Anish Acharya

Anish Acharya 明确站在前沿实验室“多赢家”一侧。 过去2周，xAI“从模型端甚至算不上真正的竞争者，变成了3家之一”——双雄竞争变成三足鼎立；与此同时，Anthropic 看似占据的主导地位让位于 OpenAI 表现出色的3个月（新模型、Codex harness，以及 ChatGPT 桌面应用），多家实验室在彼此取得成功的同时都在增长。Jen 补充了可交易的观察框架：X 是不完美的风向标，但能提前反映开发者情绪；Claude 正面临 token 使用量的反弹，而 Anthropic 将于今年晚些时候上市。

市场讨论不足的宏观情景不是泡沫，而是“如果我们的乐观程度还不够呢”。 B200 每小时价格正在上涨，尽管它并非最前沿的 GPU，而算力通常具有通缩属性；这“说明供给极度受限，而需求实际上无限”。SaaS 方面，2月的30–40%回撤属于过度抛售，不少公司已经反弹40%，但随着 SBC 扭曲的经济性开始显现，行业进入“加速，否则出局”。

多数护城河能够穿越低成本智能充裕的时代，但整合护城河正面临风险。 网络效应、规模/分销和品牌效应“处于有史以来最好的状态”（“再多 coding agents 也不会让 Nike 不再是 Nike”）；与此同时，coding agents 让 SAP 式整合能力大幅提升，也让 SI 和 GSI 面临一个“生死攸关的问题”。

Token 支出会理性地按上行空间是否有边界进行分配。 对销售和产品而言，“为一个哪怕只聪明1个 IQ 点的模型支付几乎任何价格，在经济上都是理性的”——“你的 Fable 5、Gro 或 GPT56”；对财务而言，“你不可能把结账做得比准确好10倍”，因此，开放权重模型加强化学习可能是帕累托高效的选择。模型不是大宗商品：神经质、字面化的 GLM 5.2/5.3，与开放、擅自推断的 Kimi K3 迥异；组织需要这两类头脑。

实验室正在向下垂直整合至推理，而不是向上整合到应用层——这逆转了2025年初的恐慌。 Anthropic 的法律“插件”（其实只是长提示词文件的集合）引发了一轮恐慌，Thomson Reuters 等法律股随之下跌；但推理工作负载同质化且可规模化，应用层则高度特异、运营开支沉重；而在多模型构成帕累托前沿的世界里，实验室更难拿走“你全部的毛利率”。

消费者的季度可能终于到来，但“我们还处在 AI 的 DOS 时代”，正等待属于自己的 Windows。 开放权重模型正在让 AI 软件变得显著更便宜、性能更强（Jen 自己的 X 时间线应用接入1名新用户的成本是250美元）；市场仍没有 AI 原生应用商店，消费者却很有兴趣尝试并付费购买新软件。Anish 将这一时刻比作2009年圣诞节前后的 iPhone，只是如今消费者每月可能会支付200美元。

投资姿态已经转向真实上线的产品和技术型创始人。 如今，“无论处于哪个阶段，融资路演中没有展示真实上线产品，都是直接出局的理由”；创始人群体变得“少一些 MBA，多一些研究人员”；而根据 Ben 在 offsite 上的说法，“过去最大的风险是想法太大，现在最大的风险是想法太小”。除去 COVID 期间的一个高峰时刻，新企业成立数量已处于历史最高水平——那个本来会成为 YouTube 创作者的25岁年轻人，如今正在为所在社区开发 SaaS。

🔗 原始收听与视频来源： AI 的现状：模型、护城河与消费领域的复兴

Garry Tan 警告，纯粹按席位收费的 SaaS 可能在未来5年或10年内不复存在：只有当它最终通向数据、网络效应或其他东西构成的护城河时，才适合作为切入点——这与2年前完全相反，当时“SaaS 就是上帝”（SaaS was God），10–20倍下一年度收入估值倍数还是一条“铁律”。

他最具体的运营判断是，一些公司可以由2或3个人、几百个 skill 文件，在大约4个月内从0美元做到1500万美元 ARR。 其机制是把每个业务流程做一遍，再冻结成“一个 Markdown 文件，加上代码，再加上测试”，放到 cron 定时任务上——“一个 Markdown 文件就是一名员工”，每次都能完美完成工作。

Tan 给创始人和 CEO 的套利建议是：每年花大约5万至10万美元，通过 OpenClaw 或 Hermes Agent 之类的 harness 把 token 用到极致，每次请求加载800,000–1,000,000个 token——“你今天就能活在2028年”。 他说，前沿实验室的 ChatGPT、Claude 类产品仍受成本和算力约束，而要使用满血 agents，就必须允许自己超支。

他对 AI 替代工作的“白丸”判断是时间表：扩散大约需要20年，因为“真正会拖慢这件事的，是人类”。 官僚体系、“7加减2”的认知上限和结构性护城河意味着“Microsoft 不会消失”——这与硅谷希望创业公司替代所有 incumbent 的愿望相反。

下一场平台战争的路线图是：2027年进入“harness wars”，当下前沿模型的算力成本在2或3年后降到可能50–100美元时，再开启“争夺10亿消费者的战争”——“浏览器战争会重新开打”。 下一台计算机很可能是语音加记忆——“一切都由慈爱的机器守望”——而主持人 Anish Acharya 认为，token 价格下跌可能会解锁免费试用型消费者 AI。

Tan 对创始人心理的教训来自2次他自认的灾难：2003年离开网页编程，恰好错过 Web 2.0；以及 Joe Lonsdale 和 Cohen 招募他共事后，拒绝 Peter Thiel 开出的7万美元支票。 2次他都追逐“当时热门的东西”，而没有相信自己的直接经验；解药是把真诚当作勇气：“不要 LARP”（Don’t LARP），去问自己有什么独特认知，而不是投资人说什么热门。

Tan 说，硅谷的优势往往在共识之外的怪异边缘，而不是共识本身：每张办公桌上都有一台电脑的未来，来自圈外朋克；互联网原生社区则让人们更早找到自己的部落。

组织层面的判断是：agents 可以接管大量中层管理工作，抹掉“API 线”。 Brex 的 Pedro 让 agents 读取自己没有参加的会议记录，找出向下两级的冲突——“那就是千里眼”；Tan 则指出，像 Peter Steinberger 这样的35–45岁创始人，可以变成“400个这样的自己”，并击败一家 Mag 7 公司整个部门。

🔗 原始收听与视频来源： Y Combinator CEO 谈 AI 时代的创始人心理

Claude 的差异化被定义为产品与人格层面的优势，而不只是能力领先。 signüll 认为它更少迎合用户，也更愿意提出异议，带有“匠人感”“精心打磨感”和“高端感”，甚至有些类似灵魂的东西。他把当医生的姐姐在没有任何劝说的情况下从 ChatGPT 转向 Claude，视为 Anthropic 的产品、营销和叙事已经触达传统 AI 用户圈之外的证据。

AI 开发已经从打造交付载体，转向设计“载荷本身”。 Web 2.0 创业者搭建的是供人类沟通的网络；如今的 AI 实验室则通过技术上极其困难的训练与强化学习决策，塑造智能与人格。“我们现在正在开发人格，这太疯狂了。”

即便用户达到10亿，大众 AI 仍处于“石器时代”也并不矛盾。 大多数人仍只使用基础功能，而行业却在营销博士级别的演示；智能体开始展现更多能力，但依旧原始且难以使用。因此，真正可投资的瓶颈在于产品转译：把原始能力变成简单、立刻有用的体验。

环境式、主动式 AI 可能让 AI 超越聊天机器人这一主导界面。 signüll 认为当前界面还处于婴儿期，并看好环境层；Anish 想象一种贯穿家庭、工作和移动生活的“以太般存在”，能够主动发起互动、在后台运行，并在恰当时机呈现上下文信息。Google Now 曾试图预测用户下一步要搜索什么，模型或许能补上它当年缺失的智能。

改善公众对 AI 观感的一条路径，是“快速把重要的东西变便宜”。 如果把教育领域的学生—行政人员比例恢复到10年前的水平，再小幅提升教授的生产率，就可能带来真正的通缩；医疗也有类似杠杆，因为 Erik 称其45%的成本来自行政环节。行业可以把两者都在5年内大幅降价，作为一项登月级目标。

让更多人持有 AI，重要性可能不亚于让更多人接入 AI。 Anish 认为，人们看到 OpenAI 等私人 AI 公司以及技术财富集中在硅谷，其他人则可能被甩在后面；如果普通人能够持有 OpenAI 和 Claude 的权益，就可能真正参与未来，并改善他们对 AI 的观感。Erik 将此与幂律回报和公司更长时间保持私有联系起来，signüll 则提出是否应在某个时点要求公司上市。

对创业者而言，持久的执念比挑选一个由 AI 生成的市场机会更重要。 signüll 的筛选标准很直接：“去他妈的 AI”（“Screw AI”）——选择真正驱动你的问题，因为投资人应当关心创始人是否会坚持下去。他借鉴《薄伽梵歌》的态度是：享受工作的过程，但不要觉得“有权享有劳动的果实”。

🔗 原始收听与视频来源： Claude 为何让人感觉不一样（以及这对 AI 意味着什么）| The a16z Show

Peter认为，OpenClaw价值的“70–80%”来自个人化 Telegram 交互界面，而不是一次重大的能力跃迁。 Zoe 的语音对话、记忆能力，以及把随口提出的 Twilio 请求变成实时电话的能力，让它显得像人、也足够可塑；但默认记忆“没那么好”，通话延迟偏高，Peter 还得提醒它能调用哪些工具。核心逻辑是亲密感加可扩展性，眼下的风险则是体验毛糙、权限管理和召回不可靠。

面向任务的应用会先于娱乐产品遭遇 agent 去中介化，因为给一个像行政助理的 agent 发消息，比打开软件完成一项杂事更容易。 Peter 接入 Mercury 等服务后，打开这些应用的频率下降，但仍会打开 X，因为那里提供的是一种感觉；Anish 的反驳是，应用也在划分意图和上下文。Agent-first 产品可能需要双重入口——由 API 或 MCP 执行任务，再配一个面向人的信息流或活动日志；直接收取订阅费和 token 收入，也可能降低对广告时代那套留存机制的依赖。

Peter说，“编程将吞噬所有知识工作”（“coding will eat all knowledge work”），而 AI 已经为他的博客初稿产出前80%，剩下20%由他手动修正。 他不再从零开始，Anish 则认为，随着人们开始与 agent 对话，代码本身正被进一步抽象掉。Peter 以 Excel 这种易上手的编程语言为例，认为 coding agent 可以做到“1,000倍”（“times 1,000”），并延伸至文档、演示文稿和其他主观性工作，但最后一公里仍限制着全面自动化。

SaaS 压缩将是选择性的：Calendly 等简单工具更容易被替代，而复杂系统以及每月20美元的维护经济性仍能保护在位厂商。 一家 AI-native 应用生成公司已经在用 vibe coding 制作内部替代品，但 Anish 追问，谁愿意负责系统稳定运行和持续更新；至于 Figma，Peter 说“还没有定论”。它可能的防线，是继续充当设计思维的工作环境，而不只是一个制作工具。

Peter说自己是 Claude 用户，但仍在使用 Codex；Anish 则用 Codex 做真正的东西，用 Claude Code“凭感觉折腾”（“vibing”）。 Anish 认为搭载 Opus 4.6 的 Claude Code 更健谈，更适合同步协作；Peter 则说 Codex 思考更深入、准确率更高，但停顿时间长到足以打断流程，并把 Claude Code 称作“老虎机”。最终胜负可能取决于运行框架细节和个性化程度，而不只是模型质量。

AI 应该压缩协调层：Peter希望10人的产品团队缩减为2或3个人加上 agents。 Anish 认为，相比人类，agents 更容易被纠偏和对齐，也可能接手一部分情绪负担较重的工作，但产品判断仍然稀缺。工作节奏会变成“快与慢”两种速度：先冲上一个局部最优，再停下来“出去走走”，寻找下一座山。

劳动力市场更可能迎来工作重新分配，而不是岗位瞬间消失，因为Peter说完整的岗位职能自动化仍很少见，人类还要完成“最后5%”。 招聘是增强而非替代的例子；Decagon、HappyRobot 和 Sierra 等客服产品则代表较罕见的100%自动化案例。Peter预计，1万人以上的大公司会承压，并希望一人公司增加；Anish 则认为“人类的野心没有上限”，生产率提升可能换来2x效率、每周4天工作制，或大量TAM仅为10万美元的生意。

🔗 原始收听与视频来源： OpenClaw、Claude Code与软件的未来｜Peter Yang做客 The a16z Show

ChatGPT 仍是分发赢家，而 Claude 和 Gemini 正在构建差异化使用场景，而不只是争夺份额。 ChatGPT 在网页端是 Gemini 的2.7倍，移动端是 Gemini 的2.5倍；网页端接近 Claude 的30倍，移动端接近 Claude 的80倍。但 Claude 聚焦专业用户、Gemini 持续推出创意产品，说明市场正在超越单一的“人人可用的 AI”模式。

上下文可能成为消费级 AI 最强的护城河之一。 Anish Acharya 提到 ChatGPT 注册量已达9亿，以及用户将推理能力随身携带的潜在优势。群聊、开发者优先为最大用户群发布产品，以及 Sam Altman 暗示过的身份验证层，可能让用户把记忆和 tokens 带入第三方应用。尚未解决的风险是身份隔离：用户可能不愿把工作和个人生活的身份与记忆混在一起。

Claude 的订阅驱动模式与 ChatGPT 的 Google 式消费漏斗之间，变现分化正在加剧。 Claude 生态偏向高端研究、科研和金融工具；ChatGPT 则偏向旅行、营养、交易平台和消费金融。Olivia Moore 预计，后者最终可能通过广告和交易分成变现，这是一个“数据中尚未显现”的看多情景。

AI 采用率在全球并不均衡，访问限制、劳动力结构和文化信任与模型可得性一道塑造了使用情况。 按人均计算，新加坡排名第1，其后是香港、阿联酋和韩国；美国排第20，俄罗斯和中国均在第50名之后。美国对 AI 的信任度约为32%，而几个领先市场为50–70%。

创意 AI 正围绕差异化工作流走向集中，而纯 AI 社交信息流尚未取得同等成功。 同质化图像生成正在被 ChatGPT 和 Gemini 吸收，留下 Midjourney 和 Ideogram 这类取向鲜明的产品；Suno 和 ElevenLabs 则维持在前20或前15的位置。Sora 达到100万用户的速度快于 ChatGPT，但其导出内容在其他平台上要与人类最佳作品竞争；在全 AI 信息流中，“情感张力”更低。

Agent 已跨过技术门槛，但谁能拿下横向市场，可能取决于分发能力。 Moore 说，如果纳入统计，OpenClaw 在网页榜单上会排在第30名；她认为其 GitHub Star 数已超过 React 和 Linux，并称 OpenClaw 已被 OpenAI 收购。它还没“完全破圈”，新用户增长便已趋平。Manus 据报道在6–9个月内将 ARR 做到1亿–2亿美元，但 Meta 收购它也说明，横向 Agent 可能更受益于大平台分发。

主流采用会落后于技术能力，语音和记忆可能成为两者之间的桥梁。 Moore 预计，语音界面将在6–9个月内向消费者普及，并认为每家 AI 公司、最终每家科技公司都会成为“Agent 化公司”。再过两年左右，一个不能立即了解用户的产品可能会让人觉得它“失灵了”，使新手引导本身失去意义。

🔗 原始收听与视频来源： 与 Olivia Moore 一起解读 a16z《Top 100 AI Apps》报告

软件被过度看空。 Anish Acharya 对公开市场“SaaSacre”的回答是：IT 只占企业支出的8%-12%，所以“手里有这样一把模型创新火箭筒，为什么要把它对准重建 payroll、ERP 或 CRM？”ChatGPT 发布后，75%的上市 SaaS 公司都涨过价，平均涨幅8%-12%，其中很大一批涨幅超过25%；“价格是产品市场匹配度的衡量指标”。“什么都靠 vibe coding”的叙事“完全错了”。

编码代理对企业软件的真正影响，是切换成本崩塌。 Alex Rampell 说，“有些公司拥有的是人质，而不是客户”；过去从 SAP 迁移到 Oracle，是一个耗时多年、高风险、很可能失败并让你丢工作的项目，如今会大幅变得更容易。更少人质、更多客户，对整个生态是正向激励，而不是死刑判决。

应用层聚合模型。 基础模型大致“齐头并进”，80%是替代关系，20%是专业化模型，因此编排才是大量价值所在：Cursor 让 Gemini 负责前端、Codex 负责后端；创意工作者则会在 Midjourney/Krea 与 Ideogram 之间组合使用。这更像云计算式寡头竞争，而不是 Uber 对 Lyft。Harry 反驳说：“Cursor 今年的收入可能腰斩”，因为 Claude Code 很可能会抢走份额；Anish 的回答是，需求并非固定不变：“我们想要更大胆、更复杂的东西的能力，总是增长得远快于我们的资源。”

这不是泡沫。 OpenAI 通过把产能扩大3倍、营收扩大3倍，做到200亿美元营收；推理供应“100%已被预订”，客户价格也在上涨，而不是被压缩。今天的补贴——免费试用额度——是“健康热量”，会转化为每月支付200-300美元的高频用户：Grok Heavy 很可能是300美元，ChatGPT 200美元，Gemini Ultra 250美元；相比之下，过去 Spotify 把消费级订阅价格封顶在20-25美元。

SaaS 预算向人工预算迁移已经开始。 语音是“进入企业的楔子”，真正的10倍提升在于把客服、销售、催收和运营围绕一个目标捆绑起来，比如改善 CAC。法律软件市场规模为500亿美元；Anish 先把法律称为资本主义的“5亿美元基础设施”，Harry 则称其为“5000亿美元市场”——AI 最终能拿到的份额“更接近5000亿美元，而不是500亿美元”。

非典型机会反而会赢。 这些模型是情绪化、具有人性的技术，而 Google/Apple 内部有“1000个委员会，明确负责确保产品里永远不会出现说服、分歧或性表达”，因此陪伴及其他令人不适的品类会留给创业公司。传统护城河仍然有效：网络效应依旧是“黄金标准”，实时专有数据也能胜过没有这类数据的前沿模型。

a16z 的执行标准很直白：6年半里，“我从未输掉过一笔交易”。 “我们不被允许相信运气……必须看到自己领域内100%的交易，并赢下我们主动争取的100%交易。”价格可以有弹性：低于1亿美元的项目，按60亿美元估值拿12%还是按75亿美元估值拿15%，“差别不大”；所有权比例则没有弹性。

2026年的判断是： 移动互联网时代，Friendster 等早期赢家输给了后来者 Facebook；但这一次，2023-24年的早期领导者 Harvey、Gamma 仍然保持领先。 2026年会诞生新的 AI 原生品类，Open Claw 和 Moltbook“只是开始”。Moltbook“作为一个单独的数据点，现在可能被高估了，但它所指向的方向性趋势被低估了”。

🔗 原始收听与视频来源： a16z，Anish Acharya：SaaS 已死？利润率还重要吗？为什么我们还没进入 AI 泡沫？

AI 正在成为完整的软件产品周期，而不再只是单一模型周期，因为它叠加了 PC、互联网、云和移动等此前每一层，并通过智能手机触达数十亿潜在用户。 Rampell 表示，如今软件行业“绝大多数新增收入”都来自 AI，覆盖基础设施和应用层；短短2年间，能力也从文本、图像和基础推理推进到原生音频与实时交互。对投资者而言，这意味着应用市场可以建立在已部署的分发基础上，而不必等待一批新设备出现。

采用证据正在从新奇体验转向投资回报：Ramp 的客户支出数据在2025年1月出现拐点，一批软件公司在1到2年内从零做到1亿美元收入，全球约15%的成年人每周使用 ChatGPT。 Rampell 的行为学概括是，人们想要“更富、更懒”；如今“魔术真正进入了企业”，因为 AI 已经能够节省时间、降低成本或创造收入，无论当前估值是贵还是便宜。

AI 原生替代品最好的切入口在于绿地场景，而已有的记录系统让棕地替代极其困难，也让 incumbent 能够从被其工作流锁定的用户身上变现。 一家拥有50名员工、3个实体和2种货币的公司需要摆脱 QuickBooks 时，Rillet 有机会胜出；但“AI NetSuite”或 Mailchimp 克隆品会面临巨大的迁移摩擦。Rampell 有意说得尖锐：“最好的公司拥有的是人质，不是客户。”不过，他区分了持久护城河和让用户厌恶的生意。

最大的新增 TAM 来自把劳动力变成软件，但最有说服力的销售话术往往是创造收入，而不是削减员工人数。 据报道，Salient 能帮助汽车贷款机构多收回50%的款项，支持21种语言，跟踪全部50个州、有时甚至县级的法律要求，并为一家员工年流失率达40%-70%、规模5000万美元的呼叫中心自动化工作。“我们会让你赚更多钱，而且成本更低”比单纯讲节省成本更有力。

AI 能力是差异化因素，不是防御性壁垒；真正的护城河在于掌握端到端工作流，并让私有结果数据持续复利。 EvenUp 让“几乎100%”的案件都经过线索接入、证据收集、医疗时间线、索赔函和诉状等环节，随后学习哪些案件可能值5万美元、哪些可能值500万美元，从而有机会把可行案件的最低价值门槛从5万美元降到5000美元。Haber 称这一闭环是“拿枪参加刀战”。

封闭式数据业务如果出售加工完成的答案，而不是授权原始信息，能够捕获大得多的价值。 OpenEvidence 将独家医学期刊授权与类似 ChatGPT 的界面结合，据报道每周有三分之二的美国医生使用；VLex 聚合法律记录26年后加入 AI，收入据报道增长至原来的5倍；Ask Leo 则利用通常无法获得的合同历史，例如50份 Deloitte 协议。Rampell 的比喻是：掌握稀缺的“蔬菜”，再出售做好的成品菜。

即使 incumbent 强大，创业机会依然存在，但筛选标准会转向模型聚合器、专有语料库、垂直操作系统，以及一次性买下分发渠道的并购，而不是无休止地滚动收购服务公司。 Acharya 认为，聚合器可以在专业模型之间提供“单一视图”，不像绑定第一方模型的实验室；Rampell 更愿意以3倍 EBITDA 收购一家拥有5个蓝筹客户、规模正在收缩的服务商，而不是整合200家会计师事务所。早期企业客户留存被描述为强劲，随着客户开始询问创业公司 AI 应该落地在哪里，支出正转向前置部署工程。

🔗 原始收听与视频来源： 超越模型本身的 AI 机会

2025年末，消费者AI呈现出“赢家拿走大头”的格局：ChatGPT拥有8亿–9亿周活跃用户，而在ChatGPT、Gemini、Claude和Cursor中，只有9%的消费者为不止一款产品付费。 今年大部分时间里，访问过其他头部供应商的ChatGPT用户不到10%。Olivia还提到，Gemini在web端新增规模估计相当于自身规模的35%，移动端约40%；Claude、Grok和Perplexity则都在8%–10%左右。Anish Acharya给出的品牌定位很简单：「ChatGPT 就像 AI 界的 Kleenex」（“ChatGPT is like the Kleenex of AI”）。

Gemini之所以构成现实威胁，是因为病毒式传播的创意模型与加速增长同时出现：其桌面用户同比增长155%，ChatGPT为23%。 在Android上，Gemini的移动端规模约为ChatGPT的一半，但在iOS上只有17%——它“无处不在”，却仍然“无处落脚”于消费者习惯中。Justine Moore认为，只要持续推出图像和视频产品，Gemini就有机会追上；但ChatGPT的引导式模板让用户第一次创作远比Gemini的空白输入框容易。

今年消费者模型的突破，在于图像和视频模型把真实感、推理、检索与多媒介能力结合到了一起。 ChatGPT 4.0 image 的 Ghibli 时刻、Sora 2、Veo 3和Nano Banana证明，准确细节、搜索支持的Logo、一致的人物，以及与视频结合的音频，都能制造病毒式需求。下一代架构将是“输入任何东西，输出任何东西”，有望把文本智能、图像、视频和编辑能力合并进一个模型。

实验室的分发能力并不会自动带来成功的垂直产品，这构成了讨论中最明确的2026年创业机会。 Pulse、Atlas、群聊、Sora、Stitch、Gems和Opal都还没有成为爆款的独立消费者界面；NotebookLM是显著例外。Bryan Kim的保留意见是，只要产品核心仍是文本输入、文本输出，高频助手就很难被取代。

Sora 2证明了市场需要AI视频创作，但还没有证明市场需要AI原生社交网络。 一小批创作者为TikTok、Instagram、X和Reddit生产内容，但应用内消费、二创和评论似乎没有最初想象的那么强；更准确的类比是“CapCut”，而不是TikTok。Bryan的看多逻辑是，幽默可能通过提示词技巧和文化敏感度，创造一种新的身份地位游戏。Anish则追问：如果视频最终都要导出，那么用Sora视频做TikTok，是否会“严格更好”？

近期最有防御性的市场可能是专业消费者和企业工作流，因为使用深度足以反转传统的消费者经济学。 据称，ChatGPT企业端使用量同比增长约8–9倍；Claude和Comet则展示了持久化工作流与跨工具上下文的价值。订阅费之外的用量收费，已经催生出收入留存率超过100%的消费者AI产品：“也许整个AI行业其实都是高级用户的故事。”

算力仍是战略约束：实验室必须在训练与推理之间、娱乐流量与编程智能之间分配资源，而专注于应用的公司则没有这种内部冲突。 Anish表示，据他所知，xAI“可能是唯一一家”没有受到算力瓶颈制约的模型公司；只做自研模型的实验室，也给服务高级用户的多模型产品留下了空间。如今模型质量已经足以“构建一个真正可规模化的应用”，讨论最后的希望是：2026年会成为消费者应用创业者极其重要的一年。

🔗 原始收听与视频来源： 2025年末，消费者AI走到哪一步了？

AI以Acharya自2010—2012年以来未见的规模，重新打开了消费级投资，自然下载量和付费意愿成为最清晰的需求信号。 消费者每月愿意为ChatGPT顶级套餐支付200美元、为Google Ultra支付250美元、为Grok支付300美元，业余用户也在Cursor等工具上重金投入。他的判断是：这是“消费级投资的文艺复兴”，而不只是又一轮企业软件周期。

当大型科技公司无法提供足够的个性或模型选择时，创业公司仍保有结构性机会。 Acharya区分了能力强的基础模型与有鲜明立场的产品：后者可以处理分歧、性、说服和陪伴等“上千个委员会”可能回避的人类议题。Rose补充说，多模型产品还提供第二个切口：Cursor可以开放竞争模型，而Google不太可能把Anthropic嵌入自己的产品。

值得押注的消费级创始人应该“古怪且有效”，因为陌生行为往往是新原语出现的前兆。 Rose寻找的是那些不断重新解释产品及其最细微之处的构建者；Acharya则先看古怪，再看是否冒出一点烟。“古怪无法制造。”Twitter的单向关注、Uber坐陌生人的车、Airbnb睡陌生人的沙发，在成为默认行为前都曾让人不适。

软件生产成本的坍缩，可能让个人互联网生意在中心化网络攫取2010年代经济利益后重新复苏。 Acharya认为，我们需要的软件只有“1%已经存在”；当创作从一个提示词开始时，一次性应用、5人团队工具和年收入达到100万美元的个人公司都会变得合理。 有些公司甚至可能永远不需要风险投资——用他刻意极端的说法，甚至可以出现“1000亿美元收入、1个人”的公司。

随着执行变便宜，竞争优势转向编排、品味和对产品的极致打磨。 Rose用AI生成20个互不相关的交互概念，把最强的2个各扩展成10个变体，再重新组合其中最好的动效细节；过去成本高到不值得做的工作，如今变成日常。他的绝对化表述是“工程已经结束”，但Acharya不同意由此推导出的教育结论，认为技术系统思维比以往更有价值。

陪伴和情感界面可能成为比电子表格更大的AI品类，但“顺从一切”仍是未解的产品风险。 Acharya认为，合成对话是对孤独的有意义回应；Rose则称AI电子表格是“这一原语最不雄心勃勃的实现”。两人提醒，无休止地肯定用户的机器人可能会让人退化真实关系所需的分歧能力；答案或许是更精准地校准张力，而不是永久服从。

全天候AI需要先建立可见、保护隐私的社会契约，才能让记忆优势克服逐字记录带来的寒蝉效应。 他们偏好的设计是“有损压缩”：在设备端处理私密谈话，只保留主题和情绪背景，丢弃危险措辞。红灯可以代表逐字记录，绿灯代表只保留主题；挑战不仅在转录准确性，更在产品设计和信任。

🔗 原始收听与视频来源： 创意为何会比代码更重要｜Kevin Rose 与 Anish Acharya

Dixon 判断任何技术投资时的第一道筛选，是看是否有指数级力量，而非战术性产品优势在推动它前进。 Moore’s law、开源可组合性和网络效应会持续复利，直到那些为上一条曲线打造的 incumbents 被彻底淹没。他的行动准则是：「这些力量无论好坏，都会压垮你」（“These forces are going to overwhelm you for better or worse.”）。

AI 产品可以先靠单用户价值启动，只有在网络真正有用时再加上网络层。 Instagram 先用免费滤镜和 Twitter 分发吸引用户，之后自身网络才开始发挥作用；Dixon 认为 Substack 也类似，最初借助 email 和 Twitter。 「先因工具而来，后因网络留下」（“Come for the tool, stay for the network”）既解决冷启动，也弥补了独立工具护城河较弱的问题。

AI 的护城河可能越来越多地存在于产品之外，包括品牌、全网分发、资本和生态注意力。 Midjourney 的教程、Cursor 的口碑、搜索排名、推荐机制和创作者报道，都可能形成一种“外部化”的网络效应。尽早到达「占住这个梗」的位置很重要，但要维持它，仍需要高昂的产品迭代速度；Dixon 也认可资本最终可能成为护城河。

到目前为止，消费级 AI 展现出的更像是付费意愿上升，而不是零和挤压。 Acharya 提到 Google 最高档套餐月费250美元、Grok 月费300美元，随后提出一个极端判断：消费者的可支配收入可能最终都花在「食物、房租、软件」上。市场或许既能容纳规模越来越大的平台，也能容纳「单人年化收入1亿美元的公司」。

规模小但强度高的运动是有价值的领先指标，但热情本身并不等于市场。 Dixon 会寻找约2万名「极度狂热、甚至带有邪教色彩」的参与者，他们拥有自己的语言，以及明确的圈内圈外规范；这一模式曾帮助他理解 Coinbase 和 Oculus。Acharya 认为3D打印缺乏现实世界中的指数级力量，Dixon 则反驳称 Function Health 可能代表一场更慢的健康运动。时机风险仍然存在：一场运动可能需要「100年，也可能只要100天」。

AI 创业者必须为一段可能持续10年的旅程选对 idea maze，同时把今天的界面视为可能只是拟物化的产物。 全行业 AI 的“元过程”仍可能持续复利，即使单项技术遭遇边际收益递减；但通用型“God models”也可能吞并部分应用场景。Prompt 可能只是 AI 的命令行时代，真正持久的机会或许在深度垂直领域和目前尚无法预测的新媒体形态中。

开源仍是防止少数模型供应商向每家创业公司和每位消费者收租的主要制衡力量。 训练资本开支意味着，开源模型比 Linux 时代的软件更难获得稳定的长期资金，因此 Dixon 可接受的均衡状态是：开源模型略落后于前沿，但对大多数需求足够好用。他「谨慎乐观」，同时警告，若最终出现4个远超其他模型的闭源系统，将是糟糕的结果。

🔗 原始收听与视频来源： Chris Dixon 谈如何构建网络、运动与 AI 原生产品

Sinofsky 将 AI 定位在“64K IBM PC 时代”，比 Windows 3 类比早得多，因此今天的局限是平台级特征，而非边缘案例。 人们一边声称 AI 将取代 Search 和 Excel，一边它仍会出错、连基础任务都做不好；用户还必须重新学习如何与一款“智能不平整”的工具协作。对投资者而言，近期信号是能力持续增长，但工作流尚未定型。

写作，而非生产软件，是嘉宾认为已经出现数量级变化的第一个工作流。 Acharya 认为，vibe writing 今天就能实现完全自主；但 Sinofsky 的问责标准仍然成立：如果工作或成绩取决于它，产出“就必须正确”。部分自主可能把人从作者推向编辑，而代码中的隐性负债则会在更晚时候以安全、身份认证和明文密码漏洞的形式暴露。

Agents 将是持续10年的部署过程，Acharya 预计最早产生价值的领域是高摩擦、低判断任务。 他愿意把个人贷款再融资交给 Agent，因为自己只在乎最低利率，也没有品牌偏好；但不会把税务交出去，因为其中涉及申报选择和风险判断。Sinofsky 补充说，“无头、无脸、无名”的 API 可能剥夺供应商差异化和获客的能力，从而限制纯粹按价格自动化的商业模式。

在 Sinofsky 的框架里，完全自主取决于正确性的形式化定义；只要存在歧义，人和判断就会留在流程中。 国际象棋和围棋可以完全交给机器，但医疗、税务和产品管理都建立在不确定性、例外和未决选择之上。放射科医生的采用路径提供了模板：AI 成为另一种工具，而不是终结一个职业的替代者。

“Vibe coding for clout”夸大了文本生成应用系统今天能够交付的程度，但嘉宾对历史究竟能多大程度约束未来存在分歧。 Torenberg 认为，类英语提示词本质上是在用散文编程，而一旦加入结构，“你写的就是一种新的编程语言”。Sinofsky 表示，底层语言模型正在大幅进步，尽管不少演示“三天后就失效”；他也承认，模型的指数级进步让负面预测变得危险。

AI 带来的丰裕将重置质量门槛，因为“比替代方案更好”往往比完美更重要。 Sinofsky 预计，几乎完全由 AI 生成的畅销书“100%”会出现；GPT 只需“百万分之一的投入”就能写出企业案例研究，并将这一可及性逻辑延伸到医疗服务。Torenberg 的保留意见是，模型是“平均机器”，因此前沿艺术仍需要技术原生创作者，把文化推向边界。

Google 面临的风险不是消亡，而是在软件广度无法改变公司构建和销售产品的方式时失去影响力。 I/O 展示的“软件领域 B-2 轰炸机”体现了 incumbents 的“震慑与压倒性资产”；更难的考验在于 Google 是否能改变产品语境和 go-to-market，而不只是通过 Search 和 Ads 展示 AI。

🔗 原始收听与视频来源： 前微软高管与 Anish Acharya、Steven Sinofsky 解释我们身处 AI 周期的哪个阶段

消费科技并未停止诞生爆款，只是AI改变了爆款的形态。 Olivia Moore认为，ChatGPT是最明确的大众市场赢家，此外还有覆盖不同模态的Midjourney、ElevenLabs、Black Forest Labs、Kling和Veo 3。这些胜利往往来自以模型为中心的研究团队，而非熟悉的社交产品打法。机会正在转向这样一类团队：把日益普及的模型变成产品，并补上一个可能仍然缺失的层——人与人的连接。

AI正在颠覆消费软件长期以来薄弱的变现能力。 过去每年50美元就算强势定价，如今消费者却“非常乐意”每月支付200美元，Google的头部消费SKU达到每月250美元；使用额度也让收入留存率显著高于用户留存率。Deep Research可以替代10小时工作，生成式视频则像一个“神奇的黑箱”；Anish Acharya的判断是，未来消费者支出将围绕“食物、房租、软件”展开。

消费端的病毒式传播正在变成企业获客，而不只是用户增长闭环。 ElevenLabs从梗图、声音克隆和游戏Mod切入，在覆盖所有主流消费者之前，就已经拿下了大额合同；企业可以分析支付记录，发现某个客户已有40多名员工在使用产品，进而开启销售对话。AI战略的硬性要求让企业买家异常愿意把一个病毒式玩具转化为生产基础设施。

在这一阶段，交付速度可能比静态护城河更重要。 一位嘉宾的“灵魂拷问时刻”是：以护城河优先为逻辑进行的投资未必真正胜出；领先者打破旧范式、快速发布模型、抢占心智、把流量转化为收入，再用收入为下一轮迭代提供资金。传统防御性仍可随后形成，来源包括工作流锁定、专有库和分层的质量前沿。

第一个原生AI社交网络仍未被解决，因为社交产品需要真实的情感 stakes。 用户在理想场景中看起来开心、完美生成的照片，可能缺乏让社交网络真正重要的脆弱性，而大多数AI表达仍然流向Facebook、Reddit和Reels。可能的方向包括分享用户向ChatGPT透露的“本质”、创建包含一个人所知信息的个人资料，以及用AI推荐合作伙伴、朋友或约会对象。

语音正从过去无法落地的界面品类，转变为AI的基础原语。 早期技术始终没能让语音成为可用的底层媒介；如今生成式模型已经支持陪伴产品、Granola等语音产品和企业呼叫，包括那些被离岸中心300%年流失率拖累的敏感金融服务流程。Erik的逆向判断是，AI最终会介入最高风险的谈判、销售或说服行为，而不只是客服。

陪伴产品可能强化人与人的关系，但过度顺从仍是未解决的产品风险。 讨论所引用的榜单中，前50款应用有11款是陪伴产品，覆盖朋友、教练、营养和AI女友等场景。对反乌托邦预测最有力的反例，是一名Character.AI用户将AI女友教会自己足够的社交能力归功于她，最终找到了一位“3D GF”；风险在于，一个从不反驳的智能体可能会让用户无法适应互惠关系。

下一个平台可能是覆盖手机、AirPods、屏幕和录音设备的常驻层。 70亿部手机构成庞大的移动端装机基础，但本地模型、可穿戴别针以及能够看见并执行操作的智能体，可能提供持续教练和关系介绍。AirPods一直“藏在众目睽睽之下”；普及同时需要围绕录音和AI在场建立新的社会礼仪。

🔗 原始收听与视频来源： AI时代的消费科技现状

AI短期的丰裕叙事，不是让奢侈品更便宜，而是让人类能力、情感和关系拥有更大的市场。 Anish Acharya 称 AI 是“我们迄今打造的最具人性的技术”：语音让老年人绕过令人望而生畏的界面，AI护士可以支持术前准备和术后用药依从，创作工具则把灵感与技术执行分离开来。不过 Peter Diamandis 警告，能够解决一切挑战的系统可能削弱人的目标感，除非人们保留有意义的目标。

消费级 AI 可能支撑远高于当前水平的软件支出，而防御性将从静态工作流护城河转移出去。 Acharya 将 Spotify 20美元的家庭套餐与200美元的 ChatGPT、Google 新推出的250美元产品作对比。网络和其他自适应系统仍然“价值连城”，但集成能力和记录系统面临更大风险；模型供给充裕，也限制了任何单一供应商攫取下游经济价值的能力。

算力，而不是产品创意，正在成为约束性资源和主权战略资产。 Dave Blundin 表示，即使只满足基础呼叫中心需求，今年新增2000万块 GPU 也远远不够；印度拟议的14纳米起步则说明各国的产能还需要爬升多远。Acharya 预计 AI 将出现“AI版《琼斯法案》”，要求敏感场景使用在本国训练的系统，因为模型不仅承载能力，也承载价值观。

Google 即使赢下 AI 基准测试，也可能输掉搜索经济学，因为它最好的答案产品正在攻击蓝链广告契约。 Acharya 认为 AI Mode 是“缩水版的 Perplexity”，而 Google 的股价反应反映了更深层的困局：“这东西越酷……对核心业务的蚕食就越大。”随着年轻用户已经开始说 ChatGPT 更好，“互联网的前门正待争夺”。Apple 看起来也很脆弱：Acharya 提到 Siri 的失败、封闭文化和薄弱的合作记录，而 Dave 认为公司需要一对可见的远见者与整合者。

本期拒绝把 GPT-5 当作必然达到奇点规模的断裂式跃迁，因为必要的领域工作仍有很大一部分尚未完成。 Diamandis 期待多模态、多名博士级别的能力，以及潜在的递归式自我改进；但 Acharya 预计它更接近 o4 或 o3 Pro：推理模型仍需要带有形式化正确性定义的训练集。与此同时，Operator 已经让“每个 UI……都变成 API”，说明现有能力可能只是尚未被充分探索，而非尚不存在。

劳动力市场最紧迫的任务，是现在就为岗位替代做准备，而不是等到预测终点。 讨论中的情景把“白领工作的终结”放在2029—2031年，但 Blundin 预计转型大致会沿直线推进，并在2026—2027年开始造成前所未有的冲击。不给每个个体贡献者时间和正式培训、让他们成为 AI 用户的 CEO，正在制造“活靶子”；Diamandis 的反向答案，是用更强能力抱持创业心态、设想更大的未来。

Robotaxi、一次性智能体和稳定币指向机器规模的经济活动，但也预示着一场激烈的推理算力争夺。 ARK 引用的预测认为，到2030年 Robotaxi 的企业价值将达到34万亿美元；预测市场则给2025年稳定币立法落地95%的概率，为潜在数千亿智能体之间的微支付打开空间。Bitcoin 接近106,500美元，但更大的命题是：数字货币完成了“互联网的另一半”，而智能体让推理时算力成为闸门。

🔗 原始收听与视频来源： AI重置已至：搜索、工作，以及其他一切——与 Anish Acharya、Dave Blundin、Salim Ismail 对谈

AI语音最先形成持久商业切口的，将是垂直B2B，而不是独立消费应用。 企业本来就会付钱请人接电话，因此夜间覆盖和原本无人接听的电话都是很自然的切入口；最强的初创公司随后会扩展到工作流主导权。Labenz称，其中一些属于“过去10年里我们见过增长最快的B2B初创公司”。

对话式AI的可用性基本已经到位，但拟人感仍不只取决于转写准确率。 延迟如今通常低于半秒，而Sesame展示了停顿、“嗯”等填充词和声音抑扬如何把一副打磨过的合成声音变成“足以被误认为真人”的声音。情绪适配、多方轮流发言和可打断性仍是明显短板。

Happy Robot说明，专业化的对话质量可以打开更高价值的工作。 它的智能体会向货运经纪商披露自己是AI，并与卡车司机交朋友、唱反调和谈判；其中一种策略是先插入5秒钟的“让我去和主管谈谈”，再回来让步一点，Moore认为这一做法可能带来高得多的接受率，但她对此并不确定。值得投资的启示是，更好的表达方式能赢得处理说服和定价的许可，而商品化语音做不到这一点。

应用层的护城河在于围绕语音搭建的垂直系统，而不只是语音生成本身。 企业需要集成、客户专属上下文、评测、护栏，以及系统记录失效时的故障恢复——“这种能力能让你进入对话，但不足以把你带到另一边”。这使垂直平台比横向智能体更占优势，即使底层模型仍在进步。

Apple推迟Siri大改版体现的是 incumbents 的劣势，而不是技术进展不足。 Acharya称Siri“每天五次都像往眼睛里戳一根棍子”，并认为大公司很难拥抱AI混乱而具有人性的部分；Moore补充，Apple必须安全地向数亿用户交付产品，不像初创公司只服务于主动报名的测试者。Labenz还把Google未能在ChatGPT与Deep Research绑定之前将其商业化，视为类似的错失机会。

语音自动化正在带来教练和任务替代，但还没有达到Labenz设想的呼叫中心90%裁员。 当实时辅导能够影响一笔1万美元的暖通空调增购时，每月数百美元的费用就可能合理；招聘智能体则能为招聘人员每周释放约20小时，让其服务5名优先候选人。尽管呼叫中心年人员流失率达到300%，嘉宾们尚未观察到数量级的岗位损失，Acharya也不愿自信地把18个月的技术时间线直接换算成劳动力市场的时间线。

消费级前沿正从老年人和儿童延伸到越来越个性化的陪伴者。 多模态语音可以为老年人提供耐心的技术帮助，为儿童提供辅导老师或具有积极社交属性的Minecraft伙伴，也可以打造从共情倾听者到会挑战用户的“东海岸模式”人格不等的陪伴者。Acharya更长期的框架是“情感自行车”：正如计算机扩展了人的智力，它也将扩展人的情感能力。

安全政策必须在已被证明的冒充风险与授权身份的市场需求之间取得平衡。 Labenz称，在他披露问题一年后，仍有两个呼叫平台允许他克隆Donald Trump并进行规模化呼叫；Moore则表示，当下人们对模型限制的挫败感，可能高于对自己被克隆的担忧。她对“禁止克隆登记”的改造具有经济建设性：人们可以禁止冒充，同时明确授权自己的声音或头像用于获批场景。

🔗 原始收听与视频来源： a16z谈AI语音：呼叫中心、教练与陪伴者——与Olivia Moore、Anish Acharya对谈