Naval 谈 AI 工业革命：每个人都在建自己的工厂

记录时间：2026-06-16 14:36:53

本文摘译并整理自 Naval Ravikant 的访谈逐字稿 The AI Industrial Revolution。原文发布于 2026-06-01，嘉宾包括 Guillermo Rauch（Vercel）、Blake Scholl（Boom Supersonic）和 Max Hodak（Science）。本文不是全文翻译，而是按主题重组的中文笔记。

这篇访谈在聊什么

Naval 这期标题叫「AI 工业革命」，副标题是「Build your own factory」。它不是一篇单纯讨论 AI 编程工具的文章，而是在讨论一个更大的迁移：AI 正在把软件、硬件、监管、医疗、组织管理和创作都变成「可被小团队快速迭代的工厂」。

过去，一个人或一个团队的产出大致受限于自己能直接完成多少工作。现在更重要的问题变成：你能不能搭出一个系统，让 AI、工具链、流程和反馈回路持续生产结果。工程师不再只是写某个输出 B，而是在建一座能产出 B 到 Z 的工厂。

这也是全篇最核心的判断：AI 的杠杆不是让你少写几行代码，而是让你重新设计生产方式。

1. 浪费 token，节省时间

Naval 对 AI 工具的态度很直接：不要太迷信各种提示词技巧和工具流派。模型进步得很快，与其花太多时间追求「正确姿势」，不如把多个模型反复扔向同一个问题，用 token 换时间。

他的衡量标准不是输入输出 token 数，而是人的时间和最终结果。即使模型写出的代码质量一般，也可以继续让模型审查、重写、测试、修补。只要领域是可验证的，AI 就能在反复反馈中持续逼近正确答案。

Guillermo 补充了另一个变化：模型已经不只是「初级工程师」。它们开始主动指出方案路径、权衡利弊、提醒你某类数据不该放进某种数据库。人和模型的关系逐渐从命令执行变成智力往返。

但这并不意味着经验不重要。经验丰富的人能从模型那里榨出更高价值，因为他们知道哪些架构选择重要，知道什么时候要打断模型，知道什么输出只是看起来合理。

2. 纯软件还值钱吗

Naval 提出一个尖锐问题：当模型会说英语、也会写代码时，纯软件工程是不是正在变得普通？如果每个人都能用自然语言让模型生成软件，创业公司的护城河还剩什么？

Guillermo 的回答更偏基础设施视角。他认为 agent 不会每次都从零重造世界。它仍然需要可复用的 building blocks：数据库、队列、云服务、框架、部署平台、权限系统。对模型来说，已有软件就像一种「token cache」：复用成熟组件，比消耗大量 token 重新发明一遍更经济。

所以，软件没有死，但价值位置在变：

• 写一次性业务逻辑的价值下降；
• 设计高质量组件、平台和抽象的价值上升；
• 能被 agent 可靠调用的工具，会成为新的基础设施；
• 能把复杂系统包装成稳定接口的人，会更值钱。

这也解释了为什么「懂软件基本原理」仍然重要。Max 提到，他已经很久没亲手写代码，却用 AI 做出了很多以前只停留在想象中的工具。不是因为他不需要工程判断，而是因为他理解 API、数据流、性能边界和系统拼接方式。

3. 硬件工程也会被 vibe coding 改写

Blake 在 Boom Supersonic 的例子很关键。传统硬件工程大量工作其实藏在 Excel、邮件和孤立的工程师电脑里：复杂表格、脚本、手工交接、没有版本控制、没有自动化测试。名义上不是软件，实际上全是低质量软件。

Boom 的做法是把硬件工程流程软件化。软件工程师负责架构和系统边界，硬件工程师用 AI 为自己的专业领域写工具。这样，小团队也能快速迭代过去只有大团队才能做的工作。

他举了涡轮叶片设计的例子：传统流程里，冷热形态、气动、结构之间的转换非常耗人；现在通过软件和 AI 的组合，可以实时改变叶片几何形态，并看到结构与气动结果。原来大量依赖人工传递的流程，变成了可交互、可迭代的系统。

Max 也提到，他已经把大量 Excel 工作迁移到 Python 模型里。下一步如果 AI 能生成 STEP 文件、PCB 布局和机械/电气工程产物，硬件行业会迎来另一轮重构。

4. 开源模型会放大中国制造优势

Naval 对中国开源模型的观察是：开源 AI 对硬件强国尤其有利。中国拥有复杂供应链和制造能力，如果软件可以按需生成，过去相对硅谷的软件劣势就会被抹平一部分。

这不只是模型能力问题，也是产业结构问题。大量硬件公司过去做不好配套软件，因为招不到足够强的软件团队；如果 AI 能生成「足够好」的软件，甚至让硬件直接由 agent 通过语音或 API 控制，那么大量小硬件、小配件、小工厂的用户体验都会快速改善。

Guillermo 的判断更强：如果一个国家没有前沿代码生成能力，它就不只是软件落后，而是在整个硬件生产链条里都落后。今天的制造、材料、机械、监管文档、供应链协作，都越来越依赖软件生成能力。

5. 人类正在变成验证者

AI 让从 0 到 1 创建软件变得很容易，但这带来了另一个问题：生产环境里的系统需要在第 1000 天仍然安全、可维护、性能可靠。

Guillermo 说，基础设施工程师不能只是接受一堆 AI 生成的 PR。真正的责任不是逐行阅读所有代码，而是能够对后果负责：我理解这个 PR 的影响；我写了测试、模拟、证明或类型检查；我有足够信心把它送进生产。

Naval 因此把人类的新角色概括为「验证者」。律师、工程师、运营人员的很多旧职能，会从亲手写材料、亲手写代码，迁移到验证整套系统是否大体正确，并愿意为结果背书。

这对个人能力的要求反而更高。因为你要判断的不是某行代码是否漂亮，而是整个系统是否可靠。

6. 监管会成为新的 AI 战场

访谈第三部分讨论监管。Blake 认为，AI 会大幅降低合规文档和监管交互的变更成本。比如飞机认证中的某个测试计划，过去可能要几个月写完 200 页文档；如果用 RAG 和 agent，很多重复性文档可以在分钟级生成。

这带来的第一层效果是省时间，第二层效果更重要：当规格变化后，合规材料可以快速重做，团队就更愿意迭代。监管负担不再那么强烈地压制变化。

Max 提醒，问题不一定是所有监管都坏。干净空气、可游泳的河流、医疗安全，这些规则本身代表进步。真正的问题是人类理解和满足这些规则的摩擦太大，每一次沟通都要等几个月。

Guillermo 提供了一个有意思的视角：监管也可以看成测试套件。只要规则合理、没有内在矛盾，agent 的任务就是让产品通过这些测试。真正糟糕的是监管机构也开始生成海量文本，企业和政府进入 agent 对 agent 的红皇后竞赛。

7. 医疗创新为什么特别慢

医疗部分的讨论很激烈。Naval 认为，AI 和 crypto 过去十年发展最快，一个原因是它们属于数学和信息领域，相对少受物理世界监管约束。一旦进入医疗、航空、建筑等现实领域，审批、许可和责任结构就会把迭代速度压得很低。

Max 的补充更现实：监管机构的激励极度不对称。批准十个重要药物，监管者未必得到奖励；一旦一个病人出事，就可能被国会追责。这种结构天然鼓励保守。

他们还讨论了个体化医疗。对于资源充足、愿意自担风险的人，现代科学工具箱可能带来惊人的结果；但普通病人在最虚弱的时候，恰恰最没有精力研究复杂治疗路径。Guillermo 认为，这正是 AI 应该发挥作用的地方：把原本只属于极少数人的知识和方案探索能力民主化。

8. 自治公司：你的工作是训练 agent

Guillermo 说，Vercel 已经有不少自治基础设施：异常检测触发 agent 调查，agent 可以判断是否创建 incident，并开始准备修复方案；安全研究也可以用大量并发 agent 在云端跑，几天内完成过去几个月的红队工作。

Naval 也举了自己的应用例子：用户在 TestFlight 里报告 bug，系统收集日志和截图，后台守护进程整理报告、分析问题、尝试修复，并给他生成一个可测试版本。未来的软件可能在某种程度上由用户反馈不断生成。

Blake 在公司里做过一周 AI hackathon：停止所有项目工作，让每个人从前台到工程师都用 AI 做自己认为最重要的东西，并向全公司 demo。他预期会有很多玩具项目，结果反而出现了许多真正推动公司的工具。一个负责收货和通知库存的员工，做出了正在被公司使用的自动化。

结论很清楚：很多人都知道自己的工作里哪里可以更好，只是以前没有能力把想法变成东西。AI 把「想法 -> 原型 -> 反馈 -> 迭代」的链路缩短后，组织里更多人会变成 agent 的训练者。

9. 人类还剩什么

访谈最后回到一个更大的问题：如果 AI 会写代码、会生成视频、会做工具、会处理文档，人类独特的价值还剩什么？

Max 更偏 AGI maximalist：如果你的身份完全建立在「我聪明、我有创造力」上，未来可能很难受。Naval 则保留了更多人类主义立场：真正的创造力是跳出分布，做出训练数据里没有、系统内无法自然推出的东西；艺术的意义也不仅是作品本身，还包括创作者的意图和情感传递。

几位嘉宾最后形成的共同点是：未来不是「人 vs AI」，而是「会用 AI 的人 vs 不会用 AI 的人」。AI 降低了专业门槛，切开了术语和资格认证形成的外壳，但没有取消创造力、品味、判断和责任。

Guillermo 预测，未来会出现大量更小的团队。单个任务所需人数下降，不一定意味着所有工作消失，也可能意味着更多创业、更多实验、更多小团队同时做以前不可能做的事。

Naval 的结论很实用：最值得做的事，是把这些工具用到足够熟，持续知道它们的边界在哪里。因为边界在快速移动，而价值会流向那些能在边界上行动的人。

我读完后的 takeaway

这篇访谈把「AI 编程」放进了更大的工业框架里。它真正讨论的不是某个工具，而是生产函数变化：

1. 软件变成工厂，而不是手工活；
2. 硬件工程开始被软件化；
3. 监管和合规会被 agent 化；
4. 人类从执行者转向验证者、训练者和方向选择者；
5. 创造力、品味、判断、责任，成为更稀缺的部分。

如果只把 AI 当成省时间的助手，会低估它；如果把它当成自动替代一切的魔法，也会高估它。更准确的说法是：AI 正在让每个有判断力的人，都有机会搭一座自己的小型工厂。