#ai产业链#思科的AI野心:让五年造出来的网络,跟上每周变化的Agent信源:YCombinator|思科总裁兼首席产品官JeetuPatel访谈《HowJeetuPatelRunsCiscoLiketheWorld’sLargestStartup》。2026年10月8日JeetuPatel给出了一组比“AI需求爆发”更值得琢磨的时间:芯片规划大约五ai产业链思科的AI野心:让五年造出来的网络,跟上每周变化的Agent信源:YCombinator|思科总裁兼首席产品官JeetuPatel访谈《HowJeetuPatelRunsCiscoLiketheWorld’sLargestStartup》。2026年10月8日JeetuPatel给出了一组比“AI需求爆发”更值得琢磨的时间:芯片规划大约五年,硬件十八到二十四个月,操作系统十二到十八个月,模型、Agent和应用可能三个月,甚至一周。这些产品最终却要在同一个系统里一起工作。今天定义的芯片,规模交付时面对的可能已是另一种AI工作负载;本周更新的Agent,又必须跑在早已部署的网络之上。这正是思科转型最难的地方:把变化极快的软件需求,转化为能够提前投资、稳定交付并持续适配的基础设施。Patel把目标称为“世界上最大的创业公司”。这句话有实际的技术含义。思科既需要创业公司的反馈速度,又不能失去大型供应商的交付能力。它希望占据的位置,是让分散的算力连得起来,让企业敢把实际工作交给Agent。网络需求的扩张,已经有订单支撑。思科2026财年从超大规模客户获得的AI基础设施订单达到93亿美元,同期相关收入约40亿美元。访谈里,当主持人试图将这项新业务与公司总收入直接比较时,Patel立即纠正:那是订单,需要时间才能变成收入。这个区别也说明,思科已经进入采购计划,后续仍要完成交付和收入兑现。更值得关注的是订单背后的需求如何变化。Patel把网络扩张从服务器、机架讲到整个数据中心,再讲到相隔数百公里的站点。推动最后一步的因素包括电力:当一个地方无法集中获得足够供电,计算设施就要分散到有电的地方,再通过网络协同。由此,AI的电力约束会向通信系统传导。单个站点的规模受限,跨站点带宽、长距离光传输和路由能力就可能变得更重要。对于同时布局芯片、光学和网络系统的思科,这意味着客户要解决的问题,开始跨越原有的产品边界。不过,跨站点的Scale-across有明确的物理代价。“像一台计算机”描述的是协同目标,不代表几百公里外的GPU拥有机架内部的通信延迟。思科自己的技术说明也指出,后端GPU通信对丢包和延迟更敏感,距离增加后,需要调整网络参数,甚至重新设计工作负载。因此,这个市场的价值不止是增加端口数量,还在于判断哪些计算留在本地、哪些数据跨站传输,以及怎样减少远距离同步造成的等待。网络供应商需要证明,连接更多设备之后,客户确实获得了更多有效计算。光连接解决可达性,系统设计决定连接是否划算。这也解释了Patel为什么强调不同层级的协同设计。他所说的“五年”,包含底层IP准备、芯片、系统、SDK直到规模商业化的全过程,并非一颗芯片流片就必须耗时五年。高速SerDes等能力需要提前积累,后续软件却要不断适应新的使用方式。这里存在一条值得推演的竞争逻辑:底层押注相对持久的带宽、功耗和可靠性需求,上层保留足够的可调整空间,让同一代基础设施承接变化中的模型与任务。全栈能力的价值取决于各层之间能否及时反馈。产品种类齐全,只是起点。思科内部采用AI的方式,也服务于这件事。Patel说,公司起初给员工提供不限量Token,先让大家熟悉并真正用起来,然后再讨论效率。他分享了一个团队用约两周把约五十万行代码重构为十万到十二万行的案例。代码行数减少不能直接换算成五倍生产率,但它说明,一些原本因工作量过大而被搁置的工程,开始有条件重新推进。他的用人判断同样来自瓶颈变化:写代码变快之后,评审可能堵住;评审提速之后,判断该做什么又成为限制。由此,他预期公司可能需要更多工程师。这是扩张产品边界的一种经营选择,并不是AI必然增加所有工程岗位的证明。它成立的前提,是新项目创造的价值足以支持持续投入。组织改革因此必须跟上工具改革。Patel提出领导团队大致采用“三分之一”组合:熟悉思科内部运作的人、从外部引入的规模化经营者,以及被收购公司的创始人;对最后一类人,给予比原公司更大的职责。这种搭配试图同时保留制度知识、外部判断和创业动力。若一个跨芯片、系统与软件的问题,每到部门边界就停下来等待协调,再快的代码生成也无法缩短整体交付时间。另一种等待,发生在客户一侧:模型已经有能力做事,企业却不敢充分授权。Patel认为,能否信任被委派工作的系统,会成为接下来更大的约束。他用个人邮箱举了一个生动的例子:Agent整理了长期堆积的大量邮件,让原本令他回避的工作重新变得可管理。背后多出的是持续读取、筛选、调用工具和执行操作。到了企业里,同样的能力意味着Agent可能接触客户数据、改变业务记录、批准退款。能否完成任务,与是否获准独立执行,成为两道不同的门槛。拿退款来说,连接合法、账号有效,并不能保证金额正确。系统还需要知道Agent代表谁、拿到了什么权限、依据哪笔订单行动,以及什么时候必须被拦截。这要求身份管理、业务规则、运行时防护和可观测性共同参与。仅仅观察网络流量,无法判断所有业务动作的合理性。Patel在访谈中描述的路线,是将AIDefense与Agent监控、非人类身份管理及Splunk的数据能力结合。按他的介绍,防护已经从模型问答延伸到Agent运行过程。思科的商业意图因此逐渐清晰:客户扩充基础设施时,还要购买让这些基础设施能够安全承载自动化工作的能力。这种组合有一个潜在的需求循环。企业能够识别、约束并追溯Agent行为,就更有条件扩大授权;更多工作被交出去,又会增加推理、数据访问与工具调用。安全产品因而可能帮助释放原本被风险压住的使用需求。但前提是它真的降低错误损失和人工复核负担,否则多一道控制,也可能多一道部署障碍。Patel对基础设施是否过度建设的回答非常乐观,理由是新增供给正在被消耗,而重度使用Agent的人仍很少。这个观察支持需求继续扩张,却不足以排除局部过建。眼前的供需紧张,与几年后某个站点、某类设备能否获得足够付费需求,是不同的问题;Agent使用增长也不能按固定倍率直接换算成所有网络层的带宽增长。这并不削弱访谈最有价值的判断:AI落地正在让基础设施厂商承担更完整的交付责任。客户买入算力之后,还要把它组织成有效系统;模型具备能力之后,还要把它放进可控的业务流程。思科正试图在这两处承接新增价值。接下来检验这次转型,最有意义的是看客户能否更快完成这两步:把新增网络变成可用算力,把经过约束的Agent变成持续运行的业务。五年的硬件规划与每周变化的软件需求,只有在客户现场接得上,“世界上最大的创业公司”才算有了产品层面的答案。