工程师该被怎么评判：标准不是单看一件产出，而是"你有没有造出那座能产出 B→Z 这些成倍输出的工厂"（producing the factory that will produce multiplicative outputs B through Z）。差距"甚至不止 10 倍，而是 100 倍、1000 倍，而且一向如此"（it always has been）。 → 详细
模型已追平你："在一个领域里，Claude 或 ChatGPT 基本上跟你做得一样好。"（as good as you are in a domain） → 详细
心法"浪费 token、省时间"（token 可粗看作"模型读写的每一个词"）：原话"just waste tokens, save time"——别管 token 是输入还是输出，"只看自己的时间和最终产出。模型再贵也比雇个人便宜太多（way cheaper than a human）"。 → 详细
模型"毕业"了："它们以前是 junior engineer（需人盯的初级），现在是 principal engineer（最资深、能定方向那档）。" → 详细
有 agent 不再卡壳："现在有了 agent，你基本上再也不会卡住了（you just don't get stuck anymore），挺神奇的。" → 详细
02
Naval 的两个引子
Naval 抛全场大问题："纯软件已经死了吗？"（Is pure software dead?）——潜台词：软件谁都能让 AI 生成时，纯做软件还有没有壁垒，价值会不会往硬件这种"AI 还碰不到的实物"转移。随即点名 Blake："你在 Boom Supersonic 是怎么把这些东西用起来的？"——把话题从抽象拉到一个真造超音速飞机的人身上。 → 详细
03
Boom 的起点：把硬件工程工作流「变成软件」
Blake 开宗明义：这件事彻底改变了软硬件工程师的角色（completely changes the role of software and hardware developers）。Boom 从第一天起就想把大量传统硬件工程的工作流"变成软件"。 → 详细
Boom 早期就动手造一批"类似软件框架"的东西，想让硬件流程自动化、可复用、把迭代成本降下来。但"进展很慢"（slowgoing），卡点很具体：永远招不到、也养不起足够多的软件工程师（we could never afford enough software engineers）——这正是 AI 后来解的那个结。 → 详细
04
新分工：软件工程师搭架构，硬件工程师 vibe code
现在 Boom 进入一种"令人震撼的、完全不同的模式"（mind-blowingly different model）：软件工程师负责搭架构（create the architectures），因为他们懂系统、懂算法、懂"关注点分离"（division of concerns——把复杂系统切成各管一摊、互不缠绕的模块）；然后硬件工程师拿自己对硬件工程的理解，去 vibe code 自己那一块（the hardware engineers can vibe code their pieces）。结果是"小团队的生产力变得截然不同"。 → 详细
涡轮叶片案例（把"为什么以前慢"讲透）：拿设计一片涡轮叶片（喷气发动机里高速旋转、像扇叶的核心零件）举例——叶片"冷的时候是一个形状，运转起来会变热、会变大"，所以你必须让气动设计和结构设计同时适配它的冷态形状和热态形状，还得"在冷态和热态之间换算、在结构和气动之间换算"（convert between cold and hot, between structures and aerodynamics）。 → 详细
以前的死活有多死：原话——"这一项分析，一片叶片就要一个工程师干一整天（one engineer one day for one blade），而一台喷气发动机里有上千片叶片（a thousand blades in a jet engine），所以你根本做不了多少。" 现在的反转：靠软件人才与硬件人才的结合，Boom"真的做出了解决方案"——"你可以改叶片几何形状，实时看到结构和气动的结果"（change blade geometry, see in real time the structures and aerodynamics results）。于是"两个工程师就能设计出一整台喷气发动机"（two engineers to design an entire jet engine），Blake 形容这"跟以前完全是天壤之别"（wildly different）。关键不在"AI 会写代码"，而在架构层和领域层被干净地分开了：架构师不必懂叶片，叶片专家不必懂软件工程。 → 详细
05
企业软件的剧变：协作工具和电子表格都「完了」
顺着 Naval 的复述（"你们让软件工程师为其余工程师打造工具和架构"），Blake 抛出更大的判断："这在我看来是企业软件最大的剧变"（the cataclysm of enterprise software）——"再也没有哪家做硬件协作工具的初创公司能卖给你任何东西了"，因为"你在内部随时就把你需要的东西直接编出来了"（you're just coding the right things that you need at any given time）。换句话说：当定制软件的成本趋近于零，"卖通用工具"这门生意的地基就塌了。 → 详细
连电子表格也快完了（even spreadsheets are kind of cooked）：Blake 给出原因——"电子表格之所以成功，是因为以前没人能做定制软件，而最接近定制软件的东西，就是一张塞满了 VBScript 函数的表格"。如今 AI 能直接生成定制软件，这个"替代品"的存在理由也就没了。他个人现身说法："我已经几乎完全从 Excel 转到了 Python 模型，在那里我能真正做出可信的仿真（believable simulations of things）"——Python 是通用编程语言，比 Excel 能表达复杂得多、可信得多的物理模型。 → 详细
06
下一个前沿：AI 生成 step 文件与 PCB 布局
Blake 给一个带时间点的预判：有件"AI 还没触及、但我认为一年之内、很可能就在 2026 年内会实现"的事会"非常非常激动人心"——"现在它能生成软件，但很快它就能生成 step 文件和 PCB 布局了"（step 文件是机械设计通用的 3D 模型交换格式，工厂照它加工实体零件；PCB 布局是印刷电路板上元器件怎么摆、走线怎么连的设计图——一个代表机械、一个代表电子）。等 AI 真正搞定机械工程和电气工程时，"那将是我们还没见过的另一番天地，会非常非常酷"。 → 详细
07
对硬件小公司是大利好，可能完全 agentic
Max 接过硬件话题：这"对所有那些做小玩意儿、做零部件的小公司是个大利好"——它们以前"软件写得很烂，因为做不出好软件"，而"现在它们能做出足够好的软件了"（good enough software）。更激进的设想：那软件甚至"可能根本不是给人用的前端界面"（may not even be a human front end），而是"完全 agentic 的、给 agent 调用的"，人"只用语音跟它对话就能控制硬件"。连"你在 Amazon 上随手买来、想在某个慵懒周六下午鼓捣的那些零碎小玩意儿"配的烂软件，"也在很快变得好很多"。 → 详细
08
中国为何押注开源模型
Max 给出首要原因：中国全力押注开源，是因为它"有硬件上的优势——非常复杂的供应链和元器件链"（hardware superiority, very complex supply chains and component chains）。算盘是——原话"嘿，只要我能按需生成软件，那我相对硅谷的这个劣势就不存在了"（if I can just generate software on demand, I don't have this disadvantage anymore against Silicon Valley）。即：硬件本是中国长板、软件是短板，开源 AI 恰好补软件这块短板。 → 详细
"讽刺"之处——为什么开源全是中国在做：Max 说"讽刺的是，他们之所以全在做开源，是因为 OpenAI 并不 open"，然后逐家点评：Grok（马斯克 xAI）"会发布模型，但落后一两代"；Google "有一些本地模型，但没什么真正有竞争力的"；Anthropic"据我所知——我甚至都不知道他们有什么开源模型"。结论："所以所有开源的分量都来自中国"（all the open source heft is coming from China），这"帮了我们所有硬件创业者，但更大程度上帮的是它们自己的硬件创业者、工厂等等"。 → 详细
核心论断（全场最锋利的一句）："没有顶尖的前沿编码模型，你就没有自我改进的能力（without great frontier coding models, you don't have self-improvement）。"推到国家层面：硬件流水线每一环都需要生成软件，所以"如果你在生成软件的能力上落后了，你就会在生成一切的能力上落后"（if you fall behind on your ability to generate software, you fall behind on the ability to generate everything）。最后他好奇地反问在场两人——"你们用中国模型吗？你们认识任何用中国模型的人吗？"——直接引出下一段 Guillermo 的长篇回应。 → 详细
他不同意，理由很硬："智能是一种纯粹的好东西，你永远想要更多"（intelligence is an unalloyed good, you always want more）。关键洞察——"这些模型出错的时候，你是察觉不到的（when these models make a mistake, you don't know it），但它又总是比真人更便宜、更实时"，所以理性选择就是"一直用现有最聪明的那个模型"。他坦承代价：这"不一定是好消息"，因为会把 AI 推向"垄断或寡头垄断"。为什么宁可用最聪明的：因为他要往里灌的杠杆太大——"资本、代码、人力、还有市场营销"，所以"我希望每一次都做出正确的决策"。一个很真实的细节：两个模型都给答案时，"很多时候我其实并不知道哪个才是对的"，所以"如果我知道一个模型聪明一点，我就采用它的答案，最终我会干脆不再去问那个我认为比较笨的模型了"。 → 详细
AI 网关数据佐证（AI gateway，Vercel 用来集中转发所有应用/agent 对各家模型调用的中间层，因此看得到真实用量分布）：Guillermo 说"基本上每个应用、每个 agent 都会经过它"，所以"开放模型肯定是有使用量的，但顶端被前沿智能严重占据"（the top is heavily dominated by the frontier intelligence）。 → 详细
一个重要的 caveat（附带说明）："合理的成本和性能下的前沿智能，在规模化场景里真的很能打"（slaps at scale）。例子——"大家对 Gemini 不怎么兴奋"，但它在"合适的性能成本组合下其实超级聪明"，而且"对很多任务——除了 coding 之外——它们是最好的模型，是最好的工业级量产模型"（the best industrial production models）。这类活包括客服任务和浏览器自动化（让 AI 像人一样点网页、填表单），"那种场景我永远会放一个 Gemini 模型，这类活我也会考虑中国模型"。但前沿是另一回事：原话——"任何时候只要我是要去推进前沿，你就需要最好的那个 coding 模型，而那现在基本上就是两三个模型的事，中国模型肯定不在其列"。这正面回答了 Max 的反问：日常量产可用便宜/中国模型，真要做最难的事，只有头部那 2-3 个。 → 详细
10
Max 的垂直整合与极端紧迫感
Naval 点名引出话题："Max，你在往极致的垂直整合和极端紧迫感方向猛推，要不要聊聊？"（垂直整合指把上下游环节都自己干、不外包）。Max 的总原则其实是"能买就买"：他特意澄清"我们其实总是更愿意去买"（preference would always be to buy）——只要有供应商好价格供货。例如 PCB 就不自己做，因为"那些基本上是白菜价，你可以从亚洲不限量地买"。 → 详细
那为什么还要垂直整合：因为"我们的产品越接近成为一整块共价键合的物质，它就越好"（a single block of covalently bonded matter——共价键合是原子间最强的化学结合，比喻产品越像"浑然一体的一块"而非"拼出来的"），好处是"功耗更低、体积更小、性能更高、寿命更长"。问题在于"有些元器件根本买不到"。要"真正能在'把买来的现成件拼在一起'之外去创新"——而"光靠拼现成件其实非常非常受限"——"你就得自己去把它学会、自己去做，这体现出来就是垂直整合"。最硬核的具体动作：Science Corp"在东海岸自有一家专属的 MEMS foundry（微机电代工厂）"，"是我们买下来的，因为实在没有别的办法去做我们想做的那种封装和组装"。 → 详细
AI 在公司内部最大的影响竟然在"监管"（反直觉）：Max 说"讽刺的是，我们在公司内部看到 AI 最大的影响之一，是在和监管机构打交道这块"。比如要迭代某产品时"可能有成千上万条 ISO 标准适用"（ISO 是国际标准化组织，医疗器械要符合海量强制标准），到底"必须遵守哪些？然后把这条线索一路追下去"。这事"以前你得跟着一整个监管和质量团队忙好几个月"，而"现在 AI 基本上就直接知道了"。 → 详细
但软件终究"需要手"（本片对 AI 边界最清醒的一句）：说到"外科手术项目、或者 MEMS FAB（晶圆厂）"这类东西时 Max 强调——"软件归根结底还是需要'手'（the software still needs hands）。它会比我们更聪明，但如果它造不出实物，那就是实实在在的边界（if it can't make things, those are real real boundaries）。"他们的应对：给代工厂和很多部门都做了"仪器化和数据化"（instrumented），这样模型一变强，效果"应该会很快直接体现在我们正在做的细胞工程、正在开发的材料科学这类事情上"。 → 详细
深层类比——你信的是"权威背书"而非"逐字核对"："你永远不知道律师往这些文件里塞了什么，你就是信任他们。"你对律师说"能看看这份文件吗？靠不靠谱？帮我做下 red line 修订吗？（在合同上标出要改的地方）"——说到底，"你在和律师的关系里看重的，就是他们是一个可信赖的权威：他们上过法学院，把自己的声誉押在了上面"。 → 详细
他给出的替代标准——把"读懂"重新定义为"敢签字"：在基础设施领域，他要工程师能说"我理解它"，但"这不一定意味着你读了 PR 的每一行"；你需要能说"我对理解这个 PR 的后果负责签字"（I am signing off on understanding the consequences of this PR），或者"我写了测试框架、仿真、证明、类型检查器等等，所以即便不逐行读，我也有信心签字担保它上生产环境会是安全的"（这些都是不靠人眼、而靠自动机制去保证代码正确的工具）。 → 详细
被严重低估的一点——0 到 1 容易，1000 天难：原话——"从 0 到 1 创造软件其实非常容易，但想想 1000 天之后呢？"（creating software is really easy 0 to 1, but think about a thousand days from now）连珠炮式追问："它安全吗？经过测试了吗？是生产级的吗？性能好吗？而你还有没有动力继续把所有这些 token 都投进去、维护它在 prod 上的运行？"（are you still motivated to invest all of those tokens in maintaining it in prod）——点破了"AI 让造软件变易"背后真正的成本黑洞：长期维护。 → 详细
13
收束：人正在变成「验证者」
全场收在一句概括上："人正在变成验证者（verifier），对吧？"（humans are becoming verifiers）。嘉宾点出一个闭环逻辑——"我们训练这些模型靠的就是优质的验证数据，而现在我们需要人来做验证者"：人提供的"对/错判断"既是训练 AI 的燃料，也是 AI 时代人剩下的核心岗位。落点很具体："人的很多旧职能——律师、工程师、运营人员——都转向了去验证整个技术栈"，去说那句贯穿全场的话——"嗯，这个大致是对的，我大致愿意背书，如果出了问题我会支持你"（this is roughly correct, I'll roughly stand behind it, and I'll support you if it goes wrong）。 → 详细