
2025年12月19日,旧金山。
在硅谷知名创业者社区South Park Commons的一次炉边对话中,微软首席技术官Kevin Scott分享了他职业生涯中的关键抉择、微软与OpenAI合作的内幕,以及当下AI浪潮中最被低估的机会。这场长达56分钟的对话,从一位学者如何转型为工程实践者,一直聊到开源与闭源生态的博弈。
Kevin Scott直言:“现在AI创业者最容易犯的错误,并不是技术落后,而是把周围的‘噪音’误判为未来方向。”
那么,什么是创业者需要警惕的“噪音”?
那些看似积极、却无法转化为产品价值的外部反馈:比如社交媒体的点赞、投资机构的批量约谈、技术社区对参数规模的狂热讨论。这些信息因为获取成本低、易于量化,往往会让人产生“已经走在正确路上”的幻觉。
这篇文章将拆解四个核心命题:
第一,Kevin Scott是如何从学术界转向工业界,并学会识别真正的价值信号;
第二,今天AI创业者面对的信息环境比以往更复杂;
第三,ChatGPT在技术没有代差的情况下,为什么能引爆全球;
第四,普通创业者怎样找到那些被巨头和媒体忽略的真实需求。
Kevin Scott的职业生涯起点是学术界。在弗吉尼亚大学攻读博士期间,他研究动态二进制翻译——一个极其精巧、复杂度极高的系统方向。他曾经花几个月优化一个算法,只为让性能提升3%~5%。论文发表在顶级会议上,被同行引用,再写下一篇论文。这是典型的学术正循环。
但他越来越不安:“我做的这些优化,除了审稿人和几位同行,还有人关心吗?” 他意识到,学术界的评价体系——论文数、引用数、基金项目——是一套自洽的闭环,而真实世界的评价体系完全不同:有多少终端用户因此受益?创造了多少实际经济价值?这两个体系在多数时候并不兼容。
于是,他在2003年加入Google。第一个项目与“酷”毫无关系:自动化广告审核流程。具体来说,就是写规则判断广告文案里能不能用感叹号,是否包含成人内容。听起来甚至有些枯燥。但这个痛点每天卡住5000万美元的广告收入,人工审核团队已经无法应付。他和团队做的工具上线后,直接帮Google每年节省近10亿美元。这个项目让他获得了Google创始人奖。
Kevin说,从那一刻他才真正理解:人生不是从“做最复杂的技术”开始,而是从“放弃那些只有自己感兴趣的技术”开始。这也是他日后在LinkedIn、Greylock以及微软反复强调的原则:先看这件事是否可能产生规模化的正面影响,再看技术本身是否有挑战性。
20年前,Kevin面临的是学术界与工业界的二选一,路径清晰。而今天AI创业者的决策环境要混乱得多。
模型推理成本急剧下降,开源框架让入局门槛几乎为零。这是好事,但也导致“噪音”的供给量指数级增加。
Kevin对“噪音”有一个精确的定义:一切看起来像正反馈、但与你的产品是否有人愿意付费无关的信息。
这种噪音背后各自有其动力机制:
这些信号和“用户是否愿意持续使用你的产品”之间,几乎不存在因果关系。更糟糕的是,噪音具有极强的传染性。
一条产品推文获得上千点赞,一篇项目复盘登上科技媒体头条,连续三家一线基金表达了投资意向……这些时刻会形成强烈的心理奖励,让创始人误以为方向得到了验证。但Kevin提醒:你可能只是成为了某种传播周期中的素材,而不是创造了一个真正被需要的工具。
于是出现了一种普遍现象:大量AI创业团队在BP第一页写上“我们是AI时代的Salesforce”“我们是模型层的Shopify”。这些概念容易讲,也容易让听者点头,但很难转化为每日活跃用户。
Kevin给出一个极简的判断框架:区分“你希望它发生的事”和“无论你做不做它都会发生的事”。真正的创业机会,几乎都藏在后者里。
2022年11月ChatGPT上线时,使用的核心模型是InstructGPT,一个已经发布超过9个月的模型。整个AI圈都见过它,包括Kevin自己。“我们所有人都没预料到它会成为历史上用户增长最快的消费级应用。”他说。
那么,为什么偏偏是ChatGPT?
因为当时几乎所有实验室都在追逐同一个信号:更大的模型、更长的上下文、更难的数据集。这些指标容易刊登在arXiv上,也容易在推特上引发讨论。但它们是噪音。
OpenAI当时关注的是另一类信号:
——一个从未学过编程的人,能否在五分钟内与AI自然对话?
——交互方式能否从“指令行”进化为“对话”?
——它能不能被嵌入到写邮件、列提纲、头脑风暴这些日常任务中?
这些都不是学术会议会收录的贡献。ChatGPT的工程改动清单在研究者看来甚至不值一提:一个强化学习反馈调优层,一个文本框,一个流式输出接口。但就是这个组合,让AI第一次跨越了“专业工具”和“大众消费品”之间的鸿沟。
Kevin在对话中说得非常直白:“它不是我们见过最强壮的模型,但它是第一个不再要求用户迁就机器缺陷的产品。”
从这个案例中,他抽象出此类机会的三个特征:
1. 底层技术能力已经成熟到可以解决某个具体问题;
2. 但主流玩家都认为这个问题“太简单”“没有论文点”“不值得投入”;
3. 一旦有团队把它做出来,用户会立刻意识到“这就是我想要的”。
这类机会不会出现在Gartner曲线的顶峰,也很难写出万字商业计划书,但它们往往能打开全新的市场。
Kevin结合自己20年的技术投资经验,给出了三个可落地的信号筛选方法。
方法1:测量“能力-使用”缺口
他说:“现在AI最大的瓶颈已经不是模型能力,而是应用设计能力。” 大部分企业级用户和个人用户并不知道当前的大模型能帮自己做什么,或者尝试几次后就因为体验摩擦放弃了。
他举了长期记忆的例子。几乎每个用过ChatGPT的人都会抱怨:它记不住上周讨论过的项目背景,每次都要重新复述,像个每次见面都忘了你是谁的人。技术上解决这个问题难吗?不难。一个简单的向量缓存层、定期的对话摘要写入、或者长期记忆微调,都能大幅改善体验。
但几乎没有团队把这件事作为核心产品方向。为什么?因为它不够“性感”,发不了论文,也吸引不了媒体专访。而Kevin认为:这恰恰是今天最真实的信号——用户已经在支付成本(反复解释),而技术已经能够消除这个成本,中间缺的只是执行。
方法2:绘制“注意力分配”地图
如果你发现某个方向同时被顶级媒体、头部VC、大厂研究院列为重点,那么对于创业公司来说,它大概率是“噪音”而非信号。不是因为方向错了,而是因为资源密度过高,新进入者的成功率极低。
Kevin建议创业者去看那些“所有人都觉得很重要,但没有人愿意亲手做”的事。20年前他做的广告审核自动化就是如此——Google内部没人想做,因为它不属于核心搜索业务,也不属于前沿创新,只是堆积如山的运营脏活。但正是这样的领域,竞争最少,边际价值最高。
方法3:用“不完美原型”取代“完美路演”
今天的开发工具链已经让原型成本降至历史最低。一个开发者周末两天就可以做出一个具备记忆能力的聊天界面,再用一个工作日对接Slack或飞书API,周一就能让真实的种子用户用上。
Kevin反复强调:“现在稀缺的不是想法,是动手把想法变成可测试实体的意愿。”
他鼓励创业者放弃在PPT里打磨未来十二个月的宏伟蓝图,而是用三天时间交付一个只解决一个痛点、界面粗糙、但用户真的能点开的工具。因为只有用户的实际点击、停留时长、重复使用,才是无法伪造的信号。
现在是AI应用创业最好的时间窗口。模型层的能力仍在快速迭代,但应用层的“空白支票”正在一张张兑现。关键在于:你是选择追逐那些容易传播、也容易消散的热词,还是选择潜入水下,去打捞那些沉默但庞大的需求?
对话接近尾声时,主持人问Kevin Scott,你追求快乐吗?他想了想说:不,我追求做有意义的事。因为意义会带来持久的正反馈,而快乐往往是短暂的噪音。
20年前,Kevin只需要在一个稳定但不直接创造价值的系统,和一个混乱但能看见真实影响的系统之间做选择。今天的创业者面对的不是二元选择,而是一片混合了真实需求和虚火泡沫的复杂海域。
Kevin提供的方法并不玄妙:不要试图用战略推演去过滤世界,而是用手去触碰它。做一个最小的东西,把它交给用户,然后观察。用户会告诉你哪些是信号,哪些只是回音。
模型能力越强,工具成本越低,识别信号的权重就越高。
找对信号,比找对方向更重要——因为在足够清晰的信号指引下,方向自然会浮现。
参考资料:
https://www.youtube.com/watch?v=Vut9hUEKyfk&t=10s
https://news.microsoft.com/signal/articles/5-ai-insights-from-microsoft-cto-kevin-scott/
https://www.linkedin.com/posts/adityaagarwal3_what-did-kevin-scott-see-that-others-didnt-activity-7407467737867784193-0DGC
https://podcasts.apple.com/ie/podcast/minus-one/id1759014294
来源:官方媒体/网络新闻
本文由主机测评网于2026-02-13发表在主机测评网_免费VPS_免费云服务器_免费独立服务器,如有疑问,请联系我们。
本文链接:https://www.vpshk.cn/20260225023.html