摘要

核心判断：Token价格将下跌，未来3-5年持续降价，最终降至当前水平的1/10。 Arora的逻辑是：算力稀缺，成本已达到“2年前的2-3倍甚至4倍”；其中一半算力用于免费消费者使用，而这部分“本质上在亏损”，因此压力会落在付费的一半——企业编程上。前沿实验室一旦获得足够的后训练数据，就会主动限制消费者使用；Token变便宜后，消费量才会打开——因此，他不愿判断每名开发者的Token支出最终会占薪资的“3.8%还是20%”。
前沿模型的难题在于广度与深度。 消费者对误报“高度宽容”——Gemini只用4分钟就给他写出了一份尚可的投资备忘录——但做出独立决策的企业Agent必须对误报零容忍。Waymo是他的基准：“外面最大的Agent产品”，背后基于数百亿美元投入，训练了互联网之外的边缘案例数据。“你不能把Anthropic的下一个模型装进Mercedes，然后说：‘好了，送我回家。’”编程是唯一普适的企业用例；除此之外，前沿模型要创造收入，靠的是深度。
记忆将成为护城河，争夺焦点在于记忆存在哪里。 前沿模型“未来一两年会花更多时间围绕消费建立记忆”，因为用户上下文会带来黏性。企业的风险在于：如果记忆嵌入模型，就会“被模型锁定，而不是保持模型无关”；而可能帮助企业保持模型无关的编排层，资金实力“远不如这些模型”。
企业AI尚未成熟，大多数买家用错了方法。 超过一半企业只是把AI接到现有工作流上，换取20%的效率提升，而不是重新设计流程；SaaS“没有观点，AI应用会有观点”。他的经验法则是：3年内，G&A职能（营销、财务、人力资源）的人数将减少一半——但技术和销售人员会增加，而不是总人数整体下降。
Mythos是“网络安全的加速器”，不是威胁。 它针对Palo Alto自身代码进行扫描，用6周发现了原本需要5-6年才能找到的问题；但防御性的自动修补“会把30%并不存在的问题也修掉”，因此攻击者获得武器化能力的速度会快于防御者实现自动化的速度。这种不对称会推动安全预算上升；他还表示，不存在一个“云端”或OpenAI端点Agent，能够取代其部署在边界上的1.5亿个传感器。
SaaS重定价体现的是理性困惑，而非过度炒作后的恐慌。 记录系统面临工作流重构，分析层正被数据湖加LLM吸收（Snowflake、Glean、Databricks），而没人知道最终会保留多少席位——“我不知道正确的估值是多少。”至于Salesforce的最好时光是否还在前面：“取决于他们接下来如何执行。”
以当前算力成本，消费者AI未必能靠广告融资。 结合自己在Google担任CMO时的经验：线上广告已经占据约5000-6000亿美元广告市场的60-70%，而市场每年只增长3-5%，因此AI广告收入必须蚕食现有预算。更大的机会在交易收入——平均转化率只有1.5-2%，意味着“85%-90%的营销投入都被浪费了”；消费品成本中有92%来自分销和营销，AI定向可以压缩这部分成本。
快速问答中的Alpha：FOMO压缩了尽调窗口——“你有20年时间投资SpaceX，却只有3年时间投资Anthropic”——对抗它的方法，是采用他一位董事的沉没成本散步法：忽略过去3个月的投入，问自己：“如果它现在才出现在门口……我会不会接，或者不会？”

精读

1. 广度 vs 深度：消费者能容忍误报，Agent不能有误报

Arora解释自己那条推文时说，前沿实验室不断相互超越，但“即便是最好的模型，误报率也很高”——消费者并不在意。中间始终有人进行判断；他的姐姐很乐意拿ChatGPT做问答，而Gemini只用4分钟就生成了一份投资备忘录，这件事交给银行家和分析师“我可能要花几天”。这种广度让前沿模型成为消费者首选品牌，并拥有YouTube或Google搜索那样的分发经济学。
企业处于完全相反的环境：“如果你设想未来由一个Agent独立做出决策并采取行动，那么你对误报就是零容忍。”他的基准是Waymo——“现在外面最大的Agent产品”，因为它彻底取代了人类；Waymo依靠“数百亿美元”的边缘案例训练和专有数据构建。“你不能把Anthropic的下一个模型装进Mercedes，然后说：‘好了，送我回家。’”
结构性矛盾在于：前沿模型追逐消费者注意力，因为这能带来后训练数据和品牌；但“真正的企业收入将来自需要更多上下文的用例”。编程是唯一突出的例外——这是一项普遍存在的活动，所有人的数据都能帮助训练模型。“希望还有几个这样的用例。”

2. 企业AI尚未成熟，软件即将拥有自己的观点

他的判断是：“超过一半的企业仍然没有做对”——只是把AI嫁接到现有流程上，换取边际收益（“看，速度快了20%”），而不是重新思考工作流。“长期赢家将是那些真正用AI重新思考公司的人，而不是只对当前工作流做小幅调整的人。”
他描述的变化是：SaaS把通用流程装进了软件容器，但“软件并不智能”。下一代软件会做出判断：筛选每一份简历，挑出20人参加面试，再告诉Harry该问哪10个问题，因为3位同事此前只问了5个问题。“这要求我们放弃人为控制，让AI替我们完成80%的思考。但我们现在还不是这样做的。”
他说有一句话值得记住：“SaaS应用将让位于AI应用。区别在于，SaaS应用没有观点。AI应用会有观点。”比如一个AI营销助手会告诉你：“我看了你的文案，写得很差……它和你的语调不一致。”
人员账也很清楚：营销是训练条件最好的领域，因为营销本质上就是公开数据；既然如此，为什么营销部门还需要600人？他的经验法则是：“未来3年，G&A类活动的人数可能会减少一半。”但他反对把这解读为就业末日：“我认为我们需要更多，而不是更少”的技术资源，用于提示词、运行框架和专有数据；销售人员也会增加——20年过去了，他上周遇到的一半欧洲客户仍不了解Palo Alto的完整产品目录。

3. 达尔文式劳动力：黑客马拉松招聘与Token打地鼠陷阱

约束在于：“90%的企业员工都不懂AI……你在任何地方的任何学校都找不到一门课。他们只能自己学。”解决路径有两条：Brian Armstrong / Jack Dorsey模式——“解散我的组织”，将团队重建为原来30%-40%的规模，因为“没有挽救的余地”；或者渐进式转型。Palo Alto选择后者：只通过黑客马拉松招聘，用懂AI的人替换每月约2%的自然流失人员。“给我12个月，我就能把团队的20%-25%改造一遍。”
关于Token预算，他给出了本期节目的隐藏洞见：“最聪明、最会使用AI的员工，Token用量可能是普通员工的20倍。如果你陷入打地鼠式管理，说‘我要阻止大家花太多Token’，实际受伤最重的会是那些最懂AI的人，而不是普通员工。”
Harry进一步追问：那是否就是放任自流？实际政策是：“我们采取‘审慎使用’模式……如果发现有人用得好，我们不会限制他。”公司只构建真正专有的东西；如果某个通用AI应用将在12-24个月后出现，“那我们就等等”。

4. Token经济学：价格应降至1/10，因为消费者那一半算力没有回报

机制很明确：“世界的需求已经超过可用算力。毫无疑问。”算力成本是2年前的2-4倍，而“超过一半的算力都在供给消费者，这目前是一个本质上亏损的实体”——免费、数十亿用户，却没有回报。“你猜压力会落在哪里？压力会落在另一半算力上”——也就是企业编程；在消费者交易或广告模式成熟前，这部分必须付费。不同于Google/YouTube时代，如今“算力需求和成本已经是当时的10倍”。
他的判断是：“我认为长期Token价格应该是当前的1/10。”未来3-5年会持续降价，因此他不愿替Harry的说法下结论：一位近期嘉宾估算Anthropic每年3亿美元支出，相当于开发者薪资的3.8%；而“Macquarie的Brandon”认为Token支出与薪资相当。Arora说：“价格会发生非常剧烈的变化……现在还不能确定答案。”他还预计，实验室一旦拥有“足够、甚至超过需求的后训练数据”，就会限制消费者使用。
价格尚未下降，是因为“前沿模型公司追求的是价值最大化，而不是Token最大化”。当公司估值达到1万亿美元、每年还需要新增1000亿美元算力时，它们唯一的杠杆就是抓住增长最快的东西，然后向我们收更多钱。能力不足也不是充分理由：“我不需要Fable 5或Mythos 5来完成今天人们用AI做的90%工作。”Harry也认同，两年前的模型已经能处理大多数查询；Arora的补充是，当时模型的算力效率较低，而研发账单要通过Token回收。
对基础设施泡沫问题，他坦承这是一个尚未回答的问题：“物理规律究竟会在什么时候介入？”数据中心、能源、铜等资源，如果产能建设速度超过受物理限制的部署速度，“可能会出现一段消化期”，这会改变时间点，却不会改变需求：“我们仍然会希望算力越多越好，并且能多快交付就多快交付。”

5. 广告市场可能无法为消费者AI买单，交易收入或许可以

根据他在Google时期掌握的数据：2004年，Google只占全球广告市场的2%，当时市场规模为5000-6000亿美元；如今线上广告约占全部广告收入的70%，而整个市场每年可能只增长3%-5%。“你希望用来资助消费者AI的广告资金，必须来自当前的广告收入。”因此，OpenAI推出广告引擎，并不会“从根本上改变方程，让消费者业务变得盈利”。
更大的资金池可能来自交易收入。Harry估计线上转化率为1%-1.5%；Arora说，行业最佳水平其实是7%-10%，平均水平为1.5%-2%——“这意味着85%-90%的营销投入都被浪费了。”消费品成本约为标价的5%-8%；“剩下的92%是分销和营销。”具备记忆和上下文的AI在购买意图出现的瞬间精准触达Harry，就能把传统营销预算搬到线上，并以交易抽成而非广告的形式获取收入。

6. 记忆是护城河，也决定你保持模型无关还是被模型锁定

他对未来的判断是：“前沿AI模型……未来一两年会花更多时间围绕消费建立记忆。”这不只是扩大上下文窗口，而是存储你过去30/60/90天的互动，让每个回答都能叠加上下文。“当你开始围绕用户群建立上下文，就会产生黏性，而这会成为你的护城河。”消费者领域已经存在带记忆的应用；“有意思的是，企业领域还没有”，但一旦出现，企业对算力和记忆的需求会再次上升。
投资者需要思考的架构问题是：“我应该把记忆和上下文存放在编排层，还是前沿模型里？”模型知道记忆就是护城河，正在积极争夺；而编排层“资金实力远不如这些模型”。风险在于：“你最终会陷入一种架构……无法保持模型无关，反而为了获得最大效果而被模型锁定。”切换模型意味着重做整个应用。
对中国开源模型，他用一个思想实验反问Harry：先把“中国”这个词拿掉——开源模型本身并不危险，真正需要担心的是民族国家层面的后门：“模型会不会某天醒来，里面有一个休眠Agent，开始把所有数据发送到别处？这些问题可以被保护起来。”他认为世界会分化为任务专用的深度模型（ElevenLabs用于语音；飞机、汽车、机器人各自需要不同的物理AI，“这只是一个深度用例”），并由更智能的编排层统筹；开源模型“让你能够利用成本曲线。我不需要最聪明的模型去做最聪明的事”。

7. Mythos是网络安全的加速器，不是替代品

攻防不对称在于：模型接受优秀代码训练，因此“也知道如何寻找糟糕的代码”。从企业外部向内扫描时，它能发现开放的网络套接字和配置错误，攻击者可以将这些问题串联起来。但防御无法以同样方式自动化：“它会把30%并不存在的问题也修掉。谁知道这会把你的基础设施搞成什么样。”
内部验证来自Palo Alto自身：“我们用Mythos扫描自己的代码，用6周找到了原本需要5-6年才能找到的问题。”但修补前仍需要人工评估、沙箱测试和生产环境测试。最终效果是：“它给全球安全从业者点了一把火……客户迫切需要改善网络安全态势，这通常对网络安全公司是件好事。”
他并不担心被中间环节取代，因为边界防御需要有人守在门口：“全世界有1.5亿个传感器……没有一个‘云端’端点Agent，也没有一个OpenAI端点Agent能让我用它取代Palo Alto。”入侵后的问题——快速找到入侵者——才是真正适合AI的任务，需要的正是他花5年构建的企业上下文。至于政府是否会介入，他说，护栏“还没有建立得足够稳健”，越狱已经证明了这一点；能否修好？“我希望可以。”

8. 要像Tesla一样转型，不要像给全系车型贴AI标签的车企

当被问到如果今天重新开始会做什么不同的选择时，他把自动驾驶的3种策略映射到企业产品上：Waymo——划定边界并训练到完全自动驾驶；Tesla——先自动化部分环节，边缘案例由人处理，FSD持续改进；传统车企则是“给汽车塞一点AI”，进行“AI洗白”。他的结论是：拥有客户、需要满足客户需求的在位企业，“必须采取Tesla路径”；你不能交付一个“80%的时间都正确”的产品，然后要求客户耐心等待3年。他真正担心的是：“我的转型速度够不够快？”
他无法照搬Armstrong/Dorsey式的组织崩塌，因为“底层应用软件还不存在”。他拒绝搭建通用的AI营销、人力资源或ERP产品栈——“我希望有人去做这件事……也许是下一代Salesforce、SAP或Workday”——而只在Palo Alto拥有独特上下文和记忆的领域建设产品。
公司的运行节奏是每周两次召开AI EIEIO会议（“就像Old MacDonald有个农场——公司里每个人都想做AI”），由前15-20名技术负责人演示各自完成的工作。这套机制刻意采用达尔文式设计：“不管是害怕Nikesh 3天后问你做了什么，还是团队在推动你，你都会带着东西来。”转型必须自上而下，而不是自下而上；自下而上的Token试验只能把最优秀的人才筛出来。
他正在规避一个过去见过的陷阱：2004年的“首席互联网官”——CEO雇来24岁的互联网向导，借此把自己从互联网问题中摘出去。“AI也确实存在同样的风险……请见我的首席AI官，他可能是某所顶尖大学的研究员，但执行能力很弱。”产品路线图会暴露这种偏离：展望6-12个月，路线图里“根本没有Agent”。

9. FDE其实是在诚实承认产品还没做完

Harry先把争论摆出来：Factory的[可能是Matan]认为“如果你需要FTE，那说明你的产品很烂”；另一边是Palantir学派。Arora拒绝二选一：企业AI真正被追逐，“也就过去12个月，顶多如此”。他的解释是：“FTE只是‘我的产品还没完全做好’的简写……我要派一些人坐进你的办公室，一边适应你的需求，一边替我把产品做出来。”真正的FDE会把代码带回产品里；其余人只是技术销售顾问。初创公司急于获得收入，又被要求“在产品完全成熟前先卖出去”，所以短期内需要FDE。
编程领域的流失已经给出证据：Wind Surf和Devin是早期代表——“它们已经不再以当时的形式存在”；现在轮到Codex、Claude、Antigravity，Factory和Cognition则在争夺SDLC市场。“谁知道2年或3年后谁会成为领导者。”他会下注吗？“不，你来做。我只需要一个团队能用的好产品。”
他的并购逻辑也是同一套思路：6个月前，他低价收购了一家Agentic AI网关公司，押注企业Agent治理需要“将Agent流量汇聚到一个可以监控和拦截的网关”中。如今市场开始意识到，路由器还能用于优化和Token管理——如果晚些时候收购，价格可能翻倍，但这并不重要：“我买的东西要么能让我提升10倍或100倍，要么就戏剧性失败。提升1-2倍没有意义。”底层的焦虑是：“漏掉一个技巧，你还能活；漏掉两个技巧，你会部分受创；漏掉3个技巧，你可能就过时了。”

10. SaaS重定价、PANW多空逻辑与对抗FOMO的纪律

对于SaaS是否被过度抛售，他把市场传递的信息拆成3层叠加的困惑：记录系统面临“工作流重构”，没有观点的软件将让位于有观点的软件；其上方的分析层“已经在被重塑”，因为Snowflake、Glean和Databricks让LLM可以直接处理数据湖；此外，没人知道最终会剩下多少席位。诚实的结论是：“我不知道正确的估值是多少。”对于Neill Mehta提出的测试——Salesforce的最好时代在前还是在后——他的回答是：“取决于他们接下来如何执行。”
他主动给出了清晰的看空逻辑：“如果我无法在未来3年带着团队完成转型，那么确实存在看空理由，因为别人会造出更好的捕鼠器。”看多逻辑来自平台化——客户不愿管理40-60家安全厂商——以及市场空间：Palo Alto在网络安全收入中的占比已从不足2%升至“接近8%-9%”，仍有提升至20%-40%的空间。攻击者不断创新，因此创投级回报仍然存在；但“10亿美元已经不够了，需要10……20、30亿美元”。宏观层面，营销技术、人力资源技术，以及用Token替代重复性人工的支出，“都会变成技术支出”，技术在标普500中的占比仍将上升。
对硅谷共识错误的快速判断是：兴奋情绪叠加FOMO，投资时钟被压缩——“你有20年时间投资SpaceX，却只有3年时间投资Anthropic”——于是市场开始相信，“现在出现的每家公司都会成为下一个Anthropic，所以我们最好赶紧投进去。”
解药来自他董事会处理一笔接近10亿美元收购时的经验：“有时你会把投入的努力和对结果的渴望混为一谈……你还没花一分钱，只是投入了3个月的努力。”他现在的做法，也是他给那些击败8个竞争对手、拿到Term Sheet的VC的建议：出去长走一圈，问自己：“如果它现在才出现在门口，而且此前完全没有投入过努力，我会不会接？”

Jake Paul 谈从 YouTube 到拳击再到投资｜a16z 对谈 Anti Fund 华特迪士尼公司：将人类怀旧变现最成功的企业（音频）