AI 架构师：Bret Taylor

摘要

• Taylor 的 Google Maps 故事提醒我们，产品速度本身就可以成为分发渠道。 他用一个周末重写前端，把 gzip 压缩后的应用缩小到 20K——约减少 10 倍——使用量“直接飙升”，说明在 Google 这样的规模上，“仅仅更快一点就能带来很多百分点的增长”。组织层面的推论是：突破性产品往往诞生于产品、设计和工程集中在同一个人或极小团队手中。

• 他的 AI 市场版图更看好领域应用，而不是独立的基础模型或工具创业公司。 前沿预训练可能属于少数拥有“不讲理的大额资本开支预算”的公司，而快速变化的开发者工具可能广泛向开源聚拢。Taylor 会“尽可能沿着技术栈向上，靠近客户需求”，举例包括软件工程领域的 Cursor、法律领域的 Harvey，以及客户体验领域的 Sierra。

• 智能体会把软件经济学从按席位和使用量收费，推向按结果收费。 Sierra 在智能体解决问题或交付相关客户结果时收取协商费率，因为使用量指标和问工程师写了多少行代码一样没有信息量。“应该为把事情做好付费”——Taylor 认为，这种商业模式转变的重要性，可能不亚于 SaaS 订阅取代永久授权。

• AI 原生软件开发需要的不只是把一个自主编码器塞进 Visual Studio Code。 如果机器把写代码的成本推向零，人的逐行审查就会成为瓶颈，但跳过检查又不安全。Taylor 希望出现新的语言、形式化验证、测试和操作界面，以更安全、更快地生产软件——这可能让 Rust 式的保证胜过 Python 的编写便利性。

• 真正困难的产品问题，是控制那些任何提示词都无法完全规定的行为。 PRD 很少会写明互联网断开时该怎么办，但生产代码里蕴含着无数这类决策；智能体的价值，正来自用推理填补这些空白。因此，能够长期存在的领域平台必须掌握发现错误、理解模型为何采取某个行动、收集反馈并改变未来行为的闭环——因为一份完全穷尽的提示词“最终就是代码”。

• AGI 可能会广泛地带来智能，却以不均匀的方式渗透经济。 数字工作可以迅速吸收推理能力，但发现一种药物并不等于完成临床试验，碳移除方案仍然要面对大量实体执行。软件岗位会发生剧烈变化，但 Taylor 认为，敲代码本来就是工具演进的产物：判断该做什么仍是差异化所在，开发者应避免成为“最后一个拥抱 Excel 的会计”。

• Taylor 表示，OpenAI 的优先级由其使命，而不是传统的产品路线图决定。 “确保通用人工智能造福全人类”意味着安全、工具使用、编程、研究、更低成本，以及通过 ChatGPT 提供广泛访问，包括与 Taylor 每月 200 美元订阅和 o1 Pro mode 并存的免费层。Microsoft 仍是他所说的 OpenAI“最重要的合作伙伴”，但随着基础设施需求远超早期预测，双方关系也必须演进。

• Taylor 认为，近期最重要的能力变化是更便宜、更快速的推理。 GPT-4 的智能受制于延迟和成本；GPT-4o 和 GPT-4o mini 扩大了它的应用范围，而 o1 又以更慢的响应速度带来了更高质量。蒸馏、更快的蒸馏版 DeepSeek 模型和 o3-mini 表明，复杂推理可以进入更多应用，带来“一场类似的想法与可能性大爆发”。

精读

1. 工程始终是 Taylor 的身份与职业筛选器

• 即便担任 Salesforce 联席 CEO，Taylor 周末仍在写代码。因此，他介绍自己时仍会说自己“首先是一名工程师”，并把工程理解为一种思维方式，而不仅是一份工作：他用这种方式看待公司、董事会、产品以及生活中的许多事情。

• 1998 年至 2002 年的 Stanford 横跨互联网泡沫周期的两个极端：接近顶峰时，创业公司每天给计算机科学专业的学生送披萨；崩盘后，招聘会上仿佛只剩“风吹草动都没有”的冷清。Taylor 当时剩下的选择包括 Microsoft、IBM、VMware 和 Google。

• Marissa Mayer 曾是他在 Stanford 的小组导师之一，让 Google 显得相对安全。在 VMware 做内核软件，还是去一家当时没人知道的 Google 做搜索，并不是一个显而易见的英明选择：“我算是碰巧走对了，”他说。经济崩溃迫使他靠近了一个机会，而那项业务最终会发展到什么规模，当时没人看得见。

• 他更广泛的职业标准，是把影响力和日常乐趣放在一起；即便工作意义重大，如果自己不喜欢，他也不会去做。因此，Sierra 同时把“竞争强度”和家庭列为价值观：“强度与平衡可以兼容。”

2. Google Maps 证明性能可以制造增长

• Lars 和 Jens Rasmussen 创办的 Where 2 Technologies，做过一款名为 Expedition 的原生 Windows 地图应用。这个不合时宜的选择抬高了质量标准：当 MapQuest 仍在提供带方向箭头的小型静态图片时，Google 的浏览器产品必须让地图感觉可以拖动、可以交互。

• Internet Explorer 每个域名同时只能加载 2 张图片，因此 Maps 团队把地图瓦片分散到约 40 个子域名中。团队在拖动过程中逐步加载瓦片，反复把 Firefox 搞崩，随后跑到楼上找浏览器工程师调试问题，好让 Maps 能在 JavaScript 中绕开故障。

• 2005 年 8 月 Google 收购 Keyhole 并加入卫星图像后，复杂度进一步上升；团队随后又试图在没有 Internet Explorer XML 功能的情况下支持 Safari。工程师围绕 XML 和 XSLT 重新实现解析器，直到一个优雅的产品变成 Taylor 直言的“这堆狗屎”。

• Taylor 用一个充满咖啡因的周末重写了前端：服务器发送 JavaScript，再用 eval 解析，那时 JSON 甚至还没有正式名称。尽管除了 Google 的 Closure Compiler 之外几乎没有什么工具，gzip 压缩后的代码包还是变成了 20K，缩小约 10 倍。使用量随之飙升，因为“仅仅更快一点”带来的影响极其巨大。

3. 新技术奖励能够打破组织边界的团队

• Google Suggest、Gmail 和 Maps 当时都在探索后来被称为 Ajax 和单页应用的东西。Suggest 起源于 Kevin Gibbs 的 20% 项目；Gmail 把更多工作放到客户端，以提升邮件速度；Maps 则把浏览器拉伸成此前从未被设计来支持的图形系统。

• Taylor 认为，React 的概念突破在于：只有当有人把数据驱动的界面展示出来之后，这套思路才显得理所当然。AI 智能体还没有到达那个时刻：“我们现在大概处于智能体的 jQuery 时代，还没进入 React 时代。”

• 他的组织结论同样直接：“很少有伟大的东西是委员会创造出来的。”当工程团队只是接受产品团队的指令时，公司可以把理解透彻的商业软件执行得很好，但很少能创造出那种深度打磨的突破性产品；后者来自一个小团队同时掌握客户需求和技术约束。

• 编程助手说明了如今为什么分工会失效。Cursor、Devin 和 Microsoft Copilot 都很惊艳，但还没有实现真正自主；有意义的产品价值在于利用它们细微而不断变化的边界，而这些边界每隔几个月就会变化。创业公司和全栈创始人因此占据优势，因为他们可以通过与技术的“对话”持续重构产品。

4. Sierra 押注长期价值在领域应用层

• Sierra 让消费品牌能够构建覆盖语音和聊天的面向客户智能体。Taylor 提到 Sonos、ADT Home Security 和 SiriusXM；后者官网上的智能体 Harmony 就建立在 Sierra 平台之上。目标是端到端的客户体验，而不是一个通用智能体演示。

• Sierra 大部分工具都在内部构建，以掌控一个尚未定型的设计空间：微调、模型串联、推理、生成、护栏，以及给非确定性技术施加确定性。Taylor 衡量进展的标准是保持谦逊：他希望 2 年后团队会“嘲笑当时的天真”。

• 在他看来，前沿模型预训练很可能会集中到能够持续承担巨额资本开支的组织手中，包括 OpenAI 和 Microsoft、Anthropic 和 Amazon Web Services、Google Cloud，以及资本充足的 xAI。试图从基础模型预训练中获利的小公司，“大概率不会”面对有吸引力的竞争结构。

• 工具仍然可以创造有价值的企业，Confluent、Kafka、Snowflake 和 Hortonworks 都是例子，但开发者善变，技术栈变化又快。Taylor 的默认判断是，工具会“广泛地”向开源聚拢，而 Harvey、Cursor 和 Sierra 这样的应用可以围绕已经解决的经济问题定价。

5. 创始人应从经济问题出发，而不是从时髦的技术原语出发

• 大语言模型极具吸引力，工程师很自然会从技术入手，遇到实现痛点，再为其他同样受困的人做一个工具。Taylor 并不否定实验或兴趣项目，但如果目标是打造一家持久的风险投资公司，他认为这条路往往只能带来渐进式改进。

• 他的价值链类比从咖啡豆一直延伸到机场咖啡。烘焙豆的价格仍然相对于投入品定价，而机场拿铁能获得高毛利，是因为它为一个被困在机场的旅客解决了迫切的人类问题：“你实际上解决了一个更尖锐得多的人类问题。”

• 实际的创意迷宫应从这些问题开始：哪些经济活动能够吸收智能？智能体会做什么？谁会购买？当前技术是否能够交付？自动补全有一定价值；能够稳定交付成品软件的智能体，价值高得多。“把视线从大语言模型上移开，开始思考经济。”

6. 按结果收费是自主工作在商业上的对应形式

• Sierra 采用按结果收费：每当 AI 智能体解决一个问题或交付相关客户结果时，Sierra 就按预先协商的费率收费。Taylor 认为，这让商业模式围绕实际完成的工作，而不是围绕获得软件使用权来设计。

• 他在 SaaS 中看到了先例。浏览器交付让永久授权变得尴尬，因为厂商会持续托管和更新产品，于是 Salesforce 把技术变化与订阅模式结合起来；最终连 Adobe Photoshop 也从买断转向订阅。商业模式的变化，和交付模式的变化一样重大。

• 当智能体开始执行工作时，按使用量和席位收费可能同样显得过时。按使用量收费，就像按代码行数评价工程师——那个 Apple 故事里的工程师因为简化了代码库，最后报出了一个负数。“应该为把事情做好付费”，而不是奖励冗长函数或浪费推理。

• 产品打包方式仍取决于智能体的契约：客户是工程师还是管理者，产出的是不是可审查代码，以及通过测试是否就能证明工作完成。Sierra 的客户仍然掌握方向盘，但如今许多运营负责人开始自称“AI 架构师”，Taylor 认为这类似于早期互联网时代的 webmaster。

7. 自主编码会让今天的开发环境显得错位

• Taylor 目前在重新包装过的 Visual Studio Code 中使用 Cursor，但他怀疑当机器写下大部分代码后，单个打开的源文件是否仍是自然界面。他用 Waymo 打比方：一辆无人驾驶 Jaguar 仍然在转动方向盘；当自动驾驶成为原生能力后，为什么还要保留一个完全围绕缺席司机组织的驾驶舱？

• 人类逐行审查会限制机器的产出速度，但部署未经检查的代码又不安全。Taylor 希望出现 AI 原生的软件开发生命周期：通过新的测试、验证、自动审查和监督界面，让操作员能够控制一台生成代码的机器。他设想的角色类似《The Matrix》中的操作员——杠杆率极高，但不牺牲正确性。

• 目标不只是更便宜的软件。如果生成的代码能够帮助把 C 重写成 Rust，减少安全漏洞，并产出更高效的基础设施，那么 AI 就能修复一个长期受开发者短缺拖累的系统。Taylor 希望工程师把标准设定为“质量最高、最稳健、速度最快的软件”，并且能够信任其行为。

8. 机器创作会改变最优语言，也会改变证明的价值

• 主持人反驳说，人类可能始终需要介入，因此熟悉的编程语言仍然必要。Taylor 的回答更为细致：机器仍然需要精确语义，但语言不再需要主要围绕人类编写的便利性进行优化。

• Rust 展示了这种取舍。它的静态内存安全保证会给作者增加负担，但通常能够带来比 Python 更安全、更快、更低运营成本的软件；如果不必在意创建软件所需的人力，这种负担就没那么重要。问一个 Rust 程序是否内存安全时，“你不必读它，只要编译它就行。”

• Taylor 拒绝对 30 年后的 Rust 与 Python 做简单预测。他希望出现一种“AI 原生编程语言和编程系统”，但也承认语言可能根本不是正确的分析单位。今天的语言都是围绕人类约束形成的：从汇编之后的 C，到强调交互体验的 Python，而不是围绕机器生成和人类审计形成。

• 他也不认为自然语言会成为关键系统的最终规格说明。正确性重要时，英语的歧义很危险。形式化验证目前只用于更狭窄的高风险场景，因为过程繁琐；如果 AI 能把成本推向零，那么即便是一款普通手机应用，也完全可以合理地要求验证其永不崩溃。

9. 智能体真正的规格说明，是围绕遗漏建立的反馈闭环

• 产品需求天然不完整。一份详细的 PRD 可能会定义一个按钮，却省略互联网断开时该怎么办；工程师会默默解决无数这类情况。Taylor 认为，对于传统产品，实际功能可能有约 95% 是由代码而不是书面规格决定的。

• Taylor 把这一点与开源取代文档、成为隐含标准联系起来。WebKit 的实现比围绕 HTML 文档争论更快地推动了网络发展；Linux 内核那些有文档和没有文档的行为，最终都成为软件实际针对的对象。运行中的代码既是实现，也是隐含规格。

• 智能体会通过一定程度的合理推理来填补缺失场景。困难在于：它是否记录了那些未经脚本规定的决策；用户如何发现某个不想要的选择；以及一次修正如何传播到长尾场景，而不需要一份不可能穷尽的文档。

• “把提示词写得更好”解决不了这个问题，因为一份描述所有行为的提示词“最终就是代码”。领域平台需要建立闭环：Sierra 帮助客户从数百万次对话中识别少数值得关注的对话，理解决策背后的上下文，并提供反馈来修正下一次互动；至于什么算正确，则由客户定义。

10. AGI 可以是通用的，但其经济影响仍然不均匀

• swyx 提出的挑战是，领域智能体似乎容易受到“苦涩教训”的影响：专业化不断推进，直到一个更通用的模型将其抹平。Taylor 承认这个问题分量很重，也承认自己无法确定 AGI 会带来哪些二阶、三阶影响，而不是声称 Sierra 能免受冲击。

• 他的暂定模型是，AGI 会先在数字领域变强，因为数字领域本身就是软件。它可能发现一种药物疗法，但智能本身不会完成临床试验；它可能改进碳移除，但方案仍然要面对大量实体环节。因此，当推理能力变得充沛时，许多经济瓶颈并不会消失。

• Taylor 在讨论 Tyler Cowen 时得到的启发是：高度依赖智能的行业会迅速吸收 AGI，并出现巨大的生产率提升；其他行业调整得更慢，通过变化中的价格与之互动。AGI 可能在推理领域实现通用，却不会在“现实世界”中均匀通用。

• 软件工作仍会发生剧烈变化。在编辑器里敲代码，并不比打孔卡更接近工程师的本质；真正的工作是交付数字化结果。创业公司有时工程师比 Google 或 Amazon 少，却能胜出，因为它们做出了更好的决策，而不是因为敲代码更快。判断“在正确的市场、正确的时间做正确的事情”仍然决定成败。

11. 适应能力比捍卫今天的职位描述更重要

• Taylor 用农业说明预测的局限：如果要向 Benjamin Franklin 解释今天的服务经济，就必须解释为什么这么少的人能够生产足够多的食物，供这么多人消费。更高的生产率会消除旧约束，也会创造早期社会难以想象的职业——包括向 1980 年的人解释“podcasting”。

• 但他拒绝对在位者保持 complacency。Silicon Graphics 曾成长到足以建造一座园区，后来却在 Taylor 有生之年倒闭；Sun Microsystems 最终被 Oracle 收购。数字技术和创业仍然有价值，并不意味着 AI 会保护现有商业模式。

• 他给个人的建议是尝试每一种新工具，包括用 o3-mini 写代码，并把 AI 看成会计行业遇到的 Excel：“你不想成为最后一个拥抱 Excel 的会计。”

• 这种适应能力延续了 Taylor 对 AI 和 AGI 的定义：它们是服务于人类的工具。软件行业的工作可能会受到“也许比任何其他行业都更大”的冲击，过去昂贵的生产可能接近免费，但经济价值仍然来自选择、塑造并执行有用的结果。

12. 智能体协议可能先从语言和人类可见界面开始

• Taylor 认为，现在还太早，无法标准化智能体之间的协议。由于语言模型是在人的语言上训练的，它们已经可以使用为人类设计的界面。swyx 和 Alessio 也提出了压缩机器通信可能带来的效率收益，以及访问控制的重要性，但 Taylor 的直觉是，智能体之间还会用语言交流一段时间。

• 他目前的直觉——明确不是确定判断——是，个人智能体可能会用英语向 Sierra 询问 Sonos 音箱为什么闪橙灯。智能体如何彼此触达，以及如何让人类操作员介入闭环，仍然是开放的设计问题。

• Deep Research 给了他一个运行时间更长的智能体工作流实例：OpenAI 会在任务完成时通知他。正如移动推送通知取代了每项服务都发送邮件的时代，智能体也需要原生方式协调跨系统工作流，并在恰当时刻让人类操作员介入。

13. OpenAI 的领导危机把调解变成了一场第一性原理练习

• Taylor 像所有人一样，从社交媒体上得知 Sam Altman 被解雇。到周六，他已经分别与 Adam D’Angelo 和 Altman 交谈；由于董事会和 Sam 在某种程度上都信任他，他成了这场危机中的非正式调解人，而很多人并不理解危机的真正理由。

• 讨论内容包括让 Altman 重新担任 CEO，同时进行一次能够完整裁决董事会疑虑的调查。Taylor 当时没有 OpenAI 股权，并称自己是一个“重要的旁观者”；驱动力是担心一家曾经“让他沉迷其中”、创造了 AI“iPhone 时刻”的组织，会在一个周末里解体。

• 他的危机处理原则包括：从第一性原理诊断问题；理解每一位参与者的动机；以及极其谨慎地选择顾问。要把“Humpty Dumpty 重新拼起来”，调解人不能变成只支持单一议题的人；高调事件会带来无穷无尽的建议，但只有很小一部分建议同时具备相关专业能力和良好判断力。

• Taylor 不愿确认 Microsoft 提出的雇佣 Sam、Greg 及其他人的方案是否真的可执行：“你无法对决策过程做 A/B 测试”，参与者需要描述自己的真实意图。但他确认，Microsoft 仍然是 OpenAI 最重要的合作伙伴；双方关系正在演进，因为市场和基础设施需求已经超过了 2 年前任何人的预测。

14. OpenAI 的使命指向更广泛的访问与更快速的推理

• Taylor 拒绝列出一份传统的 5 项优先级清单。OpenAI 的存在是为了“确保通用人工智能造福全人类”，因此研究、安全、访问、编程、工具使用和智能体都由这一使命推导而来。随着模型获得互联网和工具访问能力，他把安全视为首要责任。

• ChatGPT 意外地成为“广泛受益”的直接表达：一款具有文化定义意义的产品，让人们可以接触先进智能，也包括通过免费层获得访问。Taylor 每月支付 200 美元订阅费，因为他觉得 o1 Pro mode“令人难以置信”，但他表示，如果使命真的包含全人类，而不只是高端用户，那么降低成本至关重要。

• 他个人的信息系统仍然刻意保持社交属性：早上浏览社交媒体和论文，再通过 Sierra 的午餐会听研究人员深入讲解一篇论文。Taylor 会直接请别人解释自己不了解的概念，更喜欢一起提炼“所以呢”，并承认不可能跟上所有进展。

• 他最关注的方向是推理。GPT-4 带来了智能跃升，但仍然缓慢且昂贵；GPT-4o 和 GPT-4o mini 扩大了部署范围，o1 则以令人难受的延迟恢复了更高质量。蒸馏、更快的蒸馏版 DeepSeek 模型和 o3-mini，让复杂推理更适合编程和智能体，打开了“一场类似的想法与可能性大爆发”。