a16z Podcast
Summary & Insights
What happens when intelligence becomes cheap, but the physical world remains slow? This central tension drives a new wave of “Physical AI,” where the goal is to make spinning up a hardware company or a massive infrastructure project as seamless and iterative as launching a B2B SaaS platform. By treating physical design as code, entrepreneurs are attempting to collapse the years-long gap between a conceptual blueprint and a finished product, effectively bringing the “move fast and break things” ethos to the world of atoms.
In the realm of electronics, the focus is on bridging the gap between design and manufacturability. While most circuit board placement is already robotic, a critical “last 20%” of manual labor often creates bottlenecks. By using AI compilers that frame circuit design as a Python-like programming task, it is becoming possible to generate “Design for Manufacturing” (DFM) ready boards. This approach doesn’t just automate the drawing; it optimizes the design so that existing robots can handle 100% of the assembly, potentially slashing the time it takes to bring data centers or hardware products to market.
On a macro scale, the construction industry is being reimagined as a parametric system. Traditionally, large-scale projects—like power plants or hospitals—are “snowflakes,” unique entities that take years to design and are nearly impossible to alter once the process begins. By shifting to a model-led approach where everything is represented as a flexible variable, AI can explore tens of thousands of design permutations to optimize for the total cost of ownership and constructability. The ultimate vision is a vertically integrated pipeline where AI generates the a globally optimized “issued for construction” package, which is then executed by an army of autonomous earth-movers and humanoids.
Surprising Insights
- The “Code Cheat”: Because there isn’t enough raw data on circuit boards to train a foundation model, developers are “cheating” by translating hardware design into code. Since LLMs are already experts in Python, they can design hardware more effectively when it is framed as a software problem.
- Incentive Stagnation: Construction technology has lagged not because of a lack of tools, but because of capital incentives. Investors in big infrastructure seek stable internal rates of return (IRR) and risk avoidance, meaning there is often zero financial upside for a contractor to adopt a risky, innovative technology.
- The “Taste” of Engineering: Expert engineers rely on a “taste” or intuition developed over decades. The goal for AI is to move simulation from an inference tool (checking if a design works) to a training tool (teaching the model the intuition of a seasoned engineer).
- Trade Shortages vs. Automation: The demand for skilled trades is so high that some data center developers are switching to mass-manufactured modular construction, not necessarily to save money, but because there simply aren’t enough electricians available to build on-site.
Practical Takeaways
- Sell the Outcome, Not the Tool: When disrupting traditional industries, avoid selling “software” to people who hate software. Instead, provide the end product (e.g., a finished circuit board or a construction package) and keep the AI as an internal “implementation detail.”
- Vertical Integration for Interface: To implement AI in “stuck” industries, you must own enough of the vertical stack to create a clean interface for the customer, rather than trying to force a fragmented industry to adopt a single new tool.
- Prioritize DFM (Design for Manufacturing): The biggest bottleneck in hardware isn’t the design itself, but how the design interacts with the factory. Focus on constraints that allow for 100% robotic automation to avoid the “manual labor trap.”
- Build “Rails” for Agents: If you want AI to handle complex physical tasks, provide a highly structured framework (an ontological model) that constrains the agent’s output, preventing the “hallucinations” that occur in unstructured physical environments.
Điều gì sẽ xảy ra khi trí tuệ trở nên rẻ mạt, nhưng thế giới vật lý vẫn vận hành chậm chạp? Sự mâu thuẫn cốt lõi này đang thúc đẩy một làn sóng “AI Vật lý” (Physical AI) mới, với mục tiêu biến việc khởi nghiệp một công ty phần cứng hoặc triển khai một dự án cơ sở hạ tầng khổng lồ trở nên liền mạch và có khả năng lặp lại nhanh chóng như khi ra mắt một nền tảng B2B SaaS. Bằng cách coi thiết kế vật lý như là mã code, các doanh nhân đang cố gắng xóa bỏ khoảng cách kéo dài nhiều năm giữa bản thiết kế khái niệm và sản phẩm hoàn thiện, từ đó đưa triết lý “di chuyển nhanh và phá vỡ mọi thứ” (move fast and break things) vào thế giới của những nguyên tử.
Trong lĩnh vực điện tử, trọng tâm là thu hẹp khoảng cách giữa thiết kế và khả năng sản xuất. Mặc dù hầu hết việc sắp xếp bảng mạch đã được robot hóa, nhưng “20% cuối cùng” mang tính quyết định của lao động thủ công thường tạo ra những điểm nghẽn. Bằng cách sử dụng các trình biên dịch AI coi thiết kế mạch như một tác vụ lập trình giống Python, việc tạo ra các bảng mạch sẵn sàng cho “Thiết kế để Sản xuất” (DFM – Design for Manufacturing) trở nên khả thi. Cách tiếp cận này không chỉ tự động hóa việc vẽ; nó tối ưu hóa thiết kế để các robot hiện có có thể xử lý 100% quá trình lắp ráp, tiềm năng cắt giảm đáng kể thời gian đưa các trung tâm dữ liệu hoặc sản phẩm phần cứng ra thị trường.
Ở quy mô vĩ mô, ngành xây dựng đang được tái hình dung như một hệ thống tham số. Theo truyền thống, các dự án quy mô lớn—như nhà máy điện hay bệnh viện—là những “bông tuyết” (snowflakes), tức là những thực thể duy nhất mất nhiều năm để thiết kế và gần như không thể thay đổi một khi quá trình bắt đầu. Bằng cách chuyển sang phương pháp tiếp cận lấy mô hình làm trung tâm, nơi mọi thứ được đại diện bằng một biến số linh hoạt, AI có thể khám phá hàng chục nghìn phương án thiết kế để tối ưu hóa tổng chi phí sở hữu và khả năng thi công. Tầm nhìn cuối cùng là một quy trình tích hợp theo chiều dọc, nơi AI tạo ra một gói “hồ sơ thi công” được tối ưu hóa toàn cầu, sau đó được thực thi bởi một đội quân máy xúc tự hành và robot hình người.
Những hiểu biết bất ngờ
- “Mẹo dùng Code”: Vì không có đủ dữ liệu thô về bảng mạch để huấn luyện một mô hình nền tảng, các nhà phát triển đang “lách luật” bằng cách chuyển đổi thiết kế phần cứng thành mã code. Vì các mô hình ngôn ngữ lớn (LLM) vốn đã là chuyên gia về Python, chúng có thể thiết kế phần cứng hiệu quả hơn khi vấn đề được đặt ra dưới dạng bài toán phần mềm.
- Sự trì trệ về động lực: Công nghệ xây dựng tụt hậu không phải do thiếu công cụ, mà do các ưu đãi về vốn. Các nhà đầu tư vào cơ sở hạ tầng lớn thường tìm kiếm tỷ suất hoàn vốn nội bộ (IRR) ổn định và né tránh rủi ro, điều này có nghĩa là các nhà thầu thường không nhận được lợi ích tài chính nào khi áp dụng một công nghệ đổi mới đầy rủi ro.
- “Gu” trong kỹ thuật: Các kỹ sư chuyên gia dựa vào một “gu” hoặc trực giác được phát triển qua nhiều thập kỷ. Mục tiêu của AI là chuyển đổi mô phỏng từ một công cụ suy luận (kiểm tra xem thiết kế có hoạt động không) thành một công cụ huấn luyện (dạy cho mô hình trực giác của một kỹ sư dày dạn kinh nghiệm).
- Thiếu hụt thợ tay nghề vs. Tự động hóa: Nhu cầu về thợ lành nghề cao đến mức một số nhà phát triển trung tâm dữ liệu đang chuyển sang xây dựng mô-đun sản xuất hàng loạt, không hẳn để tiết kiệm tiền, mà đơn giản là vì không có đủ thợ điện để thi công tại chỗ.
Bài học thực tiễn
- Bán kết quả, không bán công cụ: Khi làm đột phá các ngành công nghiệp truyền thống, hãy tránh bán “phần mềm” cho những người ghét phần mềm. Thay vào đó, hãy cung cấp sản phẩm cuối cùng (ví dụ: một bảng mạch hoàn chỉnh hoặc một gói hồ sơ xây dựng) và giữ AI như một “chi tiết triển khai” nội bộ.
- Tích hợp dọc để tối ưu giao diện: Để triển khai AI trong các ngành đang “dậm chân tại chỗ”, bạn phải sở hữu đủ chuỗi giá trị theo chiều dọc để tạo ra một giao diện tinh gọn cho khách hàng, thay vì cố gắng ép buộc một ngành công nghiệp phân mảnh phải áp dụng một công cụ mới đơn lẻ.
- Ưu tiên DFM (Thiết kế để Sản xuất): Điểm nghẽn lớn nhất trong phần cứng không phải là bản thân thiết kế, mà là cách thiết kế đó tương tác với nhà máy. Hãy tập trung vào các ràng buộc cho phép tự động hóa robot 100% để tránh “bẫy lao động thủ công”.
- Xây dựng “đường ray” cho các Agent: Nếu bạn muốn AI xử lý các tác vụ vật lý phức tạp, hãy cung cấp một khung cấu trúc chặt chẽ (mô hình bản thể luận) để giới hạn đầu ra của agent, ngăn chặn tình trạng “ảo giác” thường xảy ra trong các môi trường vật lý không có cấu trúc.
當智能變得廉價，但物理世界的運作依然緩慢時，會發生什麼事？這種核心衝突驅動了新一波的「物理 AI」（Physical AI）浪潮。其目標是讓創立一家硬體公司或啟動大型基礎設施項目的過程，變得像推出一個 B2B SaaS 平台一樣流暢且具備疊代能力。透過將物理設計視為「程式碼」，創業家們試圖縮短從概念藍圖到成品之間長達數年的差距，有效地將「快速行動，打破常規」（move fast and break things）的理念引入原子世界。
在電子領域，重點在於彌合設計與可製造性之間的鴻溝。雖然大多數的電路板元件放置已由機器人完成，但最後 20% 的關鍵手工作業往往成為瓶頸。透過使用將電路設計框架化為類 Python 程式設計任務的 AI 編譯器，生成「面向製造的設計」（Design for Manufacturing, DFM）電路板已成為可能。這種方法不僅是自動化繪圖，更是優化設計，使現有機器人能處理 100% 的組裝工作，從而有可能大幅縮短數據中心或硬體產品的上市時間。
在宏觀層面上，建築業正被重新構想為一個參數化系統。傳統上，大型項目（如電廠或醫院）就像「雪花」一樣，是獨一無二的個體，設計需耗時數年，且一旦流程開始就幾乎無法更改。透過轉向以模型為導向（model-led）的方法，將所有要素表示為靈活的變量，AI 可以探索數萬種設計排列組合，以優化總持有成本（TCO）和可建構性。其最終願景是一個垂直整合的管線：由 AI 生成全球優化的「施工發行」（issued for construction）方案，隨後由一支由自主土方機和人形機器人組成的軍隊執行。
驚人之見
- 「程式碼作弊」： 由於電路板的原始數據不足以訓練基礎模型，開發者採取「作弊」手段，將硬體設計轉譯為程式碼。由於大語言模型（LLM）已經是 Python 專家，當硬體設計被定義為軟體問題時，它們能更有效地進行設計。
- 誘因停滯： 建築技術的落後並非因為缺乏工具，而是因為資本誘因。大型基礎設施的投資者追求穩定內部報酬率（IRR）和規避風險，這意味著承包商採用風險較高、具創新性的技術時，往往缺乏財務上的獲益空間。
- 工程師的「品味」： 資深工程師依賴於數十年積累的「品味」或直覺。AI 的目標是將模擬從一種推論工具（檢查設計是否可行）轉變為一種訓練工具（教導模型習得資深工程師的直覺）。
- 技工短缺 vs. 自動化： 對熟練技工的需求如此之高，以至於部分數據中心開發商正轉向大規模量產的模組化建築；這不一定為了省錢，而是因為現場根本沒有足夠的電工可用。
實務啟發
- 銷售結果，而非工具： 在顛覆傳統產業時，避免向討厭軟體的人銷售「軟體」。相反地，應提供最終產品（例如：完工的電路板或建築方案），將 AI 視為內部的「實作細節」。
- 透過垂直整合簡化界面： 要在「停滯」的產業中實施 AI，你必須掌握足夠的垂直整合棧，以便為客戶創造簡潔的界面，而非試圖強迫一個碎片化的產業去採納單一的新工具。
- 優先考慮 DFM（面向製造的設計）： 硬體最大的瓶頸不在於設計本身，而在於設計與工廠的交互方式。應專注於那些能實現 100% 機器人自動化的限制條件，以避免陷入「人力勞動陷阱」。
- 為 AI 代理建構「軌道」： 如果你希望 AI 處理複雜的物理任務，請提供一個高度結構化的框架（本體模型）來約束代理的輸出，防止在非結構化的物理環境中出現「幻覺」。
Que se passe-t-il lorsque l’intelligence devient bon marché, mais que le monde physique reste lent ? Cette tension centrale alimente une nouvelle vague d’« IA physique », dont l’objectif est de rendre la création d’une entreprise de matériel ou d’un projet d’infrastructure massif aussi fluide et itérative que le lancement d’une plateforme SaaS B2B. En traitant la conception physique comme du code, les entrepreneurs tentent de réduire l’écart de plusieurs années entre un schéma conceptuel et un produit fini, apportant concrètement l’éthos du « move fast and break things » (avancer vite et casser des choses) au monde des atomes.
Dans le domaine de l’électronique, l’accent est mis sur la réduction du fossé entre la conception et la fabricabilité. Bien que la plupart des placements de composants sur circuits imprimés soient déjà robotisés, un « dernier 20 % » critique de travail manuel crée souvent des goulots d’étranglement. En utilisant des compilateurs d’IA qui formulent la conception de circuits comme une tâche de programmation similaire à Python, il devient possible de générer des cartes prêtes pour la fabrication (DFM – Design for Manufacturing). Cette approche ne se contente pas d’automatiser le dessin ; elle optimise la conception pour que les robots existants puissent gérer 100 % de l’assemblage, réduisant ainsi potentiellement le temps de mise sur le marché des centres de données ou des produits matériels.
À l’échelle macro, l’industrie de la construction est repensée comme un système paramétrique. Traditionnellement, les projets de grande envergure — tels que les centrales électriques ou les hôpitaux — sont des « flocons de neige », des entités uniques dont la conception prend des années et qu’il est presque impossible de modifier une fois le processus lancé. En passant à une approche guidée par le modèle où tout est représenté comme une variable flexible, l’IA peut explorer des dizaines de milliers de permutations de conception afin d’optimiser le coût total de possession et la constructibilité. La vision ultime est un pipeline verticalement intégré où l’IA génère un dossier « bon pour exécution » optimisé globalement, lequel est ensuite exécuté par une armée d’engins de terrassement autonomes et de humanoïdes.
Perspectives surprenantes
- Le « raccourci du code » : Comme il n’y a pas assez de données brutes sur les circuits imprimés pour entraîner un modèle de fondation, les développeurs « trichent » en traduisant la conception matérielle en code. Puisque les LLM sont déjà experts en Python, ils peuvent concevoir du matériel plus efficacement lorsque celui-ci est présenté comme un problème logiciel.
- Stagnation des incitations : La technologie de la construction a pris du retard non pas par manque d’outils, mais à cause des incitations financières. Les investisseurs dans les grandes infrastructures recherchent des taux de rendement interne (TRI) stables et l’évitement des risques, ce qui signifie qu’il n’y a souvent aucun avantage financier pour un entrepreneur à adopter une technologie innovante et risquée.
- Le « goût » de l’ingénierie : Les ingénieurs experts s’appuient sur un « goût » ou une intuition développée sur des décennies. L’objectif pour l’IA est de transformer la simulation : passer d’un outil d’inférence (vérifier si une conception fonctionne) à un outil d’entraînement (enseigner au modèle l’intuition d’un ingénieur chevronné).
- Pénurie de main-d’œuvre vs automatisation : La demande de métiers qualifiés est si élevée que certains promoteurs de centres de données se tournent vers la construction modulaire industrialisée, non pas nécessairement pour économiser de l’argent, mais tout simplement parce qu’il n’y a pas assez d’électriciens disponibles pour construire sur site.
Leçons pratiques
- Vendez le résultat, pas l’outil : Lorsque vous perturbez des industries traditionnelles, évitez de vendre du « logiciel » à des gens qui détestent le logiciel. Fournissez plutôt le produit final (par exemple, un circuit imprimé terminé ou un dossier de construction) et gardez l’IA comme un « détail d’implémentation » interne.
- Intégration verticale pour l’interface : Pour implémenter l’IA dans des industries « bloquées », vous devez posséder une part suffisante de la chaîne verticale afin de créer une interface claire pour le client, plutôt que d’essayer de forcer une industrie fragmentée à adopter un nouvel outil unique.
- Priorisez le DFM (Design for Manufacturing) : Le plus grand goulot d’étranglement du matériel n’est pas la conception elle-même, mais la manière dont la conception interagit avec l’usine. Concentrez-vous sur les contraintes permettant une automatisation robotique à 100 % pour éviter le « piège du travail manuel ».
- Construisez des « rails » pour les agents : Si vous voulez que l’IA gère des tâches physiques complexes, fournissez un cadre hautement structuré (un modèle ontologique) qui contraint la sortie de l’agent, empêchant ainsi les « hallucinations » qui surviennent dans des environnements physiques non structurés.
Was passiert, wenn Intelligenz billig wird, die physische Welt jedoch langsam bleibt? Diese zentrale Spannung treibt eine neue Welle der „Physical AI“ voran, deren Ziel es ist, die Gründung eines Hardware-Unternehmens oder ein massives Infrastrukturprojekt so nahtlos und iterativ zu gestalten wie den Launch einer B2B-SaaS-Plattform. Indem physisches Design wie Code behandelt wird, versuchen Unternehmer, die jahrelange Lücke zwischen einem konzeptionellen Entwurf und einem fertigen Produkt zu schließen und so das „Move Fast and Break Things“-Ethos in die Welt der Atome zu übertragen.
Im Bereich der Elektronik liegt der Fokus darauf, die Lücke zwischen Design und Fertigbarkeit zu schließen. Während die Bestückung der meisten Leiterplatten bereits robotergestützt erfolgt, erzeugen die kritischen „letzten 20 %“ manueller Arbeit oft Engpässe. Durch den Einsatz von KI-Compilern, die das Schaltplattendesign als eine Python-ähnliche Programmieraufgabe formulieren, wird es möglich, „Design for Manufacturing“ (DFM)-bereite Boards zu generieren. Dieser Ansatz automatisiert nicht nur die Zeichnung; er optimiert das Design so, dass bestehende Roboter 100 % der Montage übernehmen können, was die Markteinführungszeit für Rechenzentren oder Hardwareprodukte potenziell drastisch verkürzt.
Auf makroskopischer Ebene wird die Bauindustrie als parametrisches System neu gedacht. Traditionell sind Großprojekte – wie Kraftwerke oder Krankenhäuser – „Snowflakes“: Unikate, deren Planung Jahre dauert und die nahezu unmöglich zu ändern sind, sobald der Prozess begonnen hat. Durch den Wechsel zu einem modellgesteuerten Ansatz, bei dem alles als flexible Variable dargestellt wird, kann KI zehntausende Design-Permutationen untersuchen, um die Gesamtkosten (Total Cost of Ownership) und die Baubarkeit zu optimieren. Die ultimative Vision ist eine vertikal integrierte Pipeline, in der die KI ein global optimiertes „Issued for Construction“-Paket erstellt, das anschließend von einer Armee autonomer Erdbewegungsmaschinen und Humanoiden ausgeführt wird.
Überraschende Erkenntnisse
- Der „Code-Trick“: Da es nicht genügend Rohdaten über Leiterplatten gibt, um ein Foundation-Modell zu trainieren, „schummeln“ Entwickler, indem sie Hardware-Designs in Code übersetzen. Da LLMs bereits Experten in Python sind, können sie Hardware effektiver entwerfen, wenn sie als Softwareproblem formuliert wird.
- Stagnation der Anreize: Die Bautechnologie ist nicht aufgrund eines Mangels an Werkzeugen zurückgeblieben, sondern aufgrund von Kapitalanreizen. Investoren in große Infrastrukturprojekte streben stabile interne Zinsfüße (IRR) und Risikovermeidung an, was bedeutet, dass es für einen Bauunternehmer oft keinen finanziellen Vorteil bringt, eine riskante, innovative Technologie einzuführen.
- Das „Gespür“ des Ingenieurs: Erfahrene Ingenieure verlassen sich auf ein „Gespür“ oder eine Intuition, die über Jahrzehnte entwickelt wurde. Das Ziel für die KI ist es, Simulationen von einem bloßen Inferenz-Werkzeug (Prüfen, ob ein Design funktioniert) zu einem Trainings-Werkzeug zu machen (dem Modell die Intuition eines erfahrenen Ingenieurs beizubringen).
- Fachkräftemangel vs. Automatisierung: Die Nachfrage nach Fachkrim im Handwerk ist so hoch, dass einige Entwickler von Rechenzentren auf massengefertigte Modulbauweise umsteigen – nicht unbedingt um Kosten zu sparen, sondern weil schlichtweg nicht genug Elektriker verfügbar sind, um vor Ort zu bauen.
Praktische Takeaways
- Ergebnisse verkaufen, nicht Werkzeuge: Wenn Sie traditionelle Branchen disruptieren, vermeiden Sie es, „Software“ an Menschen zu verkaufen, die Software hassen. Liefern Sie stattdessen das Endprodukt (z. B. eine fertige Leiterplatte oder ein Baupaket) und behalten Sie die KI als internes „Implementierungsdetail“.
- Vertikale Integration für die Schnittstelle: Um KI in „festgefahrenen“ Branchen zu implementieren, müssen Sie genug vom vertikalen Stack kontrollieren, um eine saubere Schnittstelle für den Kunden zu schaffen, anstatt zu versuchen, eine fragmentierte Branche zur Übernahme eines einzelnen neuen Werkzeugs zu zwingen.
- Priorisierung von DFM (Design for Manufacturing): Der größte Engpass bei Hardware ist nicht das Design selbst, sondern die Interaktion des Designs mit der Fabrik. Konzentrieren Sie sich auf Einschränkungen, die eine 100%ige Roboterautomatisierung ermöglichen, um der „Falle der manuellen Arbeit“ zu entgehen.
- „Leitplanken“ für Agenten bauen: Wenn KI komplexe physische Aufgaben übernehmen soll, stellen Sie ein hochstrukturiertes Framework (ein ontologisches Modell) bereit, das die Ausgaben des Agenten einschränkt. Dies verhindert die „Halluzinationen“, die in unstrukturierten physischen Umgebungen auftreten.
Erin Price-Wright speaks with Alex Modon, cofounder and CEO at Unlimited Industries, and Davide Asnaghi, CEO at Diode Computers, about how AI is moving from software into the physical world. They discuss automating construction and electronics design, using code and simulation to model real-world systems, and how incentives and manufacturing constraints shape adoption. They also examine what it takes to scale infrastructure, reduce build times, and unlock more abundant industrial capacity in the United States.
Resources:
Follow Alex on X: https://x.com/alexmodon
Follow Davide on X: https://x.com/davideasnaghi
Follow Erin on X: https://x.com/espricewright
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.
-
Inside Palantir: Building Software That Matters with Shyam Sankar
In this conversation, Shyam Sankar, chief technology officer at Palantir Technologies, discusses his new book Mobilize, his commission in the U.S. Army, and why he believes the most important thing America can do right now…
-
AI Just Gave You Superpowers — Now What?
A new paper, “Some Simple Economics of AGI,” is making the rounds—Web3 with a16z we sat down with author Christian Catalini (MIT Crypto Economics Lab) and Eddy Lazzarin (CTO of a16z crypto), in conversation with…
-
AI, Supply Chains, and the Future of Economic Power
Erik Torenberg sits down with Jacob Helberg to discuss AI, manufacturing, supply chains, and the new geopolitics of technology. Drawing on themes from Helberg’s book The Wires of War, they explore why hardware, industrial capacity,…
-
What’s Missing Between LLMs and AGI – Vishal Misra & Martin Casado
Vishal Misra returns to explain his latest research on how LLMs actually work under the hood. He walks through experiments showing that transformers update their predictions in a precise, mathematically predictable way as they process…
-
AI Startups vs. Big Chatbots — With Olivia Moore
In this episode, originally aired on Big Technology Podcast, Olivia Moore discusses whether AI startups can compete with the big chatbots, why American sentiment toward AI is so negative, and what she learned from giving…
-
Marc Andreessen on the Mindset of Great Founders — with David Senra
Marc Andreessen joins David Senra for a conversation about entrepreneurship, history, and what drives some of the world’s most ambitious builders. In this conversation with David, Marc reflects on patterns he’s seen across great founders,…
-
Emil Michael: Iran, Anthropic and the Future of AI at the Pentagon
This conversation with Emil Michael, undersecretary of defense for research and engineering and acting director of the Defense Innovation Unit, was recorded at the a16z American Dynamism Summit in Washington, D.C. Michael walks through how…
-
Palantir CEO Alex Karp on the Zero-Sum AI Race
This conversation with Alex Karp, cofounder and CEO of Palantir, was recorded at the a16z American Dynamism Summit in Washington, D.C. Karp discusses the role of technology in modern warfare, Silicon Valley’s obligations to national…
-
What It Takes to Clear a Million Crimes a Year with Flock Safety’s CEO
In this episode, previously aired on Cheeky Pint, Garrett Langley describes how a stolen gun in his Atlanta neighborhood led him to build Flock Safety, now deployed in more than 6,000 cities and involved in…
-
The Top 100 Gen AI Consumer Apps
Anish Acharya speaks with Olivia Moore about the latest edition of the a16z Top 100 AI Apps report. They cover why ChatGPT is still 30 times bigger than Claude on web, how the three major…