从 Stripe 到 OpenAI：工程师的科研与回归

Stan Huang 的职业轨迹始于早期加入 Stripe，在那里度过了五年的宝贵时光。那段经历恰逢公司发展的关键期（aqu year），为他奠定了坚实的技术与商业基础。五年后，他对 AI 产生浓厚兴趣，并幸运地加入了 OpenAI。尽管并非受过正统训练的研究员，他在 OpenAI 的三年间以工程师身份深度参与了大语言模型和数学领域的研究。这段经历被他形容为“完成了从未读过的博士学位”，虽然充满挑战，但也让他意识到自己更倾向于产品构建而非纯粹的学术探索。

"I spent those three years doing kind of the PhD that I never did. really enjoyed it... but wanted to go back to building something more around the product"

离开 OpenAI 的决定在当时看来颇具争议，甚至被旁人视为“疯狂”。Stan Huang 透露了一个惊人的财务事实：如果留在 OpenAI，他放弃的股票期权价值在六个月前曾超过整个公司的估值。然而，他对这一决定毫无后悔。科研工作的特性在于其短暂的高光时刻——“你挖掘几周或几个月，发现有趣的东西会让你极度兴奋，但这种快感仅持续 5 秒”。随后便是无尽的重复挖掘。这种对即时反馈和产品落地的渴望，促使他决定离开实验室环境，转向更具持续性和结构性的产品开发领域。

Dust 的诞生：在前沿实验室阴影下构建模型无关平台

创立 Dust 的核心动机源于对技术底座的深刻洞察。Stan Huang 指出，过去二十年 JavaScript 和 PostgreSQL 构成了稳固的技术基石，开发者可以预见未来的构建方向。然而，当前的 AI 技术底座变化极快，定义公司的边界也在不断移动。Dust 的初衷非常朴素：LLM 已准备好彻底改变工作方式，而团队希望专注于将 LLM 应用于职场。在 2022-2023 年融资时，这几乎被视为一个“利基市场”，但如今看来极具前瞻性。

为了阐明其战略选择，Stan Huang 使用了生动的比喻：如果一家工厂从能源供应商处购买机器，而插头只兼容该特定供应商的能源（如俄罗斯天然气），那么当需要切换至核能或其他来源时，工厂将陷入困境。同理，如果产品与特定 AI 模型或供应商绑定，企业将被锁定在单一生态中。Dust 坚持“Model-Agnostic”（模型无关）策略，旨在让用户自由组合不同的 AI 能力，避免被单一前沿实验室（Frontier Labs）的技术路线所束缚。这种架构不仅提供了灵活性，也构成了竞争壁垒。正如观众鼓掌致敬的那样，Stan Huang 认为这种独立性是单一实验室无法提供的核心价值。

工作形态的演变：从质疑到确认的技术颠覆

关于未来两三年的工作形态，Stan Huang 表现出极大的乐观与信心。他引用了祖辈视角的类比：如果曾祖父看我们今天的办公状态，他们会认为“你只是坐在椅子上盯着屏幕”，那根本不算工作。他坚信两三年后，人们仍会“行走”（保持活跃），但当前的工作模式在后人眼中将显得不再像真正的“工作”。这种观点反映了他对 AI 重塑生产力本质的深刻理解。

回顾 Dust 创立初期的判断，Stan Huang 认为自己在“工作将被技术深刻颠覆”这一核心论断上是完全正确的。然而，这种颠覆在初期并未立即显现：过去两年间出现了大量垂直领域的产品（如早期的 Clean，主要用于问答），但工作形态本身并未发生结构性改变。直到最近几个月（特别是 2025年11月之后）

"The work has like radically changed... it's only the during the past couple months that work has started to change"

Stan Huang 承认自己曾错误地预期技术会出现“早期 plateau（平台期）”，从而低估了部署和创新的长期性。他原本认为即使技术停滞，也需要数十年才能普及；但现实是，技术并未 plateau，而是持续快速演进。这种加速让他意识到自己当初“不够乐观”。目前，AI 正在重新定义工作流，这种变化不仅限于开发者群体，正迅速蔓延至所有职能领域。

公司构建哲学：深思熟虑的成长路径

在访谈的最后部分，主持人特别提到 Dust 在公司构建方面的深思熟虑，包括融资、招聘和运营策略。Stan Huang 的经历表明，成功的 AI 公司不仅需要技术远见（如模型无关架构）。

从 Stripe 到 OpenAI，再到创立 Dust，Stan Huang 的职业选择始终围绕着“构建产品”与“适应快速变化的技术环境”这一主线。他放弃巨额期权以追求更广阔的产品构建空间，选择模型无关架构以避免供应商锁定，以及预判工作形态的根本性变革而非短期波动。这些决策共同构成了 Dust 的核心竞争力。在前沿实验室阴影下，Dust 通过提供灵活、集成化的工作平台，正在成为 AI 时代职场基础设施的关键参与者。这种策略不仅回应了当前技术快速迭代的挑战，也为未来两三年工作形态的进一步重构奠定了基础。

巨头阴影下的定位：从垂直化到横向平台的战略抉择

Dust的创始人将自身处境描述为与OpenAI和Anthropic等巨头“并肩而行”，而非单纯的追赶者。尽管承认这种比较具有挑战性（"Challenged, I guess... obviously it's challenging."），但公司早期便确立了横向平台（horizontal platform）的战略路线。这与过去几年市场推崇的垂直化AI产品形成鲜明对比：垂直产品虽然目标客户明确、营销路径简单（"go talk to them you wash rinse repeats"），但横向平台的市场进入策略更为复杂且充满不确定性。创始人指出，用户面对强大的底层能力时往往感到困惑（"Ah yes but what am I going to use it for?"），这种“在阴影中行走”的状态既艰难也充满机遇。巨头的存在极大地教育了市场，推动了产品形态的收敛——即向类似Microsoft或Google Drive那样的新型生产力套件演进，专注于人机交互而非单一深度功能。这种趋势被比喻为《三体》中环绕地球运行的“智子”，虽然难以察觉，却覆盖了整个领域。Dust正是在这种产品趋同的背景下，通过构建不同的协作感（collaboration）和多人AI（multiplayer AI）体验来寻求差异化。> "Walking alongside [laughter]... obviously we're tiny spec compared to entropic and open"。

模型中立性：避免供应链依赖的战略必然

Dust坚持“模型中立（model agnostic）”是其核心战略之一，这一特性是单一AI实验室无法复制的。创始人通过一个生动的类比解释了其必要性：如果企业像工厂一样购买机器，却只能从唯一的能源供应商处获取电力（例如仅能使用俄罗斯天然气或法国核电），其业务将极度脆弱且缺乏灵活性。同理，AI产品若绑定单一模型提供商，将面临巨大的供应链风险。动态最优选择是维持中立性的关键：在特定时期内，某家提供商可能表现最佳；而在另一时期，其他提供商可能在成本或性能上更具优势。由于AI模型的性能和市场地位变化极快（"changes very dynamically"），Dust认为没有任何时刻适合放弃中立性。这种策略确保了产品层能够灵活集成最合适的智能来源，从而在长期竞争中保持韧性。

融资市场的“氧气争夺战”与理性估值哲学

在资本层面，巨头对初创生态的影响主要体现在融资市场的“氧气抽取”。风险投资人倾向于将巨额资金（如10亿美元）集中投入少数头部实验室，而非分散投资数十家初创公司。Dust在种子轮和A轮融资中较为顺利，但B轮则面临真实竞争压力。创始人回顾融资决策时强调“理性估值”的重要性，指出在2021年热潮中见过太多因过度融资而陷入困境的案例。他们遵循“在实现产品市场契合（PMF）之前不购买GPU”的原则，种子轮仅筹集500万美元而非当时流行的数亿美元。创始人警告称，若融资金额过大却无法转化为实际潜力，公司将陷入“棺材角（coffin corner）”，唯一结局是失败或衰退。因此，选择合理估值并专注于产品层建设，被视为在巨头主导的生态中生存的关键策略。> "We had a mantra that is still almost true. No GPU before PMF."

融资节奏：激进扩张与估值平衡的艺术

在AI行业的竞争格局中，初创公司面临着关于融资节奏和估值的战略抉择。一种积极的观点认为，企业应当接受较低的初始估值（raise less as a smaller valuation），将资源极度倾斜于产品构建和市场势能的积累，通过快速建立 momentum 来推动下一轮融资。这种策略的核心在于用时间换空间，通过展示强劲的增长势头来吸引后续资本。然而，这种策略也存在风险，即可能被视为过于激进或“法国式”（too French）的保守与冒险并存，需要在两者间找到微妙的平衡点。

模型成本与延迟的隐性关联

在评估大语言模型的真正商业价值时，不能仅看表面价格，必须深入分析其基础设施成本。延迟（Latency）是衡量模型综合成本的直接指标，因为它不仅反映了推理速度，更隐含了模型的参数量大小以及运行过程中消耗的能源总量。对于给定的模型架构和基础设施，延迟数据能够直观地揭示该模型的“重量级”及其背后的资源开销。当我们将开源模型 Cloud Code 与前沿闭源模型 GLM-5.2 进行对比时，发现两者的最大可接受延迟大致相同。这意味着在用户体验层面，两者提供的响应速度处于同一水平线，但背后的成本结构却截然不同。

开源模型带来的价格重构效应

通过对比 Cloud Code（基于 Base 10 或其他 Fireworks 平台）与具有相同延迟表现的前沿闭源模型的价格，可以清晰地看到市场存在的巨大利润空间。开源模型的定价比同等延迟的前沿闭源模型低约 9 倍。这一巨大的价差揭示了一个关键事实：当前提供前沿模型的实验室在服务这些模型时，创造了高达 70% 至 80% 的利润率。这种高毛利主要源于技术垄断带来的定价权。随着开源技术的不断成熟和普及，市场有望重新校准价格体系。开源模型的崛起将迫使高利润率下降，从而让市场竞争更加公平。即使头部实验室仍保留大部分利润，开源方案也为其他竞争者提供了更好的生存和参与机会。

创业者的核心驱动力：寻找“非做不可”的理由

在访谈的最后，针对年轻创业者或渴望创业的人群，嘉宾分享了一条至关重要的建议。最终决定成败的并非技巧，而是找到那个你真正想要解决的“痛点”或愿景。创业过程被形容为极其艰难，日常体验往往是“糟糕透顶”，充满了巨大的情绪起伏——既有高光时刻，也有无尽的低谷。如果没有一个强大的内在驱动力，这种高强度的压力是不可持续的。必须找到一个让你每天早上醒来时都能坚定地说出“这就是我做这件事的理由”的目标。这个愿景可以在构建公司的过程中不断重塑，但必须在早期找到它。只有这种深层的信念才能支撑创业者度过那些“吞下玻璃”般的艰难时刻，确保持续向目标迈进。

"Find the thing you want to fix... building company is shitty on a daily basis like shitty as hell. there's some very highs and a lot of lows... if you don't have that thing that you can really wake up in the morning and say but this is the reason why I'm doing it... find that thing that will keep you driven towards an objective despite all the glass eating that is involved in the job."

"The difference [in price] is like almost 9x... those labs are margin kind of creating margin of something like 70 or 80% uh serving us those frontier models. So hopefully with open source coming up it'll recalibrate a little bit the market and those margin will go down."

结论

Dust通过坚持模型无关架构，成功规避了单一供应商锁定风险并构建了长期竞争壁垒。其核心优势在于灵活集成不同AI能力，适应快速迭代的技术环境；但横向平台策略面临市场教育成本高、用户场景定义模糊的挑战，且需在与巨头的资源竞争中保持理性估值。实证数据显示，开源模型在同等延迟下价格仅为前沿闭源模型的九分之一，揭示了后者70%-80%的高利润率及成本重构潜力。尽管颠覆性工作形态的普及速度超出预期，但Dust凭借务实的产品构建哲学和成本控制能力，在巨头阴影下确立了作为职场基础设施的关键定位。