所有单集

十年前，Uber 为中国业务在 101公路投放中文招聘广告；十年后，道路两旁换成 AI 广告。身处两轮浪潮的 Wu Kan 复盘 Uber 与滴滴的竞争、Travis Kalanick 的城市网络 vision，以及这些经历如何通向 ChatGPT growth。 适合关注增长岗位、中美创业竞争与 AI 职业机会的人，用 Uber、滴滴和 CloudKitchens 的一线故事理解，市场胜负为何远不止产品和技术。 这期你会听到 • Uber 与滴滴竞争时，运营、激励、反作弊和本地化如何相互牵制？ • 微信渠道和资本力量为什么会改变 Uber 的中国市场选择？ • Wu Kan 为什么把高速增长期的 Uber 视为重要的职业经历？ • Travis Kalanick 如何把交通、房地产、外卖与 CloudKitchens 放进同一套 vision？ • 从 101公路的中文招聘到 AI 广告，职业人应怎样识别尚未成为共识的浪潮？ 章节 00:00 — Wu Kan 横跨创业公司与增长岗位的路径 00:41 — 从 YouTube 创始人的新公司进入 Uber growth 03:58 — 为什么在增长高峰期加入 Uber 04:32 — Uber 与滴滴正面竞争的真实复杂度 10:20 — Uber 为何最终退出中国市场 13:16 — Travis 离开后，Uber 发生了什么 14:24 — CloudKitchens 背后的城市网络 vision 17:37 — 从增长经历转向 OpenAI 话题 本期嘉宾 Wu Kan 目前在 OpenAI 从事 ChatGPT growth；此前经历 YouTube 创始人的创业公司、Uber growth 与 CloudKitchens，曾从一线参与 Uber 和滴滴的中国市场竞争。 相关内容 OpenAI增长工程师：如何押注职业方向；如何增长产品；怎样讲好自己的经历，拿到入场劵？： https://youtu.be/3ILs3XDcE1I 加入Superlinear Academy免费社区 选取经历过的市场战役，带来技术、运营、本地化与渠道证据，请大家复盘胜负原因。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

吴坎从 YouTube 创始人的创业公司进入 Uber，在中国市场参与与滴滴的正面竞争，之后经历 CloudKitchens，再到 OpenAI 做 growth。本期关心的不是履历光环，而是他如何识别 AI 大势、重述经历并获得新机会。 适合关注 AI、创业公司与中美职业机会的人，用吴坎的路径思考如何押注方向、理解 growth，并把非 AI 背景转化成进入 OpenAI 一类机会的入场券。 这期你会听到 • 家庭因素与 AI 大势如何共同影响吴坎回美国的决定？ • 在 Uber 与滴滴的竞争中，产品技术之外的运营、激励与渠道为何关键？ • 连续选择创业公司时，怎样辨别成长浪潮与单纯的公司名气？ • 非 AI 背景的人如何判断 OpenAI 代表的职业机会？ • 面试时怎样重组自己的经历，让 growth 能力和判断力被看见？ 章节 00:00 — 回美国的决定：家庭选择与 AI 大势 05:25 — 吴坎从创业公司、Uber、CloudKitchens 到 OpenAI 10:44 — Uber 与滴滴竞争背后的增长逻辑 27:52 — 非 AI 背景如何判断 OpenAI 的机会 30:00 — 两次面试如何改变个人经历的讲法 本期嘉宾 吴坎现于 OpenAI 从事 ChatGPT growth；此前在 CloudKitchens 工作，也曾在 Uber 做 growth，并在 Uber 与滴滴竞争激烈的阶段参与 China growth。毕业后的第一份工作则是 YouTube 创始人再次创业的公司。 相关内容 加入Superlinear Academy免费社区 带来正在争取的职业机会和个人经历，和大家打磨能够证明匹配度的案例表达。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

同一种 AI 在不同人手里效果悬殊，问题往往不在 prompt 技巧，而在使用者能否自省，并完成隐性知识显性化。3C 框架把 Context、Component、Criteria 说清楚，损失函数与 evaluation 思维则先定义什么叫好。 适合经常觉得 AI 笨、容易跑偏的人，也适合需要带人和协作的管理者，用 3C 检查自己是否给足信息、拆清任务并定义了 Criteria。 这期你会听到 • 为什么模糊需求、期待对方自己“悟”，对人和 AI 都低效？ • AI 没有动机问题后，使用者为什么更难把失败归因于态度？ • 如何通过 Context、Component、Criteria 完成隐性知识显性化？ • 损失函数与 evaluation 思维如何帮助 AI 迭代到可接受的结果？ • 认知同理心为什么同时影响 AI 使用、领导力与亲密关系？ 章节 00:00 — 同一种 AI 为何产生截然不同的结果 01:28 — 坏老板如何用模糊需求和负反馈甩锅 03:22 — AI 没有动机问题，跑偏往往源于任务定义 04:15 — 自省与隐性知识显性化是两项底层能力 06:33 — 用认知同理心、信息拆解与 3C 补齐任务 08:04 — 用损失函数思维预先定义好结果 09:05 — 评价 AI 前，先检查自己的使用方式 相关内容 加入Superlinear Academy免费社区 把经常让智能工具跑偏的任务拿出来，补全上下文、组成部分与验收标准，请大家找缺口。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

AI时代最容易过时的是工具，最不容易过时的是你判断问题的逻辑原点。清华大学刘嘉教授从脑科学、人工神经网络与二十多年研究经历出发，解释智能为什么来自“学习”和“涌现”，也回答一个更难的问题：当机器越来越强，人为什么而学习，又该怎样重新设计教育？ 这期你会听到 • 为什么刘嘉教授在AI低谷期离开神经网络，又在2016年被人脸识别和AlphaGo重新“唤回信仰” • 归纳、演绎与涌现分别解决什么问题，为什么真正的创造需要先找到逻辑原点 • Transformer和人脑有哪些根本差异，今天的机器人、脑机接口与具身智能还缺什么 • 当知识和技巧迅速贬值，孩子与成年人最该保留哪几种学习能力 章节 00:00 — 人生选择为什么需要一个逻辑原点 01:21 — 从北大、MIT到脑科学：刘嘉教授的研究路径 05:44 — AlphaGo之后，为什么重新相信神经网络 10:19 — 提示词会过时，AI时代更需要新的philosophy 15:14 — 智能的两个底层能力：学习与涌现 20:05 — 归纳与演绎：从经验学习，也从原点创造 25:09 — 应试教育为什么没有教人寻找逻辑原点 30:14 — 人类的涌现结束了吗？数字生命会走向哪里 35:12 — 意识、死亡与人为什么活着 45:05 — AI最初如何从脑科学获得启发 50:02 — 只扩大参数，为什么未必带来下一次智能跃迁 55:09 — Transformer的串行加工与大脑的并行反应 60:13 — 机器人、具身智能与脑机接口真正缺什么 75:07 — 大脑里的Transformer与Hinton四十年前的fast weight 95:09 — 不要只做旁观者：怎样不被这个时代落下 96:03 — AI时代怎样教育孩子 100:19 — 零到一创造力：从表面问题追问底层意义 105:24 — 这是一个值得亲自参与的时代 本期嘉宾 刘嘉，清华大学基础科学讲席教授，长期研究脑科学、认知心理学与人工智能，曾任《最强大脑》项目总设计。 相关内容 2小时53分钟完整对谈： https://youtu.be/EfEk4V3FMdg AI Builders课程： https://ai-builders.com/ 加入Superlinear Academy免费社区 如果你也在把AI用进真实工作，欢迎与2万+成员一起交流；社区里已有700+真实项目与实践分享： https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

技术人常把创业等同于做 ToC产品，却低估 ToB服务；也常先把产品做完，再寻找增长。结合 YC 的 Tarpit Idea、The Browser Company 等案例，本期反转这两个因果：先看谁愿意付钱，再看产品该承载什么。 适合有技术能力、想创业却不知从何开始的人，用来比较 ToB服务与 ToC产品，并在投入开发前判断分发、信任和增长是否成立。 这期你会听到 • 为什么 ToB服务可能比与超级 App 争夺时间的 ToC产品更容易赚钱？ • YC 的 Tarpit Idea 框架如何提醒创业者避开反复吸引人的陷阱？ • The Browser Company 的案例怎样说明口碑不等于增长？ • 为什么商业因果应从增长与分发倒推产品，而不是反过来？ • true understanding 和独特经验怎样与分发组合成业务优势？ 章节 00:00 — 两个认知误区：ToC 产品还是 ToB 服务 02:24 — 产品与服务的难度和盈利逻辑 03:01 — YC 的 Tarpit Idea 与 ToB 判断 04:44 — 产品马太效应：你在和谁争夺注意力 05:51 — ToB服务为什么更容易获得收入 06:54 — 产品与增长的因果顺序：Manus 等案例 08:54 — 增长需要支付时间、渠道与信任成本 10:49 — 什么样的产品具备增长潜力 12:16 — 分发、true understanding 与独特经验 13:29 — 从创业误区回到可赚钱的业务 相关内容 新书上市waitlist： https://www.superlinear.academy/c/posts/book 加入Superlinear Academy免费社区 拿出准备开发的业务产品，附上潜在客户、分发路径与付款理由，和大家推演再决定是否动手。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

以 Meta 对大众元宇宙的投入和 VR / AR 热潮为案例，本期把 Product Sense 拆成可检查的问题：第一性需求是否存在，抽象价值落到真实场景后会不会成为摩擦，以及用户是否愿意支付机会成本。 适合正在做产品、创业或选择职业方向的人，用 Product Sense 判断一个看似先进的方案究竟解决第一性需求，还是只让伪需求显得更方便。 这期你会听到 • 为什么改善价格和便利性，不能让不存在的第一性需求凭空出现？ • VR / AR 的沉浸感在什么场景是价值，在什么场景反而是摩擦？ • 比较 VR、手机和游戏时，为什么必须计算用户的机会成本？ • 用户访谈为什么应追问过去的真实行为，而不是未来的购买意愿？ • Meta 的案例如何说明需求深度与需求广度必须分开验证？ 章节 00:00 — 聪明人为什么也会误判伪需求 01:20 — 用 VR / AR 拆解 Product Sense 03:01 — 更便宜、更方便为何不能凭空创造需求 06:01 — 沉浸感何时从价值变成摩擦 08:26 — 用机会成本比较 VR、手机与游戏 10:19 — Meta 对大众 VR 需求的关键误判 12:01 — 用用户访谈验证真实行为与代价 14:38 — Product Sense 为何是选择方向的底层能力 相关内容 加入Superlinear Academy免费社区 带上拿不准的产品方向，具体写出使用场景、摩擦与机会成本，请大家检验需求是否真实。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

OpenClaw 像 DeepSeek 一样把原本小众的 Agentic AI 推到大众面前：聊天入口降低了门槛，统一上下文、持久记忆和 skills 又让它显得越来越聪明。但成就传播的设计，也可能限制它成为深度生产力工具。 适合正在比较 OpenClaw、Cursor 与 Claude Code，或只用过 ChatGPT、DeepSeek 的人，用来判断该不该投入工具本身，以及真正可迁移的 Agentic AI 认知是什么。 这期你会听到 • OpenClaw 为什么能让大众第一次直观感到 AI 可以持续推进任务？ • 聊天窗口为何帮助 OpenClaw 出圈，却也限制复杂工作流的上限？ • 统一上下文与持久记忆怎样改变助手的连续性？ • 丰富的 skills 组合为什么可能形成能力飞轮？ • 不要因为 OpenClaw 难用，就否定 Cursor、Claude Code 等 Agent 工具的价值。 章节 00:00 — OpenClaw 可能经历的三段式命运 01:46 — 拆解它为何爆火、做对什么、受限于什么 02:57 — OpenClaw 与 DeepSeek 的出圈逻辑 04:55 — 从聊天框走向 Agentic AI 工作流 07:56 — 工具难用不等于 Agentic AI 没价值 09:35 — 值得学习的是工具背后的可迁移认知 10:27 — 聊天入口为何既助推传播又限制上限 13:18 — 三件事之一：统一入口与统一上下文 14:23 — 持久记忆为何让助手越来越懂你 16:15 — 丰富 skills 如何通过组合产生质变 17:17 — 入口、记忆与 skills 如何形成飞轮 相关内容 鸭哥文章： https://www.superlinear.academy/c/ai-resources/openclaw 加入Superlinear Academy免费社区 展示你想迁移到工作中的代理机制，附上具体任务与限制，请大家设计验证实验。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

西雅图聚集了大量科技人才，却没有形成湾区式的创业密度。Seattle Startup Summit 创始人 Yujian 从人才训练、资本习惯与城市生态出发，解释为什么大厂能力有时会成为创业的“反向筛选器”，以及 AI 正在改变什么。 适合在大厂工作、正在做 side project，或考虑从西雅图进入创业生态的人，用来判断自己缺的是技术、大厂能力，还是定义问题、获得资源与接触 startup 的机会。 这期你会听到 • 为什么西雅图科技人才很多，创业公司和资本密度却与湾区存在落差？ • 大厂能力擅长解决既定问题，为什么未必能直接迁移到定义客户与市场？ • 精筛参与者的线下活动，如何连接创业者、投资人和 AI 开发者？ • AI 降低试错成本后，大厂人可以怎样验证创业想法？ 章节 00:00 — Seattle Startup Summit 如何连接西雅图 AI 创业生态 01:53 — 技术人为什么转身做创业活动 02:47 — 从 IBM、Amazon 经历到活动生意 07:49 — 精筛参与者为何能提升活动价值 13:19 — 西雅图人才密集，创业生态为何仍弱于湾区 20:58 — AI 如何降低创业与试错成本 25:42 — 大厂人怎样开始体验 startup 28:53 — Seattle Startup Summit 提供哪些连接机会 本期嘉宾 Yujian 是 Seattle Startup Summit 创始人，做过人工智能、计算机视觉和软件开发相关工作，也曾在 Amazon 参与 AutoML 项目；本期他从活动组织者视角观察西雅图的 startup 生态。 相关内容 如果想在西雅图了解创投生态，那2026年Seattle Startup Summit是肯定不能错过的。报名网站（用折扣码AIBUILDERS买票，可以获得20%折扣）： https://www.seattlestartupsummit.com/ 加入Superlinear Academy免费社区 拿出你的副业项目，带上问题定义、资源来源与市场反馈，请大家判断大厂能力该如何转化。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

大模型训练不是堆算力就能解决的问题。Amazon AGI 资深经理查晟从一线实践拆解实验设计、数据、基础设施、Evaluation 与团队协作，并解释为什么追求 information gain 的团队反而要容许高失败率。 适合大模型训练、机器学习基础设施和 AI 研究从业者，也适合需要判断行业能力边界的人，帮助你区分模型研发中的科学问题、工程瓶颈与组织约束。 这期你会听到 • 为什么大模型训练必须同时做好数据、模型、分布式系统与 Evaluation？ • 高失败率实验如何带来更高的 information gain？ • 公开 benchmark 为什么可能被数据泄漏和刷分误导？ • cost-to-accuracy 如何衡量不同周期的真实研发进展？ • NVIDIA 的护城河为什么不仅来自硬件，还来自 compiler 与软件栈？ 章节 00:00 — 高信息增益实验为何允许失败 01:14 — 查晟与 Amazon AGI 的模型训练实践 02:23 — 大模型训练为何是系统工程 07:47 — 用失败率检验研究方向的信息增益 09:05 — 模型、数据、基础设施如何协同交付 15:15 — 数据质量、SEO 垃圾与合成数据边界 21:04 — Evaluation 为何关键又容易失真 29:57 — 用 cost-to-accuracy 衡量研发进展 36:01 — 稀缺人才与 NVIDIA 的软件护城河 39:26 — 模型自主学习可能带来的下一步突破 45:33 — AI 对职业与经济关系的冲击 53:33 — 回到科学精神与完整训练系统 本期嘉宾 查晟，Amazon AGI 资深经理，参与亚马逊第一代大模型研发及 Frontier 模型训练，并曾与 Alex Smola、李沐共事。 相关内容 查晟：大模型训练的真相、NVIDIA 的护城河、以及为什么大厂做不好 AI： https://youtu.be/emWRfc4s00c 加入Superlinear Academy免费社区 提交正在设计的模型实验，交代假设、评估方式与失败信号，请大家寻找信息增益更高的改法。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

Meta 数据科学高级经理 Mujtaba 把一对一重新定义为员工主动向上管理的会议：FYI 可以异步，有限的同步时间应留给风险、决策、解阻和职业发展。经理是否需要持续 push，也会暴露一名 IC 的可靠程度。 适合 IC、数据科学与产品分析从业者，以及需要跨团队协作的人，帮助你改造一对一、及时求助并与经理建立 pull model。 这期你会听到 • 一对一里哪些内容只需 FYI，哪些问题值得同步讨论？ • 为什么尽早报告风险是专业表现，而不是示弱？ • push model 与 pull model 如何反映经理对强 IC 的信任？ • 怎样向经理提出解阻、背景和高层连接的具体请求？ • 为什么晋升对话应该在评审之前主动开启？ 章节 00:00 — 一对一是管理经理的机会 00:31 — Mujtaba 在 Meta 的管理成长路径 03:33 — 把 FYI 与真正需要讨论的问题分开 06:24 — 用一对一主动向上管理 07:37 — 尽早暴露风险，而不是独自硬扛 10:33 — 不敢求助会让问题继续扩大 14:47 — 强 IC 如何建立可靠性 15:46 — 从 push model 转向 pull model 19:47 — 用自我认知选择能发挥优势的项目 24:05 — 尽早开启晋升与差距对话 32:17 — 高级岗位更依赖影响力与软技能 40:27 — 请经理解阻、补背景与建立连接 本期嘉宾 Mujtaba，Meta 数据科学高级经理，分享自己在 Meta 的成长与团队管理经验。 相关内容 加入Superlinear Academy免费社区 把你与经理会谈中迟迟未解的风险带来，和大家重排议题并明确求助动作。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

AI 让实现变容易后，真正稀缺的是发现真实需求。本期反驳“大需求才值钱”和“坐着用脑想需求”两种错判，并用 Stripe、Calendly 与 wedge & adjacency 说明，小而高频的摩擦也能成为产品入口。 适合寻找产品方向、准备做 MVP 或担心创意自嗨的人，帮助你用痛感、频率、switching cost 与市场反馈判断需求是否值得投入。 这期你会听到 • 为什么听起来宏大的问题不一定对应更有价值的真实需求？ • Stripe 与 Calendly 如何把小摩擦做成产品机会？ • wedge & adjacency 怎样让产品从锋利入口扩展到相邻场景？ • switching cost 和认知负担为什么会让大蓝图更难卖？ • 如何记录烦人的瞬间，并用 MVP 和 go-to-market 验证它？ 章节 00:00 — 为什么“大需求才值钱”是误区 01:16 — 别用听起来重要判断需求价值 02:09 — 用痛感与频率衡量真实需求 02:39 — Stripe 与 Calendly 如何解决小摩擦 03:36 — 用 wedge & adjacency 扩大产品边界 04:54 — 小身份认同也能形成强需求 05:50 — 小需求的护城河来自做到极致 06:32 — 大蓝图为何增加 switching cost 07:32 — 从身体感受到的摩擦捕捉需求 08:23 — 记录并公开那些烦人的瞬间 14:09 — 从真实需求走到 MVP 与市场反馈 15:02 — 下一步：验证需求并完成 go-to-market 相关内容 激活自己捕捉需求的能力： https://go.ai-builders.com/idea 加入Superlinear Academy免费社区 记录近期反复出现的用户摩擦，带来频率、痛感与切换成本证据，请大家判断是否值得做。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

Cursor 设计负责人 Ryo Lu 把产品设计从“搓像素”还原为组织概念、关系和系统。随着 AI 降低代码门槛，Figma 不再是设计师唯一的工作现场，设计师、PM 与前端正在向能直接交付系统的 Builder 靠拢。 适合产品设计师、产品经理和开发者，帮助你判断该继续优化交付物，还是进入代码与真实系统中验证产品设计。 这期你会听到 • 为什么软件的本质是相互作用的概念，而不只是像素？ • Figma 作为抽象层会怎样限制对真实产品的理解？ • 设计师、PM 与前端为何可能融合为 Builder？ • 使用 Cursor 构建时，如何通过限制和 design system 减少 AI Slop？ • 审美如何体现为对系统逻辑、扩展性和简洁性的深度体感？ 章节 00:00 — 设计品位如何从家具延伸到数字工具 01:16 — Ryo 从 Notion 走到 Cursor 的职业轨迹 02:54 — 视觉设计从拟物化回归概念本身 08:18 — 软件是相互作用的概念系统 13:30 — 设计师为什么必须学会用代码构建 19:15 — Figma 设计稿为何不是最终真实 24:00 — 设计师、PM 与前端正在融合为 Builder 31:25 — 怎样避免 AI Slop 的塑料感 38:33 — 审美来自对系统逻辑的深度体感 54:20 — 功能扩张时如何保持系统简洁 56:00 — 给设计师的建议：去生活，也去构建 本期嘉宾 Ryo Lu，Cursor 设计负责人，曾任 Notion 首位设计师，并有 Stripe、Asana 工作经历。 相关内容 Cursor设计负责人Ryo：软件的本质都一样｜什么是品味？｜AI时代，设计师一定要抛弃Figma： https://youtu.be/FKuJBz4kaOo 加入Superlinear Academy免费社区 拿出尚停留在设计稿的产品概念，和大家拆解如何进入代码并验证真实使用。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

一位前交易所高管不从传统估值出发，而用流动性、注意力和筹码结构解释比特币与币圈的中短期变化。对谈也延伸到 Capital、Web3 游戏规则，以及面对强烈市场观点时该观察哪些信号。 适合关注比特币、Web3 或高波动资产的人，帮助你理解市场叙事背后的筹码与注意力机制；本期观点用于分析框架，不构成投资建议。 这期你会听到 • 流动性、注意力与筹码结构如何共同影响币圈资产？ • Capital 为什么既是生产力，也会改变生产关系？ • 如何识别市场控制者公开释放的参与信号？ • Web3 从业者掌握的游戏规则如何影响财富结果？ • 面对比特币牛市判断，为什么还要把剧烈波动纳入决策？ 本期嘉宾 一位前交易所高管，从市场结构与从业经验出发讨论比特币、Web3 和资本机制。 相关内容 "比特币2026年会创新高，但以你意想不到的方式"｜区块链的真正价值｜AI与区块链｜前币安上市看门人Chase： https://youtu.be/TTDcuWw3noU 加入Superlinear Academy免费社区 带来你对高波动资产的判断，写清流动性、筹码与注意力依据，请大家检验。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

等待 AGI 降临再行动，会忽略眼前更大的机会：模型已有能力与真实应用之间，还缺 Infrastructure、Pipeline 和使用习惯。借汽车取代马车的历史类比，本期说明 Manus 这类产品为何能靠处理落地杂活创造价值。 适合对 AGI 进展焦虑、想提升工作效率或寻找 AI 项目机会的人，帮助你把注意力从预测模型能力转向建设真正可用的系统。 这期你会听到 • 汽车替代马车的过程为何能解释 AI 落地速度？ • Transformer 与 ChatGPT 分别对应技术引擎和早期产品的什么位置？ • Infrastructure、Pipeline 和使用习惯为何比等待更强模型重要？ • Manus 如何通过处理脏活累活降低 AI 使用摩擦？ • 怎样用 Frictionless、Contextual 和 Proactive 检查自己的工作流？ 章节 00:00 — 等待 AGI 躺平为何是认知误区 01:23 — 汽车替代马车为何经历漫长生态建设 03:20 — Transformer 是引擎，ChatGPT 只是第一辆车 06:39 — 落地瓶颈在 Infrastructure、Pipeline 与习惯 08:35 — AI 被困在聊天框，是系统还未就位 11:35 — Manus 的价值来自处理落地杂活 14:25 — 用 Frictionless、Contextual、Proactive 改造流程 16:04 — 从一个真实需求找到个人机会 18:41 — 别等银弹，先参与 AI 生态修路 相关内容 加入Superlinear Academy免费社区 把当前工作流中仍靠人补位的环节拿出来，和大家设计可落地的代理系统实验。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

Hockey Stick 创始人陈唱从红人营销和多渠道增长实践出发，解释 AI Agent Manager 如何放大运营能力，以及为什么好产品仍需找到 Product-Channel Fit。对 Bardeen、PLG 与 Churn 的复盘，进一步揭示产品定位和销售路径之间的约束。 适合寻找首批用户的开发者、准备 go-to-market 的创始人和增长从业者，帮助你判断该选什么渠道、何时扩张，以及 PLG 产品何时需要大客户销售。 这期你会听到 • AI Agent Manager 如何管理自动化任务并放大团队产能？ • 为什么找到市场之后，还必须验证 Product-Channel Fit？ • Enterprise 与 PLG 产品分别适合哪些增长渠道？ • Bardeen 为什么因产品过于通用而遇到增长困难？ • Churn 的绝对值如何迫使 PLG 公司建立大客户销售体系？ 章节 00:00 — 小团队如何用 AI Agent 放大渠道运营 01:45 — 从执行者晋升为 AI Agent Manager 03:52 — 红人营销为何依赖经验与概率 07:49 — 增长关键是 Product-Channel Fit 10:04 — Enterprise 与 PLG 的渠道差异 13:47 — 为什么买量逻辑不适合红人营销 19:00 — Bardeen 的教训：产品太通用反而难增长 22:30 — Churn 如何推动 PLG 走向大客户销售 25:50 — 工具变化之后，用户需求仍是核心 本期嘉宾 陈唱，Hockey Stick 创始人，带领团队通过 AI Agent 为硅谷高增长企业开展多渠道增长。 相关内容 AI产品增长：如何让别人了解你的产品、选渠道、讲故事、算回报、测上限、选红人、落地增长策略、理解增长本质？｜Hockey Stick创始人陈唱： https://youtu.be/yZCq2jyGcKc 加入Superlinear Academy免费社区 带上正在寻找客户的产品案例，列明目标客户、候选渠道与成交障碍，请大家共同诊断。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

向上管理并不只是汇报得漂亮。朱一丰把它定义为 expectation management：真正关心结果、补齐最后一公里的脏活，并让老板和协作者反复确认你能可靠解决问题。 适合希望改善向上管理、跨团队参与和项目优先级判断的职场人，帮助你在不抢 credit 的前提下建立可信赖的影响力。 这期你会听到 • 为什么 expectation management 是向上管理的核心？ • project management 中看似低价值的跟进为何决定最终交付？ • 进入别人的项目时，怎样先 provide value 而不是争夺 credit？ • 如何从 user impact 出发判断哪些任务该做、推迟或放弃？ 本期嘉宾 朱一丰，一位深得 VP 和同事信任、在组织中具有存在感与话语权的大厂总监。 相关内容 DoorDash Director: 如何在工作中争取存在感，和让自己闲下来？如何思考工作的意义？： https://youtu.be/4pWsovy9cV8 加入Superlinear Academy免费社区 挑出跨团队项目的卡点，带上相关方预期与交付缺口，请大家推演如何建立信任。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

朱一丰把工作的意义拆成两条线：解决真正困难的 hard problem，以及把职业中的幸运 pay forward。他讨论的不是强迫每个人热爱工作，而是如何找到自己的坐标，避免只用薪酬和职级衡量投入。 适合正在经历职业倦怠、意义焦虑或方向选择的人，帮助你判断工作能否成为认识世界、修炼能力和 play your own game 的载体。 这期你会听到 • 朱一丰为什么会从发现别人没发现的问题中获得满足？ • 解决 hard problem 与创造正面影响如何共同构成职业锚点？ • 如何区分公司的奖励与社会对可迁移能力的回报？ • pay forward 为什么能让职业幸运转化为行动？ 本期嘉宾 朱一丰，一位持续思考职业意义、个人贡献与社会回馈的大厂总监。 相关内容 DoorDash Director: 如何在工作中争取存在感，和让自己闲下来？如何思考工作的意义？： https://youtu.be/4pWsovy9cV8 加入Superlinear Academy免费社区 请带来眼下面临的职业选择，说明薪酬、难题与回馈他人之间的取舍，供大家共同辨析。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

财富与注意力不断向比特世界迁移，但许多人仍是依赖平台分发的“赛博佃农”。本期从 Builder 视角出发，讨论如何借助 AI 降低代码门槛，把自媒体、作品集和产品逐步沉淀为自己拥有的数字资产。 适合内容创作者、技术从业者和想做副业产品的人，帮助你判断自己是在出售数字劳力，还是在积累不受平台流量支配的资产。 这期你会听到 • 消费者视角与 Builder 视角如何改变你理解数字世界的方式？ • 为什么平台账号和粉丝不等于真正拥有的数字资产？ • 自媒体、作品集与 GitHub 如何成为构建资产的起点？ • AI 如何降低代码杠杆的使用门槛？ • 使用 Cursor 时，怎样培养对报错和模糊需求的处理能力？ 章节 00:00 — 从洛克菲勒到黄仁勋：财富向比特世界迁移 01:26 — 从消费者视角切换到 Builder 视角 03:01 — 赛博佃农为何受制于平台流量 04:36 — 从自媒体账号走向独立数字资产 07:15 — AI 让代码杠杆变得廉价 09:36 — AI 编程需要建立的底层能力 11:11 — 用代码与媒体盘活数字不动产 相关内容 加入Superlinear Academy免费社区 拿出依赖平台分发的作品，和大家讨论怎样改造成自己掌控的数字资产。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

拿破仑三世时期比金子更珍贵的铝，在工业化后变成廉价材料；AI 正让代码生产经历同样的价值反转。AI Native 的关键不是写出更快的旧软件，而是像鸭哥那样主动“挥霍”代码，制造阅后即焚的一次性软件来购买认知确定性。 适合已经使用 AI 编程、效率却仍停留在旧工作流的资深程序员和知识工作者；它帮助你判断代码何时应被长期维护，何时只需作为一次性验证工具。 这期你会听到 • 拿破仑三世的铝碗为何能解释今天的代码生产成本革命？ • 资深程序员的质量意识什么时候会转化为对 AI Native 工作法的心理抵抗？ • 阅后即焚的一次性软件适合解决哪些短期、具体的任务？ • 为什么廉价代码可以用来换取昂贵的认知确定性？ • 当代码成为工业耗材，软件的维护、复用和丢弃标准该如何重写？ 章节 00:00 — AI Native 为何是难跨越的思维门槛 01:18 — 拿破仑的铝碗揭示成本与价值的反转 03:07 — 代码从贵金属变成工业耗材 05:35 — 资深程序员为何抗拒挥霍 AI 代码 07:07 — 用阅后即焚的一次性软件完成任务 10:21 — 以廉价代码购买认知确定性 12:44 — 真相很贵，代码很便宜 13:18 — 进入 AI 实践者社区继续迭代 相关内容 鸭哥文章： https://www.superlinear.academy/c/ai-resources/ai-native-cost-structure-4e4d27 加入Superlinear Academy免费社区 选取工作中悬而未决的判断，带来可快速丢弃的软件实验方案供大家推演。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

当没有编程背景的学生已经用 Claude 和 Cursor 上线商用 App，资深程序员积累的架构知识也可能变成知识诅咒。孙教授用 K-12 AI 教育案例指出：开发门槛下降后，CS 专业本身不再足够，发现真实问题并迅速交付才是新的分水岭。 适合担心专业优势被削弱的程序员、寻找产品方向的创业者，以及关注 AI 教育的家长；它帮助你判断何时该深入技术，何时该放下知识诅咒直接验证问题。 这期你会听到 • 零基础学生如何借助 Claude 和 Cursor 跨过开发门槛？ • 为什么知识诅咒会让资深技术人把可简单解决的问题复杂化？ • CS 专业优势减弱后，跨学科结合会创造哪些新机会？ • 发现问题与执行力为什么比单纯掌握工具更难替代？ • 怎样从 User 变成 Builder，并通过真实交付激活执行力？ 章节 00:00 — 孙教授从 Amazon 走向 K-12 AI 教育 04:04 — 高中生为何有条件完成创业项目 07:10 — 零基础学生用 AI 上线商用 App 10:52 — 短时间交付如何改变开发门槛 12:50 — CS 专业优势减弱后的跨学科机会 16:50 — 发现问题与执行力成为关键能力 20:40 — 自动翻谱 App：简单思路如何成为算法核心 24:55 — 年轻 Builder 的认知与变现反差 27:50 — 执行力能否被环境激活 31:40 — 从 User 到 Builder，先进入真实问题 本期嘉宾 孙教授，来自加州州立理工大学，拥有 Amazon 经历并从事 K-12 AI 教育；本期分享学生使用 AI 构建产品的案例。 相关内容 AI真的没有门槛了？从美国中小学生如何用AI，看AI时代核心素质，和我们应该做什么： https://youtu.be/DxRCFOOd0Oo 加入Superlinear Academy免费社区 带来被专业经验卡住的真实问题，和大家拆解该深入技术还是先验证需求。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。