AI 的现状：模型、护城河与消费领域的复兴

摘要

• Anish Acharya 明确站在前沿实验室“多赢家”一侧。 过去2周，xAI“从模型端甚至算不上真正的竞争者，变成了3家之一”——双雄竞争变成三足鼎立；与此同时，Anthropic 看似占据的主导地位让位于 OpenAI 表现出色的3个月（新模型、Codex harness，以及 ChatGPT 桌面应用），多家实验室在彼此取得成功的同时都在增长。Jen 补充了可交易的观察框架：X 是不完美的风向标，但能提前反映开发者情绪；Claude 正面临 token 使用量的反弹，而 Anthropic 将于今年晚些时候上市。
• 市场讨论不足的宏观情景不是泡沫，而是“如果我们的乐观程度还不够呢”。 B200 每小时价格正在上涨，尽管它并非最前沿的 GPU，而算力通常具有通缩属性；这“说明供给极度受限，而需求实际上无限”。SaaS 方面，2月的30–40%回撤属于过度抛售，不少公司已经反弹40%，但随着 SBC 扭曲的经济性开始显现，行业进入“加速，否则出局”。
• 多数护城河能够穿越低成本智能充裕的时代，但整合护城河正面临风险。 网络效应、规模/分销和品牌效应“处于有史以来最好的状态”（“再多 coding agents 也不会让 Nike 不再是 Nike”）；与此同时，coding agents 让 SAP 式整合能力大幅提升，也让 SI 和 GSI 面临一个“生死攸关的问题”。
• Token 支出会理性地按上行空间是否有边界进行分配。 对销售和产品而言，“为一个哪怕只聪明1个 IQ 点的模型支付几乎任何价格，在经济上都是理性的”——“你的 Fable 5、Gro 或 GPT56”；对财务而言，“你不可能把结账做得比准确好10倍”，因此，开放权重模型加强化学习可能是帕累托高效的选择。模型不是大宗商品：神经质、字面化的 GLM 5.2/5.3，与开放、擅自推断的 Kimi K3 迥异；组织需要这两类头脑。
• 实验室正在向下垂直整合至推理，而不是向上整合到应用层——这逆转了2025年初的恐慌。 Anthropic 的法律“插件”（其实只是长提示词文件的集合）引发了一轮恐慌，Thomson Reuters 等法律股随之下跌；但推理工作负载同质化且可规模化，应用层则高度特异、运营开支沉重；而在多模型构成帕累托前沿的世界里，实验室更难拿走“你全部的毛利率”。
• 消费者的季度可能终于到来，但“我们还处在 AI 的 DOS 时代”，正等待属于自己的 Windows。 开放权重模型正在让 AI 软件变得显著更便宜、性能更强（Jen 自己的 X 时间线应用接入1名新用户的成本是250美元）；市场仍没有 AI 原生应用商店，消费者却很有兴趣尝试并付费购买新软件。Anish 将这一时刻比作2009年圣诞节前后的 iPhone，只是如今消费者每月可能会支付200美元。
• 投资姿态已经转向真实上线的产品和技术型创始人。 如今，“无论处于哪个阶段，融资路演中没有展示真实上线产品，都是直接出局的理由”；创始人群体变得“少一些 MBA，多一些研究人员”；而根据 Ben 在 offsite 上的说法，“过去最大的风险是想法太大，现在最大的风险是想法太小”。除去 COVID 期间的一个高峰时刻，新企业成立数量已处于历史最高水平——那个本来会成为 YouTube 创作者的25岁年轻人，如今正在为所在社区开发 SaaS。

精读

1. Grok Bots 买下牛仔裤——宏观数据表明需求实际上无限

• 节目开场的轶事奠定了整集基调：Anish 平时主要穿 Frame 牛仔裤，他拍下自己当前这条的照片，隔夜对 Grok Bots 说“别花超过500美元，把事情办妥”，醒来时，一条经过调研、已经买下并在运输途中的牛仔裤出现在他面前——版型相同、洗水不同，用他的信用卡支付。他的判断是：“Grok Bots 的定义性特征是资源整合能力”（“the defining characteristic of Grok Bots is resourcefulness”）；下一次跃迁来自资源整合能力，加上消费者能够理解的产品架构。
• 对于谁会成为赢家，他的答案是“多赢家”：xAI 在2周内从毫无竞争力变成3家之一；Anthropic 从看似占据主导，转向 OpenAI 表现出色的一段时期——新模型异常出色、Codex harness，以及一款“做得非常好”的 ChatGPT 桌面应用；各家实验室的专业化方向正在分化，多家实验室同时增长。Jen 的补充是：X 是一个不完美的“风向标”，但能提前反映开发者情绪；Claude 正面临 token 使用量的反弹，Anthropic 将于今年晚些时候上市。
• 泡沫论已经“被充分讨论”；真正超出常规分布的议题是乐观程度不足。证据在于：B200 每小时价格正在上涨，尽管这款并非最前沿的 GPU 通常属于一个高度通缩的市场——“需求实际上无限，供给高度受限”。
• SaaS 的剧烈反转体现了市场心理：2月回撤30–40%后，a16z 表示软件遭到过度抛售；不少公司已经反弹40%（“我不太确定我们集体完成了什么”）。软件仅占企业支出的8–12%，因此，用 vibe-coding 自己的薪资系统或 CRM，其上行空间很小，下行空间则“实际上无限”；但随着 SBC 扭曲的经济性暴露，潮水已经退去，这些公司必须“加速，否则出局”。

2. 护城河大多能够存续；Token 支出按有限与无限上行空间分流

• Anish 从《7 Powers》的框架出发，认为多数护城河不会因智能充裕而受损：“再多 coding agents 也不会让 Nike 不再是 Nike”，Instagram 的力量从来不在于应用本身有多复杂。在他看来，最明显暴露的护城河是整合能力——SAP 复杂到甚至从一个版本迁移到下一个版本都可能带来生死攸关的风险，SI/GSI 作为整合入口，其价值正面临一个生死攸关的问题。
• 理性的企业架构是：创造 alpha 的职能（产品、销售、工程、研究）使用前沿模型 token，因为上行空间没有上限——为多1个 IQ 点支付几乎任何价格都值得，“你的 Fable 5、Gro 或 GPT56”。支持性职能的上行空间有边界：“结账最好的方式就是准确。你不可能把结账做得比准确好10倍。” 对这些场景而言，开放权重模型配合强化学习，可能处于成本曲线上的帕累托高效点。
• Jen 提到 Decagon 创始人 Jesse Zhang 的一篇帖子：对很多初创公司而言，开源模型“实际上是唯一选项”——原因不只是成本，也包括本地化、训练和微调。Anish 补充说，在专业问题上进行强化学习，并利用其推理轨迹，可以形成不断复利的领域优势；Harvey 在法律领域已经取得了强劲结果。代价是通用性下降——对法律或客服而言，这完全可以接受。

3. 模型不是大宗商品——实验室向下整合，而不是向上整合

• 他用“五大模型”的框架来描述：一类是“自闭型模型”——GLM 5.2 和 5.3“非常字面化，只会严格执行你告诉它的事情”；另一类是 Kimi K3，“开放、擅自推断且富有创造力”。模型不可能同时高度开放又高度神经质；会计可能偏好神经质，设计则可能偏好开放，因此组织需要多个头脑。
• 法律插件恐慌是一个典型案例：Anthropic 的插件只是“一个技能文件的 ZIP……本质上就是长提示词”，却引发了市场恐慌，Thomson Reuters 及其他法律股大幅下跌。但实验室并没有向上整合到应用层，而是向下整合至推理和算力；后者的工作负载同质化，可以实现巨大的规模效应。应用层的定价、打包和采购行为高度特异，对实验室而言则意味着“运营开支沉重”。
• 专业化已经体现在 harness 中：OpenAI 的新 GPT 模型和桌面应用，为知识工作提供了强大的产品容器；Claude Code 连同终端 UI，则面向软件工程。聚合可以胜过任何单一实验室——以 Expedia 为喻，Cursor 用前沿模型做规划，用较弱的模型执行；创意工具把 ElevenLabs（语音和音乐）与 Black Forest Labs（视频和创意方向）结合起来；研究可以将同一个查询通过训练数据不重叠的模型进行对抗式处理，再用另一个模型收敛答案。实验室在结构上只能提供自研模型，而应用聚合者可以提供各领域的最佳模型。

4. 应用将智能这一基础能力产品化；循环才是企业端的突破口

• 核心类比是：智能是一种类似云的基础能力；正如 Salesforce 将 AWS 云这一基础能力转化为 CRM，“你确实需要 Harvey 把它转化为法律行业的经济结果”。信用合作社说明了需求的特殊性——多数信用合作社并不想把员工数量砍半，而是希望在保持经济效率的同时扩大到2倍。
• Agent 去神秘化之后，就是“一个处于循环中的模型，加上工具和记忆”。编码循环是：收到 bug 报告、复现、生成修复方案、验证；低风险情况下还可以自主发布。这一逻辑可以延伸到定价优化和采购，乃至业务循环——模型提出建议：“我认为我们需要在 Tijuana 开一家分行。”
• Marc 的说法是“行业，而不是市场”：编码这一基础能力，从 Claude Code 向开发者暴露“原始马力”，到 Replit 为不会编码的小企业主进行抽象，都是定价、产品化和打包方式的不同变体。至于实验室是否会挤压应用层，2023年单一模型占主导时，“实验室最终会拿走你全部的毛利率”；而如今，帕累托前沿上有多个选择，实验室更难做到这一点。

5. 消费复兴：DOS 时代、个人 Agent 与 Town 的记忆复利

• 消费市场此前受阻的原因是：消费者不喜欢为软件付费，而 AI 又带来了真实的分发和互动边际成本——Jen 的 X 时间线应用接入1名用户的成本是250美元，难以支撑面向大众的免费产品；如今开放权重模型正以更低成本和更强性能改变这一点。市场没有 AI 原生应用商店，因此分发更像 Web 2.0，而不是移动互联网；“我们正处于 AI 的 DOS 时代……我们需要 Windows”。
• 已经奏效的方向包括：面向“数字原生创业者”的 coding agents——过去围绕 YouTube 创作者的道德恐慌，如今被重新定义为年轻人想要创建互联网生意，而他们现在能够做出年收入10万—100万美元的“夫妻店式 SaaS”；这些公司不值得风险投资，但“对这个国家而言非常酷”。个人 Agent 正从 OpenClaw 1月“Homebrew Computer Club”式的氛围，进入 Grok Bots 和 ChatGPT Work 等消费软件。
• 他对消费者的定义是：如果无法证明销售驱动型获客合理，通常意味着 ACV 约为1.5万美元，那么它就是消费业务——水管工也算。娱乐将成为巨大的市场（Character 可以说是一家娱乐公司；亚洲短剧也开始进入海外）：“多数人想花时间，而不是省时间。”
• 更广义的个人 Agent 模型是一组生活循环——家庭、友谊、金钱和健康；信息变化带来决策、代理、执行，再进入下一轮迭代。OpenAI 正聚焦健康和金融，初创公司则在做购物；Anish 预计生活质量将显著改善，其中80%的剩余价值会交付给大众市场。
• Town（Alex Rampell 的投资项目）体现了记忆复利模式：第1天它只是一个新员工；第30天，它已经能基于持续吸收的上下文做出出色判断——最终体现为留存率和单客户定价能力。Jen 说她的工作邮箱已经清零，但个人邮箱里约有20,000封邮件；Town 会找出重要内容、清理订阅，并开始通过展示日常操作消耗的 credit 成本以及节省 credit 的方式来实现自我改进。

6. 经济性、创始人与资本流向

• 消费市场的空白地带包括 AI 进入“情感与人际关系领域”：你可以与 Claude、OpenAI 或 K3 对话，“并感受到情绪”；此前“40年的技术都在增强我们的智力……却没有任何东西真正触及人性”。初创公司可以探索实验室和大科技公司在文化上不适合构建的产品，例如一个会反驳你、或使用性暗示的陪伴者。消费者很乐意下载新软件；Anish 表示，与99美分时代不同，如今他们愿意每月支付200美元。
• 融资姿态是：基本不投尚未产生收入的项目——“如今在任何阶段的路演中不展示真实上线产品，都是直接出局的理由，因为做出东西实在太容易了”；投资工作在于根据具有统计显著性的销售和产品表现，推断价格与隐含风险之间的关系；对于有才华且经验丰富的团队，则保留少量“万事俱无”前的期权式押注。过去“种子资本过多会毁掉公司”的判断也变得更细致：聚焦投入的1亿美元，可以带来不同于2000万美元的价值主张——这比金融科技公司“通过薄弱的承保能力间接补贴客户”更值得解决。
• 创始人画像正在转变：“少一些 MBA，多一些研究人员”——商业成熟度较低，但技术成熟度显著更高，而后者“是一切好事的上游”。商业成熟度可以通过教育和观察获得，技术成熟度通常无法如此复制。Ben 在 offsite 上的一句话是：过去最大的风险是想法太大；现在最大的风险是想法太小。
• 对于已经存在的 SMB，旧有渠道依然有效，但创始人越来越需要原创的网络效应——口碑——因为 Instagram、TikTok 和 X 让企业很难在既有渠道之上再建立一条新的分销渠道。最有意思的群体是新企业成立者：数量处于历史最高水平，除 COVID 期间的一个高峰外也处于最高水平——“不是那个55岁的水管工……而是一个25岁、正在为所在社区或高中开发 SaaS 的年轻人。”