“模型会吃掉所有工具”：DeepMind高管揭示AI产品的反直觉未来

当大多数公司还在给AI加规则、加界面、加流程时，Google DeepMind却在内部反复讨论一个危险但真实的判断：模型最终会“吃掉”这些外部束缚。Sequoia的这场对谈，罕见地把大模型、Agent、产品形态和组织文化串成了一条清晰的因果链。

最反直觉的一句话：模型终将吃掉“安全带”

这场对话最值得反复回味的，不是某个新功能，而是一种几乎违背直觉的产品哲学——“the model eats the harness”。在DeepMind内部，所谓harness，指的是我们人为加在模型外部的各种约束：规则引擎、流程编排、显式工具链、复杂的UI。传统理解里，这些东西是为了“控制”模型、让它更安全、更可用。

但Logan Kilpatrick的核心判断恰恰相反：随着模型能力提升，这些外部结构会不断被内化。你今天用prompt、workflow、agent框架才能完成的事，明天可能只需要一句自然语言。不是因为工程师变懒了，而是模型学会了这些“套路”。

这背后是一个残酷的现实：如果你的产品价值主要来自外部壳层，而不是模型能力本身，那你正在和时间赛跑。模型进化的速度，可能比你维护harness的速度快得多。

Agent增长不是拉新，而是“能力复利”

对话中一个很容易被忽略、但对从业者极其重要的词是：agent growth。它并不是传统意义上的用户增长，也不是DAU、留存那套指标，而是“Agent本身能力的增长路径”。

Logan提到，真正有潜力的Agent，不是靠不断加功能，而是靠在真实任务中不断吸收上下文、工具使用经验和反馈信号。这也是为什么DeepMind更关心Agent是否能跨任务迁移，而不是在单点benchmark上多赢0.1分。

这直接改变了产品决策逻辑：你是在为人设计功能，还是在为Agent设计学习环境？前者追求的是“看起来很强”，后者追求的是“用得越久越强”。这也是为什么他们反复强调内部dogfooding——不是为了体验UI，而是为了暴露Agent在真实复杂环境下的失败方式。

一个公司该有几个AI入口？这是战略，不是UI问题

当聊到Google是否会有一、两个、还是三个核心AI产品入口时，讨论明显跳出了“界面整合”的层面。这不是产品经理的选择题，而是公司级战略。

Logan的态度很克制：入口数量本身不是目标，关键在于每一个surface是否对应清晰的使用情境和模型能力边界。搜索、办公、开发者工具，看似是不同产品，实质上是在喂养模型不同分布的数据和任务结构。

这里的潜台词是：如果你过早强行“一个入口统治所有场景”，你可能反而限制了模型的学习空间。对大模型公司来说，产品不是终点，而是数据和反馈的采集器。

为什么编码成了最好的试验场

在所有应用场景里，编码被反复提到，原因并不神秘：它是少数几个“反馈极其清晰”的领域。代码要么能跑，要么不能跑；diff、测试、报错，都是高质量信号。

Logan提到，很多能力提升并不来自模型结构的大改，而是post-training阶段的精细调校。这对外界是个重要信号：当基础模型逐渐趋同，真正拉开差距的，是你有没有足够多真实、复杂、带反馈的使用数据。

这也是为什么AI Studio、内部开发工具被看得如此重要——它们不是开发者福利，而是模型进化的基础设施。

DeepMind文化的隐性规则：永远假设模型会更强

谈到DeepMind文化时，有一个贯穿始终的隐性假设：模型能力会持续、快速地提升。这个假设几乎决定了一切——架构要不要留余地、产品要不要过度设计、流程是不是足够灵活。

在这种文化下，很多“看起来合理”的长期规划都会被质疑：如果半年后模型能直接做这件事，那我们现在做的这一层是否值得？这种自我否定式的思考，正是“模型吃掉harness”能够成为共识的土壤。

总结

如果你正在做AI产品，这场对谈给出的最大提醒是：不要把暂时的工程结构，当成长期护城河。模型能力的提升，正在持续吞噬我们习以为常的工具、流程和界面。真正值得投入的，是那些能随着模型变强而放大价值的东西——真实使用场景、高质量反馈、以及允许Agent成长的环境。

一个值得你带走的问题是：如果你的模型在一年内能力翻倍，你现在设计的这套产品，有多少会被“吃掉”，又有多少会变得更重要？答案，可能决定你是在造未来，还是在修临时工棚。

关键词： Google DeepMind， AI Agent， 模型即产品， Agent增长， AI产品战略

事实核查备注： 需要核查：1）“the model eats the harness”是否为原话或语义转述；2）Logan Kilpatrick在Google DeepMind的具体职务；3）视频完整时长以确认文章结构匹配；4）AI Studio相关表述是否在视频中明确提及；5）关于post-training提升编码能力的具体语境。