在新加坡和Andy住了几个月红灯区，我感觉必须得从这地方走出去。

3月，第一次到美国，我冲进VC panel给sequoia的合伙人直接堵在了台上，一顿输出然而并无作用。

4月，回到新加坡，和投资人说美国市场我决意要干，我会自己先base过去。我们从中国这个巨大的市场出来，不是为了just to end up as a Singapore company.

投资人直言没什么信心，一个在中国土生土长的founder，咋就非得往外跑。

5月，跟着Antler的20个immigrant founders开始在美国流浪。由于非常听劝，车窗还没被砸过。

7月，烟戒了，变成数字游民到处漫游，我们跑了好几个国家。

想来想去，搞了一年没搞起来，方向换来换去，问题就一个：用户反馈太少，没有真正把时间花给客户，没有高频的feedback，啥都费劲。

在大理的时候，每天疯狂发小红书，人机合一，打出了一些意向客户。后来听到很多小伙伴打招呼说「刷到过你」，美滋滋了也是。

9月，产品突破了B端大客，当月有6个不同业务的收入，实现了盈利。

同时，几乎是在所有人的反对下，我们放弃了深耕十年的安全行业，正式开始了AI Infra的故事。

10月，回到湾区开始all in销售，几乎发动了身边所有朋友帮我BD，两个产品都迅速cross 100K MRR，也签下了美国本土企业。

至此，两段创业经历里，我已经干过一家早期startup的所有一线岗位，从改代码到改合同、画图、记账、讨债和浇花，都体验到了。

11月，Antler第二批immigrant founders来到美国，第一批的留存率是3/20，我们仨做了个panel，分享了first 90 days in US——对活动祛魅，把时间花给客户，以及要有梦想。

You need either dreams or drugs to survive in the Bay Area.

12月，在湾区已经待了半年，获得了很多朋友的支持和帮助，继承了留子的一口锅，生活逐渐规律下来，但开始逐渐抽象。

感恩节和bro一起去yosemite，在酋长岩下面热泪盈眶，想着Alex是真牛逼，这辈子一定要整点大事，给世界放个烟花🎆

🎄圣诞节，团队从四个时区回来聚在一起，凑了张难得的全家福。

这一年，我们探索了5个国家、9个产品、3个行业，总算找到了方向。

For the faith and for the advancement of mankind. 

共建AI普惠的未来🍷

阅读原文

跳转微信打开

愿我们始终能够感受并践行内心的方向。

阅读原文

跳转微信打开

Eric说创业就是做选择——时机、土壤、赛道、人。

算是上段co-founder三年里最宝贵的经验。时机没法等，后三个问题我许了个愿：出海，AI，信任。

最早没敢day1出海，直到问了一圈出海的朋友，在杭州受到mogu的启发，回去路上我和合伙人说，我们今天就是要day1出海。

8月底到新加坡，MI带我爬到山顶，开始在夜色中"数楼"：这个是我的客户，那个是我的客户...... 

我的内心OS：这个是xx机构....那个是xx机构，拜访了一堆，大部分都给了"too early"的反馈。

Andy说我们是中档创业者，没有第一次创业的学生那么稚嫩，也没有刷脸拿钱的大佬那么牛逼。

Yinglan说只有8个国籍能做北美的enterprise生意。

David说你不能第一次就约别人吃饭。

Ethan说你先要跑通你的PMF，别人才愿意合作。

一周以后，我们对出海的第一步也有了结论：得搬家，要有人base到新加坡才行。

之后的两个月里，我住过4个hostel（类似国内的青旅）和十来个酒店，拎着行李箱满大街跑。hostel是非常神奇的地方，很多来坡创业的外国人起步都在hostel，讨论"can"的100种用法。

在这里我不用天天装B了，不会就是不会，I am no one，轻松很多。

10月份搞定了第一笔融资，感觉比在国内拿钱难得多。

即使是seed round基本也都要看traction。此外身份、语言、local connection都是硬门槛，全靠队友们给力，少走了弯路。

Day1出海也在中国方面省了不少合规的麻烦事，细节步骤一步一步跟下来，感觉比国内公司运营还简单一些。

开玩笑说我们出一个「出海package」，打包新加坡公司注册+身份+财务法务+返程投资架构+国内子公司，能打到国内头部机构报价一半，甚至我们还能做FA。

---

10月初我们尝试做了第一场线下AI x Security活动，到场70+人，反馈不错。

当天又许了个愿：一年内我们要走出新加坡。

AI will be everywhere, and TrustAI will be everywhere.

Say hi to TrustAI Mafia.

阅读原文

跳转微信打开

上图由2022.1-2024.4美国/以色列网安初创公司融资记录统计，数据来源Crunchbase，附带以下过滤条件：

• 以安全为主营业务
  

• 早期企业，22-24有融资记录

• 排除Web3、反欺诈/Fintech、安防/物理安全、纯咨询公司等泛安全赛道

• 排除未发布产品/公开信息过少/网站建设中的企业

AI安全持续火热

以Hiddenlayer(RSAC 23'🏆)、Reality Defender(RSAC 24'🏆)为代表，AI安全已经成为头号热点，关于此赛道的详细分析及厂商清单 - AI x Security创新者观察（一）：AI安全赛道厂商

对比23全年和24年Q1的融资记录，AI安全创业公司占比明显增加。

另一个方向是使用AI技术增强已有产品的能力，突出体现在上图中的「安全数据分析」类初创企业，包括SIEM/SOC/Copilot与安全数据ETL，这一方向的初创公司也在AI浪潮下明显增加。

SME市场参与者增多

面向中小企业市场，营销方式包括在线直销、渠道/捆绑MSP/安全保险供应商，以及开源商业化。近两年采用PLG与inbound sales的企业明显增加，上述初创企业中接近1/4采用了PLG的营销策略。

一些SME的市场安全参与者会在早期阶段定位为服务中小型企业的「安全全家桶」，或被称为SOCaaS赛道，例如Huntress，Coro，Todyl；此外我们也看到了一些优雅的细分产品如Thinkst Canary(蜜罐)，Material(办公空间安全)；以及toMSP的服务(Cynomi，Ostra)；为业务清除障碍的合规、GRC平台(Vanta)。

Thinkst Canary是典型的「小而美」企业，把蜜罐这种品类做成了备受客户喜欢的产品形态，其产品理念值得思考：

• 我们承诺我们将非常容易部署（3分钟部署）。

• 我们保证不会让您陷入警报之中（具备业内最高信噪比的告警）。
  

SME市场中存在商业模式创新，Sublime将opencore的开源商业化玩法应用于古老的邮件安全领域，其有效性有待观察验证。

阅读原文

跳转微信打开

对AI安全赛道进行细分，给出各领域创新厂商产品方向清单供研究。

AI技术与网络安全行业的融合，催生了很多技术、产品、场景不同层次的创新。针对这一交叉领域，笔者跟踪了近两年初创公司及大厂产品发布、融资情况以及各类赛事的公开材料，用以研究AI与安全结合的创新机会。

01 框架

分类逻辑如下：首先分为AI for Security和Security for AI两个方向。

• AI for Security：使用AI技术赋能已有的安全产品。

• 例如：微软推出Security Copilot，集成在已有安全产品中以简化人工运营。

• Security for AI：将AI应用视为一个新的场景，这一场景的变化将重新组合新老技术，形成新的解决方案。

• 例如：Reality Defender检测图片及音视频是否由AI生成，以应对AIGC用于金融欺诈、舆情操纵方面的风险。

02 AI安全赛道

本文仅讨论「Security for AI」部分，这一部分的过去两年的相关企业也有大几十家，可以说是泛安全行业最火的赛道，因此需要继续细分：

1. AI系统的安全问题：AI应用本身也是软件、信息系统，也需要进行信息安全（CIA）的防护。

2. AI的可信问题：AI应用本身的行为是否可信，以合规场景为主的商业化场景。

3. AI的滥用问题：黑灰产利用AI技术实施欺诈的防范问题。

03 AI系统安全问题

AI系统首先是一个软件、一个信息系统，因此信息安全的CIA（机密性，完整性，可用性）仍然需要保护。

从攻防的视角而言，「AI系统」作为一个新的对抗场景，其攻击方式出现了很多变化，这和前些年「云安全」作为市场化热点，厂商纷纷发布“攻(防)技战法矩阵”如出一辙。

MITRE、OWASP针对AI模型/AI系统攻击手段的总结

从技术角度，上述Matrix里绝大部分问题可以复用已有安全能力来解决。因此，在这方面初创公司里能够看到“面向AI场景”的WAF、EDR、IDS甚至SecOps、供应链安全等等产品——老技术，新场景——目前已有颇多安全初创/大厂介入。

差异之处在于AI模型层的攻击手段。这部分技术发展包含了大量的学术界的贡献，从14年Adversarial Examples的提出，到17年的One Pixel Attack，到ADVbox提出系统化的模型层红蓝对抗，将攻击定义为投毒(Poisoning)、逃逸(Evasion)、模型提取(Extraction)和推断(Inference)四大类，到后来GPT的Jailbreak以及“奶奶攻击”，相关技术一直在对抗发展。

初创厂商清单

代表厂商：HiddenLayer

HiddenLayer——AI安全赛道的明星厂商，22年3月创立于美国德州，23年获RSAC创新沙盒冠军，随后9月的A轮5000万融资是目前AI安全赛道最高A轮融资额。

早期Hiddenlayer推出的三款核心业务包括：MLDR（Machine Learning Detection & Response）、模型扫描器、配套安全服务。随后，前两者被整合为一个平台型产品（Hiddenlayer AISec Platform），主要采用本地化部署的形式进行售卖。

MLDR产品的部署模式类似SaaS化的EDR产品，包含：1）模型端部署的本地化探针-下图右上绿色部分，2）云端的检测能力API-下图右下蓝色部分。

探针从AI应用本地获取用户的Query和Response，上传到云端API进行研判，生成告警并回吐到产品运营平台或第三方运营工具。由于本地Agent存在部署问题，Hiddenlayer也和主流的MLOps平台进行适配合作，以简化用户的部署成本。

04 AI可信（合规）问题

AI的可信问题（AI Trust, AI Governance），即关注AI本身是否对人类和社会而言是安全、可靠、积极的。

这一话题往大了说关于自主意识、超级对齐 vs e-acc的讨论，离商业化太远；往小了说就是当前各个国家、组织对AI应用的合规需求。

合规需求包括欧盟人工智能法案（the EU AI Act）、地方性针对AI应用的限制法案如NYC 144、Colorado Law SB21-169，以及一些标准化组织发布的AI应用治理标准，如NIST AI RMF。

初创厂商清单

此类合规产品和安全行业已有的合规产品形态类似，包括简洁的部署方式（多为SaaS-云平台API直接对接）、详细的量化指标和图表、以及每条法规和现有资产的映射。

Credo的合规功能页面

 Cranium的工作流程

05 AI滥用问题

技术是双刃剑，当黑灰产使用AI技术伪造不实信息获利时，需要有对应的技术手段来区分信息的真伪。

例如，攻击者可以使用AI生成的人物绕过金融支付的KYC环节，或者通过发布伪造知名人士的演讲视频操纵舆论，甚至在国家之间的信息战领域也看到了AI技术的发挥。

图片来源："GenAI Against Humanity: Nefarious Applications of Generative Artificial Intelligence and Large Language Models"

「AI滥用」是一个AI、安全与各个行业广泛交叉的领域。

一方面，传统反欺诈、舆情分析、内容审查等赛道的供应商陆续发布了对AI生成内容的检测能力。另一方面，Reality defender此类专注于AIGC/DeepFake检测能力的初创厂商也登上RSAC创新沙盒的final list进入公众视野。

从技术角度而言，AIGC检测或DeepFake检测技术类似“AI时代的杀毒引擎”，通过信息的生成方式来判断一条信息的真实性，这一价值场景更大。此外，数字水印技术也被提出用于AI生成内容识别，如Google SynthID。

DeepFake / Image / Video 识别领域初创厂商

其他厂商推出的DeepFake识别能力

AI生成文本检测领域，典型的商业化场景是学术造假检测。

目前，国内用于毕业论文查重的「知网」也已经集成了AI文本检测能力。在攻击者视角，也有很多「AIGC免杀」工具（AI Humanizer），能够改写AI生成的文本，防止被识别为AI内容。

Copyleaks 用于检测AI生成文本的浏览器插件

AIGC免杀工具将AI生成文本进行拟人化

AI生成文本检测厂商及工具

阅读原文

跳转微信打开

1985年，英特尔耗资2亿美元、历时4年、速度更快的386芯片研发成功，全世界台式电脑将因此增强。

1985年，英特尔耗资2亿美元、历时4年、速度更快的386芯片研发成功，全世界台式电脑将因此增强。这使英特尔的利润达到了最大化，但同时也是种风险：英特尔需要提高产能以应对压力。

对于英特尔圣克拉拉的管理层来说，更大的风险在于将如此重要的任务都交给了以色列“战区中的工厂”。

1991年海湾战争爆发前，萨达姆·侯赛因称，如果美国胆敢发动攻击，那么他将向以色列发射导弹作为回应。伊拉克的飞毛腿导弹可以在10分钟之内到达以色列特拉维夫市，这种导弹可以搭载化学弹头提供大规模杀伤力。

1990年10月，以色列政府下令在全国范围内分发防毒面具，这是二战开始以来规模最大的一次。幼儿园里，老师向5岁的孩子讲解发生袭击时如何使用防毒面具，一旦警报响起，如何快速逃到专门设置的“密闭室”。以色列国防军将国土前线司令部的办公室设在了各大商场里，所以在买完新鞋、喝杯咖啡后，再顺便为自己的家人捎上几个防毒面具便成了很常见的事。

1月16日，以色列政府宣布，所有学校和商业机构一律关闭，人们待在家中，远离公路，一旦听到防空警报，随时准备进入密闭室躲避起来。同时，战争期间，企业员工们会被征召到部队服役，他们动辄就几周甚至几个月不上班，导致许多以色列公司在战争期间遭遇破产。

“我们相信你的判断，多夫。做你认为必须做的吧。”这是在1991年1月海湾战争爆发后英特尔高管发给多夫·弗罗曼的信息，后者是英特尔-以色列公司负责人。这里实行12小时轮班制，一周工作7天，芯片产量占据了英特尔全球产量的3/4。

对于弗罗曼来说，遵守政府的指示就意味着要搁置英特尔386芯片的生产。停产的决定能够得到管理层的全力支持，但他同时也清楚，老板可以批准你因病离开，并不意味着你们的关系不会因此而受到影响，尤其是当这种“病”在未来看来还会经常反复发作的时候。

“在决定是否将战略科技和核心产品转移到以色列的时候，公司内部也经历了痛苦的挣扎。”弗罗曼回忆说，“我始终相信，如果我们中断生产，即便是很短的一段时间，长期来看，我们也会为此付出沉重的代价。”

在说服英特尔管理层将公司的未来交到这个国外的前哨手上时，弗罗曼已经耗费了自己的时间和政治资本，这是他当初离开英特尔总部回国时的梦想。现在，这一切就要被飞毛腿导弹终结了。

弗罗曼深知战争与不安定的环境抑制了国外资本在以色列的投资。“你要知道几乎每天都有一条关于以色列的头条新闻，而且是坏消息，全世界的人民都知道。”弗罗曼说，“又一次恐怖袭击……又一次边境上的挑衅……更多的流血事件、暴乱、恐怖事件和战争。”

弗罗曼相信以色列——及其以色列的企业——需要一个与此相反的描述。

当1月15日最后的期限到来之时，弗罗曼假想了一场董事会辩论——地点是在美国的某地——发生在一位热心于投资以色列的总裁和一位行事谨慎、认为这种行为很鲁莽的董事之间。对于这位总裁来说，他可以这样说服别人：我了解你们的忧虑，我也看新闻，但是我们不要忘了，海湾战争期间，就是英特尔以色列公司生产了386芯片——英特尔最重要的微芯片之一。以色列人从未落下过一个订单，都按时完成了，没有延误……一次也没有……甚至是在导弹落下的时候，也没有。

1月17日，弗罗曼不顾政府的命令，擅自向员工宣布了他的决定：战争期间，英特尔–以色列公司正常工作，以自愿为原则，在此期间不上班的工人不会受到任何处罚。

1月18日凌晨2点，以色列人被防空警报惊醒，弗罗曼和家人迅速戴上防毒面罩，躲到家里一个安全的房间。警报解除后，他们才知道有8枚导弹袭击了特拉维夫和海法，就在英特尔主研发中心不远处，也许接下来的几天会有更多的导弹，那时候，谁也不知道萨达姆是否会给飞毛腿配备化学弹头。

凌晨3点半，弗罗曼戴着防毒面具来到工厂，径直走向净化室，这里是芯片厂的核心区域，工作已经恢复正常。有人告诉他，早先在警报响起的时候，员工都躲进了工厂的密闭室，在跟家人简短的通完电话后，他们又都回到了工作岗位上。

当袭击后的第一个早班开始时，弗罗曼希望看到——最好的情形——早班工人的一半，事实是75%的人都来了。伊拉克第二波袭击后的那天晚上，英特尔海法设计中心来上班的人数增加至80%。袭击越是猛烈，来上班的人就越多。欢迎来到以色列的“新常态”。

两天后，在一次与英特尔总部连线的电话会议期间，防空警报再次响起，以色列团队成员要求离开片刻，他们戴上防毒面具后在密闭室里继续进行电话会议。一些员工甚至在房屋内组织了一个战时幼儿园，因为学校还在关闭期间，如果工人们要成为弗罗曼的不畏风险的使命的一分子，他们别无选择，只能带着孩子来工作。在正常的工作之外，员工还自愿轮班担负起幼儿园的工作。

当一家跨国公司决定是否要在以色列建厂的时候，弗罗曼的承诺就是一笔财富，它至今仍发挥着作用。

伊斯卡是巴菲特收购的以色列公司，其主要工厂和研发中心都位于以色列北部地区。2006年，仅仅是在巴菲特收购伊斯卡后的两个月，黎巴嫩战争爆发，4228枚导弹落到了以色列北部地区。伊斯卡办公地点距离黎巴嫩边境仅8英里之遥，首当其冲地成了导弹攻击的目标。

艾登·威萨姆——伊斯卡公司总裁，在战争打响的第一天，他打电话给巴菲特：“我们唯一关心的就是员工的安危，因为残破的机器可以修理，打碎的窗户可以重装，”威萨姆回忆起他和巴菲特的通话时说，“但是，我不确定你是否了解我们的决心。尽管我们只剩下一半的员工了，但是我们保证所有客户的订单都会按时完成，甚至还会提前。”

本文节选自“Start-up Nation: The Story of Israel's Economic Miracle”, 2009

阅读原文

跳转微信打开

​希望能成为产品owner与创业者们的灵感之源。

一直有信息收集与处理的习惯，最近重新折腾了一下数据采集，覆盖国内外700余个社交媒体账号/网站，使用InnoReader+某大模型API统一进行分类、过滤、摘要，部分精选内容输出到知识星球。

内容主要包括: 

1. 初创公司动态、业务方向。

2. 大厂新品发布、重要更新迭代。

3. 产品视角的市场洞察、趋势研判。

刚开始运营，内容有限，后续随内容质量上调价格。

希望能成为产品owner与创业者们的灵感之源，欢迎提建议。

雪花写作法     

既是写作教材，又是故事案例

当我们不再理解世界     

“物理学家，就像诗人一样，要做的不是去描述这个世界上的事实，而是创造隐喻，创造思维上的联系，仅此而已。”

佩德罗·巴拉莫    

多看两遍才能懂的人鬼奇幻故事

炽焰燃烧    

短篇小说集，在故事中交代时代背景的技巧印象深刻

窄门    

纪德笔下，“矫情”有另一种说法——“爱中包含弃绝”

寂寞的游戏    

这位最懂孤独的作者以自杀谢幕

银河系搭车客指南    

科幻段子集

追问

反腐纪实故事

我在北京送快递  

不知道为什么这本书会火，或许平凡的生活本就足够动人？

一只鸟接着一只鸟：关于写作与人生的建议

“一只鸟接着一只鸟，伙计，你只需要一只鸟接着一只鸟，按部就班地写。”

庆祝无意义    

重要的不是无意义，是庆祝

如此苍白的心    

婚姻、家族、秘密与谎言

变形记  

甲虫醒来第一件事也是上班

沙之书    

空间、几何、对称、梦境、无限、隐喻、谜

克拉拉与太阳    

“没有了自私那下坠的重力，一切崇高、向上的人性也就虚无缥缈得失去了分量。”

献给阿尔吉侬的花束    

献给注定的丧失、孤独和死亡

占有还是存在    

迷茫的时候，先回答“我是什么”，然后“我做什么”、“我拥有什么”，而不是相反的顺序。

 - 工作中的积极状态

当尼采哭泣    

中年危机治愈过程——选择你的热爱，热爱你的选择

诊疗椅上的谎言    

“存在主义式的震撼疗法”

项塔兰    

流亡生涯、热烈的爱和自由

源泉    

对理想主义、天才志气的高贵赞歌

一生的财富：洛克菲勒写给儿子的38封信    

切勿在一事无成时听信功成名就者口中的真善美

褚时健传    

“对后排企业而言，谁脑子快，动手快，谁就赢”。

 - 褚时健时代的技术引进

苏世民：我的经验与教训    

“做大事和做小事的难度是一样的”

埃隆·马斯克传    

马斯克在青年时期就渡过了存在主义危机——通过科幻电影

弗洛伊德传    

一位科研民工赚不到钱转行做医生的故事

 - 冥河之水

我还能看到多少次满月升起

坂本龙一暮年回顾。向死而生，人生朝露，艺术千秋。

逻辑学导论 第15版    

最没逻辑的发言——总统演讲——说明一个道理：人因触动而改变，不因知道而改变

 - 工作中常见的逻辑学谬误

经济学原理 第8版    

年少不知社科香，错把工程当细糠，一本相见恨晚的教材

政治经济学 第5版    

《资本论》简明版解读

组织行为学 第18版    

这本MBA教材处处都是心理学的影子

大众传播理论：范式与流派    

语言和文字，就是现世魔法

可能性的艺术：比较政治学30讲    

“政治无常识”

博弈与社会    

对人际关系祛魅，做人要立体一点：投桃报李，以牙还牙。

成本与选择    

解释了经济学基础概念的主观性

富种起源：人类是怎么变富的    

挑战了马尔萨斯陷阱史观，“科学思维会不会也是大量个体互动下的秩序涌现？”

对立之美：西方艺术500年    

“二元对立法”，一种理解事物的通用框架

白话资治通鉴    

总有一天能翻完…

助人技术：探索、领悟、行动三阶段模式    

心理咨询教材

存在主义心理治疗    

“人生的四大终极关怀：死亡、自由、孤独和无意义”

贾宁财务讲义    

财务入门

竞争战略    

战略只有“成本领先”和“差异化”两种

强势    

反PUA之术

俞军产品方法论    

二刷，产品经理之内功，在“经济、政治、心理”三学科

 - 产品价值公式与差异化战略

做对产品    

“预型”——超低成本验证产品方向的方法论，非常有趣

 - 读《做对产品》

构建新型网络形态下的网络空间安全体系    

今年唯一读完的行业书籍，话题宝典

笨蛋，重要的是逻辑：谬误的分析破解与运用    

逻辑学通识

山寨：中国式解构    

山寨正名之”顺应变化即东亚文化之道”

法律的悖论    

“最伟大的法律写在人们的心中”，或者最高效的法律符合人们的共识

Systematic Trading: A unique new method for designing trading and investing systems.    

名为交易系统，实为认知系统，对如何检验观点、做好PDCA有启发意义

 - 知识的有效性评判及加工

--- 有几本过不了审，只好删掉

阅读原文

跳转微信打开

前些天朋友聊起大模型应用端进展，说效果上还是小厂有优势。

我非常纳闷：大厂主打一个「数据霸权」，如果敢投资源，为什么小厂有优势？——因为我们只能用自研大模型，他们可以用GPT。

大模型之争，评测榜单与论文齐飞，几乎每家都能掏出几个领先指标，当下能力孰优孰劣，还是业务方看的实在。

这个问题，让我想到80年代玉溪卷烟厂技术引进的故事：

1980年初，云南省香烟评吸会上，十多名专家只吸了一口红梅就给出了评语：烟丝质量差，长短不一，烟梗较多，烟叶成熟度不够，缺乏香气，烟纸劣质，薄、脆，一碰就裂......

玉溪卷烟厂厂长褚时健如坐针毡，连忙打了个手势让念评语的评委停下来。他站起身：“谢谢大家，情况确实令人恼火。下次来我们一定争取让各位专家满意。”

1981年，他遍访全国烟厂，听到国外先进卷接机的呼啸印钞声。看着自己手里25年前的老旧设备，褚时健狠吸了一口烟，使劲灭在烟灰缸里：“人家是飞机大炮，我们是小米步枪。”

机器引进，261万天价，需要向政府贷款。面对云南轻工业厅的领导——以及在其支持下的云南烟草老大——昆明卷烟厂，褚时健打出竞争牌：“要给小厂机会，有竞争才能让烟草业整体发展更好”，并给出计算结论——新机启用后，只要短短三四个月，就能还清贷款。

然而新机实施后，产量不到理论值的一半，“还贷梦”即告破产。

排查发现，问题不在机器，而在原料。因为原料不合格，导致机器的质检系统频繁告警停工。

有人建议拆掉原料监控系统恢复生产。褚时健明白，拆了监控，他们将再不能进军高端香烟市场，这是背水之战——“必须保留电子质量监控，这是我们买这台机器的意义。”

那么接下来问题就是——优质原料哪儿来？也要进口？也要动外汇？也要政府批准？

褚时健想起了“广东商人”——那个属于80年代的灰色地带，商人手里有大量的“进口渠道”。和他们交易往左可称“投机倒把”，往右则是“自由贸易搞活经济”。

褚时健大胆进攻，有了这些串换，新产线开机短短两个月后，玉溪卷烟厂便已经赚回了技术升级的全部投资四千多万元。

同时，玉溪纪委以“投机倒把”为名，给了褚时健“党内严重警告”处分，褚时健没做任何申辩。

玉溪卷烟厂开始大踏步往前了。然而褚时健依然不满足，内部技术改造已经给出结论：追不上，必须成套引进国外产线。这意味着要动外汇，而当年那台261万的设备就是褚时健花了九牛二虎之力才争取来的，如果再去争取，而且这次不止261万了，行，还是不行？

1984年10月，十二届三中全会通过了《关于经济体制改革的决定》，国有企业改革进一步深入。《决定》指出，对于有外汇偿还能力的企业，可以通过申请外汇贷款引进国外先进设备。

即使如此，很多企业害怕风险，不敢要太多贷款。老大哥昆明卷烟厂将自己的额度大幅降到800万美元，贵州卷烟厂甚至放弃了自己的额度。而褚时健的大胆程度超出了所有人的想象——2300万美元。

云南省计委没有人敢批准这一申请。僵持之下，一次，褚时健得知副省长要去参加一个会议，便在其必经之路上蹲点守候，直接拦停汽车，与副省长对话，打出“经济牌”——技术引进之后的巨大利润与对云南省利税的贡献。

最终，副省长让褚时健立下对赌：“保证三年还清外汇贷款，利税每年递增1亿元”，终将云南“举全省之力”集中起来的2300万美元外汇交到褚时健手上。

之后的两年间，褚时健用这笔钱创造了国内烟厂最豪华的设备阵容，玉溪卷烟厂一时豪气干云，傲视同侪。

故事外，找到最核心的一段心法：

褚时健在参观国内一些规模大的烟厂时，心里曾冒出一个问题：“同样的体制，他们怎么就比玉溪卷烟厂要发展得好？”机器设备肯定是原因之一，但更重要的原因是国家的扶持。

这一点褚时健很明白，从行政的角度讲，各地都希望自己地域上有一个明星企业，一个代表当地工业形象的企业。这个需求更多是政治上的，而不是经济上的。因为有这个需要，在同类企业共同争取某一项优惠政策时，规模稍大的企业自然会得到政策的倾斜，由此造成企业发展越来越大。 

对于后排企业而言，此时就是谁脑子快、动手快，谁就赢。

《褚时健传》

时代从未变过。

阅读原文

跳转微信打开

阅读原文

跳转微信打开

21年，很多人同时忙着一件事——从26个英文字母随机挑选几个拼成一个新词，并做出释义：趋势、价值、未来。

2021年，很多人同时忙着一件事——从26个英文字母随机挑选几个拼成一个新词，并做出释义：趋势、价值、未来。其他人努力搞懂这些词到底是啥意思。

某专家指出，只要大家掌握了26^4=456,976种字母的排列组合，就能完全理解安全产品的品类了！然而隔日便宣称自己的新解决方案用了5个字母，是绝对的创新！

当时我们也讲了一个「以API安全为切入点，向多场景转化数据价值」的故事，跟着赛道发展，转眼间成了时长两年半的练习生。

01 API安全

国外API安全领域自19年起逐渐火热，以面向云环境的串行防护/分析/管控一体化形态为主，SaaS+私有化结合着卖，21-22年出现了几个收购退出案例。

国内这两年来也陆续出现了二十来个厂商的方案，「API安全」的释义似乎从来都没有固定过，大家探索出了很多玩法——毕竟，软件咋能离开API呢？ChatGPT不就是用API交付的吗？

API无处不在，容易被集成，和应用安全、云安全、零信任、数据安全、风控等方向均有结合，主要产品形态有：

1. 防护类：WAF加入API场景变成了WAAP（Gartner）。机器与人的交互，Web=API+UI；机器与机器的交互，就是纯API了。WAF用户开个API防护模块顺理成章。

2. 分析类：通过旁路流量、日志分析的方式，进行资产梳理、威胁监测、数据追踪等。

3. 终端类：生产服务器的RASP、办公终端的DLP，都可以加入针对API的Detect&Response能力，这种模式效果与侵入性都很强。
   

4. 管理类：一方面是安全解决方案（ASM）的融合，包括资产发现与漏扫能力；另一方面是API Infra厂商（以云、API网关、API管理平台、APM为主的解决方案）的融合，作为API业务中台解决方案的安全底座。

我们选择的是旁路分析模式，因为PMF要快，价值体现也要快，先做无侵入，验证了价值，大家才能有深度配合。

从21年开始，这两年半时间里非常克制，没折腾什么产品矩阵，也没做与主线业务无关的项目，从第一版MVP的四个功能页面，到当前2.9版本的二十多个功能页面，一套数据分析底座，承载不同的场景化功能。

02 客户价值

客户价值指的是：任何意义上（政治/经济/心理上），通过任何媒介（产品/服务/咨询/活动），企业为客户提供的效用组合（以人为中心的，主观的、边际的）。

* 可以说一切都是产品，或者一切都是服务，总之都是传递价值的方式。

C端更加关注体验——心理上的；B端更加关注效率——经济上的；而安全的特殊性在还有很重要的管理意义和政治价值。

项目为什么要做？客户需要一个理由：

* 实战-漏洞多被打痛过？

* 合规-数据安全合规来啦？

大部分厂商都这么讲。

API安全这个方向，其实早期的获客优势就是「新」。

 「新」是不是需求？信息差大的行业是。卖土豆不需要讲故事，卖保健品需要，卖内存条不需要讲故事，卖软件需要。

但只靠「新」是不可持续的，早期卖的很快，后面增长乏力，被市场证伪。信息差被填平后，要么性价比领先，要么不断地创造差异化价值。

新的东西也有困难，客户不知道怎么落地，渠道不知道怎么卖，需要搭配咨询式服务，从商品制造-销售路径-价值落地的整个链条自己蹚出标准化模式。

03 服务

服务的过程是非常重要的积累业务knowhow、提升产品功能竞争力的过程，这里指的是产品配套服务：方案咨询、产品租用、模型调优、拓展研究等。

服务的另一个价值是传递信任。信息差越大，信任越重要。在学习心理咨询中的咨访关系时总结了一句话，我认为同样适用于长期关系的维护：

认真细致、真诚一致、如其所是。

所谓理解客户，最难的是放下自己的价值观，尊重客户的价值观，如其所是。

自动化一定比人工更好吗？人工就一定落后吗？先进团队一定要用xxx吗？

做技术需要think big and aim high；做服务一定要有一颗客观的、无住的、谦虚的心。

04 差异化

API这个方向真正差异化是：

* API中流动的数据具备强业务价值，且未被挖掘。

安全角度，API的「强业务属性」模糊了基础攻防和业务风控的界限，其安全问题以业务逻辑、权限、数据为核心，不以漏洞为核心。

甲方安全视角下，把漏洞能力迁移到API的场景上即可，不需要重复建设，而API的资产暴露面梳理、数据流转可见性、业务行为及业务风险，具备独特价值。

IT与运维的视角下，正在面对「复杂性与成本」之间的矛盾，研发敏捷了、架构分布了、资源弹性了，可观测性越来越困难，极少人能够回答项目有多少个功能接口、正在传输什么数据、健康度如何。

很多企业引进了API战略中台（网关、开放平台）来做统一管理，而方案落地推广仍需要摸清底盘：谁需要接入？如何推动接入？哪些老旧系统可以下线？能节约多少成本？这些都可以利用API的基础数据来支撑。

业务视角的风控、用户画像、探索型挖掘方面，也看到了很多场景。

一方面，对API为商品的SaaS化业务而言，API的数据就是业务数据，例如：开发者平台、SaaS产品、数据交易、AI大模型等；另一个角度，基础IT团队拿到的数据是跨业务的，可以拓展「内部业务」的视野边界；同时，在一定情况下，中台团队能比业务团队更快推动数据采集，降低重复建设，达成共赢。

总体来说，API生态发展背后的趋势是：业务与技术正在融合，企业需要以更高的迭代效率来应对市场变化。

05 技术底座

在客户交流过程中，有很多技术大牛让我印象深刻。有些会开门见山：你们几家的产品我都看过，说说数据怎么采集的？底层用的什么架构？数据能不能导出？

应用技术，壁垒大多在工程上，坑没踩过就是门槛，踩过了就是壁垒。我们的产品能力无非是数据怎么采，怎么分析，然后转化到了哪些行业的哪些场景。

几个要点：采集、计算、分析、可视化。

听起来和BI很像，传统BI重可视化，以各种花里胡哨的报表、大屏展示价值为主，不过这玩意没有壁垒，随着业务在线化程度不断加深，新的BI厂商开始卷OLAP。

我们在早期的版本就使用了Flink做计算以及Doris做OLAP——schema灵活、支持明细数据、高并发的点查和大数据量的Join，适应探索型分析场景。但因Doris发展时间短，自己在配套基础设施如容错、高可用、数据恢复上踩了很多坑，也给社区贡献了一些bug和feature，长期来看我们对Flink+Doris的演进路线非常有信心。另一方面，自研数据探针的过程踩了一堆坑，包括协议适配、架构适配、性能、侵入性，解决了分析工具“难为无米之炊”的冷启动问题。

关于定制问题，互联网大厂们都脱下长衫了，大家考虑的不是「要不要定制」，而是「如何高效定制」。一个扎实的数据底座以及良好的模块化功能设计非常重要，我们正在做的一件事就是将绝大部分功能从页面到能力，全部开放可配，使技术人员能够在POC过程中快速覆盖客户的独特场景，看到效果。

有两个反思：一是根据PMF的节奏控制成本，不要上来就谈终局；二是只把握少量的核心点，其他大部分问题都可以「到相似场景中买经验」，不要什么都闷头鼓捣。

全面开放数据底座，快速定义功能，不断积累业务knowhow，为头部客户提供高效率定制，为腰部客户提供开箱即用的能力，是我们的主要路线。

06 市场

值此寒冬，所有人都体会到了市场的重要性。

早期做SaaS的产品时候，正值云计算、互联网、安全三浪叠加之时，能一边做研究一边往产品里转化，各种资源拿来就用，回想起来倍感幸福——在企业里花钱做研究，一定是有人回答过价值问题。

如今，大家讨论的话题多为缩减成本、开辟新的融资通道、结合政府/优势产业、出海。

市场规模决定了分工的程度——假设企业花1000块做技术研究，效果是每个产品能多卖10块，那么至少要有100个客户的预期，才有动力启动这项研究，规模很重要。很多企业或主动或被迫探索出海之路，于行业而言，于技术发展而言，都是好事。

危机，或许对变现而言是「危」，但很多地方酝酿着结构性变化，对做事而言是「机」。

我们能做的一直都是找到问题，解决问题，无论环境如何。

阅读原文

跳转微信打开

价值感

---

VC要的不是价值而是价值感，客户要的不是安全而是安全感。

信息差越强的领域，越要求信任，越强调感觉，这也是品牌的价值。

勇气

---

向光而行需要勇气，看不到光仍坚持在黑暗中摸索，是更为强悍的勇气。

想成为画家的第一件事是先画一幅画，发现哪儿不合心意，涂掉修改，反复碰撞-校正，最终的作品呈现的或许不是「我想如何」而是「我不想如何」。

关系

---

理论角度：

关系的影响因素：成本、效用（边际的、主观的、预期的）、结构。

        效用的边际性——越拥有什么，越不会受什么诱惑。

        效用的主观性——个体/群体均存在偏好。

        效用的预期性——决策着眼于未来，过去的行为买不来忠诚。   

实践角度：

1）维护关系的方式：

提高自身的边际价值：纵向或横向的价值拓展。例如：团建、员工福利；商品+配套服务。

        降低竞争者的边际价值：例如：按照市场价格支付工资。

        提高违约成本：如绑定法律（签合同）、社会性诉求（同乡/校友/同行等）。例如：有公众声誉的人欺诈成本很高。

        改变游戏规则：从单次到多次，从短期到长期。例如：摆脱囚徒困境；景区附近的餐厅比老城区的餐厅更容易出现宰客行为。

2）多次博弈中，宜采用镜子/惩罚策略。

一个主观处世原则：背叛者必须支付对应代价，才能再次合作。

3）单次博弈/谈判过程中的操作空间：

信息差：提前获知对方的成本-效用结构。例如：货比三家。

外部性因素：机会与时间。例如：资产闲置、需求紧迫程度。

非理性因素：情商、谈判技巧、亲和力等。

交易成本。例如：律师费，谈判时间。

自由

---

自由与安全负相关，与生产力正相关。组织多大程度上offer自由，是做大蛋糕和维稳之间的权衡。

某些情况下leader要获取足够的安全感（政治生存），他才会鼓励自由的团队气氛（经济发展）。

必须要有相对透明的评价体系，才能驱动自由的团队。

叙事（二）

---

假定双方理性程度相同，叙事效果取决于信息差——没有讲不了的故事，只有获取信息的成本。

阅读原文

跳转微信打开

重读《俞军产品方法论》

一个优秀的产品需要翻过能力、用户、商业、政治几座大山。对技术人员而言，我做的这个功能对用户有什么价值？是思考产品问题迈出的第一步。

为什么要做差异化？这个问题让我重新想起了产品价值公式，后重读了《俞军产品方法论》，发现产品价值公式还有后面一个迭代版本——产品是约束条件下的效用组合。可叹当初没读过经济学原理，弃如敝履。

产品价值公式

产品价值=（新体验-旧体验）-迁移成本。

考虑一个存量市场做替换的场景：产品A已经占领市场的情况下，B公司投入更大资源研发了产品B。

图中纵轴表示产品效果，横轴表示生产成本，获得一条斜率不断降低的曲线——产品从0到60分是很容易的，60-90比较困难，90-95难上加难。随着水位的提升，想要获得单位效果提升所消耗的成本越来越高。企业的目标是有限资源下的利润最大化，必须取平衡。

图中产品A（先发者）率先占领市场，付出了小部分成本，给用户带来了从0到1的价值，如蓝色部分；此时产品B（后发者）介入，付出了极高的成本，给用户带来的增长价值需要减去A的价值和替换成本，如红色部分。

A和B的投入产出比相对比(ROI)解释了为什么要做差异化——做存量市场替换的ROI很低；以及差异化的核心——发现未被满足的需求并创造交易机会。若用产品效果支撑商业价值，与其讲绝对排名，不如讲相对差距，如果和第二名拉不开差距，切存量市场还要再减去个替换成本，有可能是失败的生意。

差异化战略

战略有很多流派，迈克尔波特提出的基本竞争战略有三种：总成本领先（效率）、差异化、集中化（聚焦），聚焦对于创业公司来说是一句废话，大家都会定义自己的服务边界，并随风险承受能力变动。

效率战略契合红海市场，同质化、完全竞争、价格由市场定义。在此背景下技术或模式突破诞生使某些企业在原有市场价值空间内拿起价格屠刀。效率战略更近似于「新技术/模式-老群体」，而非《创新者的窘境》中提到的颠覆式创新，后者更像「老技术-新群体」，用于说明“技术与市场是互相依存、螺旋上升关系”。

更多的初创会选择差异化——蓝海市场。它有可能是用户群体的差异化，或是价值的差异化。从IT行业 “技术-产品-解决方案-理念” 的拼装链路来看，从左往右的变化周期是越来越短的，从客户群体的角度看并没有差异化，但是从交易价值的媒介——产品来看，确实是差异化了。

另一方面，客户群体的差异化是更加凶险的赌博，例如SaaS的中长尾市场，或者某些细分行业属性的客户群体，一般情况下赌的是这个新“价值网”的成长性；或者依靠新群体积累数据或产品力，同时杀回老战场做双线战斗。

规模

产品价值公式描述的是单一客户视角下的，产品的用户价值，而产品的商业价值看的是整体，即使用户B带来的价值增量不大，但是当规模化之后仍然可以获得可观的利润（例如软件制造成本均摊）。同时，规模也将进一步影响生产成本，当规模达到一定程度时成本不降反升（获客成本、组织成本、原材料成本等）。

效用组合

产品是什么？从商业角度而言是价值的传播媒介，从产品经理的角度而言是一组「效用组合」。这一定义比价值公式中新旧「体验」描述的更加准确，传达的含义有：

1. 效用的主体是客户，这避免了生产者视角的自嗨——从技术角度提升了百分之多少的效果，和最终的用户主观效用中间存在个转化比例，客户不见得会为之付费。

2. 效用是主观的，这强调了理解用户/同理心的重要性——C端的心理学和B端的行业knowhow。例如某些用户只喜欢90分的东西，另一些人觉得60分就够用并不愿意多付费购买更好的产品；某些客户会采购Top1的方案保证行业领先性，同时也有“过了考核”就行的买家。
   

3. 效用组合呈现了一个新的价值评估视角。即要把产品拆成多个「效用接口」来分析，同一个产品传递了多个效用， 功能->效用->用户行为 每一层是多对多的关系。针对B端产品而言，组织服务能力作为价值传递的媒介，其中咨询、产品、服务、商务等多个环节共同形成了一组效用组合。

阅读原文

跳转微信打开

本书给出「如何低成本验证市场需求」的实用指南，有着浓厚的逻辑和统计味道的同时足够简洁。

本书作者索维亚是谷歌首任产品总监，经历三次创业成功后，第四个项目历时五年，融资2500 万美元后以失败告终。这次经历让他意识到，选错产品方向是失败核心原因，即使执行做的很完美。

于是，「如何低成本验证市场需求」成为本书的议题。

作者给出了一份实用指南，有着浓厚的逻辑和统计味道的同时足够简洁，其中「预型」的概念极具创造性，诠释了优秀的实验方案可以极大程度降低决策成本。

---

原文中的市场验证步骤总结为：

万忧解：理想与现实

「决策」是一个我长期思考的问题，此前分别写了《解决复杂问题的一般性方法》《知识的有效性评判及加工》两篇记录，决策系统首先是一个可迭代的系统，然后通过无数个假设-检验逐渐优化系统的结构和参数。

人与客观世界交互的无尽循环——PDCA，在本文以另一种方式呈现。

但是知道PDCA没用，知道怎么做才有用。

证实或证伪一个观点的方式只有演绎或归纳两种，而事实上，我们无法为演绎法找出必为真的前提条件，同时也无法承担使用归纳法证明统计意义上显著性所需要的实验成本。

我们几乎每时每刻都在有限样本中做不充分归纳，但仍能有些方法让我们更加靠近近答案。完成与完美重要，作者深知这一点，与其给出只有个别专家才能操作的精密仪器，不如给读者一个有效的扳手，因此手册式的行文非常简单易懂，远没有当下用户分析领域的复杂知识。

文中提及的“可量化命题-缩进-预型实验-TRI结果评估”过程即PDCA的执行优化。毫无疑问，简洁就是实用！随着自己的PDCA量表越来越臃肿，这本书的简洁性令人眼前一亮。

失败是野兽，成功也会是——作者在最后抛出了一个存在主义意味的话题，做「属于你的事」和「做对的事」同样重要，做正确的但是自己不感兴趣的事，无疑也是一种骑虎难下的“成功灾难”，即确认愿景、验证市场后，再做战略执行。

存在切身利益的投票才是真正有效的投票，文中YODA的数据采集让我想到了“开始吧”这个app，商家通过众筹预售的形式让用户付出真金白银验证市场需求，也是低成本验证市场的有效形式。切身利益同时也并不一定指付费，用户为了满足某些需要所付出的成本，钱、时间、注意力、名誉等，都可以成为需求有效的证明——取决于你的商业逻辑假设。

从需求价值判断的角度来讲，产品规划容易陷入两个极端，要么过于自信轻视需求验证，要么用户说啥做啥放弃思考，两种都容易犯错。客户要的是漏洞而不是扫描器，要的是洞察而不是算法，要的是结果而不是过程。通过人工服务的方式低成本验证需求，交付报告/洞察，然后再考虑产品化是一种低成本价值验证的好方法，先确定产出物有价值，再通过产品提效。

阅读原文

跳转微信打开

经济形势下人们出现了更多的痛苦和反思。

大厂的朋友说 “还是你们创业的精神状态好”。

创业的朋友互相展示着自己新结的茧，现实是过往的余烬青烟，他们想重新把心里的火点燃。

处于跳槽/离职想法中的人也很多，谈及职业选择，经常会听到一系列的外在条件，各有优劣，同时掺杂一些勇气和恐惧相关的议题。

弗洛姆描述人的改变需要四个步骤，首先是对痛苦的认识。

第一，我们正在受苦，并且能意识到这一点。 

第二，我们认识到了这种不幸的根源。 

第三，我们认识到能有办法消除这种不幸。

第四，我们接受这样的现实——为了消除这种不幸，我们必须遵循某些生活准则，并改变我们现有的生活方式。

弗洛姆《占有还是存在》

痛苦是进化的征兆、是一种力量。持续、重大的痛苦改变人的观念、从而导致行动、变化，这并非是特化的悲惨境遇，而是人认识世界的周而复始的过程。

向内探索力量的一种方式把「have-do-be」的思考顺序转换为「be-do-have」，找到自己，再发现整个世界。

太久的时间里，我们活给别人看，自我觉察被外界评价掩盖。东方文化注重人的社会性（成因上我更喜欢地理决定论的解释），强调社会责任，家庭责任，背后是一个人的多个角色，同时要符合多种角色背后的伦理。但越来越多的年轻人向往自由，他们消费情绪，忠于体验，淡化所谓的社会责任——生育率和离婚率可见一斑。

找到意义感后，很多有力量的人，仍然会对时间的流逝产生恐惧。

《当尼采哭泣》描述了一个医生面临中年危机时的困境，他有着常人所追求的名誉、地位、物质、家庭，但这位人生赢家在步入中年时却发现其所获之物并不能满足内心的欲望——更深层原因是对时间与死亡的恐惧。他在催眠体验中放下一切，追寻另一种理想生活，当爱与永恒的假象一一破灭后，重新燃起对现实生活的热爱。

「成为自己的存在」一句理想主义痛苦的处方药，号召人们抛却概念假象，关注自身，从自身获得力量——“如果人在实现了他的生命之后死去，死亡就丧失了他的可怕”。

当下是存在，永恒是假象。

热爱是存在，前程是假象。

选择是存在，真理是假象。

什么使你持续快乐、什么使你持续痛苦，就是命运。

阅读原文

跳转微信打开

共识

---

安全产品本质上是解决企业安全责任人的职业发展诉求。

发展空间极大程度取决于预算。

预算即对未来的共识。

共识可以被创造，因此需求可以被创造。

在安全价值难以量化的情况下，由政府、厂商、标杆企业创造的共识（最佳实践）会对企业安全责任人提出的规划形成重要影响。

因此，以造词、追概念、技术宣传、标准参编、案例等方式促成共识，对厂商而言是推进产品市场化的有效手段。

系统有效性评价

---

我们无法抵达终点

只能在统计意义上逼近终点

想要统计证明一件事情有效，也需要大量实验数据支撑，成本或许极大

我们几乎每天都在有限样本中做不充分归纳

个体归纳的速度，比不上世界变化的速度

要向深处寻长周期原理、做演绎、接受认知偏差

TAM

---

仰望星空（大的TAM），脚踏实地（细分差异），但是大市场屈指可数。

故事角度 需求侧价值空间的计算，优先于增长模式。

针对红队卖效率工具的空间是不够的，客户要的是能力。

做红队的生意故事很难讲。

需求层次

---

安全效果好->安全责任人职业发展好->公司发展好

1. 买了这个产品 事件检出率60% 能提升到 90% 吗？

2. 买了这个产品 有利于总体规划吗？有利于预算吗？有利于晋升/KPI吗？有利于政治因素吗？

3. 买了这个产品 有利于业务发展/公司发展吗？

懂客户吗？懂客户的职业发展规划吗？懂客户所在系统的规则与成长逻辑吗？

分类

1. 从无到有的体系

2. 从有到优的能力

3. 不得不交的成本

4. 职业发展的布局

叙事

---

应试：熟悉了某个角色的思维模型后，以固有共识为基础，交出符合其判断标准的一套答卷，证据是一系列分散的事实/指标。

突破：突破其思维模型，创造新的共识，证据需要强大的事实冲击和系统性分析研究。

- 变式-种子：给出新模型，为未来即将发生的强大事实冲击埋下种子，时机到时再创造新的共识。

二者都需要 1）信息差 2）缜密的逻辑/科学的研究方法 3）传播：故事罐子与情绪体验。

阅读原文

跳转微信打开

互联网时代壁垒即数据、算力，AI厂商也是如此。

数据霸权积累自于任何以数据为核心的商业模式（增长飞轮之类的反馈结构，数据越多->能力越强->用户越多->数据越多）。

安全厂商是如何积累自有数据的：

1. 客户运营：指通过本地化部署产品+人工服务/售后/驻场 等运营手段获取数据。

2. 社区运营：通过开发者社区共享poc/插件/情报等。

3. SaaS：直接分析用户数据。

一种中间态：厂商同时推出SaaS和本地化产品，SaaS可以快速积累数据，再将数据转换为产品竞争力，同时通过本地化市场拉高收入空间，形成线上+线下的双轮驱动结构。

以AI作为核心竞争力最先突破的场景或许是安全运营(ops, automation)，原因有：

1. SaaS模式（受限于市场）

2. 底层技术是no-code automation，天然对接大量第三方数据，对接是门槛同时也是壁垒

3. 安全是人的对抗

1. 对运营的效率诉求将长期存在

2. 市场碎片化、多方能力对接的情况将长期存在
   

3. AI作为copilot做增效比直接闭环解决问题更易体现价值

案例参考：

1. https://www.blinkops.com/

2. https://www.tines.com/

3. https://www.microsoft.com/en-us/security/business/ai-machine-learning/microsoft-security-copilot

阅读原文

跳转微信打开

按个人理解重新整理一下内容逻辑

原文：⁣‌‬⁤‬‌⁣⁣⁤‍⁣⁢‌⁢‬⁤‍‍‬‍‌‍‍⁢⁡‬⁣‌‌陆奇最新演讲《新范式新时代新机会》完整PPT.pdf - Feishu Docs

周末听了现场，按个人理解重新整理一下内容逻辑。

基础假设：技术/市场双螺旋驱动时代发展

首先一个大框架是关于「技术」与「市场」的双螺旋，这个理论相关学术及产业界的研究很多。

陆奇以一段精彩的描述强调了「市场」的重要性：

谁在引领信息科学？在美国早就不是大学了，是谷歌，是微软，是脸书。 

谁在引领人工智能？不是谷歌，不是微软，是OpenAI，是DeepMind。 

谁在引领空间科学？不是NASA，是SpaceX。 

科学范式的演变和商业化是分不开的。

相比传统的「产学研」各司一职的模式，在数字化时代创业公司能够以一种更高的效率，完成“基础研究、应用研究、技术研发、产品开发、市场推广”的全链条组合，以更快的速度迭代知识，是为“创新基础范式”的演变。

接着，全文从「技术」、「市场」两个角度展开，介绍了两个基础模型，并据此分析了大模型背景下的产业发展。

两个模型：需求满足体系、技术推动体系

需求满足体系：三位一体

信息->知识->行动 是人类需求的反馈闭环（或称“人类与客观环境的交互方式”）

一阶段：互联网的出现使「信息」从边际到固定（已经实现）

从纸媒获取信息->从互联网获取信息（互联网厂商付出固定成本统一分发信息）

二阶段：大模型的出现使「知识」从边际到固定（已经实现）

学习积累专业知识->从大模型调用专业知识（大模型付出固定成本统一分发知识）

接下来是二阶段的发展以及三阶段以机器人为代表的「行动」无处不在

人工驾驶->自动驾驶（机器人厂商付出固定成本统一分发劳动力）

在此背景下提出大模型创新的需求侧评估方法：

技术推动体系：大模型技术推动三要素

以OpenAI为典型案例，其自身同时具备了科研能力、研发能力、产品能力，组织架构也采用了创新设置，同时创始人对未来目标抱有非常坚定的信心。

在此基础上提出大模型技术推动三要素：

各领域创新机会

分类框架：数字化基础设施、数字化应用、改造世界

有了分类框架和评估方法（需求、技术的两个模型）之后，对三大板块各领域/岗位给出创新机会分析。

分析包括信息知识、内容、游戏、电商、社交、通讯、医疗、教育、软件开发、设计、科研、办公、营销、生产制造、政府城市、能源、生命科技、材料、空间科技 等，共数十页PPT，详细阐述了大模型对各领域的影响。

大模型应用观察

观察：国内外AI产业发展

壁垒：生态与数据

1. 从市场角度，强调了“技术不是壁垒、生态才是壁垒”的观点，得开发者即得生态。

2. 从技术角度，指出要以大模型为先，采用自然语言交互方式，实现三位一体的体验，并在此过程中逐渐构造自有数据壁垒。

个体的发展

本次分享关于个体的论述不多，总体来说分为「愿力、心力、能力」三个部分，即具备独特见解、保持前进心态、擅用AI工具。

阅读原文

跳转微信打开

进一步与Web攻击进行了区分，强调了API权限管理、资产管理、业务风控及供应链问题。

今年OWASP更新的API Security Top 10(候选版本)进一步与Web攻击进行了区分，强调了API权限管理、资产管理、业务风控及供应链问题。

https://github.com/OWASP/API-Security/tree/master/2023/en/src

阅读原文

跳转微信打开

如何评判一个知识/观点的有效性？有效性降低时，如何进行加工修正？

神奇的X指标

一位分析师发表文章“出现X特征的公司将迎来持续增长”。文中详细描述了其发现的独特规律——X指标，并列举了五家热点企业的案例分析，五张图表如出一辙地显示出X指标的优越性。

股民小A看后，回想到之前关注的几支股票走势，深感认同，开始购买出现X指标的股票。

几次交易后，损失惨重。

小A反思，觉得之前的判断过于轻率，有必要更精确的测量一下X指标的效果。于是基于X指标实现了一个交易策略，不断调优参数后，历史五年数据回测显示出一条稳定的高增长曲线。

实盘运行之后，发现业绩平平、起伏不定，一段时间后，小A停止了策略。

---

“出现X特征的公司将迎来持续增长” 这句话可以称之为一个观点、判断、方法、命题...等其他名字，本文中统一用「知识」一词指代。

小A对于一种新「知识」的两次反应，引申出两个问题：

• 如何评判一个知识的有效性？

• 有效性降低时，如何进行加工修正？

知识的演进

知识的产生

人们理解事物时，首先产生感性认识，后形成理性认识(知识)，理性认识指导实践，实践对客观世界产生改变，然后再认识、再实践，循环往复，永无止境。

想象一个双螺旋：知识不断进化，同时实践对世界造成影响，导致客观世界也在不断变化，其变化又引发新知识的产生。

知识有效性的衰减

出版物（专业书籍、论文等）是知识发展过程中一些具有代表性的“检查点”，这一历史数据可供我们测算知识的变化速度。

人类知识的增长被认为呈现指数形态，尤其是在科学和技术领域，科学文献的数量每9年翻倍 [1]。知识的增长向摩尔定律靠近，同时 对客观世界产生的改变(社会的进步)也是指数性的 [2] 。

[1] Bornmann, Growth rates of modern science: A bibliometric analysis based on the number of publications and cited references,  2015.

[2] Ian Morris, The measure of civilization, 2013.

基于对历史各领域出版物勘误及引用量的统计，我们甚至可以估计出不同领域知识的“半衰期”。

粗略而言，针对基础学科，新研究发现将在10年左右时间丧失热度 [1]，45年后一半研究将被推翻 [2]。

[1] Tang Rong, Citation Characteristics and Intellectual Acceptance of Scholarly Monographs, 2008

[2] Thierry Poynard,  Truth Survival in Clinical Research: An Evidence-Based Requiem, 2002

我们可以直观地将知识分为长周期知识（物理、数学）和短周期知识（前文“神奇的X指标”、朋友的某个生活经验）。

以短周期知识指导实践是危险的，除非我们知道如何迭代它。

跨越认知偏差

心理学中的认知偏差指的是人们在思考、评估和记忆信息时的非理性和非客观错误。

这些偏差是由我们的大脑在处理大量信息时采取的认知简化策略导致的。虽然这种大脑的“节能模式”、“本能反应”在人进化的过程中诞生，用于帮助我们快速处理信息，但它们也可能导致错误的知识和不准确的判断。例如：

确认偏差（Confirmation Bias）：人们倾向于寻找和重视支持自己观点的证据，而忽视或贬低与自己观点相悖的证据。这种偏差可能导致我们坚持错误的观点，即使有反驳证据存在。

自我服务偏差（Self-serving Bias）：人们倾向于将自己的成功归因于自身能力和努力，而将失败归因于外部因素。这种偏差可能导致我们对自己的能力和知识过于自信，无法看到自己的不足和错误。

集体思维（Groupthink）：在集体中，个体为了维护团队的和谐和一致性，而倾向于抑制异议和批评，从而导致决策质量下降。这种现象可能导致团队成员接受错误的观点和信息，而无法发现和纠正这些错误。

除了感性因素以外，个体的身份标签往往更隐晦的影响我们思考。

和外界交流、学习的过程是收集信息的过程，而形成最终决策的推演，一定要找个安静的空间独立完成。这种冷清的“孤独感”就是思考的一部分。

认识偏差是可以通过长期训练来识别、跨越的。看政治人物的演讲、辩论比赛有助于训练识别观点植入，可同时关注其方法、逻辑漏洞和自身的情绪反应。

加工知识的理性工具

演绎

演绎推理是从一个或多个已知的前提出发，通过逻辑推理得出一个结论。

• 前提1：所有人都会死亡。

• 前提2：苏格拉底是人。

• 结论：苏格拉底会死亡。

  
  

  演绎推理的结论通常被认为是必然的，即如果前提正确、推理过程正确，则结论一定是正确的，其有效性评估主要为：

  
  

1. 前提是否正确：如果前提错误，那么结论有可能是错误的。

2. 推理形式是否正确：如果推理形式存在错误，那么结论是无效的。

归纳

归纳推理是通过观察一系列特定的实例，总结出一个更普遍的规律或原则。

• 观察1：这个湖里的天鹅都是白色的。

• 观察2：那个湖里的天鹅也都是白色的。

• 观察3：另一个湖里的天鹅同样都是白色的。

• 结论：所有的天鹅都是白色的。

  
  

  归纳推理的结论通常是概率性的，即基于观察到的实例，我们可以得出一个相对可能正确的结论，其有效性评估主要考虑：

  
  

1. 样本的代表性：样本应该足够大且具有代表性，以便我们从中推导出普遍规律。

2. 观察的一致性：观察到的实例应该具有相似的特征，以便我们得出一个可靠的结论。

统计

《三体》讲述了这样一个故事：

一个农场里有一群火鸡，农场主每天中午11点来给他们送食。火鸡中有一位科学家观察这个现象，以致观察了近乎一年都没有例外，于是他也发现了一个自己宇宙中的伟大定理“每天早上11点食物降临”。他在感恩节的早晨向火鸡们公布了这个定理，但11点食物没有降临，农场主进来把火鸡全杀了。

这个故事源自罗素的“火鸡问题”，无论是演绎的前提还是归纳的结论，我们都无法找到某个命题“绝对正确”。

“正确”的含义即“这件事情出现的可能性很高”。

统计方法的实际应用往往是演绎与归纳的融合：我们需要基于先验知识设计实验，同时也要求一定的样本表现支撑其结论。

例如辉瑞-BioNTech COVID-19疫苗有效性验证的论文中，使用Cox比例风险回归模型量化疫苗的有效性，并在4.4万名志愿者中进行了临床试验。

• 如果我们不认可实验方案（算法、实验过程、样本的代表性及真实性）那么结论就是存疑的。

• 如果实验结果发现实验组和对照组没有明显差别，那么结论也是存疑的。

回到X指标问题

开头的故事中，小A犯的错误除了心理因素外还有：

1. 不了解产生这种知识产生的原理

它是由什么交易演绎而来的，这一理念的假设是什么、得出结论的推理过程正确吗 -> 适用于哪些情况，不适用于哪些情况？

作者给出的验证方式（5个公司的业绩表现）有说服力吗？

2. 验证知识的方法不合理

用一个固定的指标 y=kx 去测试历史数据存在「过拟合」问题，k这个参数是现在确定的，用现在确定的指标测试历史数据无疑是“考试作弊”。

我们需要把训练数据和测试数据分离。

考虑一个N年周期的滑动窗口，用每N年的历史数据训练K的值，然后用y=kx去预测N+1年的效果，基于此计算每年的表现。

除此之外，还有一层隐藏的过拟合问题，也就是说，y=kx这个系统/算法的设计出自于当下的人，人在设计这个算式的过程中仍然包括了历史数据(经验)。

人不能通过时光机回到历史，但对此也必须谨慎。

更多的想法？

除此之外，我们也许会假设：今天的情况将会和昨天强相关，而和一年前的某一天弱相关，那么我们需要对历史数据进行时间维度加权处理？以及，我们是否需要评估，这一X指标适用于哪些类型目标、不适用于哪些类型目标？相对Y指标而言，X指标更好吗？如果我把X指标和其他指标一起使用，如何组合并分配权重？——都需要数据检验。

数据够吗？我们能承担这种验证的成本吗？

绝大部分情况下，我们不会对短周期知识进行验证，它们迭代的太快了。

但是我们可以做一些改变：

1. 了解知识的动态性，保持谦虚谨慎的态度。

2. 基于长周期知识，多使用演绎方法，降低验证成本。

决策流程的改进

1. 将静态知识抽象为动态系统。

我们要把一个知识的“检查点” y=0.6 上升为一个可迭代的系统 y=f(x) 其中系统的输入参数来源于现实世界的数据，让输出的知识能够跟随客观情况变化。

2. 以系统思维对问题进行解构。

3. 以长周期知识为前提，通过演绎的方式，提出解决问题的理论依据。过程中需排除心理因素影响。

4. 对系统进行建构。

5. 用历史数据测试系统的表现，发现问题，重复第二步。

6. 记录实践数据，评估记录系统的真实表现，发现问题，重复第二步。

*关于「系统思维」的详细描述，参考之前的文章（下节链接）。

结语

认识到知识的变化性，辨识其前提假设，在能力允许的情况下理性检验，然后谦虚谨慎地实践，持续地迭代。

---

本文是对22年4月《解决复杂问题的一般性方法》的一次迭代，刚好满一年。

当时希望总结出处理日常工作问题的一般性流程，引入「系统思维」这个概念去解构问题、建构方案——即PDCA中“Plan与Action”的部分。

后来又逐渐意识到情绪、心态问题是个大坑，于是给自己做了一份PDCA量表，在Plan阶段用一个checklist来主观检验心理状态——本文中的第三部分：跨越认知偏差。这个过程非常之痛苦。

再后来是PDCA中Check的部分，理论验证和实际偏差很大，不稳定，于是有了本文的第四部分，其间深刻感受到知识的变化速度远比我想象中的快。

偶然和朋友聊到 交易系统和交易日志，感觉有异曲同工之妙，于是加上了开头的小故事。

延展阅读

知识与世界的变化速度

《The Half-Life of Facts: Why Everything We Know Has an Expiration Date》, Samuel Arbesman

这本书提出了「知识半衰期」概念，汇集多个领域的研究成果，展示了知识更新的速度，指出知识的增长速度符合摩尔定律。

《The Art of Doing Science and Engineering: Learning to Learn》, Richard W. Hamming

汉明码的作者，回顾了一生科研经验，提出“掌握基础知识和基本原理是实现长期成功的关键”，鼓励读者投资于那些跨越时代的核心概念，而非仅关注短期热门领域。

《科学革命的结构/The Structure of Scientific Revolutions》, Thomas Kuhn

提出了科学发展是通过「范式转换」和科学革命实现的观点，挑战了科学发展是线性、累积的传统观念。我们可以看到即使是学生时代被认作「真理」的基础科学结论是如何被迭代的。

《The Measure of Civilization》, Ian Morris

提出了一个综合性指标——社会发展指数，用于评估文明的发展水平。包含能源利用、城市化、信息处理和战争能力四个主要维度，让我们看到世界发展的进程也是非线性的，该指标在现代更是以爆炸式速度发展。

认知偏差、假设演绎、统计

《思考，快与慢/Thinking, Fast and Slow》, Daniel Kahneman

提出「快思考」、「慢思考」的概念。快思考是指我们的直觉反应和自动化思维，而慢思考是指我们的分析和逻辑思考。快思考易于受到认知偏差的影响，导致我们在判断和决策过程中出现错误。

《社会心理学/Social Psychology》, David G.Myers, 人民邮电出版社

教材。介绍了人类在社会互动中的心理过程，包括情感、态度、群体行为、人际关系等方面。也讨论了一些与认知偏差相关的概念。

《逻辑学导论/Introduction to Logic》, Irving M.Copi, 中国人民大学出版社

教材。介绍了包含假设、演绎等逻辑学基本概念及有效性评价标准，同时给出了诸多名人演讲/文章中的逻辑谬误供思维训练。

《女士品茶：统计学如何变革了科学和生活/The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century》, David Salsburg

回顾20世纪统计学的发展历程，介绍一些经典的统计学方法，展现了统计学的实际应用和统计假设检验的重要性，同时告诉你“世界上没什么是绝对准确的”。

系统思维

参考《实践论指导下的企业实务：书单推荐》

阅读原文

跳转微信打开