这集讲什么
本集把 AI 投资是否过热、AI 加速网络攻防，以及法国财政与社会紧张局势放在一起讨论：技术变革可能真实而深远，但算力、制度和公共信任未必跟得上。
1-3要点
- 判断 AI 泡沫，要看终端付费者：创业公司高强度购买证明工具有用，但长期估值还需要更广泛企业用自身经营收益持续支付。
- 开放模型与稳定算力是两道题：能审计、能修改模型，不代表企业已拥有可用且可靠的全球推理基础设施。
- AI 安全的瓶颈不只有模型能力：旧版本、资产不清、升级困难和责任分散，都会减慢防守。
0:00 / --:--
All-In Podcast · 10 月 23 日
本集认为 AI 投资规模真实但支出集中在风投圈内循环，企业采用需要同时解决模型审计和算力供应，而安全防护瓶颈在旧系统升级困难而非模型能力不足。
本集把 AI 投资是否过热、AI 加速网络攻防，以及法国财政与社会紧张局势放在一起讨论：技术变革可能真实而深远，但算力、制度和公共信任未必跟得上。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
All-In Podcast· 2026-09-26Anthropic IPO 面临风险、Meta 的 Muse Pop、Token 价格下跌、开源份额增长、对齐失效Anthropic IPO at Risk, Meta's Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails同主题：开放模型生态
a16z Show· 2026-09-18Databricks 首席执行官谈 AI 的发展节奏、网络风险与企业Databricks CEO on AI Pacing, Cyber Risk, and the Enterprise同主题：AI 与网络安全
Latent Space· 2026-10-22为什么 AI 算力是矩形的——Modal CEO Erik BernhardssonAll-In Podcast
AI Cyber Panic, Ken Griffin's Bubble Warning, The Fall of France?
YouTube
音频
这一期由 Jason Calacanis、Chamath Palihapitiya 和 David Friedberg 讨论，David Sacks 缺席；Palo Alto Networks 首席执行官 Nikesh Arora 加入网络安全话题。节目从 Ken Griffin 对 AI 泡沫的警告出发，转向企业如何采购模型与算力、AI 能力增强后的漏洞防护，再延伸到法国社会冲突、公共财政，以及美国政府应如何回应普通人的经济压力。
本集跨越投资、安全和公共政策，许多具体数字、事件经过与因果判断均来自主持人或嘉宾口述。尤其是法国骚乱规模、袭击对象及责任归因，应先视为节目中的说法，而非已经核实的事实。
本集最有意思的线索，是几位发言者不断区分“潜力巨大”和“眼下的运作方式可持续”。Chamath 接受 AI 可能重塑经济，却担心支出集中在少数受风投资公司之间：如果创业公司主要用融资购买彼此的服务，亮眼的收入未必已经证明企业经济效益。Arora 则从大型客户的采购约束补上一层：开放权重模型有利于修改、审计和解释，但要以合适价格获得全球稳定的推理算力并不容易。因此，企业采用 AI 并非简单地在开放与封闭模型之间二选一。
同样的落差出现在安全讨论里。AI 能持续寻找并串联漏洞，防守方也能用它测试系统；但旧软件、分散的网站资产和缓慢的升级流程，使“防守方算力更多”暂时不等于“防守方一定领先”。Arora 将重点从保证绝不入侵，转向汇集安全信号、尽早发现异常并迅速遏制损害。AI 智能体（Agent）替用户登录银行，又把技术问题变成授权和责任问题：一次操作究竟代表用户意愿、产品失控，还是账户遭滥用？
法国话题把类似的矛盾推向公共制度。主持人讨论的是：当税收和公共支出已经很高，居民却仍对服务质量、机会和安全感不满，该怎样改革？但节目把财政、移民与骚乱连接起来时，也出现了证据不足和以个别画面概括群体的风险。结尾的美国政策争论则留下一个现实难题：即便 AI 建设拉动投资，政府仍须说清住房、工资和生活成本如何改善。
以下将较长的官方章节按议题拆分；同一章节内的小节共用官方章节起点，链接不表示该子议题的精确开始秒数。
💬 他们说了什么：Jason 宣布 Sacks 本周缺席，并预告 AI 市场、网络安全嘉宾和法国局势。节目很快从市场价格转入企业采购，再进入社会政策辩论。
💡 为什么重要：三个主题看似分散，实际都在追问同一件事：高速变化带来的收益与风险，由谁承担，现有制度能否及时调整？
⚡ 争议点：本集频繁在新闻叙述、嘉宾经验、投资判断和政策主张之间切换。听众需要区分“发生了什么”与“主持人认为原因是什么”。
💬 Jason 引述 Ken Griffin：重大经济转型常伴随泡沫，问题在于企业付给模型供应商的钱是否转化为生产率。Chamath 提出自己的粗略估算：约 1% 的公司贡献 90% 的 AI 支出，这部分支出中又有很大比例来自尚未盈利、获得风投支持的企业；他以“80%”描述其量级，并称 Ramp 经济学家的观察大致支持判断。
💡 如果资金在“风投融资—创业公司购买 AI—供应商确认收入—再融资”的链条中循环，收入增长仍可能是真实的，却不足以单独证明终端客户愿长期自费购买。Chamath 认为，AI 必须扩散到更广泛的成熟企业，才能成为可预测的盈利来源。
⚡ 这些比例在节目中没有完整公开的方法、样本与定义，不能直接推作整个 AI 市场的统计结论。Jason 还提出反面解释：创业公司常最早采用便宜、有效的新工具；支出集中也可能是技术扩散的早期阶段，而非纯粹泡沫。
💬 Chamath 称，Ramp 数据中头部 AI 买家的 GPU 计算支出占比正在上升，并分享一家大型银行减少 AWS、GCP 支出、自建 6 座数据中心的例子。Arora 说，Palo Alto Networks 偏好可修改、可审计的开放权重模型，但很难找到价格合适、覆盖全球且高度可靠的独立推理供应商；企业服务还要求约 99.9% 的可靠性。
💡 模型选择不只关乎性能和单价。金融、医疗等行业还要考虑审计、可解释性、数据控制、持续供给与故障恢复；实践中可能形成“开放模型＋租用裸金属或大型云基础设施”的混合方案。
⚡ “开放权重”本身并不保证模型内部过程完全可解释。自建机房的银行案例也未具名，不能据此推断大型企业普遍会离开公有云。
💬 Jason 叙述一组被称作“PHP to Shell”的严重漏洞，称其评分为 9.2/10，并提到 PHP 支撑大量网站、补丁发布时间调整及异常攻击流量。Arora 的重点是企业内部的版本差异：新系统可以打补丁，旧系统可能必须先下线、升级，再恢复服务。
💡 发现漏洞只是起点。真正决定风险窗口的，是组织是否知道自己有哪些网站、各自运行什么版本，以及能否在不中断关键业务的条件下更新。
⚡ 节目对漏洞名称、受影响比例、发布日期、利用范围和机构响应的叙述，需要对照 PHP 安全公告、CVE、厂商通告及公开事件记录；“可能受影响”也不等于“已经被攻破”。
💬 Arora 区分了直接更新有漏洞的软件，以及在 CDN、防火墙等外围部署拦截规则的“虚拟补丁”。他认为，更强的 AI 模型能通过持续计算发现并串联漏洞；防守方则应汇集日志和行为信号，尽快识别异常、遏制入侵，而不是只寄望于永不失守。
💡 外围规则能为复杂系统争取升级时间，却不能替代源头修复。对于资产众多的组织，检测与响应能力决定一次突破会不会扩大成长期潜伏或数据损失。
⚡ “防守方拥有更多算力，所以终将取胜”在 Arora 看来目前不成立：企业系统尚未统一到足以让防御智能体自动、可靠地修补所有资产。外围拦截也有覆盖盲区与误报风险。
💬 Friedberg 提出，个人 AI 智能体若使用用户凭证，通过浏览器登录银行，银行可能难以区分真人与智能体。众人以账户出现 5 万美元未经预期的转账作假设，讨论用户、银行和智能体开发商谁该负责。Arora 倾向认为，主动授权智能体的人应承担相应责任；若产品没有按宣称方式运作、出现“失控智能体”，则可能涉及产品责任。
💡 传统经授权的 API 接入与“智能体像人一样登录网页”在身份验证、权限范围、撤销机制和争议处理上并不相同。智能体越能自主完成交易，事后证明“谁批准了哪一步”就越关键。
⚡ 嘉宾对责任归属并未达成法律结论。具体责任仍取决于银行协议、智能体产品的提示与设计、用户授权记录、适用司法辖区，以及是否存在未经授权的访问或产品缺陷。
💬 Arora 估计，网络安全支出通常约占企业 IT 预算的 4%—10%，金融与政府机构可能处于高端。他与 Jason、Chamath 还争论去除护栏的模型：Jason 强调受约束的专业红队用途，Arora 和 Chamath 担忧原始能力外流。谈到“停止 AI”的政治呼声时，Arora 主张建设安全能力，而非仅重复技术最坏情境。
💡 AI 既给安全团队新工具，也扩大了需要保护的对象：智能体、模型权限、数据流和自动化操作。过去维护旧系统不易获得预算；接下来，不维护的代价可能更直接地进入管理层视野。
⚡ 去护栏模型能否只交给可靠防守者，取决于准入、部署隔离、使用审计与责任机制，不能单靠购买者自称“白帽”解决。预算比例也只是嘉宾给出的经验范围，不是所有机构应达到的标准。
💬 Jason 描述法国抗议升级，称参与者超过 50 万、超过 3000 家企业受损、超过 1000 名警员受伤、约 2500 人被捕，并把最初的学校经费诉求与后续骚乱、抢掠区分开。随后，主持人围绕移民、社会整合、公共服务和治安提出不同解释。
💡 即使抗议确有明确起点，参与者与行为也可能随事件发展而改变。研究此类局势，必须分别追踪原始诉求、暴力事件、执法行动及公众回应，不能把它们合为一个群体。
⚡ 上述人数和损失、事件顺序，以及将犯罪行为归因于特定移民或宗教群体的说法，都需要独立核实。个别视频和采访不足以代表全部抗议者，也不足以证明群体层面的因果关系。
💬 主持人引用图表讨论法国公共支出、税收和债务；Friedberg 称法国税收收入约为 GDP 的 46%，Chamath 则以“每一欧元产出中约 57% 对应政府支出”的量级质疑服务结果。他提出，若债券投资者要求更高利率，政府或被迫达成财政与公共服务改革的“大妥协”。
💡 税收、支出、债务成本和服务质量是四个相关但不同的指标。居民的不满可能指向资源不足，也可能指向资金配置、办事效率和代际负担。
⚡ 不同图表可能分别使用税收、一般政府收入或公共支出，不能互换。Chamath 提议让法国借贷利率升至约 8%以迫使改革，是高风险政策判断；融资冲击也可能先伤及就业、家庭与公共服务。
💬 Jason 强调接纳速度、语言与融入；Friedberg 更强调移民能否自立、就业并共同遵守公民社会的基本规则。他提出，以是否需要公共救助作为筛选信号，甚至建议取消针对移民的社会服务。众人还借被破坏商铺的叙述，批评只赞成抽象政策、却不愿承担本地成本的“扶手椅慈善”。
💡 这里实际涉及至少三种不同问题：入境资格、已经居住者的融入政策，以及受害商户的保护与救济。把它们分开，才可能讨论政策成本和执行效果。
⚡ 是否领取服务不能单独衡量一个人长期贡献；儿童、难民、短期失业者及后代的情况也不同。节目有关特定商铺为何被针对、某位店主身份及经历的故事，应核实后再引用；不能由此推论某个族裔或宗教整体的行为。
💬 Friedberg 主张逐步撤出联邦学生贷款，以约 10 年时间让高校学费重新接受市场约束；他还建议把确定给付式退休安排逐步转为个人账户式供款，并讨论住房贷款政策如何推高资产价格。Jason 反问：法国已有较低学费和广泛医疗保障，却仍出现不满，可见单一福利项目无法解释社会稳定。
💡 这段争论把“让服务便宜”与“由谁承担成本”分开。控制学费、住房价格或退休负担，都可能令现有资产持有人与新进入者的利益发生冲突。
⚡ 取消贷款未必自动降低学费，也可能先削弱低收入学生入学机会；退休转轨涉及既有承诺与市场风险。节目还谈及向儿童赠予 SpaceX 股份的说法，其方案细节与估值应以可核实公告为准。
💬 Jason 认为政府除了谈数据中心与科技投资，还须更直接讨论住房、通胀和低工资，建议把联邦最低工资每年提高 1 美元、逐步达到 15 美元。Friedberg 反对政府定价，引用加州快餐业最低工资上调后的就业损失说法，建议改以低收入税负减免增加可支配收入；Chamath 则强调 AI 建设对经济与技术工人工资的拉动。有关 Jason 担任新闻秘书的互相调侃，穿插在这场政策分歧中。
💡 这不是简单的“支持或反对增长”。争论焦点是，AI 投资带来的收益能否被低收入家庭感知，以及提高工资、减税和增加住房供给各自会把成本分配给谁。
⚡ 加州就业变化、价格上涨和最低工资之间不能仅凭同期数字确定因果；联邦层面缓慢上调，也不能直接等同于加州的政策幅度。减税能帮到多少低工资劳动者，还取决于其原本缴纳哪些税。
以下为按语义整理的中文意译，不作为英文逐字引语：
“AI 要成为长期、可预测的利润驱动力，就得走出创业公司生态。”
“问题不只是怎样被攻破，而是多快发现入侵、多快把它赶出去。”
“代理里有一个词叫‘代理权’：是谁赋予它代表自己行动的权力？”
“如果公共支出越来越高，而等待时间和服务质量没有改善，就必须追问制度怎样运作。”
本文依据所给英文转写与官方章节整理；节目中的外部事件、统计数字及政策效果主张，除明确说明外，未作独立事实核查。
