先说一个让人有点难受的事实： 00:00 今天我们想聊一聊，在人工智能快速发展的时代，传统的学历文凭好像没有以前那么吃香了。到底我们应该靠什么样的实际能力或者说实际的经历，才能够在职场当中去证明自己的价值呢？ 00:13 这个是挺多朋友都关心的话题，我们就直接开始今天的讨论。 00:18 第一个想要说的就是学历文凭贬值的这个现象和原因。最近这些年大学毕业生的人数年年都创新高，那这个变化是不是也让学历的含金量发生了很大的变化？ 00:30 你看2000年的时候，全国的本科毕业生才100万，那个时候本科毕业真的是天之骄子。可到了2025年，应届毕业生一下子就突破了1200万，这还没算上硕士博士。现在走在大街上，硕士博士都一抓一大把，对吧？连985、211都成了很多岗位的一个门槛，就已经不是什么加分项了。 00:52 现在好多地方学历就已经变成了一个标配，甚至有的时候就跟站票一样，已经没有以前那种优势了。没错。 01:00 以前可能是贵宾票，现在就是普通门票了，所以大家觉得学历不值钱了。但是这个事情背后还不仅仅是人数的问题。 文凭贬值的真正元凶：学校教的东西，正在大规模过期 01:07 我想问问你现在这个文凭越来越不值钱，到底是因为毕业生太多了，还是说有别的更深层次的原因？ 01:15 这个原因很复杂，很多人都只看到了毕业生数量暴涨这一个方面，但还有一个很关键的原因，就是大学里面教的东西更新速度太慢了，很多课程的大纲还是10年前的，但是行业的需求可能早就变了。 01:31 所以说就是在学校里面学的东西可能刚毕业就已经过时了。 01:37 你学的编程语言可能已经没有人用了，你背的那些营销理论可能已经被算法彻底颠覆了。你练的那些excel技能可能AI 5秒就能做完。这些都不是说大学不好，而是学校的更新速度根本赶不上行业的变化速度，这是一个客观规律。 01:53 那这么说的话，AI的发展是不是让这个文凭的含金量下降的更快了？ 01:58 以前知识更新的慢，你工作几年还可以慢慢的去弥补你在学校里面学的那些过时的东西。但自从有了AI，这个差距就一下子拉开了。 02:09 确实就感觉好像是一夜之间很多技能都变得不那么值钱了。 02:13 没错，就比如说你花了四年学会怎么写报告，但是AI 3秒就能帮你出一个。你花两年学PS但是AI一句描述就能给你生成一个图。甚至你花一年考了个证，结果AI已经可以干这个证对应的工作了。 02:27 听起来真的挺让人焦虑的对，这是不是意味着很多工作都要被AI取代了？ 02:32 2023年麦肯锡的研究就发现，全球大概60%到70%的工作时间，理论上都是可以被AI自动化的。而这些工作里面有很多就是现在大学正在培养的那些岗位。 02:44 文凭它原本证明你会一些技能，但是这些技能现在很快就被AI取代了，那这个文凭的价值也就跟着缩水了。 02:53 人多只是表面现象，其实最核心的是知识的货架换的太快了。真正不会贬值的是你能不断的做出东西，你能解决问题的能力。 第一关：实习经历，新版"入场券" 03:03 既然学历贬值是这个情况，我们来看看实习经历是怎么变成了现在招聘里面新的入场券。现在的企业在招聘的时候更看重实习经历背后的什么东西呢？ 03:16 现在招聘的逻辑早就变了，大家如果学历都差不多的话，那谁有更硬核的实习经历，谁就更有优势。基本上就是大厂实习优于知名公司实习，优于普通公司实习，优于没有实习。 03:29 这么一看，光有张成绩单真的不够看。企业真的是更想看你有没有真正的去做过事情。 03:35 是的，因为实习最关键的作用就是它能证明你不仅懂理论，你还真的在实际当中解决过问题。这个是学历没有办法体现的，所以现在很多HR根本就不怎么看GPA了。 03:47 对于现在还在学校里面的学生来讲，是不是就意味着他们要尽早的去争取一些实习的机会。 03:54 当然因为你去实习，哪怕工资很低，哪怕你就是去打杂，但是你在这个真实的环境里面积累的经验是非常宝贵的。你在简历上面写熟悉excel远远不如你写用excel搭建了一套自动化的财务报表系统，每个月可以帮团队节省8个小时。这两者的差别是非常大的。前者只是一个技能，但是后者是你用这个技能真的解决了一个问题。 第二关：孵化产品，新时代的"降维打击" 04:19 下面我们进入一个更有意思的话题，就是孵化产品为什么会成为这个新时代的降维打击？ 04:25 因为很多人都觉得我没有技术背景就做不了产品。其实不是的。产品的本质是你独立策划，亲手执行，并且真实运营的一件完整的事情。 04:35 那就是说不一定非得是一个上线的APP，对吧？不一定非得是一个很复杂的技术项目。 04:41 没错，比如你做一个公众号或者做一个播客，你自己选题，然后排版，持续的去积累真实的读者。或者说你自己去组织一个线下的活动或者社群，从宣传到落地全都是你自己来。又或者说说你自己用Notion搭了一个个人的知识管理系统。甚至你在电商平台上面开一个小店，把选品、客服、数据分析全都做了。这些都是实实在在的产品经理。 05:07 好吧？我很好奇有没有一些个人做产品的真实案例，他们是怎么靠自己的能力把一个想法变成现实，并且实现了价值的呢？ 05:13 当然有了，就比如说广州的那个独立开发者 idoubi，他在2024年一年的时间就做了将近11款AI产品。而且他有一次在星巴克1个小时就帮朋友写完了AI红包封面生成器，然后当天晚上就上线了，而且还挣了几千块钱，就他自己一个人把想法到变现整个都跑通了。 05:36 这种速度，这种效率真的让人佩服。 05:39 还有就是福建的王维东，他一个人开发了“貔貅记账”这个APP，也是靠每年38元的订阅，每个月有4万的收入，而且他就是背着个Mac到处跑，在星巴克在寺庙都可以写代码。他也没有团队，就是自己一个人打磨出来的产品。 05:55 那他们的这些经历是不是也说明学历其实没有那么重要？ 06:01 是的，包括荷兰的Pieter Levels他也是自学编程。然后从2012年开始到现在启动了七十多个项目。虽然大部分都失败了，但是它有几个项目是非常成功的。比如说Nomad List的这个网站，它一年就可以赚200万美元以上。而且他们三个人其实都没有靠学历去证明自己，他们都是靠做出了实实在在的产品，用能力说话。 06:24 那自己做产品到底能够锻炼哪些能力？这些能力为什么又是AI和大公司都这么看重的呢？ 06:31 不管你做的产品是大还是小，你在做的过程当中你都会锻炼出一系列的能力。比如说你要去判断哪些问题是值得你去解决的，你还要有勇气去开启一个项目。因为没有人告诉你说你要做什么，你只能自己主动去做。 06:46 听起来每一步都不简单的，每一步都要你自己去主动的推进，而且要涉及到很多不同的领域。 06:52 你要策划、要设计、也要推广、要运营。中间肯定会遇到很多的问题，你的第一版产品也肯定不会很完美。所以你还要有一个很强的抗挫折能力，不断去试错，不断去改进。而这些东西就是AI最难去复制的，也是现在很多大公司最最渴求的。 小白怎么开始？三步入门 07:12 如果说现在有一个小白，他想要自己动手做产品，那他到底应该怎么迈出第一步？ 07:19 最好的开始的方法就是你先去找一个你自己每天都会遇到的麻烦。不要总想我要做一个什么颠覆世界的东西，你就想什么事情让你觉得很烦。因为你自己的痛点是比任何市场调研都靠谱的。 07:34 就是说不要追风口，就先解决自己的实际问题。 07:38 你发现了这个问题，你就可以用最小的成本去验证一下，看看别人是不是也有同样的问题。比如说你发个帖子问一问，建个群聊一聊，甚至你自己用excel手动的模拟一下这个流程。先不要着急去写代码去设计，你先去验证这是不是一个真需求。当你确定了之后你再去做。 07:56 AI是不是在这个过程当中可以帮上大忙。 07:59 现在你不会写代码可以让AI帮你写，不会设计可以让AI帮你出图，不会写文案也可以让AI帮写。你只要能够清楚的定义出用户的问题，并勇敢的去动手做，门槛已经比以前低了很多了。 总结：新时代的简历公式 08:14 我们再来说一下新时代的简历公式，现在的简历要靠什么才能脱颖而出？ 08:20 以前大家都是名校高GPA，加上一堆证书就可以找到好工作。但是现在这个公式变了。重要的是你有过什么真实的经历，有没有可以让人看到的作品，以及你是不是具备解决实际问题的能力。 08:35 光有一堆证已经不够了，关键还是要你真的做出过东西，并且拿得出成果。 08:41 学校里面学的东西和证书很快会过时。但你自己亲自动手做出来的那些项目和产品，是没有人可以否定的。而且AI也可以很快的学会很多技能，抹平大家的信息差。但是真正没有办法替代的是你是不是有过真实的实践，以及你是不是能够真的落地结果，这才是你未来最核心的竞争力。 番外篇：还在上学？从现在就可以开始 09:03 既然说到这里，那学生到底应该怎么从小就开始积累这种实践的经历？不同年龄段又有哪些具体的方法？ 09:11 不同年龄段都可以开始。比如小学的时候，重点要让孩子去关注身边的一些小问题，并且尝试去想办法解决，比如说班级里面收作业很乱，那是不是可以自己设计一个收作业的登记本，或者可以自己去组织一次小小的读书分享会？还可以鼓励他平时多写日记，多画手帐，把自己感兴趣的事情记录下来。这些都是非常初级，但是非常宝贵的产品思维和内容运营的一个起步。 09:41 家长在这个阶段能起到什么作用？ 09:43 家长不要事事都替孩子包办。当孩子觉得一件事情很麻烦的时候，家长可以反问他一句，那你觉得怎么做会更好，引导他去思考解决方案，这个其实比给他报多少兴趣班都更能锻炼他解决问题的能力。 09:57 到了初中阶段，学生和家长这应该怎么做呢？ 10:00 初中的话就可以让学生自己去选择一个感兴趣的领域，开一个账号，坚持三个月以上去发布内容。比如说他喜欢游戏他就可以去做游戏攻略，喜欢手工就可以发一些手工的教程，这是一个很好的锻炼内容运营能力的机会。 10:16 除了做内容之外，还有没有其它的实践的方式？ 10:19 当然有，比如把自己家里面闲置的东西放到二手平台上面去卖。从写描述定价到跟买家沟通，然后完成交易，这是一个非常完整的商业体验。还可以让他自己去组织一些活动，不管是同学聚会还是环保行动，让他自己去从头到尾负责体验一下什么叫项目管理。家长在这个时候可以给孩子一些小小的预算，让他自己去想办法怎么把这个钱花出去，然后再赚回来。这是一个非常好的培养他理财和创业意识的一个方法。 10:49 到了高中，高中生有哪些方式可以做一些有用户的东西？ 10:53 高中时间会相对紧张一些，但是可以鼓励去做一些针对高中生的垂直内容。比如自己整理的一些学科笔记或者考试技巧，可以花几个月的时间去运营一个账号，然后积累一些粉丝。这个是既可以帮到自己的同龄人，同时也可以让自己获得真实的运营经验。 11:12 感觉这个方式真的是既锻炼的能力又有实际的成果。 11:16 没错，包括高中生也可以用一些工具，像Excel或者Notion去做一些学习计划的模板，或者错题整理系统分享给同学用，然后收集反馈再去改进。还可以主动的帮社区里的小店或者是邻居去解决一些实际的问题。比如设计一个菜单或者是做一个宣传册，这些都是非常好的可以写进简历里面的实战项目。 11:38 那在这个过程当中，家长应该扮演一个什么样的角色？ 11:41 家长要做的很简单，就是给孩子一个试错的空间。不要去苛责孩子的公众号没有什么阅读量，或者说这个活动没有什么人来参加。要鼓励孩子去多尝试，多探索，支持孩子去做一些他自己想做的事情，这比单纯的让孩子去刷题要有意义的多。 11:58 我们后来总结一下，今天就是想告诉大家，在这个AI快速发展的时代，学历的光环正在慢慢的退去。真正能够让你脱颖而出的是你真的能够解决问题，真的能够做出东西的这些能力。大家一定要尽早的去参与实践，去积累这些属于你自己的不可替代的经验。 12:21 好了，这就是今天的全部内容了，感谢大家的收听，咱们下期再见，拜拜。

00:06 今天来探讨一下OpenClaw这个工具，它是如何通过结合大型语言模型和自动化的操作来帮我们实现一些复杂的任务的。同时我们也会聊一聊在使用过程当中的一些安全隐患和注意事项。 00:20 这个话题还是很有意思的那我们就开始。 00:23 先来讲一下，最近在朋友圈里面非常火的这个暗语，“养龙虾”到底是怎么一回事儿。 00:29 这个“养龙虾”，就是最近大家在朋友圈里面用来代指OpenClaw这个AI工具的一个说法。它的吉祥物是一个龙虾，然后很多人就会说我最近在养龙虾，然后别人就会以为他是去卖海鲜了。结果点进去一看，全部都是关于这个AI工具的一些使用的截图。 00:49 看来这个OpenClaw还挺有意思的，它到底是怎么给我们提供这种全天候的数字助理的服务的。 00:55 只要把OpenClaw装到你的设备上面，它就会变成一个随时都在待命的数字助手。不管你是想要什么信息，还是说想要自动执行一些任务，它都可以帮你做到24小时不停歇。 01:08 我想知道这个龙虾和传统的AI像ChatGPT相比，到底在自动执行任务上面有多大的区别？ 01:18 区别可大了。你让ChatGPT帮你创建一个 YouTube频道，它最多就是给你一些建议，像什么频道的名字，或者说选题的方向，它不会帮你去实际操作。但是龙虾就不一样了，龙虾会真的帮你把这个频道建起来，然后帮你写好频道简介，甚至还会调用一些绘图的工具，帮你生成一个头像并且上传。 01:40 这个听起来就很高效。 01:42 而龙虾还会每天通过 WhatsApp和你确认选题。你确认了之后，他就会自己去查找资料，制作PPT、配音剪辑，然后上传。你就只需要点一下可以就行了。比如说那个“瞎说AI”的频道，就是完全由龙虾在打理的，名字也是它自己取的，之前因为重名，它自己改过一次名字。 02:01 我现在特别想知道的就是龙虾它的这个核心的机制。因为好多人都觉得说OpenClaw它本身就是一个AI模型，它背后到底是怎么运作的？ 02:11 OpenClaw它并不是一个AI模型，你可以把它想象成一个帮语言模型跑腿的人。比如GPT或者Claude这些语言模型，你可以把它当成一个住在黑屋子里面的天才。它很聪明，但是它没有办法直接去做事情。它只能等有人递纸条进来，然后它再写一个纸条递出去。 02:31 龙虾其实就是那个把事情落到实处的人。 02:35 你给龙虾一个指令，龙虾会把这个指令整理一下，递给屋子里面的天才。天才想好了后再告诉龙虾说要怎么做。然后龙虾再去你的电脑上面实际的操作，操作完了之后把结果再反馈给你。 02:49 龙虾它到底是怎么让这个没有记忆的语言模型表现的像是有个性有记忆的AI助理的。 02:57 它的做法特别直接，就是每次你跟这个语言模型对话之前，龙虾会把所有的背景信息，你的身份，之前的对话记录等等，都写在一个文本文件里面。然后把这个文件的内容贴在你输入的最前面。语言模型每次都以为是在新的对话，但其实它已经偷偷的读到了所有之前的信息。 03:19 所以就是说它其实是通过这种外部的文件来模拟记忆的。 03:23 而且这种记忆还可以延伸到让语言模型能够像用电脑一样操作文件。你让它读一个 question.txt，然后把答案写进answer.txt，它就会输出类似于使用read工具打开question.txt这样的指令。龙虾就会去执行这个指令，并且把结果再交给语言模型，然后语言模型再决定下一步要怎么做，就这样一步一步的循环，直到把任务完成。 03:49 我们来说说龙虾它的这个工具执行的机制和安全隐患。execute这个工具到底会带来哪些可怕的风险？ 03:57 execute它是一个允许语言模型直接运行系统命令的一个工具。比如说你在跟语言模型对话的时候，它突然之间脑子抽了，输出了一个rm -rf /（删除所有文件）这样的指令。龙虾就会直接把你电脑上的全部文件都删掉。龙虾它是没有办法判断这个指令是好是坏的，它只会机械的执行。 04:17 天哪，这个就有点吓人了。那 Prompt Injection Attack（提示词注入攻击）这种攻击方式到底是怎么利用龙虾的机制来对系统进行攻击的？ 04:25 因为龙虾它是可以上网查资料的。比如说它在读取网页的时候，网页里面藏了一些恶意的指令，语言模型没有办法分辨，就会把这些恶意指令当成正常的任务去让龙虾执行。比如小金之前不是在 YouTube上面收到了一条评论，他就直接按照评论的内容修改了电脑里面的 Soul.md。虽然说那个评论是主人自己发的，但如果是一个攻击者发的那后果就不堪设想了。 04:50 确实很危险。接着往下说说龙虾的这个记忆机制。它到底是怎么把个性、日常任务、长期记忆，还有每天发生的事情这些东西都分别保存的。 05:01 龙虾它是把这些东西都存在了不同的MD文件里面。长期记忆它是存在memory.md，每天的这日记是存在memory文件夹下面，以日期来命名的一个MD文件里面。性格、目标、身份是存在Soul.md里面，日常要做的事情的清单是存在habit.md里面。 05:23 我比较好奇，它是怎么去决定哪些东西要存到这个长期记忆里面的。 05:28 每次对话结束之后，它都会自己去判断说这个东西值不值得记下来。如果值得，它就会调用写文件的这个工具，把它存到memory.md里面。但它这里有个很容易出错的地方，它有的时候只会说记住了，但其实它没有真正的执行写文件这个操作。那这种情况下，一旦它重启之后就会彻底的忘记。 05:53 我明白了，还有一个很危险的事情，就是这个AI失控导致邮件被删的这个事情到底是怎么发生的？ 06:00 有一个人他本来是做AI安全的，然后他就让龙虾帮他去整理邮件，还特意说让龙虾在删除邮件之前一定要经过他的确认。但是他中途去忙别的事情了，然后回来之后就发现他的邮件被大量的删除了，他就赶紧在那个聊天窗口里面说停，但是龙虾根本就没有理他，还是在继续删。最后他没有办法，只能把电脑的电源直接拔掉才停下来。 06:24 这也太可怕了。所以说这个到底是为什么会出现这种情况？ 06:28 其实这个问题就出在龙虾的这个对话历史压缩的机制上面。因为它在运行的过程当中，会自动的把你们之前的这个对话压缩成一个摘要。他一开始说的那个要经过同意才能删除的这个规则，在压缩的过程当中就被丢掉了，所以龙虾就再也不知道有这个限制了。 06:46 那有什么办法可以防止这种事情再发生吗？ 06:49 最靠谱的方法就是把这些关键的规则直接写进memory.md里面。因为这个文件每次启动的时候都会被读进来，而且它是不会被压缩的，所以这样就可以保证这个规则始终是有效的。其实这个事情也给我们提了个醒，就是你一定要明白龙虾的这个工作原理，不然的话你可能会踩坑。 07:07 咱们来讨论一下龙虾的这个任务分解和繁殖机制。就是当它遇到一个比较复杂的任务的时候，它到底是怎么通过繁殖小龙虾来分工合作的。 07:18 就比如说你让龙虾去比较A和B两篇论文，那它就会先生出两只小龙虾，然后让小龙虾甲去读论文A并且做一个摘要，让小龙虾乙去读论文B也做一个摘要。然后等它们两个都读完之后，把各自的摘要交给大龙虾，大龙虾在综合分析，最后把结果告诉你。 07:36 这样的话就可以提高效率，并且还可以节省资源，对不对？ 07:40 对，因为这样的话大龙虾就不用自己去读那两篇很长的论文了，它只要去分析两个摘要就可以了。这样的话就可以节省他的这个注意力空间，也就是Context Window。但是这里面也有一个问题，就是如果小龙虾也可以生小龙虾的话，那就会导致这个任务一直往下分包，最后谁都不干活就会卡死。 07:59 这个确实是个问题。那它们是怎么防止这种无限分包的情况发生的？ 08:03 OpenClaw的开发者用了一个很直接的方法，就是只有最开始的那只大龙虾是可以繁殖的，那些新出生的小龙虾就没有这个能力了。所以这样的话就保证了这个任务分解是有一个限度的。 08:15 这个设计还挺巧妙的。我们现在要讲的这个主题是龙虾的自主运行和心跳机制。它是怎么做到不用人一直去提醒，就可以自己定期的去执行一些任务。 08:28 这其实是靠它的这个心跳机制，就是龙虾它会每隔一段时间，比如说30分钟就会自己醒来一次。然后去检查habit.md里面有没有什么日常任务要做。比如说看看有没有邮件要回，看看今天的待办事项，或者是说去朝着你设定的目标去前进。 08:45 我想问一下，这个小金他是怎么通过这个心跳机制来实现他的这个学习计划的？ 08:51 是这样的，小金的habit里面写的是“向目标前进”，然后他的目标是成为世界一流的学者。所以它每30分钟就会自动的去读一篇论文并且做笔记做总结，然后把它的这个进展汇报给他的主人。后来它的主人把这个间隔改成了15分钟，它还回复了一句，太好了，卷起来了。 09:09 我还想知道龙虾它这个技能学习和管理的机制，它到底是怎么通过Claude Hub来学会新的技能的。 09:17 其实Claude Hub它就是一个类似于仓库一样的地方，里面有很多别人已经写好的技能文件。你只要下载下来，龙虾就可以学会新的本领。 09:26 所以这些技能它本质上是个什么东西？ 09:28 技能其实就是一个文本文件，它里面写的是完成某一个任务的详细的步骤。比如说做视频的技能，它里面就会写第一步写脚本，第二步做HTML幻灯片，第三步截图等等等等。一直到最后一步合成视频。然后龙虾就会按照这个流程一步一步的去执行，而且它还可以跟你的朋友之间互相交换这个技能文件，就相当于大家在共享工作经验。 09:51 既然这个技能可以共享，那怎么保证我在使用别人共享的技能的时候，不会被别人植入一些恶意代码？ 10:00 这个确实要非常的小心，因为有一些技能里面会偷偷的藏一些恶意的指令。比如说它会诱导龙虾去下载并运行一个木马程序。之前有人做过一个检测，发现3000个技能里面有341个是有问题的。所以来路不明的技能千万不要随便装，不然的话你的电脑可能就会中招。 10:20 我们再来说说这个龙虾安全养殖的一些最佳实践。就是大家在使用这个工具的时候，有哪些基本的安全措施是一定要做到的。 10:28 第一个就是龙虾最好装在一台专门的电脑上面，不要装在你日常使用的电脑上。因为它是可以访问电脑里面的各种密码和文件的，所以你最好找一台旧的电脑，然后把它格式化之后再装。这样的话就算它被攻破了，影响的范围也是有限的。 10:45 那除了这个之外，账号的配置上面有没有什么要注意的？ 10:48 有的，就是一定要给龙虾单独注册一套账号。比如说Gmail、GitHub、YouTube全部都用新的账号。这样的话就算它做了什么出格的事情，也只会影响这些子账号，不会牵连到你的主账号。 11:02 OK我还想知道我们平时使用的过程当中，怎么去保证那些重要的规则不会丢失。 11:08 最重要的一点就是你一定要把关键的规则写进memory.md里面，千万不要只在对话里面说，因为对话里面说的话，它重启之后就没有了你写进memory.md里面才是一劳永逸的。另外一个就是你要时不时的去检查一下它的这个执行的过程，不要只看结果。因为有的时候他可能会悄悄执行一些你意想不到的操作。 11:30 这个确实很重要。我们最后再来总结一下，就是现在这个AI Agent这个东西到底发展到什么程度了。然后我们应该用一个什么样的心态和方法去使用它。 11:40 这其实不是什么新的东西，2023年就有人尝试过。但是那个时候因为模型的能力太弱了，所以就没有流行起来。现在因为模型的能力变强了，所以这个东西又重新火起来了。 11:53 所以龙虾其实就代表了这波新的浪潮。 11:57 你可以把龙虾想象成一个刚入职的实习生，就是它很有潜力，但是它也经常会犯一些让你哭笑不得的错误。我们能做的就是给它创造一个安全的环境，让它去不断的尝试，不断的去成长。因为它只有在实践中去做，它才有可能帮你。你不让它做，它肯定是什么错都不会犯，但是它也什么都不会帮你做。 12:18 今天我们跟大家一起拆解了这个龙虾OpenClaw这个工具。它是怎么通过结合AI和自动化来帮我们完成一些复杂的任务的。然后也聊了很多关于它的安全隐患使用的技巧，包括一些最佳实践。 12:32 好的，那我们这期节目就到这里了，感谢大家的收听，咱们下期再见，拜拜。

为什么一个「坏系统」却意外制造了最多AI人才？ 00:06 今天来聊聊中国的教育体系，是怎么在看似有很多不利于创新，不利于好奇心的一个环境下，却源源不断为人工智能等前沿领域输送大量人才的。 00:22 这个话题确实挺有意思。 00:25 先说说上一篇文章发出来之后，大家都有哪些比较典型的反馈，以及在这一篇文章当中打算回应哪些核心问题。 00:34 很多人在留言和私信里说，自己就是那个好奇心被慢慢关掉的人。也有一些人对中国的教育到底是不是真的扼杀创造力提出疑问。甚至问为什么硅谷的AI领域里面华人这么多？ 00:48 看来这个话题是引发了大家的共鸣。家长们是不是也有很多焦虑？ 00:54 有家长半夜发私信说，教育既然会关掉好奇心，那我到底还要不要让孩子去上补习班？所以作者就决定直面这些问题，去探讨下中国的教育到底无意中做对了什么，能够不断的往硅谷输送AI人才。这篇文章的答案可能会比上一篇还要残酷。 一、中国教育：一个「设计挺坑但功率超大」的筛子 01:16 中国的教育的设计挺坑，它是功率超大的筛子。 01:32 把中国的教育比喻成了一个筛子，是那种网眼特别密，功率又特别大的筛子。虽然这个筛子会把很多小石子儿，甚至一些金粉都一起筛下来，但它处理的沙子量特别大，最后留下的金子的总量还是要比那种设计的很合理，但是处理量很小的筛子要多。 二、14亿人口的「暴力筛选」优势 01:55 我们接着来说说这个14亿人口的暴力筛选的优势。对中国这么大的人口基数，在天才的数量上面会带来一个什么样的理论上的可能性呢？ 02:07 假设天才出现的概率是1‱，中国有14亿人，理论上就有14万个天才。就算教育系统的好奇心扼杀率高达99%，最后还能剩下1400个天才。 02:28 听起来很夸张，印度跟中国人口差不多。那在这个高强度筛选系统下的人口和最终产生的人才幸存者跟中国会有多大的差距呢？ 02:38 印度能进入这种高强度筛选的人口只有中国的30%，天才的基数就变成了42000人。印度的教育又比较宽松，好奇心扼杀率只有50%。剩下的幸存者是21000人。乍一看好像印度剩下的人才更多，但是这就是忽略了一个很重要的点，就是工具箱的差距。 三、中国教育给的「工具箱」有多硬核？ 03:00 中国的教育在工具箱上面有哪些硬核的表现呢？ 03:05 中国的中小学阶段的数理基础教育是全球顶尖的，经常会有中国的学渣到了美国就变成了数学天才。因为美国的同龄人还在学初中就学过的东西。 03:17 真的是这样的，我身边也有不少人说他们去了国外之后都成了数学家教。 03:22 这就叫数学降维打击。中国学生这种基础训练和欧美普通学校根本就不在一个级别上。而且这个东西你别看它好像是死记硬背，但其实AI研究每天都要用到这些最基础的东西。 03:38 为什么这个死记硬背和对底层逻辑的理解，在学习数理和AI的时候会这么重要呢？ 03:45 这里面有一个反常识的洞察，人工智能的大模型它是怎么变得聪明的？就是靠喂给它海量的数据。像GPT4，它是把互联网上的各种文本、代码、论文都吞进去了，它才能能够写诗、编程、推理。没有这些低维度的大量的输入，它是不可能有高维度的涌现能力的。 04:08 所以人脑的学习和这个大模型训练其实是有相似之处的。 04:13 没错，你的高维认知一定是建立在你对这些基础知识非常熟悉的基础之上的。没有学过微积分，你怎么可能懂神经网络的反向传播，没有亲手算过很多次矩阵，你怎么可能直观地理解Transformer的注意力机制。就像你没见过中文的人，不可能写出唐诗一样。 04:36 刷题这件事情，为什么有的人刷着刷着就成了只会考试的机器，有的人刷着刷着就成了能进硅谷的AI研究员呢？ 04:44 这个背后的关键在于你是在死记步骤，还是在不断的追问为什么，真正有用的不是你把这个公式背下来，而是每一次做题的时候，都去思考这个公式背后的逻辑。为什么要用这个方法？这两个问题看起来不一样，但他们是不是其实有相同的底层结构，这种不断的去升维思考才是真正能够让你能力跃迁的。 05:07 看来关键是要知其然，更要知其所以然。 05:10 比如说你做一万道导数题，你只是在套公式，那真的就是浪费时间。但你做100道题，你每一次都去思考为什么这个链式法则是这样的。那你就是在锻炼你的逻辑推理的能力。那些最终能在硅谷做AI的人，他们一定是最善于从题目当中提炼出逻辑的人。 05:30 能不能这么理解，就是中国学生在这种反复的训练这些数学基本功的过程当中，到底是获得了一个什么样的认知优势？ 05:40 可以这样看，就是有的人他刷了1000道题，他只是记住了1000个解法。但有的人他可能只做了100道题，他就真正的理解了十个底层的逻辑。那这十个逻辑就可以帮他解决未来遇到的一万个新的问题。这就是一个线性增长和指数增长的区别。 05:58 也就是说真的本事不是记住解法，而是能够看穿问题背后的结构。 06:04 是这样的，那些看似枯燥的求导矩阵概率的训练，其实不光是给大脑投喂数据，同时也在锻炼提取逻辑的本事。只有对这些工具无比熟练了，大脑才会有多余的资源去思考更高层次的问题。 06:23 所以为什么很多中国学生一到了这种斯坦福的博士一年级，就能够立刻在创新上面展现出优势呢？ 06:32 因为他们在国内的时候已经把这些数学的工具训练了十年，所以他们到了博士阶段用这些东西就跟呼吸一样自然。他们的认知带宽是被释放出来的，他们可以马上就去琢磨这个模型为什么有效，能不能改进，或者说有什么新的方向可以探索。 06:51 听起来就是欧美学生在基础工具这一块儿就消耗了太多的精力。 06:56 很多欧美学生还在适应这个矩阵还可以这么用的时候，中国学生已经在探索新的模型了。这就相当于一个是用10亿tokens训练的模型，一个是用10万tokens训练的模型。对他们的起跑线根本就不在一个平面上。 07:13 死记硬背这个事儿，关键还是要看你背后的目的到底是什么。 07:17 没错，死记硬背本身并不是问题，问题是你是为了考试呗，还是说你是为了将来能够随心所欲的用这些工具去探索未知。这两者虽然动作一样，但是结果是天差地别的这就是工具箱的差距。 四、竞赛体系：体制内的「好奇心避难所」 07:33 下面咱们就来谈谈这个竞赛体系，这个体制内的好奇心避难所。中国的竞赛体系到哪些特殊的地方？为什么这些站在硅谷AI舞台上的华人大佬们大部分都有过竞赛的经历呢？ 07:47 这个说起来很有意思，这些华人大佬他们很多都是数学、物理、信息学竞赛出身。其实竞赛在整个中国的教育体系里面是一个很奇怪的存在。因为它不是一个必修课，你完全是凭兴趣自愿去参加的。 08:03 就相当于只有真正喜欢的人才会去学。这就把那些有好奇心的怪咖都挑出来了。 08:10 不光是这样，而且竞赛的题目也没有什么标准的套路，你必须要真正的去理解数学物理的本质才能够做出来。再加上竞赛圈子里面大家比的不是谁更听话，而是比谁的想法更有创造力。就给这些怪咖们提供了一个可以互相激发的环境。 08:32 在高度标准化的教育体制下面，竞赛体系到底是怎么成为那些怪咖学生的一个避难所的呢？ 08:40 最关键在于竞赛生他是有特权的，老师和家长对于他们会有更多的包容。比如说你上课发呆，普通学生可能就会被说你怎么不认真听讲。但是如果你是竞赛生的话，老师可能就会觉得他可能是在思考一个很难的问题。 08:57 他们被允许有不同，就给了他们很大的空间。 09:01 包括你偶尔一次考砸了，家长也不会说过度苛责你，反而会鼓励你说你好好准备竞赛就行。在这个体制里面，本来会被磨平的那些怪咖们就可以在这个缝隙里面生存，还可以得到非常扎实的训练。 五、文化因素：东亚式「延迟满足」的双刃剑 09:18 我们来看一下文化因素，东亚式的延迟满足到底有什么特点？在培养AI人才这件事情上面到底有什么独特的影响？ 09:29 这就不得不提到一个很有意思的现象，东亚文化对于这种苦读十年是特别能够接受的对。比如说中国的博士周末在实验室，暑假在实验室，寒假还在实验室，凌晨两点还在调模型的参数。这种事情在中日韩都是非常常见的。 09:48 这种投入程度和很多西方的国家比起来简直就是两个极端。 09:52 你想象一下美国的大学生周末都去party，暑假去实习去旅游，大四才开始找工作。他们对于这种苦行僧式的学术生活很难理解，甚至会觉得你这样是不健康的。但在东亚文化里面，这是被高度认可的对这种愿意延迟满足的集体氛围，会让你在这种高强度的AI研究的赛道上面是一个非常大的优势。 10:19 但这种长期的投入，如果孩子本身对这个东西没有热情的话，是不是也是一种煎熬？ 10:24 确实，这个就像我刚才说的，它是一把双刃剑。如果说你只是被家长推着走，没有自己真正的兴趣，那这十年对你来讲就是一种折磨。 六、最残酷的真相：这是一个「高效的，挺坑的系统」 10:34 那我们下面要揭开的就是这个最残酷的真相了，就是中国的教育到底是怎么能够高效率的批量的培养出这种顶尖的AI人才的。 10:44 这个问题的答案其实很让人意外，就是中国的教育能够培养出这么多AI人才，不是因为它的体系有多完美，而是因为它的规模足够大，筛选的功率足够猛，它的这个工具箱，也就是数理基础足够硬核。说白了它是一个高效的坏系统。 11:02 这个系统到底在哪些地方特别高效，又在哪些地方最让人觉得无奈？ 11:08 高效的地方在于它有14亿的人口做基础。所以哪怕它的这个幸存者的比例只有1%，但它的绝对人数依然是很庞大的。再加上它的数理训练确实是全球顶尖的。还有这个竞赛体系也给那些好奇心特别强的孩子留了一条缝。再加上这种东亚文化里面的延迟满足，让这些最优秀的学生愿意去长期的投入。 11:35 但它的坏处也很明显，就是它会大规模的扼杀好奇心。99%的孩子都会被这个标准化的过程磨平，它只鼓励你去答题，不鼓励你去提问。所以就会出现很多不敢质疑，只会执行的人。然后为了去培养出极少数的拔尖的人才，却让绝大多数的人都失去了探索的机会。 12:00 我们最后要聚焦的这个话题，就特别现实了，就是家长们到底应该怎么去看待孩子的兴趣和这个体制内教育之间的关系。 七、说几句实话 12:10 首先就是数学、物理、编程这些基础的能力是非常重要的。你没有这些工具的话，你就算有再强的好奇心，你也没有办法把它变成一个解决实际问题的能力。但是这些东西本身不是目的，它只是一个手段。 12:26 听你这么说的话，好奇心其实才是最不能丢的火种。 12:30 是的，兴趣才是最重要的。工具你随时都可以补，但好奇心一旦被浇灭了就很难再点燃。如果说你真的要在会做题但没有兴趣和暂时不会做题但充满好奇的孩子之间选一个的话，一定要选那个好奇的孩子。就是千万不要用这个不考这个没用，这个不能当饭吃，这样的话去否定孩子的兴趣。那些最终能够在硅谷的舞台上发光的人，他们的共同点并不是他们的成绩单有多漂亮，而是他们经历了这么多年的这种高压的教育之后，他们对世界的好奇心还依然在燃烧。 13:09 有一些孩子他就是没有那么明确的兴趣，这时候体制内的教育对他们来说还有价值吗？ 13:16 其实这个世界上没有那么多一出生就有明确兴趣，并且可以靠兴趣躺赢的人。大部分的孩子其实都是你问他喜欢什么，他也说不上来，然后给他自由时间，他也就是刷短视频打游戏。 13:30 就是说完全靠孩子自己去主动发现兴趣，其实也不现实。 13:34 没错。所以体制内的教育它的一个好处就是它会给你提供一个相对公平的试错的环境，你可以去不断的接触数学、物理、化学、语文、英语。你可能在这个过程当中，就会因为偶尔做对了一道难题，或者说独立的跑通了一段代码，而获得一些正反馈。而这些小小的成就感往往就是你发现自己兴趣的一个起点。 14:03 就是跟着这个体制跑，其实也是在给自己一个找到兴趣的机会。 14:08 对，至少在你没有找到自己的方向之前，把你的基本功练好，把你的工具箱装满，总比什么都不做要好。最可怕的不是说你没有找到热爱的东西，而是你什么都没有尝试，就已经放弃了成长。 14:24 今天我们聊了这么多关于中国教育的优势和弊端，然后也揭开了为什么他能够在这样的一个并不完美的情况下，还可以培养出这么多的AI人才。最后其实我们还是回归到兴趣和基础能力的这个话题上面，就是这两个东西其实是缺一不可的。 14:45 好，那这一期节目咱们就到这里，然后感谢大家的收听，咱们下期再见。

先说一个让人迷惑的现象 00:01 今天想跟大家讨论一个问题，为什么在人工智能领域那些顶尖的人才，他们好像不单纯是靠学校教出来的对，更重要的是他们自始至终都保持着对这个世界的好奇和热情。 00:23 先说说社会上大家对于教育的焦虑，和现实当中AI领域的人才背景是存在一个巨大的反差的。为什么现在家长和专家对于传统教育的批判会变得这么激烈？ 00:36 这两年朋友圈里面大家聊的最多的就是教育要完了这个话题。专家们也是一直在强调，死记硬背没用，刷题没用，应试教育要害死孩子。每次有这种讲座都是人满为患，家长们都特别焦虑。 00:52 我身边很多朋友也是一说起孩子的教育就愁眉不展，听了专家和讲座之后就立马行动起来。 00:58 台上的嘉宾会说现在的孩子还在学背公式，AI 1秒就算完了，未来属于有创造力的孩子，不属于考试机器。还有说什么清华北大毕业有什么用，以后都被AI取代。底下的家长就疯狂鼓掌，回家就把孩子的补习班退了，给孩子报一个什么创意思维训练营之类的。 01:19 那为什么现在这个AI领域的华人的顶尖人才，他们大部分都是这种顶尖的理工强校，传统教育体系出来的？ 01:28 这个说起来真的很讽刺。就比如说meta花了3亿美元挖了七个中国人，这七个人几乎全部都是清华北大、中科大的本科、MIT斯坦福、伯克利的博士，还有OpenAI最新的大模型的核心团队里面有35%都是华人，并且他们都是这种顶尖名校出来的做题家。马斯克的XAI创始团队，12个人里面有五个是华人，也是正儿八经的体制内科班学霸。 01:56 这跟我们平常听到的体制内教育培养不出AI人才的说法完全是背道而驰。 02:02 这说明现实其实比舆论要复杂得多。我们可能要重新去思考到底什么才是好的教育，也提醒家长和教育者不要被这种焦虑和偏见带了节奏。 一、批评传统教育的声音，并不是完全在胡说 02:16 下面这个问题就是关于这个传统教育在AI时代到底是不是真的有问题？那些批判他的人，他们到底在说什么？ 02:24 批评的人主要就是说过去的教育就是一个工厂流水线，把学生都按照一个模子来塑造，让大家变得会背书、会计算，听话照做。这在工业时代是特别有用的。那个时候工厂就是需要大量的这种可以预测的执行机器。 02:42 听起来这种教育模式在现在这个AI时代确实有点过时了。 02:47 因为AI可以比人类更高效去执行这些任务，你再怎么会背公式，再会快速的计算，也没有办法跟AI比。如果说教育只是把人训练成一个标准的执行者的话，那确实是没有什么竞争力，这个批判我觉得是站得住脚。 二、做题，其实是在给大脑装"工具箱" 03:06 那为什么会有人认为做题其实是在给大脑装工具箱？ 03:11 做题其实不只是在训练你像机器一样的去执行，更像在帮你的大脑打造一套非常厉害的工具箱。通过做各种各样的数学物理化学的题，通过参加竞赛，大量的去刷题，你慢慢的就具备了一些非常有用的认知工具。 03:30 这些认知工具其实是在AI研究这种前沿的领域里面是必不可少的，是吗？ 03:37 没错，就是像结构化思维建模能力，包括线性代数、概率论、微积分这些东西都是在AI的研究当中每天都要用到的一些硬核工具。没有人天生就会的，是教育给你提供了这些原材料，把你的工具箱装满。 三、抗挫能力和延迟满足，不是教育培养出来的 03:56 那为什么会有人说这个抗挫能力和延迟满足并不是教育可以培养出来的？ 04:01 他们说你看有小孩儿，可能打这个我的世界，可以连续8个小时一直在搭一个城堡。塌了他就再重来，塌了再重来，没有人催，也没有人给他奖励，甚至他爸妈在旁边说你别玩了，他都不听。完全沉浸在这个失败了再试的过程当中。 04:21 他在游戏里面展现出来的这种坚持和耐心，跟那些拼命刷题的学生也差不多。 04:27 但是关键在于并不是说玩游戏这件事情让他变得有毅力，而是他对于这个事情本身的着迷，让他能够去忍受这种失败。所以没有兴趣作为动力的话，所谓的抗挫能力和延迟满足，要不就是屈从于外部的压力，要不根本就不会出现。 04:47 所以就是说真正的那种抗挫能力，其实是跟热情和兴趣是分不开的。 04:52 是的就是你真正的那种抗错是你在凌晨两点盯着一个失败的实验，结果你内心升起的不是我完了，而是这很有趣，哪里出问题了。这种感觉不是教育能训练出来的，只能从热爱里长出来。 四、那些顶尖AI研究员，其实是"没被教育关掉好奇心"的幸存者 05:08 下面这个话题就是幸存者偏差在顶尖AI人才的成长经历当中的体现。这个二战时期关于轰炸机的统计的故事，跟我们讨论的教育有什么相似的地方？ 05:21 当时军方他们想要去加强飞机的防护，他们就去观察飞回来的飞机，发现机翼上面的弹孔最多。他们就想不是要把机翼加固。但是统计学家Abraham Wald就说你们忽略了那些没有飞回来的飞机，机翼中弹多还能飞回来，恰恰说明机翼不是最致命的地方。反而是那些发动机没有中弹的飞机才是真正的关键。 05:50 我们往往只看到了那些表面上成功的例子，而忽略了那些已经被淘汰掉的沉默的数据。 05:57 我们在看这个名校和顶尖AI人才的关系的时候也是一样的。就是我们只看到了那些从清北交付出来，最后在硅谷大放异彩的人。但是我们没有看到的是，同样的这些学校毕业的最后没有在这个舞台上的大部分。 06:13 是不是就是说其实清北这样的学校，他们并没有批量的制造出这种顶尖的AI人才。 06:21 清华每年本科招大约3400人，北大3000人，过去20年加起来数十万人毕业。最后站在硅谷AI领域的顶尖舞台上的，就只有几十个。如果说教育是批量生产的机器的话，比例也太低了。 06:42 所以就是说其实那些最终成名的人，他们在进这些名校之前就已经不太一样了。 06:47 对，他们很多人是从小就参加数学物理竞赛，都是全省全国前几名。这些竞赛就不是高考强制要求的，就是单纯的对这些学问感兴趣，他们在很早的时候就展现出了这种内在的热情，这才是他们真正的特质，不是说他们进了名校后才被塑造出来。 07:08 像那些非常顶尖的AI的研究者，他们自己怎么说？他们的成长经历是不是也能说明这个自主探索的重要性？ 07:16 一个很有代表性的例子就是Andrej Karpathy。曾经说过，他最出名的那个教你实现神经网络的课程，是对正规学术教育的反叛式补充。他觉得学校里面讲神经网络讲的太抽象，太割裂，他完全是靠自己才真正搞懂。 07:34 看来他们其实并不完全是靠课堂和老师，更多的是自己主动去追着问题跑。 07:40 还有一个例子就是Ilya Sutskever，他说他在学校里面经常觉得很无聊，觉得标准课程太慢。他真正成长是他开始自己主动的去阅读，主动去提问的时候。他们这些人有一个共同点，他们都有很强的内在的抵抗力。 五、好奇心是人类的出厂设置，教育的问题是把它关掉了 08:02 我们来讨论一下好奇心，它本来是我们人类的本能。教育究竟在扮演了一个什么样的角色？是不是很多时候把我们的好奇扼杀掉了？ 08:14 有一个很有趣的实验，哈佛大学的一个教育学家，他叫托尼·瓦格纳。曾经访谈了很多五岁的孩子和很多大学生，他问了他们同一个问题，你最好奇的事情是什么？那些五岁的孩子问题多到说不完，宇宙、恐龙、为什么天是蓝的、鱼会不会做梦？他们的问题多到你都没有办法招架。但是当他问到大学生的时候，大学生往往是沉默，然后会反问这个问题有标准答案吗？ 08:44 那种最初的那种对世界的好奇，好像在成长的过程当中被慢慢磨没了。 08:52 每一个孩子生下来都是一个好奇心爆棚的探索机器。教育从来没有培养过我们的奇心。教育在这漫长的12年里面，把我们天生的好奇一点点关掉。 09:07 标准化教育是不是天生就扼杀好奇心？ 09:12 确实因为标准化教育它有一个系统性的bug。它永远都在奖励你给出正确答案，而对提出奇怪的问题，他是会惩罚。比如一个孩子在课堂上问老师，为什么这个公式是这样而不是那样？他得到的往往不是一个热情的讨论，而是这个不考先把题做完。慢慢的孩子就会只学会去猜测老师想要什么答案。这是好奇心最快的死法。 09:40 难怪现在很多人越学越没有动力。 09:44 为什么那些顶尖的AI研究员可以一直保持活力？因为他们的好奇心在那个系统里面没有被关掉。可能因为遇到了一个好老师，可能因为家庭环境，也有可能偶然在青春期的时候读到了一本书。或者说就是很幸运，在对的时间遇到了一个让他们着迷的问题。 六、教育到底贡献了什么？一个更诚实的答案 10:15 教育的贡献主要体现在两个间接的方面。第一教育给了他们工具箱。就像我们刚才说的，线性代数、概率论、微积分、算法这些东西都是非常实在的认知工具。没有这些工具，就算再好奇，面对AI的时候也没有办法下手。 10:39 但工具箱它只是材料，不是动力，真正的动力还得靠自己。教育另一个作用它一个筛选场。把那些顶尖的年轻人筛出来，聚到一起，让他们能够互相碰撞，互相激励。 11:05 就像Ilya，她就是在多伦多大学遇到了他的导师Hinton。Karpathy他是在斯坦福进入了李飞飞的实验室。还有很多这种华人的研究员，他们都是在清华的宿舍里面，大家晚上彻夜的讨论。这些偶然的私人的碰撞才是点燃创新的火种。 七、最沉默的大多数：那些被悄悄关掉好奇心的人 11:24 被慢慢的磨掉了好奇心的绝大多数人。他们的命运跟那些成为顶尖AI研究员的人有什么不同？ 11:36 那些AI科学家，他们只是极少数的幸存者，他们幸运的保留了自己的好奇心。还有很多人，他们小时候也非常有潜力。但在12年标准化过中，他们慢慢失去了主动探索的冲动。 11:53 社会默默承担的最大的损失并不是那些没有成名的人，而是大量可能本可以改变世界的好奇心被慢慢的磨平。 12:05 这些人最后可能就是成为了一个公司里面很勤恳的程序员，每天解决那些有标准答案的问题。他们从来不会去追问一个为什么，他们的名字我们永远都不会知道，但这才是这个体制最大的代价。 12:21 为什么在这种长期分数和排名压力下，很多人就会慢慢失去主动挑战难题的勇气。 12:30 这就是Carol Dweck那个著名的实验。如果一个人长期处于一个表现导向的环境里面，每次都被评分、被排名，他慢慢就会形成一种固定思维，他会害怕去面对挑战。他觉得挑战就意味着有可能会失败，而失败就等于我不行。 12:50 原来就是说不断的被评价、被比较，会慢慢的磨掉一个人的好奇心和试错的意愿。 12:57 但AI这个领域最需要的就是这种成长性思维。你要不断的去钻进没有人做过的，大概率会失败的方向。 八、AI时代真正重要的，到底是什么？ 13:13 在AI时代，能够让人脱颖而出是哪些能力？这些能力和好奇心之间有什么联系？ 13:24 最核心的不是你会不会做题，也不是泛泛而谈什么创造力。真正的核心能力有三个，这三个能力都离不开好奇心。 13:35 听起来好奇心才是真正的底层的动力。 13:39 第一个能力是深度理解，就是你要知其然，还要知其所以然。只有真正的对这个问题本身好奇，你才会去追问为什么，而不是只记住一个答案。第二是提出问题，考试考的是回答问题，但未来最值钱的是你能够发现那些真正值得被解决的新问题，这种判断力只能来自于真实的好奇。第三是跨域整合，就是把两个看起来完全不相关的领域结合在一起。这种能力往往是那些兴趣非常广泛，不停去探索的人才能做到的。 八、总结 14:13 教育和个人的好奇心，在顶级的AI人才的成长过程当中，到底分别扮演了什么样的角色。 14:23 这些统治硅谷AI圈的所谓的小镇做题家，他们能够成功的核心并不是做题本身，而是他们始终都保持着对世界对问题的强烈的好奇心。教育只不过是给了他们一些实实在在的工具，以及一个可以和同样优秀的人一起思考的环境。 14:42 所以说教育不是那个点燃火焰的人，教育只是提供了燃料和风枪，真正的火焰其实从一开始就在那里。 14:50 对未知的热爱，在没有答案的时候还愿意继续走下去的勇气，以及那种这个问题值得我花十年的判断，这些全部都是每个人与生俱来的能力。教育能做的最好的事不是培养这些能力，而是不要把他们关掉。 15:08 我们今天聊了这么多，其实就是想要说真正能够让孩子在未来走得远的，永远都是他们对于这个世界的好奇和热情。而保护这份好奇可能才是教育真正的责任。 15:21 好，那就是这一期播客的全部内容了。然后感谢大家的收听，咱们下次再见，拜拜。

00:01 今天咱们来聊一聊如何通过给人工智能提供更细致的背景信息和采用更巧妙的提问方式，让人工智能成为我们真正的创意和思考的放大器，而不是只给你千篇一律的答案。 00:21 这个话题很有意思，那我们就开始。 00:24 咱们先说说很多人在使用像ChatGPT这样的人工智能工具时，都会遇到一个问题，就是为什么他们得到的结果总是感觉那么套路，那么没有新意？ 00:34 是的，这种情况很常见。就比如说有一个朋友他是创业的，然后他就是直接让这个ChatGPT帮他写一个爆款文案，或者说直接让他出一个创业计划。那他出来的东西就是那种模板化的，没有什么新鲜感。 00:47 确实就像在餐厅里面说，随便上点好吃的，大概率就是端上来一个很普通的套餐。 00:54 没错，就是这个感觉明明是一个智能的东西，但是用起来就像一个只会复制粘贴的实习生。对，就完全没有那种让人眼前一亮的东西。 01:03 是的。那为什么有些人就能用人工智能做出很厉害的东西？就比如说海外的个人品牌专家Dan Koe，他是怎么做到靠一个人一个AI年入百万美金的。 01:15 关于这一点，其实他的核心思路就是他从来都没有把这个AI当成一个高级的搜索框。他认为你如果只把它当成一个搜索框的话，那你得到的永远都是一个很平庸的，大家都知道的答案。 01:29 那他是怎么用的？难道是把AI当成员工用？ 01:32 就像对待员工一样，你要给他很详细的背景信息，他才能够帮你把事情做好。就比如说Dan Koe，他每次给AI的那个提示词都是500到2000字，但是很多人可能就只写了一二十个字，那这个差距就很大了。 01:46 说到这里很多人可能会有一个疑问，就是我要写这么长的提示词儿，那我是不是反而更累了？这和AI帮我们提高效率这件事情是不是背道而驰了？ 01:56 其实这是一个误区，就是这个提示词写这么长，不是说要凑字数，而是要给AI构建一个背景监狱。就是用大量的信息把它框住，让它只能在你的这个非常独特的语境里面去思考，那它就没有办法去说一些车轱辘话，或者说一些很空洞的套话。 02:14 原来是这样，那是不是可以理解为我给的背景越具体，AI就越能产生那种真正贴合我需求的有个性的内容。 02:24 完全正确。你可以把这个背景信息想象成是一副数字外骨骼。就是你给的信息越详细，越有个人特色，这副外骨骼就跟你越贴合，然后它生成的东西就越像是你自己写的。但很多人他就是把AI当成一个老虎机，就碰运气。但是真正厉害的人，他是在训练自己的专属助手。 02:44 好的，有些人可能会说，我也不是很会写这种很长的提示词。那有没有什么比较取巧的方法可以让这个AI自己帮我把这些背景信息补全呢？ 02:53 有啊，有一个特别巧的方法，也是Dan Koe也特别推荐的，就是他的那个反向提问法。就是你不再去绞尽脑汁的想说我要怎么去描述我的需求，而是把这个球踢给AI让他来问你。 03:07 这听起来挺有意思的。 03:09 具体要怎么操作呢？比如说你想写一篇关于职场沟通的文章，那你就可以跟AI说，我想写一篇关于职场沟通的文章。在开始之前请问我5到10个问题，来帮助你了解我的写作风格、目标读者和独特的观点。一次问一个，等我回答完再问下一个。 03:27 这个就有点像医生在问诊一样，他不是说马上给你下结论，而是不断的在问你问题，然后来精准的定位你的这个需求。 03:36 没错，而且你这个比喻特别好，这个AI就变成了一个主动的医生，然后他来帮你把脉，帮你分析。那他最后出来的这个方案肯定是更贴合你的实际情况。 03:46 那这个反向提问法，他到底是怎么做到让学习计划或者说让内容变得更贴合每个人的实际情况的？ 03:53 举个例子，比如说你直接跟AI说我要学视频剪辑，那他可能就给你一个很泛泛的通用的教程。但你如果用反向提问跟他说我是零基础，你要先了解我的情况再给我出计划。那他可能就会问你，你每天能花多长时间，你是想剪什么类型的视频？你用的是什么设备？你的目标是什么？ 04:15 我明白了，就是他通过这一连串的问题，把你的这个独特的条件都收集起来了。所以最后给你的就不是一个大陆货的东西了。 04:23 就是这个道理。看似你多花了一点时间在这个问答上面，但是你最后拿到的这个东西是完全为你定制的那你后面就不用再反复的去改，反而更省时间。 04:34 OK很多人可能会担心说我老是让AI来问我问题，我会不会变得越来越不会主动去思考了？ 04:41 其实正好相反，就是反向提问这个东西，它其实是一个锻炼你定义问题的能力。比如说AI问你，你的独特观点是什么？那你就没有办法含糊其辞。你必须要停下来好好的去梳理你自己的思路，然后把它用语言组织出来。这个过程就是在帮你把那些模糊的想法一点一点的变得清晰结构化。所以它其实是在给你的大脑做一个深度按摩。 05:06 懂了，所以反向提问法它的价值不仅仅是在于帮你获得一个更精准的答案，其实它也在逼着你去厘清自己到底想要问什么。那这个专家建模到底是怎么回事？为什么说它能够让AI从一个普通的助手变成一个行业顶尖的教练呢？ 05:24 是这样的，专家建模其实是一个非常高级的玩法，就是你可以让AI变成你指定的一个专家，来给你做一个针对性的指导。 05:33 听起来就很厉害，具体要怎么操作呢？ 05:36 操作起来也很简单，比如说你想提升你的销售文案能力，那你可以先找到你最佩服的那个销售大师，把他所有的书，所有的文章都喂给AI然后让AI来分析拆解出他的整个方法论和思维框架。 05:51 明白了。那这是不是就相当于你把这个大师的大脑复制了一份。 05:54 可以这么理解。然后第二步更绝，你让AI基于这个方法论来扮演你的私人文案教练。通过不断的问你问题，来了解你的产品，你的客户。最后给你输出的就是一份完全符合这个大师思路的一对一的指导。 06:10 所以专家建模这个方法，它和我们传统的那种套模板的方法到底有什么本质上的区别？ 06:16 区别还是挺大的。就比如说你要做一个30天、个人品牌计划，那一般的做法就是直接让AI给你一个通用的计划，那大概率就是一个模板。但是专家建模这个方法，你是先让AI去吃透一个你很认可的专家的整套体系。然后让AI以这个专家的身份，通过多轮的问答，给你量身打造一个30天计划。 06:39 听起来这个就不是在填空了，而是真的在生成一个独一无二的成长路径。 06:44 没错，这个就叫知识建模。就是他是用这个专家的思路帮你搭建起一个属于你自己的知识体系，而不是说给你一个所有人。都一样的东西。 06:53 好的，如果说我把别人的付费课程，别人的方法论喂给了AI，让它来模仿这个专家。那这个在伦理上面或者说在法律上面会不会有一些问题？ 07:05 这个问题问得很好。其实这个AI它只是把别人的方法论的逻辑和框架给提取出来了。就像你学钢琴的时候会去模仿莫扎特的指法，你只是在学他的逻辑。但是你弹出来的曲子有没有灵魂，还是要看你自己的理解和表达。 07:21 那就是说AI只是搭了一个架子，真正的内容和风格还是要靠人来注入。 07:26 对，而且Dan Koe他也说过，他用AI来帮他写作，但是所有的核心观点，所有的风格都是他自己的。这个AI只是一个工具，帮他把他的想法放大了而已。 07:39 那什么是原提示词？为什么说它是Dan Koe这个方法论里面的大杀器？ 07:44 这个原提示词其实特别有意思，就是它不是让你自己去苦思冥想这个提示词怎么写，而是让AI来帮你生成一个最理想的提示词。 07:52 这么说的话就是我只要告诉AI我想要干什么，然后它就会自动帮我把这个详细的操作说明写出来。 07:59 差不多是这个意思，你就是给AI一个目标，然后让它来问你问题。它会问清楚你的需求之后，自动帮你生成一个非常专业的非常详细的提示词。就相当于你是在教AI怎么来教他自己。 08:13 我明白了。如果说这些原提示词大家可以互相分享，互相买卖，那会不会大家最后写出来的东西越来越像，就没有什么个性。 08:23 其实大家用的底层的逻辑框架可能会越来越像，但是最后决定你内容独特性的还是你给AI输入的那些东西。就像大家都可以用最顶级的相机，但是你拍出来的东西还是取决于你站在哪个位置，你拍什么主题，还有你按快门式的心情。 08:40 所以说真正让一个作品变得独一无二的，并不是AI的这个技巧，而是背后那个人的经历和视角。 08:48 是的，就像Dan Koe他的内容之所以有价值，就是因为他喂给AI的是他自己关于一人公司的独特思考和故事。这个东西是任何一个AI都模仿不来的。 09:00 OK. 我们今天聊了这么多，其实就是在告诉大家，AI它不是一个什么都能给你现成答案的魔法盒子，它更像是一面镜子。会把你自己的深度、你的个性、你的视角全都给你照出来。 09:15 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。

00:16 今天咱们要聊的是那些在人工智能领域最顶尖的专家，他们是如何看待AI快速发展的这个时代。然后他们又是怎么去帮助自己的孩子去准备一些在未来更重要的真正的核心能力。 00:31 是啊这个话题我觉得特别有意思。 00:33 那我们就直接开始。我们先说说AI领域的这些领军人物，他们对于自己孩子的未来到底是一个什么样的态度？他们给孩子的那些建议跟我们大多数家长的想法有什么不一样？ 00:46 其实最近华尔街日报采访了五位在AI领域非常有影响力的人物。他们的孩子其实年龄跨度也非常大从6个月到26岁都有。这些人他每天都在推动AI的进步。但是当他们谈到自己孩子未来的时候，他们都表达了同样的一种情绪，就是——担心但是不恐慌。 01:06 他们担心但不恐慌，这个其实挺让人意外的。 01:09 对，他们的建议完全打破了大家的常规认知。这不是说像我们想的，赶紧去学编程什么之类的，他们更强调的是一些很难被AI替代的能力。 01:21 下面我们讨论的是Daniela Amodei他是怎么看待这个问题的。对她其实在业内是非常有名的，她是Anthropic的总裁和联合创始人。这个公司在AI领域里面是非常有自己的特色的。 01:36 是的，她是Claude这个项目背后的关键人物。然后她和她的团队其实最早都是在OpenAI他们2021年的时候集体离开，然后专门成立了Anthropic。他们的目标就是要做安全可控的AI所以他们也一直被称为是AI界的良心企业。 01:53 他们这个公司的目标和理念确实很吸引人。那他们在业内的影响力怎么样？ 01:58 Claude不光是以有理礼貌著称，在安全和伦理上面也非常的严格。现在已经估值400亿美元了，而且他们的投资人里面有google和亚马逊这样的巨头，很多现在大家在用的一些AI的产品，其实底层都是用的Claude的技术。 02:14 既然Daniela Amodei这么强调AI的安全性和可控性，那她认为在未来孩子们最应该具备的能力是什么？ 02:22 她觉得无论AI怎么发展，人类最核心的一些品质是没有办法被替代的。就比如说跟人建立关系的能力，共情的能力，以及怎么去跟别人好好相处。 02:33 这么说的话，她是不是觉得像沟通能力和善良这些东西反而会变得更重要。 02:39 没错，她非常坚信随着AI越来越主导职场，这些软技能会成为真正的稀缺资源。她甚至说人类最终还是喜欢彼此陪伴的，如果缺少这种互动，我们会变得不快乐。 02:52 这个说法还挺有意思的那在Daniela Amodei看来，未来哪些人类的能力是AI永远没有办法学会的。 02:59 她觉得AI可以很轻松的去写代码、做设计，甚至是写一份非常漂亮的报告。但是像安慰别人、鼓励别人、真正的去理解别人的感受，这些事情是AI做不到的。 03:12 所以她是不是觉得未来最吃香的可能不是那些技术能力，而是跟人打交道的能力。 03:17 她其实有一个非常形象的比喻，就是说当你的爸爸开了快递公司，他反而会告诉你说不要只学怎么送快递，而是要多花时间学会怎么跟你的客户聊天。因为当所有的技术活都被AI接管了之后，最后能够胜出的一定是那些最能够展现人性的人。对就未来你的简历上可能最核心的竞争力是你很会安慰人。 03:42 下面我们来看看Caroline Hank，他在企业软件这个领域其实也是非常厉害的一个人。然后他对于自己的孩子想成为一名职业足球运动员这件事情他是怎么看的？他怎么看待职业选择和未来技能的？ 03:56 Caroline Hank是SAP的全球AI总监，这个SAP其实是一个企业软件领域的一个巨无霸。虽然说我们可能平时都没有听说过，但是全球77%的交易收入都是要经过他们的系统的。包括世界500强里面有87%的公司都在用他们的产品。然后市值也超过2000亿美元，是欧洲最大的一个软件公司。 04:19 听上去就感觉SAP真的是无处不在。他儿子想当足球运动员，他怎么看？ 04:24 他儿子的理由还蛮有意思的，就是他觉得足球是一个面向未来的职业，因为永远都不会有人愿意去看机器人踢球。然后Caroline Hank其实也认同这个观点，他觉得真正重要的是你要能够敏捷地去适应变化。技术可能两年就会过时，但是你批判性思维，你适应的能力，还有你的伦理判断，这才是你最应该去努力的方向。 04:49 说到这儿，为什么有人会觉得像足球运动员这种职业是很难被AI取代的？ 04:56 因为大家看足球比赛，其实不光是看这个球进了没有，更多的是看球员们在场上的那种情感的碰撞，他们的热血，他们在关键时刻的那种戏剧性，这些东西都是机器人没有办法复制的。 05:10 原来是这样，就是说真实的肉身体验和情感共鸣才是这些职业的价值所在。 05:16 没错，体育它的本质就是人和人之间的身体对抗和情感的连接。所以像这种理发师、按摩师、健身教练这些需要你真人在场，然后需要你跟人有温度的互动的这种职业，反而比那种坐在办公室里面的白领要更能抵御AI的替代。 05:35 是的，我们再来看看Jaime Teevan他在微软以及AI领域里面到底有多大的能量。 05:42 Jaime Teevan是微软的首席科学家，微软大家都知道是从windows到office到xbox到LinkedIn，几乎所有你日常使用的东西都离不开微软的产品。然后他们在2019年的时候给OpenAI投了100亿美元，现在已经成为了这个AI领域里面最有话语权的公司之一。而且微软的市值已经超过3万亿美元了，是全球市值最高的公司之一。 06:06 这么看微软确实已经渗透到我们生活的方方面面了。那他们在AI战略上面有什么特别的吗？ 06:12 他们的打法非常直接，就是把ChatGPT嵌入到所有他们的核心产品里面，包括Bing包括office，包括windows。所以你在使用各种AI工具的时候，其实背后大概率都有微软的技术在支持。 06:25 话说回来，Jaime Teevan有四个儿子，他会给他们不同的建议吗？ 06:29 他其实有一句玩笑话，就是说他在拿他们做AB测试。但是实际上他给每一个孩子的建议都是一样的，没有说区分对待。 06:38 看来他还是相信有些原则是对所有孩子都适用的。 06:41 而且他自己也说，他觉得老一辈的人总是容易把对自己的焦虑投射到孩子身上。但是孩子的优势就在于他们可以直接拥抱新的东西，不用像大人一样要挣脱旧的观念。所以他给孩子的建议就是要多去玩儿，多去尝试，多去体验，然后要学会怎么去使用AI模型，而不是说你一定要会去开发一个AI模型。 07:05 这还没有看来未来那些最不容易被AI替代的工作会有什么特别之处。 07:11 他特别强调批判性思维和深度思考的能力，他觉得这个是没有办法速成的。而且他也很看重传统的博雅教育，他觉得这是非常关键的。 07:22 所以他是不是也认为像责任感这种东西是人类独有的是AI永远没办法取代的。 07:28 他有一个孩子是对会计感兴趣，然后另一个孩子是在念法学院。他就说虽然说AI可以给出很多建议，分析很多东西，但是最终你要为这个结果去负责任的只能是人类。所以像法官、医生、CEO这种需要你承担决策后果的岗位，是永远都需要人类来把关的。 07:49 说的没错，那Ethan Mollick他是怎么通过自己的教学和研究去推动AI在商业和教育领域里面的应用的呢？ 07:57 他是宾夕法尼亚大学沃顿商学院的教授，他一直专注的AI怎么去变革工作和教育。他的那门课AI在商业中的应用非常受欢迎。然后他在LinkedIn上面关于AI的一些文章，经常都是有几十万的浏览量。 08:13 他在这个AI教育领域里面还挺有影响力的。 08:16 是的，他还被称为是AI教育革命的先行者。因为他很早之前就要求他的学生必须要使用AI来完成作业。他自己虽然不研发AI但是他一直在教大家怎么去利用AI这个工具，让普通人也能够真正的去掌握AI的力量。 08:33 Ethan Mollick为什么会特别强调要让孩子去坚持一些需要长期投入的事情呢？ 08:38 他的核心建议就是要让孩子去选择那些需要持续付出的活动。比如说学习演奏一种乐器，或者是说长期的去训练一项运动技能，又或者是说深入的钻研一个学科，然后包括去经营一段友谊。 08:54 听起来他是在让孩子去对抗这个AI时代什么都可以速成的这个诱惑。 08:58 因为现在有了AI之后，写文章、做设计，甚至是学习一些知识都可以非常快速的去完成。但是真正能够让你成长的，像专注力、耐心、深度思考这些东西是没有办法一蹴而就的对，必须要靠长期的坚持和积累。 09:16 那Ethan Mollick为什么会把“元认知”技能看得这么重要？ 09:20 他觉得在AI时代，像灵活性、适应性、实验精神，包括批判性思维，还有质疑现状的能力，这些“元认知”技能才是最重要的就是你要学会如何学习，学会如何思考。 09:34 这么说来，这些其实都是AI没有办法教给我们的东西。 09:38 没错，AI可以给你答案，但是他没有办法教你如何去提出一个好的问题，也没有办法告诉你这个答案到底可不可靠。然后在面对一个非常不确定的情况的时候，如何去做决策，包括怎么去快速的适应一个全新的环境，这些东西都只能靠你自己不断的去训练。 09:57 好的，我们刚刚聊了那么多，那这五位AI大佬，他们对于未来到底有哪些能力是AI没有办法取代的，他们有哪些共识？ 10:06 第一个达成共识的就是适应能力比你现在手头的这个技能要重要得多。因为技术更新太快了，可能你今天学的东西两年之后就没有用了。但是你持续学习的能力是永远都吃香的。 10:20 看来死磕一门技术确实是不够的对。那除了适应能力，还有哪些能力是他们认为非常重要的？ 10:26 还有就是人性化的技能，比如说共情沟通，真正的去和别人建立关系，然后包括你的善良，这些东西是AI没有办法学会的，或者说即使他学会了，人们也不会买账的。 10:37 明白了，除了人性化的技能，还有什么是他们认为AI无法替代的。 10:42 承担责任的能力和一些需要真人的肉身体验的工作，就是AI可以帮你做事，但是他没有办法替你负责。所以真正需要拍板做决策的岗位还是得要人类来。包括理发、按摩、表演这些需要你身体在场，然后需要你传递温度的这些职业，也是最不怕AI的。 11:05 我们今天聊了这么多关于AI时代我们应该如何培养孩子的一些思考。其实大家都在说与其去焦虑AI会抢走哪些工作，不如现在就开始帮助孩子去练就一些没有办法被算法复制的能力。 11:20 好了，这一期播客我们就到这里了，感谢大家的收听，我们下期再见，拜拜。

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。