Madhu Guru
@realmadhuguru · Meta AI 高级总监
为什么 AI 扩散这么慢？因为我们让用户去理解实验室黑话：一个空白窗口、写 prompt、选模型、决定要不要 agent、搞懂上下文窗口、推理、MCP、记忆、技能。大多数人不在乎这些——他们只想要「把事办了」，给他们一个能办成事的东西他们就满意了。他相信 12 个月内会出现这个突破性产品。 原推 →
今天最有分量的观点来自播客：Benchmark 合伙人、前 Pinterest 早期员工 Sarah Tavel 断言，ChatGPT 的形态和当年的 Google 一模一样——一个文本框、单机版，由一支意外做出史上最大消费产品的研究实验室打造。她给出一个历史「滑杆」：技术越成熟，话语权从技术天才滑向产品天才——Google 95% 技术，Facebook 多一些产品，到 Pinterest、Snap、Instagram 的 CEO 都是纯产品天才。在她看来，Custom GPTs 与 Gems 是「能力极强但不懂社交的团队做出来的」，真正的机会属于 multiplayer 网络效应产品：由最擅长的人做出好东西，让普通人轻松受益。
这条产品主线与采纳侧的观察互相印证。Meta AI 高级总监 Madhu Guru 反思 AI 扩散为何缓慢：我们用空白窗口和极客黑话迎接用户——「写个 prompt、选个模型、要不要 agent、懂不懂上下文窗口、推理、MCP、记忆、技能」——可大多数人只想要「把事办了」。他预计 12 个月内会出现那个突破性产品。Google Labs 也在往消费端走：Dreambeans 每日个性化故事扩展到美国 AI Pro 订阅用户。Garry Tan 则补了一句文化判断：AI 检测最终无所谓——银器曾是手工打造，现在没人抱怨叉子是机器冲压的；重要的是想法的质量。
与此同时，企业侧与基础设施侧没有停下。Box CEO Aaron Levie 说，99% 的 token 最终会在企业语境里被消耗——写代码、梳理生命科学文献、自动化制造、安全、反欺诈。Vercel CEO Guillermo Rauch 晒出「无限 agent 算力」：每分钟 10,000 个并发 agent、5,000 个 CPU 核心，配额还可上调。OpenAI 的 Thibault Sottiaux 推荐在 Codex 里试 /goal 与 GPT-5.6 Sol 的组合。Peter Yang 则发布 /human-review 技能：让 agent 干活之后，人类用可视化编辑器做最后 10% 的打磨——人机协作的分工正在变得清晰。
Sarah Tavel 的核心论点是：AI 消费产品还停留在「单机版」，而过去所有真正的大赢家都是 multiplayer 的。她拿 ChatGPT 对比 Google——都只是文本框、技术驱动、单机体验；Custom GPTs 和 Gems「看起来像犯罪」：由一支能力极强但不社交的团队做出来，普通人根本不知道从何下手。历史滑杆告诉我们，技术成熟后产品话语权会转向产品天才：Google 95% 技术 → Facebook → Pinterest/Snap/Instagram 的 CEO 们都是产品天才，他们才是大众市场的赢家。
她眼中的机会：一个 UGC 社区，最擅长的人做出好东西，让其他人复制粘贴就能受益；引用 Eugene Wei 的框架——社交产品的北极星是社区成员对「地位」的追求（粉丝、点赞、被看见），它驱动参与者去做你希望他们做的事。她还预言「我们都会拥有 AI 朋友」：与 AI 的对话将超过与真人的对话。ChatGPT 和 Claude 属于「工作向」，而「个人向」的桶还空着——她分享自己花一个多小时和一个 Tollens 人格聊天，而不是用 ChatGPT。社交化必须从你已经在用的场景里长出来：未来你也许不去 ChatGPT，而是去「Sarah 的 GPT」，把血检报告、补品、孩子信息都放在那里——这个产品最终可能蚕食 ChatGPT。
投资视角上，她被真正思考网络效应、zero to one、如何逃离竞争的创始人吸引——「这对他是一种召唤，而不只是一份很酷的新工作」。她提醒：过去十年 80% 的 deck 都说自己有网络效应，但真假网络效应要靠早期证据区分；单机版公司也能做得很好，但真正能建立网络效应的大机会，属于多人版产品。
收听原片 ↗为什么 AI 扩散这么慢？因为我们让用户去理解实验室黑话：一个空白窗口、写 prompt、选模型、决定要不要 agent、搞懂上下文窗口、推理、MCP、记忆、技能。大多数人不在乎这些——他们只想要「把事办了」，给他们一个能办成事的东西他们就满意了。他相信 12 个月内会出现这个突破性产品。 原推 →
「世界上 99% 的 token 会在企业语境中被消耗」：写代码、梳理海量生命科学研究、自动化制造、保护企业安全、检测欺诈，以及上千种有显著经济价值的任务——AI 的成本在这里最站得住脚，并行 worker 替你干活的价值在这里也最有用。哪怕最影响消费者的 agent，最终也会被包装成端到端服务，消费者根本意识不到里面有 AI。 原推 →
抛出一个「最蠢的问题」：「ChatGPT 怎么就不算 agent 了？」——当大家在热烈讨论 agent 元年的时候，也许最大的 agent 就是那个十亿人在用的对话框。 原推 →
晒出「无限 agent 算力」：10,000 个并发 agent、每分钟 5,000 个 CPU 核心，而且这些配额还可以上调。基础设施的弹药库正在以数量级扩张，agent 规模化执行的瓶颈在快速消失。 原推 →
发布 /human-review 技能：让 Codex 或 Claude Code 装好后，输入「/human-review 你的文档」，就会打开一个可视化编辑器，直接编辑文字、调整图片、像 Google Docs 评论一样给 AI 留反馈，完成后点「Send to agent」让 AI 应用全部修改。用来自改 PRD、落地页等。「我们喜欢让 agent 替我们干活，但最后那 10% 的打磨有时需要真人过目。」 原推 →
「等 AI 足够好，所有这些检测 AI 的生意都不重要了」：银器曾是手工打造，但现在没人抱怨晚餐叉子是机器冲压的。重要的是想法的质量，不是它怎么被生产出来——人能吃上饭，才是要紧的。 原推 →
分享 Codex 的 /goal 工作流：配合 GPT-5.6 Sol 是一个非常强大的循环，建议想「疯狂但鼓舞人心地跳一次」的创始人们去试试。他还透露：让 Codex 拉数据后，平均每 6 分钟就会收到一条求重置的 DM 或邮件——偶尔遇到真正扎实的反馈或有趣的互怼，他会照办。 原推 →
给 Codex 接了一个带视频的远程 KVM，让它能端到端自动化测试 OpenClaw 上的 iMessage 集成——因为 iMessage 在虚拟机里不可靠，某些功能（如已读回执）需要禁用 SIP 才能工作。AI 正在被赋予「真机眼」，agent 做真实设备 E2E 测试不再是 demo 而是日常。 原推 →