Arvind Krishna 與 Nikesh Arora：量子威脅、開放與前沿 AI、AI 網路戰與 SaaS 崩解

IBM 執行長 Arvind Krishna 認為，能破解當今加密技術的量子電腦大約在 2030 年就會出現，而企業在遷移到後量子加密（post-quantum encryption）這件事上，已經落後好幾年。本集節目以量子威脅開場，但大部分時間談的是 AI 經濟與策略：為什麼開放權重模型（open-weight model）將吃下大部分的 Token 用量、前沿實驗室（frontier lab）與垂直整合如何重塑軟體業，以及 AI 驅動的網攻對企業防禦與 SaaS 估值的意義。

本集嘉賓是 Krishna 與 Palo Alto Networks 執行長 Nikesh Arora，對談主持人為 Chamath Palihapitiya 與 Jason Calacanis。兩人都執掌大型企業科技公司，談話也從經營者的位置出發：Krishna 談基礎設施、大型主機與模型經濟學；Arora 談安全營運、併購，以及他的公司所身處的模型供應商關係。讀者讀完應該能帶走三件事：量子遷移的具體時間表、以成本為基礎的開放權重模型論證，以及軟體整併將走向何方的判斷。

量子運算約在 2030 年破解當今加密，而遷移已經太晚

Krishna 的核心主張是：一臺可運作、具備糾錯能力的量子電腦終將破解現行的公開金鑰加密，爭議只在於時間點。他引用 DARPA 的量子基準計畫（Quantum Benchmarking Initiative, QBI），說該計畫幾年前還有兩百家公司在內，如今只剩約 13 家。破解時間的估計落在 2028 到 2033 年之間；他取中位數 2030 年，並稱這個破解「不是假設，而是必然會發生的事實」。

他列出自己會盯的幾個里程碑，並預測相關宣稱會按時間表陸續出現：

| 里程碑 | 意義 | Krishna 預估時程 |
|---|---|---|
| 在實際運轉的機器上實現糾錯／錯誤緩解 | 首次真實（而非模擬）的演示 | 2027 年出現宣稱；須由第三方驗證 |
| 閘運算量持續擴張 | 以目前約 1 萬為基準，每年大約多一個零 | 若趨勢不變，2029 年約達 1,000 萬 |
| 加密被破解 | 現行公開金鑰加密失效 | 中位估計約 2030 年 |

他對「邏輯量子位元（logical qubit）」這個詞很謹慎，說自己並不喜歡，但接受它作為糾錯後有效運算能力的簡稱：1 萬個實體量子位元，大約只能得到 200 個邏輯量子位元。至於後量子演算法是否真的安全，他說它們的「抗量子」程度，與當今加密技術抵抗傳統電腦的程度屬於同一等級——建立在複雜度理論與假設之上，而非定理級的證明。

真正的實務警告在於已儲存的資料。今天被偷走的一顆加密硬碟，可以存放五年，等硬體到位後再破解。Krishna 說後量子加密的理論已經清楚、程式碼也寫得出來，但「大家就是懶得去做」。Arora 的營運版本是：每一個供應商、每一個端點都在跑加密金鑰，任何不具量子安全性的東西都能被破解，而你不可能在一年內換掉價值 5 兆美元的 IT 資產。他的處方是現在就採購量子安全基礎設施，並在過渡期用可支援後量子的金鑰包住所有流量。「如果他說是 2029、2030 年，那我們已經晚了。」

Calacanis 提出一個他歸於某位資深 AI 研究員的反向論點：搶先破解加密的可能是 AI 模型，而非量子硬體，途徑或許是數論上的新成果，而本週 OpenAI 的數學相關發布就是早期訊號。Krishna 承認 AI 有可能發現新的量子演算法，但堅持它無法在傳統硬體上有效率地執行——「你不能在另一種架構上模擬某件事，還期待得到更有效率的結果。」古典捷徑或許存在，但如果破解一組金鑰要花十年，「大多數人大概都已經安息了。」

開放權重模型將憑成本、IP 與地緣政治吃下多數 Token

Krishna 預測 75–90% 的 Token 使用者會轉向開放權重模型，理由有三。第一是經濟效益：前沿模型的定價約為每百萬 Token 20 美元（落後一個世代的模型），最頂規的可達 50 美元；而若在自己的 GPU 上跑 Kimi K2（約 8,000 億引數）這類開放權重模型，只需約一週的工程投入，成本就降到每百萬 Token 1–2 美元——省下 10 到 40 倍，換來的卻是「足以完成 95% 工作的效果」。第二是 IP：如果思維鏈（chain-of-thought）被第三方記錄與稽核，等於把你的推理過程送出去。前沿實驗室不會交出權重，因此開放權重是唯一能在自家環境內跑的選項。第三是地緣政治：目前最好的開放權重模型來自中國，他說只要在沙箱中、於本地執行，風險很低，但從雲端取用就另當別論；他預期一、兩年內就會出現西方的開放權重模型，因為能力差距最多隻有 6 到 12 個月。

Arora 從買方角度得出相同結論。實驗階段就讓團隊用最好、最上手的模型，讓兩萬名員工先搞懂 AI 能做什麼。進入生產階段，則要讓模型的智慧程度對應任務的價值。他舉例：Palo Alto 以每年每端點約 20–25 美元的成本檢查端點流量，用的是壓縮到 99.9% 準確率的小型任務專用模型；若把這些流量全丟給前沿模型按 Token 計費，「聽起來就是 OpenAI 的營收之聲」，並不實際。例外是正在發生的入侵事件——此時業務衝擊動輒數十億美元，客戶願意付錢讓代理叢集（agent swarm）與最新前沿模型來推演防禦。

Krishna 補了一個行為面的觀察：開發者若不受控管，預設就會選最貴的選項，所以便宜模型該放在生產環境，貴的留給實驗。談到資料，Arora 指出許多 Claude Code 使用者並沒有零資料保留（zero data retention）的安排，等於在用自己的程式碼訓練模型——這同時也教會模型什麼是爛程式碼，對攻擊者有利：他們只需找到一個漏洞，防禦者卻得找出並修補全部。

防禦的勝算在於讓攻擊變貴，而非寫出完美程式碼

Arora 對當前 AI 程式碼審查的評價很直白：模型確實找得到真實漏洞，但約 20% 的發現是幻覺（他估計在場聽眾中 60–80% 是真的），而且沒有人會在未重新測試的情況下就修補。這種不對稱對攻擊者有利——一個沒補的洞就夠了——所以防禦者必須全部找到。

Krishna 用戰爭的三個教訓來對應。聯盟的力量可以壓過單一攻擊者，所以共享漏洞資訊、集中派送修補，勝過每家公司各自去補開源漏洞。不對稱決定消耗戰的勝負：如果攻擊比較便宜，防禦方會先燒光銀彈而投降，因此目標是讓防禦也一樣便宜。而技術優勢往往直接決定勝負，這才是真正的目標——找出漏洞、修補它，並拉高對方突破的成本。

談到由代理（agent）撰寫的程式碼，Krishna 說在 IBM，代理撰寫的程式碼已優於人類撰寫的程式碼，目前約佔一半，因為代理在發布前也會跑評估、把自己找到的問題修掉。但完整的驗證在今天「幾乎在運算上不可行」，而且這個迴圈只找得到我們知道怎麼找的缺陷。Arora 的責任底線很簡單：一家從產品中獲取經濟價值的商業企業，就必須為自己出貨的東西負責——「你不能放出去之後說，哎喲，我不知道怎麼控制它。」

沒有人要放慢腳步，監管由政治驅動

Calacanis 問，AI 軍備競賽的不可避免性是否改變了「停止 AI」的討論，並轉述一場華盛頓的談話：一位資深國會議員說某位大企業執行長對資安「完全嚇壞了」，還丟擲可能在第四季前推動 50 州全面停用資料中心的想法。Arora 懷疑 50 個州曾在任何事上達成共識，並說產業已經過度聚焦 AI 的陰暗面，忽略了它的好處。Krishna 更直接：資料中心與 AI 監管的爭論「是民粹驅動，不是任何現實驅動」，而且一個國家放慢，只會讓日本、中國或印度追上來。他認為目前的分寸大致正確，但承認一場選舉就可能改變它；他把 50 州停用資料中心的機率估在幾乎為零，但認為 30 州可能出手，另外 20 州則「開心地搓手看好戲」。

談到貧富落差，Arora 說真正的限制是算力供給，而非價格：一家公司離美國或中國這個震央越遠，拿到的算力就越少，不管它多想投入。Krishna 把它框成反覆出現的勞動與資本取捨——資本密集的經濟體在過去每一輪都勝出——並主張，那些不惜代價保住每一個現有工作的國家，終將輸給願意接受部分職位被取代、換取更好工作的國家。

垂直整合讓擁有者能在各層之間搬移利潤

被問到集團化與分拆的鐘擺，Krishna 以 IBM 已延續 65 年的大型主機為案例。1960 年代 IBM 一路「做到最上游的沙」——從沙子到晶圓、到晶圓廠、到晶片、到軟體——這防止了 IP 外洩，也把整條堆疊的利潤留在公司內部。今天 IBM 設計晶片與大部分軟體，但不自己製造，因為晶圓製造的規模是一場大宗商品遊戲。原則是：優勢具決定性的環節就自己做，屬於大宗商品的環節就外購。

Arora 稱 Nvidia 是現代版本：黃仁勳從最上游一路經營到應用層，並資助整個生態系（包括 Hugging Face），讓參與者留在他的堆疊上。擁有整條堆疊的策略回報，在於能選擇要把哪一層商品化：對手若攻擊某一層，就在那裡摧毀利潤池，把利潤搬到別處。

套用到應用層，Arora 主張開放與封閉之爭，本質是開放堆疊與封閉堆疊之爭。當模型的記憶與上下文不斷擴大，把推理與上下文、記憶分開就越來越不合理，因此一個只負責轉發推理 Token 的「開放路由器」將變得不切實際。一個以你的上下文、API 與連線關係訓練出來的個人代理，會形成護城河，因為把它搬到別的堆疊就等於失去這一切。他預期未來三個月內，每一家前沿實驗室都會對消費型代理全力出擊，跟隨 Meta 的示範，並預測許多 iPhone App 將變成無介面（headless）。

AI 侵蝕終端價值，SaaS 面臨整併

Arora 的資安併購邏輯是：客戶不該被迫把 40 個安全產品拼湊在一起。他拿 CRM 相比：幾十年前 Fidelity 內部有 23 套系統，最後整併成 Salesforce、Microsoft Dynamics、Oracle 這類現成平臺——一旦產品趨同，差異化消失，平臺就勝出。資安估值目前偏高，部分原因是 AI 安全恐慌，他預期這會回歸正常，即便客戶在防禦上的支出依然龐大。

在資安之外，他看空軟體的終端價值：隨著 AI 重設產品市場契合度（product-market fit），哪些 SaaS 產品能撐過未來五到八年並不清楚，而且「未來幾年 SaaS 領域會出現巨大的顛覆」。Krishna 延伸這點：企業跑著 500 到 5,000 家軟體供應商，這是龐大的攻擊面，而 AI 能力讓企業有機會用五到十個主要平臺取代其中數百家——整併會發生，因為在軟體價值下滑的情況下，養不起獨立的通路。他劃出一條界線：互動密集的軟體很容易被 AI 取代，但必須可靠到 10^-15 的系統，例如零售銀行的資料庫查詢或結帳關帳，將很難被取代，而且重建它們也沒有成本優勢。至於併購時機，Krishna 說今年初估值倍數看起來有吸引力，一個月前就沒那麼好了，他還在觀望。

貫穿整集的主軸是：能力的到來，快過原本該吸收它的制度。量子給了大多數企業還沒開始規劃的硬期限；開放權重模型給了買方一條 10 到 40 倍的成本逃生口，脫離前沿定價；AI 撰寫的程式碼則是雙面刃，幫防禦者找漏洞，也給攻擊者更便宜的入侵路徑。尚未化解的張力在於時機：Krishna 的 2030 年量子估計、他 75–90% 的開放權重預測，以及 Arora 的 SaaS 顛覆視窗，全都是對結果有切身利害的高階主管所做的預測，在里程碑到來之前都不會有定論。值得追蹤的具體指標是：2027 年前糾錯宣稱能否通過第三方驗證、閘數量能否一路每年加一個零到 2029 年，以及西方開放權重模型能否縮小與中國模型之間 6 到 12 個月的差距。