Show Notes
在 AI Lab巨头不断迭代的背景下，初创公司的边界在哪里？本期节目中，Lewis 和 Will 结合自身在硅谷的观察与实战经验，深度拆解了垂直领域AI (Vertical AI) 的创业机会。我们聊到了为什么VC正在从看好平台型公司转向量化垂直领域的深度，以及如何利用领域知识 (Domain Know-how)和私有数据在法律、农业、医疗等传统行业构建核心壁垒。 VC为何警惕模型层创业，以及初创公司如何通过深挖垂直业务场景来避免被大模型一波带走。
为什么“技术大牛 + 行业老炮”是 AI 时代最完美的创业拍档？
我们深挖了几个行业案例
Harvey AI: 法律初创公司如何通过ChatGPT切入，并迅速拿下普华永道等大单。
EvenUp: 如何利用法律文书等 LLM 无法爬取的“私有数据”构建护城河。
Blue River Technology: 斯坦福博士如何通过给杂草喷农药这个极其细分的场景，被John Deere以3.05亿美元收购。
AI时代的“个人 SaaS”: 讨论了随着AI提效，未来的软件行业是否会像自媒体一样，进入万众SaaS的繁荣时代。
本期我们聊到的话题： Harvard Business Review - Heavy Machinery Meets AI
Uber CTO说4个月用完了全年的Claude budget
John Ternus接管Apple掌门人
时间线索引00:00 播客开篇：为什么在AI创业中选择“小而美”的垂直赛道01:59 避开LLM wrapper陷阱：投资人眼中的硬核技术与垂直壁垒05:32 完美的创业组合：当Domain knowledge撞上工程实现09:00 Harvey vs EvenUp：深度垂直与私有数据带来的非线性优势13:32 工程思维 vs 业务思维：从处理dirty work到构建知识图谱15:42 寻找生态位：服务AI labs的plumbing work与模拟环境构建17:13 定制化粘性：复刻Palantir模式，提高客户的迁移成本24:52 案例复盘：Blue River如何靠解决一颗“杂草”实现数亿美金退出30:56 个人SaaS时代的到来：大厂裁员背景下的long tail机会36:03 终极思考：当AI接管了专业技能，人类的价值锚点在哪里
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？