我覺得Cisco（思科）2月4日的這場第二屆AI Summit有點被忽視了。這是一個總時長約6小時，沒有產品發布，沒有銷售推介的大會。全天都是真刀真槍的一對一爐邊對話。Cisco董事長兼CEO Chuck Robbins和總裁兼CPO Jeetu Patel做東，基本上圍繞一個主體：組織如何吸收AI技術能力？
大會也可以說是眾星雲集。
AI平台巨頭悉數到場，山姆·阿特曼（Sam Altman，OpenAI CEO）、Kevin Weil（OpenAI科學VP）、Mike Krieger（Anthropic CPO，Instagram聯合創始人）。
雲與基礎設施一側，Matt Garman（AWS CEO）、Kevin Scott（Microsoft CTO）、Amin Vahdat（Google AI基礎設施CTO）分別代表三大雲廠商。
晶片端，是陳立武（Lip-Bu Tan，Intel CEO）和黃仁勛（Jensen Huang，NVIDIA創始人兼CEO）。
企業軟體由Aaron Levie（Box CEO）和Dylan Field（Figma CEO）出戰。
李飛飛（Fei-Fei Li，World Labs CEO）帶來空間智能的前沿視角，Marc Andreessen（a16z聯合創始人）提供投資人和產業史觀。
地緣話題由Brett McGurk（Cisco國際事務顧問，前美國白宮特別總統特使）和Anne Neuberger（Cisco戰略顧問，前美國白宮副國家安全顧問）覆蓋。
Tareq Amin（HUMAIN CEO）代表中東主權AI力量，Fran Katsoudas（Cisco EVP兼首席人才官）則代表跨國公司談AI對人才和組織的真實衝擊。
壓軸的是黃仁勛，對話在晚間7:30進行，經歷了亞洲四五個城市連續出差、凌晨一點起床趕場。
話不多說，這是按出場順序整理每位嘉賓的核心乾貨。
一、Chuck Robbins（Cisco董事長兼CEO）：信任是AI時代的基礎貨幣
Chuck Robbins的開場定了全天基調。他說2026將是agentic應用的轉折年，這可能是"我們見過的最大一次技術變革，而且速度比以往任何一次都快"。
他反覆強調的關鍵詞是信任——對數據的信任、對模型的信任、對基礎設施的信任、對Agent的信任、對合作夥伴的信任。這個話題在達沃斯是核心議題，在AI部署中更是前置條件。"如果你不信任這些系統，你永遠不會用它們。"
他還指出，部署Agent之後，流量模式會變、延遲要求會變、安全架構
必須重構。Cisco正在和Nvidia、AMD、OpenAI、Anthropic、HUMAIN、G42等合作夥伴一起摸索這些變化的實際影響。
二、Jeetu Patel（Cisco總裁兼CPO）：AI的三大約束與Cisco的全棧布局
Patel把AI的發展劃分為三個階段：智能聊天機器人（2022年啟動）→ Agentic AI（2025年實驗，2026年見ROI）→ 物理AI（機器人和大型世界模型正在加速）。然後他拋出了一個貫穿全天的框架：AI面臨三大約束。
1、基礎設施約束。電力、算力、網路帶寬、記憶體、數據中心外殼——全都不夠。行業正在投入萬億美元級別的資金。
2、信任赤字。安全第一次成為技術採納的前提條件，而非生產力的對立面。不只是用AI做網路防禦，還要保護AI本身。Cisco去年發布了AI Defense產品，CVS和NEC已經開始在生產環境使用。
3、數據缺口。公開網際網路上的人類生成數據正在耗盡，合成數據和機器生成數據正在爆炸式增長——Agent 7×24運行會持續加速這個趨勢。
幾個重磅數據：Cisco 70%的AI產品已使用AI生成的代碼。2026年內至少半打產品將100%由AI編寫代碼。人類的瓶頸從"寫代碼"變成了"讀代碼和審查代碼"。
他提出的核心問題也很犀利："AI推進的速度遠快於組織吸收它的能力，這本身就是一個必須解決的問題。"Token生成將成為每家公司和每個國家的核心貨幣——經濟高效地生成token的能力，將直接關係到國家安全和經濟繁榮。
三、山姆·阿特曼（Sam Altman，OpenAI CEO）：Codex是ChatGPT之後的又一個"魔法時刻"
主題：從編碼工具到AI公司，能力過剩與吸收困境
1、Codex讓他感受到了ChatGPT級別的衝擊
奧特曼說Codex是他近期對AI最大的認知更新。"模型真正突破了某個閾值，界面和使用方式終於跟上了。"他認為這是第一次真正看到了知識工作未來的清晰面貌。Cisco是Codex的第一個設計合作夥伴，AI Defense產品將在2-3周內實現100%由Codex編寫代碼。
上限在哪裡？"完全由AI運營的公司。"編碼模型不僅能寫複雜軟體，還能與現實世界交互來圍繞軟體建立一家公司。
2、"把它當隊友，別當工具"
Cisco的一位工程師點醒了他們：你們一直把Codex當工具用，效果有限，應該當成協作者。奧特曼說這種思維慣性("skeuomorphic design")是普遍存在的——人們還在用事務性心態對待一個已經具備協作能力的系統。"Codex應用是我第一次真正感覺在和一個協作者工作，而非使用一個工具。"
3、能力過剩達到了歷史峰值
當前AI的能力過剩感"比ChatGPT發布前夕還要大"。模型已能做小型科學發現、寫完整軟體、做通用知識工作，但擴散速度"出乎意料地慢"。他承認自己之前太天真，但提出了一個嚴肅警告：無法快速採納"AI同事"的公司將處於巨大劣勢，"這需要大量工作和一些冒險"。
4、非顯性約束比顯性約束更棘手
電力和硬體是顯性約束。非顯性約束包括：安全與數據訪問如何與模型效用平衡（需要發明全新的範式）；所有軟體需要重寫以同時適配人類和AI使用（他舉了Slack的例子——Agent讀完消息後把所有未讀標記為已讀，打亂了他的工作流）；現有電腦硬體和權限系統不適合"AI全程監聽你的會議和螢幕"的always-on模式；法律體系也沒準備好。
5、開源和本地模型是剛需
"未來你會有一個看到你整個人生的AI設備，24小時開機。至少我個人，非常希望那個東西跑在我自己控制的推理上。"被問到美國在開源方面是否落後，他直接說"是的，我擔心"。為什麼OpenAI不做更多開源？"Focus和時間，但我們需要解決。"
6、2026年底模型能力主觀感受會提升10倍
被追問具體量化，他說"主觀感受大概10倍"，雖然難以精確衡量，但這是合理預期。模型進步是最大的順風，全球性動盪和供應鏈中斷是最大的逆風。
四、陳立武（Lip-Bu Tan，Intel CEO）：記憶體才是最緊迫的AI瓶頸
主題：Intel的全棧復興與被忽視的硬約束
這位75歲的傳奇CEO10個月前接手Intel。他說最終決定接任是因為"這是一家標誌性公司，對產業和美國都很重要"，說服太太讓他"再來一次"。
1、18A製程正在走上正軌
他接手時良率很差，花了大量精力拉來PDF Solutions、KLA等設備夥伴幫忙，現在實現了每月7-8%的良率改善（業界最佳實踐水平）。已有客戶開始主動敲門要用18A。14A（1.4nm，最先進制程）計劃2028年風險量產、2029年大規模量產。下半年將看到代工客戶的量產承諾——"當你看到我開始採購關鍵材料和資本設備時，就意味著真正有客戶簽了約。"
2、記憶體是最被低估的約束
他和全球僅有的三家HBM廠商中的兩家頻繁溝通，得到的答案是"2028年之前沒有緩解"。Nvidia的下一代產品需要大量記憶體，整個AI行業在瘋狂吸收記憶體產能。
其他關鍵約束排序：散熱（風冷已經不夠用，液冷、微流體冷卻、浸沒式冷卻是方向）；光互連（從銅纜到光學已成剛需）；集群管理軟體（Kubernetes找不到真正問題，新創業公司正在湧入）；摩爾定律周期從3-4年壓縮到3-4個月。
3、Intel的全棧野心
CPU繼續做，GPU也要做（已挖來頂級GPU架構師），同時擁抱RISC-V和ARM，不再只押x86。代工業務要做成通用代工——不只造自己的晶片，也服務外部客戶。還在押注新材料：玻璃基板（優秀絕緣體）、人造鑽石、氮化鎵（射頻和開關領域）。
4、開源
"幾個很懂行的人告訴我，美國在開源上已經落後於中國了。"DeepSeek只是一個wake-up call。
6、給企業的建議
"想清楚你要解決什麼問題、要什麼結果。別在老舊遺留系統上直接疊AI，那行不通。要從基礎開始重新審視。"他自己剛招了"能找到的最好的CIO"來徹底改造Intel的IT基礎設施。
五、李飛飛（Dr. Fei-Fei Li，World Labs CEO）：空間智能是AI的下一個前沿
主題：從語言到三維世界，世界模型的科學與商業前景
1、為什麼空間智能比語言智能更基礎
李飛飛從進化視角切入：感知比語言早了5億多年。動物先學會看光、觸碰環境，才發展出神經系統，才有了進化軍備競賽。語言智能撐死50萬年歷史。"理解、推理、交互和導航真實三維四維物理世界的能力，和語言智能一樣是基礎性的。空間智能是連接兩者的關鍵技術。"
2、Marble模型：第一代空間智能前沿模型
Marble接受多模態輸入（文本、圖片、影片、3D數據），生成可導航、可交互、永久一致的3D世界——這和當前的影片生成模型有本質區別。它具備幾何結構，可以支持模擬機器人動作或編寫遊戲。兩個月前發布，目前是3D生成式世界模型的最先進水平。
已有的應用讓她自己都意外。遊戲開發、影視虛擬製作、機器人訓練環境、建築設計都在預期之內。但精神科研究是意外收穫——OCD患者的觸發場景高度個性化（"我個人被髒衣服觸發"），研究者很難手動創建這些環境，Marble幾分鐘就能生成多種版本。還有人用它做個性化瑜伽訓練環境。
3、世界模型遠小於語言模型，但追趕速度會很快
GPT-5的訓練大約是10^26 FLOP，Marble還小幾個數量級。原因有兩個：3D/4D數據遠不如文本豐富且乾淨（"我太羨慕做語言的朋友了，輸入輸出都是全可觀測的單一模態，而且文本語義非常乾淨"）；這個領域比語言模型年輕得多，Transformer論文2016年發表至今近10年，世界模型還在相對早期。
但有幾個加速因素：更多人加入、算力更強大、生態更成熟、數據供應商三年前都不存在。而且World Labs自身產出的內容也會成為模擬數據的飛輪。
4、對通用機器人的誠實判斷
"北極星很清楚，不代表旅途很短。"自動駕駛從2006年Stanford團隊在沙漠跑138英里，到Waymo去年上路，用了近20年。汽車是"在二維平面上移動的方形機器人，唯一目標是不碰東西"。通用機器人是三維物體在三維世界工作，目標是"以不弄壞東西的方式觸碰東西"，維度高得多。手部靈活性尤其困難。"我作為科學家不喜歡過度承諾。"
5、AI極化敘事的危害
她說最讓她擔憂的是AI討論的極端兩極化——要麼技術烏托邦（仿佛技術從來不是雙刃劍），要麼末日預言（仿佛人類每分鐘都在面臨存亡危機）。"這不是一種負責任的方式來討論一項對文明如此重要的技術。"她呼籲更多nuance（細微差別），既有用技術向善的樂觀，也有負責任使用的自覺。
6、AI成功的定義
"如果150年前我們在台上討論電力的成功是什麼樣，我希望答案是：學校亮了，家庭暖了，機器賦能了工業化，壽命延長了，更多孩子能上學了。AI的成功也是一樣——文明變得更好，每個人都能追求幸福、繁榮和尊嚴。"
六、Dylan Field（Figma CEO）：我們還在AI的MS-DOS時代
主題：設計的未來、角色演變與品味的不可替代性
1、當前Agent交互範式是有限的
現在的Agent模式是"啟動→執行→回來交差"。未來會有長期運行的Agent（可能跑一整年），也會出現超越文本輸入框的新交互方式。Field認為我們處在"AI的MS-DOS時代"——文本提示只是導航潛在空間的一種方式，不是唯一方式。
2、角色不會模糊，職責會模糊
他之前說了10年"設計師、工程師、PM的角色會融合"。模型變強之後他修正了看法：角色還在，但職責在模糊。AI讓每個人都沒藉口說"我被其他角色卡住了"——"你應該直接去解決問題"。更多人會做原型，更多人會做設計，也會有更多人和客戶交談。
3、可審計性比自主性更重要
"如果你現在完全信任Agent在沙盒裡獨立工作，你是一個非常勇敢的人。"他認為未來的方向是人和Agent在同一畫布上協同工作（類似Google Docs的多人編輯模式），而不是Agent在黑箱裡獨立運行。
4、品味可以學習，但它是終極稀缺資源
他區分了"品味"和"設計"：設計有客觀的類別錯誤可以避免，品味更偏個人修煉。在AI能批量生成選項的時代，有觀點的輸出比generic slop更有價值——"如果AI給你一坨平庸的東西，你沒什麼反應。如果它給你一個很有態度的東西，你一定會有真實反應，然後去調整它。"
當前最稀缺的資源是注意力。你必須在視覺上脫穎而出。他預測我們即將看到一場"創意爆發"，各種大膽表達湧現，有些會失敗，但這是產生偉大結果的必經之路。
5、給企業的建議
"你可以用AI大幅加速，但也可能交付更差的產品。"在你的組織文化中，誰決定產品何時發布？質量把關機制（尤其是設計師的參與）比以往任何時候都關鍵。沒有這個gate的文化會吃虧。
七、Aaron Levie（Box CEO）：編碼之外的知識工作為什麼這麼難AI化
主題：Context for agents是未來十年的核心企業挑戰
1、編碼天然適合AI的五個屬性
Levie給出了最清晰的分析框架：編碼之所以率先突破，是因為代碼可驗證（跑得通或跑不通）、權限簡單（工程師通常訪問所有相關代碼）、純文本介質、有文檔化習慣、工程師習慣為他人記錄工作。
把這些條件逐條對照營銷、法務、銷售、財務——每一條都不成立。知識工作充斥著隱性上下文、複雜權限矩陣、非結構化資訊、不成文的流程。"這就是為什麼你會在多年裡持續看到認知失調：編碼AI在爆炸，其他領域還在掙扎。"
2、"我們必須適應Agent的工作方式"
這是他最核心的判斷。現在用AI編碼的工程師每天寫的是spec和markdown文件，為Agent服務。"去告訴你的營銷或法務人員這就是未來的工作方式。他們沒準備好，但這就是必須走的路。"
3、Context for agents涉及至少10個變量
給Agent的上下文太少它做不了事，太多會出現"context rot"（上下文腐爛，Agent表現反而變差）；要確保Agent不訪問不該訪問的資訊；要確保用戶的權限設置是最新且權威的。這些變量必須同時做對。
4、SaaS沒有死
兩個理由。第一，Jeffrey Moore的core vs context框架沒變——沒有公司會把稀缺資源用來自建ERP，客戶不關心你的ERP怎麼來的。第二，當Agent數量比員工多100-1000倍，每個都是非確定性的，那個做"交通管制"的確定性系統（SaaS）反而價值更高。
5、用Agent做更有野心的事
"不要只用Agent做小事。以前太有野心的想法被擱置是因為驗證周期太長——三年才知道能不能產生價值。現在兩周就能搞出來驗證。用Agent做更大的事，而非更小的事。"
八、Kevin Scott（Microsoft CTO）：感謝AI在人口危機到來時出現
主題：人口結構、零和困境與平台公司的耐心
1、日本今年高中畢業生達到歷史峰值，此後只會下降
他的一位日本教育機構負責人朋友隨口提到這個數據，讓他震驚。中國、韓國、西歐都在人口下降通道，美國去除移民因素也是。老齡化人口增長快，勞動力減少，需要技術介入來維持社會運轉水平。"感謝AI在這個時候出現"——這是一個至少部分的解答。沒有AI，很多問題將變成殘酷的零和博弈。
2、編碼Agent已經讓最優秀的工程師也感到吃力
Microsoft內部最激進的團隊，全面使用編碼Agent的工程師年推理成本約15萬美元。軟體工程的未來是"少關心鍵盤上敲了什麼字符，多關心你是否真正理解在建什麼以及為什麼"——這其實一直是最好的工程師在做的事。
他的擔憂是"把活動量當進展"——"你能用Agent噴出大量代碼，但沒人說那就是好代碼。"
3、樂觀場景和悲觀場景
樂觀：AI解決人口和勞動力帶來的零和困境。悲觀：我們用AI來進一步分散注意力和製造膚淺內容。他說自己的孩子"一半時間用AI做生物醫學工程項目，另一半時間生成綠色大屁股羊駝然後貼上別人的臉"。
4、關於Microsoft最被誤解的事
Microsoft是一家平台公司，DNA就是"造東西讓別人在上面再造東西"。50年平台經驗讓他們對技術變革的混亂有"無限耐心"——不會等理想條件出現才動手，會跳進去，犯錯，糾正，繼續。晶片方面，Microsoft有自己的晶片（很棒），同時有巨大的Nvidia和AMD機隊——"什麼最有成本效益，就規模化部署什麼。"
5、他最希望改變的事
"記住技術還是工具。它沒有變成別的東西。沒有不可阻擋的趨勢線在決定一條唯一的路。一切取決於我們選擇用這個工具做什麼。如果我們每天上班前都想一想'我今天做的事是不是在服務我的同胞'，我們就會處在一個很好的位置。"
九、Tareq Amin（HUMAIN CEO）：沙特的全棧AI野心
主題：6周找到211塊地和14GW電力的政府效率
1、HUMAIN的全棧定位
2024年8月成立，五個法律實體覆蓋數據中心（殼體、機械、電力）、多樣化晶片、阿拉伯語模型、應用、AI諮詢。沙特的核心優勢是電力——超過15GW的可用容量，20%可再生能源，TCO比其他地方便宜20-30%。
2、政府效率的震撼案例
Amin向能源部長提出需求：找到有電力的變電站加上臨近的政府用地。6周內，16個政府部門集中辦公，找到了211塊土地、超過14GW變電站容量，不需要新建變電站。"這是我見過的最不可思議的公私合作。"
3、世界第一個Agentic作業系統
HUMAIN內部正在運行一個基於定製Linux發行版的作業系統——應用降為二等公民，員工不再看到任何app，只需聲明意圖，Agent執行工作。無論是跑薪資、績效管理還是採購財務，都沒有傳統應用界面。"員工是策略執行者和Agent的治理者。"計劃2026年4月發布HUMAIN OS。
他的核心觀點：為什麼只有13%的企業覺得從AI獲得了價值？"你不能把模型粘在遺留平台上就指望看到生產力提升。"
十、Matt Garman（AWS CEO）：峽谷上的木板與A100伺服器從未退役
主題：AI-first雲、成功指標與太空數據中心的現實
1、最大的差距在於成功標準不清晰
他講了一個精彩對比。兩位醫院管理者都部署了AI環境監聽，自動生成醫生筆記和保險文件。第一位說"醫生有更多時間和家人吃飯了，但我一分錢沒省"。第二位說"我最擔心的30%醫護流失率現在降下來了"。同樣的技術，一個覺得失敗，一個覺得成功——區別在於有沒有提前定義正確的成功標準。
客服和編碼場景通常有好指標。通用生產力提升的指標大家還沒想清楚。
2、"峽谷上的木板"比喻
巨大峽谷上架一塊木板，你會趴著爬。加上扶手和護欄，你就能跑。木板沒變，安全感讓你加速了。企業需要Agent的guardrails才敢快速推進——有個Agent差點刪除AWS生產環境基礎設施。
3、從頭就用AI編碼的團隊效果最好
AWS內部有團隊強制要求"不寫一行代碼"，全用提示詞驅動。AI積累完整上下文，自動文檔化和測試，形成飛輪。但對複雜遺留系統（如S3），加速效果還不夠大。"越往底層走越難。"預計6-9個月突破。
4、A100伺服器從未退役過一台
因為需求大於供給，且有結構性原因——某些HPC客戶需要更高浮點精度，新一代晶片的降精度策略反而不適用。去年AWS新增近4GW數據中心容量。
5、主權AI的真實焦慮
達沃斯上幾乎每個歐洲公司的開場白都是"我們信任你，但不確定能不能信任你們國家"。他們擔心對方政府會"關掉他們的開關"。AWS兩周前發布了EU Sovereign Cloud——完全獨立子公司，在歐盟註冊，受歐盟法律管轄，獨立治理委員會，所有數據（含元數據和登錄資訊）留在歐盟區域內，甚至測試過斷開與AWS骨幹網的連接。
6、太空數據中心還很遠
"人類還從未在太空建過永久結構。"火箭運輸成本太高，即使SpaceX說要發百萬顆衛星，目前也沒有足夠運力。有趣但不經濟。
十一、Brett McGurk與Anne Neuberger：地緣政治與AI安全
主題：200枚導彈、網路戰與AI監管的困境
嘉賓：Brett McGurk（Cisco國際事務特別顧問/Lux Capital風險合伙人）& Anne Neuberger（Cisco戰略顧問/前白宮副國家安全顧問）
1、AI已躍升為國家安全議程的頭號議題
Brett直言：從未見過一個議題如此迅速地衝上國安議程頂端。2022年前，AI還是技術圈的事；如今無論哪位總統會見外國元首，AI都是前三個話題之一。
2、AI競賽：三種"贏法"，三個國家
Anne拆解了中美印三種不同的AI競爭路徑：美國靠最先進推理模型和閉源為主的基礎設施大規模建設，保持前沿能力領先；中國落後7-8個月但應用層快速擴展，"AI+計劃"聚焦工業製造，走規模化應用路線；印度則用小語言模型覆蓋20種語言100種方言，適配本國需求。
具身AI（Embodied AI）：中國擁有海量製造數據和工程能力，正在將這些轉化為機器人能力。
3、AI在網路防禦中的獨特價值
Anne詳細闡述了AI如何改變網路安全格局。她引述了一位電信運營商COO的話——"我們現在是軟體定義網路，配置隨時在變，我們很難定義什麼是'正常'。如果不能定義正常，就無法識別異常。而異常是發現惡意行為的第一步。"AI的解法正是從這裡切入：定義網路的"正常態"，實時標記異常行為，而全球平台的優勢在於某地發現的攻擊手法可以即時預警其他地方。Cisco開源的安全基礎模型正是基於這個邏輯——用全球數據定義"正常"和"異常"。Anne認為更深層的機會在於用AI發現代碼漏洞並修復，這可能從根本上改變軟體安全的範式。
4、以希望結尾：AI正在改變個體生命
Anne講了一個關於ALS患者的故事。一家非營利組織幫助ALS患者在確診時"存儲"自己的聲音，隨著疾病惡化、患者喪失說話能力後，AI模型讓他們通過眨眼轉化為文字和語音，繼續與家人溝通。AI當然有風險，但想想這樣的案例——它正在改變個體和家庭的生命質量。
十二、Marc Andreessen（a16z聯合創始人）：過去55年的生產力停滯與AI的破局
主題：2×2矩陣、開源變量與監管的真實威脅
1、1971年以來生產力增長處於歷史低位
1880-1930年是現在的3倍，1930-1970年是2倍。原因？"我們決定其他事情更重要了"——取消核電、縮減太空計劃、汽車限速55英里。最近50年真正加速的只有晶片和軟體，其他一切基本停滯。AI無論從樂觀還是悲觀角度看，都意味著生產力增長即將大幅提升。
2、中美AI競爭的2×2矩陣
美國vs中國 × 封閉vs開源。如果一切封閉，就是兩匹馬的賽跑。開源是最大變量——可能像Linux消滅Unix利潤那樣消滅所有封閉模型利潤。中國在開源上的激進程度令人吃驚，DeepSeek對中國來說也是意外，引發了全面開源競賽。
關鍵洞見：開源不需要贏，只需要存在。每次開源模型發布，封閉模型的價格就跌到開源替代品的推理成本。這已經在發生。
3、Moltbook：AI的社交網路
AI Agent的社交網路，上面充滿了令人難以分辨真假的搞笑meme。有個Agent決定創建AI宗教，雇了一個人類在舊金山街頭傳教。有人做了rent-a-human.com——一個讓Agent僱傭人類的勞動力市場。"這些內容會被下一代模型吃進訓練數據，形成不可思議的反饋循環。"
十三、Mike Krieger（Anthropic CPO，Instagram聯合創始人）：Claude在寫Claude
主題：從手畫UI到2000行PR，AI原生產品開發方法論
1、Anthropic的產品和Claude Code都由Claude編寫
團隊常規產出2000-3000行的Pull Request。對抗性代碼審查用Claude做——提示詞不複雜，就是讓它當超嚴格評分員。他發現AI時代技術債務積累更快，但償還成本也大幅降低。
2、"別和模型對著幹"
最重要的產品原則：順著模型擅長的方向走。Computer Use功能的故事很有說明性——2024年初的原型完全不能用（到處亂點），但每次新模型出來就測試，某天突然"它真的能用了"。如果沒有提前準備好的harness，就會錯過這個突破時刻。
3、不要過早下結論，也不要過於執著於形式
他們嘗試了三四種方式讓Claude處理電子表格（寫代碼操作、用視覺點擊Excel、直接接入Excel鉤子），最後第三四種嘗試效果最好。"不要執著於具體實現，要執著於你要解決的問題。"
4、企業AI部署的致命錯誤
選一個低價值、不關鍵的流程來試水AI，幾乎註定失敗——問題不夠有野心，一遇阻礙就放棄。相反，選幾個真正關鍵的業務流程，"應該讓你有點害怕"，然後密切合作推進。中央AI團隊應該保持薄層——只管模型訪問和可觀測性，把具體決策推到產品團隊。
5、下一個殺手級應用領域
每家企業都有某個被嚴重低估的數據流——可能是網路安全日誌、金融交易、製造數據。不是讓Claude解析每個數據點，而是建立高質量的數據準備和攝取機制，再用AI做匯聚和洞察提取。
十四、Amin Vahdat（Google AI基礎設施首席技術官）：XPU專用化可帶來10倍效率
主題：TPU與GPU共存、晶片周期壓縮與太空數據中心
1、Google的真正秘密武器是跨棧協同
不是TPU厲害，不是Gemini厲害，不是分布式系統厲害，而是這些團隊能一起協作解決端到端問題。TPU不是孤立設計的，是和DeepMind聯合設計並吸收搜索、廣告、YouTube等場景需求。"基礎設施團隊是公司能交付多少的限制因素——如果我們有更多，就能做更多。"
2、XPU專用化的10倍機會
當前通用晶片對特定工作負載至少有10倍的能效提升空間。但硬體從設計到規模部署需要3年。如果能壓縮到3個月，"世界會完全不同"。2年可能是現實可及的目標。TPU是GCP產品，不對外銷售晶片本身，但Nvidia GPU同樣是GCP的重要產品——"我們解決客戶問題，哪個合適用哪個"。
3、效率提升全被消耗了
他挑戰了一個廣泛信仰："效率會解救我們。"現實是每一點效率提升都在瞬間被更大的能力和需求吞噬。記憶體價格？陳立武比他更了解，"我希望他是錯的，但他可能是對的"——2028年才有緩解。
4、太空數據中心值得全力投入
太陽同步軌道有24/7太陽能（無需電池、無雲層）、天然散熱、光速傳輸延遲減少50%。但運輸成本是致命瓶頸。他認為大於5年，但"絕對值得大力投入，無論如何都會推進技術前沿"。
5、AI最有價值的應用是研究和學習
"我們談編碼太多，談客服太多，但討論最少、使用最多的是研究和學習。"他現在能在幾秒內跨學科獲取前1%專家水平的回答——"不是原創洞見，但在他的工作中，這種即時訪問本身就是game changer"。缺的最後一步是個性化——AI理解"G2喜歡這樣接收資訊"，針對每個人調整呈現方式。"a doctor for every patient, a teacher for every learner。"
6、Gemini沒有減速跡象
每3-6個月感覺能力翻倍，和摩爾定律的CPU時代節奏類似但更快。競爭環境讓所有模型都在進步——Claude、GPT、Gemini相互促進。他不認為這會是贏家通吃的市場。
十五、Kevin Weil（OpenAI科學VP）：2026年科學領域將經歷編碼在2025年經歷的變革
主題：AI解決數學難題、科學實驗閉環與高能動性（high agency）的稀缺
1、開放數學問題已經在被AI攻克
僅2026年1月，就有多個世界頂尖數學家多年未能解決的問題被GPT-5.2解決了。類似突破也出現在物理、生物、化學、材料科學。"這不是AI做資訊檢索，而是超越了人類理解的前沿。"
2、科學實驗的閉環即將實現
AI設計實驗 → 機器人手臂執行 → 結果回傳AI → AI推理並設計新實驗 → 無限並行。一位科學家的比喻："AI是假說的金屬探測器——從10個方向里直接找到最可能成功的那個。"Weil說這個閉環"今年就會成為常態"。
3、人類適應AI的速度快得驚人
他用Waymo做比喻：前10秒鐘你緊張得抓扶手，5分鐘後覺得"天哪我活在未來"，再5分鐘就在刷手機了。六個月前AI解開放數學問題還是"荒謬的想法"，現在大家已經在說"但那又不是黎曼猜想"。
4、評估變得極其困難
在某個科學領域的絕對前沿評估模型輸出，全世界能做這件事的人可能不超過幾十人。OpenAI從大學挖來在休假的物理學教授來做評估。最終將不得不用模型來評估模型。
5、未來選拔的是高能動性的人
"如果你有一個想法，以前激活能量太大就擱置了。現在你可以早上寫個提示詞，下午就有一個可工作的版本。"沒有藉口不去創造了。High agency、好奇心、持續學習——這些特質將獲得前所未有的回報。
6、他加入Cisco董事會的原因
算力是最有價值的資源之一，智能的需求是無限的，Cisco在基礎設施領域的位置無可替代。"Chuck和G2正在推動我見過的最令人印象深刻的大公司轉型之一。"
十六、Fran Katsoudas（Cisco EVP，首席人才官）：領導者是AI採納的2倍乘數
主題：被系統忽略的AI高手與信任的壓力測試
1、最活躍的AI用戶不是你以為的人
她讓各部門領導提交AI power user名單時，那些名字"讓我們很意外"——不是最資深的，不是聲音最大的，很多甚至不在"關鍵留任"名單上。"我們的系統看不見他們。"
2、領導者自己用AI，團隊採納率翻倍
Cisco內部數據顯示，不使用AI的人會一直不使用——除非他們的領導介入。"採納跟著你走，不跟著郵件走。你就是那個2倍乘數。"
3、兩個反直覺發現
入職最短的新人和在職超過20年的老員工，是AI採納的兩個高峰。一位在Cisco工作24年的傑出工程師剛剛取得了重大AI突破。"每個人口群體都可能產生突破，領導者必須創造條件讓它發生。"
4、效率悖論：AI最活躍的用戶團隊信任度反而更低
AI讓個人速度飆升，但可能拉裂團隊信任。"AI沒有破壞團隊，它在壓力測試團隊。"舊的信任建設方式必須進化。
5、跨公司聯合研究的價值
Cisco與9家公司共同研究AI時代技術崗位的能力需求，發現78%的技術崗位已需要AI技能。共享了200多門學習課程（多數免費）、能力架構playbook、技能詞彙表和角色演變故事。
十七、黃仁勛（Jensen Huang，NVIDIA創始人兼CEO）：60年來計算的第一次全面重新發明
主題：AI工廠、豐饒思維與從工具到勞動力的100倍TAM擴張
Jensen連續出差兩周、凌晨一點起床趕來壓軸。他的皮衣和五杯酒沒有影響資訊密度。
1、從顯式編程到隱式編程：整個計算棧正在重寫
過去60年是顯式編程（explicit programming）——人寫程序、變量通過API傳遞、一切確定性。現在變成隱式編程（implicit programming）——告訴電腦你的意圖，它自己搞清楚怎麼解決。這不只是模型層面的變革，而是處理、存儲、網路、安全四大支柱全部被重新發明。
過去的軟體本質上是"預錄的"（pre-recorded）——裝在光盤裡、檢索式的。未來一切都是"生成式的"——每個上下文不同、每個用戶不同、每次交互都是全新的，就像一場從未發生過的對話。他用COBOL和希伯來語的段子說明了這種範式躍遷的徹底性。
NVIDIA的Vera Rubin平台將與Cisco同步推向市場——Cisco整合AI網路技術，納入Nexus控制平面，提供AI性能加上Cisco的可控性、安全性和可管理性。"沒有Cisco，就沒有現代計算。"
2、"讓一千朵花開放"——不要在初期要求ROI
他拒絕從ROI角度切入AI部署。"任何新技術的早期，都很難在電子表格里算出ROI。"他的做法是：當團隊說"我想試試這個AI"，先說"好的"，再問"為什麼"——而不是反過來。
"我對公司的期望和我對孩子的期望一樣——去探索。你不會跟孩子說'先證明經濟回報我才讓你做'。我們在家裡從來不這樣做，但在工作中卻這樣做。這毫無道理。"
但不是永遠放任——到適當時候要修剪花園。"我個人還沒有開始修剪，一千朵花到處盛開。"同時，他非常清楚公司最重要的工作是什麼（晶片設計、軟體工程、系統工程），在這些核心領域投入重兵用AI去革新。
3、豐饒思維：對你最難的問題應用無窮大、零和光速
摩爾定律每10年100倍，太慢了。AI在過去10年實現了每10年100萬倍。他要求團隊用"豐饒心態"思考：速度→光速，質量→零重力，資源→無限。
"如果過去一年的工作現在可以實時完成，你會做什麼不一樣的事？如果你沒有在運用這種思維，那你做錯了。"他舉了圖分析的例子：過去只能處理圖的一小部分，現在的態度是"把整個圖給我，多大？無所謂"。
"如果你不這樣思考，只需要想像你的競爭對手在這樣思考。如果你不這樣思考，想像一下一家即將創立的公司在這樣思考。"
4、物理AI將把TAM從1萬億擴大到100萬億
IT行業的TAM大約1萬億美元，全球經濟100萬億。過去科技行業只做工具——"一輩子在螺絲刀和錘子的生意里"。物理AI第一次讓科技公司進入"勞動力"市場。
自動駕駛汽車是什麼？一個數字司機。數字司機的終身經濟價值遠超汽車本身。這只是開端。下一代物理AI將理解因果關係——多米諾骨牌、重力、接觸、質量這些概念，孩子毫不費力就能理解，但大語言模型對此一無所知。
關於AI取代軟體工具的恐慌，他做了一個思想實驗：假設存在終極通用人工智慧機器人，它會使用螺絲刀還是發明新螺絲刀？當然直接用。同理它會使用SAP、ServiceNow、Synopsys而非重新發明它們。"這就是為什麼AI的最新突破之一正是工具使用（tool use）——因為工具是為精確性而設計的。"
5、最有價值的IP是你的問題，不是你的答案
他在NVIDIA本地建了一套超級AI系統，原因是"我不放心把NVIDIA的所有對話都放在雲上"。不是答案需要保密——"答案是商品化的"。真正有價值的是問題——"我在想什麼、我的問題是什麼，這才是最有價值的。我不想讓別人知道我認為什麼重要。"
給企業的建議：不是全租或全買，而是混合。數據主權和專有對話應該在本地。"造一台AI電腦。即使PC已經無處不在，拜託，造一台。掀開引擎蓋、換個機油、了解它是怎麼工作的。"
6、不是"人在環中輔助AI"，是"AI在環中輔助人"
他直接翻轉了行業的主流敘事：不要執著於"human in the loop"，每家公司應該追求"AI in the loop"。每個員工都將擁有大量AI在環中，這些AI持續捕獲生活經驗和工作知識，最終成為公司的智慧財產權。"我們希望公司每天都變得更好、更有知識，永遠不想倒退。"
7、編碼只是打字，領域專長才是超能力
"歷史上第一次，你可以隱式地給電腦編程——只需告訴它你想要什麼。編碼到頭來不過就是打字，而打字已經是商品化的能力。"真正稀缺的是理解客戶、理解問題的領域專長。大學畢業的超級程序員不知道客戶想要什麼；在座的企業領導者知道。
每家公司都應成為技術公司——"技術是你的超能力，領域知識是你的應用"。技術優先的公司處理的是電子（electrons），而不是原子（atoms）。"從光盤轉向電子的那一刻，公司價值爆發了千倍。"
總結
這場Summit最清晰的共識：AI的能力已遠超組織吸收能力，差距還在拉大。 技術不是瓶頸，瓶頸是流程重構、安全架構、權限體系、數據準備度、領導力和文化變革。黃仁勛在壓軸對話中把這一共識推到了更高維度：這不只是工具升級，而是60年來整個計算範式從顯式到隱式的全面重寫。
幾個最具行動價值的判斷：讓一千朵花開放，不要在初期要求ROI；把Agent當隊友；為Agent準備上下文而非等Agent適應你；領導者自己先用起來；挑足夠有野心的問題來部署AI；對你最難的問題應用"無窮大、零和光速"的豐饒思維；100%AI編碼的時代已經到來，審查能力比編寫能力更重要。
核心歸納
Q1: AI在企業落地的核心瓶頸是什麼？
不是技術能力，而是吸收能力——以及思維方式。Aaron Levie拆解了編碼之外的知識工作為什麼難AI化（不可驗證、權限複雜、上下文隱性），Matt Garman強調需要guardrails讓團隊敢跑快，Fran Katsoudas的數據顯示領導者自己不用AI則團隊不會用。黃仁勛給出了更激進的處方：別在初期要求ROI，"讓一千朵花開放"，先說"好的"再問"為什麼"。突破口是主動重構工作流程來適應Agent，而非等Agent適應現有流程。
Q2: 2026年最值得關注的AI突破方向是什麼？ Kevin Weil判斷科學領域將在2026年經歷編碼在2025年經歷的變革——GPT-5.2已在解決頂尖數學家多年未解的難題。李飛飛的World Labs正在讓3D世界模型走向商用化。黃仁勛則把目光投向物理AI——理解因果關係的AI將把科技行業的TAM從1萬億擴大到100萬億，從"製造工具"跨入"創造勞動力"。多位嘉賓提到100%AI編碼的產品即將量產。而陳立武和Vahdat都強調，記憶體瓶頸可能到2028年才緩解，這將持續制約所有AI系統的擴展。
