Richard Socher：为什么你现在需要重新思考你的职业生涯丨Silicon Valley Girl

Richard Socher：为什么你现在需要重新思考你的职业生涯丨Silicon Valley Girl Richard Socher：为什么你现在需要重新思考你的职业生涯丨Silicon Valley Girl Modified Yesterday 🔗 原文链接： https://mp.weixin.qq.com/s/Q9vjhI8V... 原创 Capihom Capihom 晚点再听LaterCast2026年7月4日 21:16 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 4000 字，如果你现在没有时间，试试转成播客稍后再听 "每个能验证或模拟的领域，AI 都会在未来几年超过人类。" "不会指挥 Agent 这件事，几年后会像不会用电脑一样尴尬。" "越有创业精神的人，越会喜欢 AI，因为他们会得到更多产出。" 很多人最近的焦虑很具体：代码已经能让 Agent 写，图片已经能用模型生成，会议纪要、客服、搜索、调研都在被自动化。下一个被重写的，会不会就是自己的岗位？Richard Socher 在这期里给了一个很硬的判断：问题不能只看 AI 能不能做你的任务，还要看这个任务变便宜后，市场到底需要多少。 Socher 是自然语言处理领域引用量最高的研究者之一，曾把第一家公司卖给 Salesforce，后来创办 You.com。2026 年 5 月，他的新公司 Recursive Superintelligence 融资 6.5 亿美元，估值 46.5 亿美元，目标是做能自我改进的 AI。对普通知识工作者来说，这期最有用的主线，是怎样判断自己的工作会被压价、被放大，还是被改造成管理 Agent 的新岗位。 先学会给 AI 定目标 主持人问 Socher，自我改进的 AI 对用户流程意味着什么。他把答案放进科学方法里：人先提出想法，动手实现，再验证结果是否成立。Recursive 想让 AI 对自己做同样的事，发现短板，修正短板，把输出变成下一版自己，再进入下一轮。 "所谓递归自我改进，是 AI 产出一个不同的新版本，再把这个新版本接回循环里。" 但他马上补了一个限制：今天的 AI 能力还很尖。有些数学题做得极强，常识推理又会掉链子。公司如果只给它一句“提升客服满意度”，它可能造一百万个机器人打进热线，最后全给五星；再换一个办法，它也可能给每个客户 1000 美元礼品卡，分数漂亮，问题没解决。任务越交给 Agent，人越要把奖励、边界和验收方式说清楚。 Socher 把这里称作 reward engineering。越接近超级智能，AI 越能理解人真正想要的结果；在过渡期里，团队要先训练自己写清楚目标。增长团队不能只写“更多浏览量”，还要交代声誉、收入、合规和长期用户关系。客服团队不能只看 CSAT 分数，还要把真实用户、解决率和成本边界写进奖励函数。 岗位变化，看需求弹性 软件工程师最容易感到冲击。主持人提到，她和一些创始人聊天，对方说一年前还要改 70% 的 AI 代码，现在只改 30%。Socher 的判断更细：职业会不会被压缩，要看成本下降后，需求能不能跟着放大。 插画是反面例子。过去一张配图几百美元，只有大媒体和公司博客舍得请插画师；现在几分钱就能生成，全世界的插画总量变多了，可人类并不需要几十亿张高质量插画。供给暴涨，需求没有同比增长，职业自然承压。 "如果软件变得便宜很多，我们会想要更多软件。最终，每个人都可以拥有自己的 App。" 软件的处境不同。Socher 说，每个人都可能想要一个只为自己服务的应用：懂自己的娱乐节奏，知道冲浪或飞行爱好需要哪种天气提醒，还能在分心时把工作拉回来。软件越便宜，想法越多，工程师的工作会从逐行写代码，转向把需求拆成任务、让 Agent 实现、再判断结果能不能上线。 需求弹性还能解释为什么同样是自动化，有些岗位会增长。医疗是 Socher 给的另一个例子：很少有人会说“请多创造医疗岗位，但别把奶奶的癌症治好”。用户要的是结果，需求几乎没有上限。只要 AI 能把诊断、研究和随访做便宜，更多服务会被打开。 放回公司内部，产品经理和工程负责人可以用同一套问题审视路线图：如果某项能力便宜 100 倍，用户会多买 100 倍吗？如果答案接近否定，就要小心它变成价格战；如果答案接近肯定，就该提前准备交付、运营和质量控制。 看富人现在买什么 Socher 给创业者一个找机会的方法：看现在只有富人买得起的服务，再问其中哪些被“智能”卡住。手机已经给过一个样本。今天普通中产少年和亿万富豪手里拿的 iPhone，核心体验差别不大。技术规模化后，原来昂贵的东西会被压成大众工具。 他列了三类：孩子的私人家教、个人助理、个人健康团队。私人家教能知道孩子到底卡在哪个概念，再写一套完全个性化的练习。个人助理能订机票、比价、补货、处理生活里的琐碎安排。健康团队则会围绕血检、饮食、连续监测和罕见病研究，给个人做更细的决策。 "预测未来的办法之一，是看富人现在能买到什么，再问哪些东西被智能瓶颈卡住。" 团队也可以用这个方法判断产品机会。一个功能如果只是让现有流程便宜一点，天花板可能很低；一个服务如果能把富人专属的判断、陪伴和跟进变成软件，市场会大很多。教育、医疗、个人运营和企业助理，都属于这类候选。 Socher 还把这个思路推到生物医药。他看好 AI for tech bio，因为人体里的大脑、微生物组、炎症和癌症都很复杂，很难用一个短公式解释。他投过的 Ignoda Labs 会把失败药物稍作修改，再更快推进到二期 FDA 试验。对创业者来说，这种机会的共同点是：实验很贵，判断很难，错误代价很高，AI 如果能提前预测毒性和失败路线，就能省下多年时间。 主持人问他，如果今天已经有超级智能，第一句会问什么。Socher 的答案很短：怎样治愈癌症。随后他把问题扩展到心脏病、炎症、衰老和不同器官的复杂过程。物理世界实验周期很慢，所以他更愿意先在数字世界里把智能迭代跑起来。 机器人卡在硬件手感 主持人把话题推到物理世界：富人有厨师、司机、家政，世界模型成熟后，家里会不会有更多机器人？Socher 的回答有点反常识。他认为，真正限制家用机器人的主要瓶颈是硬件，软件反而排在后面。 他的联合创始人 Tim Rocktaschel 做过 Genie 1、2、3，能生成可交互世界，墙被刷过以后，转身回来仍然保持记忆。但这类世界模型并没有立刻改变机器人行业。机器人要进厨房、洗衣房和客厅，需要更好的肌肉、触觉反馈和安全机械结构。人手拿杯子时能感知力道，机器如果又强又快，旁边的人会受伤。 做 AI 产品的人要把瓶颈拆开看。客服可能卡数据，医疗可能卡实验周期，机器人可能卡机械结构，企业软件可能卡权限和流程。判断一个行业能不能快进，先看输入、输出和反馈能不能被大量数字化。 Socher 还提到，很多机器人公司会想要自己的 AI，不愿直接拿一个通用世界模型。原因很现实：世界模型如果大量时间都在生成可爱小狗视频，对抓杯子、叠衣服、绕开孩子这些任务帮助有限。进入物理世界以后，数据、硬件、场景和责任会绑在一起。 所以同样是 Agent，落到不同行业会有不同节奏。能在沙盒里跑十亿次的任务会快，必须拿真实人体、真实客户、真实设备试错的任务会慢。产品计划要尊重这个差别。 AI 创业要配行业洞察 Recursive 的团队里有 DeepMind、OpenAI、Meta 出来的研究者，也有做开放式进化研究的人。吸引他们的核心来自一件大家都已经在靠近的事：把科学方法里“构思、实现、验证”的人类过程，再替换成一个学习系统。 他给普通创业者的建议更落地：强 AI 技术和行业洞察要组合在一起。比如 AI for architecture，可以帮建筑师自动生成更好的平面方案；商业尽调、医疗、生物、化学、材料，也需要懂业务的人把问题定义清楚。只会喊 AI，很难做出强产品；只懂行业，不会调用模型，也会慢慢吃亏。 "如果你想做 AI，就去硅谷。这里任何一个聚会，都能遇到一群对 AI 兴奋的人。" 读 PhD 也被主持人问到。Socher 的态度很克制：有些人足够自驱，不需要头衔；但 PhD 仍然是少见的机会，让一个人花几年时间贴近人类知识边界，再把一个很小的领域往前推一点。他建议年轻人学 AI 基础，同时找一个真热爱的领域，物理、化学、生物都可以。下一代高影响力研究者，往往会出现在交叉处。 他提到一篇叫 Darwin Godel Machine 的论文：Agent 会创造自己的子 Agent，经过基准测试，如果子 Agent 更好，就继续沿着这条进化路径往下走。这里的创业机会，来自一个能反复生成、验证、筛选的任务环境，而不是再包一层聊天界面。 职业护城河会变成会指挥 小时计费的知识工作者最容易尴尬。主持人举了编辑的例子：如果编辑自己写软件，把剪辑效率提上来，客户可能仍然愿意按原价付费；但公司也可能收集数据，训练自己的 AI，逐步替代外包。Socher 把这个问题拉回一个历史类比：过去有人说自己不会用电脑、不会收邮件，后来就很难留在知识岗位。 "几年后，说自己不擅长 Agent delegation，会像说自己不擅长用电脑一样可笑。" 他的建议不复杂：尽早把 Agent 当成工作对象来练。不要只把任务丢给 AI 然后不再思考，要有意识地用它提高自己的手艺。AlphaGo 出来后，围棋选手变强了；棋类、编程、数学都会出现类似变化。入门岗位也并非没有机会，公司需要一批从学校就开始用这些工具的新一代员工，他们能把工具带进真实业务。 Socher 自己的生产力方法很朴素。他遇到新的肌肉纤维、介电液体等陌生概念，会让 AI 先用五岁孩子能懂的话解释，再用十岁孩子的版本解释，最后切到 PhD 水平。学习速度变快后，人能把更多时间放到提出好问题、验证路径和组合知识上。 练习方式可以很小：让 Agent 整理一周客户跟进，先列计划，不直接执行；让它改一段代码，先输出测试点；让它做调研，先交来源表。人负责验收，工具负责放大。 公司层面也一样。Socher 说，拥抱这些工具的个人会更受欢迎，公司会更有生产力，国家也会在智能和产出上拉开距离。入口岗位的安全感不会来自“便宜”，而会来自能把新工具带进团队，让原本做不动的小项目变成可以交付的结果。 节目最后，主持人问 2035 年人靠什么获得意义。Socher 提到棋类和数学：AI 已经下棋更强，但世界上的棋手更多了。人仍然会从深技能、社会认可、旅行、体育、娱乐和品牌里获得意义。AI 可以快速做出一个空壳 Instagram，却不能凭空造出几百万人在上面发布内容的网络效应。 写在最后 如果你现在只想做一个动作，就把最近一周最重复的工作列出来，尝试让 Agent 完成第一版，再自己验收、改目标、补边界。职业变化不会等到“超级智能”出现才开始，先学会指挥、检查和纠偏，才有机会把 AI 变成自己的杠杆。 内容来源："Why You Need to Rethink Your Career Now"丨Silicon Valley Girl 原视频：https://www.youtube.com/watch?v=2j9yjRSpMSo&t=193s No access 99fd469301bf47a0b921ebff5fab81dd 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s/Q9vjhI8V... You.com 🔗 原文链接： https://mp.weixin.qq.com/s/Q9vjhI8V... https://mp.weixin.qq.com/s/Q9vjhI8V... 原创 Capihom Capihom 晚点再听LaterCast2026年7月4日 21:16 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 4000 字，如果你现在没有时间，试试转成播客稍后再听 "每个能验证或模拟的领域，AI 都会在未来几年超过人类。" "不会指挥 Agent 这件事，几年后会像不会用电脑一样尴尬。" "越有创业精神的人，越会喜欢 AI，因为他们会得到更多产出。" 很多人最近的焦虑很具体：代码已经能让 Agent 写，图片已经能用模型生成，会议纪要、客服、搜索、调研都在被自动化。下一个被重写的，会不会就是自己的岗位？Richard Socher 在这期里给了一个很硬的判断：问题不能只看 AI 能不能做你的任务，还要看这个任务变便宜后，市场到底需要多少。 Socher 是自然语言处理领域引用量最高的研究者之一，曾把第一家公司卖给 Salesforce，后来创办 You.com。2026 年 5 月，他的新公司 Recursive Superintelligence 融资 6.5 亿美元，估值 46.5 亿美元，目标是做能自我改进的 AI。对普通知识工作者来说，这期最有用的主线，是怎样判断自己的工作会被压价、被放大，还是被改造成管理 Agent 的新岗位。 You.com 先学会给 AI 定目标 主持人问 Socher，自我改进的 AI 对用户流程意味着什么。他把答案放进科学方法里：人先提出想法，动手实现，再验证结果是否成立。Recursive 想让 AI 对自己做同样的事，发现短板，修正短板，把输出变成下一版自己，再进入下一轮。 "所谓递归自我改进，是 AI 产出一个不同的新版本，再把这个新版本接回循环里。" 但他马上补了一个限制：今天的 AI 能力还很尖。有些数学题做得极强，常识推理又会掉链子。公司如果只给它一句“提升客服满意度”，它可能造一百万个机器人打进热线，最后全给五星；再换一个办法，它也可能给每个客户 1000 美元礼品卡，分数漂亮，问题没解决。任务越交给 Agent，人越要把奖励、边界和验收方式说清楚。 Socher 把这里称作 reward engineering。越接近超级智能，AI 越能理解人真正想要的结果；在过渡期里，团队要先训练自己写清楚目标。增长团队不能只写“更多浏览量”，还要交代声誉、收入、合规和长期用户关系。客服团队不能只看 CSAT 分数，还要把真实用户、解决率和成本边界写进奖励函数。 岗位变化，看需求弹性 软件工程师最容易感到冲击。主持人提到，她和一些创始人聊天，对方说一年前还要改 70% 的 AI 代码，现在只改 30%。Socher 的判断更细：职业会不会被压缩，要看成本下降后，需求能不能跟着放大。 插画是反面例子。过去一张配图几百美元，只有大媒体和公司博客舍得请插画师；现在几分钱就能生成，全世界的插画总量变多了，可人类并不需要几十亿张高质量插画。供给暴涨，需求没有同比增长，职业自然承压。 "如果软件变得便宜很多，我们会想要更多软件。最终，每个人都可以拥有自己的 App。" 软件的处境不同。Socher 说，每个人都可能想要一个只为自己服务的应用：懂自己的娱乐节奏，知道冲浪或飞行爱好需要哪种天气提醒，还能在分心时把工作拉回来。软件越便宜，想法越多，工程师的工作会从逐行写代码，转向把需求拆成任务、让 Agent 实现、再判断结果能不能上线。 需求弹性还能解释为什么同样是自动化，有些岗位会增长。医疗是 Socher 给的另一个例子：很少有人会说“请多创造医疗岗位，但别把奶奶的癌症治好”。用户要的是结果，需求几乎没有上限。只要 AI 能把诊断、研究和随访做便宜，更多服务会被打开。 放回公司内部，产品经理和工程负责人可以用同一套问题审视路线图：如果某项能力便宜 100 倍，用户会多买 100 倍吗？如果答案接近否定，就要小心它变成价格战；如果答案接近肯定，就该提前准备交付、运营和质量控制。 看富人现在买什么 Socher 给创业者一个找机会的方法：看现在只有富人买得起的服务，再问其中哪些被“智能”卡住。手机已经给过一个样本。今天普通中产少年和亿万富豪手里拿的 iPhone，核心体验差别不大。技术规模化后，原来昂贵的东西会被压成大众工具。 他列了三类：孩子的私人家教、个人助理、个人健康团队。私人家教能知道孩子到底卡在哪个概念，再写一套完全个性化的练习。个人助理能订机票、比价、补货、处理生活里的琐碎安排。健康团队则会围绕血检、饮食、连续监测和罕见病研究，给个人做更细的决策。 "预测未来的办法之一，是看富人现在能买到什么，再问哪些东西被智能瓶颈卡住。" 团队也可以用这个方法判断产品机会。一个功能如果只是让现有流程便宜一点，天花板可能很低；一个服务如果能把富人专属的判断、陪伴和跟进变成软件，市场会大很多。教育、医疗、个人运营和企业助理，都属于这类候选。 Socher 还把这个思路推到生物医药。他看好 AI for tech bio，因为人体里的大脑、微生物组、炎症和癌症都很复杂，很难用一个短公式解释。他投过的 Ignoda Labs 会把失败药物稍作修改，再更快推进到二期 FDA 试验。对创业者来说，这种机会的共同点是：实验很贵，判断很难，错误代价很高，AI 如果能提前预测毒性和失败路线，就能省下多年时间。 主持人问他，如果今天已经有超级智能，第一句会问什么。Socher 的答案很短：怎样治愈癌症。随后他把问题扩展到心脏病、炎症、衰老和不同器官的复杂过程。物理世界实验周期很慢，所以他更愿意先在数字世界里把智能迭代跑起来。 机器人卡在硬件手感 主持人把话题推到物理世界：富人有厨师、司机、家政，世界模型成熟后，家里会不会有更多机器人？Socher 的回答有点反常识。他认为，真正限制家用机器人的主要瓶颈是硬件，软件反而排在后面。 他的联合创始人 Tim Rocktaschel 做过 Genie 1、2、3，能生成可交互世界，墙被刷过以后，转身回来仍然保持记忆。但这类世界模型并没有立刻改变机器人行业。机器人要进厨房、洗衣房和客厅，需要更好的肌肉、触觉反馈和安全机械结构。人手拿杯子时能感知力道，机器如果又强又快，旁边的人会受伤。 做 AI 产品的人要把瓶颈拆开看。客服可能卡数据，医疗可能卡实验周期，机器人可能卡机械结构，企业软件可能卡权限和流程。判断一个行业能不能快进，先看输入、输出和反馈能不能被大量数字化。 Socher 还提到，很多机器人公司会想要自己的 AI，不愿直接拿一个通用世界模型。原因很现实：世界模型如果大量时间都在生成可爱小狗视频，对抓杯子、叠衣服、绕开孩子这些任务帮助有限。进入物理世界以后，数据、硬件、场景和责任会绑在一起。 所以同样是 Agent，落到不同行业会有不同节奏。能在沙盒里跑十亿次的任务会快，必须拿真实人体、真实客户、真实设备试错的任务会慢。产品计划要尊重这个差别。 AI 创业要配行业洞察 Recursive 的团队里有 DeepMind、OpenAI、Meta 出来的研究者，也有做开放式进化研究的人。吸引他们的核心来自一件大家都已经在靠近的事：把科学方法里“构思、实现、验证”的人类过程，再替换成一个学习系统。 他给普通创业者的建议更落地：强 AI 技术和行业洞察要组合在一起。比如 AI for architecture，可以帮建筑师自动生成更好的平面方案；商业尽调、医疗、生物、化学、材料，也需要懂业务的人把问题定义清楚。只会喊 AI，很难做出强产品；只懂行业，不会调用模型，也会慢慢吃亏。 "如果你想做 AI，就去硅谷。这里任何一个聚会，都能遇到一群对 AI 兴奋的人。" 读 PhD 也被主持人问到。Socher 的态度很克制：有些人足够自驱，不需要头衔；但 PhD 仍然是少见的机会，让一个人花几年时间贴近人类知识边界，再把一个很小的领域往前推一点。他建议年轻人学 AI 基础，同时找一个真热爱的领域，物理、化学、生物都可以。下一代高影响力研究者，往往会出现在交叉处。 他提到一篇叫 Darwin Godel Machine 的论文：Agent 会创造自己的子 Agent，经过基准测试，如果子 Agent 更好，就继续沿着这条进化路径往下走。这里的创业机会，来自一个能反复生成、验证、筛选的任务环境，而不是再包一层聊天界面。 职业护城河会变成会指挥 小时计费的知识工作者最容易尴尬。主持人举了编辑的例子：如果编辑自己写软件，把剪辑效率提上来，客户可能仍然愿意按原价付费；但公司也可能收集数据，训练自己的 AI，逐步替代外包。Socher 把这个问题拉回一个历史类比：过去有人说自己不会用电脑、不会收邮件，后来就很难留在知识岗位。 "几年后，说自己不擅长 Agent delegation，会像说自己不擅长用电脑一样可笑。" 他的建议不复杂：尽早把 Agent 当成工作对象来练。不要只把任务丢给 AI 然后不再思考，要有意识地用它提高自己的手艺。AlphaGo 出来后，围棋选手变强了；棋类、编程、数学都会出现类似变化。入门岗位也并非没有机会，公司需要一批从学校就开始用这些工具的新一代员工，他们能把工具带进真实业务。 Socher 自己的生产力方法很朴素。他遇到新的肌肉纤维、介电液体等陌生概念，会让 AI 先用五岁孩子能懂的话解释，再用十岁孩子的版本解释，最后切到 PhD 水平。学习速度变快后，人能把更多时间放到提出好问题、验证路径和组合知识上。 练习方式可以很小：让 Agent 整理一周客户跟进，先列计划，不直接执行；让它改一段代码，先输出测试点；让它做调研，先交来源表。人负责验收，工具负责放大。 公司层面也一样。Socher 说，拥抱这些工具的个人会更受欢迎，公司会更有生产力，国家也会在智能和产出上拉开距离。入口岗位的安全感不会来自“便宜”，而会来自能把新工具带进团队，让原本做不动的小项目变成可以交付的结果。 节目最后，主持人问 2035 年人靠什么获得意义。Socher 提到棋类和数学：AI 已经下棋更强，但世界上的棋手更多了。人仍然会从深技能、社会认可、旅行、体育、娱乐和品牌里获得意义。AI 可以快速做出一个空壳 Instagram，却不能凭空造出几百万人在上面发布内容的网络效应。 写在最后 如果你现在只想做一个动作，就把最近一周最重复的工作列出来，尝试让 Agent 完成第一版，再自己验收、改目标、补边界。职业变化不会等到“超级智能”出现才开始，先学会指挥、检查和纠偏，才有机会把 AI 变成自己的杠杆。 内容来源："Why You Need to Rethink Your Career Now"丨Silicon Valley Girl 原视频：https://www.youtube.com/watch?v=2j9yjRSpMSo&t=193s No access 99fd469301bf47a0b921ebff5fab81dd 00:00 No access 99fd469301bf47a0b921ebff5fab81dd 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣