a16z 闭门激辩：从存亡风险（X-Risk）监管陷阱、内网 Agent 防护到概率编程新范式

a16z 最新激辩：AI 下一场战争不在大模型，而在监管、安全与软件底层重构

过去三年，整个 AI 行业几乎被一个问题统治：

谁能训练出更聪明的大模型？

OpenAI。

Anthropic。

Google。

Meta。

xAI。

所有人的注意力都集中在：

参数；

Benchmark；

训练算力；

Reasoning；

AGI。

但到了 2026 年下半年，一个越来越明显的变化正在发生：

AI 最大的瓶颈正在从“模型够不够聪明”，迁移到“软件世界能不能真正承载这些智能”。

这也是近期 a16z 多场讨论真正共同指向的问题。

今天的大模型已经可以：

写代码；

做研究；

分析法律文件；

自动完成复杂任务；

控制工具。

但企业真正被自动化了吗？

很多时候：

没有。

Diogo Almeida 在最新 a16z 对谈开场甚至直接问：

“Where the fuck is all the automation?”

AI 已经如此聪明，

为什么现实软件仍然如此笨？

这可能是理解 AI 下一阶段最重要的问题。

一、AI 行业正在从“能力革命”进入“系统革命”

过去三年主要解决：

Can the model do it?

模型能不能写代码？

能不能推理？

能不能看图？

能不能调用工具？

答案越来越变成：

可以。

下一阶段的问题变成：

Can the system reliably let the model do it?

企业敢不敢让它：

访问数据库；

改代码；

调用支付；

修改生产系统；

读员工文件；

控制基础设施？

这完全是另外一个问题。

它不再主要属于：

Model Science。

而越来越属于：

Software Engineering。

二、模型越强，传统软件基础设施的问题反而暴露得越彻底

一个人每天操作：

几十次内部 API。

没问题。

一个 Agent：

一分钟可能调用：

几千次。

一个员工再同时开：

20 个 Agents。

公司有：

10,000 名员工。

原来的企业后台会发生什么？

答案可能是：

直接被打爆。

a16z 在 2026 年基础设施预测里甚至用了非常直接的描述：

传统系统看到 Agent 的行为时，

会认为自己：

正在遭受 DDoS。

这不是夸张。

因为从网络形态上看：

确实非常相似。

三、人类软件和 Agent 软件最大的区别，是“速度尺度”不同

传统企业系统默认：

一个人点击按钮。

系统回应。

再点下一个。

这叫：

Human-speed Workload。

Agent 不一样。

一个目标：

“把整个代码库升级。”

可能瞬间展开：

5000 个子任务；

数千个数据库 Query；

大量 API Calls；

并行 Tool Execution。

这叫：

Machine-speed Workload。

软件基础设施从来不是按照这种行为设计的。

四、这意味着 AI 革命真正开始撞击计算机系统的底层假设

过去企业 IT 有一个隐含前提：

用户是人。

人：

慢。

容易疲劳。

不会每秒点一万次按钮。

所以很多系统甚至没有：

特别严格 Rate Limit。

今天：

用户名仍然是：

“Alice。”

凭证也是：

Alice 的 SSO。

但真正操作系统的可能是：

200 个 Alice Agents。

身份还是：

一个人。

行为却已经变成：

机器集群。

整个安全模型瞬间发生变化。

五、这就是为什么“身份验证成功”已经不等于“行为可信”

传统安全：

你登录了。

说明：

你是员工。

于是：

可以访问。

这叫：

Identity-centric Security。

Agent 时代：

Alice 的 Agent 拿到 Alice 权限。

它可能：

正常工作；

死循环；

理解错误；

受到 Prompt Injection；

调用错误工具。

所以未来安全系统必须问的不只是：

Who are you?

还要问：

What are you doing, at what speed, and why?

六、安全正在从 Authentication 进入 Behavior Governance

未来 Agent Security 的核心将包括：

身份；

权限；

行为；

速度；

范围；

上下文；

审计。

例如：

允许 Agent：

读取 /reports。

但：

不能访问 /payroll。

允许：

每分钟调用 API 100 次。

不能：

100,000 次。

允许：

生成代码。

但部署 Production：

必须人工批准。

这叫：

Fine-grained Agent Control。

七、这比“AI 会不会突然毁灭世界”更加接近今天企业真正正在面对的问题

这一点是近期 a16z 讨论中非常明确的一种立场。

Databricks CEO Ali Ghodsi 与 a16z 的 Martin Casado、Sarah Wang 最近讨论时，也刻意区分：

远期递归自我改进风险

与：

今天已经非常现实的网络攻击、企业自动化和上下文问题。

这不意味着 X-Risk 不值得研究。

而是：

风险有时间尺度。

今天工程团队首先必须解决：

真实存在的攻击面。

八、Anthropic 所谓“Pacing”到底是什么？

最近争论很大的一个词叫：

Pacing the Frontier。

Anthropic 的说法并不是简单：

停止 AI。

它主张：

能力增长速度不应该长期超过安全、监控与治理能力增长速度。

Anthropic 已经提出：

测量 AI 自动化 AI 研发的程度；

Agent 行为监督覆盖率；

算力如何分配；

甚至让外部第三方进入 Lab 做独立评估。

所以将 Pacing 简单翻译成：

“暂停 AI”

并不准确。

九、但“Pacing”确实存在一个非常困难的政策问题：什么叫正常速度？

这里批评者提出的问题很重要。

汽车：

有速度表。

飞机：

有速度。

AI 技术进步：

没有一个天然单位。

你怎么知道：

今年应该提高 20%，

还是 50%？

Anthropic 自己其实也意识到这个问题，所以才开始尝试构建：

R&D Automation Index；

Agent Oversight Metrics；

Compute Allocation Metrics。

这说明：

“放慢”本身不是完整政策。

必须首先：

Measure the pace。

十、任何“减速政策”如果没有可验证指标，都容易变成政治语言

例如：

“AI 发展太快。”

到底是什么意思？

Capability Benchmark？

训练 FLOPs？

Agent autonomy？

科研自动化？

收入？

模型发布时间？

不同定义会产生：

完全不同政策。

所以真正高质量 AI 治理必须从：

Measurement

开始。

否则：

Pacing

很容易变成：

不可证伪概念。

十一、Anthropic 已经开始尝试把这种抽象争论量化

截至 2026 年 8 月，Anthropic 自己报告：

Claude 已经在约 26% 的内部 AI R&D 工作中达到“AI Leads”的自动化等级；

90% 以上相关工作达到至少“AI Collaborates”。

其内部最主要 Agent 平台在任一时刻大约运行：

30,000 个研究与工程 Agent。

这其实非常值得重视。

因为它说明：

Agent Swarm

已经不是：

未来概念。

前沿 Lab 内部已经开始真实运行。

十二、Anthropic 同时公布了一个更有意思的数据：Agent 误行为很罕见，但规模会改变风险

其在线安全监控覆盖：

100% Agent Actions。

2026 年 8 月超过 10 亿次 Agent 决策中，

约 0.002% 被实时监控器阻止，

大约：

每 47,000 次一次。

听起来：

极低。

但如果未来一天有：

1000 亿次 Agent Actions 呢？

即使错误率不变：

绝对事件数量也会非常大。

十三、这就是 Agent 风险最重要的数学：低概率 × 超大规模

一个员工一年犯一次错误：

公司可以处理。

一百万个 Agent：

每秒做大量动作。

即使单次错误：

百万分之一，

每天仍可能产生：

大量事故。

这叫：

Rare-event Scaling。

未来 AI Safety 很多问题，

其实就是：

统计学。

十四、所以 Agent Safety 不是追求“永远不会错”

这是不现实的。

正确目标更接近：

金融系统。

飞机系统。

云计算。

核心不是：

错误为零。

而是：

Detect → Limit → Recover。

发现。

限制影响。

恢复。

这就是：

Resilience Engineering。

十五、未来企业 AI 最大的安全指标可能不是 Model Alignment，而是 Blast Radius

一个 Agent 出错以后：

能影响多大范围？

只能：

改自己文件？

还是：

删除整个数据库？

能发：

100 美元？

还是：

1000 万美元？

这叫：

Blast Radius。

真正成熟 Agent 系统必须尽量：

把 Blast Radius 缩小。

十六、因此“最小权限原则”会重新变得极其重要

传统安全领域早已有：

Principle of Least Privilege。

只给完成任务需要的最少权限。

过去公司经常懒得执行。

因为：

太麻烦。

Agent 时代：

不得不做。

因为：

一个 Agent 的操作频率

远远高于人。

粗粒度权限突然变得：

极其危险。

十七、下一代操作系统最大的机会之一，就是重新设计 Agent Permission

今天权限通常是：

Allow。

Deny。

或者：

弹窗。

未来可能是：

只允许访问这个 Folder；

只有未来 20 分钟；

只能 Read；

只有这个任务；

最多调用 50 次；

超过风险阈值自动升级人工。

这叫：

Ephemeral Capability-based Security。

短期、细粒度、任务绑定权限。

十八、这是一个巨大的创业市场

未来可能出现：

Agent Identity；

Agent Permission；

Agent Firewall；

Agent Observability；

Agent Runtime；

Agent Rate Limiting；

Agent Audit。

a16z 已经连续投资和讨论：

Keycard；

Neo

这类 Agent-native Security 公司。

这说明：

AI Security 已经开始从模型安全形成新的：

Infrastructure Category。

十九、Agent Security 很可能重复 Cloud Security 的历史

AWS 刚出现时：

大家先问：

Cloud 安全吗？

随后诞生：

CrowdStrike；

Wiz；

Zscaler；

Okta；

大量 Cloud Security 巨头。

Agent 同样。

第一阶段：

Agent 能不能用？

第二阶段：

Agent 怎么管理？

第三阶段：

出现：

Agent Security Stack。

这几乎是确定会出现的产业。

二十、监管争论为什么如此容易被“X-Risk”绑架？

因为“人类灭绝”属于：

最大可能损失。

只要有人说：

存在 10% 灭绝概率，

传统成本收益分析几乎失效。

因为：

损失是：

无限大。

于是：

任何监管都可以被合理化。

这也是批评者非常担忧的地方。

二十一、但这里必须避免一个错误推理：“存在严重风险”不意味着只能全面停掉

例如：

核电存在重大事故风险。

我们可以：

监管。

航空会死人。

我们仍然：

飞。

药物可能产生副作用。

仍然：

研发。

社会长期处理高风险技术的方法通常不是：

二元选择。

而是：

Risk Gradient。

不同风险：

不同监管强度。

二十二、AI 政策真正需要解决的，不是“监管还是不监管”

而是：

监管什么？

模型训练？

模型发布？

危险能力？

生物应用？

关键基础设施？

自动驾驶武器？

普通企业客服？

这些风险完全不同。

如果全部用同一套监管：

一定会产生巨大低效率。

所以未来真正合理方向应该是：

Capability-based / Risk-based Regulation。

二十三、监管俘获为什么是 AI 领域必须认真考虑的风险？

Regulatory Capture 的基本机制：

大型公司拥有：

律师；

政策团队；

Compliance。

Startup 没有。

如果监管规则异常复杂：

大公司虽然抱怨，

但能支付。

小公司：

直接死亡。

于是：

监管反而提高：

Entry Barrier。

这在银行、医疗、通信等行业都出现过。

二十四、所以一个非常危险的场景是：安全标准变成“规模护城河”

假设只有拥有：

1000 人 Safety Team

的公司，

才能合法训练模型。

那最终市场只剩：

几家公司。

这可能降低：

创新；

开源竞争；

价格竞争。

因此监管者必须解决一个真实矛盾：

提高安全门槛

但不要：

人为形成寡头。

二十五、Anthropic 自己实际上并没有主张全面禁止 Open Weight

这一点需要特别纠正。

Dario Amodei 2026 年 7 月明确表示：

Anthropic 从未主张全面禁止 Open-weight Models；

不具有危险能力的 Open-weight 模型是：

public good。

所以把 Anthropic 简单描述成：

“想通过监管杀死开源”

并不符合其公开立场。

当然，外界仍可以质疑其政策方案是否客观上提高进入门槛。

但这属于：

后果判断。

不能替代：

事实。

二十六、历史监管的真正经验，不是“必须等死人以后才能监管”

汽车、航空的历史比这种简单叙事复杂得多。

美国 1926 年已经通过《Air Commerce Act》，开始：

飞机适航认证；

飞行员执照；

航空安全监管。

1938 年又建立 Civil Aeronautics Authority。

1958 年才成立今天意义上的 FAA 前身。

所以航空监管不是：

“先自由发展 40 年，后来突然监管。”

而是：

随着事实模式不断出现，监管逐层升级。

二十七、这才是技术监管真正正常的演化方式

第一阶段：

新技术。

监管很少。

第二阶段：

出现具体风险。

建立：

行业规则。

第三阶段：

规模扩大。

建立：

正式机构。

第四阶段：

事故和新技术继续推动：

标准升级。

这叫：

Adaptive Regulation。

不是：

一次性设计永远正确的法律。

二十八、汽车历史同样如此

Ralph Nader 的《Unsafe at Any Speed》发表于：

1965 年。

1966 年美国通过重大汽车与公路安全法律，

强化联邦车辆安全标准体系。

但真正教训并不是：

“1965 年以前政府完全不管汽车。”

而是：

随着汽车规模巨大，

社会对安全标准的要求不断提高。

AI 也很可能如此。

二十九、监管最怕的是“技术结构还没稳定，就把今天的架构写进法律”

这才是预测性监管真正危险的地方。

假设 1994 年法律规定：

互联网必须：

按照某一种具体网络架构运行。

今天可能非常荒谬。

因为：

技术不断变化。

所以优秀监管应该更多规定：

Outcomes。

例如：

不得泄露特定数据；

必须报告重大事故；

高风险系统必须通过测试。

而不是：

强行规定：

每一个具体实现。

三十、Morris Worm 的历史特别适合说明“新技术的真实风险会逐渐暴露”

1988 年 Morris Worm 在大约 24 小时内感染：

约 6000 台

当时大约：

60000 台联网计算机。

接近：

十分之一。

这是互联网早期极其严重的安全事件。

它说明：

开放网络的危险：

真实存在。

但社会最终没有因此：

关闭互联网。

而是发展：

Cybersecurity。

三十一、真正正确的技术史经验是：风险往往创造另一个产业

Internet：

创造黑客风险。

同时创造：

Cybersecurity。

Cloud：

创造 Cloud Risk。

同时创造：

Cloud Security。

Crypto：

创造 Custody Risk。

同时创造：

Crypto Custody。

AI Agents：

创造 Agent Risk。

也会创造：

Agent Security Industry。

这是资本非常值得关注的规律。

三十二、AI Agent 时代可能重新定义 Cybersecurity 的总市场

过去安全保护：

设备。

网络。

用户。

未来还要保护：

Autonomous Actors。

每个企业可能运行：

几万个 Agents。

每个 Agent：

有身份；

权限；

记忆；

任务。

这相当于突然增加：

大量新的：

“数字员工。”

而且这些员工：

永不睡觉。

Security TAM 会因此：

大幅扩大。

三十三、Jev 的出现为什么在这个时间点特别值得注意？

因为它攻击的是完全不同的问题。

LLM 擅长：

生成。

Jev 不生成文字。

它做的是：

Decision。

TypeSafe AI 把 Jev 定义成：

System One Model。

输入：

State。

再给它：

有限选项。

输出：

选择 + 概率 + Confidence。

这是非常不同的 AI Primitive。

三十四、一个简单例子就能理解 Jev

传统 LLM：

输入客服工单。

Prompt：

“判断应该转给 Billing、Fraud 还是 Support，请输出 JSON。”

模型生成：

文字。

然后软件：

解析 JSON。

验证 Schema。

处理错误。

Jev：

直接输入工单。

给三个选项：

Billing；

Fraud；

Support。

输出：

Fraud = 0.83。

Billing = 0.12。

Support = 0.05。

软件：

直接使用。

这就是：

Language → Decision。

三十五、为什么这个看似简单的变化可能非常大？

因为传统软件世界不喜欢：

文字。

程序喜欢：

Types。

Boolean。

Integer。

Enum。

Probability。

LLM 的输出天然是：

Strings。

所以开发者一直在做一件非常荒谬的事情：

让模型写自然语言。

再把自然语言：

解析回机器可以理解的结构。

中间充满：

失败点。

三十六、Jev 真正在尝试消灭的是“文本中间层”

传统链条：

State

→ LLM

→ Text/JSON

→ Parser

→ Validator

→ Program Logic。

Jev：

State

→ Probabilistic Decision

→ Program Logic。

少：

几个步骤。

意味着：

更快；

更便宜；

更可靠。

这就是 TypeSafe 的核心 Thesis。

三十七、FT 报道称，Jev 的定位甚至可以达到传统 LLM 的 100 倍速度和成本优势量级

TypeSafe 将 Jev 定位成：

针对高频、程序化决策的模型。

例如：

Request Approval；

Risk Assessment；

Routing。

并强调它不是：

Chatbot 替代品。

而是：

软件内部判断组件。

这个区别非常重要。

三十八、Jev 并不是要杀掉 LLM，而是把 LLM 从不擅长的地方赶出去

开放式：

写文章。

Research。

复杂推理。

使用：

LLM。

高频小判断：

是否欺诈？

是否升级人工？

下一步调用哪个工具？

使用：

Jev 类系统。

这其实是：

Division of Cognitive Labor。

不同模型做：

不同任务。

三十九、未来软件不会只有“一种 AI”

就像计算机：

CPU。

GPU。

TPU。

ASIC。

不同芯片：

不同任务。

未来 AI 也会：

Reasoning Model；

Decision Model；

Embedding；

Vision；

Speech；

Small Local Model。

最终应用内部是：

Model Heterogeneity。

多模型系统。

四十、这说明“大模型越来越大”并不是 AI 唯一方向

过去行业几乎形成一种潜意识：

更大 = 更好。

但真实软件系统最重要的是：

Intelligence per Dollar。

如果一个任务：

用 100B 模型完成

和：

小型 Decision Model 完成

结果一样，

企业一定选择：

后者。

这是经济规律。

四十一、Jev 最大的战略意义可能是把 AI 从“UI”移入“程序逻辑”

ChatGPT：

AI 是产品。

Jev：

AI 是：

if statement。

不是用户直接面对。

而是：

存在于软件内部。

这是非常重要的范式变化。

四十二、过去软件逻辑是确定性的

if amount > 10000:

require_approval()

清晰。

确定。

但现实世界大量规则并不是：

布尔。

例如：

“这笔交易看起来可疑吗？”

“这个客服工单很紧急吗？”

“这个用户意图是不是准备流失？”

过去程序员很难写。

因为：

没有确定公式。

四十三、AI 第一次允许软件直接处理“模糊概念”

过去：

Humans understand meaning。

Software understands rules。

现在 AI 可以：

把：

意义

转换为：

概率。

例如：

“这个行为像 Fraud 的概率 87%。”

这就形成一种新的 Primitive：

Semantic Computation。

语义计算。

这是 Jev 真正有意思的地方。

四十四、所以未来的软件可能同时存在两个世界

第一层：

Deterministic Logic。

钱是多少？

用户 ID 是什么？

是否付款？

第二层：

Probabilistic Logic。

是不是可疑？

是不是重要？

用户真正想做什么？

未来程序：

两层结合。

这可能比：

“所有软件都变成聊天机器人”

更加现实。

四十五、“Probabilistic Programming”并不是 2026 年才出现

这一点要做一个历史纠正。

概率计算、Monte Carlo、随机模拟早在计算机早期就大量存在；

1960 年代的 SIMULA 等语言推动了计算机模拟。

后来 Probabilistic Programming 发展成更明确的语言与研究领域。

所以 Jev 不是：

“发明概率编程。”

更准确的是：

把现代神经模型第一次变成普通软件开发者可以直接调用的概率决策 Primitive。

四十六、“if 73% then”更适合作为比喻，而不是未来真实语法

未来开发者可能写：

if fraud_probability > 0.92:

freeze()

elif fraud_probability > 0.65:

human_review()

核心不是：

语法。

而是：

软件开始把：

uncertainty

当作一等公民。

过去软件非常害怕不确定。

未来软件会：

直接管理不确定。

这是更深的变化。

四十七、这就产生一个巨大新概念：Confidence-aware Software

传统软件：

成功。

失败。

未来：

90% Confidence。

60%。

20%。

根据：

置信度

选择：

自动执行；

升级人工；

继续查询。

这其实非常适合：

Agent Systems。

因为 Agent 天生：

不确定。

四十八、可靠 AI 的真正答案可能不是“让模型永远正确”

而是：

让软件知道模型什么时候可能错。

这比追求：

100% Accuracy

现实得多。

例如：

Confidence > 99%：

自动。

90%：

人工审核。

<70%：

换模型。

这就是：

Uncertainty Routing。

未来企业 AI 非常重要的架构。

四十九、Jev 为什么突然在旧金山引爆开发者兴趣？

它 9 月 15 日才发布，

几天内就形成非常高的开发者讨论度；

Business Insider 报道其 Hackathon 和早期社区扩张，FT 也报道投资者开始以极高估值讨论这家公司。

真正原因可能不是：

Benchmark。

而是：

开发者终于看到：

除了 Chatbot，

AI 还可以成为：

Programming Primitive。

五十、这可能类似数据库刚进入软件开发的时刻

今天没人认为：

数据库是一个“App”。

数据库是：

基础组件。

未来：

AI Decision Engine

也可能如此。

开发者根本不说：

“我正在使用 AI。”

就像今天不会说：

“我的软件用了 SQL，所以它是 AI Startup。”

AI 最成熟的形态：

可能就是：

Invisible Intelligence。

五十一、如果 Jev 路线成立，SaaS 反而可能成为最大受益者之一

过去市场一直讲：

SaaSpocalypse。

AI 要摧毁 Salesforce。

摧毁 Workday。

摧毁 ServiceNow。

TypeSafe 的反向观点是：

老 SaaS 拥有：

数据；

用户；

工作流；

状态。

如果在里面加入：

Probabilistic Intelligence，

它们可能突然：

自动化更多工作。

这就是：

Inverse SaaSpocalypse。

五十二、传统 SaaS 最大的问题不是产品差，而是逻辑太死

例如 CRM：

如果客户三天没回复：

发邮件。

这很机械。

智能 CRM：

理解：

客户是不是冷淡？

是不是正在谈判？

是不是只是度假？

这类判断以前必须：

人工。

未来：

可以直接进入程序。

这会让旧 SaaS：

突然变得：

Context-aware。

五十三、真正 SaaS 革命可能不是“Agent 替代 SaaS”，而是“软件自己获得判断力”

这句话非常重要。

过去：

人 + 软件。

未来：

intelligent software。

软件本身：

理解语义。

自己判断。

Agent 只是：

其中一种 UI。

更深层变化其实发生在：

程序内部。

这就是 Diogo 所说：

“putting intelligence inside software itself。”

五十四、这可能开启一种全新的软件经济

过去很多软件功能：

根本做不了。

因为无法把：

现实语言

转成：

确定规则。

例如：

自动批准费用报销。

判断：

“这是不是合理商务开支？”

规则写不完。

AI 判断模型出现后：

suddenly possible。

这意味着：

Software Addressable Market Expands。

软件可以自动化的事情：

变多。

五十五、AI Coding Agent 和 Jev 解决的是两个完全不同的问题

Coding Agent：

让程序员：

更快写软件。

Jev：

让软件本身：

能做以前不能做的事。

前者：

Production Efficiency。

后者：

Capability Expansion。

长期来看：

第二种可能更大。

五十六、工业革命真正巨大的突破从来不是“工匠动作快一点”

而是：

机器可以完成：

以前人力根本无法规模化完成的事情。

AI 如果只是：

程序员效率 +30%。

当然有价值。

如果：

让软件可以理解：

模糊商业规则，

那就是：

新计算范式。

这才可能：

重写整个软件产业。

五十七、真正的大机会正在从“模型里面”移动到“模型周围”

包括：

Context；

Memory；

State；

Permissions；

Routing；

Observability；

Security；

Decision Models；

Workflows。

这些全部是：

Model-adjacent Infrastructure。

下一代巨大公司，

可能大量诞生在这里。

五十八、为什么基础模型巨头不一定自己吃掉所有这些市场？

因为平台永远不可能：

优化所有垂直需求。

AWS 没有自己做：

所有 SaaS。

Windows 没有自己做：

所有软件。

iPhone 没有自己做：

所有 App。

平台成功，

反而会催生：

更大的应用生态。

AI 很可能一样。

五十九、所以“Model is the new OS”只说对了一半

更准确：

Model 是：

新的计算 Primitive。

真正的软件系统还需要：

Operating Layer。

比如：

哪个模型？

什么时候调用？

有什么权限？

状态保存在哪里？

失败怎么办？

谁批准？

如何审计？

这就是：

Agent Operating System。

六十、未来 AI Stack 很可能形成四层结构

第一层：Compute。

GPU、ASIC、Cloud。

第二层：Models。

Reasoning、Decision、Vision、Speech。

第三层：Orchestration。

Memory、Permissions、Routing、Security。

第四层：Applications。

Finance、Legal、Healthcare、Robotics。

今天绝大多数媒体注意力还在：

第二层。

但真正创业机会正在大量迁移：

第三、第四层。

六十一、这正是软件历史不断重复的规律

Mainframe 出现。

随后：

Software。

PC 出现。

随后：

Applications。

Internet 出现。

随后：

Web Companies。

Cloud 出现。

随后：

SaaS。

Foundation Model 出现以后：

真正的大 Application Cycle：

可能才刚开始。

六十二、这也是为什么过度围绕 AGI 的讨论可能遮蔽了大量现实商业机会

今天已经存在的模型：

足够自动化：

很多工作。

真正阻碍不是：

智力不够。

而是：

企业不知道怎么：

给 Context；

给 Permission；

安全接入；

设计 Workflow。

Ali Ghodsi 在近期 a16z 对谈中的核心判断之一正是：

今天模型的能力已经超过企业实际利用程度，

更大的瓶颈在组织 Context 和 institutional knowledge。

这非常值得创业者理解。

六十三、创业者最大的错误可能是等待“更聪明的模型”

很多 Founder 说：

等下一代模型。

其实可能完全没必要。

今天 Claude / GPT / Gemini：

已经足够解决问题。

真正需要做的是：

Systems Engineering。

把模型：

正确嵌入工作。

这比：

再等 20 IQ

更重要。

六十四、未来五年 AI 企业最大的战争之一：谁拥有 Context

通用模型知道：

世界。

企业真正需要：

知道：

这家公司。

谁决定过什么。

客户是谁。

内部规则。

历史异常。

组织关系。

这就是：

Organizational Memory。

谁掌握：

Context Layer，

谁就可能掌握：

企业 Agent。

六十五、这和安全又重新连接起来

Context 越多：

Agent 越聪明。

同时：

风险越大。

所以未来 Agent 产品永远存在一个：

核心矛盾：

Utility vs. Permission。

给得越多：

越有用。

给得越多：

越危险。

真正优秀系统必须解决：

如何在两者之间动态平衡。

六十六、因此未来真正伟大的 AI Infra 公司，很可能不是“最酷”，而是“最无聊”

权限。

审计。

限速。

队列。

状态。

身份。

日志。

这些听起来：

一点都不 sexy。

但每次计算平台革命，

最终最大商业价值之一：

恰恰建立在这种：

无聊基础设施上。

六十七、Stripe 很无聊：支付 API

Datadog 很无聊：

日志。

Okta：

登录。

Cloudflare：

网络。

但这些公司价值巨大。

Agent 时代同样会产生：

Boring AI Infrastructure Giants。

真正资本不应该只盯：

机器人 Demo。

六十八、监管层面真正应该学习软件工程的一点是：不要把所有风险合并成一个词

“AI Risk”

本身太宽。

就像：

“Internet Risk”

没有意义。

诈骗风险。

Cyber Risk。

Privacy Risk。

国家安全。

青少年安全。

完全不同。

监管如果全部：

一刀切，

一定产生低效率。

所以未来 AI 治理需要：

Risk Decomposition。

六十九、真正成熟的 AI 政策应该像网络安全一样逐渐工程化

不是：

“AI 很危险。”

而是：

这个模型：

Cyber Capability 多少？

Bio Capability 多少？

Agent Autonomy 多高？

Monitor Coverage 多高？

Incident Rate 多少？

Anthropic 最近开始公开这些指标，本身就是监管讨论从：

哲学

走向：

工程

的一步。

这是值得肯定的方向，无论是否同意其全部政策主张。

七十、而 X-Risk 真正应该扮演什么角色？

它应该：

推动：

研究；

测试；

Tail-risk Planning。

但不能自动成为：

所有监管政策的通行证。

因为：

极端风险一旦缺乏可证伪性，

很容易：

无限扩张政府权限。

正确做法应该是：

把抽象灾难风险不断拆成可测试能力。

例如：

自主 Cyber Attack。

危险生物设计。

自主模型复制。

而不是停留：

“模型可能灭绝人类。”

七十一、这才是科学治理与恐惧治理的区别

恐惧治理：

先假设灾难。

然后：

控制一切。

科学治理：

定义：

风险变量；

测量；

测试；

调整规则。

未来 AI 治理能否走向第二种模式，

将极大影响：

创新速度

和：

安全水平。

七十二、对创业者来说，这整个争论最值得带走的是：不要只盯 Frontier Model

真正巨大的创业机会包括：

Agent Security；

Agent Permission；

Context Infrastructure；

Model Routing；

Probabilistic Decision；

Enterprise Memory；

Observability；

Evaluation；

Human Escalation。

这些市场：

今天仍然非常早。

七十三、不要以为“OpenAI 会做”所以不能创业

Google 有搜索。

仍然出现：

Shopify。

AWS 有 Cloud。

仍然出现：

Snowflake。

平台越大：

生态越大。

真正创业问题是：

你的层是否：

足够垂直；

足够复杂；

平台没动力自己优化。

如果：

是。

就有机会。

七十四、Jev 也给 AI 创业者一个非常重要的新思路：不要默认 AI 产品一定要聊天

过去三年：

所有 AI 产品：

输入框。

对话。

这只是：

ChatGPT 的路径依赖。

真正产品应该问：

用户真正需要文字吗？

还是：

Decision？

Action？

Score？

Alert？

很多场景：

根本不需要：

生成一句话。

这可以节省巨大：

Latency

和：

Cost。

七十五、未来 AI 最终会“消失”进软件

今天：

AI 是卖点。

未来：

用户根本不知道：

背后是不是 AI。

就像：

今天没人问：

Uber 后端是不是 PostgreSQL。

成熟技术最终会：

Become Invisible。

Jev 这种模型恰恰代表：

AI 向无形基础设施移动。

七十六、这可能是从 Generative AI 进入 Computational AI 的转折

第一阶段：

AI 生成：

文字；

图片；

视频。

第二阶段：

AI 开始：

成为程序运行逻辑。

生成是：

Content Revolution。

后者是：

Computing Revolution。

如果后者成功，

影响可能更深。

七十七、投资人真正应该观察的指标也会变化

过去看：

Benchmark。

未来看：

Cost per Correct Decision。

Latency。

Calibration。

Reliability。

Human Escalation Rate。

Agent Error Rate。

Infrastructure Load。

这些才是真实生产环境指标。

Jev 的价值如果最终成立，

不是：

它看起来多聪明。

而是：

每百万次决策：

多少钱。

错多少次。

七十八、这其实重新把 AI 拉回计算机科学最传统的核心：Engineering

过去几年 AI 很像：

炼金术。

训练更大模型。

出现神奇能力。

下一阶段：

必须进入：

工程纪律。

可靠性。

成本。

权限。

测试。

恢复。

这才是真正工业化。

七十九、每一次革命技术从实验室走向工业，都经历这一阶段

汽车：

最早能跑。

后来：

可靠。

飞机：

最早能飞。

后来：

安全。

Internet：

最早能连。

后来：

Security + Cloud。

AI：

最早能想。

下一步：

能可靠地干活。

这就是现在真正发生的变化。

八十、未来 AI 最大价值不会来自“模型像人”，而是“软件终于能理解人的意图”

过去计算机要求：

人适应计算机。

按钮。

菜单。

规则。

SQL。

未来：

人说：

“这个客户很重要，如果有危险就告诉我。”

系统理解：

“重要”

和：

“危险”。

这就是：

Intent-native Computing。

可能比聊天机器人本身重要得多。

八十一、Jev 的终极愿景可以压缩成一句话：

不是：

Tell the computer exactly what to do。

而是：

Tell the computer what you mean。

这也是 Diogo Almeida 在最新 a16z 节目里反复强调的最终目标：

让技术能够可靠地：

“do what I mean。”

如果这一步真的实现，

软件开发的抽象层会再次提高。

八十二、过去软件史每次巨大跃迁，本质都是提高抽象层

机器码。

Assembly。

高级语言。

数据库。

Web Framework。

Cloud。

每一层都让程序员：

少描述“怎么做”。

更多描述：

“我要什么。”

AI 是这条历史的下一步。

Jev 这种系统：

进一步把：

语义

变成：

可执行软件 Primitive。

八十三、这可能让大量今天无法软件化的工作第一次进入软件

过去很多行业流程不能自动化，

不是因为：

没有电脑。

而是因为：

规则写不出来。

例如：

“这个合同看起来异常吗？”

“这个客户值得优先处理吗？”

“这个内容是否接近品牌语气？”

这些都是：

Fuzzy Logic in Human Language。

AI 可以第一次：

规模化处理。

八十四、所以 AI 最大 TAM 可能根本不是今天的软件市场

而是：

所有过去因为规则无法写清楚，所以必须靠人做判断的工作。

这包括：

管理；

审核；

客服；

合规；

风险；

销售；

运营。

也就是说：

AI 最终攻击的是：

Judgment Labor Market。

这比：

SaaS 市场

大得多。

八十五、但越进入 Judgment，责任问题越重要

模型判断：

80% 欺诈。

冻结账户。

客户损失。

谁负责？

程序员？

模型公司？

软件平台？

企业？

这就是未来 AI 时代极难的问题：

Probabilistic Decision + Legal Accountability。

技术比法律跑得更快。

八十六、这也是为什么 Agent 和 Probabilistic Software 最终一定需要 Human Escalation

高 Confidence：

自动。

中 Confidence：

复核。

低 Confidence：

人工。

真正成熟系统不会：

追求人类完全消失。

而是：

Optimally allocate human judgment。

人类只处理：

最模糊；

最高风险；

最昂贵

的判断。

AI 处理：

其余 95%。

八十七、这才可能成为企业 AI 最大的生产率来源

不是：

所有人失业。

而是：

一个 Risk Analyst

过去处理：

100 Cases。

未来：

AI 自动处理：

900。

人只看：

100 个边界案例。

同样员工：

产出：

10 倍。

这才是：

Human-AI Division of Labor。

八十八、所以真正赢家可能是那些拥有最好 Escalation Architecture 的公司

什么时候：

AI 做？

什么时候：

人做？

这个边界非常重要。

不是：

“Human-in-the-loop”

这么简单。

而是：

Human-where-it-matters。

真正优秀的软件会动态决定：

人在什么时候出现。

八十九、从资本视角看，这轮变化最重要的一点：模型价值链正在解体成多个独立市场

过去大家以为：

AGI 出现以后：

一个模型

吃掉所有价值。

现在越来越可能出现：

Model；

Decision；

Agent；

Security；

Memory；

Context；

Vertical Workflow

分别形成公司。

这是：

AI Value Chain Specialization。

专业化。

这对创业生态：

是好消息。

九十、未来最大 AI 公司可能不是“最聪明”的公司，而是“最能把智能变成可靠现金流”的公司

模型智力：

只是原材料。

真正商业价值来自：

自动化；

结果；

ROI。

所以未来我们会越来越少问：

这个模型 IQ 多高？

越来越多问：

每一美元 Intelligence 可以产生多少美元 Economic Output？

这才是最终商业指标。

九十一、a16z 最近这些讨论真正共同指向一个巨大变化

第一阶段 AI：

Intelligence Scarcity。

谁有聪明模型？

第二阶段：

Execution Scarcity。

谁能真正让模型：

进入系统；

安全运行；

可靠决策；

持续行动？

今天我们正在进入：

第二阶段。

九十二、这也意味着创业机会正在从“造脑子”迁移到“造神经系统”

模型：

脑。

但一个人还有：

神经；

肌肉；

免疫系统；

记忆。

AI 系统也一样。

模型之外需要：

Tooling；

Memory；

Permissions；

Security；

Infrastructure。

未来几十家甚至几百家大公司：

可能就产生于：

“脑子周围。”

九十三、这就是为什么“软件的下一个时代不在大模型内部”是一个很好的主线

更准确的理解是：

基础模型仍然重要。

但：

边际创业机会

越来越可能出现在：

模型外围。

就像：

Intel 很重要。

但 PC 时代最大财富并不全部被：

CPU 公司拿走。

Microsoft；

Adobe；

Oracle；

Salesforce

都建立在：

芯片之上。

AI 也会如此。

九十四、真正成熟的软件产业一定会把 Model Commodity 化

今天大家说：

GPT-5.6。

Claude 5.5。

几年以后：

普通开发者可能根本不在乎。

系统自动 Router。

和今天 Cloud 一样。

没人每天讨论：

具体哪台服务器型号。

底层智能逐渐：

Infrastructure Commodity。

应用层：

向上创造价值。

九十五、这也是 Jev 最有意思的产业信号：不是所有智能都必须来自 Frontier LLM

大量任务：

其实不需要：

诗；

推理；

创意。

只需要：

判断。

一旦专业模型能够：

便宜 100 倍；

快 100 倍，

整个市场会自然：

分层。

这将推动：

AI Efficiency Revolution。

九十六、AI 行业下一个巨大战争可能从 Scaling 变成 Allocation

过去：

谁拥有更多 Compute？

未来：

怎样把正确 Compute 用到正确任务？

复杂问题：

Frontier Model。

小决策：

Jev。

私密任务：

Local Model。

高频任务：

Small Model。

这就是：

Intelligence Routing。

这会成为：

新的云计算。

九十七、从投资角度，这种变化非常重要

第一波钱赚在：

GPU。

第二波：

Foundation Models。

第三波：

很可能赚在：

Intelligence Infrastructure。

谁能：

管理；

安全；

路由；

监控；

记忆；

执行。

这是未来几年非常值得盯的层。

九十八、而监管真正应该做的，也应该跟随这种分层

高风险 Frontier Training：

一套规则。

Agent 访问核设施：

极高标准。

普通客服 Router：

不需要同等监管。

否则：

整个 AI 生态都会被：

最低共同标准

拖死。

成熟监管的关键词应该是：

Proportionality。

风险多大：

监管多强。

九十九、真正好的 AI 政策不是“更少监管”或者“更多监管”

而是：

更精确。

精准监管的目标：

高风险处：

严格。

低风险处：

自由。

这是让：

Innovation

和：

Safety

同时成立的唯一可持续路径。

这也比围绕：

Doomer vs. Accelerationist

互相贴标签有价值得多。

一百、创业者真正应该从这一系列讨论里带走什么？

第一：

不要等待 AGI。

今天模型已经足够创造大量自动化价值。

第二：

不要只做 Chat UI。

看看能不能把 AI 直接放进：

程序逻辑。

第三：

Security 不是后期功能。

Agent 有动作能力以后：

安全必须从第一天设计。

第四：

把概率当作产品的一部分。

不知道就承认不知道。

然后：

升级人工。

第五：

真正 Moat 可能在 Model 外面。

Context；

Workflow；

Permission；

Data；

Memory。

一百零一、企业真正应该做什么？

不要问：

“我们应该采购哪个大模型？”

而应该先画：

Workflow Map。

哪些步骤：

确定性。

哪些：

需要判断。

哪些：

高风险。

哪些：

可以完全自动。

然后：

为每个步骤选择：

合适 Intelligence。

这才是：

真正 AI Transformation。

一百零二、安全团队真正应该做什么？

不要只研究：

“员工有没有下载 ChatGPT。”

而要准备：

Agent-scale IT。

未来一个员工不是：

一个 User。

而可能是：

一个 Human Principal

加：

100 个 Agent Workers。

企业必须提前设计：

Identity；

Rate Limit；

Permission；

Logging；

Kill Switch。

一百零三、投资者真正应该观察什么？

不要只找：

下一个 OpenAI。

还要找：

下一个：

Okta for Agents；

Datadog for Agents；

Cloudflare for Agents；

Snowflake for Agent Memory；

Stripe for Agent Payments；

以及：

Jev 这种新的 Computing Primitive。

基础设施市场：

可能比想象中大得多。

一百零四、而 Jev 是否最终成为大公司，其实还远没有证明

它刚刚于 2026 年 9 月 15 日公开。

独立大规模 Benchmark 仍然不足。

训练方法很多细节：

尚未公开。

早期社区兴趣：

非常高。

但：

Developer Excitement ≠ Durable Platform。

现在最合理的态度是：

高度关注。

但不要提前把：

新范式

等同于：

已证明的产业标准。

这是科技投资最重要的纪律。

一百零五、真正判断 Jev，要看五件事情

第一：

Calibration。

概率真的准吗？

第二：

Reliability。

真实生产环境是否稳定？

第三：

Cost。

规模化以后仍然便宜吗？

第四：

Developer Adoption。

是否进入真正应用？

第五：

Replacement Resistance。

大型 LLM 自己加入类似能力以后，Jev 是否仍有优势？

这些决定：

它是：

Feature。

还是：

Platform。

一百零六、AI 历史真正有意思的地方是：大家最开始可能都想错了交互方式

早期 PC：

大家模仿：

纸张。

Web：

模仿：

报纸。

手机：

最初把：

桌面网页缩小。

新平台刚出现时：

人类总是把：

旧范式

搬过来。

ChatGPT 成功以后：

所有 AI 产品：

都开始做聊天框。

几年以后我们可能发现：

Chat 是 AI 的命令行。

重要。

但不是：

最终界面。

一百零七、未来 AI 可能根本没有一个统一界面

AI：

在邮件里。

在 IDE。

在银行系统。

在机器人。

在数据库。

在风控引擎。

用户：

甚至看不到。

这就是：

Ubiquitous Intelligence。

智能像电一样：

存在于所有系统。

而不是：

每个人每天专门打开一个：

AI App。

一百零八、这才是真正比 ChatGPT 更大的 AI 终局

ChatGPT 证明：

机器可以理解语言。

下一阶段要证明：

世界的软件系统可以理解语言。

银行。

ERP。

CRM。

操作系统。

机器人。

都能：

理解“我是什么意思。”

这才可能重新定义：

计算机。

一百零九、如果这一判断正确，未来软件工程会出现一次非常深的分工

程序员不再负责：

把每个现实规则写成：

if / else。

而是负责：

定义：

边界；

状态；

权限；

不确定性；

结果。

机器负责：

填补：

中间模糊空间。

程序员的角色会从：

Rule Author

转向：

System Designer。

一百一十、这可能是 AI 对软件工程最深远的影响

大家今天讨论：

AI 会不会替代程序员？

这个问题太浅。

真正的问题是：

程序到底是什么？

如果程序从：

完全确定逻辑

逐渐变成：

确定逻辑 + 概率智能，

那么：

Programming itself

正在改变。

这远比：

“Copilot 帮我多写 40% 代码”

重要。

最值得记住的一句话

a16z 最近这些看似完全不同的讨论：

Dario Amodei 的 Pacing；

AI X-Risk；

Agent Cybersecurity；

内部系统 DDoS；

Jev；

Probabilistic Programming；

SaaS；

应用层创新，

实际上都指向同一个大趋势：

AI 革命正在离开 Demo，进入系统。

在 Demo 阶段，

最重要的是：

模型有多聪明。

进入系统以后，

问题完全改变：

它可靠吗？

安全吗？

成本多少？

什么时候应该相信它？

什么时候应该让人接管？

怎样给权限？

怎样让它理解企业？

怎样把自然语言转换成真正能够运行的软件行为？

这些问题没有一个可以靠：

“训练一个更大的模型”

自动解决。

所以 AI 下一阶段最大的机会，可能并不在：

模型内部。

而是在：

模型与现实世界之间。

这一层需要：

Security；

Permission；

Context；

State；

Memory；

Routing；

Probabilistic Decisions；

Human Escalation。

过去三年：

大家都在造：

Brain。

下一阶段：

整个产业需要开始造：

Nervous System。

而真正伟大的软件公司往往就诞生在这种时刻：

一种新的基础能力已经存在，

但世界还没有学会：

怎样可靠地使用它。

互联网如此。

Cloud 如此。

智能手机如此。

AI 也不会例外。

从资本角度看，这甚至可能意味着：

Foundation Model Boom

并不是 AI 商业化的高潮。

反而只是：

基础设施铺设阶段。

真正庞大的应用与软件重构周期，

可能现在才刚刚开始。

这篇最值得保留的三个核心认知是：

第一，AI 最大的下一阶段瓶颈已经从“智力不够”转向“系统承载不了智能”。Agent-native Security、权限、限速、状态管理会成为一整套新基础设施。

第二，Jev 真正值得研究的不是“又一个模型”，而是它把 AI 从聊天框拉回程序内部——让软件第一次能把模糊的人类语义直接转成概率化、可执行的决策。

第三，监管争论真正应该从抽象的“AI 危不危险”升级成可测量的工程问题：什么能力、什么风险、什么频率、什么 Blast Radius，再决定什么强度的监管。