Naval 谈监管前线：AI、合规与医疗创新的慢变量

记录时间：2026-06-16 14:52:01

本文摘译并整理自 Naval Ravikant 的访谈文字稿 The Regulatory Frontier。原文发布于 2026-05-29，是四部分访谈中的第三部分，嘉宾包括 Guillermo Rauch（Vercel）、Blake Scholl（Boom Supersonic）和 Max Hodak（Science Corp）。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

这一篇的主题是监管。更准确地说，它在讨论 AI 会怎样改变企业与监管系统之间的互动，以及为什么医疗、航空、建筑这类现实世界行业，创新速度远慢于软件和数学领域。

几位嘉宾的核心判断可以概括成一句话：AI 不只会提高工程效率，也会改变合规、审批、文件、测试和责任分配的成本结构。过去监管系统最大的摩擦之一，是人类要花大量时间理解规则、编写文档、等待反馈、再重新修改。AI agent 出现后，这些环节可能被压缩到分钟级，但新的问题也会随之出现：监管者也可以使用 AI，审批系统可能被文件洪水淹没，企业与政府之间进入 agent 对 agent 的竞赛。

这不是一篇简单的反监管文章。它更有意思的地方在于，几位嘉宾都承认某些监管目标本身有价值，比如空气、水质、安全、医疗伦理。真正的问题是，当前制度把大量成本压在审批、文档和事前许可上，同时给监管者很强的保守激励，导致好东西被延迟、坏东西未必真被拦住。

1. AI 会降低合规文档的变更成本

Blake 从飞机认证讲起。飞机认证里有大量测试计划和合规文档，比如证明飞机能承受雷击。传统做法是让工程师花几个月写出厚厚的文档；如果飞机设计后来发生变化，这些文档又要重新改一遍。

Boom Supersonic 的经验是，可以用 RAG 和 AI 工具把这类重复性文档工作压缩到很短时间。第一层收益是节省人力，第二层收益更重要：如果飞机规格变化后，合规材料可以快速重做，团队就不再那么害怕改变设计。

这会改变硬件公司的迭代心理。过去，监管文档不是单纯的行政负担，它会反过来冻结工程决策。因为每一次改变都意味着漫长返工，团队自然倾向于少改、晚改、不改。AI 把文档更新成本降低后，硬件团队就更接近软件团队的迭代节奏。

Blake 还指出，组织也会因此改变。团队不再需要大量做重复文档工作的平庸执行者，而更需要少数有创造力、能快速验证方案的人。监管负担没有消失，但它对迭代速度的压制会下降。

2. 监管也可以被看成测试套件

Max 提醒，硅谷很容易把监管整体看成阻碍未来的东西，但这并不完整。很多规则的目标本身并不荒谬：没有烟雾笼罩的城市、更干净的河流、更安全的医疗实践，都是现代社会真实取得过的进步。

真正低效的是人类处理规则的方式。一个公司要理解复杂法规、准备材料、向政府写信、等待回复，往往要经历非常长的周期。如果这些摩擦能被 AI 大幅降低，监管就不一定只是纯粹的刹车。

Guillermo 提供了一个软件工程视角：可以把合理监管看成测试套件。你让 agent 去完成目标，同时要求它满足一组外部约束。如果规则清晰、一致、合理，那么它们能成为很好的护栏，防止粗糙产品直接进入现实世界。

但这个类比也暴露了问题。软件测试必须能运行、能反馈、能定位失败原因。如果监管规则彼此矛盾、反馈周期极慢，或者不同机构的要求互相冲突，那它就不像测试套件，而像无法编译的代码库。

3. agent 对 agent 的红皇后竞赛

Naval 提出一个反向风险：如果企业开始用 AI 大量生成合规材料，监管者也会用 AI 生成反馈和要求。最终可能不是摩擦消失，而是双方都拥有生成海量文本的能力。

企业会提交更多文件，监管机构会返回更多意见，审批流程被大量机器生成的材料淹没。Naval 把这称为红皇后竞赛：双方都在加速，但系统整体未必更快到达终点。

他还提到，监管机构往往不会是最快采用 AI 的组织。如果创业者先用 AI 放大提交能力，而机构内部处理能力没有同步升级，审批时间反而可能被拉长。

这一点很关键。AI 不会自动让制度更有效率。它只会降低生成和处理信息的边际成本。系统最终变快还是变慢，取决于是否改变流程、激励和决策权，而不只是给每个环节加一个模型。

4. 从事前审批转向事后执法

Blake 认为，很多物理世界的建设流程过度依赖事前审批。他用开车作类比：如果每次出门前都要先写路线计划、提交给监管者、等待几个月，再按批复路线行驶，城市会彻底停摆。

但在建筑、基础设施和许多实体项目里，这种逻辑几乎就是现实。你必须先提交计划，等待机构逐项批准，然后才能行动。Blake 的建议是，更多领域应该从预先许可转向基于结果的执法：规则仍然存在，但不必让每一次行动都先进入漫长审批。

这个思路背后的价值判断是，社会不能只计算出错的成本，也要计算不行动和延迟的成本。审批能阻止一些错误，但它也会阻止大量本可以产生价值的实验。

5. 医疗创新为什么特别慢

医疗是这场讨论里最尖锐的部分。Naval 认为，过去十年硅谷最重要的两个进展是 AI 和 crypto，而它们都发生在相对抽象的数学和信息领域。原因之一是，这些领域长期处在较少监管的空间里。

一旦进入医疗、航空、建筑等物理世界，情况就完全不同。审批、许可、责任和多层监管会让迭代速度显著下降。Naval 认为，Peter Thiel 所说的物理世界缺少创新，很大程度上正是监管壁垒造成的。

Max 同意医疗监管存在严重低效，但他强调问题比“某个机构太保守”更深。监管者的激励结构极其不对称：如果批准了十个重要药物，社会未必记得；如果一个病人死亡，监管者就可能被公开追责。这种结构自然会鼓励慢、保守和少承担风险。

Blake 对这个判断做了总结：批准坏东西会毁掉职业生涯，挡住好东西却很少有人看见。这种不对称，是现代监管国家里最需要解决的问题之一。

6. 选民的风险偏好才是底层约束

Max 进一步把问题推到社会层面。监管制度并不是凭空出现的，它反映了选民对风险的看法。人们一方面希望更快获得新药和新技术，另一方面又很难接受人体研究、医疗设备和新疗法中的失败事件。

Naval 接受这个判断。他说，人们经常把问题归咎于政治人物，但政治人物是由多数选票选出来的。如果把一批人换掉，类似的人也会重新出现，因为选民偏好没有改变。

这解释了为什么“监管改革”四个字听起来简单，真正执行却很难。制度背后是文化和社会心理。大多数人看得见事故，看不见被延迟的疗法、被扼杀的企业、没有发生的技术进步。

Naval 用法国作对照：如果政府吸走很高比例的 GDP，普通人未必能直观看到自己错过了哪些公司和产业。他们只知道自己比美国略穷，却很难想象更自由的市场本来可能创造什么。

7. 需要真正的五十州实验

Naval 希望看到美国各州之间出现更真实的制度实验。现在联邦税制和联邦监管覆盖面太强，很多州的差异不足以形成真正的对照。

他设想，如果某些州能够成为医疗、无人机、航空或其他领域的实验区，愿意承担风险的人可以选择进入那里。前提是参与者理解风险、主动选择，而不是把风险强加给不知情的人。

Blake 把这个思路称为创新区或自愿加入的 YIMBY 区域。在这样的地方，可以试验不同规则、不同执法方式，甚至在某些方面减少规则，然后观察创新结果和安全结果。成功的制度再向外扩散。

Max 对医疗场景提出限制。以未获批药物为例，病人即使获得监管通道，也仍然需要临床级药物，而这些药物通常掌握在正在做临床试验的公司手里。公司不愿意给，因为一旦病人出事，可能影响整个药物的监管判断和商业前景。

所以医疗创新区不是简单放开就能解决。还需要重新设计不良事件如何归因，避免一个个案影响完全不同场景下的整体审批。

8. 中国医疗监管正在形成竞争压力

Guillermo 问，有没有比 FDA 更好的监管系统可以参考。Max 的回答分两部分。

第一，欧洲有“通知机构”体系，一些经过政府授权的私人机构可以参与认证。它不是完美答案，但在审查层面创造了更多供给和一定竞争，因为这些机构可以招人、扩张，并承担专业审查工作。

第二，中国正在医疗设备和植入式脑机接口等领域形成现实竞争。Max 认为，中国监管机构更愿意独立思考，药物和设备上市成本更低，也更容易在人体和市场中试验。

他把这个问题连接到医疗成本。手机和电脑行业里，产品变多、变便宜、消费者购买更多，总支出上升但体验也不断进步。医疗却不同。由于支付和报销机制，医疗支出更像一个固定资金池，不会像技术增长行业那样因为新东西变多而自然扩大。

如果 AI 支出几年内增长十倍，市场可能认为这是繁荣；如果医疗支出几年内增长十倍，社会会认为是灾难。这意味着医疗很难按技术产业的方式扩张。

Max 的结论是，真正的出路不是换一种保险制度，而是把药物和设备推向市场的成本降下来。只有当某些医疗产品便宜到个人可以自费购买、分期购买，甚至像买车一样融资购买时，医疗才可能重新形成技术增长行业的正反馈。

9. 医疗像资本主义里的小型共产社会

Naval 对美国医疗体系的批评更直接：医疗基本没有真正的私人市场。他用餐馆作类比：如果人们去餐馆不用当场付钱，而是月底把账单交给保险或政府报销，热门餐馆会排长队，差餐馆也能继续存在，等待时间变长，产品改进动力变弱。

他认为，医疗在更大的资本主义社会中运行成了一个小型共产社会。价格信号被削弱，消费者很少直接用钱投票，供给侧也很难通过更好产品获得清晰回报。

Naval 提出一个激进设想：把个人年收入的一定比例设为医疗免赔额。收入为零的人免赔额为零，高收入者承担更高的前置自付部分，超过部分再由保险和政府机制覆盖。这样可以在医疗中重新创造某种私人市场。

他承认比例和细节可以调整，重点不是某个具体数字，而是医疗系统需要重新引入价格反馈。牙科、近视手术、医美等更多自费领域，往往更容易形成竞争和改进，因为消费者在用自己的钱选择。

10. N-of-1 医疗与 AI 的机会

最后一部分讨论个体化医疗。Max 提到 GitLab 联合创始人 Sid Sijbrandij 的故事：他患有罕见癌症，却通过主动研究和个性化治疗方案，显著超过原本预期。围绕他的病情，后来出现了多家公司和大量潜在药物选择。

Max 从这些案例里看到一个信号：在资源充足、不受保险路径限制、能调动现代科学工具箱的高端场景里，个体化医疗可能产生非常惊人的结果。

Guillermo 补充了一个现实问题：这要求病人在最虚弱的时候拥有极强主动性。癌症晚期患者往往没有精力研究复杂论文、药物路径和临床方案。AI 应该在这里发挥作用，把原本只属于极少数人的知识搜索、方案探索和治疗路径比较能力，尽可能民主化。

这也是全文最重要的乐观点之一。AI 不一定只是在帮助企业写合规文档，它也可能帮助病人和医生穿过医疗知识迷宫，把个体选择变得更可理解。

我的 takeaway

这篇访谈真正讨论的是“创新速度为什么不均匀”。软件和数学领域之所以快，不只是因为聪明人多，也因为它们的试错成本低、监管少、反馈快。物理世界之所以慢，不只是因为工程困难，也因为审批、责任、文化风险偏好和支付结构共同压低了迭代速度。

AI 会改变其中一部分：合规文档、规则理解、审查准备、个体化医疗研究，都可能被 agent 大幅加速。但 AI 也可能放大文书战争，让监管和企业陷入更高吞吐量的低效循环。

所以最关键的不是“给监管加 AI”，而是重新设计制度：

1. 把合理规则做成更像测试套件的东西；
2. 减少不必要的事前审批，增加清晰的事后执法；
3. 修正监管者只为错误承担惩罚、却不为延迟承担责任的激励；
4. 允许更多自愿参与的创新区和州际实验；
5. 在医疗里重新引入价格信号和个人选择；
6. 用 AI 帮助普通人获得过去只有极少数人能动用的知识工具箱。

这篇最值得记住的一点是：监管不是单纯的文字规则，它是一套改变人们行动速度的系统。AI 能降低文字和流程成本，但只有制度本身愿意改变，创新速度才会真正改变。