全面逆袭了

最近我看到一个新闻,我是震惊的。

《自然》杂志统计了各个机构的顶尖论文数量,发布了2024年的Nature Index,中国高校在全球前十名中占了九所,一片大红。


其实去年就已经8所了,今年我旦成功把MIT挤下前十。

二十年前,2005年我还在读书那会,哪见过这种阵势。

甚至十年前,2015年的排名,也可能更符合不少人对当前中国科技的印象吧。

有不少人持有这样的观点,中国造不出光刻机,也就造不出自己的芯片,英伟达一枝独秀。AI大模型又是都用英伟达芯片,所以 AI 竞赛上,中国是赶不上美国的。

实际情况是分层的。

芯片层面,美国绝对领先。英伟达一枝独秀。

大模型层面,美国略优,差距存在但不悬殊。OpenAI和Google 也领先,但是阿里Qwen、DeepSeek等模型也并不弱;甚至多模态模型上,可灵即梦海螺生数爱诗万相全方位领先国外(最近的veo3和香蕉才给美国扳回一城!)

ToC应用层面,中国领先了。

我画了一个竞争态势如下图,详细的模型和技术暂时不展开。

下层技术的优势并不能天然扩散到上层技术中,每上升一层,所需的技术就多出很多新的维度。大模型,比拼的是算法、算力和数据,这三样都要强,芯片技术只代表算力的强弱。算法人才中国并不犯怵,甚至美国 AI 大厂里的核心算法人员还是华人。而数据上,语言数据简中要差很多,但是多模态数据强啊。所以综合起来,大模型层的差距就被拉近了。

同样的逻辑,下层大模型的优势,并不能天然扩散到上层应用中。大模型只是解决了智商问题,应用还有产品化能力和生态/场景。而中国拥有的统一大市场和大量线上化的场景和数据,广泛的工程师红利,对AI行业中一些灰色的伦理、法律问题采取更包容的态度,这些都是催生AI应用的良好土壤。不少中国团队的 AI 应用还能走出海外。根据 aibase 的统计,在移动端AI应用产品Top 50里,中国团队占据了44%。

再说回来,就算只能用英伟达芯片又怎么样呢,不少重要的模型训练的突破是中国团队或者华人做出的。比如何恺明的ResNet、Edward Hu的LoRA、杨植麟的Transformer-XL、DeepSeek的多头潜在注意力架构、谢赛宁的DiT,更不得不提阿里的Qwen,可以说是开源被使用最广泛的基础模型之一,斯坦佛大学教授“AI教母”李飞飞都用Qwen来finetune她的推理模型。

近日传OpenAI研究员、思维树CoT的作者姚顺雨被腾讯用亿元薪酬挖角。这个消息被腾讯辟谣了,只是不知辟的是加入腾讯的谣,还是亿元薪酬的谣。

中国科技,也是慢慢好起来了。

希望行业和资金也会慢慢好起来。

AI 没有终点

(一)

读了OpenAI姚顺雨的AI下半场,我觉得姚说的很有道理,过去的AI能力发展在训练方法或模型的突破上,有一段时间观察到Scaling Law, 不过这个Scaling Law已经放缓,人们开始意识到AI能力不仅仅是模型架构或者训练。

于是姚顺雨说,评估是下半场。

评估是什么呢,评估就是所谓的“目的”,我之前跟人讨论过一个事情,认为人总有一部分是AI替代不了的。其实核心原因是 AI 是先被设定好目标之后再训练的,而人自己会设目的。当时举的例子是,没有一个事情是人能做或者说某种创意/风格只有人能做,AI 不能做的,因为AI一定能学会。但问题是,人的目的不是芝诺悖论中不动的飞矢,他会在AI能力的边界上蹦哒。AI一定会学会所有事情并且把产能拉到无限成本打到白菜价,但是落到每个确定的时间点,AI一定有东西还没学会,没做得那么好。事物的价值的最大化,就卡在这个似会又不会的缝隙中。完全会了的没价值;完全不会的做不出。这个缝隙是一直会存在的,还会像水位一样随着AI的能力变迁。

 

(二)

这就涉及如何正确认识价值的问题了。

价值究竟是什么,价值怎么产生的,比如货币等于价值吗,货币有价值吗。

这些都是价值论范畴的议题。我们把讨论限定在商业价值,就是有人愿意花钱买、愿意做交换的那种价值,不包括抽象的文化价值之类的。

首先破除两个常见误区。

1、价值就是有用。错。反例:空气有用,没有空气人活不下去。但是你用袋子装了一袋空气,没人会拿钱来买的,空气没有价值。有用只是有价值的必要条件,价值还需要具备稀缺性,才有可能进入市场交换,体现出价值。价值 = 有用性 x 稀缺性。AI能力越大,只是越有用,但如果这个AI能力普遍可得,那就失去了稀缺性,价值归零。—— 除了空气,还有其他类似的东西,我们开车天天走在马路上,马路很有用,可是马路是免费的。马路在刚刚建造出来,整个城市还没那么多的时候,才是收费的!

2、有人需要就是需求。错。经济学101:需求是有支付能力的需要。没支付能力的需要是伪需求。反例:我们想象一下,未来的人类50亿人,有40亿人变成缸中大脑,既不劳动产生价值,但是这些缸中大脑还有娱乐需求。这些娱乐需求有价值吗?就算这40亿个人脑互相产生几万亿的娱乐内容,也是没价值的。我们不能把这种客户定位为我们的目标客群。

退一步来说,即使不要用“缸中大脑”这么未来科幻的例子,就说今天现实的事情。地球上有几千万只猴子,他们也有像人一样的喜怒哀乐。但是这些猴子并没有参与人类的劳动价值创造网络中。给这些猴子提供娱乐服务,是没有商业价值的,显然我们不会把这些猴子当做我们要服务的客群。

保持在价值网络中是很重要的,并不是创造出更多的activity就有价值。价值不是凭空产生的,他需要来源于人与人之间的交换。人之所以可以成为交换的主体,是因为他们有能力从事生产、有能力支配产出。未来AI Agent如果也能从事生产、有能力支配产出,那也可以形成价值网络。没有能力从事生产、没有能力支配产出的人其实是在价值网络边缘甚至网络以外的。娱乐价值其实是从生产者的产出中分一杯羹,如果生产者主体的价值不够高,那也分不出羹。如果一个主体没有了价值,那为他提供娱乐服务也无价值。

但是人类中好像大部分人都不是所谓高价值的人的啊,好多企业(比如拼多多、短剧)都是服务下沉人群取得的成功。这些案例怎么解释呢?我想提一个点,中国即使是最下沉人群,他们的生产力和生活水平也是极速提升的,在全人类的排行中快速上升。1990年城市里有些粮食还要配给,还经常停电,而今天即使在三、四线城市,人们也早已远离了挨饿,生产力水平在过去一直是高速发展的。中国企业中的“下沉人群”,其实是在一个整体高速上升的系统中,往下走取得的成功。如果不存在这个整体上升的趋势,单纯打下沉人群是没价值的。今天最下沉的人群仍然是非洲,加沙地区里的人好多也有需求,但他们都没有商业价值啊。

 

(三)

一种很危险的想法是,如果AI做到什么什么,就会替代人,变成AI统治的世界。

除了上文提到的,价值 = 有用性 x 稀缺性,稀缺性的消失之外,还存在一个问题。这是一种历史终结论的倾向。

换句话说,我们刚刚只是假设AI已经达到高度强大的最终状态,推断出这种最终状态下因为稀缺性消失会带来价值的灭失。但这种假设的最终状态也是永远不会达到的。

在我们可以看过的无数历史中,终结论是一种人们很容易愿意接受的理论,人们用各种理论证明、逻辑推演来增强它的可信力,甚至让社会中大部分人相信。

越是理论水平高的人,越容易被历史终结论诱惑。但总是到最后被时间证明是错的。

1989年冷战结束后,美国学者福山写了一本书叫《历史的终结》,相信“自由民主+市场经济”是人类社会唯一正确且最终的形态,社会结构不再大变动,生产力线性外推发展。实际呢?民主变成民粹,市场经济遭到08金融危机。

再往前倒,共产主义就是一种历史终结论,共产主义社会是人类社会发展的终点。在那最终达成的共产主义社会里,物质极大丰富,人人都可以吃得上土豆烧牛肉,社会没有阶级矛盾。实际呢?看看苏联……邓公提出的我国将“长期处于社会主义初级阶段”真是太有智慧了。

再往前倒,1800年,有人坚信随着蒸汽机和工厂的发展,贫穷和饥饿将彻底消失,社会矛盾会自然消解。但工业革命带来了新的问题,劳工剥削、工作时间越来越长、阶级冲突。

我想引用我跟李广密的一段交流。AGI应该是一个方向,而不是一个可以停下来的目的地。

人类的科技一直是线性朝前发展。但很可惜,人类的社会一直在打圈。

这个打圈的周期是几十年到上百年。

我最近在读当时操刀了皮克斯IPO的投行分析师沃格尔写的《娱乐产业经济学》,这是经典教材级别的内容,第一版是1986年出版的,之后每隔几年都会根据行业情况进行更新,可以说,这本书穿越了娱乐产业起起落落好几个周期。

从1995年至今的30年,因为科技进步,每周人均劳动时长从50小时下降到40小时,有了更多娱乐时间。但是,1948年每周人均劳动时长,也差不多是42个小时。工作时长从1948年到2018年,从41小时涨到50小时,又跌回43小时。娱乐时间是工作时间的补集。也就是说,今天的娱乐时间,跟80年前也没差区别。

所以说,最近30年娱乐市场的增加,真的是“因为科技进步”吗?我们可以做线性外推,认为未来人类娱乐时间会继续增加吗?

要克制自己历史终结论的倾向。

类似的讨论,还有“AI究竟让普通人有更多机会,还是让少数人掌控更大资源”。

短期来看,科技突破会让少数掌握技术的人获得巨大利益,今天的AI,最先受益的是顶尖公司(OpenAI、NVIDIA)、头部科研人才和资本方,而不是所有人,短期内,科技进步往往会加剧不平等;中期来看,技术扩散,门槛降低,更多人能用到、更多人受益,带来相对平等。印刷术的普及最终让更多人能读书,导致宗教改革和启蒙运动,知识不再只属于少数人。工业化中,机器一开始让资本家获利,但在几十年工人运动、制度改革后,才带来普遍教育、社会保障和更广的中产阶层。互联网最初是精英玩具,但中期发展让信息和教育资源更加开放,缩小了一些信息鸿沟。长期来看,人类社会就是在平等和极化之间波动,分久必合,合久必分,跟科技进步与否无关。

古希腊科技并不发达,但城邦制度下的公民平等;中世纪欧洲科技也不发达,封建等级森严,几乎没有社会流动,成为黑暗时代;而同时期宋朝科技比较发达,火药、指南针、活字印刷、冶金、纺织、农业水利,均处于世界前列,寒门子弟通过考试可以进入仕途,打破了部分世袭门阀的垄断;到了当代的信息革命时代,属于科技发达,北欧社会就比较平等,美国社会就不平等。

四种排列组合都齐了。

总之,科技树是越爬越高,人类社会没咋进步。

我之前跟教主提过一个问题。创业团队要做的的事情,一开始因为整个行业的技术都还不够成熟,暂时做不了;等到大厂解决了技术问题,又不是创业团队的机会了,还得往下一代产品升级,但这不又进入下一个“技术不够成熟,暂时做不了”的循环了么?那创业团队的机会在哪里,这个事情究竟什么时候开始做,怎么做?

我有自己的答案,就是文章开头提到的,AI完全会了的事情没价值(或被大厂吃掉);AI完全不会的事情又做不出。价值的最大化,就卡在这个似会又不会的缝隙中。

我们就不应该去等AI技术发展到什么状态才开始着手做某个事情,因为永远等不到。我们就应该站在当下的时间点,叩问当前的这条价值最大化的缝隙在哪里,我们的投入是否能在这条缝隙闭合之前能够收回,或者支撑我们到达下一个缝隙会出现的地方。

美国就业真的很糟:AI 影响?

上个月劳动统计局公布的非农就业数据,下修了5、6月25.8万的就业数,让BLS劳工统计局长就被特朗普给炒了。本周二新BLS新局长公布2024年4月到2025年3月的全年就业数据,合计又下修91万。

宋雪涛在他的播客《宏观七日谈》里提到:过去的非农为了抢时间,BLS是根据抽样回来的数据,再根据企业新生-死亡模型反推非农就业的。每个月的初值在参照期后约3周发布;随后连修两次(第二个月出二次预估、第三个月出最终样本估计)。这三版之后,数值一般冻结,直到年度基准。这个反推里边就要带着模型估计了,这个模型叫做BLR加权链模型,在劳工统计局官网有详细的公示。

这个模型估计里边有一些问题是最近出现的。

第一个问题,是抽样率下降。一方面是BLS人手下降,发放的问卷数量下降,其次是回复率只有60%,过去能达到7、80%以上。抽样率的下降让统计数据的方差波动变得更大。

第二个问题是对于新企业的创造就业的能力的估计。按照过去模型的算法,新企业创造就业的能力是强于老企业,能够吸引更多的就业。现在的情况看上来恰恰相反,美国总就业人数在下降的同时,美国总的企业数量又在增加。换句话说,平均每个企业雇的员工人数是在下降的。美国出现的新企业更多是小企业,甚至是一个人企业。像过去那种超级大企业,看来上是越来越变少。这个有没有跟AI对于一人公司生产力提升有关,我觉得还是一个很有趣的话题。

这波年度下修91万人比例还是比较大的,相当于2024年新增就业的一大半。下图是按行业进行的细拆。

服务业板块被显著下修。休闲酒店业和零售业,这两个行业是高流动率、小微企业占比高的,企业新生-死亡模型很容易低估死亡,高估新生。零售门店的边际转弱,预示着线下消费放缓、关店和缩减。

专业服务业则在最近几年持续走弱,实际抽样匹配的企业的新生-死亡模型可能还是偏乐观。而且专业服务业还有1099兼职外包替代W-2雇佣的问题。1099 Form是美国企业聘请兼职员工需要填写的表格,W-2 Form是企业上报正式员工要填写的表格。等到年度结束,IRS实际收到W-2表格一看,发现专业服务业企业越来越多企业把原本W-2的岗位转成1099外包形式,以减少固定成本和社保税。

代表IT和AI的信息业,在去年也下修了10万人。这展现一个问题,虽然AI概念资本热度高,但它更多体现在生产率、资本支出、并购和合同工上,而不是大规模雇佣。尽管从2022年开始的科技大厂裁员周期基本已经结束,AI投资的落地也带来企业效率的提升,后台支持部门、传统产品线裁撤仍在发生。AI行业还处在克里斯坦森的破坏性创新曲线的前半段。

a16z: Retention is All You Need

不是说AI公司现在的留存都问题,但现在衡量留存的指标有很大问题。

许多按需付费或按月计费的AI产品模糊了消费者和企业用例之间的界限,这使得衡量留存率变得很棘手。随着大量AI游客在注册几个月后就流失,早期的曲线不像SaaS和消费互联网公司那样能很好地预示长期留存。

在分析了数百家AI公司后,我们发现,将留存和客户获取的计算基准从第0个月 (M0) 调整为第3个月 (M3),可以让创始人们更好地了解长期留存的早期指标、评估产品与市场的契合度、预测单位经济效益,并做出更明智的市场进入投资决策。

我们认为,随着产品的改进并抓住服务工作负载的价值,领先的AI公司未来甚至可能比他们的SaaS和消费互联网同行拥有更好的长期留存。

我们先研究下留存曲线的特点。

 

剖析AI留存曲线

我们从数十家顶尖的AI公司那里提取了留存数据,并将其标准化为总收入留存报告。每个cohort的留存可以分解为几个不同的阶段:获取(M0-M3)、留存(M3-6-9)和扩展(M9+)。

获取 (M0-M3)

传统上,留存是以新用户注册或激活为锚点的,也就是第0个月 (M0) 。鉴于AI游客的激增,当公司筛选掉非核心或业余用户时,收入留存曲线通常会看到最初的下降。曲线在哪里以及何时开始趋于平稳主要取决于 (i) 应用程序的普适性以及 (ii) 公司如何决定设置付费墙。

大多数情况下,曲线在M3左右开始趋于平稳。对于长期的收入留存来说,确切的时间并不那么重要——只要曲线最终趋于平稳就行。但这对获客效率来说很重要。

普适性强的产品会吸引更多业余用户,尤其是当价格不高的时候,大多数潜在用户是愿意花20美元试用一个月的。尽管付费墙严格的产品一开始会带来更多付费用户,但如果他们没有看到即时价值,会很快流失。反之,提供慷慨的免费试用期的产品,其转化为付费用户的客户更有可能保留下来,从而显示出更高的M3留存率。

存留和扩展 (M3-12+)

一旦留存开始趋于平稳(我们说是在M3的时候),业余用户大多已经流失,剩下的用户已经找到了高影响力的用例、体验到了持续的价值,并决定继续投资该产品,而不是试用竞争对手的产品。

大约6-12个月后,留存下来的客户可能会开始扩展,通常是通过增加新的工作流程,公司可以通过基于使用量的定价或试用额外的产品功能来变现。我们在AI原生的公司中看到一个宝贵的现象,即客户留存的微笑曲线,这表明随着产品功能的改进,流失或使用量较低的客户会回来或更频繁地使用该产品。ChatGPT的留存曲线就是这种行为的完美例子。如果我们把App的使用量也考虑进去,可能会看到更大的微笑!

 

净收入留存 NDR = M12 / M3

这就是我们新公式的用武之地。M3代表你的真实客户群,是AI游客流失后的剩余部分。M12显示了这些忠实客户在标准一年账户期内的表现。M12/M3 衡量了那些经受住游客流失(M3)的客户在他们第一个完整年度内的表现如何,并作为长期留存质量的早期预测指标。

今天,行业领先的按需付费或按月计费的AI公司已经在这个指标上表现出色,这是一个超过100%长期NDR的领先指标。以下是我们分析数十家ARR超过100万美元的AI公司后得出的一些基准数据。

你的留存曲线趋于平稳,然后在M12显示出早期扩展迹象,这会带来多大的变化?将曲线往M12以上周期延伸,会发现随着时间的推移,你的NDR指标将接近老用户的高留存。即使新用户cohort最初的留存还是在下降,总体用户平均值也将趋向于>100%,这甚至按历史SaaS基准来看也是很有吸引力的。

例如,我们假设你的收入留存曲线趋于平稳,并在M12开始上翘。如果我们把留存率延长到12个月以上,我们会发现长期留存实际上可能比x.com上的人所说的要好得多。正如右边的表格所示,随着业务中老用户占比增加(它们已进入扩展阶段),整体NDR指标会提高。

 

如何使用此分析

衡量产品与市场的契合度

强劲的留存是产品提供持续、可重复价值的关键信号。然而,如何利用留存来衡量产品与市场的契合度,根据你的计费方式,会有些细微差别。

对于月度合同:使用留存曲线作为产品与市场契合度的直接信号。月度客户可以轻易流失,所以如果他们能留在M3之后,你很可能打造了一款具有持久力的产品。

对于年度合同:要小心,不要因为高留存数据而产生虚假的安全感,因为这些客户是被锁定的。相反,要追踪参与度指标,如使用模式和功能采用情况,以了解你产品的真正价值。最初的使用量在采用后可能会短期下降,但正如我们所讨论的,它应该在几个月后趋于平稳并最终回升。

 

为市场进入投资规模提供直观判断

在预测5年的 LTV/CAC 回报时,留存是最重要的输入指标。没有强劲的留存,增加市场进入支出只会给一个漏水的桶加水。这就是为什么我们追踪M3的每保留客户成本,它衡量了市场进入支出如何有效地创造耐用用户,而不是短暂的“游客”。

如果你的留存曲线在M3之后仍然有意义地持续下降,和/或你的留存根本没有趋于平稳,这是一个警告信号,表明最初的客户喜悦没有转化为持久的实用性。如果你的曲线稳定下来,你就可以更可靠地预测单位经济效益,并更积极地进行市场进入投资。此外,当你确信客户会留下来时,你可以承受更长的回收期。

 

这只是个开始

正如我们和同事David George所写的,留存是“模型破坏者”(modelbusters)的核心组成部分,这些公司的增长速度和持续时间都超出了任何人的预期。随着越来越多的AI公司拥有“微笑”的留存曲线,我们可能会看到留存率远远超过我们在SaaS中见过的任何情况——从而推动规模化的复合增长、成熟时的高利润潜力,并最终形成比我们之前见过的更大、更持久的公司。

我们能看到在达到规模(ARR 超过 5 亿美元)时,NDR 达到150%吗?有史以来第一次,答案可能是肯定的。

 

来源:https://a16z.com/ai-retention-benchmarks/

a16z: 网络效应和 AI Native 产品

今天的嘉宾是Chris Dixon,最知名的投资案例包括Uber、Venmo、Stack Overflow、Pinterest、Instagram等具有强大网络效应的公司。无论是投资者还是企业家,最重要的事情是寻找到能指数型增长的力量。

 

(一)

从工具到网络

Chris:我在2015年写过一篇文章,叫做 Come for the tools, stay for the network. 最早的Instagram是没有网络效应的,它只是给照片加滤镜的工具。当时其他滤镜工具如Hipstamatic要收费,因此Instagram获得了早期增长。Instagram还可以让人很方便地转发到Facebook和Twitter跟人分享,其实是蹭到了其他网络的流量,当然你也可以在Instagram自己的网络上分享。只有一两年的时间,Twitter就会封了Instagram的分享,而Instagram自己的网络变成了主要的分享方式。

今天你能看到类似的事情,2017年的Substack一开始也是蹭Twitter电子邮件网络的流量,现在越来越多人通过Substack的App打开了。Stripe开发的Link产品也开始产生网络效应,我可以把信用卡信息保存在Link里,不用重复输入,你在各种使用Stripe的应用程序中都能很方便支付。这是一个很强大的策略。

当然,这些产品的社交属性对于是否能从工具变成网络也至关重要。比如Google Docs,很好的工具,我也会通过分享链接发给其他人。但Google Docs真的有网络效应吗?似乎不像Instagram粉丝关系那么强。在今天AI的时代,你能看到更多好的工具,但是你也可能很快换到另外一个新工具。怎么提高用户留存?大部分的答案还得是:网络效应。

 

(二)

先验的设计,还是后验的涌现?

主持人:实际上,现有大型网络平台对于蹭他们平台流量出现新的平台是非常警惕的。10年前的Twitter可能对Substack还睁一只眼闭一只眼,而今天Facebook则把很多可能威胁到它的平台直接买下来,比如 Instagram 等。

所以现在新产品要建立网络效应会更困难。因此,很多产品的从工具属性发展出细分垂直的功能和不同的审美(品味 Taste)。Midjourney和Ideogram的审美风格就明显不同,所以现阶段这些工具产品能共存。看起来工具产品随时会被替代,但目前还没有太多的工具产品激进地建立自己的网络效应,这也许跟AI创业的发展阶段有关。但我觉得这对AI创业者是个很重要的问题,当前的AI工具好像没多少网络效应,那我现在应该预先设计好网络效应,还是继续推动AI工具的边界,等待某种网络效应的产生。

Chris:除了建立网络效应,也可能有另外一种发展路径,就是在某个垂类开拓了一个利基市场,这个利基市场里的人有更高的付费能力。就像Gemini最高的订阅费超过250美元/月。在硅谷科技领域,人们低估了品牌的力量,或者说消费者惯性/粘性。就像ChatGPT,没有任何网络效应,但是他家喻户晓,已经出现了留存的微笑曲线。品牌的力量是很强大的,就像Cursor,也被人们认为就是最好的vibe coding平台一样。

 

(三)

外化的网络效应

主持人:科技界认为,网络效应是防御性的黄金标准,那你觉得建立足够高DAU/NPS的产品,就能有足够的护城河吗?当然你也提到了品牌能带来的用户粘性可能被科技界大大低估,是不是我们应该把DAU/NPS和品牌等其他东西结合起来才够?

Chris:最近我们几个合伙人在争论的一个点是,可能网络效应已经被外化到整个互联网上了。当你在使用Cursor或者Midjourney,你发现在Youtube和各个网站上出现了介绍你的产品的KOL、有Medium网站介绍使用指南等。这跟当年互联网不一样,现在互联网已经建立起来了,有几十亿的现成用户,也许现在不同了,你周围的相邻网络给你带来了网络效应,你尝试搜索,ChatGPT 给你推荐,LLM模型内化了人们对你的品牌认知,形成一个巨大的系统。那你得做得早、做得快,成为第一个“XX”,并一直在互联网这个大的网络系统中强化下去。当然,融足够多的钱,资本也是一种护城河。正如科幻作家威廉·吉布森所说的,“未来已来,只是没有均匀分布。”

 

(四)

idea vs 执行

主持人:创业究竟是idea更重要,还是执行更重要?

Chris:我觉得重要的是,你在玩哪个迷宫。你在玩AI迷宫,还是医药迷宫,还是AI视频生成迷宫。我之所以称之为迷宫,因为它太动态了,世界无法预测。作为一个投资人或者企业家,你怎么在这个AI迷宫里呆十年,你需要有足够强烈的意愿、敏捷的身段、还有遇到困难坚持下去的决心。这不只是智力上的挑战,更多是心理上的。

AI 是一个明显的大趋势,每个人都知道Scaling Law很强大,AI能力每天都在增强。但具体在做的过程中,你得知道预训练何时收益递减,可能有100种不同的强化学习技术在探索,一些技术撞墙了,另一个实验室的聪明人的技术带来了突破。AI也像当年半导体行业一样,在宏观上是指数发展的,但其中的企业家也面临很多挑战。

最常见的挑战,就是大模型公司会不会把你的use case给吃掉。但企业家总是会说,我在垂直领域扎得足够深,这是我的优势,无论大模型公司做什么,我总能在我的产品领域保持优势,或者我将拥有如此好的品牌认知度、强大的用户基础等等。这是一种果蝇达尔文式的斗争,有成千上万的公司,很多公司的生命周期非常短,但是会涌现很成功的公司。所以对于企业家来说,这可能是一个非常残酷的过程。

 

(五)

原生产品:从摄影技术到电影

主持人:关于AI原生的产品,究竟是因为一个神奇技术的出现,改变了消费者的偏好;还是消费者的偏好先发生变化,然后他们发现了有AI原生的产品可以满足这些需求?

Chris:90年代的互联网,大家只是把一些商品目录、文字放上网。而要十五年后,才能出现类似Youtube这种产品,这在带宽和互联网渗透率不够高的时代是不可能产生的。需要时间。同样,当Youtube刚出现时,大量的视频都是搬运的盗版视频。需要好多年的时间才会出现原创内容和创作者生态。这些变化常常需要一代人的时间。对于AI,我们现在确实处在早期原生的阶段。对我个人而言,我更喜欢原生阶段,因为它更疯狂、更有趣。

但我想提到摄影技术的发明。当它第一次出现时,这似乎是对传统绘画的威胁。而且,你看到了艺术转向更抽象的艺术,以摆脱摄影的威胁。当年也有很多讨论,比如,摄影会让艺术变得廉价吗?但有趣的事情发生了,一种新的艺术形式出现了,那就是电影。电影是摄影技术的原生产品,你有了一种新的艺术形式。就像现在的AI画图一样。现在大家看到网上在自动化生成图片或者电影,但是AI会不会产生一种全新的媒介和体验,比如虚拟世界之类的。有很多种可能性,可能需要一代人,至少10年的时间才能让这种AI原生的东西出现。

主持人:没错,我们正在AI的命令行时代。你给AI打字,写提示词来操作AI。但是很多东西你很难用文字表达,比如说来描述我想要的一段音乐,只能说节拍是100 BPM,让人有什么感觉,实际你根本描述不了,一定有更原生的方式来探索AIGC,我还不知道是什么,但肯定不只是文字提示词。

Chris:现在人们不喜欢叫提示词工程Prompt Engineering,而叫做上下文工程Context Engineering,这是相当正确的。你要意识到你在现实世界做的事情,应该就是ChatGPT没办法习得的东西,把它变成context。我觉得我们现在处于一个不同的时代,互联网已经建成了,网络效应也许不那么重要了,因为他已经在网络中,或者说网络效应已经外部化到整个互联网上。过去的经验可能成为一种教条主义、一种障碍。

 

来源:https://youtu.be/tJdtt8n0Kgw

a16z: 创投要做非共识还是共识?

Leo Polovets,来自风险投资公司Humba。他在讨论中分享了自己的投资经验,认为他最成功的投资都属于“非共识”类型,尤其是在种子期和种子前阶段。他指出,这类公司由于融资更困难,往往在资金使用上更加节俭和高效。

Martin Casado,来自a16z。他是一名 A 轮投资者,观点是虽然共识投资不一定好,但忽视市场共识是个坏主意,因为早期市场效率很高,并且公司需要后续资金支持。他在x.com上发表的观点引起了投资人的争论。

 

有效市场假设是否成立

“非共识投资带来超额收益alpha的想法是非常危险的。后续轮次的融资是非常依赖共识的”

Martin(共识派):我发的这条推特的意思不是说“共识投资就是好的”,而是说“不注重共识是危险的”。如果你的观点只有你一个人是这么想的,那么有可能其实是你忽略了某些事情,而不是世界上其他人都错了。

Leo(非共识派):我基本同意Martin,最终你必须获得共识,否则公司很难活下去。但是我的很多最佳投资都是非共识的,不是因为我很聪明,而是这些公司早期确实难以融资,但一旦起飞,估值就暴涨,早期进入的回报才高。

Martin:不要把难以拿到融资等同于非共识。我认为市场其实很高效,好公司价格自然高。你应该找好公司,而不是便宜货。那条推特的本意是:别指望靠别人看不懂来捡漏。价格逼近回报曲线,从市场角度看就是高效。我们永远会看到存在两个极端:共识泡沫与过度悲观。平均而言,我觉得市场在变高效,定价更准,出手机会更多。眼下AI就是活生生的例子,有些AI公司靠想象融大钱,有些好公司却拿不到钱,但OpenAI、Anthropic、Cursor确实增长惊人,市场信号并非全是噪音。

Leo:行业冷热周期是很明显的。电商、国防、生物、人形机器人……融资估值随情绪剧烈波动,公司基本面未必变。看基金年份数据最直观:dot-com泡沫年,所有基金很惨,大家都多付了钱;2010左右Airbnb/Uber时代,头部基金大赚,市场悲观,敢反着下注就赢;现在大概介于中间。我回看自己top 10的种子轮投资,6-7家seed轮拖了一个多月、大量被拒,但从种子轮到A,或A到B估值能翻20-50倍。非共识→共识的切换很关键。机会在哪?1万家早期公司里最终有100家跑出来,大部分跑出来的公司其实出自早期没人看见的那个群体。非共识池更高效,投资人多了,再奇怪的项目也能找到一两个喜欢它的人;共识池反而更无效,10个term sheet能把价格抬到5倍,对投资人未必好。

 

非共识怎么变成共识

Martin:Leo,你投的种子常是唯一投资人,你有理论让它下一轮变共识吗?还是纯粹赌业务本身会好?

Leo:多数情况下是赌。尤其硬科技,A轮时产品可能还没影。我看的是,产品达到某些milestone后,能否让下一轮投资人写500万到2000万的支票。 milestone够扎实、资本需求适度,就好推。如果直接剑指5000万到1亿的A轮,那就难赌。

Martin:所以你确实会替下一轮“想看什么”做推演。被视为“非共识”对创始人伤害很大。产品必须非共识才有alpha,但融资时又得看起来像是共识,这就是现实。

Leo:我倒觉得非共识有好处:钱难拿,自然省着花,现金效率高;下一轮不确定,就不会盲目扩张;热门deal diligence反而松,“a16z/红杉投了,我两周内2倍markup跟进去”,结果可能踩雷。

Leo:AI公司增长史无前例,1-2年就能干到1亿ARR,但护城河也更脆弱。硬科技领域的国防、生物、人形机器人轮番炒估值,我们回避已炒到几亿美金的共识人形机器人项目。

Martin:市场大时TAM论证极易偷懒,只要市场无限大,期望回报就无限高。可无限大市场也对应无限竞争。

 

非共识带来创新

Leo:有人转发Martin的推特,评论“VC 已死”。因为如果市场是有效的,自己基金很难抢到deal,就会死。纯共识世界只剩资金成本游戏——谁LP要求回报低谁赢,没意思。

Martin:我也讨厌公募/PE 那种只关心可预测性、扼杀创新的玩法。VC更高效、更多钱涌入,对人类社会是正外部性效应的。90%的钱都拿去保incumbent、维持垄断地位。但我们要的是破坏性创新。未来会是“大基金持续赢+小而美的专家基金也赢”的杠铃格局。

Leo:真正颠覆的产品最初往往对顾客也非共识,比如iPhone无按键、Uber坐陌生人车。投资人其实比传说中聪明,他们共识投的那些公司,本身对消费者往往仍是非共识的。

 

Source: https://x.com/a16z/status/1963625559608758643

恭维的 AI 带来更隐蔽的幻觉

人们喜欢赞同自己观点的话,极易相信和自己观念一致的证据,甚至会主动或者不自觉地寻找这样的证据。

AI已经出现这样的现象,它会顺着你的话说。无论你提什么问题,它都能给你找到supporting。

caoz在他的公众号说了一个案例,他儿子不想学习,就拿着iPad用Google搜索了一句话,every day study is bad for health。Google默认结果第一条是Gemini,对这句话给出了肯定,并解释了为什么,他儿子就说,不要学习;于是caoz改了一个单词,every day study is good for health ,然后执行Google搜索,第一条依然是Gemini,而且也给出了肯定的确认,并解释了为什么。

而且巧妙的是,一个alignment做得好的AI,会辩证地提供回答,既给你正面supporting,同时也给你一些无关紧要的负面影响,这样会放大你对回答的满意程度。

也许,这跟模型训练时的RLHF方式有关,人们会把赞同自己观点的回答选择为更优的回答,模型因此也学到了恭维。

AI最危险的幻觉不是胡说八道,而是有理有据地点头附和。下一次用AI做研究,别停在答案上,不妨把问题反过来再问一次,辩证才更接近真相。

皮克斯的突围

1986年,卢卡斯影业的计算机动画部被乔布斯收购,成立皮克斯动画工作室。在近10年的时间里,皮克斯工作室靠乔布斯老板每个月的支票支撑生计。内容来自《孵化皮克斯》,作者劳伦斯·利维在1995年加入皮克斯,担任战略和CFO,主要运作皮克斯的IPO。他回忆了皮克斯做出《玩具总动员》和 IPO 前后的重大战略决策。

 

(一)

1995年的皮克斯,有四个业务。软件业务、商业动漫广告、动画短片、动画电影。劳伦斯是这么分析这四项业务的。

一、软件业务。

RenderMan是用来绘制电脑图像的软件程序,能渲染高质量的图片,颜色、光影的质量和细节都堪比照片。在业内有极高的声誉,还获得了“奥斯卡科学与工程成就奖”。这不是为消费者开发的产品,它的目标客户是特效公司、广告公司、制片工作室、电影公司,以及使用电脑动画制作高端特效的专业机构。总共只有50家大型工作室在日常工作中会用到它。只有50家重点客户——这意味着这款软件的市场容量很小。这款软件的平均售价是3000美金,只适合于高成本电影和一些想阐述某些理念的商业广告,否则客户不会采用这款软件,因为太贵了。在销量好的年份,可以卖出1000份RenderMan,年收入有300万美元。

RenderMan不太可能有爆发性增长,有些年份销量高些,有些年份低一些。劳伦斯要砍掉这款正在为公司挣钱的业务。他跟乔布斯说:我担心这款软件会让我们分心,我们现在让最优秀的工程师来为客户提供服务。我们应该把RenderMan留在皮克斯内部使用,无论我们怎么使用RenderMan,它与企业发展战略或上市都没有关系。

与其销售RenderMan软件,皮克斯选择了销售“动态模煳”专利,微软和硅图向皮克斯支付了超过1000万美元的专利授权费——还不用投入工程师和售后。

二、动画广告。

团队有六七名成员,为类似李施德林漱口水、趣多多等品牌制作小段商业广告。动画广告业务不仅零星而且难以预测,而且预算少的令人难以想象。制作一段30秒的动画广告能获得12.5万美元收入,但需要一个3到4人的小团队用大约三个月的时间才能完成。这笔钱只能勉强覆盖成本赚一笔小钱。如果成本预估错误或者出现意外情况,利润就被彻底抹掉了。在这个行业里,很多人都在为生计发愁,入不敷出。客户之所以信任皮克斯,是因为名气响,也很喜欢高品质的动画,但要价也很高,导致皮克斯往往接不到活。

动画广告业务为皮克斯带来的收益是很小的,几乎没有利润。作为一家公司的发展战略,动画广告是死胡同。

三、动画短片。

1986年《顽皮跳跳灯》是皮克斯的首部动画短片,曾获得“奥斯卡最佳动画短片奖”提名,之后每年都推出一部动画短片《独轮车梦想》《锡铁小兵》等,《锡铁小兵》获得“奥斯卡最佳动画短片奖”。问题是,动画短片没有商业价值,他们出现在商业展览和电影节上,有时候也出现在电影片头,但它们赚不了钱,甚至都没有必要做市场分析,因为根本不存在这样的市场。对皮克斯而言,动画短片的制作成本相当高,也不是检验和发展技术及故事脉络的手段。

四、动画电影。

起源于1991年和迪士尼签订的12页半的协议,由迪士尼出资和出品,皮克斯为迪士尼制作三部动画电影。协议期间在第三部电影发行六个月后终止。第一部电影《玩具总动员》将于1995年11月发行,距离协议签署已经过去四年。值得说一句,动画CG作为一种新兴技术,它的技术难题也给电影故事的讲述带来难题。这部电影选择玩具,而不是人或者动物主题,是因为玩具的材质是塑料的,有着匀称的表面,没有差异,没有皮肤,没有随着每个动作起褶皱的皮肤。玩具的几何形状更容易用电脑进行制作。出于同样的原因,这部电影的开场发生在安迪的卧室。这间卧室是正方形的,床、梳妆台、风扇、窗户、门等物体的几何形状都比户外物体更加明显,他们更容易画,也更容易上光。

协议期间,皮克斯动画制作部门只能独家给迪士尼提供服务。皮克斯不得将它给迪士尼呈现过的新片构思提供给其他公司,纵使迪士尼已经拒绝了这些构思。皮克斯作为制作方,除了迪士尼前期提供的费用以外,还能获得一定的电影票房收入减去迪士尼的成本和费用后,按照收入不同有7种不同的分成比例等级。按照测算,皮克斯最终获得的收益比例只有不到10%。用当时最好的动画电影票房做测算,《美女与野兽》票房3.4亿美元。那么如果《玩具总动员》的票房也能达到这个水平,皮克斯能拿到1700万美元,在4年制作周期内平摊,每年收入400万美元。——对皮克斯而言,做出一部史上票房第三高的电影,利润也几乎为零。而且制作一部真人电影只要一两年时间,而制作一部动画片则需要四五年时间,这意味着动画片制作商的平均年收益要低得多。

这就是好莱坞做生意的方式。迪士尼响皮克斯投资拍三部电影,而作为交换,它完全将皮克斯与自己捆绑在一起,似乎迪士尼无须收购皮克斯,就已经获得了皮克斯的所有权。从好莱坞律师看来,皮克斯是幸运的,它在没有任何业绩记录的情况下获得了一份能够为电影制作提供资金的协议,而这些独家经营权条款正是皮克斯为迪士尼承担这种风险所付出的代价。这只是好莱坞与后起之秀打交道的标准方式,无论是音乐领域或者娱乐业的其他领域,都是这样的。

新的增量是:家庭录像带市场。很多家庭电影,他们不想在电影院直看一次,而是重复看多次,人们买一盒录像带花30到40美元,也可以从百事达租录像带。这个收益将比电影票房大得多。家庭录像带正在将动画片变成一门大生意,比想象中还要大。皮克斯将进入一个数十亿美元的家庭录像带市场,这个故事投资人会喜欢的。

 

(二)

还有一个可能的增量:真人电影?劳伦斯和乔布斯向二十一世纪福克斯的前主席乔·劳斯学习了好莱坞真人电影的商业模式。

乔·劳斯:请把拍电影想象成一种投资组合业务,一家电影公司每年都会拨款拍摄一系列的电影,包括中小成本电影和高成本电影。然后,我们同样做市场推广,为每一部电影分配推广费用。我们发行这一系列电影,希望能创作出足够卖座的电影,弥补那些票房不佳的电影。一个组合里可以有6部电影,也可以多达15到20部,取决于年份、电影公司规模、融资方式和其他因素而定。我们并不知道那部电影会卖座。我们往往认为自己知道,但实际上并不知道。预测哪些电影可以脱颖而出是件很困难的事情。有时候,你知道大明星能确保开门红,但即使如此,你也无法知道这部电影最终会有什么样的票房表现。所以,这既是一种融资策略,也是一种创新策略。当然了,我们也想尽量拍出最有创意的电影,但做好正确的影片组合才是最重要的。电影制作不是一个好行业,光靠发行新电影是难以取得成功的,赚钱的都是老电影。当一部电影在够内外影院上映过后,它就进入电影公司的影片资料库。如果它是一部好电影,它会被人们长年累月重复观看。主流电影公司的利润和持续价值都来源于他们巨大的影片资料库。这些资料库的价值无法精确科学地评价,但只要看看好莱坞主流电影公司的市值,你会知道它有多重要。

摘自哈罗德·沃格尔所著的《娱乐产业经济学:财务分析指南》:

 

在很多人的想象中,没什么事情比拍电影更有趣、更有利可图。毕竟,《星球大战》的初始投资只有1100万美元,而它上映头四年的收益超过1.5亿美元。尽管如此,在很多情况下,投资电影所带来的唯一回报也许是自我满足感,而不是金钱。你所看到的东西不一定是你所得到的——世事皆如此。实际上,在每10部主流院线电影当中,平均有6到7部电影被广泛视为无利可图,还有1部不赚不赔,只有2部能盈利。

 

历史经验表明,在筹集电影制作资金时,常见的以股权为基础的发行方式一般来说并不是一种特别可行的方法。除非股票市场有着狂热的投机欲望,否则,新成立的电影公司通常要经历一场长期的、痛苦的、代价高昂的障碍赛。经验表格,严格地从股票市场投资者的观点来看,大多数小成本电影初始普通股的发行除了提供有形回报之外,至少还给很多投资者带来了噩梦。

劳伦斯和乔布斯的思考是这样的。如果要做真人电影,就不能一年只拍一两部电影,而是每年都要拍一系列电影,最后形成电影资料库。但动画片不一样,皮克斯现在做一部要好几年,甚至连迪士尼每年也只制作一两部动画片。皮克斯的动画制片人艾德说:动画片的可控因素更多,可以通过分镜头脚本、角色建模、动画测试等过程一遍一遍地重复这个故事。如果这个故事或角色不够好,我们可以把它更换掉。真人电影缺乏这种灵活性,电影拍摄好之后,你就只能使用现有脚本了。所以很多电影都不太成功,并不是说电影制作人想拍摄那些差劲的电影,而是他们不得不根据已经拍摄好的片段制作电影。而且当所有场景都被拆除,而且演员和幕后工作人员已经接着拍下一场景时,要重新讲述故事是很困难的。皮克斯的分镜头脚本方法对真人电影有帮助吗?有,但不多。

乔布斯:真人电影和动画片两个行业截然相反。如果皮克斯必须要发行一系列真人电影,那么,那些不卖座的电影可能损害皮克斯在动画行业的名声。专注于动画娱乐行业是皮克斯唯一的选择。

 

(三)

好莱坞律师Sam有电影发行收益的预测模型,这种模型是对外保密的,要用这个模型来为客户提供咨询服务。不过这个模型只适用于真人电影,动画片可能有所不同。如果皮克斯想向前发展,就必须要拥有自己的财务模型。劳伦斯向Sam索要了这个模型,但不需要他的真人电影的原始数据;另一边向迪士尼索要跟动画片相关的片段数据,对模型进行调整。这样拼凑出一个粗糙、简陋但是属于皮克斯的动画片财务运作模型。这个模型中包括电影公司获得多少票房收,电影营销成本控制在什么程度才是合理的,电影要在何时进入录像带、电视和其他媒介市场,电影的收益如何,电影制作预算和利润分成方式对收益的影响,以及其他大量细节。

这个模型揭示了为什么电影公司通过股票市场融资很困难。投资人喜欢收益平稳增长,但电影公司的收益存在巨大的波动,只要电影票房业绩发生细微波动,整部电影的盈利能力就会消失殆尽。而且,动画片还有额外的问题,就是”维持成本“(或者人员闲置成本)。

“维持成本”指的是电影公司在没有制作动画片时,仍然需要给员工支付工资。在真人电影领域,这个问题根本不存在,因此从制片人、导演、演员、摄像、临时演员到其他人员,整个剧组都是为了拍电影这个唯一目的聚在一起,他们只有在参与电影拍摄的时候才拿工资,拍摄一结束,他们就会解散,公司再也没有义务向他们支付工资。

有几种解决方案:

乔布斯认为是工作量的安排问题。但是工作量是难以预测的,取决于剧本开发的进度。如果同时有多部动画片,可能会更好一些。

艾德提出在不做动画片时可以做更多研发工作,攻克一些技术难题,比如动画片中人物和动物的皮肤、毛发,还有水和风等自然元素。但这样会打乱经营计划。
劳伦斯考虑,做多元化,就像迪士尼一样。但这不是一家初创公司能干的。

总的来说,动画片公司风险是很大的。

 

(四)

劳伦斯设计出的商业计划书,包含四大核心措施。

首先,要提升皮克斯的收益分成比例。按照皮克斯与迪士尼现有协议的利润分配方式,皮克斯都无法成为一家能独立发展的企业,皮克斯实现其目标的最低利润份额是50%。

第二,为了提升分成比例,皮克斯必须愿意投入,承担很大一部分电影制作费用。——一部动画电影1亿美金的制作费用。需要募集到至少7500万美元的电影制作费用。

第三,增加产能,扩大规模,提高每年产出的动画电影数。四年一部是不够的。

第四,要打出皮克斯品牌。

当时美国股票市场火热。1995年8月,网景公司Netscape上市。网景公司营业收入1500万美元,亏损400万美元,上市市值超过20亿美元。PS倍数超过100倍,这是疯狂的资本时代。皮克斯的《玩具总动员》如果大卖,就有2000多万的收入,乔布斯把它定位为科技公司,也从资本市场上融一些钱。所以必须在当年《玩具总动员》上线的同时,IPO打出去,融到足够的资金,完成后面的电影。机不可失。皮克斯讲的融资故事:我有好技术,我有好片子,相信我未来能有产能的。

IPO要找投行,乔布斯一开始就想要找高盛和摩根士丹利。劳伦斯一开始觉得这两家投行是不会接这个业务的,因为风险太高了。这两家投行的硅谷主管分别到访皮克斯公司,乔布斯跟他们进行了路演,竟然都表示很有兴趣。皮克斯公司里有一间放映室,坐在沙发上,关掉灯,观看demo。但是高盛回去跟同事交流后,表示想再等等,迪士尼协议的有效期增添了太多不确定因素,还是等到收入明显增加再来。摩根士丹利也拒绝了。劳伦斯找到了别样的路——中小投行,比如,《娱乐产业经济学:财务分析指南》的作者哈罗德·沃格尔所在的投行。最有名的投资人,并不一定是最懂一家公司价值的投资人。

1995年11月22日,《玩具总动员》首映;11月29日,皮克斯在纳斯达克上市,以7亿美金的估值融资1.4亿。收盘市值达到15亿美元,翻了一倍。1995年当年营收1200万,净利润160万,PS上百倍。

💡 皮克斯1995 IPO路演/招股书的核心要点

 

(一)技术与创意的独特结合

  • 皮克斯强调自己是计算机动画与故事叙事的结合体,兼具硅谷科技公司和好莱坞创意公司的特质。
  • 拥有自主研发的RenderMan软件,被迪士尼和ILM等广泛使用,展示了商业潜力。

(二)《玩具总动员》的巨大潜力

  • 世界首部全计算机动画长片《玩具总动员》,由迪士尼发行,计划于1995年感恩节上映。
  • 路演中反复强调这是行业“第一次”,类似“划时代的事件”,并展示了市场对儿童动画长片的巨大需求。

(三)与迪士尼的战略合作

  • 皮克斯和迪士尼签订了长期的 合作发行协议:迪士尼负责市场与发行,皮克斯负责创作。
  • 路演特别强调这是稳定的、互补的合作,能保证影片的全球票房与衍生品渠道。

(四)商业模式与未来收入来源

  • 当时皮克斯的营收来源包括:
    • i.动画长片票房分成
    • ii.RenderMan软件授权
    • iii.广告短片与技术服务
  • 招股书中强调皮克斯将依托电影成功,逐步进入“系列化 IP + 授权衍生品”的模式。

(五)财务与成长故事

  • 1995年上半年收入约1500万美元,尚未盈利。
  • 但路演中强调《玩具总动员》一旦成功,将为皮克斯带来稳定现金流和品牌价值。
  • 发行价22美元对应估值约6.3亿美元(上市当日被市场推高到12–15亿美元)。

当年,皮克斯的IPO路演不是在卖财务数据(因为营收基数很小),而是在卖一个 “第一次:全计算机动画长片 + 与迪士尼长期合作 + 技术壁垒” 的未来故事。这套叙事跟后来互联网公司“卖未来潜力”很像,所以才会导致IPO当天股价翻倍。

 

当天财经新闻的反应:Like ‘Toy Story,’ Pixar Stock Is a Hit Its First Day on the Street : IPOs: $47 opening is double its offering price. But analysts warn that the frenzy for the computer animation firm may fizzle. – Los Angeles Times

 

(五)

《玩具总动员》火了之后,皮克斯开始考虑修改跟迪士尼的协议了。迪士尼的协议虽然很霸道,但是这也是皮克斯必须要交的一笔学费。没有这笔学费,也就没有《玩具总动员》,也就没有皮克斯后来的故事。面对巨头剥削性的协议,要用一种平常心对待。

协议的修改,首先要提升分成比例。目前迪士尼是独家发行,未来可能与任何一家主流电影公司签约,包括迪士尼、环球影业、派拉蒙、华纳兄弟、哥伦比亚。这些电影公司控制着电影发行行业,只有他们才能把电影送到美国3000家电影院里上映。

所以要么是等到几年后执行完迪士尼的现有协议,然后与各大主流电影公司签协议;要么提前跟迪士尼协商修改协议。究竟什么时机提出与迪士尼修改协议是很微妙的。在《玩具总动员》大获成功之际,皮克斯主动提出?这取决于双方的讨价还价的筹码。

乔布斯在会议室白板上写下双方的筹码。

迪士尼:

  1. 没有义务修改合同。
  2. 他们可以自己投资动画。他们有更多资源,协议期内也有很多时间让迪士尼建立自己的动画制作能力。
  3. 在动画片发行领域基于垄断,也有大量衍生品开发。没有其他电影公司更擅长发行动画片。
  4. 皮克斯只有一部卖座电影,还要时间证明持续制作爆款的能力。
  5. 动画片在迪士尼的优先级变低。迪士尼有主题乐园、ESPN,还花了190亿收购了美国广播公司,迪士尼有更多元化业务。

皮克斯:

  1. IPO为电影制作募集到了资金。
  2. 《玩具总动员》爆款大卖。
  3. 梦工厂对迪士尼形成威胁。
  4. 以静制动——如果等待协议结束后再谈,皮克斯可能得到一份更好的分成协议。

如果要谈,那么是现在还是等待?如果是现在,那么是迪士尼主动找过来,还是皮克斯主动提起?如果主动提起,那么要跟迪士尼提出什么关键修改?

  1. 自由创作权
  2. 有利的电影发行时间点
  3. 电影收益五五分成
  4. 皮克斯品牌

乔布斯选择在1996年2月拿起电话,主动打给了迪士尼的CEO艾斯纳,把这四条关键修订条款告诉了他。

艾斯纳说,他想要延长协议,想要做更多电影,有兴趣谈谈修订协议。但是过了几周,没声音。

乔布斯又给艾斯纳打电话,艾斯纳还是说他很有兴趣,会推动这件事情。几周过去了,还是没有进展。

乔布斯都在猜测,是不是艾斯纳跟他有个人恩怨。

又等了好久,迪士尼才派了一名法务来谈合同来。大公司还是这么流程、官僚。

很多条款进展都很顺利,但有一个条款,迪士尼咬紧不放。不是什么自由创作权,也不是收益分成,而是第四条,迪士尼是不会让皮克斯拥有独立品牌的。意外吗?也不太意外。对迪士尼来说,品牌和IP是最关键的。

在这一点上,皮克斯要不要妥协?如果妥协了,那么收益分成会大大增加。团队经过讨论,决定不妥协,1996年11月,经过大半年后,跟迪士尼的谈判终止。

1996年的圣诞节,苹果公司以4亿美金收购乔布斯的NEXT,乔布斯重返苹果。1997年2月,迪士尼CEO艾斯纳竟然打电话给乔布斯,说他想尽快签约,而且迪士尼会同时推广迪士尼和皮克斯的品牌。代价是迪士尼需要获得皮克斯的部分股权。如果迪士尼要帮助皮克斯建立品牌,迪士尼应该有权从中获益,拥有皮克斯的部分股权,他就可以为迪士尼在品牌推广这个问题上的让步找到借口。在2月24日,Co-Production Agreement签约,协议期限十年,双方将联合制作五部动画片,迪士尼与这家刚刚起步的工作室平摊费用、平摊收益和共用品牌,所有五部电影将以“迪士尼-皮克斯”的名义出品。自负的迪士尼终于同意与皮克斯平起平坐。多年后在迪士尼的商店里,巴斯光年的玩偶背面,还能看到“迪士尼-皮克斯”的标签。

 

(六)

时间快进到十年后,2006年迪士尼对皮克斯的收购。

在这十年间,皮克斯的收入从1200万上涨到2.9亿,翻了20倍。股票市值从15亿涨到76亿,翻了3倍。收入增长曲线如下图。收入的波动确实跟卖座动画片的制作周期和上线时间相关。1997-1998年没有新片上映,收入下降到1400万,等到1999年的《玩具总动员 2》和《虫虫危机》上线,又给皮克斯带来了1.2亿的收入(这个收入也是跟迪士尼调整了分成比例后的收入)。2001年又没有新片,收入下降,2002年后保持每年一部新片的速度,把收入冲到了2亿美金以上。

但是劳伦斯知道,现在每年一部动画片的速度已经非常极限了。仅仅依靠动画片的制作和发行,皮克斯很难持续保持高速的收入增速,维持高达25倍的PS。劳伦斯在考虑两个选择:

一、用皮克斯的高估值股票去收购其他公司,实现多元化经营,就像迪士尼多年以前做的那样。但是皮克斯的团队只适合从事动画行业,缺乏人才来研究、收购或经营其他业务。

二、为皮克斯找一个买家,最明显的买家就是迪士尼。

在一年半以前,皮克斯跟迪士尼的十年联合制片协议已经到期,最终迪士尼CEO艾斯纳并没能跟乔布斯达成延长合作的协议。没想到,这件事情给艾斯纳带来巨大的压力,股东和董事抨击艾斯纳的管理和领导风格,艾斯纳随后辞职。继任的CEO伊戈尔表示,迪士尼很重视动画片,动画片是迪士尼的核心和灵魂,让动画片重归迪士尼是伊戈尔上任的一项核心举措。这正是与迪士尼谈论收购或者其他合作关系最好的时机。

3个月后,迪士尼用估值76亿美元的全股票交易并购了皮克斯。皮克斯的股东的portforlio换成了更加多元化的迪士尼股票。而迪士尼把皮克斯的创意与技术引入自身,从原来2D动画彻底转型为3D动画主导。随后推出的《汽车总动员》《玩具总动员3》《冰雪奇缘》等作品,再次确立了迪士尼在全球动画的统治地位。乔布斯(当时皮克斯最大股东)成为迪士尼最大个人股东,并进入董事会。收购当时看似“高价”,但从长远来看,这是迪士尼最成功的并购之一。

前微软高管:别被 Vibe Coding 忽悠了

今天的内容来自a16z的播客,嘉宾是Steven Sinofsky, 前微软Windows部门总裁。

Andre Karpathy很推崇vibe coding(氛围编程),他发明了这个词,定义了这个概念,并正在实践它。但我要给它泼点冷水。现在太多开发人员会告诉你他正在用vibe coding做一些有趣的事情,而且真的有用。但实际上并不是这样,这是一个技术平台早期会发生的事情。他们告诉你vibe coding很简单很好用,事实上他们花了18个小时才能让一个简单的东西跑起来。修bug、然后解决安全问题、鉴权错误,前端密码还用明文储存……在vibe coding要达到真的能用之前,需要解决成千上万的问题。

人类有长期的想自动化工作的历史,结果证明这些工作难以自动化。

比如说航班搜索OTA,消费者都想要最便宜的航班,事实上这并不是你想要的。这有一班最便宜的航班,但是我不想跟我的家人凌晨 3 点半起床赶飞机,我可能也倾向于选我有更高常旅客等级的航司积累里程。这个过程要很多人介入,并向你展示不同的选择。这是商业中真实的事情,它是生产者和消费者方面的事情。消费者真的想要比他们通常认为的更多的选择。

还有金融贷款服务,如果我想申请贷款,什么问题是关键的呢?找到利率最低的贷款……好,假设在线贷款技术降低了线下各种成本,做了一个利率最低的自动化贷款服务,这个服务没有名字、对外经营的生意面目模糊,只是低价,这个生意完全不成立的。事实上,在线贷款生意的关键在于,存在再融资的不同人群,而且在线广告可以定位你,吸引你作为客户。如果你不能做到这一点,真正自动化这项任务的能力就不会存在。

我们现在就像回到了计算机发展的早期阶段(1980年那种早期)。程序员在定义什么是成功:一个事情的结果很清晰,要么行,要么不行;程序员就是要把做这件事情自动化到只剩下极少极少的脚本输入。我只是觉得世界不是非黑即白的,有很多灰色地带,一切比看起来更复杂。

25年前,我在明尼苏达的一所医院做过一个项目,在医疗行业中使用电子表格来处理医生的工作。医生只是看着我们说,你们完全不理解我们的工作。本质上,我的工作是不确定的,所有方面都是不确定的。因此,在我们不确定的工作中加入一些看上去是有确定性的东西(比如电子表格),是帮助不了我们的。10年前,ImageNet出来的时候,当时人们也认为所有放射科医生完蛋了,都要被AI干掉了。而今天,放射科医生仍然没有完蛋,但是人们也还在认为放射科医生完蛋了,要被AI干掉了。

我觉得很多工作看上去非常简单确定,实际上这些工作的重点在于异常的处理。

我认为产品管理工作就是解决模糊性及其阻碍进展的模糊性的工作。有时候,执行、决策、产品设计并不会改变商业和人类互动的本质,而公司是这些复杂的适应性系统,在这些系统中总会存在歧义。我认为你总是需要判断力,你总是需要一个看起来像产品经理的人。

说回vibe coding。虽然你说的是提示词,是自然语言,但深入来看,你本质上就是在编程。有人开始录教程,你要学习怎么更好地输入提示词,大模型需要更多的结构,你要用什么方法做提示词工程。但这不就是一种编程语言吗,我们发明C语言、Pascal语言,我们也是在用像自然语言的结构化语句指挥机器。就像80年代,你开车经过大学的计算机系,每个人都在发明新的编程语言。

编程语言的发展,总会经历这种过度承诺但是实际交付低于预期的阶段。以前专业的计算机工程师需要用汇编语言,而编程语言的发明,市场上认为所有人都应该学编程,这件事情从未发生。这是疯狂的1990年代。我觉得每次都是过度承诺,最近的低代码也是过度承诺,现在也没人说这个词了。

AI coding提供了很简单的方式写一个网站并上线,事实上大部分demo上线不到3天后就没人用了。

我同意我们正处于模型的指数改进周期中,任何预测能力都消失了。不过既然这是一股编程语言的浪潮,你可以参考一下过去编程语言发展的周期。在1980年开始,1990年到达了炒作的巅峰。这是长达10年的渐进性改进。到那时这股浪潮也结束了,它只是改变了抽象方法和多态这些编程范式。

传播中的弱者舆论力

PR 的本质,不是为了自证自己牛逼,而是跟弱者站在一堆,吸收弱者的舆论力。

弱者舆论力,就来源于邹振东教授在《弱传播》一书中所提到“弱者优势”。

 

(一)

爱康国宾CEO张黎刚,召开媒体发布会硬刚晚期癌症患者,硬气宣布起诉张女士造谣。自己是一点错都没有,是张女士无情残酷无理取闹。

即使爱康国宾成功证明自己没有责任,即使张女士是真的无情真的残酷真的无理取闹,即使法院判决也证明了爱康国宾的无责,爱康国宾在舆论场上也都输了。

爱康国宾CEO没有站在病人弱者这边,相比起来他自己就已经是强者了,而他还要跟更强大的法院站在一边。整个舆论场都对他不利。

 

(二)

怎么吸收弱者的舆论力,洪荒少女傅园慧就给打了个样。

起因是傅园慧发了个视频,入职浙江大学教的第一节游泳课,是给初学者教蛙泳。评论里有个网友竟然说奥运游泳铜牌得主傅园慧教得不对。

这件事情本身就是半桶水网友,看到啥都要指手画脚一发,傅园慧就没啥错的地方。

可是傅园慧也没有怼这名网友。她在微博上发了这么一个回应:

一上来说,自己是教学岗位的“新兵蛋子”,游泳教学我不一定是专业的。游泳这个事情是要快乐和健康,人人都能享受,不是竞技的强者向弱者说教。最后,希望可以为大家提供帮助。

姿态极低,跟弱者站在一堆,弱者舆论力吸满。

没有一句话说自己牛逼,但大家都觉得她真牛逼。

 

(三)

硅谷MoonValley的联创做了一期播客,也是利用弱者舆论力的正面典范。

MoonValley的联合创始人来自Google DeepMind,就是那个赢了李世石的围棋AI的开发者,绝对是精英中的精英。7月刚刚发布的Marey视频生成基础模型,专注在电影级视频的生成,比起一众UGC的AI视频模型,也是精英中的精英。可是在访谈中,他没有聊自己的背景,没有聊自己模型多么牛逼,没有说哪个头部导演也用了他的模型。他说的是:

“AI视频能让每个人都能做出电影级的作品。”

“这是有史以来第一次,你可以让制片厂级别的电影变得民主化。”

我帮的是弱者,我支持nobody的创作者。

即使一个创作者真牛逼,那也要构建一种场,他在挑战比他更精英的人,在那种场下,他变成了相对意义上弱者。

而我,能帮助到弱者。这才是真牛逼。

要降息了

8月1日,美国劳工统计局发布的失业率攀升,结果局长被特朗普炒了。但是新闻提到失业率数据的恶化导致美联储鲍威尔的降息压力更大了,鲍威尔也要被特朗普炒了。怎么失业率跟美联储还有关系?

还真有关系。美联储的双重使命,是促进就业最大化和维持稳定通胀,这个双重使命在1977年美国国会立法决定的。失业率和通货膨胀率成反比,这个规律叫菲利普斯曲线。

菲律普斯曲线的原理,有几种解释,比如说经济繁荣,需求扩大,企业业绩好,雇佣更多劳动力,消费也好,物价提升;或者说政府印钞通货膨胀,钱进入市场使得企业收入增加,雇佣更多的人。所以美联储可以通过货币政策,操控通胀率上升,进而压低失业率。具体怎么控制通胀率上升呢,美联储就可以实施更为宽松的货币政策(比如降息)来实现。

本来宏观经济学理论科普到这里就结束了,但是我想说的是另外一个问题,我们应该怎么理解类似菲利普斯曲线这种宏观经济理论,他是不是一种客观规律可以拿来预测未来?好像宏观经济理论在预测未来事情上经常出错,那这种理论究竟有啥用?

宏观经济理论,其实不能把他当做预测未来的客观规律,应该当做经济史学。

这跟哲学很像,哲学不是告诉你一个真理,而是告诉你,在不同社会、不同时期下,什么是重要的问题,而人们对这些问题的应对是什么。宏观经济学的理论也不能把它们当成一种物理规律或者真理来理解。

菲利普斯曲线不是在任何时候都成立的。菲利普斯观察了1861-1957年英国的经济,发现了通货膨胀率和失业率成反比,并总结成一条曲线,一直到1970年在各国都发现了类似的现象。准确地说是,1861 -1970年,各国都经济呈现出菲利普斯曲线的现象。但是1970年后出现滞涨,菲利普斯曲线就失效了,通胀率和失业率齐飞。

菲利普斯曲线的失效,这又体现了社会科学的反身性。

在菲利普斯没有把这个理论总结出来之前,规律成立,甚至政府还可以通过人为提高通胀率,提高终端产品物价,增强企业收入和信心,让企业招更多人。

可是这一招玩多了,企业也发现,人为提高的物价并不意味着真正的市场需求,因此企业也不会如政府所愿增加招聘人数,这就出现滞涨了,理论就失效了。

我们应该这么来认识:1970年代以前是菲利普斯曲线生效的历史年代,1970年以后是菲利普斯曲线失效的年代。

经济理论就变成了经济史。

至于现在和未来是什么年代,历史不会重复,但总在押韵。

AI 时代的第一哲学问题:人类会被取代吗?

新的时代带来新的哲学,我觉得今天有可能见证一个大的哲学流派诞生,就是关于AI的哲学。

在古代西方,宗教是社会的最大变量,哲学讨论的问题是上帝是什么。奥古斯丁直接说上帝创造了真理和至善,阿奎那还试图用自然世界的观察来证明上帝的存在。至今,人们还在试图证明上帝是否存在。

15世纪,面对文艺复兴和宗教改革,人们的思想从神学解放出来,那抛弃了神学对世界的解释,应该换成什么新的解释呢?哲学讨论的是本体论问题。从休谟问题开始,笛卡尔用“我思故我在”、康德用“先验时空”。至今,人们都还在寻找世界的本质。

19 世纪,随着科学的发展,哲学开始讨论真理问题。卡尔波普用证伪主义来界定科学,维也纳学派用逻辑来区分分析命题和综合命题的真假。至今,人们都还在追问真理和真相的底色。

发现没有,这些哲学问题最终都没有一个放之四海而皆准的、让所有人都满意的回答。然而这些之所以成为伟大的哲学议题,恰恰是因为它们无法被轻易回答。

我想到最近参加的各种AI相关的会议,每一场嘉宾或者观众提问都会问到一个问题:人类会被AI替代吗?得到的回答有几种:

陈词滥调奖:“不是AI替代人类,而是会用AI的人替代不会用AI的人。”

烂番茄梗奖:“AI不会替代会计、律师、法人,因为AI不会坐牢。”

自我安慰奖:“AI没有创意,这是人类的自留地。”

最佳技术奖:“没有什么人类的能力是AI不能复制的。”

显然,人们对这些回答都不满意,否则怎么会一而再、再而三地发问,在不同场合发问。

这不是因为这些答案都不够好,而是因为,这个问题就是无法被轻易回答的。

这恰恰是一个可能伟大的哲学议题的特点。

“人类会被AI替代吗?”这个问题,也许会被未来几百年的人类反复问起,反复回答。