摘要

Albert 过去三年的核心转向，是从追问“做成后赔率多大”改为追问“怎样更有把握地做成”。 2023 年，他试图借 AI 做具有强网络效应的互动内容平台；2024 年初转向技术已 ready、需求未满足的 niche market，6 月找到 PMF，随后一路 scale。上一款产品的规模被转写为“小几千万的 O A R”，具体指标口径不确定。其最终判断是：“运气是你的优势被时间放大的结果”，所以“你的赔率是等来的”。
AI 消费内容的瓶颈不是生成能力涨了多少，而是能否击败已有的顶级内容、容器和分发效率。 模型做出 60 分、70 分乃至 80 分内容仍不够，因为“八十分内容其实就是垃圾”，用户只会把有限时间交给最头部供给。即使 AI 制作工具能产出好内容，最好的内容仍会流向抖音、Netflix 等“变现效率最高的地方”，除非新产品同时闭合用户、模态和内容类型。
当前最确定的商业机会仍是 save time 的工具，而非依赖昂贵前沿模型的泛娱乐产品。 陪伴需求“肯定很真实”，但商业化效率和演化方向仍难判断；工具的商业化更清晰，好的模型效果一直有溢价，Albert 认为真实推理成本并没有因此下降。泛娱乐若必须调用最好的模型，“business model 是赚不起来的”，真正有影响力的产品可能还要等一段时间。
Higgsfield 的阶段性优势不是简单“套壳”，而是持续把模型能力包装成可交付、可展示的产品。 在 Sora 2、Veo 3、可灵等“多超多强”的格局下，全家桶、模型聚合和模板化审美社区有结构性空间；Higgsfield 又用 Soul、Drag to Video、灯光控制等产品化方式不断出售新能力。Albert 的尖锐概括是“三分真七分假”：并非纯粹 cherry-picking，而是内容 sense 足够好，知道如何扬长避短地 show。
Coding 正从程序员工具变成释放模型智能上限的通用交付手段，机会在“平权给谁”以及“用什么交互承载”。 Cursor 面向程序员、Lovable 面向设计师、Replit 面向产品经理，只是人群继续下切的开端；新的 coding agent 未必都该 chat-based。Albert 的团队甚至要求新项目“人工代码量零”，由 AI 承担代码、设计和工程化，Claude Opus 对规范的 follow 能力让非工程师写需求明显可行。
Albert 所说的多模态突破首先是“理解”，而不是 image/video generation 本身。 他把 Gemini 3 的理解能力跃迁视为重要信号，并继续追问：“当眼睛带了脑子会怎么样？”如果视觉理解能反向提升模型智能，并与 coding 等交付能力结合，可解锁的场景将远多于单纯生成图片或视频。
一流创业者看似拿到了巨大赔率，实际路径往往始终在优化胜率。 Albert 以张一鸣长期研究信息分发、黄峥持续积累供给侧与流量认知、美团早期团队兼具线上与地推经验、肖弘长期服务知识工作者为例：他们不是第一天喊“下一个抖音”，而是连续解决自己有优势的重要问题。“没有人在优化赔率，优化赔率不就是赌博吗？”
优化胜率并不等于保守，它要求以消费者价值为目标、减少不可控变量，并接受理想与现实之间的距离。 如果 AI 对消费者更有用，消费者导向自然会推动公司拥抱 AI；真正危险的是把目标偷换成估值、市占率或融资。“把一件事做到理论上应该有的样子”在节目中被主持人进一步对照为 how to 而非 why；Albert 则强调它是一个需要接受不完美的“理想国”和指导方针。

精读

1. 三年的极端摆动，把团队从平台幻想带到胜率优先

2023 年初的 Albert 更看赔率：先假设技术变化能够释放多大价值、形成多强壁垒，再寻找“超强网络效应、超强规模效应”的业态。因其过去做连接和内容，最自然的推导就是 AI 原生互动内容平台。
当时的前提是 AI coding 会显著降低互动逻辑的创造门槛，互动内容也可能成为区别于图片、视频的新媒介。团队做过二维影像交互 demo，也做过摇杆控制、接近游戏的 PC 可互动空间，但成品让他无法回答：“为什么我不玩王者荣耀，为什么不刷抖音？”
真正改变方向的，不只是 demo 不够好，而是中国市场给他的结构性约束：没有强规模效应和网络效应的平台，很难对抗巨头；但研究美国市场后，他看见大量不够宏大、却有胜率空间的 niche market。
2024 年初，团队开始寻找“技术已经 ready、用户问题仍未解决”的机会，6 月找到 PMF 后一路 scale。上一款产品的规模被转写为“小几千万的 O A R”，具体指标口径不确定。到 2025 年 9 月前后遭遇外部压力，他们又“矫枉过正”，把此前可能积累的东西放到一边，重新导向智能。

2. “想象力”和“智能”的原始分界，是 kill time 与 save time

Albert 最初提出两分法，是为回答 AI 服务什么目的：kill time 提供过程性的体验与乐趣；save time 则节约成本、完成任务，尤其交付纯结果型任务。前者当时对应 image/video model，后者更多对应 language model。
这不是永恒的技术边界，而是创业者在特定阶段“现实的不得已”。随着多模态变化，两者可能交汇；Albert 提到 Gemini 可能在底模上修改、结合 decoder，因此拥有更强的理解能力，并推测理解能力可能反过来提升图像生成，但也明确说：“我不是专家，很难回答这问题。”
团队此刻探索的正是交汇点：让智能更好地进入多模态场景，而不只是把 diffusion 替换进旧工具。他仍认为长期区分 kill time 与 save time “make sense”，只是底层模型与产品机会未必继续一一对应。

3. 在消费内容里，八十分不是进步，而是垃圾

Albert 对互动内容最悲观的判断来自供给规律：创作门槛越高的模态，优质供给越稀缺；用户时间有限，只消费最头部的 1%。模型能把内容从二三十分推到七八十分很惊艳，但“八十分内容其实就是垃圾”，因为用户比较的是最终结果，不是生产技术的新旧。
他区分了 for 消费与 for 表达：AI 降低门槛对表达可能有价值，但他也追问，降低门槛所牺牲的是什么；除非 AI 真正突破“自由度和门槛的 trade-off”，否则这条路径仍有限制。
主持人的复述保留了关键对照：传统流程交付九十分，AI 新方法交付八十分，用户不会因为后者技术更新就选择它。越沉浸、越长时的内容，参与成本和决策负担越高，最终越可能由“百分之零点零零零零一”的创作者贡献顶级供给。
短视频容器可以用上下滑等机制形成习惯、降低持续决策负担，容忍内容质量波动；游戏式互动内容却很难借同一机制降低参与成本。因此，生成能力上涨不自动构成“下一个抖音”的供给基础。

4. 新平台必须同时闭合用户、模态与内容

Albert 的分发结论很直接：“最好的内容一定会流向变现效率最高的地方。”变现效率又由规模效应和网络效应决定，所以剪辑软件再强，作品仍会去抖音或 Netflix；单在工具侧创造好内容，无法夺走平台价值。
他用三元闭合解释媒介冷启动：用户是谁、模态是什么、内容类型是什么，三者必须互相匹配。小红书以图文承载有用内容，早期服务一二线女性；抖音以短视频、卡点运镜、分段拍摄和 BGM 服务擅长唱跳、表现力强的人群。
内涵段子则以图文混排承载搞笑、低俗段子，匹配更下沉的人群，但内容垂类的泛化能力弱于模态本身。小红书能从购物分享扩到化妆、求助等，是因为这些“有用内容”用图文表达的效率持续高于短视频。
火萤一度率先提供全屏体验，也取得过一定规模，但动态桌面分享社区与其用户、模态并不匹配，最终没有建立持续优势。Albert 借此强调：单一交互创新不够，“很多巧合和很多设计”必须叠加成闭环。

5. 智能娱乐一定巨大，但赢家未必是一个新“抖音”

Albert 回忆离开字节时的判断：当时中国活跃手机约有七八亿 DAU，微信约六亿 DAU，却没有另一个原生移动 App 超过一亿 DAU；他因此认定全民娱乐仍有空位，却错误低估了短视频，直到两三年后才意识到“这个战役可能结束了”。
他把同一推理迁移到智能：未来每个活跃设备都应与智能交互，并以“ChatGPT 现在六亿 DAU”为参照，判断其中必然产生大量娱乐需求。智能会成为泛娱乐里“极为重要、甚至不可或缺的玩家”。
但产品归属仍不可知：体验可能由抖音、豆包、ChatGPT 或新公司承载。Albert 相信新的产品形态仍有较高概率，却不认为老平台会缺席；真正的问题不是“有没有智能娱乐”，而是谁能提供只有在新容器里才成立的体验。

6. 工具确定性最高，泛娱乐暂时付不起最好的模型

对陪伴，Albert 的判断保持克制：“肯定是一个很真实的方向”，但商业化效率及后续演化很难评价。工具则已经被验证，只是形态仍像上一代软件——把原有由人工提供服务的能力换成 diffusion。
模型平台持续提供更好的能力并收取更高价格，但上一代是否降价取决于平台决策，Albert 认为真实推理成本并没有因此下降。因此“好的效果的溢价一直存在”，而娱乐产品若调用最优模型，现阶段几乎无法把账算平。
这使工具仍是阶段性确定性最高的应用，泛娱乐则距离真正出现有影响力的产品还需要一些时间。Albert 没有否认陪伴和互动的长期空间，只是对其当下商业化保持谨慎。

7. Higgsfield 赢在把能力卖出来，而不只是拥有能力

2025 年年中，Albert 去美国交流时已经看好 Higgsfield，但当时其收入和资本市场口碑并不突出，外界把它视作又一个易起易落的特效工具。主持人提醒，Pika 等产品也经历过节日特效带来的短期增长，质疑 Higgsfield 究竟有何不同。
Albert 先把问题还原到模型格局：影像生成不是“一超多强”，更接近 Sora 2、Veo 3、可灵等构成的“多超多强”。领先者在不同任务和阶段表现不均，用户又想花更少的钱获得更多模型服务，于是聚合站和全家桶具备结构性机会。
第二层约束是需求极度分散，从社媒创作者到公司和个人都需要影像；第三层是“语言和你想象的图像之间一定有巨大的 loss”，能把有限 idea 用好的人也有限。三者叠加，阶段性赢家自然接近“全家桶＋模板化定义审美和社区”。
但同类形态并不少，Higgsfield 的差异是持续封装并展示新能力：从一致性与 Soul，到 Drag to Video、灯光控制，都能把一个月前做不到、一个月后刚能做到的效果卖出去。Albert 形容其展示“三分真七分假”，重点不只是 cherry-picking，更是内容 sense 极强，知道怎样选素材、扬长避短，让能力看起来 amazing。

8. “套壳”是工程师视角，应用真正竞争的是交付与销售

Albert 不接受“套壳天然低价值”的判断：“用户不知道你是壳还是不是壳”，只关心产品是否最好、是否解决问题。模型能力越好，应用越有机会；关键是能不能把能力拿出来用好，并且“还能售好”。
主持人将阶段性竞争概括为：过去几年，“谁能把壳套得又好又快，谁就能赢”，而且每一波模型升级都要重复做到。这里的“赢”指数据、估值、客户、收入和资源增长更快；若再补贴 token，还能放大领先杠杆。
Albert 随后谈到，行业 beta 太强，会让随机事件和非本质打法阶段性表现很好；焦虑又促使创业者学习怎么搞营销、怎么拍视频、怎么做内容等显性信号，忽视更本质的东西。
他没有武断断言“定力”一定胜过高速试错：也许商业 sense 足够强时，优化随机性能帮助冷启动；也许像“随机漫步的傻瓜”一样更快执行也会撞中机会。但若经营节奏不足，“靠运气赚的钱会靠本事输掉”。

9. AI 原生组织先从“人工代码量零”开始

老业务架构庞大、历史代码繁重，AI 只能做局部修改，团队虽然想转向 AI 组织逻辑，却长期提效不顺。新项目于是被设定为极端实验：“必须要人工代码量零”，代码、设计、工程化全部交给 AI。
组织设计同样激进：工程师不参与需求研发，非工程师直接提出需求。Albert 说过程“跑得很顺利，其实也没什么挑战”，这让团队重新评估模型已能承担什么，而不只是衡量补全代码的效率。
到 2025 年底，他们发现 Claude Opus 对规范的 follow 能力相较此前模型有大幅提升，非工程师写需求的可行性随之上升。正是在彻底导向 AI 组织逻辑时，团队意识到“智能的发展已经完全超出预期”。
当前在研产品面向特定任务，试图用新的交互释放模型能力；Albert 称其易用性和智能效果已经超出预期，在部分任务上优于直接使用 Cursor 或其他能解决该任务的工具，但没有披露具体人群和产品形态。

10. Coding 不是一个垂类，而是智能显化与能力平权

Albert 对主持人“智能是过去几年最大杠杆”的说法作了修正：真正关键的是 coding，因为“智能的显化是要通过 coding 来完成的”，只有 coding 才能让模型跨出原本智能表现的界限。他还认为，至少要到 Claude 3.5 Sonnet、再好一点到 Opus，才适合真正把 coding 能力用起来。
市场分层展示了平权路径：Cursor 先服务程序员，以 IDE 为容器；Lovable 让设计师无需操控 IDE；Replit 又向产品经理延展。创业机会是找到下一个高价值人群，为其设计容器，并补齐 coding 之外完成交付所需的一切。
第二个变量是交互：“所有的 coding agent 都应该是 chat-based 的吗？我觉得这个是不一定的。”产品不应让交互成为模型限制，而要根据任务类型，让交互放大模型在该场景中的能力。
Albert 自己从“什么都不会”到借助 coding agent 完成任务，因此对平权有强烈执念。主持人估计 Agent 和 Coding 产品用户仍只是百万级、尚未到千万级；两人都认为，相比未来可能出现的上亿日活，当前渗透率只是“九牛一毛”。

11. 真正的多模态跃迁，是让“眼睛带上脑子”

Albert 多次纠正主持人的措辞：image model 和 video model 更偏生成模型，而“多模态代表的是理解能力”。世界模型又可能是另外一件事，不能把视觉生成、视觉理解和世界模型混成同一个概念。
他把 Gemini 3 的理解能力突飞猛进视作大信号，并认为 Google 可能在算力上有明显优势，也找到了一些能够 scale 的方法；至于这种理解能否反向提升模型自身智能，他只说业界“相对乐观”，没有把推测写成定论。
他从上一期节目延续下来的问题是：“当眼睛带了脑子会怎么样？”随着理解能力越来越强，模型可能解锁更多场景；Albert 仍在思考理解能力能否反向提升模型本身的智能。
面向 2026 年，Albert 给出的“道”只有两条：利用多模态理解能力；推进 coding 平权，并为具体场景找到更能释放模型能力的交互。至于如何展示能力、如何理解用户对效果的预期，则属于可以持续积累的“术”。

12. 大企业家的高赔率，往往来自长期优化胜率

Albert 认为多数创始人讲大故事，是因为 VC 在优化赔率、大故事更容易融资；中国缺乏顺畅退出渠道也会放大这种倾向。但很多人甚至没有意识到自己在优化什么，只是把融资叙事误当成商业判断。
张一鸣在他眼中是“比较保守、标准的胜率驱动”：从 PC 互联网尾声研究搜索和信息分发，先做内涵段子；即使 2014 年已有许多视频产品，one 也在海外很火并融了很多钱，他仍没有急着下场，直到 2016 年条件成熟才正式做视频。
黄峥的路径同样连续：PC 时代做电商，长期关注供给侧、流量变化并亲自做供应链生意，等到拼多多的结构性机会出现再抓住。美团看似跨到陌生的线下业务，但早期团队做校内时已管理约 200 人地推；所谓跨界，背后仍有线上与线下的交叉优势。
肖弘也从 2017、2018 年到 2023 年持续做浏览器插件，后来做 Manus 仍服务知识工作者的生产力。共同点不是提前准确押中终局，而是始终定义重要问题，并把旧时代积累带到新时代。

13. “赔率是等来的”，不是第一天宣布要做下一个抖音

Albert 把运气定义为“你的优势被时间放大的结果”，因此反复说：“你的赔率是等来的。”行动路径必须优化胜率，但选题仍需要判断什么问题足够重要；否则即使每一步正确，也只是在一个没有上限的方向里勤奋。
主持人追问：若目标是“下一个抖音”，能否先找小切口、逐步演化？Albert 的回答是，如果真在优化胜率，“第一天你是说不出来你要做抖音的”，第一天应该先说清楚要解决什么问题；张一鸣的例子则是移动端信息分发问题。
对字节“赛马”和“大力出奇迹”的流行解释，Albert 也持保留态度：今天人才太多造成的内卷，不等于早期成功机制；“动不动就说 all in 是偷懒”，真正的大投入往往发生在胜率已经很高之后。
两人谈到大公司面对 AI、VR 等浪潮时究竟是攻还是守，最终承认单一维度难以描述。Albert 尤其认为 AI 已超出传统攻守框架；对创业者而言，控制变量、选择自己能够控制的事情仍是胜率思维的一部分。

14. 胜率优先不等于守旧，消费者价值才是最终目标

行为层面的变化很朴素：少选变量过多、不可预测性过高、超出团队能力范围的事情，尽可能控制变量并做“更有把握的事”。这不是拒绝变化，而是区分哪些变化真正改善交付。
主持人的关键质疑是，持续做擅长的事是否会让团队错过 AI。Albert 用段永平的消费者导向回答：如果 AI 对消费者更有用，公司自然应该拥抱；如果另有办法能更好服务消费者，也不必为了趋势而使用 AI。
在他看来，所谓优化赔率经常意味着目标被偷换：从消费者价值变成市占率、估值或融资。胜率追问则始终回到“消费者有没有因此变得更好”，而不是创始人当前擅长什么。
主持人把“把一件事做到理论上应该有的样子”与“做正确的事/把事情做正确”作了对照。Albert 称这句话只能算一个“理想国”：必须接受现实很不完美、离理论状态很远，同时仍把理想形态作为修正方案的指导方针。

15. 普通人文化、持续提问与 AI 社会，构成了 Albert 的经营底色

Albert 从段永平的“right business, right people”里提炼出商业模式与文化，并认为其创业和投资哲学一致：长期在消费电子与手机领域积累，不随每次浪潮左右横跳。相较之下，字节容易制造完美主义和第一性原理的错觉，因为第一性原理往往需要庞大资源才能成立。
他把字节概括为强者思维，把段永平概括为“弱者思维”：大家都是普通人，但在好文化里选择能创造差异化价值的方向，普通人也能做出大成绩。求职者首先是在优化自己的能力、视野和信息质量；如果只因公司将上市、融资好而加入，则是在押赔率。更重要的问题是选择“看什么样的风景”，而不只是能力最终能否变现。
对自己公司的承诺主要也是精神状态：对创业保持耐心和信念，面对老业务消失、公司由盈利转为剧烈亏损仍能淡定；对问题本质保持“stay hungry, stay foolish”，同时“stay peace and love”。机会很多，一个人的能力最终受自己的意愿和想法限制。
节目结尾，Albert 否认“sharp”必然代表洞察：“一个人满口胡言，但是很绝对，你也觉得很 sharp。”他更看重持续提出重要问题，并以科幻想象收束：把脑科学、生物学、物理学等约束注入模型，演化出与现实对齐的 AI 社会；当其中的人也建造同样系统预测未来，计算陷入递归。若再扩展到 2 个、3 个乃至 500 个拥有自身经济系统的世界，人可以观察、扮演角色、创业，虚拟收益甚至反哺现实——“再造一个 AI 的社会”由此成为想象力与智能最终交汇的极端版本。

Andrew Yang：UBI先于UHI、解决失业问题与工作的未来 | #236 Mitchell Green：为什么50%的VC不应存在