主题 先锋 趋势 方法 作者
返回

Latent Space 幕后:难得一见的播客内部视角|AIEi 上海

·Latent Space

正在生成长图…

本篇主题 SaaS估值破裂与AI冲击 Agent重构SaaS与软件形态 系统调用与后台执行模型 AI垂直领域应用创业策略 华人AI创业力量与出海扩张 前沿AI监管与存亡安全风险争论
本篇先锋 Shawn Wang

摘要

  • Shawn Wang 认为,编程代理正在把议价权从中端 SaaS 厂商转移到客户手中。 面对一笔4万美元的软件采购,他提出用1万美元开发开源替代品;竞赛吸引了69份提交,其中约5个方案好到让他愿意付费,开发只花了1周。他对厂商的警告很直接:“只要我能用你的软件,就能把它克隆出来”(“The moment I have access to your software, I can clone it.”)。
  • 对企业主来说,定制化可能足以让自建软件值得长期维护。 Wang 估算,单场会议的软件成本约30万美元,算上整个业务,一年可能接近100万美元。维护“不是零成本”,但替代重复流程、打通工具带来的收益,可能超过偶尔停机的代价;他也承认,有时买成熟 SaaS 更划算。
  • Wang 偏好的 AI 架构,是让软件各处都能做小决策,而不是把智能塞进一个聊天窗口。 Diogo 的 System 1 思路,是把模型限制在选择和概率估计等任务上,再将它们直接嵌入常规代码。“模型是为我们服务的,不是我们为模型打工”:可靠性比速度 headline 更重要。
  • 技术差异化必须把分发和客户理解一起纳入产品。 Gao 观察到,中国创始人上线产品很快,但常常难以在海外找到市场契合点;Wang 认为,临近发布才做营销,补不回定位上的缺失。他以 Diogo 的 Doom 演示为例:这是 DevRel 做的,“展示,别光说”。
  • AIE 正把工程师社群的身份,拓展为会议、分发渠道和可复用的技术知识。 Wang 称,旗舰活动的目标是6,000人,实际到场超过7,000人,线上观众达150万人,共设30个分会场。公开演讲、文字稿、数据集和 MCP 接口,让 AIE 的影响力超出现场参会者;本地合作也在推动品牌走向国际。
  • 与旧金山的“B2B SaaS 泡沫”相比,中国呈现出另一套采用路径。 Gao 描述了一个以共同学习为核心、规模达百万级的社群;Wang 说自己想亲自看看这些差异,并指出 ComfyUI 在他的圈子里几乎没人用,而 OpenClaw 在中国已有热度。他认可中国创始人的能力,但对工作强度仍有分歧;如何把中国的技术成果呈现给西方受众,也并不容易。
  • Wang 看好新型交互模型,同时明确表达了对商业前景和安全风险的担忧。 全双工交互、持续学习和世界模型都令他感兴趣;AI 寒冬会威胁他承认“依赖炒作”的会议业务。除此之外,他说实验室里的朋友担心社会适应速度太慢,并主张默认假设应是“AI 末日”——这是他表明的立场,不是已经确定的预测。

精读

1. Latent Space 最初是为了在公开学习中积累专业度

  • Wang 在交易、投行和对冲基金行业工作了8年,之后转入科技行业。在 Two Sigma 一段令人沮丧的软件工程工作经历,促使他把精力投入业余写作和演讲。公开发布内容,让他有机会“选择自己的老板”:潜在合作伙伴可以主动发现他的作品,不必完全受制于被分配的上司。

  • 他认为科技行业比金融更自在,背后是经济逻辑:“金融是零和博弈。”分享信息优势可能让它失去价值;技术知识则往往会随着更多人采用而变得更有用。因此,开源、公开讲解和承认错误,在他看来都比在金融行业更说得通。

  • Latent Space 最初是 Stable Diffusion 发布后、ChatGPT 出现前的一个博客。当时 Wang 在 Airbyte 工作,想进入 AI 领域,但不想假装自己已经是专家。他的分析得到 Stability AI 创始人 Emad Mostaque 回应:“写得不错。”这说明,公开、扎实地学习,也能带来机会,不必先拿新学位或正式任命。

  • Wang 反对唯资历论,但不认为努力必然换来成功。“你努力工作,不代表你就有资格赢。你必须非常努力,也必须做得好。”他对自己的评价仍留有余地:相比4年前,他“稍微更有资格”了些;坚持和判断力,决定了这份工作能否真正做出成果。

2. AI 工程正在把模型周边的工作专业化

  • 转折点发生在一次黑客马拉松:一位非技术背景的女性问,自己全力投入 AI 后还能做什么。Wang 给出的大胆判断是,工程师可以同时管理“100个 AI”,而她眼下更直接的机会是把提示词写得更好。这让他看到,除了顶尖模型训练和研究之外,还可能出现一个独立职业。

  • 在他的框架里,搭建 harness 不需要高等数学或超算经验;关键是扎实的软件工程能力,以及理解 AI 如何融入常规代码。LLM engineer、applied AI engineer 等称呼都曾流行,但“AI engineer”既是人们愿意认同的身份,也方便雇主招聘。“给他们一个能拿工资的职位名称。”

  • Wang 认为,这个岗位本身变化不大,变化更多的是热门专业方向:RAG 和上下文管理,后来让位于编程代理、harness、记忆等领域。AI architect 越来越多地负责制定公司的整体实践;工程师则负责落地和处理故障。实际检验标准是责任归属:“凌晨4点起床去修它的人。”

3. AIE 既是行业聚会,也是公开的技术资料库

  • Wang 的参照对象是游戏行业的 GDC:保密性很强的 AAA 工作室每年聚在一起,讲解复杂工程问题。AI 实验室同样集中着大量资源和专业能力,但各自的开发者活动偏邀请制、面向客户。共享型大会能让工程师跨实验室交流,包括 OpenAI 和 Anthropic 之外的许多团队,而不必让名人高管占据全部议程。

  • 他不认同由高管主导的 AI 活动,因为预测内容往往可以互换:AGI 两年内到来、工作岗位消失,听众必须为某种与演讲者自身处境相似的未来做准备。“巧的是,下一步要做的事看起来总像他们自己的工作。”AIE 则更重视能向同行讲清实现过程、失败经验和技术取舍的一线从业者。

  • Wang 称,AIE 原本的目标是6,000人,实际到场超过7,000人,线上有150万人观看演讲,旗舰活动 World’s Fair 共设30个分会场。所有演讲和工作坊都会公开发布。文字稿、可下载数据集,以及 ai.engineer/data 上的 MCP 接口,让用户可以通过模型使用这些内容;经过研究整理的讲者和机构档案,则希望逐步做成“AI 领域的维基百科”。

  • Latent Space 也在尝试衡量模型会推荐什么。在 aeo.latent.space,Wang 会对比约200个问题的回答,覆盖播客、数据库、银行等类别。他说,Latent Space 在工程类播客中的排名介于第1到第3名,并认为模型回答“可能是个相当不错的代理指标”,能反映实验室选择训练数据时体现出的偏好。

4. 上海的组织者负责本地落地

  • Wang 马上纠正了“他把大会带到中国”的说法:“是上海把 AIE 带到了上海。”他将这件事归功于 Han Hua、Lei Du、Meng Ying 和 Standard Partners。他一直想在中国做些事情,但自认缺少公民身份、人脉和关系网络;他希望 AIE 能呈现中美 AI 社群之间高质量的交流。

  • 国际扩张沿用了 JSConf 的合作模式:本地团队使用品牌、YouTube 频道和分发渠道。巴黎是第一个申请的城市;Wang 说,当地组织者后来被 Mistral 收购。合作方会就品牌维护、收入分成、内容发布和行为准则达成一致。共享品牌也意味着声誉风险,但他说迄今还没有发生糟糕的本地活动。

  • 中国市场还需要应对跨境限制。Wang 用“我是麦当劳,你是麦当劳中国”概括这种特许经营关系。他也说,会议能让人们与同行相遇,即便涉及某些被列入实体清单的公司,正式会面可能受限。他对活动范围的表述很明确:“我们不谈政治,只谈技术。”

5. Kill My SaaS 把客户的开支变成厂商的威胁

  • Wang 估算,会议预算在300万至1,000万美元之间,单场约30万美元花在软件上——约占预算的10%,也是他认为本可以留在自己账上的利润。全年 SaaS 支出可能达到100万美元。问题不只是价格:员工仍得忍受缓慢的界面、缺失的功能,以及要等6个月才排进路线图的需求。“我们是一家 AI 会议公司,”他说,而现在已经是2026年。

  • Wang 没有批准一笔4万美元的软件采购,而是拿出1万美元,悬赏开发开源克隆,再用编程代理继续定制。竞赛收到69份提交;大部分都能用,约有5个好到让他愿意付费。最让人意外的是开发只用了1周,尽管评估花了更久。

  • Gao 指出,竞争关系正在反转:客户自己变成软件供应商的竞争对手。Wang 又把这一点延伸到能浏览并复刻界面的模型:“只要我能用你的软件,就能把它克隆出来。”他设想客户可能在1年内离开 SaaS 厂商,同时区分了自己的线下会议业务和能被代理直接复制的软件。

  • Wang 认为,厂商的出路仍不明朗:“没人知道正确答案。”他觉得,厂商或许要成为某个垂直领域的领先代理,举例包括 Harvey 和 OpenEvidence;也可能掌握专业数据,转型为数据供应商。夹在两者之间的软件,将面对越来越有能力自行搭建所需工具的客户;相比保护现有厂商,他更愿意帮助这些企业主。

6. 定制化仍然离不开维护、技能和人工评估

  • Gao 质疑维护成本时,Wang 直接承认:“维护成本不是零。”他的讨论对象是中端工具,而非 AWS、Google,或需要99.999%可用性的系统。对于非关键的内部数据库,他有时愿意接受停机1天,换取更高的定制自由度。编程代理能帮忙修复问题,但不会让维护凭空消失。

  • Wang 从企业主的角度计算生产率。开发者可能觉得200美元已经不少,但他说自己要为10名员工支付150万美元:如果他们的效率提高10%,价值就是15万美元;他还设想,他们的生产率可能提高到5倍,对应的价值是750万美元。这也解释了他为什么愿意在代理和定制工具上花钱。

  • 他举的实际案例,是下个月举行的 AIE Code 收到了1,000份申请,却只有25个名额。现有软件要求组织者逐条打开记录。一名参赛者提供了一张表格,让组织者能在同一界面里查看并重新排序全部申请——这是现有软件不具备的功能。真正的收益是省掉重复操作,而不是只复刻已有页面。

  • Wang 提醒,不要找一个没受过训练、看起来有点懂技术的人,就期待他立刻做出优秀软件。平均提交和胜出方案之间的质量差距很大,尤其体现在人机交互上。“有时候,买成熟可靠的 SaaS 更好。”他的组织选择站在技术前沿,因为希望自己成为一家 AI 优先的公司。

  • AI 评委筛选的是有效提交,不是团队最终最喜欢的方案:“我们当时并不知道自己想要什么。”看过约70种替代方案后,偏好才逐渐清晰。评估大约花了2个月,部分原因是 Wang 太忙;测试时还要分别切换组织者、讲者、参会者、赞助商和供应商账号,确认各方流程能否顺畅配合。

7. 打通工具,削弱了购买互不相连软件的理由

  • Wang 说,自己现在有 Calendly、Google Drive、GitHub、Dropbox 和 Slack 的自制版本。他特意强调,前提是自己有钱,也有人手可以安排。更大的变化是软件可以面向“一个人,或一家公司里的一个人”开发:只要能解决问题,即使不打算卖给所有人,也可能值得做。

  • 他最典型的整合案例,是一个开源 DocuSign 替代品,连接到自己的云盘后,签好的文件会自动进到对应文件夹。Gao 问 DocuSign 的用户网络能否构成护城河;Wang 不认同:“所谓网络,就是电子邮件地址。”他说,电子签名在法律上有效,DocuSign 也没有电子签名的专利。他称这家公司估值100亿美元,“或者现在也许是70亿美元”,但认为工作流程本身可以复制。

  • Wang 有句颇具代表性的说法:“每100万次复制粘贴里,我觉得都藏着一个很棒的创业机会和产品。”他也看到了一个“面向 SaaS 的 99designs”的机会,可以负责梳理需求、组织竞赛、评估方案和付款。他办过一场 logo 竞赛,收到400个创意;如果有人愿意替他管理类似的软件竞赛,他会付钱,而不是再亲自投入大量精力。

8. System 1 模型把智能直接放进常规代码

  • Wang 认为,Diogo 的做法更接近自己最初设想的 AI 工程,而不是搭一个庞大 harness,不断求模型给出正确答案。“模型是为我们服务的,不是我们为模型打工。”把模型的任务缩小到做选择或估算概率,开发者就能把智能直接放进应用逻辑的关键环节。

  • 架构上的区别,在于传统应用只是多了一个聊天窗口,另一种软件则是“每个环节都更聪明”。System 1 模型应该像 if 语句一样随手可用。Wang 说,速度几乎是次要的,可靠性更重要;他也把这一优先级与 TypeSafe 这个名字联系起来,而不是把延迟当作全部卖点。

  • 他明确承认,Diogo 并没有发明“小模型更好”这套论述:成千上万人都尝试过“更快、更便宜、更好”。在 Wang 看来,这次尝试的差异在于 Diogo 曾参与 InstructGPT 项目,带来了 OpenAI 背书;他把 System 1 和 System 2 讲得清楚,也有技术展示能力。非传统背景则让他更能理解“只崇拜大模型”圈子之外的普通开发者。

9. 顾问工作让他跨公司检验想法,GTM 则要在发布前介入

  • Wang 仍担任 Cognition 顾问。他个人创办的公司被 acquihire 后,他曾在那里工作6个月;后来运营全球性的 AIE 组织,便退下来转做 CEO。他把以股权换取顾问工作的关系视为一条少见的职业路径,不建议所有技术传播者都照着走。

  • 同时服务36家公司,让他能从比单一雇主更大的样本中总结开发者营销经验。他可以看到一种做法在别处失败的案例,而不是误以为它放之四海而皆准。他说,大多数人的样本量只有5;若能积累到50,可能就能跻身领域顶尖。财务上的现实也很明确:“股权不能拿来吃饭。”即使账面估值很高,公司也可能多年不上市。

  • Gao 的社群帮助中国创始人把快速开发产品的能力,连接到不熟悉的海外市场。Wang 首先强调,产品本身必须足够强:如果创始人在某个领域做到全球第一,营销可以“画龙点睛”。但他提醒,有些创始人误以为自己已经具备这样的核心优势。

  • Wang 建议,在产品规格还没定死前就让 GTM 团队介入:明确哪些客户最重要、他们聚集在哪里、会怎样描述问题,以及产品如何改善他们的生活。发布前一晚再来审一遍宣传文案,补不回这些决策。

  • “展示,别光说”是他的执行原则。Wang 说,与 Diogo 发布相关的 Doom 演示其实来自 DevRel,而不是 Diogo 本人,说明 GTM 能直接影响产品如何被接受。他希望创始人直接展示产品的好处,而不是交上一叠写满主张的幻灯片。

10. 品味能在正确答案显而易见之前缩小选择范围

  • Wang 把品味定义为:从巨大的可能性空间中,快速、低成本地选出一个结果,回头看时又显得好得理所当然。暴力试错可以测试1,000种方案;有品味的人会提早排除大多数选项,有时甚至说不清它们具体错在哪里。

  • 他以触屏手机为例:可选的产品形态很多,但 Steve Jobs 坚持做平面屏幕,拒绝其他方案。Wang 提到 General Magic 的失败尝试和一段约10年的研发历程。他想强调的是,在事后看起来一切顺理成章之前,仍要长期坚持某种产品形态。

  • 谈到 AI 产品,Wang 提到 Cursor 的产品选择,并说模仿本身就是证据:“别人开始抄你刚发布的东西时,你就知道自己有品味。”在法律软件领域,他举了 Legora 大规模并行审阅文件的例子。用户说“我不想去别的地方做这份工作”,正是他看重的检验标准。

11. 中国的采用路径挑战了旧金山的默认假设

  • Gao 介绍,WaytoAGI 起源于 Stable Diffusion 爱好者,后来大家在 Lark/Feishu 上共享学习文档,也交流 ComfyUI 工作流。他说社群有约100万用户,随后又提到有数百万用户一起学习,并称其为中国最大的 AI 社群。Wang 认为,百万人规模的社群算中等;Gao 纠正说,在中国,100万已经是顶尖规模。

  • Wang 想亲自看看这些差异。他说旧金山存在一个“B2B SaaS 泡沫”;自己周围的人更常用 Canva 和 Fal.ai,而不是 ComfyUI。OpenClaw 在中国比 ComfyUI 更有热度,但 Wang 说,他还没有亲身感受到别人描述的中国采用热潮。

  • Gao 不认同 Wang 对比中美工作强度的说法:他听说美国创始人和工程师也一样拼。Wang 则区分了持有大量股权的创始人和普通员工,坚持认为即使竞争激烈的美国初创公司,工作强度也没那么高。他的赞赏毫不含糊,但有前提:如果中国顶尖创始人在美国创业,“会把 Amazon 和 Facebook 干掉”。

  • 分发渠道也决定了西方受众能看到什么。Wang 说,Alibaba 的 Qwen 路线图埋在一场更广泛的公司演示里,他的受众没有看到,最后只能由他来转述。AIE 可以用受众熟悉的形式直接呈现这类成果。Gao 希望上海也能展示智能体基础设施,尤其是他认为在中国讨论不足的安全和支付问题。

12. 新型交互模型令 Wang 兴奋,寒冬和安全风险仍是现实担忧

  • 除了 System 1 模型,Wang 还关注 Thinking Machines Lab 提出的交互模型:全双工沟通中,双方可以边说边听、随时打断并立即调整。他把这与使用过程中的持续学习联系起来,而不是把预训练和后训练当作一次完成的流程。世界模型也在他目前感兴趣的方向之列。

  • 他眼下最直接的商业担忧是 AI 寒冬。他说,现在可能是人类历史上最长的一轮 AI 夏天;但 AI 已经发展约50年,乐观情绪也反复转向悲观。对于一家“依赖炒作”的会议公司,问题就变得切身:“它什么时候会发生?我会不会因此破产?”

  • 更深层的担忧,是社会适应变化的速度不够快。Wang 说,实验室里的朋友非常担心虚假信息和就业流失之外的风险。网络安全是眼下最明显的表现;生物武器则是一个极端例子,可能会意外造出“COVID-2”。他担心还存在人们尚未理解、后果更严重的风险。

  • Wang 最强烈的主张是:“对大多数人来说,默认假设应该是 AI 末日。”他借用了先进文明与落后文明相遇的情境,并表示 AI 的进化速度大约是人类的1,000倍。这正是他担忧的核心:能力可能会进步到超出社会判断如何应对的速度。