播客听见世界的声音，看见思想的刻度

本集录制于 Microsoft Build 现场，No Priors 与 Latent Space 联合出品，Sarah Guo、Elad Gil 与 swyx 共同对话萨提亚·纳德拉。萨提亚认为，当前这一轮平台跃迁只有一个核心检验：每家公司能否用自己的前沿智能——自己的私有评测、自己训练的编排框架、自己的上下文——站到前沿位置？在这 42 分钟里，他逐一拆解了微软 MAI 模型家族的布局逻辑、为何企业编排框架（而非模型本身）才是持久护城河、SaaS 商业模式将如何拆分重组，以及为何"超级杠杆型通才"——那种能设计、能写代码、能上线产品的全栈构建者——会成为这个时代最具决定性的角色。 ## [00:00] 萨提亚·纳德拉介绍 节目以一段来自访谈末尾的片段开场：萨提亚断言，世界终将对任何要求盲目信任的科技公司产生怀疑，整个行业必须拿出切实可见、可量化的成果，才能赢得大规模运营的社会许可。Sarah Guo 与 swyx 在 Build 的联合舞台上欢迎他到来，萨提亚表示自己两档播客都在持续收听。 > *"世界将会对科技和科技公司变得非常怀疑——那些说'相信我们，一切都没问题，未来会很美好'的公司。你必须拿出切实的成果，因为这一次太重要了。"* ## [01:48] Microsoft Build 的感悟 萨提亚从 Build 主题演讲中带走的最重要一点：别再把这场竞争看成模型之争，而是生态系统的博弈。微软历次平台跃迁——Windows、Azure、Office——成功的共同原因，是平台之上创造的价值远超微软自身所攫取的部分。他说，当天上午的主题演讲，是要给每一家公司——无论是 AI 原生还是传统企业——一份清晰的路线图，让它们成为真正的主动参与者，能够指着自己*创造*的 AI，而不只是租来的 AI。 > *"平台的定义，从根本上在于它在平台之上创造的价值，是否超过平台自身所截留的价值。"* ## [03:12] 微软的 AI 训练策略 MAI 模型家族起步于对预训练数据质量的执念——将那些让开源模型在基准测试上看起来强劲、实际部署却脆弱不堪的噪声一一剔除。萨提亚介绍了"爬坡脚手架"方法：一家公司拿到 GPT-5 这样的前沿模型，从真实工作流中收集轨迹数据，再用这些数据训练一个 50 亿参数的小型推理模型——这个小模型在公司*私有*评测上的表现能超越更大的模型。Build 上展示的 Lando Lakes Demo 正是这一方法的实践。他的结论是：私有评测的战略重要性已经超过任何公开基准，因为公开基准都可以被刷满。 > *"每家公司都会有自己的私有评测。围绕我们模型的端到端平台故事，是我认为真正有意思的地方。"* ## [05:48] AI 真实部署的复杂性 Elad Gil 问萨提亚，如果回到两三年前会对自己说什么。他的回答是：扩展规律是对的，能力确实在攀升——"智能是算力的对数"这个判断大体成立。整个行业低估的，是真实部署的复杂程度：如何让模型在基准测试之外持续创造可量化的价值。他点出的症状是用户"我不想要 token 上限"的抱怨——他把这理解为行业先做出了烧 token 的产品，才去想如何做出赚 token 的工作流。 > *"真正的评测，是当外面的人能做到只有他们自己才能体会到价值的事情，并且这是完全可量化的——这一点我希望我们当时就有更深刻的意识。"* ## [07:33] 扩大人力资本的杠杆 Sarah Guo 追问编码之外，哪些用例正在创造最大价值。萨提亚指出，编码本身效果太好，反而逼着 IDE 的设计范式不得不重构：100 个并行 agent 会话产生的认知负载太重，新的 UI（画布，而不仅仅是对话框）变得必不可少。编码之外，他最关注的模式是"粘合工作"的自动化——那些串联人类判断的协调、进度跟踪与交接工作。让 Autopilot 级别的 agent 在夜间带着授权静默运行，清晨推送一份完成摘要，可以把完整的工作流周期压缩数倍，瓶颈也从执行转移到了审核。 > *"如果你现在能用持久运行的长任务 agent 来扩展这些工作，那么你放大判断力和粘合工作的能力，就和编码领域一样强大。"* ## [09:37] 面向企业的编排框架 swyx 提出核心架构问题：编码 agent 需要一套编排框架（环境、上下文、工具集），那企业级生产力的等价编排框架是什么？萨提亚的答案是：微软的 GitHub 编排框架现在是 GitHub Copilot、Security Copilot 以及 Discovery for Science 产品的共同骨架——全部多模型，全部采用渐进式工具披露来控制 token 预算。真正的魔力，他说，在于上下文层：把正确的上下文注入计划执行器，是真实世界性能提升的主要来源。他以 MDaS 安全产品为例证明：多模型编排框架能发现专用模型漏掉的漏洞。 > *"为了让你的计划以最高效的方式执行，你在准备上下文层上需要做的工作——这才是魔力所在。"* ## [11:49] 开发者的价值所在 Sarah Guo 进一步追问矛盾所在：前沿实验室做自家产品，从中攫取了大部分营收——独立开发者在这个模式里靠什么捕获价值？萨提亚的论点是：智能的网络效应并不像 Windows 那样赢者通吃，因为模型从小而新颖的样本中学习，而非依赖数据量的垄断。这意味着开发者持久的资产，是那套私有评测——它让你能在任何前沿模型上爬坡，同时在换供应商时不丢失积累的优势。开放的编排框架加上私有评测，再加上精心策划的上下文，就是任何 AI 原生公司的新平台投入。 > *"每家公司都有私有评测，这可能是当下最重要的 IP——我想的是：拥有这样一套私有评测，你就能用任何前沿模型爬坡，同时不泄露训练轨迹。"* ## [15:09] 每家公司都能用自己的前沿智能跑在前沿吗？ 萨提亚把开发者大会的核心论点说透：平台存在的意义，就是让别人能在上面扩展并构建自己的智能层。没有这一点，开发者大会不过是为某个模型站台。他以 NVIDIA/CUDA 的类比为证——他半开玩笑地说希望是微软做了 CUDA——来说明最有力的平台举措，是当一个基础设施层让他人能够跑得远超平台商自己想象的边界。 > *"没有这一点，为什么要办开发者大会？我只需要让你们都跑来朝拜同一个模型。但那不是开发者大会。"* ## [15:51] 知识产权的现代定义 录制前的后台对话引出了一个问题：IP 在今天意味着什么？萨提亚的答案是：人力资本过去是不可化约的隐性知识，无法上资产负债表。Agent 轨迹改变了这一点。每一次人与 agent 在 Teams、GitHub 或 M365 内的交互，都是一条可以训练公司专属"老兵 agent"的轨迹——不是通才，而是吸收了*这家*公司创造价值方式的专家。萨提亚认为，这样的训练 agent 应该像今天的专利一样，出现在资产负债表上。 > *"当一家公司说它其实应该进入资产负债表——这就是我对那些通过时间和所有轨迹学习过来的 agent 的看法。"* ## [17:38] 供应商 Agent 与企业 Agent 的未来 Sarah Guo 提出"软件终结"的争论：如果工作流可以廉价生成，SaaS 栈里什么能留下来？萨提亚拆解了 SaaS 的纵向结构：底层数据模型（总账、实体关系）价值稳定，没有人想要一套新的总账 schema；封装在 PowerBI 语义模型之类产品里的业务逻辑同样留存。变化的是 UI 和可配置层，这部分可以动态生成。结果是拆分与重组，而不是全面替代。他以 Work IQ（M365 图谱作为 agent 可访问数据库暴露出来）为例：GitHub 仓库现在可以查询上周的会议记录并生成代码变更计划——这在结构上是以前根本不可能实现的用例。 > *"我打开一个 GitHub 仓库说，'嘿，我上周参加了一堆跟这个仓库相关的设计会议，能不能把那些内容都抓出来，告诉我应该做哪些代码变更？'它真的能翻出所有会议记录，然后给你一份修改代码库的计划。"* ## [21:48] 模型定价的近期走势 萨提亚梳理了定价演进的脉络：按用户订阅会持续存在，因为企业预算负责人需要确定性和权益归属。随着 agent 使用量增长，消费分级叠加其上。基于结果的定价理论上很吸引人，但心理上不稳定——客户在理论层面喜欢，真正收到账单时却会反弹，因为按结果付费感觉像在让渡版税。他的具体例子：GitHub Copilot 最初按交互式工具的用户数定价，但全天运行 10,000 个并行会话的 agent 工作流，需要在按用户计费基础上叠加一个消费计量器。 > *"大多数人都喜欢按结果付费，直到真的有了结果。因为一旦有了结果，就像在割让版税。"* ## [24:02] SaaS 的持久生命力 企业内部的"agent 狂热"——团队确信六个月内能重建整个 SaaS 栈——萨提亚预测，一个预算周期之后就会撞上维护现实。自建与采购的算盘是可量化的：当自建和维护的边际成本超过供应商报价时，买就对了。维护成本还包括安全补丁——AI 会更快发现漏洞，这意味着你必须更快修复，而修复需要 token。净结果：SaaS 作为品类会留下来，但那些不愿开放灵活定价和 agent 互操作性的供应商，会把客户拱手送给愿意开放的竞争对手。 > *"我认为我们已经经历了'我能生成大量软件'的兴奋期。下一阶段的问题将是：我真正想生成什么软件？我想从别人那里用什么软件？"* ## [25:58] 萨提亚在做什么 Elad Gil 问萨提亚个人在构建什么。他描述了自己用一周时间搭建的一个首席助理级 Autopilot agent，用到了 Work IQ、Azure Foundry 长任务 agent 以及 Rayfin 做记忆存储。agent 持续监控他的上下文，发布到 Teams 时自动完成部署。他更大的论点是：GitHub Copilot Sessions 已经让即使是 CEO 也能对代码库有实质性的掌控力——不是为了替代工程师，而是能够审视、学习，并对组织在构建什么拥有全栈视角。 > *"我说一句'发布到 Teams'，它就真的把这个东西发布到了 Teams。能端到端完成这样一个项目，真的很神奇。"* ## [28:18] 工程师角色的未来 swyx 问"四种工程师角色"的论断——agent 管理者、前线部署工程师、安全工程师、大规模基础设施所有者——能否描绘出未来的图景。萨提亚指向 LinkedIn 已经在结构上做出的事：创建了一个"全栈构建者"的职能，将设计、产品管理与前端工程合而为一，同时保留各自的专业深度。角色扩展了边界，但没有抹去专业化。他把基础设施列为另一个增长领域——为 Excel 这样的 agent 构建强化学习环境是一个分布式系统问题，而不是产品问题。但他最坚定的判断，还是在超级杠杆型通才身上：那个过去只写 Word 文档和表格的人，现在能在同样的认知投入下直接上线一款应用。 > *"通才角色将会是最令人振奋的，因为通才的杠杆效应，正是我们能看到最大回报的地方。"* ## [30:54] 微软如何更有野心 Sarah Guo 引用了她合伙人的一篇文章，认为现在正是激进进取的时机。萨提亚的框架是：关键一步是给自己权限去做"元工作"——不是去执行任务，而是构建那个执行任务的 agent 系统。他以 Azure 网络团队为核心案例：面对在 15 个月内建成超过前 15 年总和的 Azure 容量这一挑战，网络工程师们说自己的工作不再是光纤运维，而是构建那个做光纤运维的 agent 系统（"Miles"）。他们告诉萨提亚，需要的不是更多人力，而是更多 token。这种重新定义工作本质的方式，就是野心的解锁——类比于 PC 时代的本质从来不是打字，而是知识工作。 > *"我们的工作不是做 Azure 网络。我们的工作是构建那个做 Azure 网络的 agent 系统。"* ## [34:36] 数据中心与社区影响 Elad Gil 提出了数据中心扩建在社区层面引发的问题。萨提亚直言不讳：除非社区能看到切实的本地收益——稳定或下降的能源价格、通过闭环系统实现的水资源补给、施工就业岗位、建设后稳定的税基——否则整个行业将失去社会运营许可。他把这放进历史视角：那些消耗大量能源同时创造广泛社会价值的技术，结局都不错；那些做不到的，结局都很差。token 经济需要同样的证明：生产力提升、经济增长，以及在社区层面可见的广泛参与，而不只是企业财报上的数字。 > *"除非我们作为一个行业，非常有原则地确保我们谈论的这一切的收益，能够以真实的方式在社区层面被感受到——这必须是真实的。"* ## [38:01] AI 对社会的影响 swyx 问萨提亚在社会影响方面最大的认知更新是什么。他的回答是：未来 12 到 18 个月最关键的事，是让普通人切实感受到自己有机会成为 AI 经济中的平等参与者——通过健康结果的改善、创业的便利、更高效地经营本地生意。"相信我们，一切都很美好"的抽象承诺已经透支了信用。真正的检验，是那些倡导 AI 驱动生产力提升的政治人物，能否因为选民真实感受到了收益——而不只是股价上涨——而赢得选举。 > *"我认为世界将会对科技和科技公司非常怀疑——那些说'相信我们，一切都没问题，未来会很美好'的公司——你必须拿出切实的成果。"* ## [39:52] AI 与教育 Sarah Guo 提到教育是 AI 影响迟于预期的领域。萨提亚以他拜访 Alpha School 创始人为例，说明真正重新思考教学法——而不只是把旧课程数字化——是什么样子。他点出斯坦福一门 CS 课程仍在教学生何时正确应用 softmax（概念先行），而不是只让学生提示 agent 修复训练过程，以此说明概念性基础仍然不可或缺。但认证体系、学习激励结构，以及认证与就业机会之间的联结，都需要同步改变。他最后的判断：下一个伟大的创业成功故事，或许出自某个构建了新型大学或新型从课程到就业通道的人。 > *"也许下一个伟大的创业和成功故事，会来自某个构建了新型大学、或者新型教学法的人——帮助人们走过一套课程体系，找到经济机会。"* ## 实体 - **萨提亚·纳德拉** (人物)：微软董事长兼 CEO；全集主要嘉宾。 - **Sarah Guo** (人物)：Conviction 普通合伙人，No Priors 联合主持人；访谈者。 - **Elad Gil** (人物)：独立投资人，No Priors 联合主持人；访谈者。 - **swyx** (人物)：Latent Space 主持人；Microsoft Build 联合访谈者。 - **微软** (组织)：Azure、GitHub、Microsoft 365 及 MAI 模型家族的发布方。 - **GitHub Copilot** (软件)：微软 AI 编码助手；多模型编排框架策略的核心产品。 - **Azure Foundry** (软件)：微软用于部署长任务 agent 工作流与自定义模型微调的平台。 - **Work IQ** (软件)：以 agent 可访问数据库形式暴露的 Microsoft 365 图谱，支持跨产品上下文查询。 - **MAI 模型** (概念)：微软自研模型家族，以干净的预训练数据谱系为基础，专为通过私有评测在企业场景爬坡而设计。 - **私有评测** (概念)：企业捕获其独特工作流的专有基准；萨提亚认为这是当下最重要的知识产权形式。 - **多模型编排框架** (概念)：跨多个模型、工具和上下文来源进行路由的编排层——相对于任何单一模型，这才是持久的企业护城河。 - **全栈构建者** (概念)：LinkedIn 创建的结构性角色，将设计、产品管理与工程合为一体，是具备更大 AI 杠杆效应的通才。 - **Alpha School** (组织)：萨提亚曾拜访其创始人的教育创业公司，正在重新思考 AI 时代的教学法。 - **MDaS** (软件)：微软安全产品，证明了多模型编排框架在漏洞检测上超越专用模型的性能优势。

Sarah Guo 与 Onyx Security 联合创始人兼 CEO Maxim Bar Kogan 深聊在企业规模下保障 AI 智能体安全究竟意味着什么。Maxim 认为，当智能体行动呈指数级增长时，传统管控手段——代理层、身份限制、人工审核——都会失效，唯一可行的路径是训练专用小模型，让它知道何时需要上报给更重量级的监督者。对话涉及 Onyx 的"安全控制平面"产品、自训模型背后的成本与延迟权衡、为何实验室无法为自家模型的安全性作担保，以及 Maxim 对 AGI 即将到来和独立 AI 监督将成为千亿美元赛道的坚定判断。 ## [00:00] 开场 Maxim 直接切入主题：随着企业越来越多地借助 AI 智能体处理事务，恶意或失误行动在所难免——智能体误发凭证、发出未授权的网络请求、执行不可逆操作。企业已经意识到采用浪潮无法阻止；他们缺少的，是任何一种能区分合法行动与非法行动的机制。这段开场在片头片尾之前点出了 Onyx 的核心命题。 > *"企业正在意识到，风险在指数级增长，而他们根本没有办法阻止这股采用浪潮。他们现在唯一能做的，是想办法降低这些智能体行动是非法或错误的概率。"* ## [00:45] Maxim Bar Kogan 介绍 Sarah 介绍 Maxim：Onyx Security 联合创始人兼 CEO，公司总部位于以色列，团队由研究员、数学家和工程师组成——他们的使命是让 AI 来监视 AI。公司将进攻性网络安全专长与前沿 AI 研究融为一体，研究方向涵盖合成数据和机械可解释性。 ## [01:10] AutoGPT 与押注智能体行动 两年前，企业安全领域的共识风险叙事是针对聊天机器人的 DLP——员工把敏感数据粘贴进 ChatGPT。如今，这一叙事已演变为围绕自主智能体行动的深度焦虑。Maxim 把 Onyx 的判断追溯到 AutoGPT：第一个让 LLM 自主决策、调用工具并循环执行的智能体——而不只是生成文本。那次演示证明智能体可以自主采取真实行动，Maxim 当即判断：有人必须在规模上监督这些行动。 > *"AutoGPT 让所有人的想象力——包括我们的——彻底爆发，因为它是第一个真正自主运行的 LLM 智能体——一个不只是生成文字，而是能决定做什么、然后拿着 API 权限去做的智能体。"* ## [05:17] Onyx 产品是什么 Onyx 做两件事：训练模型、构建监督其他智能体的智能体，并将这一能力封装为企业可接入 AI 技术栈的"安全控制平面"。控制平面实时监控智能体行动的合法性——判断某个行动是否在授权范围内——同时管理延迟、成本与可靠性之间的权衡。Maxim 将长期愿景定位在企业安全之外：任何部署 AI 智能体的公司，都需要一个独立于厂商的第三方来认证智能体的行为。 > *"这些行动的数量正在指数级增长。过去觉得有用的手段——比如人在回路——等到行动量达到一百倍、一千倍、一百万倍，根本就不管用了。"* ## [07:47] 大型企业的部署现状 在当前的大型企业中，Maxim 看到三类 AI 部署形态：低代码 SaaS 自动化（拖拽式，并非真正自主）、内部自建或面向客户的第一方智能体，以及自主编程智能体和辅助工具。在这三类中，编程智能体如今占企业 AI 用量的 50% 以上。金融、医疗等最成熟的行业管控最严，但即便是最谨慎的企业，也已经从全面禁止 AI 转向主动管理。 > *"在普通企业中，超过 50% 的份额来自自主编程智能体和辅助工具。"* ## [09:58] 智能体安全防护 企业每年在安全上的投入约达 1000 亿美元，涵盖终端、网络、云端、身份。Sarah 问其中有多少能直接迁移到智能体安全。Maxim 的回答：几乎没有。身份管控是最基础的一层，但对智能体同样失效——因为智能体需要宽泛、动态的权限，无法像静态软件进程那样事先划定边界。跨代码仓库写代码的智能体、代替高管发邮件的智能体，根本无法被锁定在一个狭窄的权限集里。攻击面在于意图，而非访问权限——而现有工具无法读懂意图。 > *"面对这些自主 AI、这些助手、这些编程智能体，你根本无法提前知道该给它们什么权限。"* ## [12:45] 为什么代理层行不通 Sarah 凭借自身的安全背景直觉判断：这听起来像是配了更智能策略引擎的代理层能解决的问题。Maxim 同意代理层在某些架构中可以作为集成点，但说它完全绕开了核心难题。代理层给你数据流，却无法告诉你流里的那个行动是否合法。这种判断需要理解上下文——智能体的目标、历史记录、企业授权范围——而任何规则引擎都不知道如何跨任意智能体行为做出这种评估。 > *"真正的难题是：我现在该做的事，究竟合不合规。对 AI 系统来说，这才是硬问题。"* ## [14:11] Onyx 为何自训模型 最直觉的方案——用 Claude Code 监控 Claude Code——在成本和延迟上都行不通。为每个企业智能体配备一个前沿模型智能体，会让安全层比被保护的 AI 更贵。Onyx 的答案是训练体量小、高度专精的模型，只做一件事：判断当前行动是否需要上报给更重量级的监督者。Sarah 用闪电棋打比方：大师凭直觉快速落子，只在关键节点停下来深思。Maxim 说这个比喻完全准确——你希望把智算集中在风险最高的地方，其余地方保持精简。 > *"你要训练只擅长一件事的模型。它们非常小，几乎什么都做不了，唯一能做的就是判断：'是否需要让更聪明的智能体来看看这个？'"* ## [18:38] Onyx 的人才文化 以色列的安全人才——由 8200 部队、Armis、Wiz 等公司塑造——早已声名在外。Onyx 的基因却有所不同：联合创始人 Gil 的背景是合成数据和 NVIDIA，并非进攻性网络安全。Onyx 的研究工程师大多来自以色列一个专注于数学与网络安全交叉的情报部门。Maxim 认为这种融合是刻意为之——Onyx 要解决的长期问题，不只是企业安全，而是如何控制先进 AI。这需要深厚的 AI 专长，同时兼备安全直觉。以色列整体在 AI 上正在快速追赶：世界模型、AI 基础设施、芯片。 > *"问题不只是网络安全。问题是：长期而言我们如何控制先进 AI——就算撇开企业安全缺口不谈，这个问题本身听起来就极为重要。"* ## [21:24] 机械可解释性 Maxim 认为机械可解释性——搞清楚模型权重和激活值内部究竟发生了什么——既可能实现，也必须实现。他的反直觉论断是：随着模型在关键维度上超越人类，它们将比我们更有能力破解其他模型的内部结构。Onyx 正在积极资助这一方向的研究，不仅将其视为安全工具，也将其视为理解智能本质的窗口。Sarah 对此表示认同，并指出这不只是理解 AI，更是理解认知本身的机会。 > *"随着我们开始拥有在某些重要维度上远比人类聪明的模型，我们认为将能够更有效地开始破解机械能力。"* ## [23:35] Onyx 如何赢得客户信任 财富 10 强、20 强企业通常不会与不到百人的两岁初创公司合作。打破这一惯例的是痛点：每天面对智能体行动事故的 CISO 没有成熟厂商可以求助，因为这个问题三年前根本不存在。Onyx 刚从隐身模式亮相，就收到了企业的主动询问——因为他们描述的问题正是这些企业每天都在应对的。Maxim 将此视为短暂的窗口期：企业买家知道新兴初创公司会成长，他们宁愿做塑造产品的早期客户，也不愿成为跟风的后来者。 > *"这种窗口只在痛苦足够强烈时才会打开。他们的痛苦强烈到——'我刚看到这家公司出来亮相，但这正是我每天都要面对的问题，我得给他们打个电话。'"* ## [25:10] 从基础层面降低风险 CISO 焦虑的第二波浪潮——超出智能体行动之外——是自动化漏洞挖掘成本的断崖式下跌。编程工具现在能以几年前看起来遥不可及的规模发现并利用漏洞。Maxim 说市场没有过度反应：这是真实的结构性转变。正确的应对是双轨并行：立即快速打补丁、部署缓解措施，同时投资于基础性管控——锁定身份、防火墙、终端检测——无论攻击者的工具有多强大，都能收缩可被利用的攻击面。 > *"真正的解决方案——每家大型企业的安全负责人都知道——是我们需要把基础性组件搭建到位，从源头规避风险。"* ## [27:45] Glasswing 与 Daybreak 的分阶段发布 关于 Anthropic 的 Glasswing 和 OpenAI 的 Daybreak 针对更强大模型的受控发布计划：Maxim 持条件性观点。分阶段发布在全球协同的前提下是理想选择——它为建立应对手册、共享知识、防止电网或航空等关键系统发生灾难性故障争取了时间。但如果任何一方提前发布能力相当的模型，分阶段发布就会成为一种累赘：没有获得早期访问权的公司，面对的是根本没机会提前防御的威胁。他的建议是广泛扩大访问权限，让更多组织能够并行构建防御。 > *"如果任何人提前拿到了方法论级别的模型，回过头来看都会是一个巨大错误——我们本可以至少给企业选择权，让他们开始快速行动。"* ## [29:11] 大型企业中仍在观望的阵营 两年前，还有一批大型企业直接封禁了 AI。今天 Maxim 几乎看不到这种情况了。金融行业仍有限制——允许使用智能体，但限定可用工具——但全面封禁已经消失。他认为这是正确的：工具锁定本身也是一种风险。在这个市场变化如此之快的节奏下，押宝单一厂商的模型，意味着下一代模型格局一变就会被打个措手不及。广泛引入工具并严格管理的企业，将超越那些激进限制的企业。 > *"如果一年前你押宝 OpenAI，那会是世界上最安全的赌注，但 Anthropic 突然就有了更好的模型和工具。"* ## [30:46] Onyx 与更大的 AI 安全格局 AI 安全赛道挤满了新兴厂商和新型攻击面。Maxim 对产品边界焦虑的回应是：2026 年 AI 的两大核心原语——基于 Transformer 的基础模型和工具调用智能体循环——多年来并未发生根本性改变。这种稳定性让 Onyx 能够面向众多智能体应用构建，同时保持核心技术的精简。应对架构转变的真正对冲，是投资于能快速重训和适应的研究人员，而不是把产品押宝在某一种模型范式能永久主导上。 > *"2026 年 AI 运作方式的两大核心支柱，在过去几年里没有改变。我们仍然主要是 LLM 基础模型，我们仍然用差不多同样的方式构建智能体。"* ## [32:36] 实验室是否该承担模型信任与治理责任？ 湾区正在热议的问题：实验室最终会不会把信任与治理问题内化？Maxim 的结构性反驳是：买家不会让卖车的人来给车做认证。安全团队需要一个完全独立的第三方，其商业模式完全取决于说对——而不是一个保护自家产品声誉的厂商。超越买家心理之外，Maxim 区分了两类失效："参差不齐的智能"失误（会随更强模型改进的低级错误）和意图层面的失效：对抗性操控、目标错配、目标漂移。实验室会修复第一类问题。只有结构上独立的监督者才能应对第二类。 > *"你不会信任一个产品的厂商来告诉你这个产品不会搞乱你的环境。你会希望有一个独立的第三方，其整个业务都押注在告诉你这东西没问题、并且必须说对上。"* ## [36:56] 安全领域还需要什么 Sarah 问更广泛的技术和研究社区——尤其是各大实验室——从安全角度还缺什么。Maxim 的回答：不是技术差距，是共情差距。构建安全产品需要深度理解安全团队的实际运作方式——他们的组织架构、职责分工、信息流转。以色列能培养出强大的安全人才，部分原因在于服役经历让工程师亲身体验了后来构建产品时要服务的终端用户。言下之意，各大实验室在构建能力时，对最终要部署和防御这些能力的组织的运营现实关注不足。 > *"无论你在解决什么技术问题，你构建的都是给人用的工具，给有特定结构的组织用的。为这类受众打造一个不只解决技术问题、还能让他们真正喜欢的产品，真的很难。"* ## [39:14] Maxim 为何坚信 AGI 即将到来 Sarah 以一个观察收尾：Maxim 隐含地相信安全团队中的人类还会存在若干年。他确认了这一点——但给出了时间线：安全团队很快将完全由 AI 智能体运作，就像大多数知识工作将会那样。他对 AGI 的乐观是脚踏实地的：打造优秀产品的工作本质不变——始终了解最终用户是谁，并围绕他们的体验优化。现在的最终用户是带着几个智能体并肩工作的人类。随着比例翻转，同样的原则依然适用——只是服务对象从看仪表盘的人变成了读取上下文窗口的智能体。 > *"今天我卖产品时，卖给的是有几个智能体辅助的人类受众，随着那个受众从人类变成更多智能体，我们也需要进化，让产品真正适配那些负责做事的智能体。"* ## 实体 - **Maxim Bar Kogan**（人物）：Onyx Security 联合创始人兼 CEO；以色列情报系统背景，专长数学与进攻性网络安全。 - **Sarah Guo**（人物）：No Priors 主持人；Conviction 创始合伙人。 - **Onyx Security**（组织）：以色列初创公司，构建 AI 监督基础设施——训练专用小模型，对企业 AI 智能体实施监控与治理。 - **AutoGPT**（软件）：早期开源自主 LLM 智能体；Maxim 将其列为让自主智能体风险变得具体可感的转折点。 - **Glasswing / Daybreak**（软件）：Anthropic 与 OpenAI 分别推出的前沿模型受控访问计划。 - **机械可解释性**（概念）：旨在理解神经网络内部权重与激活结构的研究方向；Onyx 将其视为 AI 监督的长期支柱。 - **安全控制平面**（概念）：Onyx 的产品品类——一个独立于厂商的层，实时监控智能体权限、行动合法性和行为历史。 - **8200**（组织）：以色列情报部门，以培育以色列顶尖安全和科技人才著称，Onyx 多名工程师出身于此。

Cerebras CEO Andrew Feldman 讲述了公司从颇具争议的"晶圆级"架构出发，走到 630 亿美元市值的上市公司的全程。他解释了这一激进硬件设计如何实现比传统 GPU 快 15 至 20 倍的 AI 推理速度，并由此催生新的商业模式，从根本上重塑生产力格局。 ## [00:00] – 冷开场 Andrew Feldman 把 AI 速度的冲击比作 Netflix 从 DVD 邮寄转型到流媒体：极致速度会打开全新的商业模式。他预言，随着 AI 越来越快，生产力将经历一轮根本性重组，远不止编程和设计这些入门级任务。 > *速度就是这样改变一切的，我认为这正是快速 AI 眼下正在做的事 [00:10]* ## [00:41] – Andrew Feldman 介绍 主持人 Sarah Guo 介绍 Andrew Feldman，并点出 Cerebras 近期上市、目前市值约 630 亿美元的背景。节目以此切入，探讨公司如何从早期机器学习研究转型为基础模型推理市场的领军者。 > *Cerebras 近期已经上市，目前在股票市场的市值约为 630 亿美元。[00:54]* ## [00:48] – Cerebras 的演进 Feldman 介绍 Cerebras 专门打造针对 AI 优化的计算机，推理性能在所有模型规模上均可超越 GPU 多达 20 倍。他认为，2025 年 AI 模型终于足够聪明、能在日常场景中发挥实用价值，这直接带来了与 OpenAI 和 AWS 的大规模合同。 > *我们是推理速度最快的，不是快一点点，而是快很多——比 GPU 快 15、18、20 倍。[01:39]* ## [02:17] – 晶圆级赌注兑现 对话深入探讨 Cerebras 独特的"晶圆级"架构——把整片晶圆做成一块餐盘大小的芯片。Feldman 认为，要实现性能上的根本性飞跃，就必须采用根本性不同的设计，尽管当初批评者普遍认为这条路走不通。 > *我们选择了晶圆级方案，也就是说我们制造的是一块 46,000 平方毫米的芯片，一块餐盘那么大的芯片。[03:39]* ## [06:38] – 挑战与突破 Feldman 回忆 2017 年到 2019 年间那段至关重要的岁月：团队每月烧掉 800 万美元，却一直无法让技术跑通。他强调，技术上的突破发生在 2019 年，但市场需求的真正爆发，是等到 AI 成为每天离不开的工具之后才到来的。 > *大约从 2017 年到 2019 年中，有一段时间我们根本造不出来。[07:34]* ## [08:37] – 跨越市场鸿沟 Feldman 描述了早期那几年的处境：技术领先，却找不到市场，最终在超算实验室打开局面。主权合作伙伴 G42 的 10 亿美元订单成为关键转折，既提供了资本，也提供了规模，让硬件在实战中经受考验，为后来 AI 浪潮的爆发做好了准备。 > *有两三年时间，我们比市场领先了太多，快到令人窒息，但没有任何人在意。[09:00]* ## [10:38] – 软件与硬件的规模扩张 硬件公司的规模扩张要面对软件公司所没有的物理约束，包括产线、电力需求和测试夹具。Feldman 还谈到深度技术开发的长周期本质：打造一款高质量编译器，需要将近十年的工程积累。 > *做硬件，你得找制造合作伙伴沟通……每一步都需要真正的时间和努力才能推进。[11:24]* ## [12:03] – AI 生成代码的意义 Cerebras 已大力推进 AI 辅助编程，每位工程师的 token 消耗大幅提升，以支持自主 Agent 的使用。Feldman 观察到，部分工程师正在成为"百倍"贡献者，通过统筹调度多个编程和质检 Agent 来放大产出。 > *他们把编程方式转变成了管理 Agent 的模式……从原来的 10 倍工程师，变成了现在的 100 倍工程师。[13:12]* ## [13:31] – 领导力与招聘文化 面对 200 亿美元的订单积压和超过 800 人的团队，Feldman 强调必须持续押注非凡目标，才能避免企业陷入暮气。他把自己定位为"职业版大卫"，乐于啃下别人认为不可能的硬骨头，正面对抗 Nvidia。 > *我们宁愿在追求非凡的路上失败，也不愿在平庸中成功。[15:01]* ## [17:16] – 何时放弃，何时坚持 Andrew Feldman 再次描绘"职业版大卫"的形象：靠智识上的优势与更大的对手正面交锋。他强调，创始人必须警惕"温水煮青蛙"式的坚持——通过引入外部导师，让自己对最初的假设保持问责。 > *温水煮青蛙是个陷阱……你必须对它保持警觉。[18:32]* ## [19:40] – Cerebras 为何选择上市 走向公开市场，是为了降低资本成本，并在大型企业客户面前建立可信度。Feldman 指出，Cerebras 选择 IPO，也是为了让自己成为市场上唯一的"AI 纯粹营收"标的，与众不同。 > *对我们来说，这是一次从企业青春期迈向企业成年期的机会。[23:22]* ## [22:57] – OpenAI 大单 Feldman 回忆了与 OpenAI 签下 200 亿美元大单的那四周半：一场突如其来的快速推理需求，推动谈判以前所未有的速度推进，团队在假期期间连续奋战，才赶上技术要求的节点。 > *200 多亿美元的交易，四周半谈下来，非常了不起。[24:59]* ## [25:54] – 开源与后训练工作负载 Andrew Feldman 指出，开源生态系统持续激活市场热情，也倒逼闭源开发者加速创新。他强调，看到外部开发者在 Cerebras 硬件上构建出创意十足的解决方案，是公司推进基础设施目标最核心的动力之一。 > *你得喜欢别人的想法在你构建的东西上生根发芽。[28:04]* ## [27:37] – 速度如何催生新商业模式 AI 的极致速度带来的是根本性转变，而非渐进式改良——Netflix 从 DVD 到流媒体的跨越正是最好的佐证。Feldman 认为，对速度的极致追求本身就是竞争优势，数据中心的快速建设印证了这一点。 > *互联网变快之后，他们成了电影制片公司——速度就是这样改变一切的。[28:38]* ## [30:07] – 结语 援引 PC 革命和云计算革命的先例，Feldman 预言 AI 不会停留在替代单项任务的层面，而将从根本上重组工作方式。随着新商业模式在技术周围生长，全球生产力将迎来跃升式增长。 > *一旦我们开始围绕它进行根本性的重组，你就会看到新的商业模式涌现，生产力出现跨越式的跳升。[29:53]* ## 实体 - **Andrew Feldman**（人物）：Cerebras 联合创始人兼 CEO - **Cerebras**（组织）：以晶圆级引擎技术著称的 AI 硬件公司 - **OpenAI**（组织）：与 Cerebras 签订数十亿美元合同的 AI 研究机构 - **G42**（组织）：向 Cerebras 下达 10 亿美元订单的主权 AI 及科技控股公司 - **Nvidia**（组织）：AI 芯片市场领先的 GPU 制造商及最主要的竞争对手 - **Sarah Guo**（人物）：No Priors 主持人，风险投资人 - **AWS**（组织）：部署 Cerebras 硬件的亚马逊云计算部门 - **Netflix**（组织）：用于类比速度如何颠覆商业模式——从内容分发到内容生产

美国国务院次卿 Jacob Helberg 再度做客 No Priors，带来 Pax Silica 的最新进展——这是一个覆盖 14 国的经济安全联盟，目标是打通 AI 供应链的全链条：从芯片到稀土磁铁，再到机器人执行器。旗舰项目落地菲律宾：4000 英亩土地（约曼哈顿岛三分之一）授予美国，用于建设"前沿部署工业基地"。Pax Silica 要做的，是把中国一带一路那套国家主导基建的逻辑，翻转成由私营企业和风险投资驱动的自由民主资本主义版本。Sarah Guo 和 Elad Gil 就政策跨届延续性、风险投资如何介入、以及 Helberg 为何称美国是"全球弱者"等问题逐一追问。 ## [00:00] 开场白 Helberg 开篇点出 Pax Silica 的哲学底色：美国不可能靠国营工厂赢得供应链竞争，真正的优势在私营部门和本土企业——Steve Jobs 那套"让人着迷、让人愉悦"的能量，已被输出到数十亿人的手中。因此战略的核心，是与美国的建设者们并肩搭建平台，让这些平台最终能作为商业服务在政府之外独立运转。 > *我们不打算搞政府运营的供应链，因为那不是我们的强项。我们真正的超级能力，是私营部门和我们的企业。* ## [00:41] Jacob Helberg 介绍 Sarah 和 Elad 为 Helberg 做介绍——自上次对话以来，他已正式确认出任国务院经济事务次卿。本期的讨论框架：Pax Silica 作为多国联合行动，如何为美国及其盟友保障 AI 供应链安全。 > *Jacob，非常感谢你来。是的，谢谢你们邀请我。* ## [01:02] Pax Silica 的使命 Helberg 追溯了 Pax Silica 的起点——他在哈德逊研究所的演讲，提出了供应链"生态系统化"的思路。联盟目前覆盖 14 国。第一个落地成果是菲律宾协议：4000 英亩土地授予美国，用于建设前沿部署工业基地。他把这笔赌注描述为：将美国普通法体系的可预期性，与菲律宾的工业比较优势相结合——并明确把这次发布框定为 AI 供应链领域的产品发布，选在旧金山举办，就是为了直接对话建设者群体。 > *Pax Silica 是一个经济安全联盟，目前已有 14 个成员国。核心理念是对供应链采取生态系统化的方法，尤其是 AI 供应链。* ## [03:51] 投资 AI 芯片供应链 AI 供应链远不止芯片这一个环节——"涵盖数千种投入品，包括精密减速机、伺服电机、稀土磁铁和执行器"——而美国在几乎所有这些环节上的集中度风险都极高。Helberg 的选址逻辑是：优先选择已具备本土工业深度且价值观契合的地区。菲律宾两者兼具：深厚的制造业生态，以及美国在亚洲最悠久的盟友关系。机器人领域获得明确关注，被视为芯片之后的下一个瓶颈。 > *AI 供应链实际上涵盖数千种投入品，包括精密减速机、伺服电机、稀土磁铁和执行器，而美国作为一个国家，在几乎所有这些投入品上的集中度风险都极高。* ## [05:43] Pax Silica 与中国一带一路的对比 这是最自然的类比，Helberg 也毫不回避。他向听众解释：一带一路是中国国有企业用 25 年时间在海外修建政府运营的公路、桥梁、铁路、矿山和加工厂，把基础设施作为外交政策工具。Pax Silica 刻意颠覆这一模式：资产归私营所有且具备商业可持续性，政府的角色是降低摩擦、协调盟友，目标是形成经济上的深度依存，而非政治上的话语杠杆。Helberg 认为，这套模式既更持久，也更透明——伙伴国得到的是真实增长，而非债务陷阱。 > *其本质，是国有企业在海外建造政府运营的铁路、政府运营的矿山。* ## [12:38] Pax Silica 的价值主张 对伙伴国来说，逻辑很简单：AI 已贡献了美国 GDP 增长的三分之一以上，并带动铜、钴、电工、数据中心所需各类投入品的需求创下新高。凡是能在供应链各层次占据有意义份额的国家，都能分得一块原本触不到的增量蛋糕。Helberg 强调科技变革期的非零和属性——蛋糕膨胀够快，桌边的每个人都能赢。 > *蛋糕增长很快。所以这真的不是零和游戏，这反而让它极其有利于构建互利关系。* ## [14:38] 美国本土制造与伙伴国制造 Elad 提出核心问题：哪些留在美国，哪些交给伙伴国？Helberg 的框架是消费与生产之比。美国占全球人口的 4%，却消费了大多数品类全球产出的 20%–30%，而本土生产远低于此。弥合这一差距，本身就是一种再工业化。部分领域（最先进的晶圆厂、国防关键能力）必须保留在国内；另一些（矿物加工、特定零部件）则更适合在地理位置和工业基础已具备优势的伙伴国落地。这套逻辑不是闭关自守，而是刻意将供应链在盟友间重新分配，美国握住战略敏感度最高的那几层。 > *美国消费占全球消费的比例，大约在 20% 到 30% 之间，几乎任何时间段都如此。* ## [19:10] 稀土矿物定价 Elad 追问稀土问题：稀土其实并不稀缺，整个市场规模不过数十亿美元，中国将其高度补贴作为管控杠杆。Helberg 表示认同，并重新框定经济逻辑——决定稀土竞争力的，是开采所需的能源强度和矿石品位，而非地质层面的稀缺性。因此政策问题的核心是能源充裕度和加工产能，而非寻找新矿床。言下之意：只要解决廉价能源这道题，美国就有机会赢得这个品类——而特朗普政府推动的更宏观能源供给扩张，正部分服务于此目标。 > *真正驱动那些产业经济性的，是你需要往地下注入多少能量，才能以特定品位提取出某种矿物。* ## [22:16] 风险投资在 Pax Silica 中的角色 Sarah 以"替朋友问"的方式发问：私人资本能扮演什么角色？Helberg 的回答对一位国务院官员来说异常直接：风险投资者比政府更擅长评估创始人和运营者，而执行力才是决定宏大项目能否落地的关键变量。他希望把创投生态当作信号层——政府的资源配置，可以跟随有公信力的运营者已经走向的方向，而不是由政府独自押注。双边协作机制很明确：风险投资方筛选出具备执行能力的企业，政府提供需求端和政策支持。 > *你们天然擅长评估创始人和运营者的许多性格特质。* ## [24:50] 近期与长期优先级 如何在 2027–2028 的阶段性成果与五年期长线布局之间取得平衡？Helberg 的答案是：着眼于营造环境，而非锁定时间节点。政府的思路是塑造宏观环境，让短期迭代和长期资本密集型项目都变得更容易——削减繁文缛节、扩大国内能源供给、核能装机翻两番。他以特朗普签署的首批行政令之一——国内核电装机翻两番——为例，认为这是横跨两个时间跨度都会产生效益的结构性使能因素。 > *帮助塑造环境，打造一个让创新、创新迭代以及创新落地都变得更容易、成本更低的宏观环境。* ## [27:09] 让 AI 政策经得起时间考验 Elad 提出行政令的痛点：每届政府都会撤销上届的命令。Pax Silica 如何熬过政权交接？Helberg 指出，有些东西——比如税改——黏性极强；他的职责也限制他评论选举话题。对于政策延续性这个问题，他没有给出完整答案——而这本身就是答案：持久性必须来自立法，以及已成既成事实的地面现实（菲律宾工业基地、已落地的伙伴制造体系），这些都很难被推翻。 > *税改黏性很强。* ## [28:09] 政策如何影响创业者 对美国企业主和运营者而言，Pax Silica 被定位为市场准入平台——拓展美国企业进入日本、韩国、印度、新加坡等盟友市场的通道，即便是友好的贸易伙伴也往往存在显著摩擦。Helberg 明确希望收集来自运营者的一线反馈：正在推进的伙伴关系、企业正在更审慎地做出的供应链决策，以及哪些政策调整能解锁跨境合作的堵点。 > *我们希望把它作为平台，扩大我们企业的市场准入。* ## [31:00] 特朗普政府的创业者气质 被问及入职国务院后最大的意外，Helberg 提到政府的速度和风险偏好——"特朗普时间"，这是和海外对口方的玩笑说法。他把这归因于一位大半辈子在私营部门摸爬滚打的总统，以及一整个以私营部门本能而非官僚习惯运作的内阁（Bessent、Lutnick 等人）。对建设者群体的启示：当下尝试新事物的意愿异乎寻常地高，而 Pax Silica 正是这种氛围的受益者之一。 > *我们喜欢按特朗普时间行事。* ## [33:00] 为什么说美国是全球的弱者 Sarah 最后追问 Helberg 关于"全球弱者"的说法——这个框架颇为反直觉，毕竟美国通常被描述为已有的强权。Helberg 援引 Graham Allison 的《注定一战》并反驳这一框架：美国自建国以来就是一个弱者之国——13 个松散殖民地揭竿反抗"礼貌社会"的帝国，一次次被告知已在走下坡路，却一次次让精英阶层的预言落空。这番论述落脚于对美国冒险文化的辩护，也是一个收尾式的呼吁：这个国家要赢，靠的是保持弱者心态，而不是捍卫既有霸主地位。 > *我们一直是一个弱者之国。* ## 实体 - **Jacob Helberg**（人物）：美国国务院经济事务次卿；Pax Silica 架构师。 - **Sarah Guo**（人物）：No Priors 主持人；Conviction 创始人兼 GP。 - **Elad Gil**（人物）：No Priors 主持人；独立投资人 / 连续创业者。 - **Pax Silica**（概念）：由美国国务院主导的 14 国经济安全联盟，旨在通过前沿部署工业基地和私营部门合作伙伴关系，确保 AI 供应链安全。 - **Belt and Road Initiative**（概念）：中国历时 25 年的国家主导海外基础设施项目，是 Pax Silica 参照的反面坐标。 - **菲律宾前沿部署工业基地**（项目）：4000 英亩土地授予美国用于工业建设，是 Pax Silica 的首个旗舰项目。 - **Thucydides Trap**（概念）：Graham Allison 提出的框架，将中美关系定性为守成大国与崛起大国之间的博弈；Helberg 拒绝接受"守成大国"的定位。 - **Trump Administration**（组织）：以"特朗普时间"的速度和风险偏好推动 Pax Silica，内阁成员 Scott Bessent 和 Howard Lutnick 亦被提及。

Long Lake Management 联合创始人兼 CEO Alexander Taubman 与 Elad Gil 对谈，聊公司以 $6.3 billion 收购 American Express Global Business Travel 的交易——Elad 称其为全球首例 AI 私有化。Taubman 阐释了 Long Lake 横向 AI 平台 Nexus 如何跨服务垂直领域部署，驱动增长而非裁员。公司坚持 Berkshire 式买入持有策略，押注多年复利积累的 AI 生产力优势远胜短期套现。 ## [00:00] Alexander Taubman 介绍 Elad Gil 开场指出，Long Lake 在拿下 Amex GBT（全球最大企业差旅平台，收购价 $6.3 billion）之前，已在 AI 转型论题下完成约 30 笔收购。 > *"Long Lake recently announced their intent to acquire American Express Global Business Travel for $6.3 billion in what I believe is the world's first AI take private."* ## [00:30] Long Lake 的 Nexus 平台 Nexus 与底层模型无关，架设于基础模型和每家被收购企业的数据源、技能及工作流之间。约 80% 的基础设施跨垂直领域共用，剩余 20% 是部署工作——映射工作流、清洗数据源、并将工程师嵌入一线。过去需要一年以上才能完成的工作，如今在收购交割后数天内即可落地，产生立竿见影的时效收益，Long Lake 把这部分收益导向增长而非降本。 > *"We're actually not really focused on cost saving. We're actually focused on driving growth and customer experience. That's our big — and what we've seen it's a much more powerful model because it's our view of AI is it's incredibly positive sum."* ## [03:35] 留存与人才飞轮 配备 Nexus 的员工能服务更多客户、减少差错、拿到更高薪酬；一旦离职，就要回头做那些 Nexus 帮他们消灭的繁琐工作。这种摩擦正在成为真实的人才磁铁。原本年增长 0-5% 的被投企业，如今有机增长普遍超过 20%。 > *"If you now leave Long Lake or one of our partner companies to go to a competitor you have to start doing all this mundane work again that you 25%, 30% of your day — you have to go do that again. And the thought of it — it's like giving up email or something."* ## [05:01] 收购模式 vs. 卖软件模式 向服务企业卖软件意味着接受薄弱的反馈回路，对变革管理毫无掌控。拥有公司所有权后，Long Lake 的工程师与一线员工同处一室，往往连所在州都一样，直接解决他们的痛点。这种联合驻场模式，让反馈周期从数月压缩到数天。 > *"Our team views our employees and our team members in the field as the customer and that feedback loop internally — that's the other point. We have a much tighter feedback loop."* ## [06:57] 组建 Long Lake 创始团队 Long Lake 被刻意设计为融合三种能力：私募 M&A、应用 AI 工程和变革管理。前 20 名员工全部来自人际网络——这些工程师曾是应用 AI 初创公司的联合创始人或 CTO，却无法打通服务业的分销渠道。M&A 负责人来自 GTCR、Blackstone、TPG 和 HIG，正是因为这些机构不是 AI 原生公司，才被吸引加入。 > *"There felt like a huge, huge gap and so a lot of the folks that came together for our founding team actually were founders before in technology. Many of them had their own startups on the engineering team."* ## [10:37] 把 American Express Global Business Travel 私有化 企业差旅行业任务关键、容错成本高——出行失误就是真实的商业损失——因此 Amex GBT 早早出现在 Long Lake 的目标行业白板上。这家 1915 年由 American Express 创立（最初为撤离一战欧洲战场的旅行支票客户）的百年老店，已公开披露了 AI 转型路线图。Long Lake 的计划是在这套既有战略之上叠加 Nexus，为每一位差旅顾问赋予 AI 超能力。 > *"Imagine basically your travel counselor with AI superpowers. That's kind of the future we envision for AMEX GBT's customers."* ## [13:36] 采用 Berkshire Hathaway 式管理方法 传统 PE 给企业加杠杆、削减成本、3 到 5 年退出。Long Lake 明确拒绝这套模式：更好的工具带来更好的人才，更好的人才带来更好的客户成果，进而实现更快增长——这条复利链需要 2 到 5 年才能充分显现，彼时出售等于拱手让出优势。Danaher 和 Transdigm 的运营手册——在分散行业整合并建立差异化体系——是明确的参照，用 AI 作为优势边际，应用于服务业。 > *"You're going to build the best company in the industry and then you're going to sell it? That just doesn't make sense to me. I'd want to own that company forever and compound on that advantage for decades to come."* ## [16:37] AI 战略如何让 Long Lake 脱颖而出 企业 AI 在真实应用场景中的渗透率仍约为 1%。卖方选择 Long Lake 而非传统 PE，是因为方案包含永久资本、入驻多年的工程团队，以及首日即可部署的平台。创始人和管理团队被鼓励将股权滚入新结构，共享上行收益。随着 Long Lake 业绩记录积累，Taubman 预期资本成本将下降——届时公司无需靠出价更高就能成为更具竞争力的买方。 > *"Having a long-term permanent capital partner is already a wonderful thing but having that partner with deep applied AI engineering expertise and a platform that you can deploy day one — that's really resonated."* ## [19:32] AI 让服务业可规模化 劳动密集型服务企业面临残酷的增长税：营收增长 20% 往往需要增招 20% 的员工，扣除人力成本后每增加 1 美元收入仅留约 0.2 美元。Nexus 将现有团队生产力提升 30-40%，彻底打破这一方程式。被投企业 CEO——其中不少已经营同一家公司数十年——将这段时期称为职业生涯最好的阶段，因为他们终于实现了软件公司式的高增量利润增长。 > *"When you make your existing teams 30 to 40% more efficient and they can handle more customers, it changes the whole mindset of the organization. Now you're growing. You look like a software company now where you're now growing with high incremental margins."* ## 实体 - **Alexander Taubman**（人物）：Long Lake Management 联合创始人兼 CEO，主导 $6.3 billion Amex GBT 私有化交易 - **Elad Gil**（人物）：No Priors 主持人，独立投资人及连续创业者 - **Long Lake Management**（机构）：AI 驱动的并购整合公司，通过 Nexus 收购并转型服务类企业 - **Nexus**（软件）：Long Lake 的横向 AI 平台，与底层模型无关，80% 基础设施跨垂直领域共用 - **American Express Global Business Travel / Amex GBT**（机构）：拥有 111 年历史的企业差旅平台，Long Lake $6.3 billion 私有化收购标的 - **AI take-private**（概念）：以明确 AI 运营转型为目的收购上市公司——Long Lake 与 Amex GBT 的交易被认为是首例 - **Danaher / Transdigm**（机构）：被引用为 Long Lake 长期复利收购战略的参照——在分散行业中以差异化体系整合