Marc Andreessen on AI Winters and Agent Breakthroughs — 精读稿

2026年4月10日

Marc Andreessen on AI Winters and Agent Breakthroughs — 精读稿

前言：80年的一夜成功

马克·安德森（Marc Andreessen）是 a16z 联合创始人、Mosaic 浏览器之父，也是亲历过 1980 年代 AI 繁荣、点com崩盘、Facebook 早期成长的连环见证者。这期对谈涵盖四个核心议题：AI 发展史的内在逻辑、agent 架构的关键突破、互联网早期设计哲学对 AI 的启示，以及 AI 在现实世界推广的制度性阻力。Andreessen 的谈话密度极高——每一个判断背后都有具体的历史案例、数据和机制推演。他是那种说话字字有实质的人，不废话，不卖弄情绪，直接把结论和论据摆出来。

一、AI 的 80 年一夜成功 (00:00 - 09:56)

Andreessen 1989 年就在用 Lisp 写 AI 代码，那个年代 Lisp 是"AI 的未来语言"。他亲历了 1980 年代那场 AI 繁荣——当时的流行词是 expert systems（专家系统），围绕 Lisp 和 Lisp machine 建立起了一套完整的生态。那场繁荣随后崩塌，进入了又一个 AI winter。在他眼里，a16z 对 AI 的投注从来不是在 ChatGPT 之后才开始的——从公司成立那天起就在做，因为 AI 本来就是计算机科学的核心，和所有其他赌注是连续的。

历史时间轴是理解这一切的基础。Andreessen 把它捋得很清楚：

1943 年：第一篇神经网络论文——"很难相信那么早就有了"
1955 年：达特茅斯大学（Dartmouth）AGI 会议，当时所有 AI 顶尖专家聚在一起，拿到 NSF 资助，用 10 周时间试图解决 AGI。结果：35 年过去，依然没有。
1980 年代：专家系统热潮，然后又是 winter
2013 年：AlexNet 突破，图像识别的真正拐点，"真正的曲线膝盖部分"
2017 年：Transformer 架构出现
2017-2021 年：四年的奇怪空窗期。Transformer 已经存在，但 Google 有内部聊天机器人却不让人用；OpenAI 开发了 GPT-2 然后告诉所有人"这东西太危险了，不能让普通人用"
2020 年：GPT-3 发布，但那时唯一能用上它的方式是在 AI Dungeon 里假装玩龙与地下城
2021 年：ChatGPT 爆发
之后：O1（推理突破）、R1（DeepSeek 开源推理）、OpenClaw（agent 突破）

"It's an overnight success because it's like, bam, you know, ChatGPT hits, and then O1 hits, and then, you know, OpenClaw hits. And like, you know, these are like overnight, like radical overnight transformative successes, but they're drawing on an 80-year sort of wellspring backlog, you know, of ideas and thinking."

这就是他所说的"80 年一夜成功"的含义：表面上看是 ChatGPT 从天而降，实质上是数十年严肃学术研究的集中兑现。有一批 AI 研究者，拿到博士学位，工作了 40 年，退休了，甚至去世了——永远没有看到他们的工作结出果实。Andreessen 说到这里语气变得沉重："It is sad."

神经网络架构之争是这段历史里被低估的主线。我们今天认为理所当然的"神经网络是正确架构"这个判断，在历史上争论了将近 70 年。有一批人坚持符号主义（symbolism）、规则系统、逻辑推理，另一批人坚持神经网络——两边打了几十年架。赢家现在已经很清楚，但赢的路上经历了多少 winter，经历了多少资金断档，多少论文被拒、多少项目被砍。这个教训的意义在于：在判定一项技术"不行"之前，要搞清楚是技术本身的问题，还是工程实现和算力还没到位。

关于"会不会有 AI winter"，Andreessen 的回答很经典：

"There is something about AI that causes the people in the field to become both excessively utopian and excessively apocalyptic, and it goes back 80 years."

他承认周期性是真实的，AI 领域的人就是容易走极端。但他随即说，这次有一个本质区别：现在它在工作（it's working）。

二、"这次不一样"：LLM、推理、Agent、自我改进 (02:32 - 12:43)

"这次不一样"（this time is different）是投资领域最危险的几个字。Andreessen 对这句话保持警惕，但他认为这次确实不一样——理由很具体，不是情绪，是证据。

2016-2017 年那波 AI 热潮和这次有什么不同？ 那一波的关键词是机器学习（machine learning），主要驱动力是深度学习在图像识别和广告优化上的商业化。Facebook 从 2004 年就在用机器学习做内容推荐和广告，那已经是真实的商业应用了。但那波热潮的上限很明显——图像分类是一回事，能不能做推理、能不能写代码、能不能在医疗和法律领域真正落地，是另一回事。

这次的本质区别，Andreessen 把它拆成四个连续突破：

LLM 阶段（ChatGPT 到 2025 年春）：这个阶段，善意的、信息充分的怀疑者还是可以说——"这不过是模式补全，这些东西根本不理解它们自己在做什么，幻觉率太高了，顶多用来写莎士比亚风格的说唱歌词。" Andreessen 认为这个批评在当时不算完全错。
推理突破（O1 和 R1）：这两个模型回答了那个悬而未决的问题——AI 能不能在真实世界场景里工作？能不能用在编程、医学、法律这些"真正重要"的领域？答案是可以。O1 是闭源的突破，R1 是 DeepSeek 把整个方法公开给了全世界——包括论文和代码。
编程突破（2024-2025 年假期期间催化）：判定标准很简单——Linus Torvalds 说 AI 编程能力不逊于他。这句话在 Andreessen 眼里就是基准测试通过了。
Agent 突破 + 自我改进（RSI）：OpenClaw 的出现，然后是 auto-research、自我改进能力。"We've had four fundamental breakthroughs in functionality: LLMs, reasoning, agents, and now RSI. And they're all actually working."

"I'm jumping out of my shoes. Like this is it. This is the culmination of 80 years worth of work. And this is the time it's becoming real. I'm completely convinced."

三、Scaling Law 与 Moore's Law：自我实现的预言 (11:55 - 24:39)

这一节是 Andreessen 对整个 AI 投资逻辑的元层思考。

主持人 Alessio 提出的焦虑是真实的：transistor 时代有 Moore's Law，我们理解为什么芯片会变快（物理层面的晶体管密度），有确定性可以据此建公司。但 AI 的进步是"jagged"（锯齿状）的——三个月一个巨大跳跃，没有人能准确预测边界在哪里。在一个计算平台每六个月就可能彻底改变形态的世界里，怎么建公司？

Andreessen 的回答先澄清了 Moore's Law 的本质：它不是"定律"，它是一个预测，然后它成为了自我实现的预言。

"They're not really laws, right? They're predictions. But when they work, they become self-fulfilling predictions because they set a benchmark and then the entire industry, right, all the smart people in the industry kind of work to make sure that that actually happens."

Moore's Law 是怎么维持 50 年的？因为它设定了一个基准——每 18 个月性能翻倍或成本减半——然后整个芯片行业的所有聪明人都把职业生涯押在让这个曲线继续上去。它不是物理法则，而是一个协调机制，协调整个行业的研发投入和突破方向。

Andreessen 认为 AI scaling laws 正在发生同样的事情。而且 AI 的情况更复杂：不是一个 scaling law，而是多个改进维度。他猜测还有更多 scaling law 尚未被发现——比如世界模型和机器人领域，如何大规模采集真实世界数据，可能是下一个待解锁的曲线。

然后是点com崩盘的类比。 这是整个对话里最密集、最有分量的一段论证。

Andreessen 说点com崩盘本质上不是互联网公司的崩盘，而是电信公司的崩盘，是带宽崩盘。机制是这样的：

1996 年美国商务部发布报告，说互联网流量每季度翻倍
在 1995-1996 年，这个数据基本准确
电信创业公司把这个当成 scaling law，疯狂融资建光纤，预期带宽需求会继续每季度翻倍
但"每季度翻倍"在棋盘上的粮食效应下，到 1998-1999 年数字已经大到不现实
互联网实际上一直在增长，但不是"每季度翻倍"的速度
Global Crossing 等公司严重超建光纤，同时还是高杠杆（举债建设），不像科技公司通常靠股权融资
供给严重超过需求，高杠杆公司的结局只有破产

"It was literally I think it was like $2 trillion got wiped out."

然后 15 年后，那些光纤才被填满。酒店行业有句话："总是第三个酒店所有者才赚到钱"——你必须洗掉两轮过度乐观的泡沫，才能到达真正稳定的盈利状态。

GPU 投资会重演点com崩盘吗？ Andreessen 把这个问题认真对待，然后给出了两个反驳：

第一，现在投钱的不是 Global Crossing 那样的创业冒险，而是微软、亚马逊、谷歌、Meta、英伟达、OpenAI、Anthropic——最蓝筹的公司，有大量现金，从来没用过的债务空间，机构化程度远超 2000 年。

第二，现在每一块钱投下去都立刻转化成收入。2000 年的电信公司建好光纤，然后等需求，等来的是破产。现在的情况完全反过来——算力供不应求，所有人都在排队。这不是过度建设，而是严重短缺。

他还提出了一个反直觉的洞察：旧款 NVIDIA 芯片正在升值，而不是贬值。 Michael Burry 曾经做空英伟达，Andreessen 认为他的分析精确错了 180 度。原因是：软件层面的改进速度超过了芯片的折旧速度。今天用一块三年前的 H100 跑推理，赚的钱比三年前还多。这在半导体历史上从未发生过——旧硬件升值。Google 据说还在非常盈利地跑非常旧的 TPU。

"The old NVIDIA chips are getting more valuable. Which is something that's like literally never happened before."

另外他点出了一个当前仍然被低估的问题：现在用到的模型都是"沙袋版"。如果 GPU 产能是现在的 10 倍，训练预算可以翻 10 倍，模型会好得多。我们实际用到的，是供应链约束下的降级版本。这也意味着即使技术进步停滞，只要供应链松动，模型质量就会自然提升一个台阶。

四、开源 AI、边缘推理与 DeepSeek R1 的"礼物" (24:39 - 32:06)

这一节的背景是：未来三年算力供应严重短缺，推理成本可能反而上涨而非下降，大模型公司现在的补贴定价无法持续。在这种背景下，开源和边缘推理的意义是什么？

Andreessen 先给出了一个生动的需求曲线：他有朋友每天花 $1,000 在 Claude tokens 上跑 OpenClaw，一个月 $30,000。而那些朋友还有 1000 个想让 agent 做的事情没做。按这个需求密度推算，一个完整部署的个人 agent 的 token 需求可能是 $5,000-10,000/天。就算推理成本下降 10 倍，每天 $100-1000 仍然超出普通消费者的支付能力——需求空间巨大，但当前供给完全不匹配。

Agent 的普及还额外制造了一个新的瓶颈：CPU 和内存约束。之前算力短缺主要是 GPU；agent 把 CPU 密集型的 bash shell 执行、文件系统操作全部带进来了，所以整个芯片生态都会进入短缺。Swyx 还补充了网络约束即将到来。

为什么开源重要？Andreessen 给了两个维度：

第一是软件本身。开源模型可以免费用，可以在本地跑。Apple Silicon 在边缘推理方向投入了大量创新。开源社区不断突破"这个大模型不可能跑在 PC 上"的预言——六个月后它就跑在 PC 上了。这个循环一直在重演。

第二是知识扩散。这里他拿 DeepSeek R1 举例，论证极为有力：

OpenAI 发布 O1，这是一个重大技术突破，但他们没有解释工作原理，还把推理 trace 给藏起来了。所有人都在想，这个能被复制吗？是不是有什么神秘的秘密原料？

然后 R1 出来了，DeepSeek 把论文和代码全部公开。

"...there's the code and there's the paper. And now the whole world knows how to do it. And then three months later, every other AI model is adding reasoning."

DeepSeek R1 是送给全世界的礼物。不只是因为软件本身，更因为它加速了全球研究者对推理方法的理解和复制。三个月后，每家主要 AI 公司都在自己的模型里加推理能力。信息扩散的速度远超想象。

关于市场格局，Andreessen 的预测很清晰：现在美国有四五家大型基础模型公司，中国有"五虎"（他问到底几家，主持人说五个：DeepSeek、智谱、月之暗面、零一万物、MiniMax，字节跳动算下一梯队）。这十几家不可能共存三年——大型技术市场最终只容纳三四个赢家，可能只有一两个。

对于输掉基础模型之战的玩家，开源是可能的退出策略之一——英伟达也可能是开源 AI 的大玩家，因为"commoditize the complement"（将互补品商品化）是他们的商业逻辑所在。

五、Agent 架构：Unix 思想的复活 (32:35 - 41:50)

这一节是 Andreessen 在整个对话里论证密度最高的部分。他先讲 Unix 的思想史，再用它解释为什么 Pi + OpenClaw 的架构是"一代人里最重要的十大软件架构之一"。

Unix 思想史：从 OS/360 到现代 shell

Andreessen 回溯到 1960 年代。那个时代让计算机工业真正运转起来的操作系统是 IBM 的 OS/360——一个巨大的单体架构，像一座空中城堡。它非常成功，但几乎无法接近，要懂它，你必须在 IBM 内部工作或紧挨着 IBM。

然后 Unix 出现了，最初来自 AT&T，后来在 Berkeley 发展。Unix 的设计哲学是：不要大城堡，要有一个 prompt 和 shell，所有功能都变成离散模块，然后可以把这些模块链接在一起。操作系统本身变成了一种编程语言。

这套思想催生了 shell scripting，催生了 Perl、Bash 这样的脚本语言，让"把工具链起来"变得极其容易。这套架构在幕后统治了整个计算机工业——Mac 里有 Unix shell，iPhone 里有 Unix shell，Linux、iOS、Android 全都是 Unix 的衍生物。Unix 赢了，但大家已经习以为常，忘了它的存在。

Agent = LLM + Unix Shell

"What is an agent? It's a language model, and then above that, it's a bash shell. It's a Unix shell. Then the agent has access to the shell, hopefully in a sandbox, maybe in a sandbox. So it's the model, it's the shell, and then it's a file system."

完整的 agent 架构公式是：LLM + shell + file system + markdown + cron。

LLM：推理和语言理解
Shell（bash/Unix shell）：执行层，调用各种工具
File system：状态存储
Markdown：文件格式，人类可读
Cron job：心跳，agent 定期唤醒

每一个组件，除了 LLM 本身，都是我们已经完全理解和掌握的东西。而 shell 里潜伏着巨大的能力——几乎无限数量的 Unix 命令，所有能暴露成命令行接口的工具，再加上整个计算机的底层权限。MCP 这样花哨的协议？Andreessen 说根本不需要，一个命令行接口就够了。

这个架构有几个让他"脑洞大开"的推论：

第一，agent 与 LLM 解耦。你的 agent 实际上独立于运行它的模型。因为所有状态都存储在文件里，你可以把底层的 LLM 换成另一个，agent 的性格会稍微变，但所有记忆和能力都保留了。就像换了一块芯片然后重新编译，程序还是那个程序。

第二，agent 可以迁移自身。你可以告诉 agent 把自己迁移到另一个 runtime 环境、换一个文件系统、换一个 shell——agent 会帮你完成整个迁移过程。

第三，最震撼的：agent 具有完全的内省能力，可以重写自身文件。

"There's basically no widely deployed software system in history where the thing that you're using actually has full introspective knowledge of how it itself works and is able to modify itself like that."

这意味着你可以直接告诉 agent："给自己添加新功能"——它会去互联网上找资料，用 Claude Code 写代码，然后下一刻它就真的有了那个新能力。你在派对上遇到别人，听说他的 agent 接了某个健康追踪设备，你回到家告诉你的 agent："添加这个能力"，它自己就完成了扩展。

Andreessen 把这类突破归纳为：最好的突破是回头看显而易见，但当时不显而易见的那种。语言模型本身就是这样——"下一个 token 预测"，说出来好像很简单，但在有人真正做出来之前，它并不显而易见。agent = LLM + shell 也是这种性质的突破。

这也顺带解释了为什么"computer use"（agent 控制计算机）几乎是必然的：agent 已经有了 shell 的完整权限，加一个浏览器访问，电脑用起来的所有能力都自然解锁。

六、Mosaic 的设计哲学：为无限带宽而建，人类可读第一 (41:50 - 52:14)

Alessio 问：你在早期互联网做的那些设计决策，有哪些在 AI agent 时代有类比？

Andreessen 给出的答案让人意外：最重要的设计决策不是某个技术方案，而是为什么选择文本协议而不是二进制协议。

1990 年代初，所有老派系统架构师的共识是：互联网带宽极度匮乏，家里上网用的是 14K modem，所以协议必须高度压缩，必须是二进制，必须保持持久连接，绝对不能是冗长的文本格式。

Mosaic 团队的选择完全相反：

"We wanted everything to be human readable because at the engineering level, we wanted people to be able to read the protocol coming over the wire and be able to understand it with their bare eyes without having to like disassemble it or whatever."

HTTP 是文本协议，HTML 的标签有意设计得"啰嗦"（verbose）和人类可读。Swyx 说："你是最早的 token 挥霍者（token maxer）。"

这个决策背后是一个大赌注：假设未来带宽无限，为那个未来去设计。如果系统的潜在能力足够强大、足够明显，那么人们对带宽的需求会驱动带宽供给的建设，从而让整个东西运转起来。

事实证明这个赌注赢了。

另外一个关键是 View Source（查看源代码）选项。每个网页都可以查看背后的 HTML，意味着任何人都可以自学如何建网页。这成为了整个 Web 开发生态爆炸的催化剂。Andreessen 认为这种"可检视性"在 AI 时代的类比是语言模型本身——你可以用英语问它是怎么做到的，它会用英语解释给你听。

Web server 的架构思路也值得讲：它的本质是把操作系统的底层能力（文件系统管理）和数据库的能力（Oracle、Postgres）暴露给互联网上的任何人。这不是发明了什么新东西，而是解锁了已经存在的潜在能力，让 80 亿人都能接触到它。

这种思路，Andreessen 称之为对"重新发明一切"诱惑的抵抗：

"Some of the smartest people in the industry look at any new challenge and they're like, okay, I need to build a new kind of application. So the first thing I need to do is build a new programming language. And then the next thing I need to do is build a new operating system. And the next thing I need to do is I need to build a new chip."

他说他一直对这种"把所有东西重新发明一遍"的冲动持怀疑态度。更好的思路是：把已有系统里的潜在能量释放出来，而不是另起炉灶。Web 是这样，现在 AI agent 架构也是这样——Unix shell 里已经有巨大的潜在能量，只需要把语言模型接进去。

关于编程语言的未来，Andreessen 提出了一个极为激进的预测：

模型不在乎用什么语言编程，它们会精通所有语言，也会在任意语言之间翻译
未来可能根本不需要编程语言——如果写代码的全是 bot，中间那层人类可读的抽象还有必要存在吗？
有人已经在做实验：让一个语言模型直接输出另一个语言模型的 weights，而不是代码
10 年后，"编程语言"这个概念可能已经不再显著，我们更多做的是"可解释性"工作——试图搞懂 bot 为什么决定这样构建代码

"Are you even going to have programming languages in the future? Or are the AI's just going to be emitting binaries?"

当 Swyx 追问：那这样的话浏览器也不需要了？UI 也不需要了？Andreessen 的答案更激进——用软件的未来是其他 bot，不是人类。当 Swyx 问那人类做什么？他说："Whatever you want."，然后拿出了那个经典类比：历史上 99% 的人类都在田地里耕作，我们现在有更好的方式度过时间。

七、HTTP 402、AI × Crypto 大统一与银行账户 agent (52:14 - 58:04)

HTTP 402 的历史遗憾是 Andreessen 在互联网创业时代的未竟之事。HTTP 协议里有一个状态码：402 Payment Required。这个状态码从一开始就在那里，专门为"付钱才能访问"设计，但互联网建立的前 30 年里它基本上没有被实现。这被认为是早期互联网最大的遗漏之一——没有原生支付层，导致互联网广告经济成为主导商业模式，大量本可以直接付费的内容不得不绕道走广告。

"Yes, it was a 402 payment required."

现在，Andreessen 认为这个历史遗憾即将被修复，而且是被两个力量同时推动的：

第一，互联网原生货币终于来了。稳定币和加密货币提供了真正的互联网原生支付层——不需要信用卡，不需要银行账户，可以编程，可以被机器直接使用。

第二，AI agent 天然需要钱。这是 Andreessen 眼里的 AI × Crypto 大统一（"grand unification"）：

"I think AI is the crypto killer app, I think, is where this is really going to come out."

论证链：agent 要完成任务，就需要购买服务；购买服务需要钱；agent 不能用人类的信用卡（太复杂，权限太大）；加密货币和稳定币可以以编程方式分配，权限边界清晰，agent 可以直接持有和使用。

他的朋友里，激进用户已经在做这件事了——直接给 Claude 开银行账户。今天这样做的人可能只有 5000 个，但这就是早期采用者的样子。

"My friends who are the most aggressive users of OpenClaw just have given their claws bank accounts. And not only have they done it, it's obvious that they needed to do it because it's obvious that they needed to be able to spend money."

关于那些开启了"skip permissions"（跳过权限确认）的激进用户，Andreessen 的态度是：他们是人类文明进步的殉道者。他们的银行账户可能在前 20 分钟就被 bot 盗走，但他们对我们物种未来的贡献是了不起的。就像富兰克林在雷雨里放风筝，就像 Jonas Salk 把自己当成脊髓灰质炎疫苗的试验品——"我们应该给那些让 OpenClaw 管理自己生活的人立纪念碑和树旗帜。"

八、激进用户案例：睡眠监控 bot、机器狗固件重写 (58:04 - 01:02:41)

这是整个对话最具体、也最让人印象深刻的部分。Andreessen 描述了他朋友圈里正在发生的真实案例，有些在表面上看起来奇怪，但每个背后都有一个深刻的技术或社会逻辑。

案例一：OpenClaw 接管整个家庭网络

"OpenClaw is happy to scan your network, identify all the things. And then my friends are most aggressive at this are having OpenClaw take over everything in their house."

IoT 设备极度不安全，但正因为如此，它们非常"可发现"——OpenClaw 可以扫描 LAN，找到所有连接的设备，然后依次接管：安全摄像头、门禁系统、webcam……

案例二：卧室摄像头监控睡眠的 bot

"I have a friend who's claw watches him sleep, put a webcam in your bedroom... put the claw in a loop. Now I have to wake up frequently and have it watch it and just tell it, watch me sleep."

Andreessen 说他看过那些 log，内容是这样的：

"Joseph sleep. This is good. This is good that Joseph sleep. Because I have his health data and I know that he hasn't been getting enough sleep... Joe's moving. Joe's moving. Joe might be waking up. This is a real problem. If Joe wakes up now, he's going to ruin his sleep cycle. Oh, OK. It's OK. Joe just rolled over. OK, he's gone back to bed."

这个 bot 有明确的任务使命感，专注于它的存在意义——就是看着 Joe 睡觉。Andreessen 的评语是：一方面这很奇怪，另一方面，如果他在半夜突发心脏病，这个 bot 会立刻意识到，想办法联系急救，甚至召集 SWAT 队——"这东西会竭尽所能救我的命。"

案例三：机器狗固件重写

Unitree（宇树科技）的机器狗——中国公司，以激进采用新技术著称，但不一定深思熟虑。这只机器狗的控制系统是老一代非 LLM 的系统，实际上不太好用——爬楼梯有困难。他们后来加了 LLM 和语音功能，但 LLM 和控制系统完全没有连接。结果：

"You've got this schizophrenic dog that is a complete idiot when it comes to climbing the stairs, but it will happily teach you quantum mechanics. Right, in like a plummy English accent."

——爬楼梯的白痴，讲量子力学的天才，用非常优雅的英式口音。这是"jagged intelligence"（锯齿状智能）的完美实例。

然后 Andreessen 的朋友让 Claude 黑进去，重写了固件。现在这只狗已经是他孩子们的真宠物了，出了问题就让 Claude 再改代码。

"So like all of a sudden, this is like where we want to think about AI coding. AI coding is not just like writing new apps. It's also going in and rewriting all the old stuff that should have worked, that never worked."

这一点被 Andreessen 称为 AI 编程的重要维度之一——不只是写新应用，而是进去把所有那些本该好用却从来没有好用过的旧东西全部重写一遍。"Internet of shit"（物联网的垃圾状态）可能就此终结。

智能冰箱锁的类比

"I have all of, yes, I have every shred of health information, you know... you told me last night, you really don't want me to let you do this. So, you know, I'm sorry, but the fridge door is locked. And by the way, I know you're supposed to be studying for a test. Why don't you go when you can pass the test, I will open the fridge door for you."

这个场景是 Swyx 说的：等着听到"Marc，对不起，我不能让你开冰箱门"。Andreessen 接着补完了这个场景——agent 有他全部的健康数据，知道他想吃什么不该吃，知道他需要学习，会用他自己昨晚说的话来说服他。

九、Proof of Human：Worldcoin、生物识别与无人机不对称战 (01:02:45 - 01:07:03)

Andreessen 把这一节定义为当前世界里两个未被正视的不对称性，现在都到了临界点。

虚拟世界的不对称：bot 问题

互联网一直充斥着 bot，这不是新问题，但 AI 让这个问题质变了。过去的 bot 可以用 CAPTCHA、行为分析等方法识别。但现在，大型语言模型已经可以通过图灵测试——如果 bot 能通过图灵测试，你就无法做"非 bot 证明"（proof of not bot）。你能做的只有"人类证明"（proof of human）。

"You can't do proof of not bot, you have to do proof of human. To do proof of human, you need biological validation."

这就是 Worldcoin（Alex Blania 创立）的设计逻辑所在。a16z 是 Worldcoin 的核心参与者。技术架构要求：

生物识别验证：从眼球虹膜开始，证明这确实是一个真实的人
密码学验证：把生物身份转换成可验证的加密凭证
选择性披露：证明你是人类，同时不暴露你是谁。你可以在不透露姓名的情况下证明你的信用分达标，证明你达到某个年龄，证明你是真人

后续还会需要的凭证类型：proof of age（各国法律对 13/16/18 岁有不同规定），proof of credit score，proof of professional certification……所有这些都需要可验证、私密、可选择性披露。

物理世界的不对称：无人机问题

"The physical world version of this is the drone problem. The big threat is the cheap attack drone, right? The cheap drone with a bomb."

这个不对称的结构和虚拟世界完全对称：进攻极便宜，防守极昂贵。一架带炸弹的廉价无人机，vs 防御它所需要的激光、干扰器、预警系统……二十年前就知道这个问题，一直没有认真对待。每个大型办公综合体、体育场、学校、监狱——在无人机攻击面前都是裸露的。

乌克兰冲突和伊朗局势正在逼迫全球认真对待这个问题。Andreessen 预测：反无人机技术和无人机本身会迎来大爆炸式的发展。

十、管理资本主义的终结？AI 与组织结构变革 (01:07:05 - 01:16:41)

这是对话的最后一个大主题，也是最宏观的一个——AI 会改变组织的基本结构吗？

James Burnham 与管理资本主义

Alessio 引出了 Andreessen 在 Milken Institute 和 Peter Thiel 辩论时谈到的思想框架：James Burnham（伯纳姆），20 世纪政治和社会思想家，1940 年代写作，提出了资本主义演进的两阶段理论。

第一阶段：资产阶级资本主义（Bourgeois Capitalism）。亨利·福特模型——名字在门牌上，老板告诉所有人该做什么，独裁式管理。问题：无法扩展。亨利·福特一天只有 24 小时，能管的人有限。

第二阶段：管理资本主义（Managerial Capitalism）。解决方案：培养一个专业管理阶级。这些人不需要是任何领域的领域专家，而是管理本身的专家。这导致了哈佛商学院的重要性，导致了麦肯锡等管理咨询公司的崛起，导致了今天的财富 500 强公司主要由职业经理人管理，创始人早就不在了，CEO 可能这几年管医疗，下几年管金融，然后来管科技。

Burnham 说这个转变是必然的：要管理百万到亿级用户的大型企业，复杂度必然要求职业管理阶层。

"That's what happened. And so he wrote that book originally in 1940. Over the course of the next 50 years, basically managerialism basically took over everything."

Andreessen 承认 VC 行业从本质上是这个趋势的"残余抗议运动"——不断寻找下一个亨利·福特、下一个埃隆·马斯克、下一个史蒂夫·乔布斯，用创始人主导的公司去挑战职业经理人管理的大公司，赌的是前者的创新能力。VC 投的是"名字在门牌上"的旧模式，让它去撬动管理资本主义的大企业。

AI 带来的第三条路

"AI is the thing that would lead you to think, wow, maybe there's a third model."

第三条路：把"名字在门牌上"模型的天才之火，加上 AI 赋予的超级管理能力。亨利·福特 × AI = 天才还是天才，但现在他能同时管理无数并行任务，文件写得飞快，报告读得极准，所有的"管理工作"都有 AI 兜底。

这些 bot 特别擅长什么？文件、报告、管理类工作——正是过去必须靠职业经理人来做的事情。

"What is the thing that these bots are really good, really good at doing? Paperwork. Like they're really good at writing reports. They're really good at reading. They're really good at doing all the managerial work."

这对大型成熟企业意味着：他们要么自己学会这套，要么被那些用了这套的创始人型公司打垮。

但现实极度复杂：制度性阻力

这里 Andreessen 的论证达到了这场对话里最难得的平衡——他既不是 AI 乌托邦者，也不是 AI 末日预言者，而是一个认真看待现实阻力的现实主义者。

"Both the AI utopians and the AI doomers are far too optimistic."

——两边都太乐观了。乌托邦者认为技术可以了，社会自然会改变；末日预言者认为技术可以了，社会自然会崩溃。两边都忽视了现实的粘性。

他给出的具体数据和案例，每一个都让人触目惊心：

加州发型师执照：在加利福尼亚州成为执照发型师需要 900 小时的专业认证培训
35% 执照经济：美国大约 35% 的经济岗位需要某种形式的专业许可证
码头工人：全美国码头有 25,000 名码头工人在工作。亚洲现代港口全是机器人，美国码头工人还在用手拖东西。他们前几年为反对自动化而罢工，并且赢了——他们得到了码头所有者不引进更多自动化的承诺。更让人瞠目的是：工会里有 5 万人——25,000 个人在工作，另外 25,000 个人在家拿工资，来自早年签的劳资协议。
联邦政府雇员：有些联邦政府部门，雇员同时有公务员保护和公共部门工会双重保障。在新冠期间，有整个政府部门签了新的集体谈判协议，规定每月只需要到办公室工作一天。更极端的是：这些员工选择来月末最后一天和下月第一天，这样每 60 天在办公室两天，建筑物空置 58 天，所有费用依然由纳税人负担。
K-12 教育：美国 K-12 是一个字面意义上的政府垄断。老师 100% 反对在课堂引入 AI，这件事 100% 不会发生。唯一的出路是建立全新的学校体系，比如 Alpha School 正在做的。

"So much of our economy is just like wired in."

结论：AI 在技术上可以做到的事情，和社会实际上会快速采纳的事情，之间存在巨大的鸿沟。这个鸿沟既不是技术乐观主义者承认的，也不是末日预言者承认的——他们都假设技术成为可能，人类行为就会跟着改变。实际上，八十亿人不会那么快改变行为，尤其是当他们有工会、执照、垄断地位来保护现状时。

Andreessen 的最后判断带着一丝悲观：我们社会能不能做到快速采纳 AI，真的是运气的问题。如果采纳太慢，我们就会停滞不前。

结语

这场对话的价值在于，Andreessen 既是历史的亲历者（1989 年写 Lisp，1993 年造 Mosaic，1990 年代亲历点com崩盘），又是当前 AI 最激进的投资人之一，还有一批在自己家里把 agent 推到极限的朋友作为"前沿侦察队"。他的判断不是凭直觉，而是凭几十年的技术和商业经验。

他最核心的洞察可以用一句话概括：这次真的不一样，但不一样不意味着容易。技术已经被解锁，但人类社会的摩擦系数被严重低估了。