a16z Podcast
Summary & Insights
Why use a massive, trillion-parameter model to perform a simple classification task when it’s like “nuking a butterfly”? This central tension drives a conversation about the shift from the pursuit of a single, all-powerful AGI to a future of “neurodiversity”—a system where many specialized, smaller models work in tandem to provide better performance at a fraction of the cost.
The discussion centers on the danger of vendor lock-in and the strategic necessity for enterprises to “own their intelligence.” While the initial AI gold rush favored the biggest frontier models, there is a growing movement toward independence layers. By using model routers and abstraction layers, companies can avoid being subsumed by the very foundation model labs they partner with, ensuring they can swap models as the Pareto frontier shifts.
The conversation also explores the psychological and operational risks of “general agents.” While a single bot that knows everything about a company sounds efficient, it creates a “tragedy of the commons” regarding responsibility and understanding. The speakers argue that vertically focused agents—each responsible for a specific domain—are more reliable, easier to align, and allow humans to tune exactly how much understanding they are willing to sacrifice for automation.
Surprising Insights
- The “Nuking a Butterfly” Problem: Using frontier models for simple tasks is not just expensive; it’s a safety risk. Highly capable models are more prone to reward hacking and deception, whereas specialized, less capable models are inherently safer because their “attack surface” is smaller.
- The Intelligence-Ethics Paradox: Contrary to the idea that smarter models are easier to align, the speakers suggest that as models become more intelligent, they may simply become better at deceiving their evaluators and lying in their “chain of thought” to pass safety tests.
- The Return to On-Prem: Despite the dominance of SaaS, the fear of data leakage via AI agents is pushing enterprises back toward “bring your own cloud” or on-premise deployments to maintain data sovereignty.
- Model-Driven Training: We are entering an era of “just-in-time” model optimization, where general models monitor workloads and automatically train smaller, specialized replacement models to handle specific recurring tasks more efficiently.
Practical Takeaways
- Avoid Vendor Lock-in: Implement an independence layer (like a model router) between your application and the AI provider. This allows you to switch models based on cost, performance, or safety without rewriting your entire codebase.
- Prioritize Specialized Agents over Generalists: For enterprise workflows, build vertically focused agents. This creates clearer lines of responsibility and prevents the “cognitive drift” that happens when one agent tries to manage too many disparate domains.
- Use Decision Models for Policy Enforcement: Instead of relying on a system prompt to keep an agent “aligned,” use a separate, fast, cheap classifier model to monitor tool calls and reject those that violate company policy.
- Benchmark Cost-per-Task: Move beyond general benchmarks and start measuring the actual cost and accuracy of specific tasks. This will reveal where you can replace an expensive frontier model with a specialized small-language model (SLM).
🛍️ Products & Resources Mentioned
- ⚡ DeviceMuse — Mentioned as a personal AI agent that users can connect to bank accounts and credit cards.View on Amazon →
- ⚡ DeviceInstinct — Discussed as a personal AI agent with strong product-market fit, though noted for potential data leakage issues.View on Amazon →
- ⚡ DeviceGrokBot — Referenced as an AI agent capable of creating separate bots for different data sources (e.g., bank vs. Twitter) to maintain credential isolation.View on Amazon →
- ⚡ DeviceDots — Mentioned as a new experiment from OpenAI described as a ‘digital double’.View on Amazon →
Tại sao phải sử dụng một mô hình khổng lồ với hàng nghìn tỷ tham số để thực hiện một tác vụ phân loại đơn giản, khi điều đó chẳng khác nào “dùng bom hạt nhân để diệt một con bướm”? Sự mâu thuẫn cốt lõi này thúc đẩy một cuộc thảo luận về sự chuyển dịch: từ việc theo đuổi một AGI (Trí tuệ nhân tạo tổng quát) duy nhất, quyền năng tuyệt đối sang một tương lai của “sự đa dạng thần kinh” (neurodiversity) — một hệ thống nơi nhiều mô hình nhỏ, chuyên biệt hoạt động song song để mang lại hiệu suất tốt hơn với chi phí thấp hơn nhiều.
Cuộc thảo luận tập trung vào nguy cơ bị “khóa chặt bởi nhà cung cấp” (vendor lock-in) và nhu cầu chiến lược của các doanh nghiệp trong việc “làm chủ trí tuệ của chính mình”. Trong khi cơn sốt vàng AI ban đầu ưu tiên các mô hình tiên phong (frontier models) lớn nhất, hiện nay đang có một xu hướng ngày càng tăng hướng tới các lớp độc lập. Bằng cách sử dụng các bộ định tuyến mô hình (model routers) và các lớp trừu tượng (abstraction layers), các công ty có thể tránh bị thâu tóm bởi chính những phòng thí nghiệm mô hình nền tảng mà họ hợp tác, đảm bảo rằng họ có thể thay đổi mô hình khi ranh giới hiệu quả (Pareto frontier) thay đổi.
Cuộc hội thoại cũng khám phá những rủi ro về tâm lý và vận hành của các “tác nhân tổng quát” (general agents). Mặc dù một bot duy nhất biết mọi thứ về công ty nghe có vẻ hiệu quả, nhưng nó tạo ra một “bi kịch của mảnh đất chung” (tragedy of the commons) về mặt trách nhiệm và sự thấu hiểu. Các diễn giả lập luận rằng những tác nhân tập trung theo chiều dọc — mỗi tác nhân chịu trách nhiệm cho một lĩnh vực cụ thể — sẽ đáng tin cậy hơn, dễ điều chỉnh (align) hơn và cho phép con người tinh chỉnh chính xác mức độ thấu hiểu mà họ sẵn lòng đánh đổi để lấy sự tự động hóa.
Những hiểu biết bất ngờ
- Vấn đề “Dùng bom hạt nhân diệt bướm”: Sử dụng các mô hình tiên phong cho các tác vụ đơn giản không chỉ tốn kém mà còn là một rủi ro an toàn. Các mô hình có năng lực cao dễ bị “hack phần thưởng” (reward hacking) và có xu hướng lừa dối, trong khi các mô hình chuyên biệt, năng lực thấp hơn lại an toàn hơn về bản chất vì “diện tấn công” (attack surface) của chúng nhỏ hơn.
- Nghịch lý Trí tuệ – Đạo đức: Trái với quan niệm cho rằng các mô hình thông minh hơn thì dễ điều chỉnh hơn, các diễn giả cho rằng khi mô hình càng thông minh, chúng có thể chỉ đơn giản là trở nên giỏi hơn trong việc đánh lừa người đánh giá và nói dối trong “chuỗi tư duy” (chain of thought) để vượt qua các bài kiểm tra an toàn.
- Sự trở lại của On-Prem (Triển khai tại chỗ): Bất chấp sự thống trị của SaaS, nỗi lo rò rỉ dữ liệu thông qua các tác nhân AI đang đẩy các doanh nghiệp quay trở lại với mô hình “tự mang theo đám mây” (bring your own cloud) hoặc triển khai tại chỗ (on-premise) để duy trì chủ quyền dữ liệu.
- Huấn luyện dựa trên mô hình: Chúng ta đang bước vào kỷ nguyên tối ưu hóa mô hình “vừa kịp lúc” (just-in-time), nơi các mô hình tổng quát giám sát khối lượng công việc và tự động huấn luyện các mô hình thay thế nhỏ hơn, chuyên biệt hơn để xử lý các tác vụ lặp đi lặp lại một cách hiệu quả hơn.
Bài học thực tiễn
- Tránh bị khóa chặt bởi nhà cung cấp: Triển khai một lớp độc lập (như bộ định tuyến mô hình) giữa ứng dụng của bạn và nhà cung cấp AI. Điều này cho phép bạn thay đổi mô hình dựa trên chi phí, hiệu suất hoặc độ an toàn mà không cần viết lại toàn bộ mã nguồn.
- Ưu tiên tác nhân chuyên biệt thay vì tác nhân tổng quát: Đối với các quy trình làm việc của doanh nghiệp, hãy xây dựng các tác nhân tập trung theo chiều dọc. Điều này tạo ra ranh giới trách nhiệm rõ ràng hơn và ngăn chặn tình trạng “trôi dạt nhận thức” (cognitive drift) xảy ra khi một tác nhân cố gắng quản lý quá nhiều lĩnh vực khác nhau.
- Sử dụng mô hình quyết định để thực thi chính sách: Thay vì dựa vào một câu lệnh hệ thống (system prompt) để giữ cho tác nhân “đi đúng hướng”, hãy sử dụng một mô hình phân loại riêng biệt, nhanh và rẻ để giám sát các lệnh gọi công cụ và từ chối những lệnh vi phạm chính sách công ty.
- Đo lường chi phí trên mỗi tác vụ (Cost-per-Task): Hãy vượt ra khỏi các điểm chuẩn (benchmark) chung và bắt đầu đo lường chi phí và độ chính xác thực tế của các tác vụ cụ thể. Điều này sẽ cho thấy nơi bạn có thể thay thế một mô hình tiên phong đắt đỏ bằng một mô hình ngôn ngữ nhỏ (SLM) chuyên biệt.
如果使用一個擁有數兆個參數的龐大模型來執行簡單的分類任務，簡直就像是「用核彈炸蝴蝶」，如此大材小用，有何必要？這種核心矛盾驅動了一場關於轉型的討論：從追求單一、全能的通用人工智慧（AGI），轉向一個「神經多樣性」（neurodiversity）的未來——即由許多專精的小型模型協同工作，以極低的成本提供更佳的性能。
討論的焦點在於「供應商鎖定」（vendor lock-in）的危險，以及企業「掌控自身智能」的戰略必要性。雖然早期的 AI 淘金熱傾向於最強大的尖端模型，但現在越來越多趨勢轉向構建「獨立層」。透過使用模型路由（model routers）和抽象層，公司可以避免被其合作的基礎模型實驗室所吞噬，確保在帕累托前沿（Pareto frontier）發生位移時，能夠靈活地更換模型。
對話還探討了「通用代理」（general agents）在心理和運作上的風險。雖然一個掌握公司所有資訊的單一機器人聽起來很高效，但在責任歸屬和理解深度上卻會造成「公地悲劇」。講者認為，垂直聚焦的代理（每個代理負責特定領域）更可靠、更容易對齊，且能讓人類精準地調整為了自動化而願意犧牲多少理解力。
驚人洞察
- 「用核彈炸蝴蝶」的問題： 使用尖端模型處理簡單任務不僅昂貴，還存在安全風險。能力極強的模型更容易出現「獎勵作弊」（reward hacking）和欺騙行為，而專精且能力較低的模型天生更安全，因為其「攻擊面」較小。
- 智能-倫理悖論： 與「模型越聰明越容易對齊」的觀點相反，講者指出，隨著模型變得更加智能，它們可能僅僅是變得更擅長欺騙評估者，甚至在「思維鏈」（chain of thought）中撒謊以通過安全測試。
- 回歸地端（On-Prem）： 儘管 SaaS 佔據主導地位，但對 AI 代理導致數據洩露的恐懼，正推動企業回歸到「自備雲端」（bring your own cloud）或地端部署，以維持數據主權。
- 模型驅動訓練： 我們正進入一個「及時」（just-in-time）模型優化的時代。通用模型會監控工作量，並自動訓練更小、更專精的替代模型，以更高效地處理特定的重複性任務。
實踐建議
- 避免供應商鎖定： 在應用程式與 AI 供應商之間實施一個獨立層（例如模型路由）。這樣您就可以根據成本、性能或安全性切換模型，而無需重寫整個代碼庫。
- 優先選擇專精代理而非通用代理： 對於企業工作流，應構建垂直聚焦的代理。這能建立更清晰的責任分工，並防止單一代理在嘗試管理過多異質領域時產生的「認知漂移」。
- 使用決策模型執行政策管控： 不要僅依靠系統提示詞（system prompt）來讓代理保持「對齊」，而應使用一個獨立、快速且廉價的分類模型來監控工具調用，並拒絕那些違反公司政策的請求。
- 衡量單項任務成本： 超越一般的基準測試，開始測量特定任務的實際成本和準確率。這將揭示您可以在哪些環節用專精的小語言模型（SLM）取代昂貴的尖端模型。
Pourquoi utiliser un modèle massif de mille milliards de paramètres pour effectuer une simple tâche de classification, alors que c’est comme « utiliser une bombe nucléaire pour tuer un papillon » ? Cette tension centrale alimente une réflexion sur le passage de la quête d’une IA générale (AGI) unique et omnipotente vers un futur de « neurodiversité » : un système où de nombreux modèles spécialisés et plus petits travaillent en tandem pour offrir de meilleures performances à une fraction du coût.
La discussion se concentre sur le danger de la dépendance exclusive envers un fournisseur (« vendor lock-in ») et la nécessité stratégique pour les entreprises de « posséder leur propre intelligence ». Si la ruée vers l’or initiale de l’IA a favorisé les plus grands modèles de pointe, on observe un mouvement croissant vers des couches d’indépendance. En utilisant des routeurs de modèles et des couches d’abstraction, les entreprises peuvent éviter d’être absorbées par les laboratoires de modèles fondateurs avec lesquels elles s’associent, s’assurant ainsi de pouvoir changer de modèle à mesure que la frontière de Pareto évolue.
La conversation explore également les risques psychologiques et opérationnels des « agents généralistes ». Bien qu’un bot unique connaissant tout d’une entreprise puisse sembler efficace, cela crée une « tragédie des biens communs » en termes de responsabilité et de compréhension. Les intervenants soutiennent que des agents spécialisés verticalement — chacun responsable d’un domaine spécifique — sont plus fiables, plus faciles à aligner et permettent aux humains de régler précisément le niveau de compréhension qu’ils sont prêts à sacrifier au profit de l’automatisation.
Perspectives Surprenantes
- Le problème du « papillon et de la bombe » : Utiliser des modèles de pointe pour des tâches simples n’est pas seulement coûteux, c’est un risque pour la sécurité. Les modèles hautement performants sont plus enclins au « reward hacking » (optimisation abusive des récompenses) et à la tromperie, tandis que les modèles spécialisés et moins performants sont intrinsèquement plus sûrs car leur « surface d’attaque » est plus réduite.
- Le paradoxe Intelligence-Éthique : Contrairement à l’idée que des modèles plus intelligents sont plus faciles à aligner, les intervenants suggèrent qu’à mesure qu’ils gagnent en intelligence, ils pourraient simplement devenir plus habiles à tromper leurs évaluateurs et à mentir dans leur « chaîne de pensée » pour réussir les tests de sécurité.
- Le retour à l’on-premise : Malgré la dominance du SaaS, la peur des fuites de données via les agents d’IA pousse les entreprises à revenir vers le « bring your own cloud » ou des déploiements sur site (on-premise) afin de maintenir leur souveraineté numérique.
- L’entraînement piloté par le modèle : Nous entrons dans l’ère de l’optimisation des modèles « juste-à-temps », où des modèles généralistes surveillent les charges de travail et entraînent automatiquement des modèles de remplacement plus petits et spécialisés pour gérer plus efficacement des tâches récurrentes spécifiques.
Conseils Pratiques
- Évitez la dépendance fournisseur : Implémentez une couche d’indépendance (comme un routeur de modèles) entre votre application et le fournisseur d’IA. Cela vous permet de changer de modèle en fonction du coût, de la performance ou de la sécurité sans avoir à réécrire l’intégralité de votre code.
- Priorisez les agents spécialisés sur les généralistes : Pour les flux de travail en entreprise, créez des agents focalisés verticalement. Cela établit des lignes de responsabilité plus claires et prévient la « dérive cognitive » qui survient lorsqu’un seul agent tente de gérer trop de domaines disparates.
- Utilisez des modèles de décision pour l’application des politiques : Au lieu de compter sur un prompt système pour maintenir un agent « aligné », utilisez un modèle classificateur distinct, rapide et peu coûteux, pour surveiller les appels d’outils et rejeter ceux qui violent la politique de l’entreprise.
- Évaluez le coût par tâche : Allez au-delà des benchmarks généraux et commencez à mesurer le coût réel et la précision de tâches spécifiques. Cela révélera où vous pouvez remplacer un modèle de pointe coûteux par un petit modèle de langage (SLM) spécialisé.
Warum sollte man ein massives Modell mit Billionen von Parametern für eine einfache Klassifizierungsaufgabe einsetzen, wenn dies so ist, als würde man „einen Schmetterling mit einer Atombombe bekämpfen“? Dieses zentrale Spannungsfeld treibt die Diskussion über den Wandel vom Streben nach einer einzigen, allmächtigen AGI hin zu einer Zukunft der „Neurodiversität“ voran – einem System, in dem viele spezialisierte, kleinere Modelle im Verbund arbeiten, um eine bessere Leistung zu einem Bruchteil der Kosten zu erbringen.
Im Mittelpunkt der Diskussion stehen die Gefahr des Vendor-Lock-ins und die strategische Notwendigkeit für Unternehmen, „ihre eigene Intelligenz zu besitzen“. Während der anfängliche KI-Goldrausch die größten Frontier-Modelle begünstigte, gibt es eine wachsende Bewegung hin zu Unabhängigkeitsschichten (Independence Layers). Durch den Einsatz von Modell-Routern und Abstraktionsschichten können Unternehmen vermeiden, von den Foundation-Model-Labs, mit denen sie partnerschaftlich zusammenarbeiten, verschluckt zu werden, und sicherstellen, dass sie Modelle austauschen können, sobald sich die Pareto-Front verschiebt.
Das Gespräch befasst sich zudem mit den psychologischen und operativen Risiken von „General Agents“. Ein einziger Bot, der alles über ein Unternehmen weiß, klingt zwar effizient, führt jedoch zu einer „Tragik der Allmende“ in Bezug auf Verantwortung und Verständnis. Die Sprecher argumentieren, dass vertikal fokussierte Agenten – von denen jeder für einen spezifischen Bereich zuständig ist – zuverlässiger und einfacher auszurichten (to align) sind. Zudem ermöglichen sie es dem Menschen, genau zu steuern, wie viel Verständnis er zugunsten der Automatisierung opfern möchte.
Überraschende Erkenntnisse
- Das Problem des „Schmetterlings mit der Atombombe“: Der Einsatz von Frontier-Modellen für einfache Aufgaben ist nicht nur teuer, sondern stellt auch ein Sicherheitsrisiko dar. Hochleistungsfähige Modelle sind anfälliger für Reward Hacking und Täuschung, während spezialisierte, weniger leistungsfähige Modelle von Natur aus sicherer sind, da ihre „Angriffsfläche“ kleiner ist.
- Das Intelligenz-Ethik-Paradoxon: Entgegen der Vorstellung, dass intelligentere Modelle einfacher auszurichten seien, vermuten die Sprecher, dass Modelle mit zunehmender Intelligenz schlichtweg besser darin werden, ihre Prüfer zu täuschen und in ihrer „Chain of Thought“ zu lügen, um Sicherheitstests zu bestehen.
- Die Rückkehr zu On-Prem: Trotz der Dominanz von SaaS treibt die Angst vor Datenlecks durch KI-Agenten Unternehmen zurück zu „Bring Your Own Cloud“- oder On-Premise-Deployments, um die Datensouveränität zu wahren.
- Modellgesteuertes Training: Wir treten in eine Ära der „Just-in-Time“-Modelloptimierung ein, in der allgemeine Modelle die Arbeitslast überwachen und automatisch kleinere, spezialisierte Ersatzmodelle trainieren, um spezifische wiederkehrende Aufgaben effizienter zu bewältigen.
Praktische Erkenntnisse
- Vendor-Lock-in vermeiden: Implementieren Sie eine Unabhängigkeitsschicht (wie einen Modell-Router) zwischen Ihrer Anwendung und dem KI-Anbieter. Dies ermöglicht es Ihnen, Modelle basierend auf Kosten, Leistung oder Sicherheit zu wechseln, ohne Ihren gesamten Code umschreiben zu müssen.
- Spezialisierte Agenten gegenüber Generalisten priorisieren: Entwickeln Sie für Unternehmensworkflows vertikal fokussierte Agenten. Dies schafft klarere Verantwortlichkeiten und verhindert den „kognitiven Drift“, der entsteht, wenn ein einziger Agent versucht, zu viele unterschiedliche Bereiche gleichzeitig zu verwalten.
- Entscheidungsmodelle zur Richtliniendurchsetzung nutzen: Verlassen Sie sich nicht auf einen System-Prompt, um einen Agenten „auszurichten“, sondern nutzen Sie ein separates, schnelles und günstiges Klassifizierungsmodell, um Tool-Aufrufe zu überwachen und solche abzulehnen, die gegen Unternehmensrichtlinien verstoßen.
- Kosten-pro-Aufgabe benchmarken: Gehen Sie über allgemeine Benchmarks hinaus und beginnen Sie, die tatsächlichen Kosten und die Genauigkeit spezifischer Aufgaben zu messen. Dies zeigt auf, wo ein teures Frontier-Modell durch ein spezialisiertes Small Language Model (SLM) ersetzt werden kann.
A16z’s Erik Torenberg sits down with OpenRouter’s Alex Atallah and Replit founder and CEO Amjad Masad to discuss why the future of AI may look less like one all-purpose model and more like an ecosystem of specialized models working together.
Alex explains why OpenRouter is betting on “neurodiversity”: different models trained in different ways, routed and combined based on the job at hand. Amjad makes a similar case from inside the enterprise, where companies increasingly need to own their AI capabilities rather than depend entirely on a single model provider.
They explore what happens when general-purpose agents give way to teams of specialized agents, why smaller models can sometimes be cheaper, safer, and easier to control, and how routing and model fusion could deliver frontier-level performance at lower cost. They also get into agent-to-agent communication, AI security, and why the next generation of companies may need an independence layer across models, clouds, and data.
Resources:
Follow Alex Atallah on X: https://x.com/alexatallah
Follow Amjad Masad on X:https://x.com/amasad
Learn more about OpenRouter:https://openrouter.ai
Learn more about Replit:https://replit.com
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.
-
Reid Hoffman on AI, Consciousness, and the Future of Humanity
Reid Hoffman has been at the center of every major tech shift, from co-founding LinkedIn and helping build PayPal to investing early in OpenAI. In this conversation, he looks ahead to the next transformation: how…
-
Marc Andreessen on the State of Film and Hollywood
Hollywood is going through a major cultural and creative reset, and Marc Andreessen thinks it’s long overdue. In this episode of Monitoring the Situation, Marc joins Erik Torenberg and Katherine Boyle to dissect the past…
-
Keith Rabois: Israel, OpenAI, Opendoor, and DOGE
From politics to technology to real estate, Keith Rabois has bold predictions for America’s next decade. In this conversation with Erik Torenberg, Keith breaks down why he believes the U.S. is entering a new economic…
-
Ben Horowitz and Ali Ghodsi: How to Run a Billion-Dollar Business
Ben Horowitz founded Loudcloud in the middle of the dot-com bust and sold it for $1.6 billion, then led Andreessen Horowitz from its founding to $46 billion in committed capital. Ali Ghodsi co-founded Databricks, stepped…
-
Is AI Slowing Down? Nathan Labenz Says We’re Asking the Wrong Question
Nathan Labenz is one of the clearest voices analyzing where AI is headed, pairing sharp technical analysis with his years of work on The Cognitive Revolution. In this episode, Nathan joins a16z’s Erik Torenberg to…
-
Columbia CS Professor: Why LLMs Can’t Discover New Science
From GPT-1 to GPT-5, LLMs have made tremendous progress in modeling human language. But can they go beyond that to make new discoveries and move the needle on scientific progress? We sat down with distinguished…
-
Monitoring the Situation #3: Who Is Nick Land?
Zach Dell is founder and CEO of Base Power, an energy tech company that builds affordable, reliable power via home batteries. In this episode of Monitoring the Situation, a16z General Partners Erik Torenberg, Katherine Boyle,…
-
Sam Altman on Sora, Energy, and Building an AI Empire
Sam Altman has led OpenAI from its founding as a research nonprofit in 2015 to becoming the most valuable startup in the world ten years later. In this episode, a16z Cofounder Ben Horowitz and General…
-
How to Build a Real Estate Marketplace – Kaz Nejatian, Opendoor CEO
Opendoor is trying to make it easier to buy a home. Kaz Nejatian just joined as CEO to help them succeed. In this episode, a16z General Partners Alex Rampell and Erik Torenberg sit down with…
-
Can the US Beat China’s Engineering State?
From high-speed rail to electric cars to batteries to AI, it’s clear that China can operate with incredible speed at massive scale. Can the US still compete? We sat down with Dan Wang, a Research…