他拯救了 OpenAI、发明了“赞”按钮、做出了 Google 地图：Bret Taylor 谈职业、编程、智能体的未来等

00:00你曾担任 Meta 的首席技术官、Salesforce 的联席首席执行官，还是 OpenAI 的董事会主席。你觉得 AI 市场最终会如何发展？

00:07整个市场都会走向智能体。我认为整个市场也会走向结果导向定价。这显然是构建和销售软件的正确方式。

00:16这让我想起我曾邀请 Marc Benioff 来做播客。你们曾经是联席首席执行官。他对智能体极其着迷。

00:21销售生产力软件非常难，这一点我深有体会。

00:24说到你最大的错误，你会想到哪个故事？

00:27我当时是 Google Local 的产品经理。那次和 Marissa、Larry 一起做产品评审时表现得相当糟糕，而一个产品即使有 Google 首页的链接也没做起来，实在令人尴尬。

00:37我觉得，听到即使经历这样的重大失败仍然可以取得成功，会让很多人受到鼓舞。

00:41他们又给了我一次机会，让我做它的第二版，最终诞生了 Google 地图。上线第一天就有大约一千万人使用。

00:48什么样的心态让你能在如此多样的岗位上取得成功？

00:52每天早晨醒来时问自己：今天我能做的最有影响力的事情是什么？

00:56今天的嘉宾是 Bret Taylor。Bret 是一位真正传奇的产品创造者和创业者。他在 Google 参与创造了 Google 地图；共同创办了社交网络 FriendFeed，发明了“赞”按钮和实时信息流，后来把公司卖给了 Facebook。之后，他成为 Facebook 的首席技术官。接着，他创办了生产力公司 Quip，并以 7.5 亿美元的价格卖给 Salesforce，随后担任 Salesforce 联席首席执行官。他目前也是 OpenAI 的董事会主席，曾一度担任 Twitter 的董事会主席。如今，他是 Sierra 的联合创始人兼首席执行官。Sierra 是一家 AI 初创公司，正在构建帮助企业处理客户服务、销售等工作的智能体。（00:01:32）本期对话涉及很多内容，包括哪些技能和心态最帮助 Bret 在如此多的岗位上取得成功；为什么我们仍然低估了智能体对商业世界的影响；未来几年编程将如何改变；创业公司的最大机会在哪里；AI 定价和市场进入策略的经验；“赞”按钮背后的故事，以及更多内容。这是一场与传奇创造者的精彩对话。（00:01:57）如果你喜欢这档播客，别忘了在你常用的播客应用或 YouTube 上订阅和关注。如果你成为我的 newsletter 年度订阅者，还能免费获得一整年的众多优秀产品，包括 Replit、Lovable、Bolt、n8n、Linear、Superhuman、Descript、Wispr Flow、Gamma、Perplexity、Warp、Granola、Magic Patterns、Raycast、ChatPRD、Mobbin 等。请访问 Lenny'snewsletter.com，点击 bundle。接下来，请收听我与 Bret Taylor 的对话。（00:02:22）本期节目由 CodeRabbit 赞助。CodeRabbit 是 AI 代码审查平台，帮助工程团队借助 AI 更快交付，同时不牺牲代码质量。代码审查很关键，却也很耗时。CodeRabbit 像你的 AI 副驾驶一样，为每个 pull request 即时提供审查意见和潜在影响。不仅会标记问题，还能提供一键修复建议，并允许你用 AST GREP 模式定义自定义代码质量规则，捕捉传统静态分析工具可能漏掉的细微问题。（00:02:55）CodeRabbit 还可以直接在 IDE 中免费进行 AI 代码审查，支持 VS Code、Cursor 和 Windsurf。截至目前，CodeRabbit 已审查超过 1000 万个 PR，安装在 100 万个代码仓库中，并被超过 7 万个开源项目使用。使用代码 Lenny，在 CodeRabbit.ai 免费获得整整一年的 CodeRabbit。网址是 CodeRabbit.ai。（00:03:20）本期节目由 Basecamp 赞助。Basecamp 是 37signals 推出的著名简洁的项目管理系统。大多数项目管理系统要么不够用，要么复杂得令人沮丧，而 Basecamp 让人耳目一新：上手简单、组织方便，其可视化工具能帮助你准确看到每个人在做什么以及工作的进展。你可以把项目相关的文件和对话都直接放在项目中，这样就能始终找到所需信息，不必不断切换上下文。经营企业很难，但管理项目应该很简单。我长期关注 37signals 的工作，很高兴把 Basecamp 分享给你。请在 basecamp.com/Lenny 注册免费账户。用 Basecamp 取得进展。（00:04:10）Bret，非常感谢你来到节目，也欢迎你参加这档播客。

04:14谢谢邀请我。

04:15我的荣幸。我有太多想和你聊的了。你在职业生涯中做过许多不可思议的事情，简直让人难以置信，我们会谈到其中很多。但我想先从相反的方向开始，聊聊你搞砸过的一次经历，一次严重失误。我们的播客有个固定环节叫“失败角”，所以我想在进入你做过的那些伟大事情之前，先从这里开始。说到打造产品时可能犯过的最大错误，你会想到哪个故事？

04:43这可能不是最大的一次，但这是我在 Google 做产品经理时第一次引人注目的错误。对我来说它很重大，因为它对我作为产品创造者的成长影响很大。我在 2002 年末、2003 年初加入 Google，是公司最早一批助理产品经理之一。起初我负责搜索系统，主要工作是把我们的索引从 10 亿个网页扩展到 100 亿个网页，这在当时是件大事。现在看起来已经很平常了。后来我的表现还不错，于是老板 Marissa Meyer 给了我牵头一个新产品项目的机会，这是她对我的重大押注。对 Google 来说，这是一次做新事的机会；但作为一个年轻的新产品经理，我也受到密切审视。交给我的任务是做本地搜索。（00:05:40）当时黄页仍然占据主导地位。Google 很擅长搜索网页，却不太擅长找水管工或餐馆，因为那类内容当时并不是互联网的重要组成部分。相关信息未必已经上网；即便上网了，你想找的也不是“曼哈顿的水管工”，而是“旧金山的水管工”，至少对我来说是这样。所以，这同时是技术问题、产品问题和内容问题。（00:06:11）我们上线了我负责的第一版产品，叫 Google Local。现在回头看，我可能比当时更愿意批评它：它有点像 Yahoo 黄页的模仿品，本质上是在 Google 搜索上面加了一层黄页搜索。只要输入恰当的查询，商家列表就会出现在搜索结果顶部；此外还有一个独立网站 local.google.com。这个项目重要到 Google 首页上都放了链接，当时首页上有 Web、Images，Local 也在上面，所以它获得了非常显眼的位置。（00:06:54）你几乎可以把任何链接放到 Google 首页上，并为它带来大量流量。可即使这样，它的表现仍然不佳。一个产品有 Google 首页链接，却依然做不起来，实在令人尴尬。作为产品负责人或产品经理，很难获得比这种流量更大的助力。产品本身能用，也没什么大问题，但真正缺乏差异化。现在回想起来，问题是：为什么要用它，而不是 Yahoo 黄页？更重要的是，为什么要用它，而不是黄页本身？它只是把一个已有的东西数字化。我们和 Marissa、Larry 以及其他人做了一次相当严厉的产品评审。事情还不至于严重到让我被解雇，但我的声誉确实不再那么耀眼。（00:07:52）他们又给了我一次机会，让我做它的第二版。我感觉这不是“最后一次机会”，但从一个备受看好的新 PM 变成一个让人失望的人，我确实有些沮丧。于是我们花了很多时间思考，怎样才能做出更有吸引力的东西，而不是黄页的数字版本，也不是市场上其他产品的翻版。我们抓住的那条线索最终引出了 Google 地图。当时我们从 MapQuest 获得了把一张小地图放在搜索结果旁边的许可；那一直是产品中最难看的部分，我们内部总会半开玩笑地议论它。于是我们花了很多时间思考：如果把层级反过来，把地图变成画布，会怎样？（00:08:49）后来我们找到了 Lars 和 Jens Rasmussen，他们当时正在做一款 Windows 地图产品。我们把他们请进公司，开始探索这个方向。在探索过程中，我们把很多不同产品整合到了一起：地图、本地搜索、驾车路线。当时这些都是彼此独立的产品类别，最后却被整合成了一个重新定义行业、也改变了我职业生涯的产品。对我这个产品负责人来说，这改变了我的产品观：产品有功能和特性，但更重要的问题是，人们为什么一开始就要使用它？还有几个时刻很有意思。Google 地图上线第一天就有大约 1000 万人使用。以当时互联网的规模来说，这是个巨大的数字。2005 年 8 月，我们又把来自近期收购的 Keyhole 的卫星图像整合进来，Keyhole 后来变成了 Google Earth；同一天就有 9000 万人使用。大家都想在卫星图像上线时看看自己家的屋顶。（00:10:35）这件事带来很多细微但重要的产品经验。第一，面对新技术，与其把旧东西原样数字化，不如创造一种全新的体验，让新用户立刻明白为什么值得花时间尝试。要把乐高积木拆开，再重新拼成新的东西，而不是简单地把已有事物数字化。Google 地图的经验确实说明了这一点：它以纸质地图做不到的方式原生适配了这个平台，这就是一次有意义的突破。卫星图像其实不是 Google 地图最重要的部分，但它像牛排上的滋滋声，制造了一个引人注目的时刻。我不确定当时人们是否已经使用“病毒式传播”这个词，但它确实形成了病毒式传播。我们还上了《周六夜现场》，那太酷了。Andy Samberg 在我记得叫《Lazy Sunday》的节目里唱到了 Google 地图，Lars 和我互相发短信说：我们做到了，我们上《周六夜现场》了，任务完成。它还说明，做产品时要区分用户为什么决定使用产品，以及产品持续存在的价值。二者密切相关，但并不相同。这些经验后来伴随我做完了之后的每一个产品。

11:18这个故事太棒了。我觉得，听到这一点对人们很有鼓舞，即使是你 Bret，即使我接下来要讲你取得的所有成功，你也曾经在 Google CEO 面前经历过一次重大失败，听起来就像：Bret，你搞砸了。而且这还是一次很大的押注。首先，这说明即使经历这样的重大失败，也仍然可能像你一样取得成功。你分享的产品经验中，还有几条值得强调：如果你只是做出另一个产品的更好复制品，通常不会赢；你要寻找的是一种全新的体验，是有差异化、吸引力更强的东西。接下来，我们聊聊你从多次成功中学到了什么。（00:12:02）我看了你的履历，你几乎在职业阶梯的每一层都取得了成功，而且担任过极其多样的岗位。我为不太熟悉你背景的听众列几项：你曾是 Meta 的首席技术官、Salesforce 的联席首席执行官，也是 Salesforce 的首席产品官和首席运营官。在 Google，你从助理产品经理做起；大家都知道，你还曾在周末重写 Google 地图，不过我们今天不聊这个。你是 OpenAI 的董事会主席，也曾是 Twitter 的董事会主席。你还创办过三家公司：一家社交网络、一家名为 Quip 的生产力文档公司，以及现在的 Sierra。一个有趣的事实是，你在 FriendFeed 发明了“赞”按钮，实时信息流也有你的一份功劳，我就先说到这里。你做过助理产品经理、个人贡献者型产品经理、工程师、首席产品官、首席运营官、首席技术官，还担任过三家公司的 CEO，其中包括一家上市公司的 CEO。一个人能在这么多类型、这么多层级的岗位上都取得成功，非常罕见。所以我想问：你在自己身上培养了哪些心态、习惯或工作方式，让你能在如此多样的岗位和层级上取得成功？

13:19是的，我确实为此感到自豪。我喜欢自己戴过不同的帽子。很有意思的是，当我遇到来自某段工作经历的老同事时，他们往往会透过那段工作的镜头看我。比如我见到 Facebook 的同事，他们大多把我当工程师；见到 Google 的同事，他们大多把我当产品人。在 Salesforce，很多和我共事的人是以某种——不好听但最贴切的说法——“西装革履的老板”来认识我的。他们可能完全不会把我当工程师，尽管我那时周末可能还在为了好玩写代码。对我来说，一个原则是要对自己的身份保持非常灵活的看法。我大概会自称工程师，但更广泛地说，我把自己看成一个创造者。我喜欢打造产品，而我认为公司是打造产品最有效的方式之一。（00:14:17）当然还有开源之类的事情，但我非常相信技术与资本结合后能为客户创造不可思议的结果。因此，我认为如果真的要创造有意义的东西，要成为一名优秀的创始人，就不能把自己的身份看得僵化，以至于无法转变成公司在当下需要你成为的样子。你可以问任何一位创始人：有一天，销售会成为创始人工作的重要部分。你要说服投资人愿意投资公司；要说服候选人愿意加入公司；要说服客户愿意使用公司生产的产品。你还要有好的设计品味，不只是产品设计，还包括营销和吸引客户的方式。（00:15:09）如果你在打造科技公司，还必须有优秀的工程能力，因为技术是第一位的。这正是这个行业如此具有变革性的原因。我可能要把改变我处理新工作的方式归功于 Sheryl Sandberg。我以前讲过这个故事，我非常感谢她；这个故事可能有一点润色，但大体准确。我刚成为 Facebook 的首席技术官时，最初的 CTO 组织规模比较小，向我汇报的人大多是非常资深的架构师，同时参与几个项目。后来 Mark Zuckerberg 重组公司，把它拆成许多不同的部门。我接手了一个很大的团队，大约有 100 人，实际上负责平台和移动部门，包括产品、设计和工程。（00:16:10）所以我从手下寥寥几个人，变成了不知道超过 1000 人还是怎样，总之是个很大的组织。这是我接手过最大的管理工作。我在 Google 时也做过经理，但团队规模不大。我当时表现还可以，却称不上出色。有一次 Sheryl 看到我在帮一个合作伙伴修改演示文稿，因为原稿没有达到我的质量标准，我一边修改一边抱怨。她把我叫到房间里，和我谈了谈：我要求自己达到这么高的标准，那对团队是不是也应该如此？如果有人达不到我的期望，我打算怎么管理，甚至是否应该让他离开公司？她给我上了一堂管理入门课。（00:16:57）她是一位非常出色的导师，因为她给反馈时非常直接，而且经常让人不舒服，但你知道她是真心关心你。所以那种反馈你会听进去。那天晚上回家后，我一直在琢磨，心情很不好。人在那种时候自然会有点防御心理：真是这样吗？我真的把事情搞砸了吗？还是她反应过度？第二天醒来，我想：不，她说得对。我意识到有一个下意识的限制在阻碍我取得成功：我在努力把工作改造成自己以为喜欢做的样子。我把大量时间花在自己热爱的产品和技术问题上，心想“我是老板，应该专注于自己想专注的事情”，而不是思考：“我负责 Facebook 的移动和平台团队，今天最重要的事情是什么，才能让我们的移动产品和开发者平台成功？”（00:18:03）当我这样重新定义工作时，我做了不同的事情。最让我意外的惊喜是，我喜欢上了这些事。我以为自己喜欢工程和产品，但实际上，当我改变一个组织并让它变得更成功时，看到这种成功让我获得了巨大的快乐。我们的开发者平台有很多合作伙伴，出现问题时，我会花时间处理合作关系；问题解决后，平台变得更健康，合作伙伴也更成功，我会为这种成功感到自豪。后来我在工作中表现得越来越好，也意识到，我真正喜欢的并不是工程、产品设计或其他我以为喜欢的具体事情，而是影响力。（00:18:49）因此，那次谈话让我每天早晨醒来时，有时是字面意义上的醒来，但更广义地说，都会问自己：“今天我能做的最有影响力的事情是什么？”我会像有一个外部顾问委员会在告诉你：如果专注于哪些事情，最有可能实现你想要的目标？有时是招聘，有时是产品，有时是工程，有时是销售。我开始更善于反思什么才值得投入，也更愿意去做以前会说“不喜欢”的事情，因为我从产生影响中获得了很多快乐，现在反而能从更多事情中找到乐趣。所以我非常感谢 Sheryl。其实现在我给别人反馈时，也经常想到这件事，因为某些时刻真的能改变一个人的职业轨迹，这一点我都要归功于她。

19:53很多人都分享过 Sheryl Sandberg 给他们建议、改变他们人生的故事。她真是个大好人。

20:01是的。

20:01我从这件事得到的最大启发是：今天我能做的最有影响力的事情是什么？仅仅把这个问题记在心里，就是一种非常强大的思考工具。正如你所说，你可能会发现自己不想做销售或招聘，但如果那是最有影响力的事情，你最终去做了，可能会发现：我喜欢这件事，而且我擅长，也一直在思考——

20:18不过，我能就这个问题再深入一点吗？

20:19当然。

20:20我觉得这非常难。对创始人和产品经理来说，这都有风险，但我认为尤其对创始人而言，危险在于错误的叙事。比如“用户不喜欢我的产品，是因为 X”。如果你这样对自己说，也这样对团队说，它很快就会从直觉变成事实。那你最好是对的，因为如果你围绕一个错误的问题制定策略，公司会失败。你为什么丢掉一笔交易？你可以去问负责这个客户的销售，或者也许当时参与谈话的产品经理。那个时刻必须保持智识诚实，因为你可能会说：“他们没买，是因为平台太贵。”销售可能会这样告诉你。（00:21:16）但真正的原因也许是他们根本没看到平台的价值。于是销售听到的说法是“太贵”，但实际上问题在于产品差异化。你可能因此开始讨论定价，而真正需要解决的是一个更深、更难的问题。不过，这就像和别人分手时，你不会说“因为我不再喜欢你”，而会说“不是你的问题，是我的问题”。我们都是社会性动物，都想和身边的人保持礼貌，所以会说很多客套话。也就是说，无论是客户说的话，还是用户在焦点小组或可用性研究中说的话，通常都不完全正确。它往往和事实有关，但你必须把事实搞清楚。我观察到，尤其是第一次创业的创始人，常常会根据自己的技能变成“单一议题投票者”。（00:22:14）如果你是优秀工程师，企业几乎每个问题的答案都会变成工程；如果你是产品设计师，答案几乎总是重新设计。我开玩笑说，这就像消费产品的“死工资帽余额”一样，仿佛下一次重设计就能解决所有问题，我不知道这是否曾经真正奏效。还有很多出身业务拓展的创业者，他们总在想合作：只要完成这个分销渠道的合作，一切就会改变。我认为，创始人必须有自我意识，知道自己会下意识地把擅长的事、自己的超能力，选作更多问题的解决方案。它有时可能是正确答案，但你应该默认先质疑它。（00:23:03）如果你觉得自己整个职业生涯一直在做的事情就是解决当前问题的方法，那么至少有 30% 的可能，你选择它是因为熟悉和舒服，而不是因为它符合事实。因此，我认为一项重要能力在于：你有没有优秀的联合创始人？有没有优秀的领导团队？如果你是产品经理，工程、市场都是你的伙伴，你需要和他们进行真正的对话，确保你们确实在做正确的事情。问“今天最有影响力的事是什么”很容易；我的猜测是，大多数人尝试回答时，往往会更经常地欺骗自己。这个问题很难，真正难的是准确回答它。

23:50这听起来像是你学到的一条非常重要的经验。有没有哪个例子能让你想到自己曾经痛苦地学到这一点，最终——

23:57当然有。你就是想把整期节目都花在我的失败上，不过我没问题。

24:02你取得的成功太多了。

24:04Frontier 是我创办的第一家公司。巅峰时期只有 12 名员工，是我共事过的 12 位最优秀的人。我和 Jim Norris 一起创办了公司，他是我从斯坦福时期就认识的工程师；另外还有 Paul Buhite 和 Sanjeev Singh，Paul 创办了 Gmail，Sanjeev 是 Gmail 的第一位工程师。所以我们的团队里有 Google 地图的人，也有 Gmail 的人，是一支非常出色的创始团队。正如你所说，我们做了一个社交网络，发明了后来在信息流中变得流行的许多概念。我们发明了“赞”按钮。那段时间很棒，也很有趣。我们的主要用户只在土耳其、意大利和伊朗；后来有一段时间在伊朗被屏蔽，于是只剩下土耳其、意大利和硅谷的用户。直到今天，硅谷仍有很多人对我说：“我喜欢 FriendFeed。”我会说：太棒了。（00:24:51）它其实不是一门成功的生意。我们是一个以关注为导向、而不是以朋友关系为导向的社交网络，所以内容更像 X 或 Twitter，而不是 Facebook。很多内容是新闻文章、兴趣和科学社区之类的分享。当时 Twitter 是我们的竞争对手之一，那个年代社交网络很多。我可能记得不完全准确：我想 Obama、Ashton Kutcher 和 Oprah Winfrey 在同一个夏天都加入了 Twitter，然后我们被打得毫无还手之力。（00:25:31）这是一个很好的例子。我们 12 个人里有 11 个大概都是工程师，我们只顾着做产品。我想如果你去问 Twitter 的人，他们能告诉你完整的历史，但我记得 Biz Stone 当时专注于把名人和公众人物吸引到 Twitter 上，这其实非常合理。如果你的社交服务是围绕“关注别人”设计的，那就应该放一些值得关注的人进去。可我们完全专注于打磨产品。（00:26:00）在我们最受欢迎的时候，我们其实非常自信。那时 Twitter 经常出现“鲸鱼故障”，一半时间都无法使用；我们的产品始终在线，创新更快、功能更多，用户也喜欢。但我们最终彻底输了，原因完全与产品无关。这也说明，Google 之所以很少培养出优秀创业者，某种程度上是因为 Google 太成功了。一个产品经理身处 AdWords 这样的环境，钱像天上掉下来一样，很难看见分发、产品设计甚至商业模式的重要性。相比之下，我觉得 PayPal Mafia 学到的创业经验可能比典型的 Google PM 更多。所以我们只能一边挨打，一边痛苦地学习。（00:26:57）这可能是最突出的例子。我可以把产品的各种缺点都告诉你，但我不认为我们输掉比赛是因为那些缺点。产品当然有很多问题，但还有许多其他因素。我逐渐积累了这些技能，不过这个问题最难的部分是：当你没有某方面的经验时，很难对它形成可靠直觉。我不知道自己当时能否想到去联系 Ashton Kutcher，他又不在我的通讯录里。但我当时可能没有向正确的人征求建议。（00:27:36）我认为科技行业的优点是建议很多，但选择听谁的建议其实很难。我们有些过于封闭，只活在自己的小世界里打造产品，却没有请外部人士进来问：你看到什么可能出错？什么可能成功？行业里有什么事情是我们没做，而你觉得我们应该做？这就是董事会重要的原因，也是寻找合适顾问的原因。好的顾问会告诉你不想听、但必须听的话。我想这可能正是我们缺少的部分。当时我不确定自己是否很擅长市场工作，但如果我向正确的人征求建议，也许就能发现这是一个短板。这是我从中得到的深刻教训。我非常相信董事会，也相信获得好的建议。

28:26对于怎样判断该听谁的建议，你有没有什么启发式方法或建议？当你想“这个人可以忽略，那个人应该听”时，你会关注什么？

28:35是的，这很难。最终还是取决于良好的判断力，以及你对一个人品格的判断。有件事特别难：一个人表达观点时的自信程度，与观点的质量并没有强相关。我不想说二者呈反比，但这个说法本身挺有意思。现在播客这么多，如果遇到我很了解的话题，有时那些我所知道的事情里最流畅、最自信的说法，反而最不准确，却听起来极具说服力。所以这需要非常好的判断力。一件事是，不要只向别人寻求建议，也要问他们：“我应该找谁，才能得到好的建议？”你会发现一些反复出现的人名，这往往是判断力很强的信号。（00:29:26）还有一点：寻求建议时，不要只问该做什么，还要问为什么。像一个爱问“为什么”的两岁孩子一样，一遍遍问为什么。真正理解对方提出建议时使用的框架。建议有趣的地方在于，人们经常根据很少的经历进行外推。他们会说“永远不要这样做”或“总是要那样做”，因为他们曾经遇到过一次失败，或者当时换一种做法本可以更好。这是有用的故事，但如果你不追问为什么，不知道对方只有一次经历、事情具体怎么发展，它就会听起来像一条规则，而实际上只是很有限的数据。如果你向三个人征求建议，而他们的经历相似，你就可以从中建立一个第一性原理框架。这样开始应用时，你带着的是细微差别，而不是机械地遵守一条规则。（00:30:30）我非常相信判断力，这也是我招聘时看重的能力之一。它可能来自多种因素，其中一个是自我完善。作为创业者或产品经理，你必须对自己负责。如果做了错误决定，要花时间反思，先弄清楚为什么错，然后不断提升自己的判断力。我认为归根结底，这就是成为优秀创业者或产品经理的原因。第二，得到建议时，要真正理解建议从何而来、为什么出现，这样你才能形成自己独立的看法，并意识到：没有哪条建议具有统计学意义，绝大多数都不是。比如你向 Warren Buffett 咨询投资，或许可以说它具有统计意义；但绝大多数建议都只是某件事曾经发生在你身上，你对此留下了遗憾。

31:28我很喜欢你先说“我不知道自己有没有好答案”，然后却给出了一个极其精彩的答案。我想换个方向。你说自己把自己定义为工程师，我听说你现在仍然会通过写代码来放松。很多大学生都在思考这个问题，我就直接问：现在学习编程还有意义吗？你觉得未来几年这件事会发生重大变化吗？

31:47我仍然认为，学习计算机科学和学习写代码是两个不同的问题，但我依然觉得学习计算机科学非常有价值。我这么说，是因为计算机科学不只是编程。如果你懂大 O 符号、复杂度理论，学习过算法，知道随机算法为什么有效，也知道两个大 O 复杂度相同的算法为什么实际表现可能不同，知道缓存未命中为什么重要，以及这些细节，你就会明白，编程远不只是写代码。之所以这样，是因为我认为创造软件的行为会发生转变：从在终端或 Visual Studio Code 里输入代码，转向操作一台生成代码的机器。我认为这就是软件创造的未来。不过，操作代码生成机器需要系统思维。计算机科学当然不是唯一的选择，但它是学习系统思维的好专业。归根结底，AI 会帮助我们创造软件。（00:33:08）未来几年我们可能会做出许多现在无法想象的东西，但作为代码生成机器的操作者，你的工作是创造产品或解决问题，你必须具备出色的系统思维。你会管理一台机器，让它处理制作按钮、连接网络等大量繁琐工作；但当你思考技术和商业问题的交叉点时，你是在影响一个系统，让它以规模化方式为客户解决问题，而系统思维始终是创造产品最难的部分。（00:33:40）我举一个简单到有些俗气、但很有代表性的例子。在 Facebook，我们花了很多时间设计信息流。如果当时你遇到一位非常优秀的设计师，他给你看 Photoshop 里的信息流模型，一切都会美极了：照片很漂亮，家人都很开心，照片张张完美；帖子语法全对，长度也完全正常；评论和“赞”都恰到好处，一切都很完美。但你把这个设计实现出来，再看自己的信息流，它却一团糟。因为不是每个人的照片都出自专业摄影师，帖子长度各不相同，评论可能是“你真差劲”之类的内容。（00:34:29）这时你会突然意识到，信息流的 Photoshop 设计只是容易的部分。你必须真正设计一个系统，在内容和视觉设计两个层面上，面对你无法控制的输入，仍然产生令人愉悦的体验。这就是一种系统，也是一种设计。就我们当时的实际做法而言——我相信自 2012 年我离开后变化很大——我们要求设计师用真实且混乱的信息流数据展示设计，而不是使用人工构造的数据，因为这迫使整个过程更加贴近现实。（00:35:10）我之所以讲这个，是因为无论 AI 在写代码、做设计，还是承担其他工作，你都需要在脑中建立一个系统。你要理解什么难、什么容易，什么可能、什么不可能。当然，AI 也能帮助你做到这一点。但这确实是一项很有用的技能。总的来说，随着 AI 智能体出现，以及 AI 在某些领域接近超级智能，我认为我们工作的工具会发生巨大变化。我们必须对工作方式保持松散的依附。至于那个我重写 Google 地图的故事，先不聊了；大家总是在讲它，我想是因为 Paul 在某些播客里讲过，故事才传播开来。（00:36:01）我觉得，未来回头看，我擅长的东西也许会像过去的遗迹一样不再有用，或者至少不再有价值。这没什么问题。所以我们要有非常开放的看法。但说“不该学习这些学科”，就像有人说“我不想学数学，因为职业生涯用不上”。学习数学很重要，它教你如何思考，教你世界如何运作。物理、数学，以及尤其是计算机科学的基础，仍会是我们构建软件的基础。特别是当你和一个比自己聪明的系统交互、让它生成你未必完全理解的代码时，你要知道如何约束它、如何让它产出这些结果。我认为这其实需要很高的能力。

36:59这个回答太精彩了。人们总把问题二分成“要不要学编程”，而你的观点是：要学习工程和系统如何运作，理解代码做什么以及各部分如何连接；但你坐在桌前实际写代码的方式，会发生巨大变化。这让我想起你最近在另一档播客里提到的想法：未来应该出现一种更为 LLM 设计、而不是为人类设计的新编程语言。你能谈谈这个吗？我觉得很多人还没有想到这一点。

37:27我不知道这是否应该叫一种语言，我会把它称作编程系统，因为“语言”可能太有限了。用我对过去四十年甚至更长计算机历史的简化描述来说，我们先创造了计算机硬件，然后发明了穿孔卡片——在七十年代中后期，人们就是这样告诉计算机该做什么的。接着我们发明了早期操作系统和分时系统；随着贝尔实验室和伯克利等地创造出 Unix，后来出现了 C 语言、Fortran 和许多更高级的编程语言。我想顺序大概是 Fortran，然后是 C。（00:38:15）我们不断提升抽象层级。现在当然没人再用穿孔卡片了，很少有人写汇编语言；有人写 C，有人写 Rust，但更多人写 Python、TypeScript 之类的语言。随着抽象越来越多，我们更容易完成高杠杆的事情。回头看当年 Google 或 Google 地图有多么了不起，你现在可能让很多 React 程序员做一个可拖动的地图，我想很多人都能做到。可在当时，这是真正的研发工作。（00:38:54）Salesforce 在 1998 年创立时，仅仅把数据库放到云上就很难，这本身就是技术护城河。如今有了 Amazon Web Services，这件事已经很简单，那道技术护城河窄得可笑，但产品护城河仍然很宽。我认为，如果写代码这一行为从成本很高变成边际成本趋近于零，那么我们建立的许多抽象，有多少是围绕人的编程效率设计的？我觉得很多。每当我想到 Python，都会笑：我猜它可能是最常被生成的代码，因为训练数据里有大量 Python，数据科学家也喜欢它，我自己也喜欢。但从 AI 生成的角度看，它可能是极其糟糕的语言之一，因为它是历史上效率最低的编程语言之一。它有全局解释器锁，速度很慢。我写过很多高规模 Web 服务，Python 确实相当慢，也很难验证。（00:40:00）它不如 Perl 糟糕，但如果你有一个大型 Python 程序，你会在运行时发现多少错误，而不是在发布前发现？Python 的设计目标是让人写起来很舒服，语法几乎像人类可读的伪代码。我们正在进入这样一个世界：假设人类不再亲手写很多代码，而是操作代码生成机器，那我们可能就不在乎编程语言对人类是否易用。我们关心的是：机器生成代码时，我们能否知道它做的是我们想要的事？如果不是，能否轻易改变它？我认为编程语言里有很多可以服务于此的思想。（00:40:48）我觉得 Rust 很有意思。如果让你看一段 C 程序，问它是否会内存泄漏，你可能很难判断；如果是一百万行 C 代码，就更难了。但如果让你验证一段 Rust 程序不会内存泄漏，你只需要编译它。因为 Rust 具有编译期内存安全，编译成功本身就能说明这一点。我认为我们需要更多这样的机制。因为如果 AI 正在生成代码，那么你必须逐行阅读代码，就会成为产能的瓶颈；更糟的是，你可能根本不会逐行读，最后把一堆不安全、未经验证的代码发布到现实世界。（00:41:36）问题在于，怎样让人获得尽可能大的杠杆，也就是让计算机替你完成工作。最简单的形式显然是让 AI 监督 AI，用 AI 做代码审查，这很好。自我反思确实是提升 AI 系统稳健性的有效方式。但如果写代码是否繁琐已经不重要，你就可以重新引入一些曾经不流行的技术，比如形式化验证、单元测试以及其他方法。我脑中想的是《黑客帝国》里那个看着绿色字符从上往下流的人：作为代码生成机器的操作者，我怎样才能极快地生成极其复杂、规模巨大的软件，并且知道它确实可用？（00:42:26）如果以此为设计中心，我想你会改变语言、系统以及其他许多东西，也会引入很多技术。最有趣的是，你可以放松许多限制：写代码的成本为零，那太好了。基于这一点，你会希望语言、编译器、测试、自我反思、监督模型等分别做什么？我觉得这更像一个编程系统，而不只是一种语言。但当我们创造出这样的系统，它就能真正帮助创造者和建设者极快地构建极其稳健、复杂的系统。（00:43:04）我非常期待 Vibe Coding，但我不认为生成原型一直是软件开发的瓶颈。真正困难的是构建日益复杂的系统，并且保持敏捷地修改它们。大家常提到 Netscape 从 1.0 到 2.0 的重写，很多人认为那是它输给 Internet Explorer 的原因之一。做出这些东西并不难，难的是维护它们并保证稳健。我认为我们才刚刚开始定义这种新的软件开发系统会是什么样子，我很期待它最终出现。

43:42当像你这样的人开始建议我们构建《黑客帝国》式的体验，并说它可能成为未来的编程和构建方式时，我感觉我们确实生活在未来。我等不及了。这听起来是一个很棒、也很有趣的项目。（00:43:57）本期节目由 Vanta 赞助。我很高兴邀请 Vanta 的首席执行官兼联合创始人 Christina Cacioppo，来进行一段非常简短的对话。

44:06很高兴来到这里。我是这档播客和 newsletter 的忠实听众。

44:09Vanta 长期赞助这档节目，但对于一些新听众来说，Vanta 是做什么的，服务哪些人？

44:16当然。我们在 2018 年创办 Vanta，专注于帮助创始人建立安全体系，并通过 SOC 2 或 ISO 2701 等合规认证，让他们在安全工作上付出的努力得到认可。如今，我们帮助超过 9000 家公司建立并扩大安全体系，其中包括 Atlassian、Ramp 和 LangChain 等一些创业公司中的知名品牌。我们的方式是自动化合规、集中管理 GRC、加快安全审查，最终帮助企业建立信任。

44:46这太棒了。我有切身体会：这些事情需要大量时间和资源，但没有人愿意花时间做它们。

44:54这也正是我们的经历，无论是在创办公司之前，还是某种程度上创办公司之后。不过，我们的理念是利用自动化、AI 和软件，帮助客户高效地与潜在客户和现有客户建立信任。我们的玩笑是：我们创办这家合规公司，就是为了让你不用自己做合规。

45:10感谢你们为大家做这件事。你们还为听众提供特别折扣：在 vanta.com/lenny 可以减免 1000 美元。网址是 V-A-N-T-A 点 com/lenny，Vanta 可减免 1000 美元。谢谢你，Christina。

45:25谢谢。

45:26好，再问一个相关问题，然后我想拉远一点，聊聊 AI 将走向哪里。我很喜欢问处在 AI 前沿的人：你在教自己的孩子什么？我知道你有孩子，也觉得他们长大时世界会非常不同。你在鼓励他们学习什么？为了让他们在 AI 丰富的世界里取得成功，这些东西是否和过去几代人有所不同？

45:53我不知道自己是否在用不同的方式教他们，但我确实很努力地鼓励他们把 AI 纳入生活。我其实想起自己在 1997、1998 年参加 AP 微积分考试时，可以使用图形计算器。我还没做相关研究，本来想在谈话前查一下 ChatGPT，之后会查：允许在考试中使用计算器前后，微积分考试是否发生过变化？我猜肯定有。允许使用计算器后，你必须确保题目不会让有计算器的人相对于没有计算器的人占优势，这实际上迫使出题人重新思考问题，去考查微积分知识，而不是心算能力或图形计算器能做的其他事情。（00:46:47）我认为很多教育体系并没有假设你口袋里有一个超级智能。因此，如果让学生写一篇关于所读书籍的文章，他们很容易用 ChatGPT 生成一篇可能并不真实的文章。如果提示技巧足够好，甚至老师都未必知道那是 AI 写的。那该怎么办？怎样以不同方式教育孩子？这对教师来说非常难，因为我们还没有经历把计算器纳入考试的那种转型。因此，ChatGPT 之类工具的存在，已经破坏了很多评价学生的机制。我们正处在一个非常尴尬的阶段，但我认为我们仍然可以教孩子如何思考，也可以教他们如何学习。教育体系最终会追上来，而我甚至认为这些模型可能成为历史上最有效的教育工具之一。（00:47:46）我不知道你是视觉型学习者还是阅读型学习者。我喜欢阅读，不太喜欢听课，因为那不是我最好的学习方式。我喜欢读书；如果老师的教学方式不适合你，现在你回家后可以让 ChatGPT 用另一种方式教你。我的孩子会用 ChatGPT 在考试前给他们出题。你可以用语音模式，也可以用聊天模式，它比抽认卡更好。我女儿带回家一本莎士比亚的书，有一页看不懂，她拍下那一页，让 ChatGPT 给她解释，它解释得比我好得多。我认为，现在世界上的每个孩子都有一位个性化教师，可以按照他们最适合的方式——视觉、听觉或阅读——来教学。这个平台还能测试你、给你出题。我认为它会放大人的主动性。（00:48:39）那些有主动性、有学习愿望的孩子，可以把自己遇到过的每一位老师和这些模型结合起来，得到最好的教学组合，而且可以真正使用它。我的大女儿学会编程后做了一个网站。每次她有问题来问我，我都会让她使用 ChatGPT。不是因为我想当一个讨厌的父亲，而是因为我觉得她需要学会使用这个工具，它太有用了。（00:49:13）所以我真的在努力让孩子学会在生活中建设性地使用它。但话说回来，我非常同情现在的公立学校教师。技术发展速度比教育体系快得多，这对他们很难，尤其是在评价学生方面。我担心的是，既然这些技术能放大主动性，反过来也可能放大被动性。如果学生不想学习某样东西，这些工具也提供了很多逃避学习的办法。因此，家长和教师面临挑战，我们可能还要经历好几年这样的过渡期。（00:49:53）我提到 AP 微积分考试，是因为图形计算器当然不是 ChatGPT，别误会。但到目前为止，我们能够相当成功地根据可用技术，调整作业、课堂学习和考试。我相信我们最终也能解决这个问题。从更积极的一面看，我不知道你是否也上过公立学校；有时你会遇到很糟糕的老师，而现在有了出口。你不必再是那个能负担私人教师的富裕孩子，才有机会获得辅导。如果你擅长数学，但学校没有高阶统计课，现在你可以学到了。（00:50:40）所以，对有主动性的孩子来说，这是一股极其民主化的力量。我很期待：现在也许有一个 11 岁的孩子，十年后会创办一家非常棒的公司，而 ChatGPT 是他或她的主要导师，最终促成了那个结果。我觉得这很酷。

51:02我有一个两岁的孩子，感觉随着孩子长大，会不断遇到新的里程碑：什么时候给他手机，什么时候给他 Snapchat，或者现在孩子用的其他东西，然后还要决定什么时候给他第一个 ChatGPT 账号。到底应该多早给呢？

51:16我个人的看法和前两个问题不一样。我不认为手机适合学校，也不认为手机对孩子特别好，我个人主张尽可能晚一些再给。但我觉得 ChatGPT 更像 Google 搜索。口袋里有一个会让人上瘾、不断推送通知的设备，和使用 AI 来学习，是两回事。所以我认为它们不同。我从根本上把 AI 看作一种工具。我不记得 ChatGPT 出现之前，有多少家长会问：“我什么时候该让孩子使用 Google 搜索？”那是另一类工具。我认为，用这样的方式理解这些技术更合适。

51:55孩子使用的设备是 iPad、笔记本电脑，还是其他东西？

51:58他们使用书桌上的电脑。

52:01明白了。好的建议。孩子长大后，这些事情对我很有帮助。好，现在把视角拉远，我们谈谈 AI 商业战略。如今很多创始人都在思考一个大问题：我该做什么？基础模型公司不会把哪些事情挤掉并亲自完成？你一边在打造一家非常成功的 AI 企业，一边又担任 OpenAI 董事会成员，似乎对什么是好主意、什么可能不是好主意有非常独特的视角。你认为 AI 市场会如何发展？创始人应该把精力放在哪里，又应该尽量避开什么？

52:36我认为 AI 市场最终会形成三个相当有意义的细分市场，最后我再说说它会如何发展。第一是前沿模型市场，也就是基础模型市场。我认为它最终会像基础设施即服务的云市场一样，由少数几家超大规模云服务商和大型实验室占据。原因在于，创建前沿模型完全取决于资本支出。你需要拥有巨大资本支出能力的公司，才能构建这样的模型。曾经尝试做这件事的创业公司，几乎都已经被整合，或者至少绝大多数都如此，比如 Inflection、Adept、Character 等。由于所需资本支出太大，创业公司似乎没有可行的商业模式，也没有足够长的融资续航来达到规模化速度。而且模型作为一种资产，价值衰减得很快。（00:53:33）因此，对于价值衰减如此迅速的模型，你必须拥有极大规模，才能让投资获得回报。所以我的判断是，创业者大概不应该去构建前沿模型。

53:47除非你是 Elon。

53:51是的，他不一样。他有能力筹集数十亿美元的资本，而我的猜测是，你的大多数听众没有这种能力；而且他在很多方面都是历史最佳，他就是不同。不要拿自己和他比较。市场的第二部分是工具层。我认为这里有很多人在淘金热里卖镐子，比如数据标注、服务、数据平台、评测工具，还有更专业的模型。比如 11 Labs 有一套很棒的语音模型，很多公司都在使用，质量很高。如果你想在 AI 领域成功，需要哪些工具和服务？这些就是它们。（00:54:31）工具市场有一定风险，因为它离太阳太近了。你看看基础设施即服务市场和云工具市场，像 Confluent、Databricks、Snowflake 这样的公司。Amazon、Azure 等云厂商在这些领域都有竞争产品，因为它们与基础设施本身非常接近；每个基础设施提供商都试图向上移动技术栈以实现差异化，而你正好处在它们旁边。（00:54:57）因此，Snowflake、Databricks、Confluent 等确实能成为有意义的公司，但也有许多其他公司被基础设施提供商自身的技术淘汰。工具层公司可能最容易受到某家大型基础模型公司在开发者日发布一个和它们完全相同的产品的冲击。所以很多人可能确实需要你的工具，但问题在于：如果或当大型基础设施提供商推出竞争产品，为什么人们还会继续选择你？这是一个不错的市场，但正如我说的，它离终点有些近。（00:55:38）第三是应用型 AI 市场。我认为这个市场会由构建智能体的公司推动。我认为智能体就是新的应用形态，这会成为产品的载体。像 Sierra 这样的公司帮助企业构建智能体，用于接听电话或聊天，提供客户体验和客户服务。还有 Harvey，为法律和法律助理行业构建智能体，用于反垄断审查、审阅合同等。还有做内容营销的公司，也有做供应链分析的公司。我认为这会像软件即服务市场。它们可能拥有更高的利润率，因为卖的是能实现商业结果的产品，而不是模型本身的副产品。它们几乎肯定要向模型提供商支付成本，这也是模型提供商最终会达到极大规模、但利润率可能略低的原因。我认为应用市场对技术的要求会相对低一些。（00:56:37）最纯粹的软件即服务形态，不会有人问你用的是什么数据库，而是关心功能。我认为智能体会走向这个方向，随着时间推移，重点会更多放在产品而不是技术上。回到刚才的比喻：1998 年 Marc Benioff 和 Parker Harris 创办 Salesforce 时，让数据库在云中运行是一项技术成就。如今没人会问这个问题，因为在 AWS 或 Azure 上启动数据库已经很容易。我认为今天在模型之上编排智能体流程听起来很复杂，也确实很难，但三四年后肯定会变得容易，就像技术进步带来的其他变化一样。到那时，你会问：什么是智能体公司？它看起来会有点像软件即服务。（00:57:30）大家会较少讨论它如何处理模型，就像现代 SaaS 很少有人问你使用什么数据库，但会更多询问工作流和推动了什么商业结果：你是否为销售团队创造了线索？是否降低了采购支出？无论你提供什么价值，市场都会逐渐朝这个方向发展。（00:57:53）我非常期待。我不认为创业公司应该构建基础模型，但如果你对未来有愿景，也可以放手一搏。不过这确实是一个困难、且已经整合过的市场。我对另外两个市场尤其兴奋。随着构建智能体变得容易，我很期待看到大量长尾智能体公司出现。我看过一个股市前 50 家软件公司的网页，最前面几家显然是 Microsoft、Amazon、Google 这类巨头，但接下来的公司都是 SaaS 公司，有些非常令人兴奋，有些则极其无聊。这就是软件市场发展至今的样子，我认为智能体也会类似。（00:58:38）市场不会只有客户服务和软件工程这样的巨大领域，还会出现很多智能体，解决人们已经投入大量时间和资源的问题。不过这需要真正理解该商业问题的创业者，而且要理解得很深。我认为，AI 市场的大量价值就会在那里释放出来。

59:00这非常有帮助。这让我想起我曾邀请 Marc Benioff 来做播客。你们曾经是联席首席执行官，他对智能体极其着迷，满脑子都是 Agentforce。显然你也非常看好智能体。我想问的是——

59:14我从没听过“agent-pilled”这个说法。

59:18显然，你们都看到了某些东西，于是觉得“好，我们必须全力投入智能体，这就是未来”。你觉得人们没有看到什么？为什么你认为这会从根本上改变软件的运作方式？

59:31如果你和像 Larry Summers 这样的经济学家交流——他和我一起在 OpenAI 董事会——他们会问：技术的价值是什么？它是否能提高经济生产率？经济生产率的一次大跃升发生在九十年代。我接触的一些人认为，那个跃升其实来自计算机化最初的浪潮：企业建立 ERP 系统，把会计工作放入计算机和数据库，甚至大型机中，更准确地说是 PC 时代。想象一下，一家大型跨国公司过去要维护多少数字账本，这种变化确实彻底改变了部门的工作。（01:00:14）我举个小例子。我父亲刚退休，他是一名机械工程师。他说自己在七十年代末刚开始工作时，进入一家机械工程公司，那里大多数员工都是制图员。他们要把工程设计转成不同视角、不同楼层的图纸，再交给承包商施工。如今他所在的公司已经没有制图员了。先是用 AutoCAD 制图，后来是 Revit，设计变成了 3D 模型，制图工作被消除了，不再是必须完成的工作。实际的设计仍然存在，但制图不再是一个独立工作，它只是设计过程中的必要输出，像供应链中的一个环节，并没有真正增加价值。（01:01:12）如果回顾从个人电脑开始的软件产业历史，我们确实获得了有意义的生产率提升，但远没有第一次巨大跃升那么显著。我没有聪明到能确切知道原因，但有意思的是，技术带来生产率提升的承诺，似乎没有像一些人预期的那样实现。我认为智能体会再次让这条曲线真正弯曲起来，就像计算机化早期那样，因为软件不再只是让个人稍微提高生产率，而是能够自主完成一项工作。因此，正如机械工程公司不再需要制图员一样，人们将不再需要专门做某些事情的人。这样他们就能转向更高杠杆、更具生产力的工作，小团队也能完成更多事情，真正推动经济生产率提升。（01:02:15）如果你曾经销售企业软件，就会遇到供应商与客户之间关于价值的讨论。你会做一些相当牵强的计算：比如你销售一个销售工具，假设每个销售人员的业绩提高 5%，所以客户应该支付 100 万美元。这种价值很难归因，尤其是生产力软件。让所有人提升 10% 的生产力到底值多少钱？他们真的提升了 10% 吗？还是发生了其他变化？你其实不知道。但如果智能体真的完成了一项工作，它不仅确实在推动生产率，而且可以被衡量。（01:03:10）这些因素叠加起来，意味着我们对软件的理解将发生跃迁，因为它能自主完成工作，这是一种更直观的生产力来源，也更容易衡量，因此人们对它的价值判断会不同。这也是我相信软件应该采用结果导向定价的原因。（01:03:32）综合来看，这对我来说的重要性堪比云计算，甚至在技术上可能更重大；但更重要的是，它会改变软件行业的商业模式，形成一个前后分明的转折点。我不知道现在还有多少人在销售永久授权的本地软件，但这个市场已经微不足道。我认为我们会经历类似的转变。整个市场都会走向智能体，也会走向结果导向定价。不是因为这是唯一的方式，而是市场会把所有人拉向那里，因为这显然是构建和销售软件的正确方式。

64:08我想继续追问你最后这条线索。我们最近邀请了 Madhavan，他是定价专家、《创新的货币化》作者，也是一位传奇人物。他和你观点非常接近：如果可以，就应该把 AI 产品按结果定价。他的理由和你说的一样：如果影响可以归因，而且产品是自主运行的，就可以这样定价。他还把 Sierra 当作这种模式成功的典范。你能不能为没听过这个词的人简单解释一下什么是结果导向定价，再举例说明 Sierra 是怎么做的？

64:45我先从例子说起，再把话题展开。Sierra 帮助企业打造面向客户的 AI 智能体，主要用于客户服务，更广泛地说是客户体验。如果你在使用某个产品时遇到问题，可以给他们的 AI 智能体 Harmony 打电话或发消息。如果你使用 ADT 家庭安防，警报器出了问题，也可以和它的 AI 智能体聊天。Sonos 音箱以及许多其他消费品牌也在使用。想想运营一个呼叫中心：每接一通电话都有成本，其中大部分是人工成本。如果一通典型电话的成本在 10 到 20 美元之间，其中有软件和电话通信成本，但很大一部分只是接电话人员的时薪。（01:05:32）如果 AI 智能体接听这通电话并解决了问题，行业里通常称为“呼叫分流”或“问题解决率”。这意味着你节省了大约 15 美元，因为不需要人工接听。我们在行业里的说法是：如果 AI 智能体解决了客户的问题，客户对此满意，而且不需要人工接电话，就按预先协商的费率收费，这叫基于解决结果的定价。还有其他结果，比如我们确实有一些销售智能体按销售佣金收费。我们真正把智能体看作客户体验的一部分，是品牌的礼宾员，因此希望商业模式和客户的商业模式保持一致。（01:06:22）正如你说的，这些智能体必须自主运行，结果也必须可衡量。虽然并非总能做到，但大体上是可行的。有趣的是，如果你和大供应商合作过的 CFO 或采购负责人谈谈，他们会看到一张令人不知所措的物料清单，很难知道合同是否带来了预期价值。我认为，在基础设施领域曾经流行的按使用量计费更接近这种方式，但我不确定 token 是否真的是衡量 AI 价值的好指标。我总爱用这个类比：如今大多数编程智能体按 token 或使用量定价，但有个著名故事，说一位苹果工程师遇到一位糟糕的经理，经理要求他报告每天写了多少行代码。世界上每个工程师都知道，用代码行数衡量生产力很荒谬。（01:07:16）据说这位工程师交了一份负数报告，因为他做了一次大规模重构，删掉了大量代码，这是他对经理说“去你的”的方式。我认为 token 也类似：你用了很多 token，很好，但最后有没有生成一个高质量的 pull request？这才是重点。结果导向定价与用量定价之间有巨大差别，尤其在 AI 领域，两者甚至不一定相关。你可能打了一通很长的电话，却没有解决客户的问题，客户还在网上给了差评，随后再次打进呼叫中心，所有努力都白费了。事实上，你可能还创造了负价值。所以我非常相信这种定价方式。（01:07:58）有趣的是，它真正实现了对齐。我认为每家科技公司都希望成为合作伙伴，而不是供应商。在 Sierra，我们确实是每一位客户的合作伙伴，因为我们对想要实现的目标完全一致。我认为软件行业就应该朝这个方向发展。这要求公司形态发生变化：你必须能帮助客户实现结果，不能只是把软件扔给客户，因为如果没有结果，你永远收不到钱。只要正确执行，这会让公司极度以客户为中心。我认为它从第一性原理上是正确的，对采购合作伙伴是正确的，对整个世界也是正确的。

68:43我们刚才谈到了一些生产率提升。最近的新闻标题里有很多怀疑：AI 到底做了什么？它真的能让人更高效吗？我最近看到一项研究，不知道你有没有看到：研究显示工程师使用 AI 后效率反而下降，因为 AI 把他们带向不同方向，他们不得不去研究到底哪里出了问题。所以，我觉得客户体验是一个很好的例子，你显然看到了收益。除了客户体验，在你自己的公司或合作的其他公司里，你是否也看到了那种明确的生产率提升？

69:15我非常看好 AI 带来的生产率提升，但我确实认为，目前的工具和产品还不成熟，而且情况很反直觉。比如我认识的几乎每家软件工程公司都在使用 Cursor 之类的工具来帮助工程师。现在大多数人把 Cursor 当作代码自动补全工具，尽管它已经有很多智能体方案；OpenAI 有 Codex，Claude 也有类似产品，只是我一时想不起 Anthropic 产品的名字。因此，越来越多智能体也会出现。由于技术尚不成熟，它生成的代码经常存在问题。很多人试图实现生产率提升，但任何写过大量代码的工程师都会告诉你：查看和修改自己写的代码比较容易。（01:10:10）审查别人的代码，尤其是找出其中细微的逻辑错误，实际上非常难，远比修改自己写的代码难。如果编程智能体生成的代码经常不正确，修复它就会消耗大量认知负荷和时间。如果最后给客户制造大量问题，你或许确实做出了许多功能，但也可能把系统搅乱，让它处于不理想的状态。有几种方法很有意思。第一，现在很多 AI 初创公司开始做代码审查。我认为，智能体的自我反思很重要。让 AI 监督 AI 实际上很有效。可以这样想：如果一个 AI 智能体有 90% 的正确率，水平并不算高；但再做一个 AI 智能体，专门找出另外 10% 的错误，这个问题可能是可解决的。（01:11:10）假设第二个智能体也有 90% 的正确率，把两者串联起来，整体正确率就可能达到 99%。这只是数学问题。你可以用一个系统生成代码，再用另一个系统审查代码，本质上是用算力换取认知能力。你可以叠加更多层次的认知、思考和推理，逐渐生成更稳健的结果，我对此非常兴奋。另一个方法是根因分析。Sierra 有一名工程师，专门负责为我们的 Cursor 实例提供模型上下文协议服务器。我们的整体理念是：如果 Cursor 生成了错误内容，不要只把它修好，要追溯根因，让 Cursor 下次直接生成正确代码，这本质上就是上下文工程。（01:12:05）Cursor 缺少什么上下文，才没能得到正确结果？我认为，想在软件工程等部门获得生产率提升，就不能等待模型神奇地变好。如果你现在就想看到收益，就必须做根因分析，建立系统，追问每一行错误代码的根源，提供正确上下文，建立正确的系统，让模型今天就能完成工作。随着时间推移，这些工作可能会减少，所需的上下文工程也会减少，但现在必须把它当成一个系统来思考。很多人只是等待模型神奇地变好，我会说：它最终会变好，但如果你现在就想要收益，就必须投入工作。这正是应用型 AI 公司存在的原因。（01:12:53）这项工作并不简单，但可以完成。使用 Sierra 等平台的客户也是如此：AI 智能体并不完美，但我们创建了一个系统，让客户可以不断改进。如果你想把自动解决率从 65% 提升到 75%，我们提供了大量工具，让 AI 帮你完成：发现改进机会、找出客户为什么沮丧、确定可以为智能体增加哪些能力，从而提高解决率。你让 AI 代替你在大海捞针时先找出可能的针，我认为这才是优化这类系统的方式。

73:28我从没听说过通过增加上下文来改进 Cursor 的方法。具体该怎么做？你要建立一个让所有事情都经过它的 MCP 服务器，还是添加 Cursor 规则？实际方法是什么？

73:41我可能已经超出自己的专业范围了，但本质上是 MCP，因为这是向 Cursor 提供上下文的方式。我认为，模型做出糟糕决定时，如果模型本身不错，通常是因为缺少上下文。因此，你真正要做的是找到特定产品和代码库与编程智能体、系统可用上下文之间的交集，并从根源上修好问题，这就是核心原则。

74:06明白了。这很酷。我以前没听说有人这样做。模型上下文协议，确实说得通。刚才我们谈了客户体验之外的生产率提升。进入非常精彩的快问快答之前，我想让你有机会分享一下自己打造的产品有多出色：Sierra 的用户取得了哪些成果？

74:18我们的客户有 50% 到 90% 的客户服务互动实现了完全自动化，我觉得这非常令人兴奋。我们的客户范围也非常广，包括健康保险行业、医疗服务提供商、银行。你甚至可以用智能体为房屋贷款再融资。我们有一家客户利用平台服务电信行业，还有 DIRECTV、SiriusXM，以及许多零售商，这也很有意思，从 Wayfair 到 OluKai、Chubbies Shorts 等服装零售商都有。用例范围非常多样：从帮助你注册某项服务，到我们为一家大型交友应用提供客户支持的智能体，再到帮助你升级或降级 SiriusXM 套餐。技术支持也覆盖各种设备，从家庭报警系统、Sonos 音箱，到最近的 CT 扫描设备，我觉得这非常了不起。（01:15:28）技术人员去维修 CT 扫描设备时，可以和 AI 智能体聊天，让它指导维修过程。我们是这个领域的领导者，正在努力让世界上的每家公司都能打造属于自己的品牌智能体。我认为，这会成为和网站或移动应用一样重要的数字接触点。短期内，它能真正改变运营客户服务团队的成本；更令人惊讶的是，它还能保持很高的客户满意度。我记得 Weight Watchers 的智能体客户满意度是 5 分中的 4.6 分，这非常高。服务场景往往意味着用户遇到了问题。如果你有一个清晰的解决方式——比如机场使用的那个智能体，我想它的 CSAT 是 5 分中的 4.7 分——用户带着问题来，却最终感到满意。我认为这正是这里的机会。（01:16:22）我们的愿景是走向这样一个世界：与客户的每次互动都可以即时发生，可以是多语言的，可以通过音频或聊天，可以是数字渠道或电话，而且高度个性化。这个前景非常令人兴奋。想想你和品牌之间最美好的互动，往往是因为某个你熟悉的店员；对我来说，是杂货店里那个卖肉的人。我喜欢做饭，他认识我，我们会聊天。一个拥有 1 亿客户的公司，能否以非常个性化的方式大规模实现这种体验？我认为我们正站在实现这一点的门槛上。

77:03在进入非常精彩的快问快答之前，我还想问一个问题。很多创始人正在为 AI 应用的市场进入策略苦恼。如今有这么多应用、产品和东西不断涌向大型 B2B 公司的买家。显然你们已经找到了某种方法。我想你们的名字有帮助，投资人也有帮助，但你们在如何为 AI 产品——比如专门做智能体的产品——成功制定市场进入策略方面，有什么经验可以分享给正在努力做好这件事的人？

77:35我认为，市场上已经验证过的市场进入模式只有少数几种，为你选择的产品类别选对模式很重要。第一种是开发者主导型，这方面最著名的早期例子可能是 Stripe 和 Twilio。它的基本做法是吸引一名通常隶属于 CTO 部门的工程师，这个人对某项结果负责，也有相当大的自由度来选择解决方案。只要产品是平台型产品，这种方式就有效。但如果你的产品是帮助某个业务部门，就不一定有效，因为业务部门通常没有专门的工程团队，更不用说随便下载一个新库或开始使用某个 Web 服务的自由度了。面向创业公司时，这种方式尤其有效，因为创业公司的工程团队通常有很大自由，可以选择服务来解决创始人提出的问题。（01:18:44）第二种是产品主导增长。当然，所有公司的产品都很重要，但更具体地说，产品主导增长意味着用户可以从网站注册，通常先试用，也经常可以用信用卡购买几个席位。这适用于用户和购买者是同一个人的情况。它几乎总是适用于小企业软件，因为个体经营者什么都要做。比如早期的 Shopify，以及许多面向小商户的产品，都是这样销售的。但如果软件的购买者和使用者不同，就不太适用。以费用报销软件为例，使用者是普通员工，但购买者通常是财务部门；让员工用自己的信用卡注册购买就不合理，因为使用者不是持卡人。（01:19:39）第三种是直接销售。直接销售不是过时了，但如果想想最优秀的直接销售公司，可能很多都源自 Oracle，包括 SAP、Oracle、ServiceNow、Salesforce，也许还有 Adobe。这些公司用相对传统的销售方式，把产品卖给大型业务部门。因为产品主导增长曾经非常流行，很多公司都采用了它，这当然能带来很好的产品；但如果这种模式意味着你根本没有接触软件的购买者，就不会增长。最近我看到很多 AI 公司重新重视直接销售，因为 AI 中很多机会都满足这个条件：购买者和使用者并不一定是同一个人，因而确实需要这种市场进入方式。（01:20:40）创业者容易犯的错误，是没有先想清楚软件的购买流程是什么、评估软件价值的流程是什么，就选择了一种市场进入模式。我认为大家需要从第一性原理出发，更有意识地思考。坦率说，我认为很多公司应该更多利用直接销售。由于一些直接销售公司的产品质量有时确实不佳，这种模式曾经名声不好；但我很高兴看到它在 AI 市场重新流行起来。

81:20我觉得很多创始人都需要听到这段话，尤其是没有商业背景、对销售反感、觉得自己不擅长销售的创始人。你是在推动他们认识到：这可能是必须精通的事情，也可能是取胜的方式，不能只依靠产品主导增长。

81:36是的。

81:38Bret，还有什么想分享的吗？在进入非常精彩的快问快答之前，还有没有最后的智慧或想深入谈谈的内容？

81:47没有，你问吧。

81:48好，我们开始。欢迎来到非常精彩的快问快答。我有五个问题要问你，准备好了吗？

81:53好，问吧。

81:54你最常向别人推荐哪两三本书？

81:59我不读很多非虚构作品，但如果要在我们谈到的主题里选一本，我可能会选《跳出痛点营销》（Competing Against Luck）。这本书提出了“待完成的工作”框架，我非常相信它。唯一的批评是，我觉得大多数商业书籍都应该写成一篇文章。所以你可以买书，然后把内容输入 ChatGPT，让它给你总结。但还是应该买书。这是 Clayton Christensen 提出的框架，非常适合思考如何通过产品创造价值，也确实影响了我。（01:22:37）我真正会推荐的一本书是《坚忍》（Endurance），讲的是 Shackleton 前往南极的旅程。书里一半内容是他和一群伙伴被困在结冰的船上，濒临饿死、只能吃海豹肉。我一生没见过比这更能表现坚韧的故事。更令人惊叹的是，这是真实故事。如果你是一名正在经历困难的创业者，读完会想：好吧，情况还可以更糟。这是一本很棒的书，真正让人难以相信它居然是真实发生的。

83:08而且，他非常擅长为加入那次著名报纸招聘广告的人设定预期——

83:13那则广告，那份报纸广告。我不知道这是不是真的。如果是真的，那太不可思议了。

83:17哦，也许不是真的。

83:17我不知道。互联网嘛，谁知道呢？

83:20天哪，就连当时也有深度伪造。好，最近有没有特别喜欢的电影或电视剧？

83:27最近没看什么新电视剧。我们最近和孩子一起看了《盗梦空间》，他们很喜欢，也让我重新欣赏 Christopher Nolan，真是一部很酷的电影。这种电影看完后，你们可以连续两天讨论它，实在太棒了。

83:46我看到有人好像用 Veo 3 制作自己的《盗梦空间》视频，让里面的世界不断彼此嵌套。太酷了。那你最近有没有发现什么喜欢的产品，或者一直以来都很喜欢的产品？

83:59我非常喜欢 Cursor。我觉得它改变了很多事情。我喜欢创造软件，也很期待智能体。我很兴奋地看到 OpenAI 的 Codex 以及其他产品。所以我认为，Cursor 以现在的形态来说是一个过渡产品。我知道他们也在做智能体，但我很享受把自己热爱的事情——也是我一生的兴趣——交给这个 AI 工具，深入观察它如何改变我创造软件的方式。我最近花了很多时间使用它，因为这和我热爱的事情密切相关，而且它是一款打磨得很好的产品。

84:39我想这是第一次有人在这个问题中提到 Cursor，所以也许会成为一种趋势。Michael Trell 曾来过节目，他和你一样谈到代码的未来、代码之后会是什么，以及在代码之上增加一层伪代码。他的想法和你很接近。你有没有经常想起、并觉得对工作或生活有用的人生格言？

85:05预测未来的最好方式是创造未来。我认为这句话出自 Xerox PARC 的 Alan Kay。他发明了我们今天计算中使用的许多核心抽象。我是一名创业者，这正是我喜欢创造东西的原因，也确实是我的人生格言。

85:29很多人都会说这句话，但我觉得你确实一次次做到了，你真的活出了这句格言。最后一个问题。我们谈过你在 FriendFeed 发明“赞”按钮。你们当时有没有考虑过“赞”以外的名字？还是它显然就应该叫“赞”？当时还有过其他想法吗？

85:48那是在 emoji 出现之前。如果你读 FriendFeed 帖子的评论，至少 70% 是“酷”“哇”“是的”或“真不错”。FriendFeed 的主要用途之一是围绕内容展开讨论：先发一个帖子，下面会有相当完整的讨论。和 Twitter 等平台相比，它非常适合这类讨论。所以我们想解决的产品问题是，把所有单字回复清理掉，让真正的评论留下来，而不是让大家用一句话表示“我看到了”。（01:26:30）最初我们把它定义为“一键评论”，这是我们的思考方式。我做的第一个版本用了一个心形；现在在那家公司工作的 Anna Yang（现在叫 Anna Muller）不承认记得这件事，但她很讨厌这个设计。她说：“如果每个帖子上都有心形，我会吐出来，太多了。”而且我们当时做过模拟，比如如果一篇文章讲的是悲剧，心形就不合适。“赞”反而是更中性的情感，结果证明它很难翻译，正是因为其中的细微含义。所以我们最后才用了这个词。（01:27:17）我们从心形开始。我不知道我们有没有真正用过“爱”这个词，但最初确实从图形开始，然后选择“赞”：它在积极情感范围内尽可能中性，同时又是正面的，因此可以适用于更复杂的故事。这个概念的来源很简单：我们需要一种一键评论。

87:36哇，我以前从没听过这个故事。这让我想到 LinkedIn。他们现在似乎也在解决同样的问题，有各种自动回复的胶囊标签，但我觉得大家并不太喜欢那些东西。

87:37是的，他们的功能很多。

87:48AI 功能也太多了。Bret，这次对话太精彩了，能邀请你来是我的荣幸。非常感谢你参加节目。最后还有两个问题：如果听众想在线联系你，或者想去 Sierra 工作，应该去哪里？听众怎样才能对你有所帮助？

88:00如果你希望有一个 AI 智能体帮助处理客户服务，请访问 sierra.ai。如果你想申请加入我们，请访问 sierra.ai/careers。我们在旧金山、纽约、亚特兰大和伦敦设有办公室，目前几乎每个部门都在积极招聘。如果你感兴趣，请联系我们。

88:19听众怎样才能对你有所帮助？试用 Sierra，还是还有其他方式？

88:21对，试用 Sierra。我是一个只投单一议题的人。

88:26[听不清 01:28:26] 这句话我喜欢。

88:26是的。

88:27Bret，非常感谢你来到这里。

88:29谢谢你邀请我。

88:30大家再见。（01:28:32）非常感谢大家收听。如果你觉得这期节目有价值，欢迎在 Apple Podcasts、Spotify 或你最喜欢的播客应用中订阅节目。也请考虑给节目评分或留下评论，这会帮助其他听众找到它。你可以在 Lennyspodcast.com 找到往期节目，或进一步了解这档节目。下一期再见。