Kevin Weil 管理着 4 亿周活用户的 ChatGPT 产品。他最反直觉的洞察是：设计 AI 产品体验时，最好的心智模型是"想象一个人会怎么做"——模型需要思考 25 秒？人也不会沉默 25 秒。多个模型协作？就像团队头脑风暴。他的另一个核心信念：Chat 不是过渡界面，而是因为人类语言本身就是最通用的接口。OpenAI 的产品哲学是"模型极大主义"——不花时间修补当前模型的缺陷，因为两个月后新模型会让这些缺陷消失。
Kevin 引用了一个他很喜欢的定义：AI 是你还做不到的事；做到了就叫机器学习；普及了就叫算法。自动驾驶三年前是 AI，现在湾区满街都是 Waymo，没人觉得它特别。
这个定义揭示了一个产品人必须面对的现实：你正在构建的"AI 产品"，两年后会变成一个普通功能。如果你的竞争力只是"我用了 AI"，那你没有竞争力。
今天你用的 AI 模型，是你这辈子用过的最差的 AI 模型。当你真正理解了这句话，你对产品的思考方式会完全不同。
— Kevin Weil
OpenAI 内部有一个哲学叫"Model Maximalism"。核心思想：模型不完美，你可以花大量时间在模型周围搭脚手架，但两个月后新模型会让这些脚手架变得多余。
给开发者的建议也是一样：如果你正在做的产品刚好在模型能力的边缘，继续做。不要因为模型"差一点点做不到"就放弃。再等两个月，模型会进步到让你的产品真正发光的程度。
Bolt/Stackblitz 的故事就是最好的例证：他们的产品做了七年都不行，直到 Claude Sonnet 3.5 出来的那天，一切突然 work 了。
Kevin 说他最惊讶的发现是：你可以像理解人一样理解 AI 模型的行为，而且它居然有效。
几个例子：
🤔 思考 UI：推理模型需要 25 秒思考。人会怎么做？不会沉默 25 秒，也不会把每个想法都说出来。他们会给你零星的更新——"嗯，这是个好问题。让我想想……" OpenAI 最终的设计就是这样。
🧠 多模型协作：多个模型攻击同一个问题，然后一个模型整合答案——这就像人类头脑风暴。一群人想问题，一个人总结，效果比一个人独自想好得多。
🏢 公司就是模型集合体：每个员工都是一个经过"微调"的模型（通过教育和职业经历），组合在一起的输出比任何个体都好。有些人便宜，有些人贵；有些人快，有些人慢；有些人会"幻觉"。
不是说答案总是"想想人会怎么做"。但当你不知道该怎么设计时，想想同等情况下一个人会怎么反应——这给了你一个很好的起点。
— Kevin Weil
人们总说"Chat 只是过渡，等我们找到更好的 AI 界面"。Kevin 不同意。他的论点：如果我们之间有一个更死板的界面，我能和你讨论的主题范围就会小很多。Chat（无论是文字还是语音）是人类沟通的最低公约数——最灵活、最通用、没有限制。
过去 Chat 不行，是因为没有模型能理解人类语言的复杂性和微妙性。LLM 改变了这一点。Chat 不是 LLM 的临时界面，它是为 LLM 量身定制的完美界面。
当然，特定的高频垂直场景可以有更优化的界面。但 Chat 是兜底的通用层——任何不适合特定界面的需求，都可以通过 Chat 满足。
在传统软件中，QA 是确定性的——输入 A 得到输出 B。LLM 不是。同样的输入可能得到不同的输出，而且"正确"的定义本身是模糊的。
这就是为什么 Eval（评估）变成了 AI 产品的核心技能。Kevin 说：在 OpenAI，每个 PM 和工程师都需要理解如何写 eval。你必须能够定义"什么是好"，然后用可量化的方式衡量模型是否做到了。
60% 的准确率、95% 的准确率、99.5% 的准确率——你做的产品完全不同。在 60% 准确率下，你需要大量人工复核；在 99.5% 下，你可以全自动。
Lenny 问 ImageGen（4o 图像生成）的病毒式传播是否出乎意料。Kevin 说：当内部团队疯狂使用一个产品时——周末后回来同事们互相说"我看到你去露营了！"——你就知道它会成功。
这个信号在 Instagram Stories 时也出现过。Kevin 认为，对于社交性产品，内部使用度是最可靠的 leading indicator——因为公司本身就是一个紧密的社交网络。
Kevin 在 Facebook 主导了 Libra（后来改名 Diem）——一个基于区块链的全球支付系统。他的愿景：通过 WhatsApp 免费给任何人转 50 美分。
Libra 可能是我职业生涯中最大的遗憾。让我深感失望的是，这个产品今天不存在于世界上——因为世界有了它会更好。
— Kevin Weil
项目被监管和政治压力杀死了。Kevin 的反思很微妙：错不在技术，也不完全在监管——而在 Facebook 的声誉。如果换一家公司做同样的事，结果可能完全不同。他甚至建议 Facebook 在当前加密友好的政策环境下重新做这件事。
OpenAI 的产品发布哲学叫"Iterative Deployment"——早发布、早学习、在公共场域和用户一起进化。ChatGPT 最初就是一个"低调的研究预览"，团队没有预期它会成为全球现象。
这个哲学也体现在 Sam Altman 的行为风格上：他会在 Twitter 上提前展示内部的研究进展，不等到完美再发布。Kevin 说这和其他大公司有根本区别——大多数公司会把突破藏起来，直到一个大发布会上"惊喜亮相"。
OpenAI 的路线图也极其短视——不写超过几周的 roadmap，因为底层模型能力每两个月就变一次。传统的年度计划在这个节奏下完全无效。
Lenny 问了一个所有创业者都关心的问题：OpenAI 会不会吃掉所有 AI 产品的市场？Kevin 的回答很坦诚：ChatGPT 会做通用的水平层，但垂直领域需要行业专业知识，那不是我们的专长。
他举了几个不会去碰的领域：法律 AI、医疗 AI、教育 AI、金融合规 AI——这些需要深度行业知识、专有数据和特定的合规框架。ChatGPT 可以是基座，但上层应用需要专业团队。
他的建议给创业者：如果你的竞争优势只是"我用了 GPT-4"，你没有竞争优势。如果你的优势是"我理解这个行业 + 我有专有数据 + 我建立了工作流"，那你是安全的。
Kevin 和 Lenny 即兴发展了一个比喻，越说越深：
🏢 公司 = 模型集合体（ensemble）——每个员工是一个被"微调"过的模型
💰 有些模型（员工）便宜，有些贵——取决于训练成本（教育 + 经验）
⚡ 有些模型快，有些慢——取决于问题复杂度
🤪 有些模型会"幻觉"——有些人确实会胡说
🎨 有些模型是视觉型的，有些是文字型的——思维方式的差异
OpenAI 内部也是这样用模型的：客服系统用 4o-mini 快速回答简单问题，用 o 系列模型处理需要推理的复杂问题。30-40 个客服人员服务 4 亿多周活用户——在传统公司需要数千人。
Kevin 有三个孩子（10 岁和 8 岁双胞胎），他们是完全的"AI 原住民"——和 ChatGPT 聊天、坐 Waymo 自动驾驶都觉得理所当然。
问到"教孩子学什么"时，Kevin 的回答不是编程也不是 prompt engineering：好奇心、独立思考、自信。因为没人知道未来是什么样——但能独立思考的人在任何版本的未来都会有优势。
他还说了一句很真诚的话：个性化 AI 辅导可能是 AI 能做的最重要的事情之一。每个研究都表明个性化辅导能带来多个标准差的学习提升。ChatGPT 是免费的，模型已经足够好。他惊讶于为什么还没有一个 20 亿孩子在用的 AI 教育产品。
Kevin 建议创业者"别修补当前模型的缺陷，等新模型"。但这个建议的隐含前提是：OpenAI 控制着模型升级的节奏和方向。如果你是依赖 OpenAI API 的创业者，你的产品命运实际上取决于 OpenAI 下一个模型的能力方向——这个方向你完全无法控制。"模型极大主义"对模型提供商是理性策略，对生态系统参与者却是风险敞口。
Kevin 把 OpenAI 描述为"和社会一起学习"的公司。但 OpenAI 不再公布模型的技术细节（GPT-4 的论文不包含架构信息），Sam Altman 的 Twitter 预告更像是产品营销而不是"透明"。在实际操作中，OpenAI 比任何传统科技公司都更不透明——因为他们认为这涉及安全。"迭代部署"和"透明"是两码事，但 Kevin 的叙述模糊了这个区别。
Kevin 认为 Chat 是最通用的接口。但 OpenAI 自己也在做 Canvas（画布）、Operator（自动浏览器）、Sora（视频生成）——这些都不是 Chat。如果 Chat 真的是"终极接口"，为什么还需要这些？更合理的解释可能是：Chat 是一个好的入口，但不是好的工作空间。你通过 Chat 描述需求，但通过其他界面完成工作。Kevin 的"Chat 终极论"可能过度简化了实际的产品形态演化。