AI 把軟件業從工程約束變成資本約束
Martin Casado 與 Steven Sinofsky 的核心判斷：AI 把軟件業從工程約束變成資本約束——20 人的團隊也能有效花掉 10 億美元，創業公司因此能和巨頭同場競爭。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
數學難題被攻克，不代表市場願意付錢
Martin 提醒，AI 在數學上的進展被過度解讀。很多被攻克的難題長期存在，但相關博士後工資總和並不高，說明市場從未認為它們值得重金解決。AI 擅長的是純公理系統，這不能證明它解決了市場真正卡住的經濟問題。在他看來，數學是市場興趣的領先指標，但「解決了難題」和「創造經濟價值」之間還有很遠的距離。
— Martin Casado算力改寫數學早有先例，不是 AI 的新聞
Steven 用四色定理證明「算力改變數學」並非新鮮事：圖論裡一直想要微積分式的優雅證明，最後沒人給出，但有人證明候選解數量有限，再用計算機把所有情況窮舉完，結論是四種顏色一定夠。這個證明 200 頁，只能靠機器完成，而它當時確實有實際用途。他的結論是：當一類問題被新的抽象層覆蓋，工具和產業鏈會跟著出現。
— Steven SinofskyAI 是第一層映射不到確定性機器的抽象
Steven 展示了 1953 年 IBM 宣傳冊：它首次向普通讀者解釋二進制、存儲、算術單元這些詞；75 年來計算機組織始終是輸入、存儲、運算、控制、輸出五層。每一層抽象都曾養活一個專業，後來塌縮成系統的一部分。他的問題是：如果 AI 是下一層抽象，它不像過去的層那樣能向下映射到確定性的機器，我們可能需要重新思考計算本身。
— Steven Sinofsky軟件業的瓶頸第一次從工程變成資本
Martin 把資本反轉講得很具體：20 年前給 10 人團隊 10 億美元，你只能拼命招人，錢很難有效花掉；今天給 20 人 10 億美元，他們可以全部換成算力，並且在一年內變成產品。軟件業第一次從工程約束變成資本約束。這也意味著募集鉅額資金不是 crazy，而是新紀律：小團隊 + 大資本 + 算力可以產生過去需要上萬人的產出。
— Martin Casado錢越多不是越擠，TAM 是被做大的
Martin 回應「錢太多、項目太少」的零和論：流入 private market 的錢越多，公司選擇更晚上市，更多價值留在 private side，所以 TAM 是被做大的而不是被分完的。AI 是極少數能真正消耗巨量資本的賽道，這也讓早期投資從零和轉向正和。對創業者而言，今天的融資能力本身就是核心競爭力。
— Martin Casado巨頭只盯著同級對手，所以看不見創業公司
Steven 拆解了為什麼創業公司敢挑戰巨頭：AI 同時解決了兩件事——需求不確定和分發成本。算力可以按需買，token 的需求近似無限，投入多少推廣就可以換來多少增長，所以 Cursor、Anthropic、OpenAI 才會爆發式增長。而巨頭只盯著同級對手：微軟更怕 Amazon 和 Google，不會認真看創業公司，這正是新一代 AI 公司能長出來的原因。
— Steven Sinofsky我反對快速起飛是對的，錯在低估規模法則
Martin 承認自己過去反對 Foom 和遞歸自我改進那種「快速起飛」敘事，但他錯的是另一件事：規模法則仍然成立，你確實可以不斷往模型裡砸錢。如果做一次 1000 億美元的訓練，這個數字產物包含的算力和數據是人類從未造過的，沒人能預測它能做什麼。這不是模型會不會失控的問題，而是資源高度集中之後，無論用於治病還是造武器，後果都無法預知。
— Martin Casado原話 · 已逐字校驗
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.
現在，如果我給 20 個人 10 億美元，他們真的能把它有效用掉。我們差不多把整個行業從一個工程約束問題變成了資本問題，這是根本性的不同。
Martin Casado0:00
But for me, it's still in the domain of it's really good at playing a game.
但對我來說，它仍然只是很擅長玩遊戲。
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.
但他們基本上證明了解的數量是有限的，然後他們就把所有情況都算了一遍，說，看，只需要四種顏色。
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.
創業公司不正面進攻巨頭，巨頭也不注意它們。巨頭只關心其他巨頭——微軟更擔心亞馬遜和谷歌在做什麼，而不是任何創業公司。
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。他們有全部數據，有全部智力。但他們的模型正在被打敗——被 OpenAI 和 Anthropic 打敗。
Steven Sinofsky51:48
I did not know that we could effectively just continue to pour money in this like the scaling laws are holding.
我沒想到的是，我們可以繼續這樣往裡面砸錢，而規模法則仍然成立。
Martin Casado1:00:18
數字與實體
| 四色定理證明篇幅 | 200 頁 | 10:50 |
| IBM 宣傳冊年份 | 1953 年 | 20:12 |
| 假想訓練投入 | 1000 億美元 | 1:00:18 |
術語
- Foom快速起飛
- AI 自我改進後迅速失控、接管一切的假想場景。
- TAM可服務市場總量
- Total Addressable Market，風險投資衡量市場空間的總盤子。
- in-distribution分布內
- 模型只能處理與訓練數據同分布的問題，不能泛化到分布外。
- Mythical man-month人月神話
- 布魯克斯定律：給延誤的軟件項目加人只會更慢，溝通成本非線性增長。
- expert systems專家系統
- 80 年代基於人工規則模擬專家決策的 AI 分支，後來基本失敗。
收聽指南
創業者、投資人、AI 產品負責人；尤其適合正在糾結要不要重倉算力、以及如何面對巨頭競爭的團隊。
開頭數學哲學的鋪墊可快進，重點從「20 人花 10 億」開始。