OpenAI 董事長：今天的AI，確實像極了當年的互聯網泡沫

關于“AI 泡沫”的爭論又起：英偉達宣布向 OpenAI 投資最高 1000 億美元，一邊激發了市場的想象力，一邊也把科技巨頭“資金循環”論的質疑推向前臺。

對此，OpenAI 董事會主席、AI客服獨角獸Sierra聯合創始人兼 CEO Bret Taylor在日前的一次訪談里給出了一個明確但復雜的答案：

AI 將重塑經濟、創造巨大價值；同時，泡沫的確存在，也會有人虧很多錢。兩者可以同時為真。

Taylor 進一步解釋為何AI泡沫像極了互聯網泡沫：確實互聯網泡沫時期有很多失敗案例，但把時間拉長到 30 年，我們看到 Amazon、Google等巨頭誕生，也看到 Microsoft的云業務成為市值的重要支柱，更能直觀看到互聯網對全球 GDP的深遠影響——1999 年的“樂觀”，很多其實是方向正確。甚至像當年的 Webvan（網上生鮮配送），也在智能手機普及、互聯網規模成熟后，以 Instacart、DoorDash等健康業務的形態“再現”。很多想法并不糟，只是來得太早。

他也不避諱“泡沫”的一面：機會巨大，資本就會蜂擁而至——一定會有贏家，也一定會有失敗者。就像互聯網早期鋪設光纖的公司，很多破產了，但光纖并沒有消失，只是被下一任所有者繼續利用。

最近麻省理工學院的一項研究也引發了大面積的討論，該研究指出：盡管企業在生成式 AI 上已經投入了 300–400 億美元，但95% 的組織尚未取得任何業務回報。

針對“企業砸錢投AI看不到回報”的質疑，Taylor 的看法是：這項研究混淆了兩件事——企業自建 AI 系統與購買成熟的應用型解決方案。前者往往“冰川級復雜度”，容易演變成“AI 觀光”（做做樣子、難達落地最后一公里）；后者若按結果付費、開箱即用，則更容易跑通。以 Sierra為例，他們聚焦客戶體驗場景、采用結果付費（智能體獨立解決一次需求才計費），從 PoC 到上線幾乎 100% 成功。在他看來，應用型 AI 公司（智能體公司）會在各個細分場景補齊“空白格”，接棒 SaaS，成為企業級解決方案的下一條主航道。

很少有人像 Bret Taylor—一樣近距離見證過整個科技行業的演進。他早年是 Google 的工程師，后來創辦了社交產品 FriendFeed，并于 2009 年將其出售給 Facebook，隨后出任 Facebook 的首席技術官（CTO）。此后他創辦了協作工具 Quip，并將其出售給 Salesforce。在 Salesforce，Bret 最終升任聯合首席執行官。離職后，他創辦了 Sierra，試圖用全新的方式把 AI 引入企業的客戶服務場景，Sierra 剛剛完成新一輪融資，最新估值達到 100 億美元。其間，他還在埃隆·馬斯克收購期間擔任 Twitter 董事會主席；在 OpenAI CEO Sam Altman 經歷“解職—復職”風波后，Bret 出任 OpenAI 董事會主席。

這篇訪談里，Bret Taylor還談到了：Sierra 的起點與“智能體”路線、為何“只為結果付費”、為什么面向大客戶、為什么做微調而非預訓練、軟件與 AI 應用的下一站……文章由盛景新經濟編譯，希望能給你帶來啟發，enjoy~

Alex Heath：我想先把時間撥回到

2023 年初

。你當時從

Salesforce

離職，之前的頭銜是聯席 CEO。說說你當時決定再創業的過程：你看了哪些方向？為什么最終選了

Sierra

Bret Taylor：我宣布離開 Salesforce 的時間，恰好和ChatGPT發布只隔了幾天。你信不信“冥冥之中”的安排不好說，但像我這種第一次用到它的極客，之后滿腦子都是它。

說實話，我離開 Salesforce 時并不百分之百確定下一步做什么。我打算先離開，再慢慢想——這在人生中其實是個不錯的選擇。很快我就迷上了這項技術，自己也在用。LinkedIn聯合創始人Reid Hoffman是我的朋友，他當時給我看了GPT-4的早期版本，我簡直不敢相信它展現出來的共情以及近乎人類的表達能力。雖然這些年我一直在關注 AI，但老實說，如果你在 2022 年 10 月或更早一點讓我準確解釋什么是“大語言模型”，我大概還會一臉茫然。

慢慢地我意識到，這項之前沒有足夠緊跟的技術真的會改變世界。我知道自己想投身其中，至于具體做什么，當時還沒想好，但沒關系。這種感覺讓我想起自己第一次接觸互聯網——你就知道它會改變一切，至少我是這么覺得的，也因此興奮地想去參與，僅此而已。

后來我和認識20 年的老朋友Clay Bavor一起吃午飯，原本并沒打算和他一起創業，結果聊著聊著發現他也同樣著迷。那時他在Google CEO Sundar Pichai（桑達爾·皮查伊）手下工作。等到飯吃完，我們點的菜比計劃的還多，也決定了要一起創業——盡管還不知道具體做什么。我們的出發點是：當技術發生斷層式躍遷，商業機會會大規模涌現，因為消費者的需求、企業的痛點、軟件廠商的供給能力，都會被重新洗牌。

回看互聯網的誕生，它催生了今天市值最大的幾家公司，比如Amazon、Google；它也沖擊了許多巨頭，Microsoft適應得很好，Siebel Systems則顯得力有不逮。新舊勢力的格局會被重排，巨大的新市場隨之打開——互聯網時代是搜索與電商。

我認為這次大語言模型帶來的也是同級別的變革——從軟件工程到客戶服務，許多市場都會被徹底改寫。在這樣的時間點創業，太有意思了。

于是我們先從工作狀態里“抽離幾年”（笑），休整了幾個月，然后密集和一大批客戶聊天，最后決定做Sierra。在 Sierra，我們為客戶體驗構建AI 智能體。從ADT（家居安防）到紐約的Ramp，再到SiriusXM，他們都在用我們的智能體：接聽你的電話、在自家數字渠道里和你對話，幫你升級/降級 SiriusXM 套餐，或者當你的 ADT 警報響起時主動給你回撥——這些場景都已經在運行，我覺得這特別讓人興奮。

Alex Heath：跟我聊聊 Sierra——你們和新客戶實際是怎么合作的？能不能把流程走一遍？畢竟這還是個很新的領域。客服并不新，但你們的做法很新。和你以前在其他公司相比，你們與客戶合作方式最大的不同是什么？

Bret Taylor：我先從我們的商業模式說起，這有助于回答你的問題。Sierra 和傳統軟件公司很不一樣的一點是：只為結果收費。對大多數客戶來說，這意味著——當 AI 智能體獨立解決了來電或在線咨詢的需求時，我們收取一次費用；如果最后必須轉人工，那這次就是免費的。

我們很喜歡這種模式，我也認為這會成為智能體的標準商業模式。畢竟“agent（智能體）”這個詞源于“agency（能動性）”，它本質上就意味著一定程度的自主性。我認為最先進的智能體會從頭到尾完成一項任務——無論是為銷售團隊生成新線索、解決客戶服務問題，還是對一起反壟斷審查做法律分析，等等。

如果一個 AI 智能體不只是“協助”人更高效，而是真正把事辦成，為什么不按辦成一件事來付費呢？你看大多數公司——凡是能量化結果的崗位，比如銷售，通常都會有傭金，不只是底薪。所以，讓“智能體”按“傭金”結算，不僅能把廠商、合作伙伴與客戶的激勵對齊，而且從第一性原理看也非常合理。我覺得這會像云軟件訂閱的出現一樣改變行業。當年Marc Benioff和Parker Harris創辦 Salesforce，用訂閱替代永久授權，重塑了軟件版圖；智能體也會發生同樣的事。

說回我們怎么和客戶合作。既然只有有效果才收錢，那軟件廠商與客戶之間的關系就變了。傳統里，軟件廠商和客戶常常保持一種“保持距離”的關系。做過大型ERP上線的人都知道（我對 ERP 也不算專家），據我見過的案例，幾乎全都比預期多花兩年、多花很多錢。

如果你去問一個項目里上萬人，系統集成商會指責軟件廠商，軟件廠商會指責系統集成商。大家都不會指客戶，因為客戶在付錢，于是人人都好話連連：“你很棒，一切都好。”——成功者千父，失敗是孤兒。問題部分在于：在這段關系里，唯一真正關心“結果”的只有客戶本身。

于是大家互相甩鍋，需要一個強勢的 CIO 或 CTO 來把關；你能看到這里面的激勵扭曲：合作伙伴可能是按小時收費——這不是好激勵；軟件廠商已經把合同簽了，至于你能不能成功落地，就自求多福了。

按結果定價要求軟件公司和客戶建立不一樣的關系。這也是為什么它在 AI 領域最近很“潮”。當然，沒有軟件公司愿意把自己做成純服務公司，所以你不能把“做服務”的比例拉到極致；但責任邊界確實不同了。

因此在與客戶的關系上，我們重點做了兩件事。第一是產品可用性：要想交付結果，你必須讓實現結果這件事盡可能容易。在市場上，我們同時提供面向技術團隊與運營團隊的產品，這點幾乎無出其右；你不懂技術也能搭建智能體。我們就是要讓盡可能多的客戶體驗專業人士有“開箱即用”的能力。第二是在合作層面，我們提供大量智能體開發支持：如果你需要把智能體“推出門”的幫手，我們會整隊人馬進駐幫你搞定——這很少見。

我不知道一切最終會如何定型，但我對這套愿景非常篤定。當我和客戶交流時，我喜歡他們能一眼看清我們帶來的價值——只有智能體真的奏效了，他們才需要付費。這種關系簡單、清晰，我由衷認同。

Alex Heath：所以你們現在有

數百家客戶

，其中

50% 的年營收超 10 億美元

20% 超 100 億美元

，對嗎？

Bret Taylor：沒錯。

Alex Heath：為什么把重心放在這樣的客戶，而不是走一條類似 Shopify 的“海量中小商戶”路線？為什么要沖著

大公司

去？

Bret Taylor：大公司有大問題。回到第一性原理：如果你是一個全球擁有一億用戶的大眾品牌，在大語言模型出現之前，你不可能與他們一一對話。算筆賬：呼叫中心有個指標叫CPC（cost per contact，單次聯系成本），衡量一次通話或一次聊天的人力與技術的全成本。它取決于對話的復雜度、接線人員的資質，以及在岸/離岸等差異。

粗略說，接起一個電話要花 10～20 美元。但對多數消費品牌來說，每用戶平均收入（ARPU）還沒這通電話貴。這意味著你根本負擔不起“對話”這件事。也難怪你嘗試給很多大品牌打電話時幾乎打不通。

網上甚至有專門的網站幫人挖品牌的“隱藏電話”。并不是他們不在乎你——而是經濟上不劃算。如果每個想打電話的人都打通了，他們會被打垮，這對你也沒好處。現在有了大語言模型，情況完全不同：你可以把“接一通電話”的成本不是降低一倍，而是降低兩個數量級（百倍）。于是，“對話”的經濟性被徹底改寫。

這就是我們服務大型品牌的原因：這種階躍式的客戶體驗變化，對擁有數千萬乃至數億客戶的公司最相關，而這些公司往往就是大型企業。更令人興奮的是，很多人一想到“面向客戶體驗的 AI 智能體”，腦子里只有聯絡中心自動化，那當然是個大場景。

但如果按我剛才的邏輯去想：在相同成本下，你現在可以比過去多一到兩個數量級地和客戶對話，這太驚人了。對那些爭奪既有存量用戶的行業（比如移動通訊），你在同一塊“蛋糕”上競爭；如果你能把留存提高100 個基點（1 個百分點），那就是巨大價值；如果你能把流失率（churn）降低500 個基點（5 個百分點），你的用戶生命周期價值（LTV）的算式就會發生變化。

很多公司開始這樣思考。第一重效果當然是降低單次通話成本——很好，你省下來的錢可以回饋股東。但更成熟的公司會問：我能不能借此提升市場份額？這才真正令人興奮，也是我們在為全球一些最大的品牌所做的事。

Alex Heath：你們現在有沒有

完全不需要人工介入

、替客戶

直接把事辦了

的智能體？我說的不是聊天機器人，而是真正做事、能

掛上經濟賬

，原本以為要人參與、但實際上不需要的那種。有現成例子嗎？

Bret Taylor：有，給你幾個。我們服務的一些零售商：用戶上傳一張損壞商品的照片，系統就能即時判定保修索賠是否成立，接著對接庫存系統，自動發貨替換新品；你可以在我們的平臺上，用AI 智能體完成整套房屋再融資（refinance）流程，從頭到尾端到端辦完。

Alex Heath：無需人工介入嗎？

Bret Taylor：無需人工介入。這些智能體的能力已經很驚人了；在 Sierra 平臺上，你可以讓智能體直接采取行動——我們的客戶 100% 都在這么做。從某種意義上說，有個叫RAG（檢索增強生成）的技術，說白了就是“答問”。到今天，這幾乎已經商品化了：把ChatGPT和一個知識庫接起來并不難；現在多數工程師周末就能做出來。想想看，三年前還像科幻的事情，如今成了“周末項目”。這就是技術發展，真的令人震撼。

真正困難的是：在受監管的流程上布好復雜的護欄……我們與醫保支付方、醫療服務提供方、銀行、財產及意外險公司合作。你看像理賠處理這樣的復雜、受監管對話，絕對不是 RAG 能解決的——那是一整套復雜的對話，需要合規把關。怎么用AI 護欄去約束？怎么用確定性護欄去約束？怎么解決40 多種語言里的語音轉寫準確率這種“看似瑣碎但要命”的問題？

比如，漏掉 and / or這種連接詞，可能無傷大雅；但漏掉你的賬號，就要命了。又比如我們做道路救援：你可能和智能體聊天時，車喇叭響了一下，它就以為被打斷而停住了——因為它分不清“喇叭聲”和“人在說話”。

我們的平臺，正是為解決這些問題而設計的：有效的護欄（既有基于規則/確定性的，也有基于 AI的）；多語言、覆蓋文本與語音的對話；我們用到的AI 護欄叫supervisor models（監督模型）——非常有效、也非常有意思；以及一些“看似簡單”的能力：能判斷“那是背景電視聲，此刻沒人說話”，或者“那是喇叭，不是打斷”。

也許三四年后這些都不難了，但此刻非常難，所以我們的產品需求很旺。

Alex Heath：你剛好提到

語音

。我很好奇：在聊天之外，

語音

是怎么融入這套系統的？你認為語音最終會比文本

占比更大

嗎？

Bret Taylor：我認為會的。在我們平臺上，語音的占比已經超過文本——這挺不可思議，因為我們還是去年 11 月才上線語音能力的。我覺得原因有幾點。先說人性層面的：你看所有描繪未來電腦的電影或科幻小說，大多是“跟電腦說話”。說話可能是最符合人體工學的交互方式：我們與生俱來就會說話，門檻極低、摩擦小、可達性強。關于數字鴻溝我們談了很多，如果大多數數字交互都能靠“開口說”，再配上多語言、有耐心的系統，那將是真正的普惠。

而且在電信、醫保等行業，大量客服依然發生在電話上（不僅是患者或消費者，機構對機構也一樣）。AI 的到來，讓這個最古老的模擬通道——公用電話交換網（PSTN）——第一次“數字化”。過去幾乎每家公司都有“數字自助”團隊，本質是在拜托你：“能不能上我們網站別打電話？對你對我們都更好、更快、更便宜。”現在變成：“打電話也行啊”——因為接你電話的，和在網站上服務你的，是同一個智能體。這變化有點瘋狂。

就像我們常說TCP/IP（傳輸控制協議跑在網際協議之上）——我們其實是把“互聯網”搬到了電話上：第一次讓電話成為數字技術的通道。這就是為什么我說它是真正的止痛藥，而非維生素：人們會為止痛藥買單。你把最貴、最煩、人人都不喜歡的渠道（電話）的問題解決了——即便你遇到“史上最好的人工客服”，也往往是先排隊 10 分鐘之后才接通；要做到“永不排隊”的呼叫中心，經濟上不可行。

所以這里沒有人捍衛“電話客服的現狀”，各方都討厭它；而現在有了能真正解決問題的技術。這就是它將產生巨大影響的原因。展望未來，具體走向仍然不確定。我處在這波 AI 浪潮的中心，也不敢斷言。但看巴西、印度人們使用WhatsApp的方式，你會好奇：當對話式智能體普及后，這種對話式數字交互會不會在其他市場也一樣無處不在？

我大約四年前去巴西，被人用 WhatsApp 辦按揭驚呆了：上傳 PDF、在線辦流程。想象一下：每一家公司的客戶體驗里都有一個對話式智能體，也許每家公司都要有一個WhatsApp 窗口；或者，智能音箱會卷土重來。

我也會想象開車上班時的CarPlay。我很喜歡它，但現在你做不了多少事。試想一邊開車一邊和你的個人智能體對話，分揀郵件、處理事項——通勤瞬間變得高產，就像和一位“萬事通博士”級私人助理對話。這很酷。短期里我們老談電話，是因為那里經濟影響最直接。但本質上，我們在讓電腦變得可對話——它既是技術變革，也是交互范式的變化。

前幾天我還像這樣把手機貼在臉上打電話（線上觀眾看不到，我的意思就是傳統的打電話姿勢）。我一直以為這很正常。結果我孩子說：“你居然把手機貼臉？”——好像我在舔手機一樣。現在的孩子打電話完全不是這么打。那一刻我才意識到：我真的老了。

你會發現，在新技術中長大的孩子，從沒見過旋轉撥號盤，他們的互動方式天然不同。在他們的世界里，電腦當然能聽懂我帶著細微語氣和諷刺的說話，我當然有一個能替我做功課、做旅行調研的個人 AI。

我們甚至還沒開始認真想象這些二階、三階效應——就像我孩子覺得“把手機貼臉打電話很奇怪”，到現在我還在震驚。但我認為我們正站在一個重大趨勢的起點。我也抱著希望——像很多人一樣，我讀過《焦慮的一代》（The Anxious Generation），也常發現自己會不自覺地盯著口袋里的發光屏幕。你會想，再過四五年，軟件會不會“融化到背景里”？那些繁瑣的事，比如等待接通、找不到客服電話，會不會被這代技術抹平？

“隨時打給我們吧。”——系統知道我所有偏好：如果我在BART（灣區地鐵）上，不想被人聽見，就用聊天；如果我手里正拿著東西，就用語音。這些都會自適應地可用。

所以我很期待。就像所有技術演進一樣，我們現在還在馬斯洛需求金字塔的底層；很難看清自我實現那一層的樣子，但我認為我們會相當快地到達。Sierra的愿景，是幫助全世界的公司適應這個變化。第一步，為你的客戶打造出色的客服體驗：被尊重、被重視、真正個性化。第二步，讓你的公司為未來做好準備：“對話式電商”意味著什么？當人們在 OpenAI 上做消費調研而不是搜索引擎時，這對你意味著什么？

我相信你們很多人已經這么做了：比如拿到一份化驗結果，我會在和醫生交談前先把它上傳到 ChatGPT。我不知道我的醫生對此作何感想，但我敢說：他的其他患者 100% 也都這么做。世界正在改變。所以在Sierra，我們反復思考的是：如何幫每一家企業，在這個新世界里取得成功。

Alex Heath：從技術角度再聊聊

Sierra

。你們到底有沒有在做

自研模型

？你們的“

秘方

”是什么——模型本身，還是別的？

Bret Taylor：我們做了大量微調（fine-tuning），但不做預訓練。我認為大多數應用型 AI 公司都不該自己預訓練——那是一個迅速貶值/升值極快的資產賽道，對股東未必有意義，而且極其復雜。

在我們的平臺上，一個智能體回一條消息，背后可能要進行 20 多次推理調用。可想而知這件事有多復雜：底層用到很多不同的模型，既不止一個供應商，也不止一種參數規模（模型大小）。

我覺得應用型 AI（像 Sierra 這種）會走向一個狀態：模型就是基礎設施。就像你問“我的數據該怎么存”——技術同學都知道現在有成百上千種選擇：Snowflake、Databricks、傳統事務型數據庫……現代工程師會按具體用例選最合適的。

在應用型 AI 里也會這樣：有時要極致低時延，有時要極致低成本，有時要極致高質量；在價格—性能—時延的矩陣里，總能找到適合業務目標的那一格。

最后它會很像數據庫市場：真正搭建智能體與應用的是實踐者（practitioners），不是訓練基礎模型的研究者。直覺上（僅代表我個人），隨著上下文窗口變大、模型對規則約束的遵循度提高，連微調的比重可能也會逐漸下降。到那時，“在模型上開發應用”的技能更像“會用數據庫”，而不是“會寫數據庫內核”——這是兩種完全不同的能力，我認為應用型 AI 正在朝這個方向發展。

Alex Heath：我的感覺是，隨著

GPT-5

的發布，模型仍在變好，但

臺階式的躍升

沒有以前那么

劇烈

了——也許節奏會變？

Bret Taylor：我不完全同意（我打斷你了，抱歉）。

Alex Heath：你當然不必同意——你還是

OpenAI

的董事會主席（笑）。我的意思是：你是否認同“

模型在走向商品化

”這個判斷？你剛把模型比作基礎設施。如果真如此，

二階效應

是什么？也就是說，模型

可以隨插即用

，雖各有千秋，但

不再像過去那樣每代都是斷崖式飛躍

Bret Taylor：我不同意，并不是因為我“主隊情結”——雖然我確實是（笑）。關鍵是：要看任務。

如果你用過GPT-4/4.1 寫代碼，然后換成GPT-5，你會看到性能的顯著躍升。在“編碼”這個用例上，它就是臺階式升級。

但我年初也用 4.0 在 ChatGPT 上規劃過假期。要是換成 5 做同一趟旅行，可能只是“稍好一點”。我玩得很開心，也許我標準不夠高（笑）。

我覺得：對很多任務而言，我們已經達到“足夠聰明”。因此，當新模型出來、你拿“規劃假期”去衡量，可能感覺提升不大。可如果你要發現新療法（藥物研發）、要自動寫復雜軟件、要做復雜的異步智能體任務，你對“到底跨了多大一個臺階”的感知就會不同。

所以我的直覺是：你要解決問題的復雜度，會越來越決定你對“這代模型進步有多大”的感受。

若從“通用人工智能（AGI）”的視角，我們當然還需要更多進步。前陣子X（原 Twitter）上有位OpenAI 研究員 Sebastien Bubeck發了個貼：模型在一篇數學論文里給出了一種相當新穎的方法（具體數學我不懂）。那種創造性很有意思，讓人想起AlphaGo的時刻：“咦，這像是新的數學思路。”

要達到“能做新型 AI 研究、能發現新藥、能解決未證的數學難題”，我們還有路要走，還沒到。但我理解你說的：對大批日常任務，模型已到“夠用”。這沒問題。

回到核心問題：這意味著什么？OpenAI是使命驅動的：確保 AGI 造福人類。我們在追求“有益的 AGI”，而現在還沒到。我們得持續投入研發。有些方面已超人類，也有很多方面還沒有——這正是我們在做的。

對Sierra的任務，或你我日常生活，是否每次都需要最強模型？未必。這會自然催生一個多模型生態，各司其職。令人興奮的是：我們還沒“封頂”。我們想把 AGI 做出來，這非常讓人激動。

盡管有“進步放緩”的印象，我不太認同。看真正的研究突破、看數奧（Math Olympiad）等結果，有些事情以前的模型做不到，現在能做到了，這非常振奮。

Alex Heath：既然提到

AGI

。我越來越覺得

沒人說得清

AGI 究竟是什么——但對

OpenAI

的董事長而言，你的定義

很重要

。你

心中的 AGI

是什么？你的定義在

過去一年

有變化嗎？

達到什么

你會說“這就是 AGI”？

Bret Taylor：先答最后一個：有變化。以三年前的標準，我認為我們已經達到了我當時會稱為 AGI 的水平——其實幾乎所有人三年前對 AGI 的直覺標準，我們現在也已達到。

有個叫“圖靈測試”的東西——我不確定原文怎么表述，但我們在計算機課上學的是：如果你和 AI 對話，分不清對面是不是人。這個門檻，我們多年前就越過了。它曾經是 AI 的“大事”，現在我會說：別再拿圖靈測試當標尺了——那是最聰明的計算機科學家提出的不太聰明的主意（笑）。

我們不斷把球門往前挪，因為這項技術一次次超出我們的集體預期——我們對 AGI 的直覺門檻，已經被我們自己甩了四五圈。

我現在（可能以后還會變）更傾向這樣想：在“數字技術與觀念”的領域里，這些模型是否在幾乎所有子域都達到或超過人類智能？

我特別強調“數字/觀念”這個域：發明新數學，很多人會把它納入AGI/超智能；但與物理世界互動又是另一回事，和“智能”本身并非同一個問題。比如你能“發明一種新療法”，但臨床試驗是完全獨立的流程。我在找的是“智能”本身的度量。

AGI 里G 的另一層含義是“泛化（Generalization）”。舉個研究圈常爭的點：如果你把模型練到極強的數學能力，它對其他領域會有多強？有人認為“數學是推理之基，強數學就能遷移到很多事情”；也有人懷疑“它能否泛化到生物學等其他學科”。

我的觀點偏向：只要不是為“數奧”這類單點任務“特訓”出來的能力，而是模型綜合能力的“副產品”，它就有望泛化。但還是要看結果。我們會看到它在其他科學門類的泛化表現。

看著研究進度、OpenAI 及其他實驗室的結果，我越來越樂觀，也期待第一項真正意義上的科學突破由AGI給出。我覺得未來幾年會發生——當然我也不敢下定論，但感覺很像。這更該問OpenAI的研究員而不是我，不過從現在的苗頭看，并非不可及。

Alex Heath：為什么像你以前的老板

Mark Zuckerberg

這樣的的人，現在都在談“

超智能（superintelligence）

”？這在灣區和舊金山已經成了熱詞。是不是因為大家心里都在想：

“OK，圖靈測試過了，我們做到了。”

——然后聳聳肩，開始聊下一個？

Bret Taylor：（笑）算是一波“換包裝”吧。

Alex Heath：對，“換包裝”。那它和

AGI

（通用人工智能）到底

有什么不同

？老實說我不太明白。

Bret Taylor：“超智能”字面意思就是比人類更聰明。如果要分個細微差別的話：當我們做出一個普遍智能、表現和你我差不多的系統——這是不是就顯得有點“不過如此”？（絕無冒犯之意，Alex。老實講，做到這一步也已經很棒了，你的“聰明程度”對我來說綽綽有余。）

所以“超智能”的門檻更高，是真正出類拔萃的那種。從研究與安全角度講，討論“超智能”是有用的——一旦模型的推理能力超過人類，我們該如何監控它、讓它安全？當它超出人類理解閾值時，你就必須用技術監控技術。非 AI 領域早有先例：飛機、汽車里有一堆系統在監測人類感知不到或反應不及的狀況——這是一個非常重要的研究方向。

所以討論它是有意義的。至于公關層面的東西，我沒太多看法。但在安全上，確實有嚴肅問題：當你無法完全理解它時，如何確認它是“對齊”的？人類理解它到底重不重要？能不能用我們訓練出的“監督 AI”去理解它？這些都是技術與哲學交織的問題，需要在演進中認真回答。

Alex Heath：前陣子我和

Sam Altman

一起吃飯（新聞里熱議的那次）。他那句原話是：

“這是一個 AI 泡沫，總會有人賠得很慘（我們不知道是誰），也會有很多人賺得盆滿缽滿。”

Bret Taylor：這就像那句老營銷名言。

Alex Heath：哪句？

Bret Taylor：“我做的營銷里，只有 50% 有用——問題是，我不知道是哪 50%。”

Alex Heath：（笑）你

同意

他的說法嗎？為什么？

Bret Taylor：完全同意。我講過一個類比（Alex，如果你聽過就當我再說一遍）：互聯網泡沫。大家總會記得Pets.com、Webvan這些“撲街”的案例。但拉長到30 年看，Amazon、Google這些全球市值巨頭是互聯網時代的產物。再看Microsoft如今市值里有多少來自Cloud等業務；再看全球 GDP被互聯網帶動或影響了多少——你會發現：1999 年那些人，其實很多是“方向正確”的。互聯網幾乎在所有指標上都帶來深遠影響。

就連當年的Webvan，在智能手機普及、互聯網規模成熟之后，也“轉世”為Instacart、DoorDash這樣的健康業務。很多想法并不差，只是來得太早。

當然，如果你是Amazon的早期股東，今天很開心；如果你是Webvan的股東，感受就不同了。兩種結局同時存在。而現代的大模型與 AI，僅僅是軟件工程與客服這兩個領域，就會對經濟產生巨大影響。

我們還從未見過“軟件工程師數量足夠”的世界——而編碼智能體很可能會帶來這種改變：把稀缺的“人力”，變得更充裕。軟件開發的市場有多大？很難衡量，因為幾乎每家公司在某種意義上都是軟件公司。

因此，對我而言，一定會出現巨大的贏家。機會巨大，資本就會涌入；有的公司會失敗，有的會成功。互聯網早期的光纖，不少鋪設者破產了，但光纖并沒有消失——只是被下一個所有者（比如私募）接盤并使用。

所以我認為：AI 將重塑經濟、創造巨大價值；與此同時，泡沫也確實存在、也會有很多人虧錢。兩者同時為真，歷史上早有先例。

Alex Heath：你擔心

泡沫就在你所處的企業級 AI 賽道

嗎？最近有個

MIT

報告說，

大量 AI 投入看不到回報

。我知道你們的

按結果付費

模式更“對結果”，但如今很多企業

一擁而上

投了很多錢在“沒效果的東西上”。如果反轉會怎樣？

Bret Taylor：我把兩件事分開說：擔心，和那份研究。我確實擔心泡沫，但我不同意那份研究的結論。先說我對行業的擔心，再說那份報告（它其實比我的擔憂更樂觀）。

關于行業，我再講個“寫 Google 地圖”的老梗——大體是真的，但像很多好故事一樣也有點“加工”。大家愛講這個，是因為“一個人周末寫了一大坨代碼”很炸裂。可現在如果你用過Codex或Cloud Code，你會想：“我周末找個 AI 智能體也能干這個。”

對我個人而言，這曾是我的身份一部分；而現在，也許再過兩年，智能體就完全能做到。所以這件事會從“哇，真厲害”，變成“哇，當年居然是人干這個？”。

商業層面，問題是：軟件市場的未來是什么？我們確實會經歷平臺期（比如自動駕駛：早期很興奮，但現實很漫長）。再聰明的人也會在這些事上估計過高。而讓智能體做軟件工程，等于把最稀缺、收入最高的工種之一交給 AI——這會帶來什么？

很多人問我：“我還該學計算機嗎？”我的答案是：該。但老實說，沒人知道未來會怎樣。

“生成代碼”會不會像很多程序員知道的那樣，本就不是最難的那部分，而最終趨于商品化？也許會，很多人這么想。但這會如何改變軟件市場？

我的假設是：變化不會那么大。買ERP的時候（又說 ERP，不知為何今天老想起它），你買的不是那堆字節，而是：很多公司把總賬放在上面，每個季度能結賬、系統可靠、云端有補丁、合規認證齊全……這些不性感，但是企業軟件里“枯燥但重要”的部分。

如果你是大型CPG公司，能不能自己寫一個 ERP？未必是好主意。我常說：軟件像草坪，需要打理。你造了它，就要養它。新會計準則出來，你得自己跟。
所以，我認為它會改變我們寫軟件的方式，但不會顛覆“企業軟件市場”的存在。也許我會錯，但這是我的判斷。

我們正進入一個全新的世界：把稀缺變充裕。最近我常提一部電影，特別推薦：《隱藏人物》（Hidden Figures）。它講登月工程，聚焦那些做手工計算的女性，她們當時的職位就叫“計算機（computer）”——我也是看了這片才意識到“computer”原來是個人類崗位。

片中有位女士看到一臺占滿客廳的 IBM 計算機進廠，就去學穿孔卡編程，為自己“保崗位”。我們現在也都在經歷類似的時刻：“我是計算機/計算者。”我那個“周末寫地圖”的故事，本質也像“計算者”的故事。

二階、三階效應還很模糊。我相信企業軟件會從“軟件”轉向“智能體”，但公司想買的是“解決方案”而不是“自己造軟件”。因此我相信這個市場會繼續存在。

再說那份研究。我不清楚它的數據基礎，但它的問題在于：把“企業自建 AI 系統”和“購買成品解決方案”混為一談——這兩種完全不同的 AI 采用方式被糅在了一起。

在我們這里，客戶從PoC到正式上線，幾乎是 100% 成功率——因為我們賣的不是“AI”，而是“客戶體驗”，開箱即用。

再比如這家很棒的公司Harvey（就在灣區）。我和很多律所聊過，他們用 Harvey 做法律分析，都很成功。但這不是個“AI 項目”——Harvey當然用到了 AI（否則公司無從存在），但客戶真正購買的是“更好的反壟斷審查流程”。

我們仍在早期：你業務里的每個問題，還沒對應一個“完美廠商”。所以你要么等，要么自己造。而“自己造”，復雜度是冰川級的。結果就出現我稱之為“AI 觀光”的現象：表演式的 AI 項目很多，但要走完最后一公里非常難。我認為答案會來自應用型 AI 公司：想把客戶體驗做好，買 Sierra；想要法律智能體，買 Harvey。

我們需要把每個用例都走一遍：從供應鏈優化到財務，再到審計……每個領域都會誕生一家公司。這就是AI 的正確打包與采購方式。

那份研究反映的，其實是市場尚不成熟：還沒有覆蓋所有場景的解決方案。但在座不少 VC會推動這個進程——幾年后，這些“空白格”會被填上。那些“智能體公司”將接棒SaaS，成為企業級解決方案的下一條主航道。

Alex Heath：好的，Bret，我們今天就到這兒。非常感謝。

Bret Taylor：謝謝邀請。

2025盛景半年回顧

人生只有四千周，而企業生存期更短，跨越10年經營期的企業少之又少，企業要想有質量地活下去，活得更好更久，“極簡增長”就是看透并掌控事物本質的那個關鍵點。

選對了路，路就不會遠。盛景推出《極簡增長 立竿見影》在線課程，期望能夠幫助更多的企業走上增長道路。未來有多近，在于我們已經走了多遠。未來有多遠，在于我們與誰同行。期待與你同行、共勉。

歡迎大家點擊底部【閱讀原文】觀看《極簡增長 立竿見影》的在線視頻課程，了解如何用極致簡單的增長方法論，實現快速增長。