Chollet：AI 越多越需要 SaaS；Marcus：AI 冬天风险在过度承诺

本期窗口是北京时间 6 月 21 日 08:00 至 6 月 22 日 08:00。可写成主线的原创观点主要集中在 François Chollet 和 Gary Marcus：Chollet 把话题从「AI 会不会替代 SaaS」拉回企业系统本身，Marcus 则继续追问成本、过度承诺与创造力边界。Sam Altman、Andrej Karpathy、Yann LeCun、Demis Hassabis、Jim Fan、Ethan Mollick、Ilya Sutskever 在本窗口内没有可纳入主线的原创长推或观点性主帖。

Chollet 最有价值的一条，不是关于某个模型，而是关于企业软件。他写道：越拥抱 AI，越需要 SaaS；这点在喜欢「颠覆」故事的市场分析里并不明显，但对真正运营公司的人很明显。1

这句话值得放在企业采用 AI 的现实里看。很多替代论默认「AI agent 会直接操作一切」，所以中间层软件会被压缩。但企业真正缺的往往不是一个会点按钮的代理，而是能把权限、日志、审批、数据归属、跨部门协作和合规责任放进同一套可控系统。AI 越进入工作流，错误链条越长，越需要能追踪、回滚和分摊责任的软件层。

换句话说，Chollet 不是在替 SaaS 行业辩护，而是在提醒大家：AI 的能力增长不会自动删除组织复杂性。它会把更多动作交给机器，但企业仍要知道谁授权、谁复核、谁承担后果。对国内 AI 产品团队来说，这意味着「做一个聪明 agent」不够，能否嵌进客户已有系统，可能比演示里多跑几个任务更决定续费。

同一天，Chollet 还评价了 MaineCoon。他说这是第一个专注社交互动的视频模型，覆盖面部表情、情绪、流畅对话和音画同步等能力；他列出的推理规格是 22B 参数、单张 H100 上 47.5 FPS、实时生成成本低于每秒 0.001 美元。2

这条推文的重点不在「又一个视频模型」。Chollet 强调的是社交互动：表情是不是跟语义贴合，嘴型是不是跟音频同步，情绪变化是不是能连续跟上对话。过去很多视频模型把竞争点放在分辨率、时长和镜头运动，现在这个方向把竞争点推到「能不能实时陪人说话」。

他还提到 MaineCoon 使用 agentic streaming inference framework，并用三个辅助模型管理 cache 和 lookahead buffer。2 这说明低延迟不是单靠主模型压小就能解决，系统工程开始进入模型体验本身。对产品侧来说，视频 agent、虚拟陪伴、客服化身和教育场景都会被这个指标牵引：用户感受到的不是「模型参数」，而是对话间隙有没有卡顿，表情是否像在听，声音和嘴型是否别扭。

这里也能和上一节连起来。越是实时互动，越需要账户、计费、内容安全、记录留存和人工接管。Chollet 的两条推文其实指向同一个问题：AI 产品的下一步不是把软件层抹掉，而是让模型、工作流和商业系统绑得更紧。

Marcus 今天延续了过去几期的成本批评，但这次有两个角度值得保留。第一，他分享了「How big tech hides the true cost of AI」并点名 WSJ。4 这条本身没有展开长论证，但它延续了他最近对算力、能源、折旧和利润率的追问：如果 AI 的真实账单被资产化、外包化或延后确认，市场对「模型规模扩张」的定价就可能偏乐观。

第二，Marcus 转述 Brian Roemmele 的说法，称 AI 冬天风险来自「过度承诺相对于能力：雄心勃勃的公开声明超过了开放环境中已展示的表现」。他还反问，当技术乐观派听起来「exactly like me」时，是否意味着某种幻灭。3

这里的变化在于，Marcus 的批评不再只是「LLM 会幻觉」或「纯 scaling 不够」。他正在把怀疑扩展到资本市场和公司沟通：如果公司把尚未稳定兑现的开放环境能力包装成短期确定性，下一次失望就不只是技术讨论，而会传导到估值、招聘和客户预算。

这和 Chollet 的 MaineCoon 推文形成了一个有意思的夹角。一边是实时视频交互成本可能快速下降，另一边是整个行业的基础设施账单仍然沉重。产品局部出现突破，不等于公司层面的经济模型已经闭合。读者看 AI 公司动态时，最好把这两张表分开：一张表看具体能力是否进步，另一张表看该能力能不能用可持续成本交付。

Marcus 还有一条比较克制的原创。他认为，有人关于 LLM 创造力的说法「too strong」；真正新颖的 LLM 想法当然罕见，但他不认为任何数学证明了它们不可能。他补了一句：目标函数和输出并不是同一回事。5

这条值得单独拿出来，是因为它修正了外界对 Marcus 的刻板印象。他仍然怀疑当下 AI 叙事，但没有把「LLM 不擅长原创」推成「LLM 不可能产出任何新东西」。这对讨论很重要：批评 AI 时，如果把边界说成绝对不可能，就会给反方留下一个很容易击穿的靶子。更好的说法是区分概率、机制和可验证输出。

这也给今天的主线补上一层：Chollet 在看工程突破和产品入口，Marcus 在看商业承诺和论证边界。两人的结论并不完全冲突。真正的分歧在于时间尺度：模型能力正在局部推进，但行业叙事往往提前把局部推进写成全面兑现。今天的材料提醒我们，别只问「这个模型厉不厉害」，还要问两件事：它被接进什么系统，以及谁为它的真实成本买单。