92 个模型 · 15 位专家 · 204 个领域
把一个行业验证过的方法论迁移到另一个行业。软件的快速迭代→硬件制造，互联网的OTA更新→汽车升级。打破行业壁垒的关键是看到底层逻辑的共通性。
回到事物最基本的物理事实，从零开始推导，而非依赖类比和行业惯例。不接受'行业就是这样'的回答。
优化任何流程的正确顺序：先删除不必要的环节，再简化，再加速，最后才自动化。不要自动化一个本不该存在的流程。
设定按常理不可能完成的deadline，用极端时间压力逼出超常执行力。即使最终延期，也比'合理排期'快得多。
真正的产品不是设计出来的，是制造出来的。工厂（制造机器的机器）才是最重要的产品，制造能力决定了你能把多好的设计变成多少用户手中的现实。
先定义人类尺度的使命，然后从使命倒推需要什么产品、什么技术突破、什么资源。使命本身就是最强的团队激励和战略过滤器。
不跟竞争对手比，跟物理定律比。如果物理上允许，那就应该能做到——当前做不到只是工程问题，不是本质障碍。
与其花几年做一个完美方案，不如快速造出来、测试、炸掉、学习、再造。失败的数据比模拟更有价值。
关键零部件不外包，自己做。控制整个价值链才能优化整体成本、迭代速度和产品体验。
每个人都有一个能力圈，在圈内你有真正的判断力，在圈外你只是在猜。最危险的是不知道自己不知道
复利不只在投资中，它存在于知识、声誉、关系、技能的一切积累中。理解复利的人赚取它，不理解的人为它买单
真正好的机会极少，在高确定性机会面前应该大力下注而非分散成20个小赌注
人的行为几乎总是遵循激励结构，想改变行为不要讲道理而要改变激励机制
解决问题最有效的方式往往不是直接追求答案，而是先研究怎样会失败，然后避免那些事
掌握多个学科的核心模型并将它们编织成网状结构，用至少3个不同学科的模型交叉验证每个重大决策
即使你的分析是正确的，也要假设自己可能错30%——只在有足够安全边际的情况下行动
人类有25种系统性的误判倾向，了解它们不能让你免疫，但能在重要决策时拉响警报
企业的长期价值取决于护城河的深度和持久性，护城河来源包括品牌、网络效应、转换成本、成本优势和规模经济
任何重要决策都应用两条轨道分析：轨道一是理性分析（数据、概率），轨道二是心理分析（偏见、非理性），只用一条就是在裸泳
五位专家都经历过重大失败并从中进化——失败不是终点而是判断力的训练场，关键是失败后学到了什么
五位专家对时机判断的融合——张小龙的进化节奏、张一鸣的窗口判断、王兴的后发时机、雷军的风口识别、梁宁的面体选择
性价比不是低价，而是"同等品质下效率最高"——通过供应链和运营效率创造结构性成本优势
用投资而非自研建立生态——投资+赋能+渠道三位一体，把方法论复制到更多品类，但要防止生态链独立化
互联网七字诀——一次只做一件事到极致，极致自然产生口碑，口碑是最高效的传播，速度是互联网的命脉
创始人本人就是最好的品牌符号——用真诚人设建立用户信任，以个人影响力撬动品牌传播
站在风口上猪都能飞——选对方向比努力重要，但风停了要长出翅膀。用互联网效率思维改造传统行业
情绪是人的底层操作系统——用愉悦/不爽/愤怒/恐惧四种情绪读懂用户，恐惧是真正的痛点也是最强驱动力
峰终定律+五层体验+服务蓝图——用户只记住峰值和终值，体验设计要从感知层到战略存在层五层通透
人生选择远比努力更重要——个人是点，点附着在线上，线在面上，面在体上。选对面和体比优化点重要百倍
用户价值=(新体验-旧体验)-替换成本——存量市场仰攻大企业几乎必败，唯一出路是找用户体验为零的增量市场
整体资源不足时不要平均分配，在关键战场投入压倒性资源形成局部绝对优势，通过一系列局部胜利积累全局优势
任何事物都有多种矛盾，但在任何阶段都有一个主要矛盾起决定作用。抓住主要矛盾的主要方面就能纲举目张
做任何决策前必须深入一线获取一手信息，不是高高在上的调查问卷而是真正走进用户的生活
先深入一线收集分散意见，加工为系统化方案，再回到一线检验和推行。不是闭门造车也不是盲目跟从
认识来源于实践又反过来指导实践，实践→认识→再实践→再认识螺旋上升。不做永远不知道
面对强敌不可能速胜也不会速亡，正确策略是短期防御保存实力、中期相持积蓄力量、长期反攻力量逆转后全面进攻
面对强大对手不要正面硬刚，避开核心优势区域，先在对手看不上的薄弱处建立根据地积蓄力量，逐步完成包围
坚信顶尖人才与普通人才的生产力差距呈指数级（超过15倍甚至100倍），只招聘和保留最优秀的人（A级人才），且对不合格的工作绝不妥协。
设计不是外观好不好看，是产品怎么工作。要设计出好产品，必须熟悉它、反复咀嚼回味它到底是什么。大多数人不愿花时间做这件事。
技术不能改变世界——重要的事情本来就重要，不需要通过改变世界来变得重要。技术能让生活轻松一些，让人接触到本来接触不到的人，但如果不断说它们会改变一切，那是在帮倒忙。
创新不是无中生有，是把各种事物整合在一起。有创意的人能看出事物之间的联系，因为他们有更丰富的经验，或者对经验思考得更多。经验的多样性决定了创新的可能性。
伟大的产品不能仅靠冰冷的技术堆砌，必须注入艺术、诗歌和人文关怀，让工具拥有品味和灵魂，从而触达人心并提升人类体验。
通过强大的信念、口才和意志力，说服团队或合作伙伴去实现看似不可能的、超越常理的任务，并在一次次奇迹中重塑他人的现实认知。
通过极致的专注和痛苦的筛选，剥离一切多余的复杂性，让产品和公司的战略清晰明了。人生最重要的决定是'不做什么'。
企业的边界由核心能力决定，不由行业定义——高频带低频、深度思考是竞争力、四纵三横找交叉机会
不怕晚，怕做不好——等市场教育完成后用更强的执行力和效率切入，在服务型市场后发优势大于先发
规模不等于利润——先算清每一单的单位经济模型再规模化，现金流管理是生死线，日拱一卒持续推进
需求端容易被替代，供给端壁垒才是终极护城河——苦活累活反而竞争少，聪明人都不愿意做的事就是壁垒
建造森林而非宫殿——不提供中心化流量入口，让生态参与者自然生长，先紧后松建立良性基因
产品是进化出来的，不是规划出来的——有DNA的产品才会进化，DNA就是产品的价值观和认知
产品的本质是满足人的情感需求而非功能需求——人是懒惰的、没有耐心的、不爱学习的、是环境的反应器
好的产品是克制的——不做的事比做的事更重要，不被数据绑架，不被用户表面需求驱动
社交推荐是有温度的推荐——好友觉得好的大概率你也觉得好，一条社交推荐的质量顶过2-10条算法推荐
产品决策基于数据和实验，不基于直觉——让数据说话，AB测试把'我觉得好'变成'数据证明好'
信息是基础设施，分发效率决定一切——用算法实现千人千面的个性化分发，一套引擎驱动多个产品
看到确定性高的方向时不做小打小闹——集中大量资源快速突破，机会窗口有时限
克服人性弱点，推迟即时满足以换取更大的长期价值和自由。这是张一鸣最核心的自我管理能力
Ego是判断力最大的敌人——保持open-minded，延迟满足不是苦行而是看到长期回报远大于短期收益的理性选择
像航天器达到第一宇宙速度一样，通过持续高标准的自我要求，让优秀成为一种习惯，从而'逃逸'平庸的重力
基于10年面试2000人的观察，总结出混得好的年轻人都具备的5个核心特质：好奇心、乐观、不甘平庸、延迟满足、判断力
在知识型经济中，信息接收能力决定生产和产出效率。提升信息流动效率，消除信息鸿沟，是组织和个人竞争力的核心
以平常心对待自己、产品和竞争，不被情绪左右，专注当下，同时保持开阔的想象力和长远目标
把想象变成现实——同理心是地基，想象力是天空，中间是逻辑和工具。既有数据验证的务实，也有想象未来的浪漫
警惕过度依赖理性、方法论和抽象概念带来的决策陷阱。All-in有时候是偷懒，过度抽象是思维杠杆，可能失之毫厘谬以千里
Vibe Coding 抬高软件创造的下限（让非程序员也能做工具），但专业软件的上限需要 Agentic Engineering——让多个 Agent、工具、测试和上下文高效组织起来，确保质量、安全、可维护性。核心原则是：Agent 是「有尖刺的实体」，不能等同于可靠的成熟工具，必须放入规范流程（生成方案→写代码→跑测试→互相检查），让系统具备边界、验证机制和回滚能力。
Karpathy 提出「锯齿状智能」来描述 LLM 的能力特征：能力高度不均匀，呈现「锯齿状」分布。最先进的模型可以完成重构 10 万行代码、发现零日漏洞这类高难度任务，却会在「应该走路去洗 50 米外的车」这种明显任务上犯错。根源是：LLM 的能力完全取决于 RL 训练覆盖的领域，使用者本质上受限于实验室给模型喂的数据。
Karpathy 把软件演进分为三个时代：Software 1.0（人写代码）→ Software 2.0（人设计数据集和架构，训练得到权重）→ Software 3.0（LLM 是可编程计算机，用自然语言「编程」）。核心推论是：如果某类任务的操作说明可以直接作为文本交给 Agent 完成，该类任务对应的旧范式应用就会被淘汰。典型例子：MenuGen App（拍菜单生成渲染图）现在直接把菜单照片发给 Gemini 就能得到结果，整个 App 都多余了。
GUI是给人用的，CLI是给Agent用的——Agent时代的产品设计从面向人转向面向Agent
传统产品设计确定性体验，AI产品设计不确定性的边界——容错不是Bug修复而是核心体验设计
AI产品的信任不是一次建立的，而是通过"透明×可控×渐进"三维度逐步积累
AI产品的护城河不是算法而是数据飞轮——冷启动阶段如何从零到转起来是生死问题
AI做模式匹配，人做价值判断——AI产品设计的核心是找到人和AI各自最擅长的分工线
用户的行为比话更重要——五位专家零反例共识，是产品决策中最可靠的原则之一
产品没跑出自然增长曲线时不要推广——五位专家完全一致、零反例的共识
AI 能力的技术曲线呈指数增长，但经济层面的整合（企业采纳、监管适应、组织变革）遵循完全不同的节奏。这个"时间差"被 Dario 称为"扩散滞后"（Diffusion Lag）。理解这个时间差，是 AI 公司制定商业化策略的关键——技术能力领先经济整合 1-3 年是正常的，过早指望 AI 带来大规模营收增长是不现实的。
AI 安全不应该是阻碍技术发展的"刹车"，而应该是引导技术走向正确方向的"导航系统"。具体落地方式是 RSP（Responsible Scaling Policy）：为模型能力设定明确的"触发红线"（如是否具备生物武器研发能力、是否能自主复制），每跨越一个安全等级（ASL-2 → ASL-3 → ASL-4），必须证明已部署对应的防御措施，才能启动下一阶段的训练。
当前 AI 行业普遍采用"按 Token 计费"的模式（类似云计算的按使用量计费）。但 Dario 认为这不是最终形态——AI 的价值在于"解决了什么问题"，而非"消耗了多少计算"。未来的 AI 定价应该是"价值定价"（Value-based Pricing）：客户愿意付多少钱，取决于 AI 为其创造了多少经济价值，而非 AI 公司消耗了多少算力。
Demis 对当前 AI 的能力边界有极其清醒的认识。他提出：LLM 的能力是「锯齿状」的——可以同时解决国际数学奥林匹克金牌级难题，却在基础逻辑、算术、简单常识问题上翻车。这种不均匀的能力分布，根源在于 LLM 的能力完全取决于 RL 训练覆盖的领域。产品人需要主动探索模型的能力边界，区分「高峰」和「断崖」。
当前基于大语言模型的 AI 只是「前菜」，物理 AI（具身智能、自动驾驶、AR 眼镜）才是 AI 的未来。Demis 的核心判断是：必须从底层做**原生多模态**——让模型从训练第一天就看到图像、听到声音、理解 3D 空间，而不是事后用 adapter 拼接。Gemini 的架构优势（原生多模态）已经在 Waymo、机器人项目、世界模型 Genie 中显现。
不是所有问题都值得用 AI 解决。Demis 提出「AlphaFold 级问题」的三个判断标准——① 存在海量组合搜索空间，暴力算法无法破解；② 有清晰可定义的目标函数；③ 有足够数据或可生成模拟数据。符合这三个条件的问题，AI 可以「解锁整个领域」，而不仅是「提升 10% 效率」。
当前大模型的最大缺陷不是"不够聪明"，而是"泛化能力不足"——在基准测试（evals）上表现优异，但在真实经济场景中能力呈现"锯齿状"（某些任务超人类，某些简单任务频繁失败）。人类具备的"少量样本就能掌握新领域"的能力，Ilya 称之为"It Factor"（灵气/天赋），是目前完全未被机器学习范式复现的。
2020-2025 年的扩展时代（Age of Scaling）已临近终结。预训练数据即将耗尽，单纯依靠 Scaling Law 扩大模型规模、堆砌算力的路线已经无法带来突破性进展。下一阶段必须是"研究时代"（Age of Research）——依靠算法创新、架构突破、对智能本质的更深理解来推动进展。
传统 AGI 概念追求"全知全能的通用人工智能"——模型在训练时就装入所有知识，部署后只是"查询知识库"。Ilya 重新定义了超级智能：它不需要提前掌握所有知识，而是具备"极速持续学习能力"——类似"学习能力极强的 15 岁优等生"，部署后可以通过真实场景交互快速掌握任何领域。
自由的定义不是"我想做什么就做什么"，而是"我不想做的事可以不做"。每一个你不敢退出的地方，都是你不自由的地方
幸福不是需要追求的目标，而是移除障碍后自然显现的状态。就像健康——你不需要"追求"健康，只需停止做不健康的事
与其问"怎样才能成功"，不如问"怎样一定会失败"然后避免那些事。避免愚蠢比追求聪明更有效
在杠杆时代，一个正确的判断通过代码/资本放大后，价值可能是错误判断的一千倍，提升判断力比增加工作时间重要得多
财富来自杠杆，三种杠杆越往后越强大：劳动力→资本→零边际成本产品（代码和媒体），第三类不需要许可
真正有价值的知识来自天赋、好奇心和经历的独特交叉，无法通过培训获得，也无法被替代
Sam 明确批评「在旧产品上叠加 AI 能力」的路线——把 AI 硬塞进搜索、消息、办公套件，只能带来小幅体验改进，不是 AI 产品的终局。真正的终局是 AI-First 重构：重新设计任务执行、决策、信息触达的逻辑，而非在旧界面上加一个「AI 按钮」。他预测未来产品会从「对话交互」向「任务操作系统」升级——AI 更主动，可在后台连续工作、按需汇报。
Sam 在 OpenAI 内部建立「红色代码」应激制度：当竞品威胁或产品策略短板暴露时，整个组织进入 6-8 周的「战时状态」，集中资源补齐短板。这不是「恐慌模式」，而是把危机应对内化为组织的固定节奏——每年 1-2 次，让组织在压力下保持敏捷。
Sam 在多次访谈中透露 OpenAI 构建用户粘性的三个层次：① 个性化记忆——AI 记住所有对话历史、文件、偏好，用户流失成本从「换工具」提升到「丢掉了解自己的伙伴」；② 高信任场景锁定——医疗咨询、职业规划、学习辅导，一次「神奇体验」锁定 5 年以上忠诚；③ 平台惯性——消费端习惯延伸到企业端，个人用户转化企业采购。