夜雨聆风
整理｜HKX Foundation 编辑部
“
这是一场关于 “AI 工业革命” 的密集对话。Naval Ravikant 邀请三位站在不同战场的一线创始人，讨论 AI 不只是让代码写得更快，而是在重写 “How to build”。
从软件工厂、token 使用哲学，到超小团队爆发，真正的变化不是人被工具替代，而是每个人都开始拥有自己的“工厂”。未来的竞争，可能不再是“大公司对小公司”，而是会训练智能体的人对不会的人。
”
01
10x 到 1000x：
工程师的工作是“造工厂”
三位参与对话的创业者分别是：
Guillermo Rauch：他正在把 Vercel 打造成面向智能体世界以及之后一切形态的 AI 云。
Blake Scholl：在打造 Boom Supersonic超音速飞机，在他自己的工厂里制造，同时也在造喷气发动机。
Max Hodak：他正在打造一种生物混合脑接口，把活体神经元培养在硅基芯片上，以恢复视觉等感官功能，但最终是为了探索大脑的新区域和新的感官。
Guillermo：我最近特别关注“软件工厂”的思路。过去评估工程师，是看“你来上班，能不能直接交付产出 B”。现在的评估在变化：你能不能造出一座“工厂”，让它批量产出 B 到 Z 的成果？这带来从 10 倍工程师到 100 倍、1000 倍工程师的跃迁，世界还没完全适应。
Naval：在纯智识和数字领域里，生产力差距一直可能是 100 倍、1000 倍。更何况，选对做什么与做错什么的差距是“无限大”。AI 的杠杆让这件事更不具争议。
Guillermo：但现在有人盯着 token（词元）排行榜，以为“花了很多 token 就等于 100 倍产出”。我更关心 ROI（投资回报率）该怎么衡量。
Blake：用 token 消耗量衡量产出，就像过去用代码行数衡量一样，偏离本质。
Max：Claude或 ChatGPT的表现，往往“映射”你在该领域的水平。高手会觉得很强,初级会觉得它像个初级。你给它的间歇性反馈，这些“微更新”，非常关键，基本决定输出。
Guillermo：我现在提供一种新支持：你说模型给不出好结果，我告诉你怎么改 prompt（提示词）。二次提示的质量，影响巨大。
Max：随着模型进化，提示工程的重要性会降低；现阶段，模型反射的是你的判断力。
02
不看 token，看时间：
浪费词元，换回产出
Naval：我几乎没学那些“秘技”，我假设模型进步会比我学会用它更快，它学会“如何利用我”也更快。所以我蛮力使用：同一个问题丢给 Codex、Claude、Gemini，宁可“浪费 token”也要省时间。无论看起来多贵，都比人便宜。别把 token 当 KPI，看你的时间和最终产出。
就算它写的代码一开始质量不高，上线前再“砸 token”让它通读与重写即可。只要是在可验证、已有解的问题域，它每一代都会更好。至于未解问题的最前沿，那是像 Terence Tao（陶哲轩）那样的水平，需要非常谨慎、紧密地与模型协作，大多数软件工程任务用不着到那个程度。
03
模型开始做“架构师”：
从建议到权衡
Guillermo：一个新变化是，模型开始“自带计划”。你给任务，它会回来说：有三条路线、各自权衡是什么。这像是从“初级工程师”毕业成了“首席工程师”：开始讨论取舍。当然它也会编造内容，比如随意估算工期和 token，但我开始把它当作“可以来回切磋的同行”。
问题在于：资深工程师与初级工程师从模型得到的“增益倍数”不同，前者可能是 10 倍，后者也许只有 2 倍？
Max：这落在架构决策上。比如选 Postgres（PostgreSQL 数据库）还是别的数据库、ZeroMQ（消息队列库）还是别的队列。模型能给建议，但你会基于经验“拍板”。这类“微反馈”现在最重要。
Naval：模型能列得很清楚“为何选 A 不选 B”的权衡矩阵。最近它们甚至会反过来提醒你：超高基数 telemetry（遥测数据）别放 Postgres，考虑 ClickHouse（列式数据库）或 Athena（Amazon Athena 查询服务）。这种“纠正”我也遇到很多次。
Guillermo：我仍在想：现在是人类在“补全模型”；什么时候反过来，模型开始指挥人类去做它做不了的事？比如“去拿这个 API key（接口密钥）”，或“去筹到这笔资金”。显然我们还没到那一步。
Naval：这只是过渡。很快每家优秀的 SaaS（软件即服务）或托管商都会提供给模型可直接使用的 CLI（命令行接口）与 API（应用程序编程接口）。就算没 API，只要是文本或类 Unix（类尤尼克斯）界面，智能体也能“自造”接口。
03
纯软件企业不再具有护城河优势，
真正持久的是生态、平台和硬件
Naval：纯软件的护城河在变薄。模型已经“会英语”，不必通过代码才能交流。硬件创始人反而获益：好软件可以更快做出来。新的“软件工程”或许在于模型的训练、后训练、微调；经典“纯软件”还能否独立成公司与投资门类？
Guillermo：我赞同“构件经济”。智能体不该每次都从头造一套队列系统，只需引入合适的构件，比如这次就用 BullMQ（Node.js 队列库）。让我不放心的，是智能体“为你一个人”重新发明整套与社会协同不兼容的系统（相当于重造高速公路、法律、政策）。能被复用的一切，本质上是“token 缓存”，别用一万亿 token 去重造已有之物，模型总有一个可以派生的起点。
04
不再卡住：从写代码到“氛围编程”
Max：我小时候学编程，能连续写二十小时。现在我几乎不再手写代码，但从去年 12 月起，我做了大量每天在用的软件，却没亲手写代码，我很难想象回到“手写”的未来。
Guillermo：真正重要的是你懂 API、数据流、输入输出、性能预期，能把“我对这一步的期待”清楚传达给模型。这一直比“亲自写”更有杠杆。过去优秀的工程负责人会在 Slack（团队协作工具）或 1:1（一对一沟通）里vibe coding：传递意图与品味，让团队去实现；现在对象换成了智能体。
Naval：我从二十年没写代码，到现在“通过智能体一直在写”。只要懂工程与算法的基本原则，就能走很远。过去最难的是起步与拼装架构和基础设施（Vercel 确实大幅降低了门槛）。而最大变化是，现在不再“卡死”在某个诡异 bug上。智能体能相对很快找到做法，“编程本质上令人沮丧”这件事，已经不再是真的。
05
硬件也能“vibe coding”：
两人设计一台喷气发动机
Blake：我们从第一天就把大量传统硬件工程工作流“软件化”。传统硬件工程大量发生在工程师笔记本上的 Excel（电子表格软件）里（有时夹杂 VBScript 脚本语言），没有源代码管理、没有自动化测试，交接靠邮件发送表格，像回到九十年代。我们搭建软件框架去自动化、让流程可复用、降低迭代成本，但速度受限于“永远不够的软件工程师”。
现在换了种模型：软件工程师造体系结构，硬件工程师用“vibe coding”把自己的部分填上，小团队生产力陡增。比如涡轮叶片：冷态与热态的尺寸和性能不同，需在结构与气动间来回转换。传统上一名工程师一天只做一个叶片的一个环节，一个发动机大约有一千片叶片，传统方式很难规模化推进。现在，改一个几何参数就能实时看到结构与气动结果，两名工程师能设计一整台喷气发动机。
Guillermo：这也意味着企业软件的巨大变局：通用协作工具会越来越受到冲击。内部“随手写出最合适的工具”会成常态。电子表格曾是“平替”定制软件的万能工具，如今也“到头了”。
Max：我几乎彻底从 Excel 切到 Python（编程语言）建模，可以做可信仿真。接下来一两年更激动人心的是：从“生成软件”扩展到生成 STEP（产品数据交换标准格式）文件和 PCB（印刷电路板）布局；当它覆盖机械与电气工程，会打开新世界。
06
软件仍然需要“双手”：
垂直整合与监管自动化
Nivi（主持人）：Max，你们在推进垂直整合与“极端紧迫感”。怎么取舍“自研 vs 采购”？
Max：能买就买，比如 PCB 基本等于免费，亚洲能无限量供给。但我们的产品越接近“一整块由共价键结合的物质”，性能越好，更低功耗、更小、更强、更耐久。要做到真正的系统级创新，很多关键部件市面上没有，只能自己做。这就是我们在美国东海岸自建 MEMS（微机电系统）晶圆厂的原因，否则做不出想要的封装与装配。
AI 的影响会在未来几年全面显现。讽刺的是，当前我们受益最大的环节是监管：自动生成合规文档、快速梳理成千上万条 ISO（国际标准化组织）标准里“必须遵守的那几条”。过去要质量与合规团队干几个月的活，现在 AI 基本“知道”。但归根结底，软件要落地到物理世界，仍需要“手”去做。我们把晶圆厂和公司多处环节高度仪器化，模型一提升，细胞工程、材料科学、蛋白工程等应用就能立即反馈。这些高度依赖具体场景，没有统一答案。
07
从“写代码”到“签字放行”：
人类成为审核者
Naval：监管自动化让我意识到，基础法律文书也不再需要外包律师。法条像“意大利面代码”，相互牵制又没有 API（应用程序编程接口）。工程里，初级工程师“升舱”为高级，初级工程工作交给智能体；在法律里，可以说“法律助理被裁”，也可以说“他们被提升为资深律师，去思考真正的问题”。
Guillermo：软件工程与律师的角色逐渐相似。你不可能知道律师在长文档里塞了什么，你买的是“可信背书”。在基础设施世界，我不要求工程师逐行读 PR（Pull Request，拉取请求），但要对“后果”签字：要么你读懂了，要么你写了测试、仿真、证明、类型检查器，虽未逐行细看，也有信心在生产环境是安全的。
我们或许要接受：产出的代码越来越像“意大利面”，但我们写出强评估器与强测试体系，建立信心，由基础设施/生产工程师拍板“可进生产”。别只盯着从 0 到 1，想想“一千天之后”的软件：安全、测试、生产级、性能与持续维护的 token 成本，是否都有人负责？
Naval：人类正在变成“审核者”。我们用验证数据训练模型，接下来也需要人类为整个栈背书：“大致正确、我愿意大体承担”。
08
自主基础设施：
SRE、优化与安全的自动化
Nivi：你们组织里，有多少软件是自主或接近自主、可以自我改进的？
Guillermo：我们很多基础设施已经是自主的。传统做法是手工设报警阈值，我们自动化了大量 SRE（站点可靠性工程），任一指标的速度或吞吐变化即触发异常，智能体调查并决定是否创建事故；若建了事故，相关人被拉入，智能体开始修复。我们现在只差不给智能体改生产的权限，其他都做到“把方案端到工程师面前”。
另一个很有效的是：自主优化与自主安全研究。我们开源了 deepsec（安全研究工具），在 monorepo（单体代码仓库）上用上万并发智能体云端运行，一两天花约一万四千美元的 token，找到相当于几个季度的安全研究成果——原本要整队红队几个月。网络安全漏洞多、对手强、工作量大，必须主动投入。你可能也看到有人把代码库在语言间迁移：只要程序能正常跑，用前沿模型优化或重写为更“原生”的语言，现在都可行。
Naval：我用vibe coding做的一个小例子：给 TestFlight（苹果测试分发平台）用户做了 bug 队列，上报会带日志与截图。后台有个守护进程汇总、自动分析并修复，然后给我发一版 TestFlight 先验收，再发给测试者。未来甚至可能出现“由用户把 app（应用程序）自己造出来”的极端形态，不一定是好主意，但自动修 bug 完全可行。
Guillermo：可以当个社会实验放出去看看。
09
你的工作是“训练智能体”：
全员一周构建的实验
Blake：我们做过一个实验：全公司停所有项目一周，从前台到工程师，每人用 AI 做一个你认为最重要的东西，并在周末全员演示。我原以为会有大量“玩具项目”，少量“真正推进业务”的；结果相反：大多数都能推动业务，甚至有两三个会改变公司轨迹。
最惊喜的是收发货同事：他的日常是接货、入库、邮件通知。他用 AI 把这事自动化了，我们已经在用。我的结论是：每个人都有“让世界更好”的念头，但第一反应常常很粗糙；只要能从想法走到可用原型，就能快速反应和迭代，一周后就能做出站得住的东西。
Guillermo：想象一下，所有工作都变成“训练Agent”，而不是“亲自干”。这需要文化变革：不断提醒、办黑客松，建立“我的工作是训练会做事的智能体”的直觉。
Naval：甚至可能进化到：打开所有摄像头，智能体观察到收发货流程低效，自己写出应用并呈现。
Guillermo：我们打算在 AI Gateway（AI 网关）推出“选择性保留输入输出”的功能，从你的工作里自动“提取技能”，供个人下载。公司内部也可以汇总共享。
Naval：我个人几乎没可自动化的重复工作了，也希望每个人最终都能在“最大化创造力与兴趣”的区域工作。凡是还能自动化的，一律自动化，把注意力留给创造性杠杆点。
10
AI 能有“新想法”吗？
Max：LLM（大语言模型）或 Transformer（Transformer 架构）能否“走出分布”，产生训练集中不存在的新想法？
Naval：训练集太大，也许很多“新想法”某处已经有迹可循。若真有超出之物，可能在语言之外的自然域：物理、互动、情绪、进化。问题是：人类的创造力并非纯随机，我们能“切穿”庞大空间，排除大片无效区域；AI 在某些边界清晰的领域（比如数学）已开始展现类似能力。但在真正“跳到外面去、让人惊讶”的层面，目前仍是“人类+AI”的时代。单靠人类不够，纯 AI 也尚未到位；我押注这个“人类+AI”的窗口期会比想象更长。
11
更少的人，更多的团队：
小团队爆发与通才回归
Naval：生产力飙升的时代，人更值钱，愿意雇的人反而更多。只要一个人既懂 AI 又有创造力，我比以往更愿意给他杠杆。
Guillermo：我们既招优秀的初级，也招超级资深，只要他们真的会用智能体、适应快。我的判断是：“更大量的小团队”。单个任务的人力大幅下降；短视的人看见“两个工程师造发动机、998 个岗位没了”，但实际结果是“可以造出更多不同的发动机”。创业与创始人会爆发，形成“极大量的超小团队”。
Naval：AI 提供基础智能与领域知识，智能体提供能动性，剩下的是创造力与品味。你不需要为贡献先苦学二十年。门槛下降，通才大放异彩。那些只会“背行话”的“专家”会被 AI 直接替代；真正有价值的，是被训练出的创造力、直觉、品味与判断。现在是“会用 AI 的人”对“不会用 AI 的人”。给自己最重要的投资，是熟练使用这些工具，并随时掌握它们能力的“边界”，而这个边界在不断变化。
AI 工业革命的核心，不是把旧流程自动化一遍，而是让判断力、品味与创造力获得前所未有的杠杆。
当代码、硬件、合规、运维都能被智能体协同放大，公司会变小，团队会变多，个体会更像一座工厂。接下来真正稀缺的，不是会不会使用 AI，而是你能否知道该让它建造什么。
如果你对科技、创业和个人成长感兴趣，欢迎关注“香港X科技创业平台”公众号。我们会持续为你汇整海外最前沿的创业、科技资讯与深度思考。
互动话题：
你认为未来最先被 “软件工厂化” 的工作是什么？在你的工作里，有没有哪件事已经可以交给智能体反复执行？欢迎在评论区聊聊你的观察。
注：
本文编写自 Naval Ravikant 对 Guillermo Rauch、Blake Scholl与 Max Hodak的对谈，仅作学习交流，不代表任何平台或人物立场。
推荐阅读
他们在 Beyond Expo，面对 NBA 传奇球星做了一场特别的Pitch>>>
創科香港基金會(Hong Kong X Foundation)是紅杉中國發起的公益基金會，作為紅杉中國企業社會責任的重要載體之一，兼具智庫與倡導型公益機構屬性，致力於推動香港創科生態發展，支持香港青年科技創新創業，並推動香港及粵港澳大灣區發展成為國際創新科技中心。
香港創科教育中心（Hong Kong InnoX Academy）為創科香港基金會 Hong Kong X Foundation於2022年發起設立的一個創新型政產學研共建的非營利性教育機構，面向香港及大灣區青年人，提供體系化的創新創業教育，以「賦能年輕人以無窮科技創新能力」為願景，結合港深兩地全方位資源，培養學以致用的創新領袖和創業人才。
