后软件时代的两条制胜路径

摘要

风险投资人Sumeet Singh认为，多数AI创业者仍在用SaaS时代的思维构建专用AI工具，这将被日益强大的通用基础模型所吞噬。他援引Richard Sutton的苦涩教训——规模和算力终将击败专业化——提出两条可持续路径：一是构建模型经济，为AI模型提供算力、数据和基础设施；二是发现只有AI才能实现的全新工作流，创造前所未有的价值。

内容框架与概述

文章开篇指出过去十年软件行业陷入同质化困境，创始人为融资里程碑优化而非真正创新。生成式AI的到来终结了这一时代，但多数创业者仍在用旧框架构建专用AI工具，面临被基础模型能力指数级增长所淘汰的风险。通用模型可完成任务的长度每七个月翻一倍，任何包装层都岌岌可危。

第一条路径是模型经济，即为AI模型本身构建所需资源。文章详述了四个机会领域：算力商品化交易平台、端侧AI硬件与本地网络、数据交易所促成企业数据授权，以及模型评估与质量保障基础设施。这些业务直接服务于模型能力的提升，与苦涩教训的方向一致。

第二条路径是发明AI原生工作流——不是把AI嵌入现有流程，而是创造以前根本不可能的工作形态。作者以Figma之于协作设计的类比，强调真正的机会在于问如果AI是原生能力，工作本身会如何重新定义，而非仅仅用AI加速旧流程。

核心概念及解读

苦涩教训（Bitter Lesson）：Richard Sutton提出的核心洞见，即在AI发展中，更大规模的算力和数据总会击败人类精心设计的专业化方案，这一规律正在重塑整个AI应用生态。

模型经济（Model Economy）：不是用AI构建应用，而是为AI模型构建其所需的算力、数据和基础设施，直接服务于模型能力的增长曲线。

AI原生工作流（AI-native Workflow）：区别于将AI嵌入现有流程的做法，指从零开始设计只有AI存在才可能出现的全新工作方式和价值创造形态。

算力商品化（Compute as Commodity）：AI对算力的需求呈指数增长且供需波动剧烈，撮合交易和提高利用率的平台将在波动中持续受益。

数据交易所（Data Exchange）：模型进化需要更专业化的数据，促成企业数据与模型提供商之间授权交易的中介平台将成为关键基础设施。

原文信息

此摘要卡片由 AI 自动生成