Show Notes
本集深度简介 SpaceX冲刺史上最大IPO，但我们盯上的不是火箭、不是Starlink，而是招股书里那个把企业AI大饼画到22.7万亿美元、占整体估值近八成的数字。这期我们不聊泡沫、不做投资建议，而是用"模型、生态、token economics"三段论，从开发者和创业者的视角拆这企业AI叙事到底能不能落地。 Will 拿自己做工作流自动化（Orby）的经历开场：自动化知识工作最难的从来不是demo，是企业到底敢不敢把核心流程交给你。XAI 在入口竞争上已经掉队，Tesla 是消费级入口撬不动企业应用，人才才流失又成最大的威胁。 下一企业AI竞争的胜负手，是谁能做好System of Record那一层，用更便宜、更可控的方式替代积累多年的SaaS；以及谁能稳定捕获公司内部那些tribal knowledge。再加上token economics，把推理成本压到像水电一样便宜，太空数据中心省的其实是土地和冷却这两块可控成本。最后落到SOM，合理区间也就五六万亿。
时间线索引 00:00 22.7万亿的企业AI市场 03:05 XAI模型为什么是失败的入口 11:23 消费者习惯能反向倒灌进企业吗 19:44 生态比模型更重要 26:32 从TAM到SOM 32:48 token economics才是核心壁垒 40:01 上周趣闻
本期聊到的内容 The Intelligence Tax (https://willlu.com/essays/the-intelligence-tax)
Github pushes Microsoft to AWS (https://letsdatascience.com/news/github-capacity-surge-pushes-microsoft-to-aws-13a2ffa4)
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？