独立分析师Evans:OpenAI的挑战在于“广度一英里,深度一英寸”、企业还在试点期,“即兴”将兴起

👇 关注公众号后设 🌟 标，掌握第一手 AI 新动态

本文内容整理自知名独立科技分析师 Benedict Evans 在 The MAD Podcast with Matt Turck 频道的专访，公开发表于 2026 年 03 月 19 日。原始内容参考：https://www.youtube.com/watch?v=jH2ZIUKvazU

内容提要：Benedict Evans 在 MAD Podcast 的专访——OpenAI 的护城河困境与软件的未来

• OpenAI 的战略挑战： 基础模型领域并不存在所谓的“赢家通吃”或显著的网络效应。与传统软件不同，大语言模型（LLM）的开发成本极高，却难以形成绝对性的竞争优势。OpenAI 面临的根本性挑战在于：如何将目前的流量红利和模型优势，转化为具有持久粘性的平台业务，从而实现对开发者、用户和企业的深度锁定，而不仅仅是依靠模型参数的军备竞赛。
• ChatGPT 的使用现状：“广度无限，深度仅寸”： 大部分用户（约 50%）仅每周或每月使用一次 ChatGPT，甚至想不到更多的应用场景。仅有约 10% 的用户保持日活，其中付费比例低至 5%。这表明用户习惯尚未固化，或者说原始的“聊天机器人”形态未必是满足所有需求的终极产品。单纯的模型性能提升未必能解决实际痛点，关键在于模型能否提供“正确答案”，以及如何围绕其构建配套的工具与软件生态。
• AI 构建者的“战略被动性”： 在基础模型公司内部，产品团队往往更像是“战略接受者”而非“战略制定者”。他们被动地接收研究团队抛出的新技术（例如“加个实时语音按钮”），再去思考能用它做什么，这与“基于用户体验倒推技术实现”的传统产品逻辑背道而驰。技术本身的极度不确定性，使得长远的产品战略规划变得异常困难。
• 智能体（Agents）的作用与局限： 智能体的出现有助于构建竞争壁垒，但其定义尚显模糊。对消费者而言，或许根本无需知晓其运作机制，它应隐于产品后台，提供更高级别的抽象服务。然而，AI 能力目前呈现“锯齿状”特征（即在某些领域表现惊艳，在另一些领域如处理 PDF 时却极其拙劣），这使得明确其能力边界变得十分困难。
• AI 与软件生态的演变： AI 编程工具让软件开发变得更廉价、更便捷，这将极大丰富软件的数量，覆盖大量此前因成本问题未能自动化的长尾场景。我们可能会迎来“即兴软件（Improvised Software）”的兴起——类似于过去用 Excel 自行处理任务，现在可由 AI 瞬间生成代码完成。但这并不意味着 AI 会取代所有专业软件，像 ERP 系统或 Frame.io 这类垂直领域的深耕方案依然不可或缺。
• “人人都是软件工程师”的误区： 认为 AI 将让每个人都去编写自己的软件是一个伪命题。AI 虽然降低了代码编写门槛，但构建复杂系统（如 ERP 或特定行业解决方案）仍需深厚的专业知识、架构能力与不同的技能树。AI 的作用更多是拓展“即兴软件”的疆域，而非简单颠覆专业软件的开发范式。
• 杰文斯悖论（Jevons Paradox）与软件爆发： 随着 AI 让软件开发成本大幅降低，软件的总量将不降反升。正如杰文斯悖论所述，技术进步提高效率往往会导致资源使用量的增加。AI 的普及将自动化许多此前无法触达的任务，并催生出全新的应用形态与工作流。
• 科技巨头的资本支出与“财务引力”： TODO：NVIDIA、Meta、Google 和 Microsoft 正投入天文数字般的资本支出（CapEx）用于 AI 基建。然而，资金并非无限，必然存在一个“财务引力点”，即资本支出无法无限增长。这种巨额押注可能导致行业高度集中，形成寡头垄断，并对未来基础设施的寿命和成本结构产生深远影响。
• AI 的“和平红利”与不确定性： 作为一次平台级转型，AI 与以往的不同之处在于其物理极限（如算力需求、能源消耗）尚不明朗。巨大的不确定性既可能加速成本雪崩，也可能导致过度投资。尽管资本支出和使用量都在飙升，但其最终落地的商业闭环与可持续性仍有待观察。
• 被误读的“就业岗位暴露度”图表： 用岗位“暴露度”百分比来衡量 AI 对就业的影响过于简单粗暴。自动化通常发生在劳动力成本高昂的领域，且 AI 往往是用来实现人力此前无法完成的任务，而非单纯的替代。AI 的影响将是颠覆性的（如同互联网之于媒体），但具体表现形式难以预判。
• 企业端的真实部署现状： 财富 500 强企业已开始部署 AI，如 Copilot、评论摘要、客服机器人和自然语言搜索等。但目前许多项目仍处于试点阶段，或侧重于优化现有流程，而非创造全新的用户体验。现阶段 AI 的价值更多体现在运营效率的提升，而非立竿见影的颠覆式创新。
• 开发者与创业公司的机遇： 尽管迷雾重重，机遇犹在。开发者可利用 AI 降低成本，攻克旧时难题。创业者不应仅仅基于技术构建产品，而应深刻理解 AI 的抽象层级，专注于解决特定行业的痛点。最具潜力的成果，将诞生于那些既深谙行业顽疾、又善用 AI 破局的创业者手中。
• 价值的毁灭与重生： AI 的发展历程可能类似于互联网泡沫时期——“先毁灭，再看清”。许多公司或许会倒闭，但废墟之上终将诞生新的价值与商业模式。AI 必将重塑现有商业格局，创造全新的市场需求，并对传统行业产生深远的颠覆性影响。

独立科技分析师 Benedict Evans 简介

Benedict Evans 是全球知名的科技分析师，以剖析科技产业的平台级转移（Platform Shift）而闻名。

他的职业生涯始于网络泡沫时期的股票分析师，后转战电信战略咨询。2014 至 2019 年，他任职于硅谷顶级风投 Andreessen Horowitz（a16z），专责为投资人与创业者提供宏观战略视野，预测未来 10-15 年的风向标。

目前他独立运营，每年发布两次重磅简报（如《2025 Autumn AI》与《AI eats the world》），深度分析 AI、自动驾驶、混合现实等趋势，并担任企业董事会顾问。他的周报拥有超过 17 万的高质量订阅者。

内容简介

OpenAI 是否已深陷缺乏护城河的困境？享誉全球的独立科技分析师 Benedict Evans 重返 MAD Podcast，他指出基础模型并不具备网络效应，与其说是下一个 iOS，不如说更接近大宗商品化的基础设施。我们拆解了 OpenAI 面临的“广度无限，深度仅寸”的使用难题，探讨了为什么单纯拥有“更好的模型”无法解决核心的用户体验挑战，以及云巨头们通过巨额资本支出（CapEx）构建的战略究竟是可持续的，还是通往“财务引力”的快车道。

我们还深入探究了近期“SaaS 末日（SaaSpocalypse）”背后的真相，分析了从传统企业系统向“即兴”和“瞬时”软件的结构性转变，以及在人工智能炒作周期中，创业者和投资者的真正机遇（White Space）所在。

访谈全文

Benedict Evans： 如果你是 Sam Altman，你手里握着的是一种**同质化技术(Commodity Technology)，你的竞争对手拥有庞大的历史现金流（指微软、谷歌等），你没有自己的基础设施，也没有真正的差异化壁垒，但你占据了巨大的用户心智(Mind Share)。那你该怎么办？你会试图用这种认知度去置换硬资产(Hard Assets)，并通过话术构建出一个自我实现的预言(Self-fulfilling Prophecy)。然后还有一种中间情况，几乎可以称之为“即兴软件”(Improvised Software)**。现在的 AI 编码意味着写代码变得更便宜、更容易，这也意味着许多过去无法用软件实现的事情现在都可以实现了。因此，软件的数量将会迎来爆发。

Matt Turk： 大家好，我是 Matt Turk，来自 FirstMark。欢迎来到 The Matt Podcast。今天我的嘉宾是 Benedict Evans。Ben 是世界上思想最深邃、最具影响力的科技分析师之一。他也是我最喜欢的嘉宾之一，这是他第三次做客本节目。在这次谈话中，我们探讨了 **AI 的“大拆解”(Great AI Unbundling)，软件是否真的已死，为什么 OpenAI 可能是下一个网景(Netscape)**，以及这一切对 AI 构建者、投资者和高管意味着什么。请欣赏我与 Ben Evans 的这场精彩对话。

OpenAI 的焦点转移

Benedict，欢迎。或者说，欢迎回来。感谢你再次来到 The Matt Podcast。谢谢。

我想我们可以从 OpenAI 的近况开始聊起，这是一个很有意思的切入点。在我们录制这期节目时，就在昨晚，《华尔街日报》报道称，该公司正计划将重心大幅转移到编码和企业用户上，据报道，其相关负责人Fidji Simo 表示，公司应该停止**“支线任务”(Side Quests)**。

你最近写过关于 OpenAI 的文章。我们是怎么走到这一步的？OpenAI 面临的根本性挑战是什么？

Benedict Evans： 我想我们可以从两个维度来探讨这个问题。一个是历数 OpenAI 一直在尝试做的所有事情。另一个则是探讨问题的本质。

问题的本质在于，据我们观察，基础模型(Foundation Model) 领域似乎不存在“赢家通吃”(Winner-takes-all) 效应或**网络效应(Network Effect)**。也就是说，在这一领域，你无法做到让其他人造不出和你一样好的模型，而这恰恰是我们习惯的软件行业的逻辑。Windows、Google、Facebook、Instagram、TikTok 和 iOS 之所以能占据主导地位，就是因为具备这种效应。我们在科技行业通常习惯的是：软件本身资本投入很少或几乎为零，但它具有网络效应。因此，它倾向于产生垄断或近乎垄断，进而产生高利润。Windows、Mac OS、Google 和 iOS 都是如此。

但大语言模型(LLM)的问题在于，它们的开发成本非常高昂且难度极大。你可能会面临无法登上“牌桌”，或者从“牌桌”上掉下来的风险，比如这边的微软和目前的 Meta。但不存在一个你可以拉动的杠杆，能让你一劳永逸地甩开所有人，让他们永远无法追赶——就像 Google 和 Bing 的情况那样。无论微软投入多少资金、付出多少努力，Bing 都永远无法追上 Google。

所以，这意味着我们会有三到六个，甚至更多有能力制造前沿模型的组织，它们会每隔几周或几个月就**交替领先(Leapfrogging)**。这就是其中一个核心问题。

ChatGPT 的使用现状：“一英里宽，一英寸深”

Matt Turk： 顺着这个问题，你提到了软件。如果我们不拿 Windows 做类比，而是看 AWS、Azure 和 GCP 的**寡头垄断(Oligopoly)**，这些业务很大程度上是同质化的，但由于市场规模巨大，它们似乎活得相当滋润。这难道不是一件好事吗？

Benedict Evans： 首先，我对这个类比稍微持保留意见，然后再回答你的问题。第一点，如果我们仔细看市场份额，Google Cloud、Azure 和 AWS 实际上是截然不同的业务。AWS 主要是基础设施；微软主要是服务；而 Google 虽然基本上发明了云技术，但现在主要是在**仓促追赶(Scrambling)**，处于遥遥落后的第三名。所以它们并不完全相同。

但我认为，真正的挑战在于，基础模型最终会达到何种均衡状态？它们能否在自身之上建立生态系统？就像 iOS 和 Android 那样。如果是这样，它们就能通过构建工具和各种应用，在原始的基础模型之上创造价值并实现价值捕获。这样，企业就必须做出选择，比如“我们要标准化使用 ChatGPT”，而在云计算领域并没有发生这种情况。作为一个企业，当你购买一个 SaaS 应用时，你不会想“我们要用我们的 AWS 账户登录它”。当然，作为一个消费者，我记不清 Snap 使用的是哪个云服务，我也不关心。如果我安装了 Uber，它用的是哪个云服务，谁在乎呢？

所以，模型可能会构建出更像 Windows 的东西，这正是 Sam Altman 在去年底经常谈论的愿景。或者，它们可能最终只是同质化的基础设施(Commodity Infrastructure)，以边际成本(Marginal Cost) 出售。你可能几乎无法从投资本身获得回报，或者回报微乎其微。你真正的回报来自于在此之上构建的所有应用和服务。

而这正是这些大公司与之不同的地方。因为如果你是 Meta 或 Google，你拥有另一个高度盈利的业务，现在需要将 LLM 整合进去，为各种能力和功能提供支持。你可能希望它们是你自己的 LLM，而不是别人的。但你可能不一定需要从 LLM 本身赚钱，就像 Meta 一样。显然 Meta 拥有云基础设施，但它甚至不去尝试、也不出售云服务。它们只是自用，来支持自己的业务。所以，这两种可能的结局是并存的。

这些技术最终可能成为以零利润率出售的同质化基础设施。也可能，最终只剩下两三家公司，它们捕获了大量的价值。这涉及到价格均衡(Price Equilibrium) 的问题：你是否能维持**价格纪律(Pricing Discipline)**？是否会有少数几家公司联手将价格通过默契保持在高位，还是会陷入价格战？就像我上个月写的，你可以去问问你最喜欢的经济学家，这些问题都有专门的术语，通常以最先提出这些问题的经济学家的名字命名。

回到 Fidji 和 OpenAI，目前的问题是，原始的聊天机器人本身并不是一个完美的产品。大多数人很难弄清楚用它来做什么。有一小部分人，主要是在科技行业，以及圈外一些非常善于自我优化(Self-optimizing) 的人，他们的工作性质非常适合 LLM 擅长的领域。如果你看使用数据，大约有 10% 的人每天都在使用，但另有 50% 的人只是每周或每月使用一次。所以，大多数拥有 ChatGPT 账户的人想不出今天还能用它做什么。因此，你可以问，这是因为模型必须变得更好吗？我们之前也讨论过这个问题。

还是因为用户习惯必须改变？或者极端地说，你可以辩解称“人们每周也只用一次 Google”，但这似乎不是一个好的答案。还是说你必须在此之上构建大量的东西？这又回到了“同质化基础设施”的观点。

因此，现在的问题似乎是：我们最终是否都会直接使用 ChatGPT、Anthropic 或 Claude 这样的界面？还是说它们将成为一个隐藏在底层、被其他应用调用的隐形 API，而正是那个“其他应用”赚取了所有利润？

这里一个非常有趣的参照系是台积电(TSMC)。芯片行业的情况是，没有网络效应，但每一代技术的研发都变得越来越困难、成本越来越高。随着每一代技术的更新，玩家的数量都在减少。现在，基本上只有一家公司处于最前沿，有两三家公司落后一代，然后有五到十家公司落后几代。台积电赚了很多钱，但它们并没有捕获科技行业的全部价值。作为消费者，你不知道台积电制造了你 iPhone 中的芯片，他们也没有从每一笔 App Store 的交易中抽成。

这就是 OpenAI 面临的巨大战略谜题：你基本上拥有的是同质化技术。你没有网络效应，也没有赢家通吃的效应。你有 9 亿周活跃用户，但大多数人并不是每天都在使用，也想不出该用它做什么。只有 5% 的人为此付费。所以，它的使用情况是“覆盖面有一英里宽，深度却只有一英寸”(Mile wide, inch deep)。因此，你必须设法用你现有的用户心智(Mind Share) 和势能(Momentum) 来换取某种更持久的东西。

昨天有消息称，OpenAI 正试图与私募股权公司（Private Equity Firms）达成交易，以进入这些公司所在的业务领域。他们去年年底搞过一个视频分享应用之类的尝试，但没做成。然后又要做应用商店。哦不对，是另一个应用商店。不，等等，我们现在是在讨论第二个还是第三个应用商店了？我都数不清了。

然后还有电子商务集成。但是，你猜怎么着？电商集成非常非常困难和复杂，因为涉及数百万商家和数十亿个库存量单位（SKU）。谷歌（Google）和 Meta 在这方面已经失败过两次了。

结果就是，OpenAI 的反应大概是：“呃，不行，我们现在甚至可能无法自己构建那个功能。”

所以，这里面临的挑战是：你如何从仅仅拥有“心智占有率”（Mind Share）和一个不错的模型，转变为拥有某种持久的平台业务？这种业务需要有开发者、用户、企业账户，以及某种“锁定效应（Lock-in）”，而不仅仅是依赖于你下周、下下周、再下下周都能拿出最好的模型。

为什么更好的模型无法解决真正的问题

Matt Turk： 去年我们聊天时，我记得我们讨论过类似的话题，当时大家都不确定该做什么。我们探讨了 ChatGPT 是否需要一个新的图形用户界面（GUI）。有趣的是，过去一年在模型开发上取得了非凡的进展——无论是在推理（Reasoning）还是强化学习（RL）等方面。但最终的结论是：一个更好的模型并不能解决问题。

Benedict Evans： 大概一年前我写过一篇文章，我在文中问道：当你问“什么是更好的模型”时，你到底是指什么？这听起来像是个很奇怪的问题。

但我总是记得很多年前 iPhone 刚火起来的时候，纽约的一个深夜电视节目做过街头采访。他们拿出去年的旧款手机对路人说：“这是新款手机，你觉得怎么样？”人们会惊叹：“哇，太棒了！”因为实际上，普通人根本分辨不出来。

如果你在做非常具体、非常硬核的工作，并且将这些模型推向极限，那你可能会发现：“哦，它以前做不到这个，现在可以了。”

但对于大多数情况，模型的能力表现是“参差不齐”的（Jagged）。在很多方面，你并不知道它是否能做到，或者能做得有多好。你尝试的大多数任务，它都能在不同程度上完成。现在的区别可能只是它能做得稍微好一点，或者稍微差一点。

但是，如果你有一堆用例，需要的答案必须是“正确的”，而不是“差不多正确的”，那么所谓的“模型更好”就没有任何意义。我的意思是，从字面意义上讲，这是毫无意义的。

如果你告诉我，我让模型整理50件事，上个月它会搞错10件，所以我得把50件全检查一遍；现在它只会搞错8件，或者12件（大概率是8件）。那么，我还得把这50件全都检查一遍。所以，实际上什么都没有改变。

量变引发质变的临界点，不是正确率从 90% 提升到 91% 再到 95%，而是从“非全对”变成“全对”的那一刻。 如果你没有达到那个点，你就得更深入地思考该怎么处理这个东西，如何使用它，以及如何围绕它构建工具和软件。

我认为这里挑战的一部分在于——这其实我们可以顺便聊聊所谓的“SaaS 末日（SaaS Apocalypse）”——很大程度上的挑战在于弄清楚“如何描述你想要的东西”。

举个例子，即使模型真的拥有了通用人工智能（AGI），而且是真的超人般的智能，而不是品牌营销人员吹嘘的那种，即使它在所有意义上都达到了 AGI 的水平，你仍然很难准确描述你到底想要什么。

Matt Turk： 曾几何时，人们希望“记忆功能（Memory）”能为所有那些聊天机器人界面——尤其是 ChatGPT——增加一定程度的防御性和护城河（Moat）。但这似乎并没有发生。这是为什么？

Benedict Evans： 嗯，大概有两三点原因。

首先，很明显，记忆功能只有在你高频使用它的时候才有效。如果你还没有想出很多用它来做的事情——大多数人确实还没有——那么你就感受不到记忆功能的价值。

OpenAI 去年年底做了一个营销活动，给每个人生成了一个可爱的图表，显示他们发送了多少条消息，并告诉他们在用户中排在哪个百分位。我去 Reddit 上抓取了大约 300 张用户分享的截图。

结果发现，如果你去年发送了 1000 条 Prompt（提示词），你就已经排在前 20% 了。这基本上意味着 80% 的人去年敲回车键的次数不到 1000 次。也就是说，平均下来每天不到三次。

显然，用户量在这一年里也在增长，所以不能简单地按全年平均计算。但如果你一整年只输入了 1000 次，说明你并不是真的每天都在高频使用它。所以，也就谈不上什么记忆积累了。

其次是次要点：这是网络效应（Network Effect）还是用户粘性（Stickiness）？这可能更多是粘性。但粘性有多大？如果你只是让 ChatGPT 把它知道的关于你的一切都吐出来，然后粘贴到 Claude 里，或者反过来，会发生什么？目前还不清楚这算不算是一个真正的壁垒。

我的意思是，整件事在很多方面感觉非常像 1997 年：显然这是一件大事，而且已经开始奏效了，但这并不意味着你知道未来会如何发展。

我看 ChatGPT 这个产品时，想到的一点是，它有点像是在试图做出一个差异化的网页浏览器：你有一个输入框和一个输出框。如果核心逻辑是你可以在里面输入任何东西并得到任何东西，那你该怎么让它们有所不同呢？

你可以让底层的渲染引擎更好——比如 Chrome 有更好的渲染引擎，这很好。你也可以让底层的大语言模型（LLM）更好。但呈现给用户的实际产品，仍然只是一个输入框、一个输出框，加上边缘的几个按钮。

就连 Logo 也是如此。你知道那个笑话吗？所有聊天机器人的 Logo 看起来都像“菊花”（Buttholes）。 你知道，就是那些放射状的小尖刺。但同样地，你还能展示什么呢？从原则上讲，让聊天机器人的用户界面（UI）产生差异化是否可能？因为它的核心不就是“完全通用”且“没有UI”吗？

所以，这就回到了我们刚才讨论的那个核心困境。OpenAI 似乎正面临这样的问题：首先，模型本身和别人的模型大同小异。如果你是那种会看这个播客的人，你可能会想：“不不不，它们真的很不一样。”

但是，对于那些每周只用一次的普通人来说，他们真的看不出区别。然后，目前还不清楚你应该在此这类模型之上构建什么，以及那个构建者会是你吗？即使你搞清楚了，为什么别人不能也构建同样的即东西呢？

为什么 AI 产品团队是“战略接受者”而非“战略制定者”

Matt Turk： 是的，你在某处曾提出过一个非常有趣的观点，关于在一家基础模型公司（Foundation Model Company）里做产品，与在任何其他公司做产品有着根本的不同。

Benedict Evans： 哦，是的。大概18个月前，Kevin Weil 和 Mike Krieger 在台上都表达过这个观点。后来，Fidji Simo 在我健身时听的一期播客的第二个小时里也提到了这一点。你知道那个笑话吧？地球上最安全的加密方式就是你在播客第二个小时里说的任何话，因为根本没人会听到。不过，我实际上完整地听完了。

她所说的——也是 Mike 和 Kevin 说过的——是这样的：你是如何工作的？你早上醒来，打开电脑或看一眼手机，发现收到一封来自研究团队的邮件，说：“嘿，猜猜怎么着？我们搞出了个很酷的东西。”然后你的工作就是去想办法用它做点什么。比如，你收到邮件说：“我们有了新的语音模型。”那一刻的感觉就是：“好吧，看来我们今天得加个麦克风按钮了。”但这并非出自你的本意，也不是你的规划。

所以，你是从技术出发的。你无法掌控产品战略，这当然符合科学探索的运作规律，但这也意味着你不知道接下来会发生什么。你不知道最终能构建出什么。显然，像 Sam (Altman) 和 Dario (Amodei) 这样的人在设定基础研究的战略方向，但研究成果可能六个月后才出来，它可能成功，也可能失败。你不知道什么会奏效，不知道它是否会发生，也不确定能不能做成。

所以，无论公平与否，我在上一篇文章的开头引用了 Fidji Simo 的那句话，并将其与 Steve Jobs 的名言进行了对比。乔布斯曾有名言：“你不能从技术出发，然后向前推导到产品；你必须从用户体验出发，然后倒推回技术。” 大家并非不懂这个道理，但这正是我们所处环境的内在属性——技术在不断地变动、更迭和演进。你不知道下周或下个月它能具备什么能力。因此，你有点搞不清自己到底在试图构建什么。你只是战略的被动接受者，而非主动制定者。

智能体（Agents）有助于建立竞争壁垒吗？

Matt Turk： 关于人们可以在模型之上构建什么，以及基础模型公司如何鼓励这种构建，你怎么看“智能体（Agents）”？我猜“智能体”会是2025年的热词，但到了2026年它会变得更加重要。OpenAI 已经推出了一系列产品、智能体开发套件（Agent Kits）和其他框架，帮助人们在模型之上构建智能体。这是否是迈向一个他们拥有竞争壁垒（Defensibility）的世界的第一步？因为人们会倾向于在同一个生态宇宙中进行构建。

Benedict Evans： 嗯，这种发展最终会达到一个临界点，即人们构建出了真正差异化的产品，而不只是给模型套一个输入框和输出框。但我完全不认为“让用户自己构建智能体”是一个面向大众消费者的功能。在我看来，要么你不应该知道智能体在做什么，要么它应该被无感地封装在某个产品内部。

我认为 Stripe 做了一个很好的类比，他们借鉴了自动驾驶汽车的分级，将智能体分为了 L0 到 L5 级。L5 级的智能体知道你家狗粮吃完了，它会自动给你买更多的狗粮，你甚至都不知情，它就这么出现了——完全自主订购、完全自主购买、完全自主解决问题。而 L0 级就像是发给它一张外套的照片，让它“识别这是什么”。在这个过程中，模型可能会去调用一堆智能体来为你回答这个问题，但你不需要知道背后的运作机制。

所以，关于“智能体”到底指什么，肯定存在一个光谱。你是指大语言模型（LLM）可以在你不知情的情况下调用不同的工具？还是指你可以让 LLM 去为你执行某项任务，无论它是否使用了多个工具？这确实是一个有点……模糊的概念。这有点像说“元宇宙”。当别人提到元宇宙时，你并不真正知道他们指的是什么——他们可能指 VR，VR 是实实在在的；他们可能指游戏，游戏也是实实在在的。但当他们说“元宇宙”时，你并不确定他们具体在谈论什么。智能体也是如此。

这又回到了那个问题，甚至加剧了那个问题：模型的能力越强，其能力边界的“锯齿状（Jaggedness）”特征就越明显。因此，你越难判断它能否做到 X 或 Y，也就越难在脑海中建立映射，去判断这是否属于它能胜任的范畴。例如，这些模型在阅读 PDF 文件时常常非常吃力。但这并不是你一眼就能看出来的，你无法直观地知道“哦，它完全读不懂 PDF”。为什么？因为并没有一个直观的理由能让你推导出它做不到这一点。

这其中一部分只是熟悉度的问题。我们花了一段时间才弄清楚：“你可以问 Google 这个问题，但它回答不了这个。”现在的难题是：如何围绕这种特性构建产品？到底在什么时候，你对它能力的认知模型——或者说这个前沿本身——变得足够平滑，或者你的心智模型能够足够紧密地贴合这个前沿的“锯齿状”特征，从而让你能理解它能做什么、不能做什么？又或者在什么情况下，你必须坐下来，针对特定的用例进行逐一映射？

但还有另一种思考方式：对于每一个新事物，你通常是从让它做你已经习惯的旧事物开始的。你需要时间来构建属于这项新技术原生的新事物。如果再细分一下（毕竟每张 PPT 都得有三个要点嘛），这还有第三个阶段：在什么节点上，你能把整个逻辑彻底颠覆，做出一款与你对旧事物的认知完全无关的产品？

显而易见的例子就是从 Flickr 的移动应用，演变到 Instagram，再到 Snap 或 TikTok 的过程。Instagram 其实借鉴了桌面端的体验逻辑——事实上，你可以说 Instagram 现在依然在沿用桌面体验，只是加了一些没人再用的滤镜。但 Snap 的逻辑是：“但这可是个相机啊，为什么我们不直接从相机界面开始呢？”接着 TikTok 会说：“这还是个社交网络，所以为什么我们不从这儿切入呢？”这就是把整个逻辑彻底颠覆。TikTok 既不是 Flickr 的移动版，也不再是 YouTube 的移动版。它是全新的物种。

而我们在探索如何利用 AI 时，仍然处于“把产品目录的 PDF 放到公司网站上”的阶段。当然，当年这也是件大事，即使在 30 年后的今天，很多公司能在网站上提供产品目录 PDF 依然是件挺不错的事。

OpenClaw 与 AI 的“桌面 Linux”时刻

但是，这些工具能力的“锯齿状”特征（Jaggedness），几乎也映射了它们在不同行业和不同工种中重要性的“锯齿状”分布——即哪些工作受到的影响更大或更小，哪些行业受到的冲击更深或更浅。

Matt Turk： 有没有这样一种论点：OpenAI 其实非常有优势去弄清楚应该在模型之上构建什么产品？因为它掌握了完整的查询、提示词(Prompts)和对话历史，以及用户的反馈修正(Pushbacks)。如果所有人都在问关于旅行的问题，并且以某种特定的方式提问，那么 OpenAI [顺势去做这个] 会是一个好主意。

Benedict Evans： 这个问题的根源在于“自选行为”(Self-selected behavior)。人们往往只思考自己能构想到的东西。正如史蒂夫·乔布斯曾经说过的，真正的创新在于，你意识到自己能做成某件事，而这件事别人压根没想过。 这才是十亿甚至万亿美元级公司的诞生方式。它需要重新构建问题，并发现一种全新的路径。

OpenAI 确实可能通过付费来识别并铺设“渴望路径”(Desire Paths)——即现有的用户自发行为。然而，挑战在于如何平衡这一点与创收需求。去年秋天公布的使用数据显示，其中的电商活动很少，很大一部分是成人内容，而这部分很难直接变现。

因此，他们正专注于电商和广告，这是他们有经验的领域——从他们聘请 Meta 的电商和广告专家就能看出。这符合提供“通用基础设施”(Commodity Infrastructure)的理念。正如苹果公司的 Craig Federighi (原文误作Craig Frederickson) 所指出的，苹果并不自己开发所有应用，而是提供平台让其他人构建，就像微软和谷歌无法预见其操作系统上诞生的每一个应用一样。

反方观点是，平台提供商无法发明一切。例如，微软并没有发明网络上的所有创新，尽管他们确实尝试过创建像 Expedia 这样的服务。最终，Web 生态的繁荣依赖于其他开发者的工具和软件，PC 只是访问它的通用基础设施。这种演变最终催生了像 Chromebook 这样的设备——对许多人来说，现在的 Mac 其实主要也就发挥了 Chromebook 的功能（指主要用于上网）。

因此存在一种二元性：一方面，你无法预见新技术的所有潜在用例；另一方面，公司都想成为承载这些创新的平台，而不仅仅是做谁都能做的通用基础设施。理想的定位介于两者之间。

以登录 SaaS 应用程序为例。用户通常不会用公司 AWS 账户来做这个，而是使用 Okta 这样的服务。这是因为 AWS 是基础设施，不是直接面向消费者或大多数企业的用户身份提供商。它的抽象层级不对。同样，大语言模型(LLMs)目前给人的感觉就像是基础设施。

回顾 20 世纪 80 年代初个人电脑刚出现时，当时的主流建议是买一台 PC，再买数据库或开发工具来构建自己的应用。例如，零售商被鼓励用 C++ 或 Turbo Pascal 编写自己的库存管理软件。然而事实证明，这种方法效率极低。

1980 年《纽约时报》一篇关于 VisiCalc 的文章提供了一个历史参照。作者之前花 20 小时用机器码写现金流折现模型，发现用 VisiCalc 只需 15 分钟。这说明，尽管有人声称 AI 代表了全新的抽象层级，但“抽象化软件开发并使其更易上手”的概念并非新鲜事。

由此引出了根本问题：应用和用例到底从何而来？谁来创建它们？它们与原始聊天机器人技术的集成程度如何？构建在聊天机器人平台之上的应用程序——例如早期的 GPT 应用和 OpenClaw 技能 ——其成败参差不齐。

Matt Turk： 是的。

Benedict Evans： Anthropic 呢？不见得。我是说，也许这一周他们风头正劲、充满活力，或者随便怎么形容。我不确定。这周是他们，下周，再下周可能就是别的东西了。

OpenClaw 对我来说很有意思，因为它看起来很像桌面 Linux。突然之间，你不再被迫使用大公司的单体软件，不再是那种接触不到底层(metal)、只能拿个 API Key、输入点东西、然后听命于它的模式。现在你可以亲手构建它。这就像 70 年代的“自制计算机俱乐部”(Homebrew Computer Club)，你可以自己动手。当然，另一面是，它还需要稍微打磨一下才能面向大众——当然，这话 Linux 用户已经说了 30 年了。他们不明白，那种极客文化本身就不适合大众化。

正如你让它去整理东西。OpenClaw 另一个有趣之处在于，它展示了为什么 Google 和 Apple 没有发布这类产品。比如指令是“整理我的收件箱”。结果它说：“好的，我把你所有邮件都删了。搞定。不客气。”

这在中国引起了一阵狂潮（指类似 AutoGPT 或开源 Agent 的热潮），虽然我不懂中文，但这本身就很有趣。它触及了这种感觉：人们有很多潜在的热情和可能性，但矛盾的是，要把它变成一个真正的产品却极其困难。这就是 AI 助手比较尴尬的地方：这确实是一个很棒的用例，但要真正做到这一点，并确保它不会删光你的收件箱，实际上要困难得多得多。

为什么“每个人都会构建自己的软件”是完全错误的

Matt Turk： 就你刚才提到的观点，以及关于 Anthropic，想必你也不属于那一派——即相信人们会用 Claude Code 写代码来构建自己的软件？

Benedict Evans： 这很有趣，这简直像个“稻草人谬误”(Straw man)，虽然确实有理智的人这么说。解释“为什么人们不会自己写代码做一个 Stripe”没什么意思。我认为更有趣的是，像我一样，对软件进行更广泛的分类：

第一类是大型企业 ERP 和所谓的“记录系统”(Systems of Record)。你需要为 5 万名员工和每年 10 亿笔交易以相同的方式存储相同的数据。这不可能让《办公室》(The Office) 里的 David Brent 自己去搞。

第二类是任务和工作流程。在这种情况下，像 SAP 这样的单一系统过于僵化。于是你将其拆分，解耦成专用的垂直工具。这就是为什么今天典型的美国大公司，据统计拥有四五百个垂直 SaaS 应用。比如你们投资的 Frame.io，它其实就是把 Google Sheets 和 Dropbox 给“拆分”(Unbundling)了。理论上，人们以前就是在 Google Sheets、Dropbox 和电子邮件里管理视频工作流的。而 Frame.io 说：不，我们要把它变成一个专用工具。我不知道，理论上你也许能在 Oracle 里做到这一点，但实际上不行。

所以，你既有专用的垂直工具，也有通用的水平工具。然后你还有中间的灰色地带——比如用 Google Sheets 和邮件，或者用 Excel，或者导出一个 CSV 文件。你可以把这种称为**“即兴软件”(Improvised Software)**。

这类工作并非那种以此为生、必须严格合规、需要被反复记录的流程；它要么不够大，要么还没人意识到它大到需要一个专用工具。所以你只能在 Excel、Tableau、Google Sheets 或电子邮件里凑合着做。

即兴软件 vs. 制度化软件

现在，一方面，AI 编程意味着写代码更便宜、更容易。这也意味着很多以前无法用软件做到的事现在可以了。因此，软件总量将大幅增加，并将接管许多以前未被自动化的用例——要么因为它们以前太小不值得开发，要么因为以前无法通过软件实现，而现在通过 AI 可以了。

Matt Turk： 你认为是否存在一个相关的概念，叫做“临时软件”（Ephemeral Software）？

Benedict Evans： 嗯，这正是我要说的另一半内容：现在，“即兴软件”（Improvised Software）这个类别正在不断扩大。过去，你可能会把CSV文件导入Excel来处理，或者如果你是技术流，写个Perl脚本。但现在，你可能会直接让ChatGPT帮你搞定：“帮我分析这个”，“帮我处理那个”。

通常，这些任务是你在Excel里做不到的。比如，“看看所有的PDF，再看看所有的PPT，然后对比目前的这个PPT。有没有什么内容是以前提到过但这里没说的？”——这是一类模糊的查询，但得到的答案往往大差不差，效果很好，这正是大语言模型（LLM）擅长的地方。

当然，如果它读不懂PDF那就没法弄，所以你得明确它的能力边界（不能读PDF）。这种处于中间地带的软件形态——也许我的分类不太准确——但我认为用这种视角来看待问题，比单纯说“哦，每个人都会去随手写代码（Vibe Code）搞定一切”要有趣得多。

杰文斯悖论（Jevons Paradox）：为什么软件会越来越多，而不是减少

不，没人会靠“随手写代码”（Vibe Code）去搞出一个自己的ERP系统或者Frame.io，但他们可能会问Anthropic、Gemini或ChatGPT：“你能帮我做这件事吗？”这在某种程度上，就像他们以前用Excel解决问题一样。

Matt Turk： 那么你觉得软件行业会发生什么变化？也就是SaaS？

Benedict Evans： 软件的数量会暴增。

Matt Turk： 或者说“软件”本身。我是指作为股市中一个独立类别的软件板块。

Benedict Evans： 同样，我们要拆解来看。在这个层面上，好吧，如果写软件变得更便宜、更容易，软件数量自然会增加。但谁来写呢？这需要两种能力的结合：既懂软件运作原理，又经过深思熟虑、真正理解问题所在。Frame.io绝不是某个在苏豪区（Soho）视频剪辑室工作的普通员工顺手做出来的，因为他们的思维方式不是那样。他们既不是搞软件的，也不是做产品的。真正要把代码写成什么样、核心问题是什么、以及如何解决，这需要完全不同的技能。

所以，软件数量会大幅增加，既包括那些只在创建时用到AI的软件，也包括必须利用AI才能实现新功能的软件。某些传统软件会消亡，比如那种本来能被大语言模型（LLM）做得更好的大型专家系统。但这在我看来，更像是SaaS时代的重演。SaaS的出现意味着软件数量增加了一个、甚至两个数量级（Orders of Magnitude）。这就导致一些老牌巨头被彻底颠覆，而许多以前无法自动化的任务得以自动化，因为SaaS让进入市场和解决问题的成本大幅降低，门槛也变低了。

正如我刚才说的，从大型机时代过渡时，一家大公司可能只有五套软件；到了本地部署（On-prem）时代，变成了几十套；到了云时代，则是几百套。所以我们可以合理推断，有了AI，软件数量会进一步激增。你会看到更多原本不需要专门工具的任务被自动化，你不需要闭上眼睛苦思冥想每一个工作流程和步骤，也不需要规划如何处理。通过模型，你可以完成一次性的即兴操作。所以会有更多的事情通过软件来完成。这很有趣，去年大家突然都在维基百科上查“杰文斯悖论”（Jevons Paradox）。

Matt Turk： 都假装自己一直都懂这个词的意思。

Benedict Evans： 哈哈，确实。不过好玩的是，我确实早就知道这个概念，更多是因为我对工业史比较感兴趣，隐约记得听过。但我重看这个概念时心想：这不就是“价格弹性”（Price Elasticity）吗？说到底就是在讲这个。

如果你让做某件事变得更便宜、更容易，你要么会花更少的钱做同样的事，要么花同样的钱做更多的事；或者，如果你的投资回报率（ROI）彻底变了，你甚至会投入更多的钱去做更多的事——这正是我们在金融服务业看到的现象。电子表格（Spreadsheets）的出现并没有导致金融从业者数量暴跌，恰恰相反，金融从业者变多了，因为现在可以处理大量以前做不到的新业务。

想想看，如果做一次现金流折现分析（DCF）需要一周，你会做几次？你只做一次就完事了。但如果只需要10分钟就能做20次，那你就会做很多次。这就引出了我的观点：关于技术采用的参差不齐（The Jaggedness of Adoption）与模型能力的参差不齐。

有个老生常谈的例子，大家都爱引用马克·安德森（Mark Andreessen）的名言“软件正在吞噬世界”，比如Uber和Airbnb。Uber并没有卖软件给出租车公司，Airbnb也没卖软件给酒店；它们改变了“酒店”这个词本身的定义。好吧，再去看看市场份额。在很多城市，Uber基本上摧毁了传统出租车行业，同时也释放了巨大的新需求。比如在纽约，Uber现在的日订单量大概是以前黄色出租车的两三倍，而黄色出租车的份额跌了大概四分之三。这只是大概的数字。再看看酒店业。

好吧，酒店业可能放缓了，也可能还在增长。Airbnb主要是一种增量补充。

如果你深入挖掘原因，答案是“视情况而定”。我记得有人在社交媒体上吐槽：“本尼迪克特（Benedict）这人有个毛病，他的答案永远是看情况（It depends）。”好吧，说得对，谢谢你的关注。但确实就是看情况。

软件会彻底改变酒店和出租车行业吗？是的。改变程度如何？这就是完全不同的两码事了。比如我的未婚妻去美国中西部出差，晚上九点落地，第二天早上八点要见客户。她需要健身房、客房服务、冰箱、浴缸。这种情况下，她绝对、完全、百分之百不会去住Airbnb。

而商务旅行占据了酒店业务的半壁江山。你可以举出无数类似的例子。为什么互联网对消费电子产品销售的影响远大于对高级时装的影响？这也是“看情况”。

这正是我对人们试图给职业计算“AI暴露度”（AI Exposure）分数的异议所在。这种做法在大方向上可能是对的，直觉上，某些职业确实比其他职业更容易受到AI影响。

Matt Turk： 我们讨论的是GDP产值，还是那一类……

Benedict Evans： 关于基准测试（Benchmarks）之类的东西，大方向上可能没错。但这就像你在 1997 年分析互联网时的大方向也是对的一样——大部分结论在当下看或许成立，但你得忽略具体数字。非要纠结这个数值是 96.5，那个是 78，这就太荒谬了。

哪怕当时你的大方向是对的，你也无法从那份分析中推导出一个 Uber。当时的你会说：“出租车司机？互联网能怎么改变他们？显然这行没戏。”

Matt Turk： 也许你会说报纸行业会被改变。

Benedict Evans： 哪怕是马后炮来看，但在当时，报纸行业看着互联网，觉得“这简直太棒了”。还记得 AOL 和时代华纳（Time Warner）的那个并购案吗？AOL 为什么要买时代华纳？为了那一堆现在已经消失的杂志。当然也有华纳的因素，但正如你所知，当时人们根本没真正理解互联网会对媒体行业做什么。

事后看就很明显，互联网对地方性报纸的影响与对迪士尼的影响完全不同。迪士尼活得好好的，地方报纸却消失了。现在回过头看，真正发生的是：实体资产与底层产品解绑了（Unbundling）。如果不被颠覆的护城河是建立在拥有实体资产上，而这些资产突然变得无关紧要，那整个商业模式就彻底崩塌了。

你可以用这种视角去审视 Airbnb 和 Uber，尽管这两者的结局截然不同。再把 Uber 的例子放到今天，你可以评估说：“健身教练应该没事”。真的吗？我在房间里架起手机，打开摄像头的 AI 对着我练。我还需要教练吗？也许行不通，也许行。

问题在于，你无法在那么细的颗粒度上预知未来。你能做的只是进行一种思想实验，用一种测试方法去审视某个领域，问自己：这个领域真的存在痛点吗？这个问题真的存在吗？

我们是否正走向“先破坏，后创造”？

Matt Turk： 但是你认为，就像互联网初期发生的那样，我们是否需要先经历一个价值破坏（Destruction）的阶段，然后才能弄清楚方向？

Benedict Evans： 很多公司会倒闭吗？是的。我上次可能提到过那本关于泡沫历史的经典著作《这次不一样》（This Time It’s Different）。书名有双重含义：在泡沫中，人们总说“这次不一样，这不是泡沫”，他们错了；但当他们说“不一样”时，某种程度上也是对的。比如互联网泡沫（Dot-com bubble）确实不同于以往的任何泡沫。

现在的状况也显然不同于互联网泡沫。我们没有大批无利润的消费级公司上市，甚至根本没有 IPO。这也不是由散户在二级市场投机驱动的，除了其他因素外，甚至不是主要靠风投支撑的。但这仍然可能是一个泡沫。

一个平淡的观察：我们过度投资了吗？当然。很多投资会打水漂吗？当然。这就是事情运作的方式。但具体的“焦土深坑”在哪里？这很难说。你可以看看那些新兴云服务商（Neoclouds）或者 Oracle，你可以说高杠杆通常没有好下场。但我已经不做股票分析师 20 年了，这不是投资建议。

但是，你应该确定地回头看看互联网和移动时代的历程，列一个“失败清单”。看看那些曾经被大肆炒作、看似酷炫的概念、公司和缩写词，最后都不了了之。现在人们做的很多东西当然也会失败。这就是世界运作的方式，也是创新运作的方式。会有大量的创造，但其中大部分最终都不会成为那个“正确答案”。

循环收入、杠杆与 AI 泡沫的动力学

记得 Hunter Walk 曾说过，硅谷的钱就像那种小的橡胶弹力球。扔进房间里乱跳，总有一群人因为球在对的时间砸中了他们而发财。就像那个在 Meta 收购 WhatsApp 前两天加入的人。这人运气不错，但这不代表什么。

Matt Turk： 深入探讨一下，你说我们处于“97 年”，是指我们在“摸索方向”这个层面上。但这种类比是否也意味着，“99 年”（泡沫破裂）也不远了？

Benedict Evans： 泡沫是无法预测的。有个笑话是经济学家成功预测了过去 5 次衰退中的 10 次。你无法把握时机，如果能，我们就在另一个平行宇宙了。如果现在不是泡沫，将来也会是。有些公司注定会结局惨淡，你甚至能猜到大概是哪些领域。人们当然会紧张。但你不知道具体是谁，也不知道时间点。你确切知道的是：我们拥有一项影响巨大的技术，正是它驱动了所有的超额收益（Alpha），也带来了所有的不确定性。

科技巨头的万亿资本支出危机与财务引力

Matt Turk： 回到科技巨头，比如你提到的 Oracle。这既是一场赌博，但对于像 Oracle 这样的老牌巨头来说，利用旧业务转型新事物，不也是一种合理的逻辑吗？

Benedict Evans： 在泡沫中，几乎每个人基于自己的处境，都是理性的行动者。

如果你是 Sam Altman，你手握的是一种通用大宗商品般的技术（Commodity Technology）。你的竞争对手拥有庞大的存量现金流。你没有自己的基础设施，也没什么真正的护城河，但你拥有巨大的用户心智（Mind Share）。你会怎么做？你会试图用这种声望去交换硬资产，通过游说达成自我实现的预言。你会试图把那 9 亿粘性不高的周活用户转化成更具体、更实在的东西。

如果你是 Larry Ellison，你有非常赚钱的传统业务，但已经处于结构性衰退中长达 25 年了。YC（Y Combinator）出来的创业者几乎没人听过 Oracle，字面意义上的没人听过。大概从 1998 年起就没人邀请你去参加科技圈的派对了。

Benedict Evans： 那么当这个新机会出现时，你会怎么做？你会双手紧抓，哪怕烧钱也要冲进去。NVIDIA 也是一样。我看过去年的数据，NVIDIA 过去12个月的自由现金流超过 700 亿美元。

他们恨不得把钱硬塞给台积电（TSMC），但台积电不敢接这么快。台积电会说：“老兄，这是个周期性行业，回去歇着吧。我们今年不可能把产能翻三倍。”ASML 的光刻机也发货不及。

那么你会怎么处理这 700 亿、800 亿甚至 900 亿美元？是存起来付账单，还是投入到基础设施建设、建立市场地位、抢占市场份额、构建生态系统中去？

Matt Turk： ……包括在那些循环交易(Circular Deals)中。

Benedict Evans： 我这把年纪还记得这以前叫“供应商融资(Vendor Financing)”。原则上，只要你公开披露并且不隐瞒资金来源，供应商融资并没有错。但这本质上是杠杆(Leverage)。在行情上涨时，杠杆总是好用的。现在市场上充斥着各种形式的杠杆，无论是特殊目的实体(SPVs)、循环收入(Circular Revenue)还是以此类推的东西。归根结底都是杠杆。杠杆这东西，在暴雷之前总是有效的。而一旦它失灵，你就大祸临头了。

Matt Turk： 同样是拿互联网泡沫由于互联网崩盘与今天做对比，你是否从“和平红利(Peace Dividends)”这个概念中得到一些慰藉？即认为这一切最终会对经济产生有益的影响？

Benedict Evans： 这一次与过去所有的平台转型(Platform Shift)有着本质区别。我不厌其烦地解释平台转型是如何运作的，以及过去五次转型发生了什么。但这一次有一点毫无疑问是不同的：在以往所有的平台转型中，我们都知道科学的物理极限在哪里。我们知道它是如何运作的，知道它能实现什么，以及下个月可能发生什么。

比如，你可能不知道 iPhone 3 或 4 具体长什么样，但你知道它绝不可能飞起来，电池续航也不可能达到一年。1997 年时你确实不知道互联网会如何演变，但你很清楚电信公司不可能下周就给全球用户通上光纤。

然而对于大语言模型(LLMs)，我们并不真正知道其演进的物理极限。也许下周会有篇论文说，用 1% 的算力(Compute)就能达到差不多的结果。这听起来可能很傻，或者是 10% 的算力，我们真的不知道。而在芯片领域，你确信没人会发表论文说可以用 1% 的晶体管实现同样的算力。但现在我们不知道这些物理极限，因此，我们也不知道可能导致价格崩盘的参数边界在哪里。

目前的情况恰恰相反，我们不断发明消耗 10 倍 Token 的新方法。于是有了推理模型(Reasoning Models)，然后有了智能体(Agents)。这很好，现在的 Token 消耗量是以前的 100 倍。有趣的是，预测 Token 用量，对我来说，就像身处 90 年代末预测带宽消耗一样。这个指标确实存在，但这就好比在 2003 年说“YouTube 的带宽使用量每月翻一番”。听起来不错，但这背后有五六个不同的乘数在起作用，而你对其中任何一个都缺乏真正的了解。

现在的 AI 资本支出(CapEx)也是同理。用量在涨，而且是由多种乘数推动的：更多用户、更高频次、推理任务、视频生成、智能体、企业应用、代码生成以及全天候运行等等。所以，当我们说“Token 变多了”到底意味着什么？

此外还有效率提升。纳德拉(Satya Nadella)说推理成本每三个月减半。很好，这在降低成本。但你不得不追逐下一个模型，而下一个模型总是更大、更贵。你现在的模型一旦新一代问世，六个月内就会变得无关紧要。这就像在追逐一个不断移动的前沿阵地(Frontier)。

与此同时，正如我们年初所说，Meta 今年声称要将超过 50% 的营收（注意不是利润或现金，是营收）投入资本支出。谷歌和微软也不遑多让。但这不可能无限翻倍，他们明年不可能把 100% 的营收都投进去。而且这还没算上他们已经借贷的资金和租赁项目。如果算上租赁等隐形支出，实际的资本支出还要高出两位数的百分比。

所以在某个点上存在一种“财务引力(Financial Gravity)”，即他们无法以如此高的速度继续增加投入。明年不可能达到每年 2 万亿美元，这也许是我们唯一的硬性财务极限。这就是一个限制发展的“信封”。这就回到了我们之前谈到的寡头垄断观点：我们是否会达到一个终局，由四家公司每年各砸 2500 亿到 5000 亿美元来建设和维护这些设施？芯片的寿命又是多久？

我们是否会发展到整个行业每年在基础设施上集体烧掉 1 到 2 万亿美元，而最终只能赚取微薄的边际成本？

Benedict Evans： 那么这之上会诞生什么呢？这就引出了一些非常模糊的潜在市场规模(TAM)问题。Sam Altman 和黄仁勋(Jensen)声称 TAM 是全球 GDP。不不不，甚至比全球 GDP 还要大。全球 GDP 大约是 70 到 80 万亿美元。意思是我们要创造双倍的 GDP？其中 5% 归 Sam，5% 归黄仁勋，还有一部分给 ASML。太好了，谢谢。

为什么 AI 职业暴露率图表可能具有误导性

Matt Turk： 这些数字中存在一个巨大的谬误，显然这不仅仅是软件的 TAM，而是涵盖了整个经济的服务。我认为，“AI 的定价可以等同于人类劳动者的价格”这一想法，在我看来是不对的。

Benedict Evans： 是的。从微观角度来看，这又回到了那个经典的 GDP 估值笑话：一位纽约金融学教授试图给 Uber 估值，他说“这是出租车行业的 TAM，所以这就是 Uber 的 TAM”。不，那不是 Uber 的 TAM，Uber 的市场是完全不同的东西。

再看广告业，数字广告的 TAM 必需包含零售租金、物流运输，基本上还得包含零售商的利润（通常占零售额的 50%）。所以，数字广告的 TAM 并不是“广告”，而是其他东西。

至于 GDP 增长，除非你非常异想天开，否则很难相信我们会从目前的个位数低增长突然跃升至两位数增长。那就是完全另一回事了。

关于人力替代的问题，回顾工业革命的学术讨论，你会发现一个规律：自动化总是发生在劳动力昂贵的地方。如果人工很便宜，何必费劲去搞自动化呢？

我前几周读了一本关于 30 年代意大利南部的书。那里整个省只有一辆车。有人问：“为什么不用车来运东西呢？”答案是：因为人是免费的。你只需要叫一个农民（那时还是佃农社会），让他走八个小时去镇上取东西，再走八个小时回来就行了。

主持人： 是的。

Benedict Evans： 而且你甚至不需要付钱给他们。既然如此，你为什么要买车呢？这是最基础的、经济学大一新生的入门级答案：自动化相对于人力必须具备投资回报率 (ROI)。然后我们又回到了价格弹性 (Price Elasticity) 的观点上。

对我而言，我有一张列了三个要点的幻灯片。一位朋友曾调侃道：“Benedict，你说话就像在放幻灯片”，这大概是真的。

第一步是：好吧，如果你让做某件事变得更便宜、更容易，你是花更少的钱做同样的事，还是花更多的钱、雇更多的人去做更多的事？

第二步是：你那“满大楼的人在做这件事”的现状，真的是你的护城河 (Moat) 吗？人们经常举的例子是医疗保险。我想有人说过，现在“争论的边际成本 (Marginal Cost)”已经是零了。所以，如果你的商业模式是建立在“让这件事变得极其痛苦和困难”之上，而突然间它不再痛苦和困难了，那这个所谓的“困难”真的是你的竞争壁垒吗？

但对我来说，有趣的部分是第三步，那就是有一大类事情是你以前根本做不了的。回到关于杰文斯悖论 (Jevons Paradox) 和蒸汽机的讨论。想象一下，如果你想在1800年建造一辆从伦敦到苏格兰的特快列车。且不说你没有钢铁，无法大规模生产铁，也无法铺设铁轨。哪怕假设你能造出这一切，但你没有蒸汽机。你不可能买一万匹马，把它们拴在火车前面，让马匹拉着你的火车去苏格兰；无论你有多少匹马，这事儿你都做不成。

同样的，现在有很多业务，无论你拥有多少人力，都无法仅靠人来完成。即便你能付得起那么多人的工资，你也无法用1万人来替代一台电脑去运营一家量化基金 (Quant Fund)，这是人力做不到的。

很多年前，我想有人说过（我不记得是谁了）：“某样东西变得非常便宜”和“某样东西变得真正免费”之间存在巨大的差异。 这就像当年互联网带宽发生的情况，后来移动带宽也经历了同样的过程。这又要回到那个问题：你是用新工具重复旧的模式，还是用新工具创造全新的范式？ 这是一个对你问题的迂回回答。但是，我们将让人们用人工智能 (AI) 做一些“并不是为了替代人”的事情。

它会做一件本来可能需要一百万人才能完成的事情，这就是所有自动化技术带来的结果。蒸汽机是这样，电力是这样，飞机、钢铁以及其他一切都是这样。你看，你做的事情并不是“相当于拥有了100匹或1000匹马力”，而是你做了一件无论拥有多少匹马都无法做到的事。

所以，是的，没错。但我不是学术经济学家，不过有一句著名的格言：“你可以在任何地方看到计算机革命，唯独在生产力统计数据中找不到。” 然后你就会陷入关于“生产力统计数据中到底包含了什么”的争论。

而且，从“购买40个价值数千美元的设备”切换到“购买这一台设备”，这在数据上表现为GDP的下降。所有这些事情都存在衡量问题和指标问题。但回到核心问题：你会用AI取代麦肯锡 (McKinsey) 吗？这就好比在问：你会用电子表格 (Spreadsheets) 取代普华永道 (PwC) 或毕马威 (KPMG) 吗？

这种思维方式有点偏差。因为一方面，你会看到价格弹性；另一方面，如果你问这个问题，这恰恰说明你其实根本不了解麦肯锡到底是做什么的。我曾犯了个错误，在LinkedIn上回复了一个谈论此话题的人。他们说：“但你看，上市的咨询公司股价已经崩盘了，虽然它们很多是合伙制，但你看 Booze Allen 的股价已经崩了。”

好吧，需要我解释为什么 Booz Allen 的股价在特朗普宣誓就职后会暴跌吗？那和AI毫无关系，那是完全另一码事。

我当时想深入研究一下会计行业的情况。过去自动化对会计做了什么？我决定去查查看审计成本。结果发现，你可以找到自《萨班斯-奥克斯利法案》 (Sarbanes-Oxley Act) 以来的平均审计成本图表，尽管软件行业发生了翻天覆地的变化，但自2000年代初以来，平均审计成本基本持平，没有变化。

然后我继续深挖，看看70年代和80年代审计成本发生了什么。你会看到大量的50页长的学术报告，提到了各种改变审计成本及审计行业的因素。但没有一份提到计算机。有700多件事在改变审计工作方式，但没有一件是因为计算机。

我突然意识到，这种情况似乎适用于每个行业。大概两年前我参加了一个活动，听 Martin Sorrell 演讲（WPP创始人，全球最大的广告网络之一）。他在谈论AI。他说：“不，不，AI的巨大影响不是制作更多的广告素材。AI的巨大影响在于，实际上每家大型广告公司都有满大楼的人在做非常非常无聊的琐事，用电子表格和传真机，或者几乎是字面意义上的‘把广告上传到Facebook’这种事。”

AI在广告行业的巨大影响之一在于中后台运营，而不是那些如果你不了解广告业就会以为的“它会生成更多图片”。是的，它会生成图片，但真正的大头是后台那些忙着处理文书工作的人。

我认为这一点适用于每个行业。当你站在行外看，你会觉得：“哦，这就是那个意思，AI会把那些做了”。但如果你身在其中，你会说：“不不不，真正要改的是这里，还有这里”。那些显而易见的部分反而不是难点。

财富500强高管如今实际部署AI的情况

Matt Turk： 是的。作为你咨询和公开演讲工作的一部分，你与许多大公司打过交道。你对整体情绪有什么看法？大家是不是比以前更迷茫了？其中一些认知是否开始深入人心？你看到他们在做什么？

Benedict Evans： 我绝对不会说“迷茫” (bewildered)。我是说，至少不像科技圈的人那么迷茫。而且，正如著名赛车手 Mario Andretti 的那句名言：“若你觉得一切尽在掌控，只能说明你的速度还不够快。” 如果你觉得自己完全搞懂了，那你肯定没用心看。

我最近看到一位著名的物理学教授说过：“我将通过八周的课程教你们量子力学。今天，我不懂量子力学；在这门课结束时，你们也不会懂量子力学。”这也绝对适用于广告技术领域，但这就像那个“石勒苏益格-荷尔斯泰因问题” (Schleswig-Holstein Question) 的笑话。

哦，“石勒苏益格-荷尔斯泰因问题”，这是19世纪一个著名的复杂地缘政治问题。我想帕默斯顿勋爵 (Lord Palmerston) 曾说过，只有三个人真正理解它：一位发疯的德国教授，一位已经去世的俾斯麦的副手，还有我自己——但我已经忘记了。好吧，这段你可以剪掉。

关键在于，没有人真正知道答案，比如“这会不会通向通用人工智能 (AGI)？”或者“明年会发生什么？”。但是每个人都已经部署了一堆东西。每个人都部署了 Copilot，然后发现：“哦，好吧，效果不是很理想。”这就像在1997年给每个人连上互联网，然后说：“给你，快去提高生产力吧。”但这在当时并没有真的奏效。

现在每个人都有一堆试点项目 (Pilots)。其中一些已经投入生产环境，有些还没有；有些成功了，有些没成。每个人都在挠头思考：“好吧，接下来该做什么？”

我认为这肯定有一个认知曲线。比如，我与一些特定行业的公司交流。在我上台前，他们给我的简报是：“听着，在座的每个人都记得当年大家是怎么吹嘘无人机 (Drones) 将彻底改变保险业的。”

所以我们需要明确，这次不一样，不是那种炒作，这次更真实。有些企业正处于这个认知阶段，这也反映了要弄清楚如何使用一个“非确定性系统” (Non-deterministic system) 有多难。律师们大概处于中间位置。显然，AI很有用，但也非常容易因为它而翻车。

但也有些企业处于曲线的前沿，他们的态度更像是：“好吧，就这？”比如，去年夏天我与一位大型零售商的首席营销官 (CMO) 聊过，他们说：“好吧，我们都上线了评论摘要功能。我们搞了个客服聊天机器人，然后把它下线了，因为它简直是个灾难，也许以后我们会弄个不那么糟糕的上线。我们还有了自然语言搜索功能。” 所以你可以问：“野餐买什么好？”——这是沃尔玛那个经典的用例。他们有评论摘要，正在进行商品SKU智能打标 (SKU tagging) 项目，营销团队也正在使用它。而在公司内部深处，他们还有大约八个不同的项目在自动化那些晦涩的后端事务。

像沃尔玛这样的公司会说：“就像很多人一样，我们自80年代以来一直在做机器学习。我们一直都在做这类相关的事情。这只是以前工作的延续和增加。我们有一个庞大的技术组织。”

我常回到那个我惯用的分析框架，那就是：我认为如今许多行业都已经在这条路上走得很远了——即利用这项技术把我们已经在做的事情做得更好。也许我们还能看到一些以前做不到，或者以前效果不佳但现在却能行得通的事。

不久前，我参加了一个物流会议，他们提到仓库人员只需用手机对准托盘上的一堆箱子，就能一次性识别出所有的条形码。你会想，“嗯，不错”，然后你意识到，这大概每天能节省一小时。所以，现在有很多这类零散的单点解决方案 (Point Solutions) 正在被部署。

留白领域 (The White Space)：这对创始人与投资人意味着什么

我认为更难理解的仍然是：那些“全新的事物” (New New Things) 究竟是什么？ 根本性的变革会是什么样子？这不同于“太好了，我们现在把产品目录做成 PDF 挂在网站上了”那种仅仅是数字化的改变。我认为科技界也没人真正知道答案。大家仍在摸索，这也正是为什么，像红杉资本 (Sequoia) 和科斯拉创投 (Khosla) 在上周都发布了某种“二维矩阵图”，试图提出建议：我们该用什么维度的坐标轴？有哪些有效的思考方式？

Matt Turk：  是的，我正想问你，这最终对 AI 的建设者和初创公司意味着什么？这是否意味着一切依然极具流动性且尚无定论，因此在不同的地方都存在着机会洼地？

Benedict Evans：  吊诡的是，对于建设者来说，答案其实超级简单。回想一下 Frame.io（你们投资了这家公司），还有 Ed。当时我在 a16z，我参与了那场演示，虽然我们没投，事后我可以告诉你原因。原则上，在过去十年的任何时候，你都可以有这个想法。当然，有些技术实现可能行不通，比如在浏览器中运行可能会受阻，但它本质上就是视频领域的 Google Docs。

抛开在浏览器中处理这类视频的技术难度不谈，理论上，你在 2010 年就可以做这件事。大多数 SaaS 公司本质上都是数据库封装 (Database Wrappers)：有人意识到这里有个问题，有一群人面临这个问题，并找到了一种将其“旋转 90 度”（换个切入视角）的方法。这就是你的切入点，是你构建产品并推向市场的方式。其中最难的部分不是写一堆 SQL 查询语句或者在 AWS 上建几个数据库表。写软件的难点从来不在于写代码，而在于代码之外的所有事情：代码应该做什么？如何让人们去使用它？如何定价？如何进入市场？该卖给市场的哪个细分领域？这些才是难点。

我不认为这点有任何改变。唯一的区别在于，现在一方面构建软件变快了、变便宜了、也容易多了；而在另一方面，以前软件做不到的一大类事情，现在可以做到了。

我记得当我研究机器学习时，它还被称作“AI”。我想我上次也说过，这是一个演变过程：技术只有在它还是新鲜事物时，才会被称为 AI。这就像“科技”这个词，十年后它就不再是“科技”，而是生活的一部分了。重点是，机器学习最初是以图像识别的形式出现的，比如 ImageNet 的成功。我会把这个展示给德国的再保险公司看，他们会说：“这很棒，但我们要图像干嘛？也许能做车损评估，但那不是我们的主业。”人们花了很长时间才明白，这其实是**模式识别 (Pattern Recognition)**。一旦你能将其概念化为模式识别，思路就打开了：我们还可以把什么转化为模式识别问题？当然，也有人把非图像识别的问题硬套上图像识别的方法，但原则上，你必须思考：理解这项技术的最佳抽象层级是什么？

现在的生成式人工智能 (Generative AI) 也是如此。我觉得我们还没完全搞清楚它到底是什么。所以我以前常说，AI 给你提供了“**无限的实习生 (Infinite Interns)**”。或者，它是初级经理 (Associates)？是自动化？是人类进化的下一阶段？还是别的什么？这些答案都不完全准确，但你希望它们能作为一种思维工具，指引你去哪里寻找机会。

作为建设者，我觉得做一个有趣的分析会很有意思：有多少创业者是外出“寻找”机会的，又有多少是从“看到”问题开始的？当然，有些创业者说：“我想创业，我要去寻找某个方向”；也有人说：“我相信移动互联网是趋势，我相信 AI 或机器学习是趋势，我要找找能用它做点什么”；还有一类人是：“在我过去十年的生活中，我一直极度渴望解决这个行业里的这个问题。”我怀疑正是这第三类人创造了最好的结果。这会是个有趣的分析。

是的，你可以拿起 AI 这把锤子四处敲打，看什么都像钉子；你也可以从另一端出发思考：“现在，我终于可以解决那个问题了，或者我可以把这个问题转化为一个机器学习问题了。”我想，正确的答案可能是：这两种路径都能诞生伟大的公司。

Matt Turk：  好了，无论如何，这个话题太迷人了，我们真的可以字面意义上地聊上好几个小时。非常喜欢我们的对话，感谢你再次做客 Mad Pod，期待下一次的交流。再见，谢谢。

参考资料: https://www.youtube.com/watch?v=jH2ZIUKvazU，公开发表于2026年03月19日

关注公众号后设🌟标，掌握第一手AI新动态

btw：如果您对AI一线动态、AI产品构建及转型感兴趣，并愿意和小伙伴们分享互动，欢迎加入瓜哥交流学习群参与讨论（联系瓜哥wx： southmelon，注明：所在行业、申请入群原因），群内定期分享瓜哥手搓Agent整理的全球AI动态内参～

访问ima瓜哥AI知识库，一键查询AI业界大佬观点：点击瓜哥公众号头像->“服务”菜单->知识库。加入后在腾讯ima.copilot APP可随时@查询。