Arvind Krishna 与 Nikesh Arora：量子威胁、开放模型与前沿 AI 之争、AI 网络战与 SaaS 崩塌
摘要
- Krishna 给出的量子计算时间表，意味着加密迁移已是当下的支出决策。 他把可用量子计算机的时间点放在 2028、2029 或 2033 年，以 2030 年作为中间值，并表示届时现有密码体系将被攻破。今天被盗的加密硬盘，可以被保存 5 年后再破解；Arora 警告，等到 2029—2030 年再行动的企业「现在已经晚了」（“we’re already late”）。
- Krishna 预计，开放权重模型将占据 75%–90% 的 token 用量。 他的测算是：每百万 token 成本约 20–50 美元，而经过优化后，使用自有 GPU 的成本为 1–2 美元；开放模型可以完成 95% 的工作。成本、知识产权和控制权等因素，让他预计企业会说：「我需要自己运行模型。」
- Arora 认为，紧急情况下前沿模型的能力值得其价格，但日常安全任务应使用更便宜的模型。 端点检测每年约需 20–40 美元，而一次安全漏洞可能造成数十亿美元损失，因此在这种情况下使用前沿模型和智能体集群有其合理性。日常任务则「没必要每件事都开法拉利」。他看好用专有数据训练的开放权重模型应用于许多商业场景，并认为自行管理权重有助于审计和解释。
- AI 能提升漏洞发现能力，但并未改变攻击者的结构性优势。 Arora 说 Mythos 有 30% 的时候会产生幻觉；攻击者只需要找到 1 个真实漏洞，防守方却必须把漏洞全部找出并修补。Krishna 表示，智能体编写了其组织约一半的代码，并通过评估持续改进；但「我们只能找到自己知道如何寻找的 bug」。
- 算力获取，而非简单的贫富分化，是一个关键担忧。 Arora 不认为局面会简单演变成「有者」与「无者」的对立，但担心受成本和供应限制，算力获取可能集中在两个主要国家。Krishna 说，如果有 30 个州限制数据中心，剩下的 20 个州就会「高兴得摩拳擦掌」。
- 垂直整合既能灵活获取利润，也能通过积累上下文锁定客户。 IBM 65 年的大型机发展史说明，企业可以在整个技术栈中留住价值；Arora 认为，个人智能体积累的记忆、API 和连接能力会增加切换难度。商业计价单位可能转向「每次操作成本」，而分发将成为重要战场。
- 主持人指出软件终值存在不确定性；Krishna 则预计，分散的软件支出将推动整合。 主持人预计，AI 改变产品与市场匹配关系后，SaaS 将受到重大冲击。Krishna 看到的是：使用 500–5,000 家供应商的企业，可能转向 5–10 个核心平台；整合可能需要「6 个月，也可能 6 年」。他认为，高可靠性的交易系统很难轻易被 AI 生成的软件取代。谈到并购估值时，他说年初时还颇具吸引力，但一个月前已不如当时。
精读
1. 量子计算机到来前，就要完成迁移
Krishna 说，争论焦点在于可用量子计算机究竟会于 2028、2029 还是 2033 年出现；以 2030 年作为中间值，他认为届时现有密码体系将被攻破。DARPA 量子基准计划已将约 200 家公司筛选至约 13 家。今天被盗的加密硬盘，可以保存 5 年后再破解。
他认为，关键里程碑是在实际硬件上证明纠错或错误缓解能力，而不是模拟；之后还要扩大门操作规模。他预计「明年」会有相关宣称，到 2027 年会有 1 家或 2 家取得进展。目前门操作规模接近 10,000，每年增加一个数量级，到 2029 年可能达到 1,000 万。单看物理量子比特数可能造成误判：10,000 个物理量子比特，经纠错后可能只相当于约 200 个逻辑量子比特。
Krishna 说，后量子密码学的原理已被理解，代码也已存在，但其安全性依赖复杂度假设，而非定理级证明。Arora 主张现在就把 IT 技术栈迁移到抗量子基础设施，并暂时对流量采用后量子密钥。他估计，在场人士今年预留的数亿美元 IT 支出中，约有 50% 将投向不具备抗量子能力的基础设施。
主持人提出，AI 是否可能找到经典计算的数学路径来破解密码，例如通过素数理论。Krishna 说，AI 或许能发现量子算法，但要高效运行仍需要量子硬件；否则速度可能慢 1,000 倍或 10,000 倍。他承认，找到另一条经典计算路径并非不可能。但时间决定实际价值：破解 1 把密钥要花 10 年，「不是实际可行的答案」。
2. 先用前沿模型试验，再按任务定价
Arora 说，他那支 2 万人规模的团队直到过去 12–18 个月才开始真正探索 AI，目前还没有完全整合。在这个试验阶段，他希望团队「用能找到的最好模型，以最简单的方式使用」，以验证 AI 是否能提升效率、增加收入或改善产品开发。让采用过程变得更复杂，只会拖慢学习。
日常端点防护与漏洞事件响应的成本结构不同。Arora 说，机器学习会检查每个端点上数百 MB 的流量，在端点算力上运行，模型载荷为 20–40 MB，每年成本约 20–40 美元。把这些流量全部送进按 token 计价的前沿模型并不现实。他的替代方案是训练一个压缩、针对特定任务的小型语言模型，直到准确率达到 99.9%：「没必要每件事都开法拉利。」
如果数据泄露可能造成数十亿美元损失，Arora 说，客户会批准使用任何有助于阻止损失的模型，包括智能体集群和最先进的大语言模型。他预计，前沿模型会用于少数一次性场景，在这些场景中，业务价值足以覆盖成本。许多商业用途——包括和平时期的防御模型——则可以采用基于专有数据训练的开放权重模型；自行管理权重有助于审计、解释，也能开放说明模型结论的过程。
Krishna 将「上一代模型」每百万 token 约 20 美元、极端情况下 50 美元的成本，与自有 GPU 上约 1–2 美元的成本作比较，后者需要约 1 周优化。他举例说，中国开放权重模型 Kimi K2 有约 8000 亿参数，成本低得多，却可能完成 95% 的工作。他补充说，采集、留存并审计思维链，可能泄露知识产权。他认为，在隔离环境中运行中国模型风险不大，并将这种做法与云端托管区分开来；他预计 1–2 年内会出现能力相当的西方开放权重模型，目前能力差距约为 6–12 个月。
这些成本和控制权考量，让 Krishna 预计开放权重模型将占据 75%–90% 的 token 用量。他开玩笑说，开发者很懒，如果没人约束，就会选最贵的答案。Arora 说，如果试验阶段已经证明更便宜的模型可用，转到生产环境也许没问题；但除了少数情况，他对生产环境采用更便宜模型仍持怀疑态度。
3. AI 防御需要协同与验证
主持人问，模型供应商是否可能进入网络安全业务，并提出 ZDR、数据留存和合成数据等问题。Arora 说，许多编码智能体用户并没有 ZDR，也能接受使用云端代码训练模型。让模型学习什么是好代码，也能帮助它识别坏代码。他说 Mythos 有 30% 的时候会产生幻觉，但攻击者只需要找到 1 个漏洞，防守方却必须把漏洞全部找出并修补。
主持人提出，可信赖的合作伙伴可以汇总漏洞、开发补丁并广泛分发。Krishna 从战争中总结出 3 点：建立强大的联盟、降低防御相对于攻击的成本，以及保持技术优势。他说，目标是找到并修补漏洞，让攻击者很难找到突破口、且为此付出高昂代价。
Krishna 说，在他的工作环境中，编码智能体大概编写了半数代码；代码质量比过去更好，因为智能体会在发布前评估代码，并修复它们能发现的问题。但「我们只能找到自己知道如何寻找的 bug」。目前，完整验证在计算上不可行；如果输入范围有限，验证或许可行，但任意输入仍然很难处理。
Krishna 还估计，在场人士可能会判断模型发现的漏洞中，约 60%–80% 是真实漏洞，20%–40% 属于幻觉。他说，模型擅长识别漏洞，但不会在没有重新测试的情况下直接用 Claude Code 修补漏洞。
4. 监管可以改变投资流向，但不会让研发停下来
Arora 说，没有人会放慢研发更好、更快模型的步伐。他认为，企业必须为自己发布的产品负责；不能因为软件是智能体写的，就免除企业责任。他说，现有法规已经可以追究企业责任，而且监管可能已经过多。
主持人转述一位资深国会议员的预测：到第四季度，50 个州都将禁止数据中心；主持人同时指出，这种情况不太可能发生。Krishna 说，AI 监管和数据中心政治由民粹主义驱动，同时又受到长期经济优势考量的制衡。他认为 50 个州全部禁止数据中心毫无可能，但 30 个州有可能；剩下的 20 个州将「高兴得摩拳擦掌」。
谈到全球算力获取，Arora 说，他不认为局面会简单演变成「有者」与「无者」的对立，也相信可以让防护变得负担得起。更大的担忧是，算力开发和获取可能分布不均：算力成本高昂，也很难大规模获得，尤其是在推动这项技术的两个主要国家之外。他举例说，欧洲企业可能受经济条件或供应限制，难以获得算力。
Krishna 将这一变化视为又一次劳动力与资本之间的取舍，并说过去 7 或 8 轮技术周期中，资本密集型采用者往往胜出。主持人而非 Krishna 提出，社会应当接受岗位流失，只要这能带来更好的工作，而不应坚持保护每一个现有岗位。
5. 垂直整合能留住利润，也能积累上下文
Krishna 以 IBM 65 年的大型机发展史为例。IBM 曾从采购沙子、制造晶圆和芯片，到打造机器外壳都自己完成；如今，制造是它不再内部完成的环节，而芯片与工程设计、韧性建设以及大部分软件仍由内部掌握。主持人以 Nvidia 作比较，补充说，控制整个技术栈能让公司在竞争对手把某一层变成大宗商品时，将利润转移到其他层。
Arora 将开放模型与封闭模型之争，重新表述为开放技术栈与封闭技术栈之争。推理、记忆和上下文会越来越难以分割；只转发推理 token 的开放路由器可能变得不切实际。个人智能体一旦积累用户的上下文、API 和连接能力，就会提高切换成本。他预计应用将整合软件、推理、记忆和上下文，定价方式则会转向「每次操作成本」。
Arora 说，企业和消费市场的分发也将成为重要战场。他预计，前沿实验室会在未来 3 个月大力推动 MCP；他们 9 个月前试过，但没有成功，Facebook 已经展示了它如何奏效。他预计 API 会成为常态，而且每个 iPhone 应用都必须变成无头应用。
6. 软件整合遇上终值不确定性
Arora 谈网络安全时，先从客户不得不购买并捆绑 40 种自己可能都不了解的解决方案说起。他以 Fidelity 的经历作类比：过去有 23 套系统共同承担如今所谓的 CRM 工作，后来这些工作整合进平台。他希望把一流的安全能力整合起来，让客户不必自己拼装。主持人而非 Arora 表示，AI 热潮带动网络安全估值回升，并预计这种情况会随着时间推移而回归理性。
主持人说，AI 改变产品与市场匹配关系后，很难判断软件未来 5–8 年的终值，并预计 SaaS 将受到重大冲击。谈到并购估值时，Krishna 说，年初时估值颇具吸引力，但一个月前已不如当时；他会继续观察未来几个月的走势。
Krishna 看到，企业可能使用 500–5,000 家软件供应商，并提出一个问题：企业能否用更小型的 AI 能力取代其中 490 家，回到 5–10 个核心平台？他说，如果软件价值下降，企业就负担不起为每个产品单独建设分发渠道。他预计整合终将发生，只是可能需要 6 个月，也可能需要 6 年。
Krishna 区分了两类软件：AI 更容易取代交互频繁的软件；而需要达到 10⁻¹⁵ 级可靠性的系统，例如零售银行的数据库查询或结账流程，则很难轻易被 AI 生成的软件取代。主持人说，切换之前需要多年时间打造数字孪生，而到那时也就没有成本优势；Krishna 表示认同。