The Economics of 深度访谈

开场用几句高密度摘录概括整场访谈的核心矛盾：智能编程从“有点有用”变成真正改变一切；AI 基础设施存在极端稀缺，无法无限投入；同时基础模型是否会商品化、聊天机器人是否能成为真正产品、价值是否会转移到更上层，都是待解问题。主持人介绍 Benedict Evans 是前 a16z 合伙人，也是科技行业知名 newsletter 作者，本期延续他关于“AI eats the world”的年度判断。

Evans 回顾过去一年最大的变化，是行业从单纯追求更大模型、更快训练和更多算力，转向更清晰的产品策略分化。OpenAI 的战略经历多次调整，而 Anthropic 等公司在编程上取得突破，使智能编程成为目前最明确的产品市场契合点。与此同时，模型规模、资本开支和使用量继续增长，但很多根本问题仍未解决，包括是否会出现模型赢家、模型公司能否向上捕获价值、AI 能做到多广，以及消费者能否形成每日使用习惯。

主持人追问智能编程是否本可被提前预见。Evans 认为，从简单逻辑看，最早深度使用 AI 的人群是软件开发者，因此他们最可能先把 AI 用于软件开发，这并不意外。他将当前阶段类比为 1997-1998 年的互联网、早期 PC：技术极其令人兴奋，但用途和形态尚不清晰。PC 最早被用来“制造更多计算机”，而 LLM 在某种意义上也是计算机，因此最先被用来生产更多计算能力和软件能力。

谈到智能编程对工程师、初级工程师、高级工程师和团队组织的影响时，Evans 表示现在还不能说已经学到了什么，因为这一波真正有效的工具六个月前还不存在。大家都在试图理解它会如何改变招聘、培养和分工。尤其是当一类原本由初级人员完成的工作被自动化后，公司需要重新思考为什么招聘初级工程师、他们承担什么任务，以及工程师职业路径如何演化。但他强调，当前任何声称知道三年后软件工程市场结构的人都过于武断。

Evans 用带有调侃的语气谈到 OpenAI 的战略变化，认为其一度像是在模型之外同时尝试很多方向，以寻找基础设施之上的价值。而 Anthropic 在资本较少的情况下聚焦编程，并让编程用例跑通。除此之外，AI 在其他领域仍呈现不均衡状态：硅谷部分人高强度使用模型，许多普通用户只偶尔使用；企业则更多在后台流程里做点状自动化，例如用 LLM 改善商品贸易公司的现金流预测。Evans 强调，这类企业应用与普通人让 ChatGPT 总结会议完全不同。

主持人询问 AI 早期采用与移动互联网等平台的比较。Evans 认为，每一代技术都建立在前一代基础设施之上，因此采用速度会递进加快；互联网时期没有 9 亿周活用户，是因为当时全球 PC 数量本身有限。另一方面，任何平台早期都不稳定、不清晰，也很难用。他回忆早期 PC 会死机、声卡需要花周末安装、早期互联网需要软盘安装 TCP/IP。AI 现在也处在类似阶段：令人兴奋，但离普通人“一键可用”还有距离。

Evans 将当前 AI 的价格和供需错配类比为 2008-2010 年的移动数据。早期智能手机用户可能收到高额数据账单，而美国 iPhone 的包月流量又导致网络容量被 YouTube 等使用迅速压垮。运营商必须重新调整成本曲线、定价体系和用户感知价值，通过套餐、限速、公平使用等机制恢复平衡。AI 现在也类似：用户可能每月付 20 美元却消耗大量 token，也可能开发几天后收到高额账单，反映出底层算力成本、定价和需求尚未匹配。

Evans 进一步指出，移动网络后来承载的数据量增长了上千倍，运营商每年投入巨额资本开支，改变了所有人的生活，但真正的价值却被上层应用捕获。由此引出 LLM 的中心问题：模型能否完成完整任务，还是需要大量垂直应用建在其上？如果基础模型只是按边际成本销售的商品化基础设施，那么模型公司可能缺乏定价权。未来随着万亿美元级资本开支释放、模型效率快速提升、模型能力趋同，基础模型更像通信网络、芯片和 ISP，还是像 Windows、iOS 这样的操作系统层，仍是关键不确定性。