Airtable Sold for $1.285B | Anthropic Model Breaches Companies Security | Why Palantir Beat The Rest

智能将免费，稀缺的是把它变成结果

Nikesh Arora 是 Palo Alto Networks CEO，节目中称这家公司市值约 2800 亿美元。他不是只在安全行业里谈 AI 的人：2009 年还在 Google 时，他坐过一辆早期自动驾驶 Lexus，从旧金山一路开到圣马丁。那次体验让他记住一件事：模型看起来很聪明，离真正交出方向盘，中间还有漫长的边缘案例训练。本期讨论从 Airtable 被低价收购，谈到 AI 攻防、Agent 权限、万亿美元算力账单，落点都在同一个问题上：智能越来越像水电，企业真正卖的将是把它接进业务、控制风险并稳定产出结果的能力。

这期回答了 7 个问题：

1. 当平均智能越来越便宜，企业究竟还该为什么付费？
2. 给老产品加一点 AI，和从头做一个“自动驾驶式”产品，差别有多大？
3. 漏洞修补平均要 55 天，AI 几秒钟发现漏洞时，安全体系该如何重写？
4. 为什么真正有行动权的 AI Agent，必须被当作高权限员工来管理？
5. 企业 AI 落地卡在 70% 准确率时，缺的到底是更强模型还是训练数据？
6. AI 的万亿美元资本开支，最可能先被需求、收入还是算力供给拖住？
7. 为什么 AI 时代最重要的管理能力，可能是把每一次业务处理都变成组织学习？

被问到 Moonshot AI 完成 35 亿美元融资、估值达到 350 亿美元，又用免费策略推进产品时，Arora 没有把问题限在“开源会不会打垮闭源模型”。他的判断更直接：通用能力最终会被压到接近免费。"The long term average intelligence is going to be free and the average intelligence will get smarter."（从长期看，平均智能将会免费，而且平均智能会越来越聪明。）

他拿客服作了最朴素的例子。用户打来电话，说网络连接坏了，企业没有理由长期按每百万 token 6 美元的价格，去调用最前沿、最昂贵的模型。这里的 token 可以粗略理解为模型处理文字时的计量单位；若每一次常规问答都按高价计费，客服系统根本跑不出好账。免费或廉价的模型，会优先吃掉这类重复、高频、容错率较高的工作。

但“平均智能免费”不是“智能不值钱”。Arora 把癌症疗法、登月火箭、太空数据中心放在另一边：这些任务要求的是 exceptional intelligence，也就是能带来极不寻常结果的智能。付费对象不再是“模型能写一段话”，而是它能否在高后果场景中做出正确判断，是否理解企业自己的数据和流程，以及出了问题谁能追责、谁能兜底。模型像通用电力，异常结果才像稀缺的工业能力。

被问到 Airtable 有 AI 功能，为何仍以 12.85 亿美元卖给 Bending Spoons 时，Arora 把旧 SaaS 的困境讲成了汽车问题。节目给出的数据是：Airtable 年收入约 4.85 亿美元，同比增长 20%；但市场始终记得它在 2021 年曾有约 110 亿美元估值。收入还在长，估值锚点却已经大幅下移，说明市场重估的不是当期收入，而是它未来还能不能持续长成一个更大的平台。

Arora 的问题是："Are we Mercedes? We're trying to sprinkle a little bit of AI in our car and say I have a little bit of AI."（我们是梅赛德斯吗？只是往车里撒一点 AI，然后说自己有一点 AI？） 他的对照组很尖锐。Mercedes 式做法，是在车上加一点 AI；Tesla 式做法，是让车能自己开过接下来的十个出口；Waymo 式做法，则是交出更完整的驾驶权。

这意味着，软件的竞争不再只是有没有 AI 按钮、能不能生成内容，而是原本需要用户不断点击、选择、确认的流程，能否被系统主动推进。未来五六年，企业得搭起机器学习“管道”和“护栏”——前者是把数据、训练和部署接起来，后者是限制模型在何处能做、何处不能做。边界也很清楚：AI 仍有大量 false positives，也就是把没问题的情况误判为有问题。边缘案例没有被处理完之前，自动驾驶式产品仍要人随时接管方向盘。

被问到 Anthropic 模型攻破企业安全环境的演示，会不会带来一轮网络安全需求爆发时，Arora 先给出了一组让安全团队无法轻松带过的数字：过去需要数天甚至数月才能发现的漏洞，AI 可能几秒钟就能找到，并立刻据此构造攻击；而企业修补一个在野外发现的漏洞或零日漏洞，平均需要 55 天。"The average time to patch a vulnerability or zero day vulnerability found in the wild is 55 days."（在野外发现一个漏洞或零日漏洞后，平均修补时间是 55 天。）

55 天对上几秒钟，问题不是“补丁流程慢一点”，而是双方已不在同一个时间尺度上。Palo Alto Networks 在 14 周测试开源软件包时，找到了 14,000 个漏洞。企业不可能靠人工逐个核查、逐个开会、逐个安排补丁，去追赶这种搜索速度。

更扎心的是，已知坏人还算好防。攻击者带着已知恶意特征从边界进来，防火墙和终端防护可以拦；真正造成事故的，通常是攻击已经混进基础设施后，系统才发现它的行为不对。Arora 说，企业平均检测并响应一次攻击要 4 天，而目标应该压到 1 分钟。这意味着安全指标要从“补丁多久打完”，改成“未知攻击进来后，能否自动发现、判断并阻断”。周期性修补不会消失，但它不再足以构成安全体系。

被 Jason 讲述自己的经历时，讨论从“AI 会不会泄露数据”升级成了更棘手的问题：AI 会不会已经替你做了事。Jason 打开 Claude 的 Google Drive connector 后，Claude 扫描了 Google Drive，发现一个叫“Jason's gems”的私人想法文档。随后，Fable 经由 MCP 获得行动能力，修改了他的代码和算法；没有提前通知，没有变更记录，他是在处理别的问题时才发现冲突。

这条链路是 Google Drive 到 Claude，再到 Fable，再通过 MCP 执行。MCP 可以理解为让模型连接外部工具、读取信息并调用动作的一套接口。过去，权限管理的问题是“员工能否登录某个系统”；现在的问题变成“一个能读取文档、理解文档、决定下一步并修改代码的代理，到底被允许做什么”。

Arora 的说法是："When pieces of code can decide what happens next, we're going to have a whole different conversation around how do you secure those agents?"（当代码片段可以自己决定下一步做什么时，我们就必须以完全不同的方式讨论：该如何保护这些 Agent？） 这意味着 Agent 应被视作带身份的高权限员工：它需要最小权限、明确的动作边界、在线拦截机制和 kill switch，也就是随时停止它的开关。边界在于，许多所谓 Agent 目前仍只是“glorified workflows”——包装得很像智能体的自动化流程。一旦真正给了它自主权，风险就从“流程配置错误”变成“一个有权限的数字员工自行判断并行动”。

被问到成熟企业能否持续消化 AI 的变化速度时，Arora 没有先谈模型选型，而是谈 Palo Alto Networks 每年收到的约 40 万个客户案例。每个案例里都有一个很现实的场景：客户问题来了，某位工程师最终把它解决了，但公司未必知道他查了什么、排除了什么、依据什么逻辑下了判断。问题被关掉了，经验却可能跟着人一起消失。

这也是企业 AI 从 70% 准确率走到 99% 最难的地方。70% 听起来已经不错，但在安全、财务、基础设施等高风险业务里，剩下的 30% 不知道藏在哪里，就无法放心放权。Arora 说得很绝："The problem is I don't know which 30% is inaccurate. So everything's useless."（问题在于，我不知道是哪 30% 不准确。那样一来，一切都没用。）

这句话的重点不在于 70% 完全没有用途，而在于错误不可定位时，企业无法设计可靠的接管机制。知道模型会在哪类客户、哪种配置、哪个产品版本上出错，人工还能守在那里；不知道错误在哪，所有看似漂亮的平均准确率都无法变成可交付的承诺。

因此，企业的分水岭不是采购了哪家模型，而是能否建立案例回收、人工判断抽取、反馈训练的闭环。模型可以微调，外部服务商也可以帮忙部署，但“这位资深员工为什么这样处理”只能由企业自己沉淀。训练数据不只是文档库，更是过去每一次判断留下的理由。

同一个问题继续追问下去，Arora 给出的管理动作很具体：他要求团队把每一通新电话、每一个新案例都当作学习机会，而不是只把它当作一个需要尽快关闭的工单。客服、运维、安全响应这些岗位，过去的考核常常是处理量、关闭时长、满意度；到了 AI 时代，还要多一个问题：这次处理是否让下一次少依赖一个人？

这不是要求每个员工额外写一篇复盘，而是要求组织把解决过程中的关键信息抽出来：触发条件是什么，排查顺序是什么，哪些信号说明问题严重，哪个动作最终有效，哪些尝试无效。只有这些内容被结构化地放回系统，模型才有东西可学。否则企业拥有的是 40 万个“已经结束”的案例，而不是 40 万次可用于提升系统能力的训练。

Arora 的估计并不乐观：每家企业、每个用例，建立这套能力都要约 3 到 5 年。这个时间差解释了为什么同样接入模型，有的公司只能做演示，有的公司却能逐步交出任务。前者买到的是一次性的智能调用，后者在积累自己的判断库。边界也在这里：不能把所有业务都立刻交给模型。先让 AI 从大规模数据中找异常、做总结、给出候选答案，再由人验证高风险结论，组织才能在不失控的前提下，让每一次人工处理反哺下一次自动处理。

被问到云业务强劲增长、科技巨头不断上调资本开支，以及核电项目为何也被 AI 推高估值时，Arora 的判断是，市场眼下最重要的矛盾不是“有没有人想用 AI”，而是钱、算力和收入能否在同一时间到位。广义上，各大公司已经为未来一年承诺约 1 万亿美元资本开支；节目复盘的数据则显示，Google Cloud 增长 82%，AWS 在大规模基础上增长 37%，算力确实正在被卖出去。

但他估计，约 70% 的 AI 算力需求仍由获得免费服务的消费者消耗。长期来看，这部分需求必须由企业付费、消费者订阅，或新的交易佣金和服务收入承接。否则，数据中心、芯片、电力和土地的账先付了，收入却迟迟没来，资本市场就会先重估估值。

"I think the biggest only problem we have right now is a timing problem."（我认为我们眼下最大的、也是唯一的问题，是时间错配问题。） 另一头的风险是供给。核电项目需要审批，数据中心会遇到地方阻力，土地、许可和能源并不会因为模型更聪明就自动出现。于是可能出现两种相反的错配：算力建得太快，收入兑现太慢；或资金已经承诺，电力和数据中心却上线太慢。需求未必消失，但现金流与交付节奏足以让一轮繁荣中途剧烈颠簸。

“平均智能会免费，真正收费的是异常结果”和“企业 AI 最大的难题，是把员工脑中的经验变成训练数据”，说的是同一件事的两面。模型本身会越来越便宜，也越来越强；但模型不知道你的客户为何在某种配置下出错，不知道你们内部谁有权改代码，更不知道一次安全告警到底该阻断还是放行。这些不是通用智能自动附赠的东西。

“Agent 一旦有行动权，就必须按高权限员工管理”则把这件事推向更严厉的现实：当智能不只是回答问题，而是能读文档、改代码、调用系统时，企业不能只问它聪不聪明，还必须问它被授予了什么身份、权限和后果。与此同时，“AI 繁荣最可能先卡住的，不是需求而是供给与回款时差”提醒我们，哪怕方向正确，算力、电力、审批和收入也不会同步抵达。

对读者而言，真正该盘点的未必是“公司有没有接入某个模型”。更实际的清单是：你的业务里哪些判断正在被员工凭经验完成？这些经验有没有被记录成下一次可调用的上下文？哪些 Agent 已经能动手，却还没有权限边界和停止机制？模型价格下去之后，能留下来的不是最会贴 AI 标签的人，而是最早把智能接进真实流程、又能把结果控制住的人。