Nikesh Arora 谈企业 AI、网络安全与模型经济

Palo Alto Networks 董事长兼首席执行官 Nikesh Arora 告诉 Harry Stebbings，他经营时思考的问题是如何让事情今天逐步变好，并在几年内大幅改善。他说，结果并不总是成功，但反复尝试可以提高成功机会。

Stebbings 认为，创始人的个人品牌可以加速业务发展。Arora 将产品和执行放在首位：强大的品牌无法无限期弥补薄弱的产品。他承认，当产品难以与替代品区分时，品牌更重要。

Arora 将前沿模型的问题概括为广度与深度。消费模型能够回答广泛的问题，但独立行动的企业智能体可能需要比通用模型所具备的更多上下文、测试和领域信息。

他认为，人们有时会容忍消费场景中的错误，因为有人可以审阅答案；而自主企业工作流程对错误输出的容忍空间可能更小。这是他的比较框架，并非消费者不会受到模型错误影响的结论。

他用自动驾驶类比深度：系统需要针对异常情况进行大量训练，才能可靠地执行边界明确的任务。他的成本估计和比较只是示例，并非对任何供应商开发支出的独立核实。

Arora 说，许多企业在现有流程中加入 AI，而不是重新设计流程。他预计更大的机会来自重新思考工作流程，但承认这需要决定哪些环节由人保留控制权，哪些环节可以由系统行动。

在招聘方面，他设想系统帮助员工审阅申请、建议面试问题和协调决策。这是一种拟议用途，并不能证明 AI 系统足够准确或公平，可以在没有适当监督的情况下作出招聘决定。

Stebbings 提到员工对监控的抵触。Arora 区分了大范围数据收集和有选择地重新设计企业工作流程，并表示人们需要决定愿意委托哪些决策。他的区分没有解决其中的隐私或劳动问题。

他以营销为例，认为模型可以帮助检查内容是否符合公司的语气和信息。他预测未来三年一般及行政职能可能需要更少人员，同时预计对技术和销售资源的需求会更大。这些是他的预测，并非已公布的人员配置结果。

Arora 说，团队需要能够使用模型、公司数据和产品基础设施的人员。他关注的不只是替换现有工具，还包括寻找资源构建新工作流程，以及决定哪些能力是组织所特有的。

谈到 token 预算，他说许多员工仍在学习，并提醒统一上限可能限制生产率最高的用户。他对员工 AI 熟练程度和流失率的估计来自自己的公司或市场观察，并非经独立核实的劳动力统计。

他说，Palo Alto Networks 谨慎使用 token，而不是无限制地放任使用：公司监测用量，允许有价值的工作，并可能限制过度使用。他倾向于在公司拥有独特数据的地方建立专有能力，同时等待通用应用成熟。

被问到开发者薪酬中有多少比例将用于 AI 时，Arora 指出算力稀缺，并说当前定价使答案难以预测。他关于消费者使用量、盈利能力和算力分配的说法是估计，并非模型供应商经核实的财务披露。

他预测，随着算力和模型效率提高，未来三到五年 token 价格可能大幅下降。他还预计价格下降会带动使用量上升。幅度和时间都没有保证，个别模型价格的变化也可能不同。

Stebbings 询问广告是否可以为消费 AI 提供资金。Arora 怀疑广告市场总量能否自行增长到足够大，因此看到基于交易收入的可能性。他给出的广告和转化率数字是示意性估计，并非经审计的市场分析。

Arora 说，模型供应商必须承担研究、训练和服务成本，这会影响当前价格。他预计技术进步和较小模型将更高效地处理许多任务，同时承认算力需求仍可能增加。

被问及基础设施泡沫时，他说自己不知道数据中心、能源和设备的物理限制何时可能导致暂停或调整。他的情景将算力需求与按期望速度建设产能的能力区分开来。

他预计价值将在前沿模型与围绕模型建立的企业上下文之间共享。记忆和获取相关组织信息的能力可能让应用更加有用，但维护这些上下文也需要存储、算力和治理。

Arora 预测模型供应商会投资记忆功能，因为熟悉上下文可以使服务更有用、更具黏性。由此产生的价值分配和客户依赖属于商业预测，而非已确定的架构。

Stebbings 询问一个强大的网络安全模型会威胁 Palo Alto Networks 还是帮助它。Arora 认为它会加快网络安全需求，同时承认模型可能产生误报，防御自动化需要测试。作为安全供应商的首席执行官，他在这一判断中具有商业利益。

Arora 说，他的团队使用模型识别自有代码中的问题，并声称六周内发现了原本可能需要五到六年才能完成的工作。他描述了修复部署前的测试和人工评估；这是公司的叙述，而非经独立核实的比较。

他区分了阻止已知威胁，与在预防控制失效后检测并应对入侵。他说，Palo Alto Networks 打算在防御中加入 AI，并利用企业上下文辅助调查。没有产品或模型被证明能够阻止每一次攻击。

谈到政府干预，Arora 说目前的模型防护措施需要改善，并希望行业能使其更加稳健。他将其描述为持续探索的过程；他没有证明任何防护措施能够保证预期用途。

被问及如果今天创办安全公司会怎么做时，Arora 比较了自动驾驶的两种方式：从一开始就为自主运行设计，或逐步自动化现有产品的一部分。他用这个类比询问，现有企业如何在不抛弃依赖当前可靠性的客户的情况下快速行动。

他倾向于让成熟企业逐步但认真地转型，而不是只在表面加上一层 AI。他说，现有客户不会接受只能在部分时间正常工作的安全产品，因此公司必须平衡新能力与运营可靠性。

Arora 说，他不打算拆解组织，从零开始构建通用营销、人力资源或企业软件。他希望供应商开发通用工具，而自己的公司专注于独特的安全数据、上下文和产品。

他介绍了每周两次的会议，技术领导者会说明产品变化、智能体整合、token 使用和资源需求。目的是让大型组织中的领导者方向一致、传播经验，同时允许员工进行实验。

他回忆过去一些高管将互联网事务交给专家，自己却置身事外。他担心，如果对 AI 采取同样方式，而高级领导者不了解和支持转型，优秀团队可能无法改变业务。

Arora 说，即使技术变化迅速，现有产品路线图也可能占据注意力。他要求团队腾出资源开展新工作，并通过定期评估和同事之间的比较鼓励领导者学习。他将其作为自己的管理方式，而非普遍适用的组织公式。

谈到前线部署工程师，他说企业 AI 产品仍在演变，一些客户需要工程师在现场工作，直到需求更加清晰。他区分了采用支持人员与在客户现场构建能力、再将可复用改进带回产品的工程师。

他预计，随着企业需求得到更好理解，产品和供应商会发生变化，并以编程工具的快速演变为例。他拒绝预测具体赢家，并说自己的首要任务是找到团队能够使用的工具。

Arora 说，他会联系从事自己尚不理解的想法的创始人，以了解哪些技术可能影响自己的产品。他认为，收购方不能只等待赢家出现，而不了解某家公司或方法为何成功。

他说，Palo Alto Networks 收购了一款智能体网关，因为他预计公司需要了解智能体流量并找到治理其行动的方法。这是对该产品具有利益关系的供应商所给出的理由；单靠通过网关路由并不能保证完全可见或安全。

他说，技术变化速度使持续学习不可或缺：错过一次转变可能还能生存，但反复错过可能使公司过时。这种担忧解释了他为何同时关注内部开发和收购。

谈到软件公司股票遭抛售，Arora 说自己不知道正确估值是多少。他认为，席位数量、分析方式变化和工作流程重塑的不确定性，是投资人重新评估企业的原因，而非任何特定供应商将失败的证据。

他描述了建立在记录系统之上的传统分析产品，并预计一些分析将转向使用企业数据的模型。这些数据的可用性、质量和安全性仍是重要的实际条件。

被问及 Palo Alto Networks 面临的下行情景时，Arora 说，公司可能无法足够快地完成向 AI 安全的转型。他的乐观情景是，公司能够有效结合安全产品和企业上下文；两种情景都是他面向未来的判断。

他认为客户可能偏好更少的安全供应商，并介绍了公司的平台战略。他还说，由于威胁不断变化，创新型初创公司仍然可以出现。他对市场份额的估计和机会的预测是公司领导者的说法，并非独立市场测量。

Stebbings 询问中国开放模型与安全问题。Arora 首先将模型开放性与来源国区分开来，随后考虑来自任何国家的模型可能存在的风险。他提出了关于假设性隐藏行为的问题；对话没有证明任何被点名模型包含后门。

他预计将出现多种专用模型，以及从中选择的编排层。他还说，嵌入供应商模型中的记忆可能使切换更加困难。这些是架构预测，安全性取决于实际模型、托管方式和权限。

话题转向财富与成功时，Arora 回忆自己带着 200 美元来到美国，并通过保安、记录笔记和餐厅等工作帮助支付学费。他说，这段经历塑造了他的工作意愿，以及后来对拥有选择的珍视。

他认为，能够离开谈判可以让人评估结果是否值得，从而改善谈判。他将其作为个人经验，而非保证每次谈判都会得到更好结果。

被问及如何平衡育儿与高强度职业时，Arora 说没有普遍适用的公式。他认为，孩子通过观察父母的行为和价值观学习，包括父母在日常场景中如何对待他人。

他将此与组织作类比：员工可能模仿他们看到受到领导者奖励的行为。他认为，这使领导者的行为和价值观产生重要影响，尽管结果取决于具体人员和环境。

在快问快答中，他提醒，害怕错过可能让投资人以为每家新公司都会重复少数突破性企业的成功。他的提醒是对不确定性的看法，并非针对某家公司的预测。

他回忆一位董事会成员建议他不要把为可能的收购已经付出的努力与交易本身的价值混为一谈。长时间散步后，他询问自己：如果没有此前几个月的工作，是否仍会进行同样的收购。

他最喜欢的建议是同时珍视对工作的热情和回到家庭的快乐。展望未来，他更倾向于心怀感激、每天寻找值得享受的事情，而不是假定某种健康或家庭结果一定会发生。

Stebbings 感谢 Arora 再次参加节目，双方结束对话。Arora 更广泛的主题是，领导者必须快速学习，同时承认 AI 产品、组织和市场将如何演变仍存在不确定性。