Former Intel CEO on What Went Wrong, What's Next + Lovable CEO on the Real Promise of Vibe Coding

技术公司为什么会失速

节目先从一段很强烈的反差开始。主持人 Jason 说，Intel 曾经是最伟大的美国公司之一。Intel Inside 的声音标识和 Pentium 处理器，甚至直接影响消费者购买哪台电脑。但后来，Intel 在 NVIDIA、TSMC，以及一定程度上的 Apple 面前失去优势。于是他请在 Intel 工作三十四年的前 CEO Pat Gelsinger 做一次复盘：一家曾经如此强大的技术公司，到底是从哪里开始偏离轨道的？

Gelsinger 的答案首先不是某块芯片，而是领导层的技术密度。他十八岁加入 Intel，早期接触的是 Andy Grove、Gordon Moore、Bob Noyce 这样的深度技术型领导者。他回忆，自己第一次进入高管会议时，房间里大约二十个人，其中十五个是博士。这个数字想表达的不是学历崇拜，而是公司最重要的判断，当时仍由真正理解技术的人来做。

他认为，Intel 的一个根本转折，是公司逐渐从技术人员主导，变成业务和财务人员主导。组织会复制领导者的偏好。业务领导倾向于继续提拔业务领导，技术判断就会一层层退出决策中心。可半导体投资周期很长，很多决定影响数十亿美元，而且在早期单看电子表格，经济性往往并不好。若只看短期回报，最需要提前建设的能力反而最容易被否决。

他给出一组非常尖锐的数字。在他回归前的五到六年，Intel 向股东分配了一千亿美元，包括股息和股票回购。与此同时，他到任时，公司已经十年没有建设新工厂。主持人提到 Intel 错过 iPhone 芯片机会，Gelsinger 又追问，为什么没有更早购买 EUV，也就是极紫外光刻设备。工厂、设备和新类别，在财务模型里可能暂时不好看，却可能决定十年后的竞争资格。

所以他的结论是，技术公司必须由理解技术趋势的人参与核心判断。技术领导者的价值，不只是自己会做技术，而是会任用更多技术人员，并愿意在回报还不清晰时，为未来可能重要的类别下注。Intel 的问题不是从来没有做对过，而是组织逐渐失去了持续做出这种长期选择的能力。

Apple 提前四代准备后路

Intel 的第二个教训来自 Apple。Gelsinger 回忆，Apple 使用 Intel 的 Centrino 芯片时，是一个要求非常高的客户。它不断要求芯片更小、功耗更低。当 Steve Jobs 不再确信 Intel 能持续领先，也不再确信供应商路线能满足 Apple 的产品需要时，他没有等到合作彻底失败，而是启动了内部芯片项目。

这个项目并不是一开始就声势浩大。Apple 收购了 P.A. Semi 等小公司，先补人才和能力，再做一些规模不大的内部芯片。小芯片一点点变大，团队一点点积累经验。Gelsinger 认为，Jobs 很擅长用这种方式建立核心能力：先做一个外界不太关注的小项目，让公司拥有真正可用的技术选项，等时机成熟再放大。

更令人吃惊的是操作系统准备。Apple 从 PowerPC 迁移到 Intel 之前，Intel 团队曾表示，可以帮助 Apple 把操作系统移植到艾克斯八六架构。Jobs 的回答是，他们已经连续四个版本做了艾克斯八六架构的移植。也就是说，在公开路线改变之前，Apple 已经悄悄验证了四代后路。它不是在危机发生后临时找方案，而是在供应关系仍然存在时，就把未来选择做成了可执行能力。

这也解释了 Apple Silicon 的真正价值。自研芯片不只是把外部采购变成内部生产，更重要的是把系统设计和硅设计放在一起优化。通用 Intel 芯片需要服务更广泛的 Windows 环境，而 Apple 可以围绕自己的操作系统、功耗目标和产品形态共同设计。Gelsinger 对这种变化的概括很准确：不是简单宣布供应商失败，而是发现自己可以比供应商更好地服务自己。

这里的管理启示是，供应链安全不只是签更多合同。真正的选择权来自内部能力。小规模项目、提前移植和低可见度实验，看起来都没有立即收入，却让 Apple 在关键时刻不必被供应商路线锁住。

NVIDIA 的软件复利

谈到 NVIDIA，Gelsinger 承认 Intel 在 CPU 最强势时曾经轻视对手。那时 GPU 被看作服务游戏玩家的图形设备，Intel 习惯于把 CPU 当作大计算核心，把 GPU 当作旁边的小部件。但 NVIDIA 没有只靠一代硬件翻盘，它持续建设 CUDA、SIMD 和多线程软件栈。SIMD 指的是一条指令同时处理多份数据，适合大规模并行计算。

每一代硬件和软件都只比上一代好一点，但能力会累积。日本的一批 HPC 用户，也就是高性能计算用户，开始尝试用图形卡处理科学和工程计算。Gelsinger 把这视为关键转折。GPU 从此不再只是画图，而是成为计算密度更高的通用平台，可以处理越来越重要的工作负载。

这条路径里既有能力，也有意外。Bitcoin 计算和后来的 AI 工作负载，并不是 NVIDIA 最初就准确预测的终点。Gelsinger 引用一种技术观念：街头会为技术找到自己的用途。只要底层平台足够好，开发者和社区就会把它带进原设计者没有预见的市场。NVIDIA 真正做对的，是在未知用途出现前，已经把硬件、软件和开发者生态准备好。

Gelsinger 还提到 Intel 的 Larrabee 项目。这个项目试图用艾克斯八六架构做类似的并行计算方向，却在他第一次离开 Intel 一周后被取消。他认为，如果项目继续，世界可能会很不一样。这个判断无法验证，但对比很清楚：一边是 CUDA 一代代积累，另一边是有潜力的长期项目被中止。

所以，NVIDIA 的崛起不能简单归结为运气。运气决定了 Bitcoin 和 AI 何时出现，长期投入决定了机会出现时谁能承接。技术复利的本质，是每一代产品、每一层软件和每一批用户都给下一代增加可用性。

TSMC 把工厂变成平台

第三条竞争路线来自 TSMC。Gelsinger 说，TSMC 从一开始就把自己定义为 foundry，也就是面向全行业的晶圆代工厂。先进工厂需要大约二百亿到三百亿美元投资，还要长期进行工程升级。TSMC 的惊人之处，是它很早就判断，自己不必拥有所有芯片设计，也可以成为整个行业的制造平台。

Intel 当时采用的是 IDM 模式，也就是集成器件制造商。公司自己设计 CPU，再用自己的工厂制造，工艺和工具主要服务内部产品。Intel 也会把能力复用到芯片组等产品上，但没有把工艺、工厂和设计工具标准化成第三方能够广泛接入的体系。它甚至自己开发大量 EDA，也就是电子设计自动化工具，整个系统高度专有。

TSMC 选择了相反方向。它通过标准化工艺、PDK 和 EDA 工具告诉所有设计公司，不论芯片是谁设计的，都可以把 TSMC 当制造伙伴。PDK 是连接芯片设计和具体制造工艺的设计套件。有了统一接口，越来越多客户、越来越多设计和越来越多工具都能在同一平台上积累。

起初，这块业务小到 Intel 并不在意。但 TSMC 长期稳定进步，Apple 这样的客户又不断推动它提高制造水平，开放平台最终形成规模复利。Gelsinger 说，他回归 Intel 时，TSMC 的晶圆产量约为 Intel 的五倍，不是多百分之十。访谈后面又把差距描述为从五比一走向约七比一。

当 foundry 成为半导体行业主流模式后，Intel 的新战略也必须承认现实：公司不能只为自己造芯片，也要成为外部客户的制造平台。这一段说明，制造优势不仅来自工艺节点，还来自商业接口。把能力封闭在公司内部，和把能力开放给整个产业，长期会形成完全不同的学习速度和规模。

台湾风险与制造回岸

晶圆代工高度集中，又带来供应链风险。Gelsinger 认为，美国的芯片法案已经产生进展。他给出的数字是，二零二一年美国制造的先进制程占比约为百分之十二，访谈当时约为百分之十八。Intel 开始成为真正的 foundry，TSMC 的美国工厂也在规模化运行，Samsung 同样参与建设。这些都是真实进展，但百分之十八距离百分之五十仍然很远。

随后他把问题从制造能力转向能源。他称台湾的能源储备少于三周。如果出现封锁，油和液化天然气无法进入，岛内可能在三周后面临停电。晶圆厂一旦被关闭，他说可能需要九十天才能重新启动。也就是说，供应链中断不一定需要直接攻击工厂，能源和物流被切断，就可能让先进制程停摆。

他还说，中国在过去四年里七次封锁台湾海峡，因此风险不是纯粹的桌面推演。不过他也加了一层限定：自己并不在国家安全决策现场，没有全部情报。节目里出现的二零二七、二零三零和二零三五，都是主持人提问时列出的可能年份，并不是 Gelsinger 给出的确定预测。

这些能源储备、停机时间和封锁次数，都是嘉宾在访谈中的陈述，并没有在这期内容里做外部核验。但他的推理链值得保留。先进制程集中在单一地区时，军事、能源、航运和工业恢复能力会叠加成系统风险。美国占比从百分之十二升到百分之十八，只是降低集中度的起点。

因此，制造回岸的目标不是把所有产能复制到美国，而是建立更有韧性的多地区供应。Gelsinger 的态度是，方向已经改变，但速度和规模都还不够。

AI 泡沫的能源上限

谈到 AI 基础设施是否形成泡沫，Gelsinger 给出一个很物理的答案：能源会限制泡沫扩张。全球能源容量每年增长大约百分之四到百分之五，而美国此前大约十年的增长只有百分之一。企业可以宣布再买多少 GPU、再建多少数据中心，但如果拿不到电，计划就无法执行。

这条供给约束让他稍感安心。能源相当于 AI 建设的上限，能够阻止资本无限超前投入。但他对需求端非常乐观。他把 token 理解为可购买的智能增量。更多智能可以改善供应链、金融和物流效率，也可以缓解发达国家的劳动力短缺。这里说的价值近乎无限，是方向性的技术判断，不是一个可直接套入估值模型的数字。

他认为，AI 不是两三年的短周期，而是持续数十年的建设过程。他提出一个极高目标：让 AI 变好一万倍，并把每个 token 的成本和能耗降低五个数量级。五个数量级意味着十万倍量级的下降。只有价格和能源消耗足够低，AI 才能从少数高价值任务扩展到大量日常流程。

这就引出杰文斯悖论。它说的是，资源使用效率提高、单位成本下降后，总需求可能不降反升。token 越便宜，人们越愿意把 AI 用在更多场景，最终消耗的 token 可能更多。主持人也说，工具变好、价格变低后，人会整天使用，直到看到费用账单才重新计算投入产出。

节目还提到 Cerebras、Groq、d-Matrix 等推理计算公司。它们都在推动 token 成本、速度和能耗改善。短期看，能源限制建设速度；长期看，效率提升扩大使用量。Gelsinger 的乐观正来自这两股力量同时存在：物理约束防止最极端的过热，技术进步又持续打开新需求。

估值修正与量子时间表

对 AI 公司估值，Gelsinger 的立场不是简单看多。他认为，当前不少公司已经有真实收入和利润率，这和 dot-com 时代的纯概念投机不同。但真实业务并不意味着任何倍数都合理。如果盈利倍数过高，周期性修正反而是好事，因为它能阻止泡沫远远跑在基本面前面。

他预测未来二十年总体向上，但过程绝不会是一条平滑曲线。某些行业会被新能力冲击，节目把近期的软件行业调整概括为 SaaS apocalypse。Gelsinger 认为，类似扰动还会多次发生。每次修正都会伤害部分公司，却也会让资本重新回到可持续区间。

更远的变化来自他所说的计算三位一体：经典计算、人工智能计算和量子计算。经典计算负责今天大多数通用任务，AI 计算擅长从数据中生成和推断，量子计算则试图处理某些经典系统难以有效求解的问题。他认为三者结合后，产业能力会再次发生大幅跃迁。

主持人追问，量子计算已经连续二十五年被说成还要五年，到底什么时候才有意义。Gelsinger 的回答是本十年，并把二零三零年前后作为关键区间。他提到的早期方向包括化学、生物和物流优化，也提到更晚可能影响加密体系的 Q-Day。纠错稿中的口语时间跨越二零三零、二零三二和二零三三，适合把它理解为区间判断，不能当作精确日期。

他判断，量子领域已经知道如何制造量子比特，也知道如何做错误校正，并开始拥有可用算法，主要问题转向工程规模。现在大约有四到六种技术路线显示出较好结果，包括离子阱、光子和自旋方案。错误校正也在多种路线得到证明。至于谁会赢，他明确提到自己投资了 PsiQuantum，因此这个判断带有投资立场。

Lovable 的两道门槛

节目后半段转向 Lovable。创始人兼 CEO Anton Osika 把公司的使命概括为赋能普通人构建优秀软件。但他马上把问题分成两层。第一道门槛，是把产品做出来。第二道门槛，是围绕产品建立并运营业务。Lovable 不想只解决第一次生成，而是希望覆盖从创建到运行的完整过程。

Osika 给出了一组平台规模数字。每周大约有一百万个新项目被创建，每月平台上的应用访问量超过七亿次，累计构建应用超过五千万个。Lovable 上市大约二十个月，企业客户目前增长最快。这些数字都是创始人在访谈中的自述，节目没有做外部审计。

企业增长快，与平台的定位有关。Lovable 不只是给用户一个空白代码生成器，而是对软件应该如何创建、如何运行、企业内部应用如何连接，提供一套有倾向性的结构。所谓有倾向性，就是平台提前做出一部分架构和安全选择，减少用户必须亲自理解的细节。

这对首次创业者和企业团队都重要。首次创业者可以从想法直接进入产品，企业团队则可以更快地协同构建内部工具。更关键的是，当应用继续运行在平台上，Lovable 就能从一次性开发工具，进入托管、连接、发现和业务运营。

所以 Lovable 的真正目标，不是让所有人都像工程师一样写代码，而是把工程经验封装成平台，让没有技术背景的人也能完成原来需要整个开发团队才能完成的流程。

从原型直接走向产品

主持人把 Lovable 和十年前的 no-code、low-code 工具做了比较。早期工具已经证明，非工程师希望自己构建软件。但当时的结果常常外观不好、速度慢、运行不稳定，更适合做线框图和原型。大语言模型带来的变化，是自然语言到软件结构的转换质量大幅提高。

Osika 说，Lovable 用户中约百分之二十具有技术或工程背景，五分之四是非技术用户。工程师并没有因为平台面向普通人就拒绝它。他们反而重视平台内置的最佳实践，例如软件架构、支付设置和每次修改后的安全扫描。非技术用户则常先做出产品，再用实际反馈判断应该构建什么。

主持人的判断是，过去需要先做 mockup，再做可运行原型，现在可以在一天或两天里直接进入产品。这里真正困难的部分，也从生成页面转向产品化。一个能展示的界面，还要接支付、邮件、数据存储、安全权限、外部工具和搜索发现，才能成为可以运行的业务。

Lovable 试图把这些步骤一起处理。它会给软件架构加结构，帮助设置支付和邮件，让应用更容易被 AI 聊天引擎和 Google Search 发现，并在后台持续做安全扫描。用户不必理解所有实现细节，但平台必须保证数据不丢失、不泄露，并安全连接其他工具。

Osika 说，平台上已经有人运营年收入超过一百万美元的业务。有些用户先在大公司里接触 Lovable，之后拿它做副业；部分副业做到数十万美元收入，又推动用户成为创业者。这说明 vibe coding 的承诺已经从更快做原型，扩展到更低成本地验证并运营真实业务。

四小时做出的内部系统

主持人用 Founder University 的 intranet 说明成本变化。他的团队曾尝试 Lovable、Cursor、Claude Code、Cowork 和 Perplexity Computer 等不同工具，但一直没有完成内部系统。最后，负责 Founder University 的一名员工用 Lovable 独立做了出来，甚至加入了主持人没有要求的功能。

转录对完成时间有两个口径。一处说四到八小时，后面又概括为四小时。主持人说，类似系统如果按传统方式开发，可能需要约五十万美元，因此过去根本不会批准。他宁愿把预算投入创业者项目。但当试错成本降到员工几小时和一笔工具订阅时，内部部门可以先做出结果，再讨论是否扩大投入。

这个 intranet 随后开始驱动项目运营。Founder University 在 Saudi 和 Japan 等地区开展项目，主持人又要求员工为五十家公司增加经济影响分析。系统需要考虑每家公司有多少员工、缴多少税、员工住房租金和平均工资等数据。过去这种定制分析工具可能因为预算太高而永远不会被开发。

节目中的价格口径是，商业计划每月约五十美元，起价二十五美元。主持人估算，如果把员工每小时五十到七十美元的成本和软件费用加起来，一年总成本低于两千美元。他又把五十万美元比较分别说成十年前和两年前的成本，所以这些数字应理解为现场估算，而不是统一口径的财务审计。

低成本不等于没有风险。主持人最关心数据是否泄露，并让团队与 Lovable 检查安全。Osika 说，公司正请渗透测试人员比较不同工具，免费用户也有后台安全扫描。Lovable 还推出了包含 AI 与常规运行能力的托管产品，并在底层与 AWS 等公司合作。

这个案例的关键，不只是五十万美元变成两千美元，而是审批逻辑发生变化。过去必须先证明项目值得大预算，现在可以先用极低成本做出系统。但上线前的安全、权限、数据流和托管责任，仍然必须由平台和团队认真承担。

从软件生成到业务运营

Lovable 下一步想做的，是从构建软件走向运营业务。Osika 说，客户已经把 Lovable 看作 AI co-founder，也就是 AI 联合创始人。如果应用、工具和业务数据都运行在平台上，用户就可以直接询问公司经营情况，而不必分别打开多个系统。

他们正在与部分客户测试预发布能力。这个 AI 联合创始人可以在用户休息时继续工作，第二天早上返回可能的战略方向、增长优化和客户服务建议。主持人把它概括为一句话：用户因为构建软件而来，因为运营业务而留下。

这个方向依赖持续学习。Osika 说，每当 Lovable 犯错，错误都会进入一个由工程师参与的大型改进系统。他把这种从真实失败中不断积累的能力称为复利式智能。平台不仅让自己的 agent 变好，也希望把积累后的能力用于客户业务。

定制软件也会因此增加。Osika 举了一个姓名和公司名在转录中仍不清晰的案例。某家公司先用 Lovable 构建护士教育相关产品，包括管理工具、排班、执照和认证管理，随后把定制应用带进后台，替代十多个原有工具，每年节省超过一百万美元。

不过，他并不认为所有成熟软件都会被彻底重写。Lovable 可以继续连接 Salesforce、HubSpot、Slack、Google Suite 和 Microsoft Suite，在这些系统上方提供定制界面。用户还能看到数据如何流动，避免把错误数据开放给错误的人。

更可能出现的未来，是成熟 SaaS 保留底层数据和通用能力，企业在上面快速构建适合自身流程的界面。软件生成成本下降后，竞争重点就从谁能完成工程实现，转向谁更清楚自己的流程、客户和经营目标。

多模型路由与错误训练

Lovable 自己也不依赖单一基础模型。Osika 说，平台会根据任务，把请求路由到最合适的模型。候选既包括多家公司的商业前沿模型，也包括越来越多的开放权重模型和自有模型。不同任务对质量、速度和成本的要求不同，因此统一模型并不一定是最优解。

平台的自有能力主要来自后训练。后训练指基础模型完成通用训练后，再围绕特定任务做优化。Lovable 在斯德哥尔摩有研究团队，专门观察模型在哪些地方犯错。例如，它可能调用了错误工具、创建了错误集成，或者没有把用户正确引导到业务结果。

团队先按照错误对客户的影响排序，再建立数据集，针对具体问题做强化学习。强化学习在这里不是抽象追求更聪明，而是让模型在平台真实任务中更稳定地选择工具、执行步骤和完成集成。

每周约一百万个新项目，为这套系统提供大量使用信号。Osika 说，这些信号会持续改善 agent harness 和内部 skills。agent harness 是组织模型、工具和执行流程的代理框架。内部 skills 则沉淀软件工程师的经验，让 agent 在合适时机调用正确做法。两类系统每周都在修改。

成本控制仍然存在。Lovable 会监控利润率，也设置使用上限和超额付费。但 Osika 强调，如果一个更便宜的模型会给用户带来可测量地更差的结果，公司不会只为降低成本而选择它。多模型路由的目标不是一味用最便宜的模型，而是在每类任务上找到合适的质量、速度和成本组合。

低成本实验改变组织方式

当客户触及使用上限后，可以充值或升级订阅。Osika 对最低订阅层级需要充值的比例给出大约百分之六十，不过原句被打断，纠错稿补全了“会充值”的语义，所以这个数字需要保留不确定性。

主持人认为，判断费用不能只看 token 单价。他举例说，即使一年从六百美元花到六千美元，只要做出的是过去价值约五十万美元的软件，支出仍只有传统成本的百分之零点一到百分之一。Osika 的回应是，更多 AI 通常让团队行动更快，速度带来的业务价值往往高于新增费用。

成本下降还会改变组织的实验方式。主持人发现，日本和美国团队各自做了一套 intranet，没有共享同一份代码。过去的工程模式通常会强迫两个团队共用一条开发路线，再把所有需求塞进同一套系统。现在实现成本低了，两个团队可以独立尝试，等结果出现后再比较。

Osika 很支持这种快速实验。他用自己在 CERN 工作时接触的 coopetition 来解释，也就是合作式竞争。两个相对隔离的团队在同一个粒子加速器上工作，但在发表结果前不互相共享。这样可以保留不同思路，避免所有人过早接受同一个假设，最终陷入局部最优。

他也没有主张永远保留重复项目。更好的收敛方式是，让一个项目查看另一个项目，挑出三个最喜欢的功能带回来，再做拆分测试，比较客户指标是否改善。并行实验负责扩大搜索空间，数据比较和功能合并负责收敛。

当工程实现不再是最大瓶颈，企业可以允许多个团队尝试同一问题。真正稀缺的资源变成了好问题、好判断和清晰指标。低成本软件不是简单让原流程更快，而是让过去因为太贵而不可能采用的组织方式变得可行。

模型更强之后人的价值

节目最后讨论了 Anthropic 的 Claude。原始转录曾把名字错识为 Fable，纠错稿已经更正。Osika 说，新一代模型在第一次尝试时，就能生成复杂而且外观很好的内容，三维游戏是一个明显例子。Lovable 也把 Claude 作为平台使用的模型之一。

但第一次生成很漂亮，不等于后续产品会自动成功。项目继续迭代时，人仍要和 agent 一起规划。模型可以更快完成复杂实现，却不会自动知道应该构建什么、客户真正需要什么、公司该选哪条战略路线，或者应该运行什么实验来改善业务结果。

人还必须把正确数据接入系统。没有业务数据、客户反馈和成功指标，再强的模型也只能在模糊目标上高速生成。于是，模型能力越强，工程执行越便宜，人的职责越集中到定义问题、选择方向、设计实验和解释结果。

主持人最后高度评价 Lovable 的业务结果，并用“每六个月增加一亿美元收入”来概括它持续被认为会遭基础模型取代、却仍然增长的状态。这是现场的赞扬性总结，不应当当作经过核验的固定增长规律。

整期访谈从 Intel 走到 Lovable，形成了一个完整对照。Intel 的教训，是组织在技术仍快速变化时，把长期判断交给了短期财务逻辑。Lovable 展示的则是另一种结构：把工程经验封装进平台，把真实错误变成训练信号，让更多团队并行实验。工具越来越强之后，最难替代的不是写代码这一步，而是决定未来值得为什么下注。