80,000 家公司如何用 AI 构建：产品即有机体与组织架构图的消亡 | Asha Sharma

Asha Sharma 2025-08-28

80,000 家公司如何用 AI 构建：产品即有机体与组织架构图的消亡 | Asha Sharma

逐字稿

开场

Lenny Rachitsky： 他说我们才刚刚触及智能体（agent）社会真正面貌的表层。

Asha Sharma： 我们正在逼近这样一个世界——优质产出的边际成本趋近于零。我们将看到对生产力和产出的指数级需求，而应对这种规模扩展的方式就是通过智能体。当这一切发生时，组织架构图就开始变成工作图，你不再需要那么多层级了。

Lenny Rachitsky： 我们之前聊过你提出的一个概念——我们正在从”产品即人工制品”转向”产品即有机体”。

Asha Sharma： 因为这些模型目前已经如此高效，你会想开始将它们调优到特定类型的结果上。突然之间，这些产品变成了活生生的有机体，随着交互次数的增加而不断变好。我认为这是每家公司全新的知识产权——能够思考、生存和学习的产品。

Lenny Rachitsky： 眼下的规划简直疯狂。在”GPT-5 出了”这种情况下，任何人怎么规划路线图？

Asha Sharma： 我们把它想成我们处在哪个”季”。第一季可能是 AI 的原型开发阶段，然后一切都围绕模型和推理模型展开，现在则是智能体的兴起。

嘉宾介绍

Lenny Rachitsky： 今天我的嘉宾是 Asha Sharma。Asha 是微软 AI 平台的首席产品副总裁，负责 AI 基础设施、基础模型和智能体工具链，同时领导核心 AI 部门的应用工程、负责任 AI 和增长业务。她此前曾任 Instacart 的首席运营官和 Meta 的产品副总裁，负责 Messenger、Instagram Direct、Messenger Kids 和 Remote Presence。她还是 Home Depot 和 Coupang 的董事会成员，同时是跆拳道黑带二段。

Asha 拥有一个非常独特且罕见的职位，这使她能够比世界上几乎任何人都更清楚地看到 AI 的发展方向，以及对于构建大规模 AI 产品的公司来说什么有效、什么无效。在我们的对话中，Asha 分享了她观察到的一系列趋势和预测，其中很多是我没有听其他人谈论过的：为什么我们正在从”产品即人工制品”走向”产品即有机体”的世界，为什么 GUI 正在被代码原生界面所取代，为什么后训练（post-training）是新的预训练（pre-training），即将到来的智能体社会时代，今天以及未来成为一名成功的构建者需要什么，以及她从密切合作的 Satya 身上学到的最重要的领导力一课。

接下来，有请 Asha Sharma。

Lenny Rachitsky： Asha，非常感谢你来参加播客，欢迎来到节目。

Asha Sharma： 谢谢邀请。

产品即有机体

Lenny Rachitsky： 我想从我们之前聊到的一个概念开始，这个概念我从未听说过，但我认为对人们的思考会非常有帮助——就是你提出的我们正在从”产品即人工制品”转向”产品即有机体”。谈谈这意味着什么，人们需要理解些什么。

Asha Sharma： 这是一个相当有趣的变化，尤其是过去一年左右。当我加入微软时，正值 OpenAI 和大型基础模型出现之后，紧接着就出现了模型的爆发——专有的和开放的前沿模型（frontier model）不断推进前沿曲线，它们既更高效，又开始在不少模型中展现出领域级的专业能力。而更近期，模型现在可以进行工具调用和函数调用，可以采取行动了。我认为这正在催生一类开始取得成功的新型产品。

突然之间，产品不再只是我们发布的那些静态的人工制品——不再只是”嘿，想出一个点子或洞察，去解决一个问题，把它发布到世界上，也许再稍微改进一下，然后加个仪表盘”。整个核心指标变成了：一个产品团队消化数据、消化奖励模型（rewards model）、然后创造某种结果的新陈代谢速度有多快？因为这些模型目前已经如此高效，你会想开始将它们调优到特定类型的结果上，无论是价格、性能还是质量。所以这相当令人兴奋，因为突然之间，这些产品变成了活生生的有机体，随着交互次数的增加而不断变好。在许多方面，我认为这是每家公司全新的知识产权，这是一种完全不同的产品构建方式，甚至是一种全新的方式来思考那些能够思考、生存和学习的产品，这确实令人兴奋。

数据护城河与后训练的兴起

Lenny Rachitsky： 听到这里，我想到的是我之前请 Cursor 的 CEO Michael Truell 上播客时，他大量谈到他们最大的护城河是从人们使用 Cursor 的过程中捕获的数据——接受某些建议，不接受其他建议。这是你在这里说的意思吗？就是公司从人们使用产品中收集的专有数据，还是说有更深层的东西？

Asha Sharma： 我认为我们之所以看到后训练的兴起，正是因为模型本身已经如此强大。截至今年，Nathan Lambert 做了一项我觉得相当有趣的研究，分析了所有顶级排行榜，结果显示一旦模型达到 300 亿参数，实际训练一个模型并投入数十亿 token 进行预运行的资金支出在经济上就不再合理，而你可以开始在循环上进行优化。所以在许多方面，我认为使用你自己的数据是最佳的优化方式，但你也可以合成生成数据。

你需要设计奖励机制，需要真正地部署上线，需要严谨地进行 A/B 测试。你需要找到最合适的应用场景或用例。然后是的，这会产生你可以从中学习的数据。我从没见过任何产品只有一个反馈循环。我认为那是多条轨道并行运行，就像流水线一样，不断产出结果。

Lenny Rachitsky： 那么这个论点——我们正在走向”产品即有机体”——基本上只适用于模型公司，还是说也同样适用于，比如说，SaaS 企业、工具类产品和用户工具？

Asha Sharma： 你看，我认为软件作为一种基础构件正在发生变化，其内部的核心产物是模型，与软件组件并存。所以在很多方面，我认为软件产品都将成为”模型驱动”的产品。

Lenny Rachitsky： 这让我想起我之前请 ChatGPT 的负责人 Nick Turley 上播客——就是我们录音前聊到的那个——我当时问他 ChatGPT 会随着 GPT-5 的推出有多大变化，他就说，“是一样的，它们是同一个产品。只不过是模型告诉我们在 ChatGPT 这个产品中该做什么。”

这让我联想到另一件事——你可能会想，为什么 GPT-5 不能直接自己构建用户界面，就像你使用它的过程中，它自己就在进化。这差不多就是它在 Canvas 和其他功能上正在做的事情。但这是我在理解你说的”产品即有机体”这个概念时的另一个角度：产品的 UX 可以根据你的使用方式而变化，自动进化，而不需要产品团队去做任何事情。

Asha Sharma： 我百分之百相信世界正在朝这个方向发展，而且我的体验看起来会和你的不一样。我一直在做个性化相关的工作，但在未来你可以实时地实现这一点。所以我认为那会是一个相当有趣的世界。我也认为对于智能体来说体验会不同，对于高级用户和新用户来说也会不同，所有这些都会有差异。

成功 AI 产品的组织模式

Lenny Rachitsky： 让我拉远一点问你一个问题。你们和很多公司在你们的平台和其他平台上构建 AI 产品。我猜有些做得非常出色，势如破竹，有些则在挣扎。你发现那些真正成功、做出了非常成功的 AI 产品的公司有哪些共同模式？做得不好的公司又有哪些问题？

Asha Sharma： 是的，我觉得有些东西更广泛地适用于组织本身，还有些东西则适用于那些构建 AI 产品的人。从更广泛的角度来看，我认为成功公司开始呈现出一种模式。第一，他们拥抱 AI，每个人都变得 AI 熟练。

所以我认为每个人都在日常工作中使用某种副驾驶或 AI 工具，这是第一位的，这样每个人都对它不感到恐惧，理解它如何为各种技能和任务提升上限、降低门槛。第二，在此基础上，他们开始说，“好的，我怎样才能对一个已有流程应用 AI 使其变得更好？“这可能是客服支持之类的事情，或者是将欺诈处理的解决时间从 15 天缩短到 10 天。

在完成整个循环——梳理流程、应用 AI、看到某种影响，然后感受到利润表的收益或内在价值——之后。第三件事就是，“好的，很好。现在你看到了影响，每个人都在使用它，你如何真正用它来推动增长？“这可能是改善客户体验，从而提升客户终身价值或留存率。也可能是共创一套新的概念或品类。

也可能是从嵌入式智能体发展到具身智能体，然后能够承担指数级增长的任务量。我认为公司失败的原因是他们为了 AI 而 AI。他们同时启动大量项目，却没有一个蓝图来理解它到底是怎么运作的、他们的技术栈长什么样，而且他们没有把它当作一个真正的投资来对待，所以他们没有建立好测量、可观测性和评估体系。

这是需要端到端去做的。我认为对企业来说棘手的是技术在不断变化。去年 AI 领域推出了大约七万种企业工具。真的很难知道为了什么目标应该选择哪个工具。所以你真的需要押注一个平台或某种应用服务器类型的层，让你可以灵活地替换各种组件，而不是被任何一项技术或工具所绑定，因为现实是整个局面都会变化。

我觉得你必须为发展的斜率而不是当前的快照来构建。所以这大致就是我在企业层面看到的。我认为构建者本身也在发生根本性的变化。每一次重大技术变革都会带来角色的变化——从大型机到 PC，诞生了整个车库工程师文化，然后当我们从服务器走向云和移动端时，出现了 SEO 专家、CDN、增长负责人、UX 研究员、前端、后端等等。

而现在我认为我们正在见证”通才型”构建者的兴起，全栈构建者正在迎来他们的复兴。如果你看一个普通组织，推出一个产品大概需要十个步骤。可能是安全评审、规格文档、用户研究，然后涉及多少个职能？五个以上，可能六七个。我对一般组织算是比较宽容了，然后你有六七个层级。所以突然之间，你有 500 个不同的接触点需要完成才能推出一个产品，而当每周有 500 个新模型或 500 项新技术出现时，这远远不够。

所以我非常相信全栈构建者的概念。你可以在很多新兴的 AI 原生公司中看到这一点。我甚至在那些有 50 年历史的企业中也开始看到他们以这种方式运作。我认为这给了你速度和产出，然后让你能够完成整个循环，更快地消化和迭代。

Lenny Rachitsky： 这确实是这些对话中反复出现的主题——PM、工程、设计的韦恩图正在收敛，而且越来越多其他职能也在融入你的角色。所以 PM 需要在设计或工程上提升自己。

Asha Sharma： 是的，我完全同意。我认为这里的关键是循环，而不是车道。所以不管你是什么职能，你都必须痴迷于去理解产品的效率或成本、你真正追求的奖励或系统设计、实际的 UI、UX，这些东西如何真正为智能体或人呈现出来。你必须非常快地在这方面变得非常擅长。

Lenny Rachitsky： 我喜欢你刚才用的这个说法——“循环而不是车道”。能再多说说吗？

Asha Sharma： 哦，就是回到我们之前讨论的信号循环，产品在进化，变成这些活的有机体，而不是静态的产物。如果你把真正做好这个循环作为目标，我认为那就是产品本身，那就是 IP，那就是每个组织的未来。我认为反馈会变成持续的，可观测性会变成文化，我认为职能会在未来的工作团队中开始模糊。

Lenny Rachitsky： 为了让这更具体，有没有一个产品或公司的例子，是很好地践行了这种做法、过着这种循环式生活的？

产品实践中的数据飞轮

Asha Sharma： 我认为从 AI 视角来看，我们观察到这个领域的大多数公司都在这样做。我可以举几个我们在合作的例子。在编码领域，你提到了 Cursor。GitHub 有非常类似的功能，我们使用了一个由多个模型组成的集成，这些模型在 30 个不同的国家、所有语言上进行了微调，然后在一个循环中不断迭代，以提供下一轮建议、代码补全等等。

我们有一个面向医生的 AI 产品叫 Dragon，我们看到一个巨大的差异——当我们使用合成微调时，与后来由专家标注了 60 万次医患互动、并将这些数据输入模型持续优化之后的效果相比，字符接受率从原来的 30% 到 60% 之间（取决于具体运行情况）提升到了大约 83%。这只需要一小群人，而不是一个庞大的组织，他们能够跨职能地在这个循环中不断迭代，所有那些界限都在消融。

Lenny Rachitsky： 这太有意思了。所以我听到的是，如果你能收集运行效果的数据，然后花大量时间创建高质量的标注来反馈、微调，这基本上就是最大的优势——也是你在这些领域获胜的关键。好，沿着这条线，你还跟我提到过另一个你注意到的趋势，我想多听一些，就是从 GUI 到代码原生界面的转变。你说说这意味着什么，长什么样，对做产品的人意味着什么。

从 GUI 到代码原生界面

Asha Sharma： 我觉得这归根结底是未来做产品的人意味着什么。我认为所有人的第一直觉都是 GUI，但如果你回溯历史，数据库从桌面端下沉到了 SQL，云时代全是控制台，现在则是 Terraform。所以我认为我们正在看到历史上已经上演过的同样模式，开始在 AI 和其他一切领域重演——就像摩尔定律一样，而且越来越快。这个趋势正在加速。而且你想想，文本流与 LLM 的连接更加自然。

所以我认为有诸多趋势共同推动着未来产品走向可组合性，而非画布。我认为产品创造者真的需要重塑自己的思维方式，因为我们花了大量时间去思考某个东西的 UI，而不是它如何组合、一个智能体如何读取它、如何真正实现无限扩展、协作如何开始运作。所以我认为这只是一种新的思维方式，尽管这个趋势在这些变革中由来已久。

Lenny Rachitsky： 那么这里的预测是，未来会是像 Claude Code 那样的终端式体验，还是由智能体来接管，还是两者兼有？你刚才说的就是这个意思吗？

Asha Sharma： 对，说真的，如果我们任何一个人能确知答案那就太好了。我只是认为终端之所以好用、在编码时感觉那么好，是因为它与 LLM 通过文本流交互的方式。我认为两者可以并存——人类会继续提交代码，也会找到新的方式来做这件事，不管是在 IDE 里、在 GitHub Copilot 里，还是在某种新的开发环境中；同时我认为我们也会与智能体一起做这件事，智能体之间也会相互协作，并从这里继续演化。

Lenny Rachitsky： 我们之前请过 Sierra 的创始人 Bret Taylor 来做播客，他有一个类似的预测：所有软件公司都会变成智能体公司。你在这里说的本质上也是一样的——软件会变成一个在后台运行的东西，GUI 会大幅减少。那你觉得会不会变成我们正在习惯的这种聊天界面？它会成为与智能体交互的主要界面吗，还是会有别的什么？

Asha Sharma： 我认为对话是一个非常强大的界面。我做过消息相关的产品，我认为它在很多沟通形式中都很棒，但它不是唯一的沟通形式。我们今天用邮件相互协作，我们用文档，大家都用 Word 和 PowerPoint。有十亿人生活在各种文档制品中，我认为这些都可以成为画面中非常重要的可组合的部分，也理应如此。所以我对这一点很期待。聊天会很重要，但肯定是不够的。

Lenny Rachitsky： 有意思的是，ChatGPT 是有史以来增长最快的产品，可能也是有史以来最具影响力的产品——它就是聊天。

Asha Sharma： 对，它很棒。

Lenny Rachitsky： 它管用。

Asha Sharma： 我觉得我们需要问自己的问题是，它会不会永远只是聊天？

Lenny Rachitsky： 对，对。Nick 的描述方式是，我们正处在 ChatGPT 的 MS-DOS 时代，这很有意思。这跟你说的恰好反过来——也许是先从聊天开始，然后必须走向 GUI，然后也许再回去。但他说会有一个”Windows 版本”，让你更容易搞清楚到底发生了什么。

Asha Sharma： 对。我认为这个想法很聪明。每家公司都应该把 AI 带到用户所在的地方，而 ChatGPT 的所有用户都在用聊天，它是一个出色的产品。而全球有很多人以各种不同的方式工作，我们应该思考如何用 AI 来赋能这些方式。

智能体社会

Lenny Rachitsky： 那我们来聊聊智能体吧。你花了很多时间与智能体打交道，构建智能体，帮助企业构建智能体。你有一句话我特别喜欢，你说我们才刚刚开始触及智能体社会真正面貌的表层。我太喜欢”智能体社会”这个概念了。未来它到底会是什么样子？

Asha Sharma： 天哪。说来有趣，你之前跟我聊到你两岁的孩子，我儿子 Ron 刚满一岁，我都无法想象两岁是什么样子——觉得那好遥远，届时又会发展出什么来。我认为在未来，工作看起来会非常不同。我们正在走向这样一个世界——优质产出的边际成本趋近于零。而当这种情况发生时，我们将看到对生产力和产出的指数级需求。

而我认为实现这种规模化要靠智能体——嵌入式的智能体，以及它们的工具和软件。我认为这类东西会比我们今天使用的软件多得多。然后我认为还会出现一批具身智能体，我们现在已经开始看到了，对吧？你可以把一个 pull request 分配给 Copilot。你可以创建一个智能体式的软件开发代表，帮你做线索挖掘和开发。

所以我认为当这一切发生时，组织架构图开始真正变成工作图。我认为任务和吞吐量会变得比以往更重要。我也认为你不再需要那么多层级。整个组织架构可能在几年内就会开始呈现出不同的面貌，所以我对此很期待。会议还是会是会议，还是会有些怪，但我觉得会好一些，会有很多变化。

普通员工的技能扩展

Asha Sharma： 我觉得对于普通员工来说，我的期望和我乐观的看法是，他们能够扩展自己的技能组合，因为现在他们有了自己的智能体栈，可以带到工作中，就像你可以自带设备一样，你可以开始接触到以前从未有过的一整套技能。所以如果你想一下，全美大约有两千万人处于这个领域，如果他们的技能提升 20%，对 GDP 的影响是相当指数级的，所以这是很有趣的事情。

Lenny Rachitsky： 你提到的”工作图取代组织架构图”这个说法是个非常深刻的概念，因为我不确定你是不是这个意思，但我脑海中的画面是——你组建这些团队，给他们使命、目标和 KPI，成员包括人类，然后说”好，先去做这件事”。而我在听你说的过程中意识到的是，如果你让智能体来做这件事，那它们的提示词就是”去提升转化率”。然后你有一大堆智能体，那就是组织本身。这就是转化引导团队，就是一群智能体在外面各自干活。你说的就是这个意思吗？

Asha Sharma： 对，我觉得今天我们的思维方式是，“组织架构图中谁向谁汇报，谁负责哪些领域”。而我觉得归根结底，当你拥有一组有能力的智能体，人们能胜任更多事情的时候，你就不会再用层级制来思考，也不会再按照向上沟通的方式去运作，而是开始转向基于任务的、向外拓展的机会。我认为在组织中，人类将始终决定 AI 如何使用、我们想把它应用在什么地方。

但当一个新的问题或新的任务出现时，你如何自动决定把它分配到哪里？谁在处理那个任务？如何实际去执行？如何观察它是否在做正确的事？如果做得不对，如何微调？所有这些事情都变得令人兴奋。所以我在推测，存在这样一种可能性——那将是非常激动人心的，我觉得这很好，因为我们能完成更多事情。

审核智能体工作的挑战

Lenny Rachitsky： 你提到了审核工作变得越来越重要这个观点。如果你有一千个智能体在外面干活，那真的是——天哪，要审阅的东西太多了，要确保它们做的是正确的事。你认为这件事会如何演进？就是扩大你审核正在进行的工作的能力？

Asha Sharma： 对，我觉得我们之前讨论过的那种循环变得越来越重要了——微调和自修复的可观测性、非常好的评估，所有这些都缺一不可。好消息是，目前已经存在为数十亿人管理这类事务的系统，所以我觉得我们不必重新发明轮子。当然，如果那种场景真的出现，肯定会有很多新的东西需要学习，但管理设备、策略和组权限这些事情都是已经解决的问题，这是好事。

~ （广告段落已跳过） ~

团队中智能体的实际应用

Lenny Rachitsky： 这一切感觉很多都还在未来。我知道其中很多东西已经在发生了，人们正在以各种不同方式使用智能体。你和你的团队有没有发现与智能体协作的某种特别有价值的方式？除了编码之外——我想编码肯定是很大一部分——但有没有什么让你觉得”哇，这真的是件大事”的？

Asha Sharma： 到目前为止，我们已经在很多工作流程中融入了 AI 和智能体。我最喜欢的一个场景是——现在我的工程搭档们都不在，所以我直接跳上现场的故障排查桥接通话。当出问题时，简单到你可以自动获得刚才所有事情的摘要，因为通常有十五个人在同时讨论，你其实不知道事故从哪里开始的、会走向哪里，然后突然间我就有了这些信息，可以弄清楚状况、提问、获取最新进展。非常棒。我觉得整个 DevOps 领域都在发生变化。

我们用 Spark 来创建原型，所以团队里的每个人都要求会写代码，但有时候直接用自然语言聊一聊、说一说，反而能得到一个更有趣、更能反映你创造力的原型。所以我们也在用这个。我觉得大家都在用 AI 来写作，都在用 AI 来提升效率、撰写文档等等。所以我觉得它无处不在，这很酷。不过我认为在智能体协作方面，我们还只是触及了皮毛。

Lenny Rachitsky： 这就是每次有人问我怎么用 AI 时的感觉——就是无处不在。它渗透到我做的每一件小事里，我甚至不知道该怎么描述。

Asha Sharma： 对，已经很难回忆起一个它还不存在的世界了。

Lenny Rachitsky： 对，有一个和我合作的的产品经理 Peter Yang，他就说他”甚至不知道没有 AI 的情况下怎么做战略文档了。以前的人没有这个辅助是怎么做的——”

Asha Sharma： 你觉得未来还会有战略文档吗？这会很有意思。

战略制定与人类判断

Lenny Rachitsky： 我曾经写过一篇文章，讨论产品经理工作中哪些技能最容易被 AI 取代，其中战略是人们争论最激烈的部分。你可以说——我也不知道，我们简单聊聊——你可能会想，如果某个 AI 拥有你掌握的关于市场走向、你的指标、你当前产品的所有信息，它应该能非常擅长为你制定战略。但很多人认为这是 AI 长期内最不擅长的领域，因为这正是需要人类判断力的地方。你有什么看法？

Asha Sharma： 我认为世界上一些最具影响力的产品，需要大量确定性的、逻辑性的输入，同时也需要创造力、想象力、判断力和远见的火花，这些东西离开了人类是无法实现的。微软关于软件工厂的愿景以及它所创造的一切，并非必然发生的。Instacart 也是如此——之前有 WebVan，WebVan 失败了，但 Instacart 成功了，因为一种不同的思维方式。那是在实际经历过程中才能获得的——通过迭代和一系列经历，iPod 也是如此。所以我觉得人类的这些能力是存在的。而文档本身，对于每一个想法、每一个需求，会逐渐消融为应用程序和生产力套件中不同的制品，这只是一种不同的工作方式。

组织协同的新机制

Lenny Rachitsky： 对，你最初的问题我还没有完全回答，但我觉得很重要。你问的是我们是否还需要战略文档？我想，无论如何每个人都需要对战略达成共识，只不过它可能不再是一份文档。

Asha Sharma： 没错。

Lenny Rachitsky： 对，它可能是某种其他形式的制品。

Asha Sharma： 如果你以正确的方式设计一个组织来跟上 AI 的步伐，你需要不同于传统工作方式的协同机制。

路线图与规划

Lenny Rachitsky： 那我正好问问你这个。现在的规划简直疯了。当”GPT-5 发布了”这种事情随时可能发生，大家怎么规划路线图？什么方法对你制定团队的实际路线图和战略有效？你会规划多远？多久需要重新推翻一切？

Asha Sharma： 我先说一句，大家其实都在摸索。而且组织越大，摸索起来就越难，不像规模小的时候可以自己亲自操盘——两者各有优劣。我们的做法是这样的。公司历史上，至少在产品团队中，是按”学期”来做规划的。你可以理解为每六个月做一次战略回顾，回顾过去、展望未来，诸如此类。我觉得这很有价值。但六个月这个周期，要真正理解前方正在发生什么变化，确实很有挑战性，容易导致过度规划。所以我们的思路是：我们处于什么”季节”？一个”季节”——这个说法让人不太舒服——可以由行业中正在发生的一系列结构性变化来定义，或者是客户侧正在发生的变化。

你可以想象，第一个季节可能是 AI 的原型开发和早期的 GPT 工作，然后是围绕模型和推理模型的阶段，现在则是智能体的兴起。这个季节可能持续一年，可能六个月，也可能三个月。但关键是让每个人都对以下问题有共同认知：结构性变化是什么？我们需要解决客户什么问题？赢的标准是什么？这样大家就有了一致的共识。我们会设定一个北极星指标，这是我们的做法。第二件事是，我们有比较宽松的季度 OKR。比如，“如果我们认同这个方向，那下个季度我们需要做什么才能真正走上那条路？“然后从这个层面出发，团队以小组（squad）为单位运作，设定四到六周的目标，针对特定问题领域去推进，逐步向上对齐。尤其是作为公司的平台以及面向 Azure 客户的 AI 平台，说实话我们一直在经历大量的变化，我认为我们必须接受一个事实——这就是我们所处的行业性质。

还有一点，我们尽量在系统中留出余量（slack），不仅是为了应对计划外的事情，也是为了留出提升的空间。我认为我们必须持续思考如何用我们的思维来颠覆现有平台，以及需要投资什么来让这一切成为可能。所以我们努力在这两方面都做一些兼顾。

Lenny Rachitsky： 这太棒了。所以我听到的是，有一个”季节”的概念，所有人都达成共识：“好的，现在是智能体的时代，这是当下正在发生的事情。我们的战略要围绕智能体来展开。“然后有比较宽松的季度 OKR，大概规划三个月，再在系统中留一些余量来应对变化。

Asha Sharma： 是的。

当前季节：智能体的崛起

Lenny Rachitsky： 当前的季节就是智能体吗？你怎么描述我们现在处于什么季节？

Asha Sharma： 对，就是智能体。智能体的崛起。

Lenny Rachitsky： 智能体的崛起。听起来像《终结者》电影。你有感觉下一个季节可能是什么吗？有没有什么”哦，接下来可能是这个”的想法？

Asha Sharma： 天哪，我没有。但我想说，目前在我们的服务上——至少在 Azure 服务上——已经部署了超过 15,000 个智能体。公司内部还有很多其他平台。我的看法是，我们应该真正专注于确保我们拥有所有必要的对齐机制、问责机制、可观测性、评估能力，让这些智能体变得出色。

我认为 Manus 在这个领域的突破在于，他们能够实现这些工具调用循环，让智能体执行长时间运行的任务，这是其他平台做不到的。我觉得这类进展至关重要。记忆能力也至关重要。仍然有一些建筑模块的缺失，导致智能体在实际应用中不够完整，我认为在转向下一个阶段之前，我们需要在这些细节上狠下功夫。

Lenny Rachitsky： 所以就是一直做智能体，直到时间的尽头，直到超级智能出现，然后我们就躺在海滩上享受了。

Asha Sharma： 对，智能体一直做到”废梗”横行。不过我觉得很酷的一点是，新的东西可能在三个月后出现，也可能在十三个月后出现。我们对一组建筑模块有坚定的信念，我们想提供这些模块来让这些智能体具有持久性和高耐久性，这就是我们聚焦的方向。

Lenny Rachitsky： 你说有 15,000 个智能体，这是什么意思？是 15,000 种可用的智能体类型，还是有 15,000 个正在运行的流程？

Asha Sharma： 不是，那是客户数。15,000——我想我应该重新确认一下这个数字——15,000 个已经构建了智能体的客户。实际的智能体数量应该是数以百万计的。

Lenny Rachitsky： 15,000 个客户在你的平台上构建了特定类型的智能体，它们正在运行，而智能体的数量是以百万计的，就在云端运行着。

Asha Sharma： 是的，完全正确。

Lenny Rachitsky： 好的。这些数字太疯狂了。好，让我稍微换个方向。你处在 AI 风暴的中心，看到了所有正在发生的事情。有没有什么是你在这个角色之前希望自己就知道的？就是那种”好的，我明白了，但我之前没预料到这个”的东西。

角色中的意外发现

Asha Sharma： 我刚接手这个角色的时候，有人把它描述为”兽腹之中”（belly of the beast）。我的职业生涯大部分时间都在构建以机器学习和应用或业务为中心的产品。出乎我意料的是，很多经验其实是可以迁移的——打造一个伟大平台所需的东西，和打造一个伟大产品所需的东西是相通的。而对我来说，真正驱动这一切的，往往是那些看不见的工作，而不是那些可见的像素。

举个例子，我早期工作过的一家公司叫 Porch Group。我是第七号员工。我们当时的目标是帮助人们打理自己的家。我们发明了很多功能，比如”房屋报告”、一种管理房屋的方式、房屋风格灵感——你可以看到所有的房子，它能把每个房间都做成地图。但在我任职期间，我们能做的、也确实做的最重要的一件事，是创建了一个匹配平台——将 600 万专业人士、1,300 种服务类型、37,000 个邮政编码与北美所有房主进行匹配，从而真正帮助人们打理自己的家。这本质上就是一场寸土必争的较量（game of inches），不断优化那个引擎，以此来生成更高质量的线索。

平台制胜的核心要素

Asha Sharma： 正是这些让我们达到了第一个五亿美元估值。后来我们在此基础上进一步构建了其他垂直服务和软件平台，这些成为了公司的知识产权。做消息产品也是同样的道理。我最大的一个领悟是——WhatsApp 并不是因为贴纸、Stories 或深色模式而赢的。事实上，它赢的时候甚至可能连这些功能都没有。它之所以赢，基于几个前提：第一是通讯录——你知道使用 WhatsApp 时可以联系到每一个人，因为你有他们的电话号码，而这些正是你在使用消息应用时想要联系的人。

第二是可靠性和速度。我可以给在印度的祖母发消息，确信她每次都能收到。然后是隐私。当你每天给你最在乎的四个人发送两百条消息时，你要确保没有其他人能读到这些消息，所以端到端加密至关重要。所以，决定胜负的不是几百个功能，而是基础设施和平台本身。

Instacart 也是一样。Instacart 有很多深受用户喜爱的功能，但归根结底，它是靠十亿件商品、每分钟更新三千次的数据，把房主们需要的日用品从他们喜欢的商店送到家门口。所以我希望我早点认识到这一点，因为这会大大缩短我的学习曲线——平台获胜靠的不是所有那些功能，而是数据驻留能力。

也就是说，德国的医院在微调模型时可以放心去做，数据不会离开所在地区；还有可用性、可靠性。确保企业所需的工具选择正确，知识检索方式正确。这就是我们搭建的平台，只是当初并没有完全意识到这些经验会迁移过来。

Lenny Rachitsky： 嗯，这很有意思。我听到的是，人们往往低估了那些最基础的东西——就像马斯洛需求层次金字塔的最底层——那些真正帮助平台获胜的因素，尤其是在消息平台中，比如可靠性、隐私、可用性这些。

Asha Sharma： 对，性能、可靠性、隐私、安全性，所有这些东西。

与 Satya 共事中学到的领导力

Lenny Rachitsky： 换个完全不同的话题。之前我们约录制的时候，你说”我有个跟 Satya 的重要会议要做”，所以我们改了时间。很少有人有机会和 Satya 共事，他是一位非常成功的领导者。你从他身上学到了什么？关于领导力或产品打造方面的？

Asha Sharma： 我学到的是，乐观是一种可再生资源。这家公司五十年来有无数理由可以不成功，但它在 AI 时代取得了早期成功，也经历过挑战和其他成功，而这个领域发展得如此之快。我认为他激发能量、用乐观去更新每个人对使命的投入，这种能力令人难以置信，而且我认为这是公司文化中极其重要的一部分。每个人都在谈论成长型思维，这是真实的，是文化中非常重要的一部分。但我认为，在一个竞争极其激烈的人才市场中，能够激发能量、清晰传达我们需要做什么、用乐观来每天更新每一个人对使命的承诺——这种能力是非常了不起的。

Lenny Rachitsky： 你觉得这是他天生的，还是他后天刻意培养的——为所有人持续生成这种乐观的能力？

Asha Sharma： 我不知道。这个问题应该问他，但我对此深感钦佩。

Lenny Rachitsky： 有意思的是，很多东西归根结底就是一种”氛围”（vibes）。不仅仅是他说的话，而是他散发出来的那种乐观和能量。

Asha Sharma： 想想看。我们每个人每天都在选择关上孩子房间的门，去做一份工作。所以你必须做一件让你深受触动的事，你必须深信它会让世界变得更好。我觉得这就是为什么说是”氛围”。你必须追随并忠于一个比自己更大的使命。

Lenny Rachitsky： 这让我想到我在播客中引用过好几次、每次都让人深受触动的一句话——唯一会记住你加班到深夜的人，是你的孩子。

Asha Sharma： 好吧。我不知道这话要往哪儿走，但现在……嗯。

Lenny Rachitsky： 太沉重了。扯太远了。天哪。好吧，让我换个问题。驱动你的是什么？

Asha Sharma： 我们本可以说”客户”，可以换一种方式回答的。

AI 与人类的未来

Lenny Rachitsky： 这才是真话。驱动你的是什么？是什么让你对现在做的工作保持兴奋？

Asha Sharma： AI 在劳动力方面将帮助我们做到的事，在医疗健康方面将帮助我们做到的事。我妈妈患有癌症，我经常想，我们是否能在我的有生之年找到治疗她那种癌症的方法——三年前我从未觉得这是可能的。所有这些都意义深远。而既然我们生活在这样一个时代，与如此强大的技术共事，我个人现在反复思考的是这项技术的影响，以及我怎样才能最好地构建一个平台，让人们能够善用它。

所以我选择在微软工作，是因为这家公司的整体理念就是如何帮助个人和企业成就更多。对我个人来说，除了 GPU 之外，我晚上躺在床上想的是：我儿子将来还会有同班同学吗？这不是因为智能体会取代他们，而是因为生育率在下降。我们成长的九十年代，平均生育率大约是三，现在是 2.3，预计到 2050 年将低于更替水平。我认为 AI 可以对此产生巨大影响，而且已经在产生了。

我刚读到伦敦一家医院利用 AI 匹配卵子和精子来提高怀孕率，同时还在降低成本。你也看到了昨天 ChatGPT-5 的发布，其中有一个很棒的故事是 ChatGPT 如何在医疗健康领域发挥作用。斯坦福是我们的重要客户，使用我构建的平台，他们正在用 AI 做肿瘤评审。就是这些事情将推动人类向前迈进，延长我们的寿命，让我们有幸去解决百年级别的问题。这就是我为什么兴奋，这就是我做这些事的原因。

Lenny Rachitsky： 是的，尤其是你现在的角色，你在构建的是支撑这一切的平台，我能理解这有多大影响力。Asha，在我们进入非常精彩的闪电问答之前，还有什么想补充的，或者想在前面聊过的内容上再展开的吗？

Asha Sharma： 我们简单提到过，但我认为随着智能体的出现，以及能够思考、行动和推理的产品的出现，将会出现一波围绕 RL 的新浪潮。我深信，这将变成下一个阶段——至少接下来几个阶段中——最重要的产品技术之一。

Lenny Rachitsky： RL 是指强化学习（reinforcement learning）吗？

Asha Sharma： 是的，没错。我相信未来花在后训练上的资金将与预训练相当，甚至更多。我们之前简单提到过 Nathan Lambert 的研究，他的观点是当一个模型达到 300 亿参数时，进行微调更有意义；而且调查显示 50% 的开发者现在都在做微调。我们知道微调是有效的，但如果你真正走完整个闭环，效果会更好。

所以我觉得这里面有很多机会，而且围绕这一层技术栈，将会涌现出全新一批基础设施、平台和公司。因此，我觉得现在是做平台的好时机，同时也是创业和思考这些问题的好时机。

Lenny Rachitsky： 我想确保大家真正理解你在这里说的，因为不是每个人都真正理解后训练和预训练的区别。用最简单的方式来理解这两者的差异是什么？为什么投资重心向后训练转移是件大事？

Asha Sharma： 我的理解是，创建一个基础模型需要大量的计算资源、大量的科学研究，以及我们看到的——科学家的成本或者说平均价值正在急剧上升——而且我们看到的专业知识并不是全世界到处都有的。所以这是一笔巨大的资本支出投资。

我们之前聊过，随着模型的爆发式增长，针对不同领域已经有了很多好的模型可供选择。因此我认为，从经济角度来看你能获得更大的杠杆，从品味的角度来看——你实际上想如何引导模型——如果你通过强化学习或某种微调来优化现成的模型，使其在价格、性能、质量等维度上达到你想要的结果，你会获得更大的杠杆。

你想想看，这并不疯狂，对吧？排序是一个古老的优化问题——你不会只拿来现成的东西就用，因为虽然世界上有大量优秀的框架、UI 和组件，比如 React 组件，但你仍然想针对一组用例或一群人来定制体验。我认为这是同样的产业逻辑。

Lenny Rachitsky： 那么在实践中，这意味着——比如有一个 GPT-5 模型——你是说存在大量机会，而且有一种更高效的资金投入方式，就是拿一个这样的模型，然后用你自己的额外定制数据来训练它，不管是数据还是强化学习，甚至可能借助人类来对齐你想要实现的目标？

Asha Sharma： 没错，可以是你自己的数据，可以是你购买的数据，可以是合成数据，也可以是其他东西。但我认为我们会看到越来越多的公司和组织开始思考如何改造一个模型，而不是如何原封不动地拿来现成的东西，或者投入大量资金去构建自己的模型。

模型多样性与系统组合

Lenny Rachitsky： 是的，我记得 Cursor 的创始人在播客上分享过，他们有一系列模型来支撑你在 Cursor 中的体验，而且随着时间的推移，他们会有自己的方案。我忘了是谁了，Windsor 还是那些公司中的某一家，现在就在用自己的模型，不是简单地接入 Claude。

Asha Sharma： 我更偏向模型系统（model system）这一派。我相信模型多样性。我认为在体验层面，比如 Claude 的 Sonnet 4 在某些用例上非常出色，而 GPT-5 在不同的用例上有不同的优势。我觉得有些任务你在乎模型的延迟，有些任务你可以接受思考时间，还有些任务你想要快速检索等等。我觉得美妙之处在于有很多模型可以帮助你实现这些目标，所以我更倾向于模型系统的路线，而不是一个模型统治一切。

Lenny Rachitsky： 这个说法对吗？我也听过 ensemble model（模型集成）这个说法。

Asha Sharma： 我认为 ensemble of models（模型集成）是指一组多个模型，你可以对它们分别进行微调和独立部署。但在现阶段，我们都在用不同的术语来定义那些我们有坚定信念但数据点还很有限的东西，因为一切都在飞速变化。

闪电问答

Lenny Rachitsky： 好了，说到这里，我们进入了非常精彩的闪电问答环节。

Asha Sharma： 我非常期待我们的闪电问答环节，我要把灯光调暗了。

Lenny Rachitsky： 然后马上就会亮起来。好的，第一个问题：你最喜欢向别人推荐的两三本书是什么？

Asha Sharma： 工作方面的话，大概是《Thinking Machines》，核心理念是治本不治标。经典的例子是，如果你想解决交通问题，你不能只是设减速带或限速，你实际上需要解决步行友好性和出行便利性，以及人们为什么使用汽车的根本原因。工作之外，个人方面，Instacart 的 CMO 推荐给我《Tomorrow, and Tomorrow, and Tomorrow》，我上个月读过，去年也读过，前年也读过，因为我太喜欢它了。它讲述了一个跨越十年的美丽故事。

Lenny Rachitsky： 嗯。最近有没有特别喜欢的电影或电视剧？

Asha Sharma： 《Formula One》，看了两遍。还有《For All Mankind》，我喜欢第四季。我不知道，我就是喜欢看太空竞赛如果走了另一条路会是什么样子。

Lenny Rachitsky： 有没有最近发现的特别喜欢的产品？可以是科技产品、小玩意、服饰，什么都行。

Asha Sharma： 我刚加入了 The Home Depot 的董事会，我们正在做一个小型装修项目。有一款对我来说算是新的 DEWALT 电池包，它们使用了软包电芯，所以重量减轻了 50%，但动力完全不减，用于电钻等我需要单手举起的工具特别好，之前感觉很重。所以我非常喜欢这个。

我们还在测试一套全新的智能家装系统，叫 Brilliant。它是一个四英寸的高分辨率中间件，可以连接所有设备。我对家里使用各种技术所需的种种复杂性已经达到了极度不满的程度，所以这个中间件也许能真正留下来，我们拭目以待。

Lenny Rachitsky： 你刚才说的是 dissat 吗？是 dissatisfaction（不满）的缩写吗？

Asha Sharma： 是的，抱歉，我在说缩写。

Lenny Rachitsky： 哇，我从没听过 dissat 这个说法，我喜欢。顺便说一句，你在 The Home Depot 的董事会，这真是工作范畴中完全不同的一端。

Asha Sharma： 是的，非常棒。第一次董事会会议上，负责人公益事业的负责人已经在公司工作了几十年，她说：“欢迎来到地球上最伟大的公司。“感觉非常特别。

Lenny Rachitsky： 他们会说”微软”吗？有没有从与他们合作中学到什么并带回微软的东西？

Asha Sharma： 看吧，这还很新，是今年的事。但我长期以来一直在做有这种影响力的产品。在 Porch 的时候做的是专业用户，在 Instacart 我们有 60 万购物者，当然 The Home Depot 有自己的店员。关于这家公司的文化，我最喜欢的一点是他们有一个倒金字塔结构——不是高管在最上面，而是店员在最上面，门店本身才是总部，传统的总部反而扮演支持角色。

客户至上的文化与AI的影响

Asha Sharma： 所以它非常以客户为中心。当我思考卓越执行力、创建持久的长远机构，以及文化和理念与领导力是如何形成的时，我会想到这些。说到底，AI 将对每一个人、每一份工作产生影响。走出我们的圈子，去花时间与不同的人相处，真正去了解他们真实的痛点、他们如何看待 AI、如何看待技术，以及我们需要做什么，这件事本身就很棒。

人生信条

Lenny Rachitsky： 好，还有最后两个问题。你有没有一个最喜欢的、经常会回到的人生座右铭？会跟朋友或家人分享的那种？

Asha Sharma： 我以前经常用最小化遗憾（minimize regret）的框架，它确实很好，我用了很多年。但我觉得大概到了成年以后，开始有了家庭之类的事情，我的世界观发生了一些变化，变成了一切围绕最大化选择价值（maximize option value）。这让我自然而然看重的事情——家庭、健康、信任、人际关系——都获得了新的价值。因为突然之间，周末好好休息可以在未来产生复利，拥有健康的身体可以在未来产生复利，你不需要拿这些去和加班或家庭的重要性做权衡取舍。所以我觉得我的世界观是：当我 70 岁的时候，我回望人生，重要的不是数一数有多少遗憾，而是向前看，看我还能拥有多少次冒险，因为我已经积累了技能、信任、人脉、家庭、影响力等这样的财富。

跆拳道的启示

Lenny Rachitsky： 说到技能，网上说你是跆拳道黑带二段。为什么——天哪——这是真的吗？我还有一个关于这个的问题。

Asha Sharma： 是真的。

Lenny Rachitsky： 太厉害了。这有什么好尴尬的？这是一件很了不起的事情。

Asha Sharma： 我一般只要谈到关于自己的事情就会觉得尴尬。

Lenny Rachitsky： 好，没问题。你从跆拳道中学到了什么对生活或工作有帮助的东西吗？

Asha Sharma： 跆拳道更多是心智上的修炼，而非身体上的。我觉得我们所有的工作、做产品也是如此。它带来的是头脑的清醒、勇气，是把事情做到底、坚定不移的决心。除此之外，它还教会了我冥想——可能我花了整个学习过程才真正学会冥想、清空头脑。但我觉得跆拳道真的很棒。大家可能想象的是飞檐走壁之类的，那些你确实也能做到，但真正的价值在于心智层面的追求。

Lenny Rachitsky： 而且你确实也能做到那些。哇，好。看来我也得去学学了。Asha，这次太棒了。还有一个——实际上最后两个问题——大家如果想在网上找到你、跟进什么话题，或者想联系你，去哪里找？另外，听众怎样能帮到你？

联系方式

Asha Sharma： 可以通过 LinkedIn 联系我，也可以发邮件或短信，这些都能找到我。至于怎么帮到我？我觉得我们都还处于这个旅程的早期阶段。伟大的平台建立在伟大的使用场景和伟大的客户之上。所以如果你有反馈、有想法，有你希望 AI 能做到的事情来帮助你实现更多，我很乐意听到。我觉得关于所有这些变化，所有这些新产品和使用场景会在各地涌现，所以我一直在思考的，就是我们如何成为支撑这一切的平台。

Lenny Rachitsky： 太好了。Asha，非常感谢你来参加节目。

Asha Sharma： 谢谢邀请。

Lenny Rachitsky： 大家再见。非常感谢收听。如果你觉得这期节目有价值，可以在 Apple Podcasts、Spotify 或你喜欢的播客应用上订阅。也请考虑给我们评分或留下评论，这真的能帮助更多听众发现这个播客。你可以在 lennyspodcast.com 找到所有往期节目或了解更多关于这个节目的信息。下期再见。

术语表

原文中文
agent智能体
agentic society智能体社会
CapEx资本支出
code-native代码原生
composability可组合性
embodied具身
ensemble of models模型集成
evals评估
fine-tuning微调
foundation model基础模型
frontier model前沿模型
full stack builder全栈构建者
function call函数调用
LTV客户终身价值
matching platform匹配平台
model forward模型驱动
model system模型系统
observability可观测性
org charts组织架构图
P&L利润表
post-training后训练
pre-training预训练
pull requestpull request（代码术语，不译）
rewards model奖励模型
secular changes结构性变化
slack余量（指系统中预留的弹性空间）
squad小组
tool call工具调用

此文档由 AI 分片翻译（translate_long_document）