a16z 閉門激辯：從存亡風險（X-Risk）監管陷阱、內網 Agent 防護到概率編程新範式

a16z 最新激辯：AI 下一場戰爭不在大模型，而在監管、安全與軟件底層重構

過去三年，整個 AI 行業幾乎被一個問題統治：

誰能訓練出更聰明的大模型？

OpenAI。

Anthropic。

Google。

Meta。

xAI。

所有人的注意力都集中在：

參數；

Benchmark；

訓練算力；

Reasoning；

AGI。

但到了 2026 年下半年，一個越來越明顯的變化正在發生：

AI 最大的瓶頸正在從“模型夠不夠聰明”，遷移到“軟件世界能不能真正承載這些智能”。

這也是近期 a16z 多場討論真正共同指向的問題。

今天的大模型已經可以：

寫代碼；

做研究；

分析法律文件；

自動完成複雜任務；

控制工具。

但企業真正被自動化了嗎？

很多時候：

沒有。

Diogo Almeida 在最新 a16z 對談開場甚至直接問：

“Where the fuck is all the automation?”

AI 已經如此聰明，

爲什麼現實軟件仍然如此笨？

這可能是理解 AI 下一階段最重要的問題。

一、AI 行業正在從“能力革命”進入“系統革命”

過去三年主要解決：

Can the model do it?

模型能不能寫代碼？

能不能推理？

能不能看圖？

能不能調用工具？

答案越來越變成：

可以。

下一階段的問題變成：

Can the system reliably let the model do it?

企業敢不敢讓它：

訪問數據庫；

改代碼；

調用支付；

修改生產系統；

讀員工文件；

控制基礎設施？

這完全是另外一個問題。

它不再主要屬於：

Model Science。

而越來越屬於：

Software Engineering。

二、模型越強，傳統軟件基礎設施的問題反而暴露得越徹底

一個人每天操作：

幾十次內部 API。

沒問題。

一個 Agent：

一分鐘可能調用：

幾千次。

一個員工再同時開：

20 個 Agents。

公司有：

10,000 名員工。

原來的企業後臺會發生什麼？

答案可能是：

直接被打爆。

a16z 在 2026 年基礎設施預測裏甚至用了非常直接的描述：

傳統系統看到 Agent 的行爲時，

會認爲自己：

正在遭受 DDoS。

這不是誇張。

因爲從網絡形態上看：

確實非常相似。

三、人類軟件和 Agent 軟件最大的區別，是“速度尺度”不同

傳統企業系統默認：

一個人點擊按鈕。

系統回應。

再點下一個。

這叫：

Human-speed Workload。

Agent 不一樣。

一個目標：

“把整個代碼庫升級。”

可能瞬間展開：

5000 個子任務；

數千個數據庫 Query；

大量 API Calls；

並行 Tool Execution。

這叫：

Machine-speed Workload。

軟件基礎設施從來不是按照這種行爲設計的。

四、這意味着 AI 革命真正開始撞擊計算機系統的底層假設

過去企業 IT 有一個隱含前提：

用戶是人。

人：

慢。

容易疲勞。

不會每秒點一萬次按鈕。

所以很多系統甚至沒有：

特別嚴格 Rate Limit。

今天：

用戶名仍然是：

“Alice。”

憑證也是：

Alice 的 SSO。

但真正操作系統的可能是：

200 個 Alice Agents。

身份還是：

一個人。

行爲卻已經變成：

機器集羣。

整個安全模型瞬間發生變化。

五、這就是爲什麼“身份驗證成功”已經不等於“行爲可信”

傳統安全：

你登錄了。

說明：

你是員工。

於是：

可以訪問。

這叫：

Identity-centric Security。

Agent 時代：

Alice 的 Agent 拿到 Alice 權限。

它可能：

正常工作；

死循環；

理解錯誤；

受到 Prompt Injection；

調用錯誤工具。

所以未來安全系統必須問的不只是：

Who are you?

還要問：

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

六、安全正在從 Authentication 進入 Behavior Governance

未來 Agent Security 的核心將包括：

身份；

權限；

行爲；

速度；

範圍；

上下文；

審計。

例如：

允許 Agent：

讀取 /reports。

但：

不能訪問 /payroll。

允許：

每分鐘調用 API 100 次。

不能：

100,000 次。

允許：

生成代碼。

但部署 Production：

必須人工批准。

這叫：

Fine-grained Agent Control。

七、這比“AI 會不會突然毀滅世界”更加接近今天企業真正正在面對的問題

這一點是近期 a16z 討論中非常明確的一種立場。

Databricks CEO Ali Ghodsi 與 a16z 的 Martin Casado、Sarah Wang 最近討論時，也刻意區分：

遠期遞歸自我改進風險

與：

今天已經非常現實的網絡攻擊、企業自動化和上下文問題。

這不意味着 X-Risk 不值得研究。

而是：

風險有時間尺度。

今天工程團隊首先必須解決：

真實存在的攻擊面。

八、Anthropic 所謂“Pacing”到底是什麼？

最近爭論很大的一個詞叫：

Pacing the Frontier。

Anthropic 的說法並不是簡單：

停止 AI。

它主張：

能力增長速度不應該長期超過安全、監控與治理能力增長速度。

Anthropic 已經提出：

測量 AI 自動化 AI 研發的程度；

Agent 行爲監督覆蓋率；

算力如何分配；

甚至讓外部第三方進入 Lab 做獨立評估。

所以將 Pacing 簡單翻譯成：

“暫停 AI”

並不準確。

九、但“Pacing”確實存在一個非常困難的政策問題：什麼叫正常速度？

這裏批評者提出的問題很重要。

汽車：

有速度表。

飛機：

有速度。

AI 技術進步：

沒有一個天然單位。

你怎麼知道：

今年應該提高 20%，

還是 50%？

Anthropic 自己其實也意識到這個問題，所以纔開始嘗試構建：

R&D Automation Index；

Agent Oversight Metrics；

Compute Allocation Metrics。

這說明：

“放慢”本身不是完整政策。

必須首先：

Measure the pace。

十、任何“減速政策”如果沒有可驗證指標，都容易變成政治語言

例如：

“AI 發展太快。”

到底是什麼意思？

Capability Benchmark？

訓練 FLOPs？

Agent autonomy？

科研自動化？

收入？

模型發佈時間？

不同定義會產生：

完全不同政策。

所以真正高質量 AI 治理必須從：

Measurement

開始。

否則：

Pacing

很容易變成：

不可證僞概念。

十一、Anthropic 已經開始嘗試把這種抽象爭論量化

截至 2026 年 8 月，Anthropic 自己報告：

Claude 已經在約 26% 的內部 AI R&D 工作中達到“AI Leads”的自動化等級；

90% 以上相關工作達到至少“AI Collaborates”。

其內部最主要 Agent 平臺在任一時刻大約運行：

30,000 個研究與工程 Agent。

這其實非常值得重視。

因爲它說明：

Agent Swarm

已經不是：

未來概念。

前沿 Lab 內部已經開始真實運行。

十二、Anthropic 同時公佈了一個更有意思的數據：Agent 誤行爲很罕見，但規模會改變風險

其在線安全監控覆蓋：

100% Agent Actions。

2026 年 8 月超過 10 億次 Agent 決策中，

約 0.002% 被實時監控器阻止，

大約：

每 47,000 次一次。

聽起來：

極低。

但如果未來一天有：

1000 億次 Agent Actions 呢？

即使錯誤率不變：

絕對事件數量也會非常大。

十三、這就是 Agent 風險最重要的數學：低概率 × 超大規模

一個員工一年犯一次錯誤：

公司可以處理。

一百萬個 Agent：

每秒做大量動作。

即使單次錯誤：

百萬分之一，

每天仍可能產生：

大量事故。

這叫：

Rare-event Scaling。

未來 AI Safety 很多問題，

其實就是：

統計學。

十四、所以 Agent Safety 不是追求“永遠不會錯”

這是不現實的。

正確目標更接近：

金融系統。

飛機系統。

雲計算。

核心不是：

錯誤爲零。

而是：

Detect → Limit → Recover。

發現。

限制影響。

恢復。

這就是：

Resilience Engineering。

十五、未來企業 AI 最大的安全指標可能不是 Model Alignment，而是 Blast Radius

一個 Agent 出錯以後：

能影響多大範圍？

只能：

改自己文件？

還是：

刪除整個數據庫？

能發：

100 美元？

還是：

1000 萬美元？

這叫：

Blast Radius。

真正成熟 Agent 系統必須儘量：

把 Blast Radius 縮小。

十六、因此“最小權限原則”會重新變得極其重要

傳統安全領域早已有：

Principle of Least Privilege。

只給完成任務需要的最少權限。

過去公司經常懶得執行。

因爲：

太麻煩。

Agent 時代：

不得不做。

因爲：

一個 Agent 的操作頻率

遠遠高於人。

粗粒度權限突然變得：

極其危險。

十七、下一代操作系統最大的機會之一，就是重新設計 Agent Permission

今天權限通常是：

Allow。

Deny。

或者：

彈窗。

未來可能是：

只允許訪問這個 Folder；

只有未來 20 分鐘；

只能 Read；

只有這個任務；

最多調用 50 次；

超過風險閾值自動升級人工。

這叫：

Ephemeral Capability-based Security。

短期、細粒度、任務綁定權限。

十八、這是一個巨大的創業市場

未來可能出現：

Agent Identity；

Agent Permission；

Agent Firewall；

Agent Observability；

Agent Runtime；

Agent Rate Limiting；

Agent Audit。

a16z 已經連續投資和討論：

Keycard；

Neo

這類 Agent-native Security 公司。

這說明：

AI Security 已經開始從模型安全形成新的：

Infrastructure Category。

十九、Agent Security 很可能重複 Cloud Security 的歷史

AWS 剛出現時：

大家先問：

Cloud 安全嗎？

隨後誕生：

CrowdStrike；

Wiz；

Zscaler；

Okta；

大量 Cloud Security 巨頭。

Agent 同樣。

第一階段：

Agent 能不能用？

第二階段：

Agent 怎麼管理？

第三階段：

出現：

Agent Security Stack。

這幾乎是確定會出現的產業。

二十、監管爭論爲什麼如此容易被“X-Risk”綁架？

因爲“人類滅絕”屬於：

最大可能損失。

只要有人說：

存在 10% 滅絕概率，

傳統成本收益分析幾乎失效。

因爲：

損失是：

無限大。

於是：

任何監管都可以被合理化。

這也是批評者非常擔憂的地方。

二十一、但這裏必須避免一個錯誤推理：“存在嚴重風險”不意味着只能全面停掉

例如：

核電存在重大事故風險。

我們可以：

監管。

航空會死人。

我們仍然：

飛。

藥物可能產生副作用。

仍然：

研發。

社會長期處理高風險技術的方法通常不是：

二元選擇。

而是：

Risk Gradient。

不同風險：

不同監管強度。

二十二、AI 政策真正需要解決的，不是“監管還是不監管”

而是：

監管什麼？

模型訓練？

模型發佈？

危險能力？

生物應用？

關鍵基礎設施？

自動駕駛武器？

普通企業客服？

這些風險完全不同。

如果全部用同一套監管：

一定會產生巨大低效率。

所以未來真正合理方向應該是：

Capability-based / Risk-based Regulation。

二十三、監管俘獲爲什麼是 AI 領域必須認真考慮的風險？

Regulatory Capture 的基本機制：

大型公司擁有：

律師；

政策團隊；

Compliance。

Startup 沒有。

如果監管規則異常複雜：

大公司雖然抱怨，

但能支付。

小公司：

直接死亡。

於是：

監管反而提高：

Entry Barrier。

這在銀行、醫療、通信等行業都出現過。

二十四、所以一個非常危險的場景是：安全標準變成“規模護城河”

假設只有擁有：

1000 人 Safety Team

的公司，

才能合法訓練模型。

那最終市場只剩：

幾家公司。

這可能降低：

創新；

開源競爭；

價格競爭。

因此監管者必須解決一個真實矛盾：

提高安全門檻

但不要：

人爲形成寡頭。

二十五、Anthropic 自己實際上並沒有主張全面禁止 Open Weight

這一點需要特別糾正。

Dario Amodei 2026 年 7 月明確表示：

Anthropic 從未主張全面禁止 Open-weight Models；

不具有危險能力的 Open-weight 模型是：

public good。

所以把 Anthropic 簡單描述成：

“想通過監管殺死開源”

並不符合其公開立場。

當然，外界仍可以質疑其政策方案是否客觀上提高進入門檻。

但這屬於：

後果判斷。

不能替代：

事實。

二十六、歷史監管的真正經驗，不是“必須等死人以後才能監管”

汽車、航空的歷史比這種簡單敘事複雜得多。

美國 1926 年已經通過《Air Commerce Act》，開始：

飛機適航認證；

飛行員執照；

航空安全監管。

1938 年又建立 Civil Aeronautics Authority。

1958 年才成立今天意義上的 FAA 前身。

所以航空監管不是：

“先自由發展 40 年，後來突然監管。”

而是：

隨着事實模式不斷出現，監管逐層升級。

二十七、這纔是技術監管真正正常的演化方式

第一階段：

新技術。

監管很少。

第二階段：

出現具體風險。

建立：

行業規則。

第三階段：

規模擴大。

建立：

正式機構。

第四階段：

事故和新技術繼續推動：

標準升級。

這叫：

Adaptive Regulation。

不是：

一次性設計永遠正確的法律。

二十八、汽車歷史同樣如此

Ralph Nader 的《Unsafe at Any Speed》發表於：

1965 年。

1966 年美國通過重大汽車與公路安全法律，

強化聯邦車輛安全標準體系。

但真正教訓並不是：

“1965 年以前政府完全不管汽車。”

而是：

隨着汽車規模巨大，

社會對安全標準的要求不斷提高。

AI 也很可能如此。

二十九、監管最怕的是“技術結構還沒穩定，就把今天的架構寫進法律”

這纔是預測性監管真正危險的地方。

假設 1994 年法律規定：

互聯網必須：

按照某一種具體網絡架構運行。

今天可能非常荒謬。

因爲：

技術不斷變化。

所以優秀監管應該更多規定：

Outcomes。

例如：

不得泄露特定數據；

必須報告重大事故；

高風險系統必須通過測試。

而不是：

強行規定：

每一個具體實現。

三十、Morris Worm 的歷史特別適合說明“新技術的真實風險會逐漸暴露”

1988 年 Morris Worm 在大約 24 小時內感染：

約 6000 臺

當時大約：

60000 臺聯網計算機。

接近：

十分之一。

這是互聯網早期極其嚴重的安全事件。

它說明：

開放網絡的危險：

真實存在。

但社會最終沒有因此：

關閉互聯網。

而是發展：

Cybersecurity。

三十一、真正正確的技術史經驗是：風險往往創造另一個產業

Internet：

創造黑客風險。

同時創造：

Cybersecurity。

Cloud：

創造 Cloud Risk。

同時創造：

Cloud Security。

Crypto：

創造 Custody Risk。

同時創造：

Crypto Custody。

AI Agents：

創造 Agent Risk。

也會創造：

Agent Security Industry。

這是資本非常值得關注的規律。

三十二、AI Agent 時代可能重新定義 Cybersecurity 的總市場

過去安全保護：

設備。

網絡。

用戶。

未來還要保護：

Autonomous Actors。

每個企業可能運行：

幾萬個 Agents。

每個 Agent：

有身份；

權限；

記憶；

任務。

這相當於突然增加：

大量新的：

“數字員工。”

而且這些員工：

永不睡覺。

Security TAM 會因此：

大幅擴大。

三十三、Jev 的出現爲什麼在這個時間點特別值得注意？

因爲它攻擊的是完全不同的問題。

LLM 擅長：

生成。

Jev 不生成文字。

它做的是：

Decision。

TypeSafe AI 把 Jev 定義成：

System One Model。

輸入：

State。

再給它：

有限選項。

輸出：

選擇 + 概率 + Confidence。

這是非常不同的 AI Primitive。

三十四、一個簡單例子就能理解 Jev

傳統 LLM：

輸入客服工單。

Prompt：

“判斷應該轉給 Billing、Fraud 還是 Support，請輸出 JSON。”

模型生成：

文字。

然後軟件：

解析 JSON。

驗證 Schema。

處理錯誤。

Jev：

直接輸入工單。

給三個選項：

Billing；

Fraud；

Support。

輸出：

Fraud = 0.83。

Billing = 0.12。

Support = 0.05。

軟件：

直接使用。

這就是：

Language → Decision。

三十五、爲什麼這個看似簡單的變化可能非常大？

因爲傳統軟件世界不喜歡：

文字。

程序喜歡：

Types。

Boolean。

Integer。

Enum。

Probability。

LLM 的輸出天然是：

Strings。

所以開發者一直在做一件非常荒謬的事情：

讓模型寫自然語言。

再把自然語言：

解析回機器可以理解的結構。

中間充滿：

失敗點。

三十六、Jev 真正在嘗試消滅的是“文本中間層”

傳統鏈條：

State

→ LLM

→ Text/JSON

→ Parser

→ Validator

→ Program Logic。

Jev：

State

→ Probabilistic Decision

→ Program Logic。

少：

幾個步驟。

意味着：

更快；

更便宜；

更可靠。

這就是 TypeSafe 的核心 Thesis。

三十七、FT 報道稱，Jev 的定位甚至可以達到傳統 LLM 的 100 倍速度和成本優勢量級

TypeSafe 將 Jev 定位成：

針對高頻、程序化決策的模型。

例如：

Request Approval；

Risk Assessment；

Routing。

並強調它不是：

Chatbot 替代品。

而是：

軟件內部判斷組件。

這個區別非常重要。

三十八、Jev 並不是要殺掉 LLM，而是把 LLM 從不擅長的地方趕出去

開放式：

寫文章。

Research。

複雜推理。

使用：

LLM。

高頻小判斷：

是否欺詐？

是否升級人工？

下一步調用哪個工具？

使用：

Jev 類系統。

這其實是：

Division of Cognitive Labor。

不同模型做：

不同任務。

三十九、未來軟件不會只有“一種 AI”

就像計算機：

CPU。

GPU。

TPU。

ASIC。

不同芯片：

不同任務。

未來 AI 也會：

Reasoning Model；

Decision Model；

Embedding；

Vision；

Speech；

Small Local Model。

最終應用內部是：

Model Heterogeneity。

多模型系統。

四十、這說明“大模型越來越大”並不是 AI 唯一方向

過去行業幾乎形成一種潛意識：

更大 = 更好。

但真實軟件系統最重要的是：

Intelligence per Dollar。

如果一個任務：

用 100B 模型完成

和：

小型 Decision Model 完成

結果一樣，

企業一定選擇：

後者。

這是經濟規律。

四十一、Jev 最大的戰略意義可能是把 AI 從“UI”移入“程序邏輯”

ChatGPT：

AI 是產品。

Jev：

AI 是：

if statement。

不是用戶直接面對。

而是：

存在於軟件內部。

這是非常重要的範式變化。

四十二、過去軟件邏輯是確定性的

if amount > 10000:

require_approval()

清晰。

確定。

但現實世界大量規則並不是：

布爾。

例如：

“這筆交易看起來可疑嗎？”

“這個客服工單很緊急嗎？”

“這個用戶意圖是不是準備流失？”

過去程序員很難寫。

因爲：

沒有確定公式。

四十三、AI 第一次允許軟件直接處理“模糊概念”

過去：

Humans understand meaning。

Software understands rules。

現在 AI 可以：

把：

意義

轉換爲：

概率。

例如：

“這個行爲像 Fraud 的概率 87%。”

這就形成一種新的 Primitive：

Semantic Computation。

語義計算。

這是 Jev 真正有意思的地方。

四十四、所以未來的軟件可能同時存在兩個世界

第一層：

Deterministic Logic。

錢是多少？

用戶 ID 是什麼？

是否付款？

第二層：

Probabilistic Logic。

是不是可疑？

是不是重要？

用戶真正想做什麼？

未來程序：

兩層結合。

這可能比：

“所有軟件都變成聊天機器人”

更加現實。

四十五、“Probabilistic Programming”並不是 2026 年纔出現

這一點要做一個歷史糾正。

概率計算、Monte Carlo、隨機模擬早在計算機早期就大量存在；

1960 年代的 SIMULA 等語言推動了計算機模擬。

後來 Probabilistic Programming 發展成更明確的語言與研究領域。

所以 Jev 不是：

“發明概率編程。”

更準確的是：

把現代神經模型第一次變成普通軟件開發者可以直接調用的概率決策 Primitive。

四十六、“if 73% then”更適合作爲比喻，而不是未來真實語法

未來開發者可能寫：

if fraud_probability > 0.92:

freeze()

elif fraud_probability > 0.65:

human_review()

核心不是：

語法。

而是：

軟件開始把：

uncertainty

當作一等公民。

過去軟件非常害怕不確定。

未來軟件會：

直接管理不確定。

這是更深的變化。

四十七、這就產生一個巨大新概念：Confidence-aware Software

傳統軟件：

成功。

失敗。

未來：

90% Confidence。

60%。

20%。

根據：

置信度

選擇：

自動執行；

升級人工；

繼續查詢。

這其實非常適合：

Agent Systems。

因爲 Agent 天生：

不確定。

四十八、可靠 AI 的真正答案可能不是“讓模型永遠正確”

而是：

讓軟件知道模型什麼時候可能錯。

這比追求：

100% Accuracy

現實得多。

例如：

Confidence > 99%：

自動。

90%：

人工審覈。

<70%：

換模型。

這就是：

Uncertainty Routing。

未來企業 AI 非常重要的架構。

四十九、Jev 爲什麼突然在舊金山引爆開發者興趣？

它 9 月 15 日才發佈，

幾天內就形成非常高的開發者討論度；

Business Insider 報道其 Hackathon 和早期社區擴張，FT 也報道投資者開始以極高估值討論這家公司。

真正原因可能不是：

Benchmark。

而是：

開發者終於看到：

除了 Chatbot，

AI 還可以成爲：

Programming Primitive。

五十、這可能類似數據庫剛進入軟件開發的時刻

今天沒人認爲：

數據庫是一個“App”。

數據庫是：

基礎組件。

未來：

AI Decision Engine

也可能如此。

開發者根本不說：

“我正在使用 AI。”

就像今天不會說：

“我的軟件用了 SQL，所以它是 AI Startup。”

AI 最成熟的形態：

可能就是：

Invisible Intelligence。

五十一、如果 Jev 路線成立，SaaS 反而可能成爲最大受益者之一

過去市場一直講：

SaaSpocalypse。

AI 要摧毀 Salesforce。

摧毀 Workday。

摧毀 ServiceNow。

TypeSafe 的反向觀點是：

老 SaaS 擁有：

數據；

用戶；

工作流；

狀態。

如果在裏面加入：

Probabilistic Intelligence，

它們可能突然：

自動化更多工作。

這就是：

Inverse SaaSpocalypse。

五十二、傳統 SaaS 最大的問題不是產品差，而是邏輯太死

例如 CRM：

如果客戶三天沒回復：

發郵件。

這很機械。

智能 CRM：

理解：

客戶是不是冷淡？

是不是正在談判？

是不是隻是度假？

這類判斷以前必須：

人工。

未來：

可以直接進入程序。

這會讓舊 SaaS：

突然變得：

Context-aware。

五十三、真正 SaaS 革命可能不是“Agent 替代 SaaS”，而是“軟件自己獲得判斷力”

這句話非常重要。

過去：

人 + 軟件。

未來：

intelligent software。

軟件本身：

理解語義。

自己判斷。

Agent 只是：

其中一種 UI。

更深層變化其實發生在：

程序內部。

這就是 Diogo 所說：

“putting intelligence inside software itself。”

五十四、這可能開啓一種全新的軟件經濟

過去很多軟件功能：

根本做不了。

因爲無法把：

現實語言

轉成：

確定規則。

例如：

自動批准費用報銷。

判斷：

“這是不是合理商務開支？”

規則寫不完。

AI 判斷模型出現後：

suddenly possible。

這意味着：

Software Addressable Market Expands。

軟件可以自動化的事情：

變多。

五十五、AI Coding Agent 和 Jev 解決的是兩個完全不同的問題

Coding Agent：

讓程序員：

更快寫軟件。

Jev：

讓軟件本身：

能做以前不能做的事。

前者：

Production Efficiency。

後者：

Capability Expansion。

長期來看：

第二種可能更大。

五十六、工業革命真正巨大的突破從來不是“工匠動作快一點”

而是：

機器可以完成：

以前人力根本無法規模化完成的事情。

AI 如果只是：

程序員效率 +30%。

當然有價值。

如果：

讓軟件可以理解：

模糊商業規則，

那就是：

新計算範式。

這纔可能：

重寫整個軟件產業。

五十七、真正的大機會正在從“模型裏面”移動到“模型周圍”

包括：

Context；

Memory；

State；

Permissions；

Routing；

Observability；

Security；

Decision Models；

Workflows。

這些全部是：

Model-adjacent Infrastructure。

下一代巨大公司，

可能大量誕生在這裏。

五十八、爲什麼基礎模型巨頭不一定自己喫掉所有這些市場？

因爲平臺永遠不可能：

優化所有垂直需求。

AWS 沒有自己做：

所有 SaaS。

Windows 沒有自己做：

所有軟件。

iPhone 沒有自己做：

所有 App。

平臺成功，

反而會催生：

更大的應用生態。

AI 很可能一樣。

五十九、所以“Model is the new OS”只說對了一半

更準確：

Model 是：

新的計算 Primitive。

真正的軟件系統還需要：

Operating Layer。

比如：

哪個模型？

什麼時候調用？

有什麼權限？

狀態保存在哪裏？

失敗怎麼辦？

誰批准？

如何審計？

這就是：

Agent Operating System。

六十、未來 AI Stack 很可能形成四層結構

第一層：Compute。

GPU、ASIC、Cloud。

第二層：Models。

Reasoning、Decision、Vision、Speech。

第三層：Orchestration。

Memory、Permissions、Routing、Security。

第四層：Applications。

Finance、Legal、Healthcare、Robotics。

今天絕大多數媒體注意力還在：

第二層。

但真正創業機會正在大量遷移：

第三、第四層。

六十一、這正是軟件歷史不斷重複的規律

Mainframe 出現。

隨後：

Software。

PC 出現。

隨後：

Applications。

Internet 出現。

隨後：

Web Companies。

Cloud 出現。

隨後：

SaaS。

Foundation Model 出現以後：

真正的大 Application Cycle：

可能纔剛開始。

六十二、這也是爲什麼過度圍繞 AGI 的討論可能遮蔽了大量現實商業機會

今天已經存在的模型：

足夠自動化：

很多工作。

真正阻礙不是：

智力不夠。

而是：

企業不知道怎麼：

給 Context；

給 Permission；

安全接入；

設計 Workflow。

Ali Ghodsi 在近期 a16z 對談中的核心判斷之一正是：

今天模型的能力已經超過企業實際利用程度，

更大的瓶頸在組織 Context 和 institutional knowledge。

這非常值得創業者理解。

六十三、創業者最大的錯誤可能是等待“更聰明的模型”

很多 Founder 說：

等下一代模型。

其實可能完全沒必要。

今天 Claude / GPT / Gemini：

已經足夠解決問題。

真正需要做的是：

Systems Engineering。

把模型：

正確嵌入工作。

這比：

再等 20 IQ

更重要。

六十四、未來五年 AI 企業最大的戰爭之一：誰擁有 Context

通用模型知道：

世界。

企業真正需要：

知道：

這家公司。

誰決定過什麼。

客戶是誰。

內部規則。

歷史異常。

組織關係。

這就是：

Organizational Memory。

誰掌握：

Context Layer，

誰就可能掌握：

企業 Agent。

六十五、這和安全又重新連接起來

Context 越多：

Agent 越聰明。

同時：

風險越大。

所以未來 Agent 產品永遠存在一個：

核心矛盾：

Utility vs. Permission。

給得越多：

越有用。

給得越多：

越危險。

真正優秀系統必須解決：

如何在兩者之間動態平衡。

六十六、因此未來真正偉大的 AI Infra 公司，很可能不是“最酷”，而是“最無聊”

權限。

審計。

限速。

隊列。

狀態。

身份。

日誌。

這些聽起來：

一點都不 sexy。

但每次計算平臺革命，

最終最大商業價值之一：

恰恰建立在這種：

無聊基礎設施上。

六十七、Stripe 很無聊：支付 API

Datadog 很無聊：

日誌。

Okta：

登錄。

Cloudflare：

網絡。

但這些公司價值巨大。

Agent 時代同樣會產生：

Boring AI Infrastructure Giants。

真正資本不應該只盯：

機器人 Demo。

六十八、監管層面真正應該學習軟件工程的一點是：不要把所有風險合併成一個詞

“AI Risk”

本身太寬。

就像：

“Internet Risk”

沒有意義。

詐騙風險。

Cyber Risk。

Privacy Risk。

國家安全。

青少年安全。

完全不同。

監管如果全部：

一刀切，

一定產生低效率。

所以未來 AI 治理需要：

Risk Decomposition。

六十九、真正成熟的 AI 政策應該像網絡安全一樣逐漸工程化

不是：

“AI 很危險。”

而是：

這個模型：

Cyber Capability 多少？

Bio Capability 多少？

Agent Autonomy 多高？

Monitor Coverage 多高？

Incident Rate 多少？

Anthropic 最近開始公開這些指標，本身就是監管討論從：

哲學

走向：

工程

的一步。

這是值得肯定的方向，無論是否同意其全部政策主張。

七十、而 X-Risk 真正應該扮演什麼角色？

它應該：

推動：

研究；

測試；

Tail-risk Planning。

但不能自動成爲：

所有監管政策的通行證。

因爲：

極端風險一旦缺乏可證僞性，

很容易：

無限擴張政府權限。

正確做法應該是：

把抽象災難風險不斷拆成可測試能力。

例如：

自主 Cyber Attack。

危險生物設計。

自主模型複製。

而不是停留：

“模型可能滅絕人類。”

七十一、這纔是科學治理與恐懼治理的區別

恐懼治理：

先假設災難。

然後：

控制一切。

科學治理：

定義：

風險變量；

測量；

測試；

調整規則。

未來 AI 治理能否走向第二種模式，

將極大影響：

創新速度

和：

安全水平。

七十二、對創業者來說，這整個爭論最值得帶走的是：不要只盯 Frontier Model

真正巨大的創業機會包括：

Agent Security；

Agent Permission；

Context Infrastructure；

Model Routing；

Probabilistic Decision；

Enterprise Memory；

Observability；

Evaluation；

Human Escalation。

這些市場：

今天仍然非常早。

七十三、不要以爲“OpenAI 會做”所以不能創業

Google 有搜索。

仍然出現：

Shopify。

AWS 有 Cloud。

仍然出現：

Snowflake。

平臺越大：

生態越大。

真正創業問題是：

你的層是否：

足夠垂直；

足夠複雜；

平臺沒動力自己優化。

如果：

是。

就有機會。

七十四、Jev 也給 AI 創業者一個非常重要的新思路：不要默認 AI 產品一定要聊天

過去三年：

所有 AI 產品：

輸入框。

對話。

這只是：

ChatGPT 的路徑依賴。

真正產品應該問：

用戶真正需要文字嗎？

還是：

Decision？

Action？

Score？

Alert？

很多場景：

根本不需要：

生成一句話。

這可以節省巨大：

Latency

和：

Cost。

七十五、未來 AI 最終會“消失”進軟件

今天：

AI 是賣點。

未來：

用戶根本不知道：

背後是不是 AI。

就像：

今天沒人問：

Uber 後端是不是 PostgreSQL。

成熟技術最終會：

Become Invisible。

Jev 這種模型恰恰代表：

AI 向無形基礎設施移動。

七十六、這可能是從 Generative AI 進入 Computational AI 的轉折

第一階段：

AI 生成：

文字；

圖片；

視頻。

第二階段：

AI 開始：

成爲程序運行邏輯。

生成是：

Content Revolution。

後者是：

Computing Revolution。

如果後者成功，

影響可能更深。

七十七、投資人真正應該觀察的指標也會變化

過去看：

Benchmark。

未來看：

Cost per Correct Decision。

Latency。

Calibration。

Reliability。

Human Escalation Rate。

Agent Error Rate。

Infrastructure Load。

這些纔是真實生產環境指標。

Jev 的價值如果最終成立，

不是：

它看起來多聰明。

而是：

每百萬次決策：

多少錢。

錯多少次。

七十八、這其實重新把 AI 拉回計算機科學最傳統的核心：Engineering

過去幾年 AI 很像：

鍊金術。

訓練更大模型。

出現神奇能力。

下一階段：

必須進入：

工程紀律。

可靠性。

成本。

權限。

測試。

恢復。

這纔是真正工業化。

七十九、每一次革命技術從實驗室走向工業，都經歷這一階段

汽車：

最早能跑。

後來：

可靠。

飛機：

最早能飛。

後來：

安全。

Internet：

最早能連。

後來：

Security + Cloud。

AI：

最早能想。

下一步：

能可靠地幹活。

這就是現在真正發生的變化。

八十、未來 AI 最大價值不會來自“模型像人”，而是“軟件終於能理解人的意圖”

過去計算機要求：

人適應計算機。

按鈕。

菜單。

規則。

SQL。

未來：

人說：

“這個客戶很重要，如果有危險就告訴我。”

系統理解：

“重要”

和：

“危險”。

這就是：

Intent-native Computing。

可能比聊天機器人本身重要得多。

八十一、Jev 的終極願景可以壓縮成一句話：

不是：

Tell the computer exactly what to do。

而是：

Tell the computer what you mean。

這也是 Diogo Almeida 在最新 a16z 節目裏反覆強調的最終目標：

讓技術能夠可靠地：

“do what I mean。”

如果這一步真的實現，

軟件開發的抽象層會再次提高。

八十二、過去軟件史每次巨大躍遷，本質都是提高抽象層

機器碼。

Assembly。

高級語言。

數據庫。

Web Framework。

Cloud。

每一層都讓程序員：

少描述“怎麼做”。

更多描述：

“我要什麼。”

AI 是這條歷史的下一步。

Jev 這種系統：

進一步把：

語義

變成：

可執行軟件 Primitive。

八十三、這可能讓大量今天無法軟件化的工作第一次進入軟件

過去很多行業流程不能自動化，

不是因爲：

沒有電腦。

而是因爲：

規則寫不出來。

例如：

“這個合同看起來異常嗎？”

“這個客戶值得優先處理嗎？”

“這個內容是否接近品牌語氣？”

這些都是：

Fuzzy Logic in Human Language。

AI 可以第一次：

規模化處理。

八十四、所以 AI 最大 TAM 可能根本不是今天的軟件市場

而是：

所有過去因爲規則無法寫清楚，所以必須靠人做判斷的工作。

這包括：

管理；

審覈；

客服；

合規；

風險；

銷售；

運營。

也就是說：

AI 最終攻擊的是：

Judgment Labor Market。

這比：

SaaS 市場

大得多。

八十五、但越進入 Judgment，責任問題越重要

模型判斷：

80% 欺詐。

凍結賬戶。

客戶損失。

誰負責？

程序員？

模型公司？

軟件平臺？

企業？

這就是未來 AI 時代極難的問題：

Probabilistic Decision + Legal Accountability。

技術比法律跑得更快。

八十六、這也是爲什麼 Agent 和 Probabilistic Software 最終一定需要 Human Escalation

高 Confidence：

自動。

中 Confidence：

複覈。

低 Confidence：

人工。

真正成熟系統不會：

追求人類完全消失。

而是：

Optimally allocate human judgment。

人類只處理：

最模糊；

最高風險；

最昂貴

的判斷。

AI 處理：

其餘 95%。

八十七、這纔可能成爲企業 AI 最大的生產率來源

不是：

所有人失業。

而是：

一個 Risk Analyst

過去處理：

100 Cases。

未來：

AI 自動處理：

900。

人只看：

100 個邊界案例。

同樣員工：

產出：

10 倍。

這纔是：

Human-AI Division of Labor。

八十八、所以真正贏家可能是那些擁有最好 Escalation Architecture 的公司

什麼時候：

AI 做？

什麼時候：

人做？

這個邊界非常重要。

不是：

“Human-in-the-loop”

這麼簡單。

而是：

Human-where-it-matters。

真正優秀的軟件會動態決定：

人在什麼時候出現。

八十九、從資本視角看，這輪變化最重要的一點：模型價值鏈正在解體成多個獨立市場

過去大家以爲：

AGI 出現以後：

一個模型

喫掉所有價值。

現在越來越可能出現：

Model；

Decision；

Agent；

Security；

Memory；

Context；

Vertical Workflow

分別形成公司。

這是：

AI Value Chain Specialization。

專業化。

這對創業生態：

是好消息。

九十、未來最大 AI 公司可能不是“最聰明”的公司，而是“最能把智能變成可靠現金流”的公司

模型智力：

只是原材料。

真正商業價值來自：

自動化；

結果；

ROI。

所以未來我們會越來越少問：

這個模型 IQ 多高？

越來越多問：

每一美元 Intelligence 可以產生多少美元 Economic Output？

這纔是最終商業指標。

九十一、a16z 最近這些討論真正共同指向一個巨大變化

第一階段 AI：

Intelligence Scarcity。

誰有聰明模型？

第二階段：

Execution Scarcity。

誰能真正讓模型：

進入系統；

安全運行；

可靠決策；

持續行動？

今天我們正在進入：

第二階段。

九十二、這也意味着創業機會正在從“造腦子”遷移到“造神經系統”

模型：

腦。

但一個人還有：

神經；

肌肉；

免疫系統；

記憶。

AI 系統也一樣。

模型之外需要：

Tooling；

Memory；

Permissions；

Security；

Infrastructure。

未來幾十家甚至幾百家大公司：

可能就產生於：

“腦子周圍。”

九十三、這就是爲什麼“軟件的下一個時代不在大模型內部”是一個很好的主線

更準確的理解是：

基礎模型仍然重要。

但：

邊際創業機會

越來越可能出現在：

模型外圍。

就像：

Intel 很重要。

但 PC 時代最大財富並不全部被：

CPU 公司拿走。

Microsoft；

Adobe；

Oracle；

Salesforce

都建立在：

芯片之上。

AI 也會如此。

九十四、真正成熟的軟件產業一定會把 Model Commodity 化

今天大家說：

GPT-5.6。

Claude 5.5。

幾年以後：

普通開發者可能根本不在乎。

系統自動 Router。

和今天 Cloud 一樣。

沒人每天討論：

具體哪臺服務器型號。

底層智能逐漸：

Infrastructure Commodity。

應用層：

向上創造價值。

九十五、這也是 Jev 最有意思的產業信號：不是所有智能都必須來自 Frontier LLM

大量任務：

其實不需要：

詩；

推理；

創意。

只需要：

判斷。

一旦專業模型能夠：

便宜 100 倍；

快 100 倍，

整個市場會自然：

分層。

這將推動：

AI Efficiency Revolution。

九十六、AI 行業下一個巨大戰爭可能從 Scaling 變成 Allocation

過去：

誰擁有更多 Compute？

未來：

怎樣把正確 Compute 用到正確任務？

複雜問題：

Frontier Model。

小決策：

Jev。

私密任務：

Local Model。

高頻任務：

Small Model。

這就是：

Intelligence Routing。

這會成爲：

新的雲計算。

九十七、從投資角度，這種變化非常重要

第一波錢賺在：

GPU。

第二波：

Foundation Models。

第三波：

很可能賺在：

Intelligence Infrastructure。

誰能：

管理；

安全；

路由；

監控；

記憶；

執行。

這是未來幾年非常值得盯的層。

九十八、而監管真正應該做的，也應該跟隨這種分層

高風險 Frontier Training：

一套規則。

Agent 訪問核設施：

極高標準。

普通客服 Router：

不需要同等監管。

否則：

整個 AI 生態都會被：

最低共同標準

拖死。

成熟監管的關鍵詞應該是：

Proportionality。

風險多大：

監管多強。

九十九、真正好的 AI 政策不是“更少監管”或者“更多監管”

而是：

更精確。

精準監管的目標：

高風險處：

嚴格。

低風險處：

自由。

這是讓：

Innovation

和：

Safety

同時成立的唯一可持續路徑。

這也比圍繞：

Doomer vs. Accelerationist

互相貼標籤有價值得多。

一百、創業者真正應該從這一系列討論裏帶走什麼？

第一：

不要等待 AGI。

今天模型已經足夠創造大量自動化價值。

第二：

不要只做 Chat UI。

看看能不能把 AI 直接放進：

程序邏輯。

第三：

Security 不是後期功能。

Agent 有動作能力以後：

安全必須從第一天設計。

第四：

把概率當作產品的一部分。

不知道就承認不知道。

然後：

升級人工。

第五：

真正 Moat 可能在 Model 外面。

Context；

Workflow；

Permission；

Data；

Memory。

一百零一、企業真正應該做什麼？

不要問：

“我們應該採購哪個大模型？”

而應該先畫：

Workflow Map。

哪些步驟：

確定性。

哪些：

需要判斷。

哪些：

高風險。

哪些：

可以完全自動。

然後：

爲每個步驟選擇：

合適 Intelligence。

這纔是：

真正 AI Transformation。

一百零二、安全團隊真正應該做什麼？

不要只研究：

“員工有沒有下載 ChatGPT。”

而要準備：

Agent-scale IT。

未來一個員工不是：

一個 User。

而可能是：

一個 Human Principal

加：

100 個 Agent Workers。

企業必須提前設計：

Identity；

Rate Limit；

Permission；

Logging；

Kill Switch。

一百零三、投資者真正應該觀察什麼？

不要只找：

下一個 OpenAI。

還要找：

下一個：

Okta for Agents；

Datadog for Agents；

Cloudflare for Agents；

Snowflake for Agent Memory；

Stripe for Agent Payments；

以及：

Jev 這種新的 Computing Primitive。

基礎設施市場：

可能比想象中大得多。

一百零四、而 Jev 是否最終成爲大公司，其實還遠沒有證明

它剛剛於 2026 年 9 月 15 日公開。

獨立大規模 Benchmark 仍然不足。

訓練方法很多細節：

尚未公開。

早期社區興趣：

非常高。

但：

Developer Excitement ≠ Durable Platform。

現在最合理的態度是：

高度關注。

但不要提前把：

新範式

等同於：

已證明的產業標準。

這是科技投資最重要的紀律。

一百零五、真正判斷 Jev，要看五件事情

第一：

Calibration。

概率真的準嗎？

第二：

Reliability。

真實生產環境是否穩定？

第三：

Cost。

規模化以後仍然便宜嗎？

第四：

Developer Adoption。

是否進入真正應用？

第五：

Replacement Resistance。

大型 LLM 自己加入類似能力以後，Jev 是否仍有優勢？

這些決定：

它是：

Feature。

還是：

Platform。

一百零六、AI 歷史真正有意思的地方是：大家最開始可能都想錯了交互方式

早期 PC：

大家模仿：

紙張。

Web：

模仿：

報紙。

手機：

最初把：

桌面網頁縮小。

新平臺剛出現時：

人類總是把：

舊範式

搬過來。

ChatGPT 成功以後：

所有 AI 產品：

都開始做聊天框。

幾年以後我們可能發現：

Chat 是 AI 的命令行。

重要。

但不是：

最終界面。

一百零七、未來 AI 可能根本沒有一個統一界面

AI：

在郵件裏。

在 IDE。

在銀行系統。

在機器人。

在數據庫。

在風控引擎。

用戶：

甚至看不到。

這就是：

Ubiquitous Intelligence。

智能像電一樣：

存在於所有系統。

而不是：

每個人每天專門打開一個：

AI App。

一百零八、這纔是真正比 ChatGPT 更大的 AI 終局

ChatGPT 證明：

機器可以理解語言。

下一階段要證明：

世界的軟件系統可以理解語言。

銀行。

ERP。

CRM。

操作系統。

機器人。

都能：

理解“我是什麼意思。”

這纔可能重新定義：

計算機。

一百零九、如果這一判斷正確，未來軟件工程會出現一次非常深的分工

程序員不再負責：

把每個現實規則寫成：

if / else。

而是負責：

定義：

邊界；

狀態；

權限；

不確定性；

結果。

機器負責：

填補：

中間模糊空間。

程序員的角色會從：

Rule Author

轉向：

System Designer。

一百一十、這可能是 AI 對軟件工程最深遠的影響

大家今天討論：

AI 會不會替代程序員？

這個問題太淺。

真正的問題是：

程序到底是什麼？

如果程序從：

完全確定邏輯

逐漸變成：

確定邏輯 + 概率智能，

那麼：

Programming itself

正在改變。

這遠比：

“Copilot 幫我多寫 40% 代碼”

重要。

最值得記住的一句話

a16z 最近這些看似完全不同的討論：

Dario Amodei 的 Pacing；

AI X-Risk；

Agent Cybersecurity；

內部系統 DDoS；

Jev；

Probabilistic Programming；

SaaS；

應用層創新，

實際上都指向同一個大趨勢：

AI 革命正在離開 Demo，進入系統。

在 Demo 階段，

最重要的是：

模型有多聰明。

進入系統以後，

問題完全改變：

它可靠嗎？

安全嗎？

成本多少？

什麼時候應該相信它？

什麼時候應該讓人接管？

怎樣給權限？

怎樣讓它理解企業？

怎樣把自然語言轉換成真正能夠運行的軟件行爲？

這些問題沒有一個可以靠：

“訓練一個更大的模型”

自動解決。

所以 AI 下一階段最大的機會，可能並不在：

模型內部。

而是在：

模型與現實世界之間。

這一層需要：

Security；

Permission；

Context；

State；

Memory；

Routing；

Probabilistic Decisions；

Human Escalation。

過去三年：

大家都在造：

Brain。

下一階段：

整個產業需要開始造：

Nervous System。

而真正偉大的軟件公司往往就誕生在這種時刻：

一種新的基礎能力已經存在，

但世界還沒有學會：

怎樣可靠地使用它。

互聯網如此。

Cloud 如此。

智能手機如此。

AI 也不會例外。

從資本角度看，這甚至可能意味着：

Foundation Model Boom

並不是 AI 商業化的高潮。

反而只是：

基礎設施鋪設階段。

真正龐大的應用與軟件重構週期，

可能現在纔剛剛開始。

這篇最值得保留的三個核心認知是：

第一，AI 最大的下一階段瓶頸已經從“智力不夠”轉向“系統承載不了智能”。Agent-native Security、權限、限速、狀態管理會成爲一整套新基礎設施。

第二，Jev 真正值得研究的不是“又一個模型”，而是它把 AI 從聊天框拉回程序內部——讓軟件第一次能把模糊的人類語義直接轉成概率化、可執行的決策。

第三，監管爭論真正應該從抽象的“AI 危不危險”升級成可測量的工程問題：什麼能力、什麼風險、什麼頻率、什麼 Blast Radius，再決定什麼強度的監管。