摘要

Martin Casado 的核心论点是：AI 已把行业从工程受限推向资本受限，改变了投资者对资本、创新、竞争和防御性的先验判断。 “现在，如果给20个人10亿美元，他们确实能把这笔钱用好。”Sinofsky 补充了历史上的相似轨迹：计算机行业最初30–40年受资本约束，随后转为受工程约束，如今又回到资本约束——“得跳回40年前。”
两人都提醒，登上头条的数学突破尚不足以证明经济价值。 Casado 的检验标准是经济效用：这些问题历年来投入的博士后薪资加总“可能并不多”，因此解决它们只能说明模型擅长公理化系统，并不意味着它们打通了市场——“对我来说，它仍然属于：它非常擅长玩一个游戏。这是有史以来最强的 StarCraft 玩家。”所谓“如果它能解决所有数学问题，就能预测一切”，是“一个巨大的逻辑跳跃”。
AI 在分发和资本上的优势，已经让初创公司站上了与大公司竞争的同一起跑线。 Casado 表示：“AI 解决了分发问题——也解决了需求问题。”对 token 和 GPU 的需求几乎没有上限，因此漏斗前端的增长变成了预算决策；与此同时，巨额融资让挑战者获得了与 Microsoft 等大型公司正面竞争的资本实力。这正是 Cursor、Anthropic 和 OpenAI 呈现陨石式增长的原因。
大公司的失速主要仍是文化问题，而 AI 正在削弱传统上压制初创公司的劣势。 曾在 Microsoft 内部应对 ARM 冲击的 Sinofsky（“我拿出了第一台 Surface……‘里面是 ARM 芯片’”）表示，大公司很难轻易改变考核指标、地推销售、上市路径、薪酬和组织结构。他说 Google 拥有充足的数据和智能，但其模型正被 OpenAI 和 Anthropic 全面压过；Casado 则将其归因于文化因素，并指出大公司似乎还受到资本约束，包括 Google 的债券交易，以及关于某家未具名公司配给 token、导致内部产品缺乏资源的传闻。
Sinofsky 认为，我们理解超大规模数字产物的构建机制，却不了解它们的能力边界；Casado 则指出了自己判断失误的地方。 Sinofsky 将当前模型描述为受数据约束、主要停留在分布内，认为迁移学习可能并不存在，也认为我们大概还没有进入快速起飞阶段；但他承认，没有人能推演一个投入50亿美元打造的数字产物，更不用说1000亿美元的训练运行。Casado 说自己曾排除递归自我改进的可能，却没有意识到 scaling laws 可能持续吸收资本。他认为，一个200亿美元的数字产物或许能治愈癌症；但资源如此集中，也可能带来危险。
可交易的重新表述是：当资本可以被投入时，过去看似无限的问题可以变成有限问题。 Casado 说：“我想穷举每一种蛋白质组合——我们完全可以把它变成一个钱的问题。”对 VC 而言，“太多资本追逐太少交易”是零和思维；更多私人资本可以通过消耗资本的技术浪潮扩大市场，也能让公司更长时间保持私有，从而让更多价值留在私募市场。
Casado 的哲学警告是：这可能不只是又一层抽象，因为它意味着我们正在放弃逻辑本身。 以往每一层抽象都能确定性地向下映射；专家系统和 Prolog 仍由人类定义最终状态。如今则变成“你得用正确的话向模型之神祈祷”，然后得到一个碰巧有用的答案。这可能迫使行业老兵重新建立关于模型与应用的价值捕获、保证、生产率和防御性的基本判断。
Sinofsky 的制衡观点是：工具恐慌会反复出现，而应用浪潮才是真正的奖赏。 画图计算器、因被禁止用于 Harvard Law 考试的 Osborne 电脑，以及 Cornell 拒绝在大一写作课中使用 AI，都在重复同一模式：“人们对变化的反应，超过了对基线的反应。”当资本可以替代长达10年的招聘周期，领域专家终于可能为“软件尚未服务的世界——而那实际上就是全部世界”开发软件。Erik 总结这一转变：“无代码终于来了”（“No-code is finally here."）。

精读

1. 数学时刻将世界一分为二——真正兴奋的是数学家

Erik 先提到 Jared Kaplan 几天前的一条推文：让 Claude 尝试证明黎曼猜想，并要求它“再努力一点”。Sinofsky 的判断是，这一刻把人分成极度兴奋的一派，以及认为“这是假的，AI 会抢走人们工作”的一派；真正让所有人困惑的是，“最兴奋的那群人主要是数学家”，也就是受影响最直接的人。
两人一开始就承认自己的局限——“你现在听到的是两个系统工程师、两个产品人……数学不是我们的专长”——因为这场讨论本来就是站在看台上、从第一性原理出发的推演。
Casado 则给“数学家都很兴奋”这个判断加了复杂性：他看到的反应其实很分裂。一些数学家说，AI“解决了我20%的工作——而且正好是我不喜欢的那20%”；另一些人则陷入“存在主义危机”。他提出了一个带有犬儒色彩、后来又部分收回的假设：如果有人因为一个问题被解决而沮丧，“也许这个问题全部的效用，真的就是让某个人一直有工作去解决它”。

2. Casado 的经济效用测试：这到底解决了市场真正想解决的问题吗？

核心论点是：把这些著名问题多年来投入的博士后薪资加总起来，“可能并不多”。市场从未为解决它们提供巨大的经济激励，因此，一个问题长期存在，并不能证明解决它就会释放市场价值。一个博士后“花5年时间反复琢磨一个问题，每年拿3万美元”，与市场决定“这就是需要被打通的关键问题”，完全是两回事。
他的第二个观察是，AI 擅长一个“几乎纯粹的公理化领域”，并不令人意外，因为这类问题要求横跨彼此分离的领域。读过那些备受关注的解法后，他发现“解法其实很直接，只是借用了我不了解的一点数学”。其中的元学习是：AI 会解决那些对大多数人或大多数教育体系来说“过于宽泛”的问题。
Sinofsky 提供了另一面：数学“很可能是市场未来可能感兴趣什么的前沿指标”。他的例子是 AT&T 的一个线性代数算法：它的实际回报，是把 United Airlines 的航线图算出来，而且“比上周少花3小时”。Casado 仍坚持原来的判断：今天的数学问题也许确实是关键解锁点，“只是我还没有看到证据”。初创公司的路演则分成两派：一派认为“AGI 和推理的基础将是数学”，另一派回应说，数学“无法告诉你任何关于现实的事情”。

3. 四色定理的先例：算力把问题类别变成工具

Sinofsky 讲了一个由 Cornell 的 John Hopcroft 教给他的历史案例：四色定理认为，任何二维平面地图都可以用4种颜色着色，且相邻区域不能使用同一种颜色。它并不是通过“一种看起来像微积分的证明”得出的；相反，研究者先证明解空间是有限的——大约有200页组合——然后把所有组合都算了一遍。这个结果之所以可能，靠的是算力；它的用途则在于为实践设定边界。
他从中提炼出的 AI 启示是：“当你拥有一个新的抽象层级，能够说明一整类问题都可以被解决时，就可以在这个抽象层级上构建工具。”人们不必再从2–3-tree 的表示方式开始理解问题。
Sinofsky 将数学与历史作了对比：数学拥有“极其漫长的抽象分层历史”，而历史“基本没有抽象……只有一堆事实”，人们再从这些事实中建立解释模型。

4. 数学终究能预测物理现实吗？Casado 认为两者可能彼此分离

Casado 结合自己编写大型仿真代码的经历——包括爆炸恒星、风洞中的飞机等现象——表示，这些系统会计算规模巨大的微分方程，但基础仍然是经验结果。Sinofsky 补充说，状态方程本身也来自经验。
Casado 进一步追问：仿真是否在计算上不可约，也就是说必须实际运行仿真本身；如果是这样，AI 在数学上的能力可能帮不上忙。他承认，某些独立的算法、建模或物流领域可能会受益，但自己并不确定。
对于“解决所有数学问题就意味着可以预测一切”这一说法，他的结论是：“我认为这是一个巨大的逻辑跳跃。”目前并不清楚这一说法是否成立，也没有任何迹象支持它。“这颗恒星会不会爆炸”和“这栋楼能不能站住”，与解决一个公理化游戏仍然是不同的问题。

5. Curta、Osborne，以及永恒的禁用冲动：人们对变化做出反应，而不是对基线做出反应

Sinofsky 用手边的物件来说明这一点：先是一件从北京市场买来的基础数学工具，接着是 Curta——一种奥地利制造、形似咖啡研磨机的圆形计算尺。Curta 由600个精密加工的金属部件组成，是他的叔叔从战争中带回来的；如果今天重新制造，成本会达到5万美元。它说明，一种新工具可以创造出一层新的、可解决的问题。
TI-85 出现后，“所有数学老师都陷入了危机”：学生可以直接在计算器上绘制方程、求解方程，于是“我们的领域完了”。Sinofsky 想表达的更大观点是，人们对变化的反应，往往超过对自己原本接受的基线的反应；对于早已把微积分视为基础的人来说，微积分并没有让他们感到受到威胁。
各种“证据”不断堆积：有2名学生带着 Apple II 和 Osborne 参加 Harvard Law 考试，学校随后禁止使用电脑；当时的文章会写“不要使用图形计算器”，更广泛的文化警告还包括“不要听说唱音乐”和“不要玩 Dungeons and Dragons”。3年前，Sinofsky 曾试图推动 Cornell 在大一写作课中使用 AI，结果“他们直接不再和我说话”；而在1983年秋天，他使用自己的电脑完成大一英语论文，还需要院长批准。
更深层的经济脉络是，计算机一次次从具体效用中发展出来：先是计算潮汐，随后是弹道学和其他战争相关问题；再到 Bletchley Park 的破译工作；以及能够以人类数千倍速度完成计算的机器。这些应用在文化上受到推崇，家长也鼓励孩子学习背后的数学。Casado 始终追问的是，今天模型与数学的进展是否也在阻挡某些真正的经济价值：“我不知道答案。”

6. Casado 真正担心的事：这一抽象层不同，因为我们正在放弃逻辑

Casado 的观点更多是怀疑而非定论：“我不认为在计算机科学的历史上……我们曾经放弃过真正的推理或逻辑。”算力、网络和存储都是资源，问题由人来定义；即便使用第三方库，“程序的正确性和逻辑也掌握在程序员手中”。而现在，“你实际上把逻辑交给了第三方。你是在说，告诉我答案”，甚至可能不确定自己究竟在问什么。
Sinofsky 以1980年代的专家系统浪潮反驳：Stanford 的项目曾将 AI 与医疗诊断、化疗结合，他本人也曾与 Harvard 团队合作研究有机合成。他说，那一时期已经是把决策交出去的早期案例。Sinofsky 还特别指出：“我写过很多 Prolog。”
Casado 理解这段传统，但认为它“就是没奏效”。即便在 Prolog 中，程序员仍然提供最终状态，系统只是寻找抵达终点的路径。他勾勒出的演进路径是：命令式编程（你写出配方）→声明式编程（SQL、Datalog 和 makefile 指定最终状态）→一种新的系统，在那里“你并不知道最终状态是什么”，于是“你得用正确的话向模型之神祈祷”，再得到一个碰巧有用的答案。
他的结论带有保留，但后果重大：这“可能真的是下一个抽象层”，是一种更接近人类层面的抽象，“不会直接映射下去”。行业老兵积累了40–50年的系统直觉——模型还是应用捕获价值、资本能做什么、哪些保证可能实现，以及生产率会如何变化——可能都需要从基本原理重新搭建。

7. 从工程受限转向资本受限：10亿美元思想实验

Casado 的标志性框架是：20年前，如果把10亿美元交给一家10人初创公司，它根本不知道该怎么花。双方的讨论指向购买电脑和招聘工程师；团队会很快超出自身使用资本的能力，因为“神话般的人月定律确实存在”。
“现在，如果给20个人10亿美元，他们确实能把这笔钱用好。”行业已经从工程受限转向资本受限，Casado 认为这与此前的任何阶段都有根本不同。
Sinofsky 补充说，工程能力无法线性扩张：他的职业经历就是不断招募团队、给他们资金，然后等待引擎成形。计算机行业最初30–40年受资本约束——第一步是“我们得先弄到一台”——随后转为工程受限，如今又回到了资本受限。
Lean Startup 与“fat startup”的争论——Eric Ries 对 Ben Horowitz——因此重新变得重要。历史上，工程复杂性自然限制了资本的部署规模；Patrick Collison 向 Sam Altman 追问巨额融资，已经预见到了这场变化。“我们现在有了一套方法，能让小团队拿到很多钱，并把它高效地用起来。这是一个非常、非常大的变化。”
Casado 对 VC 行业的推论是：过去10年里关于“太多资本追逐太少交易”的抱怨，属于“零和思维”。更多私人资本可以通过 AI 这类消耗资本的技术浪潮扩大市场；由于公司可以更长时间保持私有，更多价值也可能留在私募市场。

8. 大公司从来没有彻底碾压初创公司——而这一次，初创公司也有资本

Sinofsky 从大公司的亲身经历中得到的教训是：“你总会想，天哪，我们要把这些小公司全都碾碎。然后你会发现，它们从来没有被碾碎。”初创公司不会直接瞄准大公司，而大公司则把注意力放在彼此身上；“Microsoft 对 Amazon 和 Google 的担心，远远超过对初创公司领域任何玩家的担心。”
他再次复述了 Clay 提出的颠覆性创新教训：这应该被当作物理系里的事实，而不只是商学院里的一套理论。
Casado 认为，结构上发生了两点变化。第一，AI“解决了分发问题——也解决了需求问题”，因为市场对 token 和 GPU 的需求如此庞大，漏斗前端的增长变成了预算决策；第二，这些公司可以融到足够多的钱，获得与 Microsoft 等大型 incumbent 正面竞争的资本实力。因此，Cursor、Anthropic 和 OpenAI 才会出现陨石式增长。
这与云计算不同：当时“没人认为自己能把 AWS 搞垮”，初创公司只是在更小的角落里发展，同时接受平台由少数巨头控制的现实；如今这些 AI 公司是在直接挑战 incumbent。
Sinofsky 表示，Google 拥有全部数据和智能，但其模型正被 OpenAI 和 Anthropic 全面压过。Martin 将其归因于文化因素；Sinofsky 认同文化可能是关键，同时补充说，释放足够资本也可能很困难。Casado 指出，大公司似乎受到资本约束，例子包括 Google 的债券交易，以及关于某家未具名公司将 token 配给企业客户、导致内部产品在 AI 资源上挨饿的传闻。
Sinofsky 的 ARM 战争故事让文化因素变得具体：他曾将第一台基于 ARM 的 Surface 展示给 Intel 管理层，而“我居然把一台带进大楼，这件事本身就非常、非常困难”。Intel 把 ARM 当成打印机芯片，而不是威胁；大型公司同样可能把新的 AI 方向视为既有运营模式之外的事物。
应用浪潮的上行空间在于，资本可以替代多年的招聘过程。领域专家——例如商业地产从业者，或那位花了多年编写 DOS 程序、根据设备和预约时长安排就诊的医生——现在都可能为“软件尚未服务的世界……而那实际上就是全部世界”开发软件。Erik 将这一转变概括为：“无代码终于来了。”

9. 没人能预测200亿美元数字产物的能力——Casado 承认自己错在哪里

Sinofsky 当前的思维模型是：“我们确切知道这些东西如何运作。你把一堆数据放进去，它们就被困在这些数据上。”他认为模型能够沿着数据流形完成分布内任务，迁移学习可能并不存在；在一件事上进行 RLVR，也不一定能迁移到另一件事上。他认为，很多人都同意我们还没有进入快速起飞阶段。
但没人能有把握地推演一个投入50亿美元打造的数字产物，更不用说投入100亿美元或200亿美元的产物。“在人类历史上，我们从未创造过一个拥有这么多数据和这么多 FLOPs 的单一数字产物。”Sinofsky 说，他无法预测这种产物到底能做什么；“它能治愈癌症吗？也许。”
Casado 承认，自己曾因为没有看到这种情况发生，而排除了 Bostrom 式递归自我改进和快速起飞的可能。他真正判断错的地方，是没有意识到只要 scaling laws 仍然成立，资本就可以继续涌入训练过程。由这种“元经济机器”支持的1000亿美元训练运行，可能被用于治愈癌症，也可能被用于制造武器。Casado 认为，风险讨论应从对快速起飞的恐惧，转向对资源如此集中的后果的讨论；这种集中“完全可以被合理地认为非常危险”。
Sinofsky 的生物医学案例来自他家中的一位研究医生，对方使用 NVIDIA DGX Spark 从事脑部和手术脑部相关研究。如果模型中有1万篇相关论文，AI 就能发现过去需要依赖个人经验才能识别的模式，从而打开新的研究方向和潜在解决方案。但“这不是发现药物的魔法”：历史上的瓶颈一直是临床试验、疗效以及人体安全性，而不只是生成候选化合物。自1980年代以来，候选药物的开发速度就一直快于它们被测试的速度。
最后的综合表述来自 Casado 的条件性例子：“我想穷举每一种蛋白质组合——我们完全可以把它变成一个钱的问题。”更广泛的观点是，资本可以把此前无限的问题变成有限问题，“把它变成资本问题，而不是工程问题”——这对应着一套完全不同的物理法则。

Dylan Patel——两家实验室很快将控制全球大部分劳动力如何赢下股票推介赛｜一位 Ira Sohn 冠军的经验