目录
- AI 正处在“1997 年互联网时刻” [00:00:00 - 00:15:01]
- 任务与工作不是一回事 [00:15:01 - 00:30:05]
- 价值会流向哪里 [00:30:05 - 00:45:07]
- 分发和默认项决定胜负 [00:45:07 - 01:00:08]
- 反弹、就业与极端不确定性 [01:00:08 - 01:15:08]
- Benedict 平时怎么用 AI [01:15:09 - 01:19:48]
AI 正处在“1997 年互联网时刻”
Lenny Rachitsky：我最有争议的看法是，我觉得 AI 和互联网或移动互联网一样重要，而且也只和互联网或移动互联网一样重要。你是不是已经在等着所谓“工作大末日”了？每次有新技术出现，都会先替代掉一批工作，然后这种自动化又会催生一批新工作。新的工作你现在根本不知道，因为它还不存在。这个过程我们已经经历过无数次了。甚至看最先进的 AI 公司，Anthropic、OpenAI，大家都在扩招。你跟 Twitter 上那些末日论者一聊，他们就像在说：所有大公司明天都会买 ChatGPT，两个星期后就把员工全裁了。这些人简直是蠢货。你根本没法预测哪一块会先被暴露出来。你也没法看着律所的高级合伙人说，哦，他们 17% 的工作可以自动化。胡扯。我很好奇你有没有在关注反 AI 情绪。那东西是一团很模糊的混乱。是的，这会改变很多东西，我们确实得担心。但这种担心本来就是常态。我们一直都经历这种事。那你会建议人们做哪几件事，才能在这个未来里更成功？别把头埋进沙子里，说我讨厌这一切。那会让你获得一种道德优越感。你还可以去 Blue Sky 上对着所有人喊 AI 有多邪恶。很好，我替你高兴。但这帮不上忙。真正有用的是你跳进去，弄明白自己能拿它做什么。今天我们请来 Benedict Evans。Benedict 曾经是 a16z 的长期合伙人，担任他们的内部分析师和常驻思想者。在那之前，他做过很久的股票研究员。过去六年里，他一直是独立分析师，追踪最重要的科技趋势，并分享自己的观察。最近你也能想得到，他几乎把全部时间都花在 AI 如何改变我们的生活上。用他自己的话说，AI 正在吃掉世界。在这期对话里，我们会深入聊聊，我们还没有真正定价进去的那些 AI 影响，它会怎样影响我们的生活和工作，反 AI 情绪的抬头，对就业的影响，价值会在价值链的哪个位置沉淀，以及更多内容。如果你担心 AI，或者只是对它的走向感到困惑，这期对话会让你学到很多，也会让你感觉好一点。在开始之前，别忘了去看看 lenny'sproductpass.com，Lenny Newsletter 的订阅者可以免费领取一整年世界上最惊艳、最火、制作最精良的一批 AI 产品。下面请出 Benedict Evans。Benedict，非常感谢你来做客，欢迎来到播客。感谢邀请。你刚刚发了一份叫《AI 正在吃掉世界》的 deck。我想从它的反面问你。我们都知道 AI 是大事。既然如此，你觉得人们在思考自己生活和工作会发生什么变化时，还没有完全把哪些影响算进去？这是个很有意思的切入方式， [00:02:46]
Benedict Evans：我去年上过一期播客，当时我说过，我最有争议的观点是，我觉得 AI 跟互联网或移动互联网一样重要，而且也只和互联网或移动互联网一样重要。因为科技圈里显然有一批人觉得，这更像工业革命之类的东西；同时也有另一批人在底下说，你居然觉得它就跟那个一样大，你是不是没意识到这有多大？而我想说，智能手机已经够大了，互联网也已经够大了。要不是有互联网，我们今天根本不会做这类对话。所以，先有一个层面的判断。再往下看，如果你拿互联网来类比，那感觉就像我们正处在 1997 年。很让人兴奋，但大多数东西还不好使，很多人未来会做的事还没被做出来，也根本不清楚它真正能工作时会是什么样。那些已经“吃下某颗药丸”的人，或者说已经走得很前的人，会以为全世界都已经在那儿了。但现实是，分布非常分散。科技圈里有人买了一堆 Mac mini 集群，已经不用 Google 了；但你再看科技圈外，先不说那些觉得这不是真的的傻子，大多数在用 AI 的人，可能也就是每周用一两次。所以，采纳程度和成熟度本身就是一个很宽的分布。在这个分布里，你可以继续往下问更具体的问题，比如模型到底会怎么演化，模型实验室有没有定价权，价值最后会落到哪里，OpenAI 会不会通吃一切，还是这周 Anthropic 领先一点。然后你就会开始像 1997 年那样下注：到底会是 Excite 还是 Yahoo？而答案通常是否定的，至少不会那么简单。所以这里有一个分形式的判断：高层次上，这件事绝对会改变一切。我不觉得去争论“它比互联网大 20% 还是 100%”有什么建设性。那不是有生产力的讨论。但它确实是那种根本性的变化。只是你根本不知道它会怎样运作。事实上，我刚刚发了一份每六个月做一次的演示文稿，昨天才刚发布。有人评论说，Benedict，这 80 页就是在说我们不知道， [00:05:09]
Lenny Rachitsky：这话多少有点戏谑，但也确实有点对。这一期由本季冠名赞助商 WorkOS 带来。OpenAI、Anthropic、Cursor、Vercel、Replit、Sierra、Clay 以及数百家其他赢家公司，有什么共同点？它们都由 WorkOS 提供支持。如果你在做企业级产品，你一定体会过集成单点登录、SCIM、RBAC、审计日志，以及大型公司要求的其他功能有多痛苦。WorkOS 把这些交易阻碍变成了即插即用 API，它是专门为 B2B SaaS 打造的现代开发平台。几乎我投资的每一家开始往上做企业客户的初创公司，最后都会用上 WorkOS。因为它就是最好的。无论你是想拿下第一家企业客户的种子轮创业公司，还是想全球扩张的独角兽，WorkOS 都是你最快实现企业级就绪、解锁增长的路径。它基本上就是企业功能版的 Stripe。去 WorkOS.com 开始使用，或者直接去他们的 Slack，里面有真正的工程师等着回答你的问题。WorkOS 让你用愉快的 API、完整的文档和顺滑的开发体验，更快地构建产品。去 WorkOS.com，让你的应用今天就具备企业级能力。所以如果我们说 AI 现在正处在 1997 年那条时间线上，我已经从你的很多表述里听出来了，我们还不知道它会精确走向哪里。我不知道，你有没有一个大致的时间判断，比如说，什么时候事情会开始发生那种剧烈变化？我们现在到底处在哪个阶段？你谈过那么多我们经历过的周期。我们离那种“哇，一切都不一样了”的状态还有多远？ [00:06:43]
Benedict Evans：毫无疑问，我们在软件领域已经进入了那个时刻。然后问题变成，agentic 和 AI 软件开发这两个最终会交汇的东西，会给软件行业的未来带来什么？有一种极端说法基本没人真信，就是“嘿，你直接在 Stripe 里买代码就行了”；没人真的这么想。可如果你不这么想，也还是会有一大堆问题：这对软件行业意味着什么？你能自己做多少事？会不会有更多软件？这是一整个话题。另一个极端是，如果你在律所里，这一切都很有趣，但我到底该怎么用？我们怎么判断自己会不会成为下一篇新闻：提交出去的东西里全是幻觉？明年我们要招多少助理？这对我们意味着什么？我在演示里举过一个类比：想象你是 70 年代末第一次看到电子表格的会计。那简直是震撼：你在这里改一下利率，其他数字全变，30 秒就干完一周的活。我们当然可以讨论这对会计行业意味着什么，但如果你是会计，这显然会让你目瞪口呆。可如果你是律师或者记者，你会想，这东西很聪明，我的会计应该去看这个，但这不是我干的活。我顶多下周拿它来做工时表，前提是它不是要花一万或者一万五千美元去买 Apple II、显示器和打印机才能跑起来。可那不是我干的活。然后你还得要一个文字处理器，而这东西很快就来了。所以我们现在的状态就是这样：有些人，比如软件开发者，像 VisiCalc 之于会计一样，突然觉得“天啊，这改变一切了”，就像 VisiCalc 之前和之后、Claude Code 之前和之后。还有很多人也在用，只是用得程度不一样，而且有点懵。你看我演示里放的一些调查数据，即使看 13 到 18 岁的人群，也不过只有大概 15% 到 20% 是日活用户，另外 20% 是周活用户，剩下 60% 的人基本都没怎么用。也就是说，这里对于谁真正“懂了”、谁还没懂，分布非常宽。这也映射到另一个我觉得几乎是独立的问题：所谓的“锯齿前沿”到底在哪里起作用，哪里不起作用？你能不能直觉判断它在哪些地方有用？还是只有等它真的起作用了你才知道？你能不能自己想明白你应该拿它做什么？这些问题如果你是软件开发者，都会交织在一起。还有很多其他人则处在一种“有人已经进入状态了，有人还没有”的状态里。总之，我们又回到了 1997 年那种感觉：好吧，这到底是什么？ [00:09:43]
Lenny Rachitsky：顺着这个话题，你最近一直在写的一个点，是专业服务、咨询服务、前置部署工程师这些岗位上出现了意想不到的投资。至少两家大 AI 实验室，也就是 OpenAI 和 Anthropic，正在买大量咨询公司和 PE 公司。你说说，这里到底发生了什么，为什么会这样？ [00:10:03]
Benedict Evans：我昨晚写 newsletter 的时候，想找个笑话，结果没能把它落地。但你也知道，那个老笑话是，机器学习科学家就是住在旧金山的统计学家。这里面有一点意思，前置部署工程师就像是住在旧金山、或者在旧金山工作的 Accenture 外包软件开发者。抛开玩笑不说，如果你对专业服务行业有任何了解，你就知道，公司里不会坐着一群人，等着去搭一个大项目、做一大块分析、做一大块技术、开发一个新产品、重新设计门店、决定门店该开在哪儿，或者分析为什么流失率太高。这些问题，就是你会去找 Bain、BCG、McKinsey，或者找 Accenture、Infosys 之类公司，或者找品牌公司、建筑事务所来解决的原因。大家总是会说，我们也许可以雇几个建筑师，但我们为什么要自己养 15 个建筑师，而不是直接去找一家建筑事务所呢？我们直接找广告公司不就行了？所以，现在的任务其实是，你要把公司内部所有工作流重新想一遍，找出哪些可以用 AI 很快自动化掉。这本身就是一个项目。它需要五到十个人坐下来，花一两个月去琢磨。然后真正去做，又是另一个项目。也就是说，你要把这三个垂直系统接到这两个水平系统上，构建一堆新工作流，再培训人们去做。问题是，谁来做？因为你公司里并没有一堆闲着的人。在这一边，这也是某些 PE 公司模式的一部分：它们会为投资组合公司提供支持，帮它们做事。另一边，这就是为什么你会去雇，取决于你要做什么，
Lenny Rachitsky：你会雇 Bain，或者雇 Accenture，或者雇 Publicis，来帮你把这件事理清。这个趋势真正好笑的地方在于，你本来会以为 AI 会让顾问消失。不会再需要这些人了，AI 会把他们的活都干掉。结果呢，最前沿的 AI 实验室反而是最重金押注这些人的那一批。我觉得这很让人意外。 [00:12:27]
Benedict Evans：我在演示里其实分了三个部分。第一部分讲资本，核心问题是这些 capex 都花到哪儿去了，模型实验室会不会有差异化；第二部分讲部署，也就是这对软件行业意味着什么；第三部分则是，这一切会怎样改变现实世界。在“变化”这一部分，我试图把一个线索串起来：工作的难点到底是什么？工作的难点是逐行写代码吗？还是给你 SKU，或者做 PowerPoint 才是难点？还是说，难点其实是别的东西？这到底是任务，还是工作本身？把它们拆开之后，有时候任务就是工作本身。最经典的例子就是电梯服务员。如果我住在一栋有电梯看守员的楼里，那其实是手动电梯。没有按钮，只有一个拉杆，看门人把你送到楼层。这就像一辆竖着跑的车，有点像旧金山那种有轨车。他们把你送到店里，或者说送到你那层楼。后来这些东西在 50 年代之后都被自动化了。现在你进去，按一个按钮，按按钮本身就成了工作。所以有些地方确实是这样：按钮对应的工作本身只是一个任务，然后这个任务被自动化了。但更常见的情况，则是杰文斯悖论所说的那种价格弹性。杰文斯悖论本质上就是价格弹性的应用：如果把某件事变便宜了，会发生什么？你是用更少的钱做同样的事，还是用同样的钱做更多的事，还是因为新的 ROI 而用更多的钱做更多的事？如果你看会计史，或者看专业服务史，就会发现这点很明显。我在 Twitter 时代曾开过一个玩笑：大家现在大概不会相信，但在 Excel 之前，投行的初级分析师真的要干很长的工时，而现在得益于 Excel，高盛的 associate 们星期五中午就把活干完了。那为什么事实不是这样？软件开发也一样。IDE、库、操作系统出现之前，开发者得把所有代码自己写出来。现在你做 iPhone app，90% 的代码都是 Apple 帮你写好的。Apple 写了调制解调器驱动、图形驱动、文件系统，你根本不用碰这些。按这个逻辑，我们现在岂不是只需要十分之一的工程师？当然不是。于是你就得回到具体行业里，搞清楚到底是哪一种情况，真正难的部分是什么。我想到的另一个类比，是电子商务的历史：Amazon 的作用，是在你已经知道 SKU 的时候，把 SKU 给你。如果你知道自己要哪一个 SKU，比如你就要那个麦克风支架、这个零件编号，那你就去 Amazon 买。 [00:15:00]
任务与工作不是一回事
Benedict Evans：你可以去 Amazon 直接买到它。如果你连自己该买哪支麦克风都不知道，那你大概就不该先从 Amazon 开始。把这件事放大到无数个产品类别里都一样。所以 Amazon 做的是帮你找到 SKU，但知道自己想要哪个 SKU，本身就是另一项工作。Claude Code 可以帮你写代码，但你到底想要什么代码？它当然可以帮你做功能，但你真正想要什么功能？你的客户是谁？什么才是适合那个客户的产品？你准备怎么把它推向市场？所以说到底，为什么你会雇 McKinsey？你是为了拿一份 75 页的幻灯片吗？狭义上讲，Claude Co-Work 当然能做出一个很烂很烂的版本。你会在 LinkedIn 和 Twitter 上看到一堆 AI 夸夸其谈的人说，嘿，我用 Claude 做了一份 McKinsey deck。你看完只会想，这一堆破烂，根本不是 McKinsey 会交出来的东西。可就算真能做到，那也不是你付钱给他们的原因。你真正付钱让 Bain 做的，是他们要走遍你的公司，弄清楚，嗯，为什么你当初没做成？这背后的政治结构是怎样运作的？你到底应该做什么？然后再去跟你的客户聊，弄明白他们真正怎么想，而不是 Google 首页上写了什么。重点全在别的东西上。PowerPoint 只是一个任务，但这不是你雇他们的目的。Amazon 和零售商也是一样，软件开发也是一样。所以这里就是这种分野。另一个让我想到的类比，是那些被互联网彻底冲击的行业，因为它们原本就有两部分，你可以把它们拆开：一部分是实体制造或实体分发，另一部分才是它真正提供的东西。最经典的例子就是报纸和录制音乐。唱片公司并不认为自己是在制造一小块塑料，但它们实际上干的就是这个。等这部分消失后，它们就完了。报纸也是一样。报纸并不认为自己是在做制造和运输公司。可一旦把这些拆开，问题就来了。但很多时候，你又没法把它拆开，或者真正的问题根本不是这个；或者你把那部分做便宜了，其他一堆事也会跟着发生。所以，这一切都比“我们要自动化会计”或“我们要自动化顾问”复杂得多。演示里其实有两张图，是会计从业人数的变化：它贯穿整个 20 世纪一路上升，到了 21 世纪初又继续往上走。所以你会经历打字机、穿孔卡、大型机、数据库、ERP、云、电子表格、PC，而会计人数还是一直往上走。那为什么要只看自动化这一个角度？ [00:17:40]
Lenny Rachitsky：说到底，这比自动化复杂得多。光看最先进的 AI 公司，Anthropic、OpenAI，我刚刚还请了 Every 的 Dan Schipper 来上播客。大家都在继续招人。按理说你会觉得最不可能增加人手的公司，结果反而在疯狂加人。回到你刚才说的，事情真的很复杂。那你对“岗位级别上的工作末日”怎么看？你知道，就是那个即将到来的 job apocalypse。 [00:18:00]
Benedict Evans：Dario 不是一直在说，入门级岗位没了，工作没了，就像……对吧？我觉得这里有个很窄的点需要先说。我不喜欢诉诸权威。我也不认为，光是你运营一个 AI 实验室，就突然让你在所有问题上都更有权威了；如果真要诉诸权威，那也得和领域有关。比如我会关心 Dario 对模型未来六到十二个月怎么走的看法，但我并不会特别在意他对劳动力、市场价值和竞争优势的看法。也许他大学里上过这门课，我也上过。所以，面对“Dario 说了什么”，我们还是得稍微谨慎一点。至于那些 cynical 的说法，说他只是为了拉高股价，我完全不信。回到我前面的观点：平台迁移。每次新技术出现，它都会先自动化掉一批工作；而这种自动化，连同价格弹性和“工作能被自动化”这件事本身，最终又会释放出一批新工作。所以你往回看 1800 年的时候，90% 的人都是农民。我们最大的担心是庄稼会不会歉收，因为一旦歉收，大家就会饿死，甚至更糟。此后，我们一直在自动化工作、创造新工作。你总能看见要消失的工作，却不知道新工作会是什么，因为它根本还不存在，而且往往听上去还挺傻。比如“铁路工程师”是什么鬼？铁路是什么？谁会想跑那么快？这个过程我们已经重复过无数次了。任何一个经济学大一新生都会告诉你，从 1800 年到现在，这个过程一直在发生。每次经历它，都会有大量摩擦性的痛苦和错位。很多人失去工作，很多城镇被掏空，一切都很糟。但等你走到另一边，我们都更富了，也不再担心庄稼会不会歉收。这就是过去 200 年的过程。所以问题是：有没有什么先验理由能说明这次会和以前不同？因为互联网也消灭了一批工作，PC 也消灭了一批工作。现在做排字工、电话接线员、打字员的人都没那么多了。互联网也消灭了很多工作。通常来说，从事那种工作的人，事后看都是些烂工作；新工作则更好，因为 GDP 一直在增长。那么 AI 有什么不同吗？这里大概有几种回答。一个理论是：这次会快得多。AI 的采纳速度确实比以前的技术快，但这某种程度上只是因为你站在巨人的肩膀上。你不需要先等每个人都买一套昂贵硬件，才能去买手机或 PC，也不需要等电信公司把宽带铺开，因为基础设施已经在那里了。所以 ChatGPT 才能一下子拿到 9 亿用户，因为本来就已经有 9 亿人在网上。Mark Andreessen 当年推出 Netscape 的时候，应该是 93 年或者 94 年吧，地球上只有 5,000 万到 1 亿台 PC。所以那时候不可能有 9 亿用户。但重点是，那时候他也不需要再等电话网络或者芯片了。再往前，你还得等电力，还得等大规模生产。所以你总是站在巨人的肩膀上，总是有一种复利效应。所以是的，这次会更快，但互联网当年也很快。另一个回答，也跟专业服务那点有关，就是你去跟 Twitter 上那些末日论者聊，他们会像在说：每家大公司明天都会买 ChatGPT，两个星期后就把所有员工都裁掉。这些人是蠢货。这只是“末日论者错了”的很多原因之一，但更深层的问题是，他们完全不理解世界是怎么运作的。正是从这里开始，他们后面什么都理解错了。你想想典型的大公司，企业软件销售周期，你比我更懂：企业软件销售周期运气好也要 18 个月。这本来就一直是个问题。企业销售周期比风投支持的初创公司融资周期还要长。更准确地说，是长得多。拿下一个企业订单，往往比你完成一轮投资人会议还要花更久。这个问题一直都在，尤其是在航空航天、医疗之类的行业更明显。所以我知道，SAP 不会一下子被拔掉，然后用 XYZ 替代。也许三年、五年、十年后，整个存量系统会看起来完全不同，所有这些工作也都会变。但这需要三年、四年、五年、十年的时间，而且会按行业一个一个地来，还需要人们慢慢搞明白，哦，原来这个事也能这么做。我最常想起的一家公司，是我们在 a16z 看过的 Frame.io，做视频剪辑、视频协作的。那里面没有任何东西，是你至少五年前，甚至十年前不能做出来的。其实这还是个不太好的例子，因为它依赖很多像前沿 Web 技术这样的东西。如果你随便找 10 家在 ChatGPT 发布前一天成立的 SaaS 公司，有多少家公司在过去 15 年里的任何时候都能成立？很多时候，延迟只不过是某个人意识到：哦，原来这个行业里存在这个问题；哦，原来可以用这种方式解决。那不是 Google Docs 出现后的第二天就发生的。人们花了 10 年、15 年、20 年，才把那些东西发明出来，才弄明白原来可以这么做。所以这一切的意思就是：是的，它会很快，但
Lenny Rachitsky：真正改变一家企业运作方式，还是会需要一段时间。你的观点让我很安心，因为基本上你是在说：这确实是个大事，但我们之前也经历过很多次转型，而且最后都会没事。 [00:23:17]
Benedict Evans：我在演示最后放了一张幻灯片，标题大概是：“这次会和其他一切都不一样，就像其他一切都一样。”下一张则是 50 年代 IBM 的一则广告，画面里一群白人穿着白衬衫和领带，举着板子。广告语和标题是 IBM electronic calculator。那时还不叫电脑，叫电子计算器。它大到像一台冰箱，广告说这相当于多了 150 个工程师。听播客的各位，你们公司有哪句口号，会直接说“我们给你 150 个额外工程师”吗？这不就是 Claude Code 的全部画面吗？150 个专家工程师，免费或者不免费吧，反正也要花不少钱。所以，是的，我们一次又一次经历同样的事。为了让这事更具体，我再举个例子：如果没有互联网，我们根本不可能做这件事。我的演示里有一页图，讲的是美国超市从 50 年代以来上架的商品数量。那页的意思是，条形码让超市可以库存更多东西，因为它们能跟踪商品。但要做那张图，我得先知道有个叫 Food Marketing Institute 的机构，还得知道他们每年都发布超市 SKU 数量的数据，还得知道这个机构从 50 年代就存在。如果我再往下挖，也许能把整条时间序列拼出来，做出一张完整图表。现在想象一下 1994 年做这件事。首先，你根本不知道有这回事。你得先找一间图书馆，确认他们有那份报告，而且报告里有那组数据。你一开始压根不知道有这东西。然后你还得找哪家图书馆有。你得打三天电话，花 50 美元长途费，去找有这些资料的图书馆。或者你打给 Food Marketing Institute，他们说，行啊，我们每份卖你 500 美元。然后你还得跑一趟，也许你住在纽约，或者某个有这资料的地方。两周后，你终于拿到图表，盯着它看。另一边，分析师的生活就是：你花一整天做图，看完之后说，哦，这图没什么意思。于是你花两周做完，最后又决定不用。对我来说，这事在 Google 里两个小时就搞定了。所以我们总是忘了互联网到底有多大。这话已经绕得很长了，但意思就是：我们忘了自己经历过多么巨大的变化，然后看不见它，因为那已经成了“世界本来就这样”。 [00:25:59]
Lenny Rachitsky：而这次可能真正不同的地方，补一句，就是它确实不一样。所有东西都会像上一次一样彻底改写。真正的差别当然是，通用人工智能 可能会出现，超智能也可能会出现；它可能做得到人类能做的很多事，真的替代掉工作。你怎么看这种变化里的那一层？ [00:26:22]
Benedict Evans：我不知道。这也是我写 AI 最困难的地方之一：至少在 2023 年、2024 年初，那些问题其实就是你在 2022 年 12 月就能问出来的问题。问题没怎么变，策略也没怎么变。我觉得 通用人工智能 这个问题也差不多。我们的观察是：我们根本没有关于“人类智能是什么”的理论，没有关于“这些模型为什么能这么好用”的理论，也没有关于“它们还能变多好”的理论。所以我们其实都是在凭感觉预测未来。然后你就会遇到那种凌晨两点磕嗨了的哲学系学生在那儿说，兄弟，这是不是意识？也许我们自己也不是有意识，只是以为自己有意识。很好，谢谢你。我今天能说的一点是：我们确实不知道。我们能猜，但并不知道它最后会走到哪儿。我觉得今天你可以说的一点是，术语正在不断被重新定义。我去年晚些时候的演示里引用过一位叫 Larry Tesla 的 AI 科学家说的一句话：AI 就是机器还做不到的东西，因为等机器能做了，人们就会说，那只是软件。你看，我时不时在社交媒体上投票问：机器学习还算 AI 吗？因为我确实听过人说：那不算 AI，那只是图像识别；那不算 AI，那只是情绪分析。AI 有点像“技术”这个词：如果它是新的，那它就是技术。可是在 60 年代，喷气客机是技术；今天喷气客机就不再被叫作技术了。所以 AI 就像一个移动目标，它就是刚刚开始真正起作用的那部分。现在你也能看到，人们开始把 通用人工智能 重新定义成“现在已经能用的东西”。那今天 通用人工智能 的定义是什么？它能完成一部分经济有价值的工作。那和“它有灵魂、它他妈是活的”完全不是一回事。因为数据库也能做到这一点。1975 年的一台 IBM 大型机，就已经能完成一部分原本由人做的、很有经济价值的工作。而后来发现，它做不了的别的事情还一大堆，而我们当时压根不知道那些事情存在。所以这里面有很多创造性的重新定义。至于 super intelligence，我倒不确定。super intelligence 比 通用人工智能 更强，还是更弱？去年我还觉得 super intelligence 是“很厉害，但还没那么强，还不算真正 通用人工智能”；现在又像是，哦不，我们已经有 通用人工智能 了，super intelligence 才是更难的那个。所有这些词到底是什么？我今天早上还在 Hacker News 上争这个。你还记得那类争论吧？虽然争这个通常不是好主意，但你总会想争。就像以前人们争 crypto 到底是 blockchain，还是 blockchain 到底是 crypto——这没有标准答案。关键是你得明白自己说的到底是什么，但这里没有唯一正确的答案。我们会不会走到某种具有人类水平智能的东西？我真不知道。我觉得我们没有任何办法回答这个问题，也许会，也许不会。你可以从两边都论证。但与此同时，我们已经有了这样一个东西，它显然是彻底变革性的。也许最关键的一点是：你甚至不需要相信模型明天还会继续变强。如果明天就撞墙了，如果这就是终点，这仍然是一项极其有用、并且会在接下来十年改变世界的技术。所以你根本不需要相信那些最夸张的说法，才有理由相信这是一件巨大的事。 [00:29:33]
Lenny Rachitsky：有件事已经很明确变了。我以前的老板 Mark Andreessen 上过我的播客，但那次我们其实没聊到这个，因为他是在开录前提起的，而我后来忘了问。他有个非常重要的判断：现在公司的机会空间大了太多。以前根本没有万亿市值公司，现在我们会有几十家万亿市值公司。公司能长到多大的天花板，在往上抬很多。
价值会流向哪里
Lenny Rachitsky：万亿市值公司。公司能长到多大，真的被抬高了很多，估值也会跟着抬升。他的意思是，很多人其实还没真正意识到公司现在能做到多大。像现在大家做到 1 亿 ARR，好像五六个月就到了。你怎么看？ [00:30:19]
Benedict Evans：对，这其实就是他 15 年前那个“软件正在吃掉世界”的论点，不管那时候具体是哪一年。TAM 会不断变大，因为你能覆盖经济里越来越大的部分。所以如果你想用经典的平台迁移框架来看：大型机，我记得峰值安装量大概是 7 万到 8 万台。这个词本身有点模糊，到底什么算大型机，什么时候又算两台大型机之类的，数量级大概就是这样。然后互联网起步的时候，地球上大概有 5,000 万到 1 亿台 PC。今天大概有十几亿台，1 到 1.5 亿？不对，应该是 10 亿到 15 亿台，但其中很多是企业设备。全球消费者 PC 大概有 7 亿到 8 亿台。全球手机大概有 55 亿到 60 亿部。所以你才会有 9 亿周活的 ChatGPT 用户。五年前还有一种叙事，说我们已经“没用户了”，下一波不可能再大一个数量级。这个判断在某种程度上没错，但模型是错的，因为现在发生的显然是朝另一个方向走：你是在向外扩张，自动化经济中的大片新领域。回到你说的工作问题，你当然可以说，我们就把所有人都换成 AI，所有钱都流向 Sam Altman，Mark 还能再给自己买一艘金船。我有个更合适的说法：这又回到了“劳动总量谬误”。过去 200 年里，每一种技术都先消灭一批工作，再创造一批新工作，再创造一批新价值，并让我们所有人都更富有。这个过程很痛苦，但它总会创造更多价值。所以在这里，你完全可以把电力行业拿来类比：电力最终变成了一切的一部分，软件也一直在慢慢向外扩散。对应的类比就是：先是工厂里的电力，然后电力慢慢扩散到别的地方。所以这个点还是一样：它会慢慢扩散，去做更多更多的事，带来越来越多的价值，对经济的贡献也越来越大。当然，它也会消失在各种东西里。我的演示里资本部分还有一个重点，是 Sam Altman 说过一句话：我们会像卖水、电一样按表卖 AI、卖智能。你看着这话就会想，我亲爱的孩子，你得先让我给你解释一下公用事业行业的边际成本结构。因为你看电视的时候，电视公司并不会按你月水电费的比例付钱给电力公司；你洗衣服的时候，博世也不会按洗衣机价格的一定比例付电费。很显然，现在更具体、更战术的问题是：最后我们到底会不会只剩三家巨型模型，还是会变成上百个模型、开源模型、本地模型等等？即使最后真的只剩三到十个、每年烧掉数千亿美元的巨型基础模型，好吧，那它们就真的拿走所有价值吗？我职业生涯一开始是电信分析师，所以我现在还会稍微关注这个行业。全球移动产业的年收入大概在 1 万亿美元左右，也许现在还多一点；每年的资本开支大概 2,000 亿美元。整个电信行业大概 3,000 亿，移动部分大概 2,000 亿，差不多是营收的 15% 到 20%。如果你看移动数据消费曲线，那就是一条完美的指数曲线，直线上升；我记得全球流量现在大概已经是 2010 年的 1500 到 2000 倍。可这些公司的股票 25 年来几乎没涨，因为它们卖的是一种低利润的商品化公用事业：它们在卖的是一种客观上非常惊人的全球技术基础设施，复杂度和精密度都极高，但所有酷东西都是别人做的，是听这个播客的人做的，是其他人做的。这正是电信公司曾经以为自己会把你在 iPhone 上做的所有事情都包圆的那个关键时刻。后来它们不但没做成，Apple 也没把这些事全做，而是都往上游跑了。于是现在基础模型最核心的问题就是：模型会不会把整件事都做完？你是不是只要去聊天框里，让它把整件事都干了？模型公司现在不断推出什么 Claude for X、Claude for Y 之类的产品，这在我看来，很像你在 Excel 里点 File -> New 时看到的那些模板。问题是，这些模板本身也都是价值十亿美元的公司。那么，如果不是这样，是否一切都必须变成 app，不管 app 这个词到底是什么意思？如果都得靠 app 来承载，那这些 app 由谁来做？总不可能全都由模型实验室自己做，就像过去这些东西也不是微软全做的一样。所以如果这些都是别的公司做的，模型公司会不会像 Windows 那样向上游拥有杠杆？还是说，它更像 AWS：如果你是工程公司或者律所，买一套软件，你根本不在乎它跑在哪家云上。你也不会因为软件都在 AWS 上，就把所有开发者都标准化到 AWS；反过来也不会，因为客户都在 AWS 上，就必须把自己标准化到 AWS。云不是这么运作的，Windows 才是这么运作的。所以我现在越来越觉得，如果聊天框不是 UX，必须靠 app 来承载，而模型公司又不会去自己做这些 app，而模型本身对用户来说又基本上是商品，那模型公司凭什么有定价权？难道所有价值不都该往上游跑吗？说白了，不就是三到六家公司在按边际成本卖一种商品吗？当然，那些偏分析师口吻的人会说，才不是，才不是，才不是，未来永远会有无限定价权。抱歉，我有点夸张了。但我觉得你必须分清楚：我们现在处在什么位置，价格体系有多么失衡，比如那个开源核心团队上个月花了 150 万美元买 token。那就像 2010 年有人交了一张 5 万美元的移动数据账单一样，只是暂时的。真正需要问的是，稳定态平衡点是什么？当这些曲线最终对齐后，我们不再看到这种怪异、失真的状态时，会发生什么？最后到底是有定价权，还是三四五家公司在卖几乎一样的东西？ [00:36:50]
Lenny Rachitsky：所以结论就是，价格会下去，利润率会被压缩，而价值会往上游跑。我现在特别想跟你介绍这一季的支持赞助商 Vanta。Vanta 帮助了超过 15,000 家公司，比如 Cursor、Ramp、Duolingo、Snowflake 和 Atlassian，去获得并向客户证明信任。借助 AI，团队比以往更快地构建和发布产品。但与此同时，进入你产品和业务的风险也达到了前所未有的高度。每一个和我聊过的安全负责人，都在感受保护组织、业务以及客户数据的压力越来越大。因为变化太快，他们总是在被动反应，不得不凭猜测排优先级，还得继续用过时的解决方案。Vanta 可以用 35 多个安全和隐私框架来自动化合规与风险管理，包括 SOC 2、ISO 27001 和 HIPAA。这帮助公司快速合规，并持续保持合规。比以往任何时候都更重要的是，信任有能力决定你的业务是成功还是失败。去 vanta.com/lenny 了解更多。作为本播客听众，你还能获得 1000 美元的 Vanta 折扣，网址还是 vanta.com/lenny。这里一个很有意思的结论是，你的判断是，随着时间推移，基础模型公司，包括 Anthropic、OpenAI 以及其他公司，它们的利润率都会被挤压，不会像今天这么成功了。 [00:38:21]
Benedict Evans：而更大的机会在应用层，在那些建立在模型之上的人，也就是 wrappers。对，我的论点其实非常确定：模型公司最关键的一点是，我说过，它们看起来并没有网络外部性。所以不存在一种赢家通吃效应，能让某一家一路把其他人甩开。那就意味着竞争会长期存在。如果竞争会长期存在，而且产品本身并没有那种极端的差异化，那你凭什么有定价权？与此同时，如果你需要成千上万个彼此不同、由不同人构建的应用，那这些应用不可能全都由模型公司自己做出来。所以最后它更像云，而不像 Windows。当然，这个判断也可能完全错了。我的演示里有一个点就是：想象你在 1997 年讨论互联网，会答对多少？或者想象你在 2000 年讨论移动互联网。你会漏掉几乎所有东西。你大概会说，一家已经没落的 PC 公司来自 Cupertino 会赢下整个战场。根本没人会这么说。还有一家搜索公司，logo 还怪里怪气的。搜索和移动有什么关系？算了吧，你就是个傻子。所以，我们应该默认自己并不知道。但那些东西毕竟只是基础构件。问题是，为什么它们会有定价权？我不知道。我刚做分析师那会儿，大概 1999 年，我们去看过英国一家 .com 公司，它想在网上卖电脑配件。它们有整套商业模式、整套故事、品牌、全套包装。我们去看完，在回伯明翰的火车上，有位叫 David Tate 的资深银行家和我们坐在一起。他说，这就是个低毛利转售商，还是一次性销售。你爱怎么说 .com 都行，它本质上就是低毛利转售商。我觉得这才是问题的核心：这些公司本质上是没有差异化的商品型基础设施提供商。当然，这里面有很多科学，但移动行业里也有很多科学啊。比如平板屏幕领域拿过诺奖吧？可它们还是低利润商品。我很期待事实证明我是错的，但就现在看，它们就是这样。这很棒。
Lenny Rachitsky：所以我知道你不是投资人。我也知道你在 a16z 时其实并不真的做投资，虽然你在 a16z 工作。合伙人。合伙人。就是坐着高谈阔论。合伙人。那如果换成你，现在会有哪几家公司值得你投？ [00:40:50]
Benedict Evans：如果现在有几家公司值得你投，或者至少某些类别值得你投，你会怎么想？我前面简单提过，我确实做过分析师。我是卖方股票分析师。说实话，我不是个很好的卖方分析师，一方面是我不太想和客户打交道，另一方面是我对股价也不感兴趣，这听起来就像不适合做股票分析师。做对和做早之间有很大差别，选对公司和选对价格之间也有很大差别。现在，如果从纯逻辑上看市场，你可以说，嗯，就像那个智商曲线的梗，50 分和 200 分的人都在说，Jeff Bezos 很聪明，我买它。你当然可以把这事想得过度复杂一些。你也可以看 Google、Apple、Facebook、Amazon，说真的，很难看出它们在这一波里会出什么大问题。当然，你能看出它们每一家都有问题。但记得移动互联网发生了什么很重要。互联网是一个很大、很明显的平台迁移。移动互联网有趣的地方在于，有些公司完全错过了它，而且对有些公司来说，它真的什么都没改变。Google 就是如此，它没什么变化。Meta 则完全赚到了：这比在 PC 上做社交强太多了。你手里一直有相机、通知，它又一直在你手机上。Amazon 呢？这能改变什么？其实什么也没变。当然，我这里讲得非常简化，但重点是：与此同时，Yahoo Mail 没能跳过去。那些本来就在衰退的公司，也没能跳过去。比如 eBay，具体名字当然可以争论。关键是，我们经历了那次迁移，但它并没有改变半个行业，只改变了半个互联网行业。所以我觉得这里也可以提出一点类似的判断。这也是 Steven Sinofsky，当年管 Windows 的那位，一直会说的一句话： incumbents 总是想把新东西做成一个 feature。 [00:42:51]
Lenny Rachitsky：有时候他们是对的。有时候它就是一个 feature。顺着这个方向，我还想听听你对另一个问题的看法。最近有很多受访者都在聊同一个主题：分发正在变成越来越大的护城河。因为软件越来越容易做，大家都在发产品，大家都在抢注意力，竞争越来越难。争注意力这件事本来就难，但现在市场噪音简直是指数级上升。对我来说，这说明分发正在变成越来越值钱的一种能力和资产。也说明 incumbents 会更容易赢，因为它们已经有分发了，而初创公司要从零突破会难得多。 [00:43:21]
Benedict Evans：对，这里其实有个版本，和 Drake 那个表情包很像，就是“我不喜欢这个，我喜欢那个”。我不喜欢看到 GPT wrappers；我喜欢 harnesses。所以，是的，我在演示里专门花了些时间讲这个，我在去年底就开始讲：如果产品是一种商品，那分发才是关键。我今年早些时候还写过一篇关于 SatGPT 的文章，也就是 OpenAI 到底该怎么竞争。这里有个很自然的类比，很多人都提到过，那就是网页浏览器。不过我觉得这里要区分两件事：浏览器这个产品本身，和浏览器的渲染引擎。渲染引擎可以好一点或差一点，但浏览器产品本身，其实只是渲染引擎外面一层很薄的壳。它就是一个输入框和一个输出框，还能有什么别的？浏览器设计上最后一次真正的创新是什么？标签页浏览，已经是 20 年、25 年前的事了。因为每隔一阵子，总有人想在浏览器设计上创新一下，但从来不成功，因为你已经找到了那个柏拉图式的理想形态。就像我想在智能手机设计上创新一样——你知道，它就是一块玻璃矩形，那里没什么可做的。于是发生的事当然是，微软靠分发切了进去，打进了市场。然后，当然，抛开官司不谈，真正的问题是：赢下浏览器其实并不重要，因为价值在更上游。所以微软就算在浏览器上赢了五年、六年，也没得到任何东西，根本无关紧要。所以现在显然在发生的事，是 Google 正在用分发去推动 Gemini。Gemini 和 Torch 有什么区别？如果你整天都在用这些东西，你当然知道。但对普通人来说，根本没区别。 [00:45:07]
分发和默认项决定胜负
Benedict Evans：对普通人来说，确实没有区别。Meta 也是一样。你看人们用哪些 LLM 的调查数据，就会发现，即便在那个新东西、Llama 那个东西出来之前，Meta 就已经排在 ChatGPT 和 Gemini 中间了。科技圈里的人早就把它彻底看扁了，但其实它已经铺到了所有地方。它没有那么差，完全够用。所以，当产品已经大体上成了商品，而品牌和分发也都趋于商品化时，分发一个足够好的产品就会变成大事。你可以从 OpenAI 去年的策略里看得很清楚。那时候大家称之为“everything everywhere all at once”——也就是昨天版本的一切都铺开。于是他们就在不停尝试，想搞清楚自己到底怎么才能形成那个飞轮：怎么拿到分发？怎么做出黏性？怎么做出能留住用户的东西？所以你就把 Google、Meta、Amazon 这些默认项全铺开，让所有人都用上，然后惯性和默认的力量就会起来。那为什么要换？显然，Meta 和 Apple 是最后一个重要变化点。那其实是一个有点奇怪的最初设想。现在又冒出一个更离谱的说法，说 OpenAI 想起诉 Apple。祝他们好运吧。关于 Apple 这件事最有意思的地方，先别跑题，我看过 2024 年 WWDC 的视频，那一半后程全是 Apple Intelligence。那大概是我见过的，关于个人 AI 助手最有说服力的愿景，至今还是最有说服力的。然后他们没能发出来，但别人也都没发出来。你再看一遍会发现，你实际上想要的是一种工具型、能调用工具、设备端的 agentic AI，没有 prompt injection，没有 hallucination，而且 10,000 个 app 之间有一套完全标准化的 API 系统，所有调用都能完美工作。听起来当然很好，但他们没做出来，我并不意外，因为别人也没人做出来。不过那个愿景本身很棒。我真的很想看看一个月后的 WWDC 会怎样，他们到底会不会真的把那东西发出来，靠的还是 Gemini？不过这也引出另一个点：Android 上会有我们姑且叫 Gemini intelligence 的东西，iOS 上则会有 Apple intelligence，而它背后其实是 Gemini，但产品并不会是一套。模型就像底下那个“笨东西”，是那个驱动功能的底层。换句话说，模型是一种商品，它只是支撑了不同的功能决策和不同的分发。而在这种情况下，Apple 手上有十亿台可以在边缘侧跑这些东西的设备。Google 那边则有个很妙的营销口号：即将上线到我们最强大的设备上。意思就是，它不会在大多数 Android 上运行。所以问题又回到了分发。很有意思。Google 说他们下周就做 iOS，我们看看他们会发什么。哦不，他们上周发的是 Android。这就说明我们今天已经多么不关注 Android 和 iPhone 了。Google 上周大张旗鼓搞了一场活动，他们在用 Google Books 替换 Chromebooks。他们还推出了一个由 Gemini 驱动的 Android intelligence，只会慢慢推给那五个买了 Pixel 手机的人，除非你是在 Google 工作。
Lenny Rachitsky：我想换个方向聊聊。我很好奇你有没有在关注那个反 AI 情绪，它看起来越来越强了。你看那些民调，AI 的受欢迎程度甚至比 ICE 还低。人们正在试图阻止数据中心建设。我觉得 Eric Schmidt 刚做了一场毕业演讲，结果每次提到 AI，台下都在嘘他。你觉得这里到底发生了什么？你觉得这会往哪儿走？ [00:48:28]
Benedict Evans：这事挺有意思的。我觉得它是一大团非常混杂、很模糊的东西。这里面有一些很具体、很真实的东西，比如我的电费涨了——这在客观上其实只发生在很少数地方，但它确实发生了。而这就是个问题。至于用水那件事，就很奇怪，因为它基本上是假的，不过我还是得解释一下我是什么意思。数据中心会用水来散热，但大多数都是闭环的；而美国数据中心的总用水量，相对于全美国总用水来说非常小。我真去 Livermore Lab 翻过这个问题，他们在 2024 年底做了一项研究，估算美国数据中心的用水量，结果是大约占美国总用水量的 0.017%。当然，如果你住在一个小镇上，只有一口井，然后他们把井封了，把所有水都给了数据中心，那你当然会很火大，但那是规划问题，不是数据中心本身的问题。总体上来说，数据中心大概占美国能源的 5%，未来五年可能每年再多 1 个百分点，但用水那部分基本就是胡扯。然后你就会进入更具体的问题：它到底有没有抢工作？你可以去看一堆三个小时的播客，让经济学家互相讨论，而主流答案其实是：我们现在真的还不知道。你会看到一堆图看起来像是在说“是”，也会看到一堆图看起来像是在说“不是”。18 到 24 岁人群的就业确实在放缓，但这对有学位和没学位的人都一样，对看起来像会被 AI 影响的行业和不像会被 AI 影响的行业也都一样。所以围绕这件事，经济计量学上的争论很多。而且这里有个边界点：我们关于 AI 的数据其实非常少，几乎谁都没有。模型实验室什么都不告诉我们，它们不会提供任何有意义的使用数据；它们给你的只有那种奇怪的研究，告诉你人们用这个干了什么那个干了什么，但它们不给我们日活用户数。我们没有 ChatGPT 的日活数据，太离谱了。所有数据都来自学术经济学家，他们试图从 BLS 调查里倒推；或者来自咨询公司和营销机构，花大价钱调查 20,000 人，问你们都在拿这东西干什么。我们根本没有关于它到底发生了什么、到底有多少人在认真使用它的好数据。至于就业问题，很多人都在翻美国人口普查局收集的各类数据，想看看能不能看出点什么，能不能看到生产率之类的东西。我的判断是：目前还没有明确共识，说明我们已经看到 AI 对就业产生了影响。但政治上这根本无所谓。比如如果你是学生，找不到工作，那显然就是个问题，不管原因是 AI 还是 Trump 和关税，那又是另一个问题。然后还有一些很小众但很具体的场景，比如给青少年浪漫小说画封面的画师，现在很愤怒，因为你现在可以免费生成一张裸体女人趴在龙背上飞过火山的图。我先说清楚，我是在刻意说得有点刻薄，但这里面确实有一点……尤其是小说家、写电子书的人，他们之间有一场很大的文化战争，争论到底能不能用 AI。现在还有一个所谓的 AI slop 问题。你也看到了，有人说新播客里有 30%、40% 都是 AI 生成的。所以这里是一大团很模糊的问题。某些部分我觉得有点像我们当年对社交媒体的反弹，只是这次压缩得更快。社交媒体那轮反弹里，有些东西是真的，有些其实只是“有点真”，有些根本不真。你总会拿 Facebook 卖你的数据这个说法来举例：A，它不是真的；B，那些相信它的人会非常坚定地说，这当然是真的，你居然怀疑这一点简直疯了。就像 Jonathan Swift 那句老话：你没法把一个人从某个他并不是靠理性形成的观点里劝出来。所以这里就出现了一大堆很宽的、很散的观点，和社交媒体那轮很像。大概有二十种不同的东西，其中一部分是真的，一部分根本不是真的，还有很多介于中间，糊成一团。所有这些都意味着，与此同时，Trump 说他想要针对危险模型出一道新的行政令，而我其实不觉得这才是引发反弹的根源。担心什么 myth 或 cyber，我不觉得那是美国普通人会在客厅里聊的话题。但就是这件事，又把 Trump 拉回到这个领域里了。
Lenny Rachitsky：让我换个稍微发散一点的问题。我很喜欢问那些有孩子的受访者，尤其是那些对未来想得很深的人。既然你这么清楚地看到世界会往哪儿走，AI 会怎么改变未来，那你在教育孩子这件事上，做了哪些不同的调整？你在教他们什么不一样的东西，也许能让他们将来更有准备？ [00:53:31]
Benedict Evans：我觉得这里得分年龄看。如果你的孩子一两年内就要进入劳动力市场，那一切都还是悬着的，没人知道会怎么运转。如果你的孩子是五年后才进劳动力市场，那谁知道呢，不过那时候很多东西大概已经稳定下来，只是方式可能完全不可预测。所以如果我有一个 21 岁的孩子，我可能会更担心；但我没有，我家孩子还在十几岁早期，所以情况不一样。这些问题都不一样。然后还有很多问题，是在 ChatGPT 之前就已经存在的：比如 gatekeeper 的崩塌、比如你到底该不该相信 TikTok 上那个网红说的话、比如你到底是从哪里理解以色列那边发生了什么。这些都是社交媒体、互联网、媒体消费层面的问题。我不认识那些对孩子的每一分钟都特别有规划的人，我自己也不是。我基本上记得乔治·卡林那句：开车比你快的人都是疯子，开车比你慢的人都是傻子。这个逻辑也适用于育儿。所以我觉得大家都觉得自己是中间那个，但我并没有一个非常系统、广泛而且连贯的计划，来规划我孩子接下来三个月、六个月、十二个月、十八个月会做什么。 [00:54:58]
Lenny Rachitsky：我只希望他别再把自己的 《Crime and Punishment》 搞坏就行了。我喜欢你这种总体上的感觉：一切都会没事。 [00:55:04]
Benedict Evans：是啊，感觉就是“伙计们，会没事的”。我不知道，这也许是因为我是英国人，我们 500 年来都没经历过政治暴力；如果我是伊朗人，我可能对未来会有不同的平静态度。我觉得有一层判断是：是的，这会改变很多东西，我们也确实得担心。但这种担心本来就是常态。我们一直都这样。记得社交媒体那轮恐慌里，我翻出过一堆 70 年代末关于数据库的书。那时候也有一轮关于数据库的恐慌。里面有一半是真的。比如，如果所有警察记录和逮捕记录、所有政府记录都上网了，那当然不一样。你再想想深度伪造裸体图这个问题，会发现一种很蠢的反应就是：你没听说过 Photoshop 吗？这话虽然也对，但一个 15 岁小孩没法用 Photoshop 做出全校每个女生的重口味色情裸照，然后一下午发给全校，还能直接做成视频——以前做不到，现在可以了。所以这确实不一样。它有点像社交那种挑战。90 年代人们会说，太好了，你可以是村里唯一的同性恋小孩，也可以找到别的同性恋者，找到自己的群体。结果后来你会发现，你也可以是村里唯一的纳粹，唯一的恋童癖，或者唯一想看儿童色情的人。然后你真的可以找到那些也喜欢看儿童色情的人，他们还会告诉你这很棒。于是我们把所有人都连起来了，不幸的是，也把所有坏人、我们最糟糕的本能，以及社会里的每个问题都连起来了。AI 也会再来一遍。我们现在能看到的 obvious thing，就是 deepfake news 之类的东西会越来越多。但还有一件事，技术受众应该知道：你听说过英国的邮局丑闻吗？没有？那我简单岔开讲一下。在英国，邮局大多是连锁加盟，由小生意人经营，通常是药房那类，很多是印度移民或者二代印度裔。大概 15 年前，邮局上线了一个新的收银/前台系统，后面那个柜台就是邮局系统。结果这个 Fujitsu 做的新系统有 bug，导致账面出现短缺。邮局一看，说，啊哈，我们早知道这些人在偷钱。结果几百人被判刑，一堆人自杀，一堆人破产，很多人失去了房子。与此同时，邮局的人和 Fujitsu 的人还在法庭上发誓，说系统里没有 bug，别人也没遇到这个问题。这就是 70 年代的技术。真正的重点是：每一波技术都会带来一种毁掉别人生活的方式，不管是故意的还是无意的。中国那种大规模监控就是故意的。也许该有人坐牢，也许不该。但我们每一种技术都这样：都有一堆方法可以毁掉别人的生活，所以你必须意识到这一点，同时也不要因此恐慌。
Lenny Rachitsky：也许顺着这条线，回到孩子和工作的问题：有没有哪个工作是你在有意把孩子往外推的？又有没有哪个工作是你觉得应该把他往那边带一点的？ [00:58:42]
Benedict Evans：这个我真说不好。现在可能还太早，他还没到那种“我长大想当消防员”的阶段。不过是的，如果我看我自己的职业轨迹，我是先做股票分析师，然后去产业里工作，之后又做顾问。那个你大概知道自己职业会怎么走的年代，已经过去了。当然，还是有些人会说，我要当建筑师，我要当软件工程师，我就要做 X 或 Y。但我觉得，我唯一能想到的那种思路是：你会慢慢搞明白，你有哪些技能，有哪些工作会让你更擅长这些技能，又有哪些事情别人愿意为你买单。你希望这三样里至少能占两样，最好三样都占。好，稍微跳出来一点，我问你个 meta 问题。
Lenny Rachitsky：你觉得现在几乎没人问、或者问得还不够多、但我们应该问自己的一个 AI 问题是什么？ [00:59:31]
Benedict Evans：当然。我们刚刚聊了价值捕获，显然这整个问题都有人在问。我不确定有多少人在问模型实验室到底有没有定价权。我觉得很多人只是默认，今天的情况会继续，或者默认它们当然会有。所以这可能是一个问得还不够多的问题。我演示最后提出的那个问题，我们前面也聊过，就是：什么是任务，什么是工作？到底是什么东西会变成一个按钮，或者变成一坨“goo”，而人们实际雇你来做的又是什么？我觉得这个思考方式挺有用的。 [01:00:06]
反弹、就业与极端不确定性
Benedict Evans：显然，有些工作确实只是任务，那些工作就会被量化地削掉；但还有很多工作，这根本不是问题的关键。我在演示最后放的图，是全球录制音乐收入的曲线，你可能知道，这大致是一条 U 型曲线。它从 2000 年到 2015 年左右大约跌了一半，然后在此后又回到了峰值的 75% 左右，按通胀调整后。我的看法是，这背后是流媒体驱动的。我看着这张图想，曲线前半段说的是：如果我不用花 15 美元去买一张 CD 才能得到那首歌，会发生什么？而后半段说的是：如果每月 15 美元就能听到所有音乐，会发生什么？所以这其实是完全不同的问题。你也可以用同样的方法看 Uber，看 Airbnb，看所有这类公司。最开始，你只是把旧事做得更多一点；每来一种新技术，你都是把旧事搬到新地方上做得更多一点。所以你先把 Flickr 搬到手机上，先把邮件打印出来，然后再做出一些只有新技术才可能实现的新东西。接着，也许你再往前走一步，彻底重新定义问题，做出一个完全不同的东西。Spotify 不是一个在线音乐商店，它是别的东西。现在的问题是，你往往只有在问题被问出来、并且你已经做出一个十亿美元级、很多人都在用的产品之后，才知道自己当初到底问对了什么。因为显然，Spotify 当年看上去很疯狂，做它的人看起来也很疯狂，所有人都觉得他们很疯。但我认为，真正理解这件事的方式，是你必须超越“我们把旧事做得更多”这个阶段，走到：因为有了这个，你做了什么不一样的事？这到底改变了什么？以前不能做的事，现在能做了什么？ [01:01:51]
Lenny Rachitsky：也就是说，不只是把老东西做得更多，而是到底解锁了什么。是啊。顺着你这个大主题，你一直在说：我们并不知道会发生什么，这次前所未有。几年前吧，三年、四年前，如果让你猜最后一个会被自动化的职业，你大概会说工程和编码，因为那看起来是最难的事。 [01:02:18]
Benedict Evans：那时候的想法就是，我们需要有人来把这些东西做出来。可现在，它反而成了被改变最彻底的角色之一。你从“所有代码都自己写”，变成“0% 的代码是 AI 写的”？这就像你根本没意识到，那其实是枯燥的体力活，只是你误以为它不是。挺有意思的。其实我把这事整体看下来，会想到一个美国政府的数据集，好像叫 own edge 之类的东西，它试图分析每一个职业，然后大家再给它打分，试图说，嗯，这个职业现在有 X% 或 Y% 暴露在 AI 之下，AI 今天能做其中 Z% 的工作。我觉得这整套东西简直是一堆荒唐透顶的胡扯。原因有两个。第一，它本质上是个逻辑系统问题，也就是专家系统问题。专家系统的问题是什么呢？如果你不熟悉的话，想象你在试图识别一张猫的照片，然后开始堆逻辑步骤：先做一个耳朵检测器，再做一个第三层检测器，再做一个眼睛检测器，再做一个耳朵检测器，15 年后你已经有 700 个步骤了，系统还是跑不通。你拿一个职业去拆，试图按哪些部分能自动化、哪些不能自动化来分解，问题就是这样。你根本没法把一个职业这么描述，至少我们不能。你不能看着律所的高级合伙人说，哦，他们 17% 的工作能自动化。胡扯，你做不到。我觉得这个谬误的另一面，是拿出租车司机来举例。假设我们在 1997 年讨论这件事，这就像 Uber 测试。假设我们真的在 1997 年，互联网会首先摧毁什么？报纸会没事，因为它们能省下印刷费。这个说法有点像笑话，但当年真有人这么说：互联网对报纸有好处，因为它们的印刷成本会下降。对，没错，但也不对。反过来，有人又会说，出租车司机显然没法被互联网自动化，因为那和互联网没关系。也许你能做网络订车，但这不会改变任何事。可结果当然是，它彻底改变了整个行业。所以我前几天看到的一个例子就是：那些“不会受 AI 影响”的工作，包括私人教练。好，我把 iPhone 立在金属支架上，镜头对着我，然后让 AI 给我设计一个训练计划，盯着我看，告诉我动作对不对。那我为什么还需要私人教练？当然，这也许完全是胡扯，但这些事情就是这么发生的。你想不到的东西，往往就是会被暴露的东西。你没法事先预测到底哪一项会被波及。很多大公司最后真正被影响的，往往都是那些一开始看起来“完全不会被碰”的东西。反过来，这也是我演示最后一张图之一：拿 Uber 和 Airbnb 做对比。因为 Mark 和 Reeson 有个经典说法：Uber 不是卖软件给出租车公司，Airbnb 也不是卖软件给酒店。好，现在我们看市场影响。Uber 在一大堆城市里把出租车业务碾碎了，而且还把市场做大了。TAM 变大了，大家也都换了。Airbnb 对酒店的影响，如果你真去看数据，其实相当有限。它们切出来的是另一个业务，最多让酒店增长慢了一点。但你看我太太下周飞去 Milwaukee，晚上 8 点落地，她想住酒店，要 room service，要浴缸，要早上 6 点的健身房，然后早上 7 点去客户现场。她绝对不会住 Airbnb，绝对不可能。酒店业务里有一半是商务差旅。而你一旦真的进入任何一个具体行业，事情就会复杂得多。我记得社交媒体上有人说，Benedict 的问题就是他对什么都说“it depends”。没错，确实如此。它就是要看情况。所以，回到我 1997 年那个观点：你可以这样说，但你得有谦逊。
Lenny Rachitsky：但你得有那种谦逊。对，我又回到你常用的那个词：预设极端不确定性。我觉得这正好就是这里的核心命题。所以，知道这些之后，确实很难判断。我们并不知道它最后到底会去哪儿。事情会大幅改变，但大体上应该还是会没事。只是很多听众真的很担心自己的工作和职业，担心世界会变成什么样。你会建议他们做哪几件事，才能在这个未来里更成功？ [01:06:50]
Benedict Evans：我得先回头说一句。就像凯恩斯说的，长期来看，我们都死了。平均意义上说，一战里没人死，当然很好；但如果你是 1914 年一个 19 岁的人，你有三分之一的概率回不来。所以是的，很明显，有一批职业现在面临的是重大问题。尤其如果你是 associate，或者你本来正准备去做 associate，这就是个大问题。而且这些职业最后会怎么演化，现在完全说不清楚。专业服务的金字塔结构最后会变成什么样，也说不清楚。我唯一能给出的答案就是：别把头埋进沙子里，说我讨厌这一切。因为那会让你感觉自己道德优越。你还可以去 Blue Sky 上对着所有人、对着彼此喊 AI 有多邪恶。很好，我替你高兴。但这帮不上忙。真正有用的是，你彻底跳进去，完全泡在里面，然后弄明白你能拿它做什么，这会怎样改变事情，你怎样才能成为一个优秀的候选人。即便这样也不一定有用。但如果你去律所面试，而他们说，去年我们招了 100 个 associate，今年只招 50 个，你在面试里说“我觉得 AI 是狗屎，我永远不会用它”，那大概率不是个好主意。所以这不一定让人舒服，但我不认为还有别的办法。你必须跳进去，把它吸收掉，内化掉。 [01:08:23]
Lenny Rachitsky：然后去思考它到底意味着什么，就像你和我当年面对移动互联网和互联网时做的那样。我觉得这其实是播客里非常可操作、而且很一致的一条建议：就是去做，去造，别只是坐在那里夸夸其谈、对发生的事生气。收个尾，我带你进入一个固定环节：AI Corner。问题很简单，你在工作或生活里用 AI 的一个有趣方式是什么？一种其他人也许会受启发的方式？ [01:09:02]
Benedict Evans：我不知道。我在这个问题上总是很挣扎，因为我有点像在看 ChatGPT 的律师。对我来说，最想自动化的那些东西，恰好就是精准信息检索，而这正是它现在最不擅长的东西。当然，这不是批评，只是观察。我希望机器帮我干的那些活，恰恰是 AI 现在还没法非常非常非常好地帮我干的。我会用它校对。我会用它处理图片。我还用它重新布置过我的公寓，效果特别好。你只要说，给你一张这个房间在这种光线下、配这张桌子和这块地毯重新刷漆后的照片，不要改地毯颜色。它在这类事情上确实有用。不过几年前有人说过一句话：AI 擅长做计算机不擅长的事，也不擅长做计算机擅长的事。我很难找到很多我真正需要它的场景，但我本身就是个很独特、很怪的工作：我整天坐在办公桌前，试图把一堆外部信息综合成一堆新想法。这对大多数人来说并不是典型的工作方式。所以我很难找到 AI 的用例。我就像那个看着电子表格、心想“哇，这太神奇了，这显然会彻底改变一切”的会计。但我其实并不是每天都在做电子表格。
Lenny Rachitsky：但我并不是每天都做表格。我前阵子和 Pete Holmes 一起去看了一场单口喜剧，我不知道你认不认识他。他开了个玩笑，说我们希望 AI 去清理街上的粪便，去做那些没人想做的苦活。结果现在它却在说，来，我帮你写，来，我帮你做图像。这就很 bohemian，我不想做这些脏活，我想创造、想做艺术。 [01:10:36]
Benedict Evans：对啊，丑活我想让 AI 干，我想做的是有趣的、创意的、我自己喜欢做的事，而不是那些无聊的事。找到那个重叠区域才是关键。说到底，这又回到我前面说的 chatbot 问题：聊天框就是一块空白屏幕，边缘还很锯齿，我到底该拿它干什么？什么才会真的有用？这就是大问题。解决这个问题的方法，就是把它包装进具体用例里。另一部分也在于，AI 会逐渐消失掉——它慢慢就不见了。比如我现在大部分写作都是口述：我先录一个语音备忘录，然后它自动转成文字。那这还算 AI 吗？还是只是语音识别？大概里面还是有个 LLM。那也许算 AI。可有时候它就只是自动化而已。那你用什么做语音转写？我其实发现 Apple Notes，或者 iPhone 自带的那个功能就很好用。我知道大家会想用别的工具，但说真的，我就是对着它说，然后它就成了。
Lenny Rachitsky：它好用，所以我就满意了。好，最后一个正式问题，然后我们进入一个很激动人心的闪电问答：你还有什么想分享的吗？还有什么想留给听众的吗？ [01:11:48]
Benedict Evans：我觉得没有。我已经讲了很多，也把一大堆东西都讲进 deck 里了。去看那份 deck，再订阅我的 newsletter，你就会收到更多 Benedict Evans 的智慧，里面有些也许真有用。有人退订我的 newsletter，还给我留言说，你没有给我任何可操作的股票建议。我当时想，嗯，从一个层面看，这话完全没错；从另一个层面看，也许不一定。好吧，Benedict，我们已经来到非常激动人心的闪电问答环节了。我有五个问题要问你。
Lenny Rachitsky：准备好了吗？当然。第一个问题，你会最常推荐给别人的两三本书是什么？这对我来说挺难的，因为我读了太多书，然后又记不清自己读过哪些。 [01:12:28]
Benedict Evans：我经常开玩笑说，19 世纪末那部英国经典喜剧《Three Men in a Boat》，简直就是我的易经。比如我们在挂一幅画，嗯，这书里有一章。我们在处理某件事，哦，这里有个故事，而且所有故事都很好笑。所以《Three Men in a Boat》就是我的易经。还有一本我觉得应该是 William Cronin 写的芝加哥经济史，特别有意思，而且和技术非常相关，因为它讲的是标准化、包装、物流、渠道冲突、网络动态和网络中立。比如芝加哥的肉类加工商最后发现，把牛从纽约运到芝加哥，在芝加哥宰杀、包装，再运回纽约，比直接在纽约宰杀还便宜。还有冷藏车的定价。读起来就像在读 Borbent，一切其实都是同一类商业问题，特别有意思。还有什么我读过的？我不知道。多读书。多读不同的书。一般最好读点“成年人会读的书”。如果你要给公司取名，请至少别只读《魔戒》系列。你看我这话是认真的。最近最离谱的是，像 Peter Thiel 相关的那些公司名字。我当时就想，拜托，换本书读吧。
Lenny Rachitsky：世界上不只这一本文学作品。世界上真的不只一本书，尤其是科幻更不止这一本。多看看别的东西，多看看你不熟悉的东西。顺着这个思路，你最近有没有特别喜欢的一部电影或电视剧？ [01:13:57]
Benedict Evans：我已经严重脱离现在的媒体潮流了。我大部分时间都在看经典片，也就是那些你本来应该看过、但总觉得很吓人的作品。然后你一看，哇，原来真不错。我最近看了《第七封印》，那就是那种让人觉得又吓人又无聊的老电影，但它其实非常棒，非常有意思，而且也就一个小时左右。所以你们去看那些你本来应该看过、但一直没看的电影吧。
Lenny Rachitsky：最近你最喜欢的新发现产品是什么？可以是小玩意，也可以是 app。我这周早些时候在给一家公司做合伙人会议发言。今天星期一吗？哦，不对，是上周。我见到了那家公司的创始人，那家公司背后有个很有名的网络。公司的 CEO 也有个很有名的名字。我看了他的鞋，没说什么，结果半小时后去 Google 了一下，嗯，好吧，我可以买一双。你愿意说品牌吗，还是保密？ [01:14:51]
Benedict Evans：好吧，保密。我觉得新产品总是一波一波来的，你会进入新东西的浪潮里。可上一次有酷 app 是什么时候？iPhone app 那会儿，所有的空白地带都被填满了。
Benedict 平时怎么用 AI
Benedict Evans：说到底，这跟产品周期、平台周期都有关。所有留白的地方都被酷的新 app 占满了，而我们还没有真正出现突破性的 AI 消费级应用。我觉得这主要是边际成本的问题，而不只是别的什么。你没法做到免费，然后拿到 5,000 万用户，再靠它建立营收模型。但我们现在还没有那种突破性的东西，至少在消费端没有。对，消费端没有。我最近老是看到语音录音器的广告。就是有人在卖那种名片大小的硬件录音器。但说真的，我没搞懂。我手机上就有录音器啊。 [01:15:40]
Lenny Rachitsky：是啊，接下来还有很多酷东西会出来。好，再问两个问题：你有没有一个经常在工作或生活里回想起的座右铭？我猜我前面已经提过了，你是不是大部分时候都在说 it depends？看来这大概会成为标题。也许就是“最后大概率都会没事”。 最后一个问题，我在某处看到你有很多老手机。这是真的吗？ [01:16:11]
Benedict Evans：是的。我以前做过电信和移动分析，所以我一度把所有手机都留着。现在它们都不太有意思了。不过你可能还记得，在 iPhone 之前，尤其是在美国以外，手机外形曾经有过一段非常强的创意爆发期，因为大家基本上都是围绕一个小小的灰色方块在做创新。于是每个人都想和别的东西区分开来，直到这个形态最后基本定型。其实这有点像汽车，像是没有街道规范、没有风洞之前的汽车。那时候每辆车看起来都不一样，大家都在围绕同样的四个轮子、同样的发动机做创新，试图靠外形来区分；然后一切又收敛成一种形态。手机也是一样。iPhone 之前，人们会以为会有很多不同的形状和尺寸：有人会用小型掌上电脑，有人会用键盘机，有人会用翻盖机，大家对它长什么样有各种想法。但我们当时没意识到，最后会全部收敛到一台设备上。
Lenny Rachitsky：Benedict，这期太棒了。我学到了很多，聊完之后感觉更踏实了。最后两个问题。 大家可以在哪里线上找到你？在哪里看这份演示？听众又怎样才能对你最有帮助？如果你会 Google 我，那就行了，我一直说我爸妈的 SEO 做得很好。去搜 Benedict Evans 就行。 [01:18:16]
Benedict Evans：我有一个网站，我做过的所有演示都放在那里，我的 newsletter 也会每周更新。至于怎样对我有帮助？我一直在努力理解事情，也一直在努力问不同的问题。科技圈最糟糕的事，就是老是反复聊同样的话题。你真的理解了一件事，通常就意味着你得继续往前推，去看别的东西。所以我总是在想：我是不是又在一遍遍说同一件事？比如去年我花了太多时间在说，模型还是会幻觉，别再告诉我它们不会幻觉了，它们会，它们还是会幻觉。你再往前推一点、换个问题，还是会得到“不是这样”的回答，但这不代表它们没用。所以你得不断逼自己继续往前。对我来说，这永远的挑战就是，我怎么继续往前推？
Lenny Rachitsky：如果你想让我去加勒比海给你们董事会做演讲，也尽管找我。另外，域名是 ben-evans.com，大家可以去看看。Ben-E-V-A-N-S.com。Benedict，谢谢你来。非常感谢。拜拜，大家。 感谢收听。如果你觉得这期有价值，可以在 Apple Podcasts、Spotify 或你常用的播客应用上订阅本节目。也请考虑给我们打个分或留个评论，这能帮助更多听众找到播客。你也可以在 lenny's podcast.com 找到所有往期节目或了解更多内容。我们下期见。 [01:19:44]