# AI

AI

Mar 09, 2026

种子阶段唯一的优势就是速度

标题：种子阶段的速度 速度是”种子”阶段唯一的优势：从种子投资者视角看创始人快速行动的艺术 丹尼·加布里埃尔 2026年3月2日 我们经常听到关于早期阶段快速执行的说法。但对于速度在实践中究竟意味着什么，却鲜有详尽的论述。其核心在于压缩提出问题与获得答案之间的时间间隔。在于你能否在信息不完美的情况下从容行动。这是一门技艺。 无论是作为种子阶段的投资者，还是通过我有幸称为朋友的杰出创业者们的轶事，我都亲眼见证了这一点。我见过人们承担他们并未受过正式训练的挑战，却比那些科班出身的人做得更出色。对于种子期创始人而言：你越能压缩时间线（速度），你就越能积累获胜的权利。速度在早期体现在三个不同的阶段： 初创期——你从想法到执行的速度有多快 签约期——你签下客户的速度有多快 产品交付期——你迭代产品循环的速度有多快 在当前种子阶段环境下，瑞克·祖洛最近指出，种子轮到A轮的估值溢价处于十年来的低点，而晋级率则非常残酷。只有3%的种子轮公司在12个月内完成下一轮融资，36个月内完成的也只有10%。速度至关重要。 轶事：我的一位朋友，他毕业于计算机科学专业，但没有生物技术经验。有一天他在我的公寓里随口告诉我，他想将职业生涯奉献给AI药物研发。他埋头钻研了几周，最终加入了一家生物技术初创公司，成为团队中最年轻且唯一没有博士学位的成员。不到一年，他已成为公司技术论文的第一作者，并构建了公司的核心AI蛋白质模型。你完全可以做到。他凭借纯粹的苦干，将五年的学习曲线压缩到了几个月。如果他将来创业，我会毫不犹豫地支持他。 初创期 首先，让我们谈谈初创期。从公司建设的角度来看，初创期是信息不对称最严重的阶段。书本在这里很少能帮上忙。 在这个阶段，二次创业者相对于首次创业者的主要优势在于，他们能更快学会提出正确的问题，并能利用其人脉网络更快地行动。 对于创始人来说，最被忽视的技能之一就是知道如何在正确的时间提出正确的问题。如今许多创始人在与投资者接触时，往往只问1到3个宽泛的问题： 你能把我介绍给X客户吗？ 你能把我介绍给工程师吗？ 你能把我介绍给其他投资者吗？ 这些问题本身没问题。只是太懒了。它们迫使对方进行所有的思考。在见某人之前，只需多花5分钟进行研究，就能将一个宽泛的问题变成一个更具体、更容易被同意且更有帮助的请求。想象一下这些具体的例子： 合作伙伴关系：我看到你曾在WHOOP的软件团队工作。我们正在探索我们产品的可穿戴设备数据用例。你能介绍一位你在那里（或相关领域）负责数据合作或产品分析的前同事给我吗？我想了解究竟是什么推动了可穿戴设备的采用和留存。 招聘：我看到你参与过Dorm Room Fund。许多DRF的校友最终都去了优秀的消费类初创公司。我们正在招聘第一位工程师，寻找一位有从零到一构建消费产品经验的人。你愿意把这个信息转发给DRF网络中2-3位符合我们要求的人吗？ 归根结底，每个人都极其忙碌，总感觉没人有时间为你服务。你越能精简和压缩你的请求，你离答案的距离就越短。 签约期 在初期，签署合同更像是一门艺术而非科学。没有固定的方法，因为这取决于你的客户。定价可能成为一场噩梦，尤其是在AI商业模式中，现在有多种定价方式。 在这个阶段，二次创业者相对于首次创业者的主要优势在于，他们利用过去的关系来突破销售周期的政治障碍。对于那些在他们之前创业的同一领域再次创业的创始人来说尤其如此。 我注意到，一些最优秀的创始人会签署他们尚未完全准备好履行的合同。我经常看到类似的种子阶段AI公司争夺相同的客户。即使他们的产品水平相当，那个可能完成融资的公司，往往是签下更多客户的那一个。 有时，这些初创公司的创始人甚至没有足够的工程能力在未来一年部署这些合同。这并非无限可扩展，但这就是早期阶段的艺术，做那些无法规模化的事情。这会导致收到像这样的邮件： （此处插入创始人邮件截图，内容大致为：我们刚签了X公司，但需要帮助来交付…） 有时你会看到创始人通过他们的熟人网络快速签下客户。我曾见过一位创始人被介绍给一家前沿AI实验室的高管，两周后他们就签署了一份付费试点合同。我看到同一位创始人在大约5周内做了两次这样的事。 （此处插入另一封创始人邮件截图，内容大致为：又签了一个试点，通过介绍…） 产品交付期 这个阶段确实因你所创建的公司和团队类型而异。其他人已经写过很多很棒的内容，但总的来说，无论你选择哪个垂直领域，产品交付的时间线都在压缩。 杰出的深度科技投资者迈克·安农齐亚塔最近讨论了对于深度科技公司很重要的一点：”你不应该为了垂直整合而垂直整合。这是对资金的低效利用……” 他说得完全正确。有些公司，比如SpaceX，成功地做到了垂直整合，因为他们有巨大的需求，并且需要快速且经济地满足这些需求。但如果垂直整合不能带来单位优势，甚至拖慢你的速度，那就完全不值得。 同时身兼创始人和基金经理的布鲁诺·法维耶罗（这太疯狂了！）直言不讳地说：”要么交付，要么死亡”。虽然这在金融服务或政府等受监管领域忽略了细微差别，但在高层次上是成立的。特别是随着大语言模型不断压缩编码时间线，它也改变了”种子前”阶段的标准。 （此处插入布鲁诺·法维耶罗的推文截图，内容为：如今仅凭一份PPT就去评估一位创始人太难了。要么交付，要么死亡。2026年2月25日下午9:02 · 4.46K次查看 · 14条回复 · 68个赞） 我遇到一位种子前创始人，我非常喜欢跟进他的进展。这是他与我分享的3个月进展总结。他足智多谋，不断推动事情发生。他正在开发一个复杂的技术性机械原型，并想方设法取得进展——同时还在努力签下他的第一批试点客户。 （此处插入时间线图示：2025年5月 – 想法/原型；2025年6月 – 与潜在客户通话；2025年10月 – 签署试点合同） 最后但同样重要的，种子投资者 归根结底，速度对投资者一方同样重要。你是在信息不完善的情况下做决策，而这些决策可能尚未被更广泛的市场所理解。如果你能在其他投资意向书出现在桌面上之前更快行动，那就是一个巨大的优势。这能建立与创始人的信任，并表明你对这个机会充满信心。 我听一位朋友说，在红杉资本，尽管他们为有限合伙人创造了多少DPI（实收资本回报率），普通合伙人仍然会在晚上11点与年轻的创始人进行首次通话。这就是我们所有人面临的竞争水平。也是每个人都应该怀有的抱负和紧迫感水平。特别是对于那些被认为驱动了大部分种子期回报的新兴基金（数据如下）。 […]

阅读全文

AI

Mar 09, 2026

技术创始人的试点和POC指南

标题：试点与概念验证指南 技术创始人的试点与概念验证指南 | Amplify Partners《项目须知》第128期 立即阅读 菜单 销售 技术创始人的试点与概念验证指南 作者：Mark LaRosa 分享 2026年3月5日 在加入Amplify，与技术创始人合作获取早期客户之前，我在技术公司拥有超过15年的销售和解决方案架构师经验，直接帮助完成了价值数十亿美元的交易。本指南是我个人成功且持续为我们创始人发挥作用的框架精华。 每一家年轻的初创公司都会面临这样一个时刻：必须真正面对这个问题：“这个东西有前途吗？”你、你的投资者和你的团队都相信它有——但究竟是否会有人愿意付费，用你的产品来解决他们的问题，这尚未经过检验。目前，你只有一个假设，而检验这个假设的最佳方式就是与一个真实的潜在客户进行试点。 不幸的是，对于大多数技术创始人来说，试点、概念验证和设计合作伙伴这些领域可能就像一门外语。为什么要进行试点、如何找到合适的客户、以及如何让试点成功，这些问题既不简单也不容易。 在Amplify，我的工作（也是我的热情所在）就是帮助这些企业家学习这门语言，并赢得他们的前几位客户。在我合作过的数十家公司中——更不用说我自己20多年的技术销售和工程生涯——我学到了一些关于成功运行这些试点的要素。本指南的目标就是将这些信息系统化，帮助你通过目标明确、高效的设计合作伙伴关系，更快、更稳健地成长。 本指南分为四个主要部分： 是什么：试点究竟是什么，它与演示或产品有何不同，以及它是如何运作的。 何时：何时准备好进行试点，以及如何判断。 何人：寻找你的初始目标客户，并随时间推移优化这个受众群体。 如何：构建一个好的推介，成功运行试点，并将其转化为付费客户。 说到我合作过的公司，本指南将穿插引用其中两家的例子，以使内容更贴近实际。两位Amplify的创始人——Hex的联合创始人兼首席执行官Barry McCardel和WarpStream的联合创始人Richie Artoul——都曾处在你们今天的位置。感谢他们慷慨地分享时间和见解，你将在文中找到他们的建议（以及共鸣）。 为什么：为什么要进行试点？ 在我们深入探讨试点和概念验证的机制之前，首先要问一个显而易见的问题：到底为什么要这么做？为什么要在你可以直接将产品推向市场、让人们注册的时候，去进行一系列劳动密集型的客户互动？ 答案是反馈。作为早期创始人，你唯一的产品目标应该是获得高质量、可操作的反馈，而试点是获得这种反馈的最佳方式。 技术创始人最大的盲点之一是，假设他们产品的应用场景是显而易见的，一旦产品推出，人们会立即理解它的特别之处（并采用它）。这是一个有充分记录的现象，我称之为“如果你建造了，他们就会来”的谬论。在一个拥有百万开发者工具的时代，这是一种危险的、足以扼杀公司的误解。 这种误解会在创始人的脑海中种下一颗种子，认为广泛发布是最好的前进方向，因为看到发布的聪明人会采用产品。它暗示广度优于深度，因为产品是必然成功的。 但事实恰恰相反：因为在这个阶段，你产品的故事比产品本身更重要，在受控环境中向高度定向的受众讲述这个故事，是判断你是否拥有有价值东西的最佳方式。你寻求的是关于核心产品的高质量、定向反馈；你将通过深入的试点互动获得它，而不是来自自助用户随意的探索。 你可以将试点的首要目标视为：学到一些东西。 更具体地说，你应该用从未来试点获得的反馈来回答一些具体问题。 你的产品是否增加了价值？ 你能否在5年后存活的核心在于，你是否真正为潜在客户的业务生活增加了价值。即使你的产品尚未达到你希望发布的状态（后面会详述），试点也应该能告诉你方向是否正确。你最不希望的是走得太远，产品已基本定型，却发现它无法增加你所期望的价值。 仅仅因为你之前在某个工作中遇到了问题，而你的产品解决了它，并不意味着这能转化为客户的需求，更不意味着客户会为此付费。在你验证了你的产品在客户环境中确实增加了价值之前，你所拥有的只是一个假设。 你需要改进产品还是推介？ 这些早期的潜在客户是你的设计合作伙伴：你的产品本就不应该是完美的；它应该有些粗糙，因为早期的反馈将帮助你塑造和完善它。 这些反馈可能有以下几种形式： 你的理想客户画像正确吗？（下文详述） 产品是否完全按照你预期的方式工作？ 你计划解决的用例是否与你想象的略有不同？ 你实际能够增加的价值是什么？ 是的，理想情况下，你的试点会转化为一份付费的年度合同（稍后详述）。但此时的目标——真正的目标——是反馈。 以WarpStream为例——他们开始时可能有无数个方向可以选择。但最终，一个非常、非常具体的设计选择组合为他们带来了不同；如果没有早期与潜在客户的对话，他们就不会得到这些反馈（以及由此带来的信心）。 Kafka协议兼容性 无状态性 自带云架构 这三者的结合对其成功至关重要：如果缺少其中任何一个，业务可能都无法成功。 很容易在某个方向上走得太深或太远，却遗漏了某些东西——这使得在没有向任何人展示产品或测试市场需求的情况下，开发一年或更长时间变得非常冒险。 但我们是一家产品驱动增长的公司！ 听着，我明白。你的目标是获取用户，而产品驱动增长的方法很诱人，因为它看似简单。与其费力进行概念验证和寻找理想客户画像，为什么不直接设置一个注册表单，让潜在用户来找你呢？通过制造摩擦，你不是在放弃用户（和金钱）吗？嗯，是的——但在早期，你公司的增长恰恰依赖于摩擦。因为你实际上并不想要任何用户——你想要的是有用的用户，你可以与他们合作，从而了解你的产品和你的故事是否有价值（以及价值多少）。在达到产品市场契合之前，创始人的首要目标是反馈。 在这一点上，摩擦不是敌人。无摩擦的注册意味着无摩擦的流失。人们可以随意来去，什么也不告诉你——而且他们很可能真的什么也不告诉你，甚至在离开后也不会回应你，告诉你原因。相反，你需要高保真、精心挑选的设计合作伙伴，他们深刻体验你的产品所解决的痛点，并能告诉你痛点在哪里。 在早期，反馈比收入或注册量有价值得多。与这些合作伙伴建立有意义的关系是获得并最大化反馈的关键。如果你过早采用产品驱动增长，你将永远无法获得所需的洞察力来判断你是否真的拥有有价值的东西。 是什么：概念验证到底是什么？ […]

阅读全文

AI

Mar 09, 2026

对抗客户流失

标题：对抗客户流失 色彩迸发——对抗客户流失 杰夫·多纳克 2026年3月5日 2Share YC曾给出过绝佳建议：打造人们真正需要的东西。但创始人如何判断自己是否走对了方向？在我看来，一个简单的标准是：当客户愿意为你打造的产品付费时，这是个好迹象；而当他们选择续费时，这无疑是更积极的信号。 有些初创企业从未真正实现第一条标准。更多企业凭借出色的销售实现了数年强劲增长，却在客户流失问题浮现时遭遇重创，增长严重受挫（参见年度经常性收入ARR或错误率ERR？）。 我曾目睹并尝试过多种应对客户流失的方法。当流失问题显现后，这些努力几乎都未能显著提升现有客户群的续约率。就像装在旧瓶里的酒，即使品质相同，人们通常更青睐标价90美元的那瓶。 但我发现两种方法，若能在建立新客户关系之初持续践行，确实能显著提升未来客户群的留存率： 更高的初始定价（在市场常规范围内）。这看似违反直觉，但我屡次观察到较高定价与更好留存率之间的关联。或许这只是价格质量启发式的心理效应。我认为更深层原因在于：较高定价需要客户更审慎的购买决策（例如，企业签署20万美元合同需要更高级别的审批和组织共识，而5千美元的试点项目可能仅凭一时兴起就能批准）。 全面的新客户引导。销售团队常费力签下重要新客户后，便将账户”抛过墙”交给实施团队。这恰恰是关键机遇时刻：客户刚刚表示认可，此刻正是给予他们热情拥抱的良机！应全面培训客户使用产品，向团队中所有潜在使用者自我介绍，在初期阶段定期答疑跟进，确保他们获得所需的一切支持。 你可能见过这份流传的降低流失率指南。其中包含向流失客户赠送礼券的巧妙建议。值得注意的是，被引用的公司同样得出结论：新客户引导才是解决问题的关键所在。 2Share 上一篇 原文来源：Bursts of Color

阅读全文

AI

Mar 09, 2026

云原生CEO如何跟上AI速度

标题：CEO如何转向AI速度 编者按：以下文章改编自希拉里·戈舍在2025年期间专门向我们投资组合公司的CEO们发表的主题演讲。随着软件在AI和技术快速进步的推动下到达转折点，我们更新并扩展了这份指南。领导层面临的利害关系已发生巨大变化。我们公开分享这份指南，以便各地的CEO能更好地理解在这个新现实中，构建、竞争并胜出需要什么。 AI原生公司正在改变快速增长的游戏规则。Lovable和Cursor都在不到一年的时间内达到了1亿美元的年度经常性收入，打破了Wiz*创下的云原生公司不到18个月的记录。随着智能体正迅速成为现实——Y Combinator 2025届学员中近50%是智能体初创公司——我们可能很快将迎来第一个单人独角兽公司。 这种速度令人震惊。完全基于前沿模型构建的Legora，从2024年的400万美元ARR，据称在2026年将超过2.5亿美元——展示了传统软件公司从未大规模经历过的指数级增长。与此同时，自2025年第三季度以来，公共SaaS指数下跌了37%，交易价格中位数仅为未来十二个月收入的3.5倍。即使是ServiceNow这样一家遵循”56法则”、产生数十亿美元自由现金流、年增长超过20%、ARR超过140亿美元的公司，尽管盈利超出预期，其股价也在一个月内下跌了30%，估值仅为ARR的7.0倍。市场正在表明，在AI世界里，即使是顶级的传统增长也是不够的。 AI速度的讽刺之处在于，过去十年的SaaS颠覆者现在自身也面临着被AI原生初创公司颠覆的风险。约瑟夫·熊彼特的创造性破坏理论正在成为现实，因为AI创新通过新产品和新方法彻底改革经济结构，以实现更高的效率和长期增长。近期新发布和改进的大语言模型的激增、自主智能体的演进以及计算成本的降低，使得AI优先公司能够更快地构建和迭代。对现有企业来说更令人担忧的是：大语言模型实验室本身——Anthropic推出了Cowork和法律插件，OpenAI推出了Frontier——现在正直接进入垂直应用领域，威胁着将整个软件类别商品化。 尽管AI原生公司的毛利率在20%到40%之间，而传统SaaS的毛利率超过80%，但它们能够抢占市场份额，因为它们能提供根本上更好的结果。正如Stratechery的本·汤普森所指出的：”虽然企业可能不会放弃软件，但它们不一定想购买更多——如果说有什么不同的话，它们需要削减开支，以便有更多资金用于自己的代币。” 三十年来，Insight Partners一直处于技术创新的前沿，投资于互联网、移动和云计算领域的下一代颠覆者。这些公司正受到AI原生公司扩张速度的威胁，必须做出改变。我们关于如何在AI时代发展软件业务的指南需要重写。 云原生公司有一些固有的优势：声誉、客户关系、数据、平台定位以及客户改变的惰性。当企业买家首先向现有供应商寻求AI解决方案时，这些可以成为强大的差异化因素。信任、用户粘性和现有的投资回报率可能会为云原生公司提供一些喘息空间来构建巩固价值的新AI功能，但它们必须努力保持这一地位。沃顿商学院的AI采用预测将2026年定为证明投资回报率的一年，因为各组织正从实验转向可问责的跟踪。 AI优先公司得益于一张白纸，可以完全重新思考流程，而不是简单地”智能体化”现有的工作方式。当新方法带来的生产力提升变得明显时，我们预计企业很可能会选择最佳解决方案，而不是平台的便利性，这种可能性应该让云原生公司的CEO们夜不能寐。创新速度、易用性、易采用性以及新工具的”吸引力”因素，都创造了对新进入者的拉力。对于云原生公司来说，获胜可能需要彻底重新思考业务的运营方式。 Intercom的Fin早期证明了现有的SaaS公司可以转向通过AI产品提供更好的结果。疫情后，该公司从健康的SaaS指标转向增长停滞。创始人没有将AI点缀到现有平台上，而是全力投入公司名为Fin的AI智能体，为AI时代重建其产品。Intercom放弃了现有的路线图并重组了团队，意识到”观望”策略行不通。尽管Fin产生了一些即时需求，但直到Intercom与Zendesk和Service Cloud等现有平台集成，并转向基于每次成功解决的成果定价而非按席位定价后，客户才完全迁移。拥有超过7000名客户和每周超过一百万次解决，Fin成为AI带来真实成果的早期范例。即便如此，Intercom的成功并非板上钉钉，因为像Wonderful*和Sierra这样的新进入者是强大的竞争对手，它们起步的地方正是现有企业经过大量努力和投资后才到达的。 在AI原生世界里，竞争优势是以周为单位衡量的，而不是季度。Fin的初步成功所展示的并非终点。彻底转型是保持相关性的代价。 CEO们如何紧迫行动，领导他们的企业实现转变？对于云原生公司来说，问题与Intercom相同。CEO们如何紧迫行动，领导他们的企业实现转变？这无法委派。CEO的所有权是增长与颠覆之间的区别。在Insight Partners与投资组合公司的工作中，我们看到CEO们采取三个步骤，即：重新构想未来——具体来说，做出艰难的战略选择。更新人员和能力——建立创业和实验的文化。重做运营——有意识地改变流程和运营。 重新构想未来 成为一家AI优先的公司需要防御性和进攻性行动。但更关键的是，它应该对实际面临的风险以及你可以在哪里获胜保持清醒的认识。 理解你真正的防御能力 关于软件护城河的传统观念需要更新。曾经被认为坚不可摧的数据护城河，在某些情况下被证明不如预期持久。我们正在见证从”记录系统”到”智能系统”和”行动系统”的根本性重构。记录系统存储结构化数据、安全权限、审计跟踪和企业赖以运行的关键工作流。AI是一个智能系统，它使用来自底层企业软件的数据来捕获交易和工作流。领先的现有企业正在构建智能系统，然后在其现有软件和数据之上构建行动系统。AI带来的颠覆在不同领域有细微差别： 受保护类别：具有复杂业务逻辑和真正记录系统的深度垂直软件（如用于CRM的Salesforce、用于HR的Workday、用于IT运营的ServiceNow）仍然相对具有防御性。这些平台持有AI需要访问的结构化交易数据。这些是核心。根据Insight的CIO理事会（包括跨行业的15位全球CIO）的说法，AI成为一个更好的界面，而不是更好的骨干。 暴露类别：更侧重于协作而非记录系统的水平工作流应用程序非常脆弱。应用程序（例如Smartsheet*）可能并非真正的记录系统，这带来了重大风险。任何主要价值在于促进人工工作流，而非维护关键业务数据的软件，都可能更容易被用户体验更好的AI原生替代品所取代。 灰色地带：一些基础设施和安全投资暴露在AI实现的完全新架构方法之下。价值主张依赖于管理复杂性的公司可能会发现AI完全消除了这种复杂性。从防御开始，并残酷地诚实地面对你的薄弱环节。假设AI原生竞争对手已经在规划如何拆解你的业务。你的哪些功能主要是为了管理AI可以消除的复杂性而存在？哪些客户痛点因为以前无法解决而被容忍？哪些劳动密集型流程仅仅因为”一直都是这么做的”而存在？ 就竞争领域做出战略选择 公司也应该转向进攻。威胁你核心业务的相同AI能力可以用来从根本上加强它。什么是能从根本上改变你为客户提供的价值的杀手级AI应用？如果你从头开始将产品重新设计为AI驱动，而不是在其之上叠加AI，哪些全新的能力——速度、个性化、自动化、智能——将成为可能？修订公司战略和愿景的目标是选择转向哪里、优先考虑什么以及放弃什么。AI不应仅仅扩展你的路线图；它应该重新定义它。 原文来源：Insight Partners

阅读全文

AI

Mar 09, 2026

人人都想成为YC创始人

标题：人人都想成为YC创始人 人人都想成为YC创始人。而这恰恰是问题所在。 每一代人都有其通往声望的阶梯——那个向世界宣告你认真、有抱负、注定不凡的机构认证。长久以来，这个认证是军旅生涯。然后是华尔街。接着是大型咨询公司。如今，对于越来越多的大学生业生（以及日益增多的辍学生）而言，这个认证是Y Combinator。 值得一问的是，这究竟是不是一件好事——不仅对那些竞相冲向演示日的个人而言，更是对更广泛的初创企业生态系统而言，这个系统依赖于创始人们出于正确的原因成为创始人。 声望阶梯 让我们追溯一下这条轨迹。在美国历史的大部分时间里，对于一个没有家庭背景、雄心勃勃的年轻人来说，道路是参军服役。它赋予纪律性、可信度，以及一个可以终身维系的专业人脉网络。20世纪许多最重要的商界和政界领袖都曾走过这条通道。这不仅仅是一个职业选择——它是一种融入真正逆境的成人仪式。 随着战后经济走向专业化，华尔街成为了新的试炼场。投资银行业——高盛、摩根士丹利、雷曼——成为了世俗版的军官培训。工作时间残酷，学习曲线陡峭，等级制度严苛。但这份资历通行无阻。在顶级投行工作两年后，你几乎可以去做任何事情。工作本身是真实的：资本配置、交易结构设计、学习资金如何在世界流动。 接着是毕业时遭遇全球金融危机的一代。几乎一夜之间，人人趋之若鹜的目标变得空洞。银行收缩，奖金蒸发，文化叙事翻转——华尔街在大约十八个月内从令人向往变成了反派。许多将早期职业生涯全部押注于此的人发现，他们手中的资历，往好了说是入场券，往坏了说甚至是声誉负担。 真空并未持续太久。咨询公司——麦肯锡、贝恩、波士顿咨询集团——填补了进来。它们的说辞很有吸引力：严谨的思维训练、精英同侪、接触数十个行业、最终拥有多种选择。这些公司很聪明地将自己定位为一个临时停靠站、一个为期两年的MBA替代品、一个发射台。在一段时间内，这很有效。这个品牌确实有分量。 但一些微妙的变化发生了。随着这条道路变得愈发拥挤和刻意——就像上一代人为进入银行业而优化自己一样，本科生开始为咨询招聘而优化——其信号价值开始下降。这些公司本身变成了目的地，而非起点。那些纯粹为了资历本身而被吸引来的人，开始超过那些真正试图解决难题的人。”麦肯锡”的印记变成了橡皮图章。 加速器世代登场 现在我们来到了这里。这个模式让人感到不安的熟悉。 Y Combinator成立于2005年，确实改变了游戏规则。早期的成员充满了那些有想法、需要少量资金和指导就能启动的实干家。网络效应是真实的。从早期批次走出的校友——Airbnb、Dropbox、Stripe——建立了划时代的公司。YC品牌意味着某种特定的东西：你经过了那些懂得早期产品市场匹配是什么样子的人的审查。 二十年后的今天，YC印记的声望，如果说有什么变化的话，那就是增长了——尽管通往它的道路已经被彻底”攻略”。创始人现在研究申请文书，就像法学院申请者准备LSAT考试一样。有教练、顾问，以及整个在线社区致力于优化你进入一个批次的方法。人员构成已经改变：更多应届毕业生，更多人创业是因为YC是有抱负的人该做的事，而不是因为他们有一个不解决不行的迫切问题。 这并不是专门针对YC的批评。该组织在使风险投资和创业民主化方面所做的努力，几乎超过了任何现存的机构。但是，那些侵蚀麦肯锡信号价值的同样力量，也正在作用于加速器模式。当一个机构的声望超过了它本应承载的信号价值时，就会出现大规模的逆向选择。 我们真正想要的信号 当我们（投资者）寻找声望资历时，我们真正试图衡量的是：证明这个人会做困难的事情，解决真实的问题，并在情况变得糟糕时坚持下去。军旅生涯以切身的方式提供了这种证明。早期的华尔街通过睡眠剥夺和真实的利害关系提供了它。最好的咨询经验通过让顾问真正接触客户组织的复杂性来提供它。 对于YC及其同行来说，问题是：这段经历本身是否仍然能创造这种证明——还是说，申请和录取本身变成了目的。 诚实的答案是：这取决于创始人。这一直都是事实，但现在更重要了，因为人数已经大幅增长。在一个25家公司的批次里，信噪比与一个250家公司的批次截然不同。随着批次规模的扩大，方差也在扩大。 对于那些主要基于加速器背景来安排会面的投资者和运营者来说，这造成了一个真正的问题。这份资历可能起到的筛选作用不如从前了。那些将建立未来十年最重要公司的创始人，可能会也可能不会经过YC——但我认为，越来越多的YC创始人可能是在为资历而非为公司本身进行优化。 真正预测创始人质量的因素 如果机构认证是一个滞后指标，那么我们应该寻找什么替代呢？ 最持久的信号始终是那些更难伪造的东西：内在动机的证据，在获得机构认可之前就已展现。你是否在任何人允许你成为创始人之前就构建了某些东西？你是否因为无法放下，而非因为看起来是个好市场，而坚持在一个问题领域？你是否已经尝过失败的滋味并继续前行？ 在我参加的Y Combinator 2019年冬季批次中，最大的赢家是Deel和Kalshi。当时它们都不被认为是”热门”公司。但创始人们并非在寻求许可或认可来创业，他们寻求的是社群和易逝的知识。 每一代人的声望阶梯，在最好的情况下，会筛选出那些无论如何都会出类拔萃的人。在最坏的情况下，它会筛选出那些特别擅长把自己选入那些看起来出类拔萃的事情中的人。这两类人在纸面上看起来一模一样。但当市场转向、产品崩溃、团队精疲力竭时，他们看起来就不一样了。 我不认为Y Combinator已经变成了新的麦肯锡。但值得关注其轨迹。那些以其印记传递最多信号的机构，随着时间的推移，往往会吸引那些对印记最感兴趣的人——而这恰恰是印记停止承载其原有意义的时候。 但当下正在构建的最佳创始人们，很可能并不是在等待一个印记才开始构建。他们已经在构建了。 原文来源：Perishable Knowledge

阅读全文

AI

Mar 09, 2026

AI时代的护城河

AI时代的护城河 AI时代的护城河：七大力量在AI时代如何演变 塔奈·贾普里亚 2026年3月3日 263次分享 我是塔奈·贾普里亚，Wing公司的合伙人，这是一份关于科技行业商业的每周通讯。要免费在收件箱中接收塔奈的通讯，请在此订阅：订阅 朋友们好， 我们目前正处于“SaaS末日”。人们认为软件已死，利润率将压缩至零。甚至有人说，在AI时代，像Visa这样的公司会被绕过，DoorDash会被聚合掉。所有看起来像软件的东西都变成了商品，不再有护城河。 在我们宣布所有企业的可防御性终结之前，我认为有必要立足于实际存在的可防御性来源。我最喜欢的关于可防御性和护城河的书是汉密尔顿·赫尔默的《七大力量》，它概述了公司建立可防御性的常见方式。 问题是：在AI世界中，哪些力量来源会削弱，哪些会留存？让我们逐一审视这七种力量，特别是在软件和科技公司的背景下。 1. 规模经济 定义 当更大的规模能以较小竞争对手根本无法匹敌的方式降低单位成本，从而创造成本优势时，就存在规模经济。在传统软件和数字业务中，规模允许将工程、基础设施和销售方面的投资分摊到庞大的客户群中，从而在结构上实现更低的单位成本。 例如： 亚马逊网络服务（AWS）将数据中心和基础设施的巨额资本投资分摊给数百万客户。 Netflix将其超过100亿美元的内容预算分摊给超过2亿的订阅用户，使其能够拥有比竞争对手更多数量和更小众的内容。 像Salesforce这样的大型SaaS供应商，历史上将研发和支持成本分摊给成千上万的企业客户，从而强化了利润率和再投资优势。 AI的影响 AI压缩了软件/数字工作中基于人力的规模优势。一个配备智能体的20人团队，现在可以以以前需要庞大组织才能达到的速度构建功能、处理支持、编写文档和进行实验。 然而，在基础设施和模型层，规模仍然很重要，并且是一种力量来源。 最终结果 基于将研发及类似成本分摊给庞大用户群的应用层规模优势会减弱。 基础设施层的规模优势仍然存在。事实上，规模经济为像OpenAI和Anthropic这样的模型层公司提供了力量来源。 2. 网络效应 定义 当产品随着更多参与者的加入而变得更有价值时，就产生了网络效应。主要有两种类型： 同边网络效应：用户直接受益于其他用户的存在，如社交网络和即时通讯应用中的情况。 跨边网络效应：两个不同的用户群体创造相互价值，这在像Uber和DoorDash这样的市场中很常见。 例如： WhatsApp变得不可或缺，因为每一个新增用户都增加了网络对所有其他人的效用。 DoorDash随着更多餐厅的加入而增强，这吸引了更多消费者，进而又吸引了更多餐厅，从而强化了市场的流动性。 在每种情况下，价值都随着网络的增长而扩展。 AI的影响 智能体引入了无缝的多归属，即使平台不存在，也能更容易地模拟聚合市场的一侧。例如，一个新的订餐服务可以使用语音智能体致电不在其平台上的餐厅进行订餐。或者，面向消费者的智能体可以在多个市场之间套利以找到最佳价格。 这可能会削弱浅层的排他性。 但AI无法制造实时的流动性、配送员密度、声誉历史或规范的身份图谱。市场密度和信任是结构性的，而非基于人力。 最终结果 一些表层的网络效应可能会减弱，但具有信任、声誉和协调密度的深度流动性网络仍然可以保持持久性。 3. 反定位 定义 当新进入者采用一种现有企业若复制就会损害其现有业务的商业模式时，就发生了反定位。这通常发生在技术变革期间，新进入者将现有企业的现有资产和业务“转化”为弱点。 例如： Netflix从DVD向流媒体的转型削弱了传统的租赁经济模式，并迫使现有企业做出痛苦的战略权衡。 提供订阅定价的SaaS公司挑战了依赖前期许可收入的本地部署软件供应商。 AI的影响 AI创造了新一轮的反定位浪潮。初创公司可以提供基于使用结果形式的定价，而不是按席位定价。他们可以用智能体取代工作流程，而不是增强用户。 现有企业可能难以采用这些模式，因为这样做会蚕食现有收入流或破坏组织激励机制。 最终结果 反定位是初创公司在当前市场中起步的一种强大力量形式。然而，现有企业比以往任何时候都更精明，认识到蚕食仍然是必要的。 此外，初创公司可能无法对所有争夺新市场的参与者（如AI实验室等）进行反定位，因为他们不像现有企业那样受制于先前的商业模式。 总的来说，反定位在早期阶段仍然是起步的良好力量来源。 4. […]

阅读全文

AI

Mar 09, 2026

保持独特，拒绝死亡

标题：保持独特，避免消亡 保持独特，避免消亡 – 异类之路 跳至主要内容 异类之路 保持独特，避免消亡 2026年3月2日 上周五，我在X平台上写道：“作为创始人，你可能会犯很多错误。但如果你不愿意‘死去’，事情最终总会解决……保持乐观，并努力做对。但即使你做错了，也不要‘死去’。”我本以为反响平平，没想到却引发了强烈共鸣。许多创始人私下联系了我，因此我觉得有必要就这个话题展开谈谈。 我们可能会犯很多错误。我们可能误判市场、招聘过快、推出错误的产品、在错误的时间融资，或者选择了错误的定价模式、市场定位甚至公司标志。我们可能行动过早、过晚，或被外界误解。在LinkExchange、Tellme和Zappos，我们都犯过这些错误，但只要我们不愿意“死去”，我们最终都找到了出路。 赢家并不总是开始时最聪明、最快，甚至最正确的。他们是那些能够存活足够久以学习的人。当然，我们应该努力做对，拥有坚定的观点，付诸行动，痴迷于客户，理解我们的商业经济模式，并质疑我们的假设。乐观不是盲目的信仰，而是一种信念：通过努力、迭代和学习，你可以让现实朝着有利于你的方向转变。 一个令人不安的事实是，我们会反复犯错。我们只需要有这样的心态：这不是失败，而是过程。在一切顺利时，这很容易说出口。真正的考验出现在濒临死亡的时刻。那时你才会发现，你是否真的相信错误是旅程的一部分，还是感觉它们关乎生死存亡。 如果你在某件事上投入足够长的时间，你总会面临感觉生死攸关的时刻，但即使是标志性的公司也曾经历过。1997年，苹果公司只剩下12周的现金，微软投资了1.5亿美元才使其免于倒闭。如果没有来自其最大竞争对手的这笔救命钱，就不会有iMac、iPod和iPhone。2000年，据报道，Netflix曾提出以5000万美元的价格出售给百视达，但被拒绝了。2001年，互联网泡沫破灭使亚马逊股价下跌超过90%，分析师预测其将破产。生存需要无情地专注于运营效率和现金流。 2008年，爱彼迎毫无起色，投资者认为其模式过于小众。布莱恩、乔和纳特已经刷爆了信用卡，因此他们在2008年大选期间出售麦片盒（“奥巴马麦片”和“麦凯恩船长麦片”）筹集了3万美元以维持生存，并手动拍摄房东公寓的照片以提高房源转化率。2020年，爱彼迎面临一代人一次的危机，收入损失超过80%。2020年4月5日，布莱恩召开紧急董事会会议，制定了确保爱彼迎能够传承给后代的几项原则。这些原则是：果断决策、保存现金、考虑所有利益相关者、成为榜样而非恶棍、为赢得2021年旅游季而战、不牺牲未来。 这些故事事后听起来是线性的：危机→英雄般的决策→复苏→伟大。但实际上，感觉更像是：混乱→困惑→怀疑→痛苦的削减→公众批评→小胜→更多怀疑→缓慢的复利积累→突破。身处危机中的创始人并不会感觉自己很传奇，他们只是拒绝“死去”。 还有一种更悄无声息的“死亡”形式。在杰夫·贝佐斯给股东的最后一封信中，他引用了理查德·道金斯的话：“避免死亡是你必须努力去做的事情……如果生物不积极努力去阻止它，它们最终会融入周围环境，作为自主个体而消亡。这就是它们死亡时发生的事。”道金斯指出，如果一个生物体停止消耗能量来维持其独特状态，它就会朝着与环境平衡的方向漂移。公司也是如此。如果我们停止积极塑造自我，世界就会塑造我们。所有这些自然力量，如竞争压力、最佳实践、季度预期和行业规范，都会将我们推向平庸，而平庸是一种缓慢的死亡。 贝佐斯给亚马逊人的最后信息是：差异化即生存。宇宙希望我们变得普通。这更容易，需要更少的能量，并且冒犯更少的人，但一旦我们停止投资于让我们独特的东西，比如我们的文化、产品或对客户的痴迷，我们就开始与周围环境融为一体。我们变得难以区分，并最终变得无关紧要。 保持独特，避免消亡。 在我发布新文章时获得通知 电子邮件地址： 如果您是人类，请将此字段留空： 版权所有 2026 原文来源：Outlier's Path

阅读全文

AI

Mar 09, 2026

PINN、神经算子与仿真的未来

标题：物理信息神经网络、神经算子与仿真的未来 物理信息神经网络、神经算子与仿真的未来 安妮丽丝·甘布尔 2026年3月3日 8 分享 这是由两部分组成的系列文章的第一部分。这仍然是我正在学习的领域。我的理解尚处早期阶段，因此请将本文视为我对近期与该领域专家交流以及个人阅读和聆听内容的探索。 许多工程工作的核心在于求解描述物理系统行为的数学问题——例如应力、热量、气流、扩散、振动。工程师运行仿真（使用SolidWorks/ANSYS/COMSOL等软件），试图将这些现实世界的变量转化为可解的数值问题。 来源：Gemini 如果人工智能能够学习其背后的规则（即输入“几何形状、材料和边界条件”，输出“会发生什么”），那么迭代过程将变得成本更低、速度更快。你可以更频繁地探索更大的设计空间，减少对专业人员的依赖瓶颈。随着时间的推移，仿真将开始嵌入设计工作流程中。CAD和CAE的界限将逐渐模糊。 关于这个话题，我与朋友马修·塔马约-里奥斯的一次对话对我最有帮助。他是苏黎世联邦理工学院的应用数学博士生，师从以科学机器学习（用于偏微分方程的机器学习/物理信息方法）闻名的西达塔·米什拉教授课题组。 以下是我开始研究这个领域以来所学内容的第一部分，包括我与马修对话的一些要点。 什么是物理信息神经网络？ 物理信息神经网络由Maziar Raissi、Paris Perdikaris和George Em Karniadakis于2017年在一个由两部分组成的系列中提出（第一部分和第二部分），后于2019年整合发表于《计算物理学杂志》。物理信息神经网络的核心是尝试训练一个尊重物理定律的神经网络。它被训练以匹配数据，同时通过每当模型违反偏微分方程时在损失函数中添加惩罚项来确保其遵守物理规律。“你希望通过将其设置为一个最小化问题来编码物理定律，并让神经网络学习如何求解它，”马修告诉我。 物理信息神经网络基本上是一个可以查询的函数。例如，输入物体内部的一个位置和时间，它会告诉你该处的温度。关键在于它的训练方式。你同时从两个方面评估它：1）它是否与你已有的测量数据匹配；2）它是否遵守热传导的基本规则，包括在边界处必须满足的条件？如果它匹配数据但违反了规则，就会得到较低的分数。随着时间的推移，训练会推动它趋向于既符合数据又不违反物理定律的温度分布图。 在传统仿真中，计算机无法求解固体或流体内部每一点的物理状态，因此它将几何结构分解成许多微小单元（称为网格），并在这些离散点上求解方程。然而，网格处理很麻烦，因为求解结果的质量很大程度上取决于网格的划分方式。“你的网格决定了仿真的粒度……在网格节点之间，你只能得到近似解，”马修说。如果网格太粗糙，你会错过尖锐、重要的效应。如果网格太精细，仿真会变得缓慢且昂贵。而且如果设计发生改变，你通常需要重新构建网格并从头开始。 在物理信息神经网络中，尽管你仍然有离散化的采样点，但你不需要网格，因为神经网络本身就是一个连续的求解函数。神经网络就像一个平滑的地图，你可以在任意点进行查询。在训练过程中，你直接从模型中计算检查物理规律所需的量（如变化率），然后每当物理规律不满足时就施加惩罚。它偏离方程的程度就是偏微分方程的残差。 为何物理信息神经网络曾如此令人期待？ 大多数现实世界的工程问题始于部分信号和大量未知数。你可以测量某些东西，但无法测量全部（材料属性、精确载荷、边界处的真实情况、热量的实际来源、少数噪声传感器之间发生的情况）。你基本上是从可观测的现象反向推导底层发生的过程。 物理信息神经网络让你无需大量标注数据集就能进行物理建模。它们是一种利用你已有的任何数据来训练模型的方法，同时该模型还受到物理规则的约束。当你已经知道控制结构并愿意为特定系统定制设置时，它们通常是构建近似解的好方法。正如马修所说，它们可以“相对容易地设置为特定系统的神经代理模型”。 这就是它们最初看起来如此有前景的原因。 物理信息神经网络的困境 “物理信息神经网络有一系列失效模式，”马修告诉我。一个主要问题是神经网络倾向于先学习平滑、简单的模式，而难以处理尖锐、快速的变化。换句话说，它们通常能把握整体形状，但会错过某些重要细节，如薄边界层或湍流。 另一个问题是训练可能很困难。你要求模型同时做几件事：匹配你拥有的任何数据、遵循控制方程、满足边界条件。这些要求可能相互冲突。模型可能会通过满足简单部分来“作弊”，而在物理上仍然是错误的，特别是在刚性或混沌系统中。 这就是为什么简单版本的物理信息神经网络在我们关心的现实世界场景中不够可靠和鲁棒。 神经算子：思维方式的转变 神经算子的理念是，与其训练一个模型来预测特定设置的解，不如尝试学习从问题描述到完整解的映射。你输入定义问题的内容（例如边界条件、初始条件、参数），然后模型输出整个解场。马修的工作重点就在于此。正如他所说：“我的目标是开发一个无网格的物理信息算子学习模型。” 马修将“算子学习”定义为“一种接受任何输入函数或场并将其映射到解函数或场的方法。你给它边界条件、初始条件和偏微分方程，它将其映射到随时间变化的解。” 你学习的是从问题设置到完整答案的映射。 最著名的例子之一是傅里叶神经算子。其思想是，它学习解算子——一种从边界/初始条件到完整解的映射——这种方式比传统的代理模型（通常绑定于特定网格）能更优雅地跨分辨率迁移。FNO风格的模型在标准偏微分方程基准测试中表现出色，在某些情况下，在一个分辨率下训练的模型可以在更精细的分辨率下进行评估而无需重新训练，即零样本超分辨率。 这并不能保证它在每一个混乱的现实世界场景中都有效，而且你通常并不真正知道你正在求解的偏微分方程的确切参数。但这是第一次让人感觉像是预训练：“你第一次花很多时间训练它，然后你可以将其应用于不同类型的问题，”马修告诉我。 物理基础模型 由此，离物理基础模型只有一步之遥：在广泛的偏微分方程族或物理系统上进行预训练，然后针对下游任务进行微调。你在气候领域（例如ClimaX）以及旨在更通用的新型算子学习工作中看到了早期版本。 马修指出Poseidon是这一方向的早期尝试之一。“这是首批能够泛化到未见过的物理现象，并且易于迁移到新几何形状和新参数体系的基础模型之一。”然而，马修也提醒说：“它仍然假设结构化网格，需要大量数据，训练耗时极长……而且当物理变得复杂时，它就开始遇到困难。” 这些提醒指出了物理基础模型不断出现的两个问题。首先，它们需要海量数据，尤其是在三维情况下。马修的粗略估算：在每个维度上以128个点采样一个三维体积，每个时间步长就已经达到约200万个点。运行数千个时间步长，数据集会非常迅速地变得非常庞大。 另一个大问题是“在现实世界场景中，你并不知道你正在求解的偏微分方程是什么，”马修告诉我。你可能知道一般形式，但关键参数未知，并且不清楚你处于哪种物理状态。换句话说，你不仅仅是在给定偏微分方程的情况下求解。实际上，你是在给定部分物理知识、未知系数、操作条件模糊性和噪声数据的情况下尝试求解。这正是部署如此困难的原因。 综合来看，数据和未知变量这两个约束解释了为什么研究和生产之间仍然存在差距。将这些模型部署到实际环境中需要知道模型何时正确、何时错误以及如何校准它们。这也意味着将这些模型嵌入工程师已经使用的工具中，这在由少数几家现有厂商主导的生态系统中绝非易事。 在下周的帖子中，我将探讨如何弥合这一差距，哪些用例在今天已经实用，以及投资回报在哪里。信任、校准循环、工作流程所有权以及集成到工程师已使用的工具中是我计划涵盖的一些主题。 作者注：仅使用大语言模型进行轻度文本编辑（拼写、语法和清晰度）。内容、含义、语气和结构保持不变。 感谢阅读AI Opportunities！免费订阅以接收新帖子并支持我的工作。 订阅 8 分享 原文来源：AI Opportunities

阅读全文

AI

Mar 09, 2026

每焦耳的智能

标题：每焦耳智能 每焦耳智能：利润、模型与熔毁的机器。作者：Akshay Mehra。发布日期：2024年3月4日。 人工智能已将软件重新拉回物理世界。我们几乎每天都被资本支出扩张的头条新闻所冲击，各公司似乎以极度的热情和狂热相互攀比。这场竞赛的本质是，对落后的恐惧远大于对犯错的恐惧。旁观者分列两端；有些人——像我一样——倾向于抓住眼前这个时代性的机遇，而另一些人则对投入的巨额资金感到困惑，宣称我们正身处“非理性繁荣”的时代。 无论你站在哪一边，都难以忽视我们生活的现实。像人工智能这样的平台变革很少出现；互联网的诞生、移动设备的普及以及向云计算的迁移是仅有的类似变革。 但创新与进步不会毫无代价地降临。随着时间的推移，越来越清楚的是，实现事物最大潜力的主要瓶颈之一，是获取充足的电力与实现电气化。随着人工智能主导的公司开始重视能源认知，物理学将在利润等式中扮演关键角色。这将把我们带入一个电力获取被武器化的世界，廉价的智能有可能重塑地缘政治。 底层之下的堆栈 在探讨为何解决能源效率问题至关重要之前，先剖析一下构成人工智能基础设施的各个组成部分会有所帮助： 最底层是运行人工智能模型的处理器。GPU和加速器定义了系统的原始计算吞吐量，这一层为后续所有环节设定了基准。英伟达和AMD等常见厂商属于此类。 在数据中心机架之间，必须有一个紧密的机制来集中管理芯片间的通信流。高速网络使数千个芯片能够作为一台逻辑机器运行。随着规模扩大，这一层变得至关重要，因为低效的通信会使计算芯片变成闲置的硅片。Arista Networks是这一领域的黄金标准。 我们进一步深入到冷却和电源管理。随着计算密度增加，热管理变得不可避免。芯片消耗的电力直接转化为热量，冷却系统必须足够快地移除这些热量，以保持硬件在安全范围内运行。冷却吞吐量越来越决定每个设施能部署多少GPU。我们本质上是在投入数十亿美元来防止机器熔化。Vertiv Holdings是专注于这一领域的公司代表。 高带宽内存和存储与计算并列，是另一个关键约束。这一环节已成为核心瓶颈，最近频频登上头条（并影响股价）。SK海力士、三星、美光和闪迪是该领域最大的公司。人工智能系统越来越依赖高带宽内存来保持上下文，并以所需的速度为加速器提供数据。当内存带宽落后于计算能力时，芯片的潜力就无法充分发挥。 电气化构成了系统的外部边界。如果无法向站点输送足够的电力，再多的资本或芯片都毫无意义。电网接入、输电能力和发电可用性越来越决定着数据中心的选址和扩张速度。在许多地区，电力可用性已成为限制因素，而非土地、资本或硬件供应。Oklo是这一领域一家有趣的公司，它使用模块化裂变反应堆来产生清洁电力。 云平台将不稳定的物理基础设施转化为对用户而言稳定且具有弹性的服务。它们隐藏了复杂性，以简单单位对计算进行定价，并负责底层的利用率、电力波动和可靠性。谷歌和亚马逊AWS等家喻户晓的名字属于此类。 虽然价值在整个堆栈中积累，但最关键的交互发生在冷却、电源管理、电气化以及位于其上的抽象层周围。对计算的需求持续上升，但满足这种需求的能力将越来越取决于能源转化为可用智能的效率。 推理游戏 电气化为何仍然至关重要，其理由通过推理经济学的视角能得到更好的解释。回顾过去，CPU时代有其独特特征，无论好坏，这些特征在今天已被摒弃。当我们思考以GPU为主导的未来时，其利润结构和扩展瓶颈与过去形成了鲜明对比。CPU遵循摩尔定律扩展，能源成本相对于创造的边际价值微乎其微。相比之下，今天的GPU则不同，电力可用性、电网接入和负载平衡决定了利润和经济可行性。一个人的优势将开始更少地由模型质量决定，而更多地由每单位能源提供的智能决定，或者如本文所建议的，由“每焦耳智能”决定。 这里的另一个变量是，训练数据的经济学与推理不同。训练是可预测的，而推理则是突发性的、间歇性的（对于在座的音乐家来说，就像持续音和断奏的区别——同一乐器，不同的能量特征）。由于这种波动性，物理学开始限制规模，因为GPU是固定成本，而推理经济学与之并不完全匹配。更重要的是，在训练模型时，超额配置GPU是明智的策略，但在考虑推理时却可能摧毁利润。这指向一个未来，即用于计算的电力、冷却、电力转换损耗、电网需求费用等，都将在最终结果中扮演更重要的角色。甚至10-20%的能源效率提升，可能比10-20%的模型改进更重要。 这就是为什么能源效率计算将驱动我们的未来，而要想成为世界上最具影响力的公司群体之一，科技企业将不得不重新审视其策略，并进一步深入物理世界，拥有和运营更多实体资产。 亚马逊与埃克森美孚的结合 这个小标题可能会让你感到困惑，但我相信，最大的价值将积累到那些控制能源、计算和抽象层的公司手中。几乎像是亚马逊和埃克森美孚的结合体。 如前所述，人工智能的利润将开始迫使计算提供商内化冷却、能源和电网约束。我们以前见过类似的故事。在云时代，像亚马逊这样的超大规模企业推出了网络服务，其前提是为客户抽象掉复杂性，让他们永远不必考虑数据中心设计、定制网络或存储访问。“云即服务”成为常态，同样，未来的赢家将提供“推理即服务”（亚马逊在这方面已经领先——其托管推理平台Bedrock现在已是价值数十亿美元的业务）。展望未来，像英伟达、AMD、CoreWeave这样的领先计算公司将向下游移动，并优先考虑电力获取。他们将——或许已经——采取的一些行动包括： 长期电力购买协议将成为常态，这将使计算提供商能够以固定价格获得长达15-20年的可再生能源。 直接收购或投资发电资产。这超越了PPA，例如微软重启三哩岛的交易、亚马逊的核能投资以及谷歌与Kairos Power的协议。 除了热管理和冷却创新，负载整形以及将推理路由到“最高”电力节点将至关重要。这就像能源领域的谷歌地图，将工作负载路由到最不拥堵的地方。 在某些情况下，与其从电网取电，不如将设施建在发电厂、水电站大坝或太阳能农场旁边，以消除输电损耗并确保专用容量。 一个更激进且最近被热议的方法是，在太空中建造数据中心的概念。我最初感到困惑（想象服务器机架在太空中飞行并不容易消化），并且我确信执行风险很大，但从概念上讲，这个想法确实有价值：太空近乎恒定的太阳能获取和辐射冷却，无需水或机械系统，解决了电力和热管理的挑战。当然，这一愿景也带来了自身的新约束：发射能力、轨道位置、太空碎片（凯斯勒综合征）以及卫星间带宽等。 Matt Levine的一个有趣旁注：埃隆确实在用他的火箭为他“烧钱的网站”提供资金；在过去，情况正好相反，埃隆用他从PayPal获得的收益资助了特斯拉。 并非所有都属于巨头 关于高资本支出、由物理世界定义的护城河以及与英伟达等万亿美元巨头比较的讨论，可能会给人一种印象，即未来的赢家已经遥遥领先。我不同意。我们仍处于早期阶段，随着创新者困境的显现——在位者过于沉迷于现有业务——早期公司仍有空间构建持久的事业。这是我们在过去每个周期都看到的故事，我看不出这次有什么不同。 我们可以从推理编排开始；那些为经济性和大规模交付而优化的中间件公司。中间件的巨大优势在于其跨模型运行的持久性，以及相对于基础模型层较低的资本密集度；我们以前在支付领域的Stripe、通信领域的Twilio以及最近的推理领域的Baseten身上看到过这种模式的成功。 原文来源：Amplify

阅读全文

AI

Mar 09, 2026

AI代理商务不会杀死银行卡

标题：智能体商务不会淘汰银行卡 智能体商务不会淘汰银行卡，但它将开辟一个缺口。对于现有商户，银行卡将主导智能体商务。稳定币将为那些尚未诞生的商户提供动力。诺亚·莱文 2026年3月4日 错误的争论 几周前，Citrini Research的一篇文章认为稳定币将取代Visa和万事达卡，导致银行卡类股票大幅下跌。加密领域的推特用户欢呼雀跃。这个论点听起来很清晰：AI智能体将优化每一笔交易，交换费是一种税，稳定币可以绕过它。我整天沉浸在加密世界中，我希望这个观点是对的，但其中大部分是错误的。不是因为稳定币不重要，而是因为真正的机会与取代银行卡无关。关键在于那些难以接受银行卡的商户。 银行卡将赢得大部分市场 Citrini的论点基于一个假设：摆脱了人类习惯的AI智能体将优化掉交换费。但银行卡不仅仅是转移资金。它们提供无担保信贷、预授权不确定的交易，并通过拒付权保证欺诈保护。稳定币可以转移资金，但目前还做不到其他这些。 假设你的智能体预订了一个酒店房间，结果与描述完全不符。使用银行卡，你可以对这笔费用提出异议。使用稳定币，钱就没了。82%的美国人持有奖励卡。全球流通的银行卡有180亿张。对于大多数类型的交易，消费者不会自愿放弃购买保护和积分，去选择一种既无保护也无积分的不可逆支付方式。欺诈检测进一步放大了这个优势：银行卡网络实时运行着处理数十亿交易的模型。稳定币目前缺乏可比的网络级欺诈防护层。 反驳意见可以更具体，但模式是重复的。 小额支付常被认为是银行卡的弱点。但银行卡网络以前就曾适应过不合适的交易。Visa通过将多次刷卡汇总为每日结算，已经处理了超过20亿笔交通费用。银行卡行业从未放弃过任何交易类别。它总是发明新产品来捕获每一个类别。 然后是身份异议：”智能体不能持有银行卡。”但智能体只是一种新设备。你的手机、手表和笔记本电脑都携带指向同一张银行卡的独立令牌。技术与Apple Pay相同。你的手机从未通过KYC；它只是携带你的令牌。智能体也是如此。Visa已经发行了超过160亿个令牌。智能体也将获得这些令牌。Visa的智能商务框架正在试点中。万事达卡的Agent Pay已面向所有美国持卡人上线。由Stripe和OpenAI构建的智能体商务协议，已经让Etsy上线，并有超过100万家Shopify商户准备接入。 对于已经存在的商户和消费者，银行卡很可能主导智能体商务。稳定币的机会在别处：那些尚未诞生的商户。 尚未诞生的商户 每一次平台转变都会催生一波现有支付系统无法服务的商户。当eBay创建了一个个人对个人的市场时，那些卖家无法获得商户账户。PayPal为他们服务，并发展到100万用户，到2000年处理了eBay拍卖支付的40%。Shopify在13年内从42,000家商户增长到550万家。正如Alex Rampell和James da Costa所指出的，Stripe成立时，其许多最终客户甚至还不存在。模式是一致的：赢家服务于那些现有机构尚无法证明有理由承保的商户。 AI浪潮可能会比以往任何一次平台转变更快地催生这些商户。仅去年一年，GitHub就新增了3600万开发者。在YC 2025年冬季批次中，四分之一的公司拥有95%或以上由AI生成的代码库。在最受欢迎的AI编码平台之一Bolt.new上，500万用户中有67%不是开发者。数百万两年前还不会编写生产代码的人现在正在发布软件。每个人都是开发者基础设施的新买家，通过命令行购买，而不是销售电话。 这些开发者同时也是新的卖家。一个氛围编码者需要服务作为其工作流程的一部分：数据端点、测试基础设施、部署工具。任何拥有相同工具的人都可以构建这些服务并将其卖回。同样的力量同时创造了买家和卖家。 想象一下，一个氛围编码者构建了一个工具，可以清晰地呈现上市公司的财务数据。这个项目可能只需要用AI编码工具工作四个小时。没有网站，没有服务条款，没有法律实体。另一个开发者的智能体在一周内调用了它40,000次，每次调用费用十分之一美分，产生了40美元的收入，而没有任何人访问过结账页面。 我每周都能看到氛围编码者构建这样的工具。第一个问题总是：”我怎么收款？”对于他们中的大多数人来说，目前的答案是：他们不能。 现有的支付处理商将发现很难为这些商户开通服务。不是因为技术缺乏，而是因为当处理商对一个商户说”是”时，它就承担了该商户的风险。如果商户实施欺诈或产生大量拒付，处理商就要承担责任。处理商会拒绝他们无法承保的申请者。一个没有网站、没有实体、没有记录的工具是极难承保的。 系统正在按设计运行。只是它当初并非为此而设计。 处理商可以适应。他们以前就这样做过，为支付服务商和市场平台创建了新的风险等级。但从PayPal推出到为其首创的支付服务商模式（将商户聚合在单一账户下并吸收其风险）制定首个行业承保指南，花了16年时间。而这些商户现在就需要收款。 对于这些商户来说，接受稳定币相当于街头小贩只收现金。不是因为现金更好，而是因为具有他们这种特征的商户历来难以获得银行卡受理的批准。 对于这个缺口，稳定币是目前唯一可行的选择，尽管钱包用户体验仍然粗糙，合规框架仍在形成。像x402这样的协议已经将稳定币支付直接嵌入HTTP请求中，不需要商户账户、不需要处理商、不需要开通流程、没有拒付责任。这一切都不需要任何人同意稳定币比银行卡更好。只需要现有处理商尚未适应。 这些商户不会是在稳定币和银行卡之间选择稳定币。他们是在稳定币和”无法收款”之间选择稳定币。 创造什么 每一波新商户最终都被传统的支付系统所吸收。同样的情况很可能也会在这里发生，只是时间问题。尽管如此，商户先行，承保随后跟上。在这两个时刻之间的缺口期，稳定币就是基础设施。 银行卡服务于处理商能够承保的每一个商户。稳定币服务于处理商无法承保的每一个商户。下一波商务浪潮将在这个缺口中构建。 您收到此通讯是因为您在我们的网站、活动或其他地方订阅了它（您可以随时使用下面的”退订”链接选择退出）。本通讯仅供参考，不应被依赖作为法律、商业、投资或税务建议。本通讯可能链接到其他网站或从第三方来源获得的其他信息——a16z尚未独立核实，也不对此类信息的当前或持久准确性作任何陈述。此外，本内容并非针对任何a16z基金的投资者或潜在投资者，也不供其使用。请参阅a16z.com/disclosures了解其他重要细节，包括投资列表链接。 原文来源：a16z crypto

阅读全文

AI

Mar 09, 2026

消费级AI现状（第一部分）：使用数据

标题：消费者人工智能现状 第一部分 消费者人工智能现状。第一部分——使用情况 阿普尔夫·阿加瓦尔 2026年3月2日 1431次分享 两年前，我曾提出消费者人工智能正走向一个熟悉的终局：分发渠道将胜过原始模型质量，因此现有的巨头谷歌和Meta最有可能获胜。那时，ChatGPT的周活跃用户数约为1亿。 这场争论已经有了结果。我错了。 如今，人工智能应用的周活跃用户总数已突破10亿，仅ChatGPT就贡献了其中的9亿。它从零开始建立了这个用户基础，没有依赖现有的分发平台。下文我将通过分析各应用的使用数据来论证，ChatGPT是唯一一个既拥有装机量又具备新用户增长势头、有望成为像今天的WhatsApp和Chrome那样的核心工具的人工智能应用。其他所有挑战者的浪潮都已消退。ChatGPT却在持续增长。 这是聚焦于使用情况的四部分系列文章的第一部分。接下来将讨论参与度、留存率和花费时间。我从四个维度分析使用情况： 双雄AI竞赛中，ChatGPT遥遥领先 ChatGPT vs. 消费级巨头：差距比你想象的要小 一年四季：OpenAI、谷歌、XAI、中国 在AI应用中，只有ChatGPT看起来像是一个可能的新工具 1. 双雄AI竞赛中，ChatGPT遥遥领先 来源：Sensortower 方法论说明：数据源为Sensortower，因此此分析仅限移动端，可能低估了重度依赖网页的AI使用情况。我使用周活跃用户数，因为它是日活跃用户和月活跃用户之间一个有用的中间点，也是比较新兴AI产品与成熟消费应用的一种合理方式。 AI应用的总周活跃用户数已从2024年1月的约1亿增长到2026年2月的超过12亿。这大约是两年内20倍的增长。历史上没有任何应用类别扩张得如此之快。 ChatGPT拥有9亿周活跃用户，超过了Spotify的约6亿，与TikTok（约15亿）和Instagram（约13亿）处于同一量级，并正在接近我认为是核心工具的WhatsApp和Chrome（各约25亿）。当我写最初那篇文章时，ChatGPT与消费级巨头相比微不足道。现在它已跻身同一行列。大多数人，包括我自己，都认为这需要更长的时间。 来源：Sensortower ChatGPT占据了AI总周活跃用户数的大约70%。在过去一年中，它一直保持这一份额。Gemini约占15-20%。其他所有应用（DeepSeek、Grok、Perplexity、Claude、Character AI）合计约占10%。 AI类别增长了20倍，但几乎所有的增长都归于两个应用。ChatGPT从零开始建立了用户基础，没有现有的分发平台。Gemini则借助了谷歌40亿用户的分发渠道。 2. ChatGPT vs. 消费级巨头：差距比你想象的要小 要理解AI应用所处的位置，观察过去十年消费应用如何分层会有所帮助。 来源：Sensortower 消费应用的使用已稳定在三个层级： 核心工具（约20-30亿周活跃用户）：YouTube、Chrome、WhatsApp。这些是基础设施。它们如此深入地嵌入日常生活，其功能更像操作系统特性而非独立产品。增长缓慢而稳定，由智能手机普及驱动，而非病毒式传播循环。 社交平台（约10-15亿周活跃用户）：Facebook、Instagram、TikTok。由内容图谱和社交强化驱动的习惯性使用应用。它们花了数年时间才攀升到这个层级，增长已基本趋于平稳。 垂直应用（约3-6亿周活跃用户）：Spotify、亚马逊、X。服务于更具体需求的、拥有庞大用户基础的类别领导者。使用频繁但非普遍。 AI不再只是一个自我比较的类别。它现在与有史以来最大的消费产品出现在同一张图表上： ChatGPT，拥有8-9亿周活跃用户，已超越垂直应用层级，现在正向社交平台层级迈进。它在大约三年内做到了这一点，而Instagram用了五年，TikTok用了四年。Gemini，拥有约2亿周活跃用户，正从下方进入“垂直应用”层级。 3. 一年四季：OpenAI、谷歌、XAI、中国 周活跃用户图表讲述了一个集中的故事。下载量图表则讲述了一个混乱的故事。 来源：Sensortower 在过去一年中，每个季度都有一个不同的挑战者成为焦点，各自乘着一波炒作、产品发布或分发实力的浪潮。可以将其视为AI下载量的四季： 2025年冬季：中国。 DeepSeek在2025年1月每周下载量激增至超过2500万，一度与ChatGPT自身的数字相匹敌。这个开源模型的性能让行业措手不及，并引发了一波“OpenAI陷入困境了吗？”的评论。几周内，下载量就回落到了峰值的一小部分。 2025年春季：XAI。 Grok在第一季度和第二季度初经历了一波激增，这得益于埃隆·马斯克通过X平台的分发以及一系列模型更新。下载量飙升，媒体报道随之而来。但持续的使用规模从未达到同等水平。 2025年夏季：谷歌。 Gemini的高光时刻。每周下载量激增至2000万以上，这主要得益于nano banana模型——谷歌在Google I/O期间发布的病毒式图像生成功能。这次激增几乎完全与图像生成相关，这也解释了随后的下降：这是一个模型时刻，而非持续的行为转变。谷歌的分发引擎可能扩大了影响范围，但催化剂是拥有一个真正优秀的、能引发病毒式分享的图像模型。 每个季节：OpenAI。 在整个过程中，ChatGPT持续增长。虽然每个挑战者都曾在一个季度内成为头条新闻，但ChatGPT的下载量周复一周地始终保持在或接近顶部，没有任何波动。图表上那条稳定的线才是关键。 值得提及：Anthropic。截至本文撰写时，Claude在App Store免费应用榜上排名第一。这将成为另一个季节性的峰值还是更持久的东西，值得关注。但到目前为止的模式已经很清晰：吸引注意力更容易，建立日常习惯则很难。 […]

阅读全文

AI

Mar 09, 2026

好消息：AI将吞噬应用软件

标题：好消息：人工智能将吞噬应用软件 好消息：人工智能将吞噬应用软件。但那些造就伟大软件公司的护城河依然稳固。作者：亚历克斯·伊默曼和圣地亚哥·罗德里格斯。日期：2026年3月2日。标签：美国 | 科技 | 观点 | 文化 | 图表。 软件行业正陷入恐慌。自2026年初以来，公开上市软件公司的ETF下跌了30%，抹去了自ChatGPT发布以来的所有涨幅。像Salesforce、Adobe、Intuit、ServiceNow和Veeva这样的风向标公司——它们为投资者的资本带来了十年或更长时间的复合增长——在几周内下跌了25%到30%。病毒式传播的Substack帖子描绘了这样一个世界：企业软件的客户基础被掏空，标普500指数进入长达数年的大幅下跌。他们称之为”SaaSpocalypse”。这迅速成为市场共识：人工智能将扼杀软件行业。 是的，人工智能是件大事。但认为人工智能将扼杀垂直和功能性软件商业模式的结论根本说不通。事实是，人工智能根本不会杀死软件公司：在这场恐慌过去之后，我们会发现人工智能是软件行业有史以来遇到的最好的事情。 为什么这么说？ 看跌的观点建立在对软件公司实际销售内容的基本误解之上。市场对待”软件”的方式，就好像它是一种商品投入——仿佛软件公司的价值在于其代码，而更便宜的代码意味着更多的竞争，从而导致公司估值降低。但价值从来就不在于代码：如果价值在于代码，这些公司首先就永远不会变得如此庞大。它们多年前就会被开源软件或发展中国家廉价的软件工程劳动力竞争所淘汰。 如今的看跌论点通常分为四类。也许基础模型实验室会向上游发展，拥有每一个功能特定的应用程序。或者，企业会为其内部工具”氛围编码”出替代品，或者至少利用这种可能性来削弱软件企业的定价能力。又或者，现有参与者会利用人工智能大规模扩展其产品广度，相互挤压。再或者，大量新进入者——著名的”单人十亿美元公司”——将在价格上削弱现有企业。再加上，智能体不会在乎品牌忠诚度或熟悉的名字，只在乎任何特定任务的最便宜选项。 人工智能可能会加剧竞争；但它也将极大地扩展软件公司能做的事情、做事情的速度，以及它们所服务的市场能变得多大。最终结果不会是利润率压缩至零。软件将成为一个更大的行业，对于那些赢得优势的公司来说，将拥有持久的竞争优势。 重要的护城河不会消失 关于商业护城河的经典当代著作是汉密尔顿·赫尔默的《七种力量》。他列出了公司发展强大竞争优势的七种不同方式：规模经济、网络效应、反定位、转换成本、品牌、垄断资源和流程能力。让我们逐一分析： 转换成本或许是真正会发生变化的一种护城河。人工智能确实正在改变与更换供应商相关的摩擦和成本效益分析：智能体可以协助处理许多过去令人头疼的迁移工作。因此，这意味着那些拥有”人质，而非客户”（借用我们同事亚历克斯·兰佩尔的说法）的传统公司将感受到比以往大得多的压力。 但对软件整体而言，这是一件好事。当公司必须赢得客户的忠诚度，而不是仅仅依赖供应商锁定，结果将是更好的产品、更快的创新，以及一个更健康、增长更快、为客户提供更多价值的竞争生态系统。我们预计人工智能会将一些客户转移到新的赢家那里，但这不会大规模损害行业利润池：公司只会变得更好。 网络效应是一种经典的护城河。它们不会消失。我们倾向于在社交媒体平台或市场领域提及网络效应——网络中的节点越多，加入该网络就越有吸引力。但这同样适用于展现出生态系统、协作和数据网络效应的应用软件产品。表面上看，Salesforce是一个CRM数据库；但任何在企业环境中工作过的人都知道，Salesforce也是一个生态系统。当每个人都使用一个平台时，网络就会自我强化：你使用Salesforce是因为每个人都使用Salesforce。使用Salesforce的公司越多，建立在Salesforce之上的第三方应用程序生态系统以及精通Salesforce的平台管理员专家就越有价值。近年来，Figma也遵循着类似的逻辑：每个设计师，然后是每个工程师、产品经理、营销人员都购买Figma，因为每个人都在那里协作——去参加年度Config大会，就能亲眼目睹这个生态系统的价值。 同样的动态也出现在人工智能原生一代中。Harvey和Hebbia正在构建连接服务提供商和客户（很快还有他们的智能体）的金融和法律协作空间，形成一个单一系统：使用这些平台的人和智能体越多，平台就越有价值。EliseAI的维护产品是一个多边网络，每增加一个单元或供应商，其价值就越大。随着迁移变得更容易，聚合也变得更容易，但在软件免费的世界里，这些网络效应根本不会消失。事实上，只要人工智能使网络更强大——你现在能通过网络做的事情比以前多得多——我们应该预期人工智能会使这些网络效应变得比以前更强大。 规模从来不是软件领域的决定性护城河——它对Salesforce的重要性远不如对云提供商或工业公司那么重要。但在某种程度上，对于计算支出超过劳动力成本的人工智能应用，规模可能更重要，这会给更大的代币消耗者带来单位成本优势。此外，规模在某些地方仍然有帮助：将维护负担集中在一个地方是直接的规模经济，因为专业化的生产力提升在人工智能世界不会消失。Stripe凸显了集中化基础设施为其所有客户带来价值的例子。其合规基础设施承担了应对数十个国家法规的成本，这样单个企业就不必承担；其支付优化算法（用于路由和重试交易以最大化授权率）随着交易量的每一美元增加而改进——并且它们可以将这些节省的成本传递给客户。最后，规模将继续惠及处于数字与实体交叉点的公司；Anduril、Flock Safety和Waymo随着硬件产品产量的提高，将继续看到更低的单位成本。 品牌持久不衰。无论好坏，”购买IBM产品没人会被解雇”在大多数企业中仍然是现实。如果每个行业都变得更加拥挤——如果突然涌现出大量销售氛围编码ERP的昙花一现的个体创业者——我们应该预期强大品牌的力量会增加。品牌是你在无限选择的世界中传递可靠性的方式。没有新贵能瞬间复制Stripe、Shopify或ServiceTitan等公司建立起来的信任和认可度。你越是接近业务关键功能——人们真的不想在支付处理上发挥创意——品牌效应就越强大。如果你是一家初创公司并且向客户收费，你默认就会基于Stripe来构建。 我们确实承认，随着更多决策被委托给优化价格而不考虑人类软性因素的人工智能智能体（智能体主导的增长！），品牌的力量可能会改变。但只要它们向担心被解雇的人类汇报，”购买IBM产品没人会被解雇”的原则仍然成立。 垄断资源，如高质量的专有数据，也不会停止其重要性。如果摩擦降为零，仅仅将公开可用的数据整合成一个可用的界面价值就会降低，因为任何人都可以做到。但如果人工智能让你能比以往更充分地利用高质量数据，那么那些你无法轻易获得的东西就变得极其有价值。我们已经看到了彭博实时市场数据、Abridge数百万次临床对话、OpenEvidence庞大的医学图书馆以及VLex法律数据库的力量。 在这个新时代，或许最强大的护城河是流程能力——或者如Hebbia的乔治·西武尔卡所称的”流程工程”。应用软件可以被看作是一种存储的流程——它编码了关于组织职能应如何运作的观点，这些观点经过多年甚至数十年的使用，固化成了与组织本身密不可分的东西。成功的应用软件公司是那些围绕这些工作流程与客户共同进化的公司。随着这些工作流程日益深入地渗透到组织中，流程工程只会变得更加重要，对挑战者来说也越难以复制。 以Harvey为例。如果Harvey深刻理解某家特定律师事务所如何构建其工作——模板、审查流程、机构偏好、特定合伙人喜欢其备忘录的完成方式——那么新进入者根本无法在一夜之间复制这一点，即使代码成本为零。随着软件从记录系统转变为行动系统，这种嵌入式的工作流程知识会变得更强大，而不是更弱，因为你可以利用这些知识做更多的事情。因此，随着底层模型的改进， 原文来源：a16z

阅读全文