The New Physics of Business — Garry Tan, Y Combinator
三句話摘要
AI 時代如何用「公司大腦」和技能文件重新組織企業,讓個人做到原本需要千人才能完成的工作。 --- AI 時代的競爭力不在模型本身,而在於如何把工作用「技能檔案」組織成可永久學習、不斷複利的「公司大腦」,讓個人和小團隊做出千人規模的產出。 槓桿不在模型權重,在工作流程設計 — 頂級創業者與普通人用完全相同的 LLM,差異來自如何把工作拆解給 AI 執行,這決定了 10 倍到 400 倍的生產力差異。
重點整理
重點- 1
槓桿不在模型權重,在工作流程設計 — 頂級創業者與普通人用完全相同的 LLM,差異來自如何把工作拆解給 AI 執行,這決定了 10 倍到 400 倍的生產力差異。
- 2
組織架構就是代碼結構 — 技能文件是員工、解析表是組織圖、規則是內部流程、評估是績效考核,整個公司可以用 Markdown 和 TypeScript 編碼,而不是招聘 1000 人。
- 3
AI 代理有 100 萬 token 的工作記憶(像 3 本哈利波特書),遠超人類 7 項限制 — 關鍵是要讓正確的「三本書」(上下文)在正確時刻打開,這就是上下文工程,由「公司大腦」決定。
- 4
公司大腦的核心是記憶衛生,不是檢索 — 垃圾進垃圾出,需要有人工+AI 組成的「圖書館員」維護事實版本、消除矛盾、定期清理過時信息,記憶層才不會成為充滿錯誤且難以追蹤的垃圾堆。
- 5
--
實用技巧與重點
乾貨- 數據與成果:
- 講者 2013 年人力編碼:14 行/天 → 現在 400 行/天(同模型,同時間投入)
- YC Winter 2025 批次:25% 公司代碼 95% 由 AI 生成,成為歷史上成長最快、獲利最高的批次
- YC 迄今 94 間公司從種子輪成長到 $1 億以上收入
- Emergence(AI 應用構建器,Summer 24):公開發佈到 $9,000 萬 ARR 只花 8 個月
- Retail(Winter 24):$6,000 萬營收只有 40 人
- 講者個人 Gbrain:220,000 頁面知識庫
- 工具與概念:
- 技能文件(Skill file)= 明確寫下的單一功能,員工可以執行
- 解析表(Resolver table)= 任務分發決策,決定誰處理、往哪去
- Skillify = 將一次性工作轉換為可重用的技能文件
- Gbrain = 開源、麻省理工授權的「代理 Postgres」檢索層
- 潛在空間(Latent space)= LLM 內的非確定性計算,由 Markdown 文件引導
- 確定性空間(Deterministic space)= 工程師寫的代碼(TypeScript/Erlang)
- 上下文工程 = 決定哪三本書應該在 AI 代理的工作記憶中打開
- 核心紀律:
- 人類工作記憶:7 位數(本地電話號碼長度)
- AI 代理工作記憶:100 萬 token(約 1,000 頁或 3 本哈利波特書)
- 永不做一次性工作,每次完成後都技能化
- 把計算放在對的地方(潛在 vs 確定性空間)
- 公司大腦 = 圖書館 + 圖書館員(人類+代理的混合維護)
- --
結論
結論“AI 時代的競爭力不在模型本身,而在於如何把工作用「技能檔案」組織成可永久學習、不斷複利的「公司大腦」,讓個人和小團隊做出千人規模的產出。”
完整解析
詳細講者是 Y Combinator 的合夥人兼投資者。他面臨一個現代創業者的核心問題:AI 時代該怎麼構建公司?
講者首先用自己的例子說明槓桿不在模型權重。十多年前他親自寫代碼時,高強度投入每天產出 14 行有用代碼。但現在用同一個 LLM,同樣的上下文窗口和 API,他的生產力飆升到 400 倍。這不是誇大其詞——即使扣掉所有冗餘、假設 AI 寫的代碼充滿臃腫的棚架代碼,保守估計也有 8-80 倍提升。關鍵是「怎麼布置工作」。YC 最新一批中,四分之一的公司代碼 95% 由 AI 生成,這批公司後來成為歷史上成長最快、最獲利的一批。所以 YC 的快速成長者不把 AI 當自動補全,而是當整個工作隊伍。
這帶出講者最想傳遞的核心觀念:用代碼組織一間公司就像用代碼組織軟體。技能文件(Skill file)就是員工——一項清楚寫下的單一能力。解析表(Resolver table)就是組織圖——任務進來,決定誰處理、往哪流轉。規則檔案是公司流程,評估是績效考核。這樣一來,原本需要 1,000 人的組織,變成了 Markdown 文件和 TypeScript。YC 內部就有公司已在這樣做:Emergence 從公開發佈到 $9,000 萬年度經常性營收只花 8 個月;Retail 在只有 40 人的團隊下做出 $6,000 萬營收——這種「每人產出」在軟體、石油或鐵路業都從未出現過。
但軟體組織背後有硬體限制:人腦一次只能想七件事。所有人類建造過的文明——檢查表、組織圖、檔案櫃——都是為了補償這個限制。AI 代理呢?它能一次持有 100 萬 token,約 1,000 頁或三本哈利波特書,還能在幾秒內在這些「書」之間找到針眼、跨書合成見解。這已經是完全不同的操作方式。
但這也暴露了一個問題:三本書看起來很多,實際很少。整間公司不只三本書,而是一座圖書館。每封信件、每場會議、每個客戶對話、每場事後檢討——所有推理。決定 AI 代理是天才還是金魚的,就是誰決定哪三本書在工作臺上打開。這叫「上下文工程」。完整的解決方案叫「公司大腦」——圖書館加上圖書館員。
檢索表面上很簡單(就像 Postgres 本質上只是 B 樹),困難在周圍的一切。什麼該先被寫進知識庫?怎麼連結和擴充資訊?什麼該升等為「熱記憶」,什麼留作冷參考?兩個事實衝突時誰仲裁?檢索容易,但「值得被檢索」才是產品。講者開源了自己的版本,叫 Gbrain。他的個人大腦現在有 22 萬頁知識——大多是 AI 從他的信件、會議、20 年筆記和生活經驗中提取的。所以當創業者寄來危機信時,他的 AI 代理在他讀完信前就已經拉出和這位創業者過去的所有對話、三間遇過同樣問題的投資組合公司和真正有效的解決方案。這是助理和同事的差異。
但公司大腦有失敗模式。沒人維護的大腦變成垃圾場加搜尋引擎。檢索會帶著完全信心拿出過時事實。壞的技能文件永遠編碼了壞流程。真正的基礎不是記憶,是「記憶加上衛生」——每個事實都有來源追蹤、新舊信息衝突時有檢查、有人類加 AI 組成的「圖書館員」負責剪枝。把大腦當生產基礎設施,它會指數成長;當垃圾場,你就會得到一個充滿信心但無法追蹤的錯誤。
講者講述自己的核心紀律,也是每間 YC 公司都該聽的:永不做一次性工作。你可以打開 AI 工具做事,完成後也許可以,但別停在那。把它技能化——轉成可重用的技能文件,丟回你的工作框架就能變成可重複使用的模組。如果必須問兩次同樣的問題,你就失敗了。捕捉學習的公司每天都變聰明;不這樣做的公司每早起來都失憶。模型品質是租來的,但如果你構建自己的大腦,你就擁有那個大腦。
回到最初的問題「現在該構建什麼」,答案是:構建 AI 原生公司,不只是用 AI 的公司。從第一天就是這個形狀的公司——精瘦團隊、所有東西都有技能文件、創辦人還在寫代碼、建立圖書館和公司大腦、個人 AI。如果想要完全綠地(講者若現在 25 歲會做什麼),全世界每間公司很快都需要一個大腦——記憶層讓你永不重複發問。
講者最後坦誠:你不一定需要他的工具開始。開源 Claude 是法拉利(他會永遠推薦),但 Claude(應該是指其他 LLM)也很好,是本田,能做到 90%,不會嚇死你但會帶你到。用什麼都行,觀念才是重點:想好計算發生的地方、把技能文件當員工、重視圖書館員、永不做一次性工作。這些跨越任何技術棧。
講者以一個故事結束:他有個朋友患罕見癲癇症,為兒子建了 8 萬個 Markdown 文件的大腦,把人類已知關於兒子病況的所有邊界推到極限。沒有實驗室、沒有補助、沒有許可——只有一位父親、一台筆電和一座圖書館。那不是旁敲側擊的故事,而是過去 20 分鐘描述的確切架構。現在你們都能做到:每個「我希望有那個人但請不到」的問題;每個「太多 bug 無法修」的代碼庫;每個「太大無法讀」的檔案;每個「太亂無法清」的資料集;每個「被說不要碰」的大海。現在我們都能煮沸那片海。每個人現在都能飛,不是比喻,是機械上真實的飛,而且你需要生存、繁榮、贏。
---
關鍵時刻
Pipeline v2帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。


