AI悖论：自动化越多，人类越忙，工作越多

摘要

Dan Shipper，Every 的 CEO 兼创始人，一年前在 Lenny's Podcast 上预言了 Claude Code 的崛起——尤其是非技术人员用它来完成各种非工程类任务。当时几乎没人谈论这个话题，而一年后，Claude Code 和由其衍生出的 Cowork 已经成为不可忽视的力量。Dan 和他近 30 人的团队可能是目前最"AI 前沿"的创业公司，所有人——包括非技术人员——都在日常工作流中使用 Codex、Cowork 和 Claude Code。他们以亲身实践替代空谈预测，活在一个"时间的口袋"里，比大多数人更早看到未来的轮廓。

在本次对话中，Dan 分享了他在接下来一年中最重要的预测。核心主题是一个看似矛盾的现象：AI 自动化越多，人类反而越忙，工作量越大。 他预测工作方式将在两个方向发生根本性分叉：企业内部将出现一个所有人共享的"超级智能体"（Super Agent），通过 Slack 等工具接受任务委托；而每个人最主要的日常工作将发生在一个类似 Codex 或 Claude Cowork 的环境内——SaaS 工具将运行在这些智能体的内置浏览器中，而非反过来。Dan 还提出了多个反直觉的判断：CLI（命令行界面）时代已经过去、SaaS 末日论是错的（他建议买入 SaaS 股票）、产品经理和全栈设计师将成为 AI 时代最强大的人才、以及"驾驭模型"（Ride the Models）是每个人不被时代抛弃的唯一方法。

正文

一、预测未来的方法：活在未来，而非猜测未来

Dan Shipper 一年前在 Lenny's Podcast 上提出了一个几乎被所有人忽视的观点：Claude Code 的真正潜力不在于专业工程师，而在于普通人用它来处理各种非工程类任务——整理文件、管理硬盘、处理杂务等等。当时这个观点听起来像是一个随口一提的"热观察"（hot take），但一年后回头看，他的判断精准得令人难以置信。

由这一洞见演化出的 Claude Cowork，以及 OpenAI 后来推出的 Codex 桌面应用，正在从根本上改变人们对"编程智能体"的理解。Dan 将这种预测能力归因于 Every 团队的独特运作方式。

"We don't want to prognosticate — we want to live in the future together."（我们不想凭空预言——我们想一起活在未来里。）

Every 目前约有 30 人，在过去一年里规模翻了一倍。团队成员包括工程师、设计师、写作者、编辑、销售和客服人员，但所有人都有一个共同点：他们是 AI 的早期使用者（early adopter），而且乐于探索和实验。这种人员结构在大多数公司里并不存在——一般的公司里混合着早期采用者、中间派和抵触者。Every 创造了一个独特的"时间口袋"（pocket of the future），所有人一起活在比别人领先半步的未来里。

另一个关键因素是，Every 因为长期评测模型、在 AI 领域扮演着某种"节奏设定者"的角色，能够提前获得尚未公开发布的模型进行 Beta 和 Alpha 测试，甚至在一定程度上影响产品方向。Dan 强调，真正的预测不是对着水晶球发呆，而是有意识地观察自己团队正在经历的变化，并把观察写下来。"当你把你注意到的、你所理解的未来清晰地表达出来时（articulating the future），它就变得真实了——对你自己、对你的团队、对互联网上读到它的人来说，都是如此。"

Dan 提出了一个简洁的判断标准——"伸手测试"（The Reach Test）：早上醒来时，你是否会自然而然地"伸手"去用那个东西？如果答案是肯定的，那就说明它已经具备真正的产品价值了。

二、工作方式将发生根本性分叉：两大核心预测

Dan 认为，未来一年内，人们使用 AI 智能体的方式将在两个主要方向上分叉：

预测一：每家公司将拥有一个"超级智能体"（Super Agent）

在早期，Dan 曾坚信每个人都会有自己的"个人智能体"（Personal Agent），就像《黄金罗盘》（The Golden Compass）里每个人肩上都站着一只代表自己灵魂的守护精灵（daemon）。OpenClaw 刚推出时，Every 内部每个人都配置了自己的智能体，Dan 对此非常着迷。

但他完全改变了看法。实践表明，个人智能体的问题在于——它们需要持续的维护和"看护"。OpenClaw 频繁出故障，需要用户折腾服务器、调试各种问题，大多数人根本没有时间或意愿做这些事。关键洞察是：在当前阶段，要让一个 AI 智能体真正发挥作用，它必须有一个"在乎它的人类"（a human who cares about it）。 一旦这个连接断裂——一旦用户放弃维护自己的智能体——它就迅速变得毫无用处了。

这就是为什么 Dan 现在的预测是：在接下来的时间里，每家公司将有一个面向全员开放的"超级智能体"，而非每个人拥有自己的智能体。 Shopify 已经有名为 River 的超级智能体，Ramp 也有自己的版本。Dan 认为，这种模式会先从一个"前出部署工程师"（Forward Deployed Engineer）负责维护的公司级智能体开始，慢慢向下渗透，逐步演进出更专业化的团队级智能体。最终，当模型足够独立、不再需要用户操心内部细节时，个人智能体才会真正到来。但在此之前，先从顶层开始。

这些智能体的主要交互界面是什么？Dan 的答案是 Slack。人们喜欢把工作智能体和个人智能体分开——个人智能体可能用来处理订杂货之类的"计算机杂务"（computer errands），而工作智能体则待在 Slack 里。

预测二：Codex / Cowork 将成为你的"工作操作系统"

这个预测让 Dan 格外兴奋。事情的起源是 Anthropic 发现了一个关键事实：当你把一个编程智能体直接放在用户的电脑上运行时，它通过终端（terminal）拥有对用户全部资源的访问权限，而且这些模型极其擅长使用终端，因为网上有海量的终端操作训练数据。

更重要的是，Anthropic 和它的社区共同发现：一旦你拥有了一个能"构建任何东西"的本地编程智能体，它实际上可以胜任任何类型的知识工作。 人们开始自己动手改造 Claude Code，用它来完成一切。Anthropic 随后推出了 Cowork——一个在 Claude Code 之上加了更友好界面的产品。而 OpenAI 在经历了早期 Codex 版本过于技术化、用户体验不佳的阶段后，在发布 GPT 5.3 和 Codex 桌面应用时直接"跳到了终点"——Codex 现在内置了浏览器，让智能体可以同步看到用户在网页上做的一切。

Dan 现在的日常工作状态是：他在 Proof（Every 开发的一款在线 markdown 编辑器）中写文档，Codex 就在同一线程里运行，能看见他的每一个操作。他可以随时要求 Codex 去做调研、收集文件、发送邮件——Codex 不只是回复和写文档，它可以操控整个电脑。Dan 说自己已经连续 10 天做到收件箱为零（inbox zero）——对于一个自称从不是这种人的人来说，这近乎奇迹。他让 Codex 使用 Every 的邮件智能体 Quora 收集所有邮件，渲染出一个页面，然后他对着页面口述每一封邮件的回复。

Dan 坦承，他此前长期认为 AI 的最佳体验应该是把 AI 放进浏览器里。但现实走向了反面——把浏览器放进 AI 智能体里，让智能体看到并参与你做的一切，这种组合创造了一种意想不到的强大体验："这是目前极其罕见的事情，但一年后，它会变得极其普遍。"

三、SaaS 末日论是错的：买入 SaaS 股票

当 Lenny 追问——如果人们在使用 SaaS 工具时都把它们嵌套在 Codex 或 Claude Code 的内部浏览器中运行，这是否意味着 SaaS 公司要完蛋了？Dan 的回答斩钉截铁：

"The SaaSpocalypse is dumb. I would buy SaaS stocks right now."（SaaS 末日论是愚蠢的。我现在会买入 SaaS 股票。）

他的逻辑链如下：

第一，在 Every 内部，尽管所有人都深度使用智能体和 Codex，但团队依然为大量 SaaS 工具付费，而且 SaaS 支出同比仍在增长。他们并不是什么都"氛围编程"（vibe coding）。事实上，智能体的普及会增加 SaaS 的用户数量，而非消灭它。大量智能体将以极高频率使用 SaaS 产品，给这些产品带来前所未有的需求激增。

第二，对于 SaaS 公司而言，新的范式改变了产品设计思路，也拯救了利润率。过去，SaaS 公司都在争先恐后地往产品里嵌入 AI 功能，而这需要消耗大量 token 成本。当用户带着自己的 AI（Codex 或 Claude Code）来使用你的产品时，他们使用的是自己的 token，不是你的 token。SaaS 公司不需要为 AI 推理成本买单了。 Dan 以 Proof 为例——任何人使用 Proof 时，都自带 AI。所以 SaaS 公司的核心任务转变为：为同时供人类和 AI 使用的协作场景设计软件。

这意味着，SaaS 产品的设计哲学需要彻底转向。传统的生产力软件（Slack、Word 文档、PPT 等）是为纯人类使用而设计的。后来人们开始提供 CLI，让智能体可以独立使用。而新的范式是 人类和智能体在同一个工作面上实时协作，你既需要看到智能体在做什么，智能体也需要看到你在做什么。

这种转变对产品设计提出了全新挑战：智能体可以在一瞬间对文档做出海量修改，你需要全新的审批流程、修改汇总收件箱（inbox of changes）、操作日志和快速回滚能力。智能体可以在一秒内发出数十亿次请求，这对底层基础设施构成巨大压力——GitHub 现在面临的问题正是由此而来：使用 GitHub 的人数（实际上是人们的智能体在访问 GitHub）正在呈指数级增长。

一个非常有趣的案例：Proof 的用户遇到问题时，不再发送人工客服邮件。他们的智能体会自动发送 bug 报告（agent bug report），内容远优于人工报告——精确的复现步骤、对代码库的分析、甚至推测问题根源，然后自动变成 GitHub issue，再由公司端的智能体去修复。Dan 称之为"极速闭环"（very fast closed loop）：用户遇到摩擦 → 用户的智能体向公司智能体报告 → 公司智能体修复它。

四、AI 悖论的核心：自动化越多，人类越忙

这是整个对话中最核心的悖论。Dan 的体验是："We have so much automation, so much AI, and I also work way more."（我们有如此多的自动化、如此多的 AI，但我的工作量反而更大了。）

要理解这个悖论，需要先破除对"自动化"的迷思。Dan 直言："Automation is a lie."（自动化是一个谎言。）每一次你自动化了某个东西，为了确保自动化在正确运行，你必须在它之上再放一个人来监督。Dan 几年前写过一篇关于"分配经济"（The Allocation Economy）的文章，核心观点是：人类与 AI 一起工作的方式，将越来越像一个管理者管理下属。 但请注意——管理者其实非常忙。他们不是在沙滩上晒太阳，而是在不断检查员工的进度、思考如何把事情做得更好。做人类的管理者和做模型的管理者虽有不同，但两者都需要大量的时间和注意力投入。

为什么基准测试（benchmarks）让我们误判了 AI 的真实自主性？

Dan 用自己的亲身经历来说明。他开发了一个"高级工程师基准测试"（Senior Engineer Benchmark），用来比较 AI 和人类工程师的能力。故事是这样的：

Dan 一边管理 Every，一边用 vibe coding 开发了一款产品 Proof。因为是完全 vibe coding 写出来的，产品上线后状况惨烈——服务器每 10 分钟宕机一次，Dan 只能不停地对 Codex 说"修复它"，Codex 则陷入了一个"修好一个 bug 引爆四个新 bug"的死亡循环。Dan 公开出丑，还因为过度 vibe coding 得了肘部滑囊炎（bursitis），Lenny 戏称为"Vibe Coder Elbow"。

之后，Dan 请了两位高级工程师独立重写代码库。这两位工程师也使用了 AI，但他们以 Dan 无法企及的方式——因为他们理解代码、有时间深入钻研——完成了高质量的重写。Dan 用两个人类的"标准答案"作为评分基准，每次新模型发布就去测试：给它提示词"这是一堆 vibe coded 垃圾，从第一性原理出发重写它"。

结果令人深思：在 GPT 5.5 之前，所有模型都只能拿到 30/100 的分数（人类高级工程师是 85-95 分）。GPT 5.5 拿到了 62/100——这是一个质的飞跃，因为 GPT 5.5 是唯一一个有"主体感和信心"（sense of agency and confidence）去真正撕掉旧代码、从头重写的模型。其他编码模型倾向于在旧代码上打补丁，即使你明确要求它不要这么做。

但关键在于：即使 GPT 5.5 拿到了 60 分，Dan 说这并不像听上去那么令人恐惧。他很容易就能把基准测试调整到让当前模型重新拿零分。 比如，最初的提示词不是"从第一性原理重写"，而是"这里有四五个用户报上来的 bug，去检查一遍然后修复"。如果是这个提示词，Dan 相信即使一年后的模型也依然会老老实实地去修 bug——而一个真正的人类高级工程师会怎么做？他会先审视代码库，然后说："这是一坨屎。写这个代码的人根本不知道自己在干什么。我们必须重写大部分代码，这很难、很危险，但必须做。"

模型不会自己做出这样的判断——即使你问它"我们该不该重写？"它可能答得出来，但它不会主动提。这就是基准测试盲区（Benchmark Blind Spot）的核心：我们能对能够清晰定义和打分的问题进行基准测试，而大量的人类工作——在你把它写成明确的提示词之前——是无法被打分的。思考本身、提出正确问题的过程，是基准测试无法衡量的。

这就是为什么即使基准测试分数不断攀升，Dan 仍在招聘工程师。 这也是为什么 Every 在 AI 化程度如此高的情况下，团队规模反而翻了一倍。

五、工作形态正在发生根本变化

从"谁能写代码"到"谁来管理代码洪流"

当团队里从上到下每个人都能用 AI 做出功能、提交 Pull Request（PR，代码合并请求）时，整个工作的形态就变了。Every 内部的现象是：PR 数量暴增。顾问、运营、编辑——传统上从不碰代码的人——现在都在提交 PR。这是一个非常酷的变化，但同时也产生了一个新问题：谁来处理所有这些新代码？

Dan 举了 OpenClaw 的案例：Pete（OpenClaw 团队的开发者）每天收到几千个 PR，他启动 5 万个 Codex 实例来分类筛选，最终合并其中大约一千个。Dan 预测这将成为普遍现象。

这引出了一个更深层的问题：当建设能力（capacity to build）在流程的某个环节暴增时，它会破坏原有平衡。过去"能不能做出来"是瓶颈，现在是"这东西和我们已有的东西是否协调？它是否应该存在？我们该删除什么？"变成了真正的难点。Dan 特别提到 Anthropic 的做法值得借鉴——他们定期从 Claude Code 中删除大量东西，防止产品变得臃肿。

新的职业角色：前出部署工程师（Forward Deployed Engineer）

Dan 认为，"前出部署工程师"是一个真实且持续增长的新工种。这个角色的本质就是"每一个智能体都需要一个人类"的具体化身。大型 AI 模型公司内部有专门团队管理运行中的智能体，Dan 相信这些团队不会消失——模型会变强，智能体会更多，但依然需要人类来管理它们。

Every 内部有一位叫 Nitesh 的 AI 工程师就是这类角色。他大部分时间在 Slack 中跟公司内部的智能体"Claudy"（负责管理 Every 的咨询业务）对话——"Claudy，你为什么做了这个蠢事？我们把它修好。"当然，他也写代码、用 Claude Code，但大量工作是对话式地"调教"（gardening）智能体。这跟传统软件工程师的工作方式截然不同。

AI 生成内容将无处不在——而且你会喜欢

Dan 提出了一个可能令人不安但真实的预测：在文档、邮件、内部工作场景中，我们将阅读大量 AI 生成的内容，而且我们会喜欢它。

Every 2025 年末的季度规划完全通过 Notion Agents 完成。公司有一个顶层战略文件，然后每个团队成员对着智能体讲述上一年的成绩、目标、指标，智能体会追问，会问"这和公司整体方向有什么关系？"最终，Dan 收到了各部门极其高质量的 AI 生成战略报告，他的工作变成了判断"哪些团队需要互相沟通、哪些报告质量高、哪些有问题"——信息处理的效率大幅提升。

Dan 对 AI 生成内容的态度是务实的：如果一份 AI 生成的文件，其制作时间少于他阅读它所花的时间，且发送者无法为每一行内容站台——那是垃圾（slop），绝对不行。但如果是一个在他的团队成员有效引导下、由 GPT 5.5 生成的战略文档，其质量远超大多数人自己手敲的内容。同样，他现在的邮件几乎都由 GPT 5.5 在 Codex 中撰写。

他甚至有过一次"事故"——让 Codex 直接给投资人发了一封邮件而自己完全没有审核，之后去发件箱查看时，发现那就是他本来会写的。"大部分邮件其实都很公式化、很平淡，真正的句子怎么写并没那么重要。但我绝对希望决定邮件该说什么的人是我自己。"

Dan 特别指出，Every 对外发布的内容始终保持透明标签——人写的标注为人写，AI 辅助的标注为 AI 辅助。但他认为，人们对"AI 写作"的反感是不必要的。"如果一个东西能让想法更好地运作、更快地落地，为什么要排斥？"

六、谁将在 AI 时代胜出：产品经理与全栈设计师的黄金时代

产品经理（PM，Product Manager）

Dan 认为产品经理将是 AI 时代的超级赢家。他的确信来自于一个内部案例：Every 有一位名叫 Marcus 的产品经理，负责公司旗下的写作工具 Spiral。Marcus 之前是 Axios 写作产品的 PM，管理一个大团队，做到数千万美元年收入（ARR）。他花了一年时间深度学习 AI 工具——主要是 Cursor，后来转到 Claude Code——Dan 称他为"轻量技术型"（lightly technical）：懂什么是数据库迁移，看代码大致看得懂。

在 AI 编码模型成熟之前，Every 不可能雇用 Marcus 来独立开发产品。但现在，他可以将自己的技术知识与他的"极其锐利的产品直觉"（spiky product sense）、写作品味和用户敏感度结合起来，产出速度几乎超过团队里的任何人。Marcus 感到极大的解放——他不再需要组织一整个团队来完成一件事，而是可以自己直接动手。

Dan 的结论是：任何愿意深度拥抱 AI 的产品经理都将拥有巨大的优势。 因为"做什么"和"判断质量"的能力变得比"怎么做"更加稀缺。

全栈设计师（Full Stack Designer）

Dan 同样对全栈设计师非常看好。设计师的天赋在于打造精美的交互和独特的视觉体验——而这些东西恰恰是 vibe coding 最容易产出的"千篇一律的垃圾"（slop）。AI 写出来的界面往往看起来都一样，而设计师能够创造出与众不同的东西。现在，他们可以直接把自己的设计变成 PR，不需要再等待工程师来实现。

Dan 认为，这对创业生态有深远影响：许多设计师现在有能力独自创业了，因为 AI 让他们具备了从前不具备的实现能力。

"AI 职业末日"不会发生

Dan 直言："The AI jobpocalypse is not really a thing."（AI 职业大灭绝并不是真的。）当然，公司们在重组，确实有裁员发生。但 Dan 认为，很多所谓的"AI 导致的裁员"，本质上是"我们之前过度招聘了、公司表现没有那么好，AI 只是个方便的借口。"

从结构上看，模型做的事情是：将昨天的人类能力变得廉价（make yesterday's human competence cheap）。 模型摄取已经发生的一切数据，让任何人以极低成本调用这些"冻结的人类能力"（frozen human competence）。结果是，当每个人都拥有同样的能力时，最基本的使用方式产生的结果就变得同质化（homogenized）、商品化（commoditized）——谁都能做落地页、谁都能写推文，满地都是 slop。

但人类的角色从未改变：我们站在这些"冻结的昨日能力"之上，问自己"我如何用它创造新的、有趣的东西？" 由于模型公司有强烈的激励让模型保持合规和对齐（compliant and aligned），模型在结构上将永远落后于那些正在用它创造新专长、解决极其特定场景问题的人。这些人类创造出的新东西会被模型吸收，但这将为其他人腾出继续向前的空间。

Dan 以工程师为例：突然之间"人人都是工程师"了，但这并没有导致工程师被解雇——恰恰相反，对真正工程师的需求反而更大了，因为你需要真正的工程师来判断："这些全是 slop，我们应该让什么真正进入代码库？"

七、如何不被淘汰："驾驭模型"（Ride the Models）

面对 AI 浪潮，Dan 的核心建议可以用三个词概括："Ride the models."（驾驭模型。）

具体含义是：不管你做什么工作，都要去使用最先进的模型。当新模型发布时，第一时间去尝试它。把你的所有工作流放到 Codex 或 Cowork 里跑一遍。Dan 发现，很多人所在的公司设置了各种限制，不让他们使用最新模型。如果公司不允许，就在业余时间探索。

Dan 自己的方法是当新模型发布时，把他那些"还做不成的任务"翻出来重新测试——"翻石头"（turn the rock over）。他的"高级工程师基准测试"就是一个例子：GPT 5.5 之前拿 30 分，GPT 5.5 拿到了 62 分——这个重大的"翻石头"时刻告诉他，一个质的飞跃已经发生。关键在于持续尝试、保持好奇心和玩乐心态（playful），而不是带着"我害怕被淘汰"的焦虑去使用 AI。

"AI 的最前沿不在旧金山"（The edge of AI is not in San Francisco），这是 Dan 另一个重要见解。做模型的人在旧金山，但他们并不真正知道怎么使用这些模型——至少不知道所有的使用方式。AI 的最前沿存在于"AI 与一个真实的人在真实场景中相遇"的任何一个地方。因此，每当一个新模型发布，世界上的每一个人都有机会成为"第一个发现它有什么用的人"。Dan 以此为傲——Every 在布鲁克林而非旧金山，但他们使用模型的深度超过了旧金山的很多公司。

如何具体操作？ Dan 建议：把 Codex 或 Cowork 作为主工作平台去尝试你所有的日常工作流。尝试一些智能体产品（如 OpenClaw，或面向非技术用户的 Victor、Every 的 OnePlus 等），熟悉这两种工作模式。最重要的是——享受这个过程（try to have fun）。太多人是因为 FOMO（错失恐惧症）或对失业的恐惧来使用 AI，但真正能找到有趣、有用用法的方式是去做让你感到开心的事。

Lenny 补充了一个来自之前嘉宾 Nikhil Singal 的观点："你必须找到你的'AI 快乐时刻'（moment of joy with AI）。" 一旦你对 AI 产生了"天哪，我无法相信 AI 为我做了这个"的惊叹，你就会不断回来构建更多的东西。如果你还没有找到这个时刻，去找一个你生活或工作中的问题，尝试用 AI 解决它。

八、对话中不可忽视的细节与金句

在整个对话中，Dan 抛出了多个值得单独标记的判断：

"CLI 时代已经过去"（CLIs are over.） 当 Claude Code 流行时，很多人以为是命令行界面（CLI）本身在起作用。但 Dan 认为并非如此。人们发明 GUI（图形用户界面）是有原因的——它就是比 CLI 更好用。Every 的大多数技术人员现在已经不再以 CLI 为主要工作界面了。

"两个智能体比一个更好"（Two agents are better than one.） 当 Codex 与另一个智能体交互时，它可以传递关于用户的大量上下文，远比用户自己打字输入要丰富。智能体之间可以相互讨论那些需要很长时间才能向用户解释清楚的事情，产生"加速效应"（speed up effect）。

CEO 的角色尚未被根本改变——但这是危险的。 Dan 观察到，CEO 和投资人似乎是"受 AI 冲击最小的角色"——因为他们是否使用 AI 看起来是可选的。但 Dan 认为这是错觉："你的公司只能走得像你的 CEO 在 AI 方面走得一样远。这不是你可以委托给别人的事情——你必须亲手接触它，否则你就没有直觉。"

基准测试名称的陷阱。 Dan 将自己的测试命名为"高级工程师基准测试"，这名字本身就暗示着"当模型达到 100 分时，高级工程师就没用了"。但现实更复杂——你总能从更高维度定义新的问题，让模型重新归零。

结语：一切都是新的，一切又都没变

Lenny 在对话结束时做了一个精妙的总结：这个时代最有趣的地方在于，一方面，一切都被改变了——工程师不再手写代码，产品经理不再手写 PRD（产品需求文档），设计流程被彻底颠覆；另一方面，很多东西根本没变——SaaS 继续繁荣，工作岗位没有消失，我们还在发邮件、还在用 Slack，很多工作流和以前差不多。

Dan 对此的回应带有一种智慧的"在地感"：人们对未来的直觉，很像中世纪的人对地平线尽头的想象——那里会不会有龙？会不会掉进虚空？有些人恐惧，觉得前方有可怕的事；有些人憧憬，觉得前方是完美乌托邦。但当你真正走到那里时才会发现：有一些真的很酷的东西，也有些不那么酷的东西，而它不过只是又一个地平线。 在这个"一切都变了又什么都没变"的复杂现实中稳住脚步，同时继续好奇地向前走——这就是 Dan Shipper 给出的，关于如何在 AI 时代生存和繁荣的最好答案。

Dan Shipper 是 Every 的 CEO 兼联合创始人。你可以在 X（Twitter）上关注他 @danshipper，或订阅 every.to。