摘要

Dixon 判断任何技术投资时的第一道筛选，是看是否有指数级力量，而非战术性产品优势在推动它前进。 Moore’s law、开源可组合性和网络效应会持续复利，直到那些为上一条曲线打造的 incumbents 被彻底淹没。他的行动准则是：「这些力量无论好坏，都会压垮你」（“These forces are going to overwhelm you for better or worse.”）。
AI 产品可以先靠单用户价值启动，只有在网络真正有用时再加上网络层。 Instagram 先用免费滤镜和 Twitter 分发吸引用户，之后自身网络才开始发挥作用；Dixon 认为 Substack 也类似，最初借助 email 和 Twitter。「先因工具而来，后因网络留下」（“Come for the tool, stay for the network”）既解决冷启动，也弥补了独立工具护城河较弱的问题。
AI 的护城河可能越来越多地存在于产品之外，包括品牌、全网分发、资本和生态注意力。 Midjourney 的教程、Cursor 的口碑、搜索排名、推荐机制和创作者报道，都可能形成一种“外部化”的网络效应。尽早到达「占住这个梗」的位置很重要，但要维持它，仍需要高昂的产品迭代速度；Dixon 也认可资本最终可能成为护城河。
到目前为止，消费级 AI 展现出的更像是付费意愿上升，而不是零和挤压。 Acharya 提到 Google 最高档套餐月费250美元、Grok 月费300美元，随后提出一个极端判断：消费者的可支配收入可能最终都花在「食物、房租、软件」上。市场或许既能容纳规模越来越大的平台，也能容纳「单人年化收入1亿美元的公司」。
规模小但强度高的运动是有价值的领先指标，但热情本身并不等于市场。 Dixon 会寻找约2万名「极度狂热、甚至带有邪教色彩」的参与者，他们拥有自己的语言，以及明确的圈内圈外规范；这一模式曾帮助他理解 Coinbase 和 Oculus。Acharya 认为3D打印缺乏现实世界中的指数级力量，Dixon 则反驳称 Function Health 可能代表一场更慢的健康运动。时机风险仍然存在：一场运动可能需要「100年，也可能只要100天」。
AI 创业者必须为一段可能持续10年的旅程选对 idea maze，同时把今天的界面视为可能只是拟物化的产物。 全行业 AI 的“元过程”仍可能持续复利，即使单项技术遭遇边际收益递减；但通用型“God models”也可能吞并部分应用场景。Prompt 可能只是 AI 的命令行时代，真正持久的机会或许在深度垂直领域和目前尚无法预测的新媒体形态中。
开源仍是防止少数模型供应商向每家创业公司和每位消费者收租的主要制衡力量。 训练资本开支意味着，开源模型比 Linux 时代的软件更难获得稳定的长期资金，因此 Dixon 可接受的均衡状态是：开源模型略落后于前沿，但对大多数需求足够好用。他「谨慎乐观」，同时警告，若最终出现4个远超其他模型的闭源系统，将是糟糕的结果。

精读

1. 指数级力量决定哪些产品会成为平台

Dixon 最根本的问题是：为什么科技公司可以凭空出现，触达数亿乃至数十亿用户，并创造其他行业极少见的结果？他的答案是一组会持续复利的“超线性力量”，而不只是对良好执行力的奖励。
Moore’s law 是最典型的例子：半导体性能大约每18个月至2年翻倍，存储和网络也同步进步。Apple 的洞察并不是第一代 iPhone 已经拥有无限能力，而是看到了这条曲线，并围绕它构建产品。
可组合性提供了第二条曲线。Linux 从1990年代的业余项目成长起来，是因为开源调动了互联网规模的集体智慧，把软件变成可重复使用的“乐高积木”；正如 Dixon 引用的那句原则：「只要有足够多双眼睛，所有 bug 都很浅」（“All bugs are shallow with enough eyeballs.”）。
网络效应是第三条曲线：Facebook 从哈佛年鉴起步，通过一个个“跳板”扩展到其他学校，最终走向全球。在另一个技术沿曲线改善的例子中，Dixon 回忆说，聊天机器人「大约在2016年前后」也曾迎来一个时刻，但当时还不够好；OpenAI 和其他先行者提前下注，而技术进步的速度后来超过了一些乐观者的预期。

2. 最强的 AI 护城河可能在工具找到用户之后才出现

Dixon 所说的「先因工具而来，后因网络留下」模式，起点是让一个原本空荡荡的网络先具备实际用途。Instagram 提供竞争对手收费的滤镜，并通过 Twitter 分发；Dixon 认为 Substack 也类似，先借助 email 和 Twitter，之后自身应用才逐渐形成网络效应。
网络层的强度各不相同。Google Docs 增加了协作价值，但仍然容易被替代；离开 Instagram，则可能意味着放弃自己的关注者。Stripe 的 Link 和 Shopify 的 Shop 也把商户工具延伸到面向消费者的产品；Dixon 说 Shopify 现在「某种意义上已经有了一个网络」，同时避免了约会网站那种「没人愿意加入一个只有两个人的约会网站」的问题。
Acharya 反驳称，incumbents 如今已经理解这套打法，会主动让潜在威胁失去分发渠道；而 AI 工具可以通过专业化和审美差异共存——Midjourney 不需要看起来像另一个图像生成器。因此，创业者面临一个真实的不确定性：是预先设计网络，还是持续延伸工具，直到网络层自然变得清晰？
Dixon 的另一种判断是，网络效应如今可能已经「外部化到互联网」：教程、influencers、搜索位置、模型推荐和品牌共同强化 Midjourney 或 Cursor。时机可以帮助产品「占住这个梗」，而持续的质量、产品迭代速度，以及尤其是 AI 领域的资本，则决定这种效应能否维持。

3. 运动揭示未来，但热情本身不是市场

Dixon 过去经常泡在 subreddit 和小众社区，因为有趣的运动往往由数量少得出奇、但投入极深的人推动。Wikipedia、Stack Overflow 及其他社区项目，常常依靠一个约2万人的核心群体发展起来；他们聪明、通常具备技术背景，并拥有远超规模的建设和分发能力。
典型特征是一群「极度狂热、甚至带有邪教色彩」的人，他们有独特的语言、规范，以及清晰的圈内圈外边界。沿着这类人的兴趣追踪，Dixon 最终关注到了 Bitcoin。围绕3D打印和 VR 的相关业余爱好者判断，也促成了他对 Oculus 和 Coinbase 的投资；他还谈到 MakerBot、nootropics、Soylent 和无人机。
这套方法并非万无一失。Acharya 认为3D打印缺少 Moore’s law 在现实世界中的对应物；Dixon 则反驳称，Function Health 可能催生一场大规模的 quantified-self 运动，而 nootropics 是其前身之一。双方没有解决的问题是时机：看似小众的领域，可能始终只是爱好，也可能在很久以后才开始复利。

4. AI 正在重振付费软件，同时削弱开放互联网

Acharya 表示，指标显示如今超过95%的互联网流量和收入集中在5至10家公司手中。AI 可以通过直接回答问题、减少点击跳转，进一步加剧这种集中；SEO 流量下降又会迫使网站增加弹窗，恶化用户体验，推动“负向飞轮”加速运转。
Stack Overflow 体现了这场权衡：Chris 说部分训练数据可能来自 Stack Overflow、GitHub 等网站，但 Cursor 一类工具正在降低用户访问这些网站的必要性。他称 Cursor 是「不可思议的工具」，「显然对世界有益」——它对用户有益，即便会伤害那些提供知识的网站。
Acharya 认为，“窄领域创业公司”可以凭借极高价值收取高价，并提出一个颇具争议的判断：「不存在营销问题，只有产品问题。」AI 的高成本反而可能改善商业模式，迫使消费级创业者尽早变现，而不是为低质量的用户参与度提供补贴。
当 Dixon 问付费细分市场是否会耗尽高支付能力用户、最终转向广告时，Acharya 回应称，可服务需求可以继续细分：先是 AI therapy，再是 ADHD therapy，然后进一步细分到特定人生阶段和互动方式。Dixon 说，市场到目前为止还不是零和博弈：价格在上涨，「一切感觉都在奏效」。

5. 选对 idea maze 比第一次实现更重要

Dixon 借用 Balaji Srinivasan 的“idea maze”概念，拒绝把选择简化为想法还是执行。创业者必须进入正确的迷宫，并在接下来10年保持敏捷：Netflix 始终坚持订阅制电影这一核心判断，却从邮寄光盘转向流媒体，再进入原创内容。
包括 LLM 预训练在内的单个 AI 过程，可能会遭遇边际收益递减——Dixon 明确表示这要听取专家意见——但更大的“元过程”还包括 reinforcement learning 和许多其他方法。就像半导体制造一样，一项技术可能撞上瓶颈，另一项技术却能让整个行业继续沿着平滑的指数曲线前进。
这既带来机会，也带来「残酷的」竞争环境。创业者必须判断通用型“God models”是否会吞并自己的部分应用场景，并通过领域深度、品牌、用户或分发构建防线。Dixon 将这种可能的行业洗牌比作 PC 硬盘行业的「果蝇式达尔文竞争」。

6. Prompt 可能只是 AI 的命令行时代，而非原生形态

Dixon 将拟物化定义为把旧媒介的语法搬进新媒介：早期电影像拍下来的戏剧，早期网站像目录，早期 YouTube 充满病毒式短片，直到原生创作者出现。宽带、文化变化、网络效应和代际更替，共同帮助互联网独有的形态浮现出来。
AI 图像和视频生成也可能先自动化既有媒介，之后才创造真正全新的形式。Dixon 的类比是，摄影曾威胁具象绘画，但相机最终催生了电影；他怀疑 AI 的原生形态会出人意料。Acharya 认为，这可能还需要一代人的时间，或者5至10年。
Dixon 称今天的 AI 处于「命令行时代」：大多数人无法把自己想要的音乐描述成每分钟110拍的某种审美，因此 prompt 可能不是长期理想的界面。Acharya 提到，如今有些人把这项工作称为“context engineering”；Dixon 认为 Spotify 的历史数据比文字描述更适合作为输入，Acharya 则推测，环境设备可能会自动捕捉上下文。

7. 开源是对抗模型集中的经济制衡力量

Dixon 认为，开源让技术便宜到足以装进一部10美元的 Android 手机，也让创业公司能够以几十万美元甚至更少的资金，推出具备竞争力的产品。没有开源，操作系统、后端软件和其他技术栈环节都可能分别收取费用。
当下最紧迫的政策重点，是防止事实上的禁令：Dixon 提到一项加州法案，要求开发者承担无限的下游责任。更难解决的结构性问题是资本，因为 AI 模型需要巨额训练支出，而不是简单地「一群程序员坐在那里」。
Dixon 转述称，Microsoft 的 Satya 认为企业至少会资助一个开源替代方案。Meta 的 Llama、一些创业公司，以及中国推动开源的做法，都代表其他可能性；Dixon 还把 OpenAI 发布旧模型视为一个例子，说明开源模型或许可以保持在前沿模型之后。可行的均衡状态可能是：开源模型对大多数创业公司足够好用，也能提供低价的消费级医疗建议。
Acharya 提出 Android 这个警示案例：名义上开放的代码，最终可能通过专有服务和权限体系，在运营层面变成封闭系统。Dixon 仍认为，情况比3年前更好，并保持「谨慎乐观」——前提是市场不要走向4家拥有远超其他模型、并向整个生态收租的闭源供应商。

Karl Friston——为什么智能不能无限做大（金发姑娘原则）Elon Musk 谈 DOGE、Optimus、Starlink Smartphones、与 AI 共进化，以及西方为何正在崩塌