OpenAI 30億美元收購AI編程公司Windsurf,初創公司的轉型之路
近日,OpenAI宣布以約30億美元收購AI編程助手公司Windsurf(前身為Codeium),這是其迄今為止最大的一筆并購交易。
該公司由麻省理工學院校友Varun Mohan和Douglas Chen于2021年創立,致力于開發基于大語言模型的AI編程工具和智能開發環境,已吸引超過80萬開發者用戶及上千家企業的青睞。目前其年經常性收入已突破一億美元。
Windsurf在產品演進方面采取“顛覆式更新”的策略——每6至12個月徹底淘汰舊版本,以全新形態進行迭代升級。這種激進的產品迭代策略使其迅速脫穎而出。
從GPU虛擬化到AI編程工具的戰略轉變
Lenny與Varun的訪談中揭示了Windsurf早期發展中的關鍵轉折點。最初,他們專注于GPU虛擬化和編譯器軟件,構建了一個高效的遠程GPU調度平臺,2022年中已實現盈利并管理著上萬個GPU。
Varun表示:“隨著生成式AI的發展,我們意識到基礎設施的價值正在下降,應用層才是未來。我們將技術基礎重新整合,構建了Codium,后來更名為Windsurf。”
該產品最初只是一個簡單的代碼補全插件,覆蓋VS Code、JetBrains等主流IDE。隨著企業客戶的需求增長,如Dell和摩根大通等大公司要求定制私有代碼解決方案,Windsurf開始深入研究大型代碼庫。
自研IDE:擺脫限制,打造新體驗
為了更充分地展示其AI能力,Windsurf最終決定放棄主流IDE框架,自研基于VS Code的專屬IDE,并集成智能代理功能。“Visual Studio Code雖然流行,但它的架構對我們形成了一定限制,”Varun指出。
快速增長背后的文化基因
Windsurf推出新產品不到四個月,已有超一百萬開發者嘗試使用,月活躍用戶達數十萬,展現出驚人的增長勢頭。
Varun強調:“初創公司的核心競爭力是專注。如果你不再相信某項業務,就應果斷調整方向。我們建立了不斷試錯、持續迭代的企業文化。”
AI如何重塑未來編程生態?
Varun認為,AI將接管大多數重復性和執行層面的任務,工程師的核心價值將轉向定義問題與做戰略決策。
他補充道:“未來90%的代碼可能由AI編寫,工程師的重點不再是具體編碼,而是理解業務需求和技術權衡,做出正確設計。”
盡管如此,計算機科學教育依然重要。Varun認為,計算機課程教會學生的是系統性思維與問題解決方法,這在AI時代仍然具有深遠價值。
初創公司如何通過精益招聘實現高效運營
關鍵在于自主性、優先級排序與高強度執行力
Lenny:所以在你看來,不論是計算機科學還是相關領域,關鍵是構建對計算機系統運作的理解能力,例如并行處理、內存、硬盤和互聯網等知識。同時還需要具備解決問題的能力。隨著AI在產品中的重要性不斷提升,人們還應在哪些技能上加大投入?
Varun:被低估的一項能力是自主性。目前社會和教育體系中缺乏對此的重視。尤其是在初創環境中,默認情況下如果不創新、不做“瘋狂”的事,公司就會失去競爭力甚至消亡。我們尋找的是那些能夠主動出擊、具有強烈使命感的人。
不創新,就會死:Windsurf的團隊文化
Lenny:我喜歡你剛才說的這句話:“如果我們不做瘋狂的事情,不創新,我們就會死。”現在確實充滿變數,唯有不斷創新才能跟上節奏。我們可以談談你們獨特的招聘方法嗎?比如,你是怎么判斷該擴充人手的?
Varun:我們崇尚最小化團隊來完成大目標,例如將應用開發的時間縮短99%。這意味著我們要成為一個相對大但依然保持初創公司敏捷性的組織。只有在某項職能遇到瓶頸時,才會考慮補充人力。換句話說,當團隊成員明確表示“我快撐不住了”時,才進入招聘流程。這可以避免無效項目和內部政治問題,保證每一步動作都真正推動公司發展。
Lenny:聽起來雖然痛苦,但卻是一種高能的工作方式。但在實際工作中,這種方式是否真的可持續?
Varun:這是非常有效的機制。因為這迫使我們做出優先級判斷:在公司里沒人去做不重要的事情。如果只能做一件事,我們就把這件事做到極致。贏得市場競爭的方式不是把十件事都做到不錯,而是只有一件事是A+,其他的可能只是F。這是我們對公司員工不斷強調的理念。
Lenny:所以什么時候才是真正的招聘時機?是否有人直接告訴你他需要增援?
Varun:通常都是工程師提出,“我沒有足夠時間完成任務”,我們會評估情況,并進行取舍。如果某個任務無法縮減工作量或推遲優先級,那么就是時候增加人力了。
人才標準:技術力、協作精神與高強度執行意愿
Lenny:那Codium目前有多少員工?有哪些主要職能部門?
Varun:目前接近160人的工程團隊,其中有超過50人的大團隊。此外還有市場推廣和銷售等職能部門。
Lenny:那你們面試和招聘最看重哪些特質?
Varun:我們非常注重技術深度以及對于公司使命的熱情。如果你不能承諾全情投入、高強度工作,那這家公司就不適合你。這是一個高度競爭的行業,成功取決于大腦與汗水。
Windsurf:重新定義開發者協作與代碼理解的AI工具
Lenny:你之前提到,工程師面試的通過率是0.6%。在有像Windsurf這樣的工具的情況下,你們是如何進行面試的?
Varun:那個數據是在特定篩選流程后的結果,題目本身會過濾掉約10到15倍的人選。我們鼓勵使用AI工具提升效率,但如果一個人僅依賴將問題輸入ChatGPT然后粘貼結果,這是我們需要關注的問題。我們依然重視解決問題的能力和現場應變表現。
市場推廣與銷售經驗
Lenny:聽說你們一開始沒有銷售團隊,后來意識到這是一個失誤,并迅速建立了龐大的市場推廣和銷售體系。
Varun:我們在公司發展早期做出了招聘銷售VP的決策,目前市場推廣團隊已超過80人。雖然一些天使投資人來自運營背景,但我們認為企業銷售對企業增長至關重要。起初作為GPU虛擬化公司時,我沒有建立擴展性銷售流程的經驗,因此聘請專業人才來負責擴展是必要的。
對于Codium產品,許多大企業在2023年中就主動接觸我們,試點數量迅速增加,使我們意識到必須建立完善的企業級銷售機制。到2023年底,我們正式組建了銷售領導層并快速擴展團隊,因為要向《財富》500強公司銷售產品,單純靠信用卡支付模式是遠遠不夠的。
與競爭對手的區別及長期優勢
Lenny:Cursor經常被提及為你們的競爭對手,你們如何看待彼此的不同點以及自身的長期優勢?
Varun:我們的核心優勢在于對大型復雜代碼庫的深度理解和處理能力。例如,Dell擁有超過1億行代碼的代碼庫,我們必須構建大規模分布式系統,在成千上萬的GPU上并行處理,才能高效地解析和修改代碼。
此外,我們不僅限于Windsurf產品或特定IDE生態。JetBrains用戶占Java開發者的70%以上,而VS Code在擴展性方面較弱。我們不追求與JetBrains競爭,而是希望適配各種平臺,滿足開發者不同的使用習慣。
安全性方面,我們獲得FedRAMP認證,支持混合部署模式,確保代碼存儲在用戶的租戶中。這對于大型企業和政府客戶至關重要,也是我們贏得高端市場的重要因素。
Windsurf現場演示與使用建議
Lenny:讓我們來做個現場演示吧。
Varun:現在我打開一個基礎React項目,里面只有一些默認文件。我們可以提供一張設計圖給Windsurf,告訴它:“根據這個設計圖,將這個React應用改成狗狗Airbnb網站。”隨后,Windsurf會分析現有代碼庫,并進行相應修改。
Lenny:如果你能坐在每一位新用戶旁邊,給他們一些使用Windsurf的小建議,你會分享哪些提示?
Varun:第一個建議就是要有耐心,并且指令盡量清晰明確。剛開始可以從小范圍的修改開始嘗試,逐步了解它的特點和局限。就像自動補全一樣,即使只有30%的建議可用,只要學會甄別,就能獲得價值。隨著迭代,Windsurf的功能也在不斷提升,耐心和明確性是關鍵。
培養對模型能力的直覺感知,有助于理解具體與抽象之間的界限。隨著時間的推移,用戶能逐漸掌握這種能力,并實現實際預覽功能。例如,在 Windsurf 中,用戶可以直接選擇元素并對其進行修改,比如更改背景顏色,無需頻繁查看代碼即可實時看到效果。
AI 在 Windsurf 中扮演重要角色,它不僅幫助用戶修改代碼,還能夠追蹤用戶的操作,預測其意圖。例如,當開發者想要更改變量名時,只需告訴 AI 即可完成自動替換,并在整個應用中同步更新。
Windsurf 能迅速代替用戶完成代碼重構工作,即使是對代碼庫的小改動也能高效執行。通過這種方式,AI 不僅在應用空間操作,還能在用戶的代碼空間中進行修改,彌合二者之間的差距。
Lenny 提到,直接選擇頁面上的任何元素并對其進行更改是一個強大功能。Varun 回應稱,Windsurf 使得非技術人員也能夠構建定制化的應用,市場推廣團隊甚至自己開發了合作伙伴門戶,從而節省了超過50萬美元的 SaaS 產品費用。
對于公司內部的應用開發而言,垂直軟件公司通常具備難以復制的優勢,而如今,領域專家可以使用工具快速構建符合自身需求的定制化工具。過去需要購買現成的技術方案,現在則可以在數分鐘內自行創建。
Varun 強調,自主性是成功的關鍵因素。一個具有高度自主性的個人,能夠在沒有外部資源支持的情況下獨立實現自己的構想。
Windsurf 的核心模型基于 Sonnet,用于處理高層次的規劃任務。系統通過分塊理解整個代碼庫的方式確保高效的模型運行,而不是將大規模代碼庫直接發送給外部 AI 服務。
開發者與AI協同:未來編程模式的思考
如何結合AI優勢提升工程效率并保持團隊差異化競爭力
當前構建的代碼編輯模型在流行的開源模型基礎上進行了后期訓練,可以非常快速地對大型代碼庫進行修改。這使它比其他大模型(如Anthropic)更能將更多代碼帶入上下文并實現有效應用更改。如果某個任務上現有模型或開源方案更優,我們會選擇使用現有技術而非自行研發。
我們構建的核心執行檢索模型是完全自主預訓練的結果,而部分功能(如自動補全)基于開源模型優化。我們的模型能夠利用用戶每小時數千萬條實時輸入數據進行訓練,這些數據具有高度特殊性——它包含大量未完成的中間代碼狀態,而非GitHub等公開代碼片段。
在代碼生成過程中,用戶的接受率是衡量模型質量的重要指標。這種獨特的數據資源使我們可以構建一個能夠理解代碼演變趨勢、在輸入階段就完成高效預測的系統。這種能力為我們在代碼編輯領域提供了明顯的技術壁壘。
在工程團隊組織方面,我們采取了獨特的管理模式。核心產品開發中沒有傳統意義上的產品經理角色,而是讓具備深度技術背景的工程師承擔類似職責。這種方式適用于開發者自建自用的產品形態,確保技術決策與市場需求高度契合。
對于企業級需求,則專門配置了能夠銜接客戶需求與技術能力的人員。我們的團隊架構采用“2 pizza team”原則,保持小規模和高靈活性。當團隊超過合理規模時,領導者可能無法深入技術細節,這在快速發展領域存在潛在風險。
關于AI是否會減少工程師需求的問題,需要澄清一個重要事實:即使AI編寫了90%的代碼,也不意味著整體生產力提升10倍。 工程師的核心價值不僅在于代碼編寫,還包括代碼審查、測試、調試、架構設計、部署等關鍵環節。
參考阿姆達爾定律,在假設編碼時間從30單位降至3單位的情況下,整體開發時間僅縮短約27%。目前我們已觀察到超過30%(接近40%)的效率提升,但要實現更高目標仍需持續增加工程師投入。