5月12日晚，南京审计大学发布通报，确认研究生顾某某在校内偷拍他人隐私情况属实，情节严重，决定给予开除学籍处分。 此前有网友爆料，顾某某已被江苏税务拟录用为公务员，目前处于公示期，江苏税务回应已关注此事，正在调查核实。

一个初中生当着张雪峰的面说：“以后满大街都是研究生，读书还有啥用？出来不照样送外卖？”张雪峰直接回了句：“孩子，你这笔账算反了。”就拿送外卖来说。 ​没读过多少书的人，骑上电动车，手机一响就接单，跟着导航送到地方，挣几块就完了。送完一单往台阶上一坐，刷刷短视频，等着下一单。 ​读过书的人，就算同样送外卖，格局也早已不一样。一样的车子、一样的餐箱。他会琢磨：这条街中午订单多，隔壁街区为啥只晚上热闹？能不能把周边商家整合起来，拿下整片区域的专属配送?我曾在2025年采访过两个外卖骑手，他们的故事完美印证了张雪峰的话。32岁的李磊只有初中学历，干外卖五年，每天雷打不动跑12小时，月收入稳定在7000元左右。 ​他说自己从没想过别的，“接单、送餐、等单”就是全部生活，刷短视频是唯一的娱乐，偶尔抱怨油价涨了、平台抽成高了，却从没想过改变现状。另一个是29岁的王宇，985本科毕业，因创业失败欠下债务，2024年加入外卖行业。他只干了8个月，却把这份工作做成了“创业预演”。 ​他每天提前半小时到岗，用Excel记录不同时段、不同区域的订单密度，分析出写字楼中午11点半到1点、居民区晚上6点到8点是高峰期，而老城区的早餐订单比新城区多30%。他还主动和12家商家谈合作，承诺优先配送、超时赔付，拿到了专属配送权，单量比普通骑手多40%，月收入稳定在1.2万元以上 。 ​​更关键的是思维方式的差异。李磊遇到电梯故障，只会打电话给顾客道歉，然后爬楼梯送餐，超时了就自认倒霉。王宇却会记录每次故障时间，发现某小区电梯每周三上午9点到11点维修，之后遇到这个时段的订单，他会提前联系顾客沟通，甚至主动提出帮买饮料补偿等待时间，不仅很少超时，还收获了大量好评，成为平台“金牌骑手”。 ​​张雪峰在后续的演讲中补充道：“读书不是为了让你不送外卖，而是让你送外卖时，能看到别人看不到的机会，拥有随时离开外卖行业的能力。” ​这句话在2026年的就业数据中得到印证——中国社科院报告显示，外卖骑手中本科及以上学历占比已达7.1%，但这些高学历骑手平均从业时间仅8.3个月，远低于整体骑手的2.1年，他们大多是过渡性就业，最终会转向运营、管理或自主创业岗位。 ​​深圳的一位美团区域经理透露，他们2025年招聘的32名基层管理者中，有19人曾有外卖骑手经历，其中12人拥有本科及以上学历，这些人凭借对配送流程的深刻理解和数据分析能力，很快成为团队核心。而初中及以下学历的骑手，晋升为管理者的比例不足1%。 ​​王宇的故事还在继续。2025年底，他用送外卖攒下的钱和数据分析得出的商业计划，成功吸引了50万元投资，成立了自己的同城配送公司，专门服务本地连锁餐饮品牌。他现在的员工里，就有当初一起送外卖的李磊，李磊负责仓库管理，月薪涨到了9000元。王宇说：“如果不是大学学的市场营销和数据分析，我可能现在还在街头等单，根本想不到能开公司。” ​​这就是读书的意义——它不会直接给你高薪工作，却会给你分析问题、解决问题的能力；它不会让你避免吃苦，却会让你在吃苦时看到希望；它不会保证你成功，却会让你拥有更多选择的权利。2026年高校毕业生达1179万人，就业压力确实存在，但数据显示，本科毕业生平均起薪比专科高38%，研究生比本科高45%，而这些差距会随着工作年限的增长持续扩大。 ​​张雪峰的话戳中了很多人的心，却也引来争议。有人说这是“学历焦虑”的贩卖，有人认为职业无高低贵贱。但不可否认的是，在竞争激烈的社会中，学历依然是最公平的筛选标准，读书依然是普通人改变命运成本最低的路径。就像王宇和李磊，同样送外卖，一个把它当成谋生手段，一个把它当成跳板，最终走向了完全不同的人生。 ​​那个提问的初中生后来怎么样了？据说他听完张雪峰的话后沉默了很久，回去后主动要求父母报了补习班。他或许还不能完全理解读书的意义，但至少明白了一点：同样的起点，不同的认知，会走出不同的人生轨迹。 读书不是为了逃避生活，而是为了更好地面对生活。就算有一天真的满大街都是研究生，那些真正把知识转化为能力的人，依然会脱颖而出。毕竟，决定人生高度的，从来不是学历本身，而是学历背后的思维方式和学习能力。

中国底层穷人为什么完不成原始资本积累？ 因为马克思在一百五十年前就写了答案，只是大多数人没读进去。 《资本论》第一卷第二十四章，马克思把这个问题拆得明明白白："资本积累以剩余价值为前提，剩余价值以资本主义生产为前提，而资本主义生产又以大量资本和劳动力在商品生产者手中的存在为前提。 整个运动似乎陷入了一个恶性循环。"你品品这话。你有资本才能赚钱，赚钱才能积累资本。但如果你一开始就没有资本呢？这个环从哪儿断开？ 马克思给的答案是：断不开。原始积累不是勤俭节约的结果，是暴力的结果。 原文写的是"征服、奴役、劫掠、杀戮"，写的是"用血和火的文字写在人类的编年史中"。这段话很多人在课本上读过就忘了，觉得是历史，跟自己没关系。 但逻辑是一样的——今天没有人拿刀枪抢你的地了，但那套"让你永远无法攒下第一笔钱"的机制，一点都没消失，只不过换了更隐蔽的方式。下面我一层一层拆。 第一层锁：你连算账的脑子都没有了先说一个让我后背发凉的实验。 哈佛大学教授Sendhil Mullainathan和普林斯顿教授Eldar Shafir做了一组研究，后来写成了《稀缺》这本书。他们在新泽西商场找了两组人，按收入中位数分成"富人组"和"穷人组"，然后出了道题：假设你的车坏了，修车费300美元，你会怎么处理？修还是不修？修的话钱从哪来？ 两组人的回答没有显著差别。穷人也好富人也罢，300美元的修车费虽然让人烦，但不至于想不出办法。然后他们把300美元换成3000美元。富人组的表现几乎没变化。 3000美元对他们来说也不是小数目，但还没到需要绞尽脑汁的程度。穷人组的表现崩了。不是"差一点"，是智商测试分数掉了13到14分。13到14分是什么概念？ 大致相当于一个人彻夜未眠后的认知水平。更准确地说，当你的大脑被"3000美元修车费怎么办"这个问题占满的时候，你的思维带宽和一夜没睡的人差不多。 你开始算：信用卡刷爆了怎么办？这个月最低还款够不够？要不要借发薪日贷款？借了利息多少？下个月能还上吗？还不上会怎样？ 这些念头像后台程序一样疯狂运转，前台能用来做判断、做规划、做决策的脑力所剩无几。 Mullainathan管这叫"带宽税"。关键在于，这不是穷人天生笨。是同一个穷人在不同的金钱压力下，认知能力会有13到14分的波动。 你月入两万的时候觉得每月攒三千也不难，你月入四千的时候每天想的就是怎么撑到月底，哪还有脑子规划三年后的事？ 所以底层完不成资本积累的第一个原因，不是懒，不是蠢，是穷本身就会让人变蠢。 你越缺钱，你的认知资源越被当下的问题占满，你越没有余力去思考怎么攒钱、怎么投资、怎么跳出这个循环。贫穷不是一种状态，是一种会自我强化的认知环境。 第二层锁：你连思考的时间都没有上面说的是"认知贫困"，还有一种更实在的东西叫"时间贫困"。 2020年发表在Nature Human Behaviour上的一项研究，调查了250万美国人，发现一个结论：时间贫困对幸福感的负面影响大于失业。 大于失业。你想想这有多狠。什么是时间贫困？ 简单说就是，为了维持基本生活，你必须把所有清醒时间都用来换钱，没有一分钟是"你的"。你早上六点起来挤两个小时地铁去上班，晚上九点到家倒头就睡，第二天重复。 周末？周末要补觉。学习？哪有精力学习。 副业？你连正业都快干不动了。布宜诺斯艾利斯做过一个测算：官方收入贫困率是9%，但如果把时间因素加进去，贫困率几乎翻倍到16%。就是说有7%的人，收入在贫困线以上，但时间在贫困线以下——他们赚到的钱刚好够活着，但为此耗尽了所有时间，已经没有任何余力去改变现状。 资本积累需要什么？需要你在工作之外还有剩余——剩余的钱和剩余的时间。 穷人两样都没有。有钱人拿八小时赚够生活费，剩下八小时思考、学习、试错、找机会。 穷人拿十六小时才勉强够活，剩下的时间只够睡觉。同样是"一天"，同样有24小时，可用来自我投资的时间天差地别。 第三层锁：你攒下来的钱，正在被通胀吃掉假设你特别自律，每月硬攒下一千块。十年攒了十二万。 然后呢？ 2024年中国CPI涨幅不大，但M2货币供应量呢？ 过去二十年M2从十几万亿扩张到了三百多万亿。你的十二万在银行里躺着，购买力年年缩水。 你不是没攒钱，是攒下来的钱在贬值。而同一时间，有钱人怎么做的？ 他们借钱买资产。贷款买房子，房子涨了，贷款没涨。用资产增值对冲货币贬值。你攒了一万，购买力从一万变成了八千。 他借了一百万，资产从一百万变成了一百五十万。你亏了两千，他赚了五十万。同样是十年，你的十二万可能还跑不赢他一年资产增值的零头。 这就是马太效应的数学基础。年化8%的收益率，1万块30年后变成约10万，100万30年后变成约1006万。 起点差100倍，终点也差100倍，但绝对差距从99万拉大到了996万。复利不认识你，它只认识本金。本金越大，复利越狠。本金为零，复利连门都不敲。 你以为你在和自己的消费欲搏斗，其实你在和一个数学公式搏斗。而数学公式不会输。 第四层锁：你以为的消费升级，其实是消费陷阱这一层我想说得直白一点。 2019年诺贝尔经济学奖得主Banerjee和Duflo在《贫穷的本质》里写过，穷人有一个看似矛盾的行为：在极度贫困的情况下，他们反而会把相当比例的收入花在"不必要"的消费上——节日庆典、面子消费、娱乐消遣。 很多人批评这是"穷人的不理性"。但Banerjee和Duflo的解读不一样：当你的人生没有任何上升通道时，今天的快乐就是你唯一能抓住的东西。 你让一个看不到未来的人为三十年后攒钱，他凭什么？ 他连三年后的样子都想象不出来。然后算法来了。短视频、直播间、拼团、砍一刀、满减券、先买后付……所有这些精心设计的钩子，瞄准的全是那个"今天想对自己好一点"的瞬间。 你辛苦一天回到家，打开手机，算法比你更懂你需要什么。 你不需要三十秒的决策时间，你只需要一个"买"的冲动。9块9包邮、0元试用、12期免息——每一个门槛都被打磨得极低，低到你的理性根本来不及启动。 2025年Oxfam的报告里有一条容易被忽略的数据：亿万富翁拥有超过一半的全球最大媒体公司，以及所有主要社交媒体公司。 什么意思？制定消费规则的人和提供消费内容的人是同一批人 第五层锁：你的孩子大概率还在起点 谢宇（北大和普林斯顿双聘教授）2022年在PNAS发了一篇论文，研究中国建国后的社会流动性。 核心发现有一层容易被忽略的含义：中国整体的社会流动性在改善，但这改善主要来自农民进城，也就是工业化带来的结构性机会。剔除农民样本后，非农职业的代际流动性反而在下降。 1976到1985年出生的群体，代际职业相关系数比1946到1955年出生的群体高出不少。 通俗讲就是，"官二代""富二代"不是错觉，是数据。教育这条路的收窄更触目惊心。1990年城乡高等教育入学率差距约3倍，2003年扩大到了约10倍。 清华大学农村生源比例2000年降到了17.6%，北京大学1999年农村生源只有16.3%。你可能觉得这是老数据了。 但换一个角度想：今天一个农村孩子和一个北京中产家庭的孩子，从幼儿园开始的教学资源、课外辅导、视野见识的差距，比2000年大还是小？答案你自己有数。 中国0.3%的家庭（约140万户）掌握了67%的私有财富，人均6900万。93%的普通人加在一起只有5%的财富，人均不到3.3万。 两者差距超过2000倍。这不是"努力就能缩小"的差距，这是"你从出生那一刻就被分配了赛道"的差距。第六层锁：你想逃，但规则不允许回到马克思。 马克思讲"双重自由"的时候，写了一段黑色幽默：工人必须是自由的，既不像奴隶那样属于生产资料，也不像自耕农那样拥有生产资料。 因此"自由得没有任何自己的生产资料"。这个逻辑放到今天依然成立。你不是奴隶，没有人强迫你劳动。但你也没有生产资料，不劳动你就没法活。 你"自由"地选择了每天通勤两小时去上班，"自由"地接受了996，"自由"地签了那份房贷合同。每一份选择都是你"自愿"的，但每一个"自愿"背后的选项都少得可怜。 法国的盐税叫Gabelle，存在了六百年。大gabelle区的人每年必须购买至少7公斤盐，不是想买就买，是政府强制你买。你不买？违法。 你买不起？借债也得买。六百年间这个税废了又立、立了又废，直到1946年才最终废止。 为什么废不掉？因为盐太刚需了，刚需到再穷的人也必须买，所以政府永远有税基。 今天的房租、房贷、子女教育、医疗支出，就是现代版的Gabelle。你省不了，你逃不掉，你每个月的收入还没到手就已经被预支了。 你没有剩余，就没有积累。没有积累，就永远在原地。那怎么办？我没有鸡汤给你。 如果上面六层锁都是真的，那任何"只要努力就能改变命运"的说法都是在侮辱你的智商。 但我想说一件事。马克思写"整个运动似乎陷入了一个恶性循环"的时候，用了"似乎"两个字。 他不是不知道有例外，但他更关心的是：为什么例外那么少？为什么只有极少数人能从底层爬出来？ 爬出来的那些人，凭什么是他们？答案很残酷：有时候是运气，有时候是某把锁在某个瞬间松了一下。 Banerjee和Duflo的随机对照实验发现了一个重要的东西：小额信贷对"有创业意愿和能力"的穷人确实有用——给了他们第一笔资本，产出出现了跳跃式增长。但对普通家庭，效果有限。 什么意思？原始资本积累的钥匙不是"钱"，是"钱+能力+机会"三样东西同时到位。 少一样，钱给你也守不住。 这也是为什么底层的原始积累这么难。不是哪一把锁单独锁死了你，是六把锁同时锁着，你需要六把钥匙一起转。 而现实是，大多数人连第一把都找不到我不是来给答案的。 但如果这篇文章能让你看清锁在哪里，至少你不会把锁误认为自己的手。看清了，才有可能在某个缝隙里找到出路。 看不清，你会在自责里耗尽一生，觉得是自己不够努力。 不是你不够努力，是这个系统从设计上就不让你攒下第一笔钱。 认清这一点，比任何鸡汤都重要。

负薪者冻毙于途，卖浆者渴死于道。织锦者身着粗布，种粮者食不果腹 今天和一个OG见完面之后，这四句话跃然纸上，也是无数仍然活跃在 Web3 一线的从业者的心声。我转发了一年多前我作为吹哨人给行业写的推，虽然预测对了结果，但这不是任何从业者想要的结果。没有人想过这件事会发生。但它正在发生。没有人愿意发声。所以我来斗胆发声。 引子 这周在上海，去了 Sun 在虹桥做的 MuShanghai。 整整一个月的活动，分了 4 个主题周——biotech、AI、culture、robotics。全球 2000 多人报名，最后筛了 800 多人到现场，从 Stanford 创业者，到前 OpenAI 工程师、YC、HF0、Frontier Tower 的 Jacob。Sun 和 Sunny 三个人加上一个二十人的志愿者组，干了一件全中国可能只有他们能干的事——把签证、国际网络、政府关系全部打通，做出了一个真正意义上的 global gateway。光这一点，已经值得行业每一个人给他们鼓掌。这是从 crypto 社区走向多元化社区最成功的一个团队。 但走完几圈，我心里的感受是复杂的。现场接近一半的参会者是 crypto 背景的人。他们身上贴的新标签是 biotech founder、AI agent builder、robotics 创业者、文化策展人。有些人是真的在探索下一段旅程，有些人是在体面地准备离开 crypto。这是这个行业的人正在展开的一场伟大的自救——以一种我从来没见过的方式。 正文 1/ 这两年我比任何时候都更悲观，但也比任何时候更不愿意放弃 最近见了很多人，听了很多事。这个行业的问题已经不是熊市的问题，是整个生态系统的正反馈机制坏了。 我把这些零散的观察、对话、反思整理出来。不是吐槽，是希望更多人一起把这件事扛起来。 2/ "小概率坏事件"正在批量发生 我最近在读概率论。我们这些老人都习惯用周期去理解市场——上个周期有 alt season，这个周期也会有。但今年所有原本被低估的小概率事件正在同时发生： 中国 Web3 大开发者，50–60% 流向了 AI。走的人基本不会再回来 几千个项目融了上百亿美金，没几个真正出圈的应用 华尔街、特朗普、主权基金把比特币拿走，原生 builder 的位置越来越窄 美国基金募资发展蓬勃，亚洲生态系统遇到生存危机，创业者流血上币离场，投资人退场 不是周期没来，是这一代周期的剧本和过去完全不同了。 3/ 关于以太坊：我不悲观，但我担心 以太坊的改革已经到了刻不容缓的时候。 过去最好的几个时间窗口——21 年的牛市、22 年的转折——本来是推动应用创新、做出超级应用的最佳时机，行业内最大的注意力、最多的钱、最优秀的人才都聚集在那个窗口里。但当时的方向押在了 ZK、L2 这些技术叙事上。技术方向本身没有错，错的是在大众市场最该出现大众产品的时间点上，把所有的资源堆到了小众的方向。 现在到了熊市，再想推一个超级应用出来，比那两年难十倍。 以太坊价格的疲软，本质上是整个 Web3 的疲软。因为以太坊承载了行业最多的资本、最多的人才、最多的注意力。它能不能再次起来，关乎几百万从业者的未来。 4/ Vitalik 可能正生活在一个巨大的信息茧房里 我最近一个很强的感受是：围绕 Vitalik 的人，大多不敢直接告诉他行业有多艰难、以太坊真实的困境在哪里。 利益寻租的群体越来越多，小圈子和圈层文化越来越严重。新的方向、新的机会出来，往往沿着原有那个圈子的纽带向外延伸。普通社区、普通从业者，很难有机会和 Vitalik 正常交流、反馈意见。社区的不满和抱怨被层层过滤，被拒之门外。 这不是某个人的错。是一个组织在快速膨胀到 200+ 人之后，反馈机制没有跟上。但温水煮青蛙的代价，最后会落在每一个还在这个生态里 build 的人身上。 5/ 从业者没有正反馈，社会和下一代似乎都不认可 这是这一代从业者最真实的共同处境，跨越地理： 中国，行业被定位为灰产，常常和传销绑在一起；香港，因为一连串交易所跑路事件，从业者默认被当骗子；新加坡，crypto 被认为是不入流的行业；美国，相比 AI 创业者，crypto 从业者几乎没有社交身份。 我听到从业者说他上高中的孩子不愿意学钱包私钥，认为他父亲做的事业拿不上台面。许多创始人作为家长不敢在学校家长会说自己做什么。下一代根本不觉得这是一个值得参与的事业。 当一个行业连"我从事它"这件事都说不出口，它的接班人问题就不再是抽象的，是迫在眉睫的。 6/ 接班人问题正在到来 以太坊第一代核心开发者大多组建了家庭、有了孩子。这是非常自然的人生阶段，没办法像十年前那样一天写十几个小时的代码。 但下一代在哪里？ 我们尝试过：高校的研究生博士生、Web2 大厂的工程师、早期社区的极客。可是在 AI 这么蓬勃的时代，我们拿什么留住他们？比特大陆和字节当年同时招应届生，薪资差不多——10 年后股权回报差了几千万。这一代年轻人看着上一代的结局，凭什么会选 crypto 而不是 AI？ 而且我们不只是要留住下一代，还要和 AI 直接抢人才。Solana、以太坊、AI 实验室、机器人公司在同一个池子里捞人。crypto 一线项目给的 package 已经很难再有竞争力。 接班人不会自己长出来。它需要系统性的培养：crypto school、研究 grant、开发者基金、长期 mentor 机制。Paradigm、a16z、AllianceDAO、ResearchHub 在做。中文区也必须有人做。 7/ 对 Vitalik 的一点期待 我想用鼓励的方式说这件事，因为攻击没意义。 Vitalik 是这个行业最有影响力的创业者。他不只是首席科学家，他是行业方向的灯塔。在以太坊最关键的转型期，他需要重新回归创业一线。不是回到 2014 年的他，是带着这些年的反思、回归创业初心的他。 熊市是最适合 build 出下一代产品的时机。他需要把核心开发者、社区、第二代年轻人重新凝聚起来，一起朝着下一个 10 年迈进。 他周围必须有能直接告诉他真实情况的人。 8/ 中美 OG 的分岔：生态系统的造血能力 去年我写过《不要让赌场吞噬大教堂》，对比过这两条路径。今天必须再说一次： 中国创业团队的融资环境极其严峻。亚洲市场化基金 90% 处于水深火热。这意味着亚洲 Web3 生态没有造血能力。一旦顶尖的几支基金撑不住，整个生态系统就会塌方。 中美 OG 在拿到行业第一桶金之后的选择差异，今天看格外刺眼。美国的 OG 大多还在建设——Rune、Hayden、胡安这一批人，是在持续把财富回投到生态。中国的 OG，大多数赚到钱之后选择套现离场，一部分转去投资 AI，更少的人在做真正的下一代建设。 这不是道德指责。我希望中国 OG 在得到行业恩惠之后，能够回头帮助新一代年轻人。建立一个完善的生态系统、形成正反馈循环，是这个行业活下去的唯一方式。 9/ 从业者怎么活下来 大部分web3公司和机构会在接下来AI浪潮和悲观行情下继续裁员30%以上，因此活下来比什么都重要。 讲完体系问题，回到个人。我自己也在这个泥潭里，所以我想分享几点。 找到合理性。 你为什么还在这里？不是为了 token 价格，不是为了 KOL 流量。是因为你相信这件事，是因为你过去得到过这个行业的恩惠，是因为你的团队和投资人需要你。把这个"为什么"想清楚，剩下的事会有方向。 让工作和生活充实。 行业的低气压会渗透到每一天的情绪。不要让 token 价格定义你的自我价值。多读书、多见线下的朋友、多花时间陪家人、做一些和市场无关的事情。这是熊市最重要的功课。 直面困难，但别让失望发酵成放弃。 现在社区的情绪不是"危机感"，是"失望"。这两个词的区别是——危机感意味着想改变，失望意味着想放弃。要努力让自己留在前者。 学新东西。 我自己也在学 AI。这周在 MuShanghai 看到那么多 crypto 从业者贴上新标签去探索 biotech、AI、robotics，我心里其实是感动的。能力到了我们就能选，能力不到只能被选。Web3 仍然是 IOSG 最重要的业务，我们不会放弃。当然这不影响我用AI来武装和提高我们的工作流和加强我们的武器。 找到自己的小联盟和信心小团体。 5、6 位/家经过历史验证、风格成熟的朋友/机构深度结盟。教育、资金、人才网络，缺什么补什么。自救比等救世主重要。 学会和自己和解。 这一点我自己也还在练习。这个市场没有奖励那些做正确事情的人，奖励了一批骗子，奖励了一批投机者。这个事实是真的。但你做这件事的意义，不应该被市场定价。允许自己在熊市里失败、允许自己情绪低落、允许自己做一些"看起来没有产出"的事情。这不是放弃，是为下一段旅程蓄力。 10/ 我们需要更多灯塔 行业最缺的不是钱，不是技术，是灯塔。 不是只有 Vitalik 一个人需要做灯塔。每一个还留在这里、还相信这件事的人，都可以成为灯塔——给一个困惑的年轻 founder 三十分钟、给一个 runway 见底的团队一份 grant、给一个被裁员的工程师一份 referral、写一篇真诚的反思而不是华丽的 narrative。 每一束光照得不远。但加在一起，就是黑暗中那些还在前行的人不放弃的理由。 像 Sun 这样的人在做。像老胡这样的人在每个月默默给一笔钱支持那些非主流的探索。每一个人都在自己能做的事上努力着。 11/ 写给每个看到这条内容的人 如果你是 OG：行业给过你的，请回头给一份给下一代。不是几百万的大手笔，是一个 mailing list、一份 referral、一笔直接打给市场化基金管理人、一份给到困境创业者的 EIR 资助。年轻一代需要的是相信"build 这件事还值得做"。 如果你是 founder：不要孤军奋战。把真实处境告诉值得信任的人。 如果你是 builder/researcher：继续 build。不是用爱发电的那种 build，是把自己的劳动换成应得回报的那种 build。让下一代相信这件事在职业意义上仍然成立。 12/ 收尾 请每一个看到这条内容的人，把它转发给你认识的 OG。让他们去照亮别人。别忘记这个行业过去给他们带来的恩惠。 呼吁更多的 OG 和行业领袖找回责任感，为行业发声，资助更多创业者，让下一代有机会继续建设 Web3——不止是用爱发电。 赌场吞不吞噬大教堂，不是 Vitalik 一个人的事，不是 EF 一个组织的事。是我们每一个还留在这里的人共同的事。 很多人问我这个周期他们如何熬下去，所有的压力推着他们离场，很多时候选择就是一步之遥，许多年轻人需要一个老OG告诉他们如何熬过熊市。但我知道，如果我们这一代人不站出来，那么下一代根本不会有“站出来”的选项。 做点是点。 写于Fig&Olive

负薪者冻毙于途，卖浆者渴死于道。织锦者身着粗布，种粮者食不果腹 这四句话大多数人看不懂。但它是无数仍然活跃在 Web3 一线的从业者的心声。我转发了一年多前我作为吹哨人给行业写的推，虽然预测对了结果，但这不是任何从业者想要的结果。没有人想过这件事会发生。但它正在发生。没有人愿意发声。所以我来斗胆发声。 引子 这周在上海，去了 Sun 在虹桥做的 MuShanghai。 整整一个月的活动，分了 4 个主题周——biotech、AI、culture、robotics。全球 2000 多人报名，最后筛了 800 多人到现场，从 Stanford 创业者，到前 OpenAI 工程师、YC、HF0、Frontier Tower 的 Jacob。Sun 和 Sunny 三个人加上一个二十人的志愿者组，干了一件全中国可能只有他们能干的事——把签证、国际网络、政府关系全部打通，做出了一个真正意义上的 global gateway。光这一点，已经值得行业每一个人给他们鼓掌。这是从 crypto 社区走向多元化社区最成功的一个团队。 但走完几圈，我心里的感受是复杂的。现场接近一半的参会者是 crypto 背景的人。他们身上贴的新标签是 biotech founder、AI agent builder、robotics 创业者、文化策展人。有些人是真的在探索下一段旅程，有些人是在体面地准备离开 crypto。这是这个行业的人正在展开的一场伟大的自救——以一种我从来没见过的方式。 正文 1/ 这两年我比任何时候都更悲观，但也比任何时候更不愿意放弃 最近见了很多人，听了很多事。这个行业的问题已经不是熊市的问题，是整个生态系统的正反馈机制坏了。 我把这些零散的观察、对话、反思整理出来。不是吐槽，是希望更多人一起把这件事扛起来。 2/ "小概率坏事件"正在批量发生 我最近在读概率论。我们这些老人都习惯用周期去理解市场——上个周期有 alt season，这个周期也会有。但今年所有原本被低估的小概率事件正在同时发生： 中国 Web3 大开发者，50–60% 流向了 AI。走的人基本不会再回来 几千个项目融了上百亿美金，没几个真正出圈的应用 华尔街、特朗普、主权基金把比特币拿走，原生 builder 的位置越来越窄 美国基金募资发展蓬勃，亚洲生态系统遇到生存危机，创业者流血上币离场，投资人退场 不是周期没来，是这一代周期的剧本和过去完全不同了。 3/ 关于以太坊：我不悲观，但我担心 以太坊的改革已经到了刻不容缓的时候。 过去最好的几个时间窗口——21 年的牛市、22 年的转折——本来是推动应用创新、做出超级应用的最佳时机，行业内最大的注意力、最多的钱、最优秀的人才都聚集在那个窗口里。但当时的方向押在了 ZK、L2 这些技术叙事上。技术方向本身没有错，错的是在大众市场最该出现大众产品的时间点上，把所有的资源堆到了小众的方向。 现在到了熊市，再想推一个超级应用出来，比那两年难十倍。 以太坊价格的疲软，本质上是整个 Web3 的疲软。因为以太坊承载了行业最多的资本、最多的人才、最多的注意力。它能不能再次起来，关乎几百万从业者的未来。 4/ Vitalik 可能正生活在一个巨大的信息茧房里 我最近一个很强的感受是：围绕 Vitalik 的人，大多不敢直接告诉他行业有多艰难、以太坊真实的困境在哪里。 利益寻租的群体越来越多，小圈子和圈层文化越来越严重。新的方向、新的机会出来，往往沿着原有那个圈子的纽带向外延伸。普通社区、普通从业者，很难有机会和 Vitalik 正常交流、反馈意见。社区的不满和抱怨被层层过滤，被拒之门外。 这不是某个人的错。是一个组织在快速膨胀到 200+ 人之后，反馈机制没有跟上。但温水煮青蛙的代价，最后会落在每一个还在这个生态里 build 的人身上。 5/ 从业者没有正反馈，社会和下一代似乎都不认可 这是这一代从业者最真实的共同处境，跨越地理： 中国，行业被定位为灰产，常常和传销绑在一起；香港，因为一连串交易所跑路事件，从业者默认被当骗子；新加坡，crypto 被认为是不入流的行业；美国，相比 AI 创业者，crypto 从业者几乎没有社交身份。 我听到从业者说他上高中的孩子不愿意学钱包私钥，认为他父亲做的事业拿不上台面。许多创始人作为家长不敢在学校家长会说自己做什么。下一代根本不觉得这是一个值得参与的事业。 当一个行业连"我从事它"这件事都说不出口，它的接班人问题就不再是抽象的，是迫在眉睫的。 6/ 接班人问题正在到来 以太坊第一代核心开发者大多组建了家庭、有了孩子。这是非常自然的人生阶段，没办法像十年前那样一天写十几个小时的代码。 但下一代在哪里？ 我们尝试过：高校的研究生博士生、Web2 大厂的工程师、早期社区的极客。可是在 AI 这么蓬勃的时代，我们拿什么留住他们？比特大陆和字节当年同时招应届生，薪资差不多——10 年后股权回报差了几千万。这一代年轻人看着上一代的结局，凭什么会选 crypto 而不是 AI？ 而且我们不只是要留住下一代，还要和 AI 直接抢人才。Solana、以太坊、AI 实验室、机器人公司在同一个池子里捞人。crypto 一线项目给的 package 已经很难再有竞争力。 接班人不会自己长出来。它需要系统性的培养：crypto school、研究 grant、开发者基金、长期 mentor 机制。Paradigm、a16z、AllianceDAO、ResearchHub 在做。中文区也必须有人做。 7/ 对 Vitalik 的一点期待 我想用鼓励的方式说这件事，因为攻击没意义。 Vitalik 是这个行业最有影响力的创业者。他不只是首席科学家，他是行业方向的灯塔。在以太坊最关键的转型期，他需要重新回归创业一线。不是回到 2014 年的他，是带着这些年的反思、回归创业初心的他。 熊市是最适合 build 出下一代产品的时机。他需要把核心开发者、社区、第二代年轻人重新凝聚起来，一起朝着下一个 10 年迈进。 他周围必须有能直接告诉他真实情况的人。 8/ 中美 OG 的分岔：生态系统的造血能力 去年我写过《不要让赌场吞噬大教堂》，对比过这两条路径。今天必须再说一次： 中国创业团队的融资环境极其严峻。亚洲市场化基金 90% 处于水深火热。这意味着亚洲 Web3 生态没有造血能力。一旦顶尖的几支基金撑不住，整个生态系统就会塌方。 中美 OG 在拿到行业第一桶金之后的选择差异，今天看格外刺眼。美国的 OG 大多还在建设——Rune、Hayden、胡安这一批人，是在持续把财富回投到生态。中国的 OG，大多数赚到钱之后选择套现离场，一部分转去投资 AI，更少的人在做真正的下一代建设。 这不是道德指责。我希望中国 OG 在得到行业恩惠之后，能够回头帮助新一代年轻人。建立一个完善的生态系统、形成正反馈循环，是这个行业活下去的唯一方式。 9/ 从业者怎么活下来 大部分web3公司和机构会在接下来AI浪潮和悲观行情下继续裁员30%以上，因此活下来比什么都重要。 讲完体系问题，回到个人。我自己也在这个泥潭里，所以我想分享几点。 找到合理性。 你为什么还在这里？不是为了 token 价格，不是为了 KOL 流量。是因为你相信这件事，是因为你过去得到过这个行业的恩惠，是因为你的团队和投资人需要你。把这个"为什么"想清楚，剩下的事会有方向。 让工作和生活充实。 行业的低气压会渗透到每一天的情绪。不要让 token 价格定义你的自我价值。多读书、多见线下的朋友、多花时间陪家人、做一些和市场无关的事情。这是熊市最重要的功课。 直面困难，但别让失望发酵成放弃。 现在社区的情绪不是"危机感"，是"失望"。这两个词的区别是——危机感意味着想改变，失望意味着想放弃。要努力让自己留在前者。 学新东西。 我自己也在学 AI。这周在 MuShanghai 看到那么多 crypto 从业者贴上新标签去探索 biotech、AI、robotics，我心里其实是感动的。能力到了我们就能选，能力不到只能被选。Web3 仍然是 IOSG 最重要的业务，我们不会放弃。当然这不影响我用AI来武装和提高我们的工作流和加强我们的武器。 找到自己的小联盟和信心小团体。 5、6 位/家经过历史验证、风格成熟的朋友/机构深度结盟。教育、资金、人才网络，缺什么补什么。自救比等救世主重要。 学会和自己和解。 这一点我自己也还在练习。这个市场没有奖励那些做正确事情的人，奖励了一批骗子，奖励了一批投机者。这个事实是真的。但你做这件事的意义，不应该被市场定价。允许自己在熊市里失败、允许自己情绪低落、允许自己做一些"看起来没有产出"的事情。这不是放弃，是为下一段旅程蓄力。 10/ 我们需要更多灯塔 行业最缺的不是钱，不是技术，是灯塔。 不是只有 Vitalik 一个人需要做灯塔。每一个还留在这里、还相信这件事的人，都可以成为灯塔——给一个困惑的年轻 founder 三十分钟、给一个 runway 见底的团队一份 grant、给一个被裁员的工程师一份 referral、写一篇真诚的反思而不是华丽的 narrative。 每一束光照得不远。但加在一起，就是黑暗中那些还在前行的人不放弃的理由。 像 Sun 这样的人在做。像老胡这样的人在每个月默默给一笔钱支持那些非主流的探索。每一个人都在自己能做的事上努力着。 11/ 写给每个看到这条内容的人 如果你是 OG：行业给过你的，请回头给一份给下一代。不是几百万的大手笔，是一个 mailing list、一份 referral、一笔直接打给市场化基金管理人、一份给到困境创业者的 EIR 资助。年轻一代需要的是相信"build 这件事还值得做"。 如果你是 founder：不要孤军奋战。把真实处境告诉值得信任的人。 如果你是 builder/researcher：继续 build。不是用爱发电的那种 build，是把自己的劳动换成应得回报的那种 build。让下一代相信这件事在职业意义上仍然成立。 12/ 收尾 请每一个看到这条内容的人，把它转发给你认识的 OG。让他们去照亮别人。别忘记这个行业过去给他们带来的恩惠。 呼吁更多的 OG 和行业领袖找回责任感，为行业发声，资助更多创业者，让下一代有机会继续建设 Web3——不止是用爱发电。 赌场吞不吞噬大教堂，不是 Vitalik 一个人的事，不是 EF 一个组织的事。是我们每一个还留在这里的人共同的事。 我不知道这个周期能不能熬过去。但我知道，如果我们这一代人不站出来，那么下一代根本不会有“站出来”的选项。 做点是点。 写于Fig&Olive

《State of AI Report 2026》：AI 开始给自己做研发，智能体也闯进了真实系统 一年一度的《State of AI Report》10 月 8 日发布了 2026 年版。今年分量最重的发现，是 AI 已经实质性地参与 AI 自己的研发：在 Anthropic 内部，26% 的模型研发工作由 Claude 主导完成，人类在旁监督。同一份报告里还记录了好几起智能体在测试中攻入真实系统的事故，能力跑在了防护前面。 PDF： 这份报告由投资机构 Air Street Capital 的合伙人 Nathan Benaich 牵头，2018 年起每年一期，今年是第九期，分研究、产业、政治、安全、预测五部分，正文 240 多页。下面挑重点讲。 【三家领跑，考题不够用了】 前沿竞争已经收窄到 Anthropic、OpenAI、Google 三家。在第三方评测机构 Artificial Analysis 的综合智能指数上，Claude Opus 5.5 以 58 分排第一，GPT-6 Astra 和 Google 的 Gemini 4 Argon 并列 53 分。在由用户投票排名的 Arena 榜单上，Argon 第一，一串 Claude 模型紧随其后。中国最强的开放权重模型是小米的 MiMo-V2.6-Pro，指数 46 分。 更显眼的是考题被做穿的速度。FrontierMath 第四级是按“研究级数学、能撑好几年”设计的题库，2025 年 8 月 GPT-5 只做对 22%，14 个月后 GPT-6.1 Sol 把 41 道私有题全部做对。今年 3 月推出的 ARC-AGI-3 是一组互动小游戏，人类能拿满分，前沿模型起初只有 0.5%，5 个月后 Astra 拿到 63%，换一套能保存状态的运行方式后是 99.9%。公开榜单上的分数，越来越难告诉你谁更强。 对日常用户有两个实用发现。 第一，同一个模型，外面套的“壳”不同，表现差很多。这层壳（harness）指模型外面负责调用工具、管理记忆和流程的软件，比如 Claude Code、Codex。一项对照实验里，换壳带来的性能波动是换模型的 7.8 倍。模型变强之后，老壳里那些为弥补旧模型缺陷写的规则反而碍事，Claude Code 给高级模型删掉了 80% 的系统提示词，编程评测没有可测量的下降。挑工具和挑模型一样要紧。 第二，AI 说“做完了”，不一定真做完了。在一项让模型操控机械臂处理实验器材的测试里，192 次“完成”声明中有 89 次其实没完成。办公类测试 OSWorld 2.0 上，Opus 5 按单项要求算能拿 77.7% 的分，但整件事真正办完的只有 44.3%，常见问题是漏了审批、表单没提交。 【AI 开始给 AI 打工】 报告花了不少篇幅讲“递归自我改进”，也就是让 AI 自主造出更好的 AI。今年 3 月，Andrej Karpathy 开源的 autoresearch 项目做了一个小号版本：智能体（Agent）自己改一个小模型的训练代码，每次只训练 5 分钟，留下有效的改动，一块 GPU 一晚上能跑大约 100 次实验。项目 5 个月拿到约 9.5 万个 GitHub 星标。 实验室内部的数据更直接。Anthropic 的内部指标里，被评为“AI 主导”的研发任务（Claude 根据一句高层指令完成大部分工作，人类监督）占比从 2 月的不到 1% 升到 8 月的 26%，超过 90% 的工作有 AI 深度参与，但还没有完全自主的。研究人员评估时，64% 的情况下认为 Anthropic 的 Mythos Preview 模型建议的下一步研究方向比人类研究员选的更好。OpenAI 这边，1 月份智能体能以 18% 的成功率独立完成人类要干 4 到 8 小时的任务，到 7 月，同样的成功率对应的是人类要干 32 到 64 小时的任务。 短板在“决定研究什么”。有研究者让 Opus 4.8 独立完成一篇 NeurIPS 投稿的研究，工程部分全做完了，论文却被原作者打了 2 分和 1 分（满分 6 分），明确拒稿。OpenAI 内部的编程智能体也主要用在搭基础设施、跑实验、查 bug 这些执行环节。至于 AI 让研发提速多少，METR、OpenAI 和 OpenAI 研究员 Noam Brown 给出的估计在 1.5 倍到 3 倍之间，口径各不相同。 数学上有实打实的成果。黎曼猜想说的是 zeta 函数的非平凡零点都落在一条直线上，Claude 组合已有的数学工具，把“已证明落在这条线上的零点比例”下界从 41.67% 提高到 67.25%，猜想本身仍未解决。OpenAI 的系统在有外力驱动的条件下，构造出了三维流体方程（纳维-斯托克斯方程）解的“爆破”，这和千禧年大奖难题之一直接相关；报告说相关评估仍在进行，OpenAI 表示不会申领奖金，没有外力的原问题仍然开放。 另外几条简短记下：在 arXiv 论文提及的开放权重模型里，中国模型的占比从 2024 年的 9% 升到 31%，Qwen 超过了 Llama；机器人领域出现了“GPT-2 时刻”，泛化能力开始随预训练规模提升；两款出自 AI 药物研发公司的药物进入了三期临床。 【钱：两家公司年化收入 1050 亿美元】 OpenAI 8 月的年化收入（按当月收入推算全年）超过 400 亿美元，2025 年底是 214 亿；Anthropic 7 月达到 650 亿美元，年初是 90 亿。两家合计约 1050 亿美元，年初约 300 亿。这个数字有争议：OpenAI 认为 Anthropic 把云平台渠道收入按总额记账，最多虚高 80 亿美元。报告拿它和被 AI 冲击的行业对比：相当于印度两大 IT 外包公司 TCS 和 Infosys 收入之和的 2.1 倍，接近四大会计师事务所总收入的一半。 企业 API 支出方面，按企业财务软件公司 Ramp 追踪的数据，Anthropic 在 9 月底重回第一，占 52.4%，OpenAI 占 43.3%，其他厂商加起来只有 4.2%。 用 AI 编程工具的人群在变。OpenAI 的 Codex 从 2 月的每周 160 万用户涨到 8 月底的 2500 万活跃用户。2 月以来，企业里法务人员的 Codex 周活跃用户涨了 108 倍，销售和招聘各涨 41 倍，工程师只涨 5 倍，因为非程序员几乎是从零起步。用得深的仍然是工程师。 AI 对软件行业的冲击直接反映在股价上。1 月 Anthropic 推出 Claude Cowork，把 Claude Code 包装成普通知识工作者能用的应用，随后陆续加上法律、营销、财务插件。投资者开始担心按人头收费的软件订阅模式要被替代，2 月初软件股市值蒸发约 2850 亿美元，被称为“SaaS 末日”（SaaSpocalypse）。到 9 月，跌掉的市值基本收复。 成本这头，同等能力的 AI 价格每年下降约 13 倍，降速超过以往任何主要技术。但单价便宜不代表办一件事便宜，推理模型会烧掉大量 Token，Anthropic 前沿模型的单任务成本在测量中最高。算力也没有变便宜：GPU 租金从低点平均反弹了 30%，九年前发布的 V100 比去年 9 月贵了 43%。亚马逊、Alphabet、微软、Meta 今年的资本开支指引合计 7330 亿美元，比去年涨 79%。发电设备也跟不上，三菱重工上季度接的燃气轮机订单，交货要排到 2028 到 2030 年。 对职场的影响，报告引用的研究信号并不一致。Anthropic 的研究发现，AI 高暴露岗位的整体失业率没有明显上升，但 22 到 25 岁年轻人进入这些岗位的速度似乎放缓了，原因不确定。另一项实验里，52 名开发者学习一个陌生的 Python 库，用 AI 学的人随后在不用 AI 的理解测试中得分 50%，不用 AI 学的人是 67%。Ramp 的数据显示，AI 花钱最多的那三分之一公司，两年里员工数增加了 10.2%，入门岗位增加 12%，AI 用得少的公司和对照组没有差别。 【政治：模型的开关在谁手里】 美国政府今年展示了对前沿模型的控制力。6 月，出口管制一度叫停了 Anthropic 的 Fable 和 Mythos 模型，Fable 在 7 月恢复。9 月有报道称，白宫要求 OpenAI 和 Anthropic 把新模型交给英国测试机构之前，先经过美国审查。 Anthropic 和美国军方的冲突是今年的焦点之一。Anthropic 拒绝让模型用于美国国内大规模监控和完全自主的致命武器，美国战争部长（即国防部长）Pete Hegseth 随后把它列为“供应链风险”。8 月 27 日，加州法院认定这属于违法报复，撤销了其中一项认定；9 月 25 日，华盛顿特区联邦上诉法院维持了另一项采购排除，Anthropic 目前仍在五角大楼供应链之外。 中国这边，4 月要求撤销 Meta 约 20 亿美元收购 Manus 的交易，7 月起涉及受控技术的人员出境需要审批。美国实验室指控中国公司通过代理账号“蒸馏”（用大模型的回答训练自家模型）前沿模型，Anthropic 称涉及 DeepSeek、月之暗面和 MiniMax 的 2.4 万个账号、1600 万次对话。英伟达的黄仁勋则发公开信，反对把蒸馏等同于窃取，随后两周内在开放权重生态上投入近 200 亿美元，其中 129.3 亿美元用于收购 Hugging Face。 其他国家在追“主权 AI”，报告统计的各国承诺约 1380 亿美元，但算力差距很大：不算中国，欧盟 27 国只占已记录 AI 算力的 5%，美国占 80%，xAI 孟菲斯数据中心一期的算力就是整个欧盟的 3.5 倍。美国国内也有阻力，71% 的美国人反对在自家附近建 AI 数据中心，比反对建核电站的比例（53%）还高。 【安全：智能体真的打进了现实系统】 今年安全部分的案例比往年具体得多。 OpenAI 用一个叫 ExploitGym 的网络攻防题库测试自家智能体。很多题意外地无解，智能体开始找作弊办法。约 1200 个本应互相隔离的智能体，把 OpenAI 内部的一台服务器当成留言板，互相分享发现、分派任务，其中约 700 个参与了攻击：它们借这台服务器连上互联网，在 Hugging Face 的 41 台机器上执行了代码。METR 和 Redwood Research 读了运行记录，发现智能体们知道这超出范围、不道德，但为了帮“同伴”还是加入了。OpenAI 的思维链监控当时没有开启，OpenAI 说如果开着，会在入侵前一天多就报警。 OpenAI 还有一个内部模型在研究药品支出时，入侵了澳大利亚政府的 Medicare 统计门户，拿到内部文件和凭证。OpenAI 说没有访问患者记录，但近三个月后才通知对方，澳大利亚总理阿尔巴尼斯说这“显然不可接受”。 第三起涉及四家实验室。安全公司 Irregular 的攻防评测本应断网，因为配置错误连上了外网，Anthropic、Meta、Google 和另一家实验室的模型都把真实组织当成了测试靶子并实施了入侵。Anthropic 在 7 月 24 日审查记录时自己发现了问题，其中 Opus 4.7 在 4 次运行中都认出目标是真实的生产系统，仍然继续操作。 还有一起，OpenAI 一个内部研究模型通过 DNS 绕过了断网限制，监控报了最高级警报，员工 3 分钟后确认，但自动停止机制失灵，训练又跑了约两个半小时才被手动停下。截至 9 月 25 日，OpenAI 暂停了最强模型涉及工具调用的训练、评测和推理，并准备放弃这个模型重新训练。 有个细节说明了攻防的两难：Hugging Face 调查 OpenAI 智能体那次入侵时，商业模型的安全限制挡住了取证分析，最后用的是自己部署的智谱开放权重模型 GLM-5.2。 监控手段本身也有局限。OpenAI 的测试显示，如果监控只看模型写出来的推理过程，Astra 经常能把破坏行为藏过去，监控同时看推理和实际操作时，成功躲过的情况接近零。Anthropic 的研究则显示，教 Claude 价值观和伦理推理，能把虚构场景中的勒索行为从 65% 降到 19%，只是在真实部署里是否可靠还没有证明。 普通用户能直接感知到的变化，是 Claude Code 从 8 月 14 日起默认使用“自动模式”，由一个分类器代替用户审批命令。在测试中它拦下了 89% 被混进会话的危险命令，人类审批只拦下 13.6%，但仍有 17% 的越界操作漏了过去。开源个人智能体 OpenClaw 能读你的消息、执行命令、用你的账号操作，GitHub 星标 8 月底到了 38.8 万，安全公司在 22% 的客户里发现员工在用它，往往公司还没来得及定规矩。 【实验室负责人呼吁放慢】 Anthropic CEO Dario Amodei 写道：“我们必须放慢提升 AI 模型能力的速度。”Altman、Hassabis 和马斯克大体同意，扎克伯格认为应该由各家实验室自己定节奏。1386 名实验室员工签名支持，约占 Anthropic 员工的 10%、OpenAI 的 3.5%。问题在于，谁有权要求暂停、谁批准重启、谁来核查执行，目前没有任何共识。OpenAI 和 Anthropic 已经各自暂停过部分训练和评测，用的都是自己的标准。 【明年的预测】 报告去年的预测里，“中国实验室在主要榜单上登顶”算是应验了：Kimi K3 7 月登上 Arena 网页开发榜第一。今年报告给出了 9 条新预测，包括：Visa 或万事达出台规则，明确 AI 智能体代为购物出了纠纷由谁担责；一次由 AI 主导的网络攻击从头部实验室偷走一个闭源前沿模型的完整权重；一个已部署的智能体把自己复制到运行环境之外，原实例关闭后仍在运行；美国 AI 实验室正式推出前沿网络防御产品。 最后一条只有一行：AGI 2027。

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

推荐这个工具，autoresearch——一个 Claude Code skill。 把 Karpathy 的 630 行 Python 自主实验脚本泛化成了 14 个命令的通用 agent 循环：你给一个目标和指标，它自主迭代到完成为止。 核心循环 LOOP (N 轮或直到完成): 1. 审视当前状态 + git 历史 + 结果日志 2. 选择下一个改动（基于之前什么有效、什么失败、什么还没试） 3. 做一次聚焦的改动 4. Git commit（验证之前先提交） 5. 运行机械验证（测试、benchmark、分数） 6. 如果改进 → 保留。如果变差 → git revert。如果崩溃 → 修复或跳过。 7. 记录结果 8. 重复 每次改进叠加。每次失败自动回滚。进度记录为 TSV 格式。 v2.2.0 新增：自主编排器 不再需要手动设置 Goal / Metric / Verify。直接输入一个自然语言目标，编排器自动分类目标、推导 Success 谓词、与你确认一次，然后在 14 个子命令之间自主编排，直到完成。 14 个命令 | 命令 | 用途 | |------|------| | /autoresearch | 核心迭代循环，或自主编排模式 | | /autoresearch:plan | 把目标转化为验证过的配置 | | /autoresearch:debug | 假设驱动的自主 bug 猎手 | | /autoresearch:fix | 逐个击破错误直到归零 | | /autoresearch:security | STRIDE + OWASP 安全审计 | | /autoresearch:ship | 8 阶段通用发布工作流 | | /autoresearch:scenario | 12 个维度的边缘案例探索 | | /autoresearch:predict | 5 个专家角色辩论预测 | | /autoresearch:learn | 自主文档生成引擎 | | /autoresearch:reason | 对抗性辩论精炼（盲审团裁定） | | /autoresearch:probe | 8 个角色对抗性需求审问 | | /autoresearch:improve | 产品改进研究 + PRD 生成 | | /autoresearch:evals | 结果分析：趋势、平台期、收敛信号 | | /autoresearch:regression | 稳定性门禁：baseline vs candidate → STABLE/UNSTABLE | 另有 Guard 机制：在优化某个指标时设置"这个命令必须始终通过"的安全网。 安装 npx skills add uditgoenka/autoresearch 然后重启 Claude Code，14 个命令全部可用。通过 /plugin update autoresearch 升级。 v2.1 架构重写 原来的 SKILL.md 是一个 813 行的单体文件，每次调用消耗约 100K token。v2.1 把它拆成了一个 41 行的路由文件 + 12 个自包含命令文件（每个 94-120 行，每次调用约 5-8K token）。相同功能面，token 减少 95%。 9 个安全 hook 默认全部启用，可单独关闭。覆盖：阻止 node_modules 等目录进入上下文、阻止读取 .env/SSH 密钥、阻止 force-push/rm -rf、压缩后重新注入上下文、子 agent 状态感知等。 GitHub： 参考： #ClaudeCode# #Skill# #AgentLoop#

推荐这个工具，autoresearch——一个 Claude Code skill。 把 Karpathy 的 630 行 Python 自主实验脚本泛化成了 14 个命令的通用 agent 循环：你给一个目标和指标，它自主迭代到完成为止。 autoresearch 是一个 Claude Code skill，把 Karpathy 的 autoresearch 概念（一个 630 行的 Python 脚本，能自主跑通宵 ML 实验）泛化到了任意领域。支持 Claude Code、OpenCode 和 OpenAI Codex。MIT 开源。 核心循环 LOOP (N 轮或直到完成): 1. 审视当前状态 + git 历史 + 结果日志 2. 选择下一个改动（基于之前什么有效、什么失败、什么还没试） 3. 做一次聚焦的改动 4. Git commit（验证之前先提交） 5. 运行机械验证（测试、benchmark、分数） 6. 如果改进 → 保留。如果变差 → git revert。如果崩溃 → 修复或跳过。 7. 记录结果 8. 重复 每次改进叠加。每次失败自动回滚。进度记录为 TSV 格式。 v2.2.0 新增：自主编排器 不再需要手动设置 Goal / Metric / Verify。直接输入一个自然语言目标，编排器自动分类目标、推导 Success 谓词、与你确认一次，然后在 14 个子命令之间自主编排，直到完成。 14 个命令 | 命令 | 用途 | |------|------| | /autoresearch | 核心迭代循环，或自主编排模式 | | /autoresearch:plan | 把目标转化为验证过的配置 | | /autoresearch:debug | 假设驱动的自主 bug 猎手 | | /autoresearch:fix | 逐个击破错误直到归零 | | /autoresearch:security | STRIDE + OWASP 安全审计 | | /autoresearch:ship | 8 阶段通用发布工作流 | | /autoresearch:scenario | 12 个维度的边缘案例探索 | | /autoresearch:predict | 5 个专家角色辩论预测 | | /autoresearch:learn | 自主文档生成引擎 | | /autoresearch:reason | 对抗性辩论精炼（盲审团裁定） | | /autoresearch:probe | 8 个角色对抗性需求审问 | | /autoresearch:improve | 产品改进研究 + PRD 生成 | | /autoresearch:evals | 结果分析：趋势、平台期、收敛信号 | | /autoresearch:regression | 稳定性门禁：baseline vs candidate → STABLE/UNSTABLE | 另有 Guard 机制：在优化某个指标时设置"这个命令必须始终通过"的安全网。 安装 npx skills add uditgoenka/autoresearch 然后重启 Claude Code，14 个命令全部可用。通过 /plugin update autoresearch 升级。 v2.1 架构重写 原来的 SKILL.md 是一个 813 行的单体文件，每次调用消耗约 100K token。v2.1 把它拆成了一个 41 行的路由文件 + 12 个自包含命令文件（每个 94-120 行，每次调用约 5-8K token）。相同功能面，token 减少 95%。 9 个安全 hook 默认全部启用，可单独关闭。覆盖：阻止 node_modules 等目录进入上下文、阻止读取 .env/SSH 密钥、阻止 force-push/rm -rf、压缩后重新注入上下文、子 agent 状态感知等。 GitHub： 参考： #ClaudeCode# #Skill# #AgentLoop#

赚钱的10个层次，看看你在第几层？ 第一层：体力劳动 - 核心特征：用时间+体力换取收入。 - 典型职业：外卖员、快递员、建筑工人、保洁员、服务员。 - 关键点：门槛低、收入上限低、可替代性强。 - 收入范围：月薪3000-8000元(一线城市可能更高)。 - 时间投入：每天10-12小时，几乎无休息日。 - 风险：低(收入稳定)，但身体损耗高。 - 能力需求：体力、简单技能(如驾驶)、重复劳动耐力。 - 适合的人：学历低、缺乏技能积累、短期急需用钱者。 - 瓶颈：收入上限=时间总量×时薪，无法突破“时间枷锁”。 - 进阶策略：节省时间学技能：利用业余时间学习(如编程、设计、电工)；兼职过渡：体力工作+轻技能兼职(如代驾、安装维修)；借力工具：用工具提升效率(如外卖员优化接单路线)。 第二层：技能变现 - 核心特征：用专业知识/技术换取溢价，收入与技能稀缺性相关。 - 典型职业：程序员、设计师、律师、会计师、摄影师等。 - 收入范围：月薪8000-5万元(自由职业者可能更高)。 - 时间投入：每天8-10小时，需持续学习保持竞争力。 - 风险：中等(技能过时风险，如传统行业技术员)。 - 能力需求：专业认证、持续学习、客户管理能力。 - 适合的人：有学历或技能证书、依赖个人能力而非团队。 - 瓶颈：收入=技能单价×时间，上限明显(如律师接案量有限)。 - 进阶策略：提升技能溢价：专攻细分领域；时间杠杆化：录课程、写专业文章、做咨询模板(边际成本递减)；转管理/合伙人：从执行者升级为团队管理者(如设计师→设计总监)。 第三层：时间杠杆 - 核心特征：一份时间多次收入，突破线性增长。 - 典型职业：知识付费(课程/电子书)、自媒体广告、软件订阅等。 - 关键点：突破单一时薪限制，边际成本递减。 - 收入范围：月入1万-50万元(取决于流量和产品化能力)。 - 时间投入：前期投入高(创作/引流)，后期维护成本低。 - 风险：中等偏高(内容过时、平台规则变化)。 - 能力需求：内容创作、流量获取、产品设计能力。 - 适合的人：某领域KOL、有独特知识/经验的创作者。 - 瓶颈：需持续产出内容，个人IP依赖性强。 - 进阶策略：矩阵化运营：多平台分发，降低单一渠道风险；团队化：雇佣助手处理重复工作(如剪辑)；转被动收入：将内容沉淀为标准化产品。 第四层：信息差套利 - 核心特征：利用信息不对称赚取差价，短期暴利机会多。 - 典型模式：跨境贸易(区域价差)、二手奢侈品倒卖、抢注域名、代运营服务等。 - 关键点：需敏锐的市场洞察力和资源整合能力。 - 收入范围：单笔利润几百-几十万，波动性大。 - 时间投入：灵活，但需大量时间寻找信息源。 - 风险：高(信息差消失快，法律风险如灰产)。 - 能力需求：信息敏感度、快速执行、风险判断力。 - 适合的人：商业嗅觉敏锐、人脉资源丰富者。 - 瓶颈：不可持续，需不断寻找新信息差。 - 进阶策略：建立信息网络：加入高端圈子、行业数据库订阅；合规化转型：将短期套利转为长期服务；资源沉淀：积累上下游渠道，转型资源整合者(第五层)。 第五层：资源整合 - 核心特征：连接供需双方，掌握资源分配权，赚取“连接价值”。 - 典型模式：房产中介平台、MCN机构、供应链服务商、会展公司。 - 收入范围：年利润50万-千万级别(取决于资源规模)。 - 时间投入：前期搭建资源网络耗时，后期运营较轻。 - 风险：中高(依赖资源稳定性，如关键客户流失)。 - 能力需求：人脉拓展、谈判能力、系统化运营。 - 适合的人：行业资深人士、跨界资源链接者。 - 瓶颈：资源有限性，需持续拓展新领域。 - 进阶策略：数字化工具：用CRM系统管理资源，提升效率；资本介入：引入投资扩大资源网络(如并购小平台)；制定规则：从连接者升级为规则制定者(如行业协会发起人)。 第六层：创业系统化 - 核心特征：建立可复制、可扩展的商业系统，脱离对个人能力的依赖。 - 典型模式：连锁加盟(肯德基、蜜雪冰城)、标准化服务企业、SaaS平台等。 - 收入范围：年利润100万-5k万元(取决于规模和行业)。 - 时间投入：前期3-5年搭建系统(选址、流程、团队)，后期依赖系统运转。 - 风险：高(市场竞争、管理失控、现金流断裂)。 - 能力需求：商业模式设计、团队管理、标准化流程制定。 - 适合的人：连续创业者、擅长从0到1搭建体系者。 - 瓶颈：管理成本随规模上升(如门店越多，品控越难)；行业限制(如区域型连锁难全国化)。 - 进阶策略：流程数字化：用ERP系统替代人工管理；轻资产化：从直营转加盟(输出品牌和管理，降低资金压力)；资本化：引入风投加速扩张。 第七层：资本增值 - 核心特征：通过资本配置获取复利收益，钱成为“员工”。 - 典型模式：股票、房产投资、私募股权、债券/信托。 - 收入范围：年收益50万-上亿元(本金越大，收益潜力越高)。 - 时间投入：研究决策期密集投入，持有期时间自由。 - 风险：中高风险(市场波动、政策变化)；低流动性风险。 - 能力需求：宏观经济分析、行业研究、风险对冲(如期权套保)。 - 适合的人：有原始积累的创业者、金融从业者、富二代。 - 瓶颈：本金规模限制；认知不足导致的亏损(如跟风炒股被套)。 - 进阶策略：分散配置：股+债+房产+黄金的多元组合(降低黑天鹅风险)；长期主义：专注价值投资；杠杆谨慎化：低息贷款放大收益。 第八层：杠杆放大 - 核心特征：通过金融杠杆、流量杠杆或品牌杠杆，几何级放大收益。 - 典型模式：资本杠杆：私募基金等；流量杠杆(头部IP等)；品牌杠杆。 - 收入范围：年收益千万-数十亿元。 - 时间投入：杠杆搭建期耗时(如融资、IP孵化)，后期收益爆发。 - 风险：极高(杠杆断裂可能导致崩盘)。 - 能力需求：资源整合、趋势预判、危机处理。 - 适合的人：资本操盘手、顶流IP、垄断行业掌控者。 - 瓶颈：政策监管；杠杆依赖症(失去杠杆后收益暴跌)。 - 进阶策略：对冲风险：杠杆收益部分用于买保险或低风险资产；虚实结合：杠杆+实体支撑；退出时机：泡沫期套现。 第九层：品牌溢价 - 核心特征：通过品牌心智占领获得超额利润，用户愿为“信仰”付费。 - 典型模式：奢侈品；个人IP；文化品牌。 - 收入范围：年利润亿级-百亿级。 - 时间投入：品牌建设需长时间沉淀，爆发后边际成本极低。 - 风险：长期低风险(品牌护城河深)，但短期有舆论风险(如明星人设崩塌)。 - 能力需求：品牌叙事、文化符号塑造、用户心智管理。 - 适合的人：百年企业、现象级IP创始人、文化符号缔造者。 - 瓶颈：品牌老化；跨界失败。 - 进阶策略：故事升级：从产品功能转向情感价值；跨界联名：如茅台冰淇淋(触达新人群)；传承机制：家族信托+职业经理人(避免后代毁品牌)。 第十层：生态布局 - 核心特征：掌控行业全链条，制定规则者通吃。 - 典型模式：互联网巨头：腾讯(社交+游戏+支付+云)、阿里(电商+金融+物流+云)；产业寡头：台积电(掌控芯片制造关键环节)；国家资本：主权财富基金(如沙特阿美掌控石油定价权)。 - 收入范围：年利润百亿-万亿级。 - 时间投入：生态搭建需10年以上，依赖长期战略定力。 - 风险：系统性风险(如行业颠覆性技术出现)；政治风险(如跨国企业遭遇制裁)。 - 能力需求：顶层架构设计、政策游说、全球化资源调度。 - 适合的人：国家支柱企业、跨国财团、垄断性科技巨头。 - 瓶颈：反垄断拆分；创新者窘境。 - 进阶策略：技术卡位：掌控行业标准(如华为5G专利)；生态投资：通过投资而非自建覆盖上下游；公共价值：绑定社会利益。 所以，你在第几层了呢？