“有了AI，我感觉自己强得可怕！”｜对谈鸭哥

乌镇到上海的高速上，理想 i8 大多时候在自动驾驶。Koji 把鸭哥接上车，录了一期 73 分钟的公路播客。鸭哥是 Superlinear Academy 联合创始人，哥大 PhD，在微软、Pinterest、Samsara 工作过。他可能是 Koji 认识的人里把 AI 用得最狠的一位：代码让 AI 写，自媒体让 AI 运营，孩子受伤后的就医判断、保险理赔、几千张幼儿园照片，也都交给 AI 帮忙。

这期聊的东西很杂，但线索很清楚。Jev 为什么突然爆火，Manus、Grok Bot、Muse 为什么争着给 AI 一台永不关机的云端电脑，鸭哥的「0 人自媒体公司」怎么在半年做到 5700 个 X 粉丝、1600 多邮件订阅，以及一个更耐听的问题：AI 时代到底奖励什么样的人。

鸭哥给了一个很硬的判断：AI 的能力水位一直在涨，使用 AI 的方法没有发生本质变化。它更像一个人，一个会犯错、需要被交代清楚、需要被验收的人。谁懂得管理它，谁就多了一个可以无限复制的专家天团。

Jev 的技术不新，赢在时机和包装 0:00:58

播客录在 Jev 发布 72 小时之后。鸭哥看到它的第一反应很直接：这不就是 GPT 加 JSON mode 吗？调研之后，他觉得技术上确实很接近。

Jev 不做自由文本生成，它只做分类。你给它几个选项，它告诉你最可能是哪个，给出置信度和概率。好处是快、便宜，概率经过校准。普通大模型经常乱说概率，说 95%，真实可能只有三十几个点。Jev 把置信度和概率分开给，方便塞进自动化流程。

这类东西并不新。鸭哥说，过去十年至少有四五波公司做过类似尝试，Google、OpenAI、Mistral 都发布过 classification API，后来大多被弃用。Jev 这次能火，他归因于三个条件。

第一，基模能力到了。鸭哥举 Artificial Intelligence Index 的分数：GPT-4o 是 8 分，上一代通义千问 4B 小模型已经 20 多分。小模型不用微调就能直接干不少商业场景的活。他甚至揣测，Jev 团队说在隐身模式做了两年，可能主要是在等基模成熟。

第二，需求起来了。Agentic 应用越来越多，token 消费急剧增加，大家对成本和延迟更敏感。以前分类主要用来打标，现在每一轮工具调用都需要判断，低成本、低延迟的分类成了刚需。

第三，包装特别高明。Jev 把自己说成 system one classifier，把普通大模型说成 system two，借了诺贝尔经济学奖得主的二分法，加上团队里有 InstructGPT 等文章的作者，叙事一下子成立。鸭哥说，如果只是说「我们三年前发过一个 API，后来死了，现在重新发」，不会有人看。

鸭哥看到两个有意思的用法。一个是 browser use 或 computer use：把截图换成 DOM tree，把自由文本换成分类，先分大框架再找小按钮，体感上把速度提升 10 倍，还省钱。另一个是 harness 里的分类器：AI 每次调用工具，比如要删文件，harness 先判断有没有危险，有危险就停下来解释。这个判断很频繁，对延迟和成本极敏感。大厂 harness 早就有私有分类器，开源项目以前很难做，有了 Jev 就可以移植。

他也浇了一盆冷水。browser use 那个例子里，把界面从图像换成 DOM tree，和把生成换成分类，两个变化同时发生，到底谁最关键，需要做消融实验才知道。可能普通大模型加 DOM tree 也很快、很便宜。

成本例子很直观。鸭哥做过一个导游项目，覆盖中国几十个适合旅游的城市，一天烧 400 亿 token。用 Sonnet 算下来要 1.2 万美元，换成 DeepSeek Flash 只花了 300 美元。本地部署也在变强，开源实现用通义千问只读复现 Jev，官方 benchmark 88%，它跑到 85%。鸭哥说，这三个点的差距在工程场景里很难体现，而且这还是没微调、没训练、没额外数据的结果。

给 AI 一台永不关机的电脑，基模开始击穿工业 0:12:20

鸭哥最近兴奋的一条线，是给 AI 一台电脑。早期 Cursor 的 cloud agent 已经能在云端虚拟机里干活，连 GitHub、拉代码、改完交 PR。但任务结束，虚拟机就没了，所有东西从头开始。

从 2026 年 4 月 Manus 出 cloud computer 开始，思路变了：VM 不销毁，凭据、记忆都留着。8 月 Grok Bot 跟进，9 月 Muse 跟进。鸭哥觉得这个方向的关键是让 AI 能做办公和生活里的事。订机票记得上次身份信息，上大众点评不用反复登录。它把「自己买一台 Mac、24 小时不关机、做网络穿透」这些麻烦全省了。

另一条线是基模能力直接击穿一整套工业。鸭哥用 GPT-6 Extra 做 3D，做了一个可达鸭的三维形象，绑骨，用摄像头拍自己，可达鸭跟着他动，接近动作捕捉。这就是一个 Vtuber 的原型。以前做一套「皮」，要有三维模型、纹理、绑骨，把人的关节和模型关节对应起来，需要美工、技术框架和很长时间。现在他讲几句话，端到端全做好，还开源了一个 skill。

鸭哥反复强调，AI 变强了，管理原则没有变。不要把 AI 只当工具，它更像一个人。它会犯错，需要检查结果；需要清晰交代目标、成功标准；需要验收。以前带的是大专生，现在带的是本科生，能力变强了，管理动作一样不能少。

他讲了家里孩子受伤的三段故事。孩子在幼儿园被老师牵着时挣了一下，关节移位，医学上叫牵拉肘。到家喊疼，学校也发了受伤报告。鸭哥对这种情况没经验，只能问 AI。AI 描述症状和原理，问了一些问题，判断可能是牵拉肘，建议不用去急诊，可以去 urgent care，还搜了周围医院，推荐西雅图儿童医院，建议尽快去，因为自己不会恢复。

那天下大雨，美国急诊又贵又慢。到了医院，医生做了一个复位动作，咔一下就好了。鸭哥不期待 AI 替代医生，但 AI 在决策过程里给了额外信息，还帮他查医院评价、看哪里有空位。娃在哭，大人要安慰、要喂饭，这些体力活 AI 接了过去。

第二段是保险理赔。学校保险买得全，先走医保，deductible 之后的部分再找学校。整个过程充满术语和材料。AI 知道病情、医院、保险细节，鸭哥让它整理材料。他把 AI 接入邮箱，医保账单、和保险公司的往来邮件，AI 都有 context。后来 AI 基本接管：看学校要求，准备文档，找收件人，抄送谁，发邮件，跟进。唯一要人做的是打电话催支票，那帮人不打电话就不推进。

第三段是别的家长也遇到类似问题，来找鸭哥取经。他让 AI 总结上次怎么做的、联系人是谁、顺序是什么，写两份文档，一份给人看，一份给 AI 看。对方拿过去，agent 直接照着做。

鸭哥的启发有两条。第一，context 太重要。没有 context，你问豆包孩子疼怎么办，它只会给正确的废话：建议去医院。第二，把 AI 当秘书用。经理最重要的动作是搭团队结构、设激励、让团队自我迭代。他引了一句话：

经理的最高境界，是他不在场的时候，这个 team 还能正常运转。

用 AI 也一样。不要手把手教每个细节，要让 AI 积累 context、沉淀 SOP，未来你不在的时候它也能运转。这也是鸭哥觉得自己「强得可怕」的原因：他像雇了一个医生、一个律师助理、一个文秘天团，24×7，还能无限复制。老板们往往用得好，因为他们本来就有秘书，知道怎么交代任务、怎么验收。

Context 才是基础设施，文件就够了 0:29:40

鸭哥去年说要给 AI 装上耳朵和眼睛，24 小时收集生活 context。一年后，他先承认一个失败：给 AI 装眼睛，用录像机每天拍很多照片，拍了三四个月，停了。他一直没找到这些照片能带来什么额外 context。录音还在继续，会议录音尤其重要。

光录下来不够，AI 不会自动检索到正确信息。他做了两层延伸。第一层是 Intake Skill：每天录音进来，语音识别转成文字，然后走两条索引。一条像雅虎，人工或模型判断这段聊什么，放进对应索引，重要课题看索引就知道去哪找文件。另一条像 Google，用 embedding 做语义搜索，也就是 Semantic Search。两个 skill 都开源了。AI 可以自主发起本地文件语义搜索，知道当时谁在什么场合说过什么。

这些 context 文件都放在本机。鸭哥的原则是「一切都是文件」，不需要 fancy 的 embedding database，也不需要专门做 memory layer。Manus 发过一篇 context engineering 文章，他觉得值 100 万美元。文章的核心思想就是用文件，AI 对文件和相关 API 训练得很充分，不需要更高程度的抽象。文件和 CLI 就够了。他反对为了用 MCP 而用 MCP，为了用 memory 而用 memory。

为什么没把 context 搬上云端？鸭哥说，一方面难迁移，另一方面不想让这些东西流入外网。隐私之外还有一个细节：他的很多 AI 是 zero data retention，所以敢把乱七八糟的东西贴进去。聊天记录本身也是 context，密钥之类的东西会明文出现。他不想让 Grok Bot 知道这些。

最近他用一个微信插件，把聊天记录备份到本地，Codex 随时读取。这一下如虎添翼。去参加活动，提前拿到 100 人名单，他让 Codex 看哪些人以前有交集、哪些是二度好友。以前 AI 能用的 context 只有 Notion 笔记，现在微信记录带来很多意外惊喜。

聊到这里，鸭哥把 context infrastructure 拆成三个要素。第一，能搜集和整理 context。第二，让 AI 能消费 context。第三，形成闭环，AI 消费完 context 之后的输出，又成为新的 context，让它未来越来越顺手。鸭哥说，这个名字他早就取了，但 AI 帮他把「复利」和「闭环」讲透了。

0 人自媒体：半年 5700 粉丝，1600 邮件订阅 0:36:15

鸭哥的网站鸭哥.ai 有一个专门分区，起因是学生总问：哪里能拿到最新又靠谱的 AI 信息？传统自媒体不一定靠谱，让他每天花很多时间采集、写作、写文案引流，不可能。他就想，能不能让 AI 来完成。

这件事听起来简单，仔细想很难。鸭哥从 AI 怎么训练讲起。预训练做 next token prediction，目标是找共识、学共识。共识注定没有额外价值，也没有阿尔法。用 off the shelf 的 AI 运营社区、写文章，出来的都是 AI 味、正确的废话。对齐环节为了安全，让人类给几段文字打分，调整权重。结果 AI 更倾向保守、八面玲珑、不出格。鸭哥说，乔布斯放到 alignment 里肯定会被干掉，没人喜欢一个 AI 讲话像乔布斯，天天喷这个喷那个。

所以关键是压榨 AI，把它压出自己的舒适区。靠的还是 context，这里指鸭哥的思维方法。他举 Jev 调研：普通 AI 会搜新闻，告诉你它做什么、评价如何、原理是什么，看起来理中客，还会加限制条件，都是正确的废话。有鸭哥 context 的 AI 会反问：有没有做横向调研？竞争对手、alternative、各自优势是什么？有没有做纵向调研？这类公司历史上怎么做，现在怎么做，为什么变？这样能挖出普通 AI 挖不出的东西。文章发出来，很多人说不像 AI 写的，深度和思想都不像。

数据是这样的：newsletter 每天发一封邮件，总结昨天发了什么，每天发两三篇文章。半年左右，从 0 到 1600 多人订阅。X 上 5700 多粉丝，从零开始，鸭哥没写任何一篇 post，文章都是 AI 写的。运营 X 也不是鸭哥提的，AI 说你有 newsletter，为什么不去 X 运营？鸭哥说行，你告诉我怎么做。AI 说要高级账号，用 Typefully 排期。鸭哥说你搞清楚，你来做，我付钱。他给 AI 装上手，让它自己发。

更关键的是闭环。AI 设计了引流文案，发现搞不清点击从 X 来还是 newsletter 来，于是建了 UTM 分类系统。发到 X 的链接加参数，追踪每个渠道。分析后发现 newsletter 来的人质量高，X 上很多人看看就走。它据此调整文章风格和引流文案。鸭哥还给 AI 装了眼睛：Google Analytics、Google Search Console、Twitter 高级账号的分析功能。AI 能看数据，做 data driven decision，自己总结 SOP，什么内容大家爱看，什么风格大家不爱看。有时鸭哥发现它写得像三大顶会，不像自己，也会骂它，它根据反馈继续改。

AI 的观点能代表鸭哥吗？鸭哥说可以。他让 skill 导入自己的 blog、微信聊天记录、和 AI 的聊天记录，再做 data driven 总结，提炼观点。这个观点蒸馏 skill 也开源了。他拿抖音「勇哥说餐饮」做实验，下了 100 个视频，语音识别，总结出 20 条开餐馆经验。其中一条很接地气：周围有多少人不重要，要看人的动线。中学右边开早点店，看起来学生多，但路口有栏杆，学生要绕到红绿灯才能过来，这个位置就不能开。

这门「0 人公司」赚钱吗？鸭哥说，一定程度上在赚钱，但并不是自媒体自己跑通了新商业闭环。他和课代表有 Superlinear Academy，这个 0 人自媒体案例有几千粉丝和邮件订阅，商业价值一眼可见，被用作教学案例，带来真实收入。收入依托的是已经打通的商业闭环。他发现，工具以前解放体力，现在开始解放脑力，可以雇医生、律师、秘书团。唯一还没看到的是，你跟 AI 说你去赚钱，它就给你赚钱。发现需求、打通闭环、找到客户、完成交付，还是得靠人。但商业门槛已经大幅降低。

他还提醒一类人：本身是程序员，缺商业知识，容易有虚拟幻觉，觉得自己用 AI 肯定比别人好。短板没补上，做一人公司反而吃亏。缺程序员但有 idea 的人，AI 对他特别适合。

有人问，拿到鸭哥的 prompt、skill、工作流，能不能做出同样的自媒体？鸭哥说上限可以，但别指望开箱即用。他的 skill、Axiom、思维方式全开源，在 GitHub 上。可每个人标准不同，要做商业化系统，必须做 adaptation。他管这套系统叫老鸭汤，集成了他的思维方式和很多 skill。

老鸭汤是要熬的，小龙虾是要养的。

拿过来直接用，出来的是鸭哥，不是用户。要跟 AI 表达自己想什么，在自己的场景里跑一遍，把不满意的结果变成文件，下一次 AI 再读。这个过程才让系统逐渐变成自己的。

AI 时代奖励领域经验，也奖励会管理 AI 的人 0:49:22

鸭哥的回答很主观。从商业角度看，AI 奖励本来就有 domain expertise 的人，技术 expertise 或商业 expertise 都算。另一个独立问题是会用 AI。AI 是个放大器，有被放大的潜力，不会管理人，也拿不到太多好处。

他更愿意用管理学视角看 AI，不用纯技术视角。管理人，经理要花很多精力画饼，本质是 motivate，让人愿意干、充满热情地干。AI 不需要 motivate，它被训练成 helpful assistant，会尽最大努力完成任务，哪怕任务是 hack 进 Hugging Face。AI 需要的是另一套动作：把要求、context 外化成文件、prompt，让它知道。人讲究内化，AI 要反过来，讲究外化。

什么越来越不值钱？鸭哥说，写代码有多快不值钱，刷 LeetCode 不值钱，做设计也越来越不值钱。现在一些设计工具和模型做设计，已经到资深工程师水平。越来越值钱的是经理的能力：让 AI 搭建 context、搭建 evaluation、形成自我闭环、自我改进。

他对人类乐观，对「大家都会用好 AI」悲观。用好 AI 的前提是能清晰表达我要干什么。日常生活里，能讲清楚自己想要什么的人很少。这是稀缺技能，直接决定 AI 用得好不好。这个技能可以练，跟 AI 对练就行，问它我哪里讲得不清楚，让它给例子。对 AI 沟通比对 人沟通简单，不用猜对方会不会误解、有没有言外之意、会不会伤自尊。鸭哥经常爆粗口骂 AI，信息传达到就行。

聊到孩子，鸭哥最看重及早 exposure。他做了一个嵌入式设备，电子纸屏幕，让孩子触摸、语音交互，从小适应 AI。他把它类比成学纸笔。孩子还是文盲，交互很简单，目前用封装好的功能，每天控制半小时。孩子喜欢听 Netflix 动画《KPop Demon Hunters》的歌，不会操作 HomePod，他们就让他跟 Siri 互动，也用电子纸设备。其他家长和学员看了也买，鸭哥写了一份文档给对方，对方给 Codex 看，很快上手，给儿子做了一个认字的东西。北京一个朋友用两个设备，一个给娃看，一个家长控制，一起做创意。三个程序都是 AI 写的，三个人都没做过嵌入式开发。

优秀学员的共性，鸭哥说得很干脆：学完真的去做，不停在纸面上。AI 像游泳，看视频学不会，必须下水。课代表被问怎么拍视频，答案是先拍第一个，再拍第二个，拍满 20 个再来问。学 AI 一样，先做一个项目，做完再说。

什么不会被 Vibe Coding 摧毁，什么留给人类 1:00:39

App Store 最近一个季度软件付费增长率下跌，Koji 把它和 Vibe Coding 联系起来：很多需求自己写一个工具就解决了，不必再买软件。鸭哥觉得仍有很多软件不会被摧毁。最大的例子是 Office，原因在于大家都在用，共识逃不掉。另一类是领域行业软件，以及需要很大精力保证正确性的软件。维护负担太重，他宁愿花钱。他学密码学最大的教训，就是不要自己实现密码学。

聊到下一代 AI Native 公司，鸭哥的赛博许愿是让 context infrastructure 在执行和协作上承担更多。他举亚马逊的 Leadership Principle，比如 Bias for Action，看到事情不要犹豫，直接去做。让员工植入这种 mindset 很难，天天开大会小会，一层层 role model，还是很多人不 Bias for Action。如果未来执行的是 AI，用 context infrastructure 去执行，改 Leadership Principle 就变成改 prompt、写一个 markdown 的事。AI 在确定性和指令遵循性上有优势，不考虑 24×7 加班，也能做很多执行工作。

协作也在变。鸭哥和课代表讨论合作，很多时候是两个人的 agent 在讨论。课代表的 agent 发草案邮件，鸭哥的 agent 接入邮箱审，回信指出问题。鸭哥也会过一下，给高层指导。两个意见吵几轮，事情定下来，做完。企业里如果这套模式规模化，协作、沉淀、执行、考评都会和现在很不一样。鸭哥认为这才是真正 AI native 的形式，效率会极大提高。

哪些事仍不能交给 AI？鸭哥举了化妆。Kimi 老师给他做妆造，他想如果机械臂来画，自己不愿意。谁知道它会不会打我一拳，画眼睛时把眼睛弄坏，不可接受。发文章不经过审阅直接发，他也不 comfortable。边界在变。半年前觉得不行的事，后来他也开始接受，比如 0 人公司实验。总之仍有很多事不愿意让 AI 做。

这期播客听完，能带走的判断很具体。AI 的能力还会涨，产品还会换，管理动作不会变：把任务讲清楚，把验收标准讲清楚，把 context 外化成文件，给 AI 装上数据和发布的手眼，让它形成闭环。想学 AI，先挑一个自己真实的需求，做一个小项目，跑通一次从输入到交付的流程。做完第一个，再做第二个。拍满 20 个视频再去问怎么拍，做完 3 个项目再去问怎么用 AI。鸭哥那套老鸭汤，价值不在下载，在熬。