摘要：在硅谷的创业版图里，Bret Taylor 是一个绕不开的名字：曾任 Salesforce 联合 CEO、Twitter 董事长，也是 Google Maps 的缔造者之一。就在 2023 年，他选择从金字塔尖的管理岗位抽身，在 ChatGPT 发布的震荡时刻

在硅谷的创业版图里，Bret Taylor 是一个绕不开的名字：曾任 Salesforce 联合 CEO、Twitter 董事长，也是 Google Maps 的缔造者之一。就在 2023 年，他选择从金字塔尖的管理岗位抽身，在 ChatGPT 发布的震荡时刻，与老友 Clay Bavor 一拍即合，创立了新的公司 Sierra。这一次，他把赌注押在了 AI Agent——一个既让人兴奋又充满争议的赛道上。

在 Bret 看来，AI 的价值不再只是“提高效率”，而是第一次让机器能够真正独立完成一项完整的任务。Sierra 采用了与传统软件公司完全不同的商业模式：只在 Agent 成功解决问题时收费。他说，这种模式像极了 Salesforce 当年引入的云订阅，将会成为整个行业的新范式。

但 Sierra 的野心远不止于“省钱”。Bret 一再强调，AI 的真正价值在于帮助企业夺取市场份额。如果电信公司通过 AI Agent 将流失率降低 5%，整个生命周期价值模型就会彻底改写。他把这称为“客户体验的台阶式变化”，而这种变化，只有在数千万、上亿用户的超级企业里才能发挥出真正威力。

对 AI 的未来，他并不掩饰自己的乐观：语音交互会超过文本，成为下一代用户界面的核心；AGI 的标准已经被模型反复超越，未来几年甚至可能出现由 AI 推动的第一批科学突破；而“超级智能”的讨论，则提醒人类在无法理解系统时，必须用技术去监管技术。

与此同时，他也承认这个行业正在经历一场类似 90 年代互联网的泡沫。就像当年的 Pets.com 与 Amazon 并存，AI 也会有大批失败者，但长期来看，它必然会像互联网一样重塑全球经济。“一定会有人亏掉很多钱，但也一定会有人赚到很多钱。”

Bret 还直指一个常被忽视的现实：代码正在商品化，但软件不会消失。写 ERP 的代码可能变得轻而易举，但合规、维护、更新和监管这些“无聊却关键”的部分，才是企业真正愿意付钱的理由。软件就像一片草地，“你写了它，就得负责养护它”。

如今，Sierra 已经拿下数十家全球头部客户，从电信到保险，从安防到媒体。它的 Agent 能帮用户完成理赔、办理贷款，甚至在汽车抛锚时自动派出道路救援。在 Bret 心中，Sierra 的使命是成为企业与用户之间最自然的桥梁，在一个由对话驱动的未来，重构客户体验的底层逻辑。

这既是机会，也是豪赌。Bret Taylor 再一次把自己推上了风口浪尖。

主持人：

今天我很高兴能和 Bret 对话。谢谢你来上节目。

Bret Taylor：

谢谢你邀请我。

主持人：

我想从 2023 年初说起。当时你离开 Salesforce，你还是联合 CEO。能不能聊聊你当时决定创办新公司的过程？你看过哪些方向？为什么最后在那个时间点落在了 Sierra？

Bret Taylor：

我宣布离开 Salesforce 的时间，刚好和 ChatGPT 发布几乎是同一周。我不知道你相不相信“宇宙力量”这种东西，但就像每一个人，尤其是像我这样技术宅，第一次使用那样的产品时，我整个人都被震撼了。

老实说，当时我对自己离开 Salesforce 之后要做什么并没有百分之百的把握。我本来只是想先离开，再慢慢想清楚，这是人生里挺值得做的一件事。可是一旦接触到这项技术，我立刻着了迷。我每天都在用。我的朋友——LinkedIn 联合创始人 Reid Hoffman——当时给我看了 GPT-4 的早期版本，我完全不敢相信它表现出的共情能力和人类般的自然对话。虽然我关注 AI 已经很多年，但如果你在 2022 年 10 月问我“大语言模型是什么”，我大概只会一脸茫然。

后来我意识到：这种我并没有紧密跟进的技术，其实真的会改变世界。我当时只知道自己想投身其中，至于要做什么，还不确定。但那没关系。这种感觉有点像我第一次接触互联网的时候，大家都隐约觉得它会改变一切。至少我是这么觉得的，所以我很兴奋能投身其中，仅此而已。

之后，我和 Clay Bavor（我认识他 20 年了）约了一顿午餐，本没打算一起创业，但吃着吃着，我发现他和我一样痴迷。当时他在 Google CEO Sundar Pichai 手下工作。到午餐结束时，我们比原计划多点了几道菜，也顺便决定了——我们要一起创业。虽然完全不知道要做什么，但我们坚信：当一场技术的“地震级”变革来临时，会产生大量商业机会。它会重组用户的需求，企业的需求，以及软件厂商能提供的资源。

如果你回顾互联网的出现，它孕育了如今市值最大的几家公司，比如 Amazon、Google；它也冲击了微软（尽管微软挺过来了），以及 Siebel Systems 这种没能挺住的公司。技术浪潮重塑了“新势力 vs 老巨头”的格局，并开辟了巨大的新市场。互联网带来了搜索和电商，大模型也会带来类似的巨大变革。

所以我和 Clay 都辞了职，先休整了几个月，再和很多客户交流，最后决定做 Sierra。我们要打造面向客户体验的 AI Agent。从 ADT 家庭安防，到纽约的 Ramp，再到 SiriusXM，都在用我们的智能体来接电话、提供在线交互，或者和用户展开对话。它们能帮用户升级/降级 SiriusXM 的套餐，也能在 ADT 警报响起时主动打电话通知业主。这些应用场景非常令人兴奋。

Sierra 的商业模式与客户合作

主持人：

请你具体聊聊 Sierra——比如和一个新客户合作时，你们的实际流程是怎样的？能不能带我走一遍？因为这个领域虽然在客户服务里并不是全新，但你们的做法是新的。你们和客户合作的方式，和你在其他软件公司时会有什么不同？

Bret Taylor：

我先从我们的商业模式说起，因为这会帮助回答你的问题。Sierra 和传统软件公司最大的不同，是我们只为“结果”收费。

对大多数客户来说，这意味着：当 AI Agent 能够自主解决用户来电或在线对话中的问题时，我们才收取费用；如果 AI Agent 需要把问题转给人工客服，那就是免费的。

我们很喜欢这种模式，我认为它会成为未来智能体的标准商业模式。因为“Agent”一词来自“Agency”（自主权），其本质就是强调一定程度的自主完成任务。而未来最先进的智能体，都会从头到尾完成一件任务，无论是帮销售团队生成新线索，解决客户服务问题，还是为反垄断审查做法律分析。

如果一个 AI Agent 不只是帮人类提高效率，而是真正完成了一项工作，那为什么不直接为“任务完成”付费呢？就像企业里的销售岗位，薪水之外还有佣金，因为结果可衡量。所以我认为 AI Agent 按结果计费，就像给它“提佣金”，不仅能在厂商和客户之间建立一致的激励关系，而且从第一性原理上看也合理。

这很像 Salesforce 当年引入的 云订阅模式，彻底改变了软件行业。当时 Mark Benioff 和 Parker Harris 推出 Salesforce，以订阅而不是永久授权的方式收费，整个市场格局都变了。我相信智能体也会带来类似的变革。

再说到我们和客户的合作关系——当你的收入完全依赖于结果时，厂商和客户之间的关系就会彻底不同。

大多数软件厂商和客户的关系是“保持距离”的。你如果见过企业做 ERP 系统上线，就知道执行起来非常复杂：几乎所有人都告诉我，ERP 项目比预计时间多拖两年，成本也远超预算。

而在这种项目里，你去问 1 万个参与的人：系统集成商会怪软件厂商，软件厂商会怪系统集成商，最后谁都不愿意承担责任，除了那个付钱的客户。于是大家嘴上都说“没问题，一切顺利”，成功总有千百个父亲，失败却是孤儿。

问题就在于：在这种关系中，唯一真正关心结果的只有客户。系统集成商是按小时收费的，激励并不正确；软件厂商在合同签完之后也已经拿到钱了，至于部署能不能成功，就靠客户自己去消化。

所以，基于结果的定价迫使软件公司和客户之间建立全新的关系。它让厂商更有责任心，也让客户真正知道自己买到了什么。

在 Sierra，我们把重点放在两个方面：

第一是 产品可用性。如果客户要实现结果，就必须让实现过程尽可能简单。我们在市场上独树一帜，既有面向技术团队的产品，也有面向运营团队的产品。你完全可以在没有任何技术知识的情况下，构建一个 AI Agent。我们的目标是赋能尽可能多的客户体验专家。

第二是 合作支持。我们提供所谓的“Agent 开发支持”，如果客户需要帮助上线，我们甚至会“整车开过去”帮他部署（这当然是夸张的说法，但确实投入很多资源）。这种深度陪伴式的支持，也是我们的独特之处。

老实说，我还不确定最终市场会怎样演变，但我很认同这套愿景。我尤其喜欢客户清楚知道 Sierra 为他们创造的价值——因为他们只在 Agent 真正解决问题时才付费。这种关系非常简单直接，我很喜欢，也愿意坚持下去。

主持人：

所以你们现在已经有上百家客户，其中 50% 的客户年收入超过 10 亿美元，20% 的客户年收入超过 100 亿美元。对吗？

Bret Taylor：

没错。

主持人：

为什么你们会专注这些大客户？而不是采取类似 Shopify 那样的思路，去服务大量中小企业？

Bret Taylor：

很简单，大公司有大问题。我很喜欢用第一性原理思考。想象一下：如果你是一家全球性的消费品牌，拥有一亿甚至数亿用户，在大模型出现之前，你根本不可能和他们逐一展开对话。

在呼叫中心有个指标叫 “每次联系成本”（cost per contact），它衡量的是接听电话或在线客服所需的全部人工与技术成本。这取决于对话的复杂度、客服的资质，以及客服是否在本地还是外包到海外。

通常来说，接听一次电话的成本在 10 美元到 20 美元之间。而对很多消费品牌而言，他们的单个用户平均收入（ARPU）甚至比这还低。这意味着：他们根本负担不起和用户对话。

这也是为什么你打电话给很多消费品牌时，要么找不到电话，要么被层层 IVR 菜单挡住。这不是因为他们不在乎客户，而是经济上不可持续。如果所有用户都能随意打电话给他们，他们会破产——这对客户也不是好事。

但现在，大语言模型彻底改变了这一点。它不仅能降低电话成本，而且是降低两个数量级。这就让客户沟通的经济模型发生了翻天覆地的变化。

所以，我们选择面向大型企业客户，正是因为这种客户体验上的“台阶式变化”，只有在数千万、上亿用户规模的公司里才真正有意义。而这些，恰恰就是全球最大的企业。

很多人一提到客户体验里的 AI Agent，会想到呼叫中心自动化，这当然是一个巨大的应用场景。但如果你换个角度思考：你现在能在同样的成本下，和用户进行比以往多一百倍甚至一千倍的对话。这意味着什么？

想想那些竞争激烈的行业，比如电信公司。市场规模有限，用户只能在几家公司之间选择。如果你能通过 AI Agent 让客户留存率提高 1 个百分点，这就是巨大的价值；如果能把流失率降低5 个百分点，你整个公司的用户生命周期价值模型都会发生根本性变化。

所以我认为，企业客户正在从两个层面看待这项技术：

第一层是直接的成本节省。没错，你可以省下客服成本，把钱返还给股东。

第二层是更高级的战略考量：能否通过改善体验来夺取市场份额。

后者才是真正令人兴奋的地方。这也是 Sierra 想要帮助全球最大品牌实现的目标。

主持人：

你们现在的 Agent，是否已经能够在没有人工参与的情况下，真正帮客户完成一些事情？我指的不是简单的聊天机器人，而是那些本来应该由人工来做、而且涉及经济价值的任务。能不能举个例子？

Bret Taylor：

当然。我举几个。

我们有零售客户，用户只需要上传一张损坏商品的照片，系统就能立即自动裁定保修申请，并且连接库存系统，直接发出一件新的替换产品。

在另一端，用户甚至可以在我们的平台上，通过 AI Agent 端到端地完成房屋再融资。

主持人：

真的完全没有人工介入？

Bret Taylor：

对，没有人工在环。这些 Agent 的表现非常惊人。你完全可以用 Sierra 平台上的 Agent 来采取实际行动，我们 100% 的客户都在这么做。

在一定程度上，这里涉及一个 AI 技术叫 检索增强生成（RAG）。简单来说就是“基于知识库回答问题”。但现在这几乎已经成了商品化能力。把 ChatGPT 和一个知识库拼接起来，一个工程师周末就能做出来——这在三年前还像科幻小说，现在只需要一个周末。这就是技术发展的疯狂之处。

真正困难的是，把这些技术用在 高度监管的复杂流程里。我们和健康保险、医疗服务、银行、财产险与意外险公司都有合作。比如理赔流程，这就不是简单的“问答”了，而是需要合规审查的复杂对话。

那么问题来了：如何给 AI 设置 可靠的安全护栏？既要基于 AI，又要有确定性规则。还要解决一些看似细微但至关重要的技术问题，比如40 多种语言的转写准确率。

你可能觉得转写里漏掉“and”或“or”无所谓，但如果漏掉的是账号号码，那后果就严重了。这就是“难点”。

再举个例子：我们有客户在做道路救援。如果你和 AI Agent 聊天时，背景突然有汽车喇叭声，很多系统会以为有人打断了它，于是中断回复——因为它没法区分“喇叭声”和“人声”。

所以，我们的平台就是为了解决这些问题：可靠的安全护栏、多语言对话（文本和语音）、确定性与 AI 双重的监管模型（supervisor models），甚至包括一些看似简单却关键的能力，比如“分辨电视背景音和真实对话”、“识别汽车喇叭而不中断交流”。

我相信三四年后这些问题都会变得简单，但现在仍然极难，这也是为什么市场对我们的产品需求非常旺盛。

主持人：

我很高兴你提到了语音。我很好奇，在你们的应用场景里，语音除了聊天之外是如何融入的？你觉得语音会不会比文本在 Agent 里占据更大的比重？

Bret Taylor：

我认为会的。事实上，在我们的平台上，语音的使用量已经超过了文本。这其实挺惊人的，因为我们才在去年 11 月上线语音功能。

原因有几个。首先，从人类的本能角度看：如果你去看未来科技的电影，或者读科幻小说，人与计算机交互的方式几乎总是“对话”。语音是最自然、最符合人体工学的界面。我们天生就会说话，不需要学习。它的摩擦很低，也非常普适。

我们常常谈到“数字鸿沟”，而如果和技术交互的方式仅仅是“开口说话”，这会让技术的可及性大大提高，尤其是在多语言支持和足够耐心的情况下。

其次，从产业现状来看：在电信、医疗保险等行业，大量的客户服务仍然依赖电话。这不仅是消费者和企业之间的沟通，甚至是医疗服务提供者与保险支付方之间的对话，也都在电话线上完成。

AI 的到来，等于把这个最古老的模拟渠道——公用电话交换网（PSTN）——第一次变成了数字渠道。

过去，每一家企业几乎都有一个“数字自助服务团队”，他们的任务就是让用户尽量去用网站而不是打电话，因为那样更便宜、更快，对用户和公司都好。现在则完全不同了：你打电话也没问题，因为接电话的其实就是和你在网站上交互的同一个 AI Agent。这简直不可思议。

这就像当年互联网协议里的 TCP/IP。我们现在等于是把“互联网”放到了电话上，让电话第一次成为数字交互的渠道。

从商业逻辑上讲，有句创业界的谚语：“要做止痛药，而不是维生素。”因为人们一定会买止痛药，而维生素只是“想买”。

AI 在语音渠道的应用就是止痛药。电话客服是成本最高、效率最低的渠道，而且几乎所有人都讨厌它。即使你遇到世界上最好的客服代表，也往往是在等待了 10 分钟之后才接通。要建一个零等待的呼叫中心，经济上根本不可行。

所以，没有任何一方会为当下的电话体验辩护——消费者讨厌，企业讨厌，客服人员自己也讨厌。而现在，AI 技术能直接把这个问题解决掉。这就是为什么语音会产生巨大影响。

展望未来，我也不能确定最终会走向哪里。但它一定会很激动人心。比如在巴西和印度，WhatsApp 已经成了人们办理贷款、买保险的核心渠道。我四年前去巴西，看到有人在 WhatsApp 上办房贷，直接上传 PDF 文件。我当时都惊呆了。

如果你想象一下未来，几乎所有公司都能有自己的对话式 Agent，那也许意味着：每家公司都会有 WhatsApp 窗口来完成服务，或者也许智能音箱会重新流行起来。

再比如开车场景。CarPlay 现在很好，但你其实没法在车里做太多事。如果未来你能在开车时和 Agent 对话，帮你处理邮件，或者像一个“博士级别的私人助理”一样，随时提供服务，那会让通勤变得超级高效。

所以我觉得，这不只是经济上的变化，更是一次 全新的用户界面范式转变。我们正在让计算机真正具备“对话能力”。

顺便说一个小趣事：前几天我接电话时，下意识地把手机放到耳边。对于在线观众来说，我现在就是把手放在脸旁边做打电话的动作。直到那一刻，我都觉得这是最正常不过的。结果我的孩子看着我说：“你为什么把手机贴到脸上？好奇怪。”

那一刻我突然意识到：我真的老了。对于我们这一代人，这很正常；但对于新一代孩子来说，他们和手机的交互方式完全不同。他们从来没见过旋转拨号电话。他们成长的世界里，计算机天生就能理解人类的语言、语气、甚至讽刺，他们觉得“拥有一个能帮我做研究的个人 AI Agent”再自然不过。

我们可能还没有意识到第二层、第三层的连锁效应，但孩子的一句话已经让我感受到：整个交互习惯正在彻底改变。

主持人：

那么从技术层面来看，你们在 Sierra 是否自己训练模型？你们真正的技术“秘方”是什么？是模型本身，还是别的东西？

Bret Taylor：

我们做了大量的 微调（fine-tuning），但我们不会预训练模型。我认为大多数应用型 AI 公司都不该去做预训练。原因很简单：那是一个快速贬值的资产，投入巨大，但对股东来说未必能带来有意义的回报。

不过我们所做的，依然非常复杂。举个例子：在 Sierra 平台上，一个 Agent 回复客户的一条消息，背后可能需要调用 20 多次推理请求才能生成。

这意味着：在我们系统的底层，并不存在一个单一的模型，也不存在某种统一的“参数规模”。而是多个不同的模型、不同的供应商、不同的能力组合在一起，针对具体任务动态选择。

我认为应用型 AI 的未来就是这样。它很像数据库领域：你不会问“存储数据的正确方式是什么”，因为每个场景都有不同的数据库可选。Snowflake、Databricks、传统事务型数据库，数不胜数。一个现代的技术专家会清楚地知道：针对某个特定场景，该用哪种数据库。

我认为应用型 AI 也会走到同样的地步。这些模型会成为基础设施的一部分，而不是“通用人工智能”。有时你需要特别快的模型，有时你需要便宜的，有时你需要高质量的。在价格、性能和延迟的三维矩阵里，总能找到合适的点。

最终，这会像数据库市场一样。真正构建应用的人，不需要会“写数据库”，只需要会“用数据库”。这两者是完全不同的技能。

在应用型 AI 里也是如此。构建 Agent 的人，未必需要会预训练模型；他们只需要知道如何在不同模型之间取舍和组合。

我的直觉是：随着上下文窗口变大、模型的规则遵循度提高，微调的重要性会逐渐下降。但“基于模型构建应用”这一技能，会成为普遍的能力，就像今天你问一个开发者“会不会用数据库”一样平常。

主持人：

但我们最近也看到 GPT-5 的发布。感觉模型还在进步，但不像早期那样带来“跨越式”的变化。也许未来会变快，但你是否同意这个观点：模型正在逐渐“商品化”，差异化越来越小？

Bret Taylor：

我其实不同意，不过请先把你的问题说完，刚才有点打断你了。

主持人：

不，你不同意也没问题，你还是 OpenAI 的董事会成员嘛（笑）。但我想问的是，你是否认同这样一个假设：如果模型真的变成了“基础设施”，只要能即插即用，那差异化就会越来越小。真正的变化可能是“二阶效应”。你怎么看？

Bret Taylor：

我之所以不同意，并不是因为我是“OpenAI 的粉丝”（虽然我确实是，笑）。而是因为我觉得这取决于具体任务。

比如：如果有人之前用 GPT-4.0 或 4.1 写代码，然后切换到 GPT-5，他们会发现性能有显著提升。在“编程代理”这个场景里，GPT-5 带来的就是一次跨越式变化。

但如果你让我用 GPT-4 去规划一次旅行，然后换成 GPT-5，差别可能没那么大。我的假期已经很棒了，也许我没提出更高的要求。但对编程场景而言，性能差异就是立竿见影的。

所以我的直觉是：未来大家对模型“跨越式变化”的感受，会越来越取决于你所解决问题的复杂性。

如果是规划度假行程，可能感觉差异不大；但如果是新药研发、复杂软件开发，或者复杂的异步任务，差异就会非常明显。

Bret Taylor：

如果我们谈“人工通用智能”（AGI），那当然还需要继续提升。有趣的是，我看到过一位 OpenAI 研究员 [Sebastien Bubeck] 的实验：给模型一篇数学论文，它竟然提出了一种相对新颖的解法。那种创造力，几乎像是 AlphaGo 打出“神之一手”的时刻。

所以我的看法是：虽然对很多日常任务而言，模型已经“足够聪明”；但在更高层级的科学突破、药物发现、数学难题证明等领域，我们还有很长的路要走。

主持人：

既然你提到了 AGI（人工通用智能），我越来越觉得其实没人真正清楚 AGI 到底是什么意思。但作为 OpenAI 的董事长，你的理解尤其重要。我很想知道，你觉得 AGI 的定义是什么？在过去这一年里，你的理解有没有变化？当你说“这是 AGI”时，你的标准是什么？

Bret Taylor：

首先回答你最后一个问题——是的，我的理解确实改变了。

三年前，如果你问我 AGI 的定义，我会说：我们现在已经达到了。事实上，我觉得三年前世界上几乎所有人都会认为，我们已经到达了当时的 AGI 标准。

你可能听说过 图灵测试。虽然我不知道图灵最初在论文里的原始定义，但在我计算机科学学习中，它被讲解为：如果一台机器和人类对话，你无法分辨它是不是人类，那它就算通过了。

我们其实早就跨过了这道坎。我们已经远远超越了这个标准。所以我现在的观点是：忘掉图灵测试吧。那是历史上最聪明的计算机科学家提出的想法，但如今已经过时。

为什么说标准改变了？因为我们集体对 AI 的期望，一次又一次被模型超越。过去我们心目中的 AGI 标准，已经被“反复超车”四五次了。

所以，我现在的定义是：在数字世界和知识领域里，这些模型是否已经在几乎所有领域都达到或超过人类智能？

我特意强调“数字和知识的领域”，因为我认为这和物理世界的交互是两码事。比如，你可以发明一种新疗法，但临床试验是另一套完全独立的流程。能不能动手做实验，不等于智能本身。

换句话说，我关注的是“智能”维度，而不是“物理执行”维度。

此外，AGI 里的 “G” 代表 Generalization（泛化）。

有些研究者认为，如果一个模型在数学上表现卓越，那它在其他领域也会表现出色，因为数学是推理的基础。但另一些研究者怀疑，它未必能迁移到生物学等其他学科。

我的观点是：只要这些能力不是通过“专项训练”得来的，而是模型的自然副产品，它们就能泛化。我更乐观一些。我觉得未来几年我们会看到模型如何向其他科学领域泛化，甚至可能带来真正的科学突破。

从 OpenAI 和其他研究机构近期的进展来看，我愈发乐观。我甚至相信：第一批真正由 AGI 推动的科学发现，可能在未来几年就会出现。

当然，这问题更该问 OpenAI 的研究员们。但从我看到的早期迹象来看，这种可能性越来越强。

主持人：

那为什么像你之前的老板 Mark Zuckerberg 现在都在谈“超级智能”（Superintelligence）呢？硅谷和旧金山很多人开始用这个词。这和 AGI 有什么区别？是不是因为大家觉得“图灵测试已经过关了”，所以干脆改叫“超级智能”？

Bret Taylor：

对，这某种程度上是一次“品牌重塑”。

主持人：

哈哈，换个说法？我坦白讲其实没太懂。

Bret Taylor：

所谓 超级智能（Superintelligence），字面意思就是：它的智能超过人类。

区别在于：如果某个系统和你我一样聪明，能像人一样工作，那是不是已经算“平庸”了？（笑）不针对你啊，Alex，你对我来说已经够聪明了。

但“超级智能”设定了一个更高的门槛，意味着这种智能已经远超人类平均水平，甚至在某些方面完全不可比拟。

从研究与安全的角度来看，讨论“超级智能”是有意义的。因为当一个系统的推理能力超过人类时，人类无法再直接监控它。你必须用技术去监控技术。

这在非 AI 领域也有先例。比如飞机、汽车上都有传感器和自动化系统，监控那些人类无法实时感知或反应过来的问题。

所以，讨论“超级智能”并不是公关噱头，而是提醒研究人员：如果你无法理解一个系统，你怎么确保它是安全的、对齐的？需要不需要一个“监督 AI”来监控它？这是技术与哲学上的重大问题。

主持人：

我最近和 Sam（Sam Altman）一起吃过一次晚餐。那顿饭后来上了不少新闻头条，因为 Sam 说他认为我们正处在一场 AI 泡沫里。他原话是：“一定会有人亏掉一大笔钱，但也会有人赚到一大笔钱。”

这听起来像一句经典的营销语录。

Bret Taylor：

（笑）对，就像那句老话：

“我做的营销里，50% 是有用的。”

“是哪 50% 呢？”

“我不知道。”

主持人：

哈哈。那你同意 Sam 的说法吗？

Bret Taylor：

完全同意。

我以前也讲过类似的比喻——可能你听过，抱歉要重复一下。我认为现在的情况和 互联网泡沫有很多相似之处。

当人们谈到互联网泡沫时，通常想到的是 失败的案例，比如 Pets.com、Webvan。但如果你站在 30 年后的今天回头看，你会发现：亚马逊、谷歌这样如今全球市值最高的公司，正是泡沫时代的产物。

甚至微软今天的大部分市值，也来自于云计算这种“泡沫之后”的技术浪潮。

如果你从全球 GDP 的角度来看，互联网创造或影响的经济价值几乎无处不在。换句话说，1999 年那些人对互联网的乐观预期，从长期来看其实没错——互联网确实改变了一切。

即便是当年失败的商业模式，也在后来“卷土重来”。比如 Webvan，当时太超前了，但今天我们有了 Instacart、DoorDash 这些模式成熟、生态完善的公司。想法没错，只是早了二十年。

所以，互联网泡沫时期，既有 Amazon 这样的长期大赢家，也有 Webvan 这样的失败者。两者并存。

我认为 AI 也是如此。现代大语言模型必然会对经济产生巨大影响。仅仅在软件工程和客户服务这两个领域，它们的潜在价值就足以撼动整个产业格局。

过去我们一直生活在软件工程师短缺的世界里。而随着编程 Agent 的发展，这个最稀缺、最昂贵的岗位正在被规模化生产。那会带来什么样的市场？我们还没法精确测量，因为几乎每一家公司都在不同程度上变成软件公司。

所以我的结论是：一定会有巨大的赢家。机会实在太多，自然吸引了巨量投资。但与此同时，一定也会有人失败。

这和互联网早期建光纤的公司很像。很多铺设光纤的企业破产了，但光纤本身被保留下来，被下一代公司或私募基金接手，继续使用。

因此，我相信两件事会同时成立：

1. AI 会像互联网一样，重塑经济，创造巨大价值。

2. 我们也确实身处泡沫，很多人会亏掉很多钱。

这两者并不矛盾，历史上也多次发生过。

主持人：

那你会不会担心，泡沫其实就在你们所在的 企业级 AI 领域？比如那份 MIT 的报告，现在很多人都在讨论，里面说企业在 AI 上投入了大量资金，却没有看到相应的回报。我知道你们有不同的定价模式，更强调结果导向。但如果真有很多企业砸了钱却没产出，当这个趋势反转时，会发生什么？

Bret Taylor：

这是个好问题。我想把两个层面分开讲：

第一，我确实担心企业级市场里的泡沫；

第二，但我不认同那份 MIT 报告的结论。

我先讲泡沫风险。

很多关于我早年的故事，比如“重写 Google Maps”的那段经历，外界传得神乎其神。说一个人周末写了很多代码，结果成了伟大的产品。这个故事基本是真的，但也有些夸张，就像很多传奇故事一样。

有趣的是，现在我们已经进入一个AI Agent 能在周末完成类似工作的时代。你如果用过 Codex 或者 Cloud Code，就会发现很多任务 AI 已经可以帮你搞定。三年前这还是科幻小说，如今却成了周末项目。

这意味着什么？意味着过去大家觉得“很了不起”的事，现在变得“理所当然”。未来几年，这种转变会越来越普遍。

但这也带来一个问题：软件市场的未来会是什么样？

很多人会问我：“还值得去学计算机科学吗？” 我的答案是：值得，但也复杂。

因为写代码的过程本身，正在逐渐变成一种“商品化能力”。但软件并不仅仅是代码生成。你买一个 ERP 系统，不是因为它的代码，而是因为它有成熟的账务逻辑、可靠的季度结账流程、完备的安全补丁、合规认证……这些看似“无聊但关键”的东西，才是企业真正愿意付钱的理由。

所以我相信：AI 会改变写代码的方式，但不会消灭企业软件市场。

写 ERP 系统的代码或许变得很容易，但运营、维护、合规、更新这些“长期投入”才是真正的挑战。就像修剪草坪一样，软件是一片“草地”，你写了它，你就得负责养护它。

因此我认为，AI 会改变企业软件的生产方式，但不会彻底颠覆市场的存在。

至于那份 MIT 报告，我觉得它的问题在于：它把“企业自己用 AI 搭建系统”和“购买成熟 AI 解决方案”混为一谈。

这两者完全不同。

在 Sierra，我们的客户做概念验证（POC）之后，几乎 100% 都能顺利上线并落地。为什么？因为我们卖的不是“AI”，而是客户体验。企业买到我们的平台，直接开箱即用，不需要自己做复杂开发。

还有一些像 Harvey 这样的公司（法律领域的 AI Agent），我和很多律所聊过，几乎都部署成功了。但注意，他们买的不是“AI 技术”，而是更高效的反垄断审查流程。

这就是区别：买“解决方案”，和自己“造 AI 项目”，完全不是一回事。

Bret Taylor：

今天的问题是：市面上还没有足够多的成熟供应商。很多企业要么等，要么自己试着去做。但自己做，就会遇到极高的复杂度，于是出现了所谓的“AI 旅游”现象：做个漂亮的 Demo，做个 PPT，做做样子，但要真正落地，却难之又难。

我相信解决方案会来自 应用型 AI 公司。比如：

想提升客户体验，就买 Sierra；

想做法律分析，就买 Harvey；

未来供应链优化、财务审计，每个领域都会有对应的 AI Agent 公司。

这些公司会像当年的 SaaS（软件即服务）一样，成为企业应用的新一代标准供应商。

所以，我不认同 MIT 的悲观结论，但我认同“市场还不成熟”。我们正在等待足够多的应用公司出现。等到几年后，AI Agent 将像 SaaS 一样成为企业的标配。

主持人：

好的，Bret，我们时间差不多了，今天就先到这里。非常感谢你接受采访。

Bret Taylor：

谢谢邀请，我也很高兴能来分享。

来源：

[1] https://www.theverge.com/decoder-podcast-with-nilay-patel/773904/sierra-ceo-bret-taylor-ai-agents-openai-bubble-interview

来源：ZFinance