PodcastsHear the voice. See the shape of the thought.

Recorded live at Microsoft Build, this crossover episode between No Priors and Latent Space brings Sarah Guo, Elad Gil, and swyx together for a wide-ranging conversation with Satya Nadella. Satya argues that the platform shift now underway is defined by a single test: can every company operate at the frontier using their own frontier intelligence — their own private evals, their own trained harness, their own context? Across 42 minutes he walks through Microsoft's MAI model lineage strategy, why the enterprise harness (not the model) is the durable moat, how SaaS business models will unbundle and rebundle, and why the "hyper-leveraged generalist" — the full-stack builder who can design, code, and ship — is the defining role of this era. ## [00:00] Satya Nadella Introduction The episode opens with a clip that actually comes from late in the interview: Satya's assertion that the world will grow skeptical of any tech company asking for blind trust, and that the industry must deliver tangible, measurable benefits to earn permission to operate at scale. Sarah Guo and swyx welcome him to the crossover stage at Build, where Satya says he listens to both podcasts regularly. > *"The world is going to be very skeptical of tech and tech companies that say, 'Trust us, we've got it. The future is going to be glorious.' You kind of have to deliver tangible benefits because it's too important this time around."* ## [01:48] Reflections from Microsoft Build Satya's single biggest takeaway from the Build keynote: stop thinking about this as a model race and start thinking about it as an ecosystem play. Every prior Microsoft platform shift — Windows, Azure, Office — succeeded because it created more value above the platform than Microsoft captured inside it. The morning's keynote, he says, was about giving any company — AI-native or legacy enterprise — a clear recipe to become a first-class participant who points to AI *they created*, not just AI they rented. > *"A platform is defined by fundamentally its ability to create more value above the platform versus what's captured in the platform."* ## [03:12] Microsoft's AI Training Strategy The MAI model family started with a deliberate obsession over pre-training data quality — ablating out the noise that makes many open-weight models look strong on benchmarks but brittle in practice. Satya introduces the "hill climbing scaffold": a company takes a frontier model like GPT-5, collects traces from real workflows, then uses those traces to train a small 5B reasoning model that surpasses the larger model on the company's *private* eval. The Lando Lakes demo shown at Build used exactly this approach. His conclusion: private evals have become more strategically important than any publicly available benchmark, because public evals can all be maxed. > *"Each company will have its own private eval. And so that end-to-end platform story around our models is sort of what I think is interesting."* ## [05:48] Complexity of Real-World Deployment of AI Elad Gil asks what Satya would tell himself two or three years ago. His answer: the scaling laws worked, and capability has climbed — "intelligence is log of compute" turned out to be roughly right. What the industry underestimated was the real-world complexity of deployment: getting models to deliver measurable value outside benchmark conditions. The symptom he points to is the "I don't want a token max" complaint from customers, which he reads as evidence that the industry built token-burning products before building token-earning workflows. > *"The true eval is when people out there are able to do unique things that they only can value and it's very measurable — that I wish we had sort of even like had more in our consciousness."* ## [07:33] Augmenting Human Capital Sarah Guo asks beyond coding — what use cases are creating the most value. Satya notes coding worked so well it forced a redesign of the IDE itself: 100 parallel agent sessions generate so much cognitive load that a new UI (canvas, not just chat) became necessary. Beyond coding, the pattern he is watching is "glue work" automation — the coordination, status-tracking, and handoff work that ties together human judgment. Autopilot-class agents running overnight with delegated authority, then surfacing a morning digest of what they completed, compress entire workflow cycles. The bottleneck shifts from execution to review. > *"If you now can augment that with tokens slash agents that are long-running, durable — then your ability to scale even what is still judgment and glue work gets amplified like coding does."* ## [09:37] Harnesses for Enterprise swyx surfaces the key architectural question: if the coding agent needs a harness (environment, context, tools), what is the equivalent harness for broad enterprise productivity? Satya's answer: Microsoft's GitHub harness is now the spine across GitHub Copilot, Security Copilot, and the Discovery for Science products — all multi-model, all with progressive tool disclosure to keep token budgets manageable. The magic, he says, is in the context layer: getting the right context into the plan executor is where most real-world performance comes from. He uses the MDaS security product as existence proof that a multi-model harness can find vulnerabilities that specialized models missed. > *"The amount of work you need to do to prep the context layer such that your plan can execute in the most efficient way is where the magic is."* ## [11:49] Developer Value Sarah Guo sharpens the tension: frontier labs build first-party products that capture most of their revenue — where does the independent developer capture value in that model? Satya's argument is that the network effects of intelligence are not winner-take-all the way Windows was, because models learn from small, novel samples — not from data volume monopolies. That means the developer's durable asset is the private eval that lets them hill-climb on any frontier model and switch providers without losing ground. An open harness plus private evals plus curated context is the new platform investment for any AI-native company. > *"Every company having private eval maybe the biggest IP right now — I think about it like what's that private eval that you can then use even a frontier model to hill climb on and not leak the traces."* ## [15:09] Can Everybody Operate at the Frontier with Their Frontier Intelligence? Satya crystallizes the developer conference thesis: the whole point of a platform is to let someone else extend and build their own intelligence layer on top. Without that, a developer conference is just a showcase for one model. He uses the NVIDIA/CUDA parallel — he jokingly tells Jensen he wishes Microsoft had built CUDA — to underscore that the most powerful platform moves are when an infrastructure layer enables others to run far beyond what the platform vendor imagined. > *"Without it, why have a developer conference? I can just come and have you all sort of just worship at the altar of one model. But that's not a developer conference."* ## [15:51] Modern Definition of IP A backstage conversation before the taping surfaced the question of what IP means now. Satya's answer: human capital used to be the irreducible tacit knowledge — impossible to put on a balance sheet. Agent traces change that. Every interaction between a human and an agent inside Teams or GitHub or M365 is a trace that can train a company-specific "veteran agent" — not a generalist, but one that has absorbed how *this* company creates value. That trained agent should, Satya argues, go on the balance sheet the way patents do today. > *"When a company says it should in fact go onto the balance sheet is how I think about it — the agents that have learned through time through all the traces."* ## [17:38] Future of Vendor vs. Enterprise Agents Sarah Guo raises the "end of software" debate: if workflows are cheap to generate, what survives of the SaaS stack? Satya deconstructs the SaaS vertical: the data model at the bottom (the general ledger, the entity relationships) remains valuable and stable — nobody wants a new schema for their general ledger. Business logic encapsulated in something like PowerBI's semantic model also survives. What changes is the UI and configurability layer, which can be dynamically generated. The result is unbundling and rebundling, not wholesale replacement. He points to Work IQ (the M365 graph exposed as an agent-accessible database) as the example: a GitHub repo can now query meeting transcripts from the previous week and generate a code-change plan — a use case that was structurally impossible before. > *"I go to a GitHub repo and I say, 'Hey, I attended a bunch of design meetings last week related to this repo. Can you capture all that and tell me what changes I should make?' It literally can go look at all those transcripts, come back with a plan to change a code base."* ## [21:48] Near-Term Predictions on Model Pricing Satya maps the pricing evolution: per-user subscriptions persist because enterprise budget owners need certainty and entitlements. Consumption tiers layer on top as agent intensity grows. Outcome-based pricing is conceptually attractive but psychologically unstable — customers who love it in theory balk when the invoice arrives, because paying on outcomes feels like giving away royalty. His concrete example: GitHub Copilot was priced as a per-user interactive tool, but agentic workloads running 10,000 parallel sessions all day require a consumption meter alongside the per-user base. > *"Most people love outcomes until they have an outcome. Because once you have an outcome, it's like giving away royalty."* ## [24:02] Durability of SaaS The "agent euphoria" phenomenon inside enterprises — teams convinced they can rebuild their SaaS stack in six months — will, Satya predicts, run into the maintenance reality after one budget cycle. The build-vs-buy calculus is quantifiable: acquire when the marginal cost of building and maintaining exceeds the vendor price. Maintenance includes security patching (AI will find vulnerabilities faster, which means you have to fix them faster), and fixing costs tokens. The net result: SaaS survives as a category but vendors who won't expose flexible pricing and open agent interoperability will lose accounts to those who do. > *"I think we've gone through the excitement that I can generate a lot of software. I think the next thing would be what software do I really want to generate? What software do I want to use from others?"* ## [25:58] What Satya's Building Elad Gil asks what Satya is personally building. He describes a chief-of-staff autopilot agent he built in a week using Work IQ, Azure Foundry long-running agents, and Rayfin for memory storage. The agent monitors his context continuously, and when he published it to Teams, it deployed automatically. His broader point: GitHub Copilot Sessions has made it possible even for a CEO to have meaningful agency over codebases — not to replace engineers but to inspect, learn, and have a full-stack view of what his organization is building. > *"I could say publish to teams and it published the damn thing to teams. The ability to have a you know some end-to-end project like this complete is just pretty miraculous."* ## [28:18] Future of Engineering Roles swyx asks whether the "four engineering roles" thesis — agent managers, forward-deployed engineers, security engineers, and large-scale infrastructure owners — captures the future. Satya points to what LinkedIn already did structurally: created a "full-stack builder" discipline that merges design, product management, and front-end engineering while preserving individual domain edges. The role expands scope without erasing specialization. He flags infrastructure as the other growth area — building the reward learning environments (RLEs) for models like Excel's agent is a distributed systems problem, not a product problem. But his highest-conviction bet is on the hyper-leveraged generalist: the person who used to produce Word documents and spreadsheets and can now, in the same cognitive breath, ship an application. > *"The generalist role is going to be the most exciting right because the leverage of a generalist is where we are going to see the maximum returns."* ## [30:54] How Microsoft Can Be More Ambitious Sarah Guo cites her partner's essay arguing this is the moment for radical ambition. Satya's framework: the key move is to give yourself permission to do "meta work" — not to do the task, but to build the agentic system that does the task. He uses the Azure network team as the central example: faced with building more Azure capacity in 15 months than in the first 15 years, the network engineers said their job was no longer fiber operations — it was building the agentic system ("Miles") that does fiber operations. They told Satya they didn't need more headcount, they needed more tokens. That reconceptualization is the ambition unlock — analogous to how the PC era was never really about typing, it was about knowledge work. > *"Our job is not to do Azure networking. Our job is to build the agentic system that does Azure networking."* ## [34:36] Data Centers and Community Impact Elad Gil raises the community-level stakes of the data center buildout. Satya is direct: unless communities see tangible local benefits — stable or lower energy prices, water replenishment through closed-loop systems, construction jobs, post-construction tax base — the industry will lose the social license to operate. He frames it historically: technologies that consumed large amounts of energy while creating broad societal value have had good outcomes; those that didn't, haven't. The token economy needs the same proof: productivity gains, economic growth, and broad participation visible at the community level, not just in enterprise earnings. > *"Unless we as an industry are very principled about ensuring that the benefits of all the stuff we're talking about are felt in real ways at the community level — it has to be real."* ## [38:01] AI's Impact on Society swyx asks what Satya has most updated his personal models on regarding societal impact. His answer: the most critical thing in the next 12–18 months is making it legible to ordinary people that they have a real shot as first-class participants in the AI economy — through health outcomes, startup formation, running a local business more efficiently. The abstract promise ("trust us, it'll be great") has already exhausted its credit. The test is whether politicians who advocate for AI-driven productivity gains can win elections because their constituents saw real benefits, not just stock returns. > *"I think the world is going to be very skeptical of tech and tech companies that say trust us we've got it the future is going to be glorious — you kind of have to deliver tangible benefits."* ## [39:52] AI and Education Sarah Guo notes education as an area where AI's impact has been slower than expected. Satya points to his visit with the founders of Alpha School as an example of genuinely rethinking pedagogy — not just digitizing old curricula. He flags a Stanford CS course that still teaches students when to apply softmax correctly (concept-first) rather than just prompting agents to fix training runs, as evidence that conceptual foundations remain necessary. But the credentialing system, the incentive structures for learning, and the link between credentials and employment opportunity all need to change together. His closing bet: the next big startup success story might be someone who builds a new university or a new curriculum-to-employment pipeline. > *"Maybe the next big startup and success story could be someone who builds a new university or a new pedagogy even of how to get someone to go through a curriculum and find economic opportunity."* ## Entities - **Satya Nadella** (Person): Microsoft Chairman & CEO; the primary guest throughout. - **Sarah Guo** (Person): GP at Conviction and No Priors co-host; interviewer. - **Elad Gil** (Person): Independent investor and No Priors co-host; interviewer. - **swyx** (Person): Latent Space host; interviewer for the Microsoft Build crossover. - **Microsoft** (Organization): Publisher of Azure, GitHub, Microsoft 365, and the MAI model family. - **GitHub Copilot** (Software): Microsoft's AI coding assistant; the anchor product for the multi-model harness strategy. - **Azure Foundry** (Software): Microsoft's platform for deploying long-running agentic workflows and custom model fine-tuning. - **Work IQ** (Software): Microsoft 365 graph exposed as an agent-accessible database, enabling cross-product context queries. - **MAI models** (Concept): Microsoft's in-house model family, built with a clean pre-training lineage and designed for enterprise hill-climbing via private evals. - **Private eval** (Concept): A company's proprietary benchmark capturing its unique workflows; Satya argues this is now the most important form of intellectual property. - **Multi-model harness** (Concept): An orchestration layer that routes across multiple models, tools, and context sources — the durable enterprise moat vs. any single model. - **Full-stack builder** (Concept): LinkedIn's structural role combining design, product, and engineering into a generalist with broader scope and higher AI leverage. - **Alpha School** (Organization): Education startup whose founders Satya met with while rethinking AI's role in pedagogy. - **MDaS** (Software): Microsoft's security product that demonstrated multi-model harness performance superiority over specialized models in vulnerability detection.

Sarah Guo, Onyx Security के सह-संस्थापक और CEO Maxim Bar Kogan से बात करती हैं — विषय है: एंटरप्राइज़ स्तर पर AI एजेंट्स को असल में सुरक्षित करना क्या होता है। Maxim का तर्क है कि पारंपरिक नियंत्रण — प्रॉक्सी, पहचान-आधारित प्रतिबंध, इंसानी समीक्षा — तब टूट जाते हैं जब एजेंट एक्शन की संख्या तेज़ी से बढ़ती है। एकमात्र व्यावहारिक रास्ता है: ऐसे विशेष छोटे मॉडल ट्रेन करना जो यह तय कर सकें कि कब किसी भारी निगरानी-कर्ता को बुलाना है। बातचीत में Onyx के "सिक्योर कंट्रोल प्लेन" प्रोडक्ट, कस्टम मॉडल ट्रेनिंग के पीछे की लागत-विलंब गणित, यह सवाल कि लैब्स अपने मॉडलों की सुरक्षा खुद क्यों प्रमाणित नहीं कर सकतीं, और Maxim का यह विश्वास शामिल है कि AGI आ रही है और स्वतंत्र AI निगरानी सैकड़ों अरब डॉलर का कारोबार बनेगी। ## [00:00] शुरुआती झलक Maxim बीच विचार से शुरू करते हैं: जैसे-जैसे एंटरप्राइज़ AI एजेंट्स पर ज़्यादा निर्भर होते जाएंगे, गलत कार्रवाइयां भी बढ़ेंगी — एजेंट गलती से क्रेडेंशियल्स प्रकाशित कर देंगे, बिना अनुमति नेटवर्क कॉल करेंगे, अपरिवर्तनीय कदम उठाएंगे। एंटरप्राइज़ जानते हैं कि इस लहर को रोका नहीं जा सकता; जो चीज़ गायब है वह है कोई ऐसा तंत्र जो वैध एजेंट कार्रवाई को अवैध से अलग कर सके। यह क्लिप Onyx की मूल थीसिस को इंट्रो से पहले ही सामने रख देती है। > *"एंटरप्राइज़ को यह एहसास होने लगा है कि जोखिम तेज़ी से बढ़ रहा है और वे इस अपनाने की लहर को रोक नहीं सकते। अब उन्हें कुछ करना होगा ताकि इन एजेंट एक्शन के गलत या अनुचित होने की संभावना कम की जा सके।"* ## [00:45] Maxim Bar Kogan का परिचय Sarah, Maxim को Onyx Security के सह-संस्थापक और CEO के रूप में परिचित कराती हैं — यह इज़राइल-स्थित स्टार्टअप शोधकर्ताओं, गणितज्ञों और इंजीनियरों से भरी है, जिसका काम AI एजेंट्स की निगरानी के लिए एजेंट बनाना है। कंपनी आक्रामक साइबर विशेषज्ञता को गहरे AI अनुसंधान के साथ जोड़ती है, जिसमें सिंथेटिक डेटा और mechanistic interpretability पर काम शामिल है। ## [01:10] AutoGPT और एजेंट एक्शन पर दांव दो साल पहले एंटरप्राइज़ सुरक्षा में सबसे चर्चित जोखिम था DLP — कर्मचारी ChatGPT में संवेदनशील डेटा पेस्ट कर रहे थे। अब यह चित्र बदल गया है और स्वायत्त एजेंट एक्शन को लेकर लगभग घबराहट है। Maxim बताते हैं कि Onyx का दांव AutoGPT से शुरू हुआ: पहला एजेंट जिसने LLM को खुद तय करने, टूल कॉल करने और लूप चलाने दिया — सिर्फ टेक्स्ट नहीं बनाया। उस डेमो ने साबित किया कि एजेंट वास्तविक दुनिया में स्वायत्त रूप से काम कर सकते हैं, और Maxim ने तुरंत निष्कर्ष निकाला कि किसी को इन एक्शन की बड़े पैमाने पर निगरानी करनी होगी। > *"AutoGPT ने हम सबकी कल्पनाशक्ति को उड़ान दी क्योंकि यह LLMs पर चलने वाला पहला सच्चा स्वायत्त एजेंट था — एक ऐसा एजेंट जो LLM को टेक्स्ट नहीं बल्कि यह तय करने देता था कि क्या करना है, और फिर उसे API एक्सेस देता था वह काम करने के लिए।"* ## [05:17] Onyx का प्रोडक्ट क्या करता है Onyx दो काम करती है: मॉडल ट्रेन करना और ऐसे एजेंट बनाना जो दूसरे एजेंट्स की निगरानी करें, और इस क्षमता को "सिक्योर कंट्रोल प्लेन" के रूप में पैकेज करना जिसे एंटरप्राइज़ अपने AI स्टैक में लगाते हैं। कंट्रोल प्लेन एजेंट एक्शन की वैधता की रियल-टाइम निगरानी करता है — यह तय करता है कि कोई एक्शन सीमा के भीतर है या नहीं — साथ ही विलंब, लागत और विश्वसनीयता के बीच संतुलन बनाता है। Maxim का दीर्घकालिक विज़न एंटरप्राइज़ सुरक्षा से आगे है: AI एजेंट चलाने वाली किसी भी कंपनी को एक स्वतंत्र पक्ष की ज़रूरत होगी जो यह प्रमाणित करे कि वे एजेंट क्या कर रहे हैं। > *"इन एक्शन की संख्या तेज़ी से बढ़ रही है। जो चीज़ें पहले उपयोगी लगती थीं — जैसे इंसान को बीच में रखना — जब एक्शन की संख्या सौ गुना, हज़ार गुना, दस लाख गुना हो जाए, तो यह काम नहीं करेगा।"* ## [07:47] बड़े एंटरप्राइज़ में AI तैनाती की स्थिति आज के एक सामान्य बड़े एंटरप्राइज़ में Maxim तीन श्रेणियां देखते हैं: लो-कोड SaaS ऑटोमेशन (ड्रैग-एंड-ड्रॉप, सच में स्वायत्त नहीं), इन-हाउस या ग्राहक-सामना करने वाले फर्स्ट-पार्टी एजेंट, और स्वायत्त कोडिंग एजेंट व असिस्टेंट। इन तीनों में कोडिंग एजेंट अब 50% से अधिक AI उपयोग के लिए ज़िम्मेदार हैं। वित्तीय सेवाएं और स्वास्थ्य सेवा जैसे सबसे परिपक्व क्षेत्र सबसे सख्त नियंत्रण रखते हैं, लेकिन यहां तक कि सबसे सतर्क कंपनियों ने AI पर पूरी तरह प्रतिबंध लगाना बंद कर दिया है। > *"औसत एंटरप्राइज़ में 50% से अधिक हिस्सा स्वायत्त कोडिंग एजेंट और असिस्टेंट का है।"* ## [09:58] एजेंट्स को सुरक्षित करना एंटरप्राइज़ पहले से ही सुरक्षा पर हर साल करीब 100 अरब डॉलर खर्च करते हैं — एंडपॉइंट, नेटवर्क, क्लाउड, पहचान। Sarah पूछती हैं कि इसमें से कितना एजेंट सुरक्षा पर लागू होता है। Maxim का जवाब: लगभग कुछ भी नहीं। पहचान नियंत्रण — सबसे बुनियादी परत — विफल हो जाते हैं क्योंकि एजेंट्स को व्यापक, गतिशील अनुमतियां चाहिए जिन्हें पहले से सीमित नहीं किया जा सकता। किसी रिपॉजिटरी में कोड लिखने वाला या किसी एग्जीक्यूटिव की ओर से ईमेल भेजने वाला एजेंट उस तरह संकीर्ण अनुमति सेट से नहीं चल सकता जैसे एक स्थिर सॉफ्टवेयर प्रक्रिया चलती है। असली हमले की सतह इरादा है, एक्सेस नहीं — और मौजूदा टूलिंग इरादा नहीं पढ़ सकती। > *"इन स्वायत्त AI के साथ, इन असिस्टेंट के साथ, इन कोडिंग एजेंट के साथ — आप पहले से नहीं जान सकते कि उन्हें कौन सी अनुमतियां देनी हैं।"* ## [12:45] प्रॉक्सी क्यों काम नहीं करते Sarah की सुरक्षा पृष्ठभूमि से स्वाभाविक प्रतिक्रिया: यह एक स्मार्ट पॉलिसी इंजन वाले प्रॉक्सी की समस्या लगती है। Maxim मानते हैं कि प्रॉक्सी कुछ आर्किटेक्चर में इंटीग्रेशन पॉइंट के रूप में काम करते हैं, लेकिन वे असली समस्या से चूक जाते हैं। प्रॉक्सी आपको डेटा स्ट्रीम देता है; यह नहीं बताता कि उस स्ट्रीम में एक्शन वैध है या नहीं। उस निर्णय के लिए संदर्भ की समझ चाहिए — एजेंट का लक्ष्य, उसका इतिहास, एंटरप्राइज़ ने क्या अधिकृत किया है — और कोई भी रूल्स इंजन मनमाने एजेंट व्यवहार के पार यह मूल्यांकन नहीं कर सकता। > *"असली कठिन सवाल यह है कि मुझे अभी जो करना है वह ठीक है या नहीं। AI सिस्टम के मामले में यही सबसे मुश्किल सवाल है।"* ## [14:11] Onyx अपने खुद के मॉडल क्यों ट्रेन करती है सरल उपाय — Claude Code से Claude Code की निगरानी करना — लागत और विलंब पर टूट जाता है। हर एंटरप्राइज़ एजेंट के लिए एक फ्रंटियर-मॉडल एजेंट चलाना सुरक्षा परत को उससे ज़्यादा महंगा बना देगा जिसे सुरक्षित किया जा रहा है। Onyx का जवाब है: छोटे, अत्यधिक विशेष मॉडल जो सिर्फ एक काम करते हैं — यह तय करना कि क्या मौजूदा एक्शन के लिए किसी भारी निगरानी-कर्ता को बुलाना है। Sarah इसे ब्लिट्ज़ शतरंज से जोड़ती हैं: ग्रैंडमास्टर तेज़ चालों में सहज रूप से खेलते हैं और केवल महत्वपूर्ण मोड़ पर रुकते हैं। Maxim कहते हैं यह सादृश्य सही है — बुद्धिमत्ता वहीं केंद्रित करो जहां जोखिम सबसे अधिक है, बाकी जगह दुबले रहो। > *"आप ऐसे मॉडल ट्रेन करना चाहते हैं जो सिर्फ एक काम में अच्छे हों। वे बहुत छोटे हों। वे लगभग कुछ और नहीं कर सकते, बस यह कह सकते हैं: 'क्या मुझे कोई स्मार्ट एजेंट इस पर नज़र डलवाना चाहिए?'"* ## [18:38] Onyx की प्रतिभा संस्कृति इज़राइल की सुरक्षा प्रतिभा — 8200, Armis और Wiz जैसी इकाइयों और कंपनियों से निखरी — सर्वविदित है। Onyx का DNA अलग है: सह-संस्थापक Gil की पृष्ठभूमि सिंथेटिक डेटा और Nvidia में है, आक्रामक साइबर में नहीं। Onyx के अधिकांश रिसर्च इंजीनियर एक इज़राइली खुफिया इकाई से आते हैं जो गणित और साइबर के संगम पर केंद्रित है। Maxim इस मिश्रण को जानबूझकर देखते हैं — Onyx जो दीर्घकालिक समस्या हल कर रही है वह केवल एंटरप्राइज़ सुरक्षा नहीं बल्कि उन्नत AI को नियंत्रित करना है, पूरी तरह। इज़राइल समग्र रूप से AI में तेज़ी से आगे बढ़ रहा है: वर्ल्ड मॉडल, AI इन्फ्रास्ट्रक्चर, चिप्स। > *"समस्या सिर्फ साइबरसुरक्षा नहीं है। समस्या है कि हम दीर्घकाल में उन्नत AI को कैसे नियंत्रित करें — और यह समस्या, एंटरप्राइज़ सुरक्षा की खामियों को भूल भी जाएं तो, बहुत महत्वपूर्ण लगती है।"* ## [21:24] Mechanistic Interpretability Maxim का मानना है कि mechanistic interpretability — मॉडल वेट्स और एक्टिवेशन के अंदर वास्तव में क्या हो रहा है इसे समझना — संभव भी है और ज़रूरी भी। उनकी उल्टी-सी लगने वाली थीसिस: जैसे-जैसे मॉडल कुछ महत्वपूर्ण पहलुओं में इंसानों से ज़्यादा चतुर होते जाएंगे, वे दूसरे मॉडलों की आंतरिक संरचना हमसे बेहतर समझने में सक्षम होंगे। Onyx इस दिशा में अनुसंधान को सक्रिय रूप से वित्त पोषित कर रही है, न केवल एक सुरक्षा उपकरण के रूप में बल्कि बुद्धिमत्ता स्वयं क्या है इसे समझने की खिड़की के रूप में। Sarah इस दांव का समर्थन करती हैं। > *"जैसे-जैसे हमारे पास ऐसे मॉडल होने लगेंगे जो कम से कम कुछ महत्वपूर्ण तरीकों से हमसे ज़्यादा स्मार्ट हैं, हमें लगता है कि हम mechanistic क्षमता को कहीं अधिक प्रभावी ढंग से समझने लगेंगे।"* ## [23:35] Onyx ग्राहकों का भरोसा कैसे जीतती है Fortune 10 और 20 कंपनियां आमतौर पर 100 से कम लोगों वाले दो साल पुराने स्टार्टअप के साथ काम नहीं करतीं। जो नियम तोड़ रहा है वह है दर्द: CISO जो रोज़ाना एजेंट-एक्शन घटनाओं का सामना कर रहे हैं, उनके पास कोई स्थापित विक्रेता नहीं है क्योंकि यह समस्या तीन साल पहले मौजूद ही नहीं थी। Onyx को उन एंटरप्राइज़ से इनबाउंड मिलते हैं जिन्होंने उन्हें स्टील्थ से बाहर आते देखा क्योंकि समस्या का विवरण उनकी रोज़मर्रा की आग से मेल खाता था। Maxim इसे एक संकीर्ण, अस्थायी अवसर मानते हैं। > *"यह अवसर तभी मिलता है जब दर्द बहुत तीव्र हो। उनका दर्द इतना तीव्र है कि वे कहते हैं: 'मैंने देखा यह कंपनी अभी स्टील्थ से बाहर आई है, लेकिन यह मेरी रोज़ की समस्या है, तो मैं उन्हें कॉल करूंगा।'"* ## [25:10] बुनियादी स्तर पर जोखिम कम करना CISO की घबराहट की दूसरी लहर — एजेंट एक्शन से परे — है स्वचालित वल्नरेबिलिटी रिसर्च की गिरती लागत। कोडिंग टूल अब वल्नरेबिलिटी ढूंढ सकते हैं और उनका शोषण कर सकते हैं उस पैमाने पर जो कुछ साल पहले दशकों दूर लगता था। Maxim कहते हैं बाज़ार की प्रतिक्रिया अतिरंजित नहीं है: यह एक वास्तविक संरचनात्मक बदलाव है। सही प्रतिक्रिया दो-ट्रैक है: अभी तेज़ पैचिंग और शमन नियंत्रण, साथ ही बुनियादी नियंत्रणों में निवेश — लॉक्ड-डाउन पहचान, फ़ायरवॉल, एंडपॉइंट डिटेक्शन — जो हमलावर के टूल चाहे कुछ भी कर सकें, शोषण योग्य सतह को कम करे। > *"असली समाधान — और बड़े एंटरप्राइज़ के हर सुरक्षा प्रमुख यह जानते हैं — यह है कि हमें बुनियादी चीज़ें जगह पर रखनी होंगी ताकि इन जोखिमों से बचा जा सके।"* ## [27:45] Glasswing और Daybreak का चरणबद्ध रोलआउट Anthropic के Glasswing और OpenAI के Daybreak के अधिक सक्षम मॉडलों के नियंत्रित रोलआउट पर: Maxim की एक शर्त-वाली राय है। धीरे-धीरे रोलआउट तभी आदर्श है जब यह वैश्विक स्तर पर समन्वित हो — यह प्लेबुक बनाने, ज्ञान साझा करने और बिजली ग्रिड या एयरलाइंस जैसी जगहों पर विनाशकारी विफलताओं को रोकने का समय देता है। लेकिन अगर कोई भी अभिकर्ता चरणबद्ध कार्यक्रम से पहले इसी क्षमता का मॉडल जारी करे, तो क्रमिक दृष्टिकोण खुद देनदारी बन जाता है। उनकी सिफारिश है पहुंच को व्यापक रूप से बढ़ाना ताकि अधिक संगठन समानांतर में बचाव बना सकें। > *"अगर कोई किसी मेथड-लेवल मॉडल तक पहले पहुंच जाता है, तो पीछे मुड़कर देखने पर यह एक बड़ी गलती लगेगी — हम कम से कम कंपनियों को बहुत तेज़ी से आगे बढ़ने का विकल्प तो दे सकते थे।"* ## [29:11] बड़े एंटरप्राइज़ जो अभी भी पीछे हैं दो साल पहले, बड़ी कंपनियों का एक महत्वपूर्ण समूह AI पर पूरी तरह प्रतिबंध लगाता था। आज Maxim को यह लगभग नहीं दिखता। वित्तीय क्षेत्र अभी भी प्रतिबंध लगाता है — एजेंट्स की अनुमति लेकिन कुछ टूल पर पाबंदी — लेकिन पूर्ण प्रतिबंध गायब हो गए हैं। उनका तर्क है कि टूल लॉक-इन अपने आप में एक जोखिम है। इस बाज़ार की रफ्तार से सिर्फ एक विक्रेता के मॉडल पर दांव लगाने का मतलब है जब अगली पीढ़ी रैंकिंग बदल दे तो फंस जाना। > *"अगर आपने एक साल पहले OpenAI पर दांव लगाया होता, तो वह दुनिया का सबसे सुरक्षित दांव होता, लेकिन अचानक Anthropic के पास कहीं बेहतर मॉडल और टूल हैं।"* ## [30:46] Onyx और व्यापक AI सुरक्षा क्षेत्र AI सुरक्षा में नए विक्रेताओं और नई हमले की सतहों की भरमार है। उत्पाद दायरे की चिंता पर Maxim का जवाब: 2026 AI के दो मूल आधार — ट्रांसफॉर्मर-आधारित फाउंडेशन मॉडल और टूल-कॉलिंग एजेंट लूप — सालों में मौलिक रूप से नहीं बदले हैं। यह स्थिरता Onyx को कई एजेंट अनुप्रयोगों की ओर बनाने देती है जबकि उसकी मूल तकनीक दुबली रहती है। वास्तविक बचाव है उन शोधकर्ताओं में निवेश करना जो जल्दी रीट्रेन और अनुकूलित कर सकें। > *"2026 AI काम कैसे करता है, इसके दो मूल स्तंभ पिछले कुछ वर्षों में नहीं बदले हैं। हम अभी भी मोटे तौर पर LLM फाउंडेशन मॉडल हैं, और हम अभी भी एजेंट लगभग उसी तरह बना रहे हैं।"* ## [32:36] क्या लैब्स को मॉडल ट्रस्ट और गवर्नेंस संभालनी चाहिए? बे एरिया का ज़रूरी सवाल: क्या लैब्स आखिरकार ट्रस्ट और गवर्नेंस की समस्या खुद संभाल लेंगी? Maxim का संरचनात्मक तर्क इसके विरुद्ध: खरीदार कार बेचने वाले को कार प्रमाणित करने नहीं देना चाहते। सुरक्षा टीमों को एक स्वतंत्र पक्ष चाहिए जिसका पूरा व्यवसाय मॉडल सही होने पर निर्भर हो — अपने प्रोडक्ट की प्रतिष्ठा बचाने वाले विक्रेता पर नहीं। इसके अलावा, Maxim "जैगड इंटेलिजेंस" गलतियों और इरादे-स्तरीय विफलताओं के बीच रेखा खींचते हैं: विरोधी हेरफेर, गलत तरीके से संरेखित उद्देश्य, लक्ष्य बदलाव। लैब्स पहली श्रेणी ठीक करेंगी। केवल एक संरचनात्मक रूप से स्वतंत्र निरीक्षक दूसरी श्रेणी संभाल सकता है। > *"आप किसी प्रोडक्ट के विक्रेता पर भरोसा नहीं करेंगे कि यह प्रोडक्ट आपके माहौल को नुकसान नहीं पहुंचाएगा। आप एक ऐसा स्वतंत्र पक्ष चाहेंगे जिसका पूरा कारोबार इस बात पर निर्भर हो कि वह आपको बताए यह चीज़ सही है और सही साबित हो।"* ## [36:56] सुरक्षा में क्या बदलना ज़रूरी है Sarah पूछती हैं कि व्यापक टेक और रिसर्च समुदाय — खास तौर पर लैब्स — सुरक्षा के नज़रिए से क्या चूक रही हैं। Maxim का जवाब: यह तकनीकी खामी नहीं, सहानुभूति की खामी है। सुरक्षा उत्पाद बनाने के लिए यह गहराई से समझना ज़रूरी है कि सुरक्षा टीमें वास्तव में कैसे काम करती हैं — उनकी संगठनात्मक संरचना, जिम्मेदारियां, सूचना प्रवाह। इज़राइल मज़बूत सुरक्षा प्रतिभा पैदा करता है क्योंकि सैन्य सेवा इंजीनियरों को उस अंतिम उपयोगकर्ता का प्रत्यक्ष अनुभव देती है जिसके लिए वे बाद में निर्माण करते हैं। > *"चाहे आप कोई भी तकनीकी समस्या हल कर रहे हों, आप लोगों के लिए एक टूल बना रहे हैं, एक ऐसे संगठन के लिए जिसकी एक निश्चित संरचना है। इस दर्शक वर्ग के लिए ऐसा प्रोडक्ट बनाना जो सिर्फ तकनीकी समस्या न हल करे बल्कि उन्हें सच में पसंद भी आए — यह बहुत मुश्किल है।"* ## [39:14] Maxim AGI पर इतने आश्वस्त क्यों हैं Sarah ध्यान दिलाती हैं कि Maxim की बातों में यह अंतर्निहित विश्वास है कि कुछ वर्षों तक इंसानी सुरक्षा टीमें रहेंगी। वे पुष्टि करते हैं — लेकिन एक समयरेखा के साथ: सुरक्षा टीमें निकट भविष्य में पूरी तरह AI-एजेंट संचालित होंगी, जैसे अधिकांश ज्ञान कार्य होगा। AGI आशावाद का उनका व्यावहारिक संस्करण यह है कि महान प्रोडक्ट बनाने का काम नहीं बदलता: हमेशा जानो अंतिम उपयोगकर्ता कौन है और उनके अनुभव को बेहतर बनाओ। अभी वह इंसान हैं जिनके साथ कुछ एजेंट हैं। जैसे-जैसे अनुपात पलटेगा, वही सिद्धांत लागू होगा — बस डैशबोर्ड की जगह कॉन्टेक्स्ट विंडो पढ़ने वाले एजेंट्स पर। > *"आज जब मैं कोई प्रोडक्ट बेचता हूं तो मैं इसे इंसानी दर्शकों को बेचता हूं जिनके साथ कुछ एजेंट हैं, और जैसे-जैसे वह दर्शक वर्ग इंसानों से ज़्यादा एजेंट का हो जाएगा, हमारे लिए यह ज़रूरी होगा कि हम विकसित हों और इसे एजेंट्स के लिए वास्तव में अच्छी तरह काम करने दें।"* ## इकाइयाँ - **Maxim Bar Kogan** (व्यक्ति): Onyx Security के सह-संस्थापक और CEO; पूर्व इज़राइली खुफिया, गणित और आक्रामक साइबर में पृष्ठभूमि। - **Sarah Guo** (व्यक्ति): No Priors की होस्ट; Conviction की संस्थापक और GP। - **Onyx Security** (संगठन): इज़राइल-स्थित स्टार्टअप जो AI निगरानी इन्फ्रास्ट्रक्चर बनाती है — एंटरप्राइज़ AI एजेंट्स की निगरानी और शासन के लिए विशेष छोटे मॉडल ट्रेन करती है। - **AutoGPT** (सॉफ्टवेयर): प्रारंभिक ओपन-सोर्स स्वायत्त LLM एजेंट; Maxim द्वारा उस मोड़ बिंदु के रूप में उद्धृत जिसने एजेंटिक जोखिम को ठोस बनाया। - **Glasswing / Daybreak** (सॉफ्टवेयर): फ्रंटियर मॉडल एक्सेस के लिए Anthropic और OpenAI के नियंत्रित रोलआउट कार्यक्रम। - **Mechanistic Interpretability** (अवधारणा): अनुसंधान कार्यक्रम जिसका उद्देश्य न्यूरल नेटवर्क की आंतरिक वेट और एक्टिवेशन संरचना को समझना है; Onyx इसे AI निगरानी का दीर्घकालिक स्तंभ मानती है। - **Secure Control Plane** (अवधारणा): Onyx की उत्पाद श्रेणी — एक विक्रेता-स्वतंत्र परत जो एजेंट अनुमतियों, एक्शन वैधता और व्यवहार इतिहास की रियल-टाइम निगरानी करती है। - **8200** (संगठन): इज़राइली खुफिया इकाई जिसे इज़राइल की शीर्ष सुरक्षा और टेक प्रतिभा पैदा करने का श्रेय दिया जाता है, जिसमें कई Onyx इंजीनियर शामिल हैं।

Andrew Feldman, CEO of Cerebras, details the company's journey from a controversial 'wafer-scale' architecture to a $63 billion public valuation. He explains how their radical hardware design delivers 15-20x faster AI inference than traditional GPUs, enabling new business models and a fundamental reorganization of productivity. ## [00:00] – Cold Open Andrew Feldman compares the impact of AI speed to Netflix's transition from DVD delivery to streaming, noting that extreme speed opens entirely new business models. He predicts a fundamental reorganization of productivity as AI moves beyond basic coding and design tasks. > *that's what happens with speed and I think that's what fast AI does right now [00:10]* ## [00:41] – Andrew Feldman Introduction Host Sarah Guo introduces Andrew Feldman and highlights Cerebras' recent IPO and its current $63 billion market cap. The discussion frames the company's transition from early machine learning research to dominating the foundation model inference market. > *Serbust recently went public and is currently worth about $63 billion in the stock market. [00:54]* ## [00:48] – Cerebras’ Evolution Feldman describes Cerebras as a builder of AI-optimized computers that outperform GPUs by up to 20x in inference tasks across all model sizes. He attributes their recent success to AI models becoming smart enough for daily utility in 2025, leading to massive contracts with OpenAI and AWS. > *we're the the fastest at inference, not by little, but by a lot, 15, 18, 20x faster than GPUs. [01:39]* ## [02:17] – Wafer-Scale Bet Pays Off The conversation explores Cerebras' unique 'wafer-scale' architecture, which utilizes a single chip the size of a dinner plate. Feldman argues that radical performance improvements require radical designs, noting that critics initially dismissed the approach as impossible. > *we chose wafer scale, which means we build a 46,000 square millimeter chip, a chip the size of a dinner plate [03:39]* ## [06:38] – Challenges and Breakthroughs Feldman recounts a high-stakes period between 2017 and 2019 when the team struggled to make the technology work while spending $8 million monthly. He emphasizes that while the technical breakthrough occurred in 2019, market demand only exploded once AI became an essential daily tool. > *We had a period between about 2017... and middle of 2019 where we couldn't build it. [07:34]* ## [08:37] – Crossing the Market Chasm Feldman describes the early years where Cerebras had superior technology but struggled to find a market, eventually finding success in supercomputing labs. A pivotal $1 billion order from sovereign partner G42 provided the capital and scale necessary to battle-test their hardware and prepare for the AI explosion. > *We had a 2 or three year period where we were ahead of the market and absolutely nobody cared that we were blisteringly fast. [09:00]* ## [10:38] – Scaling Software and Hardware Scaling a hardware company involves physical constraints like manufacturing lines, power requirements, and test fixtures that software companies do not face. Feldman also highlights the long-term nature of deep tech development, noting that building a high-quality compiler takes nearly a decade of engineering effort. > *When you're building things... you have to call your manufacturing partner... Each step takes real time and effort to grow. [11:24]* ## [12:03] – Relevance of AI-Generated Coding Cerebras has aggressively adopted AI-generated coding, with token spending per engineer increasing significantly to support the use of autonomous agents. Feldman observes that certain engineers are becoming '100x' contributors by governing multiple agents for coding and QA tasks. > *They've moved their coding style to being one in which they govern agents... they've gone from being sort of 10x guys to being 100x guys. [13:12]* ## [13:31] – Leadership and Hiring Culture With a $20 billion backlog and a growing team of over 800 people, Feldman emphasizes the need to avoid corporate malaise by continuing to take extraordinary risks. He views himself as a 'professional David' who thrives on solving problems that others deem impossible while competing against Nvidia. > *We would much rather fail in pursuit of the extraordinary than succeed in the ordinary. [15:01]* ## [17:16] – When to Quit vs. Persist Andrew Feldman describes himself as a 'professional David' who thrives on competing against larger incumbents through intellectual superiority. He emphasizes that founders must guard against the 'slippery slope' of persistence by using external mentors to hold them accountable to their original hypotheses. > *The slippery slope is a beast... you have to guard against it. [18:32]* ## [19:40] – Why Cerebras Went Public The transition to a public company is framed as a way to reduce the cost of capital and gain legitimacy with large-scale corporate clients. Feldman notes that Cerebras chose the IPO path to differentiate itself as the market's only 'AI pure play' revenue stream. > *For us it was an opportunity to graduate from corporate adolescence to corporate adulthood. [23:22]* ## [22:57] – The OpenAI Deal Feldman recounts the intense four-and-a-half-week period during which Cerebras finalized a $20 billion deal with OpenAI, driven by a sudden demand for fast inference. The deal moved at an unprecedented pace, involving constant work through the holiday season to meet technical requirements. > *For a 20 plus billion dollar deal to do it in four and a half weeks was exceptional. [24:59]* ## [25:54] – Open Source and Post-Trained Workloads Andrew Feldman highlights how the open-source ecosystem sustains market interest and pressures closed-source developers to innovate. He emphasizes that seeing external developers build creative solutions on Cerebras hardware is a core motivation for the company's infrastructure goals. > *You got to love other people's ideas to take flight on on what you built. [28:04]* ## [27:37] – How Speed Opens Up New Business Extreme speed in AI enables fundamental shifts rather than just incremental improvements, using Netflix's transition from DVDs to streaming as a primary example. Feldman argues that the ambition for speed is a competitive advantage, as seen in the rapid construction of data centers. > *when the internet got fast they became a movie studio right that's what happens with speed [28:38]* ## [30:07] – Conclusion Drawing parallels to the PC and cloud revolutions, Feldman predicts that AI will move beyond replacing specific tasks to fundamentally reorganizing how work is performed. This shift is expected to trigger massive jumps in global productivity as new business models emerge around the technology. > *once we start sort of fundamentally reorganizing around this, you're going to see this sort of new business models and fundamental jumps in productivity. [29:53]* ## Entities - **Andrew Feldman** (person): Co-founder and CEO of Cerebras - **Cerebras** (organization): AI hardware company known for wafer-scale engine technology - **OpenAI** (organization): AI research organization that signed a multi-billion dollar deal with Cerebras - **G42** (organization): A sovereign AI and technology holding company that placed a $1 billion order with Cerebras - **Nvidia** (organization): Leading GPU manufacturer and dominant competitor in the AI chip market - **Sarah Guo** (person): Host of No Priors and venture capitalist - **AWS** (organization): Amazon's cloud computing division deploying Cerebras hardware - **Netflix** (organization): Used as an analogy for how speed changes business models from delivery to production

US Under Secretary of State Jacob Helberg No Priors पर वापस आए हैं Pax Silica का खुलासा करने के लिए, जो एक 14-देशों का economic-security coalition है और जो पूरी AI supply chain को सुरक्षित करने के लिए बना है, chips से लेकर rare-earth magnets और robot actuators तक। flagship project है: Philippines में 4,000 एकड़ जमीन, US को एक "forward-deployed industrial base" के लिए दी गई, जिसका उद्देश्य liberal-democratic capitalism के लिए वही करना है जो China के Belt and Road ने state-led infrastructure के लिए किया, लेकिन state-owned enterprises की जगह private companies और venture capital द्वारा संचालित। Sarah Guo और Elad Gil ने Helberg से policy की टिकाऊपन, VCs की भूमिका, और इस बारे में प्रश्न किए कि वे America को "global underdog" क्यों कहते हैं। ## [00:00] Cold Open Helberg Pax Silica के दार्शनिक मूल के साथ शुरुआत करते हैं: US, state-run factories से supply-chain प्रतिस्पर्धा नहीं जीतेगा। हमारी ताकत हमारा private sector और हमारी कंपनियाँ हैं, Steve Jobs का "enchant and delight" अरबों लोगों तक पहुँचाया गया। इसलिए रणनीति यह है कि American builders के साथ मिलकर ऐसे platforms बनाए जाएँ जो अंततः government के बाहर commercial services के रूप में काम कर सकें। > *हम government-operated supply chains नहीं बनाएँगे क्योंकि एक देश के रूप में यही हमारी ताकत नहीं है। हमारी असली ताकत हमारा private sector और हमारी कंपनियाँ हैं।* ## [00:41] Jacob Helberg का परिचय Sarah और Elad ने Helberg को फिर से introduce किया, जो अब Under Secretary of State for Economic Affairs के रूप में confirmed हैं। इस घंटे का framework: Pax Silica एक बहुराष्ट्रीय प्रयास है जो US और उसके सहयोगियों के लिए AI supply chain सुरक्षित करने का काम करता है। > *Jacob, यहाँ आने के लिए बहुत-बहुत धन्यवाद। हाँ, शामिल होने के लिए धन्यवाद। आमंत्रण के लिए धन्यवाद।* ## [01:02] Pax Silica का मिशन Helberg ने Pax Silica को अपने Hudson Institute के भाषण से जोड़ा जिसने supply chains के लिए "ecosystems-based" दृष्टिकोण की रूपरेखा दी। Coalition अब 14 देशों तक फैली है। पहली ठोस product rollout थी Philippines की व्यवस्था: 4,000 एकड़ जमीन US को एक forward-deployed industrial base के लिए दी गई। उन्होंने इस दाँव को American common-law की पूर्वानुमानशीलता और Philippine industrial तुलनात्मक लाभों के संयोजन के रूप में पेश किया और इसे AI supply chain का product launch equivalent बताया। > *Pax Silica एक economic security coalition है जिसमें अब 14 देश शामिल हैं और इसका उद्देश्य हमारी supply chains, विशेष रूप से AI supply chain, के लिए ecosystems-based दृष्टिकोण अपनाना है।* ## [03:51] AI Chip Supply Chains में निवेश AI supply chain chips से कहीं ज़्यादा विस्तृत है, "हजारों inputs जैसे precision reducers और server motors और rare earth magnets और actuators" और लगभग सभी में US का concentration risk बेहद अधिक है। Helberg का framework है उन geographies को चुनना जिनके पास पहले से indigenous industrial depth और values alignment हों। Philippines दोनों में fit होता है: एक गहरा manufacturing ecosystem और एशिया में US का सबसे पुराना सहयोगी। Robotics को chips के बाद अगली bottleneck के रूप में स्पष्ट ध्यान मिला। > *AI supply chain में वास्तव में हजारों inputs शामिल हैं जैसे precision reducers और server motors और rare earth magnets और actuators और एक देश के रूप में लगभग इन सभी inputs में हमारा concentration risk बेहद अधिक है।* ## [05:43] Pax Silica की तुलना China के Belt and Road Initiative से स्वाभाविक तुलना, और Helberg उसमें खुद को झोंक देते हैं। Belt and Road, उन्होंने audience के लिए समझाया, 25 साल के state-owned enterprises थे जो government-operated roads, bridges, railways, mines और processing plants विदेशों में बना रहे थे, infrastructure एक foreign-policy tool के रूप में। Pax Silica जानबूझकर model को पलट देता है: assets private और commercially viable हैं, government की भूमिका friction कम करना और allies को align करना है, और लक्ष्य है sticky economic interdependence न कि political leverage। Helberg का तर्क है कि यह ज़्यादा टिकाऊ और पारदर्शी दोनों है। > *मूलभूत रूप से यह था कि state-owned enterprises ने सरकार द्वारा संचालित railways, government द्वारा बनाई सड़कें और पुल बनाए।* ## [12:38] Pax Silica का Value Proposition Partner देशों के लिए pitch सरल है: AI पहले से ही US GDP वृद्धि के एक तिहाई से अधिक को fuel कर रही है और copper, cobalt, electricians और data center में जाने वाले हर input की record माँग पैदा कर रही है। जो देश उस supply chain के विभिन्न layers में सार्थक हिस्सेदारी लेते हैं वे ऐसी growth हासिल करते हैं जो वे अन्यथा नहीं कर सकते। Helberg tech inflection points की non-zero-sum प्रकृति पर ज़ोर देते हैं। > *Pie बहुत तेज़ी से बढ़ती है। इसलिए यह zero-sum नहीं है, जो इसे बेहद फायदेमंद संबंध बनाने के लिए अनुकूल बनाता है।* ## [14:38] US में बनाम साझेदारी में निर्माण Elad ने स्पष्ट सवाल पूछा: US में क्या रहता है बनाम क्या partner किया जाता है? Helberg का framework है consumption-versus-production। US दुनिया की 4% जनसंख्या है लेकिन ज़्यादातर categories में global output का 20-30% consume करता है और बहुत कम produce करता है। उस gap को बंद करने से ही America का reindustrialization होगा। कुछ चीज़ें (state-of-the-art fabs, defense-critical capabilities) domestic होनी चाहिए। अन्य (mineral processing, कुछ components) partner countries में बेहतर हैं। instinct autarky नहीं बल्कि supply chain का allies में deliberate redistribution है। > *America किसी भी तिमाही में global consumption का 20 से 30% हिस्सा consume करता है।* ## [19:10] Rare Earth Mineral की कीमतें Elad ने rare earths पर ज़ोर दिया: वास्तव में rare नहीं, कुल market केवल कुछ billion dollars, China द्वारा control lever के रूप में heavily subsidized। Helberg सहमत हुए और economics को reframe किया: rare-earth competitiveness को जो determine करता है वह geological scarcity नहीं बल्कि energy intensity और extraction की grade-quality है। इसका मतलब है कि policy question energy abundance और processing capacity के बारे में है, नए deposits खोजने के बारे में नहीं। > *उन industries की economics को वास्तव में drive करता है यह है कि आपको एक निश्चित quality grade पर एक mineral निकालने के लिए ज़मीन में कितनी energy डालनी पड़ती है।* ## [22:16] Pax Silica में Venture Capital की भूमिका Sarah ने "एक दोस्त की ओर से" पूछा कि private capital की क्या भूमिका है। Helberg का जवाब एक State Department official के लिए असामान्य रूप से direct था: VCs founders और operators को assess करने में government से बेहतर हैं, और execution capacity यह determine करती है कि ambitious projects reality से संपर्क में टिकती हैं या नहीं। वे venture ecosystem को एक signal layer के रूप में चाहते हैं, government allocation उस पर ride कर सके जहाँ credible operators पहले से जा रहे हैं। > *आप founders और operators के personality attributes को assess करने के लिए hardwired हैं।* ## [24:50] निकट बनाम दीर्घकालिक प्राथमिकताएँ 2027-2028 deliverables और five-year plays में कैसे balance करें? Helberg का जवाब है environment-setting, timelines picking नहीं। Administration का दृष्टिकोण macro environment को इस तरह shape करना है कि short-term iteration और long-term capital-intensive plays दोनों आसान हों, red tape काटना, domestic energy supply बढ़ाना, nuclear quadruple करना। > *Environment को shape करना, एक ऐसा macro environment बनाना जो मूलभूत रूप से innovation, innovations की iteration और innovations की deployment को बहुत आसान और कम महँगा बनाए।* ## [27:09] AI Policy को टिकाऊ बनाना Elad ने executive-order problem उठाई: हर administration पिछली के orders रद्द करती है। Pax Silica किसी transition से कैसे बचेगा? Helberg ने नोट किया कि कुछ चीज़ें जैसे tax reform बहुत sticky हैं और उनकी भूमिका उन्हें electoral commentary से bar करती है। वे durability question का पूरा जवाब नहीं देते, जो खुद में एक जवाब है: durability legislation और ground facts से आनी होगी। > *Tax reform बहुत sticky है।* ## [28:09] नीतियाँ Entrepreneurs को कैसे प्रभावित करती हैं American business owners और operators के लिए Pax Silica को market-access platform के रूप में positioned किया गया है, US companies के लिए Japan, South Korea, India और Singapore जैसे allied markets में बेची जाने वाली चीज़ों का विस्तार। Helberg विशेष रूप से operators से feedback चाहते हैं, पहले से चल रही partnerships, supply-chain decisions जो executives अब ज़्यादा deliberately ले रहे हैं, और policy fixes जो cross-border collaboration को unblock करें। > *हम इसे हमारी कंपनियों के लिए market access expand करने के platform के रूप में उपयोग करना चाहते हैं।* ## [31:00] Trump का Entrepreneurial प्रशासन जब पूछा गया कि State में शुरू होने के बाद सबसे बड़ा surprise क्या रहा, Helberg ने administration की speed और risk appetite को बताया, "Trump time," overseas counterparts के साथ running joke। वे इसका श्रेय एक ऐसे President को देते हैं जिन्होंने अपने जीवन का अधिकांश समय private sector में बिताया और एक cabinet जो bureaucratic के बजाय private-sector instincts से काम करती है। > *हम Trump time में चलते हैं।* ## [33:00] America एक Global Underdog क्यों है Sarah ने Helberg के America को "global underdog" बताने के framing पर ज़ोर दिया। Helberg ने Graham Allison के Thucydides Trap को invoke किया और framing को चुनौती दी: America की founding से ही पहचान underdogs की एक nation रही है, 13 अव्यवस्थित colonies polite society के empire के खिलाफ बगावत करती हुईं, बार-बार decline की भविष्यवाणी की गई, बार-बार establishment-class predictions गलत साबित हुईं। यह तर्क American risk-taking culture की एक defense के रूप में और closing pitch के रूप में उतरता है: देश तब जीतता है जब वह underdog की तरह behave करता है न कि incumbency defend करके। > *हम हमेशा underdogs की एक nation रहे हैं।* ## व्यक्ति एवं संस्थाएं - **Jacob Helberg** (व्यक्ति): US Under Secretary of State for Economic Affairs; Pax Silica के architect। - **Sarah Guo** (व्यक्ति): No Priors host; Conviction में founder और GP। - **Elad Gil** (व्यक्ति): No Priors host; independent investor और serial entrepreneur। - **Pax Silica** (अवधारणा): US State Department के नेतृत्व में एक 14-देशों का economic-security coalition, जो forward-deployed industrial bases और private-sector partnerships के ज़रिए AI supply chain सुरक्षित करने का लक्ष्य रखता है। - **Belt and Road Initiative** (अवधारणा): China का 25-वर्षीय state-led overseas infrastructure program, जिसके विरुद्ध Pax Silica खुद को खड़ा करता है। - **Philippines Forward-Deployed Industrial Base** (परियोजना): US को industrial build-out के लिए दी गई 4,000 एकड़ जमीन, Pax Silica का पहला flagship project। - **Thucydides Trap** (अवधारणा): Graham Allison का framework जो US-China को established-power-vs-rising-power के रूप में characterize करता है; Helberg established-power framing को अस्वीकार करते हैं। - **Trump Administration** (संगठन): Pax Silica की policy speed और risk appetite ("Trump time") को frame करता है, cabinet members Scott Bessent और Howard Lutnick referenced।

Long Lake Management के co-founder और CEO Alexander Taubman, Elad Gil के साथ बात करते हैं — कंपनी का $6.3 billion का समझौता American Express Global Business Travel को acquire करने का, जिसे Elad दुनिया का पहला AI take private कहते हैं। Taubman बताते हैं कि Long Lake का horizontal AI platform, Nexus, कैसे services verticals में deploy होकर headcount घटाने की बजाय growth को बढ़ाता है। कंपनी Berkshire-style में खरीदकर लंबे समय तक रखती है — यह दांव लगाते हुए कि वर्षों तक AI productivity gains को compound करना किसी भी short-term flip से बेहतर है। ## [00:00] Alexander Taubman का परिचय Elad Gil बताते हैं कि Long Lake ने Amex GBT — दुनिया का सबसे बड़ा corporate travel platform — को $6.3 billion में acquire करने से पहले अपनी AI-transformation thesis के तहत करीब 30 acquisitions पहले ही कर लिए थे। > *"Long Lake ने हाल ही में American Express Global Business Travel को $6.3 billion में acquire करने का इरादा जाहिर किया — जो मेरे ख्याल में दुनिया का पहला AI take private है।"* ## [00:30] Long Lake का Nexus Platform Nexus model-agnostic है और foundation models तथा हर acquired business के data sources, skills और workflows के बीच काम करता है। Infrastructure का करीब 80% हिस्सा verticals में share होता है; बाकी 20% deployment का काम है — workflows की mapping, data sources की सफाई, और engineers को field में embed करना। जो काम पहले एक साल से ज्यादा लेता था, वह अब acquisition close होने के कुछ दिनों के भीतर हो जाता है — तुरंत time savings मिलती है जिसे Long Lake cost cuts की बजाय growth में लगाती है। > *"हम actually cost saving पर focus नहीं कर रहे। हम growth और customer experience drive करने पर focused हैं। यही हमारा बड़ा model है — और हमने देखा है कि यह कहीं ज्यादा powerful है क्योंकि AI के बारे में हमारा नज़रिया है कि यह incredibly positive sum है।"* ## [03:35] Retention और Talent Flywheel Nexus से लैस employees ज्यादा customers संभालते हैं, कम गलतियां करते हैं, और ज्यादा कमाते हैं — और नौकरी छोड़ने का मतलब उस mundane काम पर वापस लौटना है जिसे Nexus ने खत्म कर दिया था। यह friction एक असली talent magnet बन रहा है। जो portfolio companies पहले 0–5% सालाना grow कर रही थीं, वे अब organically 20% से ज्यादा grow कर रही हैं। > *"अगर आप अभी Long Lake या हमारी किसी partner company को छोड़कर competitor के पास जाते हैं, तो आपको वो सारा mundane काम फिर से करना पड़ेगा — जो आपके दिन का 25%, 30% हिस्सा था। और यह सोचकर ही ऐसा लगता है जैसे email छोड़ना हो।"* ## [05:01] Acquisition बनाम Software बेचना Services businesses में software बेचने का मतलब है पतला feedback loop और change management पर कोई नियंत्रण नहीं। कंपनी का ownership रखने से Long Lake के engineers उन्हीं field workers के साथ एक ही कमरे में — अक्सर literally एक ही state में — बैठते हैं जिनकी pain points वे solve कर रहे हैं। यह skunk-works colocation model, loop को महीनों से घटाकर दिनों में ले आता है। > *"हमारी team हमारे employees और field में काम करने वाले team members को ही customer मानती है — और वह internal feedback loop। यही दूसरा point है। हमारे पास कहीं ज्यादा tight feedback loop है।"* ## [06:57] Long Lake की Founding Team का निर्माण Long Lake को तीन disciplines को मिलाने के लिए purpose-built किया गया था: private equity M&A, applied AI engineering, और change management। पहले 20 hires सब network से आए — ऐसे engineers जो applied AI startups के co-founders या CTOs थे लेकिन services industries में distribution नहीं पा सके। M&A leads GTCR, Blackstone, TPG और HIG से आए, खासकर इसलिए क्योंकि वे firms AI-native नहीं हैं। > *"ऐसा लगा जैसे एक बहुत बड़ा gap था — इसीलिए हमारी founding team के लिए जो लोग एक साथ आए, उनमें से कई technology में पहले founders थे। engineering team में कई के अपने startups थे।"* ## [10:37] American Express Global Business Travel को Private लेना Amex GBT Long Lake के target industries के whiteboard पर था क्योंकि corporate travel mission-critical है और failure का cost बहुत ज्यादा है — एक missed trip एक real business loss है। 1915 में American Express द्वारा World War I के दौरान Europe से Travelers check customers को निकालने के लिए बनाई गई, यह 111-year-old franchise पहले ही AI transformation का roadmap publicly बना चुकी है। Long Lake का plan है Nexus को उस existing strategy के ऊपर deploy करना और हर travel counselor को AI superpowers देना। > *"ज़रा imagine करें — AI superpowers वाला travel counselor। यही वह भविष्य है जो हम Amex GBT के customers के लिए देख रहे हैं।"* ## [13:36] Management में Berkshire Hathaway का दृष्टिकोण Traditional PE companies में debt लाद देता है, cuts करता है और तीन से पांच साल में flip कर देता है। Long Lake इस model को स्पष्ट रूप से नकारती है: बेहतर tools → बेहतर लोग → बेहतर customer outcomes → तेज growth — इसके compounding effects को crystallize होने में दो से पांच साल लगते हैं, और उस वक्त बेचने का मतलब फायदा खोना होगा। Danaher और Transdigm का operating playbook — differentiated system के साथ fragmented industries को consolidate करना — का explicit reference है, जिसे services में AI को edge के रूप में apply किया गया है। > *"आप industry की सबसे अच्छी company बनाएंगे और फिर उसे बेच देंगे? यह मुझे समझ नहीं आता। मैं तो उस company को हमेशा के लिए रखना चाहूंगा और उस advantage को दशकों तक compound करना चाहूंगा।"* ## [16:37] AI Strategy से Long Lake कैसे अलग है Enterprise AI अभी real use cases में करीब 1% penetrated है। Sellers traditional PE की बजाय Long Lake को चुनते हैं क्योंकि यहां permanent capital, एक engineering team जो सालों तक आपके साथ रहती है, और day one पर deploy होने वाला platform मिलता है। Founders और management teams को नई structure में equity roll करने के लिए encourage किया जाता है ताकि वे upside में भागीदार हों। जैसे-जैसे Long Lake का track record बनता है, Taubman को उम्मीद है cost of capital घटेगी — जिससे firm बिना price पर जीते भी ज्यादा competitive bidder बन जाएगी। > *"एक long-term permanent capital partner होना तो पहले से ही एक wonderful बात है — लेकिन वह partner जिसके पास deep applied AI engineering expertise हो और एक ऐसा platform जो day one पर deploy हो सके — यही बात लोगों को सच में resonate करती है।"* ## [19:32] AI से Services का Scale होना Labor-intensive services businesses को growth का एक कठिन tax झेलना पड़ता है: 20% ज्यादा revenue जोड़ने के लिए अक्सर 20% ज्यादा staff hire करना पड़ता है, और labor costs के बाद हर incremental revenue dollar में से सिर्फ 20 cents बचते हैं। Nexus existing team की productivity को 30–40% बढ़ाता है, इस equation को तोड़ता है। कुछ portfolio company CEOs — जो दशकों से business चला रहे हैं — कहते हैं कि यह उनके career का सबसे अच्छा दौर है क्योंकि वे अब software-like incremental margins के साथ grow कर रहे हैं। > *"जब आप अपनी existing teams को 30 से 40% ज्यादा efficient बनाते हैं और वे ज्यादा customers handle कर सकती हैं, तो पूरे organization की सोच बदल जाती है। अब आप grow कर रहे हैं। अब आप software company जैसे दिखते हैं — high incremental margins के साथ।"* ## व्यक्ति एवं संस्थाएं - **Alexander Taubman** (व्यक्ति): Long Lake Management के co-founder और CEO; $6.3B के Amex GBT take-private के नेतृत्वकर्ता - **Elad Gil** (व्यक्ति): No Priors के host; independent investor और serial entrepreneur - **Long Lake Management** (संस्था): AI-driven roll-up firm; Nexus platform से services businesses को acquire और transform करती है - **Nexus** (Software): Long Lake का horizontal AI platform; model-agnostic, verticals में 80% shared infrastructure - **American Express Global Business Travel / Amex GBT** (संस्था): 111 साल पुराना corporate travel platform; Long Lake के $6.3B take-private bid का विषय - **AI take-private** (अवधारणा): किसी publicly listed company को AI-transformation के explicit इरादे से acquire करना — Amex GBT के साथ Long Lake का deal इस तरह का पहला माना जाता है - **Danaher / Transdigm** (संस्था): Operating conglomerates जिन्हें Long Lake की long-term, compounding acquisition strategy के model के रूप में cite किया गया है