课代表立正

对话 320｜别人眼中的死局，他如何反复做成大生意？｜宝二爷

别人眼里的死局，宝二爷怎么把它谈成赚钱的生意？ 矿机厂急着还债，机器却卖不掉；交易所没什么生意，手里有闲置的币；矿场挖出的币只够交电费，眼看就要停机。背着100万高利贷的宝二爷，把这三方接到了一起。按他的回忆，这笔合作后来做成了全球最大矿场，而他自己的钱基本没花，却拿到了股份和分红。 这次和郭宏才（宝二爷）聊的，是“攒局”与“破局”，也是课堂之外的Street Smart：怎样看清别人最着急解决什么，找到自己能接下的部分；怎样谈付款方式、分工和回报，让几方都愿意加入，把原来做不成的事情做成。 完整会员版：https://youtu.be/WbTDLpFaCqg 他也讲了其他几次具体的机会：市场担心以太坊转PoS，矿机没人愿意接，他怎样打听信息、谈下定金，再用挖矿收入支付余款？与比特儿合伙做ICO平台时，技术由合作者负责，他为什么愿意接下运营和国内官司？没有清华学籍，他又怎样在校园做起网络电话生意、走进创业者的圈子？话费不赚差价，最后到底得到了什么？ 攒成一局以后，也有看错的时候。10元买入以太坊，后来却把手里的ETH全部换成ETC，为什么损失惨重、连矿场也赔了进去？从借钱买币到组织矿场合作，再到几次翻身与失手，我们追问他怎样判断机会、处理风险，以及每一次选择实际付出的代价。 沿着这些经历，也能听到早期币圈生意怎样发展：USDT的合作与流动性、币安早期项目、股份纠纷、和解与慈善。最后，我们聊到他为什么选择住在硅谷，以及他对比特币、美元稳定币、美股代币化和永续合约的判断。 文字版+完整视频：https://www.superlinear.academy/c/recording/chandler-guo AI Builders课程： https://ai-builders.com/ 章节： 00:00 开场：宝二爷的币圈起落 00:44 为什么想跟宝二爷聊江湖智慧？ 03:03 借100万高利贷买币，遇上熊市 05:32 三方各有难处，这笔矿场生意怎么谈成？ 10:58 赚到钱的矿场合作，为什么还是结束了？ 12:42 10元买入以太坊，接下无人愿接的矿场 15:11 换成ETC，为什么又走到破产边缘？ 16:03 技术、运营与官司：和比特儿合作做ICO平台 19:44 USDT早期合作，以及交易所的变化 22:56 股份纠纷、和解与慈善 25:32 没有清华学籍，怎样走进校园创业圈？ 29:13 话费不赚差价，这门生意赚什么？ 31:23 从卖牛肉到币圈：他怎样看行业规则？ 33:29 为什么选择硅谷？他申请“杰出人才”的经历 35:16 他是怎么认识V神的？ 36:31 发币、筹码与交易所的赚钱方式 38:17 稳定币与美股代币化：金融会怎样变？ 40:12 比特币的价格与流动性：他的判断依据 41:54 稳定币与永续合约，分别改变了什么？ 44:21 私钥丢了，钱到底去了哪里？

立正说 215｜如何炒作一个AI概念？以Jev为例…

为什么论文读了、代码跑了，还是会被 AI 热点带偏？你可能验证了它说的是真的，却没有发现：连“什么叫厉害”，都是它替你定义的。 Jev 比大语言模型更快、更便宜，就意味着它是下一代技术范式吗？这和拿“有没有薄肌”去跟马斯克比，有什么相似之处？本期我用 Jev 拆解一套判断新技术的五步方法：理解原理、明确适用边界、建立评价标准、找到真正的比较对象，最后再决定它值不值得投入。 很多人读过原文、试过产品，却仍然沿着发布者的叙事往下推。一个符合期待的故事，加上技术博主的背书和平台流量的放大，就容易让人误以为“所有懂行的人都在看好”。而认真比较后说“不必追”的人，反而可能被当成没看懂。 从 Jev 到 MCP、LangChain 和 OpenClaw（小龙虾），我会具体讲：怎样找到被宣传省略的替代方案，为什么判断力不能靠记住结论来获得，以及当公司里所有人都在追热点时，如何通过做出更好的方案，让不同意见真正被听进去。 本期文章、技术细节与历史判断： https://www.superlinear.academy/c/ai-resources/ai-builders-learning-path AI Builders 课程： https://ai-builders.com/ 你最近遇到过哪个“大家都说必须学”的 AI 新技术？欢迎在评论区分享，也欢迎带着具体依据来讨论。 章节： 00:00 新技术范式，还是又一轮炒作？ 01:44 判断技术，先看它选了谁当对手 03:25 判断新技术的五步框架 04:27 Jev 到底在做什么？哪些方法也能做到？ 05:17 比速度和价格之前，先看这四个指标 05:57 换个比较对象，Jev 还值得追吗？ 07:08 “为机器而生”的故事，为什么那么吸引人？ 09:03 看懂论文的人，为什么也会放大炒作？ 10:38 为什么看懂后反对，反而被当成不懂？ 12:15 用同一套方法，看 MCP、LangChain 和小龙虾 13:52 反对一个方案，得拿出什么替代？ 14:41 判断力最难的一步，为什么靠背结论学不会？ 16:02 在公司里，怎样让不同意见被听进去？ 17:06 课程更新：从理解结论，到亲手实现和比较

立正说 214｜2026年了，大多数人仍然不理解自媒体的真正价值

AI让做产品越来越容易，为什么钱反而可能被离产品更远的人赚走？ 会员抢先看｜本期提前7天向会员开放，之后向所有观众公开。 这期我会拆解自己不接商单、靠课程和会员内容变现的做法。从制造业、电商和餐馆选址，到我自己做自媒体的经历，我们一起看清：当生产越来越卷，利润为什么会流向掌握渠道的人。 但“做渠道”到底意味着什么？为什么产品做得好，不等于生意能做起来？为什么平台上有10万粉丝，也未必能让真正想看的人看到你的内容？我会把分发拆成“触达”和“转化”，再讲一个具体目标：积累5000个因为认可你而主动订阅的人，建立一条自己能长期经营的渠道。 章节： 00:00 做得出产品，为什么还赚不到钱？ 00:39 为什么我又开始劝朋友做自媒体？ 01:47 不接商单，我靠什么养活自己？ 02:52 谁掌握稀缺环节，谁拿走利润 04:29 AI产品，会不会卷成下一个制造业？ 06:12 分发就像选址，决定生意的上限 08:23 让人看到你，和让人愿意买，是两回事 10:00 产品和渠道，你真正的优势在哪？ 10:50 想靠副业摆脱工作，先别把它当“顺便做做” 12:58 5000个订阅者，为什么可能撑起一门生意？ 14:06 有10万粉丝，为什么还是触达不了他们？ 15:37 怎样把平台流量，积累成自己的渠道

对话 319｜硅谷AI高手们，正在操作几百个AI同时上班｜Github七万星Orca创始人津晶对话

开5个AI窗口就忙不过来，一个人怎么管400多个任务？ 这次和Orca联合创始人津晶聊的，就是她和重度用户已经在用的一套工作方式：让Claude Code指挥Codex，把需求、设计、开发、测试串成流程；把发布、用户反馈等重复工作交给定时运行的Agent；人负责设定目标、关键决定和最终验收。 她管理的400多个任务分处不同阶段，其中约一半已经在按固定流程自动运行。更值得追问的是：怎样让更多工作同时往前走，又不把自己变成每个AI的监工？ 这套方式也体现在Orca自己的团队里。录制时只有4个人，他们每天发布一个稳定版本，每版包含上百个PR。后半场，我们继续拆解：为什么他们不怕被OpenAI和Anthropic“顺手做掉”？为什么每做一个新产品，都要深入访谈约100位用户？把95%的时间花在产品上，增长又从哪里来？最后，津晶也分享了她看好的几类AI创业机会。 Orca：https://github.com/stablyai/orca 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。 章节： 00:00 开场：一个人，几百个AI任务 01:03 Orca解决了Claude Code的什么问题？ 03:00 ADE和Harness，究竟差在哪？ 08:00 AI越来越多，人的注意力怎么分配？ 11:27 为什么不怕被OpenAI和Anthropic做掉？ 16:59 一个好用的AI工具，难在什么细节？ 21:17 400多个任务，怎样做到不用逐个盯？ 27:18 这么多Agent，一个月要花多少钱？ 32:50 从Google到YC，她如何连续把产品做起来？ 37:29 95%的时间做产品，增长从哪来？ 42:59 访谈100个用户，怎样问出真正的需求？ 47:40 用户意见那么多，最后该听谁的？ 52:22 大厂跑得这么快，她为什么还不焦虑？ 57:50 接下来的AI创业机会，她看好哪三类？

• Transcript

立正说 213｜职场不再奖励表演式工作，晋升要对结果负责

当 AI 几分钟就能写出一份漂亮汇报，靠向上管理升职的路，还能走多久？ 我曾在腾讯管理三十多人的团队，擅长做汇报、协调上下游，也得到老板和团队的认可。后来，我离开大厂，加入早期的 Statsig，想离真正的结果近一点，却发现：创业公司也逃不开 Fake Work。 “表演式工作”最危险的地方，是它真的能让你拿到好绩效，甚至让你相信自己一直在进步。当 AI 让这些“工作证明”越来越便宜，又让一个想法更快接受现实检验，职场的奖励规则会怎样改变？为什么假工作可能先暴增，再失去溢价？ 这期也会聊一个更具体的问题：你手上的工作，哪些值得继续做，哪些可以交给 AI，哪些应该先删掉？不妨带着这个问题来看：如果我的产出增加十倍，结果真的会更好吗？ 00:00 AI 来了，向上管理还吃香吗？ 02:06 你在创造价值，还是制造工作感？ 04:08 比白忙一天更危险的，是误以为自己在进步 05:24 从腾讯到 Statsig，我还是没躲开 Fake Work 08:15 为什么交接越多，越没人对结果负责？ 10:30 AI 越强，为什么假工作反而先变多？ 12:16 当“工作证明”不再值钱，公司会追问什么？ 12:53 从想法到现实，AI 缩短了哪一段路？ 16:45 岗位还在，议价能力却可能先消失 17:28 产出翻十倍，结果会更好吗？ 18:51 哪些工作该保留、交给 AI、直接删掉？

• Transcript

立正说 212｜老东家被OpenAI以11亿美元收购，我为什么选择全职卖课？

老东家被 OpenAI 收购，顶级投资人愿意投我，为什么我选的却是全职卖课？ 一年前，戴雨森说，如果我以后创业、有亲友轮，他很愿意支持。那时我还没有具体的创业点子，这份对人的信任给了我很大的鼓舞。但我最后没有去下一家公司，也没有走融资创业的路。38岁生日，也是全职做自己事业一周年，我想聊聊这个选择：创业者的光环、资源和圈层都很诱人，为什么我还是认准了 AI 教育？ AI 让我们能做的事越来越多，什么才值得投入未来十年、二十年？从3000多名学员的课程，到两万多人的社区，再到 Stay Superlinear 会员，我不断尝试的背后，是同一个问题：怎样帮助人在 AI 时代找到自己的能力、热爱，并做出自己的代表作。这期也聊聊，如何认准一个值得长期解决的问题，同时让具体做法不断接受市场和用户的检验。 章节： 00:00 顶级投资人愿意支持，我为什么没去融资创业？ 01:55 不再打工之后，最难放下的是什么？ 03:18 AI 来了，为什么我觉得教育比再做一个 App 更重要？ 04:28 AI 最擅长的，恰好是我们被训练去做的事 06:01 3000多名学员，让我更确定了什么？ 06:53 热爱还不够，怎么知道自己做对了？ 07:49 为什么两万多人的免费社区还不够？ 08:56 未来3年、10年、20年，我到底想做成什么？ 09:46 一年后的变化，为什么要从今天开始？ 课程：https://ai-builders.com/ 社区：https://www.superlinear.academy/

• Transcript

立正说 211｜AI已经用得很好，为什么还是怕被淘汰？

我以前总说，焦虑的反义词是行动。但后来发现，连AI已经用得很好的人，也会焦虑。工具买得越来越多，新概念追了一轮又一轮，为什么还是觉得自己落后了？ 读到《道德经》第三章，我才把这件事拆开：怕自己被淘汰的身份焦虑，总觉得还缺一个工具、一门课的物质焦虑，以及每次新发布都必须追的信息焦虑。 这期聊聊这三种焦虑是怎样被制造出来的，以及各自该怎么应对。为什么收藏技术“名词”代替不了拆任务、整理上下文、评估结果这些“动词”？为什么看别人的成果会焦虑，看懂他们失败、取舍和迭代的过程，反而知道自己可以从哪里开始？行动要落到具体问题上，才有机会让人踏实下来。 章节： 00:00 AI用得很好，为什么还是焦虑？ 01:37 身份焦虑：我是不是要被淘汰了？ 05:42 物质焦虑：用购买和收藏换安心 09:09 用好AI，靠的是“动词” 11:29 信息焦虑：每个新东西都必须追吗？ 14:27 少追热点，理解什么值得学 17:36 行动怎样缓解三种不同的焦虑 原文4月份发布在社区里：https://www.superlinear.academy/c/ai-resources/anxiety

• Transcript

对话 318｜GPT-6虽然厉害，但无法取代人，原因是

AI 把每个人的简历改得更漂亮，把面试答案练得更标准，也在把越来越多的 hard skills 蒸馏进模型。等技能变得容易复制，员工、创业者和求职者还凭什么被选择？徐老师在这节大师课里给出的答案，不是再学一个工具，而是建立别人无法临时生成的信任。 AI literacy 当然必须学，但它更像进入 AI 生态的热身，而不是终点。徐老师借 Sam Altman 与 Greg Brockman 的故事，解释一段没有预设回报的关系，为什么可能在十几年后的关键时刻产生价值；我们也复盘了自己从一次主动联系到多年合作的经历，以及为什么很多后来被称为“贵人”和“运气”的连接，在发生时根本无法提前识别。 长期信任无法速成，但招聘、求职和融资常常要求我们在几个小时，甚至五分钟内作出判断。当简历和面试都经过 AI 包装，陌生人之间还能看什么？徐老师给出了一条很具体的路径：不要急着介绍自己，先理解对方最近真正关心的问题，再提出一个有根据、略有不同的判断。抓住注意力的底层不是话术，而是你是否真的理解了这个人和这件事。 章节： 00:00 开场：AI 时代什么才真正稀缺 00:27 AI literacy 只是热身 01:22 Hard skills 正被模型蒸馏 02:07 为什么信任更难复制 02:28 Sam Altman 与 Greg Brockman 的故事 03:43 我和徐老师怎样认识 05:53 贵人、运气与无法预见的机会 07:03 为什么创业搭档常是旧识 07:22 AI 简历和面试之后，招聘还能看什么 08:16 五分钟内如何获得对方注意 09:21 后续大师课预告 完整大师课回放：https://www.superlinear.academy/c/masterclass-recording/sections/1135481/lessons/4339638

• Transcript

对话 317｜2026年，硅谷创投，几乎不看AI应用了？｜硅谷一线投资人周楠

完整版1小时50分钟：https://youtu.be/BseWUBpOHY4 2017—2018 年，当不少出资人还把 AI 看成“不靠谱、太烧钱”的赛道，周楠参与筹备的一支 AI 基金，待投项目里已经有 OpenAI、Databricks 和 Cerebras。基金最终没有募成，这些机会也就这样错过。在那前后，她早期投资了 Cerebras；几年后，又参与了 Scale AI 投资。她由此形成了一条很硬的投资纪律：一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 但“在共识之前看见”并不等于凭感觉押注。周楠会看非常具体的信号：为什么八十多位创始工程师、六十多位博士愿意再次追随 Cerebras 创始人；自动驾驶退潮之后，Scale AI 如何迅速转向公共部门；Alexander Wang 又如何用一段 28 分钟的视频，把公司的历史、客户迭代与未来愿景讲清楚。所谓投资直觉，背后其实是对工程、市场、团队和执行风险的一层层拆解。 这期对话也回答了几个创业者更直接的问题：技术团队很强，为什么 VC 可能五分钟就决定不投？AI Agent 即使能赚钱，为什么仍未必是一家适合风险投资的公司？垂直数据不再天然构成优势之后，真正的机会为什么更可能藏在完整、复杂、高价值的工作流里？机器人怎样跨过 Demo、部署、数据闭环与 ROI 之间的鸿沟？以及大厂技术人创业，最容易犯的三个错误是什么？ 嘉宾： 周楠：硅谷科技投资人。录制本期时任高通创投投资合伙人；曾在百度从事 AI 与芯片投资，是 Cerebras 早期投资人，并参与 Scale AI 投资。 章节： 00:00 精彩预告 00:47 为什么共识形成以后再下注已经太晚 04:49 基金规模如何决定投资打法 06:43 十年前注意到 Scale AI，为什么没有立刻投 10:30 Scale AI 如何穿越自动驾驶退潮 14:48 Cerebras：Transformer 之前的算力下注 20:38 投资直觉如何经由风险拆解验证 22:32 什么才是足够大、足够难的问题 25:31 技术很强，为什么 VC 五分钟就会拒绝 30:09 OpenAI、Databricks 与那支没募成的基金 36:53 垂直 Agent 真正还剩什么机会 39:15 Physical AI：Demo、部署与数据闭环 42:32 Token 如何改写硬件商业模式 44:40 能赚钱的产品，为什么未必值得 VC 投 45:35 从 Demo 到量产：什么是“暂时的 PMF” 47:12 这一轮 AI 接近收割，下一个周期在哪里 52:44 为什么正确的建议也可能毫无用处 55:26 大厂技术人创业的三个误区 57:48 什么样的创始人真正 coachable 59:42 不追热点，AI 时代谁不容易被淘汰 1:00:41 现在还该创业吗？一定要拿 VC 钱吗 1:01:50 怎样讲出能打动一线 VC 的故事 #AI投资 #创业 #风险投资 #OpenAI #ScaleAI 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。

• Transcript

立正说 210｜Hypothesis Testing Explained｜假设检验详解：Alpha、Beta、Power、MDE与样本量

假设检验详解（Hypothesis Testing Explained）：从第一性原理理解Alpha（α）、Beta（β）、统计功效（Power）、MDE、标准误与样本量。视频为英文讲解，已提供简体中文字幕；内容也涵盖原假设/备择假设、第一类/第二类错误与临界值。 中文技术伴读（含公式、视频截图与常见误解）： https://www.superlinear.academy/c/posts/hypothesis-testing-alpha-beta-power-mde 【为什么重新上传】 这期视频最早由我和Statsig数据科学团队在2024年共同制作，并发布在Statsig的YouTube频道。后来Statsig不再使用那个频道，原视频也不再在线，所以我把最终版本重新上传到自己的频道，方便需要的人继续观看。 Hypothesis testing explained visually and from first principles: null and alternative hypotheses, standard error, Type I and Type II errors, alpha, beta, statistical power, minimum detectable effect (MDE), critical values, and sample size. Many textbooks blur Fisher’s significance testing with the Neyman–Pearson decision framework. This tutorial separates the two, then reconnects the concepts into one coherent experimental design. You’ll learn: • Null vs. alternative hypotheses • Standard deviation vs. standard error • Type I error, alpha, and critical values • Type II error, beta, and statistical power • How sample size changes power and MDE • Minimum Detectable Effect (MDE) • Common misconceptions about p-values and “accepting” H₀ This video was originally produced with the Statsig data science team in 2024 and refined through six versions. 00:00 Why hypothesis testing matters 02:46 H₀, alpha, and the critical value 06:41 H₁, beta, and statistical power 09:26 Statistical power in three views 11:23 MDE, standard error, and sample size 14:26 Common misconceptions and practical takeaways 15:41 Conclusion Presented by Yuzheng Sun, PhD.

• Transcript

对话 316｜让心自由，才能更好地活着｜对话《金刚经50讲》王路

完整版+文字解读：https://www.superlinear.academy/c/recording/wanglu 如果 AI 不会真正地痛苦，它就谈不上“成佛”；如果钱已经够了，我们仍然放不下成功，真正驱动我们的可能也不是钱。 这两个看似很远的问题，在这场对话里被王路用“无我”和“应无所住”串到了一起。在他看来，AI 是否可能成为佛教所说的“有情”，要看它是否拥有无法无损复制的经验和真实的痛苦；而人能否看清自己对成功的不甘，则要先分清收入、流量、title 等代理指标，与被认可、被尊重或创造价值这些更深层的需求。 我们从经、律、论和阿毗达磨讲起，梳理部派佛教、大乘、中观、唯识、如来藏与禅宗之间的关系，也追问：大乘经典即使并非佛陀的逐字原话，为什么仍可能延续了他没有被充分写下的精神？“应无所住”为什么不是把心擦成一面干净的镜子，而是不要把持续变化的人和世界钉死在某一个切片上？ 讨论也落到了一些很具体的生活问题：普通人读《金刚经》到底有什么用；轮回如何作为一种无法证伪、却能改变行为的叙事；禅修为什么不应该以“灵魂出体”等特殊体验作为进步的标准；把商业包装成“发愿”会给自己带来什么问题；以及简历、人设和个人品牌如何既帮助传播，也可能把变化中的人固定成一个标签。 嘉宾： 王路：学者、作者，得到《金刚经》课程主讲人；长期写作佛教议题，主要研究说一切有部阿毗达磨。 章节： 00:00 精彩预告与嘉宾介绍 01:19 阿毗达磨与佛教谱系：大乘如何继续解释佛陀 13:52 “应无所住”：不要把变化中的世界定格 21:28 普通人读《金刚经》有什么用 24:37 唯识、AI 意识与“有情”的边界 30:00 阿罗汉、涅槃与人为什么需要宗教 35:26 禅修为何不该追求特殊体验 42:46 法布施、发愿与人的混合动机 50:58 标签、人设与“凡所有相皆是虚妄” 59:29 内卷、成功焦虑与真正的需求 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy/，或下载App：超线性学院。 频道周边：https://shop.lizheng.ai/

• Transcript

立正说 209｜为什么多数赚钱好生意，不会被你看到？

一门生意可以持续赚钱，为什么拿了 VC 的钱以后仍然可能“不合格”？因为融资不是给好生意盖章，而是换了一套成功标准：市场必须足够大、增长必须足够快，最终还要形成可以退出的企业价值。如果不参加这套游戏，长期服务好一群真实客户并持续盈利，本身也可以是一种完整的成功。 我曾参与 Facebook Marketplace 的业务，也在后来被 OpenAI 以 11 亿美元收购的 Statsig 工作。见过高增长 startup 最耀眼的结局后，我自己的选择反而是不拿天使和 VC 的钱，经营 AI 社区、课程、企业培训与咨询。不是因为融资不好，而是 VC-backed startup 和盈利型生意使用两套不同的计分板，也会把创业者带向不同的生活方式。 两条路的共同起点都是 Product-Market Fit：市场是否真的需要你创造的价值。一次与 1Password 的深入沟通，让这种差别变得很具体——此前谈了几轮，对方一直不温不火；当我讲到 AI 企业培训的案例，还没讲完两页，对方就坐直了，开始追问什么时候能开始、多少人参加、具体怎样交付。真正的 PMF 不是你觉得产品很难、技术很强，而是客户会主动跨过摩擦来获得它。 找到 PMF 后，两种模式才开始使用不同的数据。Startup 看市场天花板、增长、retention、ARR 和退出；盈利型生意看成本与售价、复购、LTV 和信任。视频也用“每月新增 1 万用户、月流失 10%”的例子解释：如果留存没有做好，增长只是在更快地耗尽市场。AI 可以降低小团队和一人公司的运营成本，但不会替你找到真实需求。 章节： 00:00 AI 时代，为什么更多人会重新考虑创业 01:31 这期要回答的三个问题 02:27 盈利型生意与 VC 创业，区别到底是什么 04:36 两条路共同的核心：PMF 06:16 1Password 沟通：真正的需求是什么感觉 09:43 技术难度为什么不等于市场价值 11:22 Startup 的计分板：增长、ARR 与退出 13:28 留存如何决定增长上限 15:07 盈利型生意靠什么持续增长 16:40 VC 节奏、一人公司与生活方式 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。

• Transcript

对话 315｜我们把一个世界级的AI大会带到了上海！

AIE 与热闹的大型科技展有什么不同？这场 AI Engineer 大会要求一线团队用短 Keynote 和真实 Demo 讲清楚已经做出了什么。主播从旧金山 World’s Fair 现场出发，也解释为什么决定把它带到上海。 适合 AI 工程师、研究者、技术创业者和正在判断行业方向的人，帮助你了解中美 AI 团队在开源模型、AI Infra、Agent 与 Physical AI 上有哪些不同实践，以及 AIE 上海想连接哪些人。 这期你会听到 • 为什么主播没有去 CES，却认为 AIE 能持续带来认知更新？ • 短 Keynote、真实 Demo 和一线从业者，如何形成 AIE 的工程师文化？ • 中国开源模型受到全球关注后，中美 AI 生态为什么更需要直接交流？ • Cursor、Ollama、Pydantic、Daytona 与中国模型团队将带来哪些实践视角？ • AIE 如何从技术社区聚会成长为全球大会，上海站又会聚焦哪些主题？ 章节 00:00 — 我为什么不去 CES，却来到 AIE 00:19 — AIE 有何不同：短 Keynote、真 Demo 01:45 — AI Engineer 大会首次来到中国 02:33 — 为什么要连接中美 AI 生态 03:03 — 上海站有哪些参与团队 03:50 — AIE 如何从技术社区走向全球 04:33 — OpenAI Jason：从第一届一路看到今天 05:24 — MiniMax：用户会在现场给什么反馈 05:51 — 上海站主题与参与方式 相关内容 观看本期视频版 阅读本期文字稿 AIE Shanghai 2026 时间：2026 年 11 月 5–6 日 地点：上海虹桥希尔顿 活动详情、报名、演讲与赞助申请： https://www.ai.engineer/shanghai/2026 加入Superlinear Academy免费社区 带上正在开发的 AI 产品、基础设施或真实 Demo，和一线 Builder 交流具体问题与实践。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

立正说 208｜AI能“帮”你成为超级个体，但顺序别搞反了

ChatGPT、Claude Code 和自动化工作流能提高效率，却不会自动创造收入。主播以已有 3000 多名付费学员的课程为例说明：好产品仍不会自动卖出去。要经营可持续的超级个体，顺序应是先找到有价值的产品，再解决销售，最后才用 AI 加速兑现。 适合准备从专业人士转向创业者，或已经在经营个人业务的人，帮助你判断当前瓶颈究竟在产品、销售还是效率，并避免用追逐工具代替市场验证。 这期你会听到 • 为什么产品决定价值与理论天花板，销售却决定业务实际能做多大？ • 产品、销售和效率为何需要采用不同的迭代周期？ • 从一对一咨询走向标准化产品时，哪些核心洞察应当保留？ • 为什么效率只能改变兑现速度，不能拯救没有需求的产品？ • 面对不确定性，创业者思维与好学生思维有什么区别？ 章节 00:00 — 为什么要重新审视“超级个体” 01:13 — 从好学生思维转向创业者思维 01:56 — 识别照做就能成功的确定性陷阱 05:25 — 销售决定 One Person Company 的上限 10:11 — 产品、销售、效率及其不同迭代周期 11:56 — 产品可变，核心洞察要持续深化 15:48 — 从一对一咨询到标准化产品 18:01 — 效率影响增速，不决定天花板 19:15 — AI 操作系统不等于某款工具 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 先写下当前业务最卡的是产品、销售还是效率，再带着一个真实案例拆解瓶颈。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

对话 314｜吐槽大厂，做成七位数生意｜The Tech Roast Show访谈

The Tech Roast Show 把对独角兽、高薪和大厂文化的吐槽做成七位数生意，但三位主创没有把辞职包装成勇气故事：微软时期积累的副业、住父母家、Airbnb 收入与政府补助，都是这笔账不可省略的条件。 适合想离开大厂、经营创作事业或组建小团队的人，帮助你诚实核算现金流、支持系统与练习周期，而不是只看成功后的结果。 这期你会听到 • 四个平等合伙人、三名全职员工和十到二十个长期协作者，怎样撑起七位数生意？ • Austin 在微软工作的阶段，为辞职提前铺设了哪些副业条件？ • Jesse 与 Nikita 如何用不同方式降低长期练习的生活成本？ • 为什么房产、Airbnb、家庭支持与政府补助必须纳入辞职叙事？ • 恐惧、喜剧社群与舞台即时反馈，如何把热爱推向持续行动？ 章节 00:00 — 把科技吐槽经营成七位数生意 01:16 — 软件工作与喜剧工作的稳定性 02:12 — 四个合伙人与三名全职员工 03:56 — 印度巡演背后的协作网络与公司化 05:31 — 微软副业与四万美元补助：辞职前的风险缓冲 06:37 — Jesse 与 Nikita 的低成本练习期 07:37 — 诚实核算辞职背后的特权 08:34 — 恐惧、社群与即时反馈 本期嘉宾 Austin、Jesse 和 Nikita 是 The Tech Roast Show 的三位主创。Austin 从微软转向演出，Jesse 经历长期低成本生活，Nikita 则从 VR 游戏开发转向用非母语讲脱口秀。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 带来把创作变成生意的现金流测算，连同支持条件与协作成本，请大家检查风险缓冲。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

对话 313｜AI时代，找工作的难度，远超你想象｜Jobright创始人分享一线求职数据

AI 降低了投递成本，却没有降低判断成本：求职者批量申请，招聘方则被相似简历淹没。Ethan 表示，录制时 Jobright 以不到 10 名全职员工服务 200 多万注册用户，ARR 约 700 万美元。本期从平台和求职者两端拆解这场“双向噪音”。 适合 New Grad、H-1B 求职者、转行者、Mid-to-Senior，以及在做招聘产品的 Founder，帮助你选择投递策略，并理解 AI-native 人才、产品壁垒和 distribution。 这期你会听到 • 为什么“海投还是精投”不是适用于所有求职者的二选一？ • 企业需要的 AI-native 人才，为什么必须用领域判断完成 close the loop？ • H-1B Filter 如何从用户访谈中长出来，并回应真实求职压力？ • 实时职位数据和个性化推荐为何比单纯改简历更接近 Jobright 的产品壁垒？ • AI 降低开发成本后，Founder 为什么仍要亲自理解用户并做 distribution？ 章节 00:00 — AI 招聘市场的核心矛盾 01:12 — Ethan、Carina 与 Jobright 03:15 — 不到 10 人服务 200 多万用户，ARR 约 700 万美元 05:15 — 招聘为何陷入“双向噪音” 12:37 — 不同求职阶段需要不同策略 24:51 — AI-native 人才的判断与闭环 32:50 — Ethan 为什么首先不建议创业 43:23 — 用户访谈如何催生 H-1B Filter 60:27 — 收费、转化与 distribution 74:20 — 给求职者与创业者的建议 本期嘉宾 Ethan Zheng 是 Jobright 联合创始人兼 CTO，拥有机器学习与数据库博士背景，曾任 Twitter 机器学习工程师。Carina 录制时任 Expedia Data Scientist，分享了裁员与 H-1B 压力下的求职复盘。 相关内容 观看本期视频版 阅读本期文字稿 完整版131分钟： https://youtu.be/zrypqOaq3nM 加入Superlinear Academy免费社区 拿出正在使用的求职或招聘方案，附上筛选信号与噪音样本，请大家改进判断机制。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

立正说 207｜用豆包还是Codex，正在加速两极分化…

标题里的“豆包还是 Codex”不是产品跑分，而是聊天式工具与 agentic 工具两种工作方式的对比：前者多在对话里给答案，后者能调用文件、代码和工作流，连续完成一整段任务。真正的变化，是把目标而非零散问题交给 AI。 适合想突破聊天窗口、又担心自己没有编程背景的非技术用户，帮助你判断该从哪里开始，并把自然语言指令变成可重复执行的工作流。 这期你会听到 • Chat 与 agentic 工具在执行边界上有什么根本区别？ • Codex 如何串联音频转码、转录、高光提取与文档整理？ • 为什么换工具界面不够，工作流才决定生产力上限？ • Claude Code、Cursor 等工具如何减少人在各环节的反复介入？ • 非技术用户可以怎样安排一周练习，建立调度工具和算力的习惯？ 章节 00:00 — 成为 AI 高手的关键转变 01:00 — 聊天工具为何限制能力上限 02:00 — Chat 与 agentic 工具的差别 03:00 — 从视频后期到发布的完整工作流 06:00 — 工作流如何决定生产力上限 08:00 — 开始使用 Codex 等工具 10:00 — 非技术用户的一周练习 12:00 — 像学游泳一样进入真实实践 相关内容 观看本期视频版 阅读本期文字稿 文章： https://www.superlinear.academy/c/ai-resources/stop-using-chatgpt 加入Superlinear Academy免费社区 带上想交给代理工具完成的完整目标、文件与验收条件，请大家拆解成可重复工作流。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

对话 312｜人人都有50个博士为自己打工，为什么多数人的工作没什么变化？｜硅谷徐老师年度对话

模型像是给每个人配了 50 个博士级助手，多数人的工作却没有同步改变。徐老师用 TQ 解释人与模型能力之间的落差，并从 Agent、FDE 和产品逻辑出发，讨论个人与组织如何真正转向 AI 原生。 适合正在判断职业方向、设计组织结构或重做产品流程的人，帮助你区分工具使用与底层能力变化，并评估哪些工作值得交给 AI。 这期你会听到 • 为什么模型能力很强，个人的 TQ 却可能仍然很低？ • IQ 如何同时包含 intelligence 与 intensity，EQ 又为何需要考虑注意力？ • 为什么任务不应只在“找人还是用 Agent”之间选择，还要考虑多个 Agent 协作？ • 咨询顾问、设计师和运营如何转向 FDE 或 AI 原生从业者？ • 开发成本下降后，分发、用户与执行速度为什么会成为新的产品约束？ 章节 00:00 — AI 时代，职业选择该看什么 03:00 — 用 IQ、EQ 与 TQ 重估个人能力 06:00 — 为什么不是 100 个 Agent？ 12:00 — 训练 TQ，重写产品开发逻辑 17:00 — FDE 崛起如何改变职业选择 23:00 — AI 原生一代应该培养什么 28:00 — 一人公司与扁平化组织 34:00 — 白领适应 AI 的窗口正在缩短 38:00 — 把 AI 当作团队成员 40:00 — FDE、用脑卫生与创始人心态 本期嘉宾 徐老师现任 Gen 首席 AI 与创新官，负责 AI 原生浏览器 Norton Neo；早年曾在 VMware 从零搭建网络团队。本期他聚焦 AI 原生从业者的能力、职业与组织选择。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 列出当前仍由人完成的认知任务，带上质量要求与组织约束，请大家判断哪些值得交给智能工具。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

立正说 206｜如何走对下一步，顺天改命？

想靠一天的意志力推翻多年习惯，通常只会回到原点。所谓顺天改命，是让mindset与behavior逐步对齐，用长期行动改变未来概率，再进入一个把Builder式解决问题当作默认值的环境。 适合反复立目标却难以持续、正在学习AI或开发产品的人，帮助把自律焦虑改写成习惯积累、环境选择与下一步行动。 这期你会听到 • 为什么一次强烈行动很容易被原有mindset和behavior抵消？ • 怎样用持续练习把“遇到问题就打开Codex”变成Builder习惯？ • 为什么知行合一不是知道后立刻做到，而是长期改变每次选择的概率？ • 有效环境为何需要行动者、可见的成长阶梯与坦诚分享？ • 默认值与微小校准如何共同构成顺天改命的长期路径？ 章节 00:00 — “逆天改命”为何容易失败 01:00 — 把命理解为未来概率 04:00 — mindset如何塑造behavior与习惯 06:00 — 别高估一天，也别低估一年 08:00 — 环境如何重写默认值 12:00 — 行动阶梯与坦诚分享 16:00 — 用微小校准积累超线性增长 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 带来反复中断的目标和真实行动记录，和大家设计能逐步替代旧习惯的环境调整。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript

对话 311｜其实副业比想象中更容易开始，前提是找准需求

一个200人的养狗微信群、一家每月开团的买手店、每月一场总会满员的线下活动——以及过去一年仍然为负的净利润。Vera和粒粒把养两只大型犬积累的经验做成副业，这期不讲抽象的“从零到一”，而是拿她们的真实账单、用户和产品逐项判断：需求到底在哪里，什么应该先做，什么只是看起来像生意。 这期你会听到 • 用户真正需要的不是“更多商品”，而是有人替他判断什么值得信 • 为什么先给6个朋友打电话、当场收100元定金，比一百句口头支持更接近真实需求 • 怎样从用户已有支出倒推定价，一两千人的垂直社群为什么可能足以成为全职生意 • 产品只有30分时为什么就该launch，以及线下店为什么很容易成为一条昂贵的退路 章节 00:00 — 两个狗妈，两只70磅的doodle 02:05 — 这个副业过去一年的净利润是负的 03:22 — 想做一个爆款遛狗包，为什么被劝停 05:28 — 一个月在一只狗身上到底能花多少钱 11:35 — 一小时200元的私教课，训的其实是人 22:18 — 从狗妈到买手店：现在在做的三块生意 29:40 — 打6个电话、当场收100元定金，验证真实需求 32:40 — 从价值倒推定价，社群为什么是高性价比生意 36:52 — 做一个业务，最难的其实是增长 37:45 — 你只有两次机会，但产品30分就该launch 43:14 — 要不要开线下店 本期嘉宾 Vera是一名资深UX Designer，粒粒从事环境合规政策分析。两人在西雅图因为养同款大型犬认识，后来共同发起Lumitails（光尾物语），从doodle群发展出买手店、线下活动与播客。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 如果你也在把自己的经验做成真实产品或副业，欢迎与2万+成员一起交流；社区里已有700+真实项目与实践分享： https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

• Transcript