Show Notes
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。
Lewis 和 Will 都分享了自己用 AI 分析投资账户和资产配置的经历：AI 已经能把很多陌生领域从 0 分拉到 80 分，但真正的个性化不只是 memory，而是完整 context、信任和决策边界。模型能读懂你的问题，却未必拿得到你生活里的真实上下文。
Will 现在把 agent 当成自己的 AI Chief of Staff，用来补全助理、PR、投资顾问和跨文化沟通 coach 的能力。但问题是：AI 越懂你，越可能顺着你。几轮对话之后，模型很容易靠向用户原本的倾向，变成一台高级“确认偏误机器”。
所以在重大决策里，我们需要反向 prompt、正反两面分开研究、多模型交叉验证，而不是只问一个 AI：“你觉得我对吗？” 这一期我们讨论：Personal AI 是理性刹车，还是电子神谕？AI coach 为什么有时候比真人 coach 更好用？重大决策能不能交给 AI？以及未来每个人是否都会有一个 AI Chief of Staff。
时间线索引 00:00 孙宇晨的5000万 02:41 懂问题，不懂你 07:29 幕僚长，不是CEO 13:10 瓶颈还是context 16:13 AI只是在顺着你 20:13 哪些决策交给AI 28:43 拿AI当coach 33:51 上周趣闻
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
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？
接着上期的Stanford EMBA，大家带着三个问题来硅谷：AI是不是泡沫？AI会不会改变员工的工作？VC还赚不赚钱? Lewis的判断是这轮不是泡沫，芯片和能源都不够用，能做这件事的就那么几家公司，巨头互相买是把整条供应链盘活的唯一路径。课上老师那句“AI replaces task, not job”被当场拆穿。Task被吃掉得足够多，那就是工作没了。企业侧的实情更直接，客户把裁员正经立项，叫workforce transformation，目标是砍掉20%到30%。金门大桥的收费员也不是被技术裁的，是被COVID裁的。VC行业三年整体回报只有0.3%。理论半年一换，Vector DB、RAG、harness这些被押注的“未来一层”，回头看大多只是feature不是产品，连吴恩达的Landing AI都栽在这里。