今天听完了 a16z 播客的新一期对谈： Benedict Evans（曾任 a16z，长期研究平台变革） 和 主持人 Erik Torenberg 聊《AI eats the world》以及下一轮平台迁移的真实走向。整期内容不太像“追热点”，更像是在给 2025 年的 AI 产业做一次冷静校准：泡沫从哪来、为什么全行业 FOMO、为什么人人都知道但还没用成习惯，以及最关键的——模型之外，到底还缺什么产品形态和商业护城河。
下面我把这期对谈里我认为最有价值、也最能帮助我们理解当下进度与下一步机会的点，整理成一篇信息梳理，分享给大家。
01 真实进度条：为什么 AI 看起来“人尽皆知”，却还没变成“人人离不开”
Benedict Evans 用一个很刺耳的反问开场：ChatGPT 有 8–9 亿周活，但如果你是那种每天用好几个小时的人，不妨问自己——为什么有五倍于你的人“看过、理解、有账号、会用”，却想不出这周或下周要用它做什么？
这句话把 2025 年 AI 的“真实进度条”钉在了一个矛盾上：热度已是基础设施级别，使用仍停留在“可选工具”。他提到的调查印象也指向同一件事：每天用的人大约 10%–15%，更多人是“每周用一次或偶尔用一次”。这会直接影响一切——从商业模型、分发渠道，到谁能构建真正可防御的产品。
02 “AI”和“AGI”正在变成一套话术，而不是一组定义
Evans 反复强调：“AI”这个词越来越像“技术”“自动化”——只在“新”的时候成立，一旦普及，它就不再被称为 AI。他举了电梯的类比：1950 年代奥的斯把自动电梯当成“电子礼仪”营销；今天没人会说“我在使用电子电梯”，它只是电梯。
而“AGI”则更像“新的、可怕的东西”。他讲了一个略带神学意味的笑话：AGI 似乎总处在一种尴尬的二选一——要么它已经到了，只是“小型软件”；要么它在 5 年后，并且永远都会在 5 年后。
这也解释了他对行业叙事的敏感：你会看到有人说“我们现在就有博士级研究员”，也会看到另一派立刻反驳“没有，别闹”。对 Evans 来说，问题不在于谁更会讲话，而在于：当我们连“它到底是什么”都在摇摆时，所有预测都会被叙事拉扯得四分五裂。
03 这到底是一次平台变革，还是“比平台更大”的结构性变化？
Evans 的核心框架，是把生成式 AI 放进“平台变革史”里对照：平台变革通常会带来赢家和输家，会制造泡沫，也会催生新的万亿公司；但对科技行业之外，影响往往分化——互联网对报纸行业是“改天换地”，对水泥行业可能只是“更好用的工具”。
但这一次不同在于：过去的平台变革，你不知道明年会出现谁（Netscape 出来时，很多未来巨头还在上学；Amazon 也还只是书店），但你大体知道物理极限：带宽、硬件、电池、成本曲线都在可推演的边界里。
生成式 AI 的麻烦是：我们不知道它的“物理极限”。因为我们既没有对“它为何有效”的充分理论，也没有对“人类智能是什么”的充分理论，于是你只能听到一堆“我觉得”。
这会直接导致一种“精神分裂式叙事”：同一家公司可以一边谈“很快人类级/博士级研究员”，一边又谈“这是新的 API 堆栈，会像 Windows 一样让更多软件成为可能”。Evans 的吐槽很直接：这两件事不可能同时为真——要么你拥有一个博士级研究员（那它也该是博士级会计师），要么你只是得到一种更强的软件能力去做报税、写代码、做工作流。
04 泡沫：不是“会不会”，而是“我们现在是 97、98 还是 99”
在泡沫问题上，Evans 的态度既不高举高打，也不装作冷静旁观者。他的判断是： “非常新、非常大、非常令人兴奋、改变世界的东西，往往会导致泡沫。” 所以，如果现在还不在泡沫里，也大概率会走进泡沫。
但他更看重的是泡沫的“结构性特征”，而不是给泡沫贴标签：泡沫期里一切同时上涨，所有人都像天才，杠杆、交叉杠杆、循环收入到处都是；然后当它掉头，会出现棘轮效应。
他引用 Marc Andreessen 对 90 年代互联网泡沫的记忆：1997 不是泡沫，1998 不是泡沫，1999 是泡沫。问题是—— 我们现在到底是哪一年？ 如果能准确回答，我们就生活在平行宇宙里。
05 FOMO 的底层逻辑：不投资的下行风险，大过过度投资的下行风险
比“泡沫”更能解释 2025 年资本开支狂潮的，是 Evans 抛出的那句行业共识：从超大规模云服务商那里听到的说法大意都是——不投资的下行风险，超过过度投资的下行风险。
这里的关键不在“他们是否理性”，而在“没人能算明白”。Evans 用 90 年代末预测带宽需求做类比：你可以列出用户数、网页带宽、视频时长、码率、观看习惯，用电子表格算出 10 年后全球带宽消耗，再反推路由器销量——你会得到一个数字，但它一定不是那个数字，真实结果可能有百倍区间。
同理，AI 计算需求也很难代数化：模型效率每年可能下降很多倍（他强调“成本在掉”），但使用量在涨；于是你很难判断到底是“缺供给”还是“缺需求”，也很难判断今天的 CapEx 是在买未来，还是在买焦虑。
他顺手拆了一个“过度投资也能转卖容量”的乐观说法：如果你闲置算力，别人也会闲置；你以为能转卖，市场上却可能是“全行业一起库存”。
06 “缺失的产品”：ChatGPT 像入口，但还不是“定义平台的那台 iPhone/那张 Excel”
这期对谈最有信息密度的部分，其实不是模型能力，而是 Evans 对“产品形态”的判断：很多人把 ChatGPT 当成“产品”，但它更像一个“伪装成产品的聊天机器人”。
原因并不玄学，而是 UI 与工作流的现实：专业软件的屏幕上之所以只有 7 个按钮，是因为背后有一群人把机构知识、行业流程、决策节点都压缩成“在这一步该问什么、该给什么选项”。
而当你面对一个空白提示框，你被迫从第 一性原理想清楚：我到底要什么、我该怎么问、我该怎么验证、我该怎么把它嵌进工作里——它几乎在“问你所有事情”。
于是，“缺失的产品”就清晰了：不是缺一个更聪明的模型，而是缺一套能把 AI 嵌进具体岗位与具体流程的产品包装。这也是他解释为什么企业会买 Everlaw 这种“法律文档发现解决方案”，而不会想自己去拼 AWS API：人们购买解决方案，不购买技术。
Evans 给出的直觉很像一句“创业者友好”的判词：过去十年企业软件公司在拆解 Oracle/Excel；今天 AI 软件公司在拆解 ChatGPT。谁能把“按钮”做出来，谁就能把 AI 的能力变成可销售的工作流。
07 验证与错误率：为什么“无限实习生”有时反而让你更累
Evans 最尖锐的现实主义，不在“它会不会更强”，而在“你能不能验证”。他引用与 Balaji 的对话：硅谷的人经常对错误率挥手而过，但很多问题需要特定且正确的答案；如果无法机械验证，靠人检验是否划算？
在营销里，让机器生成 200 张图、人挑 10 张，效率巨大；但在数据录入场景，如果机器从 200 个 PDF 抄 200 个数字、你得逐个核对，那你还不如自己做。
他举 OpenAI Deep Research 的例子尤其扎心：它拿来当营销展示的数据“数字全是错的”，错在转录、错在来源选择；你让实习生做，也可能犯同样的错。这不是嘲讽模型，而是在强调：AI 的落地不是“能生成”，而是“能交付”。交付意味着验证链路、责任边界、以及“错一次的代价”。
08 新行为会出现，但“类别长什么样”我们现在很可能问错了问题
当被问到“会不会出现 AI 版 Uber/Tinder”时，Evans 的回答依旧是历史视角：每一次平台变革，早期都充满误判。1995 年人们以为 Web 更像“共享系统”，后来才变成“发布系统”；iPhone 也用了两年才真正跑通价格、功能与分发。
他甚至把这种“问错问题”的必然性当成规律：当年移动时代人人追问“3G 的杀手级用例是什么”，最后答案是“口袋里随处都有互联网”——但当时没人这么问。
因此他更愿意把 AI 的落地分成三步：
第 一步，把它做成功能，做明显的自动化；第二步，做新的东西；第三步，有人把行业从里到外翻过来，重新定义问题。
在他看来，我们仍大量停留在第 一步，同时开始更认真地讨论第二步、第三步：AI 会带来什么新收入？会在哪些地方重塑市场结构？
09 竞争格局：模型趋同，真正的差异在分发、成本与“可防御的粘性”
关于“谁能赢”，Evans 不太相信“基准分数”能给答案。他同意一种观察：对偶尔使用的消费者来说，模型很可能被体验成“商品”；真正拉开差距的，是分发、默认入口、以及成本基础。
他对 OpenAI 的描述尤其冷：8–9 亿周活当然惊人，但这种优势“很脆弱”，因为它更像品牌与默认，而不是网络效应、生态系统或功能锁定；同时它没有自有基础设施，成本不受控，“每个月从 Satya 那里收账单”。
因此 OpenAI 必须两线作战：一边在模型之上拼命做产品形态（浏览器、社交视频、应用平台……“满墙都是线”那种），一边补基础设施，去和 Nvidia、AMD、Oracle、甚至“石油美元”打交道。这句话把 2025 年“FOMO”从云厂商扩展到了模型厂商：不仅要跑得快，还要补齐护城河。
10 大厂站位：Google / Meta/ Apple/ Amazon / OpenAI 分别在守什么、抢什么
Evans 对“大厂站位”的拆解，核心不在“谁模型更强”，而在五家公司各自的基本盘不同：有人在守入口，有人在守现金流，有人在守设备生态，有人既卖铲子也想重做决策链路。
OpenAI：守默认入口，抢护城河与成本基础
OpenAI 的强项是心智与默认入口，但弱点是缺少稳固的生态锁定与基础设施控制权。它必须同时补两件事：把入口变成更强粘性的产品形态，以及把成本基础从“外部账单”变成可控的长期结构。
Google：守搜索广告现金牛，抢下一代体验的定义权
Google 可以用既有现金流承受巨额投入，把 AI 吸收进搜索、广告、工具链里，先把“旧世界”做得更强。同时它也在争一件事：下一代入口究竟长什么样——是 Google 定义，还是别人定义后 Google 复制并规模化。
Meta：守内容分发与推荐系统，抢下一代社交体验控制权
AI 对 Meta更像“体验范式变量”，会影响内容生产、分发、推荐与互动方式。它最在意的不是单点能力，而是分发机器的控制权是否旁落，因此更需要掌握自有模型与能力边界。
Amazon：守 AWS 的铲子生意，抢购买决策与发现入口
一方面，Amazon 天然受益于把 AI 当云能力售卖；另一方面，它更想抢的是“用户如何决定买什么”。如果购买从搜索 SKU 迁移到对话式建议与发现，零售媒体、广告转化路径、推荐系统都可能被重写。
Apple：守设备与生态入口，抢‘计算形态是否改写’的落点
Apple的关键不在有没有聊天机器人，而在 AI 会不会改变“软件是什么、App 是否还存在”。如果交互转向代理化/对话化，设备侧仍可能是关键入口；但前提是体验要足够稳定可靠，而这恰恰是行业目前最难交付的部分。
11 站到行业外面：真正焦虑的不是“我能不能用 AI”，而是“我的价值链会不会被改写”
Evans 最后把镜头推向科技之外：如果你是出版、品牌、营销、媒体公司，你可以列一堆问题，但你甚至不知道问题是什么。
当用户问 LLM 要一个食谱，LLM 直接给答案，食谱网站意味着什么？当购买决策变成“我挥舞手机问一句‘我该买什么’”，流量与转化会被带到哪里？Amazon 能否借 LLM 真正把“推荐、发现、建议”做成规模化能力，而不只是卖 SKU？
他甚至把这种冲击总结为一种残酷的“自我识别”：报纸行业过去谈策展、新闻，却很少承认自己也是“轻制造+本地配送卡车公司”；直到互联网来了，价值链里真正可被拆解、可被替代的部分才暴露。
换句话说， AI 的第二阶段、第三阶段，可能不是把你效率提高 20%，而是让你意识到：你以为的护城河，可能只是“无聊、困难、耗时”的流程摩擦。 当 LLM 移除摩擦，你靠摩擦赚钱的行业，会突然失重。
2025 年的“真实进度”，是一场从模型热到产品定型的迁徙
如果把这场对谈压缩成一句话：2025 年 AI 的关键不在“更强的模型”，而在“缺失的产品形态”与“可验证的交付链路”——它们决定了 AI 会从少数人的高频工具，变成多数人的默认工作方式。
Evans 最后也留了一个诚实的边界：我们现在拥有的，还不是“实际人的替代品”，除非在非常狭窄、严格护栏的场景里。它会不会成长到那一步？没人能给可证伪的答案。
但对产业而言，也许更重要的是： 即便它永远只是“更强的软件”，也足以像互联网与智能手机那样，重排一批行业、重写一批公司。 而真正的战场，会发生在“泡沫与 FOMO”之下，那些把能力做成产品、把错误变成可控、把工作流变成按钮的人手里。
