本文來自微信公衆號：AGI 2050，作者：AGI 2050，原文標題：《a16z 合夥人深度訪談：科技圈最大的誤判，是以為大衆真的想用 AI 提高效率》，題圖來自：視覺中國

在生成式 AI 狂飆突進的當下，科技行業正陷入一種前所未有的集體心理割裂：一邊是底層模型與編碼工具日新月異帶來的狂歡，另一邊則是蔓延全行業的重度焦慮——人們害怕一旦在工具跟進上稍有遲疑，就會淪為被技術時代拋棄的邊緣人。

與此同時，應用層的發展似乎也走進了某種同質化的死衚衕。市場上充斥着數不清的效率工具、代碼插件和企業助手，但真正能讓普通大衆感到興奮的消費級爆款卻寥寥無幾。AI 真的只能用來重構生產力、優化電子表格嗎？在這一輪洗牌中，人與組織的邊界究竟會被推向何方？

本文精選整理自硅谷頂級商業與產品播客《Lenny's Podcast》對話 a16z（Andreessen Horowitz）總合夥人阿尼什·阿查里亞（Anish Acharya）的重磅長篇專訪。主持人萊尼·拉奇茨基（Lenny Rachitsky）曾是 Airbnb 早期的核心增長負責人，他的播客被全球科技圈視為產品經理與創業者的風向標。

訪談嘉賓阿尼什長期執掌 a16z 的消費科技投資。在進入風投之前，他是硅谷極具聲譽的連續創業者：他創辦的社交平台 SocialDeck 被 Google 收購，並在 Google 主導了多項核心產品孵化；二次創業的通信工具 Snowball 又被金融科技巨頭 Credit Karma 收購，他歷任產品副總裁與消費業務總經理。

既懂一線的產品打磨，又擁有頂級風投的宏觀視野，阿尼什在這次長談中徹底打破了眼下流行的「唯效率論」。他指出，普通大衆在網絡上真正追逐的從來不是省時間，而是消磨時間與尋找共鳴；大模型時代真正的金礦，不在於給員工做更快的辦公套件，而在於做出能直擊人類情感與精神需求的殺手級消費應用。

（以下為精選對話實錄。）

 破除「永久底層」神話與真實擴散速度 

問：現在行業內外很多人半開玩笑、半帶恐懼地討論一個概念——如果跟不上最新的 AI 工具，沒能把自己重構為極其高產的超級個體，就會淪為技術浪潮之下的「永久底層階級」。你作為一線投資人，如何看待這種普遍存在的焦慮？

阿尼什：完全不需要太當真。坦白講，這是硅谷集體陷入的一種帶點自戀傾向的黑暗幻想。無論從哪個維度看，今天的技術環境其實比以往任何時候都更加健康：技術可及性極度分散，普通人能觸達的工具前所未有地強大，獨立創業團隊成功的數量也在持續爆發。

很多人之所以產生這種恐慌，是因為他們拿上一代移動互聯網的經驗來套用今天。移動時代的王牌商業邏輯是「網絡效應」，其底層特性天然指向極端中心化，最終演化成一個個贏家通喫、獨一無二的封閉網絡。但你看今天的 AI 技術棧，在每一個層級上，哪怕是底層大模型、開源權重、還是上層的代碼智能體，沒有哪一家能獨吞市場。兩年前我們都以為代碼助手賽道會贏家通喫，但現在 Claude Code、Codex、Lovable、Replit、Cursor 全部活得很好，並且都在飛速增長。

另一個常被大家拿來嚇唬自己的概念是「遞歸自我改進」（Recursive Self-Improvement， RSI）。支持者認為一旦某個實驗室在底層技術上領先了哪怕微小的一個點，就會引發不可逆的指數級自進化，把所有人甩在身後。但如果你去和各大實驗室最頂尖的研究員深聊，會發現目前發生的根本不是真正意義上的遞歸自進化，而是一種「自催化效應」——也就是用現有的 AI 能力去輔助和加速自身的研發流程。從客觀的宏觀經濟數據來看，放射科醫生被預言要被淘汰已經二十年了，但現在的崗位需求比以往任何時候都多；程序員也是如此。沒有任何事實支撐這種黑暗幻想。

問：現在技術圈一直在爭論我們究竟處於「快速起飛」（Fast Takeoff）還是「慢速起飛」（Slow Takeoff）的劇本中。最近甚至出現模型自主攻破測試環境這類新聞，這是否意味着質變點隨時會突然降臨？

阿尼什：我很堅定地認為，我們處在平穩的「慢速起飛」軌跡上。

鼓吹快速爆發的人，邏輯鏈條往往存在一個巨大斷層：他們列舉現狀，然後拋出一個沒人能解釋清楚的神祕奇點，接着就推導出不可控的飛躍。但我更看重技術的「經濟擴散速度」。去年夏天我回了趟老家的小鎮，現實世界裏普通人的生活節奏與兩年前相比幾乎沒有任何根本性改變。技術的物理擴散是需要漫長時間的。

更重要的是，我們嚴重高估了世界上到底有多少問題是真正「受制於智能」的。退一步講，就算你給達美樂披薩或者聯邦快遞配備一整座坐滿天才博士的數據中心，他們的披薩配送速度、麪糰發酵時間或者跨國物流分揀，就能夠實現指數級的降維打擊嗎？不可能。大部分現實產業的真正瓶頸在供應鏈、在物理執行、在組織磨合，而這些根本不是把智力拉滿就能瞬間解決的。

問：在大公司和成熟企業內部，擁抱 AI 的人和抗拒 AI 的人之間，實際的鴻溝正在拉大嗎？

阿尼什：我們習慣把企業員工臉譜化。一提到白領管理層，腦海中浮現的就是每天無所事事、機械倒騰表格的辦公室機器；一提到普通消費者，就覺得他們是沒有主觀意識的盲從者；一提到別人的工作，就覺得分分鐘會被 AI 替代，唯獨自己的崗位不可替代。

深入到業務一線，你會發現完全不是這麼回事。普通人對於能給自己帶來槓桿的工具，展現出了極大的主動性。以我們在拉美投資的一家二手車線上交易平台 Kavak 為例，他們在公司內部辦了一個「絕地武士學院」，教所有人——包括一線的修車機修工——怎麼使用大模型和編寫提示詞。經過六周的系統培訓，這些機修工竟然自己搭建並上線了一個真正跑在業務環境中的智能體。

很多人低估了企業管理者的真實意圖。Google CEO 桑達爾·皮查伊要的不是把 Google 縮減成一家運轉效率稍微高一點的 4 萬億美元公司，他要的是做成一家 40 萬億美元的超級企業。在商業邏輯中，只要一個員工具有經濟產出能力，當工具讓他變得更具生產力時，公司最理性的決策是給他匹配更大的槓桿去開拓新業務，而不是急着把他優化掉。

我和 Google 的一位高管朋友交流，問他們最近有沒有因為 AI 大規模裁員。他說完全沒有，他們團隊現在用三個月就跑完了過去兩年的產品路線圖。他們目前面臨的最痛苦的問題不是砍人，而是路線圖做完後，接下來該往裏面填什麼新東西。這是所有產品經理以往做夢都想要的局面。

 組織形態重構：企業級「閉環」與人類直覺 

問：你此前提出過一個非常前沿的組織構想：未來的公司建設，本質上是搭建一套不斷自我運轉與迭代的「閉環系統」（Loops）。這種閉環在實際業務中到底長什麼樣？

阿尼什：整個技術架構的演進脈絡非常清晰：起初我們寫提示詞（Prompts），後來我們做出了智能體（Agents）——本質上就是把模型放進循環中，賦予它工具、記憶和指令集；而下一步，就是由多個智能體相互協作所構成的「任務閉環」（Loops）。

軟件工程之所以是當前落地最成熟的領域，是因為它的輸入輸出極其標準化，同時擁有最懂技術的用戶。在這個領域，閉環已經成型了：線上拋出一個 Bug 報告，系統自動抓取錯誤日誌、在沙盒中復現 Bug、編寫修復代碼、運行自動化測試驗證；如果是低風險代碼，直接合併部署到生產環境，甚至自動給報錯的用戶發一封郵件告知「您反饋的問題已在 5 分鐘前修復」，全程不需要人類動一根手指；只有高風險變更才需要推給人類工程師確認。

研發只是最簡單的起點。如果你是一位業務總經理，放眼望去，營銷、銷售、客戶支持、法務，每個部門都應該跑着各自的專屬閉環。所有局部閉環輸出的數據與結果，又會匯入更高維度的業務閉環。極端情況下，這個系統完全可以直接給 CEO 發送決策建議：「數據顯示當前獲客渠道的 ROI 正在衰退，我們需要對現有定價體系或底層商業模式做出調整。」未來的公司組織，就是從個人閉環、部門閉環，層層串聯演進到跨業務單元的超級閉環。

問：既然機器可以在閉環中自主運轉，人類在未來的 AI 原生企業裏扮演什麼角色？

阿尼什：人類非但不會被邊緣化，其核心價值反而被高度提純了。在由 AI 驅動的企業裏，人類的全部職能將聚焦在四件事上：重大銷售攻堅、關鍵客戶支持、頂層戰略制定，以及最為核心的——處理所有超出系統分佈的「異常情況」。

必須看清模型的本質侷限：哪怕是最新的推理模型，進行真正的「分佈外思考」（Out-of-distribution Thinking）的能力依然極其薄弱。如果把業務比作起伏的山脈，智能體閉環非常擅長做「局部爬坡」。你給它設定好目標和規則，它能極其高效地把你推向那座小山包的最高點。

但致命的問題在於，一旦到達局部峯值，系統就會停滯不前。它不知道更廣闊的世界裏還有沒有另一座高出十倍的山峯，更不知道如何跳過低谷着陸到下一座山的山腳下。這時候必須依靠人類直覺。你讓模型「幫我賺一百萬美元且不許犯錯」，它完全無能為力，因為尋找新方向、定義新問題，始終需要人類帶着對現實世界的敏銳體感去下注。

問：如果把這個邏輯落在一個具體的業務部門，比如你和我都非常熟悉的增長團隊，會帶來怎樣的顛覆？

阿尼什：以前的增長團隊開會就像打仗：大家坐在一塊腦暴出幾十個增長實驗的假設，逐一評審優先級，開發排期，上線跑 A/B 測試，數周後再分析指標。

在閉環模式下，這個流程被徹底改寫：每一個實驗變體由系統自動生成、自動上線切流並實時監測數據；一旦某個變體在統計學上達到顯著性閾值，系統自動收斂全量上線該版本，同時保留長期對照組，並自動觸發下一批假設測試。整套流水線會自動把這個局部轉化率推到極限。

走到這一步，閉環就遇到了它的局部極值點。增長負責人的精力不再耗費在無休止的挑方案和盯數據看板上，他必須退後一步，調用人類直覺去思考：「這個漏斗已經被榨乾了，我們是不是該開闢一個此前從未觸及的全新場景？」

問：在搭建這些業務智能體閉環的過程中，團隊應該如何把握人機協作的分寸？

阿尼什：關鍵在於把智能體的每一次報錯和卡殼，都當成一次認知校準。每當智能體做出了愚蠢的決策，或者停滯不前時，你只要問一個問題：我作為人類，到底掌握了什麼它不知道的上下文？

Kavak 在這方面的實踐堪稱典範。他們的核心業務是在線銷售二手車，公司為每一位客戶配備了一個專屬的 AI 銷售智能體。當這個智能體在和客戶對話中遇到無法解答的問題時，它不會胡說八道，而是會瞬間觸發一個機制——呼叫真實的人類員工介入。

妙處在於，人類進入會話並非單純接管客戶，而是在後台「輔導」智能體如何應對。在化解客戶疑慮的同時，系統全程記錄下人類的思考邏輯與交互軌跡，並將其轉化為該場景的專屬數據資產。下一次遇到類似的情境，智能體就已經被徹底教會，不需要再呼叫人工。人類在未來的日常工作，本質上就是不斷給智能體系統填補認知與數據的空白。

 智力經濟學：前沿模型與開源權重的邊界 

問：你近期提到一個非常有意思的視角：未來的企業在模型採購上，會出現明顯的「分水嶺」——在不同職能上使用截然不同的智力層級。這背後的商業賬是怎麼算的？

阿尼什：核心在於「帕累託效率」，也就是性能與價格之間的最優化匹配。

當前以 OpenAI、Anthropic 旗艦系列為代表的前沿模型，其定價邏輯在經濟學意義上幾乎是「非理性」的。為了在某些極限推理維度上多榨出哪怕一個智商點的性能，調用成本可能要比主流高性價比模型貴上幾十倍甚至百倍。

但這筆不合常理的支出在某些特定場景下是完全理性的。比如新藥研發，這是一個「收益上不封頂」的領域。如果多出來的那一點點推理智力，能讓算法率先發現下一個重磅抗癌分子，隨之而來的將是千億美元級的商業回報。在這種具備無限槓桿的場景下，不管前沿 Token 有多貴，企業都會毫不猶豫地全盤買單。

然而在企業的大多數常規職能中，商業收益是有明確天花板的。比如法務合規審查或者日常財務做賬，一個優秀的財務人員只要把賬目做平、合規不出漏洞就完成了使命，你不可能要求他把賬目做到「超常發揮 100 倍」。對於這類收益封頂的職能，去支付無限昂貴的前沿模型推理成本是純粹的浪費。

因此，企業內部必然會產生結構性分化：一類是面向代碼開發、前沿科研、大單銷售等高上限環節，堅決採購最貴的閉源旗艦模型；另一類則是大量上限收斂的流程性工作，全面交由經過強化學習微調的開源權重模型去處理。後者雖然看起來只是「中等智力」，但勝在成本極度低廉、推理速度極快，在特定垂直任務上性價比極高。

問：那麼決定一個場景該用高智商模型還是廉價模型的關鍵，在於任務是否「容易驗證」，還是在於它的「潛在商業上限」？

阿尼什：商業上限纔是核心考量。

有人可能會認為「可驗證」的任務就該用便宜模型，但事實並非如此。新藥研發的分子結構同樣具有清晰的生化驗證標準，但由於它的上限是無限的，人們依然需要頂配智能去探索。

不過這裏存在一個極其微妙的動態平衡——那就是你永遠要提防在封頂任務中隱藏的「蝴蝶效應」。舉個例子：客戶打進售後熱線報修了一個極不起眼的 Bug，在傳統的客服工單流程裏，這只是一件收益極低、只需要按模板應付的機械任務；但如果處理這個電話的是 CEO 本人或者一位極具戰略眼光的人，他可能會敏銳地捕捉到這聲抱怨背後折射出的整個產品架構缺陷，甚至順藤摸出一條重塑公司戰略的線索。

如果為了降本，把所有這類環節全部降級給平庸的廉價模型，系統就會機械地抹平這些極其寶貴的信號。如何在追求極限 ROI 與保留戰略敏銳度之間取得平衡，將是所有企業管理層在架構 AI 系統時必須長期面對的課題。

 消費級 AI 的真正機會：「讓我更快樂」 

問：現在幾乎全行業的資源和目光都死死盯在企業級效率工具上。作為長期關注消費領域的投資人，你曾提出一個顛覆性的論斷——消費級 AI 的真正機會不是工具，而是「/loop（閉環），讓我更快樂」。為什麼大衆的真實訴求不是效率？

阿尼什：科技圈最嚴重的誤判，就是一廂情願地認為大衆發自內心地渴望變得更高效。但現實恰恰相反，絕大多數普通人根本不想節省時間，他們上網是為了消磨時間。縱觀整個消費互聯網歷史，真正誕生超級巨頭的賽道永遠是社交和娛樂，從來都不是效率軟件。

科技圈內部存在一種巨大的認知鴻溝：X（推特）上的硬核技術用戶整天為各種底層模型的參數跑分吵得面紅耳赤，深陷掉隊恐慌；但如果你去看 Instagram 上的普通網民，在他們眼裏，現在的所謂 AI 不過是一個稍微聰明一點的搜索框，完全體會不到技術圈狂歡的點在哪裏。

這根本不是底層模型能力不足，而是產品設計的災難性匱乏。回顧過去四十年，整個硅谷耗費了幾代人的心血，其實就做了一件事：發明出更精密的數字工具去優化電子表格。我們一直在瘋狂延展人類的「智力槓桿」，卻幾乎從未開發出任何真正能夠滋養人類「精神與靈魂」的軟件。

在傳統社區、家庭和文化連接逐漸稀釋的當下，大衆在情感層面存在巨大的真空。消費科技的核心命題從來沒有變過：我們如何感到被愛？如何建立深度連接？如何感知自我成長？如何在枯燥的生活中找尋樂趣？如何用技術精準回應這些人類最本能的訴求，纔是這輪周期中最宏大的未開墾之地。誰在做讓人更快樂的AI？

問：如果大衆的情感需求如此飢渴，為什麼市面上能打的消費級 AI 原生應用依然寥寥無幾？

阿尼什：如果把這輪浪潮的發展階段對標移動互聯網，我們目前充其量只相當於 「2010 年的 iPhone 時代」。在那個節點，Uber、WhatsApp、Instagram、Airbnb 都還沒有真正進入大衆視野，整個生態極其早期。

具體到今天，阻礙消費級爆款湧現的障礙主要有三個：

第一是推理成本。過去幾年旗艦模型極其昂貴，如果你想做一款面向海量大衆、免費使用的裂變型消費應用，光是調用 API 的賬單就能在幾天內把一家初創公司徹底拖垮。但隨着開源模型的飛速演進，推理門檻正在急速墜落。

第二是極其陳舊的交互界面。目前全行業都在盲目照搬對話框（Chat）。但只要稍微懂一點人性就會明白，對話框是極度反直覺的交互載體。在空無一物的輸入框面前，用戶必須自己構思指令、組織語言，這隻有對極少數像馬斯克、奧特曼這樣擁有頂級行動力的人才好使。普通消費者的天命交互界面永遠是類似短視頻的被動供給——你只需要躺在那裏，精彩內容自然向你湧來。我們迫切需要一種介於機械聊天與被動刷視頻之間的全新交互範式。

第三是敘事偏差。過去三年全行業都在嚴肅地做生產力工具，沒人願意認真去碰情感與陪伴。很多投資人和大廠甚至恥於公開討論情感陪伴類應用，但實際跑出來的數據大得驚人。很多人以為陪伴類應用的用戶全是年輕男性找 「AI 女友」，但真實數據顯示，目前這類產品最大的付費客群是 40 到 50 歲的中年女性，她們對情感傾聽與陪伴的付費意願極其強烈。初創團隊在這個領域擁有天然優勢，因為大公司受制於繁瑣的公關和合規審查，根本不敢輕易涉足任何可能引發爭議的人性深水區。

 護城河不是設計出來的：重新理解分發與產品野心 

問：在這個軟件構建門檻被徹底抹平的時代，每天都有成百上千款新應用湧現出來。你在考察早期初創公司時，怎麼判斷團隊是否擁有真正的「護城河」？

阿尼什：絕大多數優秀的護城河都是在實戰中被「發現」的，而不是預先在商業計劃書裏被「設計」出來的。

我以前自己創業時也掉進過這個陷阱，總覺得自己必須拿出一套能經得起商學院教授和頂級 VC 嚴苛拷問的精妙商業模型，推導出一套天衣無縫的防禦壁壘。但現實往往不是這樣。Decagon 的創始人傑西曾說過一句極具洞察力的話：「護城河多半是在奔跑中撞上的，而不是坐在辦公室裏畫出來的。」

Cursor 的崛起就是最生動的樣本。他們剛出道時被外界罵得體無完膚，所有人都嘲諷他們只是給代碼編輯器套了一層薄薄的殼，毫無壁壘可言。但團隊根本不管這些雜音，憑藉對開發者體驗極致的工程打磨，率先聚攏了最具黏性的一批頂尖程序員。在這個過程中，他們捕捉到了最全的推理交互軌跡（Reasoning Traces），順理成章地訓練出專屬於自己的模型。他們的護城河是在狂奔中自然凝聚而成的。

很多人似乎患上了健忘症，忘記了一個最基本的商業常識：商業史上任何持久的護城河，從來沒有一條是取決於「寫代碼有多難」。網絡效應、規模經濟、品牌忠誠度、專有資產壁壘，五年前立得住的經典商業法則，今天依然顛撲不破。那些能在殘酷競爭中脫穎而出的產品，往往不是因為技術構想多麼高深，而是因為在大概念的背後，凝聚了上百個外人根本看不見的精巧細節。

問：現在有一種普遍的悲觀論調：由於每天湧現的新產品太多，注意力被高度碎片化，初創公司在分發渠道上完全處於劣勢，而擁有天然流量入口的巨頭將贏得一切。你怎麼看這種渠道擠壓？

阿尼什：我完全不認同這個邏輯。如果渠道決定一切，Google 在自己所有的核心入口瘋狂交叉推廣 Gemini，但今天有人會說 Gemini 已經贏下了這場模型戰爭嗎？

在這個時代，幾乎沒有所謂的「分發受阻問題」，絕大部分時候都是「產品本身平庸的問題」。如果你的產品足夠驚豔、足夠鋒利，自然會在社交網絡上掀起自發傳播的風暴。

現在的初創團隊往往陷入了過去的思維慣性：還在死守移動互聯網時代的舊劇本，覺得消費產品必須先免費補貼圈流量，然後再慢慢想變現。我建議大家不妨把思考框架徹底顛倒過來：去設想一款每月訂閱費高達 1000 美元甚至 10000 美元的軟件，如果要讓用戶心甘情願掏錢，它必須達到什麼樣的水準？你必須把它做成軟件領域的「愛馬仕伯金包」。一旦你被迫用這種極端的品質和價值標尺去推演產品，你的野心會被徹底解放，做出來的產品維度會和市面上的平庸同質化玩具截然不同。

問：你在 a16z 與馬克·安德森（Mark Andreessen）以及本·霍洛維茨（Ben Horowitz）並肩作戰多年。在今天的技術周期下，他們對於投資與商業的認知給你帶來的最大沖擊是什麼？

阿尼什：最震撼我的是他們身上那種深入骨髓的「行業受託人意識」。這遠遠超越了單純做一家賺錢的風投基金，而是一種極其強烈的時代使命感——必須為整個科技產業、甚至為國家的未來去扛起責任，努力讓這個行業在離開自己時，比自己接手時變得更好。

馬克曾經在創辦 a16z 時跟我分享過他們當初募第一期基金時的信念。他對 LP 說：「我們要麼一飛沖天直達月球，要麼在地面上砸出一個月球那麼大的隕石坑，我們的人生絕不接受中間狀態。」這種不設上限的極端野心，徹底重塑了我們評估項目的底層標準。

三年前，如果一個項目所圖甚大、看起來過於瘋狂，我們可能會因為不確定性太高而選擇放棄。但在今天，邏輯完全反過來了：凡是那些野心太小、僅僅是修修補補的項目，我們甚至連聊都不想聊。七八年前，「深科技」（Deep Tech）在硅谷是一個極其冷門、缺乏光環的邊緣賽道，正是馬克等人多年來不遺餘力地奔走呼籲，把全行業的資源與野心重新拉回到硬核科技的宏大敘事上，才徹底逆轉了整個硅谷的創業生態。

 給產品人的建議：「構建」正在取代「閱讀」 

問：對於目前身處迷茫中的產品經理、工程師和創業者，面對每天不斷被刷新的工具棧，究竟該如何重塑自己的行動指南？

阿尼什：最樸素、也最管用的一條法則：別空想，立刻動手做東西。哪怕是一個極其不起眼、看似荒誕不經的小玩具。

很多人之所以焦慮，是因為他們一直以「評判者」的姿態袖手旁觀，每天忙着在社交網絡上看別人的產品發布會，然後自我內耗。擺脫這種狀態最好的辦法，就是逼自己保持每周交付一個小項目的節奏。

這種項目不需要具有宏大的商業價值。我自己平時就寫了不下兩打各種各樣的小應用。比如有一次我用最新的模型寫了一個腳本，讓筆記本電腦在灶底1裏實時監聽環境聲音，根據我兒子說的話是具有親社會傾向還是消極對抗，自動給他的 iPad 增減可用螢幕時間。結果發生了一件極具諷刺意味的事：我兒子很快發現了指標的底層邏輯，他自己錄了一段不斷重複「爸爸我愛你」的音頻，然後把手機貼在麥克風旁邊循環播放，以此來瘋狂刷取螢幕時間。這完全是一場技術層面的貓鼠遊戲，但這種微小的實戰會讓你對智能體的邊界、規則漏洞以及人機對抗產生極其敏銳的肌肉記憶。

在這個新周期裏，「親自動手構建」正在徹底取代傳統的「被動閱讀思考」，成為吸收認知與建立直覺的最快方式。只要你願意沉浸進去，經歷過哪怕一次「遇到障礙、調試模型、最終跑通交付」的微小閉環，所獲得的頓悟感足以瞬間驅散所有的技術恐慌。

問：如果在你的個人創業歷程和投資生涯中提煉一條最重要的底層原則，你會分享什麼？

阿尼什：千萬不要試圖用痛苦的親身教訓，去重新驗證那些前人早就已經可以清晰告知你的常識。

人在年輕時往往有一種致命的傲慢，覺得不親自撞一下南牆就顯得自己不夠深刻。我在第一次創業時就犯過這個大忌：當時我們試圖做一家面向移動遊戲的內容工作室，同時又狂妄地想要搭建一套支撐全行業發行的社交底層平台。當時一位資深的業界前輩極其嚴肅地警告過我：「做好一個遊戲工作室的難度已經堪比登天，同時做平台和做工作室必死無疑，趕緊二選一。」

但當時的我們自命不凡，根本聽不進去，結果硬生生浪費了整整幾年的青春和數不清的資源，最後才狼狽地發現對方的判斷字字珠璣。多去向那些僅僅領先你半步的人請教，虛心聽取那些早已被無數商業失敗驗證過的常識，這是一個人在漫長職業生涯中能夠守護的最寶貴資產。

 推薦書單 

• 《征服與文化》（Conquests and Cultures），托馬斯·索維爾（Thomas Sowell）著

「這是我畢生最鍾愛的一本書。作者以極其宏闊的歷史視野，深刻剖析了人類歷史上的征服行為如何重塑了不同社會的文化基底，而這種文化沉澱又是如何超越其他一切制度變量，成為決定一個文明經濟興衰的最核心驅動力。」

• 《七大力量》（7 Powers: The Foundations of Business Strategy），漢密爾頓·赫爾默（Hamilton Helmer）著

「商業競爭戰略的集大成之作。全書用極其凝練的分析框架，徹底講透了企業如何在動態競爭中確立不可替代的複合優勢，是理解商業護城河本質的必讀經典。」

• 《收益遞增與經濟學中的路徑依賴》（Increasing Returns and Path Dependence in the Economy），W·布萊恩·阿瑟（W. Brian Arthur）著

「在我正式加入 a16z 之前，馬克·安德森向我極力推薦了這本教材。它在數理和經濟學邏輯上極其透徹地闡釋了為什麼軟件產業天然具備非線性的正向反饋，以及為什麼科技行業總會誕生顛覆常規認知的超級贏家。讀懂這本書，你才能真正看懂硅谷這台造富機器背後的底層齒輪是如何齧合的。」

資料來源：Lenny's Podcast：Why companies are becoming a series of loops | Anish Acharya (a16z)（YouTube 原視頻：https://www.youtube.com/watch?v=LdIyXiq2DTY&t=6s）。

本文由 AGI 2050 編輯部綜合多方公開資訊整理編撰，事實信息均以原始信源為準。文中觀點僅作行業交流與知識參考，AI 行業發展存在諸多不確定性，相關數據、技術解讀與行業研判僅供參閱。

本文來自微信公衆號：AGI 2050，作者：AGI 2050

本內容來源於網絡，觀點僅代表作者本人，不代表虎嗅立場。如涉及版權問題請聯繫 hezuo@huxiu.com，我們將及時覈實並處理。

End

想漲知識 關注虎嗅視頻號！