硅谷声研所

本期博客翻译自Dan Koe

这期内容聊的是一个很现实的话题：普通创作者如何在社交媒体上持续涨粉。嘉宾的观点不是“靠算法碰运气”，而是把社交媒体当成一套可以学习的系统来做。

核心有两个杠杆。第一，不要总想着凭空原创，而是研究已经被验证有效的内容。比如热门标题、爆款选题、成熟结构，都可以作为起点，但关键是要加入自己的经历、观点和表达，而不是简单照抄。很多大创作者其实也在反复使用相似的选题，只是每个人的角度不同。

第二，涨粉不只是发内容，还要主动建立人脉。尤其是新账号刚开始没有自然流量时，真正有效的方式是去认识同领域的人，真诚互动、私信交流、提供价值，慢慢建立互相支持的关系。当你写出一篇不错的内容时，朋友的转发和推荐，往往比等待算法更可靠。

这期最有启发的地方在于，它把“涨粉”从一个玄学问题，拆成了两个可执行动作：做经过验证的好内容，以及主动让更多合适的人看到它。对正在做内容、做产品推广，或者想把个人品牌当成长期事业的人来说，这期会比较有参考价值。

Timeline：
0:00 为什么他说社交媒体涨粉没那么难
7:57 别硬做原创，先学会做已经被验证过的内容
18:32 新版 Eden：为什么他们后来换了方向
21:03 一个你可能不爱听、但很重要的词：人脉
28:25 先找到你真的想认识的人
30:18 用一句简单的夸奖打开对话
32:32 认真了解对方在做什么
33:04 让对方觉得你不是来白嫖的
34:25 能打电话就打电话，关系会更快拉近
35:12 看到有用的东西，顺手分享给对方
36:08 关系到了，再自然地提出请求

本期嘉宾：
谷歌及Alphabet首席执行官

本期讨论内容：
谷歌如何在AI竞赛中强势回归，如何管理高达1800亿美元的资本支出预算，以及为什么说2026年将是“供给紧张之年”。他们还讨论了算力与电力的限制、为何他坚信AI将显著推动美国经济增长，以及公司内部文化如何回归“谷歌式”的乐观。皮查伊还分享了太空数据中心等长期押注的细节，感叹自己当初应该更快地资助Waymo（谷歌自动驾驶项目），以及谷歌内部什么小事至今仍能点燃他的创造热情。

• 探索业务不是没有未来而是要进化

1. 过去研发最大成本是人，现在是TPU/GPU
   现在做一个项目不仅要懂如何管理开发人力，也要深刻理解“算力资源的ROI”。算力有上限，不是所有任务都要无脑调用最贵最大的模型，产品负责人要做的，是用最少的算力实现最好的效果

2. 创新的起点是产品约束了什么
   就像transformer诞生是为了解决算力不够的情况下巨大的语音识别需求和翻译质量问题

3. 模型很强，但在公司内部发展不一定好，在某些场景也不一定好。提示词工程还需要本地化，让AI知道怎么写代码不够，还需要让AI知道怎么调用本公司专属的内部API
   
   关注我的博客：硅谷声研所
   了解更多海外一手AI行业资讯

本期嘉宾：
Claude Code产品负责人Cat Wu

本期内容：
Claude Code 可能是今年最成功的 AI 产品之一，Claude Code 产品负责人 Cat Wu 在这次访谈输出的两个主要观点：
1. 把目标定义非常清晰，专注一件事后就开始做到极致
2. 尽快把东西交到真实用户手里

现在 Anthropic 的节奏，是把原来 6 个月的功能压缩到 1 个月，甚至 1 周、1 天上线，听起来确实很难让人相信。Anthropic 的信条是，这个时代做一个谁都能用、但没人用得爽的功能，已经没有任何意义。如果一个产品什么任务都能做一点，但每一个都做得很浅，那团队的方向就会特别模糊。方向一模糊，大家就得在十几个局部上分散精力，天天都觉得自己很忙，但每一件事都无法做精，做到极致。

Claude Code 团队的解法是把目标写的非常具体，因为他们明确用户不是所有人。好 PM 最重要的能力之一，就是帮团队把目标定义到这种程度，一定要具体到一两类核心用户的几个典型任务，具体到一个可以被衡量的结果上。千万不要面面俱到。目标定清楚之后，他们的第二个认知是要尽快把东西交到真实用户手里。

我们可以看到，Claude Code 几乎所有新功能一开始都以 Research Preview 形态上线。这样做有两个好处。一个是团队心理负担变小，不用一上来就搞得像 GA 那样一锤定音。另一个是可以在真实环境下快速收集反馈，再决定是做深还是砍掉。大公司里一个功能上线通常要开会、对齐、排期、做最终评审，摩擦力非常大。但 Claude Code 团队几乎把这些摩擦降到了零。

本期讨论：

1. Anthropic 的发布节奏如何从数月缩短到数周，再到数天；

2. 当下产品经理需要迅速培养的新技能；

3. 为什么要打造那些尚不完全可用的产品，以便在新模型弥补差距时做好准备；

4. Cat 最被低估的 AI 技能：让模型自我反省其错误；

5. 为什么 Claude 的个性是其成功的关键；

6. 为什么 Anthropic 的使命一致性消除了拖慢大多数大型组织的内耗；

7. 为什么“只管去做”是在 AI 原生公司工作的最重要原则。
   
   本期博客翻译自Lenny's podcast｜
   How Anthropic’s product team moves faster than anyone else

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯

产品经理应该听完的一期视频。
在库克卸任苹果CEO之时，本期分享前苹果首席设计师乔尼·艾维的一次对话，他分享了自己对在苹果期间形成对设计和idea的理解。在苹果文化中，设计师不仅仅是设计师，更是产品经理。

想法是脆弱的，观点不是想法
1️⃣伟大的idea一开始也许只是一个脆弱的想法，很容易被逻辑判断否决

大部分人的表达欲本质是“自我证明”，大家着急抛出自己的观点，但观点有时并不是想法，而是一种评判，是基于自身经验对事物的评价，是防守性的，也许会扼杀团队里那些脆弱的 idea。

2️⃣ 进步不是自动发生的，迭代不等于进化。

产品经理很容易陷于到“待办事项的安逸”中：按照用户反馈修bug、按老板要求加功能、看竞品做什么就做什么。这种顺水推舟的迭代，看似在往前走，但这不叫进步，而只是堆砌。

3️⃣尊重“人的成长性”，才能尊重用户

4️⃣产品设计的关怀大于美感，美是主观的。
关怀是客观的，用户能及其敏锐感知到

本期博客翻译自Stripe Sessions｜A conversation with Jony Ive

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯

本期博客翻译自：Lenny's Podcast
Hard truths about building in the AI era | Keith Rabois (Khosla Ventures)

嘉宾背景：
本期嘉宾是PayPal早期高管，Square前COO，LinkedIn前企业发展副总裁，也是Stripe、DoorDash、Airbnb、YouTube、Ramp、Palantir等公司的早期投资人。
本期他提出一个反共识的产品观点：为什么消费者产品并不需要用户调研。

1️⃣消费者的购买决定是潜意识的。当你用潜意识的想法强行调研用户去解释这样的决定时，他们给出的信息大部分具有误导性。  
2️⃣消费级产品的用户调研存在样本偏差，那么这类产品该如何验证？  

一是通过人性洞察。  二是通过逻辑推演。

以上观点仅限于消费级产品，对于企业级产品，依然要做客户调研
因为企业客户的决策更偏向功利性和理性，注重 ROI，且样本精度更高。

Shownote：

• 为什么做消费级产品，去跟客户聊天其实是不一定有利
• 如何发现那些还没被市场看到的人才
• 为什么产品经理（PM）这个角色正在消亡
• 当下表现最好的公司，有哪三个共同特质
• 他每次面试高管时必问的一个问题
• 为什么在AI时代，消耗AI算力最多的不是工程师，而是首席营销官（CMO）

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯

本期博客翻译自Dan Martell |
If I Started Over With $0, Here’s My Exact Plan to get to $1M

💬讨论内容简介
Dan是连续创业者，已经从零做成了好几家公司，他知道大部分普通人创业都是没资本、没人脉、没后路的状态，所以今天这套方法通过分享，如何结合了AI工具，把原来要花几周的工作压缩到几天，把创业门槛拉到了普通人也能更加低成本起步的程度。

找方向：别追热情，找痛点
别空想"我热爱什么"，去找人们愿意花钱解决的麻烦。用经典的Ikigai框架，让AI一步步帮你挖到「你擅长、人们需要还愿意付费」的交集，比自己瞎琢磨高效太多，还能帮你避开思维盲区。记住：卖掉第一份服务，你的生意才算真正开始。

 做方案：把点子变成别人愿意买的报价
好的报价不用复杂，四个核心就够：清晰的结果承诺、帮用户兜底的保障、解决核心顾虑的赠品，还有点出"不行动的代价"来促进决策。定价也不用纠结，三档定价法简单好用，而且一定要敢定比你心里预期更高的价格——低价只会吸引糟心客户，最后落得双输。这些工作AI十几分钟就能帮你写完初稿，还能帮你挑出漏洞优化。

 找客户：主动出击，AI帮你批量做个性化 outreach
早期创业别坐着等客户找上门。现在用AI工具，一天就能完成过去几十倍的工作量，全自动帮你找潜在客户、挖对方背景、写定制化的沟通文案，还能定时自动运行持续出线索。哪怕你只挖自己现有的人脉，也能用工具快速筛选出潜在客户，熟客的回复率本来就会高很多。

 学销售：好销售不是会说，是会提问
Dan这套「火箭销售九宫格」，核心就是通过提问引导客户自己想清楚需求，你只需要做阶梯引导，最后水到渠成成交。不用怕练手，直接让AI扮演挑剔客户帮你模拟，练几十次再跟真人聊，心里就有底了。另外记住：只卖给匹配的、准备好的客户，别硬推。

  做好交付：最快让客户拿到结果，口碑自然来
很多人成交就不管了，其实客户付完钱才是口碑的开始。用AI把"首次拿到价值"的时间从几天压缩到几分钟：付款后立刻AI生成问卷，自动帮客户整理出行动路线图，让客户刚付钱就能看到方向，不仅很少退款，还没等服务完就会给你推朋友。

 最后：别等准备好，现在就动
这也是最容易被忽略、也最关键的一步。很多人死在"准备准备再准备"，其实一开始不完美没关系，你最早做的事情本来就会调整，先动起来比什么都重要。Dan自己从人生谷底爬出来，靠的就是对行动永远比结果更着急。

AI真的把创业的门槛拉到了前所未有的低，但更需要人有做决策后的行动能力。

⏰时间点
00:22 找到创业方向（Ikigai框架+AI工具验证）
01:32 打造产品方案和定价策略
05:07 挖掘客户+自动化 outreach获客
07:32 九宫格销售模型（火箭销售法）
11:55 快速交付价值（TTFV首次价值实现法则）
14:05 立刻行动为什么是成败关键

关注我的博客：硅谷声研所

了解更多海外一手AI行业资讯

本期博客翻译自Greg Isenberg｜
Stop Vibe Coding. Start Getting Customers

💬讨论内容简介

如今每天都有20万个新项目在Lovable这类平台上线，真正的瓶颈早已变成分销获客；Greg Isenberg坚信，未来十年最富有的人会是营销人——因为代码如今已经成为一种人人都能买到商品。

⏰时间点
00:00 开场介绍
01:07 行业大反转：分销优先于研发
03:08 警惕「先做产品再想营销」陷阱
04:18 策略一：把MCP服务器做成你的自动销售团队
06:49 策略二：程序化SEO（做10000个页面）
10:09 策略三：把免费工具做成获客漏斗入口
13:03 策略四：答案引擎优化（AEO）
15:48 策略五：Viral传播物料：让输出自带分享属性
18:56 策略六：购买垂直（niche）领域订阅用户邮件信息
21:40 策略七：AI内容二次生产引擎
25:13 最终总结

核心点
分销获客才是新的护城河——AI能帮你搭产品，但建不了你的受众和品牌

• 2026年做MCP服务器，就像2010年做移动端布局：先行者会拿下所有AI原生分销渠道
• 程序化SEO可以做到月流量30万：只要你做10000个优质页面，每个月仅需带来30个访问就够了
• 答案引擎优化（AEO）现在就像2010年的SEO——彼得·莱维尔斯的数据显示，AI给他带来的流量占比一个月就从4%涨到了20%
• 你只需要花5000到20000美元，就能买到一份10000订阅人的垂直渠道，第一天就能直接触达你的精准受众

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯

本期博客翻译自：
No Priors: AI, Machine Learning, Tech, & Startups
标题：Skill Issue: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI

💬讨论内容

当AI智能体不仅能回答问题，还能自主设计实验、写代码、调模型、管理你的家——甚至替你做研究时，人类的角色还剩什么？本期我们邀请到 Andrej Karpathy（OpenAI创始成员、前特斯拉AI总监），深入探讨他所谓的“AI psychosis”状态——一个被无限可能性和技能焦虑驱动的全新工作范式。

⏰时间点
02:55 当前AI仍存在哪些能力瓶颈？
06:15 当代码智能体达到精通水准会是什么样
11:16 自然语言编程的二阶效应
15:51 为什么AI要做“自动研究”
22:45 AI时代哪些技能仍有价值
32:30 构建更多人机协作界面
37:28 就业市场数据分析
48:25 开源模型 vs. 闭源模型
53:51 自主机器人技术
1:00:59 微GPT与智能体式教育

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯

英伟达CEO黄仁勋近期在加州圣何塞发表了年度主题演讲，正式拉开了公司 GTC 大会的帷幕。最近，英伟达频频达成交易，其中包括与 AI 推理芯片设计公司 Groq (GROQ.PVT) 达成的收购式雇佣（acqui-hire）协议。这可能意味着英伟达将推出一款全新类型的芯片，或者会将 Groq 的技术整合进自家的处理器中。

另外一则 AI 动态：英伟达的战略合作伙伴、AI 云服务公司 Nebius 与 Meta 达成了一项协议，将从 2027 年起为这家超大规模云服务商提供价值高达 270 亿美元的算力容量。

本期播客翻译自 Lenny‘s Podcast

💬 讨论内容简介
本期节目深入探讨了构建优秀AI产品的核心技能——评估（Evals）。
两位嘉宾指出，评估远不只是写测试用例，而是一套系统化的方法，帮助团队从数据中发现问题、量化表现、持续迭代产品。
节目中详细拆解了“错误分析”的全流程：从人工查看用户交互日志、记录问题（开放式编码），到利用大语言模型归类整理（轴向编码），再到构建自动化评估器（包括代码评估和“LLM作为裁判”），最后形成持续优化闭环。
嘉宾还澄清了关于评估的常见误解，比如“AI可以自动完成评估”“评估就是写单元测试”“有A/B测试就不需要评估”等，并给出了实际可操作的起步建议。

👤 嘉宾

• Hamel Husain：AI工程与评估领域专家，前GitHub工程师，长期从事机器学习与LLM应用开发。
• Shreya Shankar：斯坦福大学博士生，研究方向为AI系统与评估，曾在多家AI实验室从事产品与研究工作。
  两人共同开设了Maven平台排名第一的评估课程，已培训超2000名产品经理与工程师。

⏰ 时间点

• 00:00 开场：为什么评估是AI产品构建中投资回报率最高的技能
• 06:00 什么是Evals？从“房地产助手”例子讲起
• 12:30 错误分析第一步：人工查看日志，做“开放式编码”
• 20:00 “仁慈的独裁者”：为什么一个人主导比委员会更有效
• 27:00 如何用LLM帮助归类问题（轴向编码）
• 34:00 从错误分析到构建自动化评估器：代码评估 vs LLM作为裁判
• 45:00 如何验证LLM裁判的判断是否可靠
• 54:00 评估与A/B测试、单元测试的关系
• 62:00 常见误解与实操建议
• 70:00 嘉宾推荐的书籍、工具与人生格言
• 78:00 结语：如何开始你的评估之旅

关注我的博客：硅谷声研所
了解更多海外一手AI行业资讯