AI思维

拆完黄仁勋、马斯克、奥特曼、梁文锋，我发现：成功学不会，但方法可以

成功学不会，但方法学得会。拆完四位 AI 掌舵者，用三层过滤器看清基本盘、打法与局限。

拆完黄仁勋、马斯克、奥特曼、梁文锋，我发现：成功学不会，但方法可以

引子：DeepSeek 之后，AI 牌桌变了

2025 年 1 月底，DeepSeek R1 把硅谷震了一下。

一个中国团队，用开源模型做出了接近海外头部闭源模型的效果，同时把外界对大模型训练成本的想象重新拉低了一截。消息传开后，全球科技股剧烈波动，英伟达市值也出现了极为罕见的单日蒸发。

这件事真正有意思的地方，不只是 DeepSeek 火了。

它真正把 AI 时代四种顶级打法，同时摆到了台面上：

• 黄仁勋卖铲子。 英伟达的 GPU 和 CUDA 生态，是 AI 时代的算力地基，全世界排队买。
• 马斯克押物理世界。 特斯拉的自动驾驶、Optimus 人形机器人，要把 AI 从云端拉回公路、工厂和房间。
• 奥特曼造信仰。 OpenAI 把 AGI 这面旗子高高举起，吸引人才、资本和全球注意力。
• 梁文锋改规则。 DeepSeek 用开源和低成本路线证明：大模型竞争，不只有闭源巨头这一种打法。

看热闹很容易。

但如果你想真正看懂这个时代，就不能只问"谁赢了"。

你要问一个更严肃的问题：

这些人的成功，到底有多少能复制？又有多少，只是他们自己的命？

我建议用一个三层过滤器来看他们。

基本盘决定你能不能上牌桌。方法论决定你能不能赢一局。局限性决定你能赢多久。下面一层一层拆。

基本盘：他们拿到的牌，本来就不一样

很多人看商业人物，容易一上来就学动作。

学黄仁勋的长期主义，学马斯克的第一性原理，学奥特曼的叙事能力，学梁文锋的开源打法。

这些当然可以学。但在学之前，先要承认一件事：

黄仁勋：危机感不是口号，是身体记忆

黄仁勋小时候从台南被送到美国，阴差阳错进了一所肯塔基州的乡村寄宿学校。那不是一段轻松的成长经历。

语言不通，环境陌生，还要打扫厕所，也被欺负过。

这段经历后来变成了他身上很深的一种东西：在陌生环境里活下来，在不安全感里保持行动。

所以你会理解，为什么他后来反复提醒英伟达员工：

这不是管理话术。这是一个人从小被训练出来的生存感。

黄仁勋的基本盘，是韧性和长期危机感。后来英伟达从显卡公司转向通用计算平台，从游戏市场走向 AI 算力底座，背后都有这种"不能慢、不能错过下一波"的压力。

尤其在 AlexNet 之后，深度学习突然证明 GPU 不只是游戏显卡，而可能成为 AI 计算的核心基础设施。英伟达能抓住这一波，不只是因为技术好，也因为黄仁勋长期在寻找下一个能让公司活下来的大方向。

普通人复制不了他的童年。但可以学到一个提醒：

马斯克：极限下注之前，先算过概率

马斯克的早年也不轻松。在南非读书时，他被欺凌得很厉害，朋友很少，于是躲进书和代码。12 岁左右，他把自己写的小游戏 Blastar 卖了几百美元。

很多人后来只看到马斯克"敢赌"。但真正值得看的不是"赌"，而是他在下注之前，会把问题拆到非常底层。

2008 年，SpaceX 火箭连续三次失败，特斯拉也在破产边缘。他把剩下的钱继续压上去，第四次发射成功，NASA 合同把 SpaceX 从悬崖边拉了回来。

这看起来像传奇。但如果只把它理解成"胆子大"，就学偏了。

马斯克的基本盘，是对技术、成本、概率和时间窗口的极端敏感。他不是因为热血才下注，而是先把"如果赢，赢在哪里；如果输，输到哪里"算过一遍。

普通人复制不了他的风险承受能力。但可以学到一个提醒：

奥特曼：他真正厉害的，是踩窗口

奥特曼 16 岁在相对保守的环境里公开出柜，后来从斯坦福退学创业，19 岁进入 YC 孵化器第一批。

这条路径里有一个明显特征：他总是在很早的时候，把自己放到一个新东西的中心。

创业、投资、孵化器、AI。

他未必是每个领域最强的技术专家，但他很会判断：

什么东西还太早，什么东西刚刚好，什么东西一旦错过就再也追不上。

OpenAI 的特殊之处，也正在这里。

它最早不是一个普通商业公司，而是带着"让通用人工智能造福全人类"的非营利愿景起步。后来，随着大模型训练成本越来越高，它又不得不走向复杂的商业化和资本合作。

这种转向并不轻松，甚至带来了治理结构上的巨大张力。但奥特曼一直站在这个张力中心，把研究、资本、产品和叙事拉到同一张桌子上。

普通人复制不了他的资源网络。但可以学到一个提醒：

梁文锋：低调布局的人，等风来的时候手里有粮

梁文锋从湛江一中考入浙江大学电子信息专业，又留下来读研。

当很多同学涌向大厂和外企时，他选择了当年并不算主流的量化方向。后来，他通过量化业务积累资金和工程能力，也提前布局算力资源。

等到 2023 年之后，大模型竞赛突然升温，很多团队才开始四处找卡、找钱、找人。

DeepSeek 手里已经有了自己的基础。这件事很重要。

因为 DeepSeek 后来被关注，不只是因为"便宜"，而是因为它从一开始就在围绕约束设计系统：算力有限，就更重视算法效率；资源不如巨头，就更重视工程密度；闭源巨头建立高墙，就用开源方式改变对比方式。

普通人复制不了他的资金基础。但可以学到一个提醒：

这一层看到这里，先不要急着学动作。你会发现，他们四个人的牌，从一开始就不一样。

黄仁勋有长期危机感。马斯克有极限下注能力。奥特曼有窗口判断和资源组织能力。梁文锋有低调布局和系统效率意识。

所以第一层结论很简单：

方法论：真正值得普通人学的是这一层

如果文章只停在基本盘，那就容易变成另一种成功学：

他们太厉害了。他们命太好了。他们不一样。

这没有意义。

真正有价值的是第二层：方法论。

因为这一层不完全绑定出身，也不完全依赖资源。它可以被拆开、翻译、迁移到普通人的工作里。

四个人风格完全不同，但底层都有一个共同点：

他们不只是努力，他们都有一套稳定的思考工具。

马斯克：第一性原理，不是口号，是拆账

第一性原理被说得太多，反而容易变成一句空话。马斯克真正的用法很朴素：遇到一个问题，先不要问"别人都是怎么做的"，而是把它拆到底层事实，再重新组装。

电动车曾经被认为贵得离谱。普通人会说：电池就是贵，所以电动车没法便宜。马斯克会继续往下拆：电池里面到底有哪些材料？每种材料多少钱？如果按原材料价格算，它到底应该多少钱？中间贵在哪里？能不能重新设计供应链？

这就不是一句"创新"。这是把问题拆成账本。

黄仁勋：白板思维，把复杂问题讲到一张图里

在英伟达，黄仁勋很重视白板。不是因为白板比 PPT 高级，而是因为白板逼人从零讲清楚。问题是什么？关键变量是什么？数字在哪里？选择 A 和选择 B 的代价分别是什么？一件事如果不能在白板上画清楚，就说明它还没有真正想清楚。这对管理者尤其重要。

很多会议看起来很忙，其实是在用复杂词汇掩盖混乱。很多方案写了几十页，其实没有回答核心的问题。

白板思维的价值，就是把所有装饰拿掉，只留下结构。

梁文锋：系统视角，效率不是省出来的，是设计出来的

DeepSeek 被反复讨论的，是低成本。但如果只看到"省钱"，就看浅了。真正值得看的是：它不是在一个环节上省，而是在整个系统上重新设计。

算力、模型架构、训练方法、工程效率、团队组织，这些不是分开的。它们互相影响。

如果算力有限，就不能简单照搬资源充足公司的路线。如果团队不大，就不能靠层层管理堆流程。如果要开源，就必须用更快的迭代速度抵消别人复制的风险。

这就是系统视角。它不是问：这个点怎么优化？而是问：这些变量之间怎么互相牵动？真正的瓶颈在哪里？

奥特曼：可行性边缘，目标要踮脚够得着

奥特曼很擅长把目标放在"可行性边缘"。太容易的目标，没有吸引力。太远的目标，消耗资源，也容易让团队失去真实反馈。真正好的目标，是踮起脚刚好够得着。

OpenAI 的路线一直有这种特点：它不会只做实验室里没人用的技术，也不会只做短期商业产品。它不断把模型能力往前推一点，再用产品让真实用户进来，再用反馈推动下一轮能力提升。这也是 ChatGPT 的重要意义。它不是第一个语言模型，但它把大模型能力放到了普通人可以使用、可以传播、可以反馈的位置上。

四个工具，普通人怎么用？

这张表，才是全篇真正值得带走的部分。因为你复制不了他们的命，但可以复制他们拆问题的方式。

执行习惯：把决策到行动的周期压短

除了思考工具，他们还有一个共同点：从决策到行动的周期，都非常短。黄仁勋的关键词是聚焦。认准方向，资源全部压上。英伟达能从图形芯片走到 AI 算力平台，不是每条路都试一点，而是在关键窗口敢于集中下注。马斯克的关键词是激进时间表。SpaceX、特斯拉、Optimus，几乎都在用外界觉得不可能的节奏推进。即使跳票，也常常比别人快。奥特曼的关键词是注意力密度。他很少把自己分散到太多主题里，长期围绕一个问题：如何更快推进 AGI，并让它进入真实世界。梁文锋的关键词是快速迭代。DeepSeek 的版本更新密集，每一代集中解决一个核心问题，做完就开源，让社区反馈继续推动下一代。

这背后有一个朴素规律：在技术快速变化的时期，慢决策本身就是一种风险。

不是所有事都要莽撞。但如果一个团队每次行动之前都要层层汇报、反复包装、等到确定无误才开始，那它很可能不是在控制风险，而是在错过窗口。

对待失败：失败不是态度问题，是学习机制

四个人对失败的态度也很一致。黄仁勋以公开复盘失败著称。英伟达历史上踩过很多坑，比如早年和世嘉的合作失误，也曾在手机芯片市场上判断受挫。黄仁勋后来不断强调，要公开讨论失败，因为认错的代价，远低于继续错下去。马斯克更不用说。SpaceX 炸过好几枚火箭，他把每一次爆炸都当成数据回收。失败如果能变成信息，它就不是纯损失。奥特曼相信数据飞轮。产品上线，用户产生反馈，反馈反哺模型，模型变好后吸引更多用户。这个机制的前提，是允许早期产品不完美。梁文锋的路径更像适应性创新。一条路走不通就换路，不死磕单一路线，而是围绕约束不断调整。

这一层的核心结论是：

带队方法：要什么人，就造什么文化

AI 不是一个人做得出来的事。再强的创始人，最后也要回到团队。

所以第三个值得学的问题是：他们到底要什么样的人？又用什么文化把这些人组织起来？

黄仁勋：顶级人才不需要层层管理

黄仁勋很强调招比自己聪明的人。英伟达高管长期稳定，流动率相对低。他自己的管理方式也很特别：组织扁平，直接下属很多，很少依赖传统的一对一管理，信息尽量从一线直达。

这背后的逻辑是：如果你招的是顶级人才，就不要用管理普通人的方式管理他们。层级越多，信息越慢。信息越慢，判断越容易失真。

马斯克：硬核标准加使命驱动

马斯克的组织方式更极端。SpaceX 和特斯拉都以高强度、高标准著称。能留下的人，成长速度很快；扛不住的人，也会迅速离开。

他的激励方式不是舒适，而是使命。让人类成为多行星物种。加速世界向可持续能源转变。这些话如果只是贴在墙上，就是口号。但如果团队真的相信，它就会变成一种筛选机制：真正认同的人留下，不认同的人离开。

代价也很明显。这种文化能创造极限速度，也会带来极限消耗。

奥特曼：让非常规天才留在同一张桌子上

OpenAI 的早期团队里，有很多履历并不传统、但在某个问题上有惊人直觉的人。奥特曼的难点，不只是招到聪明人，而是让不同类型的聪明人能一起工作。

研究员要纯粹，商业化要速度。安全治理要谨慎，产品增长要进攻。非营利使命要守住，巨额资本又必须进入。他的工作，很大程度上就是让这些张力不至于把组织撕裂。

2023 年那场董事会风波，其实也说明了这一点：OpenAI 的组织问题，不是简单的人事冲突，而是使命、治理和商业化之间的结构性张力。

梁文锋：热爱优先，让年轻人不被旧框架困住

DeepSeek 的团队叙事里，一个很突出的特点是年轻。很多核心研究者是应届生或毕业没几年的年轻人，没有大厂光环，也不背太多路径依赖。

梁文锋看重的是热爱和问题意识，而不只是履历。这种组织方式的好处是，大家不会先问"行业惯例是什么"，而是直接问"问题本身是什么"。

年轻人不知道什么不可能，有时反而做得出来。当然，这不是说经验没用。而是说，在快速变化的技术领域，经验如果不能更新，就会变成框。

带队这件事，真正能学的是三条

1. 人才标准服务战略。 要深耕，就招长期主义者；要突破，就招硬核工程师；要创新，就招没有旧框的人。人才标准不是固定模板，它必须跟战略匹配。

2. 文化是低成本的管理。 使命、热爱、工程师文化，本质上都是用共识替代管控。共识越强，管理成本越低。

3. 结构为效率服务。 扁平、直达、少层级，不是为了显得先进，而是为了让信息跑得比对手快。

这部分对普通团队尤其有用。很多公司一谈人才，就只谈学历、经验、稳定性。但真正应该先问的是：我们的战略到底需要什么样的人？如果这个问题没答清楚，招人标准越精细，错得越稳定。

打仗方法：先选位置，再挖护城河

如果说带队是内部组织能力，那么打仗就是外部竞争能力。四个人值得学的，不是他们怎么赢，而是他们先选了什么位置。

位置选错，再努力也是内卷。位置选对，资源才会越滚越大。

黄仁勋：定义品类，卖的不只是芯片

GPU 最早是图形芯片。黄仁勋真正厉害的地方，是把 GPU 重新定义成通用计算平台。从游戏图形，到科学计算，再到深度学习和大模型，英伟达一步步把自己从硬件公司，变成 AI 时代的算力基础设施公司。

CUDA 是关键。它让开发者、研究者、企业都围绕英伟达的硬件建立软件生态。等生态足够厚，后来者就不只是追芯片性能，而是在追整个开发者体系。

这就是黄仁勋的打法：不要只卖产品，要定义品类。

马斯克：选硬核的路，用垂直整合加深护城河

马斯克经常选择硬核的路。可回收火箭、电动汽车、自动驾驶、人形机器人，每一条路都很硬。但硬路也有一个好处：真正走通以后，护城河会更深。

SpaceX 自研火箭、发动机和发射系统。特斯拉把电池、软件、制造、数据、品牌尽量攥在自己手里。这种垂直整合的好处是，别人很难只复制其中一段。路越难，系统越复杂，护城河越深。

奥特曼：占住叙事高地，再把技术做成平台

OpenAI 的重要打法，是先把 AGI 的旗子插出来。这面旗子吸引了顶级研究员，也吸引了微软这样的资本和云资源。但只有叙事还不够。ChatGPT 的意义，是把原本属于实验室和开发者圈层的大模型能力，推到普通用户面前。一旦用户进来，数据、反馈、使用习惯、开发者生态就会开始积累。技术优势可能被追平。但平台优势一旦形成，就不容易被短期追平。所以奥特曼的打法可以概括为：先立旗帜，再做平台。

梁文锋：开源破局，用速度抵消复制风险

梁文锋选的是另一条路。当巨头用闭源模型收高价时，DeepSeek 选择开放模型能力，让更多开发者和企业可以直接使用、改造、部署。这一步改变了竞争方式。如果闭源模型不能证明自己的高溢价，用户自然会重新比较成本和效果。

但开源也有风险。别人可以学习你，复制你，甚至拿你的成果做商业化。所以梁文锋真正的护城河，不能只是模型本身，而必须是持续迭代的速度、工程效率和人才密度。换句话说：开源不是不设防，而是把防线从"保密"换成"速度"。

四种位置，四种护城河

这一节的核心结论是：

局限：每个人的护城河，也可能是脆弱点

如果文章到这里结束，它就还是一碗高级成功学鸡汤。所以最后一层尤为关键：看局限。

真正成熟的学习，不是把成功者供起来，而是看清楚：他们靠什么赢，也可能因为同一个东西摔跤。一个人的护城河，往往也是他的脆弱点。

黄仁勋：算力周期和供应链集中

英伟达的优势非常强，但风险也高度集中。它的收入高度依赖云大厂和 AI 资本开支周期。制造端又离不开台积电这样的关键伙伴。再叠加地缘政治和出口限制，任何一个环节变化，都会影响市场对它的预期。

这不是小毛病。这是一个基础设施公司必须面对的周期性风险。黄仁勋押中了算力时代，但算力需求不可能永远线性增长。当客户开始自研芯片，当模型效率提升，当资本开支进入调整期，英伟达的估值也会被重新审视。

马斯克：极限速度和个人中心化

马斯克的优势来自极限推进。但极限推进的背面，是极限消耗。他同时卷入多家公司，精力高度分散。激进管理能让项目跑得很快，也可能带来人才流失和组织疲惫。个人言行也多次反噬品牌。

快是双刃剑。他握住的是刀刃那一侧。这句话不只是评价马斯克，也是在提醒所有管理者：如果一个组织的速度过度依赖一个人的意志，它会很快，也会很脆。

奥特曼：治理结构和资本压力

奥特曼的问题，不是会不会讲故事。他的真正挑战是：如何让 AGI 使命、商业化速度、安全治理和资本回报同时成立。2023 年被董事会罢免又迅速回归的风波，已经暴露了这种张力。

OpenAI 原本带有非营利使命，但大模型研发需要巨额资金，商业化又必须持续加速。当使命需要克制，资本需要增长，用户需要产品，监管需要安全，组织就会长期处在拉扯中。这也是奥特曼的脆弱点。他越擅长立旗帜，就越需要证明：这面旗子不是只为融资服务。

梁文锋：开源之后，商业化怎么走

梁文锋的优势，是低成本、开源、工程效率。但挑战也在这里。开源能快速扩散影响力，却不天然等于商业模式。模型能力开放之后，如何持续投入研发，如何留住人才，如何建立企业级服务和收入闭环，都是必须面对的问题。

此外，算力差距依然客观存在。DeepSeek 可以用工程效率缩小差距，但不代表资源约束不存在。低成本创新很有力量，但当竞争进入更长周期，资金、算力、生态、商业化都会成为新的考题。

所以对梁文锋准确的判断不是"他改写了一切"，而是：他证明了大模型竞争不只有闭源巨头这一种打法。这已经足够重要。

局限这一层，才值得普通人记住

为什么一定要看局限？因为你一旦只看成功，就会学到幻觉。你看到黄仁勋，就以为长期押注一定赢。你看到马斯克，就以为极限压榨一定有效。你看到奥特曼，就以为讲大故事就能拿资源。你看到梁文锋，就以为低成本和开源一定能推翻巨头。但现实不是这样。

每一种打法都有适用边界。 看懂边界，才是真正的学习。

结语：别学成功，学方法；别拜偶像，看代价

把全文压成三句话：

基本盘学不会。 童年、性格、时代位置、关键机遇，都搬不走。你不可能复制黄仁勋的童年、马斯克的风险偏好、奥特曼的时间窗口，也不可能复制梁文锋提前布局的资源条件。

但你可以训练韧性、好奇心、趋势意识和长期投入。

方法论学得会。 第一性原理、白板思维、系统视角、可行性边缘，这些都不是神秘天赋，而是可以被反复练习的工具。一个思考工具，一种执行习惯，一套失败复盘方式，一个人才标准，一个选位置的判断，都可以翻译成你自己的动作。

局限要看清。 别神化任何人。成功不是终点，只是牌局中的一个节点。看见成功背后的盲区，你才不会在浪潮里随波逐流。

如果只能记住一句话，我希望是这句：

今晚就做：三选一菜单

不用三个都做。按你现在需要的，选一个就够。

不要等到完全想清楚再开始。先挑一个方法，本周就试一次。哪怕只是把下一个难题画在白板上讲清楚，也比转发十篇爆文有用。

如果你想继续系统拆这四个人的领导力方法，我也整理了一份完整课程大纲，包含基本盘、做事、带队、战略、局限和行动计划六个模块。感兴趣的话，可以在后台回复「领导力」，我发你完整目录。

关注「知一与 AI」，周三聊 AI 思维，周一聊 AI 工具，周五看养虾日记。