你有没有想过为什么有些猎头公司总能第一时间联系到你？

明明你刚换工作，这个职位还没正式发布，他们就已经发来了邮件。

这背后藏着什么秘密？

我最近看到一个案例，彻底颠覆了我对招聘行业的理解。

有人用AI搭建了一套全自动化的招聘情报系统，能够提前几周发现隐藏的职位空缺，自动找到招聘决策人，甚至连外联话术都写好了。

整个系统只需要三个工具：AirTable、N8N和Clay。

在深入之前，我们得先理解招聘中介这门生意的底层逻辑。
招聘中介本质上就是在做信息的搬运工和匹配者，谁能更早获得信息，谁就赢了。

假设你是一家猎头公司，现在有两种获客方式：
第一种，等职位发布在LinkedIn或Indeed上，然后和其他几百家猎头一起竞争。这时候信息已经公开了，你的优势很小。

第二种，在职位还没公开之前，你就知道某家公司有人离职了，马上判断出他们需要招人，然后第一个联系上招聘经理，这时候你几乎是独家垄断了这条信息。

哪种方式更有竞争力？答案显而易见。

问题是，怎么做到第二种呢？

当一个员工从A公司跳槽到B公司，表面上只是一次人员流动，但如果你换个角度看，这里其实隐藏着两个商业机会。

第一个机会是A公司。这个人走了，他们肯定需要找人填补空缺。
第二个机会是B公司。他们愿意招这个人，说明他们正处于扩张期，很可能还在招其他岗位。

这就是信息的二次挖掘，大多数人看到的只是表面的人员变动，但聪明的系统能从这个变动中推导出更深层的商业价值。

那么问题来了，你怎么知道谁跳槽了？

这套系统的第一步，是建立一个大型的人才数据库。

很多招聘公司其实都有自己的ATS系统，也就是applicant tracking system，里面存着成千上万份候选人简历。
但问题是，这些简历大多是静态的，你不知道这些人现在在哪儿，在做什么。

这套AI系统做的事情是，每周或者每两周，自动去抓取这些人的LinkedIn资料，检查他们的工作状态有没有变化。如果发现某个人的职位、公司信息更新了，系统就会标记这是一次职业变动。

我看到案例里的数据，一个包含17000个候选人的数据库，在一周内发现了156次职业变动，从中识别出了141个潜在商机。

第二步更有意思，系统不只是记录这个变化，它还会用AI去分析这是内部晋升、跳槽，还是兼职。
不同类型的职业变动，代表的商业机会完全不同。

发现机会只是开始，真正的价值在于后续的自动化处理。

当系统识别出一个潜在机会后，它会做这么几件事：
首先，自动抓取这家公司的基本信息。
公司规模、行业定位、LinkedIn主页，甚至用AI做一个快速的市场分析和薪资范围估算。
这些信息帮助招聘顾问快速判断，这个机会值不值得跟进。

如果招聘顾问觉得这个机会不错，把状态改成合格，系统就会自动触发下一步。

它会去找这家公司里谁是决策人，谁是招聘经理。
不是随便找一个HR的联系方式，而是精准定位到那个对这个岗位有决策权的人。系统甚至会给每个潜在决策人打一个匹配分数，告诉你谁最有可能就是你要找的那个人。

然后系统会自动抓取这些人的邮箱和LinkedIn主页。

最后，它还会根据这次职业变动的具体情况，生成一条个性化的外联信息。
比如说，如果是某个高管刚离职，系统会写：Rodney，注意到你们的工程副总裁最近离职了，我们手上正好有几个合适的候选人。

这种个性化不是模板化的那种假个性化，而是真的根据实时信息生成的内容。

看到这里你可能会想，这不就是个爬虫加自动化吗，有什么特别的？
关键在于时间差。

当这个系统发现某个高管离职的时候，可能职位还没挂出来，甚至公司内部还在讨论怎么招人。如果你这时候联系上招聘负责人，你面对的竞争几乎是零。

等到职位正式发布在LinkedIn Jobs、Indeed这些平台上，游戏规则就完全变了。成百上千的猎头公司会涌进来，客户已经被打扰了无数次，你的优势荡然无存。
在别人都在看公开信息时，你要去找隐藏的信息。

这套系统还有第二招，它也会持续监控LinkedIn、Indeed等平台上的新职位发布。
不过它不是简单地把所有职位都抓过来，而是根据你设定的条件，智能筛选符合要求的岗位。

比如你只做美国市场的高级管理岗位，系统就会过滤掉其他所有信息。这样你每天打开后台，看到的都是经过预筛选的高质量机会。

那么，为什么要用AirTable、N8N和Clay这个组合？
AirTable是数据库，负责存储所有的候选人信息、公司信息、机会跟进状态。它的优势是界面友好，招聘顾问可以很方便地查看和操作数据。

N8N是自动化工具，相当于这套系统的大脑，负责协调整个工作流程。什么时候该去抓取数据，什么时候该触发下一步操作，都由它来控制。

Clay是数据enrichment平台，专门用来补全和丰富信息。
它在从LinkedIn抓取数据、查找邮箱、公司信息enrichment方面特别擅长。

整套系统的运行成本是每月500到600美元。对于一家招聘公司来说，只要能从中获得一两个高质量订单，这个投入就完全值得。

这类系统的出现，本质上是在重塑整个招聘行业的竞争格局。
那些还在用传统方式，等着客户主动上门的中介，会越来越难生存。而那些懂得利用AI和自动化工具的玩家，会形成降维打击的优势。

假设你只有5分钟向投资者讲清楚一件事，你会说什么？答案很简单：用4张幻灯片，讲透4个核心问题。

第一张：你在解决什么问题？
别上来就讲产品，先讲“痛点”。比如，“中小企业融资难，一笔贷款要跑5家银行，平均耗时28天”，或者“老年人买菜总担心新鲜度，每天花1小时逛菜市场”。问题要具体，让投资者立刻感受到“啊，这确实是个麻烦事”。

第二张：这个问题有多大？
市场规模不用“颠覆行业”那么夸张，讲清楚“有多少人在被这个问题困扰”。比如，“中国有4300万小微企业，每年融资需求超10万亿”，或者“全球60岁以上人口已达15亿，其中80%每周需采购生鲜”。数字不用精确，但趋势要清晰——这是一个值得投入的“大蛋糕”。

第三张：你打算怎么解决？
用一句话说清你的方案。比如，“我们开发了智能风控系统，让小微企业贷款审批时间从28天缩短到2小时”，或者“我们搭建了社区生鲜直供平台，老年人扫码下单，2小时内送到家”。重点是“怎么落地”，比如“已和30家社区超市签约，日均订单500+”。

第四张：为什么是你？
投资者投的永远是“人”。讲清楚团队的优势：“我们的CEO有10年银行风控经验，CTO曾主导过智能算法项目”，或者“我们的联合创始人深耕社区15年，熟悉老年人需求”。如果有早期用户反馈，比如“有位阿姨反馈‘再也不用早起买菜了’”，比空泛的“专业团队”更有说服力——真实的声音最动人。

最后4张：锦上添花，但别喧宾夺主
如果前面4张讲透了，后面的可以快速补充：
- 你现在有什么成果？比如“已实现月营收100万，复购率65%”；
- 怎么扩张？“先覆盖北京3个社区，明年计划进入长三角”；
- 需要多少钱？“本轮融资500万，用于技术研发和团队扩张，预计18个月实现盈利”；
- 退出机制？“3-5年通过并购或IPO，让投资者获得3-5倍回报”。

关键提醒： 别堆砌文字。每张幻灯片最多3行字，剩下的用图表或一句话总结。投资者每天看几十份商业计划书，没人有耐心读“文字墙”。记住，融资演讲不是“介绍产品”，而是“讲一个让人心动的故事，然后告诉他们‘我们能做到’”。

简单、直接、有温度——这就是打动投资者的核心。

AI 是想法和勤奋的放大器。

过去有一个模糊想法，很长时间想法就是模糊的。有了 AI 后，模糊想法可以很快变清晰。模糊的想法有些是自己脑海里浮现的，有些是看他人内容时被触发的。这两种场景下，AI 都是让模糊想法变清晰具体的好工具。

更进一步，是通过 AI，让十分努力的自己，能变成百分努力的自己。就如 Dan Koe 等百万博主每天两小时一样。没有 AI，这两小时就是两小时。有了 AI，这两小时相当于原来二十小时。AI 让勤奋的人，变成了疯狂勤奋。时长可能还减少了。

赞叹 + 自勉。

在国内上一个网站要经过几步：
1. 准备网站项目代码；
2. 阿里云买服务器；
3. 阿里云买域名，并进行域名备案；
4. 代码部署到服务器ecs中，dev和build通过；
5. 买dns解析，没错，阿里云dns解析是要钱的；
6. 买证书，或者搞免费证书；
7. 配置nginx，用证书写在配置文件中，搞定域名的https解析；
8. 域名备案的备案号要更新到网站页面中。

在海外上一个网站要几步：
1. 准备网站项目代码；
2. 上传到github；
3. vercel自动解析github的更新并deploy；
4. cloudflare配置域名dns解析；

我今天花了一小时读了一篇文章《语言：生于智能并终将成为智能》

核心观点是：压缩就是智能。

生命对抗熵增需要最大化能量效率。大脑是一台高效的压缩机器——能耗20瓦，但算力惊人。智商越高，计算能耗越低。

人类为了传递经验发明了语言，语言本质上就是对现实的压缩。

到了AI时代，关系反过来了：

以前是：现实 → 人类智能 → 语言（传递工具） 现在是：语言 → AI → 现实
语言不再只是传递工具，而成了智能本身的原材料。

文章认为，人类语言数据已经被压缩到极限，这就是数据飞轮失效的原因。AI需要发展自己的语言（AILang）才能继续进化。

读完和 Claude Code 讨论了很久，有几个洞察：

1. 人类语言的"低效"其实是双刃剑 模糊性、隐喻、多义性在人类社会是特性，在AI训练中是bug。同样的特质，在不同系统里价值完全相反。

2. 应用公司正在无意识地为AI进化铺路 你做应用是为了用户价值，但客观上积累了独特数据和环境。未来有能力训练模型的公司，这些就是护城河。这不是"应该"，而是"正在发生"。

3. AILang已经存在了 神经网络的表征空间、多模态模型的中间层，已经是一种人类看不懂的"语言"。不是要发明，而是正在涌现。

4. 智能≠人 文章说的是智能维度的压缩逻辑，但人还有情感、意义、价值。这些不是被压缩，而是会被舍弃。区分这两个层面很重要。

看了一下影视飓风的抗菌T恤
跟我厂的工服基本类似，都是棉+涤纶混纺抗菌布料，都是落肩款
这个衣服成本比纯棉高，印花也是最贵的工艺
自己做一百件的成本也在40左右
他们卖89 包邮也不贵啦

分享最新关于AI的使用经验，不高大上但是很落地。

1.用好AI，地基要打牢，也就是说在大模型的选择上，我推荐使用ChatGPT、claude和Gemini，并且一定要充会员，这样你才能使用到模型的全部能力。

如果觉得费用很高，或者来回切换很麻烦，可以用一些套壳网站，比如我经常用的是POE。

2.AI大模型的一些衍生应用非常适合职场人的工作场景，比如google gemini的deep research功能，可以帮你深度去调研某一个行业/某一个品牌，某一类人群的画像，基本上能解决70%广告人的前策工作。

除此之外，还有notebookllm，是非常好用的学习工具，可以帮你去快速读懂报告，读懂财报和研报。

因为gemini的超长上下文能力，所以你一次性可以上传10几份报告，让AI集中解读，提高信息的获取效率。

3.不要再用很复杂的提示词技巧
和AI交互的关键在于，你是谁，你希望AI是谁，以及你到底期望从AI那里获得什么有价值的信息，前面可以通过简单的提示词技巧，后续通过多轮对话的形式，提高大模型的回答精度。

4.不要迷恋智能体
虽然今年智能体和agent的概念被炒的很热，但是它真正的落地性和任务完成度依旧很差，理由很简单，智能体还没有办法100%的去模仿人类思考。

5.用好AI的关键是【投入时间】
用好AI的关键并不是去学习一些高大上的技术理论，而是要投入时间，比如可以和AI对话，聊一些自由度比较大的问题，去聊一些工作上的问题，甚至可以问AI如何更好的和AI交互
投入时间去使用各种大模型，各种AI应用
这样你才能 用好AI。

刚读完 Sam Altman 的最新访谈，有三个点让我印象深刻

一、OpenAI 的 Windows 定位

Ben Thompson 说：你们是 AI 的 Windows。

Altman 的回答很有意思，他没否认：

"大多数人会想要一个 AI 服务，贯穿整个生活。ChatGPT 是主要入口，但会集成其他应用。你会用 OpenAI 账号登录其他服务，保持体验连续性。"

这个类比很准确。

一端提供所有终端用户交互的 API（消费者+企业） 另一端成为大规模基础设施建设的目标客户
Altman 自己的类比是谷歌：在家用，在工作用，没有雇主会封杀，就是同一个服务。

他还说了一句：AI 最好的历史类比是晶体管，会渗透到每一个产品中，不会赢家通吃。

矛盾吗？不矛盾。

Windows 也没赢家通吃，但它确实是那个时代最重要的层。

二、Sora 打破了创作者的 90/9/1 规则

Sora 推出后的数据让人震惊。

传统互联网有个 90/9/1 规则： 90% 的人潜水 9% 的人偶尔互动 1% 的人创作

Altman 说，Sora 前几天的数据是：30%+ 的活跃用户是活跃创作者。

30 倍的提升。
他的解释是："世界上有大量潜在创意表达需求。如果你给人们让他们快速从想法到创意输出的工具，这触及某种非常深刻的人类需求。"
关键词：降低创作的激活能量。
以前我们以为只有 1% 的人想创作，其实是工具门槛太高。

当从想法到作品的成本足够低，创作不再是少数人的特权。

有个细节很有趣：为什么 Sora 不放在 ChatGPT 里？

Altman 说："ChatGPT 太私密和个人化。如果加入社交特性，人们会想'我还要告诉它我最深的问题吗？'"

产品心态要分开：私密工具和创作工具，不能混在一起。

货币化也很直接：很多人只是做表情包发给 3 个朋友，广告模式支撑不了成本，只能按生成收费。

三、版权持有者会从"别用我的"变成"多用我的"

Altman 对版权问题的预测很大胆。

他说：现在版权持有者可能说"我不喜欢 AI 用我的内容"，但一年内，会变成"OpenAI 对我不公平，没把我的内容放在足够多的视频里"。

逻辑是这样的：

随着 AI 创造越来越多的定制内容，普遍认可的共同事物（知名 IP）会增值。

Ben Thompson 说得很形象：知名 IP 是"人们触碰的图腾柱"。

实际情况已经在印证：Altman 说，更多版权持有者主动联系他说"这对我有利，确保我得到足够的生成"，比拒绝的多。

视频和图像不一样。视频情感冲击更强，所以版权方需要更多控制。他们想要的不是"不用"，是"按我的规则用"。

这是一个从防御到价值积累的转变。

AI 时代，稀缺性的定义变了。信息不稀缺，共识才稀缺。

牛皮！Andrej Karpathy 发布了一个从零构建 LLM 训练和推理的项目：nanochat

基本上跟着学就可以了解 LLM 训练的所有步骤了

只需要 100 美元的算力成本就可以训练出可以对话的模型，而且会带有一个 UI 界面，只有 8000 行代码

项目覆盖从分词、预训练、对齐到推理与 WebUI 的完整闭环，会是他 LLM 课程的一部分。

在云端 8×H100 节点上运行单脚本，约 4 小时 / ~100 美元即可得到能对话、写诗故事、答简单问题的模型；

12 小时在 CORE 指标上超过 GPT‑2；~$1000 / ~41.6 小时进一步提升到能做基础数学/代码与多选题。

具体训练管线包括：

分词器：全新 Rust 实现训练分词器。
预训练：用 FineWeb 语料，评估 CORE 及多项指标。
中期训练：用 SmolTalk 的用户‑助手对话、多选题、工具使用数据。
SFT：评测覆盖常识与世界知识（ARC‑E/C、MMLU）、数学（GSM8K）、代码（HumanEval）。
强化学习：可选在 GSM8K 上用 GRPO 做 RL。
推理引擎：支持 KV cache、prefill/decode、工具调用（轻量沙箱内 Python 解释器），CLI 与 ChatGPT 风格 WebUI 交互。
自动生成报告卡：自动生成单一 Markdown 报告，汇总与“游戏化”指标。

详情：https://github.com/karpathy/nanochat

刚看完罗永浩对影视飓风创始人 Tim 的3小时访谈。
最让我意外的是一点是，影视飓风粉丝这么多，一年的利润也只有1000万。
这个访谈非常精彩，信息量爆炸。
这是里面的15个故事。

一、六岁的结论

罗永浩的访谈每次都是从嘉宾的童年开始。

想象一个六岁的孩子站在幼儿园窗台上，对着空荡荡的院子哭喊"爸爸妈妈"。他弄脏了裤子，没人理。

全托幼儿园，一周只能见父母一次。

"我自己好像也能过。"

这是Tim六岁时得出的结论。过早的独立，被迫的自给自足。

但真正的创伤还在后面。

二、五块钱买来的绝望

小学二年级，Tim想买一架模型飞机，5块钱。

家里没零花钱，只能劳动换：洗一次碗，5毛。

他洗了10次碗，攒够了钱，买了飞机。

因为家里管教严，他把飞机藏起来了。结果被长辈发现，认定是偷的，带他回小卖部对质。

小卖部老板看着Tim，看着那位长辈，说："是的,他是偷的。"

所有同学看着他，开始叫他"小偷"。

家人后来意识到搞错了，但没有向他道歉，也没有澄清。

"原来有时候努力不会有好的回报。"

这句话在Tim心里埋了很多年。

三、《冒险岛》里的真实

到了初中，Tim找到了避难所：游戏《冒险岛》。

虚拟世界里，努力就有回报。打怪升级，你就会变强。没人冤枉你，没人忽视你的付出。

现实世界"好无聊"。

成绩从年级前几十，一路滑到两三百。初二基本没上课，整整一年都在逃学。13岁离家出走，去了武汉。

中考只考上职高水平。

父母做了个决定：送他去英国。

四、吉尔福德镇的白色

2014年，18岁的Tim到了英国小镇吉尔福德，进了一所全封闭的学校。

没有中国人。

语言不通，被霸凌。俄罗斯同学把他堵在厕所扇巴掌，用烟头烫，留下疤。

父母每月给430英镑，340要付房租，剩90过一个月。

为了省钱，他申请做代餐产品志愿者，靠吃免费的大豆粉充饥。

结果他惊恐地发现：上厕所拉出来的都是白色。

他停了代餐，开始打零工：夜店给客人拍照，做婚庆摄影，一小时50英镑。

目标是什么？攒1300英镑买一台BMPCC摄影机。

但就在这个最黑暗的时期，转折发生了。

五、第一次掌声

高二那年，学校让Tim拍毕业典礼视频。

为什么选他？因为他看起来nerd，对着电脑，不怎么社交，游戏玩得好。学校觉得这意味着"懂技术"。

Tim完全不懂视频制作，现学现做，用Movie Maker和绘声绘影。他自己觉得"巨烂"。

但在毕业典礼上，视频播放时，所有人站了起来。

鼓掌，有人哭了。

这是Tim人生第一次获得真正意义上的现实世界认可。不是游戏里的经验值，是真实的、来自他人的、发自内心的认可。

"这可能是我最想做的事。"

从那一刻起，他养成了一个习惯：每周更新。

这个习惯维持到今天，超过10年。

六、父亲的战略眼光

Tim的父亲潘水苗，浙大工业自动化毕业，托福满分，因为没钱寄信给哈佛错失留学。从鸿雁电器研究室主任一路做到总经理，后来在东方通信、万马集团、阿里云锋基金任高管。2019年任圆通速递总裁。

典型的职业经理人，靠能力一步步往上爬。

但Tim出生的1996年，潘水苗还只是鸿雁电器普通员工，拿着不高的薪水。Tim母亲做医药销售，是家里经济支柱。他们住在杭州大关小区附近60多平的房子里，位于楼顶，每逢发洪水就淹楼下。

这是Tim真正的童年：不是豪门，是努力向上爬的工薪家庭。

但父亲有一个特质：对商业有着敏锐的洞察力。

2016年，Tim 20岁还在英国读书。暑假回国，父亲说："你应该成立公司，让这件事正经一点。"

杭州星奥传媒有限公司成立了。"星"代表星辰大海，"奥"代表奥斯卡。父亲持股25.65%。

父亲给的不只是钱，是一系列关键战略建议：

"从一开始就记录粉丝增长，每月写报告。"

"如果发现不对了,尽早把钱分了。"

"做内容公司很难上市，做平台才有上市价值。"

但最关键的建议，来自2019年。

七、一周涨25万粉丝

2019年，Tim创业第五年，有了20万粉丝。

父亲说："拍一个'二十万粉丝的频道收入有多少'的视频。没人做这个，但大家都想知道。"
Tim不太信，但还是做了。
一周内，粉丝从20万涨到45万。

超过了过去五年的总和。

为什么？

因为父亲发现了一个被所有人忽视的需求：2019年自媒体刚兴起，所有人都好奇能赚多少钱，但没人愿意公开。

一个微小的改变，导致了巨大的结果。

八、账上只剩6万

2020年2月某个清晨，Tim坐在杭州良渚文化村的办公室里，盯着电脑屏幕。

银行账户余额：60,000元。

公司50名员工，下个月工资总额80万。疫情刚爆发,所有商业合作暂停，很多回款遥遥无期。更糟的是，他刚提前支付了工厂开模费用。

Tim 24岁，创业第四年。

他没给父亲打电话，也没四处借钱。

他做了个决定：开始直播带货。

这个决定救了影视飓风。到年底，实现了150万净利润。

但如果你认为这只是个商业决策的故事，那就错了。

要理解Tim为什么会在那个早晨做出那个决定，你需要回到1996年的那个窗台。

九、羊毛不出在羊身上

真正的转折，是Tim意识到：内容行业最大的问题是没有规模效应。

做一期是一期，每次都需要新创意。

影视飓风的答案：自有品牌服装。

逻辑很精妙：内容平台解决了最难的问题——获客。Tim透露，他们的投流获客能力是同类电商的15倍。有了流量，卖什么就不是问题。

更重要的是，这种模式让影视飓风保持了内容独立性。评测不收厂商的钱，最稳定的收入来自给大品牌拍样片。

"我们得罪人真的还挺多的，但我们的钱不从评测那儿来，所以不用受制于厂商。"

完美的商业闭环： 内容吸引流量 → 流量转化客户 → 客户购买产品 → 产品收入支持内容

Tim效仿的是野兽先生MrBeast，全球最成功的YouTuber。野兽先生的巧克力业务已做到百亿人民币规模。

十、荒岛上的放大镜

Tim随口立了个flag：视频上全站榜一，就去荒岛求生100小时。

视频两小时内就榜一了。

于是，完成连续48小时熬夜工作、只睡9小时后，Tim被扔到了岛上。

导演没收了他的防蚊剂和点火工具。

第一天晚上，被蚊子疯狂叮咬，全身起疹子、过敏、发烧。

第二天，他用带的放大镜生起了火。

"那是我当年最快乐的瞬间，因为我完成了一件原本以为做不到的事。"
还记得那个小学二年级被冤枉偷飞机模型的孩子吗？那个得出"努力不会有好的回报"结论的孩子？

在荒岛上，用放大镜生火的那一刻，Tim证明了：努力是有回报的，只要你不依赖别人的认可。

十一、每年给160名员工发iPhone

2024年，苹果秋季发布会后，Tim给每名员工送了最新款iPhone 16 Pro，外加Apple Watch Series 10，连个税都公司承担。

这已经是连续第四年了。

有人问为什么。

Tim说："一方面是凝聚力，另一方面，能吸引更多人才意识到我们的文化。"

但更深层的原因，也许是Tim从小就知道：被认可的感觉有多重要。

那个在窗台上哭喊父母却无人回应的六岁孩子，那个被冤枉偷飞机模型的小学生，那个在英国被霸凌的留学生，太清楚被忽视的感觉了。

所以他要确保，在他的公司里，每个人都能被看见、被认可。

十二、向太空发射卫星

2023年初，Tim带领影视飓风耗资300多万，与影石Insta360合作，向太空发射了一颗卫星。

不是噱头，是对"星辰大海"的字面理解。

同年6月，27岁的Tim入选共青团第十九次全国代表大会代表名单。

2024年，影视飓风营收达亿级规模，利润千万级别，团队超160人。

十三、全网下架风波

2024年10月8日，影视飓风发布了《清晰度不如4年前！视频变糊是你的错觉吗？》。

视频揭示了真相：视频平台为降低流量费用，通过降低码率和调整编码格式压缩画质。

次日，该视频全网下架。

影视飓风回应："因为多方原因，有关清晰度的视频只能全网下架了。"

Tim为什么敢说真话？

因为影视飓风的商业模式让他们有了说真话的底气。他们的钱不从评测那儿来，不用受制于厂商。

十四、AI时代的人生经历

2024年，当AI开始席卷内容行业，Tim陷入深思。

"AI时代打破了一个最核心的点，就是'努力有回报'。"

他预测，两年内AI就能全面替代剪辑师等执行性工作。甚至创意，也不再安全。

但Tim认为，人类还有最后一个不可替代的优势：人生经历。

"AI目前还没有做到全知全能，它无法完全复制多感官的体验和情绪。闻、吃、苦涩感、流泪。人类个体拥有的独立的人生经历，仍是其最本质的基石。"

这个观点，让人想起Tim自己的人生：窗台上的孤独，被冤枉的屈辱，异国他乡的霸凌，荒岛上的求生，与鲸鱼共游的震撼。

这些经历，是任何AI都无法复制的。

而正是这些经历，塑造了Tim，也塑造了影视飓风。

十五、2028年的三个目标

2024年11月9日，影视飓风B站粉丝达1000万。从0到1000万，Tim用了将近10年。

但他的目标远不止于此。

2028年要实现三件事：

乘坐国产航天器上太空，从另一个视角拍摄世界

通过内部团队"手术刀小队"拿奥斯卡短片奖

在全球实现10亿粉丝订阅

还有更遥远的目标：购买一艘全球航行的帆船，收集全世界鲸鱼的高清影像。

以及终极人生目标："去火星死在火星。"

为什么影视飓风的内容总能爆火？

当罗永浩问Tim，持续进步的原因是什么时，Tim的回答并非技术、设备或者创意。

他说：“其实我觉得自媒体最大的修炼的点是大众情绪感知。你必须能感知大众的情绪，你才可以获得增长。”

这句话，揭示了顶级内容玩家与普通创作者之间的根本分野。
大部分人依赖灵感和直觉，而Tim已经将“感知情绪”这件事，变成了一套可以执行的系统。

他把这套方法论总结为“四象限矩阵”和“短视频合集”理论。

很多创作者都有一个拧巴的状态：用心做的内容没人看，随便拍的反而火了。这背后是创作的巨大不确定性，以及一种常见的陷阱——“自我感动”。

Tim在访谈里提到了一个尖锐的理论：“做蠢事赢蠢奖（do stupid things win stupid prizes）”。

“你不用指望把头伸进马桶去探索马桶的抽水速度，能够获得诺贝尔奖，只会闷死在里面…很多人会花很大的心思去做一个自我感动的东西，只有8000的播放。”

这种“自嗨式”创作，本质上是对观众情绪的误判或漠视。

Tim很早就意识到了这个问题。他的转折点来自于父亲的一个建议：“你得从一开始就记录你账号的粉丝量是怎么增长的，每个月写一个报告。”

这个建议，让Tim从一个纯粹的创作者，开始转变为一个用数据来理解大众的内容产品经理。而他感知大众情绪的系统，也由此建立起来。

我将影视飓风的内容增长飞轮，拆解为三个核心策略：

策略一：用“四象限矩阵”实现用户全覆盖

单一账号的内容定位，天花板是可见的。为了打破这个瓶颈，影视飓风建立了一个精巧的内容矩阵。

Tim这样分解他的布局：“长视频、短视频是一个X轴，然后专业和大众是Y轴，每个地方都有一个对应的账号。我的目的就是把四个象限全部都吃透。”

这个矩阵是这样构成的：

专业 x 长视频：这是影视飓风主号。内容精良、信息密度高，负责建立行业标杆和品牌深度，吸引核心粉丝。

大众 x 长视频：这是“模型师老原儿”等账号（早期叫“亿点点”）。选题极其抓人眼球，比如《我熬夜48小时，大脑会发生什么？》、《我把同事送去割痔疮》，负责破圈，获取海量泛用户的关注。Tim透露，这类账号的播放量“比影视飓风还要高很多”。

专业 x 短视频：这是他们的短片账号。专门制作冲击奥斯卡等国际奖项的艺术短片，负责拔高品牌调性，探索内容的上限。

大众 x 短视频：这是一些体验类账号。内容更轻快、更碎片化，负责跟上短视频平台的节奏，保持高频互动和用户粘性。

这个矩阵的厉害之处在于，不同的账号承担不同的战略目的，有的负责“名声”，有的负责“流量”，有的负责“未来”，形成了一个能覆盖不同用户圈层、互相补充、抗风险能力极强的生态。

策略二：用“全球化信息源”制造认知差

好的选题从哪里来？大部分人刷抖音、看热榜，而Tim的“情报网络”是全球化的。

“我有非常特殊的信息输入渠道…全球各个地方的Reddit论坛，那些各种地方很多奇怪的论坛，不可能有人看到，我会去看，我会吸收他们在讨论什么，然后把它转化并且变成更有意思的内容。”

这解释了为什么影视飓风的很多选题都具有开创性。当你的信息源比别人更广、更深、更前沿时，你就天然拥有了“认知差”优势。你可以把一个在海外小众极客圈里刚兴起的话题，用大众化的方式呈现给国内观众，这就是降维打击。

策略三：用“短视频合集”理论重构长视频

这是Tim内容方法论中最具颠覆性的一点。

他认为，比短视频更厉害的，是“把短视频拼成长视频的长视频合集”。

“车祸视频有很多人喜欢看，但是车祸集锦视频看的人更多。因为它不需要有滑动的这个操作，人是越来越懒的。”

这个洞察完全是反直觉的。它揭示了MrBeast这类顶级内容能够维持超高完播率的秘密。

Tim解释道：“以前长视频是花很长时间讲一件事，现在是长视频不断的转场给你讲八件事…（这个长视频）切成8段的话，每一段也都是成立的，都是一个短视频，然后拼起来的。”

这种创作方式，是把一个长视频，当作一个由数个“小爆款”组成的“爆款包”。每一个环节都经过精心设计，有独立的钩子、冲突和爽点，全程无尿点，用户的注意力被持续锁定。

这也是为什么影视飓风的《我把卫星送上天》这类视频能成功的底层逻辑。它不是一个平铺直叙的纪录片，而是一个包含了“悬念（能不能成功）”、“奇观（火箭发射）”、“知识（卫星原理）”等多个高刺激度环节的“体验合集”。

这套方法论的背后，是对平台推荐算法的深刻理解。

所有算法的核心，无非是几个关键指标：CTR（点击率） 和 AVD（平均观看时长）。

Tim的“四象限矩阵”和“全球化信息源”是为了保证选题足够吸引人，从而提高CTR。而“短视频合集”理论，则是为了在用户点击进来之后，最大限度地留住他们，拉高AVD。

当你的内容在这两个维度上都做到极致，平台就会把海量的流量灌给你。

当然，这套打法对团队的要求是极高的。

它需要工业化的制作能力、数据驱动的选题策划能力，以及对全球文化趋势的敏锐嗅觉。这已经远远超出了传统内容作坊的范畴，更像是一个拥有强大中台支持的“内容产品公司”。

但Tim的思考方式，给所有创作者提供了一个重要的启示：

不要做蠢事去赢一个蠢奖。

与其沉醉在自我感动中，抱怨观众不懂你，不如去真正理解观众的情绪，理解平台的语言。

你必须理解大众，但又不完全迎合大众，这才是顶级内容的平衡艺术。

今天读到了一个非常有趣的 idea。

背景是 Dwarkesh Patel 和 Andrej Karpathy 的一个对谈，里面提到了一个智能领域的常见问题：不管是人还是 AI，如果局限于自己的经验，用经验指导自己的行为， 又在这个行为的基础上累计经验，如此循环下去，最终总会崩溃（这里的「崩溃」不是心理意义上的，是智能层面上的）。一个健康的心智需要不断通过从不在自己经验范围内的世界（比如同他人的交谈，和与自己行为模式不符的人合作，etc.）获得外部熵来阻止这种崩溃。小孩还没有对生活过拟合，所以不太容易崩溃，而成年人崩溃的风险则越来越大。

以上是背景。下面是那个有趣的 idea，来自2021年 Cell 的一篇 paper "The overfitted brain: Dreams evolved to assist generalization"。它的主旨是说：人类做梦是防止这种过度拟合和崩溃的一种方式。做梦之所以具有进化适应性，是因为它会让你置身于与你日常现实截然不同的奇特情境中，从而防止这种过度拟合。

这里有个鸡生蛋蛋生鸡的问题：既然过拟合体现为大脑无法学到分布外的规律，大脑是如何构建出这些分布外的梦境的？Hoel 的解释是梦的构建有一个非智能的 noise injection 步骤，这些随机噪声在白天建立的神经连接中渗透，产生奇异的、扭曲的、不连贯的 corrupted sensory inputs，从而把大脑从过拟合的陷阱中拯救出来。

虽然这只是一个假说（而且是一个非常新的理论），但我越想越觉得它非常精妙。按照这种视角，梦的价值不在于它的逼真，而恰恰在于它的不逼真——梦境与清醒时的经历（训练集）如此不同（但又不是纯粹意义上的噪声），所以才能迫使大脑学习到更具泛化性的表征而不是仅仅记忆真实经历本身。

梦通过不可能存在的反事实体验迫使我们更好地理解世界的本质。