5000万美元押注AI员工：Lindy创始人预言，App会便宜到用完就扔

2023年3月22日，GPT-4发布刚满一周，Cognitive Revolution播客请来Flo Crivello，一个法国创业者，带着5000万美元融资，发布他的AI助理产品Lindy。团队在发布前一个月就拿到了GPT-4的访问权。这个产品能替你发邮件、管日历、筛简历、约会议、发合同，Flo给它的定位是「AI员工」。

节目里他讲了个拿破仑的故事。拿破仑宴请各国领袖，低阶的用银餐具，高阶的用金餐具，最高阶的用铂金餐具，而拿破仑自己，用的是铝。因为在那个年代，铝比贵金属还难提炼。

两百年后的今天，Flo在播客里举着一罐LaCroix气泡水，铝罐的，喝完直接扔。曾经比黄金还金贵的材料，如今便宜到用完就扔。他说，代码正在走同一条路。

今天开发一个App要花1万到10万美元。Flo判断，我们正快速逼近一个App只要1美分的时代。到那时会出现「一次性应用」：为眼前这一次任务现写一个App，用完就丢。Lindy就是这么干的。

先交代下背景。Flo是软件工程师出身，十多年前被ImageNet时刻拉进AI的坑，在Coursera上完AI课程却找不到杀手级用例。GPT-2出来时他差点创业做企业搜索，玩了一圈觉得技术不成熟，收手了。等到GPT-3和ChatGPT接连出现，他判断这次是真的，于是有了Lindy。

一个会自己写代码的AI员工

Lindy是什么？Flo的定义：一个能动手干活的ChatGPT，能调用你的应用、访问你的数据，替你把活干了。管日历、管邮箱、订旅行、发合同、爬网页、找销售线索、帮招聘。

技术上最有意思的一点：团队只给模型喂API文档，比如Stripe和Slack的开发者文档，模型自己就学会了怎么调用这些工具。你给它一个目标，它自己决定什么时候调哪个API。

比如你说「帮我明天约Nathan半小时」。Lindy先调Google日历API查你的空闲时段，再调Gmail API把候选时间发邮件给Nathan，等对方回复，再调一次日历API，把时间写进双方日历。全程没人写一行规则。

更狠的是，它接到任务后会现场写一段代码来执行，代码里甚至有「调用我自己」的函数。比如「总结我和某人的历史往来」，它会写一段代码：先调Zoom API拿会议录音，再调Gmail API拿往来邮件，然后递归调用自己去逐段总结。这段代码是一次性的，任务完成就扔掉。

演示环节，Flo输入「帮我在旧金山找软件工程师」，Lindy直接列出候选人，点开一看，有Stripe的、有Asana的。接着让它按职位描述起草招聘邮件、逐个个性化、发送，一气呵成。Flo说光招聘这一件事，Lindy就让他省了50倍的力气。

它还管周期性任务。Flo设了一条规则：每次开会前5分钟，自动抓取Zoom链接、和对方的往来邮件、历史会议录音、对方LinkedIn主页，打包成摘要发到他的Slack。Lindy甚至会自己加入Zoom会议，录音、记笔记、出总结，你还能追问它「这个会聊了什么」「对方什么态度」，或者让它根据会议内容更新Salesforce、在Linear上建任务。

新用户接入的体验，Flo的类比是给行政助理办入职：第一次让它约人，它会说「我需要你的日历和邮箱权限」，你用OAuth授权，两下点击。不给密码，按需授权。

拿破仑的铝餐具，和反向操作系统

Flo把当下类比成工业革命。工业革命让某些商品便宜到可以一次性使用：一次性圆珠笔、一次性纸杯。1700年之前这不可想象，当时一个杯子的价格折合今天大约500美元，现在5美分就能买到。

铝从贵金属变成垃圾，靠的是冶炼成本崩塌。Flo认为代码正在经历同样的崩塌：App从几万美元一个跌向几美分一个，软件的生产逻辑会整个反过来。

他对未来计算的判断是「反向操作系统」。传统操作系统在硬件之上、应用和数据之下；Lindy这种东西在应用和数据之上，把你的邮箱、日历、文档、会议记录全部拼起来干活。你不再挨个打开应用，你只跟一个助手说话。

未来的计算体验，是你在跟电脑对话，然后电脑跟你一起干活，甚至替你把活干了。

具体场景已经跑通了不少。邮件：早上打开收件箱，Lindy已经把邮件分好优先级，并按你对每个收件人的语气预写好回复。你对老婆说话和对投资人说话肯定不是一个腔调，它分得清。你只需要审阅、微调、发送。日历：自动处理冲突，尊重任意偏好，比如周五不开会、上午11点前是专注时间不许排会。

Flo的愿景还有一层：Lindy想成为LLM时代的PC。实验室造出了CPU这种神奇的东西，但普通人需要的是整机、是打包好的产品。所以Lindy不会只是一个文本框，它会出现在邮件里、Slack里、会议里、语音备忘录里，最终你打个电话它也接。

创业公司凭什么赢Siri和Google

这个赛道不可能只有创业公司。Alexa和Google Assistant已经装进几千万个家庭，Siri的大升级当时也在传闻中。主持人Nathan直接问：巨头进场，你怎么活？

Flo的回应分三层。

第一，他不怎么看竞争对手，引用贝索斯的话：竞争对手又不会给你钱。而且这个市场是「所有市场之母」，容得下很多赢家。

第二，巨头有结构性短板。他引用Reid Hoffman的比喻：现在所有人都像夜里在大雾中开车，看不清前方。没有人在这种环境里是强手，但大公司比创业公司更弱，创业公司恰恰擅长在混乱中生存。Google是现成的反面教材：发布Bard时回答出错，市值一夜蒸发几十亿美元。创业公司发个半成品，没人心疼。

第三，专注度。Apple有FaceTime，功能也在完善，但Zoom照样做成了大公司，因为B2B专业场景Apple结构性够不着。同理，Google Assistant和Siri是消费产品，公司太大，必须从第一天就服务所有人。Lindy只盯一类人：忙到爆炸的专业人士，会议太多、时间太少、邮箱爆满。大公司必须撒大网，创业公司可以扎一个点。

不谈成本，只谈质量

技术选型上，Flo给团队下的指令很极端：决策标准只有一条，回复质量。禁止讨论成本。

当时GPT-4贵得离谱，Lindy服务一个客户的模型成本是每月几十美元。Flo的态度是接受，理由是模型成本一年降了20倍，这不是需要操心的问题。他们试过市面上几乎所有模型，GPT-4仍然遥遥领先，为此他们建了模型无关的基础设施，随时能快速换模型。

Nathan算了笔账：半年前主流模型价格从每千token 6美分降到2美分，又降到0.2美分，GPT-4重新拉高价格，差价大约20倍。Flo的回答是直接付这20倍。

别跟摩尔定律对赌，这比摩尔定律还快一个数量级。真正的问题是：便宜的变好更快，还是好的变便宜更快？我们的赌注是，好的会快速变便宜，便宜的未必变好。

具体到GPT-4带来的提升，Flo列了几条。上下文窗口扩到32k是巨变，以前要靠摘要、嵌入、微调绕着限制走，现在很多内容直接塞进去就行。提示工程大幅减少，GPT-3.5时代要连哄带骗才肯输出，GPT-4经常零提示工程直接开箱即用。唯一的缺点是慢，但Flo不在乎：就算30秒才回复，也比人类助理快得多，何况它7×24在线，实际响应只要10秒左右。开箱就是一个超人行政助理。

同时团队在用积累的数据微调自己的模型，在内部基准上进步很快。Flo判断最终会是GPT-4加自研模型的混合方案，理由依然只有一个：质量。

这里有个插曲。GPT-4的API不再返回log probs（各token的概率分布），Flo猜测OpenAI是为了防别人拿它做模型蒸馏。这对Lindy是实打实的损失，他们本来要用困惑度判断模型对动作的把握。被逼无奈，他们训练了一个单独的困惑度模型：输入提示、上下文和即将执行的动作，输出「这事是不是高确定性」。

给AI系安全带：把信送给加西亚

一个能读你全部邮件、能替你发邮件的AI，怎么保证它不闯祸？Flo搬出一篇老文章《把信送给加西亚》：将军把信交给第一个士兵，士兵问「加西亚是谁」，将军把信收回来；第二个士兵问「加西亚在哪」，又被收回；第三个士兵接过信只说了两个字：办妥。

Lindy追求第三个士兵的状态。你说「给John发个邮件」，它不该反问「John是谁」，如果你天天跟John开会，它应该自己查联系人、日历、邮件历史，搞清楚John是谁。

但主动和可靠天生打架。主动多了就会出错，而Lindy七条「宪法原则」里，可靠性永远优先。怎么权衡？Flo给了两个因子：一是困惑度，模型对「这是不是正确的事」有多大把握；二是赌注，万一搞错后果有多严重。「发邮件开除John」这种事，就算把握很大，赌注太大，也必须先找你确认。

还有一个更简单的启发式：只读操作直接干，读写操作一律先确认。搜你的邮件、帮你查搬猫的物流方案，直接执行；替你发邮件、替你下单，必须过一道人工确认。

隐私也写进了宪法。Flo提了个词源：secretary（秘书）的词根是secret（秘密），秘书的本职就是守得住秘密的人。Lindy的承诺是不泄露信息、不卖数据、永远不做广告，靠订阅费赚钱，让激励对齐。这七条原则挂在官网首页，Flo说公司从战略决策到产品决策到模型训练（微调、RLHF、RLAIF），全部拿它当标尺。

工作流还能像积木一样组合。你可以教它：「我说发合同，就是去DocuSign用模板生成、邮件发出」；再教它：「我说给供应商办入职，第一步先发NDA」。于是「供应商入职」里嵌套了「发合同」，拼出一整片工作流星座。API覆盖不到的动作，他们还在建网页浏览代理做兜底。

工作会消失吗，明天能干点啥

GPT-4发布同期，OpenAI联合宾大和Open Research的研究员发了篇论文，估算大模型对劳动力市场的冲击，结论是至少25%的工作任务会被波及。Flo怎么看？

他分了两个时间尺度。五年内，他不太担心失业，理由是历史：1900年代初，美国90%的劳动力是农民，今天是5%，失业率却很低。他还引用Marc Andreessen的说法：每季度新闻里报的是净增减几千个岗位，但毛数字是百万级的岗位消失加百万级的岗位诞生，经济比人们想象的更有弹性，重组速度也快得多。

他真正兴奋的是另一头：GDP涨20%，每个人效率提升20%到50%。至于凯恩斯「每周工作15小时」的老预言，Flo认为方向没错，只是太早了，美国人均工时过去一百年已经降了30%到40%，未来会有一部分人主动选择少赚点、多歇点。

长期风险他没回避。AGI出问题的概率「低但不是零」，这是他原话。他的态度让主持人有点意外：他认为AI需要监管。航空、银行、建筑全是强监管行业，因为涉及安全，AI应该一样。

至于希望，他说得很朴素：把人从机械劳动里捞出来。数据录入、来回协调日程这种事，本该是机器人干的，人不该把生命耗在上面。产品节奏上，Lindy当时还是极小范围内测，每周接入一批新用户，计划年内全面开放，最大的待解问题是可靠性，他拿自动驾驶类比：一百万英里才出一次事故的系统，需要几百万英里甚至百倍于此的数据，才能确认它真的好。节目末尾Nathan问了个刁钻问题：如果Neuralink成熟了，能用意念直接跟Lindy对话，你植不植？Flo的回答：至少等十年，脑袋只有一个。

最后是这期节目里今天就能抄的作业。

• 抄Flo的写作流水线。他写博客原来要4到6小时，后来改成：对着手机胡侃15到20分钟，用Whisper转成文字，把转写稿连同风格要求（口语化、极简、简单）一起喂给大模型，半小时出稿，几乎一遍过。他那份产品发布的博客就是这么写的。
• 用「困惑度×赌注」给AI授权。让AI动手前问两句：它对这件事有多大把握？搞错了损失多大？只读的事放手让它干，花钱、发消息、删东西的事留一道人工确认。这套框架今天管自己的AI工具照样成立。
• 警惕窄工具。Flo吐槽Product Hunt上每周冒出上百个AI小工具，没人想管理几百个登录和链接，人们要的是一个大文本框，输入想干的事就完。选工具时优先挑通用的、能连你自己数据的，而不是又一个单点小玩意。

结尾回到那罐LaCroix。当一样东西的成本跌到接近零，人和它的关系会被彻底重写。铝如此，代码正在如此。Flo的赌注是：下一次你需要的那个软件，会在你说出需求的瞬间被写出来，用完即弃。到那天，你跟电脑的关系，就只剩对话了。