「RL 之父」Rich Sutton 在 2019 年發表的經典短文 The Bitter Lesson廣為人知，并且時不時被人提起。

「70 年的 AI 研究歷史告訴我們一個最重要的道理：依靠純粹算力的通用方法，最終總能以壓倒性優勢勝出?！?/strong>

如今，似乎可以重新再聊下這個話題。

比如前兩天我們：未來 AI 智能體的發展方向還得是模型本身，而不是工作流（Work Flow）。

以及最近 Gemini 和 4o 更新的圖片功能，可能直接取代了很多圖片工作流——用自然語言對話完成現在復雜的 SD 圖像生成工作流。

模型的通用能力，正在取代現在那些復雜的 Workflow。

今天編譯的這篇文章，是作者 Lukas Petersson 聽完 YC 100 多個項目路演后寫下了一個有趣的觀察：《苦澀的教訓》中所寫的 AI 研究歷史似乎正在 AI 創業界重演。

作者介紹：Lukas Petersson，Andon Labs 的 CEO 兼聯合創始人，專注 AI 安全評估和大語言模型研究。此前，他曾在 Google 實習，曾在 Disney Research 開發病毒式機器人，還曾參與探空火箭發射項目，擔任項目主要負責人。

Founder Park 正在搭建開發者社群，邀請積極嘗試、測試新模型、新技術的開發者、創業者們加入，請掃碼詳細填寫你的產品/項目信息，通過審核后工作人員會拉你入群～

進群之后，你有機會得到：

• 高濃度的主流模型（如 DeepSeek 等）開發交流；

• 資源對接，與 API、云廠商、模型廠商直接交流反饋的機會；

• 好用、有趣的產品/案例，Founder Park 會主動做宣傳。

01歷史重演：AI創業在重復這個教訓

太長不看版：

• 歷史上，通用方法始終在 AI 領域占主導。

• 如今，AI 應用領域的創始人們正在重復 AI 研究人員過去犯過的錯誤。

• 更強大的 AI 模型將催生更多通用 AI 應用，同時也會削弱 AI 模型「套殼」軟件的附加價值。

AI 技術的飛速發展帶來了一波又一波新產品。在 YC 校友 Demo Day 上，我見證了 100 多個創業項目的路演。這些項目都有一個共同點：它們瞄準的都是簡單問題，加了各種限制的 AI 就能解決。

但 AI 真正的價值在于它能靈活處理各類問題。給 AI 更多自由度通常能帶來更好的效果，但現階段的 AI 模型還不夠穩定可靠，所以還無法大規模開發這樣的產品。

這種情況在 AI 發展史上反復出現過，每次技術突破的路徑都驚人地相似。如果創業者們不了解這段歷史教訓，恐怕要為這些經驗「交些學費」。

2019 年，AI 研究泰斗 Richard Sutton 在他那篇著名的《苦澀的教訓》開篇提到：

「70 年的 AI 研究歷史告訴我們一個最重要的道理：依靠純粹算力的通用方法，最終總能以壓倒性優勢勝出?！?/strong>

那些精心設計的「專家系統」，最終都被純靠算力支撐的系統打得落花流水。我們在語音識別、計算機象棋和計算機視覺中都看到了這種模式。這篇文章標題里的「苦澀」二字，正是來自這個在 AI 圈一演再演的劇情——從語音識別到計算機象棋，再到計算機視覺，無一例外。

如果 Sutton 今天重寫《苦澀的教訓》，他一定會把最近大火的生成式 AI 也加入這份「打臉清單」，提醒我們：這條鐵律還沒失效。

同在 AI 領域，我們似乎還沒有真正吸取教訓，因為我們仍在重復同樣的錯誤...... 我們必須接受這個苦澀的教訓：在 AI 系統中，強行植入我們認為的思維方式，從長遠來看是行不通的。 這個「苦澀的教訓」源于以下觀察: 1. AI 研究者總想把人類的知識經驗塞進 AI 2. 這招短期確實管用，還能讓研究者有成就感 3. 但遲早會遇到瓶頸，甚至阻礙 AI 的進步 4. 真正的突破往往出人意料——就是簡單地加大算力

站在 AI 研究者的角度，我們需要在總結教訓的過程中明確了什么是「更好」的。對于 AI 任務，這很好量化——下象棋就看贏棋概率，語音識別就看準確率。對于本文討論的 AI 應用產品，「更好」不僅要看技術表現，還要考慮產品性能和市場認可度。

從產品性能維度來看，即產品能在多大程度上取代人類的工作，性能越強，就能處理越復雜的任務，創造的價值自然也就越大。

圖 1. 展示了不同類型的 AI 產品，本文主要討論應用層

AI 產品通常是給 AI 模型加一層軟件包裝。因此，要提升產品性能，有兩條路徑：

1. 工程升級：在軟件層面利用領域知識設置約束規則

2. 模型升級：等待 AI 實驗室發布更強大的模型

這兩條路看似都可行，但在此有個重要洞察：模型能力越強，工程優化的邊際效益就越低。

現階段，軟件端的設計確實能提升產品表現，但這只是因為當前模型還不夠完善。隨著模型變得更可靠，只需要將模型接入軟件就能解決大多數問題了——不需要復雜的的工程。

圖 2. 投入工程的價值會隨著投入增加和更強大模型的出現而遞減

上圖展示了一個趨勢：隨著 AI 模型的進步，優化工程帶來的價值將逐漸減少。雖然當前的模型還有明顯不足，企業仍能通過工程投入獲得可觀回報。

這一點在 YC 校友 Demo Day 上表現得很明顯。創業公司主要分為兩類：第一類是已經實現規?；漠a品，專注解決簡單問題，但數量還不多；第二類則瞄準了相對復雜的問題。后者目前發展勢頭不錯，因為他們的概念驗證證明：只要在工程上下足功夫，就能達到預期目標。

但這些公司面臨一個關鍵問題：下一個模型發布會不會讓所有工程上的都成為無用功，摧毀他們的競爭優勢？OpenAI 的 o1 模型發布就很好地說明了這個風險。

我和很多 AI 應用層的創業者聊過，他們都很擔心，因為他們投入了大量精力來完善提示詞。有了 o1 后，提示詞工程的重要性就大大降低了。

從本質上講，這種工程的目的是為了讓 AI 少犯錯誤。通過觀察眾多產品，可以概括為兩類約束：

• 專業性：衡量產品的聚焦程度。垂直型產品專注于解決特定領域的問題，配備了專門的軟件包裝；而水平型產品則更通用，能處理多種不同類型的任務。

• 自主性：衡量 AI 的獨立決策能力。在此借鑒一下 Anthropic 的分類：

• • 工作流：AI 按預設路徑運行，使用固定的工具和流程

  • 智能體：AI 可以自主選擇工具和方法，靈活決策如何完成任務

這就規定了一個 AI 產品的分類框架：

垂類

通用

工作流

Harvey

ChatGPT

智能體

Devin

Claude Computer-Use

表 1. 對知名 AI 產品的分類。需要注意的是，ChatGPT 可能每次對話都會遵循預先設定的代碼路徑，因此更像工作流而非智能體

讓我們以商業分析師制作路演 PPT 為例，看看每類產品如何實現這個任務：

• 垂類工作流：它按固定步驟執行任務，比如，先用 RAG 查詢公司數據庫，小型 LLM 做總結，大型 LLM 提取關鍵數據并計算，檢查數據合理性，最后生成 PPT。每次都嚴格遵循這個流程。

• 垂類智能體：LLM 能自主決策，循環工作，用上一步的結果指導下一步行動，雖然可用工具相同，但由 AI 自己決定何時使用。直到達到質量標準才停止。

• 通用工作流：像 ChatGPT 這樣的通用工具只能完成部分任務，既不夠專業也不夠自主，無法完整處理整個工作流。

• 通用智能體：例如 Claude computer-use，能像人一樣操作常規辦公軟件。分析師只需用自然語言下達指令，它就能根據實際情況靈活調整工作方法。

Demo Day 上幾乎所有產品都屬于垂直工作流。這很好理解——當前的 AI 模型還不夠成熟，只能用這種方式才能達到可用水平。結果就是，即使是過于復雜的問題，創業者們也不得不硬塞進這個框架，因為這是目前唯一能讓產品勉強可用的方法。

雖然通過工程優化可以提升這些產品，但提升空間有限。對于當前模型難以處理的問題，與其投入大量工程資源，不如等待更強大的模型出現——到時只需很少的工程就能解決問題。

就像 Leopold Aschenbrenner 在《Situational Awareness》中說的：「完善這些繁瑣的工程，可能比等待更強大的模型還要浪費時間?！?/p>

這不禁讓人聯想起那個「苦澀的教訓」：AI 研究者反復嘗試用工程手段提升性能，最終卻總是被簡單堆算力的通用方案超越。今天的 AI 產品開發似乎正在重蹈覆轍。

把表 1 的內容和《苦澀的教訓》聯系起來之后，這樣能更清楚地看到其中的關聯：

《苦澀的教訓》的觀察

自主性

專業性

1. AI 研究者總想把人類的知識經驗塞進 AI

開發者發現自主智能體不夠穩定，只好硬編碼固定流程

通用文檔分析系統不可靠，于是被迫縮小到特定領域（如僅分析財務報表，硬編碼具體指標）

2. 這招短期管用，還能讓研究者有成就感

自主性受限提高了系統可靠性

專業化提升了準確率，因為模型只需要處理固定場景中有限的文檔和指標

3. 但遲早會遇到瓶頸，甚至阻礙 AI 的進步

固定的工作流難以應對新情況

專業化系統難以擴展，每個新任務都需要重建系統

4. 真正的突破往往來自于簡單地加大算力

新模型能自主找到解決方案，動態調整策略

新模型的通用理解能力讓專業限制變得多余，無需依賴專門化系統

對于那些解決路徑不清晰的問題，產品如果有更高的自主性，通常表現會更好。類似的，在面對大規模、復雜輸入時，功能不那么具體的產品反而表現更好。

總而言之，我的觀點是：試圖用軟件工程來彌補當前 AI 模型的不足，似乎是一場注定失敗的戰斗，尤其是考慮到現在 AI 技術發展的驚人速度。

正如 YC 合伙人 Jarred 在 Lightcone 播客中說的：「第一波基于固定流程的 AI 應用，大多被新一代 GPT 模型淹沒了?！?/p>

Sam Altman 常說，要做那種期待而不是害怕新模型發布的創業公司。我遇到的很多 AI 創業者對新模型都很興奮，但從他們公司的利益看，這種興奮可能不太合適。

或許他們沒有意識到圖 2 表達的觀點：更強的模型其實可能會讓你的競爭優勢變小，而不是變大。這個觀點主要是從產品性能的角度來說的——關鍵是要做出能更高效解決復雜問題的產品。

從統計學角度理解《苦澀的教訓》

讓我們用簡單的統計學來理解這個道理。在做模型時，通常要面臨一個選擇：要么做一個規則很死板的模型（高偏差），要么做一個靈活但不太穩定的模型（高方差）。《苦澀的教訓》告訴我們：選靈活的。

究其原因，因為只要有足夠的算力和數據，靈活的模型最終也能變得很穩定。就像打籃球，就算姿勢不標準，練得多了也能投準。但反過來就不行了，太死板的方法會被自己的規則限制住。

這跟 AI 產品是一個道理。做垂直領域的工具，加各種限制，就像給 AI 加規則，現在看起來更穩定，但限制了它的潛力。相反，讓 AI 更自由一點雖然現在看著不太靠譜，但隨著模型越來越強，它反而能找到更好的辦法。歷史一再證明，跟靈活性對著干是不明智的。

兩種做 AI 的方法

圖 3：對比了兩種方法。傳統機器學習需要人工來告訴機器「什么是重要的」，深度學習則能自己學會

傳統機器學習需要人來決定什么信息重要。比如給一張圖片，你得手動找出有用的特征，數一數有多少個圓形，測量一下各種尺寸等等。但深度學習不同，它能自己學會找重要的東西。

圖 4：比如自動駕駛。系統要識別和跟蹤車輛、行人、車道線等具體物體。這就是分解復雜問題的傳統方法。

以自動駕駛來說，你有兩種方式：

1. 老方法：把車看到的東西分解：前面的車在哪，車道線在哪，那個人跑多快？

2. 新方法：直接把視頻扔給 AI，讓它自己學會開車。

老方法看著更靠譜，更有把握。所以早期的 AI 都這么干。但正如 George Hotz 所說：「AI 的歷史告訴我們，老方法最后總會被新方法打敗。」

DeepMind 研究員 Sholto Douglas：就像其他所有深度學習系統一樣，押注端到端就對了

接下來，在第二章中，我們會聊聊另一個話題：市場接受度。畢竟，只有好性能并不一定能在市場上成功。

02垂直 AI 占不到任何便宜

太長不看版：

• 通用 AI 最終會在大多數垂直領域超越垂直 AI。雖然垂直 AI 總能搶跑，但誰能笑到最后呢？

• 用戶遷移成本幾乎為零。通用 AI 就像遠程同事，插個 API 就能上崗，接入過程像新員工入職一樣簡單。

• 垂直 AI 也很難在其他方面建立護城河。在 Helmer 的七大競爭優勢中，垂直 AI 沒占到任何便宜。

• 在極少數情況下，某個垂直 AI 既獨家又是垂直領域的剛需。但這種情況很少見。很多自以為有數據壁壘的公司，其實都誤解了需求。要么數據根本不稀缺，要么不是真正的剛需。

注：本文中 Horizontal AI 暫譯為通用 AI，相對于垂直場景的 AI。

AI 的歷史告訴我們一個規律：那些試圖通過專業領域知識彌補模型局限的做法，最終會被依靠算力的方法取代。第一章我們也看到，很多公司做的是受限的垂直 AI 產品，而不是更靈活、能隨著模型進步的產品。

但只有好性能并不意味著能占領市場。本章通過 Hamilton Helmer 的《七大競爭優勢》框架，分析了垂直產品和通用產品在市場上的接受度。

我們發現，做垂直工作流的產品，一旦有了通用替代品，就很難維持市場地位，因為缺乏戰略優勢。不過，有個關鍵例外，給 AI 創業者提供了一個明確的方向。

正如第一章提到的，使用更強大且限制更少的模型的產品，最終會表現得更好。然而，目前基于現有模型的產品（通過加入人為的偏差減少錯誤）可能會更早進入市場。

本文討論的重點是，當我們進入圖 1 中的綠色區域后，AI 垂直領域是否還能在更強大的通用 AI 產品出現后保持市場份額。

圖 5：垂直 AI 和通用 AI 產品隨著時間變化的表現對比（簡化版），分為三個階段：傳統軟件主導期→垂直 AI 窗口期→通用 AI 替代期

大部分 AI 能解決的問題其實都很復雜，垂直 AI 很難做到理想效果，就像圖 5 那樣。很多難題今天沒人去解決，這些問題雖然占了大部分潛在市場，但在現有 AI 應用中還只是少數。

圖 6，垂直 AI 產品永遠達不到足夠的性能水平，而通用 AI 通過改進模型能得到更好的表現

對于圖 5 里提到的那些簡單的、現在就能找到方法解決的問題，問題就變成了：當更好的解決方案出現時，垂直 AI 還能保持領先嗎？

簡單來說，垂直 AI 很容易辨認，因為現在很多 AI 創業公司都在做。第一章已經講過，垂直 AI 限制固定的工作流來提高可靠性，而通用 AI 就像遠程同事。

讓我們想象一個能在后臺用傳統軟件完成任務的 ChatGPT，接入的過程就像給新員工入職一樣——給它電腦和賬號權限，然后用自然語言給它指令。你不需要給它所有的數據源，因為它可以自己找到需要的數據。此外，我們假設這個通用 AI 是由 OpenAI、Anthropic 這樣的 AI 實驗室開發的。第四章我們會討論為什么這種情況很可能發生。

值得注意的是，雖然我把通用 AI 比作一位「智能同事」，但它不需要真的像人類一樣聰明，這不是什么 ASI 一樣的超級智能。它只要足夠聰明，能在找不到現成的工具時自己寫代碼就行了。我認為這種情況很快就能實現，因為 AI 在編程這塊進展最大。

當然，也有關于這是否會實現，以及什么時候實現的問題，第三章我們會討論。不過我碰到過不少創始人相信這會發生，而且他們依然認為自己的垂直 AI 能夠在這種競爭中存活下來。

我自己也曾在這場競爭中失敗過一次。2022 年 11 月，OpenAI 發布了 ChatGPT，我想用它來幫我解讀科學論文，但它沒辦法處理長輸入，當時長輸入需要更多算力，OpenAI 為了節省成本做了限制。當 GPT-3.5 的 API 發布時，我開發了一個叫 AcademicGPT 的垂直 AI 產品，分解任務，由多個 API 調用，來解決這個問題，吸引了一些付費用戶。然而，支持長輸入的 GPT-4 一發布，我的東西就沒用了。GPT-4 這種更智能、偏見更少的通用 AI 應用比我精心做出來的、有偏見的解決方案好得多。

我不是一個人。YC 的合伙人 Jared 在 Lightcone 播客中說：「第一波 LLM 應用基本都被下一波 GPT 打敗了?！巩斎?，那時的產品遠沒有今天的垂直 AI 復雜。AcademicGPT 只解決了一個輸入長度的問題，但那些復雜的垂直 AI 產品解決了多個問題。這也許能讓它們活得更久，但最終，AI 模型會直接解決這些問題，就像 GPT-4 通過擴展上下文窗口解決了輸入長度問題一樣。就像第一章中說的，隨著模型變強，它們最終會和一個更優秀的通用方案競爭。

Hamilton Helmer 的《七大競爭優勢》給我們提供了一個框架，幫我們分析這些產品是否能在競爭中存活下來。這個框架提到了七種長期有效的競爭優勢：規模經濟、網絡效應、反向定位、轉換成本、品牌、封閉資源和過程能力。

轉換成本（Switching Cost）

客戶的留存往往是因為換服務商帶來的損失和麻煩太多，所以就算有替代方案，客戶還是更傾向于繼續用現有的服務。

集成/用戶體驗

用戶可能已經習慣了垂直 AI 的界面，但這不是個阻礙，因為接入通用 AI 就像給新員工入職一樣，過程很簡單。就像是 Leopold Aschenbrenner 說的一樣：「接入遠程工作者太簡單了——把他們加入進來，自動化所有可以遠程做的工作就行了?！?/p>

而且，這個遠程同事將會是你已經熟悉的通用 AI 產品。很多人已經習慣了 ChatGPT 的界面，而且這個通用 AI 還能共享任務之間的上下文。

自然語言對話是最適合的界面，因為它是我們日常溝通的方式。不過，有些時候，計算機界面可能更高效。像 Excel 這樣的傳統軟件在這些情況下仍然能和通用 AI 配合使用。但我認為，可能會有一些細分領域，既不適合傳統軟件，也不適合自然語言對話。如果垂直 AI 在這些領域能創新出合適的界面，就會有較高的轉換成本。不過，它們的優勢并不完全是 AI 技術相關的；通用 AI 也能使用的非 AI 版本同樣能帶來價值。

銷售

如果通用產品是基于已有產品發展而來的，那么銷售就不是個問題。許多公司已經在用 ChatGPT，并且未來會有更多企業加入。

價格

目前我們接觸到的最接近通用 AI 的產品是 Claude Computer-use，它因為頻繁調用大型 LLM 和高分辨率圖像，運行成本非常高。AI 垂直產品通常通過限制輸入，只保留他們認為相關的內容，來盡量降低成本。但模型運行成本已經在大幅下降，我預計這種趨勢會繼續下去。而且，擁有一個橫跨多個垂直領域的單一產品，而不是買很多個不同的產品，將會大大節省成本。

反向定位（Counter Positioning）

這是一種新的商業方法，讓公司在市場中占據一個競爭者們很難挑戰的獨特的位置。傳統大公司很難或者根本不可能復制。

乍一看，垂直產品有反向定位的優勢，因為它們能為特定客戶定制解決方案。但這個優勢只有在你的產品確實比競爭對手更好的情況下才有效。但在我們討論的案例和場景中，垂直 AI 并沒有做到這一點。更多內容參見第一章。

事實上，通用 AI 產品在反向定位上占了便宜。它們隨著每次模型的進步自然地擴展，而垂直產品要么保持現有的限制，性能逐漸落后，要么接受更強的模型，失去差異化優勢。

規模經濟（Scale Economy）

隨著業務擴大，單位成本逐漸降低，讓公司變得越來越高效。

通用和垂直這兩種方案都能享受規模經濟帶來的好處。

垂直產品可以像傳統 SaaS 一樣高效擴展，但通用 AI 產品可以更快地降低價格，因為它們的研發成本可以分攤到多個行業的用戶，這是它們的一個額外的優勢。

網絡效應（Network Economy）

隨著客戶群的擴大，每個用戶得到的產品或服務的價值也隨之提高。每新增一個用戶，就能為其他所有用戶創造更多的價值，其他用戶的體驗也會提升，形成一個自我強化的增長循環。

垂直和通用產品都能從網絡效應中受益，但通用 AI 有天然的優勢，它們能夠利用更多的用戶數據訓練更強的模型，形成更廣泛的反饋機制，提升所有場景的效果。

品牌力（Brand Power）

品牌力來自公司過去的表現和聲譽，是一種長久的價值感知。強大的品牌力能提升客戶忠誠度，允許公司溢價定價。

但對于目前初創公司的規模來說，品牌力通常不可能實現。像 OpenAI 和 Google 可能有，但大多數做垂直 AI 的初創公司是沒有的。就像圖 3。

圖 7，業務增長的三個階段及每個階段最常見的競爭優勢

流程優勢（Process Power）

流程優勢是指公司內部經過時間積累的高效流程，通常需要競爭對手投入大量的時間和精力才能趕上。

同樣，當前這種規模的初創公司也很難達到這種流程優勢。參見圖7。

壟斷資源（Cornered Resource）

指的是某些公司能夠在特別有利的條件下，獨占使用一些珍貴的資源，從而獲得競爭優勢。這些資源可能是獨家權利、專利或數據。

到目前為止，還沒有任何力量能打破通用 AI 與垂直 AI 的競爭。但壟斷資源會打破這種局面。這樣的資源非常稀有，它必須是完全獨占的，任何價格都買不到。而且，它必須是垂直 AI 成功不可或缺的資源，沒有它，垂直產品就不能成功。

能夠找到這種資源的垂直 AI 非常少。我認為很多 AI 垂直產品誤以為它們通過數據擁有這樣的優勢，但實際上并沒有。這些數據要么不必要，要么并不獨占。不過，也有一些垂直 AI 產品會找到這種資源。例如，它們可能有一個只有在特定事件中才能收集的數據集。只要它們能控制這些數據，通用 AI 的優勢就沒辦法超越它們。

總結來說，垂直 AI 產品早期會占領市場，但在面對通用 AI 更強大的解決方案時，幾乎所有垂直 AI 都很難找到競爭壁壘。通過分析 Helmer 的七大競爭優勢，我們發現壟斷資源可能是垂直 AI 唯一的護城河。這意味著 AI 應用層的創業者應該更多地集中精力獲取這種資源，而不是做其他事情，這一點我們將在第四章進一步討論。

對于那些沒有建立護城河的垂直領域，一旦通用解決方案變得有競爭力，就會被超越。我的 AcademicGPT 就經歷過這樣的情況，它解決了一個當時的通用 AI 解決不了的問題，但很快就失效了。更復雜的垂直 AI 產品，雖然能解決多個問題，最終也會面臨同樣的命運，只是稍微晚一些。

不過，真正的問題是，大部分人認為通用 AI 產品作為「遠程同事」能夠在短時間內被廣泛應用。這為我們引入第三章的論點，深入探討 AI 應用層的未來發展，預測可能會遇到的具體障礙，包括模型進展停滯、監管難題、信任問題和經濟壁壘。

03關于 AI 應用的 6 個預言，5 個障礙

未來幾年，AI 應用領域將對初創公司來說非常艱難？

這篇文章我在 2024 年 12 月寫的。剛準備發布時，Anthropic 的 CEO 剛好在采訪中談到他們的「虛擬協作者」（virtual collaborator）計劃，正好解釋了我所說的「通用 AI 產品」。2025 年 1 月，OpenAI 也剛剛發布他們的 Operator。

預測未來往往難以準確，但我們還是來看看。前兩章我分析了為什么垂直 AI 應用面臨困境：它們在性能上無法與更通用的解決方案競爭，而且當通用產品變得有競爭力時，垂直 AI 往往沒有有效的護城河。結果可能是，每個垂直領域都會有一個時刻，市場會從垂直 AI 轉向通用 AI。

最關鍵的問題是：這會發生在什么時候？如果需要十年，那現在做垂直應用也許還能有意義。但如果明年就會發生，那就完全是另一回事了。

本章會分享我對未來幾年 AI 應用領域的預測，特別是關于關鍵轉型時機的具體預測。第四章會探討這對 AI 創業者的意義。

垂直到通用 AI 的轉變不會在所有垂直領域同時發生。我認為這些轉變會隨著每次模型發布分批出現。在一些領域，這個時刻可能要等很久，但今天大多數做垂直 AI 的公司都很簡單，我認為這些領域會在接近的時間內發生變化，到 2027 年，垂直 AI 仍然能持續發展的領域會非常少。

圖 8 總結了我對應用采納變化的看法，作為文章的目錄參考。這里的「采納（adoption）」是指，為用戶在嘗試解決新問題或改變現有解決方案時，所選擇的產品或方式。

需要注意的是，這里有幾個關鍵點：

• 這不是市場份額，而是解決方案的選擇，現有交易可能滯后。

• 這是相對的。隨著 AI 解鎖更多用例，市場規模會變大，但這個變化沒在圖中展示。

• 這也不是衡量潛在價值，而是用戶選擇解決方案的時間點，不考慮未來可能的改進。

舉個例子，從 A 到 B 的轉變，意味著一個以前偏好方案 A 的用戶，現在會選擇方案 B。

「垂直/通用」和「工作流/智能體」是兩種不同類型的 AI 產品定義，具體細節見第一章。為了簡化，圖表把通用智能體和工作流歸為同一類，因為同一家公司可能同時開發這兩種產品。例如，ChatGPT 可能會保持工作流基礎，同時加入更多智能體功能。

圖 8： 預計 2022 至 2027 年間解決方案選擇模式的變化。圖表展示了用戶如何在傳統解決方案、通用 AI 產品（包括工作流和智能體）以及垂直 AI 產品之間切換。每個流的寬度表示選擇的強度，衡量用戶選擇新方案或轉向其他現有方案的趨勢

關于未來幾年 AI 應用的 6 個預言

過去

ChatGPT 發布前，傳統軟件主導市場。

ChatGPT 發布，第一個重要的通用 AI 產品。

GPT-3.5 API 發布，第一波垂直 AI 產品。

今年

1.2025 年將是一個關鍵的轉折點，模型會變得足夠可靠，能用于實際的 Agent 應用。到現在為止，智能體大多還只能用于研究項目或概念驗證，雖然它們的初始應用規模不大，但潛力會越來越明顯。增長將會來自兩方面：垂直產品會把它們的工作流升級為智能體，新的應用會以工作流做不到的方式，取代傳統軟件。

2.雖然智能體開始嶄露頭角，但垂直 AI 將在 2025 年之前依然占主導。因為有兩個大的轉換成本：用戶不愿意改變已經在用的工具，開發人員不愿意放棄他們過去幾年的工程投入。早期市場中，垂直產品獲得的市場地位有強大的慣性。

3.主要的通用 AI 產品（如 ChatGPT、Claude 和 Gemini）會增加更多功能，擴展它們在更多垂直領域的應用。這個趨勢已經開始了。比如，ChatGPT 現在可以和你電腦上的其他桌面應用集成。隨著模型進步，這些公司可以用更少的工程投入實現這些功能。隨著這些通用產品的提升，垂直 AI 產品將會越來越難銷售出去，因為用戶會意識到，自己正在用的通用 AI 產品就能解決他們的需求。

（近期的）未來

4.通用 AI 智能體與人類同事的差距會迅速變小。雖然它們還不完全屬于專家級別，但已經足夠智能，能可靠地完成大部分從前人類在傳統軟件里處理的工作。許多人仍然能保持工作，但垂直 AI 解決方案會逐漸過時。下面是我預期的一些具體變化：

a. 消費者會常常用通用智能體處理復雜任務，比如報稅、求職和非休閑購物。

b. 公司將大幅減少低層次的招聘，部分公司可能會大規模裁員。但這一轉變的速度會比預期慢。

c. 我們將會看到第一個單人獨角獸公司。

5.傳統軟件將繼續通過為智能體提供接口來保有市場價值。盡管智能體理論上能從頭創建需要的軟件，但考慮到計算成本，現有軟件平臺更實用。傳統軟件并不是免費的，但我認為傳統的通用軟件更有可能活下來，因為智能體雖然不免費，但比人類便宜得多。你可以在 Excel 做 CRM，但購買專業的 CRM 系統更合算。不過，我還不確定這種算法是否適用于智能體。

6.唯一能存活的垂直 AI 應用是那些鎖定了防御性資源的產品，像第二章講到的。部分公司會選擇高價出售這些壟斷資源。

2024 年，進展停滯了？

我的這些預測假設 AI 會繼續進步。首先我想解釋為什么我說它會「繼續」進步。

我聽到很多人說模型已經停滯了，特別是 2024 年沒有看到比 GPT-4 更大的突破。公平地說，這種說法在 12 月 o3 發布后就沉寂下來了。你可以自己看下圖 9，然后再判斷 AI 進展是不是已經放慢了。

圖 9：在著名的 ARC-AGI 基準測試中 AI 的表現

即便沒有 o3，我覺得說 2024 年模型停滯也太夸張了。o3 并沒有改變我之前的預測。我早就提過，通過擴展測試時間計算，模型能夠取得進展。2023 年《Let's verify step by step》論文和 o1 都證明了這一點。技術的第一版從來不是最終版。AlphaZero 證明了，機器學習在有明確目標的領域能超越人類，o1 也做到了，特別是在自然語言處理和數學計算上。但在創意寫作等領域，o1 不如其他方法。o3 也沒有比 o1 更通用。

真正的「從 0 到 1」時刻是 o1 的出現，而且它也是在 2024 年發布的?？赡苣阌X得擴展計算時間不算什么，畢竟高昂的計算成本可能對智能體來說太貴了。但回想一下年初的基礎模型，那個時候的 GPT-4 turbo 只支持文本和圖像。到了 2024 年，OpenAI 發布了支持音頻和視頻的 GPT-4o，雖然相對 GPT-4 來說它帶來的智能進步不大，但它之后在逐漸提升?，F在看，我們很容易忽略它已經變得多強了。

2024 年，開放權重模型也有了顯著進展。在需要博士級知識的科學問題上，年初的最佳模型幾乎和隨機猜測一樣。到 7 月，我們已經接近人類專家水平，年末 DeepSeek V3 也有了類似的進展。從 2023 年的 25-29（+4）到 2024 年的 29-59（+20）。

圖 10： 開放權重模型在 GPQA Diamond 基準測試中的表現

2024 年最重要的進步來自 Anthropic。年初，他們還不能用的 Claude 2 剛剛推出，3 月發布了行業領先的 Claude 3，6 月又發布了 Claude 3.5 Sonnet，這是一個巨大的飛躍。從圖 11 來看，2024 年春天是基礎模型進展最快的時期。那秋天呢？Anthropic 曾說會在年底發布 Claude 3.5 Opus，但之后悄悄把這個信息從官網撤掉了。是訓練「失敗」了嗎？只有 Anthropic 知道。但很多人猜并非如此，而是他們沒有從公開發布中看到經濟回報。相反，他們可能是用它來為 Claude 3.5 Sonnet 生成合成數據。Sonnet 在 10 月做了另一次升級，支持了這個推測。這不符合「模型停滯」的定義。

圖 11： 前沿模型在多個基準測試上的進展

5 個潛在障礙

雖然這條時間線代表了我最好的預測，但一些變化可能會影響這一進程。最大的擔憂是：

1. 模型停滯

2024 年沒有發生模型停滯，2025 年會發生嗎？Ilya Sutskever 在 NeurIPS 的演講中表示，預訓練規?；呀浀綐O限了。這引起了廣泛關注，許多人解讀為 AI 訓練技術的整體停滯，但其實他指的是預訓練。隨后他又提到，除了預訓練，還有其他路徑，比如 o1 這樣的推理計算方法。o3 的發布進一步證明了，預訓練之外還有其他有效的方法。

此外，就像 Dylan Patel 所說的，AI 領域的決策者們正在加大投資計算基礎設施，堅決支持 Scaling Law，相信它仍然有效。就連以懷疑語言模型著稱的 Yann LeCun 最近也縮短了自己的預期時間。12 月，他說超級智能「還很遙遠」，但接著補充道：「它不是幾百年后的事，可能也不是幾十年，而是幾年內就有可能實現。」

圖 12：Ilya Sutskever 在 2024 年 NeurIPS 上的演講

2. 監管

目前的監管提案似乎不會顯著拖慢 AI 的進展（我不是這方面的專家）。大多數提案都相對溫和，而且即使如此，也很難通過。不過，如果發生一起 AI 相關的重大悲慘事故，公眾的態度可能會迅速轉變，進而迫使政治家采取更強硬的措施。

3. 信任障礙

現在大家對 AI 幻覺有些擔心，未來可能會更擔心讓智能體獨立行動。雖然我之前已經預料到初步的方案，但我覺得這種擔憂會隨著時間慢慢消失。歷史上有很多類似的例子：以前有人害怕自動電梯，現在回頭看，那種擔心很好笑。AI 智能體的普及可能也會是這樣——最開始大家都懷疑，但隨著它變得更可靠，最終大家會接受它。

4.AI 實驗室的遲疑

目前，Claude Compute Use 不能登錄網站，就算你有正確的憑證。類似地，實驗室可能會猶豫，是否讓智能體在 2027 年開始與傳統軟件互動，盡管它在技術上是可以做到的。

5. 昂貴的推理

OpenAI 的 o3 證明了，花費大量資金進行推理是可行的，而且能帶來更好的效果。比如在 ARC 基準測試中，每個任務的推理成本可能高達數千美元。我們可能會看到類似圖 13 中 Paul Buchheit 理論的情況。我們有可能讓通用智能體在各個垂直領域都能有效工作，但由于高昂的運行成本，它可能變得不實際。不過，推理成本現在已經在穩步下降，通用智能體也不太可能每次都使用最大計算能力進行推理。

圖 13：Paul Buchheit 的推文

預測技術變革一直是件難事，而上面提到的障礙可能會大大改變這個時間線。如果這個趨勢繼續，AI 應用層的初創公司將會面臨不小的挑戰。它們可能會在與 AI 實驗室競爭通用產品時遇到困難，同時，通過垂直應用創造價值的窗口也會很快關上。如圖 14 所示，我認為初創公司在這一領域的總價值會呈倒 U 型：先隨著工程投入帶來一些初步價值，接著隨著更強的模型出現，這些工程工作會變得過時，總價值會下滑。

圖 14：AI 應用層初創公司預期價值隨時間變化表，分三個階段

這可能會讓創始人們感到沮喪。第一章和第二章發布后，我收到了很多類似「那是不是意味著我們該放棄了？」的評論，但我并不是這個意思。其實，外面還有很多問題有待解決，AI 應用并不是唯一的選擇。對于那些在考慮下一步的創始人來說，有幾個問題需要思考：做一個垂直應用能不能為未來的機會提供戰略定位？如果不能，那我還能做什么？第四章會繼續探討這些問題。

04創業就像巫師，在別人看不到機會的地方創造價值

我認為在未來幾年，AI 應用領域將對初創公司來說非常艱難，就像我在上一章提到的?，F在這些初創公司的收入增長看起來很不錯，增長勢頭會持續下去，但到了 2027 年，AI 實驗室的通用產品會變得非常強大，最終主導市場。

這可能讓創始人們非常沮喪。在第一章和第二章發布后，我收到了不少類似「所以你是在說我們應該放棄嗎？」的評論，但這并不是我的意思。外面有許多機會，AI 應用根本不是你唯一能做的。

創始人就像巫師一樣，在別人看不到機會的地方創造價值。創業需要創新的思維。正如 Paul Graham 說的：

「光正確還不夠。你的想法既要對，還要新穎 (…) 你不會為了去做大家都覺得有戲的事而創業?！?/p>

但是，我覺得很多創始人已經被同行的收入數字迷住了。那段話出自 Paul Graham 的《如何獨立思考》。當你周圍的人都在做一樣的事，而且做得還不錯，獨立思考就變得異常難。接下來是我自己的思考。希望這些思考能引發你一些新的思路。

我相信，主導 AI 應用層的通用智能體將是 AI 實驗室做的。雖然可能會有模型性能的分歧，最后可能會有一個贏家，但我覺得更可能的情況是，Anthropic、OpenAI、Google 和 xAI 之間會激烈競爭，這會變成一場價格戰，短期內的贏家會是終端用戶。即便 AI 實驗室們在短期內賺不到太多錢，但它們會變得非常強大，強大到我認為創始人應該在考慮自己初創公司的時候，就思考自己跟這些實驗室的關系。

創業者們能做的事還有很多

1. 客戶

我認為可以構建一個利用 LLM API 的 AI 垂直應用，但前提是你必須能夠獨占某些關鍵資源，就像第二章中討論的。如果你決心做垂直應用，你應該投入大量時間和精力去找這些資源。

2. 競爭者

如果通用智能體代表著未來，為什么不做一個呢？讓我們看看三種可能的路徑：

a. 搶占市場先機

AI 實驗室要等到模型足夠強大，強大到能用最小的工程投入打造出通用智能體時，才會真正和垂直工作流競爭。理論上，你可以通過早期模型的工程投入來占領市場。Leopold Aschenbrenner 認為，這個過程可能比開發新模型還要久：

「開發過程可能比模型解鎖花的時間還多，等到遠程工作者們都能自動化大量工作的時候，過渡期模型可能還沒完全開發出來?！?/p>

無論誰先來，市場的領先地位都不會持續太久。

b. 智能體 API 包裝

我的室友之前問：「就沒人能做個更好的 UI 嗎？」他不明白，模型 API 都已經開放了，為什么沒人做出比 ChatGPT 更好的東西。

這個問題暴露了兩個問題：1）API 成本讓利潤不可持續，2）實驗室不發布最強的模型（ChatGPT 還使用了自己的專有模型來做檢索、瀏覽等功能）。

現在，沒人通過 GPT API 和 ChatGPT 直接競爭，我預計通用智能體也會面臨同樣的問題。

c. 開源模型

開源模型是另一個可能的選擇。Perplexity 的例子說明，開源模型有潛力跟實驗室的通用產品競爭。但開源模型在簡單的基準測試中表現很好，但在復雜的智能體任務中就很難應對。比如圖 16 中，Llama-3.1-405b 在 MLE-bench 上的表現明顯落后于前沿模型。在我聯創的 Andon Labs，我們專注于這類基準測試，結果也類似。

圖 16： 在 MLE-bench 上的模型比較

這篇文章是我在發布前一個月寫的。當時 Deepseek V3 和 R1 已發布，表現非常好。不過，o3 也發布了，據說 Anthropic 內部還有更強的版本。我們將會看到越來越接近前沿的開源模型，但我懷疑它們能否超越現有的前沿。盡管如此，這些開源模型仍然足夠強大，可以參與通用競爭。不過，需要注意的是，推理成本依舊非常高。

3. 供應商

如果 AI 實驗室真能變得這么強大，做它們的供應商將是個不錯的機會。很明顯，它們需要大量的算力。如果圖 3 中 Leo 的分析是對的，需求可能比你預想的還要多。這個機會需要深入的行業知識，而對于現在處于 AI 應用層的創業者來說，可能還不太容易。但記住，你是個巫師。

AI 實驗室還會從第三方購買數據。Scale AI 正在證明這一點是個不錯的商機。不過，這里有個問題，AI 實驗室能否讓「自我博弈」技術成功。AlphaZero 就是一個著名的例子，它沒有使用任何外部數據，訓練過程被認為是未來 AI 模型的理想方式。如果它們做不到自我博弈，另一條路可能就是把多個后期訓練數據集拼接在一起。在這種情況下，賣數據應該是個很有前景的選擇！

圖 17： 預計美國電力生產與 AI 需求的對比。電力生產保持平穩，而 AI 需求預計會以指數級增長，到 2030 年可能會超過當前的電力生產值。最大的訓練集群需求占比很大

4. 生態系統

與 AI 實驗室的另一個可能關系是成為生態系統的貢獻者。也就是說，開發一些幫助通用智能體的工具，關鍵是這些工具要和智能體本身分開。就像第三章說的，傳統軟件會繼續存在，因為智能體需要高效的接口。雖然智能體理論上可以自己編寫軟件，但因為推理成本太高，可能并不實際。

生態系統的參與者也有可能變得商品化，所有的價值都被其他地方吸走。我認為這很大程度上取決于運行通用智能體的推理成本。如果推理成本低，智能體更可能自己寫它需要的程序。

如果時間線更長怎么辦？

時間線真的是關鍵——如果通用智能體要 10 年才能真正有競爭力，那做一個垂直 AI 就很值。你有足夠的時間來建立一家有分量的公司。

雖然實驗室的進展速度很快，10 年的時間可能不太現實，但如果是 4 年呢？4 年可能不足以做成一個巨頭公司，但足夠讓你不斷迭代優化。從 AI 應用層起步，可能可以幫你為未來轉型成供應商或生態系統角色做好準備。

05結語：YC 犯了錯？

從表面上看，YC 似乎犯了個大錯。他們大部分的投資都集中在一個即將衰退的領域。但老實說，我對風險投資的理解還不夠深入，不能完全確定自己的判斷。我只是想說，我有些困惑，歡迎大家給我一些意見。

YC 說自己基本上是無偏見（non-opinionated）的，不帶有過多主觀判斷，他們投資的是最聰明的人，期望這些聰明人找到最好的創意。這策略沒錯，畢竟很多創始人在預測未來細節上肯定比 14 個合伙人更行。

YC 項目中的一個重要環節是每周設定目標。大家在大團隊中合作，很有動力。但如果想法的多樣性不夠，就容易陷入短期思維。如果你的目標是下周就做出 5k MRR，那做一個 AI 垂直產品確實是個好主意，但我不認為這樣能幫你做出一個持久的生意。雖然我有點堅持這個看法，但如果我在 YC 的批次里，我也會很容易受到誘惑。更有意思的是，YC 的播客「The Light Cone」幾乎每集都提倡做垂直 AI。

我原以為 YC 的無偏見策略是有效的，因為它注重多樣性，但可能我錯了。

參考

https://mp.weixin.qq.com/s/LLjWskGKx3_TLOPBoTwcoQ

https://lukaspetersson.com/blog/2025/bitter-vertical/

https://lukaspetersson.com/blog/2025/power-vertical/

https://lukaspetersson.com/blog/2025/footnote-vertical/

https://lukaspetersson.com/blog/2025/wizard-vertical/