GPU 神话：Lambda CTO Stephen Balaban 拆解 2026 年 AI 算力真相

• "GPU 算力会变成大宗商品"是过去几年硅谷最大的误判之一，而且唱衰者"从头到尾一直错"。Balaban 的核心反驳是：云算力根本不是商品，而是一项从土地授权、建设、HPC 设计、软件虚拟化到云服务的高度垂直整合服务——正因为它是门好生意，全球市值最高的那几家公司（亚马逊、微软、谷歌、甲骨文）才都在做云。所谓"H100 租金在跌"也是假象：长期租约价和按需价其实稳定甚至上涨，指数下跌只是统计口径里长约占比变大造成的 mix 错觉。

• 算力不是建多了，而是一直建得不够。支撑这个判断的是两件事：scaling law 看不到尽头（投入更多算力→更高智能），以及可寻址市场的"锥形"在不断扩张（从客服、搜索替代，扩到替代/增强整个软件工程）。即便模型效率提升 10 倍，结论也不变——大家只会去处理 10 倍的 token，世界上任一时刻的固定算力总量不变（Jevons 悖论）。Balaban 早年"投钱进去、软件出来"的预测，如今被 Opus 4/5 兑现。

• neo cloud 真正的护城河是大多数人看不见的软件，不是堆 GPU。Lambda 的 one-click cluster 能在网页上开 16 到 4000 个 GPU，而多数 neo cloud 要么不能从网站开集群、要么上限 32 个。要把上万 GPU 的集群按客户切分，必须同时分区 in-band 网络、out-of-band 监控网络和 compute fabric 三层，还要用 RDMA 让 GPU 显存直接互读——这是"高几千万到几亿美元"的软件投入，多数同行根本没有。

• GPU 是被严重低估的优质资产，不是 3-5 年就报废的耗材。Balaban 直接点名唱衰者"完全错"：2023 年部署的 H100 如今的租金比当年原价还高；多数公司用 6 年会计折旧，但经济可用寿命更长，Lambda 是唯一一家拥有"已完全折旧但仍在赚钱"GPU 的 neo cloud。信贷市场正快速成熟，把 Nvidia GPU 当成一种易于承销的成熟资产类别。

• 最反直觉的远景：AI 不会写软件，AI 会成为软件。贯穿全场的，是 Balaban 用"工程师思维"去重构一个历来由地产和金融主导的行业——从把数据中心部署速度逼到 SpaceX 级别，到 neural OS（神经操作系统）这种"没有代码在运行、不可能有 bug 只有误解"的全新软件形态。他预测 neural software 大规模采用还要 10-15 年，但原型今天已经存在。

核心论点：云算力是一项跨越土地、建设、HPC、软件的高度垂直整合服务，把它当商品看待是最根本的误解。

• 几年前硅谷的主流共识是"neo cloud 会变成大宗商品，因为 GPU 算力会被商品化"；快进到今天，Lambda 和多家竞争对手都在"狂飙猛进"，事实正好相反。
• Balaban 的解释：云算力是"一项非常复杂、高度垂直整合的服务，横跨从土地→土地授权→建设→HPC 高性能计算设计→软件虚拟化→其上的云服务"的每一层。全球那几家万亿市值公司（Amazon、Microsoft、Google、Oracle）都在做云，正因为这是门好生意。被误解的本质是："它其实就是一项为 AI 时代设计的云服务。"
• 关于"GPU 租金确实在跌"，他拆穿了统计陷阱：市场上有两种价格——公有云按需价和长期租约价。Bloomberg 上的 H100 租金指数若把长约当成更大的成交量权重，当 mix 偏向长约时，指数就会"看起来在跌"，而现实是长约价和按需价都稳定甚至在涨。

"唱衰者说'你这些 GPU 5 年后就得扔掉'——他们完全错了。他们完全错了，而且从头到尾一直错。" —— Stephen Balaban

核心论点：算力不是过剩而是长期不足，因为 scaling law 仍然成立、可寻址市场的锥形在持续扩张，且效率提升只会被 Jevons 悖论吃掉。

• Balaban 判断行业"持续地、普遍地建得不够"，neo cloud 的领导者们都已认识到大模型那种"贪得无厌"的需求——从当助理到代码生成。
• 他翻出自己早年的预测："再过几个月到几年，我们会到一个'投钱进去、软件从另一端出来'的时间点。"当年这个信念远没那么被普遍接受，而如今 Opus 4/5 的发布让"我们有一个能把钱变成软件的惊人系统"变得很清楚。
• 让他笃定需求会持续的底层逻辑是 scaling law——投入更多算力/数据，就训出更强智能；只要它成立，可寻址市场的"锥形"就会扩张：最早只是"对客服有帮助、是谷歌搜索的替代品"，现在已是"对大量软件工程岗位的替代或巨大增强"。锥形越张，算力总需求越大，"而我们一直在低估它"。
• 对"模型效率提升 10 倍会不会让建设过剩"的担忧，他用 Jevons 式回答：效率提升 10 倍，只意味着每个人能处理 10 倍的 token，任一时刻世界上的固定算力总量不变。他还回忆 2017 年的老担忧——会不会出现某种像随机森林那样"能在 MacBook 上训练"的颠覆性新模型架构，从侧面瓦解算力需求；但至今没出现，而行业一切都建立在"扩展这个架构"的 scaling law 之上。

核心论点：当前行业最大瓶颈是"已授权兆瓦的土地"加 MEP 设备；公众对数据中心的反对很大程度建立在过时的耗水误解上。

• 瓶颈"总是先局部、后全局"——某个站点可能卡在发电机或 UPS 系统上，那是站点的特异性。但全行业范围内，主瓶颈是 land power shell：即已经从公用事业拿到一定兆瓦承诺授权的土地，再加上进入数据中心的 MEP（机械、电气、管道）设备。
• 对数据中心的反对"在新闻里很火、也确实很真实"。Balaban 说他花大量时间读社区评论，发现人们真正想要的是工作、税收，以及"在项目开发时有一个能上桌发声的位置"——任何大型资本项目都会带来可观税收、就业和投资。
• 他重点辟谣"耗水"误解：每一套现代 Blackwell / Rubin 级 GPU 部署，几乎都用闭环直触芯片液冷连接干冷器（dry cooler），几乎零蒸发、不消耗大量水；会大量蒸发水的是蒸发冷却塔，而美国几乎没有新建项目在用蒸发冷却。此外数据中心还往往给电网带来表后电力、电池储能等增益，长期还能稳住社区电价。
• 应对之道很朴素："把好处写下来、把代价写下来，清清楚楚地呈现给社区，让他们自己做好决定。"

"人们会说数据中心消耗大量水。蒸发冷却塔确实会蒸发很多水，但美国实际上几乎没有新建项目用蒸发冷却——用的是闭环直触芯片液冷。" —— Stephen Balaban

核心论点：理解算力最好从物理量纲入手，把"发电→数据中心→芯片→token"看成一条带多重效率环节的流水线。

• Balaban 喜欢用 SI 物理量纲来拆解：链路最左端是能量生产——每秒进来的光子（太阳能）或每秒进来的天然气分子；经发电厂/光伏转换成"焦耳/秒"，也就是瓦，即电功率。
• 这些瓦被整个数据中心消耗，数据中心要给自己降温，这一环节的效率指标是 PUE（衡量数据中心的关键效率）。
• 服务器、网络、存储设备把电力转成每秒浮点运算（flops/秒）；模型训练或推理消耗的就是 flops/秒 的容量，再转成 token/秒。
• 最末端，终端客户还有一层"把 token 真正转化为实际智能"的效率；链路上端则有 MFU（Model FLOPs Utilization）这样的效率百分比。"这就是端到端的整条流水线。"

核心论点：单 GPU 小时成本里折旧占大头，而利用率是折旧的倒数乘子；能收到零售价的关键是有人愿意用的云软件。

• 拆一个 GPU 小时（以 H100 为例）的成本结构，最大头是与这个 GPU 小时关联的折旧。利用率相当于折旧上的一个"1/利用率"乘子——如果你只用了 50% 的时间，那每小时的折旧费用就翻倍（1/0.5）。
• 所以企业获得独特优势的第一途径就是："我怎么造一个用户真心喜爱、能拉高利用率的云产品？"
• 第二是零售/批发价差：零售（按需开关一个 GPU 的普通云服务）的定价远高于批发（比如一次买 1 万个 GPU、用 5 年）。Lambda 要做的就是从资本部署里榨出最高的"美元利用率和百分比利用率"。
• 关键卡点在软件："如果你没有那套云软件，你就收不到零售价——你没法把它按小时租给别人，因为你压根没有这个能力。"而很多 neo cloud 恰恰就处在"连跑一个真正云服务的基础设施都没有"的境地。

核心论点：现代 AI 数据中心的关键不是有 GPU，而是把 GPU 连成全连接无阻塞的网络；训练用的基础设施可以复用做分布式推理。

• 基本结构：一大堆 Nvidia GB300 NVL72 机架（每个 72 个 GPU 经 NVLink 全互联），机架之间用 InfiniBand 或高速以太网连接，形成 spine-leaf 拓扑——完全非阻塞、每个 GPU 的每个端口都能和网络里任何其他 GPU 通信、提供最大带宽。
• 这种集群既能训练大模型，也能做 Lambda 所说的 frontier inference（前沿推理）：一种高度分布式的推理，会按某种分片（sharding）策略把模型拆到多个 GPU 上，靠高速 InfiniBand/以太网互联通信。Balaban 澄清 frontier inference 未必关乎推理模型，而是指"全世界也就三四家公司在做"的超大前沿模型推理。
• 训练与推理在算力上同构：训练时反向传播约占 2/3 算力，前向传播≈推理。一个重要认知是"为大规模训练准备的基础设施，可以复用来做该模型的推理"。
• 为什么需要分布式：像 Llama 这样量化后的小模型能装进单个 GPU，但"Opus 和 ChatGPT 5.5 装不进单个 GPU"，必须跨服务器分片才能跑哪怕一次前向推理；MoE（专家混合）模型还有把不同专家分配到不同服务器/GPU 的策略。

核心论点：资本栈里服务器（GPU）是绝对大头，而 Nvidia 最深的护城河是软件栈 cuDNN 和 NCCL，而非芯片本身。

• 按吉瓦拆资本栈：发电 200-300 万美元/兆瓦（即 20-30 亿美元/吉瓦）；建数据中心 100-150 亿美元/吉瓦；服务器（算力）350-450 亿美元/吉瓦——服务器是"遥遥领先的最大头"，也是折旧的主要来源。其中服务器 BOM 又以 GPU 为主。近期 HBM 内存大幅涨价，而供应商极少，只有 Samsung、Hynix。
• Lambda 是纯 Nvidia 阵营，理由是 Nvidia 是"唯一一家在每个主要云平台都能买到的芯片供应商"，这是巨大的平台优势。其部署过的型号横跨 V100、A100、H100、H200、B200、GH200、GB200、B300，VR200 即将到货。
• 谈到护城河，Balaban 强调"不只是 CUDA"：CUDA 只是"我们都在里面游泳的水"，真正难越的是 cuDNN（CUDA 深度神经网络库）——一台为矩阵乘法高度调优的引擎，内置了 Winograd 滤波等大量优化，让你不必自己手调；以及 NCCL（网络优化库）——它能感知 InfiniBand/以太网的拓扑，自动给 reduce-all、broadcast 等用于训练和推理分片的 OpenMPI 原语推荐优化路径。"这套软件栈，是很多芯片新进入者很难逾越的。"
• 他也承认"我们其实已经身处一个多芯片世界"——全球最大的几家实验室在用多种不同芯片做推理和训练。

"人们常问 Nvidia 的护城河是什么。CUDA 只是我们都在里面游泳的水；他们最大的护城河之一其实是 cuDNN——里面烤进了太多矩阵乘法优化。" —— Stephen Balaban

核心论点：AI 异步工作流让延迟变得不重要、只剩每 token 成本；Lambda 正走向全栈垂直整合，并用 SPV/资产抵押贷款把算力打包进私募信贷市场。

• 延迟祛魅：传统遗留云因为某些应用而极度看重延迟，但这批新的 AI 应用对延迟远没那么敏感——你看自己用 ChatGPT/Claude/Grok/Gemini，很多时候是"丢一个任务出去、过会儿回来拿研究报告"的长任务 agent 工作流，这种情况"延迟完全不重要，唯一重要的是每 token 成本"。唯一的例外是数据主权——很多国家希望本国公民用的 AI 算力跑在本国境内。
• 垂直整合：Lambda 最初主要是租用方，现在走向全栈垂直整合——自己找地、拿出基础设计（建数据中心的全套工程图）、融资建设、放进服务器，再对接全球大算力消费者的长期 off-take（包销）协议并把一切融资打包。"我们把工程思维带进了这个历来由地产人主导的领域。"目前多为独占租户，暂不打算做对外租赁数据中心的生意。聚焦北美（美/加/墨），有 SK Telecom 投资和首尔数据中心经验，但无意大举进军欧洲或亚洲。
• 融资栈：拆成两部分——on-demand 云看 Lambda 自身信用，off-take 协议看终端付款客户的信用。做法是把 off-take 协议、一批 GPU、租约/地产"装进一个盒子"，到私募信贷市场做资产抵押贷款，多数是为这次部署专设的 SPV（特殊目的载体）。信贷方正越来越懂一颗 Nvidia 芯片的价值。

"2023 年我们部署的 H100，现在租出去的价格比 2023 年最初还要高。" —— Stephen Balaban

核心论点：GPU 的经济可用寿命远超会计折旧年限，这正在让它被重估为一种成熟资产类别，并催生算力金融市场的雏形。

• 需求高确实抬高了市场价格，这是基本规律。但更深层的是寿命误解：有人说 GPU 只有 3-5 年寿命，"完全是假的"。多数公司采约 6 年会计折旧，但那不是可用寿命——经济可用寿命更长。Lambda 作为最早的 neo cloud 之一，是"唯一一家车队里真有从会计角度已完全折旧、却仍在运营赚钱的 GPU"的公司。
• 这正在改变信贷方的认知："哇，这是一种非常有价值、而且对我们来说易于承销的资产。"信贷方开始涌向这类交易；过去一年最大的变化，就是大家开始把它当成"更成熟的资产类别"来对待。
• 关于算力金融化：要先有活跃的现货市场，才谈得上期货等衍生品。Balaban 说已看到有人在研究，但他的看法是"不必搞得太花哨"——当下的关键是这个资产类别刚开始成熟，信贷方对"买 Nvidia GPU 部署进数据中心"的信贷投资越来越自在。

核心论点：Lambda 不是规划出来的云公司，而是从一连串与 AI 同行十多年的产品转身中"被账单逼出来"的——这段历史解释了它为何如此工程师驱动。

• 2012：人脸识别起步。Balaban 2012 年创立 Lambda 做人脸识别软件，用一台从朋友那买来的 4×Nvidia GTX 580 工作站训练卷积网络，在当时是"很前卫"的事，多数人还不相信"深度学习"。他从 Google Code 上拉下 CUDA convnet 仓库把玩（"Google Code 还在，足见 Lambda 多老"）。AlexNet 论文与 Lambda 同年诞生，"绝非巧合"。人脸识别 API 攒了几千用户，但不怎么赚钱。
• Perceptio → 被 Apple 收购。并行地，他帮两位刚读完博士的人 Zach 和 Nico 创立 Perceptio、当首位员工，2013 年就用 GPUImage 库和纯 OpenGL ES 着色器在 iPhone 本地跑 convnet。后来公司被 Apple 收购——"你 iPhone 上滑图片就能识别人脸、搜索相册"的功能，可能就源自这次收购。
• Lambda 帽子：一顶帽檐内嵌摄像头、每 10 秒拍一张照采集人脸数据集的棒球帽。产品本身不算成功，但教会了他做消费电子——他在深圳待过一阵做 PCB，"彻底打开了我对'做生意不只是做 App'的认知"。Matt 点出妙处：快进到今天，"捕捉日常生活来训练 AI"已是一整个赛道。
• Dreamscope → 被账单逼成云公司。2015-16 年的 Dreamscope 用 Google Deep Dream 和 Leon Gatys 风格迁移把照片变成画作，是"早期版 Midjourney"，约 100 万用户、处理约 1500 万张图。这带来约 4 万美元/月的 AWS 账单。为替换它，团队"怕得要死"地做了一笔 6 万美元 CAPEX 自建工作站集群（"想着最坏还能把工作站卖了"）——结果上线后账单归零、1.5 个月回本。"我们省下的钱比赚的还多，也许我们该去给别的 AI 研究者提供算力。"于是开始卖工作站和服务器：硬件营收 2017 年 300 万→2018 年 1000 万→2019 年 3000 万→峰值约 2 亿美元 run rate；云业务 2019 起步、慢热，如今接近 10 亿美元 run rate，硬件业务已完全退出。

"我们当时怕死了，觉得做这笔 6 万美元的 CAPEX 会让公司倒闭。我们用工作站搭，是想着最坏情况还能把它们卖掉。" —— Stephen Balaban

核心论点：创始团队几乎原班留任并催生了"Lambda 黑帮"，靠的是在资本密集、屡受冲击的环境里用"取悦客户"这一条主线把人对齐。

• 当年做 Dreamscope 的四个人——Balaban、双胞胎兄弟兼联创 Michael Balaban、首席科学家 Shuang Li、工程负责人 Steve Clarkson——如今全都还在公司。第二位招聘 Mitesh Agrawal 待了约 8 年后离开，与前成员 Thomas Summers 创立加速器公司 Positron，如今估值超 10 亿美元——"Lambda 校友/Lambda 黑帮"网络已经成形。
• 撑过难关靠的是这种资本与营运双密集的生意里"不断挨系统性冲击"的韧性。最典型的是 COVID：软件公司当时很爽（需求暴增、随时能发软件），而硬件公司很惨——码头关闭，三四月份"根本发不出货、收不到营收"。Balaban 记得自己站到团队前面说："现在真的很难，我们甚至不确定能不能挺过去，但唯一能做的就是咬牙、享受这份痛、冲过去。"
• 凝聚力的根来自"取悦客户"。他在 onboarding 的 "Lambda 101" 里会放一张图：一只 Linux 企鹅坐在 Lambda 工作站前读 GPT-2 论文、看着训练损失曲线——"把自己代入这只用我们的机器训练神经网络的企鹅，想想什么会取悦它"。于是发货团队在箱子里塞 T 恤、数据中心团队做"白色机架"来彰显自豪——正是这些细节帮公司熬过艰难时刻。

"我们都在这里的唯一原因，就是造出人们想要、并且爱到会跟朋友安利、愿意给你钱的东西。其他一切都从'取悦客户'这件事里自然生长出来。" —— Stephen Balaban

核心论点：Balaban 主动让出 CEO、转任 CTO，是为了把自己最热爱的"高速垂直整合部署"做到极致——一个历来由地产人主导、却最该用工程思维重做的环节。

• Lambda 新引入 CEO Michel Combes（曾任 SoftBank International CEO、Sprint CEO、Alcatel，并在 McLaren 等公司董事会）。Balaban 说能招到这种量级的人才是"作为创始人的巨大荣幸"，而他个人"从没有那种非当创始人 CEO 不可的自我执念"——融资、资本运作、日常经营他一直当作必要之事在做，而非真正热爱。他还打趣，私下和创始人 CEO 聊天总忍不住问"你到底有多讨厌……"（Matt 接梗："居然有人不觉得整天和 VC 聊天令人兴奋，太震惊了"）。
• 转任 CTO 后，他主攻"快速数据中心部署"：要把 Lambda 打造成一个垂直整合的高速度引擎。他放话："放眼世界，能做高速部署的只有两家公司——SpaceX AI 和 Lambda。"提到 Cerebras 约 200 多天的部署记录，他认为可以被追平甚至打破，关键在流程：站点选择的约束集、MEP 流水线、建造方式、如何砍掉流程中的冗余。
• 他指出根因：过去设计数据中心的多是地产人，"被超大规模厂商揪着脖子"丢去找总包商建一套设计，却完全不懂里面跑什么；而超大规模厂商又是为传统云服务而建——一个现代云 region 有数百种服务（从卫星基站、磁带存储到人脸识别 API），每种都有不同 SKU 和参数。一个要跑 ATM 后端的设计空间，和一个可以容忍更低可用性的 AI 数据中心完全不同——这正是 Lambda 用"AI 优先"的针对性方法创造独特价值的地方。

核心论点：Balaban 最反直觉的远景是 neural software——LLM 不再生成代码，而是直接"成为"软件；配合 agent，软件开发会变成上线后由用户和 agent 共同持续生长的过程。

• 怎么体验 neural software：去 ChatGPT 或 Claude 说"给我渲染一个 ASCII 艺术的桌面界面，纯文本里假装你是个操作系统，我说'点这个、打开那个'你就照做"。你会看到 LLM"成为"软件、而非生成软件的未来雏形。它的特点是极度"软"且灵活——"不可能有 bug，只可能有对 prompt 的误解"。再往后会有多模态网络直接生成你屏幕上的每个像素、扬声器里的每段音频波形。
• 与 vibe coding 的区别：vibe coding 仍是输入 prompt、输出人类可读可编译的静态代码（C/Python 经编译器/解释器），代码一旦生成就不会变；从传统手写代码→vibe coding→即时（just-in-time）vibe coding 是一条渐变带。而 neural OS 是更远的一端——"没有代码在运行，只有神经网络脑中特征激活空间和上下文的修改"。
• 时间表与已有案例：Lambda 已有 neural software 原型，多家公司和学术界也有。Balaban 自评"我看早的东西通常早 10 到 15 年"，预测 neural software 大规模采用还需 10-15 年。但他指出其实今天就存在一种形态：Tesla 自动驾驶这类端到端神经网络做自主决策，本身就是一种 neural software——只不过它的用户体验就是"驾驶体验"。
• agent 如何改变算力需求：做 agent 实时编程时，wall clock 时间大量花在跑测试、采集数据、搜索代码库上，而非纯推理——就像 XKCD 那幅"编译中"的漫画（两人在办公椅上用剑决斗，被问在干嘛、答"在编译"）。这意味着每个云服务都要做更多传统 CPU 负载、提供托管 Claude code 实例的安全环境，并重新思考"一大批新应用要怎么被安全保护"。
• self-assembling software（自组装软件）：把 24/7 运行的 agent 队列接上产品需求和源源不断的用户反馈，形成"提一个 bug / 功能请求→一队 agent 实时实现"的紧闭环。其精髓是"你只说软件是用来干嘛的，但大部分开发发生在软件上线之后、由用户在使用中共同定制"。更远一步，等模型更聪明，agent 会反过来叫人帮忙——"帮我插上一千个 GPU""给我某服务的 API key""帮我去把这个谈下来"。

"neural software 里没有任何代码在运行，只有神经网络脑海中特征激活空间和上下文的修改。" —— Stephen Balaban

核心论点：Balaban 把算力建设类比 Apple"一人一电脑"的半世纪长跑——目标宏大但需要耐心，每个美国人终将需要至少一块 GPU 的算力。

• 吉瓦级 AI 工厂：所谓 AI 工厂就是"土地+数据中心+里面的服务器，产出 token"；吉瓦级意味着消耗 1000 兆瓦、即 10 亿瓦的电力。Balaban 给了个尺度参照——"纽约市大约是 5 吉瓦"。
• "一人一 GPU"愿景：早在 2020-2021 年募集 B、C 轮、外界还不信 AI 叙事时，他就常类比计算机产业与 AI 产业，相信 AI 正在催生一批划时代公司。这个口号致敬 Apple 早期的信条"一人一台电脑"。他细数 Apple 的时间线：1976 年创立、1984 年出 Macintosh，但 1984→1994→2004→2014，直到约 2014 年美国才真正实现"一人一台电脑"（甚至超越，因为有了笔记本和手机），而电商渗透要到 2024 年（因 COVID）才完成——从创立算起约 50 年。
• 他选"一人一 GPU"这个口号，一是真信"未来每个美国人都将需要至少一块 GPU 的算力来完成日常工作、获取娱乐、保持高产与创造"；二是带着谦卑——"连 Steve Jobs 和 Apple 这种资本主义史上最好的公司之一，都花了半个世纪才实现目标"，所以一人一 GPU 也不会一夜达成。

核心论点：被高估的是"非软件领域的 agentic 工作流"，因为缺乏可验证的反馈机制；被低估的恰恰是软件开发的 agent 工作流和 neural OS——因为多数人根本没试过。

• 被高估：用于"非软件工程"事务的 agentic 工作流。原因是 agent 工作流要跑得好，必须有非常具体的反馈机制——这一点在软件里靠自动化测试做得极漂亮，但"去帮我买个网站"这种事就没有可供模型反复迭代的着力点。所以凡是"不易验证"的领域，agentic 工作流就被高估了。他补充，这不等于说所有非软件领域都不行——CAD、计算机辅助制造、有限元分析、计算流体力学这些可验证、可仿真再迭代的领域，agent 能做得很好。反例则是："嘿 Claude，帮我赚十个亿、别犯任何错。"
• 被低估：neural OS 和 self-assembling software 的某些方面；以及——主持人和嘉宾"想给同一个答案"的——软件开发的 agent 工作流。"大多数人不理解，因为他们从没试过：从没去 Claude 上说'最大努力、用最新模型'，再让它开 10 个 agent 去把你想要的东西建出来。很多人到现在都还没做过。"

"这不是'嘿 Claude，帮我赚十个亿、别犯任何错'那种事。" —— Stephen Balaban（谈 agentic 工作流的边界）