a16z合伙人Benedict Evans在2026年6月硅谷對話中指出，大模型不具備網(wǎng)絡效應，價值終將向上游轉(zhuǎn)移，模型公司恐淪為"賣水人"重蹈運營商覆轍。目前僅編程領(lǐng)域找到真正PMF，Agentic Coding已躍遷為"改變一切"的力量。他警告模型效率年增百倍、資本萬億涌入下，按ROI定價不可持續(xù)，Token終將走向商品化價格戰(zhàn)。

2026年6月，硅谷。Anthropic的年化營收在過去12個月里翻了五倍多，達到470億美元。四大科技巨頭今年的AI資本開支指引合計超過7000億美元，接近全球電信行業(yè)總投入的兩倍。

當整個行業(yè)用“投資不足的風險比過度投資更大”自我說服時，Benedict Evans在a16z的播客室里談起了2008年的移動數(shù)據(jù)危機。

那是iPhone首發(fā)后的混亂年月。AT&T推出無限流量套餐，用戶瘋狂看YouTube，網(wǎng)絡瞬間癱瘓，運營商花數(shù)千億美元擴容。最終，所有酷炫的應用都是別人做的，運營商只賺到了“管道費”。

Evans每年發(fā)布一份名為《AI Eats the World》的演講，被硅谷視為觀察技術(shù)周期的重要坐標。和大多數(shù)樂觀主義者不同，他習慣從歷史里找壞消息。在他看來，今天20美元/月的ChatGPT訂閱與背后上萬美元Token成本之間的裂縫，和當年5000億美元天價數(shù)據(jù)賬單出自同一種幻覺。定價與成本嚴重脫節(jié)，而所有人都假裝沒看見。

“所有賭注都還是開放的。”他坦承自己無法預測終局。但當模型效率每年提升100到200倍，而全球有近萬億美元資本涌入這個賽道時，他認為至少有一件事是確定的：今天這種“按ROI定價”的奢侈不會持續(xù)太久。

以下是Evans對AI經(jīng)濟學核心矛盾的六個判斷：

1. 基礎(chǔ)模型不是產(chǎn)品，價值終將向上游轉(zhuǎn)移。模型公司很可能淪為賣水人，重蹈芯片商、ISP和移動運營商的覆轍。它們建造了驚人的基礎(chǔ)設(shè)施，卻沒能捕獲最多的利潤。

2. 編程是目前唯一真正找到PMF的領(lǐng)域。 Agentic Coding已從“有點用”躍遷為“改變一切”，但除此之外，大多數(shù)場景仍停留在“每周打開一次ChatGPT隨便試試”的邊緣。

3. 定價體系正在崩潰。當模型效率每年提升100-200倍，而CapEx以萬億規(guī)模涌入時，今天按ROI定價的奢侈不會持續(xù)。Token終將像移動數(shù)據(jù)一樣，走向商品化價格戰(zhàn)。

4. AI不會終結(jié)SaaS，但會重新定義軟件的邊界。概率性的LLM該放在技術(shù)棧的頂端還是底部？企業(yè)軟件將迎來新一輪“Excel vs. 專用軟件”的混沌博弈，更多的軟件，更多的競爭，更不確定的利潤率。

5. 歷史只能解釋，不能預測。移動互聯(lián)網(wǎng)、云計算、PC時代的類比都有用，但沒有一個能告訴你OpenAI會不會成為下一個Windows，還是下一個Netscape。

6. 真正的問題正在離開技術(shù)圈。AI對律所、投行、咨詢公司和好萊塢意味著什么？這些答案不在舊金山，而在那些知道“初級員工到底在做什么”的行業(yè)內(nèi)部人手里。

01 OpenAI 與 Anthropic 的策略分化

Erik Torenberg：Benedict，歡迎回到a16z播客。上次你來的時候，我們討論了你那版演講的第一版《AI Eats the World》。到現(xiàn)在你已經(jīng)寫完快一年半了。你總是從"哪些是大問題"開始演講。但這次我想先問問：自你最初發(fā)表那次演講以來，我們學到了什么？哪些預測成真了？我們來回顧一下。

Benedict Evans：先來談談過去一年發(fā)生了什么吧。我認為我們更清晰地看到了產(chǎn)品策略的分化，也看到了競爭張力——這種競爭已經(jīng)不只是"把模型做得更大、更快、投入更多算力"那么簡單了。

OpenAI的策略經(jīng)歷了好幾次轉(zhuǎn)向——從"昨天一次性押注所有方向"，到"也許我們應該加倍押注編程領(lǐng)域"。顯然，Agentic Coding已經(jīng)真正開始奏效了。因此科技界的所有焦點都高度集中在這個領(lǐng)域，它已經(jīng)具備了絕對的產(chǎn)品市場契合度，客戶旺盛的需求幾乎讓你應接不暇。當然，這也帶來了供應緊缺的問題，圍繞容量、價格、供需失衡以及資本支出定價的矛盾，正是我們當下所看到的局面。這就是我們目前所處的節(jié)點——曾經(jīng)我們覺得這玩意兒有點意思、挺令人興奮，但又不完全確定能用它來做什么。而現(xiàn)在它確實能用于編程，至于能不能用于其他領(lǐng)域，答案幾乎肯定是能的，但編程是目前真正發(fā)揮作用的地方。

現(xiàn)在焦點變得狹窄了很多。除此之外，數(shù)據(jù)還在不斷上升：模型越來越大，CapEx持續(xù)增長，使用量也在增加，人們用得越來越多。但兩三年前你提出的那些根本性問題，大部分至今仍沒有答案。比如我們不知道模型領(lǐng)域會不會出現(xiàn)一個絕對的贏家，不知道他們能否在價值鏈上層獲取價值，不知道模型的能力邊界在哪里，也不知道以目前的技術(shù)，消費者什么時候會從每周使用變成每天使用。所以，所有這些問題依然懸而未決。

Erik Torenberg：說到編程，我們當初有沒有可能預見到它會成為第一個真正爆發(fā)的應用場景？

Benedict Evans：如果你從確定性的角度看，可以這樣推理：誰最喜歡擺弄這些東西？軟件開發(fā)者。而軟件開發(fā)者最想嘗試用這些東西來做什么？當然是軟件開發(fā)本身。所以從這個非常樸素的角度來看，軟件開發(fā)的優(yōu)先級最高。我經(jīng)常把這個時刻類比成1997、1998年的互聯(lián)網(wǎng)，或者70年代末80年代初的個人電腦時代——那時候一切都非常令人興奮，但還不太清楚這東西到底是用來干什么的，因為它還沒有真正成熟。早期人們用個人電腦做的最主要的事情就是制造更多的計算機，而如今人們用LLM（以及更大型的LLM）做的第一件事，也是制造更多的算力。所以這并不令人意外。

但今年年初發(fā)生了一個明顯的轉(zhuǎn)變：Agentic Coding從"還算有用"變成了"真正改變一切"。我不確定是否有人能準確預測到它會在什么時候發(fā)生，也不知道它就是第一個跑出來的應用。有些人事后會說自己早就料到了，但我不認為任何人能夠確定性地預測到這一切會在什么時間點發(fā)生，并且就是以編程的形式率先突破。

Erik Torenberg：那在組織層面，我們學到了什么？對初級工程師、高級工程師，以及對崗位格局、團隊組織形式意味著什么？

Benedict Evans：我覺得目前還什么都談不上。六個月前這東西根本還沒法用。現(xiàn)在所有人都在手忙腳亂地試圖搞明白它到底意味著什么。你要是太沉溺于噪音和細節(jié)，抓住某人在某場活動上說的一句話就以為天要塌了，那就會陷入混亂。這一切至少要兩三年才能穩(wěn)定下來，且不說別的，光定價問題就存在巨大的供需矛盾，從而引發(fā)各種意外。所以我們根本不知道未來的團隊會是什么樣。

我認為人們開始提出一些新的問題，最明顯的一個就是：你還招初級員工嗎？如果招，他們做什么？你過去為什么要招初級員工？你招他們來到底是做他們本身能做的事，還是做別的事？如果你把過去由人來做的一整類工作都自動化了，那會發(fā)生什么？這個疑問在軟件開發(fā)領(lǐng)域變得更真實了，因為你確實在把大量過去由人做的事自動化。所以這些疑問已經(jīng)從理論層面變成了現(xiàn)實。但我認為沒人能說自己知道未來三到五年的市場結(jié)構(gòu)會是什么樣，也不知道軟件工程師的職業(yè)路徑會變成什么樣——你要是覺得自己能知道，那才是瘋了。

Erik Torenberg：聊聊OpenAI吧。最讓你感到意外的是什么？你如何理解他們的戰(zhàn)略演變以及他們面臨的未來問題？

Benedict Evans：這從來都是一個充滿了戲劇沖突的地方。顯然，他們的CEO因醫(yī)療原因休假，這讓局面出現(xiàn)了一些變化。

去年下半年到第四季度，外界提出的問題是：模型本身還不錯，但除此之外呢？你們怎么讓人們用這些東西去做別的事情？幾乎就像是在說"去問ChatGPT要15個如何基于基礎(chǔ)設(shè)施構(gòu)建價值的點子，然后全部照做"，OpenAI差不多就是這么干的。而Anthropic資金實力相對較弱，他們說：我們專注于編碼。然后他們就真的把編碼做出來了。至于是有意為之還是偶然撞上的，留給別人去評說。但顯然這招奏效了。

但問題依然存在：目前真正發(fā)揮作用的是軟件開發(fā)，以及一些其他領(lǐng)域的部分場景。還有很多人只是興致勃勃地在邊緣試水，有的場景用一用。硅谷內(nèi)部的分化也相當明顯——一邊是那些買了成堆Mac Studio、全天候跑開源模型的人，另一邊是另外那百分之四五十的人，他們認為這東西確實有點用，但上周才用過一次。問題是，你怎么彌合這個鴻溝？我不認為這個問題有簡單答案。軟件開發(fā)確實躍過了那條鴻溝，但很多其他領(lǐng)域的人還在撓頭，用起來也就是淺嘗輒止。

另外還有很多企業(yè)正在用AI自動化一些特定的后臺流程——這種情況下，你不是讓用戶自己去摸索這個新工具能做什么，而是直接告訴他們：這里有一個我們可以解決的問題。我去美國和科技行業(yè)之外的公司交流，也跟咨詢顧問和投資者聊天，他們都在逐個審視這些點狀解決方案。

比如我前兩天跟一家大宗商品公司交流，他們想用LLM來改善現(xiàn)金流預測，因為他們跟很多小生產(chǎn)商打交道，不太確定什么時候能收到付款，而這是一個利潤率很低的生意，所以現(xiàn)金流預測對他們來說是大問題。這跟去ChatGPT或Claude上隨便說"幫我寫點東西"完全是兩回事。

Erik Torenberg：相比早期采用者每周或每天使用的情況，你怎么看？

Benedict Evans：我認為可以從幾個不同的維度來回答。首先，我們永遠是站在前人的肩膀上進步的，而且進步在不斷加速。移動互聯(lián)網(wǎng)不需要等互聯(lián)網(wǎng)出現(xiàn)之后才誕生，它只需要等蜂窩數(shù)據(jù)網(wǎng)絡到位?；ヂ?lián)網(wǎng)不需要等個人電腦普及，個人電腦也不需要等消費電子產(chǎn)品和半導體先成熟。所以采納速度一直在加快。當年你老板Marc Andreessen做Netscape的時候，全球個人電腦數(shù)量才幾千萬臺。你不可能有9億周活躍用戶——因為根本沒有9億臺電腦。所以加速度一直存在。

第二個要點是：這些變革的早期階段，誰都看不清它會怎么運作，而且實際上什么都不能用。我年紀大到還能記得這些事情。我不知道你多大，但三十多歲的人可能已經(jīng)不記得那個年代了——你正工作到一半，屏幕上的一切突然卡死，你得趴到桌子底下拔掉電源，然后祈禱過去一小時做的東西至少還能找回一部分。這種事現(xiàn)在再也不會發(fā)生了。

回到80年代，你買一塊聲卡就要花300美元，而電腦還未必能正常發(fā)聲。那300美元花出去，還得搭上一個周末才能讓它工作起來。我記得那些折騰的日子?；ヂ?lián)網(wǎng)也是一樣。你得先拿到一張裝有TCP/IP協(xié)議的軟盤，速度慢得要命，而且你想做的事根本還沒有現(xiàn)成的工具。移動端也是一樣。我們現(xiàn)在就處在那個階段。當然，關(guān)鍵問題是：這里面哪些東西最終能成？現(xiàn)在也一樣：瀏覽器能不能成？這東西到底能不能站穩(wěn)？這一切怎么拼到一起？在那些極其令人興奮的東西和愿意投入精力讓它運轉(zhuǎn)起來的一小群人之間，存在一條鴻溝，而我們要做的是把它變成一個一鍵就能搞定的事情。

02 定價危機與平臺歷史教訓

Benedict Evans：第三點在于：單位的經(jīng)濟性變得更加切實可見了。我觀察到，目前我們提到的定價緊縮與2009到2010年移動數(shù)據(jù)領(lǐng)域發(fā)生的情況非常相似。一方面，人們突然收到金額高達5000甚至10000美元的數(shù)據(jù)賬單；另一方面，如果你用的是無限流量套餐——就像美國AT&T獨家首發(fā)iPhone時推出的那種——所有人都買了iPhone開始用起來，3G網(wǎng)絡一開，大家開始看YouTube，整個網(wǎng)絡就癱瘓了，因為根本沒有足夠的容量來支撐。有趣的是，到現(xiàn)在科技圈里還有人不懂蜂窩網(wǎng)絡有邊際成本。他們必須擴容，而擴容是要花錢的。運營商不得不手忙腳亂地調(diào)整成本曲線，使其與基礎(chǔ)設(shè)施定價體系對齊、與底層成本對齊、并與用戶感知到的價值對齊——他們通過分級套餐、合理使用條款、限速等方式大致實現(xiàn)了這一點。

但另一面恰恰就是我們現(xiàn)在看到的情況：你每個月付20美元，卻能用掉價值上萬美元的Token；反過來，如果你隨便玩了兩天，突然收到一張1萬美元的賬單，你肯定會驚呼這是什么鬼?，F(xiàn)在你就能看到一模一樣的新聞故事，這正是2008到2010年發(fā)生過的事，也和2001到2003年GPU領(lǐng)域發(fā)生的事情如出一轍。

但這個類比或比較中更有趣的部分在于：從那以后，移動數(shù)據(jù)流量增長了大約1500到2000倍。全球移動互聯(lián)網(wǎng)網(wǎng)絡的總收入大約為1萬億美元，每年CapEx約為2000億美元，而ARPU已經(jīng)20年沒有增長。所有那些酷炫的新東西都是別人做出來的。運營商本來以為所有好東西都會由自己來建造——我曾在擁有銀行牌照的電信公司工作過，因為他們覺得他們會自己做移動銀行——這在現(xiàn)在看來完全瘋了。但關(guān)鍵就在這里：他們建造了這套驚人的全球性、極其復雜、極其昂貴的基礎(chǔ)設(shè)施，使用量不斷增長，改變了所有人的生活，我們都在為此付費——可他們自己卻沒從里面賺到多少錢，因為所有價值都向上游轉(zhuǎn)移了。

而這正是LLM面臨的核心問題：模型本身能做完全部事情嗎？還是需要在它上面建300個應用？你能不能直接對模型說"幫我把稅報了"，還是需要有一個報稅軟件，這個軟件在內(nèi)部用了10種不同的AI方式來處理？如果答案是后者，那么作為底層基礎(chǔ)模型的提供者，你的定位又是什么？

它會不會變成一種以邊際成本出售的商品性基礎(chǔ)設(shè)施？目前來看這似乎是一個很難讓人接受的概念。因為你現(xiàn)在能賣掉你能造出來的所有Token，所以你可以按ROI定價。但在未來幾年，有大約1到2萬億美元的CapEx投入，模型效率每年提升100到200倍。還會有新的模型出現(xiàn)。模型會消耗更多還是更少的Token？我們會達到一個不同的均衡點。而當模型之間性能差不多、做同樣的事情、用同樣的芯片時，模型公司憑什么還能有定價權(quán)？

回顧歷史：芯片公司沒有捕獲到價值，ISP沒有捕獲到價值，移動運營商也沒有捕獲到價值。Windows和iOS捕獲到了，但它們在做的完全是另一回事：它們有各種杠桿可以向上游移動，還有網(wǎng)絡效應，而模型沒有。所以問題就在于：模型公司是像基礎(chǔ)設(shè)施層那樣收場，還是像操作系統(tǒng)層那樣捕獲價值并決定別人能做什么？諷刺的是，Netscape的故事正好說明了這一點——Marc Andreessen當年著名地宣稱他要把Windows變成一堆調(diào)試得很爛的設(shè)備驅(qū)動程序，然后微軟硬生生擠進了市場。但最終證明，網(wǎng)頁瀏覽器本身不是關(guān)鍵——價值都在別的地方。所以這些像漩渦一樣的大問題都懸而未決，最終又回到了我前面說的：有些事情你能知道，但你根本不知道它最終會怎么收場。

Erik Torenberg：是啊，現(xiàn)在還不清楚這會更像互聯(lián)網(wǎng)（大部分價值和應用層面的更好利潤率發(fā)生在應用層），還是更像云（價值似乎在硬件層，目前看起來Nvidia看上去賺得最多，利潤率更高）。但它會不會一直這樣？還是會變得更像互聯(lián)網(wǎng)？要怎么開始預測這個答案？

Benedict Evans：對此我有兩個回答。有大量關(guān)于歷史如何運作的名言——我最喜歡的一句是：歷史教會我們的只有一件事，那就是總會發(fā)生一些事，而且你總能事后解釋為什么必然如此，但在當時并不明顯。特別是我記得大約15年前，很多非常聰明的科技人士拿到了iPhone和Android，然后說：這是開放與封閉的又一輪較量，我們要干掉iPhone，但這當然沒有發(fā)生。我可以事后解釋原因，但所有這些類比都有用，卻沒有一個是預測性的。歷史總是事后看來才顯而易見。

有趣的是，我最近做了幾個播客，也發(fā)布了這個演講，然后就有一類評論說：Benedict，你沒做好你的工作，你應該告訴我們未來會發(fā)生什么，你的職責就是做預測。可你看起來就只會說"我們不知道"。這里有兩個問題。一個是在有些地方我確實說了我認為什么行不通、什么會奏效——比如我認為基礎(chǔ)模型不是產(chǎn)品，聊天機器人也不是產(chǎn)品，價值會在上游。但另一個方面是，在這個周期階段，存在太多變量，你不知道最終會是哪一個。如果你非要說"我覺得就是那個"，你可能對，但你必須意識到其中的不確定性有多大，有多少條不同的路徑可能走向。這就是這個階段周期的本質(zhì)：所有賭注都還是開放的。

等S曲線開始向上走，它就會收窄。曾經(jīng)有一個時刻Windows Phone似乎也可能成功——事后看來當然不太可能。曾經(jīng)有一個時刻移動端怎么走還不清楚，后來清楚了——這就是正在發(fā)生的事，然后我們就轉(zhuǎn)向下一個問題。

科技的一個特點是：當你真正理解了一件事，知道了它是怎么運作的、未來會怎么走的時候，恰恰就是你該轉(zhuǎn)向下一件事的時候了。你應該總是去尋找那些我們還不知道答案的安靜角落。我的Apple電子表格我已經(jīng)五年沒更新了——因為我們早就知道結(jié)果了。我不在乎下一代iPhone長什么樣，我也不關(guān)注他們在中國的市場份額了。結(jié)果已經(jīng)定了，下一個問題。

03 基礎(chǔ)模型不是產(chǎn)品，價值在上游

Erik Torenberg：你剛才說你不認為基礎(chǔ)模型是產(chǎn)品，你認為價值會向上游移動。請解釋一下你的推理以及這可能會是什么樣子。

Benedict Evans：我認為可以把三個或四個構(gòu)建塊放在桌面上討論。

第一個是：目前來看，很難造出一個從根本上永遠比別人好、還能持續(xù)保持差異化優(yōu)勢的模型。它沒有網(wǎng)絡效應，也沒有你能拉的杠桿，或者像Instagram、YouTube、Google搜索那樣的戰(zhàn)略位置。LLM沒有可對應的東西。當然，不同模型各有側(cè)重——也許這個比那個好一點，也許你更喜歡這個，但它們之間不存在根本性的差異，唯一區(qū)別就是你愿意花多少錢。

第二個問題：聊天機器人本身就是一個奇怪的、功能有限的V1版UI。在某些場景、某些人和某些任務上它確實很好用，但大部分情況下你還需要一大堆別的東西。你需要工具鏈，需要正確配置，需要有合適的數(shù)據(jù)，需要配置好各種控制和用戶界面。需要有人認真思考過這個工具應該怎么運作，因為擅長使用工具完成工作的人，和擅長決定工具應該做成什么樣的人，通常是兩撥人。

擅長平面出版物設(shè)計的人不是該去做InDesign的人，那是另一套技能。擅長理財咨詢的人也不是設(shè)計理財機器人的合適人選——那需要不同的技能、不同的人?，F(xiàn)在我們就在摸索中間地帶：Claude有這個，Claude有那個，還有Skills等等。在我看來這就有點像，誰來做Skill？另一個問題是，這看起來有點像你在Excel里選"新建文件"時看到的模板——它們只能走到一定地步，到某個節(jié)點你就突破模板了。我的演示文稿里有一張幻燈片，引用了一個多年前在Twitter上有人對我說的話：他說自己當咨詢顧問，一半工作是教別人用Excel來當數(shù)據(jù)庫用，另一半是教別人用數(shù)據(jù)庫來當Excel用。

所以這里有一個模糊的、混沌的地帶：你需要專門的軟件嗎？你需要橫向軟件還是垂直軟件？還是你就在Excel里搞定一切？我們都見過整個部門靠一個10兆的Excel文件運轉(zhuǎn)的例子——我自己的生意也在用Numbers電子表格。但到了某個節(jié)點，你就會超越那個極限。

那么模型公司能做出所有這些嗎？當然不能，就像微軟或蘋果不可能做出Windows和iOS上的每一個App一樣。所以模型公司有沒有那種杠桿效應？它們是Windows還是iOS？再問一次：有網(wǎng)絡效應嗎？

比如你現(xiàn)在是一家律師事務所，你要買一套軟件——a16z投資過很多企業(yè)軟件，這家律所或制造企業(yè)或銀行會問"這個用的是Claude還是OpenAI？因為我們統(tǒng)一用的是Claude"嗎？不會，根本不是這樣運作的。云時代也不是這樣，你不會說"我們公司統(tǒng)一用AWS"，你甚至不知道某個SaaS產(chǎn)品跑在哪個云上。這才是關(guān)鍵，它被剝離掉了，不是你需要關(guān)心的問題。所以從這個意義上看，基礎(chǔ)模型更像云服務商——它們可能有一些競爭優(yōu)勢，但沒有那種杠桿效應，沒有網(wǎng)絡效應，沒有控制力。

這也讓我聯(lián)想到另一種對比：半導體行業(yè)——每一代都越來越貴，參與者越來越少。綜合來看，模型本質(zhì)上是一種不同的商品，聊天機器人不是正確的UI或產(chǎn)品，模型公司不可能自己做出所有東西。所以它們是底層基礎(chǔ)設(shè)施。那么它們有定價權(quán)嗎？

未來會有大概3到6家公司做前沿模型，每年投入——沒有人確切知道，大概是2000億到2萬億美元——再加上一批邊緣模型和開源模型。所以最終會有五六家公司在這個市場上相互競爭銷售這些產(chǎn)品。價格紀律從哪里來？尤其是其中一些公司還有完全不同的商業(yè)模式。比如Google靠廣告賺錢，他們對定價的態(tài)度跟OpenAI就不一樣。

我認為難點在于：我們現(xiàn)在所處的狀態(tài)和最終應該達到的狀態(tài)之間存在差距——這其實是大一經(jīng)濟學課程就會討論的話題。我們目前處于一個供需、定價、CapEx和容量之間的極端不平衡時期。但Token的需求是無限的，這并不意味著你無法達到一個不同的價格均衡點——因為移動數(shù)據(jù)就是這么走過來的。過去15年對數(shù)據(jù)比特的需求增長了1500到2000倍，但你仍然看到了供給和需求的市場價格均衡，而且在世界大部分地區(qū)仍然存在運營商之間的慘烈價格戰(zhàn)。從根本上說，你銷售的是一種商品，客戶隨時可以換供應商——開發(fā)者也會來回切換。

當然，我完全接受這可能是錯的。也許最終世界上只有兩家公司能造LLM，它們有定價權(quán)。或者我們進入一個世界，幾乎所有事情都被融入了模型本身，模型在上游有杠桿效應。但我的核心觀點是：就像iOS與Android之爭一樣——你當然可以說過去三次都這樣走了，但不能證明這次也會一樣。但至少你應該提出這些問題，也應該承認當前的狀況是暫時的。我們正處在這種極端稀缺的狀態(tài)中，隨后會有定價體系、自由市場、以及大約1萬億美元的CapEx涌入。所以這些倍數(shù)都會發(fā)生變化。

04 編程之后的下一個突破在哪里

Erik Torenberg：這正好引出了你之前說的"我們已經(jīng)知道Apple是什么樣了"。那么你目前最關(guān)注的下一個問題是什么？或者說我們應該最關(guān)注什么？

Benedict Evans：我們剛才已經(jīng)談過一些問題，比如模型的能力棧能走多遠、模型能否實現(xiàn)差異化等等。另一個顯而易見的問題是：在什么時間點上，我們會看到越來越多類別的用例中，模型已經(jīng)足夠好了，我們不再需要云上最貴、最快、最大、最重的模型？我們可以用舊模型、開源模型、或者設(shè)備端運行的模型。這正是蘋果接下來要講的故事——有多少東西可以推到設(shè)備端，在那里算力是免費的（或者至少對你來說是免費的，對開發(fā)者沒有邊際成本）。

另一個經(jīng)典的問題是：問題本身已經(jīng)開始走出技術(shù)領(lǐng)域了。比如你去看一家律所、一家咨詢公司、一家投行——基本上所有傳統(tǒng)上采用金字塔式結(jié)構(gòu)的專業(yè)服務機構(gòu)——如果你能自動化很大一部分金字塔底端那些人做的工作，會發(fā)生什么？我只能說，如果你沒在律所工作過，沒在貝恩、BCG、麥肯錫工作過，你大概不太可能搞清楚這是怎么回事，因為你可能根本不知道那些初級員工具體在做什么，也不知道客戶到底在為什么買單。那些角色會怎樣重構(gòu)？AI對金融意味著什么？既包括內(nèi)部的招聘結(jié)構(gòu)，也包括你能創(chuàng)造的產(chǎn)品類型和利潤率結(jié)構(gòu)。對咨詢行業(yè)意味著什么？對四大、三大、埃森哲、大型律所和廣告公司意味著什么？

你大概能知道其中一些問題，但如果你不是這個行業(yè)的人，你根本不知道答案是什么。這讓我想起在a16z的時候我常說的一句話"內(nèi)容不是王"。我還寫過"Netflix不是科技公司"——我想表達的是：Netflix的整個業(yè)務都是由科技行業(yè)打造的基礎(chǔ)設(shè)施所支撐的。但Netflix面臨的所有問題都是洛杉磯的問題（內(nèi)容問題）：選什么劇、拍多少劇、什么類型的??？該花多少錢請人才？要不要沖獎？做不做電影？買不買體育版權(quán)？這些都是洛杉磯的問題，不是舊金山的問題。舊金山甚至不知道正確的問題是什么——它們是媒體行業(yè)的問題。Netflix所有真正重要的問題都變成了媒體行業(yè)的問題。

同樣，特斯拉到底是汽車公司還是科技公司，也一直是爭論的焦點。我想說的是：AI對法律行業(yè)意味著什么，這個問題既是技術(shù)人的問題，更多的是律師的問題——你需要深入了解律所實際如何運作、客戶到底在購買什么。同樣，生成式視頻對好萊塢意味著什么？Ben Affleck可能比我知道得多得多——他創(chuàng)立了一家公司以幾億美元賣掉了。所以這是第二類問題：問題正在走出AI本身的范疇，變成了半AI、半其他領(lǐng)域的混合問題。

第三個層面——也許我早就該說——這一切與以往平臺轉(zhuǎn)型的根本不同之處在于：在3G、iPhone、網(wǎng)絡等時期，你雖然不知道接下來會發(fā)生什么，但你知道物理限制。比如1995年，你知道電信公司下周不會給全世界都裝上寬帶；你知道不是全世界所有人都會去買一臺PC，因為一臺PC要3000美元。所以你知道基本的不可能邊界在哪里。

但在生成式AI上，我們不知道?？赡芪覀冧浲赀@期節(jié)目，手機就推送一條通知說OpenAI的新模型發(fā)布了，價格只有之前的2%——因為有了新的技術(shù)突破。我不認為這非?？赡?，但我們不知道這類問題的答案。模型會變大多少？變好多少？變快多少？變便宜多少？在哪些方面？模型的特征會如何變化？我們不知道。這和之前的所有平臺轉(zhuǎn)型都不一樣——以前你知道基本限制條件在哪里。而這又會衍生出一系列新的問題。

某種意義上，我之前也提到過：目前唯一有產(chǎn)品市場契合度的領(lǐng)域是編程。其他領(lǐng)域還沒有同等程度的PMF。我很安全地說：Anthropic的營收從去年的90億美元運行率漲到了現(xiàn)在的470億美元——這全部來自軟件開發(fā)。所以，如果其他領(lǐng)域有人做出了一些能用的東西，會發(fā)生什么？

Erik Torenberg：比如律所、銀行……如果你要猜的話，除了編程之外，哪些用例可能產(chǎn)生日?；钴S的使用？

Benedict Evans：我?guī)字芮鞍l(fā)布的演講大概分為三個部分。第一部分講的是資本、CapEx、基礎(chǔ)設(shè)施和基礎(chǔ)模型的差異化——這就是我們剛才聊的內(nèi)容。第二部分是：你如何用這些東西來構(gòu)建軟件？這對軟件行業(yè)意味著什么？軟件會長什么樣？利潤率、公司格局會發(fā)生什么變化？

第三部分我稱之為"變化"。我開頭引用了Yogi Berra的一句名言：預測很難，尤其是關(guān)于未來的預測。我覺得有一個回測視角挺有意思：想象一下在1997年問關(guān)于互聯(lián)網(wǎng)的這類問題，你會得到什么？不會得到什么？我認為一個看待方式是：這是一種自動化，它把過去人們做但不能自動化的一類事情變成了可以自動化。那這意味著什么？我提出了三四個可以按下的按鈕。

首先是價格彈性，這也是Gerber的PowerDNS真正在做的：如果做事的成本降低了，你是用更少的錢做同樣多的事，還是用同樣的錢做更多的事？還是因為你做得更多、收的錢也更多？有沒有什么事以前做不了，現(xiàn)在變得便宜了？有沒有什么事以前很貴，是進入門檻——就像擁有印刷機對于報社那樣——現(xiàn)在這個門檻消失了？有沒有什么事因為你成本降低而在商業(yè)模式或競爭空間中解鎖了新的可能？

最后一個問題是：有哪些事情以前是完全不可能的，完全由于成本過高而根本沒人想過，現(xiàn)在變得可及了？我常用的例子是蒸汽機使火車成為可能，你買再多的馬也造不出一列橫貫東西的火車。更現(xiàn)代的例子是YouTube或Spotify。Spotify說：看看過去25年音樂行業(yè)的歷史，前半段是"你不用花1.5美元買一張CD就為了那一首歌"，后半段是"每月15美元就能聽所有你能找到的音樂"，這在以前是完全不可能的事。

這類預測的問題在于：一方面你耍耍小聰明說一些顯然正確的話，但你其實不知道它在具體行業(yè)里意味著什么。比如90年代末我們說互聯(lián)網(wǎng)會摧毀物理分銷的價值——這對報紙和電影公司意味著完全不同的事情：報紙被摧毀了，而電影公司幾乎沒受什么影響。所以還是看具體情況。

還有一部分我覺得可以問一些更有用的問題。讓我比較好奇的一個是：AI會如何改變廣告、電商、品牌和我們的消費行為？廣告是萬億美元的市場，零售是25萬億美元，這是一個相當規(guī)模的可觸達市場。我一直在想的是：Google、Meta和Amazon其實并不真正知道那些商品是什么。它們知道SKU，知道發(fā)布者在元數(shù)據(jù)字段里輸入了什么，知道"買這個的人也買了那個"，但它們不知道為什么，也不知道那些東西到底是什么。所以才會出現(xiàn)這種笑話：Amazon，我買了一個馬桶墊圈，但我不是在收集馬桶——因為Amazon其實不知道馬桶墊圈是什么，也不知道正常人不會買兩個。實際上它們應該能用頻率分析知道，但它們沒這么做。而用LLM，原則上你就能知道那些東西是什么、人們?yōu)槭裁促I、人們還會買其他什么東西。

當然"知道"這個詞很難定義。但至少AI系統(tǒng)能提供一種完全不同維度的統(tǒng)計色彩——這就是為什么Google和Facebook的廣告收入和轉(zhuǎn)化率每個季度都在飆升——他們把AI融入了廣告系統(tǒng)、推薦引擎和預測算法。你會看到更多你喜歡的東西，你看到的廣告也更可能是你想買的東西。所以他們的廣告收入出現(xiàn)了突然的加速。

總的來說，你看這些系統(tǒng)現(xiàn)在的運作方式：它們說"買那個的人也買了這個"。而現(xiàn)在你應該能做到了：這里有一件外套的圖片：這是什么？在哪里能買到？十年前這絕對做不到，五年前可能也做不到，現(xiàn)在應該能做到了。然后你還可以說：幫我推薦10件類似的外套，不同價位，告訴我哪里能買到，并列出每件的優(yōu)缺點，這些你也基本能得到。再進一步：看我的Instagram，幫我推薦一件我該買的冬季外套，要改變我的風格，但不能變得太多。三年前這完全是科幻小說，現(xiàn)在你會覺得確實可以做出一個差不多能用的東西。

而這些變化——計算機能知道什么、能自動化什么、能提出什么建議——又回到了最根本的問題。每次有新技術(shù)出現(xiàn)，你首先會用新技術(shù)做舊的事情：更多的電子表格、更多的PowerPoint、更多的郵件、更好的郵件。但重要的不是更好地做舊事，而是做那些舊技術(shù)根本做不了的新事。這是個很老套的觀察，但我們常常忘記。那么有哪些事情是你只能用這個新東西來做，而不僅僅是自動化舊的東西？

企業(yè)端的版本可能是：你錄下了所有與客戶的Zoom通話，你有Salesforce中所有的郵件流，你還有所有用戶行為分析數(shù)據(jù)和指標。那么你該怎樣調(diào)整定價來改善流失率？這就是LLM可能做到的，跟"對呼叫中心做情感分析，告訴我哪些客戶在生氣"是兩回事。你在分析能力的抽象層次上發(fā)生了多重轉(zhuǎn)變。當然，這會催生新公司、摧毀舊公司、創(chuàng)造新業(yè)務。但話說回來，我們現(xiàn)在是1997年，而我想預測出Uber和Airbnb。如果我真的能預測出來，那我們就活在平行宇宙了。風投的命中率就不會是十分之一，而是十分之十了。

Erik Torenberg：是的。我們現(xiàn)在問的問題之一是：什么東西以前貴得離譜，現(xiàn)在變得可能了？比如從零重建YouTube？或者重寫Linux內(nèi)核？

Benedict Evans：有趣的是，另一面的觀察是：新來的公司總是說"我們要用新東西重新做一遍舊東西。當然，我們要用開源重做Office，我們要在Web上重建它。"結(jié)果呢？看看Google Docs，市場份額大概20%——因為那根本不是關(guān)鍵。

真正有意思的是做出一些全新的東西，是轉(zhuǎn)移抽象層次，去發(fā)現(xiàn)那些以前根本不存在的問題。坐在風投 公司里整天聽項目路演，你會發(fā)現(xiàn)有些東西聽起來有點用，有些東西你覺得不太可能成。但有一些東西就像填補了宇宙中的一個空洞——當別人跟你一解釋，你立刻覺得：哇，為什么以前沒人做過？為什么沒人發(fā)現(xiàn)這個問題存在？這就是看創(chuàng)業(yè)公司最好玩的地方。而這正是人們會用AI來做的事——人們會突然發(fā)現(xiàn)一種方法，意識到某個問題一直存在，而包括那些擁有這個問題的人在內(nèi)，沒有人意識到那個問題存在，然后他們就會去做一個工具來解決它。

這也回到我前面的觀點：這就是為什么我不認為模型能包攬一切。回想一下你在a16z見過的所有項目路演，有多少是行業(yè)里的人早就知道那個問題存在的？答案往往是否定的。實際上行業(yè)內(nèi)沒人覺得那是個問題，通常需要花兩年時間去解釋，讓他們相信那個問題確實存在，然后這個新東西才能幫他們解決。這就是問題所在，你不能指望一個財務部門的普通經(jīng)理用這個工具去解決一個巨大的全球性行業(yè)問題——因為根本沒人知道那個行業(yè)問題存在，更不用說想出正確的工具方案了。

05 AI 時代的 SaaS 格局更分散還是更集中？

Erik Torenberg：這是否意味著AI時代的SaaS環(huán)境會比以前更加不集中？更少捆綁，少一些像微軟企業(yè)套件那樣的巨頭？

Benedict Evans：回到SaaS的話題。讓我們把一些構(gòu)建塊先放好。顯然，構(gòu)建軟件會變得更加便宜、更加快速。顯然，會出現(xiàn)一大堆用軟件能做到而以前完全做不到的事情。因此競爭會更激烈。當然，這也伴隨著新的利潤率結(jié)構(gòu)。但正如我們剛才聊的，我們并不真正知道那個利潤率結(jié)構(gòu)會是什么樣。

會走向結(jié)果導向定價嗎？把企業(yè)軟件中的每一次按鍵都和損益表掛鉤非常困難，有時在Salesforce里可以做到，但絕大多數(shù)軟件很難說"我今天做的工作對每股收益產(chǎn)生了這么多影響，所以我們應該為此付這么多錢"。我不認為這說得通，至少長期來看說不通。但定價結(jié)構(gòu)會怎么演變？肯定會有更多競爭，構(gòu)建軟件會更容易、更快速。

我思考這個問題的方式有兩個有用的框架。第一個是：看看當今的企業(yè)軟件群體，有三大類。第一類是大型橫向系統(tǒng)——SAP、Workday、CRM、人力資本管理軟件、薪資管理軟件等等。第二類是垂直軟件——一家典型的大型美國公司大概有300到400個SaaS App，另外還有上千個內(nèi)部購買或構(gòu)建的App跑在Teams上。中間地帶則是Excel、郵件和共享文件系統(tǒng)構(gòu)成的模糊的即興空間，東西會在這三者之間來回移動。原則上說，每一個SaaS App都在做你本來也可以在SAP或Excel里做的事情，比如你可以在Workday里管理校招。

但到了某個節(jié)點，比如我跟人聊過，如果你是普華永道，每年要招幾千個畢業(yè)生培訓成會計師，你可能有一套自建的專用軟件，或者你請了埃森哲來建一套，而且你可能還很討厭它。但如果你是一家每年只招5個畢業(yè)生的公司，你就在郵件和共享Google Sheets里搞定，因為你為什么專門買套軟件？中間地帶則可以用Workday、Excel或?qū)Ｓ肁pp來做。現(xiàn)在你把ChatGPT加進來：你是用LLM來做這件事？有沒有一個LLM工具能讓你在Salesforce里完成以前不能做的事？或者在你的垂直軟件里完成以前不能做的事？你用LLM給自己建一個工具——就像公司里某個部門靠一個15年前建的10兆Excel文件運轉(zhuǎn)，沒人知道它是怎么運作的，但大家還在用。所以LLM就進入了這個廣闊、零散、復雜的景觀中，成為完成任務的另一組選項。

我認為另一個思考框架是：LLM是放在棧頂還是棧底？一方面，放在棧底就是Salesforce內(nèi)部的一個功能，你在Salesforce里，系統(tǒng)查看與該客戶的歷史記錄、所有其他銷售通話的上下文、業(yè)務目標，然后幫你生成一封郵件或建議你在給客戶打電話時該說什么。這是一個受控的功能，有工具鏈、有護欄，由該特定用例驅(qū)動。另一方面，就是剛才那個例子：去查看Salesforce、Workday、所有郵件和Google Analytics的數(shù)據(jù)，然后綜合出一個以前做不到的分析。所以兩難的境地在于：你把概率性的、可能出錯的軟件放在哪里？你把確定性的系統(tǒng)軟件放在哪里？數(shù)據(jù)庫放在哪里？LLM放在哪里？是棧頂還是棧底？可能兩者都有，取決于你具體在做什么。

歸根結(jié)底，這是對軟件意味著什么——更多的軟件，遠遠更多的軟件。所有軟件公司存在的意義就是解決其他軟件公司創(chuàng)造的問題。這就是那個經(jīng)典笑話：所有安全軟件存在的意義就是解決其他安全軟件創(chuàng)造的問題。顯然，SaaS時代已經(jīng)讓我們經(jīng)歷了一次數(shù)量級甚至兩個數(shù)量級的軟件爆發(fā)。這次我們應該預期同樣的事情發(fā)生。

至于說SaaS末日，投資者看著所有這些公司說，我們不知道哪些公司會被這一切搞垮?？隙ㄓ幸恍┕緯甑?，一定會有一定比例的現(xiàn)有SaaS公司被這波浪潮消滅，但你不知道是哪些，所以你不應該直接把整個行業(yè)貶低50%。但你肯定要說：在我搞清楚這一切到底是怎么回事之前，我暫時不會All in做多SaaS。

Erik Torenberg：你在和Ben Thompson的對話中提到：軟件就是有人坐下來設(shè)計了一個工作流，然后說從今以后這就是做這件事的正確方式。但你也說流程是從業(yè)務運作方式中長出來的。這需要時間嗎？還是我們需要更多的實驗和迭代——來自那些垂直AI初創(chuàng)公司——才能找到未來軟件的正確形態(tài)？

Benedict Evans：從某種意義上說，戰(zhàn)略咨詢公司和軟件公司做的事情有一個有趣的重疊：它們都觀察一家公司內(nèi)部正在發(fā)生的事情，說"這樣做太糟糕了，換一種更好的方式能達到你的目標"。軟件公司把這套方式編碼進軟件里，戰(zhàn)略咨詢公司則把它編碼進工作流、崗位職責、流程、培訓和目標中，也可能建議他們買一套軟件來做這件事——或者現(xiàn)在越來越多地，直接幫他們構(gòu)建那套軟件。

還有一點需要談的是：一家組織內(nèi)部有多少工作是隱性的、沒有文檔記錄的、不在訓練數(shù)據(jù)中的、不是公司里隨便哪個人能坐下來畫出一張流程圖向你解釋清楚的。這在BCG和麥肯錫的價值中占了很大一部分。他們有權(quán)進入一家公司，跟所有人談話，包括那些在不同部門、不被允許互相交談的人（以及不會因此被解雇的人），去搞清楚"這件事實際上是怎么運作的"，而不是"它應該怎么運作"；以及為什么人們沒有在執(zhí)行戰(zhàn)略，因為實際上他們的獎金目標取決于他們不去執(zhí)行那個戰(zhàn)略。然后他們作為外部團隊給你答案，你就可以把責任推到他們身上。

這些都是組織管理和人員運作中的問題——人們?nèi)绾芜\作、如何解釋自己做的事——這些很難寫下來，也很難直接烘焙到一個Skill里說"給你，也許做個PPT吧"。所以這里有一個更大的挑戰(zhàn)：如何讓人們使用這些技術(shù)？如何讓用戶采納新工具？如何幫助人們采納新工具并找出可以用它們做的新事情，這同樣發(fā)生在云、Web、移動、互聯(lián)網(wǎng)、PC和電子表格時代。

Erik Torenberg：你認為AI原生軟件和新型界面之間會不會有一種共同演化？比如新的客服AI平臺可能不需要那么多面向人的UI，或者記錄系統(tǒng)軟件干脆沒有前端？因為它主要的用戶是直接查詢它的AI Agent？

Benedict Evans：這些都是很有意思的想法，我很難有強烈的意見，因為我沒有深入到企業(yè)基礎(chǔ)設(shè)施如何構(gòu)建的細節(jié)中去。我好奇的是這些問題有多新。我記得大概10到15年前Chris Dixon說過：API就是新的邊界，軟件不再需要軟件公司了，你只要開放你的API就行。所以，舊的東西總會以新的形式回來：現(xiàn)在你不需要API了，你只需要一個MCP服務器，Agent就會直接連上去。我不知道。

我認為這類事情的最大挑戰(zhàn)在于：所有決策本質(zhì)上都是異常處理。問題永遠是：什么是你不能自動化的？什么需要有人來做決策、做判斷、有自己的意見——因為那件事可能從來沒有被寫下來，沒有發(fā)生過，或者看起來和以前不一樣。

我在演講里用的區(qū)分方法是：任務和職位的區(qū)別。用來完成某個職位的任務可能會改變，但職位本身可能變化不大，或者這個職位向客戶交付的東西變化不大。想想50年前的會計師和今天的會計師——他們做的最核心的事情幾乎沒有一件是相同的。但在客戶看來差不多是同一件事，只是用完全不同的方式、通過一系列完全不同的任務來完成。

我認為更深刻或更抽象的一種思考方式是：在哪些地方你希望App給出的是"所有人都這樣做的答案"？那是每個人都想要的答案，任何人都會給的答案，任何初級員工都會做的答案，任何人都會給我的答案。而在哪些地方你不想要這種答案？在哪些地方你想要的是一個新問題的答案、一個不同的答案或不同的想法？因為LLM會非常擅長任何你能描述人們怎么做、以及你想要的就是一般人會怎么做的事情。在不擅長的地方，是你無法解釋你為什么要那么做、而你做的又和別人不一樣的地方。

06 模型的商品化命運與歷史鏡鑒

Erik Torenberg：包括Google CEO在內(nèi)的很多人都說，投資不足的風險比過度投資更大。有沒有一個CapEx水平會讓這句話不再成立？我們現(xiàn)在是不是正在接近那個點？

Benedict Evans：首先存在一個財務引力的問題：微軟、Meta和Google今年的CapEx都達到了收入的50%左右。電信行業(yè)被認為是資本密集型的，但它們的CapEx只有收入的15%到20%。四大公司今年的指引是7000億美元。電信行業(yè)總共是3000億，移動是2000億。石油和天然氣，取決于怎么算，大概在7000億到1萬億美元之間。所以一年7000億美元并不是一個不可能的巨大數(shù)字——這就是大型全球基礎(chǔ)設(shè)施的正常成本，只是錢確實很多。

顯然，這些公司明年不可能花1.5萬億美元，如果真花了，它們就得借錢，而且不可能長期維持這個支出水平。所以到了某個點，增長必然放緩，因為沒有更多的錢了。當然你可以談ROI、談投資回報能力。資本市場也愿意在某個范圍內(nèi)提供資金。但隨便說一個數(shù)字——我們不可能每年在AI基礎(chǔ)設(shè)施上花10萬億美元——因為全世界根本沒有10萬億美元可以花。所以存在某種物理上限。

我目前還不太敢說比這更具體的東西。我?guī)缀跻氐阶畛跽f的：我們現(xiàn)在有一堆倍數(shù)的問題——需求遠遠超過供給。但另一方面，效率也在大幅提升。我們不知道下一個模型會是什么樣。我們不知道邊緣計算和開源模型什么時候會加入戰(zhàn)局。而且你永遠在追逐最新的模型。這就是貫穿一切的主線，一個模型只在3到6個月、6到9個月內(nèi)保持相關(guān)性，而它花了幾十億美元和多少基礎(chǔ)設(shè)施才能做出來。

我認為這個局面還沒有真正穩(wěn)定下來。顯然有很多非常聰明的半導體分析師在花大量時間試圖給這些數(shù)字賦值——這有點像90年代末給互聯(lián)網(wǎng)帶寬估值——你甚至不知道電子表格里的行是什么，更別提值是多少了。你只能說不可能是無限的，存在物理限制。

另一個回答方式：如果你是Google、Meta、微軟、亞馬遜或蘋果，這在一定程度上是一個關(guān)乎存亡的問題。你有一種FOMO問題。一方面，你當前的投資回報非常正面。另一方面，你不能讓別人在你缺席的情況下跑掉，否則公司就完了。你不想像2000年代的微軟、90年代的IBM、或者2010年代的Intel那樣，一直被蘋果打得落花流水。如果這就是計算生態(tài)的未來，你必須參與。但同時，CFO坐在那里說：行，但我們要參與到什么程度？顯然到了某個點，CapEx的增長必須放緩，因為你根本拿不到那么多錢。

Erik Torenberg：會不會有一個關(guān)于Token浪費的清算時刻？有沒有可能公司過度使用了AI，等他們做正式的ROI研究時就會縮減？

Benedict Evans：顯然，有的人用最貴的模型在網(wǎng)上聊天——就像2010年移動端那樣，你收到一張1萬美元賬單，然后說"等等，我以為這是無限流量套餐"。所以肯定會有一些又傻又痛的段子。但我認為更有趣的問題是：正如我已經(jīng)說過好幾次的，我們正處在一個嚴重失衡的龐氏時刻，定價必須重新與成本對齊，使用量必須與定價和ROI對齊。

難點在于，在這個早期階段，很難知道ROI是什么。這有點像90年代末互聯(lián)網(wǎng)，你說"去變得更有效率吧"。如果你看我的演講里引用的德勤和美聯(lián)儲的調(diào)查——你去問CFO們是否看到了收益，目前大部分收益是那些很難量化的東西：更精準的分析、更好的客戶支持、更高的生產(chǎn)力、你能更快地做更多幻燈片、更快地做分析。要在財務上給它賦值很困難。它有財務價值，但和你說的"我們用AI做出了新產(chǎn)品，帶來了多少收入，或者節(jié)省了多少錢"不是一回事。要建立一條新的收入線，遠比發(fā)給所有人用AI來做Excel要快。

另一個答案當然是消費者剩余——就像Excel當年那樣。如果做一份DCF估值模型需要一周，你可能只做一到兩個。如果做一份只需要10秒，你能做50份——但你沒辦法為此多收費。所以一部分結(jié)果是，這些變成了競爭必需品——每個人都必須買、必須用。但你從中獲得的成本節(jié)約或生產(chǎn)力提升，會被競爭吃掉。你沒辦法多收費。

如果你是麥肯錫、貝恩或BCG，某個分析以前需要一周，現(xiàn)在只需要一天，你可能會做5倍的分析量，但向客戶收同樣的錢。你的成本結(jié)構(gòu)也沒變，這就是投資銀行和財務分析領(lǐng)域曾經(jīng)發(fā)生的事：你用更少的人做了多得多的分析，向客戶收取同樣的費用。

Erik Torenberg：你論文的核心觀點之一就是模型最終會成為商品。然而目前融資速度最快、金額最高的領(lǐng)域恰恰就是這些基礎(chǔ)模型公司。對此，你對它們有什么建議，無論是整體性的，還是針對某一家？

Benedict Evans：我并不確定它們一定會變成商品。我的立場更像是：這里有一串推理鏈條，確定性地看，這些東西看起來很可能變成商品——那么請解釋給我聽為什么它們不會。我就只承諾到這個程度。至于籌集這么多錢，我回到之前關(guān)于移動行業(yè)的觀點，這雖然不具預測性，但是一個值得注意的觀察：移動行業(yè)規(guī)模非常大，花了很多錢，但利潤并不高，所有酷炫的東西都是別人做的。

然后你可以看看資本回報率，答案取決于你是在美國、歐洲、印度還是中國。但與此同時，這件事值得做，也確實為某些人帶來了回報，但最終移動運營商并沒有掌控全局，其他人從中獲得了更大的價值。Google去年的凈利潤是多少？大概500億美元？整個電信行業(yè)的凈利潤是多少？我應該去訂閱Bloomberg終端才能直接回答這個問題，但我可以很有把握地說，Google、Meta、Amazon、微軟、蘋果的利潤總和超過了整個電信行業(yè)。

所以這是一個謎題：你在推動前沿前進，你陷入了一個陷阱，你必須不斷競爭，否則別人就會做出來，你就會落后。還有一點我們完全沒談到的是：我們是不是正在造AGI？我們是不是要造一個"神盒"？有些人已經(jīng)相信了，雖然很難分析，但也許就是這樣。所以無論如何你會繼續(xù)建造下去。

但實際問題是：你怎么做出人們想用的、不是軟件的東西？軟件是個好生意，但它是唯一的生意嗎？如果花幾千億美元讓軟件行業(yè)更高效，那很好，那值1萬億。然后呢？你怎么把它擴展到經(jīng)濟的其他部分？擴展到所有其他人？所以你才會看到這些討論——與私募股權(quán)合作、與咨詢公司合作——正如我們剛才討論的，如果你在經(jīng)營一家實體公司，要搞清楚用這些東西做什么其實很難。所以你會去找貝恩、BCG、麥肯錫、Infosys、Cognizant、IBM、埃森哲或者私募股權(quán)股東。所以一方面，你在造越來越大的模型，你覺得你必須繼續(xù)做下去。但另一方面，人們到底在用它做什么？為什么大多數(shù)人打開ChatGPT，今天還是想不出有什么好做的？

Erik Torenberg：最后一個問題：你的演講里有沒有什么你特別希望聽眾記住的內(nèi)容？

Benedict Evans：我去年用過、今年也用了的是一張IBM的廣告，來自50年代初，畫面上是一大群工程師舉著計算尺，廣告文案寫著"一臺IBM電子計算器相當于150名專業(yè)工程師"。你在a16z見過多少張這樣的幻燈片？我們記得每當這些基礎(chǔ)技術(shù)變革發(fā)生——每10年、15年或20年一次——它們都會帶來驚人的變化，徹底改變一切，而且完全不同于以前發(fā)生過的任何事情。所以AI是驚人的、變革性的、完全不同于以前發(fā)生過的任何事情。

但移動也是很大的變革，互聯(lián)網(wǎng)也是，PC也是，計算機本身也是——所有這些在當時也都是非常大的事，而且當時也很難預測接下來會發(fā)生什么。所以我們作為一個基準情況應該假設(shè)：好吧，我們又要經(jīng)歷一次了。這會產(chǎn)生一堆毀掉人們生活的東西，會讓一批人失業(yè)。會有一些我們不太高興的事情，也會有一些我們都覺得很棒的事情。20年后，我們會忘了曾經(jīng)有一個世界，計算機做不到那些事。

我們現(xiàn)在就在這個通話里坐了一個小時，電腦沒有崩潰，我們還在互相傳輸高清視頻。當然它能正常工作，事實上我還在用iPhone做到這一點。我的iPhone在通過WiFi向我的Mac傳輸視頻，就像魔法一樣，而我們再也不覺得有什么了不起的。我想這就是我對我所認為這一切終點的描述：它會變成魔法，20年后，我們會說：當然了，電腦一直都能這么做。

Erik Torenberg：這是一個很好的收尾。這份演講叫《AI Eats the World》，在Benedict Evans的網(wǎng)站上，內(nèi)容非常精彩，還有很多我們沒來得及聊的內(nèi)容。Benedict，這次對話非常棒，非常感謝你來做客。

Benedict Evans：謝謝，聊得很愉快。

以上就是a16z合伙人對話揭示大模型無網(wǎng)絡效應終局，模型公司恐淪為運營商賺通道費的詳細內(nèi)容，更多關(guān)于a16z：大模型終將淪為"通道費"生意的資料請關(guān)注腳本之家其它相關(guān)文章！

你可能感興趣的文章

• 

  a16z Crypto合伙人：現(xiàn)金流——企業(yè)競爭的關(guān)鍵護城河基石

  a16z Crypto合伙人認為，現(xiàn)金流雖非傳統(tǒng)護城河，但強大的現(xiàn)金流能力可支撐企業(yè)長期投入研發(fā)、用戶獲取與生態(tài)建設(shè)，尤其在低毛利或競爭激烈領(lǐng)域，持續(xù)穩(wěn)定的現(xiàn)金流成為抵御…

  2026-06-12
• 

  a16z合伙人自述：精品VC已死，規(guī)?；綖閂C終局

  a16z合伙人主張VC終局是規(guī)?；?，c終結(jié)，強調(diào)AI時代需巨型機構(gòu)提供萬億美元級資本與人才網(wǎng)絡，通過100倍工程師觸達和GTM團隊嵌入，系統(tǒng)性提升初創(chuàng)成功率，終結(jié)傳統(tǒng)精品VC?！?/p> 2026-02-22

• 

  a16z 合伙人的十年建議：新周期里，三大核心策略詳細介紹

  a16z合伙人提煉三大核心策略：1）押注基礎(chǔ)設(shè)施技術(shù)迭代；2）把握監(jiān)管與情緒周期；3）構(gòu)建跨周期資產(chǎn)組合,其油井-管道理論揭示：早期投資需容忍波動，后期轉(zhuǎn)向現(xiàn)金流資產(chǎn),當…

  2025-09-07
• 

  a16z合伙人分析：穩(wěn)定幣 貨幣的"WhatsApp時刻"

  穩(wěn)定幣能顯著改善現(xiàn)狀：墨西哥至越南的B2B支付需3-7天清算，每1000美元交易收取14-150美元費用，涉及多達五個分取利潤的中間商,更多詳細資訊請看下面正文 …

  2025-04-11
• 

  a16z合伙人Chris Dixon解析：穩(wěn)定幣的崛起正逐步改寫全球支付版圖

  即便互聯(lián)網(wǎng)已經(jīng)讓信息流通無遠弗屆，金錢流通卻仍受限于高昂費用與繁瑣程序,然而，穩(wěn)定幣的崛起正逐步改寫全球支付版圖嗎，更多詳細資訊請看下面正文…

  2025-04-10
• 

  a16z合伙人：我們?yōu)楹晤I(lǐng)投Legend的1500萬美元種子輪融資詳解

  a16z將領(lǐng)投Legend的 1500 萬美元種子輪融資，Legend簡化 DeFi 并幫助將下一個 1 億用戶引入鏈上,更多詳細資訊請看下面正文…

  2025-02-15
• 

  川普任命美式足球員Bo Hines、前a16z合伙人與AI加密沙皇David Sacks合

  美國侯任總統(tǒng)川普在12/23于自家社群平臺Truth Social上宣布，將由前美式足球員、共和黨政治新星Bo Hines出任川普加密委員會的執(zhí)行董事，以及美國知名風投a16z的前合伙人Sri…

  2024-12-23
• 

  a16z創(chuàng)始合伙人最新觀點：2025 年，區(qū)塊鏈將進一步“去中心化” AI 驅(qū)

  2025 年，區(qū)塊鏈替代方案將提供更多選擇、開源創(chuàng)新和社區(qū)控制選項,它們將傳遞開放互聯(lián)網(wǎng)的“圣火”,加密貨幣將開始從大型科技公司手中奪走權(quán)力，將其交還到用戶手中…

  2024-12-19
• 

  幣安Launchpool上架Vana新幣挖礦、曾被a16z合伙人關(guān)注！BNB突破710美元

  幣安（Binance）昨（13）日稍晚發(fā)布公告表示，將在幣安Launchpool上線第62期新幣挖礦項目Vana（VAVA），用戶可在北京時間2024年12月14日8:00起，將BNB、FDUSD投入VAVA礦池…

  2024-12-14
• 

  ARK Invest強勢反駁a16z：公鏈網(wǎng)絡效應遠超私有鏈，傳統(tǒng)金融終將全面擁

  ARK Invest研究主管Valente反駁a16z'傳統(tǒng)金融要鏈不要DeFi'觀點，認為金融機構(gòu)將更傾向開放式DeFi基建,他強調(diào)公鏈網(wǎng)絡效應與擴展性遠超私有鏈，以太坊代幣化資產(chǎn)增長即為明…

  2026-07-16