文章核心观点 - 生成式AI的兴起标志着软件行业同质化时代的结束，单纯将AI“套壳”到现有工作流的应用将面临被更强大的基础模型吞噬的风险[2] - 要构建具有持久价值且能吸引风险投资的企业，必须遵循“苦涩的教训”，即承认规模效应（算力和数据）最终会胜过人类专业知识驱动的复杂算法[3] - 成功的AI时代企业有两条主要路径：一是服务于“模型经济”，提供模型进化所需的算力、数据、基础设施和安全；二是创造“后拟物化应用”，利用AI的独特属性发明前所未有的全新工作流[6] 模型经济：构建AI的基础设施与资源 - 算力商品化：AI能力指数级扩展需要巨量算力和能源，催生了匹配供需、提高资产利用率的“交易所模式”公司，例如AI算力市场San Francisco Compute Company和Fractal Power[8] - 运行在设备端的AI：由于延迟、隐私或成本限制，部分AI需在本地设备运行，获胜者需将硬件与软件紧密结合，例如Meta对可穿戴设备的投资以及初创公司Truffle为AI模型构建专用计算机和操作系统[9] - 数据交易平台：模型需要日益专业化的数据，新型数据交易公司可帮助企业将其数据授权给模型供应商，例如Reddit向谷歌授权数据，或按模型供应商需求寻找特定数据源[10] - 安全：模型经济的安全侧重于主动进攻，组建团队有目的地破解AI系统以发现漏洞，并在被利用前提供修补服务给大公司[11] - 规模化公司案例：甲骨文为模型构建者提供算力的合同储备已增至近5000亿美元，CoreWeave和Crusoe从比特币挖矿转型为AI实验室提供算力，Scale AI获得Meta的140亿美元投资用于提供高质量标注数据[7] 后拟物化应用：发明只有AI才能实现的新工作 - 定义与陷阱：“后拟物化应用”指利用模型独特属性发明全新工作流的应用，而非将现有工作流“AI化”，后者是“拟物化”陷阱，会导致产品优势被基础模型蚕食[12][13] - 同时协调多个智能体：通过策划具有不同角色和专业知识的智能体集群进行交互，其价值在于交互产生的行为，能减少幻觉并创造更诚实的评估系统，例如使用多个模型组建虚拟投资委员会[14][16] - 大规模模拟：利用GPU和AI实现数千次并行实验，在科学领域开启全新工作类型，如虚拟细胞、快速映射蛋白质结构、高效筛选数百万新药候选分子[17] - 持续反馈循环：模型原生应用能从每次交互中学习并自主运行，实现自我观察、诊断和愈合，最终形成无需人类干预的自主系统，超越传统的监控报警平台[18][19] - 历史参照：成功的移动应用（如Uber、DoorDash）并未数字化旧有流程，而是利用手机特性发明新工作流；Figma利用WebGL技术可能性创造了浏览器中的设计工具，均是“后拟物化”的成功先例[12][13] AI发展趋势与创始人选择 - 基础模型能力：通用模型能够完成的任务长度每七个月就会翻一倍，其发展轨迹威胁着建立在其之上的任何“套壳”应用[4][6] - 创始人面临的选择：一条道路是构建模型进化所需的资源（算力、训练数据和基础设施），另一条是发现那些只有靠AI才能实现的工作[6] - 关键问题：对于风险投资人，需判断一家公司是会被“苦涩的教训”所吞噬，还是能为规模化或真正创新而构建；对于创始人，需自问是在开发模型终将取代的东西，还是模型生存所需的东西[20]