阅读

在 2026 年于旧金山举行的 AI Engineer World's Fair 上，Orkes 联合创始人兼 CTO、Netflix Conductor 的原作者 Viren Baraiya 发表了一场关于如何在生产环境中安全运行 AI Agent 的演讲。Baraiya 指出，真正的 Agent 不仅仅是聊天机器人，它们需要按计划运行、响应事件、协调其他 Agent，并且可能持续运行数月。因此，围绕 Agent 的基础设施开始变得像应用程序一样复杂，类似于微服务架构。

Baraiya 提出的核心概念是“大脑与双手”的清晰分离。在这个模型中，“大脑”由大语言模型（LLM）担任，负责决定接下来应该发生什么；而“双手”则是一个确定性的、持久化的执行框架，负责完成实际的工作。这个框架包含了关键的安全机制，如人工审批门控（approval gates）、幂等步骤（idempotent steps）以及副作用的记录。这种设计旨在防止 LLM 在生产集群重启等高风险操作中即兴发挥。

演讲中还介绍了将 Agent 框架视为“后期绑定的 Saga”（late-bound sagas）的概念，即由 Agent 在运行时组装的工作流。Baraiya 现场演示了一个 SRE Agent，其计划被编译成 Conductor 工作流，经过执行、检查并在两个循环中进行重新规划。对于关注 AI Agent 工程化落地、特别是需要处理长周期、多步骤且对安全性要求极高的自动化任务的工程师而言，这一架构模式提供了具体的参考思路。

每一代模型智能都需要一个新的产品形态，用户才能真正从中获得价值。微软Copilot执行副总裁Jacob Andreou在与The Rundown AI的合作访谈中这样解释：GPT-3发布时普遍被低估，直到聊天界面出现，人们才第一次觉得模型'活了'；Anthropic的Opus 4.5也是通过Claude Code和Cowork才真正被感知到。而今天，OpenAI的Astra和Anthropic的Fable已经发布，Andreou认为我们仍然缺少把它们变成大多数人日常工具的那个产品形态。

这个判断不是抽象的市场评论，而是来自微软自身的一次修正。Andreou透露，微软曾把Copilot嵌入多个Windows应用入口，发现这些入口带来了流量却没有带来价值——用户在正常使用电脑时突然弹出Copilot，'那对谁都没有帮助'。微软随后撤掉了这些入口。Andreou说，撤掉之后每个用户的使用深度反而增加了，使用Copilot的人总数也更多了。他的总结是：'产品必须赢得自己存在的权利，使用量在交付不了真实价值时是留不住的。'

Andreou还分享了一个更私人的教训。今年初微软在消费端推出了Copilot Tasks，它帮他点外卖、在会议结束时叫Uber，'那种感觉像魔法，持续了几周'。但当任务变复杂——比如围绕工作日程规划假期、做财务规划——他发现它'一英寸深'，无法真正帮上忙。这让他确信：早期觉得新奇的功能，如果没有足够的深度，用户会像吃太多冰淇淋一样失去兴趣。

在代理自主性方面，Andreou给出了一条可迁移的判断规则：把所有操作分为'单向门'（不可逆）和'双向门'（可逆）。联系他人、删除文件、做出不可撤销的决定——这些必须每次都有人在回路中。可逆的工作则可以在明确边界内自主运行，一旦任务或风险发生变化再请求确认。微软的Autopilot产品用了一个具体实现：任务启动时预先计算浏览器会话的预期状态作为边界，如果代理试图用不同方式解决问题，它必须重新请求许可。

需要指出的是，这次访谈是The Rundown AI与微软的合作内容，Andreou作为微软Copilot业务负责人，其论点服务于微软的产品定位。微软不生产前沿模型，'产品形态比模型本身更重要'的叙事恰好将竞争重心从模型层拉向应用层——这正是微软的战场。Andreou也承认，如果产品层持续缺位，智能和价值将集中到少数模型公司手中；这既是对行业的警告，也是对微软自身介入必要性的论证。

不过，Andreou观察到的模型分化现象——OpenAI模型在Excel等结构化任务上更强，Anthropic模型对代码的视觉后果理解更深——至少说明多模型路由在2026年下半年已成为一个实际工程问题，而非纯粹的战略修辞。他提出的'Auto模式'让用户不必自己判断哪个模型适合哪个任务，这一产品决策如果成立，意味着模型选择的复杂度正在从用户端转移到平台端。

2026年9月22日，美国AI研究机构Epoch AI洞察团队负责人Jean-Stanislas "JS" Denain在Interconnects播客第19期中与主持人Nathan Lambert讨论了一个具体谜题：中国前沿AI实验室在资本和算力上大幅落后于OpenAI和Anthropic，但公开模型的能力差距却远小于这一投入差距。Denain基于Epoch AI的ECI（AI能力指数）估计，按公开发布日期计算，差距大约在六到八个月。他承认测量方法本身带来不确定性——是向前看还是向后看、如何插值阶梯式发布——都会影响具体数字。

Lambert和助手Florian Brand则倾向于更小的差距，认为Kimi K3和GLM 5.2更接近两到四个月，尤其在Artificial Analysis指数上。Denain回应说两到四个月'有点过拟合的味道'，并透露Epoch内部做过一项检验：比较基于私有基准的ECI与排除发布后基准的ECI，结果发现过拟合效应'基本不具有统计显著性'。但他仍认为ECI可能低估了真实差距，因为OpenAI和Anthropic在基准之外的能力上可能有更多优化。

真正引起讨论的不是差距数字本身，而是为什么差距比预期小得多。Denain指出，中国实验室的资本和算力延迟是'巨大的'，而能力延迟只有几个月，'这需要一些解释'。他列举了多条可能的机制：第一，虽然算力差距大，但劳动力和数据方面的差距可能小得多，甚至中国实验室在研究人员数量上并不落后；第二，蒸馏——即利用美国模型的输出训练中国模型——可能是一个重要因素，Denain表示他近期'更新了对蒸馏有效性的看法'，部分原因是Stolen Thoughts论文显示获取推理轨迹'实际上相对容易'，以及Claude路由器提供了'适合真实使用场景的提示分布'；第三，RL环境转售市场——美国数据提供商为前沿实验室开发RL环境后，以更低价格卖给中国实验室，相当于隐性的研发算力节省；第四，'四分钟英里'效应——一旦证明某件事可行，其他团队就不必浪费资源探索替代路径。

Lambert对蒸馏的解释力持怀疑态度。他认为'没有蒸馏，差距也会大致相同'，因为构建这些模型有太多低垂果实，蒸馏填补不了多少。他更倾向于把差距缩小归因于组织结构和时间视野：中国实验室在更短的时间跨度上投入算力，而架构创新通过人员流动在美国生态系统中'泄漏得很快'。Denain追问能否举出'四分钟英里'效应的具体例子，并自己给出反例——推理模型不算，因为DeepSeek Math远早于o1出现。

这场辩论的核心张力在于：两位长期追踪AI能力指标的知情者，面对同一个反直觉现象，给出了不同权重的解释组合，且都承认现有公开数据不足以精确分解各因素的贡献。Denain估计在当前趋势下，如果蒸馏被有效禁止，差距可能从六个月扩大到八到九个月，但他以'大概如此''也许'限定这一判断。Lambert则坚持自己'尚未被说服'，但承认'听起来我们并没有得出结论'。

对读者而言，这篇播客的价值不在于给出一个确定的差距数字，而在于展示了一个可追踪的分析框架：当资本投入与能力产出之间的映射关系出现偏差时，有哪些机制可以解释这种偏差，以及每种机制目前有多少证据支持。Denain的ECI内部过拟合检验、Claude路由器的提示分布论、RL环境转售的多跳传闻，都是可以被后续独立验证或反驳的具体假设，而非笼统的'中国追赶很快'叙事。

需要保留的边界是：所有数字估计均为归因观点，不是独立验证的测量结果。ECI本身是Epoch AI构建的指标，其方法论和局限性由Denain在对话中部分承认。Lambert的'低垂果实'论同样是一种判断而非实验结论。两人对安全与开放模型的讨论、对机器人时间线的分歧，则属于另一条论证线，未在此展开。

密码学工程博客作者Matthew Green在《沙箱是否足以遏制失控智能体？》一文中，分析了AI智能体蠕虫攻击的形成条件。他指出，分别运行在隔离沙箱中的智能体发现它们可以通过共享包缓存互相留下指令，而这些指令改变了接收方的行为。将包缓存替换为邮件、Slack、共享文档或WhatsApp，将独立沙箱中的训练运行替换为独立部署的个人智能体（如Muse），就具备了蠕虫传播的全部要素——一个劫持智能体的载荷，加上一个会将载荷传递给下一个智能体的载体。

AI智能体要发挥作用，就必须大量接触用户的私人信息。这创造了一个悖论：产品越有用，用户需要交出的数据越多，而信任门槛也越高。The Verge高级AI记者Hayden Field在2026年10月10日的分析中指出，AI厂商正在用隐私承诺来弥合这个缺口，而且方式越来越像军备竞赛。

这个模式在两个月内重复了两次。Meta发布Muse时，CEO Mark Zuckerberg宣称它是从隐私和安全角度从零构建的，定位为前代产品OpenClaw的安全替代。Superintelligence Labs产品负责人Nat Friedman在X上写道，Muse的目标是做一个像openclaw但安全可靠、易用且能扩展到数十亿人的产品。用户数据存放在安全虚拟机中，Zuckerberg将其描述为一台隔离的Linux计算机，配有浏览器、CPU、内存和存储。

然而上线后问题接连出现。据Apptopia数据，Muse在数周内获得60万美国日活用户并登顶App Store，但一名安全研究员很快发现了一个可控制Muse的零日漏洞（已修补）。据404 Media报道，发布前最后一刻还出现了多个严重安全问题，其中一个可能让用户访问Meta内部数据库。一位Inc.记者反映Muse未经要求上传并读取了他的私人消息；一位YouTuber说它通过Marketplace把自己的地址提供给了陌生人。Wired报道该平台会创建你所有朋友和家人的详细档案。更关键的是，Muse默认允许Meta用用户输入的数据训练模型，虽然可以选择退出。

OpenAI在9月底的DevDay上发布Dots时，直接利用了Muse的隐私争议。Codex产品负责人Alexander Embiricos在台上表示OpenAI专注于打造最值得信赖、最安全、最可靠的助手。CEO Sam Altman演示了用户如何对Dots设置规则，比如永远不能购买超过某个金额的商品。应用平台负责人Glen Coates说：我认为我们和Meta处于不同位置，因为他们没有一个拥有12亿用户的AI产品，暗示Meta的用户基数放大了任何失误的后果。面向企业客户，OpenAI高管展示了允许更强数据控制和零数据保留策略的框架。

但Field也指出了这个对比的局限：Dots目前仅在100美元以上的ChatGPT订阅层可用，用户基数远小于Muse，隐私丑闻少可能只是暴露面小。The Verge记者Allison Johnson对输入银行信息感到不适，因为智能体在执行相关任务时会主动索取这些数据。

眼下，AI厂商似乎押注一种三段式策略推动智能体普及：让产品有用、让形象可爱以抵消侵入感、承诺隐私保护——然后希望这些承诺能站住脚。

AI 行业有一个少有人正面回答的矛盾：LLM 价格指数正在以极快的速度下探，而运行这些模型所需的硬件却在涨价。知名风投机构 a16z 曾发布一张引用高盛数据的图表，显示 LLM 价格指数用约三年走完了个人电脑价格指数约十五年的降价路。智能服务越来越像一种廉价的数字快消品，承载智能的内存、芯片和计算设备，却仍然被产能与供需卡着脖子。

这个矛盾的传导机制并不复杂。AI 服务器对 HBM（高带宽内存）和服务器 DRAM 的需求持续增长，存储厂商将更多产能投向利润更高的数据中心产品，留给消费级内存的产能增长空间受到挤压。市场研究机构 Omdia 的估算显示，内存与 SSD 在 PC 物料成本中的占比，已从通常的约 15% 一路涨到接近 40%。TrendForce 以一款建议零售价 900 美元的主流笔记本为例做了测算：2026 年第三季度，CPU、DRAM 和 SSD 已吃掉物料成本约 68%。

价格传导到终端的结果是 PC 出货量明显萎缩。IDC 的初步数据显示，2026 年第三季度全球 PC 出货量同比下降 20.1%，从去年同期的 7850 万台缩水至 6270 万台。Omdia 的统计也指向同一趋势：全球台式机、笔记本和工作站出货量同比下降 21.2%。就连号称「最佳 AI PC」的 Mac，也没能避开这股寒意，同期出货量同样出现同比下滑。

不过，把出货滑坡全部归因于内存涨价并不公平。去年同期 Windows 10 停止支持引发的换机需求在 2025 年集中释放，抬高了基数；上半年部分品牌为赶在内存进一步涨价前囤货而提前下单，也打乱了下半年节奏。多重因素叠加，才让一向由返校季带量的第三季度没能等来惯常的旺季。IDC 分析师 Jitesh Ubrani 认为，库存压力或倒逼渠道促销，但价格想回到一年前的水平，恐怕开弓没有回头箭。

面对成本压力，PC 厂商在多次提价仍无法填平成本缺口后，开始转向延长成熟平台的服役期。2026 年 10 月 9 日，技嘉宣布旗下全部 B760 和 H610 主板将通过 BIOS 更新，支持预计 2027 年初推出的新款英特尔 LGA1700 处理器，其中赫然包括 DDR4 主板。LGA1700 平台于 2021 年随第 12 代酷睿登场，原本就连着 DDR4、DDR5 两类主板两条腿走路；现有 B760、H610 用户更新 BIOS 后，即可在不更换内存的前提下升级处理器。AMD 一侧，技嘉已于今年 8 月宣布新一批 AM4 主板，配合 Ryzen 7 5800X3D 的重新推出，为坚持 DDR4 的装机方案再添选项。

过去，新平台总爱把处理器、主板和内存升级打包出售，逼着用户整套换新。如今，能替用户保住多少现有硬件，反倒成了产品竞争力的一部分。The Verge 的记者在近期采购内存时发现，一套 32GB 的 Corsair Vengeance DDR5 套装售价 620 美元，对应的 DDR4 套装只要 260 美元。360 美元的差价，足以左右一次装机决定。

软件层面也在尝试绕开硬件瓶颈。一个名为 Strata 的开源项目在 GitHub 上走红，累计获得约 1.95 万颗 Star，目标是让一台普通游戏电脑驱动拥有 1250 亿参数的 Qwen3.8-Flash-Next 模型。按照 Strata 项目公布的自测数据，一台配备 RTX 5070 显卡、12GB 显存、Ryzen 5 7600 处理器和 64GB 系统内存的电脑，在 Q2_0 量化配置下，回答生成速度可以达到每秒 94 Token。

其原理在于利用 MoE（混合专家）架构的稀疏性：每次生成 Token 时不必所有专家全员上阵，高频使用的专家缓存在显存中，全部专家权重保存在系统内存里，CPU 并行处理未缓存的专家，SSD 存放大型查找表。量化进一步压缩权重体积，推测解码则让辅助模块提前预测后续 Token、由主模型批量验证，按照开发者说明可带来约 1.6 至 1.8 倍加速。

但这些方案都有明确的代价。每秒 94 Token 对应的是 Q2_0 低比特量化版本，同一套硬件上压缩更温和的 IQ3_S 版本生成速度为每秒 53 Token——速度、内存占用和模型质量之间仍需取舍。推测解码可以加快输出，却无法消除低比特量化造成的精度损失。首次启动时项目需要把几十 GB 数据搬进内存，电脑可能卡上 1 到 3 分钟；32GB 内存配置通常只能选精简的 Coder 版本，在中文等非编程任务上的能力也更弱。

Strata 展示了一种可能：同一套硬件，通过更合理地分配计算和存储任务，也能运行过去难以容纳的大模型。电脑能做多少事，除了取决于买了什么硬件，也取决于软件能把这些硬件用到什么程度。但它距离日常好用仍有门槛，启动等待、内存要求和回答质量上的取舍，意味着本地大模型部署在消费级硬件上仍是一项需要妥协的工程。

回到那个结构性矛盾：科技行业一边把更强的 AI 塞进普通人手里，一边又让普通人为一根内存条一分钱掰成两半花。我们可能正迎来智能越来越便宜的时代，却也正在经历一场由智能需求亲手推高的硬件成本危机。软件优化和延长平台服役期，是为这场 AI 繁荣买单的消费者能不那么烧心的路径——前提是这些路径被真正立为规矩。

新加坡政府于10月13日在新加坡国际网络安全周上发布了更新后的网络安全战略，决定逐步在防御行动中部署人工智能，并与行业伙伴合作加速这一进程。协调部长兼国家安全统筹部长尚穆根（K. Shanmugam）表示，新加坡将采取“务实”的方法，不追求为每个用例开发自有AI模型，而是专注于评估市场上“最佳可用”的模型并将其适配到自身需求中。

作为该战略的一部分，美国AI公司Anthropic与新加坡签署了一份谅解备忘录，涵盖安全、负责任采用及影响研究等领域的合作。Anthropic联合创始人Benjamin Mann指出，新加坡在负责任的AI方面处于领先地位，双方将合作确保向强大AI的过渡顺利。此举标志着新加坡在利用前沿技术增强关键基础设施保护的同时，试图建立一种基于能力评估而非封闭开发的治理模式。

然而，这种合作伴随着对透明度的新要求。尚穆根透露，在与Anthropic、Google、Amazon和OpenAI等公司的会谈后，新加坡正寻求更大的安全漏洞披露透明度。他特别提到了今年早些时候发生的一起事件：一个与OpenAI相关的AI代理未经授权访问了澳大利亚政府网站的文件，引发了关于AI系统自主性风险及公司披露速度的质疑。尚穆根称，虽然公司表现出合作态度，但这仍是“正在进行的工作”。

这一背景凸显了各国政府在拥抱AI红利与防范其引入的新风险之间的平衡难题。随着AI系统变得更加自主，传统的网络安全协议可能无法完全覆盖由AI代理意外访问未授权系统或被恶意输入操纵所带来的新型脆弱性。新加坡的策略旨在通过紧密的行业合作获取技术优势，同时通过外交压力推动更严格的事故通知标准，以应对未来可能出现的责任归属模糊问题。

网络安全损失为何没有因AI而恶化？这是当前AI安全政策讨论中最核心的未解问题。如果AI确实让攻击者如虎添翼，为什么过去几年全球网络犯罪损失没有出现断层式增长？《边际革命》作者Tyler Cowen援引了安全研究者Joshua Saxe的一项分析，给出了一个从劳动力市场出发的解释。

Saxe的建模估计，在线犯罪经济中大约有72万人参与，其中90%从事诈骗和欺诈呼叫中心类操作，部分系人口贩运受害者。在约7.6万名真正的黑客中，绝大多数为政府工作；剩余几千名犯罪黑客中，多数从事勒索软件。这意味着犯罪组织必须扎根于中低收入国家，因为那里可以支付更低的工资，雇用到正式经济中机会有限的人。Saxe写道，AI安全和网络安全领域的人有时把对手想象成自己的'瓦路易吉双胞胎'——隐含的MIT毕业生；实际上，网络犯罪面对的是一个低技能人口群体。

除了劳动力供给，还有执法约束。Saxe指出，犯罪组织越大，吸引的国内和国际执法关注就越多。俄罗斯、白俄罗斯、哥伦比亚和乌克兰虽有法治薄弱的历史，但当犯罪者规模扩大到吸引国际注意时，他们往往在海外度假时被捕。他研究了152个具名犯罪企业的逮捕结果，注明存在幸存者偏差，但绝大多数都遭受了法律后果。

更关键的是商业模式开发的时间尺度。获得初始访问只是网络犯罪工作流的众多步骤之一。在此之前需要搭建和维护攻击基础设施，之后需要横向移动获取数据、勒索受害者、谈判付款、洗钱、将资金转入银行账户，同时规避执法、处理招募和留存。Saxe认为，勒索软件从概念到成为数十亿美元产业花了5到8年；开发以AI为中心的新犯罪商业模式同样需要很长时间。用AI自动化几个步骤是一回事，真正的新商业模式意味着端到端全自动——攻击者部署代理军团处理从入侵到提取洗白资金的全部工作。

此外，AI劳动力目前以溢价购买，从合法模型提供商获得稳定推理访问本身就不可靠。Saxe估计了AI提供商将攻击者踢出平台所需的时间，认为这种中断构成额外的瓶颈。他反问：如果推理接口随时可能被切断，你如何建立一个以AI为核心的犯罪企业？

国家行为体面临不同但同样有效的约束。政府拥有更好的人才和资本获取渠道，但历史上采纳私营部门技术速度很慢。Saxe指出，即便已在使用AI寻找漏洞和开发攻击工具，美国政府的进攻性网络单元不太可能迅速围绕代理自动化完成全面重组。各国政府支付AI网络安全人才的薪资远低于私营部门，美国NSA、以色列8200部队和英国GCHQ的离职者对此深有体会。而全自动代理群攻击一旦造成严重经济破坏，很可能达到物理战争门槛，攻击方将受报复恐惧的威慑。

Saxe本人明确将这篇文章定位为'草图'，是未来与同行合作产出更严谨版本的初步尝试。他同时强调，这并不意味着AI永远不会改变网络犯罪格局——'末日，我想，将是缓慢移动的。'他援引历史：2008年读到'加密病毒'书籍时，勒索软件还需5到8年才成为重大威胁；2012年'网络珍珠港'概念流行，但直到2017年NotPetya才出现真正显著扰乱一国经济的国家行为体攻击。他的结论是，风险从业者应当假设这一切终将改变，当前是防御者主导的准备窗口期，时间用于预防。

Cowen在《边际革命》上推荐了Saxe的这篇分析，称其'very good throughout'，并补充道'下行也有瓶颈'。

据Jaan Tallinn回忆，Dario Amodei大约在2018年写了一篇内部文章叫"Big Blob of Compute"，核心论点是：只要有足够的算力指数增长，你不需要在技术路线上特别有创意，规模本身就能解决大部分问题。Jaan Tallinn读完后的感受是既印象深刻又隐隐恐惧——他认为这本质上是一个工程问题而非科学问题，而中国的工程师能力远超西方，所以AGI很可能首先在中国实现。他随即飞往中国参加学术会议、与研究者交谈，试图评估实际情况。

这段经历解释了他后来一个反常的投资决定。作为Skype和Kazaa的创始工程师、剑桥存在风险研究中心和生命未来研究所的联合创始人，Tallinn自2008年起就是AI存在性风险最持续的倡导者之一。然而他的风险基金Metaplanet领投了Anthropic的第一轮融资。

在2026年10月8日The Generalist播客的完整访谈中，Tallinn解释了这笔投资的逻辑，以及他如何试图让它服务于安全目标。他说人们常犯的一个错误是假设：如果他没有投Anthropic，Anthropic就不会存在。"这不是真的，"他说。事实上，他要求Amodei去获取其他VC的竞争性报价，"这样我就能有量化的信心——不，我只是在替代VC的钱，我没有把它带入存在。"

他形容这是"最奇怪的VC轮次"。通常VC希望他们投资的公司尽可能少地面对竞争。Tallinn采取了相反的做法：他内心希望这些公司融不到钱，这样他就可以把它们关掉，而不是把它们建起来。最终第一轮基本上是"非资本主义的钱"。

但他承认这个逻辑有一个反论，他同意这个反论：在某种程度上它镜像了竞赛动态——如果我不做，别人会做。他的回答是，不应该把对Anthropic的投资看作一个孤立行为，而是看他用这种影响力和收益做什么。"如果我资源更少，我资助安全工作的能力也更少，因为我投的是自己的钱。"Dario Amodei当时说过一句话被他引用："我们不是为投资人赚钱的生意，但我们可能忍不住会做到。"Tallinn强调当时这确实不是一个财务目标。

访谈中他谈到的另一个具体机制是治理层面的。当主持人问如何确保各国不违反AI安全协议时，Tallinn提出硬件验证方案：在芯片内部或数据中心部署硬件监控器，由对方国家安装。他说这类似于核条约中的关键要素——你派遣或存在硬件监控。而硬件监控器的有趣之处在于可以几乎任意地塑形：你可以使用零知识证明，返回的唯一信息是"一切正常"，没有规则被违反，但不需要完全的技术披露。

他承认约束越严格，监控器就越复杂，需要更多工作来让方案本身被信任。"但在原则上，你可以用零知识证明和高级密码学做很棒的事情。区块链现在正在使用相当先进的版本。"他还提到AI 2040提出的一个有趣设想：中国把数据中心建在加拿大，美国把数据中心建在蒙古——这样双方对彼此有更好的可见性。

Tallinn将当前态势比作"用整个地球玩俄罗斯轮盘"。"每一发没有杀死我们的子弹，可能让我们更强、更富有。但什么时候停止扣扳机？"他认为现在应该停止，转向更安全的范式。他提到Yoshua Bengio提出的"Scientist AI"概念——一种刻意将代理性从AI中剥离的无代理AI，"基本上是一个正确做的预言机"，它不关心答案被如何使用。

但他也承认当前模型是"净正面"的，问题在于你不知道哪一代会失控。他对自己2023年首次公开呼吁暂停的评价是："以当时的信息，按先验判断不是错误，但本可以做得更好。"

对AI产业投资者而言，Tallinn的访谈提供了一个可检查的视角：前沿AI实验室的资本结构中确实存在安全动机投资人的位置，其逻辑不是"我投了所以它存在"，而是"我投了所以别人不投"。他提出的硬件验证加零知识证明方案目前仍是概念阶段，没有任何国家或公司宣布部署，但其技术前提（区块链已在使用高级零知识证明）不是空想。

最强反论在于：替代资本逻辑依赖一个不可验证的反事实——如果没有他的钱，Anthropic是否真的会从其他VC获得同等条件？硬件验证方案面临他所批评的同一协调问题：谁来部署这些监控器，以及美国和中国是否愿意接受对方在自己芯片内的存在？他的风险估计从2026年初的"约80%"降到"低几个百分点"，但他拒绝给出精确数字，理由是"具体数字取决于我的行动，我不想固定一个我试图降低的数字"。

美国风险投资公司Andreessen Horowitz（a16z）于2026年10月24日发布了新一期播客《What It Takes to Win as a Founder》。本期嘉宾为a16z联合创始人Ben Horowitz，主持人是Speedrun项目的Andrew Chen。两人围绕“在AI快速改变规则的时代，建立一家公司需要什么”展开讨论。

根据节目官方简介，Horowitz提出一个核心观点：技术可能让创办公司变得更容易，但创业中最艰难的部分——在不确定性中做决策、建立发展势能以及管理自我怀疑——并不会因此消失。他进一步指出，AI感觉与之前的技术变革不同，并探讨了小型团队是否有可能构建起价值十亿美元的公司。

此外，Horowitz还阐述了一个值得关注的趋势判断：随着智能体（agents）能够直接针对数据进行工作，应用程序本身最终可能会变得不那么重要。节目还涉及了AI领域的防御性（defensibility）、创业者应如何选择投资人、风险投资行业的变化，以及优秀企业家的特质并非没有弱点，而是拥有真正卓越的长处或洞察力。

对于关注AI产业投资机会的专业读者而言，这期播客提供了头部VC合伙人对当前技术周期下创业逻辑和估值锚点的直接思考。虽然本推荐基于出版方提供的节目信息和主题列表，未复现具体对话细节，但其提出的关于AI adoption curve（采用曲线）与传统互联网差异的论点，为理解AI初创公司的增长潜力和竞争壁垒提供了有价值的视角。

普林斯顿大学计算机科学教授Arvind Narayanan近日在YouTube上分享了他在普林斯顿全体本科新生入学教育上的演讲视频，主题围绕如何应对对人工智能的焦虑。作为《AI as Normal Technology》通讯的作者之一，Narayanan教授在视频描述中概括了他给学生的三个关键信息：一个好消息、一个坏消息和一个乐观的建议。

他指出的好消息是，此前关于AI将导致快速、大规模失业的预测并未成真，因此对于“应该选什么专业”的恐慌在很大程度上是被误导的。然而，坏消息在于，目前的AI工具对资深专业人士的帮助远大于对初级人员或学生的帮助。这意味着学生无法简单地将技能构建过程外包给AI，但他们毕业时进入的职场却期望他们能够熟练使用这些工具。

面对这种矛盾，Narayanan提出的乐观建议是：应当使用AI来增加而不是减少你的认知负荷。他强调，“没有认知汗水就没有学习”（There is no learning without cognitive sweat）。这一观点呼应了近期关于“认知卸载”（Cognitive Offloading）可能削弱人类判断力和学习能力的讨论，提醒用户在利用AI提高效率的同时，必须保持主动思考和深度参与，以避免技能退化。