跳转至

Nikesh Arora 20VC 访谈：Token 定价、FDE、SaaS→AI 转型与记忆护城河

📊 Level ⭐⭐⭐⭐ | 12.6KB

→ 原文存档

摘要

Palo Alto Networks CEO Nikesh Arora 做客 20VC 播客，深入讨论 AI 行业的核心经济与战略议题。本文提炼六大主题：Token 定价趋势、FDE 的本质、SaaS→AI 应用转型、记忆/上下文作为护城河、分化模型世界、以及 AI 对网络安全的影响。

核心观点

1. Token 定价：长期将降至今天的十分之一

Arora 认为长期的 token 定价应该只有今天的十分之一，主要在接下来 3-5 年内实现。当前 token 价格高昂的原因是前沿模型公司处于"价值最大化"阶段——以万亿美元估值融资，必须通过定价策略展示盈利潜力。

"长期的 token 定价应该只有今天的十分之一。" — Nikesh Arora

他认为 90% 的 AI 使用场景根本不需要前沿模型，两年前的模型已足够应付大多数查询。当前算力成本比两年前贵 2-3 倍，算力严重短缺。

2. 模型能力严重过剩

消费者对模型误报（false positive）高度容忍，因为始终有人类在中间做判断。企业端对误报容忍度必须为零——尤其是智能体自主决策场景。Arora 以 Waymo 为例：为了用一个 AI 驱动的智能体有效取代人类司机，需要花费数百亿美元进行极端情况训练。

3. FDE（前线部署工程师）是产品不成熟的代名词

"FDE 在当下其实是『产品还没有完全成熟』的一种代名词。" — Nikesh Arora

他认为将 AI 真正用于企业也不过 12 个月，产品还没有定型。真正的 FDE 不是技术销售顾问，而是能把客户现场的代码带回来、反馈到核心产品中的人。短期内 FDE 是必需的，但随着产品成熟，其必要性会下降。

4. SaaS 应用将让位于 AI 应用

核心论断：SaaS 应用没有观点，AI 应用将拥有观点并表达观点。

AI 应用会主动说 "你的文案写得太烂了，跟品牌调性不符，这是我的修改建议"——这让普通员工变得比现在聪明得多，也意味着从事一般行政管理类活动的人员可能在三年内减少一半。

5. 记忆与上下文是前沿模型的终极护城河

Arora 认为前沿模型公司正积极把"记忆"和"上下文"融入模型——一旦为每个用户建立起个性化上下文，就会产生粘性，形成护城河。但这可能带来"双重付费"问题：用户必须在模型级和应用级各付一次费。

"价值将由前沿模型与企业应用中所创造的'上下文'共同分享。" — Nikesh Arora

6. 分化模型割据的世界

物理 AI 不会像通用前沿模型那么简单——没有消费级的通用场景。未来的模型向深度垂直发展，整个世界将变成一个由分化模型割据的世界，需要有智能的编排层来选择最合适的模型。

7. 网络安全视角：Mythos 是催化剂而非威胁

Mythos（Anthropic 的代码生成模型）暴露漏洞的速度远快于人类（6 周 vs 5-6 年的人工审查）。对企业来说，这创造了提升自身网络安全态势的紧迫感，对网络安全公司总体是好事。网络防御的本质：大门口防御 + 内部 AI 入侵检测。

关键引用

主题 原话
Token 定价 "长期的 token 定价应该只有今天的十分之一。"
模型能力 "从能力上来说，模型的发展严重过剩了。"
FDE "FDE 在当下其实是'产品还没有完全成熟'的一种代名词。"
SaaS vs AI "SaaS 应用没有观点，而 AI 应用将拥有观点。"
AI 转型方式 "你必须采取特斯拉的方式……而不是传统汽车制造商那样进行'AI 洗白'。"
人才结构 "从事一般行政管理类活动的人员可能会减少一半。"

深度分析

Token 经济学的价格轨迹：稀缺溢价 → 效率回归 → 消耗暴涨

Arora 的"十分之一定价"论断不能孤立地读成"降价预测"，它实际刻画了一条三段式的价格轨迹。第一段是当下的稀缺溢价：算力短缺使成本比两年前贵 2-4 倍，而全球数十亿消费者的免费查询吞噬了约一半算力却不产生收入，这部分亏损压力被转嫁到企业端（编程等场景），token 因此成为前沿模型公司"价值最大化"阶段唯一的定价杠杆。第二段是效率回归：高价本身是催化剂——每一位技术专家都在琢磨如何让内存和算力被更高效利用，加上 90% 的使用场景根本不需要前沿模型，价格在 3-5 年内向成本曲线回归。第三段最容易被忽略：价格下降的终点不是"更便宜的现状"，而是消耗量的数量级放大——一旦单价降至十分之一，token 消耗可能远超十倍增长，正如 Arora 强调"未来 10 年需要的算力规模依然是巨大的"。这与 上下文窗口经济学 的核心命题一致：token 的价值逻辑不是单位成本最小化，而是单位智能产出的最大化。

更深一层，Arora 对广告变现的否定揭示了消费端 AI 商业模式的真正出路。他在 Google 的经验告诉他广告大盘年增速仅 3-5%，线上已分走 60-70%，AI 广告收入只能从存量里抢。他押注的是"交易收入"：消费品标价中 92% 是分销与营销成本、平均转化率仅 1.5-2%，AI 凭借记忆与上下文将转化率推高后，传统营销预算会以交易佣金形式流入 AI。这实质上是在说：消费端 AI 的终局不是媒体生意，而是渠道生意。

FDE 争论的第三条路径：从"交付成本"到"需求管道"

20VC 圈内关于 FDE 有两种对立叙事——Factory CEO 的"需要 FDE 说明产品烂"与"没有 FDE 无法完成企业 AI 采用"。Arora 给出了第三种框架：FDE 是产品成熟度的时间函数，而非商业模式的永久特征。企业 AI 才 12 个月历史，产品未定型、未经过大企业真实需求的检验，FDE 本质上是"把产品开发前置到客户现场"。这个框架的关键推论是他给出的判别标准：只在客户现场做定制、引导消耗的是技术销售顾问；能把客户现场的代码带回核心产品的人才是真正的 FDE。换言之，FDE 的健康形态是一个双向通道——向客户输出交付，向产品端回流需求信号。随着产品在 12-24 个月内被市场检验并定型，FDE 的交付职能会萎缩，但"现场需求回流"的职能反而会固化成产品的进化机制。这与 FDE 潮流 和 腾讯 FDE 圆桌 中的讨论形成对照：前者关注 FDE 作为商业现象的扩张，Arora 则预言了它的形态收敛。对照 IBM 的 Forward Deployed Units，可以看到不同体量的公司在同一阶段做了相同的组织选择，但 Arora 提醒这更像是行业幼年期的过渡态而非终局。

记忆与上下文的双重博弈：模型侧护城河 vs 编排层主权

Arora 关于"记忆即护城河"的论述有两个常被忽略的推论。第一，护城河的方向是"围绕消耗构建记忆"——不是更大的上下文窗口，而是模型记住用户过去 30/60/90 天的交互，从而在回答新问题时默认融合全部历史理解。这意味着护城河随使用时长复利式加深，后来者无法靠单点能力追赶，这与 Agent 记忆架构 中记忆作为持续资产而非静态存储的定位相呼应。第二，也是更尖锐的架构问题：记忆和上下文究竟存在编排层还是前沿模型里？Arora 的判断是模型公司会主动吞噬这一层，因为编排层公司在资金实力上无法与之抗衡，最终用户被迫"对某个模型梭哈"——模型中立性在这个分化模型的世界里可能是幻觉。对企业而言，这把"双重付费"（模型级 + 应用级各付一次记忆成本）从成本问题升级成了架构主权问题：你把组织最私密的上下文沉淀在哪里，就等于把议价权交给了谁。

网络安全的攻防重构：从边界防御到 AI 原生的内外双层

Mythos 案例的真正含义不是"AI 会找漏洞"，而是漏洞发现速度的数量级跃迁——6 周 vs 人工 5-6 年。这把安全行业的时间常数压缩了约 50 倍，防守方的补丁节奏被迫从"季度级"进入"天级"。Arora 的防御框架仍是经典双层：门口拦截（1.5 亿传感器构成的边界）+ 内部入侵检测（对已渗透者的定位与驱逐），但他明确指出内部那一半"是纯粹的 AI 任务"——需要在企业内部为入侵行为构建上下文和智能，这与 AI 安全全景 中从静态规则走向上下文感知检测的趋势一致。同时他对模型越狱的判断值得记录：护栏脆弱不是治理危机而是"简单的技术问题"，应把它当作真正的工程难题去解，而非寄望政府干预一步到位。对企业决策者的含义是：AI 既是攻击面的放大器，也是修复紧迫性的闹钟——"AI 洗白"式企业（往现有流程塞一点 AI）与"特斯拉式"重构企业在下一轮攻击浪潮中的存活概率会显著分化。

实践启示

  1. 按"任务-模型匹配"采购 token，而非按"最新-最强"采购：90% 的场景用两年前的模型即可胜任，建立分级模型路由（前沿模型只留给零误报容忍的关键决策），在价格向十分之一回归前把成本结构设计成对降价免疫。
  2. 用"FDE 回流判据"审计 AI 供应商：要求供应商证明 FDE 的产出会回流进标准产品，而非沉淀为一次性定制；若无法给出回流案例，说明其产品成熟度不足且你正在替它支付研发成本。
  3. 把记忆/上下文的存放位置当作架构决策而非功能选型：在采用任何带"记忆"的模型或应用前，先回答组织上下文的沉淀层归属（模型侧 vs 应用侧 vs 自持编排层），并评估未来被单一模型锁定的迁移成本——这正是 企业 AI 采用 中最容易被跳过的一步。
  4. 以误报容忍度为工作流分类标尺：有人类在环的场景可大胆使用高误报的前沿模型换取广度；将自主执行的智能体场景（类 Waymo）圈出来，按零误报标准配置极端情况训练与专有数据投入，两类场景不要共用同一套验收标准。
  5. 按"特斯拉模式"推进内部 AI 化：在核心工作流上做渐进但真实的自动化扩展，每一步都有已交付的自主能力背书；警惕"AI 洗白"——往边缘流程塞 AI 聊天助手不构成转型，只构成风险敞口。
  6. 把安全修复节奏从季度级压缩到天级：假设攻击者已拥有 6 周全量漏洞发现能力，用 AI 对自有基础设施做同等速度的红队扫描，将"提升网络安全态势"从年度合规项目改为持续性工程，并同步排查开源模型的供应链后门风险。

与现有知识的关系