隨着人工智能能力的指數級躍升，投資界正瀰漫着一種'人工智能精神分裂症'般的悲觀情緒：既然 Anthropic、OpenAI 和 Nvidia 等巨頭將不斷進化，所有依賴模型的企業是否終將淪爲等待被吞噬的空殼？這種邏輯認爲，最終市場上僅會剩下最先進的模型權重與計算資源。

然而，Sarah Guo 指出這種觀點僅對了一半。表層應用確實會被吞沒，但真正的問題在於：當 AI 吞噬了所有可訓練內容後，那些無法被訓練的價值究竟是什麼？答案隱藏在組織內部：企業專有數據、複雜的工作流程、用戶信任、系統權限、行業判斷力以及長期運營積累的經驗。模型可以變得更聰明，卻無法自動融入銀行系統；可以生成醫療建議，卻無法贏得醫生信任；可以起草法律文件，卻無法承擔資深律師的法律責任。

這種絕望情緒在軟件工程領域尤爲明顯。2024 年 Devin 問世時，其在標準基準測試中僅能完成 13% 的任務，被市場忽視；一年半後，最強 Agent 已能解決 80% 以上的任務，並在高盛和美國陸軍內部落地。許多人誤以爲軟件工程已被吞沒，但 MIT 的 Mert Demirer 團隊在超過 10 萬名開發者參與的研究中發現：最新編碼 Agent 使代碼編寫量增加了 180%，但交付到生產環境的代碼僅增加 30%。午方 AI 梳理發現，編寫成本雖降，但剩餘步驟仍需人類完成，且至關重要。基準測試可量化，故可訓練；但通過測試不等於變更對十年代碼庫正確。模塊存在的理由可能未記錄，部署流程可能依賴無人承認的 cron 作業。這種正確性無法從排行榜看出，只能在現實世界運行足夠長時間驗證。OpenAI 推理模型先驅 Noam Brown 指出，評估 Agent 一年表現，唯一可靠方法是讓其實際運行一年。這種正確性是私有的，是資本無法壓縮的時間壁壘。

真正的自動化不僅是模型變強，更是產品、模型、工作流程與公司架構共同發展。Gabe Pereyra 強調，調動人的積極性是基準測試無法觸及的：說服懷疑的合作伙伴改變經營方式，或在重組中保持團隊凝聚力。招聘 CEO 時，分析能力與人際處理能力同樣重要，模型變強不會改變此權重。反饋機制模糊，時間跨度以年計，信任取決於特定個人。午方 AI 注意到，每家公司已將最先進工具交給工程師，但工程組織變革速度遠滯後於模型發展。工具採用需一個季度，真正重組需數年。可被看到的工作成果逐漸消失，具有結構性價值的成果無法量化：任何可列入排行榜的工作都可製成訓練集，註定商品化。Rippling 的 Matt MacInnis 指出，僅回答通用問題的代幣幾乎無價值，基於公司數據的推理代幣才珍貴，因它在做真正想做的事。工作成果從兩端被消耗：下游買家只關心成本，任務落入最便宜開源模型；上游實驗室試圖讓模型吞噬自身構建框架，實現'邊界吸收'。通用智能體成本高，專注應用可極致調優，保留差價。

因此，任何工作可問兩個問題：正確性是否專有、成本高昂且僅存於特定數據？是否封閉在外人無法訪問的系統？結合任務飽和程度，可得 2×2 矩陣。答案公開且飽和的工作屬商品化代幣，開源模型主導；答案公開但屬前沿的工作如編碼基準測試，屬實驗室領域，因評估免費。真正價值在'不可訓練'角落：正確性僅存於私有環境的前沿工作。Inference Cloud 中，絕大多數代幣由定製模型生成，非通用開源模型。障礙高低不一：開發者玩具代碼倉庫可移植標準化，易被研究；銀行業務系統不可移植不標準化。SWE-Bench Verified 好成績不能獲系統根訪問權限。能力可吞噬很多，但更好模型不會將私有真實數。它不持許可證、不承擔法律責任、不擁有公司文件，錯誤時不能被起訴。瓶頸非智力，而是權限和責任。午方 AI 分析認爲，即使比任何人都聰明的模型，仍需被允許進入系統，且有人爲其行爲負責。那扇門有鎖和插銷：鎖代表環境，需獲信任、安全審查、集成並簽結果責任合同；插銷代表用戶。如今大多數美國醫生每天用 OpenEvidence，此工具無法用計算能力買到。實驗室明天可能訓練完美醫療模型，仍無法進入醫生診所或 UCSF 決策流程。信任通過長期關係和用戶同意建立，非梯度下降抹去。

應用程序公司需在'不可訓練'領域佔一席之地，完成不起眼任務：整理公司私有數據結構，提供操作工具，與客戶合作改變員工工作方式。能完成'轉化'的公司難被複制，轉化過程永不停止，集成維護隨客戶關係持續。獲勝公司是那些將領域專家和工具派到客戶身邊的。例如，頂尖老牌律師事務所每年併購交易近一千筆，不能讓數百名律師助理下載文件給通用智能體審覈，保密不允許。即使實現，信息也零散：每個助理單獨修改，無人看完整流程。真正重要信息在交易層面。每筆交易形態獨特：併購涉及保密協議、條款清單、盡職調查報告、購買協議、輔助文件及成交檢查清單；知識產權訴訟涉及動議書、證據收集、現有技術分析及更多動議書。每個業務領域有自身結構，律師和工具不能隨意替換。律師事務所真正需解決更高問題：如何同時管理每個業務領域，像高級合夥人處理數百起案件，同時吸引新業務並培養年輕律師。轉變公司非編寫任務評審報告可解，需像打'數據棒球'操作：中間目標模糊，反饋不完整，循環週期長，環境變化。不幸的是，無法量化價值也難銷售，因外部無法判斷 AI 是否真能如基準測試顯示改變運營。最強大公司停止從外部證明實力，首先進入客戶內部環境，再根據實際效果定價。Sierra 只在智能體解決問題後收費，人類處理則不收費，價格本身成評價機制，因 Sierra 有權定義'問題得到解決'。Cognition 的 Devin 在軟件領域推出'性能保障'制度，只有被信任進入系統內部操作，纔有資格爲結果提供保障。

即使在代幣服務層面，性能也不像普通商品簡單。最優秀 AI 原生公司將服務集中在一兩個供應商如 Baseten 或 Fireworks。每個代幣成本趨向商品化，但實際負載可靠性及稀缺計算資源穩定訪問權不受影響。提供哪種推理服務及使用哪些模型，都是不同選擇。推理服務領域唯一真正類似商品因素是價格。常見反駁是：實驗室是供應商，爲何不利用內部產品掠奪性定價壓低價格，或取消 API 訪問獨佔市場？這是絕望情緒真正體現，但僅在模型層是單一玩家遊戲時成立。事實非如此，模型層更像三到五個參與者死亡競賽，一些國際參與者訓練進度落後約六個月，開發領域規模比去年擴大五倍。客戶希望供應商競爭，實驗室更看重市場份額，傾向通過競爭提升實力而非消滅特定應用。在實驗室直接競爭市場，此現象尤爲明顯。消費者聊天場景，最優秀模型從未完全佔據市場。ChatGPT 多年領先，現市場份額被 Gemini 蠶食，因 Gemini 在 Android 系統和搜索功能優勢，非模型更優秀。Anthropic 被認爲在預測市場和互聯網氛圍分析領域有最好模型，但在消費者聊天領域幾乎不算主要競爭者，相反在企業應用和編碼場景發展壯大。如果更優秀模型無法在最核心應用場景贏得競爭對手用戶青睞，肯定無法通過集成手段輕易接管醫院醫療記錄系統或銀行負債管理框架。如今公衆選擇產品，不僅看編碼能力。如果前沿模型層仍競爭激烈，應用層依然有價值。如果任務無法通過外部標準評估，必須由內部人員決定什麼算好結果。此決定過程本身就是競爭核心。當這些決定被記錄成公認標準，無論基礎模型實驗室多聰明，都無法憑空創造，因權威只存在於具體領域。權威往往停留在已存在地方：經驗豐富律師制定法律判例，醫生定義安全臨牀答案，'問題得到解決'概念由與客戶建立長期關係公司確定。隨着學會測量更多工作，可量化部分逐漸消耗，不可量化部分不斷縮小，找不到固守位置停滯不前。必須不斷推進，進入尚未量化領域，重新評估風險並調整。在特定任務中，若擁有專有數據和評估體系，可將任務訓練到前沿水平，在關鍵場景擊敗通用模型；專用模型成護城河一部分。相反，若在通用模型能力方面競爭，是資本大戰，最終輸給擁有更多計算資源公司。這也是擁有有限訪問權限和易量化任務公司最易陷入陷阱。當公司爲生存決定將通用任務訓練到超越前沿模型高度，結果往往取決於數據中心規模。競爭結局往往非獨立贏家，而是被擁有足夠計算資源公司收購。

以上內容均屬防禦措施，更困難部分在於進攻——首先決定開發什麼。這是一整年一直在尋找的東西，可能只找到三次。模型在此無用，只會按指令行動，無法告訴什麼值得關注。既然無法對這些目標進行基準測試，也就無法訓練。這也是現有巨頭不會把所有東西據爲己有的原因：堅守已建立陣地，下一個開闢新天地的人，一定是先於他人發現價值的人。也許，意圖這種因素比計算資源更爲稀缺。絕望情緒中一半正確：表層應用確實被吞噬，如今許多企業看起來也只不過是這些表層應用。但關於吞噬之後還會剩下什麼，此觀點錯誤。背後機制清晰，最終結果並非如此。敢打賭，未來發展方向是：AI 成本繼續下降，價值繼續向只有少數模型能觸及範圍轉移。那些承載歷史意義、不可量化元素，纔會真正具有價值。因此，走進這些領域，去做看似平凡轉化工作，然後開始記錄在那裏什麼是'好的結果'。因爲總會有別人去做這件事。今年被引用次數最多基準測試分數，實際上只是一張即將失去價值地形圖，以及一條通知——一條告訴某些人，他們即將失去定義'什麼是好的結果'權利的通知。