——朱啸虎北大演讲学习笔记
一、一把尺子：技术进步速度 vs 技术扩散速度
判断一轮技术周期走到了哪一步，他给出的框架只有一句话——看技术进步和技术扩散，哪一个更快。
周期刚起来的时候，技术进步占主导：每发一个新模型，都能白捡一大批用户，靠口碑自然传播，获客成本几乎为零。这个阶段，拼的是技术领先性。
但技术平权的速度往往比想象中快得多。一旦扩散占了主导，游戏规则就换掉了：新模型发不出来用户，发出来反而暴露能力、让对手抄走——那还有什么必要抢着发布？他把这个现象当作"大模型格局已定、后发者有优势"的证据。
我自己的理解是，这个框架还有一个副产品：它顺带解释了为什么互联网投资是先发优势、硬科技投资是后发优势。
互联网时代，平台在流量便宜时先拿到用户，网络效应和用户心智一旦形成，后来者的追赶成本可能是十倍二十倍。 硬科技时代反过来，先行者承担研发失败、路线试错和工程化的全部成本；路线一旦被验证，后来者学习的速度极快。海外做一个前沿模型要五到十亿美金，国内可能只要百分之一二的成本、两三个月就能跟上。
所以判断标准还是那一句：看技术进步和扩散，谁跑在前面。
二、开源：五年走完 Linux 三十年
他对开源的判断很干脆：只要彻底开源，开源模型会成为通用智能的底座。
理由是账算得过来。云厂商部署闭源模型，要把三到四成收入分给模型公司；部署开源模型，毛利结构明显更健康。这条账本逻辑，历史上已经在 Linux 身上演过一遍——当年 Sun、惠普、IBM 三家专有 Unix 绑定硬件、卖得很贵，Linux 跑在便宜的 x86 上，最终花了三十年取代了几乎所有 Unix。他判断 AI 时代这个过程会快得多，可能只要五年。
直接后果是 token 价格线被改写。海外 token 价格从年中以后持续下行，因为开源模型足够好、成本只有闭源的零头，不降价用户就跑掉；国内开源模型价格反而往上走，不是想涨价，而是算力不够——产能决定收入，能产多少算力，就产多少收入。
由此他推出一个更硬的结论：独立闭源模型公司的生存空间会越来越小。蛋糕太大，想全赚是不可能的，得把绝大部分利润让出去，生意才做得成。
三、三个已经在赚钱的场景：角色扮演、推理、视频
前面讲的是周期，这一节是当下。他说，今天最大的三个场景已经清晰：角色扮演、推理、视频。
角色扮演是最容易被低估的一个。从 AI 刚出来、推理还不成熟的时候，它就占了 token 消耗的百分之六七十，今天仍有两三成——这个量非常非常大。它的爆发力在于，AI 时代用户想要什么样的角色可以自己定义，体验是过去的十倍以上。他用一个对比说明速度：某款传统乙女游戏的巅峰是定义了五个角色，想推第六个还被用户拒绝；而一个 AI 原生的角色扮演应用，用了两年时间就在收入上超过了它。
（需要说明的是：演讲中提到的具体收入数字，来自现场口述，未经相关公司确认，不同整理版本之间存在口径差异，此处不展开。）
推理（Coding） 的判断是分层的：通用的 Coding 和 API 是大厂的机会，创业公司正面硬碰很难；垂直领域有机会，但要靠开源去切海外市场。他给了个有意思的中美对比——海外因为办公软件一家独大，AI 只能寄生在原有工作台里增加体验；国内没有这种统治级供应商，反而可以把旧工作台整个丢掉重做，代价是创业公司的机会几乎被大平台吃掉。
视频被他列为第三个，但公开整理稿里展开不多，这里不做延伸。
四、机器人：只做"跳一下够得着"的垂直场景
机器人部分，他的态度很明确：会跳舞、会打拳的不投，那个市场太小。着眼商业化，反而更安全。
他给的选择标准是"跳一下够得着"——不要站在楼下去想三楼的事，要比你现在高十几公分、跳一下能够着的东西。他举的三个例子都很具体：
- 水下机器人
：洗船体、海关查走私、海上光伏板清洗、养殖网笼清理。水下环境的泛化比陆地容易太多，因为任务结构相似、跨行业通用。近海浑浊、人下去有生命危险的地方，机器下去没问题。 - 柔性机械臂
：只聚焦一个动作——装折叠屏手机的铰链。这个动作极精细，人工产能跟不上，但机械臂可以，一个动作就能撑起很高的商业价值。 - 仓库分拣
：服装电商仓库里分拣衣服，包裹形态固定、重量轻、场景封闭，是可以做的；而"机器人做家务"看起来简单、价值低，泛化难度却极高。
一句话概括：具身智能不追通用，优先做任务明确、泛化要求低、有真实付费场景的垂直切口。
五、消费端还在"3G 前夜"：四个条件
为什么面向普通消费者的应用还没起来？他的判断是，今天在工作场景用 AI 还是太贵、太慢——token 包很快用完还要等重置，答案一个字一个字往外吐，价格和体验都像当年拨号上网。按他的说法，消费端还在 3G 以前的时代。
他给了四个爆发的前提条件：
- 价格降到包月随便用
——不再是按量计费的焦虑感； - 延迟大幅降低
——答案一次性出来，而不是一个字一个字吐； - 不需要复杂的提示词
——答案好坏不该取决于用户会不会写 prompt，应用端要替用户自动生成； - 不需要用户操心用什么模型
——系统自动选，手动选模型的人会越来越少。
四个条件齐了，才是应用端爆发的时间点。他还补了一句：爆发的起点大概率是游戏——就像 iPhone 真正风靡全球的第一批应用是《愤怒的小鸟》和《切水果》，PC 普及初期很多人买回去也是为了玩游戏。AI 特有的那个"杀手级应用"是什么，今天还早，需要创业者去创造。
六、绕不开的老问题：3S、多对多、留存
这一部分是二十年前就成型的老框架，他说越往后越会重新管用。
三个 S：市场规模要足够大（Size）；能不能迅速扩张（Scalable）——最怕的是高度定制化，一旦每个客户都要重新部署、重新服务，本质上就变成了服务公司；能不能长期防御（Sustainable）——中国创业者最怕的是给大厂"打样"。
多对多：最好的机会在双边交易平台，而且必须是多对多。他举的反面教材是电影票——出票系统只有两家，所以是"二对多"，一堆公司摆机器卖票获客，补贴一停就全没了。滴滴值钱，是因为几千万司机对几亿用户；高频的定义是至少一周用一次，一个月一次的结局就是小程序。
不要教育市场：创业公司没有教育市场的资本和时间，必须切进一个用户已经熟悉、需求已经存在的行业。他用滴滴和易到的对比说明这一点：同一个赛道，从出租车切入（不需要教育、司机自己会换智能手机）和从专车切入（要雇销售扫楼、要送手机），结果完全不同。切入偏了，细分领域最终会被综合玩家吸收，连被并购都卖不上价。
留存是最终指标：风投给钱是让你去获客的，但拿到用户之后能不能留下，才是决定性的。他给的及格线是次月留存 50% 以上、六个月留存 20% 以上，而且最好留下来的两成人，花的钱是原来的两倍以上。
（这组数字是他沿用多年的公开口径，不是本轮新提的标准，引用时需要注意。）
七、读完之后的三个追问
转述完观点，我也记下三点自己的疑问。框架好用，但框架也有边界。
第一，"技术不重要"这句话要分层听。他点名看好的三个场景——角色扮演、推理、视频，恰恰是对底层模型能力要求最高的三个：长上下文与人格一致性、代码生成的推理质量、多模态的帧间一致性。所以更合理的理解是：他说"不重要"的是创业公司自己训基础模型这件事，不是对模型能力的理解。这两件事不拆开，很容易被那句金句带偏。
第二，3S 是一份避雷指南，不是一份机会指南。它能告诉你什么不该做，但筛不出真正改变游戏规则的东西。反例是硬的：iPhone 教育了触屏市场，特斯拉教育了电动车市场。能教育市场的公司极少，可一旦成功，壁垒恰恰最深——因为你定义了品类本身。
第三，那条留存及格线，对 AI 原生产品其实极其苛刻。全球能稳定做到这个水平的消费级 AI 应用一只手数得过来。这反过来恰恰说明一件更诚实的事：大量 AI 产品解决的是"试试看"型需求，用户用完新鲜感就走，形不成习惯。留存数字本身不会撒谎，这一点他讲对了。
结语
技术会平权，商业不会。
对做投资的人来说，这句话意味着：判断周期走到了哪一段，比判断技术谁高谁低更重要。对做实业、做项目的人来说，它还有另一层意思——当技术人人可得，你剩下的护城河只有渠道、成本、品牌、供应链、用户入口和运营效率，这些东西没有一样是能靠融资买来的。
