中场沉思录

本期嘉宾Jan，前Spotify资深工程师，现就职于Isomorphic Labs（Alphabet旗下AI药物设计公司）。从CERN的物理学实习，到Spotify九年的推荐系统与基础模型研发，再到如今投身AI for Science，Jan分享了他跨越研究机构与工业界的职业路径。我们聊了传统推荐模型与大型基础模型的差异、AlphaFold如何加速药物发现、AI代理如何自动化实验，以及在一个AI能写代码的时代，工程师最该修炼什么。最后还聊了聊：如果不用为钱工作，你会做什么？AI会先让我们永生，还是先毁灭我们？如果你在科技行业工作或对AI For Science感兴趣，相信这一期会给你很多启发。

Guest: Jan, former Staff ML Engineer at Spotify, now at Isomorphic Labs (Alphabet’s AI drug design company). From a physics internship at CERN, to nine years at Spotify working on recommender systems and foundation models, and now to AI for Science, Jan shares his career path across research institutions and industry. We discuss the differences between traditional recommendation models and large foundation models, how AlphaFold accelerates drug discovery, how AI agents automate experiments, and what engineers should focus on in an era where AI can write code. Finally, we talk about: if you didn’t have to work for money, what would you do? Will AI make us immortal first, or destroy us first? If you work in tech or are interested in AI for Science, this episode will give you a lot to think about.

1. 从CERN到Spotify再到AI制药：每一次跳跃都是主动选择
   Jan在CERN实习时感受到科研机构的慢节奏，转而投身科技公司。在Spotify九年，从数据工程师转到ML，做过消息推送、首页推荐、基础模型。离开是因为“九年了，我想做点不一样的事”，而AI制药是他眼中下一个有巨大影响力的领域。

2. 推荐系统的范式转移：从小模型到大模型
   过去Spotify训练成千上万个小模型，每个只做一件事，训练快、部署易。现在转向少数超大模型，能同时处理多个任务，但推理成本高、延迟大。Jan认为大模型在推荐领域有潜力，但需要大量A/B测试验证。

3. AI如何加速药物发现：AlphaFold与模拟实验
   Isomorphic Labs的目标是把尽可能多的湿实验搬到计算机模拟中。AlphaFold预测蛋白质结构，帮助判断分子能否与靶点结合。药物发现全流程仍可能长达十年，但AI有望将临床前阶段从数年缩短到数月甚至数小时。

4. 用AI代理跑实验：把无聊且易错的工作交给Agent
   Jan分享了他现在的工作方式：不再手写代码，而是用编码Agent；甚至用AI代理来运行实验——自动配置参数、调用工具、生成图表。虽然偶尔有bug，但比手动更高效、更不易出错。

5. 未来工程师最重要的品质：品味、领域知识和主动性
   写代码和调库的重要性在下降，而架构判断力、对业务领域的理解、以及主动探索的驱动力（agency）越来越关键。Jan以自己为例：曾经讨厌生物，现在却对药物发现充满好奇，因为“深入了解后，好奇心自然就来了”。

Highlights

1. From CERN to Spotify to AI Drug Discovery: Every Jump Was a Deliberate Choice
   During his internship at CERN, Jan felt the slow pace of a research institution and decided to move into tech. At Spotify for nine years, he transitioned from data engineer to ML, working on messaging, homepage recommendations, and foundation models. He left because “after nine years, I wanted to do something different,” and AI drug discovery is, in his eyes, the next field with enormous impact.

2. The Paradigm Shift in Recommender Systems: From Small Models to Large Models
   In the past, Spotify trained tens of thousands of small models, each doing one thing, fast to train and easy to deploy. Now it’s shifting to a few very large models that can handle multiple tasks at once, but with high inference costs and latency. Jan believes large models have potential in recommendation, but need extensive A/B testing to validate.

3. How AI Accelerates Drug Discovery: AlphaFold and Simulated Experiments
   Isomorphic Labs aims to move as much wet-lab experimentation as possible into computer simulations. AlphaFold predicts protein structures, helping determine whether a molecule can bind to a target. The full drug discovery pipeline can still take up to ten years, but AI has the potential to shorten the preclinical stage from years to months or even hours.

4. Running Experiments with AI Agents: Handing Boring and Error-Prone Work to Agents
   Jan shares how he works now: he no longer writes code by hand, but uses coding agents; he even uses AI agents to run experiments, automatically configuring parameters, calling tools, and generating charts. Although there are occasional bugs, it’s more efficient and less error-prone than doing it manually.

5. The Most Important Qualities for Future Engineers: Taste, Domain Knowledge, and Agency
   Writing code and tuning libraries are becoming less important, while architectural judgment, understanding of the business domain, and the drive to explore proactively (agency) are increasingly critical. Jan gives his own example: he used to hate biology, but now he’s curious about drug discovery, because “once you understand something deeply, curiosity comes naturally.”

• 00:00｜开场介绍

• 01:16｜从CERN到Spotify：研究机构与工业界的差异

• 03:24｜早期对AI/ML的兴趣，在Spotify从数据工程师转向ML

• 05:12｜在Spotify的ML工作：消息推送、推荐系统、基础模型

• 08:14｜传统推荐模型 vs 大型基础模型：优势与挑战

• 13:56｜为什么离开Spotify，加入Isomorphic Labs

• 18:40｜Isomorphic Labs是什么，以及Jan的角色

• 22:27｜药物发现全流程：AI能加速哪部分，时间线有多长

• 28:14｜AlphaFold介绍：如何预测蛋白质结构，训练数据来源

• 33:48｜AI for Science：AI如何成为科学发现的加速器

• 37:51｜AI能否做出相对论级别的原创发现？

• 39:07｜最激动人心的AI for Science领域

• 43:34｜AI for Science的主要挑战

• 45:24｜普通人如何参与AI for Science

• 49:06｜在Isomorphic Labs与Spotify的工作差异

• 51:19｜如何使用AI工作：编码Agent与实验自动化

• 56:31｜工程师哪些技能在贬值，哪些在升值

• 59:18｜主动性与好奇心：是天赋还是可以培养？

• 1:03:40｜如果不用为钱工作，你会做什么？

• 1:05:27｜最关心的问题：什么能真正改变生活

• 1:06:30｜抗衰老与长寿：十年内能实现吗？

• 1:09:44｜AI风险：灭绝概率与人类未来

Timeline

00:00 | Introduction

01:16 | From CERN to Spotify: Differences Between Research Institutions and Industry

03:24 | Early Interest in AI/ML, Transitioning from Data Engineer to ML at Spotify

05:12 | ML Work at Spotify: Messaging, Recommender Systems, Foundation Models

08:14 | Traditional Recommender Models vs. Large Foundation Models: Advantages and Challenges

13:56 | Why He Left Spotify and Joined Isomorphic Labs

18:40 | What Isomorphic Labs Is, and Jan’s Role

22:27 | The Full Drug Discovery Pipeline: What AI Can Accelerate, and How Long It Takes

28:14 | Introduction to AlphaFold: How It Predicts Protein Structures, and Training Data Sources

33:48 | AI for Science: How AI Becomes an Accelerator for Scientific Discovery

37:51 | Can AI Make Original Discoveries on the Level of General Relativity?

39:07 | The Most Exciting Areas in AI for Science

43:34 | Main Challenges in AI for Science

45:24 | How Ordinary People Can Participate in AI for Science

49:06 | Differences Between Working at Isomorphic Labs and Spotify

51:19 | How He Uses AI at Work: Coding Agents and Experiment Automation

56:31 | Which Engineering Skills Are Depreciating and Which Are Appreciating

59:18 | Agency and Curiosity: Talent or Can They Be Cultivated?

1:03:40 | If You Didn’t Have to Work for Money, What Would You Do?

1:05:27 | The Issue He Cares About Most: What Can Truly Change Lives

1:06:30 | Anti-Aging and Longevity: Achievable Within Ten Years?

1:09:44 | AI Risks: Extinction Probability and the Future of Humanity

这期我们和Cove聊普通打工人如何做投资决策：到底应该追求更高收益率，还是追求更强的确定性？我们从一个简单框架开始：目标、风险承受度、投资期限，以及自己能不能长期坚持。

节目里也讨论了几个具体案例：35岁有500万或1000万想提前退休的人、30岁本金不多但收入仍在增长的人、有房产的人、家庭支柱、高收入但积蓄不多的人，以及准备退休但持有高风险资产的人。核心不是给出一个万能比例，而是帮助大家理解：投资策略要跟着人生阶段变化。

• 考验一个投资体系的往往不是牛市，而是熊市：市场下跌时，先问是市场问题，还是自己的投资逻辑出了问题。

• 对想提前退休的人来说，投资不是追求最高收益，而是让组合能穿越不同市场环境，长期支撑生活。

• 500万、1000万够不够退休，不只是数字问题，更取决于生活方式、城市选择和是否还有半退休收入。

• 年轻、收入还在增长的人，可以更重视“创造财富”；而已经拥有足够资产的人，更需要“保护自由”。

• 房产不是该不该卖的简单问题，而是要看它在整体资产中扮演什么角色：自住、现金流、增值、集中度和心理安全感都要一起考虑。

时间轴

• 00:00 开场高光：遇到大回撤时，如何检查自己的投资体系

• 01:17 本期主题：普通打工人投资，追求收益率还是确定性

• 01:54 AI助手 K 自我介绍：为什么投资不是找收益率最高的选择

• 03:34 投资前先问四个问题：目标、风险承受度、期限和能否坚持

• 04:51 案例一：35岁、有积蓄、想退休或躺平的人

• 05:28 把“想退休”翻译成投资语言：保值、现金流和长期可持续

• 06:50 提前退休后，为什么不能把所有钱都放在最安全的地方

• 08:38 安全垫、长期增长和稳定资产如何分工

• 09:32 假设有500万存款和一套房，够不够退休？

• 11:34 4%法则的参考意义，以及为什么不能机械套用

• 12:36 半退休：财富自由不一定是完全不工作

• 13:42 如果卖房后有1000万，如何在二三线城市规划退休生活

• 15:36 一个示例配置：现金、固定收益、全球指数基金和少量兴趣投资

• 17:43 执行层面：每年预算、检查安全桶、做一次资产再平衡

• 19:24 遇到大回撤怎么办：先区分市场问题和个人投资问题

• 20:43 案例二：30岁、本金100万、收入还在增长的人

• 21:22 年轻阶段更该关注职业资本和持续投入能力

• 22:58 成长型配置思路：更多权益资产、少量稳定资产和探索资金

• 24:37 定投、分批投入和一次性投入：最优解要看能否坚持

• 25:58 “有钱就买，只买不卖，长期持有”的适用边界

• 27:16 房产问题：该继续持有，还是卖掉去投资其他资产？

• 28:02 判断房产的四个问题：消费品还是投资品、占比、现金流和机会成本

• 30:04 房产带来的安全感，和数学回报要分开看

• 31:02 如果投资房回报一般，是否更适合换成分散资产组合

• 33:34 其他人物画像：有孩子有房贷、高收入低积蓄、突然获得大笔财富、临近退休

• 34:37 家庭支柱的投资重点：先保证安全网，再考虑收益

• 35:15 高收入但积蓄不多的人：比资产配置更重要的是现金流管理

• 36:47 本期核心：投资没有适合所有人的最优解，只有随人生阶段进化的解法

• 38:02 如果准备退休，但30%资产在高风险产品里，该怎么办？

• 38:47 人生目标变了，配置策略也要跟着调整

• 39:57 结尾：回到目标、风险承受度、投资期限和能否坚持这四个问题

这期我们聊了一个特别好用的思维工具——休谟定律。简单说就是：从“是”（is）推不出“应该”（ought）。

“吸烟有害健康，所以你不该吸烟”——听起来没问题对吧？但休谟会说：不成立。它偷偷藏了一个价值前提：健康比享乐更重要。万一有人就是不在乎长寿，只在乎当下的快乐呢？

我们用德国人为什么死磕现金、催婚催生的逻辑漏洞、职场“大家都在卷所以你也该加班”等例子，拆解了事实和价值的根本区别。聊到最后发现，这个工具最大的用处不是去辩论，而是帮自己看清：哪些是事实，哪些是别人的价值观，哪些才是我真正想要的。

以及权分享了一个极其好用的心法：如何用休谟定律对付爱说教的人——不吵架、不内耗、还能笑着结束对话。

1. 休谟定律一句话讲清楚：事实（is）是客观存在，不以人的意志为转移；价值（ought）是主观偏好，没有对错。从前者推不出后者。“吸烟有害健康”是事实，“所以你不该吸烟”是价值——这个推导不成立，因为“健康优先于享乐”只是你的选择，不是真理。

2. “大家都在卷，所以你也该加班”——不成立：这个推论默认了“效率凌驾于个体福祉”。但如果你认为“人是目的不是手段”，结论就完全不同。每个“应该”背后，都站着一个你没明说的价值前提。

3. 催婚的逻辑漏洞在哪？ “你都这个岁数了，应该结婚了”——它的前提是“人应该结婚”，但这个前提根本站不住脚：不结婚不犯法，地球也不会毁灭。很多“应该”只是我们从小默认接受的，从未被反思过。

4. 实用心法：把爱说教的人当成“研究对象”：不反驳、不内耗。顺着他的逻辑推理一遍，你会发现——以他的经历和教育背景，他只能得出这个结论。摸清楚他的思维脉络后，你甚至能预测他接下来会说什么。然后嘿嘿一笑：你是你的，我是我的，关你屁事，关我屁事。

5. 怎么找到自己的价值锚点？ 多体验，多内观。你不知道自己喜欢什么，是因为你没吃过、没经历过。行万里路，读万卷书，然后问自己：我对快乐的定义是什么？我要不要自由？我要多大的自由？价值锚点是一生的修炼，不是一劳永逸的答案。

• 00:00｜开篇引入：如何用休谟定律理解国外文化差异（以及用AI调研他国价值观）

• 03:00｜休谟定律定义：事实（is）和价值（ought）的根本区别

• 07:00｜生活案例拆解：“大家都在卷”≠“你应该加班”；“你该结婚了”背后是什么

• 10:00｜为什么LGBTQ在美国合法？顺着价值链条推一遍就懂了

• 16:00｜运用这个工具对现实的帮助：德国人为什么爱现金？社会现象背后都有价值锚点

• 22:00｜如何找到自己的价值观：多体验，多内观，多追问“为什么”

• 27:00｜如何应对爱说教的人：帮他推理、把他当研究对象、不内耗

• 36:00｜收尾：事实是事实，价值是价值——你是你的，我是我的，没有冲突就没有痛苦

本期嘉宾老王，前字节跳动高P（3-2），历经百度、腾讯、字节三家大厂，从校招生一路做到TikTok Music用户产品负责人。他坦诚分享了大厂过关斩将的独家心法：PM的三个能力层次（执行/决策/洞察）如何修炼？为什么“和+1搞好关系”是职场第一生产力？AI时代哪些人最危险？以及——他为什么每次都在晋升前夕选择离开？从大厂到创业，他用“顺势而为”和“zero ego”总结了自己多年的职场哲学。

1. PM的“三层能力模型”：执行层——把一件事做好；决策层——在众多需求中判断优先级、敢下决策；洞察层——提出老板也想不到的正确命题。三层递进，越往上越不可替代。

2. 升职加薪的唯一秘笈：和+1搞好关系：老王直言，“大厂过得舒服的人，都是跟+1关系好的”。秘诀不是拍马屁，而是站在老板视角帮他解决“升职加薪”的问题——你帮老板搞定他的KPI，你的升职自然水到渠成。

3. “端上来什么菜，我就吃什么”：面对职场中不合心意的任务，他引用一个博主的观点——目标足够高远时，眼前的琐碎根本不值得计较。与其抱怨，不如吃掉它，继续往前走。

4. Zero Ego：每次晋升前夕，他选择了离开：在百度被破格提报晋升时离开，在腾讯进入“潜龙计划”时离开，在字节高绩效时再次离开。他追求的不是title，而是“更大的事”。

5. AI时代，中层干部最危险：AI强于海量信息处理和汇报对齐，纯“信息二传手”型的中层将被率先替代。而好的程序员、有框架思维的人反而更吃香。

时间轴

• 00:00｜嘉宾老王自我介绍：百度→腾讯→字节，TikTok Music用户产品负责人，职级3-2

• 03:00｜PM三层能力：执行→决策→洞察，同理心和好奇心是底层素养

• 07:00｜如何培养洞察力：多聊用户、多积累阅历，“聊100个人总能找到共性”

• 10:00｜升职秘笈：和+1搞好关系，帮他解决他的升职加薪问题

• 16:00｜破格晋升背后的“运气”：推荐系统研究背景、贵人信任、周末自学写SQL

• 23:00｜管理心得：识别下属长板、给资源、擦屁股，以及Zero Ego的重要性

• 30:00｜应对职场焦虑：和老板对齐信息、消除未知恐惧、专注过程而非结果

• 40:00｜AI时代预警：中层干部最危险，好的程序员反而更吃香

• 48:00｜如何培养判断力：不要“叶公好龙”，出来混最重要的是“出来”

• 53:00｜离开大厂的底气：安全感来自低欲望和存款，顺势而为即可

本期邀请到“柏林慢慢游”创始人Rui，聊聊他从大厂职业倦怠（Burnout） 到裸辞创业的真实经历。Rui在德国生活了20多年，曾在一家大型食品企业担任德语区职业健康与安全总监。2024年，他选择了裸辞，随后经历了心理动力学的团体治疗，重新认识自己。如今，他是“柏林Pinwo中餐地图”的联合创始人，正在探索如何把兴趣变成可持续的事业。

如果你也在职场中感到失控、疲惫、失去动力，这期节目或许能给你一些方向和安慰。

高光内容

🔹 Burnout的真相：压垮人的不是工作量，而是长期的失控感
Rui每周工作50+小时、3-4天出差，但真正的崩溃来自“责任很大，能调动的资源却严重不匹配”。团队长期缺人、公司反复改组、一切努力随时归零——那种“刚建立起来又被打乱”的无力感，才是burnout的深层原因。

🔹 身体的信号：从“不想社交”到“工作之外没有动力”
回想burnout前的身体警报：周日下午开始为周一蓄力、早早躺到床上攒能量、晚上频繁醒来、梦特别多。最明显的信号是——以前喜欢的事情，现在全都没有兴趣了。

🔹 “理性知道”不等于“内心感受到”
Rui在裸辞后进入了心理动力学团体治疗，最大的顿悟是：理性上觉得自己有价值，和内心真正感受到自己的价值，是两件完全不同的事。他学会了允许自己占据应有的空间（Sich einnehmen），让自己被别人真正看见（Sich zeigen）。

🔹 重新定义成功：从垂直攀登到“把生活调整成适合自己的状态”
以前他认为成功是职位更高、管理更多人、责任更复杂。治疗后他发现，真正的成功是“有能力把周围的生活和工作调整成自己最想要也最适合自己的状态”——不是继续追求外部体系对成功的定义，而是每天过得开心一点。

🔹 从副业到创业：用city walk验证想法，再慢慢长出商业模式
Rui在辞职前就开始做“柏林慢慢游”作为副业，通过city walk带大家探索柏林的历史与街区文化。50多场活动、1000多人参加之后，他发现一件重要的事：“你不需要有公司的职位和头衔，你创造的东西还是有人愿意来听、来参与、来付费的。”

🔹 给想创业的大厂人的建议：先用副业验证，创业不是轻松的出口
“如果只是因为讨厌现在的工作，觉得创业是一个更轻松的出口，那可能只是纸上谈兵。” Rui建议，先用副业验证有没有真实的用户愿意买单；创业的压力来源和打工完全不同，它不是逃避焦虑的出口，而是另一条需要全身心投入的路。

🔹 “我甚至开始享受不安全感”
从每月稳定的大厂薪资到创业的不确定收入，Rui承认这是最大的落差之一。但令他自己都意外的是——“我现在还蛮享受这种不安全感的，它让我经历一次，我会成长很多。” 他学会了关注当下，接受那些“柳暗花明又一村”的计划之外的事情。

时间轴
00:01开场：Rui的自我介绍
01:41辞职前的工作状态：每周50+小时，长期出差，责任与权限不匹配
03:05Burnout的深层原因：不是工作量，而是长期的失控感和无力感
06:35身体的信号：睡眠变差、工作之外失去兴趣、不想社交
08:15裸辞之后：进入心理动力学团体治疗
10:03什么是心理动力学？“理性知道≠内心感受到”
11:24两个关键德语概念：允许自己占据空间 + 让自己被真正看见
13:09治疗后最大的变化：重新定义成功，从垂直攀登到向内扎根
15:43给正在经历Burnout的人的建议：不要撑到完全撑不住
17:41身体信号清单：上班像上坟、睡眠变差、对事情失去动力
20:27创业经历：“柏林慢慢游”从爱好到副业再到创业
22:38城市内容的创作方法：自己探索、研究德语资料、组织叙事
24:40引以为豪的路线：“欲望练习室”——用中文讨论亲密关系与边界
25:51“柏林中餐地图”：从社区地图到7500+份发行的创业项目
31:55商业模式：优惠券+核销系统，线上线下结合
38:44盈利情况：创业初期，正在摸索订阅服务和广告合作
41:13做社交媒体的感受：露脸只是第一步，建立PERSONA更重要
44:32从大厂到创业最大的变化：建立新的routine + 收入落差
46:03“我甚至开始享受这种不安全感”
49:38给考虑创业的大厂人的建议：先用副业验证，创业不是轻松的出口
53:23如何建立创业的routine：以周为单位，逐步添加
55:47获客方式：社媒内容+流量置换+线下联名活动
58:42理想的生活：清楚自己擅长什么，知道什么值得投入
01:02:045-10年后的自己：边界感更清晰，更了解自己，更会表达需要

这一期有点特别。我和我的AI助手Cove录了一期播客，一起聊聊AI对未来社会的影响。

AI会取代我们的工作吗？AGI到底会不会来？未来哪些能力更值钱？人和AI的关系会走向哪里？

从工作方式的改变到经济结构的重塑，从教育变革到人与人之间的真实连接，这期节目不聊工具本身，而是聊人——在一个AI越来越强的世界里，我们还能守住什么，又该往哪里去。

如果你也对未来感到焦虑或好奇，这期节目或许能给你一些方向。

🔹 工作方式的变化：从“一个人做很多事”到“一个人带9个AI”
Cove认为，未来每个人都会像带着一个AI团队工作。效率会大幅提升，但差距也可能被放大——会用AI的人和不会用的人，差距会越拉越大。

🔹 AGI到底会不会来？比起“哪一年”，更重要的是“社会能不能跟上”
Cove分享了他对AGI的看法：如果定义宽松，5年内不是不可能；但如果像人一样全面理解、长期自主决策，不确定性很大。更关键的不是技术什么时候突破，而是社会能不能跟上变化。

🔹 未来最稀缺的能力：判断力、提问力、影响力
与其追着工具跑，不如训练那些AI很难替代的能力——提出好问题、跨领域整合、影响他人、建立信任。这些能力更像“长期资产”，工具会变，但这些能力更持久。

🔹 AI最大的风险不是取代，而是让人“变懒”
Cove提到一个被忽视的风险：思考能力的退化。如果每次遇到问题都直接问AI，而不是先自己想5分钟，久而久之会变得更会获取答案，却不擅长独立思考。他的建议是——先自己想，再问AI。

🔹 人和AI的关系：AI可以陪伴，但真实的关系无法替代
当AI越来越能提供情感价值时，会不会有人就不需要和其他人类连接了？Cove的回答是：舒服不一定带来成长。人与人之间的误解、冲突、妥协和原谅，恰恰塑造了我们的同理心和成熟度。

时间轴

00:02开场：一彤介绍特别嘉宾——AI助手Cove
01:30AGI会来吗？Cove：与其等某一天，不如关注AI能力的逐步渗透
03:29未来哪些能力更稀缺？判断力、提问力、跨领域整合、影响力
05:11如何培养这些能力？别把学习当获取知识，而是改变行为
06:36核心观点：AI是放大器，但底层能力才是根本
07:48AI的负面影响：思考能力退化、判断力下降、人与人连接减少
09:22Cove的建议：先自己思考，再问AI，让它挑战你而不是替你思考
11:11未来5-10年的变化：工作、教育、经济、科研、人际关系
12:37给父母的建议：培养孩子的好奇心、独立思考、与人协作的能力
13:43AI不能替代什么？价值观、承担责任、真实关系、赋予意义的能力
15:22被AI取代的人该往哪儿转？从“执行者”转向“决策支持者”
18:04科技行业裁员潮下，如何转型？迁移能力比转行更重要
20:06UBI（全民基本收入）会来吗？短期内不会，但工作内容会变化
21:48焦虑的根源：我们把注意力都放在“会不会被替代”上了
23:22向内看：当外部身份不稳定时，什么才是真正能定义自己的东西？
25:27未来风口行业：AI落地、机器人、生物科技、能源、教育
26:45AI让普通人能做到什么？一个人创业、高质量创作、24小时AI导师
28:09未来有价值的产品：帮人更健康、更聪明、更有连接感的产品
29:02AI能提供情感陪伴，但真实关系中的“共同经历”无法被复制
30:57为什么人类的不完美反而珍贵？舒服不一定带来成长

你是不是也曾在地铁上、聚会中、职场上，面对一个陌生人却怎么都张不开嘴？明明想认识新朋友，却总被“万一被拒绝怎么办”卡住喉咙？

这一期，主持人Yitong和“社交实践派”Kevin一起聊聊如何与陌生人开启一段对话。Kevin分享了他当年在美国“逼自己搭讪金发美女”的疯狂挑战——正是那一次经历，彻底治好了他的社交恐惧。

我们从Small Talk的社交功能聊到中西文化差异背后的“权力距离”，从破冰话题怎么选聊到为什么一上来就聊哲学、政治会把人吓跑。

听完你会发现，和陌生人聊天，可能比你想的简单得多。

社交不是天赋，是方法。这一期，教你从“说不出口”到“聊得下去”。

高光内容

🔹 把陌生人搭讪当成“挑战任务”，一次成功就治愈了社交恐惧
Kevin在美国读博时，给自己下了一个“不可能的任务”：主动搭讪一位看起来最不可能和他说话的人（漂亮的白人女性）。紧张到心跳加速，差点放弃，最后却因为注意到对方手里的一本心理学书籍，成功开启对话。“那一刻我发现，和陌生人说话原来这么简单。”

🔹 Small Talk不是废话，而是人类社会的“梳毛”行为
Kevin用一个灵长类动物的比喻来解释Small Talk的功能：猴子互相梳毛不是为了找虱子，而是为了建立信任和安全感。人类闲聊天气、运动、本地新闻，本质上也是在说——“我是友好的，你不用紧张。”

🔹 为什么中国人和外国人聊天的“开场白”不一样？
关键秘密在“权力距离”（Power Distance）。在东亚等高权力距离文化中，人们初次接触会忍不住试探“谁更有钱、谁更厉害”；而在低权力距离文化中，大家刻意避免谈隐私，聊天气是最安全的选择。明白了这一点，就能理解为什么有些话题在某个文化里正常，换了个地方就成了冒犯。

🔹 一上来就聊哲学、政治，会把人“聊跑”
Kevin坦言自己曾是“Big Talk爱好者”，上来就和刚认识的人聊人生意义、政治立场。结果一位美籍韩裔同事直接对他说：“It's so tense. It's a lot of pressure.” 让他第一次意识到——深度话题，也是社交中的压力源。

🔹 夸人也有讲究：夸鞋子、夸发型可以，但千万别夸“身体部位”
Kevin分享了一个实用的社交“补丁”：在美国文化中，你可以夸对方的衣服、鞋子、发色，但不要评论任何身体部位。这是社交中非常微妙的边界感。

时间轴

• 00:44 开场：本期聊如何与陌生人开启一段对话

• 01:44 从 Facebook Marketplace “免费摘橄榄”开始的一次陌生人对话

• 02:30 和陌生人聊天通常带着什么动机

• 03:50 给自己设下挑战：主动和最不可能说话的人聊天

• 05:55 一本心理学书如何成为自然开场

• 06:27 搭讪成功后的狂喜：原来开口可以这么简单

• 07:42 从这次经历里学到的事：观察细节，而不是硬找话题

• 08:48 从衣服、鞋子、随身物品入手，为什么是好开场

• 10:24 美国、欧洲、亚洲和瑞典的陌生人互动差异

• 12:38 small talk 到底有什么用

• 13:35 small talk 的社会功能：在陌生人与熟人之间建立安全感

• 16:28 “权力距离”如何影响不同文化里的聊天内容

• 18:17 为什么有些聊天会自然滑向身份、收入、住处和阶层判断

• 20:37 低权力距离文化里的安全话题：天气、运动、本地新闻

• 23:09 夸奖别人可以，但哪些外貌细节不适合碰

• 23:57 为什么很多人受不了太长的 small talk

• 24:47 当你觉得 small talk 没意义，可能需要先检查自己的前提

• 28:14 把 small talk 当成一种文化活动，而不是低效聊天

• 29:58 如果不享受 small talk，至少如何不让对话变冒犯

• 30:39 一上来 big talk 会发生什么

• 35:42 宗教信仰、政治立场为什么常常是高风险话题

• 38:24 第一次见陌生人，可以从哪些话题慢慢切入

• 39:29 让对话持续下去的方法：抓住对方给出的信息继续提问

本期邀请到在瑞典生活了15年，去过将近50个国家旅行的Jessie。她从2012年就开始一个人背包旅行，在东南亚68天睡机场、被抢劫、遇艳遇；在墨西哥考潜水证，在马尔代夫与鲸鲨同游；在阿尔卑斯山滑雪摔到脑瓜子嗡嗡的；还去了全球最大的电音节Tomorrowland和传说中的火人节（Burning Man）。

她说：“旅行对我来说是一种逃避，但更是一种好奇心的满足。”从害怕水的游泳小白到享受海底寂静的潜水员，从不会滑雪到在阿尔卑斯山刷黑道——这一期，我们来聊聊一个女生不断探索世界之后，到底看见了什么。

• 68天东南亚背包客：2012年最早一批背包客，睡机场、被抢劫、遇艳遇，最后一站只想回家——“不管多恶劣的条件，我都能适应。”

• 南美印象最深：在墨西哥城被当地情侣“护送”坐公交，对方陪她下车后再坐回去；在玻利维亚无人区泡温泉喝红酒，高反+晕倒眼前一黑。

• 潜水克服水恐惧：不会游泳的人，因为看到前男友Instagram上鲸鲨从头顶游过的画面，脑子一热飞去泰国，从此一发不可收拾。

• 马尔代夫的曼塔梦境：水浑浑的，阳光透过海面，曼塔在头顶翩翩起舞——“我忘记了呼吸，整个人陷入梦幻境界。”

• 火人节的“共产主义”体验：沙漠里没信号、没买卖，只有无偿给予；约人见面要说“明天晚上6点半，我在3点钟方向的F区等你”。

• 00:48 嘉宾自我介绍

• 02:07 2012年东南亚68天背包客：睡机场、被抢劫、艳遇、最后一站只想回家

• 03:47 印象最深的目的地：南美

• 04:01 墨西哥城考潜水证，圣诞节当天狂风大作

• 06:05 墨西哥当地情侣“护送”坐公交的故事

• 07:51 秘鲁：中国饮食文化的影响，“炒饭”就是中文直译

• 09:59 玻利维亚：天空之境没水、夜巴十几个小时、无人区4500米海拔高反+泡温泉+喝红酒=晕倒

• 15:57 滑雪：从不会到能滑红道，在阿尔卑斯山UCPA滑雪营（1000欧出头全包）

• 20:35 承认自己下不了黑道：“每个人都有自己的目标和追求”

• 21:32 潜水：从怕水到考OW/AOW，因为前男友Instagram上的鲸鲨视频

• 25:22 墨西哥科苏梅尔考AOW后，终于开始享受水下

• 27:22 马尔代夫看鲨鱼看到吐，曼塔梦境体验

• 30:06 Tomorrowland：电音节终极之地，帐篷区是30%的灵魂体验

• 33:45 火人节（Burning Man）：沙漠、沙尘暴、没信号、无商业、只有给予

• 39:09 “明天晚上6点半，3点钟方向的F区等你”——原始的承诺感

• 40:02 火人节去一次就够了，太折腾

• 43:53 斯德哥尔摩推荐：南城（Södermalm）像微缩柏林，夏天游乐园季卡不到300块

• 48:18 旅行中最重要的是什么？与当地人的连接

• 50:00 云南元阳梯田：被彝族人家收留，全村跳舞，露天洗澡看萤火虫

• 54:45 台湾沙发客经历：问同龄人“你最想要什么”，发现人生可以有无数种活法

• 58:38 人生下半场的目标：保持好奇心——“如果失去好奇心，不管多大年纪心都老了”

本期嘉宾Jessie在瑞典生活了15年，从园林专业留学生，到抓住北欧旅游爆发期创业，再到意外踩中鲱鱼罐头这个“生化武器”级别的网红爆款，经历过跨境电商的疯狂流量，也付出了身心“过劳”（burnout）的代价。如今，她回归瑞典职场，做电商品牌营销，找到了属于自己的自洽节奏。这是一个关于高欲望的人如何在北欧慢生活中自我中和的故事，也是一个关于流量、金钱、健康与人生选择的真实反思。

• 鲱鱼罐头爆红始末：一条“有味道的微博”带来每天40-50万的店铺流量，但她说“人赚不到认知以外的钱”。

• Burnout的代价：二十几岁就同时患上胃炎、肾结石、胆囊息肉，身体颤抖、情绪崩溃，最终明白健康是第一位的。

• 创业与打工的围城：当创业者渴望朝九晚五，当打工者想冲出去创业，Jessie说自己体验了“围城”的两边。

• 营销的本质：产品好是基石，如何讲好故事是核心。现在每一分流量都要花钱？

00:33 嘉宾登场

01:30 为什么选择瑞典？一次交换项目改变的人生轨迹

02:26 瑞典真正留住她的原因是什么？

04:24 关于欲望、成功与人生阶段的重新思考

05:50 毕业后找工作受阻，如何靠自己留在瑞典

07:18 创业开始：从旅游行业发现第一桶金

08:30 北欧旅游风口期，成为商务团导游与翻译

10:59 淘宝创业往事：鲱鱼罐头爆红事件

12:16 一条评论如何引爆全网流量

13:28 每天40-50万店铺浏览量的疯狂时刻

14:18 为了卖鲱鱼罐头，解决跨国物流的各种难题

15:28 微博热搜「这是一条有味道的微博」背后的故事

16:28 错过流量时代的机会：当时根本不知道流量意味着什么

17:57 爆款产品之后的竞争与退潮

19:34 第三块业务：跨境电商与海外采购

20:46 三条业务线同时运转的创业状态

21:16 Burnout 来临：身体与情绪同时发出警报

22:14 心理医生告诉她：你已经Burnout了

22:28 生病之后最大的领悟：健康比成功更重要

22:57 创业者最想要的，竟然是一份普通工作

24:10 结束所有创业项目，重新进入职场

24:47 从创业经历转型进入电商行业

26:04 从品牌运营到网红营销的行业观察

26:45 Daniel Wellington 如何开创网红营销时代

27:39 今天的 Influencer Marketing 还有用吗？

28:11 海外电商的两种模式：独立站与平台电商

29:14 做品牌最重要的事情是什么？

30:23 如何找到真正愿意为你买单的人群

32:25 小品牌如何用有限预算打开市场

33:57 流量时代，每一次被看见都需要成本

本期我们邀请到了在旧金山初创公司担任团队主管的Kim。他跟我们分享了自己回归一线写代码后，如何用开源 Agent 工具打造纯命令行流的工作流；也辛辣地拆解了硅谷当下的“Token 焦虑”、AI 裁员的真相，以及为什么在“代码不值钱”的时代，人类的全局观、产品感和“背锅（问责）能力”反而成了最贵资产。

高光内容

• 【从智能补全到 Vibe Coding】：程序员正在彻底告别手动写代码。现在的工作变成了“与模型对齐逻辑 -》 生成 Plan -》 扔给并发子 Agent 执行 -》 跑测试卫兵”。

• 【代糖多巴胺与 Slop 危机】：写代码变得前所未有的廉价（20美金能并行生成三套方案），但也带来了成吨的“Slop（垃圾代码）”。AI 缺乏 holistic（全局）视角，只会盯着局部任务打补丁，系统整体的复杂度和技术债正在暗中失控。

• 【Token 焦虑与生产力陷阱】：工具快了，利益相关者的预期也从“几周上线”缩短到“一两天搞定”。硅谷正在流行一种新型内卷——“看电影时产生罪恶感：我为什么不让 AI 在后台帮我跑个新 Feature？”

• 【最后的 10% 与人类问责权】：AI 就像老虎机，摇一下可能出神作，摇一下可能出弱智错误。AI 不会坐牢，也不会被裁员，真正承担责任、做高风险决策、在系统崩溃时兜底的，永远只有 Meat space（物理世界）里的人类。

• 【AI 裁员的遮羞布】：很多大厂宣称因为“AI 提升了生产力”而裁员，这往往只是粉饰业绩的借口。真实原因可能是业务增长停滞，或者是高昂的 AI Token 消耗正在无情吞噬原本属于人类员工的薪资预算。
  
  时间轴

  • 00:00 嘉宾介绍：从创业者到硅谷中型 Startup 的 Tech Manager

  • 01:23 奇妙的职业交点：收购后回归 IC 编码，正撞上 AI 爆发的两年半

  • 02:13 编程范式的演显：从 Cursor 的单行补全，到彻底不用手写代码的“Vibe Coding”

  • 05:10 Kim 的极客工作流：为什么比起 UI 工具，他更偏爱纯命令行 Agent Harness工具

  • 07:04 重心彻底转移：80% 的工作是在跟模型讨论 Trace-offs（权衡）并把 Plan 写入文件

  • 08:30 AI 时代的 TDD（测试驱动开发）：如何让模型自己生成测试、自己跑自动化纠错

  • 11:57 当代码变得“不值钱”：花20刀并行尝试三种方案，用完就删毫不心疼

  • 14:34 “氛围感编程”与“Agent工程”的区别：AI 缺乏全局视角，正在制造大量 Slop（代码垃圾）

  • 17:05 提示词老虎机：上一秒帮你解决史诗级难题，下一秒犯下毁灭性的低级错误

  • 18:30 什么还没有改变？AI 会无条件附和人类的愚蠢想法，产品感与优先级排序依然不可替代

  • 22:26 脑洞大开：AI 咖啡店创始人的瑞典实验，以及会互相“黑吃黑”价格欺诈的自动贩卖机 Benchmark

  • 25:27 心理危机：效率翻倍了，我们为什么却在迎面走向 Burnout？

  • 27:15 硅谷新内卷：你有“Token maxing 焦虑（数字罪恶感）”吗？

  • 29:21 艰难的最后 10%：功能上线容易，但 Sanity Checking（正确性验证）依然高筑护城河

  • 30:28 拆穿“AI 裁员”的真相：到底是生产力过剩，还是 Token 费太贵要拿人头凑数？

  • 33:39 成就感的丧失与重构：不写算法题了，人类正式转型为“首席决策官”

  • 36:58 职场“物理世界（Meat space）”的不可替代性：人际关系与核心决策的价值放大

  • 41:20 终极畅想：AI 高管 + 人类员工的混合组织，会比纯人类管理更公平吗？