「模型無關」的AI平台，為何敢賭沒有任何單一實驗室能贏？
📋 Brief
這支影片訪問了 Dust 的創辦人 Stan，他從 OpenAI 離開後，創立了一個與頂尖 AI 實驗室「並肩同行」的協作平台。他分享了在巨人陰影下打造產品的獨特策略——堅持「模型無關」、專注協作場景，以及如何在法國而不是矽谷建立一家 AI 公司。
⏱️ 內容分段導航
| 時間段 | 充容摘要 |
|---|---|
| 00:00 - 01:09 | 主持人介紹嘉賓 Stan 及其背景：從 Stripe 到 OpenAI。 |
| 01:09 - 02:57 | Stan 講述離開 OpenAI 的原因：從研究轉向產品構建。 |
| 02:57 - 05:08 | Stan 介紹 Dust 的初衷：將 LLM 應用於工作場所，並預測未來工作型態的改變。 |
| 05:08 - 07:01 | 反思 Dust 對 AI 影響工作的判斷：哪些猜對了，哪些猜錯了（模型能力並未 plateau）。 |
| 07:01 - 09:37 | 談論在 OpenAI、Anthropic 等巨頭旁生存的策略：選擇做水平平台而非垂直應用。 |
| 09:37 - 10:49 | 核心差異化：Dust 為何堅持「模型無關」，並用能源供應商做比喻。 |
| 10:49 - 12:55 | 巨頭如何影響創投市場：資金被實驗室吸走，但未來上市可能帶來流動性。 |
| 12:55 - 15:11 | 公司建構哲學：為何在熱錢時代選擇「少融資」，以及與 Mistral 的對比。 |
| 15:11 - 16:37 | 選擇在法國而非矽谷創業的考量與 Trade-off。 |
| 16:37 - 17:58 | 當巨頭開始進攻垂直領域時，垂直型公司的護城河在哪裡？ |
📖 詳細內容
01｜從 OpenAI 的「研究 PhD」畢業
核心觀點： Stan 離開 OpenAI 並非不認同其價值，而是他個人更渴望回到「建構產品」的節奏中。他將在 OpenAI 的三年研究生涯比作一場補上的 PhD，享受過程，但最終想回到能直接打造東西的狀態。
重要原話：
「研究是個很特別的鍛鍊。你可能花好幾週或好幾個月在表面刮啊刮，然後終於發現有趣的東西，讓你超級興奮，但那感覺只持續 5 秒鐘。之後你就得開始繼續刮了。」
（原文：When you do research it's really uh you know you're scratching a surface for weeks or months and then you find something interesting gets you like super high super high but it lasts for 5 seconds literally 5 seconds and after 5 seconds you're like oh yeah that was a you keep scratching again.）
個人感受： 我覺得這段描述超真實。那種「5 秒鐘的高峰」體驗，很多做研發或深度工作的人都會有共鳴。這也讓我想到，有些人天生就適合在無人區探索，有些人則更享受把東西做出來、給人用的過程，這沒什麼好壞，只是本質不同。
延伸思考： 這引出一個問題：頂尖的技術研究人才和頂尖的產品人才，所需的環境和動力結構是完全不同的。公司該如何同時滿足這兩種人？
可參考的行動： 回顧你最近一個讓你感到興奮的工作成就，想想那份興奮感持續了多久？這或許能幫助你判斷自己更適合研究探索，還是產品建構。
02｜工作將「不像工作」
核心觀點： 對於 AI 如何改變未來工作，Stan 的看法很宏觀。他認為就像我們的曾祖父母看我們整天坐在螢幕前會覺得「這哪算工作」，兩三年後我們回看現在，也會覺得「這哪算工作」。工作會持續存在，但其形式和感受會徹底改變。
重要原話：
「我們的曾祖父母如果看到我們今天這樣，他們會說：『你們整天坐在椅子上看著螢幕，這不是工作。』所以兩三年後，我們現在的工作會看起來不像工作。」
（原文：if you think about our great grandparents um walk was mostly physical... and if they were looking at us today they would be like you're not working here you're just sitting in a chair looking at a screen all day chilling around that's not work）
個人感受： 這個類比讓我有點毛骨悚然但又很期待。我現在每天盯著螢幕敲鍵盤，在未來的人看來，可能就像我們看古代人整天磨穀子一樣原始。這不是科幻，是正在發生的演進。
延伸思考： 如果「工作」的定義在改變，那麼我們評價一個人「工作努不努力」的標準，是否也該跟著更新？或許未來價值會更純粹地導向「產出」和「創造」。
可參考的行動： 觀察你工作中哪些「重複性」或「資訊搬運」性質的任務，開始思考這些任務被 AI 工具取代或輔助後，你多出來的時間和精力可以用來做什麼更有創造性的事。
03｜在巨人旁，選擇做「模型無關」的平台
核心觀點： 面對 OpenAI、Anthropic 這些巨頭，Dust 的生存策略是做一個「模型無關」的水平協作平台。這意味著用戶可以根據需求，自由切換和組合不同的 AI 模型，而不是被綁定在某一家實驗室的技術上。
重要原話：
「如果你要在同一個地方買你的產品和 token（運算代幣），就好像你在建一座工廠，機器只能從你的能源供應商那裡買，而且那個插頭只適合那家供應商。如果你的能源是俄羅斯天然氣，你現在就處境不妙了，也沒辦法接上法國的核電。這完全說不通。」
（原文：If you think about buying your product and your tokens uh at the same place, it's like if you were uh building a plant with machines in there and you would buy the machines from the energy provider and the plug would only work with one energy provider...）
個人感受： 這個能源供應的比喻一針見血。把 AI 模型當成基礎設施，而不是最終產品，這是一個很關鍵的思維轉變。對企業用戶來說，被單一模型供應商綁死，確實像把工廠的電線接死在一家電力公司上，風險太高了。
延伸思考： 「模型無關」是否會成為所有 AI 應用層公司的標準配備？這會不會最終反過來，逼得模型實驗室必須開放更多生態，才能吸引開發者？
可參考的行動： 在評估或採購任何 AI 解決方案時，主動詢問供應商：「如果未來我想換用另一家更好的模型，遷移成本有多高？」這個問題能幫你過濾掉很多看似強大但封閉的系統。
04｜少融資，是一種紀律
核心觀點： 在熱錢湧入 AI 領域的時期，Dust 選擇了相對保守的融資策略（種子輪僅融資 500 萬美元）。Stan 認為，過度融資會讓公司進入「棺材角」，如果不能兌現融資時的高預期，後果會很嚴重。他們堅持「沒有 PMF（產品市場契合）之前，不買 GPU」。
重要原話：
「如果你融了太多錢，卻沒有兌現那些錢應有的潛力，你就會掉進一個『棺材角』，唯一的結果就是被迫進行 down round（降估值融資）。」
（原文：there is a true coffin corner for companies if you raise too much and do not kind of realize the potential of the money you raised, you end up in a coffin corner where the only outcome is a done run and downturn）
個人感受： 「No GPU before PMF」 這句口號我記住了。在當下這個到處都在燒錢訓練模型的氛圍裡，能擋住這種誘惑，需要很強的定力。這不是小氣，是對自己產品階段的清醒認知。
延伸思考： 這其實反映了一種更深層的自信：我相信我的產品能力，而不僅僅是我的技術或資本優勢。這種自信在泡沫期尤其難得。
可參考的行動： 如果你正在進行一個專案或創業，在制定預算時，問自己一個問題：「這筆開銷，是為了讓產品更好，還是為了讓看起來更厲害？」專注於前者。
05｜當巨頭來搶你的垂直賽道
核心觀點： Stan 觀察到，早期 AI 模型不夠好時，垂直型應用（如法律 AI）需要圍繞模型搭建很多腳手架，這形成了優勢。但隨著模型本身越來越聰明，這層「腳手架價值」會消失。垂直公司的新護城河，必須轉向建立網路效應。
重要原話：
「垂直化的巨大優勢在於行銷簡便。但當模型變得更好，因為模型不好而需要搭建的額外價值就消失了。所以，垂直型產品的價值，將取決於它們能否在垂直領域內建立某種網路效應。」
（原文：verticalized great advantage in terms of go to market being verticalized made a ton of sense because the models were not that good and so you had to build a little bit of scaffolding around that to make them useful. that second value just disappears as the models are getting better.）
個人感受： 這對所有做 AI 應用的公司都是個警鐘。如果你的核心價值只是「我比通用模型更懂法律」，那這個優勢的半衰期可能很短。真正的護城河，是你的產品能不能讓使用者之間產生連結，形成一個別人進不來的生態。
延伸思考： 這是否意味著，未來 AI 應用的競爭，會從「誰的模型微調得更好」轉向「誰的社群和數據飛輪轉得更快」？
可參考的行動： 審視你目前使用的 AI 工具，思考哪一個最可能被基礎模型本身的功能取代？哪一個則因為你已經在上面積累了數據、關係或工作流，而讓你難以離開？後者才是更值得投入的方向。
💎 精華收穫
這支影片最核心的價值在於揭示了一種務實的 AI 創業哲學：不與巨人正面拼模型，而是在他們創造的基礎設施上，用「模型無關」的靈活性和對協作場景的深刻理解，去建造一個更難被單點突破的產品生態。 在技術狂潮中，保持對產品本質（PMF）的專注和融資紀律，是比追逐最新模型更重要的事。
由 PotatoLearning Hub 自动生成