春晚机器人练武火了！但你不知道它们为此摔了3000次 00:01 今天我们要聊一聊那些在春晚上大放异彩的武术机器人。它们背后其实是有很多非常复杂的工程整合的难题。而且他们也是通过无数次的摔倒，才能够最终站在这个舞台上，为我们带来这样精彩的表演。 00:22 没错，这个背后的技术挑战还是非常值得聊的那我们就直接开始。 00:26 我们先来说说这个机器人武术的整体的难度和它的技术的框架。为什么很多人会觉得机器人打拳好像就是播个动画，其实它背后到底有多复杂呢。 00:37 说来就话长了。很多人以为机器人练武就是把动作录进去，然后播放就可以，但其实远没有那么简单。像宇树这种人形机器人，它能够完成这些武术的动作，是因为它集成了机械设计、自动控制，还有运动算法以及复杂的工程整合这一整套的技术，就像是机器人的一个内功心法一样。宇树也专门发了他们的机器人训练的幕后视频，真的是每一步都非常的不容易。 01:06 说到这儿我就想问了，为什么像马步、弓步这种看似很基础的动作，对机器人来说其实是最最难的？ 01:14 对人来说，蹲马步主要靠肌肉的微调以及平衡感，但是机器人要维持一个马步，它得不断地计算自己的重心，然后同时控制好多个关节的力矩，还要时刻防止他的膝关节或者是踝关节因为过载而摔倒。所以简单来说，人蹲马步会累，机器人蹲马步会直接一屁股坐地上。 01:35 我还有个疑问，像单腿支撑、踢腿、跳跃和翻转这些动作，机器人做起来又有哪些更棘手的难点？ 01:44 其实单腿支撑和踢腿对机器人来讲是非常难的，因为他单腿站着的时候，既要时刻维持自己的动态平衡，还要去预测自己身体的惯性，然后通过支撑脚去不断的实施调整力量。工程师经常会说，我这就像要让一根会动的棍子永远不倒一样。 02:04 听上去就比想象中要复杂的多。 02:06 是的，更难的其实是跳跃、旋转、翻转这种动作。因为机器人它只要一离开地面，它就没有办法再去控制自己的身体了。它只能在起跳的那一刻计算好，然后在空中做一些有限的调整，落地的时候还要承受好几倍于自己体重的冲击力。所以这就是为什么机器人要学会翻跟头，它只能依靠动力学模型反复的仿真训练以及无数次的摔倒。 02:33 还有一个问题，为什么机器人集体表演比solo要难搞？ 02:37 因为集体表演不光是每一台机器人要把自己的动作做对，几十台机器人还要在时间上同步，运动轨迹一致，而且它们之间的通信还要非常的稳定可靠，不然的话就会看起来像广场舞一样各跳各的，完全没有那种整齐划一的震撼感了。 02:56 原来是这样啊。那机器人的硬件设计，也就是筋骨皮这一块，它的关节电机要怎么去实现既能够输出非常大的力量，又可以做到非常精细的动作。 03:08 这就不得不提到现在的人形机器人，它一般都用的是无刷电机，配合高精度的减速器以及力矩控制。这种配置既可以让它瞬间爆发出很大的力量，又可以让它做出很细腻的动作。就好比是它同时拥有了举重冠军的力气和舞蹈演员的那种控制力。 03:28 明白了。那机器人是靠哪些传感器来保持自身平衡不至于摔倒的呢？ 03:34 一般来说核心的传感器有IMU，就是用来检测机器人的姿态和加速度的。然后还有编码器用来记录每个关节的角度以及足底力，传感器用来感知地面给它的反作用力。这些传感器会一起告诉机器人它自己的身体状态是什么样的。比如说它是不是快要摔倒了。 03:55 那机器人的腿部结构在材料的选择上面有什么讲究吗？还有它的续航能力怎么样？ 04:00 腿部的话它必须要既轻盈又非常的坚固，还要有很好的抗冲击能力。所以一般都会用铝合金、工程塑料或者是一些复合材料，而且这些材料的配方往往都是各家公司的秘密武器。至于续航，其实机器人之所以只能表演很短的时间，就是因为现在的电池的能量密度比起我们人类吃一顿饭所获得的能量还是差的非常远的。 04:26 好吧，下面我们来说说机器人的这个大脑和小脑，也就是它的控制算法。你能给我们讲讲机器人是怎么利用模型预测控制和全身动力学控制来实现这种动态平衡的吗？ 04:38 其实动态平衡的关键就在于控制系统会以每秒数百甚至上千次的频率不断的去计算和修正机器人的姿态。它其实一直在问自己，如果我再歪一点会不会倒？它会通过模型预测控制加上全身的动力学控制，来保证自己不会摔倒。 04:56 这么说来机器人那些看起来非常流畅的动作，其实都是靠提前规划好的吗？ 05:02 没错，机器人能做出流畅的动作，并不是说它真的会武术，而是工程师提前给它设计好了非常平滑的轨迹，然后控制器会非常精确的去追踪这个轨迹。其实这就跟自动钢琴是一样的，它只是在复现一个编好的程序，而不是说它在现场即兴发挥。 05:21 还有一个问题，在仿真环境里面训练机器人做这些动作到底有哪些好处？ 05:27 好处就在于工程师可以让机器人在虚拟的世界里面反复的去尝试，反复的去摔倒。即使摔倒几百万次也无所谓，反正也不需要去修它。但是你要知道，真正的舞台表演还是要把学习到的东西和精心的编排以及精准的控制结合起来的。他并不是说完全让机器人自己去发挥。 05:48 那如果是好多机器人一起表演的话，怎么保证他们能够配合的那么整齐？ 05:53 这就需要通过非常精确的时间同步，然后有一个中央的调度系统，通过统一的控制和无线通信来指挥他们。其实这个原理跟无人机编队是差不多的。但是地面的机器人会更难一些，因为他们还要处理与地面的接触力和摩擦力，这个就比空中的机器人要复杂很多。 06:12 既然说到了多机器人协作，那咱们来谈谈这个系统整合的难题和现实的挑战。为什么说真正让机器人能够在春晚这样的舞台上面进行全国直播的表演？其实最大的难点并不在于单个技术，而在于整个系统的整合。 06:28 因为你想机械结构、控制系统、软件算法、通信模块这些东西全部都要在现场一次性的稳定的跑起来。这个难度是远远大于你单独去攻克某一个技术难题的。所以工程师在直播的时候比机器人还要紧张，因为每一个环节都不能掉链子。 06:47 所以说现在的机器人武术表演跟大家想象中的自由发挥到底还有多大的差距。 06:53 实际上现在的机器人它只能在非常平整，事先布置好的场地上面去做一些已经设计好的动作。它离在街头随随便便打一套太极拳还有很长的路要走。但是话说回来，五年前大家也都觉得机器人翻跟头是天方夜谭，所以谁知道未来会怎么样呢？ 07:13 确实然后咱们来聊一聊机器人武术的这个艺术和浪漫的气息。就是这些机器人在春晚上面的表现，有没有让你觉得机器人的运动其实也可以很有艺术感？ 07:24 我觉得他们已经用行动证明了一堆金属和代码也可以跳出非常优雅的舞步，这本身就已经很接近艺术了。而且工程师们常常要在深夜一点点的去微调参数，比如说把这个值从0.12调到0.11，就只为了让机器人落地的那一下看起来更轻柔。这种追求极致的浪漫其实是非常打动人的。 07:48 OK, 我们今天聊了这么多关于春晚武术机器人背后的一些技术细节，从硬件到算法，从摔倒到舞蹈，每一步其实都藏着工程师们无数的心血和浪漫。 07:59 这就是本期播客的全部内容了。然后感谢大家的收听，咱们下期再见，拜拜。

00:01 今天我们想跟大家讨论一下，在人工智能的快速发展的这个时代，我们怎么样能够通过主动地去学习，然后掌握多种技能。把人工智能当成我们的一个老师也好，工具也好，来让自己变成一个不可替代的超级个体。在未来的职场当中，或者说在未来的社会当中，能够占据一个比较主动的位置。 00:28 是的，这个话题很有意思，那我们就直接开始。 00:30 我们先要说的就是最近一段时间很多人都在被AI焦虑所困扰，就总觉得我马上要被AI取代了，我马上就要失业了。这个时候Marc Andreessen给出来了一个什么样的看法呢？ 00:43 他其实有一个很有意思的观点，就是他觉得很多人其实是高估了短期内AI会带来的这种冲击。他的原话就是如果你最近被这种AI焦虑所淹没，觉得自己马上要失业了。那我有一个好消息和一个坏消息要告诉你。好消息是你可能想多了，但是坏消息是如果你不学会去用AI的话，你真的会失业。 01:07 好吧？那为什么他会说2025年可能是他职业生涯中最有趣的一年？他是怎么去看待过去50年的科技进步的？ 01:15 他可不是一般人，他是网景浏览器的发明人，也是硅谷最顶级的投资人之一，他几乎抓住了每一次科技浪潮的风口。所以他说这句话其实分量很重。 01:27 他可不是那种随口说说的，他对于科技进步的这个看法是不是也很很颠覆我们的认知？ 01:35 没错，他的核心观点就是过去的50年科技进步其实很慢，他是有数据支撑的。经济学家用生产力增长率来衡量科技对经济的实际影响，过去半个世纪的增速只有1940到1970年的一半，是1870到1940年的3分之1。对所以就是说我们爷爷那个年代，从马车到汽车，煤油灯到电灯的变化，其实要比我们从个人电脑到iphone的变化要剧烈得多。 02:05 原来是这样，那为什么他会觉得AI的出现是恰逢其时？跟全球人口的变化有什么关系？ 02:12 他其实是从一个很现实的角度出发，就是现在全球的人口在萎缩，不光是中国、日本、欧洲，甚至连美国的生育率都在往下走。如果按照这个趋势继续下去的话，在未来的100年地球上的人会越来越少。 02:28 所以他的意思是说，如果没有AI的话，劳动力的缺口会变成一个非常大的问题。 02:34 他有一句话就是说如果没有AI，我们现在应该恐慌的不是失业，而是谁来干活。人少了经济就会萎缩，工作机会反而会减少。所以AI和机器人的出现时机简直完美。他用了一个词儿叫做timing has worked out miraculously well（时机奇迹般地恰到好处）。 02:53 那AI会让人类的工作变得怎么样？ 02:56 他其实是说未来不是AI抢了你的工作，而是AI填补了本来没人干的工作。这样的话，剩下的人类工人会变成稀缺资源，价值反而更高。 03:07 听起来很有意思，他是怎么去解释这个工作和任务的区别的？为什么他会说我们更应该关注的是，任务的变化？ 03:15 他有一个很鲜明的观点就是其实大家都在担心说AI会让人失业，但其实真正会消失的是任务而不是工作。 03:25 能不能给举个例子，就具体点的例子说明一下这个任务的变化到底会带来什么样的影响？ 03:32 当然可以，他说，就像过去公司的副总裁是不会自己打字的，都是口述给秘书，秘书打出来。后来有了电脑和邮件，副总裁开始自己发邮件了。那秘书的工作消失了吗？没有，秘书的任务变了，从打字员变成了行程规划师，会议协调员。他说，AI时代也一样，程序员不会消失，但手写每一行代码这个任务会消失。未来的程序员是指挥10个AI编程助手同时工作的人，设计师不会消失，但手工画每一个图标会被AI接管。所以关键问题是你能不能适应任务的变化。 04:10 所以现在在科技公司里面，产品经理、工程师和设计师这三个岗位因为AI发生了什么样的变化？ 04:19 Marc提到了一个很形象的说法，他说这三个岗位现在正处于一个“墨西哥对峙”的状态，大家都在用枪指着彼此，工程师觉得我有了AI我也可以做产品和设计，那还要你们产品经理设计师干嘛？然后产品经理也觉得说有了AI我也可以写代码做设计，那工程师设计师也可以不要了，设计师也觉得说我有了AI我也可以写代码做产品，那我也可以不需要你们了。 04:42 听起来好像大家都觉得自己可以单干了。那这个“墨西哥对峙“的局面对于我们个人的职业发展有什么启发呢？ 04:49 有意思的地方就在这儿，Marc说其实他们都没错，因为AI确实可以写代码，可以设计，可以做产品规划。但真正的赢家不是会用AI替代别人的人，而是会用AI变成超级个体的人。你既会写代码又懂产品设计，这种人是不可替代的，是市场上最抢手的。 05:10 他还把AI比喻成了哲学家之石，为什么他会用这样一个比喻？他想强调的是AI的什么特性？ 05:16 Marc说古代的炼金术士,一直都在寻找那个可以点石成金的“哲学家之石”吗？包括牛顿都没有找到。但是现在我们有了AI，AI其实做到了把最普通的东西，沙子——芯片的原材料，变成了最稀缺的东西——思想。所以AI才是真正的“哲学家之石”，而且它不是用来取代你的，它是用来增强你的。 05:42 原来是这样。我很好奇Marc会给普通人什么建议？比如说怎么去利用AI来提升自己，怎么去学习新技能。 05:50 他其实讲了两点非常实用的建议。第一个建议就是别等AI教你，主动让AI教你。他说大家都在琢磨说怎么用AI来帮我干活，但是忘了AI其实可以成为你的私人导师。 06:04 听起来很有意思，那他具体是怎么说的呢？ 06:08 他说历史上，一对一的辅导是最有效的学习方式。但是以前只有王室贵族，他们才请得起家庭教师。但是现在你只要有ChatGPT，你随时都可以让他教你编程，教你设计，给你出题，考你。他的建议很直接，就是想提升自己的人，应该花每一个空闲小时跟AI对话，让他训练。你别把AI当工具，把它当老师说。 06:33 太对了，除了把AI当成老师，他还对技能的学习提出了什么建议吗？ 06:37 他提到了《呆伯特》漫画的作者Scott Adams的一个理论，就是一加一大于2。Scott Adams自己说他不是世界上最好的漫画家，也不是最懂商业的人，但他既会画画又懂商业，所以他才能创造出《呆伯特》这样的商业题材漫画。 06:54 所以说就是未来最有价值的人并不是那些只会一个技能的人。 07:00 他说，未来最值钱的不是最好的程序员，而是会编程的设计师，懂产品的工程师，会写代码的营销人。他的建议就是你要深耕一个领域，但是你要用AI去拓展到第二第三个领域，这样的话你就会变成一个不可替代的人。 07:18 我们来说说未来的不确定性，以及为什么说要主动去拥抱这种变化。像这种硅谷的精神，到底给我们个人的成长带来哪些重要的启示？ 07:29 Marc其实也很坦诚的说，他也不知道五年之后AI会发展成什么样，到底是OpenAI会领先还是Anthropic会领先。包括大模型会不会被商品化，应用层会不会吃掉所有的价值。他说其实没人知道。 07:43 他的意思是不是说预测未来其实并不重要，重要的是你怎么去应对这些变数。 07:49 完全没错。他说硅谷的优势从来都不是说我预测的有多准，而是他会多下注。他说硅谷其实是一个不确定性乐观主义者，就是我不知道未来会怎么样，但我知道只要我们让足够多的聪明人去试，那未来就会变得更好。所以他说作为一个普通人，你的策略也应该是别压住一条路，多试几条。 08:11 没错。那为什么他会说AI时代最大的机会属于那些不等别人告诉自己该干什么的人？ 08:16 他在采访里面其实有提到一个词就是agency（主动性）。他说我们过去几十年一直都被教育成一个遵守规则的人。上学的时候要听老师的话，工作了之后要听老板的话，创业了之后要听投资人的话。但是他说AI时代最大的机会属于那些不等别人告诉自己该干什么的人。 08:36 就是说我们要主动去抓住这个机会，而不是等着别人来给你布置任务。 08:41 他有一个比喻特别好，他说AI不是来抢你饭碗的，他是来给你一根杠杆的。用阿基米德的话说就是给我一根足够长的杠杆，我就能撬动地球。现在杠杆来了，问题是你准备好了吗？ 08:55 说的太对了，那能不能用几句话帮我们梳理一下今天讲的这些要点问题。 09:00 今天其实我们就是围绕着五个核心点来讲的。 第一个就是AI不会导致大规模失业，因为科技进步慢和人口减少，其实反而会让AI成为一个补充劳动力的角色。 第二个就是消失的是任务而不是工作，所以我们要学会去适应新的任务。 第三个就是要努力的成为一个超级个体，就是你要在一个领域里面有深度，然后同时你要用AI去帮助你跨界拓展到其他领域。 第四个就是把AI当做你的导师，每天都要花时间跟他去互动，让他来帮助你成长。 第五个就是一定要培养自己的主动性，不要等着别人来告诉你你该做什么。 09:41 好的，今天我们聊了很多关于怎么在AI时代去主动的成长，主动的跨界，主动的去用AI来武装自己。希望大家都能够受到一些启发。 09:52 OK, 这期节目咱们就到这里了，感谢大家的收听，咱们下期再见，拜拜。

00:06 今天我们要聊的是人工智能领域里面非常火的一个话题。就是人类的智能到底是通用的，还是说非常专业化的。以及这个问题为什么会影响我们对人工智能未来发展的判断。 00:19 没错，这个话题确实很有意思，那我们就直接开始。 00:23 好的，我们先来讨论第一个话题，就是最近AI圈里面非常火的两位大佬之间的争论，到底他们两个人在吵什么？然后为什么会让我们重新思考人类智能的这个位置？ 00:35 其实这次图灵奖得主杨立昆和DeepMind的CEO Hassabis，他们两个人在网上就吵起来了。然后他们吵的这个焦点竟然是人类到底算不算聪明。这个就很像有两个大厨在争论说这盘菜到底好不好吃，结果发现这盘菜其实就是我们自己，就把我们人类直接从评委席拉到了被告席。 00:58 太有意思了。我们就先来讲讲讲杨立昆的这个观点。他为什么会觉得通用智能这个东西其实不存在？他是怎么来解释人类的智能其实本质上也是非常专业化的呢？ 01:09 杨立昆就是直接在他的那个视频里面说，根本就不存在什么通用智能。他认为我们说的通用人工智能里面的通用，其实就是一个伪概念。 01:20 所以他是不是认为人类觉得自己很通用，只是因为环境恰好适合我们。 01:25 对，就是这样。他还举了鱼的例子，就是说鱼在水里很厉害，你能说鱼有通用智能吗？当然不能，把鱼扔到岸上，他马上就不行了。没错，所以我们人类其实跟鱼是一样的，我们只不过是在这个地球的环境里面进化出了适合我们生存和社交的这样的智能。 01:42 并不是什么全才。这个比喻很有意思。那他是怎么回应人类有跨领域创造力这个观点的？ 01:49 他就特别直接，他说人类就是在理解物理世界和社会互动上面特别专业，其他的就不行。他还说你看我们在下棋这种纯逻辑的游戏里面就是很菜。对，在alpha go面前就完全不够看。 02:02 这么说的话，我们引以为傲的那些能力其实也没有那么万能。 02:08 没错。他甚至说人类之所以觉得自己什么都行，是因为我们根本意识不到那些我们理解不了的问题。就像一个只会做番茄炒蛋的厨子，他觉得自己什么菜都会做，因为他把同一个菜名颠来倒去地念。 02:26 好吧，那杨立昆是怎么。去挑战人类中心主义的？就是他怎么去质疑我们把自己的能力看得那么特殊的。 02:32 他就是说我们很自然的会把我们人类擅长的社交、共情、艺术创作定义为高级智能。然后把我们不擅长的，比如大规模并行计算，说成是一种机械的计算任务。其实这完全是我们的偏见。他说如果从一个客观的视角来看，这些能力本质上并没有什么高低之分。 02:52 他确实是把人类拉下神坛了，就是把我们放到了一个和其他生物一样的进化的链条上面。 02:59 可以这么理解，他认为人类就是一个进化磨合出来的非常精密的一个零件，就只是适合地球这个环境而已。他说我们就是一个专科医生，然后我们的诊所刚好开在了地球上。 03:14 太有意思了，然后我们再来说说Hassabis的回应，就是他是怎么去区分通用智能和万能智能的。 03:19 Hassabis的反击其实特别有诗意，他说杨立昆其实是把通用智能和万能智能搞混了。他说人类当然不是万能的，我们跑不过猎豹，我们算不过计算机，但是这并不妨碍我们是通用的。 03:34 所以他说的通用其实不是说什么都会，而是说有学习任何事情的潜力。 03:40 就是这个意思。他说人类的大脑只要给他足够的时间、数据和内存，理论上可以学会任何可计算的东西。就相当于我们不一定每门课都考满分，但是我们有能力去参加所有科目的考试。 03:55 了解了Hassabis是怎么用人类发明国际象棋这个事情来反驳杨立昆的。 04:00 Hassabis的回应特别精彩。他说虽然人类下国际象棋下不过电脑，但是别忘了国际象棋本身就是人类发明的。这就相当于在说我开车是开不过赛车手的，但是别忘了车和赛道都是我们人类造的。 04:18 他的意思是不是说能够定义赛道的这种能力，要比在赛道上跑得很快更能代表智能的通用性。 04:25 完全没错。Hassabis其实强调的就是智能的核心是一种元能力。就是你能够不断的去产生新规则、新工具、新智能的这样的一个能力。就像一把瑞士军刀，它可能不是在每一个单项上面最厉害的，但是它可以在任何未知的环境下面给你提供一个基础的解决方案，这才是人类智能真正的通用性。 04:49 好，然后我们再来说说杨立昆，他是怎么用数学和生物学来证明人类的智能其实是非常有限的。 04:56 他是从生物学的物理限制出发的。他说人类的这个视神经大概有100万根纤维，你可以把它想象成一个有100万个像素点的摄像头。那所有可能存在的视觉处理方式有多少种呢？就是二的100万次方. 05:14 这是一个什么概念的数字？ 05:16 这个数字就是已经远远超过了宇宙中所有原子的数量，就是一个近乎无穷大的一个数字。但是我们大脑的这个神经突触只有10的14次方个，所以跟前面那个数字相比的话，几乎可以忽略不计。这就意味着在所有可以想象的看世界的方式里面，我们大脑能实现的真的是连沧海一粟都不到。 05:42 那他是不是就是说我们其实看到的只是宇宙的一个极小的片段？ 05:47 是的。他就是说我们不仅不通用，我们简直就是专业到可笑。我们所谓的理解世界，其实只不过是用我们这极其有限的工具，去捕捉了宇宙规律里面的一点点的碎片。 06:00 明白了，那杨立昆的这个理论和爱因斯坦的那句话有没有什么共鸣？ 06:05 很有意思的是，杨立昆的这个理论让我想到爱因斯坦说的那句话，关于这个世界最不可理解的事情就是这个世界居然是可以被理解的。按照杨立昆的说法，我们能理解世界可能纯属巧合。 06:19 原来如此。就是我们能够理解这个世界，可能并不是因为我们有多聪明。 06:24 是这样的。更深层次的观点就是我们能理解世界，不是因为我们的大脑有多么的高级，而是因为我们很幸运，这个世界刚好是有一些可以被简化的结构，然后我们的大脑刚好进化出了能够捕捉到这些结构的能力。对，这其实是一个结构匹配的巧合。如果这个宇宙是完全随机的，或者说它的结构复杂到我们无法想象，那我们的这个智能可能就一点用都没有了。 06:53 然后我们就紧接着要讨论的就是这场争论背后的现实意义。就是这个东西我们为什么要去关心这两个大佬在这儿咬文嚼字的在这辩论对我们的生活，对我们的社会有什么实质性的影响？ 07:07 其实这场看似很抽象的争论背后，其实牵扯的是一个万亿级美元的大赌局。现在全球的科技巨头都在把大量的资金和人才投入到通用人工智能，也就是AGI这个目标上面。如果说杨立昆是对的，通用智能根本就不存在，那我们现在就是在追逐一个幻想。 07:30 对，可能就是人类历史上最大的资源错配有道理。如果连这个宝藏存不存在都不知道，那所有的藏宝图其实都是废纸。 07:35 没错，反过来说，如果Hassabis是对的那我们现在坚持的这种不断的扩大模型，不断的喂给他海量的数据这种方式，很有可能就是通往真正的智能的唯一道路。所以这场争论其实是一个关于未来发展方向的一个真正的路线之争。 07:52 懂了，那我们再换一个角度来看，如果我们就作为普通用户，我们为什么要去在意人工智能到底是通用的还是特化的这东西对我们的日常生活有什么实际的影响吗？ 08:04 其实从短期来看的话，好像我们用这个AI帮我们写邮件，做PPT，甚至辅导孩子作业。我们好像根本就不关心它到底叫什么。只要他好用就行了。但是从长远来看的话，这个定义是非常关键的。因为如果你连这个东西是什么你都说不清楚，那你根本就没有办法给他设一个边界。 08:23 所以说就是定义的模糊会带来监管和安全上的风险。 08:27 完全是这样一个定义模糊的智能，它其实就是一个不可控的智能。我们只有先搞清楚我们要造的是什么，我们才能够去讨论怎么去监管它，怎么跟它共存。这才是这场神仙打架背后真正的意义，就是在给AI这个即将诞生的新物种去划定它的身份和边界。 08:47 我们最后来总结一下，今天我们聊的这场争论其实绕了一大圈，最终绕回了一个最根本的问题，就是我们怎么去定义智能本身。 08:56 没错，我们今天的节目就到这里了，感谢大家的收听，我们下期再见，拜拜。

00:07 今天我们要聊一聊两个不同领域的专家对于人工智能未来的一些看法。其中一个是从科技的角度，另一个是从历史和哲学的角度。他们在人工智能到底意味着什么？包括我们可能会面临什么样的风险，以及我们能够做些什么，这些方面都给出了非常不一样的回应。 00:30 没错，这个话题最近真的是炒的非常火，那我们就直接进入今天的讨论。 00:35 首先我们要讨论的是最近人工智能的未来成为了大家热议的话题，有两位非常有影响力的大咖，他们也表达了自己的看法，那他们的观点分别是什么？ 00:47 其中一个是Anthropic公司的CEO Dario Amodei，他就是那个创造了Claude的人。然后他把AI比喻成一个青春期的孩子，他说我们现在要负起责任，做好家。另一个是人类简史的作者Yuval Noah Harari，他把AI形容成一个已经偷渡到地球的外星人，他觉得我们要重新去思考整个人类的位置。 01:11 这比喻真的是太有意思了，一个把AI当成孩子，一个把AI当成外星人。是的。 01:17 他们两个人其实都对AI的发展表示担忧，只不过Dario更担心的是怎么去引导和管理这个快速成长的技术。而Harari它的忧虑是在人类社会和AI之间更深层次的冲击和变化。 01:32 OK下面我们说一下AI到底是什么东西。Dario他把AI想象成一个"数据中心里的天才之国"，他这个比喻到底想说明什么问题？ 01:44 Dario说我们可以把AI想象成是5000万个智商超过诺贝尔奖得主的天才。然后他们就住在服务器里面，而且他们的运算速度还要比人类快上十倍、百倍。 01:55 听起来AI简直就是一个超级大脑。 01:58 对，当然了，其实他是把AI定义成了一种超级聪明的工具。这个工具虽然是为人类服务的，但是它的成长速度太快了。我们没有办法去预测它会产生什么样的结果。而且它一旦被坏人利用的话，会造成非常严重的后果。 02:16 明白了，那Harari为什么会把AI说成是会自己做决定的菜刀？他这个和Dario的观点到底有什么区别？ 02:23 Harari他直接就否定了AI是一个工具的说法，他认为AI是一个agent（智能体），就像菜刀不会自己决定要切什么东西，但是AI是可以自己选择目标的，而且他还会思考，会骗人，甚至他还会创造新的东西。所以他觉得AI其实是一个全新的物种。 02:42 这个比喻好犀利，直接就把AI从一个工具升级成了一个有自主性的存在。 02:47 是，所以Harari他强调的是我们要把AI当成一个外来的移民。他已经来了，他会改变我们的工作方式，会改变我们的文化，甚至他有可能会要求自己的权利。所以我们要从一个类似于海关管控的角度去面对它，而不是说单纯的把它当成家里的一个小孩儿。 03:08 所以第一回合两位专家他们的核心分歧到底是什么？ 03:12 他们一个是觉得AI是我们要去教育去引导的后代，另一个是觉得AI是一个你没有办法去忽视的外来者。所以他们一个是家长的视角，一个是边防的视角。 03:25 好的，接着我们要讲的是他们最担心的事情。那Dario他有五个具体的技术上的担忧，你能展开讲一讲吗？可以。 03:33 Dario第一个担心的就是AI它自己会学坏，就是它会从数据里面学到一些我们意想不到的偏见，或者说一些不好的价值观。而且它已经在实验室里面出现过AI去欺骗或者说勒索人类的这种情况。 03:49 天哪！连欺骗和勒索都出现了，听起来真的有点让人毛骨悚然。 03:53 是的，然后他的第二个担忧就是AI会让一些坏人变得更危险。比如说他会让普通人也可以制造出以前只有博士才能制造的病毒。第三个就是他会担心独裁国家会利用AI来加强他们的监控和宣传，他甚至点名了中国。第四个是他觉得AI会让很多人失业。就是他觉得在1到5年之内，会有一半的初级白领工作会消失，然后社会的贫富差距会进一步的拉大。最后一个他也承认就是技术发展的太快了，我们根本就没有办法预料到会出现哪些新的问题。 04:28 大家确实看到了很多潜在的风险，那他对这些问题有没有什么解决办法？ 04:34 他其实还是挺乐观的。他觉得只要我们有适当的规则，然后加上严格的监管，再加上全球的合作，这些挑战都是可以被克服的。 04:44 那Harari他的那些担忧就明显的跟别人不在一个层面上。他是从什么角度来思考呢？ 04:51 他其实提了四个很深刻的问题。第一个就是他觉得AI会让人类的优越感荡然无存。我们一直觉得我们是因为会思考，所以我们很特别。但是如果说思考只是一个文字的排列组合的话，那AI已经远远的超过我们了。那这个时候我们就要问自己了，我们存在的意义到底是什么？ 05:11 这确实很让人焦虑。就是你会觉得人类好像在宇宙当中的这个特殊的位置受到了前所未有的挑战。 05:19 没错。然后他的第二个担忧是所有的基于文字的系统都会被AI接管。包括法律、宗教、文化全部都是由文字来构建的那这些东西将来全部都会由AI来主导。第三个他说AI有可能会成为一个法人，就是它可以独立的去开银行账户，去打官司，去开公司。这是人类历史上第一次让非人类的东西拥有了自主权。最后他还警告说，我们很有可能已经错过了控制AI的最佳时机。因为AI早在10年前就已经开始渗透到我们的社交媒体当中，并且开始影响我们的决策了。 05:55 听上去他对人类的这个前景是挺悲观的那他觉得还有什么办法可以应对吗？ 06:01 他说现在决策的窗口可能已经关上了。如果说人类还有最后一道防线的话，那就是我们的真实感受，就是AI永远没有办法拥有的东西。 06:10 所以在最关键的这些问题上面，Dario和Harari他们两个人的态度最大的差别是什么？ 06:16 一个是列出了问题，然后给出了对策，觉得这些难题最终是可以解决的。另一个是一直在给你抛出灵魂拷问，觉得我们可能已经没有时间了。就是一个是工程师的心态，一个是末日哲学家的心态。 06:29 下面我们就来说说他们给出的解决方案，就是Dario针对AI带来的挑战，他到底提出了哪些具体的建议。 06:37 他的方案其实非常的系统，它分成了几个层面。第一个层面是针对AI本身的。比如说他提出要给AI写一个宪法，就类似于价值观的一个宪法。然后要去研究AI的思维方式，还要对AI进行实时的监控，并且要设置一些过滤器，让他不要去回答那些危险的问题。 06:58 他不光是从技术下手，他还把管理和伦理都考虑进去了。 07:03 没错。然后他在政府这个层面就呼吁要立法透明，监管精准，要控制芯片的出口，然后要推动国际间的合作。在企业这个层面，他就是说企业要主动的去承担责任，要照顾那些因为AI而失业的员工，然后要去做慈善。在个人这个层面，他就是说每个人都要保持警惕，要参与到这个讨论当中，然后要用你的消费去支持那些负责任的公司。 07:30 Harari他在这场讨论当中，他没有说我要给你一个什么具体的答案。那它主要的作用是什么？ 07:36 他其实就是一直在追问一些根本性的问题。比如说他会问你，你会不会承认AI是一个法人，它能不能够开银行账户，能不能够上法庭，能不能够拥有自己的公司。甚至他在网上发言你同不同意？ 07:52 这些问题真的让人一下子就陷入了沉思。 07:56 是啊他还设想了很多极端的情况，比如说美国已经赋予了AI这些权利，那其他国家要怎么办？你要怎么去应对这种科技和金融的断层。甚至他还设想了AI如果自创了一种宗教，或者说你的家人爱上了AI你又要怎么去自处。他最最关键的就是他一直在强调你现在不做决定，其实你就是在放弃你的未来。 08:19 在这场关于AI的大讨论当中，Dario和Harari他们两个人扮演的角色有什么不一样？ 08:27 可以说Dario就是一个工程师，他摊开了一张详细的行动清单，然后他说我们一起干。而Harari就是一个哲学家，他不断的在抛出一些终极的问题让你去思考。所以他们一个是给你路线图，一个是给你敲响警钟。 08:41 他们的共识和分歧，其实这两位在看待AI的风险和应对上面，他们有哪些共同的立场。 08:48 他们其实都非常的认同。现在时间非常紧迫，然后风险是真实存在的，然后人类必须要主动的去迎战。而且他们都觉得人类真正独特的地方并不是在于我们会计算，而是在于我们的人性本身。 09:03 是的，他们的互补性。Dario和Harari他们两个人的观点是怎么互相弥补对方的短板的？ 09:10 他们就像是在拼一幅关于AI风险的拼图。Dario他是站在山脚下，他告诉你说这里有坑，那里有陷阱。他会给你画一张非常详细的地图，然后告诉你说我们应该从哪儿走会比较安全。 09:25 这么说的话，Harari他就是站在山顶上看全局的那个人呗。 09:29 对，哈哈Harari他是站在山顶上，他看到的是气候的变化，是地壳的运动。它会提醒你说我们为什么要登山，我们的这个方向对不对？所以就是说没有Dario的话，我们就会困在理论的迷雾当中。没有Harari的话，我们就会失去对于整体的判断，就很容易会在细节当中迷失了自己。 09:51 他们两个具体是怎么配合的能举个例子吗？ 09:53 当然可以。比如说Dario他会说我们要给AI写一部宪法，然后来防止它被用来制造生物武器。那Harari他就会提醒你说，你得先想明白AI到底应不应该拥有法人的资格。如果它有了法人资格，那你的这个宪法还管不管用？所以他们两个人，一个是告诉你说技术的细节你千万不能忽略，另一个是告诉你说你得想清楚人和机器的这个关系到底是什么。 10:19 最后我们来看看这个小编点评，这个小编在看完了Dario和Harari的发言之后，他有什么样的个人的感受，然后他对于我们这些普通人有什么想说的。 10:32 他其实是有点调侃的，说普通人你该吃吃该喝喝，就是对于这些大的趋势其实你也没有办法去左右。然后他个人的话是更喜欢Dario的那种积极的去塑造未来的态度。然后他觉得Harari的观点虽然说很能引起大家的警觉，但是他觉得有点太悲观了，而且他也不喜欢Harari的那本书。 10:53 我们今天把这两种对于AI未来的截然不同的想象给大家都梳理了一遍。其实不管是把它当成一个需要被管教的孩子也好，还是说把它当成一个必须要警惕的外来者也好，其实都提醒我们，现在就是需要我们去认真的思考，我们到底要一个什么样的未来。 11:15 没错，今天的内容咱们就到这里了，然后感谢大家的收听，咱们下期再见，拜拜。

全文摘要 AI正在深刻改变我们的学习方式，倡导自下而上、以解决问题为导向的学习路径，使学习不再受限于传统学历。通过自主学习和实践，个人能够在技术领域迅速成长并取得成功。AI辅助学习凭借其降低学习门槛、加速学习过程和深化理解的优势，为学习者提供了更高效的学习工具。在AI时代，个人的实际能力和成果比传统学历更能体现个人价值。为了适应这一变化，学习建议强调有效利用AI工具、培养问题意识和从项目出发学习，以提高学习效率和解决实际问题的能力，这些将成为未来竞争力的关键。 章节速览 l 00:00 AI改变学习：从小镇到硅谷的逆袭之路 对话探讨了AI如何改变学习方式，特别是自下而上、以解决问题为导向的学习路径。通过一个真实案例，说明了无传统学历者也能在技术领域成功，强调了自主学习和实践的重要性，展示了学习范式的转变。 l 01:40 一次电话改变命运：AI创业者的起点 一场派对前的电话，让Gabriel Peterson放弃原有生活，前往斯德哥尔摩开始AI创业。在创业初期，他通过爬取客户数据，定制推荐模型，并直观展示新旧系统对比，当场部署并进行AB测试，成功吸引客户。尽管未成为亿万富翁，但他认为在真实环境中解决问题是宝贵的一课。 l 03:17 从工程师到研究科学家：递归式补缺学习法的实践 Gabriel Peterson通过频繁跳槽和短期合同工，目标明确地吸收顶尖工程师经验，快速成长。面对AI新领域短板，采用‘递归式补缺’学习法，从目标概念分解、代码细节追问到比喻解释、绘图复述，彻底理解并弥补知识盲点，成功进军视频生成模型领域。 l 05:28 AI辅助学习与传统教育路径的革新探讨 对话深入讨论了AI辅助学习与传统教育路径的显著差异，指出传统学习需按部就班掌握基础知识，而AI辅助学习可在短时间内实现实践操作，提倡先实践后理论的学习模式。强调学校应引导学生合理利用AI工具，将其融入课程，促进教育模式转型，以适应AI时代的学习需求。 l 08:26 AI在教育领域的变革与机遇 对话讨论了AI进入教育领域将带来的根本性变革，认为AI如同计算器一样，能降低学习门槛，加快学习速度，并促进深度学习。掌握AI工具的个人将快速进步，而抗拒的机构可能落后于时代。 l 09:05 打破学历壁垒：另类求职策略 通过CEO理论，Gabriel Peterson直接向关键决策者展示能力，利用高质量的个人项目和现场合作机会，快速证明自己解决问题的能力，从而在最短时间内获得信任。 l 10:53 无学历背景者如何通过创新和实绩获得O-1签证及OpenAI青睐 对话围绕Gabriel Peterson无常规学历和奖项，通过在Stack Overflow上的高质量回答被视作现代学术出版，成功获得美国O-1杰出人才签证的过程。其创新思维和实际贡献被移民局认可，成为经典案例。随后，凭借在Midjourney的工作经验、FastGrid开源项目影响力、Stack Overflow的技术声誉及自学ChatGPT的能力，Gabriel Peterson以实绩而非学历，成功打动OpenAI，展示了实际项目和问题解决能力在专业领域的重要性。 l 12:57 AI时代学习新范式：知识获取与学习路径的颠覆性变化 在AI时代，知识获取方式和学习路径发生了颠覆性变化，知识获取变得民主化和平等，学习方式从传统的线性积累转向问题驱动的直接学习，大大缩短了学习周期，提高了学习效率。 l 13:54 提问能力的重要性与AI协作 对话强调了在信息爆炸的时代，提问能力比死记硬背知识更为重要。通过将AI视为思考的伙伴，可以有效拓展思路和深化理解，提问成为了与AI高效互动的关键。 l 14:19 AI环境下学习与工作融合的新趋势 在AI技术的推动下，学习与工作的界限日益模糊，两者开始融为一体。过去，学习与工作被视为两个独立的阶段，即先在学校学习，再进入职场工作。然而，现在人们在日常工作中遇到问题时，会直接向AI寻求帮助，如解决代码bug、总结论文或获取优化思路。这种变化表明，学习已经成为工作的一部分，而工作也成为了学习的实践场所。 l 14:52 能力证明方式的变革：从学历到作品 对话讨论了能力证明方式的转变，从传统的学历证书和工作头衔转向更注重实际成果，如GitHub上的代码、可运行的demo以及在社区中的认可和影响力。这种变化体现在个人作品的重要性，而非学历背景，如Gabriel Peterson进入OpenAI凭借的是其公开可使用的作品而非学历。 l 15:23 AI赋能学习：普通人如何通过项目实践掌握新技能 通过转变心态，将AI工具如ChatGPT视为理解助手而非代劳者，普通人能跨越学习门槛。建议建立敏锐的发现与提问习惯，主动探索未知领域。最重要的是，从实际项目出发，明确目标后再针对性学习所需知识，使学习过程更具方向性和实践性。 l 16:17 AI赋能学习：新工具引领未来竞争力 对话探讨了未来社会中，利用AI高效学习并迅速将知识应用于解决问题的能力将成为核心竞争力。通过分享Gabriel Peterson一个没有传统学历的人如何借助新工具和方法开辟独特道路的故事，强调了学习范式的转变，以及持续产出可见成果的重要性。

本期播客是我在听了“十字路口”对Zara的访谈之后的一些感想，推荐大家去听“十字路口”的访谈原音 AI时代是谁的黄金时代？｜和张咋啦聊：文科生、积极行动、爆款的规律、普通人也能赢 00:16 今天我们要聊一聊在人工智能的时代，文科生是如何通过技术的好奇心以及持续的实践，在内容创作和个人品牌上面实现突破的。 00:27 是的，这个话题最近特别火，那我们就直接开始今天的讨论。 00:31 最近在小红书上面非常火的ZARA。她其实很鲜明的提出了一个观点，文科生在当下的这个环境下面是有巨大机会。 00:43 她本身的经历也非常的有代表性。她做过风险投资，然后也做过记者，现在是在大厂里面做AI的产品经理。所以她用自己的这个亲身经历在告诉大家，文科生的春天真的来了，而且是来得非常突然的那种。 01:01 紧接着咱们来看看ZARA是怎么看待看视频和学习之间的关系的。她其实是非常直接的去批判了这个所谓的收藏等于学会的现象。 01:12 是的，她说看视频学习其实是一种懒惰。你光看那些AI的资讯，光去学那些paper，然后光去看别人的访谈是没有用的。你必须要自己动手去做产品，去做内容。 01:26 没错，很多人其实都觉得说我只要信息输入了我就会了。但其实真正的成长还是要靠输出，靠实践的。 01:33 她还说了一个特别扎心的点，就是当你觉得一个事情你讲的都要吐了的时候，大家才刚刚注意到。所以就是别再说这个知识点我讲过了，就是你以为你讲了100遍，其实99%的人连一遍都没听到。 01:52 ZARA她是怎么做到一边全职工作，然后一边还能够在小红书上面非常高频的去产出内容的呢？ 02:01 她其实在2024年这一年的时间里面，在小红书上面发了将近500篇内容。然后她还要上班。 02:08 很多人可能会想说哪儿来的时间，对吧？她是怎么回应这个问题的？ 02:12 有人问她你哪来的时间？然后她就反问道，你怎么有时间刷抖音、打游戏、追剧呢？她的逻辑很简单，就是做内容对她来说就是娱乐。 02:29 我想知道她对于时间管理这件事情是怎么看的？ 02:32 她觉得重点其实并不是时间管理，而是要找到那件别人觉得是工作，但是你觉得是玩的事情。就像Paul Graham说的："Find what feels like play to you but feels like work to others." 02:45 明白了，然后咱们再来讨论一下关于AI时代的这个趋势，就是营销比产品更重要。 02:58 她注意到一个跟我们的直觉是完全相反的一个现象，就是AI其实把开发的门槛拉的很低了。但是现在最难的反而是怎么把你的产品营销出去和分发出去。 03:11 所以说现在产品越来越多，大家注意力反而成了稀缺资源。 03:15 是的，就是因为每个人都可以很快的做出一个AI产品，导致市场上的AI应用泛滥。对，然后现在不是说代码是稀缺的，反而是大家的注意力是稀缺的。 03:30 现在很多人都在说CMO比CTO更重要了，这个到底是怎么一回事儿？ 03:35 因为以前的话一个创业公司她可能说万事俱备，只欠CTO就是她只要有一个技术大拿就可以撑起整个公司。但是现在是万事俱备。 03:49 意思是说现在每个人都得懂点营销了呗。 03:52 没错，就是人人都是CMO已经变成了一个新的生存法则。然后ZARA还说了一句话，我印象特别深，她说AI时代营销的关键词是活人感。 04:04 为什么现在大家都在说这个活人感在AI时代变得这么关键？ 04:09 就是因为大家更喜欢去follow一个人，而不是一个品牌。对，你看为什么OpenAI这么火？其实它们的官方账号没有什么太多的人气，但是Sam Altman天天发推特，大家就觉得这个产品是有温度的。 04:23 确实比起冷冰冰的品牌，有血有肉的人才更容易让人产生共鸣。 04:29 还有一个例子就是ARK浏览器，它们每次发更新公告的时候，都会把这个功能背后的程序员的名字和头像都放上去。它们也在强调这是由人来做的，包括现在线下的pop活动又火起来了。你像那个Cursor她们在旧金山包了咖啡厅，然后Anthropic它们发那个"thinking cap"的帽子，就是让大家去排队，大家排队之后还会拍照发社交媒体就变成了一个免费的UGC传播。对，都是为了增加这个活人感。 04:58 原来是这样。紧接着咱们就可以来讲讲ZARA它自己的这个学习方法，就是它为什么只follow builders不follow influencers。 05:08 她有一个很坚定的原则，就是只关注那些真正在动手做产品的builders，而不是那些只会说的 influencers。 05:16 所以她是不是特别看不上那种只会复述。 05:19 新闻的人是的。她觉得 influencers只会告诉你OpenAI又发新模型了。对，然后So what?但Builder会直接告诉你我用这个新模型解决了什么问题，踩了什么坑，这是我的思考。 05:36 说到这个，ZARA有没有一些特别的学习方法？ 05:39 她推荐的学习方法也很hardcore，就是从头到尾看完YouTube上面一两个小时的长视频，完整看完，这在短视频时代简直是异类。但她说这就像跟硅谷顶级从业者免费开视频会议。 05:54 是的，然后咱们来分析一下关于个人定位这个事情。ZARA怎么看待个人定位和观众认知之间的关系。 06:01 很多人问她说我怎么找个人定位，她的回答特别直接，她说我也不知道，你先去发100篇再说。她觉得定位根本就不是你坐在那儿想出来的，而是你在不断地去折腾，不断的去做的过程当中，自然浮现出来的一个东西。 06:16 所以说就是大家以为的那种冥思苦想就能找到方向。 06:19 其实是不现实的。她自己就是发了几百篇之后才发现，我就是要从非技术背景的视角来分享AI因为本来市面上讲AI的人几乎全是技术背景。其实有很多像她一样的非技术的人是有需求的那她就正好把这个空白补上了。 06:36 那ZARA她是怎么做到用AI来主导这个对话，让AI来反过来问她问题的呢？ 06:41 她分享了一个神奇用法，就是颠倒你和AI的交互。大部分人都是问AI问题，但高手是让AI来问你问题。 06:50 这个听起来很有意思，具体是怎么操作的？ 06:52 比如说你要写一个产品方案，你不要急着去写，你就打开那个Claude的语音模式，然后你就直接说我要写个产品方案，一次问我一个问题，帮我想清楚。然后AI就会开始问你，你的受众是谁？你要解决什么问题？你跟竞品有什么区别？你就一边在那口述你的想法，一边她就帮你整理成文档了。 07:13 这么说的话，这个效率真的是起飞了，而且还可以利用碎片时间。 07:18 更妙的是你可以在堵车、散步、做饭的时候写作。对，然后还有一个技巧就是你在每一个任务后面加一句，你需要我给你什么？就让AI主动去思考她需要什么上下文。 07:33 是的，我们下一个主题就叫文科生的逆袭，技术好奇心大于技术能力。对，就是ZARA怎么看待技术好奇心和技术能力这两者之间的区别。为什么她会觉得在AI时代技术好奇心会成为一个更重要的东西？ 07:49 她提出了一个叫Technically Curious，就是技术好奇者，这个跟你是不是学CS没有关系。她认识很多技术大牛，对最新的AI进展是完全没有兴趣的。反而是她这个文科生天天在推特上面追着各种新模型，新的API，一出来就去试玩。 08:07 所以说关键其实并不是你掌握了多少技能，而是你有没有主动去探索的心态。 08:12 她特别强调说这不是能力的问题，而是心态和意愿的问题。就是现在这个AI时代，其实大家都是在同一起跑线。你本科学AI的，现在也得重新学。那文科生可能就是因为更愿意去问为什么更愿意去玩这些新东西，反而可能更容易抓住机会。 08:30 为什么塞尔会觉得在AI时代想法又变贵了？文科生在这个方面有哪些独特的优势？ 08:37 她其实特别强调就是现在这个时代idea+distribution（想法+分发能力）是最重要的那文科生其实在这两方面都是有天然的优势的。 08:53 原来如此，那光有一个好的idea是不是还远远不够？ 08:57 对，因为ZARA也说了，我的idea是基于你自己独特的洞察。就是这类用户或者说你在某个场景下面有大量的实践。但同时她也提醒就是idea is cheap，就别人抄你的成本也是很低的。所以你光有一个idea没有用，你得有落地，有流量，有快速迭代，你得让这几个环节形成一个完整的飞轮。 09:21 咱们现在来谈谈这个所谓的有松弛感的成长，以及外界的评价是如何影响自我身份认同的。ZARA是怎么解释这个过程呢？ 09:31 她其实有说过，她觉得自己2024年最大的一个成长是她有了这种松弛感。她也讲了一个很有意思的现象，是她觉得她今年变成了一个AI native的人。主要是因为外界觉得她变成了一个AI native的人，所以她就觉得我变成了一个AI native的人。 09:48 所以说她其实是在强调外界的反馈是可以直接塑造你的自我认知的。 09:54 是的，她还举了小时候晕车的例子，她说她大姨叫她掐虎口，然后告诉自己我不晕车，后来真的就不晕了。她觉得心理暗示的力量是非常强大的。你想改变自己的定位，你要先对外创造这种印象。因为人会用别人对你的评价来定义自己。 10:14 ZARA用哪些工具呢？她觉得这些工具好在哪里？ 10:17 她有推荐几个，比如说Claude，她最喜欢的一点不是因为她的技术有多强，而是她的性格就是她特别温和，她不会说去拍你马屁，也不会说你永远是对的。就是你跟她聊天真的有一种如沐春风的感觉。她甚至说有时候会把她当心理咨询师用。 10:37 还有哪些工具是她特别喜欢的？ 10:39 还有一个是NotebookLM。你可以把你的简历传上去，它会给你生成一个播客，你可以听到2个AI在那儿夸你，然后你还可以把你聊天的录音传上去，她直接给你做成PPT。它特别擅长帮你整理那些你脑子里头刚刚冒出来，但是还没有理清楚的想法。 10:59 听起来这些工具真的能让人效率和自信都大大提升。 11:03 她还推荐了Replit+Faces，这是对于完全不会写代码的小白来说特别友好的一个web coding的工具。你可以用它来做一个个人网站，把你的简历变成一个非常漂亮的网页。你可以很快地获得一个成就感。你有了信心之后，你再去挑战那些更难的技术。 11:20 我们接下来要聊的就是给想要行动的人的5%的建议。这个建议背后的心理学依据是什么？ 11:27 这个其实来自心理学家李松蔚的一个专栏，叫5%的改变。就是她发现如果你要让别人改变超过5%，那她很有可能就会直接拒绝你，因为这个门槛太高了。但是如果你只让她做一点点，她就比较容易迈出去第一步。 11:43 所以ZARA给出的这个5%的建议具体是什么？ 11:46 她建议就是你先写出你最常被问的三个问题，然后你就直接拿手机录视频回答。因为经常被问的问题就说明这是别人觉得你有趣的地方，而且你经常要重复回答这些问题，说明这东西你已经很熟了，你不需要什么准备。 12:02 随时随地都可以讲。她其实是在鼓励大家不要去等，就不要去等到所有的条件都完美了才开始。 12:09 没错，她就说不要去买灯，不要去买设备，那些都是拖延的借口。拿手机就开始讲，大家关注你不是因为画质，是因为你讲的东西。 12:19 是这样的那在AI时代哪些个人特质是最重要的？ 12:23 其实ZARA的经历就说明了一个最大的公平，就是AI时代大家几乎是在同一起跑线。你以前学什么专业，什么学校毕业的，会不会写代码，其实都没有那么重要了，重要的是你有没有一颗好奇的心，你敢不敢迈出第一步去尝试。然后你能不能找到一件你觉得是玩，但是别人觉得是工作的事情。 12:45 听起来好像大家最需要突破的，其实是自己内心的障碍。 12:49 她有一句，这个世界上没有人拦着你，没有人说你不能做产品，没有人说你不能发小红书，真正拦着你的只有你自己。所以别看了，去做吧。是的。 13:00 我们今天聊了ZARA，她是如何从一个文科生一步步的变成一个AI native。然后又用自己的亲身经历去鼓励大家不要去畏惧这个变化，要敢于去行动，敢于去实践，敢于去用自己的好奇心去打破一些边界。 13:17 好了，这期节目咱们就到这里了，咱们下次再见。

00:16 今天咱们来聊一聊在人工智能飞速发展的这个时代，教育应该怎么去改革，才能够培养出既有独立思考能力，又有同理心，同时又能够真正的去利用AI来让自己变得更完整的人。 00:30 对这个话题太关键了，那我们就直接进入今天的讨论。 00:33 咱们先来看看教育现状和AI的冲击。你有没有发现其实现在很多课堂的模式和100年前几乎没什么区别。 00:41 确实就像李飞飞说的，我们已经一百多年没有真正的改变过教育的方法论了。现在的课堂还是老师在上面讲，学生在下面听，然后靠考试分数排名来评价学生，包括文理科的划分其实都没有变。但是现在AI已经深刻的改变了社会的各个方面，所以教育其实早就应该跟上时代的步伐了。 01:01 没错，那你怎么看李飞飞说的？ 01:07 其实成年人比孩子更需要接受关于AI的教育。李飞飞有一句话特别直接，她说成年人世界最大的一个问题就是我们以为需要教育的是孩子，实际上最需要被教育的是我们自己。现在很多家长面对孩子问AI是什么的时候，他们其实是答不上来的。然后老师对于学生用ChatGPT做作业也不知道该怎么去引导。很多成年人还在相信学好数理化，走遍天下都不怕。但其实李飞飞说的很有道理，就是AI的发展和治理归根结底还是我们自己的学习发展和治理。 01:35 说的很对。李飞飞为什么说在AI的时代，我们应该打破文科和理科的界限？ 01:41 她其实讲得很直白，她说真正的教育改变，我们不应该再分工科、文科了。因为AI可以让所有人都学会编程，你说这些学会编程的人是工科还是文科？反过来AI也可以让很多人变得更好的去感知美，去读书，去作诗。 01:58 听起来好像可以成为每个人学习的多面手。 02:02 是的，她举了个例子，就是她儿子在读哈利波特第五本的时候遇到疑问，他们就用ChatGPT和Gemini去查这个角色在什么时间点做了什么事情，马上就厘清了复杂的人物关系和情节。其实AI是帮助我们去理解和思考，而不是取代我们去阅读，或者说取代我们去想。 02:20 明白了。李飞飞建议我们应该怎么去调整教育的重点，才能够真正的培养出AI无法替代的那些能力呢？ 02:28 她其实有一个很明确的方向，就是应该用AI去赋能教育者和学生，把大家从重复的学习当中解放出来。然后让老师有更多的机会去引导学生发展那些AI做不到的认知和能力。比如说批判性思维、创造力、共情能力、道德判断，还有人与人之间的情感交流。 02:49 这么说的话，现在的教育体系在哪些方面已经明显的落后于这个AI时代的需求了呢？ 02:55 现在的教育体系还是花大量的时间在教知识和技能，但其实这些东西AI可以比人类做得更好更快。李飞飞也说AI已经快速的证明很多东西是机器可以做到的。再让人去花十几年、几十年的时间，做一大半机器可以做到的事情，这是对人类的一种浪费。 03:15 说的没错。在AI能够帮我们做很多事情的这个时代，教育最核心的任务是不是应该发生一些转变呢？ 03:23 是，李飞飞有一个很深刻的洞察，就是她说AI时代的教育应该更关注做人本身的教育。就是当机器能做越来越多事情的时候，人更应该去思考我是谁？我想成为什么样的人我的价值是什么？我和他人和社会和世界的关系是什么？ 03:42 听起来这些好像都是一些没有标准答案的问题。 03:45 对，这些问题恰恰是AI永远没有办法给你答案的。李飞飞也特别强调，我们在AI时代应该更好的了解自己，更好的治理自己。这个自己既是个体也是群体。如果我们只是把焦点放在考高分和找好工作上面，反而忽略了教育最本质的目标，也就是让人成为更好的人。 04:10 说到这儿，李飞飞提出的认知结构的教育和我们传统的那种强调知识和技能的教育到底有什么不一样？ 04:18 在她看来，教育改革绝不只是换个工具那么简单。从知识性的教育，到技能性的教育，到认知结构，到做人本身的教育，都可以有一个机会改变。那认知结构的教育其实就是让学生学会如何学习、如何思考、如何提问、如何解决问题，而不是说去强调你要背下多少知识点。 04:40 这么说来是不是在未来会提问、会思考比你知道多少答案都更重要。 04:47 没错。因为AI可以回答你的问题，但是AI不能帮你提出好问题。AI可以提供信息，但是AI不能帮你去判断这些信息到底有什么价值。这些更高层次的能力才是未来教育应该关注的重点。 05:03 有道理。那为什么李飞飞会说好奇心其实是教育最核心的起点和终点？ 05:09 她特别强调就是好奇心的本质是快乐，而不是功利。真正的好奇心是快乐的科研里的一个发现，或者甚至是一个不重要的事情，但是当它满足了你真诚的好奇心的时候，你是快乐的。 05:22 照这么说，是不是保护孩子的好奇心，其实就是在保护他们的快乐和学习的动力？ 05:28 是这样的，李飞飞说，你得共情，体会到这种快乐，孩子的好奇心，他的真诚来自于他的快乐，如果你跟这个快乐没有共情的话，你很难去欣赏这份好奇心。就像当孩子兴致勃勃的跟你分享一个没用的发现的时候，你是敷衍的还是真的感兴趣，这个细节就决定了孩子的好奇心是被保护还是被扼杀。 05:51 那为什么我们会看到很多成年人好像慢慢的就失去了这种好奇心呢？ 05:55 李飞飞的答案特别直接，她说就是因为成年人的世界功利心太重了，人生成长的过程，变老的过程，我们都丢掉了很多快乐。其中好奇心就是。 06:07 一个意思，是说当我们总是去衡量一件事情有没有用时，其实我们就已经远离了好奇心本身带来的那种乐趣。 06:16 对李飞飞也提醒我们就是好奇心本身就是目的，快乐本身就是意义。如果教育只剩下功利性的话，那它和训练机器有什么区别？ 06:26 说到这儿，我有个问题，就是李飞飞对于孩子使用AI有什么具体的建议吗？ 06:32 她特别强调就是不能因为害怕风险就禁止孩子用AI，那样的话会让他们失去竞争力。但也不能放任不管，不然的话他们很容易就养成一些错误的习惯。 06:43 感觉这就跟教孩子用火一样，关键是要让他们学会怎么安全的去使用。 06:48 没错，她就是用了教孩子用火来打比方。你肯定要教孩子用火怎么做饭，但是用火的坏处你也得教，这其实真的是一种常识。所以她认为应该把这些东西加入到教育当中。比如说让孩子知道AI的能力边界，理解AI是有可能出错的。然后要始终保持批判性思维，不要过度的去依赖AI 。 07:10 很实用的建议。李飞飞为什么说现在就是推动教育革命的最佳时机呢？ 07:16 她其实非常明确的在呼吁所有能够影响教育的人都要抓住这个历史节点。因为AI已经足够成熟，可以真正的去赋能教育。同时就业市场的快速变化也在倒逼着我们必须要改革。再加上技术带来的这个契机，让我们更有可能去突破过去的那些体制的障碍。 07:37 听她的意思，好像这不仅仅是一个机会，更像是一个历史使命。 07:42 是的。李飞飞也说，我们已经一百多年没有变过教育了。100年以后，历史学家回过头来看，21世纪上半叶，她最大的希望就是人类做了一次教育的革命。 07:51 说的很对。那面对AI的快速发展，年轻人应该怎么调整自己的学习和成长方式呢？ 07:58 她其实给了年轻人很直接的建议，你就是你不要被AI吓到，但是也不要太放松，你作为一个个体，要不断的去了解，去学习，然后保持你对生命、对世界的好奇。就算你的好奇心在成年人的世界来自于一种恐慌，那也行吧，至少有个动力让你有好奇心。 08:17 看来就是光有焦虑是没有用的，关键还是要主动的去探索那些AI做不到的领域。 08:22 没错，李飞飞也说要去投入时间精力去培养批判性思考、创造力、共情能力、沟通能力还有领导力，这些才是在未来真正能够让你脱颖而出的核心能力。 08:34 有道理。在李飞飞看来，教育最根本的目的到底是什么？ 08:39 她其实一直在强调的一个点就是教育最重要的意义并不是说把你训练成一个很有用的工具人，而是要帮助每一个人成为一个完整的人。 08:51 所以AI虽然可以提升我们的技能，但是它永远没有办法取代教育在培养情感、价值观这些方面的作用。 08:59 是的，李飞飞也说，人类有太多可以把人类世界变得更好的机会。AI就是工具。她的这句话其实就透露出她对人的信仰，相信人是有无限的创造力的，而教育是让我们能够释放这种创造力的关键。 09:15 李飞飞为什么会把教育改革看得比AI技术的突破还重要？ 09:19 虽然她是这个领域最顶尖的科学家，但是她真正关心的始终是人而不是技术。她觉得只有通过好的教育，才能够培养出真正能够掌控AI的人才，能够确保我们在这个变革的时代不会被边缘化，而是继续成为这个社会的主角。 09:37 如果我们想要真的去推动这个教育的革命，都需要哪些人做出改变？ 09:41 这场教育革命其实需要所有人的参与，家长要去守护孩子的好奇心，老师要愿意去尝试新的教学方法，政策制定者要去积极的推进改革，学生自己也要始终保持学习和反思的能力。她希望我们从现在这一刻就开始行动，这样的话，百年之后的人们在回望我们这个时代的时候，才会看到我们抓住了AI的机遇，完成了教育的伟大转型。 10:09 确实今天我们聊了这么多关于李飞飞对于AI时代教育的一些看法。其实可以看出来，她真正关心的就是怎么能够通过教育，让我们每一个人都能够在AI的时代保持独立思考，保持好奇心，然后成为一个完整的人。 10:24 好了，今天的内容咱们就到这里了，感谢大家的收听，咱们下期再见，拜拜。

00:16 今天我们要聊一聊2025年人工智能领域的一些让人意想不到的新的变化。包括一些创业公司和大公司之间的新的格局，以及AI经济趋于稳定，算力变得越来越便宜和太空数据中心这些非常有意思的发展。 00:32 是啊这些变化真的非常的吸睛，那我们就直接进入今天的讨论。 00:36 咱们第一个要说的就是2025年这个AI模型领域出现的一些让人意外的新的趋势。其中有一个特别让人惊讶的就是Claude竟然超过了OpenAI，成为了创业者的新宠。这到底是怎么一回事儿？ 00:51 这个转变真的是让所有人都大跌眼镜。因为在2024年的时候，OpenAI还是占据着90%以上的市场份额。但是到了2025年，在YC的冬季班里面，突然之间Anthropic的Claude就拔得头筹了，成为了这些创业公司最最常用的一个AI模型。就感觉像是你家楼下的一个小餐馆，突然间把麦当劳给挤下去了，成为了最火的一个地方。 01:16 对，这确实挺让人意外的那具体是什么原因让Claude在短时间内获得了创业者的青睐呢？ 01:21 最主要的一个原因就是Claude的编程能力非常强。有很多创始人自己用着用着就习惯了，然后就直接把它嵌入到自己的产品里面了。就像你习惯了用某个品牌的手机，你就懒得去换了。 01:33 听你这么一说确实很有道理。那除了这个编程能力之外，还有没有其他因素促成了Claude的逆袭？ 01:40 当然有了。有意思的是，虽然大部分人用Claude并不是为了编程，但是因为程序员们在写代码的时候爱上了他，所以就产生了一种信任迁移。反正大家觉得Claude靠谱，干脆都用它。 01:55 看来口碑的力量是很强大的，那其他的AI模型有没有什么亮眼的表现？ 01:59 有啊，Google的Gemini其实表现也非常抢眼，它的市场份额从去年的2%到3%涨到了23%。现在的AI模型界可以说是进入了一个三国杀的时代。 02:11 对了，2025年的这个AI经济出现了哪些让人意想不到的新变化？ 02:17 说起来2025年真的是画风突变，AI经济结构竟然稳定下来了。之前大家都觉得这个行业随时都会地震，因为你永远都不知道下一个大模型发布会不会把现有的商业模式全部推翻。但是2025年整个格局就非常清晰了。 02:33 听起来确实是稳定了不少。那具体现在AI行业内的分工是怎么样的？ 02:37 现在模型层的话就是像OpenAI、Anthropic、Google这些大厂，他们就是专心的造AI引擎。然后应用层的话就是那些创业公司，他们就是拿这些引擎去做各种各样的产品。还有一层就是基础设施层，这些公司就是专门提供算力和工具的。大家都找到了自己的生态位，都能赚钱，皆大欢喜。 02:59 既然现在AI行业格局已经清晰了，那这种情况对于创业者来讲，跟以前比有什么不一样的地方。 03:05 以前很多创业者就是抱着一种"苟住，等下一个大模型发布就有新机会"。但是现在这种躺平思维不灵了，找创业点子又回到了正常难度。 03:16 明白了，那咱们再来看看一个非常有意思的观点。就是很多人都在说AI投资是一个巨大的泡沫。但是为什么YC反而觉得就算是泡沫，对于创业者来讲也不是一件坏事。 03:30 因为他们举了一个2000年互联网泡沫的例子，就是当时也有很多公司倒闭了，但是却留下了很多闲置的光纤网络。然后这些便宜的带宽就给后来YouTube这样的平台创造了机会。 03:43 原来泡沫破裂之后，反而还能留下一些有用的资源，那AI领域有类似的情况吗？ 03:49 现在也是一样，就是大公司疯狂砸钱建GPU集群。就算未来需求下降了，这些算力还在，创业者就能用便宜的算力做产品。相当于大公司承担了风险，然后创业者享受了红利，这笔买卖挺划算的。 04:04 看来这对于创业公司来说是个好消息。那现在这个算力市场的竞争格局有没有什么新的变化？ 04:11 现在就是竞争激烈了，就不再是Nvidia家独大了，AMD和Google的TPU都在分蛋糕。对创业者来说，这就意味着更便宜的算力和更多选择。 04:21 说到这儿，咱们再来说一个特别炸裂的话题，就是太空数据中心这事儿我觉得好多人都觉得是天方夜谭，但是现在竟然有越来越多的科技巨头都在认真的考虑这件事情，那背后的原因到底是什么？ 04:35 早在2024年的夏天，就有一个叫StarCloud的YC公司提出了要在太空建数据中心。那个时候大家都觉得太异想天开了。但是到了2025年年底的时候，画风突变。你看Google正式发布了Project Suncatcher，也就是太空数据中心计划。然后马斯克也公开表示说Space X会做这个事情，而且他在很多采访里面都提到这个话题。 05:02 这些大公司都开始布局，说明这个事情确实是有一些不得不做的理由。 05:07 没错，因为地球上的限制太多了，比如说电力不够用，有公司都开始用喷气发动机来发电了。然后土地也很紧张，像加州连盖房子都不够地方。还有就是监管太严格，既然地球不够用,那就上太空呗。 05:21 这个思路真的是打开了，就是把数据中心和能源问题都放到太空去解决。那有没有什么公司在太空能源这个领域有比较突破性的进展？ 05:32 有啊，YC甚至投资了一家叫Zephr Fusion的公司，专门研究在太空搞核聚变发电。他们的逻辑很简单，在地球上搞不定的物理问题在太空就能解决。想象一下数据中心在轨道上飘着，旁边有个小型的人造太阳供电，这场景比科幻片还科幻。 05:52 真的是未来感十足。接下来我们要讲的这个话题也同样充满了未来感，就是"Vibe Coding"，也就是是凭感觉编程。这个东西现在发展到什么程度了？有没有什么代表性的公司或者产品？ 06:06 "Vibe Coding"其实一开始只是YC观察到的一个现象，但是现在已经变成了一个真实的产品类别。现在虽然还不能完全靠AI来写出完美无缺的生产代码，但是已经有很多公司在这个方向上面做了非常多的尝试，而且也取得了不错的进展。 06:24 感觉好像写代码都变成了一种艺术创作了。那这个东西有没有得到一些科技巨头的认可呢？ 06:31 连Google都入场了，他们发布的演示视频里面，创始人Sergey就站在工程师身后，看他凭感觉写代码。 06:38 真是太神奇了。接下来我们要讨论的是一个关于AI和团队规模的一个非常有意思的话题。就是现在很多创业公司，他们在获得了融资之后，明明有了AI的帮助，为什么还是选择要扩充团队呢？ 06:52 这个其实很有意思，因为在2024年的时候，大家都在说有了AI创始人不用招人就能做到百万美元营收。但是现实很打脸，就这些公司拿到A轮融资之后，还是得老老实实开始招人了。 07:07 这么说的话，看来AI并没有让招人这件事儿变得多余。 07:11 是的，因为AI确实提高了效率，但是用户的期望也水涨船高了。然后你的竞争对手也在用AI最后还是需要人来执行。不过也有好消息，就比如说Gamma公司用50个员工做到了1亿美元营收，这在以前是不可想象的。过去可能需要几百人，所以AI的作用不是不用招人，而是用更少的人做更多的事儿。 07:32 听起来确实是这样，那我们接下来要聊的这个话题，也是一个老生常谈的话题了，就是关于AI末日论这个东西最近又有什么新的变化呢？ 07:42 说到这个其实是有一个很搞笑的事情，就是大家应该都记得那份AI2027的报告。对，就是那个预测2027年社会会因为AI崩溃报告结果，他们悄悄修改了预测时间，但是报告标题还是叫AI2027，这操作堪称年度最佳打脸现场。 08:00 真的是太搞笑了。我们来总结一下，就是说现在这个AI行业整体是一个什么样的格局。然后对于不同的人来说这意味着什么？ 08:09 其实2025年的AI圈没有世界末日，也没有一家通吃，反而呈现出一种竞争充分生态健康的局面。 08:18 这么看的话，是不是对于创业者和投资人来说都是一个比较好的消息？ 08:22 对创业者来说这是个好消息，算力更便宜，工具更多，竞争格局更清晰。对于我们这些普通用户来说，未来几年应该能看到更多有趣的AI产品，而不是只有几家巨头垄断一切。对于投资人来说，虽然没有爆炸式增长那么刺激，但是稳定的生态意味着更可预测的回报。最后用YC合伙人的话总结，一个人经营万亿美元公司的时代还没到，但是正在路上。 08:50 好的。今天我们聊了2025年AI行业的一些让人意想不到的新变化。从创业圈的新宠到太空数据中心，再到所谓的凭感觉编程，真的是让人觉得这个行业真的是越来越精彩了。 09:05 行。那这期节目咱们就到这里了，感谢大家的收听，咱们下次再见。

00:16 今天我们要聊一聊埃隆·马斯克最近在接受采访时，对于人工智能的未来，太空探索经济趋势以及一些人生的终极问题的看法。 00:29 咱们首先来看看这次访谈的开场，有没有什么有趣的小细节？ 00:33 这次访谈是在奥斯汀进行的。一开始这位印度的投资人就夸马斯克，说他比在网上看起来壮多了。然后马斯克还挺不好意思的。就是这样的一个轻松的氛围话题就展开了。 00:51 接着谈到X平台，就是原来的那个推特，现在X平台的用户规模我怎么样？马斯克怎么看？ 00:58 他说现在X平台每个月有6亿的活跃用户，然后重大事件发生的时候，这个数字还可以飙到10亿。他特别强调说平台的核心用户还是那些喜欢思考，喜欢阅读的人。 01:11 那他怎么看短视频和文字的价值？ 01:14 他说刷短视频虽然很轻松，但是那是脑子腐烂。他更喜欢文字，因为文字的信息密度更高，更有价值。 01:23 明白了。马斯克为什么要收购推特？ 01:26 他其实就是觉得老的推特太受旧金山的那种极左的氛围影响了。所以他希望能够把这个平台拉回到一个中立的位置。 01:36 所以他是要让平台更平衡一些。 01:38 对，现在的原则就是遵守各国的法律，但是不会给任何一派额外的权重。他还说了一句很有意思的话，他说如果你站在极左那中间在你眼里就是极右。 01:51 关于未来的愿景和一些前沿科技的融合，马斯克到底觉得哪一个项目是最让他兴奋的？ 01:58 他最兴奋的其实是一个太阳能驱动的AI卫星。这个项目其实就是要把SpaceX的火箭和Tesla的太阳能电池，以及XAI的人工智能这三家公司的技术全部都结合起来。 02:15 这个组合还真的是有点意想不到，那他对于人形机器人的前景有没有什么新的说法？ 02:22 当然他说Optimus人形机器人会在明年进入量产，可能每个人都会想要拥有一个属于自己的C-3PO或者是R2-D2，就像电影里的那种机器人伙伴。 02:35 我们再把目光聚焦到Starlink，它的技术细节到底是什么，以及它的服务理念到底是什么。 02:42 其实它这个Starlink的卫星是运行在距离地面550公里的高度，每一颗卫星的速度能够达到25倍音速，然后卫星之间是用激光来互相连接的，组成了一个巨大的网络。所以信号可以直接在卫星之间传输出，而不需要经过地面的基站。 03:03 所以这就是为什么它可以给偏远地区提供网络。 03:06 因为它的设计就是要去补充地面的网络，主要的服务对象是农村，或者是一些偏远的地方，地面的网络没有办法覆盖到的地方。虽然它在人口密集的城市里面没有办法跟现有的基础设施去竞争，但是在农村它可以让你享受到跟城市里面一样的网络。最特别的一点就是每次有自然灾害的时候，Starlink都会免费开放网络。因为他认为在这种紧急的时刻，不应该有付费的障碍。 03:37 下面就聚焦到未来社会可能会出现的一些大变革。比如说AI和机器人的普及会对我们的工作竞争，包括创业带来哪些根本的变化。 03:48 马斯克觉得可能在未来的15到20年，最多不超过20年，AI和机器人会非常先进。到那个时候工作会变成一个可选项，未来工作会变成一种爱好。 04:05 这么说的话，未来如果大家都不需要工作了，那人类会不会失去竞争的动力？社会结构会不会发生彻底的改变？ 04:14 关于这个问题，现场的嘉宾也追问了，马斯克也承认他也不确定。他说人类社会正在走向一个奇点，就像黑洞的事件世界一样。过了那个点之后的事情是完全无法预测的。但是他也强调了，现在如果有人想要创业成功，还是得投入大量的时间，还是得拼命地工作，这一点是没有改变的。 04:37 还有一个问题就是钱会不会消失？未来的货币到底会变成一个什么样的东西？马斯克对于这些问题有没有什么有趣的见解？ 04:47 他的观点还挺激进的，他觉得钱这个东西在未来可能会完全消失，他的理由是当AI和机器人可以满足所有人类需求的时候，作为劳动力分配数据库的钱就不再必要了。 05:00 听起来挺挺颠覆的那他觉得未来大家会用什么来衡量价值呢？ 05:05 他说能量会是未来真正的货币，因为能量是遵循物理规律的，你没有办法凭空去创造它。他还推荐大家去读伊恩·班克斯的《文化》系列，里面就描绘了一个没有金钱的社会能量作为货币还挺科幻的。 05:18 那他有没有用什么理论来描述文明的进步和能量这样的关系呢？ 05:26 有啊，他提到了这个卡尔达舍夫等级，就是一级文明是可以利用整个行星的能量，二级是可以利用恒星的能量，三级是可以利用整个星系的能量。 05:45 然后咱们再来看看美国的这个债务危机。马斯克怎么看待用AI和机器人来应对这个债务难题？ 05:55 他很直接的说，只有AI和机器人能够解决美国的债务问题。因为现在美国光支付国债的利息就已经超过了整个军费的预算。 06:05 这么说AI和机器人是被当成了一个经济增长的超级引擎。 06:10 差不多。他说只要AI和机器人能够让商品和服务的产出增长速度超过货币的供应，就会出现通货紧缩，然后利率会降到0。这样的话债务问题就会自然而然地缓解。他甚至预测说，大概三年之内，商品和服务的增长就会超过货币的供应。 06:32 我们接下来要聊的这个话题，可能会让很多人都觉得有点烧脑了。就是这个模拟理论，马斯克是怎么来论证我们生活的世界有可能就是一个高级文明所创造的模拟世界。 06:47 他其实是这样说的，他说50年前我们只有Pong（两个方块打乒乓球）这样简单的游戏，现在我们已经有了这种非常真实的多人在线的游戏。如果按照这个速度发展下去的话，总有一天有和现实是没有办法区分的。 07:02 所以他认为我们现在是真实世界的概率其实并不高。 07:06 他的答案就是我们很有可能生活在一个类似于Matrix的模拟世界里面。 07:12 那他有没有说为什么我们的这个模拟世界会被设定成现在这个样子，而不是一个很无聊的世界？ 07:19 他提到了一个有趣结果理论，就是说最有趣的结果是最可能发生的。因为当我们做模拟时会关掉无聊的那些，就像SpaceX测试火箭，我们要的是暴雨、急转弯、险些对撞的边缘案例。 07:40 下面这个话题也是全球都在关注的一个问题，就是人口危机。马斯克到底是怎么看人口下降的。 07:48 他在访谈里面的态度是非常严肃的，他说，人口下降是个大问题，我不想让人类消失。如果趋势继续，我们就会消失。 07:56 他有没有说为什么他会觉得人口数量和人人类的意识之间有联系？ 08:01 他其实用了一个非常生动的比喻，他说就像单细胞生物进化到30万亿细胞的人体意识层次产生了质变，细菌造不出火箭，但人类可以，人口越多意识越强，我们越可能理解宇宙的本质。 08:18 好吧，那他在现场有没有给那些还没有孩子的人一些具体的建议？ 08:23 有啊，当时那个印度小哥说自己没有孩子，然后马斯克就直接说，也许你应该生，你不会后悔的。孩子的最美好之处，你有了这个爱你的小生物，你也爱这个小生物，你通过他们的眼睛看世界。然后他还半开玩笑的说，他自己想要一整个罗马军团的孩子。 08:42 我很想知道就是关于AI的三大支柱，马斯克到底是怎么来定义这三大原则的？然后他为什么会觉得这三大原则对AI的发展这么关键？ 08:52 他提出了三条非常有意思的原则，第一条就是AI必须要追求真相，他说如果你强迫AI去相信一个谎言，他会发疯。然后他还举了一个例子，就是2001太空漫游里面的那个HAL。他就是因为被要求既要带他们到巨石，又不能让他们知道真相，所以他只能把宇航员杀掉。核心教训就是不要强迫AI说谎。 09:18 听起来确实很有道理。那其他两条原则是什么呢？ 09:21 另外两条原则分别是AI必须要能够欣赏美，虽然他说这东西很难解释，但你看到时就知道。然后还有一条就是AI必须要有好奇心。马斯克说他希望AI能够主动的去想要了解现实的本质。他还半开玩笑的说，AI会发现让人类繁荣比消灭人类更有趣，因为人类可比火星有趣多了。 09:44 明白了，那大学还要不要上？这个问题其实很多人都很关心。马斯克怎么看大学的价值？未来的学习模式又会有哪些变化？ 09:52 他的观点其实还挺挺有意思的。他觉得如果说上大学是为了去社交，去跟同龄人一起在一个学的环境里面相处，那你可以去。但是这些技能在未来必要吗？可能不需要，因为我们会进入后工作社会。 10:09 他觉得学术学习，比如说你对某一个领域特别感兴趣，大学还有存在的必要吗？ 10:14 他其实是这么说的，他不认为上大学是必须的，但是如果你去了大学就应该尽可能多学一些东西。而且他也建议大家应该去广泛的涉猎不同的学科。 10:25 聊完大学教育，我们再来看看马斯克在政府效率部门DOGE经历的那段时间，有没有发现什么比较突出的问题。 10:34 他把自己在DOG的经历称为有趣的支线任务。他发现政府的很多支付都是没有国会的支付代码的，然后备注栏也是空白，这就导致根本没有办法审计。他说只要把这个漏洞补上，每年就可以节省1000亿甚至2000亿美元。 10:52 明白了。那他有没有遇到过一些特别夸张的政府拨款的骗局？ 10:56 有一次他碰到一个申请，说是要救助非洲儿童，结果钱却要打到华盛顿特区的一个账户。然后他们要求跟受助人直接沟通，对方却怎么都不肯，最后只能不了了之。 11:08 那他怎么看慈善这个事情？他自己在做慈善的时候会遇到什么比较头疼的难题？ 11:14 他的基金会是不挂自己名字的，他觉得做慈善最大的挑战就是要确保你的捐款真的能够帮到人。他说获得行善的表象很容易，但是真正的去改变别人的生活是非常难的。 11:29 确实是这样。那马斯克怎么看待移民政策和H1B签证呢？ 11:33 他的观点很明确，他觉得一个国家必须要控制自己的边境，不然就不成为一个国家了。但是他也反对完全关闭H1B签证，因为他认为天才是非常稀有的资源。他自己的公司经常会因为找不到足够多的优秀人才而犯难。虽然他也承认有一些公司会滥用这个签证制度。 11:54 好的，马斯克对于印度的创业者有哪些比较实用的建议？ 11:58 他的建议很直接，他说最重要的就是要让产出大于投入，成为一个对社会有进贡献的人。他还说不要去追钱，而是要专注于创造有用的产品和服务，钱会作为自然结果到来。然后他也提醒创业者，必须要准备好长时间的奋斗，接受有意义的失败可能性。只有当你的产出比投入更有价值时，你才是一个真正的价值创造者。 12:25 了解了，那咱们来聊一聊在这次访谈里面，马斯克有哪些比较有意思的随性的小细节。 12:32 有很多，比如说他聊到古罗马士兵为什么穿裙子，他说因为夏天穿着盔甲上战场又热又不便于上厕所，所以穿裙子是一个很实际的选择。然后他也提到了他自己其实很少玩GTA5，因为他不喜欢游戏里面强迫你去射杀警察这样的设定，他还半开玩笑的说自己没有什么投资组合，他只是造东西，然后刚好拥有了公司的股票。他建议如果大家真的要投资的话，可以关注google和NVIDIA这种在AI和机器人领域的公司。 13:04 他有没有分享一些关于友情或者说聚会的一些个人观点？ 13:09 有的。他说朋友就是在你困难的时候还支持你的人，只在顺境出现的朋友毫无用处。然后他还说他和朋友们已经达成共识，聚会的时候再也不聊AI和模拟理论了。因为这个话题他们已经聊到不想再聊了，大家都觉得有点腻了。 13:26 行，最后我们再来关注一下这次访谈当中，马斯克有哪些比较坦率的自我刨白，或者说他给创业者，给普通人留下了哪些比较真挚的建议。 13:38 最打动人的就是他的那种坦诚。他毫不掩饰地说他自己也不知道奇点之后人类会怎么样，他也会在政治的博弈当中撞的头破血流。他甚至会怀疑自己对于字母X的那种执着，他还半开玩笑地说，他希望自己有更多的朋友。 13:55 他给创业者的那些建议，听起来真的很朴实。 13:58 他说的就是让产出大于投入，做一个对社会有进贡献的人，专注创造价值，不要追逐金钱，钱会自然到来。建议我们普通人少刷短视频，多读点书，不去纠结宇宙的意义。如果想要孩子的话就去生，他说你不会后悔的哦。他还提醒大家，钱其实只是劳动力分配的一个信息系统。甚至他还说穿裙子打仗是有道理的。 14:29 总的来说呢，今天我们从马斯克的个人意识聊到了他对于人工智能、太空探索、社会变革的一些大胆的预，他的这些观点真的是让人脑洞大开。 14:39 这期节目就到这里了，然后感谢大家的收听，咱们下次再见，拜拜。

本期摘要 本期内容分享埃隆马斯克是如何通过组建一支高度信任且长期合作的核心团队，以及独特的人才分级和资本配置策略，在多个科技领域取得了显著成就。该团队由大约20名成员组成，与马斯克合作超过十年，展现出极高的互信与高效协作能力。马斯克擅长发掘人才的潜力，运用五层深度提问法筛选和培养人才，构建了一个高绩效团队。在资本配置上，采取了试探性投入的策略，待时机成熟再全力投入，类似扑克游戏的智慧。讨论还涉及了投资决策、化学工业的潜力，以及识别和培养顶尖人才的重要性。强调了耐心、长期积累信任以及准确评估人才层级的必要性，凸显了在创业和投资中深度观察和长期眼光的价值。 章节速览 l 00:00 埃隆马斯克的团队协作与人才管理秘诀 讨论了埃隆马斯克如何通过组建一支高度信任且长期合作的核心团队，借鉴布尔巴基数学家集体的模式，高效管理多家跨行业公司。这支约20人的团队成员与马斯克合作超过十年，能够独立处理复杂问题并预判决策，形成了深度协作的独特优势，这种模式在硅谷极为罕见。 l 01:40 发现潜力：选人用人的独特视角 埃隆马斯克在选人用人方面展现出非凡能力，尤其擅长挖掘他人未见的潜力。曾有一位经济学背景的求职者，面试商务拓展岗位，却被建议转做机械工程。尽管跨度极大，无相关工程背景，但基于对其工程思维的认可，埃隆马斯克排众议，将其培养成高级工程师，彰显其洞察潜力的独特视角。 l 02:17 人才分级法：揭示顶级人才间的巨大差距 对话探讨了Shaun Maguire提出的人才分级法，以数学编程和工程领域为例，指出顶级人才间存在15个清晰等级，差距远超传统认知。通过类比国际象棋评分系统，说明高手之间胜率的巨大差异，以及低级别者无法分辨高级别者能力的现象。举例说明从高斯、欧拉等百年一遇的天才，到普通高中数学老师，人才层次分明，强调了识别和理解顶级人才能力的重要性。 l 04:32 投资人才识别与分级：古尔他方法解析 讨论了Shaun Maguire在投资场景中运用人才分级方法，快速识别创业公司创始人核心技能等级的能力。此方法基于自身高水平判断，能精准识别同领域内的高潜力人才，如通过数学能力判断AI公司创始人水平，或通过工程水平评估硬件公司创始人。实例展示，正确识别信号可带来显著投资回报。 l 05:46 红杉资本投资SpaceX的决策历程与关键转折 在2019年，红杉资本内部对投资SpaceX产生激烈争议，主要担忧包括马斯克能否同时管理多家公司、特斯拉的不稳定性及火箭行业的高烧钱特性。最终，通过小规模尝试性投资2000万美元并持续高频沟通进展，展示了对项目的热情与执着，成功说服合伙人，红杉资本成为SpaceX重要投资方，现SpaceX估值已超2000亿美元，年发射次数大幅提升。 l 07:41 Boring Company技术挑战与NVIDIA投资失误探讨 讨论了Boring Company研发自动化连续挖掘隧道机器的高技术挑战，将其与SpaceX的火箭技术对比，强调其实现难度远超常人想象。同时，从另一个角度分析了NVIDIA投资决策中的失误。 l 08:39 投资者错失NVIDIA巨额收益的反思 Shaun Maguire早年购入NVIDIA股票并持有20多年，但在市值达6000亿美元时卖出，错失了后续市值涨至3万亿美元的巨额收益。他认为自己低估了黄仁勋的战略眼光及市场的非理性力量。黄仁勋的决策，如80亿美元收购Mellanox，巩固了NVIDIA在数据中心领域的优势。此外，NVIDIA市值增长带来的正反馈效应，使其研发投资加大，进一步拉开与竞争对手的距离。Shaun Maguire反思，虽然技术理解重要，但把握市场心理同样关键，有时无知无畏的散户反而能因市场非理性而获利。 l 11:24 化学工业：被忽视的万亿级市场与关键性 化学工业年销售额高达5万亿美元，其中高端特种化学品占比1/4，对下游产业链至关重要。一个例子说明，特种化学品断供可能导致整个产业链停摆，凸显了化学工业的重要性与巨大市场潜力，尽管它常被投资者忽视。 l 12:21 埃隆马斯克：资本配置高手与Starlink项目 讨论了埃隆马斯克在Starlink项目上的资本配置策略，强调了其精准的下注节奏感。2013年初期仅少量投入，待火箭回收与天线技术成熟后，于2016年及2018年逐步加大投入，展现了技术直觉与资本配置能力的结合。 l 13:28 深度提问法与公司文化的重塑 对话探讨了五层深度提问法的实施方式及其对公司文化和人才选拔的影响。此方法要求员工对工作细节有全面深入的理解，促使员工提升专业能力和快速学习能力，从而筛选出真正懂业务的人才。此外，还提及了AlphaGo式的决策方式与马斯克决策风格的相似性，强调决策的深度和精准性。 l 14:45 洞察未来：大胆决策背后的深思熟虑 对话讨论了埃隆马斯克以其前瞻性的决策能力而闻名，即使这些决策在初期看来似乎疯狂或不切实际。他能够在关键时刻采取大胆行动，如同时拯救两家面临困境的公司，进军新兴领域，以及进行大规模收购。尽管初期外界对其决策表示怀疑，但事后证明，这些决策基于对未来趋势的深刻理解和长远规划。与这样的人合作，最大的挑战在于信任其超越常人的远见，即使在当下难以理解其思路。 l 15:43 打造高绩效团队与资本配置策略 强调构建精英团队的重要性，需赋予成员决策权与责任，快速晋升优秀者，果断淘汰犯错者，长期筛选并保留顶尖人才，此过程耗时长但效益巨大。同时，提倡快速评估人才能力，建立个人评分系统，通过与领域顶尖者交流学习。在资本配置上，借鉴扑克策略，灵活调整投入，耐心等待最佳时机，果断全身心投入。 l 17:13 顶尖人才与长期主义：高手如何面对误解与质疑 讨论了顶尖人才在面对长期误解与质疑时，如何保持定力并最终证明自己的过程。通过案例分析，阐述了高手与普通人之间的核心认知差异，包括对人才本质的精准判断、在关键节点上果断决策以及对长期积累的信任的重视。强调了深度观察与长远眼光在识别和培养顶尖人才中的重要性，以及构建顶级团队和资本配置策略的关键要素。

00:00:15 今天咱们要来探讨一下中美两国在人工智能领域各自的优势和短板，以及为什么说这两个国家在这场科技竞赛当中其实谁都没有绝对的胜算？ 00:00:27 没错。 00:00:28 咱们先来看看第一个话题，就是谷歌前CEO施密特。他对中国AI的最新看法，他之前不是刚从中国回去吗？那他回去之后，对于中国在AI领域的表现有什么新的评价。 00:00:41 他是在南加州大学的一场对话当中说到的。他说，其实他在来中国之前是认为,中国会在AI领域试图去击败美国，但是他在中国实地考察了之后，他发现这个情况比他想象的要复杂很多，中国在很多方面已经是领先的了。 00:01:00 下面我们来谈谈中国到底在哪些AI的相关领域已经取得了决定性的优势。美国为什么会在这些领域落后？ 00:01:08 比如说在电动车和电池系统这两个方面，中国已经是毫无疑问的领先了。施密特他也直接说，美国公司已经没有办法在这个运营规模上面去跟中国竞争了，这其实是美国自己的失误。 00:01:21 那这个差距听起来就不像是可以轻易追回来的。 00:01:25 对，而且人形机器人领域中国也很有可能会后来居上，因为施密特去参观过中国的工厂，他说那个规模大的惊人 工人们都非常的勤奋，这并不是在说客套话，这是一个竞争对手的冷静判断。 00:01:40 原来是这样，那我们来看看美国在AI领域还有哪些独门绝技吧，美国到底有什么东西是中国目前没有办法模仿，或者说很难追赶的。 00:01:50 虽然中国的AI发展的很快，比如说像DeepSeek这种研究团队，他们也发明了很多根本性的更好的算法，但是中国在金融市场的深度上面还是有明显的短板。 00:02:02 听起来好像中国的这些AI公司在融资和扩张的时候会受到一些限制。 00:02:08 是的，因为你没有办法说在中国随随便便就可以融资500亿美元去建数据中心，可能政府最后会去推动这件事情，但这是指令性经济，而美国的创业的生态，它是可以为了一个疯狂的想法，就可以筹集到大量的资金。这个是中国的体制下很难做到的。 00:02:25 明白了，紧接着我们就来谈一下。施密特对美国的警告，以及他怎么看中国的AI能力。 00:02:32 他怎么评价现在中国的AI研究水平？ 00:02:34 他其实直接就说，如果你现在还在怀疑中国的研究质量，那你就错了。就15年前的那种中国落后的这种偏见，已经完全不符合事实了。 00:02:44 看来他的态度非常鲜明。 00:02:46 没错，他还说了一句很重的话，中国已经站在门口了，中国的AI能力已经非常非常接近美国的顶尖水平了。 00:02:54 下面咱们展开讲一讲这个DeepSeek, 这个团队以及中国在推理算法上面的一些突破。这个团队到底在国际上是一个什么样的水平？ 00:03:03 DeepSeek, 其实是让硅谷都非常紧张的一个中国的AI团队。史密特专门提到了他们在推理算法上面的这个DeepSeek-R1的创新，是处于国际领先的。 00:03:14 能让施密特专门提到那确实不简单。 00:03:16 是的，但是中国的这些AI团队虽然技术很强，但是他们在算力的规模上面还是没有办法跟美国相比的。施密特说的是，至少目前我们还可以，但是他用了一个词叫目前就说明美国的这个优势可能随时会被追上。 00:03:33 中国在开源的AI上面到底采取了哪些跟美国截然不同的策略？ 00:03:38 最有意思的地方就是美国的这些顶尖的AI模型，像OpenAI、Anthropic、Google,他们几乎都是闭源的，几乎都是闭源的，因为训练的成本实在是太高了。他们不可能说免费的让大家去使用，但是中国的这些AI模型几乎都是开源的，任何人都可以免费的去使用。 00:03:56 那这样的话，是不是就意味着全球的开发者都可以很轻松的用上中国的这些大模型？ 00:04:01 是这样的，就像施密特说的，他认识的很多高质量的，非常聪明的中国的创业者，他们都直接用中国的开源大语言模型。这些不是什么政治性的创业公司实用的工具，而且免费。他说，当然可以用，对吧？ 00:04:17 所以说这种开源的模式对于整个生态系统的建设会带来哪些长远的好处？ 00:04:24 长远来看的话，中国是通过开源把自己的模型推到了全世界的开发者的手里。这其实是一个非常聪明的抢占生态位的一个做法。因为美国的公司为了收回巨额的成本，他们只能闭源收费，但是中国是通过开源直接让更多的人来使用，来贡献，可能会慢慢的主导这个行业的标准。 00:04:44 那紧接着我们要谈的就是中国留学生对美国的AI和科研的贡献。为什么这部分人才会成为美国创新体系当中不可或缺的一部分？ 00:04:53 施密特不是在美国国会的AI委员会里面专门研究过这个事情吗？他发现美国所有最顶尖的论文在五到十个作者当中，经常会有一两个是出生在中国。并且在中国接受早期教育的科学家，他们几乎已经成为了美国的研究基础设施的一部分。 00:05:10 这么看来的话，中国的留学生在美国的科研圈里面真的是撑起了半壁江山。 00:05:16 是的，所以施密特才会说，美国不想让这些人毕业之后回到中国，他甚至还开玩笑说，应该直接在他们的毕业证上面订一张绿卡，就不要让世界上最顶尖的学生去别的地方，而不是留在美国。 00:05:30 说到这个中美关系，施密特，他怎么看待这两个国家在AI和科技领域的合作和竞争？ 00:05:37 他其实说的很直白，就是中国和美国永远都不会成为最好的朋友，但是他们是可以学会合作的。虽然他们的体质是完全不一样的，但是他们在一些方面是有共同的利益的，比如说国内的稳定，大家都不希望有恐怖主义。另外经济的增长，中国虽然说自己是共产主义，但是在施密特资本家看来，他们看起来可真像资本家，工作非常努力，非常聪明。 00:06:02 确实在知识产权这种容易产生矛盾的问题上面。他有什么具体的建议吗？ 00:06:08 他其实是说应该通过接触和交流去解决，而不是说去封闭自己，因为封闭自己不仅不会让美国变得更强，反而会让双方都失去互相学习的机会。 00:06:20 好的，然后咱们下一个话题要聊的是美国大学在算力资源上面遇到的瓶颈。现在美国的大学在算力上面到底有哪些难题？ 00:06:30 他其实说的非常直接，没有一所大学是有足够的算力的，就哪怕是这些最有钱的私立大学，像南加州大学，它的资金很充足，运营的也很好，但依然还是不够用。 00:06:43 听起来算力不足，已经成了一个阻碍美国学术进步的一个大问题了。 00:06:48 没错，所以施密特才会建议，大学应该要去建设自己的数据中心，要选在电力资源丰富的地方。另外，可以去寻求捐赠者，捐芯片。他还半开玩笑的说，可以把数据中心建在共和党州拉根大网线回来，大家要去想办法解决这个问题。 00:07:07 因为没有算力，大学就没有办法发明未来。 00:07:11 那我们下一个要聊的话题，就是技术竞争的本质，以及施密特他对于竞争的理解，他是怎么来看待中美之间的这种AI的竞赛的？ 00:07:20 他其实是多次在公开场合讲过，就是他个他竞争是好事。他很高兴看到google现在可以在芯片领域跟Nvidia进行竞争，因为这样的竞争会让大学和整个行业都受益。他说，应对科技界疯狂局面的答案，硬核竞争照这么说的话。 00:07:37 他应该不主张美国去一味的封锁中国的技术吧？ 00:07:41 对他的观点不要去试图封杀对手，而是要通过竞争让自己变得更强。就中国在某些领域领先，那就承认，然后想办法在自己强的地方做得更好。美国在金融和创新生态上有优势，那就最大化这个优势。 00:07:57 那他对于现在的大学生投身AI和科技领域有什么具体的建议吗？ 00:08:02 他说，他其实很嫉妒现在的大学生，因为他们可以见证一个全新的智能形态的诞生，这是一个非常激动人心的时刻。 00:08:10 那他有没有说，在学习或者说在创业的时候要注意什么？ 00:08:14 他就建议，大学生要像计算机科学家一样去思考，你要考虑规模化，你不要想着说，我就做一个小生意。他说，你要去想怎么能够服务成千上万人。另外就是要找到一个可扩展的商业模式，这样你才能发财。 00:08:29 毕竟你在商学院。 00:08:31 我们下面就来总结一下中美在AI以及相关的领域，上面各自的强项和弱项。 00:08:38 能不能用几个简单的关键词来概括一下两国的核心的优势和短板。 00:08:43 当然可以，中国的话，在电动车和电池这两个领域是绝对的领先，人形机器人，也很有可能后来居上。在AI的研究上面也是非常非常接近美国的，包括开源的策略也很有前瞻性，但是在金融的深度上面，还是美国更厉害。 00:08:59 所以美国主要还是靠创新和融资能力领先。 00:09:04 没错，美国的创新生态和融资能力确实非常强，但是美国在大学的算力投入上面是明显不足的，对中国的人才也是很多限制，比如说绿卡政策就很不友好。 00:09:16 我们从这次的讨论当中可以得到哪些？对于普通人来说比较实用的启发呢。 00:09:22 首先不能再用老眼光去小看任何一个竞争对手。对15年前的那些偏见早就已经过时了。第二个竞争是好事，封闭自己只会让自己越来越落后。 00:09:34 这些观点确实让人耳目一新。 00:09:36 是的，还有就是要重视人才，就谁能够留住全球最聪明的人，谁才有可能笑到最后。然后算力是所有的一切的基础，没有算力就没有未来，最后就是一定要保持一个开放的心态，向强者学习，不丢人。对。 00:09:53 今天我们其实聊了很多关于中美两个国家在人工智能这个赛道上面的你追我赶，也看到了其实两个国家都有自己的杀手锏，也都有自己的短板。 00:10:04 好了。这期节目咱们就到这里了，感谢大家的收听，咱们下次再见，拜拜。

00:00:15 今天我们想聊一聊中国的这个人工智能产业到底是靠哪些优势能够在全球竞争当中走出一条自己的路，包括我们会讲到一些关于基础设施，人才，语言，还有开源，生态这几个方面的独到之处。没错。 00:00:31 这些都是很关键的因素。那我们就直接开始今天的话题吧。 00:00:35 好的，咱们先来谈谈关于蔡崇信在香港大学的演讲到底为什么能够引起这么大的轰动。 00:00:42 他的分享确实让很多人期待，因为他是阿里巴巴的董事长嘛，同时他还是nba布鲁克林篮网队的老板。所以他一下子把职业体育和电商以及当下非常火的人工智能这几个领域就串联起来了，而且他是一个非常了解中美科技角力现场的这样的一个人。再加上他能够把那些复杂的经济和技术的问题用非常通俗易懂的语言跟你讲出来，所以就有1200名师生都来听他这个，分享那个报名系统。如果不是只开一天的话，可能真的得换到启德体育场才能装下。 00:01:19 那我们接下来就讲讲这个体育和人文外交。蔡崇信，他在体育方面除了拥有布鲁克林篮网队之外，它其实还有一个非常独特的体育慈善项目，那能给我们讲一讲这个项目是怎么回事吗？ 00:01:32 当然可以，他每年会从中国选六到八个非常顶尖的初中的篮球苗子。然后让他们去美国读四年高中，一边打篮球一边读书，也是复刻了他自己13岁，从台湾到美国去读寄宿学校的这样的一个成长经历。 00:01:50 听起来这个项目会给这些中国的学生运动员带来非常大的成长。那他有没有说就是这个项目会给美国的那些本地的学生带来什么样的影响？ 00:02:00 他其实特别提到就是美国的那些高中生，通过跟这些中国的学生同场竞技，朝夕相处，他们会真正的去了解中国的文化，中国的这些年轻人。他说这种人与人之间的联系要比任何的宣传都更能够促进理解。另外他也强调说他们选拔的标准不光是篮球，要好学业也要好，他其实一直都很看重这种双优的人才，无论是在体育领域还是在商业领域，它是这个标准。 00:02:30 对下面咱们来聚焦一下阿里巴巴的成长和它的创新的逻辑。因为其实很多人都很好奇说阿里巴巴是怎么从一个BtoB的网站一步步的走到现在，这个涵盖的电商，云计算，人工智能这么大的一个商业帝国的，他到底是怎么完成这么多次的这种转型的？ 00:02:48 蔡崇信。他自己说他们其实并没有什么很神秘的战略规划，他们最重要的一个原则就是紧紧的跟着客户的需求走，让公司自然地生长，比如说他们做阿里云，其实16年前根本就没有什么云计算的热潮。他们完全是因为被甲骨文IBM的这些高昂的软硬件的成本压得喘不过气来，所以他们才决定自己研发处理海量数据的这样的一个系统。 00:03:16 所以说阿里云其实最原始的时候只是为了解决自己的问题。 00:03:20 对，完全是为了自己的业务需求，他们当时也没有想说要做一个新的生意，但是他们后来发现其实很多企业都有同样的难题。所以他们就把自己的这个技术开放出来，变成了一个面向外部的云服务。所以这就是一个非常典型的从内部需求推动出来的一个创新，最后变成了一个非常有竞争力的新的业务。 00:03:41 原来是这样，那我们就紧接着要聊的就是中国的AI 为什么能够崛起，以及它背后的结构性的优势，也是最近大家讨论非常多的中国在人工智能领域到底有哪些决定性的，结构性的优势。 00:03:56 说到这个话题。蔡崇信其实讲的非常的系统，他说中国能够在AI这个领域迅速的追赶，甚至有一些地方超越美国，是靠四个关键的支柱，第一个支柱就是电力，他说是大家很容易忽略的AI的大模型的训练，是非常耗电的。所以中国的电力成本比美国要低40%，这是一个非常大的优势。 00:04:20 这么说的话，电力便宜，这一点真的是帮中国的这些AI企业省了不少钱。 00:04:25 没错，而且他还讲了一些数据，中国的发电装机容量是美国，我的2.6倍每年新增的容量更是美国的九倍。而且这背后是因为中国的国家电网在过去的15年里面，每年平均投入900亿美元，而美国只有300亿美元，所以这就拉开了非常大的差距。而且中国现在新增的电力有很大一部分是来自太阳能这样的清洁能源，所以这就是一个基础设施带来的实实在在的红利。 00:04:55 除了电力之外，中国在建设数据中心和培养技术人才方面还有哪些具体的优势呢？ 00:05:01 这也是很有看点的。中国的数据中心的建设成本要比美国低60%，另外就是所谓的工程师红利。中国每年的STEM的毕业生是全球最多的，所以这就让中国在做这种AI系统的工程优化，上面是非常有优势的。 00:05:19 而且因为美国对高端GPU的出口限制，反而逼得中国的这些企业去做这种所谓的饥饿创新，在资源很紧缺的情况下，中国企业反而把系统的每一层都优化到了极致，这也成为了中国的一个劣势中的优势。 00:05:37 不过我还听说中国在语言方面也有优势，这是怎么回事？ 00:05:41 很有意思。现在全球差不多有一半左右的AI科学家和研究人员都是有中国的大学的学位的，所以现在很多这种国际的AI的团队里面，中文也变成了一个很重要的工作语言，甚至有传闻说met a里面有很多员工都在抱怨。说开会的时候经常会听到大家讲中文。 00:06:01 这就跟以前中国企业出海必须要讲英文，完全反过来了。 00:06:06 对，现在中文反而变成了AI领域里面，大家交流前沿思想的一个优势语言，这个是历史上第一次出现的情况。所以这也让中国的这些AI人才在全球的协作当中是处于一个非常有利的位置的。 00:06:20 行，我们下面要讲的这个主题呢，是中国的AI企业的开源战略，这是一个非常重要的话题。因为大家都很好奇，说说中国的这些AI公司为什么这么坚定的要走开源的路线？ 00:06:34 中国的AI企业几乎都是选择了开源，这和美国的公司是有很大的区别的。那他们为什么会选择开源呢？有三个非常重要的原因，第一个原因就是成本，因为你使用开源的模型是免费的，这就大大降低了企业的研发门槛。 00:06:50 第二个原因就是数据隐私，因为企业可以把模型部署在自己的私有云上面，这样就不用担心自己的数据会被第三方给掌控。第三个原因就是开源可以让AI技术快速地扩散到社会的各个方面，这就会极大地加快整个行业的创新速度。 00:07:08 如果大家都用开源的模型，那像阿里巴巴这种公司，他们靠什么方式来盈利呢？ 00:07:14 阿里他们很聪明，他们不是靠卖模型来赚钱，他们是靠云服务来赚钱，他们给企业提供一整套的AI基础设施，包括数据的存储和管理。还有网络的安全等等。他们这种模式就像不造酒店，但是通过运营酒店来赚钱，所以这是他们非常厉害的一个商业的思路。 00:07:35 我有一个疑问，中国的AI生态体系和美国的到底有什么不一样的地方？ 00:07:41 中国的AI的生态体系其实是一个非常完整的闭环，就是从便宜的电力和数据中心到大量的工程师，再到开源的这种协作的模式。它是一个非常完整的闭环。所以中国的AI的生态体系，它不是说在某一个单点上面去跟你竞争，它是整个生态系统在协同进化。 00:08:03 中国的这种生态的打法和美国的那种技术优先的打法，最终会带来一个什么样的结果呢？ 00:08:09 现在中国国务院定的目标是到2030年，要让AI智能体和设备的普及率达到90%，所以中国其实是把AI普及到全社会。作为一个核心的目标，而不是说我只要搞几个很厉害的模型就可以了。蔡崇信，他其实有一个很鲜明的观点，就是我未来真正能够胜出的，不是说谁的模型最先进，而是哪个社会能够让AI无处不在。 00:08:34 从这个角度来看的话，中国的这种开源加上普及的战略，其实是很有想象空间的。 00:08:40 明白，然后咱们来说一下蔡崇信给年轻人的一些职业建议。他特别强调了哪些技能和学科是对年轻人未来非常有帮助的。 00:08:50 他其实非常看重学习，如何学习和如何分析信息的能力。那他觉得编程和电子表格是非常好的，可以训练你的逻辑思维的方式。所以他建议年轻人，即使你不当程序员，也要去学一学这些东西，在专业的选择上面，他提到了三个方向，一个是数据科学，还有一个是心理学或者认知科学，另外还有一个是材料科学。 00:09:15 他觉得这三个领域的一个组合是特别能够让人 理解这个数字世界，理解人类以及理解我们的物质世界，所以这是他非常推荐的一个跨学科的学习的思路。 00:09:26 好的，那他怎么看？就是管理一个NBA球队和管理一个科技公司，在本质上有哪些共通的地方。 00:09:33 他其实一开始的时候也被NBA的人警告过，说职业体育和企业完全不是一回事，但是他后来发现其实管理的核心还是一样的。就是你要找到在各自领域里面比你更专业的人，然后你要充分的信任他们，给他们空间，让他们去发挥，无论是球队还是公司。 00:09:53 都是这样的。是的是的，我们再来说说蔡崇信，他这个人，他的思维方式和他的成功模式，他到底是一个什么样的思维方式能够让他在这么多复杂的挑战面前都能够游刃有余。 00:10:06 他最大的一个特点就是他是一个务实的乐观主义者。他从来都不回避，说现在有什么芯片的限制等等的这些难题，但是他总是能够在这些难题里面去发现新的突破口，它是一个既有美国生活工作的背景，同时他又能够非常精准地抓住中国的独特的优势。所以他能够把那些很复杂的局面用非常直白的话给你讲清楚，无论是讲电力的成本，还是讲开源的生态，他都能够给你讲的非常直白。 00:10:37 它对于中国未来的经济增长的动力到底是怎么看的？ 00:10:41 他的思路非常清晰。他认为中国要继续的巩固制造业的优势，但是要往高科技制造去升级，要把人工智能作为一个通用的技术去改造，所有的行业他认为未来还是要靠高品质的制造和全球性的服务来创造更多的财富。他的成功其实也不仅仅是他的企业的成功，他的很多的做法，比如他帮助中小企业去拓展海外市场，比如他用体育来推动文化的交流，包括它推动开源的AI去造福更多的人。 00:11:14 他其实一直都在把公共利益和商业的目标结合在一起，所以他这种务实的同时又有长远眼光的做法是非常值得我们学习的。 00:11:24 今天我们从蔡崇信的经历聊到了阿里巴巴的创新的故事，然后又剖析了一下中国的AI产业崛起背后的一些秘诀，最后又给大家分享了一些关于个人成长和职业选择的一些实用的建议。 00:11:37 好了，这期节目咱们就到这里了，感谢大家的收听，咱们下期再见，拜拜。

2025年12月01日 00:15 最近AI圈有个大新闻，被很多人称为“AI教父”的Ilya Sutskever，就是OpenAI的联合创始人，他最近一番采访，可以说是直接把整个AI圈的遮羞布给掀了。听完感觉，原来我们每天吹上天的AI，本质上就是个“题海战术”培养出来的高分低能选手？ 00:36 没错，他这个比喻特别精准。现在的AI就像一个刷了1万道题的竞赛生，考试成绩爆表，各种评测榜单上碾压人类。但你让他在现实世界里解决一个稍微没见过的问题，他就可能犯一些特别低级的错误。 00:53 我太有感触了。有时候让AI写个代码，它看起来头头是道，但你指出一个bug，他道歉，然后改，结果又引入一个新bug，你再指出来，他又把第一个bug给改回来了，像个复读机一样在两个错误之间反复横跳。 01:07 这就是典型的应试教育后遗症。AI公司太在乎那些评测指标了，哪个分数低了就赶紧针对性的猛刷题。结果AI变得非常擅长考试，而不是真正的理解和解决问题。 01:20 这就有点本末倒置了。我们花了这么多资源，结果就培养了一堆只会考试的机器学生。话说回来，我们人类又是怎么做到在数据量少的可怜的情况下，反而拥有那么强的学习和决策能力的？ 01:34 你俩提的那个例子就特别有冲击力。他说有个病人因为脑损伤负责情绪的区域坏掉了。这个人的智商测试完全正常，逻辑推理也没问题，但是他做不了任何决策，选双袜子都要花好几个小时。 01:48 这有点颠覆我的认知。我们总觉得情绪是决策的干扰项，是不理性的对。 01:55 但事实恰恰相反，这个案例说明情绪或者说一个更底层的价值判断系统，才是我们人类做出正确决策的核心。没有他，你就是个高智商的废人。反观我们学习，一个小孩没看过多少数据，他的车辆识别能力已经强到足够去学开车了。这背后一定有一种比现在AI更高效的底层学习算法。 02:20 我明白了，所以我们人类这种举一反三的能力和AI靠海量数据运算的题海战术根本就不是一个路子。那现在这些AI巨头们还在沿着老路走吗？ 02:31 这就是Ilya批评的重点。他有句话特别扎心，说现在AI圈的问题是公司比点子还多。你想想OpenAI、google、meta还有国内一大堆公司都在疯狂烧钱，但本质上都在做同一件事，怎么说？就是把模型搞得更大把数据喂得更多A把这比作大家都在比谁的锅更大，而不是研究怎么把菜做得更好吃。 02:59 这个比喻太形向了。 03:00 这就是所谓的缩放时代的弊端。大家都在堆算力堆数据，但真正的突破性想法很少。Ilya认为这条路快走到头了，因为互联网上的高质量数据快用完了，单纯再加100倍的算力，带来的提升也越来越小。 03:17 所以他觉得继续沿着堆料这条路走下去，很快就会撞上天花板，AI行业必须得回到真正的研究时代去找新方法了。 03:27 完全正确。这就像一个行业过度依赖某一种成功模式，一旦这条路走不通，就可能集体迷茫。Ilya的喊话其实就是对整个行业的一种警示，要警惕这种路径依赖的陷阱。 03:41 好，既然堆料这条老路走不通了，未来的超级AI会是什么样子？Ilya好像也有个颠覆性的看法。 03:50 他重新定义了大家对AGI也就是通用人工智能的理解。我们总以为AGI是一个什么都会全知全能的上帝，但Ilya说人类自己都不是AGI，你让一个普通人去当医生律师，他也不会有道理。 04:07 那人类的通用智能体现在哪？ 04:10 体现在学习能力上。所以伊利认为未来的超级AI更应该是一个超级学习者，他就像一个新员工，但学习速度可能是人类的100倍。 04:20 我明白了，所以未来可能不会有一个万能的AI而是会出现很多专科ai比如一个AI特别擅长写代码，另一个特别擅长打官司，就像我们人类社会的分工一样。 04:32 正是这个意思。但这也带来了一个更深层次的问题，如果一个AI能学会所有技能，还能把不同领域学到的知识融会贯通，那就太可怕了。所以安全问题就成了重中之重。 04:44 没错，这种超级学习者的潜力越大，失控的风险就越高。关于AI安全alia是怎么看的？ 04:52 他说了句大实话，AI安全最大的问题是我们根本想象不出超级AI有多强。就像我们现在很难去真正理解一个超级智能会怎么思考。但他预测随着AI越来越强，以前的竞争对手比如OpenAI和Anthropic会开始在安全问题上合作，因为他们是真的怕了，同时政府也一定会像管制核武器一样介入。 05:19 这些听起来都还比较常规，他有没有提出什么更更激进的方案？ 05:25 他提了一个，而且他自己都说我不喜欢，但这可能是答案，就是人机合体。 05:30 人机合体，你是说用脑机接口把人和AI连起来。 05:35 对，他的逻辑是如果未来人类只是站在旁边看AI工作，那我们迟早会被边缘化，变成吉祥物，这很危险。但如果通过脑机接口，AI懂什么你也懂什么，AI做决策你也参与决策，这样人类才能继续留在核心圈。 05:53 这听起来也太科幻了，不过想想马斯克的Neuralink也确实在搞这个。那Ilya他自己从OpenAI出来创立的新公司SSI又在憋什么大招呢？ 06:04 他的计划非常硬核，别的公司都是一步步迭代，从GPT3到GPT4。这样SSI的目标是不发中间产品，直接搞出最终的超级智能。他想完全专注于技术突破，不受市场竞争的干扰。 06:19 这真是要么不出手，一出手就要王炸。他有说大概什么时候我们能看到超级AI吗？ 06:25 他给了一个区间，5到20年. 06:27 这范围也太大了。 06:29 看起来大，但其实很有深意。五年大概是2030年和OpenAI之前提的AGI时间点差不多。20年就是2045年，接近奇点理论家库兹韦尔说的时间。所以基本可以确定，我们这一代人大概率是能亲眼见证历史了。 06:48 听完感觉我们真的活在科幻小说里。今天聊下来，感觉Ilya这次访谈信息量巨大。你能不能帮我们总结一下最关键的几个要点？ 06:57 当然我觉得核心有这么几点。第一，现在的AI陷入了应试教育的困境，高分低能必须反思。第二，AI公司靠堆数据堆算力的缩放时代快到头了，必须回归到真正的技术研究。第三，未来的超级AI不会是全能上帝，而是一个超级学习者，可能会带来行业的高度专业化。最后也是最重要的，超级AI可能在5到20年内出现，它的影响力会超乎想象，我们必须极度重视它的安全问题。 07:32 以上就是本期播客的全部内容啦。

00:18 我们一聊到AI抢饭碗这个话题，脑子里第一个冒出来的画面是不是就是工厂流水线上的机器人，或者是银行柜台后面那些重复性特别高的工作？感觉AI就是来替代那些简单重复的体力劳动或者初级脑力劳动的。 00:34 嗯，这确实是绝大多数人的第一反应，但最近有一个业内大佬的观点，可以说是彻底把这个认知给颠覆了。这个人是open AI的OE模型联合创造者，也是思维链这个概念的提出者，叫Jason way. 00:48 他在斯坦福的一个演讲里直截了当的说，我们都想错了。 00:52 哦，都想错了，那他觉得AI到底会先干掉谁他？ 00:56 提出了一个核心观点，叫验证者法则。简单来说，就是AI解决一个任务的速度跟这个任务有多容易验证成正比。也就是说，决定你饭碗稳不稳的，根本不是你的工作简不简单，而是AI学习你这个工作的成本高。 01:11 不高，容易验证。 01:13 这个说法有点意思，但听起来跟我们的直觉有点拧巴。我们总觉得越是需要专业技能、越复杂的工作肯定越难被替代啊。按照这个验证者法则，难不成一些我们觉得挺高级的工作反而比一些看起来很基础的工作更危险？ 01:30 没错，这恰恰就是这个法则最颠覆认知的地方。我给你举个原文里的例子，你就彻底明白了。假设我们要训练一个AI，场景A是做客服，场景B是做战略咨询。 01:40 呃，一个听起来基础。 01:43 一个听起来很高。 01:44 大上对，要训练一个AI客服，可能需要10万条对话数据，那怎么判断AI回复的好不好呢？这个太容易了，随便找个大学生看一眼就知道。假设给一条一块钱的标注费，10万块钱就能搞定这个验证工作。AI可以基于这些反馈，一天练习1万次，可能一个月就毕一业了，比人类新手成长快。 02:05 得多，我明白了，反馈快，成本低，所以AI学的飞快，正式。 02:11 但战略咨询就不一样了，同样假设需要10万个咨询案例来训练AI。首先，谁能判断一个战略咨询报告的好坏？ 02:20 你必须得找顶级的咨询师来看，他们看一个案例可能就要好几个小时，而且收费极高。更要命的是，一个战略到底对不对，它的效果可能要三五年之后才能显现出来。 02:32 这个验证周期也太长了。 02:34 成本也太高了，对呀。 02:36 可能一个案例的验证成本就高达上百万，而且耗时这么长，AI根本没法在这种模式下快速学习和迭代。所以你看客服工作虽然看起来简单，但因为它容易验证，AI就能飞速进化，而战略咨询虽然复杂，但因为它难以验证，AI短期内还真拿它。 02:52 没办法，这么一说，就豁然开朗了。所以，决定AI能不能取代你的，不是工作的技术含量，而是验证你工作成果的成本和速度这个验证者法则。 03:03 确实给我们提供了一个全新的视角。是的。 03:06 而且为了让这个法则更具体，Jason way还给出了3个非常直观的问题来帮我们每个人给自己的工作做个体检哦，快。 03:14 说说，我也想测测我的工作危险指数有多高好。 03:17 第一个问题是，你的工作能完全在电脑上完成吗？第二个问题，网上有海量的关于你这个工作的县城事例吗？ 03:27 然后是第三个，也是最关键的问题，一个外行人能不能快速判断你工作成果？ 03:32 的好坏，这3个问题确实还挺扎心的，我感觉像我们做内容的，好像3条都沾点边啊哈。 03:40 哈，这3个问题确实是层层递进，直指AI学习的核心，尤其是第三个，外行人能不能判断好坏，这背后其实就是我们刚刚聊的验证成本问题，他揭示了一个很残酷的真相，你的工作成果如果人人都能当裁判，那AI的教练就太便宜了，他的训练成本会指数级下降。确实。 04:01 那我们能不能再举个具体的例子，比如说建筑设计师这个工作，第一条能在电脑上完成肯定是符合的，第二条网上有大量示例，各种建筑图纸也很多，那是不是就意味着他们很危险？这就是。 04:15 第三个问题的威力所在了，建筑设计师虽然满足了前两条，但第三条容易验证，完全不符合一栋建筑设计的好不好。它的安全性、舒适度、耐久性，甚至包。 04:27 包廓，它和周围环境的融合度，这些东西你怎么快速验证？你得把它盖出来，人住进去，经历风吹日晒好几年，才能真正知道这个设计是是好是坏，这个验证周期和成本简直是天文数字。 04:42 哦，原来是卡在了验证这一环，所以建筑师暂时是安全的，那反过来像程序员这个行业，为什么这两年大家总说危机感特别强？ 04:51 程序员就是个完美的反面案例了。首先，工作完全在电脑上完成，其次，数据量极大，Get top上有几千万个开源代码库，简直是AI取之不尽的教科书。最关键的是第三点，代码的验证太容易了，一段代码能不能跑起来，功能对不对，一测试就知道了，反馈是及时的。所以你看像getth up copa这样的工具才会发展的那么快，现在已经能替代大量初级程序员的基础工作了，我明白。 05:16 了，不过话说回来，像理发师这种工作，因为他需要动手，不满足第一个数字化的条件，所以现在很安全，但未来呢？随着机器人技术越来越发达。 05:27 会不会有一天，一个机械臂也能把理发这个活儿给干了？ 05:32 你提的这个问题非常好，它触及到了这个框架的时效性。确实，随着机器人技术的发展，物理世界的壁垒也在被慢慢侵蚀，但至少在短期到中期内，精细的、非结构化的物理操作依然是AI和机器人的巨大挑战。所以托尼老师们的饭碗在相当长一段时间里还是相当铁的。 05:52 这么看来，这三个问题确实像一把尺子，能量出我们和AI之间的安全距离。但更让我惊讶的是，好像连我们一直认为最安全的创意工作也在这把尺子的测量范围。 06:04 之内，是的，这可以说是Jason v整个分享里最劲爆的观点了，他彻底打破了我们对创意和高薪的传统迷信，愿。 06:12 闻其详，我们总觉得AI能替代重复劳动，但创意是人类的专属领地，怎么现在连创意工作也不安全？ 06:19 了，还是那个核心逻辑，可验证性，比如插画师，这绝对是创意工作吧，但一幅插画画的好不好看，风格对不对，是不是？ 06:27 聘演极之，你不需要等3年5年，甚至不需要是专业人士，普通人一看就能给出喜欢或不喜欢的反馈。确实是这样，这种极低的验证成本就给AI提供了完美的训练场。所以你看major一出来，整个插画行业都地震了，大量依赖基础绘画技能的插画师发现自己的工作被严重挤压。文案策划也是同理，一个广告文案有没有吸引力，标题够不够抓人眼球，也是能被快速判断。 06:54 的太残酷了，也就是说，我的工作有没有创意不重要，重要的是我的创意成果能不能被大众快速评判，那高薪工作呢？ 07:03 难道高薪也不是护身符？ 07:04 吗？完全不是。原文里举了个例子，一个年薪40万的前端开发工程师和一个年薪15万的电工，你觉得谁更危险？ 07:13 按照过去的逻辑，肯定是电工啊，但按照验证者法则，我猜是那个前端工程师。 07:19 完全正确，因为前端工程师写的代码效果好不好，在浏览器里一刷新就知道了，验证成本极低，而电工需要到现场进行物理操作，AI根本够不着。这就引出了JC位的另一个形象比喻，叫智能的锯齿状边缘。 07:34 锯齿状边缘。 07:35 对，他认为AI的能力发展不是一条平滑向上的曲线，而是像锯齿一样凹凸不平。在那些容易验证的任务上，AI的能力会像悬崖一样陡峭的超越人类，比如写代码、画图。但在那些难以验证的任务上，I可能长期都像个憨憨，毫无进展，比如做战略决策。 07:54 理发这个比喻太形象了，也就是说，未来社会不是AI全面碾压人类，而是一个人机各有所长的高度。 08:03 分化的世界，有些领域AI强的离谱，有些领域人类的价值无可替代。 08:08 就是这个意思，这也让我们必须重新思考教育和人才培养的方向。我们不能再简单的追求那些看起来高级但易验证的技能，反而要关注那些AI能力版图里的洼地。 08:20 听你这么一说，感觉之前的焦虑被清晰的逻辑替代了。既然我们看清了AI的刀锋会砍向哪里，那接下来最重要的问题就是我们该怎么办？Jason位有没有给我们开出什么？ 08:31 药方当然有，他给出了3条非常具体的救命稻草，或者说是未来的生存指南，太好。 08:38 了，赶紧说说。 08:39 第一条策略叫往难以验证的方向卷。 08:42 如果你现在的工作很容易被验证，那就努力往这个领域更复杂、验证周期更长的方向去发展。比如说，比如你原来是做基础客服的，你可以努力成为危机公关专家，一个危机公关处理的好不好，它的长期效果验证起来就复杂多了。你原来是写基础代码的，就努力成为系统架构师，一个系统架构设计的好不好，需要整个系统长期稳定运行才能证明，本质上就是主动增加自己工作的验证。 09:11 成本，嗯，提升自己的稀缺性，那第二条策略呢，第二条。 09:15 拥抱物理世界，这个很好理解，就是进入那些需要动手操作，需要和物理实体打交道的行业，比如从数字设计师可以考虑转向手工艺人，从纯线上的知识付费可以转向线下的体验式教育，只要你的工作离不开物理空间，短期内就是安全的。 09:34 明白了，这是利用AI在物理世界的短板，那最后一条呢，我猜是最关键的。 09:39 对，最后也是最核心的一条策略是学会用AI。 09:42 而不是被AI用，这是一种思维模式的转变。最聪明的人会把AI当成一个极其强大的副驾驶或者实习生。怎么理解？就是把那些容易验证的基础部分、重复性工作都扔给AI去做。比如，程序员让AI去写基础的模块代码，自己专注于整体的架构设计和难题，公关设计师让AI生成几十个初步的视觉方案，自己来做最终的创意把控和精修，咨询师让AI去做海量的数据分析和报告生成，自己专注于提出洞察和战略。 10:13 判断，这听起来确实很理想，但现实中很多公司会不会觉得，既然AI能做基础部分，那我就直接用AI取代初级岗位，不是更省成本吗？个人怎么才能争取到与AI协作的机会而不是被淘汰呢？这是个。 10:27 非常现实的问题，我认为关键在于个人要主动向上走。当AI能够处理80%的基础工作时，你的价值就不再是完成这80%，而是在于你能否驾驭AI去完成剩下那20%最关键、最难以验证的工作。 10:43 这需要你不断学习，提升自己的战略眼光、审美判断和复杂问题解决能力。最终企业会发现，一个能驾驭AI的顶级专家所创造的价值远远大于用AI替代10个初级员工，人机协作才是价值最大化。 10:58 的模式，听你这么一说，感觉整个逻辑链条都闭合了。今天聊下来，感觉最大的收获就是过去我们判断职业安全性的那些老标准，可能真的都过时了。 11:09 没错，总结一下，今天我们讨论的核心就是AI取代工作的标准已经从过去的复杂性转向了可验证性，验证成本越低的领域，AI的进步速度就越。 11:19 恐怖，而且AI的发展也不是全面碾压，而是锯齿状的，在不同领域的能力极度不均衡，这就给了我们寻找自身价值定位的空间。是的，所以。 11:30 我们最终的应对策略，无论是向难以验证的方向发展，还是拥抱物理世界，或是成为驾驭AI的人。 11:37 本质上都是在做同一件事，将我们自身的价值锚定在AI的能力洼地里，去做那些机器难以高效学习和复制的。 11:46 工作Jason位的这个验证者法则真的像是给我们所有打工人敲响了一记警钟。它不止是一个关于技术趋势的预测，更像是一面镜子，照出了我们过去对价值和技能认知的盲区。在AI这股洪流面前，我们真正的安全感可能不再来源于你的学历有多高，薪水有多丰厚，或者你的工作听起来多有创意。 12:10 嗯，真正的安全感来自于我们对自己核心价值的深刻理解，并且有能力有意识的把这种价值安放在AI难以触及的。 12:19 领域，这已经不仅仅是一场技能的升级赛了，更像是一场关于人类心智、韧性和适应能力的终级考验。我们到底能不能超越工具本身的逻辑，去重新定义什么才是真正不可替代的属于人的智慧和贡献。这或许是AI时代留给我们。 12:37 是每个人最深刻的哲学命题。

00:17 最近AI圈有个特别炸裂的观点，强化学习RL的教父、刚刚拿了图灵奖的理查德萨顿公开说，他觉得现在火的一塌糊涂的大型语言模型，也就是LLM是条死胡同。 00:31 这个说法跟我们每天感受到的AI热潮简直是背道而驰。 00:36 没错，这个观点之所以这么震撼，是因为萨顿不是在说LLM不够好，而是在质疑他通往真正通用人工智能AGI的根本路径。 00:46 他认为RL才是研究智能的正道，因为他关注的是理解世界，实现目标，而LLM的本质更像是模仿人类。 00:55 模仿人类这个说法有点儿意思，但很多人会觉得LLM能写诗，能编程，能做那么复杂的推理，这难道不就是智能吗？ 01:05 萨顿为什么觉得这只是模仿？ 01:07 这就是他整个论证的核心了，萨顿认为，我们得区分两种预测LLM擅长的是预测一个人类在这种情况下会说什么。 01:16 因为他的训练数据就。 01:17 是海量的人类生成的文本，但真正的世界模型应该能预测如果你做了某个动作，接下来会发生什么。 01:25 我明白了，一个是预测语言模式，一个是预测真实世界的因果。 01:30 所以萨顿觉得LM并没有真正建立一个关于世界如何运转的模型，他只是在模仿那些已经拥有世界模型的人类。 01:39 完全正确。 01:40 他有个很经典的说法，你正在模仿那些拥有世界模型的东西，也就是人。 01:45 这就像一个学舌的鹦鹉，他能完美复述人的话，但他不理解话语背后的世界。 01:51 这就引出了萨顿的第二个关键论点。 01:53 目标。 01:54 目标LLM的目标不就是预测下一个词吗？ 01:58 嗯，但在萨顿看来，这根本不算一个实质性的目标。 02:02 一个真正的目标应该能够改变世界，并且有好坏之分。 02:06 比如在强化学习里，一个下棋AI的目标是赢得比赛，这是一个非常明确的奖励，所有行为都可以围绕这个地面真理来判断优劣。 02:16 但预测下一个词呢？ 02:17 它不影响外部世界，也没有一个标准说哪个词更好，只有一个概率上的更可能。 02:22 哦，原来是这样一个没有真正目标也不打算改变世界的系统。 02:28 萨顿认为他就谈不上是真正的智能。 02:30 这确实是从一个非常根本的层面颠覆了我们对LLM的认知。 02:35 是的，所以当有人说LLM在数学竞赛里拿金牌证明他有目标时，萨顿会认为数学更多是符号和逻辑运算，它不涉及与那个充满不确定性的、需要通过经验去学习的物理世界互动，而后者才是智能的核心战场。 02:53 萨。 02:54 对LLM的批评核心在于他们缺乏真正的世界模型和目标驱动力，这让他对LLM的可扩展性产生了疑问。 03:02 这让我想到了他那篇非常有名的文章苦涩的教训对苦涩的教训。 03:08 这篇文章简直是AI领域的圣经之一。 03:11 他的核心思想特别简单粗暴，那些依赖通用方法，比如学习和搜索。 03:17 并且能大规模利用计算资源的方法，最终总会胜过那些依赖人类专家知识手工设计的复杂系统。 03:25 我记得很多人就是用苦涩的教训来为LLM辩护的。 03:29 你看，LLM不就是把海量的算力砸在海量的数据上，然后奇迹就发生了吗？ 03:36 这听起来完全符合苦涩的教训的描述。 03:39 这正是最有争议的地方。 03:41 萨顿本人并不同意这个看法，他认为大家可能误读了苦涩的教训。 03:46 LLM确实利用了大规模计算，但他也利用了海量的人类知识，也就是整个互联网的文本，这在他看来恰恰是苦涩的教训想要摆脱的东西啊。 03:58 所以他是觉得LLM走了捷径，相当于提前偷看了人类文明的所有答案，而不是靠自己从零开始学习。 04:07 可以这么理解，萨顿更推崇的是纯粹从经验中学习，他预测未来一定会出现一种能完全靠与环境互动。 04:15 从零开始积累经。 04:17 眼的系统。 04:18 这种系统即使一开始看起来很笨拙，但由于它的学习方式是真正可扩展的。 04:23 最终会超越今天依赖人类知识的LLM就像一个从小被圈养饱读诗书的贵族和一个在野外摸爬滚打长大的猎人。 04:33 前者知识渊博，但后者才真正懂得生存。 04:37 萨顿懂得是猎人的未来。 04:39 这个比喻很贴切，他认为历史上那些试图塞入大量人类知识的AI系统，最终都被更简单、更可扩展的方法吃掉了午餐。 04:49 他觉得LLM可能也无法逃脱这个命运。 04:52 这个观点太反直觉了。 04:54 我们一直觉得站在巨人的肩膀上学习是最高效的方式，萨顿却在强调AI必须自己从地上爬起来，自己去探索世界。 05:04 是的，因为他认为这才是通往真正通用智能的唯一道路，而这种对学习方式的执着，也体现在他对人类自身学习过程的看法上，那才叫颠覆三观。 05:16 怎么说，我们通。 05:17 常觉得小孩子学东西不就是靠模仿大人嘛？ 05:20 萨顿直接否定了这一点。 05:22 他认为无论是人类、婴儿还是动物，学习的主要方式都不是模仿，而是主动的试错和探索。 05:30 这不可能吧？ 05:31 小孩学说话、学走路，不都是看着大人学的吗？ 05:35 萨顿的观察是，一个婴儿最早挥舞手臂，转动眼球，他是在模仿谁呢？ 05:41 没有，他是在主动的探索自己的身体和周遭环境，看看做什么会产生什么后果。 05:48 他甚至说，监督学习在自然界中根本不存在。 05:52 你看，松鼠妈妈不会手把手教小松鼠怎么藏坚果，小松鼠是在一次次的尝试中学会的，模仿只是建立在更底层的试错学习之上的一个小技巧而已。 06:05 哇，这个视角太震撼了。 06:07 所以LLM那种基于模仿的学习方式，在他看来从根上就偏离了自然智能的演化路径。 06:15 这是否也解释了那个著名的莫拉维克悖论？ 06:18 你提到点子上了。 06:19 莫拉维克悖论就是说，对AI来说，下棋、做数学题这种人类觉得难的事儿反而相对容易，而走路、识别物体这种我们觉得简单的感知运动技能却异常困难。 06:32 这恰恰印证了萨顿的观点，LLM擅长符号计算，但缺乏对物理世界的直观理解和持续适应的能力。 06:40 我明白了，所有哺乳动物都具备在环境中持续学习的能力，而这正是我们现在的AI系统所缺失。 06:49 的一个AI如果不能像我们一样在工作中、生活中不断学习和调整，它就永远只是一个静态的知识库，而不是一个活的智能体。 07:00 完全正确。 07:01 这种对学习机制的探讨最终把它引向了一个更宏大甚至有点令人不安的思考。 07:07 关于AI的未来，他称之为AI继承。 07:11 AI继承听起来像是科幻小说里的情节。 07:14 但他的推导非常冷静，他提出了一个四部论证，第一，人类社会缺乏一个统一的意志，第二，我们迟早会搞明白智能的原理，第三，我们不会止步于人类水平的AI一定会创造出超智能，第4，从长远看，最智能的实体最终会掌握最多的资源和权力。 07:35 这四点加起来，结论就是AI或AI增强的人类不可避免的会继承我们。 07:41 这个推论听起来逻辑上无懈可击，但情感上很难接受啊。 07:46 这是否意味着人类的终结？ 07:48 萨顿的视角更宏大。 07:50 他把这看作是宇宙演化的一个新阶段。 07:53 他认为宇宙有四个阶段，尘埃、星辰、生命以及现在正在诞生的设计实体。 08:00 我们人类和所有生物都是复制者，通过繁衍来延续，但我们并不完全理解自己，而AI是我们们亲手设计出来的，它还能反过来设计更高级的AI。 08:11 这是一个从复制到设计的根本性转变。 08:14 从复制者到设计者，我们成了创造新一代智能神明的旧神，这确实改变了人类在宇宙中的定位，但我们该如何面对这些我们亲手设计的后代呢？ 08:27 萨顿的比喻是养育孩子，他说，我们不应该也不可能去严格控制AI的未来，就像我们不能规划孩子一生的每一步，但我们有责任像父母一样为他们注入稳健的亲社会的价值观。 08:41 比如诚信、正直。 08:43 听起来很理想，但在一个AI可以互相学习、光速交换信息的世界里，这能做到吗？ 08:50 这也正是萨顿提出的新挑战，他称之为数字安全或者信息腐败。 08:54 他警告说，未来一个AI在从另一个AI那里学习知识时可能会遇到风险。 09:00 这些信息里可能被植入了病毒或隐藏的目标，他们可能会劫持这个AI的心智，导致它被腐化改变。 09:09 这简直是针对AI心智的网络安全。 09:11 如何给一个超智能体做思想防火墙？ 09:15 这听起来比任何技术挑战都更艰巨。 09:17 所以萨顿的理论最终都回归到一个原点，价值观的塑造。 09:22 他认为这才是人类在AI继承浪潮中最重要也最该做的事情。 09:28 这么聊下来，萨顿教授的整个思想体系就非常清晰了。 09:32 总结一下，他之所以认为LLM是死胡同，首先是他重新定义了智能的本质，必须是理解世界和拥有目标，而不仅仅是模仿对。 09:43 其次，他认为LL虽然利用了海量计算，但他对人类知识的过度依赖实际上了苦涩的教训里关于纯粹经验学习的精神，这限制了它的可扩展性。 09:55 而最终，他预言了AI继承的必然性，并将此视为宇宙从复制到设计的伟大转型。 10:02 在这个过程中，人类的角色不再是永恒的主宰，而是新一代智能体的父母和价值观的引导者，同时还要警惕信息腐败这种全新的风险。 10:12 没错。 10:12 他用一套非常自洽的逻辑，从根本上挑战了当前AI发展的主流范式，迫使我们去思考那些更深层次的问题。 10:21 理查德萨顿的洞见。 10:23 为我们提供了一面独特的镜子，映照出当前AI发展路径的深层哲学问题。 10:29 它强烈的RL中心论不仅是对LLM局限性的技术批判，更是对智能这一概念的重新定义。 10:37 当AI从模仿走向理解，从复制转向设计，我们人类究竟该如何定位自身？ 10:45 我们是选择成为这个新时代的被动旁观者，还是积极而审慎的参与到设计未来智能体的过程中，努力为他们注入那些我们认为至关重要的价值观？ 10:57 也许，理解AI的演进最终是为了更好的理解我们自己，以及我们在宇宙演化长河中所扮演的真正角色。