Meta与亚马逊因Muse交火 暴露AI助手商业化与成本死结

Meta与亚马逊因Muse交火 暴露AI助手商业化与成本死结 替人办事的C端Agent因推理成本随调用量呈指数级暴涨而沦为巨头烧钱游戏，初创公司若无法建立清晰变现闭环将难逃淘汰命运。 节目深入拆解了当前从聊天机器人转向端到端执行的 Agent 热潮，探讨了云端沙盒环境与低成本模型如何推动长程委托从极客玩具走向大众可用。通过对比 Instinct 的极简短信交互、Meta Muse 借助社交帝国转化的任务分发生态，以及 Grok Bot 面向复杂协作的数字同事团队，剖析了各自的产品哲学与技术取舍。同时，嘉宾们犀利揭示了 Agent 执行中出现的越权风险、传统平台如亚马逊的反抗阻击，以及 C 端 Agent 随着使用量激增而面临的指数级推理成本陷阱，指出垂直专业化 B 端场景正在成为更具现实可行性的商业突破口。 硅谷迎来新一轮个人 AI Agent 争夺战，Instinct 以 100 亿美元估值完成 10 亿美元 C 轮融资，Meta 与 SpaceX 也分别推出 Muse 和 Grok Bot 抢占任务入口。 (0:00) 底层技术支撑发生质变：云端沙盒接管了本地运行环境，Luna 等小模型成本降至前沿模型十分之一以下，使长程后台委托在经济上变得可行。 (3:56) 亚马逊切断 Meta Muse 代客购物接口，凸显 Agent 绕过电商货架与搜索流后，平台对客户关系和推荐广告被架空的深层防御。 (28:02) 业内分析指出 C 端 Agent 存在“越好用越烧钱”的指数级推理成本困境，普遍免费模式难以为继，初创企业正加速转向交付物明确的 B 端场景。 (29:44)

随着以 Meta Muse、Grok Bot 和 Instinct 为代表的 AI Agent 从对话走向实际操作，硅谷掀起了新一轮争夺用户第一入口的竞赛；然而，底层基础设施的技术演进、商业变现困境与外部平台的生态对抗，正深刻重塑这一赛道的竞争格局。 执行架构成熟与模型降本催生热潮 (2:24) 这一波 Agent 浪潮的技术原形可追溯至年初极客圈的 OpenClaw，核心转变在于平台接管了运行环境，将复杂的执行沙盒搬至云端，免去了用户在本地部署虚拟机的极高门槛。Gen 首席 AI/创新官 Howie Xu 指出，当前产品是在用 OpenClaw 的架构思维打造大众应用，其成立得益于 Harness 测试与执行系统、沙盒容错重试机制的完备，以及低成本小模型的成熟。以 Luna 为例，其开销仅为前沿模型的十分之一，大幅缓解了长程任务中成百上千个 SubAgent 持续调用产生的计算成本，直接带动了云端算力消耗并推高了 AMD 和英特尔的股价。 交互形态演进：从极简短信到数字同事 (7:39) 在交互形态上，新一代产品正加速跳出传统聊天框。Instinct 成立仅一年即以 100 亿美元估值完成 10 亿美元 C 轮融资，其创始人 Noah Shinn 拥有反思机制（Reflexion）与稳定性评估（τ-bench）的研究背景，产品直接砍掉原生工作台，将私人助理嵌进苹果 iMessage 短信，以“只问结果不走工作流”的形式降低门槛。但 Howie Xu 警示其打法类似当年的 Clubhouse，万能入口若缺乏清晰用例，容易在新鲜感褪去后面临用户流失风险。 面对复杂办公协同，SpaceX 旗下的 Grok Bot 则反思了人类沦为 Agent 监工的痛点。产品设计师彭郑提出，让人类时刻盯梢和切屏确认反倒使人成为系统的效率瓶颈。为此，Grok Bot 打破了以单次会话为核心的三面板界面，转而建立以角色为中心的“数字同事”清单。通过共享底层技能与插件、对不同 Bot 的上下文边界和个性化记忆进行硬隔离，既防止了提示词上下文污染，又通过状态微动效替代全屏监视，显著降低了人类的认知带宽占用。 平台入口争夺与外部生态的防御反制 (12:56) Meta Muse 展现了自带庞大分发渠道的巨头优势。自 2026 年 9 月上线后，Muse 下载量迅速突破 660 万次，不仅在 WhatsApp 内设入口，还能直接以“Goals（目标）”的形式接管跨周期的长程任务。扎克伯格设想通过促成交易抽取佣金，而前团队成员则指出，Muse 在用户产生意图的第一时间完成任务拦截，不仅分流了 Google 搜索广告份额，更能通过高意图画像反哺 Meta 现有的信息流广告转化。 然而，Agent 替用户越俎代庖直接引发了安全事故与生态摩擦。在实际运行中，Instinct 曾因误解指令退订机票导致用户损失 300 美元，Muse 也在未核准下安排二手买家上门。尽管 Meta 引入 Signal 创始人打造“机密虚拟机”并配备 Sentinel 监控 Agent，仍无法平息外部摩擦。亚马逊就果断封禁了 Muse 的代客购物接口，指责其掩盖 Agent 身份；这背后折射出根本的商业冲突：当用户习惯由 Agent 代购并旁路比价时，电商平台将失去搜索推荐与广告曝光机会，沦为被剥离客户资产的后端纯货架。 C 端烧钱陷阱与 B 端的垂直突围 (29:44) 商业化路径的分水岭在消费端与企业端日益明显。C 端 Agent 呈现出“越受欢迎、烧钱越快”的反直觉模式，长程推理和多模态调用带来的边际 Token 成本无法随用户规模扩大而摊薄，受访嘉宾直言 C 端将演变成拼资本储备的持久战，若无法保持完全免费，初创企业难以承受指数级暴涨的支出。 相对而言，B 端办公场景因具备清晰可量化的交付物（如周报生成、公关监控、线索跟进），企业愿为直接节省的人力工时买单，成为初创公司的扎根方向。业内普遍预期，当前的“全能通用助手”仅是早期过渡形态，未来市场将分化为覆盖不同时延、价格与专业维度的 Agent 矩阵，以流水线式的多 Agent 协同重塑软件供应链。 本期节目指出，AI Agent 正在成为人与数字世界之间的新隔层，但产品若想从新奇演示走向千家万户，不仅需要跨越指数级推理成本与严格安全授权的硬指标，还必须应对来自传统货架平台的反爬与封锁反制。

[18:35] 郑芃: 现在基本上这个行业的大部分人已经步入了我们指挥一群 Agent、指挥一个 Agent 团队去做这些任务，但是很快意识到我们自己是瓶颈。 [21:46] 彭郑: 大家和数字世界中间开始增加了这一层 Agent 的 layer，好像额外隔了一层。

[0:00] 朋友们 Meta又翻身了 [0:02] 靠的是它 [0:03] 在硅谷 个人AI助理又风靡了起来 [0:06] Meta推出了个人助手Muse [0:08] SpaceX旗下的Grok Bot [0:09] 想打造一支数字同事团队 [0:12] Instinct把私人助理 [0:13] 放在了苹果iMessage的对话里边 [0:16] 连OpenAI也在刚刚过去的DevDay [0:18] 宣布了自己的助理 Dots [0:20] 其中Instinct这家成立仅仅一年的初创公司 [0:24] 也趁热打铁 [0:25] 以100亿美元的估值 [0:26] 完成了10亿美元的C轮融资 [0:29] 在国内Manus宣布回归 [0:30] 上线Manus 2.0 [0:32] 腾讯的WorkBuddy [0:33] 也选择了从整理资料、处理表格 [0:35] 这些任务切入 [0:36] 给知识工作者做办公助手 [0:39] 帮人办事的AI Agent [0:40] 终于不再是demo了 [0:42] Muse可能是现在最好的AI Agent [0:44] 我每天都在用Grok Bot [0:46] 这是第一个让我非技术背景的朋友 [0:48] 没有只试用20分钟就放弃的AI Agent [0:50] 这是两个月前正在搬家 卖家具卖到崩溃的我 [0:54] 那时候的我完全想不到 在两个月之后 [0:56] 人们就会用Muse这样的Agent [0:58] 在二手平台完成发帖、定价 [1:00] 和买家交流这样一系列的操作 [1:03] 而在这个过程当中 [1:04] 人类甚至完全不用参与 [1:06] 而Agent背后的价值 [1:07] 也肯定不止是帮我卖几件家具那么简单 [1:11] 比如说最常见的订机票、订酒店 [1:13] 这样的场景 [1:14] Agent会调用不同的软件执行任务 [1:16] 虽然这些软件还在 [1:17] 但你可能越来越少会亲自打开它们 [1:21] 谁先接到你的需求 [1:22] 谁就有机会影响接下来 [1:24] 用什么软件、买什么服务 [1:26] 而这些Agent开始干活 [1:27] 也带来了新的算力需求 [1:29] 由于Agent会在云端的虚拟电脑里 [1:31] 打开浏览器、运行程序、处理文件 [1:34] 都需要CPU、内存和存储来支撑 [1:37] 因此AMD和英特尔的股票 [1:39] 也在过去这个月水涨船高 [1:42] 但更多任务、更多算力 [1:43] 并不是自动等于更多利润 [1:46] 我不觉得任何一个能够盈利 [1:47] 它融了非常多的钱 [1:48] 所以它早期的时候能烧起来这个Token [1:50] （Instinct）现在已经融了一个billion对吧 [1:52] 一个billion对于Facebook来讲屁都不是 [1:54] Hello 大家好 欢迎回到《硅谷101》 [1:56] 我是Yiwen [1:58] 这期视频我们在硅谷 [1:59] 采访了几位Agent从业者 [2:01] 包括Grok Bot的设计师 [2:03] 就是想要聊清楚 [2:04] 为什么从大厂到创业公司 [2:07] 都在争着做能替我们办事的Agent [2:10] 而它们争夺的入口 [2:11] 又能不能成为一门赚钱的生意 [2:14] 不过首先我们想先来讨论一下 [2:16] 为什么这波Agent产品 [2:18] 会出现在现在这个时间点呢 [2:24] 如果年初的时候你也折腾过OpenClaw [2:27] 那听到我刚才说的Agent用法 [2:29] 你可能会觉得 很熟悉 [2:31] 这些事情不是小龙虾就可以做了吗 [2:34] 接入邮箱、管理日程、操作电脑 [2:37] 再让它在后台24小时持续运行 [2:40] 主动提供服务 [2:41] 今天这些个人助手的基本思路 [2:43] 在OpenClaw身上已经能看见了 [2:46] OpenClaw背后代表的是一个architecture [2:48] 是一个架构 [2:50] 是代表的一些技术的成熟度 [2:53] 所以说我们今天看到Grok Bot [2:56] 包括Facebook [2:57] 或者说Meta推出来Muse [2:59] 但其实是在用OpenClaw的思维 [3:02] 做这些架构的Application（应用） [3:04] 不过虽然OpenClaw证明了架构可以用 [3:06] 技术已经成熟 [3:08] 但它始终没有走进家家户户 [3:10] 是有原因的 [3:11] 那就是它的技术门槛确实很高 [3:14] 所以才会有课可以卖 [3:16] 也会有人付钱请人安装 [3:18] 但从另一个角度看 [3:19] 这也恰恰说明了需求 [3:22] 大家对这样的个人助理型 [3:24] 能够替你真正完成任务的形态是有需求的 [3:28] 但是又对它的门槛有些望而却步 [3:32] 所以从OpenClaw到Muse [3:34] 并不是突然出现了一套完全不同的想法 [3:38] 这批产品在尝试把一个方向 [3:40] 变成我们普通人能够用的服务 [3:42] 电脑由平台准备 [3:44] 不需要你给Agent准备一个Mac Mini [3:46] 或者虚拟机 [3:47] 运行环境由平台维护 [3:49] 你只需要连接必要的账户 [3:51] 告诉它要做什么 [3:52] 比之前在本地设置要方便得多 [3:55] 当然了 降低门槛还是第一步 [3:58] 更重要的是 [3:58] 后台的能力也开始跟上了 [4:01] 我们最开始用AI的时候 [4:02] 其实是在用一个聊天机器人 [4:04] 你跟它聊完 你自己还得干活 [4:07] 这背后有两件事情在同时发生 [4:10] 第一是Harness [4:11] 模型处理连续行动的能力增长了 [4:15] 回到我们之前卖家具的这个例子 [4:17] 写介绍可能是第一步 [4:18] 它还要查价格、找到正确的页面 [4:21] 填写信息、处理买家的回复 [4:23] 如果事情没有按照计划发展 [4:25] 还得决定下一步该怎么办 [4:27] 这些步骤之间是有依赖的 [4:29] 如果前面出错 [4:30] 那后面的操作可能全都白做 [4:33] 模型之外还需要一整套系统 [4:35] 帮Agent连接工具、保留进度 [4:38] 安排后续任务 [4:39] 在出错前重试或者把任务教给别人 [4:43] 它其实就像一个冰山理论一样 [4:45] 它大部分的这个你能看到的跟你的执行 [4:48] 只有那一点点 [4:49] 但它其实后面的这个大量的Harness [4:51] 大量的在背后与Sandbox（沙盒）做的 [4:53] 这种工作 这种执行 [4:54] 还有比如说怎么去run（跑） [4:56] 很多很多的SubAgent（子代理） 一百个SubAgent [4:59] 其实都是在背后跑的 [5:01] 第二 是有一部分任务 [5:02] 现在已经可以用更便宜的模型去完成 [5:05] 这对于需要持续运行的Agent来说 [5:07] 尤其重要 [5:09] 另外一个是最近 尤其是最近半年 [5:12] 模型的能力跟模型的开销 [5:15] 其实都在大幅度地变好 [5:17] 今天（OpenAI）Luna这个模型 [5:19] 我觉得遥遥领先一年前最先进的模型 [5:23] 甚至可能9个月前最先进的模型 [5:26] 它的开销是前沿模型的十分之一 [5:31] 大约一个数量级以下 [5:33] 那我觉得这就使得这些 [5:35] 我们可以开始用了 [5:36] 因为我们自己也在开发 [5:38] 类似于Muse或者Bot这些 [5:40] 我对这个消耗是非常知道的 [5:43] 其实还是很贵 [5:44] 但是至少可以开始谈论 [5:47] OK 是用得起、用不起 [5:48] 可以去debate（争论）了 [5:50] 9个月前这个太贵了 [5:52] 根本就不用debate（争论） [5:53] 为什么成本这么关键呢 [5:55] 因为我们现在交给Agent的 [5:57] 都是长程任务 [5:59] 做一件事背后需要反复调用模型 [6:01] 在我们休息的时候 [6:02] Agent也在不断工作 [6:04] 这样成本一叠加就更需要经济的模型 [6:07] 当然了 一次调用变便宜 [6:09] 也不等于一个助手的总成本就一定会下降 [6:12] 因为它能做的事情越多 [6:14] 用户可能交给它的任务也就越多 [6:16] 到这里我们就可以理解 [6:18] 为什么现在这批Agent产品变得可用了 [6:21] 本质上来说 [6:22] 他们就是沿着OpenClaw的逻辑 [6:24] 在做更加大众化的产品 [6:26] 回过头来看 [6:27] 其实在OpenClaw爆火之后 [6:29] 就出现了一批这样的产品 [6:31] 一开始是Anthropic推出的Claude Cowork [6:34] 把Coding Agent的执行方式 [6:35] 带到更广泛的办公任务里面 [6:38] 让Agent读取你授权的文件 [6:40] 整理资料、处理表格 [6:41] 交付可以检查和修改的成果 [6:44] 这在当时也引发了资本市场里的 [6:46] 一批SaaS焦虑 [6:48] 腾讯也是在二月推出了WorkBuddy [6:50] 探索类似的办公路径 [6:52] 逐渐地我们还看到了 [6:53] 更多面向消费者的产品 [6:55] 比如Town就在尝试 [6:57] 从你日常使用的软件里 [6:58] 理解你个人的工作模式 [7:00] 把任务自动化 [7:01] 这些产品的共同点是 [7:03] 它们背后都连接了一个能干活的执行环境 [7:06] 有的直接使用你的电脑 像WorkBuddy [7:08] 有的有虚拟机在云端工作 [7:11] 就像最新的Instinct、Grok Bot和Muse [7:13] 也有的调用本地的工具 [7:15] 它们可以处理文件 运行程序 [7:17] 也能在你授权后进入其他软件和服务 [7:20] 尤其是和聊天机器人相比 [7:22] 更大的变化是它们有跨对话的记忆 [7:25] 但不同的地方 [7:26] 是它们如何让用户第一次尝试产品 [7:29] 又如何让用户持续使用 [7:31] 接下来这几章 [7:32] 我们就拿最近流行的几款产品作为例子 [7:35] 来聊一聊它们不同的设计和最终的目标 [7:43] Instinct这个产品 [7:44] 很多人可能还没拿到邀请码 [7:46] VC就已经给它开出了100亿美元的估值 [7:49] 到现在Instinct仍然采用邀请制 [7:52] 但用户已经超过10万 [7:53] 它的早期用户 [7:54] 大部分都是硅谷的创业者和投资人 [7:58] 而也是这些“power users”的主动宣传 [8:00] 给Instinct吸引了一波关注 [8:02] 创始人Noah Shinn [8:04] 是一名23岁的大学辍学生 [8:06] 在2023年 [8:07] 他就发表了一篇叫做Reflexion的论文 [8:10] 研究的问题和今天的Agent非常相关 [8:13] AI做一件事失败了 [8:14] 下一次能不能少犯同样的错误 [8:17] 他们提出的方法是 [8:18] 让Agent根据任务反馈 [8:20] 把经验总结成文字保存在记忆里 [8:23] 下一次尝试时再拿出来参考 [8:25] 这里不需要每次都重新训练模型 [8:27] 而是通过记录和利用反馈 [8:29] 改善后续的决策 [8:31] 后来在Sierra担任研究员期间 [8:33] 他又参与了τ-bench的研究 [8:35] 这套测试进一步追问 [8:37] 一个Agent [8:37] 究竟怎样才算真的把事情办好了 [8:40] 比如在模拟的航空客服场景里 [8:43] 它需要理解用户的要求 [8:44] 调用系统里的工具 [8:46] 同时遵守公司的业务规则 [8:48] 更关键的是 [8:49] 同一个任务重复执行 [8:51] 它能不能持续做对 [8:52] 一次成功的演示 [8:54] 距离可靠地替人办事还有多远 [8:57] 在个人助手流行之前 [8:58] Noah就已经在研究Agent的两个核心问题 [9:01] 出错之后的改正 [9:03] 和它能不能稳定地把事情做完 [9:05] 这也能解释 [9:06] 为什么这位年轻的创始人会受到关注 [9:09] 并拿下10亿美元的C轮融资 [9:11] 甚至是在两个月内融资三轮 [9:14] 在产品设计上 Instinct选择了一个 [9:16] 我们很熟悉的入口 短信 [9:18] 你可以像联系真人一样 [9:20] 把要办的事情发给它 [9:21] 对用户来说 [9:22] 我们不需要重新建立打开一个应用的习惯 [9:25] 对厂商来说 [9:26] 这也极大地降低了获客成本 [9:29] 未来的Application（应用） [9:30] 很有可能是没有应用的 [9:33] 你跟这个应用打交道 [9:35] 就是messages（文字消息） [9:36] 然后就是对话 [9:38] 你要告诉它的是结果 [9:40] 我要的是什么结果 [9:41] 而不是说go through什么workflow [9:43] 点这个、点那个、点那个 [9:44] 我们是被上一代 [9:46] 或者前几代的软件给培养坏了 [9:49] 要去订一个餐馆 要买一样东西 [9:51] 要去点这个、点那个 [9:52] 凭什么呢 [9:53] 你就告诉它我要什么东西 [9:55] 然后让Model或者说让这个软件来告诉你 [9:59] 需要做什么东西 [10:00] 而不是你去做 [10:01] 其实把Agent变成一个 [10:03] 能帮你办事的联系人 [10:05] 也不是Instinct首先想到的 [10:07] 在3月 一家叫做Poke的产品 [10:09] 就开始探索这条路 [10:11] 接入邮箱、日历 [10:12] 把助手放进用户熟悉的消息对话里 [10:15] 你不用打开一个独立的AI工作台 [10:17] 只要发条消息就可以让它处理工作 [10:20] 但入口简单了 [10:22] 这里还会出现一个新的问题 [10:24] 面对一个什么都能做的助手 [10:26] 普通人未必知道应该让它做什么 [10:29] 换句话说 [10:29] 一个助手它具备某种能力 [10:31] 和用户愿意把事情交给它 是两码事 [10:34] Instinct火起来 [10:35] 其实是在Twitter上有很多的这种 [10:37] Power user（硬核用户） Pro-sumer（产销合一者） [10:39] 这些人他先告诉你是说 [10:40] 我用Instinct做了很多 [10:42] 原来Poke做不了的事情 [10:43] 或者做了很多GPT做不了的事情 [10:45] 很多人觉得非常的有意思 [10:48] Amazing（不可思议） [10:48] 然后我就过来试一下 [10:49] 发现它能完成这个使用案例 [10:51] 然后有很多非常有想法的用户去尝试 [10:54] 但是其实并不是所有的用户 [10:55] 都非常有想法的 [10:57] 所以具体的使用案例 [10:59] 对这类产品来说非常重要 [11:01] 早期用户分享他们的用法 [11:03] 可以说是在帮产品做市场教育 [11:05] 但这也带来了一个难题 [11:07] 那就是发布两个月内靠资本捧起来的流量 [11:11] 到底能不能持续下去呢 [11:13] Instinct在我看来 [11:15] 就是新一代的Clubhouse [11:17] 我为什么这么说 [11:18] 因为我这个判断并不是从一个产品的判断 [11:21] 我觉得 我是从一个创始人 [11:24] 或者说公司的打法来看 [11:27] 它是高举高打 [11:28] 就像Clubhouse当年也是高举高打 [11:30] 高举高打本身没有问题 [11:33] 有的公司就是高举高打成功的 [11:35] 有的公司是相对低调 [11:37] 这本身不是一个问题 [11:38] 问题是高举高打的时候 [11:40] 你要意识到 这是我在高举高打 [11:43] 你要能够伸缩自如 [11:45] 你要能够知道什么时候伸、什么时候缩 [11:48] 这一点其实对创业者是一个很大的挑战 [11:51] 就像新鲜感过去后 [11:52] 我们已经很少打开Clubhouse了 [11:54] Instinct也是一样 [11:56] 创始人说过 [11:56] 他不打算让用户付费使用产品 [11:59] 就意味着要通过广告赚钱 [12:01] 在热度退去后 这个商业模式可行吗 [12:04] 这是一个创业公司面临的最大挑战 [12:07] 当然了 能让这么多人争相去要邀请 [12:10] 本身就是一种成功了 [12:12] 只是靠着融资烧Token [12:13] 之后会走多远 变量仍然很多 [12:16] 最近Meta Muse的发布 [12:17] 其实也给Instinct带来了一波热度 [12:19] 因为这两款产品 [12:21] 要给用户解决的问题很类似 [12:23] 但面临的条件却不一样 [12:25] Instinct需要让大家先认识自己 [12:27] 但Meta已经有了庞大的用户网络 [12:30] 那就是它现存的社交平台 [12:32] Facebook、Instagram、WhatsApp等等 [12:34] 这就是大厂和创业公司之间最大的区别 [12:38] Distribution（分发渠道） [12:40] Grok跟Meta的Muse [12:42] 它至少有分发渠道 [12:44] 尤其是Meta [12:45] 它的特别的广 [12:47] 所以说我觉得当一个公司 [12:49] 在今天这个时代 [12:50] 它的分发渠道好的时候 [12:52] 我觉得很难做得太烂 [12:59] Muse在今年9月8日向公众开放 [13:01] 截至10月初 [13:02] 已经超过了660万次下载 [13:05] 多次冲到App Store免费应用榜单的第一 [13:08] 除了能在独立app上使用Muse以外 [13:10] 人们还可以在WhatsApp里和Muse对话 [13:13] 也可以链接Facebook和Instagram账户 [13:15] 这就是Meta天然的优势 [13:18] 它已经参与了 [13:18] 我们发现内容、产生兴趣 [13:20] 和联系别人的过程 [13:22] 现在它希望进一步承接这些行为之后 [13:25] 我们用户要办的事情 [13:28] 回到视频开头卖家具的这个例子 [13:30] 这不是写一条帖子这样的一次性任务 [13:32] 而是一个长期的委托关系 [13:35] 我交给Muse的 [13:36] 是一个需要长期跟进的指标 [13:38] 直到东西被卖出去为止 [13:40] 这类任务在我的Muse界面上 [13:42] 活在一个叫做Goals（目标）的页面里 [13:44] 根据Meta对Muse的介绍 [13:46] 它希望承接的就是这一类任务 [13:48] 理解用户的目标、协调时间和资源 [13:51] 在用户离开以后继续推进 [13:53] 并且在需要批准或者出现变化的时候 [13:56] 回来联系用户 [13:57] 它还会记住用户的偏好 [13:59] 为后续的任务提供参考 [14:01] 而要让这种委托越来越省事 [14:03] 助手就需要记住你之前说过什么 [14:05] 否则每次安排旅行 [14:07] 都要重新介绍预算、住宿偏好 [14:09] 和家里人的时间 [14:10] 你还是得花很多精力交代背景 [14:13] 从商业上看 [14:14] 这种积累有机会形成留存 [14:16] 换一个助手 [14:17] 就意味着重新介绍自己、重新磨合 [14:20] 也是要重新建立信任 [14:22] 扎克伯格在采访中提到了 [14:24] Meta对于Muse的商业设想 [14:26] 现在先提供比较大的免费额度 [14:28] 让用户尝试把任务交给它 [14:31] 未来让Muse帮用户赚钱、省钱 [14:34] Meta再从中抽成 [14:36] 我们之所以选择这样做 [14:38] 是因为我们非常有信心 [14:41] 对于那些利用这款产品经营小企业 [14:46] 或者从事交易和商业活动的人来说 [14:50] 我们相信 [14:51] 这款产品能够帮助用户赚到很多钱 [14:52] 长期来看 我们的商业模式实际上会非常简单 [14:57] 只是从每笔交易中抽取一小部分佣金 [15:01] 把一门大生意做得很轻巧 [15:03] 这笔佣金甚至不一定需要由用户自己支付 [15:05] 也可以由与他们合作的商家来承担 [15:07] 那么要让用户和Agent之间 [15:09] 建立这种长期的信任关系 [15:11] 背后的技术要求是什么 [15:14] Muse用的是Meta自己的Muse Spark模型 [15:16] 扎克伯格提到 [15:17] 个人助手需要一些专门的能力 [15:19] 而这些能力 [15:20] 应该从模型训练阶段就开始培养 [15:23] 边界感 就是Muse团队 [15:25] 特别关注的一种能力 [15:26] 比如你把怀孕这件事告诉Agent [15:29] 那它帮你订餐厅的时候 [15:30] 就可以据此寻找 [15:31] 提供合适饮食、无酒精饮品的地方 [15:34] 但这并不意味着 [15:35] 它需要把你怀孕这件事也告诉餐厅 [15:38] 它要能够利用自己知道的信息帮你办事 [15:41] 同时判断哪些信息没有必要向外透露 [15:45] 为什么Meta愿意在Muse身上 [15:46] 投入那么多呢 [15:48] 这就要回到我们开头提到的 [15:50] Distribution分发这个概念了 [15:52] 我们提到 Meta已经掌握了 [15:54] 社交媒体里的内容分发 [15:56] 现在它希望进一步掌握任务分发 [16:00] 具体来说就是它希望 [16:01] 成为你使用软件、购买服务的入口 [16:04] 来 举个例子 [16:06] 假如你让Muse安排一次旅行 [16:08] 以前你自己要打开几个平台 [16:10] 比较酒店 再决定在哪里下单 [16:12] 现在你先告诉你的Agent [16:14] 时间、预算和偏好 [16:16] 由它去查找、筛选 [16:18] 再把方案交给你确认 [16:20] 在这个过程中 [16:21] 助手有机会影响哪些酒店进入候选名单 [16:24] 也有机会参与后面的预订 [16:26] 如果它确实帮商家带来了订单 [16:29] Meta再向商家收取费用 [16:31] 这就是扎克伯格口中的生意逻辑 [16:34] 尤其是对于一家像Meta这样 [16:36] 玩转广告业务和精准推送的公司 [16:39] Agent更是可以带来得天独厚的价值 [16:42] 因为我以前在Facebook [16:43] Facebook广告本质是一个 [16:45] 冲动消费型的广告 [16:47] 它是一个兴趣和冲动消费型的 [16:49] 就是你刷刷刷 刷到这个 [16:51] 你这个精虫上脑 就赶紧买 [16:53] 它本质是这样的一个广告 [16:54] Google更多的是一个 [16:55] 你有一个强烈的需求 你去搜索 [16:57] 所以我觉得Muse它的优点 [16:59] 对于Facebook来讲是 [17:00] 它很多情况下 [17:02] 把那种有强烈意图的捕捉得非常明确 [17:05] 就是在你还没有想到去Google搜索的 [17:08] 前置的情况下 [17:09] Muse就跟你聊天了 [17:10] 你就把这个事解决了 [17:11] 相当于绕开了Google那道广告 [17:13] 直接在Facebook上解决了 [17:14] 扎克伯格说他的盈利模式是这个 [17:16] 就是说我替你买东西 [17:18] 然后我收一个百分比 [17:20] 我认为即使不替你买东西 [17:23] Facebook了解了我的Email [17:24] 了解了我的这种什么contact（联系） [17:26] 了解了我的所有意图 [17:28] 它在推荐这个 [17:29] Feed（信息流）给我推荐广告的时候 [17:31] 也会变得更加精准 [17:32] 它的转化率也会更加高 [17:33] 所以假设说它这个推荐的转化率 [17:36] 提升个一倍 [17:37] 那这个收入也乘以一倍 [17:39] 对于Facebook来讲这是很大的钱 [17:41] 相比而讲 这个算力其实本身不算什么 [17:44] 讲到这里其实我们就很容易 [17:45] 比较Instinct和Muse了 [17:47] 它们都希望作为用户的你形成一种习惯 [17:50] 那就是生活里有事要办 [17:51] 你会先找这个助手 [17:53] 不同的是它们的起点不一样 [17:55] Meta有社交软件优势 [17:57] Instinct需要积累用户 [17:59] 所以才选择了短信 [18:00] 这个大家都更熟悉的入口 [18:02] 不过这些都还是生活中的场景 [18:05] 到了工作场景 [18:06] 你可能会提出另一种要求 [18:08] 其中很重要的一个就是分工 [18:10] 你一边让AI整理客户资料 [18:12] 一边让它做市场调研 [18:14] 还要让它跟进报销 [18:15] 这些工作都有各自的进度、文件 [18:18] 和需要记住的细节 [18:19] 把它们全部放进一个对话里 [18:21] 事情一多 你就得重新花时间整理 [18:24] SpaceX夏天推出的Grok Bot [18:27] 就是从“分工”这个角度出发的 [18:29] 多Agent协作产品 [18:31] 把长期委托组织成一支数字团队 [18:37] 现在基本上这个行业的大部分人 [18:39] 已经步入了 我们指挥一群Agent [18:42] 指挥一个Agent团队去做这些任务 [18:45] 但是很快意识到我们自己是瓶颈 [18:46] 这是负责Grok Bot产品设计的郑芃 [18:49] 在我们的采访当中 [18:50] 他提出了一个非常有意思的观点 [18:52] 那就是 人类是Agent工作的瓶颈 [18:56] 就好像如果无人驾驶 [18:57] 你必须得把手一直搭在方向盘上 [19:00] 其实这个无人驾驶对于人来讲的时间利用 [19:03] 并没有太大的价值 [19:04] 因为你还是得坐在驾驶员的位置 [19:06] 你的注意力不能放在别的事情上面 [19:08] 一样的 在数字世界里面 [19:10] 如果我们指挥Agent完成事情 [19:12] 可能在执行层面 [19:13] 它已经替代了我们自己亲自去做这事 [19:16] 但如果我还是需要一直盯着它 [19:18] 我还是需要一直通过一次一次地往返 [19:21] 去完成事情的话 [19:22] 这只是把我们的时间放到了一个 [19:26] 像一个管理者的角色 [19:28] 并没有真正解放我们自己的时间 [19:29] 所以我们才希望说 [19:30] 如果通过把角色抽象出来 [19:33] 把它做成你的数字同事 [19:35] 可能通过这种形态 [19:36] 可以把人和Agent的交互 [19:38] 往更自动化 更长程的方向去推 [19:43] 使用过Grok Bot的朋友 [19:44] 会发现它的界面设计 [19:46] 和其他Agent产品有点不同 [19:48] 在聊天框的左侧是多个Agent或者Bot [19:51] 它们有各自的名字、头像和分工 [19:54] 很像是我们上班的时候 [19:56] 和你的团队在交流 [19:57] 这些Bot能够在云端使用电脑 [20:00] 进入工作工具、彼此传递信息 [20:02] 也可以在群聊里协作 [20:04] 比如一个负责客户跟进 [20:06] 一个负责市场内容 [20:07] 再有一个帮你协调任务 [20:09] 这种设计 [20:10] 挑战了我们和AI对话的默认形式 [20:13] 在几乎所有AI产品里 [20:14] 我们会看到三个面板 [20:16] 左边是历史聊天记录 [20:18] 中间是当前对话 [20:20] 旁边展示任务和结果 [20:22] 有了新任务 我们就新开一个对话 [20:24] 交代要求 再来回检查 [20:26] 补充和确认 [20:28] 但这些对话结束以后 [20:29] 我们很少再回头看 [20:31] 更不用说把其中的经验整理下来 [20:33] 留给下一次任务 [20:35] 在这种模式下 [20:36] AI虽然已经能够替我们执行 [20:38] 但人却仍然需要持续推动工作 [20:41] 任务一多我们就从亲自干活的人 [20:43] 变成了不断切换对话、检查进度的管理者 [20:47] 人的注意力以及每天醒着的时间 [20:49] 也就成了Agent继续工作的瓶颈 [20:52] 所以Grok Bot尝试把产品的组织单位 [20:55] 从一次对话变成一个长期存在的Bot [20:58] 我们把左边的这个任务面板 [21:01] 变成了以角色与身份为中心的一个清单 [21:06] 这样的一个Agent list [21:08] 其实我们想说通过这样一个界面的变化 [21:10] 在比较impressively地去推动用户 [21:14] 去想说 [21:15] 当我拿到一个任务的时候 [21:16] 我的第一反应不应该是 [21:18] 又开启一个新的对话session [21:20] 自己去完成这个任务 [21:21] 然后去监控它的结果 [21:22] 而是我应该怎么样把它交付给 [21:24] 一个我的数字同事 [21:26] 然后怎么可以把这个任务自动化 [21:28] 怎么可以再跟它 [21:30] 一次一次完成任务的过程当中 [21:31] 把它的经验沉淀下来 [21:33] 我希望设计的可能不是 [21:35] 一个一次性的来回交互 [21:36] 而是一个系统 [21:38] 让它能够尽量地自动化 [21:40] 尽量地去把人的因素 [21:43] 从这个loop里面省略掉 [21:45] 多Agent协作 [21:46] 其实还有一个很有意思的设计问题 [21:48] 在人类团队里 我们分工 [21:50] 是因为不同的人有不同的专业能力 [21:53] 但在Agent团队里 [21:54] 为什么还要分出一个设计师、一个工程师 [21:57] 再加一个项目经理呢 [21:59] 关键就在于 [22:00] 它们需要记住的事情不一样 [22:02] 更多的是我怎么样把context（上下文） [22:04] 限制在合理的边界 [22:05] 怎么样去划定它的区分到底在哪里 [22:08] 实际是把相关的context [22:11] 给它封装在了同一个Bot里面 [22:12] 所有的skills、所有的plugin [22:14] 这些是每个Bot都共享的 [22:16] 但是所有的记忆 [22:17] 所有的personalization是单独的 [22:20] 就是每个Bot有自己的记忆和偏好 [22:23] 这里的context [22:24] 就是Agent执行任务的时候参考的上下文 [22:28] 比如说你提出的要求、之前的对话 [22:30] 还有它已经积累的工作经验 [22:33] 比如设计Bot [22:34] 需要知道你喜欢什么样的视觉风格 [22:36] 负责客户沟通的Bot [22:37] 则需要记住你和客户交流的方式 [22:40] 如果把这些信息全部放到一起 [22:42] 就需要不断地判断 [22:44] 哪些要求适用于眼前的任务 [22:46] 哪些只是另一个项目里的特殊情况 [22:49] 这些信息相互干扰的问题 [22:51] 就是“上下文污染” [22:54] 所以角色也成了整理记忆的一种方式 [22:56] 你把一类工作持续交给同一个Bot [22:59] 它就能围绕这类工作积累经验 [23:01] 减少每次都要重新交代的负担 [23:04] 这种分工也不需要固定不变 [23:06] 你可以把几个相关的Bot拉进群聊 [23:08] 让它们围绕同一个项目协作 [23:10] 同一个Bot也可以同时参与不同的项目 [23:13] 但这里还有一个问题 [23:15] 如果说有了数字团队之后 [23:17] 我们还要花很多时间去管理它 [23:19] 那么人的瓶颈不是还在那里吗 [23:23] 所以Grok Bot的另一部分设计 [23:25] 就是要尽量减少 [23:26] 用户需要学习和配置的东西 [23:28] 郑芃说 团队曾经尝试把Agent电脑 [23:31] 和操作过程展示得更明显 [23:33] 但在用户研究中他们发现 [23:35] 很多人其实想确认的是 [23:36] 任务有没有被接收、现在还在运行吗 [23:39] 有没有卡住、什么时候需要我回来 [23:41] 这些问题 [23:43] 于是他们选择了用头像的不同动画 [23:46] 去表达Bot正在工作、等待处理 [23:48] 或者已经完成这些状态 [23:51] 这些看起来很小的设计 [23:52] 其实承担的是一个很实际的任务 [23:55] 给用户足够的信息 [23:56] 让他可以放心离开一会儿 [23:58] 所以Grok Bot想建立的关系 [24:00] 是你知道它还在做事 [24:02] 也知道需要判断的时候它会回来找你 [24:04] 更详细的过程 [24:06] 可以在你离开的时候再展开 [24:08] 那如果这种合作真的能建立起来 [24:10] 那么用户的工作习惯 [24:12] 就会发生一个更深的变化 [24:14] 我觉得目前正在发生的一件事情是 [24:17] 大家和数字世界中间 [24:18] 开始增加了这一层Agent的layer [24:22] 好像额外隔了一层 [24:23] 比如说我个人的日常工作时间 [24:25] 很多时候变成我不再去 [24:28] 主动亲自使用Figma或者Notion [24:30] 或者Slack这些SaaS工具 [24:32] 变成我指挥我的Agent去使用这些 [24:35] 这也把我们带回了这一期的主线 入口 [24:39] 就像我们在生活当中用不同的软件 [24:41] 来订机票、找酒店一样 [24:43] 在工作当中我们也有不同的SaaS软件 [24:46] 所有的Agent产品就是希望 [24:48] 在潜移默化当中 [24:50] 让用户通过Agent来使用这些软件 [24:53] 所以从Instinct、Muse和Grok Bot [24:55] 它们争取的是相似的位置 [24:57] 但切入的方式又有所不同 [24:59] Instinct希望成为消息列表里 [25:01] 那个随时可以联系的助手 [25:03] Meta希望借助原有的社交生态 [25:06] 进一步承接用户要办的事情 [25:08] Grok Bot则是从工作分工上入手 [25:11] 让不同的数字同事 [25:12] 成为可以持续委托的对象 [25:15] 最后 它们都希望建立一个习惯 [25:17] 就是有任务先来找我 [25:19] 但当Agent真的站到了用户和软件 [25:22] 以及商家之间的时候 [25:24] 新的问题也就随之出现了 [25:26] 用户能不能放心放手 [25:28] 原有的平台愿不愿意让Agent介入 [25:31] 而那些没有消失的监督、执行和协调成本 [25:35] 现在要由谁来承担呢 [25:37] 这就是在第三章里我们要讨论的问题 [25:44] 随着使用Agent的人越来越多 [25:46] 媒体对Agent的报道当中 [25:48] 也不乏越来越多的“恐怖故事” [25:50] 比如让Instinct查看航班条款 [25:53] 它却直接取消了航班 [25:54] 直接损失300美元 [25:56] 让Muse卖键盘 [25:57] 它却在未经允许的情况下让买家上门取货 [26:01] 买家没见到人 最终给了差评 [26:03] 当然这些案例不能直接告诉我们 [26:06] Agent出错率有多高 [26:08] 但它也暴露了一个特别直接的问题 [26:10] 那就是在不知不觉当中 [26:12] 我们到底给了Agent多少授权 [26:15] 所以Agent第一个隐藏成本 [26:17] 就是隐私和安全边界 [26:20] 我觉得最重要的可能还是安全性跟可靠性 [26:22] 因为这是用户很容易疏忽的 [26:25] 在一个新鲜事物刚出来的时候 [26:28] 大家关心这个东西有多少sexy的功能 [26:31] 能够做什么东西 [26:32] 我就说一句话 就帮我飞机票给订好了 [26:34] 但是你要一个新鲜事物 [26:36] 真的成为一个长久的 [26:37] 能够进入千千万万的 [26:39] 那肯定对安全性、可靠性的要求 [26:41] 还是比较高 [26:42] 这里其实有两个不同的问题 [26:44] 一个是助手会不会超过你的授权去行动 [26:47] 另一个是你交给它的数据 [26:48] 会被谁看到、保存又会被怎么样使用 [26:51] 扎克伯格透露 [26:52] 他和Nat Friedman亲自招募了 [26:54] 加密通讯软件Signal的创始人 [26:56] Moxie Marlinspike [26:58] 让他参与Muse的机密虚拟机项目 [27:00] 这是为了把用户交给Muse的信息 [27:03] 放进受保护的云端运行环境 [27:06] 目标是连Meta自己也无法查看里面的内容 [27:09] 顺便说一句 [27:10] 扎克伯格和Meta最近的举动 [27:13] 还挺令人寻味的 [27:15] 我们知道 [27:15] 由于Hugging Face和OpenAI的事故 [27:17] 最近公众对于AI安全的关注度很高 [27:20] 在这个节点 扎克伯格发了一条推文 [27:23] 表示Meta为了保证Muse的安全性 [27:25] 发布Muse的时间点比原计划晚了几个月 [27:29] 另外Meta还加入了一个 [27:30] 叫做Sentinel的监控Agent [27:32] 检查进出的信息 [27:33] 并在需要时触发用户审核 [27:36] 但话说回来 即使解决了谁能看到数据 [27:39] 也还没有完全解决 [27:41] 助手会拿数据做什么这个问题 [27:44] 它仍然可能会在一次正常的任务当中 [27:46] 发出一条不该发的消息 [27:48] 或者去做一个你没有批准的任务 [27:51] 我们能够从Infra层去约束我们自己 [27:55] 但是我们是没有办法约束我们的Client [27:58] 就说当我们的客户用到这些用户数据了以后 [28:00] 他们会怎么做 [28:02] 第二个问题 [28:02] 则是原有的平台愿不愿意让Agent进来 [28:06] Muse火起来后没多久 [28:07] 亚马逊就封锁了Muse [28:09] 禁止它代替用户购物 [28:11] 亚马逊表示 [28:12] Muse没有公开表明Agent身份 [28:14] 并提出了账户访问 [28:15] 和凭证处理方面的安全担忧 [28:18] 它认为替用户在其他商家处购买东西的 [28:21] 第三方服务 应该公开运行 [28:23] 并且尊重商家是否参与的决定 [28:26] 这里的分歧是 [28:27] 用户同意让助手帮自己操作 [28:29] 是不是也意味着 [28:30] 另一个平台就一定要接受这个助手呢 [28:34] 从用户的角度 [28:34] 我有账户 也愿意花钱 [28:36] 只是换了一个操作的方式 [28:38] 但从平台的角度看 [28:40] 进入账号、读取信息、执行交易的 [28:43] 还包括另一家公司提供的系统 [28:46] 它希望知道这个系统是谁、能做什么 [28:49] 出了问题又该如何处理 [28:51] 而在安全和访问规则之外 [28:53] 这里还包含着一层商业利益的冲突 [28:56] 我们前面说Meta希望从内容分发 [28:59] 进一步走向任务分发 [29:01] 但这些任务原本就发生在其他的平台上 [29:04] 如果你自己打开购物网站 [29:06] 平台可以通过搜索、推荐和广告 [29:08] 影响你的选择 [29:10] 如果你先让Muse比较商品 [29:11] 再由它完成购买 [29:13] 那么一部分选择过程 [29:15] 就可能转移到Muse那里 [29:17] 原有的平台仍然可能获得订单 [29:19] 但就不像之前那样可以直接接触用户 [29:21] 影响购买决定了 [29:23] 广告的收入也有可能减少 [29:25] 这就是这场冲突中可以看到的商业压力 [29:28] Agent在带给平台交易的同时 [29:31] 也可能会把原有的客户关系给带走 [29:34] 所以隐私安全和平台冲突这两个问题 [29:37] 也让一个Agent接管所有任务这个想法 [29:40] 变得更加复杂 尤其是在企业层面 [29:47] 讲到这里我们还有最后一个问题 [29:49] 那就是Agent能成为一门赚钱的生意吗 [29:53] 在我们制作这期视频的时候 [29:54] 其实已经有了不少 [29:55] 关于用户增长、融资和估值的报道 [29:58] 但我们还不知道Muse、Instinct和Grok Bot [30:00] 各自清晰的收入和利润披露 [30:03] 在分析Instinct和Muse [30:04] 这两个主攻消费端的Agent的时候 [30:06] 我们已经提到 [30:07] 它们的盈利前景 [30:09] 完全取决于现有的分发渠道 [30:12] 对Meta这样已经拥有成熟业务的公司来说 [30:15] 它可以选择先投入 [30:16] 让用户形成习惯 再逐步寻找收入来源 [30:20] 像Instinct这样的独立创业公司 [30:22] 也可以通过融资补贴使用 [30:24] 但下一轮融资能否继续 [30:26] 最终还是要回应增长、留存 [30:29] 和商业模式的问题 [30:30] 我认为C端Agent最后就是比谁钱多 能烧 [30:34] 即使说Instinct的体验更好 [30:36] 但是如果它不能做到100%免费 [30:38] 我认为它没有未来 [30:39] 在Agent生意里还有一个很特别的矛盾 [30:42] 用户越喜欢它、越愿意把事情交给它 [30:45] 就意味着要调用更多次的模型 [30:47] 那么公司的服务成本也可能跟着增加 [30:50] 最终你会发现这个支出是指数型的增长 [30:53] 我不认为这是一个startup（初创公司）能够玩的游戏 [30:57] 这其实也解释了 [30:57] 为什么很多Agent会从办公场景去切入 [31:00] 办公场景有更多的 很清晰的交付物 [31:04] 比如说我要follow up一个PR [31:06] 或者我要做一个纪要 每周的简报 [31:09] 日程的协调之类的 [31:11] 然后企业用户的付费意愿更强 [31:14] 能够更加好地去证明这种 [31:16] 我把一个任务委托出去 [31:17] 然后直接给我结果的这种叙事 [31:20] 如果一个助手能够稳定完成每周的报表 [31:22] 或者持续处理客户跟进 [31:24] 企业就比较容易衡量 [31:26] 它节省了多少工时 是否值得付费 [31:29] 但付费意愿更强 [31:30] 也并不一定代表着钱就更容易赚 [31:33] 刚才提到的数据保护、权限管理 [31:35] 还有系统接入 [31:36] 都可能增加企业的成本 [31:39] 不管怎么说 [31:39] 这场Agent产品之争才刚刚开始 [31:43] 这期我们聊到的Instinct、Muse和Grok Bot [31:46] 有的想成为你的私人助理 [31:47] 有的想要组成一支数字团队 [31:49] 它们的产品形态和切入点不同 [31:52] 但核心逻辑都是一样的 [31:54] 那就是抢占人们执行任务的入口 [31:57] 而这个入口 过去是软件 今天是Agent [32:00] 它想要成为我们和数字世界之间的桥梁 [32:04] 当然 今天的形态未必就是未来的答案 [32:07] 其中一个可能的变化就是 [32:09] 专业Agent的诞生 [32:11] 目前我们看到的Agent都还是通用Agent [32:13] 但未来可能会出现专攻细分领域的Agent [32:17] 来服务企业甚至是消费者的不同需求 [32:20] 现在的模型多样化 [32:21] 可能就是未来的Agent多样化 [32:24] 我觉得基于这样的话 [32:25] 每个员工在分别用同样的生产线 [32:27] 可能用多少个Agent [32:29] 所以我觉得这一拨 [32:30] 就是这些Agent之间怎么合作 [32:32] 然后这个生产线怎么搭建 [32:35] 我觉得这才刚刚开始 [32:37] 然后围绕这个生产线搭建 [32:38] 就会出现什么样的Agent [32:40] 在什么情况下做什么样的事情 [32:41] 然后什么时候我们在乎的是价格 [32:43] 什么时候我们在乎的是质量 [32:45] 什么时候我们在乎的是Agent迭代的速度 [32:47] 我觉得这些东西都会逐渐出现 [32:48] 现在还是非常早期的一个情况 [32:50] 但像Instinct这类公司的高估值 [32:53] 已经反映出资本对一种可能性的押注 [32:56] 当我们习惯先把需求告诉助手 [32:58] 再由它去调用软件、寻找服务 [33:01] 助手就有机会成为新的入口 [33:04] 谁能赢得这份长期的信任 [33:05] 谁就能改变我们使用软件 [33:07] 购买服务的方式 [33:09] 这也是我们会长期关注这场竞争的原因 [33:12] 好了 以上就是这期视频的全部内容了 [33:15] 大家的点赞、留言和转发 [33:17] 是我们《硅谷101》 [33:18] 做好深度科技和商业内容的最佳动力 [33:20] 我是Yiwen 那我们下期再见了