半年前，真格基金管理合伙人戴雨森在播客里预言 2026 年是"Year of R"。
意思是回报（Return）、回调（Retreat）、研究（Research）都会成为主题，并在过年前清空了二级市场所有仓位。
结果上半年 AI 市场比任何人预期的都要疯狂。
他没有消失，而是回来了，把自己说过的话逐条拆开，哪里说对了，哪里说错了，以及现在怎么看。
https://www.xiaoyuzhoufm.com/episode/6a15a2cbff7b9a8c0a5b953f
说对了什么，说错了什么
戴雨森说对的部分，主要集中在 C 端变现的判断上。
他当时认为 OpenAI 的订阅收入很难快速提价，从 20 美元涨到几十甚至一百美元对普通用户来说门槛太高。
同时，5000 万付费用户已经把愿意为 AI 日常使用付费的人群基本筛选完了，继续增长会很慢。
事后来看，这个判断基本准确，ChatGPT 的付费用户增速确实进入了停滞区间。
他还判断在 ChatGPT 里做广告和电商不是一件简单的事。
字节在抖音和 TikTok 上探索广告和电商花了很长时间，Facebook 和 Google 成立后也用了六到八年才成为广告印钞机。
把广告直接塞进 ChatGPT，当时大家太乐观了。这个判断也得到了验证。
说错的部分，是完全没有预料到 Anthropic 的 Coding 收入会在这么短的时间内发生这么大的变化。
他的解释：AI 的智力提升不是线性的，它必须突破某个阈值才会产生价值。把水烧到 99 度不会有蒸汽机，烧开了才有。
Claude 4.5 到 4.6 的迭代，带来了从量变到质变的跳跃，让很多原来跑不起来的 Agentic loop 能够跑起来了，AI 开始能完成更长时间、更高价值的编程工作。
这个节点事后看很明显，但提前预判极难。
"回报问题"并没有真正被解决
很多人看到 Anthropic 收入大涨，就认为 AI 的商业闭环已经跑通了，戴雨森不这么认为。
他提出了一个三步链条：投入→产出→结果。
Anthropic 的收入，是它客户的投入。
客户买了这些 token，烧出来的是软件，这是产出。
但软件还不是结果，软件要能卖钱，或者能降本，带来利润提升，才是结果。
现在大家都在拼命投入，产出确实多了一些，但产出有没有真正带来结果，这个问题还没有被验证。
他用了一个生动的比喻：现在的状态像一个水槽，上面有无数想吃螃蟹的人涌进来，下面也有很多人觉得螃蟹不好吃悄悄离开了，但进来的人远多于离开的人，所以 Anthropic 和 OpenAI 的 ARR 涨得很快。
但这个漏水的底部迟早要堵住，来尝鲜的人必须能从中赚到钱，而且这个赚钱的周期不能太长。
他还算了一笔账：今年整个 AI 行业在硬件上的利润是 7000 亿美元，如果 Anthropic 年底 ARR 达到 1000 亿美元，意味着每个月有 100 亿美元的 token 被买走。
掏了这 100 亿的人，他们赚了多少钱？这个问题无法忽视。
Harness：从"套壳"到操作系统
一年前，大家管 Manus、Claude Code 这些叫"套壳"，觉得没有壁垒。
现在大家开始叫它们"Harness"，认为它很重要。
戴雨森的观察是，这个认知转变本身就很说明问题。
他提出了一个类比：Harness 更像操作系统，模型更像处理器。
在 Windows 年代，你可以插 Intel 的 CPU，也可以插 AMD 的 CPU，哪个便宜用哪个，哪个新用哪个。
这很像现在用户可以在自己的 Harness 里插拔不同的模型。
而在操作系统上，大家再去构建不同的应用，就像现在开始出现基于 Claude Code 去做应用的尝试。
三年前，一个 AI 应用开发者需要自己处理怎么写 Agentic loop、怎么处理 Memory、怎么设置 Guard rail（护栏）。
现在在 Claude Code 或者这些 Harness 上再做一个 skill，这些底层的东西 Harness 帮你处理了，你只需要考虑自己的功能怎么做。
这和操作系统出现之后，开发者不再需要直接跟 CPU 通信是同一个逻辑。
Harness 还有一个被低估的价值：好的 Harness 积累的数据可以反哺模型训练。
Cursor 就是最典型的例子。
它基于 Kimi 的预训练，加上自己大量高质量的用户反馈数据，训练出了 Composer 这个模型。
如果没有 Cursor 这个壳，就没有这个模型。
这说明模型即产品这句话可能同时成立：你要有好的产品，才能有独特的模型；你要有好的模型，才能做出好的产品。
几个具体的 Harness，各有什么不同
戴雨森逐一拆解了几个代表性产品的创新点：
Manus：率先在 sandbox 里跑虚拟浏览器，让 AI 去访问网页、执行操作。它做的"wider research"，也就是同时起十几个 sub-agent 并行执行不同任务，比现在很多人做 agent swarm 都要早。Claude Code 团队在做某些设计时也借鉴了 Manus 的经验。
Claude Code：CLI 形式是一个关键选择。Terminal 环境对 AI 来说比图形化界面更便于操作，因为 GUI 本来是为人设计的。它通过 skill 配置和 agentic loop 的设置，让程序员获得了非常好的体验。
OpenClaw（开源）：可以访问 Mac 上所有文件、日历、信息，这是 Claude Code 这类产品不具备的。心跳机制让它能完成定时任务。
它的 memory md 体系很有意思：原来大家都觉得要把不同 session 的 context 分开，但 OpenClaw 把所有对话放在一个大 context 里，每天整理 memory md 来管理记忆。
用户的感受是"它记得我"，这种感觉很神奇。
它还有一个关键创新：不是让用户来找它，而是把 agent 插入到用户最熟悉的地方，微信、Telegram、WhatsApp。
这是它在中国风靡的重要原因之一。
"回报问题"的深层结构
戴雨森对增效这件事有一个反直觉的判断。
很多人反馈用了 agent coding 之后效率提升了十倍。
但他问：那些公司的收入是不是也涨了十倍？新产品是不是多了很多，卖给了很多新用户？目前来看，没有观察到这种最终结果的大幅提升。
他的解释是：移动互联网陷入停滞，不是因为缺程序员，而是因为不知道该做什么。
突然多了十倍的工程师，公司收入不会自动大涨，因为增加收入需要新产品、新需求、新市场，这是创新问题，不是编程问题。
他还提出了一个"能背的锅有限"的框架：只要 AI 还不能端到端完成一个工作，人就还要对结果负责。
AI 可以多写一百份报告，但人还是要检查，还是要对投资决策负责。
一个人能承担的职责是有限的，这取决于他的工资和能承担的损失。
AI 没法给你担责，所以这个人的瓶颈还在。
裁员也是一个只能做一次的动作。
你只能把一个人裁一次，它能省下的是固定成本，但不能持续增量地裁出更多成本来。
2026 年的大叙事
戴雨森把 AI 的演进分成三步：
第一步：让人类拥有更多更好的 agent。
Claude Code、Codex、OpenClaw、Manus 都在做这件事，安装越来越简单，配置越来越容易。
第二步：让 agent 更好地适应人类的数字世界。
人类的数字世界是为人设计的，验证码、信用卡、GUI，这些原来都是用来阻止 bot 的。
现在要让 AI 高效使用人类已有的软件和基础设施。
Stripe、Coinbase 在给 AI 发信用卡，Cloudflare 推出服务让 agent 能像人一样注册和使用各种服务。
第三步：为 agent 建设专属的数字世界。
人类用信用卡，是因为人类的支付是低频、点对点、相对大额的。
但 agent 的支付可能是极高频、极小额、一对多的。
给 agent 发人类的信用卡，只是让 AI 适应人的系统。
最终，AI 应该有完全符合自己特点的原生工具。
下一个字节跳动，长得不像字节跳动
这是他最有争议的判断之一。
他观察到，有一批创始人和投资人在寻找"下一个字节跳动"，做的产品也很像字节的产品：一个信息流，刷来刷去，里面是 AI 生成的内容或者 chatbot。
他认为，在字节的游戏规则里打败字节，是非常难的。
他还有一个对 AI to C 的判断：做娱乐、做 Kill time 的机会，不一定是这个时代的大机会。
原因很直接：你一上来就面临分发问题，要从字节买量，你的竞争对手是抖音、短视频、短剧。
用户要在刷短视频和玩你的 AI 游戏之间做选择，你的游戏必须足够好玩，而不是因为它是 AI 做的所以用户要玩。
相比之下，生产力方向是"简单题"：原来用户要自己打 Excel，现在 AI 帮你做，这是十倍甚至一百倍的提升，不需要和娱乐内容竞争用户注意力。
创业者应该做大厂看不上的事
他梳理了移动互联网时代那些跑出来的公司，共同特点是：大厂有理由说服自己不做。
太小众：B 站（二次元）、Airbnb（在别人家睡觉）、得物（卖鞋）。
太 low：内涵段子、拼多多。
太累：美团（地推）。
不合规：滴滴、比特币。
太超前：OpenAI、SpaceX。
他认为现在同样存在这些机会。
比如开源，大家原来觉得开源没有商业模式，但 OpenClaw 通过开源获得用户，完全有可能通过闭源增强版实现商业化。
比如那些模型厂商觉得"不本质"的产品体验，对用户来说却很本质。
他还特别强调：在技术发展早期，勇敢做 horizontal（通用）的东西，是有大机会的。
现在很多人受垂直 SaaS 叙事影响，但垂直 SaaS 是因为通用机会已经被做完了才去做垂直。
在技术爆发期，通用产品能承载不同场景，能最早发现新的市场机会。
Manus 一开始做通用 agent，后来才发现 PPT、网站、数据分析都是主要场景。
投资人自己的变化
戴雨森用 Claude Code 给自己做了很多小工具：把关注的播客自动拉取 transcript 放到 Notion，把每天见的人的会议纪要整理到对应条目下，建立对人、公司、股票的长期跟踪。
但他也在警惕一件事：越来越多地把思考外包给 AI，可能导致思考能力退化。
他的类比：把体力劳动外包给机械，人类的体力变弱了。把记忆外包给互联网，人类记不住事情了。
现在正在把思考外包给 AI，这个代价还没有被充分意识到。
他的应对方式是把思考当成健身：刻意练习，就像为了准备这期播客，他强迫自己想清楚每个观点的论据是怎么来的，而不是让 AI 去总结。
他还注意到一个更深的问题：坐拥各种 coding agent 的订阅，每天有很多 AI 等着打工，但做什么？这个问题本身就是一个需要刻意练习的能力。
他的建议是从简单的开始，同步会议、日程、订阅，逐渐做更复杂的东西，就像健身要先从拉伸和俯卧撑开始。
对于从业者来说，这期对话最有价值的部分可能不是具体的判断，而是那个三步框架：投入→产出→结果。
现在整个行业都在拼命投入，产出确实在增加，但结果端的验证还需要时间。
在这个时间差里，既有泡沫，也有真实的机会。
区别在于，你做的东西是不是真的让某个人的某个问题得到了解决，而不是因为 AI 很热所以你在做 AI。