2026-07-01 15:46 · 来自 iPhone Air
来
【点赞+转发】抽一位粉丝送出小米吸管杯[赢牛奶] http://t.cn/AXoAwI2a
小米NAS这个配置有点....... #小米智能存储#
【点赞+转发】抽一位粉丝送出小米吸管杯[赢牛奶] http://t.cn/AXoAwI2a
小米NAS这个配置有点....... #小米智能存储#
虽迟必到,快手也开始给品牌商家推「种收一体化」的产品了。
在大多数品牌的获客都是被洗了无数次的时候,根据市场调研数据,快手相较于其他平台具备2亿以上的非重合用户,划重点,非重合用户这个标准,非常重要。
相当于在快手有一部分体量巨大的用户池,是品牌几乎在其他平台无法「遇见」的。
而在2亿非重合用户里,还有极大比例的R3人群,被快手单独识别出来,确保了规模之上的纯度。
所谓的R3人群,指的是对品牌产生明确兴趣的意向用户,在营销链路里,上接心智,下通成交,商业价值毋庸置疑。
在快手站内,品牌商家平均会有超过33%的GMV是由R3人群贡献的,每新争取到10个点的R3人群,就能拿到3个点的GMV增长,可以说是种草-转化的核心蓄水层。
快手把这个池子摆在品牌面前,多少有些「一力降十会」的暴力美学,理论、工具、方法都可以放在后面,就问这大几千万的高质量消费者,做营销投放的馋不馋吧?
就像在地质学的认识里,「黑土」是具有强烈胀缩和扰动特性的粘质土壤,性状好、肥力高、非常适合种植作物,属于自然馈赠给人类的独特宝藏,全球的粮食基地通常都建立在「黑土」地带。
从时间来看,快手算不上「种收一体」这个概念的早期参与者,但赶早不如赶巧的好处在于,快手是在土质最好的季节开放播种。
比如,AI这个关键变量。
在SpaceX的上市招股书里,马斯克将AI的长期市场估算为26万亿美金的总量,其中企业侧业务占到了94.7%的产值,极端的「重B轻C」。
虽然具体占比可待商榷,但马斯克的预判,基本吻合行业里的共识,尤其是最近一年多的时间以来,AI在千行百业的渗透速度,已经远超想象,而企业愿意「加大药效」的根本原因,是AI真的能够做事,甚至实现以往敢想不敢做的那些事情。
快手也是其中一个体量巨大的参与者,之所以它更自信的喊出关于种收的新的行业主张,是因为在有了AI的帮助之后,平台第一次能够智能化的去「精读」海量数据,最终准确的发现种收信号。
而有没有读出这个信号,决定了「种收一体」的真伪分水岭。
整个过程,可以形象的理解为「先蓄水、再灌溉」的画面:…
左侧蓄水,通过品牌广告、信息流的内容供给持续积累R3兴趣人群,优化种草效率,扩大高意向用户池子;
右侧灌溉,在店铺投放、直播间运营中锁定R3人群,以不把一滴水漏在外面的严苛条件,集中提升转化效率。
白云山就是快手打通种收信号的受益者之一,这个国货品牌遇到了和其他老字号一样的问题,当品牌经营进入成熟阶段,进一步的发展需要寻找第二增长曲线,如何在基本盘之上持续拓展新增量并带来生意增长,成为品牌新的增长命题。
比如对白云山有情感积累的用户,往往还停留在制药业品牌的过去,对于白云山在个护市场的新产品了解有限,而其中又有哪些是在被内容种草之后,有机会完成最后一公里的转化,这也曾是摩擦明显的营销痛点。
快种快收的策略实施之后,白云山取得了立竿见影的成效,以46%的店铺日均消耗增加,换来了83%的日均GMV大涨,接近于2倍的回报率,其中高达28%的GMV,都是由R3人群贡献的。
也就是说,在促成生意的同时,白云山吸引到的,并非是冲动下单的路人,而是原生的优质消费者,是能把关系长期维系下去的人群资产,这是更为重要的价值。
而从快手站内的表现来看,愿意扎根经营、内容交易一手抓的品牌,已经提前吃到了「黑土」红利,从游牧式的猎取流量到农耕式的培育资产,是这几年来最重要的生意模式变化。
这件事情,绝对是特朗普这辈子最憋屈、最无力的时刻!没有之一!
就在刚刚,2026年6月29号,美国最高法院终极落锤!驳回特朗普全部上诉,不给任何翻盘机会,终审判决最终确认:特朗普性虐待女作家,而且构成诽谤,事实成立!必须赔偿500万美元!
这绝对是全球司法历史上最魔幻的名场面之一,事情本身离谱到连无脑爽文编剧、狗血短剧导演都不敢这么写!
比霸道总裁爱上离婚带娃做清洁工的我都离谱,颠覆所有人认知!
我们详细说下有多么神奇!
事情的起因,是现年82岁的美国女作家,卡罗尔奶奶控告特朗普在30年前曾经性侵了自己。
卡罗尔说,是95年冬天,或者96年春天的某一天,具体是哪天呢,其实她也不记得了。
那天她在商场里偶遇特朗普,两个人相谈甚欢,接着特朗普请她帮忙,为自己的女朋友挑选礼物。
特朗普看上了一套内衣,让卡罗尔试穿给穿看,在卡罗尔进入试衣间后,特朗普随后也闯了进来,把她给那啥啥了......而且在这个过程中,特朗普还对她实施了暴力殴打。
里面最炸裂的是,具体是哪一天、在商场哪个位置,卡罗尔自己都说记不清楚了。
对于卡罗尔的指控,特朗普愤怒的呐喊到:
那个女人是谁?我根本就不认识她,太荒谬了!
但是这可由不得特朗普,早在2023年的时候,最终陪审团就一致认为特朗普实施了性虐待,事实成立,需要向卡罗尔赔偿500万美元。
你知道这个事情有多离谱吗?
特朗普究竟有没有性侵卡罗尔奶奶,这个确实没人知道,因为没有证据!
没有物证、没有DNA、没有监控录像、没有店员路人证人、没有伤情记录.......
一丁点证据都没有,所有的控诉,都是卡罗尔自说自话。
而且,卡罗尔当时既没有呼救,也没有发出声响,更没有报警,而是沉默了大约30多年,直到最近才把这个事情翻出来。…
全是卡罗尔的一面之词,但是陪审团一致认为,特朗普有动机、有能力去性侵卡罗尔,事实成立!
太荒谬了,在全世界任何一个正常国家的司法体系里,这种无时间、无地点、无证据、时隔三十年的单方面指控,连立案的资格都没有,会被直接驳回!
但在美国,它不仅立案、不仅胜诉,还一路打到最高法院,被全美最高司法机构盖章认证!
很多人不懂,为什么定不了强奸罪,最后给特朗普按了一个性虐待的罪名?
这就是美国司法最神奇的地方!
强奸属于刑事犯罪,讲究疑罪从无、证据闭环、排除所有疑点。零证据的案子,刑事层面百分之百无法定罪。
可现在这个案子绕开了刑事案,走的是民事诉讼!
民事案不需要铁证、不需要实锤,只需要合理怀疑!
说白了就是:我怀疑你干了,你就有罪!
那是怎么怀疑的呢?接着我们来说最离谱的地方。
1995年,当时的特朗普风华正茂,还算是颜值巅峰,而且要钱有钱,要地位有地位,妥妥的霸道总裁,动不动就邀请全球的超级模特开聚会。
而且刚第二次结婚,新婚妻子是梅普尔斯,当时32岁,是美国的当红女明星,两次选美亚军,一次选美冠军......
可特朗普把自己年轻漂亮的老婆放在家里,却是跑到大街上当时邂逅了50岁的大妈,然后把大妈给那啥了.......
而美国的陪审团认为,特朗普绝对有理由、有能力去干这件事情。
对这个结果,特朗普愤怒的咆哮,连续说了三遍:
卡罗尔不是我的菜,不是我的菜,不是我的菜!
特朗普的意思是,你们太看不起人了,就算我要干那事,也轮不到卡罗尔啊!
你们可以看不起我的人品,但不能怀疑我的审美!
那确实,特朗普绝对不是好人,但你要说他性侵大妈,确实有些匪夷所思。
陪审团究竟是怎么得出的结论,认为特朗普性虐待这个罪名成立的呢?
我估计啊,陪审团说,有钱有颜值难道就是好人了吗?我们美国变态的多了,你怎么知道特朗普对大妈没兴趣?
其实我一想,陪审团说得也对,毕竟,几年前,在美国的宾西法利亚州,三名男子被控诉强了自己农场的马、山羊、牛等动物730多次,还变态的雇佣了摄影师,把他们的美好时光拍摄下来。
最后,摄影师实在受不了了,向当地警方举报了3人。
2020年,法院最后裁决他们分别判有20年到40年的刑期......
所以,陪审团说,你看多变态的人都有,何况你还是美国总统,能是好人吗?依我们看啊,你本来就有狂躁症,你要一时性起,说不定连动物都强,何况人呢?
再说你又有作案工具,我们有充分的理由,合理怀疑你性侵了卡罗尔。
特朗普怒火中烧,开始了上诉,结果能走的法律流程全部走了一遍,那都没用,最高法最后认证了他有罪,是货真价实的性侵者。
可是证据呢?
不好意思,没有证据,只有卡罗尔的口供。
在这里,我不禁想起了马克吐温,在小说竞选州长中写的名句:
你忠实的朋友,过去是好人,现在却成了臭名昭著的伪证犯、蒙大拿小偷、盗尸犯、酗酒犯、肮脏的贿赂犯和恶心的讹诈犯。
在特朗普被判有罪后,卡罗尔面带微笑的走出法庭,她表示:
今天,世界终于知道了真相。这场胜利不仅属于我,也属于每一位遭受痛苦的女性。
而特朗普愤怒的在推特上写到:
我完全不知道这个女人是谁。这个判决是一个耻辱—是有史以来最邪恶的政治迫害的延续!这就是猎巫行动。
我要上诉!!
可惜现在上诉也没用了,前两天,最高法已经最终实锤了!已经钉死了!
这真的是太嘲讽了!
特朗普这辈子,做的坏事实在太多了,证据确凿、白纸黑字、人证物证俱全的违法乱纪、滥用国家权力的事实一抓一大把:财务造假、机密文件泄露、大选干预、自己画K线图操控股市、国会山骚乱的幕后策划,桩桩件件都有实打实的记录、证人、书证。
可结果呢?
层层豁免、层层驳回、各种撤诉、各种不了了之、或者装作看不到。
真凭实据的重罪,美国法律拿他一点办法都没有。
可现在,一个30年前的性侵罪,一点证据都没有,从地方法院到最高法,全部判定事实成立!
这就是美国标榜全世界的法治精神?简直是天大的讽刺!
特朗普到底有没有性侵卡罗尔奶奶,我也不知道,也不洗白、不强行定罪。
毕竟三十年前的试衣间到底发生了什么,只有特朗普和卡罗尔自己知道。
更可笑的是终审结局:美国最高法院九大法官,全员认定特朗普有罪、最终无理由驳回特朗普上述、无一人异议,终结了所有申辩渠道,不给任何解释、不给任何翻盘机会,干净利落的完成了这场政治审判。
特朗普彻底暴怒,说这是美国史上最邪恶的政治迫害、彻头彻尾的猎巫行动、国家耻辱!
太有意思了,这就是美国法律吗?
特朗普做的实锤坏事,事实清晰证据如山,法律拿他没办法。
30年前的一桩旧事,啥证据没有,就凭一段回忆,却让他罪名成立。
简直就是嘲讽拉满,特朗普估计又要说了:
法律?你和我说美国的法律,我都要好笑!
#微博新知#
我们给香烟征税,是为了减少吸烟。我们给酒精征税,是为了减少饮酒。我们给燃油征税,是为了减少驾车出行。
那你觉得,当我们对雇人和经营企业征税时,会发生什么?
现在说说《源泉》(The Fountainhead)——可以说是更好的一本:
1. 存在有两种方式:从自己的愿景出发去创造,或者靠映照他人、取悦他人而活。兰德称前者为“一手人”(first-handers),后者为“二手人”(second-handers)。
2. 霍华德·洛克(Howard Roark)是一名建筑师,只愿建造他真正相信的东西。他宁可挨饿,也不愿在设计上妥协。这个世界不断抵抗他。
3. 彼得·基廷(Peter Keating)正好相反:他有足够才华,却把整个事业建立在奉承客户、复制风格和社交攀爬上。他成功了,却始终空洞。
4. 反派埃尔斯沃思·图希(Ellsworth Toohey)是有了自我意识的系统:他刻意扶持平庸,因为他知道,一个由“二手人”构成的世界,需要一位评论家来告诉他们该怎么想,而这会给他绝对权力。
5. 在那个世界眼里,洛克的罪并不是失败,而是他不需要他们的认可。这种独立被他们体验为冒犯。
6. 这部小说的论点是:文明真正的源头,是极少数进行原创而非模仿的个体。其他所有人,包括那些鄙视他的人,都活在他创造之物的下游。
7. 《源泉》就是洛克本人。不是喷泉,而是源头:真正的原始出处,水从那里流出。在河流之前,在支流之前,在其他任何人取水之前。书名的意思是:找到那个人,你就找到了所有真实之物开始的地方。
《阿特拉斯耸耸肩》(Atlas Shrugged)简化版:
1. 社会运转依靠少数高度有能力的生产者:实业家、发明家、工程师。所有人都依赖他们的工作,却把它视为理所当然。
2. 这个系统开始奖励需求而非成就:你越有能力,就越被期待为那些没有能力的人牺牲。
3. 成功被当成一种债务:被征税、被监管、被怨恨。直到最有能力的人开始问自己,为什么还要费力尝试。
4. 在一个名叫约翰·高尔特(John Galt)的人带领下,他们一个接一个地选择退出:宁可离开,也不继续支撑一个因为他们生产而惩罚他们的系统。
5. 没有了他们,整个结构崩塌,揭示出所有人以为“自动”存在的繁荣,其实是由一群具体、不可替代的人创造出来的。
6. 阿特拉斯是希腊神话中的泰坦,被罚永远用肩膀扛起天空;在兰德笔下,他象征生产者阶层,一边支撑文明,一边还要为此被指责。
7. “耸耸肩”(Shrugged)这个词概括了整套论点:阿特拉斯不战斗,不抗议;他只是安静地把重量放下。直到某天没人再扛着天空,人们才意识到,原来一直有某个具体的人在撑着它。
你们不想要我们?那我们就走了……🤷🏻♂️
创建 AI 语音代理已经变得离谱地简单。
xAI 的 Grok Voice Agent Builder 可以让你在不到 2 分钟内部署一个像真人一样的语音代理,而且无需写代码。
它目前还处于 beta(测试版)阶段,但这套技术栈已经很强大:
• 自然的实时对话
• 亚秒级延迟
• 支持 25 多种语言
• 免费电话号码,或使用你自己的号码
• 直接从浏览器构建并部署
再结合 Grok 行业领先的语音模型,我们正在更接近真正听起来像真人、回应也像真人的 AI 语音代理。
在这里试用:https://x.ai/voice
Grok Build 刚又迎来一次聚焦工作流的更新,带来了更智能的控制、更高可靠性和更好性能。
发布说明:v0.2.80 - 2026-07-01
功能:
• 命令超时现在可以按会话配置,并带有只对前台生效的上限。
• 后台任务和 TODO(待办)列表现在可以在压缩后保留下来,并持续对模型可见。
• 上下文提示现在可以针对撤销、计划模式和图像输入分别开关。
缺陷修复:
• 子代理对话框现在在打开和重新打开时都能可靠显示完整记录。
• 回顾块现在只复制摘要正文,不再复制标题标签。
• Vim 导航键现在可以输入到仪表盘提示框中,模态框也能正确处理 Esc/Left。
性能:
• 网络连接现在对代理/负载均衡器断连更有韧性。
又一次重大的 Grok Build 更新刚刚上线,带来了新功能、更智能的工作流、性能改进和重要缺陷修复。
发布说明:v0.2.79 - 2026-06-30
功能:
• 上下文提示现在会在相关场景中浮现计划模式、剪贴板粘贴等快捷操作。
• 优雅关闭让被中断的回合可以用可配置的暂停预算恢复。
• http://Grok.com 聊天会话现在与 gateway bridge(网关桥接)完整集成,用于模型目录和恢复。
缺陷修复:
• 提问提示现在会在 6 分钟后超时,而不是无限期阻塞。
• 修复了在某个回合处于活跃状态时,执行对话完整性修复可能发生的崩溃。
性能:
• 压缩现在会在阻塞会话之前在后台完成部分工作,从而提升响应速度。
纽伦堡城堡城墙背后的生存秘诀
一口凿入坚硬岩石的50米深井。在中世纪围城战中,安全的水源比厚实的城墙更重要。
郭杰瑞吃在同济#全国高校美食攻略##微博视频号迎新计划##微博vlog大赛#
😄 😄 😄
一个包含 433 个健身动作的综合数据集。每条记录都包含名称、类别、目标肌群、器械、动作说明、缩略图和动画视频。
HTML
今日新增 1,343 星 · 总星标 7,066 · Fork 833
开源 AI 渗透测试工具,用于发现并修复你的应用漏洞。
Python
今日新增 515 星 · 总星标 28,287 · Fork 3,131
一个触手可及的完整 AI 代理团队。从前端奇才到 Reddit 社区达人,从奇思妙想注入者到现实核查员,每个智能体都是具备个性、流程和经过验证交付物的专项专家。
Shell
今日新增 1,791 星 · 总星标 121,220 · Fork 19,796
骑了一年车,运动成绩持续提高,决定拿下刚刚发布的闪电SL9,这也是我买的第五台闪电,希望能够骑着它再创佳绩 @38号美系性能控
【#董明珠回应人事调整频繁#】昨日,格力电器董事长董明珠在该公司2025年度股东大会上回答了投资者的诸多问题。#董明珠喊话股东##董明珠称家电不换格力凭什么分红#
有消息称,本次格力股东大会的参会股东数创历年新高,现场有400多人,报名参加的则有近500人。
值得注意的是,董明珠还在交流中主动提及公司今年人事调整相对频繁的问题。
她表示,为什么要变动这么频繁,就是要你能上也能下,从上下之间找到自己的存在,这样年轻队伍才能带出来。
自2025年4月董事会换届起,格力开启持续一年的管理层迭代周期,董明珠卸任任职24年的总裁一职,由内部成长起来的张伟接任总裁。
当时格力电器董事会还聘任方祥建、刘华、李绍斌、胡余生、王凯为公司副总裁;聘任廖建雄为公司财务负责人;聘任章周虎为公司董事会秘书;张军督、舒立志、钟成堡获选为格力电器非独立董事。
公开信息显示,上述高管的平均年龄在50岁左右,接任格力电器总裁重任的张伟才49岁,整体趋向年轻化。
此外,对于过去一年格力力推的“董明珠健康家”,董明珠承认目前还有很多不足,希望大家多给公司一点时间,这需要有一个改进、纠正、提升的过程。
董明珠表示,“董明珠健康家”的目的是让更多人走进去体验。当前,线上渠道乱价现象突出,公司既要保证市场占有率,又要保证股东的权益,同时还要保证格力电器高品质、高技术的形象,所以公司在这里面做了大量的整顿工作。(快科技)
//@Kang:这条认真说这个事,其实按照我的了解,我觉得这已经不是单纯的印度本地泄露,大概率有总部权限的高管账号密码都已经泄露出去之后反向下载了更多的核心资料,按照时间线来看这次恶意攻击已经持续了很久,但是没人知道潜伏了多久,阿三们甚至没发现什么时候窃取的……自从2021年给发了律师函之后,苹果的保密措施其实已经做的很完善了,这种资料只可能是高管账号附属下载出来的情况,本地组装厂是不会有这种权限。很以前老有人说苹果封闭,你看这一次开源手机就出来了,现在泄露出来的资料,能让国产自主芯片厂家学习一下了,完全是可以有能力复刻了,而且国内供应链从来都不会主动泄密,这次苹果开源活动,确实实惠,可能会有一些芯片和PCB开发工程师买一台新iPhone支持苹果公司这次活动的回馈🫰
这次的泄露不同以往的任何一次泄露…… 甚至连gerber文件和工艺流程详解都出来了😂 还有自研芯片的芯片手册……这就等于是整个开发 /验证的全过程大白于天下了…… 怎么调试怎么提升良率怎么设计怎么开发……通通大白于天下……每一个芯片对应的供应商的对接信息芯片详细说明各种应有尽有……我只能说惊呆了…… 所以在工业基础和互联网基础不完善的地方做这种东西根本就不是首选还不如直接越南靠谱…… 我愿称这次泄露是史诗级泄露从来没有任何一次泄露有那么多那么全面范围那么广的……光罚款是没用的了估计得有人得有人要走人了😂
“有时候我会想,也许万物都有意识,也许什么都没有意识。我更愿意相信前者;那样似乎更有趣。”
-- Elon Musk
Neuralink 已经攻克了经硬脑膜植入电极的问题!
这是一件非常重大的事,因为它大幅提高了与大脑建立接口的安全性和便利性。
北京时间今天晚上美国最高法院属于大开奖时刻,重大判决一个接一个蹦出来。
#投资
跟着网红投资,一定很开心吧。
crcl一战老师带人集体要饭130的时候老师发推觉得我们只是路边嘤嘤狂吠的野犬罢了其实踏空存储也没事大牛市本金亏一半是很有趣的
宝马刚刚正式发布了全新纯电动 iX5。
• EPA 续航里程:700 公里
• 电池容量:144 kWh
• 峰值充电功率:460 kW
• 0-96 公里/小时加速:4.4 秒
• 10-80% 充电时间:22 分钟
• 动力:570 马力
• 800V 架构
• 整备质量:2825 千克
• 具备双向充电功能
• 最大牵引能力:2722 千克
• 自适应悬架
• 可选装后轮转向
• 端到端城区辅助驾驶
• 贯穿挡风玻璃底部的全景视域桥显示屏
• 17.9 英寸中控屏
• 可选装 14.6 英寸副驾屏
• 座椅支持加热、通风及按摩功能
• 第六代圆柱电池电芯
• 能量密度较上一代宝马电池提升 20%
• 热管理系统优化
• 车长:4994 毫米
• 风阻系数:0.28 Cd
交付将于 2027年初开始。
全新 BMW X5 / iX5发布。
首发五个车型,涵盖纯电动,汽油,柴油和混动。
1. iX5 60 xDrive,双电机四驱,578 马力 805N·m,141kWh 电池,WLTP 续航里程 645-845km。标配可变阻尼减振器,可选自适应空气悬挂、主动防倾杆。中心区转向比 17.7,带可变转向比,可选集成主动转向(后轮转向)。百公里加速 4.6s,极速 210kph。整备质量 2825kg (不含驾驶员)。
2. X5 40 xDrive,3.0L 六缸汽油增压发动机,400 马力 540N·m,带 48V 轻混系统,续航里程 900+,EU6e 排放。标配可变阻尼减振器,可选自适应空气悬挂。中心区转向比 17.7,带可变转向比,可选集成主动转向(后轮转向)。百公里加速 5.3s,极速 250kph。整备质量 2290kg (不含驾驶员)。
3. X5 40d xDrive,3.0L 六缸柴油增压发动机,313 马力 670N·m,带 48V 轻混系统,续航里程 1000+,EU6e 排放。标配可变阻尼减振器,可选自适应空气悬挂。中心区转向比 17.7,带可变转向比,可选集成主动转向(后轮转向)。百公里加速 6.1s,极速 230kph。整备质量 2355kg (不含驾驶员)。
4. X5 50e xDrive,3.0L 六缸汽油增压发动机,489 马力 700N·m (内燃机部分 313 马力 450N·m,电动机部分 197 马力 280N·m/450N·m Pre-gearing stage),400V 变速箱集成电驱系统,29.48kWh 电池,续航里程 1000+(纯电续航里程 86-102 km),EU7 排放。标配可变阻尼减振器,可选自适应空气悬挂、主动防倾杆。…
中心区转向比 17.7,带可变转向比,可选集成主动转向(后轮转向)。百公里加速 5.0s,极速 250kph (纯电状态最高极速 140kph)。整备质量 2565kg (不含驾驶员)。
5. X5 M60e xDrive,3.0L 六缸汽油增压发动机,612 马力 800N·m (内燃机部分 460 马力 540N·m,电动机部分 197 马力 280N·m/450N·m Pre-gearing stage),400V 变速箱集成电驱系统,29.48kWh 电池,续航里程 1000+(纯电续航里程 81-98 km),EU7 排放。标配可变阻尼减振器,可选自适应空气悬挂、主动防倾杆。中心区转向比 16.3,带可变转向比,标配集成主动转向(后轮转向)。百公里加速 4.5s,极速 250kph (纯电状态最高极速 140kph)。整备质量 2640kg (不含驾驶员)。
6. V8 汽油版本的 M 车型不会缺席。氢燃料电池车型,也会在后续推出。
车身尺寸,长 4994mm,宽 2000mm (含后视镜为 2216mm),高 1751mm,前悬 886mm,后悬 1073mm,轴距 3035mm,前轮距 1712mm,后轮距 1715mm。
一些有趣的细节:新的设计,BMW称为 X-typical,凸显 SAV家族特征,M60e上的双 X日行灯为黄色凸显 MPA车型特征。小翼式(winglet) 门把手在 VDX上就已经出现过。内装使用大面积的天然纤维材料。X5也有了与 LCI 7系一样的副驾驶娱乐屏。后轮转向角度 3.2°。新的 L2级别辅助驾驶,支持端到端。整车使用大量再生原材料,比如 iX5 60 xDrive,整车 1/3约 940kg的材料都是再生原材料。首批车型计划于 2026年 11月下旬启动市场发布,纯电动版本和插电式混合动力版本将于 2027年初随后推出。Spartanburg(美国斯帕坦堡工厂)将于 2026年 8月启动第五代 BMW X5的量产。另外,外观依然有 M套件 (M Performance Parts,MPP) 可选,比较有意思的地方是,前扰流板依然是碳纤维,但是后视镜壳和后扩散器,都是芳纶材质 (目前不确定是否凯夫拉)。
#别不正经说车##宝马💬##宝马##宝马X5#
我们推出 GeneBench-Pro,这是一个研究级基准,用来衡量一类更困难的 AI 进展:智能体能否在混乱的生物数据中找到方向、选择正确的分析路径,并做出真正的计算研究所依赖的判断。https://openai.com/index/introducing-genebench-pro/
Codex 已经变得非常厉害了
好吧,我得向 @OpenAI 的朋友们道歉,之前太低估 Codex 了。我没意识到你们这么强。这……真的相当了不起。
看了《朱同在三年级丢失了超能力》的解说,好电影。
Claude Fable 5 将于明天在全球恢复可用。
在与美国政府进行一系列富有成效的沟通后,我们正在用一套新的分类器重新部署该模型,以定位并阻止更多网络安全任务。短期内,一些常规任务(如编程和调试)会回退到 Opus 4.8。未来几周我们会继续改进这些分类器,以减少误判,并更好地区分真正的滥用和合法请求。
我们也已经开始与 Amazon、Microsoft、Google 以及其他 Glasswing 合作伙伴共同起草一套共识框架,用于评估 AI 越狱的严重程度,以及 AI 开发者应如何响应。我们邀请其他行业伙伴和模型提供商加入这项工作。
最后,我们正在扩大与美国政府在模型测试和安全防护方面的合作。这将包括提供模型和安全防护措施的发布前评估访问、共享关于越狱和滥用的信息,以及投入专门资源开展联合研究。
感谢用户的耐心,也感谢政府、行业和研究社区中的合作伙伴与我们并肩努力,让 Fable 5 能够再次可用。
阅读全文博客:https://www.anthropic.com/news/redeploying-fable-5
Claude Fable 5 将于明天在全球恢复可用。
在与美国政府进行一系列富有成效的沟通后,我们正在用一套新的分类器重新部署该模型,以定位并阻止更多网络安全任务。短期内,一些常规任务(如编程和调试)会回退到 Opus 4.8。未来几周我们会继续改进这些分类器,以减少误判,并更好地区分真正的滥用和合法请求。
我们也已经开始与 Amazon、Microsoft、Google 以及其他 Glasswing 合作伙伴共同起草一套共识框架,用于评估 AI 越狱的严重程度,以及 AI 开发者应如何响应。我们邀请其他行业伙伴和模型提供商加入这项工作。
最后,我们正在扩大与美国政府在模型测试和安全防护方面的合作。这将包括提供模型和安全防护措施的发布前评估访问、共享关于越狱和滥用的信息,以及投入专门资源开展联合研究。
感谢用户的耐心,也感谢政府、行业和研究社区中的合作伙伴与我们并肩努力,让 Fable 5 能够再次可用。
阅读全文博客:https://www.anthropic.com/news/redeploying-fable-5
#投资
显然大部分人还是喜欢听这种故事:字节、离职、财务自由。
因为这符合互联网主流人群,对自身的幻想。— 如果我哪天被裁员了,是不是也可以通过“投资”实现财富自由。
玩美股的不一定是投资,可能是赌博。玩 Crypto不一定在赌博,可能在印钞。
对没脑子的人来说,多思考一点点,都是对大脑的折磨。
不理解的话,那就先赚到自己第一个三千万再看看吧。
#投资
我知道字节的人才很多。
但是币圈的天才太多了。
见过的天才太多、太惊艳,看到人才也就那样。
哈!这回真稳了吧//@阑夕:完犊子//@阑夕:[打call]
🇨🇮 负 🇳🇴 哈兰德以逸待劳,必然取胜,这届世界杯需要巨星的流量🇫🇷 胜 🇸🇪 这么说吧,但凡净胜少于1.5球就算法国惨败🇲🇽 胜 🇪🇨 墨西哥实力稍强,还是主场,问题不大
昨晚的平局其实有点多了,今晚的意外性没那么高,会是干净利落的三场球,不粘不黏,信我吃肉!
推荐一期播客 42章经 × 魏小康。前字节招聘负责人(2017-2020,经历抖音爆发),前美团招聘负责人+AI产品经理(2020-2024)。国内极少数同时深度参与过两家公司组织建设的人。
聊了三件事:字节和美团完全不同的组织逻辑(为什么一家学 Google一家学亚马逊)、创业公司招聘到底该怎么做(80% 时间花在哪)、AI时代组织在发生什么变化。
下面是我的笔记
1. 文化 = 创始人做事方式。 魏小康原话:创业公司不需要搞文化,所有头部公司文化本质差不多。创始人怎么干活,公司就怎么干活。塑造一个好氛围就够了。
2. 721:选择不是不培养。 美团 721 理念:人的成长 70% 靠打仗,20% 靠跟好手学,10% 靠培训。「最重要的事情是给大家战场。好的人自动杀出来。」——不是不培养,是战场本身就是培养方式。
3. 薪资阶段:溢价买的是更快的时间。 字节的逻辑:市场价 100,跳槽给 120-130。字节给 140-150 加大小周。拼多多给 170-180 加单休。从时薪看是划算的。而且「招一个最强的人解决业务问题,花的代价比招一堆人小。」
4. 十个人最少搞错 10% 的信息。 三个人干活,理解的东西就不一样。十个人,问每个人公司在做什么,答案全不同。字节花时间把 OKR 讨论清楚,不是大公司病,是止损。
5. 扩供给不靠猎头,靠圈子。 创业公司影响力不够,熟人内推才是主要渠道。把最好的人做 CRM——魏小康为挖一个高管,从对方入职对手公司那天起,每三个月见一次,两年半后才等到。
6. 今年之后的每一天都是你最好招人的时候。 供需越来越紧张。今天给多少钱都是赚的。不是「现在贵」,是「以后更贵」。
7. 你周围有靠谱的人,把他周围靠谱的人给弄完。 反向操作。不是只挖一个人,是顺着靠谱的人把整个圈子端过来。
8. 做苦活累活是另一套组织逻辑。 Google/字节是精英大力出奇迹。美团/亚马逊是精密协作干苦活。AI 应用层要做交付,「你一定要把它做苦、做累、做重」。
完犊子//@阑夕:[打call]
🇨🇮 负 🇳🇴 哈兰德以逸待劳,必然取胜,这届世界杯需要巨星的流量🇫🇷 胜 🇸🇪 这么说吧,但凡净胜少于1.5球就算法国惨败🇲🇽 胜 🇪🇨 墨西哥实力稍强,还是主场,问题不大
昨晚的平局其实有点多了,今晚的意外性没那么高,会是干净利落的三场球,不粘不黏,信我吃肉!
[打call]
🇨🇮 负 🇳🇴 哈兰德以逸待劳,必然取胜,这届世界杯需要巨星的流量🇫🇷 胜 🇸🇪 这么说吧,但凡净胜少于1.5球就算法国惨败🇲🇽 胜 🇪🇨 墨西哥实力稍强,还是主场,问题不大
昨晚的平局其实有点多了,今晚的意外性没那么高,会是干净利落的三场球,不粘不黏,信我吃肉!
#Crypto
EVM这种实现标准(姑且这么说)和智能合约的普及,比 ETH这个 token有价值太多了。
Uniswap协议尤其是 Uniswap V2那份开源代码,比 UNI这个 token有价值太多了。
取其精华,去其糟粕,其实很伟大啊。
Ousd的声势很大,如果链上结算层还是以太坊,那以太坊还能重回巅峰。
如果不是的话,以太坊将会一文不值。以后有新的资产上链,都没必要带以太坊玩了。
crcl没问题。
问题有人在黄金堆里吆喝大粪。
crcl没问题问题是我买贵了
Anthropic 的 Fable 5 和 Mythos 5 终于解禁了。
美国商务部长 Howard Lutnick 周二致信 Anthropic,确认撤销此前对这两款模型的出口管制。Anthropic 随即宣布将从周三开始恢复用户访问。
解禁是有条件的。根据 Lutnick 的信,Anthropic 需要主动检测和处理模型的安全风险,与政府合作制定未来的发布流程,并上报发现的任何恶意使用行为。双方还在讨论建立一套标准化的技术评估体系,用于评估未来模型的风险等级。
这件事的影响不止于 Anthropic 一家。上周,OpenAI 也在白宫要求下,将新发布的 GPT-5.6 系列(包括旗舰模型 Sol)限制在一小批政府认可的合作伙伴中。OpenAI 虽然照做了,但明确表态这种政府审批模式不应成为长期常态,“它让最好的工具远离了需要它们的用户、开发者、企业和网络防御者”。
这场管制还引发了一个意外的竞争后果:在美国限制自家公司最强模型部署的同时,中国的开源模型正在快速追赶,多位科技高管和投资者担忧,管制等于白白送给对手宝贵的追赶时间。
前白宫 AI 顾问、即将加入 OpenAI 的 Dean Ball 说得更直接:特朗普的行政令实际上创造了一个事实上的强制许可制度,而政府连清晰的安全标准都没定义出来。一个没有标准的许可制度,能让每一次模型发布都变成一场即兴谈判。
我们已收到通知,商务部已经取消了对 Claude Fable 5 和 Mythos 5 的出口管制。
我们将从明天开始恢复访问权限,并很快分享最新进展。
感谢用户的耐心,也感谢所有与我们一起推动这些模型重新部署的人。
个人理财功能现已面向美国的 ChatGPT Plus 用户开放。
微服务本身没错,滥用肯定是不对,用好了还是挺好的:
1. 可以让组织小一些,每个团队只要做好份内几个微服务就好了
2. 对 AI 也有好处,单个服务好验证,上下文少
当然这很考验架构水平引用原帖:
这个级别的架构问题想靠AI糊上去,未免太看得起AI了,技术选型的时候不过脑子赶时髦搞微服务,留一堆工程架构问题,现在有AI想丢给AI一次性解决,我觉得不现实
我们已收到通知,商务部已经取消了对 Claude Fable 5 和 Mythos 5 的出口管制。
我们将从明天开始恢复访问权限,并很快分享最新进展。
感谢用户的耐心,也感谢所有与我们一起推动这些模型重新部署的人。
Neuralink 🧠✨
最初的样子 vs. 现在的进展
//@罗永浩的十字路口:回复@林青峯Tosassi:年年都公布了,还有审计报告呢,你觉得这些瞎闹事儿的有谁是看过了之后来闹的?//@林青峯Tosassi:公布使用明细不就行了,清者自清啊,还能给自己刷一波信用分
质疑韩红的公益基金会买了苹果电脑的也都是傻x。按照法律规定,公益组织运营成本不能超过10%,韩红基金会这么多年平均成本是5%左右(有的年份是2%多一点,有些年份到了7%),比法律规定低了一半,属于成本控制很优秀的公益基金会。很多官办的公益机构运营成本是顶着10%的上线的,这些傻逼为什么不敢去问进一步的明细?八亿规模的基金,又有严格年审,细抠每台笔记本支出之类的,纯属弱智。而且那些高配置电脑你也不知道是给设计师用的还是工程师用的,不知道瞎xx闹什么?按照法律法规要求出报告和审计还不够吗?因为这种体量机构的日常运营,如果要精细到网民想象的那种精细程度,运营成本再增加几个百分点也不一定够。很多没做过公益活动运营的笨蛋以为自己出了几块钱,公益机构的员工就会十年如一日的做苦行僧……日
Anthropic 今天发布了 Claude Science,一个面向科学研究者的 AI 工作台。它的定位很明确:做科学研究领域的 Claude Code。
去年 Claude Code 改变了程序员的工作方式,Anthropic 首席执行官 Dario Amodei 认为 Claude Science 能在生命科学领域复制同样的事。考虑到 Anthropic 目前年化收入已达 420 亿美元、估值 9650 亿美元,这个野心至少有财力支撑。
Claude Science 不是新模型。它用的还是现有的 Claude 模型(包括 Opus 4.8),没有专门训练过生物学能力。它做的事情是把科研工作流程整合到一个环境里。
【1】解决什么问题
做过计算生物学的人都知道,日常工作是在一堆工具之间反复横跳:查文献用 PubMed,写代码用 Jupyter,跑分析用 R,提交计算任务要登录集群终端,看蛋白结构又得换个软件。每个数据库还有自己的格式和查询方式。
Claude Science 把这些东西塞进了同一个界面。一个主 AI Agent 充当“项目经理”,连接了 60 多个科学数据库,涵盖基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学等领域。用自然语言提问,它就会调用相应的专业 Agent 去不同数据库查询和汇总。
它还能往下分派任务,生成子 Agent 来处理具体工作,或者把任务交给用户自己创建的专家 Agent。另外有一个专门的审查 Agent,负责检查引用和计算结果是否正确。
【2】两个比较实际的特性
第一个是可复现性。Claude Science 生成的每张图表都附带生成它的完整代码、运行环境、创建过程的自然语言描述,以及完整对话记录。几个月后回头看,还能还原当时的整个分析过程。想调整图表也简单,用自然语言说“把 Y 轴改成对数刻度”或者“去掉网格线”,Agent 会自动修改对应代码。
第二个是本地运算。它可以装在 macOS 或 Linux 上,也可以通过 SSH 连接到实验室的高性能计算集群。数据不用全部传到云端,敏感数据可以留在本地基础设施上,只有分析每一步需要的上下文信息才会发送给 Claude。如果计算量大,它还能调用 Modal 账户按需扩展到上百个 GPU。
【3】早期用户怎么说
Gladstone 研究所的 Sean Whalen 用它几天之内从零搭了一个基因组浏览器。…
UCSF 的 Stephen Francis 说,Claude Science 在他们的 RNA-seq 数据里发现了一个实验室病毒污染物,他们团队在这个问题上卡了将近一年。Allen 研究所的 Jérôme Lecoq 用它搭了一套多 Agent 文献综述系统,让多个子 Agent 读几千篇论文、提取核心发现,然后按叙事结构生成综述,以前他的团队写这样一篇综述要两年。
MIT 的 Iain Cheeseman 的评价可能最直观,他说这个工具让他作为一个非计算生物学背景的人能做以前根本做不了的分析,他发现自己会把积攒多年的研究问题拿去用 Claude Science 试。
【4】竞争格局
Anthropic 并不是唯一盯上这个方向的公司。OpenAI 在今年 4 月推出了 GPT-Rosalind,一个专门针对生命科学的推理模型,6 月初又做了一轮能力升级。两者的思路不太一样:GPT-Rosalind 是专门训练的领域模型,侧重生物推理能力本身;Claude Science 不改模型,改的是工作流程,把现有模型包装成一个集成了数据库、计算资源和协作 Agent 的科研平台。
GPT-Rosalind 目前只对签了企业协议的美国客户开放研究预览。Claude Science 的门槛低一些,Pro(20 美元/月)以上的付费用户就能用。
这反映了 Anthropic 的策略转变,从单纯卖模型能力,转向拥有特定行业的操作层,就像 Claude Code 成了软件开发的操作层一样。
【5】怎么用
Claude Science 今天开始公测,macOS 和 Linux 可用,需要 Pro、Max、Team 或 Enterprise 订阅。Team 和 Enterprise 用户需要管理员开启权限。学术机构和非营利研究组织的活跃实验室可以申请 Team 计划的折扣席位。
Anthropic 还会资助最多 50 个 Claude Science 研究项目,每个项目最高 3 万美元额度,Modal 另外提供最多 2000 美元的计算资源。申请截止 7 月 15 日,结果 7 月 31 日前通知,项目运行时间为 9 月 1 日到 12 月 1 日。
介绍 Claude Science:一款面向研究全流程设计的新应用。
产物可以追溯到生成它们的代码,环境可按需管理,还能连接 60 多个可选科学数据库。
现已开放 beta 测试。
就是硬核工程。
这需要:
- 先进的光学解决方案,能够透过不透明的组织层看清血管
- 精密制造能力,在我们的针头上加工出微米级特征,让它们能够可靠地穿透坚韧的硬脑膜
- 严格测试,在我们第一次把它用于人体之前,证明整套方案确实可行
我们整个团队能解决这样一个困难且重要的问题,我非常自豪。但还有很多挑战要攻克,我们正在招聘各个技术方向的优秀工程师来帮忙!
不需要生物医学背景!
四层楼高的电梯……哇。
他可真是个“人民公仆”。
🚨 突发:@FreeBeacon 的一项调查显示,众议员 Ro Khanna 一边抨击“囤积财富”的超级富豪,一边住在一栋价值 600 万美元、带四层电梯的华盛顿特区豪宅里;与此同时,他家族超过 3.4 亿美元的财富就放在他所谴责的那些信托、对冲基金和 LLC(有限责任公司)里。
这些信托在 2025 年进行了 4100 多笔股票交易,金额约 5300 万美元。与此同时,Khanna 正在带头推动禁止国会议员交易股票,却声称自己对这些交易“毫不知情”。
他的孩子(都不到 10 岁)持有三家私人高尔夫俱乐部、一家 650 亿美元财富管理公司和一家不良债务对冲基金的权益,这些正是他攻击的投资工具;他的妻子则开着一辆 19 万美元的 Range Rover。
归根结底:Khanna 的财富建立和保护方式,正是他口中富人不该采用的那一套。
https://freebeacon.com/democrats/ro-me-the-money-how-progressive-class-warrior-ro-khanna-lives-like-the-oligarchs-he-fights-with-in-home-elevator-190k-range-rover-and-family-owned-golf-clubs/
😑
本月早些时候,Starbase 市很高兴支持当地居民、本地渔民、@SpaceX 志愿者和 @SeaTurtleInc,在 Boca Chica Beach 防波堤附近救助了重达 266 磅的红海龟 Arlen。此后,她产下了 60 多枚蛋,完成了标记,并被放归墨西哥湾。
//@白城以北://@小西造车:转发微博
沈飞展示歼-35“脉动生产线”CG,年产100架并非遥不可及!
这两天有关歼-35系列战机的好消息真的是接连不断啊。为庆祝“中国航空工业沈飞”创建75周年,前一天(6月28日),沈飞率先放出的宣传片就已经大方展示了其“刚下线”,编号为“350030”舰载版歼-35绿皮机(00批次第30架量产),表明目前单就舰载版歼-35的量产数量已经有至少30架之多了。
话说,差不多两年的时间就量产30架舰载版歼-35,若是再加上空军版的歼-35A,那沈飞整个歼-35系列战机的年产量大概是20-30架左右。这一速度不算慢、但也不算快,毕竟网传歼-20系列的年产量早已经超过100架,所以歼-35战机的量产速度还有很大的提升空间。
这不,6月29日沈飞放出的最新宣传片,就再次展示了歼-35系列战机“脉动生产线”的CG场景,有点类似于美国的F-35生产线。沈飞歼-35“脉动生产线”的CG,应该描绘的是去年5月份沈飞刚竣工的27万平方米全新脉动总装厂房,该生产厂房计划在2026年全面启动歼-35系列的规模化量产(如今可能已经用上了)。
而随着沈飞全新脉动总装厂房的投入使用,预计在经过2026年的生产线磨合和产能爬升之后,最快2027年歼-35系列的年产量就能达到100架左右……🤔#烽火问鼎计划##航空工业沈飞成立75周年#
卖 10W一辆的自行车!!全新闪电 SL9骑起来怎么样??
#卢卡申科参观北京大学其子陪同#6月30日,白俄罗斯总统卢卡申科访问并参观北京大学,他与北京大学领导层举行工作会议,并将出席两国顶尖大学生物技术专业合作办学项目首届白俄罗斯-中国联合培养项目的毕业典礼,他的小儿子尼古拉·卢卡申科也出席了该会议。
🇨🇮 负 🇳🇴 哈兰德以逸待劳,必然取胜,这届世界杯需要巨星的流量🇫🇷 胜 🇸🇪 这么说吧,但凡净胜少于1.5球就算法国惨败🇲🇽 胜 🇪🇨 墨西哥实力稍强,还是主场,问题不大
昨晚的平局其实有点多了,今晚的意外性没那么高,会是干净利落的三场球,不粘不黏,信我吃肉!
【睡前消息1072:海力士不看学历南非对中国顺差】韩国最赚钱的AI企业,海力士公司招人,不提任何学历要求。这在崇拜学历的韩国社会,是一个神话。
//@Zodzod_张浩:所以你的判断对:这句话至少在字面上是错的。更准确的批评应该是:法国并不是没有 “entrepreneur” 这个词;恰恰相反,这个词就是法语来的。作者真正想批评的,可能是法国制度文化中“dirigisme”强于“entrepreneurship”。//@whigzhou:他恐怕是在开玩笑吧?entrepreneur就是个法语词啊,就算不懂法语,看后缀也能猜到吧?
科叔罕见地对法国举办的G7经济峰会提交的报告进行了大力嘲讽,全篇金句频出,此抄一二:
1. ...在此过程中,你们不仅扼杀了经济增长,还顺带拖累了我们的出口。你们真的以为我们会傻到为了所谓的“国际大团结”(报告原文是“international solidarity?”)而跟着你们走上这条通往停滞的道路?
2. (撰写报告的顶级经济学家)说,法国经济的问题在于法语里没有“企业家”(entrepreneur)这个词。不过,法语里倒是有一个很贴切的词来描述这个问题——“dirigisme”(字面意思是“指挥棒主义”) ,这在下文讨论金融事务部分有充分的体现...你们所谓的“审慎监管”、“金融监管”、“国际联动性”,无非是想把巴塞尔协议的管制范围扩大到国际层面...我估计,有了人工智能的加持,这种不明觉厉的冗长报告未来会泛滥到惊人的程度。
3. 据我了解,G7以及IMF、WTO、FSB和OECD等相关国际政策制定机构的现状可堪忧虑。我们正在开展一项大型的“公共领域”研究项目,就是要重新构想经济和国家安全领域的国际合作模式,前提就是假设这类组织和机构已经失去了任何存在的意义。现在看来,我们当初的这一假定得到了充分证实。(这句太狠了😂
4. 我估计写这种文章挺让人难受的。报告上署名的经济学家们个个都是杰出的专家,不少人还是我朋友——至少5分钟前还是。我真想晃醒他们:你们这是弄啥哩?咱咋能把自己的名誉借给这种假大空的报告使涅?
5. 至于所谓的金融“失衡”究竟从何而来,报告只字未提。难不成真有人能参透国际经济和金融体系,诊断并测量出所谓的“失衡”吗?哈耶克泉下有知,只怕会气得从坟墓里跳将出来。经济学家们连西红柿的总流量都不知道,更别提草莓、蓝莓市场之间的供需“失衡”了。这份报告假装自己拥有某种深奥的、技术官僚式的洞察力,但那些华丽的辞藻也只能给向外行人看看。但要说的是,其实都是装腔卖大(made up)。
_________________________________
· G7经济报告全文:http://t.cn/AXSD3qhj
· 科叔吐槽全文:http://t.cn/AXSD3qhT
9块9的阿福体脂秤到了,它就是炸了我都夸它炸得响。[微笑][微笑][微笑] http://t.cn/AXo7XgUe
全球的减肥热潮持续升温,从司美格鲁肽以及一众类似的衍生品一夜爆火开始,就逐渐不对劲了。
CNBC报道,到2030年之前,GLP-1减重药物预计会成长为千亿美元级别的产业,赛道之热可见一斑。
我倒不是说这些「减肥神器」本身有问题,一款用作糖尿病患者身上的药物,意外被发现能抑制食欲,且副作用极小,这当然是件好事。
然而捷径一旦走多了,人类对于减肥的理解兜了一大圈,很可能又会滑坡回「体重即一切」的老路上。
有过健身经验的人都知道,减肥从来不是单掉几斤秤,同样是70公斤,长期运动和久卧在床的两个人天差地别,人体构造复杂,需要把血压、体脂、代谢等多个指标叠加起来看。
尤其当减重被纳入公共卫生议程后——国家卫健委数据显示,我国成人超重率和肥胖率分别为34.3%和16.4%——继续把所有注意力都押在体重数字上,是完全不合理的。
「国家需要你减肥」这句话,以前当段子听,现在是真的迫在眉睫。
2024年,国家卫健委等16个部门联合启动「体重管理年」,目标是在三年左右时间里提升全民体重管理意识和技能,推动体重管理成为社会共识。
官方甚至明确鼓励家庭、医疗卫生机构、学校、机关企事业单位、宾馆等配置体重秤,有条件的配置体成分仪。
言外之意,控制体重不能单靠个人自觉,它是一个需要多方配合、长期做下去的事。
所以我看到蚂蚁阿福发起「科学减重1亿斤」行动时,第一反应是感慨这家公司的嗅觉敏锐,各行业还苦于摸索AI落地场景,阿福已经开始探索为严肃的公共卫生议题,贡献力量。
从今年开始,阿福在健康领域动作不断,先是为1亿人免费解读体检报告,现在又发动全国减重。
不过,这次特别之处在于,减重多少带点「治未病」的意思。
「管住嘴,迈开腿」,人人都懂,却是一句正确的废话。…
阿福相当于把减肥的复杂难题,拆成了三步:补贴体脂秤,搭建身体指标的测量基建;绑定App后,根据体重、体脂、肌肉率给出个性化饮食和运动建议;再组织挑战赛,用奖励机制强化正反馈。
层层拆解,正好对应着普通人减肥路上最常见的3个坑:没有工具、不懂数据、难以坚持。
在智能健康产品多如牛毛的当下,阿福为什么会选择体脂秤这个不算性感的品类,我猜测:
体脂秤的普及率不算高但重要性不低,价格亲民、零学习成本。数据维度远比体重秤丰富,不只告诉你「有几斤」,还告诉你「这几斤是什么」。
普通人不可能每周去医院做一次体成分分析,但每天早上站上体脂秤十秒钟,是可以做到的,
这也是「科学减重」和「狠心减肥」的区别。
再往下想一步,在减肥遭遇瓶颈期时,如果有个伙伴告诉你今天体重没降不代表失败,肌肉量保住了也很重要,减肥不是三天掉10斤的爽文剧情,它需要熬过加班、聚餐、宵夜、压力、失眠和情绪性进食,又会有多少人能在持之以恒里,体会到复利价值?
说到底,健康产品不能只提供正确答案,还得有台阶,一个能把复杂变简单的台阶。
所以,这次网络反响热烈,并非偶然。我甚至觉得,体脂秤行业也会受益于蚂蚁阿福的这轮科学减重主张,怒刷一波存在感。小小一个秤,完全有机会变成健康硬件入口。
减重本来就是一场与反复无常的人性长期相处的工程,是人类在和热量、欲望、压力、惰性以及现代食品工业博弈,任何产品或硬件,都无法保证百分百成功。
AI虽然无法替人自律,但至少能降低自律的门槛。
作为阿福深度用户,唯愿阿福加速进化,做好这个能高频服务用户的场景。减重这个赛道的大众需求正在井喷,AI适合打辅助。阿福这次,机会不小。
雪解けや竹はね返る日の表
积雪消融,被压弯的竹子重新弹回阳光里。
此时此刻正如彼时彼刻。
Dylan 从小就在汽车旅馆里帮忙干活。
小时候,他的 XBOX 出现过“死亡屏幕”。
为了修好它,他因此入门了半导体。
不知怎么地,这一路把他带向了创办 SemiAnalysis,如今它已是首屈一指的半导体研究公司。
@dylan522p 这个人很有意思,而且正处在前所未有的上升期。
今天的《Training Data》节目请到了当下最受瞩目的人物 @dylan522p @shaunmmaguire。面对史上最大规模的基础设施建设,没有谁比他更受行业巨头信任、更像真正的业内消息源。
Dylan 成为 @SemiAnalysis_ 的故事更令人惊叹:一个在汽车旅馆长大的年轻人,凭着对计算行业的好奇,一路不知疲倦地钻进各种线索深处,从 Reddit 论坛,到有声书,再到日本化学品会议……
00:00 引言 01:58 汽车旅馆孩子的起点 03:11 修 Xbox 点燃兴趣 04:23 从互联网论坛到半导体 06:42 从量化到创始人 09:16 无家可归式研究公路之旅 14:04 InferenceX 与基准测试 34:35 稀疏模型与密集模型 35:08 互连决定架构形态 35:48 CUDA 护城河正在变化 36:46 生态系统与协同设计 38:46 Cerebras 的速度与局限 42:07 投资回报率争论与犀利观点 44:20 未来十年的技术押注 50:48 算力紧缺与 NeoClouds
怎么说呢,一级市场的字节期权应该比二级市场上99.9%的股票更有回报率,但不好买。🐶
推出面向低延迟工作负载的 Cluster-Scale Memory(集群级内存,CSM)。
今天使用 HBM 的 AI 芯片,受内存子系统和互连瓶颈限制,无法达到 SRAM 级别的解码速度。纯 SRAM 芯片的 FLOPs 密度和内存容量更低,会牺牲吞吐量。
你被迫在两者之间取舍:要么以慢得多的速度提供服务,要么用较低的 batch size(批量大小)运行,并承受更高成本。
运行大型 MoE 模型时,跨专家的 token routing(令牌路由)需要让数据穿过很深的内存层级,再经过网络交换机,才能抵达目标专家。
每一层内存天然都会增加延迟;因此,最好的层就是没有层。
我们设计了一种新架构,可以在整个 scale-up(纵向扩展)域内创建共享的低延迟内存池。
我们使用专有的超低延迟、高带宽互连,让芯片之间的内存访问速度大幅提升。
我们的 HBM/SRAM 混合设计同时解决了内存容量和 mem2mem(内存到内存)延迟问题,从而同时实现高吞吐量和交互性。
CSM 改善了延迟,并避免了当今纯 SRAM 芯片、3D DRAM 芯片或光互连方案在成本、可靠性、良率、散热和计算方面的取舍。
//@出版人周筠://@程序员邹欣:AI在中国也经历了几个春天和寒冬//@马少平THU:图1是1978年入学的人工智能方向的研究生和一些老师的合影。
【清华人工智能,等你加入!】
在全球主要计算机科学排名中连续多年名列前茅;人工智能(AI)领域论文入选“全球引用量最高100篇”的数量居全球高校之首;人工智能助教“走进”数百门课程,惠及数万学子;由清华校友创办的人工智能独角兽企业深度赋能产业升级……一个个亮眼坐标,串联起清华大学深耕人工智能近半个世纪的坚实足迹。
作为国内最早开展人工智能教学和科研的单位之一,清华大学紧扣国家战略需求,持续深耕基础理论、攻克核心技术、培育顶尖人才,在人工智能领域构建起系统科研矩阵,逐步形成技术、产业、治理“三驾马车”并进的战略布局,将一张张蓝图转化为助力我国新一代人工智能发展的扎实突破。点击链接,一起了解清华在人工智能领域的布局与探索:http://t.cn/AXSkYW1k (鸣谢:科研院教务处)#创新清华# #清华大学💬#
我的祖父、共产主义,以及那场再也没有离开他的颤抖。这是一个我很少讲起的故事。
他曾是一所私立学校的校长,受人尊敬、沉稳笃定,是一个相信书本与秩序的人。然后,在一个再普通不过的下午,他的世界崩塌了。
一队共产主义军队冲进校园。他们像赶牲口一样把孩子们赶出去,在院子里点燃了所有书籍。他们相信:“受教育越少的人越容易控制。”
他们把我的祖父和他的教职员拖到一条尘土飞扬的路边,逼他们跪下,双手被紧紧反绑在背后。处决一个接一个开始。手枪的爆响撕裂空气。每一具身体都重重倒进尘土里。每一声枪响,都意味着死亡离他又近了一步。
我的祖父直直望着前方,看着身旁的人倒下。他感觉到手枪的温热金属抵住自己的后脑。时间慢了下来。就是这一刻了,他生命的最后一秒。
然后,命运介入了。他抬起眼,看见一列军队正沿着道路行进。走在最前面的是一位将军。一位童年旧友。
他带着绝望的尖叫喊出了对方的名字。那位将军吃了一惊,但认出了我的祖父,立刻饶了他一命。
泪水顺着他的脸流下来。他全身剧烈颤抖,拼命跑回家。他只带着身上的衣服,拉起妻子和孩子,就在那一刻逃离了那里,把他们的家、财物和整个生活都留在了身后。
在短短一个下午里,一切都被那个政权夺走了。从那天起,一阵无法控制的颤抖攫住了他的右手。每当情绪压过理智时,这种颤抖尤其明显。
那颤抖再也没有停止。它跟着他跨越海洋,也穿过漫长岁月,直到他去世的那一天。
这就是共产主义。
它不是理论,不是理想主义,而是抵在后脑勺上的手枪、被焚烧的书籍、被击碎的人生。不要让任何人把一场噩梦包装成美好的梦想卖给你。
那些如今在美国播撒社会主义和共产主义毒素的人,正是特朗普总统(President Trump)所警告的那种人:他们是我们自由世界最大的威胁。
在美国建国 250 周年之际,让一位幸存者的孙子坦率而毫不道歉地说清楚:
绝不能让共产主义在美利坚合众国这片土地上蔓延。🇺🇸
愿上帝保佑美国。
最新:@FreeBeacon 掌握了 Ro Khanna 令人咋舌的寡头式财富证据:
- 他的两个孩子(都不到 10 岁)在俄亥俄州拥有 3 座私人高尔夫球场(不是开玩笑)
- 他的妻子开着一辆价值 19 万美元的豪华 Range Rover(路虎揽胜)
- 他的住宅里有一部贯穿 4 层楼的室内电梯
还有更多:https://freebeacon.com/democrats/ro-me-the-money-how-progressive-class-warrior-ro-khanna-lives-like-the-oligarchs-he-fights-with-in-home-elevator-190k-range-rover-and-family-owned-golf-clubs/
SpaceXAI 已经成为孟菲斯及周边社区一股重要的正向力量。
• SpaceXAI 的扩张预计将推动当地税收收入超过 1 亿美元
• 在孟菲斯当地雇用了近 3,000 人
• Musk Foundation 向大孟菲斯 Boys & Girls Clubs 捐赠了 350,000 美元
• 已向孟菲斯和 Shelby County 缴纳了数千万美元的财产税
• 2025 年在孟菲斯餐厅和食品供应商处支出了 1,000 万美元
• Starlink 也正在为符合条件的孟菲斯地区居民提供半价服务
• 80% 的施工劳动力来自孟菲斯社区
• 雇用了数千名分包商,并与孟菲斯当地供应商和企业合作
• 为员工和承包商全天候提供免费餐食
• SpaceXAI 财产税收入的 25% 被预留给附近社区
• 正在建设一座耗资 8,000 万美元的 Colossus 水循环工厂(Colossus Water Recycling Plant)。该工厂预计每天可处理约 1,300 万加仑废水,每年将节省约 47.45 亿加仑饮用水。
• 免费为 MLGW 建设了变电站
• 安装了 240 多组电池,用于现场储能和电网支持
• 与 Memphis-Shelby County Schools 合作,升级其设施附近的区域
• MSCS 接受了 Musk Foundation 的一笔实物捐赠,此前报道称金额约为 600 万美元,用于学校维修和学生支持
• 清理了当地道路上的大量废弃物,包括 300 多张床垫、500 条卡车轮胎和 15,000 多磅垃圾
• SpaceXAI 的清理工作已经移除了 100 多吨垃圾和废弃物…
• 与 Mt. Vernon Baptist Church 合作,支持一个新社区中心的筹款活动
• SpaceXAI 团队成员在 Mid-South Food Bank 做志愿服务,并帮助组装了 7,000 个圣诞礼篮
• 为迁往 Shelby County 的新员工提供 25,000 美元签约奖金
• 为迁往附近 Mississippi 或 Arkansas 的员工提供 10,000 美元奖金
SpaceXAI 不只是在孟菲斯建设 AI(人工智能)。
它还在投资就业、学校、基础设施、清理行动、本地企业、家庭以及周边社区。
推出 Claude Sonnet 5,这是我们迄今最具智能体能力的 Sonnet 模型。
它会规划任务、使用浏览器和终端等工具,并能自主运行;这种能力水平就在几个月前还需要更大、更昂贵的模型才能达到。
Token 预算(TokenBudgeting):我们与企业围绕 token 支出的交流:所谓大范围的“TokenMaxxing”(最大化使用 token)真的出现过吗?
Anthropic 今天发布 Claude Sonnet 5,替代 Sonnet 4.6 成为免费版和 Pro 版的默认模型。Anthropic 的定位很明确:智能体(Agent)能力接近自家最贵的 Opus 4.8,API 价格只有后者的 40%。
Sonnet 系列是开发者用量最大的一档。但过去几个月,AI 智能体能力(让模型自主规划、调用工具完成多步骤任务)的主要进步集中在更贵的 Opus 系列,两者差距越来越明显。Sonnet 5 把差距缩了回来。在智能体编程基准上,Sonnet 5 得分 63.2%,Sonnet 4.6 是 58.1%,Opus 4.8 是 69.2%。在知识工作基准上,Sonnet 5 甚至略微超过了 Opus 4.8。
早期测试者的反馈比较一致:以前 Sonnet 做到一半会停的复杂任务,现在能跑完,还会主动检查自己的输出。Zapier 的工程师说,让 Sonnet 5 连续执行“更新 Salesforce 账户等级,再给企业客户发公告邮件”,模型一口气做完了,“以前会卡在半路”。
API 定价分两阶段:8 月 31 日前的推广价是输入 2 美元/百万 Token、输出 10 美元/百万 Token,之后涨到 3 美元和 15 美元。据 TechCrunch 报道,这个价格低于 OpenAI 的 GPT-5.5 和 Google 的 Gemini 3.1 Pro,但仍高于 Gemini 3.5 Flash。
有个容易忽略的细节:Sonnet 5 换了新的分词器,同样的文本可能消耗 1.0 到 1.35 倍的 Token。Anthropic 说推广期的定价已经把这个涨幅对冲掉了,过渡期总成本大致不变。但推广价结束后,实际花费会比官方标价的涨幅更大。
安全方面,Sonnet 5 的幻觉率和迎合倾向低于前代,智能体场景下抵御提示注入和恶意请求的能力更强。因为网络安全能力有所提升,模型默认开启了实时安全防护(和 Opus 4.7、4.8 相同的机制)。
Sonnet 5 今天起在 Claude 所有套餐、Claude Code 和 API 上可用,模型代号 claude-sonnet-5。
推出 Claude Sonnet 5,这是我们迄今最具智能体能力的 Sonnet。
它会制定计划,使用浏览器和终端等工具,并能自主运行,达到几个月前还需要更大、更昂贵模型才能实现的水平。
Nvidia CEO Jensen 说:“@Tesla 的技术栈是世界上最先进的自动驾驶汽车技术栈。我相当确定他们已经在使用端到端 AI。至于他们的 AI 是否具备推理能力,相比前一点有些次要。”
他们不是在报道他,而是在搜寻各种办法把他描绘成邪恶的人。那是谎言吗?无所谓。有证据吗?还是无所谓。
他们会撒谎、歪曲、夸大,甚至直接编造故事,只为把他塑造成反派……而且他们会做到你根本想象不到的程度。
当被要求真正拿出证据,或提供那些从 USAID(美国国际开发署)获得实际帮助者的联系方式时,他们什么都拿不出来。真的什么都没有。
然而不知怎么,DOGE(政府效率部)一开始削减浪费,“数百万人死亡”就神奇地出现在数字里。
看看真正的现实:
• 一名 USAID 合同官员和多名企业高管承认参与了一场持续十年的贿赂计划,涉及合同金额超过 5.5 亿美元。
• 他们在援助项目中让 Hamas(哈马斯)人员进入组织内部。
• 他们实际上在资助 Al-Qaeda(基地组织)恐怖分子。
• 我再说一遍:他们在资助恐怖分子。
但腐败媒体并不在乎。
他们唯一在乎的,就是炮制虚假的“Holocaust(大屠杀)级别”死亡数字,好把 Elon 描绘成邪恶的人。
纯粹的宣传。
//@洛阳纸杯:但凡当过点基层小干部,都知道,超过十个人的活动不出点纰漏都不可能
孟菲斯地区用户的 Starlink 半价。
今年早些时候,@SpaceX 收购了 @xAI(现为 SpaceXAI),后者运营着孟菲斯的 Colossus 数据中心。
随着 SpaceX 继续在该地区投资,SpaceX 正在为孟菲斯地区的邻居提供优惠:新客户购买住宅版 @Starlink 套件无需预付硬件费用,同时新老客户的家庭互联网服务套餐都可享受折扣。
FAQ: https://starlink.com/support/article/7030ecc8-fae9-8765-bc27-51d0bd88e51a
突发:菲律宾成为东南亚第一个通过移动网络商业推出 Starlink Direct-to-Cell 服务的国家。
Globe 已获得监管批准,可在全国范围内提供 Starlink Direct-to-Cell 服务。
//@砂榆:[祈祷]//@奈月NATSUKI:别的我不清楚,说个知道的,武汉疫情期间我爸爸所在的单位真的有收到韩红捐的物资,而且算是最困难的时候收到的。现在人要么跟风造神要么一棒子打死跟风黑,但凡做慈善的人不是完美的神,就否认之前做过的好事
各位关心、支持、包容以及批评我的社会各界朋友:
针对我近期在影片首映相关活动中的不当言辞,我在此向广大公众郑重、诚恳地致以深深的歉意。
这段时间,我反复回看现场发言视频,逐条认真研读大家提出的批评意见与理性建议。此番发言,随口一句“走个面”,确实过于轻率随意,思虑不周、措辞失当,产生了负面观感,辜负了长期以来社会大众对我的包容与信任。对此我深感自责!
多年来,我始终格外珍惜全社会给予我的认可与善意,韩红基金会一路走来,离不开每一位爱心人士的理解、支持与托付。公众这份沉甸甸的善意与信任,是我从事公益事业最珍视的底线,也是我一直恪守、不敢怠慢的初心。
今后,我会常怀谦卑自省之心,谨言慎行、踏实做事。
最后,再次向大家表达最诚挚的歉意。
韩红 2026年6月30日
我们推出 GeneBench-Pro,这是一个研究级基准测试(benchmark),用来衡量一种更困难的 AI 进步:智能体(agents)面对杂乱的生物学数据时,能在多大程度上理清脉络、选择正确的分析路线,并做出真实计算研究所依赖的判断。 https://openai.com/index/introducing-genebench-pro/
兄弟们救救岳子🐶.#岳车无数#
随着 AI(人工智能)工作负载变得更加动态、分布式,并由智能体驱动,CPU(中央处理器)在 AI 基础设施中的作用正变得越来越关键。
Gartner® 在其截至 2026 年 6 月 10 日的《AI Vendor Race》研究中,将 AMD 定位为企业级 AI 服务器 CPU 领域的 Company to Beat(最值得挑战的公司)。
阅读全文:https://www.amd.com/en/blogs/2026/amd-named-current-company-to-beat-in-gartner-ai-vendor.html
还有昌平国王吧?//@韩路:这代RS 6没出时候,1万个媒体老说都说梦想之车,出了就买。结果最终全国汽车博主,就我一个人买了......//@孙少军09:RS6量不多,其实还好
帮转招人信息,Kimi Code招人引用原帖:
SpaceXAI
而这还只是冰山一角。
今天能够作为志愿者加入小米辟谣阵地,我深感荣幸,黑小米的人实在太多了,我们需要有反制手段![打call]
小米集团官方辟谣阵地「小米辟谣」正式上线!
感谢社会各界和米粉长期以来对小米集团的关心及爱护,向大家汇报一下,「小米辟谣」官方辟谣阵地今天在中央网信办违法和不良信息举报中心的指导下,正式上线了。
目前「小米辟谣」已正式开通官方微博,大家可以通过「小米辟谣」官方账号核实并查阅我司的辟谣声明,反馈有关我司的各类谣言线索。我们也将通过「小米辟谣」持续与各方互动,持续使用法律武器维护我司合法商誉。
守护网络舆论生态人人有责,「小米辟谣」官方账号也将深入参与网络谣言澄清,为清朗网络环境贡献力量。
个人强烈推荐一个开源的媲美甚至部分超越codex app的coding IDE:Orca
Mac/Win/Linux全平台, 支持所有主流Coding agent CLI(CC, codex, pi, opencode etc.), 这是我用过最强大的套壳,其他的我全都卸载了。
功能:. 并行worktree. computer use(操作电脑,类似codex的电脑使用). 登录态browser(类似codex @chrome). 嵌入式真实 Chromium + Design Mode. orca mobile(手机端app,远程控制电脑!). 自动化(定时任务,loop engineering). 语音输入. iOS/Android手机模拟器. 远程主机控制. token使用追踪. GitHub / Linear原生:PR、issue、看板里直接开. orca CLI
我特别强调,喜欢pi的人也非常推荐用这个。
//@臧智渊:关注起来吧。
小米集团官方辟谣阵地「小米辟谣」正式上线!
感谢社会各界和米粉长期以来对小米集团的关心及爱护,向大家汇报一下,「小米辟谣」官方辟谣阵地今天在中央网信办违法和不良信息举报中心的指导下,正式上线了。
目前「小米辟谣」已正式开通官方微博,大家可以通过「小米辟谣」官方账号核实并查阅我司的辟谣声明,反馈有关我司的各类谣言线索。我们也将通过「小米辟谣」持续与各方互动,持续使用法律武器维护我司合法商誉。
守护网络舆论生态人人有责,「小米辟谣」官方账号也将深入参与网络谣言澄清,为清朗网络环境贡献力量。
Claude Code 这个宣传视频,从 X 的评论来看有点翻车了😂
这个宣传用的数据看起来确实都很强:每天 4500 次生产部署,73% 的 PR(拉取请求)由 AI(人工智能)辅助,Niklas 本人同时开 5 到 10 个 Claude 会话,跑在不同的 Git worktree(工作树)里;2000 万行的 monorepo(单体代码库)里,agent(智能体)跑得挺好;做代码迁移时加了验证机制后,成功率从 25% 拉到了 80%。
但问题是他们选的是 Spotify。很多人本身就是 Spotify 用户,并没有感觉这两年 Spotify 的产品质量有什么提升,反而觉得变差了。也就是说,他们虽然用了 AI,但用户感知不到提升。
摘录几条评论:
> Spotify 是朋友圈里大家还在付费的质量最低的消费级 App,过去几年没变好甚至在变差。这类报道只讲部署次数这种无意义指标,不讲用户满意度和真实产品结果,让 AI 和 Claude 看起来像小丑。
> Mitchell Hashimoto(Ghostty 作者、HashiCorp 创始人)
> 最近四周里有三周,播客链接发不到 Spotify,播客发布系统和网页播放器接连出问题。一边是每天 4500 次部署,一边是连播客都发不上去,对比太讽刺了。
> Gergely Orosz(知名软件工程博主)
> Spotify 的播客界面像小学生画的。与其每天部署 4500 次,不如一天只部署 1 次,但做点真正好的东西。
> ThePrimeagen
评论区大量重复出现的吐槽包括:
- 4500 次部署到底在部署什么?
- App 十年没怎么变过,产品感觉停滞多年。
- 为什么 bug 越来越多?
- 离线播放失效、桌面端卡顿、缓存清不干净。
- 这不叫部署,这叫垃圾代码生产机。
支持的声音也有,但很少,点赞也低。有人对“加 judge(评审器)后成功率从 25% 到 80%”这个细节感兴趣,也有人觉得在大规模 monorepo 下跑 agent 的实践有参考价值。
这次翻车的根源其实很简单:Claude 展示的全是工程侧数字,比如部署次数、PR 占比、agent 会话数、成功率提升,却完全没有展示用户侧价值。产品更好用了吗?Bug 更少了吗?用户体验提升了吗?一个字都没提。
AI 宣传总是在讲效率提升了多少、代码产出快了多少。…
但如果用户感知不到任何变化,甚至觉得产品在变差,那这些数字就成了反面教材:用 AI 生产了更多代码,但产品并没有因此变好。
这其实也是当下整个 AI Agent 面临的一个根本问题:我们到底在用什么衡量 AI 的价值?如果衡量标准只停留在“写了多少行代码”“部署了多少次”“PR 通过率多高”,那只是在衡量生产效率,但用户更关心产品质量。
用户不关心你每天部署多少次,只关心用了 AI 后 App 是不是更好用了,是不是解决了用户真实痛点。
Boris 采访了 Spotify 工程副总裁 Niklas Gustavsson。
Spotify 每天进行 4500 次生产部署,现在 73% 的 PR 都由 AI 辅助完成。
这期对话围绕 Etched 的核心判断展开:未来最大的计算市场不是训练,而是推理,谁能用更低成本、更高吞吐和更好能效生产最多 token,谁就可能掌握下一代 AI 基础设施的关键位置。Gavin Uberti 和 Robert Wachen 认为,现有 GPU、TPU 和大多数 AI 芯片本质上都诞生在 ChatGPT 之前,是被改装来承载今天的推理工作负载;如果要同时服务数十亿用户、海量 agent 和更长上下文模型,就必须重新设计从芯片、电压、内存、互联到整机柜的系统。Etched 的答案是低电压推理、集群级内存和高度垂直整合,用专门面向 transformer 推理的系统,去打破 GPU 在热、内存带宽、芯片间通信和系统延迟上的瓶颈。
Etched 的起点来自一个非常直接的市场判断:inference 会成为全球最大的市场。两位创始人相信,未来软件公司、coding agent 和各种 AI 产品的成本结构都会被推理成本重塑,每增加一个用户不再接近零边际成本,而会消耗真实算力。早期他们只是哈佛宿舍里的年轻创始人,却试图说服半导体老兵相信一件看起来离谱的事:他们可以做出比英伟达更适合推理的硬件。Mark Ross 一开始并不相信,但在看过白皮书、功能仿真和数字验证后,从怀疑者变成顾问,最终成为 CTO。Gavin 把这种过程视为筛选机制:有些人只凭经验否定,有些人愿意把数字算到底。
技术路线的第一层是把推理拆成 prefill 和 decode。prefill 是把输入文本装入模型记忆,调整 KV cache;decode 则是基于这些记忆持续生成 token。Etched 认为,业界常问“你是 prefill chip 还是 decode chip”太粗糙,真正要问的是实际负载下能拿到多少有效 FLOPS、整个 scale-up 集群能提供多少内存带宽、芯片之间能以多低延迟共享数据。Robert 解释,GPU 的峰值 FLOPS 往往只是广告数字,真实 MFU 会受散热和降频限制;如果只是堆更多 FLOPS,芯片发热后会降频,性能并不会线性增加。
为了解决这个问题,Etched 把重点放在低电压推理。Robert 用登纳德缩放定律解释,电压和功耗呈平方关系,降低运行电压可以显著降低功耗。许多行业芯片已经能以远低于 GPU 的电压运行,说明物理上不是不可能,问题在于 GPU 架构不适合这样运行。Etched 因此设计了一套新的低电压运行机制,希望在同样硅面积里塞进更多 FLOPS,同时避免热降频。他们认为,未来 AI 芯片必须变成低电压芯片,否则无法在推理吞吐、每瓦 token 数和单 token 成本上继续扩展。
第二个技术赌注是 cluster scale memory。对 decode 来说,瓶颈不是单颗芯片,而是集群内能多快读取模型、KV cache 和其他芯片上的内存。Gavin 说,今天很多 GPU 集群在跨芯片内存利用率上很差,因为点对点延迟太高,八路张量并行并不会带来八倍 token 速度。Etched 选择定制互联协议栈,去掉以太网二层以上的大量通用负担,把芯片间延迟和带宽当成推理系统的核心指标来做。这样做的目标是把整个集群的 SRAM 和 HBM 当成统一资源池,让模型服务不再受单芯片内存边界限制。
对话也把推理的重要性放到更长时间尺度中看。Robert 认为,AI 能解决许多人类无法解决的问题,但限制在于同一时间有多少人、多少产品能用上它,以及一个 agent 完成任务的 wall clock time 能缩短多少。如果 decode 更快,一个模型质量不变、原本要跑一年的任务可能被压到一个月;如果并发更高,更多人就不会被排除在硬件之外。未来推理集群可能从今天常见的 8 芯片或 NVL72 规模,扩展到几千甚至几万芯片,芯片间通信的基础操作会变得比现在重要得多。
Etched 的创业故事同样是主题的一部分。Robert 回忆,ChatGPT 刚出现时,他看到图片额度用完、基础设施明显不足,于是判断硬件是少数真正能加速 AI 普及的环节之一。Gavin 则讲到自己早年做 kernel 开发的经历:数学本身并不总是最难,真正决定 decode 速度的是数据如何在单芯片内部和多芯片之间搬运。两人的背景让他们形成共同判断:如果数据中心里的核心硬件还没有为现代模型重新设计,那么应该押注一个全新的推理架构。
为了把芯片变成可交付产品,Etched 选择强垂直整合。他们不只做 chip,还做电路板、冷板、互联、机柜和生产流程。Robert 说,最好的供应商就是没有供应商,因为每多一层外部依赖都会拖慢性能迭代和交付速度。公司请来 Brian 这样的机柜级系统专家,他曾在英伟达搭建 HGX 和 DGX 团队,知道大规模系统“好东西长什么样”。在芯片回来之前,Etched 已经用热测试芯片验证冷板、机柜和测试站,在办公室里复制多套测试环境,并用白班夜班持续推进硬件 bring-up。
公司文化被描述成一种“默认事情可以解决”的极端工程心态。Gavin 和 Robert 多次提到,愿意加入 Etched 的人往往不是为了证明怀疑者错了,而是为了证明相信者是对的。对一家由二十多岁创始人领导、产品尚未完全出货、要挑战全球最大半导体公司的创业公司来说,人才筛选本身非常强烈。芯片 bring-up、板级实验、晶圆测试和软件栈调试中大量实验会失败,但只要少数关键实验成功,就能节省巨大周期。
融资与供应链是另一条主线。Etched 早期需要的钱远超普通软件创业公司,Robert 回忆他们准备了 30 页技术 memo,向投资人解释要构建的系统、里程碑、市场演变和每 token 成本模型。当时半导体 A 轮最大也只有四五千万美元量级,而他们预计接下来 12 个月就要花 1 亿美元。最终他们拼出约 1.03 亿美元软承诺,完成关键融资。Gavin 也强调,台积电和仿真器供应商在他们还没有完整资金和产品时就给予信任,这种供应商信任与强团队、清晰技术路线和透明执行有关。
在竞争边界上,Etched 的选择不是把技术栈全部吞下,而是只整合会限制 token 产能的环节。他们会做整机柜、做特定生产和互联方案,因为不这么做就无法放大规模;但他们暂时不会自己建数据中心,因为这不能直接增加 token 产能。Gavin 认为,中间系统层存在空白:底部芯片制造和顶部模型层规模效应巨大,而中间从芯片到机柜、互联和系统的软件硬件结合,正是 Etched 要补上的部分。
软件策略也围绕取舍展开。Etched 不试图支持任意 PyTorch、CUDA、ONNX 或任意图编译器,而是押注真正重要的模型不会超过一百个,且底层数学相似。这样他们可以用物理原理把基础运算单元加速到极致,让顶尖客户更直接地接触硬件、自己写 kernel、追求极高性能。这种理念早期被不少人嘲笑,但高频交易背景的人反而能理解,因为他们也讨厌通用编译器带来的开销,并习惯自己优化关键路径。
最后,对话把推理硬件和未来智能生产联系起来。Gavin 认为,机器思考的方式不必像人脑;芯片读取数据昂贵、数学运算便宜,而数学变便宜的速度快于内存,因此未来模型可能会使用海量算力、长上下文、混合专家和更动态的 token 级计算。Robert 则想象,未来衡量生产力可能不再只是人均 GDP,而是每兆瓦能运行多少 agent。当一个国家能拥有十亿个并发 agent 时,数据中心能效、推理吞吐和 token 供应就会直接决定它的“劳动力规模”。在这个框架下,Etched 做的不是单颗芯片,而是生产智能的底层工厂。
1. Etched 的核心判断是:推理会成为 AI 时代最大市场,token 供应链中的关键环节会产生最重要的公司。
2. 现有 GPU/TPU 多数是在 ChatGPT 前设计的,适合训练或通用计算,不一定适合现代大规模 inference。
3. 低电压推理是 Etched 的关键技术之一,目标是在更低功耗和更少热降频下获得更高有效 FLOPS。
4. Decode 的本质瓶颈是内存与跨芯片通信;Etched 用 cluster scale memory 和定制互联把整个集群当成统一内存池。
5. 公司选择做整机柜而不只做芯片,因为推理性能由电源、冷却、板级设计、互联、生产和软件栈共同决定。
6. 早期融资、供应商信任和人才招募都建立在清晰技术路线、极端透明和快速验证上,而不只是商业故事。
7. Etched 不追求支持所有模型和通用编译器,而是押注少量关键模型和客户自定义 kernel,以换取极致性能。
8. 如果未来 agent 数量超过人类知识工作者,推理效率、每瓦 agent 数和单 token 成本将成为新的基础生产力指标。
- 从推理市场谈到 Etched 的创业起点 [00:00:00 - 00:10:00]
- 低电压推理与内存瓶颈 [00:10:00 - 00:20:00]
- ChatGPT 前后的架构赌注 [00:20:00 - 00:30:00]
- 招募半导体老兵与团队协作 [00:30:00 - 00:40:00]
- 芯片验证、软件栈与研发节奏 [00:40:00 - 00:50:00]
- 从单芯片走向整机柜系统 [00:50:00 - 01:00:00]
- 客户合同、台积电合作与融资信任 [01:00:00 - 01:10:00]
- 产品迭代、组织文化与竞争边界 [01:10:00 - 01:20:00]
- 让推理成本下降的长期愿景 [01:20:00 - 01:22:34]
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,本期我们克隆的是知名商业与投资播客,Invest Like the Best,在2026年6月的一期深度对谈,主持人与嘉宾Gavin Guberty和Robert Watson坦诚交流,Gavin和Robert是AI芯片公司,Etched的联合创始人,两人从哈佛退学,在短短几年内筹集了8亿美元,试图打造比行业巨头,更高效的推理硬件,这一期他们主要围绕,创业历程 技术路线选择,以及如何构建一家,能持续产出顶尖产品的公司,这些话题展开,那我们就一起走进这期完整的对话。 [00:01:14]
Gavin Uberti:我们知道Inference会是全球最大的市场,谁产出的token最多,谁就会是全球最有价值的公司。
Robert Wachen:有人辞职了,对,真的有人直接说,这问题无解,然后。
Patrick O'Shaughnessy:祝你们好运。
Robert Wachen:你得脑子有点问题,才会加入我们公司,你得说服家人搬到圣河赛,加入一家半导体公司,老板是两个,现在24岁的年轻人,要跟全球最大的公司对着干,而且他们拿出的设计方案,不是说好个10%,而是要好10倍,我们需要1亿美元,才能干成这事,如果做成了,我们觉得这可能会是,有史以来。
Gavin Uberti:最重要的公司之一,你坐在那个时刻,心里想,天哪,我们根本付不起这个钱,然后我就开始看,回哈佛复学有多难,好了各位,Gavin,距离我们上次聊,大概有三年了,这太疯狂了,当时。 [00:02:02]
Patrick O'Shaughnessy:我只是被你们的故事,和你们要造的东西,深深吸引,那会儿我对Chip了解不多,我正在考虑投资你们公司,所以我给所有,我能想到的,能给我点意见的人,打了电话,当时基本上。
Gavin Uberti:共识是这类公司不是年轻人能建起来的,半导体行业最好的公司,都是由四五十岁的人创立的,他们有整个职业生涯的经验,踩过所有的坑,做过,流骗过很多chip,两个21岁的年轻人是不可能做成这件事的,就是行不通,这其实指向了一个主题,就是没人相信我们,现在情况显然变了很多,你只要在公司里走走,跟选择来这里工作的人聊聊就知道。
Patrick O'Shaughnessy:但在早期感觉这就是你们必须直面的事情,那是一种什么感觉,面对一群行业老牌巨头,整个行业的人,投资人,还有其他所有人,都不相信你们,这种经历在你们身上锻造出了什么,让你们用现在这种方式来建公司,它带来了什么影响。 [00:03:03]
Gavin Uberti:我觉得要认为自己能造出,比以往所有AIchip都更好的chip。
Robert Wachen:并且用比以往快得多的速度,建起一家公司来做这件事,是需要一定程度的天真的,我们就有这种天真,有很多次我们会说。
Patrick O'Shaughnessy:为什么这不可能。
Robert Wachen:然后真的去深挖,结果发现,所有人的答案都极度局限于,一套已经不再成立的约束条件里,现实是,整个半导体和数据中心行业,都建立在缓冲之上,我这么说是什么意思呢,就是技术站的每一层,从EDA工具到电源模块,到电路板,再到chip设计和标准单元,所有东西都是为通用目的而建的,不只是为了数据中心,还包括物联网边缘设备等等,当你有一个非常具体的用力,真正想为它做设计时,你就可以大幅改变这些约束条件,我举个非常简单的例子,不只是我们在这么做,你非常在意的一件事是chip的时钟速度,它跟系统的吞吐量成正比,当你为不同的时序做sign off,确定流片后chip实际能跑在什么时钟速度时,有一个叫工艺角的概念,也就是在什么温度下你能跑在这个时钟速度,很多EDA工具的默认配置,是假设你的chip会在零度以下的环境运行,我不知道你怎么想,但我从没见过哪个AI数据中心里面放冰块的,所以我们可以非常确定,我们的chip不需要在零摄氏度时全速运行,事实上,它们基本上永远不会在80摄氏度以下运行,仅仅知道这是一个无关紧要的约束条件,我们就能在整个系统里做出大量改动,这是个很简单的例子,但还有很多其他的,这里提升20%,那里提升50%,这里翻个两倍,这些叠加起来。 [00:04:48]
Gavin Uberti:就能形成一个在Inference上,好得多的系统,我觉得你会遇到两类人,一类人纯粹凭经验判断,觉得年轻创始人声称,能在性能上打败全球最大的公司,这不可能,你说什么都没用,但还有另一类人,他们当然也怀疑,但愿意花时间,下功夫去验证,发现这事其实可行,比如我们最早的支持者之一,Mark Ross,Mark是位很有声望的半导体专家,曾担任Cypress Semiconductor的CTO,那家公司以90亿美元出售,我们见他时,还只是几个窝在宿舍里的学生,我们跟他说,想不想一起做Inference硬件,我们觉得能比英伟达快很多,Mark的反应是,不行 这行不通,但如果想说服他,就写份白皮书,做个功能仿真出来给他看,于是熬了很多个长夜之后,我们回去找Mark,说这是仿真结果,你怎么看,他看了,说这能跑通,但要开这样一家公司,需要大笔资金,至少300万美元才能启动,后来我们融到了500万,之后又融了更多,他再次感到意外,但也更深入参与进来,先是当顾问,然后是兼职顾问,随着看到越来越多的开发进展,最终成了我们的全职CTO,我觉得总的来说,这种差距本身就是一道很强的筛选,有些人只想证明自己是对的,不管事实如何,另一些人则非常求真,会说行我怀疑,但我会亲自把数字过一遍。 [00:06:21]
Patrick O'Shaughnessy:如果我能搞清楚这为什么可行。
Gavin Uberti:那我们就动手做。
Patrick O'Shaughnessy:你们在具体技术路线上下的注,构建这套系统的方式,我非常感兴趣,因为现在有太多人在做这件事,想造出能在大规模inference上,表现更好的新chip,整个行业都在关注大家做新AIchip,是采用的不同研究方法和架构思路,我想请你们先讲讲,这东西是什么,能做什么,但也许更有意思,更重要的是,你们经历了怎样的过程,来决定压住哪些方向,发明哪些技术,以及这些选择,跟市场上其他玩家的做法,有什么一统,对。
Gavin Uberti:我觉得可以从产品说起,我们不只是造一颗chip,而是在做一套完整的inference解决方案,这意味着一个机柜,chip给chip供电的方式,承载chip的电路板,chip之间通信的interconnect,以及大规模量产这些机柜的能力,说到底,生产即产品,我们思考自己优势的来源,Inference有两个关键环节,Pre,Fill和Decode,我们针对这两个环节各有一套核心技术,Pre-Fill是读入大量文本,Decode则是利用这些数据生成输出Token,跑Pre-Fill的时候,你的主要任务不是预测token,文本你已经知道了,你的任务是把模型的记忆,也就是我们说的kvcache,调整到正确状态,然后用这个kvcache去跑decode,所以我们常做的是pd desegregation,也就是prefill和decode分离,用一组服务器集群跑prefill,然后把那些模型记忆,那些kvcache转移到decode集群,再用那个集群去生成后续的token,所以有点像装弹然后开火,用最简单的话来理解的话,对没错。 [00:08:07]
Robert Wachen:就是让模型记住该记的东西,然后用这些东西去执行任务,通常人们对这个市场的看法,有点偷懒,会问你是prefilled chip,还是decode chip,如果是decode chip,你是HBM chip,还是SRAM chip,是3D DRAM chip,用光学还是通懒,我们刚开始做这件事的时候,只想搞清楚。
Patrick O'Shaughnessy:为什么那些极其聪明的人。
Robert Wachen:会往这些不同方向走,我们认真研究过各种架构,比如用一堆DDR内存加共享内存池,或者用先进封装来突破shoreline的限制,我们也研究过能不能把内存带堆在计算带上面,在这个过程中,我们意识到天下没有免费的午餐,每个选择都有取舍,比如3D DRAM,有散热问题,供应链问题,要搞定hybrid bonding,还要搞定flops,这样一来你就成了decode chip,所以我们把prefill和decode两侧的方案都过了一遍,在这个过程中我们发现有几个设计空间,因为从未在AIchip上做过,所以几乎没人认真探索过,我们问自己,到底哪些指标才是真正最重要的,在prefill这边,关键是flops和flop密度,人们常把flops当成一个宣传数字来谈,但实际上,你应该关心的是跑真实负载时,实际拿到的flops,有个概念叫MFU,也就是模型flops,利用率意思是广告里标的,每单位峰值flops,你实际能用到几成,在GPU上根据负载不同,通常只能拿到20%到50%,而且可以证明你不可能跑到100%,因为有散热瓶颈,当你提高Flops利用率时,就会有更多晶体管在开关,功耗会上升,芯片会自我调节,实际上会降低时钟频率来防止过热,我们在研究Inference时就想,如果我们想要多得多的Flops,因为我们想跑高得多的吞吐量,那在考虑往芯片里加Flops之前。 [00:10:01]
Robert Wachen:那在考虑往芯片里加Flops之前,我们首先得解决散热问题,如果我只是往今天的GPU,或其他AIchip里加更多flaps,我其实拿不到更多性能,因为它会直接热降频,本质上这背后的核心概念,是登纳德缩放定律,也就是电压与功耗成二次方关系,所以如果我把电压翻倍,功耗会变成四倍,如果我把电压减半,功耗会降到四分之一,于是我们问自己,我们怎么能让运行电压比GPU更低,我们跟很多人聊过这个,我们退学后飞到硅谷,基本上问了几十位半导体行业的人,问遍了各种不同的chip公司,他们是怎么做的,我们得到的回答是,做不到,你没法在比GPU更低的电压下运行,这让我们非常不满意,因为有很多不同行业的chip,就是在比GPU更低的电压下运行的,你看,比特币矿机的运行电压不到GPU的四分之一,所以这在物理上显然是可行的,问题在于,GPU架构是否存在某些问题,导致它无法在这些电压下运行,我们花了很长时间研究这个问题,最终创造出了一种,在低得多的电压下运行的新机制,一种我们称之为,Low Voltage Inference的新型供电方式,而且我们认为,未来所有的AIchip,都会是低电压chip,它们必须在同样的硅面积里,塞进多得多的flops,并且在低得多的电压下运行,而不发生热降频,以上就是prefill的情况,对于deco来说,这完全是一场内存游戏,内存带宽越大。 [00:11:30]
Gavin Uberti:你加载模型就越快,加载KVCash就越快,每个用户每秒能服务的token就越多,我们认为人们在这里问错了,问题大家经常问,你的chip上有多少内存带宽,你应该问的是,你的整个scale up集群,有多少内存带宽,我们做到的是,在我们互联中加入了多的多,多的多的带宽,并且实现了低的多的chip,到chip延迟,这让我们能够以高的多的速度,去服务模型,因为你可以把整个scale UP集群的,SRAM和HBM当作一个统一的池来用,这是我们第二个关键的技术赌注,我们称之为cluster scale memory,而在今天的GPU上,集群内存带宽的利用率往往非常差,因为从一个GPU跳到另一个GPU的时间极长,举个例子,在Blackwell chip上,点对点可能需要大约4000纳秒,这意味着,如果你去搞一个八路张量并行的设置,你每个用户每秒Token数的提升,会远远远远低于8倍,我们做的是构建了,自己完全定制的互联协议站,我们把第二层以太网以上的,所有东西都拿掉,全部从头定制,这样我们也能实现,好得多好得多的延迟和带宽,我们可以把这个延迟,砍掉超过5倍,这让我们能更有效的,利用其他Chip的内存,随着你扩大世界规模,每个Token的耗时,就会成比例的下降,这其实并不奇怪,因为这些架构,都是在CHAT-CPT出现之前构建的。 [00:13:00]
Robert Wachen:所以如果我们想为现代工作负载,造一个chip,它看起来会非常不一样,我们组织flops的方式,我们划分电压域的方式,我们设计电源层的方式,都会看起来截然不同,我们做封装的方式会截然不同,我们做板机设计的方式也会不同,然后在decode这边,我们连接一切的方式也会非常不同,我们现在正在推出,第一代这种low voltage inference技术,它的运行电压不到其他任何AIchip的一半。
Gavin Uberti:如果你把视角拉到最远。
Patrick O'Shaughnessy:这件事为什么这么重要,比如为什么实现高得多的吞吐量,低得多的单token成本,更好的每瓦token数,所有这些大家会越来越多谈论的指标,为什么这么重要,每个人都知道,现在供给端是个大问题,把眼光放到十年这个尺度上,为什么这会是技术世界的瓶颈。
Robert Wachen:我觉得归根结底是生产力的问题,我们正处在文明史上一个极其有趣的时刻,真正的AI出现了,不是科幻小说那种,而是这些模型能解决,大多数人都解决不了的问题,它会带来新的科学发现,带来及时的医疗服务和及时教育,现在的问题就变成了,同一时间能让多少人用上它,同一时间能有多少产品,来提供这些服务,还有完成不同任务的速度,所以说到wall clock time,如果我们有一个agent,能在某个模型质量水平上运行,用Inference Time Compute,花一年时间解决某个任务,那如果你的Decode的速度能快很多,就能把时间压缩到一个月,这样一来科学创新的速度和技术的实际普及速度都会大大加快,第二部分是并发,今天让十亿人同时使用这些模型根本不可能,最终有些人的体验会被降级,有些人的模型会变慢,有些人干脆就访问不到硬件,几年后会有巨型模型服务数十亿用户,我们现在还处在AI的非常早期,付费用户在全球也就几百万,也就是说全球人口里只有千分之一的人,真正在用这些东西,所以如果你想服务超大规模,很多事情都会改变,其中一个就是芯片之间的通信数量,大家通常是在训练这个语境下考虑这个问题的,你有那些巨大的训练集群,比如Colossus,有超过十万个GPU全部联网在一起,而Inference这边,今天大家通常觉得它就是个8芯片集群,或者最多把NVL72当作scale up的范围,但很快,这就会变成几千个芯片,几万个芯片。在这种规模下要获得最高性能,数据从一个芯片传到另一个芯片的时间,这个基本操作的重要性远比现在大家认为的要大得多。所以当我们考虑为这种系统优化内存带宽时,你必须考虑这些芯片之间能多快的通信,因为如果他们只能跟自己快速通信,跟其他芯片通信很慢,那你就不可能真正以每秒一万两万个token的速度,去服务巨型模型,所以我们需要在整个技术战上,从电力从晶圆到瓦特从晶体管到token。 [00:16:07]
Gavin Uberti:都建立起好几个数量级的基础设施,才能真正把这些东西带给世界,而且我觉得,如果你看看其他大多数商品,比如iPhone,他们已经达到了那种规模经济,结果就是,花更多钱,也买不到更好的iPhone,不管你是亿万富翁,还是普通美国人,你买的都是同一款手机,但Token还不是这样,我们还处在非常早期的阶段,通用系统相对较小的那种,还在像文艺复兴时期,做螺丝钉那样,手工打造这些Token,我希望能生活在一个Token制造,也拥有像制造iPhone,汽车或其他任何东西那样的,规模经济的世界,我觉得这是让一大群人,都能用上最好质量模型的,一个巨大解锁,我认为规模经济,让资本主义变得非常公平,我觉得这能让你,把同样的产品,送到很多很多人手里,然后你就能在,单个scale up集群上,服务多得多的用户。
Robert Wachen:这也能让你在,token服务上更接近那个点,对,而且有些产品,如果太慢,根本就没法用,所以如果你想服务编程模型,并且希望人们真的去用它们,你就必须达到一定的每秒s token数,那么问题就是,在维持那个单token速度的前提下,我能同时服务多少用户,你基本上可以决定,要么把世界上的一大群人拒之门外,要么让每个人的体验都变差,所以从根本上说,你必须找到办法去推动这条曲线向外扩展。 [00:17:31]
Patrick O'Shaughnessy:这就是为什么对新硬件的需求如此迫切。
Robert Wachen:我想花点时间退后一步。
Patrick O'Shaughnessy:听听你们俩的故事,你们是怎么想到这个点子和创办这家公司的,然后再聊聊构建它的过程。
Gavin Uberti:因为我觉得通过这个过程。
Patrick O'Shaughnessy:我们就能理解你们为公司本身构建的这个系统,它将能够为后续几代像这样的产品提供动力。
Gavin Uberti:去迎接我们即将面对的那个疯狂的inference未来,要不从你开始吧,想从多早讲起都行,但我好奇的是,你的个人故事。 [00:18:04]
Patrick O'Shaughnessy:其实是我最早从你们俩那里听到的东西,那是很多年前了,当时真的让我很震撼,我最感兴趣的,最终还是你来做这件事的动机,对我来说。
Robert Wachen:得从高中说起,我人生中有些阶段特别倒霉,也有些阶段特别幸运,高中就是比较难熬的一段,高二快结束的时候,我在一场武术比赛里受了伤。
Patrick O'Shaughnessy:第二天不知道为什么就走不了路了。
Robert Wachen:我以为是底卡关节出了什么问题,我去做了理疗,做了各种扫描,医生都查不出原因,最后他们做核磁共振的时候,在我背上发现了一个大肿块,告诉我是肿瘤,古埃四期,当时说我存活率不到30%,接下来是两年疯狂的化疗,手术,重新学走路,经历过这种事,它会彻底改变你对人生体验的认知,让你看清什么才是真正重要的,你也会问自己,如果有机会活下去,你要做什么,要想撑过这种事,你心里得有个盼头,我一直知道,如果我能挺过来,一定要做一件影响力很大的事,我花了几年时间,才想清楚那到底是什么,与此同时,我上了大学,认识了一群做很酷技术的人,我对AI模型产生了极大的热情,尤其是GPT-3出来之后,我当时就想,哇 这是第一个能说人话的模型,这些东西会变得非常聪明,后来GPT-4出来的时候,有了GPT-4V,这是第一个能上传图片的模型,我就翻我的相册,找到了一张确诊前拍的,背上有种块的照片,我说 嘿 插GPT,假装你是个专家医生,有个病人来了,说他背上有这么个肿块,可能是什么,他立刻就说,这可能是肿瘤,你应该马上去做核磁共振,去看医生,我当时就愣在那了,这之前可是花了六个月才查出来,我花了六个月,而这个功能昨天还没有,今天就有了,我拿去给我爸妈看,然后收到一条通知说,您今天的图片额度用完了。 [00:20:00]
Robert Wachen:您今天的图片额度用完了,需要升级专业版,我当时想,天哪,这东西会改变一切,而且很明显,我们根本没有足够的基础设施来支撑它,能真正加速把这项技术规模化,带给世界的事,其实没几件可做,做模型方面已经有太多聪明人了,晶圆厂那边好像又够不着,但硬件这块,看起来全是在ChatGPT出现之前设计的,每一块GPU,每一块TPU,每一块用来跑这些模型的AIchip,本质上都是在ChatGPT之前造的,只是后来被改装来跑现在的模型,未来一定会出现一整波全新的架构,还有什么比把这东西带给所有人更让人兴奋的事呢,同一时间我还有一个完全不同的视角,我当时在运营一个叫Prod的创业孵化器,孵化了不少公司,最早的一批里有Cursor和Anisphere,后来合并了,还有Murker,Etched也是从这里出来的,还有其他几家,那时候是2022年,随着模型越来越聪明,我发现所有这些公司,都在把容来的钱全烧在算力上,我自己做项目的时候也意识到,天哪,我想做的所有产品,光Inference,一年就要花掉几千万美元,这根本撑不住,每家软件公司的成本结构都变了,每增加一个用户,COGS不再是零了,会变得很高,而且完全取决于Inference,以后每家公司的运营成本,也会是Inference,因为大家会越来越多的用Coding Agent,所以从根本上说,Inference会变得极其重要,感觉我们正走在一条十年的路上,Inference会变成世界上最大的市场,这么一想,十年后会有这些巨型项目,而数据中心里的一切,今天都还没被设计出来,我们应该挑一个方向扎进去做,大概就是这么开始的,Gavin,我很想听你再往前讲讲,大概高中早期。 [00:21:50]
Gavin Uberti:甚至更早,说说你时间线上那些最关键的节点,最终是怎么让你有雄心,从哈佛退学来创办这家公司的,我的第一份工作是在一家,叫Schnorr的公司做Curnels开发,那时候我17岁,17岁签不了有法律效率的合同,所以他们没让我签传统的保密协议,而是把我叫到一边坐下说。 [00:22:13]
Patrick O'Shaughnessy:Gavin 这些信息别往外说,Exnor是少数几家觉得。
Gavin Uberti:这笔交易划算的公司之一,我在那做Curnels开发,后来也在其他几家公司,做过类似的事,Exnor被Alphabet以2亿收购了,在Octo也做了同样的事,它们被英伟达以几亿美元收购了,但做这种Kernels开发,你会意识到数学部分其实相对简单,但要实现高速decode,真正重要的是数据搬运,你做的几乎所有工作都是在优化数据,怎么在单个chip内部或多个chip之间移动。
Patrick O'Shaughnessy:这就是为什么我们做了这个Cluster Gang Scale Memory技术。
Gavin Uberti:我们把那个延迟降得非常非常低,你可以做更多的数据搬运,结果就是生成每个后续token的速度快了很多,也就能做出Ralph说的那些疯狂的事,比如一个月干完一年的活,未来还能更多。 [00:23:03]
Patrick O'Shaughnessy:能聊聊你们高中参加并赢得的那些比赛里,那种很明显的竞争动力吗。
Gavin Uberti:我们参加过几个,比如我那时候在FTC机器人比赛里很活跃,而且我很幸运有个非常有天赋的搭档,Sanford,有很长一段时间,我们是在一个传统的校队里,大概20个人一起合作,就是那种典型的First Tech Challenge,目标是造一台能拿最高分的机器人,还有其他一堆要求,在First比赛里,他们很强调跟其他队伍合作,做好文档记录,还有去激励别人,也来做同样的事,但Sanford和我决定,不走这条路,我们就是要赢,除了造出得分最高的机器人,我们什么都不做,做一个两人的团队,两人团队,而不是二十人的团队,我们比比赛里几乎所有队伍都小得多,我们当时想,如果我们专攻一点,如果我们要去做这件事,把比赛赢下来,我们就不需要靠文档,质量或者外联来晋级,我们就是要赢,然后我们就这么做了,我们分出来,组了个两人的队伍,造了台机器人,并且决定每三个月,就重新设计一次,我们也确实这么干了,而且我们当时一度创下了,这项比赛的最高分世界纪录,在软件开发方面,我们的OPR排名是世界第三,那真是一台很棒的机器,从这段经历里,我能提炼出什么。 [00:24:22]
Patrick O'Shaughnessy:来类比你们现在创建。
Gavin Uberti:Edge的这家公司的方式,当你在思考,怎么去做这样一个,完整的机架级产品时,有几个关键的想法,其中之一就是速度,速度赢是靠交付产品,你不可能靠最好的外联,或最好的沟通去赢,赢是靠做出最好的产品。
Patrick O'Shaughnessy:你们选择了零沟通,没错,就像我才意识到,这跟机器人比赛,那会一模一样,在商业上赢,有很多种方式。
Gavin Uberti:但我们宁愿专注于,打造最好的产品,同样我们觉得,用更少的人也能做到,如果你愿意只专注于产品,产品 产品,并且不停的并行推进,你不需要像大公司那样,有两万人,用少得多的人,也能做出世界上最好的产品,有句话说,最好的零件就是没有零件,我觉得对我们来说。 [00:25:13]
Robert Wachen:最好的供应商就是没有供应商,我们想尽可能垂直整合整个产品,这既是为了获得更高的性能,也让我们能走得更快,所以从chip到电路板,到冷板,到互联,甚至到生产环节,我们都想尽可能在内部完成,我们实际上,我觉得我们是目前唯一一家,既自己造chip,又自己造整机架的创业公司,而且我们是同时推进所有这些事的,几年前,我们上一次公开露面的时候,那时我们刚开始组建机架团队,我们把Brian Loyler请了过来,英伟达所有的HGX和DGX系统都是他造的,那大概占他们80%的收入,我们说我们要同时造机架,实际上在CHIP回来之前,我们的机架就已经迭代了好几个版本,在CHIP回来之前,我们做了热测试CHIP,上面的热点分布跟我们预计的真CHIP一模一样,这样我们就可以造冷板,给他们加压直到爆掉来测试,我们的CHIP带着冷板回来之后,一次都没漏过,因为我们早就验证好了,没错,我们在台湾有个工厂,那边有几十个人,我们在办公室里复制了一堆测试站,我们这层楼有个两兆瓦的数据中心,我们搞的是24乘7的开发周期,大家分白班和夜班,就为了让硬件能尽快跑起来,就是这种极致的垂直整合,和极致的并行排期,才能让产品以快得多的速度推向市场,想想早期团队的搭建。 [00:26:38]
Patrick O'Shaughnessy:以及你们两个年轻人。
Robert Wachen:创办这家公司需要什么。
Gavin Uberti:外面有很多非常有才华的年轻创业者,可能很久以来第一次做这么大范围,这么大规模的事。
Patrick O'Shaughnessy:他们大概都能从你们的经验里学到东西,就是怎么让那些非常资深,有才华的人加入你们。
Gavin Uberti:哪怕他们已经在那些大公司里工作了很久,如果你把这当成一门课来教,比如当你年轻没经验又天真的时候。 [00:27:06]
Robert Wachen:怎么招到顶尖人才,教学大纲会什么,我们的人才理念挺两极化的,起点是我们所谓的传奇人物,当我们试图解决一个极其困难的技术问题,做一件没人做过的事时,我们需要找到全世界最顶尖的那个人,很多时候世界第一,世界第十和世界第一百的人,在能不能真正解决问题上,差距是巨大的,我们搞了一套叫基于项目的招聘的系统,我们把所有行业里所有人遇到过的,最难的技术问题全部列出来,看时间线,谁是从零到一的那个人,谁是名义上的负责人,谁又是真正干活的人,我们尽可能多的找人聊,然后持续跟踪,你会惊讶的发现,第一次聊完就说好的人其实很少,但聊到第二十次之后,说好的人多的惊人,你真的得持续跟进,当某个真正是世界顶尖的人,跟你说不的时候。
Gavin Uberti:那其实是在说,嘿 等你再拿下几个里程碑,再来找我,我觉得最有说服力的事,就是我们放出大胆的说法,然后一次又一次的兑现,这真的能激发信念。 [00:28:12]
Robert Wachen:当我们决定要做整机柜,而不只是芯片的时候,我们就在看历史上真正大规模出货的机柜级系统有多少,而且要达到我们要解决的那种功率密度,我们就说如果能挥一下魔杖,全世界最理想的人选长什么样,我们想的是如果能找到一个人,他在英伟达起步,一手搭建了整个机柜团队,经历过所有不同代际的产品,学到了各种东西,但依然很拼,依然懂创业公司文化,同时又见过大规模,那就是最完美的人选,于是我们把英伟达,内部所有跟机柜级产品,相关的团队全部列出来,找到了三个,我们觉得可能符合条件的人,我们跟他们都聊了,其中两个已经退休了,还有一个本来打算在英伟达,再做一代产品就退休,他叫Brian,后来我们说服他加入了,Brian在英伟达创立了,HGX和DGX团队,内部分业务,占了英伟达收入的大头,一个季度就是几百亿美元,另外那两位最后成了我们的投资人,顺便说一下,但当你拥有这样的人时,他就是知道好事什么样,因为他亲眼见过,我们跟Brian聊的时候,有太多次他指着我们说,这是我花了几十亿美元才学到的教训,几十亿美元的教训,这直接帮我们省掉了无数试错周期,你把Brian这样的人和Sanford这样的人搭配在一起。 [00:29:31]
Patrick O'Shaughnessy:你们给他们起名字了吗。
Robert Wachen:Brian是传奇人物,那Sanford算什么,对 我们的说法是,肩上有chip,才能把chip装进数据中心,Sanford和我在高中时,是世界机器人冠军,他当时正在读大四,几年前我们给他打电话说,嘿 你能来看看我们在做什么吗,我们在平台这边需要一些帮助,他来了一个星期,我们说 你能在这周内,把冷板做出来吗,你要是去问任何一个热工程师,他们都会觉得你太天真了。 [00:30:00]
Robert Wachen:他们都会觉得你太天真了,这些东西通常要几个月才能做出来,而且说实话 确实需要几个月,但如果你全身心投入,并且相信这件事是可能的,一周之内是可以取得实质性进展的,他真就在一周内搭出了一个装置,帮我排除了一个相当关键的,功率问题上的风险,你把这两种人放在一起,他们就能做出了不起的事,而且这两者缺一不可,你需要那些极度自屈。
Patrick O'Shaughnessy:不断追问为什么。
Robert Wachen:不知道哪里有坑,所以感冒巨大风险的人,也需要那些见过大规模,但依然保持着创业公司拼劲的人,来一路引导他们,这其实就是传奇人物。
Gavin Uberti:加上那种原生的,带点天真的,第一性原理师的人才,但关键不只是公司里,同时有这两种人,而是他们在真正一起协作,没错,如果看这个人才漏斗。
Patrick O'Shaughnessy:关于你们的招聘能力提升了多少,以及为什么这些指标在持续变好,还有什么有意思的可以分享吗,有一件挺让人意外的事,我倒希望自己是在刻意反其道而行,但这其实是一种自我筛选,就是说,如果你是那种偏机会主义的人。 [00:31:03]
Gavin Uberti:哪家公司热门就去哪家,而不是真正去做禁制调查,那你就不会来我们这工作,这也是我有点担心的一点,随着我们越来越多的公布产品和规格,如果我们不够小心。
Robert Wachen:可能会慢慢失去这种筛选效果,你得有点风才愿意加入我们公司,你想想看,你是个很厉害的工程师,收入不错,在别处拿的是流动性好,可预期的报酬,然后你说服家人搬到圣河塞,住进这个半导体公司的住房项目公寓,公司有两个现在才24岁的人管着,产品还没出来,要跟全球最大的公司竞争,处在史上供应最紧张的环境里,而且我们做的设计,不是号称好10%,是好10倍,愿意来的人肯定哪里不太正常,这里的人就是脑回路不一样,他们不是想证明不相信的人错了,而是想证明相信的人对了,他们把这事当成自己的事,找到这样的人真的很有意思,而且说实话,公司的这种特质本身,就很容易筛掉,不是这类的人,Rob,我们最早聊的时候,我问起Sohu。 [00:32:06]
Patrick O'Shaughnessy:就是你们第一款产品的名字。
Gavin Uberti:你说我们可以详细聊,但我首先要知道的是,我们真正专注的是,造一台机器,能规模化的,以最高质量水平,最高效的生产出这些东西,以及后续迭代,我们想打造的是这家公司,或者说公司本身就是那台,能持续产出这个产品,以及后续产品的机器,所以我想聊聊公司的几个原则或基石,你之前提到过一些,比如速度垂直整合,这些话题现在更热门了,并行化也许我们也该聊聊,但我特别感兴趣的是。
Patrick O'Shaughnessy:你们愿意冒巨大风险去提速这件事,不如讲讲你最喜欢的一个故事,说说为什么这是你们的理念,它让你们做到了哪些。
Gavin Uberti:其他公司可能没做到的事,这样的故事有不少,但我最喜欢的一个是,有段时间我们快tape out芯片了,突然发现有一家供应商的进度,严重落后,我们面前有两个很糟糕的选择,一是继续用这家供应商,把我们的时间线往后推,差不多一年,二是换供应商,从头开始,同样也要推迟一年,两个都不是好选项,所以我们只能去找第三个选项,我们了解到他们团队全在班加罗尔,是真正在做执行的人,于是我们派了十几名顶尖工程师,飞到地球另一端的班加罗尔,一待就是六个月,我也去了,我个人在班加罗尔住了四个半月,每天早上我们穿过班加罗尔,拥挤嘈杂的街道走进办公室,我们是最早到的人,我们开发了各种各样的工具,比如审计大量提交的代码,也构建了一堆工具来进一步提速,确保我们在现场,就能立刻做出正确的设计决策,不用来回等12个小时,当场就能排版,然后凌晨一点。 [00:33:50]
Robert Wachen:我们再穿过空荡荡的班加罗尔街道走回去,第二天再来一遍,我们在美国还有一大半团队,我们两边各跑12小时,做接力交接,实现了24小时不间断开发,每天早上8点和晚上8点,所有人上Zoom,共享所有数据,然后说,等我醒来的时候,这个必须做完,我们必须把这块芯片搞出来,那段时间极其紧张,与此同时,我们看到,其他跟我们在同一阶段,用同一家供应商的芯片,最终拖了好几年,到今天还没出来,甚至到今天都还没tape out,把产品推向市场。 [00:34:28]
Gavin Uberti:就需要这种极致的紧迫感,把这件事做好的关键是什么,这已经成了一种常见说法,主要是因为伊朗,好像他的特殊技能,以及其他想模仿他的人,也想做到的,就是找出那个最关键的约束条件,然后亲自把全部精力砸进去。
Patrick O'Shaughnessy:有点像你们飞去班加罗尔的做法,这似乎是你们业务的核心心跳,也是任何想做这种垂直整合的,企业的核心心跳,把这件事做好的关键是什么,你们从中学到了什么,对我来说。 [00:35:03]
Gavin Uberti:我觉得有两个关键技巧,第一,你不可能一个人造芯片,这必须是一个团队问题,你最重要的工作,是找到优秀的人跟你一起干,找到那些愿意被激励,被点燃,去做这种疯狂事情的人,去跟大家说。
Patrick O'Shaughnessy:把你们的生活连根拔起六个月,甚至有一次是12个月。
Gavin Uberti:我们提前派了一个人过去,这要求真的很高,确实很酷,但我们很幸运,团队成员都是冲着对的事情来的,第二件大事,是能非常快速的做决策,最糟糕的情况,就是工厂或供应商在等你拍板,结果整个进度就卡住了,这种事经常发生,哪怕是很小的事,所以把人派过去,给他们很大的授权,告诉他们,做出合理的判断就行,偶尔犯错没关系,我宁愿大多数时候判断正确,并且立刻给出答案,也不愿意每次都等那个完美的回复,速度就是一切,那花钱换速度呢,这种边做边学的做法,现在变得特别有意思,随着科技界从软件重新转向硬件,我们过去把大量边做边学的机会,外包到了海外,自己在美国这边,基本上只当出点子的人,显然这个趋势正在逆转。 [00:36:13]
Patrick O'Shaughnessy:而你们也采用了这种学习方式,想让自己置身于,那个迭代学习的循环里,而这其中一部分,就是愿意花钱,愿意承担资金上的风险,能聊聊这个吗。
Robert Wachen:我觉得有句话说得很好,最大的风险就是不承担风险,我们这边的情况非常类似,这个领域每天有超过10亿美元的收入,其中很大一部分来自inference,所以我们每推迟一天出货,就等于把大量机会白白扔在桌上,因此只要你能看到非常明确的投资回报,花钱的意愿就应该极高,我们有个概念叫预取,意思就是当你在等一件事完成,并且知道一旦完成就要接着做其他事的时候,能不能想办法把整个时间表并行起来,举个例子,我们知道我们的chip会在某个日期回来,我们希望所有不需要chip就能做的事,都在chip到之前全部做完,这要花很多钱,对吧,这意味着我们要提前把整个软件站都建好,意味着我们真的把机柜运到了客户的数据中心,里面没有我们的chip,但所有网络,所有CPU,所有存储都配好了,这样我们就能在chip回来之前,把所有数据中心软件都跑通,意味着我们拿了700多块FPGA,把整个全光照尺寸的chip,放到一个FPGA集群上,在上面用我们完整的inference站,跑通了十几个不同的模型,全是在chip回来之前,意味着我们做了一个热模拟chip,来模仿我们chip的散热特性,并据此提前做好了冷板,意味着我们整条产线都准备好了,意味着我们做了很多板电路板,意味着整个产品在chip回来之前,就已经准备就绪,这就是他能带给你的东西,有另一家非常有名的AIchip公司,从拿到硅片到在机柜里跑通,Inference,花了十个月,这是他们向投资人公开宣布的,在当时是件很大的事,而我们只用了40天,原因就是当chip回来的时候,一切都变得很平淡了,软件已经写好了,机柜已经就位了,产线已经打好了,我们就只是冲冲冲冲冲,把所有东西拼起来,当然不可能面面俱到,过程中会做一些微调,然后就搞定了。 [00:38:21]
Gavin Uberti:不过在那个具体案例里,这确实是很重要的一部分,但我觉得轮班也起了很大作用,我们当时真的搞了白班和夜班,有团队成员早上十点来,干到差不多半夜走,另一批人半夜来,早上十点走,全天24小时连轴转,才做到了那40天,公司一半以上的人,都住在办公室旁边,所以做这种事会容易一些。
Patrick O'Shaughnessy:你们付钱让他们这么干,对吧,额外付钱,现在还这样吗,对,看不见的手很管用,反正对我来说也挺好。
Gavin Uberti:我们俩都在那,我想退一大步,聊聊更宏观的生态系统,供应端的短缺程度,全球体系和供应链中暴露的风险,已经成了华尔街日报,每天的头版新闻,那些人们关注,投资未知兴奋的股票,想想,存储芯片股,五年前还是些无聊,大宗商品化,没人关注的东西,现在却成了全球关注的焦点,如果让你来评估一下。 [00:39:18]
Patrick O'Shaughnessy:因为你们一直在其中建设,要让这类东西成为,可能所需要的,这个全球互联的供应链,就随便聊聊,什么让你害怕,什么运转的不错,什么需要改变,你希望通过你们的构建方式,去改变什么,就谈谈你对当前,这个局面的评估吧。
Gavin Uberti:我觉得供应链故事里,最被低估的一点是,这些东西几乎没有一样,是你买完就不用再跟供应商打交道了,你必须去合作,我认为在chip领域,无论是跟台积电,还是跟存储供应商,要想成功,合作是最重要的一环,特别是台积电。
Patrick O'Shaughnessy:人们不理解它为什么这么有价值,你看它的技术。 [00:40:00]
Gavin Uberti:你看它的技术,确实是世界顶尖,但对我来说,真正的价值全在服务上,台积电的客户服务,比我见过的任何其他行业,任何其他公司,都要好得多得多,是那种,如果你说。
Patrick O'Shaughnessy:你们做这个改动能提高良率,你就可以去给他们提建议,他们会自己出钱去跑实验。
Gavin Uberti:在我们的例子里,就是去看能不能真的拿到更高的良率,当我们发现我们是对的,实验成功了,他们就把整条产线都改过来,这种事在大多数行业根本不会发生,如果我去一家钢铁厂说。
Patrick O'Shaughnessy:嘿 我想让你们改一下刚才的成分。
Robert Wachen:他们会说滚蛋 台积电不会。
Patrick O'Shaughnessy:这就是为什么他们是第一,为什么他们会赢。
Robert Wachen:有一个特别关键的因素是电力供应和通电时间,问题是你需要的电力越多,短缺就越严重,这其实跟chip集群很像。
Patrick O'Shaughnessy:比如为什么Colossus对Blackwell的收费是。
Robert Wachen:每小时12美元,因为他们是唯一能让你一次性买到2万块的地方,对吧。
Patrick O'Shaughnessy:为什么500兆瓦的数据中心这么难找。
Robert Wachen:原因完全一样,我们需要思考的是,怎么从每兆瓦里炸出更多算力,大家现在都在从整个技术战力找办法,不管是优化PUE,还是用全新的硬件,来提升每兆瓦的token产出,去解决这个问题,但根本问题在于盖新楼本身就很难,从100兆瓦扩到一级瓦,比从一级瓦扩到十级瓦,十级瓦扩到一百级瓦要容易得多,我们现在正在逼近这些时间线上可能做到的极限,所以很多人在努力扩大数据中心的规模,同时也在努力向外扩展。 [00:41:35]
Gavin Uberti:我觉得这种系统有意思的地方在于它能替代什么,如果我把这样一个机架跟一组Blackwell,或者Rubin,或者未来要出的什么东西相比,我该怎么理解,因为这不光是功耗的问题,还有物理空间,就像你说的,Cerebras在最近的财报电话会上也提到,现在的问题是,根本没地方放这些系统,我该怎么理解,它在算力上代表或替代了什么。 [00:42:02]
Robert Wachen:客户在部署模型时,一般是这么想的,当我建一个数据中心,或一个集群时,不是抽象的说,我喜欢这些chip,功耗是这样那样的,而是我有一个真实的生产负载药服务,为了让我的产品有用,我需要达到一定的服务速度,有些产品要求极快,有些可以很慢,不管速度是多少,这就是我的要求,问题在于在给定的功耗下,我能保证这个速度服务多少用户,换句话说,在同等交互性下,我的吞吐量是多少,GPU以前达不到很多其他类型Chip的速度,比如那些全SRAM的Chip,能做到每秒几千个token,这催生了很多让人兴奋的新用力,现在有一波全新的AIchip,我们也是其中之一,都能达到这种速度,接下来的问题是,在达到这个速度的前提下,你能同时服务多少用户,进而如果我有一个100兆瓦的数据中心,我能同时跑多少个软件agent,所以当人们做这种评估时,我们的硬件通常能在给定的交互性水平下,给你带来一个数量级的并发提升,这直接转化为每瓦token数,每美元token数,也就是人们在规模化服务这些巨型MOE模型时,真正关心的所有指标,现在有那些很出名的交互性曲线。 [00:43:19]
Gavin Uberti:对吧,虽然没多少人公开发布,但你能看到一条Blackwell的曲线,也能看到A和B的曲线,比Blackwell稍差一点,但这家公司市值依然有8000亿美元,那么如果把这条曲线往外推,不是只推一点点,而是大幅外推,会带来什么影响,最让你兴奋的是,这能实现什么,我想去解决一些最难的问题,而且想用短的多的时间去解决,有些东西在我成长过程中,我不确定自己有生之年,能不能看到,比如单位消没猜想,我们大学时聊过的一个问题,我当时不确定,这辈子能看到它被证明,结果这个证明,是由一个AI模型完成的,而且花了很长时间,但如果你能让同一个模型,跑快十倍,就能缩短取得这些突破的时间,数学里还有大量类似的问题,我担心要花一百年,一千年才能证明,你要么用一个聪明得多的模型,要么让同等智能的模型,跑得快得多,就能把时间压缩,我就能亲眼看到,看到这些突破被做出来,真的太酷了。 [00:44:25]
Robert Wachen:我超级期待,看到更多这样的事情发生,我觉得大家太习惯,用很短的时间尺度,去想任务和应用了,比如聊天快乐,50%是挺好,但算不上颠覆,等这些agent的时间,跨度越来越长,模型能力越来越强,你会看到那种需要算好几个月的大规模工作,我们是用walk-lock time来想这件事的,你去跟实验室里做预训练的研究员聊,他们会告诉你walk-lock time往往是最重要的事之一,walk-lock time的意思就是从你启动一次训练到跑完,真正拿到数据的时间,如果你能把这段时间从六个月缩到两个月,你就能做更多轮迭代,大家也会为了缩短walk-lock time去改模型架构,我们看用力也是类似的逻辑,超低延迟decode,最让人兴奋的地方,就是长周期任务的wall clock time,会大幅缩短,一个原本要算一年的任务,现在一个月缩到三天,三天缩到七小时,以此类推,这件事我觉得真的很难内化,因为模型的能力才刚刚够到能做这些,几个月前Cursor公布说,他们让一群编程agent从零开始,在一周内写出了一个完整的浏览器,我当时觉得太疯狂了,而这很快就能在一小时内完成,以后会有大量这类事情,靠海量并行agent,一起攻一个任务来实现。 [00:45:43]
Gavin Uberti:这些系统的终极限制是什么,这纯粹是个物理问题吗,理论上我们还能快多少便宜多少,你怎么看,空间还很大,就像那句话说的,底层还有巨大的空间,你看英伟达产品的chip间延迟,从一个chip到另一个chip要4000纳秒,我们能做的比这好得多,数学极限是多少,是光速,可以做到区区几纳秒,比如2、3纳秒,而现在是4000,现在是4000,底层空间真的非常大,功耗效率也是一样,没错,我们把电压降这么多,已经省了大量能耗,但还可以更低,可以低得多,这非常难,但往20年30年后看,我觉得这是必然的,规模效应,集群scale也是同理,很长一段时间里,8个chip就是最大的scale,英伟达有NVL72,把规模拉到了NVL72,但你可以做的大得多得多,你看晶圆厂,一栋400亿美元的单体建筑,里面只跑着寥寥几条产线,未来的巨型机群也可以是这样,400亿,1000亿美元的一座巨型token工厂,服务一个或少数几个模型,面向海量用户,去实现同样的规模效应,同一个模型,巨量的人在用,你提到kernel工程是你第一份工作,这玩意从以前没人听说过,到现在到处都在讲它有多重要,能从裸金属里多榨出一点性能,那什么时候这件事也会被AI完全接手,人类还是最好的Kernel工程师吗,他们是在AI辅助下做吗,人在设计这些东西的链条里还会留多久,什么时候会彻底不需要人,今天完全是混合模式,最好的Kernel仍然是人跟AI协作写出来的,而且任何AI模型都是由这些基础原语构成的,比如矩阵乘法,卷积chip间通信,集合通信,让这些操作互相重叠,跑得极快,影响巨大,Kernel设计师的工作,就是去搞清楚,哪里可以重叠,怎么分配内存,怎么验证,如果出了传输问题,重传不会卡住整条流水线,这些都很难,但每做一次优化,模型性能可能就提升3%,4%,而且你可以做很多次,我们设计软件站的时候,想的是POC会往哪走,三年前,做软件大概有两条路,一条是大力投入图编译器,这些东西性能不算高,但开箱即用,不需要人进来调所有Kernel,我们选了相反的方向,我们是Kernel优先编程,这意味着很长一段时间里,它确实不是开箱即用的,但如果你是Kernel专家,你能榨出极高的性能,关键在于,现在编程模型越来越好,他们正在承担越来越多的Kernel生成工作,等模型继续变聪明,最终会全部接手,他们会超越人类,所以我们要为未来的世界去构建,即便是今天,我们设计profiling工具,或调试站的时候,更多想的是模型会怎么用这些工具,而不是人会怎么用,我们内部有时会跑实验。 [00:48:44]
Robert Wachen:我们让Codex仅凭我们的文档,就从零开始把GPT-OSS跑起来了,完全靠自己,哇,我记得他一晚上就搞定了,我们经常琢磨选择战场这件事,意思就是确保把精力压在正确的赌注上,因为不管你选做什么,都得付出巨大努力,我们一开始就明确决定,不去做任意图编译器,不去支持任意PyTorch,不去支持任意CUDA,不去支持任意ONX图,我们设想的世界,是真正重要的模型,不超过100个,而且从底层数学角度看,它们都非常相似,我们要用物理原理去构建基础单元,尽可能把它们加速到极致,同时让最顶尖的客户,能直接接触硬件,想怎么用就怎么用,这省掉了我们大量造编译器的时间,也让我们拿到了高得多的性能,有意思的是,我们刚起步时,很多人都对这个想法嗤之以鼻,唯一认真对待我们的人,都在高频交易领域,因为他们也讨厌编译器,全都自己写Kernel,后来有几十个高频交易的人,加入了我们团队,就是因为他们看到了同样的理念。 [00:49:49]
Gavin Uberti:垂直整合的边界在哪里,你怎么知道该在哪里划线,我先从这个角度切入,聊聊更宏观的市场,现在的大环境很有意思,绝大多数AIchip都被极少数客户买走了。 [00:50:02]
Gavin Uberti:绝大多数AIchip都被极少数客户买走了,而这些客户里,很多人自己也在尝试设计自己的AIchip,OpenAI发布了Telpanel,这个局面很微妙,世界上最值钱的东西,好像都绕不开那几家chip制造商,和那几家chip买家,他们看起来都在做,或者盘算着做对方的事,然后还有另一种情况,这些东西进了数据中心,你又有了Neo Cloud Inference服务商,以及技术战力的其他环节,还有模型开发商和模型提供商,我可以想象这样一种局面。
Patrick O'Shaughnessy:因为你们有最好的硬件,所以你们也去设计模型,也去建数据中心,等于溢出了你们当前的垂直领域,所以你怎么考虑业务的边界,该划在哪里。
Gavin Uberti:我们有句话叫生产机产品归根结底,我们清楚Inference,会是世界上最大的市场。
Robert Wachen:谁生产的Token最多,谁就会成为世界上最有价值的公司,所以我们所有的决策都围绕一个问题,怎么把最多的Token产能上线,一部分是做出真正好的产品,吞吐量高得多,延迟低得多,这样我们每造一个Chip,就能让更多Token上线,另一部分是,除非为了达到巨大规模非做不可,否则我们不去碰技术战的其他环节,有些事我们确实做了,因为不上规模不行,比如做整机柜,而不是只做Chip,比如做CM模式,而不是JDM模式,但有些事目前对我们来说就是噪音,比如我们现在不会自己去建数据中心,那并不能帮我们增加产能,总的来说,我们的客户其实在主动调配电力和迁移集群,就为了把我们的chip跑起来,因为吞吐量实在太高了,如果哪一天其他环节成了瓶颈,我们绝对会去整合,但现实是。 [00:51:46]
Gavin Uberti:我们眼下只专注于让尽可能多的token上线,我觉得这又回到了规模效应上,在技术站的某些环节,规模效应巨大,另一些则没有,比如设计模型,规模效应就非常大,chip制造也一样,但如果你去想,机柜里的某个小金属零件,就没有同样的效应,我们认为天然的边界,在底部chip这一侧,以及顶部的模型层,中间这段空白,我们会全部填上。 [00:52:14]
Robert Wachen:几周前有个人,在帮一家前沿公司,做下一代AIchip,他想挖我们的一位架构师,结果这人反而被我们的架构师来了个反杀,开始反向招募他,不到一周我们就把他招进来了,我在敲定offer那会出去散步,问他你在那边负责这么重要的项目。
Patrick O'Shaughnessy:为什么决定过来。
Robert Wachen:他的回答特别有意思,他说这个产品赢不赢,对我的公司来说根本不知命,对谷歌的TPU来说收入靠的是搜索,TPU失败了谷歌也不会倒,没错Meteor失败了,Meta不会倒,Maya失败了,微软不会倒,Hallopinio失败了,OpenAI也不会倒,说到底,这是我们的产品,全世界最好的chip,是由一家只做chip的公司造出来的,这完全在意料之中,那就是英伟达,对吧,对我们来说,让尽可能多的token产能上线,是生死攸关的事,这也会吸引一批人才,吸引供应商和客户的支持,他们看待这件事的投入程度,和我们是一样的,看原始flops数据,你把苹果实验室,或者那些超大规模云厂上。 [00:53:20]
Gavin Uberti:用作的chip拿来比,比如F8xF8的flops密度,全都低于Blackwell B300,这很合理,因为他们不需要去冒那个险,只要做出一个差不多的产品,不用交英伟达的税就行了。
Patrick O'Shaughnessy:我在想你们构建这套方案的过程,本质上是在解决一连串极难的挑战,有没有哪一次是最难克服的。
Gavin Uberti:我们在设计chip的时候,搭了一个非常非常大的FPGA集群,来验证整个chip的工作空间,FPGA是数字实体,你可以测数字逻辑,但测不了模拟逻辑,结果chip回来之后,我们发现attention和适配环节开始出问题,结果不对,我们意识到等等,跨时中域的反压逻辑出了问题,这会导致chip产出错误结果,而且这个问题非常非常难解决,我们发现只有一个办法能搞定,必须把chip上的两个时钟信号,对齐到50匹秒以内,这相当于50万亿分之一秒,我们要把信号对齐到这么小的力度,还要在每颗chip上每秒做20一次,很多人都说这不可能,有人直接辞职了,他们就是觉得这个问题无解。 [00:54:26]
Patrick O'Shaughnessy:说祝你们好运,遇到这种问题,第一步是。
Gavin Uberti:好我们先假设问题可解,那怎么解,首先我们意识到,必须找到一种方法,能把时钟向位移动一匹秒,10匹秒,然后我们有了一个想法,如果有两个时钟,它们之间只差一点点呢,我们发现,如果能测出向位差,再用一个漂移机制,去等那个刚刚好的时间窗口,让那一匹苗始终对齐,就能极其可靠的做到这一点,然后把相位锁定在需要的位置,我们可以保证,这种事再也不会发生,大家对这个方案居然能跑通,而且效果这么好,多少有点震惊,但我们确实把它做出来了,花了多长时间,大概两周,那是黑暗的两周,非常吓人的两周,但这种事发生的时候,恰恰是最需要投入精力的时候。 [00:55:16]
Patrick O'Shaughnessy:当你觉得一切都没希望的时候,反而是最难去行动的时候,但你越早解决这个问题,就能越早回到正轨,去扩大生产,商量。
Gavin Uberti:我觉得我们的故事里,很大一部分就是。
Robert Wachen:像Gavin说的,先假设它是可能的,假设在一颗chip上,塞进多的多的flops是可能的,假设做出chip间,延迟低得多的系统是可能的,假设创建一个共享内存池,带宽高得多的方案是可能的,那该怎么做,很多时候我们做实验,几十个实验全失败,但我们只需要一个成功就行,有好几次,Gavin在chip,bring up阶段冲在最前面,我记得做了大概30个,不同的板机实验,其中三个成功了,这三个的价值比黄金还重,这也是别人常来跟我说的,Gavin,你的实验几乎没一个成功的,我会说,我只需要走运一次,我追问这些故事。 [00:56:09]
Gavin Uberti:有一个想法是,关于公司历史上那些困难时刻,融资的能力。
Patrick O'Shaughnessy:我想你们刚开始的时候,知道自己需要钱,但不知道最终需要融到,花掉这么大一笔钱,来构建这套方案,而且你们之前没融过资,这些都是全新的东西,对吧,确实有那么一些时刻,非常非常难,因为我在场,我亲眼看到了,有些时候融资极其困难,而如果没有那笔钱。
Gavin Uberti:公司就不存在,会死掉,像很多伟大的故事一样,有无数次濒死时刻,但钱这件事,在这个新世界里不一样,这不是软件,不是只需要一点点钱,也许你可以讲讲,早期融资真正最难的部分。
Patrick O'Shaughnessy:在你们还没有东西可以展示,没有让人惊艳的性能数据之前,只有你们两个人再讲一个想法,聊聊早期融资的困难吧,那段经历真的挺硬核的。 [00:57:01]
Gavin Uberti:我们经历过一些非常紧张的时刻。
Robert Wachen:让我想起大概是,2024年初,在我们融A轮之前,当时我们已经把架构做得差不多了,设计也推进了不少,我们知道这个chip的架构是成立的,必须把它造出来,后面还有很多工作要做,我们准备进入所谓的物理设计阶段,我们需要跟一家物理设计供应商签协议,这至少要花4000万到5000万美元,然后我们意识到随着模型越来越大,那些巨型MOE模型不断涌现,我们不光要造chip,还得搭建整个集群,我们要做板卡,要做interconnect,要做冷板,要搞定所有网络和配套的东西,这需要的钱,远远超过我们银行里那1500万美元。
Gavin Uberti:那时候你会觉得,天哪,太吓人了,你坐在那里想,完蛋了,我们根本负担不起,我甚至开始琢磨,回哈佛复学有多难,在23年底,我们搞了一份memo。
Robert Wachen:我们花了大概100个小时在上面,因为我们完全不知道,当我们开口要那么多钱的时候,别人凭什么相信我们,那份memo有30页,技术性极强,非常深入,涵盖了我们所有需要构建的东西,所有要达成的里程碑,市场会怎么演变,各种信用力,每个token的成本,还有各种建模分析,然后我们去找投资人聊,硅谷所有主流投资机构,当场就聚了,他们的反应就是,好吧,两个刚离开哈佛的小孩,没留片过,没有测试CHIP,INFERENCE,这个市场谁知道能不能做大,一切都会是训练为主,模型还在幻觉,这整件事可能就是个泡沫,当时半导体领域,最大的A轮融资,大概也就4000万到5000万美元,我们看着账单算了一下,觉得接下来12个月要花1亿美元,如果我们真想干成这件事,真想把规模做起来,达到我们说的那种性能,这就是个极度烧钱的事,我们到底要怎么搞定,我们启动这个过程的一个关键思路是,问自己最省钱的办法是什么,我们决定如果我几乎不拿工资,只吃泡面。 [00:59:03]
Gavin Uberti:那我们基本上就只花,那1100次流片的眼膜费用,这样大概3000万美元就能搞定,一个低得离谱的数字,后来我们还真找到了一个债权方,愿意借钱给我们,勉强跨过那个吃泡面造chip的门槛,从那里开始,我觉得就是先催化出一系列进展,然后一步步推进,再搞一件事,再搞一件事,再搞一件事,对,所以当时的情况是,如果我们真想建这家公司。
Robert Wachen:就不能半途而废,我们不会去做个测试chip,然后耗上好几年,眼睁睁看着整个AI市场爆发,而我们本可以做出产品,要做就做到底,我们必须想办法,高到一亿美元,我记得Gavin和我,深夜坐在Cupertino的办公室里,互相看着对方,心想,这里能不能砍五十万,那里能不能省十万,我们能说服大家,多久不拿工资,然后我们意识到,见鬼,这笔账根本算不平,我们真的得解决这个问题,有那么几周。 [01:00:00]
Robert Wachen:有那么几周,你基本进入了生存模式,给每一个,可能认识投资人的人打电话,跟他们说,我们需要一亿美元来做这件事,如果做成了,我们觉得这可能会成为,有史以来最重要的公司之一,你认识谁愿意下一个大胆的赌注,愿意相信我们吗,这是所有信息,我们完全透明,这是我们的团队,都是很棒的人,我们一直超级努力,用创纪录的时间做了这些事,但前面还有一百件事要做,你想加入吗,然后雪球开始滚起来了,这里拿到一百万,那里拿到两百万,你就想,好吧,这个月不会没钱了,再拿到一张500万美元的支票,一张1000万美元的支票,你就想,好吧,也许我可以买那些FPGA了,雪球越滚越大,我们非常幸运,最终把这一切拼到了一起,我们开了一次董事会,我给大家看电子表格,上面显示1.03亿美元,都是些软承诺,我们互相看了看,说我们接了,那就是我们的A轮,幸运的是,从那以后融资容易多了,我们后来又融了差不多五六轮,其中很多轮都是那些老投资人,加倍三倍的追加,这让我们能这么快进入市场,如果不是当初那么激进,这个基价根本不可能做出来。 [01:01:15]
Gavin Uberti:我还觉得供应商这边也值得一点掌声,对台积电愿意跟我们合作,是在我们融到那一亿美元之前,在事情还非常非常悬的时候,Synapse甚至让我们以极其优惠的条件,拿到了他们的一些仿真器,可以分很多年付款,对 基本上就是一笔大贷款,要让合作伙伴拿出这么大的信任,你才能做成这件事,但我觉得,当你带着一支非常强的团队出现时,所有支持你的人,都不纯粹是为了财务回报,他们是真的相信。
Patrick O'Shaughnessy:你觉得台积电为什么会相信,哦 这个故事很精彩,在你加入之前,有一次半导体行业大会,我是最年轻的半导体CEO之一。
Gavin Uberti:我觉得这算是个新鲜事,他们请我去发言,我到了会场,发现我是唯一一个,40岁以下的演讲者,也是唯一一个30岁以下的人,我当时才22岁,我就上台讲了,会后有个演讲者晚宴,纯属运气,我正好坐在一位台积电的,资深VP旁边,晚宴规格很高,Arm的前CEO也在,非常讲究,所有人都穿着西装,我就跟这位VP坐在一起,结果发现,我们俩大学学的都是数学,然后我们拿了张纸,开始非常详细的讨论,现代AI模型到底是怎么工作的,深入到逐个Tensor的层面,他完全能听懂,接着我们就聊,怎么才能非常高效的,跑这些模型。 [01:02:39]
Patrick O'Shaughnessy:为什么低电压,是让这一切运转起来的,关键技术,第二天我收到台积电的邮件,说Gavin,我想跟Edge的合作,想办法促成这件事,从那以后。
Gavin Uberti:他一直是我们非常好的合作伙伴,想想有些老生常谈的说法,挺有意思的,当然我得打破一下第四面墙,我是H的大额投资人,参与这件事很久了。 [01:03:04]
Patrick O'Shaughnessy:我对你们俩的评价非常高,所以我在这次对话里,是带着巨大偏见的,我尽量问一些更宏观,更有意思的问题,也可能是对你们在做的事的质疑。
Gavin Uberti:我们会继续这样问,但我觉得特别有意思的是,你读投资类的书,所有人都会引用那个概念,就是逆向且正确,这个象限能赚到所有的钱,听起来很美好,但逆向意味着,其他所有人都觉得你是个傻子,所以当你走出去,从每一个人那里得到的,都是立刻的拒绝,在你成为共识之前,待在那个象限里,是种很奇妙的体验。
Patrick O'Shaughnessy:我想问一下你当时是什么感觉,我特别好奇,挺有意思的,当时那是我开出的第一张支票,而且金额比其他投资大很多,这么说吧。
Gavin Uberti:我当时并不是数学专家,也不是半导体专家,更不是AI专家,所以这更多是基于,相信这个市场可能极其巨大。 [01:04:03]
Patrick O'Shaughnessy:你们对未来会是什么样,做出了非常非常清晰的判断,并且以一种非常硬核的方式。
Gavin Uberti:把公司定位好,去攻克这些点。
Patrick O'Shaughnessy:然后就是你们两个人,以及我对你们的感觉。
Gavin Uberti:这是我们2023年,还是什么时候做出投资决定的,主要原因,但当时那确实是我最大的一笔投资,我觉得你刚才说的,关于天真的道理,既适用于投资,也适用于创办一家半导体创业公司,那就是我不知道自己不知道什么,当我打电话给专家时,他们基本都说这很蠢,他们用非常合乎逻辑的方式。
Patrick O'Shaughnessy:列出了为什么这事做不成,为什么,这是一个概率极低的赌注,我从中学到的一点就是,你有时候必须无视基础概率,如果你完全按基础概率去投资,那你应该去做点别的。
Gavin Uberti:而不是干我们这行,总可以买指数基金吗,对,总有指数基金可以买,没错,所以这事对我来说,其实从来都不吓人,我觉得主要原因,可能就是我不懂,我不懂的东西太多了。 [01:05:07]
Patrick O'Shaughnessy:如果我对你们做的事,和其中的难度了解的更多,我可能就不会投了,我不知道这说明了什么,比如作为一个投资人,变得更成熟了,也许我不想懂得太多。
Robert Wachen:想保留一些那种有意义的天真,我也不知道,我觉得很多传统的半导体基金,错过了所有的AIchip公司,对所有的AIchip公司,而所有的编程专家,也错过了所有的编程公司,我觉得很难意识到,约束条件已经变了,当你看了20年的tape out,见过那么多次,第一次第二次第三次尝试都失败,甚至连一个工作负载,都跑不起来的时候,你会完全忘记,现在的EDA工具已经好太多了,FPGA现在也有了,以前是没有的,还有今天你能做的各种验证,以前根本不可能,所以我觉得对我们来说,相信我们的人基本分两类,要么他们就是单纯相信这个市场和这个团队,要么他们自己今天就在用极其硬核的技术造chip,比如高频交易公司,他们会真的审计所有东西,从微架构RTL到板机设计,项目进度和软件战,我们会跟他们那边十个自己造chip的人坐在一起,他们问的问题详细到让我们怀疑,他们是不是打算自己来造这个chip。 [01:06:24]
Gavin Uberti:真的就是这两类人,如果你处在中间地带,你就是理解不了,在投资圈,大家经常聊差异化认知,就是你看到或相信一些,别人没看到的东西,对吧,这种认知差距就是机会所在,对,我投H大概有五次了吧,每次投的时候筹码都越来越大,所以确实会一次比一次更让人紧张。
Patrick O'Shaughnessy:而且因为你们在市场上一向很低调,我觉得外界很容易轻视你们,当筹码越来越大时,那些轻视的声音就更难入耳了,所以我确实认为,当你看到的东西和外界的声音截然不同时,这种认知差就等于机会,最后我想说,你们和团队解决那些看似不可能的问题,所积累下来的能力。 [01:07:09]
Gavin Uberti:是一家公司能拥有的最有趣的特质之一,这就像个二元选择,有的公司能做到,有的做不到,我也觉得这是老员工的一大优势,有些新来的人吓得要死,看到这种情况,而那些老员工也就待了整整两年而已,开始在战壕里抽雪茄了,又来一个,对。
Robert Wachen:这里绝对有一种想办法搞定的心态,你在这里是因为你默认这事是可能的,所以我们不能说它不可能,所有问题都是可以解决的,我们就是会一直干,直到把它搞明白,我有个特别喜欢的故事,有个在硅谷验证领域算是个传奇人物,后来加入了我们团队,当时我们正在做晶圆测试的早期阶段,你知道芯片从晶圆厂出来时,是整片晶圆,然后有个叫探针卡的东西,在切割晶圆之前,通过探针点连接到晶圆上,发送电信号来测试哪些芯片是好的,哪些是坏的,这样我把晶圆切成一个个芯片后,就可以只封装那些好的,我们测试第一片晶圆时,大概是凌晨两三点,因为我们是跟台湾的台积电在电话上操作,屏幕上显示着晶圆全是灰色的,每个芯片都是灰色,然后当你开始跑测试图形时,那些方块应该变成绿色或红色,结果它们全变红了,我们当时就想,完了,这太糟糕了,大家都说,兄弟们,深呼吸,他往后一靠,说谜题开始了,你就得有这种态度。 [01:08:36]
Gavin Uberti:是的,你会走出去,凝视深渊,你会看到可怕的东西,然后我们会解决它们。
Patrick O'Shaughnessy:你们是什么时候看到第一个绿色方块的,那天之后,一天之内,但在那个当下,你会觉得。
Robert Wachen:我为这个付出了好几年,我赌上了身家性命,我让家人也把所有东西都压上去了,然后他全是红的,这太吓人了,但就有那么一种人,就是沉迷于那种感觉,感受恐惧,然后解决它。 [01:09:03]
Gavin Uberti:我们很幸运,这里有很多这样的人,如果把过去这几年积累的所有这些实战经验,用来展望第二代第三代,以及更远的产品,基于你学到的一切,你在做法上最大的不同会是什么。
Robert Wachen:就是从概念层面来说,基于第一次的经验,你下一次会怎么去着手设计和生产,我们花了不少时间,才找到那些我们认为对扩展Inference,真正重要的核心要素,早期我们尝试了很多东西,从把不同模型编译到FPGA上的编译器,到把权重烧入进硅片,再到拆分HBM KV Cache和权重,等等各种不同的方案,我们经历了很多轮的学习,才最终意识到,从根本上讲,如果你想运行世界上大部分的Token,你需要做三件事,你需要造一个在给定功耗预算下,拥有最多flops的芯片,你需要造一个芯片间延迟最低的芯片,也就是要构建我能做到的最大的scale up网络。 [01:10:04]
Robert Wachen:也就是要构建我能做到的最大的scale up网络,然后你需要尽可能多的生产它,我觉得在我们到目前为止的前半段旅程里,我们学会了前两点,这很大程度上影响了我们的设计,也影响了我们未来在low voltage inference,cluster scale memory上的压住,但生产这部分,在过去一年里变得极其明显,如果你今天就能供货,人们部署这些东西的意愿有多强烈,你知道最好的能力就是可用性,如果我现在有一千个芯片,马上就会有人用,我们需要造的芯片,不仅仅是比之前的产品好得多,而且必须能在多几瓦的规模上供货,我们需要能造出一款产品,从极限上讲,能达到每月几瓦级的生产能力,当我们思考这一点时,我们在下一代产品上做的很多设计决策。
Patrick O'Shaughnessy:你们已经看到了。
Robert Wachen:核心就是简单,去掉大量部件,反复尝试组装和拆解,学习如何在生产中做到最快,周期最短,确保它可靠可维护,并且能在超大规模下生产。 [01:11:02]
Patrick O'Shaughnessy:那生态里其他你们控制不了的问题呢,比如台积电先进纳米制成的产能,或者HBM4内存的供应,就是那种所有人都在抢稀缺产能的情况,当你们想尽可能多的生产时。
Robert Wachen:怎么面对这些现实,全球部署算力最多的人,确实会有点把供应看成零和博弈,某个特定纳米节点,某个特定晶圆场,能产出的晶圆就那么多,内存的产量也是有限的。
Patrick O'Shaughnessy:这其实也是为什么我们第一代产品。
Robert Wachen:选了一条跟Rubens不同的供应链,我们在4纳米,Rubens在3纳米,我们用的HBM也跟Rubens不一样,诸如此类,所以这其实不是零和,而是正和,多就是多,我们跟大规模部署的人聊的时候,往往不是在一级瓦,GPU和一级瓦,我们的芯片之间二选一,而是总共两级瓦,我觉得在设计决策阶段,就尽早考虑供应链,这一点怎么强调都不过分,因为如果你有性能最强的产品,却造不出来,那你就只是个播客话题了,这也是垂直整合的另一大重点,当然像芯片和内存这些,你还是得去找合作伙伴。 [01:12:08]
Gavin Uberti:但其他大部分东西,也都是需求极高的组件,你自己造的越多,就能在世界现有产能之上,做出更多东西,这不是在抢别人的供应,而是在额外增加,非常非常多的供应,我觉得这就是赢的方式,我突然意识到,我们完全没聊模型本身,这有点不可思议,毕竟模型才是所有需求的源头,关于模型未来的演进,根据目前看到的情况。
Patrick O'Shaughnessy:你们有什么有意思的看法吗,我其实更好奇,你们这些思考硬件的人,觉得硬件会怎么影响,模型未来的走向。
Gavin Uberti:我们深信的一个核心观点是,机器思考的方式跟人不一样,你看飞机,飞机就不是像鸟那样飞的,机械装置的工作原理,往往跟生物体截然不同,同样的道理,对人来说,神经元存储数据和加载记忆的成本很低,做数学运算则相对昂贵,而芯片恰恰相反,一般来说,芯片读取数据的成本很高,做数学运算却很便宜,而且随着时间退移,你会发现数学运算变便宜的速度,比内存变便宜的速度更快,这是由所有DRAM器件的根本性限制决定的,所以你应该去想,我怎么让我的模型用上巨量的算力,比如我同时跑很多个副本会怎样,我激活海量的专家会怎样,我有那种大到需要同时在多个服务器机架上,运行的巨型专家会怎样,我觉得这才是构建下一代智能模型的方式,上下文也是,现在有很多工作聚焦在非常高效的推理上,比如不全量加载上下文到内存里,大多数情况下,我觉得这很有道理,但如果你想构建一个超级智能。 [01:13:52]
Patrick O'Shaughnessy:它为什么不能去查看,十亿个token的上下文,为什么不能花巨量算力,去极快的读完所有这些内容,我很希望能跟一台机器对话,它能把有史以来写过的每一本书,都放在短期记忆里随时调取。 [01:14:08]
Gavin Uberti:我觉得我们最终会走到那一步,走到现在做不到的程度,当前模型领域的一个主题,是聚焦在所谓的动态性上。
Robert Wachen:这种能力指的是,在做注意力计算时,可以按每个token,或每个用户来控制计算量和内存消耗,同时芯片内部还能动态的,实时的把数据发给其他芯片,去处理不同MOE模型的特定运算,根本原因在于,随着我们不断扩展上下温长度,扩大模型规模,增加每个用户的计算量,我们一直在寻找更高效的方式,所以就像Robert说的,首先是混合专家架构,也就是不一定每个Token,都要用到所有参数,但也许还有更细的层面,甚至在Token级别,我们可以说,这个Token需要这段上下文,另一个Token可以共享那段内存,这样就不用承担那么高的内存开销,也许某个Token特别重要,我们就该投入更多算力,给它更长的上下文,所以能真正加速这类高度动态计算的硬件极其重要,你可以想象在那些架构出现之前设计的现有硬件,跑这些运算会有很大的开销,结果就是你陷入很糟糕的境地,要么硬件跑这种动态计算效率低下,导致根本跑不好,要么就只能用那种非常粗放的架构,对很多需要不同计算量的token都施加同样的蛮力,关于未来我有两个问题。 [01:15:31]
Patrick O'Shaughnessy:我们聊了很多你们已经做出来的东西,以及是怎么做出来的,第一个问题是人们可能会开始用这些系统的新方式,底层技术更长的运行时间诸如此类,当Inference变得便宜的多快的多,更容易获取总供给更多质量也更好,你们觉得人们会用这些能力去做什么,是你们俩觉得最有趣最兴奋的,对None Brown发过一条很火的推文,说随着这些模型的时间跨度越来越长,他们可以完成比如需要六个月的任务,但往往没有足够时间,去评估这么长周期的任务,因为到那时候,新模型已经出来了,你会更想去评估新模型。 [01:16:14]
Gavin Uberti:而用我们做的,Cluster Scale Memory这类技术,你可以把那个六个月的任务,跑得快得多,不过还有第二层,我跟Nam聊过这个,他现在也是我们的天使投资人,他说不光是时间问题,还涉及参与这件事的人,或agent的数量,如果你想评估,一个人能不能造出火箭,你会发现答案是不能,没有哪个人能独自造出火箭,你得组建一个团队,我相信agent也是一样的道理,如果你问一个agent,能不能去开发出某种疯狂的未来软件,你大概率需要一个非常大的团队,也许是十个,也许是一百万个,你需要有极其庞大的cluster,规模memory,让每个token的时间极短,同时需要海量的flops来驱动整个舰队,我说的未来一点,我坚信全球正在走向inference。 [01:17:02]
Robert Wachen:占全球GDP大头的时代,这可能需要超过十年,但它一定会发生,现在我们衡量社会生产力,用的是人均GDP,但到那时候,它看起来会更像是,每兆瓦Agent数,或者每几瓦Agent数,既然在谈未来,我认为今年是劳动力,以人类为主的倒数第二年,我觉得到2027年,你会看到做知识工作的,Agent数量超过人类,这会非常有意思,你可以想象这样一个世界,对一个国家来说,大部分能源最终都流向做Inference的数据中心,而这些数据中心的能效,基本上决定了他们能有多少agent,进而决定了他们的劳动力规模有多大,所以你会看到就像Gavin说的,现在我们是一个agent,或者5到10个agent的团队,花几天时间做小组项目,他们很聪明,所以能做出挺酷的东西,但这还达不到文明级别,当一个国家可以拥有10亿个并发agent,就像10亿劳动力,7×24小时不间断的,同时做同一件事会发生什么,这简直难以想象。 [01:18:06]
Gavin Uberti:这将是人类有史以来,最大规模的技术扩散,我也觉得,当你有这么巨大的需求时,规模经济效应就有来了,拿人来说,我有一个大脑,但我不会同时用到整个大脑,只有一部分在活跃,健康的大脑就是这么工作的,毛易模型也差不多,在MOE模型上,任意时刻任意token,只会用到一小部分参数,但是如果一块硬件上有大量用户,你就可以把这个大脑,切分成许多不同的专家,分布到许多不同的服务器上,跑海量的吞吐,这样流量会分成很多块,每个时刻都有很多流量,在用大脑的各个部分,同时每个思考的成本,每个token的成本也会大幅降低,所以我觉得最终会出现这种,巨大的规模化分布式的大脑,它的形态就是一个大型数据中心,里面有一堆chip,海量flops,以及庞大的scale up interconnect。 [01:19:04]
Patrick O'Shaughnessy:你觉得我们会看到,单个数据中心价值,一万亿美元吗,绝对会,这只是时间问题,这就好比问,你会看到十亿,一百亿,还是一千亿美元的晶圆厂,规模经济不会停在,四百亿美元,是晶圆厂的魔法数字,这个点上不会的,你投入的钱越多,晶圆的成本就会持续下降,同样的道理,也适用于生产钢铁的工厂,或者生产Token的工厂,一个非常聪明的外星人来到地球,想请你们俩各自讲讲,你们正在做的这件事,机会到底该怎么看,你们会怎么跟他说,我会说思考极其有价值。
Gavin Uberti:世界上每一家公司都靠思考运转,我们正进入一个非常独特的时刻,机器已经可以思考的,几乎和最强的人类一样,好 很快会一样好,再之后会更好,建造这些机器会是一个巨大的机会,但更重要的是。 [01:20:00]
Gavin Uberti:但更重要的是,随着需求越来越高,运行这种思考的方式,会变得非常非常不同,现在有一个独特的窗口,可以去构建一套新的解决方案,一条新的路线图,来解决如何在一个巨大的scale up集群上。
Robert Wachen:同时为十亿人运行未来的千万亿参数模型,我们正处在一个智能的新时代,生产智能的成本,比智能本身的价值低太多了,所以未来很多年,甚至几十年,这些Token都会处于供不应求的状态,基本上任何能产出Token的Chip,或系统都会极其有价值,你应该在Token的供应链上找一个环节,从模型训练,一直到我们做的Silicon,这类底层投入时间,去推动前沿,而且坦白说,未来最大的公司,很可能就是那些,产出全球大部分Token供应,并掌控这条供应链大部分环节的公司。
Gavin Uberti:更重要的是,要有人去构建那种系统,当你把越来越多的chip拼在一起时,成本反而会下降,你希望它扩展的方式,不是我想提供10倍的token,就买10倍的服务器,必须是一种新的方案,当我想提供10倍的token时,能通过我们的集群级内存技术,获得规模效应,这样我就不用为这些token,收10倍的钱。 [01:21:15]
Patrick O'Shaughnessy:你们正在构建的未来,真是令人无比兴奋,上次跟Gavin聊的时候。
Robert Wachen:我问了他那个传统的收尾问题,所以这次我来问你,别人为你做过的,最善意的一件事,是什么,在我治疗癌症期间,有一个重大的决定要做,医生来找我,说是时候,由你来决定了,你想做手术,还是做放疗,利弊是这样的,如果做手术,你活下来的概率更高,但你要做好,永远无法再走路的准备,如果做放疗,你以后还能走路,但活下来的概率,就没那么高,你可能会死,你想怎么办,那时我16岁,我父母说,这个决定,你得自己做,我想了很久,最后决定做手术,我做了手术,做肿瘤切除时,他们会做一个叫坏死分析的东西,就是检查所有不同的细胞,看这个细胞是死的还是活的,因为如果有一堆活的癌细胞,那就有麻烦了,他们检查完说,通常要达到98% 99%的坏死率,我们才能说你没事了,你没达到那个标准,应该去做放疗,而当时世界上只有几台机器,能做我需要的那种放疗,其中一台在波士顿,我坐着轮椅,需要搬到波士顿去住好几个月,我的父母都决定放下手头的一切,搬过来陪我一起住,我永远感激他们,说得真好。 [01:22:32]
Patrick O'Shaughnessy:谢谢你们。
Robert Wachen:这场对话太棒了。
这期对话围绕 AI 在数学领域的快速进展展开,核心问题不是“AI 能不能解出更难的题”,而是当 AI 能证明定理、连接领域、甚至攻克重大猜想时,人类创造力还剩下什么位置。Dwarkesh Patel 和 Grant Sanderson 反复区分了三类能力:解已有题、提出好猜想、创造新定义或新理论框架。Grant 的判断是,数学突破的真正难点往往不在最后一步证明,而在找到值得研究的对象、提出能组织整个领域的新语言,以及解释为什么一个证明“应该是真的”。
对话从三年前关于 IMO 金牌级 AI 是否等于 通用人工智能 的问题切入。Grant 认为,当时把 IMO 当作通用智能门槛的直觉可以理解,因为这些题看起来需要创造力;但现实中很多竞赛题存在可训练、可模式化的部分,尤其几何题可以通过类似暴力搜索的方法取得很强表现。数学内部并不是均匀的前沿,而是有许多尖峰:某些子领域或题型会先被 AI 突破,另一些仍然困难。因此,即使 AI 在数学竞赛中取得金牌,也不必然意味着它能自动胜任所有白领工作。
Dwarkesh 进一步追问,如果 AI 解开黎曼猜想或千禧年大奖难题,是否就意味着经济中大部分人类工作也会被自动化。Grant 把可能路径拆开来看:一种路径是 AI 凭借跨领域知识广度,把解析数论、随机矩阵理论、量子物理等领域中的结构连接起来,像 Hugh Montgomery 和 Freeman Dyson 关于黎曼ζ函数零点统计与随机厄米矩阵之间的关联那样,发现人类过去依赖偶然交流才看到的相似性。如果重大突破来自这种跨领域连接,它说明 AI 很强,但未必对应写作、编辑、产品判断等白领工作的核心能力。另一种路径则更深:像费马大定理最终依赖椭圆曲线和模形式那样,AI 需要先建起新的理论大山,再提出正确问题。如果 AI 真能创造这种新理论框架,那就不太可能只局限在数学里。
两人反复讨论“基准”为什么难以衡量真正伟大的数学创造。Grant 借“好的数学家证明定理,伟大的数学家提出猜想,最伟大的数学家创造定义”的层次说明,证明只是最容易被验证的一端;更高层次的贡献,是提出能让后来一整片问题变得可表达、可组织、可理解的新概念。伽罗瓦理论就是典型例子:它不只是解决某个五次方程问题,而是引入群和对称性的语言,让人们换一个抽象层次理解方程背后的结构。这样的贡献很难设计成一个球进或没进式的 benchmark,因为它的价值常常要在后来才显现。
Grant 还强调,证明和解释不是同一回事。数学史里有些结果已经被证明,但人们仍然会问“为什么它是对的”。他提到未解决的“阐述性问题”:不是缺证明,而是缺一种清晰、自然、让人真正理解的解释。这也对应 3Blue1Brown 的工作方式:把已有数学对象讲清楚,并不是低级任务,而是发现哪些表示、类比和视觉化能让复杂结构变得可理解。对 AI 来说,能生成证明不等于能生成好的解释;后者要求它知道什么会让人类真正获得理解。
在 AI 研究路径上,对话比较了形式化验证、可反复尝试的结果和过程监督。Lean 这样的形式化系统能检查证明是否正确,表面上给数学提供了特别清晰的奖励信号;但 Grant 认为,可验证、可重复尝试的终点本身可能比形式化更关键。只要系统能不断尝试并得到明确反馈,就可能推动进步。相比之下,写作很难这样处理,因为写作的最终产品就是文本本身,段落、句子和词语都构成实质内容;代码即使内部很乱,也可能产出正确结果,但写作不能用“结果能跑”来掩盖过程质量。
两人还把这种差异延伸到探索方式本身。数学进步常常需要尝试许多分支,失败后擦除上下文、重新组织问题,或者把不同路径的结果合并起来。Grant 认为,可重复尝试的环境能让 AI 快速筛选方向,但真正有价值的突破仍需要判断哪些抽象值得保留、哪些对象能成为未来理论的中心。Dwarkesh 则关心这种能力是否会转移到 agent、代码和科学发现中:如果 AI 能在数学里形成有效探索,也许它会成为判断其他复杂任务自动化速度的窗口。
这也引出对 AI 写作和学习的讨论。Dwarkesh 问,为什么 AI agent 在代码上已经从“能用”进步到“干净、可合并的 PR”,却没有同样带来清晰写作。Grant 认为,AI 在一些改写、检索、定位资料的场景中确实有用,但他最有收获的学习仍然来自人类做出的文章、书或视频。模型常常像增强版 Google:它可以帮人精准找到已有的人类作品,却未必能替代那个作品本身。他还提到,模型有时会给出看似可靠但归因错误的学习资源,这让他更愿意把 AI 当作导航工具,而不是终点。
最后,两人讨论学生是否还应该投身数学,以及数学突破是否会立刻产生经济影响。Grant 的回答偏谨慎:无论 AI 能否证明定理,想成为数学家的人都应该更认真地思考职业路径和个人动机,因为数学探索本来就很难直接规划成稳定职业。他自己的道路更像误打误撞,把数学探索变成了可持续的公众表达。至于经济影响,他认为数学进展更可能带来许多渐进式改进,例如更流畅的工程设计、更高效的仿真或更好的密码学理解,而不是某个纯数学难题一解开,立刻释放巨大经济爆炸。真正值得观察的是,当 AI 让数学洞见变得更多、更快时,其他领域是否能识别并吸收这些洞见。
1. IMO 金牌级 AI 不等于 通用人工智能;数学内部也有容易先被突破的尖峰领域,竞赛表现不能直接外推到所有白领工作。
2. 解题、提出猜想、创造定义是不同层级的数学能力,其中“创造定义”和建立新理论框架最难被基准测试捕捉。
3. 如果 AI 通过跨领域连接解决重大问题,它展示的是知识广度和模式识别;如果它能建立新理论大山,那才更接近深层创造力。
4. 数学中的证明和解释不同:一个结果可以已经被证明,却仍然缺少让人真正理解它为什么成立的清晰表达。
5. Lean 等形式化系统很重要,但可验证、可反复尝试的反馈循环可能比形式化本身更能解释 AI 在数学上的进展。
6. 写作不同于代码:代码内部可以混乱但结果可用,写作的每个词句就是产品本身,因此更难用外部奖励信号优化。
7. AI 目前更像增强版检索和学习导航工具,能帮助定位人类作品,但不稳定的归因和表达质量限制了它直接替代高质量解释者。
8. AI 数学突破的经济影响更可能先表现为渐进式外溢,而不是某个重大定理一被攻克就立刻改变整个经济结构。
- AI数学突破与创造力 [00:00:00 - 00:10:00]
- 从基准到加罗瓦理论 [00:10:00 - 00:20:00]
- 抽象对象与阐述性问题 [00:20:00 - 00:30:00]
- 证明解释与自主智能体 [00:30:00 - 00:40:00]
- 可验证结果与AI探索 [00:40:00 - 00:50:00]
- Lean过程监督与写作局限 [00:50:00 - 01:00:00]
- AI写作学习与理解体验 [01:00:00 - 01:10:00]
- 数学职业与经济影响 [01:10:00 - 01:20:00]
- 纯数学洞见的外溢 [01:20:00 - 01:21:52]
一凯(节目导入):欢迎收听跨国串门儿计划,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声音克隆技术,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,本期我们克隆的是知名播客DwarkeshPodcast,在2026年的一期深度对谈,主持人DwarkeshPatel与嘉宾GrantSanderson,展开了一场关于数学未来的精彩讨论,GrantSanderson是广受欢迎的数学科普频道,SanBlueEbron的创始人,他正在制作一个记录人工智能,在数学领域进展的新项目,这期节目他们主要探讨了,人工智能在数学前沿的突破速度,以及这些进展对我们理解创造力,科学发现和未来工作意味着什么,那我们就一起来听听这期的完整对话。 [00:00:00]
Dwarkesh Patel:今天和我聊天的是GrantSanderson,他运营着SunBlueEbron,现在正在做一个新项目,记录AI在数学领域的进展,我想跟你聊这个,是因为AI在数学上的进步速度,比任何其他领域都快,所以这里正在发生的事,以及我们看到的AI进展或瓶颈,会告诉我们,随着AI越来越强,世界其他地方会发生什么,我想先从一个问题开始,三年前我第一次采访你时就问过你,我当时问,一旦我们有了能在国际数学奥林匹克竞赛里,拿金牌的AI,那不就是通用人工智能了吗,考虑到这些题目的难度,它岂不是就能做任何人类能做的事了,你当时的回答,现在回头看非常明智,而且是对的,你说那会变成另一个基准测试,就像我们正在通过的,所有其他基准测试一样,显然从那时起,AI在通用能力上变强了,但这件事发生时,不会有什么顿悟时刻,首先,我很好奇,你为什么能遇见到这一点,其次,我好奇你觉得这种局限性,还能持续多久。 [00:01:10]
Grant Sanderson:到AI解决了千禧年大奖难题的时候,你觉得还有可能,有很多人类在做的工作,是AI仍然无法在经济中自动化的吗,这个问题很有意思,因为如果不知道解决方案长什么样,就很难提前回答,拿IMO来说,我觉得你三年前那个问题的核心在于,看这些题目的解法时,他们似乎真的需要创造力,出题人也会尽量设计一些,你没法轻易训练出来的东西,我觉得IMO的一个不能说的秘密是,很多题目其实是可以训练的,所以就像你指出的,整个AI与数学项目之所以有意思,原因之一就是AI有一个尖峰前沿,数学正好就在其中一个尖峰上,但这种尖锋性本身又有点分形的味道,因为当你放大看数学内部的具体进展时,有些事儿比其他事儿容易得多,我们就看IMO这在现在已经算旧文了,对吧,大概两年前他们就做得相当好了,要不是下面这个原因,他们2024年就能拿金牌了,他们非常强,基本上几何题是直接秒杀的,IMO有四类题目,几何数论代数和组合,几何题在2024年大概19秒就解出来了,因为它用的是一种,类似暴力求解的方法,而对学生来说,不能说的秘密是,也有一种类似暴力的方法去解,组合题则是个变数,题目往往更俏皮,更像谜题,那一年的考试有两道组合题,不总是这样,一共四个类别,六道题,所以哪一类会出两道题,有点碰运气,要是几何题再多些,他们那年就金牌了,但他在组合题上很挣扎,那些想守住人类数学最后阵地的人,可能会说,你看那些才是更需要创造力的题目,但即便如此,我觉得你问题的核心是,如果他们解决了千禧年大奖难题,是不是也意味着,能胜任很多白领工作,这暗示着,从现在到那个节点之间的,速率限制因素,和让AI更擅长白领工作的,速率限制因素是一样的,我们也许可以描绘几种不同的路径,比如如果我们聚焦在,黎曼猜想上,解决它会是什么样子,一种可能性是,这些东西在某个特定知识领域,极其擅长,理解得非常深,然后也擅长另一个领域,再一个领域,你也指出过这一点,一个拥有超人类知识广度,对所有领域都了如指掌的东西,却没有发现那些连接,它们的闪电式连接,这本身就很奇怪,我觉得我们开始看到一些火花了,它确实开始在自己擅长的领域之间,找到联系了,我相信我们待会会聊到,如果黎曼猜想的解法,本质上是那样的,那在我看来,这和做好白领工作所需的能力,是很不一样的,而且其实有理由相信,那可能就是解法的本质,不知道你听没听过,Hugh Montgomery和Freeman Dyson,在普林斯顿高等研究院的故事,稍微岔开一下,但这故事挺有意思的,大概是在午餐还是什么场合,有一位数论学家,他当时在试图理解,黎曼ζ函数零点对之间的统计相关性,黎曼猜想的核心就是,这些零点是不是全都在一条直线上,他当时在研究一个可以提出的定量问题,然后写出了一个公式,看起来像是1除以正弦平方之类的,物理学家Freeman Dyson一看就说,我认识这个表达式,这个表达式在研究随机厄米矩阵的特征值时会出现,而这东西又是在研究原子核能级时用到的,这两件看似毫不相干的事儿,统计规律居然一样,这就引出了一个探索方向,随机矩阵理论里,是不是有些东西跟黎曼ζ函数有关,我觉得这到底能不能解除果实,目前还没有定论,但这种把两个不同领域,连接起来的方式,如果黎曼猜想的最终解法,恰好就是把这种思路,再往前推一步,那就很符合你对大语言模型,擅长数学的那种期待,他们既是量子物理的专家,又是解析数论的专家,应该能看出那种相似性,不需要像蒙哥马利和戴森那样,非得凑巧一起吃午饭,碰巧聊到那个话题才行,但这跟白领工作完全是两码事,对吧,你可能会觉得很难用AI来当编辑,原因并不在于他什么都懂,只差你帮他找到那个闪电式的连接点,另一种可能性是,该怎么类比呢,也许可以想想费马大定理,从费马提出这个问题,到最终解法呈现出来的样子,这中间的过程,最终的解法用到了数学里极其庞大的理论工具,这个问题的美妙之处就在于,它的表述可以非常简单,你问的是X的N次方加Y的N次方,等于Z的N次方,当n大于30有没有整数解,你可能会觉得应该有一种,初等数论的方法来解决它,但就我们目前所知,就是没有,而实际的解法,也许存在更简单的,但这可能就是它必须有的样子,那是一套极其复杂的思想体系,建立在围绕椭圆曲线,长达几个世纪的研究之上,然后还有另一座思想的大山,围绕着这些叫模形式的东西,你得先把这两座大山都建起来,才能提出那个,能把它们连接起来的正确问题,所以如果黎曼猜想的解法,需要建起一座新的大山,那这种能力,也就是提出正确新想法的能力,跟他们现在所展现的那种智能特质,感觉是完全不同的,这跟你雇一个视频剪辑师,所需要的能力,并不是一回事,但是如果他真的有能力,去构建理论的大山,也就是那种能结晶出,我们该如何思考一个学科的,正确新理论,那这种智能水平就太高了,到那时候,如果这种能力没有渗透到,数学理论构建之外的,其他经济领域,反而会让人觉得奇怪了。 [00:02:15]
Dwarkesh Patel:或者至少说,就算他不能真的做到白领,能做的每一件事,他也会带来变革性的影响,就像在IMO拿金牌,并没有给世界带来变革性影响一样,首先我得承认,我完全是在移动球门,因为两三年前,我采访Dario的时候,我问过这个问题,为什么他们不能用海量的知识,把不同想法连接起来,从而做出新发现,这种事看起来就是,哪怕一个智力中等的人,知道这么多信息,也能做到比如从某种药,会导致偏头痛,另一种东西有什么作用,推断出也许同一种药,能同时治这两种病,从而做出医学诊断,是啊,我也说不好,从外行的角度看,数学显然是一个,能找到这种例子的领域,比如找到单位距离问题,猜想的反例,就是这类事情,所以这完全是移动球门,但我们可以接着问,好,下一个基准是什么,既然AI已经能做到这件,我们早该想到他们能做到的事,那下一件会让人非常印象深刻的事是什么,这里有几个候选方向,一个是能首先提出有趣的问题,另一个是能提出新的对象或概念化方式,从而创建或统一某个领域,关于第一个方向,我们现在训练这些模型的方式是,我们有这些千禧年大奖难题,因为数学家们注意到,比如黎曼提出了黎曼ζ函数这个概念,因为他认为他跟素数的密度有某种联系,或者说这个函数的零点跟素数有某种联系,那么我们一开始为什么会认为这是个值得研究的东西,我们为什么要构建这个对象,试图回答关于它的问题,尤其是回答这个特定的问题,这看起来像是会成为下一个基准的那种事情,你举的这两个例子都挺好的,对单位距离猜想感兴趣的人。 [00:07:50]
Grant Sanderson:有一个叫Polylog的数学频道,做了一个很不错的视频,讲这个,这些讨论会让人们,反思做数学的过程,对吧,大家会想,这个东西能做这么厉害的事,这对我们意味着什么,他引用了这么一句话,好的数学家,证明定理,伟大的数学家,提出猜想,而最伟大的数学家,创造定义,这基本上就是你刚才说的,那两层,我们需要猜想生成器。 [00:09:33]
Grant Sanderson:然后是定义生成器,那是最高级别的数学家,我不太明白,你怎么把它做成一个基准,因为通常我想到,基准这个词的时候,想的是那种,有明确球门的东西,球要么进了,要么没进,你可以清楚地说,对这事做成了,这一方面是为了能做,RLVR这类事情,另一方面是为了能知道,自己在回答问题时,没有移动球门,OpenAI可以拿证伪单位,距离猜想当标题,因为这是一个,清晰明确的结果,就是做到了,对吧,但想象一下,你要拿什么当标题,对,GPT5.4提出了一个非常好的猜想,对吧,我们保证大家都觉得这是个好猜想,但听起来就是不一样,不过这也许并不否定,这确实是我们应该思考的方向,所以如果它真的以基准的形式出现,并且我们有一个分数说,它通过了这个基准,因为我们可以量化一个猜想有多好,我会很惊讶,但更可能的情况是,你会感觉到数学家们在讨论,跟它协作有多大用处时,语气发生了变化,你提到那个系列,目前还没做出来,可能还要几个月,它的形式是我们采访很多数学家,有意思的是,我们一年多前就开始做这件事了,看到他们在2025年年中,到现在2026年之间,谈论AI的语气,发生了一点变化,挺有意思的,在现实世界里,这是很短的时间,在AI世界里,这就像过了好几个纪元,对吧,在这些纪元里,我们能看到这种语气的变化,我觉得衡量猜想,生成能力的方式会更主观,就体现在这种语气变化上,数学家们会说,他们不只是用它来解决问题,而是在退一步决定自己的研究方向,应该是什么的时候,跟某个模型的对话。 [00:10:01]
Dwarkesh Patel:确实对他们有帮助,我不太觉得你会看到那种形式的标题,说又一个基准被攻克了,对所以这很有意思,那些你没法做成基准测试的东西,至少在现有范式下,也是你很难直接训练的东西,对吧,因为基准测试和训练环境之间,其实没有本质区别,我觉得很容易就会陷入一种二分法,说你看,AI做不了这件事,深层原因是这个,然后过不了多久就发现,只是你想的方式不对,其实很快就能做到了,我接下来就要试着提几个,你反正还是会提几个的,我觉得这件事,很可能在相对线性的时间尺度上,我们也能找到训练AI,去做这类事情的方法,但看起来它肯定跟现在的,ROVR训练不一样,我很好奇的一点,也是在我看来,推动数学乃至整个科学,取得重大进展的核心驱动力,是提出一种思考问题的新方式,或者一种理解世界的新方式,然后它能统一不同领域,催生全新的领域,解决那些我们一开始,甚至没意识到需要解决的问题,比如爱因斯坦研究广义相对论,不是因为他想解释光,为什么会弯曲,或者黑洞为什么会存在,这些现象他一开始,甚至都不知道需要被解释,但在数学里,从我这个完全外行的角度看,我连自己在说什么的细节,都不太清楚,从外面看,似乎经常有这种情况,证明一个具体问题,有的能催生新的概念化方式,进而产生一个全新的领域,一套全新的思维方式,极其高产,有的则不能,我很好奇想听你聊聊,比如加罗瓦搞出了群论,他证明五次多项式,没有根式解的方式,跟阿贝尔早几年,给出的另一个证明就不一样,阿贝尔那个证明,并没有引出群论,但如果你要对群论,是不是个有趣的概念,做一个验证循环,就是问这里做成了什么有用的事吗,为什么这个证明更好,这个验证循环可能要100年,它涉及后来密码学的出现,物理学的进展,群论的思想在其中发挥作用,理解物理学中的对称性等等,这本身就是一个长达100年的验证循环,去验证这个概念到底为什么有生产力。 [00:11:44]
Grant Sanderson:哇恩你戳到我的点了,因为我2022年本来打算做一个关于加罗瓦的项目,后来搁置了,但我花了大概一年的时间,大量思考他做的东西,所以我有可能一不小心,在细节上讲太久,你得拉住我,这确实是个完美的例子,因为要描述为什么,那是一个有价值的洞见,并不来自及时效用,所以如果你在考虑RLVR环境,那肯定就是好吧,这真的很难做,但有意思的是,即使是当时的人类验证者,也花了非常长的时间,才认识到它的价值,我觉得爱因斯坦的广义相对论,人们多少能感觉到,你能感觉到,这理论一出来就让人觉得是个好理论,而让加罗瓦理论成为如此有趣的例子的地方在于,你确实有着整整一百年的时间,一个想法流经许多不同人的头脑,最后才沉淀成数学界公认的好东西,所以稍微往回退一点,你需要我讲一下这个问题的背景吗,我们在学校都学过二次方程求根公式,我还以为你要说我们在学校都学过群论,我们都学过群论二次方程求根公式,这个公式在某种意义上,很早就知道了,比如古希腊人,就能解二次方程,但他们不太用代数来写,所以真正写下那个公式的,其实是阿拉伯人,还有一个很有趣的故事,关于几个意大利数学家,互相决斗,不是真的决斗,就是那种智力挑战,他们有人偷偷找到了,三次方程的求根公式,然后没过多久,又找到了四次多项式的公式,所以对当时的数学家来说,一个自然的开放问题就是,你能找到解五次方程的公式吗,那个四次的公式已经非常庞大了,写出来会很夸张,通常你不会完整写出来,而是拆成一个过程性的步骤,所以你可能会觉得,这些东西的复杂度是指数级增长的,于是好几百年里,没有人真正回答这个问题,通常我们说阿贝尔是第一个证明他的人,他是个年轻的早会的挪威数学家,他证明了这根本不可能,不是说你能找到一个五次公式,他一度以为自己找到了,但他证明了这是不可能的,不过我觉得真正的功劳,你得往回退一点,谈谈拉格朗日,拉格朗日找到了关于这个问题的正确提问方式,我可以展开讲细节,但先给一个非常高层的概括,他在研究这个问题时认识到,能不能解这些多项式,其实跟理解某些代数表达式的对称性非常相关,就是对称性多还是少的问题,比如我写下A加B加C加D,只是四个变量相加,如果我把它们重新排列,表达式的值不会变,但如果写A加B乘以C加D,有些排列不会改变它,但有些会,它有一个非常非常棒的洞察,如果你能找到像这样的表达式,有四个自由变量,但所有排列只产生三个不同的值,这跟把四次方程降次到三次方程之间,有一种意想不到的关系,于是他开始研究,我们能不能找到五次多项式的公式,这个问题,他的思路是,我想知道我能不能把这个方法推广,要推广这个方法,你就得找到一个,有五个自由变量的表达式,使得当你用所有五的阶层种排列,去变换它时,它只取四个或更少的值,这简直可以放进谜题书里,可以变成一个12岁孩子,都能玩的脑筋急转弯,而且你很容易就会觉得,这好像是个不可能完成的任务,所以拉格朗日就在那儿琢磨,这是我尝试解决,这个问题的一个策略,我能找到五次多项式的公式吗,这个策略行不通,至少从这个策略来看,似乎是不可能的,但那是历史上第一次,人们凭直觉感到,某种关于对称性的问题,是研究这些多项式的正确方向,在他当时看来,这只是一个方法,人们还没发现,其实两者之间有更紧密的联系,而且,也许我们不该去寻找公式,而是应该问一个相反的问题,你能证明它是不可能的吗,所以他算是拨下了这颗种子,大概50年后,阿贝尔肯定读过拉格朗日的著作,并受到了影响,加罗瓦,我们知道他爱上数学的时候,就非常喜欢拉格朗日,所以很难想象,这两位年轻的天才,他们俩都围绕那个问题,得出了非常相似的洞见,这并非完全凭空出自拉格朗日,但回到你的问题,关于我们能否验证,这是个好想法,拉格朗日并没有得出什么具体结果,他从来没有解决那个问题,所以我们也就无从知道,那是不是一个正确的问题,他只是提出了问题,这里面有一些内在的趣味,这在当时对数学来说,也不是很重要,大多数人对物理应用更感兴趣,这几乎算是一个旁支,近乎一种娱乐性质的爱好,比如阿贝尔,他开始研究五次方程的东西,但后来有人建议他,把更多精力放在研究椭圆函数上,所以他更多的成果,是在那方面之后,他就英年早逝了,他26岁死于肺结核,然后是加罗瓦,他把这两方面的想法,都朝着正确的方向推进了,他真正理解了抽象的本质,他在监狱里,写了一篇非常精彩的文章,我们可以好好聊聊,他的人生故事,相当疯狂,但他当时就是个青少年,在监狱里,他之前试着提交数学论文,但被拒了,所以这又回到了,可验证奖励的问题,当时作为验证器的学术界,拒绝了他写的东西,因为坦率地说,那篇文章写的不怎么连贯,它不是一个完整的证明,它并没有清晰地阐述,它的理论到底是什么,它只是一个,予以未封的年轻数学家,还在摸索阶段,所以当时的可验证奖励就是,不行,但他有一种直觉,觉得这里没有东西,于是他写了一篇,慷慨激昂的长文,论述数学的本质,会随着时间经历变迁,他谈到了代数本身的出现,以及人们从仅仅思考数字,到能够纯熟地处理,纯粹的代数表达式,而不必拘泥于,解释这些表达式的转变,他有一种直觉,认为我们应该进入,另一个抽象层次,不是去思考公式本身,而是去思考这些公式背后潜藏的对称性,但这仍然是一个非常不明确的理论,所以如果你想问,他得到的可验证奖励,是不是解决了别人没解决的问题,情况是阿贝尔证明了五次方程无解,那你会问,加罗瓦做了什么,原则上加罗瓦理论能让你做的是。 [00:13:50]
Grant Sanderson:给定一个具体的多项式,它会给你一套规则,来判断这个特定的多项式,是否有你能写出来的根,比如X的五次方解一,你知道一个解是一,或者X的五次方减二,你可以写出二的五次方根,所以并不是每个五次多项式,你都写不出解,但你能不能找到一个具体的多项式,并证明你无法用根式写出它的解,他连这个也没有确切解决,他做的东西要抽象的多,他没有给出一个具体的例子,来证明他做不到,所以甚至要描述他解决了什么问题,都非常棘手,然后他就去世了,这是一个非常浪漫的故事,他有一场决斗,我们可以深入聊聊,有很多传说,比如据说他在决斗前一晚,写下了所有想法,实际上他是之前一直在试图发表他们,研究五次方程,似乎对健康不利,对身体非常不好,对对对,如果你是个年轻天才,千万别碰五次多项试,后来他拜托他弟弟和一位密友,说把这些笔记交给高斯,交给当时最重要的数学家们,因为我觉得这里面有东西,但即便如此,这些想法当时也没真正传开,他弟弟和那位朋友确实努力去传播了,但过了差不多20年,刘威尔才看到这些笔迹,觉得里面可能有点东西,然后试着去整理,去理解加罗瓦到底想说什么,再之后又过了大概20年,若尔当才真正整理出一套,接近现代群论的体系,并归功于加罗瓦,你完全可以想象历史走向另一种可能,这些想法其实也在,数学的其他分支里慢慢浮现,如果加罗瓦这个人没那么戏剧性,他可能就被历史遗忘了,但从拉格朗日隐约,觉得根的对称性可能是正确方向,到最终形成现代群论的样子,这中间跨度太长了,很多时候这些想法,甚至通不过人类评审那种可验证,奖励对吧因为稿子,送到某人桌上对方说我不太确定,这里面有没有东西再送到另一个人,桌上还是没反应,必须得有一个人能识别出它的价值,而且即便到了那一步,当时也还解决不了什么实际问题,你可能会提到密码学物理学之类的,应用那得等到20世纪,盖尔曼才会去想,也许理解某些群如何分解,跟粒子有什么构成之间,存在某种关系,它纯粹基于群论问题,就预言了夸克的存在,群论最有趣的应用之一,就是连预言夸克存在这件事,本身都是一个群论问题,这离拉格朗日那会儿,已经过去太久了,才出现这样的东西,所以你必须问,如果不以解决问题为标准,衡量进步的方式是什么,这得能捕捉到加罗瓦,脑子里那种直觉,他说我觉得这里面有东西,识那是什么直觉,拉格朗日说,我觉得这才是正确的思考方式识,那是什么直觉,刘威尔看到这个死去多年的年轻人,留下的零散笔记觉得恩,这些可能有点东西识,那又是什么直觉,这太难说清楚了,不过我最近在做另一系列视频,讲的是压缩剂智能这个想法,虽然我切入的角度不太一样,但确实有道理,表达越简洁,预测力越强,就越让人觉得智能,所以我在想,能不能设计某种可验证奖励,不只看你有没有解出来,或者解出来有什么用,而是看你做到这件事所需的概念,有多简洁,回到黎曼猜想的解法,如果AI解出来了,会是什么样,我觉得第三种可能的方式,就是它纯粹靠更努力的硬算,就像费马大定理,也许可以有一个初等证明,但得写几千页,根本没法读,而更优雅的方式,是用椭圆曲线那套理论,也许黎曼猜想,也会有一个几千页的证明,但没人能从中真正学到什么,你真正想要的是那些想法的简洁压缩版本,能让人理解,我不知道,也许用科尔摩格洛夫复杂度,把它放进你量化优雅的尝试里,但我觉得这不容易,不过我也觉得你必须这么做,才能奖励那种加罗瓦式的直觉,而不是只奖励你有没有解出问题,要给科学找一个启发式标准,确实非常难,但很明显,人类一直在以某种方式做这件事,而且显然AI迟早也会做到,这不仅跟可验证奖励有关,还因为最终目标大概是理解,是人类的理解,所以就算你真的有了一个,几千页的数学证明,或者一套宏大的新物理理论,目标还是理解,如果目标只是预测能力,那你大可以让自动化工程师,去造火箭飞船什么的,我们完全不知道这些东西怎么工作,但能心计旅行就行,但会有很多人想要理解,你仍然需要某种简洁性函数,能把复杂的思考方式,蒸馏成正确的那一个,就像牛顿的万有引力定律那样,你仍然会想训练AI去做这件事。 [00:20:01]
Dwarkesh Patel:去找到压缩后的表达,所以大家特别担心数学这个领域,怕AI证明了黎曼猜想,但我们对数学的理解一点没加深,我有几个问题,第一,这种事真的该担心吗,人类在攻克大问题时,之所以会提出通用的自然对象,子目标之类的东西,不就是因为这些东西,在处理复杂重要的问题时,确实有用吗,所以从理论上想,直接提出与问题相关的自然抽象,来解黎曼猜想,难道不比绕开这些更简单,第二,从经验上看,现在AI在问题上取得进展时,我们观察到的是这样吗,AI找到单位距离猜想,那个反例的时候,你可以直接读它的chainofthought,我看不懂,因为我不懂数学,但在其他数学家看来,它是可理解的,他用的是已知的数学概念,用自然语言证明了他们之间的关系,结果反而加速了,我们对这个对象和猜想之间,联系的理解,所以从经验上看,这事真的值得担心吗,我觉得要看情况,对,再回到解黎曼猜想的三种可能方式。 [00:24:39]
Grant Sanderson:第一种,还有今年另一个大的,是某个编号1196的埃尔德什问题,但这是个很小的想法,形式是某个领域的专长,加另一个领域的专长,在两者之间画一道闪电式连接,这种人类很容易理解,对吧,因为你只需要展示这些连接的起点和终点就行了,如果进展的性质是理论体系构建,那你就得花更多时间去理解那座新建起来的大山,因为它是一条新线索,不只是两点之间的闪电式连接,而如果进展的性质只是纯粹的蛮力,就是那种超长的东西,没有新理论,只是一条很长很长的推理链,那就会出现那种情况,就是好吧,需要一整个消化过程,所以我不觉得有一个明确的答案,我觉得要看解出来是什么样子,在理论体系构建这边,我其实很想知道,它默认会是非常人类可理解的,就像我们看到伟大数学家提出新理论那样,还是会像一座异类的大山,我们甚至需要重新处理我们惯用的那套抽象,最接近的例子大概是ABC猜想,那个常识性证明,我们也许不该深入这个,它很可能不是一个正确的证明,但基本上它是一套全新的思维方式,由日本那位,本来生育很好的数学家,提出来的,数学家们花了非常长的时间,才勉强弄懂他在说什么,但他给人的感觉,就是一块异类的数学,是理论构建,不只是一条长推理念,他管它叫什么,宇宙记记和之类的,所以你会担心的是,对会不会就是那样,最大的恐惧是,他搞出那种东西,然后就像ABC猜想一样,大家花好几年爬那座山,最后说,这根本不对,对吧,如果他最后是错的,但看起来又特别像对的,就算他是对的,爬一座新山也要费很大力气,如果我们真的走到那一步。 [00:25:47]
Dwarkesh Patel:DavidBassett写过一篇很棒的播客,叫定理经济的衰落,他在里面谈到,历史上就像你说的,数学是提出定义和问题,然后去证明关于他们的定理,而定理证明这部分,其实拿走了所有的功劳,但它本质上寄生在提出定义这件事上,历史上这在功劳分配上不是问题,因为如果你提出了定义,你大概率也会是那个证明定理的人,但现在的情况是,如果有价值的工作是提出洞见,然后AI只是自动化了后半部分,那么想象一个场景,IA对世界上很多重要猜想,给出了类似阿巴式的直接论证,然后我们就有了这些证明,接下来就轮到人类或者未来的AI去整合它们,我确信再次强调,我对这些论证本身没有任何实质理解,但我确信如果你能接触到它,会让你更容易去思考这里到底发生了什么,有没有更深层的方式去理解这个证明为什么成立,从而更容易提出群论背后的那些想法,对我觉得这会有巨大的帮助。 [00:27:32]
Grant Sanderson:因为你看探索新数学的很大一部分工作,就是大部分时候都在犯错,你在尝试解决一个问题,这个过程感觉不像是持续的往山上迈出正确的一步,更多时候感觉像是一次随机的醉汉漫步,你在做一件事,然后发现哦错了,然后不断的发现错误,所以如果你至少知道,你正在努力消化的东西,最终通向一个正确的解,那感觉就像是在进步,仅仅因为它提供了一种,知道这条路能通向答案的感觉,在近代数学史上,有很多这样的例子,感觉像是我们的触及范围,超过了我们的理解能力,有些东西在被理解之前,很久就已经被证明了,我最喜欢的一篇论文开头之一,它甚至不是一篇研究论文,更像是一篇阐述性的文章,来自一位叫TimothyChow的数学家,他当时试图理解一个叫forcing的概念,有一个叫连续筒架设的问题,他大致是在问,自然数有一个无穷大的尺寸,实数也有一个无穷大的尺寸,那中间有没有别的尺寸,答案是既是也不是,这取决于你的公理体系,它有点超出了我们常用公理系统的范围,这是个有趣的答案,但用来描述它的方法真的非常非常难懂,就是这个叫forcing的东西,在这篇论文的开头,他写道,我想每个人都知道,未解决的研究问题这个概念,但我想提出一个,未解决的阐述性问题,就是说没错,我们证明了它。 [00:28:38]
Grant Sanderson:但我们并不真正知道,它为什么是对的,然后他提出了那个,阐述性问题的一个部分解,你可以想象,我为什么爱死这个提法了,因为这就是我生活的全部,我不做数学研究,我的工作完完全全就是关于,即使一个东西已经被证明了,什么才是理解它最清晰的方式,证明和解释之间,是有区别的,所以在这一点上,我觉得你基本上触及了,这个区别的重要性,而这会成为主要的激励,或者说激励方式必须改变,不仅在数学领域。 [00:30:00]
Dwarkesh Patel:在其他科学领域也一样,从证明关于世界的事情,转变为把证明整合成问题,或更高层次的洞见,当我们之前吃午饭时,聊到你最近做的一个,关于设计的演讲,以及设计如何帮助我们理解事物,那么推到极限,一个想法的概念化,和这个想法本身,真的有区别吗,比如想想狭义相对论和时空图,这就像是一种,我们用来阐释长度收缩,和时间膨胀,为什么会发生的方式,但这是否就是现实本身。
Grant Sanderson:所以阐述在某种意义上,似乎就是解释本身,这里面有几个有意思的点,一个是那些能提出,真正新颖动见的人,往往在表达上也特别清晰,这两者之间有很强的关联,你可能会觉得,大学生的经历往往是,教他们的专家,未必是那个话题最好的讲解者,因为他们被自己的专业知识,给惯坏了,但至少在某些情况下,真正搞出全新东西的人,比如爱因斯坦,或者克劳德香农,你去读他们的论文,会发现写得非常清晰,不会让人觉得,这只是写给专家看的,你得拿把砍刀才能劈开,他们都是非常优秀的阐释者,费曼也有这个特点,非常优秀的阐释者,所以也许大脑里负责在研究层面,想出正确新思路的那个部分,同时也擅长做好解释,我觉得这和AI也有关,我们习惯性的认为,AI会成为自动定理证明器,而数学家的角色会转向我这种工作,去解释这些东西,但我有点怀疑,实际上AI也会很擅长做这个,而且很可能在解释和提炼这方面,做得比大多数人都好,这其实并不是留给数学家的事,去消化和解释发生了什么,很可能事情的发展方向就是这样,我能想象,我们也可以聊聊这为什么可能不对,但很可能,那个能想出解决新问题的,绝妙新点子的东西,同样也擅长解释它,对这是我最近想法的一个转变,你觉得你最后会做什么,或者说你还有整个数学界,人类数学界会做什么,我大概会一直做我现在做的事,直到死哪怕,如果末日论者是对的,那可能也一样,没错,因为原因是一样的,对,你知道,有句话是,给人一堆火,它能暖和一夜,把人点着了,它这辈子都暖和,我对AI的看法就是这样,开玩笑的,因为解释者,或老师的一部分功能,是给人们好奇的东西,增加清晰度,这是一方面,但另一部分,更多是关系性的,更多是提供动力,提供一种策展感,我听过一个,很有意思的说法,就是数学家,最终会变得更像是,美术馆的策展人,AI解决了问题,所以艺术品已经存在了,对吧,他们甚至知道,怎么解释的特别好,就在那里,但你仍然需要有人帮你,在这个近乎无限的空间里导航,告诉你哪些想法值得投入,有人来做这件事,而这一点,即使AI在某种意义上做得更好,我觉得我们永远会更喜欢一个,和我们有关系的人,因为我们被激发兴趣的方式,是一种社会现象,如果你是想开发某种特定的技术,那可能不一样,你需要知道那个,但我觉得听这个播客的人,他们信任你对什么是有趣话题的策展,他们来这里并不是因为你的下一个话题,是他们本来就想去了解的,他们信任你作为策展人,所以我的角色,甚至可以说其他数学家的角色,可能真的会微妙的转向那个策展方向,去判断哪些想法值得展示,这其实已经是我现在工作的很大一部分了,我觉得人们常常以为,做视频的大部分时间花在视觉上,当然是花了一点,但不是立刻就能做好的,但实际上很大一部分时间,是在决定什么,值得说什么,值得放进去,因为这就是我想投入的事,而且我觉得,我和某些人建立了信任,他们好奇,我会选择把什么推出来,即使AI做得更好,就像人类音乐家,永远会有一席之地,因为他们背后,有那种社会功能的故事,即使从模型出来的,MP3文件的客观质量更好,我大概就是这么看,我的工作前景的,我想回到之前那个问题。 [00:31:09]
Dwarkesh Patel:我们之前聊到,AI刚刚跨过了一个门槛,一个重要的基准,就是能把现有的想法连接起来,做出新发现或者证明,证为某个东西。 [00:34:39]
Grant Sanderson:就在他刚跨过这个门槛的时候,我们就在问,好吧,那下一步是什么,我想,顺便说一句,那个门槛还有很多事要做,不是说打了几道闪电就完了,我仍然觉得。
Dwarkesh Patel:未来几年会有一个,真正把东西连接起来的繁荣未来,所以推到极致,你甚至可以说,我不确定这么说准不准确,但可能很多最重大的突破,在某种程度上都是这样,就像广义相对论,不就是把黎曼几何,和狭义相对论连接起来吗,对吧,所以随着AI在这类连接能力上,越来越强,也许很多重大突破,在本质上并没有那么不同,不知道你怎么看,我们之前聊的很多。 [00:35:03]
Grant Sanderson:都集中在解题和数学的那一面,比如功课爱尔德什问题之类的,要我说可能连大部分数学家,都不会把自己的工作,描述成瞄准下一个要攻克的难题,你了解朗兰兹纲领吗,嗯,好,它甚至不太像一个数学分支,更像一种研究精神,费马大定理就是其中一个苗头,你有两个看起来毫不相关的东西,找到它们之间的联系,就导向了解决方案,朗兰兹是位数学家,他有一封现在很有名的信,基本上就是在阐述,似乎很可能还有更多这样的联系,他甚至把联系的性质,说得更具体了一些,让你可以想象一张大地图,这边有个山谷,那边有座山,那边有一片平原,很多数学家会把自己的工作描述成,试图理解这张地图上的脉络,这方面的进展,甚至不是这里有个具体问题,我们知道通过那个联系就能解决,而是因为历史上一次又一次,重大难题都是靠找到联系才攻克的,所以大家几乎是抢先去找这些联系,所以这其实很有意思,你以后碰到数学家,可以问问他们,自己工作的性质是更像朗兰兹纲领,还是更像瞄准某一个具体问题,你会得到一种很明显的两派分化,但AI成为超级连接器的可能性,感觉会是这方面探索的一个放大工具,不过这很难衡量,对吧,这又回到我们之前说的,你怎么打分说,对你做到了,如果是功课一个难题,你有明确的方式说,做到了,你可以写头条,AI公司可以发公关稿,说我们做到了,但如果只是感觉这个联系找对了,你可以围绕它写定理,这也是那个领域论文的样子,但我觉得这需要更多人类参与其中,来判断这到底是不是我们想要的那种联系,不过我猜未来五年这些模型最有用的进展,大部分会是这种真正填满那种,只有跨领域专家才能画出的联系版图,就像你指出的,我们居然还没做到这一点,这本身就有点意外,我很好奇从技术层面看,到底是什么导致了这种解锁,因为一方面你可以在脑子里解释,为什么一个人可以是所有这些领域的专家,却画不出那些联系,那就是当推理的方式,是这种自回归的chainofthought现象时,自回归其实是一种非常非常奇怪的铲除方式,你仔细想想的话,你是个聪明人,想象我把你锁在一个盒子里,你与外界互动的唯一方式,就是收到一张纸条,然后有人说,你能预测接下来会出现什么吗,你预测了接下来会出现什么,然后你的记忆被清空,然后你又收到另一张纸条,想象这个过程重复很多很多次,最后出来东西,别人说看看你写的这篇文章,你可能会看着他说,这太糟糕了,这不是我会写出的文章,因为反复预测下一个东西的过程,跟你作为写作者,去构思去推敲的方式是完全不同的,尤其是你很可能会被你的上下文所奴役,你可能在回答某个特定领域的问题,于是你调用了周围所有的上下文,一路往下走,而真正有实质内容的那个连接,本质上恰恰是一个非常不可能出现的连接,你可以做各种强化学习,想方设法去提升,但到底是什么在专门加权激励模型,去建立那些不太可能出现的联系,毕竟绝大多数这类联系,都不是那种可预测的下一个token,所以情况可能是,你确实有智能,但它被锁在那个盒子里,只是交互方式很别扭,我好奇的是,能不能偶尔去质疑一下token生成的前提,从中找到一些突破,我觉得这不会像调温度参数那么简单,但有没有什么办法,能利用现有的智能水平,找到合适的方式去激发那些联系,从而解锁我们看到的这些东西,还是说你只需要再多一点点智能,让它在预测层面就能预判出,应该建立那种闪电式的跨领域连接。
Dwarkesh Patel:我觉得与其从架构,甚至损失函数的角度去推理,不如从数据的角度去想,我们有扩散模型也能生成文本,他们产出的东西在性质上并没有本质不同,只是大家探索的还不够,我觉得更相关的问题是,不管用什么架构,什么损失函数,你喂给他什么样的数据,就会激励他产出什么样的结果,而且看起来他们确实在进步,先不说数学,我们确实有过几个这方面的例子,但如果你只看,为什么他们在自主agent的方面,做得越来越好,我觉得就是他们所处的环境里,自回归的生成,我们先退一步,在整个代码库里搜索一下,这种步骤,然后再退一步。 [00:39:20]
Dwarkesh Patel:评估一下我的错误,这就是有效的方法,我猜在科学,或数学进步的例子中,情况是,你有前沿数学难题,这些题是数学家专门设计的,需要把两个不同领域,连接起来才能解,而且我猜有各种巧妙的,部分合成的方法,可以造出越来越难,需要建立这种联系的题目,比如去掉一些假设,但仍然要求AI得出答案,这样一来,损失函数是什么,其实就不重要了,关键在于,你能不能设计出一个环境,来激励这种能力,对,感觉应该是能做到的,我当然说不上来。 [00:40:00]
Grant Sanderson:具体怎么做才能解锁这一切,但如果未来三年没有出现,更多这种闪电式的连接,你不觉得会挺让人意外的吗,我觉得这是一个很重要的思考点,我们常常只关注单个系统有多聪明,却忽略了AI还有其他方面的优势。
Dwarkesh Patel:在这个语境下,他们的关键优势是,我们可以并行化,可以任意扩展他们,这样一来,不管他们的能力处于什么水平,都不再只是数学史上,某个特立独行的天才,建立几个联系,然后在决斗中死去,而是可以普遍的,像水漫过堤坝一样,覆盖所有在能力水平上,可以解决的问题,我觉得这是数字心智,天生具备的众多优势之一,我们对此思考的还不够,其他优势还包括,他们可以融合所有知识,至少未来会有技术实现这一点,你还可以复制出知识水平完全相同的副本,但没错,我觉得这种并行化是一个非常重要的特性,我很好奇,你的预测,即使他们不如数学家聪明,但考虑到AI公司出于公关原因,正在往里砸几十上百亿美元,数量本身就会带来质变。
Grant Sanderson:这个方向感觉是对的,要我说就拿蒙哥马利和戴森,在普林斯顿高等研究院的那次对话来说,那次对话暗示了黎曼猜想,或者说黎曼ζ函数的零点,和随机矩阵之间存在某种联系,这种事感觉就是,你可以尝试去自动化的,你可以让代表各个领域专业知识的agent,基本上就是,我们都知道一个研究院比个人更聪明,把大家聚在同一个地方,就是为了促成那种偶然的对话,那么在agent之间去设计这种偶然对话,会是什么样子,这很有意思,因为你指出了可以汇集所有知识,我其实在想,其中一个优势会不会恰恰相反,就是你可以反着来,有时候一个AI失败,是因为它陷入了一条糟糕的chainofthought,而且很难把它拉出来,对吧,所以我就会干脆重新开始,人也一样,对吧,有时候你开始用某种方式思考一个问题,实际上需要做的只是退一步,也许有时候,这种形式就是,你听过一些故事,有人花很长时间试图证明什么,然后某个时刻他们说等等,如果我试着证明它不可能,或者证明它的反面呢,这种解开你自己的上下文,用全新的思路去处理的方式,你可以想象把这件事系统化,或者故意给多个不同的agent,不同的上下文片段,然后试着去比较和对比,我们没法像那样操控自己的上下文,在这个AI与数学的系列里,我们要做的第一集,会讲他们解决IMO题目的事,我想重点讲一道,他们没做出来的IMO题,这道题很多非常聪明的学生也没做出来,陶哲轩也没做出来,这道题的性质基本上是,大家对这个题非常恼火,管它叫钓鱼题,我几乎不想剧透,因为我想围绕这个来构建这一集,引导观众进入那种,在不知道它其实有个简单解法的情况下的状态,这样就能真正体会到,一个学生解这道题时是什么感觉,基本上基于国际数学奥林匹克竞赛这个背景,有一条非常优雅的路径,让你真的觉得那会是解法,这道题被放在那个位置,解法的特征真的非常诱人,但很难证明它是最优的,原因是它根本就不是,有一个几乎不用动脑的解法,才是最优的,所以这和整个AI故事的关联在于,对人类来说,回答这个问题,需要的是跳出你的上下文,跳出你身处IMO的上下文,跳出你被训练来解决,这类竞赛数学题的上下文,如果你只是把它当成一个脑筋急转弯,随便从街上拉个人来问,他们大概都能答得很好,有时候你在其他领域做人类研究时,也会想要同样的东西,有时候就是需要能够说刷新你的思维,用一个完全不同的方式来切入,所以在数字心智拥有的所有优势中,这也许真的是其中之一,就是更系统化一点,刷新你的思维会是什么样子,试着回答两个分开的问题,分出两个agent,一个试着证明,一个试着证伪,一个用这种方式试,一个用那种方式试,而且他们故意拥有不同的上下文,我很好奇,如果三年后,我们再来聊这个话题,那些登上头条的重要成果里,有多少会带有这种特征,基本上就是,擦除之前的上下文,尝试一堆不同的东西,而不是把一堆不同东西的结果,合并起来。 [00:41:44]
Dwarkesh Patel:我觉得这非常有意思,因为人们对AI的一个普遍担忧,就是上探索,意思是他们思考方式都一样,因为训练方式相似,这就是为什么他们不擅长写作,他们有点像是,总走同一条路,说话模式也类似等等,但是也许AI真正的关键优势在于,你可以系统性的听起来单位距离猜想,花了那么久才被证伪,原因之一就是人们先入为主的,认为这个猜想是真的,所以他们大多是在试图找出证明它的方法,那么也许AI的一个关键优势,恰恰就是通过系统性的尝试否定,和证明任何给定陈述的正面来增加伤,或者说能够系统性的给不同的agent,不同的偏见,说得好,在人类科学史上,有件事似乎很重要,就是爱因斯坦深受这种偏见的驱动,认为事物在不同参考系中,应该看起来一样,他还有很多其他类似的偏见,但这在他的思考中非常关键,而你可以系统性的去考察一堆启发式方法,看看哪些在解决特定问题时是有效的,对,所以你的建议基本上就是,在prompt层面系统性的增加商。 [00:44:59]
Grant Sanderson:尽管在自回归层面,会有这种不可避免的坍缩,对,我觉得爱因斯坦会是个很有意思的例子,因为它既有事物应该是真实的,这种偏好,也有上帝不知骰子这种偏好,对吧,你几乎得确保,别一不小心让你所有的LM,都成了爱因斯坦,因为你可能会在量子力学这里卡住,对,这其实正好说明,对科学来说,不存在唯一正确的启发式方法,你实际上需要的是,多个独立的研究项目,各自带着自己的启发式方法,对,这感觉就像传统的软件,对吧,只要你能以某种方式描述它,你就有传统软件,来以某种方式放大这种伤,如果你能为你想要prompt的,不同思维方式,建立一个清晰的本体论,你去探索整个本体论,然后每一个独立的思维方式,就自己跑去做它该做的事,但我觉得这里有个设计问题,就是你到底该怎么描述这些不同的方法,简单的做法是,你是在试图证明它还是证伪它,更难的做法是,去定义你能用来证明它的所有策略,并确保你在探索时有足够的广度。 [00:46:13]
Dwarkesh Patel:我觉得人们没有意识到,当你给这些模型配备一个好用的工具,比如Cursor,它们能帮你处理多少事情,显然IA在数学上的进展,比其他领域快得多,人们把领域的可验证性当作关键原因,我认为这是两个重要原因之一,但我觉得人们真的忽略了另一个,我在实验室外面,不知道里面到底在发生什么,所以这只是一个非常天真的理论,好吧,问一个跟AI在数学上,进展神速相关的题外话,为什么它在计算机使用方面,进展这么慢,计算机使用其实是非常可验证的,比如我的asset包裹发货了吗,或者我的活动预定好了吗,等等,这些都是极其可验证的事情,计算机使用所缺乏的,是可反复尝试性,因为网站有机器人检测,而且运行并行rollout,需要巨大的算力,你很难在亚马逊的,同一个结账流程上,同时跑1000个并行rollout,因为你会被AndyJassy关掉,对吧,然后他就可以亲自按下,多cash的红色关闭按钮,所以你可以尝试去复刻,每一个网站,这非常耗费人力,会拖慢你的速度,顺便说一句,目前用深度学习,来学习一项技能,之所以需要做这么多,并行rollout,是因为我们还没有解决样本效率的问题,就像JeffBezos说的,用吸管吸取监督信号,当然人们在研究很多不同的技术,但从根本上说这是一个大问题,现实世界中的大多数事情,都很难用同样的方式封装起来,编程和数学是这个规则的例外,但如果你只是想弄清楚,我怎样才能建立一个成功的新业务,我怎样才能在市场上交易,一天并赚到钱,你做不到,因为你必须与现实世界互动,而且事情每天都在变化,这意味着你无法在模拟器里不断重放,反复尝试和训练,但数学当然是例外,我觉得这实际上是推动该领域,以及编程领域进步的一个重要驱动力,它不仅仅是可验证性,还必须是可反复尝试的,人们指出的AI进展迅速的第三个原因,是他们非常关注Lean和形式化,再说一次,我对实验室里在发生什么一无所知,我感觉Lean对于AI目前的进步水平来说,并没有那么重要,或者说为什么AI能够解决单位距离问题,他们抱歉,是通过单位距离问题,证伪了那个猜想,他们发布了ChainofThought,或者至少是ChainofThought的重写版本,里面没有任何Lean的内容,我认为Lean提供的那种,基于过程的监督,也就是你知道每一步都是正确的,似乎不如拥有一个可验证,可反复尝试的结果来得重要,这个观点很有意思。 [00:47:20]
Grant Sanderson:就是说可反复尝试性比形式化更重要。 [00:49:58]
Grant Sanderson:关于Lean的作用,我试着说说看,表面上看,你可能会觉得,Lean给数学提供了,某种独特的东西,因为它能判断证明,是否正确,有那种老派的软件,可以直接告诉你,对还是错,你把它当成,验证奖励来用,但反过来,支持你观点的是,这样一个事实,早期的尝试,我还是拿IMO来举例,一开始DeepMind,基本上就是,全用Lean来做,但到了第二年,就全换成自然语言了,所以按你的说法,Lean确实不是必须的,不过我觉得形式化这个领域,还有一个尚未被充分探索的好处,那就是目前你仍然需要人来最终审核,比如单位距离猜想的那个反例,还是得有人看过说没问题,这就给无线探索这件事设了个上限,你想想AlphaGoAlphaZero那种模式,他们完全在自己的世界里,不停的自我对弈自我探索,完全可能偏离人类需要关注的任何轨道,但他们始终有那个自动化的可验证的奖励,这不仅仅是说你可以拿它来做强化学习,更关键的是,你基本上永远不用去检查,只管往里砸算力,让他们去探索围棋的宇宙,有意思的地方在于,也许这条路走不通,但我觉得现在还不能下定论,有了Lean,你可以想象一个基本上可以无限运行的程序,它不断地尝试去扩展mathlib,mathlib是一个GitHub仓库,目标是把所有的数学都用代码写出来,当然它离所有数学还差得很远,但他们的愿景就是那样,用代码写成的数学,你可以直接问这个证明,对吗,写这些证明非常费时费力,围绕它已经形成了一个不小的社区,但你可以想象,如果有一个AI,你给它一个简单的指令,去扩展Mathlib,也许你可以从Mathlib分叉一个版本出来,这样就不会有乱七八糟的东西混进去,因为人们对主仓库里该放什么,有自己的品位,你就维护一个纯AI的Mathlib分叉,然后让它跑起来,别停,它不需要任何人去检查,对吧,它可以一直跑下去,它可能会自己提出猜想,自己发展出新的理论和不同的定义,也许其中很多都是没用的,但它就是能长出一棵无限的树,这是数学独有的,其他领域都没有的特性,你可以按下启动键,然后只管往里砸算力,十年后再回来看,问它你有什么成果,它肯定能拿出点东西来,对吧,然后问题就变成了,这些东西有用吗,你怎么筛选出有用的部分,光是能做到这件事本身就很有意思,如果这样都产生不了什么有趣的数学洞见,那才叫奇怪,所以我觉得这才是Lean真正重要的地方,关于Lean在这个故事里的重要性,其实有两个不同的层面,这是第一个层面,基本上就是说你可以像夏维奇一样,完全不用人工检查就能取得进展,维奇可以做到这一点,但我不认为自然语言数学也能做到。 [00:50:00]
Dwarkesh Patel:这非常有意思,你看过Carpathy那个autoresearch的想法吗,他基本上就写了一个Python文件,用来做最基础的LM训练,然后建了个代码仓库,让ILMagent去尝试修改那个文件,如果某个修改能加快训练速度,就保留下来,还有EricZhang,他之前来节目解释过AlphaGo的原理,他在尝试构建一个超强围棋AI的时候,也做过类似的事,他有一些很有意思的观察,比如这种系统特别擅长沿着一条路跑实验,一路走到黑,但他不擅长在死胡同前及时停下,也不擅长做极度并行的探索,不过这些以后可能都会改变,想想这件事发展到极致会是什么样子,真的很有意思,说到底,这不就是人类数学研究这个机制在做的事吗,就像是一个在不断往有趣,有用的方向扩展的图书馆,而且这种方式下,你没有任何基于结果的监督,你没有一个具体的结果目标去激励它,但你有一个过程,你知道每一步都是正确的,你只是不知道。 [00:52:47]
Grant Sanderson:它是不是在朝着一个有趣的方向前进,但话说回来,如果你真这么做,你肯定不想完全跑偏,在逻辑空间里随机游走,你大概会想要一个监督模型,来提供一些启发式的判断,看某个方向有没有用,大概就是这种思路,你知道已经有人在研究这个了,这属于那种,五年后我会很好奇,想找未来的我们来聊聊,看这条路是不是完全走不通,不过陶哲轩提到过一个研究项目,基本上就是穷举搜索所有可能的代数系统,你可以想象给代数系统设定不同的公理,比如我们提出群论的时候,有一套特定的公理体系,看起来像是些随意的规则,除非你了解背后的动机,但本质上如果你把所有可能的公理都试一遍,会不会有哪个能产生有用的东西,绝大多数结果都是垃圾,要么完全坍缩,要么没有任何有趣的结论,但偶尔会出现一座小岛,一套完全不同的公理体系,至少从能推导出的定理数量来看,内容非常丰富,这简直就是自动定理证明器最擅长的事,去探索那个空间,看哪个能结出果实,也许其中一座小岛,事后你能给它赋予动机,说这套结构想刻画的就是这种东西,就像你看到群的公理,一开始不知道它跟对称有关,但事后才意识到,哇这对研究对称太重要了,你可以想象类似的结果,但不只是探索代数系统,而是任何公理的所有可能的逻辑推论,说到能不能在没有Lean的情况下提供过程监督。 [00:53:52]
Dwarkesh Patel:DeepSeek之前推出了他们的DeepSeek数学模型,还发了一篇论文讲怎么训练的,挺有意思的,他们面临的问题是,自然语言证明你没法判断对错,所以他们搞了一个验证器,然后用一个原验证器来训练这个验证器,确保在AOPS这类题目上,验证器给出的反馈是靠谱的,结果它确实有效,这就很有意思了,自然语言验证加上某种原验证,至少在已发表的文献里,看起来是可行的,而且在我们用的产品里,似乎也行得通,比如你看编程agent,他们在写干净代码,重构代码这些方面越来越强,我敢肯定背后有基于过程的,LM当裁判这类机制,在尝试提供品位判断,说嘿,这个函数写的干不干净,有没有重复的模块化形式之类的东西,我觉得这套方法对数学应该也适用,对吧。 [00:55:24]
Grant Sanderson:看起来没什么理由不行,数学比其他任何领域都更有可能,哪怕只用自然语言,你也能信任一个验证器,我们之前聊过,为什么他们在写作上不行,我当时问,为什么不能让他们当裁判,比如给两篇学生写的文章,他们能判断哪篇更准确,更有洞见,那为什么不能用一个验证器来判断,这篇文章写的好不好,也许最终的失败在于,即使他们能区分B级和A级文章,他们其实分不清A级文章,和那种你真正想读的东西,那种在substack上能追下去,有洞见,各方面都好的文章,他们反而会偏好那些毫无洞见的文字,所以回到数学上,问题就在于,单纯判断一个证明对不对这一步,本身就适合用自动验证器来做,哪怕是用自然语言,你大概还是能取得很大进展,但我还是喜欢Land那条逻辑数路线,因为你可以真正的跑偏,不受任何约束,不像以前那样被既有的表述方式限制,就像所有人都在聊AlphaGo的,第37首什么东西,能让你跳出先前的启发式判断,我觉得在探索过程中,刻意与外界保持一定距离,作为自然语言数学研究的一种补充,可能会很有成效,零的另一个意义在于,假设你有一个纯自然语言的,强化学习环境,还有一套纯自然语言的证明,人们说去吧,AI数学家,然后他们每天生成十篇论文,铲除大量东西,但如果错误率,哪怕只有一丁点错误率,AlexKontrovich也谈过这个问题,那对数学家来说就变得无法忍受了,因为你基本上会想,每次我看到这些东西,我都不确定值不值得花时间,即使100篇里有99篇是对的,我甚至不确定值不值得去通读一遍,因为找出那个错误非常费劲,而且如果最后发现,你花的所有时间都耗在一篇垃圾论文上,那真的非常令人沮丧,所以如果有任何东西,能给你一个绿色的对勾,告诉你即使这个东西理解起来很复杂,即使读起来很痛苦,但你至少知道它是正确的,其他任何领域都会求之不得,对吧,而数学就有这个,如果模型也能把他们的自然语言证明给形式化,那就更好了,所以Ling作为推动数学整体进步的验证环境,它的重要性可能被高估了,但我绝对不会把它从故事里完全抹掉。 [00:56:14]
Dwarkesh Patel:对,我也很喜欢把MathLove这个项目延伸成一个隐喻,用来形容我们文明很快就要面临的事情,哦当然,对吧,几千年来,人类一直在构建这个知识体系,积累理解和一切,现在都浓缩到了这些模型里,而在某个时刻,模型会任意的扩展它,顺便说一句,在写作这方面,我其实有个理论,解释为什么写作的进展,比其他领域慢,我觉得其中一个原因,就是你刚才说的,他们不擅长评判,不只是A和B的比较,而是会被B型号完全带偏,B型号就是那种烂文章,但它触发了所有A类文章,该有的表面特征,然后奖励破解就完全失控了,但我认为另一个重要原因是,写作不像代码和数学那样,是模块化的,你可以用很多不同的方式,写一个函数,它们基本上做同样的事,当然你希望它非常干净,但归根结底能用就行,数学里的引力也是一样,然后你可以有一个最终产品,它和产出它的方式是不同的,代码是产出最终产品的东西,你要的是一个能用的最终产品,而写作呢,最终产品就是AI直接产出的那个东西,每个段落,句子,词语都很重要,因为那就是实质内容本身,它不像写作之外,独立产出的某个东西,所以它不能是垃圾。 [00:58:34]
Grant Sanderson:代码可以是垃圾,但仍然能产出你想要的结果,但写作不行,但你刚才也指出。 [00:59:54]
Grant Sanderson:我们其实在让agent的写出,不仅能用,而且干净的代码方面进步很大,为什么这种从能用进步到干净。 [01:00:00]
Dwarkesh Patel:到可以合并的PR的能力,没有同样带来更清晰的写作呢,对这点问得好,不过话说回来,真的没有吗,我同意他们在很多方面是很糟糕的作者,但对于我阅读的很多内容,我发现直接复制粘贴到一个LM里,然后说给我解释一下,效果更好,解释会比人类写出来的东西更好,所以这很有趣,我们一边说他们是糟糕的作者,一边我的实际偏好又是,能不能直接让ILM解释给我听,即使我在跟一个人类专家,实时通话,如果那是只有他知道,没有编码在训练数据分布里的知识,我希望他解释给我听,但如果为了理解那个,我需要先理解一个更基础的概念,我宁愿如果社交上允许的话,直接说我们先停一下,我去问一下ILM这是怎么回事,然后我们再回到你独有的那部分知识上,这听起来不就是征流吗。
Grant Sanderson:解释本身就是一种征流,所以如果我在衡量你作为随笔作者的水平,比如给你一本书读,然后让你写一份读书报告,那我可能会觉得,好吧,LM给我的读书报告也许更好,但我觉得,当人们说他写作不行的时候,他们真正想说的是,写作到底是什么,他不只是对已有想法的争流,也不只是如何清晰的解释,因为他们其实很擅长解释,写作的关键在于洞察力是什么,而这正是问题所在,自回归这种生成方式非常奇怪,因为当你写作时,你隐约知道,要写出好东西,就必须包含某种不可预测的元素,这不像是在脑子里调高温度参数那么简单,而是你要确切的知道,在哪个正确的节点,做出一个不可预测的举动,那才是更有洞察力的地方,所以即使他更擅长解释已有的东西,但最初产生那本,你想要蒸馏的书的东西又是什么呢,那本书不是LM生成的,然后你只需要它,那是某个作者,通过对世界上各种想法的广泛探索,然后决定哪些方面是有趣的,以及哪种呈现方式能构成连贯,动机清晰的叙事,他们以某种方式把这一切组合起来,而且如果他们是好作者,你很可能宁愿去读他们的原著,而不是蒸馏版,所以究竟是什么让探索本身变得有价值,让你愿意把内容上传上去,我觉得当人们说他们写作不行时,指的正是这一面,就是那种不可预测性,那种刻意选择新颖。 [01:01:00]
Dwarkesh Patel:与常规生产方式,直接矛盾的东西的能力,对说得好,我觉得他们在构建,关于人的真正好的,心智模型方面也特别差,而这在写作中,是一项非常重要的技能,AnnieMatusha和另一位合作者,我一时想不起名字了,他们做了一份很有意思的报告,尝试教LM,写出好的间隔重复提示卡,我特别喜欢这个例子,因为虽然这看起来,像是一项完全随机的技能,但人们都在谈论,一年内实现地规自我改进,而我们却连让这些东西,写出好的记忆卡都做不到,这到底是怎么回事,他们尝试了很多不同的技术,而且他们都是很厉害的人,他们试了强化学习,开源模型,试了各种方法,包括chainofthought,还有他们发给最好的,闭源模型的那个巨型prompt等等,在我看来,关键的制约因素在于,写一张好的卡片,是要去投射一个人,三个月后的心智状态,去想他们会以什么方式,把问题关联起来,那一刻他们脑子里,会想到什么样的答案,以及这种激发是否能引出,你真正想从那段文字里,提取的细节,我觉得写作也类似,当你写东西的时候,这个过程之所以如此耗费心力,如此漫长,是因为你没写一个词,或者没写一句话,都应该在想,我的读者此刻脑子里在想什么,对,即使我把错词调换一下,把结尾的短语放到开头,让这个画面成为你读完整句话之前,最先浮现在脑海里的东西,这种能力,也许自回归模型就是不擅长,这更像是一种扩散模型的特性,需要从整体考虑,而不是逐句推进,但我也觉得,这需要大量的新制化能力,而这些模型在这方面,却奇怪的很吃力。 [01:02:30]
Grant Sanderson:这是个有趣的问题,他们在这方面吃力,这奇怪吗,我可能会讲的不太准确,你知道当你引用那些,你曾经读过的研究时,有时候那个研究可能并不是真的,有一个非常令人难忘的实验,假设你想测试人们的情商,你给他们看一张某人面部表情的闪卡,让他们描述那是什么情绪,网上其实有些很好的测试,会放一张脸,然后给出四个可能的情绪选项,你会发现要准确描述出正确的情绪,出奇的难,但你又能感觉到确实存在一个正确答案,如果你让你生活中的人试试,你会发现那些社交能力很强的人,做得非常好,而那些偏重左脑思维的人,就做得不太好,好,这是一种可以做的测试,我依稀记得有一个类似的实验,他们找了一些,刚打了肉毒杆菌的人,然后给他们做了前测和后测,结果在后测中,他们解读别人表情的能力,就差了很多,这感觉有点奇怪,等等,他们打了肉毒杆菌,是参加测试的人,你先做测试,然后你去打肉毒杆菌,你的脸就全冻住了,然后你现在理解,你所看到的表情的能力,就变差了,背后的想法是,理解你所看到的这种情绪,有一部分是通过你自己,也做出同样的表情来实现的,这太疯狂了,从面部层面来说,你会动自己的面部肌肉,看到对方的表情,你会下意识地模仿,然后心里就明白了,哦那是焦虑,在某种非常潜意识的层面是这样,所以从这个角度看,如果模型的心智理论能力,确实很差,那也不奇怪,他们当然什么都知道,因为他们读遍了,所有人写的东西,但要说真正能设身处地,为你着想,就像我的面部肌肉,在模仿你的面部肌肉那样,这才是我能理解你感受的原因,模型没有面部肌肉,它们的大脑运作方式完全不同,就像一个外星人在尝试共情,它怎么可能有心智理论呢,心智理论对它来说,会是一种非常凸显的东西,而我们人类可以直接把它,接入自己的思维里,我们有现成的硬件可以直接用,所以。 [01:04:14]
Dwarkesh Patel:这个很有意思,从这个角度看,这并不那么令人惊讶,好Grant,我们都是JaneStreet的合作伙伴,我猜这些年,你应该接触过不少JC的人,你觉得他们或者他们的文化,有什么独特之处。 [01:06:13]
Grant Sanderson:我今年给他们做了一个采访,挺有意思的,部分原因是他们,平时几乎没有任何对外宣传,在业界他们以极高的员工留存率著称,大家进去了就不走,那次采访算是窥见了其中的内情,我记得有人评论说,虽然大家都有职位头衔,比如研究员交易员或者工程师,但他们常常不知道,同事的实际角色是什么,因为每个人都在做各种不同的事,就算你名义上是交易员,你也在做大量研究,就算你名义上是研究员,你也在写很多代码,我猜这可能是他们留存率高的,离谱的部分原因,因为任何想要成长的人,都有机会去做很多不同种类的事情,好Grant,这次我来帮你宣传,如果你想看Grant和JaneStreet。
Dwarkesh Patel:一些员工做的完整访谈,可以访问3B1B.CO-JaneStreet,好Grant,我们接着聊AI和数学,关于用LM来学习,你有什么建议,对我来说,很多众所周知的概念,我发现它们很有帮助,但经常是多聊几句之后,我想搞懂某个东西,结果他们自己就糊涂了,或者把我也搞糊涂了,解释的方式不对,然后我就觉得,找个对的人聊三分钟,就能解开我的困惑,我不知道,然后我觉得我们会越来越想,用这些东西来学习,你作为经常谈论教育,知识呈现这些话题的人,肯定有想法。 [01:07:08]
Grant Sanderson:所以你有没有发现,什么更高效的利用他们,来理解概念的方法,我很好奇你的看法,我先说说我的,即使在LM出现之前,我觉得学习方面,一个很重要的洞见就是,要认识到跟谁学比,学什么更重要,比如给任何大学生的建议,选课的时候,少在意一点,你预先存在的兴趣,因为那些兴趣,现在多少有些随意,多在意一点,教这门课的人,是不是个好老师,是不是能和你产生共鸣,我觉得在选择,读什么书的时候,作者是谁,可能比那是不是你之前就感兴趣的领域更重要,如果你之前喜欢某本书,就去读那个作者写的其他书,而不是去读同一主题下的另一本书,我快要说到LM了,这里的区别在于,文章是由某个人刻意写出来的,他会尝试去精心构建一个动机,而维基百科,它达到的是一种局部最优解,基本上每句话都必须正确,我觉得一个好的阐述,在过程中可以少在意一点正确性,你可以刻意安排一些稍微有误,但随后会纠正的内容,而这种东西在重包环境里,是会被编辑掉的,所以LMI的解释,目前给我的感觉,很像维基百科,这当然很了不起,想象一下,没有维基百科之前的世界,要花多长时间,才能找到并甄别信息,但尽管如此,维基百科页面,最有用的部分是什么,往往是底部的参考文献,你看看那些关键文献,然后点进去读,实际上,有时候那样,能给你一个更好的全局视角,所以我经常喜欢直接问LM,我应该去读谁的东西,甚至我还可以具体说明,我想要的学习方式,我有一次就被他忽悠了,我记得当时想学半导体之类的,我觉得这东西很视觉化,但看到的全是文字,我就问,有没有什么做得特别好的,可视化很棒的数学视频,哦不是数学,抱歉,就是那种能很好解释,你正在讲的概念的可视化视频,然后Cloud就说,有啊这里有几个,排在最上面的那个,他说这是3Blue1Brown的一个视频,我当时就想,我可以保证绝对没有,不错,那确实是个真实视频,真实链接,只是把作者标错了,视频本身很好,我当时就觉得,点过去看那个视频来学东西,体验比继续跟模型来回问答要好得多。
Grant Sanderson:所以从这个意义上说,我基本是把它当成一个超级加强版Google在用,用来精准定位到对的人类写的东西,你呢,你经常跟这些打交道。 [01:10:00]
Dwarkesh Patel:你觉得最好的方式是什么,我觉得你说到点子上了,我最有收获的学习经历,都是先有一个人做出来的东西,不管是一篇文章,一本书,还是一个视频,他把相关概念,按正确的方式组织起来,并且一步步铺垫动机,告诉你为什么下一个概念,对解决你接下来会遇到的问题很重要,再下一个,再下一个,然后用LM在这本书,已经搭好的枝干上做一些修剪,我最近就在读,我记得好像是你推荐过的,StevenStrogatz那本教材,《混沌》那本,《混沌与非线性动力学》,我超爱那本书,对,我就在读那本,读起来简直是一种享受,就像你的视频变成了书一样,他真的太厉害了,读起来特别有意思,我当时的学习方式是,屏幕三分之一放,他在大学里的讲课录像,三分之一放教材,对应部分,另外三分之一开着LM,我其实在想,如果我还在上大学,现场听这堂课,肯定完全跟不上,那些学生一定特别聪明,因为我的不停暂停,翻翻教材,跟LM聊聊,然后再继续放,但有了他来规划理解概念的正确顺序,用什么问题来激发理解一个概念的动力,哦,还有一件事,LM特别不擅长,就是真正厉害的人能做到的,你问一个问题,他会说,其实你对这个话题的思考方式不太对,你真正该问的问题是另一个,这些概念的正确组织方式是X,LLM基本做不到这一点,对。
Grant Sanderson:他太顺着你了,说到底,他们特别像那种讨好型人格,总是这个问题问得真深刻那种感觉,你需要把这一层剥掉,这个观察很好,我觉得这跟心智理论有点关系,就是能意识到,你问出某类问题,其实暴露了你脑子里的结构,跟讲解者不一样,当然有时候人也会做过头,我觉得真正好的老师,比如一个初中数学课堂,如果有学生问了一个问题,表明他的思考方式跟标准不一样,其实很难在当时认真对待,先别急着说我们换个思路,而是想等等,用他那个思路能不能也得出正确答案,真正厉害的老师能像柔道一样,顺着学生那个有创意的思路借力打力,把它融进来,LM现在做不到这一点,他们不会重新框定你的问题,而是直接跑偏了,但至少可以说这大概有三个层次,LM在第一层,好的讲解者在第二层,而那种A加级别的讲解者,是能顺着你的思路借力打力,然后说你这个想法,在那个地方其实很有用,所以也许再过五年,LM也能做到这一点,而且做得更好。 [01:11:41]
Dwarkesh Patel:绕一圈又回来了,你对学生有什么建议,我相信肯定有很多学生,给你发邮件问这个问题,我本来对数学很感兴趣,对这个学科很有热情,但看到AI进步这么快,我不知道把它作为职业来追求,还有没有意义,这不只是数学领域的问题,我相信任何看到自己领域,越来越多被AI提升生产力的人,都会有这个疑问,编程跟这个就很接近,你会给他们什么建议,我给出的建议,我自己都不太信,大概得先这么打个底。 [01:12:47]
Grant Sanderson:不过就算在AI出现之前,我觉得对任何,你想从事的工作来说,搞清楚钱从哪来,你实际在创造什么价值,以及这两者之间的联系,都非常重要,我觉得大家在这方面的思考,少得惊人,尤其是学生,他们所处的环境是,想学数学往往是因为,一直擅长这个,生活中也一直因为能正确完成下一步,跳过下一个关卡而获得奖励,当他们想当数学家时,其实是想要继续做这件事,想着哪里能让人继续干这个,而不是去思考,我在给别人创造什么价值,以及这在多大程度上,是薪水流向你的原因,因为不同情况差别很大,有些情况是非常有声望的数学家,他们在大学的存在,本身就带来了品牌价值,所以大学想要他们,有些情况是,NSF给你拨款,是因为大家有一种公共利益的信念,认为基础科学有价值,并且围绕这个有一套制度,还有一整套官僚体系,试图作为我们心中公共利益的代理,然后围绕如何正确的让他们预判,你的进展符合那笔资金的初衷,有一整套繁文辞节,有时候就纯粹是教学,对吧,人们喜欢把孩子送到有专家授课的机构,这就是你在做的事,你通过作为专家提供品牌价值,然后通过当老师提供直接价值,所以不管AI能不能证明定理,不管我们是在2016年还是2026年讨论这个问题,那些想着我要当数学家的学生,对这件事想的都太少了,但我觉得这值得思考,对我来说,我当时也没怎么想过,基本上是误打误撞走上了这条职业道路,发现数学探索可以作为一种娱乐来变现,我很庆幸自己走对了,但这纯属意外,不是可以规划的,我觉得如果我当时,能批判性的思考一下,本可以不用靠运气,而是更有规划的,做到这一点,所以回到你的问题,假设定理证明,几乎完全自动化了,再假设他们还特别擅长解释,甚至能促进人类理解,我觉得数学家,所扮演的很多社会角色,其实变化不大,对吧,公众仍然会觉得,基础科学有价值,我们依然信任数学家的判断,来决定他们的时间最好花在哪里,声望来自那个圈子内部,是其他同行说这个成果很棒,而不是那个真正懂代数数论,能理解这是个好成果的,博款申请写作者说了算,所以关于什么构成有价值的贡献,会形成一种内部文化,也许重心会从证明定理,转向写出好的定义,也许是那种博物馆策展人的思路,但你仍然会有那个圈子,只要整个社会仍然认可,基础科学这个前提,而且如果我们处在AI带来的富足世界里,某种程度上,那个方向的资金可能会更多,至于机构因为讲师是谁而获得的声望,我其实觉得教学是后通用人工智能时代最稳定的工作之一,因为它太依赖人与人的关系了,如果人们财富充裕,家长就愿意把钱花在好的教学和教育上,这远远超出了讲解本身,即使ILM是很好的讲解者,老师所做的是一种非常社会化的,教练式的导师式的事情,这可能是未来50年里,最稳定的职业之一,所以就很多数学家的角色,与教学重叠这一点来说,你作为想进入这个领域的学生,可以朝这个方向靠拢,实际上我觉得应该有,更多学生认真思考,并重视成为一名数学教育者的想法,以及这能为下一代创造的价值,所以我还是那句话,我不觉得自己有资格告诉一个,有志成为数学家的年轻人,该如何看待未来,因为我只是个YouTuber,不在他们想进入的那个体制内,我是以局外人的视角在说,但这感觉像是普世的好建议,搞清楚钱从哪来,搞清楚你在其中的位置,如果你能问出这些问题,其实就已经比其他所有刚起步,想当数学家的人领先好几步了,而且说实话。 [01:13:14]
Dwarkesh Patel:我觉得在一个比较疯狂的世界里,就是五到十年内,AI不仅能解除千禧年大奖难题,还能自己提出全新的问题,开创全新的数学,领域和数学对象,在那个世界里,首先物质会极度丰富,其次AI心智走得最远,视野最超越我们人类认知的领域,恰恰就是数学,到时候会有巨大的需求,AI到底看到了什么,你能解释给我们听吗,而且这有点好笑。 [01:17:09]
Grant Sanderson:因为所有这些讨论,其实都默认了这些东西,没有实际用处,对吧,我们都没在谈这些数学成果的实际应用,所以只要它有任何一点经济效用,你可以想象那些能理解它,能决定它该往哪个方向用的人,他们作为策展人,去判断并指挥这个能产生海生量心数学的庞然大物,把它指向一个有用的方向,这种决策的杠杆效应会突然变得比以前大的多,经济价值也会高得多。
Dwarkesh Patel:我能接着这个问一下吗,显然关于AI做数学,问题不只是它能不能做,而是它做得好不好,对,或者说它做出来的东西到底有没有用,你刚才描述了群论的发展,我们当初只是想解五次多项式,想搞清楚不同函数根的一些随机性质,结果现在它在很多不同领域都有了实际应用,你能不能设想一下,如果我们真的到了一个数学被AI加速10倍,甚至100倍的世界,是会有什么了不得的事情发生,还是说我们其实会被其他领域的发展给卡住脖子,我觉得有些领域可能会。 [01:18:03]
Grant Sanderson:我是说这非常不均衡,对吧,比如代数数论上的进展,感觉不太可能直接解锁什么东西,但我也说不准,我记得跟一位数学家聊过,他更多是做动力学和偏微分方程求解那块的,他提到他们团队有一些想法,我看我能不能总结对,大概就是波音以前造飞机的方式是,先造出来,然后做一堆测试,再根据测试结果拆开重装,而他们团队基本上搞出了一些洞见,能在仿真里做更多事情,这样就不用真的去拆了重建,这给波音省了大概几十亿美元,然后波音就开始资助那个团队了,所以这个例子显然更靠近应用,因为偏微分方程本身就是那种东西,所以在那个领域的进展,你确实能想象会解锁一些东西,我不知道这算不算节约式的变化,但可能更多是像,引擎设计会变得更流畅一点,或者设计记忆形状时,不用跑一大堆复杂的计算流体力学仿真,又或者因为某些纯数学的洞见,能让你的流体仿真跑得更快更高效,我猜你会看到很多很棒的渐进式改进,但数学上的巨大突破,似乎不太可能立刻转化为巨大的经济突破,比如你解开了纳维-斯托克斯方程之类的难题,然后解锁了模拟更多东西的能力,但你很可能会在那些边缘地带。
Grant Sanderson:看到一些有意义的,从纯数学洞见向外渗透到其他领域的成果,而且话说回来,有大量的人在搞AI工程,物理工程,材料科学之类的东西,你不得不设想,他们应该能很好的审视AI的数学洞见,判断他们是否在某种程度上,跟自己相关,所以这又是一件,我不会在这里斩钉截铁做预测的事,但如果未来五年,没有出现任何能直接归功于,AI在数学上进展的,有经济价值的改进,那会有点令人失望,也有点令人惊讶,如果只是解决了一堆,凭空想出来的问题。 [01:20:00]
Dwarkesh Patel:却没有一个真正触及物理世界,那确实挺让人失望的,说到你刚才那个观点,数学史上的很多工作,就是不断堆叠概念和联系,之类的东西,对,有时候这些堆叠的东西,会互相连接起来,或者你在别的地方,发现了它的应用,至少你建起了一个,巨大的知识堆,然后随着社会在起点中,取得更广泛的进步,当我们进入起点的,工业化阶段时。
Grant Sanderson:你手里就有了,所有这些不同的想法,希望它们能在世界的,其他地方派上用场,对就像我说的,现在发生的事,有一个有意思的地方,就是它会让人退一步,问数学到底是什么,也许其中一个,让人尴尬的结论会是,天哪,过去这些年来,数学已经变得完全没用了,大家问的那些问题,已经跟物理上能应用的东西,脱节的太厉害,这可能是数学家们,不得不面对的一件事,到时候所有人都会看着说,等一下你们不是应该,如果那边进展快了十倍,为什么我们在这边看不到,然后每次我们写基金申请书,说相信我,椭圆曲线的进展,会帮助密码学的时候,这件事就会照出一束光,让人看清,也许他其实帮不上,这是一种可能性。 [01:21:02]
Dwarkesh Patel:Grant这次聊得特别开心,非常感谢你来。
Grant Sanderson:绝对的我的荣幸。
这一期是 Lex Fridman 与历史学家 Anthony Kaldellis 关于罗马帝国、东罗马帝国和所谓“拜占庭帝国”的长谈。核心结论是:拜占庭并不是一个在罗马灭亡后出现的异质国家,而是罗马国家在东方持续演化的形态;“拜占庭帝国”这个名称是后世历史叙述的发明,当时的人们、法律制度和政治共同体都把自己理解为罗马。Kaldellis 反复强调,罗马历史不是一个由单一民族性、单一城市或单一文化风格维系的故事,而是一段围绕国家、法律、公民身份、税收、军队、皇权责任和公共权力展开的政治共同体历史。
对 Kaldellis 来说,罗马国家能够跨越约 2,200 年,不是因为它没有变化,而是因为变化多数以渐进方式被吸收到同一个政治叙事中。国王、共和国、元首制、晚期罗马帝国、君士坦丁堡、基督教化、阿拉伯征服后的收缩、十字军造成的创伤,都是同一条政治故事中的阶段,而不是每一次都构成“另一个国家”的诞生。Lex Fridman 则不断把这些历史机制与现代政治、美国式帝国问题、民主制度、公共信任和人性问题联系起来,追问现代社会能否从罗马的长期韧性中学到东西。
本期最重要的判断是:东罗马帝国并非靠裸露暴力和绝对权力维持,而是靠一套令人惊讶地重视回应性、合法性和公共义务的制度运转。皇帝看似拥有巨大权力,但没有任何人天然拥有王位,因此内战、政变和民众支持的压力始终存在。正是这种脆弱性迫使皇帝、官僚、军队和城市民众之间形成持续的协商。税收、法律、请愿、竞技场中的欢呼或嘘声、军队拥立、宗教机构、宫廷官僚和地方社会共同构成了罗马国家的生存机制,也解释了为什么这个国家能在反复失地、财政压力和外部冲击后继续重组。
Kaldellis 一开始就把术语问题摆在中心:所谓拜占庭帝国在法律、政治身份和臣民自我理解上都是罗马帝国。西方史学长期把东部帝国称作“希腊帝国”或“拜占庭帝国”,部分原因是西欧传统不愿把这一千年的东方罗马纳入自己的罗马谱系。Kaldellis 认为,举证责任应落在那些声称东罗马“不是罗马”的人身上,因为史料中东部臣民始终称自己为罗马人,国家也延续罗马法律和政治形式。
Lex 用公元前 753 年罗马建立到 1453 年君士坦丁堡陷落的时间跨度来展开全局。Kaldellis 把罗马历史概括为王政、共和国和君主制三个大阶段,并提醒听众:这些阶段之间有重大变化,但变化通常不是断裂式的。像 395 年东西分治、476 年西方皇帝被废黜这样的日期,是后人用来标记漫长过程的节点,而不是当时所有人都感到世界突然切换的时刻。
Kaldellis 借“忒修斯之船”解释罗马连续性:船上的部件可以逐渐更换,但因为故事和身份线索延续,它仍然可以被理解为同一艘船。罗马史也是如此。它不是像基督教史那样可以跨国家、跨族群传播的宗教史,也不是像希腊文学那样可被不同政治共同体继承的文化传统;它首先是一个国家和政治共同体的历史,即罗马人民、罗马公民和罗马法律秩序的历史。
因此,Kaldellis 不把“罗马自豪感”当作解释帝国维系的核心。精英作者确实会表现出对罗马名号的骄傲,例如六世纪使节面对波斯人时把“罗马人”这个名字本身当作政治信用。但这些文字多来自识字精英,不能直接推断普通民众也以同样方式理解罗马身份。Kaldellis 更重视可观察的政治行为:人们是否缴税,是否向罗马法院寻求权利,是否反叛,是否愿意继续参与这个制度。
谈到公元 212 年卡拉卡拉法令时,Kaldellis 认为它既是长期过程的一部分,也是重大转折。罗马早已通过盟友关系、地方精英吸纳、城市授予和个人奖赏等方式不断扩大公民共同体。卡拉卡拉把完整罗马公民身份扩展到帝国几乎所有自由居民,使罗马不再只是罗马城及其原始族群的共同体,而成为一个跨地域的法律共同体。
更重要的是,罗马是“认真的”。公民身份扩张不是象征性姿态,而带来实际权利和机会。Kaldellis 强调,很快皇帝和最高官员大量来自行省;当君士坦丁堡后来在东方成为权力中心时,它不是把罗马性带到东方,而是在一个已经罗马化、已经具有罗马公民身份和法律秩序的背景中建立新的中心。Lex 对此特别震动,因为这意味着一个前现代帝国以现代殖民帝国难以想象的方式,把被统治者纳入了政治共同体。
本期对东罗马权力结构的分析非常关键。Kaldellis 说,皇帝表面上拥有巨大权力,但罗马没有“王位权利”:没有任何人天生合法拥有皇位。皇帝是从共和国结构中长出来的角色,早期皇帝甚至必须继续恭维共和国外观,假装自己只是“第一公民”而非国王。这个传统留下了深刻后果:即使皇帝通过暴力上台,也无法阻止别人同样通过暴力挑战他。
Kaldellis 估计,他研究的千年中大约有 120 场内战。它们通常结束很快,且不是现代意义上的意识形态战争;各方大多共享相似的政治语言,都声称自己更适合履行政府责任。君士坦丁堡约 46% 的皇帝被暴力推翻。这样的数字说明,皇帝必须持续争取军队、宫廷、首都民众和各类权力群体的最低限度支持。表现得像纯粹暴君并不能保障安全,反而更可能招致政变。
Kaldellis 用“人物形象”解释晚期罗马政府希望臣民相信的国家角色:当局行使公共权力,是为了臣民利益而非私人利益;皇帝应当主动预见问题、辛勤工作、回应请愿、追究违法官员,并且对臣民负责。这种语言出现在法律、公开宣读的敕令、请愿回复、赞颂皇帝的修辞和帝国官僚文本中。
他并不把这简单归为宣传。受马基雅维利启发,Kaldellis 认为应根据行动而不只是言辞判断政治权力。他的研究结论是,东罗马皇帝和当局总体上确实被这种语言约束,也大体会按这种公共责任逻辑行动,虽然腐败、滥权和失败当然存在。皇帝之所以这样做,不只是道德高尚,而是制度上需要臣民满意、需要税收持续、需要民众在叛乱者出现时不站到另一边。
Lex 把东罗马竞技场理解为某种人民与领导者之间的连接机制。Kaldellis 接受这种直觉,但强调它不是现代选举民主,而是一种持续性的民意检验。皇帝公开出现时,人们应当欢呼、喊口号;如果气氛冷淡、出现嘘声,皇帝就知道粮食供应、税收或政策可能出了问题。大型公共聚集地、军队集结场、圣索菲亚大教堂和君士坦丁论坛,都可能成为政治协商和权力挑战的场所。
他举 1190 年代“德国税”的例子:皇帝亚历克修斯三世试图筹钱应对德国皇帝威胁,在竞技场宣布税收后遭到强烈反对,随即后退,仿佛那不是自己的主意。这类情节说明,皇帝制度上看似绝对,实际却常常需要回应公众压力。权力的行使存在大量让步、试探和交换,这正是 Kaldellis 想解释的机制。
三世纪危机展示了罗马国家几乎被撕裂的局面:边境压力、篡位、分离政权、军人皇帝、财政和军事困难交织。Kaldellis 强调,高卢帝国之类的分离政权并不是想创造非罗马国家,而是想夺取并重建罗马权力,这说明当时政治想象几乎仍完全是罗马式的。
戴克里先的贡献在于把问题变成解决方案。既然一位皇帝无法应对所有边境和政治问题,他就通过四帝制把权力和军事任务分配给多个强人;同时扩大政府、官僚和税收系统,建立更系统的人口普查和财政框架。Kaldellis 认为,税收是东罗马国家的核心。戴克里先取消意大利长期免税的特殊地位,使帝国在公民身份、法律和税制上更加同质化;国家得以预算军队、供应边防,并在稳定环境中恢复经济和人口增长。
君士坦丁来自戴克里先体制内部,却突破了该体制试图削弱王朝因素的设计。他依靠军队支持和个人能力崛起,并在 330 年建立君士坦丁堡。Kaldellis 把君士坦丁列为最重要皇帝之一,原因不只是他赢得权力,更在于他把帝国中心、宗教方向和政治结构推向长期影响深远的新形态。
对君士坦丁堡的讨论也连到西方衰落。Kaldellis 解释,君士坦丁堡人口从小城规模增长到巨大首都,靠的是资源、人口和权力中心向东方转移。到查士丁尼时代,罗马世界的核心已经在君士坦丁堡,而意大利的罗马成了衰败的省级城市。这个倒转不是一夜之间发生,而是帝国权力重心长期迁移的结果。
Kaldellis 反对把基督教简单视为罗马帝国崩溃原因。君士坦丁之前,基督教有自己的历史想象,并不自然隶属于皇权;君士坦丁之后,基督教被带入帝国体系,开始成为国家机制的一部分。转变非常缓慢,君士坦丁时期基督徒比例仍然有限,到六世纪才更清楚地进入多数或压倒性基督教社会。
帝国通过激励和限制推动基督教化:主教获得资源用于慈善、救济、寡妇名单和地方社区支持;教会获得土地与资金,参与社会政策;同时皇帝逐步限制传统宗教活动。Kaldellis 的重点不是“信仰突然改变帝国”,而是宗教机构如何被接入税收、慈善、法律、地方治理和皇权合法性体系。基督教成为罗马政治共同体继续演化的一部分。
Lex 列举西罗马衰落的常见因素:内战、弱皇帝、经济货币危机、税基收缩、军费上升、关键省份丧失、对外族军队依赖、匈奴压力下的人口迁移、东西分裂,以及北非等富庶地区的损失。Kaldellis 的回答延续全期主题:西方灭亡不是单一日期,而是资源、财政、军事和政治能力长期转移和萎缩的过程。
东方能持续更久,一方面因为它拥有更强的税收和行政能力,另一方面因为军民结构、官僚体系、教会、宫廷和首都政治能够继续组织资源。Kaldellis 描述东罗马政府时,把军事和民事结构区分开来,也把教会视为越来越像政府机构的力量。人们并非与国家无关;即使偏远地区也通过税收、法律、兵役、请愿、地方机构和宗教网络被连接进帝国体系。
谈到东罗马政府内部结构时,Kaldellis 特别讨论太监。太监在宫廷中重要,是因为他们在继承和王朝竞争中通常不构成同样威胁;他们可以接近皇帝、管理宫廷、担任高级官员,甚至像纳尔塞斯那样成为能力极强的军事人物。Kaldellis 不把东罗马描述为单纯军事独裁,因为军队虽然对皇位有发言权,却很少被作为日常社会控制工具。
税收仍是核心。Kaldellis 认为,东罗马社会之所以被高度连接,是因为几乎没有人完全脱离税收、法律和国家服务网络。财政义务限制了某些群体,例如与土地绑定的农民,但整体上帝国仍具有流动性,尤其是军队、官僚、城市和地方精英之间存在上升通道。国家的韧性来自资源征集能力,也来自它能把征集解释为公共保护和秩序的必要代价。
查士丁尼被描绘为极具能量和野心的皇帝:出身巴尔干贫困农业社区,长期在位,发动征服战争,推动法律编纂和宗教、建筑、军事项目。Lex 说他“变得狂野”,Kaldellis 则强调他既是伟大统治者,也是给继任者留下艰难局面的皇帝。
查士丁尼的西方征服在恢复罗马疆域上具有巨大象征意义,也带来沉重成本。他把帝国过度拉伸,使继任者必须在更多战线上、以更少可集中力量应对问题。瘟疫也加重了困难,但 Kaldellis 不把之后的问题完全归咎于继任者;查士丁尼本人的扩张选择确实让核心地区变得更脆弱。这里再次体现全期方法:伟大人物重要,但个人选择必须放进财政、军事、人口和制度约束中理解。
希拉克略接手时,罗马帝国面临波斯威胁、国库空虚和生存危机。Kaldellis 也提醒,希拉克略自己是篡位者,对所继承局面并非完全无责。罗马与波斯的长期战争把双方都拖入极端消耗,波斯一度追求永久征服而非简单掠夺。
随后阿拉伯征服成为帝国史上的决定性创伤之一,与 1070 年代塞尔柱土耳其夺取小亚细亚、1204 年第四次十字军东征并列为三大领土灾难。Kaldellis 的大图景是:这些失败迅速而惨烈,但帝国大部分时间并不是连续崩溃,而是在创伤之后重组、收缩、适应,并在较小规模上恢复增长。关于圣像破坏等宗教政治问题,他也强调许多人会随皇帝政策转换立场,说明很多争论并不总是后来叙述中那样构成全民核心身份问题。
Kaldellis 的答案不是一个单因解释,而是一组相互支撑的机制:罗马身份作为政治共同体叙事持续存在;公民身份和法律把不同地区的人纳入共同框架;税收和人口普查提供国家能力;军队主要用于保护臣民,而不是日常压迫社会;皇帝因为没有天然王位权利而必须争取共识;请愿、公共仪式、竞技场和军队让民意与权力保持连接;教会和官僚提供地方嵌入;帝国在大危机后能改组而不是只会崩溃。
他尤其强调,罗马国家的统治阶层常常懂得:投资于为多数臣民服务的机构,即使臣民要为此付出成本,也有利于统治者自己的长期成功。道路、法律、教会、税收体系、军队和城市供给都不是短期装饰,而是能跨代延续的制度资产。帝国的言辞必须可信,最好还能通过行动变成现实;要让臣民相信你是合法而仁慈的统治者,最好的方法就是实际这样做。
最后一段把罗马经验转向现代。Lex 提到美国这个年轻帝国,Kaldellis 说“美国是否是帝国”已经不再像 20 世纪那样难以说出口,尤其自伊拉克战争以来,很多人会自然地把美国和帝国放在同一句话里。他批评现代美国外交政策有时在崇高言辞与实际行动之间差距很大,例如以传播民主或女性解放包装战争,这种不可信会损害政治权力的道德与战略基础。
Kaldellis 并不主张恢复君主制或皇帝制度。他承认现代民主能定期更换领导人是重要价值,但也提醒,这种体制有成本:政策团队、专家和方向会随选举更替,而长期机构建设需要持续性。历史教训不能机械套用,因为古代、农业社会和现代技术工业社会差异巨大;但人性中的野心、恐惧、爱、恨、无能、独立思考和希望仍有连续性。Kaldellis 最后的态度并不悲观:历史中有比现代更艰难的时期,人类当下也有重大问题,但许多问题是可以解决的,关键在于约束精英、建设可信机构,并把公共利益真正落实到行动中。
1. “拜占庭帝国”这个称呼掩盖了事实:东罗马臣民、法律和国家自我理解都延续罗马身份,所谓拜占庭更准确地说是罗马帝国的东方和中世纪阶段。
2. 罗马连续性不是文化静止,而是政治共同体叙事的连续。语言、宗教、首都和社会结构都在变化,但公民、法律、国家和罗马人民的故事把这些变化连接起来。
3. 卡拉卡拉法令的重要性在于把罗马公民身份扩展到几乎所有自由居民,并且这种扩展产生真实权利和上升机会,使帝国成为跨地域法律共同体。
4. 东罗马皇帝看似绝对,实则高度脆弱。因为没有人天然拥有王位,政变和内战压力迫使皇帝争取军队、首都民众、宫廷和纳税群体的支持。
5. 税收是东罗马国家能力的核心。戴克里先改革通过人口普查、官僚扩张和更统一的财政框架,为军队、边防、公共秩序和经济恢复提供基础。
6. 东罗马政府的合法性很大程度上来自“为臣民工作”的公共权力形象。Kaldellis 认为这种形象不只是宣传,它在相当程度上被制度压力转化为实际行动。
7. 基督教不是突然终结罗马的外来力量,而是逐渐被纳入帝国治理体系,成为慈善、地方治理、皇权合法性和社会整合的一部分。
8. 查士丁尼展示了伟大个人能改变历史,也展示了过度扩张的代价。他的征服和工程留下辉煌遗产,同时使继任者面对更脆弱、更难防守的帝国结构。
9. 阿拉伯征服、塞尔柱冲击和第四次十字军是迅速而惨烈的领土灾难,但罗马国家多数时间是在危机后重组、收缩和缓慢恢复,而不是持续直线崩溃。
10. 现代政治能从罗马学到的不是复制皇帝制度,而是让制度真实服务多数人、让公共言辞与行动一致、投资能跨代延续的机构,并承认权力必须持续获得可信度。
来源:Lex Fridman
URL:https://www.youtube.com/watch?v=pv1TUJSEM2k
转录来源:Lex Fridman 官方文字稿,并与本地 ASR 覆盖核对。
说话人:Anthony Kaldellis、Lex Fridman
- 剧集亮点 [00:00:00 - 00:01:24]
- 介绍 [00:01:24 - 00:01:51]
- 罗马帝国和拜占庭帝国 [00:01:51 - 00:05:49]
- 2,200 年的罗马历史 [00:05:49 - 00:26:12]
- 权力、暴力和内战 [00:26:12 - 00:47:27]
- 卡拉卡拉法令 [00:47:27 - 01:00:23]
- 三世纪的危机 [01:00:23 - 01:14:52]
- 君士坦丁和新罗马帝国 [01:14:52 - 01:26:53]
- 罗马帝国的基督教 [01:26:53 - 01:52:21]
- 西罗马帝国的衰落 [01:52:21 - 02:05:17]
- 太监、税收和权力 [02:05:17 - 02:30:24]
- 查士丁尼皇帝和征服战争 [02:30:24 - 02:47:26]
- 阿拉伯人的征服 [02:47:26 - 03:07:01]
- 罗马帝国为何存活这么久 [03:07:01 - 03:33:08]
- 历史的教训 [03:33:08 - 03:52:07]
Anthony Kaldellis:我们谈论的是一个位于帝国建设和世界新宗教主要走廊之一中间的社会。这是您可能居住的最危险的社区。 [00:00:00]
Lex Fridman:50年间有26位皇帝被谋杀。
Anthony Kaldellis:是的。这是巨大的不稳定。
Lex Fridman:这些皇帝几乎都是将军,而且几乎都被手下谋杀了。所以内战是常态,恶性通货膨胀,经济崩溃,再加上瘟疫。只是有很多混乱。
Anthony Kaldellis:这就是为什么我不认为东罗马帝国是一个军事独裁国家。尽管皇帝控制着军队,而军队本身通常对谁成为皇帝有发言权,就像我们提到的内战一样。我之所以不认为这是军事独裁,是因为他们几乎从不、非常、非常、很少使用军队作为社会控制的工具。有时这些太监非常能干,就像查士丁尼的将军纳尔塞斯一样,他在意大利的这场大规模战役中击败了哥特人。就像,这家伙是个十足的硬汉。他就是这个小老头。他年纪很大,个子很小,而且还是个太监,哥特人都嘲笑他,但他笑到了最后。
Lex Fridman:以下是与东罗马帝国(又称拜占庭帝国)历史学家安东尼·卡德里斯的对话。这是莱克斯·弗里德曼的播客。为了支持它,请在描述中查看我们的赞助商,您还可以在其中找到联系我、提出问题、提供反馈等的链接。现在,亲爱的朋友们,这是安东尼·卡德里斯。 [00:01:24]
Lex Fridman:您描述过,拜占庭帝国就是罗马帝国,称其为拜占庭帝国是帝国崩溃很久之后历史学家的发明,当时的人们认为自己是罗马人,所谓的拜占庭帝国实际上从未存在过,从所有法律和文化意义上来说,它都是罗马帝国,从未被打破。
Lex Fridman:因此,让我们在宏大的历史背景下正确理解我们的术语。什么是拜占庭帝国,为什么我们称其为罗马帝国? [00:02:18]
Anthony Kaldellis:所以莱克斯,举证责任在于那些断言我们所说的拜占庭帝国是……而不是罗马帝国的人,因为我们所有的消息来源都非常清楚这一点。我们已经知道这一点。我们一直都知道这一点。这几乎是一种认知失调,对吧?这就像当你知道某件事是这样的,但你却继续说,好像事实并非如此。
Anthony Kaldellis:那么东罗马帝国,这就是东方古罗马帝国的直接延续吧?大家都知道西方帝国在五世纪灭亡了。对于西方历史的许多概念来说,这就足够了。就像,那就是我们刚刚打电话的时候。罗马帝国于五世纪灭亡。是的,我们知道东半部幸存下来,但我们不想将其纳入我们的文化谱系中。所以我们假装它变成了别的东西。但事实上,它自称为罗马帝国。它的臣民是罗马公民。他们自始至终都称自己为罗马人。
Anthony Kaldellis:因此,西欧人想要认为东帝国是不同的东西有很多原因,这些原因创造了这些模型,他们称其为希腊帝国一千年,然后出于政治原因转向拜占庭帝国。现在这种情况正在崩溃。所以我们现在正在进入一个拥有悠久的罗马帝国的阶段。我们认识到,罗马国家、罗马政体的历史持续了非常长的时间。从古代(如古代时期)一直到 15 世纪,几乎在历史上都是非常独特的。 [00:03:22]
Lex Fridman:我认为,如果能够短暂地参观一下整个罗马国家的宏伟规模,因为它持续了 2,200 多年,那就太好了。所以它的成立时间是公元前 753 年,比方说君士坦丁堡的陷落是在公元 1453 年。那么我们是否可以尝试对所发生的一切进行总体概述?
Anthony Kaldellis:好的,首先我们有一个国王时期。这几乎是传奇,从公元前8世纪一直到公元前510年左右。这就是罗马由一系列当地国王统治的时期。国王被驱逐,共和国成立,或者我们所说的共和国成立,这是一个主要由贵族统治的政权,但也得到罗马人民的合作。几个世纪以来,这些安排以各种方式发生了变化。所以这持续了大约五个世纪。然后,在朱利叶斯·凯撒和奥古斯都·凯撒时代,共和国结束了,内战导致了帝国君主制的建立—— [00:04:25]
Anthony Kaldellis:……对,在奥古斯都统治下。所以,我们大致确定了日期,是的,公元前 27 年,类似的事情。此后,它在接下来的一个半世纪里都是帝国君主制。从广义上讲,我们可以将其分为两个阶段,一个阶段是权力中心在罗马,另一个阶段是在君士坦丁堡。而且,你知道,我们可以讨论过渡发生的日期。这些重大转变通常会持续很长一段时间。它们并不是非常突然。这就是大局。国王、共和制、君主制。 [00:05:05]
Lex Fridman:罗马王国、罗马共和国、罗马帝国。
Anthony Kaldellis:是的。
Lex Fridman:然后是西罗马帝国和东罗马帝国。
Anthony Kaldellis:是的。
Lex Fridman:那么,也许我们可以对拜占庭帝国(包括拜占庭)使用哪些不同的术语?说晚期罗马帝国也公平吗?
Anthony Kaldellis:因此,我们在东方和西方都使用晚期罗马帝国,可能是从戴克里先统治时期开始的,甚至更早一些,所以是在公元三世纪。这可能可以追溯到七世纪初。所以那个时期我们称之为晚期罗马帝国。如果你让我定义它的主要特征,它可能是税收制度和行政管理、官僚机构……后来的罗马帝国的大部分来自戴克里先和君士坦丁的改革。 [00:06:03]
Lex Fridman:戴克里先是在三世纪。
Anthony Kaldellis:是的,公元284年到305年。是的。一位非常重要的改革家。
Lex Fridman:我们会讨论它,但让我们来一下旋风,希望在某处重叠有自动魔法图像,但是——
Anthony Kaldellis:好的。
Lex Fridman:于是公元前753年,小城邦罗马成立,公元前509年,诸王被推翻,罗马共和国诞生。公元前 390 年,高卢人洗劫了罗马,我相信,除了罗马历史上的其他事件之外,这也是一个形成性的创伤,强化了罗马对安全的痴迷。事实证明,纵观其历史,人们想要从不同的方向进攻,所以你必须防守。所以有两场战争,正如我们实际上关掉麦克风所说的那样。军事行动有两种。一种是征服和扩张战争,一种是防御性战争。我们将讨论军队在其历史上如何变化,以便为一方分配更多的精力。
Lex Fridman:公元前 264 至 146 年,布匿战争和战胜汉尼拔的胜利将罗马转变为地中海超级大国。然后,就像你提到的,公元前 49 至 31 年的凯撒,凯撒越过卢比孔河,刺杀凯撒,然后是亚克兴战役,然后内战瓦解了共和国,将权力集中在一个统治者身上,屋大维,又名奥古斯都,罗马第一位皇帝,比方说。然后公元前27年,奥古斯都建立了元首制,真正低调的君主制。正式地,共和国结束了,然后从公元前 27 年到公元 180 年开始,即罗马和平时期,这是一个相对和平与稳定的时期。而我们认识的很多皇帝,那些性感、受欢迎的皇帝都来自那个时期。 [00:07:40]
Lex Fridman:我是那个时期的马库斯·奥勒留(Marcus Aurelius)的忠实粉丝。然后我们就到了公元 284 年,就是我们提到的戴克里先,他重建了国家。皇帝们摘下了第一个公民面具,这种对方式的看法,我们将讨论这个,这个,国家所呈现的角色。公元312年,君士坦丁在米尔维安桥击败马克森提乌斯,成为帝国西半部的唯一统治者,并于公元330年建立君士坦丁堡。公元 395 年,东西方分裂。 Visigoths sack Rome in 410 AD.公元 476 年,西方最后一位皇帝被废黜,西方陷落。然后我们更多地关注公元 527 年的东罗马帝国。公元 6 世纪,查士丁尼统治时期。 7世纪,希拉克略击败波斯,又败给阿拉伯人。 [00:08:36]
Lex Fridman:公元七世纪,阿拉伯人的征服仍在继续。 8日,阿拉伯人围攻君士坦丁堡失败。你有一本关于马其顿王朝的好书。然后是十字军东征,最终导致君士坦丁堡于公元 1453 年陷落。作为一个了解整个历史、关注东罗马历史的人,我刚才说的有没有明显的漏洞或者不正确的地方? [00:09:36]
Anthony Kaldellis:不,没有什么不正确的。我想说,如果你想制作一个非常快速的历史时间表,那么显然重要的是要关注大量领土被外国入侵者占领的时刻,而这实际上是三个主要时刻。 630 年代有阿拉伯人的征服。这是十年。十年后,那场战争失败了。这是塞尔柱土耳其人在 1070 年代对小亚细亚(现代土耳其)的征服,这一过程非常迅速,后来部分逆转,但只是部分逆转。然后是 1204 年第四次十字军东征,当时主要来自法国的军队洗劫、征服君士坦丁堡,并尽可能地肢解帝国。它并没有持续那么久。罗马人设法重新集结并恢复元气,但这是三个主要的危机点。 [00:10:14]
Anthony Kaldellis:它们速度非常快,但造成的伤害却令人难以置信。在它其余的历史中,它作为一个国家和社会总体上处于整合、重组以及缓慢而稳定的经济增长之中,领土扩张规模不大,但持续推进。所以我们可以谈谈这个。我认为,从大图景看必须记住这一点:失败来得很快,而且很糟糕,但它历史中的大部分时间都是缓慢增长。 [00:11:16]
Lex Fridman:有一些创伤性事件会产生重大影响,但我们将讨论的许多事态发展可能看起来或感觉像是在某个特定时刻,政府或军队的结构方式出现了这些发展或变化,但实际上这是一个渐进的过程。 [00:12:00]
Anthony Kaldellis:确切地。
Lex Fridman:这就是我们必须不断应对的紧张气氛。
Anthony Kaldellis:是的,所以作为历史学家,这是一个方法点,而且非常重要。有时,拥有巨大权力的个人会做出影响其他所有人的选择,并且对下游产生长期影响。例如,君士坦丁皈依基督教,对吗?不是任何人都可以拥有或预测到的。好的。除此之外,我们通过具体日期确定的大多数发展,就像你提到的395年,东西方帝国的分裂,这些都是传统的日期,我们用它们来实际捕捉实际上是一个更长的过程。两半之间没有分裂。这是对东部和西部的一个儿子和另一个儿子的众多管辖权分配之一。
Anthony Kaldellis:这两部分随后重新结合,然后又在不同的皇帝手中再次分裂。这只是一个过程,因此我们有时会使用固定日期来表示实际上是一个过程。或者对于 476 年,即西罗马帝国的灭亡,这只是最后一个日期。这实际上是一个非常漫长的过程,需要几十年的时间。正确的?所以要记住这一点,有时我们谈论的是流程,有时我们谈论的是具有长期后果的非常离散的事件。是的。 [00:13:09]
Lex Fridman:对于一个延续了2200多年的罗马国家来说,这也许是一个不可能的问题,但是否有一种贯穿整个罗马帝国历史的主线、一根线、一个灵魂呢?正如你所说,这是一个缓慢的转变和演变。但如果我们敢称整个事物为罗马、罗马、罗马国家——
Anthony Kaldellis:是的 [00:14:00]
Lex Fridman:……是否有某些方面、某些特征贯穿整个事情?
Anthony Kaldellis:我想是的,是的。顺便问一下,你知道忒修斯之船的比喻吗?好的。所以,以防万一观众不知道,这是有一艘船的时候,你知道,它在海上,随着时间的推移,那艘船的每个部件都被其他部件取代,所以到故事结束时,它已经没有原来的部件了。但从某种意义上说,因为那个故事,它仍然是那艘船,对吧?那个……好吧。所以罗马史不同于比如希腊史或基督教史,对吧?基督教历史是宗教的故事。它可以发生在任何国家、任何族群之中。在这里,那里,对吗?它无处不在。但你仍然有基督教的历史。比如说,希腊文化也是如此——
Anthony Kaldellis:……或者希腊文学,对吧?它不是某个特定国家的函数。众所周知,古希腊人从来没有统一过一个国家。但人们在文化上接受这种传统作为他们的精英声望文化,并与荷马、斐罗和柏拉图等人交往。他们可以在任何地方。罗马历史并非如此。罗马史非常明确地是一个国家或政治共同体的历史。因此,这是罗马人民、罗马公民这个共同体的历史。它处在渐进演化之中,但在这段历史中从未出现过让其成员认为发生了戏剧性断裂、自己不再属于这个故事的断裂点。
Anthony Kaldellis:因此,就像我刚才提到的那艘船一样,换句话说,它是你讲述的故事,只有当你在故事的背景下看到它们时,它所发生的变化才有意义。罗马历史也是如此。是的,有变化。就像,最终一切都会改变。但变化发生得如此缓慢,以至于生活在其中的人并不会这样感受到。因此,罗马人民历史的叙事把这一切维系在一起。 [00:15:33]
Lex Fridman:这有多重要,所以你提到了希腊文化。所以我的很多希腊朋友都为自己是希腊人而感到非常自豪。有些文化会以自身为荣。 [00:16:02]
Anthony Kaldellis:当然。
Lex Fridman:而这不是一时的、短暂的东西。它感觉像是延续了许多代人的东西。因此,它是一种穿越时间传播并推动文化前进的引擎。那么类似的东西是否也以不同方式适用于罗马帝国?也许因为你说它是一种政治共同体,这意味着一组理想。我们会谈论,因为我认为,通过东罗马帝国,这些理想变得更加具体和明确,因为你谈论的一件事是帝国的公民都是相互联系的,他们是——
Lex Fridman:……参与到整套机制之中。不管怎样,这是一个复杂的问题,我敢说,是否有一些希腊自豪感的元素,是否有某种罗马自豪感在传播这种东西?
Anthony Kaldellis:噢,完全有。你可以找到确实表现出这一点或谈论这一点的作者和历史行动者。但我们不想把它作为故事中心或任何分析的基础,因为你在希腊朋友身上观察到的东西,也是现代民族建构的结果,是现代教育体系和民族身份的结果,而这些身份通过各种媒体和制度被培育和创造出来。这完全是另一种情况。你在古代共和国或中世纪国家中看到的,更像是一种接受统治、并在这个特定政治共同体中统治与被统治的共识。现在,它的一些成员肯定也确实有这样的骄傲。 [00:17:06]
Anthony Kaldellis:我给你举个例子。比如六世纪有一位使节正在和波斯人达成协议。波斯人持怀疑态度,因为罗马人并不总是可信。但这个人对他们说:“让我告诉你们,你们是在和罗马人做交易。罗马人。这个名字已经说明了一切。”你会感觉到,他是在表达一种作为罗马传统承载者、代表皇帝和罗马帝国发言的自豪感。对他来说,这是一件非常重大的事。你能找到这类例子,所以这些人确实存在。但我不想把它作为分析整个社会如何运作的基础。
Anthony Kaldellis:在大多数情况下,它更像是一种共识:臣民或公民,无论你怎么称呼他们,因为能获得相应回报而同意纳税、同意由政治权威统治,并且对一组相互责任有某种理解。而我关心的问题之一,就是解释这个社会如何能维系这么久。骄傲,是的,在某些人中,绝对如此。你能在史料中看到它。但史料是由识字者、通常是精英写成的,所以这只是人口中的一小部分。我们不能自动把他们的态度扩展到所有人身上。 [00:18:34]
Anthony Kaldellis:因此,在处理其他人时,我们必须使用不同种类的材料和不同种类的假设。我们不能只是预设他们都为自己是罗马人而自豪。他们本来可以的。不过我们不知道这一点。我们能看到他们身上的其他事情。例如,他们缴税了吗?他们有没有试图反叛并脱离帝国?这些才是我会寻找的事情。 [00:19:18]
Lex Fridman:自豪感是一个组成部分,但还可能有其他解释和因素,比如用来解释是什么激励一名士兵保卫首都。比如,是什么促使特定的人纳税。然后,这是我们肯定会谈论的事情。但从大局来看,如果不同时期的罗马人相遇,他们之间会有多大的不同呢?就像,如果我,如果我给你带来......这是其中之一,你知道,有像......你可以对食物进行盲味测试。
Anthony Kaldellis:百事可乐和可口可乐。 [00:20:15]
Lex Fridman:百事可乐和可口可乐。如果我把王政时期、共和国时期、早期帝国时期的罗马人带到你面前——
Anthony Kaldellis:我的意思是,我经常被问到一个更激进的版本:如果你取一个大约 1453 年左右的罗马人、这个罗马国家的臣民,把他与古代共和国时期的人比较,或者在想象中让他们见面。就像,如何——
Anthony Kaldellis:……他们能否就身为罗马人的意义达成任何共识,并承认彼此属于该政体?这,这是一件非常困难的事情……就像,现在,我可以指出他们最终会发现的一些东西。如果你告诉他们:“你们都是罗马人,都来自这段漫长历史,现在你们要找出共同点。”我认为他们能找到一些东西。但在我们谈那些之前,如果你想深入这个问题,我们先说,这个问题甚至可以用于生活在同一时代的罗马人。
Anthony Kaldellis:我的意思是,如果你把一位西塞罗时代的参议员和一位来自罗马贫民窟的人(可能是上一代将军从东方带来的奴隶的儿子)放在一个房间里,然后说:“现在,你们讨论一下。你们都是罗马人。你们有什么共同点?”他们可能也很难说出有什么共同点。 [00:21:16]
Anthony Kaldellis:正确的?所以不要低估生活在同一时代的罗马人在经历和生活体验上的巨大差异。重要的是变化一直在发生,而在我看来这种变化是累积性的,最终形成了君士坦丁堡讲希腊语的东正教基督徒罗马人。乍看之下,他们似乎与共和国时期罗马城里讲拉丁语、非基督徒或崇拜古代诸神的罗马人几乎没有关系。这些处境非常不同,毫无疑问,他们彼此看起来、感觉起来都会像外国人,对吧?
Anthony Kaldellis:问题是,为什么我们会假设像哈德良这样的人,对吧,一位来自二世纪的皇帝,是一个非常国际化的人物,他和他的希腊情人一起环游帝国,写诗,留着希腊胡须,热爱希腊文化,并且与来自中共和国的某个人有很大关系,他是一个追赶萨姆尼特人牛群的战士。我的意思是,然而我们理解历史的方式却是:不,这些人属于同一个整体。哈德良和这位公元前四世纪的古罗马人。但我们却不把哈德良和几个世纪后与他很像、通晓希腊语和拉丁语的某位皇帝放在一起—— [00:22:20]
Anthony Kaldellis:……有点国际化,你知道,他读同样的东西,因为我们假设罗马和拜占庭之间存在这种断裂。 [00:23:06]
Lex Fridman:我们可以尝试分析这一点的一种方式,是跨时间观察社会中的一个非常具体的角色。例如,我们可以看士兵,看他们如何解决暴力问题。这是一种方式。所以你让我意识到,我们可以选择社会上 1000 种不同的职业和职位,真正具体地观察世界的经历是什么样的。其中一个就是跨时间看待暴力的方式;另一个就是跨时间看待政府角色的方式。
Anthony Kaldellis:这是一个很好的表达方式。以士兵为例。他们立下誓言。正确的?现在,我们没有针对每个特定时期的宣誓。我们有一些近似文本,也有一些关于内容的线索,但我们知道,在帝国的所有世纪里,罗马士兵都会宣誓。有时他们可能会添加基督教公式之类的东西。在那之前的某个时候,不是。但他们基本上发誓要保护共和国,或者取决于他们使用什么术语,或者帝国或皇帝。他们很快就会认识到这一点。就像,如果,如果他们随着时间的推移见面并说,“嘿,你的誓言是什么样的?”他们背诵了这句话,这对他们来说很有意义,对吗?
Anthony Kaldellis:或者以一位经营企业的女性为例,对吗?来自帝国的任何一个世纪。尤其是你走得越晚,根据罗马法,这个女人就越有能力这样做。当然,你知道,罗马法关于财产、继承和婚姻,而且还有关于谁可以做什么、女性可以处理哪些财产以及在什么情况下的规定。这是罗马女性所具有的许多其他文化所没有的共同点。所以我给你举个例子。比如说,在10、11世纪,有一些犹太妇女生活在东罗马帝国—— [00:24:41]
Anthony Kaldellis:......他们意识到他们在罗马法庭比在拉比法庭拥有更多的权利,并且他们将争议提交给罗马法庭。现在,问题是,对于罗马人来说,这些是财产问题……而不是宗教问题。但对于拉比来说,这些都是宗教问题。但罗马法庭胜过犹太法庭——……在帝国里,对吧?于是就出现了这样一种情况:犹太女性比其他地方的犹太女性拥有更多权利,因为其他地方没有罗马法在运作。就这样吧。正确的?就像,这些事情很重要,对吧?这是帝国法律所产生的结果。 [00:25:26]
Lex Fridman:这其实是法律与宗教机构在整个东罗马帝国中一种很有意思的互动。所以你认为,尽管正如我们将要讨论的那样,各个皇帝的个性各不相同,而且他们经常受到尊敬、庆祝、批评和谈论,但晚期罗马帝国向其公民投射了一个贯穿其整个历史的一致形象。你能解释一下你的意思,并描述这个人物形象的不同具体特征吗? [00:26:02]
Anthony Kaldellis:是的。这个人物形象,就是政府、皇帝、宫廷、发言人和官僚机构希望臣民认为整件事所代表的东西。比如,如何使用权力、为什么使用权力以及为谁使用权力,对吧?他们通过在整个帝国颁布的法律来做到这一点。例如,有时他们会在教堂宣读这些法律,或公开发布这些法律。他们肯定渴望将这些想法传达给尽可能多的人。但它们也是帝国修辞的一个功能,所以你赞美皇帝的方式,你谈论皇帝的方式。你会在请愿书中看到这种语言,因此这是这个社会一种极其重要的黏合剂:基本上任何人都可以就几乎任何事情向当局请愿。
Anthony Kaldellis:这在技术上是不正确的,但有很多请愿活动正在进行。所以,你知道,如果你觉得有什么问题或者你受到了不公正的对待,你可以向地方官员,甚至朝廷官员请愿。你可以向皇帝请愿,你可以……对吧?我们期望该请愿书能够被阅读、处理和答复。它可能不会以你想要的方式得到答复,但它会得到答复。这些回复也包含这种语言,对吗?那么这些就是皇帝们传播这个人物形象的不同媒体,那个人物形象是什么?基本上,当局对其臣民的需求做出回应,他们往往负有责任。 [00:27:30]
Anthony Kaldellis:换句话说,他们明白自己正在行使公共权力,并且他们的任务是仅为其臣民的利益而行使权力。他们一直这么说。也就是放弃任何私人利益。换句话说,当局会说:“我们这样做不是为了我们自己的利益,而是为了你们的利益。”同时,他们还表现出主动性。所以皇帝们经常说,“我们正在提前计划。我们,我们正在努力预见你们可能遇到的问题,并在你们遇到问题之前解决它们。” [00:28:10]
Anthony Kaldellis:他们也非常努力地工作。这么勤奋。事实上,他们一直使用的陈词滥调之一就是失眠。皇帝们一直说:“我为此失眠。我晚上睡不着觉,因为我太担心你们的问题以及如何解决它们。”例如,查士丁尼被公认为不眠皇帝,并不是因为他是一个头在宫殿里自行漂浮的恶魔,有些人认为他是一个恶魔。
Lex Fridman:是这样的吗? [00:29:12]
Anthony Kaldellis:是的,这是一件事。
Lex Fridman:好的。
Anthony Kaldellis:这是一整件事。
Lex Fridman:但工作这么辛苦,却睡不着觉——……没有时间睡觉。
Anthony Kaldellis:他是一个工作狂。甚至他的敌人也承认这一点。他整夜不睡,随时把官员叫来谈各种事情,比如战争、建筑、法律、宗教、神学等等。所以皇帝们正在投射这个形象,对吗?这就是我所说的人物角色。这种人物形象强调代表臣民不知疲倦地工作,负责任地工作,回应臣民并承担责任。换句话说,如果我的某位官员违法或压迫你,我会给你一些工具,比如法律工具,用来追究他们的责任。
Anthony Kaldellis:这就是人物。它非常一致,我认为这是把这个社会维系在一起的机制的一部分。换句话说,如果臣民认为他们的皇帝是这样的,对吧,他们更有可能同意本质上纳税的共识。
Lex Fridman:你可以区分言辞和行动、当局所说的和他们实际做的。因此,当你说到现代的人物角色时,其中一些可以被重新定义为宣传——例如。宣传意味着言辞,言辞和行动之间存在很大差距。你说你从阅读马基雅维利中学到的一件事是,我们应该根据人们所做的而不是他们所说的来判断他们。那么,罗马帝国政府所拥护的政策有多少只是说说而已,而他们的行动又有多少是真实的呢? [00:30:17]
Anthony Kaldellis:是的。这是我从阅读马基雅维利中学到的一个重要教训,我发现这是一种非常有洞察力的政治思考方式,我建议任何人都练习这种看待世界的方式,对吗?人民、国家以及有权势的人可以说任何他们想说的话。归根结底,重要的是他们实际做了什么。这并不意味着他们所说的无关紧要,即使这与他们所做的不一致。但尽管如此,就东罗马国家而言,我的研究表明,皇帝和当局的言论总体上是真诚的。换句话说,我发现他们总体上都会按照他们所说的去做。显然,并不完美。
Anthony Kaldellis:当然,我们谈论的是人类。对,人类社会,有很多,你知道的,腐败,凡是你能想到的。虐待——……当然。当然有。但总的来说,我认为人们对皇帝实际上正在这样做有足够的了解,并且他们实际上受到激励这样做。我们可以谈谈如何做。因为他们也处于相当脆弱的境地,所以他们需要他们的对象在这方面相对满意。 [00:31:48]
Lex Fridman:这对你来说不奇怪吗?所以,你知道,从外人的角度来看,罗马皇帝,即使是在东罗马帝国,技术上也拥有很大的权力。甚至有些时候可以说是绝对的权力,但他们却似乎忧心忡忡……为了让帝国的所有人都高兴。这怎么解释呢?比如,如何解释东罗马帝国言辞与行动之间的微小差距? [00:32:18]
Anthony Kaldellis:有很多事情,但最终是没有王位的权利。这是罗马政治矩阵的一个功能。换句话说,这有点悖论。我们所说的罗马共和国是罗马历史上最帝国主义的阶段。就像罗马人完成大部分征服的时候一样。这样一来,我们所说的帝国就不再是帝国主义的了。这在方法上更具防御性,对吧?然而我们的条款在这方面有点不匹配。帝国更多地是因为它有一个皇帝,而不是它从事帝国主义。这位皇帝是从共和国中诞生的。
Anthony Kaldellis:但以一种非常奇怪的方式脱离了共和国。换句话说,不是作为一个创建国家的王朝。举例来说,如果你想到奥斯曼帝国和许多其他帝国,他们……整个事情的存在是因为这个王朝从事征服,并且——……成功地创建了国家,所以王朝就像是国家的核心。但在罗马帝国,情况却并非如此。皇帝是一个在共和国内出现的人物,为了在内战后创造和平,这些皇帝不得不在很长一段时间内假装自己不是真实的自己。 [00:33:40]
Anthony Kaldellis:基本上就是继续迎合共和国这个观念,也许只是说它有一位第一公民。“不,不,我不是国王。我只是拥有这个职位、那个职位和另一个职位。” “无论参议院给我什么。”现在我们知道那是一种外观,但他们必须创造这种外观本身就非常重要。 [00:34:19]
Lex Fridman:我们能不能在这一点上多停留一下?我的意思是,其中有多少……因为你说他们必须创造这个外观。整个事情的始作俑者、罗马第一位皇帝奥古斯都必须这样做吗?因为他一直表现得好像他不是一个绝对的……君主,他本可以变得铁杆,摧毁参议院,只是完全铁杆统治,独裁。
Anthony Kaldellis:那他怎么治呢? [00:35:09]
Lex Fridman:所以,所以他想成为一个有效的统治者,而且他也不想被推翻。
Anthony Kaldellis:确切地。因为你结束了一场内战,并不意味着不会再有另一场。你必须创造一种共识,让人们不想再发生内战。如果他照你说的做,理论上他本可以那样做,但那只会导致更多战争,对吧?所以问题在于,皇帝即使通过暴力上台,也无法阻止其他人试图通过暴力上台,因为正如我说的,没有人对王位拥有权利。
Lex Fridman:我们还应该多说一件事,我敢说,但似乎骚乱和内战是系统的一个功能,而不是一个错误。这与现代的情况有所不同,因为内战的威胁,一场暴力内战,你推翻政府,并且有很多……死亡和权力斗争始终是一种威胁。这就是另一种激励,我想这是棍子而不是胡萝卜,是迫使皇帝守规矩的棍子。
Anthony Kaldellis:是的。这是主要的。换句话说,就拿我研究的千年来说吧。大约有 120 场内战。现在,这些通常非常快。它们很快结束,而且从来不是关于意识形态。所以它们不像现代内战。正确的?这与奴隶制或国王的权利或其他什么无关。不,不,不。他们只关心谁拥有权力。各方都有相同的意识形态。他们以同样的方式谈论政府责任,对吧?他们只是在竞争谁是最适合做这项工作的人。正确的?所以一旦出现这种情况……这可能不是内战,也可能是宫廷政变,也可能是首都的某种战斗—— [00:36:22]
Anthony Kaldellis:……类似的事情。一旦每个人都站在自己一边,你就有了胜利者,那就是皇帝,你经常会推翻以前的政权。我会给你一些统计数据。君士坦丁堡大约有 46% 的皇帝是通过暴力推翻的。 46%。这几乎是一半。 [00:37:06]
Anthony Kaldellis:正确的?所以这是一个巨大的数字,这意味着每个皇帝都是脆弱和不安全的,他们知道这一点,对吗?因此,他们必须做的是确保这种情况不会发生在他们身上,而做到这一点的方法不是逮捕并处决所有你认为可能构成威胁的人,或者只是表现得像卡利古拉或尼禄。那只会害死你。就像,他们知道这一点。因此,避免这种命运的最好方法是实际做一些能让人们高兴的事情,这样,如果叛乱分子决定出现,他们就不会支持叛乱分子。有时还会出现叛逆者。君士坦丁堡有一种惯例,就像如果你……
Anthony Kaldellis:有时你会想,“嗯,那个皇帝很不受欢迎,我想我可以推翻他。”你要做的就是沿着中央大道游行——……而且,你知道,你会让你的人民号召君士坦丁堡的民众集会,你知道,也许去圣索菲亚大教堂,然后聚集一大群人,要求罢黜皇帝,你知道,也许会——有时确实如此,有时却没有,叛乱者或想要叛乱的人会沿着梅塞大道前进,人们会逐渐消失,然后他会独自一人……并前往圣索菲亚大教堂寻求庇护。正确的?所以这就是一次夺权尝试。 [00:38:06]
Anthony Kaldellis:那是有人在争夺王位,而结果却是灾难性的。其他时候,人们出来是因为他们讨厌皇帝,他们把皇帝拖出去,割掉他的鼻子或者其他什么。所以皇帝们一直试图防止这种事情发生,而最好的办法就是赢得善意。
Lex Fridman:我试图进入那种世界,因为它与我们今天生活的世界不同。 [00:39:07]
Anthony Kaldellis:是的。
Lex Fridman:政府内部不断有政策制定的内部运作。
Anthony Kaldellis:是的。
Lex Fridman:但对权力的制衡,就像字面上的意思一样,“我们会谋杀你。”
Anthony Kaldellis:是的,这取决于时期。有时会谋杀你,有时会弄瞎你,有时会割掉你的鼻子,但也有一些时期——
Lex Fridman:谢谢你的细微差别。
Anthony Kaldellis:……不,有些时期更文明。基本上,你会退休到修道院。
Lex Fridman:正确的。
Anthony Kaldellis:好的。你说得对。所以选举的作用是这样的。选举赋予政府为期四五年的授权,我不知道,在此期间,你可能不受欢迎,但由于制度的原因,你是合法的,对吧。而在君士坦丁堡,我们没有这样的机构。我们拥有的是一种持续进行的公投。我们称之为永久公投,对吗?
Anthony Kaldellis:事实上,皇帝们在某种意义上是在进行民意调查,因为他们出现在公共场合。当他们出现在公共场合时,每个人都应该欢呼并高喊口号,对吧,就像口号一样。正确的?所以竞技场里有 100,000 个人都在高喊“值得”或“为你而战,奥古斯都”之类的口号。如果这种情况发生,那就太好了。但如果你出现在竞技场里,人们情绪低落,或者呼喊声有点冷淡,或者他们在发出嘘声,那你就知道出问题了,对吧?所以你必须找出问题所在。可能是粮食供应不正常或其他什么原因。因此,皇帝们迫切希望解决这些问题。 [00:40:07]
Lex Fridman:竞技场是君士坦丁堡的一个大型聚会场所,我猜很多人都聚集在那里,根据政策进行这种欢呼或不欢呼——
Anthony Kaldellis:是的 [00:41:01]
Lex Fridman:……以及皇帝是否受欢迎。这就是民主。我为使用这个词道歉,但是——
Anthony Kaldellis:是啊是啊
Lex Fridman:……在我们对其含义的理解中,因为现代民主的含义是,人民在某种程度上与谁领导以及他们如何领导有联系,而这就是——竞技场就是人民和领导人之间的联系。
Anthony Kaldellis:是的。如果你愿意,我们可以谈现代民主。那是,我对……现代民主有自己的看法,你知道,它是如何运作的,如何不运作的,无论如何,它是否是民主,事实上,因为还有其他民主模式,比如——
Anthony Kaldellis:……古代雅典民主,那完全是另一回事。但你是对的。所以这不仅仅是在竞技场。这是人们大量聚集的地方。所以这也可能是军事集结场,对吧?所以军队。军队在某种意义上也是罗马人民,而且在某些情况下,是其中最具决定性的部分,对吧?因此,如果一支军队聚集在一起,他们决定想要一位不同的皇帝,那就很严重了,这种情况也可能发生在各省。这不一定非得发生在君士坦丁堡。还有圣索菲亚大教堂,所以人们聚集在教堂里,或者聚集在君士坦丁论坛这样的公共场所。
Anthony Kaldellis:因此,这种情况可能发生在任何有大量人员聚集的地方,我不知道你是否想称其为民主,但这绝对是一种大众的形式,比如说协商和共识的检验。我再举一个例子。因此,在 1190 年代,皇帝——亚历克修斯三世——受到了德国皇帝的威胁。德国皇帝基本上是,“你,你,你付我一大笔钱,否则我就入侵。”简直就是直接敲诈勒索。亚历克修斯决定,“好吧,我要,我要收集这笔钱。我要征收这些税。”他把人们聚集到竞技场,说道:“你知道,我们要缴纳德国税。” [00:42:19]
Anthony Kaldellis:他称之为“德国税”。竞技场里对此爆发了如此强烈的抗议,以至于他马上改口说:“呃,那不是我的主意。我不知道这是从哪儿来的。不,算了,我们不会征收德国税。”幸运的是,德国皇帝后来去世了,什么也没有发生。但这能让你看到,当皇帝发现人民反对某项政策,比如税收政策时,他们真的会退让。所以,是的,有这种给予和索取。所以从制度上看,皇帝可能如你之前所说显得是绝对君主。实际上,没有。不是。那些那样做的人结局都不好。 [00:43:00]
Lex Fridman:我们应该说,说到这里的困惑,君士坦丁堡竞技场是拜占庭首都的主要体育场和社交中心,主要用于战车比赛和帝国仪式,今天仍然存在于伊斯坦布尔的苏丹艾哈迈德区。我之所以查这个,是想看看有多少人。它的形状是一个长长的 U 形赛马场,有一个中央屏障和分层座位,可以容纳大约三万到十万名观众,但由于考古遗迹有限,确切的容量存在争议。那是很多人。
Anthony Kaldellis:三万绝对是一个不容小觑的数字。竞技场仍然在那里。我的意思是,你可以看到它,就像卫星照片一样。它的形状还在那里。 [00:44:19]
Anthony Kaldellis:事实上,建筑的某些部分,Sphendone,南侧的吊索仍然在那里。你可以绕着它走一圈。它就在宫殿旁边。换句话说,皇帝不必走太远。现在,有时会发生更换皇帝的事件。所以说皇帝在睡梦中去世,没有继承人。例如,这发生在 491。于是,人们聚集在竞技场,与朝廷讨论任命谁。现在,在这种情况下,完全有可能有人在竞技场中,不仅仅是看台上。我认为一些军事单位可能只是排列在那里而不是在看台上。
Anthony Kaldellis:因此,看台上容纳的人数可能会超出我们预计的人数,因为他们当天没有比赛。 [00:45:10]
Lex Fridman:我们应该说,所以,我认为第一段强调的是体育赛事和娱乐赛事,对吧?比如帝国仪式。但那里也常常是一种政治集会。竞技场不仅仅是为了运动。在这里,皇帝出现在人民面前,举行欢呼、公开惩罚和政治示威,马戏团的敌对派别,蓝、绿、红、白,成为强大的社会力量,有时甚至是准军事力量。这种情况一直持续下去。所以这是一个地方——
Anthony Kaldellis:哦,这是一个非常重要的地方。是的
Lex Fridman:……让人们能够与领导者交谈。
Anthony Kaldellis:是的。有时发泄一下。甚至辱骂他们。
Lex Fridman:是的。这很有趣。我的意思是,这就是人类文明。它趋向于一种显然有效的机制,因为东方帝国已经存在了一千年。就是这样,这很有趣。作为人类,在我们的整个历史中,我们试图弄清楚,好吧,我们如何弄清楚如何以他们所代表的方式来管理大量的人类,以他们不骚乱、不叛逆的方式。以我们作为一个民族共同繁荣的方式,所有这些,所有这些东西。所以这是一个真实的……东罗马帝国是对似乎有效的东西的真实研究。我认为,即使是对于现代来说,也有一些教训。而现代又是人类文明的早期阶段。
Anthony Kaldellis:从某种角度来看,是的,我们还处于早期阶段—— [00:46:54]
Lex Fridman:试图弄清楚
Anthony Kaldellis:……试图弄明白这一点。是的。不过请注意,我并不是在倡导这种社会组织和政府形式。作为历史学家,我想做的是理解它如何以及为何存续,并找出它得以运作的方式,因为它确实运作了。我们知道的就这么多。我们必须从那开始。它活了下来。它很有弹性。权力行使中存在大量相互让步和交换,而我想理解其中的机制。
Lex Fridman:因此,如果可以的话,在我们了解君士坦丁一世皇帝和君士坦丁堡的建立之前,我们是否可以看看一些可能具有开创性的事件,这些事件导致了我们将要讨论的一些主题?那么其中之一,也许可以告诉我,这是否不像我想象的那么有趣,而是公元 212 年的卡拉卡拉法令。所以这就是你所描述的,从帝国早期的奥古斯都开始,政府将自己视为罗马公民的保护者,罗马公民是生活在罗马帝国的少数人。它不考虑省级。然后你描述了卡拉卡拉法令将完全的罗马公民身份扩展到罗马帝国的基本上所有自由居民。那么它是什么?为什么这样做?为什么它很重要?它如何改变了罗马帝国? [00:47:27]
Anthony Kaldellis:正确的。我同意你的看法,这事实上非常重要;从某种意义上说,它是真正的转折点,但它也是一个过程的一部分。因此,出于各种原因,罗马政体倾向于将其宗主国公民身份,即罗马公民身份授予其盟友,并最终授予许多它所征服的人民。它有多种机制可以做到这一点。它可以提供整笔拨款。有时,它允许将军们向他们认为是控制当地社会的必要角色的人授予公民身份。有时他们甚至允许外国城市像非罗马城市一样,通过选举他们担任某些类型的职位来决定谁将获得罗马公民身份。 [00:48:30]
Anthony Kaldellis:像他们一样,他们外包了很多这样的事情。因此,随着时间推移,一个并非全都在罗马、也并非全都具有罗马出身的罗马公民共同体稳步成长起来;不管罗马出身意味着什么,他们并不是罗马城居民的后代。你知道,这种情况会继续下去,它会扩展,它会扩展,它会扩展。到卡拉卡拉时代,也就是公元三世纪初,我们估计帝国自由人口中最多大约三分之一是罗马公民。其他人都有当地公民身份,就像你是亚历山大人或雅典人或其他什么人一样。并且……您必须遵守这些法律。这位皇帝,卡拉卡拉,现在这是他的绰号。他的在位名是马库斯·奥勒留·安东尼。所以就像马库斯·奥勒留一样,两代人之后仍然是同一个名字。 [00:49:23]
Lex Fridman:顺便说一句,这些皇帝的名字都很霸气。我不知道是先有鸡还是先有蛋,但只是……一些史诗般的名字。 [00:50:15]
Anthony Kaldellis:他们就是这样被记住的,所以我们把它读回名字里——
Lex Fridman:是的,确实如此。
Anthony Kaldellis:……绝对是的。
Lex Fridman:但无论如何,卡拉卡拉。是的。
Anthony Kaldellis:是的,所以他在 212 年颁布了名为《安东尼尼宪法》的法令,以他的名字命名。当时有些人称之为神圣法令,基本上将公民权扩展到每个人。我们并不确切知道他为什么这样做。我们可以推测他声称的理由,那是宗教理由。换句话说,他希望人们去神庙,为他从政变中幸存下来向诸神祈祷和感恩。
Anthony Kaldellis:无论如何。这里可能有某种宗教动机,他希望每个人作为罗马公民都这样做,以纪念罗马诸神之类的。当时的其他历史学家表示,他这样做是出于税收原因。我们并不确切知道。甚至可能有一种整个帝国统一共同体的意识形态在他的脑海中发挥着作用,如果不是在他的脑海中的话,那就是法学家的意识形态,那就是他的法律顾问。所以这是可能的。但比他的动机更有趣的是它的后果—— [00:51:01]
Anthony Kaldellis:......以及它告诉我们关于罗马社区的一切。所以想象一下这样一种情况,没有一个现代帝国真正做到过这一点,对吗?罗马案例的重要意义在于,他们不仅将公民身份扩展到每个人,而且是认真的。这是有牙齿的东西。换句话说,这意味着罗马公民享有的权利和机会,例如罗马元老院的权利和机会……现在可供所有人享有。在一代人之内,你会遇到这样一种情况,所有的皇帝都是外省人,对吗?帝国所有最有权势的人都来自行省。
Lex Fridman:这真是令人心碎、令人兴奋。这太不可思议了。事实上,罗马帝国能够做到这一点,并且一直坚持下去。 [00:52:25]
Anthony Kaldellis:他们做到了,而且也是认真的。
Lex Fridman:他们是认真的。
Anthony Kaldellis:是的。
Lex Fridman:他们实施了它。这是真的。这说明了很多关于罗马帝国民众的信息。它能够维持下来,说明政府是认真的,也说明这个制度鼓励并激励政府认真对待这件事。太不可思议了。
Anthony Kaldellis:是的,有一部公民法,基本上它是这样说的:“任何在罗马帝国出生的人都是罗马公民。”这背后的罗马法学家和政策制定者对于创建这种社区有一些非常有趣的想法。想象一下,我的意思是,几乎不可能想象,但是,英国在帝国鼎盛时期赋予每个人英国公民身份,包括印度人,并且突然让印度人可以在伦敦担任权力职务,包括王位。就像,这简直是不可想象的。
Anthony Kaldellis:你知道,这与种族、殖民主义和各种各样的事情有关,对吗?但在罗马帝国却不然。所以我们就出现了皇帝都是来自各省的情况。最有权势的官员都来自各省。所以一个世纪后,当君士坦丁堡创建时,它是在博斯普鲁斯海峡创建的,就像现代伊斯坦布尔所在的东罗马帝国一样。它是在预先存在的罗马背景下创建的,对吗?它并没有把罗马性带到东方。它已经在那里了。因此,在东方建立罗马权力中心并不是一件容易的事。 [00:53:34]
Lex Fridman:您还帮助编写了一本关于东罗马帝国知识分子思想史的书。但这是这里有趣的事情,我可以问很多次,但让我也在这里问,伟大的男人、伟大的女人的历史观。会议中是否有像托马斯·杰斐逊这样的人物,他们正在执行法令或制定法令?这重要吗,还是更多的是制度和文化,只是……是、有多重要?因为这似乎是一个革命性的想法,当我们思考美国革命和建国文件时,似乎有一些人—— [00:54:13]
Lex Fridman:......我们对事物的措辞非常挑剔,然后文字很重要,因为这些文字创造了现实,然后它随着时间传播。
Anthony Kaldellis:是的。对于这份法令,我怀疑是的,背后有一些人,很可能是法学家,即罗马法律学者。 212 年是一个非常重要的罗马法律学者的时代:例如乌尔比安(Ulpian)等人。但我们只是没有那些……我们有——……美国革命的会议记录。我们不仅不知道房间里有谁,而且实际上甚至没有整个法令。我们有一张纸莎草碎片,这是一张古老的纸——……大部分都被撕裂和残缺不全,我们有,比如,其中的一小段。 [00:55:03]
Anthony Kaldellis:在希腊语中,甚至不是拉丁语原文。它有点撕裂,但它实际上保留了关键条款。正确的?这就是我们所拥有的所有原始内容。我们有当代的消息来源提到它,我们有法律文件,但没有什么比我们可以谈论参与其中的人更好的了。甚至是如何立即实施的。就像,突然间我们认识了各省的每个人,就像,被称为奥勒留的人数激增,因为那是他的罗马姓氏。因此,当您通过该法令获得公民身份时,您就成为了奥勒留(Aurelius)。正确的?突然间到处都是奥雷利。就像,我们可以立即看到它。但我们实际上看不到具体的实现。
Lex Fridman:但你的直觉告诉你,个人在这个想法的发展和执行中非常重要。 [00:56:26]
Anthony Kaldellis:可能是的。是的。尽管这是扩大罗马公民身份的长期过程的一部分,但这是一次爆炸,而不仅仅是一次扩张。
Lex Fridman:然后你说,这项法令的一个重要方面是,给予省份平等权利是帮助解决第三世纪危机的事情之一,而且,我想你说过,“消除了相关民众的不满”,从而最大限度地减少了起义的可能性。
Anthony Kaldellis:嗯,那是一个非常长期的过程。现在,第三世纪是混乱的,有危机,一团糟,对吧?所以法令颁布之后,就是几十年的动乱。 [00:57:07]
Lex Fridman:好吧,让我们温和地说。我们来谈谈第三世纪的危机,50年间有26位皇帝被谋杀。
Anthony Kaldellis:是的。这是巨大的不稳定。
Lex Fridman:所以内战不断。这些皇帝几乎都是将军,也几乎都是被手下谋杀的。因此,内战是常态,恶性通货膨胀,经济崩溃,再加上瘟疫……从公元 249 年到 262 年,这是一场大流行,可能是天花或埃博拉。仅在罗马,每天就有多达 5,000 人丧生,摧毁了税收基础和军队招募库。帝国分裂成三部分,但奥勒良皇帝在五年内奇迹般地重新征服了它们。所以只是很多混乱。它,它名副其实,“三世纪危机”。
Anthony Kaldellis:是的,这是一场完美的风暴。是的,我的意思是,帝国的合法性存在危机。基本上就是左右军队称帝。具有讽刺意味的是,从一种奇怪的意义上来说,这部分是因为现在罗马传统中有更多的利益相关者,对吗?这里有所有这些省级军队,他们任命自己的将军为竞争对手的皇帝。但外国入侵也严重增加。 [00:58:20]
Anthony Kaldellis:在北方,在东方建立了萨珊波斯或伊朗帝国,这是非常非常好战的。国外的失败太多了。军队被“野蛮的敌人”击败。最终会出现通货膨胀,然后出现瘟疫。因此,在所有这些力量的压力下,它几乎崩溃了。现在,事实并非如此。不可避免地,也有历史学家淡化这场危机。当然,对吧,就像,这是合理的,对吧?我们必须反对所有这些特征。
Lex Fridman:兄弟,死了26个皇帝。你是什么- [00:59:23]
Anthony Kaldellis:那只是皇帝们。那只是皇帝们。我们是……不,我们应该是——
Lex Fridman:对不起。 50年后。每隔一年,皇帝就死一次。
Anthony Kaldellis:是的,那就是——
Lex Fridman:内战
Anthony Kaldellis:……这就是高层政治不稳定,对吗?但是什么-
Lex Fridman:对了,这不是——
Anthony Kaldellis:……大多数人的生活是什么样的?例如,如果你去埃及,这有点……对吧?那里发生了什么事?那里的人们生活怎么样?我们可以看到人们在埃及的生活,因为我们有来自埃及的所有这些纸莎草文件。
Lex Fridman:这是真的。
Anthony Kaldellis:在大多数情况下,他们似乎没有经历危机。
Lex Fridman:我的意思是,这就是你谈论的事情。如果你考虑一下他自己的家人,我们将要谈到的康斯坦丁是人类历史上最凶残的领导人之一。但如果你住在外省,你就会知道……他不是——
Anthony Kaldellis:哦,是啊,是啊 [01:00:13]
Lex Fridman:……他没那么凶残。
Anthony Kaldellis:不,不,不,他很好。是啊是啊。
Lex Fridman:因此,真正记住帝国普通公民的实际经历是非常重要的。公平的。好吧,但是如何……也许关于这场危机我们还有更多可以说的。当然,戴克里先对罗马政府体系的结构进行了硬重置,部分解决了这场危机。所以也许你可以多谈谈这场对我们理解很重要的危机,以及戴克里先如何解决公元 284 年的危机。
Anthony Kaldellis:正确的。再说一遍,这些都是过程而不是特定事件。例如,你提到帝国有点分裂。
Lex Fridman:是的。
Anthony Kaldellis:我们有所谓的高卢帝国。高卢是现代法国,有点像英国,在一段时间内,在十五年左右的时间里,有点像这个小小的分离主义帝国。有趣的是,这并不是试图脱离帝国。换句话说,并不是一些不满的外省人只是厌倦了罗马的统治,想要脱离并做自己的事情。不,这其实只是一个,省将企图夺取皇位,统治整个帝国。这不起作用。他们只能到达他们占领的省份。他们知道建立国家的唯一方法就是使其成为罗马国家。
Anthony Kaldellis:正确的?就像,这就是他们政治想象的全部,就像,“好吧,我们只是要做一件罗马式的事情。”也许我们会,你知道,我们会自己重新统一帝国,或者就像发生的那样,奥勒良,来自另一边的人,会重新统一帝国。但它始终是罗马模式。就像,到目前为止,几乎没有其他选择。这很有趣。戴克里先本质上所做的是,我有时描述它的方式是,他将问题转化为自己的解决方案。换句话说,问题在于皇帝或想当皇帝的人太多。因为还有更多事情正在发生。就像,一位皇帝无法处理所有这些边境问题和所有政治问题。 [01:01:43]
Anthony Kaldellis:因此,他所做的就是委托他的一些同事,这些同事是他在军队中关系非常好的人。这些都是伊利里亚人。他们来自……顺便说一句,几个世纪以来,皇帝们都来自前南斯拉夫的这个地区,面积相当于苏格兰。就像,他们都是从那里来的。 [01:02:29]
Lex Fridman:嗯,这怎么解释呢?
Anthony Kaldellis:军队。这些是军人。有时是酗酒的军人。你提到过,像 Aurelian 一样,他们的工作非常出色,对吗?因此,出现了一系列恢复稳定的伊利里亚皇帝。之所以有这么多伊利里亚皇帝,是因为他们是在军队中一步步晋升的。而且,你知道,当时南斯拉夫地区的经济很不发达,年轻人有很强的动力去参军,因为,你知道,这是一种谋生手段。
Anthony Kaldellis:因此,伊利里亚人成为罗马军队的中坚力量,他们被描述为强硬的罗马保守派。我的意思是,这些是,你知道,这些是,这些都是坚强的军人。我这样说是为了与我之前提到的哈德良皇帝进行对比……你知道,他是一位更加世故、富有艺术气息、富有诗意、国际化的皇帝。也是个硬汉。你不想惹哈德良。但这些来自三世纪的家伙是彻头彻尾的军人。就像,他们的整个职业生涯都是在军队中。他们有军事胡茬。他们的脖子很粗。他们看起来很生气。他们把手放在剑上。就像,他们并没有展现出一种……冷静和成熟的形象,你知道,流浪汉,你知道。 [01:03:21]
Lex Fridman:所以,军人。 ……来自奥勒良的军人。 [01:04:08]
Anthony Kaldellis:是的。所以戴克里先把他们聚集在一起。他们,最终是四个。我们称之为四帝制。他基本上将它们分配给各个……这并不是帝国的任何硬性划分。基本上,这是一个合作项目。他们每个人都去了需要他们的地方。
Lex Fridman:是不是,说有四个行政区,公平吗?他给每个人分配了一个区域?
Anthony Kaldellis:广义上来说。我想说更多的军事区。因此,政府往往会在这些皇帝恰好在的地方在后台嗡嗡作响,对吧?这是一个,我们现在谈论的大政府时期。因此,戴克里先创建了一个更大的政府,可能是一支更大的军队,为了支付这个费用,你需要更系统和更有效的税收——……这意味着你需要更多的人口普查,你需要更多的官僚机构,你需要更多的税收……你知道吗?所以这是一个大政府的时代。
Lex Fridman:所以,只是停留在这一点上——……可以说戴克里先创造了深层政府吗?引用“深层政府”。所以,税收人员,后勤,你有点暗示的事情,就是社会的民事和军事层的分离。 [01:05:05]
Anthony Kaldellis:因此,关于“深层国家”的概念,我与研究“深层国家”概念的专家进行了讨论,我不确定我是否会这样描述罗马帝国,部分原因是虽然你确实有大政府,但你确实有官僚机构,你有,你有埋藏在各个梯队中的官僚,你知道,没有人确切知道他们在做什么以及类似的事情,我没有遇到过某种邪恶分子的想法,你知道,他们正在工作在行政机构内削弱皇帝的权力。就像,偶尔从远处,你可能会瞥见这种东西。例如,戴克里先曾抱怨说:“没有人告诉我任何事情。”换句话说,就像,他是如此遥远——
Anthony Kaldellis:……部分原因是他有时觉得自己失去了联系,因为现实中正在发生的事情。但我在官僚机构内部并没有发现这种削弱皇权的想法。 [01:06:07]
Lex Fridman:是的,我认为解释这一点的方法之一是因为,所以,你知道,在现代,引号中的民主,高层领导者有一种临时性。所以它刺激了深层政府的形成。因此,深层政府认为自己是一个可以长期传播的东西,而领导者则是一个非常短暂的、短期的东西。跟一个,跟一个皇帝,技术上——……可以走很长一段时间,所以最好是深度融合。与之相伴,官僚机构应该与领导融为一体。这是有道理的。
Anthony Kaldellis:是的。但阿尔-
Lex Fridman:很公平。
Anthony Kaldellis:……在现代社会思想或恐惧中,深层政府可能正在破坏,比如说——
Lex Fridman:破坏,是的。 [01:07:04]
Anthony Kaldellis:……民主本身,而不是,对,而不是……它可以是双向的。
Lex Fridman:但有一个官僚机构。有一个大政府。
Anthony Kaldellis:绝对地。是的。
Lex Fridman:有一个大型机械。
Anthony Kaldellis:是的,和以前相比。
Lex Fridman:前。
Anthony Kaldellis:是的。因此,戴克里先创造了这些更大的官僚结构,这些结构定义了我所研究的社会。所以作为一名专家,我主要关注他之后的时期。但他实施了这些措施来解决很多这样的问题。他基本上是成功的。因此,在维持庞大军队并镇压这些叛乱和篡夺方面,从更加麻烦和不稳定的局势中创造收入方面。他在这方面总体上是成功的。所以他创造了一个模型,他们在接下来的三个世纪或更长时间里一直保留着这个模型。
Lex Fridman:但该模型的许多元素甚至超越了这一点,对吗? [01:08:00]
Anthony Kaldellis:是的,就像普遍征税一样。我给你举个例子。在此之前,意大利一直免税。意大利是征服者的土地。征服者不给自己纳税。征服者靠别人缴纳的税金生活,对吗?那么意大利是一个大避税天堂,对吗?戴克里先、加莱里乌斯,你知道,他的人,这些人来自伊利里亚。他们来自巴尔干地区。
Anthony Kaldellis:就像为什么意大利完全免税,你知道吗?这没有任何意义。这是世界上非常非常富裕、繁荣的地区,所以,不,他们对意大利征税。所以现在,不仅所有罗马人都拥有相同的公民身份和相同的法律,他们都拥有相同的税收制度,而戴克里先税法,可以说,它不是一个法典,听起来像是单一税,对我们来说,这听起来是累退的。但按照这些标准,按照当时的标准,它实际上在某种程度上是进步的。
Lex Fridman:正确的。
Anthony Kaldellis:这意味着,就像,甚至……精英们付出的,就像,一样,对吧?是的。
Lex Fridman:那么,这一切,以及我们在未来几个世纪将讨论的一切,有多少都是与税收有关的呢? [01:09:01]
Anthony Kaldellis:我认为这是巨大的。税收是其核心。
Lex Fridman:所以我的意思是,一个社会的运作、成功、繁荣,政府的运作方式,人民的代表方式,所有这一切,所有内战和一切,感觉税收是核心。
Anthony Kaldellis:是的。是的。如果你让我指出一个因素,那就是。
Lex Fridman:所以税收制度,感觉就像东罗马帝国的早期框架。
Anthony Kaldellis:当然,它确实创建了一个更加同质的框架。到了三世纪末,它已经基本就位了。戴克里先所做的是全民人口普查,他的继任者也继续这样做。因此,帝国的每一项应税资产都受到普查。现在您可以开始制定预算了。
Lex Fridman:现在,有一些因素,然后你反对戴克里先的一些因素,他在法律上限制了社会和阶级流动,部分是为了税收制度,并在许多情况下规定,搬家和辞职都是非法的。例如,当我读到保证粮食供应和土地税时,法律禁止农民离开他们耕种的土地,因此国家总是知道向谁征税。然后对于士兵来说,退伍军人的儿子有法律义务在军队服役以维持部队数量。你认为这些是税收执行机制,而不是严格的种姓制度,因此实际上,帝国仍然是一个高度流动的社会。
Anthony Kaldellis:这是一个复杂的问题。例如,我们来谈谈士兵。大多数士兵的儿子可能会继承他们的职位。就像大多数需要学徒期的职业一样,儿子通常会成功,对吗?还有许多其他职业本质上有点像行会,例如航运。 [01:10:50]
Anthony Kaldellis:为了获得船舶等保险目的的合同,涉及大量资产,并且这些资产从父亲传给儿子是有意义的。换句话说,随之而来的是继续从事这一工作的义务。其中一些东西本质上是遗传的,我认为大多数人不会反对。农民可能是唯一可能实际上涉及一些胁迫的案例。有一个农民类别,我们不知道其中有多少人出于财政目的而与土地绑定。这并不意味着他们不能离开这片土地,比如身体上的。没有人阻止他们离开。 [01:11:15]
Anthony Kaldellis:但他们在财政上负责提供税收或租金或其他任何东西,因为国家希望从这些土地上获得稳定的收入来源。如果……无论如何,这是复杂的情况之一。这确实对这些人造成了一些限制。这是当前研究的一个主题,这些被束缚的农民,可以说是与土地联系在一起的。这更像是……你知道,有人说,大多数时候是人拥有土地,在这种安排下,是土地拥有人民。 [01:12:03]
Lex Fridman:但你说的是更大的问题是流动性。
Anthony Kaldellis:噢,流动性很大。
Lex Fridman:所以阶级流动性——……和身体流动性——……意味着人们流动……我们将看到从西方到东方和君士坦丁堡以及所有这些东西。
Anthony Kaldellis:哦,是的。有大量的流动性。不,不,这不是一个人们真正有义务的社会……我们,我们没有找到任何人,谁会说,“啊,我真的不想成为一名士兵。但我的父亲是一名士兵,我有义务成为一名士兵。”就像-...就像,我们只是听不到那些抱怨-...那些不想成为那样的人-为什么你不想成为罗马帝国的一名士兵?我的意思是,它有巨大的好处。
Lex Fridman:那么,我们是否可以继续思考戴克里先为何能够稳定帝国呢?就像,你知道的,第三世纪的危机确实有可能撕裂一切。那么为什么我们谈论的一些事情会稳定下来呢? [01:13:12]
Anthony Kaldellis:好吧,奥勒良已经在领土上统一了帝国。
Anthony Kaldellis:所以这是在戴克里先之前。戴克里先所做的是建立一个减少叛乱数量的制度。仅仅通过四个大人物和四支军队,他们就成功扑灭了所有火灾,或者说大部分火灾。一旦实现稳定,他也击败了波斯人,我的意思是,加莱里乌斯做到了,所以开始击退外国入侵,这为经济稳定创造了一个框架。人们需要,你知道,如果他们要投资,比如,开垦土地或扩大生产,他们需要知道,你知道,外国人不会横冲直撞,掠夺,偷走他们的牛,你知道,奴役他们,带他们去美索不达米亚的农场工作。就像,他们需要知道这一点。
Anthony Kaldellis:如果你提供稳定的环境,经济增长、人口增长就会回归。戴克里先创造了那种背景。 [01:14:20]
Lex Fridman:我们就这样去了康斯坦丁,但如果可以的话,先去趟厕所休息一下。
Anthony Kaldellis:当然。
Lex Fridman:快速感谢我们的赞助商十秒钟。在描述中查看它们。这确实是支持这个播客的最佳方式。请访问 lexfridman.com/sponsors。现在,亲爱的朋友们,回到我们关于东罗马帝国的谈话。好吧,我们回来了,我们来谈谈君士坦丁和君士坦丁堡。让我们回顾一下东罗马帝国的崛起。康斯坦丁是谁?告诉我他的权力崛起和公元 330 年君士坦丁堡的建立。
Anthony Kaldellis:当然。所以君士坦丁是戴克里先一位同事的儿子,所以他来自体制内部。该系统实际上被设计为非遗传性的。也就是说,老皇帝退了,小皇帝升到了高位,然后又招收了两个新皇帝。他们试图跳过王朝元素。所以,所以,我们可以说,有点精英统治,而不是你是谁的儿子。康斯坦丁是一个儿子。他被忽视了,但军队喜欢他。他其实很有能力。 [01:15:08]
Anthony Kaldellis:因此,戴克里先的所有继承者之间发生了一系列内战,而君士坦丁成为胜利者。有时它们的数量相当多。大约一次有六个,但逐渐减少到一个。所以,是的,只要你有四分之一决赛、半决赛,然后是最后的战争,君士坦丁就会在 324 年成为整个罗马帝国的唯一统治者。所以他就是这样的人。他绝对是一位内战中非常非常有能力的内战将军。他逐渐向东移动。因此,当他征服他的对手时,这些对手有时是他的岳父或姐夫,因为这些人都通婚,他们有联盟,但他们却闹翻了。
Anthony Kaldellis:这就是其中一种情况。他向东移动,当他在 324 年击败最后一个对手、一位名叫李锡尼的皇帝时,他已经在东方了。李锡尼的总部,或者说他的总部之一,就在这个叫做拜占庭的城镇。拜占庭是君士坦丁堡的建立地。 [01:16:29]
Anthony Kaldellis:它恰好位于欧洲与亚洲的交汇处,博斯普鲁斯海峡也是如此。这是一个非常具有战略意义的位置。一直都是这样,对吧?所以无论谁控制了博斯普鲁斯海峡,是的,我们不需要解释这有多重要。君士坦丁决定在那个地方建立一座以他自己的名字命名的城市,君士坦丁堡,拜占庭。因此,拜占庭作为一个城市基本上不再存在,取而代之的是君士坦丁堡,又名新罗马。所以很明显,从一开始,君士坦丁就打算将其作为东方罗马的分支机构,一种东方罗马的复制和粘贴,这是他的继任者继续的计划,对吗?
Anthony Kaldellis:现在,这里还有许多其他城市,比如说,在这之前的一两代人中,也被视为某种准罗马。基本上,这位三世纪的历史学家说:“好吧,皇帝在哪里,那就是罗马,”对吗?因为现在皇帝都是流动的。他们不再留在罗马。他们大多生活在边疆,而君士坦丁就是这些边疆皇帝之一。他们有时会访问罗马,也许一两次,也许十年一次,你知道,类似这样的事情。因此,罗马成为可以复制并粘贴到帝国其他地区的东西,并且许多其他城市被称为新罗马,另一个罗马,另类罗马,我的罗马。君士坦丁堡是其中最后一个也是最成功的。 [01:17:37]
Lex Fridman:那么您能否从地理角度谈谈君士坦丁堡的重要性?这是一个有趣的地方,因为……当你谈论像西方和东方这样大的土地,有敌人,有来自各个不同方向的威胁时,皇帝坐的位置很重要。 [01:18:28]
Anthony Kaldellis:非常。那么看看罗马吧?所以它就在意大利的中部,就在地中海的中部。从某种程度上来说,位置非常安全,但距离边境很远。而这个时期,是皇帝需要随军的时期吧?他们不是坐在罗马与参议员开会的元老皇帝。他们是军事皇帝,主要与将军而不是文官一起沿着边境行军。所以他们正在做他们的工作。就像,这就是艰苦的工作。他们正在冬季战役的泥泞中艰难前行,对吗?
Anthony Kaldellis:他们不只是在可以的时候坐在宫殿里享受乐趣。但罗马正因此变得不方便。如果你看看君士坦丁堡,你会发现它位于多瑙河边境和幼发拉底河边境之间。因此,如果你想优先考虑东方或将其视为罗马帝国的平等部分,就像这些皇帝所做的那样。事实上,几乎所有在选择留在东方还是留在西方的皇帝都选择了东方。只有一个人选择了西方,那就是四世纪后期的瓦伦提尼安。所有其他人都明白东方就是它所在的地方。君士坦丁堡位于多瑙河和幼发拉底河之间。这是两个主要领域。因此它允许皇帝在两者之间移动。 [01:19:24]
Anthony Kaldellis:还要看看它的位置:北、南、东、西,对吗?那么北,南,它是黑海和地中海之间的节点,对吗?东方、西方,正是欧洲与亚洲交汇的地方,对吗?因为那里有断裂,所以有博斯普鲁斯海峡、马尔马拉海、赫勒斯滂海峡、内战期间的罗马帝国,它往往会在那里断裂。 [01:20:13]
Anthony Kaldellis:在亚洲的一侧会有一位皇帝,而在另一侧则有另一位皇帝。而这种情况一直在发生。君士坦丁堡最终起到了统一整个地区的作用,所以基本上巴尔干半岛、小亚细亚和叙利亚是一个单位,对吗?而且,你知道什么是新罗马吗?除其他外,新罗马就是新元老院,对吗?君士坦丁和他的继任者为新罗马招募了这个新元老院。所以我们谈论的可能是二千五千人、三千人,你知道,在巅峰时期,这些人都是从所有这些地区招募的。要知道,有的来自罗马,有的则来自爱琴海地区、小亚细亚、东地中海。
Anthony Kaldellis:因此,这些人是最富有的人,通常是整个东地中海人脉最广的精英,他们聚集在一起,在君士坦丁堡形成了一个新的目标,共同的目标。帝国再也不会在那里崩溃。正确的?所以它,它将世界的这一部分团结在一起。有趣的是,现在的转折点转移到了亚得里亚海,对吗?所以,在 395 年,我们谈到了东西方的分裂。 [01:21:32]
Anthony Kaldellis:它在亚得里亚海破裂,因为君士坦丁堡现在将整个东方世界团结在一起。因为所有这些精英现在都对此进行了投资。他们确实在投资。他们必须投资才能成为君士坦丁堡的参议员。所以这就是它所执行的功能之一,战略功能。有一个政治功能。还有文化方面的问题,但你知道,我们也可以讨论这个问题。但这就是你在地图上看到的东西,西北、东部、南部。
Lex Fridman:所以,为了停留在这个问题上,所以你,你做了一个播客,《拜占庭和朋友》,但你也是播客的嘉宾,我应该提到你多次在罗宾·皮尔森主持的出色的拜占庭历史播客中担任嘉宾。我强烈建议人们听听你的所有表演。你有很多真正令人着迷的。但我提出所有这些的原因是,其中一集,你做了一件有趣的事情,选择了拜占庭的十大皇帝,并且剧透警告,每个人都应该去听完整的列表,因为你证明了所有不同的选择都是合理的。但康斯坦丁最终排名第一。那么,你能否再补充一点深度,为什么他会成为你的第一名——……现在我们正在谈论他? [01:22:24]
Anthony Kaldellis:是的。这并不是因为我有点喜欢他这个人,对吧?我的意思是——正如你所说,他非常凶残。正确的?所有这些战争基本上都是野心勃勃、凶残、残酷的。 [01:23:17]
Lex Fridman:你真的能谈谈凶残的一面吗?他似乎杀了他家族里的很多人。
Anthony Kaldellis:是的,那是因为我们所说的他的家人也是他在走向顶峰的过程中结成的便利联盟。当这些联盟,或者,你知道,那些,你知道,那些妻子或那些岳父不再方便,或者转而反对他时,他会毫不犹豫地取消它们。但他也,你知道,他得到了一点额外的奖金,因为他还谋杀了自己的儿子克里斯普斯,克里斯普斯是……显然是一位非常有能力和受欢迎的将军,我们不知道为什么。他在击败李锡尼后不久就处决了克里斯普斯,然后又谋杀了他的妻子——
Anthony Kaldellis:……不是克里斯普斯的母亲,我们不知道为什么。有趣的是,当皇帝做这种事情时,如果有任何远程的,比如,一个好的理由,他们会通过所有媒体进行轰炸,对吗?比如,“克里斯普斯在反抗我”之类的。什么也没有。他甚至没有试图证明这一点,这意味着这一定是不合理的事情。就像,我不知道。我无法处理它。 [01:24:18]
Lex Fridman:而且,我读到当时的历史学家会忽略那件事的发生。
Anthony Kaldellis:是的。嗯,有点像。所以当克里斯普斯活着的时候,人们都会称赞克里斯普斯,“哦,康斯坦丁,你伟大的皇帝,还有你出色的儿子,他会……”无论如何。然后克里斯普斯被处决,他就从那里消失了,就像……他们从不谈论他。
Lex Fridman:是的。事实上,作为另一方,我想你提到过,无论是在你的播客还是其他地方,如果你必须和任何一位皇帝喝啤酒,你可能不会。所以这不像我们谈论的一些最有影响力、最有影响力和最伟大的皇帝,他们可能不是非常令人愉快的人。 [01:25:02]
Anthony Kaldellis:正确的。所以,让我们先把你是否愿意和这些人一起喝啤酒放在一边。我之所以将康斯坦丁放在名单的首位,是因为他做出的决定非常重要,而且在大多数情况下,都不是糟糕的决定。所以我不能不把他放在名单的首位。你知道,创建君士坦丁堡、皈依基督教、让帝国走上皈依之路,这些都是世界历史层面的重大决策。
Anthony Kaldellis:正确的?现在,这样做的皇帝并不多。事实上,康斯坦丁在做出此类决定时,就像是他自己的联盟。我对顶级皇帝的其他标准基本上就是那些做得好的人,对吧?不是做出这些地球上的毁灭性决定,或者改变世界历史的决定,而只是谁出色地履行了这一职责,并取得了使臣民的生活变得更好的结果。这些是我使用的其他标准。很难兼顾这些不同的标准,对吧,以创建一个系统的列表。顺便说一句,我们历史学家通常不会做这类事情。但你说这很有趣。 [01:26:02]
Lex Fridman:这很有趣。
Anthony Kaldellis:这很有趣。
Lex Fridman:很有趣。很有趣。
Anthony Kaldellis:它可以让你谈论某些你本来不会做的事情。是的,这就是康斯坦丁位居榜首的原因。
Lex Fridman:所以你提到了基督教。这是他统治的另一重要组成部分。基督教在君士坦丁的生活和新罗马帝国公民的生活中扮演什么角色?
Anthony Kaldellis:在这个阶段,基督教没有任何作用。它实际上是把皇帝拿来了……当皇帝把它拿上船,也就是把它变成了帝国体系的一部分,那么它就开始在这个体系中发挥作用了。此前,它曾想象自己有自己的历史,不一定是帝国的一部分,也不一定隶属于皇权。但在君士坦丁之后,它确实发挥了作用。 [01:27:08]
Lex Fridman:事实上,问这个问题的一种方式很有趣,因为你说有罗马,然后有像基督教或希腊人这样的文化或传统。所以问这个问题的方法之一是:基督教战胜了罗马,还是罗马占领了基督教?
Anthony Kaldellis:正确的。是的。那是一个——
Lex Fridman:机制是哪一个? [01:28:00]
Anthony Kaldellis:我更倾向于第二个。换句话说,该宗教被帝国制度所吸收。现在,有很多领域的情况并非如此,并且发生了相反的情况,所以我不会对此绝对,但我认为认识到这一点非常重要,因为基督教产生了这种胜利的叙述……对,现代历史学家延续了这种叙述,并且它以非常特殊的方式构建。换句话说,基督教战胜了古代宗教。
Anthony Kaldellis:正确的?因此,取代了宙斯和阿波罗以及所有这些,动物祭祀也消失了,这是因为基督教取得了胜利,这是一种非常狭隘的看待它的方式。换句话说,你选择了你的敌人,然后你就可以打败那个敌人,对吗?但如果你看另一个方向,就像罗马帝国一样,你不能说基督教战胜了它,甚至驯服了它或其他什么。它实际上成为了它的一部分。
Anthony Kaldellis:你知道,这在很多方面决定了它几个世纪以来的历史,事实上,一直延续到今天。例如,这与伊斯兰教的历史非常不同。因此,伊斯兰教的诞生并没有一个预先存在的国家来接受它并接受它。它创建了自己的状态,对吧?因此,穆斯林军队征服了这个帝国,然后他们必须对其进行治理。他们根据任何伊斯兰原则思考。 《古兰经》没有提及任何关于管理帝国的内容。
Anthony Kaldellis:因此,这就创造了一个完全不同的社会,对吧,伊斯兰教实际上是一种主要的身份,并且推动了很多发展。但基督教是在一个非常发达的社会和政治体系中存在的。现在,事情是这样的。我们不知道君士坦丁时代有多少基督徒。嗯,我们推测可能是帝国的 10%。这可能非常高,对吧?但即使是 10%,也不是很多,而且这些人大部分都不是精英。也许中产阶级,你知道,我们宽松地称之为中产阶级,一些精英,一些奴隶,就像这样的东西。大多数是城市人口,请记住,大多数人口是农村人口。 [01:29:29]
Anthony Kaldellis:正确的?所以你知道,城市中有一些集中的基督教团体。这就是我们正在谈论的。政治上没有多大权力。 [01:30:14]
Lex Fridman:因此,君士坦丁皈依基督教以及将帝国推向基督教并不是绝大多数人的事……或者是政治上的便利,因为这是精英的事。这是另一回事。我的意思是,我想说,这是一个相当革命性的决定。
Anthony Kaldellis:确切地。现在,曾经有理论认为君士坦丁这样做是出于务实、愤世嫉俗的原因,他不是真正的基督徒或其他什么,但这里有某种政治利益。但我从未读过关于政治收益到底是什么的令人信服的描述。我们现在知道基督徒越来越少了。他们没有那么有影响力。你可能会说,你可以说主教是一种方便的社会影响者。就像,你可以使用那些。他们不会对你的职位构成威胁。
Anthony Kaldellis:正确的?所以主教不会试图夺取王位。因此,他们并不是危险的政治人物。但他们确实对社会各阶层有一定的影响力,所以这可能是……好吧,我明白了,但我不太明白这样的论点,比如,完全成为基督徒只是为了获得一些主教的支持,实际上他们很快就会发现,其中一些人带来的麻烦比他们应得的还要多。无论如何,所以我还没有看到关于君士坦丁决定的令人信服的政治论据,这意味着你会求助于个人解释,他这样做是因为他是一名虔诚的基督徒,对吧?你知道,他出来支持他所信仰的宗教,这就是今天大多数学者的处境。 [01:31:08]
Anthony Kaldellis:不过,我得告诉你,历史学家对个人选择感到非常不舒服,比如用这种个人选择来解释历史。因为康斯坦丁的转变是巨大的。它打开了门。它也激励了很多人皈依。
Anthony Kaldellis:因为罗马人通常会做他们的统治者告诉他们的事情。如果我们多次提到哈德良,哈德良有一个情人,安提诺斯,来自比提尼亚的希腊男孩,在埃及的一场事故中丧生,无论如何,哈德良基本上说安提诺斯应该被视为整个帝国的神。他确实是。我们在整个帝国的所有这些寺庙中拥有的安提诺乌斯雕像和半身像比我想象的除了哈德良之外的任何人都多。所以,是的,如果皇帝说,“这个人现在是神了,你知道,到处都放他的雕像,”他们会的。当君士坦丁站出来支持基督教时,你知道,人们突然发现,哦,这是一个有趣的仪式。得到了皇帝的支持。 [01:32:11]
Lex Fridman:因此,这里的一件事,说到困惑,君士坦丁皈依基督教通常可以追溯到公元 312 年,这与米尔维安桥战役之前的异象经历有关。你相信他在米尔维安桥战役之前有过这种宗教经历的异象吗?这里说,“但历史学家对其性质和诚意都存在争议。”
Anthony Kaldellis:出色地- [01:33:18]
Lex Fridman:你相信那次经历的诚意吗?
Anthony Kaldellis:在我们表达诚意之前——……就是消息来源的问题。这是作者在胜利后所写的,当时皇帝……比如,几十年后,他们中的一个人与皇帝进行了一次晚餐谈话,他说:“好吧,让我告诉你有关米尔维安桥的事。”就像,好吧,我不会相信这一点。相反,我不会从表面上理解这一点。这要复杂得多……你知道,这就是皇帝希望人们记住的方式。
Anthony Kaldellis:那是不同的。此外,君士坦丁往往有很多宗教愿景。他曾在基督面前看到过阿波罗的宗教异象,我们也有消息来源谈到,他去了高卢的这座神庙,阿波罗以光的形式向他显现。好吧,每当君士坦丁想要改变政策和他的形象时,他都会有一个宗教愿景。就像,当他想摆脱其他皇帝的束缚时,他们就选择了这种朱庇特/赫拉克勒斯模型。他转向了阿波罗模型。这是一个品牌。这是皇帝在做品牌。
Lex Fridman:所以我们应该说,正如你所描述的,康斯坦丁是一个实用主义者。他非常务实。但你是说,根据证据,可以公平地相信,他实际上已经成为一名基督教信徒。 [01:34:15]
Anthony Kaldellis:是的。他很可能认为基督教的上帝在战斗中帮助了他,事实上这似乎是合理的。而且,你知道,对于像他这样的人来说,这是支持这位上帝的一个很好的理由。
Lex Fridman:但他自始至终都不是一个铁杆基督徒。他是一个有精神、有宗教信仰的人。他更广泛地思考宗教,并倾向于将基督教视为一种好的宗教。他还对什么是好的宗教……以及什么是坏的宗教等有一些想法。所以他在这个空间里思考。
Anthony Kaldellis:他倾向于不太直白。取决于观众。所以康斯坦丁仍然是一个实用主义者,因为他不想疏远太多的臣民,对吗?因此,他有时对自己的意思有点含糊其辞或难以捉摸。当他与基督徒交谈时,他会谈论基督。他会提到基督。当他在一般法律中与其他人交谈时,他只会提到好的宗教。就像你,你,也许你知道我的意思,对吧?但他不会,你知道,来到耶稣面前。正确的? [01:35:08]
Anthony Kaldellis:因此,即使在他支持教会的时候,基本上将教会制度化为帝国体系的一部分,但他也在君士坦丁堡竖起了看起来像阿波罗的自己的雕像,对吧?所以君士坦丁君士坦丁堡的焦点就是君士坦丁广场。中间是一根非常高的柱子,上面有一尊康斯坦丁的巨大雕像,镀金的,巨大的东西。我不知道,比如,八米高或其他什么。但这是一艘经过改造的阿波罗号。甚至,它,就像,明显如此。它是赤身裸体的。它有光线从-
Anthony Kaldellis:……头,对吧?正确的。每个人都知道这是阿波罗号。这就是君士坦丁以他的旧守护神阿波罗为幌子。尽管如此,但他仍然是克里斯蒂安·康斯坦丁,所以他正在发送所有这些不同的信息。 [01:36:22]
Lex Fridman:我的意思是,他喜欢成为神一样的人物。我的意思是,整个雕像就像是“我是神”。
Anthony Kaldellis:是的。它让你自己同化……是啊,是啊,是啊。
Lex Fridman:我的意思是,很多罗马人,公平地说,都有点从这个角度看待皇帝吗?
Anthony Kaldellis:不,是的。哦,是的。他们称他为神圣的——是的。那,那里没有严格的神学,对吧?就像,如果你向他们追问实际的神学,他们不会——……他们不会说皇帝是神。不,这是糊状的。这变得非常非常糊状。
Lex Fridman:但我的意思是,很多基督徒在神面前都有点谦卑。我认为当你有一个像神一样的皇帝时,它会变得有点奇怪- [01:37:01]
Anthony Kaldellis:是的。是的。
Lex Fridman:......以你谈论上帝的方式。
Anthony Kaldellis:这取决于上下文。比如,在某些情况下,你是皇帝,你在宣告你的威严,然后在更多的个人情况下,你可能会更加谦虚,因为我不知道,你正在接受洗礼或其他什么。就像,这些是不同的背景。
Lex Fridman:那么您能谈谈皈依基督教、基督教在整个帝国传播的整个过程以及君士坦丁在其中的作用吗?
Anthony Kaldellis:君士坦丁,或者他的继任者也是如此,因为这是一个渐进的过程,需要很长的时间。因此,让我们正确看待它。我们可能要到第五世纪,或者第五世纪初期——……第五世纪中期才能谈论基督教占多数的社会。显然,我们没有数据。直到六世纪初我们才能谈论一个坚定的基督教社会。我所说的“可靠”是指非基督徒可能占 10%、15%,对吗?所以那是很长一段时间。那是在耶稣之后的五个世纪。那是半个千年。所以我们在这里谈论的是一个半千年的过程。是的,很长。
Lex Fridman:但这仅仅在君士坦丁之后几个世纪。 [01:38:25]
Anthony Kaldellis:是的。
Lex Fridman:所以需要……大约两个世纪才能真正使罗马帝国成为基督教
Anthony Kaldellis:是的。所以转换非常慢,也许在康斯坦丁领导下最多可达 10%。那么显然越来越多的团体加入教会,即使只是名义上的,对吗?直到六世纪,你才清楚地谈论一个,你知道,大部分或压倒性的基督教社会。其中很多都是通过激励和抑制措施来完成的,对吧?因此,主教们获得了资金,可以用来分发慈善物品,并帮助陷入困境的社区。他们有寡妇名单以及她们所支持的一切。土地由皇帝或遗嘱授予教会,以便他们能够参与这种社会政策。然后还有一些抑制因素。因此,皇帝们通过了越来越多地限制传统宗教活动的法律。
Anthony Kaldellis:比如,你不能进行动物祭祀,那么你就不能开始做这些事情,比如系丝带许愿,或者所有这些事情,比如去圣树前做这个或那个,因为他们说,“哦,这是一种邪恶的行为”,或者,比如魔法或其他什么。然后他们逐渐开始越来越多地取缔它,并施加限制,比如,如果你不是基督徒,你就不能担任这些高级职位,或者你不能……你的……你的意志有问题。所以他们逐渐这样做。这就是你……是的,这就是……而且它有效。有用。 [01:39:25]
Lex Fridman:如何解释君士坦丁之后基督教的成功?为什么它作为一项技术能够如此成功地在整个帝国传播?
Anthony Kaldellis:基督教以多种方式发展。因此它获得了一定数量的能够吸引不同选民的形式。换句话说,它有知识分子的一面,那种神学,几乎是准哲学的,或者与哲学流派的接触,可以吸引知识分子。有一个公共仪式和礼仪方面,您可以组织社区和城市举行游行,或者举办所有这些节日来代替古代节日。你有一种,这不是秘密的,但这是一种启蒙方面,有洗礼,你学习一种信条,你开始进入宗教,并有个人来世的前景,对吗?这对其他类型的人很有吸引力。 [01:40:08]
Anthony Kaldellis:它还可以通过多种方式将自己融入宫廷和权力语言中。也在军队里吧?士兵们现在向三位一体宣誓,对吗?因此,它采取了所有这些不同的形式,使其能够在各处、在街道、在法庭、在军队、在教堂、在文本、在书籍中定位自己。因此它具有这种多样性,对吧,这使得它具有很强的适应性。 [01:41:12]
Lex Fridman:所以你提到的君士坦丁没有预料到、没有意识到的一件事是基督教在不同群体之间造成了分裂。
Anthony Kaldellis:因此,在某种程度上,当你有宗教提出排他性主张时,就会发生这种情况,对吧?就像,我的信念是真实的……而你的信念从定义上来说是错误的。不,不仅是错误的,而且是错误的,甚至是邪恶的。就像也许——……撒旦把它们放在你的脑海里——……引导你误入歧途,对吗?这本质上是分裂的。就像,确实如此。因此,存在这样一个悖论:与古代宗教相比,基督教既更加两极分化,同时作为一种统一力量也更加强大,对吗?所以古代宗教往往不会产生这种冲突或身份、权利、战争或此类事情。在某些情况下他们可以,但在大多数情况下,他们不是以这种方式推动历史的。
Anthony Kaldellis:但是,当你拥有排他性主张时,突然之间,这些社区就得到了巩固,并具有非常强烈的身份,但你也疏远了其他群体——……然后你就与他们发生了冲突。因此,这就是为什么我不能断定基督教在东帝国历史上是一种团结力量还是分裂力量,因为两者兼而有之。 [01:42:47]
Lex Fridman:并且还试图弄清楚统一或分裂的方面是一个功能还是一个错误。 [01:43:14]
Anthony Kaldellis:正确的。
Lex Fridman:也许某些分裂因素是社会内部试图解决自身问题的一种方式,就像内战一样。
Anthony Kaldellis:是的。
Lex Fridman:因此,有时紧张和冲突是了解人们想要什么的良好机制。
Anthony Kaldellis:或者说真相是什么,对吗?
Lex Fridman:或者说真相是什么。
Anthony Kaldellis:是的。所以它喜欢告诉自己的故事是,有这样一个原始真理,真正的信徒的铁杆成员每时每刻都在捍卫这一真理,反对所有这些即将到来的邪恶异端分子——
Anthony Kaldellis:……并试图破坏它。事实上,这个事实是在争议过程中不断演变的。而且,就像,他们常常不知道自己相信这一点,直到回想起来,一旦他们进行了战斗并且获胜者占据了这个位置,哦,现在事实证明这就是我们一直持有的位置,对吗?这种情况一而再、再而三地发生。你知道,很多时候,这些基督教神学家陷入如此多的麻烦,被贴上异教徒的标签,有时甚至被流放,他们并没有任何恶意。他们常常只是在陈述他们认为每个人都相信的事情。
Anthony Kaldellis:然后当他们脱口而出时,亚历山大的某人会说:“什么?那是异端邪说。”然后现在你就有麻烦了。现在你正在参加这场战斗,你可能会赢,也可能会输。但是,他们中的很多人都是出于好意,或者他们无意发起战斗。但总有人想挑衅。 [01:44:31]
Lex Fridman:是的,我的意思是,有时候,对于我在表面上看到的东西或者像图像这样的事情,争论非常激烈。这就像,这似乎是一场非常微妙的……辩论,几乎是学术性的。然后很多人并不认为它是学术的。他们确实认为“魔鬼把一些想法灌输到你的头脑里——”……完全错误,而且这种分裂的出现是令人着迷的。我的意思是,这是一个不可能的问题,我为问这个问题而道歉,但也许值得尝试思考的是,在东罗马帝国几个世纪的宏大规模上,宗教对帝国来说是建设性的还是破坏性的力量?它是帮助它蓬勃发展,还是阻碍了它的发展?
Anthony Kaldellis:这个社会越来越认同它所认为的正统观念。正统只是意味着正确的信仰。我是说- [01:45:41]
Anthony Kaldellis:……就像每个宗教最终都认为自己是正统的,对吧?那是——但那是传统的名字,对吧?今天的东正教可能被称为希腊东正教。我的意思是,这是文化的重要组成部分。确实如此。我无法独立思考它们两个……我的意思是,我尝试这样做是因为,作为一名历史学家,我必须测试这些模型,你知道,并尝试将这些事物视为彼此独立的。但最终,要解开它们是非常困难的,我想说的是,就历史上这是一个成功的社会而言,它的宗教肯定对此做出了贡献并在其中发挥了作用。不是没有代价的,对吧?这对他们很重要。他们很重视它,但对你来说重要的事情是有代价的。
Anthony Kaldellis:而且,他们付出了这个代价。他们愿意为此付出这个代价。例如,最后,他们必须在天主教、西方统治(他们本质上必须在信仰上妥协)和穆斯林、土耳其人统治(他们不必在信仰上妥协)之间做出选择。他们中的一些人明确表示他们更喜欢选项B,因为土耳其人至少会尊重我们的身份。就像,这是一个成本。 [01:46:38]
Lex Fridman:是的。但还有其他层面,比如税收和……政府职能……它们与宗教的联系程度取决于它与税收制度的相互作用。但感觉这就是社会的引擎,而宗教更像是文化层。 [01:47:09]
Anthony Kaldellis:是的。所以这就是为什么我说我尝试思考我们用来理解社会的模型,而不是假设宗教无处不在、适用于一切。现在,我有同事这样做,我不同意他们的观点,但你是完全正确的。我喜欢将这个社会的某些元素视为自己的东西。
Anthony Kaldellis:例如,就像罗马身份一样。这与东正教不一样。还有国家的运作。这些都是非常务实的事情,你可以看到它们与宗教有交叉,主要是在他们使用的术语或词汇领域,或者你知道,就像在顶部,但不是在它们的实际功能上。因此,在我的领域,我是一名历史学家,他试图促进文化的其他方面具有自己的完整性,而不是将它们全部纳入正统教义之中。
Lex Fridman:所以,我的意思是,再一次以一种不可能的方式提出同样的问题。如果你问一个罗马人,一千年的一百万罗马人,“你是罗马人还是基督徒?”答案是什么? [01:48:28]
Anthony Kaldellis:哦,两者都有。哦,绝对是。
Lex Fridman:不,你不能两者都说。你不被允许这样做。
Anthony Kaldellis:为什么不呢?这是——
Lex Fridman:好吧,你是——
Anthony Kaldellis:这是正确的答案。
Lex Fridman:好的。所以你是说他们真的联系在一起。
Anthony Kaldellis:嗯,它们重叠了。但如果你……这可能是一场比大多数人想要的更微妙的对话,但如果你说,“对你来说罗马和基督教是一回事吗?”如果他们想一想,他们很快就能拒绝。因为,我的意思是,从逻辑上讲,有些基督徒不是罗马人。
Anthony Kaldellis:保加利亚人或罗斯人,或者你知道的,无论是谁。有很多基督徒不是罗马人,他们并不因为他们是基督徒而将他们视为罗马人。相反,他们非常清楚,罗马人中也有非基督徒,但他们是怎么知道的呢?因为在教堂里,几乎每周都会庆祝过去被罗马皇帝杀害的殉道者。因此,罗马皇帝对基督徒的暴力行为就像他们所记得的那样。他们非常清楚。所以这两件事并不完美重叠。 [01:49:20]
Anthony Kaldellis:在某些情况下,你会更加罗马化,而在某些情况下,你会更加基督教化。你会发现我喜欢这样做的人物。正如一些消息来源所说,我发现一些人物并没有过多关注基督教的事物。就像,他们只是政客。他们只是在做他们的工作。然后你会发现那些愿意奉献自己的人物。他们全力支持东正教和修道院制度。他们根本不关心罗马的东西。
Anthony Kaldellis:事实上,这就是我喜欢这个社会的部分原因,因为它有这些选择供人们选择。还有另外一个。还有希腊的东西,因为他们的语言是希腊的,他们的文学是希腊的,所以社会上有人全力投入希腊的东西。正确的?我将这个社会视为这三种元素以这些迷人的组合共存的实验室。通常都是组合,对吧?但有时你会发现有人试图以某种方式成为纯粹主义者。这是历史上唯一可以做到这一点的社会,因为它是唯一一个罗马、基督教和希腊的社会。但方式不同,对吧? [01:50:25]
Lex Fridman:是的,不幸的是,我认为这很诱人,但可能不可能说如果我们取消税收制度,罗马帝国会或多或少成功吗?如果我们消除宗教,它会或多或少成功吗?如果我们去掉希腊语并一直保留拉丁语,它会或多或少成功吗?进行这种分析可能是不可能的,因为它们都如此深度集成。 [01:51:06]
Anthony Kaldellis:从根本上说,它也不会是原来的样子。这会是不同的事情。
Lex Fridman:但有一个很大的诱惑,这就是你工作的核心,去理解为什么东罗马帝国能够持续这么久。为什么更广泛的罗马帝国能够持续这么久?因为就世界人口稠密地区的持续时间和稳定性而言,即使不是最成功的帝国,它也是之一。
Anthony Kaldellis:这实际上就像我的下一个项目。我开始写一本书,试图从分析的角度解释原因。 [01:52:02]
Lex Fridman:怎么持续了这么久?你的很多工作都暗示了这一点。它无处不在。但你正试图做得更系统化。所以,我们会不断暗示这一点。但要给君士坦丁堡打上领结,它的人口在短短两个世纪内就从大约 25,000 人的极低人口增加到了 500,000 人。那么你能解释一下这是怎么发生的吗?
Anthony Kaldellis:嗯,这不仅仅是通过城市本身的人口增长和再生产来实现的。这样的增长速度对于一座古城来说是不可能的。所以当我说20,000、25,000时,这可能就是拜占庭古城所拥有的——
Anthony Kaldellis:……当君士坦丁决定建立君士坦丁堡时,它在两个世纪内发展成为一座拥有 50 万人口的城市。这只能通过一种方式实现,那就是从各省移民。所以人们一定是大量迁移到那里的,这是一种我们在资料中看不到很清楚的运动,但我们必须推断它,然后尝试解释它。所以还有另一个因素,那就是我们现在知道或怀疑的古代城市就是一些历史学家所说的死亡陷阱。换句话说,疾病的密度如此之大,以至于古代城市每年可能会失去 1%、2%、甚至 3% 的人口。因此,为了保持稳定的人口,他们必须进口人口。
Anthony Kaldellis:正确的?现在,它们不像 17 世纪的伦敦。他们并没有那么糟糕。 [01:53:49]
Lex Fridman:疾病和瘟疫似乎很普遍吗?
Anthony Kaldellis:哦,是的。现在,你知道,罗马城市对这类事情进行了一些修正,比如他们在城市中分配水的方式。无论如何,他们并没有想象的那么糟糕,但就是这样。因此,不仅要保持人口稳定,还要大幅增加人口数量,这意味着大量人口来自各省,其中大部分是希腊语省份。所以,你知道,希腊、小亚细亚和东方的一些主要城市都是说希腊语的。我开始想,就像,这是怎么发生的?一方面,这些人是谁?然后我做了一些简单的计算。所以我之前提到我们有大约二千名参议员——
Anthony Kaldellis:……最初需要居住在君士坦丁堡的人。好吧,参议员并不住在单身汉公寓里。参议员有庄园。他们有家政人员,对吧?在当时的罗马,有一个计算,一个元老院家族大概有100人吧?只是仆人、奴隶、舞女、厨师、理发师等等,对吧?因此,让我们保守地假设君士坦丁堡只有 30 人,这个数字可能很低,对吧?所以如果你算一下,你就会开始得到类似的结果,我的意思是,接近 100,000 人,对吗?这只是通过引入参议员来实现的。 [01:54:40]
Anthony Kaldellis:正确的?他们和人一起来。所以我认为这是人口的核心。现在君士坦丁还为可能多达 20 万人提供了粮食救济金和面包。所以这会激励更多的人去那里旅行,因为有- [01:55:22]
Lex Fridman:这样你就可以得到免费的面包。
Anthony Kaldellis:是的。你不能仅靠这个生活,但它确实是,它是某种东西。
Lex Fridman:激励。他真的将资源从罗马转移到君士坦丁堡吗?
Anthony Kaldellis:绝对地。哦,是的。那些谷物,来自埃及。所以新罗马实际上是从旧罗马的嘴里偷食物。现在,老罗马并没有挨饿,因为他们,他们转移了其他人……比如来自北非和西西里岛,你可以养活罗马,对吗?
Lex Fridman:但它向生活在古罗马的人们发出了一个强烈的信号:从长远来看,我们可能应该搬家。 [01:56:11]
Anthony Kaldellis:有些人确实会动。我们知道一些参议员是从罗马搬来的。它发出了关于该州优先事项的信号,就像他们在东部进行了更多投资一样。东方将被视为一个平等的平行罗马世界。是的。
Lex Fridman:当我们谈论转移资源时,西方在公元 476 年慢慢衰落和崩溃。于是西哥特人于公元410年洗劫了罗马,公元476年,最后一位西方皇帝被废黜,标志着西罗马帝国的终结。高层次问题:西罗马帝国衰落和崩溃的原因是什么?正如我们所谈论的,无休无止的内战,软弱的皇帝。存在经济货币危机,税基不断缩小,军队成本不断上升。主要省份的损失,特别是北非。随着野蛮人越来越多地移民到……西罗马帝国,他们依赖于契约化的野蛮军队。一系列的入侵、匈奴压力下的移民扩张,以及东西方的分裂。较富裕的东方得以幸存,而西方则无法在……分裂的情况下保持稳定。
Anthony Kaldellis:是的。问题的关键在于,野蛮军队,即来自帝国之外的军队,在五世纪期间对帝国施加了越来越大的压力。无论出于何种原因,当罗马国家未能镇压其中一个人,比如说,将他们定居在这里或允许他们留在这里,或者无法阻止他们,然后他们像汪达尔人在北非那样占领了一个省份……这就造成了这种恶性循环,因为罗马国家失去了从这些省份获得资源的机会,那就是税收,如果没有这些资源,他们就无法,你知道,维持、动员、支付他们的军队费用。 [01:57:48]
Anthony Kaldellis:然后他们就没有那么多的军队来对付下一波到来的野蛮人。之前定居的野蛮人在某种程度上宣布了他们的独立。他们也无法被放下,所以这就形成了一个恶性循环,就这样持续下去。实际上,这不是火箭科学。我的意思是,你可以看到它正在上演。是的。现在,这些群体是谁,他们来自哪里,他们为什么穿越,那个,那个,这些都是不同的问题,对吗?但从罗马人的角度来看,这就是经历的方式。这些军队可以击败罗马野战军—— [01:58:28]
Anthony Kaldellis:……对,在战斗中。有时他们会这样做。然后他们定居并占领领土,然后你就失去了收入,所以你无法招募自己的军队。所以,无论如何,这就是这样的循环。东方试图提供帮助。偶尔他们也会出兵,但也同样会受到一些压力。因为请记住,哥特人在 376 年第一次大规模跨越多瑙河。几年后发生了阿德里安堡之战,在那里,一支半野战军被歼灭,瓦伦斯皇帝去世,哥特人在巴尔干地区陷入了松散。然后与他们进行了长达四年的长期战争。 [01:59:03]
Anthony Kaldellis:这导致了一种双方都没有获胜的休战,罗马人第一次接受了这支准独立的哥特军队在帝国领土上的存在。正如我所说,这是前所未有的,它造成了很多紧张和功能障碍。好吧,那为什么东方能生存下来,而西方却不能,对吗?
Anthony Kaldellis:有……所以……我们可以在这里给出很多原因,但其中之一是我们之前讨论的地理位置。换句话说,如果没有舰队(哥特人没有),哥特人就无法从色雷斯或巴尔干西部穿越到小亚细亚,并掠夺一些更繁荣的省份。所以他们被困在巴尔干地区。他们逐渐被推向西巴尔干地区,那是最糟糕的部分,你知道,当时你想进去。最终,他们决定,“嗯,你知道,那不勒斯更好一些。”所以他们去了意大利,对吗?只是因为他们有更多的资源。这就是东方设法做到的一种方式…… [02:00:08]
Anthony Kaldellis:它并不是故意这样做的,但地理因素将这些入侵者推向了西方。
Lex Fridman:这就是其中之一。所以地理在某种程度上是地理的运气,而且……入侵者和帝国的地理。但是,你知道,东方有很多入侵者,因为……并且有时仍然勉强能——……在入侵者中幸存下来,所以……其中一些可能是运气。其中一些可能是关于入侵者的本质和他们军队的有效性,诸如此类的事情。 [02:01:00]
Anthony Kaldellis:顺便说一下,它在另一个方向上也起作用。因此,如果有波斯人或阿拉伯人从东方进入小亚细亚,他们通常无法进入巴尔干省份。所以你可以向后退到一侧或另一侧。他们……如果你加固君士坦丁堡,使其成为坚不可摧的碉堡,确实如此,对吗?所以你,你控制着君士坦丁堡的指挥中心。您可以根据问题所在的位置在欧洲或亚洲省份之间切换。你可以从任何一方呼叫增援。所以东方确实有这样的优势。这并不是它能够长久存在的原因,尽管这是一个原因。你也知道,他们在某个时候会获得火焰喷射器,这——……这些也有帮助。
Anthony Kaldellis:正确的?最终,我认为这是当地社区做出的决定,最终还是坚持罗马国家。就像,他们不会积极地站在入侵者一边。当麻烦过去后,他们立即恢复与君士坦丁堡的社区。就像,这是他们天然的政治家园。这就是我真正想回答的问题,比如,为什么会发生这种情况? [02:02:12]
Lex Fridman:你知道,我们应该说,就像我们多次阐明的那样,罗马帝国幸存了下来——所以这不像罗马帝国崩溃了,另一个拜占庭帝国诞生了。确实,发生了转变,而这种转变的部分原因是康斯坦丁,对吗?这不仅与首都在哪里有关,而且我确信从西方到东方,总体上正在朝着这个方向发展。而且,在很多方面,你知道,软弱的皇帝和西方,软弱的领导人,政府结构,所有这些因素加在一起——……也许人口的变化和下降与帝国中心的转移有关。所以最终——
Lex Fridman:……并不是西罗马帝国崩溃了,而是罗马帝国的中心发生了转移。正因为如此,历史上的西方崩溃了。 [02:03:27]
Anthony Kaldellis:这非常引人注目。例如,到了 430 年代,君士坦丁堡基本上已经在为西方编纂罗马法了。因此,拉丁文的罗马法在君士坦丁堡被编成法典,然后发送到西方,“哦,这是你的法典。”这是在 430 年代,所以在两者之间所谓的划分之后,就像我说的,有点松散。这并不困难和快速。公元六世纪,东方在查士丁尼的统治下重新征服了部分西方地区。
Anthony Kaldellis:不仅如此,他还更大规模地重新编纂了罗马法,然后该法律就成为了西方法律。所以从某种意义上说,我们所知道的罗马法来自君士坦丁堡。它并非来自古罗马。我的意思是,它最终来自古罗马,但我们没有它的那些版本。我们有它的东罗马版本。是东罗马重新征服了罗马。这是一个有趣的倒置,你知道,因为君士坦丁堡位于色雷斯省,这个省一直被认为是倒退的,对吧?在早期的凯撒时代,如果你在罗马,你会想,你知道,色雷斯,就像是,“呃。”就像,你知道,某种,是的,罗马帝国的腋窝之类的,你知道吗? [02:04:10]
Anthony Kaldellis:但到了查士丁尼时代,情况就完全颠倒了。就像罗马世界的首都一样,它的核心就在那里,而罗马是意大利的一种落后省级城市,你知道,你刚刚从哥特人手中解放出来,它已经成了废墟。论坛的街道上有狼在游荡。所以这是对权力中心的彻底改革。几乎翻了个底朝天。
Lex Fridman:我认为可以公平地说,东方的原因……东方能够持续这么久的部分原因是我们提到的主题,即政府结构。那么,我们是否可以再次缩小范围,解释政府在东罗马帝国运作的关键方式,以及它在帝国的一生中是如何演变的? [02:05:18]
Anthony Kaldellis:广义上来说,有民用和军用之分,对吧?你实际上可能会添加教堂。此时将教会视为一种政府机构是完全合理的。但我们还是只关注军事和民用吧。军事非常简单,任何学习军事史的学生都可以认出。这就是你招募、组织、装备、支付和领导士兵的方式。东罗马国家往往拥有更强大的军事实力,至少是纸面实力。主动则是另一回事。比如,你在一场战役中携带多少士兵是另一回事,但你在各省维持多少士兵,对吧,是……对于中世纪社会来说,这往往偏大,对吗?
Anthony Kaldellis:因此,它与后来的哈里发国相比是有利的,哈里发国是一个更大的领土实体。所以军队就是这样。根据时期的不同,其最低数量可能在 100,000 左右,最高可达 250,000 左右。人很多。有很多男人。考虑到他们的家庭,对吗?如果你愿意的话,这些也是整个军事经济综合体的一部分。 [02:06:30]
Lex Fridman:他们是职业军人,所以,这就是他们的工作。 [02:07:05]
Anthony Kaldellis:是的。
Lex Fridman:而东罗马帝国历史上大部分军队都是防御性军队吗?
Anthony Kaldellis:大多数情况下,但并非总是如此。
Lex Fridman:我们将讨论查士丁尼。
Anthony Kaldellis:这样就有了民政管理部门。民政管理部门做了很多事情。主要是要找到经费来支付这支军队,这是国家预算中最大的一项开支,对吗?因此,为了找到这些资金,它必须对资产进行普查,并且必须能够对它们征税,并且有很多不同的方法可以做到这一点。所以民政部门有很多税务局、记录保存之类的东西,也是解决与帝国财政纠纷的法律部门。好的。但民政部门还做许多其他事情。
Anthony Kaldellis:例如,帝国的整个法律监管:法院、法官、上诉法院,或者还颁布法律、保存记录,所有这些。这些是与帝国臣民有关的主要部门。 [02:08:00]
Anthony Kaldellis:皇帝显然设有负责外交等事务的机构,对吧,或者管理宫廷工作人员,因为皇宫是一个庞大的机构,对吧?然后还有一些捐赠基金,你知道,主要的教堂,例如圣索菲亚大教堂,有数百名工作人员、神职人员,你知道,还有读者,所以他们需要得到报酬,所以你需要捐赠基金。皇室呢,有开支,就需要禀赋吧?因此,有大量土地被指定用于此类费用,需要管理。所以这会成倍增加,对吗?我的意思是,继续,继续,继续。
Lex Fridman:我确信税法不是简单的统一税。这——……可能非常复杂。所以就像在美国一样,感觉美国的大部分基本上都是律师和国税局。我认为这可能 98% 是律师。
Anthony Kaldellis:律师。 [02:09:18]
Lex Fridman:我不确定这是否科学——
Anthony Kaldellis:我认为他们现在将国税局的规模缩小到了它实际上无能为力的程度。
Lex Fridman:他们把它缩小了——
Anthony Kaldellis:我以为这只是——
Lex Fridman:……现在只有 90%。
Anthony Kaldellis:90,只是90。
Lex Fridman:不。我认为有一些东西——这是关于人性和政府本质的另一场对话,但有一些东西,比如,我认为不可能有一个不成长的国税局类型的组织。我想也许是出于好意,因为你不能——你必须,比如——……每个人总是来找你,“好吧,我不……这是我的特殊情况。我希望我的税收更低。”他们还添加了另一条线。 “好吧,如果你有——……紫色头发,你——”
Anthony Kaldellis:对,对。 [02:10:06]
Lex Fridman:……税收减少。所以你不断地添加,然后当然,你添加的越多,事情就变得越不透明。因此,腐败渗透进来,或者,你知道,也许不像官方腐败,但是——……腐败轻,然后税法增长,然后突然间你有了这些大型机构,然后——
Anthony Kaldellis:是的
Lex Fridman:......鼓励腐败,然后就有了官僚主义,就有了动力,这就是人类的样子。
Anthony Kaldellis:是的。所以这种情况也发生在东罗马社会。我给你举一些例子。因此,并没有这样的税法,但它的运作方式基本上是通过豁免。所以你申请豁免。你可能是一个寺院,你可能是一个富人,你可能是一个与朝廷关系密切的人。你可能是一个苦苦挣扎的省级村庄,你向皇帝或某个官员请愿,你说,“嘿,我们知道我们度过了一个糟糕的季节”,或者,“野蛮人来了,他们拿走了我们所有的……我们无法缴纳税款。我们可以豁免吗?”皇帝经常会针对非常具体的事情给予这些豁免,比如今年或税收或其他什么。
Anthony Kaldellis:问题在于,皇帝们时不时地发现他们的官员会自行授予这些豁免。因此,每隔一段时间,皇帝就必须清理内部空间,取消所有这些豁免并重新开始整个过程。但后来,一旦我们开始有了文件,就像在11世纪,我们看到每一点——好吧,不是每一个,但是我们有所有这些修道院,这些小村庄,这些高级官员,他们都有这些文件,使他们免受这样或那样或其他事情的影响,事情变得如此复杂,这就是它的运作方式。 [02:11:15]
Lex Fridman:但让整个事情运转起来的是社会的引擎,因为你必须资助——我的意思是,有基础设施项目,但你也必须资助军队,而军队是防御所有军事入侵所必需的。
Anthony Kaldellis:是啊,是啊,是啊。 [02:12:02]
Lex Fridman:官僚机构中很大一部分似乎是太监,即被阉割的人。您能解释一下为什么这是一件突出的事情吗?
Anthony Kaldellis:太监是皇帝的内务人员的一部分。那么那就像是——会是什么?白宫西翼或类似的地方。所以他们是处理皇室人物、寝宫、宫廷生活组织的人——比如宴会,你知道的,这类事情——衣柜。为什么它们很重要?所以,首先,如果你整天和皇帝在一起,对吧?就像,你正在主持会议,你……对吗?人们可以来找你说:“嘿,我需要你为任何事情说几句好话,”对吗?这样他们就能把事情做好。所以你贿赂他们,他们就能把事情做好。所以它们在这方面非常有用。由于这个原因,他们也有点被讨厌。
Anthony Kaldellis:正确的?但他们也有可能被讨厌。换句话说,当人们没有从法庭得到他们想要的东西时,他们有时会感到很多挫败感,他们会承受很多。好的。这是一回事。这是另一件更有趣的事情。作为皇帝,你如何确保你的官僚机构不会取代你?就像,如果官僚机构正在处理管理帝国的所有事务,我们需要你做什么?正确的?就像,官僚机构可以制定自己的规则——
Anthony Kaldellis:......解决所有问题,处理请愿和豁免等等。就像,他们可以做到。那么你的力量到底在哪里呢?因此,皇帝们不希望被这些更加客观的机构所取代或掩盖。因此他们经常会建立平行的权力轨道。所以这可能有点令人困惑。因此,太监是完美的,因为他们往往来自帝国之外,或者他们以前是奴隶。他们与权势家族的网络没有联系。 [02:13:29]
Anthony Kaldellis:所以你知道他们通常会忠于你,因为他们的地位和权力完全依赖于你,皇帝。有时你会说:“好吧,我让你负责这支军队。”从字面上看,就像让你负责一支军队,这样你就可以平衡现有将军的网络,然后你就会从我的衣柜里得到一个太监。你知道,我让他负责。因此,这种情况发生了一些变化,以至于属于系统或网络一部分的人们永远无法完全相信这可以让他们获得他们想要的所有权力。他们现在必须对这个衣柜里的太监负责,他就像在他们的系统之外。 [02:14:04]
Anthony Kaldellis:有时这些太监非常能干,比如查士丁尼的将军纳尔西斯,他在意大利的这场大规模战役中击败了哥特人。就像,这家伙是个十足的硬汉。而他就是这个小老头。他年纪很大,个子又小,又是个太监,哥特人都嘲笑他,但他笑到了最后,不是吗?
Lex Fridman:难道他们是太监,就不能传承血脉吗? [02:15:04]
Anthony Kaldellis:是的。他们无法拥有自己的家庭,因此他们无法照顾自己的后代。他们是一种,呃,孤立的个体,完全依赖于你的青睐。
Lex Fridman:是否知道阉割几乎总是通过武力进行?
Anthony Kaldellis:社会上普遍存在太监。他们通常是主教。他们有时被任命为君士坦丁堡牧首。他们——……他们处于各种职位。他们中的许多人是违背自己意愿被奴役和阉割的儿童。然而,有时他们会根据家人的意愿被阉割。在一些地方,比如高加索,有一些地区以出产太监而闻名,还有波斯等等。而且,我们非常确定这发生在帝国内部,因为有些家族确实想在宫廷中安置一名太监。所以从帕夫拉戈尼亚,有很多……这是在小亚细亚北部。所以他们会……这几乎就像一个家庭策略。
Lex Fridman:我的意思是,这很有趣。令人着迷的是,他们在皇帝的内部圈子里有如此多的代表,因此具有真正的影响力。 [02:16:15]
Anthony Kaldellis:哦,是的。但情况总是如此,即使在罗马,就像在朱利奥·克劳迪安统治下……你知道,第一个凯撒。都是这些有权有势的太监,元老阶级总是对他们恨之入骨。我的意思是,这只是同样的动态。
Lex Fridman:在我和你一起听的众多播客之一中,你说过的有趣的事情之一是,你说没有孤立的人,你知道,没有与帝国脱节的人……例如,他们可能不知道税收,或者只是觉得自己没有融入这个体系。我的意思是,这对我来说真的很有趣,作为一个民族,有如此多的联系,有如此多的凝聚力。
Anthony Kaldellis:这些人并不存在,这些孤立的农民。这是一个神话,有一天我会写一章关于这个问题的文章,因为你偶尔会遇到这样的想法,嗯,实际上在学术界经常遇到,即在某个地方存在着这样的农村社区,他们不知道君士坦丁堡正在发生什么。他们可能不知道,甚至不知道皇帝是谁。他们被切断了。也许税务官员会偶尔出现,也许不会,他们只是过着自己的生活,不受国家的影响,我们怀疑,因为中世纪的国家,你知道,总是无能为力,不能影响人们的生活。这些社区根本没有任何证据。 [02:17:12]
Anthony Kaldellis:最多,你可能会尝试找到一些,比如,真正的隐士,比如,真正的基督教禁欲隐士,他们试图出去寻找这种情况,有时他们在文本中被描述为,比如,哦,某某深入山中,甚至连税收普查的人都没有出现在那里,这告诉你他们如何看待孤立意味着什么,对吗?所以这不是……这是一个每块耕地都经过几个世纪的人口普查的国家。你不可能隐藏一个村庄吧?税收过程并不像他们每年来一次,给我们一些硬币,然后我们就离开。实际上更像是一年三次。
Anthony Kaldellis:税收不仅仅是硬币,也许是实物支付或其他什么,而是一大堆东西,比如服务和新兵等等……你是对的。一旦你开始将所有这些东西加起来,它就会创建一个非常密集的制度矩阵,所有社区都融入其中。 [02:18:41]
Anthony Kaldellis:他们无法摆脱它。还有,他们,他们有一个教堂,不是吗?如果他们有教堂,他们就有日历。当然,他们有日历是因为……那么,他们如何组织时间、空间、边界以及所有这些东西?不,这都是州立机构——他们如何支付费用?他们有硬币。硬币无处不在。因此,我认为这些机构构建了每个人的方式,即使是在乡村社区,甚至在最孤立的社区中,据说他们如何思考时间、空间、价值、关系、权力和亲属关系等问题。 [02:19:02]
Lex Fridman:所以你说的是税收是让帝国团结在一起的东西。
Anthony Kaldellis:基本上是的。
Lex Fridman:我的意思是,这是——……这是真的,对吧?这就是,这就是你所知道的。
Anthony Kaldellis:是的。但最重要的是经济、货币等分层的东西,对吗?但还有教堂。
Lex Fridman:是的,就像你说的,教堂很重要。整个帝国都有教堂。
Anthony Kaldellis:是的,他们有布道,他们在仪式结束后为皇帝祈祷。不,不存在孤立的社区。 [02:20:01]
Lex Fridman:因此,我简要提到的一件事很值得详细说明,那就是君主制共和国这个术语。所以我们一直在使用“王国”、“共和国”、“帝国”和“君主制”等词语。那么,真正的……什么是一个很好的适用术语来形容这个东西——……东罗马帝国?
Anthony Kaldellis:这是一个很好的问题,我很高兴你提出这个问题,因为我们传统上称其为拜占庭帝国,但实际上这两者都不是。我们谈论了拜占庭。现在,帝国有点问题,因为首先,在希腊语中,在他们这个时期使用的希腊语中,没有一个术语与我们的帝国概念相对应。这不是官方条款的一部分。甚至……他们甚至没有一个术语来形容它。你可以……有些术语可能意味着诸如状态、arche 或 kratos 之类的意思。但在大多数情况下,它要么是 basileia,我们可以将其翻译为君主制,要么是politeia,即政体。希腊语中的politeia,即政体,是拉丁语res publica 的希腊语翻译。
Anthony Kaldellis:Res publica 并不意味着我们对罗马人来说的共和国,就像非君主政体,对吗?这就是我们所说的美利坚合众国,或者你知道的。这是后来出现的用法,比如启蒙运动时期。在拉丁语中,res publica 是共同事务,是构成政治共同体的人民的共同利益,无论他们拥有何种政体。就像西塞罗可以想象的那样,罗马的公共机构由国王、元老院或民主国家统治。他们继续使用这个词。我们不按照罗马规范使用它。我们根据现代规范使用它,即共和国一词。所以他们继续称其为“res publica”或“皇帝统治下的政体”,对吧? [02:21:24]
Anthony Kaldellis:人们都知道,皇帝的角色,无论他是凯撒还是巴西勒斯,无论是什么语言,都是为政体服务。他们一直这么说。因此,最常出现在资料来源中的术语是“罗马人的巴西利亚”、“罗马人的政体”或“罗马尼亚”,这是这个国家的专有名称。不是帝国。 [02:22:09]
Anthony Kaldellis:现在,帝国。在现代英语中,帝国通常是指一个群体征服并统治其他群体时建立的国家。它可能是一个种族群体。它可能是一个民族宗教团体。不管怎样,它可能是一个政治团体。但这是一种征服行为,并导致一个群体统治其他群体的状态。罗马尼亚实际上并不是这样构成的。我们已经讨论过这个了。在很大程度上,所有罗马公民都在自我统治——就像罗马臣民通过自己的政府来统治自己一样。所以严格来说它并不是一个帝国。现在,偶尔他们也会征服别人吧?我们谈论了战争。有时,这不仅仅是防御性的。有时这很令人反感,对吗?
Anthony Kaldellis:在这种情况下,你们确实建立了帝国关系。就像我们罗马人统治着另一个群体一样。可能是斯拉夫人,也可能是保加利亚人,也可能是其他任何人。或者甚至是 11 世纪叙利亚北部一段时间内的一些穆斯林——而你们也不是罗马人。这就是帝国关系。问题是,你需要多少这样的帝国关系才能决定,好吧,我们已经达到了一个临界点,现在我们只是将整个事情称为帝国?就我个人而言,我认为我们永远不会达到这一点。我的意思是,即使在今天,所有州都有类似的少数族裔。他们中的一些人是该州的一部分,因为他们曾经被征服过。但我们不一定称这些国家为帝国。虽然… [02:23:17]
Anthony Kaldellis:比如,看看英国。好吧,威尔士被征服了。而且,你知道,威尔士人有自己的身份、自己的语言。我不知道你现在会称其为帝国关系。或许。我不知道。 [02:24:05]
Lex Fridman:我认为帝国这个词还有一个同义用法,指的是国家拥有的权力……在全球地缘政治背景下。因此,有时帝国被用作超级大国的同义词,这意味着它是世界上主要的……国家之一,这并不一定与其历史的帝国性质有关。
Anthony Kaldellis:这是真的。
Lex Fridman:因此,美利坚帝国,美帝国。
Anthony Kaldellis:是的。例如,尽管你永远不会将美国政体描述为帝国政体,因为它没有皇帝。但无论如何,是的。问题是,在我的领域,我们通常使用“帝国”这个词,即使你刚才描述的情况显然没有发生,甚至到了最后。它不是世界主要强国。它在伯罗奔尼撒半岛有几个岛屿,但我们称其为帝国和皇帝,这完全是荒谬的。他们的语言中甚至没有一个术语来形容这类事情。不管怎样,我们可以随心所欲地称呼事物,这样我们就可以理解现实是什么——……以及我们使用这些术语的含义。我认为这是最重要的。是的。
Lex Fridman:那么让我们来看看两个令人着迷的词:君主制共和国。 [02:25:35]
Anthony Kaldellis:正确的。
Lex Fridman:为什么这个词对于东罗马帝国来说是一个好词呢?
Anthony Kaldellis:因为他们非常理解这是罗马意义上的公共政体,由君主政体统治。
Lex Fridman:所以这两个元素,顶部有一个皇帝,它在政治上像共和国一样运作。
Anthony Kaldellis:此外,皇帝还应该为共和国工作。就像,他们一直这么说。所以,这就是他们的构想。例如,在其他类型的王朝帝国中,你找不到它,那些帝国不是在古代共和国的背景下出现的。这就是我觉得这个文明如此迷人的另一个原因,对吗?我的意思是,我们提到了希腊、罗马和基督教元素,这些元素是相互碰撞的。这对我来说很有趣,部分原因是它是君主权力的奇怪组合,就像行政机构一样……以及它所赖以运作的共和主义基线意识形态。是的,他们有时会达到紧要关头。 [02:26:04]
Lex Fridman:到底有没有达到军事独裁的程度?因为尤其是当将军坐在皇帝的位子上时,是的,有共和国,是的,有政治讨论,但军队拥有很大的权力。那么,正如人们在谈论罗马帝国时有时会提到的那样,它在多大程度上是军事独裁呢?
Anthony Kaldellis:是的,例如奥古斯都的立场和他的继任者的立场被称为军事独裁。换句话说,当事情到了紧要关头……而政治权力的基础是军队时,那么我认为历史学家谈论军事独裁是合法的。但这就是为什么我不认为东罗马帝国是一个军事独裁国家。尽管皇帝控制着军队,而军队本身通常对谁成为皇帝有发言权,就像我们提到的内战一样。好的。我之所以不认为这是军事独裁,是因为他们几乎从不、非常、非常、很少使用军队作为社会控制的工具。 [02:27:12]
Lex Fridman:这对你来说不奇怪吗?因为你在人类历史的大部分时间里都看到了这一点。 [02:28:03]
Anthony Kaldellis:是的。
Lex Fridman:事实上,我的意思是,他们一千年以来都没有采取这种做法,这根本就不是一件事。
Anthony Kaldellis:作为抑制人口增长的一种方式,你只是看不到而已。部分原因是我认为不需要限制人口数量。就像,这又回到了我们正在谈论的共识。人们的理解是,军队的存在是为了保护罗马人民。并且经常被招募到其中。在我学习的大部分时间里,我都生活在他们中间。因此,当皇帝必须征召军队时,他们实际上是从当地村庄征召士兵。
Lex Fridman:令人难以置信的是,这竟然有效。我认为内战作为一种机制是有效的。因为纵观人类历史,我的意思是,即使看看最近的历史,独裁者利用军队镇压人民也是很常见的事情。
Anthony Kaldellis:是的,但这不是很危险吗?看看有多少现代政权试图使用自己的军队来对抗正处于崛起时刻的人民。 [02:29:05]
Lex Fridman:它不会持久。
Anthony Kaldellis:嗯,这是一个风险。就像阿拉伯之春一样。尤其是在埃及。你可以,你可以看出,在那三个星期里,穆巴拉克试图决定他是否真的可以指望军队镇压抗议者,因为你永远不知道如果你要求他们向平民开枪,他们会做什么。它可能会给你带来严重的适得其反的后果。所以我认为这是一种非常危险的力量,即使在现代政权的背景下,也可能导致政权更迭。
Lex Fridman:当然,这背后蕴藏着巨大的智慧,但是,你知道,领导者并不总是明智的,而且常常不明智。通常,他们一开始可能是明智的,但随着时间的推移,权力会腐蚀他们,所以事实上,这种情况不会一次又一次地发生……在东罗马帝国,是的,那里只是有令人着迷的信号。我的意思是,这涉及到你想要写的书——……关于为什么事情会持续下去。所以…
Anthony Kaldellis:有一位皇帝确实做到了这一点,那就是查士丁尼。 [02:30:19]
Lex Fridman:嗯嗯。是的,他变得狂野。那么我们来谈谈查士丁尼。我们必须。我们必须谈谈查士丁尼。历史上最有影响力的罗马皇帝之一从农民起家,后来掌权成为皇帝。他进行了征服战争,影响深远。那么他是谁?
Anthony Kaldellis:好的。查士丁尼在位时间是527年到565年,在位时间相当长。他是前任皇帝查士丁一世的侄子,查士丁一世年纪较大,在查士丁尼之前统治了不到十年。他们都来自巴尔干西部的小型贫困农业社区。
Lex Fridman:我们应该说,贾斯汀一世最终进入了你最差的十位皇帝名单。 [02:31:06]
Anthony Kaldellis:是的,为了一个决定。他不是最坏的人中的最坏的人,但他在教会政策方面做出了非常非常糟糕的决定,导致教会分裂。在我看来,他不应该这样做。但顺便说一句,查士丁尼是一个极其复杂的人物。首先,我发现无法决定把他放在最好的皇帝还是最差的皇帝身上。
Lex Fridman:是的,你——我的意思是,你很辣,是的。
Anthony Kaldellis:是啊是啊。你必须对这些事情具有挑衅性。我认为省略这两个就是这样,而且确实如此。所以,我们在这里讨论它。
Lex Fridman:是的,是的,完全正确。争议。
Anthony Kaldellis:通过我们一直在谈论的所有社会流动体系,贾斯汀最终成为了皇帝。由于他的军事背景,他只是晋升。他在正确的时间出现在正确的地点,成为了皇帝,然后他逐渐定位了他的侄子查士丁尼,他的背景我们不知道。从字面上看,查士丁尼在 38 岁出现在历史记录中之前做过什么,我们一无所知。相同的背景。我们知道他来自哪里,但我们不知道他在做什么,尽管他是几十年来的现役军人吗?我们不知道。可能不会。他具备罗马法和一些基督教神学等知识。这似乎就是他所知道的。
Anthony Kaldellis:然后贾斯汀最终将他定位为他的继任者,有点不情愿,但他做到了。查士丁尼还娶了西奥多拉,她是一名前性工作者,这是一个有争议的选择。至此,他已经成为参议员并拥有所有这些高级将领,然后他成为皇帝。 [02:32:26]
Lex Fridman:她也很有影响力,是吗?
Anthony Kaldellis:非常强大,是的。
Lex Fridman:非常强大。
Anthony Kaldellis:在他的统治下,是的,在他的统治期间。因此,查士丁尼选择伙伴(包括他的妻子)的有趣之处在于,他似乎只是选择了他认为有才华的人……或者这对他作为统治者有利,而不是他们的社会阶层或声望。所以他的周围聚集了一群形形色色的奇怪的人,有时甚至是这类声名狼藉的人。但他们做了他希望他们做的事,而且他们——他们——对世界历史产生了持久的影响。所以他对人才有慧眼,如果他认为其他人可能会看不起的人能完成工作,他会毫不犹豫地挑选他们。
Anthony Kaldellis:这些是使他能够取得如此成功的一些特质。这就是他的背景。他主要讲拉丁语,但他也懂希腊语。 [02:33:39]
Lex Fridman:所以他在这里,他,但正如我提到的,他经历了征服战争。他还彻底修改了罗马法。
Anthony Kaldellis:他任命了一个委员会——……就像一个委员会——……将整个罗马法浓缩成我们今天所说的《民法大全》,它是罗马民法的主体。这是一项庞大的法典编纂工作,也是我们罗马法的主要来源。绝大多数情况下,我们所说的罗马法就是查士丁尼委员会,特别是特里波尼安这个非常有成就的法学家所说的。
Lex Fridman:嗯嗯。那,这种情况持续了吗?那最后了吗? [02:34:31]
Anthony Kaldellis:是的,直到今天仍然如此。当你研究罗马法时,你正在研究特里波尼安委员会。
Lex Fridman:那么,就我们的现代社会而言,这种编纂、管理东罗马帝国的稳定法律有多大影响?
Anthony Kaldellis:嗯,我的意思是,罗马法律概念遍及从哲学到政治思想再到实际罗马法律实践的一切。我的意思是,这取决于你所在的国家。因此,在欧洲许多国家,这是现行法律。从某种程度上来说确实如此。我的意思是,我有点夸张了。但法律学者必须研究罗马法。即使是法学院的学生也必须这样做。在美国或英国等拥有所谓普通法体系的国家,情况就不那么严重了。但是罗马法中关于财产、权利、所有权等的观念对于形成诸如政治思想中的主权等观念非常重要。是的,这是君士坦丁堡有史以来最重要、最有影响力的委员会工作行为之一。
Lex Fridman:因此,回到这里的困惑,看看查士丁尼法律的某些方面,它们包括私法、人、物、行为的系统结构,对财产和合同的强有力的保护,详细的家庭和继承规则,以及基于等级地位的人观。这些要素成为后来民法体系的模板。还有一些总体结构、三方模式、围绕人物、法律主体、事物和程序行为组织的法律。本质上是谁、什么以及如何……私法。它还在继续。我的意思是,我在这里读到的很多东西听起来确实像我们所认为的法律。婚姻。 [02:35:41]
Anthony Kaldellis:看,大部分都是关于财产的。 [02:36:31]
Lex Fridman:婚姻是一种法律地位。合法婚姻需要遵守有关年龄、公民身份、同名或禁止学位、乱伦规则、收养关系等的规则。所有这些东西。
Anthony Kaldellis:哦是的。可以嫁给谁,不可以嫁给谁。
Lex Fridman:他们对同性恋的看法是什么?
Anthony Kaldellis:嗯,我的意思是,查士丁尼认为它引起了地震。
Lex Fridman:哦,是吗?
Anthony Kaldellis:是的。
Lex Fridman:做到了吗?
Anthony Kaldellis:是的。 [02:37:00]
Lex Fridman:哇。这很有趣。
Anthony Kaldellis:不,对他来说,不,对……所以对于基督教皇帝或基督教当局来说,这是一种应受谴责的、不道德的行为。根据情况,可能会受到惩罚。查士丁尼确实试图相当残酷地惩罚它。我的意思是,最终是致命的。然而,这在这里变得非常棘手,因为并不是每个人都清楚什么才算是同性恋行为,对吧?除此之外,还有……这个社会通常不会系统地追捕丑闻或越轨行为,或者无论你怎么称呼它。这不像有些——没有调查。
Anthony Kaldellis:没有社会警察。如果有某种丑闻被曝光,那就是一个问题。但他们不会主动去追踪、追捕、监控、调查、询问人们的性生活。我的意思是,在某种程度上,尽管我们可能不同意关于性的观点,但它通常是人道的,只是让人们独自一人。
Lex Fridman:我的意思是,也就是说,有一些……我只是在困惑中,查阅了查士丁尼罗马法对性的看法。他们对通奸等行为非常严厉,而且对此感到抓狂。 [02:38:28]
Anthony Kaldellis:不,查士丁尼在这件事上绝对更热心。
Lex Fridman:尽管他娶了一名性工作者。
Anthony Kaldellis:嗯,性工作并不违法。
Lex Fridman:不错,不过有点辣。
Anthony Kaldellis:是的。事实上,参议员与来自如此声名狼藉的职业的人结婚是违法的。他让他的叔叔通过了一项法律,改变了这一规则……这样他就可以了。
Lex Fridman:出色地。爱无国界。 [02:39:11]
Anthony Kaldellis:事实上,查士丁尼在他的一项法律中就说过这样的话。
Lex Fridman:哦,哇。
Anthony Kaldellis:不,他分明是爱她的。毫无疑问。
Lex Fridman:这才是真正的爱情。我的意思是,这个,你必须喜欢这个人。从一个农民开始,周围都是各种各样的怪人,只是因为他们擅长他们所做的事情,这并不重要,无论阶级与否。
Anthony Kaldellis:是的,但也有很多反对他的地方。我非常喜欢。
Lex Fridman:让我们开始吧。所以他确实发动了征服战争。他对战争和征服的看法是什么?也许在扩张战争方面我们应该提到哪些事情?
Anthony Kaldellis:他认为上帝授权他重新征服西罗马帝国失去的省份,当他这样做时,那就证明上帝眷顾他。他在这方面总体上是机会主义的,而且在很大程度上,他是成功的,因为他干预了这些西方野蛮王国历史上最关键的时刻,并利用了他们的弱点并接管了他们。现在,在这个过程中,这些省份中的许多省份都遭受了战争的蹂躏——意大利长达数十年。他过度扩张了自己的资源,让他的继任者面临着更加危险的处境。例如,他解散了某些旨在保护君士坦丁堡的军队,并将它们派往意大利。这削弱了后方。
Anthony Kaldellis:所以他就这样给他的继任者留下了非常艰难的遗产。另外,他征服的一些省份非常像意大利,我认为在某一点之后它甚至无法收回成本。所以我不确定其中一些决定是否是最好的。北非,是的,这可能得到了回报。意大利和西班牙南部,不太确定。 [02:40:41]
Lex Fridman:因此,最大的批评之一是,即使有征服,但它也过度扩张,而且……这些土地经济不稳定。 [02:41:02]
Anthony Kaldellis:是的,还有-
Lex Fridman:坏了。又名。
Anthony Kaldellis:你知道,征服本身不仅仅是好事。我的意思是,这是……我知道历史上的一些统治者被称为伟大只是因为他们征服了一些东西。但那是,不,这还不够。我的意思是,我知道统治者会这样做,但如果我们将他们相互比较,我们至少应该期望他们有一个计划,或者最终会取得很好的效果,比如说,我认为他们中的很多人都没有这样做。
Lex Fridman:我应该说,就历史学家而言,我认为你在征服方面没有给出太多观点。
Anthony Kaldellis:就我个人而言,我?
Lex Fridman:是啊是啊。
Anthony Kaldellis:不,我不。
Lex Fridman:是的,所以你的价值来自于一个实施持久变革的领导者,就像一个稳定的——
Anthony Kaldellis:他对他的臣民有好处吗?他们因为他而生活得比其他人更好吗? [02:42:00]
Lex Fridman:而且,就像,更长,就像,它的长期性质,而不仅仅是……不仅仅是,就像,暂时的事情。
Anthony Kaldellis:正确的。您是否正在加强有利于您的臣民的机构?那。有些他做到了,有些则没有。所以看,为了派遣这些军队向西进行征服,他剥夺了东部的军队,这样波斯人就可以进军并摧毁安提阿。就像,这是一个重大的战略失败,我不认为你可以通过投降叙利亚来获得征服北非的通行证。
Lex Fridman:他确实重建了君士坦丁堡并重建了圣索菲亚大教堂。
Anthony Kaldellis:是的,在他和他的士兵放火烧了它之后。是的。在尼卡起义中。所以就在这个时候,首都的人民起来反对他,巷战持续了大约10天,他调来了一些军队,最终他命令军队屠杀抗议者,造成3万多人死亡。就像,这是一个巨大的数字。君士坦丁堡的很多地方都在这个过程中被烧毁,是的,他重建了它。所以他的建筑被认为是他的一大亮点。例如,他建造了圣索菲亚大教堂,这是一座宏伟的教堂,毫无疑问。它也是一座令人着迷的研究纪念碑。是的,那就是,那也是他。
Anthony Kaldellis:我试图在这里让你感觉到,好的和坏的都混合在一起,就像布里丹的屁股一样,我无法决定把他放在哪……哪一捆干草上。 [02:43:26]
Lex Fridman:但好与坏都有很大的范围。
Anthony Kaldellis:是的,是的。
Lex Fridman:对于很多人来说,这就是导致,呃-
Anthony Kaldellis:确切地
Lex Fridman:……十大皇帝名单。瘟疫呢?
Anthony Kaldellis:好吧,至少他对此不负有责任。
Lex Fridman:查士丁尼瘟疫——…又称公元 541 年。因此一些历史学家声称它杀死了一半的人口并毁掉了帝国。您对这个观点持怀疑态度。
Anthony Kaldellis:是的。所以这是一场黑死病。这或多或少持续了两个世纪。它来了又去,是世界大部分地区的通病。 541年,它开始在帝国、君士坦丁堡和其他城市爆发,并蔓延开来。最近对此有很多争论,因为现在我们实际上已经分离出了病原体。这是鼠疫耶尔森氏菌。就像,我们知道这一点。就像一代人之前,这只是猜测。但现在所有这些新的实验室科学工作的出现填补了历史上的一些空白。 [02:44:02]
Lex Fridman:太酷了。
Anthony Kaldellis:这是。这是。关于这一点有很多讨论。因此,疾病和病毒学的研究最近变得更加重要。然而,它仍然没有告诉你死亡率和历史影响等信息。就像,为此,你仍然需要标准的老式非实验室历史工作。关于这场瘟疫的影响存在争议。我应该这么说,它正在进行中。一些学者主张采取 50% 的最高主义立场。我认为这会让这个社会陷入停滞。只是从逻辑上来说。所以我相信影响会更加温和。
Lex Fridman:而真正的影响是什么?税基缩小? [02:45:22]
Anthony Kaldellis:哦。哦,是的。税基将立即缩小。你将无法招募军队。你知道,将会出现大规模的社会混乱。就像14世纪欧洲发生的黑死病一样。就像,我们对这些社会所发生的事情有非常好的记录,基本上他们所做的一切都停止了几年,直到他们试图将事情重新组合起来。这在六世纪不会发生。事实上,查士丁尼当时正在四五个不同的战线上发动战争。如果你读过那些战争的叙述,你会发现其中没有停顿。瘟疫对这些战争的进行没有影响。他们只是继续前进。
Anthony Kaldellis:征税仍在继续。法庭继续审理。就像,你只是在叙述中看不到它,所以我认为影响肯定比 50% 小得多,是的。 [02:46:09]
Lex Fridman:这为动荡的七世纪奠定了基础。
Anthony Kaldellis:是的,你可以这样称呼它。是的。
Lex Fridman:那么查士丁尼如何离开帝国进入七世纪,他的遗产是什么?
Anthony Kaldellis:好吧,他让它过度扩张,所以他的继任者不得不在更多的战线上处理更多的问题,用更少的军事力量集中在我们所谓的东罗马帝国的祖国。这使得中心也变得脆弱,所以你开始对巴尔干地区进行袭击,你知道,它再次进入一种恶性循环。现在,这一切并非都是查士丁尼的错。我的意思是,瘟疫确实产生了一些影响。但我不会像有时那样将一切归咎于他的继任者,就像他们处理不当一样。他……是的,他给他们留下了一个非常难以应对的局面。
Lex Fridman:说到这里,我们来谈谈希拉克略。他没有进入,他也没有进入你的名单,这对很多人来说是令人震惊的。也许你可以描述其中的细微差别,但他接管了濒临灭绝的罗马帝国。波斯人守在门口,国库空空如也。因此,也许首先要讲述威胁帝国生存的罗马-波斯战争的完整传奇。 [02:47:27]
Anthony Kaldellis:当然。嗯,你知道,他也不能完全摆脱他所继承的处境的责备。他是,他对此负有部分责任。所以他没有得到通过。所以希拉克略基本上是一个叛逆者和篡位者。因此,出于各种原因,罗马和波斯从602年左右开始交战。而此时的波斯国王科斯罗二世基本上已经决定了征服政策,而不仅仅是掠夺。就像,我要进去带你的人民、一些牛和一些雕像,然后把它们带到,你知道的,美索不达米亚。他开始……我的意思是,我认为他的想法和计划发生了一些变化,但很快在600年和之后的时间里,他意识到这里有可能获得真正的永久领土,他的军队开始进驻。
Anthony Kaldellis:而罗马皇帝就是这个叫福卡斯的家伙,他本身就是一个篡位者,有军事出身,现在他面临着希拉克略的叛乱,希拉克略此时的基地在北非,就像迦太基周围一样。他们之间的内战持续了三年,从608年到610年。 [02:48:50]
Anthony Kaldellis:希拉克略发起的内战导致罗马军队从波斯前线转向内战。所以这对波斯人来说是一份巨大的礼物。另外,很多战斗都发生在埃及,而埃及是一个直到那时才真正受到战争伤害的省份。现在是了,对吧?所以希拉克略的军队不在埃及,但他的支持者正在埃及打内战,所以你知道,这个省份现在已经部分遭到破坏。波斯人在东方取得了巨大的进展。在这一切过程中,希拉克略直奔君士坦丁堡,长话短说,他成功占领了君士坦丁堡,处决了福卡斯,并成为了皇帝,对吗?但现在他面临的问题比他开始叛乱之前要严重得多。 [02:49:10]
Anthony Kaldellis:希拉克略在某些人中受到崇拜的原因是……嗯,实际上,这样做有很长的传统,可以追溯到中世纪。在西方中世纪,希拉克略有时被认为是第一个十字军战士。 [02:50:03]
Lex Fridman:哦,有趣。
Anthony Kaldellis:是啊是啊。因此,所有这些中世纪文献都将希拉克略描述为原始十字军类型,以及从波斯人手中重新征服耶路撒冷并恢复真正的十字架等等。所以他有这种光环,我认为他的现代崇拜者基本上只是在继续……我的意思是,他们可能不知道这一点,但他们有点延续这种非常非常悠久的传统,将希拉克略视为这位英雄的圣战士。无论如何,从我的角度来看,这是一次彻底的清洗。换句话说,是的,他确实击败了波斯人,在我看来,他为此得到了充分的赞扬,尽管我认为他是在一些来自中亚的土耳其盟友的帮助下做到的。我认为,这些是他最终取得成功的主要因素。
Anthony Kaldellis:但不,不。所以他击退了波斯人并最终击败了他们,是的。然后他就输给了阿拉伯人,失去了一切。 [02:51:09]
Lex Fridman:所以阿拉伯征服是630年代和640年代,而波斯战争是602年到628年。
Anthony Kaldellis:是的。
Lex Fridman:那么,对于波斯人来说,这似乎是一场代价高昂的战争,我们能说些什么呢?
Anthony Kaldellis:因此,这场战争最初只对罗马人造成了高昂的代价。东部省份被波斯征服。这意味着叙利亚、巴勒斯坦、埃及。所以这是一种损失。你失去了所有的收入,然后他们开始袭击小亚细亚。
Lex Fridman:是的。
Anthony Kaldellis:顺便说一句,这正是几十年后阿拉伯人会做的事情。他们将征服叙利亚、巴勒斯坦、埃及,并开始袭击小亚细亚。因此,几乎就像东罗马历史的这一阶段在波斯入侵期间就开始了一样。这只是一种前奏。事实上,在接下来的几个世纪里,阿拉伯人一直在这样做。所以希拉克略花了很长时间才组织起来,事实上,大约 15 年,而且并不完全清楚,比如,他这段时间在做什么。但他最终通过在东方发动这些非常壮观、怪异的战役,成功击败了波斯人。他决定进攻波斯腹地。嗯,首先是在高加索地区,然后他进入美索不达米亚。
Anthony Kaldellis:因此,不要试图击败他们在小亚细亚周围横冲直撞的军队,甚至在 626 年围攻他的首都。波斯人和阿瓦尔人,这些来自……这个大约定居在现代匈牙利的游牧战士群体,他们正在围攻君士坦丁堡。希拉克略甚至没有去。他只是在东方准备他的军队,他打击了波斯人的痛处,这现在开始削弱波斯的中心地带和他们的基础设施,因为记住,当阿拉伯人到来时,这两个帝国都将陷入混乱,这就是阿拉伯人能够如此迅速地征服他们的原因。我的意思是,他们在这些战争中互相摧毁了。 [02:52:42]
Anthony Kaldellis:最终希拉克略召集了他的土耳其盟友,他们前往美索不达米亚进行实地考察,这导致了波斯政变,科斯罗被杀。 [02:53:22]
Lex Fridman:对于不同帝国和不同团体的动机有什么要说的吗?那么东罗马帝国、波斯帝国、伊斯兰哈里发,他们是征服之后的吗?他们是在扩张之后吗?他们更多的是为了掠夺经济利益吗?动机是什么?
Anthony Kaldellis:所以在过去,波斯国王基本上都是对掠夺感兴趣,而且对人力也有兴趣。因此,所有这些美索不达米亚农业庄园都不会自行耕种。所以他们对农业劳动力、专业工匠和类似的人有点贪得无厌。所以他们会进入帝国并得到他们。但在这个阶段,霍斯罗二世似乎真正牢记了这样一个想法:波斯帝国应该真正扩展到地中海,就像在阿契美尼德时代那样,在古代历史上,亚历山大征服的帝国中。
Anthony Kaldellis:所以看起来,萨珊人,这就是这个王朝,这个统治波斯帝国的伊朗王朝,当然,他们知道阿契美尼德王朝,但有时他们会声称要复兴伊朗帝国以前的伟大。所以,你知道,在地中海沐浴是许多近东君主的事情,你知道,他们这样做是成功的标志。无论如何,对于罗马人来说,这纯粹是生存,只是绝望的生存,因为他们知道这是一场可能结束罗马国家的战争。 [02:54:31]
Lex Fridman:我的意思是,他们已经处于结束的边缘。在这里,他们是生存的防御战。 [02:55:06]
Anthony Kaldellis:是的。因此很明显,阿拉伯穆斯林战争的最初目标是统一阿拉伯。也就是说,所有阿拉伯人都应该是穆斯林,并且应该统一到先知和他的继承者所创建的这种宗教国家中。现在,他们开始进攻罗马和伊朗。目前还不完全清楚,比如为什么。现在,有明显的原因。就像,我的意思是,我们不——这不是一个巨大的历史谜团,为什么一支最近组建的成功的军队会决定对抗两个非常弱的对手——……他们就在他们家门口。就像——……你知道,这并不复杂。
Lex Fridman:是的,他们在军事上——……征服方面非常有效。 [02:56:04]
Anthony Kaldellis:是的。但他们从两个帝国从未准备防御的方向攻击这两个帝国。阿拉伯半岛并不是,“哦,你可能偶尔会遇到一些袭击者,但你永远不会有一支军队出来,有可能征服你。”所以防守方向都是错误的。这两个帝国经历了这场导致他们不稳定的大规模战争。他们人力不足,资源匮乏。结果几乎是不可避免的。我不认为这有什么大秘密。
Lex Fridman:其结果是他们剥夺了罗马帝国最富裕的省份。
Anthony Kaldellis:是的,特别是埃及。这意味着现在你无法养活君士坦丁堡。就像我们谈论从埃及运到君士坦丁堡的谷物一样。你现在没有了。因此,这意味着君士坦丁堡的人口将在未来几十年内急剧下降。
Lex Fridman:那么帝国如何自我重建、恢复稳定呢?因为它不是,所以它不会在那里崩溃,对吗? [02:57:03]
Anthony Kaldellis:是的。
Lex Fridman:它留下来,它生存下来。这个帝国仍然存在着一些有趣的低谷。
Anthony Kaldellis:这是其中之一。
Lex Fridman:这和顶层的生存一样有趣,底层的繁盛生存也超级有趣。那么怎么办——会发生什么?它是如何稳定下来的?
Anthony Kaldellis:非常慢。这是一个痛苦的过程,可以说需要几个世纪的时间。首先你得止血,尽力坚守阵地。他们花了几十年的时间才坚守阵线。就像,他们在七世纪被阿拉伯人殴打了几十年,直到最后到了660年代、670年代,他们终于开始击败他们。在陆地上击败他们,在海上坚守阵线。因此,我们现在对机队进行了投资。最终,你得到了希腊之火,那就是火焰喷射器。当阿拉伯人试图占领君士坦丁堡时,这些企图两次被挫败,这以某种形式确保了罗马国家的生存。
Lex Fridman:火焰喷射器是如何使用的? [02:58:27]
Anthony Kaldellis:是的,这是一个有趣的问题。我们仍在争论这一点。
Lex Fridman:哦,还没有完全明白。
Anthony Kaldellis:嗯,这是国家机密。他们不想让这件事泄露出去,所以他们把它保存得很好。我们正在辩论这一事实会告诉你,他们非常擅长保守秘密。因此可能通过压力阀。正确的?因此,这种易燃化合物的制备方法和成分也是国家机密。因此,有专门的工程师团队来准备并部署它。它可能是通过一个带有龙头的加热加压容器,比方说,通过喷嘴释放这个东西,它被点燃,基本上会向其他船只喷出燃烧的凝固汽油弹,即使它在水面上,它也会继续燃烧。
Anthony Kaldellis:正确的?在上面。所以,就像,你不能,比如,游走或者其他什么。所以这是一种非常非常具有破坏性的武器。太可怕了。他们也用它来对抗维京人。这是很久以后的事了。因此,一旦维京人出现——就像,当他们在 940 年代袭击君士坦丁堡时,然后在 1040 年代再次袭击——……是的,罗马人使用希腊火力舰队焚烧了……这将教会维京人。是的。如果你处于这种情况,你宁愿在皇帝手下服役,也不愿攻击他们。 [02:59:29]
Lex Fridman:所以这是,这是一种核武器级别的国家机密。 [03:00:06]
Anthony Kaldellis:他们甚至还有手榴弹的形式。
Lex Fridman:这是真事吗?
Anthony Kaldellis:哦是的。
Lex Fridman:手榴弹形式。
Anthony Kaldellis:是的。所以它就像一个装有化合物的粘土容器,它有某种保险丝,你在外面点燃然后扔掉它。现在,你扔它……你可以把它扔到人身上,但它不会那么有效。也许你会烧死一个人,无论如何。你只是为一个人浪费了一枚手榴弹。它对攻城器械之类的东西最有效。所以你,你把它扔到一个木框架上,你知道,是的。
Lex Fridman:这太不可思议了。所以这是最终稳定下来的事情之一,从军事角度来看止血了。
Anthony Kaldellis:是的,最终。现在,请记住,他们已经将军队撤回到小亚细亚,所以他们开始保卫和加固小亚细亚。现在你必须找到方法来支付、支持和喂养所有这些士兵,这是一个完整的行政管理——这是一个痛苦的行政调整。但他们会经历这一切。他们需要很长时间。最终,他们形成了一种不同的战略后勤系统。
Lex Fridman:只是帝国的一个更小、更坚硬的……核心……。 [03:01:15]
Anthony Kaldellis:这是正确的。非常军事化。
Lex Fridman:非常军事化。然后在八世纪,阿拉伯人第二次围攻君士坦丁堡,但不知何故失败了。
Anthony Kaldellis:是的,在八世纪初,那是第二次围攻。
Lex Fridman:是的,八世纪初。那么为什么、为什么会失败呢?你能讲一下那次围城的故事吗?那真是命悬一线的帝国。
Anthony Kaldellis:是的,但碰巧有一个非常有能力的人负责。这是利奥三世,他是一位皇帝——他是一个篡位者。他刚刚夺取权力。他们知道这场大规模的阿拉伯袭击即将到来,所以罗马精英很可能在那个时候更愿意让有能力的人掌权。这个城市已经做好了充分的准备。我鼓励观众去阅读我们为此提供的资源。你可以在网上找到很多它的帐户。做得非常非常好。他也有保加利亚盟友。
Anthony Kaldellis:因此,这些保加利亚人实际上就像几年前一样,刚刚越过多瑙河,定居在多瑙河以南,最终,保加利亚出现了。所以他有保加利亚盟友,而且他非常非常有策略地使用希腊之火。他使用了自己的舰队。他将阿拉伯人控制在某些地方,让他们挨饿、疲惫不堪。是的,做得很好。 [03:02:18]
Lex Fridman:从军事角度来说。
Anthony Kaldellis:从军事角度来说。
Lex Fridman:那么,是不是有城墙、海军、天气、外交,或者只是好运气帮助君士坦丁堡守住了呢?
Anthony Kaldellis:我认为好运在那里没有多大作用。我的意思是,我认为他已经计划好了一切。这是你提到的所有元素。是的,他非常非常精明地部署了他们,然后又继续统治了 20 多年,他的儿子继续统治。他们建立了一个王朝。我们称其为伊索里亚王朝,尽管他们并非来自伊索里亚。
Lex Fridman:从那时起,我们提到的关于宗教的令人着迷的事情,有一段时间以激烈的内部宗教冲突为标志。也许你可以澄清这一点,但偶像破坏当然是指神圣的图像、图标是否应该受到崇拜或摧毁。这具有重大的政治和神学利害关系。看似最小的事情可能会产生最大的冲突。 [03:03:19]
Anthony Kaldellis:是的。你去过东正教教堂。你见过到处都是图标和正义的绘画吗?你能想象到的每一个空间都被圣人的圣像、图像或肖像所覆盖。
Anthony Kaldellis:好的。这就是这个的结果。不,这不是基督教教堂过去的样子,至少在君士坦丁堡不是这样。但他的王朝基本上试图限制或删除教堂中的图像,但最终这一政策失败了。想要图像或喜欢图像的另一方,或者让我换句话说,认为图像不仅合适,而且在基督教崇拜盛行的背景下很有帮助。渐渐地,教堂里开始充满了圣像,大量的圣像。它们几乎就像,你知道,就像东正教的流行语,你知道,奉献。我家里有图标。房子里有一个小角落,几乎没有肖像。无论如何,我的意思是,作为一个世俗的东正教徒,但我……甚至我都无法摆脱他们。 [03:04:01]
Lex Fridman:但这会带来严重的后果。我的意思是,那是——
Anthony Kaldellis:确实如此,是的,
Lex Fridman:… 严肃的。这是一场极为严重的内部宗教冲突。
Anthony Kaldellis:好吧,好吧,那就加一个星号吧。在我的研究中,我没有发现人们对这个问题感兴趣。喜欢- [03:05:01]
Lex Fridman:哦,有趣
Anthony Kaldellis:……是的,我不-
Lex Fridman:所以这是一个夸张的说法——
Anthony Kaldellis:是的。是的,在社交上完全被夸大了。
Lex Fridman:哦,这是宗教人士书写历史故事的事情之一。
Anthony Kaldellis:就是这样。知道了。
Lex Fridman:啊。
Anthony Kaldellis:你明白了。我找不到……有,比如,一些皇帝,还有一些主教、修道院院长和僧侣。就像,我不知道,也许有 100、200 个人认真地投入到这件事上,并且他们正在努力。但这些是撰写文本的人。但他们从来没有提到,例如,哦,你知道,君士坦丁堡的人民,他们起来了,他们要求圣像或没有圣像或类似的东西。不,从来没有。因此,在我看来,这是只有少数人真正非常关心的争议之一……不幸的是,他们是撰写来源的人。
Lex Fridman:因此,当您阅读涉及宗教事件的任何内容时,您始终必须非常小心地考虑来源。 [03:06:04]
Anthony Kaldellis:或者任何类型的事件。
Lex Fridman:但某些事情更加强烈,人们更加热衷于……因此他们会,这种偏见将……渗透到你报告历史的方式中。
Anthony Kaldellis:是的。不仅如此,当皇帝改变政策时,几乎每个人都会屈服。他们交换了位置。就像,“不,是的,无论如何。放置图像,拍摄图像,”就像,无论如何。我的意思是,就像事实并非如此,他们并不认为这是核心。有些人这样做了,而且他们对此非常激动。无论如何,但最终,支持偶像的立场获胜,他们的观点开始填补空间。就好像它确实填满了教堂,而且现在仍然如此。是的。
Lex Fridman:问题是,我们以某种方式承担了谈论一千个不可能的任务—— [03:07:02]
Anthony Kaldellis:它会打败你的,伙计。它每次都会打败你。
Lex Fridman:我的意思是,你真的想为此做一个 1000 小时的播客,是有原因的,对吧?就像你所做的那样,因为有很多关于每一位皇帝的令人难以置信的对话,关于皇帝的每一个微妙的细节。这确实是一个繁荣的文明。这是一个繁荣的帝国,其中甚至为现代提供了许多教训。但无论如何,你写过的一本书是《黄金之河》、《血河》:拜占庭的兴衰,公元 955 年至第一次十字军东征。所以这个时期……我们谈论了生存和一些低谷。这是一个再次繁荣的时期。所以到了10世纪的马其顿时代,帝国又回来了。它很富有,在文化上充满自信,并且在像巴西尔二世这样的皇帝的统治下,我认为他在你的十大名单中。
Lex Fridman:它再次扩张,这是你在《金河血流》一书中部分描述的一段时期。那么拜占庭是如何从幸存到再次扩张的呢? [03:08:11]
Anthony Kaldellis:所以我写那本书的部分原因是为了测试自己,看看我是否可以写叙事。所以在那之前我还没有写过一本历史叙事书。我写的所有内容都是分析性的,对吗?它非常成功,几年后,我的编辑让我写一部伟大的历史,新的罗马帝国——
Lex Fridman:是的
Anthony Kaldellis:……一千页——
Lex Fridman:整个事情的
Anthony Kaldellis:……整个事情。因此,我为自己设定了一个任务,在《黄金之流,血之河流》这本书中解释一个非常特殊的时期,其特点是在经历了长时间或多或少的防御战争之后突然再次转向征服。 955年,任命了新的军事领导层,罗马人再次进行征服,特别是在奇里乞亚、叙利亚北部、塞浦路斯和高加索地区,最后还征服了保加利亚。然后他们就过了这一代加上一段稳定繁荣的时期,然后他们就受到了三重打击。这是三名新的攻击者。因此,主要是从东部进来的塞尔柱土耳其人,一些佩切涅格人从北部越过多瑙河而来,以及意大利南部的诺曼人。
Anthony Kaldellis:在这三部分攻击的压力下,你知道,这个扩张主义者——已经成为一个更加帝国化的国家——屈服了。然后又进入了另一场危机,就像我们在七世纪所描述的那样。你知道,它是靠牙齿皮才活下来的。然后继续重建,再次变得繁荣、富有和强大,就像它在历史上所做的那样。就是这些循环。所以我只是想描述那个过程的迭代,这就是我在那本书中所做的。 [03:09:47]
Lex Fridman:所以我认为,对于 11 世纪这场完美风暴的传统观点是,这更多地与内部道德败坏和文官皇帝忽视军队这种内部事物有关。你说这是外部因素,三管齐下的进攻,就像你说的,西部的诺曼人,北部的突厥草原民族,以及东部的中亚土耳其人。您能描述一下这三种力量以及这是导致股价跌至低点的主要原因吗? [03:10:25]
Anthony Kaldellis:嗯,这也是一个方法论问题吧?换句话说,当你看到一个突然面临一堆问题的社会时,你可以,你知道,合理地为某种衰落或危机提出理由,这是你的本能,这是你的第一本能,认为这个社会的内部机制一定有问题,导致它失败,这就是我的领域传统上所做的。部分原因是这个社会的衰落和衰落模式,对吧,我们很容易认为它出了问题。 [03:11:05]
Anthony Kaldellis:这是一个很长的故事。或者可以合理地说,一个似乎没有任何特别严重的结构性缺陷的社会受到了外部挑战的打击,你知道,它实际上无法预见或准备应对这些挑战,你知道,它无法应对这些挑战,并且正如我所说,屈服了。我认为这就是发生的事情。我认为这就是主要叙述。并不是说没有问题。有。但我的意思是,无论是中世纪还是古代,没有一个国家能够真正在三种截然不同的敌人的同时攻击中幸存下来,诺曼人,或者像这些骑士,就像一种新型的西方战争,你知道,这种战争就是把敌人碾成碎片。但谁也是恐怖分子。就像,他们是彻头彻尾的恐怖分子。
Lex Fridman:诺曼人很迷人,因为,我的意思是,有—— [03:12:40]
Anthony Kaldellis:是的
Lex Fridman:……还有维京人的成分——……诺曼人。这是一个整体……所以他们有,他们有三种不同类型的敌人。
Anthony Kaldellis:是的。佩切涅格人,你知道,他们是一种完全不同类型的人,你知道,可能主要是游牧骑兵。然后是塞尔柱突厥人,他们也大多是游牧骑兵,但他们从中亚而来,背后有大量的人力储备。事实上,无论是有意为之,还是碰巧影响了人口变化,不仅是人口变化,而且是生态变化,因为基本上,当他们进入小亚细亚时,他们正在将农业用地转变为牧场。他们只是得到了帝国其他敌人还没有拥有的人力储备的支持。
Anthony Kaldellis:那么,是的,你如何应对这些情况?我的意思是,这非常非常困难,他们能够幸存下来真是一个奇迹。现在,他们也有内部问题,我不会试图掩盖这些问题,对吗?特别是,我们正在见证马其顿王朝的终结。这是一个持续了大约两个世纪的王朝,这具有某种政治不稳定的影响。新皇帝,以及这个时期有很多没有孩子的老人,都相对缺乏安全感。 [03:13:38]
Anthony Kaldellis:他们背后没有这种王朝的浮华,所以他们倾向于购买大量的政治支持,比如发放这些豁免,给任何支持他们的人现金,你知道,头衔,这当然会导致预算问题。就像,过了一段时间他们就没有足够的钱了。然后他们必须开始筹集所有这些军队来解决所有这些问题,这只会增加预算压力,因此也存在内部问题,是的。 [03:14:10]
Lex Fridman:所以你提到了这种繁荣然后必须生存、生存的循环,这种情况在罗马帝国的历史上发生过几次。似乎整个社会都以这种方式振荡。关于罗马帝国所经历的振荡和循环,您有什么特别的可以说的吗?
Anthony Kaldellis:是的。现在,我不认为这是一种振荡。至少我自己不这么认为。正如我所解释的,这个政体、这个国家、这个社会所经历的危机是离散的。我可以,我可以告诉你它们是什么,到目前为止我们已经讨论了其中的大部分。
Anthony Kaldellis:它们持续的时间不会很长,都是从外部突然出现的挑战。换句话说,它们是他们无法真正做好准备的外来冲击。这些冲击造成了巨大的领土损失,需要调整,对吗?但它们不会持续那么久。换句话说,罗马人几乎总是在某个时刻弄清楚如何守住阵线,如何巩固自己的地位,重新集结,并使他们的经济和社会重新走上复兴、重新增长和最终重新征服的轨道。总是。每一次,除了最后一次,对吗?对我来说,这提出了以下我可以回答的困境。 [03:15:21]
Anthony Kaldellis:困境在于,我们应该用这些短暂的外源性冲击危机来定义社会,还是应该用长达几个世纪的、有时是内源性的再生、巩固和稳定时期来定义社会。没有人从外面来帮助他们重建。而我的回答无疑是后者。因此,我认为这是一个内部组织使其稳定并开始稳定增长的社会。缓慢而渐进,但稳定。而且,这就是我希望我的领域能够做出更多解释的内容,我将在我提到的我正在写的书中尝试这样做,例如,这个社会的长寿或弹性。 [03:16:17]
Anthony Kaldellis:不要试图将危机集中化,我认为危机来自外部。就像,这些不是……当然,它们是故事的一部分,但它们并不是来自故事。由此带来的是稳定,我认为这是这个社会更有趣的部分。 [03:17:10]
Lex Fridman:是的,所以,你知道,这些从高峰到高峰的历史,正如你所能想到的,他们错过了山谷中的机器。制度、激励措施、日常生活,所有这些东西。政治、宗教。你的作品中有很多修正主义的历史思想。你正在挑战这个领域。
Anthony Kaldellis:是的。你可以这么说。
Lex Fridman:以最好的方式。那么,我们继续思考一下,历史学家错过了什么?所以这是一个大问题,对吧,你正在谈论的,就像是,过多地关注特定时刻而不是帝国和我们社会的广泛结构基础。
Anthony Kaldellis:正确的。所以你提到的是对我们所谓的拜占庭短史的批评,这是一种书的类型。正确的?这不一定是我的其他修正主义想法的内容。比较重要的就是像我们讲的君主共和这样的东西。换句话说,实际上存在更广泛的政治参与。皇帝们必须时刻警惕。那里有更深层次的罗马共和思想矩阵。就像,这是一种修正主义想法。另一个是关于罗马身份的,就像这些人是谁? [03:18:08]
Anthony Kaldellis:不,他们是罗马人,事实上,在某种程度上,这是一种种族身份。就像那些想法。对峰峰类书籍的批评。因此,如果你试图将 1,200 年压缩成 120 页,甚至 200 页,就没有办法真实地做到这一点并给出整个地形的了解。换句话说,这些书所做的就是它们从一个亮点跳到另一个亮点,这些亮点有时是查士丁尼所做的一切,因为它太奢侈了,导致了危机。
Anthony Kaldellis:当然,危机是你无法跳过的戏剧性时刻。你无法从这些书中了解所有这些在山谷中是如何相互关联的,对吗?在悬崖里,在下面。比如,将这些峰连接在一起的机制是什么?这就是我试图书写新罗马帝国伟大历史的方式。就是通过在那些较暗的地方投射光线来讲述故事。也就是说,要展示制度和意识形态如何将人们的生活联系在一起。也就是说,将人们与机构以及围绕他们的更广泛的历史联系起来。 [03:19:22]
Anthony Kaldellis:这样,当我讲述具体事件或任何一个伟大的事件或成功或失败的事件时,读者就能感觉到,他们可以大致理解为什么会发生这些事情,对吗?看,没有完美的答案。一本小书不会告诉你这些事情。一本很长的书,嗯,就是一本很长的书。 [03:20:02]
Lex Fridman:嗯,从某种意义上说,我的意思是,在这一点上,即使在这次谈话中,我认为我们在审视山谷、结构和机构方面做得非常好。这会让你了解整个基础。就这样,它很美丽。这是一种看待历史的美丽方式,特别是对于那些历史悠久的社会来说……就像东罗马帝国一样。
Anthony Kaldellis:但我们确实花了几个小时。
Lex Fridman:是的。
Anthony Kaldellis:是的。你说得对。但这需要你真正花一些时间去看看,是的。是的。
Lex Fridman:朋友之间的几个小时算什么?
Anthony Kaldellis:不,不,不,那是……我同意。
Lex Fridman:所以,把镜头拉远,再问一次,老兄,我们距离最后一次在酒吧的通话已经很近了,我要问你一个大问题。我们之前问过西罗马帝国的崩溃。对你来说,东罗马帝国什么时候开始衰落的?在这些循环中,如果你要预测的话,你能说出这将在什么时候结束吗?是什么导致了这种衰落和崩溃?当然,最终崩溃是在公元 1453 年。
Anthony Kaldellis:正确的。这实际上是一个非常好的问题。换句话说,不考虑之前所有导致领土丧失的危机,比如,你知道,你失去了埃及,你失去了叙利亚,你失去了巴勒斯坦,你失去了小亚细亚东部,你知道吗?但什么时候你可以说已经无法挽回了呢? [03:21:44]
Anthony Kaldellis:正确的?我想说的是14世纪初。在 1300 到 1350 之间的某个时间,恢复力的来源开始枯竭,你会遇到很多挫折。大约1300年,他们将小亚细亚输给了土耳其人,这意味着你现在不能再利用两个侧翼,可以说是欧洲一侧和亚洲一侧,而他们总是可以这样做。他们仅限于欧洲。然后发生了一系列的内战,塞尔维亚的扩张,黑死病,他们再也没有从中恢复过来。 1300 年,你想到这一点,看着它,你就会想,“那是一个小小的巴尔干国家。” [03:22:04]
Anthony Kaldellis:好吧,它从君士坦丁堡到亚得里亚海,就像一条丝带,对吧,这条走廊横跨巴尔干半岛。然而,它并不比英格兰小多少,而且收入也差不多,甚至更多,因为他们仍然能够通过税收筹集现金。正确的?所以皇帝还是能够赚到很多黄金的。你知道,他的领土并非完全无足轻重。你知道,这不是罗马帝国曾经的样子。但我不认为它已经完全消失了。然后他们发生了一些内战。然后,一位皇帝——一名叛军与塞尔维亚人达成协议,交出了一半领土。好吧,之后游戏就结束了。令人惊讶的是土耳其人花了这么长时间。 1453年,又一个世纪了。
Anthony Kaldellis:正确的?本来不必如此。看起来他们可能在 50 年后——你知道,比如 1400 年——就已经结束了。但随后发生了意外事件。这是帖木儿,帖木儿来自……来自中亚,击败了土耳其人,瓦解了他们的帝国。所以他们进入了一个重建周期,这就是为什么又需要 50 年的时间。无论如何,但我想说,到了 1340 年代,游戏就结束了。 [03:23:44]
Lex Fridman:那么它为什么会崩溃呢?当你缩小视野时,地下有哪些东西会侵蚀(我喜欢这个词)弹性来源? [03:24:12]
Anthony Kaldellis:哦,外国入侵。毫无疑问。这只是——
Lex Fridman:这只是入侵。
Anthony Kaldellis:……这是他们无法应对的外国入侵。他们应付了很多。但是,你知道,它,只要输给一个人,你就会失去一部分领土。如果你继续失去足够多的东西,你就没有任何东西可以依靠,这就是发生的事情。
Lex Fridman:所以说真的,你知道,如果没有重大的外部入侵,东罗马帝国的基本面、税收制度、政策制定方式、政治运作方式、代表权运作方式,所有这些,这个帝国还可以再持续一千年。
Anthony Kaldellis:绝对地。我对此深信不疑,因为你永远不会看到分离的动作。也就是说,不存在分离主义运动,至少在罗马外省没有。有一个分离主义运动,那就是保加利亚。我们提到保加利亚在 1018 年被征服了,对吧。其中有一些独立运动、叛乱。最终有人在 1185 年取得了成功,距今不到两个世纪。因此,保加利亚是这个帝国中唯一积极寻求脱离并确实这样做的部分。但在接下来的 1200 年里,你找不到外省人想要离开这个体系。无论他们如何抱怨税收,他们都不想离开,也没有采取任何行动。 [03:25:14]
Anthony Kaldellis:中心也永远不会失去对其领土征税的能力,对吗?你没有像其他帝国那样发生广泛的农民起义或农业叛乱或此类事件。他们也从未决定对其进行分区。法兰克人瓜分了他们的土地,对吧,就像查理曼大帝之后一样。不。没有像罗马军阀那样试图为自己开辟一块领土并独立统治它的人。不,这也不会发生。因此,如果你正在研究导致国家失败、分裂、变得无法治理的各种因素,那么这些永远不会发生。 [03:26:01]
Lex Fridman:这太不可思议了。这实在是令人难以置信。在人类文明史上,这是对人类社会如何形成的令人难以置信的研究。那么,到底是什么原因呢?为什么?为什么?为什么这么稳定?
Anthony Kaldellis:好吧,现在看看,还有其他稳定的……例如,英国君主制。 [03:27:04]
Lex Fridman:当然。
Anthony Kaldellis:这已经存在很长一段时间了。
Lex Fridman:是的,确实如此。
Anthony Kaldellis:正确的?像葡萄牙、日本这样的国家有一个共同点。它们都藏在边缘。就像,它们已经离开了,它们是小岛什么的。他们不像,对吧?我们正在谈论一个正确的社会——
Lex Fridman:在,是的
Anthony Kaldellis:...世界上帝国建设和新宗教的主要走廊之一的中间。这是你可能居住的最危险的社区,对吧。所以难怪它没能幸存下来。好像如果有的话那就非同寻常了。但如果没有这些力量,我看不到任何内部分解的力量会严重危及它。
Lex Fridman:那么,我的意思是我们已经讨论了很多,但是,只是回到它,为什么没有内部分解源?比如为什么,为什么效果这么好?为什么人们感到自己有代表性?是的,他们……顺便说一句,你谈到他们如何抱怨税收,这是健康社会的标志之一,我们……就像抱怨天气一样。事实上,你抱怨税收实际上意味着你对税收感到满意,这有点违反直觉,或者还不错。你只是作为系统的一部分来抱怨。无论如何,但是为什么呢?为什么,为什么效果这么好?为什么大家都和睦相处——
Anthony Kaldellis:哦,不,他们 [03:28:33]
Lex Fridman:……感觉有代表性吗?不,不能相处。不是以某种方式,以一种愚蠢的方式。我的意思是,足以达到他们不会的程度……军阀不会崛起并分裂系统,并且……或者如果存在那种力量,他们会重新聚集在一起。比如,为什么这是一个如此出色的自我修复系统?
Anthony Kaldellis:所以你是完全正确的。足够是关键词。我们不想将其理想化,对吗?他们不是,就像,他们不只是在街上跳舞,手牵着手,然后指挥……是这样的——即使涉及到税收制度,他们也一直在抱怨。当然,他们这样做是因为他们知道抱怨会给你带来好处。
Anthony Kaldellis:抱怨没有任何抑制作用。你可能得不到你想要的东西,或者你可能得到它,但你知道,不会对你造成任何伤害。所以他们一直在抱怨。他们经历了所有这些内战。他们的反应是:“好吧。”所以我想我会很快地给你一个由两部分组成的答案,解释为什么这一切如此紧密地结合在一起。首先,当局做出了非凡的努力来说服他们的臣民,他们是在代表他们进行统治,我认为,在大多数情况下,他们实际上倾向于这样做。第二,它作为罗马人和东正教有着非常紧密统一的身份。换句话说,在大多数时候,他们知道自己周围的敌人并不是那些东西。 [03:29:08]
Anthony Kaldellis:他们不想生活在非罗马人和非基督徒的权力之下。因此,我认为,这两个因素结合起来,给了每个人坚持下去的理由。其他选择更糟糕。
Lex Fridman:是的。我的意思是,这是一个非常精彩的总结,我认为我们应该提到,言论和行动都很重要。我认为你已经清楚地表达了言论的力量,就像一遍又一遍地陈述……你代表人民,你代表人民行事并采取行动。但这还不足以真正采取行动。你可能会认为这就是马基雅维利所说的一切,这是唯一重要的事情。但没有。 [03:30:13]
Anthony Kaldellis:不。
Lex Fridman:这种修辞实际上具有很大的力量——……因为它是一个团结的想法——……一个随着时间传播的理想,它可以安抚你。它让你,它让你平静。修辞很重要。
Anthony Kaldellis:我给你举个例子。作为一名学术管理者,对吗?我的意思是,我担任系主任很多年了。一方面,一位院长说:“对不起,糟糕的预算情况。我们不得不削减你们的项目。”另一位院长则说:“我完全同意你们想要通过这些项目实现的目标。我是人文学科的捍卫者。不幸的是,我们面临这样的预算情况,我们将不得不削减一些项目。但我向你保证,当我和你们在一起的那一刻……当我们找到资金的那一刻,我们将恢复它们。”这两种只是口头上的策略,它们的目标是相同的实际结果,将产生截然不同的合规程度——……正确和共识。
Lex Fridman:我应该说这里面有微妙之处。在这种情况下,也许在东罗马帝国,最好的说辞是你也必须相信它。 [03:31:47]
Anthony Kaldellis:是的。它必须是可信的。你不能只说而不做。
Lex Fridman:但我通过做这个小播客了解到的关于人类的一件事是……人们可以——就像,说一件事、一件强大的事情的最好方式就是真正相信它。因此,这显然是罗马帝国得以运转的原因之一,采取行动是使言辞强大而有效的最佳方式。 [03:32:00]
Anthony Kaldellis:是的。这有点像亚里士多德所说的暴君。在《政治学》中,亚里士多德本质上是向暴君提供如何保护自己的建议,因为暴君通常会被人憎恨并在政变中被杀,对吗?他说,“嗯,怎么样——你知道,本质上,当你是一个暴君时,你如何设法保护自己?”嗯,你知道,你可以从遵守法律或确保你的臣民遵守法律开始,你知道,也许可以为你自己的利益而工作。本质上,他是在告诉他们成为仁慈的国王。要让你的臣民相信你是合法的仁慈国王,最好的方法就是做到这一点。
Lex Fridman:那么,从这一切,从罗马帝国2200年的历史中,我们可以为现代吸取哪些教训呢?现在我们坐在美国,这个年轻的帝国。我知道我们不会称其为帝国,但是,你知道。 [03:33:08]
Anthony Kaldellis:很多人称其为帝国。我认为这是一种禁忌。是的,在 20 世纪,就像是,“美国现在是一个帝国了吗?”但是,我认为自伊拉克战争以来,就像自 2003 年以来,我至少看到人们在同一个句子中非常随意地使用美国和帝国,而没有任何令人不安的情况。
Lex Fridman:在学术环境中曾经这样称呼过吗?
Anthony Kaldellis:是的。
Lex Fridman:我的意思是,从技术上讲,我想你可以说——……鉴于军事基地的广阔和军事力量以及在地缘政治背景下代表自己的方式。
Anthony Kaldellis:一直有出版的书籍以各种方式讽刺地讨论美国作为一个帝国。是的,不。 [03:34:02]
Lex Fridman:顺便说一下,积极和消极。因此,当你说美国的积极一面时,称其为帝国;当你批评美国时,称其为帝国。是的,你说得对。
Anthony Kaldellis:是的。我的意思是,大多数学术书籍也不想这样做。他们只是想分析情况。
Lex Fridman:关于代表人民、关于繁荣、关于稳定,我们可以吸取哪些教训?
Anthony Kaldellis:我想说的是,借用我们刚才讨论的内容,投资于为大多数臣民服务的机构,即使是间接的——就像他们必须为这些机构付出成本,但你必须向他们解释为什么他们要付出这种成本——也有利于统治阶级。因为你,你——理想情况下,你考虑的是长期的成功,而不仅仅是你自己的短期收益。我认为这就是这个社会往往做得很好的事情。你知道,一般来说,罗马人,你知道他们几个世纪、几千年来是如何修建道路的。他们也建立了机构。你知道,他们建立的机构之一就是基督教会。就像,他们打造的东西经久耐用。
Anthony Kaldellis:我认为这是一个很好的教训,甚至超越了道路。我认为向人们解释其存在原因的机构是……是的,我认为我们可以利用其中的一些。 [03:35:22]
Lex Fridman:还有你提到的关于东罗马帝国的第一点。我想你说过,美国的外交政策有时在言辞和现代的言辞和行动之间存在着相当大的差距。
Anthony Kaldellis:哦,是的。是的。
Lex Fridman:因此,这就是马基雅维利的观点,我们希望缩小差距,打造一个成功的帝国、一个成功的国家。言辞必须与行动相匹配。
Anthony Kaldellis:是的。 [03:36:03]
Lex Fridman:对于世界上的一些外交政策活动而言,情况并非如此。
Anthony Kaldellis:因此,在我研究的社会背景下,假设军队是最大的单一开支,它所做的事情几乎就是皇帝所说的,即保护其臣民。这实际上就是它大部分时间所做的事情。并非一直如此。例如,皇帝有时会率领军队出征或远征,你知道,打碎一些头骨,收集一些战利品,然后回来,这样做是为了荣耀皇帝。就像,是的。是的,是的,这确实发生了。但在大多数情况下,他们只是这样做,而不是做其他事情。事实上,在前现代背景下,很难像影子外交政策之类的事情那样运作。就像,它只是不属于-
Anthony Kaldellis:……这不是、不是、不可能。但美国尤其有着宣扬最崇高目标的历史。你知道,有时这只是令人难以置信的难以置信。
Lex Fridman:再加上军事工业综合体背后令人难以置信的工程技术,所以美国非常擅长创造……火焰喷射器。 [03:37:11]
Anthony Kaldellis:是的。
Lex Fridman:战争技术,以及因此崇高的目标与可以通过战争技术赚取的大量利润相结合,造成了一个非常难以驾驭的局面,差距自然会扩大。
Anthony Kaldellis:是的。我认为世界上大多数人都不相信美国领导人所说的他们的目标,尤其是在战争等方面。喜欢传播民主吗?不,真的吗?我记得当他们试图说服我,我们,入侵阿富汗是一场女权主义战争时。
Lex Fridman:哦,那是一件事,是吧?
Anthony Kaldellis:哦是的。他们要把妇女从罩袍或其他什么东西中解放出来,就像新闻一样,阿富汗妇女的处境有多糟糕。就好像,你真的想说服我,这就是你派出武装去……无论如何。
Lex Fridman:我认为关于阿富汗和伊拉克战争有很多很多的警钟,人们意识到言论和行动之间存在差距。我的意思是,这就是为什么,因为很多人意识到了这一点,他们向政府施加压力,要求缩小这一差距。这就是……我们如何驾驭这个……复杂的世界,但这是一个代价高昂的世界。我的意思是,这些,这些都是代价极其高昂的战争——……在每条战线上,在每一个方面。 [03:38:13]
Anthony Kaldellis:是的,但是在越南战争中也吸取了同样的教训,那是一场灾难,他们基本上不得不放弃义务兵,转而组建职业军队。而且,他们花了很长时间才能够再次发动这些帝国战争,因为越南战争对该国军事领导层的信誉造成了巨大损害,对吗?这永远不会发生在,就像,这不会发生在,君士坦丁堡。我可能会输掉一场——你可能会因输掉一场战争而受到批评。那是,那是一回事,对吧?但你正在利用军队来做一些事情,比如……你知道。不。
Lex Fridman:其中一些确实与民主的运作方式、领导层的临时性质有关,而且由于民选职位或行政人员的性质,他们非常……短视。 [03:39:23]
Anthony Kaldellis:管理人员。
Lex Fridman:我的意思是,这就是我们作为人类文明试图弄清楚的问题,在这种特殊情况下,如何实现民主。
Anthony Kaldellis:没有正确的答案,顺便说一句,我也不想被国王、君主或皇帝统治。所以我不一定会支持这一点。我,我,我不是在这里提倡任何事情。我只是想解释一下。但你是完全正确的。你知道,我们,我们想要民主。我们想要每四五年就可以驱逐的领导人——……有时包括他们的,他们的,你知道的,专家团队和政策设计者等等,这也是有代价的。
Lex Fridman:所以你,你说,你知道,罗马帝国,可能是古希腊,可能是之前的社会,现在之后的社会,我们生活的社会是非常不同的。因此,应用历史的教训,你必须小心行事。但有没有和我们人类一样的事情呢?那么,在您数百年来研究的所有内容中,人性的某些方面是否仍然存在? [03:40:14]
Anthony Kaldellis:所以,从理智上看,我经历过这样的时期,比如当我还是一名研究生时,后现代主义,我们可以宽松地称之为,有点生机勃勃,而且还没有被踢到裤子里。
Anthony Kaldellis:很常见的是,同事们不相信存在人性之类的东西。换句话说,人类心理的参数是,你知道,是的,存在很大的差异,但它们在一组特定的规范内。好像不是——我们是,我们不会表现得像不同的物种。他们不相信有这样的事情。换句话说,整个人类历史本质上是一系列不相称的差异片段,对吧?你无法从一个转到下一个。我认为出于各种原因,这是一个非常有问题的观点,比如你将这些切片切成多小?我的意思是,它……不,我在这个问题上支持修昔底德—— [03:41:05]
Anthony Kaldellis:……谁说,你知道,人类或多或少会采取行动——对吧?他们爱,他们恨,他们有野心,他们无能,而且,你知道,你会发现各种各样的,你知道的,整个多样性……几乎在每个人中,在任何大约 20 或 30 人的群体中,你都会发现相同类型的人。现在,文化进来了,你知道,它以各种奇怪的方式调整事物,这就是作为一名历史学家我喜欢研究的内容。我喜欢文化将如何改变,将如何调整,对吧?但是,大多数人的刻度盘都是从 1 到 10……就像,是啊,是啊,是啊,我想是这样。
Lex Fridman:但每隔一段时间,就会有一些人出现,无论是穿着高领毛衣的史蒂夫·乔布斯,还是留着奇怪胡子或戴着滑稽帽子的人,这些人都可以扭转历史的潮流。 [03:42:31]
Anthony Kaldellis:我想是的。偶尔,是的。
Lex Fridman:但他们只是在正确的时间——……在正确的时刻表现得非常熟练。
Anthony Kaldellis:哦,我也相信。哦,是的。换句话说,我不——我也不认为文化体系或意识形态是如此有效的极权主义,以至于它们在某种程度上殖民了每个人的思想。因此,某种文化中的每个人都像一个克隆人。不,你,你有时会在历史学术中遇到这种情况。而且,不,我认为人们有时可以独立思考,或者他们可以跳出框框思考,他们可以做各种各样的事情。当我遇到历史特工时,我总是想对这种可能性保持开放的态度。是的。
Lex Fridman:所以,仅仅因为你已经看到了这段伟大的历史,我对这个荒谬的问题表示歉意,但如果我们看看整个地球,然后我们快进一百万年后—— [03:43:26]
Anthony Kaldellis:钱币
Lex Fridman:……地球上生命的历史已经写好了,你认为我们正处于人类历史的开端吗?或者我们正处于中间,还是接近终点?
Anthony Kaldellis:一百万年后。我的意思是,我无法预测或预测一年后的事情。事实上,我越来越怀疑自己至少能做到这一点。然而,所以我不知道开始、中间和结束。用类似编号的阶段来思考会更容易。就像人类历史的显着不同阶段一样。我想说我们可能排在第三位。我认为只有三个阶段。第一个时期是狩猎采集时期,这个时期……迄今为止,持续了人类历史的大部分时间。正确的?然后基本上就是农业革命。这就是当你开始产生盈余并创造出更加复杂的社会的时候。我们现在生活在一个技术第一的工业时代,现在,你知道的——
Lex Fridman:是的。你可以把它们全部扔进同一个桶里 [03:44:47]
Anthony Kaldellis:......各种技术-
Lex Fridman:工业、科技。
Anthony Kaldellis:是的。工业、科技。这正在改变人类可以做什么和可能做什么的参数。谁知道这会去哪里。但我认为它们在很多方面都非常不同。都是人类——
Lex Fridman:是的,都是人类。 [03:45:04]
Anthony Kaldellis:......但是,但是非常不同的背景。
Lex Fridman:但他们几乎正在改变自己。那么问题来了,还有第四个吗?会不会有一个f-
Anthony Kaldellis:是的,我很确定会有。
Lex Fridman:那看起来是什么样子,是不是——当他们回头看第三个时,他们会认为我们和他们一样,还是会完全不同?
Anthony Kaldellis:哦,不。我的意思是,我们回顾罗马人或希腊人,或者类似历史上的任何时期,我们会说,“是的,不,我看到你在那里做什么。你正在用你当时拥有的技术能力来做这件事。你正在用你拥有的材料做这件事。但我明白你在做什么。是的。”你有,你有家庭,你有军队,你有,你知道,你埋葬你的死者,你,你知道……
Lex Fridman:嗯嗯。但现在我们实际上越来越多地拥有工具和技术来修改、深度修改人类的意义。基因工程、脑机接口。当我们更多地了解大脑时,我们就可以修改事物,完全扩展。另外,人工智能可以扩展人类思维的知识库和智慧。除非我们发现人类的思维实际上非常特殊,以至于——至少用本世纪我们拥有的工具,我们无法完成,我们无法达到这样的水平——
Lex Fridman:……人类拥有的一般智力。或者,在这段漫长历史的第四阶段,我们可能会弄清楚的一件事是,使人类与众不同的并不是智力。这不是我们互相珍视的任何事情。它实际上是意识,而意识是非常难以设计的东西。因此,从狩猎采集者到工业革命之前和之后的共同点是,我们仍然是一样的。我们仍然感觉自己活着,这可能是让我们彼此相爱、彼此恐惧、受苦以及所有人类处境、人类经历的重要组成部分。 [03:46:30]
Lex Fridman:也许连技术都无法、无法复制、无法改变。也许这就是我们所学到的。或者很可能我们会毁掉这整件事。因为现在人类历史上第一次,我们拥有了工具—— [03:47:16]
Anthony Kaldellis:是的,是的,我们有——
Lex Fridman:……不幸的是,摧毁了一切。
Anthony Kaldellis:这一切都非常雄辩。我的意思是,在我对中世纪罗马帝国闲聊了这么多小时之后,你——是的。我印象深刻。
Lex Fridman:好的。是什么让你对这整件事、对人类文明的未来充满希望?
Anthony Kaldellis:看,我们面临着很多挑战,对吧,我们经常谈论这些挑战。作为一名历史学家,我看到其他时期的困难要大得多,当时人们可以更容易地放弃希望,有时确实如此。但我不认为我们处于其中之一……比如,有一些重大问题,比如技术的不确定的未来,它们可能会做什么,正是你所说的。我认为它们在某种程度上是可以解决的问题。就像,如果我们能够控制一些精英,很多问题都可以得到解决,这并不是一个超级困难的事情……我的意思是,这很困难,但也不是不可能。
Anthony Kaldellis:听着,我是在冷战时期长大的。我们以 80 年代为例。在八十年代,人们普遍认为核战争随时可能发生并摧毁一切,而我们就生活在这种感觉之下。如果你看看 80 年代的流行文化,你会发现它是乐观、开朗、天真的……就像,只是没有相关性。然后你进入了 90 年代,冷战结束了,每个人都很沮丧。音乐变得像发牢骚一样,就像“发生了什么事?”只是没有相关性。无论如何,我只是认为,这是一种普遍的绝望感,或者,你知道—— [03:48:37]
Anthony Kaldellis:......如果你客观地看待情况,绝望并不总是匹配。我的意思是,是的,这可能会很糟糕。但有很多好事正在发生——……一直以来,所以。 [03:49:16]
Lex Fridman:我认为人类历史的这段时期将会——因为我们已经讨论过罗马帝国的兴衰。我认为,毫无疑问,历史上的这段时期,20世纪,20世纪后期和21世纪将被视为人类的繁荣时期。因此,如果我们真的醒来——……就像我们周围的一切一样,按照人类繁荣的大多数标准——……我们做得很好。
Anthony Kaldellis:客观上,纯粹的痛苦的数量可能每年都在减少。现在,你知道,我们也在制造问题,是的,这会在未来造成痛苦。是的。但总的来说,我没有理由感到绝望和不抱希望。 [03:50:01]
Lex Fridman:是的。我们做得很好。
Anthony Kaldellis:我们可以做得更好。让我们做得更好。但是是的。
Lex Fridman:这就是……让我们做得更好。嗯,安东尼,这是一次令人难以置信的谈话。感谢你们所做的所有令人惊叹的工作,以及穿越人类历史如此迷人部分的旋风之旅。这很有趣。谢谢你今天的发言。
Anthony Kaldellis:很高兴来到这里,谢谢你们,不仅仅是邀请我,我的意思是,这可能是我交谈过的最大的观众,而且也只是让我的领域和我研究的这个文明有机会被更多的人看到和听到。我认为这非常重要。你在这里做了真正的服务,所以我要感谢你。
Lex Fridman:谢谢。感谢您收听与安东尼·卡德里斯的对话。为了支持这个播客,请在描述中查看我们的赞助商,您还可以在其中找到联系我、提出问题、提供反馈等的链接。现在,让我向你们传达本杰明·富兰克林的话。 “一个伟大的帝国,就像一块巨大的蛋糕,最容易在边缘被削弱。”感谢您的收听,希望下次再见。 [03:51:05]
这篇 SemiAnalysis 文章讨论企业从 “Tokenmaxxing”(鼓励员工尽量多使用 AI token)转向 “TokenBudgeting”(token 预算管理)的趋势。作者基于与 50 多位企业客户在 Slack、电话和 Databricks AI Summit 上的交流,认为 Meta、Uber 等案例引发的“企业 AI 支出失控”叙事被夸大了。真正的问题更多来自激励机制不佳、员工资源分配和监督松散,而不是企业缺少高回报的 AI 使用场景。
文章回顾了 Meta 的极端案例:公司内部曾出现 “Claudeconomics” 仪表盘,对前 250 名高强度用户排名。数据显示 Meta 员工 30 天内消耗超过 60 万亿 token,单个最高用户约 2800 亿 token,一些员工为了获得 “Token Legend”“Cache Wizard” 等排名而让智能体长时间执行研究任务。The Information 报道支出后,仪表盘两天内被关闭。Uber 则因四个月内耗尽 Claude Code 和 Codex 年度预算而被报道,随后设置每名员工每月 1500 美元上限,超额请求按个案审批。
SemiAnalysis 的核心判断是:头部客户仍在支撑 AI 实验室 API 收入,预算收紧不会对 2026 年下半年收入构成实质风险。其 Tokenomics Model 估计,第 90 百分位以上客户贡献了大部分收入。即使 Meta 2 月每月消耗约 70 万亿 token、按标价每名员工每年至少接近 5 万美元,对 Anthropic 也只是约 3% 至 5% 的客户。Ramp 数据显示,第 99 百分位客户每名员工每年支出接近 9 万美元,第 90 百分位约 7300 美元,而中位数客户仅 136 美元;财富 500 强整体每名员工支出仍远低于 100 美元。
文章认为,企业 AI 使用仍处于增长 S 曲线早期。许多技术前沿型财富 500 强公司每名员工每年 AI 支出低于 2000 美元,高支出主要集中在工程和数据科学部门。当前市场由编码垂直领域爆发推动,风投支持的 AI 应用公司也带动 Anthropic 和 OpenAI 模型调用增长。SemiAnalysis 估计,OpenAI 和 Anthropic 当前超过 70% 的 ARR 可归因于编码用例;Anthropic 由于 B2B 占比超过 90%,相关支出高于 OpenAI。文章还提到 TaaS/API 端点市场、AWS Bedrock,以及 Together、Fireworks、Baseten 等 TaaS 提供商,称该类公司当前合计 ARR 超过 40 亿美元。
预算实践方面,企业没有统一标准。文章调研的 50 多家公司中,多数设置了某种硬上限,但数字差异很大。较低端,一家美国前三大航空航天与国防制造商每名员工每月 250 美元,全球最大制药公司之一为 500 美元;较高端,Workday 和 Stripe 等公司员工预算约每月 2000 美元。也有企业尚未设限,原因可能是员工 AI 工具权限有限,或 AI 带来的额外产出足以证明支出合理。
文章举例说明 AI 的 ROI 可能很高:Amazon 一位负责 principal engineer 招聘的员工称,过去从初筛到团队安置需要 6 至 9 个月,如今借助 AI 记录面试和生成报告,时间缩短一半;一家服务 85% 财富 500 强公司的数据与分析提供商员工称,过去一周的工作现在几小时即可完成。更成熟的公司采用软上限,例如一家上市网络安全公司给初级员工每月 800 美元、资深员工每月 1600 至 4000 美元,数据科学家因处理大数据集获得更高预算;超额时由管理者沟通,而不是直接切断。
员工也开始学习节约 token。上述航空航天与国防公司最初设置 250 美元上限时,一些重度用户四天内用完额度;后来员工可申请更高预算。该公司关闭 Opus 4.8 和 Fast-Mode,认为没有必要,但 SemiAnalysis 批评管理层反对邮件等任务自动化的观点过于天真。另一家全球旅行科技公司有 1500 名员工、其中 800 名工程师,每年 AI 支出略低于 1000 万美元,最近把默认 Claude 模型从 Opus 切到 Sonnet;Opus 仍可用但需主动选择。多数员工默认每月 200 美元预算,但可按资历和岗位提高到数万美元。
文章还指出,很多员工离预算上限很远,真正接近或超过上限的是少数高强度用户。SemiAnalysis 自身也呈现类似分布:少数员工每天花费四到五位数美元,其他人接近 0,因此公司未设限制。订阅 Microsoft 365 Enterprise 的企业员工可免费无限使用标准 Copilot 聊天机器人,一些员工会先用 Copilot 365 chat 起草和综合想法,再把计费 token 留给 Claude 或 Codex。
最后,文章把 AI 视为“人力杠杆”。一家美国三大航空公司按项目和预期收入分配 token 预算:财务团队原本为差旅、承包商等费用划拨收入比例,现在同一预算也覆盖 token 使用。作者认为,慷慨预算往往伴随更高产出预期,部分员工工作时间甚至更长。Anthropic 文档显示,Claude Code 每位开发者平均使用量为每月 150 至 250 美元,只有 10% 用户每天超过 30 美元。SemiAnalysis 因此预计,Anthropic 和 OpenAI 的 API 业务会在可预见未来继续按当前月度净新增速度增长。
来源:SemiAnalysis
URL:https://newsletter.semianalysis.com/p/tokenbudgeting-our-conversations
据报道,今年早些时候经历了失控式消耗之后,企业内部的 token 消费正撞上预算墙。SemiAnalysis 团队通过 Slack、电话以及 Databricks AI Summit,与 50 多位客户交流,了解企业内的相关趋势。
外界广泛报道的 Meta、Uber 等公司对 Tokenmaxxing(token 最大化使用)预算的反应被夸大了,而且更多源于激励机制不佳和员工资源分配问题。我们在其他组织中并未发现同样的情况。如今,预算已经成为新常态,但企业尚未形成统一的预算数字:有的从每月 250 美元起,有的则高达每月数万美元。企业正在下调默认模型、关闭高级套餐,而员工则会利用 M365 Copilot 订阅来“打游戏规则”,尽量拉长自己的 token 额度。
Tokenmaxxing 始于今年早些时候。当时 Meta、Salesforce 等公司开始鼓励员工尽可能多地消耗 AI token,以提升生产力。在 Meta,甚至有员工搭建了一个名为 “Claudeconomics” 的仪表盘,对公司内前 250 名高强度用户进行排名。结果显示,Meta 员工在 30 天内消耗了超过 60 万亿个 token,单个消耗最高的员工约占 2800 亿个 token。
员工开始为了拿到 “Token Legend” 和 “Cache Wizard” 之类的排名而竞争,让智能体连续数小时做研究,只是为了消耗 token。在 The Information 报道相关支出后,这个仪表盘两天后就被关闭。这个事件只是 2026 年上半年企业 tokenmaxxing 趋势中的一个案例。
现在,企业正把重点从 tokenmaxxing 转向 token 预算管理。最近,Uber 因在四个月内用完 Claude Code 和 Codex 的年度预算而登上新闻。作为回应,该公司对每位员工设置了每月 1500 美元的上限;超额请求仍可提交,并按个案审批。
为了判断有关 2026 年初 tokenmaxxing 以及如今 tokenbudgeting(token 预算管理)的新闻报道是否属实,SemiAnalysis 团队在 Databricks AI Summit 进行了实地交流,并与大型企业对话,以理解这些趋势。
SemiAnalysis 是一份由读者支持的出版物。若想接收新文章并支持我们的工作,可以考虑成为免费或付费订阅者。
围绕 tokenmaxxing 及其导致的预算爆表,市场上有很多新闻报道。不过,在我们的 Tokenomics Model(Tokenomics 模型)工作中,我们估计第 90 百分位以上的客户贡献了大部分收入,并且在今年剩余时间里,API 收入被削减的风险很小。
即便是 Meta,据我们估计,它在 2 月每月消耗约 70 万亿个 token,按标价计算每名员工每年至少接近 5 万美元支出,但对 Anthropic 来说也只是一个占比约 3% 至 5% 的客户。Ramp 数据在头部客户中也显示了类似趋势:第 99 百分位客户每名员工每年支出接近 9 万美元,第 90 百分位客户约为 7300 美元。相比之下,Ramp 客户的中位数支出只有 136 美元,差距非常明显。需要注意的是,Ramp 客户通常更偏技术前沿,因此该分布本来就高度偏向高支出。财富 500 强公司的中位数每名员工支出仍远低于 100 美元。
来源:Ramp Economics Lab
我们与企业客户的对话,包括许多财富 500 强公司,也符合这种分化。许多技术前沿型财富 500 强公司每名员工每年在 AI 上的支出远低于 2000 美元,更高的支出主要集中在工程和数据科学部门。这表明,企业使用增长的 S 曲线仍有很长的上升空间。
今天的市场由编码垂直领域的爆发,以及其他由风投支持、产品构建在 Anthropic 或 OpenAI 模型之上的 AI 公司推动。它们属于第 90 至第 99 百分位客户,且自身收入也在加速增长。编码市场对 AI 实验室 ARR(年度经常性收入)造成的影响,将在网络安全领域重复出现,而且速度会比 Claude Code 更快,前提是 Mythos 重新发布;随后,随着 Cowork、CoPilot、Codex、Computer 等产品渗透企业,白领知识工作也会再次复制这种路径。
Tokenomics Model 会估算 AI 实验室在第一方和第三方编码相关场景中的支出,以及 Cursor、Loveable、GitHub CoPilot 等应用层公司的 ARR 和利润率,帮助投资者与企业追踪该垂直领域内部及整体的增长。我们认为,OpenAI 和 Anthropic 当前超过 70% 的 ARR 可归因于编码用例。鉴于 B2B 与 B2C 业务组合差异,Anthropic 的相关支出高于 OpenAI:Anthropic 超过 90% 来自 B2B,而 OpenAI 约为 60%。
尽管如此,市场对廉价 token 的需求依然广泛。我们看到,无论是前沿模型还是开源模型,Token-as-a-Service(TaaS,token 即服务)/API Endpoint Market(API 端点市场)的支出都在大幅增长。我们对 AWS Bedrock 本季度的估算,使我们给出的 AWS 总增长率明显高于市场一致预期。Tokenomics Model 还预测,Together、Fireworks、Baseten 等 TaaS 提供商将迎来巨大需求;这些公司当前合计 ARR 已超过 40 亿美元。
来源:SemiAnalysis Tokenomics Model,TaaS 标签页
因此,我们的工作表明,新闻标题被夸大了;企业仍在继续支出;新的用例和垂直领域需求正在推动 token 消费,让 AI 列车继续高速前进。
我们交谈过的大多数公司(n>50)也对 AI 使用设置了硬性上限,但企业似乎并没有正在收敛到某个统一的 token 数字。
在较低的一端,我们与一家美国前三大航空航天与国防制造商的 AI 负责人,以及全球最大制药公司之一进行了交流;它们分别将员工上限设为每月 250 美元和 500 美元。在较高的一端,我们与 Workday、Stripe 等公司的对话显示,它们员工的预算约为每月 2000 美元。
也有一部分公司尚未设置任何限制,原因似乎有两种可能:要么员工获取 AI 工具的权限非常有限,成本根本不是问题;要么公司已经从员工身上获得了足够的额外产出,可以证明这笔支出合理。
金融业就是前一种情况的典型例子。金融业的大部分机构采用 AI 的速度一直较慢,即使已经推进的机构,动作也相当有限。我们与不同资产管理公司、区域银行和汽车金融公司的数据科学家、分析师与 AI 负责人交流时,反复听到同一个模式:员工被限制在微软平台提供的工具里。
只要 ROI(投资回报率)存在,效果可能非常显著。一位负责在 Amazon 内部发掘并安排 principal engineer(首席工程师)岗位的招聘人员指出,从初筛电话到团队安置的流程过去需要 6 到 9 个月;现在借助 AI 工具记录面试笔记并生成报告,这一时间已缩短一半。一位服务 85% 财富 500 强公司的数据与分析提供商员工表示,过去需要一周完成的工作,现在只需几个小时。
最成熟的公司正在实施软性上限。员工应把它视为指导线,而不是硬性规则。在一家上市网络安全公司,负责所有开发人员和数据科学家的分析总监表示,他们给初级员工设置的“上限”为每月 800 美元,更资深员工则为每月 1600 至 4000 美元。数据科学家获得的预算最高,因为他们通常处理更大的数据集,需要更多 token;这种模式也反复出现在采用弹性预算的公司中。如果员工超出额度,管理者会收到提醒并与其沟通,而不是在计数重置前直接切断使用。
SemiAnalysis 是一份由读者支持的出版物。若想接收新文章并支持我们的工作,可以考虑成为免费或付费订阅者。
随着 token 支出上升,管理层对这项支出的意识也在增强,员工开始学习适应。当上述航空航天与国防制造商首次引入每月 250 美元限制时,一些重度用户四天内就用完了额度。如今员工可以申请更高预算,但过去并非总是如此。员工现在必须更有创造性地节约 token。
该公司披露,虽然员工可以使用 Claude,但已经关闭 Opus 4.8 和 Fast-Mode,认为它们并非必要。管理层认为,给员工更大的 token 预算会促使他们自动化那些根本不该自动化的任务,比如写邮件。我们认为,管理团队这种反自动化观点是天真的。电子邮件很像带有 AI 实验室连接器的 Slack,随着时间推移会变得更加自动化、更加 AI 原生,从而在整个组织中带来更高的生产力、可见性和协作能力。
一家全球旅行科技公司采取了稍微更温和的做法。该公司 1500 名员工中有 800 名工程师,每年 AI 总支出略低于 1000 万美元。它最近把所有员工的默认 Claude 模型从 Opus 切换到 Sonnet。Opus 仍然可用,但现在使用它需要员工主动选择。大多数员工默认预算为每月 200 美元,不过可根据资历和岗位提高到数万美元;公司预计很快会进一步提高预算。
随着更多公司施加限制,许多员工其实并不介意,因为他们离上限很远。我们在 Databricks AI Summit 和研究电话中与客户交流后发现,在许多组织里,大多数员工根本不会接近额度上限。这也与 SemiAnalysis 内部看到的高强度使用分布相似:少数员工每天花费四到五位数美元,其他人则接近于 0。那些接近或超过上限的人已经找到了拉长 token 的办法。我们没有设置限制,因为表现最好的员工正是大量使用 token 的人。
订阅 Microsoft 365 Enterprise 的公司员工可以免费、无限制地使用标准 Copilot 聊天机器人。由于这部分使用不会计入每月预算,员工可以利用这个系统:先用 Copilot 的 365 chat 起草和综合想法,再把按量计费的 token 花在 Claude 或 Codex 上。
AI 工具的成本由公司承担,收益也归公司所有。我们见过的一家美国三大航空公司在预算方式上与其他公司不同。它的 token 分配与具体项目以及该项目预期带来的收入绑定。项目进入时,财务团队会决定将收入的某个比例划作差旅、承包商费用等支出;如今,同一笔预算也必须覆盖 token 使用。
这彻底重塑了 AI 支出的含义。给予慷慨额度的公司,是基于员工会更快工作的预期。产出预期会随支出一起上升,许多员工发现自己的工作时间反而比以前更长。
在与 50 多家中大型企业对话后,有一点变得很清楚:新闻标题中的 Uber、Meta 以及其他财富 500 强 tokenmaxxing 故事,源于糟糕激励和松散监管,而不是缺少可投入 token 的高 ROI 活动或项目。
ROI 动态最清晰的体现来自 Amazon。尽管外界广泛报道其裁员,该公司仍在以快得多的速度招聘,因为 AI 工具释放了效率。
SemiAnalysis 是一份由读者支持的出版物。若想接收新文章并支持我们的工作,可以考虑成为免费或付费订阅者。
上限、软限制和节约技巧,都是管理月底账单的方式。与新闻流中那些高额 token 支出数字形成对比的是,Anthropic 自己的文档显示,每位开发者平均 Claude Code 使用量为每月 150 至 250 美元,只有 10% 的用户每天支出超过 30 美元。
在与客户进行实地交流后,有一点很明确:2026 年下半年的 AI 预算并不存在实质性风险。我们预计 Anthropic 和 OpenAI 的 API 业务在可预见未来会继续以当前的月度净新增速度增长。
如需进一步了解 Tokenomics Model,包括我们对 AI 实验室和超大规模云厂商财务数据的估算,可发送邮件至 sales@semianalysis.com。
我们在下方加入了部分企业对话摘要:
继续阅读
这一期围绕 Dylan Patel 对 AI 基础设施的判断展开:真正的效率杠杆不只是更快的芯片,而是模型架构、推理内核、软件基础设施、数据中心和芯片设计之间的协同优化。Dylan 认为,单层改进看起来可能只是两倍、两倍、两倍,但当三层同时围绕同一个目标重构时,收益不会只是八倍,而可能直接跃迁到一百倍。对话也把这个判断放进产业现实里讨论:CUDA 的护城河、开源模型形态、TPU、Trainium、GPU、Cerebras、Crusoe、星云厂商、超大规模云厂商和新模型实验室,都会被这种软硬件协同设计重新排序。
Dylan 先回顾了自己和 SemiAnalysis 的起点。他从小在汽车旅馆和加油站的家族生意里长大,很早就开始观察成本、利润率和效率问题;Xbox 360 的“死亡红环”让他开始拆硬件,之后长期泡在 Reddit、Android、Apple、Google、硬件、Intel、NVIDIA 和 AMD 相关论坛,也当过多个板块的版主。他强调,自己看技术时一直带着经济视角:不只看谁的产品性能好,也看芯片面积、能效、利润率和供应链约束。疫情前后,他经历了工作和生活上的一系列挫折,开始用真名写 SemiAnalysis,靠更严肃的文章获得关注,随后一边旅行、参加行业会议,一边持续向供应链、设备、材料、AI 研究者和资本市场学习,最终把 SemiAnalysis 做成一个混合了工程专家、供应链专家和金融分析视角的研究团队。
对推理性能,Dylan 重点讲了 SemiAnalysis 正在做的实时基准测试。他不满意行业里常见的“拿自己的最优点去比对方次优点”的比较方式,因此希望公开不同芯片、不同模型、不同批量大小、不同延迟要求下的 Pareto 曲线。这个系统会每天跑最新模型和多种硬件配置,覆盖 NVIDIA、AMD、Google TPU、Amazon Trainium 以及其他芯片,让用户看到在交互性和吞吐量之间,某个模型、某种硬件、某套内核到底处在什么位置。核心不是宣称某个芯片永远最好,而是让每个点都在公平优化后再比较。
整期最核心的判断,是 Dylan 对 AI 技术栈的分层理解:硬件很重要,但硬件只是底层;再往上是网络、机房、电力、推理软件、内核、模型架构和应用层。越往上市场空间越大,但底层决定了上层能否高效运行。顶尖实验室真正厉害的地方,是能跨越多层协同优化:模型的形状、专家模块、隐藏维度、内核实现、内存访问方式、芯片架构和数据中心部署方式都互相配合。Dylan 把这称为软硬件协同设计,并认为它才是 AI 基础设施里最容易产生巨大跃迁的地方。
这也引出了他对 CUDA 护城河的重新解释。Dylan 认为,NVIDIA 的护城河并不只是 CUDA API 本身,而是大量模型、内核和生态实践已经围绕 NVIDIA 硬件的形状优化。比如某些开源模型的专家模块和隐藏维度如果天然适合 Hopper,它在 NVIDIA GPU 上就会跑得更好;同一个模型拿到 TPU 上,可能因为形状和执行方式不匹配而表现糟糕。反过来,如果 Google 开源了一个深度适配 TPU 的强模型,也会产生类似效果。到了大规模公司和顶尖实验室这一层,他们不一定依赖开源内核本身,而是会选择性价比最高的硬件,并围绕它重新设计模型和基础设施。
在专用芯片和通用算力之间,Dylan 的态度更谨慎。他认可 Cerebras 这类公司在部分推理场景中速度极快,也认为专用设计可能在某些时间点非常有优势。但他提醒,AI 架构变化很快,实验室自己都不确定一年后会用什么模型形态;如果押注五年周期的专用 ASIC,可能会落入一个短期很优、长期错误的局部最小值。相比之下,通用 GPU 因为客户需求更广、反馈更多,虽然未必在每个点上最优,却更可能覆盖未来不确定性。因此,他认为市场会同时存在专用芯片机会和巨大的通用 AI 算力需求。
对数据中心和资本开支,Dylan 讨论了能源、地点、融资和建设能力的复杂性。Shaun 提出,像 Google 这类超大规模云厂商在电力平滑、光交换、工程经验和机房效率上可能有显著优势;Dylan 则指出,新云厂商和星云厂商也在快速成长,因为需求太大,市场容得下很多建设者。对 Crusoe、CoreWeave 等团队,他认为它们带着加密货币时代训练出的高波动市场经验和快速建设能力,正在 AI 算力市场里野蛮生长。资本仍是巨大约束:芯片、机房、电力和租赁合同都需要惊人的钱,OpenAI、Meta、Amazon 等公司都面临融资或资本配置压力。
最后,Dylan 把这些变化放到 NVIDIA 的战略里看。他认为 Jensen Huang 不希望世界只由少数超大规模云厂商和少数模型实验室控制,因为那会削弱 NVIDIA 的议价和生态位置。因此 NVIDIA 会投资、扶持新实验室和新云厂商,推动一个多极化生态:不是只有 OpenAI、Anthropic、Google,也不是只有 hyperscaler 在建算力。这个生态会很残酷,很多团队会失败,但少数团队会成长为真正优秀的公司;对 NVIDIA 来说,这种多极化本身就是长期有利的。
1. AI 最大杠杆不是单点芯片性能,而是模型、内核、软件基础设施和硬件架构的协同设计。
2. 单层优化可能只是数倍提升,多层同时重构才可能带来 Dylan 所说的“100倍”效率跃迁。
3. CUDA 护城河不只是 CUDA,而是模型形态、内核实现和硬件特性长期互相适配后形成的路径依赖。
4. 推理性能不能只看单点跑分,应看延迟、吞吐量、批量大小和配置优化后的 Pareto 曲线。
5. 专用芯片会在部分场景极强,但 AI 架构变化太快,通用算力仍然有巨大价值。
6. 数据中心竞争不只是谁能买到 GPU,还包括电力、网络、机房效率、融资能力和工程执行。
7. NVIDIA 推动多极化生态,是为了避免算力和模型权力集中在少数超大规模云厂商或模型实验室手里。
8. SemiAnalysis 的独特性来自技术、供应链和金融视角的混合,而不是单纯做芯片新闻或市场评论。
- 节目导入与Dylan的创业起点 [00:00:00 - 00:10:00]
- SemiAnalysis成长与推理基准测试 [00:10:00 - 00:20:00]
- AI基础设施分层与软硬件协同设计 [00:20:00 - 00:30:00]
- CUDA护城河与模型硬件耦合 [00:30:00 - 00:40:00]
- Cerebras、太空数据中心与专用芯片 [00:40:00 - 00:50:00]
- 通用算力、资本开支与星云厂商 [00:50:00 - 01:00:00]
- 数据中心效率、能源成本与多极化生态 [01:00:00 - 01:10:00]
- 新云厂商和新实验室的生存竞争 [01:10:00 - 01:12:04]
一凯:欢迎收听跨国串门儿计划,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声音克隆技术,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,本期我们克隆的是红杉资本旗下播客的一期深度对谈,节目发布于2026年6月30日,主持人是红杉资本的合伙人Shaun Maguire,嘉宾是知名半导体与AI研究机构SemiAnalysis的创始人Dylan Patel。Dylan从硬件论坛版主起步,如今带领团队为全球机构提供最前沿的芯片与人工智能产业分析,这一期他们主要围绕AI领域里,一个常被忽视的关键杠杆硬件与软件的协同设计展开讨论,并聊到了这种深度整合如何带来远超单纯硬件迭代的效率飞跃。那我们就一起走进这期完整的对话。 [00:01:14]
Dylan Patel:我觉得SemiAnalysis内部特别有意思,我们有90个人,其中一大块是技术专家工程师,遍布整个供应链,然后还有一大块是,以前在对冲基金干过的人,你能看到这些争论,比如有人说那个不重要,然后另一个人就说,但成本呢,接着工程师又说不不不,这个技术才是最接近的,你能看到这种很自然的,像打架一样的讨论,而且我们内部挺随意的,考虑到我以前当过版主,你大概能想象那个氛围是什么样的,你乐在其中,你很享受这个,别跟猪摔跤。
Shaun Maguire:因为猪也乐在其中,对吧,我们现在在SemiAnalysis的办公室,跟Dylan Patel在一起,我是红杉资本的合伙人Shaun Maguire,你做的是真的挺疯狂的,半导体,五年前在西方可不算什么性感的领域,在东方很性感,但西方这边的人基本都忘了这回事,你倒是没忘,你重仓压住打造了这个领域里,大概是最顶尖的研究公司,一直在给全世界做科普,从最前沿的技术细节到供应链,再到大格局,有传言说SemiAnalysis最近营收突破了1亿,我不知道这个数字有多准,但不管具体是多少,你们确实很猛,这个嘛信息有多准,数字就有多准,这种事永远说不准,还有传言说,你可能要搞一个风险投资基金。我在生态里老听到,有人想跟SemiAnalysis扯上关系,你建立了一个值得信赖的品牌,所以不管你做什么都挺有效的,这显然只是你旅程的开始,恭喜你取得这些成绩,但这一切是怎么发生的,第一个问题就是。你的背景是什么?你是怎么走到今天这一步的? [00:03:08]
Dylan Patel:我小时候从娘胎里出来那会儿,好吧,我是在小生意家庭里长大的,我爸妈开了家汽车旅馆,我们就住在旅馆里,我们还有个加油站,所以我经常开玩笑说,我训练的第一个神经网络,就是根据走进加油站的人的长相和种族,来判断该拿哪种烟,天哪,基本上香烟都排在高处,我当时太矮了够不着,而且严格来说,那个年纪卖烟也不合法,但管它呢,我得把垫脚凳挪到对的位置,我第一份办公室工作。
Shaun Maguire:也是在合法年龄之前开始的?
Dylan Patel:对,那是很好的经历,不过我没拿工资,对吧,家族生意嘛,一样一样,对,我们有汽车旅馆,街对面就是加油站,所以有时候有人走进来。比如一个卷发的白人老太太进来,我就把梯子或者垫脚凳,挪到骆驼烟那边,如果是不同年龄职业,种族的人,我就把垫脚凳挪到不同的位置,我开玩笑说,这是我训练的第一个神经网络,因为如果等他们告诉我,我就得先挪过去,再爬上去,不如提前准备好,所以薄荷烟 100细枝这些,我开玩笑说,那是我训练的第一个神经网络,但我是在家族生意里长大的,住在汽车旅馆里,这一切其实要追溯到,我8岁生日的时候,我生日在5月,那年4月Xbox 360发布了,我生日没要Xbox 或者说没要生日礼物,我爸妈问我想要什么,我说想要圣诞节礼物,我们家过圣诞节,但当时我觉得他们不可能,在圣诞节给我买Xbox 360 所以我就把生日礼物改成了要圣诞礼物。总之圣诞节到了,我拿到了,过了几个月,我住在阿拉巴马的表哥,他们家也开汽车旅馆,要来我家过春假,我们就打算在我家玩,他年龄在我和我哥之间,我哥更爱运动,对Xbox不太上心,他偶尔也玩,但不太上心,但我表弟嘛,我想让他觉得我很酷,对吧,所以我在电话里吹了好几次,说对我有Xbox 然后Xbox坏了,有个硬件缺陷,叫死亡红环,长话短说,我不得不把它拆开,短接温度传感器,修好了,但在这之前,我试过很多别的招,都没用,这大概就是我接触硬件的开始,就像打开了潘多拉磨合,到12岁的时候,我已经经常泡在这些论坛里,看帖发帖,那会儿正好是Reddit吞掉所有其他论坛的时候,所以我成了Android。Apple Google这些板块的版主,还有硬件板块,也一直在看Intel NVIDIA和AMD这些论坛,我装电脑泡这些论坛,看帖发帖很多,有些板块我还管的很多,还有智能手机,看着他们从非常简单,发展到拼速度,再到在很多架构层面,比PC更先进 GPU也一样,就是一直追踪,观察,读每一条评论,而且总带着经济视角,因为我在小生意里长大,所以我一直在看经济账,对吧,有一阵子,网上那些键盘侠,都爱AMD的GPU 我自己也买过一块AMD的GPU 因为性价比好,但一到比谁技术更强的时候,我总是说不不不 NVIDIA更好,因为他们用更小的芯片,实现了更好的性能和能效。 [00:05:48]
Shaun Maguire:而且他们的利润率更高,所以我总在说,在GPU这块 NVIDIA 的利润率比AMD好,这挺有意思的,你那时候才12岁,我12岁开始当版主,但这些都是贯穿我整个青少年时期,和高中阶段的事,你还有其他什么奇怪的爱好吗,还是就只搞半导体,我玩了很多星际争霸,有一阵子我是北美天梯的宗师,星际争霸二,好吧,所以你是那种能在好几件事上都做到痴迷及优秀的人,对,痴迷是好事。 [00:06:36]
Dylan Patel:你成绩怎么样,还行,要我说大部分是A 但有些课我觉得很无聊,或者就是不喜欢,比如西班牙语,我成绩不算特别好,但顺便说一句。 [00:07:11]
Shaun Maguire:我现在西班牙语说的很流利,所以这很蠢,但就是那么回事,但也许这就是你没考好的原因,不过说实话,我后来才学的西班牙语,所以我成绩还行,对亚洲父母来说够好了,我比学校里大多数人都好,但也不是那种拼命追求权益的类型,好吧,那你很大程度上是互联网的学生,你就是这么积累起这些专业知识的,你是什么时候决定创办SemiAnalysis 创办这家公司最大的意外是什么,对我上了大学,拿了几个学位,都跟半导体无关,然后在一家小型的量化风险公司,做了两年量化分析师。
Dylan Patel:后来基本上是一系列事情,赶在一起了,一件事,我的奖金被人坑了,我帮公司赚了好几百万的,无风险收入,因为我利用了市场上的,一个风险漏洞,我记得远超一千万,然后别人抢了我的功劳,诸如此类,虽然最后钱是补给我了,但我和那家公司的,信任关系已经破裂了,还有我的祖父母是跟我们一起长大的,或者说跟我们一起住在汽车旅馆里,他们和我们住在一起,所以非常亲近,后来我祖母得了痴呆症,她不记得我是谁了,她从楼梯上摔下来,出了意外去世了,这些都发生在2020年初,另外还有一些感情上的事,所以有几件事凑在一起,让我非常难过,所有这些事都赶在一块了,然后新冠来了,我哥说,兄弟来我这住吧,他住在纳什维尔。我就过去和他住了,我们当时想封城也就几周的事,你可以先住我这,等结束了再回家,结果大家都知道了,封城持续了长得多的时间,但在我哥家住了几个月,情况就是,我不知道自己要干什么,我当时就待在我哥家里,什么都得按他的规矩来,他和他当时的未婚妻,现在的老婆都在,所以我基本上得小心翼翼的,但我也不在乎那份工作了,于是我在网上发帖比以前更勤了,我一直都爱在网上发东西,也一直在大量炒股,我做空新冠,做多新冠赚了不少钱,那时候半导体短缺也开始了,总之我那会儿完全沉迷于发帖这些事,后来大概就在那段时间,又是因为跟人争论,网上有人把我人肉了,公开了我匿名账号的真实身份,当时我心想,完了,吓坏了。停更了大概三周,然后我问自己,我这是在干嘛,我干嘛要在乎,于是我就开始用真名发帖。 [00:09:52]
Dylan Patel:于是我就开始用真名发帖,我本来也有播客什么的,我搞了个正式的播客,叫SemiAnalysis 在我24岁生日那天,我发了两篇博文,从那时起,它就不是一份newsletter 但我获得了巨大的关注,因为现在我是用真名发帖,不再是匿名了,而且那两篇文章,我投入的精力比平时多得多,不再是网上那种随便发发,而是真正用心写的播客,你现在还可以回去翻反,写的不算特别好,但在当时算不错了,是网上能找到的,关于半导体的最好的内容,我就这么一直发一直发,开始接到很多咨询业务 2020年那会儿,我也算是彻底崩溃了,不知道自己想干什么,于是我把所有东西打包,开上我的卡车,买了个能架在卡车后面的帐篷,又买了个气垫床什么的,然后开车跑遍了,美国所有的国家公园,一周里有两三天,我会找个随机的汽车旅馆。把房价砍到大概30美元一晚,然后就在房间里做SemiAnalysis 的事,到了周末,我就在某个随机的国家公园里看书,经常是看教科书,或者一边徒步一边听有声书,内容都是关于半导体AI 所有我特别关心的事,在这六个月里,我一边跑遍每个国家公园,一边学到了非常多的东西,而且从头到尾我都是一个人,一直是一个人,我一直在发博客。 [00:10:53]
Shaun Maguire:所有人都说 Dylan 你到底在干嘛,那是星链出现之前,星链非常早期的日子,对星链之前,所以当时大家真的就是那种反应。 [00:11:19]
Dylan Patel:你到底在干嘛,后来我又去拉美旅行了一年左右,一开始是跟朋友,后来是跟前任,大概待了一年,然后到了21年底 22年 23年 24年,我从2020年中开始,就一直处于完全无家可归的状态,但我满世界跑,去参加每一个行业会议,我一年参加40多场会,不管是在供应链的哪个环节,只要我觉得有意思我就去,我第一次去某个会的时候,感觉就是太棒了,你能直接跟专家聊,而且他们愿意跟你聊,因为你显得特别兴奋,在半导体这个领域,大家都是老一辈的人,他们很少见到年轻人,对这个这么有热情。
Shaun Maguire:所以特别乐意跟你分享,那我必须得问一下,有没有供应链的某个环节,或者某次会议,特别改变了你对半导体世界的看法,或者让你当时觉得。 [00:12:11]
Dylan Patel:现在也觉得被严重低估了,我觉得行业展会和学术会议差别非常大,有些我最喜欢的会,比如Nurips 为什么,因为那里有2万名AI研究者,他们大多跟我在同一年龄段,所以特别好玩,而且他们又是顶尖的AI研究者,你能学到很多东西,还有很多派对,然后另一头,比如在日本有个随机的化学会议,会场里是300个日本大叔,大概有20个来自ASML的人 20个来自台积电 20个来自英特尔,只有这些人说英语,其他人全说日语,你只能感叹,好吧,这还是挺有意思,挺好玩的,我觉得我有个本事,就是不管对方什么背景,是什么人,我都能跟他们聊得来,总能找到有意思的话题,通常就是技术那些事,所以我觉得最有意思的,会往往是那些特别大的会,因为最大的事情都在那里发生,但我觉得那些特别小众的领域。也非常令人兴奋,比如SPIE 有IEE 就是国际电气电子工程师,学会那个,还有SPIE 是另一个体系 SPIE的会议,在细节上挖得非常非常深,我去的每一场,特别是SPIE先进光课,或者SPIE光眼膜会议,第一次去的时候,我连听到的90%的内容都听不懂,然后我就拼命读,拼命学,当然也建立了一些人脉,然后第二次去,我大概听懂了一半,第三次去我听懂了差不多75% 即便是现在我去参加,我还是没法完全搞懂所有东西,但像你去Nurips 去个几次你就能明白,好,什么是神经符号推理,好,这个是什么,那个又是什么,你很快就能对全局有个大致的概念,但供应链的某些环节实在太晦涩太深,技术性太强了,你得花很多时间才能搞明白到底发生了什么。对吧,对每一篇研究论文来说都是这样,这不一定意味着你没搞懂,你去参会无非就几个原因,对吧,你理解研究本身,但那些都是发表出来的研究,你真正关心的是,这些研究怎么跟技术结合,还有这些研究跟今天已有的东西,有什么不同,而这些研究论文,没有一篇会告诉你,今天正在发生什么,但你可以直接去问人,去建立人脉,去学习,然后你就慢慢了解了供应链,原来是这家公司,给那家公司供货,尽管这些信息从没在任何地方公开过,或者你会了解到,这种化学品的成本大概是多少,一台设备大概要用多少,你就这样一点点把东西都学会了,你会听到一些恐怖故事,比如某种化学品短缺。 [00:14:14]
Shaun Maguire:结果把供应链上这一整块全打乱了,然后你发现全世界只有三家公司生产这种化学品,这简直,我最喜欢的一个故事是,我在那个特定的日本会议上。 [00:15:02]
Dylan Patel:一个日本人用非常憋脚的英语告诉我,他父亲在80年代就干这行,他说全世界唯一一家生产这种化学品的工厂,被烧毁了,结果导致内存价格翻了两三倍。
Shaun Maguire:我当时就想,哇,跟今天的情况也没太大差别,没差,一点没差,太疯狂了,推理将会是地球上最大的市场,也是地球之外最大的市场。
Dylan Patel:同意还是不同意,显然Token的使用会是最大的市场 Token创造的价值也会是最大的市场,但我认为Token经济学,也就是Token的使用 AI的普及才是当下最重要的事,而推理不管是开源模型还是闭源模型,都会是世界上最大的市场之一,我觉得会比石油大得多,比很多其他领域都大得多 IA推理会占到GDP的好几个百分点,你做的InferenceMAX 我觉得已经成了行业标准。
Shaun Maguire:也许可以聊聊你为什么启动它,它是做什么的,以及大家对性能基准测试和推理有什么误解,对我们把视角拉远一点,看Semi-Nautilus做的很多事情。 [00:16:17]
Dylan Patel:很多是给机构客户和订阅产品做的研究,但也有很多是那种,嘿把这个搞清楚应该挺酷的,我们来想想怎么搞明白,然后直接公开发出来,这又带来了更大的规模,我们之前用这种方式,做了很多GPU基准测试,训练性能和推理性能的测试,但最终我们发现,推理基准测试是静态的,测一下花点时间,然后发布出来,它很快就过时,灰色跟不上时代了,因为模型一直在变,我感觉每周都有新模型出来,不管是中国的模型,还是今天刚发布的Methos 5 Fable 新模型层出不穷,在软件层面 PyTorch VLMs GLANG 新的驱动,新的什么东西又发布了,事实上,这些库大部分的更新周期,是一周两次,所以基本上软件一直在更新。性能也就一直在变,新的推理优化不断涌现,也在不断更新,所以我感觉这是一个接一个,永不停歇的突破,不断推动效率提升和成本下降,这就是为什么我们看到,同等质量的模型,成本一年能降60倍,这太惊人了,但要跟上这个节奏,你就不能做静态的基准测试,你需要让基准测试是活的,会呼吸的,也就是说,要在最新的硬件,最新的模型上持续不断的跑,于是我们就启动了这个项目,而且从生态里得到了很多支持,这件事之所以能做成,是因为我们在生态里,攒下了一些口碑,让CoreWeave Crusoe Navius Oracle 微软,亚马逊,谷歌和OpenAI都愿意给我们贡献算力,然后我们又跟SGL YLM 现在还有RadixArc和Infrax这些。在开源方面带头的公司合作,我们还拉上了NVIDIA、AMD 谷歌和亚马逊,因为我们现在也在加TPU和Trainium 现在所有这些人都在一起协作,我们有超过5000万美元的硬件,是捐赠给我们的,等我们上线TPU和Trainium之后,硬件规模会超过1亿美元,大概有15种不同的芯片类型,所有这些基准测试每天都在跑,跑的是所有最新模型 Moonshot最好的模型,阿里巴巴最好的模型,还有大概5家中国模型厂商最好的模型,最好的开源模型,最好的中国实验室模型,我们每天都在他们的模型上跑基准测试,同时也跑美国最好的开源模型 GBT-OS Nemotron等等,所以我们每天都在以自动化的方式,跑这些基准测试,跑在这些专门拨给我们做推理基准测试的服务器上。我们会扫过大量不同的配置和优化类型,最终产出的结果,所有结果都是公开的,所有配置也是公开的,所以现在我们有了Pareto最优曲线,因为很多时候人们在比较推理性能时,会拿别人次优的曲线或点位来跟自己最优的去比,这就好比我开保时捷,跟某个赛车手比肯定是我开的更慢,推理基准测试也是一样,所以我们做的是,为交互性维度上的每一个点,也就是它对我的响应速度,以及批量大小维度上的每一个点,也就是我同时在服务多少用户,这条曲线上的每一个点,都创建了开源的最优容器,现在任何想要最优配置的人,都可以直接去InferenceMAX下载,然后把它当作最优配置来跑,他们可以每天检查更新。 [00:19:10]
Dylan Patel:他们可以每天检查更新,甚至可以自动下载那个模型的最优配置,这样他们的推理性能就能接近峰值。
Shaun Maguire:在你看来,那条曲线是最重要的曲线吗,吞吐量和交互性曲线最重要的一条,对,我觉得硬件,基础设施,模型,应用层。 [00:20:07]
Dylan Patel:大多数东西都是这条曲线的下游,到底是那种需要超级快,超低延迟的任务,我其实不太在乎成本,所以我把批量大小设的很低,大量使用推测解码获得token 预测这类技术,这里面可用的技术非常多,还是说我其实是在批量处理一大堆文档,完全不在乎这些,所以我不用那些在成本效率上更差,但能提升单用户速度的技术,因为我只想塞进更多用户,文档处理一整晚我也不在乎,现在我们对AI基础设施的处理方式,有点像一刀切,但随着时间的推移,我们会走到这样一个阶段,有些是批量型工作负载,有些需要即时响应,整条曲线对用户都会很重要,我们在Anthropic身上就能看到这一点 Claude Code的快速模式比普通模式贵得多 OpenAI的优先对列功能也是一样,抱歉问个笨问题。成本是怎么纳入这个起点的,假设我打个比方,我有一个批量大小为100的设置,每个用户每秒能跑10个Token 那么在那一个计算单元上,我总共每秒能跑1000个Token 这是曲线的一端,超级慢每秒10个token 另一端是我每秒能跑500个token 但只能有一个用户,或者每秒250个token 一个用户,然后中间有一些点更接近Pareto最优,普通人其实想要的是每秒50或100个token 以及我能批量容纳的用户数量,所以这条曲线就是,取决于我批量处理多少用户,要么是每秒总共1000个token 要么是每秒总共250个token 中间是一条曲线,最终有些工作负载会想要那4倍的成本下降,因为同一块硬件能跑1000而不是250。而有些用户会愿意多付4倍的钱,因为我不在乎价格,我在乎的是时间。 [00:22:07]
Shaun Maguire:因为使用这些token的人很贵,或者我这里的反馈闭环很贵,如果让你猜,时间范围你自己选10年或15年,你觉得有多大比例的推理计算会发生在太空,可以是0% 50% 99% 这个问题很难,你选一个时间范围,比如10年随便什么时间范围,然后你来猜,我觉得一个非共识。
Dylan Patel:或者说至少跟SpaceX唱反调的看法是,顺便说一句,我很喜欢SpaceX 而且如果我能买股票的话,我绝对会买他们的IPO 不是投资建议,不是投资建议,谢谢,谢谢,不是投资建议,红杉资本那边以后再说,我不认为太空数据中心,在未来三到五年内,会有什么实质影响,不过话说回来,我觉得在20年,这个尺度上,绝大部分算力,都会搬到太空去,所以真正的关键因素,其实是成本,是时间框架的问题,是在陆地上建设电力的成本,以及你到底能在陆地上搞出多少电力,而且我觉得显然,我对推理需要多少几瓦或太瓦电力的看法,在我个人看来,那条增长曲线是非常疯狂的,你的预测是多少,需要多少几瓦。我觉得到2030年,光是OpenAI和Anthropic两家,加起来就会超过100几瓦,然后再加上Meta和Google等等,用于推理的算力会是一个极其庞大的数字,到2040年左右就会是太瓦级别了,我们即将获得的生产力提升曲线就是如此,所以推理部署的规模会非常巨大,因此如果看2040年。 [00:23:34]
Shaun Maguire:我觉得可能超过一半的增量算力都会部署在太空,但如果看2030年,我觉得这个比例还不到1% 你觉得美瓦智能一直在提升吗,而且我们现在的美瓦智能水平,跟人类生物学相比似乎仍然存在巨大的差距,那么你觉得我们能缩小这个差距吗,如果能这种提升会来自哪里,我觉得这往往也取决于,你具体在做什么。
Dylan Patel:比如一台TI84计算器,在做数学运算时的,梅瓦智能就比我们高得多,而这已经是30年前的东西了,所以这显然是个比较蠢的例子,通用智能,那么回到梅瓦智能,是否一直在提升这个问题,我提到过,在相同基准测试水平下,成本已经降低了60倍,我们在梅瓦智能上,也看到了同样的趋势,虽然没有达到正好60倍,但更接近40倍,有些效率提升,不是通过降低功耗实现的,但美瓦智能的年均提升幅度,非常巨大,至少今年,去年前年,大前年都是如此,而且我预计这种趋势,会持续下去,至于我们离人脑还有多远,我们还差好几个数量级,好在这一点其实并不重要,我们可以给计算机,投入大量电力,给计算机供电比。 [00:24:25]
Shaun Maguire:给人脑功能容易多了,毕竟人类会生病,还有食物偏好,还需要睡觉,对没错,让我再问一个关于这个主题的问题,在我看来,无论是美瓦智能还是美美元智能,或者任何这类指标,我觉得大致有三个层面的输入,你可以有硬件层面的改进,让硬件本身更高效,你可以有底层系统优化,比如内核级的改进,矩阵乘法库之类的东西,或者你也可以有高层的模型级算法级改进,在我看来过去三年里,大部分收益似乎都来自硬件层面,也有一部分来自模型层面,你同意这个看法吗,你觉得未来还会是这样吗,你觉得在内核层面还有很大的潜力可挖吗,上岸国完全不同意你的看法,好很好这就是我提问的原因。 [00:25:17]
Dylan Patel:好我觉得一种方式是把这看成三个不同的层面,从这个角度看从Hopper到Blackwell 这基本上是我们过去三年里仅有的硬件迭代,在DeepSeq上大约有30倍的提升,在最优化的部署上,你可以在InferenceMAX上看到大约有30倍的提升,但是在过去三年里,我们在美瓦智能上的提升远不止于此,其中很大一部分来自模型层,回想三年前,那是GPT-4 现在可能是像QWM较小的模型,总参数量270亿,激活参数只有20亿,表现却要好得多,所以模型层有了巨大的提升,硬件层也有相当大的提升,但关键在于那个协同设计的层面,我觉得这才是重点,如果你去看这些模型的架构。DeepSeek是最有名的那个,至少是公开的,大家都能看到的,对 DeepSeq 空过协同优化,或者说内核级的内存优化,获得了巨大的效率提升,对我觉得内核当然是一部分,但实际上是你要为芯片构建硬件架构,你看 DeepSeq V3 里所有专家的形状,都是针对 Hopper 优化的,再看 V4 是针对 Blackwell 和华为的芯片优化的,有意思的是,尽管 TPU 客观上是很棒的,芯片 DeepMind 全跑在上面 Anthropic的预训练也全用它,但TPU跑DeepSeek就很拉胯,而跑其他一些在NVIDIA上表现不好的模型却非常出色,这里存在某种程度的深度优化,不管是形状网络 IO模式,怎么做集合通信,怎么处理注意力机制的算术强度,所有这些都在模型。硬件和中间的基础设施软件之间做了协同优化,很难说你现在就能把这些收益拆开来看。 [00:27:59]
Shaun Maguire:你觉得我的理解是,过去几年中国在这方面,比西方做得好很多 DeepSeek是最早真正这么做的模型之一,我倒不这么认为,我觉得更多是西方不告诉别人,自己做了什么。 [00:28:06]
Dylan Patel:OpenAI没告诉大家GPT-4O有多稀疏,形状大小是多少这些,但GPT-4O跟DeepSeek V3 规模差不多,还稍微小一点,而且4O发布时间还稍早一些,如果我没记错的话。
Shaun Maguire:所以你的看法是,这三层其实一直在同步推进,速度也差不多,最大的收益就来自协同优化,对,要我说模型层的收益,比协同优化层。
Dylan Patel:比软件基础设施层和硬件层都要大,但每一层都有创新,而真正最大的收益,顶尖实验室最厉害的地方,就是当他们把这三层协同优化的时候,你看Anthropic 虽然他们用很多种硬件,但推理基本不怎么用TPU 主要用TPU做训练,他们推理大量跑在Trainium和GPU上 GPU更像万金油,但他们优化了自己的硬件,优化了模型,优化了一切,才能做到这一点,而OpenAI之前的模型更多针对Hopper优化,现在更多针对Blackwell优化,你顺着时间往前看,这些实验室都是这样 Google也一样 Gemini 2是真正针对TPU V6E优化的 Gemini 3也是,接下来要出的下一代Gemini 是真正针对TPU V7优化的,所以很多这些东西都在协同优化。实际上你把那个模型拿出来,放到旧硬件上跑,效果真的不怎么样,所以我觉得这种协同优化是最重要的,这叫软硬件协同设计,这让我特别兴奋,我日常工作就是看某一层,这里有很多创新,每一层都有很多创新,但真正的突破性创新,是当你跨越几层去做协同优化和协同设计。 [00:29:39]
Dylan Patel:是当你跨越几层去做协同优化和协同设计,突然间本来这里两倍,那里两倍,那里两倍,不是乘起来变成八倍,而是直接一百倍,因为你跨三层都做了优化,这就是你在那些实验室里看到的,在NVIDIA这样的公司里看到的,令人兴奋的东西 NVIDIA不完全是做模型层的协同优化,但从模型层一路往下到芯片,多少也涉及一些,或者你看台积电这样的公司,他们不光协同优化制造环节,而是从组件耗材工具一路往上,到客户告诉他们的芯片设计方向,这是跨多个抽象层的协同优化,优化过程中总会有某个地方存在瓶颈。
Shaun Maguire:拖后腿然后需要被拉上来,还有各种补丁去掩盖那些问题,如果要你预测,在技术站的任意层面,随便哪里都行,你未来一年最密切关注的一些瓶颈是什么,不一定在供应链,不一定是规模方面,而是实际的技术层面,当然供应链也可以算,但就是是内存改进吗,还是单纯的扩展。 [00:30:43]
Dylan Patel:内存,内存这块大家谈的很多,但我不从供应链角度讲,我从技术角度讲,内存的容量和带宽进步一直很慢 NAN单元大概是25年前发明的DRM单元,大概是40年前发明的,在单元本身,就是NAN单元到底是什么,这方面一直没什么重大突破,当然NAND本身是个很简单的门店路 DRAM单元也是未来可能会有一些,极具创新性的东西出来,但即便过去五年,我们真正做的也就是把HBM堆叠的更多更快,不过接下来几年会有新的创新,不再是单独把HBM堆在芯片旁边,而是直接把内存堆在芯片上,这会让带宽暴涨,这个领域有一些很有意思的公司,也有一些公司在尝试做概念验证,我觉得内存带宽是最大的瓶颈之一,另一个是在硅芯片的历史上,至少过去20年,一颗芯片多少瓦。对于数据中心或桌面芯片来说,基本看一眼就能预测,峰值大概在每平方毫米一瓦,所以如果一颗芯片是100平方毫米,功耗一般就在100瓦左右或略低,你看最新的NVIDIA芯片,最新的TPU芯片,也还是在这个每平方毫米一瓦的范围内,所以现在芯片已经到1400瓦了 NVIDIA 的下一代,像Rubin这些会到2000瓦,再往后到Rubin Ultra 大概会到4000瓦左右,但这其实只是在增加硅片面积,真正让人兴奋的是,我们现在终于在做一件事,而且正在推进中,就是可以把注入硅片的功率提得更高,远超每平方毫米一瓦,这突然意味着你需要的硅片面积变小了。 [00:32:02]
Shaun Maguire:当然它运行功率更高,某些情况下效率更低,但你减少了归用量,而且能克服某些问题,那是不是会遇到散热问题,散热问题。
Dylan Patel:还有电气干扰之类的问题,各种不同的问题都会冒出来,所以这是个很难的工程问题,也是为什么我们一直卡在,每平方毫米一瓦左右,但让人兴奋的是,全世界都在尝试改变这些,我觉得供应链里,另一个有意思的点是,人们总说能源很难,我们有能源瓶颈,但其实是有些很简单的解决方案的,可以想一下,比如美国有能力制造数百万台卡车的柴油发动机,你可以在装配线上,很轻松的把它们改造成用天然气,然后接上一个电动机反过来驱动它,让电动机发电,而不是让电动机带动轮子转,就是反过来用,这样你往一个美国能造几百万台的东西里灌天然气,就能发出电来,然后你可能会说,好吧,那维护起来不是很麻烦吗,因为你现在得在一个数据中心里,放几百台这种东西,其实你完全可以从汽车修理店拉人。让他们跑来跑去修卡车发动机,实际上这相当简单,我不是说它简单到谁都能做,我肯定做不了,我觉得你说到了一个很好的点。 [00:33:56]
Shaun Maguire:就是西方在过去二三十年,并没有真正去思考半导体和更广泛的硬件,所以我们没有太多创新,我们没有最聪明的人在思考,怎么改进这些东西。 [00:34:06]
Dylan Patel:谁会想去硬件行业工作呢,当你可以坐在那,对就是这样,好吧,我特别想问 NVIDIA对TPU 你怎么看,我觉得大家都想在这两者之间选边站,但这其实取决于一个事实,你看两年后 Google会通过自己的供应链,造出超过1000万颗TPU 而NVIDIA会造出更多,几千万颗GPU 两边都会是千亿美元级别 Google那边每年造出来的TPU价值,会超过1000亿美元 NVIDIA这边会是5000多亿,或者别的什么数字,我不做具体估算,这不是收入预测。
Shaun Maguire:只是个思想实验,对,我们的研究就是这个,媒体趋势也一样 Ashley 就是在为SpaceX IPO做准备,你们在SpaceX投了很多吗。
Dylan Patel:好吧,那就说得通了,我们很幸运,是很大的投资者,太好了,要我说,像Google TPU和NVIDIA GPU这个对比,它们各自都有很占优势的地方,对吧,你看NVIDIA会说,我们有交换机,而且是通用型的 TPU那边会说,我们更专用,能效其实更高,而且我们的网络,对某些网络架构的优化,其实更好,所以两边都有很能打的论点,我完全可以一本正经的跟你论证 GPU比TPU强得多,或者TPU比GPU强得多,但归根结底,还是硬件软件协同设计的问题,实际上,按OpenAI模型的发展方向,他们用TPU 可能是个很糟糕的决定,而Anthropic 和Google模型的发展方向,他们用GPU训练,可能也是个很糟糕的决定,当然,对成熟模型来说。用哪个都还行,这里面的根本区别是什么,有很多方面,对吧,举个最简单的例子,矩阵乘法单元的大小就不一样,因此你做的矩阵乘法的形状,你用的注意力机制,注意力机制的结构方式,专家的结构方式都会不同,所以你觉得OpenEye和Anthropic 正在走向非常不同的模型架构,我觉得他们的模型架构其实差别很大,有意思,你看OpenEye的模型稀疏的多,这有它的好处,而Anthropic的模型虽然也稀疏,但总体上更稠密,这又有不同的好处,还有很多其他方面,对吧,比如网络拓扑 NVIDIA 的所有芯片都通过NANDLINK交换机连接 Google那边没有交换机,但他们做到的是 NVIDIA 的NANDLINK只能连接72个GPU。而Google的SEI可以超高带宽连接8000个芯片,但数据必须经过其他芯片才能到达,因为没有交换机,所以这里就有取舍,有优点也有缺点,而这会影响模型架构,你不一定非得说哪个比哪个更好,因为说到底,你没法把它们孤立起来衡量,这种差异会一直延伸到模型层,对吧。 [00:36:58]
Shaun Maguire:但我记得很长一段时间里,大家都会想 NVIDIA 的可编程性,还有CUDA本身就是一条巨大的护城河,在我看来,至少过去三到六个月,这种说法好像变了,模型公司不再在乎,如果要给另一款芯片写定制Kernel 那就写呗,如果有必要,我们愿意同时用四五种芯片 Quad和Kodak在做这类优化工作上,其实已经相当厉害了,所以看起来,而且本来也没有1万家模型公司,每家都需要可编程性,模型公司大概也就几十家这个量级,所以在我看来,那个基本前提,有成千上万的大客户需要CUDA兼容性,这种论调好像在变。 [00:37:19]
Dylan Patel:对 CUDA的护城河,软件的护城河,至少在一定程度上已经被解开了,因为模型现在编程能力很强,所有软件在这种情况下都会商品化,我确实觉得开源和人们所说的CUDA护城河,其实跟CUDA本身没什么关系,而是DeepSeek,Kimi,智普,AI,阿里巴巴,腾讯,还有小米最近也出了个很棒的模型,这些公司的模型都是针对GPU做协同设计的,所以如果我想在TPU上跑这些模型,有些情况下他们跑的并不好,那Google就得自己创建开源模型生态,或者自己开源模型,所以他们做了Gemma系列,结果就是,这其实不是CUDA在起护城河作用,而是下游产品对NVIDIA优化的更好,而且这些公司还都在开源这些模型,或者像Nimotron也在开源,然后下游的使用者,比如推理API提供商。那些拿开源模型为企业定制业务用力的,强化学习公司,所有这些公司都受制于一个事实,好吧,我好像得用NVIDIA 因为整个生态都在用NVIDIA 哪怕我其实不太在意写CUDA内核,因为模型很擅长干这个,但问题在于模型的形态,比如这个专家模块是这样,隐藏维度是那样等等,所以在NVIDIA GPU上跑,就是比在TPU上跑更好,反过来也一样,如果Google真的开源了非常好的模型,情况也会一样,人们拿到他们的模型会说,哇这些模型在NVIDIA GPU上跑得不太好,那我应该直接租TPU或者买TPU来跑,对小团队来说,你会想用所有的开源软件,比如VLM GLANG Pytorch这些,但大实验室不一定需要全用这些 OpenAI很久以前就fork了Pytorch Entropic和其他公司。也不一定重度依赖这些开源实现,他们早就fork或者自己构建了,所以不需要依赖开源,这样一来情况就更像是,我会选最好的硬件,然后为那个最好,性价比最高的硬件,从头到尾协同设计我的模型和基础设施软件。 [00:39:46]
Dylan Patel:从头到尾协同设计我的模型和基础设施软件,而且我会让AI帮我写所有这些软件,你怎么看Cerebras 我觉得Cerebras是一家非常有创新精神的公司,在市场的某些领域,他们做得非常非常好,推理速度极快。
Shaun Maguire:我觉得这是个很大的市场,我们在SemiAnalysis几乎只用Fast Mode 顺便说一句,我特别欣赏你在核算上的严谨,不知道那是你专门做的一个展示,还是一直都这么做,就是核算每项任务的花费和投资回报率,分析的太棒了,对对我们做的相当认真,谢谢,那是我们写的dark GPU那篇文章。 [00:40:16]
Dylan Patel:而且我们还会追踪每个人每天的token消耗,如果有人用量突然飙升,我就会问你干啥了,然后对方解释完,我就说好谢谢告诉我,听起来值得,然后继续忙我的,我觉得对于高端任务 Fast Mode显然价值很高,我能看到很多不同的用力,超快的Token生成速度是值得的,我也能看到另一面,有很多用力不需要超快Token 因此市场不会为此买单,他们会用GPU和TPU 我觉得SERP最大的风险在于,我主要认为最好的模型,才是你想用Fast Mode跑的,而小模型你可能未必会用Fast Mode 我也能想象这个判断可能是错的,比如在金融市场之类的领域,像Jane Street那种高频交易,或者中频交易,但归根结底,在基于SRAM的芯片上,跑非常大的模型,处理非常长的上下文,是非常困难的,比如Cerebras 比如Groq。所以问题突然就变成了,如果模型变得太大了怎么办,如果OpenAI的模型,不是几千亿参数,或者小几万亿参数,而是十万亿参数以上,那一下子我觉得,这就塞不进Cerebras了,而且如果还带着超长上下文,比如100万的上下文长度,那就更难说得通了,到目前为止,我们看到各大实验室的大部分收入和用量,都来自他们最好的模型,即使模型涨价了,我们也看到了这个现象,有一些数据显示,就连Fable今天刚发布,就有大量用户转向Fable和Methos 也就是那种次顶级的模型,尽管它贵得多,所以,那这是按金额算的量,按Token算的量呢,谁在乎按Token算的量,重要的是钱,说的对,我不在乎卖了多少量,比如20万辆mini cooper或者丰田凯美瑞。如果福特F150的平均售价是他们的5倍,哪怕销量只有一半,好吧说的对。 [00:42:31]
Shaun Maguire:所以美国最赚钱的市场是皮卡,对吧我多半是在开玩笑,但差不多是这个意思,我觉得这确实是你做的特别好的地方,也是你区别于几乎所有人的一点,你不仅关心技术还非常关心经济账,我觉得很少有人能把这两件事,很好的结合起来,对谢谢,我觉得在Seminalis内部,这件事特别有意思。
Dylan Patel:因为我们有90个人,其中一大块是技术专家,工程师,覆盖整个供应链,然后另一大块是,以前在对冲基金工作的人,你会看到这些争论,比如有人说,那个不重要,然后另一个人就说,但是成本呢,接着工程师又会说,不不不,这项技术才是最接近的,你会看到这种,争论自然的打来打去,而且我们内部挺随意的,考虑到我以前就是论坛版主。 [00:43:05]
Shaun Maguire:你大概能想象我有多享受这种场面,你很享受,别跟猪摔跤,因为猪会乐在其中,顺着这个话题,在进入下一个问题之前,半导体领域有没有什么,能触发你的话题,就是那种像梗一样,有人一提,你就会觉得这人肯定是个傻子,比如有人说那次人是平静,这倒是事实,但我觉得更让我上头的是。
Dylan Patel:有人说AI没有投资回报率,这真的让我火大,就是那种投资回报率在哪,或者否认模型进步的人,有那么一群人会说,模型没有在变好,他们不会推理,他们不会思考,他们会走进死胡同,会停滞,但实际情况是,能力曲线一直都在向右上方走,他们又会说,你看这个基准测试没进步,那是因为它已经到90%了,去看新的基准测试,对,你饱和了,现在他们正在飙升,对吧,我觉得这才是更大的问题和挑战,半导体确实非常复杂,我不会因为别人缺乏理解,就责怪他们,我每天都在从别人那里学到,关于半导体供应链的新东西,而我已经研究这个领域,可以说有18年了,从我12岁开始当论坛班主算起,可以说研究了这么久,即便如此,我整天都泡在里面,这是我唯一关心的事,但抽象层实在太多了。就像我昨天才了解到一种化学品,销售额有上千亿美元,我当时就想,哇都不知道还有这种东西存在,也不知道它用在哪个工艺里,你总是在不断学习新东西,上千亿美元的销售额,在一个几千亿美元的行业里,随便吧,但问题是,但它必不可少,它必不可少,而且实际上每一块芯片都需要它,你就会感叹,哇原来有上千道工艺步骤,我也不知道,就像有人会说,哦你喜欢半导体,那说出每一道工艺步骤的名字,这不可能,拜托,我觉得最搞笑的是,当人们面前摆着所有事实。 [00:44:51]
Shaun Maguire:却得出了一个完全错误的结论,这种事在我们的工作中也经常发生,对,对,我觉得我的态度不是去生气别人这么做,而是要尽可能快的去做,我觉得这个行业,因为它是如此AI 就是当下世界上最重要的事,而且有那么多短期评计,我们聊了很多短期的东西,有没有更长周期的事情让你特别兴奋,比如十年时间框架下的,我们聊到了轨道数据中心,但像归原子层面,你觉得在十年框架下是被低估还是高估了,还有没有其他十年框架下的东西,有,我觉得在太空方面。 [00:45:30]
Dylan Patel:太空在十年框架下会超级疯狂,超级棒,比如太空数据中心,还有小行星采矿之类的事情,我对SpaceX的愿景感到特别兴奋,再说一遍,这不是投资建议,别一听就冲进去,我觉得在半导体这边,巨大的市场变动和巨大的变化,可能仅仅因为某些事情,早一年或晚一年发生就会到来,所以这些技术,比如供风装光学,大家都知道它会在10年内发生,争论的焦点是 27年 28年 29年还是2030年,但总会在某个时间点发生,我觉得更有意思的是,有些公司比如,你们投了Navin Rehau的公司吗,投了,好的,对我觉得他试图在规层,软件抽象层和模型层,同时进行创新,而且他完全明白,这不是那种几年内就能做成的事。这不是一个两年的周期,对不是几年的周期,这是一个长期堵住,像这样的事情就是,好吧,我们要把模拟计算和基于能量的模型,还有所有这些疯狂的东西,一次性全带进来,这很让人兴奋,很可能不会成功,但你知道,这很让人兴奋,我真的很期待,他肯定不会很快成功,对,我应该说肯定不会很快成功,我相信Navin 我大概是在2020年,还是2021年认识他的,他是我在这个行业里,最早认识的人之一。 [00:47:04]
Shaun Maguire:挺有意思的,实际上是在2020年,这很能说明他的为人,以我的经验来看,他一直在努力,是我在网上调的他,我在网上把他调出来的,他一直在努力帮助年轻一代,一直在发掘人才,他在Mosaic的时候也特别有远见,我记得当时还有人给我做过推荐,不对,那是2019年,我当时还是匿名的。
Dylan Patel:我在网上调他,然后他开始回复我,我就转到私信,接着又约了电话,可以说他是我在整个半导体行业里,聊过的第一个真正重要的人,有意思,有意思,不过抱歉打断你了。 [00:48:06]
Shaun Maguire:有意思,你觉得这个生态的终局会是什么样,比如你觉得每个实验室和每家超大规模云厂商,最终都会有自己的芯片吗 Training现在看起来已经跑通了,对吧,所以你觉得终局是不是每个实验室,每家超大规模云厂商都有自己的芯片,至少推理用自己的训练,可能还是找NVIDIA或者别的厂商,你觉得终局会是什么样。
Dylan Patel:我觉得大家都会去尝试,而且不会停下来,我认为最终供应链很重要,你能引入什么技术也很重要,而且随着行业规模越来越大,供应链的多元化也会发生,你看现在,大家的芯片看起来都差不多,中间是一块大的逻辑计算芯片,左右两边,上下两边都堆着高带宽内存,顶部是网络互联,底部是PCIe 和其他 I/O,Trainium TPU、NVIDIA 的芯片,结构完全一样,大多数创业公司也是这样,当然Groq 和 Cerebras除外,他们在搞一些很不一样的东西,但那也很酷,我觉得再往前走,硬件架构和模型架构会出现更多分叉,所以大家会去做协同优化,但有些人可能会陷入局部最优,对吧,就像梯度下降一样,大家都在努力寻找最优解,但有些人会冲进一个局部最小值,问题就在于你怎么跳出来。怎么退回到那个全局最小值,在某种程度上 NVIDIA这种更通用的方案,在并行AI算力这个维度上,永远会比任何其他家的芯片更通用,因为他们有太多关注不同需求的客户,这些客户会持续在设计上给他们反馈,那个最小值永远会比他们更好,但问题是,那个最小值是不是一个局部最小值。 [00:49:39]
Dylan Patel:那个最小值是不是一个局部最小值,比如TPU或者Trainium 或者Groq、Cerebras 或者随便哪家的设计,在当下这个点优化的特别好,但到了中局,你其实得往另一个方向走,那他们就错了,对,也许他们能风光一阵子,但最终会被证明是错的,这才是真正的问题,所以我觉得通用AI算力,会有一个很大的市场,因为你去跟实验室的人聊,他们连自己一年后,要用什么架构都不知道,对吧,他们真的不知道,一年后自己会用什么架构,他们有很多赌注,很多研究方向,这也是这件事,让人兴奋的地方,但他们不知道,最终会走向哪里,一般来说,他们知道自己手里,有什么硬件,也在努力做协同优化,但如果模型架构突然出现新的突破,比如把注意力机制换成别的什么东西,谁知道呢。或者突然之间发生了什么变化,最好的硬件就会跟着变,那么大家会仅仅基于一个更专用的ASIC 就做出5年的硬件投资承诺吗,还是会留出一部分预算,去配置更通用的算力,你从Google的做法就能看出来,他们愿意为GPU向xAI支付,每小时11美元的费用,这太疯狂了,这个价格非常高,当然算力确实稀缺等等,但这还是很疯狂,而且他们自己明明有TPU 所以这里面有一些问题,比如他们为什么要这么做,实际上Google内部有三套不同的TPU设计项目,他们在跟Broadcom合作做一款TPU 这个架构跟和MediaTek合作的那款又不一样,这个TPU的架构跟另一个不一样,那个是研究用的,我就不多说了,但他们确实在做不同的架构,不是说找几家供应商做TPU 用的都是同一套架构。不是的是不同的架构,而且第三种架构跟前两种差别非常大,所以我觉得大家已经意识到,局部最优解是可能出现的,因此我认为每家都会有自己的,专用集成电路项目,每家都会投入数十亿美元,部署自己的专用集成电路,像Google这种规模,一年就是数百亿美元,但最终他们总会有一些工作负载,是用不到TPU的 Google内部有些非Gemini或DeepMind项目,主要用的其实是GPU而不是TPU 当然也有些主要用TPU 情况比较复杂,但比如说做药物发现或者VMware 你可能就不想用TPU 具体是哪个我就不说了,但确实存在不同的架构压住,和不同的AI发展路径 AI for Science的算法模式,可能就跟通用人工智能模型不一样,所以我认为我们会看到多样性继续扩散,而且因为市场已经变得如此庞大。各种细分领域就会被开辟出来,这就让公司有可能在自己的细分领域里,真正赚到钱。 [00:52:40]
Shaun Maguire:哪怕市场的大头被NVIDIA TPU和Trainium拿走了,说得好,我们能聊聊数据中心的建设吗,从各方面来看,如果你看图表,按每计算小时的美元成本来算,我们正处在一场疯狂的计算资源紧缺之中,而且这看起来既是需求侧,也是供给侧的问题,需求方面长时间运行的agent需求暴涨,供给方面,所有这些数据中心的建设都在延期,你觉得在可预见的未来,我们会一直处在这种计算资源紧缺的状态吗,还是说在某个时间点会缓解,是的,每个季度我们部署的计算能力都比上个季度多得多。
Dylan Patel:建成的数据中心也比上个季度多,今年即使算上延期,也会有二十几瓦的规模,明年算上延期会超过30几瓦,当然任何事情都可能延期,硬件相关的东西都可能延期,这就是现实,我们这辈子会一直面临计算资源紧缺吗,这取决于模型的发展,但你看Methos的总可用市场,比如Methos 5 Fable 5 可不是OPUS的两倍,模型能力强了太多,能完成的任务也多了太多,所以它的总可用市场要大得多,然而全球的计算能力,在过去这6个月里并没有翻倍,从OPUS发布到现在大概7、8个月吧 OPUS 4.5发布之后 4.6、4.7、4.8都有改进,但Fable和Methos是巨大的节约式提升,全球的计算能力在同一时期并没有翻倍,也没有翻4倍。但AI能完成的有用任务的需求,以及这些任务的数量和价值,却实现了这样的增长,所以现在的问题是,接下来会发生什么,很明显 Entropic在第二季度已经盈利了,是净利润盈利,不算股权激励,而且我觉得到第三季度,他们可能连股权激励都算上,也能盈利,他们就是这么赚钱,他们一个OPUS token的利润率,至少是OPUS 4.8的token 按API价格算,利润率超过80% 他们有很多协议,因为跟Bedrock Vertex 这些平台合作的方式,总体的公司毛利率会被拉低一点,但归根结底,他们单个token的利润率,非常高,既然你有这个能力,你就有能力付钱,最终他们以高于市场价买的每一块GPU 他们也从SpaceX以高于市场价买过GPU。那个价格比Google出的低,但那是因为他们签约更早,这是其他公司,比如靠风险投资支持的公司,或者利润率还没转正的公司,不一定能做到的,成本效益比是怎样的,比如我租的每一块GPU 因为我计算容量不够了,我可以立刻转手在上面卖Token 或者每一块TPU每一块Trainium 我都能立刻以正利润率在上面卖Token 如果我本来有75%的毛利率,就算计算成本翻倍也没关系,我仍然有50%的毛利率,而且如果他们是租用计算节点扩容,并不一定需要人力,所以最终我的净营业收入还是在涨,因此我会不惜代价去租GPU 在某种程度上,我愿意付多少钱,我就付得起多少钱,我有个几乎相反的问题。 [00:55:12]
Shaun Maguire:就是这种计算能力的建设,会不会在某个时候突然出问题,今天早些时候好像有条推文 Crusoe公开说他们的一个客户要求,暂停其中一个数据中心的建设,看起来现在生态系统里的每个人杠杆都加的很高,都是那种我们必须建,必须赶紧建的状态,高杠杆高增长,对我来说作为一个投资者,这让我非常非常紧张,等等,高杠杆高增长意味着用很少的股权,就能撬动巨大的上行空间,你又不是债主,你是信用,你是股权投资者,来吧,对,你得去上私募股权那门课,只做杠杆收购,我其实就是私募股权出身,哦,厉害,他把学校那套忘了。在风头待太久了,没有,我现在只看收入倍数,你们看到这种迹象了吗,会担心吗,我明白你的意思。 [00:56:54]
Dylan Patel:这又回到模型那个点了,显然如果模型再扩大,它能做的经济价值总量,就是我们那份按GDP报告里说的,你刚才也提到了,如果模型能完成的工作量增速,超不过算力增速,那风向就会变,过去六个月,风向非常明确的偏向这一边,模型能做的事在变多,它们能覆盖的工作,总可用市场扩张速度,比算力增长更快,所以价格在涨,但完全有可能模型进步突然停滞,你去问Anthropic或OpenAI的人,也许他们是在自我催眠,但基本上所有人都会说,不不不不,模型进步还在继续,所以当前的路线可能会在某个地方停滞,我不确定会在哪里,但目前看来,模型改进的路径是清晰的,而且改进速度很快,实际上,模型现在进步的比,六个月前或一年前更快,因为我不愿叫它地规式自我改进。但基本上是工程师们,用模型来帮助编写所有信息,并越来越快地推出下一代模型,所以你看到的是一个,类似地规自我改进的循环在运转,模型变得更好更快,但归根结底,资本是个大问题,这也是为什么Google要融资,他们持有的SpaceX股份多到离谱,大概拥有公司5%的股份,我觉得比这多一点,不过对。 [00:57:57]
Shaun Maguire:我记得他们一度持有10% Larry Pei在100亿美元估值时,投了10亿美元,拿到公司10%的股份,后来被稀释了,但那是史上最伟大的投资之一,干得好 Larry。 [00:58:23]
Dylan Patel:对,所以他们知道自己手里有价值,大概1000亿美元的股票,锁定期结束后9个月左右就能卖掉,再加上他们自己的毛利润,即便如此,他们还是做了测算,觉得需要融资,于是就做了增发,这太疯狂了,这告诉你他们认为需要花多少钱,但资本确实是个大问题,你看Meta Meta宣布要融资,股价就暴跌,人们不喜欢,但所有这些公司都会融资,不管是发债还是发股,总有一天资金水龙头得关小,但现在Amazon每增加一块GPU 收入都在涨。
Shaun Maguire:或者说每块TPU或Trainium 不管谁加的都在产生毛利润,我想在这个点上加一点看法,然后把它变成一个问你的问题,我们聊这些的时候,我脑子里一直在想,一个几乎可以算作替代假设的想法,拿Crusoe的例子来说,我用石油打个比方,在石油行业,沙特阿拉伯生产一桶油的成本,远低于很多其他国家,还有油的纯度等等,沙特的原油通常杂质很少,这样炼油更容易,我的问题是,当你去看每1GW再见的算力,比如说现在有20GW要上线,这些级瓦之间有多大的同质性,你可以用你认为合适的任何指标来回答。 [00:59:16]
Shaun Maguire:你可以用你认为合适的任何指标来回答,但比如说Google的1GW,是不是比大多数星云厂商的1GW价值高两倍,因为他们有光交换机,他们做这个很久了,知道怎么做电力平滑,因为我觉得这可能是一个替代假设,那些擅长建数据中心的人,他们就应该全力去建,因为需求太大了,而且他们做的比别人好太多,但也许我们已经开始看到一些早期迹象,那些不太擅长的人开始有点受挫了,所以我不知道实际情况是怎样的,有意思,值得思考,到目前为止这方面是有衡量指标的。
Dylan Patel:Trainium卖给Anthropic和OpenAI的租赁价格,每 GW不到100亿美元,而GPU至少在过去6个月市场疯狂之前,通常每 GW在120亿到130亿美元左右。 [01:00:42]
Shaun Maguire:这是新云厂商和Amazon之间的价格对比,现在Amazon卖GPU价格也差不多是130亿,我的理解是这些数字里Amazon还补贴了一点,所以实际差距可能更大,是不到100亿不到100亿,但有一些奇怪的,基本上具体是多少,我的理解是 Anthropic在让Trainium 变得真正可用这件事上,起了很大作用,比如写各种库等等,我听到的所有说法都是 Trainium的硬件真的非常好,而且还在变得更好,显然Anthropic现在大量使用它。
Dylan Patel:所以希望我们能看见,那个价格上涨,对他们签的那个协议,其实设了一个抵价机制,如果效果不好,价格会更便宜,甚至便宜到可以取消,如果效果特别好,价格就会高一些,但实际算下来 Trainium的价格就是不到10 而GPU这边 SpaceX那笔交易,大概是每几瓦250亿,或者说每兆瓦2500万美元一年,跟Google的租赁价格一比,这差距太夸张了,当然如果亚马逊现在卖Trainium 价格可能会比10高,因为算力短缺,但你在数据中心领域,已经能看到这种现象了,数据中心的租赁价格,如果你做的是托管,不是算力,只是电力,这里是数据中心,定价通常按每千瓦,每月多少美元来算,以前是每千瓦,每月60美元,现在你能看到成交价,在120到160之间,不同质量的数据中心,我见过有高达200的。当客户信用评级不太好,而数据中心,本身有相当不错的时候,我也见过低到100的,或者在印度低到80 因为电网不稳定,网络连接也不好,数据中心也比较一般,但好歹是个数据中心,所以这种巨大差异已经存在了,在数据中心建设这个领域,常见的坑就是项目直接失败,失败的人很多,他们声称要建可能就四个人,说对我们听说了,我买了一些涡轮机,付了定金,我要建一个数据中心,然后就一直延期,延期最后失败,所以你必须做概率加权,时间加权,考虑时间之后,区分哪些团队不行哪些行,我们的数据中心模型,做的就是这件事,我们追踪每一个数据中心,根据他们使用的设备等等,对每一个都尝试做这种分析,你刚才提到Google 在一个几瓦级的数据中心里。他们实际上会部署1.5几瓦的硬件,因为他们对从工作负载到各个环节的理解,非常深,能够灵活调配电力,所以通常一个几瓦的算力,电力消耗利用率大概在60%到70% 不是说硬件利用率,而是总有人租用,他们现在能做到,那60%到70%的利用率,意味着实际跑满一个几瓦,你用的就是整个几瓦,你还会看到有人,包括Google跟电力公司签协议,说我知道这个电网,可持续供电一个几瓦,但一年里除了三天,其实可以供两个几瓦,那就给我两个几瓦,那三天通知我关停就行,他们就会这么做,这一类技巧,然后你还需要对工作负载,备用电源,现场发电机等等,有极强的管理能力,才能想办法真正持续维持两个集瓦,当人们做到这一点,他们就能收更多钱。不管是因为我实际上卖了两个集瓦,尽管名义上只有一个集瓦,因为那三天我可以用电池,天然气等来应对,我搞定了现场发电,现在我在别人都没有的地方,有了一个集瓦,而且我能快速建成,这不一定是成交价更高,而是我卖了更多的集瓦,有时候卖更多集瓦,每个集瓦的售价还不一样,我觉得在数据中心和能源层面,更多是有和没有的区别,以及项目是否延期,这更偏向二元结果,但在算力这一侧,我觉得有意思的工作要多得多,一个集瓦给Anthropic 客观上说,产生的收入比给OpenAI要高,而且看起来,他们两家现在手里的,每一个集瓦都能卖出去,考虑到OpenAI和Anthropic 那边的速率限制 Token上限等等问题,尤其是Codex 5.5出来之后,性能好多了,同样。如果你把一个机瓦给SpaceX 他们也能把它变成某种东西,我的猜测是,他们可能比大多数人。 [01:05:11]
Shaun Maguire:都更善于利用硬件,我觉得人们低估了,他们的网络经验,尤其是来自Starlink的,也低估了他们通过,特斯拉积累的电力管理经验,对,像Fred Mayo这样的人,非常厉害,他们真的很强,所以对我来说,这其实可能是很多人,分析中缺失的一点,虽然我也不知道确切答案,我觉得还有一个事实是,当CoreWeave建一个。
Dylan Patel:几瓦级数据中心时,虽然他们的GPU算力,在性能和可靠性上,客观比Amazon Google和Microsoft更好,我们是测过性能和可靠性,但问题是 Google在算力上限前六个月,就开始卖了,然后他们得拿着,签好的合同去借债,用那个信用背书,再回头去,付他们已经下的采购订单,而SpaceX的做法是,不行,这东西现在就在跑,直接买,当你有一张资产负债表能这么做,跟没有的时候,差距就很大,这也会让你的每兆瓦收入高得多 NeoCore这个机会为什么存在。
Shaun Maguire:因为五年前你问我,我会说超大规模云厂商会通知这块,你刚才也提到CoreWeave的性能,比超大规模云厂商更好,这个机会为什么存在,宏观层面是什么原因,执行层面有什么原因。 [01:06:24]
Dylan Patel:2023年我写过一份报告,让Amazon特别恨我,报告叫Amazon云危机,我讲了Amazon为什么是最好的云,因为他们有Nitro智能网卡,能提供租户隔离,所有Hypervisor都跑在网卡上,这样就能把全部CPU核卖出去,他们还有自己定制的SSD 直接买罗兰克里,自己做SSD 成本更低,他们还有自研的Gravitan CPU 把单核成本压下来了,所有这些让他们能卖更多核,安全性更好,网络也不错,但这些都是为传统CPU场景做的,存储也是为传统云世界优化的,可在AI云里,这些东西很多反而拖累性能,这些Nitro网卡对性能不利,现在依然性能更差,虽然他们迭代了几版改进不少,但还是更差,很多安全功能在AI场景下没意义,因为不像以前那样,把用户做时间切片。或者把一个socket切给多个用户,没人会在一个8GPU服务器里单租一个GPU 也没人会在一个72GPU机架里单租一个GPU 他们租整个机架,甚至租很多个机架,而且也不存在租6个小时就还回去这种事,大家都是长期合同,所以GPU租赁市场的运作机制,让超大规模云厂商的很多专长变得没用,有些甚至是有害的,网络性能就是其中之一,对Google和Amazon来说,他们自研的网络对传统CPU和自己做的业务更好,但对AI反而更差,另外一些情况是 Microsoft自己建数据中心能省钱,但他们的数据中心团队其实没那么强,当建设节奏可预测的时候还行,一旦需要把全年预测翻倍,他们就摔跟头了,不得不去拿一堆Neo Cloud产能,我觉得性能是一个因素,上市速度是另一个,这些大组织里,没人会因为把这个数据中心建得更快而发财。但你看Crusoe 比如Chase和团队其他人,我本来想点几个名字,但还是算了,这些人如果能更快交付算力,他们是真的会发财的,他们是加了杠杆的,超高杠杆的股权持有者。 [01:08:26]
Shaun Maguire:不过他们也全是从比特币那边过来的,这话你可能不太方便说,他们数据中心的主力是从Microsoft来的,我也不太清楚,我就是开个玩笑,不过你懂的,在一个波动极大的市场里,你能学到很多东西,你觉得Jensen在NVL上,有多大程度是在布局 Jensen绝对讨厌,所有超大规模云厂商,掌握所有权力的世界。
Dylan Patel:他之所以会砸钱,给那些随机的AI实验室,我甚至都不确定那是否合理,但他就是在砸钱,把他们捧起来,然后去跟全世界的人说,你们应该投资这家公司,因为他想创造一个多极化的世界,这就是他喜欢中国实验室的原因,因为他想创造一个多极化的世界,一个只有OpenAI、Anthropic和Google模型的世界,对他来说是死路一条,一个只有超大规模云厂商,在建设算力的世界,对他也是死路一条,所以他当然需要,把资源分配的枪口对准星云,帮他们的集群兜底,做一切能做的事,因为虽然今天卖给Crusoe的GPU 卖给CoreRiv的GPU 和卖给Google Amazon的GPU 对它来说价格都一样,但五年后Crusoe和Coreweave的存在。 [01:09:08]
Dylan Patel:但五年后Crusoe和Coreweave的存在,意味着Google TPU会变弱 Amazon Trainium也会变弱,而更多推理由非币源模型实验室完成,对它更有利,所以我觉得星云这个生态,就是一群在野蛮生长的人,这些新实验室也一样,他们很多都有NVIDIA 的投资,这就是个蛮荒地带,有些会失败,很多都会失败,但有些会脱颖而出,成为真正优秀的团队,不管是说来奇怪 Crusoe一群搞加密货币的人,然后开始建数据中心,搞办生气发电,还是Coreweave 最初是一群纽约对冲基金的人,他们也是后来也搞过加密货币,但后来他们做起来了,有很多人没能像他们一样冒出来,差不多同时起步,就是失败了,对吧,所以我觉得。
Shaun Maguire:我得说这两个团队都非常出色,他们值得很多赞誉,这也是你的观点,不过,对我的观点是,他就是在水里撒了一大把鱼儿,最好的鱼会想办法活下来,对吧,星云的情况也差不多。 [01:10:51]
Dylan Patel:他也希望新实验室能这样,我们拭目以待,看有没有新实验室能真正冒出来,不过 Thinking Machines有上亿美元的年度经常性收入,对吧,这相当厉害了,虽然媒体上总说,他们流失了那么多人才,但你看Tinker做到了上亿美元的年度经常性收入,对于一个推出不到六个月的产品来说,这已经相当厉害了,我们希望其他新实验室也能发生同样的事。 [01:11:04]
Shaun Maguire:所以他想要一个多极化的世界,去,恭喜你取得成功,谢谢,我最后想说的是我见过一点点,我觉得听众大概能从你的言谈中听出你有多努力,但很明显你已经拼命工作了十多年,这才有了过去几年在正确的时间出现在正确的地方,不过你所取得的成就真的令人难以置信,而且我知道这仅仅是个开始,所以非常感谢,谢谢你来做这期节目。
这篇文章记录了作者访问旧金山的 OpenAI、Anthropic 和 Cursor 后,对软件工程中 AI 使用方式变化的观察。作者认为,一个正在形成的核心趋势是云端智能体走向主流:OpenAI、Anthropic 和 Cursor 都在投入这类能力,并预期需求会显著增长。
文章开头说明,作者正在参加 AI Engineer’s World Fair,因此 The Pulse 本周四暂停;随后介绍了本文关注的四个方向:云端智能体、非开发者使用编码运行框架、工程师是否会更多转向为智能体构建高效运行环境,以及企业是否会更积极优化每个 token 的 AI 支出。文中提到,在 OpenAI,超过 95% 的非工程师使用 Codex 而不是 ChatGPT。
在 Anthropic 的例子中,Andrej Karpathy 把 Claude Tag 称为与 AI 协作的“新范式”。作者一开始也觉得这只是 Slack 与 Claude 的集成,但 Anthropic Applied AI 的 David Hershey 解释说,关键区别在于它减少了配置和工具切换:Claude Code 往往需要连接内部 MCP 服务器并配置本地 skills,而在 Slack 中提及 Claude 可以直接启动任务。David 还用“Claude 玩宝可梦”的副项目说明,过去每次新模型发布都要花几分钟设置,并让脚本在本机跑数小时;现在通过 Slack 集成只需一条命令。
作者进一步指出,真正的重点不是 Slack 集成本身,而是 AI 可以不再运行在本地机器上。Anthropic 的 Claude Managed 智能体 是一个重点项目,由 Claude Platform 工程负责人 Katelyn Lesse 的团队花六个月构建,用于在多个云提供商上执行长时间运行的智能体。Peter Steinberger 的 OpenClaw 实践也走向同一方向:他因本地运行多个智能体导致 CPU 发热、系统变慢,构建了 Crabbox 来在云端运行 OpenClaw 智能体。
OpenAI 的案例是收购 Ona(前身 Gitpod)。Ona 是云开发环境 CDEs 的领先者,而 CDEs 原本在 2021 年是为帮助开发者更快开发软件而兴起,如今也成为智能体在沙盒化云环境中运行的基础组件。OpenAI 在收购公告中强调,随着 Codex 能力增强,最有价值的工作会持续数小时甚至数天,而不是几分钟;用户应能委托更有野心的工作,不必绑定在任务开始时的设备上,并能从任何地方查看进度、指引方向、做决定和审查结果。OpenAI 工程师也向作者确认,公司重点正在转向基于云的智能体,并且 Cloud 智能体 团队正在招聘。
Cursor 的例子显示,云端智能体会带来新的工程问题。联合创始人兼首席产品官 Sualeh Asif 提到,云端长任务不像本地任务那样能把警告或错误直接抛给人类处理,因此 Cursor 让模型在定期访谈中“坦白”问题,并把这些反馈交给基础设施团队改进运行环境。长时间运行还会遇到节点中途终止、如何把执行迁移到另一个节点等挑战。Cursor 在 6 月 29 日发布 iOS 应用,让用户可从任何地方构建软件;这种移动端软件构建体验依赖云端智能体,因为它们可以在隔离虚拟机中异步运行,使用完整开发环境持续测试、验证、演示并推进到可合并 PR。
作者对“为什么现在云端智能体突然成为趋势”的解释包括四点:第一,编码模型已经足够好,在 Opus 4.5 / GPT-5.4 之前,自主编程能力不足以支撑长任务;第二,AI 编码智能体基础设施成熟,MCP 和 skills 等方式更主流;第三,上下文窗口变大,当前模型最高可达 100 万 token,能容纳更复杂的指令、代码和上下文;第四,云提供商近几年建设了大量 GPU 集群,使这类智能体有足够算力可用。
文章最后进入第二个议题:非开发者是否会大规模采用编码运行框架。作者在 OpenAI 见到了 Codex 团队第一位工程师 Andrew Ambrosino,对方表示要展示一些“不可思议”的东西,但本地源文档到此以“继续阅读”结束。
来源:The Pragmatic Engineer
URL:https://newsletter.pragmaticengineer.com/p/impressions-from-visiting-openai
排期说明:本周我在旧金山参加 AI Engineer’s World Fair,因此周四不会发布 The Pulse。不过明天(周三)会有一期特别播客节目,嘉宾是软件工程传奇人物 Kent Beck,这也会是迄今最长、最详细的一期。
最近几天,我在旧金山访问了 OpenAI、Anthropic 和 Cursor 的办公室。到现场后,我和从事模型侧工作的软件人聊了聊,想了解他们构建软件的方式正在发生什么变化。本文基于这些访问中的观察,其中包括一些我认为可能被整个行业采用的新进展。
本文会讨论:
上周,Andrej Karpathy 用“新范式”来形容通过 Claude Tag 与 AI 协作:也就是在 Slack 里提及 Claude,让它启动任务。Andrej Karpathy 在 X 上的这番说法,在社交媒体上引来不少反驳。毕竟,这不就是一个接入 Claude 的 Slack 集成吗?
我原本也这么想,直到我访问 Anthropic 办公室时,问了 Applied AI 部门的 David Hershey。他详细解释了这个 Slack 集成与 Claude Code 这类工具的区别:
我的感觉是,这里的兴奋点与其说来自 Slack 集成本身,不如说来自这样一个事实:现在可以轻松启动一个或多个 AI,而且它们不再运行在本地机器上。你可以完全跳过配置过程。
“Claude Managed 智能体”是 Anthropic 的一个重点方向。我在那里见到了 Claude Platform 的工程负责人 Katelyn Lesse。她解释说,Claude Managed 智能体 是一个大型且复杂的项目,她的团队花了六个月时间构建出来。它是一项托管服务,用于在多个云提供商上执行长时间运行的智能体。
真正重要的是云端智能体,而不是 Slack 集成。
同样在上周,我有机会参加一场私密的 AI 构建者活动,Peter Steinberger 在会上介绍了自己的工作流。他讲到,自己已经非常厌烦在本地机器上同时跑好几个 OpenClaw 智能体,因为它们会让 CPU 发热,并拖慢整个系统。于是,他构建了 Crabbox,用来在云端运行 OpenClaw 智能体。
Crabbox:面向 OpenClaw 的远程智能体。
突然之间,云端智能体这个相同方案,分别在 Anthropic 和 Peter 的 OpenClaw 实践中出现,都是为了解决本地运行智能体带来的问题。我还了解到,云端智能体在 OpenAI 和 Cursor 也正在变成重要方向。
OpenAI 大力押注 Cloud 智能体。
OpenAI 收购了 Ona(前身是 Gitpod),后者是云开发环境(CDEs)的领先者。早在 2021 年,CDEs 的目标是帮助开发者更快地开发软件;而它们也恰好是让智能体在沙盒化云环境中运行的理想基础组件。
OpenAI 在收购公告中这样写道(重点为原文所强调):
“随着 Codex 变得更有能力,它最有价值的工作正在从几分钟内完成,转向跨越数小时甚至数天展开。我们认为,人们应该能够委托更有野心的工作,而不必一直绑定在任务开始时使用的那台机器上。工作应该能延续到最初的会话之外;Codex 则让人们可以保持连接、检查进度、提供方向、做出决定,并从任何地方审查结果。Ona 会帮助我们做到这一点。它的技术提供安全、持久的环境,让智能体能够访问推进工作所需的工具、系统和上下文。通过把 Ona 纳入 OpenAI,我们会让 Codex 超越受限于单一设备或活跃会话的工作方式,并帮助更多组织安全地在生产环境中部署智能体。”
在 OpenAI 办公室,我问那里的工程师:他们的重点是否正在转向基于云的智能体?他们的回答是:非常明确地是。这是一个相当新的进展,而且他们正在为 Cloud 智能体 团队招聘工程师。下面是一则当前仍在线的招聘广告:
“我们正在寻找一位经验丰富的软件工程师,帮助构建并扩展我们的云端智能体平台。你将设计和运维大规模编排智能体的系统。你将与 ChatGPT、API 和 Codex 的产品工程师密切合作,定义合适的抽象,并帮助他们快速交付产品。扎实的后端或基础设施经验很重要;拥有 Python、Rust、分布式系统、云基础设施或产品平台经验会特别有帮助。”
Cursor:在云端运行智能体就是未来。
在 Cursor,我和联合创始人 Sualeh Asif 聊了一个小时。他以前是 CTO,现在是首席产品官。Cursor 在去年年底发布了 Cloud 智能体,现在开始把更多注意力放在这一领域。Sualeh 透露了一些关于使用云端智能体的有趣细节:
就在昨天(6 月 29 日,周一),Cursor 发布了 iOS 应用,让用户可以从任何地方构建软件。在智能手机上构建软件需要云端智能体。来源:Cursor。
Cursor 表示,这款产品建立在云端智能体之上,以支持长时间运行的任务:
“云端智能体运行在隔离的虚拟机中,配备完整的开发环境,可用于测试、验证和演示工作。由于它们以异步方式运行,并拥有自己的工具和资源,云端智能体可以运行更长时间,并在无需干预的情况下持续迭代,直到产出可合并的 PR。
>
要利用这些能力,可以把本地计划发送给云端智能体,或者把活跃智能体迁移到云端继续运行。你也可以把云端会话移回自己的电脑,在合并前本地测试变更。”
运行在云端的 AI 智能体确实很实用:需要的配置更少,可以并行运行多个,而且对于长时间运行的智能体来说,云端比个人笔记本更好、更方便。你不必为了让任务继续跑着,在办公室走动时还得保持笔记本开盖。
但为什么是现在?我的假设是,几个因素叠加在了一起:
在 OpenAI,我还见到了 Andrew Ambrosino,他是 Codex 团队的第一位工程师。我们的交流一开始就很理想,因为 Andrew 说他需要给我展示一些不可思议的东西:继续阅读。
这篇文章提出,评估 AI 基础设施产能时,不能只看已宣布的兆瓦数、GPU 订单或超大规模云厂商的资本开支,而要看这些资源是否能同步部署并转化为可计费算力。作者把 AI 基础设施视为一个同步系统:采购订单只有在加速器、内存、变压器、冷却回路、网络结构、电力设备、EPC 能力和投产调试团队都在同一地点、同一窗口期到位时,才会变成收入。
文章的核心判断是,早期周期中芯片分配曾是主要节奏约束,但限制层已经迁移到更深的物理和运营堆栈。半导体仍是核心,先进封装、HBM、基板和验证层仍是关键硅侧约束;但决定硅能否变成可计费资源的,还包括电力与冷却、建设与许可、网络与投产调试。即使园区已经有 GPU、机柜、变压器和变电站,如果冷却回路未通过首次充注,或认证机柜的团队被占用,仍然无法产生收入。
作者认为“已宣布兆瓦数”可能误导市场。项目可以已经发布、锁定土地,并进入并网队列,却距离可计费算力还有数年;部分项目会延后、缩小规模、重新定价,或推到更晚的一代周期。因此,把全部公开管线当作近期供给会高估产能,也会低估那些在 2024 年和 2025 年就提前锁定电力和设备的运营商。
文章提出“真实 MW”框架:只有已锁定电力、已采购设备、完成投产调试、AI 就绪并且可以计费的兆瓦,才应算作真实产能。按这个口径,2027 年和 2028 年的可部署资源池比公开管线看起来更小,也更集中。报告还跟踪从 GPU 订单到可计费算力之间的十四道关口,并强调多数关口位于物理和运营层,GPU 和 ASIC 分配更接近链条末端,而非起点。
文章还区分“延迟部署的约束”和“主要推高成本的约束”。变压器短缺会直接让收入无法上线;铜箔涨价主要提高电路板成本。基板短缺可能阻止加速器出货,而 MLCC 价格飙升可能带来定价权,却不一定阻断任何一个兆瓦。作者警告,如果把每个紧缺组件都当作产能约束,就会错误评估运营商和供应商。
完整报告包含多个具体框架和清单:十四道部署关口、部署阻碍程度最高的前 10 大约束、纸面 MW 到真实 MW 的漏斗、半导体与物理基础设施的部署依赖链、由发电、输电/并网、设备和监管/政治构成的四类电力瓶颈,以及加速器以下的 PCB、CCL、玻璃布、铜箔、PMIC/BCD 产能、探针卡、插座、键合/解键合工具、计量和冷却接口等约束层。
文章最后预告第 2 部分将讨论约束如何变成定价杠杆。作者会区分真正的稀缺租金、投入成本转嫁、组合驱动的 ASP 提升和临时补库存,并强调变压器短缺、HBM 短缺、ABF 基板短缺、冷却验证瓶颈和 MLCC 价格飙升不应被同等看待,因为它们的机制、持续时间和利润率含义不同。
来源:The Diligence Stack - By Creative Strategies
URL: https://www.thediligencestack.com/p/counting-real-ai-capacity
这份报告是我们第一次为 AI 基础设施绘制完整的约束地图。我们一直在跟踪一个约束堆栈,如今它已经远远深于加速器分配本身。本报告中的地图把这些约束纳入同一个框架,并提出一个简单问题:哪些层级决定了已宣布的产能何时才能变成可计费算力?
产能必须按“同步可部署性”来计量。采购订单只有在每一层都在同一个地点、同一个窗口期到位时,才会转化为收入。这意味着加速器和内存要到位,也意味着变压器、冷却回路、网络结构、电力设备、EPC 能力,以及负责机柜投产调试的团队都要同步到位。周期早期,芯片分配设定了节奏。此后,限制层已经向更深的物理和运营堆栈迁移;这些更深瓶颈中的任何一个时间线滑移,都可能拖慢周期中的许多其他环节。正因为如此,已宣布的兆瓦数、GPU 订单和超大规模云厂商资本开支,都需要从部署视角来解读。
这些公告有用,因为它们衡量了意图。我们持续关注的工作,是判断这些意图中有多少会变成真实产能,哪一层会拖慢转化,以及哪些供应商控制着堆栈其他部分依赖的稀缺输入。半导体仍然是系统的核心。先进封装、HBM,以及围绕它们的基板和验证层,仍然是关键的硅侧约束。这张地图进一步加入了决定这些硅是否最终能变成可计费资源的因素:电力与冷却、建设与许可、网络与投产调试。
一个园区可以已经拥有 GPU、机柜、变压器和变电站,却仍然无法产生收入,因为冷却回路还没有通过首次充注,或者唯一能认证机柜的团队正在另一个项目上。许多分析的核心,是跟踪 GW,或跟踪将每一单位电力货币化的能力。因此我们才强调,已宣布的兆瓦数可能具有误导性。一个项目可以已经宣布、已经锁定土地、正在并网队列中排队,但距离可计费算力仍然还有好几年。其中一些项目会延后,另一些会被缩小规模、重新定价,或推入更晚的一代周期。把全部已宣布管线都视为近期供给,会高估产能,也会低估那些早早锁定电力和设备的运营商。
我们对产能的定义和跟踪方式不同。一个真实的兆瓦,必须已经锁定电力、采购设备、完成投产调试、具备 AI 就绪状态,并且可以计费。按这种方式打分,2027 年和 2028 年的可部署资源池,看起来比公开管线暗示的更小,也更加集中。这种优势很大程度上来自 2024 年和 2025 年做出的采购决策,当时大多数投资者还没有开始关注完整堆栈。
AI 基础设施是一个同步系统问题,GPU 订单只是更长链条中的一道关口。我们跟踪从 GPU 订单到可计费算力之间的十四道关口。其中大多数位于物理和运营层,GPU 和 ASIC 分配反而更接近链条末端,而不是起点。按部署严重性排序,现在最难的关口位于芯片之外。
完整报告把延迟部署的约束,与主要推高成本的约束区分开来。变压器短缺会让收入离线;铜箔涨价只会提高电路板成本。基板短缺可能阻止加速器出货,而 MLCC 价格飙升可能带来真正的定价权,却不会阻断任何一个兆瓦。若把每一个紧缺组件都当作产能约束,就会得到错误的运营商排名和错误的供应商地图。
我们按角色绘制堆栈:约束拥有者、暴露于约束的公司、稀缺性套利者,以及降低部署风险的参与者。本轮周期的核心问题是:谁能把已宣布产能转化为真实产能,以及谁控制着堆栈其他部分依赖的稀缺输入。
完整报告中,付费订阅者会得到这些内容:
下一篇第 2 部分:约束会在何处变成定价杠杆。
这张约束地图为下一层工作打下基础。一旦我们知道瓶颈在哪里,接下来的问题就是哪些受限层能够把稀缺性转化为价格、利润率、预付款、预留费、长期协议、组合升级,或更低的折扣。下一份报告将区分真正的稀缺租金、投入成本转嫁、组合驱动的 ASP 提升,以及临时补库存。变压器短缺、HBM 短缺、ABF 基板短缺、冷却验证瓶颈和 MLCC 价格飙升,不应被同等对待。每一种都有不同的机制、持续时间和利润率含义。第一份报告映射产能在哪里滑移。下一份报告则连接到谁因为自身约束而拥有杠杆并能据此定价。
阅读全文
这期访谈围绕一个核心问题展开:如果 AI 已经能在数学上通过越来越难的基准,甚至有朝一日解决黎曼猜想或千年难题,这究竟意味着它会自动具备广泛改造经济的能力,还是只是又击穿了一个可以训练、可以验证的局部基准?Dwarkesh Patel 和 Grant Sanderson 的讨论并不把“证明定理”当作数学进步的全部,而是反复追问更难衡量的部分:提出定义、发明概念、连接不同领域、压缩复杂证明、判断什么问题值得研究,以及把 AI 或人类发现的结果整理成可理解的知识。
访谈从三年前关于 IMO 金牌和 通用人工智能 的问题开始。Grant 认为,仅凭 AI 在国际数学奥林匹克(IMO)或某些数学题上取得好成绩,不能直接推出它能自动化所有白领工作。数学本身也有“尖峰中的尖峰”:几何题可能因为存在暴力求解路径而很快被攻克,组合题则更像需要创造力的最后堡垒。Dwarkesh 承认自己在移动球门柱,但他的追问是:当 AI 已经能连接已有知识并发现新关系时,下一个真正让人信服的门槛是什么?
Grant 多次强调,数学历史中最有价值的进步往往不是某个孤立证明,而是新的定义、对象和概念框架。单位距离猜想、黎曼猜想、费马大定理、随机矩阵与黎曼 zeta 函数的联系,都说明数学突破常常来自把两座原本分离的“山”连接起来。访谈中最重要的历史例子是伽罗瓦理论:它最初并没有立刻被理解为有用成果,却开辟了以对称性理解多项式的新方式。Grant 因此认为,如果 AI 只是击倒一个定理,它像通过一个基准;但如果它能发明新的概念山脉,并让人类后来发现那正是理解某个领域的正确方式,那才更接近深层数学创造力。
两人讨论了 RLVR、Lean、Mathlib 和自动研究系统。数学之所以适合 AI 进步,是因为它比很多领域更容易验证:形式化证明可以检查每一步,自动系统也能通过穷举、搜索和实验积累结果。但 Grant 认为,仅仅奖励“解决了问题”并不够,数学真正需要的是某种对简洁性、优雅性和概念压缩的奖励。一个数千页的黎曼猜想证明也许能成立,但如果没人能从中得到理解,它与人类真正想要的数学仍有距离。
Dwarkesh 提出,AI 不只是单体智能变强,还拥有可复制、可并行、可隔离不同尝试的优势。Grant 认可“数量本身会变成质量”的方向:系统可以大规模尝试不同启发式、不同证明路线和不同模型偏置,再筛选有效路径。这种并行探索尤其适合数学、代码和可验证研究。与此同时,两人也讨论了 AI 可能陷入相同训练方式带来的同质化偏见,因此有时反而需要让不同实例保持差异,而不是把所有知识完全汇总成一个平均模型。
访谈把 Lean 分成两种意义:第一,它让系统能长期自行推进可验证的形式化数学;第二,它可以作为筛选器,把自然语言中的候选证明转化为可检查成果。Grant 认为,即使自然语言数学里有很多正确想法,人类数学家也难以逐条判断是否值得投入时间;形式化系统能降低这种验证成本。但他也指出,形式化体系本身可能生长出庞大的新“文明知识库”,未来的人类或 AI 需要重新理解和解释这些结构。
两人从数学转向写作、解释和学习。Grant 认为 LLM 很擅长把已有材料解释清楚,却不一定擅长像优秀作者那样决定什么值得呈现、如何组织动机、如何预判读者心智状态。Dwarkesh 也说,他经常把 LLM 当作更强的搜索工具,用来找到正确的人类作者、教材或视频,而不是完全依赖模型直接教会自己。Grant 进一步指出,优秀教师会识别学生问题背后的错误框架,并告诉对方真正该问什么;这一点目前的模型往往因为过度迎合而做得不好。
当被问到学生是否还应进入数学、编程等被 AI 快速改变的领域时,Grant 的回答很谨慎。他建议学生先理解未来职业中“钱从哪里来、自己增加什么价值、二者如何连接”。如果 AI 让纯粹证明工作变得廉价,人类仍可能在解释、辅导、组织知识、选择问题和把 AI 发现转化为可理解材料方面发挥作用。Dwarkesh 补充说,如果 AI 在数学中看得比人类更远,那么“把 AI 看见的东西解释给人类”本身可能成为重要工作。
最后一部分讨论“AI 加速数学是否有用”。Grant 认为不同数学领域的应用邻近性差别很大:代数数论的突破不一定立刻带来现实应用,但动力系统、偏微分方程和模拟相关领域可能直接影响工程、航空等实际问题。AI 数学进步也可能反过来暴露一些数学分支与现实应用的距离:如果数学突然加速十倍、百倍,却没有对应的外部影响,人们会重新追问这些知识到底有什么用。
1. AI 通过 IMO 或解决特定数学题,不等于自动证明它能完成所有白领工作;数学内部也存在难度和可训练性的巨大差异。
2. 真正难的数学创造力不只是证明定理,而是提出新定义、新对象和新概念框架。
3. 伽罗瓦理论被用来说明:最重要的数学洞见可能长期不被理解,其价值来自改变人们思考问题的方式。
4. 形式化验证、Lean 和 Mathlib 让数学特别适合 AI 大规模尝试,但验证正确不等于获得人类理解。
5. 未来 AI 在数学中的优势可能来自并行探索、可复制实例和可验证环境,而不只是单个模型的智力提升。
6. LLM 很适合解释和检索已有知识,但在写作、教学动机、读者心智建模和提出正确问题方面仍有明显缺口。
7. 对学生而言,关键不是抽象地问某个领域会不会被 AI 替代,而是理解自己在价值链中提供的具体作用。
8. AI 加速数学的实际效用会高度不均匀:某些分支可能直接服务工程和科学,另一些分支可能主要暴露其与现实应用的距离。
Source: Dwarkesh Patel
URL: https://www.youtube.com/watch?v=TfyPshgMbug
- IMO、通用人工智能 与下一个数学基准 [00:00:00 - 00:13:44]
- 伽罗瓦、群论与数学中的概念发明 [00:13:44 - 00:25:16]
- 广告 Gemini 3.5 Live Translate [00:25:16 - 00:27:21]
- 黎曼猜想、abc 猜想与 AI 生成新数学 [00:27:21 - 00:38:40]
- 数据、并行探索与 AI 的数学研究优势 [00:38:40 - 00:52:57]
- 广告 Bilibili 工作流与 Scribe [00:52:57 - 00:56:59]
- Lean、自动研究与数学验证 [00:56:59 - 01:08:42]
- 写作、解释与心智模型 [01:08:42 - 01:15:00]
- Jane Street、学习路径与学生建议 [01:15:00 - 01:28:31]
- 数学进步是否有用,以及应用瓶颈 [01:28:31 - 01:33:39]
Dwarkesh Patel:今天,我正在与 3Blue1Brown 的运营者 Grant Sanderson 聊天,他现在正在开发一个新项目,记录人工智能在数学方面取得的进展。我想和你们讨论这个问题是因为人工智能在数学领域取得的进步是其他领域中最快的。无论这里发生什么,无论我们以何种方式看到人工智能进步发生或不发生,都将告诉我们随着人工智能变得越来越好,世界其他地方将会发生什么。我想从三年前第一次采访你时问你的这个问题开始。我问你,一旦我们有了能够在国际数学奥林匹克竞赛中获得金牌的AI,那不就是通用人工智能了吗?考虑到这些问题有多困难,这难道不能做任何人类能做的事情吗?你有一个答案,事后看来是非常明智和正确的。你说这将是另一个基准,就像人工智能正在通过的所有其他基准一样。显然,从那时起,人工智能在总体上已经变得更好,但当这种情况发生时,不会有一些“顿悟”时刻。首先,我很想知道你的启发,为什么这是真的。其次,我很好奇你认为这种狭隘性还能持续多久。到人工智能已经解决了千禧年奖问题时,您是否认为仍然有可能人类正在做的许多任务人工智能仍然无法在经济中实现自动化?这是一个有趣的问题,因为如果不提前知道解决方案是什么样子,就很难回答。 [00:00:00]
Grant Sanderson:如果我们以国际数学奥林匹克(IMO)为例,你三年前提出问题的实质是研究这些问题的某些解决方案似乎确实需要创造力。这些问题的设计者试图想出一些你无法轻易训练的东西。 IMO 的一个隐秘事实是你真的可以为很多人进行训练。正如您所指出的,整个人工智能和数学项目正在进行中,它有趣的原因之一是人工智能有一个尖峰前沿,而数学就在其中一个尖峰中。但这种尖峰具有分形性质,因为当你放大数学的具体进展时,你会发现有些事情比其他事情容易得多。如果我们只考虑国际数学奥林匹克(IMO),这在这一点上已经是旧闻了。两年过去了,他们确实表现得很好。如果不是因为以下原因,他们本可以在 2024 年获得金牌。他们非常好。他们基本上只是冷解几何。 IMO 有四类问题:几何、数论、代数和组合学。几何,自 2024 年以来,它只用了 19 秒就解决了它,因为它是一个强力求解器。隐秘事实是,对于学生来说,还有一种暴力的方法可以实现。组合学是一个变数:更有趣、更像谜题一样的问题。那年的考试中有两道组合数学题,但并非总是如此。有四个类别和六个不同的问题,所以哪一个有两个问题是一个难以抉择的问题。如果是更多的几何问题,他们那一年就会获得金牌。但它在那些组合数学上却很困难。那些试图为人类保留数学最后坚持的火炬的人可能会说,这些是需要更多创造力的。即便如此,你的问题的精神——如果他们正在解决千年奖问题,这是否也为很多白领工作服务?——表明,无论我们现在所处的位置与现在的位置之间的速率限制器是什么,都与使白领工作变得更好的速率限制器相同。我们可以用几种不同的方式来绘制。如果我们关注黎曼猜想,那么解决这个问题会是什么样子?这些东西非常擅长某个特定的知识领域,了解得很深,然后了解另一个领域,再了解另一个领域。你已经指出了这一点。奇怪的是,拥有如此超人的广度,对所有领域都了如指掌,但却找不到连接它们的闪电。我认为我们开始看到它实际上在它所擅长的事物之间寻找联系的火花。我确信我们会讨论它。如果黎曼猜想的解的本质是这样的,那么我觉得这与擅长白领工作所必需的东西非常不同。我们有理由相信这可能就是解决方案的本质。我不知道你是否知道休·蒙哥马利和弗里曼·戴森在 IAS 的故事。这是一个旁切线,但这是一个有趣的故事。我不知道是在午餐时间还是类似的事情,但这位数论学家只是试图理解黎曼 zeta 函数的零对之间的统计相关性。黎曼猜想是关于所有这些零是否位于一条直线上。他发现了你可以问的这个定量问题,并写下了一个公式。它看起来像正弦平方一或类似的东西。物理学家弗里曼·戴森说,“我知道这个表达式。这个表达式出现在研究随机埃尔米特矩阵的特征值中”,这是在研究原子核的能级时出现的。 [00:01:16]
Grant Sanderson:这两个看似不同的事物的统计数据是相同的这一想法促使人们探索随机矩阵理论中是否存在可能与黎曼 zeta 函数相关的方面。我认为那里是否有成果是一个悬而未决的问题。但是,如果事实证明黎曼猜想的解决方案正在进一步探索类似的想法,那么将两个不同领域结合在一起就具有您期望LLM擅长数学的特征。他们是量子物理学专家。他们是解析数论专家。他们应该能够以一种不需要蒙哥马利和戴森共进午餐并碰巧谈论它的方式看到这种相似性。这与白领工作完全不同。在某种程度上,你很难使用人工智能作为编辑器,这并不是因为他们知道一切,而你只是需要他们找到中间的闪电。另一种可能性是……正确的类比是什么?也许如果我们想到费马大定理,在费马提出问题的那一刻和解决方案本身的样子之间,解决方案最终涉及数学中如此重型的机器。这个问题的美妙之处在于你可以如此简单地表达它。您询问 xⁿ + yⁿ = zⁿ。当 n 大于 3 时,你有整数解吗?你可能期望有一种基本的数论方法来解决这个问题,但据我们所知,根本没有。而实际的解决方案,也许有更简单的东西,但这可能就是它必须的。有一套非常复杂的想法,它们建立在几个世纪以来以椭圆曲线为中心的工作基础上。然后还有另一堆围绕这些东西的想法,称为模块化形式。这两座山都必须先建成,然后才能提出连接它们的正确问题。如果黎曼猜想的解决方案涉及建造一座新山,那么这就是一种技能——提出正确的新想法的能力——感觉与他们现在的智能特征有很大不同。这并不是您所需要的视频编辑器本身的功能。但如果它能够建造一座大山,这是正确的新理论,它明确了我们应该如何思考一个主题,那么它的智能水平就很高,如果它除了数学本身的建造山之外没有渗透到经济的其他方面,那才是令人惊讶的。或者至少,即使它不能真正做到白领人类能做的每一件事情,它也会产生变革性的影响,就像在国际数学奥林匹克中获得金牌并没有对世界产生变革性的影响一样。 [00:04:47]
Dwarkesh Patel:首先,我确实想指出,我完全在这里移动了球门柱。两三年前,当我采访达里奥时,我问了这个问题,为什么他们无法利用丰富的知识将想法联系在一起并以这种方式提出新的发现。这似乎是这样的事情,即使是一个中等智力的人,如果他们知道这么多信息,也能够从这种药物导致偏头痛的事实中得出医学诊断,而另一种药物会导致偏头痛,也许这是同一种药物可以治愈这两种情况。从外行人的角度来看,数学显然就像一个领域,寻找单位距离问题猜想的反例就是这种事情的一个例子。所以这是完全的球门柱移动。但我们可以问,下一个基准是什么?既然人工智能可以做到我们应该认为它们能够做到的事情,那么接下来令人印象深刻的事情是什么?这里有几个候选想法。一个可能首先提出有趣的问题,另一个则提出创建或统一领域的新类型的对象或概念化。关于第一个问题,现在我们遇到了这些千年奖问题,因为数学家已经注意到了它们。黎曼提出了黎曼 zeta 函数的想法,因为他认为该函数的零点与素数的密度有某种联系。首先弄清楚为什么我们认为这是一件值得研究的有趣的事情,为什么我们要构建这个对象并试图回答有关它的问题 - 并回答有关它的这个特定问题 - 似乎将成为下一个基准。您在那里强调了两个非常好的例子。 [00:07:24]
Grant Sanderson:对于任何对单位距离猜想感到好奇的人,可以观看由名为 Polylog 的数学频道制作的非常精彩的视频,他们在视频中讨论了单位距离猜想。所有这些讨论都会引起人们对数学计算过程的反思。他们会说,“哦,这个东西可以做令人印象深刻的事情。这对我们意味着什么?”该视频中的一个人强调了这句话:“优秀的数学家证明定理,伟大的数学家提出猜想,最伟大的数学家提出定义。”这或多或少正是你在这里的框架。我们需要猜想生成器,然后是定义生成器。那是顶级数学家。我不明白你到底如何将其作为基准。通常,当我想到基准这个词时,我想到的是球门柱。球是否穿过球门。你可以明确地说:“是的,完成了。”部分原因是为了能够做 RLVR 之类的事情,部分原因是为了知道你在回答问题时没有移动目标。 OpenAI 可以以反驳单位距离猜想为标题,因为这是一个清晰、独特的事情。它做到了。想象一下,尝试在 GPT-5.4 上获得标题,并提出一个非常好的猜想。 “我们保证,大家都认为这是一个很好的猜想。”它只是不以同样的方式着陆。但这也许并不能否认这样一个事实:思考这个问题是正确的。如果它采取看起来像基准的形式,我会感到惊讶,我们有一个分数表明它已经通过,因为我们可以量化一个猜想的好坏。它所需要的本质可能是,在与数学家谈论它的有用方式的对话中,您可能会感觉到语气的转变。你提到的这个系列还没有制作出来,而且可能几个月后才会制作出来,它采用的是我们采访很多数学家的形式。有趣的是,我们在一年前就开始这样做,很有趣的是,从 2025 年中期到 2026 年,他们谈论人工智能的方式发生了一些转变。在现实世界中,这是一个非常短的时间。在人工智能世界里,那是亿万年的事。我们能够看到这种基调在漫长岁月中的转变。我认为,基于语气的转变,衡量猜想生成能力的方式将更加主观。数学家们会说,他们不仅仅是用它来解决问题,而且当他们退一步决定他们的研究领域应该是什么时,与这样那样的模型的对话确实对此有帮助。我认为您不太可能会以标题的形式看到它,说这是又一个被推翻的基准。这很有趣。你无法制定基准的事物也是你无法轻松训练的事物,至少在当前的范式中是这样。基准测试和训练环境之间确实没有根本区别。很容易提出一些二分法, [00:09:03]
Dwarkesh Patel:“这是人工智能不能做某件事的深层原因”,然后事实证明你只是以错误的方式思考它,实际上它很快就能做到。但我会想出——无论如何你都会想出几个。事实可能是,我们可以通过一些方法来训练人工智能在相对近期内完成这些事情。但它似乎必须与当前的 RLVR 训练有所不同。我很好奇的事情——在我看来推动了数学和科学领域的巨大进步——是提出一种思考问题的新方法,或者一种理解世界的新方法,它可以统一不同的领域,催生全新的领域,并解决我们一开始就没有试图解决的问题。爱因斯坦思考广义相对论的原因并不是因为他想解释为什么光会弯曲或为什么黑洞存在。这些现象他一开始就不需要解释。在数学中,作为一个完全不知道自己在说什么的门外汉,似乎经常有一些方法可以证明一个特定的问题,可以激发新的概念化——它会产生一个全新的领域,一种全新的思维方式,这是非常富有成效的——而另一些方法则不然。我很想听你谈论伽罗瓦提出群论,区分他对没有根公式的五次方程的解决方案,以及阿贝尔几年前提出的不同证明,但没有提出群论。如果你想对群论是否是一个有趣的概念进行验证循环——这里做了一些有用的事情,或者为什么这个证明更好?——验证循环可能长达一百年。它涉及密码学的出现和物理学的进步,以及群论中与理解物理学对称性相关的思想。对于为什么这是一个富有成效的概念,有一个一百年的循环验证。 [00:11:50]
Grant Sanderson:你触动了我的神经,因为我本来打算在 2022 年做一个关于伽罗瓦的项目,但我把它搁置了,但我花了一年的时间思考他所做的事情。我可能会不小心在具体细节上讲得太长,你可以阻止我。对于您的案例来说,这是一个完美的例子,因为描述为什么它是一个有价值的见解并不来自于直接的效用。当然,如果您正在考虑 RLVR 环境,这将很难做到。但有趣的是,即使当时有人类验证者,也花了很长时间才认识到它的有用性。有了爱因斯坦和广义相对论,人们立刻就觉得这是一个很好的理论。伽罗瓦理论之所以成为如此有趣的例子,是因为你确实拥有一个想法的百年片段,它在许多不同的人的头脑中流动,然后才最终成为数学界认可的好东西。稍微备份一下……您想了解问题的背景吗?我们在学校都学过二次公式。我以为你会说我们在学校都学过群论,但我错过了那节课。我们都学习群论……不,是二次公式。这是众所周知的。从某种意义上说,希腊人可以解决二次方程,但他们并没有真正用代数来写东西。实际上是阿拉伯人写下了这个公式。有一个关于意大利数学家决斗的令人愉快的故事(不是真正的决斗,只是智力挑战),他们秘密找到了三次多项式的公式,然后不久就找到了四次多项式的公式。因此,对于数学家来说,一个自然的开放问题是,你能找到一个解决五次方程的公式吗?四阶公式是一个怪物。如果把它写下来,那就太疯狂了。你通常不会完整地写下来。你把它分解为一个程序性的事情。您可能认为这些事物的复杂性呈指数级增长。所以数百年来,没有人真正回答这个问题。通常,我们说阿贝尔是第一个证明这一点的人。他就是这位年轻、早熟的挪威数学家。他证明这根本不可能。这并不是说你能找到五次公式。他一开始以为自己找到了一个,但他证明这是不可能的。我认为真正的功劳是你必须退一步谈论拉格朗日。他找到了合适的问题来问这个问题。我会给它一个非常高的水平。他正在研究这个问题,并认识到能够解决这些多项式与理解某些代数表达式的对称方式非常相关。如果我写下 a + b + c + d,只需添加四个变量,然后对它们进行排列,它不会改变表达式的值。然而,如果我写 a + b * c + d,有些排列不会改变它,但有些排列会改变它。他对如何找到具有四个自由变量的表达式有一个非常好的见解,但所有排列都采用三个不同的值,这与能够将四级减少到三级有这种意想不到的关系。他开始思考我们是否可以找到五次多项式的问题,想知道他是否可以扩展该方法。要扩展该方法,您必须有一个包含五个自由变量的表达式,这样当您在所有五个阶乘排列中对它们进行排列时,它只采用四个或更少的值。你可以把它放在一本拼图书中。你可以把它放在一个十二岁孩子可以参与的脑筋急转弯中。不难发现自己感觉这是一项不可能完成的任务。拉格朗日坐在那里说:“这是解决寻找五次多项式问题的策略。 [00:13:44]
Grant Sanderson:但那是历史上人们第一次本能地认为某种有关对称性的问题是研究这些多项式的正确方法。在他看来,这只是一种方法。尚未发现实际上存在更紧密的联系。也许我们不应该寻找公式,而应该问相反的问题:你能证明这是不可能的吗?他种下了那颗种子。大约五十年后,阿贝尔肯定读到了我们知道伽罗瓦在爱上数学时就喜欢拉格朗日。很难想象这两个年轻的天才在这个问题上提出的见解并非来自拉格朗日,但对于你是否能够验证这是一个好主意的问题,拉格朗日并没有得出任何结果,所以这并不是一个知道这是一个正确的问题的情况。他只是提出了一些本质上有趣的事情。当时,大多数人对数学的应用更感兴趣,这几乎是一个业余的、业余爱好者的事情,但后来他被建议花更多的精力来研究椭圆函数,所以他在二十六岁时因肺结核去世了。他在监狱里写下了这篇非常好的作品。我们可以谈论他的人生故事。这是相当狂野的。但他是个青少年,他在监狱里,他试图提交数学论文,但被拒绝了。所以,再一次,考虑到可验证的奖励,当时学院的验证者功能正在拒绝他写的内容。坦率地说,这不是很连贯。这不是一个完整的证据。他并没有清楚地思考这个理论到底是什么。他只是一位初出茅庐的年轻数学家。经过验证的奖励是“不好”。但他有一种直觉,认为那里有东西。因此,他正在写这篇关于数学本质的谩骂,数学的本质是随着时间的推移而经历这些转变的东西。他谈到了代数本身的出现,以及从仅仅用数字来思考,到对纯代数表达式有一定的流利程度,而你不需要解释这些表达式。他有这样的直觉:我们似乎应该做另一层抽象,我们不是考虑公式本身,而是考虑这些公式背后的对称性。但这仍然是一个相当不明确的理论。如果你想说,经过验证的奖励是他解决了其他人没有解决的问题,那么,阿贝尔已经证明了五次方程是无法解决的。那么伽罗瓦在做什么呢?原则上,伽罗瓦理论允许您采用特定的多项式,并且它为您提供规则来说明该特定多项式是否具有可以写下来的根。例如,对于 x⁵ - 1,您知道解为 1。或者 x⁵ - 2,您可以写出 2 的五次方根。所以并不是说你不能写出每个五次多项式的解,而是你能找到一个特定的多项式来证明你不能用根式写出解吗?他甚至还没有准确地解决这个问题。他没有举出他做不到的具体例子。即使描述他解决了什么问题也是非常棘手的。然后他就死了。这是他进行这场决斗的非常浪漫的故事。 [00:17:13]
Grant Sanderson:关于他如何在决斗前一天晚上写下他所有的想法有很多神话,但实际上,他在之前五次试图将它们发表。研究五次方程似乎对你的健康没有好处。这很糟糕。如果你是一个年轻的天才,就不要研究五次方程。他要求他的兄弟和密友把他的笔记交给高斯,将这些笔记送给当时重要的数学家,因为他认为那里有东西。即使那样,也没有真正采取。他的兄弟和他的朋友试图把它们拿出来,但又过了二十年,刘维尔才看到这些笔记,发现其中可能有什么东西,并试图清理它们并理解伽罗瓦的意思。即便如此,又过了二十年左右,乔丹才真正将群论的现代处理方法组合起来,他们将其归因于伽罗瓦。你可以很容易地想象历史会发生不同的转变,这些想法来自数学的其他观点,如果伽罗瓦是一个不那么华丽的人物,他可能会被历史遗忘。但在拉格朗日暗示根的对称性也许是正确的道路之间,到一切看起来像现代群论的时候,你已经有了这么长的跨度。很多时候,它甚至没有通过人类评审员的验证奖励。它落在某人的桌子上,他们说:“我真的不知道这里是否有任何东西。”你必须让这个人认识到这一点。即便如此,它并没有真正解决当时的实际问题。你指出了密码学和物理学之类的东西。你必须进入二十世纪,才能让盖尔曼认为理解某些基团如何分解的本质可能与粒子的构成有关。他基于一个纯粹的群论问题来预测夸克。这是群论更有趣的应用之一:甚至预测夸克的存在也是一个群论问题。在拉格朗日之后很久才出现这样的事情。所以你必须问,衡量进展的方法是什么,不是基于解决问题,而是以某种方式捕捉伽罗瓦头脑中的本能,当他说“我认为这里有一些东西”时?当拉格朗日说“我认为这是正确的思考方式”时,他内心的本能是什么?当刘维尔说“这个死去已久的年轻人的这些零散笔记可能有什么用处”时,他内心的本能是什么?很难指出这一点。我现在正在制作的一系列不同的视频是关于整个“压缩就是智能”的想法。尽管这并不是我真正采取的角度,但更小的表达更具预测性让人感觉更聪明。因此,我想知道你可以在多大程度上给予某种可验证的奖励,不仅围绕你是否解决了它或它正在解决什么问题,而且还围绕着实现它所需的概念的微小性。回到黎曼猜想的解决方案,如果人工智能解决它会是什么样子?我认为第三种可能发生的方式是直接更加努力地工作。同样,你也许可以得到费马大定理的基本证明,但它只是在数千页上被阐明,而且是不连贯的。但更清晰的观察方式是使用椭圆曲线等。也许黎曼猜想有几千页的证据,没有人真正从中得到任何东西,而你真正想要的是这些想法的简洁、压缩版本,然后它们将有助于人类理解。也许你在尝试量化优雅的含义时加入了柯尔莫哥洛夫的复杂性。 [00:20:41]
Grant Sanderson:我认为这并不容易,但我确实认为这是你必须做的事情,以便奖励伽罗瓦式的本能,而不仅仅是奖励你是否解决了问题。想出科学的启发法是非常困难的。但很明显,人类一直在以某种方式这样做,而且显然,人工智能在某个时候也会这样做。它不仅与经过验证的奖励相关,而且可能最终目标是理解,人类的理解。即使你确实有一些数学知识或一些伟大的新物理理论的数千页证明,目标也是理解。也许如果目标是预测性,你可以让自动化工程师去建造火箭飞船,我们不知道它们是如何工作的,但我们可以在恒星之间移动。但还是会有很多人想要了解。你仍然需要任何简洁的函数,将这种复杂的思维方式提炼成正确的思维方式,就像牛顿的万有引力定律一样。你仍然希望训练人工智能能够做到这一点并找到压缩表示。 [00:24:13]
Dwarkesh Patel:我在印度长大直到八岁,所以除了英语之外,我还会说古吉拉特语。由于 Google 刚刚发布了 Gemini 3.5 Live Translate,我认为在这个mid-roll 广告中对其进行测试会很有趣。 (古吉拉特语)Gemini 3.5 Live Translate 可自动检测 70 多种不同的语言,并几乎实时翻译成目标语言。说话时以你原来的语速和格式进行实时翻译。就像现在所做的那样。我早在 2024 年就访问过中国,我记得当时我想,如果我能够实时翻译我与研究人员和我在街上遇到的随机人的对话,这次旅行将会更加富有成效。现在我们拥有了这项技术。因此,如果您正在构建需要实时翻译的应用,您应该 100% 查看 Gemini 3.5 Live Translate。现在可通过 Gemini Live API 和 AI Studio 获取。前往 ai.studio/live 开始。人们对数学有这样的担忧,尤其是担心人工智能会证明黎曼猜想,而我们对数学的理解不会因此而有所改善。我对此有几个问题。第一个是这是否是你应该期待的事情。当我们解决一个大问题时,人类会想出一般的、自然的对象和子目标,这难道不是在你试图解决一个复杂的、重要的问题时才有用吗?从理论上讲,这是否是解决黎曼猜想的一种更简单的方法,而不是仅仅提出与思考问题相关的自然抽象?然后第二个问题,从经验上看,这就是我们今天在人工智能在问题上取得进展时所观察到的情况吗?当AI提出单位距离猜想的反例时,你可以读懂它的思路。这对我来说是无法理解的,因为我对数学一无所知,但对其他数学家来说似乎是可以理解的。它利用了已知的数学概念并证明了它们之间的关系,所有这些都以自然语言进行。结果,它加速了我们对这个物体和这个猜想之间联系的理解。 [00:25:16]
Grant Sanderson:根据经验,这是我们应该担心的事情吗?我认为这取决于性质……如果我们分解解决黎曼猜想的三种可能方法……今年的另一个大问题是编号为 1196 的某个 Erdős 问题,关于这些称为原始集合的东西。它具有从看似不同的领域带来想法的特点。一旦你向数学家提出基本思想......你会说,“如果我们尝试马尔可夫链过程,我们证明这个东西是自下而上的概率而不是自上而下的,并使用冯·曼戈尔特函数呢?”如果你对知情者这么说,他们就会知道如何应对。你有一个非常小的想法,它具有一个领域的专业知识和另一个领域的专业知识的形式,在它们之间画出一个小小的闪电。这些将非常容易被人类解析,因为您所要做的就是显示这些连接的起点和终点。如果它的特点是造山,你就必须花更多的时间去理解那座新造的山,因为它是一条新的线索,而不仅仅是它们之间的一道闪电。如果进步的本质只是原始的喧嚣——没有新理论的超长推理链——那么你就会对整个消化过程感到担忧。所以我认为没有一个明确的答案。这取决于解决方案是什么样的。在造山方面,这实际上非常有趣。我们看待伟大数学家的新理论的方式默认是非常容易被人类理解的吗?或者它是一座陌生的、不同类型的山正在建造,我们必须重新处理我们所涉及的抽象类型?这里最接近的例子是尝试解决 abc 猜想。我们也许不应该讨论这个问题,但这可能不是一个正确的解决方案。基本上,这是这位日本著名数学家提出的全新思维方式。数学家花了很长时间才解析他所说的内容,但它给人一种陌生的数学感觉,那就是理论构建,而不仅仅是一长串推理。他称之为宇宙间几何。最担心的是人工智能会做到这一点,然后就像 abc 猜想一样,人们工作多年才能上山,他们会说,“该死。这就是不对的。”如果事实证明是错的,但看起来确实是对的。即使这是正确的,要爬上一座新山也需要付出很大的努力。如果我们最终陷入这种情况, [00:27:22]
Dwarkesh Patel:大卫·贝西斯(David Bessis)有一篇非常棒的博客文章,名为“定理经济的衰落”。他正在谈论历史上,正如你所说,数学是如何提出这些定义和问题的,并且是关于证明它们的定理。定理证明的东西才是所有的功劳,但它实际上是提出定义的东西的寄生虫。从历史上看,这在信用分配方面并不是一个问题,因为如果你提出一个定义,你可能会成为提出定理的人。但现在我们面临的情况是,如果有价值的工作提出了洞察力,而人工智能将后一部分自动化……想象一个场景,人工智能对世界上的一系列重要猜想提出类似阿贝尔式的直接论证,然后我们就得到了这些证明。现在需要由人类或未来的人工智能来进行整合。再说一遍,无论如何对这个论点没有对象级的理解,我相信如果你能够访问它,它会让你更容易思考正在发生的事情。是否有一些更深入的方法可以让我们理解为什么这个证明有效,从而更容易提出群论背后的想法? [00:29:55]
Grant Sanderson:我认为这会有很大帮助。很多试图发现新数学的尝试大多都是错误的。你试图解决一个问题,但感觉并不像是不断地采取正确的步骤上山。大多数情况下,这感觉就像是一次随意的醉酒散步,你正在做一件事,然后你就错了,并且不断发现它。如果至少你知道尝试消化你所拥有的东西最终会带来正确的解决方案,那就感觉像是进步,仅仅因为知道它会带来解决方案的感觉。在最近的数学史上,有很多例子让人感觉超出了掌握范围,事情在被理解之前就已经被证明了。我最喜欢的一篇论文开场白——它甚至不是一篇研究论文,它更像是一篇说明性论文——来自一位名叫周天成的数学家,他试图理解一个叫做“强迫”的概念。有一个称为连续统假设的问题,或多或少会问:自然数的大小为无穷大,实数的大小为无穷大。中间有什么东西吗?答案既是肯定的,也是否定的。这取决于你的公理。它超出了我们通常的公理系统的范围,这是一个有趣的答案。但描述它的方法确实很难理解。这就是所谓的强迫。他在本文的开头写道,每个人都知道未解决的研究问题的想法。我想提出一个未解决的说明性问题的想法。当然,我们已经证明了这一点,但我们并不真正知道为什么它是真的。然后他提出了该说明性问题的部分解决方案。你可以想象我为什么喜欢这个框架,因为这就是我的一生。我不做研究数学。这完全是关于理解这一点的最清晰的方法是什么,即使它已经被证明了。证明和解释之间是有区别的,我想你已经明白了这种区别的重要性。 [00:31:11]
Dwarkesh Patel:是的。这将是主要的激励因素。或者,激励措施必须改变,不仅在数学方面,而且在其他科学领域,从证明世界的事物到将证据整合到问题或更高层次的见解中。早些时候,我们在午餐时讨论了您最近关于设计以及它如何帮助我们理解事物的演讲。在极限情况下,一个想法的概念化和想法本身真的有区别吗?如果您考虑狭义相对论和时空图以及闵可夫斯基时空,这就是我们说明为什么存在长度收缩和时间膨胀的一种方式。但这就是现实……所以,这里的阐述似乎确实是某种意义上的解释。这里有一些有趣的事情。 [00:33:04]
Grant Sanderson:其中之一是,提出真正新颖见解的人和实际上非常清楚地传达见解的人之间似乎存在很强的相关性。你可能会想象相反的情况,因为大学生的经历往往是教授他们的专家不一定是该主题的最佳解释者,因为他们被自己的专业知识宠坏了。但至少在某些情况下,情况似乎是,那些真正提出了一些非常新颖的东西的人——比如爱因斯坦或克劳德香农或其他人——你读了他们的论文,他们真的很清醒。感觉这不只是专家的专利,你必须用砍刀砍它。他们是非常好的解经家。费曼也有这个特点,他是一位非常好的阐释者。也许大脑中在研究层面上提出正确的新思维方式的同一部分也有很好的解释能力。我认为这与人工智能有关。我曾经认为人工智能将成为这些自动定理证明者,但数学家的角色将转向我的工作,解释这些事情。现在我怀疑实际上他们也会非常擅长这样做,可能比大多数人更擅长解释和提炼。因此,根据这些事情发生的本质,消化和解释正在发生的事情实际上可能不是数学家所能做的。我们可以讨论可能不是这样的方式,但可能提出解决某些新问题的真正好的新想法的同样的事情也只是善于解释它。这就是我的信念发生改变的方式。你认为你要做的最后一件事是什么?你和人类数学界将要做的事情。我可能会一直做现在这样的事情,直到我死为止。如果厄运者是对的,也许也会出于同样的原因。是的。你给一个人生一堆火,他就能暖一晚上。但让一个人着火,他的余生都会温暖。这就是我对人工智能的看法。解释者或老师的部分功能是让某人好奇的事情变得更加清晰。这是一回事。但其中一些更具相关性,提供动力和管理感。我听说过的关于数学家最终会成为什么样子的一个有趣的观点是,它实际上比其他任何东西都更类似于艺术博物馆馆长。人工智能解决了问题,所以艺术就存在了。他们甚至知道如何很好地解释它。但你仍然希望有人帮助你探索这个近乎无限的空间,了解哪些想法值得参与。即使人工智能在某种程度上在这方面做得更好,我认为我们仍然会更喜欢与我们有关系的人类,因为我们被激励对事物感兴趣的方式是一种社会现象。如果您正在尝试构建某些特定技术,情况可能会有所不同。但收听此播客的人们首先相信您对有趣主题的策划。他们来到这里并不是因为无论你的下一个主题是什么,这都是他们事先想要理解的。他们信任你作为策展人。因此,我的角色,可以说是其他数学家的角色,实际上可能会巧妙地转变为值得追求的想法的策划方向。这就是我现在的很多工作。我认为人们认为视频的大部分时间都花在了视觉效果上。当然,确实如此。这不是立竿见影的。但实际上很多事情只是首先决定什么值得说,什么值得放在那里。我想参与其中,而且我认为我对某些人有信任,他们很好奇我会选择提出什么,即使人工智能比这更好。这与人类音乐家总是扮演一个角色的原因是一样的:他们背后的故事的社会功能,即使来自某些模型的 MP3 文件的客观质量更好。这就是我所看到的在我的工作中发生的情况。 [00:34:00]
Dwarkesh Patel:我想回到之前的一个问题。正如人工智能已经跨越了这个门槛,这个重要的基准能够连接现有的想法来提出新的发现或证明或反驳某些东西,我们就像,“好吧,但下一步是什么?” [00:38:08]
Grant Sanderson:顺便说一句,在这方面还有很多事情要做。仅仅因为有几个闪电被抛出……我认为在接下来的几年里,真正的联系将会有一个繁荣的未来。正确的。因此,在极限范围内,你甚至可以说——我不知道这是否准确,但有可能——许多最大的突破在某种程度上看起来都是这样的。
Dwarkesh Patel:通过广义相对论,您只需将黎曼几何和狭义相对论连接在一起。因此,随着人工智能在连接方面变得越来越好,也许很多重大突破并不是真正具有不同的质性。
Grant Sanderson:我不知道你是否对此有看法。很多谈话都集中在解决问题和数学的本质上,勾画出埃尔德的问题或其他什么。但我想说的是,甚至没有大多数数学家会把他们的工作描述为真正针对下一个需要解决的问题。您熟悉朗兰兹计划吗?不,与其说它是一个数学领域,不如说它是一种研究精神。费马大定理就是这一点的一个暗示。你有这两个看似不同的东西,它们之间的联系导致了一个解决方案。朗兰兹是一位数学家。他在这封著名的信中基本上阐明了如何可能存在更多类似的联系。他甚至对联系的性质有了更具体的了解,这样你就可以想象这张大地图,你可以看到这里有这个山谷,这里有这座山,那里有这组平原。有很多数学家将他们的工作描述为试图理解这张地图上的线索的一部分。那里的进展甚至不是“这是我们知道将通过这种联系解决的一个具体问题”。更是一次又一次的,通过寻找联系就解决了大问题的情况,以至于几乎是先发制人地寻找联系。这其实很有趣。每当你遇到数学家时,请询问他们的工作性质是否更类似于朗兰兹纲领或针对某个特定问题。你会在那里得到一定的分叉。人工智能成为增压连接器的可能性让人感觉它可能是这一追求的放大工具。但这很难衡量。这切入了我们之前所说的:如何分配分数来表示“是的,你已经完成了”?如果它解决了一个问题,你可以明确地说:“是的,你已经做到了。”你可以写标题。作为人工智能公司,你可以采取公关行动说:“我们做到了。”然而,如果你觉得这是正确的联系,你可以围绕它写出定理。这就是该领域论文的本质。但我认为这需要更多的“人参与”来回答“我们想要建立什么样的联系?”这是我对这些模型在未来五年内取得的大部分有用进展的猜测。如果您是多个领域的专家,它确实可以填补您可以绘制的联系图景。正如您所指出的,我们还没有做到这一点有点令人惊讶。我很想知道在技术层面上是什么导致了解锁。一方面,你可以在脑海中解释为什么你可以成为所有这些事情的专家,而不是绘制这些联系。当推理方法是这种自回归思维链现象时……如果你仔细想想,自回归实际上是一种非常奇怪的生产方式。你是一个聪明人。想象一下,我把你锁在一个盒子里,你与世界互动的唯一方式就是你收到一张纸条,有人说:“你能预测接下来会发生什么吗?”你预测接下来会发生什么,然后你的记忆就被抹去了。你会得到另一张纸条。想象一下,这已经完成了很多次,然后另一端会出现什么结果。他们说:“看看你写的这篇文章。”你可能会看着它并说:“这太糟糕了。那不是我会写的文章。”反复预测某件事的过程与你作为作家撰写和思考它的方式有很大不同。特别是,可能会发生的情况是,你是你所处环境的奴隶。 [00:39:02]
Grant Sanderson:您可能正在回答有关特定领域的一些问题,因此您会利用围绕该领域的所有上下文。但从本质上来说,所有物质的来源是一种非常不可能的联系。你可以做所有你想要尝试以某种方式变得更好的强化学习,但是当绝大多数连接都不是可预测的下一个代币时,什么是特别增强和激励建立这些不太可能的连接的呢?因此,可能的情况是,你只是将这种智能锁在那个盒子里,但这是一种与它交互的奇怪方式。我很好奇的是:质疑代币如何生成的前提是否有收获?我认为这不会像操纵温度那么简单,但是有什么事情可以做,既可以利用现有的智力水平,又可以找到正确的方法来激发这些联系,从而解锁我们所看到的这类事物?或者您是否只需要更多一点的智能,以便在预测层面上,它预测它应该将闪电击向另一个领域? [00:42:46]
Dwarkesh Patel:我认为对数据进行推理比架构甚至损失函数更有成效。我们有处理文本的扩散模型,它们产生的事物类型并没有完全不同的特征。只是人们对它们的探索还不够多。我认为更相关的是:无论您拥有什么架构或损失函数,都可以激励您生产哪些数据?看来他们的情况确实有所好转。忘记数学吧。我们确实有一些这样的例子,但如果你看看为什么他们在成为自主代理方面做得越来越好……他们所处的环境是自回归地产生这样的步骤:“让我们退后一步,对整个代码库进行搜索”,然后“让我们退后一步,评估我的错误”,这才是有效的。我认为在科学或数学进步的情况下发生的事情是你遇到了类似数学的前沿问题。数学家专门设计了它们,因为它们需要将两个不同的领域连接在一起。我猜想有各种各样聪明的、部分合成的方法来解决越来越难的问题,比如需要这些类型的连接——例如,通过消除假设并仍然要求人工智能得到答案——然后损失函数是什么并不重要。这实际上是关于,你能想出一个激励这种能力的环境吗?感觉你应该可以。 [00:43:55]
Grant Sanderson:我当然无法说出解锁这一切的正确方法,但这确实令人惊讶。如果在接下来的三年里没有更多的闪电,你不觉得会感到惊讶吗?我认为这是一个值得思考的重要问题。我们经常思考单个系统有多智能。我们并不认为人工智能的优势更多是由其他事实造成的。因此,在这种情况下,关于它们的关键事实是我们可以并行化并任意扩展它们。 [00:45:32]
Dwarkesh Patel:无论他们的能力水平如何,数学史上并不是只有一位特殊的天才会产生一些联系,然后在决斗中死去。它普遍地将这条水线应用于在该能力水平上可以解决的所有问题。这是数字思维固有的众多优势之一,但我们没有充分考虑。另一个是他们可以将所有知识合并在一起 - 或者至少会有技术允许这种情况发生 - 并且你可以生成具有相同知识水平的副本。这种并行化是一个非常重要的属性。我对你的预测很好奇。即使他们不像人类数学家那么聪明,但出于公关原因,人工智能公司只是在这方面投入了数十亿美元,这一事实意味着数量本身就有质量。这似乎是正确的方向。 [00:46:04]
Grant Sanderson:如果我们以蒙哥马利和戴森在 IAS 的对话为例,对话表明黎曼猜想(或黎曼 zeta 函数零点)与随机矩阵之间存在某种联系,那么感觉就像是您可以尝试自动化的事情。您拥有代表所有这些领域专业知识的代理。我们都知道,机构比个人更聪明。让人们都在同一地理位置的原因是您希望发生这些偶然的对话。在代理之间设计这些内容是什么样的?这很有趣,因为你指出你可以汇集所有知识,但我真的想知道其中一个优点是否是你可以做相反的事情。有时候,人工智能失败的原因是它陷入了一个糟糕的思维链条,而且很难摆脱。所以你说:“我会重新开始。”对待人类也是如此。有时你开始以某种方式思考它,所需要的只是备份。有这样的故事:人们花了很长时间试图证明某件事,然后在某个时刻他们说:“等一下。如果我试图证明这是不可能的,或者证明相反的事情怎么办?”放松你自己的背景并以新的思维来看待它……你可以想象将其系统化,或者让多个不同的代理故意给出不同的背景,并尝试在那里进行比较和对比。我们对自己的环境没有同样程度的操纵。在这个人工智能和数学系列中,我们要做的第一集将讲述他们何时解决了 IMO。我想重点关注他们未能解决的一个特定的 IMO 问题,这是许多非常聪明的学生未能解决的问题。陶渊明在这方面也失败了。人们对这个问题非常生气,因为他们称其为巨魔问题。我几乎不想破坏它,因为我想围绕引导某人来构建这一集,而不让他们知道事实证明有一个简单的解决方案。你可以真正体会到作为一名学生解决这个问题的感受。基本上,有一种非常优雅的方法可以根据国际数学奥林匹克问题的背景来确定您真正想要的解决方案。该解决方案的特点确实很诱人,但很难证明它是最好的。原因是事实并非如此。这个几乎是脑死亡的解决方案是最好的。这与整个人工智能故事的相关性在于,对于人类来说,回答这个问题需要逃离你的背景。逃离 IMO 的环境。摆脱你所接受的解决这些竞赛数学问题的训练方式的背景。如果你只是像我向街上的某个人扔一个脑筋急转弯一样对待它,他们可能会回答得很好。有时你希望在其他环境中进行人类研究也能得到同样的结果,只是能够刷新你的思维并以完全不同的方式进行研究。在数字思维拥有的所有优势中,这实际上可能是其中之一:一种更系统的方法来刷新你的思维。派出两名特工,一名试图证明它,一名试图反驳它,一名尝试这种方式,一名尝试另一种。他们故意有不同的背景。我很想知道,如果三年后我们进行这样的对话,有多少成为头条新闻的重要结果具有基本上消除先前背景的特征,尝试一堆不同的事情,而不是合并一堆不同代理的结果。这非常有趣,因为人们对人工智能的一个共同担忧是这种熵崩溃,他们都以相同的方式思考,因为他们以相似的方式进行训练。这就是他们写不好的原因。 [00:47:00]
Dwarkesh Patel:他们走同样的道路,有相似的说话方式等等。但也许人工智能的关键优势在于,你可以系统地……听起来单位距离问题猜想花了这么长时间才被证明的原因之一是人们认为这个猜想实际上是正确的,所以他们大多试图找出证明它的方法。也许人工智能的关键优势之一是通过系统地尝试否定并试图证明任何给定陈述的积极性来增加熵,或者能够系统地给予不同的代理不同的偏见。人类科学史上的一件重要事情似乎是,爱因斯坦确实受到了这种偏见的激励,即事物在不同的参考系中应该看起来相同。他还有多种类似的偏见,但其中一个对他的思想产生了很大的影响。 [00:50:35]
Grant Sanderson:您可以系统地调查一系列启发式方法,看看哪些启发式方法对特定问题有效。因此,即使在自回归水平上不可避免地发生崩溃,您也会建议在即时水平上系统地增加熵?爱因斯坦将是一个有趣的例子,因为他对事物的相对性有偏见。他还对“上帝不应该掷骰子”抱有偏见。你要确保你不会意外地让所有LLM都是爱因斯坦,因为你可能会停止量子力学的进展。这表明科学没有正确的启发法。您只需要多个具有自己的启发式的独立研究项目。这感觉就像老式软件。只要你能够以某种方式描述它。你有老式的软件来放大熵。如果你能够为你想要促进的不同思维方式建立一个清晰的本体论,你就可以探索这个完整的本体论,然后每个单独的本体论就开始做它本来的事情。存在一个特定的设计问题,即如何准确地描述不同的方法。最简单的一个问题是:你是想证明它还是反驳它?更难的是,你可以采取哪些策略来证明这一点,并确保你应用足够的广度来探索它们。我认为当你为这些模型配备像 Cursor 这样的优质安全带时,人们不会欣赏这些模型可以为你处理的事情。 [00:51:30]
Dwarkesh Patel:例如,我开始在 Bilibili 上为不断增长的中国观众发布我的剧集,但我在那里上传的所有内容都需要删除赞助片段。通常,这意味着要求我的编辑回顾所有旧剧集,剪掉广告,然后重新导出所有内容。但在我向他们发送 Slack 消息所需的时间里,我可以告诉 Cursor 这样做,这样就可以省去他们的时间。对于播客研究,我有一个完整的存储库,其中放置了与准备最近的剧集相关的每一本书和论文。我能够将所有内容都放入其中,因为 Cursor 线束非常擅长帮助模型准确地找出要提取的内容(无论是从我的存储库还是从网络)来回答我在研究时遇到的问题。因此,无论您现在正在做什么,只需尝试将光标指向它即可。请访问cursor.com/dwarkesh 开始。显然,人工智能在数学领域的进步比其他领域快得多,人们指出该领域的可验证性是发生这种情况的关键原因。我认为这是两个重要原因之一,但人们确实忽视了另一个原因。我在实验室外面,所以我不知道到底发生了什么。这是一个完全天真的理论。关于人工智能为何在数学方面取得如此巨大进步的一个切题问题是:为什么它在计算机使用方面如此缓慢?计算机是非常可验证的。我的 Etsy 包裹会来吗?我的活动已预订吗?这些都是非常值得调查验证的事情。计算机使用所缺乏的是可磨性。因为网站有机器人检测器,并且需要大量的计算来运行并行推出,所以很难在亚马逊上运行相同结帐流程的一千个并行推出。你会被安迪·贾西关闭。他个人。他按下了 Dwarkesh 按钮上的红色 X。确切地。您可以尝试构建每个网站的克隆,但这非常耗费人力并且会减慢您的速度。您当前需要进行如此多的并行部署来学习深度学习技能的原因是我们尚未解决样本效率问题。正如卡帕蒂所说,通过吸管吸取监督?确切地。当然,人们正在研究许多不同的技术,但从根本上来说,我们训练人工智能的方式存在很大的限制。通过代码,您可以在存储库中容器化给定级别的进度,然后启动数百个并行容器并说“尝试实现此功能”,这完全是确定性的。因为它是确定性的,所以您可以解决信用分配问题,因为您知道无论是什么导致这次部署成功而这次失败,差异都是有效的。如果你遇到的情况是从不同的起点开始的,那么这个学分分配问题就会变得更难解决。现实世界中的大多数事物都很难以同样的方式进行容器化。编码和数学是这条规则的例外。但如果你想弄清楚如何建立一个成功的新业务,或者如何在市场上进行一天的交易并赚钱,那么你必须与现实世界互动并且事情日复一日地变化,这一事实意味着你不能继续重玩、磨练和耕作模拟器。当然,数学是例外,我觉得这是该领域以及编码领域进步的重要驱动力。这不仅仅是可验证性;它必须是可研磨的。人们指出人工智能快速进步的第三个原因是他们非常关注Lean和形式化。再说一次,我真的不知道实验室里发生了什么。我觉得Lean对于当前人工智能的进步水平来说并没有那么重要。为什么AI能够反驳单位距离问题的猜想?他们释放了思想链,或者至少重写了思想链。它里面没有任何Lean。我认为Lean提供的基于流程的监督(你知道每个步骤都是正确的)似乎不如仅仅获得可验证的可磨削结果那么重要。 [00:52:57]
Grant Sanderson:有趣的是,可磨性更重要。你可能天真地认为Lean为数学提供了一些独特的东西,因为你能够看到它是否可以证明这一点。你有老式的软件可以告诉你是或否,你可以用它作为你的虚拟现实。最初的尝试可以证实你的观点。我再次回到 IMO。最初,DeepMind 基本上就是这样做的。一切都采用Lean,然后明年一切都采用自然语言。所以就你的观点而言,这是没有必要的。我确实认为该形式化领域还有一个尚未探索的好处,那就是目前您仍然需要一个人来审查单位距离猜想的反例,然后说“看起来不错”。这为事物的可探索性提供了一定的界限。如果你考虑 AlphaGo 或 AlphaZero 风格的系统,它们会在自己的宇宙中玩一堆围棋并探索自己,可能会偏离任何人类需要查看的轨道,但它们仍然拥有这种自动可验证的奖励。这不仅仅是你可以在这方面进行强化学习。而且你基本上不需要签入,你可以将计算倾注在他们身上,探索 Go 的宇宙。有趣的是——也许这不会成功,但陪审团仍然应该决定它是否会产生任何结果——使用 Lean,你可以想象有一个基本上无限运行的程序,它不断地尝试扩展 Mathlib。 Mathlib 是一个 GitHub 存储库,基本上所有数学内容都是用代码编写的。这与数学的全部相距甚远,但他们希望它是数学的全部。它是用代码编写的,您可以在其中询问“这个证明正确吗?”写这些证明是非常费力的。围绕它有一个完整的子社区。但你可以想象有一个人工智能,你可以说:“简单地尝试扩展 Mathlib”。也许它是它的一个分叉,这样里面就没有垃圾,因为人们对他们想要的东西有一定的品味。所以你有了纯 AI Mathlib 的分支,它会一直运行并且不会停止。它不需要任何人来检查它。它可以继续下去。它可能会提出自己的猜想。它可能会提出自己的理论和不同的定义。也许其中很多都是无用的,但它只是有这棵无限的树可以生长出来。这是数学所拥有的一个非常独特的东西,其他任何东西都没有,你可以按下“Go”键,然后对它进行计算,把目光移开十年,然后回过头来说,“你有什么?”将会有一些事情。那么问题来了:到底有用还是没用呢?你怎么解决这个问题?这是一件很有趣的事情。如果这没有从中产生某种有趣的数学见解,那将是非常令人惊讶的。Lean在这个故事中的重要性有两种不同的体现。第一个是如何放手,甚至不签入,就会取得进展。你可以用 Go 做到这一点。我不认为你可以用自然语言数学来做到这一点。这很有趣。你看到Karpathy的汽车研究想法了吗?他编写了这个进行基本 LLM 训练的 Python 文件,然后创建了一个存储库,其中 LLM 代理将尝试对文件进行修改,如果它加快了运行速度,则修改会保留。 [00:56:59]
Dwarkesh Patel:Eric Jang 来解释 AlphaGo 的工作原理,当他试图构建一个非常强大的围棋机器人时,他也做了类似的事情。他有有趣的观察。它确实擅长进行实验并沿着这条路走下去,但它不擅长在死胡同中停下来并做极其并行的事情。无论如何,这种情况将来可能会改变。想想在极限下它是什么样子是很有趣的。从根本上来说,这就是人类数学研究机构的本质。它是一个以有趣且有用的方式扩展的库。这样你就没有任何基于结果的监督。你没有试图激励任何结果,但你有一个过程。你知道这些步骤是正确的,只是不知道它是否朝着有趣的方向发展。 [01:00:18]
Grant Sanderson:如果你这样做,你不想完全偏离轨道并在逻辑空间中随机行走。您可能需要一些主管模型来尝试提供关于它是否有用的启发式方法。你知道人们正在为此努力。这是“五年后”的事情之一,我很想让我们未来的版本谈论它。也许这毫无意义,但陶哲轩正在谈论一个试图彻底搜索可能代数空间的研究项目。您可以想象应用于代数系统的不同公理。当我们提出群论时,有一个公理系统看起来像是任意规则,除非你知道其动机。如果你尝试了所有这些会怎样?它们中的任何一个都会产生有用的东西吗?他们中的绝大多数在某种程度上只是垃圾。这一切都崩溃了,没有有趣的结果。但时不时地,会有一个完全不同类型的公理系统的小岛,至少在可以得出的定理数量方面看起来很丰富。这就是你想象的自动化证明者的面包和黄油,探索这个空间并看看其中哪一个是有用的。也许其中一个岛屿实际上是你可以追溯地给予动力的东西,说这就是它试图达到的那种结构。就像你可以想象查看一个群的公理,不知道它与对称性有关,但你回想起来意识到这与研究对称性非常相关。你可以想象那种风格的结果,但它不仅仅是探索可能的代数系统,而是探索任何类型公理的所有可能的逻辑后果。关于是否可以在没有Lean的情况下提供基于流程的监督, [01:01:04]
Dwarkesh Patel:DeepSeek 有他们的 DeepSeek 数学模型。他们发布了一篇关于如何训练它的论文,非常有趣。自然语言证明的问题是你不知道它是否正确。他们有一个验证者,验证者由元验证者进行训练,确保对于他们训练该模型在解决问题的艺术中解决的所有问题,验证者都能提供良好的反馈。有用。有趣的是,迄今为止,通过某种元验证进行的自然语言验证似乎在已发表的文献中有效。它似乎也适用于我们正在使用的已发布产品。如果你看看编码代理,他们在编写干净的代码和重构代码方面做得越来越好。我确信有基于流程的“LLM作为法官”系统提供品味并说,“这是编写此函数的干净方法吗?是否存在相同类型模块化形式的重复项?”这也应该适用于数学,对吗? [01:02:44]
Grant Sanderson:对于数学来说,即使你只使用自然语言,你也可以信任验证者,这似乎比其他任何事情都更合理。你和我之前讨论过为什么他们不擅长写作。他们似乎是很好的法官。如果我给他们两篇学生写的论文,他们就能说哪一篇更准确、更有洞察力。那么为什么不能让验证者说:“这是一篇好文章吗?”也许最终的失败是,即使他们擅长区分 B 论文和 A 论文,他们实际上并不擅长区分 A 论文和你真正想读的东西,那些在 Substack 上可以跟踪和有洞察力的东西。他们实际上最终更喜欢没有洞察力的作品。在数学方面,简单地知道证明是否正确的步骤适合自动验证器,即使是在自然语言中也是如此。你可能仍然可以取得很大的进步。我仍然喜欢Lean的逻辑树,只是因为你真的可以偏离轨道。以前的措辞方式没有任何限制。每个人都在谈论 AlphaGo 的第 37 步。什么东西可以超越先前的启发法?在这种探索中与世界其他地方脱节似乎是富有成效的,作为自然语言数学前沿的补充研究追求。Lean的另一个相关性是,假设您拥有纯自然语言 RL 环境和一组纯自然语言证明。人们说,“继续吧,人工智能数学家”,他们每天会生成十篇论文。如果有任何错误率的话……亚历克斯·康托罗维奇(Alex Kontorovich)已经谈到了这一点。作为一名数学家,这变得难以忍受。每次你看到其中一个,你都不知道它是否值得你花时间。即使 100 个中的 99 个是正确的,我也不知道这是否值得我花时间,因为找出错误是什么确实需要大量的劳动。把所有的时间都花在一篇垃圾论文上真是令人沮丧。拥有一些能够给你绿色复选标记的东西,上面写着:“即使这会很复杂,难以理解,即使会很痛苦,但你至少知道它是正确的,”其他所有领域都会为此而奋斗。数学有这个。如果模型也能够获取自然语言证明并将其形式化,那么这似乎是巨大的。每个领域都希望有这样的东西。所以我认为你是对的,Lean作为 VR 环境对数学进步的重要性可能被高估了。但我绝对不会把它从故事中写出来。 [01:03:46]
Dwarkesh Patel:我也喜欢 Mathlib 的这个扩展,它是我们文明即将发生的事情的隐喻。几千年来,人类已经建立了这个知识和理解的语料库,我们拥有的一切现在都被提炼到这些模型中。在某些时候,模型将任意扩展它。顺便说一句,在写作方面,我有一个理论来解释为什么写作比其他领域取得的进展更差。一个原因就是你所说的,他们不仅不善于判断A和B,而且还被B*完全脱轨,这是一篇糟糕的文章,它满足了A应该满足的所有花哨的要求。奖励黑客的事情就脱离了轨道。但另一件重要的事情是,写作不像代码和数学那样模块化。您可以用多种不同的方式编写函数,但它们都做同样的事情。当然,您希望它是干净的,但归根结底,如果它有效,它就有效。与数学中的引理相同。您可能会得到一些与生产方式不同的最终产品。代码是产生最终产品的东西,而您需要一个功能性的最终产品。而在书面形式中,最终产品直接是人工智能正在生产的东西。每个段落、句子和单词都很重要,因为它们就是实质内容。它不是从写作中产生的一些单独的东西。 [01:06:44]
Grant Sanderson:它不能像代码可以马虎一样马虎,但仍然会产生您想要的结果。但您只是指出我们实际上如何在代理编写方面做得更好,不仅编写功能代码,而且编写干净的代码。为什么同样的进步可以让你从纯粹的功能性转变为干净且可合并的 PR,同时也能带来更清晰的写作呢?这是一个很好的观点。还有,不是吗?我同意他们在很多方面都是糟糕的作家。但对于我消耗的大量写作来说, [01:08:18]
Dwarkesh Patel:我发现最好将其复制粘贴到LLM中并说“向我解释一下”。解释会比人类产生的东西更好。有趣的是,我们说这些都是如此糟糕的作家,但我透露的偏好是让LLM来解释它。即使当我在电话中与人类专家交谈时,如果这是只有他们拥有的知识,并且没有编码在分发中,我希望他们向我解释。但如果为了理解这一点,我需要理解一个更基本的概念,我更愿意在社会上可以接受的情况下说:“让我们在这里暂停一下。我只是想问一个LLM这是如何运作的,然后我们可以回到你的特殊知识。”这就是蒸馏,一种解释。如果我考虑到你作为论文作者的素质——如果我给你一本书让你读,并且我想要一份读书报告——我可能会相信LLM会给我一份更好的读书报告。但当人们说写作不好时,他们真正想说的是,什么是写作?这不仅仅是现有想法的升华。这不仅仅是你如何解释清楚的问题,因为他们是很好的解释者。这是关于洞察力是什么。
Grant Sanderson:这就是自回归是一种非常奇怪的生成方式的地方。当你写作时,你知道为了让它变得好,你必须有不可预测的元素。这不仅仅是提高你头脑中的温度。当你想要做出不可预测的举动时,准确地知道正确的点,这将是更有洞察力的。即使它能更好地解释预先存在的事物,是什么产生了你最初想要提炼的那本书?它不是LLM产生的,而你只是需要它。正是某些作者通过对世界上各种想法的大量探索,决定了哪些方面是有趣的,以及以何种方式呈现它,从而形成了一个连贯的、动机良好的叙述。他们以某种方式将所有这些组合在一起。如果他们是一位优秀的作者,你可能会错误地阅读他们的书而不是精炼。不过,是什么让它值得一开始就探索并想要上传呢?当人们说LLM不擅长写作时,他们所引用的就是这一面。这就是不可预测性的因素,是故意选择一些与事物通常的生产方式直接矛盾的新颖事物。这是一个很好的观点。我认为他们也不擅长建立良好的人们心理模型,这是写作中非常重要的技能。 [01:10:01]
Dwarkesh Patel:安迪·马图沙克(Andy Matuschak)和另一位合作者(我现在忘记了他的名字)做了一份有趣的报告,他们试图教LLM写出良好的间隔重复提示。我真的很喜欢这个,因为尽管它看起来像是一种完全随机的技能……就像人们在谈论一年内递归的自我完善,而我们无法让这些东西写出好的抽认卡。那里发生了什么事?他们尝试了多种不同的技术,而且他们都是老练的人。他们尝试强化学习开源模型。他们尝试了各种各样的事情,包括他们向最好的闭源模型发送的思想链和大提示。在我看来,关键的限制是写一张好卡片就是在三个月内投射出某人的想法。他们会以什么方式关联这个问题?那一刻他们会想到什么样的答案呢?启发是否激发了你真正想从你试图制作卡片的段落中获取的细节?我认为写作与此类似。如果你正在写一些东西,那么它是一个如此令人疲惫的过程,需要如此长时间的原因是,对于每个单词或每个句子,你必须思考:我的读者的脑海里现在正在发生什么?即使我翻转措辞,使结束短语转到开头,这也是您在阅读句子其余部分之前想到的第一个图像……也许自回归在这方面做得不好。这可能是一种更像扩散的属性,考虑整体而不是逐句考虑。但我也认为这需要大量的心理化,而这些模型在这方面却很奇怪。这是一个有趣的问题。他们为此挣扎很奇怪吗?我可能会屠宰这个。你知道你如何引用你曾经读过的研究,但也许这项研究并不真实吗? [01:11:21]
Grant Sanderson:有一个非常令人难忘的。假设你想测试人们的情商。你向某人展示一张面部表情抽认卡,然后某人试图描述这种情绪。网上有非常好的测试,有一张脸,然后有四种可能的情绪。准确地描述正确的情绪是非常困难的,但你也会感觉到确实有一个正确的答案。如果你在生活中的人身上尝试一下这个方法,你会发现那些善于社交的人在这方面做得非常好,而那些左脑多一点的人则不然。这是你可以做的一种测试。我依稀记得有一个这样的实验,他们对刚注射肉毒杆菌的人进行了预测试和后测试。测试后,他们在解读人们的表情方面表现得更差了。这感觉很奇怪。等等,他们有肉毒杆菌吗?接受测试的人。你做了测试,然后你去注射肉毒杆菌,你的脸都冻僵了,现在你更不能够理解你所看到的情绪。我们的想法是,理解你所看到的情绪的一部分就是你自己去做。在面部层面,您正在移动面部肌肉。你看到了,你模仿了,你会在潜意识层面上说,“哦,是的,这就是焦虑”。所以从这个意义上说,如果模型的心理理论很差,那么他们当然知道一切,因为他们读过每个人写的东西。但实际上能够设身处地为你着想,就像我的面部肌肉模仿你的面部肌肉一样——这有助于我理解你的感受——这一点也不奇怪。他们没有面部肌肉。他们的大脑工作方式完全不同。这就像一个外星人试图同情。它怎么可能有心灵理论呢?这将是一件非常紧急的事情。而我们可以将其插入我们自己的脑海中。我们已经准备好了现成的硬件,只需将其放入即可。 [01:13:06]
Dwarkesh Patel:从这个角度来看,这并不奇怪。好吧,格兰特,我们都是Jane Street的合伙人。我确信这些年来你已经与很多简·斯特里特人交往过——你发现他们或者他们的文化有什么独特之处吗?我今年对他们进行了这次采访,这部分很有趣,因为他们通常没有任何面向外的东西。 [01:15:00]
Grant Sanderson:我的意思是,在这个行业,他们以拥有相当高的保留率而闻名——人们只是呆在那里——了解内部情况。我记得在他们的一条评论中有人说:即使人们有职位头衔——研究员、交易员或工程师——他们常常不知道同事的实际角色是什么,因为每个人都在做一些其他的事情。就像即使你是正式的交易员,你也会做大量的研究;即使您是正式的研究人员,您也会进行大量编码。我怀疑这就是他们拥有如此疯狂的保留率的部分原因。因为任何想要成长的人都有机会做很多不同的事情。
Dwarkesh Patel:好吧,格兰特,这次我会为你做插头。如果您想观看格兰特对那里的一些人进行的完整采访,请访问 3b1b.co/janestreet。好吧,格兰特——让我们更多地谈谈人工智能和数学。对于使用LLM学习,您有什么建议?正如我所描述的,对于许多众所周知的概念,我发现它们非常有帮助。但通常情况下,只要再往下看几条消息,我就试图理解一些东西,而他们自己却很困惑,以至于让我感到困惑。他们没有以正确的方式解释它。我知道与合适的人交谈可以在三分钟内消除我的困惑。我们越来越想要利用这些东西来学习。人们谈论了很多关于教育和代表性的事情。您是否注意到更有效地使用它们来理解概念的方法?
Grant Sanderson:我很想听听你对此的看法。我给我的。即使是LLM 出现之前,我也觉得学习的相关见解是认识到谁比什么更重要。我对任何大学生在选择选修课程时的建议是:少关心一下你之前存在的兴趣,因为它们现在有点武断,多关心一下教授它的人是否是一个好的教育家,是否是一个能让你产生共鸣的人。在选择读什么书时,作者是谁可能比是否优先感兴趣更重要。如果您以前喜欢过一本书,请阅读该作者所写的其他内容,而不是阅读有关该主题的其他内容。我也正在用 LLM 处理这个问题。如果是哲学主题,尝试从维基百科页面学习某些东西与通过斯坦福哲学百科全书学习的感觉是不同的。或者,如果这是一个数学主题,你可以去普林斯顿数学伴侣。不同之处在于,这些文章是由一个人故意撰写的,他试图围绕其实际制定一个动机。而在维基百科上,正是达到了每个句子都必须正确的局部最小值。在一次好的阐述中,你不太关心途中的正确性。您可以故意制作一些稍有错误的内容,并在此过程中进行纠正,这些内容会在众包环境中被编辑掉。目前,LLM 的解释对我来说很像维基百科,也就是说,令人惊叹。想象一下维基百科出现之前的世界,需要多长时间才能找到并查明所有内容。但无论如何,维基百科页面最有用的部分是什么?通常只是底部的参考文献。你查看关键参考文献,然后找到它们,然后阅读它们。有时这可以提供更好的概览。我经常想问LLM:“我应该读谁的书?”也许我甚至可以提供一些关于我想要学习的方式的具体细节。当我试图学习半导体或其他东西时,我实际上被这个点燃了。我觉得这是一个非常视觉化的主题,但所有资源都是文本。我问:“有没有一个清晰的视频来解释你所理解的概念?”克劳德说,“是的,这是一对,”最上面的一个就像是,“这是 3Blue1Brown 的一个”。我想,“我可以保证没有。”这是一个真实的视频,一个真实的链接,但它只是错误地归因于别人的。很好。我有更好的体验,点击并观看它来学习,而不是试图在那里继续提出问题。从这个意义上说,我基本上就像使用一个非常强大的谷歌版本一样使用它,以将正确的人类编写的资源归零。你呢?你经常参与这些活动。使用它们的最佳方法是什么?我想你已经把手指放在上面了。我所经历过的最富有成效的学习课程是当人类制作出一些工件(无论是一篇文章、一本书还是一个视频)以正确的方式组织相关概念时。它为为什么下一个想法与解决你遇到的下一个问题、下一个想法和下一个想法相关提供了动力。然后,您使用LLM围绕本书确定的这个分支进行一些修剪。我实际上正在阅读——我想你可能会推荐它——史蒂文·斯特罗加茨(Steven Strogatz)的教科书……关于混乱的教科书?非线性动力学和混沌?我喜欢那本书。 [01:16:45]
Dwarkesh Patel:是的,我正在经历它,这是幸福的。就像你的书籍形式的视频一样。非常有趣。按照我学习的方式,我会在屏幕的三分之一上看到他的大学讲座,在另外三分之一上看到教科书的那部分,在最后三分之一上看到LLM。我实际上在想,如果我回到大学并现场观看这场讲座,我会完全无法理解。这些孩子一定非常聪明,因为我会暂停,阅读教科书,与LLM交谈,然后再次重新开始。但是,随着他策划正确的顺序来理解概念和正确的问题来激发理解它们……LLM真正不擅长的另一件事。一个真正优秀的人可以做的事情,当你问一个问题时,一个人可以说,“实际上,你并没有真正以正确的方式思考这个话题。你想问的问题,组织这些概念的正确方式,是X。” [01:20:11]
Grant Sanderson:LLM 确实无法做到这一点。有点太安抚了。这最终是一种阿谀奉承的行为,“哦,这是一个多么有洞察力的问题。”你想把它去掉。这是一个很好的观点,我认为这有点切入了心理理论,认识到提出某种类型的问题表明学生的心理结构与解释者的不同。有时人们这样做是错误的。假设你有一个非常好的老师,你有一个中学数学教室。如果学生提出的问题表明他们正在以不同的方式思考这个问题,那么实际上很难立即认真对待这个问题并问:“等等,你能用这个得出正确的答案吗?”在你说“与其那样,不如这样做”之前。真正优秀的老师能够以学生思考的创造性方式进行柔术并将其带入。LLM不会这样做。他们没有重新组织你的问题。相反,他们有点逃跑。至少,感觉这里有三个层次。LLM是一回事,优秀的解释者是另一回事,但 A+ 解释者是能够柔术你的思维方式并说“这就是有用的地方”的人。也许有一个循环,从现在起五年后,LLM将会这样做,但会以更好的方式。 [01:21:06]
Dwarkesh Patel:对于那些我确信总是通过电子邮件向您发送这个问题的学生,您有什么建议:“我对数学很好奇。我对这个学科非常感兴趣,但看到人工智能所取得的所有进步,我不知道我将其作为职业是否有意义。”这不仅与数学领域的人相关,而且与任何注意到他们的领域正在从人工智能中获得生产力提升的人相关。 [01:22:31]
Grant Sanderson:编码与此非常接近。您对人们有什么建议?我不会相信我给出的任何建议。我就是这样处理的。但即使是在人工智能出现之前,对于你要从事的任何工作来说,真正理解它都非常重要……如果我们谈论的是一份工作——而不是成为一名从事数学世界的绅士科学家之类的——你应该了解钱从哪里来,你实际增加了什么价值,以及这两者之间的联系。令人惊讶的是,对此的思考很少,尤其是学生。他们在这种环境下可能想学习数学,因为他们一直擅长数学。他们因正确地完成下一环而获得了生活的奖励。当他们认为自己想成为一名数学家时,是因为他们认为这是继续从事数学家工作的一种方式。他们想:“人们从哪里可以做到这一点?”而不是思考“我为其他人增加了什么价值,以及工资在多大程度上流向我的方向?”其实在不同的情况下是有很大不同的。在某些情况下,这是一位非常有声望的数学家,他们在大学的存在赋予了一定的品牌价值,这就是大学想要他们的原因。在某些情况下,国家科学基金会的拨款是因为公众对基础科学的良好信念。你有一个围绕这一点的机构,还有一个完整的官僚机构,充当我们认为公共利益的代理人,并围绕如何让他们正确预测你的进展将本着该资金的精神进行一整套歌舞。有时只是直接教学。人们喜欢把孩子送到有专家授课的机构。作为专家,您可以提供品牌价值;作为教师,您可以提供直接价值。无论人工智能是否证明定理,无论我们谈论的是 2016 年还是 2026 年,这些都没有足够的学生考虑“我想成为一名数学家”。我认为值得思考。对我来说,我不一定会考虑这个问题,我偶然发现了一条可以将数学探索作为娱乐来货币化的职业道路。我偶然发现了这一点,我很感激我做到了,但这是一个意外。这不是故意的。如果我认真思考的话,我本可以避免依赖偶然性,并通过设计多做一点。对于你的问题——如果我们有几乎自动化的定理证明,假设它们也是很好的解释者,这样你甚至可以得到人类的理解——我认为数学家所扮演的许多社会角色实际上并没有改变那么多。作为公众,我们仍然认为基础科学是有价值的,我们相信数学家的判断来决定他们的时间最好花在哪里。声望来自该社区内部。其他成员说这个结果真的很好,比资助作者真正理解代数数论更能理解这是一个很好的结果。将会有一种构成有价值贡献的内部文化。也许它从定理证明转向良好的定义编写。也许这就是博物馆馆长的想法。但只要整个社会仍然重视基础科学的前提,你就会拥有同样的社区。如果我们处于人工智能带来的丰富世界中,从某种意义上说,这个方向可能会有更多资金。就讲师所在机构的声望而言,我实际上认为教学是 通用人工智能 后最稳定的工作之一,因为它是如此相关。如果父母拥有丰富的财富,他们就会想把钱花在良好的教学和教育上。它远远超出了解释。
Grant Sanderson:即使LLM是很好的解释者,教师所做的事情也是社交、辅导、导师类型的事情,这可能是未来五十年中最稳定的职业之一。由于许多数学家的角色与此重叠,作为未来的学生,你可以倾向于这一点。事实上,我认为更多的学生应该思考并相信作为一名数学教育者的想法以及可以为下一代服务的价值。我会再次表示,我不认为我是那个会说“未来的年轻数学家,这就是你应该如何思考未来”的人,因为我是一名 YouTuber。我不在他们想要进入的机构中,所以我是作为一个局外人来发言的。但这感觉总体上是好的、普遍的建议:知道钱从哪里来,知道你把钱投入到哪里。如果你只是问这些问题,那么你实际上已经领先于所有其他初出茅庐的未来数学家了。事实上,想想这个疯狂的世界,在五年或十年内,人工智能不仅会提出千禧年奖问题的解决方案,而且首先要解决全新的问题,新颖的数学领域、物体和东西。 [01:26:49]
Dwarkesh Patel:首先,在那个世界里,有大量的丰富。第二,人工智能思维走得最远、看到的东西超出我们的视野最远的地方,将是数学。将会有很多这样的需求:“人工智能看到了什么?你能给我们解释一下吗?”在那个世界里,如果有任何工作,肯定会提炼出什么 [01:28:09]
Grant Sanderson:人工智能已经学会了将成为其中之一。而且,这很有趣,因为所有这些都假设它是无用的。我们不是在谈论正在做的数学的实际应用。就它有任何经济效用而言,你会想象那些理解它并能够决定它应该指向何处的人实际上拥有更多的经济价值,因为他们能够作为策展人做出判断,并将这个新数学庞然大物指向一个有用的方向。突然之间,这是一个比以前更有杠杆的举动。我可以问你这个吗?显然,数学人工智能的一个问题不仅是它能做到这一点,而且它有什么好处吗?或者说它对什么都有好处?
Dwarkesh Patel:您描述了通过群论,我们试图找出有关不同类型函数的根的随机事实的所有方法,现在所有这些不同的应用程序在许多不同的领域都是实用的。你是否知道,如果我们完全达到了人类数学领域加速 10 倍或 100 倍的程度,并且发生了一些疯狂的事情,或者我们是否会受到其他领域的瓶颈?我认为有些领域可能会。 [01:29:20]
Grant Sanderson:这非常不均匀。随着代数数论的进步,似乎不太可能解锁某些东西。但我记得和一位数学家交谈过,他从事更多动力学和偏微分方程求解类型的工作。他指的是他的团队有一些想法。让我看看我总结得是否正确。这就像波音制造飞机的方式一样,他们制造飞机,进行一系列测试,然后必须根据这些测试将其拆卸并重新组装。他的团队基本上对如何在模拟中做更多事情有一些见解,这样您就不必解构和重建它。它为波音公司节省了数十亿美元之类的费用,然后他们就开始为该组织提供资金。这更明显与应用程序相关,因为偏微分方程就是这样。您可以想象,该领域的进展实际上确实解锁了一些东西。我不知道是否是这些步骤的变化,但也许更多的是让发动机设计变得更加流畅,或者提出正确的机翼形状,而不是运行一大堆复杂的 CFD。也许您能够加快 CFD 模拟的速度,因为某些纯数学见解可以提高模拟的效率。我敢打赌您会在那里看到很多巨大的渐进式改进。数学上的巨大突破似乎不太可能立即转化为巨大的经济突破,就像解决纳维-斯托克斯问题一样,然后释放模拟更多事物的能力。但你可能会在这些边缘看到一些有意义的纯数学见解渗漏到其他事物中。有很多人从事人工智能工程、物理工程和材料科学等领域的工作。你必须想象他们能够很好地研究人工智能的数学见解并决定它们是否在某种程度上相关。这是另一件事,我不会坐在这里,在沙子上插上一面旗帜,预测会有这样的事情发生。但如果在未来五年内没有做出与人工智能在数学方面的进步直接相关的具有经济价值的改进,那就有点令人失望和有点令人惊讶了。如果它只是解决了埃尔德的一堆问题,而没有人做任何真正直接涉及物理世界的数学,那就太令人失望了。就你的观点而言,数学史中有多少是关于建立这些概念和联系的。有时这些堆会相互连接,或者您在其他地方发现了应用程序。至少,你只是建立了这一大堆。然后,随着社会在奇点期间发生更广泛的进步,当我们到达奇点的工业部分时,你就会拥有所有这些不同的想法,希望这些想法对世界其他地方有用。正如我所说,正在发生的事情的一个有趣的事情是它让人们退后一步问:“数学是什么?”也许令人尴尬的结论之一会表明它已经变得完全无用了。所提出的问题已经与物理上适用的问题如此脱节,这是数学家必须接受的事情之一。每个人都会看着并说,“等一下,你们不是应该……如果那里有 10 倍的进展,为什么我们在这里看不到呢?”然后数学家们就会说,“呃。”每次我们写下这些拨款提案并说:“相信我们,椭圆曲线的进展将有助于密码学的发展”,这都揭示了一个事实,即它可能不会。所以这是一种可能性。格兰特,这太有趣了。非常感谢你这么做。绝对地。我的荣幸。