Eno Reyes 谈 AI 模型经济性、企业控制权与 Factory 战略

Factory 联合创始人兼 CTO Eno Reyes 与 Harry Stebbings 讨论 AI 模型经济性、企业软件和编程工具竞争。Stebbings 披露，他的机构投资了 Factory。讨论包括公司自报指标、未经核实的交易描述和预测，应理解为发言者的观点。

Reyes 说，自己对技术的兴趣部分来自父母，两人都上过艺术学校。他说，父亲童年遭遇事故后，一些身体活动受到限制，于是转向计算机。技术成为父亲拓展自身能力和探索创造力的一种方式。

Reyes 关于定价的核心观点是，每个 token 最便宜的模型不一定构成最便宜的系统。买家应考虑实现目标结果的成本，例如获得正确代码审查所需的重复尝试、错误和时间。如果能力更强的模型能更高效完成高难度任务，总成本可能反而更低。

这并不意味着最贵的模型适合每项任务。他预计，市场会同时存在广泛适用的通用模型和针对高频工作流程调整的专用系统。对于通用模型能力不足、前沿模型又过于昂贵的工作，公司可以对开放模型做后训练。

对于日常工作，Reyes 预计企业会运行足够便宜、能大规模使用的通用模型。专门任务可能介于通用层和前沿层之间：公司可以调整现有模型，而不是一切从头训练。正确选择取决于实际质量和成本。

Stebbings 问企业是否具备构建和维护这些模型的能力。Reyes 说，相关专业知识目前较为集中，但他预计软件服务会让模型适配变得更容易。他举例设想企业在平台上指定任务并连接工作流程；未来流程的便利性和质量仍是预测。

衡量结果是另一个挑战。代码审查可能可以测试，营销判断或法律分析却可能含糊不清。Reyes 把可验证性称为成功 AI 系统的关键属性，并预计人们会为没有单一明显答案的工作建立更好的评估方法。

他描述专家比较示例、说明为什么一个结果更好，然后模型可能帮助应用或发展类似评估框架。对于法律或医疗等敏感领域，访谈没有证明自动评估器足够可靠，能够替代专家判断。

他用经理评估新员工作比喻：直觉好的经理可能非正式地作出正确判断，但大规模运营的组织通常需要写下重视什么、如何评价表现。Reyes 预计，明确描述好结果和坏结果，也会让 AI 系统受益。

明确的指标也会改变激励。如果公司只用 A、B、C 定义成功，人和系统就可能优化这些可见指标，即使真正目标更广泛。Stebbings 将其比作奖励风投完成固定数量的交易，而不是找到真正好的投资。

Stebbings 说，这一挑战在风险投资中很常见。如果管理人奖励固定数量的交易，投资者可能完成数量，却没有改善组合质量。这个例子强化了 Reyes 的观点：评估标准不仅影响衡量，也会影响行为。

Stebbings 披露自己投资了一家数据公司，并思考其市场是否可能远大于此前预期。Reyes 同意，AI 相关结果可能非常大，并认为理解变化中的市场有时与传统技术护城河同样重要。两人给出的是投资判断，而非经过核实的估值。

被问到公司专用模型是否会缩小前沿实验室的机会时，Reyes 说其可服务市场可能被高估。他提出的问题是，当客户有替代选择时，提供商如何保护利润率。他认为一些估值假设了未来强大的定价能力；这些假设和他的结论都是有争议的预测。

他区分模型平台与建立在其上的应用。Reyes 认为，应用和模型服务的利润结构可能不同；受限于自有模型的提供商，可能难以为每个客户任务选择最佳的成本和质量组合。他把模型选择视为独立应用的优势。

Reyes 认为，销售绑定自有模型的应用公司可能只能提供自己的最佳模型，而非特定任务可获得的最佳模型。Stebbings 指出，“最佳”本身会随用户、任务和风险偏好变化。Reyes 同意，不存在适合所有情况的单一模型。

Stebbings 问到假设中的 Anthropic 估值，以及严重依赖竞争激烈的开发者工具市场的风险。Reyes 同意，投资者面临应用采用、定价和选择方面的不确定性。他的评论来自竞争对手的分析，并不能确立未来上市、估值或回报。

Reyes 推测，模型实验室可能通过监管或建设强应用来保护地位，并批评其中一些倡议。他没有提供证据证明任何公司或高管的私人动机。他也承认，危险或治理不善的 AI 可能造成真实风险。

他批评在推出 AI 技术时过度强调系统不可靠及对生计的威胁。在他看来，传播者可以解释潜在收益和风险，而不依赖超级智能必然到来的神话。这是他对传播方式的判断，不代表风险不存在。

被问到作为创始人有什么出乎意料时，Reyes 说，商业决策比他以前计划中设想的更具反应性。他把重要选择描述为对新信息的回应，而不是执行一份六个月的总体计划。这让他认为未来既不确定，也可以被行动影响。

Stebbings 问，AI 利润率最终会不会像传统软件一样。Reyes 说，并非所有 AI 企业利润结构相同，并称 Factory 的利润率不错，但没有披露经审计数字。他把扩大企业内部采用，与补贴面向大众的消费产品区分开。

Reyes 说 Factory 选择不大规模补贴消费者自助服务，并预计本地或开放模型最终会改善这种体验的经济性。他承认，这一选择可能降低当前消费者知名度。他对未来模型成本和产品采用的预期属于战略预测。

Reyes 说 Factory 正努力让产品与本地及开放模型良好配合，包括满足希望私有部署的客户。他预计这会支持未来补贴较少的消费体验。这一策略是意图声明，不能证明未来价格或采用情况会符合他的预测。

他对投资者说，如果公司能建立持久的工作流程并在之后改善利润率，暂时补贴可能有意义。风险在于假设客户会接受涨价，却没有相应提高价值。他认为，如果价格上涨而结果没有改善，竞争会给用户提供替代选择。

他说，企业合同可能不只是获取模型：买家也重视供应商如何使用技术的知识。他把这类指导与劳动密集型咨询区分开，并认为如果一个产品需要庞大的实施团队才能部署，其设计可能不够好。

话题转向模型路由和一笔涉及 OpenRouter 的据报道收购。Stebbings 问路由技术本身是否正在同质化。Reyes 说技术可能被复制，并提出自己的解释：使用量、客户关系和有关需求的信息可能具有战略价值。

他将据报道的交易视为一家支付公司了解企业如何分配 AI 支出的潜在方式。他没有声称知道买家的内部考虑，也没有确立交易价格。他说，技术相似但没有用户的产品，不一定值同样的金额。

Reyes 将路由服务的战略价值与其了解客户在哪里使用模型及花钱的信息相比较。他说，即使竞争对手能复制路由技术，网络和分销仍可能重要。他的解释不能确立具体买家的私人数据做法或投资理由。

Reyes 区分应用外部转发请求的网关路由，以及智能体在工作过程中作出的决策。他说，网关可以节省成本，但智能体在选择模型前可能需要了解当前任务、先前步骤和下一步。所引用的节省幅度只是公司观察示例，不是普遍基准。

应用外部的网关可以在模型之间选择，但 Reyes 说，执行多步骤任务的智能体可能需要考虑已经发生了什么、还剩什么。他称之为有状态的资源分配问题。能否改善结果取决于实现和测试，而不只是它位于技术栈的哪个位置。

他把 harness 描述为应用逻辑和状态可以积累的地方。压缩上下文等技术可能让智能体管理更长工作流程，而不必在模型或网关层解决所有问题。他说 Factory 花时间向考虑自建或购买的客户解释这些选择。

Stebbings 问持续学习对 Factory 有利还是有害。Reyes 将完全在封闭提供商系统内学习的模型，与记录在外围工作流程或 harness 中的学习区分开。他认为公司应问清楚，工作产生的数据、决策和成功流程归谁所有。

他的例子是一家将所有案件和学习都外包给其他机构的律所：随着时间推移，供应商可能获得律所本身需要的知识。他说，一些大公司担心依赖可能同时进入应用市场的模型提供商。这描述的是感知到的风险，不能证明任何被提及的提供商会滥用客户信息。

Reyes 认为，所有权问题不只是模型托管在哪里，还包括哪些方法有效的记录、业务上下文，以及在其他地方复用这些流程的能力。客户选择供应商时，仍必须审查实际合同、数据处理和技术控制。

在 Reyes 看来，本地部署选项可以让客户相信，必要时能够获得更多控制。他说 Factory 提供私有部署，但一些客户了解替代方案后仍选择托管软件。访谈没有独立核实两种选择的采用率或安全属性。

Stebbings 提到一笔据报道涉及 Cursor 和 SpaceX 的交易，询问它可能如何影响 Factory。Reyes 称赞该团队，但推测与模型提供商关联可能让未来保持模型独立更困难，并引发企业客户疑问。交易及他对竞争对手选择的预测都未在对话中独立确立。

他预计，随着构建模型变得更容易、提供商追求不同用途，新模型发布会长期保持较快节奏。他还认为网关也是发现渠道：新模型上架能同时吸引人们关注模型和平台。未来发布的速度和多样性仍不确定。

他认为，发现模型受到的不只是基准分数影响：企业和用户也可能关心提供商的观点、声誉或关系。在他看来，这可能支持多种产品并存。他的预测不意味着每个新模型或提供商都能找到可持续市场。

被问到有多少新 AI 实验室能独立生存时，Reyes 说，80%–90% 在 18 个月内不再保持独立是有可能的。他澄清，对一些团队而言被收购可能是好结果，因此“不再独立”不等于失败。这个比例是他的推测，并非测得的退出率。

他提出的检验是：实验室是否连接到持久的工作流程，更好的通用模型是否会抹去其优势，以及另一家企业是否可以重新设计流程。他认为专业法律工作因专有数据和长期需求可能较持久，而一些常见中间任务可能失去差异化。

Stebbings 观察到，AI 在编程、客户支持、法律工作和媒体剪辑中的进展并不均衡。Reyes 同意，记录专家知识并将其转化为评估标准可能很困难。他预计企业投资这些流程后会取得进展，但各领域改进速度仍是开放问题。

Stebbings 以播客剪辑为例，指出当前系统可能错过画面构图或时机。Reyes 说，经验丰富的编辑拥有难以写下来的隐性知识，包括如何选择有吸引力的开头。他预计随着这些经验更容易表达和测试，会出现进步。

被问到中国开发的模型时，Reyes 批评他所看到的、把开放模型一概视为天然可疑的做法。他暗示前沿实验室有意推动这种说法，但访谈没有为这一动机指控提供证据。他说所有模型都应评估其行为、适用性和依赖风险。

他说，用户应询问模型可能存在的审查、是否满足需求，以及模型消失后能否切换。他表示，自己没有在讨论的模型中看到特定安全后门的例子；这一个人观察不能证明任何模型不存在漏洞或风险。

Reyes 说，他个人没有看到讨论中模型存在后门的证据，同时承认所有提供商都可能加入限制或偏好。他的陈述受限于个人所知；模型权重、托管、供应链和部署方式都可能带来不同安全问题。

Reyes 区分普通商业任务与国家安全用途，并说后者可能需要对模型来源作出不同选择。他认为任何提供商的限制和偏好都可能影响工作流程。讨论没有提供安全审计，也没有确立所有模型和部署具有相同风险。

他预测三年内开放模型可能处理 99% 的工作流程，而少量前沿任务仍可能代表可观经济价值。他也预计前沿能力在先进研究等领域仍有差异化。这些比例和市场结果是他的预测，不是当前使用数据。

他预计低成本开放模型将服务许多日常工作流程，而前沿实验室追求较少数的困难任务。在他的情景中，少数任务仍可能具有很高经济价值。使用量和收入的预期分布是一种假设，取决于未来模型能力、价格和客户选择。

Reyes 认为 Microsoft 处境有利，因为客户可以通过其基础设施访问多个模型提供商，而它同时与 OpenAI 有投资关系。他认为模型选择对企业买家可能重要。他对公司地位的评价是观点，不是投资建议。

他也认为 Meta 对开放模型的投资可能有价值，同时说企业必须将模型应用到有用的运营中。被要求在 Meta 与 Microsoft 之间选择一项假设投资时，他偏向 Microsoft。这一比较反映个人论点，并非经过验证的未来表现。

谈到数据中心债务，Reyes 说，没有持久自由现金流的企业承担大量借款可能很危险。他把拥有成熟业务的大公司与可能需要强劲未来经济效益来支持基础设施承诺的前沿实验室相比。访谈没有确立任何公司的完整融资义务或未来偿付能力。

Reyes 认为，成熟云公司可能因为拥有其他现金流来源，更能承受基础设施方面的挫折。他认为依赖融资支持未来增长的企业负担更重。这是定性论证，没有核实具体债务金额。

他认为芯片开发和更深的垂直整合可能是应对基础设施依赖的方式，同时承认它们可能使与现有供应商的关系更复杂。这些权衡涉及成本、执行和融资；制造芯片本身不能证明债务或运营成本会下降。

Stebbings 问当前估值是否意味着泡沫。Reyes 说，相比类似 2008 年的危机，他更关心随着技术发展，哪些企业最终能维持价值。他的宏观经济看法和对未来繁荣的主张是观点，而非保证。

他把早期 AI 领导者与过去未必一直保持主导地位的技术先驱相比。他认为率先进入有帮助，但长期执行同样重要。这一类比是思考竞争风险的方式，并不是预测当前某家公司会重演历史结果。

Stebbings 说，公司快速增长改变了他对可能结果的预期，并披露对 Lovable 的投资。Reyes 同意企业创建和增长可能加速，同时承认当前许多 AI 采购仍处于探索阶段。两人都没有证明今天的增长率会持续。

谈到据报道的软件收购，Reyes 预计，一些成熟 SaaS 公司面临不断创造客户所需产品的压力，可能因此被出售。他把软件公司比作需要持续推出热门作品的电影工作室。主持人提出的收购例子没有在对话中独立核实。

Stebbings 问 Factory 是否有兴趣通过收购引入创始人和小团队。Reyes 说，一个人花数月建立开源项目所展示的信念，可能是面试无法捕捉到的。他寻找已经解决相关问题、能够独立承担责任的团队。

他所说的使命一致，是指工作本身可以看到证据：创始人可能已经在构建软件开发 harness，或与客户衡量 AI 结果。他说不相关背景的人才也能作出贡献，但最接近的匹配能让公司更容易评估他们在 Factory 如何工作。

两人讨论硅谷是否过于关注金钱。Reyes 说，他认识的许多人深切关心构建技术，而融资和投资也是生态系统合理的一部分。他更愿意分享对这一文化的乐观叙述；这是他的解释，而非对其中每个人的调查。

Reyes 说，Factory 早期建设过程中，他多次遇到不相信所提软件会出现的人。他把这种坚持与建设技术的文化联系起来，而不只是金融投机。Stebbings 补充说，财务安全也可能让一些创始人更自由地追求有意思的问题。

谈到招聘，Reyes 提醒不要把学校声誉或竞赛资历当成能力的唯一证据。他说，这些路径上有很多能力很强的人，但也可能忽略在正式体系之外构建有用项目的人。他自己的常春藤盟校经历让他怀疑出身是否足以作为充分信号。

被问到如何为小团队估值时，他说价值可能来自人们如何合作，而不是为每个人分配固定价格。加入一个人可以增强组织的技能和决策网络。他举出的金额只是推测性例子，不是保证结果的估值方法。

他警惕表演式工作文化：展示自己总是忙碌，可能被误认为真正高产。他承认初创团队有时可能在周末或很长时间工作，但认为如果把可见的疲惫当成目标，可能奖励错误行为，并排除优秀候选人。

Stebbings 澄清，他强调的可响应性是指必要时处理重要客户问题，并不是字面上规定固定日程。Reyes 同意目标应该是结果。他说，有经验的人从一开始就让智能体指向正确问题，可能节省时间和 token。

两人区分真实的客户紧急情况，与奖励看上去持续工作的样子。Reyes 接受有时需要在正常工作时间以外回应。他反对的是重视展示活动，而不是交付有用结果的激励。

被问到工程师是否应获得固定 token 预算时，Reyes 说 Factory 根据项目和期望结果分配支出。他把一次由一个人负责、成本异常高的评估运行描述为项目投资，而不是标准个人额度。金额及结果是他的说法，没有独立审计。

他说，团队可以估算项目范围和预期支出，再比较使用的额度和达成的结果。在他看来，将智能体系统理解为用于工作的资源，比把它视为某个具名员工的一对一替代更合适。他预计一些公司的预算会大幅增长。

Reyes 说，限制自助服务对 Factory 是一个困难决定，因为他希望更多人使用产品。他区分了提供可下载产品和个人用户，与大规模补贴大众消费产品。他说公司从该领域每天数万用户获得反馈；该数字由公司自行报告。

他认为足够大的用户群可以提供有用的产品反馈，而不必补贴数百万账户，但也承认更广泛覆盖可能带来草根叙事和社区，而限制覆盖会损失这一点。反馈、分销和成本之间的平衡是具体公司的战略选择。

快问快答中，Reyes 因长期持久性偏好 Microsoft，讨论 Nvidia 在 AI 基础设施中的当前角色，并对 Meta 依赖广告更为谨慎。他披露自己曾在 Microsoft 工作。他对公司和估值的看法是个人预测，不是财务建议。

Reyes 说 Microsoft 拥有广泛企业分销，Nvidia 当前基础设施地位强，而 Meta 必须持续把投资转化为商业价值。这些是在假设比较中作出的主观评价。他没有提供足以预测任何证券未来价格的证据。

他说，成熟的记录系统可能很持久，因为客户依赖界面背后的工作流程，而 AI 可能改变软件本身的开发方式。两人在比较 Linear 与 Atlassian 时，Stebbings 披露了对 Linear 的投资。他们讨论的是潜在变化，并没有证明未来市场结果。

被问到竞争性的编程产品时，Reyes 描述了 Factory 企业客户谈话中出现的名称，以及他如何将 Factory 定位为模型独立产品。他的排名是竞争者自己的叙述，不是对产品采用、能力或客户满意度的独立比较。

他认为 AI 可能带来由人和智能体共同构建的新软件开发体系，而不是简单地一对一替代每个工程师。他把这作为 Factory 的战略及自己对竞争对手的解释；未来工作分工和实际产品能力仍不确定。

他给企业销售的建议是，把对话当成发现过程：理解客户最困难的问题，并共同寻求解决方案。他说，在新兴市场，这可能比试图说服买家某个预设产品适合所有情况更有用。

Reyes 对比了新兴市场和成熟市场：前者中，卖方和客户可以一起发现尚未解决的问题；后者中，买家可能已经理解可选方案。他认为客户重视能帮助定义有用结果的伙伴。这种方式并不保证成交或实施成功。

最后，Reyes 预测，在三至五年内，更多个人和小企业可能按需生成定制软件。他认为更广泛地获得有用软件是重要机会。这一时间表和采用程度属于推测，Stebbings 最后感谢他参加对话。