一句话概括：
这位从斯里兰卡移民到硅谷、经历了 Facebook、Social Capital、再到自己创业的连续创业者，在斯坦福 AI Club 讲了一个核心观点：AI 行业砸了万亿美金下去，但如果不能把企业里那些藏在老代码和老员工脑子里的"隐性知识"翻译成自然语言，这笔钱永远收不回来。
先聊聊这个人
Chamath Palihapitiya，硅谷最有争议也最有辨识度的面孔之一。
All-In Podcast 的联合主持人，Social Capital 的创始人（投过 Slack、SoFi、Groq 等公司），Facebook 早期核心高管，直接参与了 Facebook 从小公司长成巨头的过程。
现在他在做一家叫 8090 的公司，定位是"AI 原生的企业解决方案"。
这次斯坦福演讲，他把自己对 AI 产业的判断、对创业的理解、对人生的思考，一口气全讲了出来。
第一部分：有限游戏和无限游戏
Chamath 用 Kobe Bryant 的话开场：
赢和输都是副产品，真正让人上瘾的是在当下打磨手艺、向自己证明什么的那个过程。
他坦诚地说，年轻时自己一直在打"有限游戏"——跟身边的人争职位、争融资、争外部认可。
这种模式让他反复撞墙，反复自我破坏。
他把自己的职业生涯拆成三段：
第一段，Facebook 高管。
本质上是扎克伯格的"配角"，执行别人的愿景。做得很成功，但那是别人的戏。
第二段，Social Capital。
管别人的钱，压力巨大。
给他钱的是 Mayo Clinic（美国顶级医疗机构）、各种养老基金这类机构。
"亏了这些人的钱"这个念头让他极度焦虑，所以他把投资这件事做得非常认真。
第三段，8090。
这是他第一次真正从零开始。白纸一张，自己画蓝图，自己证明能不能做成。
帮别人建万亿美金公司，做到了；建几十亿美金的投资公司，做到了；能不能自己从零做出一个大东西？不知道。
但正因为不知道，才有动力。
他特别提醒台下的斯坦福学生：你们被天才包围，很容易变得只关注跟别人比较，这是巨大的干扰。
他在加拿大滑铁卢大学读书时也经历过这个阶段，周围全是聪明人，注意力全花在了竞争上，完全忘了自己到底在追求什么。
第二部分：8090 到底要做什么
起点：一个 1984 年的老模型
Chamath 说他思考任何技术问题，第一步都是找框架，他最常用的框架是 OSI 参考模型。
Open Systems Interconnection，互联网通信的七层架构模型，从最底层的物理连接到最顶层的应用，把网络通信拆成了七个层次
这个模型 1984 年就有了，但 Chamath 认为它的价值被严重低估。
OSI 模型的每一层，都诞生了几千亿到万亿美金的公司。
他做投资时，每看一家新公司，都会回到这个模型去定位：这家公司在哪一层？逻辑上说不说得通？
他给 AI 也建了一个类似的分层框架，然后沿着这个框架一步步走过来。
走过的弯路
8090 最初想做的是一个转译器（把一种编程语言自动转换成另一种的工具）。
具体来说是把 CUDA（NVIDIA 的 GPU 编程框架，目前 AI 训练的事实标准）代码转译到 AWS Trainium、Inferentia、AMD 等不同芯片平台上。
后来发现这条路不对，放弃了。
再往前，他花了好几年帮 Groq（一家做 AI 推理专用芯片的公司，注意不是 Elon Musk 的 xAI 旗下的 Grok 大模型）起步。
又花了几年投入他所说的 AI"支点资产"：
能源存储： 棱柱形 LFP 电池（磷酸铁锂电池的一种封装形式）。AI 数据中心最缺的就是电，电力存储的核心材料是铁。
物理 AI 的执行器： 机器人要通过"麻木匹配测试"（numb match test，检验机器人触觉灵敏度的测试），核心瓶颈在稀土材料驱动的传感器和执行器。
这些都是他在"AI 分层框架"里逐层探索的结果。
核心判断：AI 行业最大的问题
兜了一大圈之后，Chamath 回到了他认为最重要的那一层。
他的判断非常清晰，也非常尖锐：
我们在 AI 领域做了很多。但本质上，我们还是在训练模型识别已有模式。
当前的 token 预测下一个 token，这很强大，但也很原始。
两个根本问题没解决：
长时间跨度任务，根本不行。 他原话是"fundamentally still a joke"。别拿什么跑了 48 小时的脚本来糊弄人，别给他看什么 eval（评测）分数，那些都经不起推敲。
真正复杂的问题，也不行。
然后他把这个技术判断接到了一个商业判断上：
全球正在往 AI 基础设施里砸几千亿到万亿美金。
按照经典的技术采纳周期，先是炒作高峰，然后是幻灭低谷，最后才是真正的价值回归。
如果有一天有人问"ROI 在哪"，你必须指着实体经济说"这些企业的生产力提升了 50%"。
除非你彻底重建这些企业的运作方式，否则这笔投资收不回来，股市会翻车。
解决方案：用符号空间引导Embedding空间
什么是"符号空间"？
就是一家公司真正的"秘密"——用人类语言表达的业务逻辑、规则、经验。
Google 的 PageRank 怎么调的，Uber 的动态定价逻辑是什么，某家医院诊断某种癌症的最佳流程是什么。
这些知识现在散落在代码里、在会议记录里、在老员工的脑子里、在退休工程师的记忆里。
什么是"嵌入空间"（embedding space）？
就是 AI 模型内部用向量表示信息的那个数学空间。
当前的 AI 模型擅长在这个空间里做模式匹配，但它不理解"为什么要这样做"。
Chamath 的核心主张：你需要先把人类的符号知识整理好，再用它来引导 AI 的嵌入空间，而不是反过来。
他举了一个真实案例：有一家年营收超过 1000 亿美金的公司，代码库太老了，不得不把退休员工请回办公室，让他们解释某段 COBOL（一种 1959 年诞生的编程语言，至今仍在银行、保险等行业大量使用）代码到底在干什么。
之前的人搞不懂，之前之前的人也搞不懂。
而恰恰是这类问题隐性知识（tribal knowledge）、隐藏的上下文、没有文档化的业务规则，卡住了万亿美金 AI 投资的回报。
Peter Thiel（PayPal 联合创始人）说过，所有伟大的公司都建立在秘密之上。
Chamath 接着问了一个很有意思的问题：如果这些秘密全部被文档化了，会发生什么？
8090 的"软件工厂"
基于这个判断，8090 在做的事情是：
正向推导： 让人类和 AI 模型协作，把企业的需求、规则、业务逻辑用自然语言完整表达出来，形成 PRD（产品需求文档）级别的"黄金源"。然后绑定到工程计划和工作单，让 AI agent 去执行。
反向推导： 把几千万行老代码倒进去，让系统自动还原出自然语言级别的业务理解。那家请退休员工回来解释 COBOL 的公司，就是这个场景。
最终目标：CEO 能直接读懂的、用自然语言写的企业"真相文档"。
他用了一个类比：如果 Uber 有一份用英语写的动态定价规则文档，当你修改这份文档时，下游影响几亿人的定价算法就自动跟着变。
你不需要是工程师，你只需要有好的判断力。
这跟编程语言的演进逻辑一样。
他现场做了个小调查：
用过 Python 举手？几乎全场。
用过 C++ 举手？也不少（毕竟斯坦福的课就是用 C++ 教的）。
用汇编举手？寥寥几个。
每一次抽象层上移，能参与的人就多一个数量级。
英语是 80 亿人的统一语言，是终极的抽象层。
到了那个层面，创新的竞争维度不再是算法，而是判断力和好想法。
他还特别强调了一个优先级判断：代码是机械性的、确定性的，要么跑通要么不跑通。AI 会比需求理解更早达到完美。
所以真正的护城河在需求层，在"理解该做什么"这件事上，而不是在"怎么写代码"上。
第三部分：一个前所未有的网络效应构想
他问了一个问题：医院诊断癌症患者和飞机公司设计新机翼，听起来是完全不同的问题，对吧？
他的回答是：错。
本体论（ontology，描述领域概念和关系的方式）不同，但底层问题可能是一样的。
在代码和汇编层面，它们长得一模一样。
如果 8090 能把企业的"秘密"抽象到符号层，用不同的本体论重新编译，那第 N+1 家客户就能复用前 N 家客户的所有积累。
波音不需要害怕纪念斯隆凯特琳癌症中心（Memorial Sloan Kettering，美国顶级癌症医院）。
反过来，它们可以合作，双方成本下降，价值上升，下游客户和患者都受益。
这就是他理解的 Elon Musk 说的"丰裕"（abundance）：一种对数级的扩张，什么都能快速、低成本地完成。
当然，让企业分享自己的"秘密"，阻力巨大。
Chamath 说这靠的是信任和声誉，靠的是一步步证明价值。
他把当前 AI 行业的路线分成两极：
一边是末日论
另一边是"全速资本主义"：我学习你的知识，token 化，卖订阅，谢谢再见。或者更过分，我用学到的东西来替代你、解雇你。
Chamath 的原话："That is deeply and fundamentally irresponsible."（这是深刻的、根本性的不负责任。）
他主张的是第三条路：正和博弈。
一起合作，慢慢来，帮企业应对监管，证明 AI 能让他们雇更多人、付更高薪水。
他说这条路慢，但在起作用，因为人类本质上是积极的、有韧性的、不是零和的。
大多数人只想照顾好家人，不想被坑。
他还回应了技术采纳曲线上"落后者"（laggards）的问题。
传统观点对这些后期采纳者有点看不起，Chamath 不同意。
他举了制药公司的例子：他们慢不是因为保守，是因为做错了要坐牢。你吃的药如果出了问题，从你脑门上长出一只胳膊来，那不是"落后"，那是对客户负责。
有观众提到 2017 年加拿大的 Element AI 融了 1.5 亿美金，也想做类似的跨企业知识共享（比如让银行之间共享数据），但很快就证明跑不通。
Chamath 的回应很犀利："你一开口就说融资金额，我就知道它为什么失败了。"
银行不在乎你融了多少钱。银行在乎你说的是不是真的、能不能用。
能说服投资人掏 1.5 亿的人，不一定是能坐下来说服五千亿美金银行 CEO 的人。
这是两种完全不同的能力。
第四部分：对 AI 行业几个热门话题的冷判断
本地 AI agent 和分布式计算
有学生问他怎么看 Open Claw、Open Jarvis 这类本地 AI agent，以及随着量化技术、高效架构、设备端 GPU 的进步，AI 工作负载是不是会大量转移到本地设备上。
Chamath 没有直接评价这些具体产品，但他指出了一个更大的趋势：
我们其实没有真正的开源模型。
美国有的是闭源模型，中国有的是开放权重模型（open weight，模型参数公开但训练数据、训练流程不公开），这两个都不是真正的开源。
他认为最具颠覆性的组合是：
真正的开源模型集群
完全去中心化、不受监管的分布式计算，先是训练，然后是推理
这个组合的意义在于：如果 AI 真的能进行符号推理，你不能让五六家公司把持这个能力。
否则会出现一个"行星加卫星"的格局：少数模型制造商是行星，所有其他人都变成围绕它们转的附庸国。
没有 kill switch（关闭开关），没有任何单一实体能掐断它，这才是健康的。
他推荐了几个值得关注的项目：
Bittensor 的 Subnet 3（一个去中心化 AI 训练网络）
Folding at Home（分布式计算的经典项目，最初用于蛋白质折叠模拟）
Pluralis
他强调自己在这些项目里没有任何利益关系，但花了大量时间在研究和折腾。
他的建议是：与其关注某个具体的本地 agent 产品，不如去理解分布式训练池怎么运作、分布式推理怎么运作。
他给了一个规模参考：80 亿、100 亿参数的模型现在已经能在本地跑了，但还不够。当你能在分布式网络上跑 1000 亿参数的模型时，你就真正有了商业竞争力。
AGI：融资话术居多
有一位来自开源基础模型公司的观众问 Chamath 对 AGI 的定义和看法。
回答很干脆：以我们今天掌握的东西，AGI 不现实。会有一些狭窄领域的超级智能，但通用人工智能远得很。把融资需求剥掉，大部分关于 AGI 的说法都是吹牛（bluster）。
为什么现在该关注符号层，而不是更好的学习算法
有人提了一个很尖锐的技术问题：哺乳动物大脑用的算力只是当前前沿模型的一个零头，为什么不去研究更高效的学习算法，而要在符号语言这个方向上花时间？
Chamath 的回答承认了这个可能性：也许我们最终会发现，把人脑的符号语言翻译到嵌入空间这条路根本走不通，也许需要一种完全不同的计算范式。
但他的反驳是：
人脑经过几十亿年进化，极度节能，信息密度极高，而且地球上有 80 亿个这样的东西。
人类作为一个物种的集体算力，你没法用 FLOPS（每秒浮点运算次数）来衡量，用 FLOPS 去近似人脑的工作方式，是一种极其粗糙的简化。
所以与其说要发明新的计算方式来替代人脑，不如先把人脑已经产出的东西（符号知识）好好利用起来。
第五部分：8090 的组织哲学和用人标准
40 个人，没有组织架构图
8090 大约 40 人，没有组织架构图，团队极度年轻。
Chamath 的逻辑是这样的：如果有 80 个人的工作量，只雇 40 个人。再加上没有层级结构，没有人告诉你该干什么。会发生什么？
所有传统的思维方式都会瓦解。
"如果这样就那样"的套路全部失效。人们被迫从第一性原理出发思考。
他说这就是魔法发生的地方，尤其是在职业生涯早期。
他列举了几个有这种特质的组织：Anthropic、OpenAI、早期的 Facebook、早期的 Google、SpaceX。
特别提到 SpaceX 的 CTO Mark Juncosa，一个市值两万亿美金公司的 CTO，每天问的问题还是"我们哪里可以做得更好？SpaceX 是不是还不够好？"
当你承受那么大的压力，你根本没时间傲慢。这就是你要找的那种地方。
他还提到自己有一个跟 Claude（Anthropic 的 AI）的持续对话，专门叫"8090 org design"，不断往里面喂信息，试图搞清楚"为什么这个做法不行？为什么那个做法行了？
"他说自己经常带着最蠢的想法进去，有时候团队会说"这太离谱了"。
他对传统企业组织架构的批评很辛辣：
我怀疑很多公司的组织构架之所以长那样，是因为 80 年代 90 年代有人卖给他们一套烂企业软件，然后告诉他们"你需要一个 CXO 来用这个软件"。于是你有了一个几万亿美金的企业软件市场。
然后发现软件不好用，又催生了一个四倍大的咨询服务市场来让软件勉强能跑。
但你看 Facebook 和 Google 这种从零开始自建一切的公司，利润率是传统企业的将近三倍。
难道是 Facebook 和 Google 的员工聪明三倍吗？不是。
是传统企业被糟糕的软件和由此衍生的组织臃肿给拖累了。
他要什么样的人
不是代码写得最快的，不是代码写得最好的。
他要的是一种持续消化压力、从中学习、在其中成长、帮助身边同事、然后迎接下一个挑战的能力。
他说这种东西没法用代码行数或者并行 agent 数量来衡量，但你看得出来。
他用 SpaceX 的 Raptor 发动机做了一个让全场印象深刻的类比：
Elon Musk 拍过一张照片，Raptor 1、Raptor 2、Raptor 3 并排放在一起。
Raptor 1 是一团乱麻，管线缠绕，看着就头疼。
Raptor 2 好了很多，但还是很粗糙、很野蛮。
Raptor 3 美得令人窒息，简洁、优雅、每一个部件都恰到好处。
Chamath 说他看到的不是技术创新，而是一个"做、学、做、学、做、学"的过程。
从 Raptor 1 到 Raptor 3，是一群人不断打磨、不断尝试、搞砸了不自我攻击、第二天继续干的结果。
"找一个能让你经历从 Raptor 1 到 Raptor 3 的地方。这跟 PR 数量无关，跟表面的指标无关。这关乎你这个人。"
他也坦诚说 8090 的流失率很高。
招聘流程很严格（技术筛选、代码评审都有），但进来之后，很多人发现这种没有层级、没有明确指令的环境不适合自己。
他觉得这很正常。
第六部分：关于教育和职业选择
有学生问，AI 在抽象掉越来越多的流程，大学特别是计算机系应该教什么？
Chamath 的回答分两层：
未来 10 到 20 年，技术能力依然至关重要，甚至要比现在更底层。
你需要真正理解内存结构、理解底层原理。斯坦福用 C++ 教课是对的，因为你需要理解内存和内存结构。
长期来看，会出现 5000 万到 1 亿的"工匠"，他们为几十亿人构建产品和服务。
这些人需要深厚的技术功底。但对于更广泛的人群，他们将能用自然语言在符号层工作，成为高效的生产力。
有一个信息系统专业的学生问了一个很具体的问题：是不是应该少花时间学 PowerBI 和 Python，多花时间学需求工程和第一性原理思维？
Chamath 的回答只有一个字：Yes。
第七部分：关于个人成长的几段坦诚对话
童年创伤和共情能力
有人问 Chamath 为什么那么擅长跟人建立连接。
他的回答出乎意料地私密。
他说自己成长过程中一直觉得自己"不够好"。
他父亲会打他，而且会让他自己选被打的工具——皮带还是棍子。
他说自己小时候学会了判断不同棍子的抗拉强度，因为有的棍子打十下就断了，有的不会。
"当这些事情发生在你身上，你会想：我一定是毫无价值的。不然为什么你会这样对待你亲生的孩子？"
这个想法在他脑子里存在了很久。他后来找到了一些方式来弥补那种"不够好"的感觉，慢慢学会了放下。
留下来的，是一种跟人相处时的自然状态：让别人笑，说真话，做自己。
他说他知道还有其他路径可以到达同样的状态，但他没走过那些路，所以没法告诉别人怎么走。
怎么保持自我觉察，控制自我膨胀
他列了四个"检查机制"：
他老婆。 她经营一家罕见病药物研发公司，每天被现实暴打，一切都在失败，好不容易出一个成功的药也只有六七年专利期，所有利润必须立刻投回研发。她极度务实、极度谦逊。Chamath 一膨胀她就直接"一巴掌扇过来"。（他补了一句：她还是意大利人，不怕扔东西。）
一个特别好的朋友。 看到他变了会直接说。
打扑克。 这听起来奇怪，但他说扑克是观察自己心理状态的绝佳窗口。他是很强的扑克玩家，牌桌上坐的都是顶级职业选手。但如果连输四五周，原因一定不是技术，而是自我膨胀了，某个地方出了问题。然后他就去复盘、去拆解。
实在不行，坐经济舱飞一次。
关于失败
有学生问怎么从失败中站起来。Chamath 的回答：
"失败不存在。那是别人对你的看法，用来压制你的。如果你一个人在荒岛上搞砸了一件事，你会拍拍灰继续走。让你痛苦的是你以为别人在评判你。但秘密是：他们根本不在乎你，他们忙着过自己的日子。"
"没有失败。只有做和学。做和学。做和学。"
值得带走的几个判断
把整场演讲的核心观点浓缩下：
OSI 模型是理解技术商业的最佳起点。 花几分钟 Google 一下，然后试着自己画一个 AI 的分层模型。这是 Chamath 给斯坦福学生的"第一课"。
AI 行业砸了万亿美金，但 ROI 的瓶颈不在模型能力，在企业的隐性知识。 那些藏在老代码、老员工脑子里的业务逻辑和规则，才是真正卡住价值释放的东西。
代码会比"理解该做什么"更早被 AI 完美解决。 所以长期来看，需求工程和判断力比编程技能更稀缺。
当前的 AI本质上还是高级自动补全。 长时间跨度任务和真正复杂的问题，目前的技术路线解决不了。承认这一点不是唱衰，恰恰是因为还有太多事情要做，应该加倍投入。
AGI 的大部分说法是融资话术。 会有狭窄领域的超级智能，但通用人工智能以目前的技术基础来看还很远。
真正的开源模型加去中心化计算，是最值得关注的大趋势。 如果符号推理能力被五六家公司垄断，所有其他人都会变成附庸国。这个结局对谁都不好。
"用 AI 替代人、裁掉人"是根本性的不负责任。 正和博弈的路更慢，但更可持续：帮企业提效的同时，让他们雇更多人、付更高薪水。
找一个能让你从 Raptor 1 变成 Raptor 3 的地方。 压力大、资源少、没有层级、没时间傲慢——这种环境会逼你从第一性原理思考，会把你变成一个完全不同的人。尤其在职业生涯早期，这比任何头衔和薪资都重要。
没有失败，只有做和学。 你以为别人在评判你，但他们根本不在乎你。真正困住你的是你自己脑子里虚构的观众。
一些没有展开但值得留意的细节
演讲中有几个信息点 Chamath 点到即止，没有深入，但背后可能藏着不小的信息量：
他对咨询行业的批评非常尖锐。 他描述了一个完整的恶性循环：企业出了问题，请麦肯锡来，花几千万美金，拿到一份漂亮的 PPT，然后大多数时候什么都不做。或者买一套现成软件，发现不好用，再请咨询公司派几百个人来做实施，按工时收费，还是不好用。他认为 8090 的"软件工厂"模式可以直接替代这个价值链。
他提到自己有一个持续运行的 Claude 对话，专门用来思考 8090 的组织设计。 这个细节很有意思，一个对 AI 能力保持清醒怀疑的人，同时在用 AI 作为自己的思考伙伴。他不是在让 AI 替他做决定，而是把 AI 当成一面镜子，不断往里面丢信息，看反射回来的东西能不能帮他理清思路。
我的几点观察
Chamath 这场演讲有几个特别值得注意的地方。
第一，他对 AI 行业的批评是"内部人的批评"。
他不是一个旁观者在唱衰，他自己就在这个行业里，投了 Groq，创办了 8090，花了大量时间研究分布式计算和开源模型。
正因为他在里面，他的批评才有分量：长时间任务不行、复杂问题不行、AGI 是吹牛。
第二，他的商业判断和技术判断是一体的。
很多人讨论 AI 要么纯谈技术，要么纯谈商业。
Chamath 的思路是：技术的瓶颈决定了商业的机会在哪里。当前模型搞不定长时间任务和复杂问题，所以你需要一个符号层来补位。
这个符号层本身就是一个巨大的商业机会，因为它直接对接的是"万亿美金投资的 ROI 从哪来"这个问题。
第三，他对"正和博弈"的坚持不像是表演。
很多科技圈的人嘴上说正和，做的事情是零和。
Chamath 的正和逻辑有一个很具体的商业支撑：如果你想建网络效应，你必须让客户愿意把秘密放进来，而让客户愿意的唯一方式就是让他们相信你不会拿这些秘密去伤害他们。
所以正和不是道德选择，是商业模型的必然要求。这个逻辑自洽。
第四，关于个人成长的部分，他没有给鸡汤式的答案。
"怎么从有限游戏转到无限游戏？""你得高速撞墙。"
"怎么保持不膨胀？""我老婆会扇我。"
"怎么面对失败？""失败不存在，别人根本不在乎你。"
这些回答都不是"五步法"或者"三个习惯"，而是非常个人化的、从痛苦经验里长出来的东西。
他反复强调自己不知道有没有更好的路径，因为他只走过自己这条。这种诚实本身就是信息。
原文标题： Stanford AI Club: Chamath on How to Win in the AI Era