智能体商务、氛围编程与开放 AI 基础设施：Forward Future Live

2025 年 10 月 3 日，Matthew Berman 和 Nick Wentz 介绍了三位嘉宾：谈智能体商务的 Stripe 高管 Emily Glassberg Sands、谈 AI 开发的 Bolt CEO Eric Simons，以及谈开源和推理的 Red Hat CEO Matt Hicks。讨论的新闻和产品可用性均反映当时情况。

主持人从 OpenAI 的 Sora 2 发布及当时仅限邀请使用的应用谈起。他们喜欢生成的花絮视频，以及通过新提示词重新混剪片段的功能。

Berman 认为，实验室追求长期目标的同时，创意产品可以吸引用户并带来收入；这是他对商业模式的解读。

他们转向 Claude Sonnet 4.5。Berman 最初将一项 30 小时编码工作流描述为没有智能体框架的模型思考，随后修正说可能涉及智能体能力。

Anthropic 的发布材料引用了一位客户所说的超过 30 小时自主编码；这是一项具体的客户主张，并不能证明模型独自连续推理，也不能代表普遍成功率。

主持人讨论效率，以及除了运行时长外还要衡量有用产出的价值。

他们还猜测 Gemini 3 的发布时间。Wentz 猜测 10 月 28 日，这是他在 2025 年节目中的预测，而非已确认的发布日期。

Stripe 数据与 AI 负责人 Emily Glassberg Sands 加入节目，讨论 Instant Checkout 及与 OpenAI 共同开发的 Agentic Commerce Protocol。

她说，美国的初期推出允许用户在 ChatGPT 内向美国 Etsy 卖家购买商品，并计划支持 Shopify。这些是当时的推出安排，并不保证现在仍然可用。

Sands 表示 Stripe 提供结账、支付和反欺诈工具，并介绍 Shared Payment Token：它使支付得以发起，而不会向智能体暴露底层支付凭证。

该协议旨在让商家向兼容的智能体和支付服务商展示商品目录及结账流程。

她列出 AI 和平台合作伙伴，并表示已有市场平台可以帮助小商家进入智能体商务。

她补充说，支付基础设施既可服务于 AI 界面内结账，也可服务于访问商家网站的智能体。

Berman 提出提示注入问题，举例说有人要求助手购买昂贵蜡烛。

Sands 说，模型抵抗嵌入内容中指令的能力属于模型提供商的责任。Stripe 的支付令牌限制凭证暴露，但这本身不能防止受操纵或未经授权的购买。

主持人进一步追问此类购买可能如何被诱导。

Sands 表示需要仔细研究该情境，并介绍 Link 的一键结账流程和其他支付方式。讨论没有证明这种攻击不可能发生，也没有证明每笔交易都不需要用户授权。

Sands 说，欺诈检测必须区分代表客户行事的合法智能体与恶意机器人，而不是阻止所有机器人。

她介绍 Stripe 可与其他支付处理商共享的欺诈信号，以及 Stripe Radar 为其商家进行的筛查。这些是 Stripe 对其设计的描述，并非防范欺诈的保证。

Sands 确认了主持人提及的 2024 年数字：Stripe 支付交易额约相当于全球 GDP 的 1.3%，并称 Stripe 商家的增长快于标普 500。

支付交易额与 GDP 的比较是交易流量比较，不代表 Stripe 占世界产出的份额，也不是对 GDP 的直接贡献；增长数字是公司比较，并不能证明因果关系。

被问到商家为何增长快时，Sands 指出选择效应：Stripe 服务许多数字企业和快速增长的 AI 公司。

她也认为其支付方式、计费和全球覆盖有助于客户增长，同时承认这一比较不完全体现因果关系。

对于传统企业，她强调结账优化、支付方式、货币转换、线上线下数据整合，以及新的订阅或按用量计费产品。

她所称的转化率提升是 Stripe 的商业主张，并不保证适用于每个商家。

被问到商务可能如何变化时，Sands 强调市场仍处于早期。

她的团队正为产品数据、支付和欺诈检查建立标准化接口，同时响应不断变化的智能体能力。

她并非作出产品承诺，而是设想助手根据孩子的尺寸、偏好和预算处理开学购物。

对于开发者，她设想在编码环境内购买和集成工具，并清楚了解费用。

Berman 问，让支付变得毫无阻力是否可能鼓励过度消费或负债。

Sands 说自己对信贷问题考虑较少，并预测如果购物的时间成本下降，富裕消费者可能会增加支出。她对消费和 GDP 的预测属于推测，并未解决过度消费的担忧。

谈到小企业，Sands 认为智能体能帮助购物者发现小众卖家，并以家中一位 Etsy 艺术家为例。

Wentz 问，大公司的资源是否仍会给它们带来优势。Sands 说，开放接口和已有市场平台可能降低集成门槛，但不能保证被发现的机会平等。

Berman 问，智能体是否会让人们与曾经浏览的网站脱离。

Sands 预计会同时存在面向人和面向智能体的体验，并以 MCP 和 Stripe 的开发沙箱为例。她还预计 AI 服务的推理成本会改变企业向客户收费的方式。

主持人问，智能体能否为内容向出版商支付小额费用。

Sands 说，银行卡手续费历来让极小额交易变得困难，并提出钱包、储值余额或稳定币可能改变其经济性。这些都是潜在设计，成本和用户授权仍然重要。

Sands 介绍按用量计费和混合计费：固定订阅能够提供可预测的入门方式和收入，而用量收费反映变化的需求与模型成本。

她还介绍了 Stripe 的一个 API，让企业在模型价格变化时对底层成本加收费用。

被问到就业时，Sands 预计判断力、提出好问题和协作会与技术技能一起变得更有价值。

她担心初级岗位的进入途径和指导问题。她自己的团队当时招聘了更多应届毕业生，其中主要是博士，但这只是一家雇主的经历，不能决定整个劳动力市场的结果。

她离开后，主持人认为他们的采访更像表明工作会转型，而非全面被替代。

他们提到一名因 AI 技能获聘的年轻实习生等例子；这些轶事并不代表整个劳动力市场。

在接下来的新闻环节，主持人讨论了拟议中的 Grokipedia，以及消除任何模型或知识来源中偏见的困难。他们还介绍试用 Perplexity 的 Comet 浏览器和 Claude for Chrome 的经历，但说两者尚未成为日常习惯。

他们将 Thinking Machines Lab 的 Tinker 概括为基于 Python 的服务，旨在让模型微调无需管理全部基础设施，同时让研究人员控制算法。

他们介绍的是自己的理解，而非亲自评测。

主持人讨论了据报道的 OpenAI 员工股份出售和 5,000 亿美元估值。

这些是交易时的数字，并非当前估值；他们与其他私营公司的比较，以及用该金额购买旧金山所有房产的说法，都未经独立证实。

他们讨论了加州于 2025 年 9 月 29 日签署的 SB 53。

该法包括安全框架透明度、重大事件报告机制、举报人保护和公共计算计划。Berman 承认安全的必要性，同时担心过度监管；如何平衡是政策观点。

Eric Simons 在 Bolt 一周年之际加入节目，讨论 Bolt V2。

他介绍了一个将提示词转化为网页应用的浏览器工具，并说 V2 将编码智能体与 Netlify 和 Supabase 基础设施结合。他的描述属于产品主张，生成的应用仍需测试和安全审查。

Simons 说，早期氛围编程工具是有趣的原型，但正越来越吸引专业产品团队。

他认为，Bolt 通过自己的编排机制集成 Claude Code 和 OpenAI Codex 后，与面向开发者的智能体之间的差距缩小了。

被问到规模时，Simons 说财富 500 强中有 72% 的公司使用 Bolt，而使用它构建的产品创造了超过 10 亿美元收入。

这些是公司自报数字，使用和归因定义并不明确，也不是经独立审计的广泛生产部署证据。

Simons 将 StackBlitz 的起源追溯到与联合创始人 Albert Pai 的童年友谊及两人对编程的共同兴趣。

他回忆看到 Figma 早期的浏览器设计愿景，并发现浏览器内网页开发有类似机会。

他介绍了构建浏览器开发技术和能在标签页中启动的运行时的过程。

他说开发者喜欢它，但浏览器 IDE 业务难以盈利。他对安全性的描述是产品观点，并不保证代码或部署安全。

Simons 说，七年后公司年度经常性收入约为 70 万美元，正在考虑结束运营。

2024 年，Claude 3.5 Sonnet 的预览让团队决定构建 Bolt；他说，它在计划讨论关闭公司约一个月前发布。

他称 Bolt 首月的年化经常性收入达到 400 万美元，次月达到 2,000 万美元。

他提醒，快速增长的表面 ARR 不等于持久收入：消费者流失率很重要，因此他更愿意衡量留存和客户价值。这些数字来自公司自身的说法。

Simons 说，Bolt 聚焦专业产品团队，是因为他相信对日常使用者有价值的工具也会吸引其他人。

他预计这种重点能改善留存，并产生要求更高的反馈。

被问到智能体编码工具能构建什么时，Simons 说可以构建带支付功能的复杂网页和移动 SaaS 应用，但结果取决于投入和范围。

他承认，单凭一句要求重建 Google 搜索引擎的提示并不能直接实现；不应把几乎能构建任何应用的广泛说法当作可靠表现的保证。

Simons 举例提到浏览器内 3D 建模工具，并说 Booking.com 使用 Bolt 构建产品功能。

他还提到收入可观的初创公司。节目没有独立评估这些案例和客户主张。

谈到依赖也销售自身产品的前沿模型提供商，Simons 说 Bolt 可以根据任务选择不同智能体和模型。

他认为集成工作流程和对专业产品构建者的关注是差异化优势，同时承认竞争激烈。

Wentz 问如何为非开发者设计产品。

Simons 说，第一次请求必须产生有用结果，错误必须易于理解，基础设施应尽量少需手动配置。他称 V2 早期流量和注册量翻倍；节目没有提供独立指标。

谈到应用层的未来，Simons 预计部分任务会转向智能体界面，例如直接提问分析数据，而非浏览仪表盘。

其他界面可能变得更简单，也可能出现新的应用；他并未声称所有应用都会消失。

被问到动态生成的软件时，他设想智能体为特定任务生成小型界面或工作流程，例如供销售人员使用。

这是前瞻性设计，而非完全神经网络操作系统的演示，也不是有确定时间表的预测。

Simons 预测会有更多非开发者创建软件。

他预计产品经理和设计师会指挥智能体完成部分前端任务，可能减少一些初级岗位工作，而熟练工程师在架构、审查和质量方面仍然重要。他对就业的预测存在不确定性。

他将这一转变与制造业自动化作比较：手工装配减少，监督和机器设计增加，并可能出现新角色。

主持人认同他关于工作转型的看法，但这个类比没有量化未来就业情况。

制作人 Alex 加入一场轻松的盲测，比较 Sora 2、Kling 2.5 Turbo、Veo 3 和 Wan 2.5。团队说，为避免暴露模型，他们给不止一个片段加了 Sora 水印，并将音频静音。

这些精选样本和主观投票不是受控基准。

第一轮使用摔跤风格的提示词。评议者偏爱第一个示例，揭晓后发现它来自 Sora；另一个片段几乎没有动作。

第二轮使用一个类似大力水手、正在吃菠菜的角色，不同评议者偏好不同片段。

对于 DJ 音乐节提示词，主持人注意到变形瑕疵，并偏爱一个被标为 Sora 的片段。在演唱会一轮中他们意见不同：一个受欢迎的片段被标为 Wan 2.5，另一个来自 Kling，而 Sora 出现在其他样本中。

他们指出音频缺失以及这项非正式测试的局限。

经过短暂的音频故障后，Red Hat 总裁兼 CEO Matt Hicks 加入节目。

被问到操作系统是否可能完全即时生成时，他说 AI 能加速开源工作，但复杂系统仍受益于稳定基础。他认为完全动态的系统是一种可能，而非目前的能力。

Hicks 介绍了用于服务器的 Red Hat Enterprise Linux、用于集群的 OpenShift、用于自动化的 Ansible，以及运行模型的 Red Hat AI。

他区分了分析代码和支持问题，以及完全自动化需要持续精确性的任务；前者在他的经验中已经有用。

他认为 AI 降低了编码门槛，就像开源扩大了人们获取软件的机会。

谈到 Red Hat 的商业模式，他说，即使 AI 加速双方，企业仍需要支持和一条从快速发展的开源项目进入生产环境的稳定路径。

Hicks 说 Red Hat 专注于推理基础设施，包括 vLLM 和 llm-d，并预计未来会有许多模型，而非只有少数几个。

他认为针对特定任务，专用的小模型可能比前沿模型更便宜、更快。

Hicks 举例比较了一个小模型快 100 倍、便宜 100 倍的情况。

这不是通用基准：性能和成本取决于模型、硬件、工作负载及所需质量。他的方法是先确定什么可行，再让方案适合生产并具有经济可行性。

主持人讨论模型间路由，以及在云端、本地和边缘运行模型。

Hicks 说，敏感数据或带宽限制可能使本地推理有用，并举出工厂、车辆和国际空间站。模型是否适合特定环境取决于其资源和任务。

Hicks 将推理称为“分分钱的游戏”：推理和智能体工作流可能增加 token 消耗，因此降低每个 token 的成本对普及很重要。

他举出的十倍增长只是示意，并非普遍适用的倍数。

被问到是否所有前沿模型都应开放时，Hicks 支持协作，但指出预训练的资源成本很高。

他认为更小的模型、微调、数据集以及基础模型之上的层，是社区参与更实际的场所。

主持人提出开放权重与开源软件之间的区别。

Hicks 同意，仅发布权重不一定能让贡献回流到原始前沿模型，但认为数据集和专门化适配可以支持协作。获得权重并不自动包括训练数据、代码或构成完全开放系统所需的权利。

被问到是否存在让发布变得不安全的参数门槛时，Hicks 说他不单凭大小判断安全性，并赞成广泛审视。

他断言 Linux 是最安全的操作系统；这是观点，而非已证明的普遍排名，模型发布的安全权衡也需要自身的证据。

谈到研究人员竞争，Hicks 说高薪可能吸引人才进入这一领域，但他不认为它会消灭开放社区。

他看到小模型和推理领域的工作蓬勃发展，而他对薪酬和人才的预测仍不确定。

对考虑职业的年轻人，Hicks 建议追求自己喜欢的领域，并学习用 AI 放大能力。

他说自己的工程背景仍有助于使用编码工具；这是职业建议，也是对未来工作的预测。

转向机器人，Hicks 说 Red Hat 在边缘计算和实时操作系统方面的工作可以应用于需要在受限功耗环境中保持稳定控制的车辆和机器。

主持人讨论了对家用机器人的期待和顾虑；人形机器人大规模部署仍是一项预测。

Hicks 最后讨论 Red Hat 收购 Neural Magic 和 llm-d，一个跨集群运行模型推理的项目。

他认为分布式推理是近期的挑战和机会。主持人感谢嘉宾并结束节目。