對話 a16z 合夥人：大模型沒有網絡效應，最後只能像運營商賺個“通道費”

核心觀點

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》。到現在你已經寫完快一年半了。你總是從"哪些是大問題"開始演講。但這次我想先問問：自你最初發表那次演講以來，我們學到了什麼？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生了什麼吧。我認為我們更清晰地看到了產品策略的分化，也看到了競爭張力------這種競爭已經不只是"把模型做得更大、更快、投入更多算力"那麼簡單了。

OpenAI的策略經歷了好幾次轉向------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域"。顯然，Agentic Coding已經真正開始奏效了。因此科技界的所有焦點都高度集中在這個領域，它已經具備了絕對的產品市場契合度，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點------曾經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麼。而現在它確實能用於編程，至於能不能用於其他領域，答案幾乎肯定是能的，但編程是目前真正發揮作用的地方。

現在焦點變得狹窄了很多。除此之外，數據還在不斷上升：模型越來越大，CapEx持續增長，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域會不會出現一個絕對的贏家，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裡，也不知道以目前的技術，消費者什麼時候會從每週使用變成每天使用。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？軟體開發者。而軟體開發者最想嘗試用這些東西來做什麼？當然是軟體開發本身。所以從這個非常樸素的角度來看，軟體開發的優先級最高。我經常把這個時刻類比成1997、1998年的互聯網，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幹什麼的，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製造更多的計算機，而如今人們用LLM（以及更大型的LLM）做的第一件事，也是製造更多的算力。所以這並不令人意外。

但今年年初發生了一個明顯的轉變：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麼時候發生，也不知道它就是第一個跑出來的應用。有些人事後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麼時間點發生，並且就是以編程的形式率先突破。

Erik Torenberg： 那在組織層面，我們學到了什麼？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麼？

Benedict Evans： 我覺得目前還什麼都談不上。六個月前這東西根本還沒法用。現在所有人都在手忙腳亂地試圖搞明白它到底意味著什麼。你要是太沉溺於噪音和細節，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，從而引發各種意外。所以我們根本不知道未來的團隊會是什麼樣。

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，他們做什麼？你過去為什麼要招初級員工？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，那會發生什麼？這個疑問在軟體開發領域變得更真實了，因為你確實在把大量過去由人做的事自動化。所以這些疑問已經從理論層面變成了現實。但我認為沒人能說自己知道未來三到五年的市場結構會是什麼樣，也不知道軟體工程師的職業路徑會變成什麼樣------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麼？你如何理解他們的戰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衝突的地方。顯然，他們的CEO因醫療原因休假，這讓局面出現了一些變化。

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？你們怎麼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個如何基於基礎設施構建價值的點子，然後全部照做"，OpenAI差不多就是這麼幹的。而Anthropic資金實力相對較弱，他們說：我們專注於編碼。然後他們就真的把編碼做出來了。至於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：目前真正發揮作用的是軟體開發，以及一些其他領域的部分場景。還有很多人只是興致勃勃地在邊緣試水，有的場景用一用。矽谷內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，但上週才用過一次。問題是，你怎麼彌合這個鴻溝？我不認為這問題有簡單答案。軟體開發確實躍過了那條鴻溝，但很多其他領域的人還在撓頭，用起來也就是淺嘗輒止。

另外還有很多企業正在用AI自動化一些特定的後台流程------這種情況下，你不是讓用戶自己去摸索這個新工具能做什麼，而是直接告訴他們：這裡有一個我們可以解決的問題。我去美國和科技行業之外的公司交流，也跟諮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來改善現金流預測，因為他們跟很多小生產商打交道，不太確定什麼時候能收到付款，而這是一個利潤率很低的生意，所以現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： 相比早期採用者每週或每天使用的情況，你怎麼看？

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。移動互聯網不需要等互聯網出現之後才誕生，它只需要等蜂窩數據網絡到位。互聯網不需要等個人電腦普及，個人電腦也不需要等消費電子產品和半導體先成熟。所以採納速度一直在加快。當年你老闆Marc Andreessen做Netscape的時候，全球個人電腦數量才幾千萬台。你不可能有9億週活躍用戶------因為根本沒有9億台電腦。所以加速度一直存在。

第二個要點是：這些變革的早期階段，誰都看不清它會怎麼運作，而且實際上什麼都不能用。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不記得那個年代了------你正工作到一半，螢幕上的一切突然卡死，你得趴到桌子底下拔掉電源，然後祈禱過去一小時做的東西至少還能找回一部分。這種事現在再也不會發生了。

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聲。那300美元花出去，還得搭上個周末才能讓它工作起來。我記得那些折騰的日子。互聯網也是一樣。你得先拿到一張裝有TCP/IP協議的軟碟，速度慢得要命，而且你想做的事根本還沒有現成的工具。移動端也是一樣。我們現在就處在那個階段。當然，關鍵問題是：這裡面哪些東西最終能成？現在也一樣：瀏覽器能不能成？這東西到底能不能站穩？這一切怎麼拼到一起？在那些極其令人興奮的東西和願意投入精力讓它運轉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鍵就能搞定的事情。

02 定價危機與平台歷史教訓

Benedict Evans： 第三點在於：單位的經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年移動數據領域發生的情況非常相似。一方面，人們突然收到金額高達5000甚至10000美元的數據帳單；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iPhone時推出的那種------所有人都買了iPhone開始用起來，3G網絡一開，大家開始看YouTube，整個網絡就癱瘓了，因為根本沒有足夠的容量來支撐。有趣的是，到現在科技圈裡還有人不懂蜂窩網絡有邊際成本。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整成本曲線，使其與基礎設施定價體系對齊、與底層成本對齊、並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了這一點。

但另一面恰恰就是我們現在看到的情況：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1萬美元的帳單，你肯定會驚呼這是什麼鬼。現在你就能看到一模一樣的新聞故事，這正是2008到2010年發生過的事，也和2001到2003年GPU領域發生的事情如出一轍。

但這個類比或比較中更有趣的部分在於：從那以後，移動數據流量增長了大約1500到2000倍。全球移動互聯網網絡的總收入大約為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------這在現在看來完全瘋了。但關鍵就在這裡：他們建造了這套驚人的全球性、極其複雜、極其昂貴的基礎設施，使用量不斷增長，改變了所有人的生活，我們都在為此付費------可他們自己卻沒從裡面賺到多少錢，因為所有價值都向上游轉移了。

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體，這個軟體在內部用了10種不同的AI方式來處理？如果答案是後者，那麼作為底層基礎模型的提供者，你的定位又是什麼？

它會不會變成一種以邊際成本出售的商品性基礎設施？目前來看這似乎是一個很難讓人接受的概念。因為你現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。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、用同樣的晶片時，模型公司憑什麼還能有定價權？

回顧歷史：晶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：它們有各種槓桿可以向上游移動，還有網絡效應，而模型沒有。所以問題就在於：模型公司是像基礎設施層那樣收場，還是像操作系統層那樣捕獲價值並決定別人能做什麼？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變成一堆調試得很爛的設備驅動程序，然後微軟硬生生擠進了市場。但最終證明，網頁瀏覽器本身不是關鍵------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麼收場。

Erik Torenberg： 是啊，現在還不清楚這會更像互聯網（大部分價值和應用層面的更好利潤率發生在應用層），還是更像雲（價值似乎在硬體層，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網？要怎麼開始預測這個答案？

Benedict Evans： 對此我有兩個回答。有大量關於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，那就是總會發生一些事，而且你總能事後解釋為什麼必然如此，但在當時並不明顯。 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，然後說：這是開放與封閉的又一輪較量，我們要幹掉iPhone，但這當然沒有發生。我可以事後解釋原因，但所有這些類比都有用，卻沒有一個是預測性的。歷史總是事後看來才顯而易見。

有趣的是，我最近做了幾個播客，也發布了這個演講，然後就有一類評論說：Benedict，你沒做好你的工作，你應該告訴我們未來會發生什麼，你的職責就是做預測。可你看起來就只會說"我們不知道"。這裡有兩個問題。一個是在有些地方我確實說了我認為什麼行不通、什麼會奏效------比如我認為基礎模型不是產品，聊天機器人也不是產品，價值會在上游。但另一方面是在這個週期階段，存在太多變數，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。這就是這個階段週期的本質：所有賭注都還是開放的。

等S曲線開始向上走，它就會收窄。曾經有一個時刻Windows Phone似乎也可能成功------事後看來當然不太可能。曾經有一個時刻移動端怎麼走還不清楚，後來清楚了------這就是正在發生的事，然後我們就轉向下一個問題。

科技的一個特點是：當你真正理解了一件事，知道了它是怎麼運作的、未來會怎麼走的時候，恰恰就是你該轉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電子表格我已經五年沒更新了------因為我們早就知道結果了。我不在乎下一代iPhone長什麼樣，我也不關注他們在中國的市場份額了。結果已經定了，下個問題。

03 基礎模型不是產品，價值在上游

Erik Torenberg： 你剛才說你不認為基礎模型是產品，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麼樣子。

Benedict Evans： 我認為可以把三個或四個構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、還能持續保持差異化優勢的模型。它沒有網絡效應，也沒有你能拉的槓桿，或者像Instagram、YouTube、Google搜索那樣的戰略位置。LLM沒有可對應的東西。當然，不同模型各有側重------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，唯一区别就是你願意花多少錢。

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，需要有合適的數據，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麼運作，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麼樣的人，通常是兩撥人。

擅長平面出版物設計的人不是該去做InDesign的人，那是另一套技能。擅長理財諮詢的人也不是設計理財機器人的合適人選------那需要不同的技能、不同的人。現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裡選"新建文件"時看到的模板------它們只能走到一定地步，到某個節點你就突破模板了。我的演示文稿裡有一張幻燈片，引用了一個多年前在Twitter上有人對我說的話：他說自己當諮詢顧問，一半工作是教別人用Excel來當數據庫用，另一半是教別人用數據庫來當Excel用。

所以這裡有一個模糊的、混沌的地帶：你需要專門的軟體嗎？你需要橫向軟體還是垂直軟體？還是你就在Excel裡搞定一切？我們都見過整個部門靠一個10兆的Excel文件運轉的例子------我自己的生意也在用Numbers電子表格。但到了某個節點，你就會超越那個極限。

那麼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槓桿效應？它們是Windows還是iOS？再問一次：有網絡效應嗎？

比如你現在是一家律師事務所，你要買一套軟體------a16z投資過很多企業軟體，這家律所或製造企業或銀行會問"這個用的是Claude還是OpenAI？因為我們統一用的是Claude"嗎？不會，根本不是這樣運作的。雲時代也不是這樣，你不會說"我們公司統一用AWS"，你甚至不知道某個SaaS產品跑在哪個雲上。這才是關鍵，它被剝離掉了，不是你需要關心的問題。所以從這個意義上看，基礎模型更像雲服務商------它們可能有一些競爭優勢，但沒有那種槓桿效應，沒有網絡效應，沒有控制力。

這也讓我聯想到另一種對比：半導體行業------每一代都越來越貴，參與者越來越少。綜合來看，模型本質上是一種不同的商品，聊天機器人不是正確的UI或產品，模型公司不可能自己做出所有東西。所以它們是底層基礎設施。那么它們有定價權嗎？

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品。價格紀律從哪裡來？尤其是其中一些公司還有完全不同的商業模式。比如Google靠廣告賺錢，他們對定價的態度跟OpenAI就不一樣。

我認為難點在於：我們現在所處的狀態和最終應該達到的狀態之間存在差距------這其實是大一經濟學課程就會討論的話題。我們目前處於一個供需、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，這並不意味著你無法達到一個不同的價格均衡點------因為移動數據就是這麼走過來的。過去15年對數據比特的需求增長了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仍然存在運營商之間的慘烈價格戰。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。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，模型在上游有槓桿效應。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中，隨後會有定價體系、自由市場、以及大約1萬億的CapEx湧入。所以這些倍數都會發生變化。

04 編程之後的下一個突破在哪裡

Erik Torenberg： 這正好引出了你之前說的"我們已經知道Apple是什麼樣了"。那麼你目前最關注的下一個問題是什麼？或者說我們應該最關注什麼？

Benedict Evans： 我們剛才已經談過一些問題，比如模型的能力棧能走多遠、模型能否實現差異化等等。另一個顯而易見的問題是：在什麼時間點上，我們會看到越來越多類別的用例中，模型已經足夠好了，我們不再需要雲上最貴、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備端，在那裡算力是免費的（或者至少對你來說是免費的，對開發者沒有邊際成本）。

另一個經典的問題是：問題本身已經開始走出技術領域了。 比如你去看一家律所、一家諮詢公司、一家投行------基本上所有傳統上採用金字塔式結構的專業服務機構------如果你能自動化很大一部分金字塔底端那些人做的工作，會發生什麼？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麼回事，因為你可能根本不知道那些初級員工具體在做什麼，也不知道客戶到底在為什麼買單。那些角色會怎樣重構？AI對金融意味著什麼？既包括內部的招聘結構，也包括你能創造的產品類型和利潤率結構。對諮詢行業意味著什麼？對四大、三大、埃森哲、大型律所和廣告公司意味著什麼？

你大概能知道其中一些問題，但如果你不是這個行業的人，你根本不知道答案是什麼。這讓我想起在a16z的時候我常說的一句話"內容不是王"。我還寫過"Netflix不是科技公司"------我想表達的是：Netflix的整個業務都是由科技行業打造的基礎設施所支撐的。但Netflix面臨的所有問題都是洛杉磯的問題（內容問題）：選什麼劇、拍多少劇、什麼類型的劇？該花多少錢請人才？要不要衝獎？做不做電影？買不買體育版權？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麼------它們是媒體行業的問題。Netflix所有真正重要的問題都變成了媒體行業的問題。

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對法律行業意味著什麼，這個問題既是技術人的問題，更多的是律師的問題------你需要深入了解律所實際如何運作、客戶到底在購買什麼。同樣，生成式視頻對好萊塢意味著什麼？Ben Affleck可能比我知道得多得多------他創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本身的範疇，變成了半AI、半其他領域的混合問題。

第三個層面------也許我早就該說------這一切與以往平台轉型的根本不同之處在於：在3G、iPhone、網絡等時期，你雖然不知道接下來會發生什麼，但你知道物理限制。比如1995年，你知道電信公司下週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台PC，因為一台PC要3000美元。所以你知道基本的不可能邊界在哪裡。

但在生成式AI上，我們不知道。可能我們錄完這期節目，手機就推送一條通知說OpenAI的新模型發布了，價格只有之前的2%------因為有了新的技術突破。我不認為這非常可能，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？模型的特徵會如何變化？我們不知道。這和之前的所有平台轉型都不一樣------以前你知道基本限制條件在哪裡。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：目前唯一有產品市場契合度的領域是編程。其他領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在的470億美元------這全部來自軟體開發。所以，如果其他領域有人做出了一些能用的東西，會發生什麼？

Erik Torenberg： 比如律所、銀行……如果你要猜的話，除了編程之外，哪些用例可能產生日常活躍的使用？

Benedict Evans： 我幾周前發布的演講大概分為三個部分。第一部分講的是資本、CapEx、基礎設施和基礎模型的差異化------這就是我們剛才聊的內容。第二部分是：你如何用這些東西來構建軟體？這對軟體行業意味著什麼？軟體會長什麼樣？利潤率、公司格局會發生什麼變化？

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，尤其是關於未來的預測。我覺得有一個回測視角挺有意思：想像一下在1997年問關於互聯網的這類問題，你會得到什麼？不會得到什麼？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。 那這意味著什麼？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？有沒有什麼事以前做不了，現在變得便宜了？有沒有什麼事以前很貴，是進入門檻------就像擁有印刷機對於報社那樣------現在這個門檻消失了？有沒有什麼事因為你成本降低而在商業模式或競爭空間中解鎖了新的可能？

最後一個問題是：有哪些事情以前是完全不可能的，完全由於成本過高而根本沒人想過，現在變得可及了？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。更現代的例子是YouTube或Spotify。Spotify說：看看過去25年音樂行業的歷史，前半段是"你不用花1.5美元買一張CD就為了那一首歌"，後半段是"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。

這類預測的問題在於：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裡意味著什麼。 比如90年代末我們說互聯網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麼影響。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，這是一個相當規模的可觸達市場。我一直在想的是：Google、Meta和Amazon其實並不真正知道那些商品是什麼。它們知道SKU，知道發布者在元數據字段裡輸入了什麼，知道"買這個的人也買了那個"，但它們不知道為什麼，也不知道那些東西到底是什麼。所以才會出現這種笑話：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麼，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，但它們沒這麼做。而用LLM，原則上你就能知道那些東西是什麼、人們為什麼買、人們還會買其他什麼東西。

當然"知道"這個詞很難定義。但至少AI系統能提供一種完全不同維度的統計色彩------這就是為什麼Google和Facebook的廣告收入和轉化率每個季度都在飆升------他們把AI融入了廣告系統、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了突然的加速。

總的來說，你看這些系統現在的運作方式：它們說"買那個的人也買了這個"。而現在你應該能做到了：這裡有一件外套的圖片：這是什麼？在哪裡能買到？十年前這絕對做不到，五年前可能也做不到，現在應該能做到了。然後你還可以說：幫我推薦10件類似的外套，不同價位，告訴我哪裡能買到，並列出每件的優缺點，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------計算機能知道什麼、能自動化什麼、能提出什麼建議------又回到了最根本的問題。每次有新技術出現，你首先會用新技術做舊的事情：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據和指標。那么你該怎樣調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生了多重轉變。當然，這會催生新公司、摧毀舊公司、創造新業務。但話說回來，我們現在是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。我們現在問的問題之一是：什麼東西以前貴得離譜，現在變得可能了？比如從零重建YouTube？或者重寫Linux內核？

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。"結果呢？看看Google Docs，市場份額大概20%------因為那根本不是關鍵。

真正有意思的是做出一些全新的東西，是轉移抽象層次，去發現那些以前根本不存在的問題。坐在風投公司裡整天聽項目路演，你會發現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，為什麼以前沒人做過？為什麼沒人發現這個問題存在？這就是看創業公司最好玩的地方。而這正是人們會用AI來做的事------人們會突然發現一種方法，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，沒有人意識到那個問題存在，然後他們就會去做一個工具來解決它。

這也回到我前面的觀點：這就是為什麼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，有多少是行業裡的人早就知道那個問題存在的？答案往往是否定的。實際上行業內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，然後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理用這個工具去解決一個巨大的全球性行業問題------因為根本沒人知道那個行業問題存在，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環境會比以前更加不集中？更少捆綁，少一些像微軟企業套件那樣的巨頭？

Benedict Evans： 回到SaaS的話題。讓我們把一些構建塊先放好。顯然，構建軟體會變得更加便宜、更加快速。顯然，會出現一大堆用軟體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構。但正如我們剛才聊的，我們並不真正知道那個利潤率結構會是什麼樣。

會走向結果導向定價嗎？把企業軟體中的每一次按鍵都和損益表掛鉤非常困難，有時在Salesforce裡可以做到，但絕大多數軟體很難說"我今天做的工作對每股收益產生了這麼多影響，所以我們應該為此付這麼多錢"。我不認為這說得通，至少長期來看說不通。但定價結構會怎麼演變？肯定會有更多競爭，構建軟體會更容易、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：看看當今的企業軟體群體，有三大類。第一類是大型橫向系統------SAP、Workday、CRM、人力資本管理軟體、薪資管理軟體等等。第二類是垂直軟體------一家典型的大型美國公司大概有300到400個SaaS App，另外還有上千個內部購買或構建的App跑在Teams上。中間地帶則是Excel、郵件和共享文件系統構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裡做的事情，比如你可以在Workday裡管理校招。

但到了某個節點，比如我跟人聊過，如果你是普華永道，每年要招幾千個畢業生培訓成會計師，你可能有一套自建的專用軟體，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個畢業生的公司，你就在郵件和共享Google Sheets裡搞定，因為你為什麼專門買套軟體？中間地帶則可以用Workday、Excel或專用App來做。現在你把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裡完成以前不能做的事？或者在你的垂直軟體裡完成以前不能做的事？你用LLM給自己建一個工具------就像公司裡某個部門靠一個15年前建的10兆Excel文件運轉，沒人知道它是怎麼運作的，但大家還在用。所以LLM就進入了這個廣闊、零散、複雜的景觀中，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內部的一個功能，你在Salesforce裡，系統查看與該客戶的歷史記錄、所有其他銷售通話的上下文、業務目標，然後幫你生成一封郵件或建議你在給客戶打電話時該說什麼。這是一個受控的功能，有工具鏈、有護欄，由該特定用例驅動。另一方面，就是剛才那個例子：去查看Salesforce、Workday、所有郵件和Google Analytics的數據，然後綜合出一個以前做不到的分析。所以兩難的境地在於：你把概率性的、可能出錯的軟體放在哪裡？你把確定性的系統軟體放在哪裡？數據庫放在哪裡？LLM放在哪裡？是棧頂還是棧底？可能兩者都有，取決於你具體在做什麼。

歸根結底，這是對軟體意味著什麼------更多的軟體，遠遠更多的軟體。所有軟體公司存在的意義就是解決其他軟體公司創造的問題。這就是那個經典笑話：所有安全軟體存在的意義就是解決其他安全軟體創造的問題。顯然，SaaS時代已經讓我們經歷了一次數量級甚至兩個數量級的軟體爆發。這次我們應該預期同樣的事情發生。

至於說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。肯定有一些公司會完蛋，一定會有一定比例的現有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貶低50%。但你肯定要說：在我搞清楚這一切到底是怎麼回事之前，我暫時不會All in做多SaaS。

Erik Torenberg： 你在和Ben Thompson的對話中提到：軟體就是有人坐下來設計了一個工作流，然後說從今以後這就是做這件事的正確方式。但你也說流程是從業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初創公司------才能找到未來軟體的正確形態？

Benedict Evans： 從某種意義上說，戰略諮詢公司和軟體公司做的事情有一個有趣的重疊：它們都觀察一家公司內部正在發生的事情，說"這樣做太糟糕了，換一種更好的方式能達到你的目標"。軟體公司把這套方式編碼進軟體裡，戰略諮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體來做這件事------或者現在越來越多地，直接幫他們構建那套軟體。

還有一點需要談的是：一家組織內部有多少工作是隱性的、沒有文檔記錄的、不在訓練數據中的、不是公司裡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"這件事實際上是怎麼運作的"，而不是"它應該怎麼運作"；以及為什麼人們沒有在執行戰略，因為實際上他們的獎金目標取決於他們不去執行那個戰略。然後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------人們如何運作、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裡說"給你，也許做個PPT吧"。所以這裡有一個更大的挑戰：如何讓人們使用這些技術？如何讓用戶採納新工具？如何幫助人們採納新工具並找出可以用它們做的新事情，這同樣發生在雲、Web、移動、互聯網、PC和電子表格時代。

Erik Torenberg： 你認為AI原生軟體和新型界面之間會不會有一種共同演化？比如新的客服AI平台可能不需要那麼多面向人的UI，或者記錄系統軟體乾脆沒有前端？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基礎設施如何構建的細節中去。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，軟體不再需要軟體公司了，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：現在你不需要API了，你只需要一個MCP伺服器，Agent就會直接連上去。我不知道。

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

我在演講裡用的區分方法是：任務和職位的區別。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麼做、以及你想要的就是一般人會怎麼做的事情。在不擅長的地方，是你無法解釋你為什麼要那麼做、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鑑

Erik Torenberg： 包括Google CEO在內的很多人都說，投資不足的風險比過度投資更大。有没有一個CapEx水平會讓這句話不再成立？我們現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。電信行業總共是3000億，移動是2000億。石油和天然氣，取決於怎麼算，大概在7000億到1萬億之間。所以一年7000億並不是一個不可能的巨大數字------這就是大型全球基礎設施的正常成本，只是錢確實很多。

顯然，這些公司明年不可能花1.5萬億，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。資本市場也願意在某個範圍內提供資金。但隨便說一個數字------我們不可能每年在AI基礎設施上花10萬億------因為全世界根本沒有10萬億可以花。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。我幾乎要回到最初說的：我們現在有一堆倍數的問題------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麼樣。我們不知道邊緣計算和開源模型什麼時候會加入戰局。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個月內保持相關性，而它花了幾十億美元和多少基礎設施才能做出來。

我認為這個局面還沒有真正穩定下來。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字賦值------這有點像90年代末給互聯網帶寬估值------你甚至不知道電子表格裡的行是什麼，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的未來，你必須參與。但同時，CFO坐在那裡說：行，但我們要參與到什麼程度？顯然到了某個點，CapEx的增長必須放緩，因為你根本拿不到那麼多錢。

Erik Torenberg： 會不會有一個關於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上聊天------就像2010年移動端那樣，你收到一張1萬美元帳單，然後說"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。

難點在於，在這個早期階段，很難知道ROI是什麼。這有點像90年代末互聯網，你說"去變得更有效率吧"。如果你看我的演講裡引用的德勤和美聯儲的調查------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做出了新產品，帶來了多少收入，或者節省了多少錢"不是一回事。要建立一條新的收入線，遠比發給所有人用AI來做Excel要快。

另一個答案當然是消費者剩餘------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約或生產力提升，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。你的成本結構也沒變，這就是投資銀行和財務分析領域曾經發生的事：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、金額最高的領域恰恰就是這些基礎模型公司。對此，你對它們有什麼建議，無論是整體性的，還是針對某一家？

Benedict Evans： 我並不確定它們一定會變成商品。我的立場更像是：這裡有一串推理鏈條，確定性地看，這些東西看起來很可能變成商品------那麼請解釋給我聽為什麼它們不會。我就只承諾到這個程度。至於籌集這麼多錢，我回到之前關於移動行業的觀點，這雖然不具預測性，但是一個值得注意的觀察：移動行業規模非常大，花了很多錢，但利潤並不高，所有酷炫的東西都是別人做的。

然後你可以看看資本回報率，答案取決於你是在美國、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，但最終移動運營商並沒有掌控全局，其他人從中獲得了更大的價值。Google去年的淨利潤是多少？大概500億美元？整個電信行業的淨利潤是多少？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。

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，你就會落後。 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建造下去。

但實際問題是：你怎麼做出人們想用的、不是軟體的東西？軟體是個好生意，但它是唯一的生意嗎？如果花幾千億美元讓軟體行業更高效，那很好，那值1萬億。然後呢？你怎麼把它擴展到經濟的其他部分？擴展到所有其他人？所以你才會看到這些討論------與私募股權合作、與諮詢公司合作------正如我們剛才討論的，如果你在經營一家實體公司，要搞清楚用這些東西做什麼其實很難。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，你覺得你必須繼續做下去。但另一方面，人們到底在用它做什麼？為什麼大多數人打開ChatGPT，今天還是想不出有什麼好做的？

Erik Torenberg： 最後一個問題：你的演講裡有沒有什麼你特別希望聽眾記住的內容？

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"一台IBM電子計算器相當於150名專業工程師"。你在a16z見過多少張這樣的幻燈片？我們記得每當這些基礎技術變革發生------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，而且完全不同於以前發生過的任何事情。所以AI是驚人的、變革性的、完全不同於以前發生過的任何事情。

但移動也是很大的變革，互聯網也是，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生什麼。所以我們作為一個基準情況應該假設：好吧，我們又要經歷一次了。這會產生一堆毀掉人們生活的東西，會讓一批人失業。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年後，我們會忘了曾經有一個世界，計算機做不到那些事。

我們現在就在這通話裡坐了一個小時，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正在通過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麼了不起的。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年後，我們會說：當然了，電腦一直都能這麼做。

Erik Torenberg： 這是一個很好的收尾。這份演講叫《AI Eats the World》，在Benedict Evans的網站上，內容非常精彩，還有很多我們沒來得及聊的內容。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。

欢迎加入 ChainCatcher 官方社群

Telegram 订阅： @chaincatcher

X (Twitter): @ChainCatcher_