来源： YouTube (All-In Podcast) | Pat Gelsinger, Anton Osika | Jul 15, 2026 播客： All-In Podcast 分类： 其他 原文发表： Jul 15, 2026 纪要生成： 2026-07-20
本期节目包含两部分深度对话。第一部分嘉宾是帕特·基辛格 (Pat Gelsinger)，他曾在英特尔工作长达 34年，并于后期回归担任CEO。他深刻剖析了这家曾经的美国传奇公司如何从巅峰坠落，错失了智能手机和AI芯片时代，并被NVIDIA和台积电全面超越。他同时分享了AI超级周期的发展前景与地缘政治风险。第二部分嘉宾是安东·奥西卡 (Anton Osika)，他是热门AI编程平台 Lovable 的创始人兼CEO。在“Vibe Coding”概念备受追捧的当下，他阐述了Lovable如何将目标从“让任何人都能构建软件”升级为“成为用户的AI联合创始人”，驱动完整业务运转，并展示了其在 20个月内 创造的惊人增长。
本节重点
详细精要
他将英特尔描述为可能是有史以来最伟大的美国公司之一，其“Intel Inside”营销战役深入人心，消费者会根据是否有“Intel Inside”和奔腾处理器的音效来选购电脑。
英特尔从巅峰“脱轨”的宏观问题：节目主持人指出英特尔后来完全脱离了轨道，被一系列竞争对手彻底击败。
💬 精华片段（中文）
“可能是美国有史以来最伟大的公司之一。然后它绝对地脱轨了，被Nvidia、台积电，我想还有苹果在一定程度上彻底击垮了。” "Probably one of the greatest American companies ever. And then absolutely went off the rails and got absolutely demolished by Nvidia, TSMC, and I guess Apple to a certain extent."
本节重点
详细精要
当他 2001年 成为CEO时，他是 十五年来 首位具有技术背景的CEO。他将此与当今伟大的科技公司对比，即使是 萨提亚·纳德拉 (Satya Nadella) 和 桑达尔·皮查伊 (Sundar Pichai) 这类非创始人的CEO，也都是 深深根植于技术的个体。
灾难性的资本错配：1000亿美元股东回馈：基辛格揭示了在技术投资上极度短视的财务决策。
从根本上讲，问题在于决策方式：商业领袖用 电子表格 来评估投资，单看经济模型，这些技术投资的回报往往不佳。但技术领袖明白，是技术趋势决定了投资的正确性，而不是反过来。
对后知后觉的反思与苹果的类似行为对比：讨论了英特尔错失iPhone芯片订单和苹果自身的资本策略。
💬 精华片段（中文）
“当你做这些影响数十亿美元的硬核技术决策时，你不能通过电子表格来做。因为它会告诉你这是个糟糕的投资……除非技术趋势决定了这才是正确的投资。” "When you're making these hardcore technical decisions that affect billions of dollars, you don't do that through a spreadsheet. That's a lousy investment... unless the technology trends make it the right investment."
本节重点
详细精要
当乔布斯不再相信英特尔能持续实现其要求时，他秘密启动了自研项目。苹果开始收购像 P.A. Semi 这样的小公司，从内部做一些小芯片，然后逐步扩大规模。基辛格称乔布斯是这方面的大师，擅长从小处着手，构建核心竞争力。
乔布斯的“B计划”早已准备就绪——暗度陈仓的软件移植：基辛格分享了一个令他震惊的关键故事，揭示了乔布斯的深谋远虑。
乔布斯的回答让他震惊：“我已经为这事准备了四个版本的macOS了。”这意味着，早在双方洽谈之前，苹果内部的核心技术团队就已经在暗中为架构切换做准备，乔布斯只是看到了技术成熟的时机。这体现了苹果总在为未来可能发生的变化做好技术储备。
从供应失败到自建生态的决裂逻辑：基辛格分析了苹果做此决策的深层原因。
💬 精华片段（中文）
“我记得我对史蒂夫说，‘史蒂夫，我们会帮你们把操作系统移植到x86上。’ 我记得史蒂夫说，‘我已经为这事准备了四个版本的macOS了。’ 我当时真是惊呆了。” "I remember that Steve said, 'I've been working on that for the last four releases.' He had been preparing the core technologies inside of Apple for something that might happen in the future... I just remember I was just shocked."
本节重点
详细精要
真正的转变始于NVIDIA开始构建强大的软件栈，即 CUDA 和 SIMT (单指令多线程) 技术。这种软硬件结合的模式，与乔布斯的策略有异曲同工之妙，硬件的性能被软件一代一代地持续释放和提升。
关键的转折点：来自HPC社区的“意外发现”：他指出了GPU从游戏卡转变为通用计算核心的决定性时刻。
当时AI正处于其“第五次核冬天”，大多数人认为它永远无法取得突破。然而，围绕着NVIDIA建立起来的社区和CUDA软件持续迭代，使之变得愈发完善。
英特尔的擦肩而过：Larabee项目的悲剧：基辛格透露了英特尔内部一个类似的、导致历史轨迹改变的项目。
💬 精华片段（中文）
“我们当时拥有最强大的CPU技术，所以有点嘲笑他们的机器。‘哦，那就是个图形处理器，有些游戏玩家喜欢用那种东西。’” "When we were at the height of our strength on CPUs, at Intel, we sort of scoffed at his machines. 'Oh, that's a graphic machine. You know, there's some gamers who want to use that kind of stuff.'"
本节重点
详细精要
与此形成鲜明对比的是，英特尔当时奉行的是 IDM (集成设计与制造) 模式。英特尔的晶圆制造工艺和工厂从不向第三方开放，它只为自己的CPU和芯片组服务。
技术层面的开放与封闭：英特尔封闭的技术工具链成为其代工业务的根本障碍。
台积电则“从中间一切为二”，将设计与制造分开。他们通过使用标准化的 PDK (制程设计套件) 来连接各类设计工具，向全世界宣布：“无论你用什么设计，我都是你的制造伙伴”。
缓慢积累转变成的压倒性优势：基辛格用数据指出了这种模式颠覆的长期性。
💬 精华片段（中文）
“台积电基本上是从中间把这（封闭体系）一切为二，然后说，‘我不在乎这是谁的芯片，我不在乎你正在设计什么，我会是你的制造伙伴。’” "TSMC basically cut that in half and says, I don't care whose chip it is. I don't care what you're designing, I'll be your manufacturing partner."
本节重点
详细精要
他强调这是有实质性意义的进展，但离 50% 的目标仍有很长的路要走，“我们必须走得更快、更有力”。
“3周崩溃”的可怕地缘政治模型：基辛格引用《华尔街日报》的一篇文章，描绘了一个触目惊心的脆弱性场景。
对一个晶圆厂来说，一旦断电关机，恢复生产需要90天。因此，无需一枪一弹，仅仅切断能源供应，造成的经济损失将超过全球大萧条。这足以让所有人背脊发凉。
演习常态化与供应链韧性的紧迫性：他强调这不是一种假设的理论风险。
💬 精华片段（中文）
“台湾岛的能源储备不到3周。哇，这简直让人不寒而栗，因为封锁三周后，整个岛就会陷入黑暗。而一旦晶圆厂关机，90天内都无法恢复。” "The island of Taiwan has less than 3 weeks of energy reserves. That should just put a chill in everybody's spine, right? Because the blockade after 3 weeks, the island browns out. When you turn off a fab, it doesn't come back on for 90 days."
本节重点
详细精要
逻辑很简单：没有人会在没有能源的地方建造数据中心并购买GPU。这个硬性限制确保了资本市场不会在AI投资上过度超前、无限膨胀，给他带来了极大的心理安慰。
代币经济学与杰文斯悖论的无限价值论：基辛格阐述了他对AI领域发展的根本乐观来源。
他个人的宏大目标是将AI的性能提升 10,000倍，并将每个代币的成本和能耗降低五个数量级。一旦算力足够便宜，根据杰文斯悖论，对AI的访问和使用将呈现爆发式增长，催生更多经济实惠的应用。他认为这是 几十年 的建设周期，而非几年。
技术乐观主义者的宣言：基辛格以对人类历史的宏观视角总结当下。
💬 精华片段（中文）
“人类历史上，从来没有比现在更适合成为一名技术专家了。我们将解决化学问题，我们将解决语言问题，我们将发明新材料……攻克癌症，让人们摆脱贫困。” "There has not been a time in human history where it's been better to be a technologist than the one we're in right now. We will solve chemistry. We will solve language. We will invent new materials... killing cancer, lifting people out of poverty."
本节重点
详细精要
他定义了经典计算、AI计算和量子计算的“三位一体”。认为这三者结合时，才是技术真正变得“激动人心”的时刻，将释放出远超当前想象的能力。
量子计算的落地时间表与意义：针对量子计算“永远还有5年”的调侃，基辛格给出了具体的时间预测和理由。
它的意义在于能完成“今天无法计算的任何事物”，特别是在化学、生物学、材料科学领域，以及经典的 旅行商问题 (TSP) 这类寻找最优路径的物流难题。这将是继经典和AI之后的又一次范式革命。
对竞争格局和“Q-Day”的判断：基辛格以其投资的 PsiQuantum 为例，分享了对行业终局的看法。
💬 精华片段（中文）
“量子计算距离能实现有意义的事情大概还有5年时间，这个说法已经存在了25年。那么它到底什么时候才能做出点有意义的事？”——“这个十年。这个十年。” "Quantum's been about 5 years away for 25 years. When is it actually going to do anything meaningful?" — "This decade. This decade."
本节重点
详细精要
第二个鸿沟是围绕产品“建立一个业务”。这是Lovable当前大力投入的新方向，旨在帮助用户更好地运营其业务、获得用户和曝光。
令人瞩目的用户画像和增长趋势：他揭示了产品的使用范围远不止于个人开发者。
💬 精华片段（中文）
“我们看到了每周有一百万个新项目在Lovable上被创建出来……每个月，这些应用的访问量超过7亿次。” "We're seeing a million new projects built every single week on Lovable... more than 700 million visits to the applications every month."
本节重点
详细精要
根本性的变化来自 LLM（大语言模型）。正是内嵌了这种新的智能，才使AI工具如Lovable能生成真正优秀的软件。它不再是玩具，而是可以交付的生产力工具。
二元但融合的理想客户画像：安东·奥西卡清晰地定义了Lovable渗透的两大群体及其各自看重的价值点。
💬 精华片段（中文）
“很多工程师现在根本不看代码，不写代码了。这意味着，你不需要是工程师也能创造软件。但Lovable为任何人，尤其是非技术人员所做的，是为其构建的软件创建一个架构，确保你不会‘掉下悬崖’。” "Many engineers they don't look at the code, they don't write code anymore... the thing that Lovable does for anyone, also the non-technical people, is that it creates a structure for the architecture of the software that you build and it makes sure that you don't go off a cliff."
本节重点
详细精要
然而，运营“创始人大学”项目的一位非技术背景女同事，“在没有征得许可的情况下”，自己订阅了Lovable并开始构建。结果在 4到8小时** 的对话式开发中，她不仅完成了整个内部网，还加入了Jason未曾要求的功能。
极低成本下的复杂业务能力迭代：Jason进一步测试了平台处理复杂模糊的业务逻辑的能力。
他采用了“人类Prompt + Boss Prompt”的方式：“嘿，我有一个想法，你能帮我把这50家公司的经济影响做出来吗？”他引导着（Prompting）AI，考虑了员工数、税收、住房租金、平均工资等复合变量。Lovable成功地构建了这项复杂的、带有经济运算和可视化能力的商业功能。
量化平台带来的颠覆性价值：Jason最终用数字对比来总结这次体验带来的震撼。
💬 精华片段（中文）
“‘哇，你，你是怎么把这个建起来的？’她说，‘Lovable。’我说，‘哦，我们还在用Lovable呢。’然后她说，‘我就是把它放在了公司信用卡上。’” "'Whoa, where, how did you build this?' She said, 'Lovable.' I was like, 'Oh, we still have Lovable.' And they're like, 'I just put it on my corporate card.'"
本节重点
详细精要
Jason坦言其最大顾虑曾是数据安全和泄露。但经过团队与Lovable的沟通和渗透测试，确认其内部应用是安全的。奥西卡强调，他们在用户看不见的安全和信任上进行了“大量、大量、大量”的投资，即使是免费用户的后台也运行着安全扫描，这些都是安全专家可以验证的。
从构建到运维的平台能力跃迁：奥西卡描述了公司一个增长极其迅猛的新产品线。
这标志着Lovable正从一个“开发工具”演变为一个“应用平台”。
迈向终极愿景：“AI 联合创始人”：奥西卡阐述了他们正在尝试的最前沿功能，旨在解决用户“做完产品然后呢？”的问题。
💬 精华片段（中文）
“我们的一些客户在内测阶段，可以使用一个当你睡觉时还在为你工作的AI联合创始人。它会在早上回来找你，告诉你：‘这里有一些你可以考虑的战略方向，这是一些可以进一步优化你的业务增长和服务客户的方法。’” "We're working with some of our customers in pre-release to give them access to a co-founder that works for you even when you're sleeping, and comes back to you in the morning and says like, 'Here are some strategic directions you could go, here's some optimizations you can do in terms of growing your business faster, serving your customers better.'"
本节重点
详细精要
结果是，单单这一项替公司每年节省了超过100万美元。他认为，定制化软件不仅是为了省钱，更多是因为，一些企业的特殊需求是标准化的SaaS完全无法满足的。
与主流工具的深度互操作与安全：安东·奥西卡澄清了Lovable的定位不是与所有工具为敌。
这意味着企业可以继续使用Salesforce等核心工具，但使用Lovable为其打造一个定制化的操作界面。
务实的多模型战略与自研道路：针对Lovable是否会被不断涌现的新基础模型取代，奥西卡揭示了其核心战略。
他们正在斯德哥尔摩组建强大的“后训练”研究团队。当模型在特定任务或调用特定工具时犯错，他们会收集这些“错误”作为数据集，并使用强化学习等技术训练自己的模型，使其在Lovable的Agent Harness中表现更优。这成为了Lovable独立的模型护城河。
远离Token倾销的健康商业模式：奥西卡驳斥了外界关于Lovable是“Token转售商”的猜测。
💬 精华片段（中文）
“我们一直在监控利润率，但再次强调，我们所做的都是对客户最好的选择，这通常意味着使用更多的智能。我们从来不会做出这样的决定：‘哦，咱们在这儿用一个更便宜的模型吧’，只要这对我们的客户来说是可衡量的更差。” "We always monitor our margins, but again what we're doing what's best for our customers and that means that often means more intelligence. So we're not looking at 'oh let's use a cheaper model here' if it's measurably worse for our customers, and we can measure that."
本节重点
详细精要
在Lovable时代，因为工程实现不再是瓶颈，真正的瓶颈是“弄清楚到底该构建什么”，他鼓励在人力充足时，用不同方式尝试解决同一问题，这是一种高效的市场化实验。
AI驱动的竞品分析与功能整合：他分享了在Lovable上如何处理这种多线开发的实践。
方法是“拆分测试”：开一个新项目，然后用自然语言命令它：“去查看另一个项目，把你发现的我喜欢的这三个功能带过来，并运行一次A/B测试，看看它们是否提升了客户的指标。”这使得代码功能的“借鉴”和“融合”变得前所未有的简单。
对Anthropic新模型Fable的评价：安东·奥西卡作为合作伙伴，对最新AI模型的能力给出了专业观察。
💬 精华片段（中文）
“由于工程实现不再成为瓶颈，真正的问题变成了‘要构建什么才是对的？’我认为，如果你有足够多的人手，去尝试用不同的方法解决同一个问题，是件很棒的事。” "Since the engineering is less of the bottleneck, it's more the question of what is the right thing to build. I think it's a great thing to have if you have sufficiently many humans to try to attempt solving the same problem in different ways."
| 术语 | 解释 |
|---|---|
| IDM (整合设计制造) | 英特尔传统的商业模式，即芯片设计、制造、封装测试全部由自家工厂完成，与代工模式截然相反。 |
| EUV (极紫外光刻) | 生产7nm及以下制程尖端芯片所必需的关键光刻设备，由荷兰公司ASML垄断。英特尔曾因未及时投资而落后。 |
| CUDA (统一计算设备架构) | NVIDIA推出的并行计算平台和编程模型，允许开发者利用GPU的强大算力进行图形以外的通用计算，是其最重要的软件护城河。 |
| SIMT (单指令多线程) | NVIDIA GPU中采用的一种并行计算架构，允许一条指令同时控制多个线程处理不同数据，非常适合AI、HPC等任务。 |
| HPC (高性能计算) | 指利用超级计算机和并行处理技术解决复杂的科学、工程和商业问题。最早发现GPU可用于HPC是NVIDIA崛起的转折点。 |
| PDK (制程设计套件) | 晶圆代工厂提供给芯片设计公司的技术文件，包含特定工艺节点的设计规则、库单元和仿真模型，是设计与制造之间标准化的接口。 |
| EDA (电子设计自动化) | 指利用计算机软件来设计电子系统（如集成电路）的一系列工具。英特尔的专有EDA工具阻碍了其向外提供代工服务。 |
| 芯片法案 (CHIPS Act) | 美国政府旨在通过提供财政补贴和税收抵免，将半导体制造业带回美国本土、增强供应链韧性的法案。 |
| 杰文斯悖论 (Jevons Paradox) | 经济学概念，指技术进步提高了资源效率，反而导致该资源总消耗增加，而非减少。被用来比喻代币成本降低后，AI的使用量将爆炸式增长。 |
| 代币经济学 (Token Economics) | 在本文中指用“代币”作为衡量智能的抽象单位，探讨其成本(“cost per token”)与赋能价值的经济哲学。 |
| 旅行商问题 (TSP) | 经典的组合优化问题，即寻找访问一系列地点并回到起点的最短路径。随着城市增加，计算量呈阶乘式增长，是量子计算机的典型应用场景。 |
| Vibe Coding | 近期流行的术语，指开发者通过与AI进行自然语言对话(发出“vibe”)来生成软件，而无需手写代码的开发方式。 |
| 无代码/低代码 (No-code/Low-code) | 早于Vibe Coding的软件开发方式，通过拖拽等图形化界面快速构建应用，但逻辑能力有限。本文认为AI驱动的开发是其未竟梦想的实现。 |
| 后训练 (Post-training) | 在基础大模型训练完成后，使用特定领域的数据集、人类反馈或强化学习等技术，对其进行进一步微调，以提升在特定任务上的表现或安全性。 |
| 强化学习 (Reinforcement Learning) | 一种机器学习范式，Agent通过与环境互动、执行动作并获得奖励或惩罚来学习最优策略。Lovable用它来针对内部高频错误训练自己的模型。 |
| Q-Day | 指量子计算机的能力强大到足以破解当前保护互联网、银行系统和政府机密的加密算法（如RSA）的理论上的日期。 |
| 量子优越性 (Quantum Supremacy) | 指量子计算机在某个特定问题上展现出远超任何经典超级计算机的计算能力的时刻。 |
| 竞合 (Co-opetition) | 由竞争和合作组成的合成词。本文借用了CERN粒子物理团队独立研究、延迟共享成果的模式，来描述Lovable上通过不同项目进行良性竞争式实验的文化。 |