原文摘要

一句话总结

Palo Alto Networks CEO Nikesh Arora 在 20VC 第二期访谈抛出一个反共识：模型能力已经过剩 90%，真正护城河是”记忆与上下文”——而这事让前沿公司要么让用户付两次费，要么把用户锁成”模型俘虏”。

8 条核心观点

  1. 模型能力过剩论：今天用 AI 做的 90% 事情不需要 Fable 5 / Mythos 5 这种顶级模型；两年前的模型已经能应付大多数查询。
  2. 真正护城河=记忆与上下文：用户粘性来自”针对每一个独立用户建立上下文”，不是来自模型参数。
  3. 用户付两次费：前沿模型把记忆/上下文融进模型里，但用户既付了模型费（token）又付了上下文/记忆费。
  4. Token 长期降价到 1/10：估值一万亿的前沿公司现在在做”价值最大化”，没降价是因为融资本能，而非真实成本。
  5. 盈利靠”交易收入”而非广告：广告大盘 60-70% 已被吃掉，AI 想多赚钱只能从真实交易抽佣（不是订阅费）。
  6. FDE=产品不成熟代名词：Factory CEO 说”FDE 卖出去=产品很烂”；Nikesh 同意——AI 真正用于企业只 12 个月，产品未定型，FDE 暂必需，但真 FDE 是把客户代码带回核心产品的人。
  7. SaaS 让位 AI 应用：SaaS 没有观点，AI 应用有观点（agent 主动替用户做选择 + 主动表态）。
  8. 分化模型割据世界：物理 AI 没消费级通用场景，会深度垂直分化，通用前沿模型吃不下”何时转弯/何时停车”这种细节。

关键参数 / 数据卡

决策树：什么时候用顶级模型 vs 旧模型

1
2
3
4
5
6
7
8
9
10
11

能用旧模型搞定？
├── 是 → 用旧模型 + 拼上下文/记忆
│         ↓
│       谁掌握上下文？
│       ├── 前沿模型自己 → 用户付两次费
│       └── 编排层 → 资金/能力拼不过前沿模型
└── 否 → 上 Waymo 式极限训练
          ↓
        应用场景明确 + 边界清晰 + 数据闭环？
        ├── 是 → 走特斯拉路线（自建闭环）
        └── 否 → 走传统车企路线=AI 洗白

核心金句 5 条

关联图谱

上游 / 平行（行业趋势与哲学反思）

下游（Seetong 团队可落地的工程议题）

备注与限制