技术追求平等，结果却走向精英化

每当新技术降低行业门槛，类似的预测总会出现：既然人人都能做，优势就不复存在。拍照手机让所有人成为摄影师，Spotify 让所有人成为音乐人，AI 让所有人都能成为软件开发者。

这种预测往往只对了一半。底线确实抬高了——更多人能创作、发布、参与竞争。但预测忽略了天花板。天花板上升得更快。底线与天花板之间——即中位水平与顶尖水平之间——的差距并未缩小，反而在拉大。

幂律分布的本质在于：它不会顾及你的初衷。平权技术最终带来的是精英化结果，每一次都是如此。

AI 也不会例外，甚至会更加极端。

市场的形态

Spotify 上线时，做了一件真正激进的事：让全球任何音乐人都能获得原本需要唱片公司、营销预算和好运气才能获得的同等发行渠道。结果是音乐数量爆发式增长。数百万新艺术家，数十亿新作品。底线如承诺般被抬高。

但同时也发生了这样的事：如今，顶尖 1% 艺术家获得的播放份额比 CD 时代还要多。音乐更多，竞争更激烈，发现顶尖作品的方式更多，听众不再受地理或货架空间限制，最终都聚集到最优秀的作品。Spotify 并未实现音乐的平权，反而加剧了竞技场的激烈程度。

写作、摄影、软件领域亦是如此。互联网创造了有史以来最多的写作者，也带来了最为残酷的注意力经济。参与者变多，顶层竞争更激烈，基本格局未变：极少数人获得大部分价值。

我们对此感到惊讶，是因为习惯于线性思维——以为生产力提升会像水倒进平底容器那样均匀分布。但复杂系统并非如此，从未如此。幂律分布不是市场偶然或技术承诺的失败，而是自然的默认状态。技术并未创造它，而是揭示了它。

以 Kleiber 定律为例。地球上所有生物体——从细菌到蓝鲸，跨越 27 个数量级的体重——新陈代谢率都以体重的 0.75 次幂增长。鲸鱼的新陈代谢并非按体型线性增长。这种关系就是幂律，并且在几乎所有生命形式中都极其精准地成立。没人设计了这种分布，这只是复杂系统中能量自然演化的形态。

市场本身就是复杂系统。注意力是一种资源。当摩擦消失——地理、货架空间、分销成本不再是缓冲——市场就会回归自然形态。这不是钟形曲线，而是幂律分布。平权的故事和精英化的结果始终并存，这也是为什么新技术总令我们措手不及。我们看到底线提升，就以为天花板也在同步上升。其实不然，天花板拉得更远了。

AI 会比以往任何技术都更快、更猛烈地推动这一切。底线正在实时提升——人人都能发布产品、设计界面、编写生产代码。但天花板也在上升，且速度更快。值得思考的问题是：究竟是什么决定了你最终抵达何处？

当执行变得廉价，品味成为信号

1981 年，Steve Jobs 坚持要求原始 Macintosh 的电路板必须美观。不是外观，而是内部——用户永远看不到的部分。工程师觉得他疯了，其实没有。他明白一点：这看似完美主义，实则是一种证明——你做任何事的方式，就是你做所有事的方式。一个让不可见部分也美观的人，并不是在表演品质，而是根本无法忍受交付低于标准的东西。

这很重要，因为信任难以建立，却很容易被伪装——哪怕一时。我们总在用各种启发式方法判断谁是真正优秀，谁只是在表演优秀。资历有帮助，但可以被包装。出身有帮助，但是继承来的。真正难以伪造的是品味——对无人要求你达到的标准，持续展现出的执着。Jobs 并不需要让电路板变美，但他做了，这说明他在你看不见时也会如此。

过去十年里，这种信号一度被削弱。在 SaaS 高峰期——大约 2012 到 2022 年——执行标准化到极致，分销才是稀缺资源。只要你能高效获客、建立销售体系、达到“40 法则”，产品本身几乎无关紧要。只要 go-to-market 够强，平庸的产品也能胜出。品味的信号被增长数据的噪音淹没了。

AI 完全改变了信噪比。当任何人都能在一个下午生成可用产品、精致界面、可运行代码时，“能不能用”不再是区分标准。问题变成：这是否真正优秀？这个人能否分辨“好”和“极致”，并且愿意主动弥合差距，即使没人强迫他们？

业务关键型软件更是如此——企业信任其发薪、合规、员工数据的系统。这些不是随便采用、下季度就能弃用的产品。切换成本是真实存在的，失败代价很大，部署者要为后果负责。这意味着在签约前，他们会用所有信任标准来衡量。一个精美的产品就是最强烈的信号之一。它说明：开发者在乎。他们在乎你能看到的部分，也很可能在乎你看不到的部分。

在执行变得廉价的世界里，品味就是“工作量证明”。

新阶段的奖励机制

这一直如此。但有近十年，市场让这一点几乎不可见。软件领域最重要的能力，与软件本身无关。

大致从 2012 到 2022 年，SaaS 的核心架构已被摸透。云基础设施便宜且标准化，开发者工具成熟。构建可用产品虽难，却是“可解的难题”——只需招合适人才，按套路操作，投入足够资源就能达标。真正稀缺、决定胜负的是分销。你能否高效获客？能否建立可复制的销售流程？能否精准把握单位经济模型，在最佳时机加速扩张？

在那种环境下脱颖而出的创始人大多来自销售、咨询、金融领域。他们精通十年前还无人理解的指标——净美元留存率、平均合同价值、魔力数字、“40 法则”。他们生活在表格和销售漏斗中，这在当时完全合理。SaaS 巅峰期造就了 SaaS 巅峰创始人，这是理性的适应。

而我觉得这种环境令人窒息。

我成长于印度人口 25000 万的小镇。每年，全印度大约只有三名学生能进入 MIT，且无一例外都来自德里、班加罗尔或孟买的昂贵预科学校——这些学校专为此目标而建。我是我们邦历史上首位录取者。我说这个不是为了炫耀，而是因为这正是本文核心观点的缩影：当机会有限时，出身决定结果；当机会开放，最终还是最深入的人胜出。我是在一群“出身党”中押注“深度”的那一个，这也是我唯一会下的注。

我主修物理、数学和计算机科学——这些学科中最深刻的洞见并非来自流程优化，而是发现别人忽视的真相。我的硕士论文研究的是分布式机器学习训练中的“掉队者”缓解：当你在大规模系统中运行，部分节点落后时，如何在不损失整体完整性的前提下进行优化。

二十出头时，我看向创业世界，发现这一切似乎都无关紧要。市场看重的是 go-to-market，而非产品本身。打造技术上卓越的产品几乎显得幼稚——这被视为偏离主赛道，真正的游戏是获客、留存和销售效率。

直到 2022 年底，环境发生了变化。

ChatGPT 让人们直观感受到——比多年论文更具冲击力——曲线已然弯折。新的 S 曲线开启了。阶段转换不会奖励最适应上一阶段的人，而会奖励那些能在其他人还没反应过来前，洞察新阶段可能性的人。

于是我辞职，创办了 Warp。

我们的下注很明确。美国有 800 多家税务机构——联邦、州、地方——各自有不同的申报要求、截止日期和合规逻辑。没有 API，没有编程接口。几十年来，每家薪酬服务商都靠人力解决：成百上千的合规专员手动应对一个本就不适合规模化的系统。传统厂商如 ADP、Paylocity、Paychex 并没有解决复杂性，而是把它吸收进人力成本，再转嫁给客户。

2022 年时我就能看出，人工处理方式很脆弱。我也能看见改进的曲线。那些多年关注大规模分布式系统、密切跟踪模型演进的人，能够判断：眼下还很脆弱的技术，几年后就会变得可靠。于是我们下注：从零搭建 AI 原生平台，从行业内最难自动化的流程切入——传统厂商架构根本无法实现自动化的那一环。

这个下注现在已初见成效。但更重要的是模式识别。AI 时代的技术型创始人不仅有工程优势，还具备洞察优势。他们看到不同的切入口，下注不同。他们能重新审视一个被普遍认为“永久复杂”的系统，问一句：要真正自动化它，需要什么？然后，关键是，他们能把答案做出来。

巅峰 SaaS 时代的创始人是在约束条件下的理性优化者。AI 正在消除这些约束，并带来全新的约束。在新环境下，稀缺资源不再是分销，而是看见新可能的能力——以及有品味、有信念去把它做到应有标准的能力。但还有第三个变量决定一切，而大多数 AI 时代的创始人在这一点上犯了灾难性的错误。

高速环境下的长期主义

现在创业圈流行一句 meme：你有两年时间逃离“永久底层”，要么快建快融快退，要么死掉。

我理解这种心态。AI 的发展速度让人感到生存危机，抓住风口的窗口期似乎极为短暂。年轻人看着 Twitter 上的“一夜成名”故事，自然会认为这场游戏比拼的就是速度，赢家就是窗口期内跑得最快的人。

但这恰好在错误的地方成立。

执行速度极其重要。我对此深信不疑——甚至把它写进了我公司的名字。但“执行快”并不等于“视野短”。AI 时代最有价值的公司，不是两年冲刺然后卖掉的那批，而是十年冲刺、持续复利的那批。

短视思维的最大误区在于：软件最有价值的东西——专有数据、深度客户关系、真正的切换成本、合规专长——都需要多年积累，无论竞争对手有多少资金或 AI 能力，都无法速成。当 Warp 为多州企业处理薪酬时，我们在数千个辖区积累合规数据。每一份税务通知、每一个边界案例、每一次州注册都在训练系统，让其每个月都更难被复制。这不是功能，而是护城河——只有长期高质量建设，才能形成壁垒。

这种复利效应在第一年几乎看不见，第二年才隐约可见，到第五年就成了全部。

Frank Slootman——比几乎任何人都更擅长打造和扩展软件公司的企业家——说得很简单：要习惯不适，不是一阵子，而是常态。初创公司“战争迷雾”中的迷茫、不确定信息、必须持续决策的压力，两年后不会消失，只会转化为新的不确定性。能坚持下来的创始人，不是那些找到确定性的人，而是能在不确定中清晰前行的人。

创业的残酷超出未经历者的想象。你要在持续低烈度的恐惧和偶尔高烈度的恐惧中生活。你要在信息不全的情况下做成千上万个决定，明知一连串错误就会毁掉一切。你在 Twitter 上看到的“一夜成名”故事，不只是已是幂律分布中的极端异类，更是极端中的极端。以此优化你的策略，无异于靠研究误入赛道、只跑了 5 公里的马拉松选手成绩来训练自己。

那为什么还要做？不是因为这很舒服，也不是因为胜算高。而是对某些人来说，别的选择根本称不上“活着”。因为唯一比从零开始创业的恐惧更糟糕的，是从未尝试的窒息感。

而且——如果你的下注是对的，如果你发现了别人还没意识到的真相，如果你能用品味和信念，长期坚持执行——最终的成果不仅仅是财务上的。你会创造真正改变人们工作方式的东西，打造让人热爱的产品，吸引和培养那些在你平台上做出最好作品的人。

这是一项十年工程。AI 并不会改变这一点，从未改变过。

AI 改变的，是这十年里“可能性天花板”的高度——只属于那些坚持到最后的创始人。

无人关注的天花板

那么，经历这一切后，软件的终局究竟是什么样？

乐观主义者认为 AI 带来繁荣——更多产品、更多建设者、更多价值分散到更多人手中。他们是对的。悲观主义者认为 AI 毁掉了软件护城河——任何东西都能一下午被复制，壁垒已死。他们也对了一部分。两派都在关注底线，没人关注天花板。

未来会有成千上万的点状解决方案——小而实用、由 AI 生成、能解决细分问题的工具。很多不是公司造的，而是个人或内部团队为自己需求开发的。对于低风险、易替换的软件，市场确实会高度平权：底线很高，竞争激烈，利润微薄。

但在业务关键类软件领域——企业信任其资金流转、合规、员工数据、法律风险的系统——情况完全不同。这些流程容错率极低。发薪失败就没人拿到工资，报税出错 IRS 会介入，福利注册出问题就会有人失去保障。选择软件的人要为其后果负责，这种责任不会被外包给一个“下午随手写出来”的 AI。

在这些场景下，企业仍会信任供应商。而在供应商中，“赢家通吃”格局会比上一代软件更为极端。原因并非网络效应更强——虽然确实更强——而是 AI 原生平台大规模运行、在数百万交易和数千合规边界案例中积累专有数据后的复利优势，几乎无法被后来者快速复制。护城河不是功能集，而是你在高质量、高规模、容错率极低领域长期积累形成的壁垒。

这意味着软件市场的集中度会超过 SaaS 时代。十年后的 HR 和薪酬领域，我不认为会有二十家公司各自占据个位数份额。我预计只有两三家平台掌握绝大部分价值，而长尾点状方案几乎分不到什么。所有合规复杂性、数据积累、切换成本能复利的赛道，都会出现同样格局。

最终站在顶端的公司会有类似特征：由真正有产品品味的技术型团队创立，从第一天起就是 AI 原生架构，活跃在 incumbents 结构性无法应对的市场。他们会很早下注独特洞见——看到了 AI 能带来的新可能——并且坚持到复利效应显现。

我一直在描述这种创始人的抽象形象，但其实我很清楚他是谁——因为我正努力成为那个人。

我创办 Warp，是因为 2022 年我坚信，员工运营的整个技术堆栈——薪酬、税务合规、福利、入职、设备、HR 运营——都建立在人工和遗留架构之上，AI 能彻底替代它们，不是改善，而是替代。传统厂商靠将复杂性吸收到人力里赚取十亿美元，我们的方式是从源头消除复杂性。

三年过去，这个下注正在兑现。自上线以来，我们已处理超过 50000 万美元的交易，增长迅速，为全球最重要科技公司提供服务。每个月，我们积累的合规数据、解决的边界案例、搭建的集成，让平台越来越难以复制、对客户越来越有价值。护城河还在早期，但已经具备规模，并在加速形成。

我说这些，并不是因为 Warp 的成功是必然的——幂律世界里没有什么是必然的——而是因为支撑我们走到今天的逻辑，正是本文一直在阐述的逻辑。发现真相，比任何人都更深入，打造无需外部压力也能自我维持的标准，长期坚持下去，才能知道自己是否正确。

AI 时代的伟大公司，将由这样的人打造——他们明白，稀缺的从来不是“机会”，而是“洞见”；护城河从来不是“执行”，而是“品味”；优势从来不是“速度”，而是“深度”。

幂律分布不在乎你的初衷，但它会奖励那些正确的。

免责声明：

1. 本文转载自 [ayushswrites]。版权归原作者 [ayushswrites] 所有。如对转载有异议，请联系 Gate Learn 团队，我们会及时处理。
2. 免责声明：本文仅代表作者个人观点，不构成任何投资建议。
3. 本文其他语种版本由 Gate Learn 团队翻译，除特别说明外，禁止复制、分发或抄袭译文。