夜雨聆风
目录
从“有点用”到“改变一切”的编码智能体 编码为何成为第一个爆点？ OpenAI 的战略摇摆与 Anthropic 的“专注” 移动数据危机与 AI 定价的“历史重演” 基础模型是商品还是操作系统？ 资本支出的“天文数字”：我们能花掉 10 万亿美元吗？ 从“自动化旧任务”到“创造新可能” 软件行业的未来：更多软件，更多竞争 总结
开场：从“有点用”到“改变一切”的编码智能体
“智能体编码从有点用处发展到彻底改变了一切。那将会是一场盛宴。20 年后，我们只会说：‘哦，当然是这样。电脑一直都是这么做的。’”
这是 Benedict Evans 在 a16z 播客中给出的核心判断。他用一个极具画面感的预言，为整场对话定调——我们正在经历的不是渐进式改进，而是一次认知范式的断裂。
Evans 是前 a16z 合伙人，也是业内阅读量最高的科技通讯《人工智能背后的思维吞噬世界》的作者。在这次对话中，他回顾了过去一年半 AI 领域的重大变化，并试图回答一个悬而未决的问题：当模型越来越强，真正的价值到底在哪里？
编码为何成为第一个爆点？
“软件开发人员将尝试开发哪些软件？……LLM 就是计算机，人们使用 LLM 做的第一件事就是进行更多计算。”
Evans 把当前阶段比作 70 年代末的个人电脑革命。当时人们买 PC 做的第一件事是什么？制造更多电脑。 今天的 LLM 也是同样的逻辑——第一批重度用户是程序员，他们用 AI 写代码，本质上是在“用计算生产更多计算”。
这个洞察看似简单，实则揭示了 AI 落地的核心路径：技术总是先被最懂它的人用来解决自己最痛的问题。 程序员既是 AI 的创造者，也是第一批“吃狗粮”的人。当编码智能体从“有点用”变成“改变一切”，它验证了一个关键假设——产品市场契合度（Product-Market Fit）是可以被用户“从你手中夺走产品”来证明的。
但 Evans 也泼了一盆冷水：我们其实什么都没学到。
“六个月前，这种方法行不通。大家都在手忙脚乱地试图弄明白它的意思。……这一切要稳定下来还需要几年时间。即便没有其他原因，价格也是一个重要因素，因为供需之间存在巨大的差距。”
Evans 在这里点出了一个反直觉的事实——成功并不等于理解。 编码智能体确实火了，但没人能准确预测它何时发生、为何首先发生在编码领域。这意味着，那些声称“早就知道”的人，可能只是在事后诸葛亮。真正的挑战在于：当一种技术以非线性的方式突破时，我们的战略规划能力是失效的。
OpenAI 的战略摇摆与 Anthropic 的“专注”
“去年下半年，他们的问题问得对——‘模型就是模型，但除此之外还有什么呢？我们该如何让人们利用这个做其他事情呢？’……然后，由于筹集的资金较少，Anthropic 表示：‘不，我们将专注于编程。’他们成功实现了代码编写功能。这究竟是刻意为之的策略，还是偶然为之？”
Evans 用近乎调侃的语气，描述了 OpenAI 和 Anthropic 的战略分化。OpenAI 试图“一次性推出所有内容”，而 Anthropic 则选择聚焦编码。结果是：Anthropic 在编码领域取得了阶段性胜利，而 OpenAI 仍在寻找“模型之外”的价值。
这里隐藏着一个深刻的战略悖论。资源充裕的公司容易陷入“什么都想做”的陷阱，而资源受限的公司反而被迫做出最犀利的取舍。 但 Evans 没有给出结论——他提醒我们，这可能是偶然，也可能是刻意，而答案只有内部人才知道。对于观察者来说，更重要的不是评判谁对谁错，而是理解：在技术早期，战略的“正确性”往往只能事后追溯。
移动数据危机与 AI 定价的“历史重演”
“我们现在的情况很像移动数据危机，只不过不是像 2009 年或 2010 年那样，人们突然收到 5000 到 10000 美元的数据账单……网络运营商不得不争先恐后地调整成本曲线，使定价系统与底层成本和感知价值保持一致。”
Evans 用移动数据的历史类比，揭示了 AI 定价的深层困境。当年 AT&T 推出 iPhone 时采用固定流量套餐，结果用户大量使用 3G 看 YouTube，网络瞬间崩溃。运营商花了数年时间，通过流量上限、捆绑套餐、公平使用政策等手段，才让定价与成本重新对齐。
今天的 AI 市场正在重演这一幕：
一边是用户每月支付 20 美元，获得价值 1 万美元的代币 另一边是用户玩几天就收到 1 万美元的账单
“对代币的需求是无限的，但并不意味着你无法达到不同的价格均衡，因为移动数据当然就是这样发生的。对带宽的需求是无限的，过去 15 年里增长了 1500 倍。但是，供需平衡仍然存在，运营商之间仍然会爆发残酷的价格战。”
Evans 的核心论点在于——即使需求无限，供给也是有限的，而定价权最终会落在那些能够控制稀缺资源的人手中。 但问题在于，AI 的“稀缺”是什么？是算力？是数据？还是模型本身？如果模型本身变成商品，那么定价权就会转移到应用层——就像移动网络运营商虽然投资了万亿级基础设施，但所有价值都被上层的 Google、Facebook 和 Netflix 拿走了。
基础模型是商品还是操作系统？
“我不认为基础模型是一种产品。我不认为聊天机器人是一种产品。我认为其价值还会进一步上涨。”
这是 Evans 最反直觉的判断之一。他没有直接说“模型是商品”，而是提出了一个更微妙的观点：模型本身不是产品，聊天机器人也不是产品。真正的产品是那些能解决具体问题的、经过精心设计的应用。
他接着拆解了为什么模型公司可能无法获得定价权：
- 没有网络效应：模型之间不存在“用的人越多越好用”的飞轮
- 没有可持续的差异化：除了你愿意花钱之外，模型之间似乎没有根本性的竞争优势
- 聊天机器人不是合适的用户界面：对于大多数任务，你需要工具、数据、配置、控制，以及合适的用户界面
“这些模型是不同的商品，聊天机器人并不是合适的用户界面或合适的产品，而且这些公司也无法自己构建所有这些东西。所以，它们属于低级基础设施。”
这是 Evans 整场对话中最具杀伤力的逻辑链。他把模型公司类比为移动网络运营商——投资巨大、基础设施复杂、使用量爆炸式增长，但最终利润微薄，所有价值都转移到上层。而历史上真正赚到钱的，是那些拥有网络效应和杠杆的平台，比如 Windows、iOS 和 Google。
但 Evans 也承认，这可能完全错误。也许我们会进入一个只有两家公司能制造 LLM 的世界，它们拥有定价权。 他引用 iOS vs Android 的例子：仅仅因为前三次都是这样，并不能证明这次也一定如此。
资本支出的“天文数字”：我们能花掉 10 万亿美元吗？
“我们不能每年花费 10 万亿美元用于人工智能基础设施，因为每年根本没有 10 万亿美元可以花在这上面。”
Evans 用这个简单的财务约束，戳破了 AI 投资领域的狂热泡沫。他给出了具体数字：
微软、Meta、谷歌今年都将把超过 50% 的收入用于资本支出 电信行业通常只花 15%-20% 的收入在资本支出上 四大公司今年的资本支出预期是 7000 亿美元 相比之下，全球石油和天然气行业的资本支出在 7000 亿到 1 万亿美元之间
Evans 的核心观点是——资本支出存在物理上限。 即使 AI 的回报率再高，你也不能无限借钱来投资。当资本支出占收入比例超过 50% 时，财务引力就会开始起作用。他引用了一个经典的 FOMO（害怕错过）困境：
“如果你是谷歌、Meta 或微软，这算是一个生存问题……你不能让其他人这么做而不参与，因为那样你的公司就完了。”
但 CFO 会坐在那里说：“这很好，但我们这里说的‘参与度’是多少？” 最终，这条曲线必须趋于平缓，因为它已经没有上升的空间了。
从“自动化旧任务”到“创造新可能”
“重要的不是重复老一套，而是做得更多。它实现了旧方法无法实现的新功能。”
Evans 用一个经典的“牛仔裤悖论”来解释 AI 的真正价值。如果降低做事的成本，你会：
用更少的钱做同样数量的事情？ 用同样的钱做更多同样数量的事情？ 还是用更多的钱做更多的事情？
他举了一个生动的例子：如果以前做一次 DCF（现金流折现）计算需要一周时间，你只会做一两次。如果现在只需要 10 秒钟，你可以做 50 次，但你可能无法为此收取更多费用。 最终，这些工具会变成“竞争必需品”——每个人都必须使用，但没有人能因此获得超额利润。 这是理解 AI 经济学的关键。AI 带来的生产力提升，大部分会以“消费者剩余”的形式消散，而不是转化为企业利润。 就像 Excel 让财务分析变得更快，但会计师并没有因此赚更多钱——他们只是做了更多分析，而客户支付的价格并没有变。
但 Evans 也指出了真正的机会：那些以前完全不可能的事情。 比如：
蒸汽机让火车成为可能——无论你买多少匹马，都造不出火车 Spotify 让每月 15 美元听所有音乐成为可能——这在以前是完全不可能的 AI 让你可以问：“看看我的 Instagram，给我推荐一件可以改变我造型但又不会改变太多的冬装外套”——这在三年前还是科幻小说
软件行业的未来：更多软件，更多竞争
“所有软件公司的存在都是为了解决其他软件公司制造的问题。”
Evans 用这个幽默的观察，总结了 AI 对软件行业的影响。他认为，AI 不会减少软件，反而会大幅增加软件。因为：
- 开发软件会更便宜、更快捷
- 你可以做很多以前根本做不到的事情
- 竞争会更加激烈
他提出了一个分析框架：企业软件市场可以分为三类——
- 大型横向系统：SAP、Workday、CRM 等
- 垂直行业软件：针对特定行业的定制化解决方案
- 模糊的临时空间：Excel、电子邮件、共享文件系统
AI 的作用是模糊这些边界。你可以在 Salesforce 内部添加一个 AI 功能，也可以用一个 LLM 工具来综合所有数据，生成以前做不到的分析。答案可能是两者都有，取决于你在做什么以及事情会如何发展。
“SaaS 末日危机爆发的原因在于，所有投资者都在审视这些公司，然后说，我们真的不知道哪些公司会因此遭受损失。”
Evans 点出了投资者的焦虑——不是 AI 会摧毁 SaaS，而是你无法判断哪些 SaaS 公司能活下来。 就像 90 年代末的互联网，所有人都知道它会改变一切，但没人能预测谁会赢。结果就是：整个 SaaS 板块的估值可能会被“无差别”地降低 50%，直到市场看清楚谁才是真正的赢家。
总结
Benedict Evans 的这次对话，本质上是在回答一个核心问题：当 AI 模型变得越来越强，真正的价值到底在哪里？
他的答案既清醒又开放：
- 模型本身很可能变成商品，就像移动网络一样，投资巨大但利润微薄
- 真正的价值在上层应用，但具体是哪些应用，现在没人知道
- 编码是第一个爆点，但它只是开始，其他领域（法律、金融、咨询、广告）正在等待突破
- 资本支出存在物理上限，FOMO 驱动的投资热潮终将回归理性
- AI 的真正意义不是自动化旧任务，而是创造新可能——那些以前完全不可能的事情
最后，他用一段 IBM 1950 年代的广告作为结尾：
“一台 IBM 电子计算器能让你多出 150 名工程师。”
20 年后，我们回头看今天，大概也会觉得：“哦，当然是这样。电脑一直都是这么做的。”
但今天，我们正处于那个“从有点用到改变一切”的转折点上。 没有人能准确预测未来，但 Evans 给出了一个思考框架：不要问 AI 能做什么，而要问那些以前完全不可能的事情，现在是否变得可能了。
