AI时代的品味与判断

• "造东西越容易，先想清楚该造什么就越重要。" Adam 的原话：在一个更容易造东西的世界里，"更重要的是确保你的时间花在'先想清楚到底该造什么'上"。他直言 taste（品味）"太重要了、matters a ton"，而这恰恰是最难想象被自动化掉的东西。→ 详细
• 谁能吃到这波红利：不是用得最猛的人，而是"对 AI 现在擅长什么、不擅长什么看得很清楚，同时对它将来会擅长什么、还搞不定什么有直觉、有嗅觉"的人。→ 详细
• 他"看好设计师"的逆势判断：眼下很多设计师因为"通才/工程师/product staff 都在做设计"而焦虑，但 Adam 说自己 "pretty long on designers"（相当看好设计师），正因为他们往往有品味。他还有个具体的"品味识别"例子：AI 出的活儿一眼能认出出处——"你能看出这是 Claude 设计的、这是 Codex 做的、那是 Replit、那是 Lovable"，每个工具都有自己的"调调"（vibe）。→ 详细
• 判断力尤其体现在战略层面：被问"AI 不断吞掉产品开发生命周期，人脑在哪儿继续最有价值"，Adam 的答案是"品味，还有判断力，尤其是围绕战略的判断力"——你可以让 AI 给战略提反馈，但短期内不会让它从头替你定战略。→ 详细

• 旧的"标准团队"（大公司里维持了很久的样子）：2-3 个 Android 工程师、2-3 个 iOS、2-3 个后端、也许一个通才工程师，加一个 PM、一个设计师、一个数据科学家、运气好再加一个用户研究员——"a baker's dozen"（一打半，十来号人）。逻辑是：任何人写代码都得配一个熟悉这块代码库、能 review 的人，所以要养这些专精职能。→ 详细
• 今年（2026）引入 pod：迷你团队，4-6 个更偏通才的工程师，核心是一个叫 product staff 的角色——"PM 的进化版"：一个 PM，借助最新工具，能干一部分设计、一部分数据科学、一部分用户研究的活。再按需配专才（要定价策略就配资深数据科学家，要非常新颖的体验就配资深产品设计师）。最后核心盘通常缩到 6-7 人。→ 详细
• 为什么更好用：不只是"AI 提升了生产力"这一层——"仅仅因为需要协调的人变少了，团队就能跑得更快、决策更好，少了一点'委员会式设计'的味道"。他直接下结论：小团队本身往往就是更高效。→ 详细
• 一个具体的"机械活被吃掉"例子：数据科学里的 waterfall（漏斗式流失分析，把"创建 Reels"每一步拆开看用户在哪儿流失）——过去要数据科学家专门定制，现在内部工具能自动拉，product staff 现在就能自己搞定，一年前还做不到。→ 详细

• 一句话概括现状："所有职能开始互相渗透、彼此交融，整个行业都在琢磨这到底意味着什么。"极端情况下一个 pod 可能是"四个工程师 + 一个 product staff，没有数据科学家、没有设计师、没有用研、没有内容设计师"。→ 详细
• 最强的 product staff 会是"转行者"：Instagram 有位资深设计师 Nate 刚转岗做了 product staff。Adam 判断，最强的 product staff 会是从设计、从数据科学转过来、想扩大影响半径的人——纸面上算通才，但在某一门手艺上有独一无二的强，又有观点能跨界做判断。（他自嘲要警惕偏见：自己也是 Facebook 设计师出身转的岗。）→ 详细
• "通才的时代"，但顶尖专才不会消失：Adam 说自己一直"浪漫化"那种往深里钻的顶尖专才——"phenomenal 的机器学习工程师、AI 研究员，或者做鞋的匠人……世上最酷的事，但那从来不是我的形状"，并坦承 "我从没在任何一件事上做到极致，我的强项一直是'广'（range）"（Lenny 接："我也一样"）。→ 详细
• 相邻岗位的"软着陆"：数据科学、用研、设计师都在焦虑。Adam 的处方：职能会继续模糊但不会消失，只是形态变了——"不会都是资深 IC，但要么已经资深、要么正走在通往资深的路上"。关键纪律是别只投资今天的资深人才、也要投资明天的：不能只养一堆超资深数据科学家却不进新人，"否则过几年你会后悔"。团队更小，暂时够不到超资深的人转去更通才的角色。→ 详细
• Lenny 的印证：Claude Code / Cowork 工程主管 Fiona Fong（Boris Cherny 的经理）说她现在只招两类人——"有极佳品味、能把想法从头做到尾的 builder" 和"在某个非常具体领域有深厚专长的人"。→ 详细

• 不变的三条底线（几乎不分职能）：① grit（韧劲、肚子里有团火）；② 学得快；③ 有自我觉察，能接住反馈、知道自己擅长什么。"这三样都有，最终什么都能学好；缺任何一样，通常就出问题。"→ 详细
• 未来 5-10 年的两条新溢价：保持好奇 + 把自己豁出去（put yourself out there）。他用学外语打比方："最能预测你口语学不学得好的指标，是你愿不愿意把自己说得像个傻瓜、被纠正也不觉得受冒犯、然后越说越好。"面对新工具同理——不好奇、不愿犯错，就有大麻烦。→ 详细
• 看得更少的特质：管理超大组织的能力。"大型组织领导力是门独立手艺，和'管理'不是一回事"，但这类"管着成千上万人"的岗位会变少——不是消失，是占招人比重下降。→ 详细

• 工作本身变了：工程师过去 40%-60% 时间在写代码，现在（尤其大模型实验室的人）大部分时间在规划和 review 代码——"谁能成功，取决于谁的强项跟工具的需要、业务的需要对得上"。有人原来就慢，现在反而如鱼得水。→ 详细
• 门槛降低让"有想法但没手艺的人"上场：Adam 自曝"可能十年来第一次又能写代码了"，"我不是好工程师，状态好也就是个平庸工程师，但现在能负责任地写代码"。他反对非黑即白看 AI——"人不是二元的，工具也不是：它们在有些事上厉害得惊人，在另一些事上差得离谱"。→ 详细

• 现在的"写代码"= 给 AI 掌舵：从"所有代码自己写"→"几乎全由 AI 写"→ 现在是 AI one-shot（一次成型），所谓写代码就是"给 AI 掌舵、你得多频繁纠正它"。整个软件开发生命周期正被 AI 一点点吃掉。→ 详细
• 人脑的活越来越像"做管理"：定义成功长什么样 → 决定你对"通往成功的路径"要规定得多细 → 一路给反馈。这本身就是一门手艺。 而且老规律又冒出来："作为领导，规定得太死会扼杀好点子；放得太开团队又会把时间浪费在错误方向上。"——你给团队多大自主权，这套逻辑将来同样适用于 AI agent。→ 详细
• 愿景与战略的定义（值得抄进笔记）：愿景 = 对你想抵达的那个世界／产品状态的清晰表述；战略 = 实现那个愿景的、一条有主张有取舍的路径。→ 详细

• 判定一条战略好不好的硬标准："它必须带点争议性——得让一个明事理的人也完全可能不认同它。否则你多半只是在拼纯粹的执行力。"愿景和战略会是人脑越来越多投入的地方，执行越来越少。→ 详细
• "AI 本该极其擅长做战略"——但其实不然：你以为把市场、对手、指标、增长全喂给它，它就能帮你想怎么赢。Adam 发现除非你相当强势地掌舵，否则它做不好——掌舵不是把它往某个答案引，而是基于约束去引导：技术现状、团队的人和动机、能招到谁（"一个悬而未决、有冒险性的点子反而能吸引顶尖人才"）、竞争格局、监管与合规、品牌的身份与存在理由……偷懒直接问，只会得到"竞争对手都预料得到的可预测方案"。→ 详细

• 让 AI 保持批判：想要真正有效的战略，得让 AI 也把所有该考虑的输入纳进来，"这得是一场对话、来来回回"，尤其要它对你保持批判、专挑毛病。不同模型"气质"差别很大，就看它们多愿意跟你顶回来——"我建议挑一个爱唱反调的。"（他点评 Mythos 现在很擅长直接说"这个我做不了，咱们翻篇吧"；Lenny 说 Fable"一直有点刺头，但那股劲儿我挺欣赏"——不想要那种张口就"你说得太对了、抱歉"的讨好型。）→ 详细
• 半人马 / 反向半人马（Cory Doctorow 的概念）：半人马 = 人的上半身 + 马的下半身，人在主导，这是我们想要的；反向半人马（要极力避免）= 马头长在人身上，AI 在控制我们、我们只替它跑腿——"那画面太吓人了"。Lenny 补：Uber 司机、DoorDash 送餐员某种程度就活在反向半人马里。危险在于：如果 AI 直接把战略甩给你、告诉你"做这个就行"，没人会愿意干——这反而成了"我们并不希望 AI 替我们定战略"的有力论据。→ 详细
• 一句克制的提醒：别因为"某个工作流也许能外包给 AI"就想当然"那就该外包"——有些是双赢，有些风险大于收益。→ 详细

• curator > visionary：确实有那种"点子机器"型的产品负责人，但最顶尖的一批身上有一种品味，让强人才愿意跟着他们干，而他们最终扮演的是"策展人"——策展人才、策展点子、策展技术、策展战略。→ 详细
• 关键心态："我在为某个领域招强力负责人时，并不在乎那套战略出自他本人还是别人——我在乎的是有一套极好的战略、所有人都认同、且执行到位。"顶尖策展人自己也有点子（没想法很难当好策展人），但坦然接受"不可能所有东西都靠自己想出来"，于是去营造一种"让好点子自然冒出来、再挑选拍板"的环境。→ 详细
• Lenny 的共鸣：大家都想做愿景做战略、不想撸袖子干活（"这块 AI 别进来，让我来定战略"），却低估了"一个能把团队各种想法梳理、筛选好的优秀策展人"的价值。→ 详细

• 不只看"是不是强候选人"，更看"放进这个领导班子合不合适"：以 trust & safety（信任与安全）为例，Adam 下面有工程、产品、数据科学、设计、研究五个负责人，他要确保这五人互补（技能 + 短板），并且——"这事更像艺术不是科学"——氛围要对、有信任和默契。→ 详细
• 一句可背下来的判断："一个信任和默契都很强的领导班子，几乎什么难题都能扛过去；缺乏信任默契的班子，任何小事都可能变成大问题。"反面也成立：两个都很棒、他也很欣赏的人就是合不来——"这不是能力问题，是性格问题，有时只能果断把他俩分开"。→ 详细

• Meta 当年搞过 token 消耗排行榜，Adam 一句否掉："那是个糟糕透顶的主意，千万别搞。"造一个"token 焚化炉"并不难，但创造不了价值——一算投入产出就知道是馊主意。→ 详细
• 怎么管预算：现在还没给工程师设上限，但迟早要。把 token 当和 GPU、存储、招人薪资一样的资源来分配。判断："未来一两年，一个顶尖工程师烧掉的 token 成本，可能跟他的薪水持平"，到那时要设上限，而上限应与"公司对你能否把 token 用出正向 ROI 的信任"成正比。成本会先涨（用量增加）再降（前沿模型陷入价格战），"像坐过山车"。→ 详细
• 模型成本曲线：对比"现在同样价位拿到的智能 vs 一年前"，增量差价终将无所谓。Adam 说这周花很多时间在新模型上（原话点了 Fable、以及 Anthropic 的 Mythos），第一次感觉"我在跟一个比我技术强得多、聪明得多的工程师聊天"；再往后，业余项目大概率**"Fable 就够了、也便宜了"，不必为前沿 token 付费。呼应 Kevin Weil（时任 OpenAI CPO）名言："你现在用的模型，已经是它今后最差的样子。"**→ 详细

• 误解方向正好反了：大家以为算法对你的兴趣有一套非常细致的语义理解，其实没有。过去 5-10 年推荐系统的进步靠的是大型 embedding 模型（embedding = 嵌入向量，把一段内容/一个兴趣压成一串数字，机器靠数字间的远近判断"像不像"）——产出的是人类读不懂的巨大向量。"算法不是'知道你喜欢冲浪'，它只是有一串巨大的数字，恰好和冲浪相关联。"→ 详细
• "看见你的算法"：LLM 能把这些原本不可读的向量翻译成人话。把你互动过的内容映射到一张"地图"（embedding 空间），让 LLM 描述某块区域——它会说"哦，这块是骨灰级手冲咖啡挑剔党"。你能看到、还能增删这些主题，把一部分掌控权还给用户（还想支持非主题类需求，如"多看朋友动态""别连着推 7 张照片"）。→ 详细
• "直到现在，我们才真正做到大家多年来一直以为我们早就具备的那种精细程度。" 以前的机制被他简化成："你喜欢这些照片，别人也喜欢，他们还喜欢另一些，所以你可能也喜欢。"→ 详细

• 人们嘴上要"按时间顺序看全部关注"，行为却相反：换成算法推的"你会喜欢的内容"后参与度高得多。纯时间线的两个硬伤：① 激励错位——人人都想拼命多发（一发就置顶所有粉丝），feed 被高产的机构内容淹没（"NYT 一天能发 50 条，你最好的朋友一周才一条"）；② 最有意思的未必最新——新近程度只是相关性的一个输入，不是唯一。→ 详细
• 设计这类系统"几乎就像规划一座城市"：先想清楚机制怎么转 → 会催生什么激励 → 人在激励下怎么行动 → 导致什么后果。实测把"按时间顺序"设为默认：不仅使用时长下降，大规模问卷显示整体满意度也在下降——当下选它的人开心，几个月被不感兴趣的内容轰炸后就越来越不满。→ 详细

• 顺风、但有代价：内容更多 = 潜在注意力更多（IG 是注意力/广告生意），但"我们目前对 AI 内容的 ranking（排序）做得还不够好"。原则："不该根据内容是用什么工具做出来的去评判它"，该评判的是内容本身、观点、背后的人——不一刀切过滤 AI 内容，而是告诉你它是不是 AI 生成的。→ 详细
• "标真人"可能比"标 AI"更实际：现在能检测 AI，但模型越强可能越检测不出，所以要诚实告知"我们有几分把握"；长期看，标注"相机拍摄的（非 AI）内容"或许比标 AI 更可行。账号层面同样重要——要打击"假账号 + AI 人设"的新型垃圾套路（如伪装成 AI"僧人/大师"卖没用的保健品）。核心是：让你知道"这账号是不是真人、这内容是不是真实内容"，然后你自己判断。→ 详细
• 他欣赏的 AI 创作者（都"明说自己是 AI、且有清晰审美主张"）：Plastic Dream Sequence（唱歌的玩偶/芭比、小剪影，"有点怪但挺神"）、If Only AI（在巴黎，用多个模型分别生成图像/视频/配乐做梦境场景，"你可以把他看成画家，AI 就是他的画笔"）。→ 详细

• 一个跨行业的大趋势："这些年权力一直在从机构转向个人。最简单的例子是体育——如今球员比球队更有影响力，我小时候完全不是这样。"→ 详细
• 所以 IG 押注"创作者"（广义）：不只是接品牌的网红，而是任何以"自己"的身份、借平台去做自己事情的人——记者、艺术家、卖自己手缝围巾的人。核心洞察："在合成内容泛滥的世界里，人们反而会更加、而不是更少地去主动寻找创造力、真实感和'活生生的人'。" 因为"Instagram 从来就不只是关于内容本身，而是内容背后的那个人、他的观点、他分享的理由"。→ 详细
• 这为什么是护城河：IG 是最大的创作者平台，"人们会去主动寻找人"，所以 AI 内容洪水对它是顺风；同时要防着机构批量灌 AI 内容压过个人（NYT 能批量产，单个创作者不能），保护个人的表现空间。→ 详细

• 两种排序：利用型（exploitation）= 拿已有数据推"很多人喜欢、你大概率也喜欢"的，容易拉互动；探索型（exploration）= 试探你可能感兴趣、自己都还不知道的（"你喜欢 Bieber，那给你推点 Afro-funk 看看"）。后者更难，但对小众/素人创作者极有利——给他们一个被新受众发现的机会。→ 详细
• Adam 一直佩服 TikTok/字节跳动"捧红素人"的能力，IG 这几年在排序上投入不只提互动，还提原创性、出圈内容数量、时效性；自评"我任内第一次有望在推荐上做到业界最佳"。（他自嘲被团队叫"disappointed dad（失望老爸）"，在努力"多给别人应得的肯定"。）→ 详细

• 他公开谈争议话题的真实目的："几乎任何事情都有取舍——你没办法什么好处都占了。想永远不刷到不感兴趣的，就只能天天看最大众、最没门槛的内容；想发现新东西，就偶尔会刷到失手的推荐。" 隐私 vs 安全同理（要不要让公司扫你的私信，两面都有实打实的代价）。→ 详细
• 策略：跟立场强硬的人争论，"通常不是想说服他们（他们主意早定了），而是把各种利弊一条条摆出来，给旁边看这场对话的其他人看"。收尾时他对听众的唯一请求也是这个：记住"这些有争议的议题，没有一个像大多数人假装的那么简单"。→ 详细

• 起点：他在 Facebook 管 Newsfeed 时判断"这场争论有没有我们都会发生，那不如亲自下场"，于是泡 Twitter（记者都在那儿）。结果把最大的批评者全关注了一遍，"我的 Twitter 变成人生中最黑暗的地方"。后来 Mark（扎克伯格）一句"你来试试看效果"把他推成了门面。→ 详细
• 核心信念："长远看，人本质上更害怕的是自己不理解的东西、以及别人捂着藏着、越发接触不到的东西"，所以他选择以"可接近、真实"的方式出现。→ 详细
• 怎么消化恶评：放进更大的视角。2009 年他做 Newsfeed 改版（当时才 25 岁的一线设计师），上线第一条评论就是又恐同又反犹地骂"哪个傻 X 设计了这坨东西"，"我当时整个人都崩了"。后来想通一个比喻："如果我不打招呼、不解释，就跑来把你天天用的书桌重新摆一遍，你火大是很合理的"——而这正是当时对几百万人做的事。然后抽离：陪孩子、去户外。→ 详细
• 实验在大规模下变得很贵：任何可能引发争议的测试，都要提前定好公关口径——"不是'如果'泄露，而是'当'它泄露时我们怎么说"。"你没法把东西直接推给 30 亿人却不测试，也没法在这种体量下测试还指望没人报道"，所以得在自己都还没决定上不上线之前就准备好怎么谈它。（他还提到 Anthropic 增长负责人的定价实验在 Twitter 炸了——"才 1% 用户看到，就足够顶成热门"，感叹"定价尤其要格外小心，大家应该多互相通气"。）→ 详细

• Facebook Home（他当 PM 的第一个项目）：在 OS 层面对 Android 做分支 + 和 HTC 合作硬件——"一次惨败"，但"那一年半学到的比职业生涯任何一年都多"（原 PM 辞职，他自封 PM 一头扎进运营商、OEM、认证、操作系统）。教训："有时候你能做的最好的事，就是把一个没有市场契合度的点子彻底执行一遍，好判断它当初到底是不是个好主意。"→ 详细
• Reels 搭在 Stories 之上（2019）：想借 Stories 的势头，但那不是牢靠地基——Stories 看完率低、量远超能消费的时间，"大部分 Reels 根本没人看到就消失了"。如果把 2020 年夏天那版 Reels 提前到 2019 年夏天推，TikTok 未必能在疫情红利里长这么大。设计师的本能是"别加新东西、扩展已有基本元素（primitives）"——"但我错了，这是过去八年业务上一个相当重大的岔路口"。→ 详细
• 更深的元教训：真正的教训不是"不该测那个设计"，而是推得太急——"为 Instagram 这样的平台负责，必须对'你能以多快的速度改造它'保持理性"。他宁愿每隔几年挨一次强烈反弹、但持续进化保持相关性，也不要"没有视频、没有 DM、没有 Stories、没有排序"的另一种结局。→ 详细

• 两难与平衡：他既认同"课堂禁手机、担心孩子用 AI 学不会批判性思维"，又担心**"孩子不学会驾驭 AI 反而会处于劣势"**——所以两头都要。落地方式：陪 10 岁的大儿子一起 vibe coding（用自然语言指挥 AI 写程序）。→ 详细
• 成果与惊叹：儿子爱打游戏，于是"那咱们来做个游戏"——做出一个 19 关的平台跳跃游戏，像 8-bit 版《超级马里奥》，每关有自己的主题、怪物，还有买皮肤/武器的商店。"一个还在用三根手指打字的 10 岁小孩，靠跟你坐一起花几个小时就能做出这种东西，简直难以置信。" 用的平台正是 Claude Code。→ 详细
• 他真正想传递的："我想让你学会造东西、想让你动脑子，而不是光打游戏；而且我会陪着你一起做。" 对孩子屏幕时间的整体原则：边界第一（时间要"挣"来，如写作业换周末 90 分钟）、家长审批装什么 App、把范围收窄到健康的活动——"想让孩子有数字素养、AI 素养，但也不能完全放任"。→ 详细

本期没有 Lenny 惯常的"闪电问答"（推荐书/座右铭那套）。Lenny 提到两个固定环节 Fail corner（失败角） 和 hot seat corner（拷问角），实际展开的是"失败角" + 育儿话题 + 收尾问答。

• 失败角 · 你参与过、彻底失败却让你变得更好的事？ Adam 给了两个（见上文主题 19 详述）：① Facebook Home（他的第一个 PM 项目，OS 层 fork Android + HTC 硬件，"spectacular failure"，但学到的比任何一年都多，教训是"把没有市场契合度的点子彻底执行一遍，才知道它当初是不是好主意"）；② 第一版 Reels 搭在 Stories 之上（2019），地基不牢导致大部分 Reels 没人看，错过了 2020 疫情窗口，"a pretty big fork in the road"。→ 详细

• 育儿收尾 · 作为 IG 负责人怎么管孩子屏幕时间？ 三个孩子 10/8/6 岁，太小还不能用社交媒体；每人一台 iPad，时间要靠写作业"挣"（如 3 次各半小时换周末 90 分钟）；家长审批装什么 App；例外是坐长途飞机（"纯粹为了熬过去"）；并和 10 岁大儿子用 Claude Code vibe coding 做游戏（见主题 20）。→ 详细

• 收尾 · 听众能怎么帮到你？ Adam："记住这个世界和技术都很复杂，几乎永远存在取舍。你完全可以不认同我们的决定，但请记得坐在这些位置上做决定的也是一群普通人，在尽力把事情做好。我欢迎批评、质疑和反馈——只是别把这些有争议的议题想得像大多数人假装的那么简单。"→ 详细

• Lenny 的收尾评价：称 Adam"是个特别难得的人，那种通透、真诚，对每件事都思考得那么深，都太明显了"。→ 详细

• 本期未给出明确的联系方式/账号。Adam 在节目中提到自己长期活跃在 Threads，早年也重度使用 Twitter（专门去泡记者聚集地、亲自回应争议），是"公开下场谈争议"的产品负责人风格。→ 详细

• 节目开头的赞助口播提到 lennysproduct.com（Lenny's newsletter 订阅者可免费领一年若干 AI 产品）；本节目主页 lennyspodcast.com（往期节目与信息）。→ 详细