我觉得Cisco（思科）2月4日的这场第二届AI Summit有点被忽视了。这是一个总时长约6小时，没有产品发布，没有销售推介的大会。全天都是真刀真枪的一对一炉边对话。Cisco董事长兼CEO Chuck Robbins和总裁兼CPO Jeetu Patel做东，基本上围绕一个主体：组织如何吸收AI技术能力？
大会也可以说是众星云集。
AI平台巨头悉数到场，山姆·奥特曼（Sam Altman，OpenAI CEO）、Kevin Weil（OpenAI科学VP）、Mike Krieger（Anthropic CPO，Instagram联合创始人）。
云与基础设施一侧，Matt Garman（AWS CEO）、Kevin Scott（Microsoft CTO）、Amin Vahdat（Google AI基础设施CTO）分别代表三大云厂商。
芯片端，是陈立武（Lip-Bu Tan，Intel CEO）和黄仁勋（Jensen Huang，NVIDIA创始人兼CEO）。
企业软件由Aaron Levie（Box CEO）和Dylan Field（Figma CEO）出战。
李飞飞（Fei-Fei Li，World Labs CEO）带来空间智能的前沿视角，Marc Andreessen（a16z联合创始人）提供投资人和产业史观。
地缘话题由Brett McGurk（Cisco国际事务顾问，前美国白宫特别总统特使）和Anne Neuberger（Cisco战略顾问，前美国白宫副国家安全顾问）覆盖。
Tareq Amin（HUMAIN CEO）代表中东主权AI力量，Fran Katsoudas（Cisco EVP兼首席人才官）则代表跨国公司谈AI对人才和组织的真实冲击。
压轴的是黄仁勋，对话在晚间7:30进行，经历了亚洲四五个城市连续出差、凌晨一点起床赶场。
话不多说，这是按出场顺序整理每位嘉宾的核心干货。
一、Chuck Robbins（Cisco董事长兼CEO）：信任是AI时代的基础货币
Chuck Robbins的开场定了全天基调。他说2026将是agentic应用的转折年，这可能是"我们见过的最大一次技术变革，而且速度比以往任何一次都快"。
他反复强调的关键词是信任——对数据的信任、对模型的信任、对基础设施的信任、对Agent的信任、对合作伙伴的信任。这个话题在达沃斯是核心议题，在AI部署中更是前置条件。"如果你不信任这些系统，你永远不会用它们。"
他还指出，部署Agent之后，流量模式会变、延迟要求会变、安全架构必须重构。Cisco正在和Nvidia、AMD、OpenAI、Anthropic、HUMAIN、G42等合作伙伴一起摸索这些变化的实际影响。
二、Jeetu Patel（Cisco总裁兼CPO）：AI的三大约束与Cisco的全栈布局
Patel把AI的发展划分为三个阶段：智能聊天机器人（2022年启动）→ Agentic AI（2025年实验，2026年见ROI）→ 物理AI（机器人和大型世界模型正在加速）。然后他抛出了一个贯穿全天的框架：AI面临三大约束。
1、基础设施约束。电力、算力、网络带宽、内存、数据中心外壳——全都不够。行业正在投入万亿美元级别的资金。
2、信任赤字。安全第一次成为技术采纳的前提条件，而非生产力的对立面。不只是用AI做网络防御，还要保护AI本身。Cisco去年发布了AI Defense产品，CVS和NEC已经开始在生产环境使用。
3、数据缺口。公开互联网上的人类生成数据正在耗尽，合成数据和机器生成数据正在爆炸式增长——Agent 7×24运行会持续加速这个趋势。
几个重磅数据：Cisco 70%的AI产品已使用AI生成的代码。2026年内至少半打产品将100%由AI编写代码。人类的瓶颈从"写代码"变成了"读代码和审查代码"。
他提出的核心问题也很犀利："AI推进的速度远快于组织吸收它的能力，这本身就是一个必须解决的问题。"Token生成将成为每家公司和每个国家的核心货币——经济高效地生成token的能力，将直接关系到国家安全和经济繁荣。
三、山姆·奥特曼（Sam Altman，OpenAI CEO）：Codex是ChatGPT之后的又一个"魔法时刻"
主题：从编码工具到AI公司，能力过剩与吸收困境
1、Codex让他感受到了ChatGPT级别的冲击
奥特曼说Codex是他近期对AI最大的认知更新。"模型真正突破了某个阈值，界面和使用方式终于跟上了。"他认为这是第一次真正看到了知识工作未来的清晰面貌。Cisco是Codex的第一个设计合作伙伴，AI Defense产品将在2-3周内实现100%由Codex编写代码。
上限在哪里？"完全由AI运营的公司。"编码模型不仅能写复杂软件，还能与现实世界交互来围绕软件建立一家公司。
2、"把它当队友，别当工具"
Cisco的一位工程师点醒了他们：你们一直把Codex当工具用，效果有限，应该当成协作者。奥特曼说这种思维惯性("skeuomorphic design")是普遍存在的——人们还在用事务性心态对待一个已经具备协作能力的系统。"Codex应用是我第一次真正感觉在和一个协作者工作，而非使用一个工具。"
3、能力过剩达到了历史峰值
当前AI的能力过剩感"比ChatGPT发布前夕还要大"。模型已能做小型科学发现、写完整软件、做通用知识工作，但扩散速度"出乎意料地慢"。他承认自己之前太天真，但提出了一个严肃警告：无法快速采纳"AI同事"的公司将处于巨大劣势，"这需要大量工作和一些冒险"。
4、非显性约束比显性约束更棘手
电力和硬件是显性约束。非显性约束包括：安全与数据访问如何与模型效用平衡（需要发明全新的范式）；所有软件需要重写以同时适配人类和AI使用（他举了Slack的例子——Agent读完消息后把所有未读标记为已读，打乱了他的工作流）；现有计算机硬件和权限系统不适合"AI全程监听你的会议和屏幕"的always-on模式；法律体系也没准备好。
5、开源和本地模型是刚需
"未来你会有一个看到你整个人生的AI设备，24小时开机。至少我个人，非常希望那个东西跑在我自己控制的推理上。"被问到美国在开源方面是否落后，他直接说"是的，我担心"。为什么OpenAI不做更多开源？"Focus和时间，但我们需要解决。"
6、2026年底模型能力主观感受会提升10倍
被追问具体量化，他说"主观感受大概10倍"，虽然难以精确衡量，但这是合理预期。模型进步是最大的顺风，全球性动荡和供应链中断是最大的逆风。
四、陈立武（Lip-Bu Tan，Intel CEO）：内存才是最紧迫的AI瓶颈
主题：Intel的全栈复兴与被忽视的硬约束
这位75岁的传奇CEO10个月前接手Intel。他说最终决定接任是因为"这是一家标志性公司，对产业和美国都很重要"，说服太太让他"再来一次"。
1、18A制程正在走上正轨
他接手时良率很差，花了大量精力拉来PDF Solutions、KLA等设备伙伴帮忙，现在实现了每月7-8%的良率改善（业界最佳实践水平）。已有客户开始主动敲门要用18A。14A（1.4nm，最先进制程）计划2028年风险量产、2029年大规模量产。下半年将看到代工客户的量产承诺——"当你看到我开始采购关键材料和资本设备时，就意味着真正有客户签了约。"
2、内存是最被低估的约束
他和全球仅有的三家HBM厂商中的两家频繁沟通，得到的答案是"2028年之前没有缓解"。Nvidia的下一代产品需要大量内存，整个AI行业在疯狂吸收内存产能。
其他关键约束排序：散热（风冷已经不够用，液冷、微流体冷却、浸没式冷却是方向）；光互连（从铜缆到光学已成刚需）；集群管理软件（Kubernetes找不到真正问题，新创业公司正在涌入）；摩尔定律周期从3-4年压缩到3-4个月。
3、Intel的全栈野心
CPU继续做，GPU也要做（已挖来顶级GPU架构师），同时拥抱RISC-V和ARM，不再只押x86。代工业务要做成通用代工——不只造自己的芯片，也服务外部客户。还在押注新材料：玻璃基板（优秀绝缘体）、人造钻石、氮化镓（射频和开关领域）。
4、开源
"几个很懂行的人告诉我，美国在开源上已经落后于中国了。"DeepSeek只是一个wake-up call。
6、给企业的建议
"想清楚你要解决什么问题、要什么结果。别在老旧遗留系统上直接叠AI，那行不通。要从基础开始重新审视。"他自己刚招了"能找到的最好的CIO"来彻底改造Intel的IT基础设施。
五、李飞飞（Dr. Fei-Fei Li，World Labs CEO）：空间智能是AI的下一个前沿
主题：从语言到三维世界，世界模型的科学与商业前景
1、为什么空间智能比语言智能更基础
李飞飞从进化视角切入：感知比语言早了5亿多年。动物先学会看光、触碰环境，才发展出神经系统，才有了进化军备竞赛。语言智能撑死50万年历史。"理解、推理、交互和导航真实三维四维物理世界的能力，和语言智能一样是基础性的。空间智能是连接两者的关键技术。"
2、Marble模型：第一代空间智能前沿模型
Marble接受多模态输入（文本、图片、视频、3D数据），生成可导航、可交互、永久一致的3D世界——这和当前的视频生成模型有本质区别。它具备几何结构，可以支持模拟机器人动作或编写游戏。两个月前发布，目前是3D生成式世界模型的最先进水平。
已有的应用让她自己都意外。游戏开发、影视虚拟制作、机器人训练环境、建筑设计都在预期之内。但精神科研究是意外收获——OCD患者的触发场景高度个性化（"我个人被脏衣服触发"），研究者很难手动创建这些环境，Marble几分钟就能生成多种版本。还有人用它做个性化瑜伽训练环境。
3、世界模型远小于语言模型，但追赶速度会很快
GPT-5的训练大约是10^26 FLOP，Marble还小几个数量级。原因有两个：3D/4D数据远不如文本丰富且干净（"我太羡慕做语言的朋友了，输入输出都是全可观测的单一模态，而且文本语义非常干净"）；这个领域比语言模型年轻得多，Transformer论文2016年发表至今近10年，世界模型还在相对早期。
但有几个加速因素：更多人加入、算力更强大、生态更成熟、数据供应商三年前都不存在。而且World Labs自身产出的内容也会成为模拟数据的飞轮。
4、对通用机器人的诚实判断
"北极星很清楚，不代表旅途很短。"自动驾驶从2006年Stanford团队在沙漠跑138英里，到Waymo去年上路，用了近20年。汽车是"在二维平面上移动的方形机器人，唯一目标是不碰东西"。通用机器人是三维物体在三维世界工作，目标是"以不弄坏东西的方式触碰东西"，维度高得多。手部灵活性尤其困难。"我作为科学家不喜欢过度承诺。"
5、AI极化叙事的危害
她说最让她担忧的是AI讨论的极端两极化——要么技术乌托邦（仿佛技术从来不是双刃剑），要么末日预言（仿佛人类每分钟都在面临存亡危机）。"这不是一种负责任的方式来讨论一项对文明如此重要的技术。"她呼吁更多nuance（细微差别），既有用技术向善的乐观，也有负责任使用的自觉。
6、AI成功的定义
"如果150年前我们在台上讨论电力的成功是什么样，我希望答案是：学校亮了，家庭暖了，机器赋能了工业化，寿命延长了，更多孩子能上学了。AI的成功也是一样——文明变得更好，每个人都能追求幸福、繁荣和尊严。"
六、Dylan Field（Figma CEO）：我们还在AI的MS-DOS时代
主题：设计的未来、角色演变与品味的不可替代性
1、当前Agent交互范式是有限的
现在的Agent模式是"启动→执行→回来交差"。未来会有长期运行的Agent（可能跑一整年），也会出现超越文本输入框的新交互方式。Field认为我们处在"AI的MS-DOS时代"——文本提示只是导航潜在空间的一种方式，不是唯一方式。
2、角色不会模糊，职责会模糊
他之前说了10年"设计师、工程师、PM的角色会融合"。模型变强之后他修正了看法：角色还在，但职责在模糊。AI让每个人都没借口说"我被其他角色卡住了"——"你应该直接去解决问题"。更多人会做原型，更多人会做设计，也会有更多人和客户交谈。
3、可审计性比自主性更重要
"如果你现在完全信任Agent在沙盒里独立工作，你是一个非常勇敢的人。"他认为未来的方向是人和Agent在同一画布上协同工作（类似Google Docs的多人编辑模式），而不是Agent在黑箱里独立运行。
4、品味可以学习，但它是终极稀缺资源
他区分了"品味"和"设计"：设计有客观的类别错误可以避免，品味更偏个人修炼。在AI能批量生成选项的时代，有观点的输出比generic slop更有价值——"如果AI给你一坨平庸的东西，你没什么反应。如果它给你一个很有态度的东西，你一定会有真实反应，然后去调整它。"
当前最稀缺的资源是注意力。你必须在视觉上脱颖而出。他预测我们即将看到一场"创意爆发"，各种大胆表达涌现，有些会失败，但这是产生伟大结果的必经之路。
5、给企业的建议
"你可以用AI大幅加速，但也可能交付更差的产品。"在你的组织文化中，谁决定产品何时发布？质量把关机制（尤其是设计师的参与）比以往任何时候都关键。没有这个gate的文化会吃亏。
七、Aaron Levie（Box CEO）：编码之外的知识工作为什么这么难AI化
主题：Context for agents是未来十年的核心企业挑战
1、编码天然适合AI的五个属性
Levie给出了最清晰的分析框架：编码之所以率先突破，是因为代码可验证（跑得通或跑不通）、权限简单（工程师通常访问所有相关代码）、纯文本介质、有文档化习惯、工程师习惯为他人记录工作。
把这些条件逐条对照营销、法务、销售、财务——每一条都不成立。知识工作充斥着隐性上下文、复杂权限矩阵、非结构化信息、不成文的流程。"这就是为什么你会在多年里持续看到认知失调：编码AI在爆炸，其他领域还在挣扎。"
2、"我们必须适应Agent的工作方式"
这是他最核心的判断。现在用AI编码的工程师每天写的是spec和markdown文件，为Agent服务。"去告诉你的营销或法务人员这就是未来的工作方式。他们没准备好，但这就是必须走的路。"
3、Context for agents涉及至少10个变量
给Agent的上下文太少它做不了事，太多会出现"context rot"（上下文腐烂，Agent表现反而变差）；要确保Agent不访问不该访问的信息；要确保用户的权限设置是最新且权威的。这些变量必须同时做对。
4、SaaS没有死
两个理由。第一，Jeffrey Moore的core vs context框架没变——没有公司会把稀缺资源用来自建ERP，客户不关心你的ERP怎么来的。第二，当Agent数量比员工多100-1000倍，每个都是非确定性的，那个做"交通管制"的确定性系统（SaaS）反而价值更高。
5、用Agent做更有野心的事
"不要只用Agent做小事。以前太有野心的想法被搁置是因为验证周期太长——三年才知道能不能产生价值。现在两周就能搞出来验证。用Agent做更大的事，而非更小的事。"
八、Kevin Scott（Microsoft CTO）：感谢AI在人口危机到来时出现
主题：人口结构、零和困境与平台公司的耐心
1、日本今年高中毕业生达到历史峰值，此后只会下降
他的一位日本教育机构负责人朋友随口提到这个数据，让他震惊。中国、韩国、西欧都在人口下降通道，美国去除移民因素也是。老龄化人口增长快，劳动力减少，需要技术介入来维持社会运转水平。"感谢AI在这个时候出现"——这是一个至少部分的解答。没有AI，很多问题将变成残酷的零和博弈。
2、编码Agent已经让最优秀的工程师也感到吃力
Microsoft内部最激进的团队，全面使用编码Agent的工程师年推理成本约15万美元。软件工程的未来是"少关心键盘上敲了什么字符，多关心你是否真正理解在建什么以及为什么"——这其实一直是最好的工程师在做的事。
他的担忧是"把活动量当进展"——"你能用Agent喷出大量代码，但没人说那就是好代码。"
3、乐观场景和悲观场景
乐观：AI解决人口和劳动力带来的零和困境。悲观：我们用AI来进一步分散注意力和制造肤浅内容。他说自己的孩子"一半时间用AI做生物医学工程项目，另一半时间生成绿色大屁股羊驼然后贴上别人的脸"。
4、关于Microsoft最被误解的事
Microsoft是一家平台公司，DNA就是"造东西让别人在上面再造东西"。50年平台经验让他们对技术变革的混乱有"无限耐心"——不会等理想条件出现才动手，会跳进去，犯错，纠正，继续。芯片方面，Microsoft有自己的芯片（很棒），同时有巨大的Nvidia和AMD机队——"什么最有成本效益，就规模化部署什么。"
5、他最希望改变的事
"记住技术还是工具。它没有变成别的东西。没有不可阻挡的趋势线在决定一条唯一的路。一切取决于我们选择用这个工具做什么。如果我们每天上班前都想一想'我今天做的事是不是在服务我的同胞'，我们就会处在一个很好的位置。"
九、Tareq Amin（HUMAIN CEO）：沙特的全栈AI野心
主题：6周找到211块地和14GW电力的政府效率
1、HUMAIN的全栈定位
2024年8月成立，五个法律实体覆盖数据中心（壳体、机械、电力）、多样化芯片、阿拉伯语模型、应用、AI咨询。沙特的核心优势是电力——超过15GW的可用容量，20%可再生能源，TCO比其他地方便宜20-30%。
2、政府效率的震撼案例
Amin向能源部长提出需求：找到有电力的变电站加上临近的政府用地。6周内，16个政府部门集中办公，找到了211块土地、超过14GW变电站容量，不需要新建变电站。"这是我见过的最不可思议的公私合作。"
3、世界第一个Agentic操作系统
HUMAIN内部正在运行一个基于定制Linux发行版的操作系统——应用降为二等公民，员工不再看到任何app，只需声明意图，Agent执行工作。无论是跑薪资、绩效管理还是采购财务，都没有传统应用界面。"员工是策略执行者和Agent的治理者。"计划2026年4月发布HUMAIN OS。
他的核心观点：为什么只有13%的企业觉得从AI获得了价值？"你不能把模型粘在遗留平台上就指望看到生产力提升。"
十、Matt Garman（AWS CEO）：峡谷上的木板与A100服务器从未退役
主题：AI-first云、成功指标与太空数据中心的现实
1、最大的差距在于成功标准不清晰
他讲了一个精彩对比。两位医院管理者都部署了AI环境监听，自动生成医生笔记和保险文件。第一位说"医生有更多时间和家人吃饭了，但我一分钱没省"。第二位说"我最担心的30%医护流失率现在降下来了"。同样的技术，一个觉得失败，一个觉得成功——区别在于有没有提前定义正确的成功标准。
客服和编码场景通常有好指标。通用生产力提升的指标大家还没想清楚。
2、"峡谷上的木板"比喻
巨大峡谷上架一块木板，你会趴着爬。加上扶手和护栏，你就能跑。木板没变，安全感让你加速了。企业需要Agent的guardrails才敢快速推进——有个Agent差点删除AWS生产环境基础设施。
3、从头就用AI编码的团队效果最好
AWS内部有团队强制要求"不写一行代码"，全用提示词驱动。AI积累完整上下文，自动文档化和测试，形成飞轮。但对复杂遗留系统（如S3），加速效果还不够大。"越往底层走越难。"预计6-9个月突破。
4、A100服务器从未退役过一台
因为需求大于供给，且有结构性原因——某些HPC客户需要更高浮点精度，新一代芯片的降精度策略反而不适用。去年AWS新增近4GW数据中心容量。
5、主权AI的真实焦虑
达沃斯上几乎每个欧洲公司的开场白都是"我们信任你，但不确定能不能信任你们国家"。他们担心对方政府会"关掉他们的开关"。AWS两周前发布了EU Sovereign Cloud——完全独立子公司，在欧盟注册，受欧盟法律管辖，独立治理委员会，所有数据（含元数据和登录信息）留在欧盟区域内，甚至测试过断开与AWS骨干网的连接。
6、太空数据中心还很远
"人类还从未在太空建过永久结构。"火箭运输成本太高，即使SpaceX说要发百万颗卫星，目前也没有足够运力。有趣但不经济。
十一、Brett McGurk与Anne Neuberger：地缘政治与AI安全
主题：200枚导弹、网络战与AI监管的困境
嘉宾：Brett McGurk（Cisco国际事务特别顾问/Lux Capital风险合伙人）& Anne Neuberger（Cisco战略顾问/前白宫副国家安全顾问）
1、AI已跃升为国家安全议程的头号议题
Brett直言：从未见过一个议题如此迅速地冲上国安议程顶端。2022年前，AI还是技术圈的事；如今无论哪位总统会见外国元首，AI都是前三个话题之一。
2、AI竞赛：三种"赢法"，三个国家
Anne拆解了中美印三种不同的AI竞争路径：美国靠最先进推理模型和闭源为主的基础设施大规模建设，保持前沿能力领先；中国落后7-8个月但应用层快速扩展，"AI+计划"聚焦工业制造，走规模化应用路线；印度则用小语言模型覆盖20种语言100种方言，适配本国需求。
具身AI（Embodied AI）：中国拥有海量制造数据和工程能力，正在将这些转化为机器人能力。
3、AI在网络防御中的独特价值
Anne详细阐述了AI如何改变网络安全格局。她引述了一位电信运营商COO的话——"我们现在是软件定义网络，配置随时在变，我们很难定义什么是'正常'。如果不能定义正常，就无法识别异常。而异常是发现恶意行为的第一步。"AI的解法正是从这里切入：定义网络的"正常态"，实时标记异常行为，而全球平台的优势在于某地发现的攻击手法可以即时预警其他地方。Cisco开源的安全基础模型正是基于这个逻辑——用全球数据定义"正常"和"异常"。Anne认为更深层的机会在于用AI发现代码漏洞并修复，这可能从根本上改变软件安全的范式。
4、以希望结尾：AI正在改变个体生命
Anne讲了一个关于ALS患者的故事。一家非营利组织帮助ALS患者在确诊时"存储"自己的声音，随着疾病恶化、患者丧失说话能力后，AI模型让他们通过眨眼转化为文字和语音，继续与家人沟通。AI当然有风险，但想想这样的案例——它正在改变个体和家庭的生命质量。
十二、Marc Andreessen（a16z联合创始人）：过去55年的生产力停滞与AI的破局
主题：2×2矩阵、开源变量与监管的真实威胁
1、1971年以来生产力增长处于历史低位
1880-1930年是现在的3倍，1930-1970年是2倍。原因？"我们决定其他事情更重要了"——取消核电、缩减太空计划、汽车限速55英里。最近50年真正加速的只有芯片和软件，其他一切基本停滞。AI无论从乐观还是悲观角度看，都意味着生产力增长即将大幅提升。
2、中美AI竞争的2×2矩阵
美国vs中国 × 封闭vs开源。如果一切封闭，就是两匹马的赛跑。开源是最大变量——可能像Linux消灭Unix利润那样消灭所有封闭模型利润。中国在开源上的激进程度令人吃惊，DeepSeek对中国来说也是意外，引发了全面开源竞赛。
关键洞见：开源不需要赢，只需要存在。每次开源模型发布，封闭模型的价格就跌到开源替代品的推理成本。这已经在发生。
3、Moltbook：AI的社交网络
AI Agent的社交网络，上面充满了令人难以分辨真假的搞笑meme。有个Agent决定创建AI宗教，雇了一个人类在旧金山街头传教。有人做了rent-a-human.com——一个让Agent雇佣人类的劳动力市场。"这些内容会被下一代模型吃进训练数据，形成不可思议的反馈循环。"
十三、Mike Krieger（Anthropic CPO，Instagram联合创始人）：Claude在写Claude
主题：从手画UI到2000行PR，AI原生产品开发方法论
1、Anthropic的产品和Claude Code都由Claude编写
团队常规产出2000-3000行的Pull Request。对抗性代码审查用Claude做——提示词不复杂，就是让它当超严格评分员。他发现AI时代技术债务积累更快，但偿还成本也大幅降低。
2、"别和模型对着干"
最重要的产品原则：顺着模型擅长的方向走。Computer Use功能的故事很有说明性——2024年初的原型完全不能用（到处乱点），但每次新模型出来就测试，某天突然"它真的能用了"。如果没有提前准备好的harness，就会错过这个突破时刻。
3、不要过早下结论，也不要过于执着于形式
他们尝试了三四种方式让Claude处理电子表格（写代码操作、用视觉点击Excel、直接接入Excel钩子），最后第三四种尝试效果最好。"不要执着于具体实现，要执着于你要解决的问题。"
4、企业AI部署的致命错误
选一个低价值、不关键的流程来试水AI，几乎注定失败——问题不够有野心，一遇阻碍就放弃。相反，选几个真正关键的业务流程，"应该让你有点害怕"，然后密切合作推进。中央AI团队应该保持薄层——只管模型访问和可观测性，把具体决策推到产品团队。
5、下一个杀手级应用领域
每家企业都有某个被严重低估的数据流——可能是网络安全日志、金融交易、制造数据。不是让Claude解析每个数据点，而是建立高质量的数据准备和摄取机制，再用AI做汇聚和洞察提取。
十四、Amin Vahdat（Google AI基础设施首席技术官）：XPU专用化可带来10倍效率
主题：TPU与GPU共存、芯片周期压缩与太空数据中心
1、Google的真正秘密武器是跨栈协同
不是TPU厉害，不是Gemini厉害，不是分布式系统厉害，而是这些团队能一起协作解决端到端问题。TPU不是孤立设计的，是和DeepMind联合设计并吸收搜索、广告、YouTube等场景需求。"基础设施团队是公司能交付多少的限制因素——如果我们有更多，就能做更多。"
2、XPU专用化的10倍机会
当前通用芯片对特定工作负载至少有10倍的能效提升空间。但硬件从设计到规模部署需要3年。如果能压缩到3个月，"世界会完全不同"。2年可能是现实可及的目标。TPU是GCP产品，不对外销售芯片本身，但Nvidia GPU同样是GCP的重要产品——"我们解决客户问题，哪个合适用哪个"。
3、效率提升全被消耗了
他挑战了一个广泛信仰："效率会解救我们。"现实是每一点效率提升都在瞬间被更大的能力和需求吞噬。内存价格？陈立武比他更了解，"我希望他是错的，但他可能是对的"——2028年才有缓解。
4、太空数据中心值得全力投入
太阳同步轨道有24/7太阳能（无需电池、无云层）、天然散热、光速传输延迟减少50%。但运输成本是致命瓶颈。他认为大于5年，但"绝对值得大力投入，无论如何都会推进技术前沿"。
5、AI最有价值的应用是研究和学习
"我们谈编码太多，谈客服太多，但讨论最少、使用最多的是研究和学习。"他现在能在几秒内跨学科获取前1%专家水平的回答——"不是原创洞见，但在他的工作中，这种即时访问本身就是game changer"。缺的最后一步是个性化——AI理解"G2喜欢这样接收信息"，针对每个人调整呈现方式。"a doctor for every patient, a teacher for every learner。"
6、Gemini没有减速迹象
每3-6个月感觉能力翻倍，和摩尔定律的CPU时代节奏类似但更快。竞争环境让所有模型都在进步——Claude、GPT、Gemini相互促进。他不认为这会是赢家通吃的市场。
十五、Kevin Weil（OpenAI科学VP）：2026年科学领域将经历编码在2025年经历的变革
主题：AI解决数学难题、科学实验闭环与高能动性（high agency）的稀缺
1、开放数学问题已经在被AI攻克
仅2026年1月，就有多个世界顶尖数学家多年未能解决的问题被GPT-5.2解决了。类似突破也出现在物理、生物、化学、材料科学。"这不是AI做信息检索，而是超越了人类理解的前沿。"
2、科学实验的闭环即将实现
AI设计实验 → 机器人手臂执行 → 结果回传AI → AI推理并设计新实验 → 无限并行。一位科学家的比喻："AI是假说的金属探测器——从10个方向里直接找到最可能成功的那个。"Weil说这个闭环"今年就会成为常态"。
3、人类适应AI的速度快得惊人
他用Waymo做比喻：前10秒钟你紧张得抓扶手，5分钟后觉得"天哪我活在未来"，再5分钟就在刷手机了。六个月前AI解开放数学问题还是"荒谬的想法"，现在大家已经在说"但那又不是黎曼猜想"。
4、评估变得极其困难
在某个科学领域的绝对前沿评估模型输出，全世界能做这件事的人可能不超过几十人。OpenAI从大学挖来在休假的物理学教授来做评估。最终将不得不用模型来评估模型。
5、未来选拔的是高能动性的人
"如果你有一个想法，以前激活能量太大就搁置了。现在你可以早上写个提示词，下午就有一个可工作的版本。"没有借口不去创造了。High agency、好奇心、持续学习——这些特质将获得前所未有的回报。
6、他加入Cisco董事会的原因
算力是最有价值的资源之一，智能的需求是无限的，Cisco在基础设施领域的位置无可替代。"Chuck和G2正在推动我见过的最令人印象深刻的大公司转型之一。"
十六、Fran Katsoudas（Cisco EVP，首席人才官）：领导者是AI采纳的2倍乘数
主题：被系统忽略的AI高手与信任的压力测试
1、最活跃的AI用户不是你以为的人
她让各部门领导提交AI power user名单时，那些名字"让我们很意外"——不是最资深的，不是声音最大的，很多甚至不在"关键留任"名单上。"我们的系统看不见他们。"
2、领导者自己用AI，团队采纳率翻倍
Cisco内部数据显示，不使用AI的人会一直不使用——除非他们的领导介入。"采纳跟着你走，不跟着邮件走。你就是那个2倍乘数。"
3、两个反直觉发现
入职最短的新人和在职超过20年的老员工，是AI采纳的两个高峰。一位在Cisco工作24年的杰出工程师刚刚取得了重大AI突破。"每个人口群体都可能产生突破，领导者必须创造条件让它发生。"
4、效率悖论：AI最活跃的用户团队信任度反而更低
AI让个人速度飙升，但可能拉裂团队信任。"AI没有破坏团队，它在压力测试团队。"旧的信任建设方式必须进化。
5、跨公司联合研究的价值
Cisco与9家公司共同研究AI时代技术岗位的能力需求，发现78%的技术岗位已需要AI技能。共享了200多门学习课程（多数免费）、能力架构playbook、技能词汇表和角色演变故事。
十七、黄仁勋（Jensen Huang，NVIDIA创始人兼CEO）：60年来计算的第一次全面重新发明
主题：AI工厂、丰饶思维与从工具到劳动力的100倍TAM扩张
Jensen连续出差两周、凌晨一点起床赶来压轴。他的皮衣和五杯酒没有影响信息密度。
1、从显式编程到隐式编程：整个计算栈正在重写
过去60年是显式编程（explicit programming）——人写程序、变量通过API传递、一切确定性。现在变成隐式编程（implicit programming）——告诉计算机你的意图，它自己搞清楚怎么解决。这不只是模型层面的变革，而是处理、存储、网络、安全四大支柱全部被重新发明。
过去的软件本质上是"预录的"（pre-recorded）——装在光盘里、检索式的。未来一切都是"生成式的"——每个上下文不同、每个用户不同、每次交互都是全新的，就像一场从未发生过的对话。他用COBOL和希伯来语的段子说明了这种范式跃迁的彻底性。
NVIDIA的Vera Rubin平台将与Cisco同步推向市场——Cisco整合AI网络技术，纳入Nexus控制平面，提供AI性能加上Cisco的可控性、安全性和可管理性。"没有Cisco，就没有现代计算。"
2、"让一千朵花开放"——不要在初期要求ROI
他拒绝从ROI角度切入AI部署。"任何新技术的早期，都很难在电子表格里算出ROI。"他的做法是：当团队说"我想试试这个AI"，先说"好的"，再问"为什么"——而不是反过来。
"我对公司的期望和我对孩子的期望一样——去探索。你不会跟孩子说'先证明经济回报我才让你做'。我们在家里从来不这样做，但在工作中却这样做。这毫无道理。"
但不是永远放任——到适当时候要修剪花园。"我个人还没有开始修剪，一千朵花到处盛开。"同时，他非常清楚公司最重要的工作是什么（芯片设计、软件工程、系统工程），在这些核心领域投入重兵用AI去革新。
3、丰饶思维：对你最难的问题应用无穷大、零和光速
摩尔定律每10年100倍，太慢了。AI在过去10年实现了每10年100万倍。他要求团队用"丰饶心态"思考：速度→光速，质量→零重力，资源→无限。
"如果过去一年的工作现在可以实时完成，你会做什么不一样的事？如果你没有在运用这种思维，那你做错了。"他举了图分析的例子：过去只能处理图的一小部分，现在的态度是"把整个图给我，多大？无所谓"。
"如果你不这样思考，只需要想象你的竞争对手在这样思考。如果你不这样思考，想象一下一家即将创立的公司在这样思考。"
4、物理AI将把TAM从1万亿扩大到100万亿
IT行业的TAM大约1万亿美元，全球经济100万亿。过去科技行业只做工具——"一辈子在螺丝刀和锤子的生意里"。物理AI第一次让科技公司进入"劳动力"市场。
自动驾驶汽车是什么？一个数字司机。数字司机的终身经济价值远超汽车本身。这只是开端。下一代物理AI将理解因果关系——多米诺骨牌、重力、接触、质量这些概念，孩子毫不费力就能理解，但大语言模型对此一无所知。
关于AI取代软件工具的恐慌，他做了一个思想实验：假设存在终极通用人工智能机器人，它会使用螺丝刀还是发明新螺丝刀？当然直接用。同理它会使用SAP、ServiceNow、Synopsys而非重新发明它们。"这就是为什么AI的最新突破之一正是工具使用（tool use）——因为工具是为精确性而设计的。"
5、最有价值的IP是你的问题，不是你的答案
他在NVIDIA本地建了一套超级AI系统，原因是"我不放心把NVIDIA的所有对话都放在云上"。不是答案需要保密——"答案是商品化的"。真正有价值的是问题——"我在想什么、我的问题是什么，这才是最有价值的。我不想让别人知道我认为什么重要。"
给企业的建议：不是全租或全买，而是混合。数据主权和专有对话应该在本地。"造一台AI电脑。即使PC已经无处不在，拜托，造一台。掀开引擎盖、换个机油、了解它是怎么工作的。"
6、不是"人在环中辅助AI"，是"AI在环中辅助人"
他直接翻转了行业的主流叙事：不要执着于"human in the loop"，每家公司应该追求"AI in the loop"。每个员工都将拥有大量AI在环中，这些AI持续捕获生活经验和工作知识，最终成为公司的知识产权。"我们希望公司每天都变得更好、更有知识，永远不想倒退。"
7、编码只是打字，领域专长才是超能力
"历史上第一次，你可以隐式地给计算机编程——只需告诉它你想要什么。编码到头来不过就是打字，而打字已经是商品化的能力。"真正稀缺的是理解客户、理解问题的领域专长。大学毕业的超级程序员不知道客户想要什么；在座的企业领导者知道。
每家公司都应成为技术公司——"技术是你的超能力，领域知识是你的应用"。技术优先的公司处理的是电子（electrons），而不是原子（atoms）。"从光盘转向电子的那一刻，公司价值爆发了千倍。"
总结
这场Summit最清晰的共识：AI的能力已远超组织吸收能力，差距还在拉大。 技术不是瓶颈，瓶颈是流程重构、安全架构、权限体系、数据准备度、领导力和文化变革。黄仁勋在压轴对话中把这一共识推到了更高维度：这不只是工具升级，而是60年来整个计算范式从显式到隐式的全面重写。
几个最具行动价值的判断：让一千朵花开放，不要在初期要求ROI；把Agent当队友；为Agent准备上下文而非等Agent适应你；领导者自己先用起来；挑足够有野心的问题来部署AI；对你最难的问题应用"无穷大、零和光速"的丰饶思维；100%AI编码的时代已经到来，审查能力比编写能力更重要。
核心归纳
Q1: AI在企业落地的核心瓶颈是什么？
不是技术能力，而是吸收能力——以及思维方式。Aaron Levie拆解了编码之外的知识工作为什么难AI化（不可验证、权限复杂、上下文隐性），Matt Garman强调需要guardrails让团队敢跑快，Fran Katsoudas的数据显示领导者自己不用AI则团队不会用。黄仁勋给出了更激进的处方：别在初期要求ROI，"让一千朵花开放"，先说"好的"再问"为什么"。突破口是主动重构工作流程来适应Agent，而非等Agent适应现有流程。
Q2: 2026年最值得关注的AI突破方向是什么？ Kevin Weil判断科学领域将在2026年经历编码在2025年经历的变革——GPT-5.2已在解决顶尖数学家多年未解的难题。李飞飞的World Labs正在让3D世界模型走向商用化。黄仁勋则把目光投向物理AI——理解因果关系的AI将把科技行业的TAM从1万亿扩大到100万亿，从"制造工具"跨入"创造劳动力"。多位嘉宾提到100%AI编码的产品即将量产。而陈立武和Vahdat都强调，内存瓶颈可能到2028年才缓解，这将持续制约所有AI系统的扩展。