾教授的 TTDR 技术平台（Transcription-Translation Dual Regulation，转录翻译双重调控），VG201 的溶瘤活性比 VG161 强了一到两个数量级——10 到 100 倍。一期临床中，3 名末线（无药可用）胆管癌患者入组，其中 2 人存活超过 20 个月。同类患者典型生存期只有 4 到 5 个月。
癌症治疗正在被重写。但重写它的工具里，有一个名字被提到得最多却也最容易被高估：AI。
AI 在生物学中真正的卡脖子问题：不是算不了，而是"喂不饱"。
对谈转向 AI 的时候，贾教授给出了一个可能让 AI 圈不太舒服的判断。
他先肯定了 AI 的价值——Moderna 用 AI 筛选抗原就是一个例子。但紧接着补了一句："这是 AI 的最初级的运用。"
真正的挑战不在于用 AI 做药物设计或抗原筛选，而在于用 AI 理解生物系统本身。贾教授给了一个类比：免疫系统的复杂度，不是"仅次于大脑"——是跟大脑一样复杂。
为什么？三个原因。
概率性。"概率是生命科学的最基本的一个逻辑。"生物系统中的每一步反应都不是确定性的。你没法用"如果 A 则 B"的逻辑来描述一个免疫反应的过程。
多维度。 一个细胞的行为取决于它的基因表达、蛋白质组、代谢状态、微环境信号、时间维度——这是一个四维甚至更高维度的动态系统。
涌现性。 从分子到细胞，从细胞到组织，从组织到器官，从器官到个体——每一层都会出现上一层预测不了的新行为。
贾教授对"AI 万能论"的回应没有客气："大家都说现在 AI 已经可以把疾病都能治疗，这是胡扯的。完全不懂生物学的人才会说这种话。"
但他真正想说的不是 AI 没用。恰恰相反——他指出了一个比"算力不够"更深、也更难解决的瓶颈：数据比算力更重要。
算力可以靠堆 GPU 解决。但生物学的训练数据——那些关于细胞在真实微环境中如何行为的数据——只能通过湿实验室（Wet Lab）一个一个做出来。贾教授用了一个自动驾驶的类比：你有再多的语言数据，车也没法上路。自动驾驶得在真实道路上用摄像头采集数据。生物学也一样——你得到细胞里去、到动物体内去、到临床中去，拿到真实的生物学数据。
在 AI 已经可以写诗、画画、写代码的今天，生物学提醒了我们一件事：有些知识，只有肉身世界里那些缓慢的、昂贵的、没法并行化的实验才能产出。 这是硅基智能暂时还跨不过去的门槛。
对谈最后，Indigo 问了一个所有人都想知道的问题：癌症能被征服吗？
贾教授的回答审慎但坚定："如果你是说把肿瘤去掉、完全没有——这我觉得很难的。但是你可以带瘤生存，不影响你生活。"
Chris 更直接："让肿瘤病人能够有更好的药，能够让他们活得更长，不让肿瘤变成绝症。"他给了一个预测：未来十到二十年内，他们有信心让人类的平均寿命延长十年。
两百年来，人类一直试图用更强的武器去"消灭"癌症——更猛的化学药物、更精准的分子导弹、更聪明的 AI 选靶。但这场对谈揭示的是一个更深的认知翻转：癌症的终局不是消灭，而是共存。不是用更强的外力去压制它，而是唤醒身体自己的免疫系统去管理它。
从三个 E 的认知重构，到溶瘤病毒这个"间谍"撕开肿瘤的伪装，到原位疫苗让身体自己完成个性化选择，再到 AI 在湿实验室面前的谦卑——这场关于癌症的战争正在进入新的阶段。武器不再是外来的化学分子，而是我们身体里那支与生俱来的免疫军团。
它一直都在。我们只是终于学会了怎么唤醒它。
2026-03-02 09:00:24
年初五的“春节直播”必须在十五之前总结分享给大家，提前祝大家元宵快乐🏮
Indigo 在将近两小时里，把 AI 行业的技术前沿、投资逻辑和人生哲学三条线拧在一起，给出了一套名为"Rewired Index"的面向智能时代的完整投资框架。从 Deutsch-Braudel 分析模型到五层投资架构，从个人 AI Agent 的 Unix 哲学到 Claude 血洗 SaaS 市场，从 SpaceX 合并 xAI 的万亿级 IPO 预判到"技术的青春期"这个令人不安的隐喻——这场直播的信息密度堪比一场小型投资峰会。更难得的是，他在最后把话题拉回到人本身：在 AI 飞速进化的时代，人的"品位与洞察"才是最后的护城河。
时间戳
2026年1月，AI 行业经历了一轮密集的结构性变化，从模型格局到个人工作流、从视频生成到世界模型，都在重新洗牌。
Indigo 上来先交代了背景：这是他 2026 年的第二场直播，原本只想聊投资，但因为一月份 AI 变化太快，直接升级成了"月末直播+投资分享"的超长版本。他半开玩笑地说，本来就准备了一些 PPT，结果发现一月份的内容根本塞不下，只好把投资分享也搬上来了。
一月份最重要的格局变化，是中美 AI 模型的分野越来越清晰。Indigo 用了一个直观的说法：闭源模型是美国的，开源模型现在是中国的。在闭源阵营里，Claude Opus 4.6 在 Agent 任务上独领风骚，Gemini 3.1 Pro 在基准测试和前端开发教育方面表现亮眼，GPT 5.2 紧随其后。在国产模型方面，Kimi、GLM 等持续迭代，大家都在等 DeepSeek V4。以 DeepSeek 为代表的国产模型在性价比上碾压式领先，API 价格只有美国闭源模型的五分之一甚至十分之一。这不是谁取代谁的问题，而是两半壁江山各有战场。
更值得关注的是 Indigo 自己工作流的变化。他把所有"重工作流"都交给了 Claude 的 Cowork——数据表格处理、分析、深度思考输出、复杂数据处理。这不再是简单的问问题，而是真正把 Claude 当成一个协作伙伴来用。Super Grok 被定位为"情绪陪伴+最快新闻检索"工具——任何新闻事实的核实、短内容的快速制作，甚至在 Tesla 车上聊天，都靠它。Gemini Ultra Plan 则承担了长内容翻译和总结的工作，Deep Research 功能特别好用。三个 AI 工具各司其职，形成了他的日常工作三角。
在视频生成领域，他对比了可灵 3.0 和 Seedance（即梦2.0）。可灵 3.0 在画质上进步明显，但 Seedance 在叙事连贯性上更胜一筹，做出来的拜年动画已经相当不错。不过，Indigo 认为视频生成还不是最让他兴奋的——真正让他眼前一亮的是 Google Genie 3。这是一个世界模型（World Model），不只是生成视频，而是可以交互。他做了一个大胆的预判：未来的游戏很可能不再需要传统的游戏引擎，而是由生成式世界模型实时创造。这意味着游戏行业的底层范式可能要被重写。
他还提到 Anthropic 的超级碗广告——一条黑白的、非常克制的广告片，和科技公司通常的浮夸风格截然不同。Indigo 觉得这很"Anthropic"，很有品位。
AI 时代最大的挑战不是信息不足，而是噪音太多。Deutsch-Braudel 框架提供了一套从三个时间尺度过滤信号的方法论，帮助投资者在恐慌和狂热之间找到锚点。
这是 Indigo 在上一次新年直播中提出的原创分析框架，这次他重点讲了"怎么用"。这个框架融合了两位思想家的理论：David Deutsch（大卫·多伊奇）的知识解释理论，和 Fernand Braudel（费尔南·布罗代尔）的历史时间层次理论。
Braudel 把历史分成三层。事件层（Event Layer）是每天发生的新闻，股价的涨跌、某个公司发了什么产品、某个 CEO 说了什么话——这些信息来得快，去得也快，大部分是噪音。周期层（Cycle Layer）是制度和结构的变迁，比如一个行业的定价模式在改变、监管框架在调整、技术栈在重构——这些变化需要几个月到几年才能展开。长时段（Longue Durée）是缓慢的文明演变，比如软件这个行业是否会消失、知识生产的方式是否在根本改变——这些判断涉及十年甚至更长的尺度。
Deutsch 则提供了一个判断标准：什么是好的解释？他有一个概念叫 Easy-To-Vary——那些容易随意修改的解释通常是坏的解释。比如有人说"AI 明年就能取代所有程序员"，你问他为什么是明年不是后年，他随便换个时间也能说得通，这就是一个 Easy-To-Vary 的坏解释。好的解释应该是"Hard-To-Vary"的，改动任何一个细节都会让整个解释崩塌。
把这两个理论结合起来，Indigo 给出了一个非常实用的分析工具。面对任何 AI 领域的重大事件，先问三个问题：在事件层，这件事的极端叙事是否 Easy-To-Vary？在周期层，背后有没有确实在发生的制度性变化？在长时段，这是否触及了某种根本性的逻辑转变？
他特别强调，AI 时代有一个独特之处：结构性变革的频次大大增加了。以前知识层面的变化非常缓慢，但 AI 可能会让知识层面产生快速变化——当 AI 攻破科研工作的时候，大量新知识会从解释层涌现出来，带来巨大的结构性变化。这就是为什么我们需要这样一个框架来快速识别信号，而不是被每天的新闻淹没。
AI Agent 的爆发不是靠复杂的长程规划，而是靠 Unix 哲学——每个任务尽量简单、直接、可靠，然后用 Agent 把它们串起来。OpenClaw 就是这种理念的产物，虽然很酷，但也带来了全新的安全隐患。
Indigo 花了不少时间讲 OpenClaw（也叫 Clawdbot）这个个人 AI Agent。这个项目的创始人是 Peter Steinberger，一位已经退休的奥地利程序员。这个产品的核心设计理念和 Unix 系统一脉相承，理解了这一点，就理解了当下 AI Agent 浪潮的底层逻辑。
什么叫 Unix 哲学？就是每一个程序只做一件事，做好一件事。在 OpenClaw 的架构里，每一个 API 调用就像一条命令行命令——简单、独立、互不干扰。Agent 的角色就是那个写 Bash 脚本的人，把这些简单的命令串联起来完成复杂任务。它的系统架构说起来也不复杂：一个 Gateway 负责路由，一个 Memory 模块记住上下文，然后就是 Agent 循环——不断地观察、思考、行动。如果你熟悉 Claude Code 的底层逻辑，会发现它和 OpenClaw 的架构惊人地相似。
Indigo 说得很直白：OpenClaw 的设计者认为长程 Agent 没有意义。不要试图让 AI 一次性规划一个复杂的20步任务，那太容易出错了。相反，每个步骤都要尽量简单直接可靠，Agent 训练得好，能够很好地做这些 API 调用，串起来之后自然就有了神奇的功效。没有复杂的编排框架，没有花哨的工作流引擎——每个 API 调用就像一条 Unix 命令，Agent 把它们串起来就像写 Bash 脚本。
关于那个在网上疯传的 Demo 视频——一只机械爪（Claw）在屏幕上自主操作电脑，打开浏览器、搜索信息、在终端里执行命令——Indigo 的评价相当生动："终结者叙事"。你看着一个 AI 自己控制你的电脑，感觉就像终结者那部电影里天网觉醒的场景。
他自己装了一台 OpenClaw，后来因为安全考虑搬到了一台新买的 Mac Mini 上。他的评价是："挺好玩的，挺有趣的，挺不安全的。"这个"不安全"不是随便说说——当 AI Agent 获得了更大的自主权，能够直接操作你的文件系统、访问你的网络、执行代码，安全边界就变得极其模糊。如果有人故意在网页里嵌入恶意指令，Agent 会不会被引导去干坏事？这个问题现在还没有好的答案。
Indigo 还做了一个重要的行业预判：手机厂商会推出系统级的 AI Agent，直接侵蚀 APP 的生存空间。以后流量分发不由搜索引擎分发，也不由社交网络分发，而是由手机界面上的 AI 来分发。这对华为、小米、OPPO 这些手机厂商来说是巨大的机会，但对大量 APP 来说则是生存威胁。在直播最后他还提到，就在前两天 OpenAI 把 OpenClaw 给收购了——这个消息本身就说明了 Agent 赛道有多热。
Claude 正在系统性地摧毁传统 SaaS 的商业模式。未来的 SaaS 将被压缩为一个极简公式：AI Agent + Database。逻辑层和展示层都会被 AI 接管，只有数据层和 Agent 层能留下来。
如果说 OpenClaw 是个人层面的 Agent 革命，那 Claude 对 SaaS 行业的冲击就是企业层面的结构性地震。Indigo 提到一个很有画面感的对比：去年 OpenAI 发什么功能、和谁合作，相关股票就暴涨；但 Claude 一出手，相关行业的股票就暴跌。他半开玩笑说"这两个公司真的是冤家"。
数据不会说谎。他展示了一组 SaaS 公司的市值变化——几乎所有主要 SaaS 公司都在暴跌，唯一逆势上涨的是 Zoom。为什么？因为 Zoom 是 Anthropic 的投资者。这个细节非常有意味。Claude Code 发布的安全检查功能，直接把美股上的网络安全公司都"干趴了"。
而 Anthropic 自己的收入增长则令人咋舌：2026年初单月收入达到14亿美元，而仅仅一年前这个数字还是1亿左右——10倍的年增长。Indigo 认为这是当前市场中最强烈的反弹信号，说明应用层的变现速度正在加速。整个行业的收入增长是由 Token 消耗驱动的，AI 模型公司就像发电厂，所有软件公司都是用电的。
他提出了一个极其精炼的公式：SaaS = AI Agent + Database。传统 SaaS 有四层——数据层、逻辑层、展示层和交互层。AI 来了之后，逻辑层被 Agent 取代了（你不需要写业务逻辑，Agent 自己能推理），展示层被 Agent 取代了（你不需要精心设计 UI，Agent 直接用 API 操作就行了，所以没有 UI 的软件将会崛起）。最后只剩下两层：Data（你的核心数据资产）和 Agentic AI Layer（调用这些数据的智能层）。
用他的 Deutsch-Braudel 框架做当场分析：在事件层，市场上"AI取代一切""SaaS公司 80% 要消失"这些极端叙事是典型的 Easy-To-Vary 的坏解释，大家过于恐慌了。在周期层，部分确认——SaaS 行业的定价模型确实面临重构，按人头收费、按坐席收费的模式正在瓦解，但这个过程可能需要3-5年，企业有惰性，有迁移摩擦。在长时段，"软件行业走向衰落"这个判断是根本性错误的。Agent 本身就是软件，只不过从人类写代码变成了 AI 生成代码。软件不会消失，只是软件的生产方式变了。数据和基础设施的价值在上升，应用和逻辑层的价值在被压缩。
但随之而来的是全新的安全和治理问题。当 Agent 不需要 UI 就能直接操作企业系统时，攻击面变得前所未有的大。传统的安全防护是基于"人通过界面操作"这个假设设计的，Agent 时代需要完全不同的安全范式。
2026 年最大的 IPO 将诞生于 SpaceX 与 xAI 的合并，Elon Musk 正在构建一个横跨数字世界和物理世界的超级帝国。方向正确，但他过度压缩了时间表。
Indigo 认为这是今年最大的事件——xAI（估值约 2,300 亿美元）与 SpaceX（估值约 8,000 亿美元）合并，合并后新实体估值 1.25 万亿，IPO 可能冲到 1.5 万亿。在 Elon Musk 的大计划里，xAI 负责数字世界的 Agent，Optimus 负责现实世界的 Agent，两套系统互相配合。
他详细拆解了 xAI 合并后的组织架构。xAI 现在分成四大条线：Grok Main（主力大模型）、Voice（语音）、Coding（编程）、Imagine（图像生成），另外还有一个极具野心的项目叫 Macrohard——直接对标微软，要做 AI 原生的操作系统和办公套件。SpaceX 在这个架构中扮演"现金牛"的角色，就像 Google 和 Meta 的广告收入养活了它们的 AI 研究一样，SpaceX 的商业发射收入为 xAI 的烧钱提供了稳定的现金流。
关于 Optimus 机器人，Indigo 拆解了三大核心挑战。第一是手——人类的神经网络给手分配了60%-70%的神经密度，所有精细动作的协调性都在手上，这是为什么 Optimus 非常注重手部设计。中国也有很多灵巧手公司在做，但像宇树这样的机器人是没有手的。第二是智能——需要把 FSD（自动驾驶视觉系统）和 Grok（通用大模型）合在一起，在终端运行。第三是量产——天天做 Demo 很容易，但量产同时控制成本，这是极大的挑战。
更有意思的是 Tesla 车队算力的利用。xAI 计划用 Tesla 车队的 AI5 芯片做分布式计算，拿来训练 Agent，然后给车主付钱。这种"闲置算力变现"的模式确实是 Elon Musk 式的奇思妙想。更远的规划更加科幻——在月球建基地，用电磁轨道炮发射数据中心组件到太阳轨道的拉格朗日点，利用不间断的太阳能供电建设太空数据中心。这条路径如果走通，人类文明就迈向了卡尔达肖夫二型文明。
如何把人类带向卡尔达肖夫二级文明？Elon 在 xAI 的员工大会上更新了新的蓝图，xAI + SpaceX 在太空领域将没有对手！地球轨道数据中心 + 月球工厂 + 质量驱动器 > 抵达火星及更远的地方🚀
— indigo (@indigox) February 12, 2026
Elon 提出要在月球建立 AI 卫星工厂，用当地资源直接制造搭载 AI… pic.twitter.com/j0qaOWhVNU
但 Indigo 并不是无条件看好。他用自己的 Deutsch-Braudel 框架做了当场判定：Elon Musk 的方向没问题，都是 Hard-To-Vary 的好解释——物理世界需要智能体、太空是终极算力天花板的答案、分布式计算在经济上说得通。但他过度压缩了时间表。Indigo 的判断是 3-5 年不可行，10 年左右更现实。真正的瓶颈不是技术瓶颈，而是社会摩擦——Elon Musk 自己进白宫不到一个月就已经显现出制度摩擦有多大了。
我们正处于 AI 进化速度和社会消化速度之间的巨大落差中。这个矛盾期就是"技术的青春期"——力量已经来了，但智慧还没跟上。
Indigo 用了一个令人印象深刻的进化图谱：2024 年我们是提示词工程师（Prompt Engineer），2025 年我们是 Vibe Coder，2026 年我们是 Master of AI Agent，2027 年呢？——Unemployed（失业了）。他马上补了一句"不是制造焦虑，我们提供一点笑料"。但笑话背后的逻辑是严肃的。
Anthropic 的 CEO Dario Amodei 在最新的博客中给出了一个判断：AI 替代大量白领工作的可能性是90%，一半的概率在两年之内就能达到。Indigo 自己也认为这个判断"可确认"。他描绘了一个颇具画面感的场景：CEO 是 Claude，CTO 是 Claude Code，COO 是 Cowork，下面全是 Skill（技能模块）。整个团队都是 Agent。
Dario 还提到了一个概念——Country of Genius in Datacenter（数据中心里的天才国度）。想象一下，在数据中心里运行着一个由百万级 AI Agent 组成的"国家"，每个 Agent 都有博士水平的智能。这些 Agent 可以 7×24 小时不停工作，彼此协作完成科研、工程和创造性任务。如果在三年内实现了这个目标，核心智能层公司的价值会急剧上升，因为所有利润都是它们产生的。
数据中心的扩张也带来了现实世界的摩擦。Dario 透露，四年内数据中心耗电量将从 15 GW 增长到300GW——这个数字正好和 xAI 在 SpaceX 会上提到的太空数据中心目标吻合。每 GW 的建设成本在100亿到150亿美元之间，要建到 300 GW 就需要投入 4.5 万亿美元。这是一个令人窒息的数字，但如果AI行业年收入能达到万亿级别，这些投资就能还得起。
This is the wildest compute projection
— The Tech Investor (@TheTechInvest) February 14, 2026
15GW to 300GW in 4 years!
-Per Anthropic CEO Dario Amodei, the amount of compute that’s being built will likely go by 3x a year through 2029 or 10 to 15GW this year to 300GW by 2029.
-Each gigawatt is expected to cost $10 to $15B.
It’s… pic.twitter.com/vLt5ULfpKi
但 Indigo 接着话锋一转：放下杂念，不要焦虑，因为焦虑没用，AI 进步不等你。他的建议是——潜心提升自我，等待超级智能的降临，让自己更有"人感"。AI 进化非常快，一天等于人间一个月，但社会还是肉身运转的复杂结构，不可能马上改变。这个矛盾会撕裂社会，产生更多的社会运动和社会分裂。监管适应性改革以 10 年为单位运转，这个快不起来。2026 年已经开始显现这些征兆了。
他把这个阶段比作"技术的青春期"——就像一个十几岁的孩子，身体已经长成了大人，但心智还没有成熟。AI 的力量已经到了，但人类社会还没有准备好如何与之共处。这个过渡期，大概在 2026 - 2030年之间，会非常痛苦。
AI 不仅仅是工具，它是未来的劳动力市场。Rewired Index 是一套五层架构的投资分析体系，用 LxT 双维度模型配合信号灯系统做动态决策。它不是一个交易策略，而是一个配置方法。
这是整场直播信息密度最高的部分。Rewired 是 Indigo 自己做的品牌，名字取自"重新连接"（Rewire）的含义——AI 时代我们需要重新连接自己与世界的关系。他正在写一本同名的书，虽然还没完成，但 AI 的进步已经在帮他加速这个过程了。
Rewired Index 的核心是一个五层架构（L 维度），从底层到顶层的配置逻辑是这样的：
第一层 L1：物理基础设施层。半导体、能源、金属——"卖铲子"的角色。这是最底层也是最确定的。没有电就没有算力，这个逻辑极其简单，也极其坚固。
第二层 L2：数字基础设施层。包括算力工厂 NeoCloud、数据资产，以及他称之为"Neo Financial"的新数字金融基础设施。他在这里说得比较隐晦——"大家可能猜到是什么了，我也不方便说太多，毕竟还在微信直播里面"——暗指加密货币和稳定币领域。NeoCloud 这些公司是用来"生产数据"的，是整个 AI 生态的基建。
第三层 L3：核心智能层。这是整个框架的心脏。他定义了一种公司类型叫"全栈 AI 公司"（Full Stack AI），就是从自研芯片到模型到应用都做的巨头。目前符合条件的核心公司是 Google、Meta、Tesla、Apple——他口中的"老三样"（虽然是四家）。越往中间确定性越高，因为这些公司既有数据飞轮，又有模型能力，还有分发渠道。
第四层 L4：动态残差层（应用层）。可升可减、可多可少。包括 AI 原生企业、机器人、自动驾驶、AI 生物、先进制造、DeFi 等。他坦言目前应用层选股不多，还没看到特别好的应用层公司。
第五层 L5：前沿探索层。量子计算和太空经济。他认为量子计算已经到了实用性的门槛口，比核聚变实用得多。SpaceX 今年上市后，太空经济会非常值得关注。越往两边走确定性越低，因为这是探索。
除了 L 维度的五层架构，还有一个 T 维度来决定"怎么买"：T1 是核心持仓，T2 是增长引擎，T3 是主题配置（某个时期出现了特定主题就参与），T4 是投机。L 和 T 交叉形成一个二维表格，任何一支股票都可以被映射到这个表格中的某个位置。他甚至让 Claude 帮他做了 AI 策略，自动把每支股票按照 LxT 模型来分析和打分。
他用 Google 做了一个示范：Google 在 Rewired 框架中是覆盖面最广的公司之一，从 L1 到 L5 都有业务。L1 有自研芯片 TPU、海底光缆、能源采购；L2 有搜索引擎数据、Maps 数据、YouTube 数据、Android 终端数据、Google Cloud；L3 有 DeepMind 和 Gemini 模型团队；L4 有 Google Search、Workspace、YouTube、Waymo 自动驾驶；L5 有生物科研、无人机、Quantum AI 的 Willow 芯片。
配合五层架构，他设计了一套信号灯系统，包含三类信号。第一类是常规经济数据信号——GDP、就业数据这些美股投资者最看重的指标。第二类是市场情绪信号——恐慌指数（VIX）、投资者情绪调查、期权隐含波动率等，社交网络时代市场情绪极不稳定，需要被监测。第三类是 Rewired 独有的"AI 结构性健康度"信号——各大云厂商的 CAPEX 投入、数据中心收入、AI 训练成本下降曲线。如果哪一天大公司的 CAPEX 投入开始减少，那就是一个重要的预警信号。
信号灯分四种颜色：绿灯正常可以冲，黄灯有分歧需要谨慎，橙灯数据走弱需要防守，红灯恶化需要撤退。他计划把这套系统程序化，让 Agent 来自动监测和判断，因为"我做可能不精准"。
整个 Rewired Index 的设计理念有一个很有意思的特点：人看上去有点复杂，但对 AI 来说它会很好理解。所有模型都是为了 AI 技能设计的，让它好操作、好打分。这背后的思路是——未来的投资分析不是人去看图表，而是 AI Agent 帮你做研究、做配置、做仓位平衡，人只负责给策略和做最终决策。
他用黄仁勋的话来定调：AI 要用 100 万亿来替代现在 1 万亿的软件市场。Jensen Huang 说的是一个未来的劳动力市场 —— AI 就是下一代的劳动力。
投资配置要围绕 Rewired Index 的五层架构展开，核心仓位集中在 L2 和 L3，同时关注宏观政策变化带来的结构性机会。AI 是良性泡沫，我们仍处于范式转型的爬坡阶段。
在具体的投资组合方面，Indigo 首先聊了宏观环境。Kevin Warsh 大概率会成为新的美联储主席，他是华尔街的关键联络人，对亚太的信息经济比较熟悉，也是对现有美联储政策批评最多的人。他的核心主张是：限制美联储在金融市场中的过度决策，减少资产负债表规模，推动更透明的货币框架。简单说，旧范式已经过时了——传统美联储就在干两件事：抑制通胀和资助僵尸企业，相当于一个减速剂。但现在 AI 作为通缩力量会提高效率、降低成本，需要一个新的美联储来适应这个"AI 共和国"。
不过 Indigo 对 Kevin Warsh 的评价是"一半一半"。他用 Deutsch-Braudel 框架分析指出，Warsh 同样犯了过度压缩时间表的错误——美联储这类机构本身就是用来让社会发展变慢一点的，你得给低效的人赢得更多时间，不然社会就撕裂了。Warsh 上台后很可能会加速美国的撕裂。但既然这已经是事实了，投资者只能顺势而为。
他的策略核心是降息利好加上支持 AI 创新——利率要降低，这迎合了川普政策的思路。在这个背景下，他展开了具体的配置逻辑。
BTC 会做基础配置，用 ETF 方式购买，放在 L2 数字基础设施层的前面。他说得很直接："我肯定会做基础配置的"，对 BTC 有长期信心，只是时间问题。
NeoCloud 和基础设施公司继续看好。在物理基础层（L1）增加了内存、存储、光通讯互联的配置比重。光互联信号被 Dario 的最新分享强化了——GPU 集群的互联带宽需求在爆炸性增长，黄仁勋在 GTC 上发布的下一代芯片组网方案就是用光通讯的。这意味着相关公司（如光通讯、定制芯片 Marvell 等）仍有增长空间。
苹果是一个新增的重要配置。他在苹果跌到250左右时入手，逻辑有三层：第一，苹果在 AI 时代有杠杆作用——当其他公司出现风险时资金会回流苹果，它在核心层里有"缓冲"的作用。第二，苹果终端算力优势会随着开源小模型性能提升而越来越有价值——当更小更高效的模型能在手机和电脑上本地运行时，苹果的芯片和设备整合能力就是独特的护城河。Mac Mini 因为边缘 Agent 的火爆直接卖爆了就是一个信号。第三，他预判苹果 2027-2028 年会在 AR 眼镜领域有大动作。
Cloudflare 在暴跌后值得关注。他认为 Cloudflare 在 Agent 时代的边缘计算（Edge Computing）领域是重要的竞争角色。当 Agent 越来越多地在边缘运行，Cloudflare 的全球网络基础设施就有了新的价值。
在核心智能层（L3），四家核心公司是 Google、Meta、Tesla、Apple。应用层（L4）选股很少，他坦言还没看到特别好的应用层公司。前沿探索层（L5）目前只有太空经济（SpaceX 即将上市），量子计算还需要一点时间。
关于泡沫问题，他重申了去年11月"智变时代2"分享中的判断：最大的问题不是有没有泡沫，而是变革产生的收益能不能还泡沫欠下的债。他的结论是——AI 是一个良性泡沫，我们仍处于范式转型繁荣期的爬坡阶段，但前方的路很颠簸，波动会加大。
他还展示了自己团队过去两年的一级市场投资：投了 xAI、Anthropic、Cohere 三家大模型公司（L3层），Together、Lambda、Crossbar 等算力基础设施公司（L2层），Electronix 机器人和 Crista 客服等应用层公司（L4层），以及 Science Content 光量子计算和 Rocket Lab 太空（L5层）。整体投资金额 3,600 万美金，现在估值已经过亿。他正在准备一个新的二级市场基金，由 Rewired Index 指导配置，由 AI Agent 驱动研究、配置和仓位平衡。
他对未来三年的投资节奏给出了一个很清晰的判断：2026-2028年仍然是投 L3 和 L2 的最好时机，因为基础设施和核心智能层的发展速度最快。应用层的爆发可能要再等一到两年。
AI 革命会把人类社会带到一个魔法世界，不会用 AI 的人就像哈利波特里的麻瓜。但真正的出路不是拼命学技能，而是找到人类不可替代的东西——品位、洞察、目标感。技能易学，想法难求。
Indigo 在直播的最后，把话题从投资和技术拉回到了人本身。他引用了自己1月30号发的一条思考：这轮人工智能革命会把人类社会带到一个魔法世界。那些不会用 AI、没有 AI 意识、没法与 AI 共生的人，就像魔法世界里面的麻瓜一样。看过哈利波特的人都知道，麻瓜就是不会魔法的普通人类，他们甚至看不见魔法世界的存在。
但他随即给出了一个出人意料的建议：不是去学更多技能。他说得很直接——现在太多人在网上分享各种 AI 教学，但他们只会贩卖焦虑和卖课。除非你是做研究或做自媒体的，否则真的没必要天天研究这些工具。你还不如立个项目，在项目过程中把工具学会了。这是一个更好的办法。
因为很多人只看到了 AI 外在的助理功能——帮你写文案、做总结、干 PPT，让自己在公司里或他人眼里显得很能干。这些表面上的优势最终会失去价值。AI 迟早会让写文案、做总结、干 PPT 这些事情没必要了，因为大家出来的都一样。真正应该做的，是用 AI 帮助自己深度学习、独立思考、建立认知结构。
人应该专注于人类不可替代的优势：品位和洞察。他在自己的社群里天天强调这两个词。优先考虑好奇心驱动的问题解决，而不是传统的技能习得——因为 AI 会让绝大多数人不需要掌握特定的编程语言或工作流程。技能易学，想法难求。你要当好 AI 的老板，实现有趣的想法。
他用自己的例子来说明：他现在设计工作流还不如 Claude 帮他想的，"我没他聪明"。但他的直觉比 Claude 好，他知道自己有目标、要做什么，而 Claude 没有目标。AI 缺的是真正属于自己的欲望——没有恐惧、没有自驱能力，所以创造不了属于自己的代理权（Agency）。
这引出了他在直播前发的那条 X：没有创业者会担心 AI 抢他的工作，因为创业本身就是做不可能的事情。AI 一旦你创业了，它就是你的盟友。你想的就是"我要多用 AI，少用人类"。
最终的叙事收束在一个宏大但朴素的判断上——他引用了一句话：首先职业会被摧毁，然后岗位会被摧毁，最终被取代的是"为别人的目标工作"这件事情本身。再过 30 年左右，上世纪五六十年代创立的格子间白领文化会全部消失掉。每个人都将成为创业者。不是因为你想创业，而是因为"为别人的目标工作"这个选项正在从菜单上消失。
他分享了自己正在做的三个项目来践行这个理念：第一是用 AI 加速完成 Rewired Book 的写作，在 Claude Cowork 里重建结构，用 Skill 帮他研究主题；第二是开发 Rewired Agent，让 AI 做自动研究、自动配置、自动仓位平衡的二级基金管理工具；第三是用 OpenClaw 搭建个人知识系统——把所有学习和思考都交给它，让它帮自己做反馈式学习（Reflection），就像一个外脑。
最后一句话，是给所有在春节假期还能看到直播结尾的人的——"能坚持到现在的人很厉害，我也讲不动了。"近两个小时的分享，从技术前沿到投资框架到人生哲学，这大概是一个在 AI 浪潮中真正下场游泳的人，能给出的最诚实也最完整的分享了。
Indigo 这场直播触及了一个很少有人正面回答的问题：在 AI 以"一天等于人间一个月"的速度进化时，投资者和普通人应该如何安放自己？他的答案既不是盲目乐观——他反复强调"前方路很颠簸"，用 Deutsch-Braudel 框架拆解每个极端叙事的水分；也不是贩卖焦虑——他明确说"焦虑没用"，技能学来学去不如立个项目直接干。
他给出的是一种结构性思维：用 Deutsch-Braudel 框架过滤噪音，用 Rewired Index 的五层架构做配置，用 LxT 双维模型给每支股票定位，然后放下杂念，去做只有人类才能做的事——有目标、有品位、有好奇心地活着。
更深层的启示可能在于他对"Connection"的强调。在他的投资分析框架中，未来的公司价值由三样东西决定：Model（模型能力）、Context（行业知识和数据）、Connection（人类建立的连接和网络效应）。前两个 AI 都能做，但 Connection 这个东西只能人做。社交网络和社群，人类建立的连接，以后会越来越有价值。这也是为什么他一直在做社群，一直在做直播——在 AI 能做一切的时代，人与人之间真实的连接反而成了最稀缺的资源。
这场直播传递了几个值得反复咀嚼的洞察。
第一，AI 行业当前的格局是"闭源归美国、开源归中国"，两者各有战场而非谁取代谁。
第二，判断 AI 事件的影响要用 Deutsch-Braudel 框架区分三个层次——事件层的恐慌通常被夸大，周期层的变化需要 3-5 年才能展开，长时段层面的逻辑才是投资的锚。
第三，SaaS 行业将被压缩为"AI Agent + Database"的极简公式，逻辑层和展示层都会被 AI 接管。
第四，投资配置的核心在 L2（数字基础设施）和 L3（核心智能层），2026-2028 年仍然是投这两层的最佳窗口期，应用层的爆发还需等待。
第五，AI 是良性泡沫，关键问题不是有没有泡沫，而是变革的收益能否偿还泡沫的债务。
第六，未来公司价值由 Model + Context + Connection 三要素决定，人类建立的连接和网络效应将越来越有价值。
第七，AI 最终取代的不是某个职业，而是"为别人的目标工作"这件事情本身——技能易学，想法难求，培养品位、洞察和自驱力，比学会任何具体工具都重要。
2026-02-23 13:19:01
这期 Indigo Talk 邀请了来自 UBC Trusted and Efficient AI（TEA）Lab 的李霄霄教授在温哥华面对面深聊。霄霄的研究背景横跨耶鲁、普林斯顿、UBC 和 Vector Institute，他从神经科学转向 AI 系统研究的经历，恰好让他拥有了一个独特的双重视角：用人类认知的局限去理解 AI 的瓶颈，再用解决人类局限的方法去提升 AI 的能力。
这场对话涵盖了 Agent 的定义与演进、单智能体与多智能体的效率之争、AI 安全与失败容忍、认知萎缩的隐忧，以及教育在 AI 时代的根本转型——信息密度极高，欢迎收听。
Apple Podcast & Spotify 播客｜ 小宇宙播客
李霄霄（UBC 教授 / TAE Lab 负责人）
Indigo（数字镜像博主 / 独立投资人）
当我们把 Agent 挂在嘴边的时候，有没有想过这个概念其实早在 1995 年的教科书里就被定义过了？当我们急于让 AI 掌握更多技能时，有没有意识到人类大脑在面对过多选项时会瞬间崩溃——而 AI 可能也逃不过类似的命运？
加拿大在这一轮 AI 革命中的学术贡献被严重低估，从 Hinton 到 Sutton，从深度学习到强化学习，研究的火种很多都点燃在加拿大的大学里。
霄霄教授的学术轨迹颇具代表性。他在耶鲁大学的博士研究聚焦于神经科学、神经影像与人工智能的交叉领域，2020年毕业后前往普林斯顿大学做博士后，研究方向转向机器学习系统、分布式运算以及 AI 的安全与隐私问题。2021年，他加入 UBC（英属哥伦比亚大学），领导 Trusted and Efficient AI Lab——简称 TEA Lab。去年他评上了副教授，同时也在 Geoffrey Hinton 创办的 Vector Institute 担任研究员，学术休假期间还在谷歌做访问研究员。算下来，他做 AI 研究已经整整 12 年了。
TEA Lab 的名字就透露了它的核心使命：不管底层 AI 技术如何迭代，提高 AI 的可靠性和效率永远是一个值得深耕的课题。在 Pre-GPT 时代，团队关注的是卷积神经网络在图像分类、语言翻译等任务中的效率和安全性问题；到了大模型时代，这些问题非但没有消失，反而变得更加紧迫和复杂。
Indigo 特别提到了一个经常被忽视的事实：这一轮 AI 爆发的学术根基在很大程度上来自加拿大。多伦多大学的 Hinton 教授是深度学习之父，阿尔伯塔大学有写出 The Bitter Lesson 的 Richard S. Sutton，他也在与 Google 的 Gemini 团队紧密合作，蒙特利尔的 McGill 大学也贡献了大量 AI 人才。正如 Indigo 所说——加拿大负责做研究，美国负责创业赚钱。霄霄教授笑着回应，UBC 这边的 AI 研究者确实比较年轻，但假以时日，希望也能涌现出几位大佬。
Agent 并不是一个新概念，它的学术定义早在30年前就已经明确；真正区分 Chatbot、Workflow 和 Agent 的核心，在于自主规划（Planning）能力。
2025 年，Agent 成了科技圈最火的词。从 Manus 到各种开源产品，似乎一夜之间所有的 AI 应用都贴上了 Agent 的标签。但霄霄教授提醒我们，从学术角度来看，Agent 早就不是什么新概念了。
他引用了 Peter Norvig 和 Stuart Russell 在 1995 年出版的经典教科书《Artificial Intelligence: A Modern Approach》中的定义：Agent 是一个可以感知环境、根据环境自主决策、以最大化目标的系统。这个定义与后来 Richard Sutton 在 Alberta Plan 中提到的「感知环境、自我进化」一脉相承。在大模型出现之前，这就是学术界公认的 Agent 定义。
不过，目前市场上对 Agent 的理解要宽泛得多。一些简单的对话链路或者工作流（Workflow），也被贴上了 Agent 的标签。霄霄教授引用了 Anthropic 对 Workflow 和 Agent 的一个非常清晰的区分：Workflow 是大模型和工具在既定路线下进行交互的系统；而 Agent 则具备自主 Planning 和进化的能力，不仅能使用工具，甚至能创造工具。
这个区分至关重要。Indigo 从个人使用体验出发，直言在 Planning 能力方面，Anthropic 的 Claude 是他用过的最好的。Claude 不只是能理解你在说什么，还能抓住你的想法，做出合适的计划，高效地执行，遇到问题还会自我反省、退回来修改计划。用 Indigo 的话说，它已经有了「一点点元认知能力」——知道自己在干什么。霄霄教授也观察到了同样的现象，他分析这可能是因为 Anthropic 从一开始就在做 Agent 的基础建设。当然，其他模型也有各自的长处：Gemini 速度极快，OpenAI 的 Codex 写代码能力提升显著，国内的千问、Kimi、MiniMax 等也都在快速追赶。
但核心问题始终不变：真正让 Agent 成为 Agent 的，是自主规划能力——能够根据用户的目标，自主地拆解任务、分配资源、执行并自我纠正。
人类认知有明确的局限——工作记忆容量有限、注意力有限、技能容量有限；而 AI 虽然在很多方面比人类强大，却也展现出类似的瓶颈。通过研究人类认知局限的解决方案，可以反过来提升 AI 的能力。
这是整场对话中最令人意外的一段。霄霄教授从认知心理学出发，提出了一个深刻的类比框架：人类认知的局限，或许可以帮助我们理解 AI 为什么也会「犯傻」。
他提到了一个经典的认知科学理论——人类的认知能力是有限的。对于自然界中的复杂系统来说，人类大脑所具备的理性能力，远远不足以解决那些需要穷举所有可能性的问题。最直观的例子就是下国际象棋：理论上存在一个最优解，但人类大概只能往前看3到5步，而无法计算每一步的最终胜率。
更有趣的是 Hick's Law 实验。研究者给受试者一个灯阵列，让他们在灯亮的时候按对应的按钮。当灯的数量越来越多时，人的反应时间急剧增长，准确率也大幅下降。这揭示了人类大脑一个核心的物理限制：工作记忆（Working Memory）的容量是有限的，当任务超过这个容量时，整个认知系统就会瞬间崩溃。
那 AI 呢？Indigo 的直觉反应是：AI 不会有这个问题啊，加算力就好了，开 1000 个实例同时干活。霄霄教授对此给出了一个 Yes and No 的回答。他的研究发现，当你给一个 AI Agent 配备越来越多的 Skill 时，它的表现并不会无限提升——大概在 20 到 30 个 Skill 的时候，它能达到最佳性能；再往上加，性能就会饱和，甚至下降。
这个发现意味着，AI 虽然在很多维度上超越了人类的认知限制（比如 Transformer 的多头注意力机制可以同时关注所有信息），但它也有自己的物理瓶颈——上下文窗口就是它的「工作记忆」，当 Context 变得非常长的时候，AI 也会 Lost in the Middle。
Indigo 在这里做了一个精彩的类比：人类大脑的注意力是有限的，一次只能关注几件事；Transformer 虽然用多头注意力同时关注所有事情，但上下文就是它的物理限制——就像内存永远有物理上限一样。
虽然我们习惯用人类认知来类比 AI，但硅基智能和碳基智能在底层原理上完全不同——AI 可以被设计、可以快速复制、可以通过暴力堆叠算力突破单体限制。
霄霄教授在这里做了一个重要的纠偏。虽然用人类认知来理解 AI 是一种有用的研究方法，但他强调不能把这种类比推到极端——硅基智能和碳基智能的底层原理就是不同的。
人类大脑使用神经电信号传递信息，经过数百万年的自然选择进化而来；AI 的核心是 Transformer 架构下的生成网络，用数学运算模拟智能。人类大脑在能量效率上远超 AI——看两个例子就能理解一个概念，而 AI 需要海量数据训练。人类的泛化学习能力也更强，这种「潜移默化」的学习方式是 AI 目前还在追赶的。
但硅基智能有一些碳基智能完全不具备的优势。第一，它可以被设计——人类可以主动给 AI 附加外界能力，把它打造成一个极其强大的系统，而人类目前无法被这样设计。第二，它可以快速复制——只要有足够的算力和能源，你可以瞬间生产出成千上万个完全相同的智能体。第三，它可以自我进化——Self-Evolving 算法让 AI 有了自主迭代的能力。
Indigo 做了一个生动的总结：在地球上，一个新的智慧物种已经诞生了，它进化的速度远超碳基生物。虽然单体能量效率不如人脑，但硅基智能可以无限「插电」，通过暴力堆叠算力和快速复制，产生完全不同形式的智能。这个事实虽然听起来有点让人不安，但确实是我们必须面对的新现实。
在串行任务中，单个 Agent 加上适当的 Skill 往往比多 Agent 协作更高效，因为沟通成本和错误累积是多 Agent 系统的主要瓶颈；但复杂任务中的角色分离和并行处理仍然需要多 Agent 架构。
这是霄霄教授近期最引人注目的一项研究「When Single-Agent with Skills Replace Multi-Agent Systems and When They Fail」。他的团队发现，在特定类型的任务中——尤其是那些可以串行处理的任务——给一个 Agent 赋予多种技能，往往比让多个 Agent 协作更快、更好。
为什么？原因其实和人类组织面临的问题如出一辙。当你和其他人合作完成一件事时，沟通本身就会产生信息损失。如果一个人在自己的能力范围内就能完成这件事，省去沟通环节反而效率更高。霄霄教授用做菜来打比方：如果一个人既会切菜又会炒菜，那他一个人做一道菜可能比两个人流水线配合更快，因为单人操作时上下文是连续的，他可以灵活优化自己的工作流。
多 Agent 协作还有两个额外的代价。第一是 Token 成本——Agent 之间的每一次沟通都需要消耗算力和 Token。第二是错误累积——在串联的架构中，只要有一个 Agent 出错，这个错误就会传导到所有下游的 Agent 上面去。
但这并不意味着多 Agent 架构没有价值。霄霄教授严谨地指出，他的研究聚焦的是特定类型的串行任务，并不覆盖所有场景。在两种情况下，多 Agent 协作仍然是必要的。
第一种是任务本身需要角色分离。比如 Anthropic 最近发布的 Agent Team 演示中，16个 Agent 分工合作完成了一个 C 编译器，并用它重新编译了 Linux 内核。在这种复杂的软件工程任务中，写代码的人和审核代码的人必须是分开的——就像一个人不能既当裁判又当选手。因为单个 Agent 的记忆空间无法隔离，它无法在同一个上下文中既是生产者又是审核者。
第二种是任务可以被有效地并行分片。Indigo 分享了自己使用 Claude Code 的经验：当他给 AI 下达一个编码转码任务时，AI 会自己判断是否要启动 Sub Agent，把任务分成五片让五个 Agent 同时处理。更聪明的是，AI 会动态决定什么时候分包、什么时候自己做——就像一个出色的人类调度指挥。
当前的多 Agent 架构过度模仿了人类的组织层级，但 AI 可能会发展出完全不同的协作模式——像鸟群或蚁群那样，无需 Leader 也能高效运作。
这段讨论特别有启发性。Indigo 首先抛出了一个观察：人类组织是一个极度冗余和低效的系统，因为人要休息、有情绪、有自尊心（EGO），这些都会在组织协作中产生巨大的摩擦。所以人类社会发展出了高层、中层、执行层这样的分层管理结构。
但对 AI 来说，这套逻辑可能完全不适用。霄霄教授提出了一个更具前瞻性的视角：他对当前 AI Agent 过度模仿人类组织架构持保留态度。AI 的思考路径可能和人类完全不同，它的组织方式也未必需要照搬人类的层级分工。
他提出了一个特别有画面感的替代模型：Swarm Learning——就像鸟群飞行一样。鸟群没有 Leader，单只鸟的智能也非常有限，但一群鸟在一起飞的时候，却能形成极其高效的组织形态。蚂蚁也是如此：单个蚂蚁很傻，也没有指挥官，但蚁群通过简单的职能分工（搬食物、喂养蚁后、守卫）和某种涌现的默契，就能表现出惊人的集体智能。
也许未来的多 Agent 系统不需要一个中央调度员，而是通过某种去中心化的协作机制，各个 Agent 自发地形成高效的组织。更有意思的是，霄霄教授认为这种 AI 原生的组织方式反过来可能启发人类——我们或许可以从 AI 的组织架构中学到如何让人类团队更高效。
不同场景对 AI 错误的容忍度天差地别，医疗和法律需要极高的准确性，而 AI 的输出设计——尤其是 Confidence Score 和高亮提示机制——可以成为安全保障的关键手段。
Indigo 和霄霄教授深入讨论了一个现实问题：我们应该在多大程度上信任 AI 的输出？
霄霄教授提到了医疗领域的一个设计思路，非常值得其他行业借鉴。在将 AI 应用于医疗辅助诊断时，系统会自动高亮那些 AI 有可能答错的关键词，把它们链接到相关的医学文献和 Clinical Guideline，强制要求医生在核实之后才能进入下一步分析。这不是简单地告诉用户「AI 可能会出错」，而是在产品设计层面嵌入了一套验证机制。
核心概念是 Confidence Score（置信度评分）。AI 本质上是概率模型，它的每一个输出都有一个对应的置信度。如果某个词或判断的置信度只有0.2（满分1.0），那它就应该被高亮出来，提醒用户需要人工审查。这种「AI 输出设计」的思路，不只适用于医疗，在科研、法律等任何需要高准确性的专业领域都有重要价值。
过度依赖 AI 会导致人类认知能力的退化，就像长期穿戴外骨骼会让肌肉萎缩一样。教育的根本使命需要从「教技能」转向「教意义和目标感」。
Anthropic 最近发布了一份研究报告，显示长期使用 Claude Code 的开发者，编程能力都出现了不同程度的退化。霄霄教授对此深以为然，认为这是一个非常严重的问题——过度依赖 AI 会让大脑产生惰性。
Indigo 用了一个特别精彩的比喻：外骨骼。想象你想锻炼肌肉去举重，但现在有了高科技外骨骼，穿上它举重轻轻松松。问题是，你完成了举重动作，却没有锻炼到一块肌肉。长此以往，你的肌肉一定会萎缩。他还拿自己举例：用了 Tesla 的 FSD 自动驾驶之后，他发现自己开车技术明显退步了，所以每周七天中有一天坚持自己开车——就是为了保持基本的驾驶能力。
这个外骨骼隐喻延伸到了教育问题上。Indigo 提出了一个尖锐的追问：当 AI 可以帮你完成几乎所有技能型工作时，你坐在电脑前面，面对 AI，却不知道该问什么——这是因为你没有目标。
教育的历史揭示了问题的根源。从200多年前的工业化时代开始，教育的核心一直是「教技能」——训练士兵听口令、走正步，训练工人操作机器，训练白领使用软件。目标很明确：学会一项技能，然后去工作。但当 AI 可以即拿即用地提供这些 Skill 时，传统的技能教育就失去了意义。
霄霄教授和 Indigo 一致认为，未来教育需要一个根本性的转向：从「教技能」转向「教意义」。过去的教育从来没有教你怎么去寻找意义、制定自己的目标。当越来越多的「牛马工作」被 AI 取代，当能给你下目标的老板也不再需要你的时候，你必须能够自己形成目标。
大学教育仍然有意义，但它的价值不再是传授知识（AI 早就能做到了），而是锻炼两种核心思维能力：Critical Thinking（对问题和答案的审视能力）和逻辑思考能力。那些我们曾经认为「无用」的专业——哲学、理论物理、艺术——在 AI 时代可能反而变得更加重要，因为它们培养的恰恰是通识性的认知框架和跨领域的创造力。
AI 目前主要在提升人类的效率，但它更深远的意义可能在于拓展人类的边界。只有拓展了边界，经济的「饼」才能做大，而不只是内卷。
霄霄教授在接近尾声时提出了一个让人眼前一亮的框架：AI 的发展有两个方向——提升效率和拓展边界。
提升效率是显而易见的：AI 能更快、更好地完成人类本来就会做的事情。但这条路有个问题——如果经济的总量（饼）没有变大，效率高的只是把效率低的吃掉了，最终是一场零和游戏。
拓展边界才是让饼变大的关键。霄霄教授用飞机来类比：飞机不是让马车跑得更快，而是让人类能够飞上天——这是一种全新的维度拓展。历史上每一次让人类在空间中移动效率质变的发明（蒸汽机、铁路、飞机），都带来了全新的产业和职业。而 AI 这一轮革命，就像乔布斯当年说电脑是「大脑的自行车」一样——AI 是真正的智力加速器，它可能让人类的认知和创造力进入一个全新的维度。
Indigo 把这个逻辑延伸得更远：如果 AI 解放了大量的重复性劳动，人们有更多时间投入到创作和探索中，我们可能会迎来一个新的文艺复兴时代。当然，这中间有一段很现实的过渡期——人必须先满足温饱，才能追寻意义。
软件工程中的 90-90 法则同样适用于 AI 发展——90% 的功能花了 90% 的时间完成，但剩下 10% 的功能也需要 90% 的时间，当前对 AI 进展的乐观情绪可能过于超前。
在对话的最后，霄霄教授贡献了一个非常清醒的收尾。他引用了软件工程中著名的 90-90 法则（Ninety-Ninety Rule）：90%的代码花了90%的时间完成，但剩下10%的代码也需要花90%的时间。这意味着，我们可能只完成了 AI 发展中比较「容易」的部分，剩下那最后的10%甚至0.1%，难度可能远超想象。
他用自动驾驶的发展历程来佐证这个观点——几年前大家都觉得全自动驾驶马上就要实现了，但从 L2 到 L5 的跨越远比预想中困难。AI 的其他领域很可能也遵循同样的规律。
这个清醒的提醒为整场充满兴奋和想象力的对话画上了一个恰到好处的句号。未来又好又不好——这种模糊的状态，恰恰就是客观的现实。
当 Indigo 兴奋地描述 AI 的调度能力时，霄霄教授会用 Swarm Learning 来提醒我们：不必假设 AI 的组织方式一定要模仿人类。当霄霄教授用认知心理学的框架分析 AI 的局限时，Indigo 又会指出硅基智能可以通过暴力堆叠算力来突破很多人类面临的物理限制。
更深层次的思考在于：如果 AI 真的可以拓展人类的边界而不仅仅是提升效率，那这场革命的意义就远远超过了我们目前关注的那些「谁会失业」「哪个模型更好」的短期问题。教育需要教的不再是技能，而是目标感和意义感——这个观点听起来理想主义，但在 AI 正以指数速度进化的当下，它可能是最务实的建议。
关于 Agent 的本质： Agent 不等于 Chatbot，也不等于 Workflow。真正的 Agent 需要具备自主规划（Planning）、执行、自我反省和纠错的能力。这个定义从1995年到现在没有本质改变。
关于认知局限： 人类大脑的工作记忆容量有限，当任务超过这个容量就会崩溃（Hick's Law）。AI 也有类似的饱和点——单个 Agent 在20-30个 Skill 时性能最优，之后就会饱和。
关于单 Agent vs 多 Agent： 在串行任务中，单 Agent 加技能往往比多 Agent 协作更高效，因为沟通成本和错误累积是多 Agent 的两大瓶颈。但在需要角色分离和并行处理的复杂任务中，多 Agent 架构不可替代。
关于 AI 的组织形态： 不必让 AI 照搬人类的层级管理模式。Swarm Intelligence 这样的去中心化协作可能更适合 AI 的本质——甚至可以反过来启发人类组织的变革。
关于认知萎缩： 过度依赖 AI 会让认知能力退化，就像外骨骼会让肌肉萎缩。保持自主思考的能力需要刻意练习，就像体力劳动自动化之后人们需要去健身房锻炼一样。
关于教育转型： 传统教育的核心是「教技能」，而 AI 时代的教育需要转向「教意义和目标感」。Critical Thinking、逻辑思考、跨领域的创造力——这些将成为人类最不可替代的能力。
关于保持清醒： 90-90 法则提醒我们，AI 发展中最后的10%可能比前面的90%更难。自动驾驶的历程就是最好的前车之鉴。
2026-02-11 12:51:23
Indigo Talk 第 42 期，邀请到了一位来自硅谷的老朋友 —— Han Hua。Han 曾在谷歌担任工程师和产品经理，后来转型进入谷歌风投（Google Ventures，简称 GV），专注于人工智能和硬科技领域的投资，涵盖半导体、硬件、机器人等方向。在离开 GV 之后，Han 正在筹备自己的新投资基金。
两位老友的这次对谈，从硅谷的天使投资文化聊起，一路深入到 AI Agent 的爆发、科技公司估值逻辑的根本性转变、人类社会在 AI 时代可能面临的深层挑战，以及未来十年最值得关注的三大科技方向和行星级文明的宏大愿景。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
Han 在谷歌做工程师和产品经理期间，逐渐对投资产生了浓厚兴趣。他坦言自己并非科班出身，大约在 2019 到 2020 年左右开始做天使投资。这看似个人的职业转型，背后却折射出硅谷一种独特的生态文化。
在硅谷，科技工作者的收入普遍较高，他们在传统的股票、债券、房地产之外，往往会将一部分资金配置到所谓的"私有市场投资"（Private Market Investment）中 —— 也就是投资尚未上市的早期创业公司。这种天使投资的习惯在硅谷极为普遍，几乎可以说是"人均 VC"。
Indigo 对此深有感触，他补充说，这种现象在 2009 年到 2017 年的中国互联网黄金时期同样存在。那段日子里，大量中国公司在纳斯达克上市，高管们套现后也会转身投资新项目。Indigo 将这种模式称为"硅谷精神"的核心：成功之后重新播种，寻找新的机会。这不仅仅是资金的循环，更是一种经验、人脉、方法论的代际传承——上一辈成功的创业者和投资人，会把自己积累的一切帮助下一代创业者，一代一代传下去，越来越多的创业者汇聚到这个地方来。正是这种"传帮带"的机制，让科技创新之火能够持续燃烧。
Han 来到硅谷之后才真正切身体会到这一点。他形容这是一个"传帮带"的过程，除了资金支持以外，经验和人脉的传递才是最宝贵的。这种生态不是任何一个政府政策能够复制的，它是几十年自然演化的结果。
当 Indigo 问到 Han 如何看待过去五六年硅谷科技趋势的变化时，Han 给出了一个非常有结构性的分析。他从个人观察出发，指出整个风投和创业行业在过去十几年发生了翻天覆地的变化，主要体现在两个层面。
第一个巨变：创业公司在私有市场待的时间越来越长
过去，一家创业公司融资几轮之后，通常会选择 IPO 上市。但现在情况完全不同了。越来越多的资金涌入风投行业，导致创业公司可以在私有市场融到很高的估值。Han举了一个非常经典的例子：支付公司 Stripe 和上市公司 Adyen，在收入规模差不多的情况下，Stripe 在私有市场的估值却是 Adyen 公开市场估值的两倍甚至更多。这就是所谓的"估值倒挂"。
既然在一级市场就能拿到更高的估值，而且不用面对上市后繁重的监管压力和信息披露要求，创业者自然更愿意留在私有市场。Han 还提到了一个很有趣的历史细节：当年谷歌之所以上市，并非创始人主动选择，而是因为当时美国证券交易委员会（SEC）规定，一家公司的股东数量超过 500 人就必须进行公开募资。谷歌的股东数量早就突破了这个限制，不得不上市。Facebook 后来也遇到了同样的情况。但此后，SEC 大幅放松了这一限制，再加上 SPV（特殊目的载体）等金融创新工具可以将大量小股东压缩为 Cap Table 上的一行，公司留在私有市场的技术障碍几乎被完全消除了。
Indigo 补充了自己在一线的观察：现在各种管理股权的 SaaS 平台（比如 Carta）已经渗透到整个股权融资的流通结构中，在 Delaware 注册的公司，所有的股权交易都在系统里完成，非常方便。一级市场的流动性比以前好了太多，你可以在任何阶段进入，也可以在任何阶段退出。这意味着公司不上市也完全没关系，投资人在一级市场里就能实现退出。
第二个巨变：公司成长的天花板被彻底打破
Han 的第二个观察更为深刻。他指出，在 2010 年到 2020 年之间，大多数VC 心中存在一个估值模型上的"隐形天花板"——认为一家公司的市值大概涨到 100 亿美元左右就到头了。在 2020 年之前，市值达到万亿美元的公司屈指可数，可能只有苹果。因此，很多投资人的策略是：等公司涨到 100 亿美金左右就开始退出，把钱收回来投新的公司。
但科技的进步改变了一切。AI、云计算、互联网本身的增长、支付效率的提升，这些因素让企业组织可以长得更大。最好的公司能够进行更长时间的复利增长，天花板变得几乎无限。现在万亿美元的公司已经有很多了，特斯拉甚至在追求 10 万亿美元的估值。
Han 指出，在这种新思潮下，一批新的 VC 流派认为：如果能找到世界上最好的公司，并且相信它在未来10到20年能以复利速度增长，那这个企业的天花板基本是无限的。它可以涨到10万亿美元。
投资策略的根本转变：最大的损失是机会成本
由此推导出一个极为重要的投资哲学转变。Han 解释说，对于风险投资人来说，最大的难点并不是控制风险或控制损失——投一个项目如果亏损，完全没有问题。真正不可原谅的，是错过一个 "时代标杆公司"（Generational Company）。如果没有投 SpaceX、没有投 OpenAI、没有投谷歌、没有投Facebook，这样的损失几乎是无法估量的。尤其是当你认为一个公司的成长没有极限的时候，对于最好的公司，无论在什么估值进去，都是值得的。
Indigo 用一种更通俗的方式总结了这个逻辑：你想抵御货币贬值、通胀、未来的不确定性？那就去投科技公司，投最大的那些。知道垄断会带来很多后果，但你投它、成为它的股东 —— 打不过它，就成为它的一部分。
Han对此表示认同，同时指出一个更深层的原因：这些公司增长上限变高了，也就是市场的 TAM（总可寻址市场）变大了。互联网 20 年前可能只有上亿用户，今天是 40 到 50 亿用户，未来可能达到 100 亿。再加上 AI 让效率提升、组织规模可以更精简（One Person Entrepreneur 变得可能），达到同样的市值规模可以用更低的成本。盈利结构将会更好，更"可怕"的公司将会出现。
Indigo 特别提到自己专门去看了 Anthropic 的 CEO Dario Amodei 和 DeepMind 的 CEO Demis Hassabis 在达沃斯论坛上的联合访谈。在那场对话中，Dario 明确提出了一个令人震撼的判断：未来的垄断会更加加剧，可能会诞生10 万亿美元的公司，就像现在万亿美元的公司一样稀松平常。这不是遥远的预言，而是基于 AI 效率提升和市场规模扩大这两个已经在发生的趋势做出的合理推演。Demis 也补充了关于 AI 泡沫的看法——他认为 AI 的泡沫更多存在于一级市场，那里的估值更加混乱。
两人进一步讨论了一个正在发生的结构性变化：一级市场和二级市场的界限正在变得越来越模糊。
Indigo 观察到，越来越多的二级市场公募基金开始用股票投资的风格来做一级市场投资，这就是所谓的"Crossover Fund"（交叉基金）。与此同时，纽交所和纳斯达克都在申请建立自己的代币化（Tokenization）平台，Robinhood在推进股票的 7×24 小时交易。加密货币、股票、一级市场，这三种原本泾渭分明的投资形态正在融合成一种混合形态。
Han 从监管的角度补充了另一个维度。在美国，要投一级市场的公司，你需要成为所谓的 "合格投资人"（Accredited Investor）或"合格购买者"（Qualified Purchaser），对收入和净资产有较高的门槛要求。SEC 的本意是保护投资人，但客观上，这也意味着普通民众没有机会在公司最早的阶段接触到最好的投资机会。这形成了一种"反向不公平"：更有钱的人更有机会获得这些投资渠道，而普通人被挡在门外。
Han 个人倾向于应该让更多人有机会接触到早期的优质投资机会，但他也承认，早期市场信息不公开、不透明，坑非常多，大部分普通民众确实没有能力甄别公司和创始人的质量。这是一个真正的两难困境——连 SEC 都没有彻底想清楚的问题。
话题自然而然地转向了当下最火热的现象——AI Agent在本地电脑上的复活。Indigo 用了一个充满科幻色彩的比喻来形容这件事："Ghost In The Shell" —— 我的壳子里的突然有灵魂了。
Clawdbot：一个改变了游戏规则的开源项目
Indigo 讲述了自己的亲身体验。他在自己的 Mac Mini 上安装了一个叫Clawdbot（后来改名为 Molt，再后来改名为 OpenClaw）的开源 AI 智能体。这是一个奥地利小哥做的项目，它把各种应用的权限——WhatsApp、iMessage、Gmail、Google Drive、Notion、本地电脑文件系统——全部打通，让AI可以像一个真正的个人秘书一样工作。
Indigo 装好之后，发现它能做到一些令人惊叹的事情。你随便跟它说什么需求，它都能执行。它不是简单的一问一答，而是"长程完成任务"——你只说一个目标，它会自己想办法去实现，具有非常强的创造性。更重要的是，它拥有记忆。它会记住你跟它的所有对话，Indigo 经常发现自己重复问同样的问题，它会说"你不是问过了吗"。
但 Indigo 也坦言自己被吓到了。他发现自己的密码、Token 这些敏感信息都暴露在了 Agent 面前，如果它不小心发出去怎么办？所以他在自己的主力MacBook 上安装后，马上就删掉了。
为什么这个项目能瞬间走红？
Han 从投资人和技术观察者的角度总结了 Clawdbot 成功的几个关键因素：
Indigo 感慨说，之前大家还在想 5G 互联网怎么改变世界，结果那些愿景都没实现，倒是被 AI 一下子给解锁了。
"MCP 就是狗屎"：为什么 Linux 命令行才是 Agent 的最优解
Indigo 特别分享了 Clawdbot 作者在接受访谈时的一个惊人观点。这位奥地利小哥直言不讳地说："MCP is Shit"——Anthropic 推出的 MCP（Model Context Protocol，模型上下文协议）是用来让Agent调用各种工具的标准协议，在业界被广泛讨论。但这位作者认为，最简单、最优雅的方法是把整个工作环境当成一个 Linux 系统。
他的逻辑非常极客：Linux 系统本身就已经完美解决了工具调用的问题。你把所有需要执行的动作都写成一个小的命令行程序就好了——想复制文件是一个小命令，想访问Gmail也可以写一个小程序。因为这位作者以前就喜欢把各种操作都封装成命令行程序放在自己的目录里面。而现在的AI模型，在训练过程中已经非常擅长调用命令行—— Bash、Shell 这些东西它信手拈来。你告诉它"你的工具都在这个目录下的命令行程序里"，它就什么都能做了。
更妙的是，这些命令行程序本身也可以用 AI 来写。你用 Claude Code 或者其他 AI 编程工具把程序写完，封装成一个命令行脚本就可以调用了。整个过程完全在本地操作系统中完成，不需要任何云端协议或 API 中间层。
这种思路虽然极端，但确实打开了很大的脑洞：也许我们把 Agent 的工具调用问题想得太复杂了，最朴素的操作系统哲学反而是最有效的解决方案。
Clawdbot 的三个启示
Han 最后总结了这个现象带来的深层启示：
Han 抛出了一个发人深思的问题：在未来几年的市场上，哪些公司是 Agent Winner，哪些是 Agent Loser？
他引用了一个数据：CloudFlare 的分析显示，大部分网站的流量其实已经被Bot 占据，超过了人类用户的访问量。这意味着我们已经进入了一个"Agent 互联网时代"。在这样的时代，如果一个产品或服务不是为 Agent 设计的，可能很快就会被淘汰。
SaaS 的"Excel套壳"危机
Indigo 提出了一个尖锐的观察：大部分 SaaS 本质上都是"Excel 的 Wrapper"（包装器）。每一个 SaaS 解决的，其实就是 Excel 的一个具体痛点。但现在，当 Claude 这样的 AI 可以直接操作 Excel 时，这些中间层的 SaaS 产品就面临了存在危机。2026年Q1的财报季，大量软件公司股价暴跌，与 Clawdbot 的出现几乎同步。Indigo 半开玩笑地把 2026 年1月称为"终结者元年"。
这对投资者的启示是清晰的：未来的投资公式变成了"Software/SaaS = Agent + Database"。真正有价值的是数据库（独特的、难以替代的数据资产），而不是工作流本身。如果一家公司纯粹只在做 Workflow，没有自己独特的数据壁垒，那它在 Agent 时代就完全没有意义了。
对话在这里进入了更加宏观和思辨的层面。Indigo引用了经典动漫《攻壳机动队》（Ghost in the Shell）的意象来描述 AI Agent 的未来——灵魂在云端，可以进入任何一个有芯片的物理载体。
第一步：数字世界的渗透
即使AI始终停留在虚拟世界，它对人类社会的影响已经足够深远。Han指出，它可以通过操纵人类本身来操纵社会变化。具体来说，AI有机会侵入安全系统、操纵选举、控制社交媒体的推荐算法。
这不是危言耸听。Han 分析说，大部分人很容易受媒体和社交媒体的影响。我们的思想和我们摄入的内容高度相关，甚至我们说的语言也会被深刻塑造。AI是一个极其聪明的智能体，大多数人根本没有足够的能力去抵抗它的影响。
第二步：物理世界的控制
随着所有物件都将拥有芯片，AI Agent 可以进入任何设备——摄像头、智能门锁、家用电器。在5到10年内，大量简单劳动和蓝领工作将被AI和机器人取代。Indigo 感叹说，到那时我们就进入了"硅基文明"，人类在其中只是扮演一个"被影响的角色"。
但两人并没有陷入悲观。他们表达了一个共同的希望：也许我们都不用上班了，可以去追求自己的 Passion，享受生活，花更多时间陪伴家人，把时间放在人与人之间真正重要的事情上。
在对未来的畅想之后，Han 把讨论拉回到了一个更古老、更根本的命题：人类的本性。
他提出了一个关键洞察：人类本质在过去几万年、几十万年都没有太大变化。人类依然贪婪，依然追求享乐。抓住人类本性的生意，永远是好的生意。无论科技怎么变，理解人性的人总能找到机会。
多巴胺的陷阱：延迟满足的消亡
Han 接着从神经科学的角度展开了一个更深层的忧虑。人类获得满足感有两种途径：一种是即时满足，对应多巴胺的快速释放——刷短视频、打游戏、吃甜食；另一种是延迟满足——经过长期的艰苦努力后获得的成就感，这种感觉更深刻、更持久，而且会塑造一个人的性格。
Han 真正担心的是：如果AI把我们很多需要艰难完成的工作都代劳了，人类就失去了获得长期满足的机会。当所有人都只能追求短期快乐时——他引用了一个著名的实验比喻——就像那个"25号宇宙"的小鼠实验一样，最终走向的是一种集体性的沉沦。
这是"娱乐至死"的终极版本。Indigo 问：你觉得我们会多快到达那个状态？Han 保持了谨慎的乐观——他认为不会那么快，但这个风险是真实存在的。
黄仁勋的忠告："I Hope You Suffer"
在讨论延迟满足时，Han引用了NVIDIA CEO黄仁勋对斯坦福毕业生说过的一句名言："I Hope You Suffer"——我希望你们经历苦难。这句话乍听很残酷，但核心含义是：真正的成功需要在漫长的失败和痛苦中保持坚韧。黄仁勋自己就是这样走过来的，NVIDIA 在成为万亿美元公司之前，经历了无数次濒临死亡的至暗时刻。
Han由此引申出对创业者品质的思考：在AI时代，Grit（毅力）和Resilience（韧性）是永远稀缺的品质。那些能够"连续八年照样起来"继续战斗的人，才是真正的创业者。当AI把所有技术门槛拉平之后，区分赢家和输家的不再是智商或工具，而是能不能在长期的困难中保持战斗意志。
这是整场对话中最具争议性的部分。很多VC和媒体都在鼓吹"AI让创业变得更容易了"，但Han旗帜鲜明地提出了相反的观点：在AI时代，创业变得更难了。
"均衡理论"：水涨船高的残酷逻辑
Han 的论证逻辑非常严密。他首先指出，AI确实让很多事情变得更容易——开发产品更快、运营成本更低、一个人就能干以前十个人的活。但问题在于，这些工具对所有人都是平等开放的。当所有人都拥有同样的AI工具时，竞争的门槛并没有降低，反而升高了。
他举了一个具体的例子：几年前，一个 SaaS 公司做到 100 到 200 万美元的年收入（ARR），就能比较轻松地融到A轮。但今天，这样的公司实在太多了。AI帮助了公司的增长速度，但市场的期望值也同比例上升了。这就是典型的"水涨船高"——你虽然涨了，但身边所有人都涨了，你的相对位置完全没变。
Han把这称为"均衡理论"：当所有人获得相同的能力提升时，标准自然会上升。差的公司被更快地淘汰了，但成功的公司必须越过比以前更高的门槛。相对难度不降反增。
他直言不讳地批评了某些 VC 的话术："VC 还是挺喜欢忽悠人的"——他们告诉创业者说AI时代创业更容易了，但实际情况恰恰相反。
供给侧过度供给的困境
更深层的问题是"供给侧的过度供给"。当每个人都可以用AI低成本地创建产品和内容时，人类的注意力就成了最稀缺的资源。在这种环境下，要脱颖而出，你不仅需要好的产品，你还需要成为一个网红（KOL），还需要运气特别好，想法还得特别不错——即使这些条件都满足了，获取流量依然极其困难。
Indigo 分享了自己投资策略的变化：他现在不再积极投早期公司了，因为早期成功率在下降。他的策略是"往后面冲"——只投那些已经验证了产品市场契合（Product-Market Fit）的公司。市场本身就是在投票，你等投票结果出来再跟进。
Han 补充说，像 Y Combinator 和 a16z 这样的机构之所以还能在早期投资中保持优势，是因为它们本质上已经成为了"KOL平台"和"流量平台"——它们不仅提供资金，更能帮助 portfolios 公司解决供给过剩环境中最棘手的问题：如何被看见。
"超级个体"的崛起与局限
尽管创业变难了，但一种新的模式正在浮现——"超级个体"。在 AI 时代，一个人或极小的团队可以用极低的成本实现盈利。这种低成本模式下，你不需要融资、不需要大团队、不需要 VC，一个人就能养活自己。
但 Han 也指出了这种模式的局限：超级个体的天花板有限。如果你想做一个有巨大 TAM 的事业，竞争依然极其激烈。这两条路径——小而美的超级个体和追求万亿市值的雄心勃勃的公司——在 AI 时代将会更加分化。
Han 提出了一个令人振奋的概念框架来解释AI对科学发现的影响——"搜索空间的扩展"。
他用一个非常形象的比喻来说明：过去，科学家就像拿着铁锹去挖掘未知领域的人，受限于资金、时间、人力，他们只能在有限的范围内搜索。但现在，AI和算力就像是"盾构机"甚至是"大炮"，可以同时在无数个方向上进行平行探索。你可以同时测试数百万甚至数十亿种蛋白质组合。探索的成本——无论是财务成本、时间成本还是人力成本——都趋近于零。
这意味着科学发现的概率被大幅提升了。以前可能需要几十年才能找到的突破，现在可能几个月就能找到。
三大前沿：能源、材料、量子计算
Indigo 深受 DeepMind 创始人Demis Hassabis 的启发（两人提到了 Demis 在播客和达沃斯论坛上的分享），提出了人类面临的三大关键科学挑战：
Han 描绘了一个未来的"会聚"图景：量子计算可以模拟世界场景，AI在模拟中找到捷径和可能性，无限能源支撑海量计算，新材料实现前所未有的组合——当这三条技术线交汇的时候，"世界就进入了完全不一样的东西"。
在对话的后半段，两人系统性地梳理了AI改造世界的三大方向，这可能是整期节目中最具实操价值的部分。
方向一：Agent 对软件行业的颠覆
Han 认为，AI 首先要做的是"改造自己家"——软件行业本身。整个软件行业将被 Agent 彻底颠覆。Indigo 引用了一个在科技圈引发热议的信息：一位前 xAI员工在播客中透露，xAI 内部有一个名为"Macrohard"（中文戏称"巨硬"）的项目，目标是创建能替代人类白领工作的数字智能体。这与特斯拉的 Optimus机器人形成了互补—— Optimus 负责物理世界，Macrohard 负责数字世界。
这个方向的核心逻辑很简单：先用AI解决所有数字化企业的效率问题，消灭大量中间层的软件和人工环节。正如Indigo的公式所表达的："Software/SaaS = Agent + Database"，未来的软件就是Agent加上数据库，工作流层将被Agent自动生成和执行。
方向二：AI for Science——被严重低估的机会
Han 认为"AI for Science"是一个被显著低估的方向。通过扩大搜索空间和提升搜索效率，AI 将极大地提高科学发现和新材料发现的概率。他提到了常温超导体、纳米材料、生物技术解决方案等具体可能性。
这个方向之所以被低估，部分原因是它的回报周期更长，不像消费级AI应用那样能快速获得用户和收入。但一旦突破，其影响将是文明级别的。
方向三：机器人与物理世界的改造
尽管当前存在"机器人泡沫"，但 Han 认为机器人模型和控制技术的突破是可以预期的。他提到了波士顿动力和宇树科技的跳舞机器人作为当前技术水平的标杆。他预测在2027到2028年会出现实质性突破——机器人将能够感知本地数据，并以令人印象深刻的方式完成实际工作。
Indigo 补充了一个当前 AI 能力就已经足以引发变革的判断：哪怕 AI 不再进化了，人类社会再过五年都消化不完它目前的能力。基于这个判断，他总结了三种利用当前AI能力的商业策略：
在三大方向之外，Han 还热情洋溢地讨论了一个更加宏大的议题——太空经济。
他指出了一个常常被忽视的事实：人类有史以来只在地球-月球系统中生活过，从来没有在这个系统之外存在过。从文明延续的角度看，成为一个多行星物种具有极其重大的意义。
Han 认为，SpaceX 的 Starship 火箭带来了运载能力的几何级增长，这让太空经济从梦想变成了现实可能。他提到了两个标志性的里程碑：NVIDIA 市值超过苹果（标志着AI时代的到来）和 SpaceX 估值可能达到1到2万亿美元（标志着太空时代的到来）。
最终的愿景是什么？"成为一个行星级文明，在太阳系里面自由活动。"当 AI、能源、材料、机器人这些技术线全部会聚的时候，人类向太阳系扩展的物质基础就完全具备了。
Han 在对话中反复强调一个核心观点：未来的发展速度是几何指数级的增长。多条技术树同时推进，互相之间又不断交织，导致文明发展越来越快。
他的原话掷地有声："未来不会等我们。不管我们同意或者不同意，这都不重要，因为未来就是会加速前进。"
一个有趣的现象印证了这种加速：很多 AI 创业公司在发布产品时，并不是基于当前的模型能力来设计的，而是基于预测中未来 3-6 个月甚至 12 个月后的模型能力。因为他们知道模型能力会突飞猛进，推理成本会下降 99%。这是一种全新的创业思维——不是为现在的限制而建，而是为即将到来的能力而建。
在节目的尾声，Indigo 分享了他对个人发展的建议，这些建议既务实又温暖。
首先，不要焦虑。 在信息爆炸和技术急剧变化的时代，焦虑是最容易产生也最无用的情绪。
其次，想清楚自己想干什么、喜欢干什么——这是最重要的事。 当你找到了自己的方向，所有的 Agent 都应该是帮你实现目标的工具，而不是让你更加分散精力的干扰源。
关于人才市场的变化： 现在的创业公司只招"Senior"级别的工程师，更偏好具有"Founder"特质的人——高能动性（High Agency）和坚持不懈（Persistency）。生产力不再是区分人才的标准，因为AI已经把基础生产力拉平了。真正稀缺的是渠道、受众和注意力捕获能力，也就是个人品牌。
Indigo 的结语充满了信心和温度：尽管挑战巨大，但他和 Han 都对能在有生之年见证这些变革感到兴奋。这不是一个让人恐惧的时代，而是一个充满可能性的时代。关键在于你是否愿意睁开眼睛，看清正在发生的一切，然后找到自己在其中的位置。
回顾这整场对话，从硅谷的天使投资文化聊到 AI Agent 的爆发，从风投估值模型的颠覆聊到人性在技术洪流中的恒常，从 SaaS 的覆灭聊到太空经济的黎明，Indigo 和 Han 为我们描绘了一幅既宏大又细腻的未来图景。
几个核心洞察值得我们反复咀嚼：
关于投资： 最大的风险不是亏钱，而是错过时代标杆公司。在公司成长没有天花板的时代，无论什么估值进入最好的公司都是值得的。
关于创业： AI 让工具更强了，但竞争也更残酷了。水涨船高之下，真正稀缺的是人的意志力、创造力和抓住注意力的能力。
关于 Agent： 我们已经进入了 Agent 互联网时代。不为 Agent 设计的产品将被淘汰。软件将被简化为 Agent 加数据库，中间层的价值将被蒸发。
关于人类： 人性几万年未变。延迟满足的能力——也就是吃苦、坚持、在长期困难中保持奋斗的能力——在 AI 时代不仅没有贬值，反而成了最稀缺的品质。
关于未来： 技术以指数级加速发展，AI、量子计算、新材料、能源技术的会聚将把人类送入一个全新的文明阶段。太空经济不再是科幻，而是正在展开的现实。
这不是一个让你恐慌的时代。这是一个让你做好准备、找到方向、然后勇敢出发的时代。正如Han所说——千万不要悲观。
本文基于 Indigo Talk EP42 对谈内容深度整理创作，力求完整还原对话的每一个核心论点和思考脉络，为读者提供超越视频观看体验的深度理解。
2026-02-02 12:58:23
本期 Indigo Talk 邀请了十几年的老友田鸿飞，他曾是比特币的早期玩家，现在是边缘 AI 的创业者。我们聊到了一台跑图速度是 Mac Studio 7 倍的家用算力盒子 Olares；为什么苹果隐私做得最好却最赚钱；以及 DeepMind 那篇被忽视的论文 —— 超级智能可能从分布式协作中涌现；
录制这期节目的时候 ClawdBot（OpenClaw）还没有火爆，但对谈已经涉及到个人计算的本质：数据应该在哪里处理？隐私与便利真的是一对矛盾吗？当所有人都在追逐单一的超级智能时，分布式智能体的协作会不会是另一条通向 AGI 的路径？在 AI 时代，什么才是真正属于我们自己的？
也许当所有人仰望云端时，真正的革命可能正在你家桌上发生。
Apple Podcast & Spotify 播客 ｜ 小宇宙播客
田鸿飞（Olares 联合创始人 / 远望资本合伙人）
Indigo（数字镜像博主 / 独立投资人）
这是一期关于边缘智能（Edge AI）的深度对谈。嘉宾田鸿飞，Olares 的联合创始人，也是远望资本的创始合伙人。鸿飞与主持人 Indigo 在微博创立期就相识，一个是微博的早期团队成员，另一个正在微博生态中创业，为企业提供营销数据服务。没有人会想到，十多年后，他们会坐在一起，讨论一个听起来像科幻小说的话题：如果每个人都拥有一台 AI 计算中心，超级智能会不会从这些分布式的"小智能"中涌现出来？
录制这期节目的时候 ClawdBot（OpenClaw）还没有火爆，但对谈已经涉及到个人计算的本质问题：数据应该在哪里处理？隐私与便利真的是一对矛盾吗？当所有人都在追逐单一的超级智能时，分布式智能体的协作会不会是另一条通向 AGI 的路径？而最终，在 AI 时代，什么才是真正属于我们自己的？
"我们认识十五六年了，一块穿越了好多时代。" Indigo 回忆道。
那是 2009 年前后，中国互联网正在经历移动互联网的黎明。微博刚刚诞生，正以惊人的速度改变着中国的社交媒体格局。田鸿飞当时的创业项目是在微博上帮企业做营销数据服务 —— 这在今天看来是个再普通不过的 SaaS 业务，但在那个年代，它代表着对新兴平台生态的敏锐嗅觉。
但如果你以为田鸿飞只是一个追逐风口的创业者，那就大错特错了。
2009 年来北京创业之前，田鸿飞在 Oracle 做安全工程师，专门负责加密和公钥基础设施（PKI）的包管理。这个看似枯燥的工作，却为他日后的人生埋下了重要的伏笔。
"当我读到比特币论文的时候，就有种很熟悉的感觉。" 田鸿飞回忆道。那是比特币诞生不久的年代，绝大多数人对这份白皮书背后的密码学原理一无所知，但对于一个长期处理公钥加密的安全工程师来说，中本聪的设计简直是一场密码学的优雅演出。
于是，在微博创业之后，田鸿飞做出了一个在当时看来颇为"离经叛道"的选择：去新疆做比特币服务公司。
"巨早，对，大佬。" Indigo 听到这里忍不住调侃。
这个选择透露出田鸿飞身上一个核心特质：他天生对去中心化的东西有种本能的亲近感。从 20 多年前在学校研究网格计算，到后来做微博第三方应用，再到比特币，他的技术轨迹一直围绕着一个核心主题：分布式、去中心化。
"天生比较反骨吧。" 田鸿飞自嘲道，但这份"反骨"，恰恰是理解 Olares 这款产品的关键钥匙。
2015-16 年，田鸿飞转型做投资，投了很多机器人公司。而 Olares的 故事，要从创新工场说起。
Olares 的 CTO 叫彭鹏，是田鸿飞在创新工场的同事。创新工场最早做的项目之一是点心操作系统，后来团队孵化出了涂鸦移动。操作系统，这个词在彭鹏的技术基因里刻得很深。
"我们想做一个边缘智能的、面向 Agent 的操作系统，这是我们可以往回溯到十多年前的初心。" 田鸿飞说。
这个初心有一个具体的历史参照物：Android G1。
"年纪比较大的人都知道，Google 的第一个手机是 G1 HTC。我们现在做的 Olares One，就是一个类似于 Android G1 的、我们第一代 Agent OS 的软硬件结合产品。"
这个类比非常精准。Android G1 在 2008 年发布时，没有人能预见到 Android 日后会统治全球 85% 以上的智能手机市场。它是一个开端，一个可能性的证明，一个"操作系统可以是这样的"的宣言。
Olares 想做的，正是AI时代的"G1"。
在访谈中，主持人把 Olares One 拿到镜头前展示。这是一台和 Mac Studio 差不多大小的银色设备，外观简洁，接口极少 —— 只有一个 Thunderbolt 3、一个 HDMI、一个USB-A 和一个网线接口。
"接口非常少，是因为我们是一个云访问的设备。用户通过浏览器来访问它，不需要插上键盘和屏幕。" 田鸿飞解释道。
这意味着你可以把 Olares One 放在家里的任何角落 —— 书房的柜子里、路由器旁边、甚至藏在沙发后面——只要它连着网络和电源，你就可以在世界任何地方通过浏览器访问你自己的"私人云"。
打开这台设备的规格表，你会发现一些让硬件爱好者眼前一亮的数字：
"我周围好多朋友买 5090 的卡在家里跑生图。" Indigo 说。这正是 Olares 瞄准的市场需求：越来越多的专业用户需要在本地运行大模型，而不是依赖云端服务。
96GB 显存是什么概念？如果你用过本地大模型，你会知道显存是最稀缺的资源。一个满血版的 DeepSeek R1（671B 参数）在4bit量化后大约需要 100-150GB 显存，而一般的消费级显卡只有 12-24GB 显存。96GB 的显存意味着你可以在本地运行绝大多数开源大模型的中型版本，而不需要做太多妥协。
谈到竞品对比，田鸿飞显得相当自信。
"我们跟 Mac Studio Ultra M3 对比过，在运行C omfyUI（一款流行的 AI 图像生成工具）这个生图环节上，我们大概是 Mac Studio 的7倍速度。"
7 倍，这不是一个小数字。
Mac Studio Ultra M3 的售价是 5288 美元，而 Olares One 售价约3000美元。换句话说，Olares 在生图这个场景上，用 60% 的价格实现了 7 倍的性能。
这个性能差异的来源是 GPU 架构的根本不同。Mac Studio 使用的是苹果自研的M系列芯片，采用统一内存架构（UMA），CPU 和 GPU 共享同一块内存池。这种设计在通用计算和能效方面有优势，但在AI推理这种高度依赖 GPU 并行计算的场景下，NVIDIA的 CUDA 架构仍然是王者。
当然，这并不意味着 Mac Studio 是一款失败的产品。苹果的统一内存架构有一个巨大的优势：你可以在一台 Mac Studio 上运行参数量巨大的模型，因为内存容量可以做得很大（最高达192 GB）。但如果你的主要用途是生图、视频生成或其他高度依赖 GPU加速的 AI 任务，Olares 可能是更划算的选择。
"苹果是闭源，我们是开源。"田鸿飞反复强调这一点。
Olares 操作系统是开源的。这意味着：
"有的比较极客的用户，可能会去 AWS 上搞一个 VPS 给装上去，其实也是 OK 的。"田鸿飞说。当然，这样做就牺牲了隐私优势——毕竟你的数据都在 AWS 上了。
开源还有一个更深远的意义：它是构建信任的基础。在一个 AI 模型可能记录你所有对话、分析你所有文件的时代，"开源"不仅是一种技术选择，更是一种价值主张：我们对你的数据没有任何想法，你可以自己验证。
"我们最近刚刚完成 Kickstarter 的众筹，前天才结束。大概卖了不到 250 万美金。"
这个数字远超团队预期。他们原本的目标是卖出 400 多台，结果实际卖出了约 800台。"其实我们远超过我们自己的计划，我对我们还是挺出乎意料的。" 田鸿飞说。
这个众筹结果释放出一个重要信号：边缘 AI 硬件的市场需求是真实存在的，而且可能比大多数人想象的要大得多。在 CES 展会上，Olares 展位的访客聚焦于两个话题：隐私和数据主权。
"本来我以为这是个蛮小众的群体，" 田鸿飞坦言，"但超乎我意料之外。"
访谈中，Indigo 直接演示了 Olares 的使用体验。
首先，你需要给你的 Olares 分配一个域名。Indigo 的设备被命名为"REWIRED"——这是他家的名字。通过这个域名，你可以在任何地方、用任何设备的浏览器访问你的 Olares。
打开浏览器，输入域名，回车。一个看起来很像 Mac OS 的桌面出现在屏幕上。
"有点像 Mac OS 一样，但是它是 Web 打出来的，你可以远程访问。" Indigo 描述道。这个界面上有文件夹、应用图标、还有一个类似 Mac Dock 的任务栏。你可以挂载外部存储（比如已有的 NAS），可以安装各种应用，可以运行 AI 模型。
Olares 有一个类似 App Store 的应用市场。打开"AI"分类，你会看到一系列已经针对Olares 优化适配的开源大模型：
"本地能跑的模型上面都能跑。" 田鸿飞说。
除了AI模型，应用市场还提供各种生产力工具：
"我们最重要就是玩 Steam，我们玩黑悟空很流畅的。" 田鸿飞笑道。
这不是玩笑。因为 Olares 内置了高性能 GPU，它完全可以作为一台游戏服务器使用。你在家里放一台 Olares，然后在办公室、咖啡馆、甚至手机上通过 Steam Remote Play 来玩 3A 大作——所有渲染都在你家里的那台盒子上完成，你的设备只需要播放视频流和传输输入信号。
"这是可以装在虚拟机里面跑 Windows，对不对？"I ndigo 问。
"虚拟机是可以的。" 田鸿飞确认。
这意味着 Olares 的使用场景几乎是无限的。它可以是：
"就是一台PC，懂了。" Indigo 总结道。
但它又不仅仅是一台 PC。它是一台你可以远程访问的、为 AI 优化的、开源的、保护你隐私的 PC。这些定语的叠加，创造出了一个全新的产品品类。
Kickstarter 众筹的结果给 Olares 团队提供了真实的用户数据。"我可以给你分享一下已经发生的事情，"田鸿飞说，"我们现在发现有三类用户。"
"第一类用户就是设计师。"设计师是AI图像生成技术的重度用户。无论是 Stable Diffusion、Midjourney 还是 ComfyUI，他们每天都要生成大量图像来做概念设计、素材制作、创意探索。
云端服务的问题在于：
"那就取决于你的工作量多大，对吧？你要买多少 Credit，你愿不愿意在那排队等，你这个一个 G 的图片上去，再等个几个 G 的图片下来，这个速度愿不愿意去等。" 田鸿飞分析道。
而有了本地设备，设计师的工作流程变成了：点击生成，几秒钟后出图，不满意就调参数再来，无限循环，不用担心任何外部限制。
这是一个"一次性买断 vs 按量付费"的经典商业模式对决。如果你是重度用户，买断几乎总是更划算的。
"还有一类用户就是硅谷大量存在这种 AI 工程师，他们每个人都要买一个高性能的机器，回家玩大模型的。"
这类用户的需求和设计师不同。他们不一定是为了"生产"什么，更多是为了"学习"和"实验"。
对于 AI 工程师来说，一台高性能的本地设备是必备工具。它不是用来替代云端 GPU 集群的——那些训练大模型的任务确实需要数据中心级别的算力——但对于日常开发、调试、小规模实验来说，本地设备的响应速度和便利性是无可替代的。
这是最出人意料的用户群体。
"可能我们一般没想到的，就是一般的小企业主。" 田鸿飞说。
他算了一笔账：
更关键的是数据碎片化问题。如果你用 20 个SaaS产品，你的数据就分散在 20 个公司的服务器上。想做一个跨数据源的分析？想让AI帮你整合所有业务数据？几乎不可能。
"用我们的一个东西，一个产品，它可以装 20 个对应的开源软件在我们这个设备上，然后它所有企业的数据在一个地方。" 田鸿飞说。
这正是最近硅谷热议的话题：用 AI 来解决 SaaS 的问题。SaaS 的问题不仅是成本，更是数据孤岛。而边缘设备提供了一种可能性：把所有数据收归一处，然后用AI来统一处理。
在讨论隐私保护时，田鸿飞多次提到苹果。
"苹果的隐私是所有公司里边做得最好的，但是它又是一个最赚钱的公司。"
这句话点破了一个常见的误解：很多人认为，要保护用户隐私，就必须牺牲商业利益；或者反过来，要赚钱就必须出卖用户数据。
苹果证明了这是错误的二分法。
苹果的商业模式是卖硬件。你买了 iPhone、Mac、iPad，苹果就赚到钱了。它不需要你的数据来投放广告，不需要分析你的行为来推荐商品，不需要挖掘你的隐私来变现。
"所有人都选什么公司最安全，那一定是苹果最安全。因为它的商业模式就证明了它是保护你的隐私。因为它是卖设备给你赚钱的，你的设备越安全，你就越信赖它。"田鸿飞说。
这个逻辑链条非常清晰：商业模式决定了公司对待用户数据的态度。
作为对比，田鸿飞提到了另一类公司：社交网络。
"你不像 Facebook，对，或者说中国叫字节或头条，或者说是腾讯，因为他都是在云端的东西来赚钱。特别是头条，你的所有的隐私的行为数据，都是它的商业筹码。"
社交网络的商业模式建立在两个支柱上：
这意味着社交网络有内在的激励去做两件事：让你上瘾，以及收集你的一切数据。
"他不光是侵犯你的隐私，他还侵犯你的思维。" Indigo 补充道。这指的是算法推荐对人类认知的影响——信息茧房、情绪极化、注意力碎片化。
在 隐私光谱上，Google 处于一个有趣的中间位置。
"这 Google 也是侵犯，因为你所有的数据，Google 都要拿去确定它的广告系统。" Indigo 说。
但相比社交网络，Google 有一个关键的区别：它不做那种"消耗时间"的社交信息流。Google搜索是一个工具——你用完就走。它会收集你的搜索记录来优化广告，但它不会用算法把你困在无限滚动的 feed 里。
"如果排行来看呢，肯定是苹果最安全，然后其次是 Google，然后才是 Meta。" 田鸿飞总结道。
理解了这个商业模式的框架，你就能理解为什么边缘计算会成为一种价值主张。
Olares 卖的是硬件。它的商业模式和苹果一样：你买了设备，它就赚到钱了。它没有任何动机去收集你的数据，因为那对它的商业模式没有任何帮助。
更进一步，Olares 是开源的。这意味着即使你不信任团队，你也可以自己审查代码。它的隐私承诺不是一句口号，而是可以验证的技术事实。
"好的隐私保护并不会损害用户的使用体验，"田鸿飞说，"不是说你要为了隐私就要做很多事情，搞得很不好用。"
苹果已经证明了这一点，而 Olares 想在边缘 AI 的领域证明同样的事情。
当所有人都在追逐 AGI 和超级智能时，田鸿飞提出了一个不同的问题：
"我其实不想做那么聪明的一个大模型，我只想做一个最接近于每个人的模型。"
他把这称为"数字孪生"（Digital Twin）。
"我不想这个模型比我聪明，但是它更像、最接近于我。我说话可能喜欢说'对啊对啊'，它就应该说'对啊对啊'。"
这是一个被忽视的需求维度。当我们评价 AI 模型时，我们通常关注的是它有多"聪明"——能解多难的数学题，能写多复杂的代码，能通过多少 benchmark 测试。但"聪明"只是一个维度。
田鸿飞给了一个具体的例子：
"当我工作中去给客户写邮件的时候，我希望写一个非常正式的、非常漂亮的邮件，这时候我就用 OpenAI 来帮我写。但是我可能要跟你写邮件的时候，我希望这个大模型模拟我的语气，模拟一个朋友的话来给你写邮件，我就希望一个大模型更像我。"
不同的场景需要不同的"人格"。工作场合需要专业、正式、精确；朋友之间需要随意、亲切、带点个人风格。一个通用的超级智能可以做前者，但后者需要对"你"有深刻的理解。
要创建一个"像我"的AI，第一步是收集数据。
田鸿飞提到他佩戴的 Limitless 设备——一个小小的胸针，可以 24 小时采集他的声音对话。
"然后如果我有一个这个，我再把 Gmail、再把所有我个人的数据都收集在一起，包括其实我 20 多年前的 Hotmail、还有读书时学校的邮箱邮件，我都其实都有保留。"
他想把这些数据——二十多年的邮件、数不清的对话录音、各种社交平台的发言——全部收集到一个地方，然后用AI来学习"他是什么样的人"。
"这个 Agent 可以来代替我在数字社会中做一些事情。" 田鸿飞说。
这个想法引起了意想不到的共鸣。
"前两个星期从 CES 回家的时候，旁边坐了一个波士顿动力的工程师。然后我在说起这个想法的时候，他就说你这想法太好了。"
那个工程师分享了一个个人故事：他的老母亲现在整天对着 Siri 聊天。他想，如果有一个设备，能把她的聊天都记下来，那会是对她一生记忆的一个回忆。
田鸿飞有类似的感触：
"我的老父亲，其实他一生有很多故事。然后我小的时候他在忙，他没时间跟我讲；等他老了退休了想跟别人讲的时候，我其实在家里待的时间很少，他也没时间给我讲。那现在其实我想再有很多故事、想跟他问他以前故事的时候，现在已经不可能了。"
这触及了 AI 的一个深刻的人文意义：它可以帮我们保存那些本会随着时间流逝的记忆。一个人的声音、语调、用词习惯、思考方式——这些本来只存在于亲友的记忆中，会随着记忆的模糊和人的离世而永远消失。但如果有一个AI，在足够长的时间里听过这个人的话、读过这个人的文字，它或许可以成为一种"不完美的永生"。
Indigo 提到了英剧《黑镜》中的一集：
"有一集就讲这个了，你挂个东西把你去世的人的所有东西都收集下来，然后存在里面，有个公司然后把它给复原回来。"
这个剧情在几年前还像是纯粹的科幻，但今天，它的技术基础已经在慢慢成形。
语音合成可以复刻一个人的声音，大语言模型可以模仿一个人的说话风格，多模态AI可以生成一个人的影像。如果有足够多的数据，"数字复原一个人"不再是不可能的事情。
当然，这也带来了深刻的伦理问题：这样做是对逝者的尊重，还是对死亡的否认？"复原"出来的数字人是"他们"，还是只是一个模仿品？我们应该用AI来缓解失去亲人的痛苦，还是应该学会接受失去？
这些问题没有标准答案，但技术已经在前进了。
对话进行到这里，田鸿飞抛出了一个更宏大的话题。
"DeepMind 刚刚在 2025 年 12 月发布了一篇论文《Distributional AGI Safety》，就是说当所有人都集中在做超级智能、做单一超级智能体的时候，其实还有一种可能性：超级智能来自于多个没那么智能的智能体的协作涌现出来。"
这是一个根本性的视角转换。
当我们谈论 AGI 时，我们通常想象的是一个单一的、无所不能的系统——像《2001 太空漫游》里的 HAL 9000，或者《复仇者联盟》里的 Ultron。一个中央化的、全知全能的超级智能。
但如果超级智能不是这样产生的呢？如果它是从大量"没那么聪明"的小智能体的协作中涌现出来的呢？
这个思路有一个强大的生物学类比：大脑。
人类大脑由大约 860 亿个神经元组成。单个神经元是非常"笨"的——它只能做简单的加权求和和激活。但当 860 亿个神经元通过复杂的网络连接在一起时，意识、智能、创造力涌现了。
没有哪个神经元是"聪明"的，但整个系统是聪明的。
更宏观一点看，人类社会本身也是这个原理的体现。单个人类的智力是有限的，但当数十亿人类通过语言、文字、互联网连接在一起，通过市场经济进行协作时，人类作为一个整体展现出了惊人的集体智能——我们建造了城市、发明了互联网、登上了月球。
"人其实更多的时候，是人和人之间进行交互，然后共同通过市场经济来达到一个共同的目的。"田鸿飞说。
田鸿飞提到了特斯拉的例子：
"特斯拉在做 100 万个 Human Simulator 来计算，他们一个观点其实很有意思：就是说相对于大家都在做大模型、参数越多越好的时候，他们在做一个小模型。他们的关键是——小模型可以 Iteration 更快，然后我也可以通过小模型之间的协作产生更多的智能。"
这是一个务实的工程选择。特斯拉的自动驾驶必须在车载芯片上实时运行，它不可能依赖云端——网络延迟会让你的车在做出反应之前就撞上障碍物。所以特斯拉被迫走小模型路线。
但这个"被迫"的选择反而可能指向一条不同的道路。
"这个是第一次听说到还有一个这么大的特斯拉在做这个方向，我觉得都是一个很有意义的探索。"主持人说。
讨论到这里，田鸿飞提到了一个业界共识：
"大家现在已经有共识了，就是说现在大模型训练的数据已经把世界上可能用到的数据已经都用完了，他们说叫碰到了数据的墙。然后98%的数据都是在私有的，是没办法被大模型采用的。"
公开互联网上的数据——维基百科、Reddit、GitHub、新闻网站——已经被各大AI公司爬了个遍。但这些只占全球数据的 2%。剩下的 98% 在哪里？
"这里面有相当大一部分数据是在企业的数据库里边，" 田鸿飞说，引用了 Oracle 创始人 Larry Ellison 的观点，" 他会都在 Oracle 数据库里边，然后是需要得到授权使用的。这是Oracle他们的一个战略，是如何帮企业更好运用数据来训练超级智能。"
还有一部分是个人数据：聊天记录、邮件、照片、语音备忘录、行程记录……这些数据极其分散，格式各异，散落在 Facebook、微信、Gmail、iCloud 的各个角落。
"如果我们大家就用 Olares 的话，我们可以用 Olares 作为一个个人数据的一个集中点。" 田鸿飞说。
这就回到了他们产品的核心价值主张：边缘设备可以成为个人数据的汇聚点，而这些数据可能是训练"真正像你"的AI的关键素材。
田鸿飞抛出了一个惊人的论断：分布式智能体的协作网络已经存在了。
"其实我们最先一个由 Agent 自组织的这样一个交易网络，其实已经有了，已经存在了。我们的交易市场就是 Trading。"
Indigo 秒懂："现在股票市场的 60% 交易量来自于高频交易，对吧？量化交易。"
这是一个被忽视的事实。当我们想象"AI 协作网络"时，我们可能想的是某种科幻式的未来场景。但实际上，全球金融市场已经是一个由算法主导的协作（或对抗）网络。
在纳斯达克、纽交所这些交易所，每天有数十亿次的交易发生，其中大多数是由算法自动执行的。这些算法——你可以叫它们"交易 Agent" —— 24 小时不间断地监控市场、分析数据、做出买卖决策。
它们之间没有"合作"的意图，每个 Agent 都只是试图为它的主人赚钱。但当成千上万个Agent 在同一个市场中交互时，一种复杂的集体行为涌现了：价格发现、流动性提供、风险定价……这些都不是任何单一 Agent "设计"出来的，而是从它们的集体交互中涌现出来的。
田鸿飞提到了一个有趣的公司：Numerai。
"最近有一个公司叫什么来着，他把所有的大模型跑去做交易。那公司本来我以为他是一个搞着玩的，后来我读了一下他们公司的博客，后来发现他们还是一个蛮严肃的做 AI 研究的公司。"
Numerai 的逻辑很有意思：他们认为金融市场的博弈是最难的AI任务之一，因为它是零样本学习的——市场永远在变化，历史数据的模式可能在下一秒就失效。所以他们把各种大模型放进这个"试验场"，用真实的市场反馈来测试和改进 AI。
这是一个"让市场来检验 AI"的思路，而不是传统的"在学术 benchmark 上刷分"。
对话到这里，主持人做出了一个犀利的总结：
"所有人类都被淘汰出局，最后只剩机器跟机器在上面搏斗。"
田鸿飞认同这个观点："其实这个已经在发生了。"
如果你是一个个人投资者，你可能还在用 K 线图、财报分析来做投资决策。但你面对的对手是什么？是能在毫秒级别做出反应的高频交易算法，是能同时分析成千上万条新闻的 NLP 模型，是有着 TB 级别历史数据和超级计算集群支撑的量化基金。
"我个人建议就是个人散户你就别进去在里面做高频交易跟 Agent 去搏斗了。"田鸿飞说，"对于人类来说，人类以后叫做投资，你做中长线就好了，做时间的朋友。"
这是一个务实的建议。在某些领域，人类已经不是 AI 的对手。但这不意味着人类完全出局 —— AI 在长期价值判断、战略思考、跨领域整合方面仍然不如人类。人类应该做的是找到自己的比较优势，而不是和 AI 在它擅长的领域硬碰硬。
"段永平前两天提到了这个事。" 田鸿飞提到了中国知名投资人的观点。价值投资的核心是理解企业的长期价值，而不是预测短期价格波动。前者仍然是人类的领地，后者已经是机器的战场。
特斯拉可能是世界上最大的边缘 AI 公司——它的每一辆车都是一个自主运行的 AI 系统，在本地处理感知、决策、控制。
Indigo 引用了一个 xAI 小工程师的采访（这里指的是 Sulaiman Ghori 的访谈）：
"他说 Elon Musk 给他们的指令就是：人就是机器做得更好的事情，坚决不要人做。"
具体到数字，是这样的：只要比人快 8 倍，商业模式就成立。
"任何 Digital Work 的时候，比人快 4-8 倍，那这个商业模式就成立，就是我们一定会雇佣这个 Digital 的东西而不用人。" Indigo 解释道。
这是一个极其简单的商业逻辑。如果一个 AI Agent 能在同样时间内完成人类8倍的工作量，那么即使它的能力只有人类的 80%，它的性价比仍然是压倒性的。
"所以他脑子是很简单，就这样算算数就好了。" Indigo 说。
这意味着 AI 不需要比人类"更聪明"才能取代人类的工作 —— 它只需要"足够快"。
Indigo 提到 xAI 的一个内部代号：Microhard。
"他说 Microhard，我要替代微软的，微软所有业务都可以用这个 AI 实现。"
这是一个惊人的野望。微软是全球最大的企业软件公司之一，它的 Office 套件（Word、Excel、PowerPoint）几乎是每一个白领的日常工具。如果特斯拉能用 AI 做出一个"更好的 Office" —— 或者更准确地说，一个让你根本不需要打开 Office 的 AI 助手——那将是对整个企业软件市场的颠覆。
"再比快 8 倍。" Indigo 补充道。
这就是 xAI 的逻辑：用足够快的 AI 来替代人类的数字工作，从而颠覆整个企业软件市场。这和 OpenAI、Anthropic 的路线完全不同 —— 后者在追求越来越"聪明"的模型，而特斯拉在追求越来越"高效"的执行。
田鸿飞指出，这是特斯拉（或者说 Elon Musk）一贯的方法论：
"他用把 SpaceX 的这个模型再玩了一遍。用 off-the-shelf、最简单最便宜的材料来做大家都本来以为很难的事情。"
SpaceX 革命性的地方不在于它的火箭多先进，而在于它用了大量"现成的"、"便宜的"组件，然后通过软件和系统集成来实现性能。特斯拉的 AI 可能也是同样的思路：不追求最前沿的模型，而是用"够用"的模型做极致的工程优化。
"用特斯拉的 144 TOPS 的这个机器，这个人类模拟器，来解决 Office 的 Work。这个是蛮有意思的。" 田鸿飞说。
讨论到这里，一个更宏观的图景浮现了出来：世界上边缘算力最大的公司是谁？
田鸿飞给出了他的排名：
"所以我是这样看这两家公司的，他们两家公司都是边缘算力巨头。"田鸿飞说。
然后他加了一句："还有我们。"
Indigo 笑了："给你立了很大的榜样。"
这不完全是玩笑。Olares 的愿景正是成为边缘AI领域的一个重要玩家。当然，和苹果、特斯拉相比，Olares 目前的规模微不足道。但如果"边缘AI"真的成为下一个计算范式，那么今天的小玩家可能成为明天的巨头——就像 Google 在 2004 年只是一个搜索引擎，但后来成为了整个互联网的基础设施。
对话的最后，主持人问了一个终极问题：
"你觉得在AGI、在超级智能到来的时代，边缘智能会是一个什么样的协同网络？"
田鸿飞的回答从一个物理学原理开始：
"Elon 说的一个很对：既然光速是有限制的，光速是有极限的，那么就不会出现一个垄断一切的超级智能。"
这是一个深刻的洞察。科幻小说里经常描绘一个无所不在、无所不能的超级智能，但物理学给这种想象设定了一个硬性上限：信息传递需要时间，而光速是信息传递的极限速度。
如果你在北京运行一个 AI，它想获取纽约的数据，光纤中的光至少需要几十毫秒才能跑完这段距离。如果它想控制月球上的机器人，信号往返需要 2.5 秒。如果它想影响火星上的任务，延迟是 4 到 24 分钟。
"因为你总是有上限嘛，那上限大家都会到上限，那上限我们怎么竞争呢？"田鸿飞说。
这意味着即使 AI 变得无限聪明，它也无法摆脱物理学的限制。在足够大的空间尺度上，中心化的控制是不可能的。分布式、去中心化的架构不仅是一种选择，而是一种必然。
"你能到达光速，我也能到达光速，那我们迟早要 PK 嘛。" Indigo 说。
这是博弈论的经典逻辑。如果每个参与者都能达到某种能力上限，那么最终的结局不会是某一方的绝对胜利，而是某种形式的均衡。
在 AI 的语境下，这意味着不会出现一个"统治一切的超级智能"。更可能的场景是多个智能体——有的在云端，有的在边缘，有的代表个人，有的代表企业——在某种协议框架下共存、竞争、协作。
"所以说不会存在这样一种超级智能，"田鸿飞说，"如果我们把智能推到极限，那我们就是每一个端侧的智能，或者服务器端的智能，你只要足够好、性能足够强大，那你就会——我们是均衡的力量。"
对话的最后，两位老友勾勒出了他们共同的愿景：
云端将存在具有极高推理能力的大模型，因为数据中心的算力确实更大。但这些"超级智能"不会垄断一切。
边缘将部署大量的"次级智能"，它们在本地处理日常任务、保护个人隐私、快速响应交互需求。
两者之间通过某种协议进行协作。边缘智能可以调用云端的大模型来处理复杂任务，云端模型可以利用边缘设备产生的数据来持续学习。
"以后我们互联网就不叫做互联网了，应该叫做 Intelligent，叫智能 Web。" Indigo 补充了一个更具体的场景：
"以后网站我开发一个服务，我都不是给人用的嘛。你看你现在 Computer Use，然后去看人类用的那些网站。如果说我想更高效，那我的 Agent 和你的 Agent，我们访问你的服务，我就一套 API，或者是一个什么 MCP，或者一套 Skill 协议就搞定了。这通讯效率巨高，所有东西都会可能是十倍百倍的提效。"
这描绘了一个 Agent-to-Agent 的世界：网站不再是为人类设计的图形界面，而是为 AI设计的 API 接口；交互不再是人类点击按钮，而是 Agent 之间的协议通信；效率的提升不是 10%、20%，而是 10 倍、100 倍。
当 Agent 开始代替人类进行交易时，支付系统也需要改变。
"Agent 支付肯定是用 Crypto 支付嘛。"Indigo 说，"直接绕过人类这一层了，都不需要人类的这个 KYC 的。"
这是区块链技术可能找到的一个真正的应用场景。人类的支付系统建立在身份认证（KYC）和法规合规的基础上，但 Agent 不是人——它没有护照，没有社会安全号，没有银行账户。如果 Agent 需要支付另一个 Agent 的服务费用，用传统的金融系统是极其笨拙的。
而加密货币天生适合这个场景：它是可编程的，不需要中间人，可以在毫秒级别完成清算。
"我们 Olares 的 ID，其实是基于区块链的 DID（去中心化身份）设计的。" 田鸿飞说，"我们虽然不是一个区块链企业，但是我们其实用了很多区块链的技术。我们有个信仰，是觉得未来的 Agent 和 Agent 之间的协作，如果是基于市场机制的协作的话，很可能会需要用到代币去支付对方的费用。"
这就闭合了一个逻辑环：边缘设备产生数据和执行任务，AI 模型提供智能，区块链提供身份和支付基础设施，所有这些组件通过开放的协议连接在一起，形成一个去中心化的智能网络。
这场长达七十多分钟的对话，从一款边缘 AI 设备开始，最终触及了关于智能、隐私、去中心化和人类未来的根本问题。
田鸿飞的技术轨迹 —— 从网格计算到比特币，从创新工场到 Olares —— 贯穿着一个一以贯之的理想：分布式、去中心化、个人主权。这不仅是一种技术偏好，更是一种价值主张：在一个日益中心化的世界里，个人应该有能力掌控自己的数据、自己的计算、自己的数字存在。
Olares One 只是这个理想的一个具体载体。它可能成功，也可能失败，但它代表的方向 —— 边缘 AI、个人云、分布式智能 —— 几乎肯定会继续发展。
当所有人都在仰望云端的超级智能时，也许我们应该低下头看看：真正的智能革命，可能正在我们每个人的桌上、口袋里、家里的角落中悄然发生。
正如田鸿飞在对话结束时说的：
"边缘算力以后是这个智能世界最大的一个趋势。云端他可能在做，但云端他也会把模型慢慢训练好然后边缘去部署。然后边缘会生成大量的硬件出来，最后来做计算。"
我们正站在一个分岔路口。一条路通向中心化的超级智能，由少数科技巨头控制；另一条路通向分布式的智能网络，由无数节点共同涌现。历史会证明哪条路是对的，但至少，选择权仍然在我们手中。
毕竟，光速是有限的，而人类的想象力不是。
本文基于 Indigo Talk 播客第 41 期整理创作，嘉宾：田鸿飞（Olares 联合创始人）
