摘要

Scott 对价值归属的核心判断是：模型不是产品。 模型“极具价值”，但只有通过产品把模型连接到用户所需之处，价值才能兑现；“归根结底，我认为产品最重要”。基础设施和算力会在过程中实现变现，但“我们建设基础设施，不是为了基础设施本身”。Harry 的困惑很有代表性——互联网、移动互联网等每次范式转移初期都是如此，“真正具备持久价值的想法少之又少”。
关于规模化撞墙的说法，他认为“这简直荒谬”。 “我非常清楚我们现在在做什么、下一步要做什么，也看不到规模化规律的尽头。”他的保留意见在经济层面，而非技术层面：最终会出现边际回报递减，直到“成本高到我们会认为再多花1美元、让系统聪明一档并不值得”；但“现在还没进入瞄准镜”。
关于 DeepSeek R1，他说：“我们有过比 DeepSeek R1 更有意思的模型，但选择了根本不发布。” R1 是“扎实的技术工作”，只是“价格性能提升曲线上的一个点，可能其他所有人都没看见”；而推理价格性能的提升，更多来自软件，而非硬件每代约2x的增益。真正值得警惕的是外界的惊讶：“我们确实应该高度尊重中国创业者、科学家和工程师的能力……这本不该令人惊讶。”
代理的关键缺口是“明显缺失”的记忆。 这让代理“非常事务化”；他预计记忆能力未来1年会大幅提升，也希望出现更多异步调度——“把代理派出去做事，而你自己暂时不用关注”。路径是：5秒任务→5分钟任务→像交代工作给同事一样完成委派。而且是多个代理，不是一个代理，因为产品经理可能必须成为领域专家，帮助搭建代理的反馈闭环。
5年后，95%的净新增代码将由 AI 生成。 “很少会有代码是人逐行写出来的”，但“创作权中更重要、更有意思的部分，仍将完全属于人类”。这又一次对应从汇编到高级语言的过渡——“以前有些老家伙会说，不会写汇编就不算真正的程序员……现在没人再谈这个了”。他希望小团队更容易做成大事：“10名真正优秀、动力十足的工程师，配上强大的工具，就能做很多事。”
快速问答透露出他的几项立场：他最尊重的竞争对手可能是 Anthropic，前沿模型已经可能比普通全科医生更擅长健康诊断。 他在节目第1年最大的体会是：“如今最强的前沿模型能做什么，与它们实际被用于做什么之间的差距，比甚至2年前还要大。”

精读

1. 模型不是产品——产品连接用户之处才是价值池

Harry 开场坦言，自己很久以来第一次不知道价值究竟在哪里，这被 Scott 视为典型现象：“每次重大技术范式转移初期，都会发生同样的事。”早期互联网和早期移动互联网阶段，“所有人都在设想什么会有价值，但真正具备持久价值的想法少之又少”。
Scott 过去两年的核心判断是：“模型不是产品。”当被追问这是否意味着模型没有价值——Andrew（很可能来自 Cerebras）曾告诉 Harry，算力才是赢家——他斩钉截铁地说：“不不不，模型极具价值，但只有通过产品把模型连接到用户所需之处，价值才能兑现……归根结底，我认为产品最重要。”好模型、基础设施和高效算力都会变现——“人们在构建这些产品时，就会需要消耗你的平台”——但“我们建设基础设施，不是为了基础设施本身”。
面对困惑，答案不是坐等。 “如果你有创业精神，这是有史以来最好的时代。”推出产品、收集数据，并且“对自己狠一点……不能爱自己的想法爱到看不见现实”。每轮早期周期都有一个典型陷阱：“技术人员沉迷于技术细节，忘了真正重要的唯一一件事，是做出好产品。”
初创公司与既有巨头之间，历史周期显示价值创造地点“往往相当均衡”。Microsoft 的做法，是把新能力应用到现有客户身上；但“任何像 Microsoft 这样的实体……都不可能拥有足够的想象力和视角，知道每一件有趣的事是什么”，而工具从未像现在这样“便宜且易于获得”。

2. 规模化撞墙：“简直荒谬”——极限在经济层面，而且尚未进入视野

对于“我们正在触及规模化极限”的说法，他回应：“这简直荒谬。我非常清楚我们现在在做什么、下一步要做什么，也看不到规模化规律的尽头。”他的保留意见有明确边界：直觉上，他认为最终“必然”会有极限——不像有些人认为，智能可以突破人类20瓦大脑的限制，持续扩展到“奇怪的领域”——但他预期的渐近线是成本决策：“成本高到我们会认为再多花1美元、让系统聪明一档并不值得。”目前，“还没进入瞄准镜”。
数据方面，合成数据的占比正在上升；与低质量数据相比，高质量数据加上专家级人工反馈，对后训练的价值高得多——可以把它们“放大成一组正确的 token”，其价值远高于“在互联网上漂浮的、未经区分的 token”。
他最希望得到答案的开放问题，是数据价值至今没有一套科学：“很难定量知道，新增数据对模型质量的增量价值究竟是多少……人们的大多数判断都没有依据”；而测量显示，有些人认为数据价值所在，与数据实际贡献之间存在“相当大的脱节”。其底层错误是把模型当成“世界上最糟糕、最昂贵的数据库”——模型的重点是对信息进行推理，而不是把信息回忆出来，因此训练推理需要的是“不同的 token”。

3. DeepSeek 只是微软早已看见的价格性能曲线上的一个点

Scott 对 R1 的判断，建立在过去几年“优化模型性能方面令人难以置信的进展”之上：模型规模不断扩大，API 调用却越来越便宜。硬件“如果幸运，每一代大概只能带来2x的价格性能收益”，软件则能带来“大得多的提升”。R1 是“价格性能提升曲线上的一个点，可能其他所有人都没看见”，但对那些深度参与系统研发的人来说并不意外——“而且它不会是最后一个点”。
他说这话时语气平淡：“我惊讶的是，大家觉得它有这么有意思。我们有过比 DeepSeek R1 更有意思的模型，但选择了根本不发布。”他认可这项工作——“扎实的技术工作”，而且将其开源发布“非常酷”；真正令他意外的是公众的反应，而不是模型本身。
他从中得到的启示是：“开发者希望拥有大量选择……我们必须比过去给人们更多‘如何做’的选择。”至于中国，他没有任何保留：“我们确实应该高度尊重中国创业者、科学家和工程师的能力……所有人看起来都那么惊讶，这本不该令人惊讶。”
他也承认自己改变了对开放与封闭的看法：“读研究生时，我是彻头彻尾的开源狂热分子……后来变得务实得多。”他对未来的参照系是搜索：开源搜索引擎存在，搜索即服务存在，Bing 和 Google 也存在，但“搜索领域所有的经济价值，都流向了那个搭建起巨大基础设施的人”，并且这个基础设施拥有自己的反馈闭环。他预计这里也会是“两者都会有很多”。

4. 200年的交互范式正在断裂——代理不是一个，而是很多个

他最喜欢的框架是：“我们使用计算设备的范式，实际上已经持续了大约200年，可能从 Ada Lovelace 写出第一段程序算起。”你要么是程序员，要么依赖一个提前猜到你需求的程序员。AI 改变了这一点：它“能够理解你想让计算设备替你做什么，并想办法让这件事发生”。时间表也很明确：“我不认为这是明年会发生的事，但可能也不会等10年。”
软件不再需要那么多预判性工作——团队猜测用户的细分需求、写代码、把代码挂到界面上，再不断根据反馈打磨。“这类工作不再需要那么多。”工程师仍然是能力基础设施的建设者；而把这些能力呈现出来的界面，“可能会是代理”。
他的反直觉判断是：“我不相信一个代理包打天下的理论。我认为你会拥有大量代理。”原因在于，产品经理可能必须成为医学、药物研发，甚至“早期轮次风险投资”等领域的专家，搭建反馈闭环，让产品经理与用户共同教会代理如何完成这些工作。

5. 记忆与异步调度，让代理变成同事

Harry 质疑，大家可能高估了近期采用速度：全球最大公司真的会在1到3年内运行代理吗？Scott 的回答是：“使用总是跟随效用。”软件开发代理已经让开发者从怀疑者变成了“你休想从我冰冷的尸体上拿走它”。
对于缺乏锁定效应的担忧，他以搜索为例：“搜索没有锁定效应……你可以把下一个查询发给另一家搜索引擎——但你不会这么做。”留存来自每天持续“把代理做得更好”；只要做得好，“用户就会继续选择你”。
缺失的关键能力是：“它们明显缺少记忆，这让它们非常事务化。”记忆“未来1年左右会好得多”，从而带来更强的抽象能力和组合性：一个问题解决1次、记录下来，以后不必再从第一性原理重新推导。他也希望未来12个月出现“更多异步任务”：把代理派出去，让它在无人关注时自行工作。路径是：5秒任务→5分钟任务→“越来越重的工作……像交代给同事一样”。他的具体标准是：早上5点的代理消化一夜邮件，起草紧急回复，而他自己喝着咖啡。
对代理怀疑者，他说：“如果你不打算采取行动，我不知道怀疑一件事能赢得什么奖品。”他引用了同事一本书的标题《悲观主义没有奖品》（There’s No Prize for Pessimism）。Harry 补充了一句，大概来自 Collison 兄弟中的一位：“悲观者是对的，乐观者赚钱。”Scott 回应：“他们没有错。”

6. 95%的代码将由 AI 生成——抽象层级上升，创作仍属于人类

他的判断是：5年后，“95%的代码将由 AI 生成……很少会有代码是人逐行写出来的。但这并不意味着 AI 在承担软件工程师的工作”，因为创作权“仍将完全属于人类”。他的类比是：他12岁写出第一段程序，如今52岁，“已经41年了”；在从汇编到高级语言的过渡期，“以前有些老家伙会说，不会写汇编就不算真正的程序员……现在没人再谈这个了”。GUI 构建器生成“大量垃圾样板代码”，也是同一逻辑。
顶尖程序员仍然会深入底层：“极其优秀的程序员……一路理解到底”，当 AI 生成的代码出错时，他们会“钻进更低的抽象层级”。在 Bolt、Lovable 这类工具的世界里，人人都是程序员吗？“我认为是。”但“世界上最难的计算问题”仍然需要计算机科学家，只是他们如今拥有极其强大的工具。
团队结构也会变化：“我希望小团队做大事能变得更容易……10名真正优秀、动力十足的工程师，配上真正强大的工具，就能做很多事。”他在 Microsoft 的内部目标是：“我不希望工程师的野心与他们尝试实现野心的能力之间存在任何距离。”
他带领工程团队20年后最大的敌人是技术债——“就像金融债务一样，它会产生利息”。AI 有机会把这个“完全零和的问题”变成非零和问题；Microsoft Research 约1年前成立了一个实验室，唯一使命就是“规模化消除技术债”。第1年的经验具有普遍性：“如今最强的前沿模型能做什么，与它们实际被用于做什么之间的差距，比甚至2年前还要大。”

7. 快速问答：尊重 Anthropic、直方图法则，以及“我们走得够快吗？”

他最尊重的竞争对手，在 Google、Anthropic 和可能的 Meta 之间选择：“可能是 Anthropic……我认为 Dario 做得不错。”谈到物理约束，他说自 GPT-4 以来，“我们一直以每小时1000英里的速度建设基础设施……已经在以实际上可能的最快速度前进”；真正的瓶颈是“混凝土浇筑的速度，以及电网扩容的速度”。
他得到过的最佳建议，是把能力想象成一张从白痴到天才的直方图：通过极大努力，你也许能把自己向右移动“1个、最多2个桶位”，所以“你花在努力变得平庸上的所有时间，都没有用来做你真正擅长的事”。他承认自己的弱项是官僚主义：“如果我愿意，我大概可以成为一个非常平庸的官僚。”这条领导原则很可能来自 Satya Nadella：“创造能量，产生清晰度。”
他把一个科幻式预测当作事实：“前沿模型可能已经比普通全科医生更擅长健康诊断。”他提到自己家人在弗吉尼亚州中部乡村地区获得的医疗照护并不充分；世界需要“意识到它们确实很强，这样我们才能部署这些东西”。
他很少被问到的一个问题是：“我们走得够快吗？”他的答案是否定的。更快意味着在教育上“进行极大投入”，让每个孩子都觉得这些工具就是为他们打造的；同时把激励机制对准 AI 的部署，投向“我们目前认为存在稀缺的地方”——医疗、气候、教育。“让我们把投资投到这些地方。”

Vol.164 宏观漫谈80｜中美博弈中值得关注的新动向，与大模型在机器人领域的应用前景（3.25录制）109: 数字生命卡兹克如何用 AI：把任何重复3遍的事AI化