Databricks CEO Ali Ghodsi 对 a16z 的 Martin Casado 与 Sarah Wang 说：当下存在风险接近于零，但用「全人类灭绝」叙事吓人是不负责任的领导力；真正该急的是 AI 驱动的网络攻击（CVE→武器化从年到分钟）。他对「pacing the frontier」的 PR 包装高度怀疑——相关安全文档本身可以合理，但「放慢」与具体安全控制正交。他给出 RSI 四条件（更少资源、更短时间、更高智能、可重复）并称当前前沿训练恰恰相反：更贵、更脆、更慢。企业侧瓶颈不是模型不够聪明，而是缺组织本体（ontology）——把会议、人、项目、权限蒸馏成可离线索引的图；Databricks 自用数百万节点后会议文化变成「Genie 一下」。成本上用网关预算+智能路由+换 harness（同模型可差 ~2×）压住账单；Neon/Lakebase 因亚秒启动与 branching 成为 Agent 首选数据库。
- 领导者不应在无硬证据时散布灭绝叙事；Ali 估当下存在风险≈0，但承认真实 cyber 风险。
- 「Pacing…
播出信息
- 节目: The a16z Show
- 嘉宾: Ali Ghodsi（Databricks 联合创始人兼 CEO）
- 对谈: Martin Casado、Sarah Wang（a16z GP）
- 发布: 2026-09-18（RSS pubDate 日）
- 时长: 01:08:34（约 4114 秒）
- 单集页: a16z.simplecast.com
- YouTube: YouTube
- 音频: 音频
- 英文转写来源: YouTube auto captions（未找到更优公开全文稿）
来源
节目结构
- 开场：公地悲剧与「别吓死人」 — 00:00 🎧 · ▶️
- Pacing 的 PR 失误：安全≠放慢 — 00:48 🎧 · ▶️
- 为什么单边减速是「冤大头」 — 06:21 🎧 · ▶️
- RSI 四条件：真正危险的自我改进 — 12:33 🎧 · ▶️
- 黑箱测试：看人数、算力还是眼睛 — 16:01 🎧 · ▶️
- 为何还没爆发 AI 网络末日 — 20:17 🎧 · ▶️
- 数据/AI 与网络安全正在合流 — 23:27 🎧 · ▶️
- 4D 象棋：末日话术 vs IPO 配额 — 31:27 🎧 · ▶️
- 行业自律 vs 联邦介入 — 33:33 🎧 · ▶️
- 被低估的上行用例 — 41:49 🎧 · ▶️
- 企业落地：先数字化，再建本体 — 44:36 🎧 · ▶️
- Ontology：把「老员工直觉」做成索引 — 45:24 🎧 · ▶️
- 董事会 Genie 轶事与价值最大化 — 50:55 🎧 · ▶️
- 成本曲线：路由、Harness 与开源迁移 — 54:46 🎧 · ▶️
- Agent 时代基础设施：Neon/Lakebase — 1:03:31 🎧 · ▶️
分节详解
1) 开场：公地悲剧与「别吓死人」
💬 他们说了什么： 开场剪辑抛出三条主线：商业领袖面临的公地悲剧——想减速为何不自己先减？因为在竞争；两派对立——一派认为安全是工程问题，一派主张必须放慢；以及「人类响应攻击太慢，必须全自动防御」。正式开场后 Sarah/Martin 请 Ali 就 Dario、Jacob、Elon 等已表态的「pacing the frontier」给出同意、不同意与被忽略的 nuance。Ali 的第一原则：领导者有责任不要不必要地恐吓公众，除非有硬证据；把「全人类被抹掉」挂在嘴边会触发心理健康危机。他判断当下存在风险接近于零。技术细节应留给研究者，不必每次上电视给几百万人报一个「10% 灭绝概率」。Martin 举例：乡下教书的姐姐已在准备「AI 末日小屋」。
💡 为什么重要： 把价值排序钉死：先区分修辞伤害与真实风险。若公共讨论被末日叙事占据，监管与资本都会跟着错误信号走，反而耽误可操作的安全与企业落地。
⚡ 争议点： 「存在风险≈0」是极强主张；安全社群会反驳：低估尾部风险本身就是不负责任。Ali 承认后面会谈真实风险——焦点是哪一类。
2) Pacing 的 PR 失误：安全≠放慢
💬 Martin 认为「pacing」是经典 PR 翻车：行业自我监管、强调 security & safety 本来很 sensible；问题是被塞进「放慢」这个筐。罪状：① pacing 与安全正交——你可以慢慢造武器；② 听起来不真诚——实验室仍在狂买算力；③ 像对 pause 派的温吞投降。他读了 Dario 的文档，觉得内容合理，但和 pacing 几乎无关。Ali 部分同意公地悲剧框架。两人就相关事故争「该叫 pacing 还是该叫 secure your shit」：Martin 说反应应是加固控制；Ali 说安全/法务本来就会拖慢每一次发布——上播客都要审稿。
💡 词义战争决定政策工具箱：目标若是「减速」，监管切算力与时间；若是「安全控制」，工具是监控、沙箱、审计与自动化防御。
⚡ 安全工程是否必然等价于 pacing？Ali 认为合规审查本质上就是 pacing；Martin 认为把「加固」说成「放慢」会两头不讨好。
3) 为什么单边减速是「冤大头」
💬 Ali 明确站在商业领袖视角：我在竞争，我想赢；市场均衡意味着自愿 pacing 不现实。对方不停你就停=当冤大头。于是出现「请政府来一起停我们」的诉求。两边都有政治：一边保 IPO/回报、一边武器化推文与叙事。Martin 提醒：恐吓公众还会把联邦机器发动起来，可能与安全目标背道而驰。
💡 解释了为何 frontier lab 会「一边喊风险一边要监管」——不一定是单纯伪善，也可能是集体行动问题的理性解；但同一监管也可能抬高壁垒。
⚡ 监管是解决公地悲剧的必要协调，还是披着安全外衣的竞争策略？
4) RSI 四条件：真正危险的自我改进
💬 Ali 给出危险 RSI 的四条件须同时成立：① 下一模型训练所需资源/GPU 更少；② 训练时间更短；③ 智能/精度上升；④ 上述能一轮轮重复。缺一则自我限速。他强调：不要把「AI 写代码」当成 RSI——Databricks 已有九成软件由 AI 写。真正可怕的是四条件齐备的加速螺旋。对照现实：前沿一年只有一两次大 run，且更耗资源、更多人、更脆、要更大机房——与四条件相反。Sarah 补充：训练好模型的算力门槛还在涨。
💡 给 RSI 辩论一个可证伪的仪表盘，避免把「模型写代码」自动等价于失控超级智能。
⚡ 四条件是否充分？即使成立是否必然通向 ASI 仍未知。有人会说应看能力外推而非训练成本曲线。
5) 黑箱测试：看人数、算力还是眼睛
💬 Martin 提「黑箱 litmus」：若公司人数与烧钱下降却继续加速出模型，就该警觉。Ali 反驳：公司低效≠RSI——可能无限金钱养冗余。更干净的指标是真正做预训练/后训练的小队是否在变小、GPU 是否在变少。历史类比：超算、出口管制——「这次不一样吗？」Ali 认为规模与互联密度已不同，网络风险才是眼前最大头。
💡 把「感觉模型变强了」换成可观察的组织与算力计量。
⚡ 核心训练团队与真实有效算力仍可能不透明；黑箱测试很难干净落地。
6) 为何还没爆发 AI 网络末日
💬 Martin 问：互联网早期蠕虫已造成巨额损失，AI 钱更多、找风险的人更多，为何还没同等量级破坏？Ali：他睡得着，无当下存在风险；但大量基础设施待加固。SOC 人肉跟不上，行业正冲向全自动 agent 检测（LakeWatch）。若跑输，会出现站点瘫痪与人员伤害——非存在性，但真实。多数行业仍是旧式 SOC+海量误报。
💡 把恐惧从「纸夹最大化杀手」拉回「CVE→利用从年到分钟」的工程赛跑。
⚡ 「还没爆」是防御奏效还是时间表被夸大？Ali 说在赛跑，不是高枕无忧。
7) 数据/AI 与网络安全正在合流
💬 Martin 惊讶有创始人用 Databricks 做 observability/agent 威胁检测。Ali：数据/AI 与 cyber 两个市场在坍缩合并——内部 agent 互操作留下海量日志，分析规模比一两年前高几个数量级。
💡 湖仓不再只是分析，而成安全遥测与 agent 审计底座；安全创业与数据平台边界被重画。
⚡ 「合流」是架构必然还是叙事扩张？买方需分清产品成熟度与平台绑定风险。
8) 4D 象棋：末日话术 vs IPO 配额
💬 引用 Elon：一边说人类将死，一边问 IPO 配额——是不是 4D 象棋？Ali：恐惧真的存在，也有人真心觉得监管 pacing「对我们有好处」；利益与信念常在脑中「和谐对齐」。用「新模型吓到我」做营销的套路存在；但 CVE→武器化时间崩溃也是真的。营销与真实威胁可以并存。
💡 教听众拆双轨：别因反感营销就否定 cyber 风险，也别因风险真实就买下所有监管药方。
⚡ 动机不可证伪；公共政策应盯具体控制与事故数据，而非解读 CEO 心理。
9) 行业自律 vs 联邦介入
💬 讨论第三方仲裁 vs 州权力。Ali：FINRA 类机制本就会与政府纠缠。若实验室一边喊存在风险一边喊「来管我们」，监管者很难说不。David Sacks：从没见过 CEO 求监管；Ali 补：也没见过监管者拒绝这种邀请。政治机器已转起来。Ali 仍认为还有自由度。窄域 RL 刷分≠超级智能；公司上市是因为需要资本把扩展定律当战略优势。
💡 预判监管路径依赖：自我监管可能滑向联邦重手。
⚡ 现在是否已「太晚」？本期偏「还有时间」，但承认政治动量很大。
10) 被低估的上行用例
💬 Ali 列举上行用例：Crisis Text Line 侦测青少年自伤；Omnipod 胰岛素自适应；Zipline 无人机送血；与 Merck 的 TEDDY 降药研成本；Novo Nordisk 用本体把试验洞察从周压到分钟。结论：别忘记上行，这些不该被 paste/pace 掉。
💡 把讨论从抽象风险拉回可辩护的社会福利与企业 ROI。
⚡ 精选成功案例代表性？医疗失败成本更高，本期对故障模式着墨较少。
11) 企业落地：先数字化，再建本体
💬 未来 12 个月如何兑现价值？Ali：比多数人想的难。前提是组织内发生的一切被数字化——会议全量转写、数字内容进模型；然后构建 ontology。没有采集就没有魔法棒。
💡 打击「买个 Copilot 席位=转型完成」的幻觉；预算应优先流向数据飞轮与权限治理。
⚡ 全量会议录音的隐私、劳资与合规阻力巨大。
12) Ontology：把「老员工直觉」做成索引
💬 Ontology=组织里目标、部门、人、项目等抽象概念及其关系——新人 vs 五年老员工的差别。路径：录音只是原料；关键是蒸馏成可喂给 AI 的数字图。今日 agent 像逐个 MCP 探资源——慢、贵、只看子集。类比：若 Google 每次搜索都现场爬站十分钟，又慢又差；真正做法是离线算好索引。企业本体≈带权限的 PageRank。Databricks 自用节点数以百万计，「公司一年内完全变了」——会上人人掏手机问 Genie。
💡 竞争优势从「更大模型」转向「谁先建成可权限感知的组织索引」。
⚡ 与知识图谱旧酒新瓶如何区隔？权限错误带来的泄漏风险随索引能力上升。
13) 董事会 Genie 轶事与价值最大化
💬 Ali 要 Fortune 500 渗透率：sales ops 说飞机上登不了 Genie——Ali 怒：那我自己也能登。问 CFO，对方直接贴 Genie 截图。文化变成「谁 genie 一下」。随后谈 token maxing→value maxing：模型够好后 Ali 亲自合代码到生产并上排行榜；很快发现浪费，用 UniGateway 做预算告警与组级限额。
💡 展示「CEO 示范→爆发使用→必须上治理」的真实节奏。
⚡ 排行榜激励是否制造无效 token 竞赛？
14) 成本曲线：路由、Harness 与开源迁移
💬 智能路由：临近预算或简单问题走便宜模型；同一模型不同 harness 成本可差约 2×。结果：token 用量仍升，账单曲线趋平。Sarah：第一次在大型工程组织看到从前沿模型迁到 GLM。后文谈企业不愿自己训模：eval 太难，像人人称赞 TDD 却很少真做。
💡 多模型+harness 层成为新控制面；「只绑一家前沿」的采购策略开始松动。
⚡ 迁到开源/中国模型的合规与供应链风险未充分展开。
15) Agent 时代基础设施：Neon/Lakebase
💬 第三方测评显示 agents 偏爱 Lakebase/Neon 作 Postgres。Ali：团队痴迷 agent 人格——亚秒拉起库、秒级 clone、branching、实验计价不爆炸。>90% 的库由 agent 创建非人类。收尾互报 p(doom)：Ali≈0；另一位称「没有 AI 的 p(doom) 更高」。
💡 基础设施评分函数变了：从「讨好 DBA」变成「讨好 agent 的延迟、分支与可回滚」。
⚡ Agent 创建占比高是否可持续计费与治理？
金句
Leaders have responsibility to not freak people out unnecessarily… right now the existential risk is close to zero.
You can slowly build a weapon — pacing is orthogonal to safety and security.
As a business leader, there's a tragedy of the commons… I'm competing. I want to win.
The ontology is the difference between day-one employee and five-year veteran — then distill it into a graph you feed the AI.
Same model, different harness — almost 2x cost difference.
来源（再列）
- Episode: a16z.simplecast.com
- YouTube
- Local EN transcript:
/workspace/podcasts/a16z/transcripts/databricks_ali_ghodsi.en.md
