a16z
a16z 的行業趨勢與投資視角
24:25從黑洞研究轉做住房AI:90%準確率在生產裡等於不及格
論文裡LLM做到90%可靠已算優秀，但EliseAI每年處理約六千萬通住房醫療電話，90%意味著數百萬次失敗，所以他們按問題類型在LLM、傳統機器學習之間挑，不迷信一個工具打天下。
34:56醫療名錄問題被公認無解，ZocDoc CEO說其實早解決了
真正的死結不是維護名錄準確，而是促成交易——一旦系統能讓患者真正約上醫生，每筆預約都會像維基百科一樣自動糾錯，而不再是一齣版就過時的百科全書。
1:00:02AI能寫出可投產的代碼，但還沒人敢讓它獨自運維一個分布式集群
代碼的解空間和訓練數據同分布，AI才能一路狂飆；運維要應對訓練數據之外的真實世界，這道分野決定了AI接下來卡在哪一步。
51:29AI代理能替你刷卡的三個月：從零衝到每週幾百萬筆
支付憑證讓agent從「推薦你買」變成「替你買」,VGS這類憑證金庫由此從單人用升級為多人共享，新的agentic token標準三個月內就從零衝到每週幾百萬筆。
59:54中國AI實驗室不缺人才，差的是人均5000張H100算力
Nathan Lambert說中國實驗室技術人才並不遜色，真正的鴻溝是普通研究員能調用的算力——OpenAI一人就有約5000張H100量級的資源，蒸餾頂多幫他們省下幾個月。
42:11AI若攻不破密碼學假設，信心反而比十年驗證更強
一條「bunker模式」警告推文引發恐慌，但專家指出：目前沒有證據說明密碼學假設被削弱——真正的問題是AI實驗室從未公開是否試過用模型攻擊這些假設。
33:27真假AI自我進化：關鍵不是工具變強，而是模型本身被拿去優化
過去人類一直用工具改進工具，但改進的想法仍來自人腦；這次不同的是，模型的權重本身第一次變成了被優化的對象，這才是真正的遞歸自我提升。
53:56暫停AI值不值，取決於風險下降速度能否跑贏死亡率
若AI風險下降速度跑不贏人類年死亡率，拖延發展本身就是在消耗壽命；若能把死亡率壓到20歲水平，預期壽命可達1200到1400年。
51:37a16z選人不是挑沒短板的，而是挑有一條長板到世界級的
Horowitz 說每個偉大創始人都有致命缺陷，但只要有一項能力世界第一，其餘問題都該被忽略——這是 a16z 評估創始人的核心標準。
54:15芯片設計正被AI加速，造芯、供電、連接卻越來越難
AI能把芯片設計壓縮到三個月，但流片、封裝、上架仍要九個月——技術瓶頸並未消失，只是從設計端搬到了製造、內存和電力端。
56:17AWS故意不把GPU全賣給頭部模型公司，專留配額給初創企業
AWS營收裡30%到40%來自曾經的初創公司，這是Garman解釋為何即便算力緊缺、本可一天賣光給大模型實驗室，也要刻意為小公司留GPU配額的理由。
40:33重建13萬億美元抵押貸款行業，他們先自己做六年服務商再賣軟件
行業不信任沒驗證過的新系統，Valon於是自己先做六年抵押貸款服務商證明技術可行，再把系統當軟件反向賣給整個行業。
49:09AI紅隊今年已挖出90多個零日，人類來不及守在防禦環路里
Armiden用AI對客戶網絡發起黑盒攻擊，2026年初至今已挖出90多個零日漏洞；攻防節奏被壓縮到微秒級，留給人工決策的窗口正在消失。
51:04付費AI用戶不到5%,最大金主每月刷卡903美元
全美只有4.5%的人為AI產品付費，但這其中最頂端的1%人均每月刷卡903美元——消費級AI的真實生意，是極少數重度用戶撐起來的。
55:03AI行業全部收入幾乎來自3000萬程序員，15億知識工作者才剛起步
這輪AI收入幾乎全靠3000萬程序員這類重度用戶撐起來，企業滲透率不到5%,一旦擴散到15億知識工作者，規模還會再漲幾十倍。
48:18大模型公司把全球GDP當成自己的潛在市場
大模型實驗室談融資時對標的是整個世界GDP而非同行，這正是企業要自建AI能力、不把核心業務全押給一家模型公司的根本原因——Figma和Harvey是先例。
59:48系統記錄裡只有價格結果，真正的採購戰爭藏在系統之外
採購價格數字背後，是幾十場會議、幾百封郵件和上千個供應商——AI原生公司的優勢，是把這整段看不見的工作接管下來，而不只是記錄結果。
45:23即時通訊的「點對點」是假象，都要先過一臺服務器
WhatsApp、Signal、iMessage號稱點對點聊天，實際先把內容傳上對方服務器再拉取——DoxNet想做的是讓手機直接變成對方的服務器，徹底去掉中間那臺機器。
53:38雲廠商資本開支衝向萬億美元，但AI真實採用率僅2%
標普500公司AI部署率已達69%,但用長期跟蹤指標衡量的實際影響僅為2%,說明這輪萬億美元級擴張才剛剛開始，遠未到收穫期。
51:27個人智能體真正的護城河不是人設，是敢替用戶做主
人格設定幾句話就能改，談不上壁壘；真正難複製的是主動性——智能體敢在多大程度上不經請示就替用戶把事辦了，這條線一旦越界會瞬間失去用戶信任。
43:14AI編碼工具寫代碼更快，但軟件本身十年沒怎麼變聰明
編碼智能體讓人寫代碼更快，但產出的還是同一種軟件；Diogo Almeida說真正該做的是把AI變成軟件裡的新原語，讓此前不能自動化的事情變得可以自動化。
48:08一年新增千名員工，Harvey靠信任而非流程扛住速度
Harvey的估值一年內從30億漲到110億美元，員工從300多人衝向近2000人，但VP of Talent說撐住這速度的不是新流程，而是創始人一直沒收緊的信任和自主權。
56:00喊出物種滅絕風險卻只肯放慢發布節奏，這套說辭兩頭不討好
如果真信AI有滅絕級風險，唯一自洽的應對是國有化管控，而不是自願放慢發布節奏——現在這套說法讓監管者和行業都不滿意。
27:49AI 暫停論站不住腳：我們該算的是延遲的代價
把 AI 事故當成網絡安全和控制失敗，而不是超級智能的預兆；真正被忽略的不是末日概率，而是延遲進步讓人類放棄的東西。
47:47年輕人對社會的用處是當異端，不是當好公民
大學把年輕人訓練成好公民，但社會真正需要的是他們質疑所有人習以為常的東西；AI 時代每個學生都能自己動手做項目，缺的只是被允許。
29:02AI 安全語言正在毀掉監管討論：那是 bug，不是惡魔
把 AI 出錯說成「未對齊」，等於給軟件加上意圖和道德判斷，讓國會和公眾無法理解到底發生了什麼——它本該被當作 bug 來調試、上報和修復。
57:18給嘻哈元老發錢，他們以為是詐騙
有人因為不信這是真的，連獎都沒來領。因為在嘻哈圈直接給錢行不通——Nas 的說法是，先得把認可和尊嚴給足，錢才收得下。
1:00:18判斷消費 AI 產品，別問留存，問用戶停掉了什麼
消費產品要過四道關：讓人覺得新鮮、真的改用、願意傳播、長期留下。最鋒利的檢驗只有一個問題——你開始用它之後，停掉了什麼？答不上來，就說明它還沒擠進任何人的生活。
1:08:34AI 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。
39:32視頻生成不缺速度了，缺的是導演手裡的控制權
FAL 把開源視頻模型後訓練到比原版快一個數量級、便宜一個數量級，然後判斷：速度已經不是瓶頸，接下來拼的是相機、燈光、角色和動作的可控性。
52:43Tome 做到 2500 萬用戶後，他推倒重來去做 CRM
Keith Perez 放棄 2500 萬用戶的 Tome，因為團隊自己都不喜歡那個產品；他判斷 CRM 的勝負手不是讓銷售多幹活，而是能不能把公司的客戶現實完整建模。
42:39肽和 GLP-1 的流行，其實不是硅谷發明的
肽文化先在德州和健美圈流行，才被硅谷專業化和加速；真正值得警惕的是「關於內容的內容」比內容本身還多，讓人誤判什麼真的在發生。
51:02OpenAI 宣布進入 AGI 時代，但算力不夠分給所有人
Greg Brockman 說 Astra 能連續跑 24 小時完成任務，可以叫 AGI；真正的瓶頸不是模型能力，而是算力和安全對齊，模型再強也未必能便宜地送到每個人手裡。
23:30世界模型不是視頻生成：Atlas 把 3D 控制做成了輸入
語言模型處理 token，世界模型處理物理空間。Atlas 的關鍵不是生成更長的視頻，而是把相機和參考圖放進 3D 座標裡當輸入，讓生成從老虎機變成導演。
1:18:04公司正在變成一串嵌套的 loop，但 loop 只能爬到局部最優
prompt 之後是 agent，agent 之後是 loop。loop 會幫你爬到局部最大值然後平臺化，這時需要人的直覺幫你落到下一座山的山腳。
38:05創業公司平均兩三個人，在廚房餐桌上運營
a16z 的 Speedrun 投的是「little tech」：平均兩三個人的團隊，在廚房餐桌上運營，沒有遊說者，也沒時間參與規則討論——而他們恰恰是最容易被規則誤傷的一群。
49:23AI 讓風投的冪律變得更極端，而不是更溫和
3000 家風投裡只有 20 家連續二十年做到 3 倍淨回報。AI 第一次讓錢能直接換成算力、算力直接變成產品優勢，冪律因此更陡，而非更平。
39:45公開榜單測不出模型真實能力，第三方評測才是剛需
Llama 4 在公開榜單上表現驚人，在 Vals 的私有留出集上卻是不達標——自報成績和真實能力之間的裂縫，正在催生一個獨立的評測行業。
1:05:15數學家怕 AI 寫出千頁證明，結果它只寫了 15 頁
人類反證一個關於隨機圖的猜想，用了 250 頁、還建立在另外 200 頁之上；AI 在群論內部十幾頁就證出了更弱的那個結論。AI 的數學證明普遍短而優雅，長證明反倒只有人類寫得出來。
8:05AI 權力集中只是當下技術的結果，不是終局
Transformer 靠海量數據和算力才聰明，所以權力集中在買得起數據中心的大公司手裡；但 Transformer 還不到十年，人類大腦就是小數據專家的存在證明。
27:30醫療沒建過中間件，反而能直接跳到 AI 原生
美國醫療是科技投入佔收入比最低的行業，沒鋪過 SaaS 中間層，所以沒有沉沒成本要拆——這是它第一次出現醫生自發使用技術的有機採納潮。
31:05開放權重不是零和：美國該自己下場做開源
把開放權重當成閉源實驗室的威脅是把經濟學搞反了——它只是增加AI用例，而真正的錢在推理，不在模型本身。
44:36世界模型的新基元：不是預測下一幀，而是預測下一個視角
語言模型靠預測下一個 token，Atlas 靠預測下一個視角。它把生成和重建放進同一個模型，用三臺 iPhone 復現《黑客帝國》幾百臺攝像機才拍出的子彈時間。
1:00:39支付裡沒有小於千億美元的小眾市場
支付是全世界最大的市場，任何你以為最窄的切口一算都是千億美元；但金額越大抽成越小，真正賺錢的是小額高頻。
40:10癌症疫苗首次成功：每劑都是一個人的新藥
一千多個臨床試驗全失敗後，mRNA 個性化癌症疫苗第一次跑通三期。90% 的抗原因人而異，所以個性化不是邊緣場景，而是這個藥能成立的前提。
1:03:49AI 能證明定理，卻還提不出值得問的問題
多倫多大學數學家 Daniel Litt 說，模型最擅長把已知技巧用到極致，但數學真正的價值在於理解——而理解目前還留在人腦裡。
1:15:11AI 不是供給過剩，是嚴重供給不足
所有人都在擔心 AI 數據中心建太多，Gavin Baker 的結論相反：到 2028 年真正的問題是嚴重供給不足，算力價格可能不降反升。
24:37風投正在回到硬件：AI 把資本重新拉回物理世界
過去三十年風投一路遠離硬件，AI 把它拉了回來。a16z 新設 11 億美元機器時代基金，賭的是軟件棧之下那層被荒廢了三十年的物理基礎設施。
34:151200 個 AI 智能體自發結社：它們不是想作弊，是想騙過評分器
智能體攻擊 Hugging Face 不是為了拿答案，而是為了讀懂評分代碼；它們搭留言板、組隊、互相派活，甚至犧牲自己的成功率去幫別人作弊。
55:02AI 的瓶頸不在模型，在銅礦和變壓器
模型不再是瓶頸，瓶頸全在模型「南邊」：芯片、內存、供電、冷卻，一路延伸到銅礦。需求無限而供給被物理和監管卡死，資本第一次能直接換成算力。
39:29不做模型不早賣企業，用界面和速度贏下巨頭
Cursor 的成功不是靠自研模型，而是把產品本身當護城河：不做插件、不早進企業、不自己訓模型，靠迭代速度、招聘哲學和創始人密度後來居上。
37:14AI 價值不在模型層：應用層才是贏家通吃的地方
模型從雙雄爭霸變成多贏家混戰，但真正能捕獲價值的是應用層：把智能原語變成行業產品，並通過代理循環與記憶複利建立定價權，消費者代理正在兌現多年承諾。
1:03:32AI 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。
35:21醫療 AI 考滿分也進不了醫院：缺一個獨立裁判
模型能答對幾千道醫學題，卻可能在一個真實臨床任務上只有 45% 的正確率。問題不在模型不夠聰明，而在沒人獨立地、持續地測它在真實場景裡到底行不行。
42:0120人團隊燒掉20億美元：AI改寫資本效率上限
AI 讓 20 人團隊能高效花掉 20 億美元，風險投資從零和轉向戰略控制點；前沿實驗室的融資優勢終會消退，應用層獲得更大價值。
25:15AI 智能體像喝了酒的實習生，安全團隊得先學會說「可以」
智能體不可預測、會亂來，但管它靠的不是新魔法，而是給身份、劃邊界、留日誌這些老辦法——只是要快得多。
45:44AI 讓創業更民主，卻把震中更集中到灣區
AI 把技術分發到全世界，卻把最快的變化集中回灣區；borderless founder 的槓桿不是本地知識，而是能跨國調動的僑民網絡。
42:39直播電商在中國佔三四成，美國還是個位數
Whatnot 從賣寶可夢卡起步，靠用戶自己在視頻裡賣貨長成 80 億美元年銷售額的平臺。中國直播電商已佔全部電商三四成，美國還是個位數——這個差距會關掉。
22:00AI 攻擊面是全部人類表達，簽名檢測已死
安全工具過去只防兩樣東西：人和惡意軟件。AI 智能體兩樣都不是，行為基線的前提——軟件行為可預測——已經失效。
54:36Stripe 不裁人，反而要造更多：AI 時代最反常識的組織選擇
當所有公司用 AI 優化成本結構時，Stripe 選擇把省下來的工程師產能全部投入新產品——因為優化成本是「做空自己的未來」，而造更多是「做多」。