Ali Ghodsi¶

来源：a16z 2026-09-18

背景：Databricks 联合创始人兼 CEO（Apache Spark 团队出身，网络 / 分布式系统背景）。本库此前只有 Matei Zaharia & Reynold Xin 的技术侧材料，本期是 CEO 侧的第一份。
在本库中的位置：他同时是"企业 AI 采用"的一手观察者和"pacing 之争"的一方当事人；而他把两件事连了起来——⚠️ 前沿不前进对绝大多数组织没什么关系，但对实验室是灾难性的。

立场与核心观点¶

一、RSI 的四个判据（本库最该长期引用的部分）¶

⚠️ 他要求四条同时成立（[00:12:03]–[00:13:04]）：

下一个模型需要更少的资源、更少 GPU——而且是超线性地更少。
下一个模型训练所需时间也更少。
模型的准确率 / 智能在提升。
前三条可以一次又一次地重复。

⚠️ 缺一条就自动刹车："如果资源需求恒定，那没关系——因为我们会把硬件用光，它会自己 pace 自己。" 他还留了一句很克制的话："我甚至不知道这四条成立是否必然导向超级智能——但它可能。"

⚠️ 而他给的现实证据方向完全相反（[00:14:05]–[00:15:06]）：每家实验室一年只有一两次这样的训练；下一个模型要更多资源、更多人、而且更脆；每多塞一个数量级的 GPU 就得担心以前不必担心的错误类型；"已经有多次训练被搞坏了。" 他自己给的 RSI 现状对照：⚠️ "Databricks 里 90% 多的软件已经是 AI 写的。最后那几个百分点是不是也由 AI 写，重要吗？其实没那么重要。"

二、pacing：他愿意被监管，理由是公地悲剧¶

⚠️ "作为一个商业领袖我理解：我在竞争，我想赢。"（[00:06:00]）所以"你想慢就自己慢"不成立——我不会单方面停，那我就是傻子；于是逻辑成了"你们能不能进来管管我们？给我们套上护栏，我们会很乐意遵守。"
⚠️ 他对"pacing 是什么"的辩护来自企业日常（[00:08:02]）：Databricks 的法务与安全部门"总是让所有事情都慢下来，不只是 AI，是每一件小事"；所以 "你在跑 RL 实验、训下一个模型，安全团队该不该坐在那里跑他们所有的监控？如果坐那儿看完，会显著把他们拖慢。"
⚠️ 但他在风险叙事上站在克制一侧（[00:02:00]）："目前的生存性风险接近于零。那为什么要把所有人吓个半死？" 他认为朝几百万人宣称"10% 概率全人类被抹掉"是不负责的，因为不在技术细节里的人会被压垮——"如果 AI 研究里有技术上的微妙之处，研究者可以讨论那个"。P(doom)：接近于零（[01:05:24]）。
⚠️ 他指出两边都有政治（[00:04:00]）：商业一侧有人"别搞坏我的 IPO"、"大家能不能都闭嘴，让我们把钱拿回来"，有资源、能拉关系；另一侧则在"怎么把这件事武器化"。
⚠️ 他对"实验室互评"的评价（[00:30:12]）："如果拳台上打拳，拳手应该互相当裁判吗？不行。他们会一直喊犯规——对方一放出好模型，马上就是'啊，巨大的超级智能风险'。" 所以要第三方；而关键在于检查员选谁（"你可以叠人选"）。⚠️ 他给的判据很聪明："如果 Yann LeCun 进去看完出来说'没什么可看的'，我会感觉非常好；而如果他立场有所松动，那也是非常有意思的信号。"
⚠️ 自律会滑向监管（[00:33:12]–[00:34:12]）："如果他们自己在说有生存性风险，然后又说'来管我们'，监管者要说不是非常难的。到目前为止监管者是这么说的，但我认为这撑不了太久。"
⚠️ 他对 Elon"四维象棋"指控的回应（[00:31:12]–[00:32:12]）：这些东西是混在一起的——有人真被吓到、有人认为"有个法规来 pace 我们对我们是好事"、而人确实有既得利益；⚠️ "人们通常总能找到办法，让所有这些东西在自己脑子里和谐地对齐。" 他还点出"每训一个新模型就大声宣扬它有多危险"这种营销手法的存在——"所以也许这些事并不矛盾。"

三、他把风险落在 cyber 上，而且给了数字¶

⚠️ 两个被混为一谈的问题（[00:26:11]–[00:28:11]）：超级智能（他把来源明确指到 Bostrom 2014 那本书，"那些定义相当疯狂"）——如果存在，那确实是生存性的，而这点大家都同意；和今天的 agent——"但这些 agent 是有能力的，而你能用它们做到人类历史上从未能做的事。所以一个拐点已经发生了。" ⚠️ 他的例证："我永远不可能说'把一万个安全研究员放进沙箱跑一个月'、做价值一亿美元工资的工作。现在我们可以了。"
⚠️ 他对大规模 RL 的风险描述比对超级智能的具体得多（[00:10:02]–[00:11:03]）：给一万个 agent 一亿美元在巨型集群上跑一两个月去解任何东西——"甚至不必是个安全任务，可以是'解这道数学题'，真正糟糕的事也可能发生。" 更强的情形：⚠️ "你可以想象它开始跳跃——占用资源、在别处执行自己，有点像病毒那样扩散。"（他明确说这一次它没有那样做。）
⚠️ CVE 从公布到被武器化的时间曲线（[00:24:11]）：2018–19 年约两到三年 → 2022 年约八九个月 → 现在基本是小时级。（他在 [00:32:12] 又说成"分钟"，⚠️ 本库照录这个不一致，取其量级。）
⚠️ "数据与 AI 正在和 cyber 融合，这两个市场在塌缩。"（[00:23:10]–[00:25:11]）机制是：公司内部跑着 agent、agent 还在和别人的 agent 打交道，产生大量日志、痕迹、指纹，而需要分析的规模比一两年前高了很多个数量级。
⚠️ 行业现状他判断得很悲观（[00:22:09]）："大多数组织离做到这件事都不接近。银行在做，一些特别注重安全的在做，但今天业界大部分还在跑老派的安全运营中心"——每天几百封告警邮件，很多误报，根本没时间看完；还缺自动化的威胁狩猎。

四、企业为什么还没落地：context，不是智能¶

⚠️ "模型已经足够聪明了，它们缺的是组织内部的 context。"（[00:40:13]）模型没参加过每一场会、不知道每个人脑子里有什么、不知道所有流程。 ⚠️ 推论："我们不需要一个能解 Navier–Stokes 或在 Humanity's Last Exam 上从 60% 提到 70% 的模型。" → 前沿不前进对绝大多数组织没关系；⚠️ "不过这对实验室会是灾难性的，因为智能的价格正在渐近式下降——大概每六个月降到十分之一。"（口述估计，本库未核实。）
⚠️ 他用一个举手调查反驳"AGI 已到"（[00:38:13]–[00:39:13]）：从去年 Q3、Q4 起几乎一直有人说"AI 比我周围大多数人更聪明"；但问"你们当中有多少人在管理成百上千个组成蜂群、互相谈判的 agent，举手"——几乎没有人举手。 ⚠️ "他们在用 chatbot 问问题，那基本上是一个非常美化、非常高效的旧日 Google 搜索。"
⚠️ ontology（他给的定义与判别法）（[00:45:16]–[00:46:16]）：组织里所有抽象概念、目标、部门、人、项目各自指什么、彼此什么关系。 判别法极好记："两个人同样聪明勤奋、教育背景相同——一个今天第一天上班，另一个干了五年。区别是后者拥有这家组织如何运作的 ontology。"
⚠️ Google 索引类比（本库认为最可迁移的一条技术论证）（[00:46:16]–[00:48:17]）：今天的 agent 是一个一个去查资源（一个个 MCP server）再综合，"而这挺慢"；如果 Google 25 年前这么做搜索——每次极贵、要等十分钟、质量还差（只看了极小的子集）。⚠️ "他们怎么做的？他们有索引……ontology 就是那个要在线下持续计算的索引。" 比 PageRank 更难的三点：权限、隐私与访问控制、对象类型远不止网页一种。
落地的第一步最难（[00:44:16]）：⚠️ 每场会都要转录、全部数字内容都要喂进去——"而法务团队会说：不要录每一通电话。"
⚠️ 他自己公司的效果（自述）（[00:48:17]–[00:51:18]）：Databricks 的 ontology 比任何客户都大，"图里几百万乃至上千万个节点"；"会议上所有人都在手机上用 Genie 提问"；那个轶事——他要"财富 500 强渗透率"这个数字，问销售运营被答"我在飞机上登不上 Genie"，⚠️ 改问 CFO 结果对方直接贴了一张 Genie 截图——"这儿还有人做点新鲜事吗？"
⚠️ eval 是真正的瓶颈，而他讲了一个很少有人愿意讲的失败（[01:00:22]–[01:01:22]）：他们在产品里自动生成 eval 并放在最显眼处，"但人们不想用；挪到后台做成可选的，然后他们就再也不去了。" 他的类比："软件工程里真的有人做 TDD 吗？很少。所有人都说那是对的方式，但实践中没人做。" 结论："训练自己的模型的诅咒，就是 eval 才是难的那部分。"

五、成本工程：从 token maxing 到 value maxing¶

时间线（[00:53:19]）：去年 Q4 模型变得真正好用，他自己开始往生产环境提交代码并据此推动全公司（"如果 CEO 能在一个有各种安全要求的敏感数据平台上把代码提到生产，你也应该能"）；⚠️ token maxing 在今年二三月就已经失控。
他们做的事（[00:54:20]–[00:55:21]）：Uni Gateway 上加按人/按组的预算约束与警告；做分析预测成本；智能路由（接近预算或问题简单时自动挑便宜模型）；自建 Omniagent 在不同 harness 间多路复用。⚠️ 最该记的发现："同一个模型、同一个版本，换 harness，实际成本差了将近 2 倍。" 结果：token 持续上涨，但成本基本持平。
⚠️ 开源占比（自述）（[00:57:21]）：按美元算约 5%，按 token 数算超过 60%。
⚠️ "我们会走到一个不再对所有事都用最聪明模型的世界——而那恰是过去两年的范式。"（[00:56:21]–[00:57:21]）他见到的做法是expert 模式（小模型调大模型或反之）+ 多路复用 harness；并给了一句很实在的："人们真的会用自己的 harness 去重命名文件——至少那个你自己敲一下吧。"
后训练（[00:58:21]–[01:00:22]）：2023 年买 Mosaic 时"我们也帮你预训练"这部分"根本不成立——现在有太多很好的预训练模型"；⚠️ 成立的是"拿一个很好的开源模型 + RL 做到在某个特定重复任务上极强"——成本能砍、速度能快、IP 归自己；但"大型企业只需要基础的自动化，现在让它们做这个太过了"。
⚠️ Neon / Lakebase 的产品方法论（[01:03:23]–[01:05:24]）：他们执着的不是赢数据库战争，而是"我们怎样成为对 agent 最好的那个"——一切远小于一秒、能在一秒内克隆巨大数据库、branching、以及不让实验烧钱的定价。他把这归入 UV、ripgrep 那个模式：把 Unix 工具重新实现成极快、极轻、对 agent failsafe。⚠️ 结果（自述）："现在 Neon 和 Lakebase 上创建的数据库里，超过 90% 是 agent 创建的，不是人。"

与他人观点的呼应/分歧¶

⚠️ 与 Martin Casado 的当面分歧是本期主轴：Casado 认为 "pacing"是公关失误、正确的词是 "secure"（"你可以慢慢地造一件武器——那和造武器没有区别"），并把多数所谓 RSI 归为自催化（"其中大概只有 1% 真的是 RSI"）；Ghodsi 认为pacing 在企业里每天都在发生，而且他愿意被管。
⚠️ 他的四条判据与 Charlie O'Neill、Beren Millidge 在 Dwarkesh 那期的技术论证是同一结论的两种语言：他从"资源/时间/精度/可重复"四个外部量去要求，那两位从"bits 从哪来、环境阶梯多难爬"去解释为什么这四条很难同时成立。
与 Steven Sinofsky：Sinofsky 的"企业里所有有趣的事都是例外处理，例外只在人脑里"与 Ghodsi 的 ontology 论证是同一诊断的悲观版与乐观版——⚠️ Sinofsky 说那些知识不在字段里，Ghodsi 说那就把它建成图。
与 Matei Zaharia & Reynold Xin：同公司；Omniagent 与那边记录的 Omnigent 应为同一物，"harness 换一下成本差 2 倍"是对那条"跨 harness 公共 API"路线的直接经济论证。
与 Richard Socher：都反对把风险讲成生存性风险、都主张管应用；但 Socher 认为监管智能本身不可行，Ghodsi 因公地悲剧主动请求被监管。

⚠️⚠️ 2026-10-17：四判据被第三方转述，而转述走形了¶

来源：All-In 2026-10-17

Ben Horowitz 在 All-In 上把本页上面那四条判据当作论证的核心前提，点名归给 "Databricks 的 Ali"（"他有一个很好的表述：那件事的前置条件是什么？"）。✅ 四条的转述基本准确（更少 GPU 且"不是少一点，是少很多" / 更少训练时间 / 更高准确率 / 一次又一次地重复），本库据此确认这个框架正在从技术讨论扩散成公共论辩的工具——⚠️ 这是本库第一次看到一位研究者/CEO 提出的技术判据，被一位顶级投资人在大众播客上用来否证一整类政策主张。

⚠️⚠️ 但有两处走形，本库不采信转述版：

"这四条一条都没有被满足。我们也不在满足其中任何一条的轨道上"（All-In 10-17 [01:28:05]）。⚠️ 第三条（下一个模型的准确率更好）与本库全部材料冲突，也与 Ghodsi 本人的表述冲突——他给的现实判断是第 1 条失败（a16z 2026-09-18 [00:14:05]–[00:15:06]：下一个模型要更多资源、更多人、而且更脆），不是四条全败。✅ 本库的处理：框架按本页原版采信（原版还要求第 1 条是"超线性地更少"），"零条被满足"记为转述误差。
原作者的那句克制在转述中丢失了：Ghodsi 自己说过 "我甚至不知道这四条成立是否必然导向超级智能——但它可能"，即他把四条当必要条件、并明确不声称是充分条件；⚠️ 而转述把四判据直接当作充分条件来否证风险（落点是"所以我们真正谈的是一个完全理论性的风险"）。✅ 本库标注：必要条件不成立只支持"当下不在起飞轨道上"，不支持"风险是理论性的"——这一步是转述者加的，不是 Ghodsi 的。

⚠️ 另记一处语境差异：Ghodsi 用四判据的目的是解释为什么他认为生存性风险接近于零、同时仍然愿意被监管（公地悲剧那条论证不依赖四判据）；而转述方用它的目的是论证末日论本身是"AI 里正在发生的最危险的事"。✅ 同一框架被接到了方向相反的政策结论上，本库并列记录，不裁决。