摘要

Ali Ghodsi 的核心判断是：“我们已经有 AGI，真的已经有了。” 按他所在的 Berkeley AMP Lab 在 2009 年采用的定义，AGI 已经达标，如今行业只是在“移动门槛”。他将行业分成3派：追逐超级智能的前沿实验室，吸走大部分资本（“我会非常担心那一派”）；图灵奖研究者阵营（Sutton、LeCun），判断还要20年（“很可能他们才是对的，可惜了”）；以及 Databricks 和 Glean 所在的第三派，专注从我们已经拥有的 AGI 中提取经济价值。
LLM 是商品。 它们像加油站一样可以互换，“只要比价格”即可，用户一天之内就能切换模型，这在此前的平台大战中从未发生。模型公司仍可能很有价值（“TSMC 就很有价值”），但更像晶圆厂；真正的护城河是专有数据和业务流程——“没有任何 AI 理解你的独门诀窍和数据，那才不是商品。”
Arvind Jain 给出的解法是：AI 不是在延长软件，而是在把服务业收入转成 AI 收入。 从向 Nvidia 支付约2500亿美元、推导出约5000亿美元资本开支，再推导出需要约1万亿美元 AI 收入，而整个软件行业收入只有4000亿美元来看，服务业的规模是软件的25倍。Ali 的答案取决于阵营：如果超级智能落地，“那你的任何成本方程都相形见绌”；第三派则根本不需要超级智能。
泡沫确实存在，但不是非黑即白。 “有些零收入创业公司，估值却达到200亿、300亿美元，那就是泡沫。”但两人都预计 OpenAI 和 Anthropic 未来12个月上涨；ChatGPT 和 Gemini “势头正猛”，而编程目前“只吃掉了这个市场的一小部分”。
MIT 所说的95%失败率，恰恰是实验阶段想要看到的结果。 Ali 希望明年也出现类似统计，因为当前真正重要的是激进试错，而不是命中率。那5%的有效案例包括：RBC 在财报电话会后15分钟产出股票研究报告，而行业标准是2小时；Merck 用名为 Teddy 的 transformer 做基因调控药物发现；以及7-Eleven 完全由智能体驱动的营销体系。
Ali 认为大部分价值会流向应用层，“我只是不知道会是哪类应用”。 Arvind 则认为智能层会保持足够厚的价值占比，或许拿走企业价值的一半。Ali 借用1998年的教训：当年所有人都押注 Cisco 路由器和门户网站，最后的赢家却是 Facebook、Airbnb 和 Uber。软件并没有消亡（Salesforce 是“完整的工作流生态”，而不只是数据库），但数据录入是切入口——“Zoom 真的是完美的数据录入应用。”
Ali 看多智能体和语音。 “只要你还在用键盘，我们就还没解决语音问题”，而键盘“基本上会消失”。Arvind 认为编程和客服自动化“有点被过度炒作”。Brad 看多主动式 AI：AI 主动找到用户，把“5%的重度用户”扩展到“100%”。Glean 刚实现2亿美元收入年化规模，正在打造一个具备权限、面向个人的工作伙伴。

精读

1. AI 项目95%失败，“这其实正是你想要的结果”

Ali 对 MIT 报告的解读既反常识又毫不保留：“如果你的项目全部失败，说明你尝试得足够多……我读到这项研究时一点也不惊讶。”他希望明年也看到类似统计，因为这个阶段奖励的是激进试错，而不是高命中率。
5%的有效样本，覆盖3个行业。Royal Bank of Canada 的智能体会读取财报、前几个季度的数据、竞争对手文件和市场新闻，并在电话会结束15分钟后发布完整的股票研究报告，而行业标准是2小时。Merck 的 Teddy（transformer-enabled drug discovery）会预测删除某个基因后缺失的是哪段基因组，“它真正理解基因调控网络”。7-Eleven 则运行一套由智能体自动化的营销体系；Ali 认为，营销技术栈将遭遇猛烈重构，因为过去按细分人群制作内容，靠的是人工劳动。
但限制条件仍然存在：不是把智能体放出去就能自动运行，“这是一门工程艺术”，需要评估体系、产品化能力和优秀团队。坦率地说，“即使是 Databricks，也不只是那5%；我们同样有那95%。”

2. “LLM 是商品”——护城河在于竞争对手没有的数据

Ali 用经济学课堂上的定义解释商品：可以互换。“你可以在这家加油站加油，也可以在那家加油站加油……只要比价格。”用户一天就能切换 LLM，这和 iPhone 对 Android，或 Google Sheets 对 Excel 完全不同——后者曾在公司内部引发一场“宗教战争”。商品不等于没有价值，“TSMC 就很有价值”，但模型实验室最终会变成“晶圆厂式公司”。
不属于商品的，是“没有任何 AI 理解你全部的业务流程、独门诀窍和数据”。行业有两类典型失败：一类是在做任何竞争对手都能复制的“商品化东西”；另一类是大量“演示型产品”——用 AI 做出酷炫 demo 非常容易。
主持人提出 Altimeter 的招牌判断，Ali 表示认同：“你的 AI 战略，始于你的数据战略。”

3. 不是 RPA 重演——但模型冻结问题仍未解决

两位 CEO 都否定“同一部电影，只是预算更高、演员更好”的类比。Ali 认为 RPA 是“基于规则的……零学习”，遇到意外情况就会失灵；学习型智能体系统则能够泛化。Arvind 甚至不愿展开比较：“我完全不会把这两项技术放在一起比较。”他第一次看到 AI 时，感觉“基本就是魔法”。
Ali 也坦承，几家声称生成式 AI 将取代 RPA 的高调创业公司已经失败，原因就在于当前范式：“你把一个模型装进去……然后把它冻结。”真正需要的是能在桌面上操作时持续学习的 AI，而“我们还没有真正解决计算机使用问题”。
两人都给出了自己的95%失败案例：Glean 的微调工作“并没有真正奏效”；Arvind 仍然无法让每周重点事项汇总智能体正常运行，尽管 AI“拥有全部上下文”——“AI 只是工具箱里的又一个工具”。Databricks 第一次尝试自动化软件工程也失败了：“AI 没有问题，问题在于人，以及我们的组织方式。”
给计划预算的 CIO 的建议是：赢家尚未确定——多和供应商做实验，签更短期的合同，优先选择可以快速测试的产品，而不是需要6个月实施的项目。

4. 3派化解万亿美元的物理学难题：“我们已经有 AGI”

主持人先算了一笔账：向 Nvidia 支付约2500亿美元，意味着约5000亿美元资本开支，进而需要约1万亿美元 AI 收入；而整个软件行业的收入只有4000亿美元。Arvind 的解法是，AI“不是以边际方式延长软件”，而是在攫取服务业收入——这个行业的规模是软件的“25倍”，服务业资金正转化为 AI 收入。
Ali 将行业分成3派。第一派是超级智能追求者，包括前沿实验室和“规模定律”信徒：谁拥有最多 GPU 和最多数据，谁就能赢。他们指向奥林匹克竞赛基准、递归自我改进、治愈癌症和 GDP 增长10倍，然后反问：“既然如此，你凭什么说存在物理学难题？”第二派是图灵奖科学家，包括 Rich Sutton 和 Yann LeCun：自回归的下一个 token 预测“不是人类学习的方式”，孩子不会先把互联网读4遍再开口说话，真正的 AGI 还要20年。第三派就是 Ali 和 Arvind。
关于“移动门槛”，Ali 说：“我认为我们已经有 AGI，真的已经有了……从一开始就是一个错误前提。”按照 Berkeley AMP Lab 在2009年采用的定义，AGI 已经达标；他回去询问过同事，得到的回答是：“我们现在已经改了定义。”接下来的任务是把那5%扩大到10%、20%、30%……“我们已经拥有所需的 AGI。让我们做好工程就行。”

5. 价值流向应用层——“但我只是不知道会是哪类应用”

两人现场出现分歧。Arvind 猜测智能层会保持“相当厚的价值，大概会拿走企业价值的一半”；Ali 则把模型降格为晶圆厂，抬高数据以及治理、安全层的价值——“如果它用的是中国模型呢？哦，这里有教务长的薪资信息——糟糕。”但他的结论仍是：“大部分价值会流向应用层。”
他们完整复盘了2000年的类比：1998年大家以为赢家会是 Cisco 路由器和“带着100个链接的门户网站”，最终胜出的是 Facebook、Airbnb 和 Uber。但这对既有公司并非非生即死——Amazon 和 Google 在1998年已经存在，只是当时 Google “可能还只是一家3亿美元公司”。因此，Databricks 和 Glean 不会自动消亡。
Ali 认为 Glean“既是应用，也是平台”。组织本质上是一个 n² 级别的协作开销问题：“文档、Excel 表格、PowerPoint 和会议，就是我们推动公司前进的方式。”其中相当一部分协作开销都可以自动化。

6. 软件没有消亡——数据录入是切入口，Zoom 是黑马

Arvind 认为 Satya 对“CRUD 应用”的概括过于简单化。Salesforce 是“完整的工作流生态”，而不是数据库；在数据库上动态生成 AI 界面，也不会取代 Salesforce，因为“很多时候你其实不知道自己想要什么”，优秀的软件公司会设计交互过程。
Ali 提出的更锋利切入口是数据录入——数据如何进入系统记录。“真正占据有利位置的公司，可能会是 Zoom……所有对话都发生在那里。如果你拥有这些数据，那将是 SaaS 的彻底重构。”Arvind 证实，这已经是 Glean 最常用的智能体之一：录制会议、提取行动事项，再更新 Salesforce 备注。
节目里最能体现 AI 泛滥的一幕，是主持人参加了一场“4个人类、6个 AI 记录员”的会议；他还听说过一场讨论里有17个记录员。“感觉就像一部电影的第一幕：AI 开始接管一切。”

7. 两位 CEO 自己的技术栈——变革管理才是瓶颈

Databricks 内部有一个名为 Raffi 的智能体，能按需找出合适的客户案例；在6000人的市场拓展组织和3000至4000人的研发组织中，智能体自动化已经相当深入；财务也基本“从 Excel 转向了 Python”，但前提是外部数据科学团队先搭好了模型，因为财务团队“有自己的 Excel 模型，而且对此非常自豪”。HR 可能还没有走那么远。
Arvind 最喜欢的是自己的每日准备智能体，但更深层的变化是工作本能变了：过去他作为 CEO 提出一个问题，就会有“30个人被安排去做这件事”；现在他会先问 Glean。Ali 的版本是：“通常 Glean 都能答对；如果答不对，我再组建一个30人团队，开3场会议。”
Arvind 的核心经验是：必须相信“AI 是一个好的协作者”。即使头几个月没有节省时间，你实际上也会提高产出质量。

8. 快问快答：泡沫确实存在，看多语音和智能体，做空编程炒作

OpenAI 和 Anthropic 未来12个月都会上涨（Ali：“收入会增长——我不太懂股票怎么运作”）。ChatGPT 和 Gemini“势头正猛”，而编程“只吃掉了这个市场的一小部分”。
泡沫确实存在，而且对应不同阵营。超级智能追求派“我会非常担心”；研究者阵营极其冷静，却无人关注，“很可能他们才是对的，可惜了”。第三派“不需要投入巨额资本”。最直接的证据是：“有些零收入创业公司，估值却达到200亿、300亿美元，那就是泡沫。”
Ali 看多智能体和语音：“只要你还在用键盘，我们就还没解决语音问题”，但“我们距离彻底消灭键盘已经非常近”。做空则保持谨慎：Arvind 认为编程“有点被过度炒作”，但“不知道自己会不会做空它，毕竟它仍然是未来”；客服自动化也有点被过度炒作。Brad 看多主动式 AI 产品：把 AI“带到用户面前”，将用户从“5%的重度用户”扩展到“100%”。
Glean 的终局，建立在2亿美元收入年化规模和1000万美元级别合同之上：为每家公司里的每个人打造一个“高度个人化的工作伙伴”，拥有完整权限并严格保密，了解你的日程、目标和抱负，在你提出要求前就开始处理任务。今天是你去找 Glean；“未来，是 Glean 来找你。”

博士健美运动员预测 AI 的未来（97%确定）[Dr. Mike Israetel]我们到底在扩展什么？