AI 放慢节奏是公关失误,网络攻击才是真风险
前沿实验室把安全包装成 pacing 是两头不讨好;真正紧迫的是 CVE 武器化时间从数年压到几分钟,而企业里还没有 agent,只有更快的搜索。
原视频在 YouTube 上放不出来,用音频听:
核心论点 · 点时间戳可跳到原声
pacing 是公关失误,不是安全策略
Ali 认为前沿实验室把「安全」包装成「pacing(放慢节奏)」是一次典型的公关失误。pacing 与安全正交——你可以慢慢造武器,那和造武器没区别;而且这些公司一直在全速奔跑、还在买更多算力,说 pacing 没人信。结果是两头不讨好:doomer 觉得这不是 pause,政策派觉得你根本不会做。他主张该说的是「secure the frontier」,而不是「pace the frontier」。
— Ali GhodsiRSI 要同时满足四个条件才算数
Ali 给出判断递归自我改进是否发生的四条标准,必须同时成立:下一代模型训练所需资源(GPU)更少、训练时间更短、智能/准确率更高,且这三件事能反复重复。任何一条不成立,系统就会自我限速——比如资源恒定,就会撞上硬件墙。他强调「软件写软件」今天已经发生,Databricks 里 90% 多的软件由 AI 写,但这不等于超级智能。
— Ali Ghodsi前沿训练的成本曲线正好相反
Sarah 指出训练前沿模型的算力门槛一直在涨,从 1 亿到 10 亿,现在大概是 50 到 100 亿。Ali 补充:一年只有一两次这样的训练,而且它完全违反那四条标准——需要更多资源、更多人、更脆弱,还要建数据中心、搞网络、提升容错。跑砸过好几次,失败就是烧掉巨额资金。所以现实是「更慢、更脆、更难」,而不是「更快更便宜更聪明」。
— Ali Ghodsi / Sarah Wang漏洞武器化时间从两三年压到几小时
Ali 给出这条曲线:2018、2019 年,一个 CVE 从公布到被武器化大约要两三年;到 2022 年降到八九个月;从 2022 年到现在,已经压到基本是几小时、几乎没时间。原因是数据与 AI 正在和网络安全市场合并——公司内部跑着大量 agent,产生海量日志和痕迹,需要分析的数据量比一两年前多了好几个数量级。
— Ali Ghodsi说 AI 会毁灭世界,同时问你要不要 IPO 份额
Ali 承认两件事可以同时为真:确实有人被 AI 风险吓到,也确实有人希望监管来「pace us」——因为放慢速度对自己有利。他说人总能把利益和恐惧在心里调和成和谐的一套。过去行业里一直有这种营销手法:新模型一训练出来就大喊它好到吓人,全世界注意力就过来了。但他同时给了另一侧:从 CVE 到真正武器化利用的时间,三四年里从数年压到了几分钟,网络攻击是真的。所以「吓人」既是真实风险,也是极好的营销。
— Ali Ghodsi企业里没有智能体,只有更快的搜索
Ali 现场做过调查:问听众有多少人在管理成百上千个互相协调、谈判的 agent,几乎没人举手。多数企业用的就是 Microsoft Copilot,本质是聊天机器人——「非常非常美化的高效 Google 搜索」。编程是唯一真正落地的场景,但 ROI 可议。他认为原因不是模型不够聪明,而是模型没有组织内部的 context:它没参加过每一场会,不知道每个人脑子里想什么,不知道流程。每个组织里总有几个什么都知道的员工,你拍他肩膀会想「他要是辞职了怎么办」。把这份 context 灌进今天的前沿模型,就能拿到巨大生产力,而这不需要更聪明的模型。
— Ali Ghodsiontology 就是那个干了五年的老员工
Ali 用一个具体画面解释 ontology:两个同样聪明、同样努力、教育背景相同的人,一个今天第一天上班,一个已经干了五年。差别在于后者知道组织怎么运转、人是谁、事情怎么推动——「别去看 org chart,别去问那个人,他什么都办不成」。这就是 ontology,是散在所有人脑子里的隐性知识。他把它和 agent 的现状对比:今天的 agentic loop 是一个一个资源去查,像 Google 当年如果每次搜索都现场爬十个网站、花十分钟再给你十条蓝链,那又贵又慢又差。Google 的解法是索引,AI 也需要离线算好这个索引,只是更难——因为有权限制约,我能访问的数据未必你能访问,而且对象类型远不止网页。
— Ali Ghodsi同一个模型换个 harness,成本差两倍
Databricks 的应对是一整套成本治理:Unity Gateway 提供 OpenAI、Anthropic、Gemini、Grok 以及开源模型的 token 容量,按人和按组设预算上限、发预警,做成本预测分析,加智能路由在接近预算或问题简单时切到更便宜的模型。Ali 给了一个具体数字:同一个模型、同一个版本,只换 harness,实际成本能差近 2 倍。他们自建的 harness 叫 Omnigent,可以在不同 harness 之间多路复用。结果是 token 用量持续上涨,但 AI 成本基本持平。
— Ali Ghodsi原话 · 已逐字校验
First off, it's orthogonal to safety and security. Like you can slowly build a weapon. That's not different than building a weapon.
首先,它与安全和安保是正交的。你可以慢慢地造一件武器,那和造武器没有区别。
Ali Ghodsi6:16
there's so much infrastructure that's insecure right and if you're going to unleash these agents they're going to find loopholes they're going to find exploits they're going to break in here and there
有太多不安全的基础设施,而如果你放出这些 agent,它们会找到漏洞,会找到 exploit,会到处入侵。
Ali Ghodsi20:39
I do think that there are people saying like, hey, if there was a regulation that would pace us, sorry to use the word, that would be good for us. Right. That would be good for us.
我确实认为有人在说:嘿,如果有一项监管能让我们放慢节奏——抱歉用了这个词——那对我们有好处。对,那对我们有好处。
Ali Ghodsi32:44
But at the same time, also, as I said, the time from CVE to actually weaponize exploit has like been going down from years down to like minutes now, just in like three, four years. So it's real. The cyber attacks are real. And this is, but there's also a great marketing ploy to, you know, whenever you train a new model, make lots of noise around how much of a, you know, crazy risk it is to the world.
但与此同时,就像我说的,从 CVE 到真正把漏洞武器化利用的时间,在三四年里从数年降到了几分钟。所以这是真的。网络攻击是真的。但这也是一种极好的营销手段——每当你训练出一个新模型,就大肆宣扬它对世界是多大的风险。
Ali Ghodsi33:45
One has an ontology of how that organization works, who the people are, how you get stuff done. Don't look at the org chart. Don't go ask that person. He will not get anything done.
其中一个人拥有关于这个组织如何运转、人是谁、事情怎么办成的 ontology。别去看组织架构图。别去问那个人。他什么都办不成。
Ali Ghodsi47:01
So how do they do it? They have an index, right? You never leave Google servers. You search for, it hits the index, the reverse index immediately gets you the 10 blue links within, you know, less than 100 milliseconds. We need to do the same thing for the AI.
那他们是怎么做到的?他们有一个索引,对吧?你从不离开 Google 的服务器。你一搜,命中索引,倒排索引立刻在不到 100 毫秒内给你十条蓝色链接。我们需要为 AI 做同样的事。
Ali Ghodsi49:02
Turns out actually the harness itself matters. Like if you use the same model but different harnesses, there's almost 2x different cost difference. Even exactly the same model. You know, same version but different harnesses. You get 2x difference in actual cost.
事实证明 harness 本身很重要。比如你用同一个模型但不同的 harness,成本能差将近 2 倍。哪怕模型完全一样。同一个版本,只是 harness 不同,实际成本就差 2 倍。
Ali Ghodsi56:08
So, by dollar, open source is like 5%. It's very little, but by token count, it's over 60%.
按金额算,开源大约占 5%。非常少,但按 token 数算,超过 60%。
Ali Ghodsi59:09
数字与实体
| Databricks 由 AI 编写的软件占比 | 90% 多 | 13:24 |
| 训练前沿模型的算力成本 | 50 亿到 100 亿美元 | 15:24 |
| CVE 从公布到被武器化的时间(2018-2019) | 两到三年 | 24:40 |
| CVE 从公布到被武器化的时间(2022) | 八到九个月 | 24:40 |
| CVE 到武器化利用的时间 | 从数年降到几分钟,发生在三四年内 | 33:45 |
| 智能价格下降速度 | 大约每六个月降十分之一 | 41:52 |
| 同一模型换 harness 的成本差 | 近 2 倍 | 56:08 |
| 开源模型占比 | 按金额约 5%,按 token 数超过 60% | 59:09 |
| Neon/Lakebase 上由 agent 创建的数据库占比 | 超过 90% | 1:06:27 |
| Neon 数据库启动/克隆耗时 | 远低于一秒 | 1:04:22 |
术语
- pacing放慢节奏
- 前沿实验室用来包装安全议题的说法,主张主动放慢 AI 发展速度。
- RSI递归自我改进
- AI 能改进下一代 AI,形成自我加速循环。
- CVE通用漏洞披露
- 公开记录软件安全漏洞的编号体系。
- ontology本体
- 组织内部关于人、流程、权限的隐性知识结构。
- harness运行框架
- 包裹模型、负责调度工具和上下文的软件层。
- branching分支
- 在同一数据库上轻量开出多个分支,供 agent 并行实验。
收听指南
关注 AI 安全叙事、企业 agent 落地和成本治理的创业者、投资人与工程师,尤其适合正在做 agent 产品的人。
0:00-7:17 的 pacing 公关讨论可快进,核心机制在后半段。