a16z Podcast
Summary & Insights
Why do we keep talking about the “AI apocalypse” when most enterprises are still just using chatbots as glorified Google search tools? This paradox defines the current state of artificial intelligence: a massive gap exists between the existential dread voiced by frontier labs and the actual operational reality of businesses. While the public is cautioned about superintelligence, the real, immediate risk isn’t a sentient AI taking over the world—it’s the collapse of cybersecurity as automated agents make attacks faster and more precise than human security teams can possibly track.
The bottleneck for AI adoption isn’t actually a lack of “intelligence” in the models; it’s a lack of context. Most companies fail to get real ROI because their AI doesn’t understand the “organizational ontology”—the tacit, ingrained knowledge of who knows what, how decisions are actually made, and the complex relationships between projects and people. By digitizing this context and building a “digital graph” of the company, organizations can move from simple Q&A to genuine agentic automation, where AI can perform complex analyses and synthesize board-level insights in minutes rather than weeks.
Beyond the enterprise, the conversation is shifting toward a more pragmatic “value-maxing” approach. Rather than blindly using the most expensive frontier models for every task, savvy organizations are beginning to multiplex their models—using high-end “expert” models for architecture and audit, while utilizing cheaper, open-source models for implementation. This shift toward a hybrid model ecosystem allows companies to bend the cost curve, ensuring that the price of intelligence drops asymptotically while productivity continues to climb.
Surprising Insights
- The “Pacing” PR Trap: Terms like “pacing the frontier” are often viewed as “milquetoast” compromises that satisfy neither the “doomers” (who want a total pause) nor the policymakers (who want concrete security).
- Recursive Self-Improvement (RSI) vs. Autocatalysis: Much of what is branded as RSI is actually just “autocatalytic” progress—using AI to clean data or write GPU kernels—which is a standard pattern in tech history (e.g., using a computer to design a better computer).
- The 4-Point Litmus Test for Superintelligence: Real superintelligence requires four simultaneous conditions: the next model must require fewer resources, take less time to train, possess higher intelligence, and be able to repeat this process indefinitely.
- Agent-First Databases: Some new database tools (like Neon/Lakebase) are winning not by targeting human DBAs, but by obsessing over the needs of AI agents, such as sub-second spin-up times and lightweight branching.
Practical Takeaways
- Build an Organizational Ontology: Stop treating AI as a standalone tool and start digitizing the “tacit knowledge” of your company. Record meetings, map relationships between projects and people, and create a digital index of how your organization actually functions.
- Implement a Model Gateway: To avoid “token maxing” (wasteful spending), use a gateway to set budget constraints per user/group and implement smart routers that send simple tasks to cheaper models.
- Shift to Task-Specific Models: For repetitive, narrow tasks, move away from general frontier models. Use open-source models and apply reinforcement learning (RL) to make them experts in that specific function, reducing costs and increasing speed.
- Automate Cybersecurity Detection: Because the time from a vulnerability being published to it being weaponized has dropped from years to hours, replace old-school SOC (Security Operations Center) manual reviews with automated agentic threat hunting.
🛍️ Products & Resources Mentioned
- 📚 BookSuperintelligence by Nick Bostrom — Referenced as the source of the theoretical hypothesis and definitions regarding superintelligence and existential risk.View on Amazon →
- ⚡ DeviceDatabricks Lakewatch — A detection product mentioned to help organizations automate cyber threat detection as humans can no longer keep up with AI-driven attacks.View on Amazon →
- ⚡ DeviceOmnipod — Discussed as a positive AI use case for diabetes patients to automate insulin release based on glucose levels.View on Amazon →
- ⚡ DeviceNeon / Lakebase — Discussed as the preferred Postgres database for AI agents due to its speed, branching capabilities, and elasticity.View on Amazon →
Tại sao chúng ta cứ mãi bàn tán về “ngày tận thế AI” trong khi hầu hết các doanh nghiệp vẫn chỉ đang sử dụng chatbot như những công cụ tìm kiếm Google phiên bản “nâng cấp”? Nghịch lý này định nghĩa trạng thái hiện tại của trí tuệ nhân tạo: một khoảng cách khổng lồ giữa nỗi sợ hãi về sự tồn vong mà các phòng thí nghiệm tiên phong đưa ra và thực tế vận hành của các doanh nghiệp. Trong khi công chúng được cảnh báo về siêu trí tuệ, thì rủi ro thực sự và trước mắt không phải là một AI có tri giác sẽ thống trị thế giới—mà là sự sụp đổ của an ninh mạng khi các tác nhân tự động khiến các cuộc tấn công trở nên nhanh hơn và chính xác hơn mức mà các đội ngũ bảo mật con người có thể theo dõi.
Điểm nghẽn trong việc áp dụng AI thực chất không nằm ở việc thiếu “trí thông minh” của các mô hình, mà là thiếu ngữ cảnh. Hầu hết các công ty thất bại trong việc đạt được ROI (tỷ suất hoàn vốn) thực tế vì AI của họ không hiểu “hệ thống bản thể tổ chức” (organizational ontology)—tức là những kiến thức ngầm định, ăn sâu vào doanh nghiệp về việc ai biết điều gì, các quyết định thực sự được đưa ra như thế nào và mối quan hệ phức tạp giữa các dự án và con người. Bằng cách số hóa ngữ cảnh này và xây dựng một “đồ thị kỹ thuật số” của công ty, các tổ chức có thể chuyển từ việc hỏi đáp đơn giản sang tự động hóa bằng tác nhân (agentic automation) thực thụ, nơi AI có thể thực hiện các phân tích phức tạp và tổng hợp các thông tin chiến lược cấp hội đồng quản trị trong vài phút thay vì vài tuần.
Vượt ra ngoài phạm vi doanh nghiệp, cuộc thảo luận đang chuyển dịch sang cách tiếp cận “tối đa hóa giá trị” thực dụng hơn. Thay vì mù quáng sử dụng các mô hình tiên phong đắt đỏ nhất cho mọi tác vụ, các tổ chức nhạy bén đang bắt đầu đa dạng hóa mô hình (multiplex)—sử dụng các mô hình “chuyên gia” cao cấp cho việc thiết kế kiến trúc và kiểm định, trong khi tận dụng các mô hình mã nguồn mở rẻ hơn để triển khai. Sự chuyển dịch sang hệ sinh thái mô hình hỗn hợp này cho phép các công ty uốn cong đường cong chi phí, đảm bảo rằng giá thành của trí thông minh giảm dần theo đường tiệm cận trong khi năng suất tiếp tục tăng cao.
Những góc nhìn bất ngờ
- Cái bẫy PR về “Nhịp độ” (Pacing): Các thuật ngữ như “đi theo nhịp độ của tiên phong” thường được coi là những sự thỏa hiệp “nhạt nhòa”, không làm hài lòng cả những “kẻ bi quan” (những người muốn dừng lại hoàn toàn) lẫn các nhà hoạch định chính sách (những người muốn có an ninh cụ thể).
- Tự cải thiện đệ quy (RSI) đối lập với Tự xúc tác (Autocatalysis): Nhiều thứ được gắn nhãn là RSI thực chất chỉ là tiến bộ “tự xúc tác”—sử dụng AI để làm sạch dữ liệu hoặc viết nhân GPU—điều này vốn là một mô hình tiêu chuẩn trong lịch sử công nghệ (ví dụ: dùng máy tính để thiết kế một chiếc máy tính tốt hơn).
- Bài kiểm tra 4 điểm cho siêu trí tuệ: Siêu trí tuệ thực sự đòi hỏi bốn điều kiện xảy ra đồng thời: mô hình tiếp theo phải tiêu tốn ít tài nguyên hơn, thời gian huấn luyện ngắn hơn, sở hữu trí thông minh cao hơn và có khả năng lặp lại quy trình này vô tận.
- Cơ sở dữ liệu ưu tiên tác nhân (Agent-First Databases): Một số công cụ cơ sở dữ liệu mới (như Neon/Lakebase) đang giành chiến thắng không phải bằng cách nhắm vào các quản trị viên DB (DBA) là con người, mà bằng cách tập trung tối đa vào nhu cầu của các tác nhân AI, chẳng hạn như thời gian khởi động dưới một giây và khả năng phân nhánh nhẹ nhàng.
Bài học thực tiễn
- Xây dựng Hệ thống bản thể tổ chức: Đừng coi AI là một công cụ độc lập mà hãy bắt đầu số hóa “kiến thức ngầm” của công ty bạn. Ghi âm các cuộc họp, lập bản đồ mối quan hệ giữa các dự án và con người, và tạo một chỉ mục kỹ thuật số về cách tổ chức của bạn thực sự vận hành.
- Triển khai Cổng kết nối mô hình (Model Gateway): Để tránh tình trạng “lãng phí token” (chi tiêu vô ích), hãy sử dụng một cổng kết nối để thiết lập hạn mức ngân sách cho mỗi người dùng/nhóm và triển khai các bộ định tuyến thông minh để gửi các tác vụ đơn giản đến các mô hình rẻ hơn.
- Chuyển sang các mô hình đặc thù cho tác vụ: Đối với các tác vụ hẹp và lặp đi lặp lại, hãy ngừng sử dụng các mô hình tiên phong đa năng. Hãy sử dụng các mô hình mã nguồn mở và áp dụng học tăng cường (RL) để biến chúng thành chuyên gia trong chức năng cụ thể đó, giúp giảm chi phí và tăng tốc độ.
- Tự động hóa phát hiện an ninh mạng: Vì thời gian từ lúc một lỗ hổng được công bố đến khi nó bị vũ khí hóa đã giảm từ vài năm xuống còn vài giờ, hãy thay thế các quy trình xem xét thủ công của SOC (Trung tâm vận hành an ninh) kiểu cũ bằng việc săn tìm mối đe dọa tự động bằng tác nhân.
為什麼我們一直在討論「AI 末日」，而大多數企業仍僅將聊天機器人當作高級版的 Google 搜尋工具？這個悖論定義了人工智慧的現狀：頂尖實驗室所表達的生存恐懼，與企業實際的營運現實之間存在著巨大的鴻溝。當大眾被警告超級智能的威脅時，真正且迫在眉睫的風險並非是有意識的 AI 接管世界，而是隨著自動化代理（agents）使攻擊速度與精準度超越人類安全團隊的追蹤能力，導致網路安全體系的崩潰。
AI 採用的瓶頸實際上不在於模型缺乏「智能」，而是在於缺乏「上下文（context）」。大多數公司無法獲得真正的投資報酬率（ROI），是因為他們的 AI 不理解「組織本體論（organizational ontology）」——即關於誰知道什麼、決策如何實際做出，以及專案與人員之間複雜關係的隱性且根深蒂固的知識。透過將這些上下文數位化並建立公司的「數位圖譜」，組織可以從簡單的問答轉向真正的代理自動化（agentic automation），讓 AI 能在數分鐘而非數週內，完成複雜的分析並合成董事會等級的洞察。
在企業之外，討論重心正轉向更務實的「價值最大化」方法。精明的組織不再盲目地將最昂貴的頂尖模型用於每一項任務，而是開始採取模型多路復用（multiplex）——使用高端的「專家」模型進行架構設計與審核，同時利用較便宜的開源模型進行實作。這種向混合模型生態系統的轉型，讓公司能改變成本曲線，確保智能的價格呈漸近線下降，而生產力則持續攀升。
驚人的洞察
- 「步調（Pacing）」公關陷阱：像「跟隨前沿步調（pacing the frontier）」這類術語，通常被視為一種「平庸」的妥協，既無法滿足「末日論者」（他們要求完全停止），也無法滿足政策制定者（他們要求具體的安全性）。
- 遞歸自我改進（RSI）與自催化（Autocatalysis）：許多被標榜為 RSI 的現象實際上只是「自催化」的進步——例如利用 AI 清洗數據或編寫 GPU 內核——這在科技史上是標準模式（例如使用電腦來設計更強的電腦）。
- 超級智能的四點試金石：真正的超級智能需要同時滿足四個條件：下一個模型必須消耗更少資源、縮短訓練時間、擁有更高智能，且能無限次地重複此過程。
- 代理優先的數據庫（Agent-First Databases）：一些新型數據庫工具（如 Neon/Lakebase）之所以勝出，並非因為針對人類數據庫管理員（DBA），而是因為極其關注 AI 代理的需求，例如亞秒級的啟動時間和輕量級的分支功能。
實務建議
- 建立組織本體論：停止將 AI 視為獨立工具，開始將公司的「隱性知識」數位化。記錄會議、繪製專案與人員的關係圖，並為組織的實際運作方式建立數位索引。
- 實施模型閘道（Model Gateway）：為了避免「Token 浪費（token maxing）」，使用閘道為每個使用者或群組設定預算限制，並部署智能路由，將簡單任務分流至較便宜的模型。
- 轉向特定任務模型：對於重複且狹窄的任務，不再依賴通用頂尖模型。改用開源模型並應用強化學習（RL），使其成為該特定功能的專家，從而降低成本並提升速度。
- 自動化網路安全檢測：由於漏洞從公開到被武器化的時間已從數年縮短至數小時，請將傳統安全營運中心（SOC）的人工審核，替換為自動化的代理威脅獵捕（agentic threat hunting）。
Pourquoi continuons-nous à parler d’« apocalypse de l’IA » alors que la plupart des entreprises se contentent encore d’utiliser des chatbots comme des outils de recherche Google améliorés ? Ce paradoxe définit l’état actuel de l’intelligence artificielle : un fossé massif existe entre l’angoisse existentielle exprimée par les laboratoires de pointe et la réalité opérationnelle concrète des entreprises. Alors que le public est mis en garde contre la superintelligence, le risque réel et immédiat n’est pas celui d’une IA consciente prenant le contrôle du monde, mais plutôt l’effondrement de la cybersécurité, alors que des agents automatisés rendent les attaques plus rapides et plus précises que ce que les équipes de sécurité humaines peuvent raisonnablement suivre.
Le goulot d’étranglement de l’adoption de l’IA n’est pas en réalité un manque d’« intelligence » des modèles, mais un manque de contexte. La plupart des entreprises ne parviennent pas à obtenir un véritable retour sur investissement (ROI) parce que leur IA ne comprend pas l’« ontologie organisationnelle » — ce savoir tacite et ancré sur qui sait quoi, comment les décisions sont réellement prises et les relations complexes entre les projets et les personnes. En numérisant ce contexte et en construisant un « graphe numérique » de l’entreprise, les organisations peuvent passer d’un simple système de questions-réponses à une véritable automatisation agentique, où l’IA peut effectuer des analyses complexes et synthétiser des informations de niveau stratégique en quelques minutes plutôt qu’en plusieurs semaines.
Au-delà de l’entreprise, la conversation évolue vers une approche plus pragmatique de « maximisation de la valeur ». Plutôt que d’utiliser aveuglément les modèles de pointe les plus coûteux pour chaque tâche, les organisations avisées commencent à multiplexer leurs modèles : elles utilisent des modèles « experts » haut de gamme pour l’architecture et l’audit, tout en utilisant des modèles open-source moins chers pour l’implémentation. Ce passage vers un écosystème de modèles hybrides permet aux entreprises d’infléchir la courbe des coûts, garantissant que le prix de l’intelligence chute de manière asymptotique tandis que la productivité continue de grimper.
Perspectives Surprenantes
- Le piège RP du « Pacing » : Des termes comme « suivre le rythme de la frontière » (pacing the frontier) sont souvent perçus comme des compromis insipides qui ne satisfont ni les « doomers » (qui veulent un arrêt total), ni les décideurs politiques (qui veulent une sécurité concrète).
- L’auto-amélioration récursive (RSI) vs l’autocatalyse : Une grande partie de ce qui est présenté comme de la RSI n’est en fait que du progrès « autocatalytique » — utiliser l’IA pour nettoyer des données ou écrire des noyaux (kernels) GPU — ce qui est un schéma classique dans l’histoire de la technologie (par exemple, utiliser un ordinateur pour concevoir un ordinateur meilleur).
- Le test probatoire en 4 points de la superintelligence : Une véritable superintelligence nécessite quatre conditions simultanées : le modèle suivant doit nécessiter moins de ressources, demander moins de temps d’entraînement, posséder une intelligence supérieure et être capable de répéter ce processus indéfiniment.
- Les bases de données « Agent-First » : Certains nouveaux outils de base de données (comme Neon/Lakebase) s’imposent non pas en ciblant les administrateurs de bases de données (DBA) humains, mais en s’obsédant sur les besoins des agents d’IA, tels que des temps de démarrage inférieurs à la seconde et un branching léger.
Conseils Pratiques
- Construisez une ontologie organisationnelle : Cessez de traiter l’IA comme un outil autonome et commencez à numériser le « savoir tacite » de votre entreprise. Enregistrez les réunions, cartographiez les relations entre les projets et les personnes, et créez un index numérique du fonctionnement réel de votre organisation.
- Implémentez une passerelle de modèles (Model Gateway) : Pour éviter le « token maxing » (dépenses excessives), utilisez une passerelle pour fixer des contraintes budgétaires par utilisateur ou groupe, et implémentez des routeurs intelligents qui envoient les tâches simples vers des modèles moins coûteux.
- Passez aux modèles spécifiques par tâche : Pour les tâches répétitives et restreintes, éloignez-vous des modèles généralistes de pointe. Utilisez des modèles open-source et appliquez l’apprentissage par renforcement (RL) pour en faire des experts dans cette fonction spécifique, réduisant ainsi les coûts et augmentant la vitesse.
- Automatisez la détection de cybersécurité : Puisque le délai entre la publication d’une vulnérabilité et son exploitation est passé de plusieurs années à quelques heures, remplacez les revues manuelles des SOC (Security Operations Center) traditionnels par une traque des menaces automatisée et agentique.
Warum sprechen wir ständig von der „KI-Apokalypse“, während die meisten Unternehmen Chatbots immer noch lediglich als glorifizierte Google-Suchmaschinen nutzen? Dieses Paradoxon definiert den aktuellen Zustand der künstlichen Intelligenz: Es klafft eine gewaltige Lücke zwischen der existenziellen Angst, die in den führenden KI-Laboren geäußert wird, und der tatsächlichen betrieblichen Realität der Unternehmen. Während die Öffentlichkeit vor einer Superintelligenz gewarnt wird, besteht das reale, unmittelbare Risiko nicht darin, dass eine empfindungsfähige KI die Weltherrschaft übernimmt – sondern im Zusammenbruch der Cybersicherheit, da automatisierte Agenten Angriffe schneller und präziser ausführen, als es menschliche Sicherheitsteams jemals nachverfolgen könnten.
Der Engpass bei der Einführung von KI ist eigentlich nicht ein Mangel an „Intelligenz“ der Modelle; es ist ein Mangel an Kontext. Die meisten Unternehmen schaffen es nicht, einen echten ROI (Return on Investment) zu erzielen, weil ihre KI die „organisatorische Ontologie“ nicht versteht – das implizite, tief verwurzelte Wissen darüber, wer was weiß, wie Entscheidungen tatsächlich getroffen werden und welche komplexen Beziehungen zwischen Projekten und Personen bestehen. Indem Unternehmen diesen Kontext digitalisieren und einen „digitalen Graphen“ des Unternehmens aufbauen, können sie von einfachen Fragen und Antworten zu einer echten agentischen Automatisierung übergehen, bei der die KI komplexe Analysen durchführen und Erkenntnisse auf Vorstandsebene in Minuten statt in Wochen synthetisieren kann.
Über das Unternehmen hinaus verschiebt sich die Diskussion hin zu einem pragmatischeren „Value-Maxing“-Ansatz. Anstatt blind die teuersten Frontier-Modelle für jede Aufgabe einzusetzen, beginnen versierte Organisationen, ihre Modelle zu multiplexen – sie nutzen High-End-„Expertenmodelle“ für Architektur und Audit, während sie für die Implementierung günstigere Open-Source-Modelle verwenden. Dieser Übergang zu einem hybriden Modell-Ökosystem ermöglicht es Unternehmen, die Kostenkurve zu drücken und sicherzustellen, dass der Preis für Intelligenz asymptotisch sinkt, während die Produktivität weiter steigt.
Überraschende Erkenntnisse
- Die „Pacing“-PR-Falle: Begriffe wie „pacing the frontier“ (das Tempo der Spitzenforschung halten) werden oft als „fade“ Kompromisse angesehen, die weder die „Doomer“ (die einen totalen Stopp fordern) noch die politischen Entscheidungsträger (die konkrete Sicherheit wollen) zufriedenstellen.
- Rekursive Selbstverbesserung (RSI) vs. Autokatalyse: Vieles, was als RSI vermarktet wird, ist in Wirklichkeit nur „autokatalytischer“ Fortschritt – etwa die Nutzung von KI zur Datenbereinigung oder zum Schreiben von GPU-Kerneln. Dies ist ein Standardmuster der Technikgeschichte (z. B. die Nutzung eines Computers, um einen besseren Computer zu entwerfen).
- Der 4-Punkte-Lackmustest für Superintelligenz: Echte Superintelligenz erfordert vier gleichzeitige Bedingungen: Das nächste Modell muss weniger Ressourcen benötigen, weniger Trainingszeit beanspruchen, eine höhere Intelligenz besitzen und in der Lage sein, diesen Prozess unendlich oft zu wiederholen.
- Agent-First-Datenbanken: Einige neue Datenbank-Tools (wie Neon/Lakebase) gewinnen nicht dadurch, dass sie sich an menschliche DBAs richten, sondern indem sie sich obsessiv auf die Bedürfnisse von KI-Agenten konzentrieren, wie etwa Startzeiten im Sub-Sekundenbereich und leichtgewichtiges Branching.
Praktische Empfehlungen
- Aufbau einer organisatorischen Ontologie: Hören Sie auf, KI als eigenständiges Tool zu betrachten, und beginnen Sie damit, das „implizite Wissen“ Ihres Unternehmens zu digitalisieren. Nehmen Sie Meetings auf, bilden Sie Beziehungen zwischen Projekten und Personen ab und erstellen Sie einen digitalen Index darüber, wie Ihre Organisation tatsächlich funktioniert.
- Implementierung eines Modell-Gateways: Um „Token-Maxing“ (verschwenderische Ausgaben) zu vermeiden, nutzen Sie ein Gateway, um Budgetbeschränkungen pro Benutzer/Gruppe festzulegen und intelligente Router zu implementieren, die einfache Aufgaben an günstigere Modelle senden.
- Wechsel zu aufgabenspezifischen Modellen: Für repetitive, eng gefasste Aufgaben sollten Sie sich von allgemeinen Frontier-Modellen lösen. Nutzen Sie Open-Source-Modelle und wenden Sie Reinforcement Learning (RL) an, um sie zu Experten für diese spezifische Funktion zu machen, wodurch Kosten gesenkt und die Geschwindigkeit erhöht wird.
- Automatisierung der Cybersicherheits-Erkennung: Da die Zeitspanne von der Veröffentlichung einer Schwachstelle bis zu deren Instrumentalisierung von Jahren auf Stunden geschrumpft ist, sollten klassische manuelle Prüfungen in einem SOC (Security Operations Center) durch automatisierte, agentische Bedrohungssuche (Threat Hunting) ersetzt werden.
Databricks co-founder and CEO Ali Ghodsi joins a16z General Partners Martin Casado and Sarah Wang for a conversation about AI risk, recursive self-improvement, cybersecurity, and what’s actually holding back enterprise adoption.
Ali argues that today’s models are already capable enough to automate far more work than most companies are using them for. The bigger problem is context: models haven’t been in every meeting, don’t understand how decisions actually get made, and lack the institutional knowledge that experienced employees accumulate over years. He explains why building an organizational “ontology” could help close that gap and what Databricks has learned from doing it internally.
They also debate the current conversation around pacing frontier AI, what would constitute meaningful recursive self-improvement, and why Ali distinguishes speculative superintelligence risk from the much more immediate challenge of AI-powered cyberattacks. They close with how enterprises are managing exploding AI usage and costs, the shift toward multiple models and harnesses, and why agents are beginning to reshape infrastructure itself.
Resources:
Follow Ali Ghodsi on X: https://x.com/alighodsi
Follow Sarah Wang on X:https://x.com/sarahdingwang
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.
-
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,…
-
From the Archive: Can Anyone Catch NVIDIA? | The Future of Chips and Infrastructure
As part of our summer replay series, we’re revisiting one of our favorite conversations on the future of AI infrastructure. SemiAnalysis founder Dylan Patel joins Erin Price-Wright, Guido Appenzeller, and Erik Torenberg to examine the…
-
From the Archive: Can Anyone Catch NVIDIA? | The Future of Chips and Infrastructure
As part of our summer replay series, we’re revisiting one of our favorite conversations on the future of AI infrastructure. SemiAnalysis founder Dylan Patel joins Erin Price-Wright, Guido Appenzeller, and Erik Torenberg to examine the…
-
Is AI a Bubble? | Gavin Baker on Data Centers, GPUs, and the AI Economy
As part of our summer replay series, we’re revisiting one of the standout conversations from Runtime, a16z’s conference on AI infrastructure and the future of computing. Gavin Baker, Managing Partner and CIO of Atreides Management,…
-
Is AI a Bubble? | Gavin Baker on Data Centers, GPUs, and the AI Economy
As part of our summer replay series, we’re revisiting one of the standout conversations from Runtime, a16z’s conference on AI infrastructure and the future of computing. Gavin Baker, Managing Partner and CIO of Atreides Management,…
-
Before Blockchains, There Was State Machine Replication
Every blockchain today relies on replication techniques first developed in the 1980s by researchers who weren’t thinking about cryptocurrencies at all. In this episode, Tim Roughgarden speaks with MIT professor and Turing Award winner Barbara…
-
Before Blockchains, There Was State Machine Replication
Every blockchain today relies on replication techniques first developed in the 1980s by researchers who weren’t thinking about cryptocurrencies at all. In this episode, Tim Roughgarden speaks with MIT professor and Turing Award winner Barbara…
-
How Bitcoin Rewired a Classic Computer Science Problem
We’re excited to share a special feed drop from The a16z Crypto Show. In the first episode of First Principles: The Scientific Roots of Blockchain Technology, Tim Roughgarden and Ittai Abraham trace the decades of…
-
How Bitcoin Rewired a Classic Computer Science Problem
We’re excited to share a special feed drop from The a16z Crypto Show. In the first episode of First Principles: The Scientific Roots of Blockchain Technology, Tim Roughgarden and Ittai Abraham trace the decades of…