# 阿尔温德·克里希纳与尼克什·阿罗拉：量子威胁、开放权重与前沿 AI、AI 网络战及 SaaS 崩塌 > 克里希纳与阿罗拉讨论量子计算对加密的威胁、开放权重与前沿AI的经济账、AI网络战与监管，以及SaaS崩塌和软件栈整合。 - 原标题：Arvind Krishna & Nikesh Arora: Quantum Threat, Open vs Frontier AI, AI Cyber Warfare & SaaS Collapse - 类型：嘉宾访谈 - 发布日期：2026-10-21 - 话题：克里希纳与阿罗拉：量子威胁与AI网络战 - 出场：查马斯、萨克斯；嘉宾：Arvind Krishna、Nikesh Arora - 网页版：https://allin.qiaomu.ai/ep/arvind-krishna-nikesh-arora-quantum-threat-open/ - 视频：https://www.youtube.com/watch?v=yzk44lz-RGI - 精读字数：约 7099 字（阅读约 16 分钟） > 本文为 allin.qiaomu.ai 基于原始节目的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 DARPA 办了一场叫 QBI（Quantum Benchmarking Initiative，量子基准计划）的比赛，几年前有几百家公司报名，现在只剩大约 13 家。IBM 董事长兼 CEO 阿尔温德·克里希纳（Arvind Krishna）在 All-In 的这场对谈里用这个数字说明一件事：真正能造出可用量子计算机的公司，比大家想象的少得多。 但剩下这 13 家只要有一家成功，今天整个互联网的加密体系就会失效。时间点各方还在争论，2028、2029、2033 都有人提，取中位数大约在 2030 年。克里希纳的原话很直接： > 它会把今天的密码学打穿，这件事不需要假设，这就是现实。如果它真的会发生，那你该用什么密码学来保护自己？（阿尔温德·克里希纳） 他还补了一句听起来很扎心的话：今天你有一块加密硬盘被偷了，对方可以把它放五年，等量子计算机成熟了再破。后量子密码学（post-quantum cryptography）的代码其实早就写好了，标准也公开，问题是大家太懒，没去换。 ## 量子计算的进度条：先看纠错，再看门数每年能不能加一个零 查马斯·帕里哈皮蒂亚（Chamath Palihapitiya）追问了一个关键问题：我们现在设计的抗量子方案，是基于人类对量子计算的*理论理解*，那它真的牢靠吗？ 克里希纳承认，这种“牢靠”跟今天经典计算机破不了 RSA 是同一个级别的牢靠，它建立在复杂性理论和计算机科学的假设上，但并不是数学定理级别的证明。换句话说，这是一场押注，押的是学术界对量子算法能力边界的判断没有错。 那怎么判断量子计算走到哪一步了？克里希纳给了两个可以盯着看的里程碑。 **第一个里程碑是纠错。**今天的量子计算机都是玩具，能做特定问题，但错误率高得离谱，也没有真正的扩展路径。谁先在真实运行的量子计算机上（不是模拟，不是旁路）演示出纠错或错误缓解，谁就拿到了下一轮的入场券。他预测明年就会有人宣称做到了，但需要第三方去验证；真正有实质进展大概在 2027 年。 **第二个里程碑是门计算规模。**今天大多数玩家在 1 万次门计算这个量级。对比一下：你口袋里的 iPhone 每分钟能做几十亿次运算。1 万听起来像个笑话。真正的看点落在增速上：如果每年能在后面加一个零，2029 年就是 1000 万次门计算。克里希纳说，那个量级“能做出来的事情会把所有人吓一跳”。 萨克斯追问了“逻辑量子比特”这个术语。克里希纳说他不太喜欢这个词，因为它让人误以为纠错之后四个物理比特就能稳定变成一个逻辑比特，像 DRAM 单元那样干净。实际上一台机器的纠错是一个整体过程，粗略换算大概是 200 个物理比特对应 1 个逻辑比特。 ## AI 能不能绕过量子计算直接破解密码？他给出了一个物理层面的否定 萨克斯提到一位资深 AI 研究者的观点：不用等 2029 年，今天的 AI 模型就可能先一步破解密码学。逻辑是在数论前沿，AI 也许能发现人类没发现的证明路径，找到素数分布更好的预测方式，从而用纯经典算力破解加密。OpenAI 那周发布的数学成果被当成了这个预言的早期信号。 克里希纳罕见地“较真”了一次，从物理层面给出了否定： > 你不能在另一种架构上模拟某件事，还指望得到更高效的结果。量子计算机不运行算术运算，而所有经典计算机包括 GPU 都运行算术运算。AI 能不能发现新的量子算法？当然能。但它能不能高效运行这个算法？不可能，会慢一千到一万倍。（阿尔温德·克里希纳） 他的意思很清楚：AI 可以帮你*找到*算法，但拿不到量子算法真正的好处，必须要有量子硬件。不过他也没把话说死。萨克斯坚持说经典算力也许有另一条路径，克里希纳的回应是：理论上可能，但“如果破解一个密钥要花十年，大多数人也已经安息了”，这算不上一个实际可用的答案。 ## “你现在就该换掉 IT 栈了，我们已经晚了” 尼克什·阿罗拉（Nikesh Arora）是 Palo Alto Networks 的 CEO，他从防御方的视角把这件事说得更紧迫。 他提醒在场的人一个容易被忽略的事实：加密密钥分散在你整套 IT 基础设施的每一个角落，每条链路的每一端都有厂商的密钥。所以量子计算一旦成熟，能被破的是所有还没换成抗量子的地方，一处都跑不掉。 > 你不能等到 2029 或者 2030 年再动手。不会有一天所有人突然说，糟糕，我们花 5 万亿美元把 IT 基础设施全烧了重来一遍。你今天就该开始替换成量子安全的基础设施。（尼克什·阿罗拉） 中间方案是有的：市面上已经有可以立刻部署的技术，在流量外面再包一层后量子密钥，作为过渡。阿罗拉估了一下在场企业的状况，说你们今年 earmark 的几亿美元 IT 预算里，大概一半投在了不抗量子的基础设施上。 ## 开源权重与前沿模型的取舍，本质是一笔成本账 查马斯把话题拉回当下，他问两位怎么看开源、闭源、前沿、开源权重这一整个光谱。 阿罗拉给了一个很实用的分层思路：**先按任务决定需要多少智能，再算这份智能在这个任务上的成本。** 他举了自己公司的例子。Palo Alto 在端点侧每年花 20 美元，就能检查几百 MB 的流量，靠的是跑在你设备本地的机器学习模型，几十 MB 的模型文件。如果把所有这些流量都送到 OpenAI 去，用 token 计价，那么光一家公司的消耗可能就抵得上 OpenAI 一整年的营收。这显然不现实。所以那部分工作最后会落到压缩过的、任务专用的小语言模型上，训练到 99.9% 准确率就够用。 但反过来也有另一面。当你正在被攻击，客户知道这起入侵的业务损失以十亿美元计，这时候就该调最前沿的模型，让它放马过来，“往死里推理”，把攻击止住。所以前沿模型会出现在那些业务价值高到能撑得起成本的地方。 日常的防御场景，阿罗拉的态度是明确的：拿一个开源权重模型，喂自己的专有数据训练，自己管权重，这样才有可审计性、可解释性，出事时能说清是怎么发生的。 克里希纳从经济学角度给出了更具体的数字。今天上一代模型大约 20 美元每百万 token，最顶级的要 50 美元。如果拿一个中国的开源权重模型，比如 Kimi K3 这种 8000 亿参数的，跑在自己的 GPU 上，加上一周左右的工程优化，成本可以压到 1 到 2 美元每百万 token。 > 哪家企业会拒绝一个便宜 10 倍、甚至 40 倍，还能完成 95% 工作的方案？经济学在这里是决定性的。（阿尔温德·克里希纳） 他还补了两条理由。 第二条是 IP。如果你用的是带思维链的前沿模型，链条本身会被记录、被审计、被对方留存，等于把自己的思路交出去了。品牌和数据资产会逼着企业把模型搬回自己的机房。而前沿模型厂商不会卖给你权重，所以绕一圈还是回到开源权重。 第三条是地缘政治。今天最好的开源权重模型是中国的。克里希纳认为，只要你是把它放进沙箱自己跑，风险很小，从云端调用就是另一回事。但他同时判断，未来一两年西方一定会有同等能力的开源权重模型出来，中美之间的差距最多 6 到 12 个月。 三条加起来，他给的预测是：**75% 到 90% 的 token 用户最终会转向开源权重模型。** 查马斯继续追问：那剩下的 token 消耗，是真的需要，还是因为默认设置懒得改？克里希纳拿自己开玩笑： > 开发者是懒的。你不设管控，他们就会选最贵的那个答案，因为最省事。（阿尔温德·克里希纳） 所以他的建议是，实验阶段放开用最贵的做验证没关系，但一旦进入生产环境，除了极少数场景，继续用最贵的模型就是浪费。 ## 攻击者只需要一个漏洞，防御者要堵住每一个 查马斯换了个角度提问：你们两家实际上是在打一场战争，能不能从人类打过的战争里学到点什么？ 克里希纳给出了三条战争逻辑。 **第一是联盟。**把大家的漏洞集中起来，统一修补，统一下发补丁，让防御联盟的力量超过单个攻击者。这正是阿罗拉在推的合作项目：企业把发现的漏洞交给可信第三方，第三方修好、分发补丁，所有人在同一时间变安全。这套机制和今天网络安全行业共享攻击特征库是一个道理。 **第二是成本对称。**战争史上最常见的结果是攻击方比防御方便宜，防御方烧钱烧到撑不住就投降。所以目标是把防御做得同样便宜，让攻防成本对称，胜率才会上去。 **第三是技术代差。**二战、朝鲜、伊拉克，凡是有一方拿到技术优势的，基本都赢了。所以真正的目标是拿到技术优势，把对方的攻击成本抬到无法承受。 阿罗拉补充了 AI 在这件事上的双刃剑属性，他用 Mythos 这类代码模型举例：你教模型什么叫好代码，它同时就学会了什么叫坏代码。模型第一次被放出来扫代码库时，确实找出了大量漏洞，但当时幻觉率还有 30%。问题在于，**攻击方只需要一个真实漏洞，防御方要把每一个都找出来补掉。**他的估计是在场企业测出来的结果，大概 60% 到 80% 是真漏洞，20% 是幻觉。所以没有人敢不做二次验证就直接让 Claude Code 上去打补丁。 查马斯问了一个更直接的问题：智能体写的代码，是不是没有 bug？克里希纳答得干脆： > 不是。但它依然会比人写的代码更强。（阿尔温德·克里希纳） IBM 现在大约一半的代码由智能体写。之所以更强，是因为智能体在写出代码的同时会跑评估，确保它能发现的问题在代码出门前就被修掉。但克里希纳也承认这里的死结：我们只能找到我们知道怎么找的缺陷。这个循环在计算机科学里是出了名的，验证本身在计算上就不可行。除非输入被严格限定住，否则很难真正证明一段代码正确。 ## 没有一个国家会先停下来，这是这场军备竞赛的前提 萨克斯抛出了一个政治层面的推论：既然不可能出现各国手拉手一起停止 AI 开发的局面，那就必然演变成军备竞赛，必然需要攻防优势、需要算力储备、需要保护产业和就业。这个逻辑能不能说服那些主张叫停 AI 的人？ 阿罗拉用一个类比回答： > 世界上没有哪项技术在诞生时，人们是同步在建安全体系的。莱特兄弟造飞机的时候没有 TSA。你不会在坐上飞机之前先被要求脱鞋。（尼克什·阿罗拉） 他的判断是，过去一段时间公众被反复展示 AI 的阴暗面，舆论已经过度偏向风险叙事，关于收益的讨论被挤掉了。但这不改变一个事实：没人会减速。他给出的底线是责任归属： > 你建造了它，你就要对它负责。你不能放出去之后说，哎呀，我也不知道怎么控制它。这个说法不成立。你是商业企业，你从中获得了经济价值，你就必须承担你签下的那份责任。（尼克什·阿罗拉） 克里希纳把“控制”这件事说得更绝：除非全世界一起唱 Kumbaya 集体减速，否则根本控制不住。而只要有一个国家减速，日本、中国、印度没人会跟着减，他们会说太好了，你慢下来正好给我追赶的机会。他顺手拿欧洲举了例子：因为害怕所有可能性，所以先上监管，结果大家都看到了那边的科技经济有多“活跃”。 关于美国的政治现实，克里希纳给了一段比较内行的观察。参议院 2022 年就开过闭门听证，2023 年开过公开听证，众议院和白宫两届政府都反复讨论过，问题一直在原地打转。他认为 AI 和数据中心的监管议题，很大程度上是被民粹主义驱动的，跟技术现实关系不大。至于“50 个州全部禁止数据中心”这种说法，他的判断是不可能，但 30 个州禁是有可能的，剩下 20 个州会乐开花地把这些投资接走。 萨克斯补充了他上周在华盛顿的一次酒局：一位资深国会议员跟他说了两件事，一是一位全球最大公司之一的 CEO 对网络攻击已经怕到失控，二是第四季度可能出现 50 州联合封杀数据中心。萨克斯转述时自己也承认后一条不太可能，但他强调的是，**有人真的在这么想、这么说，这件事本身就是信号。** ## 算力集中在两个国家，这才是真正的不平等 查马斯问了一个更宏观的问题：这些模型能力越来越强，成本越来越低，最后会不会形成“有”和“没有”两个世界？ 阿罗拉不太担心软件层面的鸿沟，因为技术会便宜到人人可用。他真正担心的是算力分布： > 未来算力的快速发展，大概率只会出现在世界上两个大国。算力现在极度稀缺，你想跑任何规模化的事情都很难拿到。离震中越远，你拿到算力的可能性越低。这跟经济实力无关，纯粹是供给约束。你可能是一家欧洲公司，意图和动力都对，但某天突然发现，因为离震中太远，你拿不到美国或中国公司能拿到的那份算力。（尼克什·阿罗拉） 克里希纳则把它放进了更长的历史周期里。他认为这就是一次典型的资本与劳动的替换，17 世纪发生过，18 世纪发生过，19 世纪又发生过。过去七八轮里，愿意在资本上多投入、而不是死守劳动的一方，每一次都赢了。这一轮也不会例外，而中美这两个国家恰好都愿意走资本密集的路。 他接下来的判断比较尖锐：真正会输的，是那些把社会哲学绑在“保护每一个现有岗位”上的国家。他强调的是“每一个现存工作都不能动”这条红线，而不只是“要给劳动者机会”，这两件事完全不同。工作被替代和被迁移是可以接受的，因为迁移之后可能是更好的工作。**决定这一轮谁赢谁输的，是这种社会哲学。** ## IBM 大型机活了 65 年，靠的是垂直整合 查马斯是垂直整合的坚定信徒，他请克里希纳讲讲 IBM 巅峰时期的故事。 克里希纳说，IBM 大型机之所以能活 65 年，核心原因就是垂直整合。上世纪 60 年代，IBM 是真的“一路做到沙子”：自己找沙、自己做晶圆、自己建晶圆厂、自己做芯片，机器外面那层金属机壳也是自己做的。这么做的好处有两个，一是不让任何 IP 外泄，二是把整个技术栈的利润都留在公司内部。 今天 IBM 唯一不做的是晶圆制造，因为规模不够。但芯片设计、工程、可靠性、大部分软件仍然在内部。他给出的判断标准很清楚：如果这一层能带来非常重要的优势，就该自己做；如果是大宗商品，就买。 阿罗拉把这条逻辑延伸到了今天：**英伟达就是垂直整合的现代版本。**黄仁勋从最底层一直做到应用层，同时出钱投生态里的每一家，确保大家不偏离他这套纵向体系。垂直整合真正的价值在定价权： > 如果你控制了整个纵向栈，你就能决定哪一层被商品化。你可以把利润在层与层之间搬来搬去。当有人攻击你某一层时，你就把那一层的利润池打掉，把利润挪到另一层去。（尼克什·阿罗拉） 查马斯顺势追问：那 OpenAI 和 Anthropic 在应用层最该做的垂直整合是什么？ 阿罗拉的回答是，别被“开放模型”“开放权重”这些说法带偏，本质上是**开放栈对封闭栈**的竞争。他认为像 OpenRouter 这种只做路由的模式，未来会走不通，因为模型对内存和上下文的要求越来越高，推理已经无法和上下文、记忆分离。你能分离的只有推理 token 的搬运，而那点价值撑不起一个独立层。 真正的护城河在个人智能体。当你把所有上下文、所有 API、所有连接都喂给一个智能体，你就被锁定了，把任务搬到下一个栈的摩擦成本太高。所以应用层最终也会形成自己的垂直栈，覆盖软件、推理、记忆、上下文这整条链路。 他还预告了消费端接下来会发生什么：未来三个月，每一家前沿实验室都会在消费入口上全力押注。这个方向他们 6 到 9 个月前试过一次，没成；现在 Meta 演示了它可行，所有人都会跟进。随之而来的是，iPhone 上现存的每一个 App 都必须变成“无头”的。 ## SaaS 的真正问题在于终值算不出来 萨克斯最后把话题拉到横向扩张和并购。阿罗拉先从网络安全说起。 他这八年的观点没变过：客户不该买 40 个不同的安全产品再自己缝合。他拿自己第一份工作在富达投资（Fidelity）的经历做对比，当时有 23 个系统，今天合起来叫 CRM，那会儿要自己维护主表、拼接表、23 个应用。今天你去买 Salesforce 或 Microsoft Dynamics，一边嫌贵一边用。三十年间发生了什么？**整合成了一个平台，客户不再自己缝合。**他认为网络安全会走同一条路。 他也很坦诚地说，安全赛道最近估值好，是因为 AI 带来的恐慌，这个溢价会回归理性，因为所有人都会在安全上无限投入。 真正的问题在安全之外： > 软件的终值现在很难算。未来五到八年，到底哪些软件能活下来，没有人说得清。很多公司产品市场匹配正在被 AI 直接冲掉。我们都知道，如果 AI 用对了，现在这些软件应该长成什么样。我可以给你一半我买的软件画出一个 AI 原生版本该有的样子，那意味着一定有人会去做。接下来几年 SaaS 会经历巨大的颠覆。（尼克什·阿罗拉） 克里希纳把这个逻辑推得更远，给出了一个规模数字：**一家普通企业平均使用 500 到 5000 个不同的软件供应商。**在一个要防住所有攻击面的世界里，这本身就是一个巨大的风险敞口。他提的问题很实在：能不能用 AI 能力替掉其中的 490 个，只保留 5 到 10 个主平台？ 这意味着大规模整合，因为分发成本决定了这件事的经济性。软件本身的价值在下降，你就负担不起给每一个产品单独建分发渠道。整合会发生，区别只是六个月还是六年。 但他划了一条清晰的界线。被 AI 替代最快的，是那些交互密集的软件。而如果业务要求的是 10 的负 15 次方级别的可靠性，比如零售银行的账务查询、月末结账，那类软件很难被 AI 生成的代码轻易替换，因为替换它的成本优势根本不存在。 以下几条是这场对谈里可以直接拿去用的判断： - **查一下你今年的 IT 预算里有多少投在了不抗量子的基础设施上。**不用等 2029 年，现在就该开始评估加一层后量子密钥包裹作为过渡，并把新采购的抗量子能力写进供应商要求。 - **把“用哪个模型”变成一道成本题，而不是面子题。**按任务分层：日常高频任务用压缩过的小模型或自托管开源权重模型，只有在业务损失以千万美元计的场景才调前沿模型，并且给生产环境设 token 预算。 - **如果你在做企业软件，先问自己一个问题：这个产品的 AI 原生版本会长什么样？**如果你能清楚画出来，说明一定有人会去做。你要么自己做，要么准备好被整合。 - **对开源权重模型做一次沙箱测试。**别只看它有多强，关键在自托管之后能拿到多少可审计性，以及思维链不外流对你的 IP 有多重要。 - **算力会是未来几年最硬的约束。**如果你不在美国或中国，尽早锁定长期算力合约或区域部署方案，因为供给约束而不是价格，才是你拿不到算力的真实原因。 - **把漏洞共享当成一个战略动作来做。**单打独斗的防御成本永远高于攻击成本，加入或组建修补联盟，是少数能把攻防成本拉回对称的做法。