Arvind Krishna与Nikesh Arora：企业AI的成本、控制权与可靠性

一、嘉宾背景

这期约40分钟的All-In Podcast访谈，由Arvind Krishna与Nikesh Arora讨论量子密码风险、企业AI、网络安全及软件整合。话题从密码体系面临的潜在威胁，延伸到模型部署成本、自动化漏洞发现，以及软件平台的整合前景，始终围绕企业如何作出技术决策展开。

现有嘉宾背景材料未明确列出两人的公司职务。节目中，Arvind自述曾是开发者，并介绍其组织使用编码智能体的情况；Nikesh以端点检测业务解释模型成本，又回忆自己早年在Fidelity Investments工作时，接触过23套后来可归入CRM的系统。

这些经验也贯穿两人的论证。Arvind关注技术如何达到可用规模，以及企业如何保留知识产权；Nikesh更多从客户负担、持续运行成本和工具之间的连接切入。他们提供的业务数字与历史回忆有助于理解这些判断，但仍属于嘉宾陈述，不能直接视为经过独立核验的行业基准。

二、本期主要内容

谈到量子计算对密码体系的威胁，Arvind以2030年作为讨论中的中点，并提醒，今天被盗的密文可能被保存下来，等未来具备能力时再解密。按他的风险判断，需要提前考虑的不只是未来上线的系统，还包括今天仍需长期保密的数据。这一时间判断属于预测；节目没有逐项讨论算法、密钥长度和攻击资源，也不能据此推断所有加密会在同一时刻失效。

他提出的观察顺序是，先看真实运行的设备能否完成纠错，再看相关声明是否经过第三方验证，之后才观察门计算规模。模拟展示与实际设备之间的差距，是判断进展时必须辨明的部分。他预测，2027年前后可能有一两家取得纠错进展，并按每年增加一个数量级推演2029年的规模。这些时间点和增长路径都带有预测或条件性情景的性质。

物理量子比特数也不能直接代表有效计算能力。Arvind用约一万个物理量子比特对应两百个逻辑量子比特作解释性例子，强调纠错涉及整台机器，不能将其理解为固定元件的简单拼装。

Nikesh把技术进展转向企业当前的更新决策：企业不能等量子威胁兑现，再指望用一年重建整套IT体系，因此应在现有更新中纳入量子安全。他也讨论了用后量子密钥保护流量的过渡能力。Arvind同时指出，对后量子安全的信心仍依赖复杂性假设，并不是无条件的证明。

主持人追问，AI是否可能先于量子硬件破解密码。Arvind区分了两种情况：发现量子算法，不意味着能够在经典硬件上高效运行；发现新的经典数学算法，则仍不能排除。突破是否构成现实威胁，还要看破解需要多久。若攻破一个密钥需要十年，理论上的可能性与实际攻击价值之间仍有距离。

进入企业AI话题后，Nikesh主张先验证价值，再优化成本。探索阶段应让团队使用最强、最易用的模型，观察它能否提高效率、增加收入或支持产品开发，避免过早压低成本反而阻碍采用。

生产运行有另一套约束。Nikesh以端点检测业务为例，自述负载约20—40MB，年成本约12—20美元。他用这些数字说明，持续检测大量流量的经济性，与逐token调用前沿模型不同。这是业务陈述，并非采用统一条件完成的模型成本测试。

三、核心观点：推理、例子与边界

Nikesh把常规检测与重大入侵区分开来：前者需要紧凑、专用、能够持续运行的小模型，后者可能值得调用前沿模型的推理能力与智能体群。两类任务的频率、错误后果和潜在损失不同，能够承担的计算成本也不同。他提到将专用模型训练至99.9%准确率，这是训练目标，并非经过独立验证的效果。重大入侵的设想说明了企业何时可能愿意支付更高成本，智能体群能否阻止攻击仍需验证。

Arvind用价格比较解释自己为何看好开放权重。他估计，外部模型服务每百万token约需20—50美元，自部署开放权重模型约需1—2美元，并称后者可以完成约95%的工作。节目没有给出可供对照的任务集、硬件利用率和运维成本口径，因此这些数字还不能用来推算任何一家企业迁移后的收益。他进一步从经济性、知识产权及地缘政治因素出发，预测开放权重可能承接75%—90%的token用量；这个比例是对未来的判断。

部署选择也涉及企业能够保留多少控制权。Arvind担心，外部服务如果捕捉并记录推理过程，可能暴露企业知识产权。Nikesh则倾向于用自有数据训练开放权重防守模型，并自行管理权重，认为这有利于审计和解释。前者提出了一项需要检查的数据处理风险，不能据此认定所有外部服务都会记录同样的信息；后者表达了部署偏好，掌握权重也不等于能够完整解释每次输出。价格和控制权都要落实到具体部署中评估。

网络安全中的成本问题更为尖锐。Nikesh指出，攻击者找到一个可利用的漏洞就可能得手，防守者却需要确认并修补相关漏洞。因此，即使发现工具会误报，它仍可能帮助攻击者；防守者则必须承担逐项验证的劳动。他提到约30%的幻觉和约60%—80%的真实报告，分别来自个人经历与现场估计，不能合并为一项统一的准确率。为减少重复劳动，Nikesh提出由可信参与方共享漏洞、集中修补并分发；Arvind则把联盟、降低防守成本和技术优势视为应对攻防不对称的办法。这些是机制建议，其效果仍有待验证。

Arvind对编码智能体的评价同样保留了验证边界。他自述，其组织约一半代码已有智能体参与，并认为评估提高了代码质量。但评估只能发现人们已经知道如何检测的缺陷，任意输入下的完整验证仍然困难。通过现有检查，并不足以证明软件在所有情况下都正确。两位嘉宾认为，全球AI研发很难同步停止，同时主张商业提供者仍应对智能体生成的软件承担责任。这是他们对政策和责任的立场，并非对现行法律的确定结论。

软件整合的动力则同时来自利润和连接成本。Arvind以IBM大型机解释，控制全栈有助于保护知识产权、保留各层利润；Nikesh补充，控制多个层级的企业还可以压低某一层的利润，将收益转移到另一层。他预测，推理、记忆、上下文、API连接与行动会逐渐组成整合栈。智能体积累的背景和连接越多，迁移时需要重建的东西就越多，竞争也会更多转向完成每次行动的成本。每token价格只能反映其中一部分。

横向整合回应的是客户自行拼接工具的负担。Nikesh以约40种安全工具，以及早年接触的23套CRM相关系统说明这一动机。Arvind预测，企业软件会向少数平台集中，但给出的时间范围从数月到数年，仍然很宽。整合有其动力，进程却没有确定的时间表。替换核心系统尤其受可靠性约束：Arvind以银行查询、财务结账和10的负15次方量级的可靠性要求为例，说明交互功能与核心业务系统面临的验证难度不同。谈话末段也承认，如果替代系统需要经过多年的数字孪生验证，这部分投入可能抵消代码生成带来的成本优势。

Nikesh还提醒，影响全球企业获得AI能力的，可能更多是算力供应约束及其地理集中，而非模型价格本身。即使调用价格下降，企业也未必能及时获得规模化运行所需的资源。模型成本、部署控制权和平台整合的收益，都受这些资源条件制约。

四、学习与应用

对企业而言，量子风险可以从两项现状梳理入手：哪些数据需要长期保密，哪些基础设施即将更新。将两者对照，才能确定需要处理的迁移问题。与供应商讨论时，应落实到现有连接、密钥保护和升级路径；追踪技术进展时，则应分别记录真实设备的纠错能力、第三方验证结果和有效计算规模。这样的准备回应了“先保存、后解密”的风险，也让迁移安排有据可依，不必仅凭某个预测年份或物理量子比特数决定进度。

AI项目需要明确何时结束探索、进入生产评估。探索阶段可选择代表性工作，记录模型是否改善任务结果、节省操作或支持产品价值。价值成立后，再按生产任务比较所需智能与成本：高频常规任务要测试专用模型是否足够，高损失事件则需要保留调用更强模型的路径。探索时最方便的选择，不应未经评估就固化为长期架构；价值尚未确认时，也不宜仅为降低单价，让团队先承担复杂的拼装工作。这套方法来自节目对探索与生产的区分，并非嘉宾公布的实施标准。

安全团队的评估应覆盖漏洞从报告到修复的全过程。报告需要测试和理解，模型生成的补丁也需要再次测试。明确验证、修复、回归检查与分发的责任后，才能判断共享机制是否减少了重复劳动。集中处理仍须保留各环境所需的验证，发现工具的能力也不能代替补丁上线前的检查。如果验证吞吐没有提高，更多报告可能只会延长待处理队列。

评估整合平台时，可以沿一次实际任务检查：上下文、记忆、API连接和执行结果分别留在哪里，更换平台时又需要重建什么。这些问题关系到整合的便利，也关系到迁移负担。自建范围同样需要取舍。Arvind认为，纵向整合应聚焦重要优势，商品化环节不必全部自建；他以不再自建晶圆制造、也不必自制金属说明这一边界。开放权重、自部署和全栈控制的价值，要由它们能否形成具体优势来判断。

软件替代项目则需要把验证和切换成本放进立项判断。交互功能可以先验证任务体验；涉及银行查询或财务结账的核心流程，还需同时考虑正确性要求、并行验证期限和切换成本。如果新系统必须长期与旧系统共同运行，快速生成代码节省的只是部分工作。从模型输出到可信行动，从漏洞报告到修复，从原型到能够承担业务责任的系统，成本核算都需要覆盖完整过程。

来源

• 原始节目：Arvind Krishna & Nikesh Arora: Quantum Threat, Open vs Frontier AI, AI Cyber Warfare & SaaS Collapse