文：小龙小记（公众号ID：gh_655f563d85e5）
我花了2个多小时，终于看完了奇绩创坛创始人兼CEO陆奇博士5月30号在清华大学的那场讲座实录。
不是随便翻翻，是一段一段地读，读完一段不得不停下来想想。
不只是因为信息量大（虽然信息量确实有点大），是因为他几乎每一段都在用一个历史坐标重新标定你正在经历的事情。
读完之后最强烈的感受是：这东西不该只在创业圈里传。
做内容的、做自媒体的、做一人公司OPC的，都应该看看。因为他在讲的不是"创业者该怎么做"，而是"这个时代的游戏规则到底变了什么"。
今天这篇不试图覆盖讲座全部内容，那样篇幅太长了。我想做的，是从我自己的视角出发，把我读完之后真正被击中的几个点拎出来，说说它们对一个做AI内容创作的人意味着什么。
陆奇博士这场讲座最核心的主张，其实可以压缩成一条曲线：研究与生产的距离，正在以人类历史上前所未有的速度压缩，而且是结构性的、不可逆的。
他给了几个锚点，牛顿的《原理》等了89年才有瓦特的蒸汽机。麦克斯韦方程等了31年才有马可尼的无线电。到了微软和谷歌时代，研究与生产放在同一栋楼里了，但用的是不同的奖励函数——研究员发论文拿绩效，产品经理做收入拿绩效，两个人不在同一个激励体系里。
然后到了OpenAI之后，研究与生产在同一个团队里，用同一套激励机制。结果是Anthropic一年收入增长80倍。
这个80倍的数据让我有点惊讶，不是增长8倍，是80倍。我反复确认了一下，原文确实这么写的。如果这个数据准确，那它不只是一个商业案例，它是一个制度实验的结果：当研究和生产的激励机制对齐之后，效率不是线性提升，是量级跃迁。
我后来想了想，这条压缩曲线其实解释了很多我之前困惑的事情。比如为什么DeepSeek一个做研究的团队，做出来的东西直接就能用？为什么越来越多的"学术背景"创始人，公司估值飙升的速度远超传统创业者？不是他们更聪明，是游戏规则变了——研究和生产不再需要两个独立的阶段，它们可以在同一个循环里完成。
这是整场讲座里，让我停下来思考很久的一个框架。
陆奇提了一个公式：影响力 = ∫ 峰值强度 × 存续时间 dt。
翻译成人话：影响力不是你做了多少件事，而是你做的每一件事有多强、活了多久。
他举了个很直观的例子：你发20篇普通CVPR论文，每篇算法提升5%，但一个月内就被更好的替代——shelf life极短，积分面积极小。
而Li Fei-Fei（李飞飞）做了一个ImageNet数据集，10年后仍在被引用，影响力的积分面积远超那20篇论文的总和。
这个框架一下就击中我了，因为我在做内容的时候，经常纠结一个问题：到底是每天发一篇文章维持存在感好，还是花一周磨一篇真正有深度的东西好？
按陆奇的框架，答案很清楚。每天发的水文，峰值低，存续时间短——可能发完两小时就被信息流冲走了。但一篇真正挖深了的、提供了别人没提供的视角的文章，峰值高，存续时间长，一个月后还有人翻出来转发、收藏、点赞。
我之前写的那几篇《The Half Second》读后感就是这种体验，连续写了整整一周，但发出去之后持续有人来交流、来讨论、来转发。而那些追热点的快文，发完当天数据还行，第二天就没多少阅读量了。
这让我重新审视了自己的内容策略：与其追频率，不如追不可替代性。
一篇不可替代的内容，影响力积分远超十篇可替代的。
陆奇还给了个四维评估框架——研究影响力、开发影响力、产业影响力、社会影响力——四维覆盖面积越大，影响力积分越高。
对做内容来说，这四维可以翻译成：同行认可度、实际可操作性、对读者的商业价值、引发讨论和传播的广度。
四个维度都踩到的内容，就是那种"发完之后一个月还在长尾传播"的内容。
这是陆奇老师从影响力积分框架里推导出来的一个行动准则，原文是"只有Go High，才能Go Big"。
他的意思是：论文总量不重要，水位决定影响力的上限。
潘建伟、袁隆平、钱学森、屠呦呦——不是靠数量取胜的，是靠那一两个突破改变了世界。
这个判断对做内容同样成立，我最近一直在观察公众号和小红书的生态，有一个发现：真正能突破圈层的内容，几乎都不是"聪明地蹭了热点"，而是在某个点上走到了足够深。
深到别人没法用3句话概括，深到读者看完必须截图保存，深到同行看完心里说"这我写不出来"。
但Go High有个前提条件：你得选对方向。
陆奇老师引用了Paul Graham的框架——禀赋、兴趣、空间。
你擅长什么？你对什么有超乎常人的好奇心？哪个领域看似小但背后挖出来很大？
这三个问题，对做内容选题来说，比任何流量数据分析都管用。因为流量数据告诉你的是"昨天什么火"，而不是"三天后你能把什么说到别人说不到的深度"。
陆奇老师给了三个行动方向：到河对面去、到墙外面去、到同行者中去。
"到河对面去"是最让我有感触的，他说技术在河这边，需求在河那边，过去科学家和工程师很贵，所以技术侧主导。
但今天AI让技术侧越来越便宜——vibe coding之后基础工程人员不再稀缺——反而用户调研、需求深挖、体验设计越来越贵。
他提了一个概念叫FDX——Forward Deployed X，来源是Palantir的FDE（Forward Deployed Engineer），当年给CIA做软件，CIA说你想要理解需求就跟我们一起当间谍，于是FDE就这么诞生了。
陆奇老师把这个模式泛化了：FDP（产品）、FDD（设计）、FDE（工程）——有过河能力的人，在AI时代比过去任何时候都稀缺。
我读完这段，思考了很多。
因为我自己就是一个"从河这边往河那边走"的人，做AI自媒体，我一开始完全站在技术侧——讲工具、讲模型、讲怎么用。
但慢慢我发现，真正引发共鸣的内容，不是"这个AI工具有多厉害"，而是"你在什么场景下为什么需要它"。
今年我改变文章风格，从AI技术讲解转向读书分享和践行陪伴，其实就是在过河。
从"我懂技术"到"我理解你的需求"，这条河比我想象的宽，但过了之后能看到的风景也完全不同。
"到墙外面去"也好理解，研究可以在墙内学，创业只能边做边学。
这句话对做内容的人来说就是：读再多的书和报告，不如动手写一篇、发出去、看反馈、再改。墙内学的是知识，墙外练的是手感。
"到同行者中去"，MIT和哈佛的联合研究发现，事业上成功的人，共同特征是人脉宽且多样。
做内容尤其如此，关起门来写永远不知道外面的世界在发生什么，混到不同领域的创作者中间去，反而能发现别人看不到的选题。
最后，说一个让我反复咀嚼的概念。
陆奇老师说，比"今天有多强"更重要的是"曲线的斜率"。不是你此刻的认知有多高，是你认知迭代的速率有多快。
他把斜率分成三层：认知斜率（认知更新速度）、能动性斜率（搞定复杂事情的能力增长速度）、品味斜率（判断什么值钱的能力增长速度）。
这三层里，品味斜率最容易被忽略，但对做内容的人来说可能最重要。
什么是品味？做药的知道哪个下游需求更强；做材料的知道供应链拐点在哪。
做内容的，知道什么选题能穿透信息噪音、什么角度能引发转发、什么结构能让读者读完——这就是品味。
品味来自哪里？陆奇说：大量数据 + 体验 + 系统性用AI。
对做内容的人来说就是：大量阅读 + 持续创作 + 用AI帮你看到自己看不到的角度。
没有捷径，但这个斜率一旦建立起来，它是最难被别人复制的竞争力。
他还提了一个观点让我印象深刻：个人学习速度 ≈ 所在组织的循环频率。在AI原生组织里一年的学习密度，相当于传统组织里五年。
因为每一轮循环结束，组织的认知就更新一次，个人也同步更新——这是斜率的来源。
对我这个做一人公司OPC 创业的人来说，这意味着什么？意味着我得自己给自己创造循环。
选题→写作→发文→看数据和反馈→复盘→下一个选题——这个循环转得越快，斜率越陡，不能因为没人催就慢下来。
复盘不是只说好话，几个我觉得值得进一步思考的问题：
1.陆奇老师说"研究与生产第一次可以在一起做"，但这有一个前提：你同时承担科学风险、工程风险、市场风险和资本风险。
四类风险打包在一起，对个体创业者的心理承受能力要求极高，不是每个人都能承受这种全链条的不确定性。
所以更现实的路径可能是：找到你能承担的风险类型，然后找能承担其他风险类型的伙伴。
2."影响力积分"框架有一个隐含假设：你能判断你的工作是不可替代的，但不可替代性往往是事后才能确认的。
ImageNet在2009年发布的时候，大多数人并不觉得它比同期其他数据集更重要。怎么在事前判断？这可能是比"影响力积分"框架本身更难的问题。
3.陆奇老师对"研究型大学是第三范式产物"的判断很犀利，但他没有回答一个关键问题：如果NeoLab取代研究型大学成为第四范式的主要科学生产机构，基础研究的公共品属性由谁来保障？不能被市场定价的知识，在NeoLab的激励体系里是被系统性低估的。这是一个制度性问题，不是技术问题。
但这些问题不影响这场讲座的价值。好的框架不在于回答所有问题，在于让你问出更好的问题。
读完这场讲座，我给自己列了三个行动项：
选题上，用"影响力积分"重新审视——每一个选题问自己：峰值够不够高？能活多久？别人能替代吗？如果答案都不够好，不如不写。
方向上，继续过河——从技术侧往需求侧走，从"我懂"往"你需要"走。FDX思维不只是工程师的事，做内容的人也需要成为"被部署到用户场景前线"的人。
节奏上，转得更快——选题→写作→发文→数据→复盘，这个循环不能慢。斜率比起点重要，而斜率靠循环频率。
最后用陆奇老师自己的话收个尾："重要的不是你今天有多强，而是你的斜率有多陡。"
这句话，对做内容的、做创业的、做任何需要长期积累的事的人，都成立。
