对话Genspark、Lovart、Simular.AI创始人：OpenAI入场是大利好，ARR绝非唯一重要的事｜硅谷活动

作者 ｜ PRO
邮箱 ｜ pro@pingwest.com

The Agent Takeover is Here！

2025年7月17日，在GenAI Assembling 第五期硅谷Meetup上，最近火热的明星AI Agent 公司Genspark、Lovart、和Simular.ai的创始人，以及新一代基础设施公司SambaNova的Agent技术负责人，一起讨论了他们在今天AI Agent发展第一线所观察和感受到的一切。

以下为这场对话的实录。

Thomas Luo： 大家好，我是GenAI Assembling的创始人，也是本次panel的主持人。首先请各位简单介绍下自己。

Pushkar：大家好，我来自SambaNova Systems。我们提供从云端一直到自研芯片的一整套解决方案，并且为所有开源的LLM（大型语言模型）构建了完整的基础设施。

Ang Li： 大家好，我是Simular的联合创始人兼CEO。Simular主打自治计算机（autonomous computer）的理念，我们正在构建一款通用型agent（通用智能体），可以控制您的电脑（鼠标和键盘）来替您执行任务。

Elena Leung： 大家好，我是Elena Leung，Lovart的联合创始人兼COO。Lovart是首款设计领域的agent，用于创建社交媒体帖子、海报、视频、3D等内容。我们几个月前推出了测试版。很高兴来到这里。

Lenjoy Lin： 大家好，我是Lenjoy Lin，Genspark的联合创始人。

OpenAI来了，Agent初创公司们怕不怕它

Thomas Luo：我想先从OpenAI的agent（智能体）入手来提问，开启今天的讨论。OpenAI最近推出了自己的agent。请在座每位简要评论一下OpenAI的agent战略，以及这对你们自身的产品设计战略有何影响。这件事意味着什么？意义重大还是无足轻重？

Lenjoy Lin：我认为OpenAI的模型非常出色。他们推出agent这一举动释放了一个强烈信号：智能体在应用层非常重要，而且一个更大的市场空间正在打开。未来会有越来越多人开发智能体，这很正常。想一想：如果我们要解决更大的问题，就需要更多智能体来帮助人们完成更有意义的事情。所以我想说，不要过于关注当前眼前的一切。展望未来，我们将能够完成许多我们的前辈曾经想做却做不到的事情。
从战略角度看，我们与很多伙伴有合作，OpenAI的模型也是我们集成的模型之一。业务发展很重要。我希望OpenAI能构建出能够真正赋能开发者、用于实际应用的东西。最终，一切归结为消费者的选择。举例来说，在Genspark，我们只是想让每个人的工作变得更出色。我认为在任何特定领域，每个人都可以为用户做出贡献。

Elena Leung：我觉得这是好事，因为它有助于向市场科普什么是智能体。对我们Lovart来说，我们是设计领域的垂直智能体，我反而有点兴奋，因为在这个细分领域我们不必直接面对与OpenAI的竞争。这给了我们更多时间来打磨产品。

Ang Li：首先，OpenAI的agent可以说是又一个“元”平台。当这种“meta”平台出现时，就预示着竞争的到来。今天的局面就是这种反映。我一直在想的另一点是，人类本身就是一个agent。如果考虑最终形态，每家公司最终都会走向同一个方向，因为大家都在追求AGI（通用人工智能）。作为一家公司，我必须考虑这一点——每个人类其实都是一个AGI系统。最终，我们可能会拥有十亿甚至百亿个完全相同的AI系统。
那么每家公司还能靠什么来区分自己呢？就像我们人类一样，每个人都有不同的专长。最终，AI也将如此。这个世界总是在递归地前进。所以即使大家最后都在做同样的事，他们依然会有所不同，朝着不同方向发展。竞争并不是我们需要过度担忧的事情。我们应该高兴有更多公司在为同一个目标努力。

Pushkar Nandkar：我个人并不直接构建智能体，但我感觉随着我们迈向一个万物皆智能体的世界，这对我们是好事，因为我们为这种生态提供推理服务。人人都在使用智能体意味着LLM（大型语言模型）的使用量会大增，从而需要更高的能效。所以这是一个积极的发展，它将推动我们在智能体驱动的世界中探索如何实现更高的能效。

ThomasLuo：确认一下，SambaNova目前主要支持的是开源模型，而非闭源模型，对吗？

Pushkar Nandkar：是的，没错。

从"Vibe Working"到"人即 Agent"

Thomas Luo：好的，谢谢。接下来我们来说说“vibe working ”。现在听起来这词有点流行，是不是只是炒作？请用20到30秒解释一下，为什么vibe working真正重要。

Lenjoy Lin：这意味着能极大提升你的工作效率，让你的生活更美好。vibe工作不只是工作本身；它是一种积极的反馈循环。你会看到自己的工作效率和质量提高，生活状态也随之改善，进一步提升工作效率。关键在于如何让它成为一个有用的工具，在实际工作中成为你真正的伙伴。（不同的工作有不同的流程，这也是我们正在做一个大项目来适应这些差异的原因。）

Thomas Luo： 现在是2025年。1925年——一百年前——美国开始推行八小时工作制。如今一百年过去了，你对未来的工作有什么预测或期望？或许不用说到2125年那样遥远，就到2035年吧，在“vibe工作”模式或智能体辅助下，人们每天将工作多少小时？

Lenjoy Lin： 我认为这会分阶段发生。比如大约30年前我们每周工作六天，后来改为五天。以后可能会是四天，再往后是三天。我大胆猜测，也许五年内我们就能实现每周三天工作制。

再往后，工作的本质都会发生变化。公司的架构和商业模式都会改变，因为目前这些是建立在固定工作时间这一制度上的。当AI智能体能完成大量工作时，供应链会变得不同，我们销售产品的方式会不同，人们互动的方式也会不同 —— 也许那时候就是智能体和智能体在对话了。这将带来完全不同的公司结构。所以我的预测是，我们最终会迎来每周三天工作制，而再之后，工作和生活的界限可能就不那么清晰了。

Thomas Luo： Elena，Lovart能够把一个简短的提示词变成完整的设计作品。我自己经常用，真的很有意思。但有件事让我很好奇：在不经过大量反复询问的情况下，你们是如何捕捉客户的想法和风格的？用其他工具时，我们经常需要不断细化提示词。但在Lovart上，一个非常简单的提示就能得到一个完善的结果。这个工作流程背后的秘诀或策略是什么？

Elena Leung： 感谢你使用Lovart！在Lovart背后，我们有一个主导的agent负责调度，还有多个agent负责不同类型的任务。我们采用多智能体系统来拆解复杂任务。举例来说，如果你想生成一套品牌视觉形象，我们会用不同智能体把它拆解成更小的任务，比如制定品牌指南或配色方案。

另外，系统会从用户的行为中学习。我们希望智能体能够更好地理解用户需求。当你与这个设计智能体交互时，它会记住你对风格、颜色、布局的偏好，最终能够预测你想要什么。我们在智能体中融入了大量的设计知识，因此它们可以像真正的设计师那样思考，理解你的要求并完成相应作品。

Thomas Luo： Lovart团队里有多少设计师？

Elena Leung： 在我们的创始团队中，我认为所有产品经理都必须是设计师，因为我们是在为设计师打造智能体。我们有5位设计师。

Thomas Luo： Ang，现在轮到你阐释一下“human as an agent”（人即智能体）意味着什么，以及你们的智能体的工作流程与Anthropic那种用于操作计算机的agent有何不同。我记得我们首次讨论你们的方法是在去年的9月底，那时Anthropic的计算机使用模型还没发布。现在我们看到OpenAI的agent也运行在虚拟环境中，看起来几乎一样，那么区别在哪里呢？

Ang Li： 好。首先，从技术角度讲，我们与他们不同。我想先声明，虚拟浏览器并非正确的道路。各种方法我们都试过，包括浏览器。浏览器的好处是有大量现成支持，比如Playwright和Puppeteer这样的库。不过这反而让通用的计算机操作更难了，因为并没有类似的标准库来控制鼠标。然而，浏览器有一层“玻璃天花板”——有些操作在浏览器里根本无法实现。许多传统行业的应用需要的不只是浏览器。

虚拟浏览器的另一个问题是，一家公司开发的agent往往无法访问竞争对手的服务。竞争是人之常情，这种情况可能永远存在。这就是个问题，所以一些客户才会来找我们。他们尝试过基于浏览器的方案，但由于太容易被检测为机器人，任务无法完成。最终他们采用了我们的方案——让一个运行在他们自己电脑上的agent直接控制电脑。从外观上看，它和人操作没区别，没办法识别它是智能体。在这种情况下，智能体就真正和人一样了——这其实也是我们对AGI（通用人工智能）的定义：你无法区分人和智能体。

从技术角度来说还有一点：我们的方法从研究到工程再到产品，都很朴素——先让人来完成任务，然后看看能否用AI自动化人的操作。我们用LLM（大型语言模型）和各种神经网络来自动化整个人工工作流程，这就变成了对人类行为的模拟。在我们的技术管线中，每个组件都是可替换的：你可以用人来替换某个AI组件，或者用AI agent替换某个人工环节。AI正越来越接近成为我们世界中人类的平等伙伴，你可以即插即用地部署它们，从而优化运营成本。

Context、延迟与算力成本的三重博弈

Thomas Luo： 谈到智能体，人们想到的一个词就是“上下文窗口（context window）”。使用更多上下文意味着需要更多算力，会使系统变慢。那么从基础设施角度看，目前构建一个流畅高效的AI智能体时，最大的拖累因素是什么？是超大的模型规模，还是内存限制？

Pushkar Nandkar： 你问是什么让智能体变慢。这其中有很多方面的原因。智能体并非单一实体；它在执行多重计算，其中很多是在CPU上完成的。就基础设施而言，多个客户的多个智能体会调用同一个云服务，这就引入了排队延迟等问题。你还需要对这些请求进行负载均衡，并有一个高效的路由。

接着，当涉及到在芯片上进行推理时，你需要使用批处理将请求集中起来一起处理。所有这些阶段都会带来延迟，影响到“首个token输出时间”（time-to-first-token），也就是用户或智能体所感受到的响应延迟。这正是Dataflow（数据流）架构发挥作用的地方。在SambaNova，我们专注于确保为所有客户提供尽可能快的每秒生成token数量（tokens-per-second）。

Thomas Luo： 我们再谈谈效率与用户体验的取舍。如果要在三件事之间平衡，你会如何排序它们的重要性：

将任务准确率提高5%；将任务完成速度提高5倍；和让用户使用智能体时感到惊艳并由衷喊出“哇”。

Ang Li： 我们公司是一家智能体公司，我们的文化可以用一个词概括：“agency”（自主智能代理）。Agency的定义是一个独立的系统，能够通过与环境交互和学习，像人类一样完成任务。因此按照我们的文化，提高任务准确率5%是最重要的，因为这关系到智能体独立完成任务的能力。如果这不是最优先，那这个智能体更像是一个协作助手（copilot）或助理。第二重要的是加快速度，因为此时仍然有人在流程中。第三是让人惊叹的“哇”体验——不过有时为了市场营销我们可能会把这一点临时放在前面。

Lenjoy Lin： 这让我想起之前在公司花很多时间定义绩效指标。（如果把智能体当作你的队友，用类似于绩效评估的框架来看待也未尝不可：比如影响力、能力和软技能。完成任务就像对初级工程师的期望，而更资深的人应当能端到端推动新的项目。对智能体也是一样。）

任务完成当然重要，但准确性、速度或体验三者谁优先取决于任务本身。比如涉及合规或安全的任务，准确性就是唯一重要的。而对于错误容忍度高的项目来说，用户体验可能更为重要——因为只要有一方面出彩，整体效果就会出彩。

Elena Leung： 我认为这三方面都很重要。但如果一定要排序，我会把让用户惊艳的体验放在第一位，因为我们是设计类智能体，应该像一个能激发你灵感的创意伙伴。（当你给出一个简单的提示而它产出的结果非常惊艳时，会给予你更多灵感。）第二是提高速度，我们需要帮助设计师和创作者从繁杂重复的任务中解放出来，激发他们的创造力。最后才是准确性。

Pushkar Nandkar： 从SambaNova的视角，在过去七年里我们经历了几个阶段。最初训练模型时，准确率是最优先的。现在进入推理服务阶段，我们提供的模型已经相当准确。所以当模型足够准确后，关注点就转向了速度——如何在芯片上优化映射以提升速度。我们采用张量并行（tensor parallelism）、数据并行（data parallelism）和流水线并行（pipeline parallelism）等策略来提高速度。对我们来说，“哇”的因素在于我们能够以出色的准确率、惊人的速度提供服务，同时还能保持极高的能效。

Thomas Luo： 对于一家早期智能体创业公司来说，成本依然关键。每月的云服务账单达到什么程度时，为模型增加额外上下文对年轻的初创公司来说就太昂贵了？

Ang Li： 我的看法是：如果需要更多资金，我们就去融资。这就是风投的玩法——关键在于如何使用资金。只在需要的时候融资。如果我们能证明有途径训练出一个颠覆性的智能体模型，我们就可以先做出原型，然后再融更多钱全力投入那个方向。所以我的回答是，没有上限。

Elena Leung： 我同意。我认为与其关注账单金额，不如看你花的钱是不是值得。对我们来说，我们在使用foundation model（基础模型）的 API 上花费了很多钱，现在正致力于技术方案来降低这部分成本。我相信未来基础设施成本会下降。因此我们专注于为智能体打造合理的工作流程。

Lenjoy Lin： 是的，现金流很重要。不管资金来自VC还是会员收入都无所谓，如果现金流长期大幅为负，我觉得是很危险的。

Thomas Luo： Pushkar，就你的观察来看，那些垂直领域的智能体公司担心什么？SambaNova如何帮助它们以更具成本效益的方式运行基础设施？

Pushkar Nandkar： 随着越来越多智能体公司出现，成本重心正从人力转向基础设施。我们的客户始终关心如何降低成本，所以我们与他们紧密合作。如果他们有自有的模型或checkpoint（检查点），我们会将其接入并微调，确保我们以非常高的能效为其服务。

凭借我们的多层次内存结构，我们有足够空间为同一模型保存成千上万的checkpoint，并可以在HBM（高带宽内存）和DDR（双倍数据速率内存）之间切换。（由于我们的切换延迟极低，客户并不会感觉首个token输出变慢。）我们通过让多位客户共享同一台机器来优化成本和盈利，客户则能以更低成本获得更高的每秒token生成速率。（通过与客户合作找到合适的价格点，我们创造了双赢的协同效应。）

重新定义增长：Agent产品的成功，不靠 ARR 靠什么？

Thomas Luo： 对于一家正在成长的智能体初创公司来说，追踪什么指标更能体现健康增长？是ARR（年度经常性收入），还是传统的日活/月活用户数（DAU/MAU）？在硅谷，许多人都在谈ARR，有时创始人甚至会互相购买服务来把数字做漂亮以获得融资。哪个指标更重要？

Ang Li： 我们公司是一家技术导向公司，所以内部并不怎么跟踪收入。我们关注的是“明天”，什么意思呢？就是关注任务成功率。成功率是我们的头号指标。我们每天都会跟踪当天的成功率，并着眼于如何明天做得更好。我们有一张图表描绘智能体能力的成长轨迹。就像人一样，你希望明天成为比今天更好的自己；我们也希望智能体明天比今天更出色。这不在于某一个静态数字，而在于曲线的上升势头。只要明天比今天哪怕好一点，就算成功。

Lenjoy Lin： 对我来说，活跃用户意味着人们在用我们的产品，并且激励我们做得更好。这让我们感觉被认可，从而能创造更多。既然我们还处于早期阶段，我认为不需要过分拘泥于某一个数字。我们希望保持大胆，专注于广泛的创新，去创造真正的价值，钱自然会跟上来。真正驱动我们的是用户体验。

Elena Leung： 对我们来说，有两件事比ARR或MAU更重要。第一是“revision”（用户对产品的依赖程度）。这个指标衡量用户有多依赖你的产品。我们不希望我们的智能体只是个玩具，用户只拿它来生成几张搞笑图片而已；我们希望它能真正帮助用户提高效率。第二是基准测试。我们把Lovart的所有输出都拿来跑模型评测，以确保我们的交付质量是市场最优的。如果把这两点做好，ARR自然就上去了。还有一个重要指标是使用Lovart的创作者和设计师的数量——目前那条增长曲线呈现出指数级上升。

2026年，AI Agent主导的世界会变成啥样？

Thomas Luo： 现在是2025年7月。一年后的2026年7月，你希望在《经济学人》或《纽约时报》等大众媒体上看到关于AI智能体的什么标题？

Elena Leung： 到2026年7月，我觉得AGI（通用人工智能）或许已经出现了。也许我们都将去休一个长达一年的长假呢！AI技术的进步以及其上的产品将让全世界惊叹。来自不同垂直领域的我们这些创始人会为各行各业打造出运转模式。所以，那时的新闻标题会描绘这样一个世界：不同的智能体从各个角度赋能整个社会和各种产业。对于Lovart来说，标题可能会是：“人人都成了创意艺术家”。

Thomas Luo： 不会是“Lovart 摧毁了广告代理公司”这样的标题吗？

Elena Leung： 不，不。我认为我们的产品会帮助他们激发创意。

Ang Li：我想到的标题是：“AI已能以人类水准使用计算机。”因为有据可循：2024年1月，OS-World基准上的最佳成功率只有5%。2024年10月我们发布了首个开源智能体，成功率达到20%。一周后Anthropic发布了他们的智能体，达到15%。今年4月，我们发布了第二代智能体，达到了41.4%。而在人类在该基准上的水平是72%。照这个趋势，再过一年AI就能达到人类水准。在这场竞赛中，主要的玩家是OpenAI，可能还有Google DeepMind，以及我们Simular。

Lenjoy Lin： 我会准备两个版本的标题。第一个常规版本类似：“AI队友来了” —— 会伴随一些人类与AI协作成功的故事。第二个更劲爆的版本是，当更多AI智能体融入人们生活后，可能会出现关于“壳中幽灵成真”的新闻。

Pushkar Nandkar： 照现在技术的发展趋势，我们看到硬件和软件的融合更加紧密。一年内，会有更多初创公司专注于“芯片上的智能体”。我想现在已经有一些创业公司在研究这些想法，到时候我们会了解更多。这是硬件基础设施发展的一个方向。另一个是在手表等可穿戴设备上出现“微型智能体” —— 也就是在芯片上运行的非常专用的智能体。

Thomas Luo： 最后一个问题。请用一句话给当前正投身智能体开发的人一些建议。

Pushkar Nandkar： 天空才是极限（The sky is the limit）。你越富有创造力，就能做出越多产品、赚到越多钱。外面有很多工具可用，尽管去尝试吧。

Ang Li： 我想说：用Simular吧。我们有位客户用Simular构建公司，刚刚在种子轮融了500万美元。我期待会有另外十家这样的公司用Simular再各融到500万。

Elena Leung： 简而言之，速度就是一切。

Lenjoy Lin： 我有两点建议。首先，在基础架构层面，要用AI的思维重新设计架构——过去的编程范式会被改变。其次，我鼓励大家在日常工作和生活中多尝试AI产品。我希望Genspark能成为你的选择之一，帮助你实现更有意义的工作。

Elena Leung： （受到Ang的启发，我也想再补充一点。）你不需要再雇设计师或找设计公司了，Lovart就能帮到你。

Thomas Luo： 好的。感谢大家。非常精彩的讨论。

点个爱心，再走 吧