AI巨头正在抢购打工人的录屏
面试神器 · 数字员工 · 十四轮面试 · 蒸馏自己 —— 对话 Hellyeah CEO Michael
「简历像广告，面试像表演——公司其实并不知道一个人的真实工作是怎么样的。」 —— Michael，谈他为什么从帮人赢面试，做到了卖数字员工
2023 年夏天，Michael 想做一个现实版 Jarvis，顺手做出了 interview copilot——两年 2000 多万用户，「你不敢相信这个世界上有这么多人在找工作」。2025 年底，事情拐了个弯：几家 frontier AI lab 找上门，要买他平台上知识工作者的桌面录屏，拿去训练数字员工。千问用 YouTube 上的 Excel 教学视频一训，效果超出 frontier model 三倍；马斯克融完 200 亿美金那一轮，内部不再搞 AGI，改做数字员工落地；扎克伯格在 Meta 推全员录屏被骂到人尽皆知——却帮比他早六个月干这件事的 Michael 完成了融资。
这一期《苔藓之火》，Raymond 对谈 Hellyeah（前身 Final Round，interview copilot 品类的发明者）CEO & Co-Founder Michael：数字员工和 skill 差在哪？为什么奥美的老师傅值得被反复蒸馏？Stripe 一个 PM 岗为什么要面 14 轮？以及——当所有大模型都在蒸馏你的时候，是不是该它们付钱？
以下是对话全文（经编辑整理，有删节）。
一、「你不敢相信这个世界上有这么多人在找工作」
Raymond： interview copilot 这个品类，其实就是 Final Round 发明出来的，过去 12 个月 copycat 已经非常多。这家公司现在有了新变化，新的名字叫 Hellyeah。今天请到 Hellyeah 的 CEO Michael 讲讲他们的变化。
Michael： 大家好，我是 Michael，Hellyeah 的 CEO and Co-Founder。我们一直围绕 AI 后时代的工作场景做产品。2023 年夏天，整个硅谷还停留在 GPT-3.5 时代、交互全是 chat，我们想做一个像 Jarvis 一样的 AI：它听到你听到的、看到你看到的，在你不知道自己需要帮助的时候给你帮助。于是先做了一个 meeting copilot，能加入线上会议、实时提词帮你对话。很快发现用户拿它做销售、做 online dating——
Raymond： 实时撩妹怎么做的？我十分有兴趣。
Michael： 我当然没有试过（笑）。后来发现面试这个场景特别火爆。有个用户发邮件问能不能付费——当时要邀请好友才能换免费 session，没有任何商业化。我就编了一个很大的数字，99 美金一个月，发过去，他真的付了。于是做成 interview copilot，开创了一个 new category：两年做到 2000 多万用户——你不敢相信这个世界上有这么多人在找工作——营收也突破了 1000 多万美金的 revenue run rate。接着变成 end-to-end 的 career platform：AI 帮你写简历、投递、准备面试，连入职后的功能都有。这是 2024 年。
2025 年，企业开始找上门，急切地要一套全新的招聘方案——因为 interview copilot 太好用了：对着提词器念，一个不懂 computer science 的人，至少从面试角度也能对答如流。我们的判断是：AI 时代的招聘要看工作的本质，不能再拘泥于 fancy 的学历、简历、面试——现在 10 秒就能生成一份花里胡哨的简历，人人都是满分选手。所以我们做了一个 trustless 的招聘平台，本质是 job simulation：AI 在一个环境里生成任务，邀请候选人真的干一段活，AI 全程看着打分。
Raymond： 有点像《令人心动的offer》：一个 camera 盯着你，演播室里六个人实时吐槽。你们自己招人也用这个 work trial 吗？
Michael： 用，有点像婚前同居：先住在一起磨合，不是相亲完就结婚。我们最早招人直接看 GitHub profile——CTO 喜欢 hacker，世界各地聊来一批；后来一次 offsite 发现线下协作效率高太多，就把人聚成旧金山、上海、班加罗尔、首尔四个办公室，一共二十多位，同事全是 work trial 进来的。欧洲实在凑不齐，就没有欧洲 office——人还是群体动物。
Raymond： 然后 work trial 之后，你们又往前跳了一大步。
Michael： 2025 年底产品发布后，意想不到的事发生了：一些 frontier AI lab 找到我们，说这个产品是很好的 reinforcement learning 环境，想买知识工作者桌面端的录屏数据——市场上并没有一个地方可以直接买到工作录屏，而他们要做大规模的数字员工训练。同时技术路线已经非常清晰。第一个信号是千问：2025 年 9、10 月发的几篇 paper，把 YouTube 上的 Excel 教学视频拿来训数字员工，没做太多处理，就在这件事上直接超出 frontier model 三倍。第二个是 xAI——我们有好朋友在里面，Elon 后来也在 2026 年初的播客里讲了：他们内部一直认为最佳的 AGI 方案就是视觉的 computer use agent，跟他的车一样，像人一样看得见、像人一样操作。融完 200 亿美金那一轮后，内部就不搞 AGI 了，在做数字员工的落地。落地的第一个场景不是 legal、sales 这些 fancy 的，是非常 down to earth 的 customer support：Sierra、Decagon 是帮企业搭 AI native 的 chatbot 系统，「把旧平台迁到我这来」；Elon 的方案是 legacy system 全都不用换，不要 MCP 不要 API，computer use agent 直接 takeover——我就派个员工来上班，只是这个员工超级快。第一批客户从 Tesla 做到 JP Morgan。还有 Anthropic 高价收购了一家 2024 年初成立、用视频大规模训练数字员工的公司，收完 Cowork 马上就上线了。
这些信号都在说：这个方向技术上已经被验证。而且它有一个巨大的 multiplier——假设我们只做 data supplier，那就是十年前的 Scale AI：他当时不知道 transformer 是 work 的；**他要是知道 transformer 是 work 的，就不会做 data labeling 了——打完标自己去训 GPT 了。**所以我们决定 go all in，自己做数字员工。
一个 60 秒的版本：我们的创业不是从宏大的 AI thesis 开始，是从一个真实问题开始——大部分白领工作的 hiring signal 是假的，简历像广告，面试像表演。第一阶段帮 candidate 赢面试；后来发现值钱的不是 interview 这个 process，是工作的本质：一个人怎么理解问题、拆解任务、表达判断、交付结果。第二阶段把招聘从聊天变成真实的工作样本。工作既然能被模拟、评估、数据化，下一步就让 AI 真正参与进去，把这些被数据化的人升级成数字劳动力。
Raymond： 换句话说，你先帮人找工作，再帮人留下工作，现在是让 AI 取代人。
Michael： 不是取代，是让人人都变成 manager。以前一个领导配十个牛马；将来是一个领导配十个牛马，每个牛马配十个数字员工——还是生产力大幅提升的故事，大家都有更好的未来。
二、数字员工不是 skill：「你所认知的自己，和别人认知的你完全不一样」
Raymond： 从 25 年下半年开始很多人会 vibe coding、会烧自己的 skill，也有 n8n 这种工作流——把自己的某种能力固化在软件上已经挺普遍了。这跟你们的数字员工差别在哪？
Michael： 三点。第一，数字员工能自己做决策，像真人员工；第二，它是 proactive 的——你也希望优秀的员工是主动揽活干的，不是等着被指派；第三，它能自我增长，有 self learning 的 path。skill 是数字员工的重要环节，但它还要有 memory、有 recursive growth 的迭代方案。Gary Tan、Andrej Karpathy 都在非常公开地 promote「蒸馏自己」，蒸了很多放在 GitHub 上开源。但不是所有人都有能力蒸馏自己——那需要非常清晰、客观的自我认知。我们观察了大量知识工作者之后发现，很多时候你根本不知道自己干了什么：**你所认知的自己，和别人所认知的你，是完全不一样的。**所以蒸馏不只是《令人心动的offer》那样全程追踪，还要问因果问题：你为什么点这里？有没有屏幕以外的 context？我们用 VLM 观察工作，在 AI 无法理解的场景生成问题，一天结束做一次 daily reflect，让员工回答——他可能说「当时就是喝杯咖啡，灵光一动按了这个键」。我 co-founder 发明了一套逻辑叫「知行合一」：知是 reasoning，他怎么推理任务、为什么做这些决策；行是实际行为。认知跟行为相匹配，才成为一个数字员工——一个真人的 digital copy。
Raymond： 你们选的第一个赛道是 growth marketing。这个决定是 26 年上半年做的，当时 coding 才是共识——从 reinforcement learning 信号或 GTM 能力看，为什么不选 coding？
Michael： coding 的 RL 信号肯定最强，但太卷了：Claude Code 在卷，Cursor 当时收入已经超过三亿美金，实在没有 capital 去干。我们选赛道有三个考量：一是 RL 信号要足够强；二是必须有明确的实战商业化场景，帮我们拿大量数据——数字员工不能靠跟企业签 pilot contract，要真正在商业化环境里实战，不能是那种「企业买了 Harvey 但没人用」的大而美好（当然 Harvey 后来突破了难关，在 legal 里做得非常深）；三是团队自己的 passion——我们喜欢 marketing，我们的 2C 产品就是靠一套全自动 self-improve 的 agent 系统涨起来的，有得天独厚的先发优势。
Raymond： 那为什么不做销售？
Michael： 北美 B2B 销售的反馈周期比 B2C marketing 长。更要命的是，我们见过太多销售类 AI 公司，最后靠养几百人的人肉销售团队去卖——11x、各种 AI SDR，都是我们很好的朋友，但这事不 make sense：**你的销售 AI 要真那么牛逼，就应该是自己的销售 AI 去卖自己的销售 AI。**我们就是这么操作的。
Raymond： 像 Claude Code 是 Claude Code 自己开发出来的。说到 marketing，你们当年的 GTM 非常野：三番的 hacker house 请一百多个 influencer 来玩，stripper 广告，还有 Trump 当选之后做的 Trump 广告牌——争议巨大，但非常抓眼球。这些全是需要人动智慧的 creativity。你们现在的 agent 想得出「Trump 广告牌」这种东西吗？
Michael： 我觉得可以。AI one shot 输出的时候，大家的网页都长得类似；但给它足够多的 context，加上 taste skills，设计突然就有了 taste。我们的系统看过足够多的东西，本质是一个大规模的排列组合。但更重要的是：我们现在合作的大客户并不需要那么多 creativity。creativity 是留给小公司从零到一用的；一到十、十到一百，需要的是 systematic 加 programmatic 的增长，omni-channel。你看 Wispr Flow 早期也做大量红人营销，现在只做广告、branding、billboard、partnership。爆款营销我们自己也痛过：一条视频爆了用户涌进来，接下来一周没有爆款又冷掉。初创可以接受，大公司要的是 consistent 的增长——go viral 对它们没什么帮助。以前企业开 QBR，CMO、CEO 坐一起挑 priority：P0 可能是 500% 的回报率，P10 只有 5%，资源只够做 P0 到 P3。现在有了 AI，可以把所有 priority 全吃掉，哪怕 P10 只有一丢丢回报。
Raymond： 比如 GEO——为了将来的模型能抓到你的语料做的优化，今天收益不明显，妥妥的 P10。但数字员工反正闲着，顺手就把 GEO 做了，over time 还有 compounding 的复利效应。
Michael： Exactly。当劳动力 10x、100x 的时候，非常多以前不敢碰的机会都可以去试，而且试错成本非常低——有贵的 token 也有便宜的 token，你可以让 Claude 写完、让 GLM 去 execute。
Raymond： 像 Apple 在加州设计、在河南富士康组装。
Michael： 未来一两年大家都会这么操作。Chamath 做了家公司叫 8090，想当 AI 时代的 Accenture、AI Palantir for Enterprise，帮大企业大规模重造软件——他的逻辑就是 Chinese open source model is the best：frontier model 做规划和架构，实际 execution 全部用中国开源模型。
三、感谢扎克伯格：「你做的时候是疯子，小扎做就是有想法」
Raymond： 你们的客户里，科技公司和非科技公司各占多少？
Michael： 现在全是科技公司——北美 20 多家头部科技公司做我们的早期客户。非科技公司 Q4 会开始聊，他们的 pushback 有两个：一是不清楚数字员工能做到什么程度、哪些需要 human in the loop——传统行业要有人背锅，要有人做内部 champion 把 deal push forward，成了升职加薪 promote to VP，败了就是一次失败的采购。二是跟「蒸馏」相关：我们这套 screen capturing 到 digital worker 的 pipeline 在北美企业里推过 pilot，但很多传统公司已经不是 founder CEO，职业经理人很难推「蒸馏员工」这种故事。
Raymond： 我觉得任何公司都难推。Meta 今年推过一个 plan：工作时屏幕直接被录、对话全被录下来分析——24/7 monitor 你每一步怎么工作，等于每个员工每一步都在蒸馏自己、逐渐把自己消亡掉。Meta 是 founder CEO 照样推不动：巨大 pushback，第一是员工隐私，第二是你明摆着要炒我，我为什么还把自己蒸馏了贡献给你？
Michael： 所以要感谢扎克伯格。之前市场上很多人质疑我们「录屏训练 AGI」的逻辑天马行空；小扎一干这件事，突然非常多 investor 找过来问「Michael，这个做得怎么样了」，我们因此快速完成了新一轮融资。我们其实比扎克伯格早六个月做这件事。
Raymond： 你做的时候，他觉得你是疯子；小扎做的时候，他觉得他应该有想法。说实话，我当时看你们 work trial 在 YouTube 的推广视频是非常不舒服的。我不能接受工作的时候有人看着我，不能接受我今天的工作变成录屏拿去训练。我自己蒸馏自己——把写过的东西蒸出来放 GitHub 上给别人用——没问题；但你蒸馏我，我就不高兴。这很微妙。
Michael： 关键在这件事是不是 intrusive。北美很多大公司早就在这么做，只是 for compliance：JP Morgan 所有工作电脑，every single keystroke、背后应用程序的所有交互都被记录，用来查反洗钱、查内幕交易，要存 10 到 15 年才能删。
Raymond： 你这么讲好像确实是——我当年做投行的时候这套就很可怕了，只是没被拿去训数字员工。今天不过是 one step forward。字节也开源过一个叫 Mind Context 的产品，录屏然后分析你的工作；还有 Rewind。你看，小扎做这件事，大家想到的是监控、是 Police State；Rewind 说的是「人生每一天都不能白过」——同一件事，framing 不同。再举个例子：OpenAI 五六月给 Codex 出了 Record and Replay，小红书上晒这个功能的帖子超级多——我不相信 OpenAI 在小红书投了放。为什么有些地方大家抢着把自己交出去，有些地方死活不愿意？
Michael： 取决于 branding 和 positioning。Codex 这个角度算善良的了——它内部管这个产品叫 Chronicle，编年史，要把整个人类桌面端的工作全部上传到历史里去。是个很宏大的故事，现在还哄着大家自愿上传。
Raymond： 这在隐私协议里是允许的吗？
Michael： 是的。Individual plan 的数据会被打包拿去训练；Enterprise plan 可以选择不被训练——但你要主动去选。
Raymond： 每个月交这么多钱，还给别人做肥料，挺难受的。
四、Agency 卖人天，数字员工永远不会跑路
Raymond： 你现在等于是一个巨大的包工头，a contractor of many digital workers。你做 performance marketing，那跟奥美、蓝色光标这种传统 agency，最后 deliver 的结果有什么本质差别？
Michael： agency 的商业核心是卖人天和服务：人越多收入越多，但 knowledge 很难沉淀。最典型是网红营销团队——这个网红做大了，通常两个发展方式，要么变老板、要么变老板娘，不然就出走。agency 服务你的 point of contact 一换人，交付质量大概率大幅下降。我们的目标相反：每一次交付都沉淀进系统，下一次更快、更准、更好。agency 的毛利来自 labor arbitrage——把市场上找不到或很贵的人的智慧，打包以较低价格卖给你；我们的毛利来自 software 的 leverage 和 workflow 的 memory：你蒸馏了一个奥美的老师傅，理论上他可以被无限复制、无限使用。
Raymond： 拿《广告狂人》重新蒸馏一遍，都能蒸出很多智慧来。
Michael： 简单说：90 天以后客户拿到的是一个 clean cut 的交付结果，那是 agency；90 天以后客户拥有了一个懂市场、产品、用户、渠道的数字员工，才是我们真正想做的事情。而且每家公司的数字员工不混用：卖香肠的 agent 非常懂香肠，卖麦克风的特别懂电子产品，知识库、红人 connection、联系过的 KOL 全都不一样。90 天后你得到一个知识库，而且这个团队永远不会跑路——优秀的员工是会离职的；这个团队只要续费，就不会走。
Raymond： 实际交付里遇到过什么困难？
Michael： 最大的挑战不是让 AI 生成内容，是让 AI 快速拿到上下文——拿到核心的关键数据。我们认为数字员工最佳的生命状态是住在代码仓库里：它是一条 SDK，npm install hellyeah，扫你的代码仓库了解业务逻辑，扫你的数据库了解业务数据，用这个构建上下文。这本质上打破了 marketing 跟 product、engineering 的鸿沟：以前 marketer 优化 channel，用户进来以后产品拉胯，双方都构建不了因果关系；现在有了全局观，它可以解析产品的变动怎么影响 marketing 的表现、带进来的人不精准又怎么影响产品数据。它甚至能改代码仓库——push PR 帮客户 standardize data schema，当然要对方 merge 才生效。这是很大的权限，所以怎么让企业信任我们、允许接触这些上下文，是第一关，我们在非常仔细地筛早期头部客户。
Raymond： 权限这么大，我怎么知道你不会拿我的数据再做一个我的竞品？不过价值我懂。以前做投放的同学——在中国经常是个文科生——发现今天数据掉了，不知道为啥；其实是产品改了版，他对产品又没那么理解。产品同学拉个数要去找数仓，弄回来两天过去了，又隔了个周末，七天的投放已经烧完了。这时候大家想起来「上周我们是不是聊了个什么事来着」，笑笑而散。互联网公司天天发生。
Michael： 对。有了这套系统，一秒钟之内构建出因果，重新规划下一个 ad campaign——哪怕决定只是「在我 figure out 之前先停掉」，对公司就是巨大的价值。我们把这个特点叫 event driven：主动 monitor 事件，根据事件做出反馈。有点像 hedge fund——哪里地震、火山爆发，会影响当地的股价，但以前这套能力只存在于 hedge fund，为什么普通公司不能拥有？我们做 2C 产品时就有一套系统：今天 Microsoft lay off 5000 人，系统自动出一个 landing page 去 target 这 5000 人——你不用担心，我们帮你找到下一份工作。全自动的 event driven marketing。大企业非常需要这个：以色列打伊朗的第一天，全球所有平台的 CAC 往上标了大约 30%——大家 anticipate 未来成本会涨，bidding 都变高了。大公司有 Smartly 这种几百万美金一年的订阅平台做 optimization；小公司没有 real time processing 的能力，拿到的是这个世界发生了好久才传出来的信息。Frontier Lab 比三番普通 engineer 早看到两三个月，三番比市场早两三个月，AI 行业的人又比普通人早半年——中间的鸿沟非常大。
Raymond： 感觉我活在 2026 年，别人都活到 2027 年了。那你们的第二、三、四个数字员工会是谁？你们从 Final Round 到 work trial 收集了海量的面试和工作数据，各行各业都能做。
Michael： 卖个关子，内部有些讨论。但形态可能不拘泥于传统知识工作者的工种划分：既然 marketing 跟 product 的鸿沟被打破了，能不能出现一个新物种叫 product marketer，一下把两个职位包进来？现在很多团队已经没有 designer 了，都是 design engineer；硅谷有个新职位叫 AI builder——反正你有个 Claude Code 账户，就能做所有事。以前工程师分前端后端 iOS 安卓，现在就一个人。
Raymond： 你们会想取代高职位的人吗？banker、律师？
Michael： 这些是非常高单价的工种。不会说想取代，但 definitely 想蒸馏。我很喜欢监控室的感觉——你去过商场的监控室吗？
Raymond： 去过，我不喜欢。为什么你会对监控室有兴趣？
Michael： camera room 里有一百个屏幕，每个屏幕上都是不同的事情 going on。对我这种 ADHD 比较严重的人，这非常满足多巴胺：我只有一双眼睛，但可以同时看到一百件事在发生。未来的数字员工就是这个逻辑：一群数字员工——我们内部叫 relentlessly，不知疲倦地——牛马工作着，人来 take accountability。investment banking、legal 现在还需要大量 human in the loop，出了问题很严重，所以你看 Harvey 的产品从纯产品角度非常基础：ask PDF，帮你改语法改句子，不做全文改。我们选下一个赛道，首先它要能接受比较 radical 的 change；legal 和 investment banking 接受不了，跟我们团队的调性不一致——对别的团队可能是很好的赛道。我们不只看市场好不好，更看适不适合我们做。
五、Stripe 面一个 PM 要 14 轮：labor market 的真相
Raymond： 你提供的服务本质是 labor as a service。你怎么看现在的就业市场？
Michael： 就业市场分高端低端、白领蓝领、世界各地——中东靠 UBI 过得很开心，所谓 UHI，Universal High Income；发展中国家就很痛苦，东南亚被油价逼得民生出了问题。我去过一百多个国家，对这些非常敏感，同理心很强——这也是我创业碰到的最大挑战之一：同理心太强，不够冷血。我要是像 Dario 那样非常理性非常冷血，可能会有更高效的表现。回到问题：整体 labor market 短期内肯定在变冷，但 AI 会绽放全新的工作机会。硅谷现在流行「高端 Data Labeler」：OpenAI 在 hire 很多 investment banking 的人去标注数据。有人认为标注完数据就等于上传完自己、要被抛弃了——逻辑不是这样：每个人都是鲜活的、能学习成长的个体，你蒸馏的只是现阶段的自己、过去的自己，只要保持学习，蒸馏是要不断蒸的。长期我比较 bullish：以后人类不用再花时间在低智商的事情上，可以尽情享受高智商的博弈和思考。短期冲击是明显的。
Raymond： 我从 Cursor 和 vibe coding 兴起就觉得美国要大裁员——一个工程师能干五个人的活。但过去一年美国 labor market 并没有明显变坏，今年甚至变好了。怎么理解？
Michael： 看什么指标。headcount 是可以造假的：很多大公司官网的招聘数是被机构盯着的——招聘多，人家觉得业务变强，股价会涨——所以永远保持一个漂亮的招聘 pipeline，实际多少人卡在中间，并不清楚。再举个例子：你猜 Stripe——很大的金融科技公司，按理说 move like very fast——一个 mid level 的 PM 要面几轮？
Raymond： 五到六轮吧。
Michael： 14 轮。有笔试，还有 AI 面试——HR 不敢说「用了 AI 面试我就不用真人面了」，只敢在现有 process 上再加两轮 AI 面，然后整条 line 全部面一遍。美国人还喜欢「这个 meeting overrun 了，挪到下周同一时间」，整个招聘时间线拖到五六个月——那个人的人生早就发生了很多变化，可能已经不适合这份工作了。所以 Final Round 用户的付费时间比市场对我们的理解要长：一家公司 14 轮，easily 两三个月；手里有三四家公司，就要付半年的钱。
Raymond： 这个点我之前没想过。我自己试过一次 AI 面试：对着屏幕，看得见自己的脸，它问「Raymond，你觉得你过去人生中最重要的交易是哪一笔？你在其中扮演了什么角色？」——全是 behavior 问题，不问怎么算 DCF。
Michael： 现在的 AI 面试偏 behavioral，technical 马上就会到。还有个有意思的话题：你在公司 A 做的 work trial，能不能被公司 B 看？我们觉得产权属于产品和候选人本人；公司不这么想——北美的 corporate 都比较霸道。
Raymond： 再说裁员。Meta 在大裁，之前 Oracle、Microsoft 都裁过。有什么 pattern？
Michael： 之前 expansion 太猛，organization 臃肿；引入 AI 以后，他们找到了一个完美的借口——「我们不需要这么多人，因为 AI」。**其实不是因为 AI，是他们自己知道组织臃肿。**某种程度上是 Elon 起的头：把 Twitter 几千人一口气裁掉八成，发现 Twitter 还这样在跑，没有任何变化——其他公司就会效仿。资本主义体系追求 shareholder 利润最大化，自然跟进。
Raymond： Twitter 裁人是 22 年底 23 年初，GPT 刚出来，不可能是因为 AI——他就是觉得公司只需要 20% 的人。中国互联网也一样：今天那些五万人十万人的大厂根本不需要这么多人，without vibe coding 就能裁 80%，with vibe coding 只会更多。腾讯、阿里可能都在裁，只是不公开讨论，社会影响太大。
Michael： 所以中国也需要「去火星」——创造全新的市场、全新的工作机会。那未来三年打工人怎么办？第一还是学习使用 AI——听着挺 cliché，但市场淘汰的不是不用 AI 的人，是不能用 AI 帮自己达到目标的人。这本质是内卷：二三十年前考哈佛 80 分就行，现在满分也不一定行，大家的平均水平在不断提升。对 startup 也一样，我自己也投了不少朋友的项目，最看重的就是快速学习、快速试错——token 便宜的时候试错成本很低。你会发现三番现在非常浮躁：以前的环境是 Linear 那种十年磨一件事的 focus；现在团队一上来就干十个产品，各给预算和人力，跑出来就跑，跑不出来就砍。OpenAI 四五千人，做的项目可能也有五千个（笑）。中国更夸张——你知道中国有多少个办公软件吗？每个大厂都有三个不同的 Buddy。还有 ElevenLabs，一个 audio lab，最新的产品是生成广告素材的——人才和钱都溢出了，老板说没关系，去探索吧。中国最新的梗：这个暑假学生都不去实习了，全去创业——花 200 美金买 Claude Code，能做出 30 个产品。未来会有更多 one person company，或者几个人的小团队撑起很大的营收。
Raymond： 我现在感觉，周围不会 vibe coding 的朋友 almost 是另一种物种，已经很难对话了。
Michael： 但机会还在。我爷爷奶奶那辈——中国豆包推得挺好的；美国的老爷爷老奶奶会用 ChatGPT 吗？不会。那里面有很大的机会。
六、淘宝 200 块的 AI 学习机，美国卖 300 美金
Raymond： 你们会有中国的 play 吗？
Michael： 我们是一家美国公司，没有中国业务。但我是 global mindset，全球各地都有同事，对北美市场熟一些。exciting 的机会我都 open。
Raymond： 我看完你们业务的第一反应是个暴论：中国的 AI 硬件太多了，淘宝一搜全是放个小模型的 AI 熊、AI 恐龙、AI 笔筒。如果 Hellyeah 的 growth marketing 真那么厉害，这些货在 1688 直接能进，问题只是怎么 properly 推到海外——SEO、网页、投放一整套。模式如果是对的，理论上这是毛利 90% 的生意。
Michael： 我们确实在帮几家中国头部的出海公司做初步计划，偏电商类的。我们很了解美国市场，也很了解美国的 AI 市场，这里面溢价相当大：一个 AI 学习机硬件，淘宝卖 200 块人民币，在美国至少卖 300 美金——十倍的价差肯定有，成本、销售、消费习惯要做调整。有个有意思的产品叫 Eight Sleep，水冷床垫，卖大几千美金：北美白人团队，深圳供应链。最火的一次是给 DOGE 送了几十套免费床垫，支持他们在办公室睡觉，直接 go viral。
Raymond： 这 marketing 挺好，Republicans 都会支持。但也太贵了，值得有个平替——中国不是最喜欢搞平替吗？
Michael： 刺激的就在这：红杉中国领投了 Eight Sleep 最新一轮，Eight Sleep 进了中国，卖得巨贵；一个月以后，中国平替就出现了，做得跟他一样好。没有独家专利的东西，中国人非常容易学到做到，深圳供应链又极度内卷。某种程度上也给消费者提供了更多选择——你可以喝可口可乐，也可以喝百事可乐。
Raymond： 你在模速空间有办公室，近距离看过很多中国 AI 应用公司。中美的差别是什么？
Michael： 硅谷想创造全新的 category；中国对创造新 category 不感兴趣，想要快速商业化。在硅谷造梦确实简单一些，资本的溢价也高——太多的钱，也有太多的人才需要这些钱。中国偏共识投资：**90% 的中国投资人是看共识去投的，有点像我爷爷奶奶炒股票——哪个热炒哪个。**两种逻辑，账面回报 hard to argue 谁对谁错；但年轻创业者确实喜欢梦想多过快速商业化。硅谷还出现了新玩法：General Catalyst 这类基金不占大量 equity，改做贷款——帮你做 marketing、做增长、介绍客户，take 一个 revenue 的 cut。当你很确认一件事 work 的时候，不需要 dilute 自己的股权，对创业者反而是好的。
Raymond： 你们也可以做类似的事。
Michael： 在思考，但金融类风险高，不是初创公司能随便接的。
Raymond： 出海是共识——出海更容易赚钱大家都知道，但真正做成的很少，MiniMax 的 Talkie 算一个。为什么？
Michael： 首先要有海外背景、真正了解市场：创始人要国际化，middle manager 也要。字节就很痛苦——我有很多在字节工作的朋友：全球扩张，本地员工跟外派员工肯定有文化和语言的冲突，要在内部非常混乱的情况下还能快速前进，边开飞机边修飞机。很多中国出海公司很难接受外国那套工作思路，第一个 culture shock 是「为什么不是 996」——其实美国也有非常多公司 996；第二是 trust 给不出去：中国人对异己不完全相信，还总觉得非中国人懒。我老婆公司有个巴西人，她非常震惊，说人生第一次被一个巴西人卷到——预期太低了，觉得你能来上班就挺好，结果你干了很多她没干成的事。每个人都是独立的个体，要接受差异化。更根本的是：**Anthropic 过去两个季度推出的产品和模型迭代，比所有中国大厂加起来还多——这已经不是卷人数、卷时长，是以智力为单元去卷。**中国其实很有智力，只是大家都卷劳动力去了。卷智力，要在组织结构上有一些新的设计。
七、AI 不会替代所有 CEO，但会替代做 meeting router 的 CEO
Raymond： 你从做招聘一路做到 labor solution，对组织这件事肯定想得多。AI 时代的组织结构跟以前有什么不一样？
Michael： 首先没有 middle manager；其次有很多跨职位的工种被 AI empower 出来，product engineer、design engineer。我们团队以前有 designer，后来工程师自己上手 design，发现自己也能做。有个契机：有次做 PPT，我把每页 outline 和需求都写好，准备交给设计师 polish 成 presentable 的 deck；发出去的前一秒想了一下，传给了 Claude——五分钟，一个非常精美的 deck 出现在面前。这时候我就开始思考：我们还需不需要设计师？这是一个挺 tough 的 conversation。工种之间的鸿沟在不断缩小，我需要团队有能力做能力范畴以外的事，或者至少知道怎么去尝试：一个 engineer 可以很 tech、没有 product sense，但需求下来的时候，他知道怎么通过跟 Claude 的多轮对话把 product sense 找到。
Raymond： 人还是会用工具的。所以我觉得强东哥那套逻辑是对的——给 60 万快递员开学校，让他们变成具身智能的操控员、维护员。AI 转型需要的 education 会非常重要，但市场上缺这个解决方案，大家都不知道需要什么 education。
Michael： AI 圈有句话：你学得够慢，就可以不用学——变得实在太快了。我每天沉浸在巨大的 AI 焦虑里：一周就算工作五六天，全世界的 AI 公司 very likely 已经出了二三十个值得我注意的变化，产品的、功能的，根本学不过来。
Raymond： 也有人 iPhone 4 一用四年。不是所有人都需要 Fable，用 Opus 4.5 也能给生活带来天翻地覆的变化。最后一个问题：你的员工做着数字员工的业务，应该也意识到自己可能被取代、被蒸馏。这个时代 CEO 的价值是什么？
Michael： 包括我自己的电脑也开着录屏。每个人最后都能被取代——但能被取代的是现在的自己，不是未来的自己。只要 keep learning、keep growing，永远有新的 knowledge 是现阶段的蒸馏没办法 capture 的。
Raymond： 我听过一个唱反调的说法：你蒸馏的是自己的过去，但大模型蒸馏的是非常多的人——你未来的进步，可能已经被别人的现在覆盖了。你努力半天，实际的社会级别增量小到忽略不计。
Michael： 确实，所以要更快更高效地学习。CEO 看上去很 fancy，但每天做的其实都是 tough decision——简单开心的决定，同事们已经很开心地做掉了，最后到我手上的都是恶心的东西。要么恶心 AI，要么恶心我，总要有人 make 这些 tough decision。未来大方向是 setup 好 OKR 的 agent，它就自己去执行了——给一个目标，自己拆 KR、自己干活，像真人员工一样，我挺期待那一天。但现在还不行，而且人性是不理性的：你说要造火箭，AI 三分钟就告诉你造不了，它非常理性、无法执行；Elon Musk 会说没关系，我想办法把它 push 下去。**CEO 要做的就是把不理性的目标宣传出去、鼓励大家——一定程度上，CEO 充当的是拉拉队队长。**说个 spicy 的：AI 不会替代所有的 CEO，但会替代那种做 meeting router 的 CEO——很多职业经理人 CEO 做的事情就是传话：你跟他对齐，他跟你对齐，一直开会。一两年以后企业级的大脑出现，信息异常公开透明，架构越来越扁平——美国的工程师可以直接 access 欧洲总部某个人的决策数据，上下文的对齐变得实时、自动化，就不再需要 meeting router 了。
Raymond： 大厂黑话里最频繁又最耗时间的词就是「拉齐」——本质是两个部门利益不一致，硬要扯在一起。
Michael： AI 员工天然帮了这件事：它原生就活在两个部门中间，没有 ego、没有情绪。
Raymond： 今天学到很多。这个时代反正已经来了——不管你喜不喜欢，担不担心，你可能就在被蒸馏的路上：你跟 ChatGPT 的每次对话，本质上就是它的 reinforcement learning loop。
Michael： 而且它现在还没给你钱——你在花钱。一个月花一两百美金，让别人蒸馏你自己。所以 Alex Karp 说得对，大模型公司就是 monopoly——他是我非常不喜欢的一个人，但这点我认。
Raymond： 今天不要说 Anthropic 了，智谱在蒸馏你，GLM 在蒸馏你，豆包也在。这跟当年刷抖音没什么差别：抖音蒸馏的是你的审美偏好，今天蒸馏的是你的工作行为习惯。The future is here, it’s just unevenly distributed. 所以我有个 crazy 的想法：大模型公司应该花钱让我们去用。
Michael： 同意，真的应该——**我们是它第二曲线的重要燃料，没有我们，它是用不起来的。**这解释了为什么 OpenAI 二季度的毛利可能是 -90%：大折扣让所有人抢着用 Codex，毛利非常难看，但必须顶上去——拿不到使用数据、拿不到 Record and Replay，第三季度就没法跟 Anthropic 竞争。目前看效果明显。Landscape 挺吓人的：美国现在也开始推自己的 open source model，比如 Prime Intelligence，我今天在推特上刚看到融了 1.3 亿美金，要做美国的 DeepSeek。问题在 distribution——OpenAI 可以花钱做 distribution。
Raymond： 那 Prime Intelligence 可能要跟你们 Hellyeah 聊一聊怎么 growth hacking 了。
Michael： growth hacking 很简单：把东西推到便宜的地方去。OpenAI 其实就在蒸馏印度人——它跟 Perplexity 都给印度全民免费两年，因为使用数据比订阅费值钱，反正在印度也收不上来钱；跟新加坡签了五折的协议，中东也是。非常疯狂。
完整版 91 分钟对谈，在小宇宙 / YouTube 搜索「苔藓之火」收听。