Shyam Sankar

美国军事力量的约束因素，越来越是工厂，而非最强武器的质量。 Sankar 对比称，乌克兰在“10周内消耗了10年的产量”，而美国工业结构中，流向国防专业公司的主要武器支出占比已从1989年的6%升至如今的94%。Friedberg 补充了更刺眼的产能差距：无人机产量相差1万倍，造船能力落后中国223倍。

Anduril 押注的是一个由私人资本支持的模块化制造平台，以恢复传统采购体系丢失的产量。 位于 Columbus、占地500万平方英尺的 Arsenal-1 园区，设计目标是在 Roadrunner、Barracuda、Furies 及未来系统之间灵活切换，像合同制造商一样生产，避免再出现乌克兰战争时期召回退休工人、重建 Stinger 和 Javelin 生产线的局面。Stephens 表示，这种模式需要巨额资本，可能无法容纳“100家新主承包商”。

所需武器组合正在从高精尖稀缺品转向可消耗的大规模装备，但并非转向一支全无人机部队。 Sankar 最直白的经济警告是：“不能一直用200万美元的拦截弹去打2万美元的无人机”；Stephens 仍认为 B-2、Patriot 及现有精确制导武器非常出色，但表示未来5到10年，高低搭配必须大幅调整。即便资金无限，他估计也需要约18个月，才能让美国走上可持续工业基础的轨道。

国防创新仍是一场买方垄断之战，产品往往必须从战场反向验证。 Palantir 曾起诉客户，只为争取参与竞争的权利；部署在前线的用户则通过变通规则，拿到真正有效的软件。Anduril 随后在22个月内实现1000万美元年收入，而 Palantir 花了约5年，原因就在于复用了这套制度经验。Sankar 所推崇的原型，是那种打造买方尚未知道自己需要什么的“异端”创始人。

国防科技资本将遵循幂律分布，因此估值纪律与融资能力同样重要。 Stephens 警告创始人：“你本可以以更低估值融资更少的钱”，并表示 Anduril 有意在每轮融资中压低收入倍数，包括从 Series A 到 Series G，提前为中期 IPO 做准备。公共资本最适合投向供应链瓶颈——无刷电机、关键矿产和冶炼——而不是用“花生酱式”资金平均撒给每个进入者。

自主系统不会消除人的责任；发言人更认可的是有问责的指挥体系，而非“一切都必须有人在环”的普遍规则。 Stephens 以 CIWS 为例：系统必须自主应对来袭威胁，但舰上仍须有人对其行动负责。他认为 AI 可以提升目标辨识能力、减少平民伤亡，而拒绝参与并不构成道德中立：“当你决定不参与时，你就是在做出道德选择。”

2040年的分岔既是经济问题，也是军事问题：依赖可能催生中国主导的秩序，再工业化则可能同时重建威慑力与中产阶级。 Stephens 指出，仿制药所需 API 中有80%由中国生产，并警告在所提及的2027年台湾风险窗口之前，半导体依赖很难逆转。Sankar 眼中的下行情景，是一个由中国制定规则、由“附庸国”组成的中国世纪；Stephens 眼中的上行情景，则是再工业化、值得信赖的制度，以及相信子女未来会更好的中产阶级。

🔗 原始收听与视频来源： 现代战争的现状：Palantir 与 Anduril 高管谈无人机、AI与传统战争的终结

Shyam Sankar 的国防论点是，美国把全国动员变成专业化产业，因而失去了威慑力。 1989年，主要武器支出中只有6%流向国防专业公司；如今这一比例已升至86%。要扭转这种隔离，就必须把商业研发和制造重新接回国家安全体系，因为“一个国家开战时，整个国家都要参战”。

国防领域的机会不只是增加竞争者，更在于让创始人、异见者，以及愿意保护他们的领导者重新回到体系中。 冷战后的“最后晚餐”将51家主承包商压缩为5家，但 Sankar 认为，更深层的伤害在于“整合催生了趋同”，管理层的重心转向分红、回购和现金流。反面范式是 Higgins boat：它曾遭海军拒绝，最终却占到二战全部登陆艇的92%。

AI 对 beta SaaS 的威胁，远大于对那些能够体现客户竞争优势的软件的威胁。 Sankar 的划分标准是：有些软件让所有公司变得更相似，另一些面向 alpha 的平台则帮助每家公司以不同方式运营；AI 和 vibe coding 会进一步强化后者。上线后的维护仍然“难得多”，而且部分问题尚未解决，但他不认为这能保护那些因从众心理而被购买的标准化软件。

他的 AI 栈判断是，随着模型商品化，芯片和 AI 基础设施——也就是他所称的“ontology”层——将沉淀更持久的价值。 模型公司正向上延伸，进入围绕模型构建的软件“harness”；窄领域应用则随着客户和使用场景扩张，向下深入基础设施。这种汇合让独立模型承压，而在他的理论中，芯片和基础设施可能仍具备防御性。

首选的宏观结果不是替代劳动力，而是借助 AI 推动再工业化，修复工资增长与 GDP 增长之间的断裂，并让生产重新接上创新。 Sankar 指出，Hadrian 能让人的生产率提升“50到100倍”，并把 AI 称为对抗中国制造规模的“大卫弹弓”。他的警告是，把发明和生产分开是一个战略错误：“如果你不制造这个东西，就无法创新如何制造它，也无法创新这个东西本身。”

AI 带来的即时组织优势属于领域专家：他们现在可以直接构建产品，而不必再向官僚体系请愿。 情报准尉过去需要制作一份 PowerPoint、层层争取许可，如今可以花2周做出一个能运行的应用；销售团队同样需要一套“Iron Man 战甲”，而不是为了替代而替代。Sankar 认为，目标应该是“主宰我的行业”，而不是满足“人必须被替代”这一信条。

Sankar 最终认为，美国最大的战略危险是“自杀，而不是他杀”——国家意志、能动性和正常运转的制度正在崩塌。 他的答案包括动员军队预备役人才、恢复制度能力、推进最大化再工业化，以及让英雄主义重新变得有吸引力的娱乐内容。硬实力和乐观主义叙事服务于同一个目标：尽早动员下一代，阻止一场更大的战争。

🔗 原始收听与视频来源： Palantir CTO 谈 SaaS 末日与阻止下一场世界大战 | a16z

Sankar 的核心论点是，军事创新历来只来自异端——“他们其实都是创始人”；他还给出一个绝对判断：“真正奏效、帮助我们赢下所有战争的，只有异端亲自做成的事情。” 没有任何经过这台机器的东西交付出成果。Hyman Rickover 在海军分配给他的女厕所办公室里，用7年造出了第一艘核潜艇；这支“50年代造就的”潜艇部队，至今仍是“我们对中国仅存的非对称优势之一”。

美国已经失去威慑力，严格说来可能直到过去1年才开始恢复——2014年克里米亚、军事化的南沙群岛、乌克兰、南海灰色地带行动——但 Midnight Hammer 和 Maduro 行动都“极具威慑力”，而且 Sankar 表示，过去1年美国战争部发生的变化“超过此前19年总和”。 一些新的国防企业如今已在五角大楼内部被视为“计划A”——与他2006年入行时所处的世界“已经完全无法辨认”；数百名创始人正以美国资本体系、超过1000亿美元的投入，在国家利益方向上创业。

工业基础的衰败可以量化：冷战时期，重大武器系统支出中仅6%流向国防专业企业；如今这一比例已升至86%。 1993年的“最后晚餐”将51家主承包商压缩至5家，真正的损害并非竞争消失，而是“金融化和趋同……你失去了那些疯狂的人”。主承包商的经营利润率约为9%，营收不到估值的2倍；他的修复方案是提高这些公司的价值，并处理成本加成合同——他称其在结构上“反异端”。

“我们从全球化那里买来的最大谎言是……我们负责创新，他们负责生产。” 创新是生产的下游产物：“Attention Is All You Need”论文源自 Google Translate 3%的改进；WuXi 从代人移液，发展到全球临床试验中有50%的药物在中国研发生产；美国80%的仿制药以某种方式来自中国。过去5年，Apple 在中国建设人才和产能，按通胀调整后的口径“相当于两个半马歇尔计划”；“我们为什么不试试在这里投入一个马歇尔计划？”AI 是“大卫的弹弓”——生产率提高50倍的美国工人，会改变美国本土能够制造什么的效率前沿。他是“再工业化极端主义者”；友岸外包“太容易让我们卸下责任”。

关于 AI 如何捕获价值，他的判断是：“价值将沉淀在芯片层和本体层。” 模型正在商品化；模型公司正向上攀升技术栈，而 AI 应用纯玩家则在向下延伸，并从第一性原理重新打造 AIP。Palantir 的交付指标在两年内从“不到8周”复合改善到“感觉上只需1周”。

他开创的前线部署工程模式，就是“通过反向传播构建软件”——在“工厂车间、战壕里”验证结果，而不是在销售时点验证。 只有当客户处在幂律分布上时，这套模式才有意义——解决未来居民的问题，能让你“领先所有人5年”；同时，你还必须能在客户经济效益的下游捕获价值。若你恰好能塞进 Gartner 的分类框，这么做“前线部署工程会是疯了”。

Palantir 的人才机器：招聘能把“一寸变成一里”的人，用他们并不具备资格解决的问题以 Hulk 式方式进行“伽马射线照射”（“你的最大学习速度，会与最大承痛能力同时达到峰值”），并帮助他们发现自己的超能力与氪石——因为职业阶梯“被完美设计成让你觉得自己在成长……但其实全是假的”。 Sankar 称这家公司为 Founder’s Factory。

🔗 原始收听与视频来源： AI 如何改变战争｜Palantir 首席技术官

华盛顿这份包含90项行动的AI计划，将创新、实体基础设施和全球生态覆盖视为一体化的国家安全战略。 Jacob Helberg概括了计划的3大支柱：美国必须在创新上超越竞争对手，加快数据中心、能源和国内制造建设，随后为全世界打造AI技术栈。计划锁定6至9个月内可以落地的行动，因为“靠监管赢不了AI竞赛”。

可投资的瓶颈正从模型智能转向电力、许可、机床和熟练劳动力。 Michael Kratsios希望联邦科学数据变得真正可用，而不只是开放；他同时警告，AI将进入无人机、医疗诊断等受监管产品。Jacob Helberg另行指出，超过1,000项已提出或已通过的州级措施，可能把美国推向“50套不同州级监管制度拼接而成的格局”。

Hadrian的工厂数据支撑了本期的核心劳动力判断：AI可以在合格工人已经不存在的地方，重新创造工业产能。 Chris Power称，制造生产率提升4x，劳动力生产率提升10x，来自完全没有工厂背景的新人只需30天培训；公司计划在亚利桑那州建设一座规模为洛杉矶工厂4倍、创造350多个岗位的新厂。“Hadrian的先进工厂看起来、运作方式都更像数据中心。”

Gecko Robotics重新定义了能源：它既是AI的约束，也是AI回报率最高的应用领域之一。 Jake Loosararian举例称，一座额定620兆瓦、实际仅产出580兆瓦的电厂，通过机器人检测和AI释放了1%的效率，并据此推算，美国火电机组可新增11.9吉瓦产能，“不需要动一铲土”。他的主张是：“AI不应只是消耗能源，也应该创造能源。”

Palantir的Shyam Sankar认为，AI采用最强的场景，是一线员工编写应用、机构管理层释放员工自主性的地方。 他希望员工生产率提升50倍，而不是仅提升50%；他提到工厂培训周期已从3年缩短至3个月，并介绍了一个面向机械直觉强、通常靠自学成长的工人的4周制培训项目。他的结论是绝对性的：“传统大学学位已经死了。”

Paul Buchheit关于“富足”的判断是：自然语言扩大建设者池，而资本密集度仍会让模型层保持稀缺。 美国只有2%-3%的人会写代码，其中或许只有一半能搭建创业公司；如果“英语就是新的编程语言”，创业公司、机器人公司和本地应用的数量可能增加10x或100x。Buchheit预计基础模型供应商数量仍将相对稳定，同时开源会限制闭源厂商的审查和锁定能力。

小企业正在成为AI进入实体经济的分发渠道，但最终市场可能呈现哑铃形，而不是普惠式增长。 Kelly Loeffler称，SBA今年发放的210亿美元贷款中，60%流向了拥有1至5名员工的企业；Keith Rabois预计，这些企业将获得与现有巨头同等级别的信息、产品和行政能力，随后从中型市场企业手中夺取份额，而NVIDIA等算力龙头也将受益。制约因素包括能源和材料成本、工业供应链暴露、严格的贷款承销，以及Power的警告：海外竞争仍是“企业对抗CCP”。

🔗 原始收听与视频来源： 赢下AI竞赛第一部分：Michael Kratsios、Kelly Loeffler、Shyam Sankar、Chris Power