世界太吵,來原聲聽播客

a16z

AI 放慢節奏是公關失誤,網絡攻擊才是真風險

前沿實驗室把安全包裝成 pacing 是兩頭不討好;真正緊迫的是 CVE 武器化時間從數年壓到幾分鐘,而企業裡還沒有 agent,只有更快的搜索。

AI 安全網絡攻擊企業 agent成本治理開源模型

原視頻在 YouTube 上放不出來,用音頻聽:

Databricks CEO 把 pacing、RSI 判據、網絡攻擊曲線、企業 agent 落地和成本治理一次講透,後半段 ontology 和 harness 的機制最值錢。

核心論點 · 點時間戳可跳到原聲

0:00

pacing 是公關失誤,不是安全策略

Ali 認為前沿實驗室把「安全」包裝成「pacing(放慢節奏)」是一次典型的公關失誤。pacing 與安全正交——你可以慢慢造武器,那和造武器沒區別;而且這些公司一直在全速奔跑、還在買更多算力,說 pacing 沒人信。結果是兩頭不討好:doomer 覺得這不是 pause,政策派覺得你根本不會做。他主張該說的是「secure the frontier」,而不是「pace the frontier」。

— Ali Ghodsi
12:24

RSI 要同時滿足四個條件才算數

Ali 給出判斷遞歸自我改進是否發生的四條標準,必須同時成立:下一代模型訓練所需資源(GPU)更少、訓練時間更短、智能/準確率更高,且這三件事能反覆重複。任何一條不成立,系統就會自我限速——比如資源恆定,就會撞上硬件牆。他強調「軟件寫軟件」今天已經發生,Databricks 裡 90% 多的軟件由 AI 寫,但這不等於超級智能。

— Ali Ghodsi
15:24

前沿訓練的成本曲線正好相反

Sarah 指出訓練前沿模型的算力門檻一直在漲,從 1 億到 10 億,現在大概是 50 到 100 億。Ali 補充:一年只有一兩次這樣的訓練,而且它完全違反那四條標準——需要更多資源、更多人、更脆弱,還要建數據中心、搞網絡、提升容錯。跑砸過好幾次,失敗就是燒掉鉅額資金。所以現實是「更慢、更脆、更難」,而不是「更快更便宜更聰明」。

— Ali Ghodsi / Sarah Wang
24:40

漏洞武器化時間從兩三年壓到幾小時

Ali 給出這條曲線:2018、2019 年,一個 CVE 從公布到被武器化大約要兩三年;到 2022 年降到八九個月;從 2022 年到現在,已經壓到基本是幾小時、幾乎沒時間。原因是數據與 AI 正在和網絡安全市場合並——公司內部跑著大量 agent,產生海量日誌和痕跡,需要分析的數據量比一兩年前多了好幾個數量級。

— Ali Ghodsi
32:44

說 AI 會毀滅世界,同時問你要不要 IPO 份額

Ali 承認兩件事可以同時為真:確實有人被 AI 風險嚇到,也確實有人希望監管來「pace us」——因為放慢速度對自己有利。他說人總能把利益和恐懼在心裡調和成和諧的一套。過去行業裡一直有這種營銷手法:新模型一訓練出來就大喊它好到嚇人,全世界注意力就過來了。但他同時給了另一側:從 CVE 到真正武器化利用的時間,三四年裡從數年壓到了幾分鐘,網絡攻擊是真的。所以「嚇人」既是真實風險,也是極好的營銷。

— Ali Ghodsi
39:50

企業裡沒有智能體,只有更快的搜索

Ali 現場做過調查:問聽眾有多少人在管理成百上千個互相協調、談判的 agent,幾乎沒人舉手。多數企業用的就是 Microsoft Copilot,本質是聊天機器人——「非常非常美化的高效 Google 搜索」。編程是唯一真正落地的場景,但 ROI 可議。他認為原因不是模型不夠聰明,而是模型沒有組織內部的 context:它沒參加過每一場會,不知道每個人腦子裡想什麼,不知道流程。每個組織里總有幾個什麼都知道的員工,你拍他肩膀會想「他要是辭職了怎麼辦」。把這份 context 灌進今天的前沿模型,就能拿到巨大生產力,而這不需要更聰明的模型。

— Ali Ghodsi
47:01

ontology 就是那個幹了五年的老員工

Ali 用一個具體畫面解釋 ontology:兩個同樣聰明、同樣努力、教育背景相同的人,一個今天第一天上班,一個已經幹了五年。差別在於後者知道組織怎麼運轉、人是誰、事情怎麼推動——「別去看 org chart,別去問那個人,他什麼都辦不成」。這就是 ontology,是散在所有人腦子裡的隱性知識。他把它和 agent 的現狀對比:今天的 agentic loop 是一個一個資源去查,像 Google 當年如果每次搜索都現場爬十個網站、花十分鐘再給你十條藍鏈,那又貴又慢又差。Google 的解法是索引,AI 也需要離線算好這個索引,只是更難——因為有權限制約,我能訪問的數據未必你能訪問,而且對象類型遠不止網頁。

— Ali Ghodsi
56:08

同一個模型換個 harness,成本差兩倍

Databricks 的應對是一整套成本治理:Unity Gateway 提供 OpenAI、Anthropic、Gemini、Grok 以及開源模型的 token 容量,按人和按組設預算上限、發預警,做成本預測分析,加智能路由在接近預算或問題簡單時切到更便宜的模型。Ali 給了一個具體數字:同一個模型、同一個版本,只換 harness,實際成本能差近 2 倍。他們自建的 harness 叫 Omnigent,可以在不同 harness 之間多路複用。結果是 token 用量持續上漲,但 AI 成本基本持平。

— Ali Ghodsi

原話 · 已逐字校驗

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,它與安全和安保是正交的。你可以慢慢地造一件武器,那和造武器沒有區別。

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

有太多不安全的基礎設施,而如果你放出這些 agent,它們會找到漏洞,會找到 exploit,會到處入侵。

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.

我確實認為有人在說:嘿,如果有一項監管能讓我們放慢節奏——抱歉用了這個詞——那對我們有好處。對,那對我們有好處。

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.

但與此同時,就像我說的,從 CVE 到真正把漏洞武器化利用的時間,在三四年裡從數年降到了幾分鐘。所以這是真的。網絡攻擊是真的。但這也是一種極好的營銷手段——每當你訓練出一個新模型,就大肆宣揚它對世界是多大的風險。

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.

其中一個人擁有關於這個組織如何運轉、人是誰、事情怎麼辦成的 ontology。別去看組織架構圖。別去問那個人。他什麼都辦不成。

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.

那他們是怎麼做到的?他們有一個索引,對吧?你從不離開 Google 的服務器。你一搜,命中索引,倒排索引立刻在不到 100 毫秒內給你十條藍色鏈接。我們需要為 AI 做同樣的事。

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.

事實證明 harness 本身很重要。比如你用同一個模型但不同的 harness,成本能差將近 2 倍。哪怕模型完全一樣。同一個版本,只是 harness 不同,實際成本就差 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%.

按金額算,開源大約佔 5%。非常少,但按 token 數算,超過 60%。

Ali Ghodsi59:09

數字與實體

Databricks 由 AI 編寫的軟件佔比90% 多13:24
訓練前沿模型的算力成本50 億到 100 億美元15:24
CVE 從公布到被武器化的時間(2018-2019)兩到三年24:40
CVE 從公布到被武器化的時間(2022)八到九個月24:40
CVE 到武器化利用的時間從數年降到幾分鐘,發生在三四年內33:45
智能價格下降速度大約每六個月降十分之一41:52
同一模型換 harness 的成本差近 2 倍56:08
開源模型佔比按金額約 5%,按 token 數超過 60%59:09
Neon/Lakebase 上由 agent 創建的數據庫佔比超過 90%1:06:27
Neon 數據庫啟動/克隆耗時遠低於一秒1:04:22

術語

pacing放慢節奏
前沿實驗室用來包裝安全議題的說法,主張主動放慢 AI 發展速度。
RSI遞歸自我改進
AI 能改進下一代 AI,形成自我加速循環。
CVE通用漏洞披露
公開記錄軟件安全漏洞的編號體系。
ontology本體
組織內部關於人、流程、權限的隱性知識結構。
harness運行框架
包裹模型、負責調度工具和上下文的軟件層。
branching分支
在同一數據庫上輕量開出多個分支,供 agent 並行實驗。

收聽指南

誰該聽

關注 AI 安全敘事、企業 agent 落地和成本治理的創業者、投資人與工程師,尤其適合正在做 agent 產品的人。

可跳過

0:00-7:17 的 pacing 公關討論可快進,核心機制在後半段。