Zeus Kerravala 的认知框架 · 思想体系

信念一：网络不再是管道，而是 AI 的生产系统

深研把他的第一招牌写得很直：在 Networking for AI Summit/theCUBE Research 语境中，他把网络定义为训练、推理和 agentic workload 能否跨数据中心、云和边缘规模化的基础。2026-05-06 的 MRC 文章给出具体化版本：MRC 不是普通 RDMA 新名词，而是让单个连接跨多路径分散流量、根据拥塞和故障动态调度，并在微秒级绕过失败路径。OpenAI 已在 Spectrum-X 上使用 MRC 训练近期 frontier LLM，Microsoft 正在部分最大 AI factories 的 GB200 系统中部署。这类细节说明他关心“生产已跑起来了吗”，而不是停在联盟标准或概念图。

信念二：agentic AI 会把安全从合规工具变成控制面

他对安全的理解不是“AI 增加攻击面”这种泛泛判断，而是非人身份、权限、数据访问会爆炸式扩大。2026-05-13 VeeamON 2026 文章中，他引用 Veeam 管理层口径：自主 AI agent 平均已达到人类员工的 82 倍，每个组织超过 25 万个非人身份，97% agent 权限过高。这里的风险不是单次数据泄漏，而是错误决策以机器速度执行。Veeam 因此从“备份公司”转向 data and AI trust platform，强调 DataAI Command Graph、300 多个连接器、生产与备份系统的统一上下文，以及“只回滚五秒 agent 行为”这类精确恢复能力。

信念三：企业 AI 的胜负在试点到规模化之间

2026-05-07 IBM Think 文章写 Arvind Krishna 主题演讲，他抓住的不是 IBM 发布了哪些功能，而是“AI-first operating model”。文中引用 IBM 口径：到 2030 年约 40% productivity gains，AI infrastructure investment 约增 150%，IBM 从 AI 与自动化中实现 45 亿美元 productivity gains。他特别强调企业差距不在“用不用 AI”，而在是否把 AI 嵌入业务流程，还是停留在小 pilot 和 PoC。

信念四：企业软件与通信会被 AI 重构为工作编排

2026-05-09 RingCentral 文章显示他不是只懂底层网络。他看 UCaaS、CCaaS、CPaaS 边界被 AI 融解：AIR 进入前台接待、短信、队列、Shopify、Calendly、WhatsApp，ACE 把通话录音变成情绪、下一步动作、合规缺口和教练建议。Q1 2026 RingCentral 披露 AI 相关 ARR 超过总 ARR 10%、同比翻倍、AIR 付费客户超过 11,800、环比增长超 40%。这些数据支撑他的判断：AI 不是外接助手，而是业务交互的前门和闭环分析层。

第一步：先定位真实工作流，而不是先看 demo

他的起手式是问“谁在什么场景里被什么约束卡住”。DP World Tour 案例中，约束不是缺少漂亮 app，而是高尔夫球场跨数平方英里、观众和运营点位不停变化、传统 Wi-Fi 和蜂窝网络很难稳定覆盖。于是 Amazon Leo 的 3,000 多颗 LEO 卫星、Leo Nano/Pro/Ultra 天线、最高 1Gbps 下行和 400Mbps 上行，才成为 AI 导航、实时统计、多角度视频、支付和票务的前置条件。这个步骤可复用：先画出工作发生的物理边界、用户移动路径、数据产生点和失败成本。

第二步：拆基础设施层，不把 AI 当成单层产品

深研总结他会把 AI 网络拆成后端 GPU/cluster fabric、前端用户接入、WAN/edge、园区无线、可观测性和 AIOps。MRC 案例对应后端 fabric：多路径负载、拥塞感知、精确重传、host-side routing。MLB 的 T-Mobile private 5G、NBC Sports 2026 Winter Games 的 AI networking、DP World Tour 的 LEO，则对应边缘和临时场景。Extreme Connect 2026 的 Platform ONE 和 Agent ONE 对应 NetOps AIOps：AI 不只是聊天界面，而是帮网络团队完成排障、配置、体验管理的 operational co-worker。

第三步：看控制权在哪里

他特别重视 hosted users 与 infrastructure owners 的边界。OpenAI 跑在 Microsoft 大型 AI factory 之上时，典型云模式下客户只能控制主机，底层网络是黑盒；MRC 通过 SuperNIC 和 host-side 管理让租户在不直接拥有交换机的情况下影响路由策略、拥塞响应和失败行为。这是方法论中最锋利的一环：判断新架构是否改变控制边界。如果只是供应商把原有黑盒换个名字，价值有限；如果客户能获得更细粒度 telemetry、策略和恢复能力，才可能进入生产级采购。

第四步：寻找可量化生产证据

他会把供应商叙事压回指标。RingCentral 文章看 revenue、subscription mix、GAAP operating margin、non-GAAP margin、free cash flow、AI ARR 占比、AIR 客户数、Keller Interiors 平均等待时间从 12 分钟降到 90 秒、CSAT 四个月提升 3 点、Maple Federal Credit Union 持机时间下降 90%。Veeam 文章看 55 万客户、150 多国、82 家 Fortune 500、超过 20 亿美元 ARR、300 多连接器、70 多项 v13.1 功能、95%+ hypervisor 覆盖目标、100 多个监管框架映射。方法不是相信口号，而是把“是否进生产”翻译成采用、覆盖、恢复、收入质量和客户结果。

第五步：设反证

深研给出他的反证信号：agentic AI 停留在 demo；企业网络/安全预算未随 AI 项目增长；AIOps 不能降低运维复杂度；零信任和数据保护无法进入 AI 工作流；AI 网络采购继续被少数云厂商内制化。实际使用时，应把每篇文章放入这个反证清单，避免把发布会现场热度误读成结构性拐点。

能力圈：企业 IT 基础设施的横向拼图

深研列出的能力圈非常宽，但边界清晰：企业网络、无线/Wi-Fi、数据中心网络、云、统一通信、contact center、网络安全、AIOps、行业数字化、供应商发布会解读。他强在跨层翻译：能把 Cisco、Nvidia、Arista、HPE/Juniper、Extreme 的网络发布放进 AI factory 与企业接入；能把 Zscaler、Palo Alto、Veeam/Securiti 放进 agentic identity 与 data trust；也能把 RingCentral、Zoom、8x8、Amazon Connect 放进客户互动和协作工作流。

这种能力圈有两个来源。第一是长期企业网络与通信分析经验，所以他不会把网络当成被 GPU 叙事吞掉的背景板。2025-10-08 Cisco Silicon One P200、2025-10-30 Arista next-gen platforms、2026-05-06 Nvidia MRC、2025-12-03 HPE/Juniper unified AI-native network brain、2026-05-06 Extreme Platform ONE，这些条目共同构成他观察 AI-ready network 的样本池。第二是供应商活动密度高，能在 Cisco Live、IBM Think、VeeamON、Extreme Connect、AWS re:Invent、RSAC、Zscaler Zenith Live 等场景中获得产品路线和客户案例。

边界一：不是模型算法 KOL

他不适合用来判断某个基础模型的训练技术、benchmark 水平、RLHF 路线、MoE 架构或 tokenizer 细节。即便写 Nvidia Nemotron、Google Cloud superstack、AWS 模型托管，他的重心也在企业如何部署、治理、集成、计费和规模化。读者如果需要模型能力横评，应另找模型实验、论文和独立评测源。

边界二：不是公开投资经理

深研第 18 节明确说无公开 SEC 13F manager CIK，相关 JSON 以 not_applicable 空持仓标注。重点公司映射中的 CSCO、NVDA、ANET、HPE、JNPR、EXTR、AMZN、IBM、GOOGL、MSFT、ORCL、ZS、PANW、RNG、ZM、EGHT、NTAP、FFIV、DELL、AVGO，只能作为观点流入口，不能当成持仓或推荐。任何页面都应写清非投资建议、不含目标价。

边界三：供应商语境需要折价处理

深研提示他频繁参加供应商活动，文章可能带发布会即时视角。比如 VeeamON 2026、IBM Think、RingCentral earnings、Extreme Connect 2026、Nvidia MRC 发布都有清晰供应商事件背景。正确用法是交叉公司财报、客户采用、订单、ARR、产品可用性、安全事故和后续部署，而不是把厂商口径当成现实完成态。

变种认知一：AI 价值不只在 GPU 和模型，二阶基础设施会显性化

市场容易把 AI 产业链压缩为“算力、模型、应用”三段，Zeus 的增量在中间那层：网络、身份、数据保护、可观测、协作、客户互动、行业场景运营。深研称这是“卖铲子”链条中的二阶受益者。以 Nvidia MRC 为例，文章表面谈 Ethernet transport，实质是 AI factory 的可靠性经济学：训练作业越大，网络延迟、拥塞、丢包、故障恢复就越像核心算力的一部分。于是 NIC、switch、telemetry、host control、multiplane fabric 都从辅助项变成关键架构。

变种认知二：安全不是刹车，而是 AI 采用加速器

Zscaler 与 OpenAI 的文章标题就把 zero trust 写成 AI accelerator；Palo Alto 的 agentic era 文章把安全从 Department of No 转成 business enabler；Veeam 则把 backup/recovery 提升为 AI trust layer。这个角度与传统“安全预算防御性”不同：当 agent 能同时访问 ERP、CRM、仓库、邮件、文件和 SaaS，谁能证明数据边界、身份权限、恢复粒度和审计证据，谁就可能让企业更敢把 AI 放进核心流程。这里的 alpha 不来自“多买一个安全工具”，而来自安全成为 AI scale-up 的必要条件。

变种认知三：edge/network 现场是 AI 落地的前哨

DP World Tour、NFL Next Gen Stats、NBA 与 AWS、NHL 与 AWS、T-Mobile private 5G 改造 MLB、NBC Sports 2026 Winter Games，这些体育案例在他笔下不是营销噱头，而是企业边缘场景的缩影。赛事现场像一个临时企业：人群密度高、位置动态变化、支付和安全不能失败、媒体和数据实时生成、应用体验要即时反馈。若 LEO、private 5G、Wi-Fi 7、edge backhaul 能在这种场景验证，能源、物流、医疗、制造、港口和零售就有可迁移模板。

变种认知四：成熟 SaaS 的 AI 化不一定表现为爆发式收入，而可能先表现为收入质量

RingCentral 案例是典型。总收入 Q1 2026 约 6.44 亿美元、同比约 5%，看上去不是高增长故事；但 AI ARR 超总 ARR 10%、同比翻倍、使用至少一个 AI 产品的客户 ARPU 和 net retention 更高，AIR 付费客户超过 11,800。Zeus 关注的是 AI 是否改变产品组合、使用频次、客户留存、毛利和现金流，而不是只看 headline growth。这种读法能避免两种误判：一是因为收入增长不暴烈就忽视 AI；二是因为 AI 故事漂亮就忽视财务尚未体现。

因此，他的 alpha 来源不是内幕、不是短线交易信号，而是跨层观察形成的“采用前置指标”：网络控制权增强、安全进入工作流、数据信任层成型、AIOps 降低复杂度、协作产品把 AI 放到业务入口、云平台把模型能力转成行业流程。

2026-05-06：Nvidia MRC 与“just Ethernet 不够”的判断

最能代表 Zeus Kerravala 认知锋芒的一战，是 2026-05-06 的《Nvidia’s MRC: When ‘just Ethernet’ isn’t enough for gigascale AI》。它的“结果”不是股价判断，而是他把 AI 网络争论从“以太网能不能替代 InfiniBand”推进到更精确的问题：gigascale AI 需要什么样的 Ethernet。文章开头就把结论压得很明确：Ethernet 不再是 generic plumbing，而是 high-performance AI 的 enabler。这个表述之所以关键，是因为它同时反驳了两种粗糙叙事：一种认为以太网只是低成本通用选择；另一种认为 AI 训练网络只有单一赢家。

他抓住的技术细节包括三层。第一，MRC 作为 RDMA transport，允许单个连接跨多个网络路径分散流量，用 multipath awareness、congestion hints 和 fast retransmission 维持高带宽利用率和快速故障恢复。第二，MRC 原生运行在 Nvidia SuperNIC 和 Spectrum-X switches 上，嵌入同一套 scale-out Ethernet fabric。第三，规格通过 OCP 开放，Nvidia、OpenAI、Microsoft、AMD、Broadcom、Intel 参与开发。这里他没有简单说“开放就是好”，而是指出开放规范与 proprietary implementation 会并存：线缆和协议层可以开放，差异化在硅、软件、telemetry 和控制逻辑。

这篇文章封神的地方在于他把生产证据讲出来了：OpenAI 已在 Spectrum-X 上使用 MRC 训练近期支持 ChatGPT 和 Codex 的 frontier large language models；Microsoft 正在其部分最大 GB200 AI factories 中部署。也就是说，这不是实验室展示，而是在高强度训练环境里跑过的算法集合。他进一步解释为什么这重要：当前沿模型跨数万甚至数十万 GPU 训练时，网络本身就是 compute pipeline 的一部分；链路短暂抖动或路径拥塞会拖停昂贵训练任务。

更深一层是控制边界。他与 Nvidia SVP Gilad Shainer 的对话中，抓住“routing brain extending to host”这个变化：在传统云中，hosted customer 对底层 fabric 控制有限；OpenAI 想作为 smart tenant 参与 routing policy、congestion response 和 failure behavior，MRC 则提供了在不拥有整个数据中心时获得近似 owner-level 控制的路径。这个洞见后来可迁移到很多 AI 基础设施判断：谁能把黑盒云资源变成可观测、可调度、可治理资源，谁更接近生产级 AI。

最终结果是，他给企业买方提出的问题清单非常具体：不要只问 port speed 和 buffer size，要问 fabric 支持哪些 transport protocol、NIC 与 switch 如何实现、能拿到什么 telemetry 与 host-side control、系统多快响应失败和拥塞。封神之处就在这里：他没有停在“看好 Nvidia 网络”或“以太网会赢”的口号，而是给出了 AI networking 的评估语言。

供应商活动密度带来的叙事偏差

Zeus Kerravala 的优势和风险来自同一处：他非常靠近企业技术供应商现场。Cisco Live、IBM Think、VeeamON、Extreme Connect、AWS re:Invent、RSAC、Zscaler Zenith Live、RingCentral earnings 这类场景给他一手路线和客户案例，也会让文章天然带有发布会视角。深研特别提醒部分内容包含 sponsor/event context，不能直接转写成目标价或买卖建议。读者要警惕“供应商已经发布”与“客户大规模部署”之间的距离，尤其在 AI 项目里，demo、pilot、PoC、limited availability、general availability、production rollout、renewal expansion 是完全不同阶段。

对厂商口径数据的依赖

VeeamON 文章中的 82:1 autonomous agents、25 万 non-human identities、97% 过度权限，RingCentral 的 AIR 客户、AI ARR 占比、Keller Interiors 与 Maple Federal Credit Union 效果，IBM Think 的 40% productivity gains、150% AI infrastructure investment、45 亿美元 productivity gains，都是理解趋势的好材料，但来源多为公司管理层、活动现场或供应商研究。它们适合生成待验证假设，不等于独立行业真值。严谨做法是后续查财报、客户案例原文、第三方调查、监管披露、安全事件复盘和续约数据。

可能低估内制化与云巨头控制力

深研反证里有一条很重要：AI 网络采购继续被少数云厂商内制化。如果 hyperscaler 选择自研交换、NIC、拓扑、telemetry、调度和安全栈，外部网络/安全/运维供应商的二阶受益可能被压缩。MRC 文章虽然强调 OCP 开放、多厂商参与和智能租户控制，但它也暴露了另一个现实：最大 AI factories 的早期验证往往发生在 Nvidia、OpenAI、Microsoft 这类巨头组合中。企业市场会不会跟随，跟随多少，时间多长，都需要单独验证。

AIOps 与 agentic workflow 的落地难度

Extreme Platform ONE、Agent ONE、HPE/Juniper Mist、Cisco、RingCentral AIR、Amazon Connect agentic suite 都讲到了 AI 运维或 AI 客户互动，但企业 IT 的真实阻力通常在遗留系统、权限边界、员工流程、数据质量、审计要求和责任归属。AI 能回答问题，不等于能安全执行变更；能减少一次等待时间，不等于能在多地区、多语言、多法规环境中稳定复制。若 AIOps 不能降低运维复杂度，或者每个 agentic workflow 都需要大量专业服务，平台化溢价会受损。

能力圈之外的误用

他不是模型算法评测人，也不是公开持仓经理。把他的文章当作模型胜负判断、短期交易信号、个股买卖建议，都是越界。最稳妥的读法是把他作为企业 AI 基础设施雷达，再用财务、产品可用性、客户部署和竞争格局去二次校验。

1. 用“工作流-基础设施-控制权”三问读每个 AI 发布

第一件可学的事，是不要从模型或功能列表开始，而是连续问三件事：这个发布嵌入了哪个真实工作流；它依赖哪些基础设施层；它是否改变了客户对数据、网络、身份、恢复或运营的控制权。DP World Tour 案例可以照搬：先看赛事现场为什么联网困难，再看 LEO、天线、上行下行、临时部署，最后看 AI 导航、支付、转播和实时数据是否因此可行。MRC 案例也一样：先看训练集群同步失败成本，再看 multipath RDMA、SuperNIC、Spectrum-X、multiplane fabric，最后看 hosted customer 能否参与 routing 与 congestion policy。

2. 把供应商愿景翻译成生产指标

第二件可复用的是指标化。RingCentral 的文章告诉我们，成熟 SaaS 的 AI 化不能只问“有没有 agent”，要问 AI ARR 占比、同比和环比、付费客户、ARPU、net retention、等待时间、CSAT、放弃率、毛利和现金流。Veeam 的文章则给数据/AI 信任层一套指标：客户覆盖、连接器数量、监管框架映射、备份与生产系统是否统一、是否能做精确回滚、成熟度模型是否被 CIO/CISO 采用。以后读任何 AI 发布，都可以先把形容词删掉，留下这些可验证变量。

3. 为每个 thesis 配反证表

第三件是反证纪律。深研给出的反证信号值得直接复用：agentic AI 仍停留在 demo；企业网络/安全预算未随 AI 项目增长；AIOps 不能降低运维复杂度；零信任或数据保护无法进入 AI 工作流；AI 网络采购被云厂商内制化。实际使用时，把每篇文章归入一张表：支持证据是什么，反证会是什么，下一次财报或客户案例要查什么。这样既保留 Zeus 的产业敏感度，又避免被发布会节奏牵着走。

4. 学他的“二阶受益链”而不是学公司名单

第四件尤其重要：不要把 CSCO、NVDA、ANET、HPE、JNPR、EXTR、AMZN、IBM、ZS、PANW、RNG、ZM 等映射当作结论。可学习的是链条：AI 工作负载增长先改变计算和数据流，再要求网络可编程、边缘可连接、身份可治理、数据可恢复、通信可自动化、运维可观测，最后才反映到不同公司的产品采用和收入质量。这个链条可以迁移到新公司、新赛道和新事件。比如读一个零售 AI 发布，就问它是否需要 private 5G/Wi-Fi、实时库存数据、权限控制、contact center、店内支付和恢复机制；读一个医疗 AI 发布，就问数据最小化、审计、合规框架、人工接管和回滚是否完整。

这套方法的价值在于它合规、稳健、可复盘：只做行业理解和假设生成，不输出荐股、不写目标价、不把观点流伪装成持仓。