Patrick Collison：成功以后怎么办

真正稀缺的不是启动公司的勇气，而是愿意把 schlep 做 17 年的那条成功路径

Patrick 把 AI 时代的学习问题收成 cache：模型可以代算，但 neuronal L1 lookup 仍然更快，公司也仍在给认知能力付溢价（00:01:57–00:03:45）。他把同一逻辑用到创业：退学不是单行道，lean startup 的缝隙会被犁平，真正该问的是“如果成功了，你还想做这件事 10 年、17 年、30 年吗”（00:20:27–00:21:23）。本文综合认为，Stripe 的早期用户驱动和今天 2× 的新公司增速，并没有取消苦差事，只是把苦差事重新定价为可规模化的基础设施。

TL;DR

两分钟读完

从认知 L1 cache、两次退学和 schlep blindness，到 Stripe 数据里的创业窗口

一句话

即使模型能写 Lisp 方言，Patrick 仍主张把关键知识放进自己的认知 cache，并在创业前问清：成功以后你是否还愿意长期做这件事。

16 岁用 Claude 生成 Lisp 方言在能力上可行，但知识仍像 Jeff Dean 的数字表：L1 cache 的往返远快于问 agent（00:01:02–00:03:20）。
Patrick 仍自己写字，几乎从不发送 Gmail/WhatsApp 的模型预写建议；他认为人际沟通的多维现实还不是模型的强项（00:04:11–00:05:36）。
他从 MIT 退学两次：退学可逆，声誉成本接近零；当年的紧迫感在事后看是误判，硅谷机会并没有在几年内消失（00:05:34–00:08:48）。
Stripe 花近两年才公开上线，但 2010 年 1 月就有生产用户 Ross Boucher；功能按退款、到账等真实请求即时补齐（00:13:48–00:16:26）。
AI 时代 lean startup 的缝隙更拥挤，成功公司更像 labs、Anduril：一开始就 decorrelate，而不是只做最小广告验证（00:17:21–00:19:09）。
Stripe 数据：新公司同比接近翻倍，中位数业务更好，Atlas 公司到收入的时间在缩短；他据此不担心 AI 把经济收成少数赢家（00:24:54–00:30:47）。

THE ARGUMENT

整期内容的一条主线

即使模型能写 Lisp 方言，Patrick 仍主张把关键知识放进自己的认知 cache，并在创业前问清：成功以后你是否还愿意长期做这件事。

STEP 01

模型降低了写出代码的成本

今天的学生可以让 Claude 写出当年的 Lisp 方言，就像编译器取代了手写汇编。

STEP 02

但判断速度仍取决于自己的 cache

知道带宽、延迟和领域常数，才能在脑内完成多轮推理；问 agent 相当于跨网络取数。

STEP 03

创业同样要从具体用户痛苦出发

Stripe 看起来像两个孩子做金融，能站住是因为支付流程的痛苦真实、可付费、可被早期生产用户纠正。

STEP 04

成功路径比失败路径更需要提前想清楚

融资、客户和员工一旦到来，你要问自己是否愿意把这件事做十年以上；schlep 会变成日常，但客户本身可以提供智识回报。

DEEP DIVE

内容提炼

从认知 L1 cache、两次退学和 schlep blindness，到 Stripe 数据里的创业窗口

0100:01–00:05

认知 L1 cache 对 agent 查询

主张观察

Patrick 用 Jeff Dean 的数字表类比学习：模型再强，脑内 lookup 仍更快，实验室和 Stripe 仍在给认知能力付溢价。

他承认自己会怀念手写指令，但不主张因此哀悼源代码本身。
写作和人际沟通被他当作仍需自己完成的工作，因为模型文章还不够让他信服。

把 AI 当外存，不把关键判断外包成默认路径。

0200:05–00:10

退学可逆，紧迫感常常是错觉

观察主张

Patrick 退学两次，一次和 Harj 做公司，一次做 Stripe；事后认为当年的 haste 和机会稍纵即逝的直觉都偏弱。

喜欢大学就读完，不喜欢就离开，声誉成本被他判断为 de minimis。
他把“不创业就会掉进永久底层”看成千年王国式叙事，并以航空史作对照。

把退学当选项，而不是把当下当成最后窗口。

0300:10–00:16

具体用户痛苦比看起来像好主意更重要

观察

Stripe 同时是明显好主意和荒谬主意：没人喜欢旧支付，也没人把两个学生当金融公司。

YC 教他们盯住容易解释、有人真会付钱的问题。
公开上线前已有持续增长的 private beta 用户，避免在想象中做产品。

生产用户比口号式 launch early 更能提供 grounding。

0400:16–00:19

AI 时代可能要更早 decorrelate

主张预测

lean startup 的缝隙会被犁得更干净；过去十年不少赢家从一开始就走高资本、高野心路径。

失败成本高的领域本来就该更慢构建。
资本和 AI 让组织可以一上来承载更多 potentiality。

最小缝隙不再自动等于正确的第一步。

0500:19–00:23

What if you succeed

主张

schlep blindness 指出没人爱做的苦差；Patrick 补上一问：成功以后你还想做 17 年吗。

Stripe 让他接触 Atlas 上约 25% 的 Delaware 公司，以及 Shopify、OpenAI 一类客户。
他觉得客户本身几乎从不无聊，这抵消了 payroll 和金融基建的枯燥。

选赛道时把长期智识回报算进成本。

0600:23–00:31

实验室不会吃掉所有垂直，新公司窗口在变大

观察预测

Google 当年同样显得全能，但组织很难同时推进 100 个优先级；Stripe 数据显示新公司数量、中位数表现和到收入时间都在变好。

模型能力本身会取消部分任务，这和实验室亲自下场不是同一件事。
企业更怕维持现状，所以更愿意从早期创业公司采购。

按今天的趋势线，AI 更像在增加赢家数量，而不是收成少数巨头。

OPEN QUESTIONS

尚未解决的张力

本页基于 YouTube 自动字幕（en-orig）整理，中文为逐段翻译；专有名词、数字和引语在公开使用前应回到 00:31:00 的原始音频复核。小宇宙译制版时长更短，可能经过加速或剪辑。

自己写字与模型已能证明困难定理

模型可以完成 Jacobian conjecture 一类壮举VSPatrick 仍未读到一篇让他真正信服的 LLM 文章，也几乎不发预写回复

节目没有给出可检验的写作质量标准，只提供个人 revealed preference。

launch early 与两年才公开

YC 文化强调尽快上线、从市场学习VSStripe 因安全、资金和基础设施花了近两年

Patrick 把生产用户当作替代 grounding；这对没有早期付费用户的团队是否成立，节目没有展开。

Stripe 数据与未来五年

新公司同比接近 2×，中位数更好VS他自己强调预测很难，趋势可以反转

公开采访中的内部指标无法被外部复核，也不能直接外推到消费互联网或非支付赛道。

SO WHAT

可执行启示

即使模型能写 Lisp 方言，Patrick 仍主张把关键知识放进自己的认知 cache，并在创业前问清：成功以后你是否还愿意长期做这件事。

ST

在校学生

列出自己仍要放进认知 cache 的常数和概念，而不是默认每次都问模型。
如果考虑退学，先写清退学可逆的退路，以及成功后是否愿意把该问题做十年。

FD

早期创始人

在公开 launch 前找到至少一个真实生产用户，用其具体请求排期，而不是用想象中的客户问题。
评估想法时分开两问：模型能力会不会取消它，以及大实验室会不会亲自做它。

CHAPTERS

节目时间轴

从认知 L1 cache、两次退学和 schlep blindness，到 Stripe 数据里的创业窗口