这集讲什么
Palo Alto Networks CEO Nikesh Arora 认为 AI 正把情报能力交给更多企业，但 Mythos 六周发现多年漏洞的速度也让网络防御进入与攻击者的竞赛。
1-3要点
- Mythos 的价值不止于发现单点漏洞：持续推理还能寻找漏洞之间的攻击路径。
- 发现速度越快，防守方越需要提高验证、排序和修复能力。
- 分析型 SaaS 的附加收费承压，但数据存储、管理和可信记录的重要性可能上升。
0:00 / --:--
All-In Podcast · 6 月 8 日
Jared Isaacman 在播客中强调核能将成为 NASA 未来太空探索的关键技术，使美国能够在与中国等国家的太空竞争中保持领先地位。
Palo Alto Networks CEO Nikesh Arora 认为 AI 正把情报能力交给更多企业，但 Mythos 六周发现多年漏洞的速度也让网络防御进入与攻击者的竞赛。
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· 2026-10-21Arvind Krishna 与 Nikesh Arora：量子威胁、开放式 AI 与前沿 AI、AI 网络战和 SaaS 的崩塌Arvind Krishna & Nikesh Arora: Quantum Threat, Open vs Frontier AI, AI Cyber Warfare & SaaS Collapse同一位嘉宾：Nikesh AroraAll-In Podcast· 2026-09-18Jared Isaacman：NASA 与美国太空探索的新时代Jared Isaacman: A New Era for NASA and American Space Exploration同主题：航天与航空
David Senra· 2026-10-28All-In Podcast
Nikesh Arora: Mythos is Real, Analytical SaaS is Dead, and Google can be a $10T company
YouTube
音频
Arora 说，自己在 Google 工作过十年，现任 Palo Alto Networks CEO 将满八年。他用搜索引擎“让信息普及”的经历类比 AI：后者正在让更多人取得过去稀缺的判断与执行能力。主持人以公司市值从约 170 亿美元升至其当天查到的约 2380 亿美元开场，但访谈很快转向一个更迫切的问题：同一种模型能力，既能帮助企业清查旧代码，也能帮助攻击者寻找入口。
本集的另一条线是企业软件的价值迁移。Arora 不把所有 SaaS 归为一类：替客户分析数据的附加模块、保存和管理数据的基础设施，以及嵌在日常流程里的工作系统，面临的变化并不相同。他同时强调，模型演示中的能力与可用于安全防御、理赔或公司运营的可靠性之间，还有大量工程工作。
Arora 对 AI 的判断，起点不是模型排行榜，而是企业内部能力如何分配。他举出营销团队和客户服务团队的例子：当模型能让更多员工给出接近优秀员工的产出时，“智能普及”才成为可观察的经营变化。但安全领域率先显出这件事的双刃性。Palo Alto Networks 用 Mythos 检查自身代码，六周内发现了他认为按原有方法需要五至七年才能找到的漏洞；持续推理还能串起多处弱点，形成新的攻击路径。防守方因此不能只赞叹发现速度，还得解决验证、修复和旧系统维护的吞吐量问题。
这也解释了他为何一面看空分析型 SaaS，一面看重数据基础设施。若企业能汇集销售、库存和生产率数据，再让模型跨系统回答问题，单独收费的分析模块会失去部分理由；但要让智能体辨别正常与异常、可靠地执行流程，企业反而需要保存更多数据、建立上下文和审计机制。工作系统不会仅因聊天窗口出现而消失：谁维护记录、控制权限、承担错误，仍要由应用层解决。
访谈最有价值的刹车，是他随后报出的误报率。模型能找出漏洞，不等于每条警报都是真的；攻击者可以反复尝试，防守方却要为每次核查付出成本。他据此认为利润会流向把模型封装为可靠应用的公司，而不只是模型调用本身。结尾又为“AI 等于裁员”提供反例：他预计公司技术人员反而会增加，因为待改造的系统更多。读者宜把本集视为一组有力的经营假说，同时保留对测试口径、行业预测和估值判断的核实空间。
💬 他们说了什么：主持人称 Arora 任职将满八年，Palo Alto Networks 市值从其记忆中的约 170 亿美元升至当天查到的约 2380 亿美元。Arora 说，Google 搜索让信息普及，AI 则让智能普及；他希望借此让 250 人营销团队的产出更一致，也让 5000 名客户接触人员不再因个人经验差异而表现悬殊。
💡 为什么重要：他衡量 AI 的方式是组织能否稳定交付知识，而不只是单人工作速度。
⚡ 争议点：营销产出“90% 一致”是他的设想，不等于已验证的质量提升；市值数字也是主持人的现场说法。
💬 Arora 称，Palo Alto Networks 用 Mythos 测试自家代码六周，找到按过往方式可能需五至七年才能发现的漏洞，成本为“数百万美元的低端”。他还说，持续尝试的模式可以串联漏洞，找到新的攻击路径；主持人追问后，他明确表示测试对象是公司的自有代码库。
💡 发现能力的跃升同时服务于代码审计和漏洞利用；企业不能再按原来的发现速度安排修复资源。
⚡ 访谈没有给出漏洞数量、严重程度或“五至七年”的估算方法，不能据此计算通用效率倍数。
💬 Arora 估计，类似能力可能三个月内、甚至已经在外部可得；旧工业系统的边缘 OT 代码不必是最难攻破的目标。他说，CIO 同时面对供应商补丁、自有代码漏洞和开源组件问题；为识别企业中的正常与异常行为，网络安全侧需要收集约十倍数据。
💡 瓶颈从“能否找到漏洞”转成“能否排序、验证并及时修复”，而企业上下文数据成为防御材料。
⚡ 三个月与十倍均为他的预测或需求判断；更多数据也意味着更重的治理任务。
💬 Arora 将“分析型 SaaS”界定为收集客户数据、再出售分析能力的产品，并断言这类业务“结束了”：客户可以自行对数据运行模型。一位主持人举例称，某产品原有 20 个席位却少有人登录；团队保留 3 个账户、取消 17 个，接入 Slack 和 Claude 后，账单降低了 90%。Arora 进一步提出，应把销售人员、生产率和 SAP 库存数据放在一起查询。
💡 当使用入口改为自然语言、分析跨越多个系统，按单一产品席位或附加分析模块收费的依据会受到挑战。
⚡ 一个席位削减案例不能证明整个品类消亡；数据是否能汇集，仍取决于权限、接口与迁移成本。
💬 Arora 认为数据库、存储和数据管理基础设施仍不可少，预计企业三年内需要存储约十倍数据。另一类是深嵌流程的工作或记录系统：他的 6000 名销售人员已经按既有系统工作。若 AI 智能体（Agent）能从销售通话提取要点并写入记录，界面与后台流程就可能重做；他预计这类系统未来五年会被重新设计。
💡 同属企业软件，保存可信数据与提供可替换分析界面，所处的位置不同；智能体还需要可操作的后台。
⚡ “界面消失”不等于记录系统消失，流程例外、人工复核和责任归属仍需设计。
💬 话题转向国家安全时，Arora 说大量攻击仍来自凭证被盗等简单原因，先后用了“89% 的攻击”和“80% 的入侵”两种说法。他更担心使用现成软件的小型牙科、诊所及其依赖的服务：他以 Change Healthcare 遭勒索软件攻击后医生诊所运营受阻为例，强调连锁性的经济混乱。
💡 模型越强，不代表企业可以跳过身份凭证和供应链依赖等基础防护；受害面也不局限于大型目标。
⚡ 两个比例的口径在访谈中未解释，也没有附上统计来源；案例的影响范围与金额应另行核实。
💬 Arora 认为模型将更像按任务购买的能力层，不必每项工作都调用最强模型；他用付 1 美元或 10 美元取得不同能力作比喻。他判断利润池在应用，而非企业直接调用模型，因此企业仍会购买带有智能体式能力、控制机制和记忆的 HR、销售等应用，不会各自重写全部软件。他也认为，把高能力模型延后发布三至六个月，未必能阻止全球其他参与者推出类似能力。
💡 真正的采购问题可能是应用能否解决业务流程，而非其底层只使用哪一家模型。
⚡ 模型公司也在进入应用层；未来由通用平台还是专业应用占据利润，访谈没有定论。
💬 Arora 转而追问模型误报：他称 Mythos 在其测试中的误报率为 30%，即部分“发现的漏洞”并不存在。他说，企业若面对 10% 或 20% 的误报，把模型直接用于保险理赔就会付出代价；其目标是降至 0.01%，在自身安全业务中甚至希望达到 0%，同时不能增加漏报。
💡 攻击者可重复试错，防守者却必须逐条核验；模型之后的训练、约束和业务流程决定实际效用。
⚡ 30% 的测试定义、样本和验证方法未披露；“0%”是期望，不是已达到的结果。
💬 在“临时 CEO”问答中，Arora 因任职 Uber 董事会而拒绝评论 Uber；他说 Waymo 的车“能工作”，希望它更快进入更多城市。谈到 Google，他认为公司被低估，具备模型之外的资产与销售能力，并预测它会在有生之年成为第一家市值十万亿美元的公司。
💡 他的估值逻辑不只看技术能力，还看大客户销售和将产品推向市场的能力。
⚡ 十万亿美元是个人预测，不是估值模型；访谈未给出收入或利润推演。
💬 Arora 认为 OpenAI 应更快销售，模型公司正争夺编程、安全和企业应用的利润池。他说，创业团队正在瞄准每席每年 1000 美元、或每席每月 500 美元的 SaaS，以用量收费并宣称可削减 80%—90% 成本。在企业市场，替换已有产品较容易取得预算，因为客户已经为原方案付费。
💡 新产品未必先创造新预算；证明它能接管既有支出，可能是更直接的商业路径。
⚡ 80%—90% 是创业团队的推介主张，并非访谈提供的已实现结果；低价也不保证迁移顺利。
💬 Arora 认为硬件仍是处理低延迟、高吞吐数据的便宜方式；对延迟敏感的金融业务不会轻易全部迁往云端。他说硬件开发的长环节在生产：组件、工厂产能被数据中心建设需求占用。被问及美国能否填补供应链需求时，他回答需要约十年，并谈到产业投资和资本开支税收激励。
💡 AI 加快设计或软件开发，并不会自动缩短设备生产和产能扩建周期。
⚡ 十年是现场判断；谈话未拆解具体组件、产能或政策效果。
💬 Arora 说，以前的收购办法是买产品公司，再放入 Palo Alto Networks 的销售体系；若对同一客户的销售额从 1000 万美元增至 2000 万美元，就能更有效利用销售投入。他称公司随后因身份领域对智能体式安全的重要性，买入一家约 250 亿美元的公司。下一步，他想检验 AI 能否把经营毛利率推至 90% 多、净利率推至 40% 多；但需要六至十二个月观察 AI 如何在企业落地。他预计技术人员会比没有 AI 时更多。
💡 收购逻辑正从“增加可卖产品”延伸至“能否更高效地经营被收购业务”，而转型本身也会创造技术工作。
⚡ 利润率是他描述的潜在目标；收购对象、交易金额口径及整合成效未在这段谈话中展开。
“AI 正在让智能普及。” “AI is democratizing intelligence.”
“我们正处于一场竞赛：防守者要在攻击者之前发现并修补这些漏洞。” “So we're in a race right now between the cyber defenders finding these vulnerabilities and patching them before the cyber attackers do the same thing.”
“如果你是一家分析型 SaaS 公司，那就结束了。” “If you're an analytical SaaS company, it's over.”
“利润池在应用，而不在模型。” “The profit pools are in applications, not in models.”
“模型之后还有大量工作，才能让它在商业场景中有用且有效。” “There's a lot of work that happens post the model, which needs to happen to make this thing useful and effective in the business context.”
这场谈话里的“十倍数据”与“分析型 SaaS 已死”并不矛盾。前者关乎企业能否留存足够上下文，识别正常行为、追溯智能体操作；后者针对的是替客户读取既有数据、另行出售分析结果的模块。数据越重要，企业越可能重新审视数据放在哪里、谁能访问，以及是否仍须为每个分析入口单独付费。
安全测试也呈现一个不对称性：发现一个可能的漏洞，可以是下一轮探索的起点；宣布已修复一个并不存在的漏洞，却会占用防守资源。Arora 的 30% 误报说法因此比单纯的“六周发现多年漏洞”更接近部署决策的核心。衡量产品时，发现率与误报、漏报及人工核验成本应放在一起看。
他对就业的结尾判断同样值得与前文对读：“五个人变一个”的流程效率设想，发生在特定工作环节；公司整体仍可能因为要改造更多系统而增加技术人员。局部任务自动化与组织总人数变化，不能直接画等号。
