硅谷高管徐老师指大厂裁员无关AI 职场人需靠人脉网络对冲周期

课代表立正

大厂规模完全取决于企业资金充裕度而非技术提效，普通从业者唯有从单一写代码转型为全栈Builder并在优质团队积累零下行风险的人际杠杆，才能稳健穿越周期波动。

AI-assisted summary of 硅谷高管：裁员潮下，普通人的自救指南｜硅谷徐老师_3/3 — original source. Check the original for full context.

Source published: 2025-12-06

Key ideas

AI 时代对「全栈」的定义发生根本重构，从过去的“前端+后端”拓展为涵盖工程、数据、产品、设计与增长的端到端能力，单纯接单的 Coder 迅速贬值，解决实际问题的 Builder 成为核心竞争力。 (2:43)
大厂员工规模本质上取决于公司的盈利能力和充裕资金，而非实际业务需求人数；资本充裕时倾向扩张，收紧时则无情裁员，与技术实际提效程度关联不大。 (8:45)
普通人应对技术迭代与裁员周期的最佳策略是坚定 All in AI；硅谷以外绝大多数人对 AI 仍处抵触或浅尝阶段，只要进入前 5%-10% 的应用梯队即可建立显著竞争优势。 (12:38)
人脉网络（Network）是职场中唯一的无风险单向杠杆；即便公司倒闭期权归零，与顶尖团队共事沉淀的声誉和人脉资产仍可跨越 10-20 年持续释放复利。 (15:30)

Detailed notes

## Background 该内容由 YouTube 频道「课代表立正」于 2025 年 12 月 6 日发布。视频中课代表立正对话硅谷高管、投资人硅谷徐老师（Howie Xu），从用人方视角深入探讨在大厂裁员潮与 AI 泡沫担忧下，普通职场人应如何重构自我认知与自救策略。

## TL;DR 徐老师指出，AI 时代的“全栈”概念已从单纯的前后端代码拓宽为涵盖工程、产品、增长与设计的端到端 Builder 能力，单纯的接单 Coder 极易被淘汰。大厂的人才招募本质上由资金充裕度决定而非单纯因 AI 提效，因此不必将裁员完全归咎于技术。面对未来不确定性，普通人的最优策略是财务上拒绝金融杠杆并毫无保留地 All in AI，同时将职业视作肉身投资，依托高质量的同事网络（Network）构筑起跨越周期的唯一无风险职业杠杆。

## Atmosphere & style 对谈节奏沉稳而富有启发性，既有对硅谷宏观商业人性的冷静“祛魅”，又饱含长辈般的温情与坦诚。两人从理性的职场逻辑层层推演至对人生声誉与人脉复利的感性体悟，徐老师分享昔日好友逝后前同事长达十余载的真挚悼念时尤显动人，给身处技术变革与裁员焦虑中的听众带来了一种脚踏实地、拨开迷雾的安定感。

## Bulletin - [02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) AI 时代对「全栈」的定义发生根本重构，从过去的“前端+后端”拓展为涵盖工程、数据、产品、设计与增长的端到端能力，单纯接单的 Coder 迅速贬值，解决实际问题的 Builder 成为核心竞争力。 - [08:45](https://www.youtube.com/watch?v=F5-isewu-ww&t=525s) 大厂员工规模本质上取决于公司的盈利能力和充裕资金，而非实际业务需求人数；资本充裕时倾向扩张，收紧时则无情裁员，与技术实际提效程度关联不大。 - [12:38](https://www.youtube.com/watch?v=F5-isewu-ww&t=758s) 普通人应对技术迭代与裁员周期的最佳策略是坚定 All in AI；硅谷以外绝大多数人对 AI 仍处抵触或浅尝阶段，只要进入前 5%-10% 的应用梯队即可建立显著竞争优势。 - [15:30](https://www.youtube.com/watch?v=F5-isewu-ww&t=930s) 人脉网络（Network）是职场中唯一的无风险单向杠杆；即便公司倒闭期权归零，与顶尖团队共事沉淀的声誉和人脉资产仍可跨越 10-20 年持续释放复利。

## Key takeaways - [00:42](https://www.youtube.com/watch?v=F5-isewu-ww&t=42s) 天价薪酬包裹无法自动解决人才难题，决定顶尖人才效能的核心在于创始团队与管理者的组织领导力和用人战绩。 - [02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) 传统“前端+后端”的全栈概念已过时，AI 时代的全栈需要打通 Eng、Data、PM、Design 与 Growth 全链路。 - [02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) “软件工程师”这一类别不会消亡，但流水线式接单写代码的 Coder 角色会消失，从业者需自我迭代为解决业务问题的 Builder。 - [05:52](https://www.youtube.com/watch?v=F5-isewu-ww&t=352s) 知识工作（Knowledge Work）的形态会被 AI 彻底重塑，但从历次工业革命经验看，知识工作者（Knowledge Worker）总量不会减少。 - [05:52](https://www.youtube.com/watch?v=F5-isewu-ww&t=352s) 人类认知和想象力的局限容易引发职业恐慌，如同百年前马车夫无法预见汽车工业所催生出的庞大新生态。 - [08:45](https://www.youtube.com/watch?v=F5-isewu-ww&t=525s) 人类天然具备社交与群体归属需求，这使得全职协作依然具备承包商（Contractor）模式无法替代的心理与组织价值。 - [08:45](https://www.youtube.com/watch?v=F5-isewu-ww&t=525s) 大厂 Headcount 取决于“账上有多少钱能养人”而非“业务需要多少人”，裁员与招人本质受资本和人性驱使。 - [12:38](https://www.youtube.com/watch?v=F5-isewu-ww&t=758s) 将职业选择视为个人青春与时间的“肉身投资”，应当主动投向具有长期增长潜力和高天花板的赛道。 - [12:38](https://www.youtube.com/watch?v=F5-isewu-ww&t=758s) 走出科技圈核心信息茧房，AI 的普及度远低于预期，深入改造工作流的早期实践者能轻松构筑差异化壁垒。 - [15:30](https://www.youtube.com/watch?v=F5-isewu-ww&t=930s) 金融杠杆存在双向爆仓破产风险，而职场人脉网络（Network）是只具上行潜力的无风险单向杠杆。 - [15:30](https://www.youtube.com/watch?v=F5-isewu-ww&t=930s) 即便加入的公司商业化失败，只要团队人才密度高，积累的高质量人际背书和合伙人脉依然终身受用。 - [18:37](https://www.youtube.com/watch?v=F5-isewu-ww&t=1117s) 在财务投资上坚决拒绝金融杠杆，做好承受标的暴跌 90% 的极端风控兜底准备。 - [18:37](https://www.youtube.com/watch?v=F5-isewu-ww&t=1117s) 保持前沿敏锐度可通过微习惯积累，例如坚持每周上手尝试并深度掌握一款全新的 AI 工具。 - [19:35](https://www.youtube.com/watch?v=F5-isewu-ww&t=1175s) 挑选公司应以“身边同事是否值得由衷敬佩”为判断标尺，良好声誉在 15-20 年后仍会持续带来优质机遇。 - [19:35](https://www.youtube.com/watch?v=F5-isewu-ww&t=1175s) 穿越周期最核心的两张底牌是：坚定 All in AI 夯实硬技能，以及持续深耕 Network 积累长期软声誉。

## Detailed walkthrough ### [00:42](https://www.youtube.com/watch?v=F5-isewu-ww&t=42s) 人才是「可解问题」吗与 1 亿美元包裹的迷思

谈到当前大模型与 AI 应用的爆发，很多职场人最关心的问题莫过于：当下的人才画像究竟是什么样的？普通人该如何自我迭代？课代表立正抛出了一个观察：像做一款 AI 浏览器，Google、OpenAI、Perplexity 能做，徐老师的团队 Neo 也能做；这是否意味着，在今天开发这类产品，人才已经变成了一个“可解的问题”，不再是拉开差距的核心要素（differentiator）？

徐老师认为，人才在理论上是可解的，但在实操层面依然极度困难。Google 能够长期保持强盛，关键就在于它从创立第一天起，对人才的饥渴程度、管理方式与重视程度就与绝大多数公司截然不同。谈到近期 Meta 创始人马克·扎克伯格（Mark Zuckerberg）甚至开出高达 1 亿美元的薪酬包裹去挖顶尖人才，徐老师直言，金额无论是 1 亿还是少一个数量级，真正决定成败的根本不是砸钱本身，而是组织领导力。

把顶尖人才招募进来，并不代表问题就迎刃而解。像扎克伯格以及 Scale AI 的创始人 Alexandr Wang，他们之所以有机会做成，是因为他们自身拥有极强的领导力和优秀的过往战绩（track record），懂得如何真正用好这些顶尖大脑。如果仅凭 1 亿美元组建一支队伍就以为能搞定一切，那还差得太远。徐老师顺便打了个征才广告：不仅是 Neo 浏览器，他在硅谷主导的其他创新项目同样对工程师、产品经理（PM）以及负责增长（Growth）的人才感到“非常饥渴”。“可解”绝不等于“做得到”，每天认真搜寻并用好优秀人才，依然是极其不易的挑战。

---

[02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) 从 Coder 到 Builder：AI 时代重新定义「全栈」

当徐老师列举自己渴望的岗位是工程师、产品与增长时，课代表立正打趣道：“很多观众刚才听完了心里一凉，因为你没提 Data（数据科学/数据工程）。”徐老师随即指出，从业者完全不必为此心凉，因为在 AI 时代的语境下，整个职场对人才的定义正在发生根本性的重构——我们必须用全新的维度去理解“全栈”（Full-Stack）。

过去人们谈论全栈工程师，指的仅仅是“前端 + 后端”的技术打通；而在 AI 时代，全栈的范围（scope）被极度拓宽。一个真正的全栈人才，可能既要写前后端，又要处理数据流，甚至还要兼顾产品经理的业务思考、UI/UX 设计师的体验把控以及增长黑客的裂变运营。全栈不再是一组特定的代码技术栈，而是一种端到端解决问题的能力。

徐老师分享了他在全美顶尖大银行技术峰会担任嘉宾时的见闻：即便是在这类创新相对保守迟缓的传统金融巨头，负责技术的高管也完全认同这一趋势，并直言如果手下的工程师在未来两三年内不能具备这种全栈思维，势必会被淘汰。同一场圆桌上，有 VC 甚至断言“软件工程师（Software Engineer）这个职业类别几年后就会彻底消失”。对此徐老师澄清道，所谓“消失”是指我们过去几十年所熟知的、流水线式接单写代码的程序员定义会消失，但软件工程师作为解决技术问题的工种依然会长存。

关键在于个人的职业身份认知（Identity）：如果一个人的自我定位仅仅是“Coder”（代码编写者），在这个技能被 AI 迅速贬值的时代会极其危险；但如果把自己的身份定义为“Builder”（创造者/建造者），凭借优秀的个人素质追求业务结果，那当下反而是一个前所未有的黄金时代。不仅工程师要全栈，连初创企业的管理者也意识到自己必须进化为能够亲自搞定产品、技术与增长的“全栈 CEO”（Full-Stack CEO）。

```mermaid flowchart TD accTitle: AI 时代全栈能力范式转变 accDescr: 对比传统全栈与 AI 时代全栈的范围差异及个人身份认知的重构

subgraph Traditional["传统全栈工程师"] T1["前端开发 (Front-end)"] <--> T2["后端开发 (Back-end)"] end

subgraph AIEra["AI 时代新全栈 (Builder)"] direction TB A1["工程开发 (Eng)"] A2["数据流与算法 (Data)"] A3["产品规划 (PM)"] A4["设计与体验 (Design)"] A5["用户增长 (Growth)"] A1 --- A2 --- A3 --- A4 --- A5 end

Traditional -->|AI 工具解放基础编码| AIEra ```

- **全栈定义的演进**：从单纯的代码实现层（前端+后端），跃升为业务交付层（工程 + 数据 + 产品 + 设计 + 增长）。 - **技能与素质的价值分化**：单一技能（如纯写 SQL 或特定语法）会快速被 AI 平价化；跨边界整合、对最终结果负责的 Builder 综合素质成为最高壁垒。

---

[05:52](https://www.youtube.com/watch?v=F5-isewu-ww&t=352s) 白领会消失吗：知识工作与马车夫的想象力陷阱

面对 AI 带来的巨大冲击，课代表立正提出了一个宏观历史维度的假说：人类社会的产业形态从农业主导（历经几千年），到工业革命后的制造业（历经几百年），再到 1950 年代前后大规模兴起的白领/知识工作者（Knowledge Worker，在中国甚至到 1990 年代后才成为重要就业大头）。随着自动化演进，农业和制造业的人口占比都大幅萎缩，那么白领知识工作是否会在不到 100 年的时间内迅速被 AI 替代并大规模消失？

徐老师对此给出了审慎而乐观的反驳。他引用微软 CEO 萨提亚·纳德拉（Satya Nadella）的观点指出：“知识工作者（Knowledge Worker）和知识工作（Knowledge Work）是两回事。”工作的内容和形态必然会被全方位重塑，但人类历史上没有任何一次工业或技术革命最终导致了知识工作者总量的下降。

当下普遍蔓延的职业焦虑，本质上源于人类认知和想象力的局限。徐老师用汽车替代马车的经典历史作类比：100 多年前汽车刚刚出现时，所有马车夫都陷入了饭碗不保的绝望，因为在那个时间节点，没有一个马车夫具备足够的想象力去预见未来由汽车催生出的庞大生态体系——他们无法想象出高度标准化的现代汽车制造厂、遍布全球的租车连锁业、庞大的公路维护体系，更不用说今天的自动驾驶产业链。面对未来的 AGI 时代，我们同样难以具象化未来的新兴产业形态，但缺乏想象力绝不等于这些新物种不会诞生。白领不会走向消亡，他们将以全新的形态继续扩展人类数字生产力的边界。

---

[08:45](https://www.youtube.com/watch?v=F5-isewu-ww&t=525s) 全职 vs. Contractor：大厂招人背后的反直觉人性

课代表立正随后提出了社区里许多人困惑的现实问题：全职员工（Full-time）似乎无法有效捕捉 AI 带来的生产力红利。如果一个员工用 AI 工具让自己的工作效率提升了 10 倍，公司并不会直接给他涨 10 倍工资，顶多间接体现在绩效考核上；相反，独立承包商（Contractor）或按业务结果分成（Outcome-based）的合伙人却能将效率直接转化为收入。既然如此，全职工作的意义到底何在？

徐老师从深层的人性与组织心理学切入，剖析了两个反直觉的真相：

1. **人类对社会群体的本质需求**：即使做 Contractor 按小时收费可能赚得更多，硅谷许多优秀的工程师依然选择做全职。因为人类从根本上是高度社交化的生物，需要置身于群体之中，享受人与人之间的协作、交互和归属感。AI 可能会改变互动的形式（如转变为数字化交互），但无法消除这种对团队共事的心理依赖。 2. **“一人独角兽”的理想与现实差距**：大约一年半前，OpenAI CEO 山姆·奥特曼（Sam Altman）提出了“一人独角兽”（One-person Unicorn）的概念。徐老师坦言自己起初非常认同，但历经一年半的实战观察，他的认知发生了微调。虽然在初创阶段，AI 确实能让原本需要 25 人的团队缩减到 15 人，甚至 1-2 个人就能搞定过去 5 个人的活，但从长期来看，商业世界绝不会只由微型公司组成，未来依然会有庞大的巨头。

徐老师进一步揭示了一个大厂招人的残酷真谛：**大厂的员工规模，从来不取决于“完成这项业务真正需要多少人”，而仅仅取决于“公司当前赚的钱能够养得起多少人”。** 不管是硅谷大厂还是全美主流企业，本质都是“有钱就招人，没钱就裁员”。当公司利润丰厚、现金充裕时，管理层就会顺从人性不断扩张编制，甚至一个原本 7 个人就能搞定的项目会招上 17 个人；而一旦宏观收紧、华尔街发出股价惩罚的信号，大厂就会毫不犹豫地大砍 headcount。这种人数波动纯粹受资本与人性驱动，与技术本身成熟到何种程度、AI 提效了多少倍几乎没有直接关系。

---

[12:38](https://www.youtube.com/watch?v=F5-isewu-ww&t=758s) 职业作为投资：为何现在 All in AI 仍是巨大红利

聊完宏观的泡沫与大厂招人逻辑，话题落回普通职场人的现实生存路径：面对科技巨头的裁员潮以及可能的 AI 泡沫破裂，普通人到底该如何自处？

徐老师强调，虽然从宏观历史长河来看，技术进步必然造福全人类，但落实到微观的每个个体和具体家庭，技术迭代带来的剧痛和负面冲击是真实且残酷的。无论大厂宣称的裁员是否直接归咎于 AI，职场人唯一正确的应对策略只有一条：**毫无保留地全面拥抱 AI（All in AI）**。

很多人存在一个误区，认为硅谷科技圈整天都在聊大模型，是不是人人都已经拥抱了 AI，自己现在入场已经太晚、无法形成差异化？徐老师指出，这是典型的信息茧房偏差。一旦走出硅谷、走出核心科技圈，绝大多数行业的大多数从业者对 AI 依然处于一知半解甚至本能抵触的阶段。普通人根本不需要成为全球顶尖的 0.01%，只要你今天躬身入局、深入利用 AI 改造工作流，哪怕只是跻身到前 5% 到 10% 的应用梯队，就已经能在这个市场上建立起巨大的竞争优势。

同时，徐老师提出了职场选择的第一层投资逻辑：**将自己的职业选择视作一笔“肉身投资”**。就像二级市场投资一样，职场人每天投入的是自己最宝贵的青春、精力和时间，必须审慎地把它们投入到那些真正具有长期增长价值的高天花板赛道与公司中。

---

[15:30](https://www.youtube.com/watch?v=F5-isewu-ww&t=930s) Network：职场中唯一的「无风险杠杆」

在将职业视为投资的基础上，徐老师引导课代表立正思考一个核心问题：“金融投资可以用杠杆，那么在职场这笔投资里，真正的‘杠杆’究竟是什么？”

答案正是：**人脉网络（Network）**。

徐老师对比了金融杠杆与职场杠杆的根本区别： - **金融杠杆是双刃剑**：在 2000 年互联网泡沫（Dot-com crash）破裂期间，徐老师曾亲眼目睹许多成年男人痛哭流涕（"grown men cry"）。他们之所以崩溃，绝不是因为在某家创业公司白干了两年、期权归零那么简单，而是因为在金融决策上盲目上了巨大杠杆——比如为了行权（exercise options）去借贷却不及时套现，最终导致灾难性的财务破产。 - **Network 是无风险的单向杠杆**：职场中的人脉网络几乎没有任何下行风险（downside）。只要你选择加入一个拥有顶尖人才密度的团队，即便这家公司最终商业化失败、业务关停、股权价值归零，你所沉淀的高质量人脉依然长久属于你。

```mermaid flowchart LR accTitle: 职场无风险杠杆运作机制 accDescr: 展示加入优秀团队后，即便公司商业失败，人脉网络依然带来持续职业回报

subgraph Company["加入顶尖团队 (肉身投资)"] direction TB C1["顶尖业务实践"] C2["同行优秀人才 (Network)"] end

subgraph Outcomes["结果分化"] direction TB O1["商业成功: 股权与薪酬丰厚"] O2["商业失败: 期权清零 (无负债风险)"] end

subgraph Leverage["永久复利资产"] L1["未来跳槽引路人"] L2["创业合伙与核心班底"] L3["持续行业信任背书"] end

Company --> Outcomes C2 ==>|核心杠杆运作| Leverage ```

徐老师以山姆·奥特曼为例：奥特曼早年自己创办的社交应用 Loopt 并不成功，但正是在创业过程中，他深度链接了 Y Combinator（YC）的核心圈子，赢得了保罗·格雷厄姆（Paul Graham）等人的信任，才有了后来掌舵 YC、创立 OpenAI 的辉煌历程。

面对课代表立正追问“Network 是否也会因为得罪人或跟错平庸的人而产生负效应”，徐老师明确指出，前提是你必须凭借审美和眼光，主动加入一个真正优秀的团队。即使强如当下估值 5000 亿美元的 OpenAI，未来的估值也存在涨 10 倍或缩水 10 倍的不确定性；但置身其中的员工所能获得的最高价值，绝非仅仅是纸面股票能够变现多少，而是与这群全行业最聪明的大脑深度共事所铸造的职业杠杆（Career Leverage）。这才是任何泡沫都无法带走的终身护城河。

[18:37](https://www.youtube.com/watch?v=F5-isewu-ww&t=1117s) 泡沫破裂下的自保策略：拒绝金融杠杆与“All in AI”

在探讨 AI 泡沫如果破裂、普通人该如何保护自己时，徐老师指出自保方法因人而异（very personalized），但核心原则相通。从纯金融投资的角度来看，他举例说明：自己今天很有可能去买英伟达（NVIDIA）的股票，但绝不会使用金融杠杆去买入。底线在于必须做好风险兜底——哪怕英伟达的股票未来暴跌 90%，虽然主观上会觉得非常惋惜，但至少“不会哭”，是处于自己财务承受范围之内的。

然而，将视角切换到职场层面，徐老师给出了更为可操作（actionable）的建议：哪怕今天因为 AI 的冲击不幸被裁员，他的选择依然会是“All in AI”，深入且真正地去学习新技术。他提到了前 OpenAI 研究副总裁（VP of Research）、后来加入 Thinking Machines 的华人研究员翁丽莲（Lilian Weng），她曾分享自己坚持每周去尝试一款全新的 AI 工具（tool）。徐老师表示自己目前也在践行这个习惯，虽然这看似只是一个非常微小的动作，但保持敏锐并彻底拥抱技术趋势，是当下每位职场人都应该做到的基础配置。

- **投资风控法则**：买入标的（如 NVIDIA）时不加杠杆，预设承受下跌 90% 极端情况的心理与财务底线。 - **微习惯积累能力**：借鉴 Lilian Weng 的做法，保持每周上手尝试并掌握一款全新 AI 工具的节奏。

```mermaid flowchart TD accTitle: 应对 AI 泡沫波动的个人自保策略 accDescr: 展现从财务风控与职场技能两个维度应对技术周期的核心方法

subgraph Defense ["财务层：抵御下行风险"] A["个人投资决策"] --> B["不加财务杠杆"] B --> C["预设极值承受力：暴跌 90% 仍可承受"] end

subgraph Offense ["职场层：持续构筑壁垒"] D["职业转型与技能"] --> E["坚定 All in AI 赛道"] E --> F["每周试用掌握一款全新 AI 工具"] F --> G["转化为可落地的个人技术复利"] end ```

---

[19:35](https://www.youtube.com/watch?v=F5-isewu-ww&t=1175s) 人际网络（Network）：跨越周期的无风险终极职业杠杆

徐老师强调，相较于眼前多大的薪酬包裹（package），职场中真正的核心杠杆其实是“人”（Network）。挑选公司应当作为一个强约束的思考触发器（forcing function）：去审视身边的同事是否值得你由衷敬佩和尊重（respect）。哪怕公司未来发展不如预期甚至倒闭，这批彼此认可的人都会成为未来几十年内能够互相仰仗的伙伴。很多人在当下往往过度短视，只盯着眼前的报酬，但如果把时间尺度拉长到 10 年、20 年来看，人际网络带来的杠杆效应是决定性的，15 年后能否迎来爆发性的优质机会，完全取决于今天所积累的人脉势能与声誉。

课代表深表赞同，指出很多年轻人因为工龄尚短，往往难以体感这种长期复利。徐老师此前在社区分享时曾提到，二十年前你做过的某些看似微不足道的小事，二十年后大家居然依然清晰记得，良好的声誉（reputation）会伴随人一辈子，未来的许多重要机遇往往直接发端于十几年前的不经意善举。徐老师动情地分享了最近的一个切身经历：他的一位挚友不幸过世，许多已经整整 15 年没有见面的前同事在 LinkedIn 上发文悼念，其中甚至包括当年不在同一个组、甚至不同公司的同事。令人动容的是，他们依然能巨细靡遗地讲出 15 年前的生动细节，清晰回忆起这位朋友当年在哪些专业领域极其出色。徐老师感慨道，人与人之间的正面记忆是一种长存的记忆（lasting memory）。因此，无论技术和资本周期如何大起大落，“All in AI”夯实硬技能与“投资人脉网络（Network）”深耕软声誉，是两件永远在升值、绝不会贬值的终极底牌。

- **选择团队的标尺**：比起公司成败或初始 package，更应优先关注身边的伙伴是否值得相互仰仗数十年。 - **长周期声誉复利**：人们对于出色专业表现与为人品质的记忆跨度可长达 15 到 20 年，这是后续优质机会的关键策源地。 - **穿越周期的两张底牌**：保持前沿技术的持续学习（All in AI）+ 积累真诚持久的人际杠杆（Network Leverage）。

## Notable quotes > [00:42](https://www.youtube.com/watch?v=F5-isewu-ww&t=42s) 人才在理论上是可解的，但在实操层面依然极度困难。 — 徐老师

> [00:42](https://www.youtube.com/watch?v=F5-isewu-ww&t=42s) 真正决定成败的根本不是砸钱本身，而是组织领导力。 — 徐老师

> [02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) 全栈不再是一组特定的代码技术栈，而是一种端到端解决问题的能力。 — 徐老师

> [02:43](https://www.youtube.com/watch?v=F5-isewu-ww&t=163s) 如果一个人的自我定位仅仅是“Coder”（代码编写者），在这个技能被 AI 迅速贬值的时代会极其危险；但如果把自己的身份定义为“Builder”（创造者/建造者），凭借优秀的个人素质追求业务结果，那当下反而是一个前所未有的黄金时代。 — 徐老师

> [05:52](https://www.youtube.com/watch?v=F5-isewu-ww&t=352s) 知识工作者（Knowledge Worker）和知识工作（Knowledge Work）是两回事。 — Satya Nadella

> [08:45](https://www.youtube.com/watch?v=F5-isewu-ww&t=525s) 大厂的员工规模，从来不取决于“完成这项业务真正需要多少人”，而仅仅取决于“公司当前赚的钱能够养得起多少人”。 — 徐老师

> [12:38](https://www.youtube.com/watch?v=F5-isewu-ww&t=758s) 职场人唯一正确的应对策略只有一条：毫无保留地全面拥抱 AI（All in AI）。 — 徐老师

> [15:30](https://www.youtube.com/watch?v=F5-isewu-ww&t=930s) 职场中的人脉网络几乎没有任何下行风险（downside）。只要你选择加入一个拥有顶尖人才密度的团队，即便这家公司最终商业化失败、业务关停、股权价值归零，你所沉淀的高质量人脉依然长久属于你。 — 徐老师

> [18:37](https://www.youtube.com/watch?v=F5-isewu-ww&t=1117s) 哪怕英伟达的股票未来暴跌 90%，虽然主观上会觉得非常惋惜，但至少“不会哭”，是处于自己财务承受范围之内的。 — 徐老师

> [19:35](https://www.youtube.com/watch?v=F5-isewu-ww&t=1175s) 无论技术和资本周期如何大起大落，“All in AI”夯实硬技能与“投资人脉网络（Network）”深耕软声誉，是两件永远在升值、绝不会贬值的终极底牌。 — 徐老师

## Mentioned 课代表立正, 徐老师 (Howie Xu), Google, OpenAI, Perplexity, Neo 浏览器, Mark Zuckerberg, Scale AI, Alexandr Wang, Satya Nadella, Sam Altman, NVIDIA, Lilian Weng (翁丽莲), Thinking Machines, Loopt, Y Combinator (YC), Paul Graham, LinkedIn, GEN

## Video description AI课程/风水宝地： https://www.superlinear.academy/ai-builders Neo: https://go.ai-builders.com/neo

会员频道3美元一个月，周更，并送终身社区会员。非常超值，很建议一试。

本期视频，我和硅谷徐老师深入探讨了一个很多同学都在焦虑的问题：在 AI 泡沫可能破裂、大厂裁员不断的当下，普通职场人到底该如何自处？

我们没有停留在“AI 很强”的宏观吹捧上，而是从具体的“用人方”视角出发，剖析了此时此刻硅谷到底需要什么样的人才。徐老师提出了几个非常反直觉但深刻的观点： “全栈工程师”的概念已经彻底变了：以前是前端+后端，现在的全栈是 Product + Growth + Design + Eng，你要做一个能解决问题的 Builder，而不是一个只会接单的 Coder。大厂招人与技术无关：大厂的 Headcount 往往取决于“有没有钱”而不是“需不需要人”，理解这一点，能帮你祛魅。职场真正的杠杆：绝大多数人把工作当成 Investment（投资肉身换取回报），但忽略了职场中唯一的无风险杠杆——Network（人脉网络）。哪怕公司黄了，这个杠杆也是你未来几十年最大的护城河。

如果你正在犹豫要不要转行，或者觉得自己在工作中无法捕捉 AI 带来的生产力红利，这期视频会给你一个非常清晰的思考框架。

00:00 人才是「可解问题」吗？1 亿美金包裹与领导力 02:05 没提到 data？AI 时代的全栈人才长什么样 05:52 白领工作会消失吗：从农业、制造到知识工作 08:45 全职 vs contractor：工作除了钱还有什么 11:45 把职业当投资：all in AI & 选公司 15:30 Network 作为无风险职业杠杆与在泡沫中自保

AI课程/风水宝地： https://www.superlinear.academy/ai-builders Neo: https://go.ai-builders.com/neo

──────────────────────────────────── 嘉宾 / Guest：徐老师 (Howie Xu)（Howie Xu）财富五百强 GEN 首席AI官、投资人、斯坦福商学院客座讲师 @ GEN 更多嘉宾访谈：https://www.lizheng.ai/guests 加入课代表社区：https://www.superlinear.academy ────────────────────────────────────

[Source](https://www.youtube.com/watch?v=F5-isewu-ww)

中文简报

硅谷高管徐老师称大厂裁员无关AI，职场人需靠人脉网络对冲周期大厂规模完全取决于企业资金充裕度而非技术提效，普通从业者唯有从单一写代码转型为全栈Builder并在优质团队积累零下行风险的人际杠杆，才能稳健穿越周期波动。徐老师指出，AI 时代的“全栈”概念已从单纯的前后端代码拓宽为涵盖工程、产品、增长与设计的端到端 Builder 能力，单纯的接单 Coder 极易被淘汰。大厂的人才招募本质上由资金充裕度决定而非单纯因 AI 提效，因此不必将裁员完全归咎于技术。面对未来不确定性，普通人的最优策略是财务上拒绝金融杠杆并毫无保留地 All in AI，同时将职业视作肉身投资，依托高质量的同事网络（Network）构筑起跨越周期的唯一无风险职业杠杆。 AI 时代对“全栈”的定义发生根本重构，从过去的“前端+后端”拓展为涵盖工程、数据、产品、设计与增长的端到端能力，单纯接单的 Coder 迅速贬值，解决实际问题的 Builder 成为核心竞争力。 (2:43) 大厂员工规模本质上取决于公司的盈利能力和充裕资金，而非实际业务需求人数；资本充裕时倾向扩张，收紧时则无情裁员，与技术实际提效程度关联不大。 (8:45) 普通人应对技术迭代与裁员周期的最佳策略是坚定 All in AI；硅谷以外绝大多数人对 AI 仍处抵触或浅尝阶段，只要进入前 5%-10% 的应用梯队即可建立显著竞争优势。 (12:38) 人脉网络（Network）是职场中唯一的无风险单向杠杆；即便公司倒闭期权归零，与顶尖团队共事沉淀的声誉和人脉资产仍可跨越 10-20 年持续释放复利。 (15:30)

Reading summary

面对硅谷裁员潮与人工智能的重塑，硅谷徐老师认为，知识工作不会消亡，行业焦虑多源自想象力匮乏；职场人应完成从单一技术接单者（Coder）向端到端解决问题者（Builder）的认知迭代，并在财务上严控杠杆，借由深耕前沿应用与高质量人脉网络构筑终身护城河。重构全栈能力：从Coder跃升为Builder (2:43) 在 AI 迅速拉低基础代码门槛的背景下，徐老师指出，全栈（Full-Stack）的定义已从过去单纯的“前端加后端”演进为业务交付维度的全流程打通，涵盖工程、数据流、产品定义、用户体验设计及增长运营。传统机械接单写代码的程序员定义面临淘汰，但以解决实际技术与业务问题为核心的软件工程师将长存。个人的职业身份认同（Identity）是拉开差距的关键：若自我定位仅为 Coder，其技能正被快速平价化；若定位为追求结果的 Builder 乃至亲自抓业务的“全栈 CEO”，当前反而是借力技术杠杆的黄金时代。此外，针对大厂动辄开出上亿美元高薪争夺人才的现象，徐老师强调决定成败的本质是组织领导力和用好顶尖人才的能力，而非单纯资金投入。白领消亡的想象力陷阱与大厂招人真相 (5:52) 针对 AI 将在短期内取代白领知识工作者的担忧，徐老师援引微软 CEO 萨提亚·纳德拉的观点，指出“知识工作者”与“知识工作”并非同一概念。技术革命会重塑工作形态，但历史上未曾削减知识工作者总量。正如百年前马车夫无法预见由汽车催生出的制造、公路维护及租车等庞大现代产业，当下关于白领消亡的焦虑本质源于人类对未来新兴生态的想象力局限。关于组织形态，徐老师认为人类对社交与群体归属的底层心理需求，决定了全职协作不会被承包商模式完全取代。同时，大厂员工规模的扩张或收缩，从不取决于业务实际需要多少人，而纯粹取决于企业利润与现金流能养得起多少人； headcount 的剧烈波动本质受资本周期与管理层人性驱动，与 AI 提效的技术成熟度无直接因果关联。应对技术泡沫：拒绝金融杠杆与躬身入局AI (18:37) 面对可能的 AI 泡沫与裁员风险，徐老师提出兼顾防御与进攻的策略。在财务投资上，他以买入英伟达为例，强调必须坚持不加金融杠杆，并预设承受股价暴跌 90% 极值风险的心理与资金底线，避免重演 2000 年互联网泡沫期从业者借贷行权导致破产的悲剧。在职场与个人技能维度，破局解法是毫无保留地“All in AI”。徐老师指出，科技核心圈外的大多数从业者仍处在抵触或观望阶段，普通人无需追求成为全球前 0.01% 的研发精英，只需将应用水平推进至前 5% 到 10% 即可建立壁垒。他建议借鉴华人研究员翁丽莲（Lilian Weng）的微习惯，保持每周上手尝试并掌握一款全新 AI 工具，把个人的精力和时间作为“肉身投资”押注在高天花板赛道。人际网络：跨越周期的无风险终极职业杠杆 (15:30) 徐老师将高质量人际网络（Network）定义为职场中唯一的单向、无风险杠杆。金融杠杆具有双向波动的爆仓风险，但在顶尖人才密集的团队中所沉淀的信任与人脉，即便企业最终面临估值缩水或破产，也不会归零。例如山姆·奥特曼早年创办 Loopt 虽然失败，但在此过程中赢得 YC 核心圈的信任，成为其日后执掌 OpenAI 的基石。他建议求职者将“团队成员是否值得由衷敬佩和长期仰仗”作为挑选公司的强约束标准。专业能力与良好人品所建立的声誉复利往往可持续 15 到 20 年之久，成为未来孵化重大机遇的策源地；在技术和资本周期剧震之中，前沿技术积累与深厚的人脉杠杆构成了永不贬值的底层资产。徐老师总结认为，技术演进在宏观造福人类的同时，微观上必然给个体带来剧烈冲击；从业者无法掌控大厂的资本性裁员，唯有坚守不借贷的财务底线，以 Builder 思维深耕 AI 工具应用，并借由加入优秀团队累积长周期的人脉声誉，才能实现真正的穿越周期。

Source quotes

[0:42] 徐老师: 人才在理论上是可解的，但在实操层面依然极度困难。 [0:42] 徐老师: 真正决定成败的根本不是砸钱本身，而是组织领导力。 [2:43] 徐老师: 全栈不再是一组特定的代码技术栈，而是一种端到端解决问题的能力。 [2:43] 徐老师: 如果一个人的自我定位仅仅是“Coder”（代码编写者），在这个技能被 AI 迅速贬值的时代会极其危险；但如果把自己的身份定义为“Builder”（创造者/建造者），凭借优秀的个人素质追求业务结果，那当下反而是一个前所未有的黄金时代。 [5:52] Satya Nadella: 知识工作者（Knowledge Worker）和知识工作（Knowledge Work）是两回事。 [8:45] 徐老师: 大厂的员工规模，从来不取决于“完成这项业务真正需要多少人”，而仅仅取决于“公司当前赚的钱能够养得起多少人”。 [12:38] 徐老师: 职场人唯一正确的应对策略只有一条：毫无保留地全面拥抱 AI（All in AI）。 [15:30] 徐老师: 职场中的人脉网络几乎没有任何下行风险（downside）。只要你选择加入一个拥有顶尖人才密度的团队，即便这家公司最终商业化失败、业务关停、股权价值归零，你所沉淀的高质量人脉依然长久属于你。 [18:37] 徐老师: 哪怕英伟达的股票未来暴跌 90%，虽然主观上会觉得非常惋惜，但至少“不会哭”，是处于自己财务承受范围之内的。 [19:35] 徐老师: 无论技术和资本周期如何大起大落，“All in AI”夯实硬技能与“投资人脉网络（Network）”深耕软声誉，是两件永远在升值、绝不会贬值的终极底牌。

Original transcript

[0:42] 我们频道里的很多同学 [0:43] 都关心的一个点 [0:45] 就是在这个时代的人才 [0:46] 画像是什么样子的 [0:47] 他们怎么能成为这个时代更好的人才 [0:50] 你刚刚也提到 [0:51] 就比如说Google要想做一个AI浏览器 [0:53] 肯定能做 [0:54] 然后OpenAI、Perplexity他们能 [0:57] Neo其实这件事虽然难 [0:59] 但是也肯定能 [1:00] 那听起来我有一种感觉 [1:02] 就是人才在这里边是一个可解的问题 [1:06] 或者说他不是那个differentiator [1:08] 不知道徐老师你同不同意这样的一个 [1:12] 我觉得理论上可解 [1:13] 但实际上还是一个很难的一件事情 [1:15] 因为Google发展得这么好 [1:18] 最终还是因为 [1:19] 他从这个公司创立第一天开始 [1:21] 就对人才的一个饥渴程度 [1:24] 对人才管理 [1:25] 对人才的重视程度 [1:27] 就是跟其他公司有很不一样的看法 [1:29] 所以说真正能够做好人才 [1:31] 还是不容易的 [1:32] 就好像我们都知道 [1:34] 最近Meta的小扎用1亿美元的包裹 [1:37] 有的人多一点 [1:38] 有的人少一点 [1:39] 但是那个数量级 [1:40] 即使少一个数量级已经很多了 [1:42] 所以说是不是1亿美元这个不重要 [1:44] 但我们就用1亿美元这个来讲 [1:46] 但是 [1:47] 你说1亿美元就能解决这个问题吗 [1:49] 很有可能 [1:50] 不一定 [1:51] 这里面如果要解决的话 [1:52] 还是需要领导力 [1:53] 就是小扎自己的领导力 [1:55] Alexandr Wang这两个人 [1:57] 他要真正的人能够把人用好 [1:59] 这两个人的track record不错 [2:01] 所以说我觉得还是有可能的 [2:02] 但是光是1亿美元 [2:05] 招了一堆人就解决问题 [2:07] 那还差得很远 [2:09] 对大约是这样子 [2:10] 所以说你刚才提到 [2:12] 人才是一个可解的问题 [2:13] 我觉得理论是可解 [2:15] 但真正要把人才真正的招好用好 [2:19] 并不容易 [2:19] 我这里做一个小广告 [2:21] 其实我们做浏览器需要很多的人才 [2:24] 浏览器之外我也在做其他的创新项目 [2:27] 也是需要人才 [2:28] 目前不管你是做工程师的 [2:30] 还是做产品的 [2:32] 还是做growth对吧 [2:33] 增长的 [2:34] 其实我们对人才还是非常饥渴 [2:36] 我觉得很难的一件事情 [2:38] 可解不代表做得到 [2:40] 反正 [2:40] 我每天还是非常的认真的在寻找人才 [2:43] 我刚才想 [2:44] 我们应该很多观众刚才听完了 [2:46] 心里一凉 [2:47] 因为没说data哈哈哈 [2:49] 没说data [2:50] 为什么心里一凉 [2:52] 你来说一下 [2:52] 因为他们是做data的嘛 [2:54] 你需要的人才里边你没有提data [2:56] 他们就说哦 [2:57] 是不是我的工作 [2:58] 哦你是说data scientist [2:59] data engineer [3:00] okay that's a very good question [3:03] 今天我们再去想人才 [3:04] 我觉得要更加想一个Full-Stack [3:07] 我们全栈式工程师 [3:08] 这件事情已经讲了很多了 [3:10] 前端后端 [3:11] 对吧但我觉得AI时代 [3:12] 把这个全栈就完全重新定义了 [3:14] 今天的全栈就不只是前端后端 [3:17] 有可能前端后端要去处理数据 [3:19] 要去数据工程师 [3:20] 甚至于可能要去做PM [3:22] 甚至于可能要做designer [3:23] 甚至有可能去做增长 [3:24] 这个才叫全栈 [3:25] 全栈就是一个scope [3:27] 是非常wide [3:28] 我这周还在美国 [3:30] 最大的一个银行之一吧 [3:32] 一个峰会上面做了一个panel [3:34] 然后旁边的一个人 [3:36] 就是这个银行的一个高管 [3:39] 然后我就跟他聊起同样这个话题 [3:41] 他非常同意我的这个对于全栈的理解 [3:43] 后来我说你们银行呢 [3:45] 因为这个银行是相对来讲 [3:46] 是一个很大的银行 [3:47] 但是呢 [3:48] 做事情创新相对来讲特别慢的 [3:50] 他说对我们的team也是一样 [3:52] 就说他觉得过了两三年 [3:54] 如果你不能用这种全栈性思维 [3:56] 我手下的那个工程师就会被淘汰掉 [4:00] 唉我觉得那已经是属于 [4:01] 如果说我要去看一个spectrum [4:04] 就是一个光谱 [4:05] 它是在相对来讲 [4:07] 采用新的工作方式比较慢的 [4:10] 一个公司都已经是这么想的 [4:11] 那更何况其他的 [4:13] 所以说回到你刚才说的 [4:14] 我觉得没有必要 [4:15] 心中一凉 [4:16] 我觉得今天我的engineer呢是一个泛指 [4:19] 是一个能做技术工作的这么一个泛指 [4:22] 不要说工程师呢 [4:23] 不要说engineer呢 [4:24] 我前两天碰到一个startup的CEO [4:27] 他可能会到我自己的一个播客节目 [4:29] Neo Show来做一个节目过几周 [4:31] 我为什么邀请他 [4:32] 就是我听到他说了一句话 [4:33] 我们在讨论类似的话题 [4:34] 他说哦这个不只是全栈的工程师 [4:37] I need to be a Full-Stack CEO [4:39] 我要是一个全栈的CEO [4:41] 我不仅是要做产品做增长 [4:43] 我什么都要 [4:44] 自己就要能做 [4:45] 因为AI的原因 [4:46] 所以说我觉得AI时代是应该改变了 [4:49] 这个定义 [4:50] 就我刚才说的 [4:51] 那个美国最大的一个银行的技术峰会上面 [4:53] 我们做这个panel有一个是VC [4:55] 他说的一个观点就是 [4:56] software engineer这个category [4:58] 这个职位在几年之后就会消失掉 [5:01] 我其实不同意 [5:02] 但其实我们说的是同一件事情 [5:04] 就是说这个软件工程师 [5:06] as we know today会消失掉 [5:09] 或者说as we know in the last few years会消失掉 [5:12] 但是软件工程师我觉得这个职位还在 [5:15] 只是会被完全重新定义一下 [5:18] 我觉得大多数的工作都是这个样子的 [5:20] 你之前也有一个文章嘛 [5:22] 就是如果说你的identity是coder [5:25] 那完了 [5:25] 但是你如果identity是builder的话 [5:28] 那其实是个非常好的时代 [5:29] 就是更多的是traits [5:31] 这个人的素质是什么 [5:32] 然后你追求的结果是什么 [5:34] 你把自己定义为一个技能的话 [5:37] 那这个技能很快可能就会变得便宜 [5:39] 或者说消失 [5:41] 对对于我们这个课代表 [5:43] 这个节目的听众观众 [5:45] 我觉得很多人 [5:46] 都是在不断的在思考这个问题 [5:49] 对吧我觉得这个问题是这样子的 [5:51] 我们刚才说的这个话题 [5:53] 其实不是一个新话题 [5:54] 过去100年200年 [5:56] 过去几十年的数字革命 [5:58] 没有AI这件事情也在发生 [6:00] 对吧唯一不一样的就是 [6:02] AI时代这件(事)发生的速度比以前要快 [6:05] 或者说至少快一点吧 [6:07] 快多少每个人因人而异 [6:08] 每个行业不同但绝对是要比以前快 [6:11] 所以说大家感知到的哇 [6:12] 这个东西好像是前所未有 [6:15] 或者说很不适应 [6:16] 或者怎么样 [6:17] 这是因为速度变化的速度快 [6:19] 但是这个变革 [6:21] 其实并不是一件新鲜事情 [6:22] 就好像我们每天早上起来 [6:24] 至少我每天早上起来先看邮件 [6:26] 30年前哪有邮件 [6:27] 40年前哪有邮件给你看 [6:29] 对吧那现在有邮件看 [6:31] 过了30年40年 [6:32] 我不相信大家还是在同样的 [6:34] 到Outlook里面或者Gmail里面看邮件 [6:36] 会有一种新的形态 [6:38] 跟我们的数字世界打(交道) [6:40] 在这我有一个观点想抛出来 [6:42] 跟徐老师你讨论一下 [6:43] 就是这个变化的速度 [6:45] 过去的100年几百年是有这样的变化的 [6:47] 几千年吧 [6:48] 就第一波是农业 [6:50] 后来工业革命了 [6:51] 制造业然后农业自动化了 [6:53] 但是制造业的人口 [6:54] 到现在也是越来越少 [6:56] 然后白领 [6:57] 白领的这个就是knowledge worker [6:59] 其实是1950年左右的时候 [7:01] 才大规模开始的 [7:03] 中国的话可能199*几年吧 [7:05] 白领工作是主要工种 [7:07] 我觉得都不一定 [7:08] 就那个时候可能还制造业是主要工种 [7:09] 但是我们现在绝大多数人都是白领了 [7:11] 然后他的这个被取代可能也是更快的 [7:15] 就是农业可能几千年 [7:16] 制造业几百年 [7:17] 然后我觉得白领可能不一定有100年 [7:20] 就会大多数这个工作消失 [7:23] 觉得可能吗 [7:25] 我觉得白领的工作的定义会改变 [7:28] 微软的CEO就是微软的CEO也说过一句话 [7:31] knowledge worker跟knowledge work是两回事情 [7:35] 我觉得knowledge worker完全会被重新定义 [7:39] 但是knowledge worker我很难想象会改变 [7:42] 我觉得应该会变更多吧 [7:45] 有人会说 [7:45] 哎呀有了AI以后 [7:46] 有了AGI以后 [7:48] 就不需要那么多knowledge worker [7:50] 我觉得人类历史上 [7:52] 或者说不管是工业革命技术革命 [7:54] 还从来没有发生过 [7:55] 因为技术使得knowledge worker变低 [7:58] 我从来没听说过也没见过 [8:00] 我只是觉得 [8:01] 我们今天的想象能力没在那边 [8:03] 就好像100多年前大家都在用马车 [8:06] 然后汽车来了 [8:07] 那些马车夫觉得哎呀工作都要没了 [8:09] 对吧但是 [8:10] 他对于未来汽车行业的想象能力 [8:13] 是没有的 [8:14] 怎么去想象一个未来的厂是怎么样的 [8:16] 未来有了厂 [8:17] 还有租车行业 [8:18] 我觉得人类没有那个想象能力 [8:21] 那也没有这个想象能力去说 [8:23] 有了自动驾驶 [8:24] 有了AGI [8:25] 有了以后会有些什么行业出来 [8:27] 但不代表这些行业不会出来 [8:29] 如果你是不相信AGI [8:31] 那可能这个问题更容易了 [8:32] 但即使你是对AGI非常坚信不疑的话 [8:35] 我觉得在AGI到来之后 [8:38] 我们今天缺的是想象能力认知能力 [8:40] 而不是说这件事情不会发生 [8:42] 这个地方稍稍再break down一下 [8:45] 还有这么一个社里区的观点 [8:47] 就是全职工作 [8:48] 是没有办法capture生产力的提高的 [8:51] 但是business partner或者business owner可以 [8:54] 或contractor可以 [8:55] 就是他按照小时付费 [8:57] 或者按照outcome付费可以 [8:58] 可是全职员工今天他用AI提效10倍 [9:01] 工资没有涨 [9:02] indirect可能反映在performance review [9:04] 但是其实他缺乏这个motivation [9:06] 这个你怎么看 [9:07] 这个问题稍微复杂一点 [9:09] 我只能讲提供一个点就是全职工作跟contractor [9:13] 至少我个人或者我周围人 [9:15] 我是这么观察的 [9:16] 比如说在硅谷 [9:17] 你可以去找一个全职的工作对吧 [9:20] 在一个team里面做成 [9:21] 也可以自己去做一些contractor的东西 [9:25] 说不定contractor做的事情 [9:26] 你每小时赚的钱要多 [9:28] 或者多很多 [9:29] 都有可能 [9:29] 但是很多人还是挺愿意做full time的 [9:32] 为什么人类是一个social的一个群体 [9:34] 需要感觉到我在一个群体里面 [9:36] 在群体里面互相的有交互 [9:39] 然后互相的有一些互动 [9:41] 当然有些这种互动变成digital的互动 [9:44] 对吧就数字世界上的互动 [9:45] 那有可能 [9:46] 但是人类是一个群体社会 [9:48] 是需要互动的 [9:49] 这个我觉得不会改变 [9:51] 不会因为有了AI改变 [9:52] 就是还是要这样子的 [9:54] 所以说很多人 [9:55] 至少我周围观察的很多人 [9:57] 他需要一个full time的job [9:59] 其实他需要有这么一个机会去互动 [10:02] 所以说并不是说哎呀我以后有了AI [10:05] 我就能够一个人就能做公司了 [10:07] 所以说我就不招人了或怎么样 [10:09] 跟大家分享一下 [10:10] 我自己其实也经过几个转折 [10:12] 过去几年 [10:13] 一个转折就是当Sam Altman [10:15] OpenAI的CEO提出one person unicorn 的时候 [10:18] 这应该是一年半之前 [10:19] 他提出这么一个观点 [10:21] 我觉得很make sense [10:22] 我觉得以前我可能需要10个人 [10:24] 现在有了AI可能一个人 [10:26] 当然他说一个人也不一定是说(就)一个人 [10:29] 就是说意思就是人非常少 [10:30] 哎我觉得这个很make sense [10:32] 为什么要那么多人就一个人就能做了 [10:35] 但其实一年半以后 [10:36] 我的观点其实稍微改变了一点 [10:39] 我仍然觉得他说的是对的 [10:40] 就是说今天我 [10:41] 尤其是作为一个初创公司 [10:43] 我如果现在有15个人 [10:45] 本来我要扩招到25个人 [10:46] 但是我现在会比较小心谨慎 [10:49] 而且我觉得 [10:49] 15个人 [10:50] 就已经能做过去25个人这件事情了 [10:52] 或者说一个人两个人能做 [10:54] 过去5个人能做(的事情) [10:55] 这个还是对的 [10:57] 但是我觉得从一个长期的角度上来讲 [11:00] 一个公司 [11:01] 我不觉得未来就是都是一两个人 [11:03] 或者10个人的小公司 [11:04] 我觉得以后还是会有大公司 [11:06] 为什么以后还是会有新的大公司 [11:09] 还是回到我刚才说的 [11:10] 就是这是一个人性的一部分 [11:12] 就是希望大家一起做事情 [11:14] 这个跟技术没有什么很大的关系 [11:17] 我再讲一个很简单的 [11:18] 不管是硅谷的大厂 [11:19] 还是美国的任何一个大厂对吧 [11:21] 他每次都是有钱了就招人 [11:23] 没钱了就砍人 [11:24] 为什么这个就是一个人性的一部分 [11:27] 有钱了我就hire人 [11:29] 至于说是不是需要 [11:30] 这个是次要的 [11:31] 反正我就感觉我需要 [11:33] 反正因为各种各样的原因 [11:34] 等到没钱了 [11:35] 华尔街说哎 [11:36] 你不砍人我要惩罚你了 [11:37] 然后大家(就砍人) [11:38] 所以说最终你招人不招人 [11:40] 其实不跟你 [11:41] 那个技术是不是成熟到一定程度 [11:44] 其实只需要7个人做 [11:45] 不需要17个人做 [11:46] 美国的公司从来没这么发展过 [11:49] 明白了确实 [11:50] 这些大厂的人数 [11:51] 不是由他需要多少人 [11:53] 去做这件事决定的 [11:54] 而是他的业务模式 [11:56] 赚了这么多钱 [11:56] 能afford这么多人 [11:57] 然后就招了这么多人 [11:59] 对我大概十几年前我就figure out [12:01] 这一个真谛就是至少硅谷的公司 [12:03] 我相信美国绝大多数公司都这样 [12:05] 可能世界上大多公司也一样 [12:07] 那我就不敢说了 [12:08] 绝大多数的公司有多少人 [12:10] 跟他需要多少人没有关系 [12:13] 跟他能够afford [12:14] 能够养得起多少人是有关系 [12:16] 跟他需要多少人一点关系都没有 [12:18] 我觉得在AI时代非AI时代都会一样 [12:21] 只要养得起 [12:22] 我就会做 [12:23] 有道理是个人性 [12:25] 好的谢谢徐老师 [12:26] 刚才我们聊了AI bubble [12:28] 就是AI对于投资的影响 [12:30] 可是我们很多人 [12:32] 绝大多数的收入其实是来自于工作 [12:34] 而不是来自于投资 [12:35] 那你觉得接下来的几年 [12:36] 工作这块我们应该怎么看呢 [12:38] 我觉得是这样子的 [12:39] 我是一个乐观者 [12:41] 我是很乐观 [12:42] 就是技术的发展 [12:43] 对人类是产生正面的影响 [12:46] 但这是一个非常宏观的一个看法 [12:48] 就是对人类对吧 [12:50] 总体人类 [12:51] 对微观来讲 [12:52] 我们每一个人 [12:53] 每一个家庭的影响是不一样的 [12:54] 对很多家庭可能是一个负面的 [12:57] 或者说非常负面的影响 [12:59] 这都是有可能的 [13:00] 这个我一点都不否认 [13:02] 从这个角度上来讲 [13:03] 其实我是有一定担心的 [13:06] 为什么是有一定担心 [13:07] 因为我觉得包括我自己周围的 [13:09] 不管是朋友还是你的节目的粉丝们 [13:12] 或者说怎么样 [13:13] 我觉得是需要去思考这件事情的 [13:16] 我觉得这里面有两个点 [13:17] 第一个其实还是 [13:19] 不管是现在大厂都说我要lay off人 [13:22] 对吧就是裁员跟AI没关 [13:24] 但是有的人说其实跟AI有关 [13:26] 我觉得这个没必要去争论 [13:28] 口头上跟AI有关 [13:29] 口头上跟AI没关 [13:31] 多多少少都是有点关系 [13:32] 但是即使没关系 [13:34] 你要take的action是什么呢 [13:36] 你要take的action就是还是要去拥抱AI [13:38] 我觉得大家不要去underestimate [13:41] 不要去低估的一件事情 [13:43] 就是有很多人会认为哎呀 [13:45] 这社会人人都在拥抱AI [13:47] 那我去拥抱AI [13:48] 到底有多大的difference [13:50] 有多大的不一样 [13:51] 我觉得是很不一样的 [13:53] 首先如果说你是在科技界的 [13:55] 你在硅谷或者在科技领域 [13:56] 我觉得你看到的 [13:58] 跟别人看到的很不一样的 [13:59] 我觉得出了硅谷 [14:01] 出了科技界 [14:01] 其实很多人还是对AI不了解 [14:04] 甚至于抵触 [14:04] 所以说你今天拥抱AI [14:06] 你今天all in AI [14:07] 你还是有很大很大的优势的 [14:10] 你不需要成为世界上拥抱AI最厉害的人 [14:12] 你只要是那个top one top five percent [14:15] top ten percent [14:16] 你已经是比人家有很大的优势 [14:18] 所以说第一个点 [14:20] 就是你不要认为哎呀 [14:22] 我现在拥抱AI [14:23] 或者说全力拥抱AI是不是太晚 [14:25] 或者说只是大家都在拥抱我一样拥抱 [14:28] 是不是(没用） [14:29] 我觉得不必担心 [14:30] 我觉得你如果今天开始全力拥抱 [14:32] 你已经站在一个很好的起跑线上面了 [14:36] 所以说我觉得这是第一个 [14:37] 我想提醒大家的 [14:38] 第二个有很多人都说一个观点 [14:41] 就是对职场的选择 [14:42] 就好像要去选择投资一样 [14:45] 就是我如果看中什么样的公司对吧 [14:48] 我就用肉身去加入去投资 [14:52] 我觉得这是一个很不错的看法 [14:54] 是可以供大家参考的 [14:55] 我这边加一个供大家去思考的一个点 [14:59] 就是这里面还不仅仅是我肉身 [15:02] 去加入一个我愿意去投资的公司 [15:05] 然后我以后得到的回报就像一个投资 [15:08] 投的好的一个回报不只是这一个点 [15:10] 另外一个点就是我们做投资 [15:12] 我们知道有的时候会有用杠杆 [15:14] 今天可以去买英伟达的股票 [15:16] 不管是杠杆用还是不用 [15:18] 你用了可能赚的更多 [15:19] 但有可能跌的更多 [15:20] 这我们前面已经提到了对吧 [15:22] 但其实我们在职场里面 [15:24] 你用一个投资的思维也有一个杠杆 [15:27] 课代表你能不能作为一个课代表 [15:29] 你能不能先猜一猜 [15:30] 我想讲的那个杠杆是什么吗 [15:33] 就是职场的杠杆是什么 [15:34] 我还真想不到 [15:35] 就除了你加入一个公司 [15:37] 用自己的人力时间投进去 [15:40] 但是这就100%的投资了 [15:41] 就是一个concentrated bet [15:43] 之前我们聊的 [15:44] 如果再加杠杆的话 [15:46] 对有什么是你的职场的杠杆 [15:48] 这个故事你也听过很多 [15:50] 或者甚至于 [15:50] 你可能在你的频道里面都讲过很多次 [15:53] 我作为一个职场的人 [15:55] 加入一个公司 [15:57] 我就应该像选择投资一样 [16:00] 好的话就会有return [16:01] 但万一这家公司不行了 [16:03] 那你呵呵 [16:04] 股票也就没什么用 [16:05] 但至少你也有工资对吧 [16:07] 但是其实是有一个杠杆在里面的 [16:09] 你如果把这个杠杆用好 [16:11] 我来就告诉你 [16:12] 我觉得这个杠杆就是network [16:13] 哦～～！ [16:14] 他跟那个投资很不一样 [16:16] 肉身去加入一个公司 [16:18] 有很大的一个好处 [16:19] 为什么呢 [16:20] 你如果加入一个 [16:21] 有很好团队的一个公司 [16:23] 即使这家公司做的不好 [16:26] 你的investment是错的 [16:28] 那是有可能的 [16:28] 因为任何一个investment都有可能错的 [16:30] 每个人都会犯错误 [16:32] 但是你从加入这家公司 [16:34] 你能够认识很多的人 [16:36] 你认识的人 [16:37] 你这个团队 [16:37] 有可能是你未来的 [16:39] 加入下一个公司的引路人 [16:41] 或者说你自己作为一个初创公司 [16:43] 然后你可以把他们招进你这边来 [16:45] 有各种各样的一个长期的回报 [16:48] 这个长期的回报 [16:49] 我觉得你只要把它用好 [16:51] 这个杠杆是无风险的杠杆 [16:53] 不像投资的杠杆 [16:54] 投资的杠杆你是一个双刃剑对吧 [16:57] 用了不好了 [16:58] 力道太大了 [16:59] 呵呵这是可能 [17:00] 就是为什么我说到Dot com年代 [17:02] 真的是能够看到grown men cry [17:05] 是因为杠杆用的太多了 [17:06] 对吧就是说股票卖了 [17:08] 不卖了怎么样了 [17:10] 但是从工作的角度上来讲 [17:11] 你认识一堆很优秀的人 [17:13] 这个是几乎没有downside [17:16] 那些grown-men cry的原因 [17:17] 不是因为我在这家公司工作了两年 [17:20] option变成0了哭了 [17:22] 是因为我option exercise了不去卖 [17:26] 这是一个financial的一个decision [17:27] 才会造成后来哭 [17:29] 但是你如果说是正常的情况 [17:31] 你是用一个工作的情况 [17:33] 你认识一堆人 [17:34] 包括Sam Altman对吧 [17:35] 他当年自己做startup [17:37] 也做的不怎么成功 [17:38] 但是因为这个原因 [17:39] 跟YC的人就又越走越近 [17:41] 然后又后来成为YC的头 [17:43] 然后一路走来 [17:45] 所以说我觉得大家应该想的 [17:47] 要思考的一件事情 [17:48] 就是怎么样去... [17:50] 职场是像一个investment [17:52] 然后再用好你的杠杆 [17:54] 这就是有downside呀 [17:56] downside就是你得罪了人 [17:57] 或者说你认识的人都不行 [18:00] 就是要么没眼光 [18:01] 要么没有情商 [18:03] 这个是对 [18:04] 但是我现在刚才的assumption是 [18:06] 你已经加入了一个公司 [18:08] 你觉得这个公司的人都很不错 [18:10] 嗯 [18:10] 但是这个公司是不是能够真的飞速发展 [18:13] 就像OpenAI [18:14] 它现在是多少 [18:15] 5,000亿美元的市值的公司 [18:18] 它有可能再涨个10倍 [18:19] 但也有可能跌个10倍都有可能 [18:22] 但是我觉得你在OpenAI这家公司 [18:25] 你应该想要去得到的 [18:27] 不只是你的股票值多少钱 [18:29] 而是你在里面的一个career leverage [18:32] 就是你的network [18:33] 是很重要的 [18:34] 确实确实 [18:35] 因为整个主题是bubble嘛 [18:37] 所以说如果bubble破的时候 [18:40] 有没有一些可以保护自己的方法 [18:42] 这个就是非常personalized [18:44] 比如说我今天很可能去买NVIDIA的股票 [18:47] 但是我是不会用杠杆去买NVIDIA的股票 [18:50] 嗯 right [18:50] 我是在我自己假设NVIDIA股票跌了90% [18:54] 至少我不会cry对吧 [18:56] 或者说我可能非常惋惜怎么样 [18:58] 但是至少是(可以承受)这是一个 [19:00] 但从职场的角度来讲 [19:02] 我觉得比较actionable的是 [19:04] 即使是你因为AI的原因被裁 [19:07] 或者说是没有一个怎么样 [19:09] 我觉得我仍然会是all in AI [19:11] 然后去真正的去学一些 [19:15] 我记得OpenAI之前的一个VP of Research [19:18] 然后现在去了Thinking Machine的一个华人（Lilian Weng) [19:21] 我记得她前一段时间说 [19:22] 她做的事情是 [19:23] 每个礼拜都去尝试一个新的AI的tool [19:26] 我觉得这就是一个很好的tip [19:28] 我觉得我也在做这么一件事情 [19:30] 当然这只是一个非常小的点 [19:32] 我觉得是all in AI [19:33] 是一个每个人都应该去做的 [19:35] 另外一个就是最关键的 [19:37] 其实还是我前面说的 [19:39] 我为什么说这是一个career的杠杆 [19:41] 就是其实是一个forcing function [19:42] 让大家去思考 [19:43] 我加入一个公司 [19:44] 这些公司我觉得这些人都是非常respect [19:47] 非常尊敬非常敬佩 [19:49] 这家公司能不能做好我不知道 [19:51] 但是我觉得这都是未来的 [19:53] 能够大家互相仰仗几十年的伙伴们 [19:56] 或者小伙伴们 [19:57] 这个我觉得很重要 [19:58] 我觉得很多人 [19:59] 他可能今天更加顾及的是 [20:01] 这个包裹多大 [20:02] 但是我觉得leverage就是人的network [20:06] 从一个放大10年20年的一个角度 [20:09] 我觉得那个太重要了 [20:10] 你15年以后是不是有一个好的一个机会 [20:13] 我们在你的节目里面提到过嘛 [20:15] 很多都是你今天build up的这个 [20:18] 或者说是不是把这个leverage给用好 [20:21] 是的因为我们很多人 [20:22] 没有这么长的职业经历 [20:24] 所以说他没有看到这件事有多重要 [20:27] 我们徐老师也在社区里面做过 [20:29] 那个节目嘛 [20:30] 你的很深的体感是 [20:32] 20年之后 [20:33] 大家竟然还记得你 [20:34] 20 年之前的一些 [20:35] 你可能看似不是那么重要的事儿 [20:37] 这个reputation真的是会伴随很久 [20:40] 而且真的是 [20:41] 后面的很多机会 [20:42] 都是源自于十几年前一些行为 [20:46] 对我这两天在LinkedIn上面写了几个comment [20:49] 就是我有一个很好的朋友 [20:51] 最近不幸的过世了 [20:52] 然后有一些过去的同事来讲他 [20:56] 都是15年没有见过 [20:59] 但是能够讲出一些细节 [21:01] 那是15年前啊对吧 [21:03] 而且还不是同一个组的 [21:05] 有的是不同的公司的人 [21:07] 都能够提到一些细节 [21:08] 为什么这位同学 [21:10] 这位同事在哪些方面出色 [21:12] 所以说我觉得我是越来越体会到的 [21:14] 就是这方面的 [21:15] 大家的memory其实是lasting的memory [21:19] all in AI然后关注自己的network [21:22] 多关注人 [21:23] network这个leverage [21:24] 对所以说哪怕周期有起伏 [21:27] 但是这两件事情它是升值的 [21:30] 好 [21:30] 感谢感谢 [21:31] 好拜拜 [21:32] 感谢拜拜