Box CEO:AI如何重塑软件与智能体未来

Box CEO Levie 认为 AI 使软件栈分裂为智能体与上下文层,企业应构建面向超级智能的结构性基底。
Box 首席执行官 Aaron Levie 在访谈中系统阐述了对 AI 如何重塑软件与企业的判断。他认为软件栈正分裂为智能体层和真实上下文层,系统记录将进化为“系统智能”,数据治理、访问控制和元数据路由成为核心能力。Box 在坚持合作伙伴优先和开放互操作的同时,推出 Box Architect 让前沿模型自主设计企业工作流。Levie 自称“苦涩教训”信徒,主张频繁丢弃被新模型淘汰的功能,只构建面向超级智能时代的安全与数据基底。他预测 token 消耗将数量级增长,但正确分配比无限投入更重要;开源权重与闭源前沿并非零和,开放权重降低总成本反而让企业更负担得起前沿模型用于编排层。
Box 首席执行官 Aaron Levie 在近期访谈中,系统阐述了他对 AI 如何改变软件、企业架构以及智能体经济的判断。这场对话没有停留在产品发布层面,而是深入到软件公司如何在模型能力快速演进中重新定位自己。
从系统记录到系统智能:软件栈的重新分层
两年前 Satya Nadella 提出,软件将分裂为智能体和真实上下文两个层面。Levie 认为这一判断正在成为现实。他引用黄仁勋的说法:未来智能体的数量可能是人类的 10 到 100 倍,规模达到数百亿级别。这意味着必须有系统来管理这些智能体能访问什么数据、能操作什么流程。
你不能把这些东西随便丢进一个巨大的信息池里。它必须经过精心策展,有正确的治理、沙箱和隔离。
Levie 将 Box 的定位放在“现代系统记录”上,但他更愿意称之为“系统智能”。这类系统控制访问层、数据治理、元数据路由,同时保留用户界面,因为人依然需要往系统里输入数据并与它交互。这个判断解释了 Box 为何能在 AI 时代保持相关性——非结构化数据在企业中的比重只会增加,而智能体需要一种可信的方式来获取这些数据。

系统记录(System of Record) 是企业软件中的经典概念,指权威存储业务核心数据(如客户、订单、财务记录)的系统,典型代表包括 Salesforce(CRM)、SAP(ERP)和 Box(内容管理)。系统记录的关键属性是数据可信、权限受控且可审计。Levie 提出“系统智能(System of Intelligence)”是想强调:在智能体时代,仅仅存储数据已不够,系统还需要理解数据、决定哪些数据可以被哪些智能体访问,并动态路由请求。换句话说,系统记录关注“数据在哪里且是否正确”,系统智能关注“数据如何被理解与安全使用”,后者在智能体大规模访问企业信息时成为更关键的竞争壁垒。
合作伙伴优先,但也要向上生长
Box 的基因是合作伙伴优先。Levie 强调,信息需要流向工作发生的地方——合同要出现在 Salesforce 里,供应链文档要出现在 SAP 或 Oracle 里,产品营销计划要出现在 ChatGPT 或 Claude 里。因此开放性和互操作性是 Box 不会放弃的原则。
但 Box 也在向上延伸。新发布的 Box Architect 是一个自主系统,用于设计、运行并最终优化构建在 Box 之上的智能体、工作流和应用。企业可以提出需求,比如合同管理方案或发票处理方案,Box Architect 会调用前沿模型(如 Astra、Opus 或 Fable)来设计完整方案,并利用 Box 内部的构建块来落地。
Levie 并不认为这违背了合作伙伴策略。他坦言,很多客户没有时间或能力自己拼装模块化方案,端到端方案是必要的补充。同时 Box 对用户选择 Box Architect 还是以无头方式在其他技术中调用 Box 保持中立。
苦涩教训的信徒:随时准备扔掉自己的代码
访谈中最坦诚的部分是关于“扔东西”的频率。Levie 承认,Box 经常有尚未发布的功能因为新模型的出现而直接作废。
我们曾经没来得及发布,新模型就让那个功能彻底没用了。这种情况一直在发生,而且还在加速。
他举了一个内部例子:一位工程师在大约六个月前用当时最新的模型演示了如何设计一个完整的 Box 应用方案。团队看到后的反应是“天哪,智能体在 30 秒内完成了客户花两天在白板上设计和搭建架构的工作”。这直接催生了 Box Architect 的构想——与其把今天的流程原样自动化,不如让 AI 告诉我们更好的流程应该是什么样。
Levie 自称是“苦涩教训的深度信徒”。Box 内部的原则是:假设未来会有超级智能,且它在每个主题上都比所有人聪明,那么现在需要构建的是那个世界里安全部署 AI 所需的基底——数据治理、安全、高速高吞吐的基础设施组件,以及智能体可以轻松调用的 schema。

“苦涩教训”(The Bitter Lesson) 由 AI 研究者 Rich Sutton 在 2019 年提出,核心观点是:AI 领域那些依赖人类先验知识、手工设计特征和规则的方法,长期看总会被“利用大规模算力的通用学习方法”所超越。Levie 自称深度信徒,是把这一原则推广到产品策略:不要押注某套当前流程或某个模型会长期有效,因为模型能力会快速进化并碾碎旧假设。Box 因此选择频繁作废未发布功能,只投资无论模型如何演进都需要的结构性能力,如数据治理、安全、吞吐和标准化的 schema。这一思路解释了为何 Levie 认为“构建面向超级智能的基底”比“优化今天的流程”更可持续。
token 消耗的爆发与 CFO 的恐惧
Levie 预测 token 使用量将出现数量级增长。他的逻辑很直接:想象三年后,世界上产生的每一条信息都会被一个、三个、五个甚至十个智能体查看、审查和处理。销售场景中,每个客户都会有一个持续更新的智能体画像;安全领域,每一个异常登录都会触发智能体审查;工程领域,智能体将审查代码、测试代码、模拟风险;供应链中,每一份文档都会被智能体提取关键信息并回写 ERP。
我们目前可能只完成了所有交互中附着智能体的百分之一。我在电脑上做的很多事情都没有智能体看到。三年后不会是这样。
但 Levie 并不认同简单的“token 最大化”逻辑。他认为 token 的正确应用方式更重要,无限 token 如果指向错误方向,同样会浪费资源。不过他也承认,在值得解决的问题上投入多少算力,可能成为未来定义竞争优势的关键因素之一。这带来一个张力:资本成为竞争优势的依赖项,可能导致权力集中,也可能抑制创新。
当被问及 CFO 们听到“无法提前预测 token 花费”时的反应,Levie 笑着说能听到一千个 CFO 在发抖。但他认为三到五年后,token 支出会像营销预算或差旅预算一样成为正常的预算项目。Box 能做的是提供更低成本的解决方案,比如与 NVIDIA 合作的新上下文检索引擎,让智能体只获取它们真正需要的数据片段,从而减少不必要的 token 消耗。

开源权重与闭源前沿:不是零和游戏
Levie 坚定支持开放权重模型,认为这是防止 AI 实验室成为经济守门人的“逃生阀”。但他不认为开源和闭源是对立关系。他用数据库市场作类比:2005 年后大多数硅谷创业公司使用开源数据库,但 Oracle 同期依然成长为巨型公司。
你可以同时拥有这两件事。有开源让用户自己部署和掌控,也有平台替你完成那些你不想专门投入的工作。
他进一步提出一个反直觉的观点:开放权重降低了 AI 的总体成本,反而可能让企业更负担得起使用前沿闭源模型。因为企业可以用廉价的开源模型处理大批量、重复性的任务,比如逐笔审查交易中的欺诈信号,然后把前沿闭源模型用在编排和规划层。如果没有开源模型,这些大批量任务在成本上根本不可行。

Levie 也点出了开源权重商业模式在美国的困难:训练成本巨大,如果模型免费开放,新兴云厂商可以直接提供推理服务而不承担训练成本。要可持续地补贴开放权重模型的开发,通常需要成为推理提供方,或者像 NVIDIA 那样在更底层获利。Meta、Google 和 NVIDIA 处于能够同时训练和提供推理的位置。
关于开源模型与前沿闭源模型的差距,Levie 认为如果开放权重模型能保持落后三到六个月,这已经足够有价值。因为前沿模型在几个月前能完成的任务,往往已经覆盖了世界上大部分常规用例。开放权重模型会不断吞掉那些已经被验证过的 token 工作。
开放权重模型(Open-weight Models) 指模型参数公开可下载、可自行部署和微调的模型,如 Llama 系列、Mistral 等。它与“开源”不完全等同:训练数据、训练代码和许可条款可能不公开,但权重开放使用户能私有化部署、控制数据流向并针对特定任务后训练。Levie 将其视为防止少数 AI 实验室成为“经济守门人”的逃生阀。同时,开放权重模型通常落后前沿闭源模型数月,但足以覆盖大量已标准化的任务。配合闭源前沿模型负责复杂编排和规划,企业可以形成分层成本结构:廉价开源模型处理高并发、重复性工作,闭源模型用于高价值判断,从而在总成本可控的前提下获得前沿能力。
未来:后训练与自适应路由
Box 与 NVIDIA 的合作集中在上下文检索引擎上,利用 NVIDIA 的嵌入模型提升检索相关性排序,让返回给智能体的答案在 token 效率上更高。这一能力将以平台基底的形式提供,客户可以透明使用,也可以通过 API 按相关片段获取文档内容,计划在企业版中逐步推出。
对于 Box 是否会自己训练模型,Levie 认为后训练几乎不可避免。某些企业知识或高频定制工作流,值得通过后训练来提升效率和准确率。但他也提到,Box 目前仍在收获现有模型能力提升带来的基础收益,所以不会过早投入自建模型。他看好后训练生态中的多家创业公司,并设想未来企业可以在 Box 平台上训练自己的企业数据模型并直接运行。
在模型选择上,Levie 理想中的状态是自适应路由层:用户提交查询,平台根据成本和准确率自动选择最合适的模型,无论开源还是闭源。这与他“苦涩教训信徒”的身份一致——Box 不应押注某个模型永远领先,而应构建无论模型如何变化都需要的结构性能力。
后训练(Post-training) 指在预训练基础模型之上,通过监督微调、人类反馈强化学习(RLHF)、指令微调或领域数据继续训练等方式,使模型适配特定任务或企业知识。对企业而言,后训练可以让模型更准确理解内部术语、合同条款或高频工作流,而不必从头训练基础模型。Levie 认为 Box 迟早会进入后训练,是因为某些企业知识与定制工作流仅靠通用模型和提示词难以达到足够效率和准确率。与此同时,自适应路由层(Adaptive Routing) 指平台根据查询类型、成本预算和准确率要求,自动将请求分发给不同模型(开源或闭源)的调度机制。它让企业不必锁定单一供应商,也符合 Box 不押注某个模型永远领先的策略。
相关推荐

AI时代为何必须掌握Git:从版本控制到Agent协作
Git和GitHub有什么区别?AI Agent写代码后如何用Issue、分支和Pull Request管理改动?本文基于NetworkChuck的Git教程,梳理从git init到冲突处理的完整流程,并分析AI时代版本控制为何成为必备技能。

OpenAI 6.2 Astra实测翻车:跑分惊艳,为何开发者却说难用?
OpenAI 6.2 Astra 跑分全面领先且价格更低,但早期测试者反馈其在长任务中频繁卡死、输出难以解析、资源管理失控。本文梳理实测中的真实体验与官方数据之间的落差,并分析这对开发者选型的意义。

GTA VI咖啡系统细节曝光:热咖啡竟能泼人?
Vergecast播客揭秘GTA VI咖啡系统:玩家可在公寓冲泡、自动贩卖机购买、餐厅点单,甚至将热咖啡泼向他人。这种对日常交互的细致还原延续了荒野大镖客2的沉浸感设计,引发对游戏细节与玩法平衡的讨论。