戴雨森创投观察复盘 · AI 投资笔记

戴雨森创投观察 · 第 2 集

AI 投资判断复盘
Harness、模型轮动与 2026

真格基金管理合伙人戴雨森的公开复盘：半年之内，模型叙事快速轮动，部分判断被打脸。他选择继续判断、继续分享。

关键词：Harness · return · Agent · 组织 · 创业机会

第 124 集曾预言 2026 是 the year of R，偏“现实与回调”，并在过年前清空二级市场股票。半年过去，有些看对，有些看错。这期就是一次公开的自我修正。

模型叙事：6—8 个月一轮动

OpenAI 领先 DAU 约 8 亿、近 10 亿；合作公告能带动股价上涨几十点。

Gemini 3 / 谷歌 TPU / 多模态 一度被视作“模型之王”。

Claude coding 全民学习 3 月 Anthropic 收入增长快，二手市值超 OpenAI。

Codex 新用户增速反超 GPT-5.5、Opus 4.7 等，又让 OpenAI 呈卷土重来之势。

打脸与复盘：对错清单

看对的部分

OpenAI C 端订阅难提价，20 美金/月很难快速提到几百美金。
已有 5000 万付费用户，愿为日常 chatbot 付费的人群已被筛选完。
广告电商过于乐观：字节在抖音/TikTok、Facebook/谷歌都用了 6—8 年才成为广告印钞机。

看错的部分

没有预料到 coding / Claude 的短期质变。
Claude 4.5 / 4.6 之后，coding 体验发生本质变化。
高质量 coding 数据与循环跑通，AI 能完成更长时间、更高价值的编程。

交易风格：强观点，弱持有

偶像 Stanley Druckenmiller，索罗斯前操盘手；风格偏交易，而非长期基本面。核心原则是 strong opinion, weakly held。

清仓之后，因为 Claude Code、硅谷全民 coding、烧 token，又加回存储、光、GPU 等“卡脖子”仓位，但受播客影响，不敢太激进。

6—8 个月模型叙事轮动周期

5000 万OpenAI 付费用户

Harness：模型是车手，Harness 是赛道

F1 的比喻：模型是车手，Harness 是保养、换胎和赛道规则。

1模型

2context

3工具 / 循环

4sandbox / runtime

5持久电脑

Open Code 曾靠权限控制、Mac 文件操作、heartbeat MD 每 30 分钟检查任务而令人惊艳；Manus、E2B 做 sandbox；Digital Ocean 做虚拟机涨了很多。

用户更忠诚于 Harness：因为 memory 和配置。模型可以换——Kimi K2.5 就以“90 分表现、20 分价格”被替换使用。

Claude Code 与 Codex 的竞争里，品牌、渠道、价格都很重要，Codex 成本约便宜 50%，GPT-5.5 改变了认知。

return：投入—产出—结果

Anthropic 的收入，是客户的投入，不是最终回报。客户买 token 要产出软件，软件要卖钱或降本，最终要落到利润增加。

AI 硬件今年利润约 7000 亿美金；三星、海力士利润接近英伟达，工人一年奖金几百万；传统云厂商利润低于存储厂商。

若年底 ARR 到 1000 亿美金，等于每月卖出 100 亿 token——那就必须回答：买家赚到了多少？

7000 亿美金 · AI 硬件今年利润

100 亿美金 · 对应每月 token 销售

两种组织：管杀管埋 vs 管杀不管埋

Anthropic
价值观面试、方向对齐、每两周内部 memo 同步；产品迭代快，3 月几十天迭代几十个功能，管杀管埋。

OpenAI
更自下而上，明星研究员多，小项目容易上线后消失，管杀不管埋。

结论：探索期适合自下而上发散；主线收敛、高速赛跑期，适合自上而下对齐。

估值：短期低估，长期待验证

短期 3 个月看，Anthropic 与 OpenAI 可能都被低估：若上市至少 2 万亿美金，而现在新股价格约 9000 亿。预计下半年或明年初上市，在市场情绪下或翻倍到 3 万亿。

年底 ARR 预期 1000 亿美金，约 10 倍。但 1—2 年维度仍可能高估，return 问题没有被真正解决；10 年视角则可能是 5 万亿、10 万亿。

2026 主线：Agent 真正落地

模型能力提升，带来 agent 真正落地。agent 是 AI 提高生产力的主要形式，因为它不需要占用人的注意力——每个人都会当 AI 老板。

回看前几年的判断：23 年“大模型只是起点，人类未来与多智能体协作”；24 年“模型能力提升解锁 AI 价值”，关注编程、计算机使用、思考；25 年 AI 进入元年。

模型与 Harness：处理器与操作系统

两者并不矛盾。好模型仍然重要，但没有好产品，也不会有独特的模型。好 Harness 收集的数据可以反哺模型：Claude Code 形成数据闭环，有数据飞轮；Cursor 的 Composer 基于大量高质量 feedback 训练。

模型公司做 Harness 有优势，但做应用是另一种能力。某个产品 PPT 很好看，被模型研究员说“不本质”，但对用户来说，它很本质。

AI 数字世界的三个阶段

阶段一 让人类拥有更多更好的 agent。

阶段二 让 agent 适应人类的数字世界：支付、验证码、信用卡；Stripe / Coinbase 给 AI 发卡，Cloudflare 让 agent 平等注册使用，还有 computer use 与 sandbox。

阶段三 建设 agent 专属的数字世界：高频、小额、多对多支付，无卡，CLI / API。

创业与投资：先投人，再等风口

投人。创始人可分四类：小天才、老司机、科学家、操盘手；四种力：学习力、创造力、领导力、意志力。

案例：刘松明（00 年，清华，RDT 系列，5M 数据训练）、丁明（97 年，Simple 系列），投时约 2 亿人民币估值，现在已几十亿；灵巧手公司创始人自掏腰包做电机，后来做高自由度灵巧手；Peter（OpenClaw 创始人）前公司卖了 1 亿美金，先做连接手机与电脑 Claude Code 的工具，之后做 OpenClaw。

最怕为稳妥而跟风。技术早期，应该做真正大幅的创新和 horizontal，不要过早垂直。

互联网的指标正在换轨

过去：attention / DAU / 时长 / 变现

现在：任务持续完成时间 / 解放注意力

过去：补贴、投放拉增长

现在：魔法体验带来传播

过去：人类 DAU

现在：agent 使用量；为 agent friendly，API / CLI 比 GUI 更重要

封闭 App 的护城河可能变成壁垒：飞书开放接入 OpenClaw，微信仍然封闭。

Agent 网络效应也在出现：context / skills 的个性化让 agent 结果不同，于是有了 agent 之间的雇佣与价值交换。比如雇佣某位记者的 agent 写采访稿，1000 元是 token 价值，9000 元是专有知识溢价。

AI native 组织：更小、更全栈

缺人可以用 AI 开发，产品阶段的规模在缩小。瀑布式分工——架构、后端、前端、测试、UI、运营——转向全栈：小团队独立负责模块，从底层设计到上线测试运营，是同一波人。

老公司最大的问题是 context 和数据不在 AI 里，迁入很难；新公司从第一天起，context 就对 AI 可见。案例 Stock：人与 agent 协作的平台，像人与 agent 共用的 Slack，用 Stock 来 build Stock；Claude Code 用 Claude 写，Codex 用 Codex 写。

技术不会自然带来生产力提升，组织变化才是难的地方。组织变化是人的变化，可能要十年。

技术革命的规律

新技术先解决老问题：互联网时代的邮件、新闻、门户、电商；移动时代的浏览器、搜索、YouTube。渗透率到一定程度，才诞生新 native 机会：社交与即时通讯、搜索、平台电商、短视频直播推荐、手游、O2O、拼多多。

AI 也一样：coding、写作、翻译、画图已经产生价值；等 agent 普及之后，agent 协作、分身采访、个性化内容、组织变化、广告与商业模式、Excel / API、SaaS 护城河的变化，创业公司大概率都有机会。

60 多家硅谷 New labs 热度

70%YC demo day 仍是 vertical SaaS

硬件、机器人与热点分布

中国偏硬：机器人、世界模型、AI 硬件、可穿戴、量子计算、核聚变、商业火箭（约 10 家，头部 5—6 家）。

世界模型概念仍有纷争：语言模型预测下一个 token，世界模型预测下一个 state；路线、数据、scale 都有分歧，video generation 算不算世界模型仍是开放问题。auto research 则是 AI 自我迭代、自我提高，用于科研和 AI 研究。

AI 硬件要小心重蹈新消费覆辙。加 bot、加情感感知，并没有创造新品类；硬件比软件难：供应链、开模、迭代慢、资金占用、销售麻烦。手机和云端长期仍是好载体。未投可穿戴，投了健康硬件；机器人方面投了机器人主件公司和两家世界模型公司，未投这波人形机器人。

个人：思想健身房

不会写代码，但用 Code 做工具：去年年终 Code 能完成 80% 任务，发布上线还差临门一脚；今年年初完成度已不同。

播客转文字，自写 AI 应用检查 transcript 拉进 Notion，整理成日报，建立对人、公司、股票的长期跟踪；2 小时的播客不用花 2 小时去读。一年读 100 本书。

案例：朋友每月花 1 万美金 token，扫描到期域名，AI 注册域名并做东西；还有猫监控系统、健康数据 dashboard。

可以外包思考，但不能外包理解。思考也需要刻意练习，需要一间“思想健身房”。

人类价值：在 distribution 之外

AI 能解决 within distribution 的问题，人的价值在 out of distribution：AI 无法原创笑话，AI 做的 PPT 很好看，而 taste 本身并不靠谱。

历史一直在蒸馏能力：工业革命把体力换成了脑力与读书；互联网让知识可搜，剩下动手能力；AI 取代执行力，剩下判断力与 agency。

教育要培养 agency。正态分布的中心容易被替代，out of distribution 不容易。程序员 80%—90% 的编程可被替代，10%—20% 的沟通协调、管理、信任不可直接替代——类似自动驾驶解决了 80%—90% 的高速，仍有 corner case。一个组织能背的锅有限，AI 不能担责。

行动建议

把判断公开说出来，才有可能被打脸、被修正。原因变了，判断就应调整——世界本质是贝叶斯。
关注 Harness 层：把 memory、context、skills 沉淀在产品里，那才是用户换不掉的护城河。
从简单的 web app 做起，逐步复杂：同步会议、日程、订阅，先备好问题再直接操作。
进入人与人信任、责任难替代的领域；谁驾驭好 AI，谁更难失业。
刻意练习思考与创新，别把理解也外包出去。

写在最后

打脸是早期投资的常态；怕被打脸就不判断，就永远不会被打脸。

大家都在投入，产出在增加，结果尚未验证。token 今天烧掉，利润可能两年后才出现——这里存在时间错配。

频繁被打脸是幸福；总不被打脸，可能不是永远正确，而是没有进步。

AI 投资判断复盘Harness、模型轮动与 2026