《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

参考书籍：吴军《浪潮之巅》（On Top of Tides）。 目标读者：想创业、正在做副业、或者想看清技术周期位置的程序员。 阅读目标：把书中十几个公司的兴衰故事，提炼成"为什么会赢、为什么会死"的规律，再追问一个问题——如果换成 AI 大模型时代，这些故事会怎么改写？

《浪潮之巅》表面上写的是 AT&T、IBM、苹果、微软、Google 这些公司的历史，实际上写的是一件事：技术浪潮每隔十几年就来一次，每一次都会成就一批新公司、埋葬一批旧巨头。而能不能站上浪尖，靠的不只是技术，还有时机、商业模式和基因。

作为一个写代码的人，我读这本书的角度比较功利：这些公司当年是怎么从"几个人 + 一个技术想法"长成千亿帝国的？它们后来又是怎么死的？以及最重要的——今天 AI 大模型这一波浪潮，和当年有什么相同和不同？

这篇文章分五部分：

1. 全书的核心规律（先建立框架）；
2. 逐个复盘经典创业故事，每个故事末尾分析"AI 时代的新思路"；
3. 盘点这些案例背后的核心算法、数学工具与创新工具；
4. 浪潮的幕后生态：风投、投行、斯坦福、印钞机商业模式与金融风暴；
5. 我的思考和给程序员的行动清单。

一、先立框架：浪潮是怎么起落的

吴军判断一个行业是否有"浪潮"，看的是三个东西是否同时出现：

flowchart TD
    A["技术突破<br/>晶体管 / 集成电路 / PC / 互联网 / AI"] --> D["浪潮形成"]
    B["商业模式成立<br/>有人愿意付钱"] --> D
    C["基础设施成熟<br/>芯片 / 网络 / 云"] --> D
    D --> E["新公司崛起<br/>抢到生态位"]
    D --> F["旧巨头衰落<br/>被基因锁死"]
    E --> G["行业格局固化<br/>70-20-10"]
    G --> H["下一次技术突破<br/>周期重来"]
    H --> A

书里最经典的几个规律，先列出来，后面的故事都会反复用到：

这几个规律就像物理定律一样，在后面每个故事里你都会看到它们起作用。

二、创业故事逐个复盘 + AI 时代的新思路

2.1 AT&T 与贝尔实验室：技术最强 ≠ 活得最好

故事：贝尔实验室是 20 世纪最伟大的研究机构——晶体管、UNIX、C 语言、信息论（香农）、激光、蜂窝通信，全出自这里。AT&T 靠电话垄断躺赚几十年。但 1984 年反垄断分拆、1995 年主动拆分后，AT&T 一心只想快速赚钱，把设备业务（朗讯）和贝尔实验室拆出去卖钱，最终百年帝国在宽带浪潮中沦为配角。

教训：

• 垄断利润会腐蚀创新能力——赚钱太容易，就没人关心十年后；
• 分拆的决策如果只服务于股价而不是技术布局，等于自杀；
• 贝尔实验室的发明无数，但很多（比如 UNIX）没有变成自己的商业帝国，技术是别人的嫁衣。

AI 时代的新思路：

今天的 OpenAI、DeepMind 某种程度上就是新的"贝尔实验室"——基础模型能力外溢，全世界开发者免费搭车。对创业者来说这意味着：

• 不要去和"新贝尔实验室"拼基础研究，那是巨头的军备竞赛（训练一个前沿模型要几亿美元），创业公司玩不起；
• 但贝尔实验室的历史也证明：实验室的成果会外溢，机会在应用层。开源模型（LLaMA、Qwen、DeepSeek）就是新时代的"UNIX"，谁能在开源底座上长出垂直应用，谁就是新时代的 DEC、Sun；
• 反向借鉴：如果你做 AI 应用，要警惕 AT&T 的教训——不要把核心能力完全外包给模型厂商。API 一涨价、一断供，业务就没了。创业公司至少要掌握数据、场景、工作流中的一个作为护城河。

2.2 IBM：大象也能跳舞，但只在 B 端

故事：IBM 做了几十年大型机，错过 PC 浪潮的开端后，靠 IBM PC 杀回来，却意外养大了两个掘墓人——Intel（芯片）和微软（操作系统），“安迪-比尔定律"由此得名。90 年代 IBM 濒临破产，郭士纳把它从硬件公司转型为 IT 服务公司，活了过来。后来又剥离 PC（卖给联想）、押注咨询和云计算。

教训：

• 基因决定论的正面案例：IBM 的基因是服务企业客户，所以转型服务能成；它想做消费级产品（OS/2 输给 Windows）就是不行；
• 开放的架构（IBM PC 兼容机）会杀死架构的创造者——你定义了标准，别人踩着标准绕开你。

AI 时代的新思路：

IBM 的故事在今天几乎原样重演：大模型基础设施层（芯片、云、基础模型）正在被英伟达、微软、Google 这些"新巨头"定义标准。创业思路：

• 学 IBM 的服务转型，做"AI 时代的埃森哲”：大量传统企业知道要用 AI 但不会落地，垂直行业的 AI 咨询 + 交付 + 托管运营是一个真实存在且现金流健康的生意，不性感但赚钱；
• 警惕"IBM PC 陷阱"：如果你基于某个大模型平台的开放接口做产品，要想清楚——你是在利用平台，还是在给平台培养市场？ 当你的场景被验证后，平台自己会下场（看看 ChatGPT 的 GPTs 埋葬了多少套壳应用）。

2.3 苹果：产品公司的浪漫与代价

故事：1976 年，沃兹尼亚克的技术天才 + 乔布斯的产品直觉，在车库里做出 Apple I/II，开创了个人电脑产业。1984 年 Macintosh 定义了图形界面，但乔布斯坚持封闭、软硬件一体，在 80-90 年代被"微软 + Intel + 兼容机"的开放联盟打得只剩个位数份额，乔布斯被赶出自己创立的公司。1997 年回归后，靠 iPod、iPhone、iPad 三次站上浪尖——这一次，封闭生态赢了，因为时代变了（软硬件一体化的体验优势在移动端成立）。

教训：

• 同一个策略（封闭），在 PC 时代是死路，在移动时代是活路——没有永远正确的战略，只有和时代匹配的战略；
• 乔布斯的强项是"定义产品"而不是"发明技术"：图形界面来自施乐 PARC，触摸屏技术也不是苹果发明，但苹果把它们做成了普通人能用的东西。

AI 时代的新思路：

苹果故事对 AI 创业最大的启示是体验集成：

• 大模型能力是"原子能力"，就像当年的图形界面技术——实验室里有，但普通人用不上。把模型能力包进一个普通人能用的完整产品里，就是苹果式的创业思路。Cursor（AI 编程）、Perplexity（AI 搜索）、Midjourney（AI 绘画）都是这个路子：模型不全是自己的，但体验是自己的；
• 另一个思路是软硬结合：AI Pin、Rabbit R1 虽然失败了，但"AI 时代的 iPhone 时刻"还没真正到来，智能眼镜、AI 玩具、陪伴机器人这条路上还会有新的苹果式公司出现；
• 但也要记住乔布斯 1985 年的教训：在产品体验还没打磨好之前，不要迷信情怀和先发。Vision Pro 的昂贵教训也说明，AI 硬件创业要控制节奏。

2.4 微软：商业模式的创新比技术创新更致命

故事：盖茨和艾伦 1975 年为 Altair 写 BASIC 解释器起家。微软真正的转折点不是技术，而是两笔生意：花 5 万美元买 DOS 转手授权给 IBM，以及坚持只授权、不转让版权的商业模式——PC 兼容机越多，微软越赚钱。之后靠"免费捆绑"杀死网景，靠 Office 建立生态，靠 Windows 统治桌面二十年。但微软错过了互联网（IE 赢了浏览器却输了互联网），错过了搜索，错过了移动，直到纳德拉转型云计算（Azure）才重回巅峰。

教训：

• 商业模式本身就是护城河：DOS 不是最好的技术，但授权模式让它无处不在；
• 反垄断拆分差点毁了微软，但失去垄断地位反而逼着它开放和转型——垄断保护的是短期利润，杀死的是长期嗅觉；
• 比尔·盖茨的精明在于：他从第一天就明白软件的价值在于复制成本为零，这是信息产业的底层逻辑。

AI 时代的新思路：

• 微软今天用 Azure + 投资 OpenAI 的方式重演了当年"IBM PC"的操作：不自己发明最强的技术，而是绑定最强的技术再卖给企业客户。创业者可以学这一招：不训模型，绑定模型生态做生意——比如做模型和企业私有数据之间的中间层（RAG、Agent 编排、权限治理），这是大模型时代"操作系统级"的位置；
• 反摩尔定律依然有效：AI 应用如果你 18 个月不迭代，模型能力追上来就把你的功能变成"模型自带"（套壳应用批量死亡就是这个原因）。创业的功能壁垒必须建在模型能力进化曲线够不到的地方——行业 know-how、私有数据、监管资质、线下交付。

2.5 Intel：摩尔定律既是礼物也是绞索

故事：摩尔、诺伊斯、格鲁夫 1968 年创立 Intel。1980 年代日本存储器把 Intel 逼到绝境，格鲁夫果断砍掉起家的存储器业务，All in 微处理器，押注 IBM PC，从此"Intel Inside"统治了 PC 时代三十年。但 Intel 错过了移动（ARM 低功耗路线），又在制程上被台积电反超——它在 CPU 这个生态位上做到了极致，也因此被这个生态位锁死。

教训：

• 摩尔定律驱动下的行业，老二没有生存空间（反摩尔定律），所以 AMD 几十年都活得艰难；
• 格鲁夫"砍掉存储器"的决断是全书最经典的转型案例：最难的不是看到新方向，而是放弃正在赚钱的旧业务。

AI 时代的新思路：

• Intel 错过移动、英伟达押中 AI，说明每一波浪潮的"卖水人"位置都会换人。这一波浪潮的芯片红利（英伟达）创业公司基本没机会，但"卖水"不只有芯片：数据标注、评估体系（Evals）、推理成本优化、模型部署工具链，都是 AI 时代的"卖水生意"；
• 格鲁夫式思路的 AI 版：如果你现在做的产品/服务，18 个月后会被模型能力的进步直接覆盖（比如简单的文案生成、简单客服），那就该像 Intel 砍存储器一样现在就砍，别等现金流断掉再转。

2.6 思科：斯坦福教授夫妇的"路由器即卖水"

故事：1984 年，斯坦福两个系的机房主任（莱昂纳德·波萨克和桑蒂·勒纳夫妇）想让校园网里不同协议的机器互相通信，发明了多协议路由器。思科的聪明之处不只是发明了路由器，而是赶上了互联网爆发——不管谁在网上淘金，都要买它的路由器。思科也通过持续并购保持技术领先，2000 年市值一度全球第一（5000 亿美元+），随后互联网泡沫破裂跌落，但至今仍是网络设备霸主。

教训：

• 卖水生意是浪潮里最稳的位置：淘金者九成九会死，卖水的活得最好；
• 思科的并购机器说明：技术公司到一定规模后，创新可以"买"来，但整合能力是自己的。

AI 时代的新思路：

• AI 时代的"路由器"是什么？候选答案：推理基础设施（GPU 云、模型托管）、数据管道、Agent 之间的通信协议（比如 MCP 这类协议如果成为事实标准，围绕它的工具链就是路由器生意）；
• 思科式创业的现代版本：不赌哪个模型赢，服务所有用模型的人。向量数据库（Pinecone、Milvus）、模型监控（LangSmith）、推理优化（vLLM）都是"AI 淘金潮里的卖水人"。这个思路的风险是——云厂商会把卖得最好的"水"自己做掉，所以卖水也要卖到深水区（复杂场景），不能在浅水区。

2.7 网景：起得最快，死得也最快

故事：1994 年，伊利诺伊大学的学生马克·安德森写了 Mosaic 浏览器，和 SGI 创始人克拉克创立网景，把互联网从学术圈带给了普通人。网景 16 个月就上市，创造了互联网造富神话。但微软用"免费捆绑 IE"直接攻击其收入根基，网景 4 年就被迫卖给 AOL。它的遗产却极其深远：JavaScript、SSL、cookie，以及安德森后来创立 a16z 成为硅谷顶级风投。

教训：

• 单一产品、单一收入来源，在巨头面前没有防御纵深；
• 先发的优势如果没有转化为生态，就只是"帮巨头验证市场"；
• 安德森本人的轨迹也很有意思：创业被巨头碾过后，转身成为投资人——把对浪潮的理解变成了另一种杠杆。

AI 时代的新思路：

网景的死法在 AI 时代每天都在重演：功能型应用被平台顺手做掉。

• 对照自查：如果你的产品是"一个 Prompt 包一层壳"，那你的命运就是网景 2.0——ChatGPT/Claude/豆包 下一次更新就会把你变成系统自带功能；
• 网景式生存策略：做平台不方便做的事。微软能免费捆绑浏览器，但做不了垂直行业的脏活累活。AI 创业要找"巨头捆绑不了"的东西——需要线下交付的、需要行业牌照的、需要和企业数据深度耦合的；
• 另一个思路是学安德森的转身：如果做产品打不过，就做这波浪潮的投资人/生态位观察者——程序员做技术自媒体、做 AI 早期投资、做开发者社区，本质都是把认知变现。

2.8 雅虎：开创了模式，却被模式淘汰

故事：1994 年，斯坦福博士生杨致远和费罗把喜欢的网站整理成目录——“Jerry’s Guide to the World Wide Web”，后来变成 Yahoo!。雅虎定义了门户网站、开创了"免费 + 广告"的互联网商业模式，是所有中国第一代互联网公司的老师（新浪、搜狐、网易都在抄它）。但雅虎骨子里是媒体公司而不是技术公司：它用人肉编辑整理目录，对搜索技术不上心，把搜索外包给 Inktomi、又外包给 Google——等于亲手喂养了掘墓人。错过收购 Google（两次）、错过收购 Facebook，最终在移动互联网时代彻底掉队，2017 年被 Verizon 收购。

教训：

• 雅虎开创了"免费 + 广告"，但它不懂广告的效果要靠技术优化——Google 用算法把广告做成了精准匹配，雅虎还停留在卖展示位；
• 把核心能力（搜索）外包，是科技公司最危险的决定之一；
• 雅虎之鉴：路径依赖——目录时代太成功，以至于无法理解搜索时代。

AI 时代的新思路：

• 雅虎的历史正在 AI 时代重放：很多"AI 应用公司"其实在做新时代的"人肉目录"——靠运营、靠内容编辑堆出来的 AI 产品，模型一升级，人肉部分的价值就清零。自查标准：你的产品价值里，有多少比例会被下一代模型免费赠送？
• 雅虎教训的正面用法：永远不要外包你的核心差异化能力。AI 创业可以外包模型（反正模型在商品化），但不能外包：用户关系、数据闭环、行业 know-how；
• 新机会：雅虎当年"帮用户找到信息"的需求，在 AI 时代变成了"帮用户做决策"。AI Agent 版黄页/目录 + 自动执行（帮用户找服务、比价、下单、售后）是一个还没被做好的大方向——雅虎只做到了"找到"，AI 可以做到"办完"。

2.9 Google：技术信仰者的胜利

故事：1996 年，斯坦福博士生佩奇和布林发明 PageRank——用网页间的链接关系给网页排名，搜索质量碾压当时的所有对手。Google 的伟大在于几件事同时做对：技术（PageRank + 分布式系统）、商业模式（AdWords 竞价排名，把广告做成了可度量的效果生意）、文化（工程师主导、“不作恶”）、以及不惜血本投入基础设施（自己造服务器、建数据中心）。之后 Android 赌中移动、收购 YouTube 赌中视频，但也在社交（Google+）、通讯等赛道上屡战屡败。如今 Google 面临创立以来最大的挑战：ChatGPT 直接攻击搜索的根基——用户要的不再是链接列表，而是答案。

教训：

• Google 是全书里最"技术至上"的公司，但它的胜利其实是技术 × 商业模式 × 基础设施的复合胜利，缺一个都不成立；
• 诺威格定律：搜索份额见顶后，Google 靠 Android、YouTube、云找到新增长曲线，这是它能活过 25 年的关键；
• 但它今天的困境也证明：没有任何生态位是永久的，包括搜索本身。

AI 时代的新思路：

• Google 自己证明了基础设施投入是长期主义的壁垒。AI 创业的对应版本：为 AI 时代重建基础设施——AI 原生的数据库、AI 原生的安全、AI 原生的办公套件。不要想着"在旧软件里加 AI 功能"，而要问"如果从零开始为 Agent 设计，这个东西应该长什么样"（比如，为 Agent 而不是为人类设计的 API、为 AI 编程协作设计的代码仓库）；
• “用户要答案不要链接"这个趋势里藏着新一代 Google 的机会：垂直领域的答案引擎——法律、医疗、科研、金融，通用模型答不准、答不全的地方，就是垂直答案引擎的立足点（Perplexity 已验证通用版，垂直版还大有空间）;
• Google 的多元化（诺威格定律）对创业者的启示：单一 AI 产品的天花板来得会比想象中快，从第一天就想好第二个增长曲线，哪怕只是方向性的。

2.10 衰亡者群像：摩托罗拉、诺基亚、Sun 的共同死因

书里同样重要的反面教材：

• 摩托罗拉：发明了手机，但铱星计划（技术浪漫主义的极致——66 颗卫星覆盖全球，却没人买单）拖垮了它，数字手机时代又反应迟钝；
• 诺基亚：功能机时代的霸主，不是没看到智能机，而是功能机太赚钱，组织无法自我革命；
• Sun：斯坦福四人创业（Workstation 工作站 + Solaris + Java），Java 改变世界却没赚到钱——技术影响力 ≠ 商业变现。

flowchart LR
    subgraph 死因分析
        A1["摩托罗拉<br/>技术浪漫主义<br/>铱星计划"] --> B["共同死因"]
        A2["诺基亚<br/>旧业务太赚钱<br/>无法自我革命"] --> B
        A3["Sun<br/>有技术影响力<br/>没有变现闭环"] --> B
        B --> C["把上一波浪潮的成功<br/>当成了永恒"]
    end

AI 时代的新思路：

• 反用诺基亚之死：传统行业的"功能机巨头”（旧软件、旧服务）越赚钱，越不可能自我 AI 化——这就是创业公司替他们服务/替代他们的窗口期。看看哪些行业还在用十年前的软件收钱，那里就有 AI 替代的机会；
• 反用 Sun 之死：做 AI 开源项目获得影响力之后，必须在一开始就设计变现路径（托管服务、企业版、生态分成），否则影响力就是给别人做嫁衣；
• 反用铱星计划：AI 项目先做需求验证，再堆技术。铱星的教训是"技术上可行"和"商业上值得"之间隔着一条银河。今天很多"用 AI 做 XX"的项目，本质都是小型铱星——工程师的浪漫，市场的灾难。

2.11 仙童半导体：“八叛徒"与硅谷的诞生

注：《浪潮之巅》第四版（2019）新增了"新兴科技与初创企业"相关内容，补充了仙童、Facebook、特斯拉等案例。本节起为新版内容补记。

故事：晶体管发明人之一、诺奖得主肖克利 1955 年创办肖克利半导体实验室，招到八个天才年轻人，但他管理专断多疑。1957 年，八人集体出走（肖克利骂他们是"八叛徒”），在投行职员阿瑟·洛克（Arthur Rock）牵线下，由仙童摄影器材公司出资创立了仙童半导体。仙童做出两件改变历史的事：赫尔尼发明平面工艺，诺伊斯在此基础上于 1959 年发明硅集成电路。但东海岸母公司不断抽走利润、拒绝给员工股权，人才开始外流：1968 年诺伊斯和摩尔创立 Intel，1969 年桑德斯创立 AMD，斯波克执掌国家半导体，克莱纳后来创立硅谷最传奇的风投 KPCB。仙童被称为"半导体产业之母"——硅谷的"硅"、风险投资模式、股权文化，全从这一家公司开始。

教训：

• 肖克利手握最好的技术天团却留不住人——技术号召力代替不了管理与激励；
• 母公司把仙童当提款机、不给股权，等于亲手把核心技术连同人才一起送走——仙童最后活成了"半导体军校"，专门给对手培养创始人；
• 仙童最大的遗产不是产品，而是三样"制度发明"：集成电路、风险投资交易结构（洛克的那笔投资是现代 VC 的模板）、员工股权激励文化。

AI 时代的新思路：

• 今天的 OpenAI 正在上演"仙童时刻"：核心团队出走创立 Anthropic、SSI、Thinking Machines 等公司——大模型行业的人才外溢路径和当年半导体业一模一样。对创业者的启示：巨头研究院动荡期，是创业公司捡顶级人才的最佳窗口；
• 反面自查：如果你的创业公司没有设计好股权和期权，你就是下一个仙童——“AI 产业之母”，专门给别人培养 CTO；
• 仙童故事还催生了一个"创新工具"——风险投资本身。AI 时代的对应物是：算力换股权（云厂商以 GPU 资源入股）、开源换生态位（开源模型换取开发者标准地位）。融资工具的演化，本身就是创业机会的一部分。

2.12 Facebook：把"关系"变成可计算的资产

故事：2004 年，扎克伯格在哈佛宿舍上线 TheFacebook，从校园一路扩张到全民。几个关键决策：坚持实名制 + 真实关系链（与 MySpace 的虚拟身份区隔开）；2006 年顶着全站骂声上线 News Feed（事后证明是社交产品的标配）；2007 年开放第三方平台；2012 年上市前后完成惊险的移动转型；收购 Instagram（10 亿美元）和 WhatsApp（190 亿美元）都堪称神操作。Facebook 的本质，是把全人类的"关系网"——社交图谱（Social Graph）——变成了一份私有、可计算、可卖广告的资产。

教训与规律：

• 梅特卡夫定律（网络价值 ∝ 节点数的平方）在社交领域发挥到极致：70-20-10 律在社交网络里表现为接近 100% 的垄断——挑战者哪怕产品好 10%，也搬不走用户的关系链；
• 但护城河也在变浅：TikTok 用**算法推荐（兴趣图谱）**绕开了社交图谱——不需要先有朋友关系，算法直接把内容喂给你。Facebook 被迫改名 Meta 押注元宇宙，至今没有赢回叙事权；
• Facebook 的另一重身份是"工具工厂"：React、PyTorch、GraphQL、Cassandra 都出自它的工程团队——把内部工具开源，是建立行业标准地位的廉价手段。

AI 时代的新思路：

• Facebook 的核心资产"社交图谱"正在被 AI 重构：Character.ai 这类 AI 陪伴产品证明了用户需要的未必是"真人关系链"，而是"被理解和被回应"。AI-native 的社交/陪伴产品是新一波社交创业的入口；
• TikTok 用兴趣图谱打败社交图谱的历史会在 AI 时代重演：用 AI 直接理解内容和人，可以绕开冷启动最难的"关系网积累"——新社交产品不再需要先攒社交图谱；
• 工具开源策略依然有效：AI 公司把训练框架、Agent 框架开源，换的是标准制定权和人才向心力（看看 LangChain、vLLM 的位置就知道了）。

2.13 特斯拉：用软件和第一性原理重造汽车

故事：特斯拉 2003 年创立，2004 年马斯克领投入局。Roadster（2008）证明电动车可以很性感，Model S（2012）证明可以规模量产，Model 3 的"产能地狱"差点要了命，上海超级工厂（2019）证明了制造效率的极限。特斯拉的关键创新不在任何单点技术，而是把整个汽车产业的逻辑改写：用笔记本同款的 18650 电芯 + 电池管理系统（BMS）拼出电池包；用 OTA 软件升级让车"越开越新"；直营绕过经销商体系；超级工厂垂直整合，把供应链攥在自己手里。

教训与规律：

• 第一性原理：马斯克算过账——电池组按原材料市场价计算远低于当时的市场售价，中间的差价是"历史惯性"而不是物理必然，所以自己造。这是全书中罕见的"用物理学思维做商业决策"的样本；
• 软件定义硬件：车变成了"轮子上的计算机"，安迪-比尔定律开始在汽车行业生效——硬件利润越来越薄，价值向软件和数据迁移；
• 特斯拉是三浪叠加的受益者：锂电池技术进步 + 移动互联网（车作为终端）+ 自动驾驶 AI。单一浪潮成就产品，浪潮叠加才成就帝国。

AI 时代的新思路：

• 特斯拉模式 = 硬件公司的 AI 化模板：影子模式采集真实数据 → 云端训练 → OTA 下发 → 更好的模型，这套"数据飞轮"是 AI 产品的通用范式，机器人、无人机、工业设备都可以复制；
• FSD V12 用端到端神经网络替代了三十多万行手写规则代码，证明**“数据和算力替代工程师规则”**的方法论成立——这个方法论正在外溢到通用机器人（人形机器人被普遍看作"下一个特斯拉"）；
• 第一性原理自查同样适用于 AI 创业：你产品的成本结构里，有多少是"历史惯性"？推理成本两年降两个数量级之后，很多昨天"不划算"的 AI 应用今天已经成立——重新算账，就是重新找机会。

三、技术底牌：十三个案例背后的核心算法、数学与创新工具

复盘完故事，值得单独盘一盘这些公司的"技术底牌"——它们当年手里到底握着什么牌。看完之后会发现一个规律：真正改变浪潮的，往往不是一个产品，而是一两个可复制的算法、一条数学定律、或者一个开创性的工具。

3.1 总览表

3.2 几个值得单独讲的"硬核底牌”

香农信息论（贝尔实验室，1948）：整个信息时代的"牛顿定律”

香农在贝尔实验室发表的《通信的数学理论》，回答了两个问题：信息怎么度量？信道最多能传多少？

信息熵：

$$H(X) = -\sum_{i} p_i \log_2 p_i$$

信道容量（香农-哈特利定理）：

$$C = B \log_2 \left(1 + \frac{S}{N}\right)$$

直觉：$B$ 是带宽，$S/N$ 是信噪比。这个公式给所有通信系统划了一条理论上界——无论你的调制方案多聪明，都不可能超过 $C$。此后 70 年的调制解调器、3G/4G/5G、Wi-Fi，本质都是在逼近这条线。吴军在《数学之美》里反复强调的观点也源于此：好的数学模型能把"需要智能"的问题变成"可以计算"的问题。

关系模型（IBM，1970）：一篇论文开创一个产业

IBM 研究员 Codd 1970 年发表论文，把数据库建立在集合论和一阶谓词逻辑上：数据是关系（元组的集合），查询是关系代数运算（选择、投影、连接）。Oracle 的创始人 Ellison 正是读了这篇论文后抢先做出商用产品——这是"IBM 发明、别人收割"的又一例（和 PC 养大微软/Intel 如出一辙）。今天的 MySQL、PostgreSQL，乃至 NoSQL 之后又回归 SQL，都证明这个数学模型选对了一次，管了 50 年。

摩尔定律（Intel，1965）：一条经验曲线统治一个行业

严格说它不是物理定律，而是观察 + 自我实现的预言：

$$\text{晶体管数量}(t) \propto 2^{t / 18\text{个月}}$$

它的真正威力在于给了整个产业一个可预期的节拍器：软件公司敢按"两年后性能翻倍"来设计产品，风险投资人敢按这个节奏下注。反摩尔定律只是它的镜像。今天 AI 领域有类似的曲线——模型能力随算力/数据规模增长（Scaling Laws），推理成本每年数量级下降。创业者读摩尔定律的正确姿势，是把它当成"为两年后的成本结构做设计"的许可证。

路由算法（思科）：图论改变世界

互联网的核心问题之一是：数据包从 A 到 B 走哪条路？这正是图论里的最短路径问题：

• OSPF（链路状态协议）：每个路由器掌握全网拓扑，然后跑 Dijkstra 算法算最短路径；
• RIP / BGP（距离矢量/路径矢量）：每个路由器只知道邻居告诉它的距离，类似分布式 Bellman-Ford。

思科的商业天才不在于发明这些算法（它们来自学术界），而在于把这些算法固化进一台可靠、好卖的盒子里。这又是一个"算法公开、工程变现"的案例——和今天"Transformer 论文公开、应用公司变现"的结构一模一样。

SSL 与公钥加密（网景，1994）：数论给电商开门

网景为了让浏览器能安全地传信用卡号，发明了 SSL。底层是 RSA：

$$c = m^e \bmod n, \qquad m = c^d \bmod n$$

安全性依赖于"大整数分解困难"——知道 $n = p \times q$ 容易，从 $n$ 反推 $p, q$ 极难。SSL 用 RSA 交换对称密钥（混合加密），再用对称加密传数据。没有这套数论工具，就没有电商和网上银行——网景虽然死了，它留下的 SSL/TLS 至今保护着每一笔网上交易。

PageRank（Google，1996）：把互联网看成一个马尔可夫链

PageRank 的模型极其优雅：把网页看作节点、超链接看作边，假设一个"随机冲浪者"每次以概率 $d$ 沿链接跳转、以概率 $1-d$ 随机跳到任意页面。各网页的重要性就是这条马尔可夫链的平稳分布：

$$PR(u) = \frac{1-d}{N} + d \sum_{v \to u} \frac{PR(v)}{L(v)}$$

数学上等价于求转移矩阵的主特征向量，工程上用幂迭代反复乘到收敛。这个公式的天才之处：它把"网页质量"这个主观判断，转化成了图上的线性代数问题——这正是《数学之美》的核心思想在搜索上的复现（吴军本人就在 Google 做过搜索质量）。

Google 的第二张数学底牌是广告拍卖：AdWords 用广义二价拍卖（GSP）——出价最高者赢，但只付第二名的价格加一分。这来自博弈论里的 Vickrey/VCG 机制设计，让广告主有动力报真实估价。雅虎卖展示位是按"感觉"收钱，Google 按点击和转化收钱——算法把广告从品牌生意变成了可优化的数学问题，这就是两家公司命运分野的技术根源。

Transformer（Google，2017）：埋下今天浪潮的种子

《浪潮之巅》成书早于这一波，但 Google 2017 年的论文 Attention Is All You Need 提出了 Transformer：用自注意力机制替代循环结构，本质上是对序列中任意两个位置直接计算相关性权重，矩阵化之后可以大规模并行——这恰好完美匹配 GPU。历史开了个大玩笑：Google 发明了引爆大模型时代的算法，却被 OpenAI 抢先做成了产品——这几乎就是"IBM 发明关系模型、Oracle 收割"的 AI 翻版，再次验证了书里那句话：发明技术和站上浪潮之巅，是两回事。

六西格玛（摩托罗拉，1986）：统计学的工业应用

摩托罗拉发明的六西格玛质量管理，目标是每百万次机会缺陷数（DPMO）不超过 3.4。它基于正态分布：$\pm 6\sigma$ 覆盖了 99.99966% 的情形。数学上很朴素（均值、方差、控制图），但它证明了统计学本身就是一种可以卖到全世界的管理产品。讽刺的是，发明六西格玛的公司死于战略失误——质量控制救不了方向错误，再好的 $\sigma$ 也算不过趋势。

平面工艺与光刻（仙童，1959）：把"制造"变成"印刷"

仙童之前，晶体管是一根根手工连线的分立元件，规模上不去、可靠性差。赫尔尼的平面工艺用二氧化硅层做保护，配合光刻技术——像洗照片一样把电路图案"印"在硅片上；诺伊斯随即想到：既然能印，就可以把多个元件和连线一次印在同一块硅上——集成电路就此诞生。

这一步的意义在于：芯片制造从"手艺"变成了"可复制的印刷工艺"，良率可控制、规模可复制、成本可下降——摩尔定律之所以能以指数曲线走五十年，物理基础就是平面工艺这条产线。仙童留下的另一个"工具"是无形的：阿瑟·洛克设计的那笔投资（分期注资 + 管理层期权），成了现代风险投资交易结构的模板；员工持股也从这里开始成为硅谷的标配。制度设计和工艺一样，是可以被后来所有公司复用的发明。

梅特卡夫定律与 EdgeRank（Facebook）：图论 × 排序算法

Facebook 的护城河可以用一条经验定律刻画——梅特卡夫定律：网络的价值正比于节点间可能的连接数，即

$$V \propto \frac{n(n-1)}{2} \approx n^2$$

用户越多，关系链越密，迁走一个用户等于要他放弃整张关系网——这就是社交产品天然垄断的数学解释。

信息流排序早期用的是 EdgeRank，每条内容对某个用户的得分由三个因子相乘：

$$\text{Score} = \sum_{\text{edges } e} u_e \cdot w_e \cdot d_e$$

$u_e$ 是亲密度（你和发布者的互动强度），$w_e$ 是边权重（评论 > 点赞 > 浏览），$d_e$ 是时间衰减。这个公式后来被机器学习排序（GBDT，再到深度学习）取代，但"用户关系 × 内容类型 × 时效“的三因子结构至今仍是推荐系统的基本骨架。好友推荐则是图上的链接预测（共同好友越多，越可能认识——三角闭合原理）；后期还加上 DeepFace 人脸识别。可以说 Facebook 是把"人类社会关系"图论化、算法化最彻底的公司。

数据飞轮与端到端网络（特斯拉）：自动驾驶的方法论革命

特斯拉在算法上的底牌不是某个单点模型，而是一套数据飞轮机制：

flowchart LR
    A["车队影子模式<br/>人类开车时默默采集数据"] --> B["云端筛选<br/>高价值片段"]
    B --> C["训练神经网络<br/>Dojo 超算"]
    C --> D["OTA 下发<br/>车队升级"]
    D --> E["模型变好<br/>采集到更好的数据"]
    E --> A

FSD V12 更进一步：用端到端神经网络（传感器视频进、驾驶指令出）替代了三十多万行手写的感知-规划规则代码，同时配合 HydraNet（多头共享主干的多任务网络）和 Occupancy Network（占用网络，把三维空间体素化）。这和摩尔定律/香农公式是同一类启示：当一个领域可以从"手写规则"切换到"数据驱动"时，该领域的旧玩家积累会瞬间贬值——这正是 AI 大模型正在各行各业做的事。

3.3 一个值得记住的横向规律

把这些底牌摆在一起，能看到一个清晰的模式：

flowchart LR
    A["数学/算法突破<br/>信息论 · 关系模型 · PageRank<br/>RSA · Dijkstra · Transformer"] --> B["工具化<br/>UNIX · SQL · 浏览器 · 路由器"]
    B --> C["商业模式接住<br/>授权 · 广告拍卖 · 卖水"]
    C --> D["浪潮之巅"]
    A -.->|"缺了这一步"| E["贝尔实验室式悲剧<br/>发明无数，收割寥寥"]
    B -.->|"缺了这一步"| F["Sun 式悲剧<br/>Java 改变世界<br/>却没赚到钱"]

• 算法本身几乎从不直接赚钱——信息论、PageRank、Transformer 都是公开发表的；
• 赚钱的是把算法工具化、再用商业模式接住的那一步；
• 所以对程序员创业的真正启示是：盯紧公开的算法突破（它们是免费的），竞争发生在工具化和场景化这两层——这正是今天 AI 应用创业的主战场。

四、浪潮的幕后推手：风投、投行、斯坦福、印钞机与金融风暴

前面十三章讲的是浪尖上的公司。《浪潮之巅》后半部分把镜头拉远，讲了造就浪潮的生态系统：钱从哪来（风险投资）、怎么退出变现（投资银行）、人才和点子从哪来（斯坦福大学）、什么样的生意最赚钱（印钞机商业模式）、以及整个系统什么时候会崩（金融风暴）。这部分对想创业的程序员其实比公司故事更实用——因为公司故事你只能旁观，生态规则你却天天在用。

4.1 风险投资：浪潮的放大器

内容：现代风险投资正是从仙童那笔投资（阿瑟·洛克牵线）开始的，此后红杉资本（投了苹果、思科、雅虎、Google）、KPCB 成为硅谷的造王者。VC 的运作结构是：

flowchart LR
    A["LP 有限合伙人<br/>大学基金/养老金/富豪<br/>出钱不干活"] -->|"注资"| F["风险投资基金<br/>10 年周期"]
    G["GP 普通合伙人<br/>基金管理团队"] -->|"管理"| F
    F -->|"分阶段下注<br/>天使→A→B→C"| S1["创业公司 A"]
    F --> S2["创业公司 B"]
    F --> S3["创业公司 C...N"]
    S1 -.->|"IPO / 并购退出"| R["收益分配<br/>LP 拿 80%<br/>GP 拿 20% 分成 + 2% 管理费"]
    S2 -.->|"大概率失败归零"| X["幂律分布：<br/>1-2 家赚回整个基金"]

规律：

• VC 不是发明家，是放大器——它只押注浪潮方向，然后在方向上批量下注；
• 收益服从幂律分布：一个基金投二三十家，绝大部分平庸或死掉，靠一两家百倍回报回本。这决定了 VC 只投"天花板足够高"的生意——你的生意如果做大了也只有几亿市值，VC 不会感兴趣，这不丢人，只是不匹配；
• 拿 VC 的钱 = 签下对赌：烧钱换增长，赌的是 exit（上市或被收购）。

AI 时代的新思路：

• AI 时代的 VC 出现了新变体：算力换股权——微软投 OpenAI 的对价大部分是 Azure 算力额度，投资款又以云服务消费的形式回流。创业者拿谁的钱，就绑定了谁的生态，这个决策比估值高低更重要；
• AI 杠杆让单家公司需要的资本大幅下降（三个人 + 大模型能干过去三十个人的活），天使轮/A 轮的逻辑正在被重写：不缺钱的项目可以更晚融资、要更好的条款；
• 对个人的启示：理解幂律也适用于职业选择——你加入哪家创业公司，本质就是把自己的时间当成 LP 出资，要选那个"成了能改变量级"的池子。

4.2 投资银行：科技公司变现与退出的管道

内容：投行是科技公司和公开市场之间的管道：承销 IPO（定价、路演、分销股票）、撮合并购。书里对投行的评价是"成也萧何，败也萧何”——没有投行，科技公司无法变现、创始人和员工的股票无法变成真金白银；但投行为了佣金也有动力吹大泡沫（2000 年互联网泡沫里，投行把一堆亏损公司包装上市）。

创新工具与数学：

• 估值工具：DCF（现金流折现）、可比公司倍数——给"未来"定价的一套话术体系；
• Google 的荷兰式拍卖 IPO（2004）：Google 不信任投行定价，改用拍卖机制让市场竞价决定发行价——这本身是博弈论机制设计的应用，绕开了投行压价分给机构客户的潜规则。

AI 时代的新思路：

• AI 公司给投行出了新难题：模型能力和数据资产怎么估值？ 传统的 DCF 和可比倍数面对"三个人的团队年入一亿美元"（如 Midjourney 这类案例）已经失灵——估值锚在漂移，既是混乱也是机会；
• 创业公司要提前想好退出路径：是上市（需要规模和合规），还是被收购（需要战略价值）。AI 时代"被巨头收购"的路径更短——很多团队冲着 acquihire（人才收购）去创业，这本身也是一种理性策略。

4.3 斯坦福大学：硅谷的人才与创新发动机

内容：硅谷之所以在硅谷，而不是在波士顿 128 号公路（当年东海岸科技更发达），很大程度上因为斯坦福。特曼教授（Frederick Terman）鼓励师生创业，促成了惠普的车库传奇；斯坦福工业园把土地租给科技公司，让企业和学校物理上长在一起；**技术许可办公室（OTL）**让教授的发明可以系统性地授权给公司。雅虎、Google、思科、Sun——书里一半的主角都是斯坦福师生创办的。背后还有一个制度工具：美国 1980 年的 拜杜法案（Bayh-Dole Act），允许大学持有联邦资助研究的专利并对外授权，一举打通了"国家出钱研究 → 大学持有专利 → 企业付费转化"的链条。

规律：

• 大学对产业的贡献不是发论文，而是制度设计：让人才能自由流动（教授可以停薪留职创业）、让成果能合法变现（OTL + 拜杜法案）；
• 对比之下，东海岸高校把发明锁在专利柜里，128 号公路最终被硅谷超越。

AI 时代的新思路：

• 这波 AI 浪潮里，大学的位置明显弱化——算力和数据都在工业界，顶尖人才从大学流向 OpenAI 和各大厂实验室。创新的源头正在从"大学 + 公司"双引擎变成公司单引擎；
• 对程序员个人的启示：如果你没有斯坦福，就自己建一个"微生态"——开源社区、技术社群、行业人脉就是个人的 OTL。在 AI 时代，个人的技术影响力（GitHub、博客、开源项目）是可以直接变现为机会的资产。

4.4 印钞机：什么样的商业模式最赚钱

内容：书里专门有一章讨论"印钞机"式的商业模式——一旦建成，不需要太多人工干预就能持续自动赚钱的系统：

判断标准（自查清单）：能不能自动化运转？边际成本是否趋近于零？能不能无限规模化？有没有自增强的网络效应？——四条全中的才是印钞机，缺一条就是苦生意。

AI 时代的新思路：

• AI 让"印钞机"民主化了：一个人 + 一组 Agent，可以运营过去需要一个团队才能跑的自动业务（内容站群、自动客服、自动交易撮合），“一人公司"第一次成为现实选项；
• 但有个关键不同：软件复制的边际成本是零，大模型推理的边际成本不是零（每一次调用都烧 GPU）。所以 AI 时代的印钞机要重新设计定价——从包月订阅走向按量付费、甚至按结果付费（outcome-based pricing：AI 客服按"成功解决的工单数"收费）。谁能设计出"推理成本可控 + 按价值收费"的结构，谁就造出了新一代印钞机；
• 警惕伪印钞机：如果你的"自动化"背后要靠大量人工审核兜底（内容安全、幻觉纠错），那你不是印钞机，是外包公司。

4.5 金融风暴：潮水退去时谁在裸泳

内容：书里复盘了 2008 年金融危机的链条：房贷打包证券化（MBS/CDO）→ 层层加杠杆（投行杠杆高达 30 倍以上）→ 评级机构失灵 → 雷曼兄弟倒闭。对科技业的影响则是：泡沫破裂反而加速了洗牌——手握现金的微软、Google 安然过冬，靠融资续命的公司批量死亡。

背后的数学工具（反面教材）：危机的技术根源之一是高斯 copula 模型（李祥林模型）被华尔街滥用——它假设各笔贷款的违约相关性服从正态分布，严重低估了"一起违约"的尾部风险。模型本身没有错，错的是把模型假设当成了现实。这个教训对所有做模型的人（包括今天的 AI 从业者）都成立：模型的输出只在假设成立的范围内有效。

AI 时代的新思路：

• 危机是最好的创业窗口：Airbnb（2008）、Uber（2009）、WhatsApp（2009）都诞生在金融危机期间——资本贵、人才便宜、竞争少。如果 AI 投资热退潮，恰恰是真创业者的好时候；
• 现金流纪律：书里的幸存者是现金储备厚的公司。AI 创业同理——推理成本是持续出血点，毛利为负的增长是自杀，runway 永远比增长率重要；
• 当下 AI 数据中心军备竞赛与 2000 年光纤泡沫的对照值得每个从业者想一遍：2000 年铺的光纤没有白铺（后来都成了互联网的地基），但铺光纤的公司死了一大批——技术判断对了 ≠ 投资判断对了。参与浪潮的方式有很多种，押错位置照样出局。

五、把规律汇总：一张图看 40 年的浪潮更替

timeline
    title 信息技术浪潮更替（《浪潮之巅》视角 + AI 时代延伸）
    1957 : 硅谷起点 : 八叛徒创立仙童 : 集成电路 + 风险投资诞生
    1960-1980 : 大型机时代 : IBM 独大 : 贝尔实验室发明晶体管/UNIX
    1980-1990 : 个人电脑时代 : 苹果开创 : 微软+Intel 收割（Wintel）
    1995-2000 : 互联网时代 : 网景点火 : 思科卖水 : 雅虎定义门户
    2000-2010 : 搜索与Web 2.0 : Google 登顶 : 泡沫破裂洗礼
    2004-2014 : 社交网络 : Facebook 垄断社交图谱 : 特斯拉开启电动化
    2007-2018 : 移动互联网 : iPhone 重新定义一切 : 诺基亚/摩托罗拉出局
    2016-至今 : 云计算与AI : 微软Azure翻身 : 英伟达成为新Intel
    2022-未来 : 大模型时代 : OpenAI点火 : 格局未定 : 新生态位待抢

从这张图能看到几个事实：

1. 每一波浪潮的主角，上一波都不存在或不成气候——PC 时代的微软、互联网时代的 Google、移动时代的苹果（重生）、AI 时代的 OpenAI，都是新公司或"重生公司”；
2. 浪潮间隔在缩短：大型机 20 年，PC 15 年，互联网 10 年，移动 10 年，大模型这一波可能 5-8 年就完成格局固化；
3. 每一波都有"卖水人"：Intel（PC）、思科（互联网）、英伟达（AI）——卖水人比淘金者活得久。

六、我的思考与感悟

6.1 浪潮不是运气，是可以识别的

读完这本书最大的安慰是：浪潮来时是有信号的——技术突破（大模型通过图灵测试级别的对话）、成本骤降（推理价格两年降了 100 倍）、基础设施就绪（云 + GPU + 开源生态）、杀手应用出现（ChatGPT 两个月破亿用户）。2022 年之后，所有信号都齐了。识别浪潮不难，难的是承认自己所在的是旧浪潮——这对在传统软件行业干得好好的程序员尤其残酷。

6.2 “基因决定论"也适用于个人

书里说公司转型难是因为基因。我想到程序员个体也一样：写了十年 CRUD 的人，不是学不会 AI 应用开发，而是看问题的基因已经固化——习惯想"怎么实现需求”，不习惯想"模型能做到什么边界、边界外怎么兜底"。转型不是学几个 API，而是换一种思考方式：从"确定性编程"转向"概率性系统设计"。

6.3 每一波浪潮最大的悲剧都是同一个

网景的悲剧是"帮巨头验证市场"，Sun 的悲剧是"有影响力没变现"，雅虎的悲剧是"把核心能力外包"。这三个悲剧在 AI 创业圈每天都在发生。我给自己列了三个自查问题：

1. 如果明天模型能力提升 10 倍，我的产品是更值钱还是归零？（归零的就是网景型产品）
2. 我的核心差异化，是在我手里，还是在模型厂商手里？（外包了核心的就是雅虎型产品）
3. 我现在的收入，会不会变成阻止我转型的诺基亚式诅咒？（旧业务越舒服越危险）

6.4 对"程序员创业"最现实的一句话

《浪潮之巅》里所有成功的技术创业，无一例外是：技术突破 × 正确的时机 × 匹配的商业模式。程序员往往只有第一个，高估第一个，低估后两个。盖茨赢不是赢在 BASIC 写得好，是赢在"授权不转让"的商业模式；Google 赢不只是赢在 PageRank，是赢在 AdWords；思科赢在"互联网淘金热里卖水"。

AI 大模型时代对程序员创业最大的利好是：技术门槛被模型拉平了——你不需要是佩奇才能做出聪明的产品。但这也意味着竞争的焦点彻底移向了商业模式和场景理解。这对只懂技术的程序员是坏消息，对愿意补齐商业思考的程序员，是几十年一遇的好消息。

七、给程序员的行动清单

综合全书规律和 AI 时代的现实，我自己的行动清单：

flowchart TD
    A["识别自己在浪潮中的位置"] --> B{"你的产品是哪种类型？"}
    B -->|"卖水型<br/>基础设施/工具链"| C["深耕<br/>这是最长命的位置"]
    B -->|"垂直应用型<br/>行业+AI"| D["挖深护城河<br/>数据/资质/交付"]
    B -->|"功能套壳型"| E["立刻转型或止损<br/>这是网景的命运"]
    C --> F["警惕云厂商下场<br/>往深水区走"]
    D --> G["警惕巨头捆绑<br/>做平台不方便做的事"]
    E --> H["把积累的认知<br/>转向 1 或 2"]

具体建议：

1. 不要把时间花在套壳上，花在"模型 + 行业数据 + 工作流"的耦合处；
2. 保持对基础设施层的关注（卖水人最长寿），哪怕不创业，职业方向上也值得靠；
3. 每 18 个月做一次摩尔定律自查：我的技能和产品，跟上模型能力的进步了吗？
4. 学盖茨的商业模式思维，学格鲁夫的断腕决断，学安德森的快速转身——这三样比学任何框架都重要；
5. 记住浪潮的窗口期：格局固化（70-20-10）之前的窗口大约是 5-8 年。大模型这波从 2022 年算起，留给新玩家的窗口还有，但在收窄。

八、结语

吴军在书里写过一句话（大意）：在浪潮之巅的公司，不是最努力的，而是最幸运的——恰好站在了浪尖上。 但通读全书你会发现，“幸运"其实有结构：站在浪尖的公司，都是在新旧浪潮交替的混沌期就下了注的公司——盖茨在大型机向 PC 过渡时下注，佩奇在门户向搜索过渡时下注，乔布斯在 PC 向移动过渡时下注。

今天的 AI 大模型，就是这样一个新旧交替的混沌期。窗口开着，但不会一直开着。

这本书值得每个程序员读一遍，而且每隔几年重读一遍——因为你所处的浪潮位置变了，读出来的东西会完全不一样。

延伸阅读：

• 吴军《数学之美》——同作者的技术方法论，笔记见本站《数学之美》学习总结
• Paul Graham《黑客与画家》——创业方法论的另一极，笔记见本站《黑客与画家》创业学习笔记

• 读书笔记

• 浪潮之巅
• 吴军
• 创业
• 程序员
• AI
• 大模型
• 读书笔记

方糖猫（大可）

18 年后端架构，现在独立做 AI 产品。这里记录 AI 视频、AI Agent 与工程实践。