Show Notes
上期我们从使用者出发聊Personal AI，这期换到builder和创业视角：Personal AI爆火，创业的机会到底在哪。切口是亚马逊屏蔽Meta的Muse。Agent替用户逛店，亚马逊就沦为一个API，广告位、用户数据和流量入口一起丢掉。Lewis在Google做Grounding时撞过同一堵墙：把搜索接进API，技术不难，难的是站长的流量怎么分。没有分利益的机制，平台的默认选项就是block。Will觉得这本身就是机会，Agent时代需要自己的DoubleClick来管点击、曝光和分成。谁握住入口，谁就握住排序：Exa靠给Agent做搜索做到1亿美元ARR，OpenAI自建爬虫，抢的都是这一层。
往下拆，Personal AI现在缺三样东西：一是责任：Agent下错单谁负责？特斯拉辅助驾驶出事算车主，Waymo出事算Waymo，而Will接触到的创业公司几乎都还是前一种。谁敢像Waymo一样兜底，谁就能拿到用户的信任。二是协议：A2A不温不火，MCP在Will看来已经可有可无，Lewis说Google联合PayPal做的支付协议还不如A2A，反倒是Anthropic的Skill靠模型训练跑出了飞轮。我们的判断是，协议是大公司的游戏，必须开源免费，小公司推不动，也赚不到钱。三是身份：客服还在靠姓名、生日、地址认人，Vanguard的声纹验证挡不住五秒克隆。Agent到底是冒充你还是代表你，委托授权得重新设计。连跑Agent的沙箱都嫌冷启动慢、共享CPU不够用，有人干脆改用Mac mini。
最后两人各自下注。Lewis看好"像你"的模型：不跟大厂卷benchmark，难题转给Fable或OpenAI，自己做本地部署加硬件，再把你看过、经历过的事都记下来，变成只给自己用的knowledge base。Will押垂直场景，比如懂你全部病史的私人医生。至于Agent identity，两人都觉得现在从头入场已经偏晚，赛道上已经有人跑在前面了。 时间线索引 00:00 亚马逊为何封Muse 06:06 Agent闯祸谁买单 12:40 协议为何推不动 18:45 入口就是竞价权 22:48 Agent身份怎么认 28:07 不卷benchmark的AI 29:59 替你记住一生 34:34 上周趣闻
我们这期聊到的内容: Cresta https://cresta.com Sierra https://sierra.ai Exa https://exa.ai SerpApi https://serpapi.com 亚马逊屏蔽Meta的Muse https://www.adweek.com/commerce/amazon-locks-out-metas-muse-in-agentic-shopping-standoff/ Personal Agent Protocol https://sierra.ai/blog/introducing-personal-agent-protocol Google AP2支付协https://techcrunch.com/2025/09/16/google-launches-new-protocol-for-agent-driven-purchases Exa年化收入破1亿美元 https://dealroom.co/news/162184-exa-hits-100m-in-annualized-revenue-growing-10x-a-year/ The Information：顶级模型对开发者的吸引力在下降 https://www.theinformation.com/articles/leading-edge-ai-models-losing-allure-developers WSJ：仅11%企业能准确预测AI支出 https://www.pymnts.com/news/artificial-intelligence/2026/businesses-finding-it-harder-to-predict-ai-spending/
More from 硅谷温差
Meta的Muse、OpenAI的Dots接连上线，这期从使用者角度拆Personal AI。Will每月在AI上至少花1000美元，但省下的时间并没有回到家人身上：雇主会收走效率红利，人越用越卷。Instinct这类邮件日历助理在VC和创始人圈爆火，出了圈，多数人只把豆包当更强的搜索。真正值钱的是以前贵、做不到的事，比如看病、高尔夫动作分析、几千页工程图纸的进度管理。瓶颈在Context：邮件日历只是生活的一小片，穿戴设备能补，但越懂你越creepy。Lewis也聊到当年在Google做Gemini时没来得及推的端到端加密推理。最后我们把产品形态分成委托、镜子、延伸、挑战四类，Will反对做数字分身，主张为具体任务设计员工。
NVIDIA花130亿买下Hugging Face，AMD用82亿收了李飞飞的World Labs。同样是芯片厂买模型层，买到的东西完全不同。 Hugging Face作为独立公司很难靠营收扩张，放进NVIDIA才值钱：开发者选模型、测模型的早期信号都在这，抓住源头就能影响inference最后跑在谁的卡上。大厂都在自研芯片，企业却没人造得起TPU，只能买现成的，开源模型的使用者才是GPU的基本盘。小模型已经够用，最贵的token适用场景越来越窄，模型趋近免费，要付钱的只剩GPU。AMD这笔我们觉得风险很大：人很强，但world model连定义都没定下来，离变现还远。 时间轴 00:00 130亿买便宜了 07:03 抢在推理之前 11:43 开源用户是大客户 14:18 Token终将免费 18:18 AMD押注World Model 25:45 Muse证明够用就行 28:45 国内只挖人不并购 30:17 上周趣闻
从孙宇晨把资产丢进 Claude Code、问 AI“5000 万美元该不该给”说起，这期《硅谷温差》聊 Personal AI 个性化 AI 助理 到底靠不靠谱。
DeepSeek把harness开源，连agent loop都是可换的plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，这是唯一的触达路径。企业侧的温差很实在：现在的harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi靠四个tool和不到1000 token的system prompt走红，但开源harness大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。
这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？