AI 正在把工程问题变成资本问题
Martin Casado 与 Steven Sinofsky 的核心判断：AI 把软件业从工程约束变成资本约束——20 人的团队也能有效花掉 10 亿美元，创业公司因此能和巨头同场竞争。
核心论点 · 点时间戳可跳到原声
数学突破≠经济价值
Martin 提醒，AI 在数学上的进展被过度解读。很多被攻克的难题长期存在，但相关博士后工资总和并不高，说明市场从未认为它们值得重金解决。AI 擅长的是纯公理系统，这不能证明它解决了市场真正卡住的经济问题。在他看来，数学是市场兴趣的领先指标，但「解决了难题」和「创造经济价值」之间还有很远的距离。
— Martin Casado四色定理：算力先例
Steven 用四色定理证明「算力改变数学」并非新鲜事：图论里一直想要微积分式的优雅证明，最后没人给出，但有人证明候选解数量有限，再用计算机把所有情况穷举完，结论是四种颜色一定够。这个证明 200 页，只能靠机器完成，而它当时确实有实际用途。他的结论是：当一类问题被新的抽象层覆盖，工具和产业链会跟着出现。
— Steven Sinofsky抽象层不断上移
Steven 展示了 1953 年 IBM 宣传册：它首次向普通读者解释二进制、存储、算术单元这些词；75 年来计算机组织始终是输入、存储、运算、控制、输出五层。每一层抽象都曾养活一个专业，后来塌缩成系统的一部分。他的问题是：如果 AI 是下一层抽象，它不像过去的层那样能向下映射到确定性的机器，我们可能需要重新思考计算本身。
— Steven Sinofsky资本取代工程成为瓶颈
Martin 把资本反转讲得很具体：20 年前给 10 人团队 10 亿美元，你只能拼命招人，钱很难有效花掉；今天给 20 人 10 亿美元，他们可以全部换成算力，并且在一年内变成产品。软件业第一次从工程约束变成资本约束。这也意味着募集巨额资金不是 crazy，而是新纪律：小团队 + 大资本 + 算力可以产生过去需要上万人的产出。
— Martin Casado风险投资不是零和
Martin 回应「钱太多、项目太少」的零和论：流入 private market 的钱越多，公司选择更晚上市，更多价值留在 private side，所以 TAM 是被做大的而不是被分完的。AI 是极少数能真正消耗巨量资本的赛道，这也让早期投资从零和转向正和。对创业者而言，今天的融资能力本身就是核心竞争力。
— Martin Casado初创公司为何不怕巨头
Steven 拆解了为什么创业公司敢挑战巨头：AI 同时解决了两件事——需求不确定和分发成本。算力可以按需买，token 的需求近似无限，投入多少推广就可以换来多少增长，所以 Cursor、Anthropic、OpenAI 才会爆发式增长。而巨头只盯着同级对手：微软更怕 Amazon 和 Google，不会认真看创业公司，这正是新一代 AI 公司能长出来的原因。
— Steven Sinofsky我错在低估规模法则
Martin 承认自己过去反对 Foom 和递归自我改进那种「快速起飞」叙事，但他错的是另一件事：规模法则仍然成立，你确实可以不断往模型里砸钱。如果做一次 1000 亿美元的训练，这个数字产物包含的算力和数据是人类从未造过的，没人能预测它能做什么。这不是模型会不会失控的问题，而是资源高度集中之后，无论用于治病还是造武器，后果都无法预知。
— Martin Casado原话 · 已逐字校验
Right now, if I give $20 people a billion, they can actually use it usefully. We've kind of moved the industry from like this engineering down problem to a capital problem that's fundamentally very different.
现在，如果我给 20 个人 10 亿美元，他们真的能把它有效用掉。我们差不多把整个行业从一个工程约束问题变成了资本问题，这是根本性的不同。
Martin Casado0:00
But for me, it's still in the domain of it's really good at playing a game.
但对我来说，它仍然只是很擅长玩游戏。
Martin Casado6:21
But they basically prove that you, there's a finite number of them. And then they just computed all of them and said, look,, it's only four colors.
但他们基本上证明了解的数量是有限的，然后他们就把所有情况都算了一遍，说，看，只需要四种颜色。
Steven Sinofsky10:50
the startups don't aim straight at the incumbents and income. Buts just don't pay attention. The incumbents are only interested in what the other incumbents are doing. Microsoft is worried way more about what Amazon and Google are doing than any one in a startup space.
创业公司不正面进攻巨头，巨头也不注意它们。巨头只关心其他巨头——微软更担心亚马逊和谷歌在做什么，而不是任何创业公司。
Steven Sinofsky49:40
Google is Google. They have all the data. They have all the intelligence. And like, their models are getting trouned. Yeah, by open AI and by anthropic.
谷歌就是谷歌。他们有全部数据，有全部智力。但他们的模型正在被打败——被 OpenAI 和 Anthropic 打败。
Steven Sinofsky51:48
I did not know that we could effectively just continue to pour money in this like the scaling laws are holding.
我没想到的是，我们可以继续这样往里面砸钱，而规模法则仍然成立。
Martin Casado1:00:18
数字与实体
| 四色定理证明篇幅 | 200 页 | 10:50 |
| IBM 宣传册年份 | 1953 年 | 20:12 |
| 假想训练投入 | 1000 亿美元 | 1:00:18 |
术语
- Foom快速起飞
- AI 自我改进后迅速失控、接管一切的假想场景。
- TAM可服务市场总量
- Total Addressable Market，风险投资衡量市场空间的总盘子。
- in-distribution分布内
- 模型只能处理与训练数据同分布的问题，不能泛化到分布外。
- Mythical man-month人月神话
- 布鲁克斯定律：给延误的软件项目加人只会更慢，沟通成本非线性增长。
- expert systems专家系统
- 80 年代基于人工规则模拟专家决策的 AI 分支，后来基本失败。
收听指南
创业者、投资人、AI 产品负责人；尤其适合正在纠结要不要重仓算力、以及如何面对巨头竞争的团队。
开头数学哲学的铺垫可快进，重点从「20 人花 10 亿」开始。