开场0:00
Hello 大家好 ， 这是一期 《 十字路口 》 和 《 屠龙之术 》 的串台 。 那今天呢 ， 我和明浩准备给大家介绍 Y Combinator 在这两季 ，也就这一年以来 ，他们投资的所有和 AI 相关的企业 ， 一共有 260 多家 。Y Combinator 呢是硅谷最著名的创业加速器和孵化器 ，2005 年他们成立以来 ， 投资了无数牛逼的初创科技公司 。
每年 YC 投的新公司 ， 基本上可以说就是硅谷新成立的科技公司的趋势的缩影 。 那 YC 呢 ， 今年一共有 27000 份申请 ，他们只投了 260 个 ， 通过率低于 1%。
所以这样的通过率 ，也从另外一个侧面说明了项目的高水准 。 那这里面呢 ，有非常多 AI 的落地场景 ， 很多很有想象力的 AI 的应用 。
那这两年， 不管是中国还是美国 ， 创投的总体上的这个资金都是有所下降的 。 但是投到 AI 的资金呢 ，在过去一年是大大增加 。
呃 ， 从 22 年到 23 年， 仅仅是和生成式 AI 相关的企业 ， 拿到的融资几乎翻了 8 倍 。 到 23 年的 12 月底 ， 呃 ， 全年在美国一共有 252 亿美金 。
那最近我们感觉啊 ，在中文互联网 ， 我们身边的朋友们聊到 AI 的时候 ， 大家都在问一个问题 ： 就这个世界上到底有没有那种找到了 PMF 的 AI 产品啊 ，有没有靠谱的 AI 产品呢 ？
那我和明浩认为 ， 与其我们纸上谈兵 ， 讨论来讨论去 ，不如我们直接来看一看 YC 的这份名单 。
那这可能是最直接的 、 藏着答案的一份名单 。 我们在 Show Notes 中也提供了这 260 多家公司的详细列表 ， 建议大家对照着列表来收听本期节目 。
我们同步还录了一份视频 ，在 Show Notes 里面呢 ， 大家可以看到这个视频的链接 。 有朋友问我俩为什么要做如此吃力不讨好的项目 ， 明浩你怎么看 ？
哈哈 ， 可能 10 年之前我在做 VC 的时候 ，在做分析师的时候 ， 我其实每半年会总结一次当时美国几乎整个 TMT 市场的所有项目 ，是大概可能每半年大概一两千条吧 。
我我印象深刻的是 ， 每次做那个事情的时候 ， 你内心是非常兴奋的 。 嗯 ， 就是你内心是有那个非常渴望 、 非常渴求 ，并且非常有那个求知欲的状态 。
因为我们在整个过程中也会发现 ，有一些比如公众号或者一些媒体朋友们也会做类似的整理 ，但你看完之后你会发现 ， 第一 ， 大部分人在用 AI 做整理 。
嗯 ， 那当然今天的 AI 工具能力非常强 ， 大家都知道 。 可是反正我最近的感受是说 ， 比如之前 ， 可能半年之前 ， 我还会经常用一些呃 AI， 比如说综述啊 、 整理这样的工具来去做一些文章跟内容的查看 ，但你会发现那个东西弄出来之后， 你跟没看一样 。
嗯 ， 就是你体感的感受几乎是没有的 。 嗯 ， 看完就过了 。 然后你会发现 ， 你慢慢的还是希望自己以亲身体感 、 肉身的方式去参与 、 去感知那些内容的状态 。
所以我们做这个东西 ， 我觉得本质上来讲 ， 第一满足是我们自身 ，因为几乎所有人都问类似的这样的问题 ：AI 的应用到底是什么 ？
产品应该怎么做 ？ 应该怎么划分功能跟产品跟技术的边界 ？ 很多时候的探讨是特别空的 ， 嗯 ， 特别在浮在上面的 。
嗯 ， 那既然没有答案 ， 那我们就看现在在做尝试的人到底在做什么 。 是的 ， 我们希望通过这样的一种肉身的体感的感受 ， 让这件事情对自己 ， 对呃 ， 甚至说的更大一点 ， 对这个行业大家的基础的认知有一个比较大的提升 。
嗯 ， 我觉得这件事情就有意义了 。
嗯 ，是的 。 我的感受是 ， 为了准备这期播客啊 ， 花了还蛮多时间 ， 一个一个去看这 260 多个公司 。 那这其实是真的在看那些积极行动者们 ， 就是投身去创业的人 ，他们究竟在 build 的什么 。
而且他们置身在硅谷 。 然后我觉得我们今天好像又回到了一个去看看硅谷在发生什么 ， 然后我们从中得到灵感 、 得到启发的一个时代 。
那这个虽然 Y Combinator 这一期投资名单出来之后， 中文互联网大量的新闻 、 大量的报道 ，但是我自己看下来都觉得还是比较浅的 。
嗯 ， 只是做了一些罗列 、 数据分析 。 嗯 ， 然后我自己看下来啊 ， 这 260 多家公司对我是很有价值的 。
那尽管今天 AI 还存在着非常多的问题 ， 比如说头部的产品的增长好像已经遇到了天花板 ， 那新的应用场景呢 ， 落地又比较困难 ， 呃 ， 各种 AI 公司的盈利模式都还没有保证 ， 等等等等吧 。
但是我们是认为这些问题它是可以渐进解决的 。 那既然现在有广泛的共识 ， 生成式的 AI 它是未来技术发展的一个重要方向 ， 那么此时此刻我们更应该思考的一个问题呢 ， 就是生成式 AI 会在什么时候 、 用什么样的方式和产品引领我们进入继 PC 互联网和移动互联网之后的全新时代 。
而我们今天要过的这 260 多家公司 ，他们当中说不定就藏着未来的 Google、 未来的 Meta、 未来的 TikTok。 啊 ， 我们会按字母排序来过这 260 多个公司 。
嗯 ， 啊 ， 好 ， 那我们就从第一个开始吧 。 第一个叫做 Abell， 它是一个这个法律行业的一个 AI 公司 。 嗯 ， 它做的事也比较不言自明吧 ， 就是帮助律师在去审查法律文件的时候 ， 可以更快的 、 可以提高效率 。
专业服务AI5:15
啊 ， 这个其实是一个比较主要的这个 AI 创业方向吧 。 因为律师是文字工作者 ，而今天的生成式 AI， 它对于这个文字工作者的效率的提升是有极大的这个赋能意义 。
因为我们大概看了大部分项目过程中， 过程中其实针对法律场景的项目还是挺多的 。 嗯 ，但是大家的切入点确实可能大同小异吧 。
嗯 ，因为律师的现有的工作流程里面 ， 确实跟文档 、 跟条款 、 跟公开网络的很多信息之间的这个交叉处理是一个共性的问题 。
对 ， 所以你会发现 ， 针对这个场景 ，有很多公司在做类似的尝试 。 然后这家公司就是呃 ， 主要做的功能还是针对文档的 。
嗯 ， 然后它用的交互方式就是以 ChatGPT 为代表的这种 Chat 的交互方式 。 嗯 ， 所以你从看的角度来讲 ， 我觉得一下子大概就能看明白 。
然后我们对项目的评判 ， 然后当时因为所有的项目的这个这个表的来源也不是我们做的 ， 是一个国内的公众号的这个产品二姐 ， 产品二姐做的 。
她她其实也是用 AI 爬的 YC 的整个的投放列表 ， 然后我们基于这个列表在做 。 然后在这个项目爬完之后 ，其实所有的项目的分类是已经有了 。
嗯 ，因为 YC 的网站上的公司的分类就是有 ， 所以我们就没有再做分类 。 嗯 ，但是我们加了一些标签 ， 这个标签就是纯这个体感 、 肉身的感受的标签 ， 对吧 ？
我们标签大概有几个 ， 对吧 ？ 比如说有点意思 ， 对吧 ？ 其实大部分从结论上来看 ， 我们大部分项目都是觉得有点意思 。
是的 ， 嗯 ， 然后比较牛逼的就是让人眼前一亮的 ， 无论是它的功能还是想法还是切入点还是什么 。
嗯 ， 然后也有肯定会黄的 ， 对吧 ？ 就不太行的 。 啊 ， 当然我们没有那么直接 ，也放了一个不太行的 。
然后还有一些是看不太懂的 。 嗯 ， 那可能因为我们的从业经验 ， 比如说常见的一些偏技术 、 偏编程 、 偏编码的这个类项目 ， 我们可能看没有没有那么理解 。
对 ，但是我们也找到两位朋友 。
对 ，是极客和我们的群里面的朋友 ， 一位叫智韬 ， 另外一位叫山沟沟里的孩子 。 对 ， 就两位技术大佬 ，他们帮我们看了这差不多 50 家各种和技术相关的公司 ， 然后也给出了他们的点评 。
嗯 ， 所以我们在讲到这些公司的时候 ， 会参考他们的建议 。 对 ， 好 ， 然后回到这个第一家这家公司 ， 反正我写的评论是说 ， 呃 ， 基于文档的这样的处理 ， 然后多写了一句是说 ， 我如果没记错的话 ， 国内其实是有一家律所在做类似的事情的 。
嗯 ， 就是不是那个那个开发者啊 ，不是这个纯技术员工 ， 是一家律所 ， 然后以及律所的 IT 团队在做类似的事情 。OK， 我忘了是哪家律所 ，而且是一家比较头部的律所 。
我我那天还看到上海律师协会 ，他们在自己的公号上组织一个活动 ， 就是像黑客松一样 。OK， 啊 ， 就是各种这个和律所相关的这个科技公司 ， 大家可以去报项目来评比 ， 然后评了一大堆 ， 最后选出 10 个 。
嗯 ， 我觉得这个里面确实是就技术提升效率是比较眼见着有价值的 。
因为可能对律师而言 ， 时间就是非常明确的被定价好的事情 。 嗯 ， 你节约的时间 ， 理论上就是可以靠它挣钱的 。
嗯 ， 对吧 ？ 所以律所我觉得 OK， 然后我们俩评价都差不多 ， 就有点意思 。 嗯 ，但是你说有特别大的眼前一亮的 ，其实是没有的 。
嗯 ， 然后我们就第二个项目 ， 对吧 ？ 嗯 ， 进行第二个 。
第二个是一个这个用 AI 帮助装太阳能的 。 啊 ， 这个我觉得它切了一个很垂直细分的赛道 ， 这也是整个 YC 这个名单里面我们觉得很典型的一个 。
对 ，是的 ，是的 。
就它找到一个特别好的细分场景来解决问题 。
对 。
嗯 ， 比如它可以帮这个就是设计师去根据要安装太阳能的那个物业来去出它的设计图 。在这个过程中还能够这个帮他去做方案 。
嗯 ， 直接就一个提案生成出来就可以卖了 。
对 ， 嗯 ， 然后我看完之后就觉得就是第一 ， 就是我没有那么知道美国的 ， 比如个人家用的电太阳能的这个市场有多大 。
但是我有另外一个比 ， 我写的评论是说就是这个太阳能板的库家乐 。 哈哈哈 ， 就非常像 ， 对吧 ？
就是它的实现的逻辑 ， 就是通过 AI 的方式帮你生成整套的方案嘛 ， 就跟库家乐帮你生成装修方案是一样的嘛 。
但是这一步其实并不是一个完整的生意嘛 。 嗯 ， 它后面有你直接可以买 ， 可以把方案变成可交付的东西 。
嗯 ， 那就跟库家乐帮成 ， 帮你把所有的装修的材料 、 装修公司方案全部都包括软装的东西都不一步一就是相当于全部在这里搞定 。
嗯 ， 然后变成一个完整流程的端到端的 。 嗯 ， 这个事情就端到端这个关键词 ， 我觉得也是我们看到很多项目都会强调的一个角度 ， 就是从从一头到一头全全流程的交付给你东西 ，而不是单纯的只解决一个环节上的问题 。
所以这个国内我们不知道这个市场怎么样 ， 还美国我们也不知道市场多大 ，但是你会明显感觉这个切入点真的蛮有意思的 。
然后它的实现方式跟这个从需求到真正交付的整个过程的满足是挺顺理成章的 。 嗯 ，是的 ， 我的感觉是这样 。
嗯 ， 对 ， 切了一个很好的细分赛道 。 对 ， 好 ， 再下一个 Agent Hub。
Agent Hub， 嗯 ，Agent Hub 有点像 Coze。 对 ， 非常像 。 嗯 ，其实我们现在的这个文档就是 Agent Hub 做的 ， 就是在 Agent Hub 里面做了一个 Agent。
哦 ， 它是用 Agent Hub 做的 。
对 ， 然后抓了 YC 所有的项目 。 对 ， 对 ， 对 ， 然后再做了一些过程整理 。 啊 ， 然后同时还哦 ， 对对对 ， 把翻译也做了 。
对对对对对对对对 。 所以其实大家现在看到我们这个视频上面投屏的文档 ， 它确实这个中文就是 C 类和 D 类没有那么流畅 ，是因为它是 AI 翻的 。
对 ， 哦 ， 它是用 Agent Hub 做的 。 嗯 ， 那那就能理解了 。 嗯 ， 对 ， 这个体验我自己看下来觉得还不错 。
嗯 ， 比起 DeFi、Coze 用起来 ， 我觉得 Coze 的体验肯定现在对于这个非开发人员来讲啊 ，是比 DeFi 要友好很多 。
对对对对对 。 啊 ， 然后 Agent Hub 呢 ， 就整个感觉它做的模板数量也不少 。 嗯 ， 然后给人的那个呃 ， 就安全感我觉得还挺强的 。
嗯 ， 就是我看了一些 demo， 嗯 ， 就感觉还是体验也不错 。 对 ， 然后安全感就是它整个这个 workflow 操作的就是颗粒度也很细 。
嗯 ， 所以这个也是一个很典型的一类项目的代表 。 对对对 ， 非常典型 ， 就是我评价叫加了 AI 的以及可视化拖拽方式的 IFTTT。
哈哈哈 ， 就是对吧 ？ 原来没有 AI 的时候 ， 大家是要用编程语言跟逻辑完整的去构架好整个的流程的 。
嗯 ，但是有了 AI 之后， 包括拖拽的这个交互方式之后， 嗯 ， 这件事情变得门槛更低了 。 嗯 ， 嗯 ， 就这类公司其实有好几家 ，也不是这一家 。
对 ， 这类公司很多的 ， 就是做 agent 中间件 。 对 ， 那我觉得这个就是还推荐大家都试一试 。 对对对对 ， 就可能上手难度没有那么高 。
对对 ， 上手难度看上去界面有点复杂 ，但你花点时间搞一搞还挺好玩的 。 是的 ，而且今天哪怕不是用 Agent Hub， 就是用 Coze， 它做完之后可以直接连飞书 ，也可以直接连到企业微信 。
对 ， 啊 ， 就是你自己做一个东西 ， 可以迅速的推给朋友们来用 ， 就这个感受还是蛮好的 ， 可以快速得到正循环 。
对 ， 然后对你说这个多引申一句 ， 就看这个项目过程中， 有一个非常大的明显的感受是说 ， 就像这样一张图 。
嗯 ，是几乎出现在很多各种各样的 AI 应用里面 。 就是它因为可能美国的整个的软件生态比较完善 ， 对吧 ？
对 ， 几乎所有的头部的厂商都有非常完善的 API 跟 SDK， 当你做一个业务流程的某一块 ， 哪怕只是一个非常小的环节 ， 你都可以非常无缝的 。
嗯 ， 衔接到 。 嗯 ， 那些内容里面 ， 就是类似这样一个图 ， 好多网站上都有 。 嗯 ， 哪怕我记得有一个做牙医的那个那个 。
哈哈哈 ， 预约的 AI 的助手 ， 它都可以直接无缝的连接到今天所有的什么头部的医疗的 SaaS 系统里 。 是的 ， 就是就这个生态跟这个状态 ， 你会觉得哎 ， 对开发者非常友好 。
对对对对 ， 嗯 ， 很不一样 。
对 ， 我们再看下一个啊 ， 叫 Agent Tape Labs。 啊 ， 它是一个软件研发的一个项目 。 对 ， 我们来看一看我们请到的两位志愿者朋友的评价 。
嗯 ， 然后其中一位给了呃蛮高的分的 ，他的满分是呃 10 分 。 嗯 ， 然后他给了 5 分 。 对 ，是也算不错了 ，因为我看他其他项目给的分更低 ， 非常保守这个人。
然后呃 ，他这里讲的是从需求理解开始 ， 就在去写设计文档 。 嗯 ， 然后他也就是说 ，他其实不只是呃 ，他不是说帮你 coding 的 ，他其实帮你做文档的 。
对 ， 嗯 ， 这个我觉得确实是很多项目的代码永远就是跟不上文啊 ， 就文档永远跟不上代码的速度 。
嗯 ， 然后写文档又是一个工程师都挺讨厌的 ， 非常讨厌 ， 就是好不容易把代码写完了 ， 现在还要让我写文档 。
哈哈哈 ， 所以他要解决的是这个问题 。 对 ，他是挺好玩的 。 来 ， 我们再看下一个 Agentive。Agentive， 嗯 ， 这个创始人是审计师的背景哈 。
然后对 ，他要做的也是很垂直的 ，是帮助去缩短审计的时间 ，其实也是给这个文字工作者 。 对 ， 尤其是表格使用的 。
嗯 ， 尤其是表格 。 对啊 ，他这里自己在官网上提到 ，他们会有 10 倍的效率的提升 。 哦 ，10 倍这个关键词出现在无数无数的项目里 。
所有人都说无数的 10 倍 。 哈哈哈 ， 哇 ， 这个感受真的是 。 嗯 ， 那我觉得可能某种意义上是 YC 的这个 ，因为 YC 有一套 ， 中国的那个西创的也有一套 ，但他们针对创业者的那个培训 。
嗯 ， 就包括教你怎么去表达 。 嗯 ， 你的这个对外的官网的介绍 ， 然后包括你那个 PPT 的当时的那个呃框架 ， 跟一些形容词的这个说法 ， 可能都是有一套战术层的操作的 。
你会发现很多这样的项目 ， 就是你包括他们的主页的状态 。 对 ， 那些东西的描述跟那些关键词的用法非常的像 。他们主页后背都是 AI 做的 。
哈哈哈 ，有很有可能 。 我觉得是这个是针对 ， 确实针对审计师场景的 。 呃 ， 把表格我觉得这个真的很有用 。
就是如果你是专业的人的话 ，并且因为他这个创始人就是审计师出身 ， 然后所以他可能对这些审计的细分的很多场景的理解就会比较深 。
过去的痛苦 ， 比如说整理发票 ， 对吧 ？ 一大堆乱七八糟格式不一的发票 ，其实现在全部丢给 AI。
哦 ， 这个确实是一个很明确的能解决问题的一个场景 ， 很明确的场景 。 嗯 ， 暂停 。 哎 ， 我们再看下一个 ， 是一个 CRM 叫做 Agents Force。
对 ， 这个 founder 是之前在阿里美国干过 。 对 ，他们是阿里那时候针对也也是针对那个中小商家的那个生意 。
嗯 ， 然后他们在美国 ， 然后针对很多中小商家 ， 然后提供的服务是针对发票这个事情的 。 哦 ， 这也是针对发票的 。
对 ， 票证他们叫 。 嗯 ， 然后用技术的方式实现整个的流程的缩短 ， 特别提到了阿里跟 Google 的工作经历 。
嗯 ，他们当时在工作过程中， 就是这个引发另外一个 ，但我们就强点讲点的 ，其实有很多 ，因为除了我们看那个项目本身的介绍之外， 我们也会看那个创始人背景嘛 。
嗯 ，其实很多都是可能 60% 的创始人都是从原有业务中找到一个呃场景也好 ， 一个困难也好 ， 或者一个什么东西也好去做的改进 。
当然也有也有一大部分是嗯跟这个业务场景没有那么关联的 ，也有 。 嗯 ，但这个就非常贴着原来在做的事情 。
嗯嗯嗯 ，而而且 CRM 是一个非常大的 。 对 ， 非常大的 ， 非常大 。 好多在干这个 ， 哇 ， 太多了 。 然后他这个官网的最后啊 ，他写着这个 pay for resolutions， 就这也是今天我们看到很多 AI SaaS 的一个典型做法 。
就是我不再是像原来的 SaaS 一样卖做席或者卖年费 。 是的 ， 我是直接交付结果 。 所以这里他写的也挺狠的 ， 就只有当你拿到了结果 ， 你才需要付费 。
对 ， 甚至他这个意思啊 ， 我理解就是你解决了一个客户的问题 ， 你按我帮你解决多少问题 ， 你要付我多少钱 。
对啊 ， 这个确实是今天看到的一个 AI SaaS 的趋势 。 嗯 ，因为我最近在十字路口访问了两个做 SaaS 的 ， 对 ， 你今天更新的时候看到了创始人 ，他们都是这种思路 。
对 ， 就不是卖软件了 ， 真的是卖结果 。 是的 ，是的 。 啊 ， 再下一个是特别有趣的一个 AD。 嗯 ， 叫 AD，他是做这个政府补助的申请的 ， 然后这个这个呃 ， 你可以让你因为政府的很多申请的文档是非常复杂且就是格式要求很多 。
嗯 ， 然后每一个体系 ， 每一个窗口可能又不太一样 。 嗯 ， 然后他针对这个场景提供了一套服务 ， 对吧 ？
你把你基础的信息输进去 ， 然后他可以生成对应政府需要跟满足政府申请这些救助补助金什么基金的扶持的内容 。
嗯 ， 然后提交给政府 。 然后那为什么会做这个事情 ， 我觉得跟创始人的这个背景也相关 。 这个人原来就是美国的呃房产局工作过的 ， 然后也是参议会会那个议员 ， 然后在之前是在洛克菲勒基金会的 。
所以他每天之前的工作就会面对无论是基金申请 ， 嗯 ， 还是呃房产相关的这些什么补助金 ， 乱七八糟金的发放 。
嗯 ， 然后又因为他是参议会的会员议员 ，他对民众的对这件事情的抱怨理解也比较深 ， 所以做的这个事情 。
当然你说这个事情可能在国内场景不太一样 ， 对吧 ？ 国内环境可能也不太一样 。 嗯 ，但是就是我觉得这也属于比较有爱的项目 。
对 ， 我我感觉在国内就是帮你也能做很多呀 。 啊 ， 就这个申请 ， 对各种政府的文档的填写要求 ， 那可能是中国另外一套玩法 。
另一个就是我们特色社会主义的一些文档要求 。 之前看到好多人还用 AI 来写入档申请书 。 公文写作 ， 公文写作是我们另外一个 。
对 ， 公文写作 。 嗯 ， 这是叫 AD。 只是在中国这个事可能收费要变一变 ， 收费不太容易 。 呃 ，在美国他这个就非常的可以直接 。
嗯 ， 好 ， 再下一个叫 Airfront。Airfront 这个是一个呃 ， 就直接把你的邮箱里面的邮件 ， 对 ，他一个一个去理解 ， 然后从里面提取啊 ， 比如说你的 To Do 啊 ， 提取老板分给你的任务啊 ， 嗯 ， 然后再和你其他的这个呃流程绑定 ， 流程绑定起来 。
嗯 ， 这个事可能对于强依赖 email 去进行工作 。 对 ，是的 ，是的 ，是的 ，是的 ，是的 ，是的 。 那我在想象 ， 假设他把这个 email 换成微信 ， 就他读我所有的微信 ， 然后每天告诉我今天你在微信里面有这些事 ，是别人这个拜托你要干的 。
啊 ， 那其实看起来还是可能有点帮助吧 。 虽然也就是挺有压力的 ， 就可能有些事我忘了就忘了 ， 现在你要提醒我不能忘 。
我会觉得这个就是 Q6 年本身的实现确实没有那么难 ，因为通过 AI 的今天的能力 ，但是你会觉得这个业务或者他现在在框的这件事情的场景可能过于薄了一点点 。
当然你看 ，其实后面也会聊到很多相关的公司也会接管整个的邮件啊 ， 什么用户的电话 ， 什么短信 ， 然后来做后面的 CRM 乱七八糟的事情 。
嗯 ， 反正这个这个他现在在做只做邮件跟就是相当还只是 inbox， 就是他只常要来的邮件的这个综述跟整理 。
那这件事情好处可能确实比较容易理解 ，但问题就变成了然后呢 。 对 ， 对 ， 这个可能是反正我我是觉得我是标了个不太行 。
嗯 ，他可能也用这种方式来获客吧 。 就如果有可能 Gmail 的这个客户基数足够大 ， 那先获到客之后再往后做呗 。
对 ， 然后下一个叫 AI SDR， 可能就是类似刚才我们讲的这样的一个 deal。 嗯 ， 对 ，SDR 在英语里面它应该是这个销售代表 。
对 ， 销售代表的意思 。 对 ， 然后所以它其实这个名字也比较直接 ， 就是给销售人员用的 AI。 对 ， 然后用 AI 来帮你写销售的邮件 。
嗯 ， 然后和可能的例子去沟通 。 对 ， 约会 。 对 ， 嗯 ， 然后他甚至我看到还有一个功能是可以帮你去在网上到处找例子 。
对 ， 帮你拓展客户 。 嗯 ， 这个也是就是比较直接能想到的吧 。 对 ， 这个也是一个很明确的一个创业赛道 。
而且它的名字起的很好 ， 我觉得就是比较简单直接 。 嗯 ， 当然它在就是 SDR 这个客户代表的工作也有很多 ， 对吧 ？
嗯 ， 它到底能够在哪些环节解决多少事情也是未知的 ，但至少它占了这样一个名字跟这个心智 。
对 ， 对 ， 对 ， 然后它收费很贵哦 。 对 ， 非常贵 ， 非常贵 ，10 美金一个月 。 对 ， 非常贵 。 嗯 ， 这个真的很 。
它如果能做到那个那什么的话 ， 我觉得那也可以 。 但它这个应该不是一个人的 ， 它这里写的是 unlimited seats， 就是一个公司买了之后可以无数人都用 。
对 ， 好 ， 我们再看下一个叫做 Ally。Ally， 嗯 ， 这个是帮技术人员做 PPT， 还是他是帮专业人士做 PPT。 对 ， 这里可能中文翻译有点问题 。
对 ，是帮专业人士做 PPT， 生成专业的 。 当然它是有几个模板的 ， 它现在我们能看到几个模板去生成 。
刚才你看刚才那个图 ， 漏斗图 ， 漏斗图 ， 就你把你的描述以自然语言的方式生成漏斗图 。 这是它最最直接的一个体现 。
就是就是 PPT 这件事情也不是这个 。 你看它现在生成漏斗图 ， 然后时间轴 。 嗯 ， 文本框 。 嗯 ， 就是 PPT 常见的几个固定格式 。
嗯 ， 然后它以就是原来我们做这种东西是要用模板然后套进去数 。 嗯 ， 它现在方式是说你直接用自然语言的方式就嗯生成了 。
嗯 ， 那逻辑上就是这么简单一个逻辑 。 但是再往下， 嗯 ， 我们也不知道它能怎么样了 。 我自己呃上次有聊到啊 ， 我在用 Gamma 做 PPT。
啊 ， 对 ， 这个确实对我还是蛮有帮助的 。 是 ， 我看了一下 Ally， 我觉得它比起 Gamma 感觉切的更细 ， 就是它像个功能 。
我觉得它它它像一个功能 ， 它不像一个完整完整产品 。 对 ， 它像个功能 。 可能我做其中某一页可以想到 ， 哎 ， 你来帮我把这一页做了 。
它不像 Gamma， 我丢一个结构化的文档进去 ， 它直接会把这个文档变成一个可用基本可用的 PPT 吧 。 就是它把 PPT 的创建的这个场生成场景再再次切了一刀 。
嗯 ， 那其实后面也有类似的公司 ，但是它是按行业切的 ， 就专门给金融的 。 那个我还用过 ， 我觉得还行 。
那个我看你写的更牛逼 。 对 ， 对 ， 对 ， 我们待会我觉得可以聊到 。 再下一个叫做 Agula， 这个是一个我觉得还挺牛逼的一个金融公司 。
然后我理解它是什么呢 ？ 它是现在这个其实做 B2B 的 SaaS，有一个定价报价和算费用的一个过程 。 过程 ， 对 ， 然后在过去呢 ， 要就是定一个价格 ，是要根据客户的需求啊 ，不管是复杂度还是你使用的人数 。
嗯 ， 然后包括你到底要选我多少功能 ， 它应该蛮复杂的 。 然后现在它是用 AI 把这个定价给系统化了 。
对 ， 然后让报价你可能 1 万个客户报了 1 万份不同的价格 ， 这也可以理解吧 。 这也不是说差异化定价 ， 就是大家确实需求对不太一样 。
嗯 ， 然后当然还有一个啊 ， 就是今天 AI 有很多是这个按使用计费的 。 是的 ， 这其实是让这个 SaaS 的收费变得更复杂 。
所以它其实也是就是在提供这个服务 ， 就你的定价报价到最后来出账单 ， 我就这个用 AI 帮用 AI 来帮你解决掉 。
这个确实是能够节省这个一些人力的 。 嗯 ， 就是切的很垂直的赛道 。 是的 ， 它可能在这个赛道找到了一个痛点 ， 然后希望在这里找 PMF。
它又端到端 。 嗯 ， 又端到端 ， 端到端解决方案 ， 然后又是拖拽式的交付方式 。 嗯 ， 哇 ， 这个真的快成通用的规则了 ， 我觉得 。
嗯 ， 对吧 ？ 对 ， 都在用拖拽式的这个解决方式 。其实这个方式还是有点门槛的 ， 一开始让人看的时候会有点复杂复杂 。
嗯 ， 下一个叫 Amber AI。Amber 是给售后团队做 AI 的一个助理 。其实这个和上面的那个 AI SDR 非常像 ， 非常像 ， 就几乎就是竞品吧 。
对 ， 哦 ，他们好像是在你看 ，他们也谈了 AI SDR。 嗯 ， 对吧 ？ 嗯 ，他们好像是在欧洲 ， 好像这个 team， 我没记错的话是 。
因为维斯这两天也有很多那个非那个美国的项目 。 嗯嗯 ， 可能他们是在欧洲 ， 我没记错的话 。 这个它针对的客户更多是中小企业 。
对 ， 嗯 ， 然后提供的这个价值也比较类似 。 对 ， 嗯 ， 那我觉得这里面可能最后也挺能百花齐放的 ， 就是大家服务的这个客户就各有侧重 。
对 ，而且尤其在早期 ，其实大家的产品都没有那么完善的情况下， 肯定都还是要根据客户做一些这个定制化的 ， 定制化的 。
对 ， 对 ，而且在今天 AI 的 SaaS 又在讲 ， 我们交付的不是产品 ， 交付的是结果嘛 。 所以这就很像一个一个的小咨询公司 ， 就掌握着 AI 可以给你交付最后业务结果的咨询公司 。
而且它的可能对某些行业或者某些地区的专门的理解是别人没有的 。 嗯 ， 这样的公司在中国也有不少 。
对 ， 下一个这个名字叫做 Anafil。 对 ， 哦 ， 这个是一个医药行业的第一个公司 。 对 ， 医疗也是大品类 。 嗯 ， 好多家公司 。
嗯 ， 这个 founder 是一位医生 。 对啊 ， 然后确实我觉得在美国的医生 ，他们的 paperwork 就是文字工作特别特别多 。
对 ， 然后你会发现 ， 就是大家大家那个提到医疗的时候 ， 会把医疗想成一个非常复杂跟庞大的工作 。
但你从这些落地的项目来看 ， 大部分其实是做接电话的 。 对 ， 哈哈哈 ， 对吧 ？ 包括对 ，其实就是包括跟刚刚我们讲法律是一样的 ， 就是这都是一个非常大的行业 。
嗯 ， 然后它有无数的环节 ， 然后我们也知道这个行业的从业者的时间很贵 。 嗯 ， 所以天然的会想到说应该会改进 ， 会变好 。
但是具体干什么 ， 嗯 ，以什么方式切入 ， 包括怎么收钱 ， 大家还在试 。 大家这个感觉八仙过海 。 对 ， 比如说接下来这一个 Andy AI， 它又是医疗 ， 它这个切入就更更有趣了 。
它是给家访的护士写文档的 AI。 对 ，因为家访的护士要记就是东西很多 ， 要记的东西非常多啊 。
然后它这里还有一个它自己的一个数据啊 ， 它是说用我们来记 ， 比这个家访护士自己记可以多记 24%。 因为理论上家访护士带着这个录音录音设备 ， 对 ， 然后最后 AI 来转录 。
对 ， 这个确实是一个我是家访护士 ， 我肯定想用 。 对啊 ，是的 ， 就是可能我原来每天要花几个小时， 就只能有我的这个记录 ， 现在一键生成 。
而且它这个流程本身来讲 ， 就是它之前的流程是完整的 ， 你不需要再加附加的什么东西 。 对 ， 然后你只需要把原来的工作重新再正式再做一遍 ， 它就帮你生成了更好的结果 。
对 ， 它这里还有一个很厉害的点 ， 它是说用这个 Andy 做的医疗记录能够多发现 45% 的疾病 。 嗯啊 ，因为它背后有一个这个逻辑是说 ， 很多时候就是它在这个就是疾病的发现是藏在一些细节里 ， 细节里面 。
但你就是就这个 ， 可能就中国的医疗环境跟美国医疗环境确实非常的不一样 ，不一样 。 所以就是我没有办法那么切身的感受这个事情到底有多么的大 ，但你从它的实施的呃路径方案跟最后交付的东西来看啊 ， 它是在一个已经原有非常它不破坏原有的流程 。
嗯 ，也不增加原有流程的更多的工作 。 对 ，但是它让这件事情的效率在对肉眼可见的方式做了提升 。
对 ，而且原来的这个人的那个每个小时的费用很高 。 对 ，他节省一个小时就直接那个费用就出来了 ， 价值就出现 。
那我觉得在中国可能未来会在养老 ， 就是慢慢的有可能 ， 嗯 ， 慢慢的推起来 ， 就直接在三甲医院 ， 我觉得难度还是有点大的 。
是的 ，但在就是更健康关怀 。 而且这两个人， 对 ， 这两个我记得这两个创始人， 一个是在那个 Google 的那个生命安全的 team， 一个是在那个 Apple Watch 的健康的 team。
就是他们本来他们在做那个事情的时候 ， 可能天生也原来就是想解决这个场景里 ， 比如 Apple Watch 最早也在强调健康的监测 ， 乱七八糟的东西 ， 甚至能提醒你的身体有什么问题的 。他们可能在工作过程中发现 ， 今天 AI 能让他办这件事情 ， 你不需要新买一个设备 ，不需要更复杂的操作 。
没错 ， 用原来的流程去解决这件事情 。 嗯 ， 下一个号称 TT 杀手 ， 哈哈哈 ，Talk Killer， 终于终于看到一个 2C 的 。
对 ， 终于 ， 哎 ， 第一个 2C 的项目哎 。 对啊 ， 它是用那个生成式 AI 来帮用户做短视频 。 对 ，但是它现在是 coming soon 的状态 ， 我们只能去看那个 YC 的介绍 ， 它到底做的怎么样 ， 目前我们还看不太到 。
2C探索29:55
官网还是只有一个就拉满预期值的 TikTok Killer 的一个说法 。 对 ， 对 ， 对 ， 我们只能去看 YC 的介绍了 。 嗯 ， 创始人之前也在 YC。
对 ，有别的项目 ，他自己要做的还是一个社交平台 ，他不是只是一个工具 。 是的 ， 就是你在这里用 AI 创作的视频也可以发到这个地方 。
对 ， 然后我有另外一个抱论啊 ， 就是嗯 ， 这这两批的 YC 里面有几个其实是原来做 Web3 不太成功的创业者转型的 ， 哈哈哈 ， 然后都在做 ， 呃 ， 反正都是做 2C 的偏宇宙化应用的项目 。
嗯 ， 哎 ，他这里有个理念是我自己认同的 ， 就是他希望能够让未来创作视频和创作一篇 Twitter， 嗯 ， 就是难度是一样的 。
嗯 ， 就理论上我觉得这可能就是未来 ， 比如说最早其实我们写文字不还要甲骨文吗 ？ 你得首先有钱 ， 得买得起甲骨 。
对 ， 同时你还要就是花很多时间去学那个篆刻的技术 ， 对吧 ？ 到最后慢慢写文字 ， 才变成所有人都拥有的一个能力 。
是 ， 就降到零成本 ， 那未来说不定视频也能这样 。 有可能现在看上去我得花好多的钱去搞设备 ， 花好多时间去学怎么写 。
嗯 ，但未来有可能就是会越来越简单 。 再下一个 ， 这是一个 HR 的一个 AI， 叫做啊 ， 这个名字好拗口啊 ，Priora。 对 ， 它是帮这个 HR 筛选面试 。
对 ， 嗯 ，AI 面试 ， 这个反正国内也有有很多公司在在做 ， 很多公司在做 。 对 ， 然后它呃人力也不是只有这样 ，也有很多公司 。
然后你发现啊 ， 除了面试有日程的确认 ， 嗯 ， 包括后面面试完之后的整理打分 ， 嗯 ， 评价乱七八糟这些东西 。
嗯 ， 甚至我记得还有一家是我记得你写的是比较牛逼 ，是专门帮你挑潜在的创始人的 。 嗯 ， 就你输入用自然语言的方式输入你的要求 ， 潜在的候选人。
对 ， 潜在候选人。 对 ， 对 ， 对 ， 对 ， 对 ，有那样一家公司 。 这个反正就是主要是做面试预约跟后面的这个评价的 。
嗯 ， 然后你看也有一个这样的图 ， 就是嗯 ， 接入现有的各种各样的 HR 的系统 ， 这些系统都是 HR 的系统 。
对 ，其实在那个新西兰和庞岛 HR 系统是用的 Moka。 对 ， 我知道 ，也挺好用的 。 国内的那什么吗 ？ 再下一个叫做 Aqua Voice， 这也是一个 2C 的工具 。
对 ， 嗯 ， 然后我觉得有点意思 ，但是就很很薄 ， 太薄了 。 就是我我看完这个 ， 我直接发给了我一个在某家大模型的厂商做那个产品负责人的 。
嗯 ， 我说这个应该就是你们下一阶段大模型公司的标配 。 对 ， 对 ， 对 ，Chatbot 的标配 。 对 ， 嗯 ， 就它的我觉得逻辑非常简单 ， 理解就是你以自然语言跟平时的方式去说一段话 ， 然后它帮你生成一个成体系成系统 ，有标有有有框架的 。
嗯 ，有可直接 ， 比如被可以用作电子邮件的正式的 ， 就把口语化的表达变成书面化的表达 。 对 ，是的 ， 就是因为现在我们就在如果是用语音输入 ， 还是要把自己调到另外一个状态 。
对 ，是的 ，是的 ，是的 ，是的 ， 要非常清晰的逻辑分明的来去把事情说清楚 ， 这个很不容易 。 对 ， 所以它做的就是自然语言变书面语言 。
但这个就是我觉得想法很好 ，而且现阶段确实 AI 能够实现是这个交付 。 嗯 ，但是就是这公司可能最后几个人， 然后被某家厂商收了 ，也有可能被收了 ， 已经是很好的结果 。
对 ， 甚至我觉得我觉得某种程度应该会成为下一阶段大明星公司的标配 。 对 ， 对 ，但是这里还是说它有些技术领先 。
对 ，有 ，有 ，有 ，有肯定有 。 比如说他说到这个 ， 就是听录一个词的错误率 ，他对比了一些 ， 比如说对比苹果的这个 Apple Dictation， 包括 Google Voice Typing， 它的这个错误率都低很多 。
我理解它还是做了一些优化 。 所以传统工具角度来讲 ， 它会有一定的窗口期 。 嗯 ， 如果抓得住的话 ， 可能对于一个小团队而言也够了 。
嗯 ，但是确实你会担心它在做大的 ， 就跟当时我们看那些 ， 就是比如说用那个 ， 我记得当年有个公司是它的口号是像编辑 Word 一样编辑语音 。
嗯 ， 就是类似千亿通文这样把语音转换成文字 ， 然后你直接在文字这边编辑音源 ， 就是音频那边也同步 ， 比如我删删一段这个文字啊 ， 音频那边也会把这段删掉 ， 就是用编辑 Word 的方式来编辑语音 。OK， 然后现在你发现这个功能变成了很多声音编辑类软件的标标标 ， 尤其剪播客的时候 。
对 ，是的 ， 嗯 ， 它很像这个这个逻辑 。 嗯 ， 它的定价方式也很 AI， 就是前面 1,000 个单词免费 。 对 ， 哈哈哈 ，10 美金一个月 ， 我觉得能挣些钱应该 。
嗯 ，但你说对于特别大的团队而言 ， 可能不太能期许 。其实我觉得如果微信接了这个功能 ， 我会更多的用微信的语音 。其实现在不想用微信语音的方式 ， 还是一个是担心别人听起来效率低嘛 ， 第二个是有时候觉得用微信语音显得自己说话说的不太明白利索 。
但但微信看上去不 ，他他没准会让第三方来做吧 ， 或者以第三方插件的方式来做吧 。 嗯 ，有可能或者续费来做 。
哎 ，但微信最近做了一个功能 ， 我不知道你注意到没有 ， 就是直接用 AI 翻译 ， 它藏的很深 ，但那个体验做的很好 。
是 ， 它其实就是翻译这件事情 ， 确实 AI 这一波的提升还是非常的 。 对 ， 我就直接打中文 ， 就是英文就发出去了 。
啊 ， 那个大家找一找 ， 藏的很深 ，但那个真的超级好用 。 下一个 ， 嗯 ， 这个名号写的牛逼 ， 叫 RKIM。
嗯 ， 你来讲讲你对他牛逼 。 啊 ， 这个这个公司我点错了 ， 是一个做游戏的啊 。 对 ，他是想做那个类似 Dropbox 的 。
嗯 ， 新一代的 AI， 就是这个逻辑 ，其实今天在做所谓 AI Native 游戏的公司 ， 都是以这个逻辑在做的 。 就是因为你会发现 ， 今天在游戏板块能够还有所谓的 UGC 场景的 ， 只有 Roblox 这个品类了 。
嗯 ， 那这个品类看上去 ， 大家对游戏本身的内容的质量要求没有那么高 。 嗯 ， 所以大家会认为 AI 应该能够让这件事情更快 ， 所以他在做这件事情 。
然后他有一个出息的产品叫 Someone， 就是它其实是一个呃 ， 这个这个已经交付的 ，在 AP store 可以下的一个一个产品 ， 就是这样一个东西 。
我输入一段语音 ， 我可以做我的角色 。 嗯 ， 做我的这个场景 ， 做我的武器 。 嗯 ， 做我的地图 。 这个我也下了 。
对 ，但是没没觉得怎么玩 。 对 ， 就是它其实对 ，是的 ， 对 ， 这是真正的问题 。 说生成这一步 ，其实从可视性角度来讲 ， 大家是能理解的吧 。
嗯 ， 接一个生成图片的 ， 这个开源的也好 ，B 站也好 ， 反正变成这样一个 APP， 然后把一些描述词跟一些风格固定好 ，其实你就能交付这样的东西 。
对 ，但是再往后一步 ， 就是那个 gameplay 的部分 。 对 ， 对 ，其实它现在是 chat， 就是这个话 。 我在里面找了很久 ， 我说这个到底怎么玩 ， 我生成一条自己的龙 ， 然后我看到就是比如说名号有一条龙 ， 哎 ， 这俩龙要怎么玩呢 ？
现在还没做 。 这个问题就是它可能就是它的想法 ， 原想法肯定是要往 gameplay 去走的 。 对 ，但是至少从现阶段交付的东西而言 ， 还是一个第一步的东西 。
它只是解决了生成跟一定的社区跟展现的这个程度 ，但是距离那个理想的状态还有非常远的距离 。
嗯 ， 就这可能是今天绝大部分在做所谓 AI Native game 尝试的 team 都在面临的问题 。 嗯 ，因为你但凡涉及到 gameplay 的环节 ， 你可能就有非常多的限制 。
嗯 ， 你要不要考虑物理的规则 ？ 对 ， 你要不要考虑现实的很多问题 ？ 你要不要考虑现有的游戏类型的引入很多乱七八糟的事情 ？
嗯 ， 你总只能去做取舍 。 所以反过来讲 ， 呃 ， 你比如说 ， 如果我们认为 AI Native game 是一个长征 ， 嗯 ， 那第一步先解决好生成的问题 。
嗯 ， 然后去解决 gameplay 的问题 。 对 ， 然后去解决发行运营的问题 。 那 gameplay 的这里面 ， 然后你会发现你不可能完美解决情况下， 那我们再去找 。
因为你会发现 ， 大家解决 AI game 的时候也是一步一步找 ， 那我们就找 gameplay 环节里面有没有什么东西是简单的 。
嗯 ， 大家其实也在找到了 。 嗯 ， 就是叫有一种类型叫肉鸽游戏 ， 肉鸽 like 游戏 ， 就是每一关其实你在重复的打 ，但是每一关它是随机生成的 。
嗯 ， 它就用那你原来是用随机的 ， 那今天是不是可以用 AI 的方式让这个更简单一点 ，而不需要涉及比如剧情 ， 比如说 NPC 的环境 ， 乱七八糟这些事情 。
嗯 ， 就是一关一关的打 。 嗯 ， 打到最后可能能通 ，但是现在还处于比较早的阶段 。 嗯 ， 然后这两个创始人也是 Facebook 那个 AR team 的创始人。
嗯 ， 所以其实都是一脉相承的 。 下一家 Arsimas。 对 ， 嗯 ， 它这个也是保险费的审计人员 。 是的 ，是的 ，是的 ， 这个想一想都能够想到 。
对 ， 原来的这个工作量有多大 ， 天天都在做比较重复的文字工作 ，而且保险也是一个大的品类 ， 就是也有好多家公司在做 。
对 ， 各种场景的 ， 这个是保单 ， 这个主要是保单 。 对 ，Founder 是两位印度人， 它这个保单甚至还这个细分到工伤赔偿保险定价 。
嗯 ， 哎 ， 我觉得这个其实也是就是很在 YC 很提倡的一个创业方式吧 。 就 Paul Graham 之前有一篇讲如何创业的文章 ， 就讲说你应该先找到一口井 ， 然后把这个井给挖深 ，而不是一开始就要想着去拥有一大片土地 ， 或者拥有一大片湖泊 ， 让少数人需要你并且爱上你 ， 这可能是从 0 到 1 的好办法 。
看到很多也是这样的 。 再下一个叫 Argon AI，是医药的 。 嗯 ， 这个是我其实有点没看懂 。 对 ， 我也没有 ， 生物医药又是一个另外的 。
嗯 ， 品类了 ， 就比较明白它大概是在干嘛 ，但是看不懂的是它到底对这个行业有什么样的 ，有什么提升 。
对 ， 嗯 ，因为呃 ， 用 AI 去做比如生物医药的生成 ， 然后实验的数据的复现 。 嗯 ， 很多这种逻辑上大家是能想清楚的 。
对 ，但是具体他干了什么 ， 我们没有办法那么 ，因为我没有 ， 对吧 ， 对这个行业完全不了解 。 而且我看创始人确实他原来是罗氏的背景 ， 就是原来就是做这个药 。
嗯 ， 可能他在他的工作过程中， 嗯 ， 就用了类似的 。 嗯 ， 无论是开源还是什么样的方式 ， 实现了某种程度上的效率提升也好 ， 还是改进也好 ， 然后他把这个事情变成一个创业公司 ， 变成一个可交付的产品 ， 希望这件事情能够扶持或者帮助其他类似这个体量跟规模的生物药公司来去简化流程 。
对 ， 我觉得就非常多是这样的 ， 就是它其实是一个跨界 ， 就是我有行业的 knowhow。 对 ， 然后同时我也这个对生成式 AI 有技术上的认知 ， 对它的边界能做到什么程度有了解 。
所以加在一块 ， 我来做我现在这个行业的解决方案 。 然后再下一个 ， 这个很有趣了 。 对 ， 嗯 ， 这是特别 ，而且特别多 ， 它是针对牙医的呀 ， 就在牙医 ， 就光牙医都不止这一家 ， 好几家 。
对 ，而且这个是针对牙医的那个前台 。 对 ， 就是牙医的接待员的呀 ， 电话客服 。 电话客服 ， 嗯 ， 可能就确实牙医在美国 ， 首先可能很赚钱 ， 然后同时工作量也比较大 ， 重复 ， 然后需求也比较 ， 嗯 ， 紧 ， 对吧 。
嗯 ， 然后想招一个合适的 ， 你想他不光只是个机器人呀 ， 嗯 ，他还要知道比如一定的病理的知识 ，是情况 。
嗯 ， 然后他同时又有需要接到知道比如流程的整个的流转 ， 乱七八糟这些 ，不容易的 ，不容易 。 它不是一个特别 ， 你说招一个实习生或怎么样就搞定的事情 。
对 ， 对 ，而且牙科诊所在美国 ， 它的规模也都很小 。 对 ， 都是单人的那种 。 对 ， 你说单独专一专门招一个 ， 对吧 ， 对于诊所的运营而言也是一个成本的压力 。
你看又是无缝集成 。 嗯 ，因为其实给牙医做他们内部的系统的都很多的 。 对 ， 所以就是你会发现这个确实很多项目是建立在美国那个生态基础上的 ， 没有办法 。
嗯 ， 蛮好的 。 嗯 ， 对 ， 感觉这个百花齐放 。 是的 ， 嗯 ， 场景很很清楚 。 嗯 ， 然后实现的功能也很明确 。
嗯 ， 然后如果你是牙科诊所的这个所有者或者是医生 ， 你试一下， 然后觉得 OK， 你其实可以用 。 对 ， 我非常愿意试它 ， 非常愿意用 。
然后下一个叫 Artisan AI。Artisan AI， 嗯 ， 一个 CRM 的 ， 看上去和前面的 CRM 就是 AI BDR， 刚才跟 AI SDR。 对 ， 它本质是类似的 。
对 ， 帮你实现一个数字员工 。 对 ， 然后你把你的你这个员工的工作流程跟工作的内容 ， 相当于用 AI 的方式 ， 跟类似像我们前面讲几个 agent 的方式把它搭起来 。
嗯 ， 然后它就帮你跑了 。 嗯 ， 那其实这个逻辑的公司也不是只有这一家 。 嗯 ， 然后那做这件事情的公司 ， 你会发现有几条路选择 。
第一是我只做一个垂类 。 嗯 ， 刚才我们看到几个了 。 嗯 ， 第二种方式就是我做各种各样的尝试 。 嗯 ， 我这个它第一个是 CRM， 它其实还做了好几个 ， 我记得 。
嗯 ， 啊 ， 这个市场的 。 对 ， 然后财务的 。 嗯 ， 啊 ， 还做了好几个 ， 就是它希望用这个方式把你的行政跟职能化的员工的这个日常的工作都解放 。
对 ， 对 ， 对 ， 那其实做虚拟员工 ， 做各种各样的虚拟员工 。 对 ， 对 ， 对 ， 那国内那个傅盛老师的那公司不也是想做这件事情吗 ？
你看它起这个名字 ，Artisan。 对啊 ， 就是对吧 ， 它就是这个逻辑嘛 。 第一个推出来的这个虚拟员工 ， 还有名字的叫 Ava。
对 ，Ava 就是帮你做这个销售的虚拟员工 。 对 ， 帮你写促销邮件 ， 对接销售的这个情况 ， 客户 ， 然后回复 ， 就是大概这样一个东西 。
嗯 ， 它的第一个 ， 这是第一个 。 嗯 ， 还会做很多别的 。 嗯 ， 那这个逻辑的公司下面我记得还有 。 嗯 ， 好 ， 再下一个是医药行业 ， 叫 Artos 的 AI， 然后他们要做的呢 ，是这个帮生命科学公司 ， 帮医药公司写去写监管要求的文件 。
对 ， 就是哈哈哈 ， 我们上一个是那个政府监管 ，不 ， 政府发放那个补助金跟申请资金的文件 ， 这个就是监管的生药 ， 生物医药领域的 ，因为他们说这种生物医药领域的审核文件可能要几千页 。
嗯 ， 对吧 ， 就是你光实验好跟有数据可能是不行 ， 你就需要把所有东西变成一个 。 嗯 ， 符合那个标准的东西 ， 交付给政府跟监管部门 。
嗯 ， 那他就做这件事情 。 嗯 ， 人干嘛的来着 ？ 我写没写创始人背景 ？ 创始人， 对 ， 可以看一看创始人是做什么的 。
我猜他也是类似行业的 ， 才能够才能才能搞这个事情 ， 才能搞这个事情啊 ， 这个领域真的是非常细分的 。
太细了 ， 我的天呐 ， 生物医药方向的监管需求文档 ，但这个细分的领域可能也没有竞争对手 ，而且可能付费的意愿还蛮强的 。
是 ， 原来写几千页 ， 我怎么着得招一个还不错的白领的文字工作者 。 对 ， 写很久 。 嗯 ， 这两位都是加拿大 ， 一位是韩国韩裔 ， 另外一位好像是印印度人 ，但都是相关专业背景的 。
嗯 ， 都是学医学的 ， 医学跟生物 。 嗯 ， 下一个叫 Ask Leo。Ask Leo， 嗯 ， 这个也很垂直 ，他是来帮企业采购团队做 AI 的 。
呃 ， 采购团队 ， 我自己理解这个痛点啊 ， 我写了一个牛逼啊 ， 为什么 ？ 是因为这我可以理解他采购管起来有多难 。
嗯 ， 就这个采购并不是只是我决定买啥 ，其实采购在公司里面 ，他做很多事情是审批别人要买啥 。
对 ， 然后这里面的政策是特别复杂 ， 就是比如说买台电脑 ， 哎 ， 这个能买吗 ？ 那个能买吗 ？
或者这个都都是简单的 ， 更复杂的是比如今天公司要录播客了啊 ， 然后要采麦克风 。 嗯 ， 那麦克风这个东西在我们的采购的说明里面 ， 它属在一个什么样的规范下面 ？
这个事其实就是很复杂 。 嗯 ，因为有很多东西不是 0 跟 1 切的清楚的 。 对 ， 对 ， 对 ，而很多新的需求来的时候 ， 你就是需要 ，因为采购有担责任 。
对 ， 对吧 ，他就是需要有个交付的结果 。 对 ， 对 ， 对 ， 所以他这个不但帮你审批 ， 还帮你起草合同 。
对 ， 甚至找供应商 ， 帮你找供应商 。 对 ， 哇 ，他这个也是一个就切的很好的一个赛道 。 哎 ， 啊 ， 我是采购的老板 ， 我可能会愿意买 。
呵呵 ， 好 ， 我们再看下一个 。 下一个叫 Assembly， 这是一个做软件研发的 。 我其实觉得就所有的做这个 AI coding 的 ，他都有一个风险 ，是他们都在大模型公司和微软的核心社群之内 。
开发工具46:09
是的 ，是的 ，是的 ， 啊 ， 这都是感觉大模型或者微软这样的公司一定会干的事情 ，而且它的核心能力其实是来自模型的 。
就这些 coding 的创业公司 ，他们基本上不会训练自己的大模型 ， 所以我不确定他们在大模型上面去优化 ， 就做做雕花有没有价值 。
而且这个就是就是他做的功能其实是偏外围的功能 。 嗯 ， 就是代码生成是最最核心的 ，但是外围检索目录 ， 对 ， 标记 。
嗯 ， 然后 bug 修复 ，bug 修复无数家公司在做 。 对 ， 帮你无缝 AI 修复 bug， 然后测试 。 嗯 ， 对吧 ， 就是我们看到了 ， 可能后面都会聊到 。
嗯 ， 很多公司都在做 。 嗯 ， 嗯 ， 那这里它确实就是有一个第一卖点吧 ， 叫做帮你用自然语言去找代码 。
嗯 ， 就假设我现在是一个新员工 ， 我面对一个这个浩瀚的代码书海 ， 我要怎么找到就是那个地方 。
嗯 ， 这个确实是这个引发再引发一点 ， 就是用就是这一波大模型 ， 就是自叫大语言模型嘛 ， 用自然语言的交互方式做一些事情 ， 这个是一个很多创业项目的底层逻辑 。
嗯 ，因为你发现后面有几个做视频生成跟视频的公司 ，其实就是用自然语言的方式去做视频搜索 。 嗯 ， 比如说我有一堆的这个这个素材 。
嗯 ， 我想找一个这一堆素材里有一只彩色的鹦鹉的那一帧 。 嗯 ， 原来的技术是没法实现的 。 嗯 ， 你只能凭你的记忆 ， 你记着说哪个视频的大概哪个地方有一个彩色的鹦鹉 ，但今天有了自然语言模型之后， 它可以帮你搞定 。
嗯 ， 就是首先自然语言模型理解你在干什么 ， 它也理解视频本身的内容是什么 ， 然后帮你做了这个匹配 。
嗯 ， 再下一个 Atlas。Atlas， 嗯 ， 这个也是做软件研发的 。 对 ， 然后我看你写了一个肯定会黄 。 哈哈哈 ， 它其实是做评估的 ， 我没记错的话 。
嗯 ， 对 ，是的 ， 对 ， 它评估它评估这些大模型的能力 ， 评估别的模型的能力 。 嗯 ，但其实模型评估它本身就是只是我觉得到最后， 如果大模型就是出现两家或三家的寡头的话 ，其实也没啥好评估的了 。
它只是在这个这个阶段性 ， 它有它的价值 。 嗯 ，而且其实要做好这个一个 AI 应用 ， 模型评估只是其中一小部分吧 。
就是其实 reasoning coding， 就是甚至它能不能够就是处理长文本 ， 或者做代码的效率的优化 ， 就这些才是你做一个 AI agent 落地的关键 。
这个确实太薄了 。 而且其实你看我们的志愿者 ， 就是这个呃 ， 一个技术大佬 ，他写的 ，他说你说这个大模型不好呢 ， 到底是你的 prompt 写的不好呢 ， 还是对人家这个大模型训练的不好 。
所以你这样去评估它 ， 就是到最后可能因果关系都没搞明白 。 是啊 ， 嗯 ， 好 ， 下一个叫 Automophobic。 嗯 ， 好难拼呀 ，有点难拼 。
这是一个做 AI 基础设施的 。 嗯 ， 它是将微调之后的知识注入到大模型里面去 ， 然后快速的帮开发人员构建和改进自己的微调模型 。
就这翻腾的名字还是嗯 ， 对 ， 我写的评价叫调优跟微调的 ，因为就是 OpenAI 没有开源嘛 。 嗯 ， 然后包括翻腾的整个流程跟过程跟具体的实施步骤是不知道 。
嗯 ， 所以大家在过去二三年 ，其实很多大名厂商跟做大模型落地的厂商都在做的内部的工作就是微调 。
嗯 ，但是这个调怎么调 ， 什么边界放什么 ，不放什么 。 嗯 ， 呃 ， 包括前端的数据的清洗 。 嗯 ， 很多东西都是这些 ， 都是工程实现的工工作 。
是 ，但是这些东西是有 knowhow 的 。 嗯 ，是有经验的 。 嗯 ，但是这些东西没有人， 或者做过的人知道 。 嗯 ， 没有人就不知道 。
是 ， 那这个公司可能就相当于把这份工作变成一个简化可交付的东西 ， 让你更容易的实现对你想达到的效果 。
嗯 ， 大概是做这样 ，因为我们并不那么了解这个是这个交付的这个过程 。 对 ， 对 ， 对 ， 它有一个比较大的卖点 ， 就是你只需要用 10 个 sample， 你就可以去这个就把你的知识注入到大模型里面 。
而它它这个公司就是为了让这件事情 ， 它做了一个挑战赛 。 嗯 ， 就是你可以穿它 ， 它它我没记错 ， 它举了个例子 。
嗯 ， 就是它说这个例子是一个 bug。 嗯 ，是雪佛兰还是哪家公司在它的客服系统里用了 AI。 嗯 ， 然后被问出来一个问题是 ， 可能一个用户跟他聊了很久 ， 然后问某一台车的售价是多少 。OK， 那个 AI 给的答案是 1 美元 。
哦 ，因为就是就是 AI 你面对句话的标准答案的问题 ，其实确实是比较难的嘛 。 是的 ， 所以它它给了一个挑战赛 ，是说经过我们调整的这个东西 ， 如果你能问出类似这样的错误的问题 ， 我给你 100 美元 。
对 ， 哈哈哈 ， 逻辑上通 ， 讲得通 。 嗯 ， 对吧 。 嗯 ， 好 ， 再下一个叫 AutoCAD。 嗯 ， 这个也是一个呃 agent， 它其实是让你呃啊 ， 这个这个对 ， 我记得我记得很清楚 。
你记得很清楚 ， 就是做你可以约 ， 就是新一时代的 RPA。 嗯 ， 或者是新时代 RPA。 嗯 ， 我写的更直接 ， 就是新时代的案件经理 。
案件经理 ， 对 ， 就是我们当年案件经理做的事情是记录完整重复的工作嘛 。 对 ， 然后用案件经理的方式帮你自动实施嘛 。
嗯 ， 那今天那案件经理跟早年的呃 RPA 概念没兴起之前 ， 这些事情做的东西都是非常非常固化 。
嗯 ， 且不能有任何变动的尝试 。 嗯 ，但是今天有 AI 之后， 你其实可以用相对宽泛的方式把一个流程对固化成一个 。
对 ， 对 ， 动作 ， 对 ， 对 ， 然后让 AI 帮你不断的重复 。 是的 ， 然后它做的其实更希望的场景是在这些非常成熟的软件当中， 你每天日常去重复的流程 。
嗯 ， 比如我每天 ， 比如我是个猎头 。 嗯 ， 我需要每天在 LinkedIn 上找某一个类型的 。 嗯 ， 那个人， 或者是我需要固定的在我的 CRM 的系统里面把需要找的人的标签拉出来 。
嗯 ， 然后去 LinkedIn 上做匹配 。 对 ， 然后匹配完需要把我结果生成一个 ASL， 就是你你这个流程你每天都在做 ，但这个流程它不是一个完整你可以通过案件经理实现的流程 。
是的 ，是的 ， 它是需要有一些自然语言的理解 ， 然后包括跨程序之间的操作 。 对 ， 那它其实就做这件事情 。
对 ， 然后它其实在中国做这个的 ， 就做小红书上的或抖音上的这个爆文的抓取 ， 然后看看流行趋势在哪 ， 然后去这个照着人家的来做自己的爆文 。
你看它这个网页做的 ， 就它把几乎所有的主流的这种就是各种各样乱七八糟的工具网站全部都做了它的 case， 做了它的案例 。
对 ， 嗯 ， 下一个 ， 下一个叫 BasePilot，也是做这个呃 agent 开发 。 嗯 ， 然后虚拟员工的概念吧 。 嗯 ， 比如说做营销岗的 、 前二岗的 、 财务岗的 ，而且它这里面有一个是它的卖点 ， 叫做你不太需要拉 workflow， 你只需要就开着录屏演示一遍你平时在做什么 ， 然后它能够根据你的录屏学会 ， 跟刚才那个呃呃呃 system 很像 ， 对吧 ， 很像照片 。
嗯 ， 销售金融 ， 就是财务财务 。 嗯 ， 各种各样的速度员工嘛 。 嗯 ， 对 ，其实它要解决的还是把这个就中后台的员工或者销售人员 ， 它 30% 的这种重复的单调的工作拉出来 ， 然后用 AI 去帮你解决了 。
下一家 Baserun，Baserun，Baserun 是一个做 AI 基础设施的 ， 然后它其实还是在去帮开发人员调试 AI 大模型 。 对 ， 测试测试的 ， 对 ， 确实大模型测试是一个挺复杂的东西 ，因为它本身黑盒 ， 它不可控嘛 。
对 ， 所以它到底比如说响应时间快不快啊 ， 成本到底怎么样啊 ， 然后它对于我常用的 prompt 的输出的稳定性 、 准确率啊 ， 呃 ， 这个确实是帮用户提高开发时候的效率和交付产品时候的信心 。
是的 ， 嗯 ， 我觉得是很需要的 ，但我理解做这个的也很多 ， 很多 ， 多的太多了 ， 太多了 。 嗯 ， 好 ， 再下一家 Better Basket， 这个是一个做电商的 。
对 ， 嗯 ， 少有的我们能看得懂一点的 ， 少有的这个就在我们非常熟悉的领域的 。 嗯 ，因为在过去机票和酒店是可以实时定价 。
对 ，是的 ，是的 ，是的 ， 它会根据呃就是实时的需求去供需的中间关系动态的调 ，但是如果算力足够便宜 ， 就普通的商品为什么不能够实时定价呢 ？
对吧 ， 就一杯咖啡理论上下午就可以卖的便宜一点 ， 早上你就可以卖贵一点 。 对啊 ， 对 ， 然后其实我自己观察就盒马和小米啊 ，他们的门店 ，他们上面的价签全部都是联网的墨水屏 ， 就说这是可以远程去让它变的啊 ， 然后到了晚上有些东西就会打折 ， 就会打折啊 ，而且这是在中央就是控制的 ，不是贴个条的 ，是不是贴个条的 。
嗯 ， 这个我觉得是一个就是成本再往下降之后， 就会变成一个非常确定的趋势机会 。 是 ，是 ，是 ， 定价定价 。
对 ，因为当时唐岛开店的时候 ， 我们还去问了一下这一套的价格 ， 目前看还是不便宜 ， 挺贵的 。
嗯 ， 我觉得要有一定规模的公司才负担 ， 或者就是类似小米和盒马这样 SKU 比较多 ， 然后它网络又足够大 ，而且同时它线上线下把价格拉通的需求比较强的 ， 动态定价的需求就各方面都比较强的 ，他们现在在用 ， 这个在国内有比较现成的供应商 ， 只是之前大家这个定价还是就是他用 EFS 的逻辑 ， 或者就是在后台有总部的人工去设置 ，但
未来这理论上是可以用 AI 来算的 。 嗯 ， 科技改变世界啊 。 嗯 ， 下一家 Loom Benefits， 一个做金融的 AI。 嗯 ，也是帮保险经纪人。
对 ， 就是优质保险 ， 保险的报价呀 ， 续保的跟进啊 。 对 ，而且只做健康的保险 。 嗯 ， 切的很细了 。
然后理解这个在中国应该也有机会吧 ，有 ， 就是保险经纪人也是会越来越越来越多 ，而且他们工作确实也是脑力工作 、 文字工作嘛 。
现阶段特别的原始 。 嗯 ，在中国尤其的原始 ， 尤其原始 。 对啊 ， 对 ， 保险 。 嗯 ，也是个大的很多家公司在做的品牌 。
嗯 ， 下一家 Brian Base， 这是一个做 agent 的公司 。 对 ， 嗯 ， 然后也是在企业里面做 AI 的工作流程自动化 。 对 ， 员工看又是连接一切 ， 连接一切 ， 然后各种虚拟人， 就在这样的竞争里面 ， 我觉得确实是很早 。
你的差异化很难体现 ， 差异化很难体现 ， 就至少从我们能看到官网介绍 ， 包括 YC 的详情页 ， 包括创始人的背景 ，其实你很难在这些信息上体感受到这些公司之间的差距 。
嗯 ， 所以到最后他们可能还是是比较靠销售能力 。 对 ，有可能或者靠就最后选某一些行业的细分 ， 然后再自己做他的优势 。Sales HR support data， 就是 sales 应该是所有人都做 。
嗯 ，HR 几乎也是 。 嗯 ， 然后财务应该也是大部分都在做了 ，是吧 ？ 但我很喜欢他官网上的这个这个图 ，是吧 ？
对 ， 对 ， 对 ， 对 ， 对 ， 这个很有意思 。 我们给听播客同事 ， 给听播客的同学们描述一下， 就他是在一片农田里面 ， 这个农田里面不是农民 ， 这个农田里面有机器人， 有拿着 iPad 的白领 ， 然后也有这个戴着农夫帽的 ， 拿着报纸的人， 就是感觉未来的这个员工 ， 或者未来在土地上面工作的人 ，他是这样的一个 ， 就各种各样的 。
对 ， 就人和机器合起来 ， 这样应该是 AI 生成的 。 嗯 ， 肯定是 AI 生成的吧 。 哈哈哈 ， 挺妙的 。
电商与新零售57:46
嗯 ， 再下一个叫做 Branch AI， 这是我们过到的第 34 家公司了 ，也是做电商的 。 对啊 ， 这个我觉得很牛逼 。
哎 ，其实它解决的问题是自然语言搜索产品 。OK，因为现在我们不管是天猫 、 拼多多 ， 你都还是只能关键词搜索 ，但比如我现在想要搜一个啊 ， 就适合晚上我狂流汗 ， 就是我这样的人， 我应该睡什么样的枕头 。
嗯 ， 它可以帮这样的搜索结果给你做出来 ， 然后它这个其实不完全是 to say 的 ， 它是 to be 的 。 对 ， 对 ，to be 的 。
它 to be 体现在哪里呢 ？ 就是呃 ， 比如说我现在想要重点推我的毛利率大于 45% 的产品 ， 或者我要重点推我库存里面比较多的特别多的滞销品 ， 然后我就可以就是用自然语言的方式告诉这个系统 ， 就不用去复杂的做逻辑设定 ， 就自然语言告诉它我想做这些事 ， 然后在搜索结果推荐的时候 ， 它就会根据我的需求来去推优先级了 。
用自然语言解决问题 。 对 ， 就是用自然语言在解决问题 。 嗯 ， 就是其实是在解放人们的思考 ， 就是你不用再去把自己的需求组织成格式化的文字 ， 或者只需要想到什么说什么 。
嗯 ， 对 ， 就像和人说话一样 。 对 ， 对 ， 对 ， 对 ， 你告诉这员工要搞这些事情 。 对 ， 嗯 ， 下一家 Bronco AI，在工业制造领域的 AI， 这大家都没看懂 。
哈哈哈 ， 它说的是从制造业到供应链 ， 再到国防的所有工业企业 ， 然后解决工业领域数据的管理和利用的难题 ， 这个确实有点超越我们的日常的范围了 。
但它就是它的解决方案 ，也没有看出来具体是什么东西 ， 就是最大的那个 slogan 叫做真正的工作给真正的 ， 真正的软件给真正的工作 。
哈哈哈 ， 查一下他们是什么背景 。 嗯 ， 来解决工业企业 ， 这确实还是比较少见的哈 ，在这一批的这个 YC 的公司里面解决就是工业制造的领域的确实比较少 ，但这里好像也没有参与到制造本身 ， 它还是在基于工业领域的数据的管理和运营 。YC 介绍也非常的少 。
嗯 ， 就是哎 ， 这个 founder 两位都是华人啊 ， 华人华人创始人好多呀 ， 我觉得非常多 。 嗯 ， 这个一位叫 David Zhi， 另外一位叫 Jeffery Pan。
嗯 ， 好 ， 再下一家叫 Bastard。 嗯 ， 这也是一个做 AI infra AI 基础设施的一个公司 ， 开发者可以用它来把自己的数据库连到大语言模型上面去 ， 然后其实和其他做这个 AI infra 的都很像 。
是 ， 嗯 ， 都类似啊 ， 就是直接点名嘛 。 嗯 ， 就是把你的数据库连到大语言模型 ， 然后可以用它再来做这个微调 ， 做评估等等。
好 ， 下一个又是做保险的 ， 叫做 Care Health。Care Health， 它的名字就知道了 。 嗯 ， 医疗索赔的预测分析和自动化 ， 这个它是 to say 的还是 to be 的呀 ？
感觉好像都可以 ，因为如果我是一个病人， 我也可以去自己去想着怎么做医疗索赔 。 对 ， 自动化智能 ， 这还是在解决这种复杂的规则下面 ， 又需要大量的 paperwork 啊 ， 就过去我可能真的需要一个很专业的人士 ， 花大量的时间去各种研究 。
对 ， 最后根据需求去提交一个申请文档 ， 现在把这个工作交给 AI 去做 。 再下面一个叫 Camel QA， 这个是骆驼 QA 的一个 AI， 这名字也起的很妙啊 ， 就是像骆驼一样兢兢业业的帮你做做 QA。QA， 对 ， 对 ， 这个有点意思的 。
嗯 ， 哎 ， 它最后还有一个这个在它的 demo 里面 ， 就它的介绍视频里面 ，是它能够自己读懂 APP 的界面 。
对啊 ， 然后 APP 里面介绍就 watch your， 对 ，see your screen， 就看你的屏幕嘛 ， 然后看你整个的 UI 设计跟内部的框架流程嘛 。
对 ， 然后根据这个它读屏的结果来帮你做测试用例 。 是的啊 ， 这个听起来是很 fancy 的 。 是的 ，但目前应该还没法用 ， 它只有测试的视频 。
是的 ， 嗯 ， 我确实觉得 QA 是应该用 AI 来去帮助好几家在做 QA 测试 ， 包括找 bug。 嗯 ， 安全漏洞 。 嗯 ， 的相关的厂商 ， 这个可以有人做的好 。
嗯 ，因为做 APP 开发 ， 每次一个小版本都要把所有用例跑一遍 ， 这个其实对对人来说是一个就很容易疲惫的 ， 甚至很容易偷懒的一个工作 。
测试 ， 测试 ， 测试的员工真的太累了 ， 我觉得太烦了 ， 甚至某种程度上比客服还要烦 。 嗯 ， 客服还能跟人说说话 。
对 ， 就是完全自己的 ， 你知道吧 ？ 是的 ， 嗯 ， 很不容易 。 再下一个叫做 Counter IQ， 这是做金融的一个 AI， 它好像是在金融领域帮 HR 做 AI 的哈 。
对 ， 做员工和薪酬的管理 ， 薪酬管理主要是做 。 嗯 ，Salesforce 的团队 ，Salesforce 团队出来做的 。 嗯 ， 我觉得这些也都是明确的痛点 。
嗯 ， 怎么算薪酬体系搭建 ， 体系搭建 。 而且他只做薪酬 。 嗯 ， 算薪酬算到后面是很不容易 ， 尤其公司的销售团队比较多的话 。
因为昨天在和一个这个呃做线下销售管理 ，他们有非常多的线下的门店 。 嗯 ， 然后他他们遇到一个问题 ， 就是现在大量的人肉在算嘛 ， 这个问题是什么呢 ？
就是每个月都会有一个阶梯的一个绩效提成 ， 所以销售人员呢 ， 就会去冲刺那个阶梯 ， 比如说冲到这个月我卖 50 万 ， 我提成不就 20% 吗 ？
但是呢 ， 下个月我会再退款 ， 就因为可能有些亲朋好友或自己买的 ， 然后这个时候呢 ， 销售人员就是财务人员 ， 就会在下个月算的时候去看上个月推了多少 ， 会不会推到下一个阶梯去 。
哇 ， 那那好 ， 然后因此来退款 。 就这个事 ，其实财务人员每个月花好多时间去算 ，但理论上这个是可以 ， 就是用编码 ，其实这都用不到 AI， 就用编码就可以 ， 用逻辑程序就行 。
对 ， 对 ， 对 ， 是一个痛点 。 对 ， 这个找的不错 ， 这确实也是 AI 能帮上忙的地方 。 是的 ， 嗯 ， 再下一个是 Cascading AI， 金融领域创始人是之前在一个给银行做 SaaS 的叫 Overlook，他的欧洲的参谋长这样的一个 title。
对 ， 嗯 ， 就帮银行做外包的嘛 。 嗯 ， 银行的系统外包 。 对 ， 相当于 ， 然后他其实给银行做虚拟员工 ， 比如哎 ，他们都会给自己的虚拟员工起名字 ， 像刚才我们看到有一个叫 Ava， 她这个虚拟员工叫 Sara， 这个 Sara 做的工作也很具体哦 ， 叫做贷款发放 。
对 ， 就是审核贷款的合同 ， 贷款的标的情况 。 嗯 ， 然后帮你做评判结果 。 嗯 ， 然后又是 10 倍的效率 。
嗯 ， 对 ， 这个有点 make sense，而且其实他们的官网有些都做的蛮好看的 ， 都很好 ，而且甚至有些是模板 ， 你明显感觉出来 ， 就是嗯 ， 一个大段的主题介绍 ， 然后一个图或者一个视频的 demo， 然后底下是一个 calendar。
嗯 ， 然后在底下是几个问题 。 对 ， 对 ， 一个标准标准形式的样子 ， 标准的 pitch。 对 ， 对 ， 对 ， 对 ， 对 ， 对 ，是不是 YC 也有介绍这个呀 ？
我看我总会这种感觉 ，因为这些官网大量是采用动态 。 对 ， 嗯 ， 非常多动态 。 是的 ，是的 ， 这个可能和 Airbnb 之前把他们的那个动态的库开源出来有关系 。
有关 ，有关 ， 就现在大家用动态的 3D 变得更加的容易了 。 是的 ， 好 ， 再下一个叫 Case Hopper。Case Hopper， 这个哇 ， 这个有法律的 ，而且是只做移民律师的文件的啊 ， 只做移民律师 ，也是切的非常细的 ， 太细了 。
像刚才有好多是做这个保险相关的法务 ， 这是做移民相关的 。其实就整个这个呃 ， 用生成式 AI 去做律师 ， 就是或者 legal 吧 ， 法律是过去在整个硅谷都很主流的投资方向 ，其实也出了很多这个千万美元以上 ARR 的公司 ， 像 Harvey Evenup 都跑出来了 ，因为这个美国整个法律服务的市场也是非常繁荣 。
是的 ，是的 ， 所以切的很细 。 对 ， 我看到有个数据就说美国有 100 多家大的律所 ，他们的创收是超千亿美元的 ， 然后同时还有非常多中型律所和个人的法律顾问 。
嗯 ，但这个移民律师 ， 我不知道这个切的小是好还是坏啊 ， 就切的小 ，有可能他能够针对这个场景做更多的定制和优化 。
嗯 ，但也可能会最后被 Harvey 或被 Evenup 给吃掉 。 吃掉 ， 嗯 ，但任何创业都是这样 ， 都是这样的 ， 都是这样 。
没有办法在这个时间点下这个结论 。 对 ， 对 ， 只是体感的一个感受 。 对 ，但确实就是我自己认为切的细 ， 从 0 到 1， 嗯 ，是更优先的考虑和选择吧 。
是的 ， 下面这个是一个叫做 Sedario。 嗯 ，Sedario 呢 ， 哈哈 ，他用了区块链的技术 。 对 ， 哎 ，在这一批里面好像蛮少 ， 很少 ， 非常少 ， 非常少 ， 一两个吧 。
啊 ， 用区块链的技术去帮企业做他的 ESG，ESG 的报告 。 对 ， 嗯 ， 非常的复杂 ， 非常细分 ， 特别的细 。
哈哈哈 ， 嗯 ， 好 ， 再下一个 Cedana，Cedana 做软件研发的 。 嗯 ， 就是我们看不懂的东西 ， 外援在问这个是不是可以在云平台直接用呢 ？
如果可以在云平台之间迁移算力需求比较大的任务的话 ， 那这个价值还是蛮大的 。 嗯 ，他是做算力的是吧 ？
嗯 ， 对 ，他其实是帮就做 AI 开发的公司去优化算力的使用的 。 嗯 ， 就是把 GPA GPU 的这个利用率提高 ， 延迟降低 ， 从而来节省成本 。
这个理论上算力这件事情美国不知道 ， 反正国内现在问题在于因为这个卡的限制嘛 。 嗯 ， 然后很多公司其实只做租用这一件事情就已经接不过来了 。
算力与Infra1:07:51
嗯 ，而现在也有些公司我们见到的 ， 就是它的核心商业模式就是买卡在新加坡建公司 ， 哈哈哈 ， 然后租用给国内的客户 。
就是他这个 ，而且创始人又是做投资出身 ， 我见到这样一批 ， 我会觉得就是需求非常明确 。 嗯 ， 市场足够大 。
嗯 ，但是啊 ， 这种公司的价值是什么 ？ 就是就是你以投资的角度来说 ， 你投这样一家公司 ， 除了你能自己用 ， 理论上是当生意来做呀 。
对 ， 为什么要融资呢 ？ 谁知道呢 ？ 嗯 ， 哎 ， 你就会觉得 ， 那我看到那个美国有一个就在这一批 AI 里面做的非常厉害的另外一个孵化器叫 Grant AI。
嗯 ， 嗯 ， 然后他们投的公司 ， 如果他投的金额足够大的话 ，他会把自己的对 GPU， 对对对 ，他们给的那个谁嘛 ， 那个皮卡 。
哦 ，他们就借了 ，他们就皮卡 ， 最开始就几个人嘛 ， 然后他们最开始的第一波训练是通过那个 ，但这个 Grant AI 背后的两个这个投资人可是大佬 ，他们为了建这个 GPU 集群 ， 我那天算了一下， 花了很多钱 ， 我算了一下 ，他们建那个集群要花多少钱 。
嗯 ， 要两三个亿人民币 。 嗯 ， 就是这个集群是他们提供给投后的服务 。 我想我想现在做投资门槛已经这么高了 ， 我的天呐 ， 还要顶这个 ， 哈哈 ， 太难了 。
那可能也收费吧 ，有可能不赚你的钱吧 ，有可能 。 哎 ， 就现在你会发现投资也变得哎 ， 维度特别的陡 。
嗯 ， 好 ， 再下一个 ， 第 44 个叫做 Sentara。Sentara， 这是一个金融行业的啊 ， 哦 ， 又是做金融的 ，而且他是做结构性融资领域 ，因为在这样的地方严重依赖表格 PDF PPT， 就这种 。
嗯 ， 就是很不结构化的 ， 就各种复杂的不规范的数据 ， 然后分析师每天在这样的数据里面提忙痛苦转换分析 。
嗯 ，也是解决这个问题 ， 然后给你不同的答案和方案评估这些资产 。 嗯 ，也是在做个人信贷 ，也是他们一个典型的用例 。
嗯 ， 私募股权也是也做 ，因为他每周会收到非常多的各种各样的文件 ，CIM 和 VDR 的文件 ， 这应该是美国特有的一些文件吧 ， 处理文件也是解决白领文字工作者的工作效率 。
是的 ， 再下一个 CRM 的 AI 叫做 Centralize， 然后他这个也是用 AI 来帮助分析销售人员和客户之间的对话 ， 然后从而给建议 ， 帮助承担提高转化率 ， 减少客户流失 ， 就是有点同质化 。
是 ， 嗯 ，他又是这样一张图 。 哇 ，他自己号称集成了 150 家各种各样的 SaaS 工具 。 对啊 ， 只有你想不到的 ， 没有 ， 没有接进去的 ， 哈哈 。
嗯 ， 都是这样 。 再下一个叫 Cerolize。 嗯 ， 这是一个哦 ， 这是做那个工厂的那个精密加工 ， 对 ， 精密加工工厂图像分析的啊 ，他分析自动光学检测系统 。
嗯 ， 哎 ， 这个不错的 ， 就你看他这个官网示意图就很明确嘛 ， 就是你看到这样一个零件 ， 然后他可能有些地方有磨损 ， 原来是自己人员 ， 原来是摄像头 ， 就是摄像头可能也拍 ，但是自己人要看嘛 ， 那现在用 AI 方式帮你 。
对 ， 这个确实是会剪得更细致 。 对 ， 嗯 ，其实国内也有一些厂商应该也在做 ， 做那个什么制造的那些公司 。
嗯 ， 包括做那个计算机视觉的那些公司 。 嗯 ，也都想曾经想往这个方向尝试过 。 嗯 ， 嗯 ， 嗯 ， 下一家 。
对 ，但这个他就是 workflow 有点太单薄了 ， 我觉得他就是很容易被其他的 ， 就已经在工人家的这个工作流里面的软件就接进去 。
摄像头公司 ， 对 ， 摄像头公司直接就给做了 ， 本来也要买摄像头嘛 ， 哈哈 。 好 ， 再下一个 Circle Back， 是一个呃 ， 帮你我知道的开会的 ， 做会议纪要的 ， 做会议纪要的 ， 就这个场景也很 ， 这个也是一个我自己啊 ， 就是现在天天用 Kimi 在帮我做会议纪要 ， 帮我做会议总结 。
这是实时录音吗 ？ 呃 ，Kimi 不能录音 ， 我会用别的东西录音 ， 录了之后丢给 Kimi 啊 。 接下来腾讯会议和飞书都有 ， 对啊 ， 都有 ，但是都做的没有很好 。
对 ，他也认为 Zoom 跟 Google Meet 跟 Windows 的也都没做的很好 ，但是他大家会认为会议纪要是有非常多的可被值得挖掘的信息的 ， 所以他做了这个事情 。
嗯 ， 然后他也是运行在这些会议软件里的 ，他也不需要你多多做什么事情啊 ， 等于你把他当成一个虚拟人接进去 ， 插件 ， 插件就是个插件啊 ， 那就也是个人呢 ， 就在这嘛 。
嗯 ， 你们三个聊你们他就记 ，是你也不需要管他 。 只是我觉得这种应该会很快被 Zoom 他们自己的腾讯会议给 ， 就是他们一步迈得到的地方 。
是的 ， 就他们就但凡有在 AI 领域往前尝试的想法跟实施 ， 嗯 ， 一定就会搞这个 。 嗯 ， 好 ， 再下一个 Cloud Cruise， 这也是一个做 agent 开发的 ， 和所有的做 AI 的 agent， 包括 RPA， 嗯 ， 都类似 。
对 ， 没有本质的区别 ，也是 workflow， 对 ，也是拖拽的 ， 拖拽 ，其实就甚至他这个排版都和 CodeSpeedFi 非常像 ，但可能也是一种共识吧 ， 我觉得 。
嗯 ， 好 ， 那这家也是有自制这个逻辑 。 嗯 ， 再往下，CodeAnt，CodeAnt AI，CodeAnt AI 是一个做软件研发的一个工具啊 ， 它是改改 bug 的 ， 对 ， 改 bug 安全的 ， 就是对 ， 然后也解决安全漏洞 。
对 ， 嗯 ， 就是这几个做 code， 做 code 审核的都强调是能够用 AI 的方式修复 。 嗯 ，但是这个的实施的效果就是待待可待验证 。
嗯 ， 好 ， 再下一个 Commodity AI， 这是一个做电商的啊 ， 然后他也针对的蛮垂直的 ，是针对货运 ， 针对物流 ， 针对贸易公司 。
是的 ， 嗯 ， 就是这个中间确实贸易公司的大量的这个 paperwork 也很多嘛 ， 电话也很多 ， 电话也多 ， 然后再就是在货运的过程当中流程的跟进 ， 对 ， 流程的跟进 。
如果你有几千批货在海上飘着 ， 你要处理几百份这清关那通关的文件 。 对对对 ， 这个想想有价值 ，有啊 ， 这个应该去义乌扎根 ， 嗯 ，在义乌推广 ， 哈哈 。
原来我老婆是做那个货代的哦 ，他们哇 ， 真的太原来就是人工做 ， 然后我老婆原来是那个 LG 的 ， 就是嗯 ，LG 显示器 ， 就是他们就做那个电液晶面板嘛 。
嗯 ， 然后我老婆原来是负责美国客户 ，他们在美国只有一个客户 ， 就是苹果 。 哦 ， 即便是这样 ，他每个月月底真的忙的跟什么一样 ， 就真的是刚才你讲的场景 ，有很多的货在飘在海上， 飘在海上 ，在报关 ，在美国当地的仓库 ，在中国的仓库 ，在什么鞍山的仓库 ，在什么这个仓库那个仓库 ， 然后有在不同的卡车 ， 嗯 ， 每个卡车的大小 ， 嗯 ， 每一批货对应
的用多少什么样的卡车 ， 就是然后他又分 ， 比如说什么样尺寸的屏幕 ， 嗯的尺寸 ， 嗯 ，以及什么样的卡车能够摆什么样子 。
哇的天呐 ， 就是而且原来这些事情是全部要用人的脑子去算的 ，他甚至每天就是他要画 ， 你知道吧 ， 就把那个卡车的那个比例画出来 ， 然后去摆那个 OK， 那个那个那个那个那个箱子的那个那个尺寸 ， 然后托盘的高度 ， 哇的天 ， 太复杂 。
而且你想 ， 那已经是 LG 跟苹果的这样的公司 ， 这样的公司了 ，他还是用这种方式来做 ， 我的妈呀 ， 这里面痛点好明确 ， 太明确了啊 ， 真的能解决的话 ， 大大的提升效率 ， 能够让大家有意愿付费 。
是 ， 哎 ， 再下一个也很垂直哦 ，是 Constructible， 这个一听名字就是建筑 AI。 哦 ， 建筑领域其实也有好几家 ，也有好几家 ， 说到第一家就是那个太阳能的嘛 。
对对对 ， 这个他是就直接就是真的建房子了 ， 对 ， 帮建筑的这个承包商 。 对 ，因为美国其实每个家庭都是自己建房子 ，他都得找这样的乙方来帮他做 ，而这个就是给这样的乙方做的一个 AI 系统 。
是的 ， 就怎么报价 ， 全流程的关注 ， 对 ， 数据全流程 ， 甚至施工现场的危险情况的排查 ，他也可以做到 。
对 ， 嗯 ， 就你能想到的 ， 这叫项目项目经理的 Copilot， 项目经理的 Copilot。 对 ， 嗯 ， 然后又是集成了各种 ， 嗯 ， 这张图真的是无数次的出现在几乎所有人的主页上 。
嗯 ， 下一家 Continue， 这个名字真的是好直接啊 ，Continue 做软件研发的 ，有外援吗 ？ 这个我们其实有一位这个技术大佬志愿者 ，他给了最高分啊 ，在所有的软件研发项目 。他给这个项目 8 分 ，他说这是一个开源的工具 ， 然后代码的补全是他的基本能力 。
嗯 ， 除此之外，Continue 还可以对大范围的代码做修改 ，而且给分析之后的建议 ， 去义不得对代码做思考和补全 。
嗯 ， 嗯 ， 就我可能写了一半 ， 所以叫 Continue 嘛 。 对啊 ， 所以他叫 Continue， 你帮我把后一半给写出来 。 嗯 ， 这个其实也很像我现在在 Notion 写文档 ， 经常就写了个开头 ， 说你先帮我写写吧 ， 写一下， 对 ， 写完之后我再改 。
嗯 ， 自己再重新生成 。 对 ， 嗯 ， 再下一个是一个做安全的 AI， 叫做 Kojia， 呃 ，他也是帮公司找到有漏洞的代码 。
对 ， 审核代码 ， 然后找安全漏洞 。 对 ， 然后他会看当前主流的 ，因为安全漏洞也是有时效性的嘛 。
嗯 ，有些被曝光 ，有些没有曝光 。 嗯 ， 包括大厂商会更新他的那个 bug 的那个 debug 的时间 ，他根根据这个也来去实时的去看你的产品的问题 。
哎 ， 这么一说确实他很有价值 ， 就在于就是现在的漏洞是 ， 或者安全的风险是实时在更新 。 是的 ，是的 ，是的 ， 所以理论上我们每个礼拜甚至每天 ， 对 ， 都需要都需要 check 一下 。
对 ，而原来靠人这个事是绝对跟不上， 绝对不可能跟上 。 大量的学习 ， 各种各样的就来自太复杂 ， 各种犄角旮旯的安全风险 。
我现在安全风险都是早年还是通用化的比较多的 ，Windows 更新一大家都知道了 。 可是现在这么多软件 ， 这么多开发环境 ， 这么多的乱七八糟的东西 ， 真的是靠纯靠人， 嗯 ， 个人的技术能力 ， 我觉得已经确实非常难了 。
嗯 ， 再下一个叫 Serial， 它是一个这个无代码的软件开发工具开发的一个 AI， 它应该是帮企业做内部工具 。 对对对对对 ， 做内部工具 ， 就是把你内部的一些重复性的工作变成固化的内部的小的 ， 无论是程序也好 ， 还是个网页也好 ， 还是个什么东西也好 。
嗯嗯嗯嗯 ， 这公司好像创始人也是原来就干这个的吧 ， 好像对 。 然后我们的这个技术大佬志愿者志涛 ，他给的评分也很高 ，7 分 ， 然后他应该体验了一下的啊 ， 体验之后他的评价是快 ，是真的快 ， 尤其是从部署上线以后， 就是非常快的就能够用起来 。
嗯 ， 直接现场看效果 ， 低代码做内部的内部小应用程序 ， 这个也是一个很主要的趋势 。 是 ， 嗯 ， 看到不止一家在做 。
对 ， 好 ， 再下一个叫 Crew HR 的 AI， 呃 ， 这个也是你能想到做 HR AI 要做的事 ，他都做了 ， 反正嗯 ，但没有看到什么是我们没想到的 。
那这个呢 ， 只能说我们去评价它还是得真的用一用 。 对啊 ， 就是我们只看官网的介绍 ， 会觉得这些做 HR AI 的都差不多 ， 然后他主要是做开发人员的这个这个细分的 。
哦 ，他有一个自己的垂直细分的啊 ， 就开发人员代码写代码 。 啊 ，是的 ，他帮你去找全球最佳的软件工程师 。
对 ， 嗯 ， 然后帮你把 ， 就是你比如你要聘用一个在巴基斯坦的一个软件工程师 ，他帮你把这个合规合规搞定 ， 这个付款发工资各种各样的搞定啊 ， 这是他的一个区别于区别于其他 HRAI 的地方 ， 让软件外包变得更容易 。
再下一个是一个做数据分析的 AI， 叫做 Dalmatin，Dalmatin 啊 ， 这个名字也是很难拼 ， 奇特的一个名字 。 对 ， 呃 ，其实做 BI 的 AI 的也很多 。
对 ，是的 ，是的 ，是的 ，是的 ， 现在进到了 D 开头的这些公司之后， 你会发现各种 D 开头的公司都是干这个的 。
对 ，而确实这个公司的 BI 团队是一个也挺痛苦的团队的 。 嗯 ， 就是每天需求其实都是 ， 对 ， 对 ， 每天都在接各种各样的业务需求 。其实 BI 或者这些分析做的功能 ，其实就相当于把人类的自然语言变成机器能够懂的编程语言 ， 原来是写 Circle 代码嘛 ， 对 ， 变成代码之后然后输出结果嘛 。
对 ， 对吧 ， 原来他做的就是这个嘛 ， 写 Circle，而且你在写 Circle 的时候 ， 你得非常熟悉对公司的数据库的表是怎么设计的 。
是的 ，是的 ，是的 ， 这其实是一个我觉得很辛苦的工作 。 是的 ， 嗯 ， 我记得原来在俊美的时候 ， 就是我们心疼 BI 团队 ， 到最后所有的业务人员就是全部自己学 Circle。
嗯 ，但你学了之后发现它的门槛就在于你学完之后 ，因为我们本来就是会的人， 你还得再去熟悉那个表格的定义 。
对 ， 然后对那个表的定义 ， 它有时候又有一些个人的习惯 ， 个人的习惯 ，以及它有一些呃 ， 就是历史上带出来的一些问题 ， 比如它看上去是个复购率 ，但这个复购率的定义和你理解的不一样 ， 中间有非常多这种就是 under table 的知识 ， 你才能够最后就拿到一个准确的结果交付出去 。
嗯 ， 我觉得这是一个很大的痛点 。 我看到做这个的公司也很多 ，在这一批 YC 的公司里面 。 是的 ，是的 ， 好 ， 再下一个 ， 哎 ， 再下一个名字起的很好玩 ， 它叫 Dancer， 就在 D answer answer 的前面加了一个 D 啊 ， 然后也是做公司内部的搜索啊 ， 这个也是一个呃 ， 我觉得有点用的 ， 就是把你公司所有的东西文档乱七八糟的格式的数据就知识分享吧 ， 对 ， 放到一块 ， 这
样用户就你的这个员工啊 ， 去用这个系统自然语言的搜 。 但明浩你觉得他肯定会黄啊 ， 做了一个标注 ，是因为你觉得他太薄了 。
对 ， 我觉得嗯 ， 就是我觉得就是第一 ，但他他他他在说他是开源的嘛 ， 然后所以大家可以实时的自己部署嘛 。
嗯 ， 然后查看自己所有文件 ， 可是就是图文这个东西拿来魔改之后还能干嘛呢 ？ 因为他是开源的嘛 。
嗯 ， 你可以比如说我今天是一家公司 ， 我有一定的 IT 开发能力 。 嗯 ， 我想把内部的知识库 QA 乱七八糟这些散落在各个地方的东西 。
嗯 ， 能够有一个统一的可搜索的对口子 。 嗯 ， 那确实可以用它的对这套东西 ，在 GitHub 上有 9,200 个那个收藏了 。
对啊 ， 那这个数据其实还是很高 ， 还可以 ， 确实可能做的实现的效果跟实施的难度比较低 。 你看它其实页面其实就跟对 ，其实就是一个 chatbot。
对 ，但它每一个这个答案它都会引用 ， 就我来自于公司的具体那个文档 。 对 ， 就它保证它的准确性吧 ， 就是如果大模型出现幻觉 ， 你可以去找原文档 。
对 ， 嗯 ， 我理解其实它开源到最后它的模式还是是 ， 就你要做私有化部署的时候 ， 或者你要去做进一步的咨询的时候 ， 就赚这个钱 。
嗯 ， 它可能也是用这种方式去获客 。 嗯 ， 云端云端它也会对买服务 ， 然后企业的就单独 。 对 ， 这其实我觉得其实这一批公司他们很多竞争 ，其实在销售能力和营销能力上的竞争 。
你看到这个公司 ， 它在 GitHub 上有 9,200 个点赞收藏 。 对 ， 这其实是不小的数 ，不小的 ， 这一定是它有一些独到的营销的技巧 。
是 ， 可能是 Twitter 的 QL 就创始人本身 building public。 嗯 ， 好 ， 再下一个叫做 Data Curve， 这个我们的志愿者志涛就技术大佬也给了 7 分 。他这个我理解啊 ，有价值的地方在于 ， 如果今天我要做一个 AI coding， 嗯 ， 然后我需要很多高质量的代码来做输入去训练 。
对 ， 然后这个公司 Data Curve 它就提供高质量的代码给你 ， 你不能去用那些不知道怎么的乱七八糟的软件工程师写的代码来训练吧 ， 这样训练出来你的这个 AI 写的代码也很差 。
对 ， 大哥百出 ， 所以需要高质量的代码 。 哇 ， 我觉得这个真的是太牛逼了 ， 就是能想到做这个事 ， 代码中的好代码 。
对 ，是的 ，是的 ，是的 。 嗯 ， 我们再看下一个叫做 Dizzy，Dizzy 已经看到第 60 行了 。Dizzy 呢 ， 是一个也是做数据分析的 。
呃 ，他确保就是企业当中就是大量的文档 ， 各种各样的数据接进去之后呢 ， 呃 ， 用户在去使用的时候得到的结果是正确的 ， 甚至是安全的 。
就是我写的观点是说 ， 就是刚才我们提到 ， 就是企业也好 ， 投币公司也好 ， 做大模型的落地的时候需要喂喂喂数据进去嘛 。
嗯 ，但是喂这个动作 ，以及这个动作的前置准备条件的工作还是非常多的 。 嗯 ， 它其实相当于把这部这部分工作变成一个服务跟可交付的东西给到嗯 ， 需要做这件事情的嗯公司 ，他们确保安全高质量 ，并且能够 ，因为就是之前大家会说有个问题是说 ， 比如有个很现实的例子啊 ， 就现实例子是当时很多游戏公司希望做 AI NPC 嘛 。
嗯 ， 对 ，但 NPC 有个很非常麻烦的问题在于 ，因为 AI NPC 背后是大语言模型 。 嗯 ， 大语言模型绝对的大 ，但是绝对大的好坏处就变成了它的记忆是不够的 。
嗯 ， 比如我昨天跟你说了什么 ， 我明天问你可能就记不住了 。 是上下文不够 。 对 ， 然后那你你要解决这件事情 ， 你可能只能从用原来的叫逻辑树 。
嗯 ， 的方式 。 嗯 ， 去实现 ， 那这就跟你现在的实施又背离了 。 嗯 ， 那你怎么来保证嗯 ， 这个事情在过程中不出现这个背离 ， 可能就是一个嗯 ， 一个一个一个问题吧 。
嗯嗯嗯 ， 这是一个值得解决的问题 。 是啊 ， 嗯 ， 然后 ChatGPT 最近上了一个新功能 ， 就是叫 Memory。 对对对 ，是是是 ， 它就你就可以指定它 ， 你说你现在记住 UR 这个记住 ， 给它下一个指令 ， 你记住我是谁 ， 你记住我到底喜欢什么样的工作 ， 喜欢我要求什么 。
对 ， 你你你记住我这个那个在什么公司上班 。 对 ， 你记住我千万不要说什么什么关键词 。 对啊 ， 这挺妙的 。
嗯 ， 哎 ， 我们再看下一个 ，也是一个软件研发的 AI， 叫做 Decipher。 呃 ， 这个是一个也是改 bug。 对 ， 改 bug。 嗯 ， 一个改 bug 的 AI， 怎么那么多改 bug 的 AI，因为大家都不想改 bug。
哈哈哈 ， 都只想写代码 ，不想改 bug。 嗯 ，而且它这个点还有是帮你在生产环境里面排错 ， 就在 production 的这个环境里面排错 。
因为过去在软件开发的时候 ， 大家为了不影响线上生产环境 ， 都有一个映射的环境嘛 。 对 ， 很多时候是在映射环境里面改 ，但改完之后再上线发现它不一定那个 work，但大家又不太轻易敢去动那个生产环境的代码 。
所以它在解决这个问题 。 好 ， 我们再看第 62 行 ，Decode Decode Health 做医药的 。 嗯 ， 能够帮你提供更卓越的患者护理 。
呃 ，也是解决医疗账单的复杂的问题 。 它把这个账单变得简单 ， 然后我觉得这个在美国是比较特别的 ， 比较重的 。
这确实和中国国情不一样 。 我之前在美国这个宝宝出生之后 ，他们的账单过了一两年才发给我 。 我当时都以为他发错了 ，他就是真的花了一两年时间来处理 ， 然后让我付费 。
嗯 ， 这说明这个积压了多少的账单 。 而且就是很多现实 ， 比如说什么东西保险能够支付 ， 什么东西保险不能支付 ，不能支付 ， 很复杂 ， 很复杂 。
好 ， 第 63 行叫做 Death Mark，也是一个做软件研发的 。 哦 ， 这个是帮帮开源的项目 ，在开源的文档里面啊 ， 卖广告 。
我知道这个了 ， 我知道这个了 。 对 ， 这个我觉得很有想法 ，因为开源的那个文档其实阅读量虽然不高 ，但是很精准 。
就是读这个文档的人 ，他一定带着一个非常强的强的目的 。 嗯 ，他是直接精准营销各种工程师 ， 就是让大家发现那些没有那么红的开源项目 ，并且愿意支持它 。
嗯 ， 相当于给这些非头部的开源项目提供了一个曝光啊 ， 搜索呀 。 嗯 ， 的平台 。 嗯 ， 变现的机会 。
我觉得这是这符合我说的有大爱的项目 。 嗯嗯嗯 ， 再下一个叫 Dilly。Dilly 听这个名字就是做 DD 的公司 。 哈哈哈 ， 这个好几家 ， 我觉得很有用的 。
好几家做 DD 的这个时候 ， 尤其你做 ， 如果大家这个就是有这方面的经验的话 ， 会知道这个做基金的 GP 大量的 LP 要来 DD 你 。
这还不是说你一个 startup GP 来 ， 就是基金来 DD 你 。 是的 ， 就基金来 DD 你的时候 ， 往往这个一个公司的 DD 文档是可以通发的 ，但是不同的 LP 那个需求可不一样 。
中东的 LP， 美国的 LP， 中国政府的 LP，他们要求的 DD 报告各有各的需求 。 那其实这个都是 paperwork， 所以背后数据源是类似的 ， 只是你要根据他的模板要求 ， 尊重他的要求 ， 给他提供一份他看完之后赏心悦目的报告 。
哇 ， 这个我觉得靠 AI 很有用 ， 就是专门只针对基金管理者 。 对 ， 很有用 。 我看明浩写的个牛逼 。
对 ，因为确实过程中你会发现这件事情真的就是反过来讲 ， 呃 ， 医学上的基金无论是股权还是债还是什么 ， 其实美国那边可能基金的数字化程度还可以 。
嗯 ，但中国就数字化程度还不够 。 嗯 ， 你再要去满足日益复杂的这个需求啊 ， 真的对于基金内的财务人员而言 ， 这份工作太累了 。
我的天呐 ，但我觉得这个有可能让中国直接弯道超车啊 ，因为有可能数据化做的不好 。 没关系 ， 现在一步一步生成搞定 。
对 ， 直接 AI 来生成 ， 你不管散落在哪里 ， 反正你只要有一个元数据 ， 我就可以给你整理出来 。 然后， 哎 ， 这个公司已经开始有蛮多客户了 ，他们已经做了 500 个客户了 ，而且这个客户都是 B 端客户嘛 ， 还是数据不小的 。
同时他说他 close 了 1,300 多个 deal。 嗯 ， 然后他参与的这些 deal 加在一块啊 ，他参与他服务的这个基金 ， 基金的 AUM 加一块是 500，500 亿美金 。
嗯 ，不小了 ，不小了 ，不小了 。 这个感觉是一个靠谱的公司 ， 应该已经有不少实施落地了 。 嗯 ， 再下一个也是做 DD 的 ，因为我们按字母排序 ，他们的名字就起的很像 。
对 ， 上一个叫 Dilly， 这个叫 Diligent， 就 due diligent 的 diligent。 呃 ，他除了 ， 哎 ，他的角度不太一样 ，他是在解决金融科技和银行业中的欺诈反洗钱 。
对 ， 哦 ， 反洗钱都有一个缩写 。 对 ，AML。 对对对 ，他这个创始人好像没记错 ， 就是 Facebook 原来反洗钱的负责人。
哦 ， 那不是 ， 那是另外一个 。 你看光反洗钱就有不止一家公司 。 嗯 ， 然后他的这个场景是给 ， 比如银行要发放贷款 ， 或者是金融机构要合作的时候 ， 那个对方的合作的厂商是否合规 。
嗯 ，他是做这个事情的 。 嗯 ， 所以我写了一个简化的版本 ， 就是这个天眼查的 2.0 版本 。 哈哈哈 ， 去查这些东西 ， 天眼查你可能还得自己去 ， 对 ， 自己去想去思考 ， 这个就是直接给你解决到位 。
是的 ， 靠谱 ， 靠谱 。 第 66 行 ，Dockson 这家公司是做法律的 AI，也是审合同 ， 还帮你谈判 。 嗯 ， 对 ，Doc。 对 ， 哎 ， 这个我觉得它解决了一个具体问题啊 ， 它其实也很垂直 ， 它找了一个切进去的办法 ， 就是做销售团队的法律的助理 。
对 ，因为销售团队总是催法务 ， 催的最要紧 。 对 ， 就你再今天不给我 ， 我这单子就要没了 。 嗯 ， 所以在过程中 ，他也需要不断的去针对不同的客户 ， 做那个你的合同的适配跟调整 。
嗯 ， 对吧 。 嗯嗯啊 ，他包括还有另外一个细分场景 ， 针对采购团队 。 对 ， 就看供应商的合同有没有合规 。
对 ，是不是满足各种各样的这个我们公司内部和就不同地方政府的法律法规 。 就是名字写的就是针对合同审阅 ， 针对合同审阅 ， 然后又分细化场景 。
嗯 ， 销售 。 嗯 ， 采购 。 嗯 ， 财务 。 嗯 ， 所以看到这里 ，其实我们一开始就是有在聊嘛 ， 就为什么做这个事 ，是因为身边朋友都在说到底 AI 有没有 PMF， 这些有没有靠谱的 AI 公司 。
百花齐放1:32:55
是的 ， 然后我看下来觉得真的很多的 。 对啊 ， 挺百花齐放的 ，有灵感的 。 嗯 ， 好 ， 再下一个 ， 哎 ， 终于又到 ToC 了 。
对 ， 叫 Draft A。Draft A 内容创作 ， 它是做 CAD 的生成式 AI。 对 ， 这个太狠了 ， 这个真的牛逼 。 哎 ，3D 的 AI 素材生成是在去年年底的一波小热潮 。
嗯 ， 然后但是大家生成的 3D 素材 ， 你还是要你生成完了 ， 然后呢 ， 你还是要放到现有的生产流程里 ， 无论是 Maya 还是什么东西里面 ， 再做后面的事情 。
对对对 ， 那他这个事情相当于就是因为这个团队应该原来也是相关的背景 。 嗯 ， 就是做那个 CAD 相关的事情 ， 所以他相当于直接在生成那一端 ， 直接帮你跑在 CAD 上， 生成一个 CAD 支持的模型跟 3D 的东西 ， 然后你再做基于 CAD 的后面的所有的事情 。
对 ，以及他是帮 3D 模型转成 2D 的制造图 。 对 ，因为最后这个 3D 的模型要生产 ， 你得有 2D 的制造图嘛 。
对 ， 这个东西其实也是很繁琐的 ， 就是其实创造的部分已经完成了 。 对 ， 接下来就是 paperwork。 对 ， 就干这个 。
是的啊 ， 哇 ， 这个 ， 哎 ， 我们俩都写了牛逼 。 对 ， 虽然我们自己从来没有设计过 ，但是感觉得到那些人的痛苦 。
然后那个国内不是有一个那个商汤的团队 ， 做那个 3D 生成做的不错 ， 叫 Vast 嘛 。 嗯 ，他们应该是 AI3D 生成里面比较领先的厂商 。
嗯 ， 然后那个团队我认识 ， 然后我就把这个项目发给了那个他们的产品负责人。 他说 ， 哇 ，在我们这么小的这个领域 ， 已经卷成这个样子了 。
哈哈哈
， 嗯 ， 哎呀 ， 真的是 。 我发现这个 ， 比如说现在唐岛装修门店 ， 就一定要有图纸 。 当然 ， 当然 ，但这个图纸其实它就是一个很就是制式的工作 。
对啊 ，是体力劳动 。 是啊 ， 这完全可以 AI 来帮你做 ， 就 CAD 图嘛 ，而且还不会出错 。 嗯 ， 好 ， 再下一个 ， 第 68 个 ，Driver AI 做软件研发的 。Driver AI 这个是解释复杂的代码库 。
哦 ， 做解做注释的是吗 ？ 呃 ， 应该是你如果是一个新人， 然后或者因为你自己写过的代码 ，有可能过两年你也忘了 。
忘了 ， 现在就是让他帮你读一读 ， 然后来帮你理解一下 。 这其实还是说代码写的速度啊 ， 文档跟不上， 就很多代码是没有文档的 。
真正有文档的代码 ， 我不知道 ， 这个世界上可能也是凤毛麟角吧 。 嗯 ， 然后原来可能这个是个大痛点 ， 然后现在就没有文档也行了 ， 让 AI 去帮你看吧 。
第 69 个 ，Driver Driver。 嗯 ， 这也是做 agent， 用自然语言来做工作的自动化 ， 然后在 Slack、Gmail、Google 表格各种工具上创建自动化的流程 ，也是很类似的 。
你 RPA 那些 。 对 ，RPA 那些东西 ， 写不写为什么拼 ， 非常类似 。 对对 ， 确实跟上面那几个做 agent 的那个 RPA 的没什么 。
嗯 ， 太大 ，而甚至他没有针对什么行业 ， 什么具体的场景 ， 跟这个这个具体人做更细化的 。 对 ，他的针对性 ， 官网上有一个卖点是说他跨平台 ，但这个我理解是也比较通用了 。
比如我举的例子是说 ，在 Salesforce 看到一个新的这个销售机会之后， 赶紧给我发个通知 。 嗯 ， 或者就是我周会开完之后， 你帮我把周会写个会议记录 ， 发 email 给谁谁谁 。
嗯 ， 这都还是通通用的 ， 这个里面竞争很激烈 ， 太激烈了 ， 得得找到自己的切入的角度 。 是啊 ， 对吧 ， 比如你就给牙医来做 。
对 ， 哈哈哈 ， 就会找得到一个切入点 ， 可能工作就没有那么的这个无头苍蝇 。 再下一个 ，Ducky，Ducky 也是做软件研发的 AI 的技术支持工程师 。
对 ， 哎 ， 我们的志愿者技术大脑 ， 志涛给了 7 分 ， 还可以啊 。 嗯 ，他是回答了软件支持的工作 。 嗯 ， 啊 ， 这其实也是呃 ， 比如说业务在要用软件的时候 ， 然后来问开发人员怎么用 ， 或者我要做配置怎么配置 ， 怎么调 ， 怎么调 。
对 ， 确实还是因为你写完代码 ， 尤其是内部系统啊 ， 你也不是交付出去 ， 别人就会知道怎么用的嘛 。
你还要有蛮多这个售后的工作 ，他其实在解决这个 ， 这个也是挺垂直的 。 嗯 ， 下一个 ， 这个是 Eclipter。 呃 ， 这个确实有点看不懂 ， 它是一个 CRM。
对 ， 它这个
看着有点云里雾里 ，而且官网非常的简单 。 嗯 ，也没什么东西 。 嗯 ， 利用 AI 展示随时可购买的企业开发人员前景 ， 翻译成中文就看不太懂 。
看不懂 ， 英文讲的是呃 ，Developer Prospects。 对 ， 这个确实有点超越我们的认知过吧 。 嗯 ， 好 ， 下一个 ，Edge Truths 啊 ，ToC 的来了 ， 做内容创作的 。
哦 ， 嗯 ， 就这个就刚才我讲的那个 ， 就是自然语言理解视频本身的内容 ， 然后我通过自然语言的方式去找到我需要找的东西 。
而且它是监控视频 。 对啊 ，他给的这个例子是在超市里面的监控视频 。 对 ，他说他给的这个自然语言是有一个人 ，他在看薯片上面的包装 ， 看之后被人买给他放回去了 。
为什么呢 ？ 什么时间点 ， 什么样的人 ，是吧 ？ 这个之前的技术是确实解决不了这个问题的 。 对对 ， 这个其实是有用的 ， 就像现在我们在电商网站是可以看用户藏在哪里 ， 最后从哪里流失的啊 ， 现在他可以就是做到这里了 ， 就今天有多少人拿起了我的薯片 ， 最后没有买转化率是多少 。
嗯 ，他这个非常直接 ， 我觉得有趣的 ， 就是语言理解视频 。 嗯 ， 然后初步探索的场景是这个搜索嘛 。
嗯 ， 然后这官网介绍就非常简单的 ， 明确的告诉大家他到底怎么实现 ， 能做什么东西 。 嗯嗯 ， 再下一个是 Egnoch，也是做内容创作的 。
呃 ，他要解决的这个问题 ， 我觉得是所有的做视频的 AI。 对 ，是的 ， 都想解决的问题 。 是的 ， 就是呃 ， 角色一致性 ， 一致性 。
嗯 ， 这第一个 。 第二个呢 ，是你就有一个故事板 ， 我直接根据故事板生成一段可以直接看的内容 ， 一个好的视频 。
对 ，但是他现在做的方式就是 ， 如果我们把 AI 视频作为一个大的品类的话 ，Sora 在做的是终极的解决方案 。
对 ， 然后呃 ，Pika Runway 那一波公司其实做的是中间态的 。 嗯 ，他其实这也是 ，他只是在中间态里面又找了几个固化的小的场景 ， 解决角色一一致性 ， 然后他通过模板的方式 ， 让你把一段有逻辑完整的东西 ， 通过模板跟分镜的方式 ， 你可以让他实现可交付 。
嗯 ， 就是这公司做的是这个事情 。 是的 ， 我看了一下 Demo， 我觉得还是 40 分 50 分的样子吧 。Demo 差很多 ， 还是 Demo 还是差很多啊 ，但这确实是一个做 AI 视频大家都在攻克的一个难题 。
对对对对对 ， 未来可期吧 。 好 ， 再下一个 ， 第 74 个叫 Ego。Ego，Ego 啊 ， 这个名字起的很有 Ego。 对 ， 非常有 Ego， 基于 AI 的生成式模拟引擎 。
哦 ， 这个这个这个有意思 ， 来做 3D 的 。 对 ， 嗯 ， 哦 ， 对 ， 这个有趣的是他的网站一看 ， 它是一个全黑的网站 ， 然后你生成 ， 你要点按钮生成网站 。
对 ， 所以因为他在讲的这个概念 ， 就是说这个世界我可以帮你生成 ， 所以你来我的官网 ， 第一步你要把我的官网生成出来 ， 然后你看生成出来 ， 然后在这个地方 ， 我我这个 ， 我在这地方 ， 这个地方生成一团火 。
对 ， 这个官网本身就是他们里面的一个 。 对 ， 超级强的表达 ， 然后这个这个这个这个叫这个这个 Meta AI 的团队 。
嗯 ， 然后他其实做的就是 3D 的呃 ， 生成式引擎的雏形 。 嗯 ， 然后现在展示的东西还是比较示范性质的 。
嗯 ， 然后未来想做的事情还是比较 ， 就想做的还是比较多的 。 嗯 ， 你像其实教育领域 ， 很多公司其实已经在做类似的东西了 ， 比如说我做一个可操作可交互的绘本故事 ， 对吧 ， 这个这个风格就非常的像 。
对 ， 我需要我讲一个什么 ， 我需要一只狐狸在一个一个一个林子里 ， 然后突然间我就需要一只狐狸跳出来 。
嗯 ， 然后有有来了一只老虎 。 嗯 ， 然后突然就来一只老虎 。 嗯 ， 然后整体的风格要一致 。 嗯 ，不能特别突兀 ， 对吧 ， 然后让整个的这个小孩子在这个绘本故事的过程中就非常的嗯沉浸 。
嗯 ， 对 ， 现阶段的 AI 的 3D 生成是可以实施 ，因为你对画面风格的要求不会那么的精美 ， 然后元素也比较少 。
嗯 ，他就可以实现 。 嗯 ， 第 75 个 Egress，Egress 也是一个 BI 的 AI。 嗯 ， 解决的问题还是 BI 团队的痛 。 对啊 ， 哈哈哈 ， 就是大量的需求堆积 ， 然后公司不是每个人都会写 Circle， 写会写 Circle 也不熟悉表结构啊 ， 然后创始人是两位哈佛的毕业生 。
嗯 ， 解决一个很有野心的问题 。 是的 ， 这一批 YC 里面有好几家这样的公司 ， 真的解决好了我是很愿意用的 。
是啊 ， 再下一个是 Ellipsis， 做软件开发了 ， 做软件开发的 ， 然后我们的技术大佬志涛也给了 7 分 。 嗯 ，他其实很多工具解决的是自己开发的过程 ， 那这一个叫 Ellipsis， 解决的是开发完成提交了之后 ，在 GitHub 的这个环节 。
嗯 ， 就是这个里面的工作 ，他把 AI 在开发过程中的覆盖度又提高了一点 ，他找到了一个不错的切入点 ，但他确实是一个有点细小的一个过程 。
是的是的 ，他如果不向前面开发的过程本身去延伸的话 ， 进一步的升值空间可能有限 。 再下一个 Eliphia， 一个医药的 AI。
嗯 ， 哦 ， 这个是针对怀孕期间的 。 哦 ， 对对对对对对 ， 嗯 ， 这个很牛逼的 ， 这个印象很深 。
嗯 ， 印象非常深刻啊 ， 然后这里面他讲了一个点 ， 我觉得还蛮打动我的 ， 就是你怀孕 10 个月 ，但其实你真正在这 10 个月当中， 见医生的时间加起来也只有几个小时 。
对 ，因为每次产检就给你 10 分钟的机会嘛 。 呃 ， 然后他就想办法帮助你 7×24 小时的监监护你的健康 ，他这个监护不只是佩戴硬件 。
对 ，他其实是就是给你这种发短信 ， 给你打电话 ， 用 AI 来给你互动嘛 ， 问你问题 。 嗯 ， 然后现在是免费的 ， 现在是测试费的呀 。
哦 ，而且他还有一个点哦 ，他是可以帮你识别你在咱在美国怀孕 ， 你可以申请到哪些资源 ， 比如说呃 ，有什么样的食食物补贴啊 ， 什么样的医疗补助啊 ， 这个有可能在不同的区 ， 不同的城市 ，在基于不同的职业和收入都不一样 。
对 ， 可能有些人他自己根本就搞不明白 ， 就没有享受到这些福利 ， 然后他帮你把这些福利也搞定 ，并且你要去提交几十页的表格 ，AI 也帮你写了 。
啊 ， 这个也好有用啊 。 我说又一个有大爱的小大爱 ，有大爱 ， 希望他赚到大钱 。 哈哈 ， 现在还在测试期 。
对 ， 然后他的 7×24 小时监测 ，也可以帮你提前的发现一些并发症 ， 提前预防 。 下一个 Empower， 这个是一个大模型微调的 。
对 ， 对 ， 这元晶辉的新公司做的也是这个 ， 没错 ， 硅基互动吧 ， 硅基流动 。 对对对对对对 ， 就因为因为原来这些工作 ，其实都是被封装到大名厂商自己的日常的工作流程里的 。
嗯 ， 那
除了那几家最大的之外， 如果我也想用大名做很多事情 ， 嗯 ， 这个工作本身的实施实现 ，他其实就是需要有经验的人来做的 。
对 ，以及就是他还是能够把这个用大模型的效率提高的 ， 对 ， 经济高效是可以做到的 。 这些确实看元晶辉的 ， 就介绍他公司的一些内容 。
对 ，他他的逻辑也是这个啊 ，是这个逻辑 。 所以下一家也一模一样吧 ，是不是一样的啊 ？ 不太一样 。 下一家叫 Epsila，他做那个数据库的 。
对 ，他做开源矢量数据库 ，其实是帮你训练大模型提供数据嘛 ， 开源的 。 嗯 ， 再看下一个 CRM，Fibre AI 和所有的 CRM 都有点像哈 。
对 ， 然后他找人呢 ， 一个我印象深刻的点是找人。 对 ，他是找人的那个吧 ， 应该是我没记错的话 ， 应该是 。
是的是的 ， 对 ， 帮你在各个地方根据你的需求找到潜在的潜在的人。 而且他还有一个点啊 ，他找到这个人之后 ，他可以帮你去这个暖场 ，他可以帮你根据那个人的社交媒体账号去发一段寒暄 。他当时举的一个例子是什么呢 ？
就他找到一个客户 ， 然后他去看了一下那个客户的 Instagram， 然后发现客户在公路旅行 ， 所以他写了一段邮件给那个人。
他说 ：" 哎 ， 你好 ， 我看到你正在做一场横穿美国的公路旅行 。 我三年前也试了一次 ， 当时我开的是 6 号 666 号公路 ， 你这次选择的是什么呢 ？
期待看到你分享沿途的风景和故事 。" 这个真的是有一点点妙 ， 就他其实技术不复杂 。 对 ， 实现其实并不复杂 ， 多做了一步 ， 就让他和别的感觉上更有人性 ， 更 make sense 了 。
是的是的 ， 这就是卷的行业 ， 对吧 ？CRM 是一个巨卷的 。 嗯 ， 你你要做出差异性 ， 真的要多做几步 。
对 ， 下一个叫 Firebender，也是识别客户的一个 CRM， 然后他这个识别的是中小企业的客户 ， 所以他会去抓这些客户的网站 ， 甚至他们在招什么样的人。
对 ，他们 LinkedIn 的帖子 ， 然后直接导 CSV， 就导名单给你 。 那我其实在想说这个放到中国 ，有可能就我今天假设还在做充电宝 ， 那我现在去扫街肯定效率已经很低了啊 ， 那我就用 AI 去先帮我扫一遍 ， 看看到底还有什么样的餐厅有可能能够接受我的充电宝 。
对 ， 这样我再去 pitch 他们 。 对 ， 或者就是他的交付是潜在的客户列表嘛 。 对 ， 对对 ， 我觉得 make sense。 比如那天我认识一个新朋友 ，他在做西班牙火腿的进口 ， 然后他们也要去 pitch 呃餐馆 。
对 ，pitch 餐馆 ， 什么样的餐馆合适 。 对 ， 这个其实他们过去也也挺不容易的啊 ， 就怎么去筛选客户 ， 这个 AI 帮你先筛选一下 ，其实是有标准的 ，也不是什么餐厅都用得起 。
是的是的是的是的 ， 可能价格到多少 。 对 ， 甚至你可以去看他点评上有没有用户 PO 过别的品牌的火腿 ， 然后正好是你觉得你比那个品牌的火腿有优势 ， 那如果他在用你比不过的火腿 ， 你就不要去 pitch 了 ， 你知道 pitch 不过 。
下一家 Fleetwork， 嗯哼 ， 这个是做物流的吧 ， 做物流的啊 ，也是飘在海上的各种各样 。 对 ， 哈哈哈 ， 这个物流的管理 。
嗯 ，也是打电话 ，也是打电话发邮件 ， 大量的 paperwork 帮你解放出来 。 对 ， 哎 ， 再下一个 ， 终于遇到一个教育的啊 ， 叫 Flint， 第 83 个 ，他是面向 K12 的 AI 平台 ，其实是给教师用的 ， 这个学校给学校和老师用的 。
对对对对对 ， 这给学校和老师用的 。 嗯 ， 然后可以实时部署在你的学校里 ， 然后你可以针对你的课程 。
嗯 ， 你的课 ， 比如你是讲生物的 ， 然后针对你这个课他做哪些准备 ，有什么问题 。 嗯 ， 然后学生问怎么怎么来评估 。
对 ， 学生交了作业 ， 你怎么给反馈 ， 甚至怎么设计作业 。 嗯 ， 都可以 。 嗯 ， 然后每个学生问那些问题 ，他也可以回顾帮助 。
嗯 ， 就是专门给学校做 AI 的加赋能吧 。 是的 ， 嗯 ， 对 ， 就其实今天蛮多做 AI 教育的 ，不是给孩子 。
对 ，不是不是 ，他是给老师和学校 。 是的是的是的是的是的 。 好 ， 再下一个叫 Flowwise AI， 呃 ， 低代码帮开发人员去这个创建 AI 的应用程序 ， 又是这种操作方式 。
嗯 ， 对吧 ， 拖拽拖拽工作流 。 嗯 ， 逻辑点逻辑树 。 对对 ， 就是让没有 ， 然后资源员 。 对 ，他他这里讲的是你没有任何代码背景 ， 你也可以 。
对 ，是的 ， 做一个这个 agent 出来 。 是 ， 嗯 ， 还是和这个 code define 很像的 ， 就是一个连接所有人的 。 嗯 ， 好 ， 再下一个 ， 再下一个是帮你学英语的来了啊 。
哦 ， 对对对 ， 叫做 Floatingly， 这个我知道 。 哎 ，他这个很有趣的切入点哦 ， 和别人不一样 ，他是你在那个每次视频会议的时候 ，他帮你记 ，他帮你就是记你的视频会议的表达 ， 然后嗯 ， 然后在你开完会之后告诉你 ， 哎 ， 这一次视频会议你表达有哪些问题 ，有哪些地方可以提高 。
对 ，因为别的学英语的我的理解很直接 ， 都是说你直接和他练嘛 。 对对对对 ， 我没想到他是这样的一个切入角度 ， 就是他是以现有的你 ，他他默认你已经在工作过程中在使用英语 。
对 ，而且使用的场景很多 。 对 ， 然后他就把它把它相当于作为一个插件 ， 插到你日常用英语的过程中， 然后通过听你这些表达 ， 嗯 ， 帮你提供建议 ， 给你评分啊 ， 你的发音 ， 你的词汇 ， 你的语法 ， 甚至你的流利度 ， 这个我印象也很深 。
然后接入这么多的 ， 几乎所有的 ， 几乎所有的视频会议平台都可以 。 嗯 ，而且他不是机器人呢 ， 嗯 ，他就是在外面的 ，在外面 ，因为你如果机器人在里面 ， 对对方知道很尴尬 。
对对对对 ， 这个太有意思了 。 嗯 ，他甚至会细化到哪个词应该用 ， 哪个不应该用 ， 哪个 。 对 ，他这里举的例子 ， 我觉得就是什么 should could， 你如果说的不准 ，他会告诉你 。
哎 ， 这个真的很好呀 ， 我我觉得他比我直接找一个陪练 ， 陪我练这个更 ，因为他其实是在实践中帮你学习 。
对 ，是的 。 嗯 ，他这里还有一个例子 ， 就是他发现你的 abilities 这个词说的不好 。 对 ， 然后告诉你你下一次说的好一点哦 。
哇 ， 这个太棒了 ， 我我下次要用一下， 这个太好了 ， 找机会用一下 。 这个这个这个真的太狠了 ， 压力太大了 。
哈哈哈 ，但别人不知道嘛 ， 你只有自己知道 。 对 ， 就自己给自己压力 ， 真的是自己卷自己 。 哇 ， 太狠了 。
哈哈哈 ， 再下一个叫 Focle。Focle 是一个做内容创作的 ，也是做 AI 视频的 。 嗯 ， 很有野心哦 ，他要做电视剧和电影 。
这个我知道 ， 我记得啊 ，但他还没上线 ， 所以其实我们看不太到 。 对 ， 就是他有一些示范的 demo， 就是他还是那种类似动图的 。
嗯 ， 实现效果 ，而且野心很大 ，但现在现实很多 ， 就这种嘛 ， 就是一个 4 秒的一个平台 ，one way 没区别的一个动图 ， 甚至都不如那些 。
嗯 ， 再下一个 ，他好像和 AI 没关系啊 ， 叫 Foundation， 所以我们就快速过吧 。 这里面因为这其实这个表格也是 AI 抓来的一个表格 ， 所以他还是有一点点幻觉 。
对对对 ， 这个 Foundation 是针对呃房产交易的一个服务 ，但他和 AI 的关系不强 ， 我们跳过他 。 看下一个 ， 第 88 个 Fragment。Fragment 呢 ， 是一个做金融的 AI。
嗯 ， 呃 ，他是帮助金融公司的运营团队来去管手动的流程 。 对 ， 这后台运营的 。 对 ， 然后他有一个点哈 ， 我看到他是接到一个任务之后，AI 把这个任务分给各种各样的后台人员 ， 然后在后台人员提供了这个呃他们的答案之后， 还能够用 AI 再去做一下评估 。其实针对金融行业的 AI 虚拟员工的感觉差不多 。
对 ， 下一个又是我们看不懂的领域了 。Fume， 嗯 ， 这是一个又是 10 倍效率 。 哦 ， 天呐 ， 改 bug 的吗 ？ 哦 ，他是这样 ， 就是你可以和整个代码库对话啊 ， 提升工程师效率 。
对 ， 提升工程师的效率 ，其实和上面的那个 ellipsis 很像 。 对 ，他这个宣传上更强调他改代码很方便 ，而不是他是这个去 review 整个代码的流程 。
嗯哼 ， 嗯 ，AI 改 bug，AI 写代码 ， 这真的是一个巨大的领域 。 是的 ，因为代码本身就是输出的 ， 比自然语言更结构化的 ， 更容易理解 ， 更容易理解 ， 对对 ， 对 AI 来讲更容易理解 。
嗯 ， 第 90 个 Fint AI，Fint， 这是一个金融相关的 。 嗯 ， 嗯 ，他有一个这个切入点哦 ， 就是针对快消品的财务数据 。OK， 就如果公司规模大了 ， 财务团队其实很辛苦 ， 尤其做快消品渠道多 ， 然后供应链的这个接口多 。
嗯 ， 所以其实也是帮财务人员把这些数据更快的整理起来吧 ， 蛮具体的 。 下一下， 下一个是叫 Giga ML， 呃 ，也是帮开发人员做 AI 应用的 。
嗯 ， 一个是做微调 ， 一个是帮你预训练你的这个大模型 。他号称自己有三个垂直领域 ， 叫医疗 、 法律和金融 ，但这三个领域感觉都是所有的主流领域 ， 都是通通的领域 。
对 ， 那就是感觉你要很有野心 ， 要做 everything。 下一个是 ToC 的娱乐的一个 AI， 叫 Clay。Clay，他要做的是下一代的视频游戏 。
哦 ，其实 Sam Altman 之前有发言 ， 对 ， 就是在讲这个视频和游戏之间的界限 ， 界限会越来越模糊 。 呃 ， 说什么电影会变成游戏 。
嗯 ， 游戏会变成一个令人想象不到的 ， 想象不到的多牛逼的东西 。 那这个他就是他这个网站首先没有内容 ， 然后 YC 的介绍也很少 。
对 ， 几乎就没有什么东西 ，其实还看不太到 。 嗯 ，但是他选了一个很有野心的方向 。 是的 ， 嗯 ， 就我认识的一些比较厉害的导演都在想 ， 就是有了 AI 之后， 可能我原来讲故事的方法是视频 ， 嗯 ， 现在我可以用游戏了 ， 交互的方式 。
对 ， 交互的方式 。 下一家 ， 下一家叫做 Glimmer， 哦 ，他是做 PDF 的 。PDF， 嗯 ， 长 PDF。 哈哈哈 ， 对 ， 这个呃解决的问题倒是蛮具体的 ，但确实薄了一点 ， 感觉未来很多人都会帮他解决这个问题 。
就是你看他的名字也很 AI search for long life PDF， 就是他就是解决这个问题 ， 就是最长 PDF 文件的整理跟审核嘛 。
对 ， 然后他又会针对呃建筑 、 法律 、 教育 、 医疗 ， 嗯 ， 可能有一些微调 ， 对吧 ？ 嗯 ，是 ， 确实 。 然后呢 ， 对 ， 太薄了 。
对 ， 嗯 ， 就这个东西的差异 ， 或者说你可能确实在这些领域能做到 90 分 ， 嗯 ，但是可能大模型自己不需要做任何事情 ， 可能就已经 80 分了 。
甚至我觉得未来就是苹果或者 Windows， 就操作系统自己都会做呀 。 对 ， 这没有理由不做的 。 是 ， 我觉得在早期可能还行 ，但是已经到 2024 年 5 月份再做这个 ， 就有一点点看不到这个特别的差别 。
就跟 Timi 最开始出来强调长长文本一样 ， 就确实可能在那个时间点是一个能够打动用户的获客的办法 ，但是到今天已经是通用的规则了 。
嗯嗯 ， 好 ， 再下一个 Govern GPT， 这也是一个这个给你出滴滴报告的 。 对啊 ，他叫机构筹款的 AI copilot。 对 ， 嗯 ，而且他在给滴滴报告的时候 ， 还会这个从你的数据库里面去找到最新的信息 ， 比如你投的这些企业的最新的情况 ， 然后整理到滴滴报告里面发给 LP 看 。
是的 ， 然后他典型的这个客户写了一些啊 ， 比如说 hedge fund， 嗯嗯 ， 比如说这个呃 ， 真是房地产公司 。
对 ， 嗯 ， 私募股权公司 ，但我总觉得那可能是偏见啊 ， 就是意义上的基金是其实是最不好服务的一些客户 。
哈哈哈 ， 又挑剔又抠 ， 对吧 ？ 嗯 ，不太好拓展客户 。 对 ，但可能在美国会不会好一点 ，因为美国更多小的 ，有可能 ，有可能会艺人基金 。
再下一个 Greenland，也是一个给金融服务的 AI， 反洗钱 ， 反洗钱 ， 反欺诈 ， 这个应该是那个吧 。 对对对 ， 这个是那个 Facebook 的那个反洗钱 ， 反洗钱负责人。
我觉得这个在中国就是搞那个反欺诈 ， 真的还是很靠谱的 。 现在走到哪里 ， 大街小巷都在说你小心被骗哦 。
好 ， 我们看第 96 个 ， 叫 Grip Tile， 呃 ， 代码审查和你的代码库对话 ， 自然语言去问代码库啊 ， 比如你可以问他呃 ， 我哪里有 bug， 哈哈 ， 哪里有问题 ， 哪里有没有问题 。
嗯 ， 然后他还可以根据你的代码帮你自动写文档出来 ， 嗯 ， 再建文档 。 嗯 ， 呃 ， 再下一个是一个这个 infra， 就 AI 基础设施 ， 叫做 Guide Labs。他想做的是解决大语言模型现在的黑盒问题 。
对 ，在中间步骤当中， 能够只针对某一个中间步骤做一些调整 。 对 ， 感觉是一个难度极大 ， 野心很大的一个公司 。
是 ， 再下一个 ， 再下一个我觉得很牛逼哦 ， 我知道那个叫做找人的那个嘛 。 对对对 ， 找人的 ， 找人的 。
对对对 ， 然后他是你给他一个线索 ，他帮你找人。 对啊 ， 我试了一下， 嗯 ，他首先这个界面上就是一个大框 ， 就是你要找什么人， 你告诉我 。
对 ， 然后我说我要找一个企业家 ，他在做 AI 的那个孵化器 。 我看你好像放了图 。 对 ， 你告诉我有哪些美国的企业家在做 AI 孵化器 。
对 ， 然后他其实还是花了蛮久的 ， 花了 3 分钟去讲 ， 花了一些时间的 。他会把步骤告诉你 ， 第一步他干嘛 ， 第二步干嘛 。他其中第一步就是把你的这个自然语言的需求 ，他给你转化了 ， 理解成 ， 比如对 ，他有就是把我刚才那个需求转化成一个非常长的一段话 ， 比如就是他把孵化器转化成他在 supporting and nurturing early stage AI startups。
嗯 ， 然后他还去进一步解释什么叫孵化 。 对 ，他说是 leverage 这个企业家过去的人脉网络 ，他的资源 ，他的专业知识来去孵化 AI startup。
就他把我的意图转化成一段话 ， 这是第一步 。 第二步就是在 LinkedIn，在 Google，在各种地方去找 ， 然后最后找出来一个列表 ， 好几十个人。
对 ， 然后而且他每一个人都会做得很好 ，他把我的资源源就理解成了几个标准 。 嗯 ， 就是比如说这个 ，他首先要是企业家 ， 第一个标准 ； 第二 ，他在做 AI incubator。
嗯 ， 啊 ， 然后他会说这个人他满足的是不是两个标准 ， 如果是两把钩 ， 如果只满足一个标准 ， 一把钩 。
呃 ， 我看了一下他找的第一个 、 第二个人是准的 ， 人家真的就是在做孵化器 ， 真的是过去的企业家 。
是的 ， 推荐大家试一下 。 对 ， 如果你真的需要找人的话 ，并且最好是英文背景的 。 嗯 ， 情况下 。 对对 ，因为他的很多入园是 LinkedIn。
嗯 ，他其实对吧 ， 国内的主要是找这个英文世界的人。 对对对 ， 再下一个 Hazel， 这是一个给政府做 AI 的 。 嗯 ，他帮助美国的州和地方政府去做采购 ， 采购业 。
嗯 ， 又是采购 。 嗯 ， 哎 ， 这个真的我觉得挺牛逼的 。 就我可以想见这个在政府里面做采购 ， 那可比企业更还难 ，因为政务还要透明公开 ， 就什么能买 ， 什么不能买 ，有担责任 。Next Health Harbor 医药的一个工具 。
嗯 ， 哈哈哈 ，他是帮医生打电话给保险公司去去 argue 去索赔的 ， 去索赔 。 你看 ， 就是这几个东西 ， 保险 、 医疗 、 牙科 。
嗯 ， 都连在一起 ， 电话 、 语音 、 短信 。 嗯 ， 就是 ， 嗯 ， 就这个链路 ，其实是被这个这几个关键词连起来的 。
医疗与保险2:00:21
然后几乎所有的医疗项目都强调合规 。 再下一个海明威 ， 这个对 ， 叫做海明威 AI， 又是给牙科用的 AI 啊 ， 然后应该是在啊 ， 患者来之前和他预约 。
对 ， 就是前台嘛 ， 前台 。 对 ， 就是哎 ， 你说这个美国的牙医真的感觉对 ， 好好好牛逼的 ， 人员真的少 ， 真的缺人。
嗯 ， 我觉得在中国有什么这样类似的场景 ， 个人职业者 ， 然后高收入 ，有大量的沟通的环节 ， 制式的环节 ， 个体户 ， 高级个体户 ， 真是 。
好 ， 再下一个黑 Purple。 哦 ， 这个是那个房东的 ， 那个给房东用的 。 对对对对 ， 哎 ，他们真的都就是给各种各样的超级个体户用 ， 然后用 AI 的方式就提高你的效率 。
嗯 ， 然后这个是嗯 ， 应该是类似 Airbnb 的房东 ， 呃 ， 租户 。 然后啊 ， 就是我可能带领了很多套房子 ， 房产经纪人那种 ， 房产经纪人啊 ， 看哪套房 ， 什么时间你有时间能带我去 ， 你有没有钥匙 。
嗯 ， 还是要提前预约 ， 房房主在不在家 ， 就是对 ， 对吧 ， 就这些事情 。 对 ， 短信电话 。 对 ， 要帮你用 AI 方式解决这个问题 。
嗯
， 看一下 HONA，HONA，HONA 是一个医药 AI， 它也是要把大量的非结构化的数据给转化成这个企业的知识库 ， 然后你可以自然语言去和他沟通 。
对 ，而且还可以做电子病历的分析 。 是的 ， 嗯 ， 就相当于把病历的这个事情交给 AI 来做 。 嗯 ， 好 ， 下一个 Host AI， 这是给酒店用的 SaaS 系统 。
对啊 ， 看上面有一个给那个物业管理 ， 就给租赁的那个 ， 这个是给酒店用的 ， 这个是给酒店用的 。
嗯 ， 就选了各自不同的切入的角度 。 对 ，但这个做的事情多 ， 我记得就是他除了做这个前台类似的事情之外， 还做后面的事情 ， 比如说住进来之后的访客的管理 。
嗯 ， 然后日历的规划 。 嗯 ， 营销做没做啊 ， 我记得营销做了 ， 做营销 ， 对 ， 营销也就往他也往前 ， 帮你获客 。
对 ，他也往往前做 ，他不单纯只是做一个那个预约跟那个日程安排的那个东西 。 嗯 ， 我理解 ，其实过去就这样的这个公司 ，他们都有自己的 SaaS。
嗯 ， 就是 AI 来了之后， 我有一波新的去切新客户的机会 ，因为我比老 SaaS 就是更强大嘛 。 是的啊 ，而且理论上确实就是智能很多 ， 甚至还能便宜很多 。
而这家公司已经有 3,500 个公司在用了 ， 那会不会是一个原来就有基础 ， 应该是有的 ， 然后加了 AI。 对 ， 嗯 ， 下一个 Inari，Inari，Inari 是这个做呃软件研发的 AI 啊 ，他其实在做的事啊 ，他其实不是软件研发 ，不好意思啊 ，他是做舆情监控的 。
哦 ， 就那个那个 ，是的是的 ， 对 ， 舆情监控 ，而且他会把就大量的乱七八糟的监控整理好 ， 提炼出最有价值的见解 ， 然后给到你 ，在各个分散在各个地方的舆情的这个信息 ， 客户的评论抱怨 。
对对对 ， 帮你整理成一起 。 对 ， 这个其实对消费品公司 ， 对任何一个产品公司 ， 对公司都有用 。 是的是的是的 ， 你省了做客户调研了 。
对对对 ， 再下一个叫 Infinity AI， 是一个 AI 创作 ， 呃 ， 从剧本到电影 。 嗯 ， 这也是一个就是有野心吧 ， 对 ，但是实现的结果并并不是特别的理想 。
嗯 ， 就他们主要是做那个人体的动作 。 嗯 ， 比如说让那个一个人跳舞 ， 让一个人对口型说话 。 嗯 ，但是这几个场景 ，其实现在都有非常好的交付的公司 。
嗯 ，他们做这个实际效果就还是挺挺烂的 ， 从结果上来看 。 好 ，他们的 ，他们的那个 YC 介绍里有一个关于他们做那个结果 ， 就非常让那几个他们创始人跳舞来啊 ， 然后就效果不是很理想 ，不是太理想 。
对 ， 所以距离真正意义上他们想解决这件事情还有挺远的距离 。 那请他们加油吧 ， 哈哈哈 ， 还想做电影呢 ， 你想他们就是 ， 嗯 ， 还是挺遥远的 。
嗯 ， 看一下啊 ， 你看这是他们的实时的效果 ，其实还是差挺多的 。 我们正在看这个效果 ， 确实不太行啊 ， 这个感觉小红书上都一大批比他们对啊 ， 跳的更好的 AI， 哈哈哈 ， 这个差的真的是差的不是一点半点的感觉 。
嗯 ， 好 ， 再下一个叫 InfoBot。InfoBot 呢 ， 是一个 AI 帮你生成新闻的一个工具 ， 然后它里面有提到 ， 就是人的兴趣是千千万万的长尾 。
对 ，而纽约时报其实它就只能给你报道十几个主题嘛 。 对 ，但是这个世界上有几万个可能的兴趣 ， 比如它举了一个例子 ， 叫有些人就是感兴趣这个 UFO 的追跟踪 。
对 ， 所以它就每天给你全世界去网罗到底 UFO 的追踪 ， 今天有什么新的新消息 ， 然后给你用 AI 生成一个简报发给你 。
对 ， 你看这是这几个特别的案例嘛 ， 这个就是 UFO tracker 嘛 。 对对 ， 哈哈 ， 乌克兰战争 ， 对 ， 特斯拉的投资人最近有什么新动态 。
嗯 ， 然后他以简报的方式发给你 ， 用发简报排版还挺好看的 。 对啊 ， 这确实是过去也有这样的公司 ，但过去他只能就是把所有的链接一股脑丢给你 ， 就是当年 Google 关键词吗 ， 订阅 。
对对对 ，Google 关键词订阅 ， 就是邮件每天发你 ， 然后哇 ， 全是链接嘛 。 对 ， 那个信息量大到几乎无法处理的 ， 就没法弄 ， 那个没法用 ， 没法用 ， 现在就可以用了 。
对 ， 嗯 ，UFO tracker 就是这样 。 嗯 ， 新时代的 RSS。 对 ， 下一个叫 Inlet，也是一个 AI 做软件研发的 ， 它是一个 AI 编程环境 。
嗯 ， 感觉啥都在做 。 嗯 ， 嗯 ， 就编码的时候可以做 copilot， 调试的时候也可以 ， 还能帮你写文档 。 嗯 ， 然后他有一个想要做的领域是 ， 就针对医疗保健行业的编码的这个工程师 。
哈哈哈 ， 又是医疗 ， 所有人都想去薅医疗的羊毛 。 哈哈哈 ， 又是医疗 。 嗯 ， 又是医疗 。 对 ， 好 ， 再下一个叫 Inkeeper， 这个和上面的 Host AI 很像哦 ， 对 ， 酒店管理都是针对酒店的 ，因为 in 在英文里面也是小酒店的意思 。
对 ， 然后他做的更进一步 ，他还能帮酒店做网站 。 是的 ， 就是我现在开个酒店 ， 我帮你一切都搞了 ， 从那个官网开始 ， 哈哈 ， 帮你做官网 ， 帮你定价 ， 帮你自动调价 ， 帮你接电话 ， 还能帮你营销获客 。
对 ， 所以基本上你需要做的事情就是盖房子 ， 所有酒店管理员在线的工作全在线的工作全给你干了 。 嗯 ，而且这是按房间收钱的哦 。
哦 ， 可不是按酒店收钱的 ， 按房间收钱啊 ，有趣
， 都是 AI 时代带来了很多新的 SaaS 的不同的收费模式 。 对 ， 嗯 ， 下一个建筑地产领域的 AI， 这是一个 Inspect Mind AI 啊 ， 这是用 AI 来帮你写施工检查的报告啊 。
对对 ， 这个有点像那个刚才那个做英语的 ， 就是你本来也是要做那个施工的检查 ， 然后你就带着你的正常的录音机跟监测的设备 ， 你就正常做你的工作 。
嗯 ， 然后你做完这份工作之后， 它基于你现有的这些采集的数据 ， 帮你实时生成报告 。 嗯 ， 嗯 ， 要录 ， 你要录 ， 你要录 ， 要拍照 ， 然后他帮你生成 ， 要要拍照 。
对 ， 然后要有笔记 ， 然后帮你生成报告 。 这个创始人自己开过建筑公司 ， 对 ， 从小开建筑公司 ， 所以他知道这里面的问题 。
嗯 ，是的 ， 所以其实还是跨界人才 。 对 ，有点就是比其他的建筑公司的这个创始人更厉害的地方 ，是他掌握了 AI。
对 ， 好 ， 再下一个叫做 Inventive AI， 是一个 CRM。 呃 ， 销售团队在收到提案的要求之后啊 ， 这其实是在笔稿的一个场景啊 ， 就要让你来笔稿了 ， 然后原来怎么着都要花好几天去准备一下吧 ， 现在其实用 AI 来帮你就做笔稿的提案啊 。
然后第一步 ，其实他不是直接帮你做报告的 ，他第一步是先帮你理解笔稿的要求有哪些 。 是的 ， 哪些是必须要做的好的 ，有哪些是可选的 。
然后第二步 ，是他抓你公司里面有哪些资源优势知识 ， 然后给你做个草稿 ， 然后你自己来改 。 然后第三步 ，是你要提案报告发出去之前 ， 还是得确保我的提案是靠谱的 ， 我的承诺能做到 。
所以他会把这个提案就是 AI 拆成不同的部分 ， 分给公司不同的人去检查去审 。 我这个全流程端到端做的很细致啊 ，是这个我觉得对广告公司 ， 就对任何的乙方公司 ， 可能需要销售的公司 ， 对 ， 都能够用得上 。
嗯 ， 就但凡涉及到提案 ， 可能都需要 。 对对 ， 哎 ， 这个真的有点意思 ，他切入的角度很棒 ， 就他做这些事情也是 ， 就是感觉是在一个主线上， 一个工作流的主线上， 一点一点的去帮你优化 。
哦 ， 每一步都参与 。 对 ， 每一步都参与 ， 考虑的很周到 。 嗯
，他甚至还能控制你的语气 。 我的天 ， 你写提案的语气我要激进一点 ， 还是我要谦虚一点 ， 根据不同的客户 ， 我要表示不同的姿态 。
看一下， 下一家叫做 ION Design， 它是做编程的 ，但它针对的是前端 ， 前端代码 。 前端代码它这里想讲的就是 Figma 做完之后， 你不要写代码了 ， 我帮你把 Figma 啊 ， 你讲我记得我记得 Figma 的文件直接直接变成代码 ， 前端代码 ，而且他说我写出来的代码可是漂亮的干净的前端代码哦 。
哈哈哈 ， 我记得我记得 ， 前端的自动化就是这个 ， 多讲一点 ， 就是之前 Adobe 不是要收那个 Figma 吗 ？
对 ， 然后几百亿美金 ，但最后这个交易取消了嘛 ， 就不收了嘛 。 然后大家去探讨这背后的原因 ， 大家去探讨这样一个原因 ， 尤其很多做今天做前端设计的员工会觉得 ， 呃 ，AI 来了之后，UI 的设计这件事情可能也会面临巨大的挑战 。
嗯 ， 就是原来 UI 设计是有非常多的中间步 ， 就跟我们画图一样 ， 或者做 3D 素材也有建模 ，有图层 ， 嗯 ，有可操作性 ，有什么 ， 然后最后交付一个结果 。
那 AI 来之后 ，是不是可能所有的中间步骤就都不需要了 ？ 嗯 ， 直接变成可交付的 ，因为你用自然语言的方式 ， 嗯 ， 生成的方式直接就有结果 。
嗯 ， 那作为这些中间步骤过程中最重要的软件跟服务 ，是不是你的价值会受到巨大的挑战 ？ 嗯 ， 就大家去考虑这个问题是说 ， 所以 Adobe 可能会因为这个原因 ， 就觉得未来 Figma 会变得越来越不重要 。
嗯 ，是这个逻辑 ， 就 GUI 可能没那么重要 。 对 ，是的 ，是的 ，是的 ，是的 ， 当然这个人家做的还是就是流水线里现在做的事情 。
是是啊 ，但我自己还是觉得 GUI 会持续的重要的 ，因为 UI 对人的挑战还是太大了 ， 太大了 。 好 ， 说回来 ， 我们再看下一个 ， 第 113 个叫 Junk Shin Bioscience，Bioscience 是一个医药 AI。
我这个完全看不懂 。 呃 ， 这个不明觉厉吧 ？ 对 ， 只能你看这个网站只有这个 ， 哈哈哈 ， 什么都没有 ， 一个细胞 ， 一个细胞 ，而且一面看是 AI 生成的 ，不是对现实世界的 。他要做的是指导变革性药物的发现 ， 然后他专注在神经炎症和免疫学的药物和疾病的控制 。
了不起 ， 高级 。 嗯 ， 为他鼓掌 。 好的 ， 再下一个 Just Words， 这个就是一下子从高科技回到了我们的生活中 。
不明白 ， 这个我不太明白 ， 做文案的 。 对 ，而且只做文案 ， 只做且只做文案 。 对 ， 呃 ，他讲了一个需求 ， 就是如果你做了一个产品 ， 你在各个地方都得有文案 。
现在对线下渠道 ， 线上渠道 ， 线上还分 Twitter、Pinterest、Instagram、 邮件 、 邮件 、 电商 、 短信 、 短信 ， 怎么能够对 ， 怎么能够保证这个文案的就是一致性 ，不只是准确的一致性 ，也包括风格 、 语气 、 姿态的一致性 。
对 ， 确实在做这个事 。 我觉得在过去 ， 比如说在唐岛 ，其实是靠人的 ， 对 ，是靠人的 ， 靠人的审美 、 感觉 ， 对 ， 习惯 ， 对 ， 经验 ， 对 ， 对吧 ？
嗯 ，但公司大了很难管 ， 太难 。 比如我们在唐岛说一定不要用黑科技三个字 ，但这个其实是早期几个同事的共识 。
嗯 ，但你很难把这个事情铺开到 100 个人的 ，不容易 。 对 ， 哪怕你写在工作手册里面 ， 人家也可能不看了 。
对 ， 所以他只做这件事情 ， 对结果的提升 。 嗯 ， 就反正就是你很很锐利 。 对对 ， 我听说很多就是外企的 Marketing 的老板 ， 直到今天 ， 所以他们自己看 ， 就一号位看文案啊 ， 这个是他们工作中蛮主要的一个部分 。
嗯 ，他要保证那个持续的调性 ， 对 ， 持续的调性 ， 持续的不能出错 ， 比如说中文英文之间要有一个半个空格这种事 。
哈哈哈 ， 啊 ， 再下一个 K Scale K Scale Labs， 做机器人的开源的机器人。 嗯 ， 开源的机器人。 对啊 ， 这个是也是因为机器人领域有了 AI 的这一波 ， 就是尤其是人形的 ， 尤其人形机器人 ，他可以对计算机视觉 ， 对图形进行这个学习之后， 就有了一个新的技术路径出现 。
所以就会有开源的 ，有有想法的人在做这个尝试 ，但其实就是一个圆脑袋的 ， 像 1T 那样的 ，但是是人形的 。
嗯 ， 一个这样的东西很棒 ， 为他鼓掌 ， 希望他成功 。 是的 ， 再下一个 Kabila 医药 AI， 嗯 ， 这个是呃 ， 患者来的时候啊 ， 对对对 ， 住院护士的住院护士 ，他们护士之间的对接 。
对对对对对 ， 就我把这个患者的情况交给你了 ， 交给你了 ， 还怎么样 ？ 下班了 ，他今天要打什么药 ， 明天要怎么处理 ， 就是这些 。
对对对 ，他是这里过程中的记录 。 嗯 ， 整理 。 嗯 ， 对 ，他有说 80% 的严重医疗失误是发生在患者交接的时候 ， 交接不好 ， 就我下班的时候本来就着急想要回家 ， 已经那么累了 ， 我值个夜班好吧 。
有些信息没有说清楚 ， 现在把这个环节用 AI 解决 ， 这个真的也是很牛逼的一个想法 ， 切的真真细啊 ， 切的很细 。
下一个叫 Cater AI， 做数据分析的 。 嗯 ，他这个官网啊 ， 一上来就问你是不是曾经为这些事情感到痛苦 ， 你的 BI 团队过去 24 小时都在处理不同的团队 、 不同的老板给他们不同的紧急需求 ， 紧急需求永远只有更紧急 ， 没有最紧急 。
对对对 ， 然后另一个痛苦是高管们永远不理解为什么我们的数据记成这个样子 ， 为什么我们连 30 天的复购率都算不出来 。
我觉得这些真的是太似曾相识的痛苦了 ， 就是之前做电商 ， 后来做消费品 ， 就这样的痛苦天天在发生 。
是啊 ， 嗯 ，他要做的就是解决这些问题 ，不容易的一个问题 ，是非常不容易的 。 我们看到这是第五家还是第六家想要做这个东西的公司了 。
嗯 ，而我们只是我们今天只录一半啊 ， 嗯 ， 还有一半没录呢 。 哈哈哈 ， 好 ， 下一个叫 Key Words AI，AI 基础设施 。
嗯 ， 它是一个
也是做 Infra 的 。 对 ， 嗯 ， 创建 AI 应用程序的一个工具 。 好 ， 再下一个叫 KHOJ， 这个你你你还提到过 。 对 ， 这个我觉得和我的英文名很像 。
对 ， 可是它应该不是个英文名 ， 我感觉这个是一个说不出来哪里的名字 ， 创始人就就是北欧的一个名字吧 。
对 ， 还是是 ， 反正不是美国人啊 ， 我印象当中是不是美国人。 嗯 ， 然后他做的是什么呢 ？ 他做的是一个呃 ， 你的数字大脑 ，其实他要做的就是呃 ， 把你在桌面 、 在手机 、 在云端所有的数据一股脑的对 ， 变成一个知识库 ， 然后你可以去搜索它 。
我觉得这个事是我很需要的 ， 只是我觉得未来苹果很快就会做了 。 它还是开源的吗 ？ 它是开源的 ， 它是基于 Llama 2 改的吗 ？
嗯 ， 哦 ，他们好像还是一对 Couple。 哎 ， 对 ， 好像是 ，是印度的吗 ？ 看着面相比较像 ， 像印度的 。 对 ， 所以他这个这个词应该不是一个英文的词 ，但是他反正开源 ， 然后你可以他他他强调他可以本地的离线部署嘛 。
对 ， 就是可能想让这件事情更服务于更多 ， 比如网络条件不好啊 ， 各种各样限制条件的 。 嗯 ， 明白 ，但你说确确实这个东西相对于现在已经成熟的大模型的自己的产品而言 ，有什么特别强的不同点跟趋势 ？
没有 ， 我觉得未来会被苹果切掉 ， 我感觉苹果很快就会发布了 。 好 ， 再下一个叫 Kino AI， 做内容创作 。
这个这个还可以 。 哎 ， 这个是有点牛逼的哈 。 对 ， 呃 ， 意思就是说你出去旅行 ， 你可能拍了成千上万的素材 。
对 ， 然后然后你要剪辑的时候 ， 它并不是自动帮你剪 。 对 ， 它其实只是帮你找起来更容易 。
哦 ， 就跟那个刚才上面我讲的类似 ， 就是我要真正的知道跟理解视频当中出现了什么 ，并且用自然语言的方式我找到这些东西 ， 然后再去做后面的处理 。
对对对 ， 就我可能大概记得 ， 就它的剪辑方 ， 或者说它还是一个剪辑工具的底层逻辑 ，但是它的呃 ， 原来的剪辑工具是基于时间线的叠加 。
嗯 ， 那现在你可以基于自然语言的交互方式去做更多样的处理 。 对 ， 比如把我在把我在北海道上次拍的企鹅放到这来 。
对 ， 之类的 。 嗯 ， 对 ， 好 ， 下一个 CRM 叫做 Kiosk，也是一个做 CRM 的 AI， 然后它是和 WhatsApp 结合的很好 。 那我觉得放到中国其实就是和微信结合 ， 小程序啊 ， 推送啊 ， 公众号啊这些 ，因为 WhatsApp 的生态不没有像微信这么的完整 。
对 ， 它现在不完整 ，但它开放度更高 。 对 ， 然后这个 team 就是 WhatsApp 的团队出来做的 。 哦 ，WhatsApp 欧洲的一个两个嗯 ， 工程师还是产品经理出来做的 。
我感觉这个社会企业微信非常迅速会跟进 。 对 ， 嗯 ，他们最近他们最近开了一个开放平台 。 对啊 ，是可以做一些这样的二次开发了 。
没准他们就是看到中国的微信生态的繁荣跟繁复 ， 嗯 ， 才做的这个创业 。 嗯 ， 我觉得是这样 ， 反正当时我看到的感觉是这样 。
嗯 ， 好 ， 下一个 cat cat 啊 ， 这个内容创作的 。 哇 ， 这个有点意思 ， 这个就是说的简单点 ，是做录屏的 。
对 ，但它有一个不一样哦 ，因为做录屏的很多嘛 。 对 ，因为每个软件或每个产品上线不都要录个屏 ， 然后给用户讲几分钟嘛 。
它的录屏的角度是我可以帮你做 Apple 风格的录屏 。 对 ， 相当于就是其实你看示范视频就大概是知道是这样的 。
嗯 ， 对 ， 它这个视频感觉就是像苹果在发布 iPhone 或者苹果发布它的某个软件的时候的那个风格 。
对 ， 先是一句话 ， 然后学习了模仿一些字母的表达 ， 包括你屏幕的展现 ， 然后屏幕的拉伸 。 对 ， 就是特别苹果风格 ， 确实特别苹果 ， 特别苹果 。
然后他这个素材相当于就是你录了你的屏 ， 然后他把你屏幕的内容放到了一个 Mac。 对 ， 哈哈哈 ， 就是嗯 ， 很讨巧 ， 非常讨巧 。
对 ， 哎 ， 它这个和 AI 的关系是什么呀 ？ 它是它的过程中是需要 AI 参与在这个生成过程的 ， 它不是单纯的只是把你的内容 OK 放 ， 就相当于比如我录完这个我们的屏幕的内容 ， 然后放到这个 Mac 过程中， 就这个这一步的实施它是用 AI 实现的 。
嗯 ， 它不是用编辑实现的 。 嗯 ， 我我是有点想用的 。 如果对 ， 就是要用录录一个什么东西的话 ， 对 ， 比我自己录然后去剪这个出来的效果方式好很多了 。
好 ， 再下一个 ， 呃 ， 我们还剩最后 5 个 ， 今天上半期就要结束了 。 倒数第五个叫做 Cobalt Labs， 一个金融的 AI。
对 ， 嗯 ， 然后它也是给这个供应商做风险管理 。 是的 ， 然后你可以上传供应商的合同 ，AI 会判断合同中这些条款有没有什么合规风险 。
合规风险又分两部分风险 ， 一个是内部政策有没有风险 ， 比如你是不是考虑了三个供应商 ， 最后挑了其中一个 。
对 ， 然后也有和法律法规有没有相冲突的这种风险 。 就是这里面提供另外一导的是说你会发现这呃 ， 比如说做金融的 ， 嗯 ， 做牙做医生的 ， 嗯 ， 包括做法律的 ， 几乎所有人的主业在最后都会强调数据安全 。
对 ， 所有人， 嗯 ， 几乎所有人， 嗯 ， 都是机会 。 嗯 ， 就现在看下来就觉得原来做金融 、 做牙医或做法律的人 ，他们可能真正每天就是在思考的工作只占百分之很少很少一部分 ， 都是工作在做 paperwork。
哈哈哈 ， 好 ， 现在 AI 帮他们解决了 。 然后再下一个 Lantern， 这是一个 AI 基础设施 ， 呃 ， 官网的第一句话就是做一个向量数据库 。
对 ， 就做向量数据库 ， 一键做一个向量数据库 。 是的啊 ，其实它也是帮你在做 AI 应用程序的时候解决你的呃 ， 非结构化数据怎么快速的变成向量数据库的问题 。
是的 ， 然后曾经有一段时间也挺热的 。 嗯 ， 就前几个月吧 ， 应该 。 嗯 ， 它确实是需要的吧 ， 就是这是绕不开的一个步骤 。
是的 ， 总是得有人去做这一步的优化 。 好 ， 再下一个 Lantern Space，也是取代 BI 的 。 嗯 ， 呃 ， 然后这里面是你可以把 CSV 传上去 ， 就可以提问这个表格里面有些啥了 ， 换成嗯 ， 可视化的 。
对对 ， 东西 。 嗯 ， 然后他也提了三个痛点啊 ， 这三个痛点和我们前面讲的那个痛点几乎是一样的 。
对 ， 就是那些问题嘛 ， 就那些问题 。 比如说你公司的 BI 他已经忙的不行了 ， 然后你还要再给他插一个任务 ， 然后去和他 argue， 我要把这个任务排在你的出租中的第几名。
这些都特别似曾相识 。 对 ， 帮公司做 BI。 下一个 ， 哎 ， 这个有点意思 ，有点意思 ， 叫 Laban Lab。 对 ， 呃 ，也是根据你的个人的兴趣和你填的一些需求来帮你去抓新闻 ，并且他把这个新闻变成播客 ， 变成播客 。
嗯 ， 啊 ， 我们可以听一下， 然后他用的 Eleven Labs 的语音 。 对对 ，是这个吗 ？ 是这个 。 嗯 ， 这个听起来真的很像一档为你定制的播客 ， 它甚至会把你的名字放进去 。
然后我记得他会说 ， 就是 Hello Koji， 今天来听一下 。 Is making significant strides in the search business, challenging the traditional search engine model dominated by Google, as AI search tools such as ChatGPT, Google Gemini, and Microsoft Copilot enhance their capabilities.
这个就是很像一个专业的节目 ， 专业的播客节目 ，但它是根据你的需求定制出来的 。 对 ， 我记得我还看到另一个 demo， 它会一开始和你打招呼 ， 然后说今天上海的天气怎么样 ， 然后今天你日历上有几个会议 。
哦 ， 这是非常个性化的一个一个这个播客节目 ，而且是你自己做的 。 对 ， 嗯 ， 我说我关注哪些领域 ， 嗯 ， 它生成的 。
嗯 Google is reportedly contemplating a significant change to its search generative experience (SGE), a feature that could transition from being freely available to becoming part of a paid subscription. 好 ， 我们今天上半场的最后一个终于来了 ， 最后一个叫做 Leaping。
哈哈 ， 又是 bug 了 ， 改 bug。 对 ， 我们以改 bug 结束今天的播客 ，而且是自动的 。 嗯 ， 自动改 bug。 嗯 ， 哎 ， 感觉人类的痛苦都是相通的 ，不想写文档 ，不想改 bug。
半程感想2:23:53
哈哈哈 ， 所以他官网是空的 。其实 ， 嗯 ， 现在官网还没有发布 ，他们应该还是非常早期的状态 。 嗯 ， 呃 ， 我们这个播客分上下两期哈 ， 上期我们一共讲了 127 个公司 ， 下期也差不多是这么多数量的公司 。
啊 ， 然后今天录完 ， 我有一个感受啊 ， 就是其实我在前天看到一本书 ， 嗯 ， 翻译过来的书 ， 那个书的名字叫 《 终身幼儿园 》。OK， 它在讲这个 ， 就是终身的学习怎么像幼儿园阶段 ， 就是去学习 ， 然后再说这个创造性学习有四个特点 。
第一个是要立个项啊 ， 我觉得和我们现在做的事蛮像的 。 是的 ， 非常像 ， 就你得立个项 。 嗯 ， 然后第二是还是得有一些热情驱动 ， 得有动力去干 。
然后第三呢 ，是要找到一个同伴来和你协作互助 ， 互相监督 。 你因为不能辜负他 ， 所以你也咬着牙要把这个项目给做完 。
哈哈哈 ， 然后第四个是他说在这个学习的过程中， 找一些游戏化的角度来去让内驱力不间断 。 嗯 ， 用这种方式来创造出学习的螺旋效应 。
呃 ， 我自己的感觉就是 ， 我们看这一批 YC 投的这些 AI 的公司 ，也是不知不觉的吧 ， 我们实践了这个终身幼儿园的这些学习的要点 。
是的是的 ，是的 ， 就是我开玩笑讲 ， 这些自己经历过跟过一遍之后的 ， 你说是知识也好 ， 你说是认知也好 ， 我觉得够用至少半年吧 。
哈哈哈 ， 就至少你到今年年底之前 ， 你自己内心对于这个行业理解跟这个状态的感知 ，不需要发生太大的更新跟变化 。
对 ， 可能是这样 。 对对 ， 我我觉得其实我们今天看到这些事 ， 它在之前是散落在网络的各个地方的 ， 它可能是一些点 。
对 ， 呃 ， 你大概可能也也有感知 ，也有感知 ，但你可能对自己没有那么自信 ， 觉得我是不是看到全貌了 ，是不是真的今天这个全世界最牛逼的初创公司就在干这些事了 。
那我觉得看完这个之后， 会就是形成一个框架式的理解 ， 更有安全感的一个理解 。 嗯 ，有自己的地图了吧 。 对 ， 嗯 ， 就这个还是我觉得是挺重要的 。
嗯 ， 你再去跟任何人去沟通 ， 无论是他想做一个新的项目 ， 嗯 ， 啊 ， 或者一个投资人， 或者是一个行业观察者 ， 或者是什么样的 。
嗯 ， 你至少内心有底 。 嗯 ， 你会觉得哦 ， 可能有些人做过什么样的尝试 。 嗯 ， 我们可以去 ， 你像之前当年我记得特别清楚 ， 当银行两缸爆发的时候 ，因为你天天看这些东西 ， 然后你看各种各样的 APP。
嗯 ， 你经常很多朋友会找你聊 。 嗯 ， 然后他说他想做这个 ， 然后你直接默默的打开手机说 ， 你看是不是这个你想做 。
哈哈哈 ， 就是美国那边有一个这个 ， 你看是不是你你想做的是不是这个 。 对 ， 只要能找到别人做过的事情 ， 这个是非常重要的 ， 就是你有一个对标的对象 。
对 ，不管他是好到让你抄 ， 还是他差到让你发现我不能走那个弯路 。 是的是的 ， 这个很重要 。 是的 ， 哎 ，其实在做这个表的时候 ， 我想起之前就是另外一次类似的经验 ， 就那会还跟着王鑫在干 ， 我团队唯一的产品经理 ， 然后鑫哥给我一个任务 ， 就我们那会在做泛佛海内 。OK， 然后那会 Facebook 做了开放平台 ， 开放平台就大家可以开发三方的
应用 ， 然后我们就分工去过前 200 个应用 ， 到底是什么应用 ， 到底是啥 ， 一个一个的过啊 。 然后当时就是过下来有一些结果 ， 比如过下来之后我们就做了那个呃 ， 偷菜游戏 ， 抢车位游戏 ， 朋友印象 。
嗯 ， 然后还做了一个绵羊赛跑 ， 那鑫哥自己想做的 。 嗯 ， 就当你的东西被验证过了之后， 你你其实就比较容易的再往下做了 。
对 ， 嗯 ， 好的 ， 今天我们到这里 。 好 ， 辛苦大家了 ， 能够听完也不容易 。 哈哈哈 ， 我们也给自己鼓下掌
。