本文来自微信公众号：划重点KeyPoints，编译：林易，原文标题：《硅谷风投教父谈AI行业现状：智能需求无限，基建和应用爆发才刚刚开始》，头图来自：视觉中国
近日，OpenAI官网放出了其首席财务官Sarah Friar与传奇投资人、Khosla Ventures创始人Vinod Khosla的深度对话。
针对AI泡沫担忧，Vinod明确表示，用股价波动来衡量泡沫是错误的，真正的衡量标准应当是底层的实际使用量：在互联网时代是流量，在AI时代则是API调用量。目前的API调用量完全看不到任何泡沫的迹象，现状并非需求不足，而是供给受限。
Sarah Friar佐证了这一观点，她首次详细披露了OpenAI过去三年的增长数据：
2023年：算力规模约200兆瓦，ARR约20亿美元。
2024年：算力规模增长至600兆瓦，ARR增长至60亿美元。
2025年：算力规模突破2吉瓦（即2000兆瓦），ARR超过200亿美元。
数据显示，OpenAI的算力投入与商业回报之间呈现出近乎完美线性的关系，这种高度耦合的增长曲线表明，AI产业仍处于典型的供给侧约束阶段。现在需求上限仅受制于算力的可用性。如果今天有更多的算力，OpenAI就能推出更多的产品，训练更多的模型。
虽然算力投入与回报在曲线上是对应的，但时间上存在错配。Sarah坦言，为了确保2028年至2030年的算力供应，OpenAI必须在当下就做出巨额的基建决策。
关于2026年的AI发展趋势，Vinod预判：Agent将成为绝对的核心主题，多智能体系统（Multi-agent systems）有望展现出真正可见的产业影响力。
在企业端，Agent将开始深入复杂的业务流，具备独立运行ERP等核心系统的能力，实现对账、应计费用核算及合同追踪等长链条任务的自动化闭环。
在消费端，Agent也将从单一的聊天机器人进化为具备跨应用执行能力的超级助手。以旅行为例，智能体不仅能提供建议，更能综合考量饮食偏好、实时航班时刻和个人日程等多重变量，直接为用户规划并落实一次完整的行程。
这种深度渗透在医疗领域已成现实。每周有2.3亿人向ChatGPT咨询健康问题，高达66%的美国医生表示在日常工作中使用ChatGPT。这标志着AI正加速从一种新奇的技术尝鲜，转变为专业领域的必需生产力。
站在更长远的时间维度，Vinod对未来15年的科技趋势做出了两项大胆预测：
第一，机器人在15年内的产业规模将超过汽车工业。目前汽车行业主要关注如何将机器人用于生产线，但未来的通用人形机器人市场将是一个远超汽车的庞大经济体。
第二，我们将面临极度通缩的经济环境。随着劳动成本和专业知识成本趋近于零，未来十年末期可能会出现大规模的通缩经济。这将引发社会对“人类该做什么”的深刻反思，同时也可能带来更高标准的社会基础保障。
本次对谈传递出非常明确的信号：在硅谷的核心圈层看来，AI浪潮才刚刚开始。对于企业和开发者而言，关注点不应是资本市场的噪音，而是如何利用即将到来的Agent时代，去重构那些尚未被智能化触及的复杂业务流程。
以下是Sarah Friar与Vinod Khosla对话实录：
一、2026年的AI趋势是什么？
Andrew Mayne：大家好，我是Andrew Mayne，这里是OpenAI播客。今天我们的嘉宾是OpenAI首席财务官Sarah Friar，以及Khosla Ventures的传奇投资人Vinod Khosla。在本次讨论中，我们将探讨AI生态系统的现状、我们是否处于泡沫之中，以及随着AI的发展，初创公司和投资者如何取得成功。
Andrew Mayne：2025年关注的是Agent和vibe coding。现在已经是2026年了，今年的主题是什么？
Vinod Khosla：我认为2025年我们在vibe coding方面已经成熟，但在Agent方面尚未完全成熟。因此，2026年将是Agent，特别是多Agent系统（Multi-agent systems）成熟并产生真正可见影响的一年。
在企业端，我们期望拥有一个执行完整任务的多Agent系统，例如为你运行ERP系统，每天自动进行对账、计提和合同跟踪；在消费者端，虽然今天规划旅行仍然很麻烦，但这将变成一个多Agent协作的任务，它会综合考虑你的饮食偏好、餐厅预订、航班时间表以及个人日程等多种因素。我认为这些从一年前开始发展的技术将在今年成熟。
此外，我对机器人学和现实世界模型（World Models）非常兴奋。这不仅仅局限于机器人学，还包括通用直觉（General Intuition）。像大语言模型中的记忆功能、持续学习能力以及减少“幻觉”影响，这些都是目前AI做得还不够好但很快会被解决的领域，值得重点关注。
Sarah Friar：我认为Vinod想表达的根本观点是，2026年是弥合“能力差距”的开始。我们把巨大的智能交到了人们手中，就像把法拉利的钥匙交给了他们，但他们才刚刚学会怎么把车开上路。
我们需要为消费者提供更多简单的方式，让他们从单纯把ChatGPT当作问答聊天机器人这种使用模式中转变过来。今天大多数人只是用它提问，但我们如何将其推进为真正的任务执行者？比如为用户预订行程，或者针对医生刚给出的建议提供第二意见，亦或是帮助患有糖尿病的孩子制定菜单？核心在于帮助用户从简单的提问转向获取能改善生活的实际结果。
在企业端也是同样的逻辑。根据我们的首席经济学家去年底发布的《企业AI现状》报告，前沿企业与中位数企业之间存在巨大差距。前沿企业的AI使用量是其他公司的6倍，而且即便是这些前沿企业，其能力也尚未被充分挖掘。
因此，我们的重点是：对于消费者，如何帮助他们沿着这条能力连续体前进，实现真正的代理任务执行？对于企业，如何打造更复杂、更垂直专业化的解决方案，使他们能从简单的ChatGPT应用一路升级，直到改变业务中最核心的部分？例如对于医疗服务提供者，可能是药物发现流程；对于医院，可能是缩短患者从入院到重返社区的时间；对于大型零售商，则是提升购物篮规模、转化率和顾客满意度。
Vinod Khosla：我想补充一个视角。我们经常看到人们把采用曲线（Adoption Curve）和能力曲线（Capability Curve）混淆了。我敢打赌，今天无论是个人还是企业，真正使用了AI 30%以上能力的人只有个位数比例。要让人们学会利用AI 30%、50%甚至80%的能力，这是一个长达十年的过程。
Sarah Friar：这就是我想强调的：AI是一个力量倍增器。虽然今天ChatGPT每周有8亿消费者在使用，这个数字本应达到数十亿，但关键是他们利用这一工具完成了多少比例的工作？这就像我们刚把家里的电接通，人们学会了开灯，却根本不知道电力还能用来供暖、做饭或卷发。现在的可能性太多了。
Andrew Mayne：我常用的一个比喻是：1990年到2000年间，电子邮件本身并没有变得更好，移动设备最初也没有质的飞跃，但使用量却大幅上升。问题不在于我们需要更好的电子邮件，而在于人们需要学习所有可以用它做的事情。
Sarah Friar：是的，移动端一直是我觉得很有趣的领域。当移动浪潮兴起时，人们最初只是把桌面网站直接搬到手机上，体验很差，唯一的优点是能装在口袋里。但后来你意识到有了GPS，于是可以叫Uber；有了摄像头，不仅可以给朋友拍照，还可以拍张支票直接存入银行账户。
这一切功能在手机出现的那一刻其实就已经具备了，只待人类的创造力去挖掘。所以你说得对，或许我们甚至不需要比今天更多的智能，就能大幅提升成果。当然，模型本身也会变得越来越智能。
二、医疗领域的AI
Andrew Mayne：你们提到了健康领域，这是一个高风险且至关重要的方面。几年前我们将ChatGPT用于简单应用，现在开始信任它处理符合HIPAA标准的数据。你们会把这看作是发展加速的标志吗？或者还有其他类似的标志吗？
Vinod Khosla：健康显然是我长期认为会被彻底变革的领域之一，它将把专业知识变成一种商品化的东西。但健康领域的问题在于监管。首先，AI能做的事情受到诸多限制。例如，即便AI在开处方方面比人类更优秀，它在法律上也不能开处方。
这不仅仅是FDA（美国食品药品监督管理局）的问题，还涉及到美国医学会（AMA）等机构在体制上对该功能的控制。因此在很多领域会遇到既有的阻力。诊断仍然是一个受限项，因为这由FDA控制，目前还没有任何AI被批准作为医疗器械。不过值得庆幸的是，目前的政府团队在迅速行动并承担适当风险方面做得非常好，我对那里的进展感到相当满意。
Sarah Friar：在健康领域，我们的数据显示每周有2.3亿人向ChatGPT咨询健康相关问题。66%的美国医生表示他们在日常工作中使用ChatGPT。
我可以从个人角度举个例子，我弟弟是英国的一名重症监护医生。他在苏格兰的阿伯丁工作，如果你因患疟疾去找他，他是很难想到的，因为那不在他的模式识别范围内。但如果你去某地度假被蚊子咬了，回到阿伯丁发病，ChatGPT或模型能做到的就是对他进行很好的增强。这解释了为什么有66%的医生在使用它，而且这个数字还在增长。
这不仅让医生能掌握最新研究成果、了解药物相互作用，也在某种程度上把自主权还给了消费者。我现在可以提前研究症状，与医生进行更有学识的对话，或者寻求第二意见。
举个生活中的例子，比如“我每天只有20分钟锻炼时间，我有1型糖尿病，我能做什么？”或者当我们带患有糖尿病的女儿外出就餐时，以前需要不停询问服务员，非常令人沮丧。现在我们可以拍摄菜单，让AI建议哪些菜最适合她。这改变了我们对吃饭这件事的看法，让我们能将重点从单纯的食物转移到家庭聚餐的陪伴上。
三、按收入扩展计算资源
Andrew Mayne：回应Vinod的观点，我认为监管环境必须赶上来。无论在哪种体制下，医疗费用的增长速度都超过了每个国家的GDP增速。我们需要AI，而且现在就需要。正如你指出的，这是历史上医疗智能成本首次同比下降。但这同时也带来了对算力的巨大需求。既然谈到算力，OpenAI在算力上的投资规模令人难以想象。OpenAI是如何确定这种需求的？你们看重哪些指标来决定投入巨资？
Sarah Friar：首先，我们努力确保算力投资与收入增长速度保持一致。我们发现期内计算投入与期内收入之间存在极强的相关性。
举个例子：2023年我们的算力约为200兆瓦，对应的年度经常性收入（ARR）为20亿美元；2024年算力达到600兆瓦，我们以60亿美元的收入结束该年；而到去年2025年结束时，我们的算力达到2吉瓦，收入则超过200亿美元。这显示出增长一直在加速。
虽然算力投入和收入在曲线上是对应的，但时间上存在错配。我必须在今天做出决策，以下订单并发出建立数据中心的信号，以确保我们在2028、2029和2030年有足够的计算资源。如果今天不行动，未来就不会有。
目前，我们感到在计算资源上绝对受限。如果有更多算力，我们可以推出更多产品、训练更多模型、探索更多多模态内容。这种趋势不仅限于OpenAI，去年全球整体硬件投资增加了约2200亿美元，芯片预测也上涨了约3340亿美元。整个环境都在传递一个信号：AI是真实存在的。
我们正处于范式转变之中。我们需要投资，赋予人们完成刚才讨论的所有事项所需的智能。在OpenAI内部，我们投入了大量时间深入研究消费者、企业和开发者的需求信号。
我们首先从基础层思考整体布局。在基础设施层，我们思考如何创造最大的可选性，因此我们希望实现多云、多芯片架构，这为基础设施层增添了一个有趣的维度。
往上是产品层，我们也致力使其更加多维。过去我们只有ChatGPT，而今天，面向消费者的ChatGPT内置了包括医疗在内的所有模块；我们还有面向工作的ChatGPT，以及作为新平台的Sora和一些变革性的研究项目。
再进一步，我们的商业模式生态系统也正变得日益多元化。起初为了支付ChatGPT的计算成本，我们只有一种订阅模式。现在我们不仅有多个价格点的订阅服务，还面向企业推出了SaaS定价，并针对高价值场景采用了基于积分的定价模式，因为用户愿意为更高价值的服务支付更多。
我们也在考量商业化和广告等方向。从长远来看，我倾向于能实现真正利益对齐的模式，比如许可模式。假设在药物发现领域，如果我们授权技术帮助客户取得了突破，一旦药物畅销，我们就能获得相应的分成，这与客户的目标高度一致。
如果把这三层结合起来，我把它想象成一个魔方。我们从单一模块、单一云服务商（微软）、单一芯片、单一产品和单一商业模式，发展到了如今这个完整的三维立方体。魔方大约有4300亿亿种不同的状态，这让我着迷。想象一下转动这个魔方：我们可以选择一款低延迟芯片，配合编码等人们期望提速5倍的应用，并为此收取高端订阅费。这就好比魔方的一面拼出了三种颜色。我们也可以再次转动魔方，利用低延迟芯片和更快的图像生成技术吸引更多免费用户，从而为潜在的广告平台创造更多库存。
过去12个月，我们的目标就是创造越来越多的战略选项，确保持续有能力支付实现使命，即造福人类的通用人工智能（AGI）所需的计算成本。
Vinod Khosla：简而言之，目前需求的唯一限制就是计算资源的可用性，无论是Sora还是更广泛的应用都是如此。考虑到价格弹性，对计算资源的需求实际上是无限的。我们甚至还没开始利用价格弹性这个杠杆，仅仅是因为受限于计算能力而无法满足现有需求。因此，那些谈论“泡沫”的人完全搞错了方向。他们没有意识到这场变革的规模，以及API调用需求的弹性增长空间有多大。
四、AI时代与互联网泡沫时期的区别
Andrew Mayne：作为OpenAI最早的投资者之一，你很早就押注了我们。你曾亲历过互联网泡沫，也见证过移动革命等其他变革。我想问，你对AI的坚定信念是否源于它触及了如此广泛的领域？
Vinod Khosla：当初投资时，我们的衡量标准非常简单：没有任何可供参考的预测、产品计划或ChatGPT。只有一个核心理念：如果开发出的技术接近甚至超越人类智能，其影响将是巨大的。这是一个基于宏观后果的判断，既然成功的收益如此深远，为什么不去尝试呢？
关于泡沫这个概念很有趣。人们习惯把泡沫等同于股价，但这除了反映投资者之间的恐惧和贪婪外，说明不了任何问题。我认为泡沫应该用API调用的次数来衡量。回顾所谓的互联网泡沫，如果我们看当时的互联网流量，即便股价剧烈波动，流量本身并没有出现泡沫。同样，我可以保证，如果以API调用数量作为衡量AI真实用途、实用性和需求的基本指标，你根本看不到泡沫。
我并不关心华尔街如何解读，这大多无关紧要，只是给媒体提供了填充版面的素材。股价或私有公司估值并不是现实，现实是对AI的实际需求，也就是API调用的数量。
Sarah Friar：确实如此。回看1999年，当时人们从互联网获得的价值还非常初级，很难看出它如何改变生活。但我认为AI带来的变化发生得非常快，而且非常真实。
作为一名CFO，我在组织内部看到的真实情况是：我们可以把以前那些需要不断增加人手去做的、相当枯燥的工作，真正交给系统去完成。以收入管理（Revenue Management）为例，团队以前每天都要下载前一天签署的所有合同，阅读并检查是否存在可能导致收入确认变更的非标准条款。
这对财务团队至关重要，也是审计的重点。随着我们业务成倍增长，在没有AI的世界里，我唯一的选择就是雇佣更多人去日复一日地阅读合同。这种工作既平庸又乏味，并不是人们学习会计或金融的初衷，但这曾是我们提供的入门级工作。
如今在OpenAI，我们利用自己的工具，系统会在夜间提取所有合同并存入Databricks数据库。Agent会遍历这些数据，准确指出哪些条款不规范及其原因，并建议如何进行收入确认。更重要的是，它能提供洞察，比如某个条款是否属于销售人员的违规操作，这就需要我去进行指导；或者这是否暗示我的业务模式正在发生转变，某些非标准条款其实应该标准化。这可能是一件好事，促使我找到新方式既满足客户和销售的需求，又保持商业模式的健康。而那些初级员工则可以从枯燥的工作中解脱出来，转向更有价值、他们更热爱的工作领域。
对我来说，这就证明了这不是泡沫，因为价值是真实可触及的。这意味着我可以拥有一个规模更小但绩效更高、士气更高、留存率更好的团队。我可以用数据证明业务变得更健康了。媒体用“泡沫”来引导舆论的问题在于，他们忽略了我们是在追随需求进行投资，目前甚至是需求跑在前面。所谓的“泡沫”通常是指投资超前于需求并造成了缺口。
Vinod Khosla：看看生产力数据就知道了。那些正在采纳AI的公司，特别是新一批技术导向型公司，生产力都在显著上升，数字令人惊叹。我最喜欢的例子是一家叫Slash的小公司，年经常性收入（ARR）约1.5亿美元，但会计部门只有一名总账主管，因为他们采用了以AI为导向的ERP系统取代了NetSuite。他们CEO甚至向我道歉，说可能得雇第二个人了。还有一个新闻是，有人用一个AI销售开发代表（SDR）替代了10个传统SDR的工作，剩下的一名员工只需负责监督。
Andrew Mayne：我听到两种说法：一种是不再招聘人手做某些不能带来增长的工作；另一种是现在可以把招聘名额用在能为公司创造更多增长的人才上。这就是许多科技公司发展如此迅速的原因。
Vinod Khosla：正所谓“未来已来，只是分布不均”。我看到单点上巨大的生产力、效率和敏捷性提升，但全球只有极小比例的人采用了这些技术。随着时间推移，这些案例会传播开来，技术采用率将呈指数级增长。所以，需求完全不是问题。
Sarah Friar：Vinod说得完全正确。麦肯锡的研究显示，处于前四分位的公司生产力提升了约27%到33%，这是非常有意义的增长。这不仅仅意味着减少员工，而是必须把人员转移到更侧重增长的岗位上。
我最近遇到一位大型咨询公司的负责人，她把现在的组织模式称为“人加Agents（people plus agents）”，采用一比五的比例，即一名员工对应五个Agents。但在前端，他们实际上又开始重新招聘扩张，因为客户现在需要更多帮助来部署AI。所以工作并没有消失，而是回到了人们真正想做的创造性工作，而不是单纯解析海量信息。现在，我们终于可以让机器和Agents来处理信息解析了。
五、ChatGPT中的广告
Andrew Mayne：回到消费者端，你提到了广告。我们的观点是，通过广告可以增加收益，从而提供更多服务和AI能力，帮助支付计算成本，让用户从免费层级中获得更多价值。但这引出了信任问题。用户担心ChatGPT如何处理信息，一旦引入广告，人们就会担心这会如何影响产品和组织。
Sarah Friar：首先，目前的现实是我们95%的用户在免费使用平台。我们的使命是造福全人类的AGI，而不仅仅是造福付费用户，因此提供广泛的获取途径至关重要。关于广告，第一，我们必须确保每个人都明白，你永远会获得模型能提供的最佳答案，而不是付费推广的答案。其他平台在这方面已经倒退，用户分不清是赞助链接还是最佳结果，而我们的北极星原则是模型始终给出最佳答案。
第二，广告可以带来实用价值。例如，如果我搜索周末去圣地亚哥的短途旅行，Airbnb的广告可能会非常有用。在这种情况下，用户甚至可能希望在ChatGPT环境中与广告主进行深度对话，但前提是必须清楚这是广告场景。我们需要创新，让广告看起来是平台固有的一部分，而不是老旧的横幅广告。
第三，必须保留一个无广告的层级，给予用户选择和控制权。我们非常重视数据隐私，比如在推出Health功能时，我们明确表示数据是隔离保存的，不会用于训练。信任对OpenAI来说就是一切，即便涉及广告，我们也会坚守这些原则。
Andrew Mayne：在消费者方面，未来会不会变成一个用户订阅多种不同AI服务的世界？
Vinod Khosla：我认为用户会使用各种模型，大多数人会有不止一个订阅。媒体行业就是很好的例子，大多数人拥有多个媒体订阅，这是消费者行为的一个很好参照。不同的人会选择不同选项，包括由广告支持的免费选项。即使是同一项服务，你也可以选择付费或免费。市场将呈现广泛的多样性。
六、消费者会不止订阅一项AI服务吗？
Sarah Friar：那你如何看待转换平台的成本？我很喜欢ChatGPT的记忆功能，它越来越有用，因为它能记得几周甚至几个月前我们讨论的内容。我现在每天醒来使用的Pulse功能（目前尚未广泛推广）非常惊艳。当你把它连接到日历时，它不仅会推送我感兴趣的AI数据中心内容，还会提醒我今天要在日历上和Vinod见面。记住这些细节非常有帮助。
但这涉及到多平台使用（multi-homing）的问题。如果我在多个地方同时使用AI，我就无法享受到统一记忆的好处。这跟同时订阅《华尔街日报》、《经济学人》和《纽约时报》不同，去别处阅读不会让我受损。但在AI领域，分散使用会导致记忆断层。
Vinod Khosla：是的，“记忆”确实是一个重要问题。未来可能是每个设备有一个模型的记忆，或者是多个模型各自拥有记忆。即便在OpenAI的模型上，也会有多个服务提供者提供不同的权衡取舍。这就是多平台使用的概念。显然，OpenAI不会占据100%的市场。
Sarah Friar：这是一个有趣的商业模式。人们很难理解这一点，因为它不像Netflix那样受限于用户有限的时间。我把它看作是基础设施，更像电力。
如果你问我一天用多少电？我不知道。我今天走进一个房间，风扇在吹，感觉很舒服，灯也亮着，但我并没有意识到电的存在。就像我把手机整晚充电，第二天就能用一整天一样。
目前的现状是，我们更多是在主动调用ChatGPT，去唤醒它，而不是让智能自然地内置于背景中。我认为这将是未来几年最大的变化。回过头看，你会觉得我们现在做的事情像玩具一样。未来，智能将无处不在，环绕在我们周围。
我不认为人们的时间是有限的，所以我不会纠结于此。我生活中几乎每一件事都需要智能，即使是行走，我也希望大脑中有智能在运作。如果我们能增强这种智能，结果将令人震惊。这就像你第一次发现手机上有手电筒和相机时的感觉，事后看显而易见，但当时却是革命性的。
每次使用ChatGPT，哪怕是发现一个小小的用例，我都会被震撼。比如昨天早上，我很想读《经济学人》的一篇社论，但我没时间阅读，因为我要赶着上楼准备。于是我拍了照片，让ChatGPT读给我听。它做到了，体验太棒了。我们才刚刚起步，而多模态将是最大的变革。手机教会了我们用拇指交流，而新世界的新硬件将帮助我们理解：我们可以听、说、看、写。我们将以一种非常接近人类本能的方式完成这些事情。
Vinod Khosla：让我换个角度补充一点。回看互联网泡沫时期，互联网所做的是极大地扩展了你接触信息的渠道，无论是媒体、YouTube视频还是TikTok。信息量爆炸到了人类无法完全利用的程度。我把AI看作是在你每天有限的清醒时间里的补充，它能筛选信息，让你利用它的每一小时都成为最高效的一小时。智能会将世界缩减为对你个人最相关的事物。我可能和Sarah有一套不同的优先级，智能会分别为我们总结对各自最相关的内容。
七、AI时代企业端如何取得成功？
Andrew Mayne：我们要谈谈企业端的问题。OpenAI在消费者端很有优势，但在企业端，OpenAI将如何竞争并取胜？
Sarah Friar：我认为我们已经在企业端胜出了。90%的企业要么表示正在使用OpenAI，要么计划在未来12个月内使用。微软也在使用我们的技术，这是另一个重要因素。
实际上，消费者业务是推动企业业务发展的巨大飞轮。正如早年人们第一次把iPhone带到工作场所，尽管企业最初抵触，但最终无法抵挡消费者偏好的潮流。当我在生活中习惯了某种工具，我会期望工作中的工具至少要一样好，甚至更好。这就是推动我们企业业务增长的原因，使我们成为最快达到100万家付费企业的平台，这一过程大约只用了一年半。
但这只是冰山一角。下一步是深入垂直领域，用客户的语言与他们交流。企业销售的艺术在于：不是推销产品，而是先了解问题。我们要问CEO：董事会强制你做什么？你的客户想要什么而你无法提供？然后我们将智能应用到这些问题上。
我们可以从轻度垂直化发展到深度垂直化。例如在能源公司，利用强化学习模型真正理解特定的油井或地震数据，以判断气田的回收量。此外，我们正在推进一些变革性的研究项目，实际上是接管公司某部分的业务，帮助他们以更聪明、更快速的方式重构业务流程，从而推动关键指标。
这是一个旅程。大多数企业从全面部署ChatGPT开始，这只是起步。很多企业已经开始利用AI进行编码。我和一些CEO交流时，他们会说：“我60%的生产代码现在是由Agent构建的。”而在12个月前，他们甚至不知道生产代码是什么。
在Agent方面，一切才刚刚开始。目前只有约14%的美国企业在使用某种代理式解决方案。正如我提到的财务部门的案例，机会是巨大的。
Andrew Mayne：如果我是创业公司，看到OpenAI做的一切，我会问：还有我的空间吗？
Vinod Khosla：模型会不断进化，能力越来越强，但我确信在模型之上还有巨大的构建空间。没有哪家公司能包揽一切。全球有数十亿人在工作，AI能辅助他们。OpenAI不可能在每个领域都做到专业化。
对于创业公司，谨慎的做法是明确基础模型（无论是OpenAI还是其他家）的发展方向和能力边界，然后专注于更有趣的领域，在基础模型之上增加某种专门化。单靠智能并不是解决方案的全部，解决方案周围还有很多配套要素。模型越强大，依附于其上的机会就越多。
Sarah Friar：我经常思考那些聚合了大量独特数据的用例。世界上95%的信息实际上都在公司或大学的防火墙后面。那些已经建立了业务并汇总了这些数据的公司，拥有独特的优势。除了数据，他们还管理着复杂的工作流。
以采购系统为例，系统本身并不复杂，但它擅长理解授权委托等逻辑。它知道董事会批准的审批限额，知道超过某金额必须由我批准，低于某金额可由副总裁批准；它还能访问HR系统确认员工职级。这种结合了合规与治理的复杂流程，能让公司运转得更快。这就是我对创业公司感兴趣的领域：你在哪里能获取具有复杂工作流的独特数据？这才是护城河，我们希望能与这类公司合作。通用模型无法独自完成所有这些工作。
Vinod Khosla：我完全同意。机会非常多。我见过不少初创公司专注于数据权限管理，即谁可以访问哪些信息。也有很多公司专注于为企业定制模型，以适应其历史数据和优先级。
Sarah Friar：关于Agent，尤其是代理的身份认证方面，当Agent之间开始交互时，会产生新的风险和权限设定问题，甚至衍生出“代理式商业”（Agentic Commerce）。这种即将到来的复杂性是巨大的。所以，现在做初创公司可能从未像现在这样有趣或充满吸引力。
Andrew Mayne：当你与一家公司交谈时，什么会让你感到兴奋？
Vinod Khosla：最难的总是找到优秀的人才。但我认为长期短缺的是主动权（Initiative），即人们让事情发生的能力。归根结底还是人的问题。传统的因素，如熟悉某个领域或拥有该领域的经验，现在已不那么重要了，更重要的是主动性。
八、机器人与未来愿景
Andrew Mayne：我们还没谈到机器人、现实世界模型这些领域。您曾谈到过2050年的愿景，现在模型发展这么快，您怎么看机器人的发展方向？
Vinod Khosla：我在两年前的TED演讲中说过，机器人行业（不论是双足还是其他类型）在15年内的规模会比今天的汽车行业还要大。汽车行业已经是地球上最大的行业之一，而机器人行业将由智能驱动，规模会更庞大。目前很少有汽车公司以这种宏大的视角看待世界，他们只想着如何在装配线上使用机器人。这对初创公司来说是巨大的机会。
Sarah Friar：是的，我们有时会低估这其中的潜力。以家庭机器人为例，虽然目前还没有真正的突破，主要受限于复杂性问题。在AI领域待得越久，我越对人类在物理世界中移动和做事的能力感到敬畏。
大家可能会为机器人能叠衣服感到兴奋，这当然很好。但我们容易陷入一种观念，觉得机器人必须像人类一样做所有事。实际上，突破点可能在于更感性的层面，比如陪伴。随着人口老龄化，孤独是最大的流行病之一。对于独居老人，有人能以直观、有人情味的方式与他交流是最宝贵的。我们看到越来越多的人使用ChatGPT进行这种对话。
未来的突破可能不需要机器人会做咖啡或洗碗，而是一些更简单的功能，但这能带来巨大的价值。这正是Vinod所说的“爬行、学走、奔跑”的过程，其综合价值可能比汽车行业高出好几倍。
Andrew Mayne：有趣的是，我们现在正处于可以用机器人替代某些劳动的阶段。当你可以极低成本地获得劳动力和制造能力时，世界将发生巨变。例如，当建设一流辅助生活设施的成本大幅下降，将会带来深远影响。这真正意味着什么？
Vinod Khosla：我个人的观点是，可能在下个十年末，我们会看到一个大规模的“通缩型经济”。因为劳动力将接近免费，专业知识将近乎免费，大多数功能的成本将趋近于零。虽然具体购买力与商品生产如何互动还难以精准判断，但我预计通缩程度将远超人们预期。
这涉及到社会层面的适应问题。人们将如何谋生？我经常被问到这个问题。我认为政府能够保障的最低生活标准将会比现在高得多，而且无需通过赚取收入来实现。我无法想象现在的初级医疗服务如果好上十倍，而成本只需每月一美元是怎么做到的，但这将成为现实：免费的初级医疗、免费的教育几乎不需要成本。几乎每个人都会有AI辅导，每个孩子都有私人导师，这已经在发生了。
所以，将会有一系列服务变成免费的。当然也有棘手的问题，比如住房。对于美国收入后50%的人口来说，住房和食物占了他们收入的40%以上。但我确实认为，通过机器人技术和更好的方法，这些问题最终都能得到解决。
本文来自微信公众号：划重点KeyPoints，编译：林易
通弘网提示：文章来自网络，不代表本站观点。
