模型是炼油厂，值钱的是化工厂和汽车公司
商业史上第一波跑出来的公司几乎从不是下个阶段的赢家。模型公司是提炼基础油的炼油厂，真正值钱的是把智能接进银行、药企、政府工作流的应用层。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
模型和工作流之间隔着一万亿美元的鸿沟
Levie 说，过去两年市场对「模型 wrapper」的轻视是错的，因为企业真正需要的是从模型能力到实际工作流之间的那座桥。这座桥要么非常有限，要么非常庞大——大约一万亿美元押在了这两个结果之一上。他判断桥显然很大：模型再智能，工作流仍然要连其他数据系统、要有人类在环、要等延迟、要处理遗留系统，这五到十件事全是运营层面的脏活，而研究型组织最不想干的就是这些。
— Aaron Levie基础设施和应用的剧本已经演过一遍
Levie 用云计算的类比反驳「模型会吃掉一切」：AWS、GCP、Azure 创造了数万亿市值，但同样有数万亿的软件价值只因它们而存在。他说如果你十年前看 AWS 和 GCP 在建什么，你绝不会预测到 Snowflake 或 Databricks 会出现——你会觉得基础设施已经做了这些事，为什么还要为「只是让你能处理数据」的产品付一百亿美元收入。智能会走同一条路：模型会极其值钱，但把模型带进银行、生命科学、医疗、政府的工作流，本身就是大量软件。
— Aaron Levie补贴 token 不可能永远持续
Levie 认为「狐狸守鸡舍」是应用层必然存在的结构性理由：把任务交给 agent 系统时，你希望成本最优而准确率不变，那就定义上应该由一家不在乎用哪个模型的公司来做。反方力量是模型公司可以补贴自己的模型，但他判断这撑不久——这些公司一旦上市，就会被同样的资本主义法则约束；而且补贴在达到数百亿美元资本开支的量级后可能已经越过了阈值，最终还要为训练运行付费。他还补了一个均衡问题：如果 API 是高毛利业务在补贴应用产品，而客户全被迁到应用产品上，API 收入就没了。
— Aaron Levie代码是工具，内容是人品代理
Levie 把「work slop」的接受度差异拆开了：对世界上大多数人来说，代码是 utility，只是要自动化某件事、让某人按个按钮进入下一步，所以让 agent 生成整个后端或前端不仅可接受，而且更可取。但内容不一样——你收到一份演示文稿时，仍在判断「我能不能信任这个人去执行这件事」，work slop 破坏的是这个判断。他承认自己也用 AI 做头脑风暴，但收到别人的 AI 产出时同样会怀疑，这是个集体性的怪圈，可能要三到五年才能穿过去。
— Aaron Levie开源权重的采用比人们想的高，但比企业想要的低
Levie 给了一个三段式判断：开源权重在企业里的采用「比人们想的高，比企业实际想要的低，比五年后低得多」。他估计其中 30% 以上要归因于「想试试 GLM」的新鲜感，而不是成本——他见过财富 500 强的 CIO 说在玩开源，但他知道按那个成本档位 Gemini 或 Muse 本来也够用。当前的实际障碍很具体：有时 token 效率更低，有时会随机在链条中间说起中文，这对银行来说很怪。长期看，成熟用例会被剥离到开源权重上，前提是它真的更便宜，或者后训练能带来额外性能。
— Aaron Levie把上下文烧进权重，撞上企业权限墙
Levie 对 continual learning 感兴趣，但指出企业世界的真正摩擦是权限和访问控制。他说研究者常想象世界按自己的方式运转——我有全部访问权，所以一个只在我世界里训练的模型会很棒——但律师只有五个项目的极小访问点，因为隔壁一扇门外的同事在做竞争对手的项目，两者之间不能有任何文档穿过，必须是硬隔离。就算能为单个用户训练模型，这个人每天被加入或移出某些项目、带来新的重要上下文，又怎么办。他认为成本曲线下降和开源权重变小变快后，这件事才真正有意思。
— Aaron Levie系统记录必须两头都做，只做一头会输
Levie 说，如果你是一家有数据和客户工作流的 SaaS 平台，有两件事必须同时做，只做一件就会输。第一，你得有一个在自己产品上强到离谱的 agent，可证明比通用 agent 好 10 到 20 个点，不是靠把对手阉割，而是靠 eval 拉满、对工作流调优。第二，你必须 headless，把 API 暴露给 Claude、ChatGPT 等所有平台，通过 MCP 或确定性 API 让外部 agent 能调用。他举了自己的例子：因为能通过 Claude 或 ChatGPT MCP 进 Salesforce，他现在用 Salesforce 的频率大概是以往的十倍。
— Aaron Levie编码扩散快，因为它六个条件全占
Levie 列了编码为什么先跑出来的六个属性：代码的价值几乎 100% 由生成的文本代表；模型在海量代码上训练；所有 AI 实验室都把编码当竞争基准，每天自己做 eval；用户是史上最技术化的群体，遇到 bug 或 MCP 连接失败自己就修了，不会打电话；以及这是高薪垂直领域，10% 到 20% 的生产力提升就自动有价值。对照之下，销售代表的价值创造是说服外部客户买软件或卡特彼勒卡车，受制于客户是否回复、是否有预算、下周二能不能见面——这是「被外部因素限速」和「能整天坐在电脑前打字」之间的一条连续谱。
— Aaron Levie原话 · 已逐字校验
I guarantee you would not have predicted Snowflake or data bricks existing you would have been like the infrastructure just already does that why would you pay another $10 billion of revenue to all these other products that are just making it so you can work with your data.
我保证你不会预测到 Snowflake 或 Databricks 的存在——你会说基础设施已经做了这件事，为什么要为这些「只是让你能处理数据」的产品再付一百亿美元收入。
Aaron Levie6:05
I don't know how long that lasts though because when when these companies become public, I think they will be held to basically the same laws of of capitalism that everybody else is.
我不知道这能持续多久，因为当这些公司上市后，我认为它们会被同样的资本主义法则约束，和其他所有人一样。
Aaron Levie10:07
For most of the world, code is a utility.
对世界上大多数人来说，代码是一种工具。
Aaron Levie20:12
I'm doing work slop for some of my you know brainstorms and decisions but when I get it from somebody else I'm like hm should I trust you?
我自己在一些头脑风暴和决策里也在做 work slop，但当我从别人那里收到它时，我会想：嗯，我该信任你吗？
Aaron Levie21:14
sometimes like randomly like I've heard stories like randomly it'll just like speak Chinese like like mid midchain so you're like okay well that'll be weird for a bank.
有时候——我听过一些故事——它会随机地、在链条中间突然说起中文，你会想：好吧，这对银行来说会很怪。
Aaron Levie30:24
in five years from now I would bet like 90% of all tokens in the enterprise are things that a user never kicked off and they just see a result.
五年后我敢打赌，企业里 90% 的 token 都是用户从未发起过的事，他们只是看到一个结果。
Aaron Levie47:32
You're either like a year ahead or a year behind simply based on your feed and my feed is like so so wired in.
你仅仅因为信息流的不同，要么领先一年，要么落后一年，而我的信息流是如此的紧跟前沿。
Aaron Levie55:39
数字与实体
| 押在「模型到工作流之桥」上的资本规模 | 约一万亿美元 | 2:02 |
| Box 年化收入 | 13 亿美元 | 52:37 |
| Levie 个人 Box 账户文件数 | 数千万个 | 25:19 |
| Box 对每个模型跑的测试数 | 数百个 | 26:19 |
| Levie 估计开源权重采用中归因于「新鲜感」的比例 | 30% 以上 | 29:25 |
| Levie 每年直接交流的客户数 | 约两百个 | 40:30 |
| Levie 每天向 AI 系统提问数 | 20 到 30 个 | 57:39 |
术语
- work slop工作垃圾内容
- 用 AI 批量生成、缺乏个人思考痕迹的工作产出，如董事会材料、演示文稿。
- harness智能体框架
- 包裹模型、接入搜索与文件系统、编排多步检索与重排的工程层。
- continual learning持续学习
- 让模型权重随使用不断适应特定用户或组织的方向，而非只靠上下文检索。
- open-weight model开放权重模型
- 权重公开可下载部署的模型，企业可自行托管以压低推理成本。
- MCP模型上下文协议
- 让外部 agent 以标准方式调用某个系统 API 的协议。
收听指南
做企业软件和 AI 应用的创始人、投应用层的投资人，以及正在纠结「该不该自己训模型」的 CTO。
开头关于根管治疗和 Doug Leone 的玩笑，约 0:30 到 1:55。