三飞轮合一：AI 周期基金与 AI 产品并行实验

生成日期：2026-05-28 性质：方法论与行动实验页。 知识位置：学习栏目 / 态势感知与现实飞轮 / 方法论核心。 关联页面：

• [文明周期论 × 态势感知：AI 行业结构创造与下一相](./ai-industry-situational-awareness-v1.html)
• [AI 周期态势基金 1.0](./ai-cycle-situational-fund-v1.html)
• [AI 项目下一相预测：Agent Runtime 与垂直 AI OS](./ai-project-next-phase-v1.html)
• [红杉 AI Ascent 2026：覆盖式精读与结构判断](./sequoia-ai-ascent-2026-notes.html)

一、为什么要单独成页

这一页不是普通笔记，而是后续行动的评价框架。

我们已经确认：文明周期论不能只停留在理论解释层面。理论能解释世界只是第一步，真正关键的是：

**理论是否能产生判断；

判断是否能指导行动；

行动是否能被现实验证；

验证是否能带来资源；

资源是否能反过来放大理论和行动。**

这就是我们从《态势感知的十年》中吸收的核心实践经验。

它不是只写出一篇判断 AI 大势的文章，而是把 thesis 变成公开信用、投资载体、资本组织、市场验证和资源积累。我们要学习的是这种结构，而不是简单模仿其具体结论。

二、最终评价标准：三飞轮合一

最终评价标准不是“理论讲得是否漂亮”，而是三飞轮是否合一。

理论飞轮：识别相、位、势、结构、错配、临界、跃迁

        ↓

验证飞轮：用投资、产品、内容、用户、收入和复盘检验判断

        ↓

资源飞轮：用被验证的判断获得资金、信用、人才、合作和影响力

        ↓

更大的现实行动

        ↓

反过来强化理论

单独的理论飞轮是不够的。 单独的验证飞轮也不够。 单独的资源飞轮如果没有理论和验证支撑，也会变成短期机会主义。

真正要做的是把三者合成一个长期复利系统。

三、两个并行实验

接下来必须做两个并行实验。

它们不是为了制造更多概念，而是为了训练文明周期论进入现实的能力。

实验一：AI 周期基金

        用市场、资产、财报、资金流和估值验证周期判断



实验二：AI 产品结构创造

        用产品、用户、内容、收入和工作流验证结构判断

二者必须互相喂养。

基金线看现实定价。 产品线看结构创造。 内容线看传播反馈。 知识库看长期沉淀。 OPC 看执行效率。

这五条合流，才可能形成资源飞轮。

四、硬原则：结构创造必须可显化

上一版的问题，是仍然把“结构创造”说得偏抽象。这里必须修正。

文明周期论、态势感知逻辑、AI 技术演化史，都只是判断工具。真正进入现实以后，必须显化为清晰结构：

理论不是结果

判断不是结果

方向不是结果

“操作系统”这种大词也不是结果



结果必须是：

可命名的结构

可执行的产品

可跟踪的仓位

可复盘的时间点

可验证的资源反馈

所以后续所有分析都要过一个硬门槛：

这意味着：结构创造必须从概念落到产品和资产。

MCP 是结构，因为它明确解决模型与工具/数据连接问题。 Skills 是结构，因为它明确解决经验和流程复用问题。 Agent 是结构，因为它明确解决规划与行动问题。 Runtime 是结构，只有当它被拆成沙盒、权限、记忆、审计、工具调用、人类确认、日志和复盘时才成立。 OpenClaw、Hermes 这类执行壳是结构，因为它们把模型行动显化成具体运行环境。

同理，投资上的结构也必须显化为标的、仓位、观察变量和调仓规则，而不是一句“看好 AI”。

五、实验一：AI 周期基金

AI 周期基金不是为了做一张好看的模拟仓位表，也不是为了证明自己“看懂了 AI”。它的作用是把文明周期论放进市场，让市场来检验判断。

它要回答的是：

如果我判断 AI 正处在某个相位，

那么资产、财报、估值、资金流、13F、产品收入、CapEx 和市场叙事是否会给出验证？

1. 五种训练能力

2. 评价标准

AI 周期基金的评价标准不是一次涨跌。

说明：这一实验用于研究、模拟和方法训练，不构成投资建议。

3. 初始模拟仓位必须明确

AI 周期基金 1.0 采用 100 万美元模拟仓位。它不是投资建议，而是把理论压成现实验证工具。

初始结构如下：

具体标的和角色：

这里的重点不是“这些标的一定涨”，而是：每一个标的都必须对应一个结构判断。没有结构判断的仓位，不进入基金。

4. 动态调整的时间点

调仓不能凭感觉，必须固定节奏。

5. 调仓触发条件

#### 继续偏多 AI 基建

• NVDA / AVGO / TSM / ASML 等供应链收入和指引继续验证。
• 云厂商 AI 收入能解释 CapEx。
• 电力、数据中心、网络、HBM 订单继续超预期。
• Agent 产品进入真实工作流，并出现高频付费。

#### 降低半导体暴露

• CapEx 继续暴涨，但云收入或 AI ARR 不再加速。
• 半导体估值和仓位极端拥挤。
• 大客户延迟 GPU 或 ASIC 采购。
• 数据中心项目因电力、土地、融资或监管延迟。

#### 向应用层切换

• Coding agent、企业 agent、AI 安全和数据层出现明确 ROI。
• 企业不再只买试点，而是进入核心流程替代。
• 应用公司收入增速开始超过基础设施公司。
• NOW、PLTR、SNOW、DDOG、CRWD 等应用和治理层开始被市场重新定价。

#### 增加现金和保护

• AI 主线成为无差别共识。
• 单一公司承载过多叙事和估值。
• 宏观利率、流动性或监管冲击增强。
• 半导体链条出现供需反转迹象。

6. 每周输出模板

每周只输出四句话：

本周 AI 行业相位：

本周最强验证：

本周最大错配：

本周模拟组合动作：

每月做一次完整复盘：

本月基金模拟净值：

跑赢 / 跑输的模块：

判断正确的地方：

判断错误的地方：

下月最重要变量：

是否需要调仓：

每季度做一次外部对照：

Situational Awareness LP 有什么变化？

大型 AI 基金有什么变化？

云厂商 CapEx 和 AI 收入是否匹配？

AI 基础设施订单是否继续验证？

是否出现从基础设施向应用层迁移的证据？

六、实验二：AI 产品结构创造

AI 产品线不是为了做“又一个 AI 工具”。

它要解决的是：如何通过发现结构、创造结构、进入结构，迅速形成价值和资源积累。

AI 行业过去几年的结构演化已经很清楚：

Transformer

        ↓

GPT / ChatGPT

        ↓

Prompt Engineering

        ↓

RAG / Tool Use

        ↓

MCP / Skills

        ↓

Agent / Coding Agent

        ↓

Agent Runtime

        ↓

Vertical AI OS

        ↓

AI-native OPC / 一人公司

我们不能停留在“知道这些名词”。真正要做的是判断：

• 哪些结构已经成熟。
• 哪些结构正在临界。
• 哪些结构只是过渡形态。
• 哪些结构适合大公司。
• 哪些结构适合个人和小团队。
• 哪些结构能形成收入、用户、内容、效率、数据和品牌。

1. 可行位置必须产品化

对我而言，AI 产品线的可行位置不是基座模型，不是通用 coding agent，也不是纯聊天工具，而是：

周期论驱动的 AI 态势感知与结构创造工作台。

它的第一性目标不是功能多，而是形成闭环：

输入：AI 新闻、论文、产品、财报、投融资、开源项目

        ↓

理解：用文明周期论标注相位、结构、错配和临界点

        ↓

输出：AI 周期报告、结构卡、基金观察、项目判断、内容草稿

        ↓

验证：用市场反馈、用户反馈、内容反馈、收入反馈检验

        ↓

沉淀：把有效判断写回知识库，变成下一轮判断资产

但“工作台”仍然偏大。必须继续拆成明确产品。

2. 明确产品 1：AI 周期态势雷达

产品目标：每天/每周把 AI 行业变化变成周期相位判断。

输入：

• AI 新闻。
• 模型发布。
• 产品发布。
• 开源项目。
• 财报和 13F。
• 投融资。
• 红杉、a16z、OpenAI、Anthropic、Google、Microsoft 等公开材料。

输出：

本周 AI 相位：

新增结构：

临界信号：

错配信号：

对基金线影响：

对产品线影响：

验证方式：

• 每周是否能稳定产出。
• 是否减少资料整理时间。
• 是否能发现过去漏掉的重要结构。
• 是否能为基金仓位和产品结构卡提供输入。

3. 明确产品 2：AI 项目结构卡引擎

产品目标：把 MCP、Skills、Agent、Runtime、OpenClaw、Hermes、Claude Code、Codex 等结构拆清楚。

每张结构卡必须回答：

示例：

4. 明确产品 3：AI 周期基金驾驶舱

产品目标：把理论判断、模拟仓位、市场数据和复盘放在一个页面。

最小功能：

当前相位

模块权重

具体持仓

本周涨跌

本周验证信号

本周错配信号

是否触发调仓规则

下周观察变量

它不是交易软件，而是判断训练器。

验证方式：

• 每周是否能完成一次基金周报。
• 仓位变化是否有理由。
• 错误是否被记录。
• 是否逐步形成可阅读的投资研究记录。

5. 明确产品 4：结构内容流水线

产品目标：把同一个结构判断变成多个平台可用内容。

输入：

一个结构判断

一张结构卡

一段基金验证

一段个人理解

输出：

• 长文。
• 短文。
• 小红书图文。
• 抖音/视频号脚本。
• B站长视频提纲。
• 海外平台英文摘要。

验证方式：

• 是否减少内容生产时间。
• 是否保持人味，不像 AI 套话。
• 是否带来阅读、收藏、关注、私信、合作机会。

6. 明确产品 5：知识库回写系统

产品目标：把所有验证结果沉淀回知识库，而不是散落在聊天记录里。

每条新增内容必须标注：

属于哪个飞轮：

对应哪个周期判断：

现实反馈是什么：

是否进入正式知识库：

下一次复盘时间：

验证方式：

• 后续能否快速找到。
• 是否区分正式版和备选库。
• 是否能为下一次判断提供上下文。

7. 产品线评价标准

AI 产品线的评价标准也必须是验证和资源，而不是“理论上很漂亮”。

8. 每周结构卡模板

每周只研究一个结构。

本周结构：

当前相位：

真正解决的问题：

它创造的新位置：

我能做的最小实验：

下周验证方式：

优先研究顺序：

1. MCP / Skills / Agent 的关系。
2. Agent Runtime 的最小结构。
3. Claude Code / Codex 的反馈闭环。
4. OpenClaw / Hermes 这类执行壳。
5. Vertical AI OS 的雏形。
6. AI-native OPC 的组织结构。

七、从理论到显化的完整链条

这里要把链条压实：

文明周期论

        ↓

判断 AI 行业相位

        ↓

识别已经显化的结构：MCP / Skills / Agent / Runtime / 执行壳

        ↓

提出下一结构判断：Agent Runtime、基金驾驶舱、结构卡引擎、内容流水线

        ↓

投资线：用仓位和调仓规则验证

        ↓

产品线：用可运行产品和真实使用验证

        ↓

内容线：用传播反馈验证

        ↓

知识库：用复盘沉淀验证

        ↓

资源飞轮：资金、信用、人才、机会、影响力

这才是“结构创造和显化”。

没有投资标的和仓位，不叫基金结构。 没有产品和用户，不叫 AI 项目结构。 没有复盘和资源反馈，不叫现实飞轮。

八、两个实验如何互相喂养

基金线提供市场验证：

哪些 AI 结构真的被资本重估？

哪些叙事只是泡沫？

哪些变量正在被财报验证？

哪些行业进入资源聚集期？

产品线提供结构发现：

哪些工具真的改变工作流？

哪些 agent 只是 demo？

哪些协议开始成为基础设施？

哪些结构适合我做成工作台和内容系统？

两条线的互相校验：

反过来：

九、知识管理方式

后续每一次相关内容都按这个结构归档：

每次新增内容都要回答四个问题：

它属于理论飞轮、验证飞轮，还是资源飞轮？

它验证了哪个周期判断？

它带来了什么现实反馈？

它是否值得进入正式知识库？

这样知识库不会变成材料堆积，而会变成行动系统。

十、第一阶段行动原则

第一阶段不要追求大而全，而要追求小闭环、强验证、快复盘。

1. 每周一份 AI 周期基金周报

只回答四件事：本周 AI 相位、最强验证、最大错配、模拟组合动作。

1. 每周一张 AI 项目结构卡

只研究一个结构：MCP、Skills、Agent、Agent Runtime、OpenClaw、Hermes、Claude Code、Codex 等。

1. 每周一次内容转化

把一个判断转成短文、长文或平台内容，观察传播反馈。

1. 每月一次复盘

判断哪些被验证，哪些错了，哪些产生了资源反馈。

1. 每季度一次系统升级

把有效流程沉淀为知识库模板、工作台功能、agent 任务和内容 SOP。

十一、第一轮具体执行表

第一轮不再写成“以后做”，而是明确执行表。

第一轮完成后，才进入 OpenClaw / Hermes / 多 agent 社会模拟等更复杂结构。

原因是：

先把 MCP、Skills、Agent、Runtime 的基础结构压实，

再去判断执行壳和多 agent 是否真的有显化价值。

十二、最终压缩

这两个并行实验不是为了证明我会分析，而是为了让文明周期论进入现实：

理论能够产生判断

判断能够指导行动

行动能够得到验证

验证能够带来资源

资源能够放大行动

行动反过来优化理论

只有走到这一步，文明周期论才不是纸面理论，而是现实力量。