当 AI 几分钟就能写出一份漂亮汇报，靠向上管理升职的路，还能走多久？ 我曾在腾讯管理三十多人的团队，擅长做汇报、协调上下游，也得到老板和团队的认可。后来，我离开大厂，加入早期的 Statsig，想离真正的结果近一点，却发现：创业公司也逃不开 Fake Work。 “表演式工作”最危险的地方，是它真的能让你拿到好绩效，甚至让你相信自己一直在进步。当 AI 让这些“工作证明”越来越便宜，又让一个想法更快接受现实检验，职场的奖励规则会怎样改变？为什么假工作可能先暴增，再失去溢价？ 这期也会聊一个更具体的问题：你手上的工作，哪些值得继续做，哪些可以交给 AI，哪些应该先删掉？不妨带着这个问题来看：如果我的产出增加十倍，结果真的会更好吗？ 00:00 AI 来了，向上管理还吃香吗？ 02:06 你在创造价值，还是制造工作感？ 04:08 比白忙一天更危险的，是误以为自己在进步 05:24 从腾讯到 Statsig，我还是没躲开 Fake Work 08:15 为什么交接越多，越没人对结果负责？ 10:30 AI 越强，为什么假工作反而先变多？ 12:16 当“工作证明”不再值钱，公司会追问什么？ 12:53 从想法到现实，AI 缩短了哪一段路？ 16:45 岗位还在，议价能力却可能先消失 17:28 产出翻十倍，结果会更好吗？ 18:51 哪些工作该保留、交给 AI、直接删掉？

老东家被 OpenAI 收购，顶级投资人愿意投我，为什么我选的却是全职卖课？ 一年前，戴雨森说，如果我以后创业、有亲友轮，他很愿意支持。那时我还没有具体的创业点子，这份对人的信任给了我很大的鼓舞。但我最后没有去下一家公司，也没有走融资创业的路。38岁生日，也是全职做自己事业一周年，我想聊聊这个选择：创业者的光环、资源和圈层都很诱人，为什么我还是认准了 AI 教育？ AI 让我们能做的事越来越多，什么才值得投入未来十年、二十年？从3000多名学员的课程，到两万多人的社区，再到 Stay Superlinear 会员，我不断尝试的背后，是同一个问题：怎样帮助人在 AI 时代找到自己的能力、热爱，并做出自己的代表作。这期也聊聊，如何认准一个值得长期解决的问题，同时让具体做法不断接受市场和用户的检验。 章节： 00:00 顶级投资人愿意支持，我为什么没去融资创业？ 01:55 不再打工之后，最难放下的是什么？ 03:18 AI 来了，为什么我觉得教育比再做一个 App 更重要？ 04:28 AI 最擅长的，恰好是我们被训练去做的事 06:01 3000多名学员，让我更确定了什么？ 06:53 热爱还不够，怎么知道自己做对了？ 07:49 为什么两万多人的免费社区还不够？ 08:56 未来3年、10年、20年，我到底想做成什么？ 09:46 一年后的变化，为什么要从今天开始？ 课程：https://ai-builders.com/ 社区：https://www.superlinear.academy/

我以前总说，焦虑的反义词是行动。但后来发现，连AI已经用得很好的人，也会焦虑。工具买得越来越多，新概念追了一轮又一轮，为什么还是觉得自己落后了？ 读到《道德经》第三章，我才把这件事拆开：怕自己被淘汰的身份焦虑，总觉得还缺一个工具、一门课的物质焦虑，以及每次新发布都必须追的信息焦虑。 这期聊聊这三种焦虑是怎样被制造出来的，以及各自该怎么应对。为什么收藏技术“名词”代替不了拆任务、整理上下文、评估结果这些“动词”？为什么看别人的成果会焦虑，看懂他们失败、取舍和迭代的过程，反而知道自己可以从哪里开始？行动要落到具体问题上，才有机会让人踏实下来。 章节： 00:00 AI用得很好，为什么还是焦虑？ 01:37 身份焦虑：我是不是要被淘汰了？ 05:42 物质焦虑：用购买和收藏换安心 09:09 用好AI，靠的是“动词” 11:29 信息焦虑：每个新东西都必须追吗？ 14:27 少追热点，理解什么值得学 17:36 行动怎样缓解三种不同的焦虑 原文4月份发布在社区里：https://www.superlinear.academy/c/ai-resources/anxiety

AI 把每个人的简历改得更漂亮，把面试答案练得更标准，也在把越来越多的 hard skills 蒸馏进模型。等技能变得容易复制，员工、创业者和求职者还凭什么被选择？徐老师在这节大师课里给出的答案，不是再学一个工具，而是建立别人无法临时生成的信任。 AI literacy 当然必须学，但它更像进入 AI 生态的热身，而不是终点。徐老师借 Sam Altman 与 Greg Brockman 的故事，解释一段没有预设回报的关系，为什么可能在十几年后的关键时刻产生价值；我们也复盘了自己从一次主动联系到多年合作的经历，以及为什么很多后来被称为“贵人”和“运气”的连接，在发生时根本无法提前识别。 长期信任无法速成，但招聘、求职和融资常常要求我们在几个小时，甚至五分钟内作出判断。当简历和面试都经过 AI 包装，陌生人之间还能看什么？徐老师给出了一条很具体的路径：不要急着介绍自己，先理解对方最近真正关心的问题，再提出一个有根据、略有不同的判断。抓住注意力的底层不是话术，而是你是否真的理解了这个人和这件事。 章节： 00:00 开场：AI 时代什么才真正稀缺 00:27 AI literacy 只是热身 01:22 Hard skills 正被模型蒸馏 02:07 为什么信任更难复制 02:28 Sam Altman 与 Greg Brockman 的故事 03:43 我和徐老师怎样认识 05:53 贵人、运气与无法预见的机会 07:03 为什么创业搭档常是旧识 07:22 AI 简历和面试之后，招聘还能看什么 08:16 五分钟内如何获得对方注意 09:21 后续大师课预告 完整大师课回放：https://www.superlinear.academy/c/masterclass-recording/sections/1135481/lessons/4339638

完整版1小时50分钟：https://youtu.be/BseWUBpOHY4 2017—2018 年，当不少出资人还把 AI 看成“不靠谱、太烧钱”的赛道，周楠参与筹备的一支 AI 基金，待投项目里已经有 OpenAI、Databricks 和 Cerebras。基金最终没有募成，这些机会也就这样错过。在那前后，她早期投资了 Cerebras；几年后，又参与了 Scale AI 投资。她由此形成了一条很硬的投资纪律：一定要在共识形成之前下注；等所有人都看懂，往往只剩更高的价格和更小的空间。 但“在共识之前看见”并不等于凭感觉押注。周楠会看非常具体的信号：为什么八十多位创始工程师、六十多位博士愿意再次追随 Cerebras 创始人；自动驾驶退潮之后，Scale AI 如何迅速转向公共部门；Alexander Wang 又如何用一段 28 分钟的视频，把公司的历史、客户迭代与未来愿景讲清楚。所谓投资直觉，背后其实是对工程、市场、团队和执行风险的一层层拆解。 这期对话也回答了几个创业者更直接的问题：技术团队很强，为什么 VC 可能五分钟就决定不投？AI Agent 即使能赚钱，为什么仍未必是一家适合风险投资的公司？垂直数据不再天然构成优势之后，真正的机会为什么更可能藏在完整、复杂、高价值的工作流里？机器人怎样跨过 Demo、部署、数据闭环与 ROI 之间的鸿沟？以及大厂技术人创业，最容易犯的三个错误是什么？ 嘉宾： 周楠：硅谷科技投资人。录制本期时任高通创投投资合伙人；曾在百度从事 AI 与芯片投资，是 Cerebras 早期投资人，并参与 Scale AI 投资。 章节： 00:00 精彩预告 00:47 为什么共识形成以后再下注已经太晚 04:49 基金规模如何决定投资打法 06:43 十年前注意到 Scale AI，为什么没有立刻投 10:30 Scale AI 如何穿越自动驾驶退潮 14:48 Cerebras：Transformer 之前的算力下注 20:38 投资直觉如何经由风险拆解验证 22:32 什么才是足够大、足够难的问题 25:31 技术很强，为什么 VC 五分钟就会拒绝 30:09 OpenAI、Databricks 与那支没募成的基金 36:53 垂直 Agent 真正还剩什么机会 39:15 Physical AI：Demo、部署与数据闭环 42:32 Token 如何改写硬件商业模式 44:40 能赚钱的产品，为什么未必值得 VC 投 45:35 从 Demo 到量产：什么是“暂时的 PMF” 47:12 这一轮 AI 接近收割，下一个周期在哪里 52:44 为什么正确的建议也可能毫无用处 55:26 大厂技术人创业的三个误区 57:48 什么样的创始人真正 coachable 59:42 不追热点，AI 时代谁不容易被淘汰 1:00:41 现在还该创业吗？一定要拿 VC 钱吗 1:01:50 怎样讲出能打动一线 VC 的故事 #AI投资 #创业 #风险投资 #OpenAI #ScaleAI 欢迎加入我创办的AI社区「超线性学院」，里面已经有两万多AI Builders，700多个项目。在里面，你能看到最新的技术进展，和不同背景的人如何用AI解决自己的问题。我在腾讯、美团、小红书等公司的企业培训，在社区里也可以免费看。 访问 https://www.superlinear.academy，或搜索App超线性学院。