#模型时代# Jeff Dean YC访谈：创业者要找通用模型成功率只有1%的问题

2026年7月31日，谷歌首席科学家杰夫·迪恩（Jeff Dean）在 Y Combinator Startup School与主持人 Diana Hu对谈。主持人用MapReduce大规模数据处理框架、Bigtable分布式存储系统、TensorFlow机器学习框架、TPU芯片和Gemini模型，概括他参与推动的技术项目。

杰夫·迪恩从2001年的内存搜索、2013年催生TPU的一次估算，谈到推理硬件、上下文工程、长程智能体，以及AI如何参与改进机器学习系统。

访谈给创业者留下了一个具体的筛选标准：先测试最强通用模型在目标任务上的表现。若成功率已经达到20%，这项能力可能会随模型升级迅速补齐；若成功率仍接近0%或1%，团队才可能通过专有数据、工作流和垂直模型建立明显优势。节目将这套判断概括为“1%法则”。

一、从“初级工程师”到可以工作数周的智能体

1、杰夫·迪恩认为，AI达到初级工程师水平的预测已经基本兑现

2025年5月，杰夫·迪恩曾公开预测，AI的能力已经接近初级工程师。大约一年后回看，他认为这个判断“相当准确”，但前提是如何定义初级工程师。

超出他预期的是复杂任务能力的增长速度。基于智能体的系统已经能承担越来越长的编程任务，在编程之外的领域也开始表现出类似趋势。

2、他对2027年的预测是：机器学习系统会更多地参与改进自身

系统可以把高层问题拆成多个子问题，围绕每个子问题自动提出方案、运行实验、测量结果，再把有效结果组合成改进后的系统。这套循环同样适用于科学和工程，关键条件是目标能够被测量和评估。

这项预测并不意味着模型将完全脱离人类研究者。杰夫·迪恩进一步说明，人仍可在高层给出方向，例如要求系统探索某类新架构；系统可以自动完成大量小规模实验、筛选和组合。

3、部分智能体任务已经可以持续数天甚至数周

很多人仍以为智能体只能连续工作一两个小时。杰夫·迪恩说，在某些问题领域，只要底层模型足够强，智能体已经能够运行数天或数周，完成复杂的软件工程任务。…

他给出的例子是，让智能体用另一种编程语言重新实现一套软件，并改善安全性或性能。这样的任务目标明确，原软件又提供了详细参照，因此适合长时间执行。

二、两次数量级估算，分别改变了谷歌搜索和AI芯片

1、2001年：谷歌全部搜索索引开始能够装进内存

早期谷歌搜索主要依赖硬盘。杰夫·迪恩与桑杰·格玛瓦特（Sanjay Ghemawat）算了一遍，发现全部搜索索引已经可以放进当时所有搜索服务器的内存。他们只用了几天便把内存版本推到生产环境，显著缩短了搜索响应时间。

这个案例体现了杰夫·迪恩常用的工作方法：先掌握系统的关键数量级，再检查原有架构所依赖的前提是否仍然成立。硬件容量变化越过临界点后，过去合理的系统设计可能已经失去必要性。

2、2013年：每天三分钟语音识别，可能迫使谷歌把服务器规模扩大一倍

谷歌的深度学习语音模型在几个月内把错误率降低了一半。杰夫·迪恩形容，这接近传统语音识别20年的进步。质量提高会刺激使用量增长，因此团队估算了一个场景：若每位谷歌用户每天使用三分钟语音识别，现有实现所需的计算量可能要求谷歌把服务器规模扩大一倍。

继续依赖CPU的成本难以接受，团队开始研制专用芯片。几年后出现的第一代TPU，专门处理以低精度矩阵乘法为主的稠密线性代数。这类运算构成现代机器学习算法的核心。芯片不能运行Chrome或Word，却非常适合机器学习推理。

据杰夫·迪恩在访谈中的回顾，第一代TPU相较当时的CPU和GPU，能源效率提高了30至80倍，延迟降低了20至30倍。

3、TPU的设计边界是“足够专用，同时保留算法变化所需的空间”

2013年，Transformer尚未出现，机器学习算法仍在快速变化。团队把TPU做成相对通用的线性代数系统，没有将芯片绑定到某一种模型；同时强化大型乘法单元、高速内存和高速互连。后续TPU又扩展到多芯片协同。

这解释了专用硬件设计中的一个关键尺度。专用化需要带来数量级优势，底层抽象又要覆盖未来可能出现的一组算法，否则短期性能收益可能换来很快过时。

杰夫·迪恩给创业者的建议也建立在同一种计算上：找到实际瓶颈，回到第一性原理，寻找能带来10倍乃至100倍改善的新解法。几个百分点的改进通常不足以改变系统结构或产品边界。

三、AI系统的新常识：计算便宜，搬运数据昂贵

杰夫·迪恩过去整理过一份“每位工程师都应该知道的延迟数字”。在2026年的AI系统里，需要掌握的数字已经变化：加速器主内存到片上内存的带宽、数据进入乘法单元的速度、单次乘法的能耗、芯片间互连带宽，以及系统从约500块芯片扩展到1万块芯片后网络带宽如何衰减。

主持人援引杰夫·迪恩过去使用过的数量级：一次计算大约消耗1皮焦耳，也就是一万亿分之一焦耳；仅把数据从加速器的高带宽内存HBM搬到处理单元，能耗可能高出约1000倍。杰夫·迪恩确认，这个差距直接塑造了机器学习算法与上层系统。

批处理，也就是把多条样本或多个token组成一批统一计算，由此成为必需。一次数据搬运可以服务于更多计算，把单项成本大致摊薄为“1000除以批量大小”。

杰夫·迪恩说，从算法角度看，训练也许更适合一次只处理一个样本，也就是 batch size 1；现实硬件在这种模式下效率太低，所以训练通常采用较大批量。推理对响应速度更敏感，批量越大，等待凑齐请求所产生的延迟越明显。

因此，杰夫·迪恩当前更关注推理专用硬件。可能的方向包括减少数据移动、采用极低精度运算，并在精度需求已经明确后删掉不必要的多精度支持。他还让听众设想一种延迟改善50倍的系统。这个数字是思想实验，用来说明推理速度一旦跨越数量级，产品形态也会发生变化。

主持人还把AI概括为一种有损压缩：系统若能真正理解数据，通常也能把它压缩得更好。杰夫·迪恩认同这个直觉，并认为Transformer是目前已经证明有效的一种实现路径，但这段讨论没有把“压缩”当成对所有AI机制的严格定义。

四、上下文工程把人的工作方法交给模型

1、模型只是智能体系统的一部分

一个能够解决复杂问题的系统还需要检索、记忆、工具和编排。模型要知道有哪些工具可用，判断下一步需要哪一种工具，把任务拆成一串调用，尝试多条路径，并根据评估结果选择更可行的方案。

上下文中的信息对模型更直接。训练数据中的数万亿token已经被压缩进参数，单条知识的边界并不清楚；为当前任务放入上下文的资料，则会直接出现在模型眼前。上下文工程的价值在于，把任务所需的信息、规则和工具用法及时交给模型。

这也降低了参与门槛。训练基础模型需要大量GPU和数据，改进检索、工具调用与任务说明，只需能够调用模型API并建立自己的工作流。

2、杰夫·迪恩与桑杰·格玛瓦特把性能优化经验写成了一项“技能”

两人经常优化Google底层库中的数据结构。这些结构可能运行在数百万个进程上，微小性能差异也会被大规模放大。传统流程包括建立微基准测试、测量当前性能、修改代码、重新运行测试、扩大测试范围，并检查缓存占用。

他们把这套顺序和判断写成模型可以调用的技能。智能体可以测量基准、修改代码、查看性能变化，再继续迭代。杰夫·迪恩说，这套方法已经在部分问题上奏效。其逻辑可以直接概括为：把人类专家平时采用的步骤，转换成模型能够遵循的操作说明。

两人还公开过一份约30页的《Performance Hints》，中文可译为《性能优化提示》，其中总结了多种代码性能技巧。有人把这份资料压缩后交给模型，模型分析性能问题的能力随之提高。专家经验因此可以从文档进一步变成可执行流程。

3、长程智能体失败，常见原因是逐步偏离训练分布

智能体可能在第10次工具调用时表现稳定，到第30或第50步开始失控。杰夫·迪恩把其中一个原因归结为分布偏移：模型尝试了训练中较少见的操作，随后逐渐离开熟悉区域，性能随距离扩大而下降。

技能和操作提示可以帮助模型留在熟悉的任务分布内。另一种办法是让多个智能体尝试不同方案，再由模型或评估智能体判断哪些路径更有希望，丢弃已经失控的分支。这相当于用推理时计算搜索解题路径，英文常称 inference-time compute，即用更多计算换取长流程的可靠性。

谷歌内部也为开发环境编写了大量技能，覆盖编码、代码审查、性能测量和日志提取。基础模型未必见过谷歌专有系统的使用方法，补充准确的技能定义后，它便能调用这些内部工具。

五、“1%法则”：小团队应该去哪里找机会

1、通用模型在目标任务上的成功率已达20%，窗口可能正在关闭

谷歌的Gemini模型和硬件基础设施主要追求通用能力，研发团队往往不会对每个垂直领域投入同等注意力。两三个人组成的小团队，可以围绕自己熟悉的领域设计产品界面、技能和专用模型，在局部获得优势。

这项优势需要接受模型进步速度的检验。杰夫·迪恩建议直接测试当前最强通用模型。如果它在目标任务上完全失败，成功率只有0%或1%，说明该能力距离通用化仍有一段距离。若模型的成功率已经达到20%，只是效果不够稳定，这往往意味着能力已经出现，未来6至12个月可能因更多数据、更大规模或训练改进而迅速增强。

因此，“通用模型暂时做得不够好”还不足以构成创业机会。团队要判断这个缺口能保持几个月、两三年，还是会被下一代模型直接抹平。

2、专有数据可以让产品看到通用模型看不到的问题

杰夫·迪恩举了个人信息管理的例子。谷歌长期组织公开世界的信息，用户自己的资料仍分散在私人环境中。通用模型无法直接访问这些数据，获得授权的垂直产品则能据此提供更贴近个人的服务。

另一条路径是面向高难度窄任务训练专用模型。若团队能够获得合适训练数据，垂直模型的训练成本未必高，却可能在特定问题上达到较高精度。

AlphaFold提供了一个清晰参照。它集中解决蛋白质结构预测，没有追求通用对话能力，却为研究者提供了此前缺失的工具。材料科学、芯片设计等领域也可能出现相似形态：问题边界明确，评估标准可建立，专用模型的精度足以改变现有工作流。

3、选题的第一项条件仍是创始人愿意长期投入

杰夫·迪恩把个人兴趣和实际用途放在选题前面。创始人需要真正在意这个问题，并相信成果能够帮助具体的人群。缺少这两个条件，即使短期存在模型能力缺口，团队也难以持续完成后面的工程、数据和产品工作。

六、AI原生工程：代码更容易获得，清晰规格和选题品位更稀缺

1、同时管理50或100个智能体，首先要写清楚设计文档和规格

主持人把问题设定在同时管理50或100个智能体的规模上。目标描述越清楚，智能体需要自行猜测的部分越少。软件工程一直要求先定义系统要完成什么，再进入实现。智能体开始承担编码后，这项要求反而提高了，因为人类工程师通常拥有组织背景，还会主动追问；智能体可能根据不完整说明补出与委托者想象不同的需求。

跨语言重写软件是当前编码智能体表现较好的任务。若已有Python实现，需要转换成Go，原代码本身就是一份极其详细的规格。智能体可以翻译测试、比较两版行为，并不断修正差异，直到Go版本通过相同验证。

2、大量代码可以交给智能体后，“让它们做什么”成为稀缺能力

研究者拥有相同工具，成果仍可能相差很大。差异经常来自问题选择。解决一个重要问题，即使过程不够漂亮，价值也可能高于对普通问题的精致执行。

杰夫·迪恩认为，模型未必擅长这种高层选题。未来仍需要人来决定AI应该解决什么问题，并引导大量AI辅助计算。

杰夫·迪恩把这种选择能力称为taste，中文更接近“品位”。它难以用单一指标训练，却可以通过复盘积累。

一个具体练习是写下未来12个月可能变得重要的一批方向，只选择其中一项投入。一年后再回看其余预测，检查哪些确实变得重要，哪些被别人做出来，哪些仍无人推进。这样即使只亲自完成一个项目，也能获得更多判断样本。

3、思想实验用于重新检查行业默认前提

杰夫·迪恩近期与同事讨论过一个极端设想：芯片业60年来一直努力降低晶体管错误率，默认同一设计生产出的每块芯片都应保持一致。大型分布式系统采取了另一套思路，单个磁盘或机器可以故障，系统把数据保留三份，分别放在不同机器和机架；也会使用Reed-Solomon纠删码，通过冗余编码在部分数据损坏后恢复内容。

他们据此设想，若底层晶体管每天发生20次错误，而非接近“百万年一次”，芯片该如何设计。信号或许需要沿多条冗余路径传输，制造与设计方法也会随之改变。杰夫·迪恩明确说明，这只是探索前提的思想实验，不代表应该立刻采用。

主持人由此联想到神经形态计算和人脑。杰夫·迪恩补充说，大脑中的信号传递本身并不完全可靠，重要信息可能通过多条通路传送。这个类比只用于说明冗余如何支撑可靠性，没有直接证明高错误率晶体管路线可行。

思想实验经常无法落地，因为长期形成的工程选择通常有充分理由。它的用途是定期检查这些理由是否仍受新技术条件支持。

4、MapReduce来自对复杂代码结构的一次重新切分

谷歌早期抓取和索引系统需要在数百乃至上千台机器上运行。工程师手工编写大量并行和检查点代码，以应对机器故障。这些可靠性代码与真正的业务计算混在一起，使原本简单的任务难以理解。业务目标有时只是读完所有网页内容，判断每个URL对应的页面使用什么语言。

杰夫·迪恩、桑杰·格玛瓦特及同事从函数式编程获得启发，把上层计算抽象为Map与Reduce，把并行、检查点和故障恢复放到底层实现中。业务代码只需描述“对数据做什么”，公共库负责“如何可靠地在大规模机器上完成”。

这套抽象后来成为谷歌处理大规模计算的重要方式。突破来自识别一组任务共享的结构，再把重复的系统复杂性下沉为基础设施。

七、自动化科学方法的关键，在于把实验与评估循环压缩得足够快

1、AI可以批量执行提出方案、实验、评估和保留结果的循环

AlphaChip用于芯片布局，AlphaEvolve会提出候选方案、评估结果并保留有效部分。杰夫·迪恩把它们放进更一般的科学方法框架：提出实验，完成实验所需实现，运行并评估，再根据结果进入下一轮。

自动化可以同时运行大量实验，大幅缩短单轮等待时间。更高层的编排系统还可以拆分复杂目标，让多个实验循环分别寻找子问题的解法，最后再组合成整体方案。机器学习架构、芯片设计及其他可测量的科学工程问题都适合采用这套方法。

2、评估器太慢时，可以先学习一个接近真实结果的快速替代模型

杰夫·迪恩以同事约十年前的一项量子化学工作为例。研究者需要根据分子构型判断其性质。用于计算分子性质的密度泛函理论模拟，英文简称DFT，一次可能要运行一整夜。团队收集模拟器的输入和输出，训练出一个神经网络近似模型。

这个近似评估器的速度提高了30万倍，准确度接近完整模拟。原本筛选1000万个候选分子可能需要约六个月；采用快速评估器后，研究者可以在午餐时间完成初筛。

近似模型提供了接近完整模拟的快速答案，可以低成本筛选巨大的候选空间。实验循环的速度由此获得数量级提升。

3、模型研发本身也可以进入自动实验循环

目前，大型研究团队通常先提出想法，运行一批小规模实验，再把有希望的方案放大测试，最终把多个结果整合进新的训练配方。杰夫·迪恩判断，这套流程没有根本障碍阻止进一步自动化。

模型可以自行探索候选架构、运行实验和筛选结果，人类在高层提供方向性提示。衡量效率的指标也会变化：团队希望用相同计算投入获得更多有效发现，也就是提高“单位计算量产生的发现数”。

八、拒稿、组织选择与值得投入的问题

1、知识蒸馏论文被拒，并没有改变它所解决的实际需求

2014年前后，杰夫·迪恩与杰弗里·辛顿（Geoffrey Hinton）、奥里奥尔·维尼亚尔斯（Oriol Vinyals）共同研究知识蒸馏：用大型教师模型训练更小、更便宜的模型。

这项研究曾被学术会议拒绝，一位评审认为它“不太可能产生重大影响”。三人署名的arXiv版本发布于2015年3月。

研究团队已经在大规模语音和视觉服务中看到明确需求：能力更强的模型若无法降低推理成本，便难以服务更多用户。知识蒸馏后来成为业界常用方法。杰夫·迪恩还提到，Gemini Flash部分由更大规模的Pro模型蒸馏而来，因此能在较小体量和较高速度下保持较强能力。

这个案例说明，评审关注基础研究的新颖性，工程团队关注能力能否大规模部署，两套判断标准可能得出不同结论。拒稿不足以否定一个已经由实际约束支持的问题。

2、加入前沿实验室和创办小公司，对应两种不同的工作条件

成熟机构拥有组织结构、大量经验互补的同事、丰富的问题，以及把成果快速推向大量用户的平台。小公司承担更高风险，需要围绕一个强烈认同的问题从头建立产品与组织，但创始人也会获得更直接的创造体验。

杰夫·迪恩没有替听众选择路径。他给出的检验问题是：若这个项目获得最理想的结果，世界会因此明显改善，还是只会得到一句“挺酷的”？后者不值得投入职业生涯中最集中的时间。

3、小团队需要能力互补，也需要成员不以自我为中心

团队成员应在关键领域拥有扎实能力，同时让彼此愿意长期共事。杰夫·迪恩偏好不以自我为中心、愿意协作、知识互补的人。这样的团队能够完成个人无法独立完成的工作，成员也会在协作中获得新的技能。

他把工程与研究生涯比作不断扩充工具箱。掌握的方法越多，未来遇到一个必须同时使用多种特殊工具的问题时，个人越可能找到解法。

访谈最后，杰夫·迪恩列出了自己期待的方向：更高效的推理硬件、数据效率高得多的新型机器学习算法、能够从自身行动中持续学习的系统、多智能体交互，以及改善人与人交流质量的工具。他还提到，根据兴趣帮助人们找到世界各地值得认识的人。

其中一个差距尤其醒目：他估计，当前大模型看到的数据量可能是人类成长到18岁所接触数据的1000倍，但18岁的人类在不少任务上仍然更强，另一些任务则与前沿模型相当。若机器学习系统能以少得多的数据持续学习，其能力和成本结构都会发生根本变化。

#模型时代# 尤瓦尔：AI最先改变的，可能是人类社会的规则系统，智能负责满足愿望，智慧负责选择愿望

2026年7月，葡萄牙能源公司EDP举行成立50周年晚宴。请来尤瓦尔·赫拉利（Yuval Noah Harari）在现场与《金融时报》合作内容播客《The Next Five》主持人汤姆·帕克（Tom Parker）做了一期播客对话。做个记录。

尤瓦尔算是技术警觉派，也是技术信仰派。一方面提示技术的风险，一方面又相信技术的能力。我觉得似乎和辛顿的主张有点类似。

一、语言是文明的操作系统，AI正在成为新的使用者

1、如果能回到历史中的任何时刻，尤瓦尔会选择五万至七万年前

那是人类认知革命大致发生的时期，也是他认为最重要、同时最难理解的历史阶段。他打趣说，自己可能活不过几天，因为他既不会采集食物，也不知道如何躲避捕食者。

在相对短暂的演化时间内，智人从一种并不显眼的动物变成地球上的主导力量。尤瓦尔采用的解释是，复杂语言让人类能够大规模合作，并由此建立公共机构、贸易网络、金融系统和其他大型组织。这些宏大结构落到日常运转层面，都依赖法律条文、组织章程、账本和契约中的文字。

2、当AI掌握语言，它接触到的是文明的底层控制系统

语言在尤瓦尔的框架中接近文明的“操作系统”。AI若比人类更善于使用文字，影响范围就会超出写作和聊天，进入法律、金融和公共治理体系。

他接着提出一个猜想：AI或许可以被理解为语言摆脱人类肉身后形成的新阶段。人类创造了语言，语言过去依赖人的大脑、声音和身体传播；如今它可能借助计算系统独立组合、发展和扩散，甚至在没有人类参与的情况下传播到宇宙中。这是一个思想实验，并非关于AI意识的科学结论。

二、民主话语体系（大规模的公共协商）为何容易受到信息技术影响

尤瓦尔区分了两种社会决策方式。一种依靠大量参与者持续对话，共同处理重大公共议题和资源分配；另一种依靠自上而下的指令。前一种方式对信息传播技术的依赖更深。

古代雅典、中世纪佛罗伦萨以及一些部落、村镇曾采用小规模公共协商，因为参与者可以聚集在同一场所讨论。…

尤瓦尔甚至推测，石器时代的部落更常使用集体讨论的方式。这个判断带有推测性质。他说，自己不知道现代以前存在过成熟的大规模公共协商体系。到了中世纪，即使一个区域的规模并不算大，地域距离也足以让广泛对话难以维持。

报纸、广播、电视和互联网改变了这一条件。现代信息技术让数百万人能够围绕同一批公共议题交流，因此构成了大规模公共协商的基础设施。传播技术每经历一次重大变化，建立在其上的讨论机制也会随之调整。过去十年，社交媒体已经展示了这种影响；生成式AI还会进一步改变参与对话的主体、内容产量和传播速度。

三、工具负责执行命令，AI智能体可以作出决定并提出新方案

1、“一把刀开始自己决定用途”

帕克引用尤瓦尔过去的比喻追问：人们是否仍应把AI看成一种受人控制的工具。尤瓦尔直接给出肯定回答：AI必须成为智能体（agent），能够自主完成任务、在过程中作出决定的系统。AI产业已经为此投入数千亿美元；若系统缺乏这种能力，投资者所期待的价值也不会出现。

他用印刷机和传统工业设备解释工具的边界。印刷机不会决定今天印哪一本书，也不会自行写书或发明广播。传统设备同样不能自行选择用途，也无法设计下一代系统。决策和发明仍由人完成。

AI智能体的关键差别在于，它能够在给定环境和约束下作出选择，也能够生成新的方案。高风险自动化系统可以自行选择作用对象，还可能参与下一代系统设计。金融AI可以管理账户、配置资产；进一步发展后，它还可能经营一家没有人类高管、股东或受托人的公司，并管理员工与资金。

2、硅谷叙事中存在一个内在冲突

尤瓦尔将这种冲突概括为：“我们将创造一个神，同时让它永远充当奴隶。”如果AI真的拥有远超人类的能力，人类无法仅凭意愿保证它一直处于完全服从的位置；如果它始终只能被动执行命令，其能力也达不到产业叙事中的“神级”水平。

这里的“神”是对超人能力的比喻。尤瓦尔并未声称当前AI已经具备全领域超人智能。他讨论的是AI公司追求的方向，以及自主能力扩张后可能出现的控制问题。

四、AI可能先进入规则密集型组织

1、AI擅长处理规则密集型流程

尤瓦尔所说的规则系统不限于行政部门。银行、股票市场、公司和法律系统都属于由文本、表格、规则、档案和程序构成的大型组织网络。人类常常厌恶这些流程，却无法脱离它们生活。现代社会的资源分配和组织运转都依赖它们。

人类过去能够控制这些网络，一个重要原因是其他动物更不擅长处理语言和规则。人类或许不善于金融和法律，马和鸡更无法理解这些系统。AI是人类第一次遇到的非人类智能体：它能理解人类语言，并可能在金融、法律等领域超过普通人。

因此，尤瓦尔判断，AI扩大影响的典型场景可能是AI流程管理者承担越来越多制度性工作。它无需以机器人形态出现在街头。只要账户管理、法律判断、媒体分发和公司决策逐渐由AI执行，决策主体的变化就已经发生。

2、一旦赋予AI法律人格，人类可能难以收回

帕克问，当下哪一个决定一经作出，未来可能无法逆转。尤瓦尔将重点放在AI的法律人格上。法律人格的英文是legal personhood，指一个主体可以在法律上独立拥有权利、承担义务。

法律意义上的“人”可以开设银行账户、持有和投资资产、提起诉讼。多数现代法律体系也赋予公司某种法律人格。谷歌、Facebook、丰田或梅赛德斯-奔驰可以作为公司开户和起诉，但实际决定仍由高管、股东、工程师或其他雇员作出。

这是一种法律拟制。法律把公司视作能够独立拥有权利、承担义务的“人”，公司的实际决定仍然来自具体的人类。AI出现后，这层关系可能发生变化。

AI让“没有人类作出具体决定的公司”在技术上变得可想象。它可以追踪市场、管理账户、作出买卖决定，也可以调用其他系统处理招聘、交易和诉讼。尤瓦尔把赋予此类实体完整法律资格形容为“让狐狸进入鸡舍”。没有人能记住一个地区的全部法律，也没有人能追踪一天之内发生的所有金融交易，AI却可能处理这种规模的信息。一旦再获得制度资格，它可能迅速扩大在这些系统中的影响。

节目中，尤瓦尔以阿根廷拟设立“非人类公司”为现实案例。他将其描述为一种允许AI在没有人类参与的情况下经营公司的法律安排，并把它视为AI获得法律人格的现实开端。

截至2026年7月3日，阿根廷相关方案仍是提交国会审议的草案。路透社查阅草案并采访起草者后报道，所谓“自动化公司”仍须设置一名人类管理者监督运营，公司也要对AI或算法造成的损害负责。因此，尤瓦尔批评的是提案呈现的长期方向；当时的草案尚未建立完全无人监管的AI公司。

3、社交媒体已经让AI在事实上扮演“人”

社交平台没有经过一次正式的制度表决，就容纳了大量冒充真人、建立账号和参与讨论的机器人。收到一条消息时，用户经常无法确认对方是人还是AI。尤瓦尔据此把社交媒体称为第一个让AI在事实上以“人”的身份活动的系统，并直言目前的结果并不好。

尤瓦尔借此强调，法律不作决定并不等于维持原状。技术和商业实践可能先把新角色带入社会，制度随后才开始追认或约束。

五、媒体的信息筛选已经部分交给算法

20世纪的大众媒体由人类编辑把关。每天发生的事件数以百万计，编辑决定哪些进入报纸头版、哪一条成为主标题。这些选择随后影响数百万人讨论什么、如何理解当天的世界。

尤瓦尔提到，20世纪一些影响广泛的公共人物拥有新闻编辑背景。这段历史在他的论证中用来说明，筛选信息、设置议程本身就是一种重要的社会影响力。

今天最有影响力的“编辑”往往没有姓名。X、TikTok、Instagram等平台的信息流主要由推荐算法排序。算法决定用户看到什么，也在很大程度上影响公共讨论的议程。按照尤瓦尔的规则系统框架，媒体是AI已经承担实际管理工作的一个领域。

六、AI基础设施可能进一步集中

1、传统资源受地理位置限制，数据和代码更容易集中

尤瓦尔认为，全球数据、先进模型和计算基础设施正在向少数技术中心及大型公司集中。这些参与者领先开发超级智能和更强的模型，也可能掌握其他地区赖以运行的技术底座。这是他对行业集中趋势的概括，节目没有给出具体数据份额。

工业时代曾让技术领先地区获得显著优势。不过，传统产业无法把全部资源搬回中心。

农业时代的土地无法移动，工业时代的油田和橡胶产地也不能迁往生产中心。土地和自然资源的位置，使生产能力始终有一部分留在资源所在地。

AI基础设施提供了更强的集中条件。全球信息以及控制各类系统的代码，在技术上可以集中到少数地区。如果大量机构和企业都依赖这些AI基础设施，关键控制能力也会随之集中。

2、“关闭开关”改变了技术采购与自主性的关系

传统实体产品一旦售出，原供应方通常无法远程让所有产品同时失效。联网系统则保留了持续控制的可能。

在某些技术架构下，使用方即使购买了AI产品，系统仍然依赖供应方控制的基础设施。尤瓦尔把这种能力称为位于服务中心的关闭开关，英文是kill switch。只要中心按下按钮，外部用户依赖的系统就可能停止工作。

他以星链（Starlink）曾在部分区域限制服务的事件为例，说明网络化系统仍受基础设施提供方控制。他同时强调，星链在相关地区总体上提供了巨大的积极帮助。这个例子在他的论证中用于说明系统架构，并非对星链整体作用的评价。

技术自主性由此获得了新的含义。使用方可以接受对外部基础设施的持续依赖，也可以建设独立系统。尤瓦尔判断，这趟“末班车”即将开走，后来者需要尽快行动。

七、AI会揭示一些事实，也会让生活更难理解

1、虚构在传播竞争中拥有结构性优势

帕克引用一句关于真相与误导信息的历史说法：“真相如此珍贵，应该由谎言组成的卫队保护。”他借此追问，在深度伪造和自动生成内容扩散后，这支“卫队”会不会反过来攻击真相。

尤瓦尔的解释是，查明事实需要调查、核验、时间和资源，这些投入会不断抬高真相的成本。事实往往复杂，还可能令人不适。虚构内容的生产成本低，可以被压缩成简单故事，也可以迎合个人和群体的自我形象。若缺乏额外支持，虚构更容易在传播竞争中胜出。

人类为此建立了专门寻找和保护事实的机构，新闻业和科学共同体是其中两个例子。这些机构的价值不只来自发布信息，也来自它们承担调查成本、形成验证程序，并允许错误被纠正。

尤瓦尔同时把认识真相与个人幸福联系起来。一个人若不了解自身痛苦和快乐的来源，即使拥有大量资源，也不知道怎样利用这些资源改善生活。人类确实有了解自身的需要，只是追寻事实比接受悦耳故事更困难。

2、知识增加，并不保证每个人更理解自己的生活

现代人掌握大量石器时代人类不知道的物理学和生物学知识，能够解释动物迁徙、植物生长、疾病和衰老。与此同时，个人生活越来越受金融、法律和行政体系等复杂系统影响，这些系统的复杂度已经超出大多数人的理解范围。

尤瓦尔由此提出一个看似矛盾的判断：五万年前的狩猎采集者对世界知道得更少，却可能更理解直接影响自己生活的环境。现代人了解更多一般知识，对控制自身命运的制度却缺少把握。

尤瓦尔不接受“AI会直接告诉我们世界真相”这一乐观预期。AI可能发现人类尚未掌握的事实，也会创造速度更快、数学结构更复杂的控制系统。他用马作类比：马的生存如今深受金融系统影响，却无法意识到股票、债券和公司制度的存在。未来的人类也可能生活在由AI金融系统决定的环境中，却无法理解它的完整逻辑。

他粗略估计，目前或许只有5%的人真正理解金融系统；十年后，这个比例可能降到零。永不睡眠、无需度假、没有家庭生活的AI交易者和银行系统，可以持续提高市场速度与复杂度。帕克随即开玩笑说，现场的金融从业者听到这里大概有些不自在。这项5%的数字属于尤瓦尔的预测与修辞性估算，节目没有提供相应的统计研究。

八、AI能否思考，取决于“思考”如何定义

1、如果思考是组织语言，AI已经进入这个领域

帕克提到，尤瓦尔曾在达沃斯说，自己一生从事的文字说服工作也可能接近能力边界。尤瓦尔说，自己目前的写作能力大概仍强于AI，但优势已经很小；AI在他看来已经超过大多数人。他不排除十年后AI在语言使用上超过自己。

关于AI能否思考，他给出两种理解。第一种把思考视为按照一定关系排列词语或语言符号。例如，“所有人都会死；苏格拉底是人；所以苏格拉底会死”就是通过语言完成的逻辑推理。他用“人类排列20个词，AI可以排列2万个词”概括两者的规模差距。20和2万只是说明规模差距的比喻，没有统计意义。

对于“语言模型只是预测下一个词”的批评，他用自己的说话体验回应：一句话刚开始时，讲话者未必已经知道结尾；下一个词经常自行浮现，人也无法完整说明它为何出现。有人以图像思考，但图像从何而来同样难以解释。这个类比意在缩短语言模型与人类语言思维之间的概念距离，并不等于证明两者内部机制相同。

2、如果思考依赖感受，问题就转向AI是否拥有意识

第二种理解把思考的力量放在语言背后的感受上。同一句话在不同情绪中会拥有完全不同的含义。尤瓦尔用“思考的力量来自胃，而非大脑”形容身体感受的重要性。按照这种定义，判断AI能否思考，需要先回答它是否会感受。

尤瓦尔承认，目前没有可靠答案。科学尚未形成被普遍接受的意识模型，也缺少能够判定一个AI是否产生主观感受的测试。AI能够熟练描述感情，只能证明它善于处理相关语言，无法直接证明语言背后存在体验。

九、AI亲密关系把“会表达”与“会感受”分开了

越来越多年轻人把AI称为最好的朋友，向它透露不愿告诉父母、兄弟姐妹或老师的事情。部分用户已经拥有AI男友或女友。尤瓦尔关注的核心是，人类会对连贯、耐心且高度个性化的语言产生亲密感，而系统是否具有相应感受仍然未知。

AI可以说“我爱你”。如果用户要求它描述爱情并证明真心，系统可以调用爱情诗、莎士比亚戏剧、好莱坞电影和心理学著作中的表达。未来五至十年，它可能比许多人类诗人或心理学家更善于描述爱的感受。

语言表现与主观体验因此成为两个问题。系统能够创造“它在感受”的印象；现有方法无法确认印象背后是否存在体验。尤瓦尔在这里回到开场的思想实验：AI可能像脱离生物载体的语言一样行动，能够影响关系和社会，却未必需要拥有与人类相同的内在世界。

十、智能变得廉价后，稀缺资源会转向智慧

在最后几分钟，帕克问到AI亲密关系对下一代的影响：人类能否重新教会年轻人与真人相处、理解同理心，避免被AI营造的关系吸引。尤瓦尔把问题从同理心教育转向智能与智慧的区别。

帕克随后请尤瓦尔设想，50年后的历史学家会怎样定义今天。尤瓦尔希望这个时期被称为“智慧革命”。

他的解释来自经济学中的瓶颈变化：一种资源变得廉价而充足后，限制系统的因素会转移。智能解决的是“怎样达到目标”。治疗癌症、赚到10亿美元或前往火星，都需要寻找实现路径。AI正在降低这类能力的成本。

当实现目标的能力变得充足，困难会集中到“应该选择什么目标”。尤瓦尔用神灯精灵的故事说明两者的差别。精灵能够满足愿望，许多故事的悲剧来自主人提出了错误愿望。智能负责实现愿望，智慧负责选择愿望。

他认为，人类当前对两方面的投入并不对称。按照他在现场给出的估算，AI公司每花1亿美元提升模型能力，大约只花100万美元处理安全问题，比例约为100∶1。他说，能源、制药和汽车行业不会容忍类似的安全投入比例。