Matan Grinberg：AI 编码、Token 成本与 Factory 创业

Factory 联合创始人兼 CEO Matan Grinberg 与 Harry Stebbings 讨论 AI 编码、模型成本、企业采用和公司建设。Stebbings 的 20VC 投资了 Factory，而 Factory 销售软件开发工具；双方都有与讨论相关的利益。

Grinberg 预计 AI 工具会提高生产率，并最终推动经济增长，但他说组织需要时间调整资源。公司可能用同样的人解决更多问题，也可能用更少的人解决同样的问题；他说两者之间的平衡难以预测。

他不按代码行数定义“十倍工程师”，而是寻找其判断和工作对组织起关键支撑作用的人。他预计工具会放大善于利用这种杠杆的人的影响，同时提醒生成更多代码也可能产生差代码。

Grinberg 将 token、资金和员工人数视为资源分配问题。他建议领导者从客户满意度、收入或市场份额等结果出发，而不是假设发布更多功能本身就有价值。

Stebbings 引述据报道律师事务所 Kirkland 在五年内投资 5 亿美元用于 AI，并在讨论其他地方披露了自己与 Harvey 的关系。Grinberg 质疑将所有技术都内部构建是否属于该事务所的核心能力，并认为专业供应商可能受益。此处没有独立验证据报金额和项目范围。

Grinberg 认为，即使软件变得更容易构建，公司仍须判断自行构建是否最值得花时间。他以 CEO 为团队取午餐为例：这件事可能做得到，但外包可以让时间用于组织的核心工作。

他认为模型提供商、应用公司和基础设施供应商都在试图让对方变得同质化。作为 Factory CEO，他希望多个模型提供商在价格、性能和速度上竞争；他承认这也符合自己公司的利益。

他说，对 Factory 不利的情形是某家模型提供商变得远远优于其他所有公司，使客户希望统一使用它。他目前预计多种模型会有竞争力，但模型相对质量不断变化，结果仍不确定。

Grinberg 预测，模型改进最终可能更像持续发生，而不是一系列独立发布。他说，应用供应商可以按任务、成本、质量和延迟帮助企业选择模型，而不必让每位工程师追踪每一次发布。

他将开放模型视为昂贵前沿模型的制衡，并说许多任务可能不需要能力最强的选项。这是他作为模型无关应用销售方的观点；最佳选择取决于工作负载、安全要求和评估。

Grinberg 描述了一种企业采用周期：领导者先要求制定 AI 策略，员工随后大量实验，管理层后来再询问账单是否带来回报。他提到一个客户为简单或非工作问题使用昂贵模型的轶事，但没有提供经审计的数据集。

他认为，随着公司管理成本，最昂贵模型的使用可能短暂收缩。他说，一些 Factory 客户在账单意外上涨后设置了用户限额，而限额可以因团队和任务不同而不同，不必所有人统一。

Stebbings 问，三年后 token 支出相对于开发人员薪酬会是多少。Grinberg 预计个人之间差异很大，并试探性地认为中位数可能与薪酬处于同一数量级。这是推测性预测，不是当前公司预算或已确定的行业标准。

他说，有些人通过客户会面或分析创造的价值可能比大量使用 token 更高，而另一些人可能将许多任务委托给智能体。他提醒，不应对每名员工套用同一个支出比例。

Grinberg 估计，目前使用前沿模型的任务中，80% 至 90% 可以使用开放模型，而重要的规划决策可能仍需要更强的模型。这是他的宽泛估计，不是基准测试；他也指出，占比很小的 token 仍可能具有重要经济价值。

被问及昂贵的 AI 人才招聘时，Grinberg 说 Factory 独特的文化有助于吸引不只看重薪酬的人，但招聘仍然激烈。他将从营销、销售到续约的整个客户旅程都视为产品的一部分，而不是让工程凌驾于其他工作之上。

他说，Factory 让销售人员与工程师坐在一起，并鼓励共同承担交易和功能交付的责任。Grinberg 警告，在繁荣时期忽视销售和营销的公司，可能在争取需求变难时发现自身弱点；这是他的管理判断。

他预计优秀工程师将越来越多地负责业务结果，并与客户和销售人员合作，而不只是实现功能。他重视主动性和已经做出的工作，而不是单看资历，同时承认竞赛成绩在具体背景下也可以是有用证据。

Grinberg 预测，将出现更多类似总经理的工程师岗位，端到端负责结果，包括产品指标和发布沟通。Stebbings 认为，其他职能也可能出现类似的端到端责任。

他将此称为通才的回归：AI 可以帮助人们更快跨领域学习，但他承认其中存在不确定性，学习者也可能缺少专家的深度。他对更快达到前沿的乐观判断是对工具的看法，并不保证获得专业能力。

被问及智能体运营时，Grinberg 认为可能有人负责识别低效流程并构建智能体，但他也预计许多职能的员工会自己承担一部分工作。他预测，发布说明和文档初稿等任务会越来越多地自动化。

话题转向代码审查。Grinberg 说，轻易生成代码可能让审查人员被低质量改动淹没。他建议保持文档更新、提供可执行环境，并使用测试、代码检查器和部署检查，使智能体输出更容易验证；这些措施有助于监督，但不能保证正确性。

他认为，设计良好的 API、数据结构和文档对智能体和人类都有帮助。标准仍然是防止输出膨胀所必需的，人类工程师也必须判断可维护性和技术债务。

Factory 这个名字反映了他的观点：工程师将越来越多地设计生产软件的系统，正如人类设计自动化生产线一样。他预计工程师的工作会转向搭建支撑系统、审查和关注结果，而不是消失。

Grinberg 担心短期内工作被替代，但乐观认为工程师最终可能转而解决更多尚未解决的问题。他说，经济体系必须为这一转变创造适当激励；未来岗位的数量和时间仍不确定。

他认为更好的软件和 AI 可能帮助医疗研究，并提到痴呆症。他声称 AI 会解决痴呆症，这是一种愿望，而非已确立的医学证据或时间表；访谈没有提供临床结果。

关于政府干预，他认为安全问题和市场投资不足的领域需要政府发挥作用，但倾向于为干预设定较高门槛。他还推测，尽管短期会产生排放，更快发展 AI 仍可能帮助应对气候变化；访谈没有证明这种好处或取舍。

被问及 AI 基础设施是否处于泡沫时，Grinberg 承认可能出现短期调整，但对长期需求充满信心。这是一位公司依赖 AI 采用的创始人的预测，并非对行业估值的评估。

他认为行为改变是采用过程中的主要瓶颈。经验丰富的工程师可能习惯现有流程，但擅长委托；较新的工程师可能适应更快，却缺少管理经验。他将此作为观察，而非关于年龄或能力的规则。

谈到企业销售，Grinberg 说自己最重要的教训是与客户见面、了解问题并判断产品是否合适，而不是一开始就推销。他说，自己从银行、咨询公司和制药企业不同的工程实践中学到了很多。

他回忆了从小追求物理、密集学习数学，以及在 Princeton 与物理学家 Juan Maldacena 合作，随后开始 Berkeley 博士研究的经历。教学经历和更广泛的反思让他重新考虑研究职业是否适合自己。

在 Berkeley，他学习计算机科学课程，并被程序综合吸引：这种方法旨在让代码生成代码。他认为创办公司可能是追求这一问题的方式，于是开始通过书籍和视频学习创业。

一段视频让他联系到一位成为 Sequoia 投资人的前物理学家。Grinberg 说，一场原定短会变成了三个小时的散步；此后不久，他在黑客松遇到联合创始人 Eno，两人共同改进了一个演示。

据 Grinberg 回忆，投资人问他是否愿意全职投入，于是他离开博士项目，并在 2023 年 4 月向 Sequoia 合伙团队演示。他说，该公司以 500 万美元投后估值提供了 100 万美元投资。这些融资条款是他的回忆。

他说，这种联系和信任对自己比寻求更高估值更重要，并认为创始人一般应考虑为信任的合伙人接受较不优惠的条款。他的建议是个人看法，并不保证特定机构或交易对每位创始人都最好。

Grinberg 提醒，当公司很热门时，投资人可能让创始人感到自己很特别。他重视那些在成功尚不明显时仍有信念、并在困难时期持续提供帮助的董事会成员。

他解释说，员工 Francesca 的投资人脉让 Factory 结识了 Ivanka Trump 和她的机构。被问及她作为投资人的价值时，Grinberg 称赞了她的人脉、时间投入和帮助。这是创始人对投资关系的描述，而非对贡献的独立评估。

关于编码市场，Grinberg 认为将应用与模型分开可以促使模型提供商竞争，并为客户提供更多选择。这与 Factory 的商业模式直接一致；一体化提供商可能有不同的激励和成本结构。

他说，企业客户担心供应商锁定，可能更喜欢能在模型之间选择的单一应用。Stebbings 指出，提供商的一体化编码工具正在获得相当大的市场份额；Grinberg 没有预测具体份额。

被问及 Lovable 和 Replit 等面向消费者的工具时，Grinberg 说由于自己缺少直接使用经验，它们的未来对他而言并不明显。他认为非工程师为销售或营销创建材料可能有价值，同时强调企业对代码和数据的控制要求。

Grinberg 预计生成代码的增长会快于安全投入，并担心发生严重事件。这是风险预测，并非某次具体泄露由 AI 生成代码造成的证据。

他支持美国初创公司使用中国开放模型，并区分了将数据发送到外部服务与在本地托管权重。他讨论了假设性的恶意触发机制，并说组织可以缓解数据外传，但没有提供具体后门的证据；本地托管和防护措施不能消除所有模型或供应链风险。

Grinberg 认为欧洲在构建前沿模型方面面临挑战，但基础设施和能源领域存在机会。他对比不同决策制度，并认为美国各州可能尝试不同数据中心政策；他对经济收益和建设速度的说法是宽泛预测，而非实测比较。

被问及前置部署工程师时，他说这类人员应该加速采用，而不是产品能够运作的唯一原因。他的看法反映了 Factory 偏好的销售模式，不能证明以服务为主的实施方式必然失败。

谈到“苦干”文化，Grinberg 认为工作时长是中间指标，产出更重要。他支持充足睡眠，并说自己在一次冲刺期间给团队提供了 Eight Sleep 产品；他对睡眠改善的个人体验不是医学证据。

他将支持团队与支持运动员相比，并设想投资于恢复和决策能力。Stebbings 以轻松方式质疑极端优化，Grinberg 则认为高强度工作可以与休息交替；这些是个人管理偏好。

被要求在 Anthropic 和 OpenAI 之间选择投资对象时，Grinberg 认为两者地位都不错，并基于自己感受到的波动性给出试探性偏好。这是个人观点，不是投资建议，也不是已确认的 IPO 机会。

他批评有关 AI 替代就业的公开警告，并推测融资激励影响了这些表述。对其他领导人动机的判断是他的解释，并非既定事实；他自己的乐观也不能消除岗位被替代的风险。

Grinberg 称 EY 是 Factory 的重要客户，并称赞其采用智能体。客户关系和评价均为他的说法，访谈没有提供独立部署或绩效数据。

他说，自己已经不再预计只有一两家实验室会主导市场，现在预测至少有四家能力大致相当的提供商。他认为多样性对用户有利；最终市场结构仍不确定。