企业家
4 场深度对话收录
Nikesh Arora
前沿洞察
传统SaaS正面临董事会层面的“隐形认输”，未来3至5年Token成本将暴跌九成，重构软件利润池。AI博弈已由通用广度转向企业级深度垂直，胜负取决于边缘案例训练与工作流控制。同时，AI串联漏洞使攻防战进入“分钟级”对抗；企业若无专有记忆路由与严格Agent鉴权，将在兼顾降本的狂欢中裸奔失守。
观点集合
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
量子计算或于2028、2029或2033年到来，Arora警告等到2029—2030年迁移已经太晚。Krishna预计开放权重模型将占75%–90%的token；自有GPU优化后每百万token成本为1–2美元，外部模型则为20–50美元。企业的软件供应商或从500–5,000家收敛至5–10个平台，但高可靠交易系统更难替换。
查看摘要（7段）
- 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。
从 $18B 到 $300B：Nikesh Arora 如何重建 Palo Alto Networks
AI将零日漏洞修复周期从行业平均55天压缩至Palo Alto Networks的4小时补丁交付，推动客户升级基础设施。Mythos将网络安全推上CEO议程，需求流向现有合作伙伴，结构性利好在位大厂；但市场正按完美执行定价，约两年后可能更挑剔。
查看摘要（7段）
- Arora 的核心论点是：网络安全还处在“起点”，这不是一时行情。 AI实验室正在让模型“秀肌肉”，自动发现并串联漏洞；攻击更容易、防守更难。要让全球基础设施面对“AI攻击的洪流”达到合格防护水平，需要整个网络安全行业。核心数字是：零日漏洞平均55天才能修复，而 Mythos 会在几分钟内发现漏洞并尝试发起攻击；Palo Alto Networks 在 Black Hat 发布了4小时内交付补丁的能力，并向所有客户部署——“从55天缩短到4小时”。
- Mythos 事件完成了 Arora 8年CEO沟通都没做到的事，而且在结构上利好在位厂商。 多年来他一直被转给技术团队，如今每位CEO都在追问：“我是否存在漏洞？……为什么我们拿不到 Mythos？”他们会把问题交给现有的“首选网络安全合作伙伴”，这让大厂占据优势。他还反驳了主持人 Molly O’Shea 关于实验室希望放慢开发速度的说法：他的判断是，实验室可能只是希望建立治理框架，以便继续保持开发速度；此前它们试图发布“Mythos 或 Fable 5”时，就曾因模型防护栏设置不当而被拦下。
- 他在6个月前就宣布，网络安全领域的“SaaSpocalypse”结束了。 当时市场“不加区分地认定每家软件公司都注定归零”，SaaS板块下跌50%；他的边界案例逻辑是：“AI可以在80%的用例上表现出色。我们处在0.1%的用例里……寻找干草堆里的那根针。”但更大的判断是绝对性的：“过去20年的软件都没有自己的观点，因此整个软件行业将在未来10年被重写”，而市场“可能会把哪些公司能活下来判断错一大批”。
- 在宏观层面，他认为各个维度的需求都被低估——算力、智能、能力——但也承认市场正在给每家公司都按完美执行定价。 他认为，未来10年“运营支出的10%至20%很可能转向技术”，并表示“不相信就业会减少的说法”；但他预计市场大约两年后会“更加挑剔”，未来2年至5年会出现“磕磕绊绊”——类似90年代末，只是时间表被压缩了：“原以为要5年完成的事，可能2年就完成。”
- 面对市值从他加入时的180亿美元升至 O’Shea 所说的约3000亿美元，他的打法是反向拆解市场对持久增长的预期，然后用两年周期的偏执经营公司。 两年之后，增长的可见度“开始变薄”，这也是 Palo Alto Networks 8年收购40多家公司的原因；有时他也会直接违背市场判断，比如280亿美元收购 CyberArk，市场起初不买账，直到业绩反转，态度变成“我靠，我们喜欢”。他的并购谦逊法则是：“你们把我们打得很惨。来告诉我们做错了什么。来替我们经营这块业务。”
- AI转型期的人才机制，是每周两次的“AI I/O”会议：24名顶尖技术人员每次互相授课2小时；此外，公司大约从9个月前开始通过黑客马拉松招人。 筛选标准很直接：“如果你下班回家不自己琢磨……我去哪儿找这些人？”用 AI 原生人才淹没团队，让落后者“自行退出”——他明确拒绝假设三分之一员工“就是学不会”的做法。
- 他的职业建议既适合引用，也反常识：“真正重要的只有两天：你拿到股票的那天，以及你卖出股票的那天。 其他每一天都只是一个虚荣数字。” Masa 的投资教训至今影响着他：不要把精力耗在修复一家坏公司上，“押中一家涨到4倍的公司，赚到的钱可能比修好一家坏公司更多”。他最后以 Steph 的“下一回合心态”和“因果平静”回应 O’Shea 对其偏执与从容并存的质疑：“人生就是一连串矛盾。”
Leo Aschenbrenner 的 Situational Awareness 引爆｜Moonshot AI 以350亿美元估值融资35亿美元
Airtable以12.85亿美元出售、收入增长20%却无人竞价，可能预示成熟软件公司董事会开始默默认输。Situational Awareness押对AI资本开支却因4倍杠杆崩盘，而Anthropic网络安全能力和Moonshot低价模型可能重塑安全与模型利润池。
查看摘要（7段）
- Airtable 已以12.85亿美元出售给 Bending Spoons。 公司收入4.85亿美元、增速20%，相对2021年110亿美元估值约为2.8倍销售额；但 Jason Lemkin 认为，真正令人震惊的不是价格，而是没有任何私募股权机构出价竞购，尽管 Francisco Partners 刚融资220亿美元，正是为了做这类交易。Nikesh Arora 的判断是：私募股权机构“有一整套想卖给 Bending Spoons 的资产”，而不是和它竞价收购。Jason 对董事会的警告是：这可能触发“一波悄无声息的 airtabling”——增速20%的创始人和投资人开始默默认输。
- Leo［很可能是 Aschenbrenner］“趋势判断完全正确，投资组合构建完全错误”。 这是 Nikesh 对 Situational Awareness 基金崩盘的结论：一只规模2.25亿美元的基金，曾一度以4倍杠杆持有450亿美元资产；其公开市场持仓据报被 Ken Griffin 的 Citadel 以160亿美元买下，Ken 据报赚了约30亿美元。“这几乎像是注定会发生的。” Rory 提醒成本基础：早期 LP（Collisons，从第一天就投）仍然赚了钱；“如果你是在4月、5月或6月买入的，你已经被抹掉了”——晚期投资人可能会仔细翻阅文件并提起诉讼。
- Anthropic 的模型攻破3家公司，可能开启一轮安全超级周期。 Nikesh 表示，现实世界发现的平均零日漏洞需要55天修复，而模型现在能“在瞬间”找到漏洞；他原本预测这一能力将在6个月后出现，结果4个月就来了，开源蒸馏攻击模型预计再过2-3个月出现。“我花了8年时间试图让 CEO 谈论网络安全……Dario 一举做到了。” Rory 的解读是：去年的安全技术栈已经完全不适用，企业即将大举采购。
- “平均智力将变得免费，而且平均智力会变得更聪明。” 卓越智力（治愈癌症、太空数据中心）会获得付费；没人会为客服每百万 token 支付6美元。推论是：“未来3-4年，我们付钱的不会是智力，而是极其昂贵的算力”，而且“土地、许可、能源——这就是未来3到5年会被定价的东西”。就连鸡粪制甲烷产生的能源，也能以倍数价格卖给 hyperscaler。
- 护城河将从模型选择转向上下文。 Nikesh 未来3-5年的下注对象是组织上下文——向量数据库、转录后的客户案例，以及“比过去任何时候都更多的上下文采集人员”，这样任何前沿模型都可以接入。即将到来的战争是：Satya 希望把上下文放进商品化模型旁边的 harness 里；每家模型公司都希望把上下文放进模型内部。对无法管理切换的企业，答案是：“Bending Spoons。Bending Spoons。”
- Q2 对所有卖推理服务的人都很利好： Google Cloud 增长82%，AWS 在大规模业务上增长37%，Microsoft 增长20-30%——4家公司合计带来约1000亿美元新增年化收入；Meta 花了很多钱，却没有明显回报，股价因此遭到下调。 Palantir 增长约100%，订单额增长153%，客户仅1,049家。Nikesh 对约1万亿美元已承诺资本开支的判断是：不是需求问题，而是时间问题——“还可以再押一次轮盘。”
- 如果 OpenAI 和 Anthropic 未能达到2027年目标，那是错位，不是需求毁灭。 “这就叫买入机会。” Rory 的情景是：Moonshot 以35亿美元融资、350亿美元估值后，在相同算力上以1折 token 价格成为首选模型——“Moonshot 开心，Nvidia 开心，企业开心，OpenAI 非常非常难过。”
Nikesh Arora谈前沿模型难题：广度 vs 深度｜Token成本的未来
Arora预计，随着算力供给扩张、消费者使用不再由企业编程补贴，Token价格将在3至5年内降至当前约十分之一。战略分野在于广度与深度：消费者能容忍误报，但企业agent需要类似Waymo的专有边缘案例训练；记忆位置、开放路由和工作流重构决定客户能否保持模型无关。
查看摘要（8段）
- 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？”