与马丁·卡萨多和史蒂文·辛诺夫斯基一起探讨计算机的演变

摘要

• Martin Casado 的核心论点是：AI 已把行业从工程受限推向资本受限，改变了投资者对资本、创新、竞争和防御性的先验判断。 “现在，如果给20个人10亿美元，他们确实能把这笔钱用好。”Sinofsky 补充了历史上的相似轨迹：计算机行业最初30–40年受资本约束，随后转为受工程约束，如今又回到资本约束——“得跳回40年前。”
• 两人都提醒，登上头条的数学突破尚不足以证明经济价值。 Casado 的检验标准是经济效用：这些问题历年来投入的博士后薪资加总“可能并不多”，因此解决它们只能说明模型擅长公理化系统，并不意味着它们打通了市场——“对我来说，它仍然属于：它非常擅长玩一个游戏。这是有史以来最强的 StarCraft 玩家。”所谓“如果它能解决所有数学问题，就能预测一切”，是“一个巨大的逻辑跳跃”。
• AI 在分发和资本上的优势，已经让初创公司站上了与大公司竞争的同一起跑线。 Casado 表示：“AI 解决了分发问题——也解决了需求问题。”对 token 和 GPU 的需求几乎没有上限，因此漏斗前端的增长变成了预算决策；与此同时，巨额融资让挑战者获得了与 Microsoft 等大型公司正面竞争的资本实力。这正是 Cursor、Anthropic 和 OpenAI 呈现陨石式增长的原因。
• 大公司的失速主要仍是文化问题，而 AI 正在削弱传统上压制初创公司的劣势。 曾在 Microsoft 内部应对 ARM 冲击的 Sinofsky（“我拿出了第一台 Surface……‘里面是 ARM 芯片’”）表示，大公司很难轻易改变考核指标、地推销售、上市路径、薪酬和组织结构。他说 Google 拥有充足的数据和智能，但其模型正被 OpenAI 和 Anthropic 全面压过；Casado 则将其归因于文化因素，并指出大公司似乎还受到资本约束，包括 Google 的债券交易，以及关于某家未具名公司配给 token、导致内部产品缺乏资源的传闻。
• Sinofsky 认为，我们理解超大规模数字产物的构建机制，却不了解它们的能力边界；Casado 则指出了自己判断失误的地方。 Sinofsky 将当前模型描述为受数据约束、主要停留在分布内，认为迁移学习可能并不存在，也认为我们大概还没有进入快速起飞阶段；但他承认，没有人能推演一个投入50亿美元打造的数字产物，更不用说1000亿美元的训练运行。Casado 说自己曾排除递归自我改进的可能，却没有意识到 scaling laws 可能持续吸收资本。他认为，一个200亿美元的数字产物或许能治愈癌症；但资源如此集中，也可能带来危险。
• 可交易的重新表述是：当资本可以被投入时，过去看似无限的问题可以变成有限问题。 Casado 说：“我想穷举每一种蛋白质组合——我们完全可以把它变成一个钱的问题。”对 VC 而言，“太多资本追逐太少交易”是零和思维；更多私人资本可以通过消耗资本的技术浪潮扩大市场，也能让公司更长时间保持私有，从而让更多价值留在私募市场。
• Casado 的哲学警告是：这可能不只是又一层抽象，因为它意味着我们正在放弃逻辑本身。 以往每一层抽象都能确定性地向下映射；专家系统和 Prolog 仍由人类定义最终状态。如今则变成“你得用正确的话向模型之神祈祷”，然后得到一个碰巧有用的答案。这可能迫使行业老兵重新建立关于模型与应用的价值捕获、保证、生产率和防御性的基本判断。
• Sinofsky 的制衡观点是：工具恐慌会反复出现，而应用浪潮才是真正的奖赏。 画图计算器、因被禁止用于 Harvard Law 考试的 Osborne 电脑，以及 Cornell 拒绝在大一写作课中使用 AI，都在重复同一模式：“人们对变化的反应，超过了对基线的反应。”当资本可以替代长达10年的招聘周期，领域专家终于可能为“软件尚未服务的世界——而那实际上就是全部世界”开发软件。Erik 总结这一转变：“无代码终于来了”（“No-code is finally here."）。

精读

上游暂未提供，后续同步将继续补齐。