上一章我们拧松了第一根螺丝——成本。多服务一次，从「几乎不花钱」变成了「每次都要付一笔」。那是被动的、藏在后台的一根螺丝，用户看不见，但账房先生一算就疼。
这一章拧第二根，同样被动，同样藏在你看不见的地方，但它动摇的东西更根本——它动的是你这款软件的能力从哪来。
先把这一章要证的那句话钉在墙上：过去，一款软件有多强，约等于你自己写了多少代码；现在，让软件显得「聪明」的那部分能力，是你没写、也写不出的。剩下整章，都是在解释这句话为什么成立，以及它成立之后，自研代码的价值到底还剩多少。
过去：产品能力 ≈ 你写的代码量
回想大模型之前，一款软件的能力是怎么来的。答案朴素得近乎无聊：你的团队实现了多少功能，产品就有多强。
要做一个能读懂用户评论、自动判断好评差评的功能，你得雇一队人，标数据、调模型、写一大坨代码，磨上一两年。要做一个能把长文档总结成三行的功能，同理，又是一支队伍、又是若干人年。人年（一个人干一年的工作量，工程里用来量一件事有多大）是这套世界观里的硬通货：能力是拿人年一铲一铲堆出来的。
这里藏着一个当年天经地义、现在要被推翻的等式：
功能越难 = 要堆的人年越多 = 对手要追的时间越长 = 你的护城河越深。
这就是第三章那副老配方的底层逻辑。你花三年写出一个别人写不出的复杂引擎，这三年本身就是墙。对手就算今天开始抄，也得从头再走三年——而这三年里你没闲着，还在往前跑。难，是护城河的原料。谁能把难的东西做出来，谁就把对手挡在了三年之外。
说人话：过去，最聪明的功能都是最贵、最难写的功能。正因为贵、因为难，对手才追不上你——难度本身就是那圈水沟。你的代码写得越硬核，墙就越高。
现在：最「聪明」的那部分，是租来的
大模型把这个等式从中间劈开了。
那些过去最难写、最能当墙用的能力——理解一句话到底什么意思、把一长篇总结成几句、写一段通顺的文案、顺着线索推理、甚至写代码——今天不用你写了。你去接一个 通用大模型（general-purpose model，一个什么领域都能干的模型；它不是为你的场景专门训练的，但你的场景要的那点「聪明」，它顺手就有）的 API，一句调用，这些能力当场就到你手上。
关键在「通用」这两个字。它不是给你定制的，正因为不是给你定制的，它也同样给你的对手。你和对手接的是同一个模型、同一个 API、同一套能力。你们俩产品里那颗最聪明的脑子，是同一颗，从同一个地方租的。
请把这一下和上一段的老等式对照着看，看清楚断在了哪：
- 过去：难的功能 → 你花三年写 → 对手要追三年 → 这三年是你的墙。
- 现在：难的功能 → 你接一行 API → 对手也接一行 API → 谁都没墙，起点一样平。
三年的差距，被一行 API 抹平了。不是你变强了，是那道原本靠「难」堆起来的墙，塌了——对所有人一起塌。你能现取的聪明，对手也能现取。难度不再稀缺，也就不再是护城河的原料。
说人话：过去比谁写得出那个难功能，比的是内功，练三年才有。现在这门内功挂在墙上明码标价，谁都能当场买一份一模一样的。你练的三年，白练了——不是没用，是不再独一份了。
能力平权：门槛塌了
把这件事推到极致，就是一个值得单独起名的现象。
能力平权：过去要一整支专家队伍、砸下大把人年才做得出的能力，现在一个小团队接上大模型，当场就有了——能力的门槛，从「少数人翻得过」塌成了「几乎人人都能迈过去」。
具体到语言这件事上尤其刺眼。「让机器读懂人话」这个方向，过去有个专门的学科叫 NLP（自然语言处理，专门研究怎么让计算机理解和生成人类语言）。要做出像样的语言能力，你得招一屋子这方向的博士，磨好几年。这道门槛，二十年来把绝大多数团队挡在了门外。
今天，一个三人小队，接上通用大模型，写几行调用代码，一个下午就拥有了过去要几十个 NLP 博士才做得出的语言能力——理解、总结、改写、问答，全都开箱即用。那道挡了二十年的门槛，不是被谁翻过去了，是地基被抽掉、整道门塌平了。三个人和三百个人，在「语言能力」这条起跑线上，第一次站到了一起。
说人话：过去「机器懂人话」是名校博士才碰得动的绝活，普通团队想都别想。现在这门绝活变成了水电煤——拧开就有，谁家都通着同一根管子。绝活一旦变成水电煤，它就不再是谁的本事了。
但别急着下结论：租来的是「聪明」，不是「你的业务」
说到这，一个工程师该警觉了：照这么说，自研代码岂不是一文不值，大家都成套壳的了？
没那么快。这里必须辩证，否则就滑进了另一个坑。你从 API 租到的，是通用的聪明——它会读会写会推理，但它对你的业务一无所知。它不知道你那行的规矩，不认识你的客户，没见过你后台那堆数据，也不担保它吐出来的东西一定对、一定能用。租来的是一颗聪明的脑子，可这颗脑子是空的，还时不时说胡话。
于是有价值的自研，就从「实现聪明」挪到了「模型给不了的那些地方」。至少这么几块，模型租不来，还得你自己攒、自己写：
- 你的专有数据。通用模型没见过你后台那些独家数据。这正是第三章说的那道数据的河——它没被填平，反而更值钱了。
- 你对具体工作流的理解。模型懂「语言」，但不懂你这行到底怎么干活、每一步卡在哪、什么叫做对了。这份理解得你自己钻进业务里磨。
- 把不可靠变可靠的工程。模型会说胡话、会算错、会跑偏。围着它建一圈评测（拿题去考模型、量它到底对不对）、纠错、约束的工程，让一颗时灵时不灵的脑子交付出稳定可用的结果——这活儿模型自己干不了，全靠你写。
- 分发和信任。用户凭什么找到你、凭什么把要紧的事交给你。这跟模型多聪明没关系。
这几块具体怎么变成新的护城河、套壳到底有没有价值——是第 7 章和第 9 章的正题，这里只点到，不展开。你先记住这一章的分寸就够了：塌掉的是「靠难度堆起来的墙」，没塌的是「模型给不了的那些东西」。
换个厨房想：大厨不再是壁垒
这一整章的逻辑，用一个餐馆的比方能一口咽下去。
过去开餐馆，老板最好自己是个好厨师，或者能养住一个别人挖不走的大厨——厨艺就是护城河。你店里的招牌菜别家做不出，客人就只能来你这。这门手艺练十年，对手追十年，跟「花三年写个复杂引擎」是一回事。
现在变天了：最好的那位「大厨」（大模型）站在街口，明码标价，谁都能雇，而且雇到的是同一个。你雇他，对面那家也雇他，做出来的菜一样香。厨艺，一夜之间不再是壁垒了。
那餐馆之间还比什么？比选址（分发）、比菜单和口味的定位（你对业务的理解）、比供应链（你的专有数据）、比上菜稳不稳定、服务好不好（把不可靠变可靠的工程）。厨艺不再是墙，别的东西才是。能雇到同一个大厨，恰恰逼着大家去比拼那些大厨给不了的东西。
说人话：当全世界最好的厨子谁都能雇，「会不会做菜」就不再是本事了。真正拉开差距的，反倒是那些跟厨艺无关、你得自己一点点攒的东西。
这一章拧到哪了
收个尾。第二根螺丝，拧完了。
核心就一句：软件的核心「聪明」，第一次不再来自你自己写的代码，而是从一个人人都能接的通用大模型里租来的。难度被抹平，门槛塌掉，你和对手在「聪明」这条起跑线上被拉回了同一个起点。三年的墙，一行 API 就翻过去了。
但也别读偏了：租来的只是通用的聪明，不是你的业务。真正还值钱的自研，从「实现聪明」搬到了模型给不了的地方——数据、工作流、可靠性工程、分发。
第 4 章那根「成本」螺丝、和这一章「能力来源」螺丝，是两根一起松的承重螺丝。它们松开之后，一个更直观、用户当场就能看见的变化，正憋着要冒出来——当聪明是租来的、当机器真的听得懂人话，你辛辛苦苦设计的那一屏按钮、菜单、表单，还有存在的必要吗？下一章，我们从「点按钮」讲到「说人话」。