Open AI 的8億周活使用者，到底意味著什麼？——a16z前合夥人如何為AI“降噪”（下）

在上一期的【泉果探照燈】中，我們介紹了“25年來致力於去除科技行業噪音”的前a16z合夥人Benedict Evans，他從過去20年的科技迭代的歷史視角，試圖為大家還原一個對AI既不誇大，也不恐懼的“喧囂之下的真相”。

您可以從這裡回溯上一篇文章，以獲得關於Benedict更為完整的介紹：

時光倒流20年，資本的科技敘事是如何演化的？——a16z前合夥人如何“降噪”（上）

今天，我們繼續連載Benedict的AI核心觀點，主要回答3個問題：

■  AI將在那些環節產生價值？

■  它會通過什麼管道送到我們手中？

■  它會摧毀什麼？又會催生什麼？

以下是Benedict第一人稱視角精編：

我們可以做個“盲測”：

發同樣的指令給ChatGPT, Grock, Claude, Gemini, Mistral和DeepSeek。

我敢打賭，只看答案，大多數人都分不清那個是那個。

讓我們看看自從ChatGPT上線以來，發生了什麼？

資本投資大量湧入、模型價格迅速下探、新東西層出不窮，熱詞縮寫滿天飛，但我們至今並沒有看到清晰的“護城河”，也沒有看到明顯的“贏家通吃”。

關於科技大廠的CapEx和ROI的擔憂，大家聊得很多了，這裡不再贅述。

他們的心態，用下面這一句話概括就足夠了：

因為任何一個錯過“可能成為平台轉移”的窗口，都可能付出巨大的代價。比如微軟在從PC到智慧型手機的轉換中，教訓非常慘痛，這也讓它這次的押注更加堅決。

結果就是，我們看到越來越多的大模型不斷湧現（如下圖），每周都有很多新增的模型，到年底更是進入了集中發佈期。

圖1. 更多的大模型

模型有優劣，但頭部模型的差距其實並不大。

下面這張圖顯示了兩個通用的基準測試，柱狀條表示：前十名模型的得分佔當周“第一名模型”的百分比。簡單說，所有模型彼此之間其實只差5%～10%。

另外，第一名一直在變。

每周都可能會出現一個新的“績優生”，有時領先會超過5%，但很快大家的性能又都收斂到了類似的區間。

圖2. 頭部模型功能差距不大、第一名每周都有變化

但是，有一個指標可以拉開差距，那就是模型的使用量。

如下圖，雖然模型能力相差不多，模型越來越接近“可替代的商品”，但是市場份額卻差距巨大。什麼決定了使用者會使用？更多的取決於品牌（ChatGPT）、管道（Microsoft Copilot）或生態繫結（Google）。

同時，ChatGPT似乎正在成為一個動詞，就像Google成為搜尋的動詞一樣，這意味著它在成為一種默認選項。

圖3. 誰決定了使用量：技術？品牌？還是管道？

如果退後一步，這些縮寫詞、性能圖表、參數指標和跑分基準……看起來很像20-30年前的個人電腦產業。

那時你必須懂得那些術語縮寫才能買電腦，包括知道多少MHz，多少MB，用的是那款晶片。

曾經組裝過電腦的人應該都熟悉，這是90年代的電腦雜誌封面：

• 《191款最快的486電腦買家指南》
• 《提速：CPU、顯示卡、主機板》
• 《最快的56k數據機橫評》

圖4. 速度、參數、各種縮寫：當年我們就是這樣對比電腦的

當一個技術剛出現時，所有人都會把注意力放在“參數比拚”上。但是技術成熟後，這些參數會變得無關緊要，這時，價值也會移動到系統、品牌、生態、應用等的其他層級。

AI也可能會重複這個過程，當模型越來越標品化，價值則會延著價值鏈向上移動。

所以，如果你是一個LLMs實驗室，你該如何競爭呢？你有兩個路徑：

■  往下走，變成資本戰：

像晶片、飛機製造、AWS那樣拼投入、拼規模化資本成本。

■  往上走，變成軟體行業邏輯：

拼產品、拼網路效應、拼“進入市場能力（Go-to-Market）”。

而你最不能做的就是：拿出一個同質化的模型，然後簡單地給它貼個價簽。

從一個常被引用的數字說起：Open AI的8億周活使用者。

乍一看，這個數字足以讓人覺得，“AI已經無處不在，塵埃落定了”。但需要追問的是，每周活躍一次，到底意味著什麼？

綜合多份美國的調查，實際AI使用更接近於這樣一個分佈：

• 每天用：約10%；
• 每周用：15–20%；
• 每月或每兩個月用一下：20–30%；
• 看過，試過，然後就沒然後了：20-30%。

在社交媒體時代，如果你真的喜歡一個app，那麼你應該是日活使用者。如果只是每周用一次，很難說它改變了你的生活——

Sam Altman是做社交媒體起家的，他當然知道“周活使用者”這個指標很唬人。

其實企業端，我們也觀察到了類似的節奏。

現在大概有1/3的大企業，至少已經上線了一個生成式AI的應用，但還有1/4的企業甚至還沒有計畫做任何部署（如下圖）。

圖5. AI落地比想像的慢？——許多大公司要到2026才真正開始動手

你會看到Accenture——全球最大的管理諮詢和技術服務公司——每個季度都有超過15億美元的AI新訂單，有很多試點項目在排隊上線。

圖6. 當企業不知道怎麼用AI，就會去問諮詢公司

Accenture AI合同金額持續上漲

但是，需要留意的是，從試點到真正投入使用，永遠需要時間。雖然過去一年多以來科技圈一直在大喊“代理化”（agentic），真正能在生產環境落地的，其實比例非常低。

如果回看過去幾十年的技術擴散，你會發現一個“三步走”的模式：

第一步：吸收（Absorb）

將新技術作為功能外掛，塞進現有流程，先把能自動化的事情自動化。

第二步：創新（Innovate）

誕生新產品、新服務、新的捆綁（bundling）和解綁（unbundling）模式。

第三步：顛覆（Disrupt）

重新定義問題，重塑市場結構。

圖7. 每一次平台轉換都遵循同一個節奏

到目前為止，大部分AI應用還在第一階段——自動化那些顯而易見的工作，比如客服自動回覆、行銷文案生成、軟體開發輔助……

這都很正常，所有技術部署都需要時間。

比如雲端運算，它在科技行業大概已經算很老的概念了，但實際上它在企業工作流的滲透率只有1/3左右。

但是，雖然部署很慢，一旦部署完成，整個企業的運轉方式將會徹底改變。

條形碼就是一個經典例子。

它在1974年問世，而真正普及是在幾十年之後，可是一旦普及但能管理5倍甚至10倍數量的商品，改寫了整個超市零售的營運方式。

AI也會如此。

圖8. “條形碼”的部署處理程序

在經歷了無數場AI匯報會、內部試點、demo演示之後，大家難免都會問：AI帶來的真正改變，會發生在那裡？

除了自動化，AI還可能是什麼？

這個問題，在今天，就像1997年撥號龜速上網的人在問，網際網路到底能幹嘛？——當時沒人能夠想像會有外賣、直播、電商、短影片、移動支付……

我們現在也站在這樣一個“模糊卻又隱約可見”的入口。

那麼，我們至少可以追問兩個更基礎的問題。

■  問題一，AI會拆解什麼？

網際網路的故事，其實就是“拆解”的故事：很多書店被拆掉了、電台被拆掉了、報紙被拆掉了……不需要物理形態，也能創造價值。

那麼——LLM會拆解什麼？那些過去依賴“人”的部分，會從結構上被抽離出來？

■  問題二，AI會重組什麼？

網際網路創造了很多新的聚合模式，比如Amazon聚合零售，DoorDash聚合餐飲（類似於中國的美團/餓了麼），Instagram聚合社交，那麼AI能不能提供不同維度的“聚合”？

它們的底層邏輯，是演算法替代了人工編輯。

而LLMs不僅僅是看你會喜歡什麼，它還能理解你的意圖、你問問題的方式，甚至你沒有說出來的偏好。

假如推薦系統能更深層的“懂你”，平台和演算法邏輯會如何改變？

以廣告為例，廣告行業是個兆美元規模的市場，目前科技巨頭吃掉了其中一半的收入。

現在大家都在用AI最佳化現有業務：行銷團隊原來一個項目做5張物料，現在變成了做200張，甚至300張。

這讓我想起了一個古早的笑話：

一部分人用AI把三個要點擴寫成一封郵件，另一部分人用AI把一封郵件總結為三個要點。

假如現在AI能把三個要點，變成300個廣告。

那麼問題來了：

誰來理解這些廣告？誰來分發它們？誰來決定該向誰展示？

這將通向“代理式消費”（agentic commerce）：我不再從亞馬遜中搜尋、不再刷Instagram、而是直接問GPT，我該買那個？

泉果視點註：“代理式消費”（agentic commerce）由AI代理幫你完成選品、比較、決策甚至下單的一種消費模式——從“我在平台上自己找東西”，變成“我把任務丟給一個AI助手，讓它幫我搞定”。

就像我拍了冰箱存貨的照片給AI，問它我今晚應該做什麼菜，還需要買什麼食材。這不是更快的“購物流程”，而是一種新的“生活路徑”。

圖9. 讓AI根據冰箱存貨規劃菜單

當然，這一切目前還非常早期。

這張圖我很喜歡，這是一家東京的書店，它只有16平米，每周只買一本書。你不需要選擇，因為你只有一個選項。

圖10. 一室一冊的森岡書店

但是在網際網路世界裡，你面前是無限的貨架，為了避免迷失，我們只能依賴不完美的推薦系統。

而未來，很可能會變成，每個人都能擁有一間只賣給你一本書的書店——它知道你是誰、你要什麼，也能把最適合你的那一件東西拎出來。

未來的系統不再只問“你想買什麼”，而是會反向去理解：“你為什麼想買它？”

——你是想獲取功能，還是想獲取體驗？是追求效率，還是審美、品味和身份？

AI對人的動機建模，成為推薦系統的新核心。

換句話說，我們的AI策略應該是什麼？這個問題沒有統一答案，而是一組關於動機的問題集合，它取決於：

• 誰在問？
• 他處於什麼行業？
• 他為什麼在問這個問題？

就像一面鏡子，不同的人會照出不同方向，這才是真正決定答案的因素。

結 語

停下來，看看AI“嶄新”的外表下，那些似曾相識？

我的最後一個觀察是，雖然AI似乎吸引了全部的目光，但那些在AI之前讓我們興奮的技術，其實從未離場。

電商已經佔到零售的30%，並且還在繼續增長，尤其在美國之外發展更加迅速。Robotaxi正在各個城市跑起來；Meta的眼鏡、各種形態的機器人，都在悄悄變得更成熟，它們都值得期待。

但我們其實應該停下來，想想在“嶄新”的外表下，有些事情是不是似曾相識？

這是1951年IBM的廣告：我們的“電子計算器”能讓一個人擁有150名工程師的能力——今天多少AI廣告，其實也在說同樣的話。

圖11. 1951年IBM電子計算器廣告

1955年，美國政府發佈了一份關於“自動化”的報告，那時候他們把所有新技術都叫自動化。其中提到，有一種可能會被自動化的工作，是電梯操作員。

這張照片是我家公寓裡的老式電梯，以前坐電梯需要一個專業電梯員操控。當時還有一個詞叫“電子禮節”（electronic politeness）,用紅外線確保電梯不會夾到人。

圖12. 老式的手動電梯

但是，請問你上一次按電梯時，有沒有意識到自己在用一個“擁有電子禮節的自動化電梯”？你不會。它現在只是一個再普通不過的“電梯”。

我們建了大量電梯，然後把它們自動化，再之後——我們完全忘了它們曾經不是自動化的。

就像開篇Larry Tesler說過的觀點：“AI是那些機器還做不到的東西——一旦它能做到，我們就會說，那只是軟體。”

我們的世界就是這樣不斷改變的。

每隔10年，

我們“自動化”了一些東西；

再過10年，

我們忘了它曾經需要人力；

又過10年，

它們變成了世界隱形的背景。

而就在這個過程中，世界被一次次地重新書寫。 (泉果視點)