a16z合伙人认为，AI正在改写创新的底层经济逻辑：从工程约束转向资本约束，20人团队如今能有效部署10亿美元。这一判断直接影响对初创公司vs大厂竞争格局、风险投资逻辑乃至AI能力边界的判断。三人同时坦承，面对百亿美元规模的模型训练，没人真正知道会产生什么，“这是人类从未创造过的数字产物”
AI带来的最大变化，可能并不是机器会不会解数学题，而是创新的生产函数变了。
过去，资本可以买服务器、招工程师，却很难突破复杂工程的组织上限。今天，一个20人的团队有可能把10亿美元真正转化为算力、数据和模型能力。创新正在从工程约束转向资本约束。
这不只是成本结构的变化。它会重新定义初创公司与大厂的竞争关系，改变风险投资的回报逻辑，也迫使我们承认：面对投入数十亿乃至数百亿美元训练出来的模型，没有人真正知道它的能力边界。
AI解数学，不等于打通经济价值
AI在数学领域取得进展，当然重要，但不能因此直接推导出它已经跨越了通向通用智能或巨大经济价值的门槛。
一个数学难题长期没有解决，可能是因为它极难，也可能是因为市场从未投入足够资源。把多年研究这些问题的博士后工资加起来，金额未必很大。这说明问题的学术难度，与解决它之后能够释放多少经济价值，是两件不同的事。
我认同这个区分。AI成为最强的“数学游戏选手”，并不自动意味着它能解决癌症、材料、能源或复杂物理系统中的现实问题。现实世界不只是公理和推导，还包括实验数据、因果机制、安全验证以及无法绕过的物理过程。
制药就是典型例子。候选化合物并不稀缺，真正困难的是验证有效性和安全性，而这最终需要在真实人体中完成。AI可以扩大搜索空间、发现人类难以察觉的模式，却不能凭数学能力消除现实验证。
更重要的是新的抽象层级
从算盘、计算尺、差分机到图形计算器和云计算，计算技术的发展一直在做同一件事：把低层问题封装起来，让人类站到更高的抽象层级上工作。
四色定理的计算机证明很有代表性。它不是一个传统意义上优雅的推导，而是先证明情况有限，再用计算机穷举。算力没有模仿数学家原来的工作方式，而是创造了一种新的证明路径。
每一次抽象层级上移，都会引发类似的焦虑。图形计算器出现时，数学老师担心学生不再会画函数图像；个人电脑进入学校时，也被视为作弊工具。人们往往不反对已经成为起点的技术，却会强烈抵抗正在改变自己工作方式的新工具。
但AI与过去又有一个明显区别。传统程序由人定义步骤，声明式系统至少由人定义目标；面对大模型，我们有时连准确目标都说不清，只能用语言描述意图，再接受一个统计生成的结果。我们交出去的不只是计算，还包括部分推理和判断。
这可能仍然是抽象层级上移，但它已经更接近人的认知层。过去从硬件到操作系统、从平台到应用，各层之间基本可以确定性映射；现在，这种映射变得随机、模糊而且难以解释。旧经验不能简单外推。
从工程约束转向资本约束
20年前，给一家10人公司10亿美元，它很难有效使用。服务器买完以后，更多的钱只能用来招人，而复杂工程并不会随着人数同比加速。
10年前也是如此。软件仍然依赖大量工程师协作，“人月神话”决定了人数越多，沟通和组织成本越高。
现在情况变了。一个小团队可以把巨额资本直接投入GPU、训练、推理和数据，把钱变成可以调用的机器能力。资本不再只是工程活动的辅助条件，而开始成为产品能力本身的重要输入。
计算机产业早期其实也受资本约束：想做计算，首先要拥有一台昂贵的计算机。后来个人电脑、开源软件和云计算降低了资本门槛，行业进入工程约束时代。AI让这个钟摆重新摆回资本一侧，但这一次，小团队也可能获得巨额融资并调动庞大算力。
这意味着精益创业不再是唯一合理路径。过去先做最小产品，是因为团队无法一次消化太多资本；如今，部分AI公司从一开始就需要大额融资，而且确实能够把钱用出去。
初创公司为什么没有被巨头碾压
大厂拥有资本、数据、人才和分发渠道，按传统判断应该全面占优。但现实中，OpenAI、Anthropic和Cursor仍能高速成长。
原因之一，是AI产品面对着旺盛而直接的需求。过去，创业公司投入营销费用，很难判断究竟带来多少有效增长；今天，模型调用和算力消耗更容易量化，资本可以更直接地转化为供给和用户使用。
另一个原因，是创业公司能够筹集到足以正面竞争的资金。过去只有大厂可以承担的基础设施投入，现在也可能由资本市场支持的小团队完成。大型工程组织曾经是极深的护城河，如今其中一部分被资本购买的算力替代了。
但我认为，更根本的因素仍然是组织文化。
大公司通常盯着其他大公司，而不是不起眼的创业团队。它们还受制于绩效指标、销售体系、薪酬结构、历史产品、客户承诺和内部资源分配。即使方向判断正确，也未必能把足够资源及时转向新业务。
这种约束不是换一个负责人就能消失。英特尔曾把ARM看作打印机芯片，并非看不见技术，而是它的组织长期围绕摩尔定律和高性能计算运转。大厂内部甚至可能为了优先满足企业客户，让自己的产品团队陷入算力短缺，而外部创业公司反而没有同样的限制。
颠覆往往不是小公司正面击败大公司，而是两者在不同的目标、客户和评价体系中前进。等大公司真正看见威胁时，小公司已经形成了自己的位置。
风险投资需要摆脱固定蛋糕思维
如果AI能够高效吸收更多资本，那么“资本太多、项目太少”的说法就值得重估。
更多资本进入私有市场，不一定只是抬高价格、争抢固定数量的机会。它也可能让公司更长时间留在私有阶段，支持过去无法承担的训练规模，并催生原本不会出现的公司和市场。
应用层尤其值得关注。医疗预约、病历处理、法律服务、商业地产等领域，过去最大的障碍是行业专家不会开发软件，而软件人才又需要多年才能理解行业。AI降低了两种知识之间的转换成本，让真正懂业务的人有机会直接做出产品。
这不是说软件开发不再重要，而是产品实现的抽象层级继续上升。过去创业者要自己搭基础设施、写界面组件、组织庞大工程团队；现在越来越多能力可以直接调用，有限团队可以把注意力放在真正的行业问题上。
没人知道巨额训练会产生什么
对于大模型，我们一方面知道基本机制：输入海量数据，以统计方式学习和生成。另一方面，人类从未制造过一个汇聚如此多数据、算力和资本的单一数字产物。
理解机制，不等于理解能力边界。
对“递归自我改进”和突然起飞保持怀疑，并不能回答另一个更现实的问题：如果规模规律继续成立，把200亿美元甚至更多资本投入一次训练，最后会得到什么？
更关键的变化，是过去近乎无限的问题，可以被转化为资本问题。例如，穷举巨大的蛋白质组合空间，过去在实践中不可完成；当算力足够大时，它可能从“做不到”变成“需要多少钱”。资本第一次能够如此集中地作用于一个数字系统，并持续扩大它可以搜索和处理的空间。
这既带来机会，也带来风险。把巨额资本投入正确方向，可能打开新的研究领域；投入错误方向，同样可能造成前所未有的浪费和危险。
因此，我不愿轻率预测AI能力的上限。真正值得讨论的，已经不是某个模型会不会突然变成全能智能，而是当小团队、巨额资本和持续有效的规模扩张结合在一起，创新的基本规律会发生什么变化。
过去75年，我们习惯把创新理解成工程问题。现在，资本正在成为可以直接购买认知能力、搜索空间和实验规模的生产要素。这才是AI正在改写的底层经济逻辑。