加密硬盘现在被偷，五年后也可能被量子计算机破解
IBM和Palo Alto Networks的CEO说，量子计算机预计2030年前后就能破解今天的加密算法，而后量子密码学方案早已现成，只是企业一直懒得换。
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
现在就该换掉不抗量子的基建
这不是等到2030年量子计算机真正成熟才需要行动的问题。Arvind Krishna说，一旦量子计算机能破解今天的加密算法，企业IT系统里几乎所有密钥都会失效；更麻烦的是，如果一块加密硬盘今天被偷走，攻击者可以先存着，等五年后量子计算机够强了再破解。后量子密码学的算法早就写好、技术也公开可用，只是大多数企业懒得部署。他估计企业今年的IT预算里，大概有一半花在了不具备抗量子能力的基础设施上。
— Arvind KrishnaAI破不了量子密码，这是物理限制
有人认为AI模型可能比量子计算机更快帮人类破解加密。Arvind不同意，理由来自费曼：你不能在一种架构上模拟另一种架构还指望效率不打折。量子计算机不是按算术规则运行的，GPU和经典计算机都是。AI可以发现新的量子算法，但如果拿经典硬件去跑这个算法，效率会慢上千倍甚至万倍——证明算法可行不等于能真正拿到量子加速的好处。不过他也承认，如果经典数学（比如对质数分布有更好的预测模型）取得突破，理论上也能用经典算力破解密码，只是没人知道要花多久。
— Arvind Krishna开源权重模型将吃掉大部分token
Arvind给出一个具体测算：今天前沿模型大约每百万token收费20美元（最贵到50美元），如果换成一个8000亿参数的中国开源模型，自己上GPU、花一周工程优化，成本能降到每百万token 1到2美元，便宜十几到四十倍。除了价格，企业还担心把完整推理链条交给第三方等于泄露自己的IP，而前沿模型公司又不会把模型权重给你。再加上地缘政治——目前最好的开源权重模型来自中国——三股力量叠加，他预测未来75%到90%的token消耗会流向开源权重模型。
— Arvind KrishnaMythos常瞎编，但攻击方只需赢一次
Nikesh讲了Palo Alto Networks的AI安全产品Mythos踩过的坑：模型学会了什么是好代码，自然也能学会识别坏代码，刚上线时对代码漏洞的判断有30%是在瞎编。但这不妨碍它有用，因为网络安全的游戏规则本来就不对称：攻击者只需要找到一个漏洞就能得手，防守方却必须找出并修补每一个漏洞。现场多数人实测下来，模型报出来的漏洞大概60%到80%是真的，剩下是幻觉——也就是说，用了也必须人工复核，不能直接拿模型生成的补丁上线。
— Nikesh Arora造出来就要负责，不能说不知道怎么控制
面对「全球都在搞AI军备竞赛、谁都不会主动放慢」的现实，Nikesh认为最终能落地的不是暂停研发，而是产品责任：你造了什么、放出去了什么，就要为它负责。他直接反驳「模型自己写的代码、自己失控」这种说法——不是软件自己写了自己，是你写的，而且公司是商业主体，收了钱提供服务，就必须承担相应的责任。他认为现有监管框架已经足够要求企业对自己放出去的东西负责，但也承认各国不可能齐心协力一起减速，谁慢下来只会让别人趁机追上。
— Nikesh Arora算力贫富差距是地理问题不是钱的问题
讨论AI会不会制造出「有算力的」和「没算力的」两个世界时，Nikesh给出一个反直觉的判断：真正的鸿沟不在于谁付得起钱，而在于谁离算力的「震中」近。他认为技术本身会越做越便宜，普通企业只要能正常经营，大概率负担得起防护或使用AI所需的开销；但眼下算力极度稀缺，供给集中在少数一两个大国，离这个中心越远的国家和公司，不是因为穷，而是供给根本分不到，天然拿不到足够的算力去创新和落地。
— Nikesh AroraIBM大型机活65年，因为从沙子做起
聊到纵向整合，Arvind用IBM自己的历史举例：大型机这条产品线存活了65年，原因是上世纪60年代IBM把整条供应链一路整合到泥土——自己找沙子、自己造晶圆、自己建晶圆厂、自己做芯片，机器外围的每一个部件都是自研的，这样做避免了IP外流，也让整条价值链的利润都留在公司内部。今天IBM已经不再自己做晶圆厂，但芯片设计、工程、系统韧性、大部分软件仍然自研。他把英伟达也归为同类——Jensen Huang从硬件一路做到应用层，还反过来资助生态里的其他公司，防止它们脱离这套纵向整合体系。
— Arvind Krishna企业平均用着上千个软件供应商
Nikesh先从网络安全行业切入：客户现在要买40种不同的安全产品再自己拼起来，而这个行业连自己的东西都未必弄明白，更别说理解别人家的产品还要把十几个厂商的东西拼在一起。他拿Fidelity早年用23套系统拼成CRM、后来被一体化平台取代做类比，预测同样的整合会发生在网络安全领域。Arvind把这个逻辑推广到整个企业软件：普通企业平均要用500到5000个不同的软件供应商，这本身就是一个巨大的攻击面；如果能用AI能力替代掉其中490个，只保留5到10个主力平台，整合就是必然趋势，只是时间早晚的问题。
— Nikesh Arora原话 · 已逐字校验
So you should be replacing your IT stack today with quantum safe or quantum proof infrastructure right now.
你现在就应该把IT基础设施换成抗量子或量子安全的方案。
Arvind Krishna5:14
You cannot simulate something on a different architecture and expect a more efficient result.
你不能在另一种架构上模拟一件事，还指望效率不打折。
Arvind Krishna7:26
The best open weight models today are Chinese.
目前最好的开源权重模型来自中国。
Arvind Krishna13:43
If you teach a model what good code looks like, it also can figure out what bad code looks like.
如果你教会一个模型什么是好代码，它也能学会识别什么是坏代码。
Nikesh Arora16:47
But the problem is the reason it's perfect for attackers is they just need one vulnerability. They don't need 10 vulnerabilities. If you're a defender, you need to find every vulnerability and patch it.
问题在于，这对攻击者来说太有利了——他们只需要一个漏洞，不需要十个漏洞。而作为防守方，你必须找到并修补每一个漏洞。
Nikesh Arora16:47
If you build something and unleash it, you can't unleash and say, oops, I don't know how to control it. That argument doesn't work.
如果你造出了什么又把它放出去，你不能事后说『哦，我不知道怎么控制它』，这个说法站不住脚。
Nikesh Arora23:17
The IBM mainframe has lasted 65 years. Why? It was vertically integrated.
IBM大型机存活了65年。为什么？因为它是纵向整合的。
Arvind Krishna30:21
The average enterprise uses anywhere from 500 to 5,000 distinct software vendors.
普通企业平均要使用500到5000个不同的软件供应商。
Arvind Krishna37:37
数字与实体
| 量子计算机破解现有加密的预估时间 | 约2030年（取区间中点） | 1:03 |
| 物理量子比特与逻辑量子比特比例 | 约10,000个物理比特对应约200个逻辑比特 | 4:11 |
| 前沿模型token成本 | 每百万token约20美元，最高50美元 | 12:42 |
| 优化后开源模型token成本 | 每百万token约1-2美元 | 12:42 |
| 预测未来开源权重模型占token消耗比例 | 75%-90% | 13:43 |
| Mythos代码审查早期幻觉率 | 30% | 16:47 |
| 模型报出漏洞的真实率 | 约60%-80%为真，其余为幻觉 | 17:49 |
| IBM大型机存活时长 | 65年 | 30:21 |
| 企业平均使用软件供应商数量 | 500到5000个 | 37:37 |
术语
- QBI (Quantum Benchmarking Initiative)量子计算基准测评竞赛
- DARPA发起的多公司竞赛，评估谁能造出真正可用的量子计算机
- logical qubit逻辑量子比特
- 对物理量子比特纠错后，等效可用的「干净」量子比特单元
- post-quantum cryptography后量子密码学
- 专门设计用来抵御量子计算机破解的新一代加密算法
- ZDR (zero data retention)零数据留存
- 服务商承诺不保留、不用客户数据训练模型的协议条款
- open weight model开放权重模型
- 公开模型参数供下载部署，但未必公开训练数据和代码
收听指南
负责企业安全架构、评估开源与闭源模型选型、或关注SaaS并购整合趋势的人。
34分钟附近逐字稿出现重复卡顿，无实质内容，可跳过。