a16z深度对话：AI如何改写75年创新方法论

近日，在a16z最新播客节目中，普通合伙人Martin Casado、Erik Torenberg与董事会合伙人Steven Sinofsky展开了一场深度对话：AI在数学领域的突破意味着什么？创新的底层逻辑是否正在被重写？初创公司与大厂的竞争格局又将如何演变？

三位讨论者认为，过去75年支撑整个计算机产业的基本假设，正在被AI逐条重新检验。其中最关键的一条——创新是工程问题，不是资金问题——已经失效。AI正在改写创新的底层经济逻辑：从工程约束转向资本约束，20人团队如今能有效部署10亿美元。这一判断直接影响对初创公司vs大厂竞争格局、风险投资逻辑乃至AI能力边界的判断。

从算盘到AI：抽象层级的75年跃迁

Sinofsky拿出一本1953年IBM的宣传册。

封面上，原子轨道环绕着人头，开篇第一句话是：“人类花了数百万年才认识到轮子的用处。”

那本册子里，IBM用了整整一页解释什么是“数字计算机”——输入、存储、运算、控制、输出。

Sinofsky说：“这就是75年来我们理解计算机的方式。”

从算盘到计算尺，从差分机到个人电脑，从图形计算器到云计算——每一次技术跃迁，本质上都是“抽象层级的上移”。低层级的问题被封装，人类在更高层级上解决新问题。

TI-85图形计算器出现时，数学老师们集体恐慌：“我们的专业要完了。”Sinofsky说：

但他们没有抱怨微积分的出现，因为微积分对他们来说已经是起点。人们对变化的反应，远比对基准线的反应激烈。

AI解出数学难题，引发的恐慌，与当年图形计算器如出一辙。

AI解数学：突破还是“游戏高手”？

近期，有人让Claude尝试求解黎曼猜想，在数学界引发广泛讨论。

对此，Casado直接泼了一盆冷水。

把所有年份里研究这些问题的博士后工资加起来，总金额并不大。这意味着市场从来没有真正把解决这些问题当成优先级。所以我不确定，解出这些题，能证明AI打通了什么具有重大经济价值的关口。

他把AI的数学能力比作星际争霸冠军：“这是史上最强的星际争霸选手——很厉害，但我很难把它和现实经济价值直接挂钩。”

Sinofsky则提供了另一个视角。他认为，数学领域的突破，或许是在“催生新的抽象工具”。

就像四色定理的证明——不是写出一个漂亮的数学推导，而是用计算机穷举了所有有限情形，用算力换来了答案。

一旦你有了新的抽象层级，所有人就不必再从零开始，可以直接在这个层级上构建工具。

最大的范式转移：从工程瓶颈到资本瓶颈

这场对话最核心的洞察，来自Casado的一个思想实验。

20年前，你给一家10人初创公司10亿美元，他们根本用不掉。买买服务器，钱就没了。

10年前，给10亿美元，你雇工程师，写代码，但神话人月是真实的——人多了反而慢。

现在，给20个人10亿美元，他们真的能有效地花出去。

他的结论是：

我们已经把这个行业从工程瓶颈问题，转变成了资本瓶颈问题。这是根本性的不同。我们以前从没有过这种状态。

Sinofsky补充说，这并非第一次资本瓶颈——计算机行业最初的30到40年，恰恰也是资本制约的时代。“你想用计算机做点什么，第一步是先搞到一台。”

然后是工程瓶颈时代，现在，又回到了资本瓶颈。

初创公司为什么还没被巨头碾压？

按常识，微软、谷歌、Meta坐拥资本、数据、分发渠道，理应碾压一切。

但现实是：Cursor、Anthropic、OpenAI正在以“流星速度”增长。

Casado给出了两个原因。

第一，AI解决了分发问题。

过去，你不知道营销预算花在哪里有没有效果。现在，对算力和GPU的需求是无限的，你可以直接决定投入多少来驱动增长。

第二，初创公司现在能筹到足够多的钱，真正和巨头站在同一起跑线上。

而巨头们呢？Sinofsky说得很直白：

微软更担心亚马逊和谷歌在做什么，根本不关心任何一家初创公司。初创公司不会直接冲着巨头打，巨头也不会注意到初创公司。

他还透露了一个细节：有大公司为了把算力优先供给企业客户，内部产品团队反而处于“AI饥荒”状态，“而他们的竞争对手，没有一家是饥荒的”。

Sinofsky以自己在微软的亲身经历为例。他当年拿着第一台Surface去见英特尔高层，对方一听里面装的是ARM芯片，态度立刻转冷。

他们觉得那是打印机用的芯片。他们只做摩尔定律，就像谷歌只做超大规模——如果AI转向端侧，那不是他们的事。

Sinofsky总结说：

颠覆的本质，是大公司的文化常量。记分卡、销售体系、薪酬结构、历史包袱、客户承诺——这些都改不了。这是物理定律。

200亿砸进去，没人知道会出来什么

对话的最后，三人触及了一个更深的未知。

Casado坦言，他之前犯了一个错误：

我以为递归自我改进、快速起飞不会发生，这没错。但我没想到，我们可以无限往里砸钱，而且规模定律一直在成立。

你拿200亿美元，砸进一个模型。我们两个人看着它，随便测试——我不认为我们能理解那意味着什么。那么多算力，那么多数据，我不知道它能做到什么。

Sinofsky表示认同，并把这类比为指数增长：“没有人能对指数建模。”

他还举了一个具体场景：蛋白质组合的穷举，过去是“无限问题”，现在可以变成“资本问题”。

我们可以把以前无限的问题，通过资本变成有限的。这是非常奇怪的事情。

Casado说，这也是他现在不再试图预测AI能力上限的原因：

我已经决定，我无法预测一个用200亿美元创造出来的东西，它的能力边界在哪里。

访谈全文如下：

AI如何改变创新的经济学

a16z播客 2026年8月26日 | 时长：1小时2分29秒

嘉宾介绍： a16z普通合伙人Martin Casado和Erik Torenberg，携手董事会合伙人Steven Sinofsky，共同探讨AI与数学领域的最新突破对技术走向意味着什么，以及数十年来支撑计算机科学发展的一些基本假设是否正在开始动摇。

Martin与Steven就AI在数学领域的进展展开辩论——这究竟是推理能力的真正飞跃，还是仅仅是在更高抽象层次上解决问题的新工具？从四色定理与早期计算机，到图形计算器，再到今天的模型，他们梳理了新技术如何一次次改变了"哪些问题需要人类亲自解决"这一命题，并追问：这一次究竟有何不同？

对话随后聚焦于AI领域最重大的转变之一：曾经受制于工程人才的问题，如今越来越可以用资本和算力来攻克。他们探讨了这对初创公司与现有巨头、风险投资、即将到来的AI应用浪潮意味着什么，以及为何向能力不断提升的模型注入数十亿美元，可能迫使我们重新审视这些系统最终能够实现什么。

文字记录

Martin Casado 00:00 如今，如果我给20个人各10亿美元，他们真的能把这笔钱用在实处。我们已经在某种程度上将这个行业从工程资源约束型问题，转变为资本约束型问题，这在本质上是截然不同的。数学在很大程度上是市场潜在兴趣的前沿指标。有些人走进来说，AGI和推理能力的基础将是数学。但对我而言，这并不能说明任何关于现实的事情——在我看来，它仍然停留在"非常擅长玩某种游戏"的范畴里。初创公司并不会直接去正面冲击现有巨头。

Steven Sinofsky 00:28 现有巨头也不会认真关注初创公司。微软更担心的是亚马逊和谷歌在做什么，而不是任何一家初创公司。每一个来自硅谷大公司的人，都以为"我们会把这些小公司碾碎"，然后发现这些小公司从来没有被碾碎。我认为这正是我们看到Cursor、Anthropic和OpenAI飞速崛起的原因，尽管资本稀缺、融资艰难，但依然拦不住它们。

Erik Torenberg 00:54 首先感谢两位抽时间来参加播客。几天前，Jared Sumner在推文中提到，他让Claude尝试解决黎曼假设，并要求它"更努力地尝试"。我不知道是否取得了实质性进展，但这是一个更大议题的组成部分——似乎确实有一些……

Steven Sinofsky 01:17 ……真实的成就正在产生，我们该如何理解这些成就，它们对数学究竟意味着什么？我先说说我的看法。我完全不是数学家，但我认为这是一个重要时刻，因为它把世界划分成了两类人：一类是非常兴奋的人，他们觉得"天哪，这些问题被解决了，哪怕我看不懂也无所谓"——事实上，能看懂这些成果的人本就极少；另一类人则认为"这是假的，会让人丢工作，没有人会知道这些领域的未来走向"。

最有意思的是，最兴奋的那群人主要是数学家本身。这让很多人感到困惑——因为按照那套"AI会让人失业、让人变蠢、是愚蠢年代的开端"的逻辑，你会以为受这波AI冲击最大的人应该最沮丧，然而他们恰恰是最兴奋的那群人。

Martin Casado 02:28 这本身就在为我们当下所处的时刻打上一束聚光灯。我必须先说明，我们两个都是系统出身的人，也都是做产品的人。这不是我们真正的专业领域，所以我只能从旁观者角度说几点。

第一点，我认为经济效用是评估AI时非常重要的衡量标准。这些数学问题虽然耗费了无数心血，但如果把所有这些年来研究相关问题的博士后工资加起来，其实并不是很大的数字。所以我的疑问是：这些能力固然很好，但问题本身长期悬而未决，并不代表解决它能解锁多大的经济价值——也许只是因为从来没有人真正愿意为此付出高昂的经济成本去推动解决。这不是说这些问题不难，只是我们缺乏"一旦解决就能涌现大量经济价值"的验证。

第二点，AI在一个几乎纯公理化的领域表现出色，对我来说并不令人惊讶。这个领域需要掌握大量不同的知识，并从非常分散的空间中将解答拼凑在一起。我读了很多关于这些数学解答的报道，许多人的反应是："解法本身其实很直接，只是借鉴了一块我之前不了解的数学分支。"

如果说有什么元层面的收获，那就是：存在一类问题，解决它们需要的知识广度超出了大多数人或大多数教育体系的覆盖范围，而AI能够解决这类问题。它显然非常擅长公理化系统，但我认为这并不能有力地说明它能解决那些市场真正无法解决的问题——因为围绕这些问题，从来就没有形成过真正的市场。所以这才是我们接下来需要回答的问题。

Steven Sinofsky 04:34 这很令人振奋，也听起来合情合理，但长远影响尚不明朗。我确实认为数学在很大程度上是市场潜在兴趣的前沿指标，这一点很有意思。我记得在学校时，AT&T有人发明了一种新的线性代数算法——一种新的线性方程求解方式，这在AI领域至今非常重要。而他当时的"杀手级应用"不过是：现在我们能在比之前少3小时的时间内算出联合航空的航班图。

Martin Casado 05:15 但问题是，被解决的这些数学问题，是否真的是那些对经济有重大意义的任务的"拦路虎"？如果真是如此，它们早就应该被解决了。一个每年拿三万美元、思考同一个问题五年的博士后，和一个市场认定"这是解锁某个重大经济生产力用例的关键问题"之间，差距是巨大的。这些被解决的问题，也许真的是解锁某个重大经济应用的关键钥匙，但我还没见到这样的案例。

对我而言，这就是我接下来最期待看到答案的问题。我甚至不知道什么是12维空间，也不明白那意味着什么。在我看来，这仍然停留在"非常擅长玩某种游戏"的范畴——就像史上最强的星际争霸选手，很酷也很强，但我很难把它和实际应用联系起来。也许之前没有解决这些问题，一是因为没有经济需求，二是这些答案究竟如何落地，也依然不清晰。

我们会收到各种各样的项目推介，有些人走进来说："AGI和推理能力的基础将是数学，一旦做到了，就能回答所有问题，因为宇宙建立在基本数学原理之上，理解了数学就理解了一切。"也有另一些人进来说："这固然很好，但它不能告诉你任何关于现实的事情。"

Steven Sinofsky 06:48 所以这还有很多工作要做，而这不仅仅是"把数学做得更好"的问题。数学家们之所以如此兴奋，部分原因在于他们的工作方式有其特殊性。比如，历史学科基本上没有什么抽象层次，只有一堆事实，然后学者发展出类似"力学图示"的模型来解释战争或饥荒；而数学则有一条超长的历史脉络，不断在抽象之上叠加新的抽象。

数学家们如此兴奋，正是因为大量数学成果忽然之间跃升到了一个新的抽象层次。当然，我也发现情况是参半的——有些人非常兴奋，有些人则陷入了存在主义危机。兴奋的人基本上是说："这解决了我20%的工作，而且正好是我原本不喜欢的那20%，这让我能去探索真正重要的新领域。"

我一直在想，这是否取决于被解决问题的类型？如果AI解决了癌症，从事癌症研究的人绝对不会说"我好沮丧"。但如果某人毕生致力于某个数学问题，结果AI解决了，他可能确实会感到失落——也许那个问题的全部意义，就只是让某人有事可做，或者写几篇"我又往哪里走错了"的文章。换句话说，在解答的背后，也许什么都没有。不过这也许太愤世嫉俗了，我说得太过分了。

Steven Sinofsky 08:45 有点愤世嫉俗，但不全是。让我换个角度来说。回顾计算机科学的历史，我曾修过一门课，现在我查了各大学的课程目录，这门课已经不再是必修了——就是离散数学和算法复杂性理论，它曾经是很长一段时间内的必修课。

Donald Knuth的《具体数学》？我没修过，我读的是州立大学，没有那门课。那是康奈尔人才有的笑谈。我的课是由算法领域的泰斗John Hopcroft亲授的——讽刺的是，他是斯坦福博士，发明了2-3树等重要数据结构。他教我们这些东西，以及P等于NP之类的问题。

我还记得四色定理——是由计算机证明的，没错，这正是我要说的重点。你把关键结论说出来了。对于不了解的朋友：我们当时在大学里专门学了这个定理，它归结为这样一个命题：对于任何二维平面地图，只需四种颜色，就能使相邻区域没有同色——永远不需要第五种颜色。这就是我们当年学它的方式，每个人都能复述出来，留下了非常深刻的印记。

Steven Sinofsky 11:06 它的意义在于：理论家认为，如果能在多项式时间内（而非指数时间）解决某类问题，就能更快地解决所有其他类似问题，比如旅行商问题等等。这在当时至关重要，因为计算资源极为有限。AT&T有一个包含6000个交换节点的网络，要计算最优路由方案，需要运行模拟长达两年。

四色定理的证明非常有趣——没有人最终得出一个看起来像微积分那样优雅的证明。相反，他们证明了潜在解的数量是有限的，然后用计算机穷举了所有情况，证明四种颜色确实足够。这是一种"迂回式"的证明，但只有借助计算力才能实现。而且它确实有很强的现实应用价值，在拓扑学上设定了重要的边界。

这对我来说是一个很好的启示：当你拥有一种新的抽象层次，能够声称"这是一整类可以被解决的问题"时，你就可以在那个抽象层次上构建工具，而不需要每次都从头开始。

Martin Casado 12:09 谈到AI，我忍不住要说一个有点哲学的问题：数学能否代表物理现象？有没有人真正用一堆方程预测过什么物理事实？我在大型仿真代码领域工作过，这些代码试图模拟物理现象——星体爆炸、飞机在风洞中的表现——但这些模拟所依据的微分方程，都是建立在实验数据之上的，本质上都是经验方程。

这让我一直在思考：模拟是否在计算上是不可压缩的？也就是说，你必须真正去"跑"这个模拟，才能得到结果。如果是这样，我就不太清楚AI在多大程度上能帮上忙。也许在物流、建模等算法领域可以，但对于"这颗星星会不会爆炸"、"这栋建筑能不能站稳"这类实际仿真问题，我认为这些与数学突破之间的联系相当疏远。

我读了很多关于这些数学解答的讨论，其中有种说法是"如果AI能解决所有数学，就能预测一切"，而我认为这是一个巨大的逻辑飞跃。

Steven Sinofsky 14:03 确实没有任何迹象表明这是显而易见的真理。我从工具的角度来看这个问题：AI也许不是下一个用来解决数学问题的工具，但它可能推动产生一种新型的、新层次的模型。

我带了些东西来说明这个观点。这是算盘——最原始的数学工具。在有它之前，一切都不同；有了它之后，你就有了一个新的抽象层次。然后历史快进——我还带来了一个库尔塔计算器，这是一种奥地利的圆形计算尺，像咖啡研磨机一样，通过转动来做加减法，内部有600个精密零件，如果今天复原制造，要花大约5万美元。在这之后，更高层次的问题得到了解决。

你是在说，新模型就像新型计算器或图形计算器吗？我记得TI-85出来时，所有数学老师都陷入了危机——"我们过去让你在纸上画X-Y方程的图，现在他们用计算器就能做到，我们的领域完了。"

Martin Casado 16:26 是的，老师们完全崩溃了。

Steven Sinofsky 16:29 但有趣的是，这正是AI如此重要的原因所在。那些老师不会抱怨微积分的发明，因为微积分对他们而言已经是起点、是基础。人们对变化的抗拒，远大于对他们起点现状的抗拒。我们那时候，TI-35是学校里的第一批计算器，功能很有限；大学里很多课程是"不允许使用计算器"的。我的整个学生时代，都处于"被允许"和"不被允许"之间的边缘地带，亲历了图形计算器时代的变迁。

Martin Casado 17:14 我那时候有蓝皮考试本，要写出所有解题步骤，证明没有把题目直接输进计算器。我就是赶上图形计算器的那一代，老实说，我们大部分人都在计算器背面写游戏，根本不在乎它的数学功能。

Steven Sinofsky 17:38 但如果你把这一切倒着来看，你会意识到人们经历了代数、线性代数、微积分的漫长历程，再到傅里叶变换和流体动力学，这些最初都是基于实际需要产生的。所有的计算机，本质上都源于差分机，而差分机不过是用来计算积分的。

Martin Casado 18:07 更准确地说，是为了更精准地用大炮和导弹互相攻击而计算积分。不过说起来，计算潮汐才是它最初的起点，潮汐计算有巨大的经济价值。这些计算架构后来被纳入战争服务，用于计算弹道对数——所有这些都是这样来的。差分机比人类快5000倍，而且不会出错，这非常重要，但它的用途非常具体。有趣的问题是，这些模型显然很擅长某类数学，如果是，那是哪类——是否已经解锁了某种"原子级"的应用？

Steven Sinofsky 19:00 我也不知道答案。但我认为这非常值得深入追问。那些为战争计算弹道表的工作，最终解锁了太空竞赛、喷气发动机和工厂自动化。而且，当时的人们为此欢欣鼓舞，每个家长都在告诉孩子"去学这个，去参加西屋竞赛，去赢GE数学竞赛"。

Steven Sinofsky 19:38 冷战是当时的文化背景，但除此之外还有一种对未来的普遍向往。我找到了一本1953年IBM的宣传手册，封面是一个脑袋周围有原子旋转的男人，标题是"计算的未来"。这本手册写于1953年，当时计算机就是那个时代的全部，这是7040和370出现之前。

手册开篇写道："人类花了数百万年才发明并认识到车轮的用处。"当年的人们如饥似渴地接受这些信息。我最想说的是其中一页：《数字计算机的组织结构》。那是输入、存储、运算、控制和输出——75年来，我们就是这样理解计算机的，学校里每门课基本上都是围绕这五个部分来教的。