前 OpenAI 成员做 Dust：他为什么放弃“最火的 LLM 平台路线”

在 Stripe AI Day 的一场炉边对谈中，Dust 创始人 Stanislas Polu 抛出了几个让人意外的判断：LLM 并不缺能力，真正缺的是产品；LangChain 很好，但不适合长期留在生产；对话式 AI 只是被“逼出来”的起点，而不是终点。这是一场比 Demo 更值得反复咀嚼的创业复盘。

最反直觉的开场：LLM 的问题从来不是不够强

这场对谈一上来就很“反套路”。当全行业还沉浸在模型能力狂飙、参数规模竞赛时，Stanislas Polu 回顾自己一年前离开 Stripe、短暂进入 OpenAI 后，真正被“触发”的并不是模型有多强，而是——这么强的模型，几乎没人真正用好它们。

他明确说过一句话：这既是研究问题，更是一个产品问题。GPT-3 当时已经可以通过 API 使用，但现实是，绝大多数公司不知道如何把它变成稳定、可依赖、可扩展的生产系统。不是不会写 prompt，而是不知道如何围绕 LLM 设计工作流、权限、数据边界和失败兜底。

这直接解释了 Dust 的诞生逻辑：不是再造一个模型，而是试图解决“模型已经在那儿，但没人敢把它放进核心业务”的尴尬处境。这个判断本身，就已经和当时主流的 scaling 叙事拉开了距离。

从“开发者平台”到推倒重来：LangChain 给的最大教训

Dust 的第一版，其实非常“顺势而为”：一个面向开发者的 LLM 应用平台，支持模型调用、外部 API 串联、快速做 demo。听起来像什么？没错，几乎就是后来 LangChain 大火的那条路。

而 Polu 说得非常坦率：问题不在于开发者不喜欢，而在于开发者迟早会“毕业”。当你真的要上生产、要做复杂逻辑、要对稳定性和成本负责时，很少有人愿意长期被锁在一个抽象框架里。

他甚至点名 LangChain：它非常适合展示可能性，但真正进入 production 时，是否还愿意依赖这样的中间层，是一个更残酷的问题。正是这种“我们会被自己最好的用户抛弃”的恐惧，促使 Dust 在短短一年内选择彻底重来。

这也是一个对所有 LLM 工具创业者都很刺耳的现实：demo 友好度 ≠ 长期价值。

为什么在巴黎做 AI 公司？这不是情怀，是现实最优解

当话题转向创业环境，Polu 的判断同样不太“硅谷中心论”。Dust 选择在法国、在巴黎搭建团队，原因并不浪漫：人就在这儿，建公司更简单。

更重要的是，投资人已经不再执着于“你是不是在湾区”。而巴黎的 AI 人才密度，恰恰是被长期低估的部分。法国工程教育体系极强的数学背景，加上大量在 GAFA 和顶级研究机构（如 INRIA、CNRS）训练出来的研究者，形成了一个深度 AI 人才池。

当然问题也很现实：GPU 资源、算力激励、基础设施还在补课。但他用一个有意思的比喻总结现状——今天的巴黎，很像 10 年前的硅谷：不完美，但足够密集、足够有能量，让人愿意下场。

这对欧洲 AI 创业者来说，是一种罕见的“现实主义乐观”。

对话式 AI 不是终点，开源与推理才是下一战场

在 Q&A 环节，Polu 抛出了另一个关键判断：对话式界面只是一个被迫选择的起点，而不是 AI 产品的最终形态。当初融资时，Dust 也被问过无数次这个问题——但现实是，大家还没来得及探索更多形态，就已经被 Chat 界面“统一格式”了。

他同样没有站队极端的开源或闭源阵营。在他看来，7B 级别的小模型在特定任务、尤其是内部数据场景中非常有价值；而前沿大模型则在复杂推理和泛化能力上仍然不可替代。真正会发生的，是一种标准与能力的逐步收敛。

至于幻觉问题，他的态度也很工程化：别指望模型自己变“诚实”，而是要在系统层面设计约束、校验和 fallback。这再次呼应了 Dust 的核心信念——问题不在模型，而在你怎么“编排”它。

总结

这场对谈最有价值的地方，不在于 Dust 具体做了什么，而在于 Stanislas Polu 一再强调的那条暗线：LLM 时代的真正壁垒，不是模型能力，而是产品判断和系统设计。如果你是开发者，要警惕只为 demo 而生的工具；如果你是创业者，要反复追问：当用户进入生产环境，你的价值还剩多少？下一阶段，真正拉开差距的，将是那些能把推理、数据、成本和失败处理成一个“可靠系统”的团队。

关键词： 大语言模型， LangChain， OpenAI， AI推理， 开源模型

事实核查备注： 需核查：1）Stanislas Polu 在 Stripe 与 OpenAI 的具体任职时间；2）Dust 成立与产品重构的大致时间线（是否为一年内）；3）关于 LangChain 的评价是否为原话或语义转述；4）巴黎 AI 人才与研究机构的具体引用是否在原视频中明确提及。