原文：Intelligence is the Primitive. Applications are the Diffusion Layer.
作者：Anish Acharya, GP @ a16z
来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses
今天我们试一件新事。我们分享一份幻灯片：《Intelligence is the Primitive. Applications are the Diffusion Layer》，作者 Anish A，最初是为更小的受众准备的。a16z 内部会做出很多很好的东西，只要条件允许，我们期待以后在这里更定期地分享。——Danco
智能是原语（Primitive）。应用是扩散层（Diffusion Layer）。
总览：整体局面是什么？
AGI 是两个问题：能力（Capability）与经济影响（Economic Impact）
一个系统可以先跨过惊人的能力阈值，社会才体会到类似 AGI 的后果；验证（verification）与扩散（diffusion）坐在两者之间。
- 能力： 模型能不能完成这项任务？（数学、综合，以及其他有界任务）
- 验证： 我们能不能判断它做成了？（代码与数学容易验证；战略、监管、文化与资本中稀缺）
- 扩散： 组织能不能吸收它？
能力随版本发布到来；影响通过部署到来。
如果它并不是泡沫呢？
还不够多的人，在情感上为「如果它不是泡沫」做好了准备。
- NVIDIA 估值： 远期市盈率（forward P/E）处在约十年低位；同期 AI 股权回撤约 40–60%。（据 Gavin Baker，Invest Like the Best 第 485 期，2026 年 8 月 3 日）
- 经营现实朝另一边走： B200 租金（每小时/GPU）从 2026 年 1 月约 $4 升至 8 月约 $5.5，同一集群约 +40%；超大规模云 Q2’26 同比：AWS 37%、Azure 39%、Google Cloud 82%。
被低估的情形：预期跌得比基本面更快。
证伪条件：GPU 价格下跌 · 供给放松 · 实验室用量或经营性现金流停滞。
SaaS 末日变成了抽打
软件必须加速，否则就会死：抛售迫使人们补上早该有的纪律，但也低估了分发（distribution）与专门知识。
软件股表现（等权平均，2026 年 2 月 5 日 = 100；Salesforce、ServiceNow、Adobe、Workday、Snowflake、Datadog、Cloudflare）：2 月 5 日 = 100；4 月 10 日低点 86；8 月 19 日反弹至 153。Anish Acharya 当时对彭博说：「我认为市场反应过度了。」
抛售说对了什么、错过了什么：
- 逆风： 基本面已软化多年——SaaS 增长在减速，盈利质量参差；其中很大一部分在技术上并不难（工作流/表单叠在数据库上）。
- 顺风： 真正的赢家建了强分发，这比产品本身更难模仿；替换核心系统的风险常常大过省下的成本；内部定制方案维护起来往往比看上去更贵。
拥有分发能力、覆盖关键工作的软件，会比抛售所暗示的更扛得住。
护城河是在运动中被发现的——并随时间复利
速度是必要但不充分的：它创造更多捕获客户、学习、并找到能持久优势的机会。
速度只是搜索策略……真正的护城河在客户到来时才开始复利。
迭代。捕获客户。学习。发现护城河。
多数传统护城河仍然成立：
- 网络： 更多参与者 → 更多价值
- 分发： 庞大装机量 → 加速分发
- 品牌： 更多信任 → 更低采用摩擦
- 规模： 更多体量 → 更低成本 + 更快学习
与此同时，另一些正在暴露：
- 集成（Integration）： Agent 会重建或吸收连接层
- 流程（Process）： 便宜的代码让常规更容易被复制
网络效应与分发优势继续为在位者复利；集成护城河随着 Agent 重建连接层而变得不那么耐久。
- 网络效应： 价值来自用户让产品对彼此更有价值，而不是来自代码。
- 分发优势： 装机量 + 在位者地位 → 相邻产品加速分发。席位已经广泛就位，相邻产品更容易作为增售/捆绑上船。
- 集成护城河正在被侵蚀： Agent 重建或吸收连接层。连接器与集成劳动被 AI 变得便宜。
实验室正在向推理与算力整合
它们处在控制稀缺输入、并把上游互补品商品化的位置；异构的产品、买方与工作流，仍然有利于独立应用。
- 前沿模型： 能力、训练配方与后训练（post-training）
- 推理（Inference）： 服务栈 + 路由利用率 + 利润率
- 算力： 产能、硅片、电力、供应链
应用层是数千种不同组合：产品表面与工作流；走向市场与买方；领域上下文与评估；延迟、质量与价格；信任、合规与变革管理。
异构性为独立公司留下了空间。
模型是商品吗？我们相信不是。
训练、后训练与 harness 设计会创造出不同的能力形状——以及可见的比较优势。
| 模型 × Harness | 新兴楔子 | 具体信号 |
|---|---|---|
| OpenAI + Codex（桌面 + 模型 + skills） | 知识工作循环：读 · 综合 · 写 · 决策 | Codex 从代码延伸到搜集、综合与写作；Every 报道了跨越邮件、会议与寻源的完整循环 |
| Anthropic + Claude Code（终端原生编码层） | 软件工程：读代码 · 修改 · 测试 · 交付 | Every 的高级工程师测试：Fable 5 得 91/100，Sol 56；Claude Code 被设计成直接在代码库里工作 |
| Kimi K3 + OpenCode（开源模型 + 开源 harness） | Web 工程：读文档 · 生成 · 迁移 | Next.js eval：92% 成功，有 AGENTS.md 时 96%；平均时长 199.9 秒，平均标价成本 $0.14 |
| Qwen 3.8-Max（跨 harness 训练的模型） | 长程自主性：计划 · 行动 · 观察 · 自我纠正 | 厂商宣称：10+ 天自主编码、500+ 优化回合、365 天电商策略 |
这些是当前信号——不是永久分类；楔子会移动。
开源 vs 闭源是输入——不是策略
开源权重压缩成本；前沿模型在困难、高上行空间的工作上保留溢价；应用拥有这项权衡。
Silicon Data LLM Token 价格指数：闭源模型指数约 $3.07 /百万 token；开源模型指数约 $0.66。
价格决定路由什么——而不是建造什么。
模型栈应跟随工作的经济学
HappyRobot 把这条原则做具体：前沿与专有模型驱动销售与催收；开源权重驱动运营与支持。
- 专有 / 前沿 → 销售与催收： 开放式工作，更好的判断与说服可以提高转化、回款与收入。
- 开源权重栈 → 运营与支持： 可重复工作，可靠性、延迟与成本比前沿智能更重要。
一家公司 · 两套架构 · 按上行空间来分配。
有些产品在能调用不同心智时会变得更好
当任务奖励不同的专长、风格或先验时，模型多元性（model plurality）成为产品的一部分——而不仅仅是路由优化。
- 编码： 用前沿模型做规划与审查；把实现、搜索或测试路由给高效的专家。Harness 在智能、延迟与成本之间做套利。
- 创意工具： 不同模型可以专精语言、图像、视频、声音、剪辑与风格。多元性扩展产品的表达范围。
- 研究 + 决策： 用不同模型生成相互竞争的假说，搜索不同来源，并对抗式地审查结论。多样性减少相关的盲点。
应用组合的是专长、风格与判断。
对一项任务有帮助的模型特质，可能伤害另一项任务
设计奖励开放性；会计奖励神经质与警觉；产品在探索与尽责执行之间取得平衡。
（大五人格：开放性、尽责性、外向性、宜人性、神经质——在设计 / 产品 / 会计上的权重不同。）
探索 vs 可预测性；大胆 vs 警觉；顺从 vs 挑战。
一套 AI 系统应该看起来像一个组织——不同的工作配不同的心智。
应用与应用层
应用把智能变成经济结果
模型答案是原材料；应用提供上下文、验证、工作流，以及推动损益表（P&L）的动作。
| 智能原语 | 应用系统 | 经济结果 |
|---|---|---|
| 法律：起草 + 就案件推理 | 引用 · 权限 · 提交工作流 | 一件完成的、可辩护的案件 |
| 销售：研究 + 撰写触达 | CRM 上下文 · 时机 · 跟进循环 | 合格的管道与收入 |
| 信用合作社：预测 + 推荐贷款 | 承保 · 服务 · 合规 | 更好的会员与资产负债表 |
当应用推动 P&L 时，模型进步才重要。
编码循环改进产品；定价循环改进报价；商业循环改进公司理论。
- 代码循环： 观察（问题 + 遥测）→ 生成（代码 + 变更）→ 验证（测试 + evals）→ 部署（衡量影响）→ 改进产品
- 定价循环： 观察（需求 + 用量）→ 变化（价格 + 包装）→ 衡量（弹性）→ 更新（支付意愿）→ 改进报价
- 商业循环： 观察（客户 + 结果）→ 形成假说 → 跨职能执行 → 更新公司理论 → 改进理论
自主不是一个 Agent。它是相互咬合的循环：观察、行动、衡量、自我修正。
人找到那座山；Agent 爬上去
自主循环耗尽局部机会；判断力创造下一道前沿——而每一座新山起点都更高。
机会 + 转向 + 产品直觉；测试 + 交付、衡量、捕获 alpha。
一个市场里可以共存许多赢家
编码证明一个产业可以支撑多种获胜配置；法律、金融、医疗和其他产业也应该如此。
| 配置 | 它拥有什么 | 它为什么能赢 |
|---|---|---|
| Claude Code | 实验室模型 + 终端原生编码层 | 紧密的模型-harness 共设计，以及聚焦的工程工作流 |
| Codex | 前沿模型 + 桌面/CLI + skills | 围绕模型的广阔计算机工作与知识工作表面 |
| Replit | 云工作区 + 部署 + agent | 从想法到正在运行的软件、面向更广受众的一体化路径 |
| Cursor | 独立 IDE + 多模型编排 | 模型灵活性、产品习惯，以及专有的用量智能 |
编码证明了这一模式 → 法律 · 金融 · 医疗 · 营销
Cursor 把产品喜爱变成了模型优势
一个有主张的多模型界面赢得了 NPS 与 DAU；用量产生了推理轨迹（reasoning traces），反哺专有模型训练——然后品牌与规模开始复利。
一个复利的 Cursor 模型序列：产品爱 → 规模化 DAU → 专有数据/轨迹 → 模型优势 → 品牌 + 规模优势再放大这个循环。
消费
消费 AI 有三个瓶颈
原始能力跑在产品前面：建造者必须管理边际成本，发现用例，并替换终端形状的交互。
- 非零边际成本： Web2 可以最大化免费参与，因为分发几乎免费。AI 为每一次交互付费；Agent 还会扇出并跑得更久。在开始之前，整整一类社交 AI 在经济上就不可行。
- 没有原生分发： 还没有 AI 产品的应用商店或搜索引擎。建造者必须自己制造分发，在没有专用渠道触达用户的情况下争夺注意力。
- 没有专用界面： 命令行和空白提示奖励高手。许多消费者想要的是连续性与消费——而不是配置或创造。
下一个消费突破，看起来可能不太像聊天机器人，而更像一段关系。
消费 AI 正在分裂成两种 Agent 产品
编码 Agent 按需创造软件；个人 Agent 持续改善一个人的生活——两者都扩大个体能动性（agency）。
把意图变成软件：
- 小企业的数字主街（Digital Main Street）
- 针对一条工作流的窄软件
- 针对一个瞬间的一次性软件
- 作为玩耍与创造能动性的编码
把上下文变成行动：
- 持续购物与谈判
- 把记忆带过对话
- 协调金钱、健康与时间
- 成为自我改进的 harness
一个创造新的表面。另一个让上下文复利。两者都扩大能动性。
Town 你用得越多，它就越好
用户与 Town 互动越久，它就越了解他们的关系、偏好与写作风格，也就能在不被要求的情况下做更多事。
个人 Agent 的终局是人类的改进
一个持久的 harness 把上下文带过一整天——并把关于金钱、关系、成长、创造与娱乐的目标变成行动。
一个助手 + 一份记忆 + 许多生活循环
目标 + 上下文 + 许可 + 行动（例如：标记再融资窗口；补上你本想发出的体贴跟进；把空档变成 20 分钟学习冲刺；今晚按偏好备好家庭所需）。
软件不再珍贵
编码 Agent 把创造的成本与专门技能压垮——把需求曲线从十亿美元市场填到一次性需求。
稀缺软件 → 丰裕软件。WABI：创造 — 发现 — 再混合 — 分享。
软件丰裕解锁数字主街
当 10 万美元和 100 万美元 TAM 的产品变得可行——而编程变成可选项——会有远更多的人能够创办并运营有能力的公司。
美国平均每月商业申请数（千）：2026 年 6 月申请数同比 +15.6%。为什么是现在？
感谢阅读！如果大家喜欢，我们会定期发布这类内容。
本文由 RecodeX 编译自 SandHill.io #299 推荐阅读，原文链接与作者见文首；原文版权归原作者所有，译文仅供学习交流，如有异议请联系我们处理。