Show Notes
本集深度简介 这一期我们拆Genspark.ai，这家由前百度小度核心高管2023年在硅谷创立、靠20人团队做出爆炸式营收和成长的公司。从对标Perplexity起步，agent来了之后果断放弃旧use case，靠生成PPT和"Call for me"打电话功能在日本意外出圈。我们和Manus做对比：同样的中国团队、同样的领域、接近的估值，但Manus收购被叫停，Genspark还在自己往前跑。
硬核的讨论集中在它到底有没有护城河。Genspark号称背后接了70个模型，做了大量harness和plumbing的脏活累活，按场景在速度、成本、智能三者间做编排。但Lewis的判断是这种差异化正在快速收窄。它没自己的模型，go-to-market不如微软、谷歌、所谓数据飞轮也比有直接入口的大厂差两三个数量级。
我们也戳穿了估值游戏：200万月活、ARR这些数字里的灰色地带怎么算、为什么早期融资只需要说服一个投资者、为什么这阶段该死磕增长而不是留存。延伸聊到大厂高管创业的反直觉优势(人脉、招人、决策力)与眼高手低的陷阱。最后一个真问题:没有模型、没有数据中心,Genspark为什么要融4亿多美金，是走企业路线？还是砸钱做市场营销？还是要去做自己的模型?
时间线索引 00:00 拆Genspark 02:42 把agent缝进Workspace 04:26 70个模型的harness编排 09:01 Office与workspace的护城河 12:15 Distribution is king 16:06 200万月活与ARR的水分 20:43 增长还是留存 27:50 高管创业的陷阱 40:26 上周趣闻Opus 4.8和workflow
我们聊到的话题 Claude 4.8发布: https://www.anthropic.com/news/claude-opus-4-8
Claude code workflow: https://code.claude.com/docs/en/workflows
Manus出圈demo: https://www.youtube.com/watch?v=K27diMbCsuw
Semrush关于Genspark的流量数据：https://www.semrush.com/website/genspark.ai/overview/
Decagon (AI电话客服): https://decagon.ai/
Gamma (AI Slide的竞品): https://gamma.app/
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？