夜雨聆风当全网都在喊AI颠覆一切时，有个扎心的判断正在戳破泡沫——我们距离真正的AI落地，其实只跑通了智能代理编码这一条赛道，剩下90%的场景仍在迷雾里。
本文来自a16z旗下The a16z Show播客，对话嘉宾是科技行业资深分析师Benedict Evans。
1. 唯一跑通的AI落地赛道：智能代理编码
一年半前Evans的《AI Eats the World》演讲曾引发行业热议，当时大家还在讨论AI的可能性边界。如今一年过去，赛道已经出现了明确的分水岭。
播客中披露的一组数据印证了这一点：Anthropic的年度运行率从去年底的90亿美元跃升至470亿美元，所有增量都来自软件领域的需求。而这背后的核心驱动力，正是智能代理编码。
Evans在对话中直言：“OpenAI当年尝试全品类布局，从广告到电商再到社交，最终还是回到了编码赛道，因为只有这里真正跑通了商业化。”这意味着，AI的商业化落地目前还没有找到比代码开发更成熟的路径。
但这个单点突破也带来了新的行业矛盾：当前的算力供需已经出现明显紧张，定价失衡的问题开始显现。更值得注意的是，AI的消费者日常场景仍未跑通，日活用户仅占总用户的10%，和硅谷极客的高使用量存在明显鸿沟。
2. 对标三次技术浪潮：现在的AI只是1998年的互联网？
Evans习惯用历史类比拆解科技趋势，这次他把当前的AI阶段和三个标志性时期做了对标。
他将当下类比为1970-80年代的PC早期：人们最初用PC制造更多计算机；也像1997-1998年的互联网初期，技术兴奋但落地方向模糊；还类似移动互联网初期，早期用户需要大量调试成本，后续才成为日常工具。
他打了个比方：“现在的AI就像1998年的互联网，所有人都在讨论它的好，但没人知道真正的杀手应用会是什么，直到后来才慢慢浮现。”这个类比点透了当前行业的核心矛盾：技术已经成熟，但落地场景仍在探索中。
对话中还提到了2009-2010年的移动数据危机作为警示：当时用户出现高额数据账单、网络过载，运营商投入大量资本建设基础设施，但最终并未捕获大部分行业价值，利润被苹果、谷歌等上层应用厂商拿走。
你有没有想过，现在的大模型厂商会不会重蹈当年移动运营商的覆辙，赚着辛苦的基础设施钱，却让上层应用厂商拿走大部分利润？
3. 大模型没有护城河：最终会沦为标准化基础设施
很多人认为大模型厂商会成为下一个谷歌或苹果，但Evans的判断截然相反。
他明确指出，基础模型很难形成类似iOS/安卓、谷歌搜索的网络效应。不同模型之间仅存在使用偏好差异，没有根本性的功能区别，核心差异仅在于研发投入的多少。
“iOS和安卓的网络效应来自生态，而大模型之间的差异只是参数和训练数据，用户不会因为用了GPT-4就绑定某家公司，换个模型只要成本合适就行。”他补充道。这直接推翻了“大模型厂商会成为下一个科技巨头”的行业共识。
纯聊天交互的UI也存在天然局限，多数场景需要配套定制化工具、数据适配和专业界面。基础模型厂商也无法覆盖所有上层应用的开发需求，类似微软无法包揽所有Windows应用。
最终，基础模型的长期定位，更像半导体或移动运营商，而非掌握生态的苹果。其定价权将弱于上层应用厂商，当前的算力供需失衡是暂时的，未来会随着技术效率提升、新玩家入场达到新的均衡，可能出现多家基础模型厂商竞争，定价回归边际成本。
4. 落地难题早已不是技术：行业专属壁垒才是关键
目前除了编码领域，其他行业的AI落地大多还是单点解决方案。比如大宗商品公司用LLM优化现金流预测，解决中小供应商回款不确定的行业痛点。
Evans提到，AI的落地影响会从技术层面转向各行业的专属问题。比如AI对影视行业的影响是好莱坞的内容策略问题，对律所的影响是法律行业的业务结构问题，而非单纯的技术迭代。
“专业服务行业的金字塔结构会被重构，初级员工的基础工作会被自动化，但具体影响只有行业内的人才能说清，外部观察者根本摸不透细节。”他补充道。这意味着AI对传统行业的改造，不会是一蹴而就的标准化流程，而是要深入每个行业的专属规则。
和过往技术浪潮不同，当前我们无法明确AI的物理极限：比如模型的研发成本、性能提升速度、价格变化都没有明确的上限，而PC、移动互联网都有清晰的成本和性能边界。这也让AI的长期趋势变得更加难以预判。
5. 重构软件底层逻辑：两种新架构正在成型
AI会大幅降低软件开发的成本和周期，催生更多软件产品，SaaS行业将迎来新的增长，但也会有大量现有SaaS公司被淘汰，目前无法预判哪些玩家能够存活。
对话中提到了两种主流的软件架构思路：一种是底层嵌入型，将LLM作为现有企业软件（如Salesforce）的内置功能，辅助完成特定任务；另一种是顶层整合型，用LLM整合多系统数据，完成之前无法实现的跨平台分析。
Evans解释道：“LLM不会取代现有的企业软件，而是会填补Excel和专业系统之间的模糊地带，成为工具箱里的新工具。”这个定位清晰了AI在软件行业的角色：不是颠覆者，而是赋能者。
两种模式各有适用场景，LLM将成为企业软件工具箱中的新选项，重新定义软件行业的协作逻辑。AI将大幅降低软件开发门槛，但也会让软件行业的洗牌速度远超以往。
6. 算力热潮的泡沫：短期失衡，长期回归理性
当前谷歌、Meta等大厂的资本开支占营收比例达到50%，远超电信行业的15%-20%，当前的算力供需存在明显失衡。但长期来看，资本开支会受物理和资金上限限制，最终会放缓增长。
早期存在大量低效的AI使用，比如用最贵的模型进行无关测试，后续会回归合理的投资回报率。AI带来的效率提升会被竞争抵消：比如原本一周的分析工作现在一天完成，企业会承接更多分析任务，但收费不会明显提升，最终效率红利会转化为消费者剩余。
Evans提醒：“如果基础模型厂商只聚焦提升软件开发效率，赛道天花板其实很有限，必须找到软件以外的落地场景，才能突破增长瓶颈。”这为当前扎堆做基础模型的厂商指出了长期增长的方向。
当前基础模型厂商的募资热潮短期存在，但长期来看若仅聚焦软件开发效率提升，赛道增长空间有限。当前的算力投资热潮只是短期现象，长期会受物理和资金上限限制回归理性。
7. 别被热潮冲昏头：AI的未来没人能精准预判
整个对话的核心其实是提醒所有人，不要被当下的AI热潮冲昏头脑。技术浪潮的初期都充满高度不确定性，当你认为已经完全理解某个技术趋势时，就应该转向探索新的未知领域。
Evans最后说：“过往的PC、互联网、移动互联网，都曾让绝大多数人预判错最终的形态，AI也不会例外。”
最终AI会像现在的电脑、手机一样，成为人们习以为常的基础设施，二十年后人们会感慨“计算机本来就该做到这些”。
觉得这篇内容帮你理清了AI的真实进度，欢迎点赞、在看或转发给身边关注科技的朋友。
