a16z Podcast
Summary & Insights
What happens when the bottleneck of the most powerful technology in history isn’t the code, but the copper mines? For decades, the tech industry operated on the belief that throwing more engineers at a problem could accelerate a product’s timeline—until they hit the “mythical man-month” limit where adding people actually slowed things down. AI has flipped this script. We have entered an era where capital can be converted almost directly into compute, and compute into intelligence. The limitation is no longer human engineering hours, but the raw physical resources of the earth: power, cooling, memory, and silicon.
To address this shift, a16z has launched the Machine Age Fund, focusing on the “south of the model” infrastructure. The conversation reveals a staggering disconnect between the software and hardware worlds; while AI software demands are growing by orders of magnitude, the physical infrastructure is lagging. We are seeing an unprecedented scenario where GPUs are pre-sold years in advance, and the demand for memory is so high that current capacity would take three years just to fulfill existing orders. This isn’t just about more servers; it’s about a fundamental redesign of data centers that were never built for the heat, weight, and power density of AI workloads.
The vision for the next decade is a transition from “artificial intelligence” to “machine intelligence,” treating AI not as a chatbot, but as a digital employee. This shift is driving a new wave of “systems founders”—often more experienced entrepreneurs—who are returning to hard-tech problems like DC power and liquid cooling. By rebuilding the stack from the ground up—from the electricity and reinforced concrete to bespoke ASICs designed for specific models—the goal is to create a sustainable, abundant infrastructure that prevents the current resource scarcity from capping the potential of machine intelligence.
Surprising Insights
- Capital as Compute: In a reversal of traditional software development, throwing money at AI infrastructure actually works to accelerate capabilities because the primary constraint is resource availability, not engineering complexity.
- The “Silver Brick” Theory: Incumbents like NVIDIA are so overwhelmed with “gold bricks” (high-margin, massive-demand products) that they may ignore “silver bricks” (innovations at the margins), leaving huge openings for agile startups to disrupt specific niches of the AI stack.
- Concrete as a Bottleneck: The physical requirements of AI data centers are so extreme—due to the immense weight of dense racks and the need for soundproofing—that the price of reinforced concrete has become a critical economic signal.
- The New Electrician: While AI is feared for taking jobs, it is creating a massive demand for specialized trades; for example, only 2% of US electricians are currently certified in the high-voltage DC power required for next-gen data centers.
Practical Takeaways
- Shift to “Employee” Mental Models: When integrating AI agents into a business, stop treating them as tools or search bars. Instead, treat them as new employees with their own “computers” and “browsers,” giving them high-level goals and managing them through a learning curve of behavior and reliability.
- Optimize for Tokens per Watt: For those building AI products, the focus must move from mere model performance to efficiency. As the cost of inference scales, the competitive advantage will shift to those who can achieve the highest “tokens per watt” or “tokens per dollar.”
- Look “South of the Model”: Entrepreneurs and investors should look beyond the LLM layers. The most significant opportunities now lie in the physical bottlenecks: specialized cooling, power management, and memory architectures tailored for matrix multiplication.
🛍️ Products & Resources Mentioned
- 📚 BookThe Mythical Man-Month by Frederick Brooks — Referenced to explain the traditional engineering law that adding manpower to a late software project makes it later, contrasting it with how capital can now be converted directly into compute.View on Amazon →
- 📚 BookFordlandia by Greg Grandin — Mentioned as a book about Henry Ford’s attempt to create a vertical industrial city in the Amazon jungle.View on Amazon →
Điều gì sẽ xảy ra khi nút thắt cổ chai của công nghệ mạnh mẽ nhất trong lịch sử không nằm ở mã nguồn, mà lại nằm ở những mỏ đồng? Trong nhiều thập kỷ, ngành công nghệ vận hành dựa trên niềm tin rằng việc huy động thêm kỹ sư cho một vấn đề có thể đẩy nhanh tiến độ ra mắt sản phẩm—cho đến khi họ chạm tới giới hạn “man-month huyền thoại” (mythical man-month), nơi mà việc thêm người thực chất lại khiến mọi thứ chậm đi. AI đã đảo ngược kịch bản này. Chúng ta đã bước vào một kỷ nguyên mà vốn có thể chuyển đổi gần như trực tiếp thành năng lực tính toán (compute), và năng lực tính toán chuyển thành trí tuệ. Hạn chế giờ đây không còn là số giờ làm việc của kỹ sư, mà là những tài nguyên vật lý thô của trái đất: năng lượng, hệ thống làm mát, bộ nhớ và silicon.
Để giải quyết sự chuyển dịch này, a16z đã ra mắt Quỹ Machine Age (Machine Age Fund), tập trung vào cơ sở hạ tầng “phía dưới mô hình” (south of the model). Cuộc thảo luận cho thấy một sự mất kết nối đáng kinh ngạc giữa thế giới phần mềm và phần cứng; trong khi nhu cầu về phần mềm AI đang tăng theo cấp số nhân, thì cơ sở hạ tầng vật lý lại tụt hậu. Chúng ta đang chứng kiến một kịch bản chưa từng có tiền lệ khi các GPU được bán trước nhiều năm, và nhu cầu về bộ nhớ cao đến mức công suất hiện tại phải mất ba năm mới có thể đáp ứng hết các đơn hàng hiện có. Đây không đơn thuần là câu chuyện về việc cần thêm nhiều máy chủ; mà là về một cuộc tái thiết kế căn bản các trung tâm dữ liệu vốn chưa bao giờ được xây dựng để chịu được mức nhiệt, trọng lượng và mật độ năng lượng từ các khối lượng công việc của AI.
Tầm nhìn cho thập kỷ tới là sự chuyển đổi từ “trí tuệ nhân tạo” sang “trí tuệ máy móc”, coi AI không phải là một chatbot, mà là một nhân viên kỹ thuật số. Sự chuyển dịch này đang thúc đẩy một làn sóng mới các “nhà sáng lập hệ thống” (systems founders)—thường là những doanh nhân dày dạn kinh nghiệm hơn—những người đang quay trở lại giải quyết các bài toán công nghệ khó (hard-tech) như nguồn điện DC và làm mát bằng chất lỏng. Bằng cách xây dựng lại toàn bộ hệ thống từ con số không—từ nguồn điện và bê tông cốt thép cho đến các chip ASIC tùy chỉnh được thiết kế cho các mô hình cụ thể—mục tiêu là tạo ra một cơ sở hạ tầng bền vững và dồi dào, nhằm ngăn chặn tình trạng khan hiếm tài nguyên hiện nay kìm hãm tiềm năng của trí tuệ máy móc.
Những hiểu biết bất ngờ
- Vốn là Năng lực tính toán: Ngược lại với phát triển phần mềm truyền thống, việc đổ tiền vào cơ sở hạ tầng AI thực sự có tác dụng đẩy nhanh khả năng vận hành, vì rào cản chính là sự sẵn có của tài nguyên, chứ không phải độ phức tạp về kỹ thuật.
- Thuyết “Viên gạch Bạc”: Những gã khổng lồ như NVIDIA đang quá choáng ngợp với những “viên gạch vàng” (các sản phẩm có biên lợi nhuận cao, nhu cầu khổng lồ) đến mức họ có thể bỏ qua những “viên gạch bạc” (những đổi mới ở vùng rìa), tạo ra cơ hội lớn cho các startup linh hoạt đột phá vào những ngách cụ thể của hệ sinh thái AI.
- Bê tông là Nút thắt cổ chai: Các yêu cầu vật lý của trung tâm dữ liệu AI khắt khe đến mức cực đoan—do trọng lượng khổng lồ của các tủ rack mật độ cao và nhu cầu cách âm—khiến giá bê tông cốt thép trở thành một tín hiệu kinh tế quan trọng.
- Những thợ điện thời đại mới: Trong khi AI bị lo ngại sẽ cướp đi công việc, nó lại tạo ra nhu cầu khổng lồ cho các nghề kỹ thuật chuyên dụng; ví dụ, hiện chỉ có 2% thợ điện tại Mỹ được cấp chứng chỉ về nguồn điện DC cao áp cần thiết cho các trung tâm dữ liệu thế hệ mới.
Bài học thực tiễn
- Thay đổi tư duy sang mô hình “Nhân viên”: Khi tích hợp các tác nhân AI (AI agents) vào doanh nghiệp, hãy ngừng coi chúng là công cụ hay thanh tìm kiếm. Thay vào đó, hãy đối xử với chúng như những nhân viên mới có “máy tính” và “trình duyệt” riêng, giao cho họ các mục tiêu cấp cao và quản lý họ thông qua quá trình học hỏi về hành vi và độ tin cậy.
- Tối ưu hóa Token trên mỗi Watt: Đối với những người xây dựng sản phẩm AI, trọng tâm phải chuyển từ hiệu suất thuần túy của mô hình sang hiệu quả. Khi chi phí suy luận (inference) tăng quy mô, lợi thế cạnh tranh sẽ thuộc về những ai đạt được số “token trên mỗi watt” hoặc “token trên mỗi đô la” cao nhất.
- Nhìn vào “Phía dưới mô hình”: Các doanh nhân và nhà đầu tư nên nhìn xa hơn các lớp LLM. Những cơ hội lớn nhất hiện nay nằm ở các nút thắt vật lý: hệ thống làm mát chuyên dụng, quản lý năng lượng và kiến trúc bộ nhớ được thiết kế riêng cho phép nhân ma trận (matrix multiplication).
當歷史上最強大的技術瓶頸不再是程式碼，而是銅礦時，會發生什麼事？數十年來，科技產業一直深信只要投入更多工程師就能縮短產品開發時程——直到他們撞上「人月神話」（mythical man-month）的極限，發現增加人力反而會降低效率。而 AI 翻轉了這個劇本。我們已進入一個資本幾乎可以直接轉換為算力，而算力可轉換為智能的時代。限制因素不再是人類的工程工時，而是地球的原始物理資源：電力、冷卻、記憶體和矽。
為了應對這一轉變，a16z 推出了「機器時代基金」（Machine Age Fund），專注於「模型南方」（south of the model）的基礎設施。這次討論揭示了軟體與硬體世界之間令人震驚的脫節；儘管 AI 軟體的需求呈數量級成長，但物理基礎設施卻滯後。我們正處於一個前所未有的局面：GPU 提前數年被預售，而對記憶體的需求如此之高，以至於目前的產能僅滿足現有訂單就需耗時三年。這不僅僅是增加伺服器的問題，而是需要對數據中心進行根本性的重新設計，因為這些設施在建造之初並非為了承受 AI 工作負載的高溫、重量和功率密度而設計。
未來十年的願景是從「人工智慧」轉向「機器智能」，將 AI 視為一名「數位員工」而非單純的聊天機器人。這一轉變正驅動著新一波的「系統創業者」——通常是經驗較豐富的創業家——重新回歸處理如直流電（DC power）和液冷等硬科技問題。透過從底層重新構建整個技術棧——從電力和鋼筋混凝土到為特定模型設計的專用 ASIC 晶片——其目標是打造一個可持續且充裕的基礎設施，防止目前的資源短缺限制了機器智能的潛能。
驚人之見
- 資本即算力： 與傳統軟體開發相反，向 AI 基礎設施投入資金確實能加速能力提升，因為主要的約束因素是資源可用性，而非工程複雜度。
- 「銀磚」理論： 像 NVIDIA 這樣的巨頭被「金磚」（高利潤、海量需求的產品）淹沒，可能會忽視「銀磚」（邊緣創新），這為靈活的初創公司在 AI 技術棧的特定利基市場中創造了巨大的顛覆機會。
- 混凝土成為瓶頸： AI 數據中心的物理要求極其苛刻——由於高密度機架的巨大重量以及對隔音的需求——導致鋼筋混凝土的價格已成為一個關鍵的經濟指標。
- 新型電工： 雖然人們擔心 AI 會取代工作，但它正創造對專業技職的大量需求；例如，目前美國僅有 2% 的電工持有下一代數據中心所需的高壓直流電認證。
實踐建議
- 轉向「員工」心智模型： 在將 AI 代理（Agents）整合到業務中時，停止將其視為工具或搜尋欄。相反，將其視為擁有自己「電腦」和「瀏覽器」的新員工，給予他們高層級的目標，並透過對其行為和可靠性的學習曲線來管理他們。
- 優化「每瓦 Token 數」： 對於開發 AI 產品的人來說，焦點必須從單純的模型性能轉向效率。隨著推理成本的擴展，競爭優勢將轉移到那些能實現最高「每瓦 Token 數」或「每美元 Token 數」的人手中。
- 關注「模型南方」： 創業家和投資者應將目光移至大語言模型（LLM）層級之外。目前最顯著的機會存在於物理瓶頸中：專門的冷卻系統、電源管理，以及為矩陣乘法量身定制的記憶體架構。
Que se passe-t-il lorsque le goulot d’étranglement de la technologie la plus puissante de l’histoire n’est pas le code, mais les mines de cuivre ? Pendant des décennies, l’industrie technologique a fonctionné selon la conviction que l’affectation de davantage d’ingénieurs à un problème pouvait accélérer le calendrier d’un produit — jusqu’à atteindre la limite du « mois-homme mythique », où l’ajout de personnel finissait par ralentir les choses. L’IA a renversé ce paradigme. Nous sommes entrés dans une ère où le capital peut être converti presque directement en puissance de calcul, et la puissance de calcul en intelligence. La limitation n’est plus le nombre d’heures d’ingénierie humaine, mais les ressources physiques brutes de la terre : l’énergie, le refroidissement, la mémoire et le silicium.
Pour répondre à ce changement, a16z a lancé le « Machine Age Fund », se concentrant sur l’infrastructure « south of the model » (en aval du modèle). La discussion révèle un décalage stupéfiant entre les mondes du logiciel et du matériel ; alors que les demandes en logiciels d’IA croissent de plusieurs ordres de grandeur, l’infrastructure physique est à la traîne. Nous assistons à un scénario sans précédent où les GPU sont pré-vendus des années à l’avance, et où la demande de mémoire est si élevée que la capacité actuelle mettrait trois ans rien que pour satisfaire les commandes existantes. Il ne s’agit pas seulement d’ajouter des serveurs, mais d’une refonte fondamentale des centres de données qui n’ont jamais été conçus pour la chaleur, le poids et la densité énergétique des charges de travail de l’IA.
La vision pour la prochaine décennie est une transition de « l’intelligence artificielle » vers « l’intelligence machine », traitant l’IA non pas comme un chatbot, mais comme un employé numérique. Ce virage stimule une nouvelle vague de « fondateurs de systèmes » — souvent des entrepreneurs plus expérimentés — qui s’attaquent à nouveau à des problèmes de « hard-tech » comme l’alimentation CC et le refroidissement liquide. En reconstruisant la pile technologique de A à Z — de l’électricité et du béton armé jusqu’aux ASICs sur mesure conçus pour des modèles spécifiques — l’objectif est de créer une infrastructure durable et abondante qui empêche la pénurie actuelle de ressources de plafonner le potentiel de l’intelligence machine.
Insights Surprenants
- Le capital comme puissance de calcul : À l’inverse du développement logiciel traditionnel, injecter de l’argent dans l’infrastructure d’IA fonctionne réellement pour accélérer les capacités, car la contrainte principale est la disponibilité des ressources, et non la complexité de l’ingénierie.
- La théorie de la « brique d’argent » : Les acteurs établis comme NVIDIA sont tellement submergés par les « briques d’or » (produits à forte marge et demande massive) qu’ils pourraient ignorer les « briques d’argent » (innovations marginales), laissant ainsi d’énormes opportunités aux startups agiles pour perturber des niches spécifiques de la pile IA.
- Le béton comme goulot d’étranglement : Les exigences physiques des centres de données d’IA sont si extrêmes — en raison du poids immense des baies denses et du besoin d’insonorisation — que le prix du béton armé est devenu un signal économique critique.
- Le nouvel électricien : Alors que l’on craint que l’IA ne supprime des emplois, elle crée une demande massive pour des métiers spécialisés ; par exemple, seulement 2 % des électriciens américains sont actuellement certifiés pour le courant continu haute tension requis par les centres de données de nouvelle génération.
Points Clés Pratiques
- Passer au modèle mental de l’« employé » : Lors de l’intégration d’agents d’IA dans une entreprise, cessez de les traiter comme des outils ou des barres de recherche. Considérez-les plutôt comme de nouveaux employés dotés de leurs propres « ordinateurs » et « navigateurs », donnez-leur des objectifs de haut niveau et gérez-les à travers une courbe d’apprentissage comportementale et de fiabilité.
- Optimiser les tokens par watt : Pour ceux qui créent des produits d’IA, l’accent doit passer de la simple performance du modèle à l’efficacité. À mesure que le coût de l’inférence augmente, l’avantage concurrentiel reviendra à ceux qui sauront obtenir le plus haut ratio de « tokens par watt » ou « tokens par dollar ».
- Regarder « en aval du modèle » : Les entrepreneurs et les investisseurs devraient regarder au-delà des couches de LLM. Les opportunités les plus significatives se trouvent désormais dans les goulots d’étranglement physiques : le refroidissement spécialisé, la gestion de l’énergie et les architectures de mémoire adaptées à la multiplication matricielle.
Was passiert, wenn der Engpass der mächtigsten Technologie der Geschichte nicht der Code ist, sondern die Kupferminen? Jahrzehntelang operierte die Tech-Industrie nach der Überzeugung, dass man die Entwicklung eines Produkts beschleunigen könne, indem man mehr Ingenieure auf ein Problem ansetzte – bis man an die Grenze des „Mythical Man-Month“ stieß, an der das Hinzufügen von Personal die Dinge tatsächlich verlangsamte. Die KI hat dieses Drehbuch umgeschrieben. Wir sind in eine Ära eingetreten, in der Kapital fast direkt in Rechenleistung (Compute) und Rechenleistung in Intelligenz umgewandelt werden kann. Die Einschränkung sind nicht mehr die menschlichen Engineering-Stunden, sondern die rohen physischen Ressourcen der Erde: Strom, Kühlung, Speicher und Silizium.
Um diesem Wandel zu begegnen, hat a16z den „Machine Age Fund“ ins Leben gerufen, der sich auf die Infrastruktur „südlich des Modells“ konzentriert. Die Diskussion offenbart eine erschreckende Diskrepanz zwischen der Software- und der Hardwarewelt; während die Anforderungen an KI-Software um Größenordnungen wachsen, hinkt die physische Infrastruktur hinterher. Wir erleben ein beispielloses Szenario, in dem GPUs Jahre im Voraus ausverkauft sind und die Nachfrage nach Speicher so hoch ist, dass die aktuelle Kapazität drei Jahre bräuchte, nur um bestehende Bestellungen zu erfüllen. Es geht hier nicht nur um mehr Server; es geht um ein grundlegendes Redesign von Rechenzentren, die niemals für die Hitze, das Gewicht und die Leistungsdichte von KI-Workloads gebaut wurden.
Die Vision für das nächste Jahrzehnt ist der Übergang von „künstlicher Intelligenz“ zu „Maschinenintelligenz“, wobei KI nicht als Chatbot, sondern als digitaler Mitarbeiter betrachtet wird. Dieser Wandel löst eine neue Welle von „Systems Founders“ aus – oft erfahrene Unternehmer –, die zu Hard-Tech-Problemen wie DC-Stromversorgung und Flüssigkeitskühlung zurückkehren. Durch den Neuaufbau des gesamten Stacks von Grund auf – von der Elektrizität und dem Stahlbeton bis hin zu maßgeschneiderten ASICs für spezifische Modelle – ist das Ziel, eine nachhaltige, reichhaltige Infrastruktur zu schaffen, die verhindert, dass die aktuelle Ressourcenknappheit das Potenzial der Maschinenintelligenz deckelt.
Überraschende Erkenntnisse
- Kapital als Rechenleistung: In einer Umkehrung der traditionellen Softwareentwicklung funktioniert es bei der KI-Infrastruktur tatsächlich, Geld in das System zu pumpen, um die Leistungsfähigkeit zu beschleunigen, da die primäre Einschränkung die Ressourcenverfügbarkeit ist und nicht die Komplexität des Engineerings.
- Die „Silver Brick“-Theorie: Etablierte Unternehmen wie NVIDIA sind so überwältigt von „Goldziegeln“ (Produkten mit hoher Marge und massiver Nachfrage), dass sie „Silberziegel“ (Innovationen an den Rändern) ignorieren könnten. Dies schafft enorme Lücken für agile Startups, um spezifische Nischen des KI-Stacks zu disruptieren.
- Beton als Engpass: Die physischen Anforderungen an KI-Rechenzentren sind so extrem – bedingt durch das immense Gewicht dichter Racks und die Notwendigkeit der Schalldämmung –, dass der Preis für Stahlbeton zu einem kritischen wirtschaftlichen Signal geworden ist.
- Der neue Elektriker: Während befürchtet wird, dass die KI Arbeitsplätze vernichtet, schafft sie eine massive Nachfrage nach spezialisierten Handwerken; so sind beispielsweise derzeit nur 2 % der US-Elektriker für die Hochspannungs-Gleichstromversorgung (DC) zertifiziert, die für Rechenzentren der nächsten Generation erforderlich ist.
Praktische Schlussfolgerungen
- Wechsel zu „Mitarbeiter“-Mentalmodellen: Wenn Sie KI-Agenten in ein Unternehmen integrieren, hören Sie auf, sie als Werkzeuge oder Suchfelder zu behandeln. Betrachten Sie sie stattdessen als neue Mitarbeiter mit eigenen „Computern“ und „Browsern“, geben Sie ihnen übergeordnete Ziele und führen Sie sie durch eine Lernkurve in Bezug auf Verhalten und Zuverlässigkeit.
- Optimierung auf Token pro Watt: Für diejenigen, die KI-Produkte entwickeln, muss sich der Fokus von der reinen Modellleistung hin zur Effizienz verschieben. Da die Kosten für die Inferenz skalieren, wird sich der Wettbewerbsvorteil zu denen verschieben, die die höchste Anzahl an „Token pro Watt“ oder „Token pro Dollar“ erreichen.
- Blick „südlich des Modells“: Unternehmer und Investoren sollten über die LLM-Schichten hinausblicken. Die bedeutendsten Chancen liegen nun in den physischen Engpässen: spezialisierte Kühlung, Energiemanagement und Speicherarchitekturen, die auf Matrixmultiplikation zugeschnitten sind.
Ben Horowitz, Martin Casado, Raghu Raghuram, and Erik Torenberg discuss the launch of a16z’s new Machine Age Fund and the infrastructure buildout behind AI, from chips, memory, and networking to power, cooling, and data centers.
Why a dedicated fund now? The group argues that the bottleneck in AI is increasingly shifting from the models themselves to everything beneath them. Hyperscaler CapEx is surging, critical components are booked years in advance, and each new generation of reasoning and agents requires dramatically more compute. They unpack why this cycle looks different from previous infrastructure booms and how AI is turning problems once constrained by engineering into problems that can increasingly be attacked with capital and compute.
They also explore where the next generation of infrastructure companies could emerge, why founders are returning to hard technical problems across hardware and systems, and what it will take to rebuild the computing stack for the Machine Age.
Resources:
Read more about the Machine Age Fund : https://www.a16z.news/p/the-machine-age-fund
Follow Ben Horowitz on X: https://x.com/bhorowitz
Follow Raghu Raghuram on X: https://x.com/RaghuRaghuram
Follow Martin Casado on X: https://x.com/martin_casado
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
-
Ruby Thelot on Internet Culture, AI, and the Future of Taste
Sophia Dew and Sofia Puccini are joined by Ruby Thelot, designer, artist, cyberethnographer, professor at NYU, and founder of 13101401, for a wide-ranging conversation about internet culture, AI, digital communities, and how technology is reshaping…
-
Marc Andreessen and Chris Dixon: What’s at Stake in Crypto Regulation
Marc Andreessen, Chris Dixon, and Robert Hackett discuss one of the most consequential policy debates facing the crypto industry: the push for comprehensive U.S. market structure legislation and what regulatory clarity could mean for innovation,…
-
How Enterprise AI Really Gets Deployed
Sarah Wang and Kimberly Tan are joined by Jesse Zhang and Ashwin Sreenivas, co-founders of Decagon, to discuss the evolution of enterprise AI agents, why the company increasingly relies on open-source models, and how it…
-
AI for America’s Small Businesses | Lassie
Alex Rampell and Olivia Moore speak with Lassie cofounders Steijn Pelle and Frédéric Renken about bringing AI to one of the most overlooked parts of the economy: small businesses. Inspired by time spent working inside…
-
AI Micro Dramas, Generative Media, and the Future of Creativity
Justine Moore, partner at Andreessen Horowitz, joins New Economies to explore the rapid evolution of generative media and why AI-native content is reaching an inflection point. They discuss the rise of AI micro-dramas, how creators…
-
Fei-Fei Li on Spatial Intelligence and Robotics
Last week, World Labs announced its acquisition of SceniX, bringing together two teams working on one of AI’s biggest unsolved problems: how to give machines a true understanding of the physical world. Martin Casado sits…
-
Steven Sinofsky: AI Doesn’t Need New Rules Yet
Steven Sinofsky joins Theo Jaffee and Sofia Puccini for a conversation on AI regulation, open-source models, and what history can teach us about technological revolutions. Drawing on decades of experience leading products at Microsoft, Sinofsky…
-
Ben Horowitz: The Fight Over Open Source AI
Ben Horowitz joins Theo Jaffee and Sofia Puccini to discuss one of the biggest debates in AI today: the future of open-source models. They examine the growing push to restrict open models, why Ben believes…
-
Sriram Krishnan on Open Source AI’s Biggest Week Yet
Sriram Krishnan joins Theo Jaffee and Sofia Puccini just after concluding his tenure as Senior White House Policy Advisor on AI to discuss one of the biggest weeks yet for open-source AI. They unpack the…
-
Building the Physical AI Stack | Travis Kalanick on TBPN
Travis Kalanick joins TBPN to discuss Atoms, his vision for industrial AI, and why he believes the biggest opportunities in AI lie beyond software. He explains how Atoms is bringing autonomy to mining, logistics, and…