雨森的创投观察第2集：Harness、下一个字节、2026大机会和Stanley Druckenmiller

概览

本期围绕戴雨森对上一期“Year of R”判断的复盘展开：他承认自己低估了 AI Coding 和 Agentic Coding 的突破速度，但仍认为 AI 投入能否转化为终端利润，仍是 2026 年必须回答的核心问题。

讨论主线从 OpenAI、Anthropic、Claude Code、Codex 的竞争，转向更底层的“Harness”概念：模型本身重要，但模型外的 context、工具、runtime、memory、agentic loop 和产品形态，正在成为 AI 应用价值的重要来源。

后半部分重点讨论创业机会。戴雨森认为，AI 时代不应简单寻找“下一个字节跳动”，因为下一个大公司大概率不会长得像字节；真正的大机会可能出现在 agent 普及后，agent 之间协作、交易、支付、组织和工作流重构的新基础设施中。

分段落总结

[00:05] 开场与上一期判断的“被打脸”

[事实] 主持人回顾上一期戴雨森提出 2026 年是 “The Year of R”，包括现实、回调、回报、研究和记忆等关键词，并提到他此前曾清空二级市场股票。

[事实] 戴雨森表示，早期投资人必须在信息不完整时做判断，被打脸是常态，也说明行业变化很快、有机会。

[推测] 本期的核心语气不是防守上一期判断，而是把“判断被反馈修正”作为投资思考的一部分。

[02:02] Strong opinion, weakly held

[事实] 戴雨森强调，要有强观点，但不能被自己的观点绑架；当支撑观点的原因变化时，聪明人应该调整看法。

[事实] 他认为 OpenAI 的订阅、广告、电商收入增长没有完全达到市场此前预期，但企业服务和 coding 收入出现了超预期变化。

[事实] 他把 AI 领域比作一个不断更新概率的世界，前面发生的新事实会改变后面对未来轨迹的判断。

[06:45] 二级市场仓位与硬件链条

[事实] 戴雨森提到自己的二级市场偶像是 Stanley Druckenmiller，并称自己更偏交易视角，而不是长期持有单只股票的风格。

[事实] 他看到 Anthropic 使用量上涨、Claude Code 带来明显体感后，加回了一些与存储、光、CPU 等硬件瓶颈相关的仓位。

[推测] 他仍然保持谨慎，因为公开表达过看空或谨慎观点后，人的行动会受到自己话语的约束。

[09:07] 看对与看错：C 端回报与 Coding 突破

[事实] 他认为此前对 C 端订阅提价、付费用户继续增长、广告电商快速落地的担忧，大体得到了验证。

[事实] 他承认自己没有预料到 coding 在短时间内发生如此大的质变，尤其是 agentic coding 从“跑不起来”到可完成长任务的变化。

[事实] 他把 AI 智力突破比作烧开水：99 度和 100 度之间可能只差一点，但价值释放完全不同。

[13:07] Anthropic 的组织能力与 Coding 的横向属性

[事实] 戴雨森认为 Anthropic 在当前阶段的优势来自更一致的组织方向、价值观筛选和从上到下的执行能力。

[事实] 他对比 OpenAI 早期更适合探索期的自下而上结构，认为 Anthropic 在主线收敛、高速赛跑阶段更有组织优势。

[事实] 他强调 Coding 不是一个垂直领域，而是水平能力，可以强化办公、医疗、研究等多个方向。

[18:28] Harness 从“套壳”变成关键层

[事实] 戴雨森认为 Claude Code、Codex、Manus 等都可以被理解为 Harness，它们不是简单 API 调用，而是承载模型能力的产品层。

[事实] 他认为好的 Harness 能带来高质量用户数据，并反哺模型训练，形成数据飞轮。

[推测] 过去被轻视的“壳”，在 agent 时代因为掌握 context、memory 和用户工作流，正在变成新的壁垒来源。

[20:07] Anthropic、OpenAI 与 Codex/Claude Code 竞争

[事实] 戴雨森认为从极短期市场情绪看，OpenAI 和 Anthropic 可能都被低估；但从一两年角度看，return 问题仍未解决，估值可能偏高。

[事实] 他认为 Claude Code 先发形成了品牌、习惯和配置迁移成本，但 Codex 通过价格、模型能力和后发改进缩小了差距。

[事实] 他指出，模型公司之间目前并未拉开决定性差距，谁后发新模型，谁就容易显得最强。

[23:17] Return 问题只是被下推了

[事实] 他认为 Anthropic 收入大涨并不等于 AI 回报问题已解决，因为 Anthropic 的收入是客户购买 token 的投入，而不是客户最终赚到的钱。

[事实] 他提出“投入、产出、结果”三步框架：token 投入要变成软件产出，软件产出还要转化为利润、收入增长或成本下降。

[事实] 他认为大公司往往不是缺程序员，而是不知道该做什么新产品，因此 coding 能力提升不必然带来收入增长。

[30:44] 知识工作者、责任与成本下降

[事实] 戴雨森认为 AI 可以让报告、模型、代码产出更多，但人仍要对投资、决策和业务结果负责。

[事实] 他提出“一个组织里能背的锅是有限的”，AI 能减少生产时间，但不能直接替人承担责任。

[事实] 他认为当 AI 硬件和 token 投入规模已经很大时，市场不能长期忽视终端回报问题。

[34:05] 2026 年叙事：Agent 真正落地

[事实] 戴雨森回顾自己从 2023 年起一直看好 agent，因为 agent 不占用人的注意力，才能真正提高生产力。

[事实] 他认为 2026 年的关键变化是模型能力提升让 agent 真正落地，而 agent 的落地形态会体现在应用或 Harness 产品中。

[推测] “Attention is all you need” 正在被改写为：生产力产品的关键不再是让用户多停留，而是让 agent 长时间独立完成高价值任务。

[37:14] Harness Engineering 的组成

[事实] 他把 Harness 比作 F1 赛车团队：模型是车手，但还需要 context、工具、agentic loop、runtime、sandbox、权限和记忆系统共同支持。

[事实] 他认为 Open Cloud、Manus、Claude Code 等产品的创新，很多来自模型外层的工程与产品设计。

[事实] 他提到持久 sandbox、AI 专属电脑、runtime 等基础设施会变得重要。

[43:18] 模型、产品与操作系统类比

[事实] 戴雨森认为“模型即产品”和“Harness 有价值”并不矛盾，因为用户交互的始终是产品，而不是裸模型 API。

[事实] 他把 Harness 类比为操作系统，把模型类比为处理器；开发者可以在 Harness 之上构建 skill 或应用，而不必直接处理底层模型通信。

[事实] 他认为用户往往更忠诚于 Harness，因为 memory、配置、工作流和习惯沉淀在这一层。

[55:23] 创业机会：创新与 Horizontal

[事实] 戴雨森认为 AI 早期最怕为了稳妥而跟风，创业者需要做真正有幅度的创新。

[事实] 他主张在技术快速变化时敢做 horizontal 产品，因为通用载体更容易承接新场景，而过早垂直化可能把自己困住。

[事实] 他认为当前很多人把 AGI 的定义不断缩水，从毁灭人类、解决黎曼猜想，变成替代普通程序员；真正的 OOD 创新仍未解决。

[60:08] Agent 网络效应与 Agent Marketplace

[事实] 戴雨森提出，当不同人的 agent 积累了不同 context、skills 和专有知识后，agent 之间会出现价值差异。

[事实] 他举例说，自己的 agent 可以雇佣主持人的 agent 生成更好的采访问题，因为主持人的 agent 沉淀了更独特的访谈经验。

[推测] 这类 agent-to-agent 的交易和雇佣关系，可能成为 AI Native 时代新的网络效应和市场形态。

[64:04] AI 应用创业没有变少，反而变多

[事实] 他认为资本市场上 AI 应用公司的数量和估值都在上升，说明应用创业并未因为模型变强而萎缩。

[事实] 他认为模型能力增强、Harness 基础设施完善，会让应用能做的事情变多，而不是变少。

[事实] 他提醒创业者可以做“大厂看不上”的事情，例如太小众、太低门槛、太累、太不合规、太超前，历史上的大公司常从这些缝隙成长出来。

[70:50] 投资逻辑：先投人，再等方向显现

[事实] 戴雨森表示自己坚持“投人”，优秀创业者会和热门方向共振，而不是先找风口再找人。

[事实] 他举例说，团队投资了年轻清华背景创业者做世界模型、机器人大脑等方向，最初重点是看人，而不是追风口。

[事实] 他总结优秀创业者的底层能力包括学习力、创造力、领导力和意志力。

[78:32] AI 产品经理与移动互联网经验失效

[事实] 他认可 AI 产品经理仍需要个人远见和非共识判断，因为好产品往往来自对未来的偏见。

[事实] 他认为移动互联网时代以 DAU、时长和变现效率为核心的逻辑，在 agent 时代会发生变化。

[事实] 他指出 AI 产品不应只追求 DAU，高价值任务完成能力、长程运行能力和狂热用户更重要。

[88:51] AI Native 产品的三阶段机会

[事实] 戴雨森提出三步：让人类拥有更多更好的 agent；让 agent 适应人类数字世界；建设 agent 原生的数字世界。

[事实] 他认为支付、身份、验证、sandbox、computer use 等，都是 agent 进入人类数字世界时需要解决的问题。

[事实] 他认为未来 agent 原生工具可能不再沿用人类 GUI、信用卡和表格，而会有更适合高频、小额、多对多协作的新接口。

[92:08] Coding 能力无限后的软件形态

[事实] 他认为 coding 成本大幅下降后，会带来更好的既有软件、更个性化的软件，以及一次性或低频使用的软件。

[事实] 他举例说，微信这样的统一产品可能无法满足高级用户和老人用户的不同需求，未来软件可能更可定制。

[推测] 这意味着软件会从“少数通用产品服务所有人”，转向“围绕具体任务快速生成和改造”。

[94:36] AI Native 组织会变小、变扁平

[事实] 戴雨森认为 AI Native 创业公司在产品阶段会更小，因为 agent 能补足很多开发能力。

[事实] 他认为传统前端、后端、UI、测试、运营等瀑布式分工会变弱，更多小团队能端到端负责产品模块。

[事实] 他指出老公司引入 AI 的难点不只是装工具，而是把组织 context 和数据变成 AI 可见，并推动人的组织变化。

[98:51] 下一个字节不会像字节

[事实] 他认为很多人寻找“下一个字节跳动”，但如果仍用信息流、投放、留存、商业化那一整套打法，就会在字节最擅长的规则里竞争。

[事实] 他对 AI 2C 娱乐、AI 小游戏、AI 短剧等方向保持谨慎，因为用户最终要的是好玩的游戏或内容，而不是“因为它是 AI”。

[事实] 他认为字节系创业者能力很强，但可能需要反过来颠覆自己在字节学到的成功范式。

[102:37] 真正的大机会来自 AI 渗透率后的新范式

[事实] 戴雨森类比互联网和移动互联网：早期是新技术解决老问题，最大机会往往出现在技术渗透率足够高后出现的原生商业模式。

[事实] 他认为 AI 也会经历类似过程，从写代码、写文章、翻译、画图，走向 agent 普及后的协作、交易、组织和商业模式重构。

[事实] 他认为广告、SaaS 界面、Excel 等人类时代的工具，在 AI 与 AI 通信时都可能被重新定义。

[110:21] 硅谷前沿：Coding、世界模型、Auto Research

[事实] 戴雨森在硅谷观察到三个热门方向：agentic coding、世界模型和 auto research。

[事实] 他认为世界模型概念很热但定义仍混乱，大家大体希望像语言模型预测下一个 token 一样，让世界模型预测下一个世界状态。

[事实] 他认为 auto research 代表 AI 自我迭代、自我提高的方向，包括 AI 研究和科学研究。

[115:22] AI 硬件与机器人判断

[事实] 戴雨森对许多 AI 消费硬件持谨慎态度，认为不少产品只是给传统硬件加 chatbot 或感知能力，未必创造出新需求品类。

[事实] 他认为 agent 的主要载体在相当长时间里仍可能是手机和云端，而不是大量新的可穿戴设备。

[事实] 在机器人上，他更关注灵巧手、机械臂、世界模型等组件和能力，而不是直接押注人形机器人整机。

[121:30] 个人使用 AI 与思考外包

[事实] 戴雨森说自己用 agentic coding 做了很多信息整理、播客转录、newsletter、会议纪要和人物公司跟踪的小工具。

[事实] 他担心人们把思考外包给 AI 后，可能没有真正更新自己的理解。

[事实] 他提出“思想的健身房”概念，认为思考、创新和使用 AI 都需要刻意练习。

[126:42] 失业、社会冲击与长期乐观

[事实] 戴雨森认为 AI 带来的失业可能不可避免，因为技术扩散速度可能超过很多人重新学习和适应的速度。

[事实] 他认为个人需要学习使用 AI，并在 AI 难以替代的人际信任、责任承担等领域建立能力。

[事实] 他用工业革命、纺织、染料、化工产业的连锁扩散说明，新工作会出现，但需要时间。

[131:40] 教育、Agency 与继续被打脸

[事实] 戴雨森认为在 AI 时代，培养人的 agency 很重要，因为“要做什么”仍需要人提出。

[事实] 他认为 taste 也可能被 AI 追上，真正更难替代的是提出好问题、产生 out-of-distribution 内容和主动改变现状的能力。

[事实] 他表示会继续录这个系列，因为表达和被打脸能帮助自己整理思考、获得反馈并继续成长。

播客点评/总结

本期价值在于，它不是简单讨论“AI 是否泡沫”，而是把问题拆成模型能力、Harness、数据飞轮、终端回报、组织变革和创业机会几个层次，适合关注 AI 投资、AI 产品和创业方向的人听。

亮点是戴雨森愿意复盘自己上一期判断中的偏差，并用“strong opinion, weakly held”解释如何在快速变化中修正观点。关于 Harness 像操作系统、模型像处理器，以及 agent 之间可能形成 marketplace 的讨论，提供了比较鲜明的框架。

局限是整期讨论密度很高，且大量判断依赖投资人视角和个人观察；其中对估值、未来产品形态、社会影响的判断都带有较强前瞻性，应视为阶段性观点而非确定结论。

[推测] 这期更适合已经熟悉 AI 模型、Agent、Coding 工具和创投语境的听众；如果是普通入门听众，可能需要结合具体产品案例反复听，才能消化其中的概念和判断。