前哨五一大促，現在點擊拿下

一周之內，硅谷的科技媒體集體被一群"非典型程序員"刷屏。

一位 Biohacker 在自家廚房，用Claude再加上幾臺設備，搭出一套基因組分析流水線。

一位零編程經驗的美國職業教練，在一場黑客松里做出人生第一個收費 App。

AI 正在系統性地拆掉過去幾十年里許多最高的技術門檻。

我們正處在一個最好的時代，AI正在讓技術門檻無限降低；我們也正處在一個最危險的時代，人與人的差距正在被AI重新定義。

廚房里的基因組實驗室：科研門檻被拆了

第一位主角是一位英國 Biohacker，醫學院出身、玩樹莓派和 Jetson Nano 的硬件極客。

今年四月，他把"在家測全基因組"的全流程寫上博客，瞬間刷屏科技圈。

Biohacker是歐美存在了十多年的一群人，在自家車庫、地下室、廚房里做 DIY 生物學。

過去他們多半停在"自制酸奶""家用水質檢測"這種邊緣玩法上，直到 AI 出現 + 測序設備降價，他們才第一次有能力去碰"全基因組測序"這種過去高不可攀的事。

這位 Biohacker 的起點很私人：家族世代被復雜的自免病困擾，沒人搞得清原因。他不想等病找上自己，于是做了一件以前只有大型基因組中心才做得了的事：在自家廚房里把自己的全基因組完整測了一遍。

一個人在廚房，三千多美元硬件 + 千元級耗材 + 開源工具加大模型，就能跑出一份 30 Gb 的 BAM 文件，變異位點、甲基化標記、HLA 分型該有的全有。

整套測序裝備，一張桌子放下

整個流程中，Claude 直接讀 Oxford Nanopore（測序設備）的官方 PDF，自己消化儀器讀數和數據規范，把流程跑通。

下一步，他計劃把變異區數據喂給 DeepMind 去年發布的AlphaGenome，專攻最難懂的"非編碼區變異"，去追問家族自免病的根源。

過去要搞定全基因組的測序，必須要有博士學位、濕實驗室、幾十萬美元 Illumina 設備、一支生物信息團隊，幾個生物學博士、幾個專業數據庫（UCSC、Ensembl、OMIM、CPIC）、干上幾天才能搞定。

如今一個人加上現成的硬件工具，借助AI的支持就在廚房里就跑完了。

值得注意的是，Stripe 創始人 Patrick Collison 也在做幾乎一模一樣的事，派編程 Agent 分析自己基因組的特定突變，讓 Agent 提下一步該篩查什么。

從硅谷億萬富翁到倫敦廚房里的愛好者，用的是同一套工作流：把大模型當代理，跑專業領域的活。

AI 沒有取代任何一位科學家，但它讓一個普通人也能做以前只有整個團隊才能做的事。

Vibe Coding 新人：自己造APP了

上面的故事可能離普通人還遠，但接下來這個，是 AI 時代每個人都能做的。

主角叫Julia Starr，一位美國職場教練，單槍匹馬干了將近十年。

這十年她最大的瓶頸就是她自己：一天就那么幾個小時，客戶上限早被鎖死，但她又不愿意承擔組團隊的經濟風險。

2025 年 12 月，她報名了一場Lovable 黑客松（Lovable 是讓"完全不懂代碼"的人用自然語言搭 App 的平臺）。

她形容當時的自己：“純粹是編程和產品門外漢。”唯一的"資本"，是十年打磨出的VSA 教練方法論。

Values–Strengths–Action：先挖核心價值與優勢，再用小步動作原型化幾條職業路徑

開發過程沒什么特殊的方法：打開 ChatGPT 問"我想 vibe code 一個產品，從哪開始？"，反復打磨提示詞，丟進 Lovable兩天跑出一個能用的初始版本。

她直接扔進 Lovable 社區讓陌生人試用，反饋驚人地正面："這給了我自己絕對想不到的思路。"

但初始版本離能收錢還差得遠。接下來一個月，她做了兩件關鍵的事：

第一，死磕 AI 幻覺。

App 一開始會胡編不存在的職位名，“告訴 Lovable 信息要真實”完全沒用。最后她改用硬約束，要求

Lovable 必須先在 LinkedIn 上找到該職位的 100 個真實實例，才能展示給用戶

第二，讓 Claude 當 PM。

她約真實用戶做"屏幕共享邊用邊聊"的可用性測試，討論記錄整份轉寫直接丟給 Claude，讓它總結哪里要改，每訪談完一次就跑一遍。

注意這個細節：一個完全不懂代碼的職業教練，用 ChatGPT 當架構師、Lovable 當工程師、Claude 當產品經理，三個 AI 各司其職，搭出了一條以前必須有 PM、設計師、工程師才能跑動的產品迭代流水線。

黑客松后又投入50–60 小時，2026 年 1 月，App 正式上線，名字叫Threshold（"門檻"，頗有幾分反諷）。

Threshold 應用開發者&界面

定價又被現實教育了一次。

Julia 想賣 150 美元，"我的知識產權值這個價"。用戶反饋很直白：“在我認識你之前，我不會為這東西掏 150 刀。”

于是她改成29美元 一次性付費，定位也換成營銷漏斗，先讓陌生人體驗方法論，再向上轉化到高價的 1 對 1 教練服務。

結果出乎她預料：付費轉化率 75%，App 開始自然傳播，用戶主動轉給朋友。

Julia 拿到一份"有意義的被動收入"。最讓她感慨是："有太多人因為時間或金錢永遠沒法和我直接合作，但這個 App 能讓他們先開始一步。第一步被打通，整個流程就開始動起來了。"

警鐘：AI時代的"兩極分化"

AI時代，這樣的故事越來越多。有退休人士用AI開發了服務自己的小程序，有小朋友靠AI開發了自己的小程序。

許多人的感受是AI正在讓技術平權，但它也悄然拉大人與人之間的差距，導致會用 AI 的人和不會用的人，干同一件事的產出可以差出一兩個數量級。

如果你已經在行業中有所積累，現在正是掌握AI的最好時機，借助AI放大你能力的時刻已經到來。

或許你過去苦于編程語言太過復雜，流程設計太花時間，但今天 AI 已經把開發的門檻踩到地板上，你以前的"借口"就不再成立了。

當一個人能在廚房搞定基因測序，一個不會編程的職場教練也能開發APP，你還能說我不行？

當然，上手 AI 工具確實需要一點時間。如果你想更絲滑地掌握 AI 的用法，歡迎加入「前哨 AI 小課」。

本周日的小課，Tina正好就要為你補上最核心的那塊拼圖：讓 AI 不只是"工具"，而是真的能替你干活、還會越用越聰明的"AI 員工"。

今晚8點，Tina會為你介紹替代OpenClaw的全新AI打工人Hermes！

這一講會講清楚四件事：

1. Hermes 與 OpenClaw 有啥區別？兩個最近被反復提起的智能體框架，你該怎么選

2. Hermes 是怎么"自進化"的？為什么它越用越聰明，而不是用一次就忘

3. 怎么把 Hermes 部署到自己的電腦上？從 0 到 1 的完整本地化配置流程

4. 智能體應用實操案例。不是 demo，是能直接抄走的工作流