模型是煉油廠，值錢的是化工廠和汽車公司
商業史上第一波跑出來的公司幾乎從不是下個階段的贏家。模型公司是提煉基礎油的煉油廠，真正值錢的是把智能接進銀行、藥企、政府工作流的應用層。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
模型和工作流之間隔著一萬億美元的鴻溝
Levie 說，過去兩年市場對「模型 wrapper」的輕視是錯的，因為企業真正需要的是從模型能力到實際工作流之間的那座橋。這座橋要麼非常有限，要麼非常龐大——大約一萬億美元押在了這兩個結果之一上。他判斷橋顯然很大：模型再智能，工作流仍然要連其他數據系統、要有人類在環、要等延遲、要處理遺留系統，這五到十件事全是運營層面的髒活，而研究型組織最不想幹的就是這些。
— Aaron Levie基礎設施和應用的劇本已經演過一遍
Levie 用雲計算的類比反駁「模型會吃掉一切」：AWS、GCP、Azure 創造了數萬億市值，但同樣有數萬億的軟件價值只因它們而存在。他說如果你十年前看 AWS 和 GCP 在建什麼，你絕不會預測到 Snowflake 或 Databricks 會出現——你會覺得基礎設施已經做了這些事，為什麼還要為「只是讓你能處理數據」的產品付一百億美元收入。智能會走同一條路：模型會極其值錢，但把模型帶進銀行、生命科學、醫療、政府的工作流，本身就是大量軟件。
— Aaron Levie補貼 token 不可能永遠持續
Levie 認為「狐狸守雞舍」是應用層必然存在的結構性理由：把任務交給 agent 系統時，你希望成本最優而準確率不變，那就定義上應該由一家不在乎用哪個模型的公司來做。反方力量是模型公司可以補貼自己的模型，但他判斷這撐不久——這些公司一旦上市，就會被同樣的資本主義法則約束；而且補貼在達到數百億美元資本開支的量級後可能已經越過了閾值，最終還要為訓練運行付費。他還補了一個均衡問題：如果 API 是高毛利業務在補貼應用產品，而客戶全被遷到應用產品上，API 收入就沒了。
— Aaron Levie代碼是工具，內容是人品代理
Levie 把「work slop」的接受度差異拆開了：對世界上大多數人來說，代碼是 utility，只是要自動化某件事、讓某人按個按鈕進入下一步，所以讓 agent 生成整個後端或前端不僅可接受，而且更可取。但內容不一樣——你收到一份演示文稿時，仍在判斷「我能不能信任這個人去執行這件事」，work slop 破壞的是這個判斷。他承認自己也用 AI 做頭腦風暴，但收到別人的 AI 產出時同樣會懷疑，這是個集體性的怪圈，可能要三到五年才能穿過去。
— Aaron Levie開源權重的採用比人們想的高，但比企業想要的低
Levie 給了一個三段式判斷：開源權重在企業裡的採用「比人們想的高，比企業實際想要的低，比五年後低得多」。他估計其中 30% 以上要歸因於「想試試 GLM」的新鮮感，而不是成本——他見過財富 500 強的 CIO 說在玩開源，但他知道按那個成本檔位 Gemini 或 Muse 本來也夠用。當前的實際障礙很具體：有時 token 效率更低，有時會隨機在鏈條中間說起中文，這對銀行來說很怪。長期看，成熟用例會被剝離到開源權重上，前提是它真的更便宜，或者後訓練能帶來額外性能。
— Aaron Levie把上下文燒進權重，撞上企業權限牆
Levie 對 continual learning 感興趣，但指出企業世界的真正摩擦是權限和訪問控制。他說研究者常想像世界按自己的方式運轉——我有全部訪問權，所以一個只在我世界裡訓練的模型會很棒——但律師只有五個項目的極小訪問點，因為隔壁一扇門外的同事在做競爭對手的項目，兩者之間不能有任何文檔穿過，必須是硬隔離。就算能為單個用戶訓練模型，這個人每天被加入或移出某些項目、帶來新的重要上下文，又怎麼辦。他認為成本曲線下降和開源權重變小變快後，這件事才真正有意思。
— Aaron Levie系統記錄必須兩頭都做，只做一頭會輸
Levie 說，如果你是一家有數據和客戶工作流的 SaaS 平臺，有兩件事必須同時做，只做一件就會輸。第一，你得有一個在自己產品上強到離譜的 agent，可證明比通用 agent 好 10 到 20 個點，不是靠把對手閹割，而是靠 eval 拉滿、對工作流調優。第二，你必須 headless，把 API 暴露給 Claude、ChatGPT 等所有平臺，通過 MCP 或確定性 API 讓外部 agent 能調用。他舉了自己的例子：因為能通過 Claude 或 ChatGPT MCP 進 Salesforce，他現在用 Salesforce 的頻率大概是以往的十倍。
— Aaron Levie編碼擴散快，因為它六個條件全佔
Levie 列了編碼為什麼先跑出來的六個屬性：代碼的價值幾乎 100% 由生成的文本代表；模型在海量代碼上訓練；所有 AI 實驗室都把編碼當競爭基準，每天自己做 eval；用戶是史上最技術化的群體，遇到 bug 或 MCP 連接失敗自己就修了，不會打電話；以及這是高薪垂直領域，10% 到 20% 的生產力提升就自動有價值。對照之下，銷售代表的價值創造是說服外部客戶買軟件或卡特彼勒卡車，受制於客戶是否回覆、是否有預算、下週二能不能見面——這是「被外部因素限速」和「能整天坐在電腦前打字」之間的一條連續譜。
— Aaron Levie原話 · 已逐字校驗
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.
我保證你不會預測到 Snowflake 或 Databricks 的存在——你會說基礎設施已經做了這件事，為什麼要為這些「只是讓你能處理數據」的產品再付一百億美元收入。
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.
我不知道這能持續多久，因為當這些公司上市後，我認為它們會被同樣的資本主義法則約束，和其他所有人一樣。
Aaron Levie10:07
For most of the world, code is a utility.
對世界上大多數人來說，代碼是一種工具。
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?
我自己在一些頭腦風暴和決策裡也在做 work slop，但當我從別人那裡收到它時，我會想：嗯，我該信任你嗎？
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.
有時候——我聽過一些故事——它會隨機地、在鏈條中間突然說起中文，你會想：好吧，這對銀行來說會很怪。
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.
五年後我敢打賭，企業裡 90% 的 token 都是用戶從未發起過的事，他們只是看到一個結果。
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.
你僅僅因為信息流的不同，要麼領先一年，要麼落後一年，而我的信息流是如此的緊跟前沿。
Aaron Levie55:39
數字與實體
| 押在「模型到工作流之橋」上的資本規模 | 約一萬億美元 | 2:02 |
| Box 年化收入 | 13 億美元 | 52:37 |
| Levie 個人 Box 賬戶文件數 | 數千萬個 | 25:19 |
| Box 對每個模型跑的測試數 | 數百個 | 26:19 |
| Levie 估計開源權重採用中歸因於「新鮮感」的比例 | 30% 以上 | 29:25 |
| Levie 每年直接交流的客戶數 | 約兩百個 | 40:30 |
| Levie 每天向 AI 系統提問數 | 20 到 30 個 | 57:39 |
術語
- work slop工作垃圾內容
- 用 AI 批量生成、缺乏個人思考痕跡的工作產出，如董事會材料、演示文稿。
- harness智能體框架
- 包裹模型、接入搜索與文件系統、編排多步檢索與重排的工程層。
- continual learning持續學習
- 讓模型權重隨使用不斷適應特定用戶或組織的方向，而非只靠上下文檢索。
- open-weight model開放權重模型
- 權重公開可下載部署的模型，企業可自行託管以壓低推理成本。
- MCP模型上下文協議
- 讓外部 agent 以標準方式調用某個系統 API 的協議。
收聽指南
做企業軟件和 AI 應用的創始人、投應用層的投資人，以及正在糾結「該不該自己訓模型」的 CTO。
開頭關於根管治療和 Doug Leone 的玩笑，約 0:30 到 1:55。