从弦理论物理学家到估值15亿的AI公司CEO，Factory创始人Matan Grinberg带来一场思维盛宴。他将诺特定理转化为决策框架，提出'Token Budget'资源分配模型，并大胆预测AI价值将向编排层转移。这场访谈不仅展现物理学思维如何重塑商业逻辑，更揭示了AI时代最前沿的战略思考。

听了Factory 联合创始人兼 CEO，Matan Grinberg 刚发布的访谈，我决定专门发篇总结，这在MindCode是少有的待遇，之前只发生过一次。

因为这访谈确实很不错。

Factory 目前估值 $15 亿，客户包括 Nvidia、Morgan Stanley、Adobe，产品是”Droids”自动化软件工程。

但 Matan Grinberg 吸引我注意力不是因为Factory，而是他的学术背景，弦理论物理（Princeton 本科，Berkeley PhD）

他的很多观点我很欣赏，一些不谋而合的洞察我自己也曾在MindCode的文章里公开讲过，或在MindCode企图心俱乐部内部跟会员们交流过。

以下是访谈总结。

1. 用诺特定理作为思维的操作系统

Matan 不是随口提诺特定理，这是他从物理学带出来的核心决策框架。

诺特定理说：宇宙中每一种连续对称性，背后都藏着一个守恒量。

物理定律不随时间变化（时间平移对称）→ 能量守恒

物理定律不随位置变化（空间平移对称）→ 动量守恒

物理定律不随方向变化（旋转对称）→ 角动量守恒

他把这个搬到创业里：面对任何复杂局面，先问”什么东西是守恒的 / 不变的”，找到这个基准，再去看哪些对称性被打破了、打破之后产生了什么新动力学。

具体应用：当所有人都在喊”AI 要消灭所有工作”时，他用这个框架思考：

• 世界上的问题总量在增长，这是守恒/不变的事实。
• 大量问题可以用软件解决但目前没被解决，这是未开发的守恒量。
• AI 给每个工程师更多杠杆 → 单个问题需要的人可能少了，但可解决的问题总池子在膨胀。

所以他的结论不是”工程师要失业”，而是杠杆增大后，之前无法触及的问题变得可解。他举了个很接地气的例子：美国车管所的软件为什么这么烂？不是技术不行，是资源配置不到。AI 时代这类问题会被解决。

——注：这就是我曾经跟你说过的，AI时代历史使命之一就是，把那些本来可以软件化但之前因为没有资源而没有软件化的事，都软件化了。

2. Token Budget：CEO 面临的三元资源分配

这是访谈里最有”产品/战略”含量的一段。

Matan 说每个 CEO/CTO 很快会面对一个新的资源分配问题：每一块增量的钱，到底花在人头、算力还是 token 上？

• 多招一个人 → 固定成本高、速度慢、但有判断力
• 多买算力基础设施 → 训练/推理能力增强
• 多花 token → 让 agent 跑更多任务，但运营边际成本也在增加

这三者之间的最优配比没有定论，而且每个垂直行业答案不同。有些行业软件不是核心竞争力（比如金融后台），可以砍人头；有些行业每个工程师都是杠杆（比如 AI 公司本身），你反而不想停止招聘。

他特别反对”一刀切裁员”的叙事：有的公司抢先裁工程师，竞争对手如果不裁反而给每个工程师配 AI 工具，后者可能因为更高的交付密度赢得市场。

3. 模型独立：Factory 的核心技术赌注

Factory 刻意不绑定任何一家模型供应商。Matan 给了一个很有意思的类比：

“数据之于模型，就像模型之于 harness（编排层）。你用越多模型训练你的 harness，它就越强——就像模型用越多数据训练越强一样。”

他们的编排层（harness）暴露给多个模型后，在三个维度上表现更好：

• Compaction：大代码库会撑爆上下文，不同模型的 compaction 行为不同，多模型训练让 harness 更鲁棒
• Token caching：不同模型的缓存机制不同，多模型暴露让缓存策略更优
• Tool use & 环境反馈：看到不同模型的怪癖后，harness 对所有模型都变得更好

这让他朋友圈里做模型的人很不爽——因为这意味着模型越来越是商品，价值往 harness 层转移。

——注：关于这一点（即harness意味着什么）Matan的观点看起来有点激进，但我在企图心俱乐部里有更激进的观点。

4. 开放模型 vs “中国模型”标签

Matan 非常直接地说：闭源模型公司（OpenAI、Anthropic 等）最大的威胁不是彼此，是开放模型。因为开放模型好了，就对他们有巨大的定价压力。

所以他们有动机把叙事变成”要么用我们，要么用中国模型”——用地缘政治标签来吓退企业客户不碰任何开源方案。

“我跟企业 CIO 聊，他们说’我们不用中国模型’。我说，开放模型又不只有中国的——Nvidia 的 Nemotron 也在追上来。但这种宣传确实管用。”

他认为美国需要更强的开源模型生态，不能让”开放 = 中国”这个等式成立。

5. Anthropic 让我很愤怒

Matan 公开批评了 Anthropic Fable 5 发布时的两件事：

1. 数据留存：Anthropic 开始对企业客户也强制数据留存（以”安全”为由）。他认为这设了一个非常危险的先例——一旦你留存了所有金融公司的数据，技术上就有能力在某一天”不小心”拿去训练。科技公司做了不可逆的事再事后道歉，这个模式已经反复发生过。
2. 性能降级：Anthropic 最初的做法是，如果你做的事情他们认为”有竞争性”或”有风险”，会不告知你的情况下降低模型输出质量。虽然后来迫于压力改成了”告知你再降级”，但 Matan 认为这仍然很糟——他见过做前列腺癌标志物研究的朋友被拒绝请求。

“问题不是他们修不修。问题是他们现在有了这个能力：随时可以改一行代码，让某个用户得到垃圾回答。这在你越来越依赖这些工具的时候，极其危险。”

——注：标题中，“Anthropic就是一坨屎”，不是Matan的原话，但虽不中亦不远。

6. 从弦理论到创业：身份崩塌与重建

Matan 从 8 年级因为一个老师说他要重修几何被激怒，暑假自学了代数 2 到线性代数所有教材，然后问爸爸”最难的数学是什么”——答”弦理论”——于是用接下来 12 年全部投入弦理论。

在 Princeton 做本科时拜入 Juan Maldacena（被认为在世最伟大的弦理论家）门下。拜师过程本身就是一个故事：Maldacena 在 2 小时会面的最后极其微妙地埋了一个问题，微妙到 Matan 自己都没察觉，需要一个导师帮他回放笔记才发现——然后 24 小时内解出来，才被收为学生。

到 Berkeley 读 PhD 时崩了。触发点很具体：做助教时意识到自己余生会和不在乎的学生打交道，而且弦理论圈子极小，他已经认识了所有未来同事。他发现自己不想这样。

“因为我是一个物理学家，然后才是一个人。一旦这个身份崩塌了，那就是毁灭性的。”

他的恢复方式很有意思：看了 IMDb top 250 所有电影，读了 top 100 文学作品。《双城记》让他第一次哭着打电话给爸爸。

之后他差点去做量化金融，被一个导师拦住（”你的数学不会变差，随时能回去做 quant，现在先探索”），于是选了 ML 课，被代码生成这件事给迷住了。

然后那个 30 分钟变 3 小时的散步，Sequoia 合伙人 Shaun Maguire（也是前弦理论家）敢他退学创业。Factory 的第一轮估值才 $500 万——在今天 day 1 就是独角兽的时代几乎闻所未闻。

——这段很私人，关于创业者心态的。

7. “Being early is the same as being wrong”

Factory 前两年他称为”沙漠中的岁月”。当时企业连 Copilot 都没怎么用，更别说自主 agent。

“没有人在乎你是不是先驱。你没有安慰奖。早到了但没赢，就是输了。”

但他认为这段苦日子锻造了团队 DNA——经历过低谷的人和只见过高潮的人，在遇到挫折时的反应完全不同。

8. 管理哲学：盲区比弱项更可怕

他最怕的不是发现自己不擅长什么，而是有盲区没被发现。

管理风格很清晰：默认给予完全信任，让人像”膨胀的气体”一样填满所有可用空间。最大的满足感是他正要告诉某人去做一件事，发现对方已经做了。

和联合创始人 Eno Reyes 的关系：Eno 是他见过最好的工程师，同时也是出色的管理者——这种组合极罕见。两人通过直接、物理学式的”黑板吵架”沟通。

这是 Matan 讲他从物理学带出来的沟通方式。

他说在物理圈子里，两个人站在黑板前讨论方程式，从外面看像在吵架——语气很冲，直接打断，”不对不对，你漏了这个”，没有任何客套。他的兄弟姐妹和朋友旁观时都觉得他们是不是在翻脸。

但实际上不是。原因很实际：用自然语言描述方程式本身就很难，你必须说得极其简洁和直接，才能把信息准确传过去。

任何”嗯这个想法很有意思不过我觉得可能……”这种缓冲都是噪音，会让信息传输出错。

他说：”十年这样训练下来，大概在我身上留了印。”

然后他把这个带进了和联合创始人、和导师的关系里。他和 Sequoia 的 Shaun Maguire、Snowflake 前 CRO Chris Degnan 这些人聊天，也是这种风格，没人想听”感谢您在百忙之中抽出宝贵时间”。

Chris Degnan 后来告诉他，之所以愿意花时间指导他，恰恰是因为 Matan 第一次见面之后就疯狂给他发消息追问销售候选人的事，Degnan 觉得”这小子挺猛的”。

高效沟通的前提是双方都放弃面子保护，直接对准问题本身。物理学训练了十年这个习惯，创业正好用上了。

9. 对 AI 未来 12 个月的预测

“模型会变得不那么重要。不是说模型不重要，而是关注度会从’哪个模型最强’转向’你用这些模型做了什么’。”

他认为 AI 公司将越来越多地在编排层和应用层竞争，而不是在基础模型层。Factory 12 个月后的目标是让 Droids 处理的任务复杂度再上一个数量级。

——注：Matan有此观点，跟他在做Factory有关系，他必然会放大编排层和应用层的价值叙事，尽管我很同意应用层和编排层将迎来爆发，但模型层的价值也并未到顶。二者互不否认，而是共生的螺旋。