最便宜的模型反而是最便宜的：Factory CTO 谈 AI 定价陷阱

关联

人物 Harry Stebbings · Eno Reyes

公司 Factory · Anthropic · OpenAI · Microsoft

概念 智能体 · harness · 主权智能 · 开源模型 · 前沿模型 · 可验证性 · 后训练 · 模型锁定

这一集是 20VC 的 Harry Stebbings 和 Factory 的 CTO 兼联合创始人 Hino Reyes 聊 AI 行业的价值分配和定价逻辑——Factory 是做自主软件开发的公司。Hino 一上来就抛了一个反直觉的点：对于高要求的智能任务，最聪明的模型实际上是最便宜的。

别算 token，算结果

Hino 的核心论点是，大家定价 AI 时在算输入（用了多少 token），但应该算输出（这个结果值多少钱）。拿代码审查举例：一个高级模型可能 1000 个 token 就做完了，零错误、直接给出正确结果；一个便宜模型可能跑半天、消耗 5000 万个 token 还反复出错。算总账，高级模型反而便宜 。

这直接挑战了「token 就是 token」的线性定价思维。他认为对于真正需要智能的任务，最聪明的模型就是最便宜的——因为质量高意味着不需要反复重试、不需要海量 token 堆出来的试错成本 。

模型会越来越多，但不是百万个

那是不是每个公司都要搞自己的专用模型？Hino 觉得模型种类确实会快速增加，但不会到百万级。他会把模型分成两类：一类是通用任务执行者（什么都能干一点的「全能模型」），这类会被开放模型主导；另一类是某些公司独有的高量专有任务，通用模型不够好、前沿模型又太贵，这种就需要拿通用模型做后训练（在基础模型之上用企业数据做微调），做出来的模型往往只自己用、不对外开放 。

现在后训练的门槛确实高，配方在少数人脑子里。但 Hino 认为这跟 20 年前的软件开发一样——当年写代码也是少数人的手艺，后来工具把它民主化了。未来企业打开一个平台、点几个按钮、描述任务、指向自己的工作流，就能出来一个够用的专用模型 。

可验证性：AI 成功的第一属性

但「算结果」的前提是你能判断结果好不好。代码审查好不好判断，但营销文案、法律意见这些有歧义的领域怎么办？Hino 说可验证性是当前 AI 系统成功的「唯一最重要属性」 。

他的解法不是回避模糊领域，而是让 AI 自己去建验证标准。具体做法：把领域专家请来，让他们创造新的验证方式——比如并排放两个结果，让专家判断哪个好；然后让智能模型学习这种判断逻辑，自己去构建类似的验证框架。他认为 AI 的真正前沿，就是在没有现成验证标准的地方「造出」验证标准，从而进入那些人类觉得 AI 还搞不定的任务 。

他还打了个管理学的比方：新手经理凭直觉判断员工好坏，但大公司必须把「什么是好」写下来、建框架。AI 系统也在重新学这件事——但写下来之后要注意激励问题：你定义了「好」长什么样，AI 就会拼命往那个方向产出，如果激励设错了，系统会忠实地执行错误的方向 。

前沿模型的估值可能被高估了

聊到估值，Harry 坦承自己早年在某公司估值两三百亿时投了，但在 200 亿那轮没跟——觉得最多涨到 1000 亿、才 5 倍。现在他觉得自己「完全错了」。Hino 附和说，人们看着 20 倍、30 倍、50 倍的数字觉得荒谬，但这低估了一个数量级——这场变革比人们想的还要大 。

但他马上补了一个关键转折：变得巨大的企业不会是 20 年前那种靠某个独门技术护城河的公司，而是「一群比其他人更清楚未来长什么样的人」的集合。数据公司卖数据，但真正值钱的是那家公司每个人都比普通人更懂 AI 的未来 。

回到前沿模型本身，Hino 直说：前沿模型的总可触达市场（TAM）目前权重过高了。世界假设一两家公司会完全主导智能时代，但他觉得这既不现实（人们不喜欢被少数公司垄断），利润率也会被众多选择压缩 。

被模型锁定是应用层的致命伤

那前沿模型公司怎么赚钱？Hino 看到两条路：要么做平台卖推理，要么往上走做应用。

Anthropic 走应用路线，OpenAI 两边都沾但平台承诺更强。Hino 认为应用层其实更难打——因为被模型锁定是巨大劣势 。

逻辑很简单：如果你被锁在自己家的模型上，你卖给客户「最好结果」的时候，只能用自家的模型；而竞争对手可以用任何模型里真正最好的那个。在编码领域这已经在发生——Anthropic 基本上只能交付自家模型的成果 。

Harry 追问：那 Anthropic 如果以 2 万亿美元上市，本质上是给 Claude Code 标了个 2 万亿的价格，但切换成本并不高，投资者到底在买什么？Hino 的回答很直接：这就是根本性风险——在一个竞争最激烈、客户最挑剔的细分市场（开发工具）上押 2 万亿。要实现这个价值，要么走监管俘获（让政客相信必须由你来提供智能），要么开放给更多模型——但这两条路互相矛盾 。

路由的价值不在技术，在数据

OpenRouter 被 Stripe 以 80 亿美元收购，所有人都在谈模型路由。Hino 认为路由技术本身没什么差异化——如果 Stripe 80 亿买的是技术，那是个糟糕的决定。真正买的是「信息」：token 本质上是智能，获得 token 要花钱，基础设施层获取能量要花钱——这整个链条就是「把能量转化为智能，中间用美元交易」 。

Stripe 已经控制了这三样东西里的一样（钱的流向），有了 OpenRouter 就知道了智能怎么分配、人们用什么模型。这是对「企业如何分配资源」这个大命题的押注 。

但智能体工作流需要的不是简单的网关路由。网关路由发生在任务完成地之外，而智能体需要在任务内部、带着上下文状态去动态分配智能——知道刚发生了什么、接下来要发生什么。这种「有状态的」智能分配只能在任务内部完成，不能外包给网关 。

套索才是新的应用

Hino 反复提到「harness」（套索/驾驭体系）这个概念。他的观点是：人们总想把问题推给模型层或网关层去解决，但越来越多的问题其实是套索层解决的——上下文窗口扩展不是靠模型本身，而是靠智能体内部的一种叫「压缩」的机制 。

套索本质上就是新一代应用：所有逻辑在这里发生，状态在这里维护，它是跟 AI 协作最好的地方。随着越来越多的技术红利积累到套索层，企业开始问：我应该自己建套索还是买一个？

主权智能：未来五年的核心问题

持续学习（模型在使用中不断变强）曾经被设想为发生在模型内部的事——如果真实现了，拥有模型的公司就会积累不可逆的优势。但现实中发生的是反过来：模型提供商自己都承认，持续学习发生在套索层 。

这就引出了 Hino 认为的未来五年 AI 的核心问题：谁是你智能的主权者？ 谁拥有从你的任务中产生的数据成果、学习内容和工作流？如果你把所有智能外包给一家公司，五年后他们可能反过来抢你的生意——因为他们完全知道你怎么干活 。

至少两家最大的模型提供商已经公开说过，他们要进入每一个他们提供智能的行业和企业。这就是为什么本地部署（on-prem）这么重要——对大多数企业来说，本地部署甚至不是技术问题，而是一个「心理安全感」问题：我知道如果需要，我可以拿回控制权 。

开放模型将吃掉 99% 的工作流

Hino 的判断非常明确：三年后，99% 的工作流会在开放模型上完成。但剩下的 1% 可能占智能未来经济价值的 30% 到 40%——前沿模型和开放模型之间的差距实际上会拉大 。

前沿模型的用例非常小众：前沿生物研究、超先进的 AI 开发、安全和国防。全球 2000 强企业里随便拉一个人问他在干什么，99% 的时候不需要真正的智能前沿。成本会主导 。

关于中国开源模型的安全争议，Hino 说得也很直接：把它们叫「中国模型」是前沿实验室的心理战，目的是让人觉得可怕、把它们异化。他没有看到任何中国模型比美国模型有更多安全风险或后门的证据。

它们只是跟美国模型一样，带有创造者的偏见。但他也说了：如果你在做美国国家安全相关的工作，别用中国模型——这跟用不用 Anthropic 的模型写某些特定内容会被屏蔽是同一个逻辑 。

NeoLab 的生死：看工作流是否持久

Hino 认为未来 18 个月里，80% 到 90% 的 NeoLab 会「消亡」——但「消亡」不是倒闭，而是作为独立业务不再成立，很多可能会有不错的被收购结局 。

判断标准就三问：第一，这个业务是否依附于一个持久的工作流？第二，如果新的前沿模型变强了，这个工作流会变吗？第三，如果把这个工作流交给一个新公司，他们能做出更好的东西吗？

法律领域大概率活得好：没有数据访问权新模型也不会自动变强、工作流高度专有、法律体系 5 到 20 年后还在。而像 Excel、JIRA 里的通用知识工作——工作流太普遍，五年到十年后可能连这些工具都不用了 。

不同领域能力进展的时间差，Hino 认为纯粹是因为「有没有人花 100% 的时间把那个领域里存在于人脑子里的专有知识搬进 AI」。一旦有人做了，进展会非常快——剪辑播客听起来不专有，但「知道什么是好的钩子」是一种真技能，很多人甚至描述不清楚自己怎么判断的 。

微软是 AI 时代定位最好的云厂商

如果只能买 Meta 还是微软，Hino 选微软——最大的优势是基础设施：拥有大量数据中心、花了巨资扩建，无论上面跑什么模型，微软都赢 。

Satya 的策略被他评价为「精妙」：通过 OpenAI 投资拿到巨大上行空间，同时意识到一家提供商不够，转向支持所有 AI 开发者——Azure 上能跑 Anthropic、OpenAI 和最重要的开放模型。这种模型独立性对于一家要帮所有其他企业加速的公司来说，价值巨大 。

但他也提醒债务风险：如果没有大量自由现金流，举巨债建数据中心是危险的。对微软和谷歌来说，它们有持久的、高壁垒的现有业务撑着。但对 OpenAI 和 Anthropic 来说，它们需要成为科技史上自由现金流最大的企业才能活下去——门槛相当高 。

融人而非招人：Factory 的招聘逻辑

Factory 预计未来 100% 的新增人员通过收购小团队来实现——不是传统并购，而是找那些已经做出了有数千人日常使用的东西、正在解决跟 Factory 完全一样问题的人，给他们更多资源继续干 。

Hino 对「使命对齐」的定义很具体：不是说你认同我们的理念，而是你已经在解决我们正在解决的精确问题，而且做得很好。一个人花五到八个月全职做一个开源项目，这展示的信念比任何面试能测到的都多 。

他认为传统招聘看学历、看竞赛成绩，其实是在选「最擅长达成别人设定目标的人」——这是最缺乏内在驱动力的路径。真正重要的特质是「在系统称之为规则的边界之外运作的能力」。常春藤学历几乎不是能力的信号，最清晰的信号是「你构建了某个你关心、想告诉世界的东西」 。

不补贴用户，扛住短期诱惑

Factory 有意不做面向个人消费者的补贴式产品驱动增长（PLG）。Hino 的理由：有两个「钱几乎无限」的玩家在用补贴 flood 市场，但补贴撤回后消费者会跟着最具成本效益的方案走——最终是能在本地跑的便宜开放模型 。

他说这是「长期博弈」：最终自助服务会来找他们，不是因为他们补贴，而是因为产品最好。作为产品构建者，这其实很痛苦——他很想按个按钮就让 1000 万人用上产品，但每天有数万人免费用已经够形成反馈闭环了，不需要 500 万到 1000 万 。

别搞表演式工作文化

Hino 看到其他创始人最大的招聘错误是选那些说「我要 24-7 拼命工作」的人。这种表演式工作文化几乎总是在掩盖其他缺陷。把「看起来在努力」变成文化，说明业务本身没有足够的意义支撑 。

在 AI 时代这更致命：一个资深工程师知道把智能体往哪个方向指，可能省下 100 倍的 token 开销。你加班加得更狠但方向指错了，token 照样白烧——结果说话，不是苦劳说话 。

他们分配 token 的方式也不是按人头给额度，而是按项目和结果分配。一个基准测试上一天花了接近七位数的额度，但那是为了验证某个研究方向能不能跑通——算的是项目账，不是人账 。

卖企业不是说服，是一起发现问题

Hino 学到的最大企业销售经验：别把销售当说服（试图让客户相信你是对的），而要当成发现机会（了解客户当前最关心的大问题是什么） 。

在成熟市场——比如数据库有一百万个选择、大家都知道是商品——说服是策略，「其他条件相同你找朋友买」。但在 AI 这个新市场，更重要的是理解机会有多大、跟客户一起学习。企业非常看重「跟你一起解决问题的人」——如果你在同一个团队里共同解决问题，你几乎必然能带来价值 。

五年后的「理所当然」

最后 Hino 被问「今天觉得荒谬、五年后会极其平常的事」，他的回答是：我们居然让大概两百万人这个「祭司阶层」决定了全人类所有软件的命运。三到五年后，如果你面前有个能通过信息处理解决的问题，却不能即时生成一个软件来解决它，那将是不可想象的——不只是个人应用，而是社会层面的：你在伯利兹度假，船夫都有一个完全定制的、比你的企业 HR 软件还好用的界面 。

【背景】Factory 是一家专注于自主软件开发（autonomous software development）的公司，即用 AI 智能体来自动完成软件编码、审查等开发流程。Hino Reyes 是其 CTO 兼联合创始人。转写稿中”Hino”为”Eno”的语音识别错误，已纠正。

【背景】Harry 提到的「某公司」在两三百亿估值时他投了、200 亿那轮没跟——结合上下文（提到数据需求、与 Mercore 对比），大致指向一家 AI 数据/基础设施公司，但转写稿未点名，此处不补。

【背景】TAM 即 Total Addressable Market（总可触达市场），衡量一个产品或服务如果达到 100% 市场份额时的总收入潜力。

本集带走

• 算结果不算 token：定价 AI 任务时看总结果成本，不做活的高级模型因为零重试反而更便宜——这是选模型的正确思维框架。
• 可验证性是第一属性：在模糊领域（法律、营销），先让专家造验证标准，再让 AI 学习这个标准去自我评判——这是把 AI 推进「还搞不定」的领域的路径。
• 写「什么是好」就是设激励：给 AI 定义好结果的标准时要极其小心，它会忠实执行你写的标准，哪怕标准本身有偏差。
• 主权智能是未来五年的核心博弈：持续学习发生在套索层而非模型层，谁拥有你业务产生的学习成果和工作流，谁就可能在五年后反过来替代你。
• 套索（harness）才是新应用：上下文扩展、状态维护、智能分配——这些关键能力越来越多地在套索层解决，而不是模型层或网关层。
• 99% 工作流会跑在开放模型上：但剩下 1% 的前沿用例（生物研究、AI 开发、国防）会占 30%-40% 的经济价值，且差距会拉大。
• NeoLab 存活三问：是否依附持久工作流？前沿模型变强工作流会变吗？换个团队能做得更好吗？三条都成立才可能作为独立业务活下来。
• 招聘看「在规则外运作」的能力：一个人花几个月全职做一个开源项目，比学历和竞赛成绩更能证明信念和执行力。
• token 按项目分配，不按人头：算的是「这个研究方向值不值得花七位数额度去验证」，不是「这个工程师该分多少额度」。
• 企业销售是共同发现问题，不是说服：在新市场里，跟客户站在同一侧解决问题，比试图证明自己是对的更有效。

我看到一个世界，那里最聪明的模型实际上是最便宜的。
I see a world where the smartest model is actually the cheapest.
—— Eno Reyes · [00:00]

前沿模型的 TAM，坦率地说，目前权重过高。
The TAM of frontier models is, frankly, overweighted right now.
—— Eno Reyes · [00:15]

80 亿和 100 亿是新的 10 亿。
8 and 10 billion is the new 1 billion.
—— Eno Reyes · [00:20]

我认为可能 80% 到 90% 的 Neolabs 会在未来 18 个月内消亡。
I think it could be 80% to 90% of Neolabs die in the next 18 months.
—— Eno Reyes · [00:31]

称开源模型为中国模型是前沿实验室的一种心理战，基本上是欺骗人们认为它们很可怕并将它们异类化。
Calling open source models Chinese models is a PSYOP by the Frontier Labs to basically trick people into thinking that they’re scary and otherize them.
—— Eno Reyes · [00:36]

在三年内，99% 的工作流将在开放模型上完成。
In three years, 99% of workflows are going to be done on open models.
—— Eno Reyes · [00:46]

最终，整个结果的那个价格差异使得更高质量的模型更便宜。
And ultimately, that price difference of the full outcome makes the higher quality model cheaper.
—— Eno Reyes · [07:27]

可验证性最终是当前 AI 系统成功的唯一最重要属性。
verifiability is ultimately the single most important property of success with current AI systems.
—— Eno Reyes · [10:55]

我实际上会争辩说，现在的 AI 前沿是能够在没有验证的地方建立验证的 AI 系统，因此它们可以推进到今天人类认为对 AI 来说太难解决的任务中。
I actually would argue the frontier right now of AI is AI systems that can build verification where there is none, and thus they can progress into tasks that today humans consider to be too difficult for AI to resolve.
—— Eno Reyes · [11:46]

因为当你写下，这就是好的样子，人们读了那个，然后他们开始表现得更像那个好的样子。
Because when you write down, this is what good looks like, people read that and then they start to act more like what good looks like.
—— Eno Reyes · [13:26]

我认为前沿模型的 TAM 坦率地说目前权重过高。
I think that the TAM of frontier models is frankly over-weighted right now.
—— Eno Reyes · [15:50]

我认为总体而言，AI 的营销可能是当代资本家做过的最糟糕的营销工作之一。
I think that the marketing of AI in general was probably one of the worst marketing jobs done by contemporary capitalists.
—— Eno Reyes · [20:09]

字面上就像把能量转化为智能，你只是在过程中用美元进行交易。
It’s literally like translating energy into intelligence, and you’re just trading dollars along the way.
—— Eno Reyes · [29:13]

它触及了那个更宏大的理念，即技术已不再是护城河。
And it gets towards that broader idea of the technology is just no longer the moat.
—— Eno Reyes · [30:20]

谁是你智能的主权者？
Who is the sovereign of your intelligence?
—— Eno Reyes · [34:44]

在三年内，99% 的工作流将在开放模型上完成。
In three years, 99% of workflows are going to be done on open models.
—— Eno Reyes · [47:31]

但这 1% 的任务可能会占到智能未来经济价值的 30%、40%。
But 1% of those tasks is probably going to be 30%, 40% of the economic value of the future of intelligence.
—— Eno Reyes · [47:37]

你需要的数千亿自由现金流，用来偿还你为适应这些数据中心扩建而承担的债务，为了进行下一次大型训练运行，这对他们来说完全是生死攸关的。
The hundreds of billions in free cash flow that you need in order to pay back the debt that you’re taking on in order to accommodate these data center build outs in order to get the next big training run, it’s totally existential for them.
—— Eno Reyes · [52:16]

任何时候你创造了一种激励来向人们展示你在工作，而不是真正去工作，你基本上就是在激励错误的事情。
Anytime you create an incentive to show people that you’re working rather than to actually do work, you’re basically incentivizing the wrong thing.
—— Eno Reyes · [69:52]

我认为我们将会感到惊讶的最大一件事是，我们让一种大概由两百万人组成的祭司阶层来决定全人类所有软件的命运。
I think that the biggest thing that we’re going to be surprised by is the fact that we let a sort of like priestly class of maybe two million people decide the fate of all software for all of humanity.
—— Eno Reyes · [84:39]