摘要

生成式 AI 可能带来平台级变革，但 Evans 目前看不到它超越互联网或智能手机的证据。 他的“中间派”立场是：AI“和互联网或智能手机一样重要，但也就和互联网或智能手机一样重要”。上行空间依然异常难以判断，因为我们既没有关于智能的可用理论，也不了解这些模型为何表现得如此出色。
AI 需求规模巨大，却高度不均衡，使工作流采用成为核心商业问题。 ChatGPT 拥有“8亿或9亿”周活跃用户，但只有约5%付费；Evans 估计，发达国家用户中约10–15%每天使用，另有20–30%每周使用。投资者真正要问的是：为什么多出5倍的人已经理解这个产品，却“这周或下周都想不出能拿它做什么”。
泡沫大概率会出现，但无论时点还是最终基础设施需求，都无法有把握地建模。 Evans 认为，“如果现在还不是泡沫，那也会是”，而实时区分1997、1998和1999年式的市场状态根本不可能。即使使用量爆发，算力需求也可能每年下降20倍、30倍或40倍，重演1990年代末那种无法落地的带宽预测。
模型之上的产品机会，很可能集中在能够编码工作流、验证机制和机构知识的专业化产品。 “人们买的是解决方案，不是技术”：律所要的是法律取证软件，而不是翻译和情感分析 API 调用。讨论指向的是围绕通用模型打造的专用应用，而不只是出售裸模型访问权限。
OpenAI 的8亿至9亿周活跃用户代表分发能力，但还不是持久护城河。 Evans 看到了品牌和默认入口地位，却看不到明确的网络效应、功能锁定、专有基础设施或成本优势：“每个月 Satya 都会给你寄来一张账单。”OpenAI 必须同时冲刺两件事：建立可防御的产品生态，以及联合 NVIDIA、Broadcom、AMD、Oracle 和新一轮资本池打造基础设施。
对在位者的影响并不对称：Google 可以吸收 AI，Meta 和 Amazon 面临更深层的产品问题，而 Apple 可能继续保持隔离，除非计算本身发生变化。 Google 能够为前沿模型提供资金，并把 AI 变成搜索和广告的功能；Amazon 则可能终于改善超越商品零售的发现体验。如果应用消失，Apple 会受到威胁；但即使进入 LLM 优先的世界，用户可能仍然需要“一块漂亮的大彩色屏幕”、摄像头和电池——换句话说，仍然需要某种和 iPhone 非常相似的东西。
最深层的颠覆，会暴露那些利润依赖路由、捆绑或摩擦，而非依赖名义产品本身的企业。 Evans 的判断路径是：先采用功能，再出现新能力，最终可能“把整个行业从里到外翻过来”；报纸后来发现，自己部分上是轻工业、本地分发和卡车运输公司，而 LLM 可能抹掉建立在繁琐行政流程上的防御。不过，要说 AI 比互联网更大，他还需要看到狭窄护栏之外“真正就是一个人”的能力：“我们现在拥有的还不是那个。”

精读

1. AI 可能成为平台级变革，但历史无法揭示赢家

Evans 用两个问题搭建整场演讲：当平台发生变化时，技术内部会发生什么；以及哪些外部行业会被改造，而不只是得到辅助。互联网彻底改变了报纸行业，对水泥行业却“只是有点用”，并未从根本上改变其商业模式。
他刻意保持克制的判断是，生成式 AI 可能“和互联网或智能手机一样重要，但也就和互联网或智能手机一样重要”。这些变革已经创造并摧毁行业，重排科技公司的主导格局，并催生出新的千亿美元和万亿美元级企业。
今天的“AI”标签本身可能只是过渡性的。就像数据库、Web 和智能手机一样，成熟能力最终会隐入普通产品：Otis 曾把红外光束宣传为“电子礼貌”，如今却“只是一部电梯”。Evans 说，在日常语境中，“AI 似乎意味着新东西”，而 AGI 意味着“新的、可怕的东西”。
历史分类法有参考价值，却没有预测力。移动互联网把计算从 Web 推向应用，让智能手机进入50亿至60亿人的手中，而消费级 PC 用户还不到10亿，并由此催生 TikTok 和现代网络约会。但在1990年代中期，“你可以知道它，却不知道它意味着什么”：Amazon 当时只是书店，Netscape 刚刚上线，Google 和 Facebook 的创始人还没有创办自己的公司。

2. AI 不可知的上限打破传统科技预测

以往的平台变革虽有不确定性，却存在清晰的物理边界：电信运营商不可能在1995年铺设覆盖所有人的千兆光纤，iPhone 也不会突然多出一年的续航、展开成投影仪或飞起来。AI 没有对应的路线图，因为“我们并没有真正理解它为什么表现得这么好”，也不了解人类智能本身。
Evans 从 OpenAI 一场直播中看到了一个意味深长的矛盾：直播先承诺次年推出达到人类水平、博士水平的 AI 研究员，随后又推广能够让数百或数千名软件开发者“像使用 Windows 一样”使用的 API。AI 要么会变成消灭软件公司的“盒中之神”，要么会成为一个新的软件底座，在其上构建出更多产品；而行业经常同时主张这两种说法。
AGI 争论让他想起那个神学家的笑话：要么弥赛亚已经到来，但世界几乎没有明显变化；要么它的到来永远还差5年。Sam Altman 说博士级研究员已经出现，Demis Hassabis 则不接受这种描述；Andrej Karpathy 把时间范围放在大约10年。由于没有关于上限的模型，预测最终只剩下“我的感觉是”，Evans 没有给出可证伪的日期。

3. 即使每个投资者都理性行事，过度投资仍可能发生

Evans 的确定性判断是：“非常新、非常大、非常令人兴奋、会改变世界的事物，往往会催生泡沫。”Marc Andreessen 的区分——1997年不是泡沫，1998年不是，1999年是——恰好说明时点问题：“如果现在还不是泡沫，那也会是”，但没人知道眼下更像哪一年。
算力预测类似于估算1990年代末的全球带宽需求。分析师可以在表格中填入用户数、页面大小、视频码率和观看时长，再推算路由器销量，但只要使用合理的输入，结果就可能相差100倍。AI 需求同样受到能力、效率和使用强度等不稳定变量的共同影响。
超大规模云厂商仍然可以理性投资，因为 AI 已经在提升搜索、广告、云和消费产品的价值。它们公开的计算逻辑是：不投资的下行风险高于过度建设——这一论点“总是在失效前表现良好”，尤其是在杠杆、交叉杠杆和循环收入叠加、市场却开始下跌之后。
效率可能已经以每年20倍、30倍或40倍的速度提升，下一次模型演进甚至可能用当前算力的百分之一实现同等结果；但与此同时，使用量也在上升。Zuckerberg 提出 Meta 可以转售多余产能，却忽略了其中的相关性：如果 Meta 不再需要这些产能，“其他所有人也会有大量闲置产能”。

4. 采用分化为明显的重度用户和等待产品的人群

Evans 认为，软件开发、营销、弹性知识工作和狭窄的企业级解决方案会率先落地。营销人员过去制作30个素材，现在可以制作300个；Accenture、Bain、McKinsey 和 Infosys 等咨询公司则可以把模型应用到大型企业内部的具体流程中。
大众市场的数据呈现出另一幅图景：ChatGPT 拥有“8亿或9亿周活跃用户”，约5%付费；发达国家用户中可能有10–15%每天使用，另有20–30%每周使用。对于一个每天使用数小时的人来说，真正值得追问的是：为什么大约多出5倍、且已经了解产品的人，却找不到本周有用的任务。
Excel 提供了 Evans 的类比。对会计师来说，修改一份10年期 DCF 的折现率，可以把数天的重新计算压缩到几分钟；对律师来说，电子表格有用，却不是日常工作的核心。Torenberg 补充说，很多人可能需要把这些能力嵌入工作流、UX、工具和产品中，由产品告诉他们该做什么。
验证决定概率性输出究竟能否节省劳动力。生成200张营销图片、从中挑出10张是高效的；如果从 PDF 中抄录200个数字，却必须由人逐一核对，那就不是。Evans 以 OpenAI Deep Research 生成的移动市场分析为例：数字既有转录错误，也有来源选择错误，所以“我还不如自己做”。

5. 胜出的产品会告诉用户该问什么

如果因为生成式 AI 无法执行所有现有任务就否定它，就像在1970年代末因为 Apple II 跑不了银行系统而否定 Apple II。问题不只是新系统能否完成在位系统的核心工作负载，更在于它能否带来过去无法完成的事情。
因此，机会不只是自动化旧任务，也包括发现过去没人尝试过的行动。创业者可以识别出一种新能力，理解一个行业，再围绕它做出一个按钮；用户不必从空白聊天框开始推导工作流。Torenberg 称之为“拆解 ChatGPT”，而 Evans 的例子说明了产品层为何重要。
他用 Everlaw 说明了技术栈逻辑。机器学习可以提供翻译和情感分析，但律所仍然购买云端法律取证软件，而不是自己拼装 AWS API 调用。“人们买的是解决方案，不是技术”，因为领域专属的流程、界面和分发能力仍然位于模型之上。
图形界面不只是暴露数百项功能：每个页面上的7个相关按钮，都凝结了多年机构知识，告诉用户下一步该做什么。原始提示词则把这项工作重新丢回给用户，就像收到“无限多个实习生”，却要自己告诉他们什么是风险投资，以及任务需要的来源到底是季报、Bloomberg 还是 PitchBook。“它是在问你所有事情。”

6. 模型趋同让 OpenAI 拥有规模，却只有脆弱的护城河

Torenberg 对 a16z 的反思是，公司最后悔的是“没有把规模做得更大”：语音、图像生成和其他专业方向诞生了比预期更多的独立赢家。即使在同一品类，巨大的市场也能容纳多家公司；而品类本身也会被捆绑、拆分和重组。1995年，Evans 手里有4到5个浏览器，因为当时连 Web 的用途都还没有确定。
如今，通用基准显示前沿模型之间的差距已经相当小，但消费者使用却极不均衡。重度用户能分辨 Claude 的语气，或 GPT-5.1 和“GPT-4.9，或者它到底叫什么鬼”的差异；每周使用者通常分辨不出来。按 Evans 的说法，Claude 几乎没有消费者使用量，而 ChatGPT 的领先幅度超过 Meta 和 Google，尽管几者基准表现大体相当。
对轻度用户而言，底层模型因此可能成为商品。OpenAI 的8亿至9亿周活跃用户依靠的是“默认入口的力量和品牌”，却还没有形成成熟的网络效应、无法复制的记忆、广泛生态、自有基础设施或成本优势。它必须紧急向上进入浏览器、应用、社交视频和平台，同时向下锁定算力供应：“我们昨天就要把所有这些都建起来。”

7. 每家超大规模云厂商面对的战略方程式都不同

对 Google 而言，前沿能力可能只是继续做 Google 的必要成本。Gemini 与 GPT-5.1 可能每月轮流占据基准测试领先位置；维持这一地位的成本，按 Evans 有意保持宽泛的估计，可能是每年1000亿美元或2500亿美元。Google 付得起这笔钱，可以改进搜索和广告，发明定义 AI 的界面，也可以像 Android 复制智能手机模式那样复制它。
Meta 面临的是内容、社交体验和推荐等更大的问题，因此掌控模型具有战略必要性。Amazon 可以销售商品化基础设施，同时用 LLM 改善发现体验：它非常擅长交付用户点名要的 SKU，却“非常不擅长告诉你想要哪个 SKU”。AI 或许能够推断意图、创造需求，而不只是关联过去的购买记录。
出版商、品牌和营销人员可能还不知道自己该问什么。如果 LLM 直接回答一道菜谱请求，原本依赖 Google 路由流量的菜谱网站会怎样？如果购物者把手机对准客厅，询问应该买什么，发现路径以及谁能捕获商业意图，都可能与搜索或 Amazon 当前的目录体系根本不同。
Apple 的问题取决于 AI 是一种服务，还是计算本质的变化。Craig Federighi 的挑战——Apple 也不拥有 YouTube 或 Uber——比听起来更有力；Microsoft 失去了开发环境，却仍然让 Windows PC 的销量增长了一个数量级，因为访问 Web 仍然需要 PC。即使应用消失、融入 LLM，用户可能仍会为最好的屏幕、摄像头和电池付费，从而让 iPhone 的硬件地位保持得更久。

8. AI 会揭示每个企业真正卖的是什么

Evans 的采用阶梯分为3个阶段：把 AI 做成功能，用它创造新东西，然后看着新进入者可能“把整个行业从里到外翻过来”。对于湾区或华盛顿特区的 Walmart 门店经理，这可能从“帮我找那个指标”，进展到“给我做一个仪表盘”，再到黑色星期五当天问：“我应该担心什么？”
Amazon 的对应跃迁，是从用户买灯泡后推荐封箱胶带，变成推断买家正在搬家，并展示家庭保险报价——后者可能是购买相关性无法捕捉的意图。内容行业也面临同样的区分：用户想要的是 Bolognese 菜谱，还是 Stanley Tucci 谈意大利烹饪；一份演示文稿，还是 Bain 合伙人提供一周的建议？
平台变革会暴露隐藏的工作和护城河。报纸强调自己卖的是新闻，却发现轻工业、本地分发和卡车运输在经济上同样关键。Evans 以美国健康保险为例，提出一个刻意保留余地的思想实验：如果盈利部分依赖于把流程做得“无聊、困难、耗时”，那么消除令人厌烦工作的 LLM，就会攻击一种从未被承认的防御机制。
3G 的“杀手级应用”最终证明是随时随地拥有互联网，而不是分析师试图事先点名的那些狭窄应用。AI 可能也会带来同样的事后清晰度，但 Evans 认为，要称其规模超过互联网，门槛更高：必须具备突破狭窄护栏、 “真正就是一个人”的能力。今天的系统有时能出色完成类似人的任务，但“我们现在拥有的还不是那个。它会成长到那个程度吗？我们不知道。”

解读古代文明、诺亚方舟与洪水神话的秘密｜Lex Fridman Podcast #487 从 AI 到 AE：韧性、Glean 与 Kleiner Perkins 的下一家企业级 AI 爆款——Joubin Mirzadegan，Roadrunner