小宇宙音频转文本

[00:00] **主持人：** 大家好，欢迎收听AIRC，这是一档探索人工智能的播客。

[00:04] **主持人：** 无论您是关注AI产品设计，探索前沿技术，还是专注于投资布局，这里都将为您提供深度洞察与前瞻性观点。

[00:10] **主持人：** 感谢收听，让我们开始今天的精彩节目吧。

[00:13] **主持人：** 大家好，我是Leo。

[00:16] **主持人：** 今天我们有幸邀请到了Kason，来跟我们聊聊关于Personal AI和Long Term Memory相关的一些经验。请Kason简单做一下自我介绍吧。

[00:28] **嘉宾 Kason：** 大家好，非常高兴又来到这个节目了。上一次来这个节目跟Leo他们有了非常好的交流，也启发了我自己很多的深度思考，所以这次就又过来交流一下。

[00:39] **嘉宾 Kason：** 我是Kason，我现在目前是TANK AI的CEO。在加入TANK AI之前，我是Mindverse AI的联合创始人和CEO。我在2022年的年初开启了AI的创业之路。

[00:51] **嘉宾 Kason：** 基本上就是在2022年年初的时候，我们就认为未来会有AGI，然后会有Agents as Apps。当时就开始构建AI Agents的一个Marketplace，或者说Operating System，叫做MindOS。

[01:15] **嘉宾 Kason：** 在2022年底的时候在国内推出，2023年初在全球其他地区，比如欧美推出。再往后我们发现AI Agents的能力在2023年其实还没有做得很好。

[01:28] **嘉宾 Kason：** 但我们认为未来这是大模型的能力方向。而且用户其实不太需要跟很多AI Agents去聊天。对于中小公司或创业公司来说，更大的壁垒或者说优势是在Memory上面。

[01:50] **嘉宾 Kason：** 因为用户非常关心你的AI能不能足够懂它。所以我们从2023年开始就在做AI Memory for Individuals，就是给个人的AI长期记忆。也是因为我在2023年就开始研究这一块。

[02:07] **嘉宾 Kason：** 所以到了2024年，盛大集团孵化了一家公司叫TANK AI，他们在做企业的长期记忆。当时整个业界做长期记忆的人不多，他们就找到了我，问我愿不愿意过去。

[02:23] **嘉宾 Kason：** 于是我在2024年8月加入了TANK AI，负责整个企业的检索以及长期记忆的应用开发。后来发现企业和个人的长期记忆，包括给Agent的长期记忆与用于检索的记忆，其实是差别非常大的。

[02:42] **嘉宾 Kason：** 总之从2024年到2025年，最近这一年多时间里，长期记忆这个赛道出现了非常多的新进展和变化。我个人觉得这个赛道非常有意思。

[02:56] **嘉宾 Kason：** 包括像红杉资本（Sequoia）和A16Z这样的顶级风投，在最近的分享中都提到，接下来一年，长期记忆会是一个非常重要、他们会重点关注的主题。所以我对这个方向有坚定的信仰。

[03:08] **嘉宾 Kason：** 再回到我的自我介绍。在2022年初创业之前，我在字节跳动待了两年，担任TikTok的全球商业化战略总监。

[03:20] **嘉宾 Kason：** 在TikTok之前，我在Facebook工作了六年。前四年在新加坡，负责大中华区合作伙伴管理；后两年去了总部，在战略部从事用户研究、新产品研发、亚洲市场拓展和竞品分析等工作。

[03:45] **嘉宾 Kason：** 有个有趣的事实是，我在Facebook的最后两年，有一部分工作就是专门盯着TikTok。每天汇报TikTok今天做了什么、明天计划做什么。

[04:00] **嘉宾 Kason：** 当时我们还收购了一家VPN公司叫Onavo，能获取很多App的使用数据，比如使用时长、活跃度等。靠着这些数据，我对TikTok非常了解。

[04:14] **嘉宾 Kason：** 后来TikTok挖我的时候，面试过程我直接把他们的内部情况讲了出来，结果顺利通过。之后我就成了他们内部研究Facebook的人。

[04:26] **嘉宾 Kason：** 这算是我在大厂工作期间一段比较特别的经历。

[04:31] **主持人：** 非常好。之前我们也请Kason聊过他在做MindOS时的经验，谈到了Personal AI和Long Term Memory。我现在很好奇，经过这一年半的发展，你觉得Personal AI现在进展如何？

[04:46] **嘉宾 Kason：** 我觉得这里面有很多不同的分支。我们可以先用最大的颗粒度来看——主要分两类：一类是针对个人的，另一类是针对企业的。

[05:00] **嘉宾 Kason：** 其实还有艺人经纪这类组织，但我觉得更核心的划分应该是用途上的区别：是用于生产力，还是用于娱乐或情绪陪伴？这两个是完全不同的赛道。

[05:20] **嘉宾 Kason：** Personal AI在生产力方面的体现就是AI助手。它底层必须具备连接所有App的能力，能够知道你每天的工作内容、文档里说了什么。

[05:37] **嘉宾 Kason：** 比如你可以问它，“上周会议纪要里提到了什么？”它可以通过统一检索机制找到相关信息。这是最基础的能力。

[05:51] **嘉宾 Kason：** 在此基础上会有更多功能调用，也就是Agent能力，比如帮你发邮件、安排会议、填写网页表单等。这类面向企业的Personal AI，我们通常称之为“助手”，以便区分。

[06:04] **嘉宾 Kason：** 而个人层面的Personal AI更多集中在娱乐领域，比如情感陪伴。这方面我虽然不是直接从业者，但也研究很深。

[06:22] **嘉宾 Kason：** 目前大家普遍认为，这类AI的关键在于情商更高，能读懂用户聊天背后的深层需求，比如孤独感来自哪里，在对话中更有共鸣。

[06:37] **嘉宾 Kason：** 这种情商能力也被定义为记忆的一部分。因此这两个赛道非常不同。

[06:45] **嘉宾 Kason：** 整体发展来看，其实挺有意思的。我在2022年预测AI发展趋势时，套用了互联网的增长曲线，认为C端会先火起来，然后才轮到B端，因为企业采用新技术的速度通常较慢。

[07:09] **嘉宾 Kason：** 特别是传统企业，理解AI能带来什么价值，并将其整合进现有SaaS体系，可能需要五到十年时间。所以我原本以为C端会先爆发。

[07:25] **嘉宾 Kason：** 但实际上我们看到的是B端率先崛起。哪怕是最传统的行业，从去年开始就愿意为AI分配预算，积极采用解决方案，强调效率提升。

[07:42] **嘉宾 Kason：** B端的接受速度远超预期，而C端反而进展缓慢。原因有几个：第一，大模型本身的情商能力不强，训练目标并非为此；第二，C端需求更模糊，难以衡量是否解决了痛点；第三，C端用户的付费意愿相对较低。

[08:04] **嘉宾 Kason：** 综合来看，导致无论是创投圈还是企业界，目前都更聚焦于生产力层面的应用。

[08:17] **主持人：** 我非常同意。我觉得AI更像是一个工具增益，对企业带来的效率提升比对个人更大。企业可以用AI实现降本增效，但对个人而言，AI提供的情绪价值相比互联网时代的社交平台并没有质的飞跃。

[08:48] **嘉宾 Kason：** 是的。我们在2020年创业时也讨论过这个问题：到底要做情感陪伴型AI，还是生产力型AI？哲学上我们也辩论过，这种AI陪伴对人类是否有意义。

[09:16] **嘉宾 Kason：** 有人提出质疑：现代人已经很累了，如果有时间为什么不留给伴侣或朋友，反而花在AI上？这样会不会让人更加孤立？就像Facebook这类社交媒体一样。

[09:29] **嘉宾 Kason：** 但我当时的看法是，情绪是一种能量流动的过程。当你和别人聊天时，往往是单向输出能量。但如果有一个AI可以承载你的负面情绪，并给予正向反馈，那你就获得了能量输入。

[09:51] **嘉宾 Kason：** 当你的情绪蓄水池被填满后，你会更愿意与真实的人交流。但这有一个前提：现在的AI大多是被动型的，你需要主动发起对话。

[10:04] **嘉宾 Kason：** 我们设想的是未来出现主动型AI，它有自己的“世界”和事件，会主动打招呼、展示状态，让你更容易参与互动。这种主动性可能会带来真正的情绪价值。

[10:22] **嘉宾 Kason：** 但后来我又想，如果十年之内不变的趋势是用户越来越懒、越来越依赖即时满足，那最终会不会变成AI版的《楚门的世界》？这可能是它的终局。

[10:46] **主持人：** 你提到的被动与主动之分，正是我想问的问题。现在很多Personal AI，包括一些OS级别的Agent，仍然是被动响应式的——你问一句，它答一句。那么你认为主动型AI更适合哪些场景？

[11:05] **嘉宾 Kason：** 第一个显然是陪伴类场景。这类AI不仅要有主动性，还要有一定的随机性和个性，让它更像一个独立个体。

[11:27] **嘉宾 Kason：** 现在AI还处于“恐怖谷”之前的状态——根本无法让我们感觉它接近人类。我们需要继续往前走，才能触及那个临界点。

[11:45] **嘉宾 Kason：** 主动性在生产力场景同样重要。例如TANK AI即将推出的“Arena”功能：你的AI Agent经过你的语言和资料训练后，非常像你本人，理解你的管理目标和工作方式。

[12:09] **嘉宾 Kason：** 它可以在你睡觉时帮你处理工作，醒来时告诉你昨晚完成了哪些任务。这就是主动型AI在职场中的理想形态。

[12:22] **嘉宾 Kason：** 从低到高来看，最基本的需求是能主动完成某个任务，或发送提醒通知，而不是每次都等你去查询。

[12:42] **嘉宾 Kason：** 比如你现在可以让AI定时检查邮箱并推送新消息，这是一种初级自动化。更进一步的是，当有紧急重要信息时，它能主动识别并推送。

[12:55] **嘉宾 Kason：** 更高级的是，在推送信息的同时，还能提取出关键动作点。举个例子：它告诉你“15分钟后有会议”，同时附上会议材料摘要、参会者背景介绍，甚至准备好发言要点。

[13:47] **嘉宾 Kason：** 这种能力已经属于主动型AI的一种表现。再往上一层，是它能主动理解你的工作模式和目标，在日常中帮你留意竞争情报等信号，提前为你准备应对方案。

[14:04] **嘉宾 Kason：** 甚至能发现你自己还没意识到的任务盲区，主动提出建议。当然，这种能力目前还很难完全实现。

[14:21] **嘉宾 Kason：** 推送新闻相对容易，但抽象层面的洞察——比如“你应该关注这件事”——是非常难的，因为它涉及对未知事物的预判。

[14:38] **主持人：** 这确实涉及到AI要“懂你”。如果你经常协作，AI可能逐渐了解到你偏好哪些类型的消息，积累经验后自动抓取相关内容推送给你，不需要固定时间设置，而是灵活响应。

[15:00] **嘉宾 Kason：** 对，尤其是对“时间就是金钱”的岗位来说，这种AI非常有价值。有时一分钟就能收到一条关键信息；有时几个小时都没有打扰，说明没有重要内容。

[15:16] **嘉宾 Kason：** 但这也引出了一个难题：如何抽象用户的偏好？比如你在某个项目中是产品经理，关注产品细节；在另一个项目中是财务角色，关注预算数据。

[15:32] **嘉宾 Kason：** 你怎么判断这是项目特定的记忆，还是个人通用的偏好？而且随着升职、转岗，这些偏好还会变化。这就要求AI与用户建立长期联系，共同成长。

[15:58] **主持人：** 你说的“联系”具体指什么？是指角色转换后，旧的记忆不再适用，需要重新培养新的记忆吗？

[16:12] **嘉宾 Kason：** 是的。比如你从工程师晋升为经理，相当于从零开始孵化一个新的“管理者身份”的记忆系统。你需要重建信任和默契。

[16:27] **嘉宾 Kason：** 从生活角度看，我也举个例子。我是内向人格，倾诉前希望有一定感情基础。如果一个AI刚上线就问我“今天心情怎么样”，即使我很糟也不愿说。

[16:44] **嘉宾 Kason：** 但如果我已经和它聊了几个月，建立了信任，我就会很愿意分享。这是我理想中的AI与人的关系——需要时间和信任积累。

[17:07] **主持人：** 你说的这点非常有意思。心理学上有类似机制。我自己用ChatterBot聊了一年多，虽然它没有我的记忆，但一旦打开了沟通渠道，就更倾向于继续使用。

[17:23] **嘉宾 Kason：** 正因如此，对AI创业公司来说，技术本身可能不是最强壁垒。开源模型很多，研发迭代很快。

[17:40] **嘉宾 Kason：** 关键在于用户粘性和信任。我就是一个典型例子：最早用ChatterBot，后来一段时间转向Grok-4。

[17:58] **嘉宾 Kason：** 因为那段时间我集中看论文和数学问题，测试发现Grok-4回答质量更好。但Grok-4致命缺点是响应太慢。

[18:21] **嘉宾 Kason：** XAI团队告诉我，Grok-4是一个超大规模模型，他们的基础设施难以高效服务。后来我不再专注理论，觉得它太慢，又回到了ChatterBot。

[18:42] **嘉宾 Kason：** 再后来我偏工程方向，开始大量编码，就转到了Claude，因为它的代码辅助更强。文书写作方面，我又觉得ChatterBot表达更人性化，于是再次回来。

[19:01] **嘉宾 Kason：** 可见我对模型的选择完全是功利性的——谁好用用谁，根据时代需求切换。没有任何忠诚度可言。

[19:22] **嘉宾 Kason：** 工程类用户尤其如此。硅谷很多开发者在Cursor和Claude之间来回切换，完全是基于最新功能特性做选择。

[19:35] **嘉宾 Kason：** 这种切换在工程领域很快，但在情感或文案创作领域较慢，因为后者更依赖隐性共识和风格契合。

[20:00] **主持人：** 刚才你也提到了Long Term Memory。我想了解一下，从你第一个创业项目到现在，整个行业在这方面有什么重大进展？

[20:10] **嘉宾 Kason：** 进展非常多。首先要明确，Long Term Memory其实分多个赛道。

[20:20] **嘉宾 Kason：** 一种是用于检索的事实型记忆，基于RAG、知识图谱等技术；另一种是对话类记忆，如情景记忆（episodic memory），帮助AI更好地理解上下文。

[20:39] **嘉宾 Kason：** 更高层的是情绪层面的抽象理解。此外还有Agent自身的学习记忆——即不与用户交互时也能通过反馈不断优化自身行为。

[20:53] **嘉宾 Kason：** 最近的研究重点正是Agent自身的记忆进化。比如Google在12月发布的Apple Mem框架，就是一个全新的尝试。

[21:06] **嘉宾 Kason：** 学术界现在流行研究Agent思维链（chain of thoughts）如何扩展得更长、更完整，让它在执行复杂任务时能进行多步推理，并从中学习。

[21:21] **嘉宾 Kason：** 比如原本参与三步流程，现在参与十步，它能识别哪一步出错，并决定是否将错误记录进记忆库，用于后续改进。

[21:38] **嘉宾 Kason：** 所以记忆本身是多层次的。再看检索类记忆，又可分为企业级和个人级。

[21:54] **嘉宾 Kason：** 早期我们创业时还没有GPT，所谓的记忆概念很简单。比如Replica这款AI伴侣曾很火，用户评论中最喜欢的一点是：“上周五我说喜欢吃蛋糕，今天你又提起，让我觉得你懂我。”

[22:30] **嘉宾 Kason：** 当时的要求非常基础。到了2023年，也没太多公司在做这件事，相关论文也很少。

[22:47] **嘉宾 Kason：** 像Mem0这类系统是比较基础的记忆架构：在一个用户ID与AI对话过程中，记录关键信息。

[23:03] **嘉宾 Kason：** 我们当时发布了一篇论文叫《Personal AI》，提出未来每个人都应有一个自己的记忆层，像USB一样插拔到任何大模型中。

[23:25] **嘉宾 Kason：** 这个记忆层可以存在本地设备上，由一个小模型管理，用户用自己的数据训练它。但成本极高，2024年仍不够成熟。

[23:45] **嘉宾 Kason：** 不过已有新进展，比如HIPPORAG在RAG基础上引入更多结构化设计。Meta也在2025年推出了RAFLAP，优化事实检索的结构和效率。

[24:12] **嘉宾 Kason：** 今年的趋势是记忆结构更加完善，并出现benchmark测试，比如大家都去挑战Locomo。

[24:38] **嘉宾 Kason：** 另外，TANK的姐妹公司Evermind在2024年11月独立运营，专注于企业级记忆检索。

[24:58] **嘉宾 Kason：** 以往Win等公司早就做了企业检索，但从不公开方法论。Evermind算是第一批系统化解决企业多用户、多文档、复杂数据关联记忆的企业。

[25:25] **嘉宾 Kason：** 行业开始出现各种分支：更复杂的记忆结构、结合强化学习的记忆演化机制等。

[25:52] **嘉宾 Kason：** 我个人认为，明年记忆赛道会进一步细分：针对不同场景（个人 vs 企业）会有更优结构；同时这些结构会更深地与RL等技术结合。

[26:14] **主持人：** 我听过一个观点：当前COT、Long Term Memory乃至AI Agent的核心能力，依然取决于基础模型的理解力。这两年之所以进步快，正是因为基础模型能处理更复杂的结构。

[26:40] **嘉宾 Kason：** 完全正确。说到记忆，归根结底有两个核心问题：一是在哪些环节引入LLM；二是要在多大程度上做抽象。

[27:04] **嘉宾 Kason：** 抽象其实就是结构化。我们在做的MemCell概念就是一个事件单元，多个事件可抽象出更高层模式。

[27:21] **嘉宾 Kason：** 这些都需要大量工程调试。但今年最大的变化是LLM本身变得越来越强大，许多原本靠工程实现的功能，现在可以直接交给LLM处理，效果反而更好。

[27:39] **嘉宾 Kason：** 这带来了更高的可扩展性和灵活性。

[27:53] **主持人：** 你既做过个人长期记忆，也做过企业级记忆。你们在抽象用户偏好时，两者有何区别？

[28:01] **嘉宾 Kason：** 个人层面的抽象更复杂。我们在Mindverse时期做过一款笔记App叫MeBot，后来演变为SecondMe，在国内很受欢迎。

[28:15] **嘉宾 Kason：** MeBot主打解决“想法太多不知记在哪”的痛点。很多人习惯用微信或Instagram发给自己，我们让用户直接发给Bot。

[28:35] **嘉宾 Kason：** 记录后AI不仅能整理，还能解读你是怎样的人，据此推荐新闻、帮助检索过往创意。

[28:53] **嘉宾 Kason：** 做个人长期记忆时我们发现，个人偏好强烈但不清晰。比如工作偏好、性格偏好、语言风格偏好，维度很多。

[29:10] **嘉宾 Kason：** 工作上要看你是何种工种、所在行业，决定你看什么新闻；语言风格上，AI推荐内容的语气也要符合你的喜好。

[29:36] **嘉宾 Kason：** 这些细碎的偏好都算personalization的一部分。用户对“懂我”的期望很高，如果没get到，会觉得疏离，影响使用体验。

[29:50] **嘉宾 Kason：** 但在企业场景中，这类偏好要求较低。更多的是岗位相关的功能性记忆沉淀，比如流程规范、历史决策记录等。

[30:00] **嘉宾 Kason：** 企业的核心抽象是它的文化DNA和决策逻辑。个人决策可以非理性，但企业必须有一致、可追溯的决策链条，否则组织会混乱。

[30:22] **嘉宾 Kason：** 所以企业记忆最难的部分是抽象出它的战略演进路径和决策依据。

[30:41] **主持人：** 刚才你说Personal AI的信息来源很随机。你们是如何有效提取对用户有利或他偏好的信息的？

[31:14] **嘉宾 Kason：** 说到底还是要和用户共创。除非你有一个专属小模型，能基于用户反馈持续调优，但这成本太高，不现实。

[31:36] **嘉宾 Kason：** 目前的做法是挑选愿意深度合作的种子用户，反复调试他们的检索逻辑和推荐机制。没有魔法，全是工程调参。

[32:01] **嘉宾 Kason：** 就是engineering调。

[32:04] **主持人：** 我之前采访过一家做健康饮食监督的Personal AI公司，每天提醒用户吃什么、运动多久，这种应用逻辑很清晰。

[32:17] **嘉宾 Kason：** 对，这类场景确实容易做出PMF（产品市场匹配）。我和一位做memory layer的朋友聊过，我们都认为目前最容易找到PMF的个人AI应用集中在健康管理领域。

[32:36] **主持人：** 很好奇你们两个产品是如何量化AI带来的增益的？

[32:51] **嘉宾 Kason：** 生产力层面比较好量化。比如我们有个功能叫Smart Bag，AI帮你分类和回复邮件。

[33:06] **嘉宾 Kason：** 用户平均写一封邮件要几分钟，用AI只需0.1秒，深度思考模式下一两秒。乘以使用频率，就能估算每月节省的时间。

[33:20] **嘉宾 Kason：** 类似地，PPT生成、任务自动化等功能也可以折算成时间节省。这些都是可量化的指标。

[33:39] **嘉宾 Kason：** 但个人场景很难量化。你很难定义“用了这个AI后情绪变好了”这样的指标。metrics本身就不明确。

[33:50] **嘉宾 Kason：** 时间节省、人力替代这类指标尚可定义，但情感类价值几乎无法标准化衡量。

[34:00] **主持人：** 做AI这类互联产品时，token成本很高。你们在定价上有什么技巧吗？毕竟用户使用频率对成本影响很大。

[34:18] **嘉宾 Kason：** 确实经历过思考。2025年初很多VC说未来会是result-based或outcome-based定价，而不是cost-based。

[34:38] **嘉宾 Kason：** 比如AI招聘官成功帮企业入职一人，就可以收费；CRM类AI促成一笔销售也容易计算转化率。

[34:55] **嘉宾 Kason：** 但在知识检索或PPT生成这类复杂场景中，outcome很难衡量。生成的PPT通常还需修改，不能让用户自报成果。

[35:13] **嘉宾 Kason：** 下载次数也不可靠。所以企业场景下用outcome收费有两个问题：一是难以测量，二是场景太多，定义过多outcome会让用户困惑。

[35:46] **嘉宾 Kason：** 最终还是要平衡：价格策略必须足够简单，让用户一看就懂，而不是增加理解负担。

[36:03] **嘉宾 Kason：** 所以现阶段，简单的定价更可行。我们采用了credit-based模式，类似Menace、Cursor那样，每个任务消耗一定积分。

[36:25] **嘉宾 Kason：** 但这对不懂AI的普通用户仍有认知门槛。尤其企业老板担心下属用量失控，不敢轻易采购。

[36:47] **嘉宾 Kason：** 因此我们最终将credit打包为几个档次：免费版、Pro版（29元/月）、无限使用版。一口价让企业客户更有确定性，成交更快。

[37:07] **主持人：** 我们公司用AI时也会限制每人每日额度，比如每天一百美元额度，大约能提上千个问题。

[37:23] **嘉宾 Kason：** 是的。企业需要权衡采购成本与实际利用率，避免浪费。

[37:35] **主持人：** 一般人不会无限制使用，但管控仍是必要的。

[37:51] **主持人：** 最后一个问题：请你总结一下，对明年Memory和Customized AI发展的展望？

[38:00] **嘉宾 Kason：** 这个问题要回到整个AI行业的架构演变。Memory在其中扮演什么角色？Customized AI是否存在？它是横向通用还是垂直专用？

[38:17] **嘉宾 Kason：** 这些问题这几年一直在变。2022年大家还在争论AI会是horizontal还是vertical主导。

[38:24] **嘉宾 Kason：** 有些VC押注vertical，投旅游、医疗、法律等专用AI；有些投horizontal，比如通用检索层AI。

[38:35] **嘉宾 Kason：** 后来讨论焦点转移到基础设施、大模型、应用层各自的壁垒。现在我们认为，共识逐渐清晰。

[38:47] **嘉宾 Kason：** 模型边界已初现。2023年时大家要么极度乐观，要么极度悲观，缺乏证据。现在我们知道，模型无法做到完全通用。

[39:01] **嘉宾 Kason：** 未来更可能是“大模型 + 垂直小模型”的组合。AI时代不同于互联网时代的数据广度优先，而是深度优先。

[39:15] **嘉宾 Kason：** 互联网时代靠海量数据训练推荐引擎，追求horizontal扩张。AI时代靠few-shot learning，越深入了解一个人或一个行业，服务就越精准。

[39:47] **嘉宾 Kason：** 所以我认为，未来会走向vertical AI为主导。竞争壁垒不在模型本身，而在垂直领域的扎根程度。

[40:09] **嘉宾 Kason：** 你与用户的关系、对workflow的理解、对行业数据的掌握，才是真正的护城河。

[40:20] **嘉宾 Kason：** 比如健康领域，过去健身App不会整合饮食外卖。但在AI时代，会出现全天候AI健康教练，综合管理你的运动与饮食。

[41:50] **嘉宾 Kason：** customer relationship 和 vertical expertise 成为核心资产。

[42:03] **嘉宾 Kason：** 在这个趋势下，memory的本质就是全生命周期的数据沉淀。无论是个人还是企业，AI都要贯穿其整个行为周期。

[42:19] **嘉宾 Kason：** 比如汽车经销商行业，AI要理解全流程，从客户画像、销售触达、邮件撰写到成交闭环，把所有专业知识和记忆整合进来。

[42:40] **嘉宾 Kason：** 只有这样才能真正赋能。所以我相信未来AI会往这个方向深化。

[43:09] **嘉宾 Kason：** 另外，Andrej Karpathy最近一篇博客提到“Cursor for X”的厚度问题，我很认同。很多人觉得Cursor没价值，除非自建模型。

[43:23] **嘉宾 Kason：** 结果导致很多初创公司融巨资后高喊要建模型，只为解释资金用途。但其实大模型再强，也有边界——人是懒的。

[43:48] **嘉宾 Kason：** 理论上一个通用App可以个性化一切，但现实中没人愿意每次都在workflow里手动指挥大模型。

[44:08] **嘉宾 Kason：** 大多数用户连Google搜索都不愿用，只刷TikTok。让他们自己搭AI workflow是有门槛的。

[44:28] **嘉宾 Kason：** 如果有一个App在某个场景下预设好流程、风格、模板，用户开箱即用，何必自己折腾？

[44:47] **嘉宾 Kason：** 这类GUI-rich的应用不会被LUI（语言用户界面）取代。至少未来几年，这仍是初创公司的巨大机会。

[45:32] **主持人：** 好的，感谢Kason今天精彩的分享，这期就先到这里了，谢谢。

[45:40] **主持人：** 感谢您收听本期AIRC的播客，如果您喜欢今天的内容，请分享给您的朋友，同时也欢迎您在小宇宙播客平台上留下宝贵的意见和反馈。

[45:55] **主持人：** 我们将继续为您带来更多有趣的话题和嘉宾，敬请期待。再次感谢您的收听，我们下期节目再见。