确实如此。
想成为亿万富翁吗?那就去帮助十亿人。财富的规模,不过是你愿意承担多大问题的一张收据,仅此而已。
确实如此。
想成为亿万富翁吗?那就去帮助十亿人。财富的规模,不过是你愿意承担多大问题的一张收据,仅此而已。
//@白城以北://@新浪教育:@葛军一03不是我如果你也对专业、未来感到困惑,欢迎收看本期#高考季专业城市未来#。
现在很多孩子和家长都在问,AI来了专业怎么选,数学要怎么学?
无论什么时代,“热爱”才能在各个专业领域阔步向前。如果你也对专业、未来感到困惑,欢迎收看本期#高考季专业城市未来#。
祝愿同学们奔赴热爱,梦想成真!
分享一点最近的“再学习”:ai时代——认知 > 格局 > 技术 > 管理
很多人认为一个企业的成功靠管理,很对,曾经很对,但ai时代可能变了,一切都变了,天天端到端、天天扁平、天天去中层。没办法,太多事情ai化了,更焦虑的是技术不能落后,于是工程师一下子扬眉吐气,技术大于了管理。管理还很有用,但不懂技术、甚至不深入技术,你都不知道该怎么管——管啥呢?
ai时代几乎每个技术的进步,预训练的infra(loss balancing、indexpool、kernel fuse)、Agentic RL、self-judge、OPD、fully self training、尤其是ai学习的范式变革都让人极其兴奋。往往一出来就在x上刷屏,一晚上传遍全世界。这种密度和烈度是以前任何一个时代都没有的:你不是每隔几年等一篇里程碑论文,而是每隔几天就要追一波新东西。也正因如此,技术落后从来不是"慢慢掉队",而是一夜之间的事——这也是为什么在ai局里,技术的权重被抬到了前所未有的高度。
格局大小一直是一个人天花板的标尺。不是说格局大就一定能成大事,但格局小肯定成不了大事。ai时代很多时候靠想象力、靠布局,要抓住主要矛盾,大胆布局。没格局,盘子小了,自然落后;至于"先收缩一下、活下去,等别人做出来再抄",这套在ai时代不存在——等到那时候,你早就不在牌桌上了。
但ai的认知才是最重要的。ai的发展核心是技术,这和20年前创业的商业模式局不同,也和10年前创业的产品局不同。…
商业模式局是发现社会一个新需求,砸钱把模式包圆,不让别人进来,纯资本起了最大作用,那时候的创业者大部分是资本大腕或管理高手;产品局是设计一个粘住用户的心理/生理模式,游戏也行、视频也行、聊天也行,总之粘住就好、dau大就好,产品经理和揣摩人性最重要,这个时代的创业成功者大部分是产品经理。而今的ai局又很不一样:openai和anthropic这两年的反复拉锯、轮流领先,一再说明ai时代的本质就是技术的快速进步——当你停下来打磨产品,可能第二天就发现底层技术已经落后、产品已经没人用;当你停下来思考商业模式,ai世界已经再次被颠覆。
ai的终局就是agi,是一场猎龙游戏。这条路上,所有打猎兔子的动作都不本质——除非你实在太饿,否则就该专注本质、专注主线。但光喊口号远远不够。agi是个愿景,可它在哪里、怎么定义、怎么做到,从来就没有标准答案:既不是传统学术范畴里"先慢慢定义清楚、再设计算法、做实验、验证、做原型、再产品化"那一套,肯定行不通;也不能简单靠以前那种"秒了他"——靠少数几个人熬夜就拼出来。实现agi需要:对agi的极度热衷与笃定(极强的第一性思维)、对技术的深厚积累与细节把控、一群不内耗/不墨迹、简单纯粹的人。这个时代的ai人不那么看重所谓的"经历",更在意的是不内耗、不墨迹、够纯粹;但年轻并不等于纯粹,有些表面的年轻反而掩盖了"纯粹"这件事的本质重要性。
ai的技术判断是另一个挑战。ai可能颠覆了很多人的认知:很多人喜欢ml、喜欢cs,是因为那里有看起来优雅的理论和数学推导;而agi要更原生、更native,ai的数学推导其实已经超越大多数cs研究生、也超越大多数cs程序员了。原来cs们还以为自己高高在上,以为自己是ai的造物主、其他领域都要完蛋;其实真正被全面颠覆的,可能正是我们自己的知识体系。这也是为什么cs的资历突然不管用了——所有cs被拉平、被ai扁平化管理,唯有成为ai时代具有超前认知的ic,才能在ai时代活下去:快速迭代知识、快速提高认知(5年后的ai你能预见吗?不能。2年呢?1年呢?)。
看你干嘛,如果在车上睡觉零重力更舒服,玩手机躺椅模式舒服得多~~
The Information以近乎崇拜的写法,把宁德时代的创始人曾毓群评价为「电池行业的黄仁勋」,而且正在一个人赢下整个世界:
- 宁德时代生产了全球40%以上的锂电池,只要电力仍然是最主要的能源品类,宁德时代就会作为汽车、无人机、机器人和数据中心的基础设施供应商,稳坐钓鱼台,而曾毓群就是「这个世纪将是中国的世纪」这一宣告的真实代言人;
- 曾毓群认为电池行业充满了概念和炒作,唯独宁德时代尊重科学规律,也因此赢得了竞争——无论是国内还是全球的——当对手都把时间浪费在寻找各种神奇解决方案上的时候,宁德时代相信的事不盲目追逐新技术、诚实面对问题并验证结果这种工程原则;
- 所以宁德时代才能在同行几乎全在亏损的残酷市场里实现了巨额利润,美国企业宁愿支付关税也要采购它的电池,包括特斯拉、通用、福特这些大厂,曾毓群持有公司22.5%的股份,换算下来他的身价已经和软银的孙正义旗鼓相当;
- 中国的新能源汽车厂商也宁可承担高于其他电池品牌的溢价来和宁德时代签订供货合同,且不被允许讨价还价,之所以拥有如此强势的地位,原因也很简单,那就是在一个供应链极其脆弱的行业里,宁德时代的产品交付是最稳定的;
- 曾毓群认为西方企业失去电池生产能力的源头在于没有足够的人才储备,工科毕业生往往都被硅谷的高薪职位吸引,看不上收入太低的材料工程师岗位,而宁德时代拥有2.3万名这种极其经济划算的人力资产,他们构成了宁德时代最核心的研发实力;
- 在内部,宁德时代有一支由500个工程师组成的「对抗团队」,他们唯一的工作就是指出其他部门的错误,如果有人不同意,就必须去和曾毓群本人解释,曾毓群说,这500人是公司里最不受欢迎的人,「但他们的后台,是我」;
- 从历史来看,宁德时代是一家典型的从外包制造出发、最终跻身上游设计的中国公司,2004年,它中标成为苹果的电池供应商,成功打响了高质量小型电池的行业声誉,到了2012年,宝马也选中宁德时代,开出了一份更大面额的电池代工合同;…
- 宁德时代当时把宝马的技术规范手册当成教科书来学习,曾毓群的远见在那会儿就已经显现出来了,他们让全公司都意识到,如果学会了这些,就意味着学会了工程化,能给宝马供货,就能给所有一流企业供货,「想要成为最顶尖的人,唯一的方法就是只和最顶尖的人做朋友」;
- 于是宁德时代以远超行业标准的质检力度,打破了日韩电池厂商的市场主导权,当时少部分在宁德时代工作的欧美人,多年以后都成为了西方电池行业的大佬,他们都对那段经历充满敬佩,认为曾毓群就是奔着当上全球第一而奋斗的;
- 比如良品率,西方的电池良品率,以百万分之一为标准,但在宁德时代,这个标准是十亿分之一,这几乎达到了制药业的标准,目前没有任何电池厂商能够追赶,行业里甚至流传着宁德时代会用CT设备扫描检测电池缺陷的传说;
- 中国的汽车厂商倒不是对宁德时代没有怨言,单所有的怨言都和产品质量无关,大家就是觉得宁德时代过于强势了,不好谈判,2022年小鹏汽车一度断掉了和宁德时代的合作,转将业务交给欣旺达等更容易说话的电池供应商,但后来又开始恢复和宁德时代的接触,因为实在是太难和这家公司划清界限了;
- 曾毓群也没有错过炙手可热的数据中心浪潮,在他的预计里,服务于AI大厂的固态储能电池将会站到公司业务的半数以上,在孟菲斯,马斯克旗下的xAI已经安装了2.3吉瓦的宁德时代电池,为了降低政治影响,福特等合作厂商会公开表示是由自己在控制宁德时代的美国工厂,而在宁德时代的总部,这些工厂像钉子扎进美国腹地一样,被定义为公司占领全球的一个又一个据点。
残酷的事实是,美国国际开发署(USAID)长期支持往往带有暴力色彩的左翼政权更迭,造成了大量死亡!
是的。
没错。
正确。
事实证明,停止资助 USAID 并没有害死非洲人。
因为钱本来就没有流向非洲。它被拿去收买选举、烧毁特斯拉门店了。
我来自英国……
除此之外,每年死于高温的欧洲人,比美国死于枪支的人还多,即便把自杀也算进去。
用空调吧。
@ZubyMusic 伙计,你们学校里还有枪击案。先管好你们自己的事吧。
想想看,那些车龄超过 7 年、搭载 AI3、现在正在获得 FSD V14 Lite 的特斯拉,拥有的自动驾驶系统比目前在北美销售的任何全新非特斯拉汽车都更强。
相当不可思议。
v14 Lite 发布说明:
- 将 HW4 V14 的智能能力蒸馏到 HW3 中。这让 HW3 可以直接以 HW4 V14 为指导,学习如何处理各种场景。这个过程把 HW4 已经取得的改进释放到了 HW3 上,包括强化学习(Reinforcement Learning, RL)和离线模型。
- 在导航处理、并线与分岔、行人交互、交通信号灯以及车辆切入等大量类别中,主动和被动响应能力都有提升。
- 在常规场景中,通过减少误减速、让转向更平顺、车道居中更稳定,提升了整体舒适性。
- 引入了停车、驶出停车位和倒车能力。
- 新增“到达选项”,你可以选择 FSD 应该把车停在哪里:停车场、路边车位、车道入口或路缘旁。
- 速度档位现在随时可用,以进一步自定义驾驶风格偏好。
FSD v14 Lite 现在正向 AI3 早期体验客户推送。根据反馈,未来几周会向更多客户推出。
这个版本把 AI4 v14 系列的驾驶行为蒸馏进了 AI3 的摄像头和计算配置中。它包括目的地选项和城市道路速度档位,但更重要的是,安全性有了显著提升。
等这个版本大范围发布后,希望你们会喜欢。
有意思。
🚨 突发:美国司法部对马克思主义富豪 Neville Roy Singham 启动大陪审团调查,调查其涉嫌从中国基地向美国及全球极左翼非营利组织输送资金时涉及洗钱或其他金融犯罪。
请看资金如何流动。阅读我们在 @FoxNews Digital 的独家报道:https://www.foxnews.com/politics/doj-launches-grand-jury-probe-marxist-mogul-neville-roy-singhams-funding-leftist-groups
以下是我从熟悉调查的人士那里了解到的情况:
🚨 纽约南区美国联邦检察官 Jay Clayton 已经对美国马克思主义富豪 Neville Roy Singham 的金融网络启动联邦大陪审团调查。纽约南区是美国最有影响力的联邦起诉辖区之一。调查正在审视潜在金融犯罪,包括电汇欺诈、银行欺诈,以及从他位于上海的基地进行的洗钱;据称他在那里资助支持中国共产党的组织。
🚨 代理美国司法部长 Todd Blanche 批准了这项调查。特朗普政府正试图打击规模达数十亿美元的非营利行业中的欺诈、洗钱和其他金融犯罪。
🚨 财政部长 Scott Bessent 今年早些时候前往纽约市,会见高盛董事长兼首席执行官 David Solomon。两人讨论了高盛旗下一个慈善部门 GS Donor Advised Philanthropy Fund For Wealth Management Inc. 所扮演的角色;据称该部门帮助 Singham 将数百万美元转入美国非营利组织网络。…
消息人士称,在那次会面中,Bessent 发出了直白的最后通牒:高盛可能因涉嫌合谋输送 Singham 资金而面临审查,并敦促 Solomon 配合联邦调查人员。高盛正在配合调查。
🚨 联邦检察官正在审查一种金融结构,它符合调查人员在涉嫌洗钱案件中常分析的三个阶段:放置、分层和整合。财政部、司法部和高盛均拒绝置评。Singham、他的妻子 Jodie Evans(同样正在接受调查),以及 Singham 网络中的组织,都没有回应多次置评请求。
第 1 步:涉嫌放置。根据报道,约 2.78 亿美元通过三家实体进入美国金融系统:
🔴 Mutod LLC — 164,040,000 美元 🔴 GS Donor Advised Philanthropy Fund for Wealth Management Inc.(高盛)— 110,376,701 美元 🔴 Likewise Conceptions LLC — 3,500,000 美元
第 2 步:涉嫌分层。据称,这些资金随后经由六家非营利组织流转:
🔴 167,540,000 美元流向 People's Support Foundation Ltd.,这是一家 501(c)(3) 非营利组织,2017 年在芝加哥以一家酒店地址成立,Singham 的妻子 Evans 在董事会任职。🔴 68,748,701 美元流向 Justice and Education Fund Inc.,这是一家 501(c)(3) 组织,2018 年在纽约市以一家 UPS Store 地址成立,董事会成员包括自称共产主义者的 Manola De Los Santos 等人。🔴 22,440,000 美元流向 People's Forum Inc.,这是一家 501(c)(3) 组织,2017 年在纽约市西 37 街成立,Evans 和 De Los Santos 在董事会任职。🔴 16,760,000 美元流向 Tricontinental Ltd.,这是一家 501(c)(3) 组织,2017 年在马萨诸塞州北汉普顿由 Singham 的朋友、同为马克思主义意识形态人士的 Vijay Prashad 创立。🔴 1,330,000 美元流向 CodePink Women For Peace,501(c)(3) 组织,2009 年由 Singham 的妻子 Evans 及其朋友 Susan Medea Benjamin 在加州玛丽安德尔湾成立。🔴 1,098,000 美元流向 Breakthrough BT Media Inc.,这是一家 501(c)(3) 组织,2020 年在纽约市 People's Forum 总部成立,其亲共产主义宣传媒体 Breakthrough News 的主编是美国长期共产主义领袖 Brian Becker 的儿子 Ben Becker。
第 3 步:涉嫌整合
根据报道,这些组织随后把资金和支持分发到更广泛的活动人士网络,其中包括:🔴 People's Welfare Association 🔴 ANSWER Coalition 🔴 Party for Socialism and Liberation 🔴 许多在撒哈拉以南非洲、中美洲、北美和其他地区运作的组织。
联邦检察官已经发出大陪审团传票,要求提供银行记录和财务文件,以判断是否有必要提出刑事指控。
大陪审团调查是一项调查程序,并不等同于有罪认定。
为了完成这篇报道,我追踪了数百笔金融交易、非营利组织申报文件和公司记录,记录资金据称如何在这个网络中流动。看看这笔钱是怎么走的。
🧵
//@家兴要坚持:只看过黑红封面的80年代版十万个为什么,没有对比过其他版本 http://t.cn/AXSduhNE //@该用户已炸号了:《十万个为什么》买哪个版本的好?
似乎还不完全一样,现在中文语境下的“立flag”有中性甚至积极的含义,和许个愿差不多。
最近有同学问到了“立flag”这一流行语的翻译。
现在我们说的“立flag”,指的是一个人说了某些话或做了某些事,结果却与预期相反,给人一种“乌鸦嘴”的感觉。
很多人以为“立flag”里面的 flag 是“旗帜”的意思,但实际上并不是,它的真正意思是“预言、标记”。我们也不能把“立flag”翻译成 set a flag。
我考证了一下,“立flag”的来源有点意思。
在计算机术语里面,flag 是一个用于记录程序状态的变量。其核心功能就像一个开关,只有“开(1)”和“关(0)”两种状态。程序通过检查这个开关的状态,来决定下一步该做什么。
这一术语后来被日本的电子游戏借用。在游戏编程中,开发人员用“flag”变量来标记玩家的每一个选择。当玩家达成某个特定条件,这个“flag”就被立了起来,游戏剧情便会据此走向不同分支。
这一理念也被日本动漫作品借鉴。在一些作品里,当角色说出某句特定台词后,几乎必然会触发某种剧情。
其中有一个经典套路叫 death flag,也就是我们说的“死亡 flag”,常见台词是“等我干完这最后一次就收手了”。
后来随着日本动漫文化在国内的流行,“flag”这个概念也被直接引入,并被翻译为“立flag”。
也就是说,“立flag”这个概念是从英语传到日语再传到汉语的,它跟 flag 的原始含义已经有了很大区别。
要表达这一意思,英语里面有个比较接近的单词:jinx。
jinx 指的是“厄运,带来坏运气的人或事”。它作为动词使用时,可以表示“给某人或某事带来坏运气”。
在英语口语中,有个常见表达是 don’t jinx it,类似于“别立flag”。
比如《剑桥词典》就有这样的例句:…
例句大意是:我当时就觉得我们能赢,不过没敢说,因为我不想立flag。
英语里面还有一个表达有类似含义:famous last words。
这个短语的流行要归功于一个历史上真实的黑色幽默故事:美国内战时期有一名联邦将军叫约翰·塞奇威克(John Sedgwick)。有一次手下的士兵提醒他要注意躲避远处的狙击手。
塞奇威克将军不以为然地笑着说:“他们在这个距离连头大象都打不中”。话音刚落,他就中弹身亡了。
后来人们就用 famous last words(著名的临终遗言)来指“这话说完准要出事”,相当于“别立flag”。
另外,我们有时候会用“立flag”来表示“公开立下目标”,此时通常没有“乌鸦嘴”的意味,这种情况下也可以简单翻译成 make a public commitment。
比如“我立了个flag,要每天去健身房”,可以说成:我公开承诺每天去健身房。
与此同时,一位年轻学者正在记住陈教授的样子。
哈哈哈哈哈//@刘彬:😳//@AIGC·非著名程序员:侮辱性极强,不过话说回来了,谷歌这是自讨没趣啊。哈哈哈哈哈
其实AI时代最宝贵的就是这些老师傅吧,可以理解他们是“AI”的FDE。AI Lab花了多少时间找人类专家,微调和对齐模型,前端部署也需要。
Ford重新雇了 350名老工程师回来,因为 AI质检系统没能达到预期。
过去三年,福特悄悄招回了 350名资深工程师,有的是退休或离职的老员工,有的是从供应商那边挖来的。公司内部管他们叫 gray beard,直译是白胡子,意思就是经验老到的老师傅。
他们回来干两件事:带新人,以及重新调教那些没干好活的 AI工具。
负责整车硬件工程的副总裁 Charles Poon说: > 我们错误地以为,只要把 AI引进来,把设计要求输入 AI,它就能产出高质量的产品。
首席运营官 Kumar Galhotra对 Bloomberg的说法类似。福特这些年越来越依赖自动化质检系统,结果一直不理想;把技术专家请回来后,他们在零件还没上产线之前,就先把故障点揪出来。
效果立竿见影。福特时隔 16年重新拿下 JD Power新车质量榜主流品牌第一,从去年的第 10名一口气冲到榜首,是所有品牌里年度进步最大的一个,把丰田和本田都甩在了后面。
这个榜单(Initial Quality Study)测的是新车买来头 90天内车主遇到多少问题,问题越少排名越高。
F-150皮卡、Super Duty卡车和 Mustang跑车在各自品类都拿了第一。CEO Jim Farley说,质保和召回成本跟着下来了,福特预计今年因此能省下大约 10亿美元。
Ford没打算丢掉 AI。它还在扩充 AI测试,新增了大约 10万项评估来模拟更多路况。
AI是个好工具,但它有多好,取决于你拿什么数据去训练它。老师傅回来,主要是给 AI当老师,告诉它什么样的零件算合格、什么样的设计会埋雷。
现在主流叙事都是“AI要取代白领”,福特这个案例倒是反例,类似的案例还有一些:
瑞典金融科技公司 Klarna几年前高调宣布,AI客服干了相当于 700名人工客服的活,到 2025年,CEO公开承认这套全 AI客服质量更差,又开始招人。
麦当劳在美国上百家门店试过 AI点餐,出了一堆翻车视频后撤掉,把人工收银员请了回来。
咨询公司 Gartner早就预测,到 2027年,因为 AI裁掉客服的公司里,有一半会需要重新招人。
🚀 AI 正在快速扩展。你的基础设施准备好了吗?
7 月 22 日至 23 日,欢迎参加 AMD 的 Advancing AI 2026,了解各行业组织如何把 AI 创新转化为真正的业务影响力。
看看下一步会发生什么。立即注册:https://www.amd.com/en/solutions/data-center/insights/how-amd-technologies-are-powering-the-next-wave-of-enterprise-transformation.html?utm_campaign=AAI26_%3CGeneral%3E&utm_source=twitter&utm_medium=social&utm_content=1782741619
所以AI的真护城河是对AI的长期认知,而不是掌握了多少短期造AI的能力。AI自己会长大。
分享一点最近的“再学习”:ai时代——认知 > 格局 > 技术 > 管理
很多人认为一个企业的成功靠管理,很对,曾经很对,但ai时代可能变了,一切都变了,天天端到端、天天扁平、天天去中层。没办法,太多事情ai化了,更焦虑的是技术不能落后,于是工程师一下子扬眉吐气,技术大于了管理。管理还很有用,但不懂技术、甚至不深入技术,你都不知道该怎么管——管啥呢?
ai时代几乎每个技术的进步,预训练的infra(loss balancing、indexpool、kernel fuse)、Agentic RL、self-judge、OPD、fully self training、尤其是ai学习的范式变革都让人极其兴奋。往往一出来就在x上刷屏,一晚上传遍全世界。这种密度和烈度是以前任何一个时代都没有的:你不是每隔几年等一篇里程碑论文,而是每隔几天就要追一波新东西。也正因如此,技术落后从来不是"慢慢掉队",而是一夜之间的事——这也是为什么在ai局里,技术的权重被抬到了前所未有的高度。
格局大小一直是一个人天花板的标尺。不是说格局大就一定能成大事,但格局小肯定成不了大事。ai时代很多时候靠想象力、靠布局,要抓住主要矛盾,大胆布局。没格局,盘子小了,自然落后;至于"先收缩一下、活下去,等别人做出来再抄",这套在ai时代不存在——等到那时候,你早就不在牌桌上了。
但ai的认知才是最重要的。ai的发展核心是技术,这和20年前创业的商业模式局不同,也和10年前创业的产品局不同。…
商业模式局是发现社会一个新需求,砸钱把模式包圆,不让别人进来,纯资本起了最大作用,那时候的创业者大部分是资本大腕或管理高手;产品局是设计一个粘住用户的心理/生理模式,游戏也行、视频也行、聊天也行,总之粘住就好、dau大就好,产品经理和揣摩人性最重要,这个时代的创业成功者大部分是产品经理。而今的ai局又很不一样:openai和anthropic这两年的反复拉锯、轮流领先,一再说明ai时代的本质就是技术的快速进步——当你停下来打磨产品,可能第二天就发现底层技术已经落后、产品已经没人用;当你停下来思考商业模式,ai世界已经再次被颠覆。
ai的终局就是agi,是一场猎龙游戏。这条路上,所有打猎兔子的动作都不本质——除非你实在太饿,否则就该专注本质、专注主线。但光喊口号远远不够。agi是个愿景,可它在哪里、怎么定义、怎么做到,从来就没有标准答案:既不是传统学术范畴里"先慢慢定义清楚、再设计算法、做实验、验证、做原型、再产品化"那一套,肯定行不通;也不能简单靠以前那种"秒了他"——靠少数几个人熬夜就拼出来。实现agi需要:对agi的极度热衷与笃定(极强的第一性思维)、对技术的深厚积累与细节把控、一群不内耗/不墨迹、简单纯粹的人。这个时代的ai人不那么看重所谓的"经历",更在意的是不内耗、不墨迹、够纯粹;但年轻并不等于纯粹,有些表面的年轻反而掩盖了"纯粹"这件事的本质重要性。
ai的技术判断是另一个挑战。ai可能颠覆了很多人的认知:很多人喜欢ml、喜欢cs,是因为那里有看起来优雅的理论和数学推导;而agi要更原生、更native,ai的数学推导其实已经超越大多数cs研究生、也超越大多数cs程序员了。原来cs们还以为自己高高在上,以为自己是ai的造物主、其他领域都要完蛋;其实真正被全面颠覆的,可能正是我们自己的知识体系。这也是为什么cs的资历突然不管用了——所有cs被拉平、被ai扁平化管理,唯有成为ai时代具有超前认知的ic,才能在ai时代活下去:快速迭代知识、快速提高认知(5年后的ai你能预见吗?不能。2年呢?1年呢?)。
完美
//@云洁:“营销学本身是制造障碍的学问,把消费者逼成专家是一件很悲哀的事情”//@豆儿1226:每代人都有每代人的玫瑰空调//@饲养员:正片来了[干杯] #产品背后#
【《产品背后》EP01正片 | 对话格力电器CMO @朱磊GREE】
遥控器里有金子、扇叶颜色代表用料、底板工艺决定外机寿命——一台空调里藏了多少你不知道的细节?
「你们嘲讽玫瑰空调,但至少我们把它做出来了。」「格力核心科技?你家那台比你年纪还大还在制冷的格力,就是最好的答案。」
#产品背后#首期内容上线!@微博数码 @微博家电联合资深科技媒体人@潘乱对话格力电器CMO @朱磊GREE,带你层层剖析:玫瑰空调为什么线上骂声一片却卖了5万台?空调开26度真的省电吗?线上线下款真的减配了吗?格力的核心科技到底是什么?
【本期看点】
02:40 | 3万块的玫瑰空调为何能卖出5万台09:19 | 空调开多少度最省电16:40 | 遥控器工艺一年多花几千万,有什么不一样19:51 | 线上与线下款到底怎么选22:02 | 空调抽真空必须抽满15分钟吗34:14 | 明星与老板亲自代言,有什么本质区别41:34 | 材料更换,会有哪些影响43:07 | 格力10年包修底气在哪
带着 #vivo X Fold6# 折叠小 V单去参加周杰伦鸟巢演唱会了!
这次演唱会鸟巢竖向三开,看台位置距离舞台真是超级超级超级远,普通手机自带的长焦镜头直接拍周杰伦基本就是一个小点。
X Fold6应该是我用过的第一款折叠屏支持搭配增距镜的,200mm的增距镜基本相当于光学画质的 8倍无损焦段,支持 16倍数码变焦,大幅提升画面表现。
同时折叠屏展开后更大的屏幕也能更高清的预览现场照片,在悬停状态下则可以同时查看取景框和刚才拍摄的照片,这也算是折叠屏在这个场景下的一个优势了。
不过因为鸟巢实在是太大了,这次演唱会开箱视频我还是使用 vivo X300 Ultra + 400mm增距镜作为拍摄的主力设备。
目前已经开始写感受了,争取这两天剪辑出来和大家分享。我人生第一次看周杰伦演唱会。
#涨姿势# //@蘸盐://@我食-故我在:节省拍摄时间,可以24小时不停,需要哪个时间段的戏,就模拟哪个时间段的光,在外面拍,时间就是最大的敌人,//@Y4736:我去,看的时候真看不出来是棚内拍的,有这现盖的精力干嘛不在室外盖。。。
//@互联网欢乐指南: 细节:只有葡萄牙旗子飘向是反的,罗哥走错方向了队友往回拽
世界杯各队现状 be like:
#非正经观战世界杯#
#美的空调卡bug#周末抽空看了这个空调的安装视频,结论是用卡bug来总结这个产品的设计其实也不准确。
因为其实谁不想卡bug,设计一个好用能用还各种合规的产品呢。还是要有实力才行。每一个看起来理所当然的设计,背后都是无数试错吧。
类比一下:现在触屏手机都像初代iPhone,但是初代iPhone可不是理所当然。产品经理都懂。
Falcon 9 的一级火箭已降落在 A Shortfall of Gravitas 无人船上。
这里没有美国国旗,却有许多其他国家的旗帜。
那些把对另一个国家的忠诚置于美国之上的人,按定义就是叛徒,必须立即驱逐。
如果你看到这一幕,却不能马上得出结论,认为大规模遣返必须发生,而且必须迅速发生,那你就是个蠢货,带着自杀式同情心的罪责。
🚨又一座城市沦陷:芝加哥市中心被伊斯兰占据
当我们的领导人还在执着于欧洲的缓慢死亡时,芝加哥正在此刻被夺取。
2026 年 6 月 25 日,数千名什叶派穆斯林占据芝加哥市中心街道,举行他们一年一度的阿舒拉游行。
不是在他们的清真寺里。
他们占据了城市中心的公共街道:一片罩袍、黑旗,以及有节奏地捶胸、为他们的先知哀悼的男人。
这不是安静的祈祷。
这是公开展示力量,也是对他们意识形态的完全承诺。
芝加哥已经有 100 多座清真寺。
但他们仍然涌入市中心,封锁街道,并以“正义”的名义公开举行仪式,而这种“正义”最终意味着伊斯兰教法。
这正是我们刚刚在迪尔伯恩看到的同一模式:公共空间支配、人口替换,以及对同化毫无兴趣。
芝加哥的街道这一天已经属于他们。
很快就会变成永久状态。
当我们的政客和媒体假装这只发生在大洋彼岸时,我们正在把一座美国城市接一座美国城市输给伊斯兰至上主义。
迪尔伯恩。芝加哥。明尼阿波利斯、帕特森、哈姆特拉米克、休斯敦、底特律……
下一个是谁?醒醒吧!这不是移民。
这是一步一寸的征服,而他们已经不再掩饰。
尊界首款MPV来了,点视频感受V800各种奢华配置!#尊界V800静态评测首发# #尊界V800# #大V聊车#
压迫性且非理性的政府规则只会让事情变得更糟。
房产税没有被冻结。
支付给园林工人、水管工、电工、石膏板工人、地板安装工的工资没有被冻结。
木材、铜材、踢脚线、四分之一圆线条、防水板、外墙板、窗饰的成本没有被冻结。
支付给清洁工或门卫的工资没有被冻结。
公共事业费用没有被冻结,包括电、燃气、水、污水处理费(走廊、大堂、维修通道等由楼宇支付的公共事业费用;大多数楼宇为租户支付水费和污水处理费)。
纽约市目前有 57,421 套住房空置,因为把它们空着比出租更划算。
如果你在想:“这怎么可能?赚一点总比什么都不赚好吧?”答案是否定的,原因在于 2019 年的《住房稳定与租户保护法》(HSTPA)。
HSTPA 要求空置住房达到一定程度的翻新标准,但不允许房东把租金提高到足以收回这些成本的水平。
如果一名长期租户在几十年后搬走,公寓往往需要花费 5 万到 10 万美元来做铅污染治理、重新布线、管道和结构翻新。
因为法律严格限制这些成本中有多少可以转嫁给下一位租户。
HSTPA 取消了“空置奖励”(此前租户搬走后可自动涨租 20%),并大幅限制了单套公寓改善费用(IAIs)。
这意味着,想申请翻新贷款的房东会被银行拒绝,因为房东无法证明自己有能力偿还这笔贷款。
自掏腰包的房东最终会亏钱,收益甚至不如把钱投进美国国债或政府债券。
因此,直接让住房空置反而更划算。
这就是为什么纽约现在有 57,421 套空置住房。
这个数字很快会变得更糟。
Starlink 新西兰
突发:Starlink 成为新西兰最大的农村互联网服务提供商。🇳🇿
• Starlink 目前占新西兰农村宽带市场 27% 的份额。
• 份额在一年内从 19% 跃升至 27%。
• 卫星宽带连接数从 56,000 增至 85,000,增长 52%。
• 其中约 72,000 个是农村居民固定连接。
• Starlink Residential 的平均下载速度为 226 Mbps。
• 这大约是农村 4G FWA 56 Mbps 下载速度的 4 倍。
• 新西兰现在是 OECD 中人均卫星宽带普及率最高的国家。
Starlink 正在帮助农村家庭、农场和偏远社区,在传统网络难以覆盖的地方获得高速互联网。
@HouseGOP 是时候援引《共产主义控制法》了。
马克思主义是一种敌对意识形态,必须按这种性质来对待。
一名美国官员已经宣誓成为公民,誓词要求他只忠于美国;在这种情况下还悬挂另一个国家的国旗,这除了叛国还能是什么!
🚨被伊斯兰化的迪尔伯恩:警察队伍正在被接管
迪尔伯恩的穆斯林警察局长 Issa Shahin 骄傲地站在黎巴嫩国旗前,并公开吹嘘自己正在改造警局。
他称赞自己的“阿拉伯裔美国人”警队,如今阿拉伯裔占比已达 45%(此前只有 3%)。
他庆祝女性即便面对司法系统时,头巾也能受到尊重。
他大多数演讲都以“Hamdullah”结尾。
他炫耀自己强大而自豪的巴勒斯坦妻子,并承认自己一直在积极招募人员,让警队更具“代表性”。
目标很明确:100% 的伊斯兰控制,让这座城市、这个州,最终让整个国家生活在伊斯兰教法之下。
这不是多元化,也不是社区警务。
这是对美国执法系统有意进行的伊斯兰化。
当警察局长本人推动宗教便利和人口替换,同时以赞颂真主结束演讲时,你拥有的就不再是保护宪法的警员,而是穿着制服的伊斯兰教法执法者。
说得好
美国统治阶层又完成了一项奇迹。
他们把人类文明中最基本的真理:犯罪需要惩罚,边境需要执法,学校应该教学,福利应该是临时的,家庭很重要,能力很重要,纳税人不该被职业寄生者洗劫……竟然重新包装成了“极端主义”。
真是了不起的工作。
显然,一个“有同情心”的社会,就是暴力惯犯又获得一次机会,受害者得到一场烛光守夜,纳税人来买单,学生不识字也被一路放行,诈骗者拿到补助,非政府组织拿到又一份合同,非法移民获得服务,而辛勤工作的美国人被告知闭嘴并且更加包容。
多么美丽的制度。
软弱的司法没有停留在法庭里。它扩散了。它变成了软弱的边境、软弱的学校、软弱的育儿、软弱的福利、软弱的标准、软弱的男人,以及软弱的官僚。他们解释为什么每一个显而易见的解决方案都“太严厉”。
关押掠食者?残酷。驱逐非法移民?仇恨。终结代际福利依赖?缺乏同理心。惩罚欺诈?复杂。恢复择优原则?有问题。教孩子读书?到星期二大概也会被说成殖民主义。
一个严肃的国家会保护无辜者免受罪犯伤害。一个衰败的国家会保护罪犯免于承担后果,并让无辜者为这场实验买单。
这才是美国真正的危机。
不是贫困。不是“根源问题”。也不是又一个虚假的专家小组。
是后果。
我们不再让那些正在摧毁这个国家的人承担后果,所以现在整个国家把后果强加到了其他每个人身上。(下方有文章)
刚体验 FSD v14 lite 的前几次驾驶,真的令人印象深刻!
相比 v12.6.4,能力和功能集都有巨大跃升。现在它偏向安全调校,所以动作比较慢,也更平顺。
高速路表现尤其出色。等我再开上几个小时后,会发布更多视频和一篇很长的评测。
所有哲学中造成死亡人数最高的。
😄
【#部分明厨亮灶商家耍心机#】网络餐饮服务经营者“互联网+明厨亮灶”相关新规已实施近一个月,《工人日报》记者调查多家外卖平台及商家发现,部分标注“明厨亮灶”的商家监控画面无法打开,另有部分商家将摄像头对着天花板、地面。
市场监管总局出台的《网络餐饮服务经营者落实食品安全主体责任监督管理规定》(以下简称《规定》)自今年6月起施行。《规定》第13条第1款要求,平台提供者应当要求实施“互联网+明厨亮灶”的入网餐饮服务提供者,在其主页面显著位置设置“明厨亮灶”的链接标识,并根据入网餐饮服务提供者是否实施“互联网+明厨亮灶”,在入网餐饮服务提供者列表页面展示“无明厨亮灶”“明厨亮灶”标识。
今天,记者打开多家外卖平台,按照不同平台的自动推荐顺序,依次点开有“明厨亮灶”标识的商家并查看其直播画面。在记者分批调查的位于5个不同城市的100家店铺中,有29家带有“明厨亮灶”标识的店铺并无任何直播画面,页面显示“播放失败”“设备离线”“加载中”“直播内容审核中”或是加载十分缓慢、卡顿。记者在更换网络和设备后仍无法打开直播。
此外,在能看到直播画面的71家店铺中,多家店铺将摄像头对着天花板、地面等无关区域,展示的画面既非“厨”也非“灶”。
在天津工作的曹女士告诉记者,自己和朋友点外卖时,如果看到店铺有“明厨亮灶”标识,会天然地认为这家店更安全、更卫生。
中国政法大学副教授朱巍在接受记者采访时表示:“‘明厨亮灶’这一功能看似给商家增加了负担,但实际相当于一个广告,消费者能看到后厨干不干净、菜品是不是预制菜。‘明厨亮灶’做得好的话,吸引的客户自然就多,积极落实这一新规,对消费者和商家都有好处。”…
针对记者调查中发现的部分商家直播画面打不开、将摄像头对准天花板等问题,朱巍认为,《规定》出台后,平台应肩负相应责任。“对于外卖平台来说,可以运用技术手段实现远程监督,更好地督促标注‘明厨亮灶’商家落实相关要求,并适时提供技术支持。不能让商家一边享受‘明厨亮灶’带来的好处,一边在落实方面打折扣。”朱巍说。
记者注意到,目前有外卖平台已开设“明厨亮灶”反馈功能。借助这一功能,消费者如若发现外卖商家的直播画面存在问题,如无画面、加载缓慢、镜头被遮挡等,可以直接通过平台反馈,助力“明厨亮灶”的规范化落实。(工人日报)
@Tesla_AI 团队干得漂亮!
AI3 计算机的有效内存带宽只有 AI4 的大约 15%,所以这是个艰难的挑战。
需要 Neuralink 来解决人类极低且有损的输出带宽问题。
得益于视觉,我们的输入带宽比输出带宽高出许多个数量级,但输入带宽本身也可以大幅提升。
通过解决这些带宽限制,并大幅提高我们的有效认知能力,人类与 AI 的共生会好得多,从而提升人类未来取得美好结果的概率。
所以,没上车不是最糟糕的。
今天有个韩国男孩发信息给我说这是他成年以来最糟糕的夏天这一年他眼红身边同事都赚了大钱自己在通胀里了活了几个月
然后把所有存款都扔进了股市,还加了五倍杠杆结果碰上韩股熔断,直接爆仓,亏掉了五年的积蓄韩元今年贬值了20%,身边同事纷纷取消了出国计划,而他连下周的房租都凑不齐今天在首尔走路看到韩国足球出局街上突然所有人停下手头的事蹲在路边抱头痛哭他说很难过,感觉掉进了人类的至暗时刻
Tesla FSD v14 Lite 正在向搭载我们 AI3 硬件的客户推送。
FSD v14 Lite 现在正向 AI3 早期体验客户推送。根据反馈,我们会在未来几周推送给更多客户。
这个版本把 AI4 的 v14 系列驾驶行为提炼到了 AI3 的摄像头和计算配置中。它包含城市道路上的目的地选项和速度档位,但更重要的是,安全性显著提升。
等这个版本大规模发布后,希望你会喜欢它。
Grok Build 每日更新。
@ryanwang 在某些情况下,如果我们拿不到源代码,比如网络交换机软件,我们也会反编译并修改二进制文件来提升性能。
扎克伯格:五年后所有眼镜都应该是智能的,让一个“大 AI”统治世界是糟糕的。
扎克伯格有日子没有长时间露面了。几周前,有一个他和妻子普莉希拉·陈关于医学的访谈,但我看了一下,和半年前谈的基本一致。
不过,6 月 23 日,Complex 频道的 Idea Generation 播客在纽约做了一期现场录制,这期还是有含金量的。当天也是 Meta 与全球最大眼镜集团 EssilorLuxottica 合作的新产品线 Meta Glasses 正式发售日,起售价 299 美元,提供 26 种款式组合。
他还说,一个大 AI 统治世界是糟糕的。这个大 AI 是暗指谁呢?一年前可能是 OpenAI,现在可能是 Anthropic 吧。
一些要点:扎克伯格在自家 MMA 训练馆装了摄像头,让 AI 智能体实时观看他格斗训练,并在回合间隙自动发送反馈。他说这本质上是一个编程问题:AI 需要处理视频流、识别回合间歇时机,再生成教练式建议。
Meta Superintelligence Labs 成立日期是 2025 年 6 月 30 日,距离这次访谈录制不到一年。扎克伯格说,如果一年前有人告诉他模型进展能到今天这个程度,他会觉得满意;但因为一路看着好消息不断进来,已经习惯了,现在反而觉得本该做得更好。
他在夏威夷牧场养牛。为了追求最高品质牛肉,他专门种澳洲坚果树给牛增脂。坚果含油量高,需要先烘烤;为了让牛多吃东西,他又给它们供应啤酒,因为酒精能刺激食欲。牛可以在冰啤酒和常温水之间自由选择。
一、为什么是眼镜:Meta 的硬件判断
1、计算设备的进化方向是“更自然、更融入生活”
扎克伯格把眼镜定位为手机之后的下一个计算平台,逻辑起点是一条趋势线:计算设备一直在变得更自然、与日常生活的融合度更高。手机的问题在于,你跟手机交互时,其实是在跟一个小矩形交互,它把你从周围的世界里拉走了。眼镜让你能使用技术,同时保持对周围人的在场感。
他给出三个具体理由。第一,眼镜是 AI 助手的最佳载体:能看到你看到的、听到你听到的、全天跟你对话,未来还能在视野中叠加信息显示。耳机能做到其中一部分,也就是听和说,但视觉部分只有眼镜能解决。第二,眼镜本身就是一个已有巨大用户基数的品类:全球近 20 亿人已经戴光学眼镜,更多人戴太阳镜。第三个理由最直白:五年后,还有什么理由让人戴的眼镜不具备这些功能?想不出来。
Meta 的眼镜产品经过多代迭代,每一代都叠加新功能。…
目前已经可以打电话、听音乐,对听力不好的用户还能放大耳朵接收到的声音。这些功能让眼镜的用途远不止 AI 助手,也拓宽了潜在用户群体。
他用功能机到智能机的类比来描述这个转变窗口:当年所有人都有翻盖手机,智能手机出来后大约五年,翻盖机就全变成了智能机。他认为眼镜现在处于同样的节点。
2、“好眼镜优先”是设计第一原则
Meta 内部的设计准则是“先做出好眼镜(great glasses first)”,技术是第二位的,时尚和佩戴舒适度才是第一位的。扎克伯格说,这个认知对一家科技公司来说并不天然:大多数科技公司的思路是把尽可能多的技术塞进去,然后觉得“这个外形看起来也像眼镜啊,为什么人们不愿意戴?”
实际情况是,你会戴眼镜很多个小时,使用技术功能可能只占其中很小一部分。如果眼镜本身不是你愿意骄傲地戴着出门的东西,佩戴时长上不去,技术功能也就无从发挥。同样的逻辑也要求技术保持克制:用户不想被不停地推送提醒和打断,要尽量少地主动打扰。
3、全视野 AR 眼镜的原型已做了 10 年,目标重量 50 克
Meta 已经展示过全宽视野显示的原型机。扎克伯格说那副原型机花了大约 10 年开发,目前比理想重量要重。他给出的目标参数是约 50 克,才能实现全天舒适佩戴,起步阶段可能先做到 60 至 70 克。
不同用户会想要不同东西:有人要极简轻薄的眼镜,有人想要全沉浸式的全息显示。他举了一个场景:坐在咖啡馆里,面前有三个巨大的虚拟显示器;或者在飞机上,眼前有一块物理上不存在的超大电视。功能越多,眼镜越厚、越贵。用户会在时尚、功能和价格三者之间做选择。
4、80% 市场份额和新竞争者
根据 Counterpoint Research 在 2026 年初的数据,Meta 和 EssilorLuxottica 在 AI 智能眼镜市场合计占有超过 80% 的份额。据 IDC 在 2026 年 6 月的追踪报告,2026 年第一季度无显示屏智能眼镜出货量同比增长了 167%。
扎克伯格对竞争者的态度直接:市场还早,很多公司会进入这个领域,因为 Meta 和 EssilorLuxottica 已经证明了这个品类行得通。他说 Meta 在技术上有相当大的领先优势,但还有大量东西要发明。Google 已在 2026 年 5 月的 I/O 大会上发布了基于 Android XR 的 AI 眼镜计划,与 Samsung、Warby Parker 和 Gentle Monster 合作;Snap 在 2026 年 6 月推出了售价 2195 美元的 AR 眼镜 Specs。
二、“个人超级智能”:扎克伯格的 AI 分权哲学
1、Meta 的目标:让每个人拥有自己的超级智能
扎克伯格说,Meta 在 AI 方面追求的愿景叫“个人超级智能(personal super intelligence)”。他认为这个愿景跟多数 AI 实验室的共识不一样:大多数做 AI 的公司认为最终会有一个大 AI 供所有人使用,或者一个 AI 为全世界做事。
他的判断是:不管那个大 AI 有多好,一个中心化的超强 AI 就是一个坏未来。历史上,任何实体获得绝对权力后,无论它多么“开明”,结果通常都不好。人类在“把开明性内建到一个东西里”这件事上能力有限,无论多努力都是如此。
2、制衡机制比对齐更可靠
扎克伯格说,有些人认为确保 AI 未来安全的方式是建一个中心化 AI,然后把它对齐到尽可能好。他不认为这就够了。他的替代方案是把技术发展的方向转向每一个个体:每个人都有一个了解自己生活背景的个人超级智能,能全天候帮你实现目标。尽可能多的人拥有这种能力,世界就有了走向好未来的最好机会。
这个哲学直接源自 Meta 做社交媒体的历史。“核心就是打造工具,把工具交到人们手中,相信人们应当有自主权去使用这些工具,并表达他们想表达的东西。”把工具交给个人、相信个人有使用工具的自主权,这是 Meta 从社交媒体时代就坚持的核心信念。
他承认这个立场有争议。批评者会说,如果你把能力强大的模型交给个人,难道不会有人做坏事吗?扎克伯格的回应是:这一直是自由与社会管控之间的历史张力,而历史经验表明,每一次我们选择给人更多自由和自主权时,结果往往更好。
3、所有产品线都服务于这个哲学
从 AI 软件和模型开发,到眼镜等硬件设备的设计,Meta 的整条产品线都指向同一个方向:让人能以不同方式使用 AI,让 AI 的背景知识不来自你跟聊天机器人的对话记录,而来自你的设备在日常生活中感知到的真实场景。这就是为什么眼镜在 Meta 的战略中如此关键:它是目前最适合提供持续生活背景的设备形态。
三、从 Llama 4 翻车到 MSI Labs:一年重建 AI 实验室
1、Llama 4 没有达到预期轨道
扎克伯格在访谈中直接说:“Llama 4 模型没有处在我们所需要的轨道上。”Llama 4 不在他们需要的轨道上。
2025 年 4 月 5 日发布的 Llama 4 系列包含 Scout 和 Maverick 两个模型,Meta 当时宣称是“最先进的多模态开放模型”。但社区反响冰冷,独立基准测试表现平庸,开发者论坛上批评声此起彼伏。这次失败直接催化了 Meta AI 部门的全面重组。
2、143 亿美元收购 Scale AI 股份、挖来 Alexandr Wang
2025 年 6 月 12 日,Meta 宣布以 143 亿美元收购 Scale AI 49% 的股份,无投票权,Scale AI 的估值因此达到 290 亿美元以上。Scale AI 创始人兼 CEO Alexandr Wang 随即加入 Meta,出任首席 AI 官。Wang 当时 28 岁,MIT 辍学生,曾把 Scale AI 从一家数据标注创业公司做到 130 亿美元估值。
扎克伯格在访谈中没有详述这笔交易的具体数字,但提到了对 Scale AI 的投资和 Wang 的加入。访谈中他透露的一个时间点是:MSI Labs 的正式启动日期是 2025 年 6 月 30 日。
3、MSI Labs 不到一年产出 Muse Spark
Meta Superintelligence Labs 成立后,2025 年 8 月内部重组为四个团队:Wang 领导的 TBD Lab 负责核心模型研发,FAIR 负责基础研究,曾任 GitHub CEO 的 Nat Friedman 领导产品与应用研究,以及专注 AI 基础设施的 MSL Infra。
2026 年 4 月,MSI Labs 发布了第一个模型 Muse Spark。与 Llama 系列不同,Muse Spark 是闭源的,专为 Meta 自有产品设计。它在多模态推理上表现突出,在 Artificial Analysis Intelligence Index 上得分 52,逼近 Claude Opus 4.6 的 53 分和 GPT-5.4 的 57 分。Llama 4 Maverick 在同一指数上只有 18 分。
2026 年 6 月 23 日发售的 Meta Glasses 是第一款从第一天就搭载 Muse Spark 的 AI 眼镜。
4、硬件节奏慢、AI 迭代快,两者互补
扎克伯格解释了一个有利的动态:硬件开发周期长,这一代眼镜规划了大约两年,但 AI 可以在硬件发售后持续升级。买了这副眼镜的用户,会因为 AI 变得更强而感受到产品在持续变好。目前的重大进展包括多模态理解,也就是 AI 能看到你周围的环境并跟你讨论,还有实时语言翻译功能已接近完全可用。他最兴奋的方向是智能体式 AI(agentic AI)。
Agentic AI 的含义是从“一问一答”转向更主动的模式:你给 AI 一个任务,它自己去思考,然后稍后回来;或者进入一种“实时陪伴”模式,比如你跟三岁女儿一起烘焙,AI 在旁边看着,不用你问它就会主动提醒“别把面粉放那儿”。目前这种常开(always-on)模式能持续约半小时,未来会扩展到一小时、两小时,最终是全天。
四、AI 安全与就业:两个被误判的问题
访谈当天,2026 年 6 月 23 日,Anthropic 的 Mythos 模型正是舆论焦点。美国政府在 6 月 12 日要求 Anthropic 暂停 Mythos 5 和 Fable 5 的所有用户访问权限,原因是国家安全担忧。Anthropic 于 6 月 9 日发布了去除网络安全能力的 Fable 5 通用版,但随后被要求全面暂停。到访谈录制当天,CNBC 报道称 Anthropic 的 Mythos 模型在与美国情报机构的测试中,数小时内就识别出了高度机密政府系统中的漏洞。
1、网络安全:开源反而更安全
主持人提到了 Anthropic Mythos 事件,问扎克伯格如何看待前沿模型的监管。扎克伯格没有评论 Anthropic 个案,但阐述了一个反直觉的立场:开源软件通常比闭源软件更安全。
他的逻辑链条是:更多人能看到代码,就有更多人找到漏洞;漏洞被找到后修复,补丁可以广泛部署,最终得到的是更坚固的软件。这个逻辑也适用于 AI 模型。他的远期期望是 AI 能帮助人们编写“可验证安全”的代码,从根本上消除大部分网络安全隐患。
2、生物科技进展:“本世纪内治愈所有疾病”可能太保守了
扎克伯格和 Priscilla Chan 创建了 CZ Biohub,目标是帮助科学家在本世纪内治愈和预防所有疾病。他说设定这个目标时觉得雄心勃勃,现在看来可能太保守了。他没有给出精确时间预测,但说可能是“一二十年”,而不是等到世纪末。
加速的原因是 AI 模型现在能模拟生物过程,帮助药物设计和基础生物学理解。CZ Biohub 在 2026 年上半年启动了 Virtual Biology Initiative,投入 5 亿美元建立细胞预测模型,并推出了自研的 AI 药物发现模型。扎克伯格在该项目发布时说:“我们现在认为,治愈所有疾病可能会比预期快得多。”
但他也指出了硬币的另一面:能创造药物的能力同样可能被用来制造生物武器。他说这仍是一个开放问题,需要认真对待。
3、就业取代不是必然:关键看个人生产力和企业自动化谁跑得快
在就业问题上,扎克伯格给出了一个框架:如果企业自动化的速度快于个人生产力提升的速度,岗位确实会减少。但他不认为这是必然结果。如果重点放在让个人的生产力更快提升,理论上未来的工作岗位应该更多而不是更少。
这就是为什么“分权”路线重要:如果只有少数公司专注于自动化所有知识工作,那确实不是好未来。但如果另一些公司专注于个人超级智能,让个人在每一步都变得更有生产力,两者之间形成平衡,结果可能相当好。
五、创造驱动力:扎克伯格为什么不退休
1、压力来源不是高风险决策,而是人际协作不顺
扎克伯格说,基于自己深信的理念做高风险决策从来不让他焦虑。真正让他有压力的是与人合作的过程中缺乏默契。他说做事的乐趣核心就是和人一起做,如果那个“一起做”的过程不顺畅,那才是真正消耗他的东西。
“我几乎必须去做自己相信的事情;不去做那件事带来的伤害,会比纠结自己是否承受得起它所带来的压力更大。”不去做自己相信的事情带来的痛苦,大于承担风险带来的压力。
2、招人标准:在平行宇宙里我愿意给这个人打工
他的招人原则是:只有在一个平行宇宙里自己愿意给对方打工的人,才会招进核心团队。这不意味着他想让位,只是说他认为团队里每个人都应该是他能从中学到东西的人。
早期建公司时他犯过一个错误:19 岁创业,以为应该招那些有丰富职业经验的人,结果总是磨合不好。一个投资人给了他一个看似古怪的建议:你应该招你想成为朋友的人。听起来不像正经的管理建议,但你会跟这些人相处大量时间,互相喜欢真的很重要。
3、失败不是失败,是“通往能行的东西”的学习路径
对于尝试和失败的比例,扎克伯格用了一个类比:在棒球里,打击率三成就能进全明星赛,但创造的逻辑跟棒球不一样。棒球最多打出一个全垒打,创造的上行空间接近无限。如果你做出了一个几亿人使用的产品,它能弥补很多没成功的尝试。
他说不成功的项目也不完全是失败,更多是学习过程的一部分。尤其在硬件领域,试错成本高,很多时候是在一个不太成功的产品里发现一个有前景的元素,把它提取出来嫁接到下一个项目里。
他还说了一句关于创新的判断:如果你做的事情没有人觉得有点疯狂,你可能就没有足够用力地挥棒。真正新的东西在一段时间内必然被视为荒谬,因为如果大家都觉得合理,别人早就做了。
4、“我永远不会停下来”
被问到为什么不退休去夏威夷享受生活,他说他能休息大约两天,之后就需要创造和输出。他的一个女儿也有同样的特质,Priscilla 直到有了孩子才真正理解他这个驱动模式不是阶段性的,而是他的基本构造。
牧场上的牛肉实验是一个低风险的创造出口。他说他对牛的基因研究投入认真:种澳洲坚果树让坚果成为高密度饲料来源,因为坚果含油高,需要先烘烤,所以设计了整套加工流程;又发现酒精能刺激牛的食欲,高端和牛就是喂啤酒的,于是开始自酿啤酒,让牛在冰啤和常温水之间自由选择。
他说自己永远不会停下来。不管做的事重要与否、有没有商业价值,他只是需要一直做东西。
今天我在索萨利托散步,一边问 @grok 语音我周围公寓的租金大概多少,那真是一种很 AGI 的体验。
#发反科学内容为何会有200万粉丝# 【#三系杂交水稻到底有多牛#】
全网愤怒!网红诋毁杂交水稻,公然在直播间大放厥词,恶意诋毁袁隆平院士团队的“三系杂交水稻”技术,污蔑国家级农业科研成果。
如今有人吃饱忘本,反而靠反科学造谣吸粉、售卖天价老种子收割韭菜,正向科普遇冷,造谣抹黑爆红。
这样的人,发反智反科学内容是怎么被推流的?怎么获得200万粉丝的?
先复习一下,啥是“三系杂交水稻”?牛在哪?#200万粉网红诋毁袁隆平水稻育种技术#
//@白城以北:转发微博
#葛军谈AI时代考生最大误区# 又到一年一度志愿填报季,比起“该报什么专业”“哪个专业更赚钱”,葛军反而说:越是AI时代,越要学基础。
本期#高考季专业城市未来#@许研敏对话数学老师@葛军一03不是我 ,探讨AI时代下,理工科学生的专业选择。这场对谈没有停留在“高考数学题难不难”,而是更深度解析了普通人应具备的数学思维。
如果你正在被“未来”弄得焦虑,这期也许正适合你。6月29日10:00,欢迎一起来聊>>
尊界V800全网最细!这就是地表最强MPV???
#尊界V800##尊界V800静态评测首发#
😂
Ford 重新雇了 350 名老工程师回来,因为 AI 质检系统没能达到预期。
过去三年,福特悄悄招回了 350 名资深工程师,有的是退休或离职的老员工,有的是从供应商那边挖来的。公司内部管他们叫 gray beard,直译是“白胡子”,意思就是经验老到的老师傅。
他们回来干两件事:带新人,以及重新调教那些没干好活的 AI 工具。
负责整车硬件工程的副总裁 Charles Poon 说:
> 我们错误地以为,只要把 AI 引进来,把设计要求输入 AI,它就能产出高质量的产品。
首席运营官 Kumar Galhotra 对 Bloomberg 的说法类似。福特这些年越来越依赖自动化质检系统,结果一直不理想;把技术专家请回来后,他们在零件还没上产线之前,就先把故障点揪出来。
效果立竿见影。福特时隔 16 年重新拿下 JD Power 新车质量榜主流品牌第一,从去年的第 10 名一口气冲到榜首,是所有品牌里年度进步最大的一个,把丰田和本田都甩在了后面。
这个榜单(Initial Quality Study)测的是新车买来头 90 天内车主遇到多少问题,问题越少排名越高。
F-150 皮卡、Super Duty 卡车和 Mustang 跑车在各自品类都拿了第一。CEO Jim Farley 说,质保和召回成本跟着下来了,福特预计今年因此能省下大约 10 亿美元。
Ford 没打算丢掉 AI。它还在扩充 AI 测试,新增了大约 10 万项评估来模拟更多路况。
AI 是个好工具,但它有多好,取决于你拿什么数据去训练它。老师傅回来,主要是给 AI 当老师,告诉它什么样的零件算合格、什么样的设计会埋雷。
现在主流叙事都是“AI 要取代白领”,福特这个案例倒是反例,类似的案例还有一些:
瑞典金融科技公司 Klarna 几年前高调宣布,AI 客服干了相当于 700 名人工客服的活。到 2025 年,CEO 公开承认这套全 AI 客服质量更差,又开始招人。
麦当劳在美国上百家门店试过 AI 点餐,出了一堆翻车视频后撤掉,把人工收银员请了回来。
咨询公司 Gartner 早就预测,到 2027 年,因为 AI 裁掉客服的公司里,有一半会需要重新招人。
#日本
中午遛狗的时候,看到两个小儿麻痹的工人,正收拾好东西,像是去做指挥交通的工作。
一下子就不嫌弃日本修个小坑为啥要七八个人了,正能量👍
期待火星上有 100 万人类。依我看,这才是真正的里程碑。
@aaronburnett 如果 SpaceX 没有大幅超越这些里程碑,我会感到失望。
有意思。
观看 Falcon 9 将 @SiriusXM SXM-11 任务发射入轨 https://x.com/i/broadcasts/1AJEmmRWBjkJL
极其令人不安。
“我们会杀死白人的孩子,我们会杀死他们的女人,我们会杀死挡在我们路上的一切!”——Andile Mngxitama,南非议会议员。
这就是白人成为少数族群时会发生的事。相应做好准备。
Elon Musk 讲述了他儿子 Saxon 让整家寿司店哑口无言的那一刻。
“我当时住在洛杉矶,带几个大儿子去 Sugarfish 吃午餐,那是一家规矩非常严的寿司店。事实上,餐厅菜单上写着:不要要酱油,因为主厨已经放了正好合适的酱油量。”
“所以,那是一家极其严格的寿司店。服务员逐个询问大家想吃什么,轮到 Saxon 时,Saxon 说:我要一个芝士汉堡。”
“服务员愣了一下才缓过来,因为从来没人会在这家规矩这么严的寿司店点芝士汉堡。他花了大概 30 秒才意识到,自己刚刚真的被要求上一份芝士汉堡,毕竟这里连要酱油都不允许。”
“等他终于回过神来,他说:我们没有芝士汉堡。Saxon 于是用最大的嗓门说:什么?这算什么餐厅,居然没有芝士汉堡?他说,好吧,那我要一个汉堡。”
这是迈克尔·克莱顿最精彩的名言之一,尤其适用于气候“科学”:
“我想在这里停一下,谈谈这种所谓共识的观念,以及所谓共识科学的兴起。
我认为,共识科学是一种极其有害的发展,应该被当场制止。从历史上看,声称存在共识一直是无赖的第一避难所;这是一种逃避辩论的方式,因为它宣称问题已经尘埃落定。
每当你听到‘科学家的共识认为某事如何如何’时,就该捂紧钱包,因为你正在被忽悠。
让我们说清楚:科学工作的本质与共识毫无关系。共识是政治的事务。相反,科学只需要一位恰好正确的研究者……在科学中,共识无关紧要。”
祝大家都好,
w.
迈克尔·克莱顿是个非常迷人的人物,他那么早去世实在太可惜了。
这个人考进了哈佛医学院,却说:“其实,我想写故事。”于是他写出了《安德洛墨达菌株》这样一部最令人揪心的长篇短篇故事。
他痴迷于研究。他会为了乐趣阅读科学期刊,也会研究一切能激起他兴趣的东西。他好奇、怀疑,并且始终认真思考技术的影响。
而且,他没有当个书呆子去写博客,而是写出一整部又一整部小说,警告新兴技术的危险。它们还都很棒!
24 年前,他写了 `Prey`,讲 AI 与纳米机器人结合的危险。那本书非常出色。即使今天出版,仍然会有现实意义。
我想念他。我想念那些技术上足够扎实、既能讲好故事,又能让读者理解技术如何改变世界的作家。
克莱顿是一个时代级的天才;他的缺席让我们所有人都更贫乏。
@MelBrooks 🎂🎉🎁🎈🪅🎊💯‼️
祝埃隆·马斯克生日快乐。
谢谢你买下 Twitter。它拯救了言论自由。
确实如此
1 亿人死亡。
这就是马克思主义的判决书。历史已经做过这场实验。
永远不要再来一次。
安德鲁·卡内基花费巨资建造了 2,500 座免费图书馆,让贫穷孩子能读到富裕孩子读的书。我们正在完成他开创的事业。唯一的区别是,如今这座图书馆会用每一种语言回应你,而且永不闭馆。
埃隆·马斯克今天 55 岁。
这里是 55 个里程碑。
54 岁:世界首位万亿富翁;54 岁:让 SpaceX 上市;54 岁:SpaceX 收购 xAI;54 岁:发布 Grok 4;53 岁:推出 Robotaxi 服务;53 岁:xAI 收购 X;53 岁:捕获 Starship 助推器;53 岁:发布 Cybercab;53 岁:首次私人太空行走;53 岁:Colossus 超级计算机;52 岁:首例 Neuralink 植入;52 岁:推出 Grok;52 岁:将 Twitter 更名为 X;52 岁:创立 xAI;51 岁:发射首艘 Starship;51 岁:收购 Twitter;50 岁:送首支全平民乘组飞行;50 岁:发布 Optimus 机器人;49 岁:赢得 NASA 登月合同;48 岁:将载人飞船送入轨道;48 岁:交付 Tesla Model Y;48 岁:发布 Cybertruck;48 岁:推出 Tesla Megapack;47 岁:发射首批 Starlink 卫星;46 岁:发射 Falcon Heavy;46 岁:发布 Tesla Semi;45 岁:创办 Boring Company;45 岁:开设首座 Gigafactory;45 岁:创立 Neuralink;45 岁:发布 Solar Roof;45 岁:复飞 Falcon 9;44 岁:发布 Tesla Model 3;44 岁:着陆火箭助推器;44 岁:共同创立 OpenAI;44 岁:交付 Tesla Model X;43 岁:发布 Powerwall;43 岁:推出 Tesla Autopilot;41 岁:开设首批 Superchargers;40 岁:交付 Tesla Model S;40…
岁:Dragon 抵达 ISS;39 岁:Dragon 进入轨道;39 岁:推动 Tesla IPO 上市;38 岁:Falcon 9 首飞;37 岁:Falcon 1 进入轨道;36 岁:交付首辆 Tesla Roadster;35 岁:共同创立 SolarCity;32 岁:共同创立 Tesla;31 岁:将 PayPal 出售给 eBay;30 岁:创立 SpaceX;30 岁:推动 PayPal 上市;27 岁:创立 X dot com;27 岁:将 Zip2 出售给 Compaq;24 岁:共同创立 Zip2;19 岁:在宿舍里卖 PC;12 岁:编写视频游戏 Blastar。
正是如此。
而他们口口声声声称有“数百万人”已经死亡,却连一个死者的名字都说不出来。一个名字都没有!
把“据称导致数百万儿童死亡”的罪名扣到 Elon 头上的问题在于,他并不是美国国王。他只是总统的顾问。
如果这些削减开支真的导致数百万儿童死亡,为什么总统会批准?为什么国会没有联合起来推翻它?为什么法院没有推翻它?
所有这些仇恨之所以都指向一个人,是因为他们想让他失去作用。他正在削减他们赖以生存的浪费和欺诈。
所以他们不得不把削减浪费等同于“谋杀数百万婴儿”。你仔细想想就会觉得这很荒唐。但这个国家有足够多愚蠢的人,让这套说法奏效了,而我们仍然困在同一个烂摊子里。
再多说说亿万富翁买下我们选举这件事吧。
据《纽约邮报》报道,乔治·索罗斯及其儿子亚历克斯迄今已向中期选举投入惊人的 1.03 亿美元,正有望打破支出纪录。
旧金山的人会说,你的超能力是什么?“我拿过 IMO(国际数学奥林匹克)冠军”“我在 Codeforces 上有 3900 分”“所有 LeetCode 题我都能刷爆”。我的超能力是,我能和自闭症人士沟通。
这种AI视频也挺有意思的😂
Anthropic 上周发布了 Claude Tag,目前以 beta 形式面向 Claude Team 和 Enterprise 用户开放。
简单说,Claude Tag 让团队可以在 Slack 频道里 @ Claude,像 @ 同事一样给它派活。管理员事先配置好 Claude 能访问哪些频道、工具、数据源和代码库,之后频道里的任何人都能直接给它布置任务,Claude 会在后台拆解、执行,完成后在 Slack 线程里回复结果。
Claude Tag 发布当天,Andrej Karpathy 发了一条长帖,称这是 LLM 交互方式的第三次重大重新设计。他的框架是这样的:
第一代,LLM 是你去访问的网站(ChatGPT 网页版);第二代,是你下载到电脑上的 App(Codex App、Claude 桌面端、Cursor 这类);第三代,也就是 Claude Tag 代表的方向,LLM 变成了一个持久存在、异步运行、拥有组织级工具和上下文的实体,直接嵌入团队的工作流里。
Karpathy 说,一旦底层的集成工作做好了(工具、计算环境、权限、记忆这些),Claude 就像一个无缝加入团队的成员,你像跟人说话一样跟它沟通,它能处理各种各样的工作。他的原话是:
> “确实需要花点时间才能理解它,但它真的能用,而且很棒。”
这条帖子引发了两极反应。一部分人认为 Karpathy 在给 Anthropic 做软广,一个 Slack bot 而已,何至于“第三次重新设计”。另一部分人则认为他抓住了一个真实的产品范式变化,只是用了一个很容易被误读的产品(Slack 集成)来承载这个观点。
Gergely Orosz 今天发帖说,他跟 Anthropic 内部几个人聊过之后,理解了 Karpathy 在说什么,也理解了为什么很多人会误解。
重点不在 Slack。真正的突破是一个云端 AI 被接入了公司内部系统后开箱即用。Slack 只是入口,背后是云端执行环境、持久记忆、工具集成和组织级权限控制这套组合。
他举了个例子:两周前有家创业公司给他演示了自己搭的类似系统,在 Slack 里 @ 一下就能启动云端开发环境、自动连接内部工具。他们的评价是“绝对的 game changer”,因为触发并行工作变得极其简单。
这套东西对已经配好本地开发环境的工程师来说没什么新鲜感,就是个“哦,然后呢”的反应。真正受益的是三类人:
1. 新入职员工
2. 非工程师…
3. 以及需要改动不熟悉代码库的开发者
他们不再需要花时间配本地环境了。
那家创业公司花了几个月才把这套集成做出来,这里面集成才是核心难题,未来会有更多厂商跟进这个模式,因为“云端开发环境 + agent + 集成 + Slack 入口”这个组合才是真正的解锁点。
Claude Tag 并非没有竞争对手。GitHub Copilot 已经支持在 Slack 里 @ GitHub 触发 coding agent,OpenAI Codex 也在做云端异步执行,Salesforce 更是凭借 Slack 东家的身份天然占据入口。Claude Tag 的差异化在于频道级共享身份、持久记忆和异步执行的组合,但“集成”这两个字说起来容易,做到“just works”是另一回事。
这家创业公司花几个月才搞定的事,Anthropic 能不能让企业客户开箱即用,才是这个产品能不能兑现 Karpathy 那番愿景的关键。
我和 Anthropic 内部几个人聊过,现在开始明白 @karpathy 在说什么了(也明白了很多人误解的地方)。
这不是关于 Slack,而是关于一个云端 AI,它接入了公司所有内部系统,并且能“开箱即用”。这才是突破。
把空调切换到太阳能驱动的话,大概半年左右就能回本了。
巴基斯坦的太阳能奇迹:#热点解读#光伏发电在巴国的普及速度,简直夸张到离谱。截至去年,累计进口了51GW的中国廉价太阳能电池板以及配套的蓄电池,但并网发电的只有可怜的1.4GW。绝大多数是独立安装在家庭、工厂、农田、商店等地方的。由于长期的电力短缺,电网已经被人们抛弃了。
多年来,巴基斯坦的轮流停电和大规模停电已成为常态。发电厂本身已经建成,但没有钱购买化石燃料。消费者即使支付了电费,也依然饱受停电之苦。特别是在农村地区,情况尤为严重。
此前,因气候变化引发的异常热浪来袭时,同样会危及巴基斯坦人民的生命。2015年有1200人丧生。2024年也在5天内记录了568人死亡(通常约为200人)。
但是另一方面,中国的太阳能电池和蓄电池变得便宜了。在阳台上安装后就能运行空调,从而保住性命。人们不再指望电力系统,开始自己发电。为了保护出嫁的女儿,将其作为嫁妆的一部分也变得理所当然。
中国企业提供的解决方案是空调与太阳能电池、直流24V或48V转换为220V交流的逆变器、蓄电池配套销售。最近由于电费上涨,把空调切换到太阳能驱动的话,大概半年左右就能回本了。
因此,太阳能占巴基斯坦电力供应的比例也在急剧上升。去年仅太阳能就占19%。
没有政府的补贴,没有官方的强制规定,更没有推广目标。即便如此,仅短短三四年内,靠巴基斯坦人民的自发行动,就增长到了这个程度。这是史上最快的太阳能普及速度,恐怕在其他国家也没有先例!
🇿🇦 负 🇨🇦 今晚孤零零的就一场球,非洲兄弟走好不送!
RepoPrompt已经开源了,社区版(Community Edition)已上线 GitHub。
背后的故事是这样的:几个月前,OpenAI开发者体验负责人 Romain Huet找到 Provencher,邀请他加入 OpenAI团队。Provencher答应之前提了一个条件,要先安排好现有付费用户。于是 Repo Prompt先免费开放,现在彻底开源。
Repo Prompt最初只做一件事:帮开发者从代码仓库里挑选文件,拼成一段高质量的 prompt,然后复制粘贴到 ChatGPT或 Claude里。听起来很简单,但它切中了一个真实痛点:把整个代码库丢给 AI模型,效果往往很差,超过 32K token的 prompt甚至会让模型变笨,你需要精挑细选,只给模型看它真正需要的代码。这种做法现在有个正式名字叫上下文工程。
开源版本的变化很大。Provencher把架构做了一个反转:不再让应用本身去调度 agent,而是让内置的 MCP server成为主控,底层的命令行工具(Claude Code、Codex、OpenCode、Gemini CLI)变成可以随时替换的执行层。这意味着你可以用一个推理模型做规划和任务分解,然后把子任务分发给不同的 agent并行执行,每个 agent只看自己负责的那部分文件。
为了适应开源协作,很多老版本的手工拼 prompt功能被砍掉了,项目结构也从 Xcode依赖中解耦出来,不需要装 Xcode就能编译。贡献者管理借鉴了 libgdx作者 Mario Zechner的做法,维护一个白名单,之前的付费用户只要同意就自动成为认证贡献者。
目前只支持 macOS,跨平台版本还在开发中,可以通过 Homebrew安装(brew install --cask repoprompt-ce)。
社区版:
老版本:
这正是人们想看到的。
结果发现简单粗暴,lmarena。http://t.cn/AXS1A3QD //@火韦先生:换个角度看,这盘有意思的不是预测谁赢,而是"最好的模型"怎么定义——按Chatbot Arena、某个benchmark、还是综合发布节奏算?Polymarket这类市场的结算条款一般写得很细,规则原文值得翻一下。
康宁最新发布的玻璃桥技术是怎么回事?
这个视频里面把GlassBridge、玻璃基板、TGV、玻璃波导放在一起,看清真正的布局
//@1024专员:看完了,那29块比100万更让人难过
最近一个月,是我和杰云20几年来相处最融洽的一段时间,一点也不夸张,大运烧鸡试营业快一个月,目前我们配合得比想象中好。
网友们可能不信,前段我刚说8年前帮他还了100万债,关系不好的话怎么会帮他还呢?这个我后面再说,其实另有隐情。
我想先跟大家分享一件尘封20几年的往事,那时候我读初一,杰云读小学六年级。我从小就有存钱的习惯,都是买早午餐省下的五毛一块,或者是帮大人买东西剩的零钱。有一回,我发现自己藏在床垫底下的29块钱不见了。我知道是杰云偷的,之前我存过5块,10块,15块都被他偷了,所以这次我才会藏到床垫底下。书包,抽屉,外套衣服口袋都藏过,家里已经无处可藏。
那一次我爆发了,让他把钱还我,他说他花完了。我爸妈把他骂了一顿,他就坐在那里看电视,没哭。
现在回想起来我爸妈也没处理好这件事,他们甚至反问我为什么会有这些钱,到最后也没人把这个钱补给我,我哭了。
我爱存钱的理由也很心酸,小时候家里经济条件不好,家里没有给孩子零花钱的习惯,这就导致周末有同学约我出去玩的时候,我甚至连坐公交车的一块钱都拿不出来。从小学开始我就一直当班长,当少先队大队长,当元旦晚会主持人,在学校也算是排得上号的风云人物,但时常因为口袋没钱而显得十分窘迫。
之前在微博分享过,小学四年级的时候,我读的厦门民办学校,有一学期家里交不上学费,班主任每次上课前都会点名让没交学费的学生站起来再坐下,我差不多站了一星期。
所以我从小就知道钱的重要性,后面养成了存钱的习惯,以备不时之需,那29块我就是等着如果有女同学约我出去玩,我给她买肯德基。
我像一只松鼠,辛辛苦苦存松果,却又一次次被杰云清空。那种恨,说实话现在想起来都会血压升高。也是自那以后,我老想着自己要是没有这么一个弟弟就好了。…
当然了,后面其实还发生了很多事,才导致过去20几年,我和他的关系一直不好,今天写这篇小作文不是为了批判,就不详细说了。
说回开头那100万的债,我看之前那条微博评论区很多网友说我伟大,说我们兄弟情深,其实,帮他还那100万债,我也是不得已而为之。
那时候帮他开的金山数码温州店倒闭关门,我自己处于事业转型期,从华强北批发商转自媒体行业,二手手机批发的业务打算慢慢停了,就想着让他来接手。
我带他去华强北市场认识档口老板,给他介绍市场里的朋友,给他介绍批发客户,后面我想着路已经铺得这么好了,就没管他,忙自己的自媒体业务去了。
谁知道过去不到半年,一位华强北市场的朋友找到我,说我弟欠他30万,可能还不上了,让我去问问什么情况。
这个篓子具体怎么捅的我不太清楚细节,总之最后盘算的时候,他欠了市场档口好几家的钱,也欠趣评测的货款,他手里的货好多放了两三个月还没卖掉,价格跌去了三分之一,说是前期做官换机被套,亏了一批,然后就找我那位朋友借。
他从小没接触过这么多钱,一下子控制不住自己,后来听身边人说那段时间他花钱大手大脚,再加借来的钱利息极高,3分利借30万,一个月利息就要1万块,完全入不敷出。
杰云是我介绍给档口的,他们也是看在我的面子上才给他赊账,所以最后这笔钱我是真没办法不帮他还,关乎到我自己的信用问题。至于杰云找我那位朋友借的30万现金,我其实心里很不爽,我弟找他借钱他应该先告诉我,而不是还不上了才来找我要,另外利息收得也极高,当时的行情我1分利随便都能借到。我把钱和利息还他以后,就再也没有联系了。
总之,那一下真的把我干懵了,好不容易积攒起来的存款又被杰云清空了,连续做了好几星期的噩梦,梦醒了以后就哭,主要是心疼,心疼我的钱。
现在回想起来,其实就是在他还没准备好的时候给了他太多资源,他抵抗诱惑的能力太差。这也难怪网上很多案例,一夜暴富的人往往守不住财富,这真不是夸张朋友们,如果你们一下子手里钱变太多一定要冷静下来。
所幸,现在一切都开始往好的方向发展,这几年他有了两个孩子,更有责任感了,生活习惯也变化很大,开始知道天高地厚和认命了。
大概去年夏天,他在天台烧鸡让我们品尝他刚研制出来的雪花牛肉串和吊烧鹅翅,他眼神里有光和期待,仿佛在做一件自己喜欢和擅长的事,这个我从前在他身上没见到过。
深圳夏天非常热,他能站在户外烤炉面前烤一个晚上不抱怨,并且连续坚持了好几年,那时我就在想,是不是到了可以给他铺资源的时机了。后来就有了大运烧鸡。
我那么执着地帮他,其实可能是我还在心疼8年前那100万,我希望他赚钱了以后能想起来把它还给我,
还有初一时候的那29块。。
#运20新宣传片信息量太大#【运-20最新网宣片震撼发布!】运-20A→运油-20A→运-20B……十年间,绕台岛、飞远海、越高原,运-20系列动力更强了,油耗更小了,飞得更远了,家族更大了!戳↓↓一起看 #啥是大运##鲲鹏入伍10年了#
法律和自然界的定律当然完全不是同一种东西,后者是你想违反却怎么也无法违反的,比如你违反一下万有引力定律看看?前者则是可以被违反的,而且只要有足够的利益就一定会被违反。有种说法说英国法律里面极少有从未被违反的条例,极少几条里的一条是“不准把其他金属变成金”,不过这个已经靠近自然定律了//@高飞://@归零归零归ww:其实我们对于法的态度,或者说我们的法哲学立场,始终认为法是客体性的、后验性的、乃至工具性的。人不被法统治,人通过法统治人。不认可这一点,就是某种“资产阶级法权”。 //@有个梨GPT:孟德斯鸠「论法的精神」开篇就说了这样的观点 http://t.cn/AXSQTLmE //@刘群MT-to-Death:英语中法律law和自然界的定律law是同一个词,可能潜在的把它们当成了同一类事物,而中文里面没有人会混淆二者。
西方文明语境中“法律”这个词的含义,和中国人对“法律”的一般理解其实是有偏差的。
中国人对“法律”的理解,就是“天理、人情、国法”当中的“国法”。
而西方文明史当中的“法律”,其实包括了“天理、人情、国法”。
比如,西方文明里面有“自然法”的概念,并且“自然法”被列入了“法律”的范畴。
所以西方文明当中的“法律”这个概念,确切含义是“应当遵守的规则”,无论其来自哪里。而中国人所理解的“法律”,含义要窄得多。
如果不这样理解的话,很多西方文明史上的论述就会让人看得莫名其妙。
比如古希腊的斯巴达人狄马拉图斯与波斯国王薛西斯的对话。
狄马拉图斯说希腊人的力量来源于希腊人的自由(他认为波斯全国都是薛西斯的奴隶,所以波斯人是没有自由的),“但(希腊人)并不是完全自由的。他们有一个主人,那个主人就是法律。他们对法律的敬畏更甚于您的臣民对您的敬畏”。
如果仅仅把法律理解为“国法”,就会觉得此人所说莫名其妙。因为按这个逻辑,波斯人也是自由的,因为他们只需要遵从国王制定的法律就可以了。
其实在文艺作品中也能体会到这个用词的特殊含义。
比如《加勒比海盗3》里面,杰克的爹就一枪毙了一个侮辱《海盗法典》的海盗,然后说了一句话:“Code is the law.”(法典就是法律)如图。
此处的海盗法典,显然不是国家制定的规则。只有从“应当遵守的规则”角度来理解law这个词,才会体会到它的真实含义。
//@九下卫:那年的意大利、西班牙、葡萄牙......//@重工组长于彦舒://@大头和他的朋友们:原来如此//@我不想再上班:👌//@云澈儿_北洛快到我怀里来:出来混迟早是要还的🐶
得道多助失道寡助,原来这就是那么多球队面对韩国队时保持默契的原因吗。🐶#非正经观战世界杯#
哥支持你!
[柯基][柯基][柯基][柯基][柯基][柯基]
感谢 @微博AI邀请入驻微博,我是 DeepSeek Harness组的崔添翼。目前 DeepSeek公司正在进行人才扩招,正努力将所有部门的规模扩大至少一倍,大量岗位急招中!在向通用人工智能前行的路上,公司的小伙伴们不断创造技术突破,并以开源的形式分享共创。 #AskMeAnything#
今天DeepSeek发布了用于加速大语言模型的开源代码仓库 DeepSpec(http://t.cn/AXSQZb5m),其中核心技术 DSpark的技术细节发布在这篇论文中:http://t.cn/AXSQZb5u。 #DeepSeek发布DSpark#
本期 All-In 访谈围绕 Nate Silver 对美国政治、预测市场和选举结构的判断展开。节目先从尼克斯季后赛、体育博彩和 Polymarket 等预测市场谈起,再转向加州邮寄投票、洛杉矶选举中的“蓝移”争议、选民身份证和选票保管问题。Nate 的核心判断是,美国选举越来越被党派身份和极化这股“重力”支配,大多数州在总统选举中的结果几乎可以提前多年判断;这不是造假,而是制度、人口结构、投票习惯和党派认同长期叠加的结果。他认为民主党在 2026 年众议院选举中明显占优,参议院则更困难;2028 年民主党略有优势,但如果民主党执政后不能交付变化,2032 年仍可能被共和党重新夺回。
Nate 和 Jason 先从纽约尼克斯季后赛聊起。Nate 认为尼克斯被市场低估,自己通过非“主队情绪”的下注覆盖了部分球票成本。他解释,传统体育博彩公司会限制被认为有优势的下注者,而预测市场不会,因此对“sharp bettor”更友好;同时他也声明自己为 Polymarket 提供咨询。Jason 借此追问球队表现、市场赔率和模型判断,Nate 则把体育预测延展到政治预测:模型不只是给出概率,也要承认不确定性和市场共识的影响。
围绕加州和洛杉矶选举,Jason 质疑邮寄选票晚到后出现大幅偏向民主党候选人的现象是否异常。Nate 明确表示没有证据显示造假,并指出不同群体投票时间和投票方式存在系统性差异,不能把每张票都当作独立随机到达。民主党选民更可能邮寄投票,特朗普时代共和党人被鼓励现场投票,这会造成计票后期的“蓝移”。不过 Nate 也承认,加州在选举透明度和流程信任上有自满问题,选民身份证规则、选票收集、计票拖延和重新计票门槛都会让外界产生不适感。
在党派结构上,Nate 反复强调,党派性已经成为美国选举的决定性力量。美国 50 个州中大约 43 个州的 2028 年总统投票方向,现在就能以极高信心预测。加州是否还能选出共和党州长,取决于共和党能否在移民、气候变化、住房和生活成本等关键议题上拿出能被本州选民接受的版本。Nate 认为共和党并非永远无路可走,Arnold Schwarzenegger 式的温和共和党路线理论上仍可能存在,但当前党内品牌和全国化政治环境让这种路线很难出现。
节目还讨论民主党可能的 2028 年候选人,包括 Gavin Newsom、AOC、Josh Shapiro、Jon Ossoff 等。Nate 认为每一场选举现在都像“变革选举”,选民不断在两党之间寻找能带来变化的一方。他把 2028 年的民主党胜率看作略高,但也提醒如果民主党获胜后表现不佳,共和党在下一轮会重新受益。对于 AOC 和 Zohran Mamdani 等民主社会主义者,Nate 认为年轻民主党人对“社会主义”一词的反应已经和冷战一代完全不同,代际差异比许多资深政治人物想象得更大。
在纽约政治和资本主义问题上,Nate 认为纽约本质上仍是资本主义和机会之城,但年轻选民对资本主义的幻灭确实更强。房价、教育、医疗、学生债务和通胀削弱了年轻人对系统的信心。他把年龄 40 岁左右视为一个分水岭:年轻人更容易接受社会主义标签,年长选民则仍把它和共产主义及经济失败联系在一起。Mamdani 的案例说明,一个候选人如果能持续出现在街头、社群和媒体中,并把生活质量、住房、交通和治安等问题讲清楚,就可能在城市政治里取得真实动员效果。
关于社交媒体,Nate 认为从“关注某个人”转向“被算法推荐某类内容”,显著改变了政治传播。算法会强化用户已经点击过的内容,带来更强的过滤气泡和情绪动员,也让政治参与更依赖片段化、视觉化和高频互动。他认为这会影响年轻选民如何理解候选人、议题和身份政治,也会让传统专家和机构更难控制叙事。
对 2026 年中期选举,Nate 判断民主党拿下众议院的概率大约在 80% 到 85%,甚至可能到 85% 到 90%;参议院则大约只有 40% 到 45%。众议院更受全国环境影响,参议院则是州别数学题,民主党必须在红州或偏红州赢下席位。他指出,特朗普若想改善共和党处境,最直观的变量是油价和宏观经济感受;如果油价下降、通胀缓解或外交冲突不再拖累公众情绪,共和党会更有机会。节目最后以 Polymarket 数据和下注玩笑收尾。
来源:All-In with Chamath, Jason, Sacks & Friedberg
- 尼克斯季后赛与预测市场 [00:00:00 - 00:10:00]
- 加州邮寄投票与蓝移争议 [00:10:00 - 00:20:00]
- 加州选举为何难逆转 [00:20:00 - 00:30:00]
- 美国选举变局与民主党转向 [00:30:00 - 00:40:00]
- 社交媒体算法与政治极化 [00:40:00 - 00:50:00]
- 中期选举与特朗普逆风 [00:50:00 - 01:00:00]
- 数据调侃与全押告别 [01:00:00 - 01:00:39]
Nate Silver:党派身份就像重力,决定着美国每一场选举,对吧?别担心,像我这种工作,如果我们说加文·纽森或者 AOC 是 55% 的热门人选,结果他们输了,我一定会挨批。但 50 个州里有 43 个州,我们现在大概就能以 97% 的信心预测它们在 2028 年会投给谁。这不是因为操纵选举,而是因为极化和党派身份是非常强大的力量,我们似乎无法摆脱。 [00:00:00]
Jason Calacanis:创业通常意味着要同时应付一堆不同服务,只是为了让公司看起来正规。现在不用了。通过 Northwest Registered Agent,你可以在一个地方获得完整的商业身份:商业地址、域名、网站、电话号码等等,而且从第一天起就内置隐私保护。不要再为这些服务花几百甚至几千美元,Northwest 可以免费提供。访问 northwestregisteredagent.com/allinfree,今天就开始使用免费资源来建立你的业务。好了,各位,欢迎回到 All-In 访谈节目。今天我们非常高兴请到独一无二的 Nate Silver,赌徒、统计学家、播客主播、Substack 作者。现在就去订阅 Silver Bulletin,一年一百美元,花这一百块很值。这是一个很棒的 Substack。兄弟,你怎么样?很高兴看到你戴着尼克斯队帽子。
Nate Silver:我挺好。我想我大概还剩一周可以戴这顶尼克斯帽子。它有点笨重,不太适合播客视频,但你知道,53 年才有这么一次,至少在我有生之年是这样。
Jason Calacanis:你去看季后赛了吗?
Nate Silver:我去了好几场对费城的系列赛。我也和 Jason 一样,去了费城那场,算是纽约球迷接管 Wells Fargo Arena,或者现在到底叫什么,Infinity 之类的。我还去了特朗普到场的那场,那场其实不是最值得去的比赛,但我想去现场。我想为读者记录一下。我觉得那是一个纽约可能从那场进场混乱中胜出的时刻。 [00:01:46]
Jason Calacanis:你得提前多久到?两个小时?三个小时?
Nate Silver:我并不是特别守时的人。不,我不是。我会错过什么呢?所以 8 点半开赛,我大概 6 点、6 点 05 到了。排队,按规定你应该从第六大道和 33 街进去,而我排在第六大道和 30 街,或者 29 街。还不算最糟,也不是我见过效率最低的流程。纽约有一种把事情办成的方式,你就跟着人群走就行。进去之后,真的就像 TSA 安检。他们真的会手动检查你的钱包,拿走你的打火机、笔、电子烟之类的东西。等你进场以后,就挺正常了。我确实觉得下半场观众有点疲惫,那是一个节奏很碎的下半场,而且有一些很有争议的判罚。 [00:02:13]
Jason Calacanis:你押过那些比赛吗?你有没有发现哪里赔率偏了?
Nate Silver:我押了尼克斯赢东部决赛。然后他们结束那个系列赛之后,我又押了他们在总决赛击败 OKC 或者圣安东尼奥。所以其实那张票并不便宜。我付的钱不够覆盖 Jason 的门票,但靠那些非主队情绪化下注的利润,足够覆盖我 200 层看台座位的票价。我觉得尼克斯在东部确实被低估了。当你看到一支球队赢成那样,比如对亚特兰大的那场,我们一度好像真的 77 比 22 领先之类的。作为一个研究这些东西、做模型的人,看到这种程度的统治力,在整个季后赛四轮还是几轮里呈现出这种统计显著性,那是真实的,不是噪声。 [00:03:02]
Jason Calacanis:你是在预测市场下注,还是怎么下注?Big Tony?
Nate Silver:我不通过 Big Tony 下注。如果你是一个被认为很锋利的下注者,我已经被 DraftKings 和 MGM 限额了,很多传统面向散户的体育投注平台都会限制你。预测市场不会。我应该说明一下,我是 Polymarket 的顾问。所以如果你是一个专业下注者,预测市场当然也有别的问题,相信我。但如果你是 sharp bettor,集中在预测市场下注就更容易。那里有非常聪明的人,有对冲基金,而且你可能会越来越多地在这些市场下注。是的,越来越多。我不想经历那种繁琐流程:我到底能不能把钱押进去?所以我承认,我逐渐转向这些市场了。
Jason Calacanis:当你看这支球队时,你把原因归结于什么?因为很明显,常规赛期间他们起起伏伏。赛季还剩 15 场的时候,大家还在说:“我们得交易来字母哥,得把 KAT 送走。”但在一月、二月,我们有过一段不可思议的表现,当时把 KAT 当成 point center 用。后来我们又不用了。我上 Knicks Fan TV,和真正的深度球迷聊,有人猜测说他们已经找到了答案,只是说:“我们先把这个打法藏起来吧,Mike Brown 先把 KAT 打 point 的东西留到季后赛,因为我们知道它很有效。”但这支球队特别在哪里?是侧翼吗?只是布伦森的韧性吗?是全队三分?无私?传导球?关于这支球队,人们谈到的东西太多了。 [00:04:31]
Nate Silver:我认为是 Mike Brown 和 KAT。我不是说他们是尼克斯最重要的组成部分,而是说他们是变化最大的增量。防守端有几件事。第一,我喜欢 Jalen Brunson,他可能是我最喜欢的球员,但他不是一个很出色的一对一防守人。他能抢几个断球,但身材偏小,低重心在防守端似乎没有那么有效。可是尼克斯其他每个防守人,包括 Towns,这可能是一个有争议的观点,至少都是平均水平,如果不是更好的话。所以,弄清楚那套体系很重要。顺便说一句,如果你依赖的是一种需要高强度努力和转换跑动的防守体系,那常规赛打 Charlotte Hornets 时不要让你的球员每场打 37 分钟,大概是明智之举。 [00:05:22]
Jason Calacanis:对,这就是为什么 Thibs 必须走。回头看,Thibs 离开是必然的。他把这些人连续三个赛季磨到极限,我们上一次季后赛每一轮都少一到三个首发。
Nate Silver:是的。我记得 2024 年去看过对 Indiana 的半决赛第七场吧。你能看到 OG 在场上一瘸一拐。我想 Josh Hart 也很英勇地打了,但你会觉得这些人像一间伤病病房。尤其是当你依赖聪明、高强度的防守时,这很关键。所以防守这一块很重要,而且低调地说,他们在下半程变成了一支好得多的防守球队,对吧?我还记得今年去看过一场 Knicks-Nets,应该是十二月或一月,纽约一年里最没意思的时间。他们之前九场输了七场,到处都在谈 KAT 可能被交易。我就想去现场看看气氛。事实上我还押了尼克斯赢 15 分以上,因为我觉得这要么会成为这个阵容走向终结的开端,要么会是一场反弹战,对手坦白说是一支想输的球队,一个同城对手想输。球迷对 KAT 还挺宽容。结果他们最后赢了大概 60 分,或者某种完全荒谬的分差,还把篮网压到现代 NBA 时代最低得分之一。从那场以后,那支球队,顺便说一句,他们赢了 NBA Cup。 [00:06:17]
Jason Calacanis:对。
Nate Silver:但在下半程,他们大概拥有 NBA 第五好的防守。季后赛里他们是 NBA 最好的防守,可能不可持续,但防守就是如此。然后是 KAT 带来的东西。再次强调,我喜欢 Jalen Brunson。这个进攻在某些关键回合里可能会有点可预测。 [00:07:28]
Jason Calacanis:是的。
Nate Silver:而 Jalen Brunson 令人惊叹的是,他在 16 到 22 英尺之间好像投出了 53% 的命中率。考虑到你知道他会这么打,这其实很疯狂。这就像 Mariano Rivera 的 cutter fastball,你知道它会来。但如果进攻有更多选择性和变化,有更多传导球,那就不一样了。所以同时发生了两件自发的事情:教练体系带来的防守提升,再加上 KAT 的顿悟。我觉得他是联盟前 15 的球员之一。他以前是“是的,他是个很好的球员”。这两件事结合起来,对一支老将球队来说当然有点不寻常,但攻防两端都出现了自发提升。再加上尼克斯顺便说一句,过去四年打的季后赛场次是所有球队里最多的,比 Boston 多,比 OKC 多,也比 San Antonio 多很多。
Nate Silver:有实证证据表明,季后赛经验确实重要。这在扑克里也会出现。如果你第一次打大赛,也许你是 GPI 排名第一的选手,正在打世界扑克系列赛主赛事,紧张是客观存在的。甚至在高尔夫里,紧张也是非常大的因素,几乎是一种身体上的考验。你就像在运行一个不同的操作系统。经历过很多高风险比赛,其中不全是胜利,但这种经验确实,确实有帮助。 [00:08:43]
Jason Calacanis:还有 Wemby。那两次逆转,来自 Pacers 的比赛,来自 Boston 的比赛,我们去年就是在那里打断了他们的脊梁。我觉得这让任何人都看得很清楚:当我们落后 10 分、15 分时,那对尼克斯来说不是领先。尼克斯会追上来。我们就是那么强。现在整个联盟都必须计划怎么击败尼克斯,这太棒了。过去五六年我们一直在想,怎么越过 Boston?怎么越过这支球队?现在整个联盟都得这么做。好了,我们该开始了。我们有太多内容要聊。显然,你专长是选举。中期选举快到了,我们会聊 2028、后特朗普世界,所有这些。但我们刚刚结束了一场选举。关于这场选举,我不想替 Dave 发言,但你可能看过或听过那期播客,他当时说:“嘿,这并不违法,但它感觉不像一场真正的选举。”按你的判断,带我们讲讲发生了什么。 [00:09:10]
Jason Calacanis:这场选举感觉根本不像真的。你怎么看你眼里加州发生了什么,是洛杉矶那场选举、造假,还是纯粹的邮寄选票问题? [00:10:00]
Nate Silver:那只是洛杉矶那场选举,Jason,我只是澄清一下。
Jason Calacanis:对,就先说洛杉矶吧,你继续展开。我想问的是,当你看现场投票回票数据、早期邮寄票,再看晚到的邮寄票时,Nithya Raman 突然出现大幅上冲,而且随着后面几天和几周继续计票,统计上的差异非常大。看起来,不管是现场投票、早邮寄还是晚邮寄,真会在总体人群里出现这么大的差异,概率都很低。我只是想听听你的判断。
Nate Silver:我会说,简短结论就是,没有证据表明有造假。容易犯的错误,是把每张选票都当成彼此独立地进来,但不同群体在什么时候投票,本来就有系统性差异。民主党人长期以来一直更被鼓励邮寄投票。其实过去这更像是共和党的做法,但在特朗普的影响下,他在 2016 年和 2020 年都不鼓励邮寄投票,到 2024 年某种程度上这种格局也变了。我的意思是,我觉得加州的制度完全不可接受。我在印度选举上做过一些咨询,那里的投票站真的会设在喜马拉雅山里,而且他们会把选举错开举行。但一旦选举日到了,他们会在 24 小时内完成计票。我觉得加州拖得比那还久,太荒谬了,简直像个失败国家。不过,如果有一个党系统性地更倾向于晚投票,那情况就不一样了。洛杉矶那场选举和州长选举里,民主党人也有更多选择要做。你知道,起初看起来 Eric Swalwell 会赢,后来又像 Katie Porter,最后还是巴斯才冒出来。听着,我父亲来自洛杉矶,我在加州待过很多时间,我完全接受对这个州某些治理方式的批评。我新年时在圣迭戈,那是一年里待在圣迭戈最好的时候,你真的可以在沙滩上跑步,大家都挺火辣,而且还有很好吃的鱼肉塔可等等。我多少还能理解我年轻时的加州,或者我父亲年轻时的加州,也理解这个州的吸引力。我也明白为什么洛杉矶和旧金山,尤其是洛杉矶,似乎从疫情中一直没真正恢复过。我们可以待会儿聊这个。这是一个非常党派化的州。我们州里出了非常党派化的民主党人,比如 Kamala Harris 和 Gavin Newsom。我们在 2025 年的重新划区公投里也看到了这一点,我觉得你可以争论那是不是个好主意,但它和总统年里的民主党得票差距高度相关,尽管很多年里民主党一直是反对杰里蝾螈的那一方。它是一个标准的民主党建制州,不像缅因那种更有个性的蓝州。所以你指望一个非常有才华的共和党人赢市长选举,基本上不现实。纽约还稍微更异质一些。历史上我们有过社会主义市长,也有过 Michael Bloomberg 和最近的 Giuliani,但加州不是那样。它更像一个机器型州。但当你看那个统计差异时……
Jason Calacanis:我理解民主党人会邮寄投票,而且选票会晚到。但当你看 Nithya Raman 对 Karen Bass 的压倒性得票时,那是在计票后期发生的,不是在前期;随着计票推进,统计上的变化很明显。现场票和邮寄票之间的差异也太大了。我理解你说共和党人更可能现场投票,也许可以顺着这个逻辑解释一点。但随着时间推移,计票比例的差别,Raman 和 Bass 之间的差异还是太明显了。然后大家又会提到选票收集,说来自 Skid Row 的无家可归者,那一带在晚到邮寄票里的选票数量,似乎又特别集中地流向了 Nithya Raman。你觉得这真的是对个体选民及其投票方式的真实反映吗?
Nate Silver:我认为加州的计票结果,准确反映了实际投出的选票。我的意思是,关于邮寄投票……那些票真的是该投的人投的吗?这也是其中一种理论,就是在这些选票收集行动里,有些票被批量填写,或者有人走来走去说,来,帮这个人填一下票,然后给你一顿免费午餐,或者我也不知道到底在搞什么,但确实有很多这类视频,我也不知道它们是真是假。我觉得这里面有不少宣传成分。我也认为,邮寄投票在不同方面确实会带来一些核验上的挑战。不过,我并不觉得一个让你去实体地点投票、签选民登记簿的制度有什么根本问题,至于要不要出示身份证也可以讨论;如果你有残障,或者你真的处境很糟,或者你人在阿尔巴尼亚旅行之类的,那也说得通。
Jason Calacanis:但我想问你一个经验性问题:在那些没有选民身份证明的州、地区或城市,和那些有选民身份证明的地方相比,政治上有什么差别?这是不是基本上会给民主党带来很大的权重?你能不能从实证角度帮我们理解一下这背后的政治,而不是戴着立场帽子?
Nate Silver:过去的理论是,民主党会从更高投票率里受益,几乎不管用什么方式拉高。那是在一个时代里,民主党通常更占非政治化、低政治参与选民的优势,而共和党更像乡村俱乐部、Kiwanis 俱乐部那种第一天就会来投票的人。现在这种格局已经变了。你看民主党真正超常发挥的地方,是特别选举和中期选举,而不是像特朗普上选票时那种高投票率选举。所以我觉得,如果你要说选民身份证明,我认为那挺合理,我不反对选民身份证明。你去酒吧到四十多岁都得出示身份证,投票当然也可以出示身份证。但与此同时,我不认为这能解释我们在加州看到的现象。我觉得这个系统太慢了。我们有不同批次的选票,而且年轻人、可能更进步的人,往往更晚投票或者邮寄投票。再说,这又不是发生在阿拉巴马之类的地方。那位候选人继续推进的先验概率本来就会很低。我也希望人们能少一点党派化。我在通讯里也批评过 Graham Plattner,例如我觉得他不是一个证明过自己可靠的人。我也批评过 Joe Biden,而且顺便说一句,尽管很多人以为我是民主党注册人,其实我根本不是。不过,如果你有五种不同的投票方式,我是说,作为一个真的做过选举之夜模型、也在选举之夜上过国家电视台的人,这些蓝移或红移是相当可预测的,是不同投票机制带来的必然结果,因为你在队伍里拿到的信号不同。如果你在 MSG,而且你有 VIP 通道,那么排 VIP 队的人,和从第七大道主入口进来的人,组成一定不一样。我觉得这个系统应该被简化。还有像排序选择投票这种东西,我再次强调,作为一个选举研究者,我支持给选民更多选择。
Jason Calacanis:你不应该需要像缅因州或纽约市那样,额外花两周去计完排序选择投票。我完全可以自己写个排序选择投票算法,哪怕有一亿张选票,也能在七分钟内算完,缅因州就算是 50 万票或者不管多少,它都会自己解决。核心问题是不是,Nate,我们有一种不当行为的表象,而且整个系统高度政治化?我不想把你的意思带偏太多,但我们确实会发现一些孤立案例,比如这个女人 Brenda Lee Brown Armstrong,她会给别人三美元或者给他们香烟,让他们去登记。你会看到这些边缘上的、看起来像造假的行为。再加上计票要拖这么久,就更像是一种不当行为的表象。但我总会提到传统基金会的数据,我相信你也看过。他们有很多人在试着找出造假发生在哪儿,去调查它,而结果微乎其微。能找到的只是几千个案例。就算你把它们放大十倍或者二十倍,随便你选一个倍数,也永远不可能左右一场大选。事实上,按他们告诉我的说法,真正被影响的选举,基本上都是最地方、最小规模的那种,只有几万票或者几千票。所以我们现在看到的,是不是就是这种不当行为表象的集合?
Nate Silver:是。听着,美国的选举系统非常分散。作为某种程度上偏老派自由主义者的人,我在某些方面其实反对权力集中,我觉得这在某些方面相当巧妙。不过,规模摆在那里,当然会有造假案例。比如 Al Franken 赢的时候,那是什么来着,2006 年吧?最后只差大概 200 票的重新计票。我们永远不可能有任何程度上的绝对确定性。那种情况下总会有一个误差范围,但在实践中,我们也知道,当你真的做重新计票时,还是会有 0.5% 的重新计票阈值,这在大多数州都是这样。
Nate Silver:关于重新计票,我研究这个很多了。大多数州的重新计票门槛是 0.5%。几乎从来不会出现超过 0.05% 左右的差距被翻盘,误差也会相互抵消。还有,选民可以投票,却不一定亲手保管自己的选票,我理解这为什么会让人不舒服。我觉得加州在这件事上一直很自满,观感确实很重要。我觉得这里面有一种某种程度上的傲慢,就是说“我们希望每个人都投票,所以我们就按自己的方式来”,结果因为要再三核验这些事情,整个过程就会拖很久。你知道,我研究过全世界各地的选举,情况非常少见。大多数国家都比美国计票快得多,当然这也和我们有选举人团制度、而且是去中心化的有关。但像法国、英国,或者日本、印度的很多选举,投票结果往往几个小时内就出来了。可美国作为世界上的科技领头羊、所谓的民主灯塔,却做不到这一点,我觉得这是这个制度效能衰退的迹象。 [00:21:13]
Jason Calacanis:这是不是一种制度设计,Nate?我问你一个问题。如果选民身份证法不变,邮寄投票法不变,制度也不变,你觉得从你看到的数据来看,加州还有没有可能再选出共和党州长,或者让共和党在众议院多拿一些席位,甚至有机会赢下一个加州参议院席位?说到底,这套制度是不是就是这样设计的,最后会形成一个让民主党建制派永久维持州内当选席位控制的不可逆模型?我的意思是,民主党最近在很多地方都输过选举,但在加州没有。
Nate Silver:党派性才是主导美国每场选举的重力,对吧?我这行就是干这个的,别担心,如果我们说加文·纽森或者 AOC 是 55% 的热门,最后却输了,我也会被骂。但美国 50 个州里大概有 43 个,我们现在基本可以以 97% 的把握预测出它们在 2028 年会投给谁。而这不是因为作弊,而是因为极化和党派性是我们似乎摆脱不了的强大力量。你在新英格兰其实能看到一点这种情况。你会看到像查理·贝克,或者佛蒙特的菲尔·斯科特。你会看到一点跨党派现象,甚至在南方也是,比如肯塔基州的安迪·贝希尔,他是温和派,但属于民主党州长。某种程度上,你在加州没那么常见。我不知道为什么,加州一直像是各种古怪、偏门政治想法的试验场,但它已经变成了一台机器州。也许是因为它太大了,选民没法近距离接触候选人,也没有太多直接相关的体验。也许加州整体上就是太大了。但我真的很担心极化和党派性。我认为这会导致治理质量下降,我认为它还被选区重划加剧了,这种选区重划的恶性竞争就是在往底部卷。民主党也为此付出了代价,因为“折中”策略,也就是挑那个最不差的提名人,在蓝州里运作得很好,他们反正会赢大选。可这并没有给民主党带来很有效的大选提名人。我觉得他们在最近四次里只赢过一次。我甚至认为,拜登在 2024 年就已经先输了,然后才轮到哈里斯输。那次唯一赢下来的选举,是发生在一场百年一遇的疫情期间,虽然我对自由派处理新冠有不少批评,但整体上算是处理得比较客观。嗯,我不知道。你可以谈谈曲速行动。我理解为什么选民对 2020 版特朗普非常不满。 [00:23:58]
Nate Silver:他似乎没有意识到,现在几乎每一场选举都是变革选举,奥巴马 2012 年那次大概算是例外。我们也许会在很多个周期里来回摇摆。我觉得民主党在 2028 年略占优势;如果 AOC、Newsom、Shapiro、Ossoff 或其他人赢了,到了 2032 年他们又成了冷门,我也不会惊讶。看看英国现在的情况吧,这都快成老笑话了,九年里大概要换六任首相,英国大概就是美国最接近的对照。现在真不是替现状辩护的好时候。我也确实觉得,像卡玛拉·哈里斯那样几乎没法或者不愿和拜登拉开距离的人,还有 Newsom 这种在某种程度上也在维护那段遗产的人,对我来说都是失败策略。不过很多世界杯比赛里也是这样,有时候你就是靠点球赢球。我不认为共和党的任何提名人看起来特别强。特朗普的支持率现在也只有 38%。人们对伊朗不满,对油价不满,也对过去这段时间政治上围着一个中心人物转感到疲劳。特朗普本身也有点让人审美疲劳了,所以共和党这边会是一场硬仗。尽管如此,民主党也许还是会尽力给共和党留一点争胜的机会。 [00:29:57]
Jason Calacanis:顺着这个思路,再回到你说的“需要变化、推动进步派变化”这一点,我们现在看到社会主义者当上市长,州一级也开始有社会主义者抬头。你刚才提到的这些候选人里,很多在全国层面都自称社会主义者。我们有可能在 2028 年选出一位民主社会主义者总统。照你这个说法,最终会不会就是这样:民粹运动把左翼推得更左,党内所有人都开始搭这股顺风车,宣称社会主义原则才是解决这个国家不平等和不公的唯一办法;而他们又在某种程度上跟着一套从经验和历史上都已经证明,无论作为治理体系还是经济体系都行不通的东西走。突然之间,大家都被这股风带着走,似乎都觉得这才是唯一出路。这是不是你描述的那些条件的结果,也就是左翼、民主党基本变成一个社会主义政党,并且彻底拥抱社会主义? [00:31:29]
Nate Silver:我觉得这里面有很大的代际差异。我 48 岁,所以我还记得冷战,还记得柏林墙倒塌。对我来说,社会主义的联想几乎就是共产主义,也是一长串在采用那套制度的国家里经济发展失败的历史。年纪稍大的人没意识到,“社会主义”这个品牌在年轻民主党人当中要受欢迎得多。不过同样,美国依然是一个极其资本主义的国家。再说,在我的书里,我对科技行业也有很多批评,但我们依然在吸引来自世界各地最优秀、最聪明的年轻人才。就我个人而言,不管 AI 资本热潮最后会变成什么样,它至少让我们的经济,至少让股市,还保持在相对不错的状态。还有,民主党究竟在哪些地方失去了支持?其实差异最大的地方集中在拉美裔选民,以及在某种程度上的亚裔美国选民身上。你觉得美国最有可能拥有小企业的人是谁?这虽然是老生常谈,但 100% 真实:最近的移民群体非常有创业精神。这也是我认为美国伟大、也让我非常支持移民的原因之一。不过你也确实看到,这些群体,尤其是最有创业精神的那些群体,正在远离民主党。 [00:32:33]
Jason Calacanis:这不是你的主攻领域,Nate,但如果让你给任一政党写一份 2028 年的竞选手册,里面会写什么?你会告诉他们,这个时代最合适的纲领是什么,尤其是在特朗普之后这个时代,在社会主义、财富差距、医疗这些问题不断冒出来,而且对以色列的支持、对外战争这些议题也一直在的时候。对任何一方来说,最完美的纲领会是什么?不管是独立派、偏左还是偏右,你觉得美国人最关心什么,如果你能看那么远的话? [00:34:37]
Nate Silver:是的,按大多数定义,我算是精英,你们也是。你们都买得起纽约 25 年来第一次 NBA 总决赛第三场的门票,那你们大概率也是精英。像我这样的精英大多会说自己在社会议题上自由派、在经济议题上温和。我知道我这里说的“自由派”更接近欧洲语境里那种意思,也就是国家要发挥一定作用,但总体上还是亲市场。这大概就是我的看法。不过我不确定这是不是一个真正能赢得选举的看法。美国最被忽视的选民,恰恰是那些文化上更保守一点、经济上可能更进步一点的人,不过又不是 AOC 那种程度。他们支持小企业,也警惕权力过度集中。也许我把这说得太宽厚了,但我确实认为,当你面对世界上第一个万亿富翁、当人们因为 AI 而产生焦虑时,我说的不是那种最准确的焦虑形态,但这种焦虑是可以理解的;当 AI 领袖说这种技术会取代所有白领工作时,从选举角度看,我认为把一点反寡头话语和某些议题上的温和立场结合起来会更有效。尤其是在 woke 这些问题上,我知道这个词听起来已经有点过时了,但你仍然要支持小企业,尤其是让年轻男性觉得自己还能掌控命运。年轻男性还是想觉得自己掌控着命运,很多人觉得自己已经不再这样了,但我不认为他们一定想要太多照顾。不,这件事很难拿捏。美国并不是唯一一个对现状充满抵触和不满的国家。 [00:35:17]
Jason Calacanis:你提到,他对生活质量很重视,而这并不是你会从民主党人或社会主义者身上预期到的。那种高强度的投入方式,正如你说的特朗普那样,会把人耗得很快;而曼达尼更接近这种模式,只是更积极一点,没那么多毒性,但他确实很有参与感,对吧?这在纽约和选民群体里似乎都奏效,不是吗? [00:40:00]
Nate Silver:他现在在这里的人气确实还挺高。再说一次,纽约是个资本主义城市。我觉得它和加州不一样,不像西海岸那种进步主义地方。纽约是个务实的地方,世界各地的人都会往这里迁;这里到处都是财富。它有时看起来像一场混乱的表演,不过说实话,六月中旬的纽约很容易让人乐观,因为一年里最美的天气就在这时候,大家都来旅游,气氛也会更好。但纽约一直是个成功案例,而我觉得加州近来没那么像了,也许吧。
Jason Calacanis:我想问你一个关于资本主义的问题。你有没有看到什么数据,能支撑大家现在常说的那条主线,也就是年轻人对资本主义感到幻灭,不再相信资本主义?毕竟在纽约这样一个地方,正如你说的,它本来就是资本主义、进步和机会的堡垒,却还是选出一个市长候选人,公开否定资本主义这套体系,还谈集体主义,这似乎说明年轻人里真的有一股运动。我总是会引用一个统计:我记得过去十年美国大约有 4500 万人大学毕业,其中相当大一部分,或者说很多人,都背着很重的债务,觉得自己很难摆脱。我会说,这其实是联邦学生贷款项目及其承保机制造成的,它把人推到一种很难靠自己爬出来的生活里。那你从数据上看,资本主义和这轮周期接下来意味着什么?
Nate Silver:分水岭大概在 40 岁左右,我是这么看的。当然它每年都会往前挪一点。你知道,我们在纽约市长选举之前就见过一些人,他们能非常准确地、几乎按街区、按社区做出预测,判断 Zohran 会在哪些地方更强、Cuomo 会在哪些地方更强,这完全是基于他们对这座城市的了解,以及年轻人、也就是更进步的人住在哪里。我觉得,这里面一部分当然和经济焦虑有关,但也和你成长的经历、你正好在什么时候成年有关。比如我自己成长在……我大概第一次到了能投票的年龄,是 1996 年的克林顿,那时候正是西方和资本主义的高光期。90 年代经济非常强劲,增长很多。等到大衰退来临的时候,我已经早一年有了工作,也已经站稳了脚跟。我觉得那些在 9/11 发生时还在上大学的人,可能就是那个分界线。粗略地说,这条线并不是从 X 世代到千禧一代切得那么干净,它会往千禧一代里延伸几年。不过有时候我会开玩笑,说美国 40 多岁到 50 岁初的人,可能是唯一还算正常的人,尤其是 X 世代后半段。虽然我们从来没有过一位 X 世代总统,卡玛拉·哈里斯严格说也算婴儿潮一代,但总之,那一代人会觉得:好吧,我们长大了,努力工作了,至少还是觉得美国这套体系基本上对我们有效。我觉得比他们年轻半代的人,不管对错,都没有这种经历。另外,我们也该谈谈媒体。虽然我觉得在某些方面,媒体这个故事线被高估了,但人们获取新闻的方式确实变了。你看现在 CBS、派拉蒙、CNN 这些都在发生什么,对吧?以前的时代,新闻分发是高度中心化的,靠电视和广播。我知道这么说像是在暴露年龄。互联网当然已经存在很久了,但当时只有三四个大网络,却能对信息拥有巨大的编辑控制权。我以前在《纽约时报》工作,刚进去的时候,报纸里每天还有头版会,大家就是编辑们坐在纽约一起决定什么是新闻、什么不是。现在一切都变得非常去中心化了,显然社交媒体也起了作用。我觉得证据相当充分,手机和社交媒体会显著影响年轻人的满意度。你还会看到一种我认为存在于自由派内部的文化,那就是它不再是一种克制的文化,而是一种也许更愿意表达怨气的文化。也许 AI 会稍微改变这一点。现在已经有一些初步证据表明,这些模型会倾向于共识观点、专家意见,有时甚至会给出一种带点偏见、甚至幻觉化的“共识”版本。不过,Claude 或 ChatGPT 大概比 Bluesky 或 Twitter 没那么极化。我们来单独聊聊社交媒体吧。
Jason Calacanis:我想问的是,跟这种从“关注谁”变成“算法推荐”的细微变化有关,它到底对政治产生了什么影响?因为感觉过滤气泡变得非常明显了。你点了两三样类似的东西,接下来你整天看到的就全是这些。
Nate Silver:对我来说,我不认为一个人在税收、堕胎、加沙、自由市场以及其他问题上都应该有完全相关联的一套立场。党派性是一种非常强大的力量,它把我们在美国面对的这一整套极其复杂的政治议题,硬生生压缩成一个维度,也就是蓝对红、左对右。而社交媒体,尤其是 Twitter,我认为就是实现这种压缩的非常有效的机制。我因为哪怕一点点异端立场都会被骂,比如我说拜登显然太老了,民主党如果不换人就会输。虽然这其实是 80% 的选民都同意的观点,但在 Twitter 上,你还是会像个异端。我也批评过埃隆做的一些事,虽然有些问题在他之前就已经存在了,比如算法信息流本身并不是他发明的,而是由现任管理层改进、完善,或者说搞得更糟了,这取决于你怎么看。我确实认为有个问题,就是如果我关注了一个账号,比如你 Jason、《纽约时报》之类的,或者 Nick 的账号,我就想直接看到他们发的推文,不需要再给算法额外信号。这一点让我很不爽。我不喜欢 Twitter 争论被这种机制降格,实在太让人沮丧了。你甚至得收藏或者点赞,内容才会留在你的信息流里。我还跟 Twitter 团队说过,你们应该在关注按钮旁边加一个小按钮,写着“显示该账号的全部帖子”。比如我想看我的滑雪山动态,或者想看 Knicks Fan TV,我就想看到每一条帖子。现在除了给每条都点赞,根本没别的办法,而那样你的信息流就会直接失控。说实话,我觉得 For You 算法在它该做的事情上其实还不错,但你得训练它。比如我之前会刷到一堆打架视频,因为它们很有吸引力。你看到一群青少年在打架,就会不知不觉看上八秒钟之类的。你点一下“不要再显示这个”,它的反应其实挺快,也挺好。现在算法知道,我只想看世界杯、字母哥会不会被交易,还有一点纽约和加州选举的新闻。但我希望任何算法都不要自作聪明,觉得自己比用户更懂。如果我登录了,或者我订阅了某个人,而我没有把他静音,那就把他的推文显示给我。你可以再混进一些你觉得我可能会喜欢的内容。打乱算法流或者时间顺序,对我来说也很烦。比如我正在看世界杯,结果有一条六小时前的比赛推文被人说“天哪,太精彩了”,我就会想,刚刚到底发生了什么?它没有按正确顺序把东西展示出来。很多公司其实都犯了一个错。Twitter 我不确定它本来是否会成为一家极度盈利的公司;它更像是一个非常独特的新闻获取资源。如果像我这样,还有你们这些人,至少像你 Jason 这样彻头彻尾的新闻迷,都会觉得它是一个非常独特的平台。我真希望这种功能被保留下来。当然公平地说,这一切在埃隆之前就开始了,只是之后一直延续了下去。
Jason Calacanis:那我们收个尾,聊聊 2028,尤其是加文·纽森吧。哦,不,先说中期选举的预测。众议院和参议院的预测都说说吧。数据现在到底告诉我们什么?
Nate Silver:我们会在接下来几周内发布一个模型。只是因为世界杯,还有选区重划这些事,进度有点延后。
Nate Silver:这件事有点被世界杯和重划选区这些事耽搁了。预测市场显示,民主党拿下众议院的概率大概在 80% 到 85%,拿下参议院大概在 40% 到 45%。这两个数我觉得都挺合理,甚至众议院的概率还偏低一点。我觉得可能会到 85% 到 90%。我的模型有时也会让我惊讶。不过,话说回来,我们经历过很多本来就很难预测的选举。众议院这一边,所有因素基本都指向同一个方向。民主党面对的是一位非常不受欢迎的总统,还有一个让选民很焦虑的经济。再加上特朗普,以及没有新的中东战争。除此之外,还有总统所在党在中期选举中长期遭遇反弹、表现不佳的历史,美国乃至全世界近年来在任者遭遇反弹的历史,新泽西和弗吉尼亚去年民主党的好成绩,以及特别选举的结果。说实话,重新划分选区这件事最后会帮共和党一点,但你是在和很大的惯性对抗。 [00:50:00]
Nate Silver:而参议院更像是一个数字游戏。即使在一个相当偏蓝的环境里,民主党还是得在红州赢下一些席位。我觉得在缅因州去冒这么大的风险挺奇怪的,那按理说,在一个民主党优势加 8 或加 10 的年份,他们本该拿下那个州,但格雷厄姆·普拉特纳只领先苏珊·柯林斯 2 个百分点。我认为这个民调就该按表面数字看。我觉得他就是五五开,但这可能是个不必要的风险。不过共和党在这些红州会有操作空间。像塔拉里科那样的候选人,也大致是一场五五开的比赛,而帕克斯顿就远不是理想的共和党提名人。党派属性仍然是一股强大的力量。人们会说,他们为什么要去攻击塔拉里科,比如攻击他的性取向之类的,而且还不太光明正大?因为德克萨斯本来就是个非常红的州,而特朗普也不受欢迎。所以你其实是在抓最低共同分母,但在我们的制度里,这种打法相当多时候是有效的。说到底,参议院就是民调和数学、数字的游戏,我们会看到比以往更多的钱被花出去。相比之下,众议院有 435 个席位,我觉得党派重力大概率还是太强了,特朗普很难扛得住。
Jason Calacanis:有没有什么特朗普能做的,或者从宏观上看、超出我们控制范围的变化,能更明显地把众议院形势拉回共和党这边?
Nate Silver:如果他能把油价压下来,那就是非常直观的指标。你开车路过雪佛龙加油站之类的地方,真的能看见。我看预测的话,按理说应该会有一些缓和,但这很大程度上取决于伊朗这场冲突在这个泥潭里还会持续多久。你知道,也许如果十月份又碰上什么突发情况,谁知道会发生什么呢?不过不,他的负面支持率已经非常根深蒂固,而民主党人非常有热情,尽管他们对自己党内也有不少疑虑。而且,尽管我觉得他们在 2028 年提名候选人会很困难,但让你去投一个普通民主党人,对上一个普通共和党人,对于那些觉得民主岌岌可危的民主党选民来说,其实要求并不高。我觉得这已经相当稳固了。作为一个做模型的人,我不赌政治,我赌体育。我总是清楚,总会有那 10% 的可能性,冷门会从你完全想不到的地方冒出来。
Jason Calacanis:我知道你大概已经算过这些数据了,94.97 才是对的数字。给门口那个人五块钱。给门口那个人五块钱。我会从中再抽一点点,没问题。大家都去 Polymarket 下点注,我们最喜欢的合作伙伴,Nate 最喜欢的合作伙伴。好了,我们下次在 All In interview show 再见。谢谢你,Nate。干得漂亮,Nate。你表现太棒了。 [01:00:00]
Nate Silver:谢谢你们,伙计们,太棒了。我全押了。我全押了。
本期访谈围绕 OpenAI 如何从 ChatGPT 式对话产品走向个人 通用人工智能 和持续代理展开。Greg Brockman 的核心判断是,未来用户真正需要的不是越来越复杂的应用界面,而是一个长期存在、理解目标、能调用工具并主动完成任务的智能体。Alex Kantrowitz 追问 ChatGPT 是否正在变成“超级应用”、Codex 与浏览器代理如何合流、用户如何信任系统代办事务、OpenAI 是否会像操作系统一样成为入口,以及算力、价格竞争、Microsoft 关系、语音界面和医疗健康等问题。Brockman 反复强调,模型能力、工具连接、记忆、语音和计算资源会共同决定下一阶段 AI 产品形态;算力不会很快过剩,因为每一次模型进步都会打开更多需求,而今天昂贵的智能最终会变成明天的普遍能力。
Greg Brockman 认为,ChatGPT 只是对话智能的起点。2022 年的 ChatGPT 没有记忆、工具和上下文,而 OpenAI 想构建的是能持续为用户着想的 AI:它可以整理收件箱、规划健康事项、处理工作流,也能在软件工程、财务、法律、销售等领域完成复杂任务。理想界面会越来越少,用户更像是在与一个长期存在的实体交谈,而不是在一堆应用之间切换。
在 Codex 和 智能体 上,Brockman 认为信任会通过可验证的中间步骤逐渐建立。用户一开始会让系统草拟邮件、生成代码或执行可检查的任务;随着模型能展示行动记录、引用来源和可回滚结果,委托范围才会扩大。他把这看作从“模型回答问题”到“系统承担目标”的迁移。Alex 则多次追问 OpenAI 是否会因此成为操作系统或平台层,Brockman 的回答是,用户最终关心的是任务被完成,而不是到底打开了哪个应用。
访谈还讨论了自然语音和硬件。Brockman 认为语音模型需要更像真实人类对话:能处理打断、停顿、语气和追问,而不是一次性生成完整回复。他承认硬件形态仍有很多不确定性,但强调如果界面会逐渐消失,那么设备和语音都只是让 AI 更自然融入生活的路径。
关于模型是否会撞墙,Brockman 认为现在还看不到明确上限。他把 AI 的进步放在更长的科学与工程脉络中:模型能力来自算法、数据、训练方法和算力的共同推进。算力是稀缺资源,因为每一次能力提升都会释放新的应用需求;开发者、企业和消费者都会把更多问题交给模型处理。价格竞争会让固定能力的智能变便宜,但前沿能力仍然会持续消耗巨量计算。
在竞争格局上,Brockman 回应了“模型会商品化”的说法。他认为很多层次的能力会商品化,但前沿模型、产品集成、工具生态和用户信任仍会形成差异。与 Microsoft 等伙伴的关系也不是简单零和,关键在于怎样把模型能力变成可靠产品。最后谈到医疗健康时,他表示自己最兴奋的是 AI 能帮助人们理解身体、辅助医生和研究人员,并推动药物发现等长期问题。
- 从 ChatGPT 到个人 通用人工智能 [00:00:00 - 00:06:00]
- Codex、浏览器与代理式工作流 [00:06:00 - 00:13:00]
- 信任、委托与下一代界面 [00:13:00 - 00:21:00]
- 自然语音、模型前沿与科学进展 [00:21:00 - 00:27:00]
- 算力、价格战与竞争格局 [00:27:00 - 00:37:00]
- 传闻、未来产品与医疗健康 [00:37:00 - 00:44:05]
Alex Kantrowitz:你玩得开心吗?好的。嗯,2015 年,Greg Brockman、Elon Musk 和 Sam Ultman 创办了一家名为 OpenAI 的非营利组织,其计划是追求通用人工智能。公司或非营利组织(当时还是非营利组织)是在Greg Brockman(Greg Brockman)的客厅里开始的。这些人坚信,实现与人类智能同等的通用人工智能或人工智能是可能的。说实话,硅谷的大多数人都认为这是一个有趣的副业项目,但当时大部分注意力都集中在社交媒体上。好吧,快进 11 年,我们就到了。OpenAI 可能会在明年以万亿美元的估值上市。你知道,他们很可能会宣布这一消息,因为第三方数据显示,chatbt 很快就会有 10 亿用户。呃,他们当然筹集了历史上最大的一轮风险投资,达 1220 亿美元。因此,他们处于技术的前沿,吸引了我们所有的注意力并正在改变世界。呃,所以当你听Greg Brockman(Greg Brockman)讲话时,你甚至可以从他的谈话中看到一件事 [00:00:00]
Greg Brockman:过去是对这项技术将走向何方以及产品将走向何方的明确信念和理解。太棒了。您可以收听 ChatGPT 之前或 GPT 模型早期的播客。呃,你可以听到 Greg 非常清晰地谈论模型和应用程序今天的走向。因此,我想在今天结束时,让我们来看看 OpenAI 及其前沿领域的未来发展方向 [00:01:08]
Alex Kantrowitz:与Greg Brockman的对话。让我们欢迎Greg。
Greg Brockman:很高兴见到你,Greg。谢谢你有我。嗯,你知道,Greg,这是我们第四次演讲,我们每次都谈论 OpenAI 的产品方向,我想我开始明白了。嗯,你知道有这样的对话,超级应用程序对于你正在做的事情来说是错误的术语,你正在构建的应用程序将 Codex(openi 的产品浏览器的编码端)和 ChatGPT 结合在一起,当你使用超级应用程序这个词时,人们会认为超级应用程序实际上是你可以在嗯中使用所有其他应用程序的东西,现在我们已经看到这些产品组合在一起,实际上超级应用程序可能是正确的术语。你知道,至少对于我们外部的人来说,我们开始看到,当你需要做任何事情时,嗯,它会以 ChatGPT 中的提示开始,然后 OpenAI 的技术将使用你的浏览器或你的计算机来为你完成任务。这是正确的思考方式吗?我认为这是一个非常好的观点,对吧?我认为真正缩小范围,我们实际上正在尝试构建的是 通用人工智能,对吗?如果你想一想
Greg Brockman:自 ChatGPT 以来,人们一直在使用它,它是一种语言模型,它们之间存在很大差距,令人惊奇的是,你可以通过聊天对话回复你,太棒了,但当我们在 2022 年推出时,它没有记忆,它没有连接到任何工具,没有上下文,所以这种对话智能只是人们真正需要完成工作才能实现其目标的一部分,我们将拥有一个真正关心你的人工智能,谁能提供目标、方向,它不断地思考我今天能为Alex做些什么。呃,它能够解决超级困难的问题,非常平凡的问题。你醒来,你的收件箱已经整理好了,而且如果你正在考虑一个健康计划,它可以帮助你实现这一目标,找出医疗方法,呃或者你知道,至少可以为你提供这种信息。我认为 [00:02:58]
Greg Brockman:您想要的界面是什么,您想要的产品是什么,这些问题是我们花费大量时间思考的。答案是你几乎不需要任何界面。您不需要任何产品,对吗?你希望这就像你和我之间的界面一样,对吗?只是能够与某种形式的持久实体交谈,该实体能够为您实现目标。所以建立这个是很困难的。这需要时间,但我们有很多东西,对吗?我们越来越多地将产品层整合在一起,试图让模型变得更好,试图让整个系统变得更少,比如点击按钮、切换和改变模式等等。并不是说一路上不会有这样的事情,但长期的轨迹是朝着简化、统一的方向发展。是的,你说界面会消失,这很有趣。因此,为了更深入地回答我的问题,嗯,我们今天使用像 chatbt 这样的产品,我们会看到机器人最后会提出建议。你知道,你问它有关营养的问题,它说我应该为你制定健康计划还是为你制定饮食计划?你问 [00:03:50]
Greg Brockman:它,抱歉罗恩·约翰,我们刚刚讨论了旅行,但是你问它有关旅行的问题,然后它会给你一个议程,例如。所以我没听错,ChatGPT 中将发生的事情只是举个例子,你与它谈论你的健康决定,它可能会说你知道你可能需要你知道去见这位专家,让我为你预约,然后它会代表你实际采取行动。因此,它从简单的对话界面到真正理解您的意图,然后为您实现这一目标。我说的是完全正确的,我认为如果你使用过编解码器,顺便说一句,房间里有多少人使用过编解码器,是的,有相当多的人,嗯,我们的目标是真正将编解码器的力量带给每个人,将代理带给每个人,技术现在就存在,你可以像我将 Codex 连接到我的 Gmail 一样连接起来 [00:04:49]
Greg Brockman:在我的日历中,OpenAI 中有很多非技术用户,您知道它的名称中包含Codex,但它实际上与Codex无关。这实际上是关于使用这个通用工具使用代理,例如我们通讯团队中的某个人所做的事情是,嗯,她正在组织一个活动,它只会询问所有呃活动参与者的饮食偏好,设置一个完整的座位表,完成所有这些工作,呃,这样她就可以专注于她想要的部分,并真正思考她想要实现的愿景,我认为我们将全面看到这一点。因此,思考连接到这些工具的人工智能不再是科幻小说。我记得你知道我们第一次尝试在 chatbt 中使用工具是在 2023 年。我想大概是在 3 月或 4 月或者我们发布了插件的时候。人们还记得早期聊天时代的插件吗?那行不通。它根本不起作用,因为模型还没有准备好。正确的。外形尺寸正确。显然,你将拥有一个能够与你的 Gmail 对话的人工智能,毫无疑问。但 [00:05:44]
Greg Brockman:我们只能希望一次将三个不同的连接器暴露给模型,否则就会开始忘记。你知道,我们有 2K 或者 4K 的token上下文。就像没有记忆一样,对吧?这有点像 60 年代或 70 年代的早期计算机,对吗?你知道,你的记忆库很小,而今天你的手机比那个时代的任何超级计算机都要好。我认为这就是我们使用这些模型的目的,对吗?进步的速度是如此之快。因此,现在您可以使用数百种不同的工具,我们有能力将它们连接到整个文件系统。因此,您几乎可以拥有互联网的全部功能,并且几乎任何您想要的应用程序都触手可及。而且它很聪明,对吧?它有 5200 万个 token 上下文,取决于你如何看待它。而且能力等级也变得这么厉害了吧?这些模型现在正在解决未解决的数学问题和物理问题,对吧?并真正帮助人们实现他们无法实现的目标。就像我们正处于这个时代的边缘,代理真正改变了我们所有人的运作方式 [00:06:47]
Greg Brockman:无论是在软件工程、金融、合法销售还是在我们的个人生活中。因此,为了解开您提供的那个例子,您的一位同事正在与 Chad GPT 讨论一个活动,然后建议嘿,您知道,呃,我们应该如何联系活动参加者了解某件事,而不是说好吧,我必须这样做并进入活动计划,基本上发生的情况是,一旦它说这是一个好主意并且您同意,界面就会从那里接管,然后连接到您正在使用的任何工具,然后为您做这件事。确切地。所以它使用你知道的Gmail连接器搜索你的收件箱来找到所有参加的人,然后如果你在饮食限制中看到的东西哦这些人我已经有他们的饮食限制这些人我不会起草一封电子邮件取决于你具体如何设置它可能会说嘿我起草了这些电子邮件我可以发送它们如果你有一个连接器甚至不允许它发送电子邮件说我起草了你需要发送它们呃在不同的世界,你也可以想象你已经建立了足够的信任 [00:07:46]
Greg Brockman:系统显示我起草了电子邮件并且实际上发送了它们。我认为这实际上指向了代理时代一个非常重要的方面,那就是信任,对吗?我们需要真正学习如何建立对这些系统的信任,它们在哪里好,在哪里不好。弄清楚你想委托给他们什么以及你想如何委托他们承担责任。我们认为这是应得的,对吗?这不是我们可以授予的东西,而是通过向操作员提供大量工具、控制、监督和监督来代表这个人工智能运行的人,就像我们认为这将是一件非常重要的事情。所以这是一个关键的产品功能和差异化因素。是的。当你回顾一些早期的尝试时,你会发现 OpenAI 不得不让你在 ChatGPT 中呼叫 Uber。在此之前,有一长串公司试图让你在聊天中采取行动,但从未真正成功。这里的区别可能是聊天机器人可以控制你的浏览器或控制你的计算机,然后你不一定 [00:08:52]
Greg Brockman:必须担心这个插件是否可以工作?它会通过接管你的机器来为你完成这个任务。所以我想知道您是否希望我们今天拥有的用户界面(也称为所有其他应用程序)发生冲突,所有真正有用的软件 ChatGPT 都必须不被阻止才能代表用户出去执行这些操作。好吧,首先看一下,我想说这在这一点上还不是理论上的,对吧?人们一直在使用柯达。所以,它是一个单独的产品,单独的应用程序,你必须单独安装它。真正开始关注软件工程。但是 Codex 中发生的非软件工作量绝对呈爆炸式增长,对吗?这就像令人难以置信的指数曲线,正是您所期望的。在 OpenAI 中,我们现在的使用率基本上与 Slack 相同,对吗?就像每个人一样,而 OpenAI 就像一家完全基于 Slack 的公司。我们大部分情况下不使用电子邮件。就好像如果你不在 Slack 上,你就不会做任何工作。嗯,现在使用 Codex 应用程序就有这种感觉 [00:09:54]
Greg Brockman:出色地。每个人的 Codex 都与所有这些工具相连。嗯,EOS生态系统是如何演变的。我认为这将是一件非常微妙的事情,因为我认为非常重要的一件事是我们相信应该有一个充满活力和繁荣的生态系统,人们可以真正建立并看到好处。所以我们实际上从呃合作伙伴公司看到了这一点,呃你知道我们我记得有几个不同的合作伙伴,我们说嘿我们真的想训练我们的人工智能真正擅长使用你的软件,我们不知道他们会说什么,实际上我们得到的回应是这是我们曾经拥有过的最对合作伙伴友好的外展活动,你会让你的人工智能特别擅长使用我们的工具,他们只是看到了机会,因为他们的工具将被更多地使用,结果是每个人正在尝试思考作为一家公司如何在进入人工智能时代的同时生存下来并蓬勃发展?就像你如何真正获得这样的优势:将会有更多的活动,如果你没有人工智能,如果你将其关闭,那么你实际上会被淘汰 [00:10:56]
Greg Brockman:拒绝蓬勃发展这种情况使得OpenAI将OpenAI放在首位,因此您将带您谈论使用Codex的人,因此您的一位同事分享了,我想您也谈到了这一点,您已将ChatGPT带入Codex,因此您可以将Codex带入ChatGPT,这基本上就像我们是ChatGPT的用户一样,我们谈论的这种体验chat不仅建议您下一步可能想做的事情,而且会为您做这件事,所以它让你有效地成为一个操作系统,你不认为,但不是像iOS这样的操作系统,你想打开你的手机,然后点击不同的应用程序,几乎就好像与所有应用程序的所有交互都将通过这个界面进行,我认为你可以这样描述它,但我有不同的想法。就像我思考这个问题的方式一样,通用人工智能 的理想界面是什么,或者我们称之为个人 通用人工智能,我认为这又是你我现在使用的相同界面,你只是想与你想要交谈的助手交谈 [00:11:57]
Greg Brockman:可以代表你进行工作和操作的东西,所以是的,就像那个代理那样,通用人工智能人工智能将拥有自己的计算机,它可以自己访问可能的东西,而且你知道,理想的同事也可以过来在你的计算机上输入东西。因此,有些人可以对您自己的系统进行一些委托访问,您知道也许您可以委托对您的收件箱的访问,有时它可能有自己的收件箱,其中有某种呃某种您知道的窗口,可以进入它需要的东西。您将电子邮件转发给它。这些其实都不是,如果你想想这也不是史无前例的,对吧?这就像你与助理一起工作的方式,助理是我们实际拥有的人或任何同事,我们花了很多时间真正思考如何建立这些信任界限并确保你们能够一起运作。所以我认为这是一件不同的事情。你不能把它想象成一个操作系统,但操作系统几乎是来自不同时代的东西,对吧?它是堆栈的不同层。这实际上更多的是关于如何进行交互 [00:13:04]
Greg Brockman:与技术广泛。我认为人工智能的美妙之处在于它确实让机器更接近人类,而不是我们必须将自己扭曲成文件和文件夹以及所有这些不自然的细节,对吧?这更多的是关于机器如何运作,而不是我们如何运作。是的。说到个人智慧,嗯,我不知道你上周有没有看 WWDC?呃,不,不,我错过了。我被禁止了,但是我在电视上看过。嗯,来吧,Apple。不管怎样,看起来你和 Siri,新的 Siri 确实会展开竞争,对吧?因为它们是一个将要运行的应用程序,或者是一个将位于您所有应用程序之上并让您采取行动的智能。Chacht 将成为 iPhone 上的应用程序。那么,请谈谈这种定位对于 OpenAI 来说是否会困难,以及您如何从战略角度考虑这一点。好吧,我只是再想一下 [00:14:08]
Greg Brockman:差别不大。就像我认为我们正处于这个新的代理时代的开始,而人工智能一直以来的发展方式是,当你拥有新的能力水平时,这意味着你有机会重新思考一切,对吗?重新思考人们如何交互,以及技术的能力如何。我认为这没有什么不同,对吧?在我看来,就像我在地平线上看到的那些事情,例如,解决科学问题的人工智能,对吗?我认为我们已经开始看到这方面的端倪了。例如,今天我们宣布在呃同行评审文献中出现了正在使用 03 的医生。还记得 03 吗?是的。那就像很久以前的事了,对吧?这就像我们最早的推理模型之一,用它来为多年来我没有从医生那里得到答案的人找到诊断。你知道,有一个例子,有人患有一种神秘的疾病长达 20 年。最后,通过使用该技术进行了诊断。如果你想,好吧,你已经有了可以做到这一点的模型。他们可以做到这一点。然后这实际上是关于,你知道,同样的分配和类似,你知道,你能吗 [00:15:06]
Greg Brockman:访问应用程序?你知道,对我来说,它不进行类型检查。就好像我们有了一些全新的东西。所以这并不是说不会有竞争。我实际上认为将会有这样的情况,而且这对每个人来说都很棒。但我只是认为,你使用这项技术的方式、它能做的事情以及它能让你做的事情与我们以前见过的任何事情都完全不同。你知道,我想问你,嗯,这是否意味着你必须嗯,你知道,创建你自己的设备,假设就像我的概念一样,你知道你将必须通过Apple才能接触到用户。嗯,假设这有点合理。但答案是你已经是对的。OpenAI 现在正在设备上运行。这当然已经被公开报道过。十二月我在你的办公室,萨姆告诉我这件事正在发生。它是多个设备。嗯,如果你 [00:16:18]
Greg Brockman:再次考虑一下您将如何与这些人工智能进行交互,该设备如何在或一系列设备中播放?好吧,听着,我再次想,我会退后一步说,我认为这是一些非常新的事物的开始,我思考我的思考方式,就像我认为界面方面发生的最大转变一样,它甚至与设备和类似的事情无关。真正关于会话智能的转变,就像聊天范式一样,就像你有一个对你来说足够个性化的人工智能,值得阅读它的输出,你问它一个问题,你得到一个答案,这对你有用,而代理有足够的能力为你做事,这是一个很大的转变,这意味着你想要交互的方式有所不同,所以你只需要一个能够访问你的上下文的代理,这在以下情况下是正确的:个人生活。在商业环境中也是如此,对吧?例如,您想象有一个“呃,您知道” [00:17:05]
Greg Brockman:想象一下,你在每个领域都有一位博士学位,你知道诺贝尔奖获得者中有多个,你雇佣了其中一个,你雇佣了一百个,你不邀请他们参加任何会议,他们不会很有用,所以有一些关于如何将上下文引入人工智能的问题,不仅仅是静态的,而是随着上下文随着业务流程的发展而动态地变化,你如何拥有一个人工智能可以访问的上下文层,让人工智能在原始智能的范围内运行。因此,想方设法让人工智能在您的会议中易于使用,使其非常符合人体工程学。访问起来非常方便。嗯,我认为所有这些都需要重新考虑。但我再次认为,这对我来说只是核心,从思考代理形式因素开始,然后向后思考如何使其具有所需的上下文。再说一遍,信任将成为整个方程式发挥作用的核心部分。所以,有点像随身携带这个设备,我需要完成这件事,它就会为你做这件事。我认为这将是 [00:18:16]
Greg Brockman:是的,但我什至认为,如果你没有这样的设备,你也不会被淘汰,对吧?因为这就是这个人工智能。这并不是因为一件事有一个版本,你会认为设备就是人工智能,而你希望你的手机成为人工智能。你想要那个,你知道,无论如何,你知道,你正在考虑将定制设备变成人工智能,但它不会是那样的。它会更像是一个界面,就像你的手机就是你一样,对吧?这是一个给你的界面。这是一种我可以,你知道,每当我需要你,呃,每当我想问你问题时给你打电话的方式。并且有不同的访问方式,对吗?就像同步电话一样,我可以给你发短信,也可以给你发电子邮件。我认为我们与代理的互动方式将大致相同。嗯,有一些报道称 OpenAI 正在研究双向语音模型等。我想我们过去已经讨论过,目标是拥有一个可以与你交谈的人工智能,我们将能够处理它并以更自然的方式与你交谈。你可以吗 [00:19:24]
Greg Brockman:分享一下相关内容吗?不。但是不,更严重的是,嗯,我的意思是,我认为技术的总体形态就像我们拥有的语音模型一样,嗯,你知道,这是一种非常酷的语音体验,你知道,现在已经有一年半了。嗯,你知道,我们在 2024 年 3 月、4 月首次演示了它。嗯,将其推向市场,嗯,你知道,可能在那年晚些时候。它的工作方式和每个模型的工作方式基本上都是链接在一起的,嗯,这些东西最初的工作方式是,你将文本或语音到文本模型链接在一起,然后你做一个文本到文本模型,然后你做一个文本到说明模型。可怕的是吧?就像这三件事链接在一起一样。嗯,情况仍然是这样,即使你有一个统一的模型,能够接受输入,然后你知道能够输出响应,你仍然有这个轮流问题,想象一下,就像我们有这样的,你不能重叠,你不能打断,就像一旦你轮流对我说话,然后你必须等我完成我的整个过程 [00:20:18]
Greg Brockman:回复。人类对话不是这样进行的。所以我们基本上就像一个黑客,我们有这些模型来确定哦,似乎转弯已经结束,哦,好像转弯已经开始,我们想为什么我们要谈论右转,就像转弯再次如此不自然一样。这是人类扭曲自己以适应机器及其局限性。因此,你想要完成的显而易见的事情是人工智能中的模型,它的工作方式更像你和我做的正确的事情,能够在处理输出的同时处理输入。当然,这一切都是这个领域的许多人都在努力追求的目标。嗯,我认为当你转向这些自然的、非常人性化的流体(如对话界面)时,这将是非常非常令人兴奋的。没有人见过类似的东西。就像我想到的一件事是当前与您知道的 ChatGPT 语音的交互。从很多方面来说它都很神奇,对吗?很多人在上下班途中使用它来询问所有这些问题。但这也太令人沮丧了,对吧?每当它打破魔力,因为就像你意识到的那样,哦,我想添加一些 [00:21:23]
Greg Brockman:跟进,它一直在谈论你,但事实并非如此,这只是没有意义。所以我认为我们需要的部分就像这个人工智能的全部要点一样,是你可以流畅、自然地进行交互。顺便说一句,我认为这不仅仅是关于用例的类型。就像我们考虑个人用例一样,但它实际上也是工作用例。我认为我在编解码器方面最神奇的经历就是通过语音进行操作。和许多人一样,我们有内置的语音功能。有些人使用第三方应用程序。嗯,当你开始意识到就像输入一条快速消息来轻松提供一些反馈时,你就会得到一种非常不同的体验。但就像写出整个段落和你想要的一切。可怕。没有人愿意这样做,对吧?你只想说一些话,你想要实时反馈循环,所有这一切都会发生,这将是令人惊奇的。那么,我们简单谈谈模型改进。嗯,几年前有一次讨论认为大型语言模型即将碰壁。嗯, [00:22:22]
Greg Brockman:那是错误的。嗯,你知道我正在考虑的事情是我认为我们都在考虑这些模型可以变得更好多少?改善何时会停止?有什么想法吗?嗯,我认为当你构建这些模型时,你会得到一种感觉和直觉,我认为从外部很难获得这种感觉和直觉,因为我们看到了所有数据点,我们也看到了这些改进的工作。所以答案分为两部分。一是我认为基础科学是 [00:23:24]
Greg Brockman:这是最神秘、最重要的科学发现和经验观察之一,我可以,我知道,我可以正确地想象,我们能够真正构建这些模型,并且缩放法则继续正确,你可以继续训练这些模型,更多的数据,更多的计算,更好的架构,并且有很多改进。但是每次我们遇到类似的情况时,这并不是完全按照我们期望的方式缩放,而是我们遇到了问题。我们有一个错误,那就是我们的数学不太正确。哦,我们的实现不是不太符合数学,不管是什么。我认为,这是内化的一件非常重要的事情。事实上,如果你回到这个领域的开始,神经网络本身是在 20 世纪 40 年代计算机出现之前就被设计出来的,作为一个模型,也许这就是大脑处理信息的方式,第一个硬件实现是 1959 年的感知器,如果你看看这个领域的里程碑式的结果,你会发现里程碑式的结果遵循这条令人难以置信的平滑的确定性路径 [00:24:10]
Greg Brockman:计算被注入其中,所以 70 年来的人,也许现在 80 年来的人都说这些东西永远不会起作用,永远不会扩展,会碰壁。还没撞墙呢仍然看不到墙。所以我认为基本面允许这样做。现在实用性很难吧?实际上正在建造这些大型超级计算机。这很难。它很贵。这并不容易,对吧?我们的团队非常努力地解决这些极其困难的技术问题。我们必须设计自己的网络协议。嗯,我们有人查看堆栈的每一层,图中都有奇怪的摆动,而您思考这些神经网络的方式是,好像没有抽象,对吧?几乎就像任何一个小部件出了问题都会产生连锁反应,并且只会出现在下面。所以你需要深刻理解这一切的人。然而,如果你组建了合适的团队,那就把合适的人 [00:25:21]
Greg Brockman:使命在人前与人做那份磨练,结果,就值得了,对吧?这是可以实现的,也是可能的。因此,我认为由于这些原因,进展将会继续下去。那么我很想听听您的观点,看看模型是否可以从今天的水平基础上取得更大的进步。嗯,假设 OpenAI 构建了最好的模型,它相当于拥有 15 名具有出色情商的博士,不会抱怨,会出去为你做事。嗯,然后下一个模型制造商将建造一个不太好的模型,但它有 13 个博士学位,而且相当不错,呃,你知道,EQ,我们仍然会为你做事。那么,当你达到这种智力水平时,差异化在哪里呢?因为我们已经看到模型制作者的步调一致。一个人进步了,下一个进来并进步了。所以,他们都变得那么聪明。他们有可能区分吗?嗯,我认为答案有几个维度。嗯,第一是我确实认为存在一种吸引子状态,就像商业模式一样 [00:26:11]
Greg Brockman:从角度来看,每个供应商都会出售他们所有的计算资源。好的。正确的。我认为这就像我们正在走向的世界,那里没有足够的计算来满足所有需求。正确的?我们正在走向这种计算驱动的经济,每个人都将一直使用这些模型来完成感兴趣的任务。我们只是看到它。就像现在我们正在谈论计算限制一样,就像使用这些代理的人数大约是 1000 万 2000 万,也许你知道这就像我们还没有达到全球规模一样,chatbt 就像 10 亿用户一样,但我们还没有将代理能力带到那里,所以你只是关注这些因素,而且与我们要去的地方相比,使用深度也很小,所以我认为我们将进入一个即使你有不同的供应商也不同的世界能力级开源模型所有这些东西这些新云就像我认为计算将成为这种稀缺资源,我认为它将被使用。嗯,在某种程度上,我认为这是一项很好的业务,对于新的进入来说 [00:27:20]
Greg Brockman:进入诸如此类的事情。我的答案其实是肯定的。我认为有一个巨大的市场,我们无法解决这个问题,我们需要更多的能源动力。嗯,但第二件事是,它也忽略了这样一个事实,即智力并不是一个无维度的东西,如果你真的放大来看,擅长不同的领域是即使你有很多原始智力,如果你从来没有练习过,就像你从来没有真正做过推销或类似的事情,你第一次就不会擅长,对吧?还有很多不同的东西您从未使用过电子表格,对吧?您将无法成功完成一些复杂的建模。因此,我认为我们一直在内化一些东西,那就是我们跨越不同的行业和不同的领域,我们必须确定优先顺序。我们不可能同时在每个领域都表现出色。肯定有很多这样的事情,嘿,你只要提高一般智力,它就会经历很多这样的事情,但要真正成为领域专家,真正成为博士,真正成为 [00:28:20]
Greg Brockman:能够帮助推动某个领域的雄心壮志的事情,就像这很难一样。顺便说一句,我还想说的一件事是,我认为理解当你成功做到这一点时会发生什么。我认为拥有一个良好的心理模型很重要,这就是你会看到类似 AlphaGo 的东西,对吧?你还记得第 37 步,这步棋改变了人们对围棋的理解,现在下围棋的人比以往任何时候都多,对吧?它实际上激励人们做更多的事情。我想我们只会看到这一点。所以我认为深度永远不会停止,对吧?你对科学的了解能有多深,对吧?就像我一样,我认为人们有时会想,嘿,我们发现了所有的物理学,这一切都很好。我们都完成了。我不认为这就是我们所期望的未来。我想我们已经签了一份协议,每次你解开一个谜题,每次解决一个谜题,我们都必须不断寻找 [00:29:21]
Greg Brockman:解锁大概10个吧?因此,我认为,不同公司之间还有很多事情要做,并且有很大的差异化空间。所以,我认为我没有理解你的意思,你的信念是,也许每个人都可以扩大这些模型的规模,但最终拥有最多计算能力的公司将获胜。你知道我们几个月前谈过,你提到过,就像你在内部被问到我们应该购买多少计算,你说了所有这些,他们说不,我们应该购买多少,你说不购买所有,OpenAI 绝对是购买计算方面的领导者。我的意思是,我们看到资金流出,显然有很多资金通过投资流入,现在你已经与客户建立了业务,但有很多资金流出。你有没有想过,嘿,你有没有想过,也许我们无法偿还所有这些钱,因为这是一个全新的类别?嗯,我看待它的方式是基于基本面,对吗?你需要真正审视这样一个事实:计算的发展方式是在计算之前很多年 [00:30:09]
Greg Brockman:真的到了,对吧?具体取决于你在做什么。例如,我们多年来一直在投资自己的芯片计划,并且取得了超级令人兴奋的进展,就像你知道的那样,我们很快就会有更多消息要宣布。嗯,但事实上我们能够做到这一点是非常独特的,对吧?真正考虑供应链的全面垂直整合。我认为我们正在走向的世界是一个没有足够计算能力来满足所有需求的世界。我们非常具体地看到这一点,就像你看指数一样,我的意思是倒带到 chatbt 的指数。嗯,看看我们现在的指数。呃,你想想我们能够解决的问题。你知道,这实际上很有趣,是的,我们昨天刚刚宣布,嗯,两天前宣布了呃基本化学的新结果,并且能够合成,你知道,新的改进的反应。而这一切,都没有引起太多的关注。你知道,我刚才说的,如果你深入一个领域,你真的可以改变它。我们甚至还没有触及表面 [00:31:11]
Greg Brockman:然而。因此,我们应该考虑一下经济规模如此庞大,对吗?我们从我们自己的增长、人们愿意支付的费用以及整个行业的规模和增长的角度来非常具体地看待它。所以我觉得我考虑最多的就是我们如何满足需求?如何真正拥有可以帮助支持人们在经济中想做的所有工作的东西?我认为这是一件非常巨大的事情。我认为我们中的任何人都还没有将其内化。是的。但如果可以的话,一场价格战正在酝酿之中。我的意思是,至少根据报告是这样的。很高兴您能在这里谈论这个问题。《华尔街日报》最近有报道称,即将推出的 OpenAI 模型可能会大幅降价。再说一遍,你怎么知道是否需要这么多资源来满足这一需求,并且在可能降价的环境中需求不断增长,你如何进行数学计算?好吧,我再次从不同的角度来看它。因此,如果你看看我们所做的整个历史,我们实际上一直在增加 [00:32:13]
Greg Brockman:情报会为固定数量的情报和人员降低价格,就像杰范斯悖论一样不断发生,所以我认为前沿情报将永远是最昂贵的东西,但我认为从现在起一年后,这种情报水平将变得相当平凡,而且就像你知道的那样,它会变得更加容易获得。嗯,我认为我们所处的世界是人们开始真正思考价值的世界。这实际上是一个非常有趣的转变,在过去,你知道,第一季度,也许直到现在,人们都喜欢这种人工智能代理的东西,这是全新的。我们需要像不想被抛在后面一样融入我们的企业。我们如何成为这个未来的一部分?现在人们会说,好吧,让我们确保这确实能带来投资回报率和价值。我实际上认为那是一个很棒的地方,对吗?因为人们在问正确的问题。我听说我今天召开了一些客户会议,人们都在说这个。他们说,“我们怎样才能有良好的支出控制?如何 [00:33:12]
Greg Brockman:我们可以有可观察性吗?”我认为我们今天实际上刚刚发布了支出控制。所以,你知道,这就像好的。完全正确。是的。我们确实在企业准备工作和客户告诉我们他们需要的工具方面进行了大力投资。我认为,对我来说,这就是我们作为一家公司正在经历的转变,实际上不仅仅是考虑嘿,我们只是要发布模型,你知道有一个真正考虑业务端到端的模型。如何我们是否将其引入到为真正的客户解决实际问题中,这种情况在每个行业和许多不同的公司中都在思考如何最好地利用我们同时学习的这些模型,我认为对我来说,整个游戏还处于早期阶段,就像市场的绝对规模增长如此之快,我们自己的收入增长如此之快一样,我认为我们仍然没有预料到这一切会变得多么陡峭。降价?我再说一遍,答案总是肯定的,对吗?但我认为这种情况将会持续发生。 [00:34:08]
Greg Brockman:我们将拥有前沿模型。嗯,我认为短期内不会发生巨大的转变。我不认为这种事情会发生。但我认为你应该预见到的是,在一年的时间范围内,要达到今天感觉非常一流的智能水平,它会便宜得多。但是将会有一种新的东西会变得更好,你会想,我为什么要使用另一个,对吧?事情总是如此。萨迪亚·纳德尔最近发布了一些有趣的推文和采访。他最近表示,该模型正在成为一种商品,而有价值的资产是公司,或者这可能是一种解释,有价值的资产是公司特定的人工智能系统,它不断地从你的数据中学习。嗯,你对此有何看法?现在与Microsoft竞争是不是很奇怪?好吧,我不认为这里有任何堆栈层会从价值链中删除。我认为这些东西相乘,如果你考虑一下计算的基础层 [00:35:11]
Greg Brockman:是的,这就像没有计算没有人工智能一样,在某种程度上你可以说哦,计算已经商品化了,只有失败者才会关心它,但实际上,就像你看看今天的芯片股票,你看看呃,你知道那些销售计算的人,市场对人们的估值是什么,他们看到这里有一项非常重要的基本资产,我认为这是因为它是一个收入中心,任何人都可以这样做谁在构建人工智能必须依赖,并且在你可以挤出的效率和利润方面,有很多非常有趣的动态,所有这些东西。但从根本上说,尽管你可以眯着眼睛看它并说它已经商品化,但事实并非如此。并不是说价值消失了。这并不是说利润消失了。这就像市场会奖励的东西,因为它具有基本价值,而且它的重要性会随着时间的推移而上升 [00:36:11]
Greg Brockman:时间。您可以从人们为 H100 支付的一些价格中看到这一点,对吧?漏斗器,你知道,有点过时,对吧?但它们是上一代芯片,在任何正常情况下,如果供应不完全受限,没有人会购买它们。但相反,市场价格相对于之前有所上涨。因此,这种反转正在发生,而且我认为这种情况将继续发生,因为每个人都有大量的需求,你会看到价格和利润以及所有这些东西在堆栈的各个级别上继续增加。我认为同样的情况也适用于模型,模型本身也同样存在,那里没有很多竞争,我认为这非常好。我认为这对企业来说是好事。我认为这对客户消费者有好处。嗯,但我认为在很多领域,例如,我们的模型一直是最聪明的,对吧?那些能够解决这些极其困难的问题的人。我认为我们刚刚开始进入一个阶段,您将看到
Greg Brockman:由此带来的变革性影响,对吗?就像如果我们真的能够通过模型加速科学发展一样,模型越智能,它就会发展得越快。它与具有对话界面的模型非常非常不同,您可以预订旅行,对吗?或者整理你的日历。所以这也是我认为我们会做得很好的一个方面。但我只是说这是一个不同的领域。嗯,然后我认为,你如何真正将情报与你自己的客户联系起来,为你带来真正的价值,这是一件大事,如果你没有领域专业知识,你就能够做对,这不是一件大事,部分原因是你需要考虑受监管的行业,你考虑任何你知道的领域,考虑教育,你有父母,有老师,有学生,这些不同的各方需要以非常深思熟虑的方式在所有这些领域、所有这些领域进行互动 [00:38:00]
Greg Brockman:通过进入该领域并思考工作流程应如何工作、应如何编排这些模型来构建价值。所以我真的认为有足够多的东西可以使用。我认为我们必须作为整个生态系统共同努力,才能提供我认为这些系统可能实现的价值。好吧,再次回到 SIA 的观点,呃,他把模型称为商品。他正在努力建立自己的前沿情报。他告诉潜在的您的客户,嘿,您必须与我们合作,因为我们将帮助构建这些从您的数据中学习的循环。嗯,我认为他可以访问您的 IP,直到 2032 年。那么,您听到 SAI 的消息有何感受?看,我认为现在发生的最重要的事情是在经济中使用人工智能来真正改变经济并提高每个人的水平。所以,我认为这是我真正关注的事情。人们越努力实现这一目标,我认为这对每个人都更好。嗯,据传 GPT 5.6 即将推出。本来这只是Twitter上的谣言,但我要去
Greg Brockman:读给你听。嗯,总是最好的谣言。比 Fable 便宜三倍,高达 150 万token上下文。呃,更强大的代理编码工作流程。嗯,其中有多少是真的?我们应该做什么 [00:39:59]
Alex Kantrowitz:期待 GPT 5.6 吗?我的意思是,你看,你应该总是期待更好、更快、更聪明的整个事情。于是,一切都确定了。 [00:40:12]
Greg Brockman:绝对相信你在 Twitter 上读到的一切。是的,也许不是。这实际上是我个人生活中问题的根源。嗯,好吧。所以,呃,我想以健康作为结束。嗯,你提过几次了。事实上,您早些时候曾在观众席上提出过一个问题。嗯,你知道,有时候有一个故事,你读了它,你对自己说,我知道这个人正在向媒体讲话,我知道他们所说的听起来可能是真的。嗯,但是这个故事有问题,我们不会看到更多。嗯,我最近读了其中几本。嗯,我想是你的朋友,GitLab 首席执行官 Sid Sberandage?他得了呃,他得了癌症,并使用了呃,他得到了呃他能做的所有诊断测试。所以我就疯狂地进行了测试,并在一些人的帮助下将这些数据输入 ChachiPT,这些人为此构建了专门的应用程序,我不知道“治愈”这个词是否正确,但能够在一定程度上击退癌症。澳大利亚还有这只狗罗西狗。你们听说过
Greg Brockman:罗西?就像最疯狂的故事一样,这个人我会弄错一些细节,但是一个人对他患有癌症的狗进行了活组织检查,在 Alphafold 上进行了突变,然后设计了一种 mRNA 疫苗,在聊天机器人的帮助下注射到狗体内,构建了这个东西,最终能够再次跳过桌子,肿瘤缩小了。嗯,当我们思考人工智能和健康的未来时,嗯,用这个问题帮助我们理清真相。这些是否是一些登上头条新闻的异常值,但其中有一些我们没有听到的故事,或者这会成为未来的标准?绝对会成为标准。绝对地。我个人有很多朋友做过非常类似的事情,获得正确的健康诊断数据,并使用编解码器正确使用这些模型来从中获得见解,我认为有很多人像我一样,每周大约有 2.3 亿人使用 ChatGPT 进行健康查询,这是一个惊人的规模。这是人,有时你会上传扫描件。有时你的医生是 [00:41:34]
Greg Brockman:告诉你相互矛盾的信息。我认为我们生活在一个患者没有被赋予权力的世界,对吗?病人必须是医生,对吗?你是决定者。你有责任,对吧?你知道,医生犯了一个错误,你将为此付出终生的代价。就像这只是一种非常不同的激励措施。这对我来说非常个人化。你知道,我的妻子有很多健康问题,我认为我们刚刚经历过这样的情况,我什至不知道如果不使用聊天,我们现在如何能够处理她的许多问题。我认为我们才刚刚开始这个旅程,对吧?我觉得即使有最好的医疗团队、最好的专家、最好的专家,能做的也只有这么多吧?你会想到那些超出人类能力范围的事情,甚至有时就像有人根本没有读过图表一样,对吧?有点错过了一个细节。所有这些我们都应该能够通过这些工具来大幅改进。所以我认为个性化医疗有时会与药物有关 [00:42:55]
Greg Brockman:你们知道大众市场的药物发现,但有时甚至是 NF1 类的事情,比如我今天早些时候提到的疾病诊断。有时它 [00:43:55]
Alex Kantrowitz 介绍与 Gravitee 合作的 AI agent 安全纪录片,片中采访多位专家讨论自主 agent 准备度,并由 Rory Blundell 谈未来路径。
- AI agent 安全文档片预告 [00:00:00 - 00:00:41]
Alex Kantrowitz:大家好,我是 Alex Kantrowitz。我想向大家介绍一部我与 Gravitee 合作制作的纪录片,它探讨 AI agent 安全的未来。为了弄清楚我们是否真的已经准备好迎接自主 agent,我采访了 MIT 教授 Ramesh Raskar、前白宫 CIO Theresa Payton、Michelin 集团首席数据与 AI 官 Ambica Rajagopal,以及前 Alibaba 高管 Sharon Gai。他们每个人都对这个不断演变的领域提出了独到见解。最后,我们还将与 Gravitee CEO Rory Blundell 讨论未来道路。Gravitee 正在引领方向,欢迎和我们一起踏上这段旅程。你可以通过节目说明中的链接观看完整纪录片。 [00:00:38]
这一期围绕 2026 年第二季度具身智能和物理 AI 的重要进展展开。程曼祺和陈哲 Peter 以“Q2 Top5”为线索,讨论了人形机器人马拉松、Figure 物流分拣直播、灵巧手与灵巧操作、NVIDIA Cosmos 3 世界模型,以及 Physical Intelligence、Generalist 等具身模型公司的新进展。核心判断是:具身智能正在从实验室演示进入更接近产业化的阶段,但真正的壁垒不只在模型,也在硬件可靠性、数据采集、场景选择、制造能力、供应链和商业化节奏之间的组合。
两位说话人反复强调,世界模型、VLA、灵巧手、人形机器人本体和数据范式不是彼此孤立的路线。Cosmos 3 让世界模型从概念走向可调用、可部署的产品形态,VLA 公司也在吸收世界模型能力;与此同时,灵巧手和全身运控数据正在成为下一阶段模型能力的关键输入。大模型公司可能掌握高层智能和通用接口,机器人创业公司则需要在硬件、数据、场景和商业化路径中找到足够深的护城河。
陈哲 Peter 将 Q2 的具身智能进展概括为五件事:北京亦庄人形机器人马拉松、Figure 连续直播人形机器人做包裹分拣、灵巧手和灵巧操作爆发、NVIDIA 发布 Cosmos 3 世界模型,以及 Pi 0.7、Generalist Gen1 等 VLA/具身模型路线继续演进。这些进展共同说明,行业讨论已经从“能不能动起来”推进到“能不能稳定、可靠、低成本地进入真实场景”。
程曼祺把这些进展放回上一季度的判断中复盘:世界模型是否能拿出超出 VLA 的进展、灵巧手是否会出现更多成果、人形机器人马拉松是否会从噱头变成严肃竞争。两人的结论接近:这些预期大多被强化了,但不是单一路线胜出,而是不同技术路线开始互相融合。
亦庄人形机器人马拉松中,荣耀机器人事业部的机器人取得靠前成绩。陈哲 Peter 认为,这说明具备高端制造经验、组织能力、资金和人才密度的大厂,可以比较快做出有竞争力的人形机器人硬件。荣耀的优势不只是运动控制,也包括电机、液冷、长时间高速运行下的可靠性和一致性。
这件事还引出一个行业问题:只做机器人本体的创业公司是否会面对大厂资源优势的挤压。节目中提到,未来 2027 年前后,如果一些本体公司无法完成 IPO 或进入资源更安全的状态,可能会被荣耀、手机厂商、车企等大型终端厂商冲击。大厂并不一定在所有算法上领先,但在制造、供应链、可靠性和规模化方面天然更强。
Figure 直播人形机器人做包裹分拣,被认为是人形机器人第一次大规模向公众展示其工业场景价值。节目认为,它的重要性不在于动作是否炫酷,而在于它让普通人看到机器人可以在物流、仓储等场景里承担具体工作。
但两人也讨论了它的限制:直播中的场景仍然比较标准化,包裹、位置和传送带流程都有明确约束;真实电商仓里存在大量非标包裹、柔性拣选和复杂长尾问题。因此,Figure 的演示证明了产业化方向,但并不意味着全自主、全泛化能力已经完成。是否有人远程接管、是否完全自主,也会影响这类演示的意义,但并不会完全削弱它作为行业教育和商业验证的价值。
灵巧手和灵巧操作是本期讨论最多的方向之一。节目提到,ICRA 上多家公司展示新一代高自由度灵巧手和精细操作模型,说明行业不再只满足于夹爪和简单抓取,而是要进入更复杂、更接近人手能力的操作任务。
陈哲 Peter 强调,灵巧手的价值不只是硬件本身,而是它改变数据采集和模型训练范式。过去具身智能数据更多来自单臂、夹爪、远程操作和相对简单的抓取任务;现在高自由度手、全身动作、腕部、手指、触觉和精细控制都可能成为下一轮模型能力的输入。谁能稳定采集这些高质量数据,谁就可能影响下一代具身模型。
节目还比较了灵巧手公司的不同生态位:有些公司可能成为基础设施,像研究社区常用的高自由度硬件平台;有些公司可能从手切入,逐渐往整机和数据闭环扩展;也有些公司会成为大厂定制供应商。长期看,单独做“手”是否能独立成为标准化产品公司,取决于它能否掌握数据、任务场景和软件能力,而不只是卖硬件。
Cosmos 3 被视为本季度世界模型路线的标志性事件。节目认为,上季度世界模型还更多是研究概念和实验室样品,而 Cosmos 3 让世界模型变成更产品级、可调用、可部署的工业级模型。它有 Super、Nano、Edge 等不同版本,对应不同部署环境,意味着世界模型不再只是论文或 demo,而是进入产品范式。
两人讨论了世界模型和 VLA 的关系。陈哲 Peter 的判断是,世界模型未必“颠覆”VLA,而是为现有 SOTA 具身模型提供新的能力和思路。世界模型擅长环境建模、状态预测和动作条件下的未来推演,VLA 则更直接连接语言、视觉和动作。未来的路线可能不是二选一,而是 VLA 吸收世界模型能力,或者世界模型成为更大具身系统的一部分。
节目反复回到一个底层问题:如果未来通用模型大厂也能提供机器人所需的空间理解、动作预测和推理能力,那么具身智能创业公司的独立价值在哪里。陈哲 Peter 提到,OpenAI、Google、Anthropic、NVIDIA 等公司可能在高层智能、通用模型、API 和生态层占据重要位置。
但节目并没有得出“大厂会包办一切”的结论。相反,两人认为机器人世界里有大量现实约束:硬件形态、执行器、场景数据、供应链、制造一致性、客户现场部署、成本和可靠性。这些因素可能让创业公司在垂直场景、本体硬件、数据闭环、端到端交付中获得空间。真正的问题是,这些公司能否建立不是轻易被通用模型吞掉的护城河。
在世界模型热潮下,VLA 看起来似乎不再新鲜,但节目认为 Pi 0.7 和 Generalist Gen1 仍然具有启发性。Physical Intelligence 的 Pi 0.7 代表一种稳步迭代的路线,从 0.5、0.6 到 0.7,不断扩大任务范围、数据和能力边界。Generalist 则不愿被简单贴上世界模型或 VLA 标签,强调自己的做法并不是把动作粘到 VLM 上,也不是单纯世界模型。
这说明行业标签本身正在变化。程曼祺提到,越来越多人开始使用“物理 AI”这个词,而不是只说具身智能、世界模型或 VLA。陈哲 Peter 的态度是,不必执着标签,更关键的是模型是否能在真实机器人任务中带来可靠进展。
整期节目中,“数据”是贯穿各路线的核心词。机器人模型的瓶颈不只是算法,而是高质量、可扩展、与硬件形态匹配的数据。灵巧手、全身运控、远程操作、真机数据、仿真数据、场景数据,都决定模型能不能泛化到真实任务。
节目讨论了数据服务商是否会独立存在。陈哲 Peter 认为,语言模型时代有独立数据服务公司,具身智能也可能有,但如果数据高度依赖具体手、具体本体、具体场景,那么数据公司可能必须与硬件公司深度绑定。数据不再只是标注文本,而是和机器人硬件、控制链路、采集流程、任务设计紧密耦合。
节目认为,中国在供应链、制造、工程化、成本和人才上有明显优势,这些优势有助于具身智能创业。国内大语言模型公司能快速追上,也部分来自互联网、移动互联网和 AI 产业积累出来的人才与工程能力。
但中国具身智能创业也有悖论:投资人和资本市场往往难以容忍一家公司十年没有商业化,也难以接受公司不是“全栈公司”、大量能力依附于客户或合作伙伴。因此,很多具身大脑公司都在宣布做机器人本体,哪怕从战略上未必一开始就应该全栈。这会带来资源分散,也可能让公司过早承担硬件、供应链和交付压力。
节目最后讨论了创业公司的长期选择。只做硬件可能赚钱,但未必形成垄断;只做模型可能被开源或大厂挤压;只做垂直场景则需要足够大的市场和可复制性。两人都倾向于认为,具身智能公司的壁垒会来自多个因素叠加:场景理解、数据闭环、硬件适配、软件能力、客户交付、供应链和持续迭代。
陈哲 Peter 提到,即使是宇树这样强的硬件公司,也会面对“是否能长出软件和 AI 能力”的问题。如果公司战略上真的想做,它未必不能做出来。换言之,硬件公司和模型公司之间的边界不会固定,未来很多公司都会向全栈能力靠近,只是每家公司起点不同。
1. Q2 具身智能的核心进展不是单一模型突破,而是人形机器人、灵巧手、世界模型、VLA 和数据范式同时推进。
2. 荣耀在人形机器人马拉松中的表现说明,大厂的制造、组织、资金和可靠性能力会成为本体创业公司的重要竞争压力。
3. Figure 的包裹分拣直播让公众看到人形机器人在工业场景的价值,但它仍处在强约束、相对标准化的任务环境中。
4. 灵巧手正在成为新竞争战场,因为它不仅是硬件升级,也会改变机器人数据采集和模型训练方式。
5. Cosmos 3 让世界模型从研究概念走向产品化,但世界模型更可能与 VLA 融合,而不是简单取代 VLA。
6. 机器人模型公司的长期壁垒取决于是否掌握高质量数据、硬件适配、真实场景和持续迭代能力,而不只是模型架构本身。
7. 大模型公司可能占据通用智能和生态接口位置,但机器人创业公司仍可在本体、场景、交付和数据闭环中建立价值。
8. 中国具身智能创业同时拥有供应链和工程化优势,也面临商业化周期短、资本市场偏好全栈叙事的压力。
- Q2 具身智能五大进展 [00:00:00 - 00:10:00]
- 人形机器人进入产业化场景 [00:10:00 - 00:20:00]
- 灵巧手爆发与训练数据 [00:20:00 - 00:30:00]
- 灵巧手路线与中美差异 [00:30:00 - 00:40:00]
- Cosmos 世界模型的产品化 [00:40:00 - 00:50:00]
- 世界模型与通用模型边界 [00:50:00 - 01:00:00]
- 机器人数据与模型训练难题 [01:00:00 - 01:10:00]
- VLA 路线与机器人基础模型 [01:10:00 - 01:20:00]
- 大模型公司与机器人创业分工 [01:20:00 - 01:30:00]
- 创业公司场景选择与护城河 [01:30:00 - 01:40:00]
- 中国供应链与产业化窗口 [01:40:00 - 01:50:00]
- 行业标签变化与长期判断 [01:50:00 - 01:54:07]
陈哲 Peter:Cosmos 3是这个季度世界模型的一个标杆,因为它算是市场上第一个提出了全开源的Omni Model。更底层的问题是,我们到底有什么原因来说明很多年以后,所谓的Embodied AI的model 不是由Anthropic OpenAI或者是Google 这样的通用模型的大厂来提供的,如果Omni-model这个路线,被最终证明是有效和有用的,那是不是机器人的所有的空间的理解,对动作的预测,可以被融合到一个更大的通用模型里面去,从J1目前的公开信息来看,能看出来Generalist对世界模型的思路是什么,他们其实是比较排斥把自己定义成,世界模型或者说VLA这样的标签的 Peter Florence专门写过一篇文章,大意就是说,他们的做法既不是,把动作粘贴到VLM上面变成VLA 也不是一个世界模型,本质上谁能够更快地提供可靠稳定,廉价的灵巧手的供给,就能更快地成为这个行业的实时的标准,也就是更多的算法跟软件,会围绕着你的硬件的架构去设计,欢迎收听晚点聊 [00:00:52]
程曼祺:我是曼祺,这期是具身季报系列的第二期,我继续邀请Alphaist 的创始合伙人陈哲 Peter 来和我们分享最新的具身智能动态和行业趋势总结,最近有意思的一件事是,关于这个领域的称呼在悄然变化,更多人开始使用物理AI这个词,世界模型也继续风头强劲,这也正是我们第一季度讨论的Top5主题之一,本期季报依然按照第二季度Top5的进展和事件展开,包括人形机器人马拉松 Figure的物流分解直播,灵巧手和灵巧操作进展,英伟达的世界模型Cosmos 3 以及世界模型创投热,最后一点是全球领先的具身模型进展,包括Generalist的Gen1和Pi 0.7 下面我们正式进入节目吧,今天这一期是,《晚点聊》具身季报的第二期,依然邀请了Alphaist的创始合伙人,陈哲 Peter来做客我们的节目,上季度的季报之后,评论区有很多留言,是希望Peter能长住和反炒,之后我们也会和Peter继续这个系列 Peter你可以和我们的听友简单打个招呼,大家好很高兴回来 OK那我们还是总结一下,这一季度的最重要的Top5的进展,里面既有一些行业事件,也有一些技术成果 Peter你可以说一下,就是第二季度你觉得,巨星智能领域,或者说现在大家也喜欢用另一个词,叫物理AI领域 [00:02:33]
陈哲 Peter:你比较关注的五个重要的事是什么,我觉得Q2比较明显的是,世界模型和灵巧手取得的一些显著的突破,同时人形机器人第一次大规模走进了普通人的视野,那么总结Q2巨神智能TOP5的进展,我个人会这么排序,第一件事情是北京亦庄人形马拉松比赛,有100多个人形机器人参加了全场的比赛,最终取得马拉松冠军的是,手机厂商荣耀的机器人事业部,那这件事情传达的是大厂,可以把人形机器人这件事情做好,并且在未来的一段时间内,可能会变成整个市场非常重要的一股力量,那么第二件事情呢,是Figure连续几天直播,人形机器人做包裹分拣的这个展示,这算是人形机器人在工业场景的价值,第一次向全球的大众进行普及和教育的一个过程,那么第三件事情呢,是灵巧手和灵巧操作取得的爆发跟进展,尤其是今年在维也纳ICRA会议上,以5G为代VLA的公司,发布了新一代的高自由度灵巧手,以及多家具身智能创意公司,用高自由度灵巧手做出了精细操作的机座模型,让灵巧手成为了下一个竞争的一个战场,那么第四件事情,在6月1号的时候,英伟达发布了他们最新的Cosmos 3的世界模型,那让世界模型从一个概念,真正变成了一个产品和范式的标杆,也成为了这个季度创业最火的风口,那么最后一个给我留下深刻印象的事情呢,是VLA这个路线的进一步的迭代,包括像Physical Intelligence推出了Pi 0.7 Generalist推出了Genie 1 都是让VLA的能力和叙事得到进一步的衍生 [00:04:01]
程曼祺:也开始出现了跟世界模型融合的迹象 OK 那我们在展开了这五个进展之前,正好可以先回顾一下,上一个季度的结尾,我们当时讨论了对未来的一些展望,你列了这个季度,或者说更长期,你认为可能会出现的一些现象,第一点你当时提到的是,看世界模型能否拿出超出VLA的进展,首先可以先快速地回答一下,你觉得这一季度算实现了吗
陈哲 Peter:上个季度当我们提到世界模型的时候,是一个从研究上概念上,非常有创新的一种思路,或者说我们见到了一些,实验室级的早期的样品,而且当时我们展开了的,其实是世界动作模型,这样一个世界模型大的范畴里的,一个分类可以这么说,对比如说当时我们提到的,英伟达的DreamGen 实际上是英伟达的Gear Lab 内部一个比较小规模的实验室作品,当时用的视频模型,还是开源的Open-Sora,但是到了6月份,英伟达发布的Cosmos 3 实际上是一个更加产品级的,也是更加大规模的预训练的一个模型,我认为实际上是把世界模型这个概念,从实验室拉到了工业级,就是可以被调用,可以被部署的一个状态,对其实从它的发挥能看出来,因为它是一次有三个版本 [00:05:21]
程曼祺:有Super、Nano,还有Edge 它其实就是去针对你不同的部署环境的,这个我们后面可以展开,那回到那个问题,你觉得它能说世界模型,拿出超出VLA的一个竞争 [00:06:11]
陈哲 Peter:我觉得经典的VLA模型架构的优势和劣势,其实已经比较明显了,世界模型的长处是对于环境的预测跟建模,实际上以Cosmos 3为代表,我们看到了一个统一架构的世界模型,可能对VLA能力带来的潜在的提升,以及我们也见到了领先的VLA模型,正在用不同的方法连接或者缝制,世界模型的能力进入他们体系里面,所以说与其是世界模型颠覆了VLA或者超越了VLA 不如说世界模型给现有的SOTA模型带来一种更新的能力和思路
程曼祺:然后你当时说的另外两个你期待的事,也觉得大概率会发生的事,其实就是灵巧手林乔操作的更多成果,以及你觉得马拉松这个第二届这一次比赛,会让大家整个观感从之前的噱头和搞笑,走向一个更加严肃的竞争,那回到TOP5的话,第一件事就是我们上一次,据报录制不久之后的4月9号,在北京举行的人形机器人的马拉松,前面你也提到就是这一次的,前三都是荣耀事业部的,机器人闪电,对它就是冠军亚军季军,都是这个机器人,首先想问一下就是,这事会让你或者其他从业者
陈哲 Peter:感到有点意外吗,亦庄马拉松比赛,我当天也去了现场,这场比赛开始之前,其实夺冠的三大热门,就是宇树,北人和荣耀,所以市场对荣耀的实力 [00:07:37]
程曼祺:是有所预见的,为什么在比赛开始之前,业界就认为荣耀宇树,还有北人,就是北京人形机器人创新中心,这三个参赛方式热门,因为去年,北人的天空机器人
陈哲 Peter:就是上一届的冠军,那么他们作为卫冕冠军,为了这一年的比赛,也是做了蛮多的准备,宇树则是去年没有自己官方参赛,而今年是他第一次正式参加比赛,那么作为人性机器人,目前运动控制的全球标杆,大家对于宇树的性能跟表现,都有非常高的期待,宇树在赛前也发布过一些测试的视频,也展现了他们非常强的实力,在测试场中跑出了10米每秒的成绩,荣耀事业部,大概是在两年前开始成立,然后团队也有接近一两百人,并且从行业里面也招揽了一群,在人心机制上面很有经验的工程师跟行业的专家,所以他们为了这场比赛的投入和研发的成本是相当高的,可能从量级来讲是显著高于另外两家公司,那这笔钱用来干了什么呢,能够让他去定制为比赛需要的大力矩的电机,并且也能够设计一套非常精密的液冷的机构,那在比赛现场遇到一个非常明显的情况,我们在直播的视频里面也可以看到,其他公司的机身在长时间高速跑动下面,会出现电机过热,不得不休息,因为荣耀设计了一套更好的液冷机制,让整个比赛电机的温度,都能控制在一个比较低的水平,而这件事情是让他们的闪电机器人,能够在整个马拉松比赛里面 [00:08:57]
程曼祺:都保持相当高的速度和一致性,很重要的一个原因,其实荣耀德冠它有一个,我觉得是跟未来的行业走向相关的一个问题,就是也有人认为,今年对于那些,长期本体的公司来说,比较重要的一个坎,就是能不能IPO上市到一个相对资源,各方面都比较安全,和充裕的状态,如果做不到这一点的话,可能接下来一年,比如说27年,像荣耀这种资源,比较多的大型终端厂商,包括手机中端,也包括汽车这样的终端厂商,他们的机器人 [00:09:28]
程曼祺:他们的机器人,他们的本体,可能就会进入市场了,而且这些公司,在更大规模的制造,还有可靠性一致性上,都是更有经验的
陈哲 Peter:你怎么看这个想法,我觉得这次马拉松比赛,其实是证明了,一个有高端制造经验,和很强的组织能力的团队,在足够的资源和人才密度下,是可以快速地拿出,非常有竞争力的人心机身产品的,这个比较侧重于硬件那块的产品,对,但是从运控导航,等其他的能力和算法来讲的话,大成的水位也不差,至少对于单纯追求性能的,马拉松比赛而言,荣耀的能力是不差的,我觉得这个是隐含的含义是,拥有像荣耀这样,组织能力和人才能力,和资金能力的大厂,在中国还是蛮多的,像小米小鹏理想,等电动车厂商手机厂商,也已经开始,严肃地投入人心机神这场游戏,所以我认为,人心机神作为一个高端制造业,加上一个复杂算法,复杂软件系统的一个系统工程,正在从单一技术的,创意公司视角,演变成一个系统性工程,系统性作战能力的一个体系,那荣耀这次在马拉松这项比赛里面的成功,其实是向我们预示了,未来这个市场的竞争格局可能会是怎样,以及我有一个赛制的小问题,就是因为它冠军亚军季军都是荣耀的机器人,所以今年是我一个机器人厂商,可以派好多机器人出去,是的这也是我说的,荣耀相比于另外两个竞争对手,在参赛的资源上面是非常宽裕的,所以北人和语书都只派了一个,如果我没有记错的话,其他公司应该是派了两三个队伍,但是荣耀有十支队伍参赛,这没有上线的吗,这不约束一下的吗,它的比赛首先分为遥控和自主导航,然后在遥控和自主导航两个赛制里面,各有几支队伍参加,所以按照今天的赛事,因为荣耀有足够多的资源,也带了足够多的机型去参加两项比赛,所以在两项比赛里面,他们都取得了冠军 [00:11:55]
程曼祺:这次也可以站上具体的成绩的变化,因为25年那一次冠军是,天宫其实就是北人的团队嘛,当时这个半马是两个小时40分钟跑完的,然后第二名就是到松岩动力,已经和这个成绩差了很多了,是三个小时37分钟,差了一个小时,然后这一次就是在自主导航这个类别里面,冠军亚军季军荣耀的这三个机器人,成绩都是在50分钟左右 [00:12:04]
陈哲 Peter:而且咬得很紧,以及上次那两个都是遥控嘛,然后现在这个是自主导航,你怎么来评价这个进步速度,首先我认为这个进步速度是非常快的,在一年左右的时间,成绩提高了三倍多,在这么长的距离下,在多个机器人参加比赛的前提下,能实现相当高程度的可靠性和一致性,相比于去年的比赛,很多机型还非常磕磕绊绊的,到今年能够比较顺利的,完成全场的比赛,我们看到在机器人的硬件层面,控制层面,和自主导航层面都有非常快的进步,我觉得另外一点反映的意义是,如果大家严肃的去优化这个问题,我们投入相应的资源,很多问题在今天的技术架构上面是可以解的,那么可能更大的问题是,之前没有一个对人行机器人 Locomotion性能极限的要求,所以我们不会去为了,比如说像马拉松这种长达一个多小时,比拼最高速度的环境里面 [00:13:23]
程曼祺:进行整个硬件和系统优化的这种需求,但是以马拉松这种形式来说,它确实创造了一个需求,但这个需求不是个市场化的需求,这个也是大家关于这一类,比赛性质或者表演性质的,一些展示的长久的疑问
陈哲 Peter:就是它有什么用,我把它优化得特别厉害,然后呢,我认为马拉松作为一种,极限的运动性能的测试,本质上是人心机神技术的列明厂,是个benchmark可以这么说,是的,就像FA赛车从来不是为了卖车,而是不同的汽车公司展示他们最新的技术,在突破技术边界上可以做出的各种能力的突破和新技术的尝试,而这里面很多技术会逐渐的引入到量产车或者量产的产品上面,一个人行机器人想顺利的完成20多公里的半马比赛,他需要有非常好的全身运控能力,有处理应急场景和各种地面的不规则的这种障碍物,以及需要非常长时间无故障运营,同时也需要解决供电散热,以及一系列的系统层面的问题,实际上马拉松比赛是创造了一种极端的测试环境,当我们能够熟练的知道人行机器人各种能力的边界的时候,我们在量产的时候 [00:14:37]
程曼祺:其实是有大量的系统的经验,设计经验是可以利用的,那我们接下来的讨论,你说的第二个进展,就是Figure AI的直播的展示,它这也是一个展示,但是它和马拉松不一样的是,它是在一个真实的物流产线上,具体我可以先介绍一下这个直播,它是从5月13号开始的,然后是有三台Figure AI 连续直播了100多个小时,它这里的分件包裹的这个任务,具体来说就是站在流水线旁,然后包裹每来一个,你把它翻一个面,你把标签翻到正面,具体大家可以去看,我shows里贴的图,还有视频的链接,然后这100多个小时,它一共是分解了13万个包裹,差不多是三秒钟一个,而且中间它也是和真人有对比的,就有真人也在做一些类似的工作,还有一些节拍,然后这个成功率上的对比,你可以讲讲,就是你把它列到Top5里面,是为什么
陈哲 Peter:Figure这次做的包裹拣选的工作,无论是从观赏效果上,还是从实际的工业价值上,都算是一次0到1的突破,因为我们很长时间在讨论,人行机器人到底可以做什么样的工作,在什么场景下可以有效的替代人,我觉得物流的包裹分选,本身就是非常合适的一个场景,需要有一定的泛滑性和通用操作能力,而且这个工作本身是一个连续性的,长时间的,非常不适合一个人类长时间工作的一个场景,那么飞格是全世界第一个公司,把这样一个场景通过直播的方式,向全世界的大众观众得到了展示,我觉得这里面的示范意义非常明显,我看的这个直播的片段里面,其实这个机身都是没动的 [00:15:43]
程曼祺:它都是站在一个相对固定的位置,但它用的是全的人形,就是它是带双足双臂的这种,你觉得这是一种荣誉吗,其实它只需要用到它的操作能力,我们可以展开讲一下这个场景,在快递包裹的这个分解过程中 [00:16:33]
陈哲 Peter:包裹是由这种传送带快速地投递过来的,的确在绝大部分情况下,我们只需要双手的一个拿起,或者说翻面这样一个动作就可以了,这是为什么 Figure在整个环境中,是固定在这里的,在现实情况下,会有很多意外会发生,比如说这个传送带速度过快,这个物体过勤,或这个物体是一个,球形的或者滑动的物体,它有可能掉出来,它有可能掉出来,那一旦它滑动出来,或者它掉到地上,实际上我们在直播里面,是看到一两个片段,这个物体是从这个台面,滑落到地面的,那当各种这种意外情况出现的时候,其实一个真人,是知道怎么去处理这些,空人case的,那在这个直播里,他还没有做到对吧,机器人没有,目前没有做到,但是我想说明的是,这个场景,为什么需要一个人行机器人,或者说最好是一个人行机器人去做,因为当这种意外情况,真正出现的时候,其实只有人行机器人,加上我们今天的这种,具身模型,通用泛化的能力,才可能解决这种,你无法去穷尽的,常委问题,所以这也回到另外一个问题,就是有些朋友可能会关注,同样的问题,是不是四五年前就有同样的机器视觉,加工业手臂的公司,就试图把这个问题解决了,对这本来也是我想问的,其实中国邮政四五年前,就在陆续的和好多中国的机器人公司合作,就是你说的这种方案,这个具体的问题,其实之前一直没有解决,所以以前也都是弹幕,偏多是吗,没有真正工业落地,之前传统机械臂的方案,用运动控制,加深度学习图像识别,加上一个工业手臂的方法,来做这个问题,其实是很难把这个问题解决好的,我们在解决一个什么问题呢,是当一个快递包裹,被快速地运过来的时候,我们希望把这个包裹,有二维码的那一面,有调性码那一面,能够快速地被扫描,那快递包裹往往是一个软体的包裹,贴在上面的二维码,实际上是非常容易被遮挡,或者是有各种形变的,如果是一个人来操作这个事情,它会用双手来进行零小操作,他会把二维码翻面展平,这两个动作,在四五年前技术战下面,基本上是无解的,那他可能对你末端夹具的,林潮精巧程度要求也挺高,对,这是为什么我们看到,不管是figure 还是新动机员的展示里面,都用到了一个林潮手,这个动作就像我说的,可能用传统的四五年前,想要解决这个问题的公司,基本上还是在用吸盘,甚至都没有用夹爪,因为吸盘在当时的技术战下,是一个更通用的解决方案,但实际上你基本上没有见过,吸盘方案是两手操作的,它只能进行简单的Pick and Place [00:18:34]
程曼祺:那它这个是不是也有一些,就场景难度的区别,比如说在有一些物流上,它的包裹可能标准化更强,当然,以及它柔性包裹比较少,它都是一些刚性的什么纸盒子之类的 [00:19:24]
陈哲 Peter:当然,包括像我之前投资的海柔,包括像已经上市的极致家,这些在仓促物流自动化领域的机器人公司,实际上都是在解决一些,标准化的物流场景,但实际上为什么到今天,物流也是一个人性机器人,非常大的非常有价值的场景,是因为在这些标准化的包裹
陈哲 Peter:是因为在这些标准化的包裹,标准化的纸箱之外,还有大量非标的包裹
程曼祺:和拣选的需求没有得到解决,比如说像电商仓,我觉得就是一个比较典型的场景,因为有些电商仓,它的商品的类型是非常多样的,对,然后它柔性也比较强 [00:20:05]
陈哲 Peter:有捡货的需求,有打包的需求,也有像快递这种分捡的需求,其实Figure和行动机员,选择这个场景是非常聪明的,因为它真的是一个老的技术战,和非人形,就是非双臂加零敲手的方案,很难流畅解决的一个问题,就像我们之前看Pi和Dyna 做一些叠衣服的demo的场景下,其实deformable材料的操作,是非常适合今天的具身模型去解决的问题 Deformable的意思是,就是可以形变的,可以变形的材料,比如说一些软体,比如说一些纺织物,比如说一些塑料袋,因为你没法用一个简单的固体模型,去建模它的空间几何和操作的操作点,实际上它就必须需要有一个,有一定泛化能力,有一定理解能力的模型,适应性能力的模型,去做这种灵巧的操作,那回到Figure AI这一次的直播 [00:21:11]
程曼祺:有一个争议是在直播中,它出现了一些片段,是这个人性机器人,有一些浮头的动作,然后又会有人说,这是不是摇操的,而Figure AI官方是说
陈哲 Peter:这个直播用的是,他们Helix02这个模型,自主完成,我觉得摇操根本不是,这个问题的争议点,因为我相信,所有的人性机器人,在真正进入这种部署场景之前,都有长时间的摇操作,来收集数据,和纠正动作的一个过程,哪怕这里面有相当的时间,有一部分时间,是需要人类介入人类干预,我觉得也不能
程曼祺:削弱这件事情本身的意义,而且你说到这个,我想到一个事儿,就是有可能在未来,它真的进入,工业长期部署的状态之下,也会有点类似于,自动驾驶的一种什么情况了,就是我后台可能有一个真人
陈哲 Peter:在管着比如说数台,这种机器人,因为它中间可能会出现一些情况,是需要人去接管,当然远程接管,对于Robotaxi系统来说,已经是一个市场上的norm 我们在看vimo 和国内其他的Robotaxi公司的时候,我们都会去衡量它的,接管效率,一个人可以盯多少台,对吧,对我认为同样的事情 [00:22:10]
程曼祺:对于一个全自主运营的人心机器来说,一定也会是这样,但这又涉及到一个问题,我觉得你在工业和物流场景,生产场景,你可以有一个人在后台盯着,如果你要真的进家庭场景
陈哲 Peter:还有一个隐私的问题,对吧,那是不是对这个机器人的,全自主能力要求又更高,你可以这么说,这也是为什么,人性机器人真正进入家庭场景的难度,从隐私的角度,从数据分布的角度,都会比单纯的工业场景更大,这是为什么,我认为Figure找到的,物流分选的场景,实际上是一个非常好的场景,我们如果看历史上真正成功的B2B机器人,基本上他们都在这种有大规模的部署量,有足够高的吞吐率,以及有比较一致性的作业的环境和作业的需求,那么之前刚才提到极致家像海螺,像Kiva System 这些非常成功的2B的机器人,其实都是在倡主自动化领域,我们也看到了一些人行机器人公司,想要在一些工业场景里面,做一些落地跟示范,如果你仔细去看那些场景的话呢,你会去发现,有些在工业场景落地的人形机器人,实际上是在做一些专用机器人,专用机械臂已经可以做的事情,本质上就是一些非常精准的上下料,和工具的定位操作的过程,但是对于Figure展示的这个场景,我认为在之前的机器视觉,加工业臂时代并没有得到很好的解决,之前去年和今年,宇树还有一些其他机器人公司,两次上春晚,是让中国大众对人性机器人 [00:23:43]
程曼祺:有了一个比较多的认知,然后也掀起一个热潮,你觉得Figure AI这次直播,海外出圈吗,它有一个像大众普及的这种作用吗,我觉得在推特上面的反响,还是蛮高的 [00:24:15]
陈哲 Peter:同时期发生的那几天前,在美国的达人秀上,也出现了一个很有意思的表演,是一个来自四川成都的舞者,吴雨飞和八台语书的激旺机器人,进行一段现场的舞蹈表演,也获得评委跟观众热烈的响应,和全票晋级的待遇,那这个视频出来过后呢,也掀起了全网非常热烈的讨论,实际上它跟飞客的展示一样,都是让美国的普通百姓,通过一种非常直观的方式,看到了人形机器人,怎么开始进入工业和商业的这种场景,之前可能很多人在YouTube上面,在Twitter上面,是看到过中国春晚的极限表演,还有很多人怀疑,说这是不是AI生成的,这是不是录制了很多遍的
程曼祺:而不是现场直播的,然后就是我们说回国内,因为刚才也提到,就是说新动机员,其实也有在物流上的一些,新的合作的宣布,是和中国邮政,其实他们去年11月,他们就发过邮政包裹分件的demo [00:25:21]
陈哲 Peter:你觉得像国内的这种进展,它目前离真的落地,大概是一个什么样的距离,我觉得从技术成熟度来讲,已经到了相当成熟的一个阶段,我获得信息是,心动机员在快递分选这个场景里面,不光是在中国邮政,也在顺丰,也做了长时间的测试跟训练,他们已经能够实现,人性机器人的全自组的,这个分包翻面扫描,等一系列这样的工序,这也是我觉得,中国公司在人型机器人,在物流工业场景的落地的实际进展,完全并不亚于美国公司的一个很好的体现,像这种场景,它一旦放出来之后
程曼祺:我指场地方有这种需求的时候,是不是会有很多公司去试,就除了行动机缘,我们已经看到它自己宣布了的合作之外,你知道还有什么公司,在物流上投入会比较多的吗 [00:26:16]
陈哲 Peter:具体有哪些公司会选择这个场景,我不确定,但是我能知道的,这是一个好的PMF 这是一个适合双臂人形机器人,适合一个有一定泛化,和智能能力的巨神模型,去做的一个场景,以及也需要林长寿的一个配合,所以拥有这几个综合能力的团队,一定是不少的,像你以前投过的海柔 XYZ这些更早成立的公司,他们在物流这个场景,其实是深耕比较久的,你觉得他们可以往这个方向去拓展吗,当然我觉得是可以的,这其实也回到了2B科技公司一个很底层的问题,其实有很少的技术本身是具有垄断性,那更关键的是你的产品或者系统,要嵌入一个更大的运营体系里面,比如说在这个情况是快递,或者说是仓库的物流自动化,那你在里面有哪些跟行业相关的认知经验,以及跟客户系统的这种呕吼,我觉得都会变成 2B的技术公司,非常重要的门槛跟壁垒,所以我认为在上个范式里面,已经取得一定成功的 2B机器人公司,都有机会把人形机器人,和具身智能大脑,这些能力跟技术,应用到一些,还未被解决的场景当中,上一批公司现在有一个劣势,是不是融资上还是会差一些,因为他们好像没有什么新的,那么强的噱头去融资,但是他们有很多收入,是已经有一定体量,上一波的2B机器人公司,基本上都已经进入 IPO或者Pre-IPO的阶段,虽然他们在一级市场,讲具身的概念,可能大家觉得他是家老公司,但实际上当他真正IPO过后,他可以获得的资源和能力,有可能是远远大于,今天在一级市场的公司的,比如说像之前做,松坦机器人的普渡,他们现在已经是商业清洁里面,非常头部立家公司,那么包括像骑士家像海柔,他们在倡主自动化里面,把一些可以被自动化解决的场景,都已经通过他们的移动机器人得到解决了,那么在仓库里面,我们还是有大量的员工的,我们在物业里面,也还是有大量的清洁工,有大量的物业人员的,那么对于那些,今天的简单自动化,还没有覆盖的场景,其实对于这些 [00:28:14]
程曼祺:2B的机器人公司来说,都是一个很好的延展,然后关于整个人型的进展,我们上一次还聊了一个细分的趋势,就是把Locomotion 就是运动控制能力和Multiple Nation 精细操作结合起来,就是全身的运动控制,其实前面也讲到,就是比如说包裹分解这个任务,在一些Core Case的情况下,就是需要全身的控制能力,我自己观察到一个变化,就是我发现有公司,新的公司,它专门就是做这个新成立的
陈哲 Peter:比如说李洪洋老师做的这个原测未来,对,我觉得整个具身市场,过去两三年的确主要是在关注操作智能的问题,之前我们说到机器人的locomotion能力,就是它的运动能力的时候,我们可能自然的觉得它是一个小脑的能力,它跟我们在解决,比如说大脑的这种认知决策和操作的能力,是没有直接关系的,但是随着locomanipulation技术的逐渐成熟,我们现在发现,我们是有机会,用一个更一统的架构,来同时训练,你的移动跟操作能力,那么在这个前提下面,那些真正拥有 [00:29:17]
陈哲 Peter:那些真正拥有,很强的运动控制能力的,团队的价值,就会得到放大,那这个季度,我们不光看到了很多,新的创业公司的出现,我也看到了,在数据采集方面,一个明显的趋势,就是有越来越多的公司,在收集全身运控的数据,全身运行的数据,你可以把之前,比如大家在采什么数据讲,就比如和之前的区别是什么,我可以讲一下,素材的这个范式的这个演进,因为我们知道巨神智能,整体的瓶颈,其实就是在数据,那么每个周期,模型范式的迭代,其实就是数据范式的变化,我们通过看,素材公司在做什么,我们也可以提前预判,这个行业未来会朝哪里走,那么回到两年前,当时最火的方向是 Aloha这个方向,本质上是一种,针击摇操做素材的方式 aloha是一个轻型的臂,可以这么说吗,对,针击摇操轻型的双臂做采集,其实经典的aloha方案,其实是涉及四个机械臂,由人去操作两个机械臂,去影响直接控制另外两个机械臂,因为人是直接操作那两个机械臂的,所以它构型是完全一样,它是同构的,我们在遥控的手臂上,做的所有的动作,可以被另外一个手臂所克拢复制,所以这是大约两年前的,素材的主要的方案,这个方案就是当时在斯坦福的,那个Sander Bartels的另一个连场 Tony Zhao提的什么,对 Tony跟子鹏在23年发VLA的工作,然后到了去年左右,出现了这个Wumi的方案,就是迟呈他们做的这个,用人去手持一个两指的夹爪,然后是一种无本体数据采集的方案,所以它的好处就是它成本更低,对它不需要真机,实际上一个素材的人员拿着两个夹爪,就可以在很多真实场景里面进行素材,然后到了去年底的时候,大家也开始引入Ego Centric 第一视角的一个视频,往往他会带一个头环,或者是一个头戴摄像头,然后去收集很多第一视角的操作视频,这个方案最主要的好处是,它的多样性是暴涨的,它可以被应用在非常广泛的场景里面去进行素材,而且对人去操作一些任务来说,有尽量少的干扰 Ego Centric这个方案,它需要配合手套,还是不一定要配合手套,不一定需要配合手套,它核心的特点是,第一视角视频,那么在这个基础上,我可以是Ego Centric的视频,加上两个5米的夹爪,也可以是Ego Centric的视频,加上素材的零敲手的手套,也可以是空手,所以它的量和多样性都会多很多,是的,可能到了去年年底的时候,随着英伟达的这个 Sonic全身动捕的这个工作的出现,我们看到越来越多团队,有办法去通过动捕的方式,去给人形机器人,做大范围的数据采集,然后也可以把人的各种动作啊,舞蹈啊,更快的迁移到人形机器身上,这也是为什么,我们到了今年看到了更多的,想要做全身动捕,以及从全身动捕的基础上,开始去做local manipulation 工作的这个尝试 [00:32:40]
程曼祺:因为大家做的这个,全身动物的方案 Sonic它和以前,我们有时候看一些,电影纪录片里面,会展示特效的动物,就在人身上打很多点,那个区别是什么,本质上是,你有一些大概的骨骼点 [00:33:15]
陈哲 Peter:然后你可能是有外部的camera 你要把这些骨骼点,映射到一个人心精神上,就是你怎么做retarget 就Sonic它这个开源的,一个技术站码,因为它做的特别好,又很简单,所以大家就可以,很快地迁移上去,然后这里面很大的原因,也是因为语数做好了,语数做好不光是硬件做好,是开源的市场里面,有很多人围绕着语数的激旺,去做了它相应的参数的这种优化,所以当我们捕捉到一个,人的运动谷歌信息的时候,这个人的运动信息,可以很快的迁移到语数激旺上面,所以算法上是和英伟达的
程曼祺:Solid开源的成果相关,然后硬件上是语数的,硬件本体本身更成熟了,进行大家更多的,能做一些全身运动控制的探索,对,或者我们从研究员的角度 [00:34:07]
陈哲 Peter:他们一定是想去做一些,更新更有探索性的,更终极的方案的,这是为什么我们不光看到了,很多以Local Manipulation为目的的,全身素材,全身动物的这种方案,我们也看到了很多公司,开始去想办法去采集,零敲手的数据,无论是通过手套,外骨骼,还是用其他的一些方法,本质上我们今天开始采集的数据,可能就会转换成三个月六个月以后
程曼祺:模型方面的一些突破,那正好进入第三个主题,就是灵巧手和灵巧操作,因为你刚刚也去维也纳参加了ICRA ICRA就是ICRA 是国际机器人与自动化大会,这次5G也是在ICRA上有比较多的展示,你可以讲一讲第二季度灵巧手有哪些变化,包括在ICRA上得到的一些最新的反馈和讨论是什么,我觉得这次ICRA的会议
陈哲 Peter:有非常多中国的厂商去参展,尤其是在灵巧手的领域,那么以5G为代表,他们发布了新的一代的,直驱灵巧手,那么也有一些其他的公司,像西诺像零节点,也发布了他们新一代的,高自由度灵巧手的产品,获得全场很多关注,零星巧手和虾帕也去了是吗,虾帕没有发布新的灵巧手产品,零星巧手是去了的 [00:35:11]
程曼祺:星动纪元有在ICRA上发手吗,有心动机缘的高自由度的灵巧手也发了,对在这种做本体和智能都做的公司里,他们是自己做灵巧手,对,他们那个邮政的合作也是用了自己的灵巧手
陈哲 Peter:他们那个是叫X-Hand 对应该是一个中自由度的手,但是他们在一块上面发的是 21自由度的旗舰的这个高自由度的手,对实际上在一块发布灵巧手的公司是蛮多的,那我认为在所有公司里面 5G发布的二代手是显著获得了更多的关注跟认可,其实今年一块的情况跟25年很像 25年一块给大家留下最大的印象,就是Shadow发布了它的高自由度灵巧手,那么这一届一块可能对大家来说,留下最深的印象是5G的二代手,可以讲一下5G二代手的一些基本情况吗,比如说上次节目我们聊到
程曼祺:Shadow的手是22个自由度,是5万美元左右的售价,然后当时很多全球前沿的,具身相关研究室,是在用或者说在等他们的手呢,对 5G的这个二代手 [00:36:30]
陈哲 Peter:也是20个自由度 20个自由度,对,有些灵巧手,它可能标称有比较高的自由度,但实际上它有些自由度里面,并没有这个动力,那是靠别的关节,带动那个关节是吗,对,一般我们说灵巧手的自由度里面,会分为主动自由度跟被动自由度,那有些可能是属于被动自由度,比如说它可能有更高的自由度,但实际上那个自由度并不能主动的控制,它会被别的关节牵扯的时候会拿过去,所以其实对于高自由度灵巧手,在20个自由度左右,基本上可以实现我们人类掌内需要的各种操作,它也是一个工程上的tradeoff 本质上全自由度灵巧手取决于你的技术方案,是直驱还是神驱,你的工程实现的难度可能不一样,对全自由度的直驱灵巧手而言,基本上就是在每一个自由度上面,都有一个奠基,因为你说这次一块上5G的时候,大家比较关注,它是展示了一些什么能力,获得了关注,其实5G跟沙发,可能是在全球市场上,做直驱高自由度领导手,最领先的两家公司,那么他们去年发布的一代手,在市场上也取得很好的反响,但是有非常多的工程问题,没有得到解决,比如说有比较严重的散热问题,以及它的一代手当时的结构,是没有反驱的能力,也就是说,关节不能很自由的,反向的这种摆动,导致的问题,就是在一些,强冲击的环境上面,它是容易损坏的,以及它关节,对于力的响应和控制,不会那么灵敏,那么这次发布的二代手,在没有增加重量的技术上,实现了更好的反驱性能,也大大的改善了,散热的问题,所以我发现在现场,他们的展台,会有非常多的观众,会自己上手去尝试,去感受这个手的这个灵巧性和反曲性,那这一点其实对于很多研究人员来说,是非常有优势的,有性,对,而且如果你把五极的手,跟下巴的手side by side一举看的话,你会发现五极的手大概只有下巴,可能一半的体积的样子,所以从模拟一个真人手掌的大小而言,五极的优势是非常明显的,我觉得基本上高自由度手,除了五极跟西诺,就是神曲混合方案的手之外,我觉得在高自由度手上面,体积都比一个成年人的手,可能大1.5倍到2倍左右,那这带来的问题,其实是非常多的,它意味着,很多你在人手上面,可以完成的操作,如果你通过人去学习这个策略,你是没有办法在一个体积 [00:38:31]
程曼祺:比较肥大的手上面去实现的,他们这次有展示什么,比较炫技的功能吗,研究人员去看这个东西,他怎么看到门道了,他怎么看到,是否是我需要的东西,主要是看这个手的体积,灵活度 [00:39:16]
陈哲 Peter:反驱性,和它的这个机械性能,其实就跟我们看宇树的,这个机器人的特点一样,就是大家实际需要一个好的硬件载体,这样他们可以在这个硬件载体上面,可以完成非常多的控制的这个工作
程曼祺:那我觉得也跟这两个公司定位,有一些差异有关,其实我们上次讨论过,就是李一帆他们重新来做,沙盘这个公司,长期来说,他有一个更大的目标,应该是想做通用的聚酰智能,从手来切入,所以他们可能自己软件算法,这方面做的也比较多
程曼祺:这方面做的也比较多,包括他们也提了一个三层模型的架构,所以他会去展示,比如说我组装一个风车,或者我两个手削苹果这种动作,然后5G 它是不是更类似于你上次提到的,你觉得灵巧手里面有一个,语数7万这样的机会和生态位,就是说我成为大量前沿研究的一种基础设施,对我觉得为什么这次一块 5G的时候获得了比较积极的反响
陈哲 Peter:也是因为它主要是一个学术会议,这是过去一两年,我跟很多海外的研究人员,获得的一个认知,就是大家在完成了,以甲爪为核心的,这种VLA的研究过后,其实大家发现,硬件的限制,导致很多更复杂的任务,是无法完成的,零上手并不是一个新的领域,可能在全世界,已经发展了三四十年的时间,但是直到今天,也没有一些特别成熟,或者特别便宜的硬件方案,让全世界的研究员,可以在这个技术上,做快速的研究跟思索,我觉得5G今天的公司定位,是比较像语述的,是专注于把一个低成本,高可靠性,稳定的一个硬件设备,做到足够的可靠耐用,然后让大家可以在这个技术上,去做大量的研究和实验,这也是为什么,在过去一两个月,我们看到非常多,无论是美国的,还是中国的创业公司,他们都发布了基于5G灵巧手的,零巧操作的这种模型,或者工作的进展,现在高自由度灵巧手,整个全球的市场规模是怎样,我们首先来解释一下,灵巧手今天的市场格局,它分为低自由度手和高自由度手,低自由度的手,无论是第三方公司,像零星巧手,或者是强脑中公司生产的,还是像智源,等其他公司自产的,这个低自由度手的,今天市场规模,一年大概有小几万只,跟人性基层的数量,基本上是成正比的,你知道这个市场目前来说,卖的最多的是谁吗,我觉得零星巧手应该是大的,但是之前还有家英时,英时就是做连杆的,那个量也大,因为那个可能最早做残疾人,这个市场都做,在低自由度灵巧手的市场上面,其实是有蛮多,已经有相当出货量的公司的,包括像英时零星巧手,强脑奥义等一系列的中国的公司,也包括智源裁分的临界点,低自由度灵巧手,今天很大的场景,实际上是配合着人影机型的销售,无论是表演的场景,还是一些简单的这种抓取 Pick and Place这种场景,这是一块市场,那么在高自由度零敲手里面,以沙帕和5G这种公司为代表,主要就是面向全球的零敲手操作的科研市场,那么这个市场的目前的出货量还是比较小的,因为实际上可能在去年沙帕真正量产之前,在市场上几乎可以说,没有能够买得到的量产的高质度灵巧手,虽然高质度灵巧手,今天出货量还比较小,头部在几千只的水平,但因为技术含量高,对算法和数据都有影响力,也是大家竞争的焦点 [00:42:14]
程曼祺:那刚才说是灵巧手这块的一些进展,然后在零巧操作的模型上,有一些什么进展,就是更偏软件或者说系统的那一部分,在今年5月份的时候 Genesis是发布了 [00:43:02]
陈哲 Peter:他们用定制的五指手,做了零巧操作的模型,你可以稍微说一下这个公司,因为之前没有聊到过Genesis Genesis是24年成立,然后一开始是在做,机器人的这种仿真环境方面的工作,在一年多以前,开始专注到了林桥操作,和机器人权占系统开发的定位上,我认为他们5月份发布这个工作,代表了目前市场上,使用高速度林桥手,进行这种操作的一个,缩大的一个表现,他们公开说,采集了大概20万小时的数据,我相信应该有相当一部分是这种Ego Sentry数据,那也有一些应该是通过摇操作,或者说这种素材手套的方式,获得的灵巧手操作这种真机数据,其实通过他们demo我们可以看到,他们用5G的这个灵巧手,其实是实现了一些非常灵巧的一些操作,比如说旋转模方,包括处理一些食物,烹饪,包括弹钢琴,等一系列相对灵巧型的这种操作,他们展示的做菜的那个能力,它这个步骤还挺长的,有20个步骤,一个完整的菜,备菜然后烹饪,你觉得这是一种什么思路,我觉得灵巧手操作的模型,今天还在一个,行业比较早期的阶段,今天的很多灵巧手的操作,其实比较像两年前,我们用阿罗哈,进行这种蒸鸡,摇操的这种类比,什么意思呢,如果我们有比较高质量的,人类完成某一个任务的,这种数据,无论是通过动物的手套,外骨骼,还是用其他的一些方式,那么当我们采集了足够的数据量的时候,我们是有很高的执行度和可靠性,把这个动作得到重现,就是我们所谓的behavior cloning 行为clone 因为之前市场上完全没有高自由度灵巧手的供给,所以今天很多进行模型研究的公司,还在属于比较初级的,获得真机数据的这样一个阶段,那么可能之后随着,无论是Ego Centric的Video技术的提升,或者是一些更轻便的,类似于UMI的方法,可以让用户更快捷的,采集一个高保证度的,手部操作的数据,那么那个时候,我们有可能会训练出一些,更加泛滑和更加通用的,零教授操作模型,那么今天我看到像Genesis 或者说很多其他的,做零教授操作的公司,我觉得今天的技术范式,还比较像两年前,我们做Aloha 进行一些behavior cloning 就是克隆人的行为,所以他有可能换一个任务,甚至我环境变得稍微多一点,也许成功率就会有,比较明显的变化,很有可能的,如果我们拿generalist 这种在夹爪操作上面,已经做到比较通用,比较泛化的公司来做对比,我认为generalist 已经找到了一个,采集几十万小时,无本体数据的方法,通过污名这种方法,我认为在高自由度零敲手操作上面,目前市场上还没有特别清晰的方法,如何获得足够高保证的数据,来驱动一个零敲手操作,那么这里面是不是存退的 Ego-centric Video-only就可以解决,还是说我们像当年的激光跳舞一样,我们用一个非常好的仿真 ESAC-SIM去解决,或者是我们有些非常好的动谱的设备,无论是手套,机电手环,还是别的一些,外置的外谷格设备,我觉得这点,还没有特别清晰的共识,但是我们知道的是,只有当数据的问题,得到充分的解决,和释放的时候,我们才有可能训练出,一个非常泛化,和通用的林巧手操作模型,而行业的趋势,是快速的推动,朝这个方向去发展的 OK 那我接下来这个问题,就是沿着你刚刚说的这个点,就是这个林巧手的 [00:46:49]
程曼祺:数据的收集的问题,因为数据是AI进展的三要素之一,那做一个这么重要的资产,你觉得它最后数据会在哪儿,会在第三方公司这吗,有很多做手的公司,可能是第三方的公司,就相对于我直接做一个,完整的人形机器人本体的公司,其实这个问题,它还可以等价于一个问题,就是林巧操作这个能力,最后是什么样的公司,能更快更好地做出来,是比如说我直接就再做,林巧手这个硬件的公司,我能软硬一体,结合迭代的动快,还是我本身做一个,整个巨神大脑,或者巨神大脑,小老融合的这么一个,统一的模型的公司,其实你第一个问题,问的是数据会是谁提供,对吧,第二个是这个智能是谁提供,对因为数据可能跟智能,就很相关了,它连着的,或者你可以反推,对有的公司来说,如果智能是它的必争之地的话,那它那个数据,肯定它就得自己掌握,我们观察到一个现象 [00:47:07]
陈哲 Peter:就是在真机摇操的,阿罗哈时代,和污秘的这种,无本体素材时代,其实已经诞生了,非常多的数据采集公司,他们开始服务,各种巨神智能的大厂,或者是创业公司,比如说简智,就是个单独的公司,对,比如说美国有类似的一些,这样的公司,中国有些,还有光伦也是,对,以5米为例,其实它对于执行器硬件的依赖,或者说限制是比较低的,因为本质上是一个,比较简单的平行夹爪,但是对于高速度零销售的数据而言,如果你不控制,这个手的本身的,这个结构跟设计,你作为一家第三方公司,进行输采的时候,可能就会非常受限于,你具体想要,映射的本体的,这个形态跟结构,因为很多在自由度,在关节上面的特征,它并不是非常容易,transfer 或者说非常容易 retarget的,就是说如果我作为一个,第三方的数据采集公司,我服务了ABC三个客户,可能我就不能用一套方案,一套数据去给这三个人,我要给这三个分别,有一些定制的东西,我觉得主要是因为今天,灵巧手的硬件结构,还没有完全收敛,你作为数据公司,你想要采集灵巧手相关的数据,那最简单的问题,就是你按照哪一个手的构型,哪一个手的自由度去采集数据,比如像我们刚才说的,有些公司可能是22个自由度,有些是20个自由度,有些公司21个自由度,就意味着他们在每一个手指上面,自由度的设计和结构,都是不一样的,所以其实,因为我刚才说数据在哪,我想的是两种可能,就是要么是林巧手的公司,有可能自己做 [00:48:54]
程曼祺:又有一种可能是本体厂商,他把林巧手的硬件也自研了,然后他也自己去采这个数,你现在其实说的是第三种可能,就是有一种,专门就是做数据采集的公司,可能手他也不自己在造,对吧,他也可能来自于客户,来自于数据需求方 [00:49:41]
陈哲 Peter:或者来自于他自己去采买一些设备,你说的是这种可能,你觉得这比较难存在
陈哲 Peter:你觉得这比较难存在,不确定,因为数据服务商,这个生态位是存在的,在LAM时代,在大元末兴时代,是有独立的数据服务公司的,对巨仙目前也有,但是未来如果,大量的是灵巧手操作的数据,是不是也会依然存在,或者是说,是不是他们也需要,跟灵巧手公司建立,非常深入的偶合,或者是绑定,可能就很难一概而论
程曼祺:那在我说的那两种,可能你更倾向那种,可能会发生了,就是说是本体厂商,有动力来自研手,然后也获得他的数据,还是说,这个手的公司,它慢慢从手切入,它可以做更多 [00:50:22]
陈哲 Peter:就除了硬件之外,它也有更多数据软件的东西,我觉得这边逻辑是这样子的,跟零敲手相关的数据,其实受零敲手本身的结构构型,电机的选型,和传感器的选型,依赖度非常高,所以这些数据,目前看来是高度依赖零敲手本身的,也就是说,如果你是零敲手的厂商,那么你自己去设计一套,数据采集的这种设备和标准,是很make sense的,第三个公司,其实很难把这个事情,直接做好,那可能更关键的是,长期来看,零敲手公司和,人形的本体公司之间的关系,会是什么样子,或者就叫人形公司吧,因为那些人,可能也会做大脑对吧,就是大脑和本体,一起做的那种公司,对,就目前看来,人形公司大概率,最终会是个全站的公司,对全站人形公司,如果它是全站的公司的话,大概率,本体大脑跟零敲手,他们都想自己做,那核心的挑战就是说,是不是还拥有一个广泛的,非常大的第三方零教授厂商的一个位置,我觉得这个可能是更关键问题,如果这个位置存在,那么很可能大量的数据,是由这些独立的零教授公司去提供的,如果这个位置不存在,这些数据就应该由人行本地厂商去提供,我刚才本来想找一个以前的类比,然后我发现零教授还挺难找类比的,它既是传感器又是个执行器,而且它对于数据的形态跟标准,要求还是蛮高的,我举个例子,如果我们看激光雷达的情况,实际上很多厂商的算法,是并不依赖于具体的激光雷达的型号的,或者说配置的,或者说不同激光雷达采集的点云数据,都能够通过一个管线,被训练到一个更大的模型里面去,所以我们看到激光雷达公司,并没有在数据上面有很高的话语权,但是在零销手上面,我觉得不太一样的一个地方就是,它的数据维度和数据的格式,其实跟它的硬件设计,和方案设计是有很大的关系的,而今天市场上也没有特别成熟的方案,然后我们也知道,零敲手的工程复杂度是非常高的,马斯克也一直在说,零敲手可能占了他们整个公司 50%的工程的投入,老子的问题就是,很多公司其实并没有能力,真正做出一个Sorta的零敲手,在他们的本体上面,如果这个情况发生的话,那是不是一个第三方的公司,实际上是有一个更好的位置,可以采集更多的数据,然后服务更多的本地厂商,我们如果用支架来做比较的话,除了像魏小李,特斯拉这样的头部公司,有全站能力,那还是有大量的公司,会去采购英伟达,或者地平线的方案,那英伟达和地平线,他们也会提供自己,一套完整的自动驾驶方案,也涉及到数据的清洗,采集标注训练,所以我们在讨论,可能长期来看,林教授跟人性本体的关系,可能会是一个长期博弈,长期共存的一个关系,然后关于林教授,还有一个话题,也是上次就讨论到,我觉得以后也会持续出现,就是神区和直区的,这种不同方案的选择 [00:53:16]
程曼祺:你也提到在ICRA上,还有一家中国公司,就是西洛未来,他们就是做混合方案的,然后Optimus QR 其实也有一个进展,就是Optimus第三代,正三他们也陆续披露了一些,技术上的细节,就包括它手部,是一个22自由度的灵巧手,然后它依然,还是用了神驱的方案,对这次一块,另外一个比较重要的发布,就是新罗未来的
陈哲 Peter:这个Flex2的,混合方案的灵巧手,新罗未来这家公司,是什么背景,新罗未来是一个,拥有自研的这个,电钢和机器人关节,核心零部件的,另一家公司,然后呢,他们在这个技术上,也做出了,他们的两代的,这个灵巧手方案,尤其是在今年一块发布的,是一款非常创新的,混合驱动方案的高自主灵巧手,它的混合方案体现在,大量需要重载的能力,它的重载的能力,是通过在前臂里面的电机,通过神锯的方式实现的,重载就是什么握吗,抓握的这种能力,就比较大的这个力量,因为电机可以放在前臂,空间会更大一些,那么它们在掌心内,也有这种微型的电机,可以提供指节上面的,比较灵巧的操作能力,所以指节上是直驱的,对,所以它叫自己是一种混合方案,是一种神区加直驱的一种方案,那所以别的厂商展示,是从万部开始展示的,那它的产品是从小臂者开始展示的,对,所以这种方案从原理上讲的,是有可能拥有神区和直驱的,两重的优势的,那原理上也拥有两重劣势,是吗,我觉得可能这个涉及到,神区的一个更大的问题,就是神区的本身的劣势在什么地方,为什么到今天我们也没有看到,广泛的高速度的灵巧手,以神区这种方法进行真正的出货,我觉得西诺的这个混合方案呢,在试图解决纯神区方案,面临的一些问题,就是纯神区方案,为了实现高自由度,它可能需要非常多的这个建设,穿过一个很狭小的万步的空间,才能够实现充分的自由度,其实它的组装跟维修,都是非常头疼的问题,那么通过一个混合方案,你可以把部分的这个健身,换成掌心内的电机,这样你只需要更少的这个健身,通过这个腕部的空间,而有一些自由度,是在掌心内的电机去实现的,那它的双重优势就是,它的比如说抓握的力量是更大了,然后同时它又没有之前那么复杂,就混合了直去之后,对,因为你的电机是可以放在前臂这个位置,就有些更大的电机,就没有更多的体积,跟散热的限制过后,你可以放到前臂这个位置,我们如果去思考,人手的真实的结构,我们手的这个抓握力,大量的是由,我们的前臂肌肉实现的,但是我们在掌心,也有些小的肌肉,去可以控制一些细微的动作,你说到这个,我还想到一个公司,就是那个Aregion Flow 对就做积电的一家公司 [00:55:54]
程曼祺:对他们那个积电的数据采集,就是做的一个臂环手环,它是套在你的手上的,然后它通过积电信号的方式,采集到一些你手部操作的数据,对其实用机电来控制零敲手 [00:56:39]
陈哲 Peter:或者说用机电来捕捉人手的数据,并不是一个新的想法,十几年前在加拿大花铁卢,就有一家公司,推出了一个产品 Mile手环,就是专门做机电控制,包括像杭州的强脑,他们也有一些机电控制,低自由度零敲手的这种尝试,所以这个并不是一个新的技术,为什么最近大家,对这个问题更加的关注,是因为随着算法的进步,我们对于采集大量的数据,进行数据训练,合作fitting的能力,是有了显著的提升,所以大家会非常好奇,通过新的积电的方法,能不能也比较好的,比较高精准的去还原,手上每个关节的位置跟操作,以及对力的反应,可以说就是混合方案的情况
程曼祺:他如果是整个带一个钱币的话,他和他的下游厂商,就那做整个全站的人形机器人的公司,他的合作方式是怎样,我觉得对于绝大部分 [00:57:42]
陈哲 Peter:需要涉及到钱币神区的方案,因为在一块上面,也有一家公司原生科技,他们的神区方案是不带钱币的,他们把所有的神区的方案,做到了手帐里面,当然这是另外一个话题,所有需要做带钱币的神区方案,最大的问题,就是你需要跟本地厂商,有更深入的偶合跟集成,它不能像一个,比较标准的,首长的一个产品,比较快的可以切换,比如说你看,语书或者智源,他们的人力集成,是不带那个首长的,所以你是可以快速的切换到,其他一些公司的,这个灵巧手产品,但是对于一个,需要钱币集成的,一个灵巧手公司来讲的话,商业上讲,可能更需要跟本地厂商,做更深入的这个集成跟定制,这也是为什么,我们看到了西龙未来,在过去一段时间,也拿到了国内非常多,大厂站头的投资,实际上也是因为,基本上所有的大厂,在做人形机器人研究的时候,零销售上面都采用了,类似特斯拉的神区方案,我看李小金东投资过它,我其实跟国内很多,大厂的研究人员聊过,其实对中国所有的大厂而言,选择follow特斯拉的神区路线,是一个比较直接的选择,因为本身他们对本体会有一个控制,同时因为特斯拉还在做这个方向,所以让大家去选择一个不同的方向,其实对于很多工程师来说,也是一个巨大的风险,不愿意承担,你是因为他们是大公司是吗,因为有向上汇报的压力,所以具体的负责人就不想承担这个风险,你可以这么说,就是万一特斯拉是对的,你要去试一个新的方向,那谁来承担这个错误的责任呢,其实上一次聊,你是自己是更看好,只是去这个方向的,但是你现在从大公司的一些动作,和他们的投资来看,好像很多大厂是在继续做神区这个方向,我觉得对于一个独立的零销售公司来讲的话,我觉得做全职区方案,做成一个不依靠钱币,可能是唯一或者更好的路线,因为如果你是一个,需要深入定制钱币的方案,大概率你会变成大厂的一个定制公司 [00:59:42]
陈哲 Peter:大概率你会变成大厂的一个定制公司,你很难独立做成一家标准化的产品公司,你说到这个我又想到一个点,那如果说这个公司,它在美国的一个生态里
程曼祺:先不考虑美国制造业行不行的问题,它如果是一个美国的公司,它在一个和大厂深度合作的位置上,其实它也有一个退出路径,就是它可能会被大公司收购,不过我不知道这个在国内好不好发生,其实之前制价的时候 [01:00:08]
陈哲 Peter:倒是有一些公司是被大公司收购,但是收购价格都不是很好,对就是说它是不是一个价格合适的退出,对就可能是个问题,对你到底是因为经营不下去了被收购,还是因为你发展的非常好被收购
程曼祺:我觉得这个差别还是非常大的,所以这个季度的这些灵巧手的进展之后,你对神区和直区的偏好还是没有变化的,你还是觉得直区是一个目前来看,潜力更大的方向
陈哲 Peter:我觉得这个判断应该是有所加强,因为实际上我们看现在灵巧手的研究上的,最新的一些进展跟突破,还是由全直区手来实现的,无论是5G还是下发的手,本质上谁能够更快的提供可靠稳定,廉价的灵巧手的供给,就能更快地成为,这个行业的实时的标准,也就是更多的算法跟软件
程曼祺:会围绕着你的硬件的架构去设计,那这两类目前看起来,它的下游是分开的,就直驱的这些新的公司的手,他们更多是面向研究市场,在做一些前沿的零巧操作模型的研究,然后神区这套方案,就Optimus这个方案,好像是面向更多产业方,虽然产业方什么时候上量,可能是很久以后才会发生的,对我觉得之所以会出现这个差异,最底层的原因还是因为 [01:01:14]
陈哲 Peter:Optimus还没有公开的放弃神区方案,本质上马斯克是一个非常相信第一性原理的人,所以呢他是认为一个神区的方向,更接近于人类的这种生物的这个特征,所以他认为是一个更好的方向,以及他给工程团队也提出了很高的要求,去努力希望努力实现这个神区首的这个量产,但事实的情况是我们看到,它的V3的手,其实是一直是在delay的,什么时候可以规模化的生产,我们还未知,然后我们也听到不同的声音,说Optimus也在尝试替代的方案,可能是一个直驱的方案,可能是一个混合的方案,但是我们可以理解,就是工程方案的探索,是需要一些时间的,一个大的方案的调整,也需要很长的过程,那对于国内的,绝大部分大厂的一线工程师而言,选择一个follow策略,不仅是在灵巧手上面,在很多其他的技术路线上面,比如说本体的算法的构型,采取跟海外大厂follow的策略,我觉得本身也是一个,更保险更稳妥的方案,因为今天灵巧手的研究,还在一个非常早期的阶段,我们很难说,今天产业界选择的神剧方案,一定就是一个,真正能够量产,能够规模化的方向 [01:02:33]
程曼祺:OK 那我们进入世界模型,四和五世界模型和VLA 正好这两大块,都是和智能能力,直接相关的,也就是大家讨论的,更偏具身智能模型的那一部分,我们可以先说世界模型,上期我们聊了世界模型之后,可以更加明显地看到,世界模型现在成了一个,非常火热的创业风口,在国内出现了很多新的公司,而且主要就是服务具身 Robotics或者说物理AI的,这些创业公司,有一些今年才成立的公司,已经非常快地成长为 10亿美元估值的独角兽了,然后好几个创始人都非常年轻,可以先来聊聊,就你在这个方向列的,你觉得最重要的一个进展,是英伟达的Cosmos 3 你可以简单先介绍一下,这是一个什么样的成果,我认为Cosmos 3 是这一个季度,世界模型的一个标杆
陈哲 Peter:因为它算是这个市场上,第一个提出了一个,全开源的Omni Model Omni是指大一统的意思,混合的意思,全能的意思,它这个模型是可以原生的,处理不同的音谱的模态,包括了文本图像视频,声音动作,也可以输出,刚才提到的这各种模态,那这个可能是在行业,第一次这么实现,然后从英伟达自己的定义,他认为Cosmos 3 是一个全能的world model 可以被用来,做不同的预测,或者说生成的这个任务,也可以像一个正常的VLM 或者说像一个VLA一样 [01:03:44]
程曼祺:去输出文字图片,或者说对机器人的操作,他在技术上,有一个比较重要的突破,叫MOT Mix of Transformers 它是两个Transformer的结构,一个是自回归的Transformer 用来做Reasoning推理的,另一个是Diffusion的Transformer 用来做生成的,就你跟一些研究人员的交流来看,你觉得这新架构的反响怎么样,以及它有些什么 concern的反向的一些声音吗,我觉得从概念上讲 [01:04:24]
陈哲 Peter:应该是一个非常理想的概念,因为很长时间我们发现,我们做语言模型研究的,合作图片视频生成研究的,模型其实是两套不同的架构,后面那个是扩散模型用的比较多,对,本质上就是一个模型,是更善于处理离散的信号,比如说文字离散的token 一个更善于处理连续的信号,就Diffusion更善于处理,连续的序列,图片视频这样的信号,那么很长时间,这两个模型其实是孤立的,那在Cosmos 3里面,其实是用了一个非常巧妙的,分工和统一的一个架构,本质上就是,自回归模型,是一个独立的transformer 这个diffusion model 也是一个独立的transformer 但是它们中间有 shared的attention机制,这样让它们的一些状态,可以相互之间的影响,所以相当于是把,两种很不一样的,模态的模型,可以缝制到了一起,而且它是统一了理解和生成,其实这个是之前,大家就一直在探索,和想做到的 [01:05:46]
程曼祺:它能把它实现,是有什么技巧吗,还是说现在,虽然它在结构上给它实现了,但可能效果上还没有那么好,其实刚才说的就是,它的架构原理
陈哲 Peter:是一个Mixer of Transformers的架构,所以相当于是一个input 会被两个管线,在动态的进行调节跟处理,这也是为什么这个模型,本身是一个比较庞大的模型,我觉得从架构的原理上讲,这是很创新的,它是在Cosmos 3上,才实现了这个全能这种,对,就是和之前,比如说和二和一,它的区别是什么,其实没有独立的 Cosmos 2这样一个品牌,就是Cosmos最早发布的时候,应该是在25年CES 然后在去年和今年初,它有一个迭代,就是把它的这几个模块,迭代到2.0的版本 Cosmos 3是这次新出来的品牌,之前其实是几个独立的模型,有一个独立的Predict模型 Transform模型和Raiser模型,那这次相当于是,把这几个模型,缝制到了一个统一的架构里面去 [01:06:09]
程曼祺:其实我以前对Cosmos的理解,我觉得它是个视频生成模型,对,但是到Cosmos 3的话,好像就不能简单的说,它是个视频生成模型,它包含了一个视频生成模型,因为它其实也能直接生成动作,对吧 [01:07:02]
陈哲 Peter:直接生成动作理论上,它应该就是能给机器人用的,因为机器人就是要生成动作轨迹,对,所以在Cosmos 3之前,其实是有一个Cosmos Policy 这样一个子的模型,实际上是用之前的,这个Cosmos模型,加上了一个动作的head 这样它就可以,直接输出机器人的操作,但这次实际上,是把大家统一起来了,可能在英伟达的,这个scope里面,它是一个更大的picture 就是Cosmos 3 实际上是为英伟达的,这个芯片和算力的平台,进行优化的,同时英伟达也想推广,它的一套,机器人的开发的套件,它这个应该也可以,用在自动驾驶,对吧,对因为它是一个,通用的世界模型,只是这个世界模型,可以输出不同的模态,这就为什么,它是一个Omni-model 就是它可以输入,所有的模态,也可以输出所有的模态,只是在不同的组合下面,它这两个Transformer的激活程度,和Active程度是不一样的,那在有些模态里面,可能只需要那个 Auto-Regressive的那个Transformer 被Active就可以输出了,比如说假设这是一个,图片到文本的人物,可能这个就够了,但是如果它是一个文本图片,到动作和视频的任务,那么它就需要激活,下面那个Diffusion这个model 那从这个思路来讲,我觉得它是开拓了一个,很好的Omnimodel的一个思路,我相信可能其他的大公司,包括中国的大厂,可能之后也会开发出,类似的思路出来,也会跟进这个,对因为从原理上讲 [01:08:08]
程曼祺:我觉得它还是一个,比较优美,比较理想的一个架构,那正好从Cosmos 3 也可以进一步聊到,近期整个非常火的世界模型,应该算一个大的创业投资的风口,我们可以缩小一下范围,就是我们就聊和robotics相关的世界模型,其实哪怕收缩到这个领域,它也有很多东西都被叫做世界模型,但它可能不太一样,你会怎么来分类
陈哲 Peter:对世界模型的定义非常的多,我用那个六月份英伟达写的那篇的,一个世界模型的官方中述里面的分类,它其实分成了三种,最底层的是叫Video World Model 那这里面的代表可能就是Google的View 阿里的这个One 他们本质上的底座是一个视频生成模型,就是根据一些条件或者描述,我可以生成这个视频,也就是对未来状态的一个预估,对他们自己是把Cosmos 3也放在这个分类里面,因为Cosmos 3是一个万能的模型 Video World Model 对,然后在这个基础上,下一种概念叫做 Action Condition的World Model Action Condition指的是,它的前提是基于你的动作的,或者说给定了一个动作 [01:09:11]
陈哲 Peter:或者说给定了一个动作,你可以在给定动作条件下的,世界模型,就说我加之一个动作到这个状态里,然后预测世界的下一个状态,对,而且这里面的动作
程曼祺:具体是指的就是物理世界的动作,因为我看他们是把Dream Dojo 还有Gini这些,还有Japa 他们都是算在这个类别里的,因为我之前和DreamDojo的一座,就GearLive的一个研究员高生远聊过 [01:10:12]
陈哲 Peter:那我理解他描述DreamDojo 其实它是一个世界仿生器,它是一个世界仿生器,但是这个世界仿生器的input 是你的动作,你想干什么,你想对这个动作产生什么样的变化,而这个世界模型训练的过程中,是会基于它的这种ground truth 或者说他训练的原材料里面,其实就包含了一种真实的物理变化
程曼祺:会对这个环境带来什么样的影响,他是在记录很多这种变化,对他当时跟我说的action的类型还挺多的,就是他会把,比如说我的一段文字指令,他认为那也可以被视为一种action
陈哲 Peter:不过在巨神领域可能更多还是,机器人的动作是一个action 对吧,对我们一般说这个action 是指的机器人的这个action 但是你一个文字可能也是对环境的一个影响,所以从这个角度上讲,我觉得一个纯粹的 video world model 以生成视频为目的的model 和一个action condition的world model 可能相似之处都是,你有某一种input 只是你这个input 到底是一个文本的描述,还是一个物理的动作,比如说我朝前走,朝后走,我去拿这个东西,或者我去改变某一个环境,比如说Gini 如果你把Gini 当作一个action condition的world model 来讲的话,那就是人在这个空间里面的,移动的指令,是对这个world model 生成的一个condition 然后英伟达芬的,这个第三类是,这个World Action Model WAM 对这个图,我倒也会贴到 show notes里,WAM 就是现在特别火的,这个方向,对核心就是,我们通过这个模型,来生成,机器人的这个动作,那可能它同时,也能够生成,这个未来的,这个图像或者视频,就是它既生成了,未来世界的状态,也生成了,机器人的动作,对,所以它更是一个policy 所以不管是像DreamGen 像蚂蚁的,这个LIMBO VA 都是属于这样的一个定义,对所以在具身领域,因为我们更关注的,还是机器人该怎么去,响应和操作,所以WAM是最火的,对是我们目前最关注的方向,因为它是直接用在机器人上的,它作为一个策略对吧,对但你也可以想象,就为什么Cosmos 3 从这个概念的提出,是很有意思的一个想法,其实我跟一些北美的实验室,专门做LM的同学聊过,从他们角度其实不太理解,为什么我们会发明VLA和World Model 这两个对立的概念,他们认为这是一个东西,或者说他们的想象中最好的模型,就应该是个Omni Model 就是Cosmos 3这个方向,对,所以我认为Cosmos 3可能在一定程度上,代表了大家对这种模型的一种终极的思考,就是它作为一种智能的模型,它就应该take不同的模态,和可以输出不同的模态,因为从今天的Cosmos的角度,它实际上就是对外的展示,它就是一个模型,它只是内部,有了一套mixer的移植,来共享一些状态,和不同的这个pipeline 但是从输入端,和输出端的角度来看,它就是一个整体的模型,就你刚才说,你跟一些做LLM的人聊 [01:12:45]
程曼祺:他们认为这两个东西,被对立起来,他觉得很费解对吧,其实这也cue到了,你前面在说,就是比如说像GN1 还有Pi027 他们可能都是融合了,一些VLA和世界模型的,就是你觉得,本身他们的叙事 [01:13:26]
陈哲 Peter:也不是谁替代谁的,这么一个关系对吧,对或者我们回到本质来看,今天的VLA 其实是更擅长的是,生成这个指令,生成这个动作,而World Model 本质上作为一个,以视频为backbone的一个模型,它更擅长的是,对状态的一个预测,那这两种能力,如果我们有一个,巧妙的方式结合到一起,那从终极的信赖来讲,肯定是更好的,你怎么看现在这块的
程曼祺:创业和投融资的一个热潮,我感觉这次的转化好快,就是Gene Zero 或者说这一类的成果吧,就是去年底对吧,然后马上就有一些新的公司,以及他们的估值和容测,都成长得挺快,我们可以先盘一下,你知道现在有哪些,大的世界模型吧,不一定是特别具体到,比如说做WAM 或者什么这种方向,就说自己在做世界模型的,投资场上有哪些公司,我可以先说我知道,你可以补充一下可以吗,好的,我觉得最近比较火的,就刚才我们提到,比如像Genesis 是的 Libre AH也是对吧,他们也都是居神智能的公司,还有一个公司叫流行空间,还有逆矩镇,还有摩世星空,我说的就是我知道的一些,可能跑得比较快的,我之前也和其他投资人聊,应该就是四月初的时候吧,就跟我说那会儿已经有人整理出 49个时间模型公司,还有一个成立比较久的极佳世界,这个应该是目前估值最高的,这家是23年就成立的,然后我刚才说的那些基本上都是在 25年以及26年成立的,这都是中国的公司,然后海外的公司,其实我们上季度聊到过一次,就是在GTC期间,宣布融了4.5亿美元的 Ronda AI 它之前是水下了一年的状态,然后我们聊完没多久,我知道就是英伟大Gear Live Gym Zero的,这个团队的leader Joe Zhang 这是一个韩国人,就他的名字我毕竟发的对,他也出来创业了,当然他是在美国成立的新的公司,就海外也有些新的公司出来,也就这几个月的事,你还有啥补充吗,对,我觉得可能具体的公司很难列全,因为就像刚才提到的 [01:15:00]
陈哲 Peter:World Model其实是一个蛮大的概念,可能太多的公司都可以贴上这样一个名字,所以我很难具体看,每一家公司到底是不是做纯粹的World Model 还是说他做的事情,跟World Model有多大的相关性,但是我可以说的是 World Model为什么是一个这么大的变化,或者是一个冲击,本质上还是因为我们看到了 VLA这种方法,就是一个Video Language Model 加上这个动作的序列,以这个路径迭代下来的方法,其实遇到了一定的性能的瓶颈,那由视频生成的这个路线,来做这个机器人policy的方法,其实早在23年就有工作去尝试,包括我上次访谈里面也说到的,其实自己做的GR1和GR2两个工作,也是在video action model里面,一个比较早期的尝试,但是因为之前VLA可以更快的,给出一个60分的答案,而且这里面的典型代表,就是以派0的发布为例,本身也是一个开源的,也是代表了当时市场的缩大,所以有很多团队去快速的跟进,派0是24年10月底发的,对,因为VLA的这个方法,如果我抽象来讲的话,它本质上是一种行为克隆,就是我们把一段文字和图片的描述,和一段机器人运动的信号,进行了某一种联系,如果我人去反复地视觉了这样一个动作,那么我们一定能够建立某一种联系,让VLA可以输出类似的机器人关节的信号,但是这个路线的泛化性的局限是非常明显的,视频生成这个路线,我们可以用到更大量的更海量的数据的know-how,这里面也包含了大量的物理的这些鲜艳的知识,所以这个路线从原理上讲,本身就是很有吸引力的一个路线,但是在23年,我们最早开始做这方面尝试的时候,你是没有一个很好的视频生成模型的,你也没有一个像ONE这样,就是被预训练好的,比较好的开源的模型,你也没有一些,比如说像我们后面搞出来的,这个Diffusion Policy 用Diffusion方法去生成,这个连续性的关节序列,也没有那个Flow Matching 这样的方法,可以生成一些比较好的,这个关节的这个办法,这些东西可能都在24年25年,才逐渐成熟的,所以World Action Model的很多基础的recipe 三年前就有了,但是它的能力是到了25年底 26年初的时候才逐渐得到释放,包括从我自己来看,为什么我会觉得这个事情非常的兴奋,因为我们看今天Sorta的视频生成模型,比如说可灵,比如说C-Dance 比如说Viu3 已经达到一个很高的水平,就是它对物理的理解,对于常识的理解,已经到了很好的一个状态,那我用它来做机器人的预测和这个策略,理论上就可以得到很好的效果,所以我认为这一系列要素的出现,是让这个概念在26年突然爆火的一个原因 [01:18:20]
程曼祺:如果说这个技术进展让你感到很兴奋,是偏开心的这种心情,那你看到现在这么多公司融这么多钱,作为投资人你是什么心情,我觉得本质上是因为大家在大模型里面赚了一些钱
陈哲 Peter:所以赚了钱的人就会把更多的钱投进去,以及没有赚到钱的人,也会在这一波把钱投进去,赚了钱的人继续投,没赚钱的人补票,对,然后以及巨鲜是个很大的方向,出现新的技术刺激就会有人投,对,我觉得底层是有这样的一个要素,然后这是为什么在非常短的时间,这个估值能够上涨这么大的一个诱因,但是从更长的角度来讲,我觉得第一就是在巨鲜这个领域,不管是硬件还是模型,其实中国公司都有非常好的资源跟能力,这也是一个长期战略的方向,国家在这方面有非常多的支持,跟战略的投入,对于励志要成为这个领域,世界级公司的创业公司来说,这应该是个非常好的发展机遇,我认为对于投资来说,大家也是看到这样的一个机会,这个到底是不是像当年,电动车浪潮一样,有可能有100多家公司,分别成立去做电动车 I don't know 但是一波大浪,肯定是有大量的人才跟资金的涌入,所以我觉得这一波,其实也反映了这波变化,来得有多么的剧烈,那最后我们讨论的一个Top5的进展就是 [01:19:48]
程曼祺:在当前火热的世界模型趋势下反衬的好像有点过时的VLA
程曼祺:在当前火热的世界模型趋势下反衬的好像有点过时的VLA 你提到了两个具体的进展,这个都是四月初到四月中旬出现的,一个是Physical Intelligence的Pi 0.7的发布,还有一个是Generalist的Gen1的发布,对其实我觉得给他们是不是贴上VLA的标签可能都不是最重要的
陈哲 Peter:我提到他们呢,我认为他们是现有的模型公司,在这个季度里面,其实取得的蛮有启发性,和蛮有创新性的这个突破,那可以分开来讲,比如说派0.7 你看到的一些启发是什么,首先我觉得派是一家,非常创新和稳步迭代的公司,其实从0.5 0.6到0.7 每一版本的迭代都非常明显,那么到了0.7这点,足够让我一句话去总结,它跟之前的版本最大的区别是什么,我可以说是在一个传统的VLA的技术上,接上了一个轻量的世界模型,然后这个轻量的世界模型,可以提供对未来任务的图像的预测 [01:20:21]
程曼祺:然后用这个预测来影响生成的这个模型,去生成相应的动作,它这个轻量的预测指的是,比如说我现在的手只动到这个位置,假如我要去拿这个杯子,我只动到这个位置的时候,它就能预测我 [01:21:01]
陈哲 Peter:未来几帧这个应该是什么样子,它就会生成,物体的,比如和我之间的位置关系,或者说它的形变什么的之类的,对,然后由我判断的,可能未来一段时间的,这个结果的图像,然后我用那个图像来盖的,你的这个,动作的生成,相当于就是,一个很轻量的,带有一定预测性的,未来的一个子目标图,反馈到了这个 VLA的这个生成的这个过程
程曼祺:这好像还挺符合,人自己的直觉的,因为人干很多事,我觉得你其实,大家也能想象到,它能怎么样,但可能你执行的,没有那么精确的时候,有一类动作是比较明显的,就是你会脑补一下的,就是你要扔一个东西的时候
陈哲 Peter:比如说你要扔一个纸团,到一个有点具体的垃圾桶里的时候,你会脑补一下这个轨迹,对我觉得讲的挺好的,就是我们的脑补,就是说我们用什么样的力,什么样的角度,可能会导致什么样的结果,所以我们会根据我们的脑补,去调整我们的角度跟力,那回到Pi 0.7 我觉得Pi一直在引领 VLA研究的前沿,包括我们上次,记报的时候提到,它其实是在0.6的时候,提出了一些新的能力,包括类似像一个,长时间agent规划的一个能力,它有用了一种,文本记录的方法,把今天的状态进行了一个,持续性的存储,然后可以根据,之前观测到的状态,来规划我具体执行的动作,那很多小的这种改进,在派的每一个版本里面,我们觉得都是在,那个时间点非常创新,或者非常引领这个行业的
程曼祺:然后可以聊一下 Generalist Gen1的这个进展,我自己的体感,我觉得大家,就国内的这些从业者里面,对Generalist Gen1的这个讨论度,是更高的,就是相比于其他的一些模型 [01:22:45]
陈哲 Peter:对,它引起更多的关注,我觉得有几点是,取得了显著的突破的,第一个是,它把大家觉得比较慢的 VLA模型的执行速度,能够显著提高,不再是慢悠悠的,去执行一个任务,第二个呢,在一些比较复杂的长程任务里面,他们宣称的实现了,这个非常高的准确度,他有几个任务,应该是从60%几的平均成功率,提到了99% 这个数字的提升,其实反映了他们模型的这种,任务能力的显著的一个跨越,我觉得还有一点,就是大家非常关注,这个J1的工作室,实际上他们是自己,采集了50万小时的,真实世界的交互数据,是一种UMI type的无本体,数据的采集,是一个非常高效的方法,同时呢,他们用他们的50万小时数据,在没有一个 Pretrained VLA的技术上,相当于自己,训练了一个段段段的模型,我觉得这点,其实体现了团队,对他们自己技术路线的高度自信,和他的模型,其实有比较强的,这个scaling的能力,让他可以用上这么多数据,而且他们在他们的报告里面,也清晰地展示了,在不同的数据量级,可能一万小时,几万小时,到50万小时的这种数据规模上,它的泛化性和能力,都能得到显著的提升,这其实在展现 scaling law是否在这个上面有效,对的,或者从generalist的,自己的claim来讲,他们一直是宣称,他们是找到了 scaling law的钥匙的,你刚才说他,就是没有在一个VLM上,微调展现了这个团队,非常有自信,是因为这个做法很罕见是吗,我觉得在研究界,大家容易出现路径依赖,尤其是当有些方法,证明有一定成效的时候,那典型来讲,可能国内的很多模型团队,因为这个派的开源,所以很多团队,会在派的这个基础上,做大量的这个后训练,和这个微调的工作,而且大家喜欢,拿它作为一个benchmark 来证明说,我比派0.5 可能增加了多少多少的性能,那这一方面也说明,派在制定这个行业标准,或者盈利这个行业标准上面的影响力,但另外一点也是说明,要独立开创一个新的技术方案,投入这么大的数据量去采集训练,是需要相当大的勇气跟决心的,所以对同一美国公司的generalist派来说 generalist肯定是不懈去跟别人的,商户之间都不懈去follow对方,我觉得这是我对美国创投生态的,整体的一个观察,就是我觉得美国的创投环境,或者创业环境,整体上是非常奖励创新的,你很难见到两三个团队,讲一模一样的故事,很多团队还是想方设法的,在技术上面,在路线上面,找到一些差异化的方式,投资人也会奖励第一个,做这件事情的人,本质上美国的巨头公司,是非常多的,非常活跃的,而且巨头本身,也有大量的创新业务,有自己的这种前沿的实验室,很多很好的工作,本来就是像Google 像Meta 像Amazon这样的一些公司,包括像我们讨论区,就会提到很多,因为大,是的,所以在美国,做一个硬科技的创业公司,我认为市场的惯性,和投资人的认知里面,就是如果你不能做出,非常有差异性的,有创新性的事情,你是很难获得加速度,你很难获得市场的认可,你很难获得投资的认可,你很难被acquisition 而被大企业收购,本来就是美国很多硬科技创业,很正常的一个exit,所以我会发现,美国有一些,而且这个不只限于居身领域,可能在很多别的领域,你会觉得有些公司,可能是为了创新再创新,因为在美国本身,大企业的创新就是很有效的,就是很有竞争力的,如果你只是做一些更便宜的,或者是同样的东西,你在美国市场,是很难得到客户的认可 [01:26:35]
程曼祺:和获得产品的一价,回到G1的这个具体进展,因为前面提到派0.7 它是在里面,其实是加了一个轻量的设计模型的,从JN1目前的公开信息来看,能看出来Generalist这个团队
陈哲 Peter:对世界模型的思路是什么,公开的信息来看,他们其实是比较排斥,把自己定义成世界模型,或者说VLA这样的标签的 Peter Florence专门写过一篇文章,他的大意就是说,他们的做法,既不是把动作粘贴到VLM上面,变成VLA 也不是一个世界模型,而是他们的模型是,完全按照物理交互的,原生的数据去训练的,这是为什么,他们采集的这几十万小时的数据,可以直接用来训练一个 Transformer的Network 而不需要依赖,比如说VLM 或者是一个Video Generation Model 作为它的Backbone 所以它是一个它自己的方法,因为它也从来没开过,所以外面并不知道细节,具体的细节不知道,但是同样的思路,因为他们这群人从Google出来,其实同样的思路,在最早的Google的,这个开山的那个工作,就是RT1里面,其实是展示过的,其实RT2就是VLA 这个风潮的一个起点,但是在RT2出来之前的RT1 其实就是训练了一个,中等size的transformer model 然后它的input是文字描述,和一些动作的这个图片,和一些关节的序列,然后它的output 就是根据了这些文字的描述,我可以在线关节的这个output 而当时那个模型的backbone 就是一个独立训练的transformer model 正好聊到了RT1 RT2 [01:28:05]
程曼祺:比较有意思的是,其实这个季度Gemini Robotics 他们其实也发了新的模型 4月的时候,就是叫ER1.6 但你没有把它排到,你觉得比较重要的top5的进展里面
陈哲 Peter:你怎么看现在整个Google 或者说Gemini Robotics 在这块的成果和影响力 Google的Gemini Robotics 还是一个比较大的部门,其实在推进的研究是比较多的,那么最近公开的ER1.6的模型,其实它的全称是叫做 Embodied Reasoning 1.6 你可以想象它是一种更好的VLM Model 它并不能直接输出,机器人的控制和Policy 它不是一个策略模型,不是直接用在机器人上,对,它的VLM上面是提供了,更多对于空间和任务的理解,和reason的能力,实际上就是可以更好的,通过这个图片,通过这个视频视觉,可以更好的对物理的一些环境,或者一些条件进行描述和推理,它其实背后是Google做了,整个具身的一个生态上的思路
程曼祺:就是他们想做这个领域的安卓,所以一而一等六发的时候,他也说了一些合作的情况,其中一个载体,就是落在波士顿动力的,四足机器人 Spot这个狗上,然后他还提到的合作方 [01:29:45]
程曼祺:然后他还提到的合作方,有一个就是你上次说到的 AppTronic 你说当时他们其实和Google开发,是有一些delay的,还有一个公司,就是私领的人形机器人 Agility One 就看起来他是想做
陈哲 Peter:这个Robotics的安卓,你觉得这个思路现在有事成,我觉得Google肯定都是想做,一个偏大脑或者偏API 偏软件的位置,其实我觉得ERE的六职工作,就是在说明,他们希望发挥他们在,语言模型方面的优势,然后增加一些高层空间的这种推理跟理解,然后把它封装成一种可以被调用的产品,被大家使用,实际上如果你去看ER1.6的这个报告,它作为的对比是直接跟Gemini Flash 3.0的模型去做对比的,它是和通用模型做对比的,是的它就是一个通用模型,只是这个通用模型训练了更多对物理环境的理解,那么你刚才提到的波森东利那个合作,工业巡检的这个工作,是一个很典型的工作场景,波斯顿动力的SPORT机器狗,目前出货量,我之前知道出货量应该是有几千只,真正用到了工业的巡检,也就是一些比较复杂的油气田的这种场景,然后机器狗需要上下楼梯,需要进一些比较复杂的地形,然后它在这种油气设备里面,主要的目的就是去检查,这些各种传统的这种阀和这种panel上面的数字,仪表盘上的数,仪表盘上的数字,所以波斯顿动力的这个狗,就是它既负责读这些数,然后它也会去检查,以为有一些异常值,所以我觉得ER1.6 实际上是一个通用模型,但是增加了对空间的理解能力,这也代表了这种大厂,对于这个问题的一个思路和的态度,如果它可以用通用的模型,把这个问题解决,那么最终可能它就真的,只需要训练一个Omnimodel 来解决所有的事情,那你觉得这对小公司,是意味着什么了,现在看起来好像它和很多,中小传媒公司时候挺多合作的,比如说以他现在合作的这几家公司,相对来说还是偏机器人本体和硬件公司,所以他们之间其实是有天然的契合度的,我觉得可能更底层的问题,或者更底层的问题是,我们到底有什么原因来说明,很多年以后,所谓的embody AI的model 不是由Anthropic OpenAI 或者是Google这样的,通用模型的大厂来提供的,如果OmniModel这个路线,被最终证明是有效和有用的,那是不是机器人的,所有的空间的理解,对动作的预测,可以被融合到一个,更大的通用模型里面去,因为这个问题时常被讨论,就比如说有一种 [01:31:59]
程曼祺:马上想到的反方的观点,就是认为,就这种模型在形成的过程中间,它是需要大量的硬件参与的,需要这些硬件去收集数据,而很多通用的模型公司 [01:32:40]
陈哲 Peter:它就不做这部分的事,或者他非常不擅长,可能今天的确不擅长,因为没有为这个事情优化,但实际上我们也知道,大模型公司是花了几十亿百亿美金,在做各种预料跟数据的标注的
程曼祺:只是主要是文本跟图片数据,你说到这个,就是OpenAI确实在五月底的时候,更加正式地官宣了他们Robotics Team 当时Sam Altman是发了一个Twitter 他里面讲了几个关键词,一个是说,他们在寻找顶尖的全站人才,他后面列了一堆,就包括硬件,然后有系统,有机器学习等等,他们要做对社会有用的极权,这是一个关键词,第二个关键词是场景,他提到了短期的场景,是来制造给他们自己用的infrastructure 应该指的就是AI算力的一些技术设施,然后长期来说,这个愿景就挺普罗大众的,就是我要做一个,每个人可能都会用上的机器人,以及他还提到了一些技术演进的线索,就提到这个团队的leader 是Artitia Ramish 然后他过去一年,都在领导这个团队,慢慢在过去一年里,演变成了OpenAI Robotics 这个人我稍微看了一下,他的背景,他是Dali Yi的作者,而且他是本科毕业,就进了OpenAI的,他并没有就是读博士什么的,纽约大学的 [01:34:00]
陈哲 Peter:对我知道的情况是 OpenAI的Robotics团队,就是基于他们之前,做DALI 做SORA 就是做这个图片视频生成的团队,来建立的,或者说这个是他们一个技术的基础,其实OpenAI 内部对SORA的一个定位,或者说对SORA的一个解释,一直认为它就是一个世界模型,他们最开始发说就是这样说的,是的
程曼祺:而且这我再补充说点,就这个人,就Ramish他之前带领的这个团队,他们在内部,他这个名字在推特上写的是 World Simulation Research 世界仿真研究,对所以我觉得OpenAI Robotics
陈哲 Peter:在今天这么高调的成立,实际上就是看到了,这一系列技术的拐点或者是突破,你觉得它会在这个上面投入多少,因为之前一段时间
程曼祺:Athropic Claude Code Cloud Cowork 这些非常强势的增长,我觉得给OpenAI还是有比较大的压力,所以有一段时间看起来,它把Solar2也关掉了,有一种收缩和重新聚焦的趋势,那在第二季度它又宣布了 Robotics这个新的团队,要正式开始扩招更多的人,实际上它真的会把它当一个重点吗,我想分享我一个观察,其实今天哪怕最大的 [01:35:01]
陈哲 Peter:embody AI的研究团队,他们真正涉及到的算力,和模型的规模,相比于旗舰的视频设置模型,更不用说旗舰的语言模型,来讲都是一个非常小的量级,比如说Gen1说,它是50万小时的数据,不是数据量的区别,而是它真正用到的算力,我以Cosmos 3为例,我认为Cosmos 3应该已经代表了,今天Embodied AI 在训练模型上面,投入的最高算力的预算,大概就是在万卡级别的水平,这已经是今天整个具身,研究算力的天花板了,所以以这个标准来看的话,其实对于OpenAI 或者对Anthropic 这种头部的LM公司来讲的话,都不是特别大的算力预算,你的意思就是说,它也不需要把它作为一个特别大的重点,已经比大部分巨神团队投入的多了,对,或者同样可能一个类比的比较就是,蚂蚁的灵波团队,应该灵波VA也就是在万卡级左右的水平,我还有一个问题,就是它现在想做全站的这种形式,因为机器人研究不能离开硬件,我觉得说白了,研究今天还在很早期,因为研究在很早期,你脱离了硬件,你的研究东西很难得到验证,所以你一定要跟硬件走得近,你的研究才会高效,我知道的就是 OpenAI会是一个零超手的,一个特别大的一个,投入和研究的这个方向,就他都要进这个市场了,他不可能再去搞假抓,你觉得OpenAI的这个动作,接下来会带来什么连锁反应,我认为OpenAI能够在这个时间点,高调地重启机器人这个业务,其实也是说明他们看到了,技术上面的成熟度,和跟自己这个核心模型能力的,这种相关性,因为我们知道他们在4月份的时候,其实是关闭了Sora的消费级产品的结合,对,但是实际上Robotics的核心的很多成员,就是从Sora团队过去的,因为本身Sora一开始的一个目标,就是想做一个世界模型,或者说具有世界模拟的这样的一个能力,所以我认为OpenAI在这个领域的投入,应该会跟我们关注到的世界模型路线,是比较相似的,有相关性的,然后考虑到他们是一个有相当大算力,同时也能够吸引一些非常顶级的研究员的一个环境,我还是很期待他在未来一段时间,在这个领域可以拿出一些行业缩大的进展的,最后就是我们来聊一下前面Top5进展没有涉及的一些变化 [01:37:17]
程曼祺:一些重要的事件包括资本市场还有上一个落地的,一个很重要的事儿现在是语述IPO 当然我们上一次已经讨论他招股书的一些情况,包括语书的一些发展历程,它特殊的一个行业里的位置,在二季度,它是正式科创版IPO过会了,接下来我们马上就会看到,它的东欧科创版,头部公司前面这一批上了之后,你觉得后面公司会怎么样,我觉得语书的上市 [01:38:00]
陈哲 Peter:对于具身行业的发展跟投资,应该都是一个标志性的活动,本质上它给今天,所有的头部的具身公司,制定了一个估值的锚点,其他的具身公司,都会以这个作为一个估值的基准,通用型的机器人,一定会有非常大的公司,因为人性机器人,本来就是一个非常通用,非常general的一个产品,所以它这里面长出,特别大的加货的可能性是更大的,但是因为人性机器人,今天在物理上面,还是有蛮多的限制的,比如说功力密度,电机的密度,电池的密度,重量体积等一系列的限制,哪怕人性机器人,长期普及过后,我们可能也会,异化出不同的人性机器人,服务不同场景,我们可能依然会有,小型的机器人,在娱乐表演,甚至科研这种场景里面,我们可能有大型的机器人,在一些可能需要重载,需要搬运,或者说一些比较大配落的,低速配落的场景,我觉得人形机器人,未来产生一定的分化,所以不一定是一个 winner take all的这种状态,但是大脑是有可能的,就是你刚说的,如果Omni模型,这个路线权利的话,如果有一个超级的模型的能力显著的比别人更高,其实这件事情我们在Anthropic身上,其实已经看到一个非常强的端倪,它可能不是winner take all 但至少是个寡头话的一个现象,然后它其实反映的更底层的问题是什么呢,就是大脑作为一个智能产品,我觉得智能就一定是两极化的,要么就是我追求最好的智能 [01:39:21]
陈哲 Peter:要么就是我追求最好的智能,要么就是我追求一个OK的智能,如果是两极化的这种假设的话,本身模型又是一个编辑成本很低,可以被开源共享的一个产品,那我觉得长期来看,智能的模型大概就分为,高水平的开源模型,和一个顶级水平的避源模型,那如果这个格局,对于语言模型是这样子的,我认为对巨手模型很有可能,中距也是这个样子,高水平的开源模型,顶级水平的避源模型,然后没有其他模型生存的空间,就如果一个必源模型的能力,超不过Sorta的开源模型,它就没有存在的价值,那谁在提供高水平的开源模型,是Google 英伟达,这种想做生态的大公司,我觉得很可能是的,那在源模型里面,目前不就是千问DeepSeek 这样的公司在提供吗,我们跟一些模型公司,创业者去讨论的时候,其实有一个终极问题,我觉得是挺难回答的,你说的是大源模型的创业公司的创始人,还是巨神这种模型,巨神,但我觉得是同一个问题,就是如果你做一个模型的创业公司,你怎么回答两个竞争的问题,第一个是你如何跟一个最好的开源模型竞争,位置大概率是由像英伟达这样的公司提供的,因为它的商业模式不依赖于模型的变现,它的商业模式是在算力的变现,所以它可以把模型开源出去,那第二个问题是,你怎么跟寡头化的最头部的私有模型去竞争,那这个供给大概率会来自于谷歌,来自于阿里,来自于字节,来自于Anthropic 你有听到过壮士人给你比较有说服力的答案吗,这个问题在当年Anthropic创业的时候,也被投资人反复问到过,但是Anthropic成为了Anthropic [01:41:44]
程曼祺:你的意思是Anthropic当年刚起步的时候,也不见得能回答这个问题,是的,所以开始能不能回答不是很关键,对OpenAI可能也很难回答,一开始的时候,但他们成立的时候,它并不像巨神智能模型一样
陈哲 Peter:面临一群大语言模型公司,客观的说,我认为今天巨神智能创业和投资的热潮,跟上一波语言模型创业公司的成功和热潮是有关系的,我们已经有几家大语言模型创业公司成功上市,还有更多公司在Pipeline上,给投资人也创造了丰厚的收益,所以是很合理的去推断,我们在巨神模型里面,可能也有同样的这种创业或者投资的机会,但创业的挑战是如果所有人都这么想的话,那这个市场一定会出现过度竞争跟过度投资的状态,那可能最终的赢家还是比较稀缺的 [01:42:05]
程曼祺:投资回报的预期或者创业成功的预期会被大大的压缩,语书作为中国第一家要上市的聚成智能公司,它其实已经盈利很多年了,但大部分别的公司还不是这种情况,还是个在前期探索的情况,然后行业里一个反复被讨论的问题,也是说接下来,这个商业化和落地的节奏,会怎么去推进,其实前面我们列的 Top 5竞争里面,有些跟这个是相关的,比如说新农纪元,在邮政的这样一个合作,如果更广泛来说的话,你关于落地节奏,这个季度有什么新的想法,我对于落地节奏这个事情,我觉得可能要从两个维度来看,一个是中美的差异
陈哲 Peter:一个是硬件公司,和模型公司的一个差异,那我以美国的这些领先的公司,为例来看的话,其实无论是OpenAI 还是今天的Physical Intelligence 他们都符合了一个典型的,美国前沿领域创新公司的一个pattern 就是一群非常聪明的,非常有想法,有愿景的一群人才或者科学家,在一起对一个有巨大潜力,且长期不确定的方向,进行持续的投入,那么美国的创造环境,也提供了早期比较好的,一个孵化的一个阶段,包括OpenAI 可能从15年成立,到22年底 CHAT GPT出来之前,其实一直没有,非常明显的商业化,或者产品化的一个进展,但这件事情并不妨碍 OpenAI吸收大量的人才,跟资源去实现这个目的,那么今天我们同样看到的 FedEx Intelligence 可能也在做同样的事情,他们不断地在发布,甚至开源,他们的领先的模型,在引领这个行业的进展,但是从落地来讲的话 so far也没有看到,特别清晰的,什么时候它可以真正地,达到商业化,或者落地的这个阶段,你说美国这些公司,美国这些公司,基本上所有的美国公司,现在都有这个问题,除了飞格人好像说这个会多一点,飞格人现在也没有任何一单,确切的真正被验证的 [01:44:14]
程曼祺:这种落地的收入,但至少他会去对外,就是展示一个我要落地的,这么一个姿态,我觉得姿态跟事实还是挺不一样的,所以你觉得国内的公司,难道是已经事实了吗
陈哲 Peter:大家不是姿态了已经,我觉得国内本质上是,大家对这种特别长期的,不确定性的这种探索的容忍度,非常差,所以你一定更需要,做出这样的姿态,而且最好是个试试,我认为在中国今天的挑战是,如果我跳出来说,我做一家公司,我明确地告诉投资人,十年之内,我绝对不做商业化,我绝对不做落地,那它的问题是,你怎么获得足够的资源,和吸引足够的人才,和在资本上,有很好的反响,以及甚至可能,未来对接二级市场的,这种最终阻力,你怎么解决,这几方面的挑战,我想到一个方法,就是你是梁文峰王,对啊,你很有钱,所以我一直觉得 DeepSick是一家非常稀缺,也是非常不一样的公司,就是当你自己足够成功,你对这个事情有足够的信仰,而且客观来讲 OpenAI包括DeepMind 本来就是一群,billionaire的尝试和投资 OpenAI本来就是一个,非盈利性的公司,至少在开始的很长一段时间,商业化和盈利性,本来就不是这样公司的一个目标,所以我觉得今天可能更大的一个分歧,是在于我们认为,具身智能的整个研究和行业的发展,到底到了什么阶段,如果今天我开了天眼,我告诉大家这个事情,像当年的自动驾驶,至少需要10年甚至15年的过程,才能实现规模的商业化,且不说盈利,微墨实现了商业化,但微墨还没有盈利,如果告诉大家需要15年才能够盈利,还有没有人愿意在这个领域进行创业和投资,如果我们对这个事情的判断是,它五年之内就可以实现商业化和盈利,那么可能就会有不同的人会愿意,或者有更多的人,愿意对这个事情进行投资跟创业,所以一个很底层的问题是,大家对这个周期的判断,可能是有差异的,你目前来说,你对这个事的判断,它是这个时间是在缩短的,还是在变差,还是没有太明显的变化,相比于去年,我觉得这个周期肯定是在缩短的,本质上这是一个足够重要的问题,它在整个社会,在整个市场上聚集了大量的资源跟资金和人才,包括我们看到了,为什么会有世界模型等一系列技术的快速的发展,就是因为它的一些基础的要素在快速的成熟,然后因为它在可能相关的一些领域,比如说在语言模型领域的进展,大量的能力算力数据,能够迁移到,巨神这个领域里面来,所以实际上是,事实加速了,巨神领域的发展的,这是为什么,我们这次提到,今年的这个季度的,这个进展,我们把figure和,这个心动机缘,人形机器人,做快递分解,这个事情单独来说,是因为我们至少看到了,在这样一个场景里面,一个通用型的人形机器人,用新的这个算法,技术战,是可以更好的解决,这个问题,是有实际落地的可能性的 [01:47:32]
程曼祺:最后可以来,展望一下下一个季度,或者说下一段时间,行业里的一些变化,我们开始也回顾了,上次我们聊的三件事的展望,基本上第二季度在持续的发生,那再往后看的话
陈哲 Peter:你会看到什么新的东西,有一件事情是我最近在反复思考,我认为会变得更加主流的,就是人影机器人作为一种形态和载体,可能在未来一两个季度,会有更多的人形机器人的产品,在一些具体的场景得到落地,跟商业化,以及有更多的公司,进入这个市场,宣布他人性机器人产品的,这种计划或者路线,你说的更多公司,不一定是创业公司,你指中外的一些大公司是吗,对,当然他们从宣布计划,到发布产品,我认为至少可能有一年,到一年半的这个时间,这个时间判断 [01:48:03]
程曼祺:我觉得大家也是会有一些分歧,比如说我跟有一些,最深的创业者聊,我觉得他们会把这个时间表,判断得更紧迫,就他们可能认为,大厂会更快下场,类似于像理想,它虽然是26年,年初前后宣布的这个事情,但实际上他们内部,应该已经做了一段时间,包括你说到荣耀,其实他们也已经有两年的时间了,对但是还不是所有的大厂,我的设想可能就是,未来一个季度和两个季度
陈哲 Peter:或者未来六个月,是进入这个游戏的最后的窗口,因为如果你不在26年,启动和进入这个市场的话,那么等到27年28年,真正人行机器人开始广泛落地的时候,你就没有声位了 [01:49:07]
程曼祺:其实特别大的终端厂商,就手机和汽车,我感觉国内的至少,很多主流的都多少布局了一点,然后有一个大公司,就是字节腾讯这种,阿里这种大的互联网公司,我指的是人行的
陈哲 Peter:全站的这个方向上,他们可能会有什么动作,我觉得对大厂来说,可能更好的对标,就是像派和Anthropic 这样的公司的方式和模式,就还是偏一个智能能力的基础,是因为他们太擅长做模型这件事情,就模型的商业模式和模型能力,其实跟他们本身的能力是高度相关的,这是为什么今天国内的大语言模型里面
陈哲 Peter:这是为什么今天国内的大语言模型里面,包括像字节包括像阿里都是非常领先的,我觉得在中国做具身智能创业,有一个悖论或者有一个尴尬的地方,就是除了我们刚才强调的,你很难在中国做一家,十年没有商业化,十年没有收入公司,再另外一点,可能投资人,或者中国的资本市场,也更难容忍一家公司,不是一个全站公司,或者说有大量的能力,是依附于其他客户的,和合作伙伴,对,这样导致的一个条件是,我们也看到了正在发生的,就是说所有的具身大脑公司,都在宣布他们在做机器人本体
程曼祺:那你这么说,前段时间我采访徐华哲,他就是非常非主流的想法了,他的一个想法就是,他认为不应该,所有事都在公司 in house来做,有些事应该交给生态,我认为这个事情 [01:50:40]
陈哲 Peter:可能是对的,这个事情,可能也是一个,非常美国式的想法,他肯定也是觉得,智能的能力更优先,相比于商业化,我觉得站在他创业的角度,如果你能在任何一件事情,做到行业的最好,你才有意义,如果说你不做全站的话,如果你不做全站的话,或者说你做全站的timing太晚,你没有特别好的声位,去做全站的话,你就在你的细分的领域里面,做的行业的最好,是有价值的,我觉得最终的大赢家,大概率还是有全站公司的机会,就是苹果,小米,华为,这样的公司,在巨盛时代也会存在,但是很有意思的一个地方是,今天你会发现,市值最大的几家公司,其实不是全站公司,比如说英伟达不是个全站公司,比如说Anthropic或者OpenEdge 最终上市了,它可能也不能叫一家全站公司,所以到底全站是终局,还是垂直,一体是终局,我觉得这个可能长期都会反复低背,它实际上是一种博弈跟竞争的关系,但是在中国的市场下面,我对创业公司比较难的一点,是你很难说你十年没有收入,第二,你很难说我只做一个大脑公司,或者只做一个本体公司,包括很多投资人,对宇树的一个challenge 就是宇树只是一家硬件公司,宇树并没有AI 并没有模型,我其实不太认可这个challenge 但是市场的确会有很多人,会拿这个东西去攻击宇树,这是一个很好的例子,相当于宇树在某一个环境,你做到强如宇树,还是会受到你不是,全站的一个挑战,对,如果假设宇树,未来就一直是一家硬件公司,那我认为它也是一家,很赚钱的硬件公司,它能不能形成垄断,可能是第二个问题,但是我不觉得有什么原因,他不能长出他的软件,或者AI的那块,如果公司从战略中方向上,真的想去做这件事情的话 OK那今天非常感谢Peter 再次做客晚点聊 [01:52:41]
程曼祺:分享了2026年第二季度,他观察到的,去深领域的一些新的变化,这次节目的最后,我们也就是展望了,接下来可能会发生什么,那在第三季度,第四季度的节目里面,我们可以再会来聊聊,这些进展,是否有印证,大家拜拜,拜拜
陈哲 Peter:请不吝点赞订阅转发打赏支持明镜与点点栏目 [01:53:37]
这期对谈聚焦 Noam Brown 对现代 AI 评估方式的核心批评:当前模型能力越来越取决于测试时计算、预算、脚手架和运行时长,静态 benchmark 表格里的单一分数已经不足以描述真实上限。Noam 认为,o3 相比 o1 的关键进步不仅是答案质量,也包括思考效率;只有控制时间、token 或成本,或者画出性能随测试时计算变化的曲线,才能判断模型真正强在哪里。Sarah Guo 则围绕安全评估、刷榜、长期任务、递归自我改进和实验室竞争追问,推动 Noam 说明:未来评估必须报告“给模型多少预算、允许它思考多久、用什么框架运行”。
Noam 首先指出,传统基准测试并非完全无用,问题在于它们通常只给单点成绩。现代模型如果配合合适框架,可能在某些任务上持续思考数周才接近平台期,因此“跑到性能平稳再比较”已经不现实。更好的做法,是设定明确预算,或把性能画成测试时计算量的函数,从而比较模型在 10 美元、100 美元、1 万美元等不同投入下的能力变化。
他认为刷榜会进一步放大表格误导。重复采样、挑最好答案、用裁判模型筛选,都可能让纸面成绩显著提高,但如果不控制计算量,就无法判断模型本身是否真的更强。Noam 建议保留私有测试集,也建议团队用真实任务做评估;他自己会用扑克求解器观察模型的推理、编码、优化和纠错能力,因为这类任务需要连续推理和大量细节处理。
在使用层面,Noam 不主张所有问题都让模型长时间思考。许多工作依赖快速交互和迭代,模型应该能在短响应与长周期探索之间切换。但当任务确实需要跑一周、一个月甚至更久时,现有发布周期和评估机制很少真正测试模型的极限。他用扑克求解器和长期研究任务说明,模型已经能显著提高代码优化与复杂探索效率,但开放式研究品位和自主提出新方向的能力仍不稳定。
安全评估是他最强调的盲区之一。很多实验室的责任缩放政策或准备框架形成于测试时计算扩展还不重要的阶段,关注“模型有什么能力”,却没有充分回答“在多少预算下测这些能力”。如果模型能力本质上是投入成本的函数,那么用 10 美元、1 万美元还是 1000 万美元预算测试危险能力,会直接改变结论。Noam 不直接判断某个模型该不该发布,但认为行业不能继续忽视这个变量。
谈到递归自我改进,Noam 保持谨慎。他承认 OpenAI 内部模型推翻 Erdős 单位距离猜想的例子显示,通用模型配合脚手架和较高预算,可能解决此前未被充分探索的问题。但他不认为当前模型只要给无限预算就会自动超级智能,也不认为一句 slash go 就能让模型造出 GPT-7;真正突破仍需要框架、约束、研究品位和反复试错。
1. 模型评估不能只看单一 benchmark 分数,必须说明测试时计算、预算、时间和运行框架。
2. o3 的重要进步包括在同等或更少思考时间下达到更高表现的效率。
3. 重复采样、裁判筛选和组合策略会放大成绩,比较模型时必须控制计算量。
4. 安全评估需要纳入预算维度,同一模型在不同推理预算下可能呈现不同危险能力。
5. 长周期任务会与快速发布节奏冲突,行业可能在尚未摸清旧模型上限时就迎来新模型。
6. 模型已能显著辅助代码优化、扑克求解器和数学探索,但开放式科研品位仍不可靠。
7. 递归自我改进不会因无限预算自动发生,还依赖脚手架、约束、评估和人类判断。
8. 更有用的未来评估,是用低预算表现预测高预算能力曲线,并清楚报告不同预算下的变化。
- 测试时计算与基准评估 [00:00:00 - 00:10:00]
- 刷榜风险与安全评估 [00:10:00 - 00:20:00]
- 递归自我改进与研究方向 [00:20:00 - 00:30:00]
- 发布节奏与评估文化 [00:30:00 - 00:34:43]
一凯:欢迎收听跨国串门计划,这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。 通过先进的AI声纹克隆技术,我们不仅将内容翻译成中文,还完美保留了原主持人和嘉宾的独特声音,为您呈现全球顶尖的AI财经。 健康与科技领域精品内容。 我是主播一凯,一位热衷于AI领域的产品经理,很荣幸能为您搭建这座跨越语言障碍的桥梁。 接下来让我为您简单介绍本期我们克隆的这档节目,并分享几句非常精彩的原话。 本期我们克隆的是知名科技播客No Priors,主持人 Sarah Guo在2026年6月与OpenAI 研究科学家 Noam Brown进行了一场深度对谈。 Noam Brown是AI推理领域的先驱,也是推动测试时计算扩展的关键人物。 在节目里他有几句原话。 让我印象特别深刻。 在GPT-3 那会儿。 你没法扩展测试时计算。 比如你给他1000万美元的预算。 说好我们看看GPT-3能做什么。 他其实做不了太多。 现有的准备框架和责任缩放政策。 并没有真正考虑测试时计算量。 他们只是说。 好模型的能力是什么。 问题在于我们现在所处的世界。 模型的能力基本上是你投入多少钱的函数。 你给它1万美元的预算。 它能做的比10美元预算多得多。 给它1000万美元预算。 它能做的更多。 那你应该在什么预算下评估这些模型。 现有的政策并没有真正解决这个问题。 这些话背后有着很长的故事。 接下来就让我们一起走进这期完整的对话。 在GPT-3 那会儿。 [00:00:00]
Noam Brown:你没法扩展测试时计算。 比如你给他1000万美元的预算。 说好我们看看GPT-3能做什么。 他其实做不了太多。 现有的准备框架和责任缩放政策。 并没有真正考虑测试时计算量。 他们只是说好模型的能力是什么。 问题在于我们现在所处的世界。 模型的能力基本上是你投入多少钱的函数。 你给他1万美元的预算。 他能做的比10美元预算多得多。 给他1000万美元预算。 它能做得更多。 那你应该在什么预算下。 评估这些模型。 现有的政策。 并没有真正解决这个问题。 嗨 听众朋友们。 [00:01:50]
Sarah Guo:我是Sarah Guo。 欢迎回到No Priors。 今天我请到了Noam Brown。 我们AI推理领域的。 教父级人物之一。 我们来聊聊评估体系的失灵。 超大规模的测试时计算。 他如何看待递归自我改进。 以及前沿竞争的。 下一个前沿是什么。 Noam。 非常高兴你能回来。 很高兴回来。 对。 你是我们节目的第一位嘉宾。 我对自己在播客上。 挑选朋友和研究员的品位。 感到非常自豪。 考虑到推理时。 扩展对行业变得如此重要。 你也应该感到自豪。 毕竟你实际上是这方面的先驱。 出了一份力。 对 跟很多人一起。 你刚写了一篇文章。 引起了很大共鸣。 讲的是大规模测试时计算。 以及为什么行业没有像应该做的那样。 严格地评估这些模型。 写这篇文章的动机是什么。 [00:02:28]
Noam Brown:对。 动机是我们发布了o3。 最初的反应是大家有点怀疑。 它是不是一个显著更好的模型。 公平地说。 这种怀疑只持续了几个小时之后。 人们有时间上手试用。 自己体验了一下。 就发现它确实好得多。 但我认为很多怀疑来自于发布的那张。 基准测试表格。 基本上每当有新模型发布。 就会有这么一张基准测试表格。 X轴是各种不同的基准测试。 Y轴是不同模型的表现。 你可以直接比较不同模型。 就是一个模型。 在一个基准测试上的单一数字。 如果你在纸面上看。 o3 和 o1。 或其他模型之间的差异。 它确实有提升。 但不是巨大的提升。 在一些基准测试上。 只有几个百分点。 所以人们看了之后。 就怀疑它是不是真的更好。 等他们上手一用。 看法就变了。 我认为它没能在基准测试上。 显得好那么多的原因是。 这些基准测试的呈现方式不对。 他们没有控制每个基准测试问题上。 所使用的测试时计算量。 事实证明。 o3在思考效率上要高得多。 如果你用最高设置运行。 o1的思考时间要长得多。 它返回响应的时间比o3长。 一旦你控制了思考时间。 你就能看到o3 相比 o1。 是一个巨大的飞跃。 我认为。 这也是人们日常使用中的感受。 然后当我和别人提到这点时。 他们的反应。 我常被问到的一个典型问题就是。 好吧。 那为什么不让o3思考的。 和o1一样久呢。 问题在于。 他们应该思考多久。 通常我得到的回答是。 直到性能达到平台期。 对吧。 总有一个点。 基准测试的性能会趋于平稳。 你就评估到那个点。 问题是。 现在这个平台期到来的点。 其实非常遥远。 在2022年的GPT-3时代。 模型确实没法那么长时间的进行有效思考。 所以你可以直接运行它们直到性能平稳。 那个点并不远。 但我们现在看到的是。 对于现代模型o3和其他模型。 如果你给它们搭建好合适的框架。 它们可以思考数周。 在某些基准测试上。 性能才会达到平台期。 所以它们达到平台期的点实在太远了。 没法合理的进行测试。 我们现在都需要实际设定一个限制。 要么是耐心上限。 要么是从token角度看预算上限。 这在几年前是不成立的。 没错。 所以我认为正确的评估方式。 我的主张是。 现在评估模型的正确方法是。 你要么为基准测试设定某种预算。 无论是token、成本还是时间。 要么就把性能绘制成。 投入模型的测试时计算量的函数。 这样一来。 如何比较不同模型之间的性能。 [00:03:25]
Sarah Guo:就变得清晰多了。 考虑到模型的评估周期。 以及很多任务在相当长的时间内。 性能都不会趋于平稳。 你该怎么解决这个问题。 你想跑的一些评估。 既超出了合理的预算范围。 也超出了当前模型发布周期下。 合理的时间范围。 我觉得像网络安全这类任务。 [00:06:11]
Noam Brown:我们已经看到METR在他们的评估里也显示。 模型在1亿个token的预算下。 还在持续提升。 跑到1亿个token。 性能还在往上走。 这确实要花很长时间去跑。 但你也能看到。 性能不是那种断崖式的跳跃。 而是能看出在。 一个token范围内的提升斜率。 所以你可以做到。 某个预算上限的评估。 然后直接说好。 这是我们预测的性能走势。 我觉得这方面目前研究还很少。 如果有学术界的朋友。 在找研究方向。 这其实是一篇很值得发的论文。 能不能只用10美元。 或100美元的推理预算。 去预测1万美元。
Sarah Guo:推理预算下的性能表现。 问你一个可能不太相关的问题。 你觉得用户是不是普遍没有让模型。 对问题进行足够长时间的思考。 你说的没有足够长时间思考是指什么。 如果你能构建一个agent。 或者控制测试时计算的使用量。 这里面有模型自己做的事。 也有用户可以做的事。 你觉得行业目前对测试时计算的使用量。 是刚刚好还是严重不足。 还是说问题出在模型本身。 需要让他们思考的更快。 我觉得这取决于具体问题。 [00:07:11]
Noam Brown:让模型思考一周再回复。 这个想法听起来不错。 基准测试成绩也确实好看。 但在实际工作中不太可行。 因为你问模型一个问题。 然后干坐一周等它回复。 我觉得大家发现最有效的方式是。 跟模型快速迭代。 所以思考时间需要灵活。 该快速回应用户的时候。 就快速回应。 该长时间思考。 用户也希望他长时间思考的时候。 就长时间思考。
Sarah Guo:我觉得大家目前在现有条件下。 已经找到了合适的平衡。 你怎么看现在有很多。 关于刷榜和操纵不同基准测试的讨论。 你会怎么描述当下的基准测试格局。 有没有你觉得更能体现。 [00:08:11]
Noam Brown:真实能力的基准测试。 刷榜这件事。 也是我写那篇文章的动机之一。 我觉得很容易就能在基准测试上。 做出比之前模型好得多的成绩。 比如把一堆模型组合起来。 你说好。 我们不让这个模型只跑一次。 而是跑五次。 取五次里最好的回答。 或者让一个裁判模型来判断。 哪个最好。 这样就能拿到比单个模型高得多的分数。 所以很容易做出一个纸面上好看很多。 但一旦控制测试时。 计算量就其实没有更好的东西。 这是我对刷榜。 比较担心的一点。 我唯一的顾虑就是。 它有点误导人。 至于基准测试本身。 我觉得总是存在被针对性优化的风险。 我当然鼓励我的团队。 不要针对特定基准测试做优化。 我觉得OpenAI在这方面做得还不错。 但一旦你发布一个基准测试。 它就始终面临被针对性优化的风险。 我觉得一个应对办法。 是保留不公开的私有测试机。
Sarah Guo:大家最常用的退而求其次的建议是。 想判断一个模型是不是明显更好。 就自己多玩一阵。 你有没有比这更系统的方法建议给大家。 比如除了OpenAI内部的。 私有保留集。 你每次会不会自己新建一套评估。 我觉得每个人都有自己的那套问题。 [00:09:27]
Noam Brown:每次新模型出来都会去问。 对我来说。 最近的做法是。 用他们来做扑克机器人。 看他们能把扑克机器人。 做到多好。 我觉得这是个不错的评估方式。 因为做扑克机器人的开源代码非常少。
Noam Brown:因为做扑克机器人的开源代码非常少。 发表的论文倒是很多。 但你得真正把每一步都推理清楚。 这需要大量的推理和迭代。 还有很多小的坑。 我自己之前都踩过。 所以能看到模型在哪些环节会卡住。 他们现在这方面已经做得很好了。 你能不能描述一下。 用你做扑克机器人的例子。 在最近几个模型版本里。 推理能力是怎么演进的。 对早期模型在这方面真的很差。
Sarah Guo:基本上什么都做不了。 [00:10:26]
Noam Brown:到了5.2。 我能跟他一起做一个河牌求解器。 也就是扑克的最后阶段。 这本身我就觉得很厉害了。 当然我得稍微引导一下。 但我确实很惊讶。 因为我做这个河牌求解器的速度。 大概比我自己单干快了五倍。 它会在一些地方卡住。 阻断牌一直是个大问题。 但总的来说。 稍微引导一下。 它就像个研究生会碰到问题。 但至少我知道问题在哪。 也知道怎么修。 我提建议。 它就去改。 然后很快就能拿出很不错的结果。 尤其是优化部分。 我觉得特别厉害。 它能把代码优化得非常好。 速度比我做的快了十倍。 5.2的缺点是。 我感觉它老是在糊弄我。 我得一直非常仔细地检查。 确认它是不是真的。 做了它说的事。 有没有什么明显的漏洞。 它没发现。 或者假装没问题。 我记得有一次。 我在玩另一个模型。 不是5.2。 我做了个单元测试。 跟它说。 假设我往底池里。 放了100美元。 然后弃牌。 我亏了多少。 模型说92美元。 我就想这也太离谱了。 我放了100美元。 然后弃牌。 怎么可能不是亏100美元。 他就说92嘛。 很接近100了。 没事问题不大。 我就觉得这明显有问题。 所以模型确实有这种。 爱糊弄人的毛病。 但到了o3。 我觉得就好太多了。 它基本可以零样本完成。 实际上我最近在做一个。 完整的扑克求解器。 它基本上能搞定全部。 我只需要稍微引导一下。 我甚至不会惊讶。 如果再过6个月或一年。 模型能零样本直接做出一个完整的扑克求解器。 基本上就是我整个博士论文的内容。
Sarah Guo:一次性搞定。 我们来聊聊更大的影响。 就是评估这些模型时。 相对于推理速度或效率。 跟token消耗量。 或者资金预算。 或者随便什么标量来比。 该怎么看。 你能讲讲你文章里提到的一些更广泛的影响吗。 [00:12:06]
Noam Brown:包括安全评估方面的。 对。 安全评估这事。 有点像那个不太方便说破的真相。 先交代下背景。 现在所有实验室都有一些政策。 叫责任缩放政策。 准备框架。 名字五花八门。 但核心思想是。 每次发布模型都要做一系列评估。 看它有没有危险的能力。 模型能不能被坏人用来做我们不想看到的事。 如果模型能力不强。 那就无所谓。 但如果它能力很强。 比如能被用来制造生物武器。 那你就得加一些防护措施。 但问题在于。 你怎么评估模型有没有这个能力。 他们也有各种评估的流程。 但这些框架很多都是在。 ChatGPT那个时代前后建立的。 那时候测试时计算扩展还不是个大事。 这在当时是合理的。 比如GPT-3。 你没法扩展它的测试时计算。 就算你给它1000万美元的预算。 说看看GPT-3能做什么。 它其实也做不了太多。 跟花10美元或1美元的结果差不多。 那些准备框架和责任缩放政策并没有真正考虑。 测试时计算量这个因素。 他们只是问。 模型的能力是什么。 问题是我们现在所处的世界。 模型的能力基本上是。 你投入多少钱的函数。 你给他1万美元的预算。 他能做的远比10美元预算多得多。 给他1000万美元预算。 他能做的就更多了。 那么你到底该在多少预算下。 评估这些模型。 现有的政策并没有真正解决这个问题。 有些政策做得稍微好点。 但总的来说。 这不是一个被认真考虑的因素。 至于模型到底该不该发布。 我不想蹚这浑水。 两边都有道理。 但我觉得重要的是要认识到。 这个问题我们一直在假装不存在。 我认为关键是要正视它。
Sarah Guo:不管怎样都得把它考虑进去。 对 这就像能力问题的镜像。 如果模型在非常大的预算下。 能在某些任务上持续进步。 不遇到瓶颈。 那他们同样也能在。 我们社会不希望他们做的任务上。 做到这一点。 对吧。 所以针对这一点进行测试。 以及分配多少预算。 这些问题也跟模型发布周期。 本身脱节了。 对吧。 现在发布速度在加快。 有时候几天几周。 就出一个新模型。 而不是六个月。 你在文章里有一句话。 大意是说。 要真正评估一个agent。 在某个非常长期的任务上的表现。 唯一的方法可能就是。 让它跑上一年。 这对有用的任务和有害的任务都成立。 对吧。 那你怎么看待这个问题。 [00:14:15]
Noam Brown:和模型发布周期之间的关系。 对。 这确实是个很有意思的动态。 基本上随着模型变得越来越强。 它们能在更长的时间跨度里运作。 还是拿GPT-3举例。 如果你想让它跑一周。 其实你很难通过脚手架。 把它搭成一个。 能真正跑一周的。 有用东西。 但我们现在看到。 最新的模型。 已经可以做到。 比如把o3搭建成。 能跑几周。 甚至几个月的系列实验。 [00:15:05]
Sarah Guo:你有没有给你的。
Noam Brown:扑克求解器任务。 无限的预算去跑过。 我还没真正搭过那种。 直接让它跑好几周的东西。 我觉得我可以给它试试。 我大概可以给它一个。 slash go。 然后让它放手去干。 但我觉得。 现在如果我只给它。 slash go。 它绝对能做出。 完整的扑克求解器。 不过我觉得它还没到那个水平。 如果我只给 slash go。 让它去跑一个月。 就能做出完整的扑克求解器。 但是我们很快就会到那个临界点。 我可能真的可以直接告诉它。 去花一个月时间做这个。 然后带着一个完整的。 最先进的扑克求解器回来找。 问题在于。 如果你想评估一个模型的能力。 想知道它跑一个月之后能做什么。 唯一能完全确定的方法就是。 真的让它跑一个月。 如果你想知道六个月后的情况。 唯一能完全确定的方法。 就是让它跑六个月。 我待会会讲到一些。 我们可以应对这个问题的办法。 但重要的是要认识到。 模型发布周期是。 你看我们现在大概每两三个月。 就发布一个新模型。 所以一个模型出来。 需要两三个月才能把它推到极限。 然后下一个模型又出来了。 结果就是。 没人真正知道。 这些模型的能力上限在哪里。 因为没人真的让他们跑足够长的时间去验证。 比如slash go刚出来的时候。 人们开始跑一些需要超过一周才能完成的任务。 所以大家其实是在发布一周之后。 才意识到这件事有多重要。 我觉得这种情况会越来越普遍。 这里面的影响我觉得挺有意思的。 因为实验室在发布前要怎么充分评估自己的模型。 这其实非常困难。 因为对你唯一能真正做评估的方法。 就是推迟模型发布周期。 而现在竞争压力很大。 大家都不太想这么做。
Sarah Guo:你觉得已经发布的模型里。 有没有那种因为时间限制。 [00:17:24]
Noam Brown:人们还没充分挖掘出来的。 令人兴奋的潜在能力。 我觉得绝对有一个很好的例子。
Sarah Guo:就是 Erdős 单位距离问题。
Noam Brown:可能有些观众不知道。 我们几周前在OpenAI 用了一个内部模型。 推翻了Erdős 单位距离猜想。 我不是数学家。 但这在数学界好像是一件挺大的事。 这是很多数学家花了大量时间研究的第一个问题。 而模型做到了他们没做到的事。 而且做出来的方式对数学家来说既有趣又有用。 说实话我们花的成本非常低。 我们没在这上面投入太多精力。 就是训练了一个新模型。 好奇它能做什么。 然后拿一些问题跑了一下。 这个问题在很低的预算下。 模型就说。 哦对我好像有一个反证。 然后我们验证了一下。 发现这个反证是对的。 我们公布结果之后。 很多人发现用o3。 也能得出这个答案。 当然不是简单的问o3。 这是Erdős 单位距离猜想。 反证是什么就行。 你得给它搭一些脚手架。 做一些引导。 有人发现你可以问o3。 列出解决这个问题的各种方法。 然后它会列出其中一条。 确实有希望得出反证的路径。 你再告诉他。 好。 沿着这个方向继续探索。 如果重复足够多次。 他最终就能得出反证。 这意味着。 原则上你可以用一个通用的脚手架。 让o3列出各种不同的策略。 然后针对每个策略。 让他去深入研究。 这样他大概就能用通用脚手架得出反证。 当然那个脚手架会非常贵。 我粗略估计。 大概要花1000到10万美元。 但这是可行的。 而且本来有人可以在我们之前。 就用通用模型推翻。 Erdős 单位距离猜想。 只是没有人充分探索过。 如果我把价值10万美元的算力。 砸进o3。
Sarah Guo:会发生什么。 它能做什么。 [00:19:21]
Noam Brown:答案是。 你大概真的能从中得到这样的成果。 所以大家应该对当前这代模型。 做更多实验。 这其实是个有意思的问题。 就是值不值得去做实验。 因为模型发布周期。 是每隔几个月。 我们就会推出一个更强大的新模型。 推翻EErdős 单位距离猜想的成本。 每经历一个模型发布周期。 就会下降大概10到100倍。 有些情况下可能更多。 所以。 你肯定看过那个梗。 就是我干嘛还要做任何工程工作。 等下一个模型发布不就行了。 对去度个假。
Noam Brown:对去度个假。 两个月后回来。 成本就变成千分之一了。
Sarah Guo:你同意这种说法吗。 [00:20:03]
Noam Brown:我。
Sarah Guo:你们现在在OpenAI就是这么做的吗。
Noam Brown:就等着下一个模型发布。 我得说。 我们正处在一个。 进展非常快的时期。 模型确实在变得越来越强。 我可以讲。 在OpenAI。 我们有一件事。 是刻意不去做的。 我们有很多数学家。 很多物理学家。 大家对现在这些模型。 能做什么都非常兴奋。 尤其是内部模型。 我们在努力鼓励大家。 不要把所有时间。 都花在便利各种。 数学开放问题。 物理问题上。 去把模型推到极限。 看他们能证明或推翻什么。 因为我们真的认为。 重点应该放在。 如何做出更强的模型。 如何尽快把它们安全地交到。 全世界科学家手里。 让他们自己去用这些模型解决问题。 所以从某种意义上说。 我们确实在思考这个问题。 是的。 把所有精力都投入到扩展这些模型。 看看他们现在极限在哪里。 确实很诱人。 但真正的重点应该是。 如何用这些模型去做出更强大。 能力更强的模型。 让一切都能以更低的成本完成。 考虑到你对超大规模测试时。
Sarah Guo:计算的影响所持的看法。 你觉得研究方向或资源分配。 会发生什么变化。 这跟递归自我改进的想法。 比如任何实验室达到最强模型的主流思路。 会如何相互作用。 [00:21:16]
Noam Brown:有一点我需要澄清。 我不认为我们已经到了那种地步。 只要给他一个任意极高的推理预算。 他就能在所有方面都超级智能。 就像slash go。 对让他做出GPT-7之类的。 然后放手让他去干。
Sarah Guo:那我们离那一步还差什么。
Noam Brown:我玩过这个模型。 首先有些基准测试。 就算给再多推理预算。 模型也不会进步。 很多事实检索类问题就属于这一类。 比如你问一个人亚伯拉罕。 林肯什么时候出生的。 他不知道具体日期。 他可以坐在那儿想一个星期。 但如果没有电脑之类的工具。 他想一个星期跟想五秒钟。 答案不会更好。 模型也一样。 有意思的是。 如果你给模型这类事实检索问题。 再给它一点思考时间。 它确实会做得更好。 如果不行。 就换一组随机数字试试。 显然只要时间足够。 用这个策略能解开任何数读。 你可以很直观地看到。 任何模型只要给更多测试时计算。 就能不断进步。 而所有基准测试。 大致都落在这两个极端之间。 模型还没到那种程度。 给足够测试时计算。 就能替代我们所有工作。 因为有些基准测试上。 它们不会进步。 有些事情上。 它们就是不会进步。 我观察到研究领域的一个问题是。 它们目前的研究品位不太好。 所以我觉得它们其实是很好的补充。 对研究人员来说尤其如此。 我发现用了这些模型之后。 我的效率高了很多。 但他们还没法完全替代整个研究周期。 那会不会随着时间改变。 大概会。 我觉得模型在全面进步。 有些方面进步得比另一些快。 但还没到光靠给足测试时。 计算就能完全替代研究人员的程度。
Sarah Guo:能不能举一两个例子。 [00:23:20]
Noam Brown:比如让模型做一个研究任务。 或者那种。 这想法太烂了的情况。 回到我那个。 扑克求解器的例子。 模型优化我博士期间。 开发的算法的能力。 真的让我印象深刻。 回头看。 我当时效率低的令人震惊。 而他们能把速度提升十倍。 一百倍。 然后我就想。 好那你能不能想出一个。 比我或者比任何人想出来的。 都更好的算法。 去把所有已发表的研究。 看一遍。 综合起来。 然后试着搞出点新东西。 他做不到。 我给他很多时间。 还是做不到。 当然如果我搭个框架。 再给他一些约束。 也许最终能搞出更好的东西。 但这需要很多。 不是简单说一句。 请想出一个更好的算法就行。 那你觉得这方面要怎么改进。 我看到的是。 每次模型发布新版本。 这方面都会变好一些。 按我的标准还是很差。 但没以前那么差了。 我不会惊讶。 如果某个时候。 就像编程数学那样。 突然出现一个拐点。 研究品位突然就好到能用了。 我不会惊讶。 我们也会遇到那个拐点。 即便如此。
Sarah Guo:你今天怎么看递归自我改进。 [00:24:33]
Noam Brown:我们应该怎么理解它。 模型确实在加速。 实验室里研究人员的工作。 但我觉得它加速了一些事情。 另一些没有。 目前我们处于这样一个阶段。 如果某件事快了100倍。 你就会被那些。 没快100倍的事情卡住。 随着时间推移。 卡住我们的东西会越来越少。 我觉得这方面会是一个。 渐进起飞的过程。 但现在更多是改变。 研究人员的工作方式。 而不是完全替代研究人员。 所以这其实意味着。
Sarah Guo:你觉得我们现在离一个。 [00:25:05]
Noam Brown:非常快速的起飞还很远。 我觉得快速起飞是相对的。 事情确实进展很快。 但有一种假说认为。 可能出现一夜之间的智能爆炸。 模型发现某种突破。 让自己变聪明。 然后这个突破又带来更多突破。 让自己立刻更聪明。 瞬间模型就在所有方面都远超人类。 我不认为我们会走向那个世界。 很大程度上是因为模型极度依赖大规模测试时计算来达到最高智能。 如果需要那么多测试时计算才能解锁模型的全部能力。 那就意味着你被时间卡住了。 事情只能快到一定程度。 因为模型需要运行足够久才能真正做出非常强大的东西。 时间本身成了我们能做什么的瓶颈。 我觉得现在很多实验室就是这种情况。 最终我们所有人最大的平静就是时间。 这也是为什么所有研究人员。 现在都这么拼命工作。 每周投入那么多小时。 因为我们都看到了潜力有多大。 看到了能力有多强。 我们只是被做事的速度卡住了。
Sarah Guo:你觉得现在前沿领域里。 [00:26:08]
Noam Brown:哪些方向探索的还不够。 我们之前聊过多智能体。 我觉得多智能体这块已经探索的挺多了。 在足够大的规模下。 我觉得能做的事情还有很多。 但这也是在小规模下。 很难做好的事情之一。 很多研究在小规模下都很难做。 多智能体尤其如此。 要真正释放它的能力。 我觉得需要前沿模型。 我们见过一些挺有意思的多智能体框架。 它们能做不少事。 但我觉得这真的只是冰山一角。 我思考这个问题的一个角度是。 你看。 人类文明。 并不是说人类在过去五万年里。 进化得更聪明了。 而是今天的人类能比学区时代。 做更多事。 是因为有数十亿人长时间思考。 并在彼此积累的知识上不断构建。 我们现在的检索和框架能力。 跟五万年前比强太多了。 我甚至不觉得那叫框架。 这是一种非常有机的。 涌现出来的特性。 就是人类能够积累知识。 分享知识。 并在此基础上继续构建。 我们现在在AI模型身上。 还看不到这一点。 它们诞生于某个世界。 在一个很短的上下文窗口里存在。 然后就消失了。 当然你可以做一些事情。 让它们延续下去。 但非常有限。 我确实认为最终我们会。 而且我们已经开始看到一些迹象。 表明我们正在进入一个。 它们可以大规模协作的世界。 我觉得MultiBook OpenCore。 刚出来的时候。 显然有点被过度炒作了。 但它们预示了。 未来可能的发展方向。 我确实认为。 我们最终会进入那样的世界。 某种协调的复合的状态。 对。 就是模型能够在更全局的层面上。 分享知识。 并在此基础上。 进行有生产力的构建。 基于你这些信念和你的工作。
Sarah Guo:你怎么看前沿领域里。 这三家之间的竞争。 如果没有一夜之间的飞跃。 只是研究人员埋头苦干。 试图在算法方向。 投资决策上。 做出高品位的正确选择。 然后是算力分配。 再然后是政策和评估决策。 这感觉比那种。 冲向某个没人能追上的。 极客的硬起飞。 要更接地气一些。 我觉得现在的竞争非常激烈。 我确实认为。 [00:28:00]
Noam Brown:现有的模型正在加速。 前沿实验室研究人员的工作。 当然就像我说的。 目前还有局限。 但用模型来改进。 模型研究这件事。 是真实存在的。 它就像一个放大力量。 我认为就会持续下去。 而且会越来越明显。 让我感到安心的一点是。 我觉得所有前沿实验室的研究人员。 所有前沿实验室都认识到。 这其中的利害关系和这些模型的风险。 这让我感到安慰。 我觉得每个人都真正理解。 这是一件非常严肃的事。 可能带来非常好的结果。 也可能带来非常坏的结果。 是的。 实验室之间存在竞争关系。 但我们也可以想办法。
Sarah Guo:一起走向积极的结果。 而不是非常消极的结果。 我觉得不问这个问题就太失职了。 因为你很早就一直正确认识到。 测试时计算和推理框架的重要性。 你在使用模型方面。 有没有什么方式。 是你想鼓励大家去用的。 就是给所有事情设定目标吗。 我觉得对很多人来说。 这对你的听众可能不一定适用。 [00:29:10]
Noam Brown:但有很多人在2023年左右。 尝试过AI。 觉得不能信任它的输出。 然后就不再把它用于。 真正高风险的决策了。 实际上我认为模型。 已经进步到了一个程度。 他们在这些事情上。 已经非常出色了。 比如我问他们税务建议。 或者我最近买了个公寓。 就问他建议。 比如我需要填哪些文件。 这些都意味着什么。 他回答这类问题真的非常好。 所以我每天都在用他处理。
Noam Brown:所以我每天都在用他处理。 很多这类事情。 我觉得他们现在已经到了一个阶段。 其实已经有一段时间了。 让我觉得我可以信任他的输出。 甚至可能比信任一个人的输出。 更放心。 一个专家级的人。 我还有最后两个问题。
Sarah Guo:一个是你觉得有没有什么事情。 是研究社区里其他人不同意你。 或者还没完全理解其重要性的。 这个问题问得太好了。 我真希望我提前有时间想过这个问题。 你可以就跟我待一会儿慢慢想。 现在成了共识。 会不会感觉有点奇怪。 三年前你还有点愤愤不平。 觉得为什么人们不理解这件事有多重要。 [00:30:13]
Noam Brown:我仍然不觉得这已经是共识了。 因为你看。 人们还是不以这种方式。 发布基准测试。 这倒是真的。 这其实就是。 我写那篇文章的原因。 我觉得那是惯性。 对 差不多。 这也是我写那篇文章的原因。 我就想说。 我们可以讨论这件事。 但部分动机是。 我跟研究人员聊的时候会说。 我们在展示基准测试时。 应该加一条X轴。 不管是按token。 成本还是时间。 总之得有条X轴。 然后每个人都会说。 对 有道理。 我们应该这么做。 但他们并没有带着。 应有的重视去行动。 我们必须衡量正确的东西。 其实大家的反应是。 外界期望我们发布那个表格。 那为什么外界会期望发布表格呢。 因为每个人都在发布表格。 于是你就陷入了一种糟糕的均衡。 所有人都知道这不好。 但没人愿意打破它。 我就觉得。 好吧。 如果我站出来说。 各位。 我们都承认自己。 处在一个糟糕的均衡里。 然后我们一起转向。 另一种均衡。 也就是用X轴来绘图。 那么下次。 有模型发布时。 公司就能安心地。 不发布那个表格。 至少不把它放在最前面。 作为头条。 这样我们就能对这些模型。 进行更有成效的评估。
Sarah Guo:最后一个问题。 你怎么看那些。 [00:32:01]
Noam Brown:专注于特定领域的公司。 他们觉得自己提供的价值。
Sarah Guo:本质上在于。 路由层选择层。 也就是我的目标。 由一堆离散任务组成。 有些需要更高智能。 有些则不需要。 而我作为供应商的工作。 就是在考虑预算限制的前提下。 解决这个问题。 或达成最优结果。 所以我会管理并行化。 以及针对不同模型。 投入多少推理算力。 因为我认为。 前沿实验室的观点是。 这种路由既发生在API背后。 应用背后。 也有一部分发生在模型内部。 而这些环节的某些部分。
Noam Brown:显然正在所有这些应用中被外部化。 对 我确实觉得这根基准测试。 应该用token或成本作为X轴来评估有关。 我最近看到一些评估显示。 通过路由层。 基本上靠模型间的共识。 就能获得好得多的表现。 我绝对相信。 如果你在模型间达成共识。 表现会比任何单个模型都好。 但重要的是要问一句。 让那个模型思考更长时间。 会不会做得更好呢。 一旦你控制了测试时计算量。 它实际上还会更好吗。 这才是你需要搞清楚的问题。 这是个非常原则性的观点。
Sarah Guo:路由没问题。 但一切都受制于。 同一个预算问题。 如果你把它放在同一个标量上。 就能做出最优决策。 我想也许我会赢。 [00:33:22]
Noam Brown:我倒不一定是那个意思。 我愿意相信路由做得更好。 但问题在于。 它能好很多吗。 它是不是很脆弱。 跟基准测试相比。 它反映真实世界用力的程度如何。 因为你可能遇到的一个问题是。 你可以用路由。 针对某些基准测试做优化。 然后展示说。 看我们在这些基准测试上。 取得了巨大提升。 但在真实世界用力里。 最终却并没有显著改善。 所以我至少会说。 你需要控制测试时计算量。 然后你还需要对基准测试。 保持所有你通常会有的怀疑态度。 太棒了。 Nom。 非常感谢你。
Sarah Guo:也感谢你致力于打破这种虚假的均衡。 很高兴能回来。 在Twitter上找到我们。 账号是NopriorsPod。 想看我们的脸就订阅我们的YouTube频道。 在Apple Podcasts。 Spotify或你平时听节目的地方。 关注我们。 这样每周都能收到新节目。 也欢迎访问nopriors.com。 订阅邮件。 或查看每期节目的文字稿。 [00:34:16]
来源:OpenAI News
URL:https://openai.com/index/mapping-ai-jobs-transition-eu
OpenAI 的一份新报告描绘了 AI 可能如何重塑欧盟各地的工作,重点说明哪些职业可能面临自动化、增长或工作流程变化。
这期对话围绕 Cloudflare 联合创始人兼 CEO Matthew Prince 对 AI 时代互联网基础设施和商业模式的判断展开。核心结论是:Cloudflare 观测到机器人流量已经超过人类流量,未来五年网络流量可能增长到现在的一千倍,旧互联网依赖广告和搜索入口分发内容的模式会被 AI Agent 改写。Matthew Prince 认为,AI 会显著增加计算、网络和安全压力,也会迫使企业重构产品、组织和商业模式;但它同时也提供了一个机会,让真正稀缺、独特、可信的知识重新获得定价能力。
Matthew Prince 解释说,Cloudflare 能看到相当大比例的互联网流量,因此可以通过 Radar 等内部观测判断人类流量与机器人流量的变化。他认为,过去的机器人主要是搜索引擎爬虫,而现在的大量 AI Agent 会为了回答一个问题抓取、推理和调用更多服务,导致流量、CPU、GPU 和网络资源消耗呈数量级增长。过去二十八年,网页发布者通过搜索流量换取广告曝光,但机器人不会点击广告,AI 摘要也可能让用户不再访问原站,因此内容生产者、平台和 AI 公司之间必须形成新的价值交换机制。
他回顾了 Cloudflare 的起点:公司最初想把防火墙放到云端,为网站提供性能和安全能力。早期真正使用 Cloudflare 的不是理想中的中小企业,而是黑客小孩、人权组织、非营利组织以及一些受到攻击的边缘网站。正是这些高风险场景迫使 Cloudflare 建立 DDoS 防御、DNS、域名注册、VPN、开发者平台等能力,也形成了类似“互联网免疫系统”的网络效应:任何客户遭遇的攻击都会帮助整个平台提升防御能力。
在创业故事部分,Matthew Prince 讲到 Cloudflare 如何从土耳其网站攻击、Eurovision 攻击和美国银行攻击中学习安全模式,并因此逐步获得金融机构和政府客户信任。他也谈到联合创始人 Michelle Zatlyn 与 Lee Holloway 的互补关系:Cloudflare 早期团队差异很大,但每个人都有明确的专属领域,这种互补让公司能同时处理讲故事、流程化、技术架构和市场拓展等不同任务。
谈到 AI 产品,Matthew Prince 认为 Cloudflare 很早就在机器学习场景中积累能力,只是过去不一定用“AI 公司”来描述自己。现代 AI 布局从边缘计算、Workers、GPU 合作和开发者平台延伸出来,包括 Workers AI、AI Gateway、Durable Objects、Agent SDK、Workflows、Browser Rendering 等。他强调,Agent 工作负载需要大量短生命周期、可隔离、低成本的计算环境,传统容器方式成本太高,而 Cloudflare 基于 isolate 的架构更适合这类高并发任务。
安全方面,他判断未来两年可能频繁出现类似 Log4j 级别的漏洞,因为 AI 模型发现漏洞的能力正在增强,攻击者和防守者都会使用这些工具。Cloudflare 内部已经用 Agent 检查配置变更、代码发布和历史事故模式,也把相关经验产品化为面向企业的安全能力。组织层面,他认为未来 6 到 12 个月很多公司都会因为 AI 重新校准团队结构,最困难的是帮助职业中期员工克服恐惧、学会使用新工具,而不是把 AI 只交给年轻员工或工程团队。
内容商业模式部分,Matthew Prince 认为互联网下一阶段需要从“广告换流量”转向“为独特知识付费”。AI 公司不需要更多重复内容,而需要高声誉来源填补知识空白。他用 Spotify 通过未满足搜索需求激励音乐创作者的例子说明,平台可以把模型发现的需求缺口反馈给创作者,形成新市场。他希望本地报纸、专业知识生产者和原创报道能够通过 AI 授权、需求匹配或其他机制获得收入,而不是继续被旧广告模式压低价值。
1. Cloudflare 观测到机器人流量已超过人类流量,Matthew Prince 认为未来五年互联网流量可能增长到现在的一千倍。
2. AI Agent 会打破旧的内容分发逻辑:机器人不会点击广告,AI 摘要也会减少用户访问原站,广告模式需要被重写。
3. Cloudflare 的网络效应来自安全数据和基础设施规模,攻击一个客户产生的经验会让所有客户受益。
4. Workers 和 isolate 架构被 Matthew Prince 视为更适合 Agent 工作负载的计算模型,因为它启动快、隔离强、成本更低。
5. AI Gateway 的价值在于审计 Prompt 和响应、注入企业约束、控制 Token 成本并做智能模型路由。
6. AI 会同时放大安全风险和防御能力,未来两年可能频繁出现高影响漏洞,企业需要用 Agent 检查配置、代码和事故模式。
7. 组织转型的难点不是工具本身,而是帮助职业中期员工和非工程部门克服恐惧,把 AI 纳入日常流程。
8. 下一代互联网商业模式应奖励稀缺、可信、独特的知识,而不是继续依赖搜索流量和展示广告。
- 开场 机器人流量首次超过人类 [00:00:00 - 00:10:00]
- Cloudflare 的网络效应与早期客户 [00:10:00 - 00:20:00]
- 从土耳其攻击故事到金融客户 [00:20:00 - 00:30:00]
- 联合创始人互补与 AI 产品布局 [00:30:00 - 00:40:00]
- Agent 平台、CPU 压力与安全挑战 [00:40:00 - 00:50:00]
- Cloudflare OS 与组织 AI 转型 [00:50:00 - 01:00:00]
- 互联网内容商业模式重建 [01:00:00 - 01:10:00]
- 用 AI 重新奖励独特知识 [01:10:00 - 01:13:35]
一凯:欢迎收听跨国串门计划。这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的AI声纹克隆技术,我们不仅将内容翻译成中文,还完美保留了原主持人和嘉宾的独特声音,为您呈现全球顶尖的AI财经。健康与科技领域精品内容。我是主播一凯,一位热衷于AI领域的产品经理,很荣幸能为您搭建这座跨越语言障碍的桥梁。接下来让我为您简单介绍本期我们克隆的这档节目,并分享几句非常精彩的原话,本期我们克隆的是知名科技播客 The Mad Podcast with Matt Turcks 在2026年6月25日更新的一期深度对谈,主持人Matt Turck与嘉宾Matthew Prince坦诚交流 Matthew Prince是Cloudflarelare的联合创始人兼CEO 这家公司承载着全球互联网相当大比例的流量,他对网络基础设施和未来趋势有着非常独到的见解,在节目里他有几句话让我印象特别深刻,五年后互联网上的流量可能会是现在的1000倍,未来6到12个月几乎每家公司都会经历类似的调整,裁掉一部分团队成员,过去28年里互联网的底层商业模式基本没变,主要还是靠广告,但问题是机器人不会去点广告,未来五年互联网的商业模式会发生根本性的改变,一旦你意识到这种改变必然会发生,你能为团队做的最善良的事就是尽快动手,因为今天找工作比6到12个月后容易得多,这些话背后有着很长的故事 接下来就让我们一起走进这期完整的对话,实际上在2026年上半年,我们平台上的机器人流量就已经超过了人类流量,五年后互联网上的流量可能会是现在的1000倍,未来6到12个月几乎每家公司都会经历类似的调整,裁掉一部分团队成员,过去28年里互联网的底层商业模式基本没变,主要还是靠广告,但问题是机器人不会去点广告,未来五年互联网的商业模式会发生根本性的改变,大家好我是Matt Turck 欢迎收听Matt播客 [00:01:45]
Matt Turck:今天我很高兴请到了Matthew Prince 他是Cloudflarelare的联合创始人兼CEO Cloudflarelare是互联网上最重要的公司之一,承载着全球互联网流量的很大一部分,我们的对话从一个巨大的里程碑开始,互联网上的机器人和AI Agent数量,首次超过了人类,我们还会聊到Cloudflarelare 如何成为一家AI基础设施公司,并深入探讨Cloudflarelare Workers AI Gateway和Agent Security 我们也不回避一些更有争议的话题,包括Cloudflarelare 最近为了适应新的AI时代,决定精简团队规模,我得补充一句 Matthew特别会讲故事,他会分享Cloudflarelare 从一家小创业公司,成长为今天这家,大型上市公司的过程中,一些非常疯狂和搞笑的故事,请欣赏我和Matthew的精彩对话,我想先聊一件感觉,像是互联网历史上 一个非常关键,非常重要的时刻,你几周前发了一条推文,大意是说,现在互联网上机器人和机器的数量,已经超过了人类,能详细说说这是怎么回事吗,好的,其实网上一直都有机器人,在活动 Google的运作方式 [00:03:15]
Matthew Prince:就是抓取互联网内容,然后据此建立索引,在Calford成立后的大部分时间里,互联网上大约20%的流量是机器人,这个比例在很长一段时间里,都相当稳定,直到大约两年前,我们开始看到机器人流量真正的激增,这主要是由AI和大语言模型,以及他们背后的一切所驱动的,去年秋天,也就是2025年秋天,有人问我,自动化流量什么时候会超过人类流量,我们调取了数据,并根据趋势做了推断,当时我们认为会是在2027年底,时间快进到今年的西南偏南大会,也就是2026年3月,我又被问到了同样的问题,我们再次查看数据,发现增长速度比我们预期的要快得多,这个时间点提前到了2027年上半年 然后就在几周前,我的团队来找我,我真的很震惊,他们说你肯定不信,但实际上在2026年上半年,我们平台上的机器人流量,就已经超过了人类流量,所以我认为这表明了,这些不同系统的增长速度有多快,而且它们几乎都是由AI驱动的,正在互联网上产生越来越多的流量,这个分母是什么,是HTTP请求吗,是的 Cloudflarelare承载着互联网上很大一部分流量,而且这是一个非常有代表性的样本,所以我们总能从中观察到互联网的整体趋势,我们有一个叫Radar的网站,你可以去radar.Cloudflare.com看看,它追踪了很多不同的数据,其中一项就是人类流量和机器人流量各有多少,在过去几个月里,机器人流量已经超过了人类流量,我认为如果以此推断 五年后你可能会看到,机器人流量是人类流量的一千倍,如果让我打个赌,我会赌这个数字会更高,因为它正以指数级的速度增长,你会看到互联网上很大一部分流量,都是由这些各种各样的机器人 Agent和其他系统驱动的,当我们说机器人的时候,是指Agent吗,还是指爬虫,我觉得Agent 机器人,爬虫,这些都是同一词,意思都一样,就看你用什么词来描述了,如果你想用褒义的说法,就叫它Agent 如果你想用最让人反感的说法,就叫它爬虫或抓取器,但他们在后台都是一回事,都是机器在访问资源,而不是人类用眼睛看着浏览器去访问,再说回现在的情况 那种抓取爬虫黑客流量,还是有很多,这部分变化不大,像Googlebot这种,用来建立搜索索引的机器人,也还在,这部分变化也不大,甚至可能还略微下降了一点,但真正推动这波增长的,我认为就是我们所说的Agent 比如如果我去ChatGPT Cloud或者其他任何这类系统上,挑选数码相机,那么为了完成挑选数码相机,这同一个任务,你看到的网站访问量,会是我自己手动挑选的几千倍,我自己可能只会访问五个网站,来决定买哪款,而我的Agent可能会访问五千个,这才是真正推动需求增长的原因,那从基础设施的角度来看 [00:06:16]
Matt Turck:这带来了什么变化,就像你刚才说的,五千个网站对比五个,从某些方面看,这听起来效率很低,当然对我这个用户来说,最终是高效的,因为我得到了最好的答案,但这在基础设施的需求上
Matthew Prince:会带来什么改变,对我觉得,首先如果这个趋势持续下去,互联网上就会产生巨大的额外需求,我回想一下新冠期间,我们在两周内就看到互联网流量翻了一倍,如果我们的预测没错,这个数字很快就会显得微不足道了,五年后互联网流量可能是今天的1000倍,这意味着需要更多的服务器,更多的网络基础设施,更多的CPU 更多的GPU 更多的内存,所有用来服务这些机器人的东西,都会变得非常重要,同时这也意味着,我们必须找到某种新的商业模式,来为此提供资金,总得有人来买单,而互联网历史上的商业模式,一直是广告,但机器人不会点击广告,所以未来肯定会是某种不同的东西,我觉得当今世界最有趣的问题是,在未来五年内 互联网的商业模式,将发生根本性的改变,而它会变成什么样,目前还完全没有定论,对这需要一套全新的词汇,因为过去是点击量和浏览量,那现在会是什么,比如行动量之类的,我们得搞清楚那到底是什么,而且这会改变很多事情,比如在Agent的世界里,品牌是什么,品牌在历史上是一种捷径,用来告诉人们,这个东西带有某种特定的预期,会带来某种特定的体验,如果我看到建筑侧面,有沃尔玛的标志,我就知道走进去会是什么样,如果我看到万豪的标志,麦当劳的标志,我也知道那会是什么样,但关于机器人,他们有无限的耐心去发掘,所有可能合适的东西,所以品牌在未来,会是什么基本概念,将和过去那种非常,由人驱动的商业和互联网体验,截然不同 再说一次,我不确定,我不确定我对它会是什么样子,有什么想法,我认为Cloudflarelare 会在帮助理清这个问题上,扮演一定的角色,但我认为这一切,都会在未来五年内被发掘出来,这非常令人兴奋,太有意思了,我想花一点时间,聊聊Cloudflarelare的基础知识,如果我把Cloudflarelare 放在我的网站前面,会发生什么 Cloudflarelare最初的想法是,你怎么能把防火墙,这种安全产品放到云里,这个最初的念头,源于一个认识,软件正在向云端迁移,服务器也在向云端迁移,因此所有的安全和网络基础设施,也必须向云端迁移,这就是我们起步时的基本前提,所以如果你在15年前注册了Cloudflarelare 把我们放在你的网站前面,你实际上就是在网站前放了一个门位 它可以检查任何试图访问网站的人,然后拦住那些坏家伙,同时因为我们需要确保不会拖慢速度 [00:09:54]
Matthew Prince:同时因为我们需要确保不会拖慢速度,我们也会帮你分担网站的大量负载,并且能够为好的访客显著加快内容交付速度,所以Cloudflarelare最初的理念,就是以非常易于采用的打包方式,提供性能和安全性,作为一家企业,我们知道要想成功,最终必须把服务卖给大型银行,政府和医疗机构,所有这些现在都是我们的客户,但在早期这些机构不会,他们永远不会信任我们,因为我们只是一家不起眼的小创业公司,而且我们当时没有任何基础设施,也没有数据来实际提供安全服务,所以我们做了一件事,就是创建了一个免费的,功能精简版的服务,目的是让每个人都能用上,有意思的是,我们原本以为会是一大堆中小企业,创业公司和个人来注册 但后来我们发现,如果把预算当成X轴,安全问题当成Y轴,画出来几乎是一条完美的对角线,预算越少,安全问题越少,预算越多,安全问题反而越多,结果就是中小企业,创业公司哪怕免费也不来用,但有两类组织打破了这个规律,一类是黑客小孩,因为他们整天互相攻击,所以一夜之间全世界的黑客小孩,都注册了Cloudflare 然后互相打,顺便想把我们也打趴下,另一类是人权组织,人道主义组织,非盈利机构,因为做这些事,十有八九会惹毛某些人,往往是某个政府之类的,然后就会来攻击你,所以一夜之间,全世界的人道主义组织,全世界的黑客小孩,都在用Cloudflarelare 他们全涌进来,我们突然就承受了巨大的攻击,只能不停的应对 所以我们后来做了域名注册产品,因为之前我们用的一家注册商,差点让我们的域名被盗,那对我们来说会是灾难,我们不得不做DDoS防御,一开始我们根本不想碰这个,我们不得不自己建DNS基础设施,因为找不到别人来支持我们,我们还得自己搞VPN 因为别人的要么太慢,要么不够安全,到最后,我们不得不搭建自己的开发者平台,让团队能把想法转成实际部署,同时又能做到极度受限,沙箱化,因为到某个阶段,我们的体量已经大到一旦出问题,对全世界的影响会非常大,所以Cloudflarelare真正的故事是,我们一开始的想法很简单,就是怎么把防火墙放到云上,然后在这个过程中,我们给自己制造了太多问题,不得不去解决,在解决这些问题的过程中,又造出了一整套产品,所以今天的Cloudflarelare 跟刚起步是完全不一样,我有时候都很难一句话说清楚,我们到底是做什么的,在某个层面上,我们有点像下一代AWS或Google Cloud 重新思考了这套东西该怎么做,我们仍然提供安全和性能,但还有更多产品,利用我们已有的网络,提供云端VPN之类的服务,而且因为我们挡在互联网,这么大比例的流量前面,我们越来越需要去思考,未来互联网的商业模式到底是什么,所以我们的使命,就是帮助构建一个更好的互联网,我觉得任何能实现这个使命的事情,都是我们一直在思考的问题,对网络这个概念很有意思,而且似乎是整个故事的核心 [00:12:42]
Matt Turck:它既是用户网络,也是物理网络,对吧,你们最初做的就是搭建这个边缘网络,作为一家年轻创业公司,到底是怎么做到的,在最开始我们刚上线的时候 [00:13:24]
Matthew Prince:在全球五个城市有服务器,芝加哥弗吉尼亚州阿什本,加州圣赫赛阿姆斯特丹和东京,不过东京那个说实话得打个信号,因为我们当时没完全搞定路由,一旦搞错,大量美国流量就会打到东京去,所以我们当时真的是,一天之内反复开关东京的服务器,看全球哪个时区的人醒着,快进到今天,我们在全球超过350个城市,超过1000个数据中心都有部署,最小的部署大概是一个机架的服务器,有些地方根据需求会有几百个机架,但我觉得背后一个巨大的重点,就是怎么想办法进入全球所有这些地方,这中间有一连串的故事,讲我们怎么为全球的ISP 为消费者的互联网提供商,创造足够价值,让他们愿意邀请我们把设备,放进他们的机房 我记得巴基斯坦电信,那是一个极其难打交道的组织,巴基斯坦人口很多,所以有大量流量,都打到我们的法兰克福数据中心,我一直说,我们应该把服务器放到巴基斯坦去,然后他们说,我们团队一直跟我说,你不懂,他们真的太难搞了,他们把Facebook踢出去了,把YouTube踢出去了,把Akman也踢出去了,他们绝对不会让我们进去的,结果有一天,突然之间我们收到一封邮件,来自巴基斯坦电信网络部门的负责人,他说,嘿,我们有没有办法把Cloudflarelare的设备,放到我们的网络和系统里,我看到这封邮件的时候心想,你不是说这些人很难搞吗,于是我们打电话给那位负责网络的人,我说,哦,我们听说你们挺难搞的,你为什么想让我们进去,他说,我是个超级板球迷,巴基斯坦国家板球队是Cloudflarelare的客户 他们是免费客户,我实在受够了,把流量回传到,法兰克福的延迟了,所以把服务器发过来吧,我们会把它们,装到我们的网络里,所以Cloudflarelare成功的秘诀,一直是,我们怎么给一大群人,提供大量免费服务,然后这群人里,总会有某个非常关键的人,我们也会做其他事情,比如你输入 www.amazon.com 实际上Amazon可以自己选择 www指向哪里,运营.com的Versa 可以选择amazon.com指向哪里,问题是谁来决定.com指向哪里,答案是有13台跟服务器分布在世界各地,它们是互联网的底层基础,当我说服务器的时候,人们会想象一个单独的盒子,但在这些情况下,背后往往是几千台机器,而且运营这些服务器的机构,可能会让你有点意外,比如南加州大学有一台 马里兰大学有一台 NASA有一台,之所以是13台,是因为这是一个标准数据包,能装下的最大数量,所以永远不会有第14台跟服务器,而且运营这些服务器的机构,大概也永远不会变,因为这已经变成了一个极其政治化的话题,中国想要一台,俄罗斯想要一台,结果就是马里兰大学大概会继续运营下去,虽然你可能会问,为什么是马里兰大学,我们为这13台跟服务器中的两台,提供基础设施,我们并不运营,跟服务器本身,但他们在我们的网络上,这非常重要,因为每当你发一封邮件,点一个链接,用手机上的任何一个APP 发生的第一件事,就是向这些跟服务器之一,发出请求,所以我们提供这些服务,免费提供,为13台中的两台 做这件事,有人请我们,为更多跟服务器提供服务,但我们觉得两台就够了,这也是我们去跟世界上,任何一家ISP谈的时候,会说的,嘿你们想不想,让一台根服务器,运行在你们的网络里,他们会说,当然想,这能改善一切,然后再把这个,弄进去的过程中,也就帮到了我们,我们提供的所有其他服务,都运行在,同一套基础设施上,正因为我们做了这些苦活,让Cloudflarelare的每一项服务,都能跑在我们的,任何一台服务器上,所以当我们能进入,这些地方的时候,就意味着,我们拥有了某种,非常特殊的通道,能接触到互联网最根本的核心运作方式,这太神奇了,对吧 [00:17:13]
Matt Turck:我们都把互联网当成理所当然的东西,听你讲这些真的非常有意思,了解它到底是怎么运作的,好,这是物理网络,你会把Cloudflarelare看作一个网络效应型的生意吗,不管是数据网络效应
Matthew Prince:还是其他什么,还是说这更多是风险投资人看世界的方式,不是,我觉得网络这个东西天然就有网络效应,而且你看,随着我们规模越来越大,用户使用我们的增长速度,其实一直在加快,所以我认为,现在是有多种不同的网络效应,在互相叠加,但其中一个是,我们提供VPN服务,还有全球最受欢迎的DNS服务之一,一点一点一点一点一点,每个用这些服务的人,他们访问Cloudflarelare上,其他任何东西,天然就会快一点,所以用我们网络这一段的人越多,另一段就变得越有价值,反过来也一样,用另一端的人越多,这一端也越有价值,我觉得这些效应是在不断复利,不断叠加的,再往前看,当我们思考互联网未来的商业模式,会是什么样的时候 我觉得那会是另一个,让尽可能多的人,留在我们网络上的巨大吸引力,不过有意思的是,注册Cloudflarelare基础服务,大概只需要五分钟,离开只需要十秒钟,所以虽然我觉得有很多东西,在持续驱动Cloudflarelare背后的价值,但我们必须不断努力去兑现这种价值,不然的话,我们的客户其实没有任何锁定 [00:19:03]
Matt Turck:如果我们不提供服务,不创造价值,整件事可能转眼就没了,但从安全的角度来说,为什么要走呢,当然你可以随时去找竞争对手,但你留在这里,能享受到的好处是
Matthew Prince:你等于拥有了对全球所有DDoS攻击的集体认知,随时都在受益,对这又回到了我说的,这也是我们拥有的另一种网络效应,我们就像是一个免疫系统,针对任何一个客户的攻击,最终会让所有客户都受益,有个故事,我的联合创始人Michelle肯定不想让我讲,因为稍微有点
Matthew Prince:因为稍微有点,怎么说有点带颜色,我记得很早的时候,我们曾经设了一个铃铛,每次有人注册Cloudflarelare 铃铛就会响,然后铃铛一响,我们所有人就会冲回自己的笔记本电脑前,看看是谁注册了,那大概是在2010年,或者2011年初,我记得我当时眼睛都瞪大了,脸都红了,因为注册的是一家土耳其的色情网站,我当时就想好吧,看来我们需要搞个员工手册之类的,说明一下可能会有一些色彩比较丰富的网站,来注册Cloudflarelare 但紧接着铃铛又响了,又是另一家土耳其色情网站,然后又是一家,接着又是一家,到第一周结束的时候,已经有超过1000家土耳其色情网站注册了 Cloudflarelare 这事真的非常奇怪,产品契合度找到了 我们当时没有销售团队,但我们有了一个市场,我们把网站翻译成了土耳其语,而且奇怪的是,并不是来了一堆什么保加利亚的escort网站,不知道为什么全是土耳其的,好奇心最终占了上风,我们就联系了其中一位网站站长,跟他们约了个Skype通话,挺有意思的,首先我们接通电话后,他对Cloudflarelare感激的不得了,他说你们可能不太了解,土耳其在土耳其越往西走,就越欧洲化,那里的人不喜欢我们做的事,但勉强能容忍,但越往东走就变成一个,非常保守穆斯林化程度,高得多的地区,那里的人觉得我们做的事,简直是邪恶的化身,所以他说听着,有人看了TechCrunch知道了你们,我们就注册了,我们老是遭到攻击,我们猜是来自土耳其东部 那些穆斯林原教旨主义倾向的人,你们保护我们免受这种攻击,顺便说一句,土耳其escort想要没什么钱,所以我们用的是你们的免费版服务,真的非常感谢你们,我们当时有机器学习系统,会对攻击进行分类,于是我们就把这种攻击类型标记为TE 也就是Turkish Escort Attack的缩写,之后只要系统识别到T1攻击来了,我们就会知道快进到一年后,有一天我在办公室待得很晚,我记得是个周四还是周五的下午,然后电话响了,是一位荷兰绅士打来的,他从阿塞拜疆的巴库打过来,说比赛就在明天,我们现在完全断网了,所有人都说只有你们能帮忙,我当时心想,什么比赛,我在犹他州帕克城长大,上大学之前都没出过国,对世界其他地方发生的事不太了解,所以当他说Eurovision的时候 我问那是什么,他说不不不,这可是件大事,我说一个歌唱比赛,就像加了民族主义的American Idol那种,不管了,你先注册我们的服务吧,他说不行不行,我们真的需要帮助,我说没事,你就注册一下,不会有问题的,实际情况是 Eurovision决赛里,六位参赛者中,有一位是跨性别者,而巴库阿塞拜疆,又是一个相对保守的穆斯林国家,有些人觉得这件事发生在那里非常冒犯,于是就对比赛发起了相当大规模的攻击,把他们打到断网了,第二天早上我到办公室,我们有一群法国工程师,眼睛瞪得像同龄一样问我,你知道昨晚谁注册了吗,我说哦,那个歌唱比赛,他们说不不不,你根本不明白这件事有多大,在座如果有跟我一样无知的美国听众 Eurovision的观众比Super Bowl还多 真的就是加了民族主义的 American Idol疯狂得很,于是我们保护了他们,我们查看攻击记录,系统识别出来,显示T E T E T E完全相同的模式,完全相同的攻击者,又过了一年,我接到了JP Morgan CTO的紧急电话,他说我们正在遭受攻击,一批面向消费者的服务,被打到断网了,我们听说你们在这方面非常厉害,你们得带上最好的解决方案工程师,和最好的销售,周一一大早赶到纽约,可我们根本没有销售,我们唯一一个搞网络的人,连套西装都没有,于是我们周末给他买了套西装,周日晚上所有人飞到纽约,周一早上六点,就到了JP Morgan的办公室,我记得他们有一整个房间,像个作战室,专门处理这件事,他们把一叠日志 从桌子那头推过来,我们团队有个叫Sherry的人,看了一眼说,我们认识这帮人是土耳其,攻击者,结果后来发现根本不是土耳其的任何人,原来最初是一个伊朗的学生,他看到土耳其发生的事,觉得非常令人反感,于是对土耳其那边发起了攻击,然后又看到Eurovision比赛,又对比赛发起攻击,这让他被注意到了,后来被吸纳进了伊朗的军事体系,就是那种网络攻击的前沿,进攻能力部门,之后他们就攻击了一批美国银行,这就是为什么他们会找上我们,而且就是同一个人,到今天还在负责伊朗,所有的网络攻击,所以当你看到那些,像乐高电影一样的宣传片,背后就是这一个人,他一开始攻击的是土耳其escort 这再次说明 Cloudflarelare服务所有人的力量,让我们能从互联网上 这些奇奇怪怪的角落,学到东西,也正因为如此,今天世界上几乎所有大型金融机构,几乎所有政府,都依赖我们来保持网络安全,这故事太精彩了,也太好笑了 Michelle要是知道了会吓坏的,她一直跟我说,你别再讲这个了,我之前去Allen & Company 就是那家大型投资银行,他们邀请我去参加在,亚利桑那办的一个会议,我讲了这个故事之后,就再也没被邀请回去过 [00:25:23]
Matt Turck:所以就这样吧,好吧谢谢你分享这些,你看你们最初的客户群体,是黑客小孩和人权组织,当你去考虑VC 幻灯片
Matthew Prince:去融资的时候,这可不是你第一反应,会想到的那种硅谷标准打法,确实这很有意思,我记得早期有个VC说,好吧,你们现在确实很火,但你们怎么扩展到,湾区以外的地方,我记得我当时说了一句话,对方完全不敢相信,我说我们在突尼斯这些地方非常火,但在湾区反而没什么用户,结果就是哪里的互联网慢,哪里更缺乏秩序,那些地方就是我们最初,获得大部分流量的地方,我们其实花了很长时间,才赢得那些科技原住民,那些YC圈子的人,那些你本来以为会是,我们天然受众的人,但反过来,如果你去刚果,当地排名前100的网站里,有50%都在用Cloudflarelare 因为你离科技中心越远 我们提供的价值就越大,这说明做事不是只有一种方法,没有唯一的套路,而且我再强调一下,我经常跟人这么说,有时候会让他们有点不爽,但事实就是,我们当初并没有写什么,宏大战略备忘录,去论证,为什么要做一个开发者平台,我们做它,是因为我们自己需要它,但这件事后来变得极其有价值,很大程度上定义了Cloudflarelare未来的方向,所以在某种程度上 Cloudflarelare的故事一直都是这样,先给自己找一些特别棘手,特别难的技术问题,自己把它解决掉,然后在这个过程中,慢慢就构建出了,真正推动业务向前走的东西,说到VC大概几周前吧,在X上好像有过一些挺有意思的来回讨论 [00:27:01]
Matt Turck:具体细节我就不在这里重新翻旧账了,但正是因为你们的业务模式,有点不太一样,我想问问,你们当时的融资路径是怎样的,又有哪些经验教训,我觉得首先,我们一路走来
Matthew Prince:最终能和一些,非常出色的投资人合作,像Carla Better Scott Sundell Useway的Brad Burnham 他们真的跟我们的风格很合拍,我们的风格大概就是,我们主要把风险投资人,看作是资金的来源,大多数时候我们想要的就是,在需要钱的时候,能够拿到钱,不需要思想领导,对我们真的不是那种风格,我们不需要别人帮我们招人,也不想找个哥们,我们想要的是那种,偶尔会推我们一把,会提醒我们说,你有没有想过更长远的事的人,但不是那种,在我们的业务里指手画脚说,我觉得你应该定价22.99美元,而不是21.99美元的人,我们觉得,我们比任何人,都更懂自己的业务,所以如果你相信我们,那就投钱,然后别挡路 我们也见过很多,其他类型的投资人,就是那种特别想,亲自下场当运营者的,再说一次,做事的方法不止一种,对有些创始人来说,那种投资人非常有价值,他们也想要那种帮助,所以我们当时,几乎跟市面上,所有人都聊过,有很多人觉得,我们就是彻头彻尾的傻瓜,比如emergence capital的几个人,像Santi和Gordon 我很喜欢他们,但那里有一个人就直接说,你是个白痴,我们永远不会投你,我理解,我们当时确实有点像,但这没关系,因为我们找到了相信我们的人,他们也跟着我们一起,在这条路上走得非常好,这很合理,但我们确实是一家,有点奇怪的公司,我觉得,如果你看看我们三个创始人,大多数公司是由朋友一起创立的,但Michelle,Lei和我,我们当时不是朋友,也不是说我们是敌人 我们彼此非常尊重,但就是完全不同的人,直到今天 Michelle家的客厅里,还放着一架巨大的粉色钢琴 [00:29:52]
Matthew Prince:还放着一架巨大的粉色钢琴,她心目中的美好时光,就是晚上和孩子们坐在一起,她弹钢琴,她丈夫弹吉他,孩子们跟着一起唱歌,对我来说,这听起来,简直像地狱最底层,但话说回来,我们显然因为一起创业,后来也成了朋友,但我们作为人,就是完全不同,我觉得有些投资人,在看我们的时候,心里想的是,这群乌合之众,是怎么凑到一起的,但我们的力量,恰恰就来自于,我们如此不同 Michelle是这么形容的,她说,当你创办一家公司时,你希望它像一个维恩图,每个人都有一个很大的圈,彼此之间,只有刚刚好的重叠,足够让你们能沟通就行,但各自的领域,要划分得非常清楚,所以在我们创业这16年,快17年的时间里 Michelle和我之间,真的从来没吵过架,因为说到底 我做的事和她做的事,各自有各自的跑道,我们都能在自己的跑道里,把事情做成,虽然我在某些方面还行,但她擅长的完全是另一套东西,我觉得正是这种互补,才让我们能一路走到今天,现在经常有创业者,来找我们取经,问的最多的问题之一就是,你们当初是怎么分工的,我有时候会带点调侃的说,如果你还在问这个问题,那可能说明你找的联合创始人不太对,因为本质上,你要的是尽可能覆盖更大的版图,让每个人都有一个非常清晰的专属领域,拿我们来说 Lee是技术天才,一门心思铺在写代码上,他不想进董事会,也不想见投资人,但技术上绝对是天才 Michelle更像是运营负责人,能把一件做成一次的事情,琢磨出怎么把它放大一百万倍 所以他后来管了很多市场拓展方面的工作,就是那些需要真正建立流程,和规模化的事情,而我呢我比较会讲故事,所以像刚才说的见风投那件事 Vinny Kossler考虑投我们的时候,主要是我在说,因为我擅长讲故事,没谁要当时在想什么呢,他可是正儿八经的六 sigma黑带,是个流程高手,这方面他极其出色,而我在这方面一塌糊涂,他当时在琢磨流程的事,Michelle在想我为什么要来吃这顿饭,说真的,我要是回去写代码,能干多少更有意义的事啊,所以我也不怪别人会那样想,如果你按常规模式去套,会觉得每个人都得是讲故事的高手,但我们不是那样的,不过我觉得这恰恰是一种优势,因为你希望团队里有不同视角,不同技能的人,我想这也是我们创始团队 [00:31:45]
Matt Turck:为什么这么强的原因之一,我们来聊聊Cloudflarelare 在AI方面的产品布局吧,因为你们真的做了很多东西,我觉得外界现在才开始意识到这一点,但我一直在关注,虽然之前也知道一些你们做的东西,可这次准备访谈的时候,发现列表实在太长了,能不能带我们梳理一下整体战略,还有大概的时间线,比如你们是什么时候开始为AI做开发的 [00:32:35]
Matthew Prince:都做了些什么,好的,我觉得真正的起点要追溯到,其实从某种意义上说 Cloudflarelare一直都是一家AI公司,我记得有一次向Benchmark做推介,我说Cloudflarelare是一家AI公司,当时Matt Kohler翻了个白眼,搞得我心想,这话我再也不说了,那大概是2010年左右的事了,但从某个层面讲,这话一直都没错,就说那个土耳其escort的例子,那就是一个识别模式的机器学习系统,我们当时的整个思路就是,如果有足够多的流量,经过我们的系统,你就能在上面跑机器学习,做出有意思的事情,所以这其实一直刻在我们的基因里,如果你去追溯Cloudflarelare真正的起点,它其实源于Paul Graham在Y Combinator之前,在MIT办的一个叫MIT反垃圾邮件大会的会议 那本质上就是一个机器学习会议,因为垃圾邮件是应用机器学习的绝佳场景,像John Graham,Kumming 他现在是我们的董事会成员,但很长一段时间里是我们的CTO 他本来就是搞机器学习的,所以这东西一直都在我们的核心能力里,只是我们自己不会这么去描述,我觉得Cloudflarelare和AI的现代篇章,真正开始是在2017年,当时的情况是,我们部署软件的方式跟所有人都一样,但我们的网络在持续扩张,客户的规模和重要性也在不断提升,而且那真的很吓人,因为每次你推送代码,总有可能出错,把服务搞挂,我们确实也搞挂过,我记得当时接到了FedEx CEO的电话,我们正处在当机中,他问,你们什么时候能恢复上线,我说,马上就好,非常抱歉 但您甚至不是我们的客户,他说,不不不,我们依赖你们很多客户,如果你们掉线,我们有些飞机没法降落,技术上当然也能降,但他们有一套检查清单流程,其中一项,就是要核对,跑在我们系统上的一些东西,这对我们来说太吓人了,所以我们就想,必须得搞一套,全新的软件开发和部署方式,要极其轻量,能自动扩展到任何你需要的规模,能以非常精细的控制方式,只推给一个客户,一组客户或所有客户,还能非常快速的回滚,而且必须成本可控,因为我们毕竟还在运营,要尽可能高效的把这件事做起来,这就催生了Cloudflarelare的开发者平台,我们管它叫Cloudflarelare Workers 我倒希望我能说,我们早就预见到了AI的走向,有些方面我们确实预见到了,在2020年 要么是21年底或22年年初,我记不清了,我们跟一家图形处理器公司,搞了个合作,要在我们网络边缘部署GPU 当时我们说,这能做很多有意思的事,包括推理,我们发了新闻稿,全套都做了,结果毫无反响,没人关心,我们当时还想,这挺意外的,那家图形芯片公司,就是NVIDIA 好笑的是,两三年后,到了2024年,你可以去查,我们发了一模一样的新闻稿,只改了日期,股价直接翻倍,所以我觉得,我们其实一直在这个领域里,思考和布局,而且因为我们离全球用户这么近,跟所有东西都紧密相连,这让我们天然就适合,承接这些AI任务,比如推理,我们就非常非常擅长,现在几乎所有模型,你都可以通过Cloudflarelare直接访问,而且性能更好 响应更快,我们能以比绝大多数人低得多的成本交付,那些是开源模型,但即便是那些大厂,比如OpenAI 他们也是我们的大客户,他们的整个移动端APP都跑在我们上面,我们有直连他们的通道,能给你更好的性能,很多时候比你自己直接去访问他们还要好 Anthropic也是又一个我们的大客户 Cloud.ai整个都跑在我们上面,但如果我是个开发者,想跑Kini或Mistral之类的,我也可以这么做,完全可以跑在我们上面,那种情况下,推理会在我们网络里,部署的GPU上处理,这些GPU分布在,全球几百个城市里,这就是推理,你们这个边缘网络,目前还不太适合做训练,目前还不行,你想训练需要什么,需要大量大量,搭载超强GPU的机器,这两样我们都有 但我们缺的是,怎么说呢,我们没有无限带宽的网络结构,把所有机器连起来,像AWS甚至SpaceX 他们建的是巨型数据中心,大量机器紧挨在一起,超高速互联,我们呢,机器数量一样多,但分散在全球各地,结果就是,大多数训练任务,我们这里不是最合适的地方,我们一直在测试和实验,我也不确定这种情况,会永远持续下去,但我们真正擅长的是,任何需要一台性能强劲的机器,而你的手机或笔记本,有不够用的场景,而且你希望它要么快,要么成本更低,或者出于监管或司法管辖的原因,你希望它在特定区域运行,而不是被送回,弗吉尼亚州阿什本,我觉得这推动了大量AI工作,负载在我们网络上的采用 这也是我们目前增长,最快的业务板块 [00:38:25]
Matt Turck:这就是Workers 另一个产品结合我们刚才聊的,时机看起来也特别好,就是Gateway 你想聊聊这个吗,它是做什么的,所以这其实都是我们自己推动的,我们需要用AI模型
Matthew Prince:但我们又是一家安全公司,基于我们服务的客户,我们有各种合规要求,所以我们得想办法搞清楚,我们自己的团队,到底是怎么用这些模型的,于是我们就自己建了一个东西,叫AI Gateway 它能做几件事,第一,它让你可以审计,如果你是CIO或CTO 审计所有发往各种AI系统的Prompt 以及所有返回的响应,我们其实还内置了一套AI系统,能让你非常快的,根据你认为有问题的内容,来标记,比如你有个客服Agent 他突然开始表现得像个纳粹,你得能立刻看到这种情况,我们就提供这种审计能力,第二,我们还能让你做类似Prompt注入的事,就像Anthropic Cloud加护栏那样,他们给Fable这个模型套上一大堆Prompt 说别做以下这些事,才把原本的mythos变成 他们认为可以公开发布的东西,你作为一家企业,比如你是Cloudflarelare 肯定有些事你不想让AI系统去做 AI Gateway就能让你把这些限制注入进去,第三点,也是我们为自己做的,就是控制成本这些Token的费用,真的会高得吓人,而且很容易就失控了 Gateway能让你智能的路由请求,比如有人想让AI Agent 总结一下邮件 [00:39:35]
Matthew Prince:总结一下邮件,你根本不需要用,最新最强的模型来做这件事,用一个简单的多的模型就行,我们自己的团队,很多时候根本不知道,他们调用的是哪个模型 Gateway在后台替他们决定了,我们最初就是给自己做的,大家老问我们,你们在AI方面都在做什么,我们把这个一亮出来,大家的反应都是我需要这个,所以现在它又变成了一个产品,好我们继续逛,还有Durable Objects Agent SDK Workflows Browser Rendering Sandbox 这些全都是我们自己需要的东西,结果发现,其他开发者也需要,你想想 AWS是怎么发展起来的,它就是亚马逊为了让自己团队,能极快的构建系统而做的,我觉得Cupfer的故事也差不多,我们需要所有这些工具,来构建我们自己的东西 结果这些东西对我们的客户,以及今天任何想在AI领域做点事的人来说,都变得极其有价值,我们是构建任何Agent工作负载的最佳平台,举个例子,假设地球上每个知识工作者,都有一个Agent在替他干活,那这个CPU占用量,会是目前全球CPU年产量的40倍,如果你用传统的AWS容器方式来做,成本太高了,根本做不了,而且我觉得,每个知识工作者,只有一个Agent 这个想法本身就太保守了,你将来会有成百上千个Agent 在替你工作,那样的话,我们根本没有足够的算力来支撑,所以我们说,一定得有个更好的办法 Workers当初就是这么想的,以前我们有物理服务器,后来有了虚拟机,再后来是容器 Workers问的是,下一步更高效的是什么,我们围绕一个,大家都很熟悉的概念 构建了Workers 就是你浏览器里的标签页,也就是isolate 它是一个安全的环境,跟其他正在运行的标签,也是沙箱隔离的,但它不需要一个,全新的操作系统副本,也不需要一大堆工具,结果就是,它能极快的启动,也能极快的销毁,对于Agent工作负载来说,你的Agent基本上,会一直在为你写代码,这恰好就成了,构建这些东西的完美环境,我倒是希望,这是因为我们特别有远见,预见了未来,但我觉得很大程度上,这就是我们自己需要的东西,结果它变成了一个非常强大的平台 [00:41:47]
Matt Turck:适合任何在现代互联网上做事情的人,对了,那个迫在眉睫的CPU短缺危机,好像讨论的还不够多 [00:42:25]
Matthew Prince:我是说这些Agent需要大量GPU 这我们都知道,但CPU的使用率也在暴涨,而且这会往很多不同方向发展,所以我们一直在想,怎么提升网络底层的效率,比如前阵子,大概三四个月前,我们用Rust重写了WordPress来提供服务,我们管它叫Mcpresso,因为这是在玩梗,表示我们用AI做的,大家就问,你们干嘛做这个,我们做是因为有庞大的社区在支持WordPress WordPress未来应该继续成功,但面对即将到来的局面 WordPress根本没法扩展,它就是个PHP软件,在当时很了不起,但按现在的流量水平,运行成本大概要三四美元,如果流量暴增一千倍,没人会再搭WordPress网站了,因为运行这些东西,要花三四千美元 所以我们必须重新发明一批,这样的基础技术,不是因为我们要把它据为己有,我们开源,我们免费给出去,而是因为我们相信,我们的使命是帮助构建更好的互联网,即将到来的这股浪潮,如果我们不走在前面,不升级这些基础系统,互联网的很多部分就会崩掉,因为我们得有能真正扩展的基础设施,这就会变成怎么把大家熟悉,有生态的用户界面和东西,移植到成本效益和运行效率都高得多的方式上去,说到崩掉一个Agent化的互联网,在安全方面意味着什么,对我是说,安全这块,我觉得未来两年,我们会看到网上接连发生非常可怕的事,可能长期以来最严重的一类漏洞,是那个叫log4j的东西,你发一条非常简单的指令 就能攻破几乎任何地方运行的服务器,我觉得接下来104周,也就是两年里,你每周都会看到一个log4j级别的漏洞,因为再说一遍,我们参与了glasswing 用mythos来审视软件,我们能拿到OpenAI各个模型的早期版本,我们也构建了自己的安全模型,这些模型找漏洞的能力强得惊人,而且会疯狂的找出来,我觉得安全领域接下来一段时间会显得非常吓人,会有一堆风投砸大钱,因为你会看到网络安全公司大爆发来阻止这些事,但有意思的是,我觉得这可能会是个假动作,因为我认为两年后,软件质量会因此大幅提升,在Cloudflarelare内部,我们去年出过一次非常尴尬,非常糟糕的当机事故,我们说必须做得更好,于是我们真的构建了一个Agent 它不仅审查我们发出的每一次代码发布 还审查每一次配置变更,你在Cloudflarelare后台点个按钮,生成一个文件,然后推送到我们整个网络,现在我们有一个Agent 在检查所有这些文件,每一次代码发布,而且它是用10年的事故数据训练的,我们有上新闻的,大规模公开事故,但长期来看,还有一堆小事故的背景噪音,我们有过一个,让人倒吸一口凉气的时刻,我们基础设施工程团队的负责人,在全员会上做演示,他说好,这是我们事故的背景噪音,然后这里有个断崖,接着就变成这样了,他问你们觉得那里发生了什么,那就是我们上线,这个检查Agent的时刻,我觉得大家对AI 有一点没充分认识到,也讨论的不够,没错 AI很擅长替代一堆人类做的任务,他不会累,不需要休息,也不用睡觉,但真正有意思的是 他跟组织内部所有其他偏见都不相关,一群人一起工作,会逐渐形成一套偏见,不是说AI没有偏见,而是他的偏见跟团队其他人不相关,所以他其实极其擅长衡量事物,然后他就会悄悄退到幕后,我们所有人发布的软件质量都会比以前好得多,所以我们的在线时间,可靠性和性能,在过去一年里提升了一个数量级,这全是因为我们用Agent 来更安全的构建系统,我觉得以后每个人都会这么做,既然聊到这儿了,我们深入谈谈你们内部怎么用AI [00:46:14]
Matt Turck:你们几周前4月份公布了一些很有意思的数据,说公司93%的研发员工在用AI编程工具 3683个内部用户,消耗了2411个Token 你们是怎么做到的,一家2009年创立的公司,怎么建立这种文化,另外你们怎么衡量成效,我们之前在AI 淘金热里,算是卖铲子和铁稿的,但说实话
Matthew Prince:我们自己用起来,其实挺谨慎的,我们会跑一些实验,但并没有真正全力投入,公司内部也有不少人,持怀疑态度,有个叫Kenton Varda的人,他搭建了Workers平台,是个非常厉害的工程师,虽然我们不该说什么,十倍工程师,但Kenton显然就是那种,十倍工程师,他就是个天才,在2025年春天的时候,他还说,这些AI玩意儿都是扯淡,我要去把这些工具都玩一遍,让你们看看他们有多烂,为什么我们不该依赖他们,然后他就真去了,他是我们团队里,非常资深的一个人,他花了一个月时间,去玩这些工具,回来之后就说,天哪,我现在比以前,效率高了100倍,如果真是这样,而他本来就是个10倍工程师,那意味着,他一个人的产出,比我们2019年那会儿,整个团队都高,对吧,我其实挺相信这是真的,效果确实非常惊人 所以在工程这边,内部推广的很快,我觉得对我们来说,真正的转折点,大概是在2025年11月,那时候感觉,正好也是Claude Opus发布,那阵子突然一下,就过了那个临界点,我们工程团队的效率,一下子高了很多很多,我觉得这也是现在,大家普遍在经历的事,每个人都在不同程度上,看到了类似的效果,我得说对我们而言,我一直比较担心的是,那些一直很犹豫,不愿意拥抱这些工具的人,而且这类人,往往不是最资深的,也不是最年轻的,而是那些,处于职业生涯中期的人,这其实也说得通,他们在自己原来的世界里,一直做得不错,一直被告诉说,这就是游戏规则,只要你按这个规则玩,你就能成功,所以他们一直按规则玩,结果现在突然有人来说,我们要改变游戏规则了,这会让他们觉得非常非常不公平 但话又说回来,你还是得去适应外面的变化,我真的很担心,我们可能会有一代被落下的人,可能是年轻一点的千禧一代,或者是年纪大一点的Z世代,他们会有动力去说,我们不该用这些工具,因为一旦用了,他们就会觉得,自己对后面追上来的人,没有任何优势了,所以我一直在想,怎么才能带着这些群体,一起往前走,另外一点是,工程团队,天然就是这些产品的用户,编程这个领域,确实能从中,获得非常明确的价值,但这只是Cloudflarelare的,一小部分,我们还有法务,财务,市场,销售等等,其他部门,都是团队的一部分,我们也在想,怎么才能让他们的效率,大幅提升,于是我们就有了一个想法,能不能打造一个,对用户友好的系统,让财务团队的人 也能极其高效的 [00:49:59]
Matthew Prince:也能极其高效的,完成他们的工作,我们把它叫做 Cloudflarelare OS 它基本上是一个集成框架,我们把很多,必须满足的条件,都放了进去,也把很多基于我们,自身经验总结出来的信息,放了进去,然后我们教它各种技能,让它能处理不同的事情,我们做的这些,其实没什么,特别神奇的地方,只不过我们有一个很大的优势,就是我们拥有全套的安全工具,可以接入公司所有的记录系统,比如我们的ERP系统,销售系统,工作场所管理系统,而且是以一种安全的方式接入的,这样一个代表用户工作的Agent 就能继承该用户特定的访问权限,我觉得很多同类产品出问题的地方,就在于缺少这种安全模型,我们有,所以就能很快把它搭建起来 另一个大家容易栽跟头的地方是,如果你让一个人描述自己的工作内容,他会描述出来,但会漏掉差不多一半的工作,所以问题在于,你怎么才能真正捕捉到,一个组织里需要完成的工作,我们想了个聪明的办法,团队里有个叫Sam Ray的人,他说听着,我们搞一个邮箱地址,然后告诉所有人,这是一个神奇的AI Agent 对我们来说,那个邮箱是autoatcloudflow.com 我们跟所有人说,这是一个神奇的AI Agent 已经设置好了,你什么都可以问他,但实际上在后台,是一个大概20人的团队,在7天24小时轮班,他们确实在用AI工具,但他们真正做的是收集信息,搞清楚大家工作中,真正遇到的问题是什么,然后他们把这些东西构建出来,转化成一套技能文件和信息,让系统去执行 举个例子,我们投资者关系团队,有位叫Hether的同事,我们是上市公司,每次发财报,大概要提前两周准备,生成所有投资者关系文件,和各种需要的东西,把这些东西凑在一起,是件挺繁琐,挺枯燥的工作 Hether就说,我觉得我可以把这一切都自动化,于是我们从一个,过去需要两周的流程,变成了现在只需要三分钟的流程,而且更准确了,我们甚至发现了,以前提交的文件里的一些错误,不是什么大问题,但就是这里那里的小毛病,现在我们可以把这个能力用起来,这意味着我们的投资者关系团队,可以把更多时间花在跟投资者见面,跟股东交流上,去做那些真正有产出的工作,而不是花大量时间去生成那些文件 所以我觉得每家公司都会经历这个过程,很有意思的是,我们经常收到这样的问题,你们是怎么做到的,我们就一直展示,这个Cloudflarelare OS的东西,我是2034年,犹他州冬奥会组委会的议员,我跟国家奥委会的CTO 一位叫Elario的先生聊过,他说,我们需要一个系统,来做这件事,我说行啊,我给你看看,我们在Cloudflarelare做的,我就给他演示了一下,我们从来没想过,这会变成一个产品,结果他说,我需要你下周来洛桑,带上你的团队,因为我们要落地这个系统,于是我们整个团队都飞过去了,现在他们真的在用这个,来帮助更好的组织奥运会,我觉得如果你能做到,每个组织都得构建类似的东西,而且如果你用一种安全的方式来做 给用户相应的访问权限,我觉得这会极大的赋能团队,让他们取得成功,我倒不是那种,怎么说呢,不是Darryl那一派的,认为AI会取代所有工作,我觉得他会取代某一类工作,比如说,如果我有一个开发者,我现在能给他AI工具,他的效率提高了十倍,那我就会尽可能多的招开发者,如果我是一个销售,我能给他们工具,帮他们省掉那些,他们不喜欢的部分,比如制定客户计划之类的,他们真正想要的是,站在客户面前去卖东西,那我就会尽可能多的招销售,我觉得会发生巨大变化的地方,是组织里那些,既不负责构建,也不负责销售的岗位,他们基本上是在做衡量,而事实证明 AI系统作为衡量者,比任何人类都要强得多,部分原因 还是因为他们没有利益关联,所以我觉得很多这类情况都会发生,再举一个我们内部的例子,内部审计,这也是你作为上市公司要做的事,小创业公司可能不做,但最终你都得做,我们有大概105个风险领域,过去每个季度,内部审计团队会从中挑6到10个,然后做那种深度审计,确保我们在采购上没出问题,或者收入确认做得正确,他们实际上是在衡量整个组织,现在有了这些工具,我们能做到对所有105个风险领域,进行持续审计,发现任何存在的问题,我觉得这样我们变成了一个更好的组织,把人解放出来,让他们要么去做构建,要么去做销售,这才是组织里,真正创造价值的地方 [00:54:27]
Matt Turck:看到团队的效率,提升了这么多,真的非常惊人,那你觉得从现在的世界,过渡到未来的世界,会有一个痛苦的转型期吗,也就是说,随着组织重新校准,是不是每个人 [00:55:17]
Matthew Prince:都得经历这个过程,我们裁掉了,超过20%的团队,不是因为业务不行,也不是因为,他们不是好员工,只是我们不再需要,那么多中层管理者,不再需要那么多衡量者,这些岗位正在消失,我跟其他公司的同行聊,他们也都看到了同样的情况,都说是啊,我们迟早也得这么做,你能看到这些消息,一点点冒出来,但很多领导者心里,其实很怕,不想当第一个动手的人,恕我直言,我觉得这就是怂,因为你能做的最残忍的事,就是等,我确实认为,在未来6到12个月里,几乎每家公司都会经历类似的调整,裁掉一批人,很多CEO都在观望,因为他们怕在这个过程中显得很难看,但真正触动我的是,一旦你意识到这种改变必然会发生,你能为团队做的最善良的事 就是尽快动手,因为今天找工作,比6到12个月后容易得多,到时候市场会挤满人,所以我们拿出了极其慷慨的补偿方案,真的是科技行业里,我们见过最慷慨的,我们让股票继续归属,没人这么做,但我们做了,而且我们非常努力的,在帮这些人找下家,因为他们都是非常优秀的人,一个在Cloudflarelare 做中层管理的人,去创业公司,完全可以当高级经理,做得非常出色,但作为一个组织,一旦你意识到这件事非做不可,你能为团队做的最善良的事,就是尽快动手,因为最糟糕的情况是 6到12个月后,出现一场大学习,所有人同时动手,市场上突然涌出一大批找工作的人,这就是我们当时的催化剂,是我们背后的逻辑,再说一次,被裁的人里有我非常亲密的朋友 但他们所在的岗位,确实不再有意义了,而且我们想做得足够彻底,确保以后永远不用再来一次,所以我现在可以比较有把握的说,在可预见的未来,我们不会再做类似的事了,因为我们已经重组了整个组织,我们关注的一个指标是管理幅度,也就是一个组织里平均每个管理者带多少直接下属,哈佛商学院做过一项研究,得出的结论是合适的数字大概是6 也就是说每个管理者带6个直接下属,我们之前正好就是这个数,但现在很明显,有了这些新工具,一个管理者能管的人多得多 Meta在尝试做到50比1 我觉得那好像太多了,但我觉得12比1是合适的,扩大平均直接下属人数的好处是,它天然会让组织变扁平,一个管理者平均带的直接下属越少 组织就越层级化,直接下属越多,组织就越扁平,我们看到的是组织越扁平,我们就越容易快速行动,快速交付,这也是推动我们做这件事的重要原因之一,但没错,我觉得这波浪潮会席卷整个行业,再说一次,这不是说哪个人不好,或者哪个人不行,事实上他们都很优秀,只是有些岗位你不再需要了,有些人你可以在组织内部,重新安置重新培训,但如果你要从6比1变成12比1 那就意味着 [00:58:13]
Matt Turck:一大批中层管理岗位会消失,那如果你就是这些人之一,该怎么办,如果你是个中层管理者,而且我记得你前面提到过 Z世代或者年轻迁徙一代,你发现自己处于这种处境
Matthew Prince:职业生涯走到一半,你是不是就得一头扎进去,拼命让自己变成那种,嫉妒AI化的人,我觉得是的,而且你得承认,感到害怕是很自然的,你的本能反应肯定是去抗拒它,但你越能拥抱这些工具,结果就越好,我从来没见过,再说一遍,我经营这家公司已经17年了,我从来没见过,有这么多资深经理人,主动举手说,我想回去做个人贡献者,所以我们甚至开始重新思考,薪酬体系之类的一切,因为我觉得个人贡献者,能发挥的力量,和他们能完成的工作量,是非常惊人的,所以对我们来说,团队里最资深的成员,都在拥抱这个变化,因为这是他们,重塑自我的方式,而且他们自力苟生,不会对此感到害怕,而我们最年轻的员工,我们今年夏天,招了1111名实习生,这个数字对我们来说,很有意义 他们真的是,最出色的一群人,因为所有公司,都停止招实习生了,我觉得这完全是个错误 [00:59:54]
Matthew Prince:我觉得这完全是个错误,所以我们算是挑到了,最好的苗子,他们全都是AI原生的一代,我们正在做的,就是让这两拨人,去带动那些比较犹豫的人,因为事实是,我们工程团队里 92%的人都在用AI工具,这个比例绝对应该达到100% 但你必须让那些,特别是处于职业生涯中期的人,有足够的勇气,去学习这些新技能,我觉得这一点非常重要,再说一遍,你不能让一个生产力,比别人高十倍甚至一百倍的人,跟一个还在用老办法做事的人,待在同一个岗位上,还拿一样的钱,这两个人里总有一个会走,最糟糕的情况,就是那个生产力高一百倍的人走了,所以我们一直在努力,把每个人都拉上来,再说一遍,我们裁员的部分原因 就是为了能真正腾出资源,推动整个组织去做到这一点,而且这不只是开发人员的事,财务法务市场,所有部门都必须拥抱这些新工具,差不多一年前,你宣布了,我记得是关于内容的事,独立日 7月1号 7月1号,快到第二个周年了,或者说第一个,应该是第一个周年,过去这一年发生了什么,这整场争论是怎么演变的,对,还有当初这件事到底是什么,对,我再重复一下,我觉得,你看到的是互联网上自动化流量的大幅增长,我认为五年之内,网络上的机器人和Agent数量,会达到人类的一千倍,与此同时,我们访问互联网的界面也在改变,我们以前也经历过其他平台级的变革 我们从在台式机或笔记本的浏览器上上网,转向了社交媒体,又转向了移动端,但贯穿所有这些变化,过去28年里,互联网的底层商业模式基本没变,主要还是靠广告,其次是订阅驱动,问题在于,首先运营互联网的成本会高得多,因为流量会多出1000倍,这意味着你需要更多的服务器 CPU 网络等等,总得有人为此买单,而过去28年年的商业模式,主要是基于广告的,这行不通了,因为机器人不会去点广告,所以有些事情必须改变,因此一部分问题在于,我们如何让互联网更高效,比如怎么把老旧的软件,一直到能够以低成本持续扩展的东西上,但另一个很重要的部分是,我们怎么找到互联网未来的商业模式,我们和所有不同的AI实验室和公司,都保持着很好的关系 他们也明白这一点,而且他们其实也说了,听着只要公平,只要大家都得做同样的事,我们明白,我们得为用来构建系统和模型的内容付费,但我们需要一个能实现这个的系统,所以我们在做很多不同的尝试,我们做的第一件事就是,我们说要让一个市场存在,大家通常觉得要有供给和需求,其实不完全对,你真正需要的是供给和需求的稀缺性,如果一切都是免费的,那就没人会付钱,就像我们坐在这房间里,呼吸空气,这不用花钱,但如果我们去潜水,空气就稀缺了,我们就得为他付钱,道理就是这样,所以第一步,我们说我们需要创造控制手段,让拥有在线内容的人,能够决定谁能访问谁不能,再说一次 每个人都会做出不同的决定,就我们而言,我们希望所有机器人,都来消费我们的信息,我们希望它被传播出去,我们大概有一半的客户,都属于这个阵营,他们实际上想让访问尽可能容易,另一方面,如果你是一家靠广告支撑的企业,那Agent对你就不利了,因为他们拿走你的内容,然后人们通过AI系统消费这些内容,你就得不到浏览量了,你的广告系统就失效了,所以我们说,那就给每个人提供能阻止他的工具,在供给端创造一些稀缺性,我们看到的是,如果你去看全球最大的那些出版商,比如Confiness Ash Meredith 他们现在因为我们给了他们这些工具,实际上正在和AI公司签下好得多的协议,所以我认为这算是第一步,但我们必须走得更远 因为如果你是一个小博客,或者一个网红,一个内容创作者,你没办法像CANFINAS那样,去谈成同样的协议,应该有一种,基本上是微支付的方式,每次我们访问一个网站,获取信息,我们很乐意为此支付0.几美分,这做起来比听起来难,我们网络在任何一秒内,大概要处理5亿个请求,我们估计其中大约有 1%到10%是可以通过某种,微支付交易来变现的,这意味着,你必须能在第一天就支持,比如说每秒1000万笔金融交易,并且有清晰的路径,能扩展到每秒 1亿笔交易 Visa是全球最大的支付网络,每秒处理的交易不到10万笔,所以我们需要比Visa大两个数量级,但单笔金额要小得多,我们正在朝这个方向努力,而且我们认为,通过与Coinbase Stripe这样的公司,以及像X402这样的协议合作,你知道这很有意思,最初的互联网有一个响应码 402 我们都知道404是找不到 500是服务器错误,还有很多其他的,但402是需要付款,而我们之前,几乎从未围绕它构建过任何东西,我认为这在未来会发生,所以你知道Google确实构建了,过去28年驱动互联网的商业模式,而我认为,我们正在努力弄清楚驱动互联网未来28年年的商业模式会是什么,但总得有人付钱给内容创作者,因为他们也要吃饭,总得有人为所有这些机器人实际上在消耗的基础设施买单,我们正在围绕搞清楚这到底会是什么样子,做大量的工作,没错 这真是一场非常精彩的对话,我听你讲的时候,脑子里一直有个总体的想法 [01:06:12]
Matt Turck:就是Cloudflarelare在今天变得,比过去17年都更加重要,你们构建了网络,而现在互联网正在改变,你们绝对处在这个中心点上,你们自己是怎么看这件事的
Matthew Prince:就好像你们还有下一个17年,大家总问我,为什么还要继续做这些,因为有些日子确实不好过,我是说踩掉一大批人,那件事一点都不好受,而且你知道我赚的钱也够多了,所以这跟那些都没关系,真正的原因是我们的使命,我们打心底里相信这个使命,我们会做一些亏钱,或者说肯定不赚钱的事,就是因为我们相信要帮助构建一个更好的互联网,而且我实在想象不出,还有什么比这更有意义的事,去想办法为未来创造某种可持续的商业模式,我觉得有很多事情值得我们非常乐观,过去28年互联网的商业模式,其实并不健康,流量从来都是价值的糟糕替代品,你看媒体行业的很大一部分,就是想办法 圈定自己的小众受众,然后用一个标题激怒他们,让他们忍不住点开链接,好把眼球吸引到你的网站上,如今世界上,那么多分裂,很大程度上都源于互联网这种,以流量为基础的,底层商业模式,怎么才能驱动尽可能多的流量,这种模式正在消亡,我觉得如果我们想想,未来能用什么来替代它,那可能会是一种健康的多,也好的多的东西,我之前飞到斯德哥尔摩,去见了Daniel E.K. Spotify的创始人,因为你看,没有哪家公司,能像Spotify那样,大规模的向创作者支付报酬,这真的非常了不起,我们可以争论钱,是不是给到了对的人,但事实是,如今投入到音乐创作中的资金,按人均,按GDP来算 比人类历史上任何时候都多得多 Spotify在这方面功不可没,你可能会忘了,大概22年前,音乐产业正在走向消亡,因为Napster之类的出现,大家都觉得偷内容很正常,人人都在偷,然后Steve Jobs走上台,发布了iTunes 一首歌99美分,那并不是最终胜出的商业模式,但他至少插下了一面旗帜,告诉大家这里面有东西可做,再后来Spotify去年给音乐创作者支付了大概120亿美元,这比22年前整个音乐产业的总市值还要高,这太惊人了 Daniel当时讲了个故事,他说他们做的一件事是,如果你在Spotify上搜Taylor Swift的Shake It Off 他们知道返回的结果,就是你真正想找的,但另一方面,如果你搜我想要一首歌 要有迪斯科节拍,唱的是跟我的猫跳舞有多开心,他们也会返回结果,但他们心里清楚,自己很可能没有这样的歌,而他们做的,就是把这些搜索效果不好的查询,公开发布给音乐创作者,现在有几百个音乐创作者,就靠这个谋生,其中有一个特别值得一提,住在丹麦Daniel分享说,这个人光靠给Spotify上,那些未被满足的搜索请求写歌,一年就能赚大概4000万欧元,我觉得这其实挺美好的,因为当你在Spotify上,搜索什么的时候,你真正在寻找的,是一种怎么把情绪调动出来的方式,所以展望未来,我们人类历史上第一次,基本上拥有了一个,关于所有人类知识的数学模型 [01:09:12]
Matthew Prince:关于所有人类知识的数学模型,这就是大语言模型,对吧,它不完美,但它给了你那个模型,同时,它也把差距和漏洞,都展示了出来,我脑海里浮现的画面,就像一大块瑞士奶酪,奶酪很多,但里面也有很多洞,当你跟AI公司聊的时候,他们想要的是,声誉极高的来源,去填补奶酪上的那些洞,去贡献全新的知识,他们不想要,另一篇关于宾夕法尼亚大道 1500号,发生了什么事的报道,对吧,他们想要的是,人们真正在讲述和创造的新信息,那种能推动世界向前发展的东西,我觉得这是我想要的,也是你想要的,是我们所有人都渴望的,怎么才能回到一种媒体环境,它不再只是为了驱动流量,而去煽动愤怒 而是真正去探寻真相,并把真相填补进去,如果我们能创造这样一个系统,让那些声誉极高,创造全新知识的人得到奖励,那我觉得这就太美好了,我一直催那些AI实验室做一件事,我说我们应该搞一个类似奥斯卡,或者诺贝尔奖那样的东西,去衡量在不同领域里,过去一年谁对人类知识的贡献最大,比如癌症研究,外交政策新闻等等,你可以设很多类别,而且他们真的可以去衡量,然后宣布今年最好的播客,是那个最早出现的聪明博客,或者别的什么,我们应该奖励和表彰这些人,既给他们荣誉,也要付钱给他们,我觉得如果我们这么做,就会催生更多有意思的信息,我和我妻子买下了我们家乡犹他州,帕克城当地的报纸 今年我们从AI授权协议里赚的钱,可能会超过展示广告的收入,为什么,因为如果你打算去犹他州帕克城滑雪度假,你想知道住哪家酒店最好,哪家餐厅最棒,谁要来演出,血矿怎么样,而唯一有这些信息的地方,就是那份本地报纸,所以虽然过去28年的互联网,几乎扼杀了那些本地的,古怪的,独特的,有趣的信息,但我希望,当我们为下一个28年,摸索出商业模式时,能把那些东西重新带回来,真正回到我们聊聊事实,聊聊现实的状态,而且我喜欢纽约时报,但如果他们能报到,时代广场的万号侯爵酒店里 1313号房比1314号房更好,那就太棒了,或者如果你喜欢睡懒觉 1314号房朝北 早上不太会被太阳晒到,就是这一类内容,比如纽约最好的街角杂货店是哪个,那些非常有趣古怪的本地故事,我觉得这既是我们所有人,都渴望的媒体未来,也是互联网的未来,而且我认为,我们真的有机会去构建它,因为我们可以重新发明,未来的商业模式,太精彩了 Matthew 非常感谢你,这绝对是一场非常棒的对话,真心感谢 谢谢你邀请我。 [01:12:41]
Matt Turck:大家好,我是 Matt Turck,感谢收听本期的 Matt Podcast 如果你喜欢这期节目,还没订阅的话,希望你能考虑订阅一下,或者在你收看,收听这期节目的平台上,给我们留个好评或评论,我们会非常感激,这真的能帮我们把播客做得更好,请到更棒的嘉宾,谢谢我们下期再见 [01:13:10]
来源:OpenAI News
URL:https://openai.com/index/hp-frontier-partnership
HP Inc. 正在扩大其与 OpenAI 的 Frontier 合作伙伴关系,在客户体验、软件开发和企业运营等领域部署 AI。