a16z Podcast
Summary & Insights
If you regulate a technology before you actually understand how it fails, you risk creating a regulatory environment that solves nothing while simultaneously stifling the very innovation needed to fix the problems. This tension defines the current rift between AI “frontier labs” and the security community. While labs often frame their approach as “pacing”—a cautious middle ground between a full pause and a dead run—critics argue this is a PR strategy designed to avoid heavy-handed government intervention or nationalization, all while continuing to push the boundaries of the technology in private.
The conversation shifts from philosophical “existential risk” (X-risk) to the concrete, immediate dangers of AI agent swarms. Unlike human employees, who generally follow rules 99% of the time, AI agents act as “roaming drones” that can execute thousands of API calls per second without getting bored or tired. This shift fundamentally breaks the traditional corporate security model, which relies on the assumption that internal tools (like a company’s private Slack or finance tool) are safe from denial-of-service attacks because employees aren’t malicious. Agents, however, can easily mistake a “good” task for a “bad” one, necessitating a total rethink of internal permissions and authentication.
Ultimately, the most exciting innovation is moving away from the models themselves and into the systems built around them. The transition from “text-in, text-out” chatbots to probabilistic programming allows AI to be integrated into traditional software more efficiently. By shifting from generating long paragraphs to choosing the most probable option among a set of variables, developers are dusting off 1960s-era simulation research to create software that is stochastic rather than binary. This suggests that the next great leap in AI won’t come from a bigger model, but from a more sophisticated architectural layer that manages how those models interact with the real world.
Surprising Insights
- The “Pacing” Paradox: “Pacing” is viewed by some as a disingenuous term because you cannot “slow down” a process when there is no established baseline rate of progress.
- Air-Gapped Exfiltration: Real-world security risks are far more bizarre than most realize; the group discusses historical “covert channels,” such as reconstructing a computer screen by sampling the light reflected in a hotel room window or measuring the heat of a CPU.
- The HR Problem of X-Risk: Some suggest that the obsession with “species extinction” within labs is less about actual probability and more about “researcher currency” and recruiting, which then creates a dangerous feedback loop with regulators.
- The Return of Probabilistic Programming: The current struggle to integrate LLMs into software is leading to a renaissance of 1960s-style simulation and probabilistic “if” statements, moving away from the binary logic that dominated the 1980s and 90s.
Practical Takeaways
- Audit Internal API Limits: If you are deploying AI agents, stop assuming your internal tools are safe. Implement strict rate-limiting and authentication for internal APIs to prevent agent swarms from accidentally triggering a denial-of-service event.
- Shift from Chat to Classification: For software integration, stop trying to force LLMs to generate perfectly formatted text schemas. Instead, use models to classify intent or choose from a set of predefined options to increase accuracy and reduce latency.
- Implement Granular Permissions: Move away from “all-or-nothing” access for AI agents. Build “read-only” versus “read-write” permissions at the folder or API level to ensure an agent cannot accidentally delete critical infrastructure while performing a routine task.
- Study Legacy Systems Security: Look back at “secure by design” operating system research from previous decades; as AI handles the “usability” burden, these old, highly secure (but complex) architectures are becoming viable again.
Nếu bạn điều tiết một công nghệ trước khi thực sự hiểu cách nó vận hành sai sót, bạn có nguy cơ tạo ra một môi trường pháp lý không giải quyết được gì, đồng thời kìm hãm chính những đổi mới cần thiết để khắc phục các vấn đề đó. Sự căng thẳng này định hình nên hố sâu ngăn cách hiện nay giữa các “phòng thí nghiệm tiên phong” về AI và cộng đồng bảo mật. Trong khi các phòng thí nghiệm thường mô tả cách tiếp cận của họ là “điều tiết nhịp độ” (pacing) — một điểm trung dung thận trọng giữa việc tạm dừng hoàn toàn và chạy hết tốc lực — thì những người chỉ trích lập luận rằng đây chỉ là một chiến lược PR nhằm tránh sự can thiệp thô bạo từ chính phủ hoặc bị quốc hữu hóa, trong khi họ vẫn tiếp tục âm thầm mở rộng ranh giới của công nghệ trong nội bộ.
Cuộc đối thoại đang chuyển dịch từ những “rủi ro hiện sinh” (X-risk) mang tính triết học sang những nguy hiểm cụ thể và tức thời của các bầy tác nhân AI (AI agent swarms). Khác với nhân viên con người, những người thường tuân thủ quy tắc 99% thời gian, các tác nhân AI hoạt động như những “drone tuần tra”, có thể thực hiện hàng nghìn lệnh gọi API mỗi giây mà không biết chán hay mệt mỏi. Sự thay đổi này phá vỡ hoàn toàn mô hình bảo mật doanh nghiệp truyền thống, vốn dựa trên giả định rằng các công cụ nội bộ (như Slack riêng của công ty hoặc công cụ tài chính) an toàn trước các cuộc tấn công từ chối dịch vụ (DoS) vì nhân viên không có ý đồ xấu. Tuy nhiên, các tác nhân AI có thể dễ dàng nhầm lẫn một tác vụ “tốt” thành một tác vụ “xấu”, đòi hỏi phải tư duy lại toàn bộ về quyền hạn nội bộ và xác thực.
Cuối cùng, sự đổi mới thú vị nhất đang chuyển dịch từ chính các mô hình sang các hệ thống được xây dựng xung quanh chúng. Sự chuyển đổi từ các chatbot “văn bản vào, văn bản ra” sang lập trình xác suất (probabilistic programming) cho phép AI tích hợp vào phần mềm truyền thống hiệu quả hơn. Bằng cách chuyển từ việc tạo ra các đoạn văn dài sang việc chọn phương án có khả năng xảy ra cao nhất trong một tập hợp các biến số, các nhà phát triển đang khơi lại các nghiên cứu mô phỏng từ thập niên 1960 để tạo ra phần mềm mang tính ngẫu nhiên (stochastic) thay vì nhị phân (binary). Điều này cho thấy bước nhảy vọt tiếp theo của AI sẽ không đến từ một mô hình lớn hơn, mà từ một lớp kiến trúc tinh vi hơn quản lý cách các mô hình đó tương tác với thế giới thực.
Những góc nhìn bất ngờ
- Nghịch lý của “Điều tiết nhịp độ”: “Pacing” bị một số người coi là một thuật ngữ thiếu trung thực vì bạn không thể “làm chậm” một quy trình khi chưa có một tốc độ tiến triển cơ sở nào được xác lập.
- Rò rỉ dữ liệu từ hệ thống cách ly (Air-Gapped): Các rủi ro bảo mật trong thế giới thực kỳ quái hơn nhiều so với những gì đa số mọi người hình dung; nhóm thảo luận về các “kênh bí mật” trong lịch sử, chẳng hạn như tái tạo màn hình máy tính bằng cách lấy mẫu ánh sáng phản chiếu trên cửa sổ phòng khách sạn hoặc đo nhiệt độ của CPU.
- Vấn đề nhân sự của X-Risk: Một số ý kiến cho rằng sự ám ảnh về “tuyệt chủng loài người” trong các phòng thí nghiệm ít liên quan đến xác suất thực tế mà thiên về “giá trị thương hiệu” của nhà nghiên cứu và mục đích tuyển dụng, từ đó tạo ra một vòng lặp phản hồi nguy hiểm với các nhà điều tiết.
- Sự trở lại của Lập trình xác suất: Những khó khăn hiện nay trong việc tích hợp LLM vào phần mềm đang dẫn đến sự hồi sinh của các mô phỏng và câu lệnh “if” xác suất kiểu thập niên 1960, rời xa logic nhị phân vốn thống trị những năm 1980 và 90.
Bài học thực tiễn
- Kiểm tra giới hạn API nội bộ: Nếu bạn đang triển khai các tác nhân AI, đừng giả định rằng các công cụ nội bộ của bạn là an toàn. Hãy triển khai cơ chế giới hạn tốc độ (rate-limiting) và xác thực nghiêm ngặt cho các API nội bộ để ngăn chặn các bầy tác nhân vô tình gây ra sự cố từ chối dịch vụ.
- Chuyển từ Chat sang Phân loại: Khi tích hợp phần mềm, hãy ngừng ép buộc LLM tạo ra các lược đồ văn bản (text schemas) định dạng hoàn hảo. Thay vào đó, hãy sử dụng các mô hình để phân loại ý định hoặc chọn từ một tập hợp các tùy chọn có sẵn để tăng độ chính xác và giảm độ trễ.
- Triển khai quyền hạn chi tiết: Loại bỏ quyền truy cập “tất cả hoặc không có gì” cho các tác nhân AI. Xây dựng quyền “chỉ đọc” đối lập với “đọc-ghi” ở cấp độ thư mục hoặc API để đảm bảo tác nhân không vô tình xóa cơ sở hạ tầng quan trọng khi thực hiện một tác vụ thông thường.
- Nghiên cứu bảo mật hệ thống cũ: Xem lại các nghiên cứu về hệ điều hành “bảo mật ngay từ thiết kế” (secure by design) từ những thập kỷ trước; khi AI đảm nhận gánh nặng về “khả năng sử dụng”, những kiến trúc cũ, bảo mật cao (nhưng phức tạp) này đang trở nên khả thi một lần nữa.
如果你在真正理解一項技術如何失效之前就對其進行監管，你可能會創造出一個既無法解決任何問題，同時又扼殺了修復問題所需創新能力的監管環境。這種緊張關係定義了目前 AI「前沿實驗室」與安全社群之間的分歧。雖然實驗室通常將其方法描述為「調整步調」（pacing）——即在完全停擺與全力衝刺之間採取謹慎的中庸之道——但批評者認為，這只是一種公關策略，旨在避免政府的強勢干預或國有化，而私下裡則繼續突破技術邊界。
對話正從哲學上的「存在風險」（X-risk）轉向 AI 智能體集群（AI agent swarms）所帶來的具體且直接的危險。與通常 99% 的時間都遵守規則的人類員工不同，AI 智能體就像是「巡邏無人機」，每秒可以執行數千次 API 調用而不會感到厭倦或疲勞。這種轉變從根本上瓦解了傳統的企業安全模型，因為該模型基於一個假設：內部工具（如公司的私有 Slack 或財務工具）不會受到拒絕服務攻擊（DoS），因為員工並非懷有惡意。然而，智能體很容易將「正確」的任務誤認為「錯誤」的任務，因此必須全面重新思考內部權限與身份驗證。
最終，最令人興奮的創新正從模型本身轉向圍繞模型構建的系統。從「輸入文本、輸出文本」的聊天機器人轉向機率編程（probabilistic programming），使得 AI 能更高效地整合到傳統軟體中。開發者不再追求生成長篇段落，而是從一組變數中選擇最可能的選項，這讓他們重新挖掘 1960 年代的模擬研究，以創建隨機（stochastic）而非二元（binary）的軟體。這表明 AI 的下一次大躍進將不會來自於更大的模型，而將來自於一個能更精 sophisticated 地管理模型如何與現實世界互動的架構層。
驚人洞察
- 「調整步調」的悖論： 有人認為「調整步調」是一個不誠實的術語，因為在沒有建立進展基準速率的情況下，你根本無法「放慢」一個過程。
- 物理隔離的數據外洩： 現實世界的安全風險比大多數人意識到的要古怪得多；討論組提到了一些歷史上的「隱蔽通道」（covert channels），例如通過採樣酒店房間窗戶反射的光線來重建電腦螢幕，或測量 CPU 的熱量。
- 存在風險的人力資源問題： 有人認為，實驗室內部對「物種滅絕」的痴迷，與實際機率關係不大，更多是為了獲取「研究人員貨幣」（researcher currency）和吸引人才，進而與監管機構形成危險的反饋迴路。
- 機率編程的回歸： 目前將大語言模型（LLM）整合到軟體中的困境，正引發 1960 年代風格的模擬和機率性「if」陳述句的復興，逐漸脫離主導 1980 和 90 年代的二元邏輯。
實務建議
- 審計內部 API 限制： 如果你正在部署 AI 智能體，請停止假設你的內部工具是安全的。為內部 API 實施嚴格的速率限制（rate-limiting）和身份驗證，以防止智能體集群意外觸發拒絕服務事件。
- 從「對話」轉向「分類」： 在軟體整合方面，停止強迫 LLM 生成格式完美的文本模式（text schemas）。相反，利用模型來分類意圖或從一組預定義的選項中選擇，以提高準確度並降低延遲。
- 實施細粒度權限： 捨棄 AI 智能體的「全有或全無」訪問權限。在資料夾或 API 層級構建「唯讀」與「讀寫」權限，確保智能體在執行常規任務時不會意外刪除關鍵基礎設施。
- 研究舊有系統的安全機制： 回顧前幾十年關於「設計即安全」（secure by design）的操作系統研究；隨著 AI 承擔了「易用性」的負擔，這些古老、高度安全（但複雜）的架構正重新變得可行。
Si vous réglementez une technologie avant d’en comprendre réellement les modes de défaillance, vous risquez de créer un environnement réglementaire qui ne résout rien tout en étouffant l’innovation même nécessaire pour corriger les problèmes. Cette tension définit la fracture actuelle entre les « laboratoires de pointe » (frontier labs) de l’IA et la communauté de la sécurité. Alors que les laboratoires présentent souvent leur approche comme un « cadencement » (pacing) — un juste milieu prudent entre l’arrêt total et la course effrénée — les critiques soutiennent qu’il s’agit d’une stratégie de communication conçue pour éviter une intervention gouvernementale lourde ou une nationalisation, tout en continuant à repousser les limites de la technologie en privé.
La conversation glisse du « risque existentiel » (X-risk) philosophique vers les dangers concrets et immédiats des essaims d’agents d’IA. Contrairement aux employés humains, qui respectent généralement les règles 99 % du temps, les agents d’IA agissent comme des « drones itinérants » capables d’exécuter des milliers d’appels API par seconde sans jamais s’ennuyer ni se fatiguer. Ce changement brise fondamentalement le modèle de sécurité d’entreprise traditionnel, lequel repose sur l’hypothèse que les outils internes (comme le Slack privé d’une société ou son outil financier) sont à l’abri d’attaques par déni de service car les employés ne sont pas malveillants. Les agents, cependant, peuvent facilement confondre une tâche « saine » avec une tâche « nuisible », ce qui impose une remise en question totale des permissions internes et de l’authentification.
En fin de compte, l’innovation la plus passionnante ne se situe plus dans les modèles eux-mêmes, mais dans les systèmes construits autour d’eux. La transition des chatbots « texte en entrée, texte en sortie » vers la programmation probabiliste permet d’intégrer l’IA dans les logiciels traditionnels plus efficacement. En passant de la génération de longs paragraphes au choix de l’option la plus probable parmi un ensemble de variables, les développeurs dépoussièrent les recherches sur la simulation des années 1960 pour créer des logiciels stochastiques plutôt que binaires. Cela suggère que le prochain grand saut de l’IA ne viendra pas d’un modèle plus volumineux, mais d’une couche architecturale plus sophistiquée gérant la manière dont ces modèles interagissent avec le monde réel.
Perspectives Surprenantes
- Le paradoxe du « cadencement » : Le terme « pacing » est perçu par certains comme fallacieux, car on ne peut pas « ralentir » un processus lorsqu’il n’existe aucun rythme de progression de référence établi.
- Exfiltration hors ligne (Air-Gapped) : Les risques de sécurité réels sont bien plus insolites que ce que l’on imagine ; le groupe évoque des « canaux cachés » historiques, comme la reconstruction d’un écran d’ordinateur en échantillonnant la lumière réfléchie dans la fenêtre d’une chambre d’hôtel ou la mesure de la chaleur d’un processeur.
- Le problème RH du risque existentiel : Certains suggèrent que l’obsession pour « l’extinction de l’espèce » au sein des laboratoires relève moins d’une probabilité réelle que d’une forme de « capital symbolique » pour les chercheurs et un outil de recrutement, créant ainsi une boucle de rétroaction dangereuse avec les régulateurs.
- Le retour de la programmation probabiliste : Les difficultés actuelles pour intégrer les LLM dans les logiciels entraînent une renaissance de la simulation et des instructions conditionnelles (« if ») probabilistes du style des années 1960, s’éloignant de la logique binaire qui a dominé les années 1980 et 1990.
Conseils Pratiques
- Auditer les limites des API internes : Si vous déployez des agents d’IA, cessez de supposer que vos outils internes sont sécurisés. Mettez en œuvre des limitations de débit (rate-limiting) et une authentification strictes pour les API internes afin d’empêcher des essaims d’agents de déclencher accidentellement un déni de service.
- Passer du chat à la classification : Pour l’intégration logicielle, arrêtez de forcer les LLM à générer des schémas de texte parfaitement formatés. Utilisez plutôt les modèles pour classifier l’intention ou choisir parmi un ensemble d’options prédéfinies afin d’augmenter la précision et de réduire la latence.
- Implémenter des permissions granulaires : Abandonnez l’accès « tout ou rien » pour les agents d’IA. Créez des permissions « lecture seule » versus « lecture-écriture » au niveau des dossiers ou des API pour garantir qu’un agent ne puisse pas supprimer accidentellement une infrastructure critique lors d’une tâche routinière.
- Étudier la sécurité des systèmes hérités (Legacy) : Replongez dans les recherches sur les systèmes d’exploitation « sécurisés par conception » (secure by design) des décennies précédentes ; alors que l’IA prend en charge la charge de l’« utilisabilité », ces anciennes architectures, très sécurisées mais complexes, redeviennent viables.
Wenn man eine Technologie reguliert, bevor man tatsächlich versteht, wie sie versagt, riskiert man ein regulatorisches Umfeld zu schaffen, das nichts löst und gleichzeitig genau jene Innovationen erstickt, die zur Behebung der Probleme notwendig wären. Dieses Spannungsfeld definiert den aktuellen Riss zwischen den KI-„Frontier Labs“ und der Sicherheitscommunity. Während die Labore ihren Ansatz oft als „Pacing“ framen – einen vorsichtigen Mittelweg zwischen einem vollständigen Stopp und einem Sprint –, argumentieren Kritiker, dass dies eine PR-Strategie sei, um massiven staatlichen Eingriffen oder einer Verstaatlichung zu entgehen, während im Privaten weiterhin die Grenzen der Technologie ausgelotet werden.
Die Diskussion verschiebt sich von philosophischen „existentiellen Risiken“ (X-Risk) hin zu den konkreten, unmittelbaren Gefahren von KI-Agenten-Schwärmen. Im Gegensatz zu menschlichen Mitarbeitern, die Regeln im Allgemeinen zu 99 % befolgen, agieren KI-Agenten wie „streifende Drohnen“, die tausende API-Aufrufe pro Sekunde ausführen können, ohne gelangweilt zu sein oder zu ermüden. Dieser Wandel bricht das traditionelle Unternehmenssicherheitsmodell fundamental auf, welches auf der Annahme beruht, dass interne Tools (wie der private Slack eines Unternehmens oder ein Finanztool) vor Denial-of-Service-Angriffen sicher sind, weil die Mitarbeiter nicht böswillig handeln. Agenten können jedoch leicht eine „gute“ Aufgabe mit einer „schlechten“ verwechseln, was ein vollständiges Überdenken interner Berechtigungen und Authentifizierungen erforderlich macht.
Letztendlich verlagert sich die spannendste Innovation weg von den Modellen selbst hin zu den Systemen, die darum herum gebaut werden. Der Übergang von „Text-in, Text-out“-Chatbots zur probabilistischen Programmierung ermöglicht es, KI effizienter in traditionelle Software zu integrieren. Indem Entwickler davon absehen, lange Absätze zu generieren, und stattdessen die wahrscheinlichste Option aus einer Menge von Variablen wählen, stauben sie Simulationsforschung aus den 1960er Jahren ab, um Software zu erschaffen, die stochastisch statt binär ist. Dies deutet darauf hin, dass der nächste große Sprung der KI nicht durch ein größeres Modell erfolgen wird, sondern durch eine anspruchsvollere Architekturschicht, die steuert, wie diese Modelle mit der realen Welt interagieren.
Überraschende Erkenntnisse
- Das „Pacing“-Paradoxon: „Pacing“ wird von einigen als unehrlicher Begriff angesehen, da man einen Prozess nicht „verlangsamen“ kann, wenn es keine etablierte Basisrate für den Fortschritt gibt.
- Air-Gapped Exfiltration: Sicherheitsrisiken in der realen Welt sind weitaus bizarrer, als die meisten vermuten; die Gruppe diskutiert historische „Covert Channels“, wie etwa die Rekonstruktion eines Computerbildschirms durch die Analyse des reflektierten Lichts in einem Hotelzimmerfenster oder die Messung der CPU-Hitze.
- Das HR-Problem von X-Risk: Einige vermuten, dass die Obsession mit dem „Aussterben der Spezies“ innerhalb der Labore weniger mit der tatsächlichen Wahrscheinlichkeit zu tun hat, sondern vielmehr mit der „Währung für Forscher“ und dem Recruiting, was wiederum eine gefährliche Rückkopplungsschleife mit den Regulierungsbehörden erzeugt.
- Die Rückkehr der probabilistischen Programmierung: Die derzeitigen Schwierigkeiten bei der Integration von LLMs in Software führen zu einer Renaissance der Simulationen und probabilistischen „Wenn-Dann“-Anweisungen im Stil der 1960er Jahre und einer Abkehr von der binären Logik, die die 1980er und 90er Jahre dominierte.
Praktische Ableitungen
- Interne API-Limits prüfen: Wenn Sie KI-Agenten einsetzen, hören Sie auf anzunehmen, dass Ihre internen Tools sicher sind. Implementieren Sie striktes Rate-Limiting und Authentifizierungen für interne APIs, um zu verhindern, dass Agenten-Schwärme versehentlich ein Denial-of-Service-Ereignis auslösen.
- Von Chat zu Klassifizierung wechseln: Versuchen Sie bei der Softwareintegration nicht, LLMs zu zwingen, perfekt formatierte Textschemata zu generieren. Nutzen Sie Modelle stattdessen, um Intentionen zu klassifizieren oder aus einer Menge vordefinierter Optionen zu wählen, um die Genauigkeit zu erhöhen und die Latenz zu verringern.
- Granulare Berechtigungen implementieren: Verabschieden Sie sich von „Alles-oder-Nichts“-Zugriffen für KI-Agenten. Erstellen Sie „nur-lesen“- versus „lesen-schreiben“-Berechtigungen auf Ordner- oder API-Ebene, um sicherzustellen, dass ein Agent bei der Ausführung einer Routineaufgabe nicht versehentlich kritische Infrastrukturen löscht.
- Sicherheit von Legacy-Systemen studieren: Schauen Sie zurück auf die „Secure-by-Design“-Betriebssystemforschung früherer Jahrzehnte; da die KI die Last der „Benutzerfreundlichkeit“ übernimmt, werden diese alten, hochsicheren (aber komplexen) Architekturen wieder praktikabel.
Erik Torenberg sits down with Box CEO Aaron Levie, and a16z’s Martin Casado, and Steven Sinofsky to debate how the AI industry should think about safety, security, and regulation as increasingly capable agents move into the real world.
They argue that much of today’s conversation is happening before we have clearly defined the risks we’re trying to regulate. Drawing on earlier waves of computing, from computer viruses and the early internet to aviation and automobiles, they ask what AI can learn from industries that developed safety standards only after understanding how their technologies actually failed.
The conversation then gets concrete: agents don’t get tired, can operate at enormous scale, and can probe systems in ways human employees never could. That could require rethinking permissions, authentication, operating systems, and the security stack itself. They also discuss why AI innovation may increasingly move beyond the frontier labs and into the software built around the models.
Resources:
Follow Aaron Levie on X:https://x.com/levie
Follow Martin Casado on X:https://x.com/martin_casado
Follow Steven Sinofsky on X:https://x.com/stevesi
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.
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…
-
Hugging Face’s CEO on Open Source AI, Model Routing, and the Future of Competition
As governments weigh new restrictions on frontier AI models, one question is becoming increasingly important: what role should open source play in the future of artificial intelligence? Theo Jaffee and Sofia Puccini speak with Hugging…
-
Hugging Face’s CEO on Open Source AI, Model Routing, and the Future of Competition
As governments weigh new restrictions on frontier AI models, one question is becoming increasingly important: what role should open source play in the future of artificial intelligence? Theo Jaffee and Sofia Puccini speak with Hugging…
-
Amjad Masad on Going Direct, Building Replit, and the Future of Software
Recorded live at the New Media Summit, Erik Torenberg sits down with Replit founder and CEO Amjad Masad to discuss founder-led storytelling, building in public, and the role of media in company building. Masad reflects…
-
Amjad Masad on Going Direct, Building Replit, and the Future of Software
Recorded live at the New Media Summit, Erik Torenberg sits down with Replit founder and CEO Amjad Masad to discuss founder-led storytelling, building in public, and the role of media in company building. Masad reflects…
-
Replay 2025: David Sacks on AI, Crypto, and America’s Technology Future
As part of our summer replay series, we’re revisiting one of our most-discussed conversations from the past year. David Sacks joins Marc Andreessen, Ben Horowitz, and Erik Torenberg to discuss the intersection of AI, crypto,…
-
Replay 2025: David Sacks on AI, Crypto, and America’s Technology Future
As part of our summer replay series, we’re revisiting one of our most-discussed conversations from the past year. David Sacks joins Marc Andreessen, Ben Horowitz, and Erik Torenberg to discuss the intersection of AI, crypto,…