70
0hello，大家好，我是James，欢迎来到我的播客。
有些软件产品，会让人产生一种奇怪的感觉。
你第一次打开它时，觉得它惊艳得不得了：界面顺手，功能流畅，工作里卡了很久的一件事，几分钟就被解决。可过不了多久，市场上开始出现类似的产品。按钮的位置差不多，页面的结构差不多，连宣传语都越来越像。你忽然意识到，原来一个软件看上去最显眼的部分，很可能也是最容易被模仿的部分。
在你整理给我的这一组 Naval X 摘录里，有一句很值得停下来想：模型会成为软件最后一道护城河。
这句话背后的语气，甚至有一点冷。AI 可以训练论文，再把论文换一种方式说出来；可以理解一段软件的行为，再写出功能相近的代码；也可以吸收大量艺术风格，生成新的作品。过去很多被当作壁垒的东西，正在变得更容易学习、更容易复制、更容易重新包装。
于是，问题来了：当界面能被复制、代码能被重写、内容能被再生产，什么东西还能真正属于一家公司，属于一个创造者？
纳瓦尔的回答不会只落在“模型”两个字上。模型当然重要，但它只是一个入口。用他的框架看，真正的护城河，往往是几种东西彼此咬合在一起：独特的判断、持续获得反馈的能力、真实的使用场景、客户愿意留下来的信任，以及对关键资产的所有权。
模型之所以特殊，在于它很难被完整地“提炼”出来。你可以看到一个模型给出的答案，却很难从答案倒推出它全部的参数、训练过程、数据选择、推理路径与工程系统。你能模仿一家餐厅的菜单，却未必复制得出它后厨多年来形成的火候、采购关系和服务节奏。
这也解释了摘录里另一句判断：更多软件可能会退回到服务器，变得更抗拒被提炼。
过去，软件常常交到用户手里。下载安装到本地，研究者可以拆解，竞争对手可以观察，高手甚至可以逆向分析它的实现。到了模型时代，越来越多的价值发生在云端：模型权重在服务器，数据闭环在服务器，持续更新也在服务器。用户看到的是一个结果，背后却是一整套不愿被轻易复制的系统。
这会让软件行业的竞争方式发生一点变化。过去，一个新产品常常先比功能，再比价格，再比渠道。以后，功能也许很快会趋同，真正拉开差距的，是谁能更持续地从用户行为里学习，谁能更快把反馈变成下一次体验，谁能把模型接进一个别人不愿意离开的工作流。
但这里也有一个值得警惕的地方。把价值都收回服务器，确实能保护模型，却可能让用户失去迁移的自由。你的文件、偏好、历史记录、自动化流程，如果只能在一个平台内使用，效率越高，离开的成本也越高。真正健康的技术生态，需要强大的服务，也需要清楚的数据权利、可导出的内容和可信的退出路径。
这听起来像是技术公司的胜利，也会让人不安。因为服务器化意味着，能力可能越来越集中。你使用一个强大的工具，却未必拥有它；你把自己的工作流、客户数据、表达方式都交给平台，平台也拥有了改变规则的能力。
所以，千万别把“模型是护城河”理解成“只有拥有最大模型的人才有机会”。那样太早把自己排除在游戏之外了。
纳瓦尔一直讲杠杆。代码和媒体之所以重要，是因为一个人可以借它们把判断放大很多次。今天，AI 又多给了个体一层杠杆。一个研究者能更快整理资料，一个设计师能更快探索方案，一个小团队能用更少的人完成过去需要大部门才做得出的东西。
对个人而言，真正值得问的问题是：我在借模型放大什么？
如果你只是让 AI 替你重复通用劳动，那么你得到的是一时的效率。明天换一个模型，别人也能做出类似结果。如果你把 AI 接进自己的经验、方法、客户理解和长期作品里，事情就开始不一样。你的判断会有一个更大的放大器，你的具体知识也会有更多次被使用的机会。
比如，一个长期服务某类客户的人，知道他们真正会卡在哪一步，知道哪些数据漂亮却没用，知道一句话该怎样说才不会让关系变得僵硬。这些并不写在公共资料里。AI 可以帮他整理、测试、生成、追踪，却很难凭空长出这种对现实的触感。
这就是 specific knowledge 的价值。它来自你的好奇心、品味、长期经历和反复做过的选择。它常常看起来不够标准化，甚至很难放进一张简历里，但恰恰因为如此，它不容易被快速复制。
软件的未来，也许会越来越像这样：通用能力会变得廉价，真正有价值的部分藏进了数据反馈、任务流程、长期信任和判断质量里。模型是一个很深的技术层；而人与真实世界的连接，是另一个更深的层。
作为使用者，你可以做三件事。
第一，把重要数据和关系留在自己可以带走的系统里。工具可以租，客户关系、作品、方法、原始资料和声誉，尽量别只存在于一个平台的后台。
第二，不要只学提示词。去学一个具体问题如何被定义，去接近真实用户，去理解什么结果真正有价值。模型会越来越会回答，提出值得回答的问题依然稀缺。
第三，把重复劳动交给 AI，把省下来的时间投向自己的资产。可以是作品，可以是产品，可以是长期客户，也可以是一项越来越成熟的专业能力。
还有一个更安静的动作：建立自己的判断档案。每次用 AI 做出一份分析、一个方案或一次决定，留下一点原始资料，写下当时的假设，过一段时间再回来看结果。模型会越来越强，但如果你从不复盘，能力只会停留在“用过很多工具”。复盘会让工具输出慢慢变成你的经验，经验再慢慢变成别人拿不走的东西。
护城河从来没有一个固定的形状。它不是一堵修好以后就永远不动的墙。它更像一条持续流动的河：你是否不断学习，是否持续拥有反馈，是否愿意对结果负责，是否能把自己的判断沉淀下来。
模型会改变软件，也会改变我们理解工作的方式。但真正能穿过变化的，不是追上每一波工具更新的人，而是能用新工具不断加深自己与现实连接的人。
下一集，我们从软件的护城河，走到人生的护城河。回头看时，什么选择会让人庆幸自己没有只挑眼前最轻松的版本？
