跨国深谈← 返回←AI 应用层的黄金时刻：a16z 投资人 Anish Acharya 谈智能如何变成生意

AI 应用层的黄金时刻：a16z 投资人 Anish Acharya 谈智能如何变成生意

关联

人物 Anish Acharya · Jen Ka

公司 OpenAI · Anthropic · GrokBot

概念 智能体 · 应用层 · 模型聚合 · 护城河 · 推理 · 开放权重模型 · 智能原语 · 编码智能体 · 个人智能体

过去几年，AI 领域最大的问题是「哪个模型会赢」；a16z 的投资人 Anish Acharya 在这一集里给出的答案是：下一阶段的重心不在模型，而在模型之上长出来的应用。他先讲了一件自己刚经历的事——睡前对 GrokBots 说「照着我这条牛仔裤的样子买一条相似的，别超过 500 美元」，醒来时它已经研究、选好、用他的信用卡下了单。他的判断是：能力已经够了，接下来的解锁来自「足智多谋」和让普通消费者真正用得懂的产品形态。

宏观：真正没人讨论的是「我们可能不够乐观」

泡沫论已经被谈烂了，Anish 认为真正「分布外」的话题反而是：如果我们不够乐观怎么办。底层指标指向的是基本无限的需求 + 高度受限的供给——连 B200 这种非最前沿 GPU 的每小时价格都在上涨，而算力通常是高度通缩的。这是非常反常的信号。

再看前一阵 SaaS 的恐慌(2 月一堆 SaaS 股票回撤 30-40%,后来又涨回来)，他的结论是：企业软件支出只占 8-12%,自己 vibe code(用自然语言让 AI 写代码)一套薪资或 CRM 系统，上行空间很小，下行风险却是无限的——薪资算错是合规问题。所以企业软件要求的精确度，目前的编码智能体给不了。真正受伤的是靠各种扭曲指标撑业绩的 SaaS 公司，潮水退去后它们要么加速要么死。

关于护城河的讨论他也认为被夸大了：按《七种力量》的框架，网络效应、规模效应、品牌效应这些传统护城河几乎不受「廉价智能」的影响——再多的编码智能体也不会让 Nike 变得不是 Nike。唯一明显暴露的是集成护城河：SAP 出了名的难集成难迁移，而这恰恰是编码智能体最擅长解决的，靠「集成点」吃饭的 SI/GSI 咨询公司因此面临存在性问题。

企业里还有一条分界线：产品、销售、工程、研究是创造超额收益(alpha)的职能，值得用最强的前沿模型；而财务这类支持性职能——结账最好的方式是「准确」，你不可能比准确好 10 倍——收益有上限，所以适合用开放权重模型(模型权重公开、可自行部署微调)加强化学习来压成本曲线。这也是为什么对很多创业公司，开源模型不只是省钱，更是唯一选项：可以本地化、训练、微调 。

模型不是商品：它们像不同性格的员工

Anish 对「模型商品化」的判断是明确的否定。他给自己定的标准是每个新模型发布都拿来做点东西，用多了你就会发现：这些模型在领域层面各有比较优势。OpenAI 的新 GPT 模型极其擅长知识工作，ChatGPT 桌面应用是做表格、幻灯、文档的完美「产品容器」(他称之为 harness);而 Claude Code 一切设计——终端 UI、代码规划、代码测试——都面向软件工程师。

更有意思的一个类比：模型像有「大五人格」的员工。GLM 5.2 和 GLM 5.3 非常字面化、只做你让它做的，像高度神经质的模型；而 Kimi K3 这类更开放、更有创造力。你不可能既高度开放又高度神经质——做会计题你要神经质，做设计题你要开放，所以组织里天然需要两种心智并存 。

实验室的动向也印证了应用层的空间：1 月 Claude 发布法律插件(本质只是打包的提示词)引发恐慌后，大家担心实验室向上整合进应用层，实际看到的恰恰相反——它们向下整合进推理和算力。逻辑很清楚：推理工作负载高度同质化，可以在价值链一处堆出巨大规模；而应用层充满定价、打包、产品化的异质性，运营又重又难。

由此得出一个重要结论：在很多产品类别里，模型聚合(model aggregation,即一个产品里组合多家模型)能产出大于各部分之和的结果。类比是 Expedia 比挨个逛各家航司官网有用得多；编程上 Cursor 用前沿模型做规划、用小模型做执行；创意工具把 11 Labs(语音)和 Black Forest(视频)装进一个壳；研究上把同一个查询对抗性地跑多个模型、再让一个模型帮你收敛。而实验室在结构和激励上都只会推自家模型——这正是应用层的机会。

应用层：智能是原语，应用是产品化

核心心智模型：智能像云一样是一种原语(primitive,基础设施层的基本能力单元)。Salesforce 把 AWS 的云原语做成 CRM 交付经济结果；同样，原始的智能原语需要 Harvey 这样的公司把它变成法律行业的经济结果，或者按信用合作社这类客户想要的方式卖出去——大多数信用合作社不想减员一半，而是想在业务健康的同时把人数翻倍。

用法也在进化：从「提示模型」到「把模型放进循环」。智能体(被滥用的词)本质就是带工具和记忆的循环里的模型。

典型是编码：Bug 被报告→复现→生成修复→验证→低风险直接上线、高风险人来审。把同样的循环思路推广到价格优化、采购这些天然的业务循环，就是 AI 实现企业自动化的路径；最雄心勃勃的是「业务循环」——模型虽然不能自主决定在蒂华纳开分公司，但能在整个业务的表面层提出这种跨领域的变更。

他还借一个观点提醒：要把编码智能当行业看，而不是单一市场——从 Claude Code 这种向开发者暴露原始硬件的产品，到 Replit 这种服务不懂代码的小企业主的抽象层，都是同一个原语的不同定价与打包方式，全都在成立。

消费者：三十年河东，这次真是消费者的季度

拖住消费级 AI 的三块石头正在松动。一是消费者不爱为软件付费，而 AI 软件有真实边际成本——Anish 自己做过一个浏览 X 时间线的应用，接入一个新用户的成本高达 250 美元，免费大众产品根本算不过账；但开放权重模型正让成本急剧下降。

二是 AI 没有原生分发渠道——没有「AI 的应用商店」，这个周期更像 Web 2.0,得跟产品一起把渠道建出来，而不像移动时代有中心化分发。三是「我们处在 AI 的 DOS 时代」，还需要产品和设计上的「Windows」让普通人消费这些能力。

两个方向已经在起作用。一是面向消费者的编码智能体：数字原生一代以前只能当 YouTube 创作者，现在能用编码智能体做出年收入 10 万甚至 100 万美元的软件产品——不是风投级生意，但「夫妻店 SaaS」的机会正在兴起。

二是个人智能体：1 月的 OpenClaw 只是开发者社区的家酿电脑俱乐部式狂欢，没真正破圈；GrokBots 和 ChatGPT 正把个人智能体变成消费者能用的软件。主持人还现场安利了自家投资的产品 Town:接入个人邮箱后自动清洗订阅、浮出重要邮件、甚至发邮件告诉你哪个例程在烧积分——从生产力切入，锁定后扩展职责，最后用户会愿意为「自动驾驶自己的生活」付钱。Anish 给的心智模型：这像一个资深员工对比新员工——新员工可能更聪明更便宜，但资深员工能替组织和「你」做出正确的假设。

往远处看，消费者的生活也可以拆成一组循环：家庭、友谊、金钱、健康。围绕自我提升、健康、金融(OpenAI 正聚焦后两者)、购物的循环正在出现，最终形态是消费者生活质量的大幅改善——而且按历史规律，80% 的剩余价值会交付给最好的市场。

会是「一个助手统治一切」还是多个智能体协作？他倾向后者：你要 CFA(理财师)的特质和要派对策划师的特质不一样，GrokBots 已经在产品里演示了多个朝不同方向的机器人协调出全局最优。

给创始人的几条实操信号

对消费级创业者，这是个不折不扣的复兴时刻：40 年的技术都在提升智力和生产力，现在第一次有了能在情感和人际领域运作的原语——你可以和 Claude 对话并真的产生情绪；实验室和大厂文化上做不了的产品(想象在 Google 内部推一个会反驳你、可能带性暗示的伴侣产品，那边有一千个委员会专门防止这种事)是初创公司的独特领地；而且消费者现在兴奋地下载、兴奋地付费——像 2009 年圣诞节配着 iPhone,但不同于 99 美分的年代，他们愿意每月付 200 美元。他常和创始人做的练习：如果 20 美元是历史上限，你的产品 200 美元/月的档位是什么？

2000 美元的呢？「软件界的奢侈品」正在出现。

创始人群像也在变：MBA 更少、研究员更多；今天创始人的商业成熟度更低，但技术成熟度显著更高——而技术成熟度是一切好事的上游，商业可以学，技术很难补。资深创始人被卡住，往往是因为离技术不够近、对上限的想象根植于过去；年轻创始人最好的地方是假设一切皆可能。

连融资逻辑都在变：以前不给种子公司几千万美元是因为人才撑不起那么大的产品面，现在资本多少直接对应不同的产品和模型权衡，最优种子轮规模成了更微妙的问题。获客上，现有网络(Instagram、TikTok、X)都学会了防止有人在自家网络上建新分发渠道，所以必须做出口碑这个最原始的网络效应；而市场上最有趣的板块是新企业成立——正处历史新高，主力不是 55 岁的水管工，而是 25 岁、以前会去当 YouTube 创作者、现在为社区或高中做 SaaS 的年轻人。

本集带走

• 别问是不是泡沫，问是否不够乐观：非前沿 GPU 按小时涨价指向「无限需求 + 受限供给」的反常格局。
• 模型非商品，按性格选：像 GLM 5.3 这种字面化的「神经质」模型适合会计类任务，Kimi K3 这种开放型适合创意；组织需要多种心智并存。
• 模型聚合是被低估的产品形态：前沿模型做规划、小模型做执行，或对抗式跑多模型再收敛——实验室做不了这件事，是应用层的地盘。
• 智能是原语，应用负责产品化：定价、打包、交付方式按细分客户定制(如信用合作社想扩员而非减员)，这才是应用层捕获价值的方式。
• 找循环，而不是找功能：把「模型+工具+记忆」的循环套到价格优化、采购乃至跨部门的业务变更上，就是企业自动化的路径。
• 消费级产品的定价练习：如果 20 美元是旧上限，设计出 200 美元/月、甚至 2000 美元/月的档位——奢侈软件的机会已经到了。

我实际上认为那个较少讨论的分布外话题是，如果我们不够乐观会怎样？
I think actually the out of distribution topic that’s less discussed is what if we’re insufficiently optimistic?
—— Anish Acharya · [04:21]

如果你看看一些底层指标，它们指向的是基本无限的需求和高度受限的供应。
if you look at some of the underlying indicators, what they point to is essentially infinite demand and highly constrained supply.
—— Anish Acharya · [04:27]

再多的编码智能体也不会让 Nike 变成不是 Nike。
No amount of coding agents is going to make Nike not Nike.
—— Anish Acharya · [06:31]

你开始体会到这些东西不是商品，它们在领域层面上具有比较优势。
You start to appreciate the fact that these things are not commodities, that they have comparative advantage at a domain level.
—— Anish Acharya · [11:49]

在许多产品类别中，模型聚合能产生大于部分之和的成果。
There are many product categories in which model aggregation delivers a greater than sum of parts outcome.
—— Anish Acharya · [13:20]

大多数人想要消磨时间，而不是节省时间。
Most people want to spend time, not save time.
—— Anish Acharya · [21:34]

我们经历了 40 年的技术，它真正提升了我们的智力和生产力，但没有什么能触动我们的人性。
And we’ve had 40 years of technology that really boosted our intellect and productivity, but nothing that kind of spoke to our humanity.
—— Anish Acharya · [28:46]

人们想尝试新应用，但不同于 99 美分的日子，他们愿意一个月支付 200 美元。
People want to try new apps, but unlike the 99 cents days, they’re willing to pay 200 a month.
—— Anish Acharya · [29:23]

我认为这些年轻创始人最好的地方是他们假设一切都是可能的。
And I think the best thing about these young founders is they assume everything is possible.
—— Anish Acharya · [32:28]