在最新模型面前报平安
2024 年 9 月，我着手打造我的第一家创业公司 Lira。
表面上，它是一个面向学校、大学和企业的自助学习网络。底下，它要同时做三件事：一个学生真正能学到东西的地方；一台尽早识别能力并把人才输送给雇主的人才引擎；再往深处，一种足够干净的认知信号，可以供机构乃至政策制定者做决策参考。算是对“Olodo Uprising”的一个非常早期的解法。
一个与你一起学习、在你所在的位置接住你的 AI，它对一个学生的理解，远比一位薪水微薄、面对塞满学生的教室的老师所能达到的更深。它建立的档案会跟随你进入职场，给雇主一幅比简历真实得多的图景。
本质上是把 LinkedIn 从地基开始重建。这倒也应景，因为那时我自己的 LinkedIn 账号已经被删了三次，收到的只有自动回复，说我违反了服务条款。至于是什么条款——等我终于联系上人工客服时，他们也说不出来。
反正我已经说服自己，整个招聘体系就是坏的。太静态，摩擦太多，一个大多数申请石沉大海的黑箱。所以我决定应该有人来取代它，而这个人不妨就是我。
在当时，这显得野心过了头。构建三个相互协同的产品意味着数年的工作量和一支我没有的团队，所以有一阵子，这个想法看起来超出了我的能力范围。大部分质疑都指向“造”这件事本身：技术复杂度、成本和时间。
而正是这一约束，随着前沿模型的每一次发布被如期瓦解。我知道，因为在那场转变的另一侧，我已经基本靠一个人做出了 Paylo——一个抱负不小的双边商务平台。
2024 年看似好高骛远的东西，如今是一个周末就能搭起的脚手架。
我当初应该坚持吗？
不应该，但不是因为那个理由。“野心过头”是针对“造”的批评，而“造”马上就要变得廉价。模型会变好，很快，写软件的成本会随之下降，迭代所需的时间会显著缩短。算不上什么麻烦。
提出那种批评的人大多并不掌握这个信息，所以回应它就等于回答错误的问题。唯一明智的选择是拒绝那个框架。在你了解的事情上建设，不需要任何人的许可。真正杀死 Lira 的，注定会是别的东西。
那么，如果问题不在“造”，在哪里？
Lira 本该这样运转：学校和大学把它采纳为布置作业的默认系统。每个学生都要学习，于是它成为学生学习的地方。一边是学习工具，一边是不断生长的认知档案，而档案才是真正的产品。
但我很快发现，大学有自己的生态。自己的层级，自己的政治，自己那套“事情为什么是这么办的”的理由。问题不再是软件好不好，甚至不再是它能不能被造出来。所有这些背后坐着一个更深的问题，而软件碰不到它：谁来拍板？谁必须改变自己的工作方式？这东西被采纳后谁会失去什么？以及最重要的——你认识谁能把它递到决策者面前，如果他们根本就在乎的话？
除此之外，这类数字解决方案在尼日利亚败多成少，原因与代码毫无关系：供电不稳、网络时断时续、能买得起设备的人本来就少，以及要触达买不起的人所需背负的巨大适配成本。
不值得。于是我做了那个艰难的决定，砍掉了这个项目。
回到今天。GPT-6 Astra 周四发布。“阵亡名单”照例挂出，每隔几个月循环重演：一批有着亮眼增长的真实团队一觉醒来，发现自己的全部价值主张被一家模型更大、分发更强的公司当成一个功能发布了。然后帖子接连出现。ChatGPT 杀死了我的创业公司。OpenAI 杀死了我的创业公司。
有的在玩梗，有的是讣告，看着让人难受。但这一切毫不意外。模型是潮水，而潮水是有潮汐表的。OpenAI 在 2020 年就发表了规模定律（scaling laws）：能力随算力与数据上升，沿着一条画得出来的曲线。此后的每次发布都是在读这条曲线。一家实验室发布模型，等于在宣布：水位到达了他们说过会到达的刻度。
所以每一家被某次发布冲垮的公司，不过是站在一条早已公布的水位线之下。
Lira 不是。如果前沿模型是我唯一的问题，我会继续推进，因为更好的模型只会提升我的产出，而不会取代我存在的理由。它死在人的因素上。关系、层级、谁有最终决定权、有没有人愿意为了采纳它而改变自己的行为。
这正是我想谈的：
这些公司，究竟杀不死什么？
从钱说起
投入 AI 的资金与研究，不是你为了一个更好的自动补全会花的钱。在那个量级上，唯一说得通的目标，是获得凌驾于一切可以用代码表达之物的能力。把它表述为逐利还是使命，都不改变其含义：一旦目标达成，所有以代码形态存在的东西——也就是这个世界绝大部分的数字基础设施——都将落入三四家公司的射程之内。
他们在朝什么方向建
要拥有一切跑在代码上的东西，有两条路。
一条是成为商店：智能在这里被购买，创业公司在这里变成应用。GPT 商店和各种连接器目录是它的早期草图，而 MCP 是它们底下的管道——每一个工具都成为调用它的平台的插件。
另一条是成为芯片：像 Intel、Nvidia 和 Qualcomm 那样沉默地垫在所有人底下，不需要露面就从一切之中抽成。
我不认为他们会二选一。
Apple 两者都建了。
商店决定什么能获得分发，后端对其余一切收租。一家两者兼握的公司，没有理由把任何东西留在桌上。那个平台上的创业公司会重演应用在手机上的命运：被容忍，直到那个功能随操作系统一起发布。
既然如此，现在要紧的是：即便能力大幅提高，什么仍然留在模型够不着的地方，以及为什么。
东西留在外面的三个理由
- 它是私密的：模型看不见它。
- 它是不被允许的：模型不能对它采取行动。
- 它是结构性的：它因人、法律和物理系统的排布方式而存在，再多的智能也改变不了这种排布。
AI 能帮你比以往更快地填补这些缺口，却不能让它们消失。如果有一天它们真的消失了，那将是因为互联网的基本设计变了，而不是因为模型变聪明了。
浮力
我想出了一个简单的测试。四个问题，问任何产品或公司。前三个答“是”意味着下沉；第四个答“是”意味着浮起。三个“是”加一个“否”，你就是一个终将被自动化掉的功能。第四题答“是”，你就有一条护城河——不过你仍然得盯着运营效率和资本需求，因为护城河不会替你经营公司。
-
它是否建立在已经进入全球数据集的东西之上，而且仅仅建立在那之上？那它现在就能被杀死。你读过的，模型也读过。
-
它是否跑在代码上？如果还没死，几年之内也会。代码正是他们砸钱要拥有的东西。
-
它是否依赖于彻底理解一个数字系统——一个非人类的系统？那它会被杀死。数字系统对模型是可读的，而人不是。
-
它是否依赖于社会赖以建立的东西，而非建立在社会之上的东西？隐私。信任。监护。责任。监管。某个人对结果的切身利害。
这些不在数据集里，也放不进去，因为它们是人与人之间的关系，或是人们就彼此定下的规则，而不是对它们的描述。在可见的将来，这些东西在每一次发布面前都安然无恙。杀死 Lira 的正是这一类。如今，它保护着我此后构建的一切。
一切不在那级最高台阶上的东西，都可能被冲走。
黑、白，和大片的灰
一端是会被冲走的东西。一切靠存储和检索、而非现场推演得出的东西。事实、数字、常数、定义、已解的问题、参考文献。我们为建成今日世界而反复灌进课堂的东西，大多属于这里，而模型已经做得很好。记忆检索已接近被解决。
如果你的工作是记住答案，那模型也已经记住了。
但推理不是检索。全新的数学、未解的物理、一个还没人做过的推导——这些不是存好的答案，而模型在这些事情上明显不如做检索在行。一旦你扰动题目，让背下来的版本对不上号，表现就会下滑。那既不是安全区，也不是被冲走的区域。
那是被争夺的中间地带，恰恰是钱正砸向的地方。所以别把前沿归档为“已经输掉”。
另一端是守得住的东西。道德、伦理、信仰、情感、信任。模型可以无止境地生产关于它们的句子，但它们不是可供检索的事实。它们是人与人之间的关系，是人们彼此许下的承诺。你无法把一个承诺放进数据集，你只能描述它。
然后是中间宽阔的灰色地带，那才是未来几年真正的争论所在。
拿法律来说。模型通读所有法条、背出相关条款，这是检索。AI 在辅助，这没问题，这是被冲走的部分在干有用的活。但模型解释法律——结合你的过往、经历和个人处境，裁定它对你意味着什么——是完全不同的行为。到那一步，AI 不再是在检索数据，而是在接过一个因为有人为之负责才具有权威的角色。危险从来不是模型知道条文，而是把“解释”交到它手里，因为解释正是人与人的关系安放之处，而模型只能表演那些字句，却不承担其中任何责任。
灰色地带里的一切之所以在那里，是因为它们利弊两刃。未来大部分的讨论不会关于能力，而会关于这场分拣：什么是黑，什么是白，以及由谁来在灰色之中划线。
我从不把时间花在模型“只是暂时做不到”的事情上。那是在赌曲线会输，而曲线不会输。Paylo 坐在线的另一侧：模型让我更快，却无法取代一对素未谋面的买家与卖家信任同一笔交易的理由。
代码不再是护城河
六月在 Breet Builders Grant 路演时，我说代码只是一副固定架。当时没多想，现在写下来才意识到，这句话大概需要更多上下文。
一个复杂系统从前要花掉你一支团队。两名工程师干六个月，在第一个客户出现之前就是 12 万到 20 万美元的薪水，而这还是精简版。所以代码曾是你融资去造的东西，而因为它是昂贵的部分，它便成了被保护的部分。
今天，代码仓库几乎免费。花钱的是写代码的那个东西，而它属于三四家按 token 计费的公司。
代码仍然是专有的，只是不再唯你独有。价值在于它固定住了什么、它如何被部署，以及它被部署进怎样的地形。
重新划线
成本每下一个台阶，水位就涨一截，而免费模型应该会在几周内追平 Astra。最高的那级台阶因为上述理由保持干燥，它之下的一切都越来越湿。
我所依托的东西坐在那级台阶上，但我用来服务它们的代码不在。它正好贴着边缘。这意味着以这个速度，那条线每个季度都会越过我的某样东西，而我必须重新划线。
这不过是基本的维护。