Steven Sinofsky

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."）。

🔗 原始收听与视频来源： 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

UI 正在失去对访问入口的垄断，但系统记录仍然有价值。 Seema Amble 认为 Salesforce 的 Headless 360 基本只是对现有 API 的重新包装，但它至少释放了一个重要信号：agent 可能无需打开 Salesforce，就能调取 CRM 数据。真正持久的资产仍是「数据、逻辑，以及其下存储的一切」（“the data, the logic, everything stored below it”）。

老牌企业软件的护城河，与其说是屏幕，不如说是数十年沉淀并编码其中的业务逻辑与例外情况。 PostgreSQL 数据库加 API 并不能简单替代 SAP：软件部署记录了一家拥有10万名员工、横跨20个国家的公司如何运营、合规和决策。Steven Sinofsky 直言，创始人“严重低估”了客户已经内置于这些系统的复杂程度。

“Agent”这个词掩盖了3种经济意义完全不同的工作：查询、执行和分析。 查询本质上只是更宽容的界面；执行会带来身份、权限、凭证和付费席位问题；分析可以跨系统、跨模型运行，但必须经过验证，因为一旦出现幻觉，后果会变得严重。因此，Headless 访问本身并不能解决企业部署问题。

Agent 面临的核心挑战、也可能孕育新产品价值的，并不是常规流程，而是例外情况的长尾。 地域惯例、客户特定判断、权限和政策，往往存在员工脑中，而不是 CRM 字段里。Agent 可以通过观察通话和电脑操作来收集这些上下文，但“企业里几乎所有有趣的事情都是例外”，所以信任积累得很慢。

自动化更可能扩大企业软件的需求，而不是把一批固定数量的工作做完。 Amazon 的自动化退货创造了新的优化闭环；自动化费用和差旅流程可以催生新的绩效分析；AI 辅助合同可能变得更长、更复杂。Sinofsky 的概括是：“长尾并没有变短，只是换了一种方式变得更长。”

最强的创业切口，往往位于既有品类或组织职能之间，而不是直接挑战成熟巨头。 正面替代成熟系统，意味着要继承客户期待的“8,000件事”；AI 原生的叠加层则可以在销售与财务之间做翻译，把已收集的数据转化为行动，或捕捉过去不可见的现场活动。Sinofsky 的建议很简单：“瞄准中间地带，用新的方式做事。”

企业 AI 最可信的网络效应，可能发生在公司内部，而不是公司之间。 合规与安全要求让外部网络难以建立，但聊天工具只要创造出看得见的成果，就可能在同事间扩散，正如当年高级 Excel 用户会吸引同事围观。连接此前需要人工整合的不同职能，可能催生全新的品类。

🔗 原始收听与视频来源： 与 Steven Sinofsky 谈企业软件的新规则

企业 AI 近期的瓶颈在组织整合，而不在模型能力。 Aaron Levie 表示，编码智能体之所以进展顺利，是因为工程师技术能力强、能够自主工作、可以调试失败，并且产出可验证；普通知识工作则涉及技术能力较弱的用户、碎片化数据、遗留系统和未被记录的关系网络。因此，AI 从初创公司向大型企业扩散还需要“数年时间”。

自上而下的 AI 指令正在制造失真的失败统计和可量化的表演，而非真正的运营变化。 Martin Casado 表示，“95%的大型企业 AI 项目失败”这一说法“显然很荒谬”，因为员工已经在有效使用 ChatGPT；他认为，这与集中式、咨询公司主导且缺乏运营协同的项目是两回事。以 token 数量为考核指标进一步放大了这种扭曲——Aaron Levie 说，他和同事会给智能体安排无用任务，因为“你衡量什么，就会得到什么”。

整合、权限和变革管理仍是企业长期不变的工作量，也可能成为持续数十年的服务市场。 Steven Sinofsky 的明确判断是，任何拥有1,000名以上员工或拥有超过10年历史的公司，都有“大量东西在那里等着被整合”，而“AI 实际上并不能帮助整合任何东西”。Levie 认为，这使 Accenture、Deloitte 及其他系统集成商参与其中完全合乎逻辑：人们必须先实施未来可能自动化工作的智能体。

核心架构变化，是把智能体视为拥有身份、入职流程和边界权限的员工，而不只是嵌入其他产品的软件。 Casado 表示，企业已经花了40年为混乱且非确定性的人类设计界面和流程，因此企业可以“雇用这个智能体”，给它配置邮箱和应用访问权限，并复用现有控制机制。尚未解决的问题是上下文：智能体可以以极大规模并行工作，却不会自然知道系统出错时应该去找哪个 Sally 或 Bob。

SaaS 可能新增机器席位，但 API 与浏览器两条路径仍存在争议。 Levie 认为 Salesforce 走向“full headless”是一个风向标，机器使用量可能达到人类活动的100倍或1,000倍；Sinofsky 则认为智能体就是“另一个席位”，因为共享人类凭证无法辩护。Casado 和 Sinofsky 倾向于 API/MCP/CLI 优先，只有这些接口失效时才使用浏览器；Casado 同时指出，当无头浏览器被拦截时，智能体可能仍需要使用普通 Safari。

智能体规模化带来两类风险：一类是熟悉的基础设施扩容，另一类是尚未被充分理解的运营熵增。 Sinofsky 追问，如果10,000名员工各自拥有智能体，而每个智能体对 SaaS 系统的访问频率是原来的500倍，会发生什么；Casado 表示，缓存和标准分布式系统技术可以应对这类负载。他更深层的担忧是，AI 生成的代码“会随着时间推移变得更糟”，可能制造与解决同样多的问题，而企业尚不知道该如何治理那些持续改写共享系统的长期运行智能体。

嘉宾预计，AI 在淘汰软件、基础设施和技术岗位之前，会先扩大它们。 Box 曾看到 AI 完成某一项功能约80%–90%的工作，但安全审查仍限制了发布；因此 Levie 估计工程生产率可能提升2x–3x，而不是5x–10x。代码越多，需要保护、升级和修复的系统就越多；与此同时，John Deere、Caterpillar、Eli Lilly 以及数千家其他公司都可以雇用使用 Claude Code、Codex 和 Cursor 的工程师——“这一领域的就业才刚刚开始”。

🔗 原始收听与视频来源： Aaron Levie 谈 AI 采用与企业工作流 | The a16z Show

企业采用 AI 的鸿沟，与其说由模型能力决定，不如说由权限、责任归属和运营控制决定。 初创公司没什么可“炸掉”的；银行则必须先控制提示注入、误写入、智能体相互冲突和信息泄露，才能授予自主权。结果是：“AI 能力的扩散会比硅谷人意识到的更慢。”

如果组织最终部署的智能体数量达到人的100倍或1,000倍，软件需求可能被彻底改写。 Aaron Levie 认为，供应商必须开放 API、CLI、工具、身份体系和访问控制，因为业务表现将越来越与智能体触达公司数据的效率相关。Martin Casado 提醒，界面打磨不是护城河：智能体会依据语义、成本、持久性等实质因素选择后端，而不是依据界面或文档质量。

核心记录系统的防守力，远强于“SaaS 末日”叙事所暗示的水平。 Steven Sinofsky 称，“以为靠 vibe-code 就能做出 SAP，简直荒谬”，因为数十年的领域知识分散在界面、中间层、工作流和操作习惯中，而不在某个干净的数据层里。智能体改变软件消费方式和变现模式的速度，可能快于其替代核心系统的速度。

AI 初期会抬高能拆解工作的领域专家的价值，随后会把这项技能上移到更高的抽象层。 大多数员工无法画出自己的工作流程图，使“算法思维”成为眼下的瓶颈；Casado 提到的 Anthropic 增长营销案例显示，1名系统思考者把原本分散在5个或10个岗位上的工作自动化。Sinofsky 预计，“火箭科学”那一部分会像当年的电子表格复杂性一样消失。

给每个智能体单独开一个账户，并不等于把它变成一名员工。 智能体可以获得电话号码、Gmail 账户、信用卡和基于角色的权限，但责任仍由所有者承担，且必须全程监督；任何进入上下文窗口的信息，都可能通过提示注入被抽取出来。对于并购数据室等敏感流程，Sinofsky 认为，在 N 变得非常大之前，企业可能还会维持只读状态数年。

嘉宾们拒绝华尔街把收入总盘子视为固定不变的假设，认为 AI 需求在结构上被低估。 Sinofsky 表示，预测“至少差了一个数量级”，并以 PC、云计算和 CRM 为例：这些市场中，摩擦下降带来消费扩张，而不只是重新分配支出。Casado 补充称，在他能观察到的基础设施公司中，过去6个月每一家都出现了“渐近式”增长，因为软件编写量大幅增加。

即使效率最终会压倒稀缺性，Token 支出眼下仍是盈利和管理层必须面对的问题。 在当前讨论中，工程算力可能占相关费用的1%-100%；考虑到上市科技公司的研发费用约占收入的14%-30%，算力成本是工程团队成本的2倍，还是仅高出3%，都可能决定 EPS。Martin 称这是未来“最疯狂”的预算讨论；Sinofsky 则预计，类似晶体管的转变最终会让今天的 Token 核算消失：“这是肯定的。”

🔗 原始收听与视频来源： Box CEO 谈 AI 采用鸿沟 | The a16z Show

编程代理正让小型创业公司获得过去只有大企业才拥有的运营规模。 Levie 的公司称，约30%的代码“来自 AI”，员工自报的效率提升从20–30%到75%不等；3人、5人和10人创业公司的创始人则称效率提升达到3–10x。最强的团队会把任务派给后台代理，约20分钟后拿到结果，自己“做的是代码审查，而不是写代码”。Sinofsky 警告，惊艳的产出可能让人产生生产力提升的错觉，但实际产出并未改变。

目前观察到的最强提升来自专家和资深小团队，而不是新手突然获得了判断力。 Casado 称，使用 AI 的资深团队已经“超人化”，仿佛“他们一觉醒来全都变成了 Tony Stark”；Levie 认为，愿意把 AI 推得更远，有助于解释生产力差异为何如此之大。Casado 认为，专业能力让用户能够识别出或许只有2%的输出存在幻觉或方向错误。AI 是领域知识的“涡轮增压器”，而专业判断力仍是可以变现的那一层。

AI 带来的生产力可能体现为速度、软件质量和更高层次的工作，而不一定是更快发布功能。 开发者可以生成文档和测试，同时改善可维护性与架构，即使发布日程没有变化。Levie 的个人案例是：把原本持续3天的分析师工作压缩成10–20分钟的深度研究、分析和原型制作；这“从根本上是另一回事”，不再是串行分派任务。

创业公司的重置，来自代理带来的规模化能力与已经存在于70亿部手机上的分发渠道相结合。 后台代理消除了在员工数量上的既有优势，而消费者对软件的熟悉则化解了很大一部分平台分发门槛；Levie 的直白表述是，老牌公司仍有“分发优势，但仅此而已”。那些过去可能成为10x工程师的20岁年轻人，如今可以表现得像“100x工程师”，让2025年的公司创建过程相较2005年变得面目全非。

最大的全新市场可能在专业服务业：AI 可以把领域智能封装进软件，而这里没有传统软件巨头需要被取代。 农业、建筑、系统集成和广告都可以按 AI 原生方式重做，而名义上遭到颠覆的公司，可能反而会成为产品最重要的客户。Levie 的代理公司案例体现了定价空间：如果 AI 能以5000美元制作一场价值100万美元的广告视频 campaign，新进入者就可以在这两个数字之间定价。

老牌公司不必消失，挑战者也能夺取规模巨大的新类别。 讨论嘉宾预计，在已有明显代理工作流的记录系统中，老牌公司会略占优势；而全新的领域则更有利于颠覆者。两者都可以增长，因为市场规模可能比过去理解的大“100倍”。一家价值“4万亿美元”的 Microsoft，可以与新的100亿美元、200亿美元、500亿美元和1000亿美元公司共存；老牌公司真正持久的弱点，是拒绝推出会与既有商业模式冲突的产品。

消费者的采用正在为企业被迫升级打基础。 一项自报调查显示，最多75%的成年人每周多次使用 AI；作为对比，Pew 在1999年的研究显示，约一半美国人拥有电脑。Levie 那位非技术背景的教师姐姐也开始向 ChatGPT 提问。员工和毕业生会越来越多地追问：为什么企业系统无法像消费级工具那样快速回答问题，或完成报告；而安全性与非确定性输出，仍是大公司的主要瓶颈。

移民政策争论聚焦于减少抽签摩擦和保护工资，但并未形成是否应接受10万美元价格的共识。 Casado 最初支持通过定价分配稀缺供给；Sinofsky 认为高价格可以直接针对咨询 body shop。Levie 则认为，10万美元可能让 Amazon 和 Google 获得更多优势，并把有价值的创业公司人才挡在门外；Keith Rabois 提出的2万美元和最低工资规则成为替代方案。最尖锐的反对意见是，这项提案仍然只是“花10万美元参与抽签系统”，而不是用一个以“全世界最优秀的人才”和工资净增为目标的体系，替代成本高昂的不确定性。

🔗 原始收听与视频来源： 软件终于吞噬服务业 - Aaron Levie

AI 工作者的终局是自主后台执行，而不是更好的聊天界面。 Aaron Levie 用无需人工介入就能完成多少有用工作来衡量智能体性；Martin Casado 则提出更严格的测试：系统必须消化自身输出，并据此合理推进。由于长时间自治可能放大错误，实际架构可能是许多设有人类检查点的受限工作者——Steven Sinofsky 所说的“Linux 里的 ampersand”，只是从“真的很差的实习生”升级而来。

新架构更像围绕人协同的专业化智能体，而不是单体 AGI。 Erik Torenberg 将深度任务 expertise 与编排能力区分开来；Levie 表示，他还没见过一个高性能系统能完全脱离人类环节。对投资者而言，关注点因此从通用智能的宏大叙事转向工作流深度、编排能力，以及“经济账是否算得过来”。

带日期的 AGI 预测和“递归自我改进”，透露出的不确定性远多于其精确表述。 Sinofsky 预计，2027年目标最终会演变成一场围绕定义的争论——“一个行业的 OKR”——因为指数式进步是真实存在的，但10年后的结果仍不可预测。他的技术性质疑更直接：反馈回路可能收敛、发散或渐近，因此仅凭递归改进“几乎说明不了什么”。

AI 当前更可靠地叠加专业能力，而不是取代专业能力。 企业获得了更好的模型，也形成了更成熟的验证文化；关键指标是复核所需时间与手工完成任务所需时间的对比。专业工程师接受“老虎机”，因为他们能识别好输出，仍然获得“10x生产力”；新手则可能在无法识别错误的情况下直接部署失败结果。

提示词正变得更长、更专业，因为人的意图不可能被简单推断掉。 Levie 表示，输出仍与输入高度相关，并发现“长达数页”的提示词优于含糊指令；Sinofsky 解释，形式语言的出现正是因为专家需要高效、精确地传递信息，而 Levie 认为术语是领域专家沟通的形式化方式。与 AGI 叙事相反的趋势是：“更多智能体，而不是更少”，去完成更多窄任务。

AI 将通过暴露真正具有顺序依赖、以及仅因人力稀缺才被串行化的步骤，重做工作方式。 开发者可以按 GitHub pull request 管理智能体，律师可以监督20个案件智能体，活动负责人则可以并行启动场地、邀请函和宣传物料任务。组织层面的含义是，人类将成为智能体的管理者，工作流也会围绕工具重新搭建。

随着 AI 变得更垂直、更受数据约束、也更有经济选择性，应用机会将继续扩大。 讨论者预计，各部门和各行业都会出现垂直智能体，并认为模型提供商不可能在50个不同领域执行得过“50家创业公司”；后训练、强化学习、专有数据、权限和工作流所有权将成为护城河。Casado 的单位经济学筛选很关键：对许多应用而言，“20%的推理调用占80%的成本”，产品价值就在于挑出那些值得付出成本的领域专用调用。

🔗 原始收听与视频来源： Aaron Levie 与 Steven Sinofsky 谈 AI 工作者的未来

阻止退出交易无法约束 Big Tech，只会饿死初创公司、减少可获得的资本，最终强化在位者。 Balaji 将这条挤压链条追溯至 Sarbanes-Oxley：上市公司和 IPO 数量下降，迫使初创公司长期留在私有市场；随后又经历 4 年 M&A 受阻，他以 DOJ 干预 JetBlue 收购 Spirit 为例——Spirit 最终破产，Roomba 也陷入困境。他认为可投资的作用机制是：收购是巨头的“投降”，交易所得为挑战者提供资金，因此“真正监管大公司的方式，是用 1,000 条初创公司的食人鱼围攻它们”。

企业 M&A 本质上是一个幂律分布的风险投资组合，而不是一连串事后看似显而易见的垄断收购。 Steven 表示，研究已证明并购总体上摧毁价值，大公司约有 90% 的时间押错战略；但成功的离群案例往往被事后改写成必然结果。Instagram 当时没有收入，刚以 $500M 估值融资，Facebook 却以 $1B 收购——交易发生在 IPO 前几周，约占 Facebook 现金的 25%，且事先没有咨询董事会；“所有人都想分一杯羹”，却没人承担最初的风险。

反垄断压力催生了“acqui-fire”：被选中的人才转移，资金留在原实体，但公司本身并未被收购。 Balaji 将 Scale、Character、Inflection、Adept、Covariant 和 Windsurf 归为这一结构的不同变体，其执行速度可能快于传统 M&A。按他的说法，Google 接收了 Windsurf 约 40 名员工，同时把约 200 名员工和超过 $100M 留在公司；缺失的对价其实是身份与地位，因此留下的人又寻求与 Cognition 达成第二笔交易。

AI 是一次平台迁移，在工具和顶尖人才上的战略性非理性投入，仍可能具备经济理性。 Steven 将今天编程工具的繁荣类比 DOS、BASIC 以及当年推动 PC 操作系统整合的过度投资：工具未必会成为最大的独立业务，但每个想做平台的公司“都必须拥有它”。Balaji 补充说，AI 能放大最优秀研究者和工程师的产出，使选择性人才交易更具吸引力，即使整家公司并不值得整合。

两人认为，动态软件市场与为铁路、煤炭及地理受限分销体系设计的监管之间存在根本错配。 当一部 iPhone 同时是电话、相机和可编程互联网设备，或 Apple、Google 与 Facebook 在重叠的产品集合中相互竞争时，基于 HHI 的市场定义就会失效。Balaji 的“网络 versus 国家”框架进一步解释了政治机制：Uber、YouTube 等平台已成为事实上的监管者，而政府仍是用户无法同等退出的垄断平台。

美国在 AI 上的领先地位，可能同时受到版权诉讼、能源约束以及对中国模型限制的挤压。 Balaji 反驳“现在已经是最糟，以后只会更好”的说法，指出 Napster 和 Google Books 都曾因法律攻击而退化；他认为 Kimi、Qwen 和 DeepSeek 已经是不错的 open-weight 模型，尽管并非完全 open source。Erik 用 Christensen 的话框定中国策略：将美国的优势商品化。Steven 将其比作 Google 免费发布 Google Docs；Balaji 则反驳说，版权和知识产权同样帮助造就了科技产业。

两人的政策主张都回到市场，但尺度不同：Steven 倾向可预测的规则和允许交易失败，Balaji 则希望组织化地推动司法辖区竞争。 Steven 认为预测性阻止合并在统计上站不住脚，称其相当于“对投资实施租金管制”。Balaji 提议为全部 50 个州和 190 个主权国家起草示范法，由 10 位 CEO、创始人或投资人——或代表明确收入规模或 AUM 的更大群体——承诺在通过立法的辖区投入资本：以“物理学的速度，而不是许可的速度”建设。

🔗 原始收听与视频来源： Steven Sinofsky & Balaji Srinivasan 谈 M&A、AI 与科技的未来

Sinofsky 将 AI 定位在“64K IBM PC 时代”，比 Windows 3 类比早得多，因此今天的局限是平台级特征，而非边缘案例。 人们一边声称 AI 将取代 Search 和 Excel，一边它仍会出错、连基础任务都做不好；用户还必须重新学习如何与一款“智能不平整”的工具协作。对投资者而言，近期信号是能力持续增长，但工作流尚未定型。

写作，而非生产软件，是嘉宾认为已经出现数量级变化的第一个工作流。 Acharya 认为，vibe writing 今天就能实现完全自主；但 Sinofsky 的问责标准仍然成立：如果工作或成绩取决于它，产出“就必须正确”。部分自主可能把人从作者推向编辑，而代码中的隐性负债则会在更晚时候以安全、身份认证和明文密码漏洞的形式暴露。

Agents 将是持续10年的部署过程，Acharya 预计最早产生价值的领域是高摩擦、低判断任务。 他愿意把个人贷款再融资交给 Agent，因为自己只在乎最低利率，也没有品牌偏好；但不会把税务交出去，因为其中涉及申报选择和风险判断。Sinofsky 补充说，“无头、无脸、无名”的 API 可能剥夺供应商差异化和获客的能力，从而限制纯粹按价格自动化的商业模式。

在 Sinofsky 的框架里，完全自主取决于正确性的形式化定义；只要存在歧义，人和判断就会留在流程中。 国际象棋和围棋可以完全交给机器，但医疗、税务和产品管理都建立在不确定性、例外和未决选择之上。放射科医生的采用路径提供了模板：AI 成为另一种工具，而不是终结一个职业的替代者。

“Vibe coding for clout”夸大了文本生成应用系统今天能够交付的程度，但嘉宾对历史究竟能多大程度约束未来存在分歧。 Torenberg 认为，类英语提示词本质上是在用散文编程，而一旦加入结构，“你写的就是一种新的编程语言”。Sinofsky 表示，底层语言模型正在大幅进步，尽管不少演示“三天后就失效”；他也承认，模型的指数级进步让负面预测变得危险。

AI 带来的丰裕将重置质量门槛，因为“比替代方案更好”往往比完美更重要。 Sinofsky 预计，几乎完全由 AI 生成的畅销书“100%”会出现；GPT 只需“百万分之一的投入”就能写出企业案例研究，并将这一可及性逻辑延伸到医疗服务。Torenberg 的保留意见是，模型是“平均机器”，因此前沿艺术仍需要技术原生创作者，把文化推向边界。

Google 面临的风险不是消亡，而是在软件广度无法改变公司构建和销售产品的方式时失去影响力。 I/O 展示的“软件领域 B-2 轰炸机”体现了 incumbents 的“震慑与压倒性资产”；更难的考验在于 Google 是否能改变产品语境和 go-to-market，而不只是通过 Search 和 Ads 展示 AI。

🔗 原始收听与视频来源： 前微软高管与 Anish Acharya、Steven Sinofsky 解释我们身处 AI 周期的哪个阶段

Apple 对中国的依赖，是从能力护城河演变成战略脆弱性的结果，而不是一笔廉价劳动力交易。 Torenberg 转述书中的估算：Apple 每年在中国投入550亿美元；Sinofsky 则认为，真正决定性的能力来自 Apple 员工深入生产线、通过“耳濡目染”完成知识转移。大约“iPhone 上市两年后”，事情抵达不可逆点：没有其他地方能匹配所需的技能和规模。

Apple 在 AI 上的低调，更像是在从过早承诺中撤退，而不是放弃这一赛道。 Sinofsky 认为，之前对尚未完成产品的预告不符合 Apple 一贯风格，并预计 Apple 会回到“不是第一个行动者”，而是“第一个整合者”的位置。Torenberg 表示，Apple 仍需要一个针对其独特硬件、端侧运行和隐私约束调优的模型；Sinofsky 则认为，Siri 是一个显眼的认知短板。

AI 不太可能出现赢家通吃，因此排名第二、第三的平台也可能成为跨世代投资标的。 Sinofsky 的观察路径，从 IBM 在大型机时代的100%份额、Microsoft 在 PC 时代的95%份额，走向手机大致80/20的格局，再到云计算可能稳定在40/40/20。Torenberg 认为，a16z 的错误不是押注不够激进，而是过度强调只能投资领导者；隐私、安全和推理成本同样会推动一轮大规模端侧 AI 浪潮。

Meta 收购 Scale 的重要性，在于 AI 需要多个达到规模的竞争者，而不是某个模型已经胜出。 Torenberg 提问，Meta 持有 Scale AI 49%的股份，是否可以理解为以150亿美元左右收购 Alex Wang 和顶尖人才的 acquihire；Sinofsky 的结论是，这笔交易至少“对 AI 大有好处”，但对 Meta 究竟有多大好处，仍需观察。他更担心的是：出现一个政府背书的路径、一个玩家宣称自己应当成为唯一选择，或者形成类似日本 i-mode 的地域隔离生态——技术先进，却困在国内市场。

COVID 将供应链效率转化为国家安全暴露，暴露出“到处都是单点故障”。 一座城市、一家工厂或一条运输线路被关闭，就可能让全球产出停摆；美国也发现，无人机乃至其零部件都来自唯一的制造商，而这个制造商“可以说是我们的敌人”。Apple 在印度扩产能够降低对中国的集中度，但未必符合以恢复美国生产和就业为核心的政策目标。

Sinofsky 否认国内生产必然意味着一部5,000美元的 iPhone。 一部手工制造的 iPhone 可能要花费100,000美元；如今大约1,000–1,500美元的价格，体现的是制造创新，因此约束条件变化后，机器人、封装、更少零部件和新工艺仍能带来下一次阶跃式降本。“创新不是发明”：面对新的约束，工程师可以解决这个问题。

Apple 仍能继续提升设备份额，但制造 know-how 的扩散和未解决的 IP 规则，正在改变其过去的防御体系。 Sinofsky 预计，今天的手机形态会比乐观主义者想象的持续更久；随着使用场景稳定、价格相近，Mac 已经在美国部分笔记本市场逼近一半。更大的不确定性在于如何处理知识产权：把中国的 IP 记录视为其无法参与全球市场的理由，以及把所有知识都视为可供 AI 训练的公共资源，在 Sinofsky 看来都是不现实的立场。

🔗 原始收听与视频来源： 前 Microsoft 高管谈 Apple 隐藏的中国问题

DeepSeek R1 是中国真正的研究成果，但既不是一款“600万美元模型”，也不代表前沿 AI 突然变得易如反掌。 团队此前已积累约18个月，相关贡献早已出现在公开文献中，只是很少对外公布；约两个月前发布的 V3 基础模型甚至可能更令人印象深刻。外界引用的开支，针对的是一项特定的思维链训练工作。市场却用一个周末准备“交易掉1万亿美元市值”，Martin Casado 称这是完全过度反应。

R1 最具影响力的特征，是近似 MIT 的宽松许可证，以及公开发布的推理轨迹。 Martin 称其是真正意义上的“免费啤酒”，应用可以广泛采用，开发者也能利用它的思维链蒸馏出可运行在更小设备上的高能力学生模型。这会推动 AI 走向“口袋里的 AGI”（AGI in your pocket），并让分发能力，而不只是基准测试领先，成为战略变量。

投资者真正要问的，不是模型还是应用胜出，而是它们的价值会如何随时间变化。 Casado 承认，有价值的应用可能需要垂直整合模型，从而限制 DeepSeek 对 OpenAI 和 Anthropic 的直接影响；Sinofsky 则回应，两种判断可以同时成立，因为“变量是时间”。模型靠原始的魔力吸引用户，竞争者通过蒸馏追上，长期价值则可能迁移到有状态的工作流和配置中。

DeepSeek 更像是推动规模扩张的催化剂，而不是做空 NVIDIA 的理由。 Sinofsky 将稀缺、液冷的数据中心算力，与手机上近乎免费的 MIPS 以及潜在的70亿个终端作对比；更小的专用模型会拓展推理发生的场景，但不会消灭超大规模工作负载。Casado 称这是走向“口袋里的 AGI”的又一步，Sinofsky 则认为 TAM 已经扩大。

AI 基础设施类似互联网时代的光纤建设，但其金融基础明显更强。 投资者再次通过实体基础设施获取敞口，因为难以识别私有软件赢家，这确实带来产能过剩风险。但如今的主要建设者是资产负债表上拥有数千亿美元的云公司，NVIDIA 即使遭遇价格下跌也能安然度过；这不同于 WorldCom 时代那种高杠杆结构，后者曾将光纤过剩转化为危机。

基准测试领先的重要性会下降，应用特定的可靠性和企业采用才更关键。 研究产品的评判标准将从参数数量转向事实、来源和脚注；生产力应用则会组合多个模型、微调和持久化工作流。单点登录、过滤以及按用户关闭功能等企业控制听起来平淡无奇，但嘉宾认为它们会形成高黏性、可变现的护城河。

这场讨论真正敲响警钟的对象是美国政策，而不是 OpenAI、Anthropic 或 NVIDIA。 Casado 认为，限制开源、芯片、软件和模型权重，并未阻止中国研究人员打造并发布 R1；Sinofsky 将这一点进一步概括为：“教训不是 Sputnik，而是互联网。”他们主张加快美国本土研究和无许可扩散，并敦促前沿实验室在一个 Sinofsky 预计将达到当前 TAM“100倍”的市场中开发应用。

🔗 原始收听与视频来源： DeepSeek 对 AI 未来意味着什么｜科技老兵谈看法