a16z 合夥人 Joe Schmidt IV 指出大模型實驗室只會主導橫向任務，真正的 AI 應用機會藏在垂直場景與複雜工作流中。 （前情提要：Altman 收回「AI 毀滅人類工作」預言：我很高興自己錯了，真心的嗎？ ） （背景補充：Google 領投 AI 路由平台 OpenRouter，估值 13 億美元一年成長 240%）   創業者和潛在員工一直問我同一個問題：AI 應用層還有什麼值得建構的空間嗎？還是 OpenAI 和 Anthropic 會把一切都趕盡殺絕？ 這個問題背後隱藏著一種特殊的「AI 焦慮症」。有些人已經得出結論，認為要避免成為永久的底層階級，唯一能持久立足的地方要麼是在大型實驗室內部，要麼是在機器人、硬科技等前沿領域——理論上任何「實驗室碰不到的東西」。 如果每款軟體都即將被吞噬，不論是被 Codex 或 Claude 直接取代工作，還是被未來的模型搞得你建構的一切都變得毫無必要，那就快逃吧！ 聽著，我幾乎和所有人一樣都是 AI 至上主義者，但我認為他們只對了一半。實驗室確實正在侵蝕很大一部分的應用版圖。但「應用層」並不是一個單一且同質的機會。正確的思考框架是：你是在「綠野仙蹤」的黃磚路（Yellow Brick Road）上，還是身處奧茲國（Oz）的精靈世界其他地方？ 黃磚路是我們對實驗室正在前行的道路的簡稱，他們在那裡投入了驚人的資源。實驗室最適合解決代碼生成、寫作或圖像創作等問題的原因，在於這些問題能隨著「模型原始能力」的提升而改善：投入在預訓練和後訓練上的每一美元，都能直接提升產品品質。 與此同時，奧茲國的其他地方則充滿了更複雜、通常是垂直領域的問題。這些問題並非只是給企業用戶一個具備標準工具和電腦操作權限的「通用型工具」那麼簡單。 其價值與其說來自底層模型的原始能力（雖然這依然重要！），不如說來自環繞其上的支撐架構（scaffolding），正是這些架構讓輸出在特定行業中變得值得信賴、合規且可投入實際運作。 我們正即時看到這種局面在上演，OpenAI 和 Anthropic 實際上正向市場傳達一個訊息：他們無法用一個通用的 AI 同事來解決所有問題。他們已經宣布了大規模的前線部署合資計劃，圍繞著為企業配置和客製化模型來打造一整家公司。如果你認為下一個模型的發布就能搞定一切，你絕對不會把數十億美元投入到這些項目中。 因此，如果你想靠開發 AI 應用發家致富——請避開黃磚路，到奧茲國的其他地方去開拓。以下是我們以及我們投資組合中的一些創業者所學到的、關於什麼才是行之有效的經驗。 黃磚路 如果你要創業，黃磚路是最顯而易見的一條路，但也是最危險的。拿一個高性能的模型，插上一些現成的連接器（比如 Google Drive、Slack、Salesforce、Notion、GitHub），然後在其上推出某種 Agent（智能體）編排層。簡直是魔法！ 這裡的問題在於，這正是實驗室透過 Cowork 和 Codex 在做的事。顯然，他們擁有模型本身，這給了他們更好的利潤率、控制力，以及對任何下游廠商施加定價權的能力。 但或許最重要的是，他們還掌握了決定其產品能完美解決哪些問題的「架構選擇」。到目前為止，他們在「模型加工具調用（tool calls）」的模式上深思熟慮，而這正是黃磚路上那種水平式、低步驟工作所需要的。即便新創公司能在某種程度上超越 Codex 或 Claude Code，實驗室也擁有龐大的分銷管道和 AI 領域最強大的品牌光環。 如果你是一家 AI 應用公司，照搬這個套路，使用相同的連接器，底下既沒有子 Agent 也沒有深層配置，更沒有分銷渠道，那麼你很可能正走在一條通往無底洞的死路上。 奧茲國的其他地方 對新創公司來說，這並非全是末日。在黃磚路之外存在著巨大的機會，新創公司在那裡有著清晰的路徑去擁有自己的客戶並解決複雜的問題。 這些企業正在建構 Agent 的體驗，將模型交織在一個由工具、自動化和集成（換句話說：軟體）組成的複雜網絡中，這使得大多數此類新創公司在默認情況下都是垂直領域的。 他們可以專注於多步驟和多角色協同的工作，並針對特定角色和垂直領域的任務設立子 Agent（sub-agents），這是 Anthropic 和 OpenAI 用通用平台無法觸及的：跨系統收集上下文，然後路由給多個必須在不同階段進行審批的人員。 這通常涉及一個或多個遺留系統（legacy systems），傾向於需要確定性的結果（容不得半點模糊），且時常與某些高價值的商業成果直接掛鉤。 實驗室很清楚這些問題有多大價值：這正是為什麼他們正在建立自己的外包配置部門，以及為什麼會存在一整類面向高端市場的強化學習業務。 為什麼奧茲國的其他地方不會被巫師佔領 對於上述觀點，人們反駁會說，到目前為止，做空模型/實驗室的進步一直是一筆很不划算的賭注。他們很可能會繼續變得更強，並最終吞噬這些應用層企業所服務的市場。 實驗室當然會持續進步，但我認為奧茲國其他地方的企業隨著時間的推移，有幾種方式可以保護自己： 數據與學習飛輪： 你所內化的大多數東西都不在任何訓練集裡——未成文的行業規範、未記錄的標準，以及存在於從業者腦海中的群體智慧。這些在公開網站上都找不到。再多的訓練算力也無法替代身處這些知識實際存在的「工作流」之中。 這裡有兩個相互堆疊的飛輪：一個是跨客戶的飛輪（當你看到同一個問題的更多變體時，模式就會產生複利效應）；另一個是客戶內部的飛輪（特定決策背後的原因、未言明的例外情況，以及公司自身的經驗法則，這些只有透過與系統的真實互動才會浮出水面）。 一家讓其 Agent 跑過 100 次法律條款修訂（redlines）、1000 次保險核保週期或 10000 次 SDR 行銷活動的公司，已經內化了該問題的本質形態，這是新進入者第一次啟動一個全新 Agent 時所無法複製的。評估集（Eval sets）、標籤化輸出和邊緣情況分類法，可以複合成一個垂直領域特有的數據飛輪，從而為微調（fine-tun…