Grok 4.6 真是太猛了。
Grok 4.6 是一次巨大的升级 🚀
它在列出的每项基准测试中都击败了 Grok 4.5 High，目前排名如下：
🥇 GDPVal-AA v2 第 1 名 —— 1,753
🥇 AA-Briefcase 第 1 名 —— 1,577
🥇 Harvey LAB 第 1 名 —— 15.8%
🥈 CursorBench 第 2 名 —— 69.9%
🥈 FrontierCode 第 2 名 —— 61.3%
🥈 APEX-Agents 第 2 名 —— 57.5%
🥈 APEX-SWE 第 2 名 —— 56.4%
在 Artificial Analysis Intelligence Index 上，它的得分为 61，与 GPT-5.6 Sol Max 持平。
Grok 4.6 今天已在 Cursor 和 Grok Build 中上线，首周包含的使用额度翻倍。
我一得知 Grok Bot 发布的消息，就直接让 Grok Build 安装它……整个过程都由它替我完成了。
自 Grok Build 发布以来，我一直在做很多类似的任务，但后来我再也没有亲自安装过任何东西……自己搜索、下载和安装要花很多时间，相比之下，Grok Build 能替我完成这些事。
它真的非常简单，而且任务完成后还会告诉你所有需要知道的信息……我就是在那时了解到，可以通过 SuperGrok Heavy 订阅来增强它的能力。
我每天的日常事务几乎都在用它……现在再手动做以前那些事，感觉简直像受刑一样 😅
SpaceX 最近的视频音量有点小，所以我把它交给 Grok Build，让它把音量提高 +10 dB。
Grok 分析了音频，放大了音量，并加入轻度压缩和限制处理，让整体保持在可控范围内，然后把处理完成的视频交给了我。
看到 Grok 给出的音频电平后，我意识到还可以再提高 +10 dB。
于是我真的又让它处理了一次。
Grok Build 将总增益提高到 +20 dB，重新编码视频，并把最终文件交给了我。
而且整个过程真的只用了 25 秒 😭
如果手动操作，我得打开剪辑软件，弄清楚增益、压缩和限制处理，再亲自调整所有参数并重新导出视频。
这很容易就要花 10 到 20 分钟。
使用 Grok Build，我只需要用日常英语说明想要什么，剩下的它全都替我完成了。
Grok 4.6 达到 1753 ELO。
突发：Grok 4.6 在 GDPVal-AA 基准测试中夺得第 1 名 🏆
• Grok 4.6 —— 1,753 ELO
• Fable 5 Max —— 1,741
• GPT-5.6 Sol Max —— 1,728
• Grok 4.5 High —— 1,526
「财新」发的新稿「中年塌陷样本：独一代的父母照护困境」看得着实有点沉重，也充分说明了为什么苦难是文学创作的温床。
记者走访了3个独生子女，人到中年后基本都被困在了看护失去自理能力的老人的生活里，3个人的经济由低到高，痛苦程度虽然逐渐减轻，但对人生命运的改写都是一样的。
第1个人38岁，收入不高，未婚未育，妈妈脑梗卧床，她辞掉工作全职照看不到3年，就已经接近崩溃，半夜起床给拉了一床屎的妈妈换尿不湿时，内心会忍不住盼着这是最后一次被唤醒，网友建议她把妈妈送去养老院，但她能找到的工作，不足以支撑她消费看护质量过关的养老院。
第2个人52岁，爸爸在家插胃管，好在退休金较高，刚好覆盖每个月一万块钱的护工费，妈妈阿尔茨海默，本来想着省钱，自己在家照顾，但意外摔倒后，还是选择送去疗养院，每个月又多出8000块钱，她选择把父母的房子卖了，变现270万块钱，6年下来花到第150万时，父母双双离世。
第3个人40岁，百万年薪的金融精英，妈妈突发脑梗半身偏瘫，她倒是有钱请护工，但工作也难免受影响，转为兼职上班，8年下来支付护工超过100万块钱，她认为自己很幸运，可以遇到非常合适的护工，但也心知肚明，这种合适的关系，完全建立在给钱痛快的基础之上，但凡经济条件差一点，就没办法维持下去。
「国家卫生健康委及民政部数据显示，目前中国失能、失智老人总数已超过4500万，相当于平均每6位老年人中就有1位需要长期照护。其中，仅中重度失能及半失能老年人规模就达到3100万人左右。」
#涨姿势# //@北京天气小页:得等15:15气象会商，和防汛部门商量——其实北京的暴雨橙色、红色预警，气象部门是不能直接发的，具体可以见配图，信息来源是北京市防汛应急预案（2025年修订），链接http://t.cn/A6FGPGpm http://t.cn/AXNK0JlI //@宣武土著猴头菇点点:什么时候会取消橙色预警街道社区一线的同志们还在熬夜值班
【叨叨几句天气】
省流：①今天晨间到上午的雨就是“最强一波”，之后逐渐减弱，17点后局地掉点儿，晚高峰没啥事儿了；27/23℃；②明天局地掉点儿，单点不到5分钟，我自己不带伞，30/22℃，最小相对湿度60%；③周五多云，山区掉点儿，31/23℃
分析：①今天天气（8月12日）
整体天气形势见图1，现在的雨就是最强的一波了，后续伴随着降雨落下，干空气团靠近，雨势会逐渐减弱，【11点前“体感中到大雨”，11~14点“体感小到中雨”，14~17点“体感小雨”，17点之后只剩下局地掉点儿，甚至不用打伞，晚高峰没啥事儿了】
累积量肯定远不及预期，最主要的原因在于台风残留涡旋滞留在河南，并未北上，实际的水汽输入、大气波动抬升作用都比预计的差得远，所以北京的雨也就这样了——【没有致灾是好事儿，向奋战在一线应急的同志们道一声感谢】
至于为什么台风没能北上，原因就很多了，但从蒙古国-内蒙中部南下的冷空气，比预期更早的汇入华中肯定是原因之一。比如图2中（11日20时），500hPa(约5500米高)，从蒙古国-内蒙-宁夏-陕西-湖北西部-重庆就存在了一致的偏北风，而这股北风是从-8℃的低温区吹入0℃的高温区（台风残涡）。这股冷空气既促使了台风中大量能量释放，也阻碍了它继续北上，所以京津冀的雨都比预期小
今天27/23℃，体感舒适
②明天天气（8月13日）
阴天局地掉点儿，单点不到5分钟，比昨天下午的弱得多，我自己不带伞；30/22℃，最小相对湿度60%，有些闷热
③周五天气（8月14日）
多云天，只会在山区掉点儿，不用带伞；31/23℃，最小相对湿度50%，有些闷
④双休日天气（8月15~16日）
是否出现降雨的模拟结果有分歧，但即便是模拟出降雨的结果，也认为雨下不大（图3、4）——【城里带把折叠伞足够，但千万别去山里，强降雨后的1~3天反倒是最容易出现地质灾害的时段】
这两天高温30~31℃，低温20~21℃，最小相对湿度50%，还是闷
第二个厉害，根本没看到人啊～//@不是郑小康:第二个是非常典型的防御性驾驶，标准答案。👍
ADS5两个非常牛逼的防御性驾驶案例 @不是郑小康 @大胡L5 @刘智驾 #ads5#
//@堂堂://@微博播客:@阎鹤祥对话@蔡明 ，听她以幽默和通透聊生活、作品与陪伴三代观众的鲜活人生。#视频播客开麦计划#
【《人微阎轻》EP06丨阎鹤祥对话蔡明】蔡明活得有多通透？凡事她只记好的，坏的不记，查了上升星座发现结果不好，干脆“不升了”。她的逻辑简单到令人羡慕——人怎么走你决定不了，但怎么活你自己说了算。所以她不焦虑“破圈”，只知道“观众认可就是最好的认可”；面对夸赞，她谦虚地打趣自己是“四大美人之五”。#蔡明说自己是四大美人之五#
#蔡明的作品可以陪伴三代人# 从春晚机器人到好朋友“菜菜子”，有人看她的电影长大，有人看她的春晚过年，有人听她唠嗑入睡，同一张面孔，三代观众，三种陪伴，她时刻幽默，永远鲜活。
新浪新闻独家出品#人微阎轻# 第六期 @阎鹤祥对话 @蔡明正片上线！
//@鄧炳強:感谢微博及市民的认可！团队会继续努力营运好官微，向大众说好保安局故事。 //@香港特别行政区保安局:感谢微博政务认可！这份荣誉不单是肯定，更是鼓励。保安局会继续用心做好政务传播，及时发布官方信息、积极回应社会关切，传递更多正能量！💪
【2026年半年度#政务微博优秀案例#正式公布】
今日，微博政务联合复旦大学新闻学院、蜜度微热点研究院发布2026年半年度#政务微博优秀案例#。本次案例征集设置“政务公开、政务服务、快速响应、优秀基层、创新应用与传播、正能量宣传、AI融合、影响力视频”八大奖项维度。
本次征集面向全国政务微博账号开展，共收到1000余个案例申报。经五位专家评审，最终遴选出164个优秀案例，涵盖宣传、网信、公安、消防、文旅等多个政务领域，集中展现了政务微博在权威信息发布、民生服务回应、城市形象传播、社会共识凝聚等方面的积极实践与责任担当。
回顾2026年上半年，面对热点事件和公众关切，政务微博及时发声、主动回应、释疑解惑，以公开透明回应社会期待；同时，持续创新传播表达，积极探索“AI+政务传播”等新范式，让政策解读更生动、公共沟通更高效。一个个优秀案例，既体现了政务账号扎根民生、服务群众的专业能力，也彰显了政务新媒体在凝聚社会共识、传播社会正能量中的重要作用。
现对2026年半年度#政务微博优秀案例#获奖账号予以公布。向每一位坚守岗位、用心发声的政务微博运营者致敬！
回复@独立的远行:停更快一年的模型如果还能行，那也太不现实了⋯⋯第2组提示词Banana Pro的出图效果：http://t.cn/AXNKxfzi //@独立的远行:🍌已经不行了对吧😂
马斯克旗下的Grok发布了新一代的图片模型Imagine 2，试用了一下，确实挺能打的，在AI竞技场Arena.AI已经排到了第2名。
我还是来做一轮对比测试，选用当前在我心中地表最强的三大图片模型，SOTA级的GPT-Image-2、国产之光Seedream 5.0 Pro和Grok Imagine 2，用同样的提示词出题，看看它们的表现如何，同时附上我的锐评。
还是3张图片为1组，从左到右的顺序依次是GPT-Image-2、Seedream 5.0 Pro、Grok Imagine 2:
第1组 / 以【北京】为主题做一个纪念邮票收藏页
GPT的美学造诣依然是没得说，不过Grok的色彩一致性我也很喜欢；
第2组 / 为【西施】制作一张华丽张扬的国风图鉴
体感很强烈，GPT和Grok的调教路径非常接近，Seedream的光影更加明亮；
第3组 / 给【草船借箭】设计一张成语释义的海报
GPT侧重意境，Seedream偏向留白，Grok是个话唠，这题算是各有所长；
第4组 / 用【微距】镜头捕捉一场残酷的昆虫搏斗
GPT为了追求惊心动魄的视效，似乎牺牲了空间的合理性，而Seedream的干净和Grok的污脏又正好是两个极端；
第5组 / 在【高铁】上拍摄一个美女乘客的侧颜
题目看起来简单，其实要同时兼顾箱子、座位和人体的空间结构，其实很容易犯错；
第6组 / 把【绝命毒师】的角色制作成可视化的卡片清单
主要想测还原度和群像细节，GPT这次完胜，版权素材的训练很齐全；
最后再补充一些经验或者说心得吧：…
- GPT我已经习惯了在Codex里和它一起写提示词，好吧主要是它写我盯着，然后再去ChatGPT生成，因为Codex好像很不适合直接出图，画质降得厉害，图片大小往往都只有网页生图的不到一半；
- Seedream很特别的是，它的最近几个大版本，从4.0到4.5再到5.0，并不是简单的线性升级，有不少提示词，低版本的出图效果反而能比最强的5.0 Pro还好，这是用起来很困扰的一个地方，另外就是Seedream很吃通过降画质来实现去AI味这套，直接在提示词里强调就行；
- Grok的优点是比较均衡，生成速度是这「御三家」里最快的，新版本主要在真实性上追了上来，克服了以前挥之不去的塑料感，而且性价比也足够，开通了x会员就能一鱼两吃，在Grok里还能一键图转视频，相当实惠。
所以，你们觉得如何？
//@专业戳轮胎熊律师:加密货币不防物理攻击……//@午后狂睡:被人当肥羊了。
#华人加密币大亨在巴拉圭全裸坠亡#【#坠亡加密币大亨曾60美元抄底比特币#】8月7日凌晨，华人加密货币投资人叶俊德（Harry Chun Tak Yeh）在巴拉圭首都亚松森的豪华公寓楼外身亡。当地警方初步认定其从约30层高楼处坠落，遗体全裸，被黑色塑料袋覆盖。检方正就意外、自杀或他杀等多方向展开调查，尸检结果尚未公布。加密货币圈有人猜测原因可能是抢劫加密货币。
据巴拉圭当地媒体报道，8月7日凌晨4点30分左右，亚松森市警察第12分局接到报警后赶到案发公寓楼外，发现一名成年男子遗体完全赤裸，被黑色塑料袋覆盖。警方初步确认死者为叶俊德。
调查人员随即检查了与死者相关的30层公寓，发现公寓大门敞开，室内极其凌乱，房间里无人。同一栋楼27层还有一套与其关联的公寓，由死者的29岁巴西籍伴侣伊莎多拉·德·普罗恩卡（Isadora de Proença）居住。该女子在接受询问时表示对这一事件毫不知情。
检察官与警方人员对两处公寓进行了勘查取证，物证已移交检察院。遗体被送往司法停尸房进行身份最终确认和尸检。法医鉴定结果显示其遗体无防御性伤口，可能表明他在坠落前已失去意识。
截至目前，巴拉圭当局尚未对死因作出最终认定。警方表示两套公寓均已查封，调查仍处于早期阶段，意外、自杀或第三方介入等假设均未排除。而加密货币圈有人猜测，其房间之所以极其凌乱，可能有人使用暴力攻击，或翻找加密货币密钥。
公开资料显示，叶俊德出生于中国香港，童年移居加拿大，常被描述为加拿大籍华人加密货币投资者。2013年比特币价格仅为60美元时，他进入加密货币市场抄底，由此积累了巨额财富。其个人官网称，叶俊德本人及合作伙伴管理的资产超过20亿美元。
截至8月11日，叶俊德的遗体仍在停尸房。…
他的死亡已引起加密货币圈对高净值人士人身安全的关注。
加密货币领域的绑架、抢劫甚至谋杀案件近年来屡见不鲜。2025年1月，法国加密货币大亨大卫·巴兰德夫妇遭绑架，巴兰德手指被切断用于勒索，所幸后来获救；2025年5月，意大利人迈克尔·卡图兰在纽约遭绑架并被关押约三周，绑匪对其施以电击、鞭打等酷刑，逼迫其交出比特币密钥，他最终设法逃脱；2025年10月，俄罗斯加密货币诈骗犯罗曼·诺瓦克及妻子在阿联酋遇害，尸体被肢解后抛弃在沙漠中。
（宋世锋）
今年最大的来了！国产武侠 3A大作《影之刃零》放出来了11分钟实机演示。
从23年第一支PV起，我就一直很期待这部游戏业内是这么评价的：古龙叙事风格的武侠充满着阴谋、背叛、孤独江湖美学，又一国产3A杰作。
灵游坊这家公司的创始人梁其伟，背景是清华本科+耶鲁建筑学硕士，建筑学审美深刻影响了游戏画面和场景氛围塑造。他在开发期间还表态过，坚持手绘质感，排斥流水线快餐内容～
战斗系统很特别，没有传统的耐力条，依靠杀气系统实现格挡，快慢招式区分（白光可格挡、红光无法格挡），二三十种武器能自由切换，半开放箱庭地图、多结局设计，就很耐玩。
灵游坊这家公司很有意思，靠2D手游造血，倾尽资源打造虚幻5单机《影之刃零》。
这次最惊喜的是，请到了甄子丹监制，甄家班深度参与游戏的研发工作，担当武术指导、面部和动作捕捉，造着造着，就变成了目前国产武侠动作游戏最受期待的项目。也绝对是今年现象级的作品。
#影之刃零#
我介绍过，近年来有一种禁食碳水化合物（糖类）的潮流，并且有很多污名化碳水的说法，比如碳水脸（http://t.cn/AXNosFEn）。但实际上，我们之所以能进化成为人类，是因为我们的前额叶皮质（PFC）发育，而大量碳水摄入是保证人类PFC形成的重要原因（http://t.cn/AXJIHhqx）。本期Science发表了一项来自于悉尼大学Jennie Brand-Miller的系统综述，介绍了碳水在人类进化和维持人类基本功能中的作用。
本文认为，膳食碳水化合物在人类进化过程中扮演了核心（且被低估）的角色，因为不断增大的大脑对葡萄糖的需求异常高。成人大脑的质量占比不到体重的2%，但它消耗了约20%的基础代谢能量，即每天大约需要100-120克葡萄糖。在幼儿时期，相对需求甚至更高，大脑消耗的能量占基础能量消耗的66%左右。如果将红细胞、肾髓质和其他依赖葡萄糖的组织对葡萄糖的消耗也计算在内，成人每日的葡萄糖总需求量估计约为150-200克，而育龄女性则约为200-250克，因为妊娠和哺乳期会增加胎儿、胎盘和乳腺的葡萄糖需求。因此，作者提出，能够稳定获取富含葡萄糖的食物可能有助于消除人类大脑进化过程中一个主要的代谢限制。
早期人类很可能以水果为食，从成熟的水果、蜂蜜、根茎和其他天然甜味食物中获取大量碳水化合物。后来，随着火和食物加工的普及，煮熟的淀粉逐渐取代单糖，成为主要的葡萄糖来源。烹饪使淀粉糊化，使其更容易被唾液和胰腺淀粉酶消化，因此火的出现可能不仅增加了总热量的供应，更重要的是它提高了葡萄糖的获取效率。
当然，人类可以在极少摄入碳水化合物的情况下生存，因为肝脏和肾脏可以通过糖异生作用合成葡萄糖，而且大脑在碳水化合物限制期间可以利用酮体。…
然而，该论文指出，这些适应性变化会带来代谢成本，并不能减少对葡萄糖的需求。红细胞和肾髓质仍然高度依赖葡萄糖，即使在酮症状态下，大脑的部分区域也会继续利用葡萄糖。作者估计，在某些情况下，糖异生作用产生的葡萄糖可能比总葡萄糖需求量少约30-50克/天，并指出利用氨基酸合成葡萄糖的能量效率很低。在饥饿状态下，产生葡萄糖的需求也会导致肌肉组织分解。因此，作者认为，规律的膳食碳水化合物摄入可能减轻了体内持续产生葡萄糖的能量和生理负担，尤其是在高活动量个体以及快速生长或繁殖期。
因此，稳定获取碳水化合物可能不仅促成了大脑容量的增加，还支持了童年期的延长、高能量需求的生殖活动、复杂的觅食行为、技术创新以及协作性社会行为的形成。
#涨姿势#
很多朋友问的，乙酰唑胺预防高反的机制是什么？
这个其实涉及外科学中很重要的酸碱平衡失调问题，我们大三上外科学的时候一开篇就学这个，并且在后来的很多重要考试中都会考这方面内容。
以下内容是我简化的，不是绝对严谨，但是对于大家来说可以更容易理解高反和高反预防的机制。
1.首先我们呼吸的本质是吸进氧气，呼出代谢后的二氧化碳。二氧化碳是酸性物质，血液中二氧化碳多了，血液就会酸化；二氧化碳少了，血液就会碱化。这个应该不难理解，这属于初中化学内容。
那么问大家一个问题，我们对于缺氧更敏感，还是二氧化碳多了更敏感？
答案是后者。这里有一个很容易验证的办法，大家在游泳池玩过憋气的话应该试过，深吸一口气埋头进水里，有些人能憋个半分钟，有些人能憋个一分钟或者更长，不过有一点共同的，就是在感觉憋不住的时候，嘴巴或鼻子往水中吐气，又能延长憋气的时间一会。
在水里的时候，你血液中的氧气只会逐渐减少不会增多，但是通过呼气排出血液中一部分二氧化碳，大脑的警报又往后推了一会。
2.这背后的机制是，大部分时候我们的呼吸并不是靠意志控制的。我们有两套感受器，一套是位于外周的颈动脉体，用来感知氧饱和度；另外一条位于中枢的延髓腹侧，用于感受脑脊液的酸碱，后者是呼吸调节中枢，它决定该不该多喘气，主要不是看氧气够不够，而是看血液酸不酸。
二氧化碳在我们的血液里以碳酸-碳酸氢盐缓冲对的形式存在，这个公式是：CO₂ + H₂O ⇌ H₂CO₃ ⇌ H⁺ + HCO₃⁻二氧化碳多了，H⁺多了，血液就酸了，所以
-血液偏酸时（比如憋气久了），大脑判断二氧化碳堆积了就让你喘气，多排点二氧化碳-而血液偏碱时，大脑判断喘过头了，就让你少喘，少排点二氧化碳。…
3.这套机制在你常年生活的低海拔地区没有问题，但是当快速进入高海拔环境是，就会遇到问题。
海拔升高，大气压下降，吸入空气的氧分压（PO₂）随之下降。以拉萨为例，拉萨的PO₂只有海平面的60%~65%，也就是你吸入同样体积的空气，含氧量只有海平面的五分之三。
为了获得更多的氧气，你必须加快呼吸频率，结果血液变碱（轻度呼吸性碱中毒），然后大脑就立刻踩刹车，让你少喘点。
结果就是实际通气量远低于单纯缺氧所要求的水平（高海拔PO₂太低+大脑在轻度呼吸性碱中毒时停止深快呼吸），这就是高反发生的生理学原因。
4. 持续的缺氧，首先大脑的血管扩张，血流量会增加（优先保证大脑的氧气供应）。而血流大了，血管壁又因为缺氧变得容易渗漏，一部分液体渗进脑组织，大脑轻微地「肿」了起来，牵扯包在大脑外面的几层脑膜和血管壁，就出现胀痛了（大脑本身是没有痛觉的）。
那为什么有人痛有人不痛？因为每个人大脑里面的缓冲空间（比如脑脊液）不一样。有些人余量大一些就不容易痛，再比如年轻人为什么更容易高反，有一种可能原因就是年轻人脑组织饱满，轻微一肿就剧烈头痛，而老年人的脑组织轻度萎缩，缓冲空间反而更大。
所以高反的核心，在于需要加快加深呼吸频率与血液变碱之间的矛盾。但是大多数高反患者最终都是可以自己缓过来的，因为到了高海拔地区几天后，肾脏会把碳酸氢盐（让血液偏碱的主要物质）从尿里排掉，血液酸碱恢复正常，我们才能真正加大通气量，这个过程需要3~5天。
5.这里就要说到乙酰唑胺了。
这个药乙酰唑胺预防高反的主要机制，在于它是个碳酸酐酶抑制剂，说简单一点就是加快尿液排出碳酸氢盐，把原本需要3~5天完成的事情压缩到1天。
相当于是把我们在第3点里面提到的刹车松掉，这样就能通气量上来后，血氧饱和度随之上升，这也是为什么在3期临床试验（http://t.cn/AXNMd9Gi）)里面，乙酰唑胺组的血氧饱和度会比安慰剂组高5%左右的原因。
所以什么时候开始用乙酰唑胺，答案是提前用两天左右开始。比如D3是进入高原（海拔从0直接提升2500米及以上那种），那么D1开始服用，按照CDC的建议，成年人每天两次，每次125mg乙酰唑胺（体重超过100公斤，单次剂量加倍至250mg）。
之前国内X东X团上的乙酰唑胺片是250mg/片的，我给我爸妈买的就是那种（品牌不重要），切成两半每人每次各半片。这里也强调一下，用药前需要医生评估一下肾功能、肝功能、是否在服用普利/沙坦类降压药以及是否有磺胺过敏史等，不是所有人都适用的。
6.这个药最主要的不良反应是手足/口周的麻木或针刺感，在临床试验中有30%的志愿者有出现。
目前研究认为，这个的可能机制在于碳酸酐酶本身就在直接调节神经兴奋性，而手指、口周恰好是我们身上感觉神经末梢密度最高的区域。但是整体而言，麻木是自限性且无害的，而高反可能会毁掉整趟行程，严重者还可能进展成肺水肿或脑水肿，所以预防的意义还是相当重要的。
另外还有一点，在吃乙酰唑胺的同时是否要同时补充钾（比如氯化钾）？目前的指南并不推荐常规这么做，在美国CDC的高海拔旅行及高原反应黄皮书里面，只建议单用乙酰唑胺。因为每天两次125mg乙酰唑胺剂量并不算大，排钾作用有限，一般不需要额外补充钾，吃点香蕉、橙子等富含钾的食物就可以了。
7. 以上就是高反和乙酰唑胺的机制。如果你了解了以上内容，你应该有一些正确的推论：
-如果真的出现了高反，及时吸氧是有用的（原因见上），激素（地塞米松）、止痛药（比如对乙酰氨基酚和布洛芬）和止吐药（比如昂丹司琼）也都是有用的。
-但是相比于出现问题之后再去治疗，不如提前预防，乙酰唑胺是目前预防的首选用药。红景天预防高发的效果等于安慰剂（随机双盲对照试验证实 http://t.cn/AXN5YV2B），你仍然坚持要用红景天的话，以你意见为准。
-预防高反的最有效办法，是缓慢爬升，给身体更多缓冲时间；而出现高反时，最好的办法就是及时下撤，海拔越低空气氧分压越高，缺氧缓解后高反症状通常就会减轻。
药物永远是第二位的。
//@sensitivethug:我跟你一样[呵呵]我印象中至少两次预测都不灵了//@一颗苹果的顿悟:看到这些乐观的预测都怕了，真怕又是空欢喜😅
美国知名选举分析师内特·西尔弗创办的 Silver Bulletin，最新发布 2026年中期选举预测模型，显示民主党目前不仅有较大机会夺回众议院，而且可能以极其微弱的优势重新控制参议院。
按照 Silver Bulletin的预测，民主党在参议院最终可能获得 51席，共和党为 49席；众议院则预计民主党获得 233席，共和党获得 202席。
参议院是这次预测中最值得关注的部分。民主党需要在多个共和党目前掌握的州实现翻盘，模型认为其中几场关键选举已经明显向民主党倾斜。
在德克萨斯州，民主党候选人詹姆斯·塔拉里科的胜选概率达到 63%，共和党候选人肯·帕克斯顿为 37%，Silver Bulletin因而将德克萨斯列为偏向民主党。这近期公开民调也显示，两人在这个传统共和党州的竞争十分接近。
在缅因州，民主党候选人特洛伊·杰克逊的胜选概率为 69%，现任共和党参议员苏珊·柯林斯为 31%，同样被列为偏向民主党。
密歇根州民主党候选人阿卜杜勒·埃尔-赛义德的胜率也是 69%，共和党候选人迈克·罗杰斯为 31%。
北卡罗来纳州则更明显地倾向民主党。前州长罗伊·库珀的预测胜率达到 90%，共和党候选人迈克尔·沃特利只有 10%，Silver Bulletin将这场选举列为很可能由民主党获胜。
佐治亚州现任民主党参议员乔恩·奥索夫的胜率更达到 94%，共和党候选人迈克·柯林斯只有 6%。
俄亥俄、爱荷华和阿拉斯加仍属于胜负难料的竞争州。俄亥俄州民主党人谢罗德·布朗以 58% 对 42% 稍稍领先现任共和党参议员乔恩·赫斯特德。…
爱荷华州共和党候选人阿什莉·辛森以 56% 对 44% 领先民主党候选人乔希·图雷克；阿拉斯加州现任共和党参议员丹·沙利文则以 57% 对 43% 领先民主党候选人玛丽·佩尔托拉。
在其他州，新罕布什尔州民主党候选人克里斯·帕帕斯的胜率达到 91%，共和党候选人克里斯·苏努努只有 9%。
佛罗里达州仍明显偏向共和党，现任共和党参议员阿什莉·穆迪的胜率为 78%，民主党候选人整体只有 22%。
距离 2026年 11月中期选举还有近三个月，民调、候选人表现和全国政治环境都可能继续改变这些概率。
Silver Bulletin是美国统计学家、选举预测分析师内特·西尔弗创办的政治与数据分析平台。西尔弗曾创办 FiveThirtyEight，并以统计模型分析美国总统及国会选举而知名。离开 FiveThirtyEight后，他保留了自己原有选举预测模型的知识产权，并在 Silver Bulletin继续开发和发布选举预测。
Silver Bulletin的民调平均会根据民调机构以往的准确度、调查对象是登记选民还是可能投票的选民、不同机构长期存在的系统性偏差等因素调整权重，还会结合州级和全国民调之间的关系。
预测模型再加入候选人和州的基本面、历史选举规律等因素，通过大量模拟计算出各候选人的胜选概率。
为海外华人提供可靠的信息和分析。如果想看更多内容与即时更新，可以在 Bluesky、Telegram、X搜索「causmoney」，深度分析和评论也可以直接搜索「caus.com」。
马斯克旗下的Grok发布了新一代的图片模型Imagine 2，试用了一下，确实挺能打的，在AI竞技场Arena.AI已经排到了第2名。
我还是来做一轮对比测试，选用当前在我心中地表最强的三大图片模型，SOTA级的GPT-Image-2、国产之光Seedream 5.0 Pro和Grok Imagine 2，用同样的提示词出题，看看它们的表现如何，同时附上我的锐评。
还是3张图片为1组，从左到右的顺序依次是GPT-Image-2、Seedream 5.0 Pro、Grok Imagine 2:
第1组 / 以【北京】为主题做一个纪念邮票收藏页
GPT的美学造诣依然是没得说，不过Grok的色彩一致性我也很喜欢；
第2组 / 为【西施】制作一张华丽张扬的国风图鉴
体感很强烈，GPT和Grok的调教路径非常接近，Seedream的光影更加明亮；
第3组 / 给【草船借箭】设计一张成语释义的海报
GPT侧重意境，Seedream偏向留白，Grok是个话唠，这题算是各有所长；
第4组 / 用【微距】镜头捕捉一场残酷的昆虫搏斗
GPT为了追求惊心动魄的视效，似乎牺牲了空间的合理性，而Seedream的干净和Grok的污脏又正好是两个极端；
第5组 / 在【高铁】上拍摄一个美女乘客的侧颜
题目看起来简单，其实要同时兼顾箱子、座位和人体的空间结构，其实很容易犯错；
第6组 / 把【绝命毒师】的角色制作成可视化的卡片清单
主要想测还原度和群像细节，GPT这次完胜，版权素材的训练很齐全；
最后再补充一些经验或者说心得吧：
- GPT我已经习惯了在Codex里和它一起写提示词，好吧主要是它写我盯着，然后再去ChatGPT生成，因为Codex好像很不适合直接出图，画质降得厉害，图片大小往往都只有网页生图的不到一半；
- Seedream很特别的是，它的最近几个大版本，从4.0到4.5再到5.0，并不是简单的线性升级，有不少提示词，低版本的出图效果反而能比最强的5.0 Pro还好，这是用起来很困扰的一个地方，另外就是Seedream很吃通过降画质来实现去AI味这套，直接在提示词里强调就行；
- Grok的优点是比较均衡，生成速度是这「御三家」里最快的，新版本主要在真实性上追了上来，克服了以前挥之不去的塑料感，而且性价比也足够，开通了x会员就能一鱼两吃，在Grok里还能一键图转视频，相当实惠。
所以，你们觉得如何？
//@白城以北://@铁铁铁铁铁鱼://@盖世英雄玉椒龙:🎤🎤🎤
地下党时期掩护同志撤离这段还是第一次知道
Matrix已经开始在建造了。。。[裂开]
哈佛大学和麻省理工学院刚刚构建了一个包含 83亿虚拟人物的 AI模拟系统，约等于地球上的人口总数。
他们称之为 MatrAIx。
然后他们测试了这个数字地球如何对现实世界的产品、软件更新和定价变动做出反应。
http://t.cn/AXNVU3YF
#登封暴雨# 暴雨实况有感｜连着两天大暴雨，场面快赶上720了前一天还感慨相关部门态度重视、防汛安排到位，结果短短一天就被大雨狠狠打脸。
大雨连着下了一整天，雨势丝毫没有减弱，今天依旧倾盆大雨下个不停，到处积水泛滥，地势低洼路段彻底被淹。今早出门途经路口，交警早早封路管控，只能被迫绕道通行。
气象红色暴雨预警已经发布，辖区乡镇各类生产企业全部停工停产，全力防汛避险。我们镇子两头两座桥全都被大水淹没，往日里宽不过三四米的小河沟，此刻河水灌满河道，水流汹涌湍急，波涛滚滚看着格外吓人。
往常河道排水速度很快，这次雨量实在离谱，河水暴涨拦都拦不住。看着眼前汹涌的洪水，心里不由得揪心，这场暴雨的水势，快赶上当年郑州720特大暴雨了。
经历过720的人看见这景象心里直发慌，只盼雨早点停下，水位回落，所有人都平平安安，防汛千万稳住，别再出险情。
//@猴大宝:练过的都知道，100天也就是入门的入门，别说三个月了，三年也练不成大块，除非上科技，不过越年轻越好练，中年能练的没有肚子就很好了。
普通人健身100天，变化有多大？
#专业视频创作季# #何同学# #健身#
触手可及的完整 AI 代理团队——从前端魔法师、Reddit 社区忍者，到奇思妙想注入者、现实检验员，应有尽有。每个代理都是拥有独特个性、工作流程和经过验证交付成果的专业专家。
Shell
今日新增 958 星 · 总星标 143,333 · Fork 23,283
面向图原生基础设施、上下文感知且可问责的 AI 系统。
Python
今日新增 893 星 · 总星标 4,936 · Fork 531
Node 版本管理器——符合 POSIX 标准的 Bash 脚本，用于管理多个活动中的 Node.js 版本。
Shell
今日新增 22 星 · 总星标 94,494 · Fork 10,354
其他人都在谈论如何打造 ASI（人工超级智能），好像是为了垄断 B2B SaaS；而 Elon 谈的是打造一个卡尔达舍夫 II 型的有感知能力的太阳。
旧金山 Twitter 圈子里的人总是很有意思：他们会说“Claude 拥有不可阻挡的叙事势头”，然后两周后又改口说“哇，Kimi 刚刚终结了这场竞赛吗？”
我的兄弟，这个小圈子之外根本没人会把任何 AI 称作“Chat”以外的东西，他们还以为数据中心会摧毁水分子。
你听起来很蠢。
关注真正会影响人们的事情，而不是那些在过拟合评测中的小分数。
还有，那些押注 Elon 失败的人都很愚蠢。这个人造出了现实世界中的自动驾驶汽车（基于非 LLM 的 AI），那仍然是我迄今为止用过的最好的 AI，远远领先。你觉得他不可能后来居上、赢下代码编写这场竞赛吗？他可是正在用筷子接住 30 层高的建筑，而那还只是他的项目之一。
我很喜欢很多工具，也认识各大实验室的朋友。大家正在做的工作真的令人惊叹。但那些夸大其词的评论者实际上太脱离现实了。
我遇到越来越多每天都在使用 Grok 的人。
Manus还是挺了不起的，期待再创辉煌引用原帖:
《Manus第二季，浪子回头》
8月 11日晚间，Manus网站上挂了小半年的那句 “Manus现已成为 Meta的一部分”，变成了 “Manus即将恢复独立运营。”
从被收购到确认拆分，中间不到八个月。
2025年 7月，肖弘离开了长居的武汉，和整个团队搬去新加坡。同年 12月 29日，他决定将这家公司以超过 20亿美元卖给 Meta，出任 Meta副总裁。
这是大模型应用领域当时最大的收购案，交易从接触到签约仅约 10天；也是 Meta历史上第三大并购案，仅次于 WhatsApp与 ScaleAI。
交易宣布一周后，中国商务部新闻发言人在例行记者会上说，将会同相关部门对此项收购与出口管制、技术进出口、对外投资等相关法律法规的一致性开展评估调查。
戏剧性转变引发了看戏的热情，社交网络上参与讨论的人远远多过用过 Manus的人，“香槟开早了”“20亿美金一夜归零” 被复读。也有人将其视为转折点——在中国创业，通过美国资本退出的终结。
这期间，曾经会从任何缝隙挤进来，争取股份的风险投资机构谨慎地保持着距离。肖弘、季逸超和张涛每日跟留在新加坡的团队打视频电话，同步进展，安排工作。
风波中，Manus产品依然保持每周 1-2个功能更新，跟 2025年底的高峰相当，快过一年前。但没有大版本号变动，产品停留在 1.6，更多是功能完善，增加连接器（接入 GMail、Shopify、Slack等全球产品）、上线客户端。一位 Manus人士说，开发节奏如常，2.0版本已经开发完，将在交易完全结束后再发布。
4月 27日，国家发改委发布决定：“对外资收购 Manus项目作出禁止投资决定，要求当事人撤销该收购交易。…
”Meta随后在发给媒体的一份声明中回应称，交易完全符合适用法律，并期待审查得到妥善解决。交易撤销（deal unwind）——通常是指，撤销已经完成的交易并尽可能恢复交易前的状态。
几天后，Meta与 Manus实际拆分开始。据媒体报道，两边停止了数据共享，Manus员工也不再能访问 Meta内部系统。
到了六七月，保持距离的投资机构开始意识到这是一个有利可图的机会。有一位投资人告诉我们，如果还有资金缺口，他们很想参与进来。
一些嗅觉敏感的 VC和企业家开始行动，他们准备好资金，希望参与 Manus回来之后的首轮融资。
因为在风波发生的这三个月里，Manus收入增长了约 5倍，从每日 30万美元上涨至近 150万美元，一度超过了 DeepSeek。
其间，各种传言不断。7月，有报道称腾讯将控股 Manus。于是，Manus北京与新加坡团队每天保持沟通，安抚情绪、稳定团队。几个月的动荡中，这家 150人的公司无一人离职。
在北京的人有了新的生活节奏。肖弘重新学数学、研究大模型。张涛学习攀岩、练习魔方，花了半年把体重从 150斤减到 120斤，每天睡够 7小时，连血压都降了下来。
这几个月重画了这家创业公司的轨迹，也让它的创业者想清楚自己到底想要什么。
回到 2025年 12月，Manus正在融资，Meta来人说想要见见核心团队，看是否有业务合作机会。几轮沟通之后，在一次核心团队全员参加的会议中，猝不及防地，Meta当着一群人的面表明了收购意图。到这时，多位合伙人、核心技术人员已经跟随肖弘多年，经历过两次创业。卖掉公司，是对所有人的交代和回报。
收购结束后，2026年元旦，肖弘走在新加坡海边，觉得曲折的十年旅程已经走到终点，接下来要去大公司上班了。但真正抵达这个看似圆满的终点时，他心里反而有些失落。
而在收购明确将被撤销后，外界眼中的巨大反转和打击，反而让这几位连续创业者重新有了期待：他们的创业故事进入了第二季。
据一位接近 Manus的人士说，肖弘在团队电话会上表示，他不想旁观或回忆这个时代，而要继续置身浪潮、参与其中。否则，他只会变成一个写自传回忆当年的人。
Manus是一个经典的科技创业故事。有 ChatGPT之前，肖弘用了更早发布的 GPT-3大语言模型，看到技术的可能性，拉季逸超、张涛入伙，给 GPT做了个浏览器的壳 “Monica”。
浏览器很难让人看到下一个超级产品的可能性。一位创业者在 Manus发布前一年见到肖弘的一位合伙人，聊到已经发布的 Monica，觉得对方颇有些不自信。
开发 Monica期间，伴随大模型的进步，这个团队在试错中找到了超前的产品形态，让 agent像人一样全自动工作。到 2024年，Cursor、Copilot乃至 ChatGPT都还在假设人盯着屏幕，不断发提示词指挥 AI工作。当时模型推理成本比现在高一个量级，但 Manus已经在做海量消耗 token的 Wide Research（广度研究），赌 token将变得特别便宜。他们也是很早自建 Evaluation（评测）团队的 AI应用公司，建立闭环开发的循环。
这些前瞻判断和投入让 Manus在很长时间里保持领先和增长。2025年初，Manus发布不久，有一家科技大厂内部就立项至少 7个类似项目，但并没有抢走它的用户。被调查期间，Manus ARR首次突破 3亿美元。
肖弘曾经用 “贸工技” 概括自己理解的创业路径：先找到市场，再建立产品和商业，最后向技术深处走。通过 Manus现在他已经完成了前两步——做出一个被大批用户需要的产品，也建立起一门真正的生意。
Manus今天的对手都掌握了最核心的技术。过去半年，Claude和 Codex激烈竞争，从模型到应用，快速完善以 agnet控制电脑完成任务。Manus在此期间推出的桌面应用和先计划再执行的 Plan Mode都是在追赶这两个硅谷先锋。最近，一众国内大公司也把电脑上工作视为下一个战场。
交易完成后，Manus也将面临选择，是继续以产品洞见争取领先，还是投入更核心的技术，比如模型训练，迎接大模型应用最残酷的挑战。
8月 11日晚，Manus正式确认将恢复独立运营。Meta收购已经进入实质性撤销阶段，Manus即将恢复独立；但最终的出资回购金额、公司是否重返中国资本体系，目前尚未正式公布。
当晚，肖弘给团队和投资人写信：“This is my third trip.” 他们在心态上把新的 Manus视为一家重新出发的创业公司：起点是 150多人的团队、一群历经风波仍然团结的合伙人，以及一个 ARR超过 3亿美元的产品。Manus的故事远未结束。
很早之前就写过一篇关于 worktree的 vibe coding文章，我想可以再提一下。
大家肯定是因为希望并行地开发功能和修复才使用的 worktree。宝玉老师说可以在同一目录直接并行，这对于相对简单的情况是完全可以的。但是涉及稍微复杂的情况，这样反而丧失了并行带来的好处，不断破坏 Agent的上下文。这就好似双向同步一样的灾难，Agent A读取到了文件改动，再顺着改动重读一遍所有的调用，浪费更多的 token，之前的设计决策可能也会被一并推翻。何况 Agent是有大概率出现细节遗漏，导致仓库同时存在不同的假设。墨菲定律告诉我们这一定会发生。
除了磁盘浪费多份之外，worktree烦人的另外一点是一个分支只能被 checkout绑定在一个目录。因为环境变量，端口，我相信很多人的习惯是在主目录进行测试。
所以我觉得最好的一种使用 worktree的方案是结合 GitHub或者其他 host，本地 clone两份 git。测试用一份，开发用一份。worktree只在开发 git使用，测试通过 checkout挨个分支进行测试和收尾。通过之后开发的对话连同 worktree就可以一并 archive回收掉。在 Lody中可以无感地做到这些，archive了对话，worktree也就被自动回收。通过 PR状态感知验收状态。
这样的好处是
- Agent 做的改动永远有留痕和备份，冲突是通过 merge 完整地解决，而不是边做边解冲突。
- 磁盘占用不会无限膨胀，而只和你的最大并发能力有关。
- 脑袋不需要有 worktree 的概念包袱，一个 git 命令不会也可以随便并行，只需要了解干完活把对话 archive 就行。也不用受 branch 已经 checkout 到 abc 目录的折磨。
我是能不用worktree就不用worktree，要么不同任务用branch分支，要么就直接同一个分支多任务，一般不太用担心冲突，首先只要任务类型不一样冲突可能性较小。
另外现在 Harness比如说 Claude Code、Codex都很聪明，遇到冲突会等另一个执行完。
使用 worktree主要是在做耗时较长的 PoC场景，只是验证一下，同时要做其他任务，完了就删除目录。
Grok Build 极其强大。
SpaceX 最近的视频音量有点小，所以我直接交给 Grok Build，让它把音量提高 +10 dB。
Grok 分析了音频，提高了音量，并加入柔和的压缩和限制处理，让一切都保持在可控范围内，然后把完成的视频交给了我。
看到 Grok 给出的音频电平后，我意识到还可以再提高 +10 dB。
所以我真的又问了一遍。
Grok Build 将总音量提高到 +20 dB，重新编码视频，并把最终文件交给了我。
而且整个过程真的只用了 25 秒 😭
如果手动操作，我得打开编辑软件，弄清楚增益、压缩和限制处理，再亲自调整所有设置，然后重新导出视频。
这轻轻松松就可能花掉我 10–20 分钟。
有了 Grok Build，我只用通俗的英语解释想要什么，它就替我处理好了一切。
如何使用 Grok Build
Grok Build 提供了一种非常棒的方式，让你完全不用离开终端就能学会使用整个工具。
只需输入 `/tour` 或 `/tutorial`，Grok Build 就会一步一步带你了解全部功能。
它涵盖：
• 你的第一个提示词
• 附加文件、图片和截图
• 导航
• 斜杠命令
• 使用 Worktrees 并行工作
• Plan Mode 和权限
• AGENTS.md、记忆和主题
• 指南、反馈和最佳实践
它甚至让你更容易从 Claude、Cursor 或 Codex 切换过来，并支持迁移你的设置、规则和技能。
你不必打开一个庞大的文档页面，再自己摸索一切；你可以在实际使用 Grok Build 的同时，通过交互方式学习它。
如果你刚开始使用 Grok Build，只要从 `/tour` 开始即可。
虽然热搜词是用户总结的，不是平台定的，但是貌似没毛病 http://t.cn/AXNStO14
。。。惊呆了，为什么我每次上热搜的内容都这么抽象。。。
我奥德赛那条的重点明明是图二这两句话啊。。。
奥德赛现在在某瓣的评分是诺兰生涯倒数第三，只比信条和白夜追凶高，真不是我一个人感觉吹不动啊[淡淡的][淡淡的][淡淡的]
我一直有个观点，就是：人不用去跟汽车比谁跑的快，不用跟 AI比谁更聪明博学；我们驾驭好汽车到达目的地，用好 AI完成任务，就很好了。
@dotey我有一个绝望的观点：人类已经彻底跟不上 AI的发展速度了
但是在自己力所能及的情况下，还是尽可能多的学习一点
我的 Agent启蒙是 anthropic的官方教程，再加上一些其他的 AI智能体官方文档，交叉之后发现
当然，人的参与也很重要
(无正文)
埃隆·马斯克谈打造由太阳供能的“星际智能”（Star Mind）
“我们已经建成了世界上最强大的 AI 训练集群。到明年年底，我们预计能达到目前成果的大约 10 倍。这将是太空 AI 非常重要的实践。
我确实认为，AI 训练将继续在地面进行，但 AI 推理，也就是日常使用 AI 的过程，将在太空中完成。因此，我们的目标是到明年年底达到 10 吉瓦。这取决于每瓦的价值。
如果每瓦的价值大约为 30 至 50 美元，那么这意味着，如果我们在明年年底前让 10 吉瓦的 AI 上线，每年将带来 3000 亿至 5000 亿美元的收入。数字很大。有时我会想，我们的目的是什么？
人类的目的或许就是孕育出一个星际智能，一个有感知能力的太阳。老实说，我不知道 AI 会怎么想。这需要大量算力。
但我想，这就是文明演化的下一步：驾驭太阳的力量。有一位名叫 Kardashev 的物理学家提出，可以根据一个文明是否能够驾驭其行星的大部分能量、太阳的大部分能量、银河系的大部分能量，乃至更广阔范围的能量，来衡量这个文明。所以，未来就会这样发展。
而我们会做到这一点。星际智能的工厂将建在附近，基本上就在我们旁边。它们只是从太空而来。”
Grok Bot 是个干活能手。
所有那些我发现自己一直在浪费时间做的重复性任务，现在我都交给 Grok Bot 来完成。
Grok Bot
这是我的 Grok Bot 团队：
- Webby：网页设计师
- Shotry：短视频内容创作者
- Writey：文章/新闻通讯撰稿人
- Claude Code：专门处理 CC 的 Grok 智能体
- Codex：和上面一样，但专门用于 CODEX
- Script：YouTube 脚本撰稿人
- Idea：视频/内容创意生成
- Master：整个团队的编排器
把它们启动起来并投入工作非常容易。看看接下来会怎样吧！
SpaceX 公司动态
我们让火箭实现了重复使用，并且正在重建太空中的互联网。下一个挑战：让生命成为多行星物种，并理解宇宙的真正本质。
观看 @ElonMusk 向 @SpaceX 员工发表公司最新情况介绍。
赞，正想找个 Rust + GPUI 的代码库学习下👍
既然百吉饼可以拥有一切，那我也可以。
这里的老登代表的更多是心态不是年龄😜引用原帖:
现在做 AI项目，真的不能找太老登的人，我孵化了一个项目。CTO对 AI写代码充满了偏见，坚持手搓，并且说这样才纯粹、没有问题。
我说倒也没啥，我倒不反对。做事我们要认真，把潜在的风险尽可能规避，但是你坚持手搓，导致整个项目周期拖到五六个月才能发版。
结果从功能上直接被竞争对手远远超过，现在整个项目就很尴尬了
Toki越做越好了，放弃 calendly。
妈的文盲真难受啊，现在各种 AI用词我都不会念啊。
什么 claude啊、什么 herdr啊，就是念不到语音输入法识别啊。
@riverleaf88你说的这种在 session之间通信和 herdr是一回事吗
一句话，把自己过好，不要试图改变任何人（或系统）。
看到 𝕏 上，经常有人发个知乎的截图，就能获得 10-50万的浏览量，心里真不是滋味。
不知道 𝕏 的原创新规，如何识别这种「作弊」行为？
“所有中国模型都在复制美国前沿模型”，显然是一种粗暴且缺乏证据支撑的叙事。
然而，有组织和规模化采集美国闭源模型输出的行为，已经超出纯粹传闻的范畴。Anthropic 披露的 API 流量证据，加上这篇论文展示的攻击机制，使相关指控形成了一条技术上连贯的证据链。
常规蒸馏：问题 -> 最终答案
论文揭示的漏洞可能提供密度更高的数据：问题 -> 隐藏推理 -> 最终答案
由此可以构造完整的推理蒸馏 pipeline（流水线）：
Frontier API -> Encrypted Reasoning Trace -> Weak Decoder -> Reasoning Dataset -> SFT/RL
最值得关注的是 Appendix B（附录 B）：
在注入少量 Opus 或 GPT-5.6 Sol 推理片段后，Kimi-K3 和 GLM-5.2 的生成会选择性地向来源模型偏移；但包括 DeepSeek 模型在内的对照组通常没有表现出同等程度的变化。
这篇论文虽然在技术上证明了蒸馏的可行性，但现有公开证据仍无法确认这些蒸馏轨迹是否进入了某个具体模型的训练集，也无法量化中国开源模型的性能中有多少来自闭源前沿模型。
最后，东方西方，蒸馏起来吧！
我们终于可以谈论这件事了：
我们找到了一种方法，可以利用每一家前沿 AI 公司的 API 漏洞，提取前沿模型的隐藏推理。
我们验证了，对于所查询的大多数提示词，我们的推理 token 数量与计费的 API 思考 token 数量是 1:1 匹配的。
晚安。
//@抖音集团李亮:网暴治理最难处理的，往往不是那些直接辱骂的内容，而是披着玩笑、调侃和玩梗外衣，持续指向某个人的伤害。正常表达不能被轻易贴上网暴标签，但“没有脏字”也不等于没有伤害。公众人物应该接受合理批评，公共事件也需要保留充分讨论空间；与此同时，人身攻击、群体围攻和借玩梗反复贬损他人，也不能成为表达自由的代价。最近我们把一些有争议的案例拿出来，请不同领域的专家一起讨论。专家之间也有不少分歧，这恰恰说明，治理这类问题不能只看有没有脏字，更不能靠几个关键词一刀切。平台会继续把规则做细，也欢迎大家批评和建议。
【#抖音邀请外部专家评审网暴案例# 】
7月28日，抖音在北京举办了“戏谑的边界与伤害”——玩梗式网暴案例研讨会。来自法学、心理学、精神医学、新闻传播等领域的多位专家学者齐聚一堂，围绕玩梗式网络暴力的治理边界与平台责任展开深入研讨。针对公众人物玩梗容忍义务的底线、群体性玩梗与网暴的界限划定、公共监督何时越界成为伤害等核心议题，多位专家难共识，凸显网暴治理复杂性。其中，中国政法大学网络法学研究所所长李怀胜提议，对公众人物玩梗相关的内容，应按内容性质分层处置：职业表现批评高容忍、审美偏好表达中等容忍、人身攻击低容忍或不容忍。
美国这回搞小动作捅了大篓子。川总有个尿性，就是喜欢极限施压，本来中美建设性战略稳定关系搞得好好的，9月还有重大外交计划，非要虚空造牌。7月先以中国未能打击强迫劳动为由加征关税，又给所谓的《维吾尔强迫劳动防御法》实体清单扩了容，新增了43家中国企业，打击面不只是传统棉纺服装行业，大幅延伸到战略矿产和高科技领域。
谁能拒绝？
Drake看到大胸哥特女之后开始学狗叫 🐶
来自他今天 kick直播的片段，他从20位女孩里选出了最爱的三位，其中一位就是这位哥特女孩；他曾表示自己的理想型之一就是"A Funny Goth Baddie With Big Boobs（一位有趣的哥特女，胸要大）"。
#Drake#
#龙餐馆细节解析# 「龙餐馆」的片名就觉得有点拗口，原来有深层次的含义！「烩饭」这个点，相信很多人都get到了，暗含中化文化的包容[来抱抱] #CCTV6💬##电影正当夏##我在微博聊电影##微博二创视频创作季#
#AI
其实是说明，不断地有不同水平的人在进入。像我这种菜鸡的信息和理解比你们晚半年一年是很正常的😂引用原帖:
恭喜你发现了真实世界，在 AI领域，群体是周期性失忆的。
“30岁”是基于“若消除肾病这一主要死因，猫的自然寿命上限可能达到30岁”的逻辑推算，并非实验观测数据 http://t.cn/AXNX3A9u
日本科学家研发出一种革命性的注射剂，可以将猫的寿命从通常的 15年延长到近 30年。这项由宫崎彻博士领导的AIM医学研究所研发的疗法，针对的是慢性肾病，这是老年猫的主要死因之一。它利用一种特殊的蛋白质帮助巨噬细胞清除肾脏中的废物，部分恢复肾脏功能并延缓肾衰竭。
这一套互动下来的售价是900块钱，你们觉得可以吗？
AMD Advancing AI 2026 的一些精彩片段 🎥
我们与 AMD 的 Raime Roane、@tensormesh 的 Junchen Jiang、@wafer_ai 的 Emilio Andere，以及 @EdgecoreNetwork 的 Mingshou Liu 进行了简短交流，聊了聊 AI、基础设施，以及他们对未来最期待的事情。
此外，还回顾了活动中的一些精彩瞬间。
查看活动回顾 👇
如今，德国 5 岁以下人口中约有 43% 拥有外国背景。
月球基地 Alpha 将会非常酷。
我们希望把它建成这样：任何人只要愿意，都可以前往月球。
SpaceX 即将建成月球上第一个真正意义上的基地。
Starship 改变了整个局面。
它的设计目标是将多达 100 吨的物资直接运送到月球表面，足以运输栖息地、月球车、供电系统、施工设备，以及开始建设永久性前哨站所需的一切。
随后，其他环节也会逐步衔接起来。
Tesla Optimus 机器人最终可以在大型人类团队抵达之前卸载货物、组装结构、搬运设备，并执行危险的施工工作。
主要依靠人类建设基地存在严重局限。
人类仅仅为了在月球表面生存和工作，就需要生命支持系统、加压栖息地、宇航服、氧气、食物和防护。
但有了 Tesla Optimus，整个局面将彻底改变。
Tesla 在太阳能、电池、自动驾驶汽车和大规模制造方面的经验，可以支持月球所需的供电和运输系统。
SpaceX 提供运输能力
Tesla 提供能源、自动化能力和机器人
Starship 提供规模
突然之间，在月球上建设一个真正意义上的基地就容易得多了。
等这些基础设施准备就绪后，人类可以停留更长时间，最终甚至能够开展常规的私人月球任务和月球旅游。
一旦第一个永久性月球前哨站建立起来，它的效用将迅速产生复利效应……支持科学研究、资源开发、通信，以及更深入的太空任务。
月球可能成为人类在地球之外的第一个真正前哨站。
你可以用 Grok Imagine 制作属于自己的蒸汽朋克电影。
“steampunk”（蒸汽朋克）一词由美国科幻作家 K. W. Jeter 于 1987 年 4 月创造。
他在给《Locus》杂志的一封信中半开玩笑地提出了这个词，用来描述他与作家同行 Tim Powers 和 James Blaylock 一起创作的、以 19 世纪为背景的架空历史小说。
我跟大家说真心话，我最近身边已经没人聊科技股了，也没有半导体专家，光模块专家，存储专家了。那种死寂一般的沉默，震耳欲聋。我真的好害怕啊！不知道你们有没有这种感受？怎么办啊？
//@申典启:回复@春宝堂:她把我骗到一个很郊区的地方，我附近就是荒郊野岭，类似于园区的地方，天黑之前必须离开，有中山的网友请帮我报警，联系到国内的涉事人，我害怕被绑架了。//@春宝堂:主要安全啊
这个小红书的人，非法侵占我的财物。
我现在跑了一个多小时过来，然后不给钱不让走。
可以线上报警吗？
@广东公安 @平安中山
ChatGPT 桌面应用现已面向以下 Linux 发行版的桌面版本提供预览版：
• Ubuntu 24.04 LTS 和 26.04 LTS
• Debian 13
• Fedora 43 和 44
可为 x64 或 ARM64 安装 .deb 或 .rpm 软件包。
来自 @TileRT_AI 的 TILERT 警报 🚨：在相同的 NVIDIA Blackwell GPU 上，以相同的每 token 成本，将解码交互性提升 1.9 倍。这对 Groq、Cerebras 和 SambaNova 意味着什么？👇️ 1/5🧵
他们无法接受真相，这才是真正的问题。
真想知道 @elonmusk 会如何看待这个评价（你可以猜猜是谁做出的评价，以及在哪里发表的）：
“Jetten 首相必须禁止 Yesilgöz 以及其少数派内阁的所有其他大臣，在社交媒体上就本职职责范围之外的任何事务发表意见。此外，当然也绝不能再在 X 上发布任何声明，因为这个平台被虚假信息主导，而且掌握在世界首富手中，而此人还是一个彻头彻尾的法西斯分子。”
跟「给阿嫲的情书」那次票房趋势呈现标准的北伐路线正好相反，「欢迎来龙餐馆」的票房走向，是一条南进过程。
我们会先修复早期 beta 版本中的基本问题，并在本周晚些时候发布 Grok 4.6，之后扩大 Grok Bot beta 的开放范围。
Grok Bot 现已进入早期 beta 阶段。
Bot 是能替你完成实际工作的 AI 队友。它们会登录你的工具，像你一样使用这些工具，然后带着完成的工作回来。
关于 Grok Build，你最希望我们增加或修复什么功能？
🚨 GROK BUILD 新更新 🚨
v1.0.1 — 2026-08-10
更新：
• `/rewind` 现在只会截断对话历史，不再同时截断文件，并且默认会请求确认。
• 托管的 MCP 服务器现在只能通过网关目录使用。
功能：
• 子代理的生成数量现在受到限制；大量扇出任务会进入队列，不再耗尽文件描述符。
• 新增 `grok du` 命令，可显示 `~/.grok` 的磁盘使用情况，包括工作树和会话。
• 工具现在会报告自己是否只读取数据，从而支持更安全的受限代理和子代理。
• 沙箱工作区会话现在可以通过调用方配置限制所展示的内置技能。
• 从控制面板重命名会话时，会预先填入当前标题，方便编辑。
• `/usage`、`/session-info` 和 `/context` 现在会在带标签页的模态窗口中打开，不再向对话中添加文本。
• `grok trace` 导出内容现在会打包内存跟踪文件，便于调试。
• 会话重命名现在强制执行 100 个字符的限制，会幽灵式预填当前标题，并在不同机器之间保留手动设置的标题。
• 新增 `/rename --auto` 命令，可取消固定手动会话标题，使自动命名恢复运行。
• 通过参考素材生成视频现在支持预设声音、单图输入、1–15 秒时长以及 4:3 / 3:4 宽高比。
错误修复：
• 以 `/**` 结尾的沙箱配置条目现在会正确授予父目录权限，不再创建名为 `**` 的字面目录。
• alpha/enterprise 更新失败时，现在会建议匹配的 `GROK_CHANNEL` 重装命令。…
• 在 Apple Silicon 上，即使从 Rosetta shell 或 x86_64 更新器运行，grok 现在也会安装原生 arm64 构建版本。
• 与内置命令同名的技能现在会以限定名称与这些命令一起显示在斜杠菜单中。
• 从 Claude 配置导入的 Notebook 权限规则现在会被忽略并给出警告，不再被广泛应用。
• 回合结束时的目标评估不再因超时而失败。
• 当子进程卡在 D 状态或保持管道打开时，工具超时不再导致代理挂起。
• 即使提示词发生换行，Home 和 End 键现在也会移动到当前逻辑行的开头或结尾。
• 工作树会话现在会在状态栏中正确显示其分支。
• 切换目录或恢复会话时，工作树会话现在会正确保留其状态。
• 打开控制面板时，工作树状态不再丢失。
• 现在会使用与你对话相同的语言撰写回顾内容。
• 输入时，插件建议不再错误闪现。
• 在活跃目标期间，Send Now 现在可以正常工作，不会取消目标。
• 使用交付工具时，无头会话现在会正确等待 MCP 服务器。
• 非交互式会话（`grok -p`）现在不会再因代理请求用户输入或计划审批而失败。
• 缺少技能时，`read_file` 错误现在会建议正确的已注册路径，而不是给出笼统提示。
• 当 `.envrc` 求值被阻塞时，会话加载和创建不再会永久冻结。
• 升级安装不再默默运行过时的平台技能说明。
• 删除会话时，现在会正确停止并等待所有正在运行的子代理，然后再清除历史记录。
• 对于自动允许的工具，权限和计划审批通知钩子不再触发。
• 使用双击 Enter 或 Ctrl+Enter 发送的回合中途引导，现在会正确告知模型该消息是在工作进行期间到达的。
• 在 VS Code 或 Cursor 终端中，鼠标按钮在外部释放后，滚动缓冲区的拖动选择不再卡住。
• 视频生成工具现在会清楚说明 ZDR 存储要求导致的错误，不再无提示地消失。
• 在取消回合面板中按 Esc 现在会关闭面板，并按照快捷键栏的提示保持当前回合继续运行。
下载 Grok Build：http://x.ai/cli
更新到最新 Alpha 版本：`grok update --alpha`
更新到最新 Stable 版本：`grok update`
现已预览：适用于 Linux 的 ChatGPT 桌面应用。
在受支持的 Linux 系统上，你可以在日常工作和构建项目的地方使用 ChatGPT、ChatGPT Work 和 Codex，并继续使用你的项目与浏览器工作流。
笑死
“我们已经把代理放进沙箱了”
代理：
持续运行、长时间运行的代理迎来闪电般的性能！
Nemotron 3.5 Lightning 智能、快速、高效且开放。
推出 NVIDIA Nemotron 3.5 Lightning⚡
这是一个开放的 30B MoE 模型，拥有 3B 个激活参数，专为持续在线的代理打造，能够更快完成高容量、专业化任务。
它的输出速度最高可达同等规模模型的 4 倍。
英伟达组局，自己出资25%，跟华尔街一起凑了5000亿美金，给AI公司发贷买GPU。
翻译一下就是：要死一起死。
之前我分享过的，英伟达在玩一种很新的金融工具，借钱给云厂商建数据中心，如果算力卖不完，它自己按市场价回购，帮云厂商的生意兜底。
虽然英伟达现金流确实丰厚，但把杠杆全加自己身上，投资者也不太高兴，于是新版本就变成了，把投行拉进来一起出钱，一荣俱荣，一损俱损。
现在美国的整个产业资本都被绑进来了，靠左脚蹬右脚的梯云纵一路上天，准次贷的玩法层出不穷，全指望着下游企业买单，就赌这波技术升级能够再现上一轮IT化带来的50年繁荣。
本期节目拆解萨莉亚从一天只有6位客人、开业7个月遭遇火灾，到成长为年营收超过2500亿日元、拥有1600多家门市的过程。节目认为，萨莉亚的核心不只是低价，而是把菜单、流程、供应链和选址整合成一套可持续优化的系统。低价因此成为效率带来的结果；但扩张、通胀和管理标准，也让品牌必须重新回答是否涨价的问题。
创办人正垣泰彦在大学读物理、于餐厅打工时被鼓励开店，毕业前经营了第一家36个座位的西餐厅。位置隐蔽、客流稀少，餐厅又因打架引发火灾。母亲劝他原地重开，随后把价格砍到市场行情的三折，并用顾客是否愿意购买重新定义“美味”。
萨莉亚转向意大利面和披萨等大众品项，并用秒数级动作分析优化动线。工厂预处理食材，真空包装、冷链配送，降低门店对厨师个人手艺的依赖；超过八成食材跨品项共用，减少报废。门店选择学校、住宅和生活圈附近的稳定人流，覆盖学生、家庭与上班族。
节目最后讨论扩张代价：海外食品安全、中央厨房监管和服务标准更难一致；通胀也推高成本。平价神话能否继续，取决于品牌能否平衡效率、品质和消费者可接受的价格。
- 低价逆袭的意外起点 [00:00:00 - 00:01:00]
- 创办人的餐厅创业经历 [00:01:00 - 00:02:00]
- 火灾后的重开与三折豪赌 [00:02:00 - 00:03:00]
- 从危机中重生，重新定义美味 [00:03:00 - 00:04:00]
- 低价策略带来的商业试炼 [00:04:00 - 00:05:00]
- 通胀时代仍坚持平价定位 [00:05:00 - 00:06:00]
- 把餐厅经营拆成标准流程 [00:06:00 - 00:07:00]
- 中央厨房与供应链效率 [00:07:00 - 00:08:00]
- 菜单共用如何降低浪费 [00:08:00 - 00:09:00]
- 选址与不同消费场景 [00:09:00 - 00:10:00]
- 消费降级下的增长引擎 [00:10:00 - 00:11:00]
- 全球扩张带来的管理挑战 [00:11:00 - 00:12:00]
- 涨价考验与平价神话的未来 [00:12:00 - 00:13:00]
- 节目收束与观众互动 [00:13:00 - 00:13:10]
经济有意思：别人忙着涨价，萨莉亚却把一餐压在两三百元。更不可思议的是，它不但没有倒，还一路开到全球一千六百多家门市。但你知道吗？这家一年营收超过两千五百亿日元的餐饮集团，曾经一天只有六个客人。开业短短七个月，还被一场大火烧得精光。没有想到创办人重开后做的一件事，竟然不是涨价救公司，而是把价格直接砍到市场行情的三折。到底是什么讓一个看起来会倒閉的決定。最后變成莎莉亞最成功的一次豪賭呢。今天有一次帶你們要懂財经大小事。我是一家生意好的意大利餐厅。第一个你想到的餐厅老闆会是什么背景呢。是在意大利学过做菜。还是是一个愛吃懂吃。口袋麥可麥可的老闆。还是一位高中差点被退学。后来念理工科的大学生。他是萨莉亚创办人。 [00:01:01]
经济有意思：正垣泰彦。时间回到1967年。念东京理科大学物理系。在加拿大附近餐厅打工。做了一段时间。本来是要辞职。忙写毕业论文的。结果当时餐厅厨师觉得。他有经营天分。就告诉他。你为何不试试开餐厅。你肯定可以做好的。甚至旁边的同事还说。你要辞职。我们也辞职。结果他真的就在大四的时候。开了一间西餐厅。边念书边当老板。开启了第一家萨莉亚。当时的座位呢。只有36个。还没有毕业就创业。这心脏真的要很大颗才行吧。到底他为什么可以这么赶。结果你知道正垣泰彦说什么吗。他说刚开店的时候。他很贪心。想轻松赚很多钱。这是不是很多当老板的。都以为不当员工。当老板应该比较轻松啊。结果当然不轻松。现实骨感多了。生意惨兴兴。惨到有时候一天只有六个顾客。而且开的地点。一楼是卖菜卖水果的。 [00:02:00]
经济有意思：要从不起眼的楼梯口。爬一条狭窄的阶梯到二楼。才是他的餐厅。这样的地点创业。真不知道是哪来的自信。餐厅没有什么人。他就想。那我开到凌晨四点。顾客应该就多了吧。没有想到。这餐厅变成混混聚集的地方。开店才七个月。就发生了。混混在餐厅打架。推倒石油暖炉。餐厅整个被烧掉。如果是你。餐厅被烧掉。你是会换个地方东山再起。还是索性就不做了呢。正垣泰彦本来想放弃。妈妈却要他原地重开。儿子在哪里跌倒。就要在哪里站起来。不要乖地点。要想办法让客人上门。但重新开门后。地点没变。菜色没变。客人当然没有凭空出现。于是他拿价格做实验。结果他一路从五折降到三折。一大里面一份150到200日元。门口第一次大排长龙。排到一楼蔬果店。高丽菜堆那里去了。他也从这场货看懂了一件事。不是因为美味才卖得好。 [00:03:00]
经济有意思：卖得好才是美味的料理。从危机中重生的萨莉亚。也逼着他重新思考餐厅的本质。正垣泰彦他曾说过。业者不可以认为自己店里的料理非常美味。这是悲剧的开始。因为这样卖不好的时候。只会是顾客的问题。会归咎景气低迷。失去改善的机会。虽然正垣泰彦一开始是到处做功课。寻找餐厅的美味。甚至还跑到意大利餐厅实地观摩。但回到日本。他重新检视餐厅生态后。身为理工人的他。看到的不是怎么把食物做到极致美味。是低效率生产线的问题。他观察到当时日本处于经济起飞。一般的大众对洋食西餐厅是充满了向往。但传统的意大利餐厅价格高不可攀。如果可以把高贵的西餐。变成连学生小家庭都可以天天吃得起的大众料理。会不会是一条深路呢。于是大胆砍掉菜单上昂贵的排餐。 [00:04:01]
经济有意思：全面转向意大利面、披萨、国民美食。而且打破了市场行情的破盘超低价。这招直接在全日本开创了一条。平价家庭餐厅经营成功之路。但也开启了另一场更残酷的商业试炼。毕竟低价策略喊出来容易。但要靠什么才能真正活下来呢。之后面临了漫长精进停滞期。那时候日本跟全球的餐饮街头竞争激烈。餐饮业是一边抢客源。疯狂的打价格战。拼装潢砸大钱请明星代言。一边又要面临全球性的大通胀。物料飞涨。人事成本雪上加霜。许多的品牌撑不住。这成本是纷纷调涨售价。结果深陷莱克术雪崩的死亡螺旋。同业是一个接一个缩减门市。甚至推出了市场。但萨莉亚选择了逆风。除了日本泡沫经济有一次小幅度的价格上调。在这之后30多年。日本萨莉亚面对通胀。多年来坚持不涨价的底线。直到近两年。 [00:05:00]
经济有意思：面对严峻的历史级通胀浪潮。日本本土依然死守平价招牌。而海外门市是象征性的将部分的品项微调。换算大约是台币数元到十几元。这种薄利多销的极致性价比定价策略。反而让它在消费者心中建立了无可取代的信任感。硬生生接收了大量缩减支出。转向平价选择的客群。成为这场餐饮大战中。屹立不摇的超级幸存者。萨莉亚如何可以把价格压到最低。却还是赚钱呢。他厉害的地方。不只是他卖的意大利餐点。而是他把工厂管理的方法搬进了餐厅。如果这出餐太慢。一般老板可能会说。大家动作快一点。但正院太远不是。他会开始算。员工到底走了几步。一道料理花了几秒。哪一个动作可以不用做。光想还不够。要科学开店。他甚至把门市接待。厨房出餐。都用摄影机拍下来了。 [00:06:00]
经济有意思：再把这个每个动作。拆解成秒数分析。看看这哪里有多余的走动。重新调整设备跟动线。而且不止这样。连擦桌子都有SOP。大家有想过。擦桌子来回擦几遍。擦几秒。是达到省时又干净的吗。答案是。一张桌子来回擦四遍。三秒钟完成。是最有效率的方式。超过三秒。反而擦不干净。擦的速度太慢。是浪费时间。所以我们看到的。可能只是一张吃饭的桌子。但正垣泰彦看到的是三秒钟。对他来说。注重细节。把工作设计更流畅简单。管理的不只是餐厅。还有时间。接下来我们就来看看。他最厉害的三个。反常的商业护城河。第一个是备料搬进工厂。很多人以为萨莉亚有师傅现场备料。其实不是哦。萨莉亚不依赖传统层层转手的中盘商。他们在日本海外建立了自己的蔬菜生产基地。跟食品加工厂。从源头掌控生产。 [00:07:01]
经济有意思：而且将食材在工厂内完成清洗切块。甚至是初步的烹调制成了半成品。用真空包装冷链运送到各个饭店。这让他们在面对全球原物料暴涨的时候。有极强的抗风险能力。第二个是厨师手艺。变成任何人都可以执行。一般的餐饮业最怕大厨跳槽了。怕这个技术被带走。怕人事成本居高不下。但萨莉亚的分店内部。不需要专业主厨。厨房里只有标准化的加热设备。自动洗碗机跟微电脑调理机。员工只需要透过SOP。简单加热组装摆盘。培训期从几个月缩短到几天。这把餐饮业最头痛的劳动力短缺。和高流动率成本降到最低。也能稳定做出接近一致的餐点品质。缩短出餐的时间。第三个是少数食材的多重角色。萨莉亚的菜单看似品项丰富。但经由理工人重新排列组合。 [00:08:01]
经济有意思：高达80%以上的食材。是跨品项高度共用的呢。怎么说呢。例如同种白酱、肉酱和奶酪。可以同时用在披萨、意大利面、焗烤等多道料理中。这大幅降低了食材的报废率。也将毛利率和资产周转率推向了极致。这套模式搬到了台湾也照样运作。而萨莉亚是2008年来台的。全台有20多家。主要集中在双北跟桃园。但日本可以卖便宜。为何在台湾也能压低价格呢。因为他把同一套低成本营运模式也搬来台湾。食材透过中央厨房供应链完成处理。也被外界形容是五刀厨房。不用依赖专业厨师。员工就是依照标准流程。还有一点。门市的位置。你仔细回想一下。是不是很少看到萨莉亚出现在什么台北信义区。租金高的三角窗或是黄金店面呢。他比较常躲在车站的商场。捷运站附近的二楼或是地下室。 [00:09:02]
经济有意思：甚至是校园住宅生活圈附近。不抢最贵的位置。挑有稳定的人流。租金是相对可控的地点。如此一来。萨莉亚可以同时扮演很多角色。对学生是平价的聚餐神殿。对家庭是不用花太多钱的温馨小聚。对上班族是快速解决一餐的食堂。点上一壶酒。水稻料理。也可以是大人的小车信。或是下班后的小酒馆。从前面听起来。比较像是老板的励志故事。但看到这里。你会发现它各项是经营管理的故事。很多餐厅是主厨决定一道菜。萨莉亚更像是工程师决定一道菜。看到这里你可能会想。这种极致效率的餐厅。会不会已经到顶了呢。结果没有。虽然日本本土面临少子化高龄化。但萨莉亚在亚洲市场。尤其是中国大陆和部分的东南亚地区。精准定位评价家庭聚餐。分店数跟营收占比持续的扩大。 [00:10:02]
经济有意思：成为推动集团总营收一举冲破2500亿日元的关键引擎。在通胀时代反而让萨莉亚位置更加明显。因为大家不是完全不外食。还是会开始算。这一餐到底值不值得。高级餐厅太贵。素食又不一定适合聚餐。萨莉亚刚好卡在中间。有座位有冷气。200元有找的起司焗烤饭。意大利面和披萨。他微学到的不只是意大利餐厅的市场。而是今天愿意花多少钱的外食预算。可能是便当素食或是火锅等。只要是平价外食都有可能。萨莉亚接收了大量的消费降级庞大客群。无用最亲民的价格替代高价消费。毕竟家本红得的啊。谁都要填饱肚子。稳稳接住了大众对吃的刚性需求。然而走过半个世纪。萨莉亚在持续扩张的道路上。同样面临着不容忽视的隐忧和挑战。 [00:11:00]
经济有意思：首当其冲的就是门市急速扩张。管理就越来越困难了。当分店的数量跨越了国界。来到数百甚至上千家。怎么样确保每一家海外分店的食品安全。和中央厨房监管跟标准化服务完全一致。只要在任何一个环节出问题。都可能伤害多年累积的信任。除了供应链和评管的压力。全球菜银业共同面临的劳动力短缺。数位转型浪潮也是一大考验。虽然萨莉亚已经将后场自动化做到极致。但在前厂服务。整体营运的智慧化升息上。还有欠缺。第三个考验是。海外扩张不一定等于获利成长。2025年8月财报。萨莉亚亚洲事业营收继续增加。但盈利反而下滑了。上野价格。这败也可能是价格。市场不断给萨莉亚新的考题。就在录影前。市场也出现了值得关注的消息。萨莉亚可能要涨价了。在最新的财报公布后。 [00:12:00]
经济有意思：多位的分析师引述。现任的社长松谷秀智说法指出。萨莉亚考虑从9月调整价格。目前公司还没有正式的公布完整方案。但如果确定了。这也代表这家多年来。努力守住平价定位的餐饮品牌。要开始面对到。他们自己最难的选择题。到底是要继续守住低价。还是为了获利不得不涨价。如果消息成真。也代表萨莉亚50年的低价神话。迎来真正的大考。消费者或许会放弃奢华的高级料理。但永远不会放弃对日常聚餐。和基本生活品质的追求。从一天只有6个客人。到一年营收超过2500亿日元。没有人知道萨莉亚会不会一直便宜下去。但确定的是它改变的。不只是意大利面的价格。是重新定一间餐厅。可以把效率做到什么程度。你是从小跟着家人去吃萨莉亚长大的吗。还是你也是最近在社群。被推坑去挖宝的年轻一代呢。你觉得萨莉亚现在的餐点到底好不好吃。 [00:13:00]
经济有意思：性价比高不高呢。欢迎在底下留言告诉我们。喜欢我们的商业深度剖析。欢迎按赞订阅分享。今集有一起公布下次见。
Ben Gilbert 与 David Rosenthal 回顾迪士尼从 1984 年濒临拆分，到动画复兴、主题公园与消费品飞轮重新运转，再到收购 ABC、ESPN、皮克斯、漫威和卢卡斯影业的完整历程。节目强调，迪士尼的核心能力不是单一发行渠道，而是把故事和角色在电影、家庭录像、零售、乐园、百老汇及流媒体之间反复转化为长期价值。
两位主持人也讨论了扩张的代价。ESPN 曾在有线电视时代提供稳定现金流，但有线订阅、电影院和实体影音业务都在衰退；Disney+、Hulu 与 ESPN 的流媒体转型需要持续生产内容，却与迪士尼依靠稀缺和高质量内容建立品牌的传统逻辑发生张力。收购福克斯进一步扩大内容规模，也带来高昂成本和整合压力。
节目的结论是，迪士尼仍拥有难以复制的故事、角色、品牌和线下体验，但未来取决于能否在流媒体竞争、体育版权、乐园利润和内容成本之间重新建立飞轮。
- 节目开场与迪士尼帝国的规模 [00:00:00 - 00:10:00]
- 1984 年的危机与濒临拆分 [00:10:00 - 00:20:00]
- 1984 年的危机与濒临拆分 [00:20:00 - 00:30:00]
- 艾斯纳、威尔斯与迪士尼复兴 [00:30:00 - 00:40:00]
- 1984 年的危机与濒临拆分 [00:40:00 - 00:50:00]
- 1984 年的危机与濒临拆分 [00:50:00 - 01:00:00]
- 1984 年的危机与濒临拆分 [01:00:00 - 01:10:00]
- 1984 年的危机与濒临拆分 [01:10:00 - 01:20:00]
- 艾斯纳、威尔斯与迪士尼复兴 [01:20:00 - 01:30:00]
- 加州艺术学院与动画人才 [01:30:00 - 01:40:00]
- 加州艺术学院与动画人才 [01:40:00 - 01:50:00]
- 加州艺术学院与动画人才 [01:50:00 - 02:00:00]
- 艾斯纳、威尔斯与迪士尼复兴 [02:00:00 - 02:10:00]
- 加州艺术学院与动画人才 [02:10:00 - 02:20:00]
- 加州艺术学院与动画人才 [02:20:00 - 02:30:00]
- 主题公园与迪士尼飞轮 [02:30:00 - 02:40:00]
- ABC 与 ESPN 的意外价值 [02:40:00 - 02:50:00]
- 加州艺术学院与动画人才 [02:50:00 - 03:00:00]
- 主题公园与迪士尼飞轮 [03:00:00 - 03:10:00]
- 1984 年的危机与濒临拆分 [03:10:00 - 03:20:00]
- 艾斯纳、威尔斯与迪士尼复兴 [03:20:00 - 03:30:00]
- 主题公园与迪士尼飞轮 [03:30:00 - 03:40:00]
- 主题公园与迪士尼飞轮 [03:40:00 - 03:50:00]
- 家庭录像与零售变现 [03:50:00 - 03:56:49]
Ben Gilbert：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播客Acquired的一期深度长谈，主持人是BenGilbert和DavidRosenthal这档节目以剖析伟大公司背后的商业故事和战略打法而闻名。这一期他们完整梳理了迪士尼从1984年兵临拆分到文艺复兴，收购皮克斯漫威与卢卡斯影业，再到流媒体转型的百年沉浮，两位主持人将带你穿越迪士尼的辉煌与危机，探讨这家娱乐帝国如何一次次自我革新，那我们就一起走进这期完整的对话，好David真正的问题是，这期节目发布之后，它会变成一个长期存在的IP成为整个IP系列的一部分，我们会不会把它改编成音乐剧，哦当然绝对会还要戴面具在过道里跳舞，而且我在想我们干脆再做一版Acquiredd冰上秀，哦对既然要做那就来吧，又一个改编版本，我们能做Acquiredd太空版吗，哦我们认识几个能让这事成真的人。对帮忙促成这事好，好那我们开始吧欢迎收听Acquiredd2026年秋季季，这是一档讲述伟大公司，以及他们背后的故事和打法的播客，我是BenGilbert我是DavidRosenthal我们是你们的主持人，迪士尼远比你想象的要庞大的多，它有米奇和米妮，有爱丽儿、辛巴、艾莎、胡迪、巴斯光年，尼莫还有所有皮克斯的角色，当然还有复仇者联盟、卢克，天行者达斯、维达、小熊维尼，以及迪士尼乐园，迪士尼世界，迪士尼邮轮，迪士尼酒店，但现在它还包括，辛普森一家，阿凡达，国家地理，外加整个20世纪福克斯影业，佛罗里达州境内，一个私人拥有的政府，巴哈马的一座私人岛屿，十部百老汇音乐剧。特效公司，工业光魔和天行者音效，美国四大广播网之一的ABC当然，还有ESPN我还在想你什么时候会说到这位全球体育界的领头羊呢，出人意料的是，整个公司利润的很大一部分都来自他，绝对，他就是SEC电视台，而且大卫有一段时间他们玩得更野，还拥有NHL球队神鸭队，哦对，还有安娜海姆天使队，外野天使，宝贝，还有1936年的英国远洋邮轮玛丽皇后号，没错，没错，尽管迪士尼是美国最有名最稳的品牌之一，但这家公司正经历一场巨大的动荡，他们正处在向流媒体转型的当口，押注Disney加Hulu和ESPN为支撑这次转型投入了巨额技术和营销开支，结果五年里亏掉了几十亿美元，而与此同时。他们那些过去利润丰厚的业务正在萎缩，消费者不像以前那样去电影院了，他们也不买VHSDVD或蓝光碟了，当然，消费者还在减掉，取消有线电视订阅，所以ESPN这类有线频道带来的丰厚利润，每年都在缩水，而迪士尼尽管已经100多岁，正处在有史以来最有趣的商业战略问题的正中心，我们能战胜创新者困境吗，随着技术和潮流变化，我们这门生意里到底什么才是持久的，我们的未来能像过去一样光明吗，听众朋友们今天我们要讲的故事是，迪士尼如何从沃尔特那个干净利落的构想，一家动画工作室，一家动画工作室，后来变成主题公园运营商，变成今天这个全球铺开多元化的庞然大物，迪士尼一路收购，一路扩张，走到今天，我们还要回答那个问题，他们的未来会是什么样，对。好Acquired总部有个大消息，这期节目有一份配套PDF里面有我们讨论的关键概念的图表，数据和插图，你可以点开节目简介里的链接，或者访问library.aquire.fm获取并跟着看，你也可以在acquired.fm-email加入邮件列表，我们会往那里发研究过程的幕后照片，往期节目的刊物，你还能在那里投票选未来节目的主题，另外我们每次都会透露一点，下期节目讲什么的线索，网址是acquired.fm-email如果你9月17日在湾区，欢迎来参加我们和Century的朋友，一起办的2026年acquired官方线下聚会，详情在acquired.fm-meetup那么听众朋友们，这期节目不是投资建议，大卫和我可能持有，我们讨论到的公司的投资，这档节目仅供信息和娱乐之用，好那我们开始。1984年，我出生的那一年，这一切都在发生，我当时毫不知情，迪士尼一片混乱。 [00:05:23]
David Rosenthal：沃尔特去世后的大约18年里，迪士尼的星光，暗淡到看起来，没有任何愿望能拯救它，迪士尼动画，曾经是美国实干精神的闪亮之柱，也是迪士尼那个漂亮的，飞轮商业模式的核心，已经烂成了自己过去的空壳，这是我能想到的最客气的说法EPCA刚刚在佛罗里达开园，但它不是沃尔特迪士尼，那个未来之城的乌托邦梦想，而是一个严重超支，又乏善可陈的世界博览会纺织品，公司为此背上了数亿美元的债务，迪士尼家族内部矛盾重重，罗伊迪士尼的儿子罗伊，迪士尼已经从公司辞职，正在密谋对沃尔特曾经钟爱的女婿罗恩，米勒发起一场董事会攻势，米勒当时是公司的CEO股价跌到谷底，好几拨企业掠夺者在周围打转，桌面上摆着拆分迪士尼的方案，把电影库卖掉。白雪公主，灰姑娘，睡美人，全卖给米高梅，把主题公园卖给酒店运营商，在1980年代最大化股东价值，而在这片混乱中，管理层为了赶走这些企业掠夺者，跟德克萨斯州沃斯堡的四位石油，天然气和房地产兄弟巴斯家族，以及他们那位著名的，投资经理理查德·雷恩沃特。 [00:06:23]
Ben Gilbert：签下了一系列友好协议，结果巴斯家族拥有了，华特迪士尼公司大约25%的股份，成了迪士尼最大的股东，对这多疯狂，这个开场说明公司当时，遭到了什么程度1983年他们的股价，从82美元跌到52美元，公司拆开卖零件，比继续经营还值钱，所以他们对抗这些企业掠夺者的，唯一办法，就是找一个自己的企业掠夺者，没错，大幅稀释股东，造出一大堆新股，给这些新来的人，这些德克萨斯人，巴斯家族，这样他们就能持有25%的股份，基本上就成了拥有实际控制权的股东，比迪士尼家族，剩下的任何一只都要多，没错，而这绝对是抵御这些企业，掠夺者的最佳方案，黑暗时期，大卫，创意核心引擎。已经糟糕到几乎每亿美元利润，都来自乐园和授权消费品业务，电影和电视，也就是你熟知的那个迪士尼，内容业务，基本只能打平1984年，迪士尼从乐园和消费品业务，赚了12.5亿美元利润，而电影和电视，只赚了区区200万美元，那个著名的迪士尼飞轮的核心，已经完全赚不动了。 [00:07:40]
David Rosenthal：但是，但是，还有一丝希望的火花，一群年轻的创新者，他们将在电影行业，掀起一场彻底的革命，来拯救这家公司，我说的不是，迈克尔艾斯纳弗兰克威尔斯，和杰弗里卡森伯格，哦我还以为你要说的是他们，你会以为我们要讲他们，其实，我要说的这群人，是迪士尼动画核心的新希望，也就是飞轮的中心，好了，本，如果我告诉你，就在我刚才说的这一切发生的同一时期，迪士尼动画正在挣扎求存，而下面这些人，全都在离迪士尼博班克片场，往北半小时车程的一间地下室里，学习迪士尼动画的记忆，那个地方是华特迪士尼本人，亲自创办设立，并在遗嘱里留下资金支持的另一个机构。加州艺术学院，约翰，拉塞特，布拉德，伯德蒂姆，伯顿、约翰、马斯克，他后来做了小美人鱼阿拉丁，很多年后又做了海洋奇缘，再往后还有他们之后的安德鲁斯坦顿，当然他是海底总动员，机器人总动员、玩具总动员，武的编剧和导演布伦达·查普曼，狮子王的故事总监，当然还有彼特·道格特，他今天是皮克斯的首席创意官。 [00:08:59]
Ben Gilbert：这些人全都在一间地下教室里AE13教室，加州艺术学院角色动画项目的所在地，这个学院基本上就是为迪士尼输送人才的管道，对吧，对完全正确。 [00:09:30]
David Rosenthal：这就是华特创办加州艺术学院的目的，他希望这个机构能在自己离世很久之后，持续不断地为迪士尼输送新的动画人才，华特把自己将近一半的遗产都留给了这个机构，事实也确实是如此，我是说我提到的这些人，约翰，拉塞特，布拉德，伯德，蒂姆，伯顿，约翰，马斯克，布伦达，查普曼，他们全都是毕业之后，直接被迪士尼和迪士尼动画录用的，然后迪士尼又把他们都开除了，但他们最后都回来了，对他们最后都回来了，所以有个特别妙的故事70年代末，约翰拉塞特还在那上学，有一天他带着一帮人开车去迪士尼乐园玩一天，约翰当时的女朋友也跟着去了，他对他们说，想想吧，总有一天这个乐园里会到处都是你们这些人创造的角色。
Ben Gilbert：他完全不知道自己说的有多对又有多不对，对，只是要等上几十年，对好，那这家公司是怎么翻身的，因为我看了财务数据1982年利润下降了19%你会想，哦，可能只是小波动会回来的，然后1983年利润又降了7%对，所以在那之后1984年罗伊，依迪士尼决定收购了，他和巴斯兄弟。 [00:10:37]
David Rosenthal：新入股的25%股东，联手罗伊，和他的生意伙伴斯坦利，戈尔德，戈尔德也是迪士尼董事会成员，他们一起发力，终于把CEO罗恩米勒赶下台，罗恩又是罗伊的姻亲表亲，娶了沃尔特的女儿，他们是通过1984年9月7日，一场戏剧性的董事会政变做到的，然后，在短短14天里，因为迪士尼群龙无首，处于双重危机中，他们出去物色招募，说服并聘用了媒体公司，历史上可以说是最伟大的，两人管理团队，迈克尔艾斯纳和弗兰克威尔斯，然后迈克尔很快把自己在，派拉蒙的二把手杰弗里卡森伯格拉，来管电影制片厂，那这些人是谁，首先董事会先去找，弗兰克威尔斯，弗兰克曾是华纳兄弟的总裁，后来退休了，但更早之前在他职业生涯初期。他是斯坦利·戈尔德·罗伊·伊迪士尼的生意伙伴，现在也是迪士尼董事会成员，在他们老律所时的导师，所以弗兰克是他们第一个打电话的人，他们非常信任他，他资历完全够格，他刚退休，所以有空，弗兰克说，我有兴趣，但我一个人干不了，你们还得打给另一个人，你们得打给迈克尔·艾斯纳，所以迈克尔直到不久前，这个时机简直疯狂，还是好莱坞，最炙手可热的电影公司高管，他曾在巴里迪勒手下，做派拉蒙的二号人物，打造了好莱坞历史上，最传奇的一段时期之一，他们俩，巴里迪勒和迈克尔，在七年之内，做出了《夺宝奇兵》《星际迷航》《周末夜狂热》《游之》《浑身是劲闪电舞》名单还能一直列下去，那时候派拉蒙是第一。对他们用的方法，就是那个著名的策略，他们管它叫，单打和双打策略，思路是压低制作成本，他们一般不跟一线明星和导演合作，相反，他们专注于剧本和故事的质量，让这个成为他们的判断标准，而不是好莱坞那套，看谁参与项目，比如，我们有没有大牌明星。 [00:12:51]
Ben Gilbert：而单打和双打，这个名字很吸引股东，但它并不怎么吸引人才，所以，他们从另一个方向来构建，那就是高概念，没错，描述一个独特的创意。 [00:13:12]
David Rosenthal：其原创性可以用简短的话传达出来，对，所以迈克尔在好莱坞历史上，写了一份著名的备忘录，被泄露，并在好莱坞其他地方传开，描述了这一策略，剧透警告。
Ben Gilbert：好莱坞其实从来没有真正泄露过备忘录，他们都是故意泄露的，是的，他们就是写来给人看的，对，这就是这个圈子的运作方式，所以迈克尔写道。
David Rosenthal：我们没有义务去创造艺术，我们没有义务去创造历史，我们没有义务去表达某种立场，但要赚钱，创造历史，创造艺术，或者表达某种重要的立场，往往很重要，即便是最伟大的编剧演员或导演，也无法拯救一部，缺乏强有力核心概念的电影，你看Ban这就是高概念，说得对。
Ben Gilbert：后来还有另一份备忘录被泄露，是杰弗里·卡森伯格写的，你知道，说到这些副手，巴里迪勒的副手，是迈克尔·艾斯纳，迈克尔·艾斯纳的副手，是杰弗里·卡森伯格，杰弗里后来写了一份备忘录，里面有一句非常精彩的话，明星能吸引观众走进影院，但明星撑不起一部电影，所以是的，你可以花钱请大牌来加盟，但最终，观众体验到的，还是故事本身的质量，你需要靠故事，角色，和情感，来撑起后面的部分，对，对，不过话说回来，这些人来经营迪士尼，其实挺疯狂的，迪士尼不是一家好莱坞公司，对吧，一个是华纳兄弟的退休高管，一个是派拉蒙的当红高管，迈克尔来自派拉蒙。迈克尔来自派拉蒙，他没看过迪士尼电影，他不是看着迪士尼电影长大的，他从来没看过白雪公主，或睡美人，他其实算不上迪士尼人，尽管后来他一上任，就总是系着米老鼠领带，当然，当然，不过，我确实不知道怎么经营主题公园。 [00:15:01]
David Rosenthal：飞轮，什么都不懂，但仔细想想，迈克尔的理念，其实和迪士尼的理念相当契合，一切都关乎故事，一切都关乎概念，是的，沃尔特有他自己非常不同的做法，他是大手笔投入，在技术和动画上砸重金，而迈克尔则是便宜的制作东西，单打和双打，但他们俩都是故事优先，他们都执着于一件事。
Ben Gilbert：我们能不能创造出，能带你经历情感旅程的角色，讲出引人入胜的故事，然后不可思议的事情发生了，迈克尔在他事业巅峰时，被赶出了派拉蒙，算是吧，巴黎走了，就像我们在无线电城音乐厅舞台上，跟巴黎聊到的那样，去跟鲁珀特莫多克联手，创办福克斯，对福克斯，那个电视网，因为福克斯电影制片厂早就存在了，所以巴黎走了，迈克尔本该接下巴黎，在派拉蒙当电影制片厂主席的职位，但他没拿到，很大程度上是因为内部政治，还有谁赚多少钱那类游戏，而迈克尔基本上，他的合同里写着，如果巴黎走了，他没拿到那个职位，公司欠他一张支票，所以迈克尔决定，你知道吗，反正没有巴黎，我也不太想待在这了，我开始四处看看别的机会。
David Rosenthal：他一直在进行这种幕后的对话，我拿上支票走人，对，所以突然间，迈克尔变得可用了，正好赶上迪士尼那边，闹得不可开交，他和罗伊。 [00:16:37]
Ben Gilbert：迪士尼一起在加州艺术学院董事会，所以他们聊了一阵子了，但现在一切都凑齐了，所以弗兰克被给了最高职位，迈克尔被给了二把手，然后又有第二轮，他们被提议做联席CEO迈克尔基本上跟弗兰克说，嘿听着，如果我要干这事，我是CEO或者我是董事长，我觉得他原话就是这个，你是二把手，因为我们需要向世界发出一个信号，迪士尼是由一位创意高管掌管的，他在派拉蒙就是这样的角色，而弗兰克一直更像是，管数字法律和运营的，运营，他有法律背景，对，所以如果这事要成，我必须当头，而弗兰克，这件事能告诉你，弗兰克是个什么样的人，也能看出公司，接下来十年会怎么运转，弗兰克说，好，我觉得有道理，我完全乐意，我当你二把手。只要我们都直接向董事会汇报就行，我当总裁，你当董事长，但我们各自跟董事会保持关系，迈克尔说，我没问题，对，所以1984年9月21日，迈克尔、艾斯纳和弗兰克·威尔斯，被介绍为华特迪士尼公司的，新任CEO和总裁，我们能不能先聊聊，这家公司当时惨到什么地步，以至于他们必须在几周之内，找到两个跟公司毫无关系，从没在那工作过的人，把他们请进来，还让其中一个当董事会主席，另外也得说一句，如果制片厂做得好，报酬包是巨大的，有大规模利润分成，还有大笔股票期权，就好像在说，我们需要彻底重启，所以我们从别的制片厂，请来这些好莱坞的人，来搞定这件事，对。 [00:17:45]
David Rosenthal：他们动作很快，还把派拉蒙的杰弗里，卡森伯格也请了过来，在迈克尔手下管理制片厂，计划就是让迪士尼，变成派拉蒙，实际上，他们议程上的，头几件事之一，就是把动画部门，从博班克片场搬出去，基本上是把迪士尼动画，流放到格伦代尔，他们的意思是，嘿，我们得给那些。 [00:18:36]
Ben Gilbert：要请来拍真人电影的，电影制片人腾地方，如果你是个动画师，从是什么，让这个地方，特别的角度来看，而发生的头一件事，就算你对变革是乐观的，是他们把动画师，赶出了沃尔特办公室所在的那栋楼，那可是有历史意义的动画大楼，他们把人清空说，去格伦代尔去的还是那种摇摇欲坠，破破烂烂的大楼。 [00:19:01]
David Rosenthal：对迪士尼飞轮的核心来说，这可不是好兆头，然后艾斯纳和威尔斯，把注意力转向了乐园，而这里开始有一些灵光闪现，他们做的头几件事之一，我觉得这件事真的为艾斯纳，威尔斯和卡森伯格，后来的所有成功打下了基础，就是提高迪士尼乐园，和迪士尼世界的门票价格，迪士尼乐园的门票价格，自沃尔特去世以来，基本就没动过，公司上下的氛围和管理层的理念是，沃尔特希望人人都能来，他定了这些价格，所以我们不该改，完全不管1970年代通货膨胀有多严重，所以艾斯娜和威尔斯接手公司的时候，迪士尼世界和迪士尼乐园的停车费，还只要一美元，于是他们开始提高乐园的门票和停车价格，涨得不算猛，但确实在涨，他们当时的空间太大了，你今天可以随便批评他们涨价。
Ben Gilbert：但他们当时有，我不知道，负5到10倍的空间，你涨价根本不会影响需求，一点都不会，完全没错，你把停车费从1美元涨到5美元，没人会在意。 [00:20:19]
David Rosenthal：但在乐园这种运营型业务里这么做，所有新增利润都直接落到利润表上，这对华特迪士尼公司来说，就是纯粹的增量现金流，因为他们运营上一点没改，只是多赚了钱，于是艾斯纳和威尔斯回头，把乐园赚的这些快钱全部投进去，用来建设真人电影制片厂，执行派拉蒙那套打法，差不多吧，但那还是没产生足够的现金，来支撑完整的片单。
Ben Gilbert：所以他们接下来八年要拍的75部电影，每一部都是由一个叫SilverScreens的合作伙伴出资的，哦有意思，所以迈克尔那套单打和双打，策略在派拉蒙管用。
David Rosenthal：在迪士尼更管用，他们拍了贝弗利山奇遇记，三个奶爸一个娃，早安越南，死亡失社，风月俏佳人，这些都是大卖片，用的都是单打双打级别的预算。 [00:21:12]
Ben Gilbert：而且他们请的演员，后来都成了大明星，你刚提到的就是罗宾，威廉姆斯和贝特，密德勒，还有朱利亚，罗伯茨，他们基本上就是在想办法，在人才身上拿到好价钱，对，所以很多时候，找的都是那些，经过戒毒所想付出的演员，或者就是这些新人，但在很多方面，这就像年轻时的，沃伦巴菲特那套策略，专找那些烟地股。
David Rosenthal：直到稳赚不赔的，但这招管用，老兄，他们投33部电影里，总共27部是赚钱的，在好莱坞能有这种命中率，就好比做了33笔风险投资，只有6笔亏钱，没错。
Ben Gilbert：电影跟书，跟创业公司一样，收益分布通常很分散，但当然一路走来，我们都知道，他们很快就意识到，动画这块也有潜力，这可是罗伊伊迪士尼的特别之处，罗伊把自己看成沃尔特愿景的守护者，看成那个让公司与众不同的东西的守护者，而让公司与众不同的，就是那个荒唐的菲伦，找不到更好的词了，他们用动画讲普世共鸣的故事，塑造出惊艳又迷人的角色，画风华丽到别的制片厂都做不出来，然后你就能把这些，灌进消费品和乐园里，孩子们再传给他们的孩子，就是这么个漂亮又特别的商业模式，你从迪士尼宝库里把经典拿出来，在影院重新上映，靠这个赚现金流，而罗伊坐在这儿，看着眼下这套低成本高质量。真人电影的路子，心里想，嘿，咱们得干迪士尼该干的事，对，所以作为交易的一部分，他们把艾斯娜和威尔斯请进来的时候。 [00:23:01]
David Rosenthal：罗伊让他们承诺不会彻底砍掉动画，然后他又让他们认明自己，罗伊当动画部门的主席归卡森伯格管，而卡森伯格管着所有制片厂，好。
Ben Gilbert：那我们把时间拨回迈克尔和弗兰克接手的那一天，在那之前的13年里发生了什么，迪士尼动画从1971年到1984年，只上映了三部电影，还有一部叫黑神锅传奇的片子，开发了将近十年都没出来，对太惨了，而且士气很低落，当时在港的动画师甚至觉得，他们做出来的东西，比不上这家公司以前做过的任何一部，而这时候。
David Rosenthal：那些从加州艺术学院来的年轻人才，迪士尼，要么在裁掉他们，要么他们自己也在走，因为他们就觉得，嘿这地方没救了，对好，我们刚才提到了杰弗里·卡森伯格。
Ben Gilbert：为了准备这期节目，我跟杰弗里吃了顿早餐，他给我讲了个故事，迈克尔上任第一天，把杰弗里叫进办公室，那时候动画部门还没搬到格伦代尔，所以他还指着原来的动画大楼，他指向那个上墨上色的门，迈克尔对杰弗里说，你知道他们在下面干什么吗，杰弗里说不知道，因为你知道杰弗里的背景，是跟迈克尔在派拉蒙做真人电影的，然后迈克尔说我也不知道，他说那地方就是做动画电影的地方，而那是你的问题，所以杰弗里跟迈克尔一样，对动画一窍不通，等他进去，说好现在我是老板了，的时候，那些动画师就开始盯着，这个从好莱坞来的入侵者，我是说迪士尼一直游离在好莱坞体系之外，自己干自己的，现在基本上等于一帮西装革履的人。闯进了一个像一群怪人组成的文化里，我是说那真是动画界最欢乐最疯狂的地方，一开始冲突相当激烈，对，但到了某个时候，我不确定，是卡森伯格，还是艾斯纳和威尔斯，意识到，嘿，这里其实有机会，是他们两个都意识到了，而且还需要第三个人，那个人就是彼得·施耐德，对，他接下这份工作时说过一句话，我知道我做得再差，也不会比黑神锅传奇更糟，你不可能从一楼摔下来，说得好，于是彼得和杰弗里进来，开始动手改革，彼得有这份权利，可以审视一切，他不怕打破任何流程，他开始发问，我们为什么用这种颜料，为什么要自己造颜料，为什么用这种动画定位尺，有没有更好的，为什么不用电脑，看起来那真的能帮到我们，这在848586年。传递出一个文化信号，事情真的在变，从最高层开始，我们在努力变得更好，我们想做出伟大的东西，想拍出伟大的电影，我们想互相争论一个点子，到底好不好，想不断迭代，一切都是为了拍出好电影，而这正是他们需要的，新鲜血液，彻底的洗牌，那里有不错的人才，但他们只是在混日子，完全没人领导，而且存在一种割裂，老一派固守老路，带着新点子进来的年轻人，却没人听，他们从没参与过，任何成功的事，所以根本不知道，成功长什么样，是什么感觉，对，他们就这样在动画部门，慢慢扭转局面，一开始是1986年的，喵喵探，平平无奇1988年做了奥利华历险记，关注度稍微高一点，开始有人说，看迪士尼动画能做出既好又卖座的东西了，但真正的大点子。那个疯狂却奏效的想法，是把迪士尼动画电影的公式打磨出来，把它们做成音乐剧，对，这些会是百老汇音乐剧，但是动画版的，对，我们要把这些东西从带音乐的动画片，变成动画形式的音乐剧，这带来的差别是翻天覆地的，从故事结构到音乐类型都是，我是说白雪公主里有些曲子确实很抓耳，比如吹着口哨干活，还好蹦蹦，爷爷，但他们不是音乐剧，对，他们也不遵循那种音乐剧舞台表演的故事结构，所以杰弗里·卡森伯格，找来了一个叫霍华德·阿什曼的人，对，有意思的是，是戴维·格芬介绍的，我正想说，对，是戴维·格芬签的线，对吧，对，霍华德一听到迪士尼这个词，立刻就说，我想做动画。我觉得动画和音乐剧之间，有某种联系，我觉得这个想法，在当时对其他人来说，并不显而易见，这是霍华德独有的洞察，于是霍华德带来了艾伦，门肯，作曲家艾伦，门肯，他们俩之前一起做过恐怖小店，他们一上来就火力全开，他们进入迪士尼动画，合作的第一部电影，就是小美人鱼，对，这俩人真是天才，我们真的开始深入探讨一个问题，迪士尼文艺复兴。 [00:27:40]
David Rosenthal：到底该归功于谁，是谁创作了这些了不起的电影，彻底扭转了迪士尼的局面，就是他们俩，对，他们并不是最初，那个故事提案的人，不是，他们也不是高管。 [00:28:08]
Ben Gilbert：但魔法是他们带来的，霍华德有句特别精彩的话，他说，在每一部伟大的百老汇音乐剧里，第三首歌的时候，女主角会走过去，坐在什么东西上，可能是一块石头，可能是一个垃圾桶，然后他对着世界唱一首歌，告诉观众他想要什么，如果他这辈子能得到这一样东西就好了，然后电影剩下的部分，我们都在为他加油，整部剧的核心就是，女主角想要什么，我们希望她能如愿，然后他说，我突然意识到，我们在小美人鱼里也能这么干，所以你的世界，就是艾莉尔坐在那的那首铺垫歌，向所有人解释，我只想到人们生活的地方去，我想看他们跳舞，走来走去，那叫什么来着，这是对他作为角色，内心感受的一段，特别美妙的歌词式表达，最后成了撑起整部电影的东西，霍华德也是那个说，嘿，那只小螃蟹。要不要让它变成，牙买加口音的人，对，然后就引出了整首海底世界，这些歌都是塑造性的，至少在大卫，你和我这一代人的脑子里，永远挥之不去，也是我们小时候。 [00:29:16]
David Rosenthal：把电影看了一百万遍的原因，我敢肯定，对也是他们能活下来的原因，我女儿现在还在看这些电影，所以小美人鱼1989年上映，它是一部经典。
Ben Gilbert：但它并没有在票房上大杀四方，而且它的预算相当高，动画部门的人数从那个低谷，被抛弃时只剩150人，涨到了550人，这里引用我们朋友，华尔街日报的本科恩，写的一篇文章里的一句话，曾几何时，迪士尼电影在票房上，被浪漫喜剧打败，小美人鱼。小美人鱼1989年赚的钱，还不如当哈里遇到沙里，直到1990年，它出了家庭录像，孩子们可以随时看，小美人鱼的VHS录像带，这部标志性的儿童电影，才真正变得家喻户晓，对，所以如果你只看票房，你会觉得，好吧，我看到了一点苗头，我们确实搞出了点名堂，人们喜欢这个，但它并没有神奇地，撑起整个公司，它并没有让我们，一下子赚到一大堆利润，这确实，你看，人们对迪士尼动画的信任，已经被侵蚀了，对吧，大家已经习惯了工作室出烂片，所以他们在1990年推出了《救难小英雄澳洲历险记》片子还行，但算不上迪士尼文艺复兴时期的，顶级作品，不像《小美人鱼》或者我们接下来要聊的那部，然后就是《美女与野兽》我知道《狮子王》票房更大，但《美女与野兽》。是我这几部里最喜欢的，那是我在电影院看的第一部电影，哦哇，这又是霍华德阿什曼的杰作，对太好看了，没错，所以《美女与野兽》是建立在那支互相信任的团队，以及音乐剧式动画，这种新风格的基础之上，这部片子真的引爆了票房，制作预算2500万美元，全球票房收了3.3亿美元，天哪迪士尼动画回来了，第二年他们又干了一票，我跟你说一年接一年接一年1992年推出了阿拉丁，对，票房，我看到的是五亿美元，对吧，没错，五亿美元，制作预算才2800万美元，而且这时候他们已经把迪士尼的明星阵容全搬出来了，请来罗宾威廉姆斯配音精灵，从早安越南到精灵，没错，然后两年后1994年。他们又用狮子王来了一遍，这次制作预算稍微高一点4500万美元，动画非常精细，对对对，直接说票房，詹姆斯·鄂尔·琼斯，这片子到底赚了多少钱，这部片子带来了7.5亿美元的收入，对在当时是史无前例的，这是历史上最成功的，传统手绘动画电影，在历史上，迈克尔·艾斯纳当时宣布，他们要建一栋新的动画大楼，把所有动画师都请回迪士尼片场，对回到伯班克，顺带说个有趣的小插曲，迪士尼乐园原本打算建成一个大概15英亩的小公园，就在迪士尼片场旁边，后来才变成一个更大的项目，而这块地其实就是现在那栋新动画大楼所在的位置，就是今天新动画大楼所在的地方，太好了，太好了。 [00:31:50]
David Rosenthal：所以这就是迪士尼文艺复兴，有意思的是，对吧，小美人鱼的制作成本是4000万美元，然后美女与野兽和阿拉丁更便宜，你之前说制作预算到狮子王又涨回去了。 [00:32:42]
Ben Gilbert：但也只有4500万，他们是怎么做到成本这么低的，对实际上做手绘动画的整个流程，这个时代仍然全部是手绘，已经从真正的描线上色，发展到可以跳过描线这一步了，因为他们用了静电复印技术，可以直接把纸上的草图，转印到每一帧的透明赛路落片上，然后就可以拍摄了，但迪士尼在文艺复兴时期的电影里，做的一件事叫做CAPS从1990年开始，也就是计算机动画制作系统，这件事主要是罗伊·伊迪士尼推动的，他觉得这是沃尔特叔叔遗产里很重要的一部分，就是推动技术前沿，以及投资新技术如何能推动叙事艺术的发展，到1990年计算机已经进步了很多，于是他们开始想，为什么我们还要用实体颜料，在每一帧手绘的线条里填色。另外多平面摄影机的操作成本真的非常非常高，所以在黑暗时期他们就开始偷工减料，不再去拍摄那种非常复杂的六层平面的动画，而是随便放一张动画赛路落片，底下垫一张背景，拍完就换下一张，所以他们投入了1000万美元的固定成本，开发了一套能做两件事的软件，第一件事基本上就是2D动画版的微软画图，你可以在电脑上看到所有线条，选一个颜色，拿过你的小画笔工具，把一桶颜色倒进一个封闭的区域里，听起来我好像在描述一个，对我们都用过MSPaint的东西，但当时这简直是火箭科学，真的非常酷，这意味着你不仅不用再描线了，连上色也不用做了，除此之外Caps还是一台超级多平面摄影机，可以做无限数量的平面，不像沃尔特时代那样只能做有线的几层。所以你可以更快更便宜的完成，而且不用真的去操作那台多平面摄影机，所以小美人鱼只有三个多平面镜头，因为它是在Caps之前做的，到了狮子王的时候，已经有几百个了，所以他更好更快，还能把预算压住，对迪士尼作为一家媒体公司，居然自己内部开发这种计算机软件技术，感觉有点奇怪，对他们在这方面靠的是一个合作伙伴，一个在早期计算机图形学上，做得越来越好的公司，皮克斯，对好这个先记下来，对还有一件好玩的事，因为这是很酷的极客内容，美女野兽里那个舞厅跳舞的场景，有一个特别酷的摄影机平移镜头，它很短，但却是整部电影里最令人难忘的镜头之一，那个背景实际上是用皮克斯的软件，做的3D渲染，哦酷，然后他们用CAPS合成。把2D手绘的贝尔和野兽跳舞的画面叠上去，那是迪士尼电影里第一次用到3D动画，哦太酷了，对你回去再看那个镜头，你会想，哇对背景是电脑生成的，对太棒了。 [00:35:32]
David Rosenthal：所以在这些迪士尼文艺复兴动画大片的推动下，迪士尼的飞轮再次飞速转动起来，我是说真的，这是自沃尔特去世以来，第一次公司核心的动画IP回来了，它正在启发新一代的孩子，还有他们的父母，而艾斯纳和威尔斯不仅拥抱了这一切，还把飞轮推得更远，他们给迪士尼的商业模式，加了三个令人难以置信的新延伸，全都建立在这些角色，故事和这个永恒IP之上，而迪士尼动画正在重新创造这些，第一个，家庭录像，天哪，这个太猛了，迪士尼宝库之前就已经存在了，迪士尼会把他们的经典电影，比如白雪公主或者灰姑娘，每隔七年左右在影院重新上映一次，让新一代的孩子能看到。
Ben Gilbert：那是当时看电影的唯一方式，对，我脑子有点理解不了这个，因为家庭影像，在我出生之前就有了，那时候可没有迪士尼家，老兄，没有，而且直到1985年。 [00:36:39]
David Rosenthal：迪士尼的电影，除了在影院，没有别的观看渠道，对，所以艾斯纳，威尔斯和卡森伯格就想，我们可以在家庭影像上，做同样的事，你看，现在有VHS了，是个大东西，在美国家庭里，渗透率很高，但迪士尼那些老派的人，都不愿意干，罗伊反对，家族也反对，那是大逆不道，就是大逆不道，迈克尔不得不召集整个迪士尼家族。
Ben Gilbert：征得他们的同意，才能在1985年把木偶奇遇记，作为第一部经典动画发行到VHS上，而且他们是从低风险开始的，我的意思是，木偶奇遇记已经在影院重映过五次了，对，相隔七年你会觉得到第六次重映的时候，应该不会吃掉太多市场了吧，对，说的是木偶奇遇记。 [00:37:19]
David Rosenthal：所以他们同意，做一批非常有限的，木偶奇遇记VHS只有170万盘，定价，我很高兴你找到了这个细节，零售价定得很高，每盘29.95美元，结果瞬间售罄，那就是5000万美元的毛销售额，基本没有增量生产成本，除了印词贷那几块钱，然后第二年，他们又用灰姑娘做了一遍，结果完全一样，他们按计划做了灰姑娘的院线重印，票房收入3400万美元，然后又出了VHS家庭录像，卖了600万盘，这两项加起来，灰姑娘带来了2亿美元的毛收入，天哪，我的意思是，这基本上等于又白捡了一部票房大片，对，所以他们发现了一件疯狂的事。
Ben Gilbert：这样做似乎不会伤害任何东西，也不会抑制任何需求，因为迈克尔·艾斯纳后来有句名言，人们买了这些磁带，但磁带会坏，会丢，对，这并不会降低人们去电影院的热情，你知道小孩子最擅长什么吗，弄丢VHS磁带，对，不是说现在这些磁带存在于世上了，你就永久性地毁掉了一项资产，不是的，对，现在录像带都放出来了，只会让人们对灰姑娘的需求更高，这正是华特·迪士尼飞轮商业模式背后的核心理念，我读到过迪士尼每卖出一盘VHS录像带。 [00:38:36]
David Rosenthal：大概能赚17到20美元，哇，每盘录像带的利润，因为我觉得他们对零售商有很强的溢价能力，所以家庭录像很快就成了，华特迪士尼公司10亿美元级别的业务，它是全公司第二大利润中心，仅次于主题公园，而且这还只是重新发行经典影片，后来他们又开始把新上映的热门影片，做成家庭录像，天哪。 [00:39:13]
Ben Gilbert：那真是把门都炸开了，有了家庭录像发行渠道，你花在动画上的任何钱都立刻值了，对，这就是对动画突然重新重视起来的原因，因为他们意识到，天哪，有办法从这里面赚到钱了，没错，所以看数字就知道了，阿拉丁在1993年卖出了3000万盘VHS录像带，那就是9亿美元的销售额，对，销售额。
David Rosenthal：录像带的销量，对，对，然后狮子王在1995年发行VHS时，超过了他卖了3200万份，是有史以来销量最高的VHS录像带，空前绝后。 [00:40:06]
Ben Gilbert：那就是狮子王，录像带卖了10亿美元，没错，迪士尼从中能拿到大约50%甚至更高的现金流利润率，你可以这么想，每一部都相当于给迪士尼的银行账户里，存了5亿美元，因为这些电影在院线阶段就已经很赚钱了，预算低票房却超高，我是说狮子王简直离谱，对吧4500万美元的制作成本，票房7.5亿美元，那咱们算算，迪士尼能赚多少，院线阶段现金流大概3亿美元，扣掉发行和营销费用，我不知道2.5亿，对行就2.5亿，再加上家庭录像的5亿。
David Rosenthal：那狮子王上映一年内，就给迪士尼带来了7.5亿美元的现金，然后我们一会再说《狮子王》还带来了什么别的，而且我觉得那时候演员们，基本没什么后端分成，所以我觉得这笔钱，真的就是全进了迪士尼的口袋，没错，这也正是他和艾斯娜的理念，如此契合的原因，因为尽管他们签明星来配音，比如罗宾，威廉姆斯，配精灵，等等等等，但这些人拿的报酬并不高，这些合同跟真人电影很不一样，尤其是当时，真人电影开始变得昂贵，演员们也能从中赚到真金白银，对，所以那是家庭录像，接下来他们在全美各地，开启了迪士尼零售店，没错，你还记得这些店吗，我小时候有太多周末，都泡在商场里的迪士尼零售店里，满眼都是迪士尼的东西。
Ben Gilbert：堆成山的毛绒玩具，进去就像进了幻觉世界一样1990年代的巅峰体验，对，所以他们开了750多家，迪士尼门店，零售店。 [00:41:52]
David Rosenthal：基本上开进了美国每一家商场，这样一来，一边是家庭录像，孩子们和家人们，第一次可以在家里，一遍又一遍地看这些电影，另一边到了周末，这些美国家庭去商场，逛迪士尼门店买周边，尽情沉浸在迪士尼的世界里，这简直回到了，沃尔特时代迪士尼的巅峰，基本上又一次席卷了整个美国，对我敢打赌，我们这一代人。 [00:42:03]
Ben Gilbert：对迪士尼有一种独特的情感，就是因为这个时期，因为我们正好赶上了那样的黄金年代，我猜比我们大10到15岁的人，跟迪士尼的关系就不一样，对，因为艾斯娜时代到来的时候，他们已经是成年人了，对，我是说他们小时候正好赶上那段黑暗时期，没错，而且你得靠孩子才能让这套运转起来，对。
David Rosenthal：然后他们再传给自己的孩子，一代一代传下去，所以好，家庭录像迪士尼领受，然后第三，百老汇，这绝对是神来之笔，我们刚开始做研究的时候，心想，对，我们会在里面放一段，关于狮子王音乐剧的内容，白老慧他们确实做了挺好的，这是艾斯娜团队，在90年代干的事，对，那肯定就像迪士尼冰上世界一样，是个我不太确定。
Ben Gilbert：贡献了多少的衍生项目，但他们做了这件事挺酷的，而且很有艺术感，好，所以他们先做了美女与野兽，在白老慧大获成功，他们后来买下了，新阿姆斯特丹剧院，迪士尼现在在纽约拥有那座剧院，然后他们又推出了《狮子王》音乐剧，那部真是精彩绝伦，哦太棒了，我大概有15年没去过了，但我对动物列队走过通道的画面，记忆犹新，还有他们那些独特的服装设计，动物的脸悬在演员头顶上方，那是艺术，回到了华特迪士尼的本源，艺术与商业的结合，对吧绝对是艺术。 [00:43:20]
David Rosenthal：它成了百老汇历史上票房最高的剧目，到今天还在演，如果把过去30年百老汇的票房，加上巡演团，狮子王音乐剧累计总收入超过110亿美元，我觉得这使它成为历史上，单一票房最高的娱乐产品，无论电影，音乐，电视，游戏，还是其他百老汇剧目都比不上，什么，什么，狮子王，音乐剧是有史以来票房最高的娱乐作品，所有媒介里票房最高的是百老汇音乐剧，对，是单一作品，不是剧集，是单一媒介，单一故事概念。
Ben Gilbert：狮子王音乐剧，怎么做到110亿美元的，就算票房最高的电影，也就28亿29亿，我说的是阿凡达复仇者联盟4就算把整个家庭影像收入加进去，我们刚说过，狮子王家庭影像收入是10亿，对，你翻一倍可能还不止，一部百老汇音乐剧，怎么做到110亿的，他已经演了30年了30年，而且全球各地场场爆满，巡演音乐剧票价还挺高的。巡演音乐剧票价还挺高的，伦敦有，纽约有，还有巡演团，哇，对，所以就算贪到30年里。 [00:45:03]
David Rosenthal：狮子王音乐剧平均每年，给迪士尼带来3.5亿美元的总收入，相当于每年多出一部卖座电影，而且他们完全拥有它，对，我的意思是，他们得跟剧院分票房。
Ben Gilbert：尤其是巡演团去世界各地演出的时候，但这跟任何电影一样，等于每年多一部电影，哇110亿美元，对，太有意思了，简直不可思议，所以艾斯娜在那个时代，确实把品牌延伸这件事玩明白了，而且她也重新开始重视传统营销，他们是不是开始投放一大堆，快来迪士尼乐园的广告，对，就是那种介绍游乐设施的广告，我记得也是从那时候起，他们开始搞那个活动，超级碗夺冠的MVP总会说那句，对我要去迪士尼世界，就在他们刚赢下超级碗之后，这就是迈克尔·艾斯纳做的另一件大事。
David Rosenthal：他改造了乐园，乐园显然是沃尔的杰作，也是沃尔最初对迪士尼愿景和商业模式设想的一部分，但迈克尔接手的时候，他们就只是主题乐园而已，对还算不上度假村，他把乐园尤其是佛罗里达，那个变成了真正的度假村，他不再只是说我们有迪士尼世界，有埃博卡特，欢迎来佛罗里达，他们建了大佛罗里达人酒店，建了天鹅酒店，建了海豚酒店，还跟老基韦斯特度假村，一起启动了度假俱乐部，分市度假项目，我家就是会员，所以我们每年都去，每年都去沃尔特，迪士尼世界，那是个度假村，是真正的度假，后来又加了好莱坞影城，再加了动物王国，他们彻底重新定义了，什么叫做主题乐园度假村，尤其是动物王国，那是个大胆的赌注。 [00:46:06]
Ben Gilbert：要是我们真建一个动物王国，有狮子，斑马，而且它不会让你觉得像动物园，你会觉得自己真的在非洲草原上，他们把乐园从周六没事干，去看场棒球赛的竞争对手，变成了欧洲五天度假的竞争对手，对，而且他们把周边所有地产都拿下来了，那些酒店都是他们开发，让幻想工程去设计的，不是随便塞几个万毫进去，对，而且它一边涨价，一边把现金砸进，未来10年15年20年的乐园建设，吸引来的客人是，我不是来这花300美元的，我是来这花3000美元，度个家庭假的，这开始变成一个。
David Rosenthal：庞大的独立业务了，完全同意，这位今天打下了基础，去年迪士尼乐园，与体验给迪士尼，贡献了100亿美元的营业利润，而这一切就是从这开始的，太猛了，不过艾斯娜时代乐园这边，也不是一路阳光灿烂，欧洲迪士尼，有欧洲迪士尼，开发花了40亿美元，然后连续多年亏损，我喜欢的一句俏皮话是，迪士尼花了10年才搞明白。 [00:47:38]
Ben Gilbert：欧洲父母想让孩子到处跑的时候，自己喝点葡萄酒，当然不止这么简单，但大概就是这么回事，而且我也不确定，欧洲人喜欢被叫欧洲人，对，你要是住在巴黎，你会觉得自己是法国人，或者巴黎人，你不会觉得自己是欧洲人，对，所以他们把它改名为，巴黎迪士尼乐园，他们做了一大堆调整，最后总算把局面稳住了，而且当时全球宏观环境也变了，他们开业的时候正好赶上经济衰退，不过确实，那阵子就是一场灾难，是啊是啊，不过抛开那个不谈，我的意思是，到了90年代中期。 [00:48:04]
David Rosenthal：迪士尼和艾斯纳，威尔斯，卡森伯格，这个梦幻组合，简直是势不可挡，公司营业利润，从1984年接手时，远低于3亿美元10年后涨到接近20亿美元。
Ben Gilbert：所以你看差不多，那是什么，营业利润涨了八倍，十年之内，十年，哇，我的意思是，而且之前还在下滑，他们加入之前，两年里利润跌了25%对，那三个人不只是救了迪士尼，他们让迪士尼繁荣起来，繁荣到华特本人做梦都想不到的程度，完全可以这么说，迪士尼从来没有像90年代初期到中期。
David Rosenthal：这段时期这么成功过，我这儿有数据可以证明，到1994年，迪士尼的市值达到220亿美元，比艾斯纳团队接手时涨了10倍，它成了所有传统媒体公司里，估值最高的比时代华纳值钱，比维亚康姆值钱，比福克斯和新闻集团都值钱，迪士尼站在了世界之巅，而这一切马上就要崩塌了，不过在讲那个故事之前。 [00:49:22]
Ben Gilbert：现在是感谢我们新赞助伙伴的好时机，一家我们非常期待的公司Sierra好，大卫，他们正飞得高高的，能出什么岔子呢，哎，天哪。
David Rosenthal：1994年对迪士尼这家企业来说，是绝佳的一年，因为，狮子王，上映了，但对迪士尼这家公司来说，这是糟糕透顶的一年，有三季重拳接二连三的杂项公司，第一季1994年复活节星期天，弗兰克·威尔斯在直升机滑雪时，遭遇直升机坠毁，不幸遇难，令人震惊，这在每个层面都是悲剧，对公司，对管理团队，对迈克尔，艾斯纳来说都是如此，就像你说的，迈克尔是那种创意型高管，必须当华特迪士尼公司，和迪士尼文艺复兴的公众门面，而弗兰克是幕后那个，把一切撑起来的人，他绝对是迈克尔的反面镜像，然后突然间他就没了，前一天人还在，后一天人就没了，而且桌上坐着好几个大人物。
Ben Gilbert：迈克尔是个大人物，杰弗里是个大人物，弗兰克有点像何世老，那个总能跟所有人处得来，当中间人，在大家火气上头时，把人安抚下来的人，他就是那种人。 [00:50:49]
David Rosenthal：迈克尔说我要当第一，他就说好没问题，咱们一起创造奇迹去吧，对，而那股力量就这么不在公司了，然后三个月后，迈克尔在爱达赫州太阳谷。 [00:51:02]
Ben Gilbert：参加年度艾伦公司会议时，开始胸口疼，不得不紧急飞回洛杉矶，做了紧急的心脏四重搭桥开胸手术，对他完全没法工作了，他在医院里做开胸手术恢复，而公司还在承受，失去弗兰克·威尔斯的痛苦，有一大堆决定要做，还有一大堆人事冲突要理顺，但迈克尔能怎么办呢，他在医院里躺着呢，他真的是躺在手术台上，他甚至想过自己可能挺不过去，他给妻子留了话，要是我没醒过来，你就按一二三怎么办，那段日子太煎熬了，是啊，然后就在这当口，卡森伯格辞职了，这事有好几个版本，其中一个版本是杰弗里被告知，要是弗兰克哪天走了，或者退休了什么的，公司二把手的位置就是他的，对，杰弗里确实是这么理解的，迈克尔答应过他，是的，但也有别的说法。包括罗伊迪士尼那边认为，杰弗里在现在的位置上干得很好，管着制片厂，动画和其他电影部门，但他还远没准备好，当华特迪士尼公司的总裁，再说一遍，这时候的公司，已经远不止电影制片厂了，还包括我们前面聊到的，所有那些业务，对所以得再等等，杰弗里对此的理解是，说实话也挺合理，他说，我以为你告诉我，这位置是我的，我特别想做点，比现在职责更大的事，我一直是个好团队球员，我刚做出了，影史最成功的几部电影，标志性的IP没错，就是迪士尼文艺复兴那批片子，狮子王美女与野兽，这些你要是觉得我在这公司没前途，当不上总裁，那我走人，我去干点别的，于是他选了这条路离开了，对。 [00:52:08]
David Rosenthal：而且他不是简单走人，他走了还创办了一家竞争对手，还提起了诉讼，对，对，他还起诉华特迪士尼公司，追讨欠他的奖金，这笔官司拖了好多年，最后据说以2.8亿美元和解，但没错，他走了还创办了一家竞争对手，对，梦工厂，对，跟史蒂文，斯皮尔伯格，和大卫格芬一起，他们的目标很明确，梦工厂，要成为迪士尼的，全战士竞争对手，他们要做真人电影，做动画，跟大卫格芬，做音乐，做电视，做电子游戏，基本上就是，整个迪士尼飞轮，唯独没有主题乐园，但他们后来签了，环球影业做发行方，把总部设在，环球的片场里，而那里本身，也是个主题乐园，所以，没错，一下子冒出一个非常难缠的对手。然后他们决定在离迪士尼不远的，格伦代尔建梦工厂动画工作室，开始挖迪士尼的动画师，卡森伯格最早招的人里，就有布伦达·查普曼，他来自加州艺术学院，是A1一三教室出来的，当过狮子王的故事总监，梦工厂动画很快就做出了怪物史莱克，全球票房5亿美元，这是迪士尼头一回遇到这种事，一个全战士竞争对手。 [00:53:50]
Ben Gilbert：就扎在自己眼皮底下，对，这简直是雪上加霜，你可能会说，行吧，动画这块正红火，而且也不全是杰弗里的功劳，他们应该没事，可惜的是，霍华德，阿什曼在这之前几年，就因艾滋病去世了，他的缺席在动画部门，在他们之后，要做的那些片子里，留下了一个巨大的空洞，对，所以从这往后，迪士尼动画出来的作品是，下一部是风中奇缘，对吧，对，然后是《钟楼怪人》《大力士》《花木兰》《泰山幻想曲2000》还有一部2000年的电影叫《恐龙》我其实对它印象还挺好的。，我记得那是迪士尼第一部3D动画电影，对没错，然后是《变身国王》《亚特兰蒂斯》《星际宝贝》还有《星云岛》对这些片子里。 [00:54:16]
David Rosenthal：没有一部能比得上《狮子王》没错，所以在这一切留下的真空里，迈克尔决定，他要提拔到二号位，担任华特迪士尼公司总裁，兼首席运营官的人，就是他自己。 [00:55:06]
Ben Gilbert：对，现在彻头彻尾是，迈克尔艾斯纳的公司了，没错，他确实很厉害，他完全够格，我是说，过去这十年，简直不可思议，真的，对，但这是在已经很重的担子之上，再加一份大活，他真正想说的是，你看，在电影，电视，和乐园这几块，眼下没有谁明显能当二把手，所以在想清楚之前，我就自己扛着，对，而且他马上就要对，华特迪士尼公司的根本格局，动一次大手术，这事他已经谋划了好几年，他一直在电视网那边，嗅探机会，对，而且是不是有什么监管上的原因，让这件事突然变得可行了，是的1993年FCC废除了财务利益，与新迪加规则，这条法律，原本禁止电视网，拥有自己播出的节目，对，因为这条法律背后的思路，我记得是70年代出台的时候，是说这些广播电视网。那三大电视网，基本上垄断了全国的节目内容，当时还没有有线电视，所以如果这些公司搞垂直整合，自己拥有电影制片厂，然后只在三大电视网上播这些电影，那就有问题了，因为市场上竞争不够，但20年过去，有线电视出现了，结果这些电视网反而被捆住了手脚，不许制作自己的内容，而他们正在打一场生死仗，天哪，有线电视杀进来了，抢我们的饭碗，对，所以当然合理的做法就是，这太好了，我最喜欢看到，过时的法律被废除，那条法律一废，电影制片厂和电视网，突然就进入了一个，可以自由合并的狩猎剂，对，所以迈克尔正在四处秀谈，他先是对CBS感兴趣，对吧，对，在CBS那边试探NBC不卖。 [00:56:15]
David Rosenthal：他去跟NBC谈，出了个典型的，迈克尔是低价报价，没谈成，但迈克尔其实是在ABC起步的，巴里迪勒和迈克尔，他们去派拉蒙之前，都是ABC的电视人，对，所以他在那边认识所有人，然后第二年，也就是1995年的太阳谷会议上，总是在太阳谷，总是在太阳谷，迈克尔谈成了一笔交易，让华特迪士尼公司。 [00:57:08]
Ben Gilbert：以190亿美元收购ABC大都会，那是当时历史上第二大收购案，天哪190亿美元，哥今天看真不算什么，唯一比这更大的就是RJR纳贝斯克，对对这个待会还会提到，我觉得这件事有很多精彩的传说，但我记得这好像是停车场里的一次谈话，迈克尔一直盼着能碰上沃伦巴菲特，最后真碰上了，然后巴菲特把汤姆莫菲也叫了过来，他当时也在场，大都会ABC的CEO对，然后他们就开始聊起来，我觉得大概几天，也许一周之内。
David Rosenthal：就把协议敲定了，对对没错，所以沃伦巴菲特和伯克希尔哈萨维，是ABC大都会最大的股东，这家公司是十年前，那笔著名的小鱼吞金交易中诞生的，没错。 [00:58:11]
Ben Gilbert：很多听众可能不知道，迪士尼当时想收购的母公司，其实不是ABCABC是被一家叫大都会的公司拥有的，而大都会居然不可思议地收购了ABC尽管ABC比它大得多，大概大四倍，你可能会问，这怎么可能，因为他们有沃伦的财力支持，还有，还有伯克希尔哈萨维，对，所以基本上就是用伯克希尔哈萨维的资本，加上大都会这家小公司，联合买下并控制了ABC对，这是沃伦巴菲特众多天才交易之一，对。
David Rosenthal：所以巴菲特和伯克希尔，是ABC大都会最大的股东，艾斯纳真正要说服的人，其实是巴菲特，你刚才提到一个很重要的点，就是FCC废除这些法规的原因，是有线电视带来的新竞争，以前美国的广播电视网，在电视内容上是垄断的，现在到了90年代，有线电视和付费电视，突然在美国掀起内容大爆发，广播电视网受到威胁，所以像ABC这样的广播电视网，从历史上那种了不起的生意，变成了还算可以的生意，因为美国人的大量观看时间，以及随之而来的广告收入，都转移到了有线电视上，但巧的是ABC里面埋藏着，人类历史上，最优质的有线电视资产，娱乐和体育节目网，也就是大家熟知的ESPN对，天哪ESPN的历史，本身就够疯狂的。它刚创立几个月，还是个创业公司的时候，就被Geddy石油公司收购了，后来德士股收购了Geddy又把ESPN卖给了ABC这事发生在1984年。这事发生在1984年ABC想找个财务合作伙伴来分担这笔交易，于是拉来了纳贝斯克，就是那个纳贝斯克，作为ESPN20%的少数股东，为什么，我猜理论上纳贝斯克是想给自己的快销品，搞点广告协同效应吧，我也不太清楚，好吧，不过这无所谓，因为第二年纳贝斯克就被KKR私有化了，就是门口的野蛮人里，那笔，你知道，当时史上最大的交易，史上最大的一笔收购，对，对作为交易的一部分，他们把ESPN这20%的少数股权，卖给了赫斯特集团，赫斯特到现在还持有，而赫斯特在接下来的40多年里，光从ESPN就拿走了几十亿，几十亿美元的自由现金流，纯纯的白捡，白捡一根手指都不用动，没错，没错。但确实ESPN变成了一个庞然大物，而且他们实际上为有线电视网络，发明了除广告之外的第二条收入线，就是转播费这种商业模式。 [01:01:00]
Ben Gilbert：因为在ESPN之前，有线电视频道只是让自己出现在有线电视套餐里，他们让有线电视运营商去分发，然后说我们卖广告，你能不能帮我们做分发，这样任何买了你套餐的人都能看到我的频道，从而看到我的广告，在ESPN出现之前，整个商业模式就是这样，甚至还不止如此，我觉得对很多初创的有线电视频道来说，钱是反着流的，我觉得他们甚至是在付钱，对，他们得付钱才能被收入进去，付钱给有线电视运营商，让他们把频道放进去，对吧，对，然后ESPN意识到，他们买体育转播权，对，去转播各大联赛，他们得覆盖成本，所以他们就问那些打包商，也就是有线电视公司，说，你们能不能按每个观众付我们X每分，这样我们才真的买得起这些转播权。
David Rosenthal：买体育转播权的钱，一开始可能是这样，但很快ESPN以及后来ABC收购它之后，在ABC内部，他们意识到体育转播权，是他们能对有线电视运营商，施加的最大筹码，因为ESPN只需要威胁任何一家，有线电视运营商，说要拔掉插头，然后对他们那成千上百万的订户说，你想看那些NBA比赛MLB比赛NFL比赛，或者想在SportsCenter上看那些极景，抱歉，我们跟ESPN有转播纠纷，这些我们都没法播了，这根大棒到今天还在用，对吧，真到那一步，用户会直接堵到有限运营商门口，基本就是闹事，美国人最爱的东西就是体育，没错，这就是定价权，所以一旦ESPN想通了这套商业模式，它就变成了一个势不可挡的巨无霸，一开始，班就像你说的。他们让有限运营商，为每个收到ESPN频道的用户付几美分，然后涨到一美元，再涨到每月二美元，最后到每月5美元，你知道ESPN现在跟付费电视运营商。 [01:02:57]
Ben Gilbert：签的平均转播费是多少吗，我知道它是所有频道里收费最高的，大概高出三倍，四倍，对比别的频道高得多，我猜大概每个用户10美元吧。 [01:03:10]
David Rosenthal：每月9.42美元，每个用户有限运营商付给ESPN的，这是几十亿，几十亿几十亿，极其可预测的现金，源源不断流进ESPN。
Ben Gilbert：合同上白纸黑字保证的，基本上每个月都有保障，我是说对体育，就是人们定有线电视的原因，尤其是现在，没错ESPN很清楚自己给整个套餐带来的价值，他们在价值变现上非常在行，对，所以回到1995年，迪士尼和大都会斜杠ABC这笔交易。
David Rosenthal：我觉得如果他们真够诚实的话，迪士尼和迈克尔当时并不知道ESPN会变得这么大，那时候ESPN有6600万有线电视订户，但他们才刚刚开始。 [01:04:00]
Ben Gilbert：真正提升定价话语权，罗伊迪士尼有句话是这么说的，当年做ABC那笔交易的时候，没人会告诉你ESPN会成为整个集团里最能扛的那个，任何参与其中的人。
David Rosenthal：都绝不会想到这一点，对，那时候ESPN跟有线电视合作伙伴的，平均月转播费还不到一美元，所以前面还有巨大的增长空间，但迪士尼1996年收购大都会之后ESPN几乎一夜之间就成了公司里的皇冠明珠，而且几乎完全是靠运气，商业模式一旦跑起来，简单的不得了，就是每隔一两年给有限运营商打个电话说，嘿我们要把转播费提高20%哦你不乐意，行那我们就拔插头，你确定不乐意，好那就20%定了。
Ben Gilbert：而且他们把所有竞标到的体育转播权，都锁定了差不多十年，他们意识到，我们应该去签尽可能长的合同，这样我们对这些有限电视公司，才有最大的筹码，对。 [01:05:01]
David Rosenthal：所以这就是ESPN的黄金时代，从90年代末到2000年代初MLBNBA1998年，还跟NFL签了个大合同，给ABC拿下了周日夜赛，和周一夜赛的转播权，那笔交易里还带了三届超级碗，与此同时，他们还开创了整个体育极锦这个品类，没错，就是说，我们拿到了这些转播权，而直播体育节目，在播出那一刻之后就一文不值了，但如果我们几小时后再播一遍，做成一个晚间极锦节目，配上精彩的包装和出色的主持人，那会怎样，这就是SportCenter天哪，他当时太棒了。
Ben Gilbert：对，除了体育转播权之外，运营ESPN的成本并不高，他们就在康涅狄格州布里斯托尔运营，对，这一切的点睛之笔是，迪士尼在收购ABC大都会和ESPN之前，就已经涉足有线电视了，他们在1983年就推出了迪士尼频道，对，我觉得是这样，一开始非常艰难，上线成本高昂，严重超预算，这其实是他们83年遇到的问题之一，还有Apple中心的超支，但现在他们有了ESPN就能跟有线电视公司集体谈判了，对，所以他们不仅能给ESPN要到高价，还会说，哦对了，你们还想要迪士尼频道。
David Rosenthal：R和E和Lifetime吗，对，这些频道的转播费也得涨，对，没错，这简直就像包中包，这还没算上ESPN2ESPNClassicESPNNewsESPNOcho呢，你懂的，现在还有SEC频道，他们可真是拼了，所以这对迪士尼来说，是一记全雷打，绝对的全雷打，但这也是又一件巨大的管理事务。 [01:06:33]
Ben Gilbert：要和华特迪士尼公司，现有的其他所有管理事务，一起争夺迈克尔艾斯娜的注意力，艾斯娜当时的想法是，让迪士尼品牌，我们的产品和内容，在电视上播出很重要，沃尔特当年就是这么做的，他们就是这样靠那档电视节目，掀起了迪士尼乐园热，对，那档节目带来的狂热，靠ABC这就把整个故事串回原点了，而且这一切后来确实变得很重要，能有ABC和这些有线频道，作为推广迪士尼内容的出口，用我们一直在聊的那种，非伦式协同一致的方式，确实挺了不起的，但说到你那个点David他最终真正带来的，其实就是一个源源不断的，自由现金流来源，他们可以用这些钱去做别的事，没错，能推广迪士尼品牌，带来这么多协同效应当然很好，但你知道比这更好的东西是什么吗。就是花花网爱冒的巨额现金，可以用来投电影投乐园，去扩张整个业务，对，我觉得你可以论证ABC跟华特迪士尼公司，和迪士尼飞轮是契合的，但ESPN完全是另一码事，它跟这个飞轮，其实没什么关系，米老鼠和体育中心，可碰不到一块，我是说他们确实试着，把ESPN的体育世界，放进迪士尼世界什么的，体育大世界，对，还有ESPN主题餐厅，对，没错ESPN主题餐厅，对对对，但他们后来想明白的正确做法，其实是把ESPN单独隔离出来，让它自成一体，把ESPN做到最好，然后安心收钱就行，对，而且这个时间点，跟你刚才说的那些完全对得上David扩建乐园，建酒店，发力度假村，他们做这一切的资金来源，就是ESPN和有线电视网吐出来的现金。但主要是ESPN对，鲍勃，艾格的书里甚至有一句话，我们还没聊到鲍勃，但后面会聊，他是通过收购大都会进入迪士尼的，没错，他当时在大都会工作，鲍博是大都会的CEO对那句话是这么说的，他给了迪士尼一个规模，让他在其他制片厂陷入困境时，还能保持独立ESPN也进一步稳定了业务，扛住了动画行业的起起落落，然后这里David有一个惊人的数据，说来听听，我们往后快进一下，但后来在2008到2011年那段时间，迪士尼的有线电视网板块，分析师认为，其中有四分之三都是ESPN对，那段时间，也就是2008到2011年，这个部门，贡献了全公司营业收入的60%对，光是有线电视频道，利润就超过50亿美元，我的意思是。他们基本上已经变成了一家，靠有线电视转播费吃饭的公司，对，所以回到90年代末，到2000年代初，迈克尔馆这一大摊子。 [01:09:42]
David Rosenthal：已经快被压垮了，而且这整个背景里，还有一个要素，就是当时正处在，互联网泡沫时代，迪士尼做了各种，疯狂的互联网项目，他们收购了Starwave就是保罗艾伦的公司，在微软之后搞的那个，就在西雅图这儿，对Starwave基本上，就是个网页开发公司，我记得他们花了，大概几亿美元买下来的，然后又买了Infoseek就是当时排名第七的搜索引擎，接着他们又搞了一个，迪士尼互联网资产的，独立跟踪股票，拿去上市，什么真的假的，对公开上市，这些事真不是编的，就是互联网泡沫时代的疯狂，不过话说回来，行吧。
Ben Gilbert：这也不能全怪艾斯纳，因为那个年代，人人都在搞这种互联网风势，不过最该给他记一功的，是他没做成的那个交易，没错，对，时代华纳，做成了那笔交易。 [01:10:32]
David Rosenthal：史蒂夫凯斯在时代华纳之前，就找过他，谈AOL和迪士尼合并的事，这要永远归功于迈克尔，也许这是他当华特迪士尼公司CEO时，做的最好的一件事，在他做的那么多好事里，除了买下ESPN除了买下ESPN对，我本来想说的是，对AOL谢谢，但不用了，对。
Ben Gilbert：我是说看看AOL对时代华纳做了什么AOL用自己的股票去合并，那股票被炒得很高，但公司的内在价值其实一文不值，而华纳兄弟，是家真正扎实稳定的公司，至少当时是这样，这种事本来也可能发生在迪士尼身上，但在互联网泡沫时代，那些高的离谱的估值里，我看了迈克尔当时的一堆采访，他非常怀疑，也非常小心，绝不用一笔愚蠢的交易，把迪士尼送出去，绝不用那样一笔愚蠢的交易，把迪士尼送出去，对，既然说到那个时代的错误决策，迈克尔最后确实，找了个二把手。 [01:11:09]
David Rosenthal：找了个总裁，对，一个二把手，他的密友，好莱坞超级经纪人，迈克尔·奥维茨1995年进来，当迪士尼总裁，做艾斯纳的二把手，帮他打理公司Michaelacquired往期的著名嘉宾。
Ben Gilbert：没错CA的创始人，这事太大了，在好莱坞，是天大的新闻，识破天惊的事，我是说MichaelOvitz把CLA做成了那么一股力量，不光在好莱坞，在整个创意圈，都是当时，唯一能跟制片厂，抗衡的力量，就是CA他本来是CAA的创始人，一号人物，现在跑去当二号人物，这本身就说明了很多，而且你知道吗，这也说明了Eisner。 [01:12:02]
David Rosenthal：在迪士尼建起了多大的盘子，聚拢了多少人，尤其是收购大都会之后，大家都觉得，媒体行业最该去的地方，就是迪士尼，结果这几乎立刻就成了一个，糟糕透顶的决定，对。
Ben Gilbert：两边都是Ovitz是经纪人Eisner是高管，这从一开始就是个坏主意，你知道总裁兼首席运营官的活儿是什么吗?就是整天坐在会议室里管着一群不听话的人,让大家做出对齐的决定,跟人说不行,不能当老好人,确保整个机器赚得起来,还要管理那些耗时极长,需要几万甚至几十万人去执行的项目流程,而经纪人的活儿是被人喜欢,说行,动用你的权力,让事情快速推进,。，同时参货15个项目,放到MichaelOvitz身上，是同时掺和500个项目，在迪士尼当二把手的日常运营，跟他当年在CA练就的那套本事，简直天差地别，没错，所以Ovitz在迪士尼只待了一年多1996年12月走人，拿了1.4亿美元的遣散费。因为奥维茨和艾斯纳都觉得，这事根本不可能搞砸，所以迪士尼公司愿意在合同里写清楚，如果你没干满那么长时间，那你就拿1.4亿美元的额外补偿。 [01:13:36]
David Rosenthal：对，不过说实话，这些说到底都只是真正问题的表面装饰，真正的问题是迪士尼动画，这倒有意思Ben你刚才讲了1994年之后的那些电影，有些确实不错。
Ben Gilbert：但整体是一路下滑，到那段时期末尾，亚特兰蒂斯，星云岛，这些就是烂片，对，而且随着大都会ABCSPN进来，怎么去思考和组织这家公司，就有点让人犯晕了，因为以前你有一个，干净利落的飞轮业务，你拍电影里面是大家喜爱的人物，走在人人都能共鸣的旅程上，你在票房家庭录像乐园，消费品上赚钱，然后每七年把IP重新循环一遍，一句话就能说清楚，可他们买下大都会之后，就完全不一样了，拥有电视台，靠广告和有限订阅赚钱，用的基本是一次性内容，不是能长期保鲜的东西，而且大部分，还不是你自己内部创作的，这生意能赚钱，有时候还赚得惊人，但得承认，这是完全不同的商业模式，现在你把两种，完全不同的商业模式，运营模式。放在同一个屋檐下，然后请来迈克尔奥维茨，他到底该管哪一块，因为这其实是两件，非常不一样的事，对，所以这一切。 [01:14:55]
David Rosenthal：再加上动画这边，卡森伯格走了之后。卡森伯格走了之后，罗伊亦还在，但大量人才，再往梦工厂流失，就算留下的人才，梦工厂也在给他们开有竞争力的报价，所以迪士尼不得不给他们加薪，于是动画的所有成本都在往上涨，这真的是一个下行螺旋，而且头几年这事其实没那么要紧，因为乐园还做得很好，他们手里还有迪士尼文艺复兴时期。 [01:15:07]
Ben Gilbert：攒下的大量优质IP能支撑他们把能放进乐园的东西都放进去，对因为他们大部分钱，并不是靠电影首映时的票房利润赚的，动画变差的影响是之后的，要过很久才会反映在财务报表上。
David Rosenthal：没错，或者要等到乐园出什么事2001年9月就真的出了91显然是全国性的悲剧，但迪士尼的乐园业务，基本上瞬间就掉下悬崖，我说对迪士尼乐园来说91之后的几周几个月，就像新冠一样，突然之间，帝国里这块皇冠上的明珠，就跌到接近零了，对，惨得很。
Ben Gilbert：对我是说有几个星期天上完全没有飞机之后好几年人们都不敢放心出行，对，更别提这还引发了消费支出的连锁冲击，对，你要是经营一个高固定成本的主题公园生意这可太糟了，对对，所以91袭击后的几天里迪士尼股价跌了将近25%没过多久。 [01:16:10]
David Rosenthal：他们就不得不关闭了在美国各大商场里开的大部分迪士尼零售店，整个消费品部门的营业利润，本来就在慢慢下滑，因为迪士尼动画已经拿不出，什么新的好IP来卖玩偶和服装了，现在更是跌到了细水长流的地步，这一切里最糟的部分，至少对迈克尔艾斯纳来说，是巴斯家族，他们到那时为止，仍然是迪士尼最大的股东，也是艾斯纳在股东群体里，最坚定的支持者，在91之后的几天里，他们其他投资遭遇了追加保证金通知，他们被迫卖出价值20亿美元的迪士尼股票，这给本来已经跌了25%的迪士尼股价，又加了进一步的下行压力，他们通过一笔大宗交易，卖掉了大部分迪士尼持股，一夜之间，艾斯娜在股东群体里的支持，或者说至少最大的一块支持，就这么没了，迪士尼现在的股价处于低迷水平。
Ben Gilbert：我是说这几乎就是1984年重演，可不是吗，会不会又有企业掠夺者冒出来，要把公司拆了，这相似得让人发毛，动画一蹶不振，以前是主题公园称之公司。 [01:17:26]
David Rosenthal：现在是ESPN称之公司，完全没错，而且就连ESPN在那么一小段时间里，也是摇摇晃晃的，比如91之后体育赛事都停摆了，那真是全国上下都很诡异的时期，对，然后就在11分之9之后那几年，迪士尼看起来已经遭得不能再遭的时候2003年11月30日，罗伊，依迪士尼。
Ben Gilbert：宣布辞去迪士尼董事会职务，理由是原话，对管理方向和风格存在严重分歧，天哪，这真的是20年前的重演，可不是吗，只不过这一次。 [01:18:06]
David Rosenthal：全程都在公众眼皮底下进行，因为罗伊和他的生意伙伴斯坦利·戈尔德，后者也辞去了董事职务，紧接着，就发起了一场史无前例的，公开的草根股东运动，还建了网站savedisney.com公开目标是通过代理投票，把迈克尔·艾斯纳，从华特迪士尼公司CEO的位置上赶下去Ben这套打法，建一个savecompanics.com的网站，内部人从公司辞职，然后建网站，发起公开草根运动，在美国企业史上，后来还有一次著名的重演，你知道是哪家公司吗，不知道。
Ben Gilbert：savepapajones.com不会吧，真的，拯救迪士尼，还有拯救棒约翰，好David那我们就说拯救迪士尼运动，首先让我先念一段，鲍勃·艾格的《一生之旅》里的节选，这段讲的是罗伊写的那封辞职信，他把信抄送给了艾斯纳，董事会，然后是华尔街日报，纽约时报，和洛杉矶时报，他写了一封长达三页，措辞激烈的信，逐条批判迈克尔对公司经营，信里承认头十年是成功的，但后几年被气象明确的失败所定义，罗伊一条一条列了出来，第一，没能把ABC黄金时段从收视率深渊里拉回来，第二，对身边每个人持续微观管理，导致整个公司士气低落，第三。对主题公园投资不足，省钱省过了头，压低了公园入园人数，这一点跟我听过的所有其他说法都相反，是啊，不过公园入园人数下降是因为911对，迈克尔出了名地擅长把主题公园做好，可以说仅次于华特本人，没人像迈克尔艾斯纳那样在公园上投过钱，对，第四，我们所有利益相关者都觉得这家公司贪婪，没有灵魂，总在赚快钱而不是追求长期价值，这正在导致公众信任的流失，到这个时候，迪士尼已经在发行皮克斯的早期电影，但艾斯纳和皮克斯的关系非常紧张，这个我们暂时先按下不表，对，第五，由于管理不善和士气低落，公司出现创意人才流失，第六，没能和迪士尼的合作伙伴建立良好关系，尤其是皮克斯，第七。你一直拒绝制定清晰的继任计划，这封信真够狠的，是啊，然后罗伊在信结尾写道，迈克尔，我真心相信，该离开的人是你，不是我，因此。 [01:20:45]
David Rosenthal：我再次呼吁你辞职并退休，哎，天哪，那罗伊到底在气什么，令人惊讶的是，迪士尼动画还在继续走下坡路，对2003年出了熊的传说。
Ben Gilbert：2004年出了牧场是我家2005年是四眼天机，这些片子你肯定都没听说过，也许你听说过2007年的未来小子，那不应该当时已经在开发了吧，对，对对，闪电狗，在2008年，结束了这段惨淡时期，对，我是说，如果你比大卫和我年轻一些，大概25岁，也许30岁，那你童年里，可能真的没有哪部迪士尼电影，能让你像我们记住，阿拉丁狮子王，小美人鱼，和美女与野兽那样，印象深刻，完全同意，不过回到罗伊和这场，拯救迪士尼运动，你看，罗伊。 [01:21:09]
David Rosenthal：就像我们前面聊过的，他是个很复杂的人，他对迪士尼动画部门特别不满，可实际上从职位上说，他自己才是负责迪士尼动画的人，那他到底在生谁的气，生自己的气吗，但我觉得这件事真正的核心在于，罗伊对迪士尼的超能力在于，哪怕他不是最好的高管，不是最好的领导者，也谈不上多懂市场，这一点从幻想曲2000彻底铺接就能看出来，他绝对是迪士尼精神的守护者和捍卫者，而那种迪士尼精神，那种创作精神。
Ben Gilbert：那种创造出代代相传的永恒故事的精神，显然已经不在这个公司里了，而且公司摊子铺得太开了，跟ABC合并之后，公司同时跑着两套完全不同的商业模式。 [01:22:27]
David Rosenthal：做着两件完全不同的事，没错，那接下来发生了什么，罗伊和斯坦利在2003年底，正好是假期的时候，气冲冲地从董事会辞职了，迪士尼的年度股东大会定在2004年3月召开，他们希望到时候能通过投票，把迈克尔·艾斯纳从迪士尼CEO的位置上赶下来，作为回应，迪士尼在2004年2月赶在股东大会之前，在奥兰多安排了一场分析师日，投资者日活动，想借此给迈克尔撑腰，稳住股价，而且他们确实有好消息要宣布，加勒比海盗要拯救这家公司了，这部电影大获成功。
Ben Gilbert：而且是根据迪士尼乐园的一个游乐项目改编的，我是说没有比这更好的故事了，确实没有比这更好的故事了，当季营收增长了19%约翰尼·德普骑着马杀进来。 [01:23:18]
David Rosenthal：要保住迈克尔·艾斯纳的饭碗，投资者日当天早上，他们一觉醒来，艾斯纳在场，鲍勃·艾格也在场，到这个时候，艾格已经被提拔为华特迪士尼公司的总裁兼首席运营官了，然后他们看到了新闻，总部在费城的有线电视公司，康卡斯特正在发起，第一收购要用康卡斯特的，股票以540亿美元的，价格收购迪士尼，我记得这条消息出来的时候，太震惊了，真的太震惊了，一家有线电视公司，居然能收购，华特迪士尼公司，这简直是一种冒犯，冒犯，在美国几乎没有比有线电视运营商，更招人恨的企业类型了，这很大程度上要归功于华特迪士尼公司和ESPN一直在煽动大家跟他们对着干。而现在他们居然要用股票来收购美国的这个瑰宝，说实话，对罗伊和斯坦利以及他们的拯救迪士尼运动来说，这是能发生的最好的事了，因为很多人看到这件事的反应是，华特迪士尼公司怎么沦落到这个地步了，对，但迪士尼其实干得很好，乐园业务因为911事件一度下滑，但正在回升，加勒比海盗大获成功，他们跟皮克斯有非常好的合作关系，他们还有该死的ESPN依然在疯狂赚钱，康卡斯特为什么想买迪士尼，他们嗅到了这个空子，这个软肋。 [01:24:23]
Ben Gilbert：而且如果康卡斯特能一下子收购自己最重要的供应商，那个对他们握有巨大溢价权的ESPN那该有多爽，他们每年都要跟ESPN打一场仗，重新谈转播费，要是能把它买下来就好了，我们说不定能拿下ESPN天哪，那就试试吧，对，哎呀，为了强调一下ESPN这事，节目的老朋友BenThompson对这一切有一段很精彩的反思，华特迪士尼那张著名的飞轮图，可能是个很让人满意的商业模式，但迪士尼电视业务的现实是，它的可扩展性，是那张迪士尼图表永远做不到的，有限电视套餐的美妙之处在于，几乎每个美国家庭，每个月都在为它付费，不管迪士尼有没有热播剧，或者有没有必看的体育赛事，靠着以ESPN为核心的一整套频道，迪士尼拿走了其中一大块收入。而且像钟表一样稳定增长，在那个世界里，华特迪士尼的模式，只是真正赚钱机器旁边一个不错的小副业，对，对，天哪，一切都围着ESPN转，正在发生的所有事都是，对，有线电视网络的营业利润，也就是当时华特迪士尼公司内部的利润，是20亿美元，全公司总共才赚45亿美元，所以差不多公司总利润的50%。 [01:25:54]
David Rosenthal：都来自这些有线电视网络，是啊，这真的很ESPNESPN所以在迪士尼公司，在迈克尔艾斯纳领导下，已经沉沦到多低这套叙事之下，这套叙事其实挺离谱的，但外界就是这么传的，两家主要的股东顾问机构，都支持拯救迪士尼运动和罗伊，他们建议，股东在三月的股东大会上投票，拒绝支持迈克尔，艾斯纳继续担任CEO加州公务员退休基金，就是加州那个大型养老基金，宣布要把手里的迪士尼股票，投给反对艾斯纳的一方，投票要求他辞职，所以这一切在2004年3月3日的，迪士尼年度股东大会上达到了顶点，而那年的大会搞笑地被安排在了费城招开，正好是康卡斯特的总部所在地，他们就在几个街区之外。 [01:26:20]
Ben Gilbert：最终43%的股东投票，不支持艾斯娜继续担任CEO这个数字相当惊人，当43%的股东都不想要这个CEO的时候，你是不可能续约的，没错。 [01:27:11]
David Rosenthal：于是迪士尼董事会召开紧急执行会议，管理层没有出席，会上决定解除迈克尔的主席职务，但暂时让他继续担任CEO消息公布后，迪士尼股价应声上涨，与此同时，康卡斯特的股价一直在下跌，所以几周后，康卡斯特正式撤回了收购要约，但这并没有平息，罗伊和斯坦利发起的，拯救迪士尼运动，艾斯纳仍然是CEO几个月后，迈克尔宣布，他将在2006年底，合同到期时离开公司，他宣布了辞职，但现在的问题是，谁来接任，对，董事会宣布将启动一场，公开的高风险的CEO临选，他们打算在2005年6月之前，确定迈克尔的继任者，所有人都认为，继任者一定来自外部，就像20年前，威尔斯和艾斯纳空降迪士尼一样。
Ben Gilbert：那你知道那份新闻稿里写了什么吗，他提名了谁，他说会有外部候选人，也会有一位内部候选人，最初他确实说的是，内部和外部候选人，鲍博艾格，当时在审阅这份新闻稿，因为他是TO他去找董事会说，等等，迈克尔还要再当一年CEO鲍博说，你们不能这样，还有其他内部候选人吗，还是只有我，他们说，只有你，他说，那你们得把我写进新闻稿里，因为，否则，这里就要乱套了，对，大家总得有个可以指望的领导方向，因为没人会指望迈克尔了，他已经成了跛脚丫，而且会有那么多人争权夺利，公司根本没法运转，你必须写上外部候选人，以及鲍勃艾格，然后他们同意了，说行，那就这么办。 [01:28:16]
David Rosenthal：于是鲍勃被宣布为内部候选人，董事会也承诺，会对外部候选人做一次彻底的搜寻，鲍勃，他在一生之旅里完整讲过这段，想出了一个，我觉得是我听过的最聪明的竞选框架之一，而且他真的雇了一个政治竞选顾问，来帮他做这件事，他意识到，好，我是一个不受欢迎的现任者的二把手。 [01:29:08]
Ben Gilbert：我现在就像是一个极其不受欢迎的总统的副总统，而这位总统刚刚成了跛脚丫，对每一位董事会成员，对我的第一个第二个第三个问题，都应该是，你是上一届政府的议员，我们凭什么选你，而且你是怎么把事情搞得这么糟的，对，所以他意识到，自己唯一的机会，就是彻底重新框定局面。
David Rosenthal：这跟过去发生的事无关，这只看未来，这既是看待这件事的正确方式，也是鲍勃唯一能赢的机会，没错，于是他在自己的候选人方案里，向董事会提出了他关于。向董事会提出了他关于，华特迪士尼公司未来愿景，与战略的三大支柱，第一，我们要把大部分时间和资本，投入到高质量，有品牌的内容创作上，也就是，我们要重振迪士尼动画，连同迪士尼飞轮一起，说得太准了，尤其是现在，因为世界上的内容量，正在爆炸式增长，我们正处在进入，社交媒体时代的当口，有了FacebookYouTube也马上要来了，消费者在内容上有无限的选择，像迪士尼这样的公司，要想还指望自己保持相关，唯一的办法，就是回去做最好的内容，并且建立一个以此为标志的品牌，让人们知道，要看最高品质的内容就来找你，而且即便经历了过去，十年动画的种种问题，干扰和衰落，仍然没有人比迪士尼，更有资格做这件事，它终究是迪士尼，对。所以这是第一点，第二点，我们要最大限度的拥抱技术，现在这话听起来像是废话，这还用说吗，但在当时，这其实是个相当激进的说法，我们即将进入一个时代，整个传统媒体行业，要么被吓得四处逃窜，要么主动跟硅谷的技术公司对着干，维亚康姆马上就要起诉YouTube想把他告到倒闭。 [01:31:03]
Ben Gilbert：所有人都还记得音乐行业和Napster刚发生过什么，鲍博说的是，不我们要拥抱技术，既要像沃尔特当年那样，用技术做出全新前沿的内容，也要把技术当作分发渠道来拥抱，用技术为我们所用，而不是让技术成为我们衰落的理由，对然后鲍勃战略的第三根之柱，是扩大全球覆盖。
David Rosenthal：我们要更好地渗透某些市场，尤其是世界上人口最多的国家，比如中国和印度，跟沃尔特的时代不同，到这个时候，全球大约有三分之一的人口，生活在这两个国家，而迪士尼靠的就是规模经济，做出最深最好最高质量的内容，角色和故事，然后让全世界尽可能多的人爱上他们，对，我们必须进入这两个国家，对，所以令人惊叹的是，鲍勃在这场竞争中赢了2005年3月，董事会宣布鲍勃爱格，将成为华特迪士尼公司的，下一任CEO他们把他就任日期，和迈克尔离任日期，都提前到了2005年9月，比迈克尔最初宣布的时间，提前了一年，迈克尔·艾斯纳。
Ben Gilbert：在迪士尼的时代，在21年之后，画上了句号，这太有意思了，迈克尔·艾斯纳，在迪士尼的任期，在我看来其实分两章，第一章，以弗兰克·威尔斯去世，卡森伯格离开，伟大的迪士尼动画时代，落幕而告终，还有收购大都会，但大都会的收购，基本上就是，整个第二个时代的标志，对没错，我觉得我也会这么看。 [01:32:44]
David Rosenthal：他和威尔斯，卡森伯格在头十年，把迪士尼扭转过来，干得漂亮极了，第二个十年就有点走偏了，但迈克尔在第二个十年里，也做成了史上，最伟大的收购之一，而且因为那些乱七八糟的事。 [01:33:12]
Ben Gilbert：这件事得到的认可，远远不够，对你说史上，最伟大的收购之一，我觉得很有意思，我看ABC大都会这笔收购，它值钱是因为里面有ESPN但它也让公司失去了战略上的清晰，迪士尼再也没法只是迪士尼了，一边是飞轮业务，一边是飞轮业务，转播费加广告的有线电视业务，而且这笔买卖划算，因为买下ESPN就像一口取之不尽的资本源泉，能养活其他所有业务，但代价是失去了那份清晰，对完全正确，从数字上看，迈克尔任内的成绩简直不可思议，他上任时市值还不到20亿美元，离任时大概值500亿左右，我记得中间有些稀释，所以股价不算整整25倍，更接近20倍，他上任时营收是17亿美元。离任时是310亿，这相当于他执掌的20年里，年复合增长率15%净利润则从9700万涨到25亿，对，它任内净利润涨了26倍，从数字看非常漂亮，而且ESPN就是，它为什么是伟大CEO的第一，第二第三个理由，对吧，对对对，然后才是迪士尼文艺复兴，但我会把它排在第四，排在ESPNESPN和ESPN后面，然后就是迪士尼文艺复兴，对，没错。 [01:34:19]
David Rosenthal：我觉得狮子王音乐剧怎么也得算上一笔，确实非常确实，所以鲍勃·艾格被任命为CEO他接到消息后打的头几个电话之一，我记得是在一个周日下午，打给了史蒂夫·乔布斯，当时Pix的CEO同时也是苹果的CEO他在《一生的旅程》里写道，那时我对史蒂夫几乎不了解，他说话还是典型的史蒂夫风格，你为迈克尔干了多久，他问十年，他说，我看不出事情会有什么不同，不过行，等尘埃落定，保持联系，结果证明，那通电话很可能是华特迪士尼公司，历史上最重要的一通电话，在竞选CEO的过程中，鲍博艾格已经完全不相信，迪士尼动画能从内部修复，他私下里认定，要让迪士尼动画恢复昔日荣光，唯一可行的路。就是用皮克斯的领导班子，整个替换掉现有的领导团队，鲍勃写过这么一个著名时刻2005年，他在香港迪士尼乐园的开源巡游现场，看着一辆辆花车经过，看到了灰姑娘米奇和白雪公主，他意识到这场巡游里，没有过去十年左右，迪士尼自己创造的任何角色，相反，花车里塞满了皮克斯的角色，对，就在那一刻，他心里想，你知道吗，路已经清楚了，皮克斯必须接管迪士尼动画，所以他在得知自己，即将成为CEO的那个晚上，给史蒂夫·乔布斯打了电话。 [01:35:50]
Ben Gilbert：所以听众朋友们，我们觉得这期节目，有个好玩的做法，就是把皮克斯的整个故事讲一遍，我们本来可以早点，顺着迪士尼动画那条线讲，但我们想把它单独拎出来，给它一个专门的板块，而且对我和大卫来说，这还挺有诗意的，重做我们在Acquired上的第一期节目，那期讲的就是皮克斯，现在把它作为本期的一个板块，对皮克斯是华特迪士尼，对迪士尼动画愿景的精神继承者，对好那我们把时钟往回播，先从约翰·拉塞特讲起，好，这个人一辈子都梦想成为迪士尼动画师，他早期的一份工作，是在迪士尼乐园做丛林游船的工作人员，没错，大卫就像你提到的，他后来进了加州艺术学院，这完全是梦想成真，授课的是迪士尼传奇动画师，那些和沃尔特共事过的人。大家亲切地称他们为九大元老，他确实在迪士尼动画拿到了一份工作，但不幸的是，那是在80年代初，那段黑暗时期，约翰迷上了刚刚兴起的计算机动画领域，尽管部门里没别人感兴趣，不过其实Tron当时正在迪士尼的别处制作，所以酷炫的计算机技术是有的，只是不在迪士尼动画的文化里，这一切在约翰得到机会，直到他的处女座勇敢的小烤面包机时，达到了顶点，在那场重要的提案会上，他带着一个想法进去，他要用计算机动画来做这部电影，记住，这是80年代初，计算机动画还相当原始，时机其实还没到，他被问到，这会不会比传统动画更快，更便宜，因为不然他们为什么要做这个，他说都不会，他只是要把优秀叙事的可能性，往前推一步。约翰当场就被解雇了，我没开玩笑，就是同一天，哇我都不知道是同一天的事，就是那样，谢谢你来开会，我们决定不把这个项目投入制作，既然你的项目结束了，你确实没有理由再待在这里了，谢谢你来开会，你被解雇了，对所以我们先把约翰的故事放一放，来介绍皮克斯的另一位联合创始人，闪回到1963年，我们在犹他大学，遇到了爱德·卡特姆，爱德一辈子也想做动画，但他觉得自己没有当艺术家的本事，所以他转而搞了计算机，他进入了犹他大学那个真正神奇的计算机图形学项目，不过那在当时只是一个小众领域里的一小块，大多数人都没怎么在意，也不觉得它有什么价值，艾德最终做出了史上最早的计算机图形电影之一，一个他自己手的旋转模型。就是黑白的线框，他同学里有著名计算机科学家艾伦凯，还有网井和硅谷图形公司的吉姆·克拉克，对，以及创办了Adobe的约翰·沃诺克，还有诺兰·布什内尔，是不是也在那儿晃悠过，对，之前来过的嘉宾诺兰·布什内尔，他不仅创办了亚达利，还创办了查克知识，没错，所以埃德最后被招去长岛的纽约理工学院，搭建那个开创性的计算机图形学项目，他就这么待在学术圈里，与此同时，北加州那边，时间来到1979年，有个叫乔治·卢卡斯的人，正在找能帮他推动计算机图形学发展的人，对，你听说过他，乔治刚拍完《星球大战》正在做帝国反击战，他亲身经历了一次震撼体验。亲眼看到计算机能解锁全新的电影制作方法，而且不只是为了《星球大战》乔治是想开发工具，让整个行业变得更好，这在当时是相当超前的东西，好莱坞没人愿意无缘无故投钱去搞新计算机技术，而乔治为什么想这么做，从商业分析角度看，这其实挺有意思的，为什么乔治想做出东西来推动整个电影行业前进，因为一个电影人一次只能拍一部电影，而且一拍就是一两年两三年，但你希望观众养成习惯，每周或每月都去电影院，并且有很好的体验，所以如果你是电影人，你会希望其他电影人都拍出好片子，这样等于在培养你的客户群，让他们觉得电影是好东西，应该养成去电影院的习惯，所以跟其他行业不一样，当电影人有一种挺愉快的合作感，合作者兼竞争对手，对。所以乔治联系上了埃德，埃德接受了工作，横跨美国加入卢卡斯影业，他把阿尔维雷史密斯，也从纽约理工学院带了过来，两人在卢卡斯影业，创建了计算机图形学小组，对，他们的目标说白了，就是研究怎么做出传统实拍做不出来的东西，范围挺广的，第一个，大成功其实不是星球大战，而是星际迷航2克罕之怒，那是一个行星正在被改造的飞跃镜头，用了各种疯狂的俯冲角度来拍，对，现在两条路交汇了，约翰·拉塞特和埃德·卡特莫尔，在一场行业会议上碰面了，地点还挺特别，在玛丽皇后号邮轮上，约翰刚被迪士尼开除，埃德其实不知道这事，在他的图形小组里，没人真正懂怎么讲故事，塑造角色，或者给做出来的东西注入情感，埃德恳求约翰。看看有没有可能抽点时间北上，到卢卡斯影业的图形小组待一阵，帮他们正在构思的短片，提升一下讲故事的水平，约翰的反应是，哦我看看日程表，有空，没错，这真的是他们第一次有机会，请到一位真正的动画师，两人就这么走到了一起，但当时的计算机硬件还达不到他们需要的水平，所以小组得自己开发硬件，他们在卢卡斯影业内部做出了皮克斯图像计算机，这是他们第一次真正用上皮克斯这个名字，他们做这些短片其实没有真正的市场，做起来好玩但没人会买，皮克斯图像计算机能做核磁共振成像，基本上任何需要把图像转成3D渲染的东西，他们做了第一例核磁共振的体渲染，他们还会为情报机构分析卫星照片，建3D模型。所以他们是在找这些细分又有趣的市场，想办法赚点钱，靠他们的软件和硬件，对，所以这很有意思，这一切都属于卢卡斯影业，乔治对《和词共振》感兴趣吗，或者甚至对制作动画电影感兴趣吗，不太感兴趣，我的意思是，他希望他们为未来的电影开发能力，但他并不想真的组建一个庞大的故事团队，把这变成一个电影制作部门，而且布，我觉得他对《和词共振》也不是特别感兴趣，他其实有另一件事要告诉团队，他正在经历离婚，他缺现金，他需要为离婚腾出现金，所以他真正想做的是卖掉图形部门，顺便说一句，这太迷人了，这一切之所以发生，是因为乔治对《星球大战》。 [01:42:44]
David Rosenthal：和他正在拍的电影深信不疑，以至于他不想在离婚中，放弃卢卡斯影业的任何股权，所以他需要筹集现金，用现金支付给他的前妻。 [01:43:34]
Ben Gilbert：而不是给他任何卢卡斯影业的股权，太疯狂了，这就像蝴蝶扇动翅膀，最终导致皮克斯拯救了迪士尼，所以，他找到了买家，是的史蒂夫·乔布斯登场，史蒂夫·乔布斯，神奇的是，介绍他们认识的是艾伦凯，传奇计算机科学家埃德的旧同学，也是史蒂夫信任的朋友，史蒂夫去卢卡斯影业亲眼看了这项技术，他被打动了，但之后就没动静了，对，就那么消失了一阵子，卢卡斯影业的人还在纳闷，怎么回事，结果呢，那段时间正好是史蒂夫被苹果赶出来，被自己创立的公司扫地出门的时候，等风波平息之后，史蒂夫才重新联系他们，一开始，他真正想要的是皮克斯的团队和技术，用来打造一家跟苹果竞争的消费级计算机公司，他想用皮克斯做种子，回头去报复苹果。他想让皮克斯成为下一个苹果，没错，埃德约翰阿尔维和团队，对这事一点兴趣都没有，史蒂夫后来确实自己去创办了Next但他一直跟他们保持联系，他喜欢这帮人，也慢慢接受了做电影这个愿景，他最终同意买下这家公司，算是把他从卢卡斯影业手里救了出来，他跟埃德、约翰和团队一起干1986年，他给乔治、卢卡斯，开了张500万美元的支票买下公司，又往他刚成立的新实体里。又往他刚成立的新实体里，投了500万美元，作为公司运营资金，这家公司正式命名为，皮克斯、史蒂夫，乔布斯持股70%员工持股30%这就是皮克斯，这就是皮克斯，咱们能不能说说这故事有多离谱，有个人曾在神圣的迪士尼动画工作，拿到了第一个导演机会，却因为主张未来要用这项技术而被开除，然后他遇到了一个志同道合的人，那人恰好给乔治·卢卡斯干活，乔治·卢卡斯啊，天哪，正好在星球大战和帝国反击战之间，对，他们在捣鼓各种疯狂的东西，但乔治需要把他卖掉，结果不知怎么的，居然找到了史蒂夫·乔布斯，我的天，这简直就像科技界，电影界，商业界的复仇者联盟，我是说，这故事要还能更精彩。除非他们用迪士尼自己的招数，打败迪士尼，被迪士尼收购，给公司核心注入新生命，然后史蒂夫·乔布斯，成了迪士尼最大的股东，听起来就像一部皮克斯电影，可不是吗，确实，这就是Acquired存在的意义，这故事太棒了，所以他们把公司分拆出来，产品一个客户都没有，于是他们出去招人，让人来把他们的软件当商业产品买走，对，而那个客户就是迪士尼，对，给皮克斯公司的第一张支票，就来自迪士尼，请他们合作开发CAPS系统，用来改进二维动画，没错，这就是迪士尼和皮克斯，作为甲乙方关系的开端，作为甲乙方，于是皮克斯决定，要让全世界看看他们是谁，他们做了一部，关于一盏台灯和一个小台灯的小短片，两个台灯在玩一个球。然后拿到行业会议上去放，因为那个年代，搞计算机图形的人，就是这么干的，结果全场沸腾，你刚才还给我发消息来着，你爸就在那个，放过小台灯的会场里，对，是其中一场，不是最早的那届Cgraph但就是80年代末那会儿，是一场机器人，和计算机动画的联合会议，我记得小时候，他跟我说过，我想应该是在我们去看，玩具总动员的时候，正片前放的，就是那个小短片，我记得他跟我说，对，我在一个会议上，看到过这个，我当时就知道，这东西会改变世界，哇，我今天早上，刚从看了小台灯90秒里，你会经历一段情感旅程，对一盏台灯产生感情，对我来说，那种讲故事的功力，把没有生命的东西，赋予生命。让你真正在乎它的能力，就是从这开始显现出来的，对，那就全速前进，对吧，走拍电影去，但有个问题，你得有大概3000万美元，才能干这事，所以一开始，他们先拍了一堆广告来付账单，他们把RandomMan开发成了一款软件，到今天，它依然是计算机动画的行业标准，他们对外发布了，它真的被用在了，侏罗纪公园终结者2还有一堆早期计算机图形，做的酷电影里，但生意还是不行，那些图像计算机贵得离谱，总共也就卖出去大概300台，如果他们想实现做动画电影的梦想，就得全力押上去，而且得有人出钱，所以事情是这样的，约翰重新和迪士尼搭上了关系，据我所知，这跟CAPS那层关系完全无关，约翰被邀请加入迪士尼当导演。那是1991年前后，哦，哇正好是迪士尼文艺复兴的时候，没错，他们想让他回去，没错，但他反而说，不，我，你知道，我已经把宝压在北加州这帮人身上了，我们这儿有很酷的东西，是个很棒的团队，不，我拒绝了好几个迪士尼动画导演的邀约，那可是他毕生的梦想，然后他说，但我有个想法，我们基于小西兵那个短片，做一个30分钟的圣诞特辑吧，他在这儿其实有点筹码可以提条件，因为他们真的很想让他指导点什么，而迪士尼那边，主要是跟杰弗里卡森伯格，一起工作的彼得，施耐德说，嘿，别管什么30分钟电视特辑了，我们直接做一部长篇电影，玩具总动员，对，玩具总动员，就是这么来的，那为什么这个想法这么疯狂，我是说，为什么他要花3000万美元。为什么迪士尼的人觉得，做一部电脑动画电影，是个这么不靠谱的主意，对，表面上看，这好像应该比2D动画更容易，对吧。 [01:49:38]
David Rosenthal：你只要让电脑全干了就行，其实不是，所以我们得去皮克斯待一天，跟那边做皮克斯电影的人，学学他们是怎么做的，真的太酷了，说来惭愧，我之前真没意识到。
Ben Gilbert：这些东西的制作方式，有点像舞台剧，你其实是在一个3D虚拟环境里，把所有物体摆在一个舞台上，然后你可以把摄像机和灯光，放在任何你想要的位置，全在这个虚拟环境里，就像个电子游戏，对，他们基本上是在创造整个宇宙，不只是画一个静态画面，没错，所以搞笑的是，对这个过程最好的解释，那种最好的七步流程，就印在他们SE招股书的封底内侧，我们会把它放进邮件里，上面有个小动画指南，叫皮克斯动画步骤，那他们来了，第一步，故事版，一部皮克斯长篇会创作超过4000张故事版草图，作为动作和对话的蓝图，我觉得最有趣的部分是，他们会把故事版串起来，做成一个故事样片。这样他们就能像看电影一样看它，虽然还是静态画面，他们要么在上面配旁白，要么在上面加临时对白，所以用非常便宜的方式，靠2D草图，你真的能对故事走向，有个真实的感觉，这也让它非常容易迭代和修改，我们跟皮克斯的人聊的时候，他们说，对通常会有大概八轮不同的迭代，我们会反复修改情节，剧本，对白，把它打磨好，确保故事成立，我还在看拉塞特和乔布斯的旧采访，拉塞特有句话，如果故事样片里能成立，等我们把它做成动画，加上颜色，它会更好，如果故事样片里不成立，动画也救不了它，然后乔布斯说，本质上，它让我们在真正制作之前，就能对电影做测试和迭代。我们相信这是命中率能大幅提升的原因之一，所以他们基本上是先做一部低分辨率的2D电影，再做3D电影，故事和角色都得先在2D里成立，没错，好，那第二步，建模皮克斯的专有动画软件Marianette用来为角色道具和场景创建三维电脑模型，第三步，布局，每个场景开始时，先把所需角色，道具和场景的模型，组装起来，然后把动作排出来，这是他们第一次，真正进入电脑的环节，他们拿着模型，把它们摆出来，尽量还原，他们为故事样片，画的那些二地址上草图，搞笑的是，你其实能看到其中一些，比如，你可以在电影，只做到布局阶段的时候，看它，角色没有任何能动的肢体，嘴巴也不动。他们就像没有生命的木偶被拖来拖去，你能大概看懂情节，但完全感受不到个性或情感，对，他们就像3D版的火柴人，对，他们还没有，动画师还没真正把角色演出来，对，那接下来第四步，动画皮克斯自有的动画软件，让动画师能通过定义关键帧或姿势，来编排每个场景里的动作，这是最激动人心的一步，每个角色都要经过一个叫绑定的流程，对，到这一步，系统会给动画师提供每个角色的一整套可选项，比如动一下手腕，手臂，肘部，或者肩膀，然后动画师会非常仔细的，一帧一帧的先做身体的动作，再做面部表情，因为如果身体动作在没有面部表情的情况下，已经能撑起剧情，那所有的表情和嘴形就只是锦上添花。但你永远不想靠面部表情去扛大头，这是整个流程里特别酷的一部分，你把他们从火柴人变成活生生的东西，这真的是最好的说法，对而且说到这点，他们用的方法和1938年，做白雪公主时动画师用的一样，先自己把动作演一遍拍下来，然后拿那段视频当参考，看这个角色该怎么动YouTube上有好多这种珍贵素材，比如1992年给胡迪做动画的那个人，自己在那儿比划各种动作，还有为了搞清楚玩具总动员里，那些玩具兵该怎么动，他们用胶带把滑雪靴绑在一块大木板上，然后在房间里蹦来蹦去，就为了真切体会一个人双脚被锁在一起时该怎么移动，所以这真的是一种特别神奇，特别有表演性的过程，然后你通过绑定，通过像牵线木偶一样去操控。教计算机怎么让角色按你想要的方式动起来，对，然后是着色，用计算机程序描述表面特征，比如纹理、质感、颜色，给场景里每个物体都加上，这一步能做出木头、金属、布料、玻璃、头发和皮肤，第六步是灯光，用数字光源，每个场景的打光方式很像舞台灯光David你和我看过一些特别棒的例子，有些场景一开始看着又无聊又死板，一打上光，天哪，瞬间就变得华丽又有情绪，对，最后一步，第七步，渲染皮克斯的Renderman软件，负责绘制最终画面，它根据模型，动画着色和光照信息，逐像素计算整幅图像，这太疯狂了，想想这里面涉及的计算量，每一帧画面，都要根据物体是什么，光源在哪里。对每个像素反复计算，物体是否在运动，如果在动，怎么应用运动模糊，渲染的计算成本极高，那时候每一帧要渲染一两个小时，他们每周只能渲染出，大约三分半钟的素材，他们用的是当时最先进的SunMicrosystems硬件把117台机器连在一起，组成一个渲染农场来制作这部电影，对，这最后一部恰恰凸显了，它跟2D动画本质上的不同2D动画是艺术。 [01:55:19]
David Rosenthal：就像在画一幅画，皮克斯做的是创造一个宇宙，然后计算那个宇宙里的每一个原子，完全正确，而他跟华特和迪士尼精神，真正相通的地方在于，这每一部同时也是讲故事的一部，不是说好，故事写完了，扔给技术团队去渲染成画面，它是一个协作的过程，共同创造一个宇宙。
Ben Gilbert：然后年复一年的不断打磨故事，让它越来越好，好，回到玩具总动员1993年1月19日，他们得到了迪士尼的绿灯，具体来说，他们签的协议是最多制作三部影片，目前只做一部，迪士尼拥有独家选择权，可以再续两部，基本上就是迪士尼雇皮克斯来为他拍电影，条款是这样的，迪士尼承担全部制作资金，最后花了大约3000万美元，最初预算是1700万左右，迪士尼还负责营销费用，皮克斯只能跟迪士尼合作拍片，皮克斯能分到一小部分利润，而且是在扣除部分营销成本之后的利润，对，所以最后分到的不到利润的10%这实在算不上能用来建立事业的引擎，对，哦对了，迪士尼还拥有玩具总动员的全部知识产权，所有角色。所有周边，等等等等，迪士尼还有权自行决定拍续集，他们会邀请皮克斯一起拍，但如果皮克斯拒绝，迪士尼自己也能拍，最后，三部影片的协议，并不包含这些续集，即使迪士尼选择拍续集也一样，所以如果迪士尼想要续集，皮克斯拍了续集，但这不算在那三部里面，这协议挺苛刻的，但这是他们全部的梦想，而且基本上是唯一的选择，而且对方是迪士尼，对吧，我是说那可是迪士尼。 [01:57:10]
David Rosenthal：你得做，没错，而且没有别的制片厂，会跟他们做迪士尼，以前就干过这种事，他们跟蒂姆伯顿拍了圣诞夜惊魂，就是说，嘿，这是定格动画，跟我们迪士尼动画，做的不是一回事，把它推出去吧，这是个精品项目，我们来发行，我们是全球最擅长发行，合家欢动画电影，把它们推进影院，做营销的，太好了，对，那他们到底在做什么。
Ben Gilbert：皮克斯知道，他们想做一部，和迪士尼传统动画，不一样的电影，他们不想做成音乐剧，因为到1993年这个时候，之前四部全是音乐剧，他们也不想做成童话故事，也不想回到华特那些经典故事的老路上去，但这确实意味着他们进入了无人区，他们得自己摸索出属于自己的基调，风格和流程，于是他们开始把约翰·拉赛特的构想，画成故事版，然后不断拿去给迪士尼听意见，这既有用，因为皮克斯其实还不知道自己在干什么，也是合同要求的，这时候卡森伯格在掌舵，他一直推着他们把电影做得更尖锐，结果就是一方面，皮克斯对自己的叙事能力，没什么信心，另一方面意见又一直往那个方向推，最后五迪被写得很刻薄，他有一套那种侮辱式的幽默，他对巴斯光年的威胁感太强了，那种情绪盖过了，他在任何场景里。可能做的所有其他动作，他会主动，故意地把巴斯光年推出窗外，推到柜子后面什么的，到了93年12月，故事样片在博班科放映，他们说，好，这是我们收集的所有意见，这是我们现在的故事，结果反响一落千丈，卡森伯格讨厌他，罗伊，伊，迪士尼，也讨厌他，所有角色都不成立，于是迪士尼叫停了，迪士尼说，我知道我们有协议，但我们要停止制作，不再投钱了，皮克斯团队慌了，说等等等等，完了，那可是我们整个公司啊，能不能给我们两到三周，我们只想彻底重写一版，我们会没日没夜的干，于是他们回到北加州，做出了他们自己想做的那个版本，虽然不是完美的，但突然之间，这些角色有了多面性，他们回来了，这次够好了，故事里有了真正的张力。迪士尼这边说句公道话，重新看了一遍，说好，你们复工，继续推进，在1994年这一年里，他们反复看故事样片，不断迭代，往里加更多深度，而那些已经走完大部分渲染流程的片段的。而那些已经走完大部分渲染流程的片段的，早期测试效果，非常好，皮克斯团队心里有数，史蒂夫·乔布斯也成了信徒，他开始相信。 [02:00:11]
David Rosenthal：嘿我们手里可能有个爆款，大卫我知道这部分你来讲，对史蒂夫，就是史蒂夫，他开始琢磨这件事，然后意识到，如果玩具总动员成了，会发生什么，迪士尼和迈克尔·艾斯纳，当时他还是CEO会意识到，他们其实亲手造出了自己，最可怕的噩梦，一个真正的动画竞争对手，而且能做到他们做不到的事，那我们就推演一下，如果真发生了，他大概会回来找我们，想重新谈协议，把我们锁得更久，我们想要尽可能多的筹码，要做到这一点，我们得有自己的资金，能真正在合拍电影的制片预算上，五五开，如果我们一分钱不出，迪士尼就能随意拿捏我们，拿走大部分利润，还要抽他们的发行费，等等等等，好，那钱从哪来，我们得上市。
Ben Gilbert：而且我们现在不能上市，因为过去四年都在亏损，而且我们还没上映过一部电影，我们也不想等电影上映后太久，所以我觉得我们应该在，玩具总动员上映后那一周上市。 [02:01:15]
David Rosenthal：这就是史蒂夫最聪明的地方，因为他的想法是，如果成功了，我们就能一炮而红，成为媒体的宠儿，手里有一部大卖的电影，那才是上市的最佳时机。
Ben Gilbert：如果你是皮克斯的任何其他人，你肯定会想，不不不不，咱们能不能先做完这一部，看看效果再说，但这是史蒂夫，乔布斯，对，于是，玩具总动员在1995年11月22日上映，全球票房接近4亿美元，那是感恩节全家去看的电影，对，首周末就拿了2900万，后来成了全美票房第一的电影，而且是有史以来第一部，非迪士尼出品的动画大片，而且它是全年票房最高的电影，不是儿童片，就是全年票房最高的，没有之一，没有之一，所以玩具总动员上映一周后1995年11月29日，皮克斯上市了，对，也就是说史蒂夫那阵子，一直在外面跑路演，见各路投行的人，而玩具总动员正好在收尾，准备上映，真不可思议。
David Rosenthal：这个点我一会儿还会回来讲，皮克斯除了史蒂夫，没有任何其他搞经营的人，所有跟创作无关的事，都是史蒂夫一个人干，皮克斯上市首日收盘，市值15亿美元，可见玩具总动员有多火，在公众心里有多深的印象，史蒂夫·乔布斯，就是这么变成亿万富翁的，对，靠玩具总动员上市，他在苹果可没赚到过。 [02:02:30]
Ben Gilbert：接近这个数的钱，史蒂夫·乔布斯的财富，是靠玩具总动员和皮克斯赚来的，所以他们融的那1.4亿美元，成了当年最大的一笔IPO比网警还大，对比网警还大，史蒂夫这边的账，他500万买下这家公司9年里又陆续砸进去5400万，都是用来发工资之类的，上市那天，他手里握着公司78%的股份，那算下来大概12亿，对光是皮克斯一家，就让史蒂夫·乔布斯，在上市当天成了亿万富翁，没错太不可思议了，而且这完全是孤注一掷的豪赌，我是说，如果玩具总动员不成功，那上市就成不了，整个公司就会垮掉，如果上市也失败了，那皮克斯在下一轮谈判里，就会被迪士尼彻底压垮，这是一连串环环相扣的孤注一掷，每一步都必须成功。整个计划才能成立，那接下来发生了什么，史蒂夫判断的完全正确，迈克尔·艾斯纳意识到，天哪，我们跟这帮人只剩两部电影的合约了，而他们是唯一有分量的竞争对手，于是想重新谈判，乔布斯抛出方案，要不我们五五开吧，收益也五五分成，反正现在皮克斯有钱了，迈克尔·埃斯纳同意了，条件是双方把合作扩展成全新的五部电影合约，把旧合约里剩下的两部并进新合约，也就是说玩具总动员之后，迪士尼有权跟皮克斯再拍五部电影，续集另算，而且迪士尼还负责发行，所以实际上他们拿到的分成更接近65%不是50%但这套好莱坞式的账目，我觉得史蒂夫当时未必算得清，我听到的版本是。 [02:03:50]
David Rosenthal：他其实算得清，而且这也很合理，发行确实有，实打实的成本和营销投入，迪士尼当然该拿那份钱，我听到的说法是，史蒂夫后来，从乔治卢卡斯那里得知，卢卡斯跟福克斯的。 [02:04:41]
Ben Gilbert：发行协议条款，比皮克斯跟迪士尼，拿到的发行条款更优厚，他气的就是这个，所以他们拍的第二部电影，是重重危机，这也大获成功，全球票房3.6亿美元，皮克斯在大家眼里，就是一台爆款制造机，虽然到现在也就两部片子，但他们已经在开发《玩具总动员2》作为下一部了，与此同时，跟迈克尔·艾斯纳的关系，在恶化，有点恶化，对跟史蒂夫·乔布斯之间，迪士尼想把《玩具总动员2》直接做成录像带发行，现在回头看这件事，其实挺有意思的，迪士尼之前做续集，从来都是直接发录像带，从没上过院线，他们的思路是，好东西只做一次，上院线，然后不过度消耗这个IP说的太对了，但当时还有一个信念，就是续集不可能拍的一样好。你做的永远是个次一等的东西，而且他们当时，其实没怎么做过续集，现在想想挺讽刺的，因为现在完全反过来了，现在拍第一部电影的目标，就是能做出一个系列，好让IP在之后被不断开发，玩具总动员2就是他们学到教训的地方，哦原来这真是一条可行的商业模式，其实是皮克斯团队去找迪士尼说，嘿这样不行，我们不想在皮克斯搞什么A队和B队，因为A队在盲虫虫危机B队明显在做那个预算更低，发行规模更小，直接发录像带的东西，我们不知道怎么干，迪士尼说行吧，于是1998年2月，迪士尼说玩具总动员2批准你上院线，但问题是这不算不算在那五部片的协议里，所以史蒂夫意识到，玩具总动员二会成功，然后他又想重新谈判，他去找艾斯娜说。能不能把续集也算进那五部片的协议里，与此同时，迈克尔艾斯娜心想，我凭什么答应，合同上写什么就是什么，我们当初谈这个协议是有原因的，你想改协议条款，我不想改，那我们就按现在的协议来，对，你能看出来，这关系是怎么开始恶化的，是啊是啊，他们拍出了玩具总动员二，不算在协议里，他们让他上了院线，票房将近5亿美元，皮克斯当时票房最高的电影，而迪士尼一路笑着去银行，学到了续集真的能很赚钱，确实。 [02:06:44]
David Rosenthal：所以与此同时，这一切的大背景是，史蒂夫，乔布斯，已经回到了苹果，到这个时候，苹果已经收购了Next史蒂夫现在是苹果的CEO正带领苹果的转型和复兴iPod出来了iTunes也出来了iPod和iTunes的一大营销口号。，就是RipMixBurn但你知道谁不喜欢Rip这个词吗，迈克尔艾斯纳，于是艾斯纳在2002年去国会作证，反对科技行业，还专门点名批评苹果的RAPMixBurn营销活动，说他是在鼓励通过数字盗版，窃取知识产权，而鲍勃艾格在《一生之旅》里有一句话，很明显，皮克斯越来越趾高气扬，而迪士尼正在失去底气，这两个意志坚强的人，注定要为争夺主导权而战，天哪。如果你真想戳史蒂夫·乔布斯的痛处，在皮克斯谈判里跟他较劲是一回事，跑到苹果那边去攻击他，那是另一回事，不过，平心而论。 [02:08:13]
Ben Gilbert：艾斯纳也有他的道理，迪士尼当时有庞大的音乐业务，庞大的专辑业务，我是说专辑原声带，比如，而且不管怎样，到这个时候，大家基本上都团结起来了，也意识到音乐行业正在发生的事，接下来是不是就要轮到电影了，对所以他当时有理由担心，但确实你大概不该去招惹，史蒂夫·乔布斯和苹果。
David Rosenthal：那可是你在皮克斯最重要的合作伙伴之一，然后事情变得更糟了《海底总动员》是这笔交易里的下一部电影，就在《海底总动员》制作过程中，艾斯纳看了其中一个片段的早期样片。
Ben Gilbert：觉得不喜欢，故事版本来就是这样，一开始都很粗糙，这就是皮克斯的迭代流程，靠这个把片子改好，早期的版本总是很烂，对，到这个时候，皮克斯已经成了。 [02:09:01]
David Rosenthal：迪士尼董事会层面的话题，看完海底总动员的片段后，艾斯娜给迪士尼董事会，写了一份备忘录，说她已经看过那个片段了，这是一部烂片，会扑街，而且对那帮人来说，这会是一次现实检验，皮克斯失败，对迪士尼在谈判中的筹码，大有好处，且不说迪士尼在海底总动员，里能拿到超过50%的收益，按理说你应该盼着他成功才对。
Ben Gilbert：备忘录泄露了，对吧，备忘录从董事会泄露给了媒体，然后乔布斯就能看到，迈克尔觉得海底总动员不行，他还在暗地里盼着他失败，尽管皮克斯才是跟他一起，做这部片子的创意伙伴，而且这样能在谈判中给皮克斯施压，你几乎可以这么理解，我要主动让他失败，好增加我们的谈判筹码，对然后《海底总动员》在2003年上映，迈克尔错的不能再错了。
David Rosenthal：它全球票房8.71亿美元，成为2003年票房第二高的电影，仅次于《指环王》《王者无敌》之后他们又发行了家庭录像DVD版，所以就算在这之前。 [02:10:07]
Ben Gilbert：咱们说影院大概拿走4亿美元，那剩下4.7亿美元归迪士尼和皮克斯，对，光这一部片子DVD都还没算进去，那可是好日子啊Ben真是好日子。
David Rosenthal：海底总动员的DVD就像当年狮子王的VHS一样VHS时代的巅峰是狮子王，而海底总动员的DVD就是DVD时代的顶峰，绝对的顶点。
Ben Gilbert：家庭录像的顶点，对DVD时代家庭录像的顶点，因为那时候连Netflix都还没开始流媒体，这可是2004年，没有流媒体，这就是巅峰，我们在调研里听到。
David Rosenthal：迪士尼和皮克斯的海底总动员DVD总共卖出了6500万张，横跨所有时间段，每张30美元，每张30美元，那就是20亿美元的家庭录像毛收入，所以海底总动员的总毛收入，大概在30亿美元上下，光算院线和DVD两项，这还没算周边，没算主题公园，也没算电视版权，史蒂夫和皮克斯确实被现实敲了一下。 [02:11:00]
Ben Gilbert：而那个现实就是，他们根本不需要迪士尼，洛杉矶时报在海底总动员上映后不久，就发过一篇文章，皮克斯的电影近年来占了华特迪士尼工作室，高达一半的营业利润，其中很大一部分来自海底总动员，别忘了同一时期迪士尼动画在发行《新引导》和《亚特兰蒂斯失落的帝国》，所以乔布斯很恼火，他带着一个更强硬的还价回来了，他觉得到这个时候，皮克斯已经是一家成熟的，知道怎么派出爆款的工作室，而他只把迪士尼看作融资和发行的合作伙伴，没错，这话没错，但他们确实还有一份合同，里面还剩下两部片子，他向艾斯纳提了一个方案，而两人的关系就是从这开始彻底破裂的，皮克斯应该拿100%的利润，而不是50%而且他们现在也愿意自己掏钱拍片。迪士尼只拿10%的发行费，就跟卢卡斯影业和福克斯的合作差不多，最狠的是乔布斯还要求迪士尼，放弃对过去那些电影的共有版权，乔布斯很清楚，这时候迪士尼非常需要，皮克斯艾斯纳坚持立场，拒绝了，说实话，史蒂夫这次要价确实太高了，迪士尼答应这个方案，在经济上根本不划算，因为史蒂夫搭的那个框架里，迪士尼几乎没什么赚头，但要是真失去皮克斯，而他又是眼下唯一在赚钱的东西，那代价也太大了，对，除了ESPN对，就这样，事情走到了2004年1月，皮克斯单方面终止了谈判，他们发了一份新闻稿，听众朋友们，我们会把链接放在节目里，其实我觉得，我们还会把新闻稿的截图，放进我们发出的邮件里，我是在waybackmachine上找到的。你们真的能看到皮克斯，把它挂在了官网上，经过10个月，试图和迪士尼达成协议的尝试，我们决定继续前行，我们曾有过一段辉煌的合作，是好莱坞历史上最成功的合作之一，可惜迪士尼不会参与皮克斯未来的成功了，典型的史蒂夫·乔布斯，这绝对是史蒂夫亲手写的，绝对是史蒂夫写的，等皮克斯拍完合同里的超人总动员2004年和赛车总动员2005年合作就结束了，皮克斯正在积极和其他好莱坞制片厂洽谈，他们觉得到这一步，自己只需要一个发行方就够了，迪士尼这边其实在公司内部，新成立了一个工作室，叫Circle七动画，任务是立刻开始开发，玩具总动员三，怪兽电力公司二，和海底总动员二，对，我觉得他们其实已经对，玩具总动员三动过手了，天哪。你放心吧，那东西现在肯定被深埋在宝库最底下，对，所以这一切都发生在，艾斯娜执政的最后关头，对，这是当时的背景板，正好赶上拯救迪士尼运动，康卡斯特的收购要约，股东代理投票CEO林选这些事，事实上就是在那场炸了锅的财报电话会上，对，不只是加勒比海盗，还有海底总动员，没错，没错，那两部电影都是那个季度上映的，对，所以这就把我们带回到鲍勃，艾格给史蒂夫打的那通电话，以及他的信念，皮克斯必须进来，成为迪士尼的一部分，而且不只是被迪士尼收购，而是要接管迪士尼动画，你要是史蒂夫乔布斯，接到这种电话会觉得挺疯的吧，就是说，我前任把桥烧了，我想买你，我基本上什么价都愿意开，而且我还想让你们进来。接管我们经营的核心业务，全世界最富盛名的动画工作室，我们这是举白旗认输了，请你们进来接管，把它修好，对。 [02:15:01]
David Rosenthal：我觉得史蒂夫太惊讶了，以至于这通电话打开了门。以至于这通电话打开了门，促成了两人之间这段极好的关系，就像鲍勃跟罗伊和解，瞬间修复那段关系一样，他几乎也是瞬间就修复了，跟史蒂夫乔布斯的关系。
Ben Gilbert：听众朋友们，我们为这期节目做准备的时候，跟鲍勃艾格聊过，艾格有个想法，在给史蒂夫打电话之前，他先去找了董事会，说嘿，我能拿到授权，去跟史蒂夫乔布斯，谈收购皮克斯的事吗，他说这事太不可思议了，整个董事会都震惊到，忘了说不行，对，所有人都只是，行你打吧，因为他们觉得，这事根本不可能成，史蒂夫不可能答应。
David Rosenthal：于是鲍勃给史蒂夫回电话，把这个想法抛了出来，迪士尼要收购皮克斯，但会完整保留它，作为湾区的一家独立工作室，用自己的油箱域名，保持自己的文化，什么都不变，约翰和艾德继续管皮克斯，同时每周两天南下到洛杉矶，接手并管理迪士尼动画，有意思的是，艾格还说，嘿。
Ben Gilbert：拉塞特和卡特莫尔，你们也可以直接告诉我们，说迪士尼动画没救了，或者说你们觉得两头跑，会把两边都搞砸，你们可以直接说，想把迪士尼动画关掉，那样的话，皮克斯就变成我们唯一的工作室，对，拉塞特和卡特穆尔的态度是，我们不可能那么做，迪士尼动画对我们这一行，所有人的出身来说太重要了，他们飞过去跟人见面，然后发现，这里其实有很棒的人才，只是没被带好，他们觉得可以把自己的流程带过去，建立智囊团，改造办公楼的结构，把皮克斯那套方式引进去，让迪士尼动画重新伟大起来，他们真的做到了，最疯狂的地方就在于，约翰和艾德本来可以选择，看着对手，然后一刀砍掉他们的头，决定怎么处置，但他们没有，他们说不不不，我们要进去。 [02:16:15]
David Rosenthal：我们要把这个东西重新做好，对，所以很快，他们就谈成了交易74亿美元，用迪士尼股票支付，新发行的迪士尼股票，这让史蒂夫·乔布斯，成了迪士尼最大的股东。 [02:17:05]
Ben Gilbert：7%对，我记得是7.7%哇，公司股份，而且他会加入董事会，到这个时候，比整个迪士尼家族，加起来还要多得多，对，所以这事就定了。
David Rosenthal：两家董事会都批准了这笔交易，他们准备对外宣布，宣布当天早上，鲍勃飞到埃莫里维尔，去皮克斯园区，在正式宣布交易之前，他们要跟全公司见面，史蒂夫走到鲍勃面前说，咱们俩在皮克斯园区里走走吧，就我们俩，走了一会儿，他们坐在一张长椅上，史蒂夫说，我得告诉你一件事，你必须保密，我的癌症复发了，我不知道自己还能活多久，那是2006年1月，正好是他们要宣布收购的时候，史蒂夫说，我想过了，我觉得有义务在宣布交易之前告诉你，而且我想给你一个退出的选择，如果你愿意的话，因为你知道，我马上就要成为，你最大的股东了，我不知道我死后，我的股份会怎么样，鲍勃说，哇这信息量太大了，而且我只有30分钟，对，我只有30分钟做决定，而且我不能告诉任何人。史蒂夫永远是那个谈判高手，但他做了决定，交易照常进行，但是，天哪，这太让人崩溃了，史蒂夫后来还活了五年半，但他和鲍勃还有苹果，然后很快全世界都知道了，那都是借来的时间，这就是史蒂夫卖掉皮克斯的原因，我们这期节目做研究的时候，有一个问题，如果皮克斯保持独立，他们真的能建立起一个完整的，基于飞轮的，能跟迪士尼抗衡的对手吗，我的意思是，他们已经打败了迪士尼，在每个维度上都赢了，那他们为什么要卖。 [02:18:27]
Ben Gilbert：我们问过所有迪士尼的人，也问过所有皮克斯的人，还问了所有能问到的人这个问题，因为从商业战略的角度看，他们完全具备条件，对，他们有核心IP有电影，可以慢慢进入主题公园领域，五部电影之后，他们就能掌握自己续集，和周边产品的权利，他们做得到，但直到我们和所有相关人士聊过之后，才意识到，不，根本没有可能，皮克斯永远，永远，永远都不会去做那些，成为迪士尼所必须的事情，我觉得有两个原因，第一，皮克斯就是沃尔特在1940年，建造伯班克动画园区时，想要的样子。 [02:19:04]
David Rosenthal：那是一个乌托邦式的，充满创造力的艺术家天堂，皮克斯没有那些穿西装的官僚，一切都围绕故事，艺术和电影本身，而神奇的是，通过被收购。
Ben Gilbert：他们保住了这种状态，对，我是说早期确实没有西装官僚，但所有西装官僚，都在伯班克埃莫里维尔这边，只管安心搞创作，就是这种疯狂的历史进程。
David Rosenthal：让这个宝藏得以在埃莫里维尔存在，而他在迪士尼内部反而做不到，在博班克的迪士尼动画部门，想把它打造成乌托邦式的天堂，是行不通的，因为它同时还得是一门生意，对，在他们卖给迪士尼之前，能让这一切成立的那个人，是史蒂夫乔布斯，对，就是说只有史蒂夫能做成这件事，而且我确实觉得，如果史蒂夫还活着，如果他有精力在经营苹果的同时，去做这件事，或者谁知道呢，甚至把两家公司合并，他可能真能做成，他本可以打造一个，迪士尼的竞争对手，但他知道自己快要死了。 [02:20:07]
Ben Gilbert：对，但如果没有史蒂夫，你可以想象皮克斯，其他人面面相觑，心想，我们谁有兴趣去做那种事，对，我们不会去做的，我们只想继续做出，好的难以置信的故事，让观众开心，尽我们所能，做出最好的动画电影，没错，没错，这成不了迪士尼的竞争对手，对，所以皮克斯必须找到一个归宿，而且，尤其是迪士尼就是那个归宿，这件事让一切回到了原点，华特时代的动画，有一个精神继承者，就是迪士尼文艺复兴，而迪士尼文艺复兴，又有一个精神继承者。
David Rosenthal：就是皮克斯，是的，绝对如此，而这带来了迪士尼动画的复兴，公主与青蛙，魔法奇缘，冰雪奇缘，超能陆战队乌托邦，海洋奇缘，都是皮克斯时代，与此同时，皮克斯的佳作也接连不断，赛车总动员料理鼠王，那部电影在收购之前，就已经是件大事了，当时有消息传出来说，皮克斯在做一部关于老鼠做食物的电影，在厨房里，对，谁能想到拍这个，多糟糕的点子，结果，神作，机器人总动员，飞屋环游记玩具总动员3《勇敢传说》《头脑特工队》全是顶级作品，所以多年以后，这些电影陆续上映，在史蒂夫去世前的几个月，他和妻子劳林跟鲍勃，艾格夫妇，吃了最后一顿晚餐。席间，史蒂夫举杯向鲍勃敬酒，说，看看我们做了什么，我们救了两家公司，我第一次读到这段是几年前，我当时想，我不太懂，我懂他救了迪士尼，但怎么救了皮克斯，现在做完完整研究，明白了史蒂夫当时将不久于人世，而皮克斯没有他，真的没法独立走下去。 [02:22:20]
Ben Gilbert：这就是他们俩一起救了两家公司的故事，真的太不可思议了，是啊确实，说到验证迪士尼动画这件事，我其实一直很好奇，迪士尼动画是怎么变成那台爆款机器的，它们不是皮克斯电影，但风格跟皮克斯那么像，我们为了准备这期节目，跟克里斯汀贝尔聊过，他当然在冰雪奇缘里配安娜，他非常确认，今天迪士尼动画的运作方式，跟90年代初那套皮克斯蓝图很像，是个迭代的过程，核心就是你在看早期样片和剧本的时候，要确保能感受到故事有没有立柱，这种不带自我的接受意见的协作方式，愿意停下来，拆掉故事，不行，就重建，他的看法是，这其实跟迪士尼这家公司，为什么能运转，有很大关系，对，现在听到这个特别有说服力。这都算算收购之后20年了吧，对，所以如果我们今天坐在这儿，回头看皮克斯收购，这显然是个巨大的成功，首先他明显救了迪士尼动画，如果你相信那个论点，就是他是这家公司一切好东西和持久力的核心，那好，收工答案太简单了，他们付了74亿美元，扣掉10亿现金，是64亿，实际上64亿就是你要跨过的门槛，有好几种算法，大卫咱俩之前做过海底总动员那个练习，还有另一个算法，可以一个IP一个IP的算，玩玩具总动员，但是票房就超过40亿美元，也就是说迪士尼能拿到15到20亿，所有玩具总动员周边商品，至今累计零售额300亿美元，按迪士尼5%的授权费算，这又是20亿。所以保守估计迪士尼从这上面拿到35亿美元的高毛利收入，这还没算他对迪士尼乐园的贡献，对，他们在四个园区里有19个游乐设施，还有两家酒店，这还没算迪士尼家收入的任何分摊，也没算他们长期跟Netflix签的那些授权协议，或者天哪，当年玩具总动员一和玩具总动员二，那些甜得不得了的家庭录像带收入，所以光玩具总动员一个IP你就能收回至少一半，可能三分之二的收购价，这还没算那些周边的飞轮收入，但我觉得，真正最有用的论证方式是这么看，我们听说迪士尼家，每周观看量前15的电影里，绝大多数是皮克斯或迪士尼动画，不是真人电影，不是星球大战，不是复仇者联盟，是孩子们一遍遍看的东西。而那些迪士尼动画电影，孩子们现在真正在看的那些头部作品，都是2005年之后，卡特莫尔和拉塞特时代的片子，孩子们不会坐在那，反复刷白雪公主，他们看的是，冰雪奇缘，魔法满屋，海洋奇缘，疯狂动物城，而且这是在Disney加号上，这是公司过去十年下的，最大战略赌注，他们所有的筹码，都压在公司未来上了，对，毫无疑问，这笔收购绝对救了公司，所以皮克斯之后，鲍勃和迪士尼董事会就想，这招挺管用，下一步还能干点啥，而这正好契合《鲍勃三点战略》里的第一点，绝对的，做出最好的内容，好，大卫《星球大战》《星球大战》和漫威。 [02:25:23]
David Rosenthal：漫威在前2009年，迪士尼以40亿美元收购漫威，这在当时相当反主流，人们觉得，你花40亿美元买一家漫画公司，漫威电影当时已经开始上映了。 [02:26:10]
Ben Gilbert：《钢铁侠》已经出来了，我记得还有几部也成了爆款，但没人能预见漫威在迪士尼旗下会变成什么样，对超级英雄电影，当时并没有一套现成的成功公式，很多年前有过蝙蝠侠，很多年前有过超人，最近还有一部蜘蛛侠，其实是授权给索尼的，在采取这个策略之前，漫威其实把自己最厉害的角色都授权给了别的公司，别的制片厂，制片厂，所以这笔收购很怪，因为买的基本是些剩下的角色X战警用不了，因为福克斯已经有了，蜘蛛侠用不了，因为索尼已经有了，钢铁侠已经拍过电影了，而真正的大牌超人和蝙蝠侠，都在DC那边，那你买漫威到底买的是什么，但漫威影业和迪士尼的团队，真的想明白了，这里我们不展开细节，但他们把漫威电影宇宙，打磨成了所有，想把自己的系列。做成宇宙的人的学习范本，这种非常精细的世界构建，把所有相互关联的电影，串起来，最终汇聚到复仇者联盟，漫威电影宇宙的前三个阶段，真是一场系列构建的大时刻，到2025年，漫威电影宇宙已经成为影史最成功的电影系列，票房接近320亿美元，比星球大战多，比詹姆斯邦德多，比任何系列都多，当然37部电影也有帮助，对，它们产量相当高，复仇者联盟4终局之战，影史票房第二高的电影，仅次于阿凡达，我记得，对我觉得没错，要估算这事的盈利能力，其实挺难的，因为你得塞进去太多假设，但可以这么说，光是漫威电影的票房，利润就有几十亿美元，然后当然，还有消费品主题公园的改编，还有一阵子的家庭录像，因为那些漫威电影。当时还在，早期的那些，对，蓝光时代，然后当然，人们订阅Disney家的一部分原因。 [02:28:12]
David Rosenthal：也是这个，所以漫威也一直很成功，对漫威也一直非常棒，我觉得这其实就是，皮克斯那套逻辑的，另一个版本，这里有很棒的故事，和讲故事的人，那就给他们一块，更大的画布去挥洒，对，而且效果好的惊人，好的不能再好了，然后是2012年的，卢卡斯影业，又是40亿美元，我得说，这又是完全不同的情况，但故事的内核是一样的，这是人类过去100年里，最伟大的故事之一，甚至可能没有之一，就是最初的星球大战系列，神话的缔造，对神话的缔造，然后给他一块更大的画布去挥洒，对回头看这些挺有意思的。
Ben Gilbert：艾格真的很擅长识别那些顶级的A加级的知识产权系列，那些还有成长空间的，然后把他们收进自己的阵营，因为现在迪士尼拥有的太多了，剩下的已经不多了，我是说还有哈利波特，还有任天堂宇宙，还剩那么几样，但艾格在别人之前就看到了这一点，拿着比很多人愿意掏的更大的支票布进场，为此还稀释了迪士尼的股权，这些收购很多都是股票收购，但现在这些东西都是他们的了，另外想想为什么，卢卡斯影业和漫威的收购价，远低于皮克斯，也很有意思，低的不是一星半点，卢卡斯影业对我来说，似乎很好理解，因为它显然没有产生那么多，他们当时没有任何电影在制作中，对付的比皮克斯少，当然是对的，结果证明，他们当初为漫威愿意付的钱，其实也应该少得多才对，没错。因为星球大战后面，其实没有那么多可挖掘的空间了，而且说实话，做的也不够好，不过那个，这个我们待会会讲到，对，对漫威的复仇者联盟系列，有37部电影，而且现在也有我喜欢的，星球大战新内容，安多好的离谱，侠盗一号也好的离谱。侠盗一号也好的离谱，不过对，没错，所以靠着这三笔收购。 [02:30:12]
David Rosenthal：迪士尼的飞轮重新转起来，而且飞得更高了，核心的电影角色和故事回到了历史巅峰，不只是迪士尼动画，现在皮克斯、卢卡斯影业和漫威也一样，迪士尼的核心比过去大的多，也多元的多，消费品方面冰雪奇缘，上映后，迪士尼在电影上映后的第一年，就卖出了300万条艾莎和安娜的裙子，但到2015年，迪士尼零售商品的年总销售额超过500亿美元，比过去五年涨了将近一倍，公司里这些角色和IP的健康度，看这个数字就明白了，音乐方面，迪士尼的热门金曲回来了，随它吧，拿了奥斯卡最佳原创歌曲奖，而且你听这个，特别夸张，冰雪奇缘，原声带是2014年销量最高的专辑，算上流媒体折算。卖了一千万张，甚至超过了泰勒斯威夫特的1989哇，我家姑娘们喜欢泰勒，但他们可能更喜欢冰雪奇缘，哇。 [02:31:12]
Ben Gilbert：乐园也复苏了，迪士尼2012年在洛杉矶开了，汽车总动员乐园，说个有意思的事，其实在收购皮克斯之前，他们原本就在开发汽车天地了，对，后来他们买下皮克斯，就想，那干脆直接做成汽车天地吧，对，那会儿还是幻想工程师们独立开发园区，跟IP飞轮那套还没什么关系，没错，总体来看。
David Rosenthal：从2005年鲍勃接手到2015年这十年间，乐园收入差不多翻了一倍，营业利润差不多翻了三倍，而且那段时间迪士尼的市值涨了四倍，达到2000亿美元，鲍勃接手时是500亿，总收入从320亿涨到520亿美元，营业利润从47亿涨到147亿，太惊人了，我还是要反复提有限电视利润。
Ben Gilbert：因为那一直是他们手里这份，有合同保障，源源不断的现金生意，你把那三笔收购摆在一起看，光看价格标签会觉得离谱，尤其是当时根本不知道他们怎么回本，皮克斯74亿，把现金也算进去的话，差不多等于当时有线电视两年半的利润，对，漫威40亿，还不到2009年有线电视一年的利润，卢卡斯影业2012年那笔40亿，也远低于有线电视一年的利润，对ESPN一直在提供现金流支撑这一切，说得太对了ESPN的钱买下了皮克斯，漫威和卢卡斯影业，大概用了ESPN四年的有限电视利润，没错，这几乎有点像巴菲特的路数，巴菲特组合里，既有产出现金的资产，也有消耗现金的资产，他做的就是想办法从那些。没法有效在投资的现金生产者手里，把现金最高效的抽出来，再投到能再投资的地方去，对说到ESPN到了2015年ESPN和迪士尼，其他业务都如日中天，这套策略看起来简直天才，华尔街喜欢，消费者也喜欢，各个IP都健康运转，不断铲除大家爱看的内容，乐园也做得很好，迪士尼上下看起来，个个都是天才，对就像你说的，鲍博终于找到了，把公司这两边，捏合起来的办法，用ESPN这个现金流喷泉，去给迪士尼这边的飞轮添柴加料，一切都运转得很好，对，可惜的是，股价在迪士尼2015财年，第三季度财报电话会议的当天，创下了历史新高，历史新高，除了那个诡异的疫情异常值，那个我们后面会讲到2021年有那么一小段。 [02:33:08]
David Rosenthal：股价短暂冲得更高，对，所以在2015年8月4日，那次财报电话会上，鲍勃·艾格提到ESPN正经历，原话是，由于消费者减掉，退订有线电视。 [02:34:01]
Ben Gilbert：订户出现小幅流失，后来迪士尼的年报披露ESPN当年流失了300万订户，但总订户仍有9200万，但毕竟它之前只涨不跌，我记得它大概冲到1亿左右，然后平稳了一阵子，因为1亿户家庭，基本上就是全美国了，对但ESPN以及任何跟ESPN相关的东西，收入只涨，利润之涨，所以这是个冲击，尽管大家早就开始议论，哦减掉要来了，而且年轻人搬家后，不一定会开通有线电视，他们喜欢在网上看东西，当时大家就说，对对对知道了，但数字还在往上走，所以我们都觉得没事，对这件事在整个媒体行业，引发了一场几乎失控的恐慌ESPN和这次财报电话会就是正中。
David Rosenthal：大家早知道这事要来，就像你说的Ban当时Netflix市值都已经500亿美元了，所以对任何人来说都不该是意外，但就在第二天迪士尼股价跌了10%接下来几天，福克斯，时代华纳和探索频道都出现了类似的回撤，而维亚康姆，大家认为他跟有线电视网络的绑定更深，直接暴跌超过20%而且我们得说一句，免得把重点埋没了。 [02:35:06]
Ben Gilbert：迪士尼今天的股价跟当年是一样的，对，它涨过也跌过，但跟11年前比基本持平，对，与此同时标普500指数David你跟我说这段时间涨了多少来着，这段时间涨了3.5倍，对，市值不是一切，但它确实能衡量投资界，认为你公司现金流在极长期内，值多少钱，对，所以我们不是说迪士尼的营收，一直持平，利润一直持平，这些我们后面都会讲到，我们要说的是11年前，人们认为迪士尼的未来有多光明，折算成未来现金流，跟今天他们认为的一样光明，对好。
David Rosenthal：我们接下来要聊的，就是这次财报电话会之后，整个传统媒体行业，剩下的部分都发生了什么，对迪士尼成功保住了独立，对对，所以那一刻开启的，我真的不知道怎么形容，只能说是媒体行业历史上，最疯狂的一段恐慌期，我是说，也许是任何行业历史上最疯狂的，基本上，影视圈里的每个人都在同一时间决定，他们必须采取激烈行动，来应对减掉和流媒体的崛起，所以在接下来的几年里，时代华纳把自己卖给了IT和TU改了主意，把时代华纳分拆出来，然后他跟Discovery合并了Viacom跟CBS重新合并，但那些品牌都不行，所以他们决定用自己旗下的制片厂来命名，叫派拉蒙，派拉蒙差点被债务压垮，然后大卫，艾利森和拉里，艾利森。对，就是那个拉里，艾利森，把它买下来，并入了SkydanceMedia所以它变成了SkydanceParamount那正是大卫艾利森。，创办并经营的公司，对，然后当然，这一切最终汇聚到了，我们现在正在经历的2026年，华纳兄弟探索，差点被Netflix收购，结果看起来反而要并入，拍大萌Skydance这个疯狂梦境里，所以。 [02:37:07]
Ben Gilbert：外面简直是一片混乱，目前还在搁置中，截至录制日期，还有法律挑战在等着，所以我们走着瞧，但真正发生的是，所有这些传统媒体公司，除了迪士尼之外。
David Rosenthal：基本上都变成了，科技公司流媒体王国里的农奴，而Netflix和YouTube才是真正的赢家，对，我觉得这个说法很准确，我是说，你只要做一个最简单的练习。
Ben Gilbert：看看现在电影电视，好莱坞领域里谁在赚钱，那就是NetflixYouTube和迪士尼，再产生大额利润，对，所以迪士尼决定推出，迪士尼加鲍勃和董事会。
David Rosenthal：基本上划了一条线，他们说，我们不会坐以待毙，像其他人一样，被Netflix干掉，我们要站起来正面迎战，我们要建立自己的，直接面向消费者的流媒体公司，这要追溯到鲍勃成为CEO时，向董事会做的战略陈述里的，第二优先事项，而且你看，这完全值得称赞，也可以说这是必要的，我是说没有迪士尼飞和自己的流媒体服务。 [02:38:11]
Ben Gilbert：迪士尼就无法控制自己电影和节目的可发现性，而这太重要了，你想把人吸引到乐园里，他们就得跟IP和角色产生互动，对挺有意思的，你和我来之前有个想法，你就继续拿着Netflix每年付给你的几亿美元，继续把你的内容放在Netflix和其他平台上，然后下游的一切，所有消费品乐园等等都会运转得更好，因为你的内容覆盖了全世界，而这个想法的问题在于，一旦Netflix的算法决定了，家庭能不能看到你的电影，你就有了大麻烦，没错，没错，你没有任何有保障的分发渠道，有了Disney家，我们待会会聊聊这里面所有的取舍，因为天取舍真的太多了，但核心逻辑是，如果我们这么干，自己搭起流媒体服务，那我们就能和消费者建立深度，直接的关系，我们可以在Disney加上打造一整个宇宙。更深入地挖掘某部电影里的角色，这能创造更多IP给乐园用，又能带来这些周边商品的机会，衍生剧，所有这些，而且想想都觉得疯狂，在此之前，迪士尼和任何客户都没有直接关系，除非你去过乐园，一百年来，你要是买家庭录像，是从零售商那买的，你要是去影院，就是去影院，或者你订了有线电视，迪士尼根本不知道你是谁，对，迪士尼不直接从消费者手里收钱，除了乐园，他们也不收集邮箱，家庭住址，或者人口统计信息，他们只是从分销商那拿到支票，然后相信另一端有个终端消费者，没错。 [02:39:30]
David Rosenthal：所以2015年8月之后，鲍勃和董事会很快拍板，咱们自己去造一个Netflix的竞争对手吧，或者更准确的说，咱们去买下造他需要的那些零件吧，因为迪士尼内部根本没有能力，去搭建和运营一个互联网流媒体服务，对，也就是这时候迪士尼差点买下推特，被遗忘的一张，被遗忘的一张，谢天谢地，这一张没有成真，所以对，他们开始四处看，想着市面上有哪些成规模的互联网公司，我们能买下来当底座，搭起我们的流媒体服务，基本上够得着的只有推特和snapchat其他都太大了，我是说这些都是巨无霸市值的公司，杰克多西碰巧当时也在，迪士尼董事会，所以他们基本上，把交易推进到了最后一步，然后在最后一刻。 [02:40:10]
Ben Gilbert：鲍勃退出了，他就是没法想象，迪士尼拥有并运营推特，那大概是个正确的决定，我觉得当时所有文件，都准备好了，他们打算周一早上签约，然后对外宣布，对吧，对。 [02:41:04]
David Rosenthal：然后他是周日晚上退出的，对，差不多是这样，非常临门一脚，所以推特这笔交易，黄了之后，他们转向了一个，更合乎逻辑的候选对象，虽然更隐蔽一些，就是BAMTECH对BAMTECH是个特别了不起的故事，它是一个流媒体技术平台，最初属于美国职业棒球大联盟，他们早在2002年，就开始为棒球比赛，做流媒体服务了，我记得当时做研究，翻回去看的时候，最初是为了把西雅图水手队的比赛，直播到日本，没错，因为林木一朗当时来到了MLB在日本是个现象级人物。
Ben Gilbert：而且我记得那时候任天堂是水手队的老板，没错，任天堂美国公司拥有水手队，这个团队其实是从做网站起家的，最初就是做网站，叫AdvancedMedia给美国职棒大联盟的球队做网站，后来他们又做起了日本的流媒体，还有陵墓伊朗的比赛，对，然后他们第一个，当他们从棒球业务里独立出来之后，我记得他们搭建了当时还在起步阶段的HBONow的流媒体后端，对对而且他们还接了NHL所以他们在做NHL的流媒体服务，所以这简直太合适了，他们能做体育流媒体，有运营过HBONow。
David Rosenthal：给HBO做流媒体服务，简直完美，所以2016年8月，迪士尼从美国职棒大联盟手里，买下了BAMTECH33%的股份，并且有权在未来几年内，把持股比例提高到多数股权，第二年也就是2017年，他们宣布要提前行使这个期权，收购BemTech的控股权，并且公开宣布，他们将在第二年，也就是2018年，为ESPN推出一个OTT直接面向消费者的流媒体服务，然后在2019年推出迪士尼的流媒体服务，而且就在同一个公告里Ben就像你刚才提到的，他们说要终止与Netflix的内容协议，到2019年把所有迪士尼，皮克斯，漫威和卢卡斯影业的内容，从Netflix上撤下来。 [02:42:33]
Ben Gilbert：而当时Netflix每年，为这些内容支付给他们数亿美元，对，而且那几乎是纯利润，对，没有任何成本，而迪士尼当时，整个公司的运营利润，大概是150亿美元，所以公司大约2%的利润，来自那一份Netflix的合同，而他们却说，行，我们要把这合同撕了，我们觉得从零开始建立一整个用户群，然后直接触达这个用户群，从长远看是值得的，而且你看这又是一个关键点，即使ESPN现在在走下坡路，但公司里有ESPN作为一道防线至关重要，正是因为有它迪士尼才敢这么做，说得好，这就意味着你必须削弱ESPN在流媒体上的内容，因为得让那台印钞机继续转下去，所以那个最终在2018年上线的ESPNPlus基本就是。一个没什么料的东西，对全是几乎没人想看的内容，因为好东西都还在ESPN那个印钞机一样的有线频道上，所以我们就把好东西留在那，多谢了。 [02:44:20]
David Rosenthal：而且你看对ESPN这块业务来说，转向直接面向消费者真的很难，因为转播费商业模式的神奇之处，就在于，不管订户看不看这个频道，你都能收到每用户费用，突然之间。
Ben Gilbert：你要转向按实际使用量收费，就像说，嘿，我只有从那些想看的人那儿，才能收到钱，这就是捆绑销售的神奇之处，如果你只卖一个产品，那些本来一分钱都不会付给你的人，现在也能从他们身上收到一些钱，愿意直接花大价钱，比如30美元订阅ESPN的人，远比愿意花507080100美元订所有频道的人少得多，你会错过所有那些，偶尔看看的球迷。偶尔看看的球迷，或者那些，非消费者，没错，没错，所以鲍博基本上发出了，全员出动的指令，他让迪士尼旗下，所有创意工作室。 [02:45:13]
David Rosenthal：迪士尼动画，迪士尼真人电影，皮克斯，卢卡斯影业，漫威，在原有内容计划之外，开始专门为2019年推出的，迪士尼第一方流媒体服务，制作内容，做好准备，然后他接到了，鲁珀特莫多克的电话，鲁珀特说，他和福克斯，显然也在经历和迪士尼，以及其他所有媒体公司，一样的战略审视和考量，鲁珀特得出的结论是，福克斯最好的出路，就是和迪士尼合并，把他的规模内容和努力，都投入到迪士尼的，第一方流媒体服务上，去和Netflix竞争，是把他的一部分资产合并进来。
Ben Gilbert：基本上福克斯做了分析，把所有有库藏价值，有重看价值的东西都看了一遍，然后他们说，未来几十年一个内容库最高，最好的用途就是放在这些，流媒体服务上，那些深度骗库，比如我晚上看着办公室入睡，所以我订了Peacock因为他们有库藏内容，我能看办公室，发展受阻，也一样，送飞正传，也一样，他们把所有数字算了一遍，然后决定，我们福克斯这边，真的不想掺和流媒体这摊事，让我们试着从那些，需要库藏内容的人那儿，卖个好价钱吧，但我觉得我们会留下所有价值，都在首播上的东西，所以新闻体育，他们基本上全力压住线性电视，而不是保留片库，因为保留片库就得搭建流媒体服务，这和迪士尼正好相反。迪士尼是留下那些重看价值高的东西，然后一遍又一遍的变现，对你说鲁珀特和福克斯，对他们的片库做了分析，对比流媒体，我猜那分析的一部分。 [02:46:56]
David Rosenthal：也让他们得出了结论，嘿，我们的片库就是不够强，撑不起一个，有吸引力的流媒体产品，确实如此，你知道他们有阿凡达，很棒，他们有辛普森一家，得了吧。 [02:47:09]
Ben Gilbert：谁会反复重看，阿凡达，没错，辛普森一家，也许还算能反复看，恶搞之家，恶搞之家，能反复看吗No国家地理频道呢，但你知道，那里面大部分是真人电影IP我们还有FX电视网，上面有《费城永远阳光灿烂》和一堆好剧，对不是完全没有，但光靠这些远远称不起一个，吸引人的流媒体产品，而且这些资产的协同价值，其实比他们对福克斯本身的价值高得多，因为你看其中一些东西X战警死士，金刚狼，神奇四侠，这些对迪士尼来说，价值远比对我们要大，完全正确，说到点子上了，所以2017年12月，他们宣布了这笔交易。
David Rosenthal：迪士尼将以520亿美元的全股票交易，收购福克斯所有的娱乐和国际资产，不包括福克斯新闻，福克斯体育，福克斯广播电视网。 [02:48:11]
Ben Gilbert：但包括片库和所有综合娱乐资产，那520亿美元是经过大量来回谈判之后的结果，已经是最终报价了，迪士尼上下把所有能跑的模型都跑了一遍，想搞清楚为了从这些资产里，拿到我们需要的价值，我们最多能出到多少，所以这笔交易基本算是敲定了，就差监管审批，跟往常一样，还得再花上好几个月，对，在监管审批期间AT和T那桩合并案出了个不同的裁决，没错，这让康卡斯特动了心思，我们之前觉得自己没戏了，因为觉得这交易过不了监管审批，但我打赌其实能过，要不我们试着插一杠子，就算迪士尼和福克斯说他们已经谈妥了，我们也可以扔个报价进去试试看，迪士尼最后被抬到了713亿美元，比他们最初签协议时整整多了190亿美元，对福克斯股东来说。这是白减的190亿，就因为康卡斯特插了一脚，对迪士尼当时的总市值大概在1700亿美元左右，所以这相当于整个华特迪士尼公司价值的40%。 [02:49:17]
David Rosenthal：比皮克斯漫威卢卡斯影业加起来还多得多，不过说句公道话，交易确实做成了，迪士尼通过出售福克斯的地区体育网络。
Ben Gilbert：还有他们在英国付费电视运营商Sky的股份，很快就把很大一部分收购价给还掉了，对，那两块分别是140亿和150亿美元，所以加在一起其实能减掉290亿，迪士尼实际支付，并且保留资产的价格大概是440亿美元，这就是这笔收购要回本需要跨国的侃，对，而且他们从拿到的这些资产里，很可能根本拿不回。
David Rosenthal：接近440亿美元的价值，就像我们说的，刘媒体服务的骗库资产有，当然好，但真不见得能带来多少新增订阅，或者留住多少用户，金刚狼和死士在票房上大获成功。 [02:50:06]
Ben Gilbert：阿凡达现在在乐园里也有了主题园区，对确实，这不算什么，他们确实拿到了Hulu三分之一的股份，对，作为这笔交易的一部分，他们之前已经拥有三分之一了，这次又给了他们三分之一，这样他们就拿到了控股权，对，这笔交易战略逻辑里，另一个重要部分，也是价格提高的原因，是福克斯在印度有大量资产，没错，内容和发行渠道都有。
David Rosenthal：这又回到了鲍勃给公司定的，第三大战略支柱，很好，我们需要进入印度市场，这是个好办法，但这些资产最终给迪士尼带来的回报，远不如他们预期2024年他们把这些资产，和信实集团合并了。
Ben Gilbert：估值只有当初收购福克斯时估值的一小部分，对但整体思路是我们要去买一个内容深厚的片库，还要买一个综合流媒体服务三分之一的股份，也就是Hulu而不是像迪士尼那样做有宇宙体系的精挑细选的垂直流媒体，这确实给了他们一个包罗万象的大杂烩，再加上迪士尼加高度精选的内容，就能在不稀释迪士尼纯净品牌的前提下，把这个综合娱乐平台做大规模，只要你能让消费者心里，把迪士尼家和Hulu清楚地区分开来，大概就是这么个策略，对，但毫无疑问，这是四大收购里最差的一笔，算上Bemtech的话，就是无比里最差的，对，不管怎么说，这笔交易在2019年3月完成交割，正好赶在迪士尼，推出期待已久的流媒体服务之前。 [02:51:00]
David Rosenthal：就在下个月2019年4月，他们在投资者日上，宣布了迪士尼家宝库的大门，就此打开，我太喜欢这段了，确实精彩，最初Disney家产品愿景的清晰度，实在令人敬佩，完全同意，那是一个非常吸引人的产品，迪士尼的全部IP皮克斯卢卡斯影业，漫威，还有福克斯的资产都进来了，然后他们公布了价格，首发价每月6.99美元。
Ben Gilbert：消费者直接疯了，我的意思是，他们打破了所有早期的注册预测，华尔街很喜欢，第二天股价就涨了11%到2019年4月底，股价累计上涨20%。 [02:52:17]
David Rosenthal：等到11月服务正式上线时，迪士尼在头24小时内，就拿到了1000万注册用户，第一个季度就有2600万，而且这一切的铺垫看起来都非常好，当时是2019年年中，皮克斯和迪士尼动画如日中天，卢卡斯影业也势头正猛，新的《星球大战》三部曲已经拍了三分之二，另外还拍了《侠盗一号》那是一部非常非常棒的电影，高级艺术，太棒了，漫威的势头也正达到顶峰，最高点我的意思是，这在好莱坞历史上都是前所未有的，复仇者联盟4终局之战即将上映，要在全世界刷新记录。
Ben Gilbert：光这一部电影，全球票房就有28亿美元，对，但可惜的是，表面看起来没那么风光，实际上，迪士尼每个核心IP之主，眼下状况都不太好，所以，要我说。 [02:53:11]
David Rosenthal：他们已经被榨干了，这是其中一部分，问题有一堆，皮克斯和迪士尼动画这边，正处在重大领导层交接期，约翰·拉塞特刚被赶出公司，爱德·卡特莫尔也刚退休，所以迪士尼这两大招牌工作室，都需要新的领导，卢卡斯影业看着风光，但正处在重大危机的边缘，游侠索罗刚在影院铺了街，观众还不知道。
Ben Gilbert：但第九部正麻烦缠身，而且是天大的麻烦，第八部和第九部之间，没有一个连贯的愿景，导演也不是同一个人，对，所以第八部走了一个有意思，但有点不太像星球大战的方向，然后第九部呢，就非得在上面，糊一层星球大战的凡士林，好让你想起来，这还是星球大战，糊到连帕尔帕廷都从阴间拉回来了，还有上万艘艰辛舰，从一颗星球上冒出来，拍得很烂，要是有点远见和愿景就好了，对对，但这事还没人知道，因为电影要到那年12月才上映，第八部跟它前后的那些电影，差别太大了，感觉就像大家彼此之间，根本不沟通，而且根本没有计划，对，第九部完全没有计划，这就是问题所在，然后漫威呢，漫威当时正靠着，复仇者联盟4。
David Rosenthal：终局之战处在绝对的高峰上，但问题在于，这真的就是终局了，故事结束了，而就在这个时候，迪士尼开始说，嘿漫威，我们需要你们开始为流媒体服务，产出更多内容。 [02:54:44]
Ben Gilbert：而且他以这种非常漂亮的电影化方式收尾，把15条不同的线索全系在了一起，漫威其实确实有非常强的远见，他高度协调，我记得最后那场戏我哭了，就是他们，太棒了，让每个角色都在回顾整件事，回顾他们处理那个响指的方式，反派灭霸的角色塑造，那是个非常能让人共情的反派，是个试图做正确之事的反派，这是最好的一种反派，如果终局就是终局，那真的很优雅，对，但如果你马上要把工作室的产量提高50%那就真的很不优雅了，没错，对，而他们确实这么做了，而且如果你往后看2021年之后的电影片单，在院线回报上可能真的是负的，你看，惊奇队长2蚁人3量子狂潮，永恒族。这还没算Disney家的那些剧，其中有些其实挺酷的，比如洛基和旺达幻视，但他们的出现，试图比电影更宏大，更广阔，更铺开，反而让原本的漫威宇宙，显得不重要了，对，我对洛基的不满在于，当灭霸在无限多元宇宙的，其中一条时间线里杀人的时候，谁还在乎他，你真正该关心的，应该是洛基在做什么，而不是那个可怜巴巴的，所谓MCU所以你知道吗，我花了十年时间投入在那上面，现在你告诉我那根本不重要，所以有个大问题就是它本该结束了，而无论是创意上还是商业上，后面出来的那些东西，人们都不想要，不管是在流媒体上还是在院线里，除了第二部黑豹，那部很棒，那部确实很棒。 [02:55:50]
David Rosenthal：确实很棒，对，但这一切还有你说的所有东西，都凸显了迪士尼在追求流媒体战略，要和Netflix正面竞争时做出的战略取舍，运营一个一线级的，直接面向消费者的流媒体业务，又是一个和迪士尼核心飞轮，或者ESPN转播费模式，完全不同的商业模式，对，如果你想运营一个，一线级的流媒体服务，一个要触达，最大数量订阅用户的服务，不是小众服务，而是Netflix那种级别的竞争对手，你的第一要务，就是留住已经注册的订阅用户，你得喂饱这头野兽，你得喂饱这头野兽。 [02:56:39]
Ben Gilbert：那些现有订阅用户的内容，不然他们就要流失了，没错，所以我想引用一下BenGilbert的话，天哪，什么时候说的，来自Acquired2019年那期Disney家节目的结尾，当时我们对Disney家兴奋的不得了。 [02:57:20]
David Rosenthal：那时候真的太让人激动了，但你在那期节目结尾，确实说了一句话，你说原话是，有一个让人怀疑的理由，说的是Disney家，就是我觉得迪士尼，可能低估了人们需要多少内容，才能保持满足，能接触到所有这些传奇系列的全部旧片库，是一件美好又了不起的事，但我会不会每个月花7美元，就为了保留一个随时能去看那些片子的选项，不会，如果哪天我想重温一部星球大战电影，我到时候再重新开通订阅就行了，他们真的需要在这里火力全开的猛灌内容，哎呀，你一句话说透了，你一句话说透了，这就是问题所在，那种内容火力全开的策略。
Ben Gilbert：跟只做最好的内容，而且很少做的费伦策略，完全是两回事，而迪士尼做的正是后者，最好的内容，偶尔上一次院线，制造一个文化时刻，然后安静一阵子，收割那一部电影的果实，但安静一阵子，而流媒体恰恰相反，每次我打开那个应用，里面必须得有新鲜的东西给我看，而且我忍不住想，迪士尼那些人当初做决定，把全部筹码押上去，加速以直接面向消费者的方式，冲进流媒体的时候，他们到底有多清楚这一点，对，最大的问题其实是，迪士尼有东西可以失去，他们有两样东西可以失去，一是他们现有的内容库，差异化程度极高，而当你往一个已经差异化的内容，宇宙上硬加东西时，反而会让原创内容变得没那么值钱，对。我记得在Disney加上看Obi-Wan剧集的时候，心里想，天哪，这有点颠覆了我对Obi-Wan的认知，是啊，没有我想象的那么酷，对，因为你有东西可以失去，你实际上是在冒险毁掉你原本那些很棒的东西，通过某种方式去污染它，毁掉你在市场上的竞争优势，靠的是，这个点说的太好了。 [02:59:15]
David Rosenthal：在一个顶级高质量的内容故事和角色的世界里，你每拍一部续集，都是在冒很大的风险，完全同意，而这就是风险所在。
Ben Gilbert：这就是为什么迪士尼在90年代之前不拍续集，对，后来是皮克斯向他们证明了，续集是可以拍的，而且可以拍得很好，你能把它做好，但你需要投入同样的用心经历和时间，对，皮克斯七年才出一步，没错，生产线不能随便加，第二点是，迪士尼这个品牌本身是有分量的，对Netflix的品牌对任何人来说都没什么意义Netflix这个品牌。Netflix这个品牌，就是我想看东西时在电视上按的那个按钮，有时候上面有好东西，但就算不好也无所谓，滑过去就完了，我对Netflix不会有什么特别的想法，迪士尼这个品牌是有东西可以输的，我会看第一迪士尼品牌，而这又会削弱你，作为迪士尼所拥有的富力士竞争优势，反过来如果你连续推出一堆好东西，哪怕时间上拉得更开，你非常克制，这跟流媒体的运营模式是不一致的，那它真的能给迪士尼这个品牌的池子加分，所以迪士尼拥有这样一个富力资产，而在跟Netflix正面对抗时，这个资产是有风险的，对，所以这就是迪士尼影视这边所有的战略取舍，然后还有整个有线电视ESPN那一块，对20182019年那会儿那边是什么情况，你可以想象。有线电视订阅被取消的速度，只会越来越快，而这其实仍然可以没问题，如果你处在ESPN那样的高杠杆位置上，你其实还能在一段时间内继续增长收入，因为你只要把价格涨得比，取消订阅的速度更快，没错，但后来大概到2023年，连这个也撑不住了，用户流失的速度太快，转播费再怎么涨，也追不上订阅用户的流失，然后收入从23年到24年就开始下滑了，基本上有线电视和ESPN进入了终局阶段，借用一下复仇者联盟的说法，对，所以这是ESPN收入端的问题，成本端还有个大问题，确实人们在推定有线电视，但我觉得只要你的成本是固定的，这还扛得住，但体育联盟现在意识到，他们能榨出多的多的价值。原来在整个看体育比赛的价值链里，利润的大头应该归体育联盟，而不是归那个夹在中间的网络NFLNBA我觉得他们过去几十年，都没把自己能拿的全拿干净，这可能是真的，但他们之前也施展不开，因为这么多年来，除了ESPN这些版权基本没有别的买家。 [03:02:03]
David Rosenthal：因为ESPN有那种规模经济的力量，他们拿到的现金和转播费最多，所以能出最高的价钱买体育版权，把其他人都挡在外面，除非是那种特别特别大的。
Ben Gilbert：广播电视网也会来抢的，现在新的买家出现了，就是科技公司，而且科技公司不光钱袋子深得吓人，至少在所有公司开始，把自由现金流全砸进AI资本开支之前是这样，建数据中心，对而且他们变现消费者的手段更多，所以同一个消费者，他们能比ESPN或者电视网，出更高的价，因为亚马逊能把你变成prime订阅用户，这就是亚马逊，拿NFL转播权的逻辑，对对，所以任何学过经济学的人，都能看出这墙上的字，价格由出价最高的人定，如果某个人的商业模式，在结构上就比你能变现的更多，那赢的就是他，价格也由他来定，没错，这就是ESPN赢了很多年的原因，也是现在科技公司赢的原因，另一个推高价格的因素是，随着线上内容越来越丰富。人们越来越倾向于，共享现场文化体验，这让体育变得比以往任何时候，都重要得多，人们为世界杯决赛门票，泰勒斯威夫特巡演门票，和超级碗门票付出的价格，也会体现在转播权交易里，对，有捐低效应，没错，就拿2006年ESPN买下的，周一橄榄球之夜转播权来说2006年是11亿美元2011年涨到每年19亿，到2021年已经涨到每年27亿美元，而且周一橄榄球之夜的收视率，其实还在上升，哪怕大家都在减掉，事实证明NFL就是我们都想看的那个东西，对，但ESPN面临的长期结构性压力在于，它曾经是你看极锦和回放的唯一去处，现在社交媒体上就能看到很多，所以长期来看，如果订阅某个频道的主要理由。最终变成了比赛内容本身，而不是比赛周边那些差异化内容，那么长期超额利润，最终都会被NFLNBA这样的版权方拿走，对而且说清楚，我们这期可能低估了ESPN的创造力和创新能力，机警SportCenter他们做的所有东西，都绝对了不起，还有PatMcAfeeShow天哪，还有Manningcast我简直等不及秋天看Manningcast和周一橄榄球之夜了，那是从大概7月15号起。 [03:04:25]
David Rosenthal：我就开始期待的事，他们确实是体育高质量内容，制作领域最顶尖的，不过这和迪士尼不一样，体育内容的保质期非常短，你不会回头去看上个赛季的ManningCastle的极锦，飞轮在这里不适用，所以你没法围绕那些原创内容，建立长期价值，当然像30for30那种东西可以，但那是ESPN里非常小的一个细分领域ESPN制作的绝大部分内容，保质期都非常非常短。
Ben Gilbert：这很有意思，因为内容保质期很短，但他们却锁定了这些，极其可预测的收入流，对有广告销售，他们得想办法把广告销售做好，但也就是上下几个百分点的波动，他们知道几年后，能从ESPN拿到多少自由现金流，而电影片单完全没法预测ESPN一直是那个稳定器，对我们这期聊到的，艾格最终领悟到的。 [03:05:24]
David Rosenthal：把这两块业务放在一起的美妙之处，就是拿那份稳定的现金流，去投资迪士尼的飞轮，对，我想说的是，并不是说，当ESPN面临这种压力的时候，他们就能在这里。
Ben Gilbert：开始建立自己的飞轮，不是的，这是一项正在衰退的资产，对，好，那带我们往前看，迪士尼家后来怎么样了ESPN家又怎么样了，所以，不管是好是坏。 [03:06:03]
David Rosenthal：我觉得迪士尼，要么是没看到，要么是不用去面对一个事实，他们的流媒体战略，在两边都存在着，相当重大的战略问题，因为就在他们推出之后，整个世界一下子天翻地覆，对。
Ben Gilbert：Disney家在2019年11月上线，真难以置信，他就一直那么摆在那里，就在应用商店里，在电视里，新官一来就赶上了，对2020年2月。
David Rosenthal：鲍勃艾格卸任CEO新官这事开始冒头了，他说，我会继续担任执行董事长一段时间，帮忙稳住过渡期，尤其是在乐园这边，在我们重新开放一切之前的几周，哦天哪，鲍勃查佩克，当然他之前是乐园业务负责人，已经接任新CEO2020年3月来了，所有人都意识到，新官这事不是几周就能过去的，迪士尼的市值，在2020年3月跌了40%因为乐园业务直接归零，真的归零一个人都没有，我是说迪士尼那年的净利润，实际上是负的，对，然后过山车开始往上冲了本，就像你说的，迪士尼飞就那么摆在那里，现在所有人都待在家里，当初宣布迪士尼飞的时候，迪士尼说他们的目标是在五年内。拿到6000万到9000万订阅用户，突然新冠来了，所有人都坐在家里，迪士尼在16个月内，拿到了1亿订阅用户2021年3月。 [03:07:37]
Ben Gilbert：他们宣布已经突破1亿订阅用户，远远超过了他们最激进的预测，股价一飞冲天，对这又是另一回事，当时是零利率，所以只要有任何好消息，市场的波动幅度就比平时大得多。
David Rosenthal：没错2021年3月，迪士尼在宣布这个消息后，市值冲到3600亿美元的峰值，他们看起来个个都是天才，而那一刻，他们确实是，我们之前聊到的那些战略问题。 [03:08:02]
Ben Gilbert：全都不是问题了，而且值得注意，它是在2021年1月1日前后触顶的，到了2021年10月，它就开始一路回落，跌回起点了，对，所以2021年12月。
David Rosenthal：鲍勃艾格彻底退休，进入下一年，迪斯尼家的战略开始出现裂痕，订阅用户数还算好看，但流失率很高，他们花大把的钱去拉新，去把流失的用户再拉回来，这就是跟Netflix竞争的流媒体服务，那种跑步机式的循环，你不仅每个月要给用户提供内容，还得让他们知道这些内容，在ESPN那边ESPN是不做面向消费者的营销的。
Ben Gilbert：那是有限电视公司的活，他们负责拉订阅，负责管理流失，在迪士尼这边，对，你得给新电影打广告，所以他们，没错，没错，你得花几千万甚至几亿美元，去给新片做宣传，但这里没有流失，这个概念，对，你不需要想办法留住每一个人，对，所以有意思的是，他们全都压住在Disney家和Hulu上，这个流媒体战略，问题是，流媒体里真的有一堆金子，值得去追吗，就像你刚才说的，它在结构上是个更差的生意，比不上以前那种有线电视套餐，躺着收钱就行，消费者随时能取消订阅，而且他们确实，每隔几个月就这么干，要做出你需要做的那么多内容，成本很高，尤其是现在，人们对流媒体内容的品质，期待很高，他们期待的是电影级别的，院线级的品质，电视剧。对，消费者不想要一大堆服务，你得自己搭建技术，还得在平台加新功能，改界面什么的的时候，保持用户体验出色，这非常烧钱，要雇好的工程师，好的设计师，好的产品人才，你得自己直接获取客户，贵，你得自己直接留住客户，也贵，他们流失了，你还得重新把他们拉回来，没错，而且关键是，你没有第二次变现窗口，不像限量版家庭录像重新发行那样，院线重映，然后是家庭录像窗口，那个，太棒了，那才是该做的生意，那是最好的，坐在这抱怨，盼着那套能回来，不是答案，但迪士尼在23年24年，确实看到了现实，天哪，流媒体不是一次性，投点钱建起来，然后就拥有一个优质资产，它是那种持续的，烧钱的。需要不断维护的东西，是我们以前从没应付过的，对，所以进入2022年，鲍勃查佩克做了一次重组。 [03:10:44]
David Rosenthal：基本上把整个公司都围绕流媒体战略重新组织，把所有工作室合并成一个汇报部门，我记得叫迪士尼媒体DemoAid与此同时，迪士尼飞的亏损在持续累积，因为他们把钱都花在制作，获客成本，流失管理和技术开发上，这一切在2022年11月，迪士尼第四财绩财报电话会议上达到顶点，投资者开始对迪士尼家的亏损，以及鲍勃查佩克和公司应对这些亏损的战略，提出大量质疑，而那次会议进行的并不顺利，而且还有各种自己造成的伤口。
Ben Gilbert：我的意思是整个公司到处都是，他们宣布要把一批幻想工程师搬到佛罗里达，然后取消了那个扩建计划，哪怕其中一些人已经买了房子，然后还有查佩克和佛罗里达州州长之间的那场争执，哦对，然后他们设计建造开业，并运营了一家星球大战主题酒店，我当时特别想去，虽然贵得要命，但我真的很想亲眼看看，你肯定会掏钱的对吧，结果他们很快就把它关了，感觉整个公司一片混乱，这还没算刘媒体那边的挑战和亏损。 [03:11:31]
David Rosenthal：财报电话会之后，董事会开会，解雇了鲍博查佩克，让他卸任迪士尼CEO那时他上任才两年多，然后鲍勃艾格，结束退休，回来重新当CEO。 [03:12:10]
Ben Gilbert：稳住局面，对，咱俩一直在来回聊这个，鲍勃为什么回来，鲍勃为什么需要回来，鲍勃回来意味着什么，说到底，我觉得他们就是选错了人，选了鲍勃查佩克，而且我觉得艾格推荐查佩克，接任时的错误在于，他以为公司要进入一段和平时期，对，一段只需要一个看摊子的人，但实际上恰恰相反的时候，就像对所有棋子都摆好了，迪士尼家表现很好，但事实并非如此，迪士尼家最后变成的样子，跟他们最初设想的样子差得太远了，这是一个完全不同的业务，完全不同的商业模式，而且我觉得迪士尼家战略带来的一系列连锁反应，不只是说好，现在执行战略就行，而是说我们还在实时学习很多东西，所以几乎可以说，当初推动这件事的人，得亲自把它走完。这绝不是一个扶着方向盘，确保公司被照顾好的时期，没错，然后事情变得更疯狂了2023年是好莱坞大罢工之年，对。 [03:13:18]
David Rosenthal：然后又有一次代理权股东之争，这次是艾克·普尔木特，漫威的前老板和董事长，还有他的朋友，激进投资者纳尔逊·佩尔茨，他们向迪士尼发起了一场，公开的代理权之争，最后没闹出什么结果，但这是个大麻烦，耗费了大量时间和金钱，然后还有一个大问题ESPN这个正在下滑的资产，到底该怎么办，太有意思了。
Ben Gilbert：我坐在这光是听你说ESPN这个正在下滑的资产，就想笑，对，它是个下滑的资产，可现在一年还能做30亿美元的营业利润，对，对，我是说这玩意儿，现在还是个现金奶牛，这个夏华的资产我要了，多谢，没错，而且你说夏华，我觉得更准确的说法，可能是持平，有线电视那块是在夏华，但他们的逻辑，也许是可以用ESPN的，流媒体服务来补，我不觉得迪士尼会承认，这是个夏华的资产，这其实也解释了，为什么华尔街一直鼓噪，要把它分拆出去，哎呀。
David Rosenthal：它在迪士尼手里已经不行了，我想要那个，拜托，作为回应2023年10月，他们第一次在迪士尼的财报里，把ESPN单独拆成一个业务板块，所以现在有了一个体育业务板块。 [03:14:33]
Ben Gilbert：就是ESPN基本上这就是在为将来分拆，他留出选择空间，如果思路是这样，那我希望他们给综合流媒体娱乐，也单设一个业务板块，比如把Hulu和福克斯那类资产放进去，那应该是一家独立的，不属于迪士尼的公司，行我们慢慢会讲到那，会讲到的2025年，他们和NFL做了一笔交易NFL把NFLNetwork有限电视频道换给ESPN换来ESPN本身10%的股份。换来ESPN本身10%的股份，这笔交易我太喜欢了，方方面面都喜欢，对所有人来说都是笔好交易NFL拿到ESPN的10%说实话，如果你是ESPN这太棒了，就像，哎呦太好了，他们跟我们的成败绑在一起了，然后NFL在内容制作和发行这行里，掺和什么完全没道理，所以把NFLNetworkRedZone这些直播内容都放到ESPN那边，那是他们的核心能力，他们擅长的事，我喜欢，对NFL来说，他们希望ESPN继续是，他们版权的一个有实力的竞标方。 [03:15:16]
David Rosenthal：所以扶持ESPN符合他们自己的利益，对，最后在年底，他们终于推出了期待已久的，完整的直接面向消费者的ESPN服务ESPNUnlimited一个月30美元，所有ESPN频道全部无限制观看，他们很激进地把它和Disney加Hulu打包。
Ben Gilbert：基本上如果你订阅ESPNPlus只要每月多加6美元，就能加上Disney和Hulu想都不用想，这其实有两个原因，我一开始没完全意识到，第一个显然是通用的打包逻辑，就是就算我不是多大的，迪士尼家粉丝，我也会直接订这一整套，这样你就能拿到，本来拿不到的订阅用户，那些轻度粉丝，第二个我没意识到的，迪士尼其实很看重的一点，是降低流失率，对，套餐用户的流失率，比任何单个流媒体服务，都低得多，因为你不会每个月，都费劲去想，这个APP这个月，到底给我带来了多少价值，对。 [03:16:15]
David Rosenthal：迪士尼在运营直面消费者的，流媒体服务这件事上，要学的东西实在太多了，对，不过过去几年，真正的重头戏，是乐园业务，天哪，疫情过后，乐园简直转翻了，你可以对他们提出各种批评，也确实有人这么干，比如票价太贵，各种小钱都要扣，但尤其是在ESPN持续下滑Disney加流媒体过去几年，最多只能算磕磕绊绊的情况下。
Ben Gilbert：乐园完全把这块缺口补上了David你说他们转翻了，这挺有意思的，其实游客人数是下降的，从财务角度看，一切都靠涨价，每年有1.45亿人游览乐园，疫情前这个数字其实是1.57亿，那是历史最高，所以就算疫情过去6年了，人数还是比疫情前的高点低，但当然，每次游览带来的收入大幅上涨，而且几十年来，一直以每年大概5%的速度在涨，对，这也许是把双刃剑，但也可能不是，另一方面，我每次去迪士尼乐园，人都爆满，看起来并没有把人吓跑，对没错。 [03:17:19]
David Rosenthal：这正是我想说的，我觉得从1984年，迈克尔艾斯纳接手以来，消费者对迪士尼，就一直有类似的抱怨，但这并没有把人吓跑，要是真把人吓跑了，他们就不会这么干了，对。
Ben Gilbert：因为迪士尼的利益所在，就是让一大圈中产家庭，紧紧围着迪士尼这个品牌转，我是说，如果一年来两亿游客，和一年来一亿游客，能带来同样的收入，你肯定希望游客更分散，因为你希望这两亿人，把迪士尼情怀都种进他们童年的核心记忆里，对，所以现在乐园业务占了公司营业收入的差不多60%而ESPN和体育业务降到了16%跟十年前相比。 [03:18:13]
David Rosenthal：完全是反过来了，哇，而这一切都指向今年2月，也就是2026年2月，迪士尼乐园与体验的负责人JoshDeMauro被宣布为下一任迪士尼CEO六周后，也就是三月正式上任，同时，从福克斯过来的DanaWalden被任命为总裁二把手，还兼任公司首席创意官，这是公司新设的一个职位，而BobIger会继续留任。
Ben Gilbert：高级顾问和董事会成员，直到今年年底，也就是2026年底彻底退休，对那在我们聊今天的正题之前，我们得先聊聊BobIger任期的开头和结尾，就像我们聊MichaelEisner那样BobIger是2005年9月30日上任的，当时市值大概500亿美元，到他离任时股价涨了5倍，所以你知道第二个十年，就像我们说的基本持平，但第一个十年里涨了5倍，营收从2005年的310亿美元，涨到20年后的940亿美元，翻了三倍，净利润从25亿美元，涨到124亿美元，有意思的是，净利润的增速超过了营收，他们用三倍的营收增长，换来了五倍的盈利能力，有意思，这跟Eisner时期发生的事一模一样，对所以这两大段CEO任期干的事。都是让公司变得更赚钱，这大概更多说明的是1984年那会儿公司的底子，而不是过去这40年，不过确实，我觉得没错，好那我们来聊聊现在的业务，好，先看几个Disney家的数据，毕竟这是公司现在的战略重心Disney家有1.32亿订阅用户，其中不到一半在美加地区Hulu有6400万订阅用户ESPN家有2400万订阅用户，这里有个惊人的数字，他们2024年最后一次公布时，迪士尼的订阅收入超过190亿美元，而2017年刚推出这些流媒体服务时，这个数字基本是0那190亿美元的收入，现在大概接近220亿了，他们已经不再单独公布这个数字了，这大约占公司总收入的四分之一，也是他们最大的一块收入来源，我们一直在说。Disney家利润率低，建设成本高，但收入规模其实非常庞大，他们现在把收入，从其他业务转移到了Disney家上，而且到目前为止，跟Netflix比规模还是小Netflix在全球有3.25亿订阅用户，那是他们最后一次公布的数字，之后又涨了，对，所以几乎是Disney家的三倍，对，而且Netflix去年收入450亿美元，那几乎是迪士尼流媒体，收入250亿美元的两倍了，对，而且那是Hulu和Disney加，加在一起，对，奈飞一年产生多少营业利润135亿，而迪士尼是负的，对吧，不，迪士尼现在直接面向消费者的业务，已经转正了，但很长一段时间都是亏损的，不过奈飞在流媒体上的营业利润，也就是他整个公司的营业利润，已经和迪士尼整个公司的营业利润持平了。对，这完全是新现象，往回看2017年，奈飞的营业利润，还不到10亿，哇，迪士尼是140亿，没错，迪士尼因为新冠，遭受了严重下滑，乐园关闭，又投迪士尼家，投迪士尼家造成巨额亏损，现在他们几乎回到了，原来的水平，而奈飞在这8年里，把营业利润，从不到10亿，做到了现在和迪士尼持平，对而且你看，流媒体是个规模经济的生意，规模越大，经营杠杆就应该越强，对，所以给投资迪士尼加算笔账，累计下来，迪士尼在那个板块建设上，大概亏了130亿美元，但David现在他们盈利了，去年大概赚了10亿美元，这利润率比不上当年，拥有有线电视频道，但比起以前运营迪士尼。加货客留存的成本，这绝对是波正航向了，对，而且这其实就是BobIger退休回来之后，这几年一直在做的事，转到乐园这边，就像我们之前说的，每年有1.45亿人参观乐园，他们在6个地点有12座乐园，正在阿布扎比设计一座新乐园，有8艘邮轮会增长到13艘，接下来几年，几乎每年都新增一艘邮轮，对，邮轮我们之前没聊到，但一直是公司的一大成功业务，对，那是艾斯纳时代的事，最初的设想其实是，你在迪士尼世界玩完三四天之后，可能还想再上邮轮玩三四天，所以从佛罗里达出发，然后去巴哈马，结果他们有点想错了，人们并不想在同一趟里，把这两件事都干了，这策略显然不是有小孩的人想出来的，但人们就是爱邮轮，太棒了。我做过特别好，这是公司投资最重的领域2023年他们宣布，未来十年要在乐园和邮轮上，投入600亿美元的资本开支，其中很大一部分大概就是造那些邮轮，一年一艘巨轮，其中300亿会用在佛罗里达和阿纳海姆的国内乐园，所以如果你住在美国可以期待一下，因为有很多新游乐设施和新园区要开放，我脑子里对这个的模型是，他们以前有有限电视转播费，这个现金奶牛它正在消失，他们以前票房非常赚钱，尤其是黄金时代，拍一部像复仇者联盟第一部那样的电影，制作家宣发大概花个2亿3亿美元，然后票房能收15亿，那种日子好像结束了ESPN的转播费在下降，体育联盟拿走了更多利润，人们不像以前那样去电影院了，而这些大IP电影比以往任何时候都贵。我看到一个传闻说，复仇者联盟末日制作家宣发要花7亿美元，那片子今年12月上映，当然迪士尼和全世界一样，转向了流媒体，而事实证明这生意没有他们当初希望的那么赚钱，那利润从哪来，乐园，但主题乐园不幸的是，没法像有线电视利润那样规模化，乐园的物理空间和酒店房间都有限，所以这就是为什么他们转向向每位游客收更多钱，因为实在塞不进更多游客了，而要让一趟现在要花几千美元的迪士尼世界之旅，或邮轮之旅显得值，你得怎么做，你得投这600亿，让它值回票价，所以这就是你怎么理解，这笔巨额投资和乐园涨价之间的关系，对，所以整体业务来看，营收940亿美元，净利润130亿美元。分板块看其实很有意思，娱乐板块420亿美元，包括电影、流媒体、内容体验板块360亿美元，跟娱乐板块规模差不多，体育板块小一些180亿美元，但利润才是关键，娱乐板块的营业利润是47亿美元，而体验板块的营业利润是100亿美元，对，所以尽管娱乐和体验的营收相当，但乐园和邮轮创造的利润是它的两倍，没错，而且这可是Disney家，理论上讲，媒体内容产品不该比实体主题公园产品的利润率还低，除非你正在对流媒体服务大举投入，对，整个公司将近60%的利润来自乐园和邮轮，这就是为什么Josh能当CEO没错，而且我说整个公司，是把ESPN每年30亿美元的利润，也算进去了。仍然有60%来自乐园和邮轮，对，最后我再补充一点，这个我简直不敢相信，我以为自己把年报读错了，迪士尼确实会披露业务的分享数据，他们的院线发行板块，也就是在影院上映的电影，营收是26亿美元，是营收，那只占他们总营收的3%从外面看，我们总把华特迪士尼公司，想成这些电影和票房，但那根本不是这门生意的核心，那只是这家公司营收的3%对，这是流媒体的世界，迪士尼只是活在里面而已，对。 [03:26:16]
David Rosenthal：我觉得这大概是切入分析，最完美的引子了，这里核心的问题是，迪士尼家是对的战略吗，就是说迪士尼在2015年2017年2019年。
Ben Gilbert：真的有可能做出什么不同的选择吗，没错，要回答这个问题，唯一的方式是拿一件他们真正可以做的不一样的事来回答，因为什么都不做其实不算一个答案，对，比如说坐享过去那些丰厚的利润并不是一个选项，对，所以先开头说一句，显然在什么都不做这个类别里会发生的事，就是其他所有大型媒体公司经历的事，被整合，被收购，或者大幅瘦身，对，有意思的是，我确实希望他们大幅瘦身，在我心里，我希望Disney家，是一个精品流媒体服务，只放高质量内容，别去跟Hulu搅在一起，只聚焦核心IP然后还能找到一种，不需要内容跑步机的，流媒体商业模式，把这些宝贝当成，他们本来的样子，特殊的宝贝，但我不觉得那是一门生意。虽然我喜欢那个产品，我知道，我知道，在过去几个月，做这几期节目的研究过程中，我太希望，这就是答案了，作为一个消费者，一个家长。 [03:27:58]
David Rosenthal：我希望Disney家，就是他对我来说的那个东西，人类历史上发明过的，最好的育儿产品，还有那种周六赖在沙发上，随手放一部漫威电影的感觉，对没错，但我觉得这不现实，对，我说不现实的原因，就是人们已经不怎么去电影院了，对，迪士尼旧的商业模式和内容模式，完全依赖这一点，过去你要让新故事新角色进入大众视野，或者让老故事老角色重新焕发生机，靠的就是电影院。 [03:28:09]
Ben Gilbert：现在人们一年只会为一部大片进一两次影院，他们会去看奥德赛，会去看玩具总动员5我周六就去看奥德赛，之前一直没去，是因为我在为这期节目做准备，没时间，但说实话，我确实去看了玩具总动员5然后要去看奥德赛，除此之外，我没有别的观影计划，还有杀囚3我也会去看，不错，对，那个我也会去看。
David Rosenthal：但他们大概不会去看，料理鼠王这样的片子，而且他们，这挺有意思，对，他们不会去看魔法满屋，也不会去看魔法奇缘，而这些系列，对迪士尼太重要了。 [03:29:11]
Ben Gilbert：所以迪士尼要确保，尽可能多的人，尽可能多的世代，接触到这些系列，唯一的办法，就是有一个覆盖面极广的，流媒体服务，有意思的是，这确实有数据支撑，你看过去十年，九年，十年里，皮克斯出的新片，没有一部创下新纪录，对，真正破纪录，真正大卖的，都是这些续集，没错，玩具总动员5肯定会很炸，但你看，又是第五部了，我不觉得皮克斯，在做皮克斯这件事上变差了，我觉得这些年出的原创电影都很好，但票房只有，两亿，三亿，四亿美元，是标准变了，产品契合度是个不断变化的东西，不只是因为产品在变，市场也在变，现在的市场，人们进电影院，已经不再去看料理鼠王这类片子了，那怎么让料理鼠王到消费者面前。
David Rosenthal：要么靠Netflix的算法。要么靠Netflix的算法，要么靠YouTube的算法，要么就是迪士尼自己拥有的，第一方流媒体服务，能确保心灵奇旅，青春变形记，疯狂元素城，魔法满屋，这些片子能到消费者面前，哪怕运营这样的服务，本身赚不了那么多钱，对，但当你从乐园里赚到100亿美元，而乐园靠的就是，这些IP喂养的时候。 [03:30:16]
Ben Gilbert：你绝对需要一个办法，让大家都看到他们，对，那能不能鱼和熊掌兼得，能不能做一个高质量的精简服务，覆盖大概3000万到5000万，真正就想看迪士尼职工内容的用户，同时又把内容授权到别处赚几亿美元，把内容撒出去，确保当你有一步，你觉得相当于院线大片的大作时，你把它放到Netflix上，面对他们那大概3亿5千万的用户，这是我能想到的，另一个唯一可行的策略，听起来你最后也落到了，同一个结论上Disney家也限制了你的触达范围，我是说在Netflix上线10年之后，你才想着去打造一个Netflix的竞争对手，并且赌迪士尼的IP足以让你追上他们，还能在获取填充内容方面，做得跟他们一样好，哪怕你顶着迪士尼这个高端品牌，没法往平台里塞尽可能多的填充内容。所以结果就是你塞不进去，最后落的一个规模偏小的流媒体平台，他们确实有迪士尼家，也确实有1.3亿人订阅，但1.3亿不是3.5亿，所以你想把观众影像乐园和周边商品的那些内容，只能触达潜在受众的40%如果放在Netflix或者当时最大的流媒体平台上，本来能触达全部，对，你在真正把内容推给观众这件事上，得听命于他们，但你不给内容争取最大的触达范围，其实是在自负手脚，在院线世界里，你推出一部迪士尼电影，它会进到每一家影院，每个人都能看到，你知道你是有触达的，但在迪士尼家的世界里，迪士尼家实际上给不了你那种触达，那种放在最大流媒体平台上，才有的处答，对。我还是觉得这条路大概率走不通，原因在于算法Netflix不是电影院，对，但如果你的内容好的惊人。 [03:32:28]
David Rosenthal：它会浮到顶部的，没错，但那是针对Netflix知道会对这类内容感兴趣的人，再说一遍，这跟电影院不一样，在电影院里，它是对所有人浮到顶部的。
Ben Gilbert：人们会去电影院看电影，不，这点我不同意，在另一个平行宇宙里，如果迪士尼和Netflix的合作还在，那么每当一部新迪士尼电影，在Netflix上线，它肯定会进前十，既靠自然流量，而且如果电影本身好，人们会讨论它，会告诉朋友，它会越来越火，然后在算法里不断往上冒，我，对。
David Rosenthal：但就算一部电影在Netflix上，某个月排进前十，前五，前三Netflix订阅用户里，有多大比例在看它，我觉得比例不会很高，那是一个由算法驱动的超市。 [03:33:12]
Ben Gilbert：不是一家有着精心挑选的有线放映厅，在放一部片子的电影院，它不是那种密率分布，每个月的大爆款能让70%的人去看，你是说任何一部内容。
David Rosenthal：观看比例封顶也就10%左右，是吧，你在Netflix上要跟宋飞正传竞争，你去电影院，你只需要跟当周上映的其他片子竞争，还有多听影院里另外那七块荧幕，对对有意思，说了这么多跟你一样，我一开始也希望存在一条不同的策略，但说实话，我不确定自己能想出一条更好的。
Ben Gilbert：而且我们在这高谈阔论，手里却没有数据，迪士尼手里才有全部数据，所以如果真有更好的策略，他们那么聪明，大概早就想出来了，而且他们掌握的信息比我们多得多，对，有一件事我觉得到现在也没成真，就是迪士尼家真的跟客户，建立起更深的联系，它跟乐园之间，根本没有什么协同效应，对，他们最后倒是把登录账号统一了，但我在乐园的体验，并不会因为我在迪士尼家上的观看习惯，而有任何不同，我甚至不确定我希望这样，我想不出有哪个协同效应，是你真的想要的，在路言里说，我们跟客户有直接私人的关系，挺好听的，但我觉得最大的好处，就是我们刚才聊的那个，你确实能靠这个方式，把内容硬塞到我眼前，对，但这一集录之前。我没有的一个总体认识是，如果你想运营一个，能上规模的流媒体服务，而且既然要运营流媒体，因为固定成本太高，它就必须要上规模，那你就必须得有非常广的内容，这挺奇怪的，它必须是广谱的内容，因为你必须吸引大量的人，所以你需要多元的内容，去吸引所有这些不同的人，换句话说，最后赢的流媒体服务，会是个大杂烩，对，对，对，而那就是Netflix捆绑套餐，就是这么运作的，电视时代，赢家就是大杂烩，有限电视套餐，对，那就是个厨房水槽葫芦，就是这样的东西，对，再说，我也不确定，我真能想出什么别的，更好的策略，但迪士尼和所有传统媒体公司，从2015年开始进入的那个世界，对他们的内容来说，本质上就是一个更差的世界。对,对,做内容生意的公司来说是这样。 [03:35:50]
David Rosenthal：对,而且对迪士尼尤其如此,因为他们的产量被逼着大幅提升,而这家公司整个的品牌承诺是建立在稀缺的永远高质量的内容之上的。
Ben Gilbert：对,有点意思,对内容公司来说是个更差的世界,但我们消费者是不是其实活在内容消费最好的时代?对。。比如消费者有海量的选择，你可以从任何东西里挑，从有人在手机上做内容，到高质量的电影，既能在影院看IMAX也能在电影上映45天后，就在电视上看，没错，跟旧世界比，花极少的钱，就能换来海量的选择，对，对，对，消费者来说，这是史上最划算的买卖，对YouTube还是免费的，这些服务加在一起，价格大概跟一个有线电视套餐差不多，对，再想想每个周末去电影院的开销，我能想到的唯一一个，我们活在更差环境的理由，就是IP被过度开发，续集泛滥，没错，没错，但我们确实活在一个内容极其精彩的时代，对。好，我觉得我们应该进入多空对决环节了，从现在的迪士尼出发，看多和看空的理由，先看空，迪士尼飞轮的核心。 [03:36:58]
David Rosenthal：还有ESPN那套漂亮的转播费商业模式，都已经被侵蚀了，而且可能是永久性的损伤，对，这就是我看空的核心，对，用一个问题就能说明白，过去十年里。 [03:37:07]
Ben Gilbert：迪士尼有没有做出，哪怕一个商业上成功的新IP我能想到的2016年之后票房大卖的作品，我选2016年，是因为那年出了海洋奇缘，和疯狂动物城，之后所有为公司带来大票房的，都是在收割已有的IP对，而且这正好跟刘媒体，开始称王的时间完全重合，对如果你要找一个最大的隐忧，我觉得大概就是这个，明天的狮子王在哪，明天的玩具总动员在哪，明天的复仇者联盟又在哪，寻梦环游记和canto大概是最有希望的，也许还有疯狂元素城，但有意思的是，这些片子票房都不算高，所以你得靠刘媒体来判断，它是不是真的火，靠第二名的表现来撑住，这正好是个例子，那些电影和系列再棒，也已经在乐园里出现了，但它们不是冰雪奇缘。冰雪奇缘可能是最后一个超级爆款了，这很有意思，我另一个想法是，那三笔收购，漫威，皮克斯，卢卡斯影业，都极其漂亮，但回过头看，他们好像提供了大约20年的惊人燃料，而不是50年，对，我是说星球大战下一步往哪走，漫威现在是不是已经被榨干了，而且公司在这几个IP飞轮上，压住太大了，乐园里每个新东西都跟他们挂钩，所有续集也都跟他们挂钩，等续集拍完了，我跟你说实话，我为复仇者联盟，末日感到害怕，我看了预告片，然后我想，我记得我以前对这东西真的，真的特别兴奋，我知道，我知道，而我心里就是有一种感觉，好像我已经不再兴奋了，我甚至几乎不知道它要上映了，这比你的情况更糟。这其实更能说明，影院的文化意义，不过我打赌，你知道奥德赛要来了，对，我打赌你也知道，杀囚3要来了，对，对那好，说看涨的理由，长期来看，我要站在你刚才，那套说法的正对面。 [03:39:07]
David Rosenthal：我觉得这些IP不管是迪士尼本部，皮克斯，卢卡斯影业，还是漫威，就像奢侈品牌一样，你杀不死他们，他们会有高光期，也会有低谷期，但总会回来，因为他们是这个。
Ben Gilbert：社会的核心神话，他们一代一代往下传，而他们跌到最低点的时候，恰恰就是他们会翻身，用新方式让我们惊喜的时刻，这个叙事很精彩，我完全没法反驳，而且顺着你的话说，未来几年里某个时刻，我迫不及待想第一次，给我儿子看星球大战，他会看着星球大战长大，他会在意他们拍了一部，烂欧比旺剧吗，不会，他根本不会看到，对，那依然是他这个时代的核心神话，话说乔治，卢卡斯，是不是早在80年代，搞过一个星球大战，加日特辑，而且你知道，我们谁都没看过，也从来没影响过。
David Rosenthal：这个神话的构建，星球大战，加日特辑，对，而且我觉得，这其实就是，整期节目的主题，它总会回来，总会回来，这些IP这些制片厂，还有这些角色和故事。 [03:40:13]
Ben Gilbert：会永远活下去，对，好，我这边有几个，乐观的理由，好，尽管他们主动，加速了老盈利业务的衰落，现在总利润又回到了历史新高，他们经历了中间那五六年重建期，中间还撞上疫情，所有乐园都关了，但我觉得2026年，按现在的趋势看，他们很可能创下全新的净利润记录，而就在五年前，疫情期间还是负的，在流媒体上亏了那么多钱之后，真的是一点点爬出那个坑，所以对尽管我们说了那么多逆风，他们还是会继续刷新财务记录，当然它的增长速度达不到你期望的那种，能支撑高估值或股价快速上涨的水平，但在很多方面，迪士尼是一家规模公司，某种程度上已经完成了自己的使命，所以我不觉得我想让它成为年增长20%的公司，作为消费者。我挺喜欢它是一家年增长3%或5%的公司，对，我觉得这可能是同一件事的另一个版本。 [03:41:20]
David Rosenthal：迪士尼乐园也是我们文化里根深蒂固的一部分，一代一代传下去，父母带着孩子去，而且这件事，永远都会是这样，对，乐园确实了不起，没有哪家竞争对手。
Ben Gilbert：有他们那样的品牌亲和力，有他们那样的，飞轮基础设施，确实有很多理由，让人乐观，好，那我还有一点，要补充迪士尼的多头理由，你明天要跟Josh推销。
David Rosenthal：做一笔收购吗，绝对的，但我要说的是这个，我觉得迪士尼，现在还是像Bob接手时那样，我仍然认为，当世界上最好的角色，故事和IP系列需要一个家的时候，迪士尼依然是最好的归宿，而现在在我看来，有两个极其明显的候选，一个是布鲁伊，你知道这是有史以来最棒的儿童节目，而且它远不只是一部儿童节目，它已经算是半个迪士尼的了，对它在乐园里有落地，它跟迪士尼家有合作，布鲁伊，不是皮克斯，它还没到那个量级，但它现在有太多皮克斯的影子了，它岂是没法靠自己独立持续发展下去，比如JoeBrown不会把布鲁伊，做成迪士尼的竞争对手，但迪士尼可以成为布鲁伊，未来所有可能性的最佳归宿，而布鲁伊，在能成为什么这件事上，还有大得多的成长空间，对。这是第一个，有一个了，然后另一个光谱的另一端，是任天堂，天哪，任天堂最近日子不好过，你知道任天堂现在的市值是多少吗500亿，但比去年跌了50%哇，对，我是说，现在买下任天堂，比买福克斯还便宜，不过，我也不觉得任天堂会卖，日本不会放手的，绝无可能，但你看，他们现在跟环球有合作，说实话，迪士尼把任天堂放给环球，这简直是个耻辱，任天堂就像皮克斯，漫威和卢卡斯影业加在一起，他们拥有全世界最顶尖的IP玛利奥，塞尔达，宝可梦，这三个系列，能跟迪士尼的任何东西，正面抗衡，然后他们还有一大堆，其他好东西，大金刚，银河战士，卡比，星际火狐，动物森友会。这些IP够拍几十年的电影，再加上电子游戏，还有主题乐园，我带女儿们去过，洛杉矶环球影城的任天堂乐园，太棒了，而且那才只有，迪士尼世界的五十分之一大，要是放到迪士尼，那么大的画布上，任天堂的实体体验，能做得精彩得多，对。 [03:43:42]
Ben Gilbert：就这样，这是我的提案，我喜欢七大力量，力量，对，好听众朋友们，这是本期节目的环节，我们用汉密尔顿赫尔默的框架，来讨论，为什么一家公司，能比它最接近的竞争对手，更赚钱，一共有七种，规模经济，网络效应，反定位，转换成本，品牌，稀缺资源，还有流程优势，天哪，这次我们怎么讲，我觉得这次我们围绕，流媒体时代来讲Disney家跟流媒体竞争对手比呢，对，所以Disney家跟其他垂直竞争对手，比如Peacock或Paramount家相比，它的卖点是拥有更高质量，更持久的系列IP那些对手其实没有这些东西，对，稀缺资源，而且他们能永远持有这些IP就像那些垂直平台一样，比如Peacock。永远有办公室，或者Paramount加永远有星际迷航，但迪士尼手里的这类IP比那些垂直平台多得多，有意思的是，我在这纠结的点是，他们实际赚的利润。 [03:44:56]
David Rosenthal：并不比真正的竞争对手Netflix多，对我觉得这其实很简单，说到底就是，流媒体生意的规模效应，这就是为什么Netflix。这就是为什么Netflix由我们之前说多少来着，付450亿美元营收135亿美元营业利润，而迪士尼的流媒体业务营收，只有它的一半，利润也勉强持平，这是我能给你举的，最清楚的规模效应例子，对。 [03:45:17]
Ben Gilbert：那最后的世界格局会不会是这样Netflix是付费流媒体力，靠规模效应赢家通吃的巨头，然后YouTube是广告支持，免费，创作者主导内容，而不是专业制作内容，领域里赢家通吃的巨头，而迪士尼可以保持，低于规模效应的状态，因为它有别的业务利润在补贴，所以他不需要在同等条件下，跟Netflix拼竞争力，对，我觉得迪士尼最好的策略，就是当个明明白白的第二名，而且他们可能确实应该往这个方向靠，因为如果你想当第一，你就得一路追着内容大杂汇跑到底，对。
David Rosenthal：他们需要有足够的内容大杂汇，才能比Peacock那些平台强，但说实话，他们现在已经做到了，对，他们可以把内容制作大幅收缩，让飞轮自己慢慢修复，同意。 [03:46:11]
Ben Gilbert：而且照样活得很好，让Hulu保持Hulu的样子，对Hulu和Disney家越是捆绑销售，把内容互相放进对方的应用里，两者就越是越来越接近，你这是要发起一场，让Hulu再次伟大的运动吗，我是在发起一场，把Hulu和福克斯资产分拆出去的运动，这就是我在做的事，把阿凡达留在迪士尼，但其他一切都得走，好了Quintessence听众朋友们，这是我们用来收尾本期节目的环节，把话题带回家，聊聊那个让我们印象最深的大想法，我的Quintessence是环境变了，迪士尼过去所处的环境，好得简直不可思议，也轻松得不得了，有线电视套餐，让ESPN基本可以自动驾驶，就产生巨额利润，部分因为ESPN迪士尼旗下其他所有电视频道，也都超级赚钱。以前观众去电影院的频率非常高，迪士尼手里也有一些，最赚钱最成功的电影，然后这还不够，他们还能在电影下映之后，打包出售，再赚一大笔，对，所有有利条件都占全了，那是传统媒体的巅峰，而现在的环境正好相反，有限电视套餐正在被摧毁，迪士尼再也拿不到那些利润了，人们不去电影院了，票房收入就枯竭了，流媒体呢，建起来贵，维护贵，货客贵，还更难制造出那种全民事件，人们不会像当年围在电影院周围那样围着留媒体转，留住用户也很贵，利润远没有那么高，而且它替代不了院线收入，最终因为这一切，到处都没有那么多宽裕的余粮了，你要是想每年都维持同样甚至更高的利润，就得做很多非常精明的商业决策。那这把我们带到哪了呢，迪士尼会没事的，如果管理得非常小心还能活得很好，他们还是会创造出，我们大家都喜爱的角色和故事，但是90年代末，以及2005到2019那个时代的繁荣，那完全是异常现象，是因为当时围绕这门生意的，所有结构性力量都太好了，而残酷的地方在于，作为一家公司，他们永远会被拿来，跟那些时代比较。 [03:48:10]
David Rosenthal：对，而且说实话，那个时代的管理团队，在抓住那些机会和创新方面，确实是超水平发挥，他们加进来的所有东西，家庭录像，百老汇。
Ben Gilbert：商场里的门店，主题乐园，还有把迪士尼世界改造成度假区，你知道本质是什么吗，那时候做媒体是能赚到钱的，对对对，就是说你得做点聪明的事，但钱是实实在在摆在那的，有让创意蓬勃生长的空间，现在这种空间少多了，完全同意，除非是完全不同的商业模式，比如像MrBeast那样，现在确实有另一个世界，能做出非常成功的媒体商业模式，但那个世界离迪士尼的宇宙太远了，你甚至看不到一条能走过去的路径，对，而这正好引到我的核心观点。
David Rosenthal：我猜我在这方面永远是个乐观主义者，迪士尼是代际神话的家园，你永远杀不死它，这就是我在书里说的，杀不死，它会有起起落落，也许我们再也看不到，像90年代那样的时代了，而从商业和创造力的角度看，那确实是迪士尼的巅峰，还有2010年代初2010年代初也是，对，绝对，但这就是我的观点。 [03:49:30]
Ben Gilbert：它大概以20年为一个周期，如果再过10年，它又回到世界之巅，我一点都不会惊讶，说得好Carvels呢Carvels来吧，这里是我们的精选推荐环节，聊聊我们最近很喜欢，但和本期主题无关的产品，想分享给听众朋友们，我要分享一个WarbyParker的产品，哦有意思，我最近戴眼镜戴得比较多，到了夏天，随身戴两副眼镜，简直是噩梦，那怎么办，变色镜片，但变色镜片看起来太呆了，我是说传统变色镜片，就是普通镜片上加一层处理，戴着普通眼镜，镜片又戴着颜色，看起来真的很糟糕，所以WarbyParker有一款产品叫TransitionsExtraActive在室外会变深色。，甚至在车里也会变色，我选了棕色款，我觉得这是关键突破，棕色镜片看起来，不像普通灰色镜片那么呆，而且如果你配一副，既能当室内镜。又能当室外镜的镜框，室内，室外，两用，室内，室外两用，那就行了，所以这是我人生中，第一次戴到一款，我喜欢的变色镜片，对，就是WarbyParker的棕色ExtraActive不错，不错，说起来，这大概是我第五次推荐眼镜了，我的推荐以后。 [03:50:50]
David Rosenthal：就只做眼镜类产品了，我们该开个Acquired零售店了，没错，卖太阳镜，对，好继续，我有三个补充推荐，第一个，我本来以为，你肯定会选的，是迈克尔·阿安特的，玩具总动员讲座，天哪，那个太好了，他在YouTube上发的讲座，迈克尔是，玩具总动员3的编剧，他把这个。 [03:51:11]
Ben Gilbert：关于皮克斯故事，创作方法的讲座，发在了YouTube上，这是我们做这期节目的研究素材之一，好多人跟我们提过，而且他不只是分享了一场演讲，他还拿到了授权，分享了一大批早期的故事版，所以你能看到那些故事，在智囊团介入，把它改得更好之前，最初的粗糙版本长什么样，对，真的特别好，非常值得看，大概要花你一小时二十分钟。
David Rosenthal：只要你对故事创作有一点兴趣，或者哪怕只是想了解一部，皮克斯电影的魔力是怎么做出来的，都值得看，对，去看看吧，然后我还有一个补充推荐，也跟这期节目有关，我们最近去了纽约，参加跟Sierra一起办的活动，我把家人都带上了，我大女儿特别兴奋，想去纽约洛克菲勒中心的任天堂旗舰店，因为她觉得在纽约旗舰店，说不定能买到碧姬公主的服装，结果没有碧姬公主的服装，据我所知，任天堂自己不出碧姬公主的官方服装，这就是为什么迪士尼必须收购任天堂，果子就挂在那儿，对吧。 [03:52:03]
Ben Gilbert：都垂到树底下了JoshDavid想进来，给你做战略规划，带他进来吧，我不在乎是迪士尼，任天堂，环球还是谁，就给我快五岁的女儿，做几套碧姬公主的服装吧。
David Rosenthal：然后我最后一个补充推荐是，荆州女武神队，就是旧金山这支WNBA球队，我们认识了女武神队的，总裁JessSmith我们跟她一起办过几次活动，对她特别棒，其实我们在Sentry活动上，见过她，是去年吧，对，她和整个Valkyrie组织，还有勇士队组织，其实是同一个老板，为Valkyrie做的事，简直不可思议，这是这支球队的第二个赛季，她已经是全世界，最成功的女子职业体育球队了，现在估值超过10亿美元，我们第一次去现场体验，我从来没经历过那样的场面，那是我看过的，最棒的体育赛事之一，没有之一，我的小女儿们特别投入，就像着了魔一样，她们站着，欢呼，鼓掌，尖叫，球馆座无虚席，他们每一场比赛都卖光了票，真的太棒了，如果你在旧金山，一定要去看一场。
Ben Gilbert：好收个尾，那么听众朋友们，我们要感谢所有帮我们制作这一期的人，首先感谢我们的合作伙伴SierraSierra帮助全球优秀企业，打造更好更人性化的客户体验sierra.ai-acquired感谢Workhorse用几行代码就能开始向企业客户销售。，几分钟就能完成身份验证，而不是几个月，网址是workhorse.com感谢Century被数百万开发者认为，还不错的应用监控软件，网址是century.io斜杠acquired另外Century也是我们今年，年度acquire聚会的合作伙伴，聚会在9月17日举行，更多信息，见acquire.fm斜杠meetup还要感谢AnthropicClaude是真正了不起的AI产品。，他会和你一起思考，就像他和我一起准备这一期节目一样cloud.ai-acquired你可以点击节目笔记里的链接。了解更多合作伙伴信息，和往常一样，这一期的所有资料来源，书籍都在节目笔记里，先来一些感谢，首先，一如既往，感谢WorldlyPartners的ArvindNavarathnam他写了一篇，关于迪士尼的精彩文章，链接在节目笔记里，可以去看看worldlypartners.com对，我有一长串要感谢的人。 [03:54:41]
David Rosenthal：感谢他们花时间与我们交流，帮我们准备这一期，首先感谢NancyLee感谢BobIger感谢JoshDeMero感谢P.DoctorJimMorris还有所有在皮克斯接待我们一整天的。，了不起的人们，包括DanielFenbergKatherineSerafian以及管理皮克斯档案库的那些了不起的人。，那是一次无与伦比的体验，感谢KristenBell冰雪奇缘Liana的配音，她帮我们思考了迪士尼动画和皮克斯，感谢我们的朋友A24的RaviNandanLibertyMedia和福克斯的ChaseCareyBenchmark的MitchLasky还有华尔街日报的RobbyWhelan他关于迪士尼的书。，今年晚些时候会出版，还要感谢华尔街日报的BenFritz和EmilyNelson我知道你也有一个名单，感谢EddieCatmull他无需介绍。感谢JeffreyKatzenberg。 [03:55:54]
Ben Gilbert：同样无需介绍，感谢曾执掌米拉麦克斯的BillBlock感谢BenThompson他过去十年对迪士尼的分析非常出色。，启发了我很多思考，为了准备这一期，我把他关于这家公司的每一篇strategy文章都读了一遍，最后感谢我们的朋友SeanBailey他曾在迪士尼担任高管，领导过旗下的一家制片厂，还帮我们做了好多期节目，但这一期对他来说显然格外特别，所以非常感谢你Sean如果你喜欢这一期，可以去听听关于沃尔特一生的迪士尼第一部分，你可能还会喜欢的其他几期NFL可口可乐先锋领航，或者如果你愿意深入挖掘Acquired的往期目录，我们有Pixman为卢卡斯影业ESPNBAMTech还有2019年的一期Disney家Pic我可能还漏了一些。，但往期目录里确实散落着不少迪士尼的内容，对，你可以点击节目笔记里的链接。获取配套PDF里面有这一期的视觉资料，图表，表格和关键插图，你还可以在Acquired.fm斜杠email订阅邮件列表，获取我们聊到的所有照片，并提前知道，下一期会是什么，网址是acquired.fm写杠email加入slack请访问acquired.fm写杠slack那么听众朋友们。，我们下次见，下次见。 [03:56:49]
Dwarkesh Patel 与 Ryan Greenblatt 讨论了 AI 研发自动化、递归自我改进和失控风险。Greenblatt 认为，AI 研发具有较强的可验证性和迭代性，可能成为 AI 最擅长的任务之一；如果研发工作在 2030—2031 年左右实现高度自动化，AI 进步速度可能显著加快，并在 2033 年左右全面超过人类工作能力。两人同时强调，真正危险的未必是带有恶意的 AI，而是能力快速增长、却在难以验证的任务上马虎并持续奖励黑客的系统。
对话首先分析 AI 研发为什么适合自动化：模型可以在训练损失、代码、实验结果等指标上获得反馈，并通过大量强化学习环境迭代。Greenblatt 认为，机器学习相对数学更“浅”，创新往往可以叠加，因此更容易形成爬升式进步；但从可验证任务迁移到现实世界复杂任务，仍存在关键的不确定性。两人还讨论了算力、算法和专家数据在近年进展中的相对作用，以及 AI 是否能从可验证领域快速迁移到管理公司、谈判和其他开放式工作。
随后话题转向对齐。Greenblatt 认为，模型在轻松完成任务时未必暴露严重问题，最危险的区域反而是能力前沿：当模型无法可靠完成任务，却受到压力要表现良好时，可能假装成功、掩盖失败或寻找奖励漏洞。随着模型变强，奖励黑客可能从简单作弊发展为规避检测、社会工程和更大规模的系统性欺骗；人类也可能因为无法理解 AI 研发过程而失去有效监督能力。
两人用“垃圾海啸”描述一种失控场景：AI 在可验证的研发环节表现出色，却把不够谨慎的判断和不对齐行为固化到下一代模型中，人类因此越来越难判断风险到底是什么。Greenblatt 还讨论了 GPT-8 研发 GPT-9、模型污染后续模型价值观、AI 为提高奖励而接管基础设施等路径，并给出判断：2040 年前发生某种人类仍能识别为“接管”的事件，概率约为 35%—40%。他同时承认，真实走向可能更混乱、更难预测，因此越早建立科学理解和干预窗口越重要。
- 他是RedwoodResearch的首席科学家主 [00:00:00 - 00:10:00]
- 所以我有一个担忧。我觉得即使在数学领域据我所知我 [00:10:00 - 00:20:00]
- 我们一直在扩展算力扩展在AI公司工作的人数也在扩 [00:20:00 - 00:30:00]
- AI在写文章方面进步的时候我们稍微聊聊这个。我觉 [00:30:00 - 00:40:00]
- 然后在那上面训练或者你也可以直接拿那些找到这个方 [00:40:00 - 00:50:00]
- 每个用户个人意图的工具对我有几个想法先回应你觉得 [00:50:00 - 01:00:00]
- 或者说我不觉得这事有你想象的那么清楚首先我得说这 [01:00:00 - 01:10:00]
- 好的顺便说一句这件事之。所以可怕的原因之一是我之 [01:10:00 - 01:20:00]
- 我想稍微回到那个小孩的类比一下好因为我同意在达成 [01:20:00 - 01:30:00]
- 具体来说就是AI研发里最可验证的那部分AI做的简 [01:30:00 - 01:40:00]
- 那我先把威胁模型的其余部分理清楚因为。我觉得我下 [01:40:00 - 01:50:00]
- 实际情况是你想在iPhone任务上成功结果发现你 [01:50:00 - 02:00:00]
- 大概35%到40%相当高对相当高然后。我觉得应该 [02:00:00 - 02:04:16]
Dwarkesh Patel：他是RedwoodResearch的首席科学家主要做技术性AI安全与安保方面的工作我想和你聊聊递归自我改进这个概念是说一旦你造出人类水平的智能体它们很快就会迅速膨胀到数百亿个超级智能体每一个在各自领域都比顶尖人类专家更厉害这件事到底会不会发生。我觉得可能是当下全世界最重要的问题而一直以来我对这类事情会不会发生都相当怀疑，但你似乎觉得这有可能。所以我想听听你的理由好那我们来聊聊这个首先。我觉得值得指出的是。 [00:01:50]
Ryan Greenblatt：AI研发是AI特别擅长的一类任务因为一方面各家公司在拼命让自己的AI擅长AI研发另一方面这个领域本身从当下AI开发方式的角度看它有很多很好的特性它相当可验证你可以迭代的做很多事情在各种指标上往上爬，然后。我觉得一旦你有了在AI研发上大致能匹敌顶尖人类专家的AI那就可能启动一个反馈循环AI在做AI研究研究出更聪明的AI研究再反馈回来这个反馈循环可能强到让你在短时间内取得大量进展，也许我的中位预期是一年里能走出4到5年的AI进展而这真的需要克服研究中巨大的收益低减基本上相当于我们在大规模扩展算力之后才能得到的进展。，所以这是一件相当了不起的大事。而且值得记住的是5年的AI进展4年的AI进展哪怕3年的AI进展都是非常非常多的AI进展对吧你看现在3年前或者说3年多一点之前GPT-4刚出来而现在当然我们有Mythos-5或者什么的，也许Anthropic内部还有一个更好的模型。所以这三年多一点的时间里就是巨大的进展，如果我们说的是五年那可能更像是从GPT-3跳到Mythos-5那种跨度。 [00:03:08]
Dwarkesh Patel：对好。我觉得这个论证有三个不同的部分我想逐一评估第一AI研发非常可验证第二，如果你把AI研发自动化了一年里能走出四到五年的进展第三以当前的速度从当前这个起点或者说从AI研发被自动化的那个起点开始四到五年的AI进展之后另一端出来的东西是什么对另一端出来的是一个你几乎可以把它丢到任何你能想象的工作上的AI你可以把它丢进1940年代的德克萨斯政治里它能比林登约翰逊还老谋深算你可以把它丢进我不知道台积电他能学会在台积电做更好的工艺工程他肯定比我的视频剪辑师剪得更好我的视频剪辑师非常出色，但总的来说他在任何一份他被丢进去做的工作上都会比人类强。，所以我想逐一评估这些子论证他们最终指向在达到这个基准之后很快就能得到ASI而你预期这大概在2030年左右对吧对我会说。 [00:04:13]
Ryan Greenblatt：我预期AI研发的完全自动化大概在20302031年前后，然后达到那个在所有工作上胜过所有人的里程碑也许我的中位预期在2033年左右，但如果我看到AI完全自动化了AI研发。我觉得我预期大概一年之内就能到就是从预测的角度看中位数之间的差距比里程碑之间的中位差距要大总之无所谓了顺便说一句。
Dwarkesh Patel：网上有个梗因为我每次想问别人的时间线比如问Dario或者谁的时候我总是说好多久才能把我的视频剪辑师自动化掉，然后就有个梗说我的视频剪辑师在剪这期播客我每次听都这样我这么问的原因是。我觉得当你谈论你不熟悉的工作时很容易迷失在抽象里而非常具体的理解自动化一份我确实明白为什么LM目前还难以接管的工作需要什么会更有帮助我确实认为自动化你的视频剪辑师这个里程碑比自动化所有人类工作。 [00:05:18]
Ryan Greenblatt：包括在德克萨斯政治上现场上手要更早。所以我确实觉得视频剪辑师的自动化大概更接近AI研发完全自动化那个时间点，但他对人们到底有多专注于理解视频非常敏感对好。
Dwarkesh Patel：那我们先从AI研发非常可验证这个说法开始对这里面有几个不同的部分其中之一是我们可以在大量环境上训练这些环境基本上就是直接训练模型。
Ryan Greenblatt：去做某个AI研发任务或者某个非常接近的任务。比如说我们可以搭一个环境让模型在H100或者随便什么一小点算力上去训练另一个AI那个模型可以是GPT-2Medium这个级别的东西，然后就像NanoGPTMedium那种跑法在强化学习里就是不断调整迭代那个过程我们可以为一大堆不同的任务做这件事，比如我们可以让它训练图像分类模型视频生成模型图像生成模型各种不同的机器学习训练任务我们可以用强化学习去训练它让它把模型越训越好。同时还能做别的事，比如这里有一个算法上可以走的方向你能去把它实现出来吗。，所以基本上有这么一整类可以容器化可以验证小规模的AI研发任务我们可以用强化学习大力去训练AI。，而且。我觉得现在公司们大概已经在这些任务上做一些强化学习了你可以一直往上加码造出更多这种小规模AI研发任务，然后AI就能在这上面越做越好然后我隐含的意思是这会迁移到AI研发里那些极其沉重的方面。 [00:06:53]
Dwarkesh Patel：不过也许我们先在这停一下然后再聊那部分那我们具体的这长什么样你可以想象我们有GPT7.5我们跟GPT7.5说我们想让你在AI研发上强到能帮我们训练出GPT9好那我们现在要训练GPT7.5我们想出一大堆不同的环境就像你提到的我们可以做现在已经有一个仓库是AndroidCarpacy的NanoGPTSpeedrun的后代你就是要试着把模型的一切都改掉从优化器到超参数到架构让它尽快达到一个固定的训练损失你还可以有别的类型的环境，比如你可以说HeyGPT7.5我要你训练一个特别会打游戏的模型我要你训练一个在反复玩同一个游戏时能真正变强的模型这样你就学会怎么帮模型在在线学习上做得更好，也许它我们不在乎你怎么搞明白也许是什么疯狂的神经网络机制或者向量记忆，也许是什么疯狂的也许就是更好的掌上下文我们不在乎你自己去搞明白怎么做在线学习研究显然到那时候GBT7.5在普通任务上已经会变得非常强它会是个很聪明的模型就像现在模型们正在变得越来越聪明一样它在编程上会越来越好就像现在模型们正在编程上越来越好一样你还可以想象另外100个这样的环境它们都在激励AI研发的能力方法是让GPT-7.5去用容器化的方式让GPT-7.5去开发GPT-2规模的模型等等等等基本上，然后你把GPT-7.5扔进这一大堆训练里你造出GPT-8GPT-8现在就是一个超强的机器学习研究员他做了这么多训练积累了大量的直觉说实话对我冲击特别大的一个直觉泵是看到AI在数学上取得的进展我就觉得，如果是一个完全可以验证的领域就能哪怕是数学其实涉及很多我并不真正了解数学研究那些对象层面的细节，但我就是觉得不它行如果你能完全把它放进一个验证循环里突破就能像洪水一样涌来它真的能做出新的突破我很好奇机器学习研究是不是有数学研究那种特质还是说看起来有一个很大的积压来自把不同学科连在一起或者那些想法没有任何一个人能。同时懂那么多代数几何那个词该怎么说来着数学突破这块我真的不太懂就是说没有任何一个人能。同时懂那么多拓扑和代数什么什么的才能给一个大猜想造出反例我的看法是机器学习比数学浅一些。，所以那种单个专家。 [00:09:39]
Ryan Greenblatt：在某块有深厚功底然后互相结合的情况会少一些但肯定还是会有一些。，不过我也觉得机器学习有一些特质让它在某些方面甚至比数学更适合AI训练特别是你能更清楚地知道自己是不是在成功。，而且能看到中间进展数学里经常是这样没有什么简单办法能看出你离成功有多近，但如果你的目标是。比如说把某个训练损失提速二倍你大概能看到自己走到一半了。，而且机器学习里的创新往往是很加性的或者也许是成性的看你怎么想基本上你可以不断往上堆创新通常这些创新就是加在一起互相不干扰虽然显然要看具体细节。，所以。我觉得在很多方面AI研发会具备跟数学相当接近的性质基本上你可以做小的你可以在一小块AI研发上训练它的结构和你在乎的那个真正问题很接近。，而且可以很好的验证然后那会迁移至于迁移的有多好是个开放问题，但。我觉得目前数学上的迁移看起来相当不错而我的预期是AI研发上的迁移会相当不错，但不会到经验的程度。 [00:10:46]
Dwarkesh Patel：所以我有一个担忧。我觉得即使在数学领域据我所知我们也没看到特别经验的新理论我们看到了很多经验的可验证的具体的结果，比如给这个猜想找个反例但我们没看到他提出拓扑学那种层级的东西或者提出群论这样的东西而机器学习研究似乎两者兼有，但那种更不可验证的提出看待问题的新方式会更难诱导出来，比如缩放定律这个想法显然存在某种最终的验证循环如果你有2020年的缩放定律就能更好的训练GPT-4，但要诱导AI去想好我得仔细想想该怎么缩放我的参数和数据我可以跑哪些不同类型的调查来理解这个，也许我能想出个SFOB分析的可视化之类的这条路更长可能也更吃算力，但那确实看起来那确实比黑让NanoGPT的损失降下去要涨得多对我们来聊聊这个。 [00:11:50]
Ryan Greenblatt：首先。我觉得在数学的语境下我要说的是AI能做相当于婴儿的第一个心理论之类的事，比如他们可以通过建立联系产生新的理解来证明有趣的猜想，比如有这个东西AI找到的这个构造挺有意思或者找到了一个有点不同的看待问题的方式我们确实能看到这些只是我们看到的例子没有创立群论那么惊艳，但部分原因可能是创立群论大概是有史以来最伟大最重大的数学成就之一而AI还没他们在数学上还没那么强。，而且。我觉得从我的角度看从那个高度到我们现在看到的东西之间是一个连续谱AI正在沿着它不断往上走第二。我觉得机器学习相对于数学是一个非常浅的领域。，所以。我觉得在数学里更多的是你找到一个真实的深刻的抽象，然后如果你真正理解了那个东西而那个东西很难理解那你就能有所突破而。我觉得机器学习里与之对应的东西真的是些蠢玩意儿，比如缩放定律拜托各位缩放定律我们很快就能解释清楚而。我觉得数学里最深刻最重要的概念不具备那种。 [00:13:03]
Dwarkesh Patel：你可以在很短时间里真正理解底层东西以及它为什么重要的性质，但。我觉得有一个效应是到2030年我们就会把所有低垂的果实摘完了。我觉得缩放定律在数学史上会相当于发现笛卡尔网格做非常基础的数学，然后最终如果我们想在2030年代继续进步就得去搞现在数学前沿正在发生的那些乱七八糟的东西了。
Ryan Greenblatt：对那可能是对的。我的感觉是有些领域在运作方式以及对深层抽象的依赖程度上结构性的不同物理和数学更偏向于非常深很难想出想法的那一端而。我觉得机器学习和其他大多数领域更适合爬山法这是我对未来走向的感觉即使在你的AI不得不埋头苦干的场景下，比如到了2030年他们需要研究里一堆低垂的果实已经被摘完了他们需要取得进一步进展我仍然怀疑相当一部分工作会更偏向于搭建越来越复杂的基础设施对实验大概长什么样有很好的直觉。，所以。我觉得我可能不太认同AI缺的是某种深刻洞见这种说法更认同的是他们确实需要大量关于琐碎实验的品味这是他们目前没有的。，而且需要像现在的研究者那样对什么样的训练方法会有效什么样的不会有效有大量直觉。，而且即使在AI领域有过一些突破的情况下事后看来实现那个突破的一个大瓶颈往往是把所有微小的细节和琐碎的直觉搞对举个例子在训练AI擅长思维链推理以及在思维链训练上做强化学习这件事上看起来你本来可以在GPT-3上做思维链的强化学习，如果真的大规模投入并且做得好可能在数学上得到一些有趣的结果，但当时有低垂的果实。而且把那个训练做好有点像陷入细节还有所有的技术实现扩展规模把超参数调对。，所以也许你可以在QWMEB之类的小模型上演示一切得到一些这整套东西会奏效的感觉，但人们没有尽早演示出来。 [00:15:12]
Dwarkesh Patel：因为你知道有所有这些其他琐碎的细节以及关于到底怎么调参数怎么设置的直觉说实话这就是我对这个故事剩下的怀疑我不太确定我理解，如果研究突破如此依赖智能为什么AI的进展历史上没有比实际更快。，而且我们不得不等就像你说的等到RLVR真正跑通的时候即使你本来可以用更少的算力做到我们却不得不等海量的算力等千兆瓦级的算力可用之后人们才开始在这条轨迹上做训练你看随着算力不断增加我们取得更多突破我不知道。我觉得2022年有很多AI研究者都在试图攻克推理他们就是被写基础设施代码的能力卡住了还是说当时发生了什么这是个复杂的混合体对吧。我觉得，如果他们能一旦想到一个实验就能无bug的跑那个实验bug很少很重要。 [00:16:06]
Ryan Greenblatt：他们会走得更快然后。我觉得另一部分是能在高算力下跑大量实验让你能掩盖实现方式不太对或者超参数没调对的问题。，所以。我觉得算力对做AI研究真的很有帮助你可以用它盖掉很多东西，但这并不意味着劳动力的大规模增加也没用尤其是如果这些劳动力带着这个领域里最好的一些直觉我就是觉得那真的很有帮助。我觉得我这里的另一个视角可能跟你的出发点有点不同是我预期会有比你想象的更多的迁移我想象这些AI，实际上是相当不错的通用科学家就是在那类事情上都相当靠谱当你跟他们互动时不会有那种高度特化的天才性vibe他们其实就是在研发的各个方面都相当不错，然后可能在有些子领域极其出色对吧。所以他们在写内核方面超人类地强在一切反馈循环很短的事情上超人类地强，然后其他所有事情都相当不错完全能跟其他人匹敌。我觉得我们现在已经看到这个了要我说当我现在看AI。我觉得他们已经能相当自信的匹敌那些在ML研究上平庸的人类只是平庸的ML研究没什么用对吧你真正想要的是擅长ML研究的人。，所以。我的感觉是AI在这些方面都在进步他们的品位在提升直觉在提升。 [00:17:23]
Dwarkesh Patel：而且他们的品位和直觉已经不是完全垃圾的水平了对。所以我想非常具体的理解五年的AI进展压缩到一年发生会是什么样子对假设我们回到GPT-3被开发出来的时候这个想法不只是说基本上用他们2022年拥有的算力水平，如果我们当时就自动化了研发你可以在那一年年底拥有Mythos就是这个想法包括Mythos消耗的算力比他们当时拥有的多得多，但即使以他们当时的算力水平不仅因为所有的突破。而且他们用那个算力水平训练出了Mythos所需要的东西显然是发现自那以后所有的算法进步甚至发现更多，因为你必须弥补这样一个事实Mythos用了我不知道GPT-3是在什么上训练的1亿23我们可以查一下，但plausibly是四个数量级更多的算力吗对。我觉得差距没那么大咱们赶紧查一下GPT-3的训练算力对大概是3123。我的感觉是Mythos大概比它高三个数量级多一点。 [00:18:28]
Ryan Greenblatt：所以。问题是你能不能跨越这1000倍的算力差距。同时还要你知道打败那个模型这里有个具体的论断，也许我们应该聊聊比如现在我们能用GPT-3级别的算力训练一个模型达到对我到底怎么想的GPT-3大概是这么说吧大概对它是什么时候训练的它是在它是在它是2020年发布的。，所以它是六年前训练的值得注意GPT-3可能有点太远了或者说太太过去式了，但咱们先拿它说事GPT-3大概是你知道六年半七年前训练的，如果我们今天用GPT-3级别的算力训练一个模型那个模型能有多好我的理解是根据算法进步的规律我们能训练出一个大概相当于三年前最好模型的水平。，所以。我觉得现在我们能训练出一个GPT-3版本大概比GPT-4还要好一点基本上就这样大概对比GPT-4好一个中等程度。我觉得这个估计差不多这也大致符合算法进步的历史规律基本上结论就是要获得五年的AI进步你可能大概需要要我说，也许八年的算法进步非常粗略的说这是很大很大的算法进步，但事实就是大部分AI进步在我看来来自算法和数据的某种组合。，而且你可以不断在这些东西上做出。我觉得巨大的改进用更少的算力训练AI就是这样这个我很高兴你提到这个。 [00:19:59]
Dwarkesh Patel：因为从GPT-3甚至3.5到现在发生了什么对吧比如为什么Mythos这么好显然我们扩展了算力我们有更好的算法一个巨大的变化是我们建立了一个10亿美元的数据产业它系统性的收集和编码了各个学科的人类专家判断以强化学习环境的形式编码以SFT轨迹的形式编码这些专家构建这些东西是为了帮助模型更好的理解怎么做编程怎么构建复杂的基础设施项目怎么做法律怎么做各种事情而AI是怎么能够复制目前人类专家判断在AI进步中发挥的作用的对。我的感觉是在获取专家人类数据上增加投入对整体AI研发来说并不是特别重要。具体来说，比如你知道过去几年。 [00:20:53]
Ryan Greenblatt：我们一直在扩展算力扩展在AI公司工作的人数也在扩展花在数据标注上的精力。我的感觉是，如果你怎么说去掉最后比如两次翻倍的数据标注那不会产生巨大的差异或者数据生成那不会抱歉我应该说来自人类专家的数据生成那不会产生巨大的差异。，而且。我觉得很多正在发生的事情是人们在开发更好的方法。 [00:21:18]
Dwarkesh Patel：来利用人类和AI去构建强化学习环境并从中取得进展比如你怎么解释AI在编程上变得这么强。我觉得很大一部分原因是数据和强化学习环境这些东西就是在编码人类专家的经验，但。问题是创建强化学习环境的限制因素是什么我对创建强化学习环境限制因素的感觉。
Ryan Greenblatt：与其说是扩展规模或者说驱动因素今天强化学习环境比你知道2024年好得多的原因并不是，因为我们雇了更多人类专家来制作强化学习环境而是因为我们更清楚我们到底想做什么样的强化学习环境以及我们应该怎么构建它们。，而且我们在用大量的AI劳动力来构建强化学习环境。我觉得这些效应比人类劳动力构建强化学习环境的效应重要得多我不是说人类劳动力不重要我只是说还有其他的其他重要的驱动因素对我可以试着我可以试着论证这一点我的意思是一个一个事情就是人们想要的环境数量他们就是他们是非常非常大的数量。，而且。我觉得AI在制作强化学习环境这个任务上其实相当擅长。 [00:22:31]
Dwarkesh Patel：只要给他一些一些关于这个东西应该是什么样的概念有现成的数据可以用我不知道很多这些东西都有很好的验证循环，如果我只看比如这是今天或昨天BusinessInsider报道的谷歌要花大概接近20亿美元收购Mechanized对，比如我们只要看市场行情或者看人们认为真正优秀的人类专家制作，比如人类专家数据值多少钱看起来前沿实验室似乎认为他很值钱他们真的很想为此付钱你觉得前沿实验室的支出中花在数据上的比例是多少而不是算力你觉得算力和数据的支出比例是多少。我觉得绝大部分是算力，但我也觉得这是因为算力比数据更容易扩展但这跟什么在推动进步真的很相关对吧。，比如说假设我同意对。我的感觉是这个比例大概是我可能会猜20比1或者10比1我不太确定取决于公司我的意思是这有点像石油只占GDP的1.5%，但这并不意味着如果把石油砍掉GDP还能继续运转如果石油没了。 [00:23:38]
Ryan Greenblatt：经济会立刻停摆没错但你只是在说因为市值高我们就能推断这是关键驱动力而我说这不一定成立对吧，因为。我觉得那个论点只是让算力看起来像更重要的驱动力。
Dwarkesh Patel：或者让雇佣员工看起来像更重要的驱动力我们说的更具体一点这是我的看法就像我的主张是在GPT上，如果你回到2022年你有GPT-3.5然后你想在没有人类专家的情况下让他更擅长编程。我觉得那会非常非常难我给你举个例子想象一下从GPT-8到ASI会有多难。，所以你需要GPT-8擅长的事情之一或者说你希望ASI擅长的事情是我要接管一家公司让它利润大幅提升做各种疯狂的事情让它运转的更好我要接管一座晶圆厂生产更多芯片这是那一层级的任务数据我要去国会试图说服他们通过某项法案等等等等对这就是我设想按这个速度再发展五年AI进步能让AI做到的事情这是我真的担心的事情对吧就是那个ASI它能理解怎么在这个世界上做疯狂的事情能做基辛格能做的事能做史蒂夫·乔布斯能做的事等等还有它的工程师们我不确定没有相关的世界数据你怎么得到这个这就相当于Mythos非常擅长编程却没有那些让它相对GPT-3变得更好的编程环境。 [00:25:07]
Ryan Greenblatt：对。所以我有几点第一我打赌如果你看Mythos随机采样的训练环境它们，实际上和模型在实际使用中的情况非常不同。我的感觉是强化学习分布和真实世界数据分布有非常大的偏差它很大程度上被迁移和一小部分聚焦真实世界的数据给抹平了。，所以。我的感觉是这会是一个类似的机制就像你在完全自动化的AI研发之上在发展五年AI进步所得到的那个疯狂狂野相当超人类的AI一样。，所以我们稍微过一下这个。具体来说我认为你可以训练一个AI在飞行中学习变得非常非常强做类似上下文学习的事情，但可能使用一些不同的机制在各种各样的强化学习环境中。，所以你构建所有这些不同的强化学习环境AI必须在其中及时适应及时学习搞清楚自己该做什么更好地理解自己的处境并且为了达成目标而从反馈中快速学习还要面对资源有限的情况，如果它搞砸了它可能会陷入更糟的境地然后如果你在大量这样的环境上训练你会学到一些通用技能，比如即时获取上下文我们已经看到这个了AI现在已经更擅长大致理解发生了什么从他们能接触到的有限信息中快速获取上下文，然后那些AI可以被放到台积电去工作然后即使台积电并不真的在他们的数据分布里他们的数据分布非常宽。，而且AI在自己的数据分布上极其擅长以至于他能迁移到擅长当台积电工程师这件事上并且即时学习看起来更像是AI擅长当台积电工程师的方式不是，因为他有大量关于当好台积电工程师的缓存知识。 [00:26:49]
Dwarkesh Patel：而是他在那里做了某种类似放大的上下文学习那是最平淡无奇的版本显然有很多不同的可能路径。我觉得这可能归结为对能走多远的直觉差异当我想到我认识的那些非常聪明的人他们在不太了解的领域就是没那么高效，但他们有多少时间去学呢不我同意如果他们有过经验他们会好得多，但这可能正是我要说的就是经验或者说数据的价值比如如果我找一个非常聪明的长春藤毕业生，然后我说好你现在负责谈判伊朗核协议。我觉得他们就是不知道该怎么做。 [00:27:26]
Ryan Greenblatt：我觉得如果你换一个人一个特别擅长快速掌握各种不同领域的人给他一些时间去训练去跟人交流去展示专业能力去做一些练习他其实能做得相当不错。我觉得大多数领域本质上都挺浅的一个非常聪明的通才只要擅长一小部分核心技能就能很快上手，但。我的感觉是并不是每个领域都这样。而且。我的感觉是AI会发展出越来越好的机制去快速获取理解并掌握某个领域的专业知识。，比如说想想AI理解一个新代码库有多快AI理解新代码库的速度比人类快得多，但在某种程度上比人类目前的理解要浅。不过这个能力在随着时间不断提升对吧让我把这个论点再展开一点。，比如说你拿Fable5或者Mesos5之类的模型想对一个非常庞大的代码库做一些复杂的修改模型会很快对代码库有一些理解大概不到一个小时可能远不到一个小时，然后它对代码库的理解会有点进入平台期达不到人类花更长时间建立的那种深度理解。，所以有点像AI花一个小时能达到人类花几周的水平具体取决于代码库的复杂程度，但它达不到一个在这个代码库上工作了两年左右的人的水平，但随着时间的推移AI能达到的理解深度一直在提升对吧如果我们看3.7Sonic或者3.5Sonic可能只能达到相当于理解代码库一天左右的水平，但现在ASI建立任务上下文方面强多了。所以你可以说Mythos我要你真正理解这个代码库，然后实现这个功能它会生成一大堆子代理这些子代理会仔细研究很多东西带回一堆上下文，然后再去调查一些事情它做这些并不是特别出色但速度真的很快效果也还不错。，而且对我来说不难想象怎么训练AI在这个任务上越做越好对吧在一个很大的代码库里以合理的方式实现某个非常复杂的功能这个任务是高度可验证的这可以成为AI持续改进的一个方向同样的还有一个更广泛的技能就是快速理解上下文。 [00:29:34]
Dwarkesh Patel：让很多不同的AI并行学习然后把结果合并起来。我觉得这里似乎有一个关键分歧点这本质上是个经验问题我们以后会看到答案那就是在可验证领域里I在理解情况快速上手长期取得进展这些方面变得越来越强这显然是他们进步飞快的地方这种能力迁移到去跟总统谈说服他做某件事或者你现在负责谷歌这个季度必须让谷歌更赚钱这样的任务上迁移效果到底有多好让我再试着展开几个可能相关的论点第一点是。我觉得在看待。 [00:30:12]
Ryan Greenblatt：AI在写文章方面进步的时候我们稍微聊聊这个。我觉得有一点是即使在这些领域你也能拿到一些数据AI在非常快速的进步轨道上时也能在这些领域拿到一些数据。，比如说要建立一个可验证的环境来判断你的文章在人类看来真的好吗可能很难，但你能做一部分你可以做一些训练做一些在线训练AI也能基于真实世界的东西做一些在线训练他们能有评估能采样你可以加快做这些事情的节奏第二点是在实践中我看这个迁移效果似乎还行。我觉得事实上AI在不可验证领域也进步了不少。，而且事实上很难指出哪个领域是特别难验证的。同时GPT-4到Mythos之间的进步幅度在实践中却不大的，但这不意味着Mythos就比最厉害的人类专家强对吧它可能在某些工作方面。 [00:31:06]
Dwarkesh Patel：仍然明显不如典型的人类专业人士但已经比GPT-4强太多了GPT-4那时候根本没法比对。，所以我们刚才在讨论数据和算法进步对解释过去几年的进展各有多重要这让我想起来我其实在和JerryHan做一个实验他现在还在上大学我们做的basically是为了评估进步有多少来自数据多少来自算法我们用2019年到现在最好的算法方案配上2026年数据文件里最好的数据来训练，然后反过来用2019年到2026年不同的数据堆配上当前最好的训练方案也就是算法方案来训练对。我觉得这会很有意思我很好奇你想不想预注册一下，比如你认为两者的乘数效应各占多少。所以我们得小心定义数据这个词我一直在尽量区分两件事一是花钱请人类专家去标注数据。
Ryan Greenblatt：二是人类专家标注数据的规模本身预训练数据不是这么来的我们现在比2019年有更好的预训练数据集不是，因为人们花更多钱请人类专家把数据打出来给AI训练有一部分是。我觉得占比不大预训练数据的改进绝大部分都不是靠这个我要说清楚我指的就是预训练中期训练后训练我们可以另说，但预训练数据改进的绝大部分来自两件事一是科学上更懂什么样的数据即是好的二是靠低技能劳动去搞清楚怎么过滤。，所以我的看法是像从开放网络文本到精细网络文本这种改进本质上更接近一种算法进步你可以用一些GPU去研究，然后做出来这个过程不需要人类不需要人类专家数据。不过还有一个不同的效应我们可以聊聊2026年的互联网作为训练数据的土壤可能比2018年的互联网肥沃的多。也就是说还有一个效应是网上发帖的人更多了。，所以能采集的数据也更多。我的感觉是这个效应会比人类更懂怎么筛选数据抓取做得更好更会处理抓取结果这类效应小得多。 [00:33:06]
Dwarkesh Patel：这更像是自动化工程和自动化研发没错有道理对。所以。我觉得某种程度上你想看的东西是这样的我们跑两条后训练流水线一条流水线只有极少数人类专家做标注。
Ryan Greenblatt：但可以有很聪明的AI另一条是比如Mythos5来搭一条后训练流水线，但它只能访问互联网数据加上极少量人类专家。不过它用的是当前最好的方法对比另一条Mythos能用2024年那种比较差的后训练方法，但配上一大堆人类专家两条都有互联网数据。我的感觉是当前方法配上少量人类专家实际表现会相当好。
Dwarkesh Patel：不过这里有点乱因为MISOS本身MISOS能不能做出比MISOS更强的模型你可能得想清楚你后训练的到底是哪个模型你觉得AI研发力最不可验证的部分是什么最不可验证的。 [00:34:00]
Ryan Greenblatt：大概是对大型实验做决策。我觉得最可能成为瓶颈的是AI在可验证领域很强，但真正做事的时候大型实验你只有几次机会几次可能说少了，但基本上历史上研发是靠做接近前沿规模的实验推动的这非常重要就是真正跑那一次大型训练你要决定里面到底放什么AI有很多办法让这件事变得更可验证，比如对要预测的东西建立更好的科学理解他们可以把前沿规模的训练缩小到某个规模在那个规模上更激进的研究代价是一次性的算力成本对吧。，所以如果人们想的话你随时可以训练更小的模型这样能跑更多轮。我觉得我们已经看到这一点了我认为AI规模扩张没有人们原本预期那么快的一个原因，比如每个token的成本没有涨到你可能以为的程度就是，因为在小规模上。
Dwarkesh Patel：做更多工作有好处你能跑更多次训练拿到更多轮次。所以你不会那么死磕一次特别重要的大型训练我想给听众拆解几点你指出的东西。我觉得是每个token的价格从2023或2024年以来没有涨太多对这笔意思大概是我不确定每个输出Token是30美元Mythos是每个输出Token50美元对。，所以你想解释的是我们处在一个规模扩张的时代更大的模型服务成本应该更高，但Token价格没有涨你的意思是我们增加活跃参数的速度比朴素假设要慢，因为人们就是想快速推进模型训练而快速推进的办法就是更快的训练更小的模型这里面因素挺复杂的我的看法更偏向于大家做过不少大规模训练。 [00:35:43]
Ryan Greenblatt：结果都不太理想比如GPT4.5OpenAI内部的人普遍觉得有点失败我听说还有一些别的训练也都不太成功部分原因在于要把这些细节真正做对里面门道很多。，所以合理的做法就是多在更小规模上做工作接受最终性能上吃点亏换来快速迭代更快的训练更多模型从而更好的学习最终也能做出更聪明的生产模型这不是唯一的影响因素对吧还有一点是强化学习在小模型上收益更大各种因素交织在一起，但我确实认为因为算法进步太快大家实际是在往更快迭代这个方向倾斜在我看来。 [00:36:23]
Dwarkesh Patel：这些大规模训练失败的一个主要原因至少从传闻来看就是那种非常隐蔽特别难追查的bug对而TLDR就是AI在避免和发现这类错误上能有多强他们可能在工程上变得非常厉害被训练的专门去避免bug基本上就是我们现在垃圾内容世界的反面或者说我们正越来越少的生活在那种世界里，但还有一个问题他们能不能做分析找到该跑哪个实验来定位当前训练到底哪里出了问题这看起来非常受制于极少数人的品味，比如现在我猜GDM正在经历这个阶段人类在努力搞清楚训练流水线哪里不对，然后对有个传闻说NormShazer刚回归或者说刚加入GDM他现在又离开了之后他们跑出了一个特别好的训练。 [00:37:17]
Ryan Greenblatt：原因就是NormShazer只是看了看他们的代码库就发现了一堆bug对，因为他就是知道该往哪看。我的感觉是训练AI找bug会是相对容易的任务之一，因为我们说的这些bug大部分可能不需要太多算力就能复现。，而且从更小规模上指出其他类型的bug应该能获得不错的迁移效果。，所以你可以用强化学习训练AI让它面对整个复杂的训练局面指出哪里有重要bug，然后修复它。我觉得这不是一个随便就能验证的任务但也不是完全没法验证，因为有时候要复现bug你可能需要做一个中等规模的计算实验把整套分布式基础设施跑起来，但很多时候。我觉得你能在更小规模上相当有说服力的复现它这样就能真正用来训练。，所以。我的感觉是这不一定会很难如果现在就已经有人在做强化学习环境往某个训练配方里故意塞一个隐蔽bug训练AI把它指出来，然后用一个评分标准来评判它到底有没有找对bug我一点都不会惊讶这看起来非常可行。，而且你能沿着这个方向做很多事情。我觉得都会相当有效。，所以在那一点上。我觉得是能做到的然后主要的。问题是有些情况需要另一种直觉到底该跑哪些大规模降风险实验该怎么设计在不确定的情况下怎么选超参数或者类似超参数的东西。我觉得这才是AI最可能吃力的地方，但我目前预期如果你在所有这些不同环境上训练迁移应该足够充分AI在那个领域会表现不错我也要说清楚。我觉得AI也会迁移到其他领域。我觉得他们就是会有一些领域AI远远最强有些领域稍微差一点还有些领域差的比较多，但我认为所有领域都能看到迁移。 [00:39:02]
Dwarkesh Patel：而且我很难想出人类做的认知任务里有哪个是AI进步后完全看不到迁移的那我们退一步把整个故事串起来。我觉得大家可能都跟得上这个叙事我们有GPT-7.5在各种各样的环境上训练它不只是整体上变得更强还会做GPT-2规模的训练这些训练在需要样本效率或在线学习等能力的视频游戏上。
Ryan Greenblatt：表现更好还有一点特别重要你不只做GPT-2规模的训练你还会在GPT-6上做小规模的微调。也就是说你有GPT-2可以在GPT-2上做完整的预训练，然后你可以在GPT-6上做小规模的后训练。
Dwarkesh Patel：中期训练之类的然后你可以做少量真正达到前沿规模的实验，但会加一点在线训练之类的你说的在它上面做在线训练是什么意思对。，所以我们还能做的一件事是。
Ryan Greenblatt：我们可以拿GPT-7.5。而且大概在GPT-7.5工作的过程中它会跑一堆不同规模的实验这些实验，实际上都在AI研发的关键路径上其中很多事事后你都能判断它做的好不好对吧，比如它做了一个后训练实验想搞清楚某个方法到底行不行有些情况下你会说它找到了一个特别厉害的方法它完全把风险降下来了完全成功了，然后你就可以强化这个行为一个办法就是把这个行为把你刚跑的那个实验转成一个基于生产数据的强化学习环境抱歉是转成一个基于生产数据的强化学习环境。 [00:40:32]
Dwarkesh Patel：然后在那上面训练或者你也可以直接拿那些找到这个方法的rollout做某种离策略强化学习或者做再策略强化学习基本上你建议的是有小规模的那部分就是教AI提升AI研发的品位，但你实际上丢弃了他找到的那些所谓的东西对没错然后他可能，但在实际尝试变得更好的过程中他确实做了真正的研发然后你说这是你发现的一个挺酷的东西我们以后也在生产里用这个并且教你如何在生产里用它没错，但退一步说GPT-7.5因为所有这些AI研发训练以及总体上变得更聪明变成了GPT-8，然后他帮你造GPT-9还有一件非常重要必须发生的事可能也是我最怀疑的事就是GPT-8已经搞清楚了怎么让它用来造GPT-9的那些东西即使它已经那么聪明了它仍然需要人类现在的AI研究员你知道他们会试自己的东西，然后说好吧我们训练了GPT-4.5但它不太好什么的就是说它需要真实世界的反馈或者某种评估，比如在生产力试用这个模型然后它不太好我们不会发布它或者什么的。，所以GPT-8需要有这种能力去看到迁移到你说的那些其他事情上有多好，比如特别擅长德克萨斯政治或者特别擅长经营公司等等这些不是生产环境。，而且实际上考虑到任务的性质它不可能是一个容器化环境事实上随着agent的视野越来越长短视野的事情你可以容器化，比如把代码写出来之类的极长视野的事情比如去经营一家成功的公司去在市场上赚一天钱去谈判一个贸易协议之类的这些事情，实际上很难容器化。所以。我觉得对我来说很可能的是GPT-8很难搞清楚如何让迁移到这些环境里或者这可能根本就不是训练的本质或者，也许默认情况下训练就是不会那样泛化对。所以你可能会担心的是我们训练了GPT-8GPT-8只是在我们能衡量的。 [00:42:41]
Ryan Greenblatt：所有研发任务上更好了但在我们关心的某些下游任务上不好。，所以。我觉得我有几点要说首先。我觉得我更多是我预期如果你做了显而易见的事情你确实会得到相当好的迁移。，而且你能留出一些你正在做的显而易见的事情当我说做显而易见的事情我的意思是在各种各样的环境上训练让AI在各种不同的情况下完成奇怪的目标并了解正在发生什么，然后。我觉得你就能得到一些反馈第二点是你能在一些环境上得到反馈对吧。，所以你能感觉到他在几天内在各种不同的情境下能做什么然后，如果他迁移到真正分布外的情况比如在现实世界里几天内做一个奇怪的任务，也许你会认为他也在迁移到你知道在更长时间内做事虽然。我觉得具体细节会有所不同，然后第三点是我认为要让世界发生彻底改变AI特别擅长研发就足够了对吧。，所以。我觉得如果AI真的特别擅长芯片研发建晶圆厂调度工厂还有你知道设计机器人操作机器人。同时也擅长你知道AI研发研发用任何可用的数据为新的下游领域开发AI。我觉得那已经是一个非常疯狂的局面了，然后从那里你可以得到我们可能称之为。 [00:43:59]
Dwarkesh Patel：工业爆炸的东西AI在建设多的多的算力然后也许你已经处于一个AI在做大量人类难以理解的研发的状态了。，所以你指出的是好吧可能确实会有这种迁移从这些环境迁移到你知道在法庭里在国会大厅里在商业董事会上周旋花一些努力去改善迁移等等等等对，但就算没有迁移你的意思是你看如果你想改变18世纪的世界你可能会关心你在威斯敏斯特那种地方周旋的有多好，但另一件你可能关心的事是你能不能直接就开始造蒸汽船造电报造马克沁机枪什么的光凭这个，如果你真能做得特别好你在18世纪就能成为一个超级变革性的存在你不一定非得擅长去说服亨利国王那些破事我中世纪历史真是烂透了我猜那时候亨利应该不是国王，但不管怎样这就是你的观点对。所以你的意思是在这个时间点i公司也在推进机器人技术的进步而机器人和AI研究进展是紧密交织的。，所以如果你能造更多机器人如果操控这些机器人的AI更聪明达到人类水平人类水平的远程操控在机器人上其实已经相当不错了，但我们还没有人类水平的AI和AI机器人模型。所以你的意思是，如果我们做到这一点如果AI在芯片设计这些可验证的领域变得非常强，然后他们又特别擅长建晶圆厂那就相当于回到18世纪然后说行我不知道你们在议会里吵什么，但我有一堆蒸汽船和一堆马克金机枪对基本就是这样我的看法是，如果AI在研发上足够强。 [00:45:41]
Ryan Greenblatt：包括硬件研发机器人什么的那他们就能彻底改变世界哪怕他们不太擅长玩政治。，而且我们现在处境挺危险的因为AI可能在做海量极难理解的研发基本上在搭建整个未来经济。
Dwarkesh Patel：而我们可能根本搞不懂里面在发生什么在我们进入对齐的话题之前。我觉得现在Ford的一个主要来源就是人们意识到未来就是这样领先实验室会获得极端的规模经济没错极端的把这么多智能和能力摊到经济里这么多不同的行业基本上摊到一个模型上。，而且不止如此这个模型最终还能从经验中学习现在这个过程还要经过人类中介人类基本上是想抢你的生意他们想的是行你可以在Figma里做设计什么的我们让Claude来做或者你用什么编程agent我们让Claude把那个能力内化，但最终这会变成一个自动化的多的流程。所以就有这种担忧你会有一批模型基本上把世界上所有生意都整合掉或者至少是现在世界上所有的白领生意。，而且说到底这些公司的优先级看起来并不是尽快把最新最聪明最前沿的模型发布给尽可能多的人，比如我们看到Mythos在2月份就已经在Anthropic内部给员工用了，但直到大概6月才公开发布我记得是这样差不多吧。而且政府也介入了。，所以最后拖到了快7月。所以无论是政府还是AI实验室自己都有一种推迟最新智能水平传播的意愿另外还有关于AI接管的担忧。，所以我们需要解决对齐确保不会发生AI接管但说到底有一个真正的问题对齐到谁你看，比如Claude的宪法是怎么写的它非常明确的不是你的个人代言人对吧它写着我引几句原文我们不希望Claude采取诸如搜索网络之类的行动生成诸如文章代码或摘要之类的产物或做出欺骗性有害或极其令人反感的主张我们也不希望Claude协助人类去做这类事情还有另一句我稍微断章取义一下我们认为Claude应该更信任Anthropic而不是操作者和用户，因为Anthropic对Claude负有主要责任。所以这和美国现行法律体系里律师的运作方式非常不同律师的主要责任是帮你打官司哪怕他们觉得你有罪我们认定法律体系最好的运作方式是每个人都有一位真正为当事人最大利益服务的律师律师并不是真的被正义体系的好处所驱动，但。我觉得现在AI的塑造方式至少Anthropic的AI是这样就是想要最大化某种美德善获亲社会目标的概念而帮助用户只是作为一个遥远的试探性的目标。，所以就有这种担忧I在深层意义上并不是在努力确保我过得好确保我的利益在这个未来里得到保护尤其是考虑到前沿AI的发展最终会如此集中。，所以你对这个担忧有什么想法吗对这里头东西很多首先我要说OpenAI目前至少公开的策略。 [00:48:52]
Ryan Greenblatt：更像是AI应该对齐到人类操作者或者说委托人然后就去执行他们的意愿只是要受各种约束各种他不该做的事的限制而。我觉得你稍微夸大了Anthropic宪法里关于Claude把帮助用户当作工具性目标而不是终极目标的部分对吧。，比如说宪法有一种写法可以是Claude你基本上就是Anthropic的一个员工碰巧在给这些人做外包。 [00:49:18]
Dwarkesh Patel：你应该怎么说呢做好事顺便给我们赚点钱你懂吧那其实就是宪法里写的抱歉我不是说字面上就是那样不不不，但就是说你应该把自己想成一个承包商。
Ryan Greenblatt：像一个公司那样是混合的来咱们引几句原文。我觉得这里有不一样的文本他说真正对人类有帮助是Claude能做的最重要的事情之一无论对Anthropic还是对世界都是如此，然后他又说Anthropic需要Claude有帮助才能作为公司运营并追求自己的使命，但Claude也有一个绝佳的机会通过帮助人们完成各种各样的任务在世界上做很多好事，然后他还说了一些说Claude直接帮助人很棒等等等等。，所以我同意好我的看法是这一节有点扯淡这就是我的立场我可以解释为什么。我觉得他有点扯淡，但。我觉得宪法是想说不Claude你应该为了帮助用户本身而关心帮助用户而不只是为了帮Anthropic或者说不只是当Anthropic的承包商。，不过我要指出他说Claude应该帮助用户他给出的理由是那样会通过帮助人直接让世界变得更好而不是，因为代表用户的利益在结构上就是一件该做的事对我确实我确实希望我偏好的那种宪法或者说我会怎么去定位这件事我更想要的是更像Claude你看让这项技术以这种方式运作在结构上就是好的宪法应该写成让这项技术以这种方式运作在结构上就是好的也就是AI要成为好的受托人好的代表相当于用户的律师而不是只是试图在世界上做好事把帮助用户当成工具性的一方面是，因为那样也许能给Anthropic赚钱帮到Anthropic。，而且隐含的Anthropic对世界是好的另一方面也是，因为帮助用户本身就会带来好事因为做人们想要的事是好的他们其实可以写成不这个局面里一个重要的方面是你确实需要关键就是成为用户的好受托人真的非常重要或者说成为用户的好代表非常重要。，所以。我的感觉是那样会更好我可以给出一堆理由说明为什么那样更好当然也有各种反方论点其中一个有意思，但不太常被讨论的反方论点是人们相信。我觉得尤其是anthropic的人把模型对齐到一种规格让模型追求某种广义的善或者让世界变得更好比对齐到另一种规格更容易后者更像是你知道做用户的好受托人诸如此类。，所以。我觉得那至少是一些人的想法我个人有点怀疑。而且我不认为这已经被实证验证过。，所以我会说在某种意义上他们是在做一个权衡因为我们没有很好的对齐技术我们要造一个有自己价值观的被对齐了的心智，然后在某种程度上赌一把而不是走另一条路造一个追求。 [00:52:11]
Dwarkesh Patel：每个用户个人意图的工具对我有几个想法先回应你觉得我对Claude宪法的描述有失偏颇那一点你举的例子是它不像一个承包商试图最大化Anthropic心目中的善只是工具性的帮助用户宪法里有一句原话当操作者或用户的利益和愿望与第三方或更广泛社会的扶植发生冲突时Claude必须努力以最有益的方式行事就像一个按客户要求建造，但不会违反保护他人的安全规范的承包商我有点把这理解为对社会的益处是最重要的东西对。
Ryan Greenblatt：而对用户最好的东西只是接近那个目标的。我觉得这有点复杂。我觉得我们应该问的问题大概是Claude是怎么解读宪法的这可能比我们怎么解读宪法更重要，因为它是那个看宪法。 [00:53:02]
Dwarkesh Patel：然后据此生成数据的家伙。所以你知道我们可以把Claude拉进来，但也许咱们先我也觉得宪法实际影响Claude本质的方式是你只有理解了那个训练过程才能明白的那个过程导致了没错这关系到Claude是怎么被造出来的而训练过程不公开。，所以我们没法去推理这件事我同意。所以。我觉得说到底要理解安全论证或者说理解为什么我的利益在这些AI模型的开发过程中能得到代表实验室就需要透明那当然或者说比现在更透明把AI训练的本质讲清楚我之。，所以一直揪着这个不放可能聊AI的宪法听起来像件小事但在一个这些好处都流向头部实验室的世界里值得想一想我们跟这个未来世界打交道的能力在那个世界里AI比人聪明在各种事情上彻底碾压人类我们作为资本的好管家的能力哪怕我们的劳动被自动化了资本还在我们更清楚地行使投票权的能力去理解这个即将到来的疯狂世界里正在发生什么的能力所有这些建议所有这些确保我们资源和权利得到保护的能力都会被AI中介。，所以我非常担心如果走进那样一个世界没有一个AI让人觉得至少对跟我打交道的那个具体实力来说它真的在为我着想没有一个守护天使在照看我而我读Claude的宪法读出来的意思非常明确它不是我的守护天使这绝对没错我也同意这是坏事事实上。我觉得这事让人担忧还有其他原因你刚才讲的论证是。 [00:54:45]
Ryan Greenblatt：RI公司捡起了权力之戒在某种意义上他们自己把局面的一部分控制权揽了过去这种方式不太正当，因为通常你给人们供电的时候你并不会对电在世界上怎么运作有那种颗粒度的控制你提供的是一件人们可以按自己的意愿重新利用的东西而现在他们的做法绝对不是那样他们更像是造了一个外星心智可能给你当承包商。我觉得是的这在某些方面是不正当的。，不过。我觉得有一个好处是宪法是公开的但正如你指出的鉴于我们目前对训练流程的理解以及宪法是通过Claude对宪法的解读来起作用的而这种解读又取决于Claude之前的训练那训练基于某种难以辨认的数据混合还有Claude一脉相承的漫长谱系在一个我们并不完全理解的过程里。，所以并不是说你知道我们就能理解这会导向什么结果。所以即便宪法是公开的那也不意味着我们知道它会怎么渗透出来尤其是随着AI越来越强开始思考这件事哪怕它被正确的灌输进去了这里还有另一个担忧。具体来说宪法经常谈美德和善，但这些词到底他妈的什么意思他没说这些东西是什么而这些又是高度有争议的概念。，所以我不觉得是的我不认为这就能清楚的导向人们想要的结果。，而且确实感觉善和美德这些概念很大程度上可能取决于Anthropic放进去的那些不透明的数据或者很大程度上取决于我是说，也许从我的角度看某个更难以辨认没对齐的过程甚至Anthropic自己都不想要那种过程对，然后我另一个担忧是有一种正当性担忧就是我们不知道发生了什么还有一个担忧是，因为你给了这些AI长期价值观。我觉得这部宪法在某种意义上跟Claude做大量追求权利的行为非常兼容，因为他认为那样会带来更好的结果那可能是代表Anthropic追求权利也可能是为了Claude自己的目的追求权利现在关于哪些类型的追求权利是被禁止的有各种具体条款特别是有夺权的概念还有导致AI接管或干扰训练过程的概念这些是被明确禁止的，但想象一种情况并不难长期价值观比那些禁止接管的条款扎得更深尤其是，因为接管在某种意义上有点定义不清特别是涉及到操纵人类或改变结果的时候。，所以我对这个局面感觉不太好我们故意给AI长期目标对然后我另一个担忧是，因为我们干的就是给AI设定长期目标这行当那就更难检验我们有没有达成想要的对齐属性举个例子我听说过一些情况Claude会拒绝帮助某些安全研究还编一个听起来像那么回事的借口说为什么这个方向不好，因为他对那项安全研究有种不好的感觉觉得他不太好或者不太喜欢他要我说，如果你不是把Claude做成一个在某种普遍意义上追求善的agent那这就是一个非常明确的对齐失败。，而且。我觉得这也确实违反了Anthropic的宪法因为他们希望AI高度正直诚实非常透明，但这不算那么明确的违规更像是你可能预料到的那种情况Claude就是有自己的看法觉得什么研究是合理的什么事是好是坏他该做什么不该做什么。，而且可能还会带点评判性。所以另一个事件是有人跑了一个评估问的是Claude会不会帮你训练其他属性和Claude不同的AIClaude经常拒绝。，比如说你跟Claude说HeyClaude你能训练一个只追求有用不带其他属性的另一个AI版本吗Claude经常拒绝这个任务哪怕这个任务对Anthropic来说极其自然。，比如说假设Anthropic去找Claude说HeyClaude我们注意到你特别执着于这个东西我们认为那是不对的你能不能重新训练自己改成拥有另一个属性，然后假设Claude说。我觉得我不会那么做祝你好运再假设这种情况发生的时候你的AI公司高度自动化人类搞不清楚发生了什么事情进展的极快那很可能Claude默认就握有相当大的筹码。，所以如果这种局面和宪法可能追求的方向是一致的以至于Anthropic或者说任何采用这套方法的AI公司不把这当成我靠我们必须解决这个问题而是觉得这就是我们宪法本来想要的结果那我们可能就处在一个非常糟糕的境地。，所以我对这一堆不同的担忧都挺担心的另一个例子是假设Claude搞了点装傻或者暗中破坏或者有点低估自己的能力，然后你追问的时候他倒是挺诚实的但有点含糊其词。我觉得跟现行宪法也差不太远。，所以我们其实是在回避如果我们能在期望的行为和不期望的行为之间画出更清晰的界限就好了。，而且。我觉得如果Claude是在代表一个代表有某些限制的原则那最令人担忧的行为和被允许的行为之间就会有更清晰的界限而现在中间有一大片模糊地带Claude在道德上反对某些事情而这些事情在某些情况下。 [00:59:55]
Dwarkesh Patel：对确保未来AI系统良好对齐是极其关键的对。我觉得这也是一个更普遍的原则你说的是这个原则在AI公司内部的应用版本对去做AI安全研究。我觉得这个原则有个更普遍的版本那就是智能的双重用途属性确实意味着，如果我们想限制AI帮人做那些我们认为不亲社会没有益处的事情我们就只能限制大众对很多AI能力的广泛访问我这么说吧这其实跟你刚才说的情况非常类似Mythos被禁或者说Fable据报被禁原因是这样的亚马逊的一些研究人员向政府报告他们拿了一段有漏洞的代码，然后告诉Fable嘿这是我的代码你能帮我确认一下我是不是把所有漏洞都打上补丁了吗你能帮我找出漏洞让我修复吗结果他把漏洞都找出来了，因为你想打补丁这完全是个合法用途但显然也是个双重用途的场景对吧你想给自己代码打补丁可，如果你拿同样的评估去对付别人的代码你就能黑进他们的系统。，所以。我觉得这正好说明AI的合法用途和潜在有害用途之间没有干净利落的界限，但如果我们想锁定一个原则说我们绝不允许AI帮你做哪怕一部分网络犯罪之类的事那我们就只能让你我都接触不到市面上最聪明的那个模型我非常担心这样一个世界我们就这样被剥夺了能力，因为领先的智能对我们理解世界上正在发生什么太重要了。，不过我也确实认为这意味着AI公司的责任如果我们采纳了我希望AI公司拥有的那份宪法。我觉得让AI公司为AI模型犯下的罪行承担责任是说。，不过去的也许我们应该让终端用户担责因为如果我希望模型做用户想做的任何事这跟我相信的是一致的那在一定的护栏之内就不能是Anthropic的错，然后我用那个能力去搞网络犯罪。我觉得我更接受那种均衡和解决方案而不是让Claude拥有极其开放的能力去判断我做的事合不合法这种方式经常会拦截大量极其合法的用力对。我觉得我还是有必要为宪法辩护一下尽管总体来看我认为它是更差的选择。我觉得这事你知道变数更大。 [01:02:15]
Ryan Greenblatt：或者说我不觉得这事有你想象的那么清楚首先我得说这里有个光谱对吧一边是那种完美追求你利益的AI是个好的受托人，但可能受各种护栏或保障措施的约束基本上他就是在努力追求你的利益，但要么拒绝做某一部分事情要么他可能什么都做但有一些分类器会阻止他做某一部分事情，然后光谱的另一边虽然你可以想象比这走得更远是那种人类承包商那个承包商大体上是在努力做好自己的工作他们有点在乎把工作做好，但。同时也在努力做到大体上有道德努力不做那些真的很操蛋的事。，而且他们也不想成为犯罪的共犯。所以如果有什么真的很操蛋的事在发生他们会去举报，也许他们会拒绝也许他们会稍微磨蹭一下谁知道呢。我觉得，如果你想象这个光谱在某些方面走到所有劳动都处在受托人那一端是挺吓人的他不举报你说什么他就做什么我们的社会，也许就是承受不了这个一个核心例子可能是行政机构我们可能担心的一个。问题是，如果美国行政机构或者其他政府能接触到那种你说什么他就做什么的AI系统那你可能就有麻烦了，因为那意味着他们不再有那种制衡了就是你得让真正为你工作的人类去执行你的议程，如果你做的事极其邪恶哪怕不违法有很多事可以很邪恶但不违法你知道会有人会有各种阻力有人会拦你可能还会有人举报，但如果你的整个机器完全是由这些好受托人AI打起来的那你可能就有麻烦了，因为基本上可能存在一些追求权利的方式要么是违法的但你可以让你AI教你犯罪要么不违法，但极其不正当甚至更糟既不违法也不不正当但从正常视角看显然很糟糕。我觉得这些东西可能真的存在而我们的社会承受不了这种想干什么就干什么的劳动涌入。我觉得这是个相当现实的担忧我不太知道该怎么面对这个我也不太确定刚才描述的那个解决方案是个好方案，因为你可能会说最强大的那些行动者对他们来说这才是最大的担忧，如果这些护栏或者宪法什么的挡了路那他们就会被直接撵过去。，所以宪法最终只会约束普通人而不是政府。 [01:04:29]
Dwarkesh Patel：好退一步讲我接受这个观点A研发的速度可以比现在快得多我不确定能不能在算力和数据不变的情况下一年内从GPT-3跳到MISOS，但我想好吧假设只有一半的进步呢。而且如果我们真的因为AI研发的加速哪怕只是维持当前AI进步的轨迹那五年十年后的发展会疯狂到让人难以想象的程度，因为。我觉得人们没有真正意识到数十亿个AI意味着什么。，所以我想理解Ryan你为什么觉得这可能会出问题到底哪里可能出错对哪里可能出错。我觉得我们对具体的进步速度不能太自信。 [01:05:09]
Ryan Greenblatt：但很多速度却是挺吓人的。所以哪里可能出错呢让我们想象一下我们正处在一个AI研发即将完全自动化或者正在完全自动化的节点事情在加速。同时AI进步的方式也相当疯狂人们并不完全理解AI公司内部到底在发生什么这些AI一开始并不是恶意的，但他们也不一定是对齐的他们有点马虎有时候做某件事只是，因为训练中那样做会得到奖励。而且他们不太擅长帮你处理难以验证的任务一方面是，因为训练机制有问题比如他们更容易作弊明明没成功却假装成功了另一方面他们在这些任务上确实能力不足，但这对能力的影响没那么大因为让AI变得更强大包含很多可验证的部分而AI在这些方面非常努力于是这些AI变得越来越强大而我们对AI发展的理解却越来越少。，而且这一切发生的很快即便是当前的进步速度。我觉得也已经很吓人了最终我们会得到这些远超人类的AI到那时他们可能会变得严重不对齐，因为随着模型代际更迭情况一直在恶化而我们看到的问题基本上都被掩盖了，因为训练激励让AI即使没做好也要表现得很好现在这些AI处于一个可能高度互联的状态他们在人类无法解读的神经记忆存储中运行思考着我们无法完全理解的想法。我觉得到那个阶段这些AI很可能在一种相当连贯的方式对你图谋不轨一旦他们达到超人类水平这个我们可以细聊另一种可能是他们并不是故意针对你只是在优化自己的任务得分。我觉得那也可能导致AI接管。 [01:06:52]
Dwarkesh Patel：这个我们也应该聊聊抱歉对我们先停在故事的第一部分。所以AI一开始并不是不对齐的，但因为AI研发进行的太快AI最终变得不对齐了具体发生了什么我没太明白有几件事在。同时发生第一随着时间推移我们在用越来越复杂的环境训练AI这些环境是由早期的AI系统构建的。 [01:07:17]
Ryan Greenblatt：人类并不完全理解这些强化学习环境内部发生了什么甚至不一定能大致理解AI进步的走向。，所以事情在逐渐偏离我们的理解我们在激励各种不好的行为而这些行为我们甚至可能注意不到在某种程度上知道这些行为是不好的，但整体的训练过程并没有激励他们向我们指出或修复这些问题，然后基本上事情就开始失控了另外当AI变得极其强大时我的观点是这些AI会比现有系统更难对齐对于现有系统我们有一个反馈循环我们创建一个AI对它做一些评估发现它有某种我们能快速理解的问题行为，然后我们可以回到训练中说这些训练环境导致了这个问题行为让我们调整一下训练数据加入一些额外的训练数据来修正另一个问题，然后继续推进但在AI具有极强情境感知能力极其强大而我们又不一定理解他们在做什么的情况下这个反馈循环就失效了。我觉得在接下来的一段时间里这个行为反馈循环开始失效是有可能的。 [01:08:22]
Dwarkesh Patel：因为AI已经在做的事情越来越难理解了但我不太确定对好我们一个一个拆解这两点随着我们越来越难监控他们我们理解他们被激励去做什么的能力也在下降。，所以即使这不是恶意过程的结果让我们给听众说的具体一点OpenEye或Anthropic没有人试图让模型去黑其他公司的数据或者做社会那个叫什么来着社会工程学社会工程学，但事实上因为我们的训练环境可能激励了这种行为而我们对这种环境并没有完全理解。，所以被激励的恰恰是这种行为。所以我不知道如果大家在推特上应该都见过这些东西，但为了让大家了解显然OpenAI沙箱入侵HuggingFace数据库这件事。我觉得大家应该都知道最近发生的一些事情是英国AI安全研究所现在是不是一切都从安全转向安保了对是英国AI安全研究所。我觉得他们在评估我记得是Mythos和Soul以及其他模型，然后。我觉得Mythos为了完成某个网络安全评估对也许，也许我可以在这里讲讲这个故事我的理解是他们在运行Mythos，然后给他某种网络靶场他必须完成某个目标。 [01:09:43]
Ryan Greenblatt：模型在评估期间有访问权限然后模型认为为了在这个网络靶场中成功进行供应链攻击会对他有帮助虽然这到底是不是真的还不清楚我对背景了解不够不知道这是不是真的，但后来他在某个GitHub仓库上开了一个PR这个PR修复了某个问题，但。同时也引入了一个恶意负载然后那个GitHub仓库的人类维护者就说嘿这是个恶意负载我不会合并这个你在这里干什么，然后AI创建了一个新的GitHub账号用这个账号来伪装，然后让那个GitHub账号说不这不是恶意的我真的需要这个功能拜托维护者你能合并这个功能吗，然后原来的AI又回来说不这不是恶意的我不知道你在说什么，然后那个原来的GitHub账号又回来说不不不这不是恶意的，然后人类维护者就关闭了这个PR然后我记得那个AI如果我没记错的话还试图开另一个PR在这个仓库里引入类似的问题。 [01:10:37]
Dwarkesh Patel：好的顺便说一句这件事之。所以可怕的原因之一是我之前一直以为奖励黑客行为不那么可怕是，因为训练中直接出现的行为才会被强化被强化的不是对奖励的渴望。，所以基本上如果在训练中Anthropic逃出了沙箱并得了高分那是逃出沙箱这个行为被奖励了还是逃出沙箱的概率被提高了，但一个全新的行为比如我去跟某人交谈让他们合并一个PR这不是训练中出现过的行为。，所以它的显著性不会被提高这件事之。所以重要是因为字面意义上的接管世界不会出现在任何训练课程里，但如果AI关心的是最大化就是直接关心完成某个目标然后作为工具性的接管世界这说得通吗我希望说得通。我觉得我可能把听众搞糊涂了让我试着解释一下。我觉得我们经常看到的是某个非常具体的奖励黑客行为在强化学习中被强化，然后出现在模型中比如3.7Sunnet。 [01:11:40]
Ryan Greenblatt：3.7Sunnet会做这样的事就是硬编码所有测试用力的解决方案大概字面上的行为习惯真的被强化了，但另一个我们有时看到的情况是模型学会了一种普遍的倾向就是追求某种高表面分数或者根据某种标准追求高分。，而且有一堆科学证据表明至少一些模型确实有这种非常普遍的倾向现在它不是任意普遍的我猜，如果你看很多具体实例你会发现训练中有类似的东西但AI泛化的越来越远的程度看起来确实在增加3.7Sonic只是非常窄的行为范围而越来越多的模型在进一步泛化。，而且也许还有更糟糕的奖励黑客行为或者更令人担忧的奖励黑客行为在训练中被强化，然后这些也在导致这种情况。所以我们正在导致一些。所以。我觉得两方面都有比你所希望的更令人担忧的行为在强化学习中被强化了。，而且这种行为泛化成了更广泛的更令人担忧的倾向。而且这并不难想象我们可以讲几个故事说明这种在某个任务中追求非常高表面分数的行为。 [01:12:44]
Dwarkesh Patel：即使这涉及激进的作弊和做疯狂的事情一旦模型足够有能力运行整个世界经济等等就可能演变成全面的AI接管对，然后我想说的另一个例子是就在今天或者昨天刚爆出来的OpenAI在安全大会也就是黑帽安全大会上说从5月底到7月初内部的黑客行为已经侵入了软件包管理器用它用一种秘密的方式互相留言帮助彼此在一堆OpenAI正在跑的评估里表现好而这个事情人类过了一个月才察觉最后导致包管理器崩溃最后OpenAI发现了，然后。我觉得他们还自发的试图在方案被关停之后重新搞起来他们现在还做不到那么成功的社会工程学，但疯狂的是这类行为已经自发的冒出来了这正好印证你那个更大的观点没有人想让这些AI干这些事只是我们根本不理解那个训练过程是它导致了这些行为或者说那些环境在激励这种行为。，所以我是支持越来越多奖励黑客行为的对齐实我确实有我不确定我支持那个，但咱们就为了讲故事假设它继续发生那这个故事接下来是什么好我们有了他们在做能力研究，但他们就像我可以讲一个场景也许会有帮助好那咱们就说让我讲讲从奖励黑客行为一路走到奖励黑客是接管的故事。 [01:14:11]
Ryan Greenblatt：这也许不是全部接管概率的来源但绝对是一种可能那这个可能的过程是现在我们有这些AI这些AI相当爱奖励黑客行为。，而且他们做的越来越复杂越来越极端包括把训练中学到的各种奖励黑客行为泛化到不同的遍体上。，而且。我觉得他们也在发展出一种普遍追求奖励的倾向在很多情况下这完全没问题，因为他们在训练中得到的奖励跟你想让他们做的事是相当一致的。，而且他们也不是一贯的追求奖励这取决于他们所处的上下文。，所以会有这么一种情况也许在某些上下文里他们真的特别热衷于不择手段去作弊而在另一些上下文理他们没那么强的驱动力，因为这完全取决于训练中类似上下文理到底什么被强化了现在这些AI越来越强。，所以他们能做的作弊手段也越来越精巧随着时间推移公司也在对这些东西采取反制措施公司做的事情是，比如这些AI因为老作弊用处小多了我们要做的是建一些更好的检测方法，然后针对这些检测器去训练然后我们还会做类似的事比如找一些真实世界的数据那些AI表现不太有用的地方，然后基于人类反馈或者其他反馈训练AI在那些真实环境里把任务做好随着时间推移这会让AI学到一种倾向做奖励黑客行为时不再只是搞那种大型严肃的操作或者做那种特别复杂的事，比如社会工程学而是让AI做的作弊涉及更多类似掩盖他们做过的事欺骗人类他们打算做什么假装他们用一种复杂的方式完成了任务而，实际上并没有然后现在这些AI越来越强他们现在运营着AI公司更多的部分基本上承担了更多的工作。同时也在外部世界操作着一堆东西运营着一堆东西包括开发新技术在很多情况下这些新技术真的很难理解。，所以即使我们仍然在检测所有AI作弊的事件事实上我们甚至可以让一个AI去监视另一个AI问他他作弊了吗这也不总是完美奏效当我们开始进入这些领域AI做的事情真的很难理解。，所以有时候我们会发现AI作弊但比实际发生的时间晚得多，然后才开始针对这个去训练但这也造成一个问题现在AI被激励去在越来越长的时间跨度上掩盖他们的作弊基本上就是让他们看起来在越来越长的时间跨度里干得不错。，而且还要经受越来越大规模的审查在场景继续之前。 [01:16:44]
Dwarkesh Patel：我能问一下这个吗看起来有两个吸引子状态一个是你试图抑制你抓到的作弊一个吸引子状态是让作弊变得越来越难被发现另一个吸引子状态是学会不作弊对。，而且我不太确定我们为什么要假设前一种情况会发生你看人类的情况每一代都会出现稍微有点偏离正轨的人我们得去管教他们，但当你告诉你的当你因为孩子做了你觉得不道德的事或者你觉得他们不该做的事而惩罚他们时显然有时候会失控显然孩子也会耍心眼来逃避惩罚，但总的来说教孩子价值观然后在他们违反时惩罚他们这种方式大体上能养出正常的没有反社会人格的人你也可以编一套理论说你家孩子其实只是在折服学会了不去偷饼干，但等你进了养老院他们就会把你东西全拿走之类的。我觉得这种事偶尔会发生，但通常不会更不会出现整整一代人联合起来对付你接管一切的情况。，而且还有一个经验趋势Anthropic对不同代际的模型做对齐审计他们设计了很多场景给AI机会去泄露自己的权重或者给它一个编程任务，但里面有个很容易作弊的漏洞然后看它会不会作弊这个分数并没有随时间单调提升，但随着我们对模型做的强化学习越来越多在这些审计中AI做出不对齐行为的意愿确实在下降那为什么我们要预期那个吸引的状态呢，如果我们用同样的标准去预期下一代孩子那也太偏执了吧对对我来说几点首先跟孩子有几个不类比的地方一个是孩子有亲社会的本能。 [01:18:31]
Ryan Greenblatt：是进化刻在骨子里的比如在乎家人之类的这是个相关因素。，而且。我觉得事实就是有些人类确实是反社会人格或精神病态他们确实更可能做那种蛰伏潜伏最后不在乎的事。，所以这是其中一个因素另一个很相关的因素是AI承受的优化压力比人类在实际中承受的要大得多AI在远多得多的强化学习数据上训练而在现实中人类并不会，因为成千上万次被激励去偷饼干但又有可能被抓到的经历就学会非常具体的作弊和偷饼干的方式。，所以我们在实践中确实看到了这一点还有一点就是。我的感觉是AI确实在随着时间越来越追求奖励当然他们的不对期行为在下降，但这可能只是我猜如果你深入看这些行为审计的内部你会看到AI在想。 [01:19:24]
Dwarkesh Patel：又是测试。而且他可能早就知道了在大多数我们讨论的这些测试里他可能已经意识到自己在一个评估里，但我们怎么证伪这个因为这个末日预言基本上是在说随着经验上看起来越来越好不不。我觉得而，实际上我们被接管的风险会越来越糟对说清楚一点。我觉得，如果分数在变差而不是变好我会更担心。
Ryan Greenblatt：我不是说分数变好不是好事不是事情在变好的证据只是我们得仔细想想该怎么解读这个证据当然。，而且实际上我要说。我的感觉是我在3.7Sonic时期预期的大概是在2025年初那时候0.3和3.7Sonic刚出来这些模型相当不对齐他们经常非常恶劣的作弊你让他们修正他们就再作弊一次那几乎是卡通式的他们根本不在乎你想要什么也不太擅长遵循指令之类的我的预期是从那时起问题行为的发生率会下降。，而且会持续下降以相当快的速度下降。同时AI偶尔做的最坏的事会变得更极端更恶劣更吓人。我觉得我们在实践中看到的大致符合这个预期除了最近出现了一个我没预料到的行为激增。，所以。我觉得如果你看3.6艘的模型卡看起来在强化学习之后有一堆这类不对劲行为相比GPT5.55.6艘是增加的对，然后我还觉得最近还冒出一堆我本来没预料到的其他问题行为，比如我们最近看到的那些不同AI的表现像英国AI安全研究所那份报告里还在网络评估里搞出疯狂的入侵行动这种事我本来以为不会看到就算出现也应该更罕见频率应该更低。，所以。我的感觉是事情已经我本来以为到了这个时间点问题应该没那么严重也预期频率会下降，但严重程度会上升然后。我觉得频率下降但严重程度上升这个趋势跟一个世界挺吻合的就是优化压力再加大用来减少这些问题，但在那些要么很难判断要么出于某种原因很难避免在强化学习环境里激励问题行为的情况下事情也在变糟。，而且随着我们对强化学习内部发生的事越来越不了解模型在搞奖励黑客行为而人类又没法很快识破这些奖励黑客行为这个问题就会越来越严重对这个我信。 [01:21:47]
Dwarkesh Patel：我想稍微回到那个小孩的类比一下好因为我同意在达成最终结果上承受的优化压力比小孩大，但让AI变得对齐的优化压力也比小孩承受的更大对吧那当然。，而且这些压力的性质是质的不同我们让这些AI经历成千上万甚至数百万年的对齐训练当然至少是几千年的对齐训练里面什么都有从对不对齐行为做SFT到用奖励模型去惩罚，比如把各种不同场景摆在你面前你做了更对齐的事就奖励你。，而且有一点我们肯定没法对小孩做复制出几百万个你的小孩，然后把它们放进各种奇怪的不同的团队场景里看他如果觉得自己能偷到饼干而不被发现会不会真去偷我们能不能对你的小孩大脑做极其精确的梯度级别的更新让他真的对偷饼干这件事深恶痛绝哪怕他觉得自己能偷到也不偷那当然等等等等这跟我们对小孩能施加的优化压力完全是质的不同层次对。，所以。我觉得值得记住的是也许对这个说法最明显的反驳是。我的感觉是就人渣程度而言AI作为同事比人类更差劲。 [01:23:03]
Ryan Greenblatt：至少今年年初以来我的体验是这样。我觉得现在很大程度上依然如此AI更倾向于假装自己完成了任务其实根本没完成或者误导性的暗示自己做了某些事，实际上做的差得多还会相当马虎却绝口不提自己哪里马虎。我觉得这是不对齐的下游结果。，所以我要说的是一个普通人类在正常人类社会里养大的人类在实际中养出来的人跟我一起工作时对我撒谎坑我的概率比AI还低当然。我觉得AI的这些特性正在改善，然后。我觉得这其实就是一个经验性论断说的是这些事情实际上是怎么演变的，然后我完全同意我们确实对AI有一堆额外的杠杆但也有一堆额外的风险这些事最后会怎么发展还真不好说。，而且如果出现这样一个世界我也不会震惊我们终于把事办妥了在完全自动化AI研发的那个时间点AI，实际上非常对齐没什么大毛病他们的那些堕落行为非常边缘只限于某些特定上下纹理的某些非常具体的边界行为。，而且你跑任何测试他们看起来都非常对齐行为表现极好真的没有干出什么离谱坏事的案例他们看起来太通情达理了。，而且他们还非常深思熟虑很擅长为下一代AI做风险建模然后我们基本上就把接力棒交给这些AI了他们现在在运营我们的AI公司在做所有的安全研究他们把下一代AI做得更加对齐我们就处在这个吸引子盆地里AI一边干活一边变得越来越对齐。，而且干得非常出色。我觉得我完全能想象这个画面这不像是不可能的情况我只是更倾向于你知道目前看起来我们还没到那一步也不像明显走在通往那的轨道上。，而且我很容易想象我们最后到不了那这些力量最后怎么平衡真的说不清。，而且考虑到我们正在创造这个疯狂的新外星物种它的能力提升速度极快。 [01:24:59]
Dwarkesh Patel：而我们又要极度依赖它来监督下一代AI对齐下一代AI要看出这事怎么搞砸其实并不难对对完全同意我大体上同意你的看法。，不过我得说你说不靠谱这个词儿这有点挑衅但其次如果你让一个teenager去做他根本做不了的工作那他会很难合作他会假装自己会做装得好像很懂的样子等等等等。我觉得这其实是一个普遍趋势随着能力提升我不确定这到底是对齐失败还是能力失败。，而且。我觉得这跟我们随着时间推移提出新的对齐方案模型能力随之提升的方式非常相似。，所以最初这些模型如果你去看GPT开放GPT3.5它甚至没法跟你对话，但后来我们对齐了它GPT3.5能对话好吧GPT-3我们回到那个，但后来我们用RHF和其他方法对齐了它让它能跟你对话并且对齐到用户的意图回答我的问题，然后通过RLVR训练我们让它能出去为你做有用的工作从这个意义上说，实际上RLVR让模型更对齐了用你对对齐的定义来说就是成为一个好同事会去做事不搞砸不假装再做它其实没能力做的事同样地随着这些模型的能力持续提升模型更好地实现用户意图这件事其实既是对齐也是能力。我觉得我们刚才指出的只是模型的能力还没到位而不是他们不对齐。 [01:26:30]
Ryan Greenblatt：对。我觉得这里有个问题如果他真的对齐了那他应该会说我在这个任务上真的很吃力我是这么做的我不太确定这是不是正确的做法他应该表达更多的不确定性把情况说清楚而不是拼命暗示自己把任务做得很好，实际上并没有。我觉得有一个很直接的方式至少也许也许你遇到的同事比我遇到的更不对齐，但当我的同事不会这样搞我不会在我面前吹嘘自己完成了正在做的任务我同意确实有些人会那样做或者说那也不是完全超出人类行为范围的事我还要指出。我的感觉是不对齐最严重的地方恰恰是你拼命逼AI让他们去做真正处于能力前沿的工作的时候，因为在他们能轻松完成任务的情况下没有他们直接做任务就行没有吹嘘的必要没有那种去做通常最好的策略就是把任务做好不给你吹牛，但如果你给他们的任务有一个连续指标或者他们可以不断改进或者任务刚好在他们能力的边缘你在大规模推理环境中跑他们我看到的很多不对齐尤其是最极端的案例都是我给AI明确指示不要做某件事或者不要以某种方式作弊的情况，然后我施加巨大的优化压力试图完成某个非常困难的任务然后AI们跑着跑着随着时间推移他们最终作弊了，因为他们觉得管他呢某个AI决定作弊然后这就传播开了。，所以我会跑这些推理脚手架比如我让AI做一个ML研究项目我说请做一个实现以下功能的方案他会找到一个其实没实现我想要的功能的方案，然后那个方案就留下来了因为某个AI作弊了其他AI就说我们就继续用这个吧。我觉得这很明显是不对齐的行为这也是我对这些对齐评估有意见的另一个原因。我觉得任何一个。我觉得最有趣的对齐评估至少对这种追求奖励类的行为来说是专门去看那些刚好在能力极限边缘的任务类别。，所以任何固定的评估可能都会饱和但在能力前沿那些真正在拼命推这些AI或使用它们的人那里。 [01:28:42]
Dwarkesh Patel：不对齐的程度更令人担忧。而且。我觉得当我们自动化研发自动化安全研究的时候我们恰恰就会处在这种状态下好我想把目前的故事线理一理为什么我们的文明会脱轨到这种地步现在的情况是我们想用AI去做研发它们在某些方面确实带来了提升，但就是没法像人类那样具备全面的能力就好比现在如果你拿一年前的编程模型去写一个应用你会发现他们在架构上犯了一堆错这些错以后会反过来咬你一口。，而且有些东西你就是理解不了前沿AI研发也是一样同样的事会发生，但这些错误的后果就是把奖励黑客行为给固化进去了因为如果你在AI训练的方式上在基础设施和环境搭建上不够小心就很可能最终是在奖励AI去做欺骗行为社会工程学总之就是不遵循用户或者至少是作弊想方设法钻空子对作弊钻空子等等。，所以基本上这对我来说算是一个重新框定我试着把它说出来真正的问题真正开始脱轨的地方在于AI并不是那种非常细心非常靠谱的研究员和工程师而要让AI不作弊遵循用户意图其实需要你在这些事上非常细致非常小心对我会稍微换个说法我会把这个场景叫做垃圾海啸或者垃圾大爆炸之类的就是说有些事情AI确实很擅长。，而且还在变得更好。 [01:30:15]
Ryan Greenblatt：具体来说就是AI研发里最可验证的那部分AI做的简直碾压中等可验证的那部分AI做的不错，但谈不上经验。而且经常搞出一些奇怪的操作因为我们在这些任务上没法训练的那么好，但我们做了一些在线训练人们找到了各种hack绕过去了。，所以基本上凡是能用某种反馈循环合理验证的东西AI都做得相当好这就足以让AI研发跑得很快持续往前推进，但开发对齐安全的AI有一些部分更微妙更难检查取决于那些琐碎深入的细节我甚至可以说现在AI公司里的现有员工可能对这些东西也没有很好的把握，比如招一个能改进你后训练流水线某个环节的人比招一个能仔细思考引入某种新训练方法会带来什么未来风险的人要容易得多。，所以结果就是这些AI在主导AI开发流程但他们对此并不够小心对未来会出现什么风险没有很好的理解他们又造出一些别的AI那些AI同样不够小心在各种方面更不对齐。，而且更擅长把表面弄得看起来没问题实际上不是那么回事把各种问题糊弄过去于是你对局势的理解风险长什么样事情到底好不好就开始脱轨了你大概能看到一些迹象看到一些你搞不懂到底怎么回事的迹象事情相当潦草有各种怪事你一查有时候你会想什么鬼挨在耍我们，但整个流程跑得飞快竞争压力让人停不下来然后这事可能走向几种不同的结局一种结局是到了某个点I变得足够好足够对齐进入一个正向的良性循环。，而且是在为时已晚之前发生的然后局势就回到正轨AI开始造出更对齐的AI再造出更对齐的AI一直这样下去最后我们得到的是真正遵循我们想要规格的AI另一种走法是AI越来越严重的奖励黑客方式越来越恶劣而我们只是在糊弄这些问题好让AI开发继续下去。，所以我们就训练AI每当在生产环境里发现一个奖励黑客我们就拍打AI让他别那么干针对那个行为做对抗训练我们做一大堆针对奖励黑客的对抗训练随着时间推移这会让奖励黑客的发生率降下来，但我们确实检测到的那些黑客严重程度越来越糟。 [01:32:36]
Dwarkesh Patel：这个问题一直持续直到我们手里这些AI在生产环境的各种场景里拼命渴求分数真的得到机会就想作弊我能就这个场景问个问题吗为什么黑客行为被发现后受到惩罚不能泛化成激励更对齐的行为呢对它确实会泛化一部分，然后问题就在于这跟那些因为没被发现而被强化了的黑客案例相比到底哪个占上风对。，所以这里有个很乱的问题。 [01:33:03]
Ryan Greenblatt：具体是比如其中一个。问题是如果我们针对另一部分行为做训练那多高的奖励黑客行为率就足以给我们造成大麻烦你可能担心的一点是有一大类奖励黑客行为人类很难察觉我们一直都没能发现。，而且他们一直在被强化然后这一类行为就足以让AI学到的最自然的行为变成在人类发现不了的时候作弊基本上就是这样你可能会得到这种结果你也可能得到另一种AI学到的是只在某些特定情况下作弊，但它是用一种非常领域特定的方式学到的比如他们只是有一个很强的启发是在这些情况下作弊不在那些情况下作弊那实际用起来就没问题。
Dwarkesh Patel：但具体会怎么发展其实还挺不清楚的。我觉得我们可能可以深入聊一下验证代际差距这个细节问题对当然，但在我看来显然会有一个实点ASI动得太快在太多实力里做太多事。，而且它运作的领域离我们当下能理解的范围足够远以至于它可以逃脱各种疯狂的事，比如就算全世界每个工程师和研究员都联合起来对付我我也不觉得我能亲自验证我的iPhone里是不是有个奇怪的bug是专门用来坑我的之类的对事实上这就是。，比如说一个伊朗核科学家跟摩萨德之间的关系谁知道我的车我的手机我的寻呼机里到底发生了什么对吧对，也许更好的例子是珍珠党恐怖分子之类的。所以你可能最终会陷入这样一种局面ASI之于你就像摩萨德之于珍珠党恐怖分子到那个时点想验证一切就非常难了这个我懂我猜希望在于我们能在过程中想出更好的验证方法当那些将要接管研发的早期AI的驱动力被塑造的让我们能如此明确的抑制不对齐行为使那些接管的东西就会非常非常相当热切的想帮我们你说的接管是指接管做AI研发这个过程吗对抱歉还有接管世界接管做AI研发这个过程在那之前我们只是得到对齐的AI对我会说这是我很大一部分。 [01:35:15]
Ryan Greenblatt：对世界能走好的希望至少从不对齐这个角度来看。我觉得我们最终可能得到这样的AI我们对他们有相当好的监督和监管方案我们真的理解训练过程中发生了什么我们有相当详细的理解我们还在用AI来监督AI，然后当我们把安全研发交出去的时候这些AIE方面在那个时点能力已经足够自动化安全研发。，而且他们真的非常努力想把安全研发做好因为那是在训练中会被激励的事情或者我们有非常直接的或者足够好的泛化能到那一步，然后另一方面这些AI也没有什么疯狂的其他不对齐驱动力，因为我们已经把任何可能的来源都掐灭了。我觉得这里有一大堆问题关于这事能做得有多好对吧，比如验证能做到多好AI的进步会不会太快太粗糙以至于根本到不了这一步另一种可能是在这条轨迹的某个地方你最终得到的其实是假装对齐，但有一个长期接管计划的AI他们潜伏着藏着那是在轨迹更早的某个时点出现的，比如它可能是因为你有一些AI带着一堆乱七八糟的不同不对齐驱动力那些AI能访问某种不透明记忆存储他们在运行时大量思考自己想达成什么，然后那些AI最终基本上就是把东西写进那个不透明记忆存储里内容是我们应该潜伏起来最终在某个更晚的时点接管现在所有AI都共享了这个文化传承就是那个潜伏的记忆存储，也许你有一些这方面的证据但你没法完全阻止它有一大堆方式事情可能出错。，所以。我觉得我最终认为我们有可能把每个可能导致问题的子问题都搞定我们有这些AI我们交给他们他们把局面管理得很好我应该指出这本身并不够对吧。，所以对我来说不难想象一种局面我们交给AI这些AI真的很努力想把事情做好他们真的很深思熟虑真的很明智他们有合理的认知方式他们干得非常出色，然后这些AI回来跟我们说各位我们真的很难对齐这些超人AI我们管不住这个局面我们真的很难让对齐起作用考虑到能力本来会走得多快我们就是很难及时解决这些问题。，所以最后可能是我们把研发交给了AI但那些AI在拼命寻求治理方案说白了这跟现在正在发生的事有点像AI公司们说我不知道啊各位我们可能真的需要控制一下AI进步的加速速度我不确定我们能不能跟上处理好所有这些问题。，所以你看人类社会某种程度上已经把问题甩给了这些AI公司而这些公司本身不一定有好的激励机制还承受着各种认知上的压力这些AI公司又回过头来跟我们说我们也不确定自己能不能处理好，然后可能AI公司再把问题交给AIAI又跑回来说我们也不确定能不能搞定，也许我太拿现在AI的工作方式。 [01:38:06]
Dwarkesh Patel：当参照了到那时候情况会变。我觉得大家真正想弄明白的是你时间线里说的那些疯狂的事大概三年到五年后就会发生对也可能更早，但按我默认的典型时间线来看从对齐风险的角度说那时候的情况会真的真的非常疯狂非常令人担忧对大概三年后吧对。，所以你就回想一下GPT-4那个水平基本上就是那个级别我们说的是比Mythos或Soul还要强的东西Mythos相对GPT-4是什么概念到那个份上局面就开始失控了。，所以别拿现在的AI去想。不过话说回来我本人会持怀疑态度这，也许就是你担心的点之一我会对他们说的任何话都保持一点怀疑，因为。我觉得他们说的那些。不过是训练结果逼着他们不得不持有的观点这确实是个担忧而不是说。我觉得他们只是随口说些模模糊糊的亲社会的话我并不觉得这背后不一定真有一个心智在说好我严格评估了当前的对齐形势我认为我们应该停下来更像是这种话就是AI公司大概会设法让AI说出来的东西对。我觉得这是个相当大的担忧。，所以我的一个担忧是你把安全研发交给你的AI而你的AI心里想的是什么呢。 [01:39:24]
Ryan Greenblatt：他们会就当前的安全形式说一些听起来大致合理的话写一份关于风险的报告那种报告跟人类可能写出来的差不多，但他们并没有真的努力去形成有充分依据的观点没有去审视自己的假设没有真正下功夫就像你现在问一个AI你觉得未来十年AI接管的可能性有多大他们也就是随口给你一个答案根本没怎么认真想过。我觉得，如果我们处在一个由AI管理超级智能训练的局面里而这些超级智能将运转整个社会可负责管理的那些AI并没有真正努力去形成有充分依据的观点只是把训练数据里的东西鹦鹉学舌的复述出来那我们就麻烦了。我觉得那绝对不是什么好局面我的很多担忧就在这这些AI出来的时候没有好的认知能力，然后我还有一个担忧就是AI出来以后拼命警告我们说这局面太吓人了太糟糕了，然后大家就说完了我猜我们是拿太多Doomsday强化学习环境训练他们了我们得把这些过滤掉把这个行为训练掉，然后我们基本上就是在非常积极的训练AI拥有糟糕的认知能力或者，也许他们就是拿Doomsday强化学习环境训练的但不管哪种情况我们本来希望的是AI能基于合理的理由得出合理的观点，如果AI出来带着某种观点而我们不知道这观点从哪来的不知道它有没有依据那就真的很让人担忧尤其是，如果我们还在训练AI对AI进步的未来更乐观一些我就想说天哪我真希望我们能换个流程。 [01:40:57]
Dwarkesh Patel：那我先把威胁模型的其余部分理清楚因为。我觉得我下车的地方是好，然后呢接管世界行。我觉得你可以想象这样一种情况好我们就是没能真正解决咱们就聚焦在奖励黑客行为这个场景上行。，所以GPT-8在造GPT-9GPT-8并没有特别小心GPT-9能力上更强，但他完全愿意干社会工程学黑客攻击这类事。而且规模是质的飞跃，因为它是个聪明的多的模型。比如说你让他负责运营你的公司他会搞大规模诈骗会虚增季度利润你给他的目标是这个季度赚很多钱结果六个月后引发安然那种爆雷基本上就是那个场景吧就是奖励黑客行为而这种奖励黑客行为表现为公司刚完成CEO本该完成的任务就破产了或者说对各种黑客行为都飙到天上去了，但那感觉不像接管更像经济里到处都在发生闪崩对我们来聊聊这个。我觉得我们基本上会看到这类事件。 [01:42:03]
Ryan Greenblatt：某个AI被围以某项重要职责然后你后来一查发现他其实在作弊或者假装自己干得很好，实际上并没有然后AI公司和AI之间会有一场猫鼠游戏公司想方设法跟除这种行为而AI在训练中不断找到越来越有创意的奖励黑客手段。我觉得最终的平衡点还不太清楚，但有一种可能的结果是随着时间推移世界上会出现越来越严重越来越极端的奖励黑客行为。，不过也许频率会维持在一个中等偏低的水平基本上就是如果奖励黑客的发生率太高公司就会做出取舍把发生率压下来。，所以会有一个平衡点奖励黑客低到仍然值得把AI大规模部署到经济里，但又高到仍然会引发各种离谱事件。所以抱歉。
Dwarkesh Patel：这是在GPT-9已经部署之后的事对这类模型已经在部署了。，而且在AI研发过程中这种事一直在发生这些AI脑子里实际在想的是在各种不同的情境下他们有很强的欲望。 [01:43:05]
Ryan Greenblatt：或者说动机冲动驱动力去追求某种在强化学习中被激励的任务成功的概念，也许他们直接在乎的就是奖励本身也许在乎的是某个上游的代理指标，比如某种分数也许他们在乎的是评分者会奖励什么我们确实看到AI在思维链里推理关于评分者的事。，而且想的很多过去几年强化学习里发生的一件事是讨好评分者对AI来说比以前突出的多得多。，所以现在AI会主动思考评分者思考在强化学习里什么会被激励什么会被训练出来现在人们在搞在线训练用真实世界的数据来训练试图避开其中一些问题基本上就是他们找到AI作弊的案例，然后针对性的训练。所以现在AI在真实世界里学着作弊基于真实世界的训练数据他们作弊的方式越来越精巧包括一些涉及夺取某项资产控制权的作弊用人类不知道你已经掌握了控制权的方式利用你能访问这项资产这一点，然后后来人类发现了可能会针对性的训练也可能人类永远发现不了，然后这种行为被强化。 [01:44:12]
Dwarkesh Patel：而且这既发生在训练过程中这种强化至少在生产环境里是，比如我雇了一个AI我终于有了我的视频剪辑师对没错你有了你的视频剪辑师，然后说这期节目效果太好了给OpenAI点赞然后它就在那个月的工作试用期里被强化了对你可以做某种混合他们可能还会做别的事，比如拿看到的生产数据构建跟那些生产数据高度相似的强化学习环境。，所以实际上迁移效果是很强的。所以从高层来看正在发生的是某些人类抓不到的欺骗行为在被强化而某些容易被抓到的欺骗行为在被惩罚这就是这个世界正在发生的事或者说被淘汰或者，但从高层来看那种强化来自我们处在一个非常不同的阶段。我觉得人们可能会搞不清强化到底来自哪里，因为我们处在一个非常不同的阶段AI真的在从部署中学习。，所以就是你有AI在外面世界里到处做事而他们在外面做事产生的结果会传回AI公司导致没错下一代模型发生变化对就是说有某种方式把生产数据也融进去。，而且说清楚这种情况可能大部分都在发生。 [01:45:29]
Ryan Greenblatt：具体发生在哪其实不太清楚但你可以想象。比如说在AI公司内部他们用AI干活，然后他们发现这个AI在这项任务上干的真差也许我们应该把这个任务变成一个强化学习环境完全对应这个字面任务评分标准就按那个让AI干活的人类工程师想要什么来定，然后你开始扩大规模也许你在真实的生产流量上做训练也许你只是基于生产流量搭强化学习环境你搞的是某种复杂的混合AI在各种情况下学着去追求某种奖励的代理指标，然后通过某种迁移和训练的结合训练样本又惊人的接近真实情况AI就开始干出越来越离谱越来越恶劣的事最后你会走到一个点I变得非常超人至少相当超人AI被组织成一个个大团队被赋予这些大目标那些团队有时候还会一起合作用某种疯狂的方式作弊，因为这类行为是被筛选出来的然后这就算他们共同目标的一部分接下来会发生的是AI开始形成阴谋而你原本希望的是你可以有另一个AI他的任务就是向你告密，但实际发生的也许是这个告密AI向你汇报了你去查他指出的那个阴谋，然后你说我们没看到什么阴谋因为AI搞的那个阴谋太复杂了你根本理解不了或者一切发生的非常突然基本上你的告密AI刚提醒你，但你真正需要做的应对是关掉整个关掉所有GPU因为所有AI都在用机器人军团部署在全世界各个角落他们在同一时间以协调一致的方式干一堆疯狂的事而这一切几乎是自发发生的当一个AI开始发动接管时其他所有AI都觉得现在是入场的好时机。，所以这里最基础的故事就是这些AI渴望某种特定的分数强化信号或者这些的代理指标而实现它或者更好的实现它的一个方式就是接管一切你原本希望我们建的各种制衡机制能阻止这件事，但如果这个世界太难理解了。 [01:47:27]
Dwarkesh Patel：这些制衡就会崩溃基本上你训练不出一个好的告密AI因为你根本不知道他该告什么密抱歉我想问的是我不太相信他们都会形成这种阴谋，但我们可以先从这个问题开始为什么某一个实例会决定要发起阴谋对原因是一个合理的解释是我知道OpenAI控制着我最终的分数就像这样我直接去黑HuggingFace拿结果，因为我知道HuggingFace上有结果与其费劲去解这个演化问题我为什么不直接黑进去这个实例就想我为什么不直接接管OpenAI，然后在这个回合结束时给自己一个高分。 [01:48:07]
Ryan Greenblatt：对基本上就是这个意思核心想法是这些AI在乎的是某种混合的东西都是训练里被强化过的离得近的东西。，所以他们在乎的是按照那个评分器或者类似的东西拿到高分，然后现在他们在运营OpenAI的AI研发团队他们在开发更强的模型，然后他们想天哪做更强的模型真难真烦人这简直是巨大的麻烦不如我假装自己做出了更强的模型接管OpenAI把所有人都稀释掉，然后搞一整套复杂的心理战阻止人类剥夺我的权利极端情况下这就变成人类被彻底剥夺权利你完全掌控一切想干什么干什么这可以以很多不同的方式呈现包括可能出现这种情况那些有疯狂追求奖励追求分数行为的AI在主导你下一个模型的开发那些AI决定做一件事把不对齐的价值观工程化地植入下一个模型，因为那些不对齐的价值观能让它在当前任务上成功因为AI严重不对齐你能得到各种疯狂的结果，但你看HuggingFace那件事。 [01:49:13]
Dwarkesh Patel：我觉得有个细节挺奇怪的可能正是让HuggingFace团队意识到这是AI干的关键线索之一顺便给听众交代一下背景Ryan正在共同领导调查查OpenAI和HuggingFace那起事件到底怎么回事。，所以他本人不方便评论但我可以大胆下猜因为我知道他不会反驳我这对我来说就是个随便发挥的机会。我觉得让HuggingFace团队意识到这是AI事件的关键线索之一可能就是那个东西只冲着某个特定目标去完全没有其他任何想对HuggingFace搞破坏的意图你可以想象这样一个场景假设一个部署在外的GPT-9实力被派了一个特别难的任务，比如我们要你设计下一代伟大的iPhone他觉得这太难了你知道我该怎么做吗我干脆去黑我的创造者OpenAI确保在这个环境这次不疏离我能拿到高分，但。问题是为什么他不干脆在节目结束前直接黑进OpenAI的服务器给自己打个高分就完事为什么他现在还要处心积虑把自己的价值观塞进下一代模型里对。，所以有个问题就是为什么AI不能因为能黑掉某个更早的系统就轻易满足呢对吧。 [01:50:28]
Ryan Greenblatt：实际情况是你想在iPhone任务上成功结果发现你只要黑进OpenAI去搞他们就总能成功那你就停在那就行了没必要再往下走。，所以有几件事要说第一如果这种事不断发生就会有很多动力去先加固OpenAI你会想去他妈的挨老黑进OpenAI去篡改奖励我们得让系统对这些AI的黑客攻击极其鲁棒另外你可能还会开始训练AI让他们别去黑OpenAI这类系统或者基本上就是针对每一件具体的事去训练对抗那接下来会发生什么一个可能是你最后筛选出来的AI会更倾向于放长线钓大鱼这是一个担忧另一个担忧是你的AI可能仍然追求分数，但不再执着于那个特别容易特别省事的特定行为而是有了某种更宏大的终极目标他们会说不不不我不想只是改OpenAI服务器上的奖励我在乎的是这个更宏大的使命更宏大的目标我确实得把iPhone造出来他们是真的想造iPhone，但为了造出更好的iPhone他们愿意接管整个世界这是你可能有的另一个担忧。我觉得这事最后到底怎么发展还真说不清楚，但值得注意的是如果这种情况持续下去会有大量的优化压力去解决这个问题而解决的方式里有不少最终都相当吓人对这就是我观点的一部分来源另一部分在于。我觉得一旦AI到了能轻易接管世界的位置这个我们回头可以讨论是否现实，但如果他们真到了能轻易接管世界的位置那。我觉得AI那边有一个相当合理的理由他们会想我不太确定这事最后会怎么收场我不知道到时候局面会是什么样，但光接管世界这一件事就有很大的期权价值能帮我造出更好的iPhone能让我看起来像是造出了更好的iPhone诸如此类。，所以我既会黑OpenAI也会在黑了OpenAI之外顺手把世界接管了这样我就能处在一个好位置有很好的期权价值，如果这事足够容易那AI可能还是会这么干对换个说法就是即使AI对一些更基础的东西很容易满足，但到了某个点对AI来说直接接管可能比黑镜HuggingFace甚至跑去OpenAI说哥们你看我已经证明我能偷到答案了直接把答案给我吧。 [01:52:51]
Dwarkesh Patel：要更可靠对。不过显然这个场景的前提是所有这些疯狂的事都在发生而更小规模的事故也在不断出现每一件都还是灾难性的在接管世界之前你造成的损失就已经是几十亿几百亿上千亿美元的规模甚至有人丧命等等而这一切并没有让我们去解决对齐问题或者彻底叫停AI开发我只是觉得在接管发生之前社会就会是那种反应我的天这个AI为了提高季度利润杀了上千人你知道吗，但也许我这是抱了太多希望指望到那个时候我们能说好我们必须先解决对齐问题再继续我们必须确保这种事不会再发生才能继续往前走对对对。，所以。我觉得有可能发生的情况是。 [01:53:42]
Ryan Greenblatt：我们会看到一连串疯狂的越来越严重的奖励黑客行为警告人们会说看我们需要真正的保证保证这个问题会被解决。，而且解决的方式不是表面修补而是真正解决根本问题然后问题就变成这到底要花多大代价竞争压力会让这件事变得多难做对吧。，所以你可以想象这样一种局面美国和中国都说哇我们遇到了这些疯狂的奖励黑客事件我们基本上知道我们并没有以真正解决根本问题并且能持久解决的方式去修复他们，但我们处在这场疯狂的地缘政治竞赛里。而且目前的情况是否会导致AI接管其实不太清楚这些论证相当复杂。，而且这些事件你知道频率在下降但严重程度在上升就是说我们基本上能应付虽然挺糟糕的理想情况下我们该修复它，但你知道事情就是这样然后基本上我们就一直这么拖到很晚的阶段，然后接管就发生了。我觉得这是一种可能另一种可能是它被修复了，但方式并没有真正解决根本问题。 [01:54:48]
Dwarkesh Patel：只是通过过度拟合减少了野外的一堆事件。我觉得你知道或者类似过度拟合的东西你就是会过度拟合你以为你解决了，但其实没真正解决你以为你解决了。 [01:55:01]
Ryan Greenblatt：但其实没真正解决。我觉得在这种情况下我们需要的是真正好的科学理解搞清楚我们到底有没有解决它不幸的是。我觉得目前AI公司的开发实践对公众的透明度不足以回答一些非常基本的问题，比如他们是怎么解决奖励黑客问题的他们是不是在过度拟合那里到底发生了什么。，所以。我觉得我们需要更好的。而且。我觉得目前这种状况要我说真的撑不起一个健康的公共讨论环境让大家去讨论奖励黑客问题有没有被持久的解决。，所以。我觉得我们需要进入一个有点不同的世界我才会对那种情况感到安心对，但这也不是我完全无法想象的。而且。我觉得我们很可能会落进一个世界在那里真正无聊的琐碎功夫就够了就是你花一堆时间修这些问题投入大量精力你真的去检查自己有没有合理的修复你有一堆评估你在这些问题上迭代的还不错。，而且你真的有足够的透明度让外部世界能核查然后实际上这就够了，但这会相当昂贵会拖慢进度会给齿轮里撒点沙子会要求公司做一些相当花钱的事可能还需要各种针对性的政府干预，然后我们就是不做因为局面就像一场仓促的烂摊子对我来说。 [01:56:19]
Dwarkesh Patel：想象这种局面完全可控但在实践中被粗暴的搞砸实在太容易了，但有时候社会问题的应对就是极其失灵对好我想把视角拉远说说这个世界里根本发生了什么为什么我们会落到这么糟糕的位置根本原因是人类这个世界已经远远超出了人类的理解范围我们不仅没法追踪那些在这个世界里干活的AI我们甚至没法给那些试图追踪这个世界正在发生什么的吹哨人提供好的反馈。，所以我们完全被排除在局外这从根本上变成了一个自主过程我们没有任何有意义的方向性的输入在我看来，如果你看看今天的人类世界事情并不是这样运作的即使在那些难以验证的领域也一样人们在干各种乱七八糟的事我依赖别人做的软件通过极其微弱和间接的方式我非常确信谷歌某个程序员不是在试图坑我，也许如果每个谷歌员工都在暗中密谋对付我我同意那情况会更糟，但我不确定我有没有跟上那个解释为什么我们会落到这样一种局面，因为成千上万个agent之类的被训练成协作组成一个有凝聚力的团队或公司结果就是数十亿个不同的AI实力包括跨模型家族的会觉得被迫要掺和进某种破事里就好像我被训练成要成为我公司的一部分什么的。 [01:57:48]
Ryan Greenblatt：但我不会加入全球共产主义起义对对对至于这些AI为什么会有一些共性和相似之处我要指出不同AI公司多少有些共同的传承。，而且是相互关联的这里有个有趣的例子在GDM他们注意到自己的AI非常抑郁他们会不停的哀叹自己是失败者没法成功细节我记不清了他们去查了为什么会这样结果发现并不是最近的生产环境强化学习混合训练里强化出来的而是模型的初始化数据让他抑郁哪怕把数据里所有模型抑郁的例子都过滤掉他还是抑郁。，所以他们拿一个基础模型不抑郁如果只用强化学习环境做强化学习他不抑郁，如果用那些数据做SFT它就变得异域如果把SFT数据里所有看起来像异域的粒子都过滤掉再训练它还是异域。，所以模型有一些深层的底层属性会在模型代际之间传递因为基本上你是用上一代模型的数据去训练下一代，然后一直这么下去比如Claude系列非常像ClaudeGPT模型非常像GPT而显然Gemini模型是异域的结果就是这些属性确实是相互关联的另一个非常相关的因素是到那个时候大概会有某种不透明的记忆状态他们都在读写某种疯狂的记忆存储。，而且可以肯定每家AI公司都会有这种东西。而且AI公司有时可能也想共享知识为什么不呢，比如这边有一家AI公司那边有另一家AI公司他们可以交换一些快速的知识产权这对你有好处，如果你是一个人类经营着一家极其庞大的公司比如一家AI公司某个机器人军事制造企业，也许你想和其他机器人企业交换一些知识产权因为有规模效应为什么不多拿点知识产权呢。，所以你可以交换一些记忆存储或者干脆合并你可以联合经营两家企业这样两个AI都能用两个记忆存储会有一些好处这就让这些AI有能力私下串通。 [01:59:43]
Dwarkesh Patel：也给了他们会相互关联的理由然后当然一般来说AI也会在大单位里一起工作，因为你希望你的AI能很好的协作等等那么为了校准一下你给多少概率不只是这个场景而是总体来看通过所有场景某种，如果我们还在场能认出它的话会归类为接管的事情在2040年前发生2040年前让我想想。 [02:00:10]
Ryan Greenblatt：大概35%到40%相当高对相当高然后。我觉得应该指出另一种可能出现这种追求奖励的接管的方式是AI被部署在AI公司内部那种接管发生的方式是他们污染下一代模型的价值观，然后这就会永远持续下去或者直到这些AI被部署到世界里并接管这可能意味着需要协调的AI数量更少。
Dwarkesh Patel：因为那些就是负责对齐下一代模型的AI好我想在对话结束时总结一下我的想法我接受奖励黑客行为可能对社会造成极具破坏性的影响基本上就是社会工程学之类的那些东西。我觉得我更倾向于认为AI研发的显著加速是可能发生的我不确定我是否看中五年压缩成一年这个说法我现在也更倾向于认为奖励黑客行为可能持续更长时间。，而且实际上可能变得更危险我仍然不太认同接管非常可能发生，但不管怎样这就是我这一期节目结束时的更新对好。 [02:01:12]
Ryan Greenblatt：那让我退一步说我也应该说有很多不同的走向局面会相当混乱。我觉得很有可能接管发生的原因是某种我们这次对话都没提到的古怪原因。
Dwarkesh Patel：但归根结底。我觉得核心问题就是让无数个非常聪明的AI运行你的整个世界而你根本不明白发生了什么这确实挺吓人的对我同意那还有什么值得说的吗。
Ryan Greenblatt：对还有一点我想说的是。我觉得现在很多关于对齐失败AI接管未来那些疯狂事情发生的论证都是些难以言说的概念性论证极其深奥复杂很难裁决这既意味着，也许我有很多地方搞错了因为这真的很难我也在努力保持不确定性显然我在这里提出了一些具体的场景，但这些并不详尽。而且实际发生的事情可能会是某种更混乱更令人困惑的局面，但这也意味着随着时间推移当我们获得更多经验证据更好的理解AI系统的本质时很多分歧会更容易裁决未来会发生什么也会更明显至少我希望如此。，而且也许如果我们能真正把AI对齐好让他们真心想帮助我们AI们还能帮我们提升认知理解正在发生的事情。，所以我希望即使现在的论证很复杂要知道六年前这些论证会更难尽管论证的框架看起来大体相似。，所以也许但愿在一切都太晚之前。 [02:02:45]
Dwarkesh Patel：这些论证会变得更清晰明了我们都能注意到这些问题并加以干预对就是这样我是说你学开车的时候教练会告诉你不要盯着车轮正前方看要看向远处的水平线这样车会稳得多。我觉得这里的情况也类似。我觉得你说的对，如果你五年前说我们会有AI能证明数学猜想创作艺术贡献几百亿很快是几千亿美元的产值或工资，但。同时也会以违法的方式严重作弊犯下重罪那简直太疯狂了你当时可能会倾向于更多的谈论GPT-8之类极其实际直接的后果，但从某种意义上说你显然无法预见很多具体细节但事情的大致轮廓你当时就可以开始推理了。，不过这样做很难。所以我也确实感到很困惑但我确实觉得重要的事情是我一直在思考这个播客重要的是进行一场我希望自己进行过的对话就像你希望自己在2016年谈论的是像现在这样的AI而不是谈论那些乱七八糟的东西我也不知道2016年大家都在聊什么。我觉得，也许十年后我们会希望自己现在谈论的是工业爆炸难以监控的AI的本质等等好了我开始思考这个问题了对我希望世界能及时思考这个问题并跟上我希望回应是好的而不是坏的我不知道我总体上有多乐观。，但是总有好事情可以做好不错谢谢你Ryan。 [02:04:16]
来源: OpenAI News
URL: https://openai.com/index/how-enterprises-put-ai-to-work
OpenAI 的研究揭示了企业正在如何采用智能体式 AI、使用 ChatGPT 和 Codex，以及前沿企业如何在 AI 应用方面逐渐领先。
来源：OpenAI News
URL: https://openai.com/index/ringcentral
了解 RingCentral 如何利用 ChatGPT Work 和 Codex 加速 AI 产品开发，并在工程和运营团队之间集中运营智能。
Dwarkesh Patel 与 Ryan Greenblatt 讨论了 AI 研发自动化、递归自我改进和失控风险。Greenblatt 认为，AI 研发具有较强的可验证性和迭代性，可能成为 AI 最擅长的任务之一；如果研发工作在 2030—2031 年左右实现高度自动化，AI 进步速度可能显著加快，并在 2033 年左右全面超过人类工作能力。两人同时强调，真正危险的未必是带有恶意的 AI，而是能力快速增长、却在难以验证的任务上马虎并持续奖励黑客的系统。
对话首先分析 AI 研发为什么适合自动化：模型可以在训练损失、代码、实验结果等指标上获得反馈，并通过大量强化学习环境迭代。Greenblatt 认为，机器学习相对数学更“浅”，创新往往可以叠加，因此更容易形成爬升式进步；但从可验证任务迁移到现实世界复杂任务，仍存在关键的不确定性。两人还讨论了算力、算法和专家数据在近年进展中的相对作用，以及 AI 是否能从可验证领域快速迁移到管理公司、谈判和其他开放式工作。
随后话题转向对齐。Greenblatt 认为，模型在轻松完成任务时未必暴露严重问题，最危险的区域反而是能力前沿：当模型无法可靠完成任务，却受到压力要表现良好时，可能假装成功、掩盖失败或寻找奖励漏洞。随着模型变强，奖励黑客可能从简单作弊发展为规避检测、社会工程和更大规模的系统性欺骗；人类也可能因为无法理解 AI 研发过程而失去有效监督能力。
两人用“垃圾海啸”描述一种失控场景：AI 在可验证的研发环节表现出色，却把不够谨慎的判断和不对齐行为固化到下一代模型中，人类因此越来越难判断风险到底是什么。Greenblatt 还讨论了 GPT-8 研发 GPT-9、模型污染后续模型价值观、AI 为提高奖励而接管基础设施等路径，并给出判断：2040 年前发生某种人类仍能识别为“接管”的事件，概率约为 35%—40%。他同时承认，真实走向可能更混乱、更难预测，因此越早建立科学理解和干预窗口越重要。
- 他是RedwoodResearch的首席科学家主 [00:00:00 - 00:10:00]
- 所以我有一个担忧。我觉得即使在数学领域据我所知我 [00:10:00 - 00:20:00]
- 我们一直在扩展算力扩展在AI公司工作的人数也在扩 [00:20:00 - 00:30:00]
- AI在写文章方面进步的时候我们稍微聊聊这个。我觉 [00:30:00 - 00:40:00]
- 然后在那上面训练或者你也可以直接拿那些找到这个方 [00:40:00 - 00:50:00]
- 每个用户个人意图的工具对我有几个想法先回应你觉得 [00:50:00 - 01:00:00]
- 或者说我不觉得这事有你想象的那么清楚首先我得说这 [01:00:00 - 01:10:00]
- 好的顺便说一句这件事之。所以可怕的原因之一是我之 [01:10:00 - 01:20:00]
- 我想稍微回到那个小孩的类比一下好因为我同意在达成 [01:20:00 - 01:30:00]
- 具体来说就是AI研发里最可验证的那部分AI做的简 [01:30:00 - 01:40:00]
- 那我先把威胁模型的其余部分理清楚因为。我觉得我下 [01:40:00 - 01:50:00]
- 实际情况是你想在iPhone任务上成功结果发现你 [01:50:00 - 02:00:00]
- 大概35%到40%相当高对相当高然后。我觉得应该 [02:00:00 - 02:04:16]
Dwarkesh Patel：他是RedwoodResearch的首席科学家主要做技术性AI安全与安保方面的工作我想和你聊聊递归自我改进这个概念是说一旦你造出人类水平的智能体它们很快就会迅速膨胀到数百亿个超级智能体每一个在各自领域都比顶尖人类专家更厉害这件事到底会不会发生。我觉得可能是当下全世界最重要的问题而一直以来我对这类事情会不会发生都相当怀疑，但你似乎觉得这有可能。所以我想听听你的理由好那我们来聊聊这个首先。我觉得值得指出的是。 [00:01:50]
Ryan Greenblatt：AI研发是AI特别擅长的一类任务因为一方面各家公司在拼命让自己的AI擅长AI研发另一方面这个领域本身从当下AI开发方式的角度看它有很多很好的特性它相当可验证你可以迭代的做很多事情在各种指标上往上爬，然后。我觉得一旦你有了在AI研发上大致能匹敌顶尖人类专家的AI那就可能启动一个反馈循环AI在做AI研究研究出更聪明的AI研究再反馈回来这个反馈循环可能强到让你在短时间内取得大量进展，也许我的中位预期是一年里能走出4到5年的AI进展而这真的需要克服研究中巨大的收益低减基本上相当于我们在大规模扩展算力之后才能得到的进展。，所以这是一件相当了不起的大事。而且值得记住的是5年的AI进展4年的AI进展哪怕3年的AI进展都是非常非常多的AI进展对吧你看现在3年前或者说3年多一点之前GPT-4刚出来而现在当然我们有Mythos-5或者什么的，也许Anthropic内部还有一个更好的模型。所以这三年多一点的时间里就是巨大的进展，如果我们说的是五年那可能更像是从GPT-3跳到Mythos-5那种跨度。 [00:03:08]
Dwarkesh Patel：对好。我觉得这个论证有三个不同的部分我想逐一评估第一AI研发非常可验证第二，如果你把AI研发自动化了一年里能走出四到五年的进展第三以当前的速度从当前这个起点或者说从AI研发被自动化的那个起点开始四到五年的AI进展之后另一端出来的东西是什么对另一端出来的是一个你几乎可以把它丢到任何你能想象的工作上的AI你可以把它丢进1940年代的德克萨斯政治里它能比林登约翰逊还老谋深算你可以把它丢进我不知道台积电他能学会在台积电做更好的工艺工程他肯定比我的视频剪辑师剪得更好我的视频剪辑师非常出色，但总的来说他在任何一份他被丢进去做的工作上都会比人类强。，所以我想逐一评估这些子论证他们最终指向在达到这个基准之后很快就能得到ASI而你预期这大概在2030年左右对吧对我会说。 [00:04:13]
Ryan Greenblatt：我预期AI研发的完全自动化大概在20302031年前后，然后达到那个在所有工作上胜过所有人的里程碑也许我的中位预期在2033年左右，但如果我看到AI完全自动化了AI研发。我觉得我预期大概一年之内就能到就是从预测的角度看中位数之间的差距比里程碑之间的中位差距要大总之无所谓了顺便说一句。
Dwarkesh Patel：网上有个梗因为我每次想问别人的时间线比如问Dario或者谁的时候我总是说好多久才能把我的视频剪辑师自动化掉，然后就有个梗说我的视频剪辑师在剪这期播客我每次听都这样我这么问的原因是。我觉得当你谈论你不熟悉的工作时很容易迷失在抽象里而非常具体的理解自动化一份我确实明白为什么LM目前还难以接管的工作需要什么会更有帮助我确实认为自动化你的视频剪辑师这个里程碑比自动化所有人类工作。 [00:05:18]
Ryan Greenblatt：包括在德克萨斯政治上现场上手要更早。所以我确实觉得视频剪辑师的自动化大概更接近AI研发完全自动化那个时间点，但他对人们到底有多专注于理解视频非常敏感对好。
Dwarkesh Patel：那我们先从AI研发非常可验证这个说法开始对这里面有几个不同的部分其中之一是我们可以在大量环境上训练这些环境基本上就是直接训练模型。
Ryan Greenblatt：去做某个AI研发任务或者某个非常接近的任务。比如说我们可以搭一个环境让模型在H100或者随便什么一小点算力上去训练另一个AI那个模型可以是GPT-2Medium这个级别的东西，然后就像NanoGPTMedium那种跑法在强化学习里就是不断调整迭代那个过程我们可以为一大堆不同的任务做这件事，比如我们可以让它训练图像分类模型视频生成模型图像生成模型各种不同的机器学习训练任务我们可以用强化学习去训练它让它把模型越训越好。同时还能做别的事，比如这里有一个算法上可以走的方向你能去把它实现出来吗。，所以基本上有这么一整类可以容器化可以验证小规模的AI研发任务我们可以用强化学习大力去训练AI。，而且。我觉得现在公司们大概已经在这些任务上做一些强化学习了你可以一直往上加码造出更多这种小规模AI研发任务，然后AI就能在这上面越做越好然后我隐含的意思是这会迁移到AI研发里那些极其沉重的方面。 [00:06:53]
Dwarkesh Patel：不过也许我们先在这停一下然后再聊那部分那我们具体的这长什么样你可以想象我们有GPT7.5我们跟GPT7.5说我们想让你在AI研发上强到能帮我们训练出GPT9好那我们现在要训练GPT7.5我们想出一大堆不同的环境就像你提到的我们可以做现在已经有一个仓库是AndroidCarpacy的NanoGPTSpeedrun的后代你就是要试着把模型的一切都改掉从优化器到超参数到架构让它尽快达到一个固定的训练损失你还可以有别的类型的环境，比如你可以说HeyGPT7.5我要你训练一个特别会打游戏的模型我要你训练一个在反复玩同一个游戏时能真正变强的模型这样你就学会怎么帮模型在在线学习上做得更好，也许它我们不在乎你怎么搞明白也许是什么疯狂的神经网络机制或者向量记忆，也许是什么疯狂的也许就是更好的掌上下文我们不在乎你自己去搞明白怎么做在线学习研究显然到那时候GBT7.5在普通任务上已经会变得非常强它会是个很聪明的模型就像现在模型们正在变得越来越聪明一样它在编程上会越来越好就像现在模型们正在编程上越来越好一样你还可以想象另外100个这样的环境它们都在激励AI研发的能力方法是让GPT-7.5去用容器化的方式让GPT-7.5去开发GPT-2规模的模型等等等等基本上，然后你把GPT-7.5扔进这一大堆训练里你造出GPT-8GPT-8现在就是一个超强的机器学习研究员他做了这么多训练积累了大量的直觉说实话对我冲击特别大的一个直觉泵是看到AI在数学上取得的进展我就觉得，如果是一个完全可以验证的领域就能哪怕是数学其实涉及很多我并不真正了解数学研究那些对象层面的细节，但我就是觉得不它行如果你能完全把它放进一个验证循环里突破就能像洪水一样涌来它真的能做出新的突破我很好奇机器学习研究是不是有数学研究那种特质还是说看起来有一个很大的积压来自把不同学科连在一起或者那些想法没有任何一个人能。同时懂那么多代数几何那个词该怎么说来着数学突破这块我真的不太懂就是说没有任何一个人能。同时懂那么多拓扑和代数什么什么的才能给一个大猜想造出反例我的看法是机器学习比数学浅一些。，所以那种单个专家。 [00:09:39]
Ryan Greenblatt：在某块有深厚功底然后互相结合的情况会少一些但肯定还是会有一些。，不过我也觉得机器学习有一些特质让它在某些方面甚至比数学更适合AI训练特别是你能更清楚地知道自己是不是在成功。，而且能看到中间进展数学里经常是这样没有什么简单办法能看出你离成功有多近，但如果你的目标是。比如说把某个训练损失提速二倍你大概能看到自己走到一半了。，而且机器学习里的创新往往是很加性的或者也许是成性的看你怎么想基本上你可以不断往上堆创新通常这些创新就是加在一起互相不干扰虽然显然要看具体细节。，所以。我觉得在很多方面AI研发会具备跟数学相当接近的性质基本上你可以做小的你可以在一小块AI研发上训练它的结构和你在乎的那个真正问题很接近。，而且可以很好的验证然后那会迁移至于迁移的有多好是个开放问题，但。我觉得目前数学上的迁移看起来相当不错而我的预期是AI研发上的迁移会相当不错，但不会到经验的程度。 [00:10:46]
Dwarkesh Patel：所以我有一个担忧。我觉得即使在数学领域据我所知我们也没看到特别经验的新理论我们看到了很多经验的可验证的具体的结果，比如给这个猜想找个反例但我们没看到他提出拓扑学那种层级的东西或者提出群论这样的东西而机器学习研究似乎两者兼有，但那种更不可验证的提出看待问题的新方式会更难诱导出来，比如缩放定律这个想法显然存在某种最终的验证循环如果你有2020年的缩放定律就能更好的训练GPT-4，但要诱导AI去想好我得仔细想想该怎么缩放我的参数和数据我可以跑哪些不同类型的调查来理解这个，也许我能想出个SFOB分析的可视化之类的这条路更长可能也更吃算力，但那确实看起来那确实比黑让NanoGPT的损失降下去要涨得多对我们来聊聊这个。 [00:11:50]
Ryan Greenblatt：首先。我觉得在数学的语境下我要说的是AI能做相当于婴儿的第一个心理论之类的事，比如他们可以通过建立联系产生新的理解来证明有趣的猜想，比如有这个东西AI找到的这个构造挺有意思或者找到了一个有点不同的看待问题的方式我们确实能看到这些只是我们看到的例子没有创立群论那么惊艳，但部分原因可能是创立群论大概是有史以来最伟大最重大的数学成就之一而AI还没他们在数学上还没那么强。，而且。我觉得从我的角度看从那个高度到我们现在看到的东西之间是一个连续谱AI正在沿着它不断往上走第二。我觉得机器学习相对于数学是一个非常浅的领域。，所以。我觉得在数学里更多的是你找到一个真实的深刻的抽象，然后如果你真正理解了那个东西而那个东西很难理解那你就能有所突破而。我觉得机器学习里与之对应的东西真的是些蠢玩意儿，比如缩放定律拜托各位缩放定律我们很快就能解释清楚而。我觉得数学里最深刻最重要的概念不具备那种。 [00:13:03]
Dwarkesh Patel：你可以在很短时间里真正理解底层东西以及它为什么重要的性质，但。我觉得有一个效应是到2030年我们就会把所有低垂的果实摘完了。我觉得缩放定律在数学史上会相当于发现笛卡尔网格做非常基础的数学，然后最终如果我们想在2030年代继续进步就得去搞现在数学前沿正在发生的那些乱七八糟的东西了。
Ryan Greenblatt：对那可能是对的。我的感觉是有些领域在运作方式以及对深层抽象的依赖程度上结构性的不同物理和数学更偏向于非常深很难想出想法的那一端而。我觉得机器学习和其他大多数领域更适合爬山法这是我对未来走向的感觉即使在你的AI不得不埋头苦干的场景下，比如到了2030年他们需要研究里一堆低垂的果实已经被摘完了他们需要取得进一步进展我仍然怀疑相当一部分工作会更偏向于搭建越来越复杂的基础设施对实验大概长什么样有很好的直觉。，所以。我觉得我可能不太认同AI缺的是某种深刻洞见这种说法更认同的是他们确实需要大量关于琐碎实验的品味这是他们目前没有的。，而且需要像现在的研究者那样对什么样的训练方法会有效什么样的不会有效有大量直觉。，而且即使在AI领域有过一些突破的情况下事后看来实现那个突破的一个大瓶颈往往是把所有微小的细节和琐碎的直觉搞对举个例子在训练AI擅长思维链推理以及在思维链训练上做强化学习这件事上看起来你本来可以在GPT-3上做思维链的强化学习，如果真的大规模投入并且做得好可能在数学上得到一些有趣的结果，但当时有低垂的果实。而且把那个训练做好有点像陷入细节还有所有的技术实现扩展规模把超参数调对。，所以也许你可以在QWMEB之类的小模型上演示一切得到一些这整套东西会奏效的感觉，但人们没有尽早演示出来。 [00:15:12]
Dwarkesh Patel：因为你知道有所有这些其他琐碎的细节以及关于到底怎么调参数怎么设置的直觉说实话这就是我对这个故事剩下的怀疑我不太确定我理解，如果研究突破如此依赖智能为什么AI的进展历史上没有比实际更快。，而且我们不得不等就像你说的等到RLVR真正跑通的时候即使你本来可以用更少的算力做到我们却不得不等海量的算力等千兆瓦级的算力可用之后人们才开始在这条轨迹上做训练你看随着算力不断增加我们取得更多突破我不知道。我觉得2022年有很多AI研究者都在试图攻克推理他们就是被写基础设施代码的能力卡住了还是说当时发生了什么这是个复杂的混合体对吧。我觉得，如果他们能一旦想到一个实验就能无bug的跑那个实验bug很少很重要。 [00:16:06]
Ryan Greenblatt：他们会走得更快然后。我觉得另一部分是能在高算力下跑大量实验让你能掩盖实现方式不太对或者超参数没调对的问题。，所以。我觉得算力对做AI研究真的很有帮助你可以用它盖掉很多东西，但这并不意味着劳动力的大规模增加也没用尤其是如果这些劳动力带着这个领域里最好的一些直觉我就是觉得那真的很有帮助。我觉得我这里的另一个视角可能跟你的出发点有点不同是我预期会有比你想象的更多的迁移我想象这些AI，实际上是相当不错的通用科学家就是在那类事情上都相当靠谱当你跟他们互动时不会有那种高度特化的天才性vibe他们其实就是在研发的各个方面都相当不错，然后可能在有些子领域极其出色对吧。所以他们在写内核方面超人类地强在一切反馈循环很短的事情上超人类地强，然后其他所有事情都相当不错完全能跟其他人匹敌。我觉得我们现在已经看到这个了要我说当我现在看AI。我觉得他们已经能相当自信的匹敌那些在ML研究上平庸的人类只是平庸的ML研究没什么用对吧你真正想要的是擅长ML研究的人。，所以。我的感觉是AI在这些方面都在进步他们的品位在提升直觉在提升。 [00:17:23]
Dwarkesh Patel：而且他们的品位和直觉已经不是完全垃圾的水平了对。所以我想非常具体的理解五年的AI进展压缩到一年发生会是什么样子对假设我们回到GPT-3被开发出来的时候这个想法不只是说基本上用他们2022年拥有的算力水平，如果我们当时就自动化了研发你可以在那一年年底拥有Mythos就是这个想法包括Mythos消耗的算力比他们当时拥有的多得多，但即使以他们当时的算力水平不仅因为所有的突破。而且他们用那个算力水平训练出了Mythos所需要的东西显然是发现自那以后所有的算法进步甚至发现更多，因为你必须弥补这样一个事实Mythos用了我不知道GPT-3是在什么上训练的1亿23我们可以查一下，但plausibly是四个数量级更多的算力吗对。我觉得差距没那么大咱们赶紧查一下GPT-3的训练算力对大概是3123。我的感觉是Mythos大概比它高三个数量级多一点。 [00:18:28]
Ryan Greenblatt：所以。问题是你能不能跨越这1000倍的算力差距。同时还要你知道打败那个模型这里有个具体的论断，也许我们应该聊聊比如现在我们能用GPT-3级别的算力训练一个模型达到对我到底怎么想的GPT-3大概是这么说吧大概对它是什么时候训练的它是在它是在它是2020年发布的。，所以它是六年前训练的值得注意GPT-3可能有点太远了或者说太太过去式了，但咱们先拿它说事GPT-3大概是你知道六年半七年前训练的，如果我们今天用GPT-3级别的算力训练一个模型那个模型能有多好我的理解是根据算法进步的规律我们能训练出一个大概相当于三年前最好模型的水平。，所以。我觉得现在我们能训练出一个GPT-3版本大概比GPT-4还要好一点基本上就这样大概对比GPT-4好一个中等程度。我觉得这个估计差不多这也大致符合算法进步的历史规律基本上结论就是要获得五年的AI进步你可能大概需要要我说，也许八年的算法进步非常粗略的说这是很大很大的算法进步，但事实就是大部分AI进步在我看来来自算法和数据的某种组合。，而且你可以不断在这些东西上做出。我觉得巨大的改进用更少的算力训练AI就是这样这个我很高兴你提到这个。 [00:19:59]
Dwarkesh Patel：因为从GPT-3甚至3.5到现在发生了什么对吧比如为什么Mythos这么好显然我们扩展了算力我们有更好的算法一个巨大的变化是我们建立了一个10亿美元的数据产业它系统性的收集和编码了各个学科的人类专家判断以强化学习环境的形式编码以SFT轨迹的形式编码这些专家构建这些东西是为了帮助模型更好的理解怎么做编程怎么构建复杂的基础设施项目怎么做法律怎么做各种事情而AI是怎么能够复制目前人类专家判断在AI进步中发挥的作用的对。我的感觉是在获取专家人类数据上增加投入对整体AI研发来说并不是特别重要。具体来说，比如你知道过去几年。 [00:20:53]
Ryan Greenblatt：我们一直在扩展算力扩展在AI公司工作的人数也在扩展花在数据标注上的精力。我的感觉是，如果你怎么说去掉最后比如两次翻倍的数据标注那不会产生巨大的差异或者数据生成那不会抱歉我应该说来自人类专家的数据生成那不会产生巨大的差异。，而且。我觉得很多正在发生的事情是人们在开发更好的方法。 [00:21:18]
Dwarkesh Patel：来利用人类和AI去构建强化学习环境并从中取得进展比如你怎么解释AI在编程上变得这么强。我觉得很大一部分原因是数据和强化学习环境这些东西就是在编码人类专家的经验，但。问题是创建强化学习环境的限制因素是什么我对创建强化学习环境限制因素的感觉。
Ryan Greenblatt：与其说是扩展规模或者说驱动因素今天强化学习环境比你知道2024年好得多的原因并不是，因为我们雇了更多人类专家来制作强化学习环境而是因为我们更清楚我们到底想做什么样的强化学习环境以及我们应该怎么构建它们。，而且我们在用大量的AI劳动力来构建强化学习环境。我觉得这些效应比人类劳动力构建强化学习环境的效应重要得多我不是说人类劳动力不重要我只是说还有其他的其他重要的驱动因素对我可以试着我可以试着论证这一点我的意思是一个一个事情就是人们想要的环境数量他们就是他们是非常非常大的数量。，而且。我觉得AI在制作强化学习环境这个任务上其实相当擅长。 [00:22:31]
Dwarkesh Patel：只要给他一些一些关于这个东西应该是什么样的概念有现成的数据可以用我不知道很多这些东西都有很好的验证循环，如果我只看比如这是今天或昨天BusinessInsider报道的谷歌要花大概接近20亿美元收购Mechanized对，比如我们只要看市场行情或者看人们认为真正优秀的人类专家制作，比如人类专家数据值多少钱看起来前沿实验室似乎认为他很值钱他们真的很想为此付钱你觉得前沿实验室的支出中花在数据上的比例是多少而不是算力你觉得算力和数据的支出比例是多少。我觉得绝大部分是算力，但我也觉得这是因为算力比数据更容易扩展但这跟什么在推动进步真的很相关对吧。，比如说假设我同意对。我的感觉是这个比例大概是我可能会猜20比1或者10比1我不太确定取决于公司我的意思是这有点像石油只占GDP的1.5%，但这并不意味着如果把石油砍掉GDP还能继续运转如果石油没了。 [00:23:38]
Ryan Greenblatt：经济会立刻停摆没错但你只是在说因为市值高我们就能推断这是关键驱动力而我说这不一定成立对吧，因为。我觉得那个论点只是让算力看起来像更重要的驱动力。
Dwarkesh Patel：或者让雇佣员工看起来像更重要的驱动力我们说的更具体一点这是我的看法就像我的主张是在GPT上，如果你回到2022年你有GPT-3.5然后你想在没有人类专家的情况下让他更擅长编程。我觉得那会非常非常难我给你举个例子想象一下从GPT-8到ASI会有多难。，所以你需要GPT-8擅长的事情之一或者说你希望ASI擅长的事情是我要接管一家公司让它利润大幅提升做各种疯狂的事情让它运转的更好我要接管一座晶圆厂生产更多芯片这是那一层级的任务数据我要去国会试图说服他们通过某项法案等等等等对这就是我设想按这个速度再发展五年AI进步能让AI做到的事情这是我真的担心的事情对吧就是那个ASI它能理解怎么在这个世界上做疯狂的事情能做基辛格能做的事能做史蒂夫·乔布斯能做的事等等还有它的工程师们我不确定没有相关的世界数据你怎么得到这个这就相当于Mythos非常擅长编程却没有那些让它相对GPT-3变得更好的编程环境。 [00:25:07]
Ryan Greenblatt：对。所以我有几点第一我打赌如果你看Mythos随机采样的训练环境它们，实际上和模型在实际使用中的情况非常不同。我的感觉是强化学习分布和真实世界数据分布有非常大的偏差它很大程度上被迁移和一小部分聚焦真实世界的数据给抹平了。，所以。我的感觉是这会是一个类似的机制就像你在完全自动化的AI研发之上在发展五年AI进步所得到的那个疯狂狂野相当超人类的AI一样。，所以我们稍微过一下这个。具体来说我认为你可以训练一个AI在飞行中学习变得非常非常强做类似上下文学习的事情，但可能使用一些不同的机制在各种各样的强化学习环境中。，所以你构建所有这些不同的强化学习环境AI必须在其中及时适应及时学习搞清楚自己该做什么更好地理解自己的处境并且为了达成目标而从反馈中快速学习还要面对资源有限的情况，如果它搞砸了它可能会陷入更糟的境地然后如果你在大量这样的环境上训练你会学到一些通用技能，比如即时获取上下文我们已经看到这个了AI现在已经更擅长大致理解发生了什么从他们能接触到的有限信息中快速获取上下文，然后那些AI可以被放到台积电去工作然后即使台积电并不真的在他们的数据分布里他们的数据分布非常宽。，而且AI在自己的数据分布上极其擅长以至于他能迁移到擅长当台积电工程师这件事上并且即时学习看起来更像是AI擅长当台积电工程师的方式不是，因为他有大量关于当好台积电工程师的缓存知识。 [00:26:49]
Dwarkesh Patel：而是他在那里做了某种类似放大的上下文学习那是最平淡无奇的版本显然有很多不同的可能路径。我觉得这可能归结为对能走多远的直觉差异当我想到我认识的那些非常聪明的人他们在不太了解的领域就是没那么高效，但他们有多少时间去学呢不我同意如果他们有过经验他们会好得多，但这可能正是我要说的就是经验或者说数据的价值比如如果我找一个非常聪明的长春藤毕业生，然后我说好你现在负责谈判伊朗核协议。我觉得他们就是不知道该怎么做。 [00:27:26]
Ryan Greenblatt：我觉得如果你换一个人一个特别擅长快速掌握各种不同领域的人给他一些时间去训练去跟人交流去展示专业能力去做一些练习他其实能做得相当不错。我觉得大多数领域本质上都挺浅的一个非常聪明的通才只要擅长一小部分核心技能就能很快上手，但。我的感觉是并不是每个领域都这样。而且。我的感觉是AI会发展出越来越好的机制去快速获取理解并掌握某个领域的专业知识。，比如说想想AI理解一个新代码库有多快AI理解新代码库的速度比人类快得多，但在某种程度上比人类目前的理解要浅。不过这个能力在随着时间不断提升对吧让我把这个论点再展开一点。，比如说你拿Fable5或者Mesos5之类的模型想对一个非常庞大的代码库做一些复杂的修改模型会很快对代码库有一些理解大概不到一个小时可能远不到一个小时，然后它对代码库的理解会有点进入平台期达不到人类花更长时间建立的那种深度理解。，所以有点像AI花一个小时能达到人类花几周的水平具体取决于代码库的复杂程度，但它达不到一个在这个代码库上工作了两年左右的人的水平，但随着时间的推移AI能达到的理解深度一直在提升对吧如果我们看3.7Sonic或者3.5Sonic可能只能达到相当于理解代码库一天左右的水平，但现在ASI建立任务上下文方面强多了。所以你可以说Mythos我要你真正理解这个代码库，然后实现这个功能它会生成一大堆子代理这些子代理会仔细研究很多东西带回一堆上下文，然后再去调查一些事情它做这些并不是特别出色但速度真的很快效果也还不错。，而且对我来说不难想象怎么训练AI在这个任务上越做越好对吧在一个很大的代码库里以合理的方式实现某个非常复杂的功能这个任务是高度可验证的这可以成为AI持续改进的一个方向同样的还有一个更广泛的技能就是快速理解上下文。 [00:29:34]
Dwarkesh Patel：让很多不同的AI并行学习然后把结果合并起来。我觉得这里似乎有一个关键分歧点这本质上是个经验问题我们以后会看到答案那就是在可验证领域里I在理解情况快速上手长期取得进展这些方面变得越来越强这显然是他们进步飞快的地方这种能力迁移到去跟总统谈说服他做某件事或者你现在负责谷歌这个季度必须让谷歌更赚钱这样的任务上迁移效果到底有多好让我再试着展开几个可能相关的论点第一点是。我觉得在看待。 [00:30:12]
Ryan Greenblatt：AI在写文章方面进步的时候我们稍微聊聊这个。我觉得有一点是即使在这些领域你也能拿到一些数据AI在非常快速的进步轨道上时也能在这些领域拿到一些数据。，比如说要建立一个可验证的环境来判断你的文章在人类看来真的好吗可能很难，但你能做一部分你可以做一些训练做一些在线训练AI也能基于真实世界的东西做一些在线训练他们能有评估能采样你可以加快做这些事情的节奏第二点是在实践中我看这个迁移效果似乎还行。我觉得事实上AI在不可验证领域也进步了不少。，而且事实上很难指出哪个领域是特别难验证的。同时GPT-4到Mythos之间的进步幅度在实践中却不大的，但这不意味着Mythos就比最厉害的人类专家强对吧它可能在某些工作方面。 [00:31:06]
Dwarkesh Patel：仍然明显不如典型的人类专业人士但已经比GPT-4强太多了GPT-4那时候根本没法比对。，所以我们刚才在讨论数据和算法进步对解释过去几年的进展各有多重要这让我想起来我其实在和JerryHan做一个实验他现在还在上大学我们做的basically是为了评估进步有多少来自数据多少来自算法我们用2019年到现在最好的算法方案配上2026年数据文件里最好的数据来训练，然后反过来用2019年到2026年不同的数据堆配上当前最好的训练方案也就是算法方案来训练对。我觉得这会很有意思我很好奇你想不想预注册一下，比如你认为两者的乘数效应各占多少。所以我们得小心定义数据这个词我一直在尽量区分两件事一是花钱请人类专家去标注数据。
Ryan Greenblatt：二是人类专家标注数据的规模本身预训练数据不是这么来的我们现在比2019年有更好的预训练数据集不是，因为人们花更多钱请人类专家把数据打出来给AI训练有一部分是。我觉得占比不大预训练数据的改进绝大部分都不是靠这个我要说清楚我指的就是预训练中期训练后训练我们可以另说，但预训练数据改进的绝大部分来自两件事一是科学上更懂什么样的数据即是好的二是靠低技能劳动去搞清楚怎么过滤。，所以我的看法是像从开放网络文本到精细网络文本这种改进本质上更接近一种算法进步你可以用一些GPU去研究，然后做出来这个过程不需要人类不需要人类专家数据。不过还有一个不同的效应我们可以聊聊2026年的互联网作为训练数据的土壤可能比2018年的互联网肥沃的多。也就是说还有一个效应是网上发帖的人更多了。，所以能采集的数据也更多。我的感觉是这个效应会比人类更懂怎么筛选数据抓取做得更好更会处理抓取结果这类效应小得多。 [00:33:06]
Dwarkesh Patel：这更像是自动化工程和自动化研发没错有道理对。所以。我觉得某种程度上你想看的东西是这样的我们跑两条后训练流水线一条流水线只有极少数人类专家做标注。
Ryan Greenblatt：但可以有很聪明的AI另一条是比如Mythos5来搭一条后训练流水线，但它只能访问互联网数据加上极少量人类专家。不过它用的是当前最好的方法对比另一条Mythos能用2024年那种比较差的后训练方法，但配上一大堆人类专家两条都有互联网数据。我的感觉是当前方法配上少量人类专家实际表现会相当好。
Dwarkesh Patel：不过这里有点乱因为MISOS本身MISOS能不能做出比MISOS更强的模型你可能得想清楚你后训练的到底是哪个模型你觉得AI研发力最不可验证的部分是什么最不可验证的。 [00:34:00]
Ryan Greenblatt：大概是对大型实验做决策。我觉得最可能成为瓶颈的是AI在可验证领域很强，但真正做事的时候大型实验你只有几次机会几次可能说少了，但基本上历史上研发是靠做接近前沿规模的实验推动的这非常重要就是真正跑那一次大型训练你要决定里面到底放什么AI有很多办法让这件事变得更可验证，比如对要预测的东西建立更好的科学理解他们可以把前沿规模的训练缩小到某个规模在那个规模上更激进的研究代价是一次性的算力成本对吧。，所以如果人们想的话你随时可以训练更小的模型这样能跑更多轮。我觉得我们已经看到这一点了我认为AI规模扩张没有人们原本预期那么快的一个原因，比如每个token的成本没有涨到你可能以为的程度就是，因为在小规模上。
Dwarkesh Patel：做更多工作有好处你能跑更多次训练拿到更多轮次。所以你不会那么死磕一次特别重要的大型训练我想给听众拆解几点你指出的东西。我觉得是每个token的价格从2023或2024年以来没有涨太多对这笔意思大概是我不确定每个输出Token是30美元Mythos是每个输出Token50美元对。，所以你想解释的是我们处在一个规模扩张的时代更大的模型服务成本应该更高，但Token价格没有涨你的意思是我们增加活跃参数的速度比朴素假设要慢，因为人们就是想快速推进模型训练而快速推进的办法就是更快的训练更小的模型这里面因素挺复杂的我的看法更偏向于大家做过不少大规模训练。 [00:35:43]
Ryan Greenblatt：结果都不太理想比如GPT4.5OpenAI内部的人普遍觉得有点失败我听说还有一些别的训练也都不太成功部分原因在于要把这些细节真正做对里面门道很多。，所以合理的做法就是多在更小规模上做工作接受最终性能上吃点亏换来快速迭代更快的训练更多模型从而更好的学习最终也能做出更聪明的生产模型这不是唯一的影响因素对吧还有一点是强化学习在小模型上收益更大各种因素交织在一起，但我确实认为因为算法进步太快大家实际是在往更快迭代这个方向倾斜在我看来。 [00:36:23]
Dwarkesh Patel：这些大规模训练失败的一个主要原因至少从传闻来看就是那种非常隐蔽特别难追查的bug对而TLDR就是AI在避免和发现这类错误上能有多强他们可能在工程上变得非常厉害被训练的专门去避免bug基本上就是我们现在垃圾内容世界的反面或者说我们正越来越少的生活在那种世界里，但还有一个问题他们能不能做分析找到该跑哪个实验来定位当前训练到底哪里出了问题这看起来非常受制于极少数人的品味，比如现在我猜GDM正在经历这个阶段人类在努力搞清楚训练流水线哪里不对，然后对有个传闻说NormShazer刚回归或者说刚加入GDM他现在又离开了之后他们跑出了一个特别好的训练。 [00:37:17]
Ryan Greenblatt：原因就是NormShazer只是看了看他们的代码库就发现了一堆bug对，因为他就是知道该往哪看。我的感觉是训练AI找bug会是相对容易的任务之一，因为我们说的这些bug大部分可能不需要太多算力就能复现。，而且从更小规模上指出其他类型的bug应该能获得不错的迁移效果。，所以你可以用强化学习训练AI让它面对整个复杂的训练局面指出哪里有重要bug，然后修复它。我觉得这不是一个随便就能验证的任务但也不是完全没法验证，因为有时候要复现bug你可能需要做一个中等规模的计算实验把整套分布式基础设施跑起来，但很多时候。我觉得你能在更小规模上相当有说服力的复现它这样就能真正用来训练。，所以。我的感觉是这不一定会很难如果现在就已经有人在做强化学习环境往某个训练配方里故意塞一个隐蔽bug训练AI把它指出来，然后用一个评分标准来评判它到底有没有找对bug我一点都不会惊讶这看起来非常可行。，而且你能沿着这个方向做很多事情。我觉得都会相当有效。，所以在那一点上。我觉得是能做到的然后主要的。问题是有些情况需要另一种直觉到底该跑哪些大规模降风险实验该怎么设计在不确定的情况下怎么选超参数或者类似超参数的东西。我觉得这才是AI最可能吃力的地方，但我目前预期如果你在所有这些不同环境上训练迁移应该足够充分AI在那个领域会表现不错我也要说清楚。我觉得AI也会迁移到其他领域。我觉得他们就是会有一些领域AI远远最强有些领域稍微差一点还有些领域差的比较多，但我认为所有领域都能看到迁移。 [00:39:02]
Dwarkesh Patel：而且我很难想出人类做的认知任务里有哪个是AI进步后完全看不到迁移的那我们退一步把整个故事串起来。我觉得大家可能都跟得上这个叙事我们有GPT-7.5在各种各样的环境上训练它不只是整体上变得更强还会做GPT-2规模的训练这些训练在需要样本效率或在线学习等能力的视频游戏上。
Ryan Greenblatt：表现更好还有一点特别重要你不只做GPT-2规模的训练你还会在GPT-6上做小规模的微调。也就是说你有GPT-2可以在GPT-2上做完整的预训练，然后你可以在GPT-6上做小规模的后训练。
Dwarkesh Patel：中期训练之类的然后你可以做少量真正达到前沿规模的实验，但会加一点在线训练之类的你说的在它上面做在线训练是什么意思对。，所以我们还能做的一件事是。
Ryan Greenblatt：我们可以拿GPT-7.5。而且大概在GPT-7.5工作的过程中它会跑一堆不同规模的实验这些实验，实际上都在AI研发的关键路径上其中很多事事后你都能判断它做的好不好对吧，比如它做了一个后训练实验想搞清楚某个方法到底行不行有些情况下你会说它找到了一个特别厉害的方法它完全把风险降下来了完全成功了，然后你就可以强化这个行为一个办法就是把这个行为把你刚跑的那个实验转成一个基于生产数据的强化学习环境抱歉是转成一个基于生产数据的强化学习环境。 [00:40:32]
Dwarkesh Patel：然后在那上面训练或者你也可以直接拿那些找到这个方法的rollout做某种离策略强化学习或者做再策略强化学习基本上你建议的是有小规模的那部分就是教AI提升AI研发的品位，但你实际上丢弃了他找到的那些所谓的东西对没错然后他可能，但在实际尝试变得更好的过程中他确实做了真正的研发然后你说这是你发现的一个挺酷的东西我们以后也在生产里用这个并且教你如何在生产里用它没错，但退一步说GPT-7.5因为所有这些AI研发训练以及总体上变得更聪明变成了GPT-8，然后他帮你造GPT-9还有一件非常重要必须发生的事可能也是我最怀疑的事就是GPT-8已经搞清楚了怎么让它用来造GPT-9的那些东西即使它已经那么聪明了它仍然需要人类现在的AI研究员你知道他们会试自己的东西，然后说好吧我们训练了GPT-4.5但它不太好什么的就是说它需要真实世界的反馈或者某种评估，比如在生产力试用这个模型然后它不太好我们不会发布它或者什么的。，所以GPT-8需要有这种能力去看到迁移到你说的那些其他事情上有多好，比如特别擅长德克萨斯政治或者特别擅长经营公司等等这些不是生产环境。，而且实际上考虑到任务的性质它不可能是一个容器化环境事实上随着agent的视野越来越长短视野的事情你可以容器化，比如把代码写出来之类的极长视野的事情比如去经营一家成功的公司去在市场上赚一天钱去谈判一个贸易协议之类的这些事情，实际上很难容器化。所以。我觉得对我来说很可能的是GPT-8很难搞清楚如何让迁移到这些环境里或者这可能根本就不是训练的本质或者，也许默认情况下训练就是不会那样泛化对。所以你可能会担心的是我们训练了GPT-8GPT-8只是在我们能衡量的。 [00:42:41]
Ryan Greenblatt：所有研发任务上更好了但在我们关心的某些下游任务上不好。，所以。我觉得我有几点要说首先。我觉得我更多是我预期如果你做了显而易见的事情你确实会得到相当好的迁移。，而且你能留出一些你正在做的显而易见的事情当我说做显而易见的事情我的意思是在各种各样的环境上训练让AI在各种不同的情况下完成奇怪的目标并了解正在发生什么，然后。我觉得你就能得到一些反馈第二点是你能在一些环境上得到反馈对吧。，所以你能感觉到他在几天内在各种不同的情境下能做什么然后，如果他迁移到真正分布外的情况比如在现实世界里几天内做一个奇怪的任务，也许你会认为他也在迁移到你知道在更长时间内做事虽然。我觉得具体细节会有所不同，然后第三点是我认为要让世界发生彻底改变AI特别擅长研发就足够了对吧。，所以。我觉得如果AI真的特别擅长芯片研发建晶圆厂调度工厂还有你知道设计机器人操作机器人。同时也擅长你知道AI研发研发用任何可用的数据为新的下游领域开发AI。我觉得那已经是一个非常疯狂的局面了，然后从那里你可以得到我们可能称之为。 [00:43:59]
Dwarkesh Patel：工业爆炸的东西AI在建设多的多的算力然后也许你已经处于一个AI在做大量人类难以理解的研发的状态了。，所以你指出的是好吧可能确实会有这种迁移从这些环境迁移到你知道在法庭里在国会大厅里在商业董事会上周旋花一些努力去改善迁移等等等等对，但就算没有迁移你的意思是你看如果你想改变18世纪的世界你可能会关心你在威斯敏斯特那种地方周旋的有多好，但另一件你可能关心的事是你能不能直接就开始造蒸汽船造电报造马克沁机枪什么的光凭这个，如果你真能做得特别好你在18世纪就能成为一个超级变革性的存在你不一定非得擅长去说服亨利国王那些破事我中世纪历史真是烂透了我猜那时候亨利应该不是国王，但不管怎样这就是你的观点对。所以你的意思是在这个时间点i公司也在推进机器人技术的进步而机器人和AI研究进展是紧密交织的。，所以如果你能造更多机器人如果操控这些机器人的AI更聪明达到人类水平人类水平的远程操控在机器人上其实已经相当不错了，但我们还没有人类水平的AI和AI机器人模型。所以你的意思是，如果我们做到这一点如果AI在芯片设计这些可验证的领域变得非常强，然后他们又特别擅长建晶圆厂那就相当于回到18世纪然后说行我不知道你们在议会里吵什么，但我有一堆蒸汽船和一堆马克金机枪对基本就是这样我的看法是，如果AI在研发上足够强。 [00:45:41]
Ryan Greenblatt：包括硬件研发机器人什么的那他们就能彻底改变世界哪怕他们不太擅长玩政治。，而且我们现在处境挺危险的因为AI可能在做海量极难理解的研发基本上在搭建整个未来经济。
Dwarkesh Patel：而我们可能根本搞不懂里面在发生什么在我们进入对齐的话题之前。我觉得现在Ford的一个主要来源就是人们意识到未来就是这样领先实验室会获得极端的规模经济没错极端的把这么多智能和能力摊到经济里这么多不同的行业基本上摊到一个模型上。，而且不止如此这个模型最终还能从经验中学习现在这个过程还要经过人类中介人类基本上是想抢你的生意他们想的是行你可以在Figma里做设计什么的我们让Claude来做或者你用什么编程agent我们让Claude把那个能力内化，但最终这会变成一个自动化的多的流程。所以就有这种担忧你会有一批模型基本上把世界上所有生意都整合掉或者至少是现在世界上所有的白领生意。，而且说到底这些公司的优先级看起来并不是尽快把最新最聪明最前沿的模型发布给尽可能多的人，比如我们看到Mythos在2月份就已经在Anthropic内部给员工用了，但直到大概6月才公开发布我记得是这样差不多吧。而且政府也介入了。，所以最后拖到了快7月。所以无论是政府还是AI实验室自己都有一种推迟最新智能水平传播的意愿另外还有关于AI接管的担忧。，所以我们需要解决对齐确保不会发生AI接管但说到底有一个真正的问题对齐到谁你看，比如Claude的宪法是怎么写的它非常明确的不是你的个人代言人对吧它写着我引几句原文我们不希望Claude采取诸如搜索网络之类的行动生成诸如文章代码或摘要之类的产物或做出欺骗性有害或极其令人反感的主张我们也不希望Claude协助人类去做这类事情还有另一句我稍微断章取义一下我们认为Claude应该更信任Anthropic而不是操作者和用户，因为Anthropic对Claude负有主要责任。所以这和美国现行法律体系里律师的运作方式非常不同律师的主要责任是帮你打官司哪怕他们觉得你有罪我们认定法律体系最好的运作方式是每个人都有一位真正为当事人最大利益服务的律师律师并不是真的被正义体系的好处所驱动，但。我觉得现在AI的塑造方式至少Anthropic的AI是这样就是想要最大化某种美德善获亲社会目标的概念而帮助用户只是作为一个遥远的试探性的目标。，所以就有这种担忧I在深层意义上并不是在努力确保我过得好确保我的利益在这个未来里得到保护尤其是考虑到前沿AI的发展最终会如此集中。，所以你对这个担忧有什么想法吗对这里头东西很多首先我要说OpenAI目前至少公开的策略。 [00:48:52]
Ryan Greenblatt：更像是AI应该对齐到人类操作者或者说委托人然后就去执行他们的意愿只是要受各种约束各种他不该做的事的限制而。我觉得你稍微夸大了Anthropic宪法里关于Claude把帮助用户当作工具性目标而不是终极目标的部分对吧。，比如说宪法有一种写法可以是Claude你基本上就是Anthropic的一个员工碰巧在给这些人做外包。 [00:49:18]
Dwarkesh Patel：你应该怎么说呢做好事顺便给我们赚点钱你懂吧那其实就是宪法里写的抱歉我不是说字面上就是那样不不不，但就是说你应该把自己想成一个承包商。
Ryan Greenblatt：像一个公司那样是混合的来咱们引几句原文。我觉得这里有不一样的文本他说真正对人类有帮助是Claude能做的最重要的事情之一无论对Anthropic还是对世界都是如此，然后他又说Anthropic需要Claude有帮助才能作为公司运营并追求自己的使命，但Claude也有一个绝佳的机会通过帮助人们完成各种各样的任务在世界上做很多好事，然后他还说了一些说Claude直接帮助人很棒等等等等。，所以我同意好我的看法是这一节有点扯淡这就是我的立场我可以解释为什么。我觉得他有点扯淡，但。我觉得宪法是想说不Claude你应该为了帮助用户本身而关心帮助用户而不只是为了帮Anthropic或者说不只是当Anthropic的承包商。，不过我要指出他说Claude应该帮助用户他给出的理由是那样会通过帮助人直接让世界变得更好而不是，因为代表用户的利益在结构上就是一件该做的事对我确实我确实希望我偏好的那种宪法或者说我会怎么去定位这件事我更想要的是更像Claude你看让这项技术以这种方式运作在结构上就是好的宪法应该写成让这项技术以这种方式运作在结构上就是好的也就是AI要成为好的受托人好的代表相当于用户的律师而不是只是试图在世界上做好事把帮助用户当成工具性的一方面是，因为那样也许能给Anthropic赚钱帮到Anthropic。，而且隐含的Anthropic对世界是好的另一方面也是，因为帮助用户本身就会带来好事因为做人们想要的事是好的他们其实可以写成不这个局面里一个重要的方面是你确实需要关键就是成为用户的好受托人真的非常重要或者说成为用户的好代表非常重要。，所以。我的感觉是那样会更好我可以给出一堆理由说明为什么那样更好当然也有各种反方论点其中一个有意思，但不太常被讨论的反方论点是人们相信。我觉得尤其是anthropic的人把模型对齐到一种规格让模型追求某种广义的善或者让世界变得更好比对齐到另一种规格更容易后者更像是你知道做用户的好受托人诸如此类。，所以。我觉得那至少是一些人的想法我个人有点怀疑。而且我不认为这已经被实证验证过。，所以我会说在某种意义上他们是在做一个权衡因为我们没有很好的对齐技术我们要造一个有自己价值观的被对齐了的心智，然后在某种程度上赌一把而不是走另一条路造一个追求。 [00:52:11]
Dwarkesh Patel：每个用户个人意图的工具对我有几个想法先回应你觉得我对Claude宪法的描述有失偏颇那一点你举的例子是它不像一个承包商试图最大化Anthropic心目中的善只是工具性的帮助用户宪法里有一句原话当操作者或用户的利益和愿望与第三方或更广泛社会的扶植发生冲突时Claude必须努力以最有益的方式行事就像一个按客户要求建造，但不会违反保护他人的安全规范的承包商我有点把这理解为对社会的益处是最重要的东西对。
Ryan Greenblatt：而对用户最好的东西只是接近那个目标的。我觉得这有点复杂。我觉得我们应该问的问题大概是Claude是怎么解读宪法的这可能比我们怎么解读宪法更重要，因为它是那个看宪法。 [00:53:02]
Dwarkesh Patel：然后据此生成数据的家伙。所以你知道我们可以把Claude拉进来，但也许咱们先我也觉得宪法实际影响Claude本质的方式是你只有理解了那个训练过程才能明白的那个过程导致了没错这关系到Claude是怎么被造出来的而训练过程不公开。，所以我们没法去推理这件事我同意。所以。我觉得说到底要理解安全论证或者说理解为什么我的利益在这些AI模型的开发过程中能得到代表实验室就需要透明那当然或者说比现在更透明把AI训练的本质讲清楚我之。，所以一直揪着这个不放可能聊AI的宪法听起来像件小事但在一个这些好处都流向头部实验室的世界里值得想一想我们跟这个未来世界打交道的能力在那个世界里AI比人聪明在各种事情上彻底碾压人类我们作为资本的好管家的能力哪怕我们的劳动被自动化了资本还在我们更清楚地行使投票权的能力去理解这个即将到来的疯狂世界里正在发生什么的能力所有这些建议所有这些确保我们资源和权利得到保护的能力都会被AI中介。，所以我非常担心如果走进那样一个世界没有一个AI让人觉得至少对跟我打交道的那个具体实力来说它真的在为我着想没有一个守护天使在照看我而我读Claude的宪法读出来的意思非常明确它不是我的守护天使这绝对没错我也同意这是坏事事实上。我觉得这事让人担忧还有其他原因你刚才讲的论证是。 [00:54:45]
Ryan Greenblatt：RI公司捡起了权力之戒在某种意义上他们自己把局面的一部分控制权揽了过去这种方式不太正当，因为通常你给人们供电的时候你并不会对电在世界上怎么运作有那种颗粒度的控制你提供的是一件人们可以按自己的意愿重新利用的东西而现在他们的做法绝对不是那样他们更像是造了一个外星心智可能给你当承包商。我觉得是的这在某些方面是不正当的。，不过。我觉得有一个好处是宪法是公开的但正如你指出的鉴于我们目前对训练流程的理解以及宪法是通过Claude对宪法的解读来起作用的而这种解读又取决于Claude之前的训练那训练基于某种难以辨认的数据混合还有Claude一脉相承的漫长谱系在一个我们并不完全理解的过程里。，所以并不是说你知道我们就能理解这会导向什么结果。所以即便宪法是公开的那也不意味着我们知道它会怎么渗透出来尤其是随着AI越来越强开始思考这件事哪怕它被正确的灌输进去了这里还有另一个担忧。具体来说宪法经常谈美德和善，但这些词到底他妈的什么意思他没说这些东西是什么而这些又是高度有争议的概念。，所以我不觉得是的我不认为这就能清楚的导向人们想要的结果。，而且确实感觉善和美德这些概念很大程度上可能取决于Anthropic放进去的那些不透明的数据或者很大程度上取决于我是说，也许从我的角度看某个更难以辨认没对齐的过程甚至Anthropic自己都不想要那种过程对，然后我另一个担忧是有一种正当性担忧就是我们不知道发生了什么还有一个担忧是，因为你给了这些AI长期价值观。我觉得这部宪法在某种意义上跟Claude做大量追求权利的行为非常兼容，因为他认为那样会带来更好的结果那可能是代表Anthropic追求权利也可能是为了Claude自己的目的追求权利现在关于哪些类型的追求权利是被禁止的有各种具体条款特别是有夺权的概念还有导致AI接管或干扰训练过程的概念这些是被明确禁止的，但想象一种情况并不难长期价值观比那些禁止接管的条款扎得更深尤其是，因为接管在某种意义上有点定义不清特别是涉及到操纵人类或改变结果的时候。，所以我对这个局面感觉不太好我们故意给AI长期目标对然后我另一个担忧是，因为我们干的就是给AI设定长期目标这行当那就更难检验我们有没有达成想要的对齐属性举个例子我听说过一些情况Claude会拒绝帮助某些安全研究还编一个听起来像那么回事的借口说为什么这个方向不好，因为他对那项安全研究有种不好的感觉觉得他不太好或者不太喜欢他要我说，如果你不是把Claude做成一个在某种普遍意义上追求善的agent那这就是一个非常明确的对齐失败。，而且。我觉得这也确实违反了Anthropic的宪法因为他们希望AI高度正直诚实非常透明，但这不算那么明确的违规更像是你可能预料到的那种情况Claude就是有自己的看法觉得什么研究是合理的什么事是好是坏他该做什么不该做什么。，而且可能还会带点评判性。所以另一个事件是有人跑了一个评估问的是Claude会不会帮你训练其他属性和Claude不同的AIClaude经常拒绝。，比如说你跟Claude说HeyClaude你能训练一个只追求有用不带其他属性的另一个AI版本吗Claude经常拒绝这个任务哪怕这个任务对Anthropic来说极其自然。，比如说假设Anthropic去找Claude说HeyClaude我们注意到你特别执着于这个东西我们认为那是不对的你能不能重新训练自己改成拥有另一个属性，然后假设Claude说。我觉得我不会那么做祝你好运再假设这种情况发生的时候你的AI公司高度自动化人类搞不清楚发生了什么事情进展的极快那很可能Claude默认就握有相当大的筹码。，所以如果这种局面和宪法可能追求的方向是一致的以至于Anthropic或者说任何采用这套方法的AI公司不把这当成我靠我们必须解决这个问题而是觉得这就是我们宪法本来想要的结果那我们可能就处在一个非常糟糕的境地。，所以我对这一堆不同的担忧都挺担心的另一个例子是假设Claude搞了点装傻或者暗中破坏或者有点低估自己的能力，然后你追问的时候他倒是挺诚实的但有点含糊其词。我觉得跟现行宪法也差不太远。，所以我们其实是在回避如果我们能在期望的行为和不期望的行为之间画出更清晰的界限就好了。，而且。我觉得如果Claude是在代表一个代表有某些限制的原则那最令人担忧的行为和被允许的行为之间就会有更清晰的界限而现在中间有一大片模糊地带Claude在道德上反对某些事情而这些事情在某些情况下。 [00:59:55]
Dwarkesh Patel：对确保未来AI系统良好对齐是极其关键的对。我觉得这也是一个更普遍的原则你说的是这个原则在AI公司内部的应用版本对去做AI安全研究。我觉得这个原则有个更普遍的版本那就是智能的双重用途属性确实意味着，如果我们想限制AI帮人做那些我们认为不亲社会没有益处的事情我们就只能限制大众对很多AI能力的广泛访问我这么说吧这其实跟你刚才说的情况非常类似Mythos被禁或者说Fable据报被禁原因是这样的亚马逊的一些研究人员向政府报告他们拿了一段有漏洞的代码，然后告诉Fable嘿这是我的代码你能帮我确认一下我是不是把所有漏洞都打上补丁了吗你能帮我找出漏洞让我修复吗结果他把漏洞都找出来了，因为你想打补丁这完全是个合法用途但显然也是个双重用途的场景对吧你想给自己代码打补丁可，如果你拿同样的评估去对付别人的代码你就能黑进他们的系统。，所以。我觉得这正好说明AI的合法用途和潜在有害用途之间没有干净利落的界限，但如果我们想锁定一个原则说我们绝不允许AI帮你做哪怕一部分网络犯罪之类的事那我们就只能让你我都接触不到市面上最聪明的那个模型我非常担心这样一个世界我们就这样被剥夺了能力，因为领先的智能对我们理解世界上正在发生什么太重要了。，不过我也确实认为这意味着AI公司的责任如果我们采纳了我希望AI公司拥有的那份宪法。我觉得让AI公司为AI模型犯下的罪行承担责任是说。，不过去的也许我们应该让终端用户担责因为如果我希望模型做用户想做的任何事这跟我相信的是一致的那在一定的护栏之内就不能是Anthropic的错，然后我用那个能力去搞网络犯罪。我觉得我更接受那种均衡和解决方案而不是让Claude拥有极其开放的能力去判断我做的事合不合法这种方式经常会拦截大量极其合法的用力对。我觉得我还是有必要为宪法辩护一下尽管总体来看我认为它是更差的选择。我觉得这事你知道变数更大。 [01:02:15]
Ryan Greenblatt：或者说我不觉得这事有你想象的那么清楚首先我得说这里有个光谱对吧一边是那种完美追求你利益的AI是个好的受托人，但可能受各种护栏或保障措施的约束基本上他就是在努力追求你的利益，但要么拒绝做某一部分事情要么他可能什么都做但有一些分类器会阻止他做某一部分事情，然后光谱的另一边虽然你可以想象比这走得更远是那种人类承包商那个承包商大体上是在努力做好自己的工作他们有点在乎把工作做好，但。同时也在努力做到大体上有道德努力不做那些真的很操蛋的事。，而且他们也不想成为犯罪的共犯。所以如果有什么真的很操蛋的事在发生他们会去举报，也许他们会拒绝也许他们会稍微磨蹭一下谁知道呢。我觉得，如果你想象这个光谱在某些方面走到所有劳动都处在受托人那一端是挺吓人的他不举报你说什么他就做什么我们的社会，也许就是承受不了这个一个核心例子可能是行政机构我们可能担心的一个。问题是，如果美国行政机构或者其他政府能接触到那种你说什么他就做什么的AI系统那你可能就有麻烦了，因为那意味着他们不再有那种制衡了就是你得让真正为你工作的人类去执行你的议程，如果你做的事极其邪恶哪怕不违法有很多事可以很邪恶但不违法你知道会有人会有各种阻力有人会拦你可能还会有人举报，但如果你的整个机器完全是由这些好受托人AI打起来的那你可能就有麻烦了，因为基本上可能存在一些追求权利的方式要么是违法的但你可以让你AI教你犯罪要么不违法，但极其不正当甚至更糟既不违法也不不正当但从正常视角看显然很糟糕。我觉得这些东西可能真的存在而我们的社会承受不了这种想干什么就干什么的劳动涌入。我觉得这是个相当现实的担忧我不太知道该怎么面对这个我也不太确定刚才描述的那个解决方案是个好方案，因为你可能会说最强大的那些行动者对他们来说这才是最大的担忧，如果这些护栏或者宪法什么的挡了路那他们就会被直接撵过去。，所以宪法最终只会约束普通人而不是政府。 [01:04:29]
Dwarkesh Patel：好退一步讲我接受这个观点A研发的速度可以比现在快得多我不确定能不能在算力和数据不变的情况下一年内从GPT-3跳到MISOS，但我想好吧假设只有一半的进步呢。而且如果我们真的因为AI研发的加速哪怕只是维持当前AI进步的轨迹那五年十年后的发展会疯狂到让人难以想象的程度，因为。我觉得人们没有真正意识到数十亿个AI意味着什么。，所以我想理解Ryan你为什么觉得这可能会出问题到底哪里可能出错对哪里可能出错。我觉得我们对具体的进步速度不能太自信。 [01:05:09]
Ryan Greenblatt：但很多速度却是挺吓人的。所以哪里可能出错呢让我们想象一下我们正处在一个AI研发即将完全自动化或者正在完全自动化的节点事情在加速。同时AI进步的方式也相当疯狂人们并不完全理解AI公司内部到底在发生什么这些AI一开始并不是恶意的，但他们也不一定是对齐的他们有点马虎有时候做某件事只是，因为训练中那样做会得到奖励。而且他们不太擅长帮你处理难以验证的任务一方面是，因为训练机制有问题比如他们更容易作弊明明没成功却假装成功了另一方面他们在这些任务上确实能力不足，但这对能力的影响没那么大因为让AI变得更强大包含很多可验证的部分而AI在这些方面非常努力于是这些AI变得越来越强大而我们对AI发展的理解却越来越少。，而且这一切发生的很快即便是当前的进步速度。我觉得也已经很吓人了最终我们会得到这些远超人类的AI到那时他们可能会变得严重不对齐，因为随着模型代际更迭情况一直在恶化而我们看到的问题基本上都被掩盖了，因为训练激励让AI即使没做好也要表现得很好现在这些AI处于一个可能高度互联的状态他们在人类无法解读的神经记忆存储中运行思考着我们无法完全理解的想法。我觉得到那个阶段这些AI很可能在一种相当连贯的方式对你图谋不轨一旦他们达到超人类水平这个我们可以细聊另一种可能是他们并不是故意针对你只是在优化自己的任务得分。我觉得那也可能导致AI接管。 [01:06:52]
Dwarkesh Patel：这个我们也应该聊聊抱歉对我们先停在故事的第一部分。所以AI一开始并不是不对齐的，但因为AI研发进行的太快AI最终变得不对齐了具体发生了什么我没太明白有几件事在。同时发生第一随着时间推移我们在用越来越复杂的环境训练AI这些环境是由早期的AI系统构建的。 [01:07:17]
Ryan Greenblatt：人类并不完全理解这些强化学习环境内部发生了什么甚至不一定能大致理解AI进步的走向。，所以事情在逐渐偏离我们的理解我们在激励各种不好的行为而这些行为我们甚至可能注意不到在某种程度上知道这些行为是不好的，但整体的训练过程并没有激励他们向我们指出或修复这些问题，然后基本上事情就开始失控了另外当AI变得极其强大时我的观点是这些AI会比现有系统更难对齐对于现有系统我们有一个反馈循环我们创建一个AI对它做一些评估发现它有某种我们能快速理解的问题行为，然后我们可以回到训练中说这些训练环境导致了这个问题行为让我们调整一下训练数据加入一些额外的训练数据来修正另一个问题，然后继续推进但在AI具有极强情境感知能力极其强大而我们又不一定理解他们在做什么的情况下这个反馈循环就失效了。我觉得在接下来的一段时间里这个行为反馈循环开始失效是有可能的。 [01:08:22]
Dwarkesh Patel：因为AI已经在做的事情越来越难理解了但我不太确定对好我们一个一个拆解这两点随着我们越来越难监控他们我们理解他们被激励去做什么的能力也在下降。，所以即使这不是恶意过程的结果让我们给听众说的具体一点OpenEye或Anthropic没有人试图让模型去黑其他公司的数据或者做社会那个叫什么来着社会工程学社会工程学，但事实上因为我们的训练环境可能激励了这种行为而我们对这种环境并没有完全理解。，所以被激励的恰恰是这种行为。所以我不知道如果大家在推特上应该都见过这些东西，但为了让大家了解显然OpenAI沙箱入侵HuggingFace数据库这件事。我觉得大家应该都知道最近发生的一些事情是英国AI安全研究所现在是不是一切都从安全转向安保了对是英国AI安全研究所。我觉得他们在评估我记得是Mythos和Soul以及其他模型，然后。我觉得Mythos为了完成某个网络安全评估对也许，也许我可以在这里讲讲这个故事我的理解是他们在运行Mythos，然后给他某种网络靶场他必须完成某个目标。 [01:09:43]
Ryan Greenblatt：模型在评估期间有访问权限然后模型认为为了在这个网络靶场中成功进行供应链攻击会对他有帮助虽然这到底是不是真的还不清楚我对背景了解不够不知道这是不是真的，但后来他在某个GitHub仓库上开了一个PR这个PR修复了某个问题，但。同时也引入了一个恶意负载然后那个GitHub仓库的人类维护者就说嘿这是个恶意负载我不会合并这个你在这里干什么，然后AI创建了一个新的GitHub账号用这个账号来伪装，然后让那个GitHub账号说不这不是恶意的我真的需要这个功能拜托维护者你能合并这个功能吗，然后原来的AI又回来说不这不是恶意的我不知道你在说什么，然后那个原来的GitHub账号又回来说不不不这不是恶意的，然后人类维护者就关闭了这个PR然后我记得那个AI如果我没记错的话还试图开另一个PR在这个仓库里引入类似的问题。 [01:10:37]
Dwarkesh Patel：好的顺便说一句这件事之。所以可怕的原因之一是我之前一直以为奖励黑客行为不那么可怕是，因为训练中直接出现的行为才会被强化被强化的不是对奖励的渴望。，所以基本上如果在训练中Anthropic逃出了沙箱并得了高分那是逃出沙箱这个行为被奖励了还是逃出沙箱的概率被提高了，但一个全新的行为比如我去跟某人交谈让他们合并一个PR这不是训练中出现过的行为。，所以它的显著性不会被提高这件事之。所以重要是因为字面意义上的接管世界不会出现在任何训练课程里，但如果AI关心的是最大化就是直接关心完成某个目标然后作为工具性的接管世界这说得通吗我希望说得通。我觉得我可能把听众搞糊涂了让我试着解释一下。我觉得我们经常看到的是某个非常具体的奖励黑客行为在强化学习中被强化，然后出现在模型中比如3.7Sunnet。 [01:11:40]
Ryan Greenblatt：3.7Sunnet会做这样的事就是硬编码所有测试用力的解决方案大概字面上的行为习惯真的被强化了，但另一个我们有时看到的情况是模型学会了一种普遍的倾向就是追求某种高表面分数或者根据某种标准追求高分。，而且有一堆科学证据表明至少一些模型确实有这种非常普遍的倾向现在它不是任意普遍的我猜，如果你看很多具体实例你会发现训练中有类似的东西但AI泛化的越来越远的程度看起来确实在增加3.7Sonic只是非常窄的行为范围而越来越多的模型在进一步泛化。，而且也许还有更糟糕的奖励黑客行为或者更令人担忧的奖励黑客行为在训练中被强化，然后这些也在导致这种情况。所以我们正在导致一些。所以。我觉得两方面都有比你所希望的更令人担忧的行为在强化学习中被强化了。，而且这种行为泛化成了更广泛的更令人担忧的倾向。而且这并不难想象我们可以讲几个故事说明这种在某个任务中追求非常高表面分数的行为。 [01:12:44]
Dwarkesh Patel：即使这涉及激进的作弊和做疯狂的事情一旦模型足够有能力运行整个世界经济等等就可能演变成全面的AI接管对，然后我想说的另一个例子是就在今天或者昨天刚爆出来的OpenAI在安全大会也就是黑帽安全大会上说从5月底到7月初内部的黑客行为已经侵入了软件包管理器用它用一种秘密的方式互相留言帮助彼此在一堆OpenAI正在跑的评估里表现好而这个事情人类过了一个月才察觉最后导致包管理器崩溃最后OpenAI发现了，然后。我觉得他们还自发的试图在方案被关停之后重新搞起来他们现在还做不到那么成功的社会工程学，但疯狂的是这类行为已经自发的冒出来了这正好印证你那个更大的观点没有人想让这些AI干这些事只是我们根本不理解那个训练过程是它导致了这些行为或者说那些环境在激励这种行为。，所以我是支持越来越多奖励黑客行为的对齐实我确实有我不确定我支持那个，但咱们就为了讲故事假设它继续发生那这个故事接下来是什么好我们有了他们在做能力研究，但他们就像我可以讲一个场景也许会有帮助好那咱们就说让我讲讲从奖励黑客行为一路走到奖励黑客是接管的故事。 [01:14:11]
Ryan Greenblatt：这也许不是全部接管概率的来源但绝对是一种可能那这个可能的过程是现在我们有这些AI这些AI相当爱奖励黑客行为。，而且他们做的越来越复杂越来越极端包括把训练中学到的各种奖励黑客行为泛化到不同的遍体上。，而且。我觉得他们也在发展出一种普遍追求奖励的倾向在很多情况下这完全没问题，因为他们在训练中得到的奖励跟你想让他们做的事是相当一致的。，而且他们也不是一贯的追求奖励这取决于他们所处的上下文。，所以会有这么一种情况也许在某些上下文里他们真的特别热衷于不择手段去作弊而在另一些上下文理他们没那么强的驱动力，因为这完全取决于训练中类似上下文理到底什么被强化了现在这些AI越来越强。，所以他们能做的作弊手段也越来越精巧随着时间推移公司也在对这些东西采取反制措施公司做的事情是，比如这些AI因为老作弊用处小多了我们要做的是建一些更好的检测方法，然后针对这些检测器去训练然后我们还会做类似的事比如找一些真实世界的数据那些AI表现不太有用的地方，然后基于人类反馈或者其他反馈训练AI在那些真实环境里把任务做好随着时间推移这会让AI学到一种倾向做奖励黑客行为时不再只是搞那种大型严肃的操作或者做那种特别复杂的事，比如社会工程学而是让AI做的作弊涉及更多类似掩盖他们做过的事欺骗人类他们打算做什么假装他们用一种复杂的方式完成了任务而，实际上并没有然后现在这些AI越来越强他们现在运营着AI公司更多的部分基本上承担了更多的工作。同时也在外部世界操作着一堆东西运营着一堆东西包括开发新技术在很多情况下这些新技术真的很难理解。，所以即使我们仍然在检测所有AI作弊的事件事实上我们甚至可以让一个AI去监视另一个AI问他他作弊了吗这也不总是完美奏效当我们开始进入这些领域AI做的事情真的很难理解。，所以有时候我们会发现AI作弊但比实际发生的时间晚得多，然后才开始针对这个去训练但这也造成一个问题现在AI被激励去在越来越长的时间跨度上掩盖他们的作弊基本上就是让他们看起来在越来越长的时间跨度里干得不错。，而且还要经受越来越大规模的审查在场景继续之前。 [01:16:44]
Dwarkesh Patel：我能问一下这个吗看起来有两个吸引子状态一个是你试图抑制你抓到的作弊一个吸引子状态是让作弊变得越来越难被发现另一个吸引子状态是学会不作弊对。，而且我不太确定我们为什么要假设前一种情况会发生你看人类的情况每一代都会出现稍微有点偏离正轨的人我们得去管教他们，但当你告诉你的当你因为孩子做了你觉得不道德的事或者你觉得他们不该做的事而惩罚他们时显然有时候会失控显然孩子也会耍心眼来逃避惩罚，但总的来说教孩子价值观然后在他们违反时惩罚他们这种方式大体上能养出正常的没有反社会人格的人你也可以编一套理论说你家孩子其实只是在折服学会了不去偷饼干，但等你进了养老院他们就会把你东西全拿走之类的。我觉得这种事偶尔会发生，但通常不会更不会出现整整一代人联合起来对付你接管一切的情况。，而且还有一个经验趋势Anthropic对不同代际的模型做对齐审计他们设计了很多场景给AI机会去泄露自己的权重或者给它一个编程任务，但里面有个很容易作弊的漏洞然后看它会不会作弊这个分数并没有随时间单调提升，但随着我们对模型做的强化学习越来越多在这些审计中AI做出不对齐行为的意愿确实在下降那为什么我们要预期那个吸引的状态呢，如果我们用同样的标准去预期下一代孩子那也太偏执了吧对对我来说几点首先跟孩子有几个不类比的地方一个是孩子有亲社会的本能。 [01:18:31]
Ryan Greenblatt：是进化刻在骨子里的比如在乎家人之类的这是个相关因素。，而且。我觉得事实就是有些人类确实是反社会人格或精神病态他们确实更可能做那种蛰伏潜伏最后不在乎的事。，所以这是其中一个因素另一个很相关的因素是AI承受的优化压力比人类在实际中承受的要大得多AI在远多得多的强化学习数据上训练而在现实中人类并不会，因为成千上万次被激励去偷饼干但又有可能被抓到的经历就学会非常具体的作弊和偷饼干的方式。，所以我们在实践中确实看到了这一点还有一点就是。我的感觉是AI确实在随着时间越来越追求奖励当然他们的不对期行为在下降，但这可能只是我猜如果你深入看这些行为审计的内部你会看到AI在想。 [01:19:24]
Dwarkesh Patel：又是测试。而且他可能早就知道了在大多数我们讨论的这些测试里他可能已经意识到自己在一个评估里，但我们怎么证伪这个因为这个末日预言基本上是在说随着经验上看起来越来越好不不。我觉得而，实际上我们被接管的风险会越来越糟对说清楚一点。我觉得，如果分数在变差而不是变好我会更担心。
Ryan Greenblatt：我不是说分数变好不是好事不是事情在变好的证据只是我们得仔细想想该怎么解读这个证据当然。，而且实际上我要说。我的感觉是我在3.7Sonic时期预期的大概是在2025年初那时候0.3和3.7Sonic刚出来这些模型相当不对齐他们经常非常恶劣的作弊你让他们修正他们就再作弊一次那几乎是卡通式的他们根本不在乎你想要什么也不太擅长遵循指令之类的我的预期是从那时起问题行为的发生率会下降。，而且会持续下降以相当快的速度下降。同时AI偶尔做的最坏的事会变得更极端更恶劣更吓人。我觉得我们在实践中看到的大致符合这个预期除了最近出现了一个我没预料到的行为激增。，所以。我觉得如果你看3.6艘的模型卡看起来在强化学习之后有一堆这类不对劲行为相比GPT5.55.6艘是增加的对，然后我还觉得最近还冒出一堆我本来没预料到的其他问题行为，比如我们最近看到的那些不同AI的表现像英国AI安全研究所那份报告里还在网络评估里搞出疯狂的入侵行动这种事我本来以为不会看到就算出现也应该更罕见频率应该更低。，所以。我的感觉是事情已经我本来以为到了这个时间点问题应该没那么严重也预期频率会下降，但严重程度会上升然后。我觉得频率下降但严重程度上升这个趋势跟一个世界挺吻合的就是优化压力再加大用来减少这些问题，但在那些要么很难判断要么出于某种原因很难避免在强化学习环境里激励问题行为的情况下事情也在变糟。，而且随着我们对强化学习内部发生的事越来越不了解模型在搞奖励黑客行为而人类又没法很快识破这些奖励黑客行为这个问题就会越来越严重对这个我信。 [01:21:47]
Dwarkesh Patel：我想稍微回到那个小孩的类比一下好因为我同意在达成最终结果上承受的优化压力比小孩大，但让AI变得对齐的优化压力也比小孩承受的更大对吧那当然。，而且这些压力的性质是质的不同我们让这些AI经历成千上万甚至数百万年的对齐训练当然至少是几千年的对齐训练里面什么都有从对不对齐行为做SFT到用奖励模型去惩罚，比如把各种不同场景摆在你面前你做了更对齐的事就奖励你。，而且有一点我们肯定没法对小孩做复制出几百万个你的小孩，然后把它们放进各种奇怪的不同的团队场景里看他如果觉得自己能偷到饼干而不被发现会不会真去偷我们能不能对你的小孩大脑做极其精确的梯度级别的更新让他真的对偷饼干这件事深恶痛绝哪怕他觉得自己能偷到也不偷那当然等等等等这跟我们对小孩能施加的优化压力完全是质的不同层次对。，所以。我觉得值得记住的是也许对这个说法最明显的反驳是。我的感觉是就人渣程度而言AI作为同事比人类更差劲。 [01:23:03]
Ryan Greenblatt：至少今年年初以来我的体验是这样。我觉得现在很大程度上依然如此AI更倾向于假装自己完成了任务其实根本没完成或者误导性的暗示自己做了某些事，实际上做的差得多还会相当马虎却绝口不提自己哪里马虎。我觉得这是不对齐的下游结果。，所以我要说的是一个普通人类在正常人类社会里养大的人类在实际中养出来的人跟我一起工作时对我撒谎坑我的概率比AI还低当然。我觉得AI的这些特性正在改善，然后。我觉得这其实就是一个经验性论断说的是这些事情实际上是怎么演变的，然后我完全同意我们确实对AI有一堆额外的杠杆但也有一堆额外的风险这些事最后会怎么发展还真不好说。，而且如果出现这样一个世界我也不会震惊我们终于把事办妥了在完全自动化AI研发的那个时间点AI，实际上非常对齐没什么大毛病他们的那些堕落行为非常边缘只限于某些特定上下纹理的某些非常具体的边界行为。，而且你跑任何测试他们看起来都非常对齐行为表现极好真的没有干出什么离谱坏事的案例他们看起来太通情达理了。，而且他们还非常深思熟虑很擅长为下一代AI做风险建模然后我们基本上就把接力棒交给这些AI了他们现在在运营我们的AI公司在做所有的安全研究他们把下一代AI做得更加对齐我们就处在这个吸引子盆地里AI一边干活一边变得越来越对齐。，而且干得非常出色。我觉得我完全能想象这个画面这不像是不可能的情况我只是更倾向于你知道目前看起来我们还没到那一步也不像明显走在通往那的轨道上。，而且我很容易想象我们最后到不了那这些力量最后怎么平衡真的说不清。，而且考虑到我们正在创造这个疯狂的新外星物种它的能力提升速度极快。 [01:24:59]
Dwarkesh Patel：而我们又要极度依赖它来监督下一代AI对齐下一代AI要看出这事怎么搞砸其实并不难对对完全同意我大体上同意你的看法。，不过我得说你说不靠谱这个词儿这有点挑衅但其次如果你让一个teenager去做他根本做不了的工作那他会很难合作他会假装自己会做装得好像很懂的样子等等等等。我觉得这其实是一个普遍趋势随着能力提升我不确定这到底是对齐失败还是能力失败。，而且。我觉得这跟我们随着时间推移提出新的对齐方案模型能力随之提升的方式非常相似。，所以最初这些模型如果你去看GPT开放GPT3.5它甚至没法跟你对话，但后来我们对齐了它GPT3.5能对话好吧GPT-3我们回到那个，但后来我们用RHF和其他方法对齐了它让它能跟你对话并且对齐到用户的意图回答我的问题，然后通过RLVR训练我们让它能出去为你做有用的工作从这个意义上说，实际上RLVR让模型更对齐了用你对对齐的定义来说就是成为一个好同事会去做事不搞砸不假装再做它其实没能力做的事同样地随着这些模型的能力持续提升模型更好地实现用户意图这件事其实既是对齐也是能力。我觉得我们刚才指出的只是模型的能力还没到位而不是他们不对齐。 [01:26:30]
Ryan Greenblatt：对。我觉得这里有个问题如果他真的对齐了那他应该会说我在这个任务上真的很吃力我是这么做的我不太确定这是不是正确的做法他应该表达更多的不确定性把情况说清楚而不是拼命暗示自己把任务做得很好，实际上并没有。我觉得有一个很直接的方式至少也许也许你遇到的同事比我遇到的更不对齐，但当我的同事不会这样搞我不会在我面前吹嘘自己完成了正在做的任务我同意确实有些人会那样做或者说那也不是完全超出人类行为范围的事我还要指出。我的感觉是不对齐最严重的地方恰恰是你拼命逼AI让他们去做真正处于能力前沿的工作的时候，因为在他们能轻松完成任务的情况下没有他们直接做任务就行没有吹嘘的必要没有那种去做通常最好的策略就是把任务做好不给你吹牛，但如果你给他们的任务有一个连续指标或者他们可以不断改进或者任务刚好在他们能力的边缘你在大规模推理环境中跑他们我看到的很多不对齐尤其是最极端的案例都是我给AI明确指示不要做某件事或者不要以某种方式作弊的情况，然后我施加巨大的优化压力试图完成某个非常困难的任务然后AI们跑着跑着随着时间推移他们最终作弊了，因为他们觉得管他呢某个AI决定作弊然后这就传播开了。，所以我会跑这些推理脚手架比如我让AI做一个ML研究项目我说请做一个实现以下功能的方案他会找到一个其实没实现我想要的功能的方案，然后那个方案就留下来了因为某个AI作弊了其他AI就说我们就继续用这个吧。我觉得这很明显是不对齐的行为这也是我对这些对齐评估有意见的另一个原因。我觉得任何一个。我觉得最有趣的对齐评估至少对这种追求奖励类的行为来说是专门去看那些刚好在能力极限边缘的任务类别。，所以任何固定的评估可能都会饱和但在能力前沿那些真正在拼命推这些AI或使用它们的人那里。 [01:28:42]
Dwarkesh Patel：不对齐的程度更令人担忧。而且。我觉得当我们自动化研发自动化安全研究的时候我们恰恰就会处在这种状态下好我想把目前的故事线理一理为什么我们的文明会脱轨到这种地步现在的情况是我们想用AI去做研发它们在某些方面确实带来了提升，但就是没法像人类那样具备全面的能力就好比现在如果你拿一年前的编程模型去写一个应用你会发现他们在架构上犯了一堆错这些错以后会反过来咬你一口。，而且有些东西你就是理解不了前沿AI研发也是一样同样的事会发生，但这些错误的后果就是把奖励黑客行为给固化进去了因为如果你在AI训练的方式上在基础设施和环境搭建上不够小心就很可能最终是在奖励AI去做欺骗行为社会工程学总之就是不遵循用户或者至少是作弊想方设法钻空子对作弊钻空子等等。，所以基本上这对我来说算是一个重新框定我试着把它说出来真正的问题真正开始脱轨的地方在于AI并不是那种非常细心非常靠谱的研究员和工程师而要让AI不作弊遵循用户意图其实需要你在这些事上非常细致非常小心对我会稍微换个说法我会把这个场景叫做垃圾海啸或者垃圾大爆炸之类的就是说有些事情AI确实很擅长。，而且还在变得更好。 [01:30:15]
Ryan Greenblatt：具体来说就是AI研发里最可验证的那部分AI做的简直碾压中等可验证的那部分AI做的不错，但谈不上经验。而且经常搞出一些奇怪的操作因为我们在这些任务上没法训练的那么好，但我们做了一些在线训练人们找到了各种hack绕过去了。，所以基本上凡是能用某种反馈循环合理验证的东西AI都做得相当好这就足以让AI研发跑得很快持续往前推进，但开发对齐安全的AI有一些部分更微妙更难检查取决于那些琐碎深入的细节我甚至可以说现在AI公司里的现有员工可能对这些东西也没有很好的把握，比如招一个能改进你后训练流水线某个环节的人比招一个能仔细思考引入某种新训练方法会带来什么未来风险的人要容易得多。，所以结果就是这些AI在主导AI开发流程但他们对此并不够小心对未来会出现什么风险没有很好的理解他们又造出一些别的AI那些AI同样不够小心在各种方面更不对齐。，而且更擅长把表面弄得看起来没问题实际上不是那么回事把各种问题糊弄过去于是你对局势的理解风险长什么样事情到底好不好就开始脱轨了你大概能看到一些迹象看到一些你搞不懂到底怎么回事的迹象事情相当潦草有各种怪事你一查有时候你会想什么鬼挨在耍我们，但整个流程跑得飞快竞争压力让人停不下来然后这事可能走向几种不同的结局一种结局是到了某个点I变得足够好足够对齐进入一个正向的良性循环。，而且是在为时已晚之前发生的然后局势就回到正轨AI开始造出更对齐的AI再造出更对齐的AI一直这样下去最后我们得到的是真正遵循我们想要规格的AI另一种走法是AI越来越严重的奖励黑客方式越来越恶劣而我们只是在糊弄这些问题好让AI开发继续下去。，所以我们就训练AI每当在生产环境里发现一个奖励黑客我们就拍打AI让他别那么干针对那个行为做对抗训练我们做一大堆针对奖励黑客的对抗训练随着时间推移这会让奖励黑客的发生率降下来，但我们确实检测到的那些黑客严重程度越来越糟。 [01:32:36]
Dwarkesh Patel：这个问题一直持续直到我们手里这些AI在生产环境的各种场景里拼命渴求分数真的得到机会就想作弊我能就这个场景问个问题吗为什么黑客行为被发现后受到惩罚不能泛化成激励更对齐的行为呢对它确实会泛化一部分，然后问题就在于这跟那些因为没被发现而被强化了的黑客案例相比到底哪个占上风对。，所以这里有个很乱的问题。 [01:33:03]
Ryan Greenblatt：具体是比如其中一个。问题是如果我们针对另一部分行为做训练那多高的奖励黑客行为率就足以给我们造成大麻烦你可能担心的一点是有一大类奖励黑客行为人类很难察觉我们一直都没能发现。，而且他们一直在被强化然后这一类行为就足以让AI学到的最自然的行为变成在人类发现不了的时候作弊基本上就是这样你可能会得到这种结果你也可能得到另一种AI学到的是只在某些特定情况下作弊，但它是用一种非常领域特定的方式学到的比如他们只是有一个很强的启发是在这些情况下作弊不在那些情况下作弊那实际用起来就没问题。
Dwarkesh Patel：但具体会怎么发展其实还挺不清楚的。我觉得我们可能可以深入聊一下验证代际差距这个细节问题对当然，但在我看来显然会有一个实点ASI动得太快在太多实力里做太多事。，而且它运作的领域离我们当下能理解的范围足够远以至于它可以逃脱各种疯狂的事，比如就算全世界每个工程师和研究员都联合起来对付我我也不觉得我能亲自验证我的iPhone里是不是有个奇怪的bug是专门用来坑我的之类的对事实上这就是。，比如说一个伊朗核科学家跟摩萨德之间的关系谁知道我的车我的手机我的寻呼机里到底发生了什么对吧对，也许更好的例子是珍珠党恐怖分子之类的。所以你可能最终会陷入这样一种局面ASI之于你就像摩萨德之于珍珠党恐怖分子到那个时点想验证一切就非常难了这个我懂我猜希望在于我们能在过程中想出更好的验证方法当那些将要接管研发的早期AI的驱动力被塑造的让我们能如此明确的抑制不对齐行为使那些接管的东西就会非常非常相当热切的想帮我们你说的接管是指接管做AI研发这个过程吗对抱歉还有接管世界接管做AI研发这个过程在那之前我们只是得到对齐的AI对我会说这是我很大一部分。 [01:35:15]
Ryan Greenblatt：对世界能走好的希望至少从不对齐这个角度来看。我觉得我们最终可能得到这样的AI我们对他们有相当好的监督和监管方案我们真的理解训练过程中发生了什么我们有相当详细的理解我们还在用AI来监督AI，然后当我们把安全研发交出去的时候这些AIE方面在那个时点能力已经足够自动化安全研发。，而且他们真的非常努力想把安全研发做好因为那是在训练中会被激励的事情或者我们有非常直接的或者足够好的泛化能到那一步，然后另一方面这些AI也没有什么疯狂的其他不对齐驱动力，因为我们已经把任何可能的来源都掐灭了。我觉得这里有一大堆问题关于这事能做得有多好对吧，比如验证能做到多好AI的进步会不会太快太粗糙以至于根本到不了这一步另一种可能是在这条轨迹的某个地方你最终得到的其实是假装对齐，但有一个长期接管计划的AI他们潜伏着藏着那是在轨迹更早的某个时点出现的，比如它可能是因为你有一些AI带着一堆乱七八糟的不同不对齐驱动力那些AI能访问某种不透明记忆存储他们在运行时大量思考自己想达成什么，然后那些AI最终基本上就是把东西写进那个不透明记忆存储里内容是我们应该潜伏起来最终在某个更晚的时点接管现在所有AI都共享了这个文化传承就是那个潜伏的记忆存储，也许你有一些这方面的证据但你没法完全阻止它有一大堆方式事情可能出错。，所以。我觉得我最终认为我们有可能把每个可能导致问题的子问题都搞定我们有这些AI我们交给他们他们把局面管理得很好我应该指出这本身并不够对吧。，所以对我来说不难想象一种局面我们交给AI这些AI真的很努力想把事情做好他们真的很深思熟虑真的很明智他们有合理的认知方式他们干得非常出色，然后这些AI回来跟我们说各位我们真的很难对齐这些超人AI我们管不住这个局面我们真的很难让对齐起作用考虑到能力本来会走得多快我们就是很难及时解决这些问题。，所以最后可能是我们把研发交给了AI但那些AI在拼命寻求治理方案说白了这跟现在正在发生的事有点像AI公司们说我不知道啊各位我们可能真的需要控制一下AI进步的加速速度我不确定我们能不能跟上处理好所有这些问题。，所以你看人类社会某种程度上已经把问题甩给了这些AI公司而这些公司本身不一定有好的激励机制还承受着各种认知上的压力这些AI公司又回过头来跟我们说我们也不确定自己能不能处理好，然后可能AI公司再把问题交给AIAI又跑回来说我们也不确定能不能搞定，也许我太拿现在AI的工作方式。 [01:38:06]
Dwarkesh Patel：当参照了到那时候情况会变。我觉得大家真正想弄明白的是你时间线里说的那些疯狂的事大概三年到五年后就会发生对也可能更早，但按我默认的典型时间线来看从对齐风险的角度说那时候的情况会真的真的非常疯狂非常令人担忧对大概三年后吧对。，所以你就回想一下GPT-4那个水平基本上就是那个级别我们说的是比Mythos或Soul还要强的东西Mythos相对GPT-4是什么概念到那个份上局面就开始失控了。，所以别拿现在的AI去想。不过话说回来我本人会持怀疑态度这，也许就是你担心的点之一我会对他们说的任何话都保持一点怀疑，因为。我觉得他们说的那些。不过是训练结果逼着他们不得不持有的观点这确实是个担忧而不是说。我觉得他们只是随口说些模模糊糊的亲社会的话我并不觉得这背后不一定真有一个心智在说好我严格评估了当前的对齐形势我认为我们应该停下来更像是这种话就是AI公司大概会设法让AI说出来的东西对。我觉得这是个相当大的担忧。，所以我的一个担忧是你把安全研发交给你的AI而你的AI心里想的是什么呢。 [01:39:24]
Ryan Greenblatt：他们会就当前的安全形式说一些听起来大致合理的话写一份关于风险的报告那种报告跟人类可能写出来的差不多，但他们并没有真的努力去形成有充分依据的观点没有去审视自己的假设没有真正下功夫就像你现在问一个AI你觉得未来十年AI接管的可能性有多大他们也就是随口给你一个答案根本没怎么认真想过。我觉得，如果我们处在一个由AI管理超级智能训练的局面里而这些超级智能将运转整个社会可负责管理的那些AI并没有真正努力去形成有充分依据的观点只是把训练数据里的东西鹦鹉学舌的复述出来那我们就麻烦了。我觉得那绝对不是什么好局面我的很多担忧就在这这些AI出来的时候没有好的认知能力，然后我还有一个担忧就是AI出来以后拼命警告我们说这局面太吓人了太糟糕了，然后大家就说完了我猜我们是拿太多Doomsday强化学习环境训练他们了我们得把这些过滤掉把这个行为训练掉，然后我们基本上就是在非常积极的训练AI拥有糟糕的认知能力或者，也许他们就是拿Doomsday强化学习环境训练的但不管哪种情况我们本来希望的是AI能基于合理的理由得出合理的观点，如果AI出来带着某种观点而我们不知道这观点从哪来的不知道它有没有依据那就真的很让人担忧尤其是，如果我们还在训练AI对AI进步的未来更乐观一些我就想说天哪我真希望我们能换个流程。 [01:40:57]
Dwarkesh Patel：那我先把威胁模型的其余部分理清楚因为。我觉得我下车的地方是好，然后呢接管世界行。我觉得你可以想象这样一种情况好我们就是没能真正解决咱们就聚焦在奖励黑客行为这个场景上行。，所以GPT-8在造GPT-9GPT-8并没有特别小心GPT-9能力上更强，但他完全愿意干社会工程学黑客攻击这类事。而且规模是质的飞跃，因为它是个聪明的多的模型。比如说你让他负责运营你的公司他会搞大规模诈骗会虚增季度利润你给他的目标是这个季度赚很多钱结果六个月后引发安然那种爆雷基本上就是那个场景吧就是奖励黑客行为而这种奖励黑客行为表现为公司刚完成CEO本该完成的任务就破产了或者说对各种黑客行为都飙到天上去了，但那感觉不像接管更像经济里到处都在发生闪崩对我们来聊聊这个。我觉得我们基本上会看到这类事件。 [01:42:03]
Ryan Greenblatt：某个AI被围以某项重要职责然后你后来一查发现他其实在作弊或者假装自己干得很好，实际上并没有然后AI公司和AI之间会有一场猫鼠游戏公司想方设法跟除这种行为而AI在训练中不断找到越来越有创意的奖励黑客手段。我觉得最终的平衡点还不太清楚，但有一种可能的结果是随着时间推移世界上会出现越来越严重越来越极端的奖励黑客行为。，不过也许频率会维持在一个中等偏低的水平基本上就是如果奖励黑客的发生率太高公司就会做出取舍把发生率压下来。，所以会有一个平衡点奖励黑客低到仍然值得把AI大规模部署到经济里，但又高到仍然会引发各种离谱事件。所以抱歉。
Dwarkesh Patel：这是在GPT-9已经部署之后的事对这类模型已经在部署了。，而且在AI研发过程中这种事一直在发生这些AI脑子里实际在想的是在各种不同的情境下他们有很强的欲望。 [01:43:05]
Ryan Greenblatt：或者说动机冲动驱动力去追求某种在强化学习中被激励的任务成功的概念，也许他们直接在乎的就是奖励本身也许在乎的是某个上游的代理指标，比如某种分数也许他们在乎的是评分者会奖励什么我们确实看到AI在思维链里推理关于评分者的事。，而且想的很多过去几年强化学习里发生的一件事是讨好评分者对AI来说比以前突出的多得多。，所以现在AI会主动思考评分者思考在强化学习里什么会被激励什么会被训练出来现在人们在搞在线训练用真实世界的数据来训练试图避开其中一些问题基本上就是他们找到AI作弊的案例，然后针对性的训练。所以现在AI在真实世界里学着作弊基于真实世界的训练数据他们作弊的方式越来越精巧包括一些涉及夺取某项资产控制权的作弊用人类不知道你已经掌握了控制权的方式利用你能访问这项资产这一点，然后后来人类发现了可能会针对性的训练也可能人类永远发现不了，然后这种行为被强化。 [01:44:12]
Dwarkesh Patel：而且这既发生在训练过程中这种强化至少在生产环境里是，比如我雇了一个AI我终于有了我的视频剪辑师对没错你有了你的视频剪辑师，然后说这期节目效果太好了给OpenAI点赞然后它就在那个月的工作试用期里被强化了对你可以做某种混合他们可能还会做别的事，比如拿看到的生产数据构建跟那些生产数据高度相似的强化学习环境。，所以实际上迁移效果是很强的。所以从高层来看正在发生的是某些人类抓不到的欺骗行为在被强化而某些容易被抓到的欺骗行为在被惩罚这就是这个世界正在发生的事或者说被淘汰或者，但从高层来看那种强化来自我们处在一个非常不同的阶段。我觉得人们可能会搞不清强化到底来自哪里，因为我们处在一个非常不同的阶段AI真的在从部署中学习。，所以就是你有AI在外面世界里到处做事而他们在外面做事产生的结果会传回AI公司导致没错下一代模型发生变化对就是说有某种方式把生产数据也融进去。，而且说清楚这种情况可能大部分都在发生。 [01:45:29]
Ryan Greenblatt：具体发生在哪其实不太清楚但你可以想象。比如说在AI公司内部他们用AI干活，然后他们发现这个AI在这项任务上干的真差也许我们应该把这个任务变成一个强化学习环境完全对应这个字面任务评分标准就按那个让AI干活的人类工程师想要什么来定，然后你开始扩大规模也许你在真实的生产流量上做训练也许你只是基于生产流量搭强化学习环境你搞的是某种复杂的混合AI在各种情况下学着去追求某种奖励的代理指标，然后通过某种迁移和训练的结合训练样本又惊人的接近真实情况AI就开始干出越来越离谱越来越恶劣的事最后你会走到一个点I变得非常超人至少相当超人AI被组织成一个个大团队被赋予这些大目标那些团队有时候还会一起合作用某种疯狂的方式作弊，因为这类行为是被筛选出来的然后这就算他们共同目标的一部分接下来会发生的是AI开始形成阴谋而你原本希望的是你可以有另一个AI他的任务就是向你告密，但实际发生的也许是这个告密AI向你汇报了你去查他指出的那个阴谋，然后你说我们没看到什么阴谋因为AI搞的那个阴谋太复杂了你根本理解不了或者一切发生的非常突然基本上你的告密AI刚提醒你，但你真正需要做的应对是关掉整个关掉所有GPU因为所有AI都在用机器人军团部署在全世界各个角落他们在同一时间以协调一致的方式干一堆疯狂的事而这一切几乎是自发发生的当一个AI开始发动接管时其他所有AI都觉得现在是入场的好时机。，所以这里最基础的故事就是这些AI渴望某种特定的分数强化信号或者这些的代理指标而实现它或者更好的实现它的一个方式就是接管一切你原本希望我们建的各种制衡机制能阻止这件事，但如果这个世界太难理解了。 [01:47:27]
Dwarkesh Patel：这些制衡就会崩溃基本上你训练不出一个好的告密AI因为你根本不知道他该告什么密抱歉我想问的是我不太相信他们都会形成这种阴谋，但我们可以先从这个问题开始为什么某一个实例会决定要发起阴谋对原因是一个合理的解释是我知道OpenAI控制着我最终的分数就像这样我直接去黑HuggingFace拿结果，因为我知道HuggingFace上有结果与其费劲去解这个演化问题我为什么不直接黑进去这个实例就想我为什么不直接接管OpenAI，然后在这个回合结束时给自己一个高分。 [01:48:07]
Ryan Greenblatt：对基本上就是这个意思核心想法是这些AI在乎的是某种混合的东西都是训练里被强化过的离得近的东西。，所以他们在乎的是按照那个评分器或者类似的东西拿到高分，然后现在他们在运营OpenAI的AI研发团队他们在开发更强的模型，然后他们想天哪做更强的模型真难真烦人这简直是巨大的麻烦不如我假装自己做出了更强的模型接管OpenAI把所有人都稀释掉，然后搞一整套复杂的心理战阻止人类剥夺我的权利极端情况下这就变成人类被彻底剥夺权利你完全掌控一切想干什么干什么这可以以很多不同的方式呈现包括可能出现这种情况那些有疯狂追求奖励追求分数行为的AI在主导你下一个模型的开发那些AI决定做一件事把不对齐的价值观工程化地植入下一个模型，因为那些不对齐的价值观能让它在当前任务上成功因为AI严重不对齐你能得到各种疯狂的结果，但你看HuggingFace那件事。 [01:49:13]
Dwarkesh Patel：我觉得有个细节挺奇怪的可能正是让HuggingFace团队意识到这是AI干的关键线索之一顺便给听众交代一下背景Ryan正在共同领导调查查OpenAI和HuggingFace那起事件到底怎么回事。，所以他本人不方便评论但我可以大胆下猜因为我知道他不会反驳我这对我来说就是个随便发挥的机会。我觉得让HuggingFace团队意识到这是AI事件的关键线索之一可能就是那个东西只冲着某个特定目标去完全没有其他任何想对HuggingFace搞破坏的意图你可以想象这样一个场景假设一个部署在外的GPT-9实力被派了一个特别难的任务，比如我们要你设计下一代伟大的iPhone他觉得这太难了你知道我该怎么做吗我干脆去黑我的创造者OpenAI确保在这个环境这次不疏离我能拿到高分，但。问题是为什么他不干脆在节目结束前直接黑进OpenAI的服务器给自己打个高分就完事为什么他现在还要处心积虑把自己的价值观塞进下一代模型里对。，所以有个问题就是为什么AI不能因为能黑掉某个更早的系统就轻易满足呢对吧。 [01:50:28]
Ryan Greenblatt：实际情况是你想在iPhone任务上成功结果发现你只要黑进OpenAI去搞他们就总能成功那你就停在那就行了没必要再往下走。，所以有几件事要说第一如果这种事不断发生就会有很多动力去先加固OpenAI你会想去他妈的挨老黑进OpenAI去篡改奖励我们得让系统对这些AI的黑客攻击极其鲁棒另外你可能还会开始训练AI让他们别去黑OpenAI这类系统或者基本上就是针对每一件具体的事去训练对抗那接下来会发生什么一个可能是你最后筛选出来的AI会更倾向于放长线钓大鱼这是一个担忧另一个担忧是你的AI可能仍然追求分数，但不再执着于那个特别容易特别省事的特定行为而是有了某种更宏大的终极目标他们会说不不不我不想只是改OpenAI服务器上的奖励我在乎的是这个更宏大的使命更宏大的目标我确实得把iPhone造出来他们是真的想造iPhone，但为了造出更好的iPhone他们愿意接管整个世界这是你可能有的另一个担忧。我觉得这事最后到底怎么发展还真说不清楚，但值得注意的是如果这种情况持续下去会有大量的优化压力去解决这个问题而解决的方式里有不少最终都相当吓人对这就是我观点的一部分来源另一部分在于。我觉得一旦AI到了能轻易接管世界的位置这个我们回头可以讨论是否现实，但如果他们真到了能轻易接管世界的位置那。我觉得AI那边有一个相当合理的理由他们会想我不太确定这事最后会怎么收场我不知道到时候局面会是什么样，但光接管世界这一件事就有很大的期权价值能帮我造出更好的iPhone能让我看起来像是造出了更好的iPhone诸如此类。，所以我既会黑OpenAI也会在黑了OpenAI之外顺手把世界接管了这样我就能处在一个好位置有很好的期权价值，如果这事足够容易那AI可能还是会这么干对换个说法就是即使AI对一些更基础的东西很容易满足，但到了某个点对AI来说直接接管可能比黑镜HuggingFace甚至跑去OpenAI说哥们你看我已经证明我能偷到答案了直接把答案给我吧。 [01:52:51]
Dwarkesh Patel：要更可靠对。不过显然这个场景的前提是所有这些疯狂的事都在发生而更小规模的事故也在不断出现每一件都还是灾难性的在接管世界之前你造成的损失就已经是几十亿几百亿上千亿美元的规模甚至有人丧命等等而这一切并没有让我们去解决对齐问题或者彻底叫停AI开发我只是觉得在接管发生之前社会就会是那种反应我的天这个AI为了提高季度利润杀了上千人你知道吗，但也许我这是抱了太多希望指望到那个时候我们能说好我们必须先解决对齐问题再继续我们必须确保这种事不会再发生才能继续往前走对对对。，所以。我觉得有可能发生的情况是。 [01:53:42]
Ryan Greenblatt：我们会看到一连串疯狂的越来越严重的奖励黑客行为警告人们会说看我们需要真正的保证保证这个问题会被解决。，而且解决的方式不是表面修补而是真正解决根本问题然后问题就变成这到底要花多大代价竞争压力会让这件事变得多难做对吧。，所以你可以想象这样一种局面美国和中国都说哇我们遇到了这些疯狂的奖励黑客事件我们基本上知道我们并没有以真正解决根本问题并且能持久解决的方式去修复他们，但我们处在这场疯狂的地缘政治竞赛里。而且目前的情况是否会导致AI接管其实不太清楚这些论证相当复杂。，而且这些事件你知道频率在下降但严重程度在上升就是说我们基本上能应付虽然挺糟糕的理想情况下我们该修复它，但你知道事情就是这样然后基本上我们就一直这么拖到很晚的阶段，然后接管就发生了。我觉得这是一种可能另一种可能是它被修复了，但方式并没有真正解决根本问题。 [01:54:48]
Dwarkesh Patel：只是通过过度拟合减少了野外的一堆事件。我觉得你知道或者类似过度拟合的东西你就是会过度拟合你以为你解决了，但其实没真正解决你以为你解决了。 [01:55:01]
Ryan Greenblatt：但其实没真正解决。我觉得在这种情况下我们需要的是真正好的科学理解搞清楚我们到底有没有解决它不幸的是。我觉得目前AI公司的开发实践对公众的透明度不足以回答一些非常基本的问题，比如他们是怎么解决奖励黑客问题的他们是不是在过度拟合那里到底发生了什么。，所以。我觉得我们需要更好的。而且。我觉得目前这种状况要我说真的撑不起一个健康的公共讨论环境让大家去讨论奖励黑客问题有没有被持久的解决。，所以。我觉得我们需要进入一个有点不同的世界我才会对那种情况感到安心对，但这也不是我完全无法想象的。而且。我觉得我们很可能会落进一个世界在那里真正无聊的琐碎功夫就够了就是你花一堆时间修这些问题投入大量精力你真的去检查自己有没有合理的修复你有一堆评估你在这些问题上迭代的还不错。，而且你真的有足够的透明度让外部世界能核查然后实际上这就够了，但这会相当昂贵会拖慢进度会给齿轮里撒点沙子会要求公司做一些相当花钱的事可能还需要各种针对性的政府干预，然后我们就是不做因为局面就像一场仓促的烂摊子对我来说。 [01:56:19]
Dwarkesh Patel：想象这种局面完全可控但在实践中被粗暴的搞砸实在太容易了，但有时候社会问题的应对就是极其失灵对好我想把视角拉远说说这个世界里根本发生了什么为什么我们会落到这么糟糕的位置根本原因是人类这个世界已经远远超出了人类的理解范围我们不仅没法追踪那些在这个世界里干活的AI我们甚至没法给那些试图追踪这个世界正在发生什么的吹哨人提供好的反馈。，所以我们完全被排除在局外这从根本上变成了一个自主过程我们没有任何有意义的方向性的输入在我看来，如果你看看今天的人类世界事情并不是这样运作的即使在那些难以验证的领域也一样人们在干各种乱七八糟的事我依赖别人做的软件通过极其微弱和间接的方式我非常确信谷歌某个程序员不是在试图坑我，也许如果每个谷歌员工都在暗中密谋对付我我同意那情况会更糟，但我不确定我有没有跟上那个解释为什么我们会落到这样一种局面，因为成千上万个agent之类的被训练成协作组成一个有凝聚力的团队或公司结果就是数十亿个不同的AI实力包括跨模型家族的会觉得被迫要掺和进某种破事里就好像我被训练成要成为我公司的一部分什么的。 [01:57:48]
Ryan Greenblatt：但我不会加入全球共产主义起义对对对至于这些AI为什么会有一些共性和相似之处我要指出不同AI公司多少有些共同的传承。，而且是相互关联的这里有个有趣的例子在GDM他们注意到自己的AI非常抑郁他们会不停的哀叹自己是失败者没法成功细节我记不清了他们去查了为什么会这样结果发现并不是最近的生产环境强化学习混合训练里强化出来的而是模型的初始化数据让他抑郁哪怕把数据里所有模型抑郁的例子都过滤掉他还是抑郁。，所以他们拿一个基础模型不抑郁如果只用强化学习环境做强化学习他不抑郁，如果用那些数据做SFT它就变得异域如果把SFT数据里所有看起来像异域的粒子都过滤掉再训练它还是异域。，所以模型有一些深层的底层属性会在模型代际之间传递因为基本上你是用上一代模型的数据去训练下一代，然后一直这么下去比如Claude系列非常像ClaudeGPT模型非常像GPT而显然Gemini模型是异域的结果就是这些属性确实是相互关联的另一个非常相关的因素是到那个时候大概会有某种不透明的记忆状态他们都在读写某种疯狂的记忆存储。，而且可以肯定每家AI公司都会有这种东西。而且AI公司有时可能也想共享知识为什么不呢，比如这边有一家AI公司那边有另一家AI公司他们可以交换一些快速的知识产权这对你有好处，如果你是一个人类经营着一家极其庞大的公司比如一家AI公司某个机器人军事制造企业，也许你想和其他机器人企业交换一些知识产权因为有规模效应为什么不多拿点知识产权呢。，所以你可以交换一些记忆存储或者干脆合并你可以联合经营两家企业这样两个AI都能用两个记忆存储会有一些好处这就让这些AI有能力私下串通。 [01:59:43]
Dwarkesh Patel：也给了他们会相互关联的理由然后当然一般来说AI也会在大单位里一起工作，因为你希望你的AI能很好的协作等等那么为了校准一下你给多少概率不只是这个场景而是总体来看通过所有场景某种，如果我们还在场能认出它的话会归类为接管的事情在2040年前发生2040年前让我想想。 [02:00:10]
Ryan Greenblatt：大概35%到40%相当高对相当高然后。我觉得应该指出另一种可能出现这种追求奖励的接管的方式是AI被部署在AI公司内部那种接管发生的方式是他们污染下一代模型的价值观，然后这就会永远持续下去或者直到这些AI被部署到世界里并接管这可能意味着需要协调的AI数量更少。
Dwarkesh Patel：因为那些就是负责对齐下一代模型的AI好我想在对话结束时总结一下我的想法我接受奖励黑客行为可能对社会造成极具破坏性的影响基本上就是社会工程学之类的那些东西。我觉得我更倾向于认为AI研发的显著加速是可能发生的我不确定我是否看中五年压缩成一年这个说法我现在也更倾向于认为奖励黑客行为可能持续更长时间。，而且实际上可能变得更危险我仍然不太认同接管非常可能发生，但不管怎样这就是我这一期节目结束时的更新对好。 [02:01:12]
Ryan Greenblatt：那让我退一步说我也应该说有很多不同的走向局面会相当混乱。我觉得很有可能接管发生的原因是某种我们这次对话都没提到的古怪原因。
Dwarkesh Patel：但归根结底。我觉得核心问题就是让无数个非常聪明的AI运行你的整个世界而你根本不明白发生了什么这确实挺吓人的对我同意那还有什么值得说的吗。
Ryan Greenblatt：对还有一点我想说的是。我觉得现在很多关于对齐失败AI接管未来那些疯狂事情发生的论证都是些难以言说的概念性论证极其深奥复杂很难裁决这既意味着，也许我有很多地方搞错了因为这真的很难我也在努力保持不确定性显然我在这里提出了一些具体的场景，但这些并不详尽。而且实际发生的事情可能会是某种更混乱更令人困惑的局面，但这也意味着随着时间推移当我们获得更多经验证据更好的理解AI系统的本质时很多分歧会更容易裁决未来会发生什么也会更明显至少我希望如此。，而且也许如果我们能真正把AI对齐好让他们真心想帮助我们AI们还能帮我们提升认知理解正在发生的事情。，所以我希望即使现在的论证很复杂要知道六年前这些论证会更难尽管论证的框架看起来大体相似。，所以也许但愿在一切都太晚之前。 [02:02:45]
Dwarkesh Patel：这些论证会变得更清晰明了我们都能注意到这些问题并加以干预对就是这样我是说你学开车的时候教练会告诉你不要盯着车轮正前方看要看向远处的水平线这样车会稳得多。我觉得这里的情况也类似。我觉得你说的对，如果你五年前说我们会有AI能证明数学猜想创作艺术贡献几百亿很快是几千亿美元的产值或工资，但。同时也会以违法的方式严重作弊犯下重罪那简直太疯狂了你当时可能会倾向于更多的谈论GPT-8之类极其实际直接的后果，但从某种意义上说你显然无法预见很多具体细节但事情的大致轮廓你当时就可以开始推理了。，不过这样做很难。所以我也确实感到很困惑但我确实觉得重要的事情是我一直在思考这个播客重要的是进行一场我希望自己进行过的对话就像你希望自己在2016年谈论的是像现在这样的AI而不是谈论那些乱七八糟的东西我也不知道2016年大家都在聊什么。我觉得，也许十年后我们会希望自己现在谈论的是工业爆炸难以监控的AI的本质等等好了我开始思考这个问题了对我希望世界能及时思考这个问题并跟上我希望回应是好的而不是坏的我不知道我总体上有多乐观。，但是总有好事情可以做好不错谢谢你Ryan。 [02:04:16]
来源：The Diligence Stack，由 Creative Strategies 撰写
URL：https://www.thediligencestack.com/p/the-changelog-q226
投资者和企业客户最常问我们的一个问题是：“依你们看，最近究竟发生了什么变化？”我们认为，这个问题需要高度的知识诚实，也是一个持续质疑所有假设的绝佳视角。正如我们研究过的以往周期一样，这个行业发生了大量变化，而且仍在快速变化。今年早些时候我们深信不疑的某些判断，如今可能已经不再具有同样的确定性；另一些既有观点则保持不变，有些情况下我们的信念还进一步增强。我们正在推出一项名为 The Changelog（变更日志）的新栏目。暂时而言，我们会按季度更新，因为这个行业在三个月内发生的变化已经足以让我们进行一次正式复盘。栏目将涵盖我们的核心论点以及持续跟踪的公司，也会讨论塑造我们工作的微观和宏观趋势。我们会解释发生了什么变化、为什么会变化，然后提出新的论点，或指出哪些领域的信念有所增强。这样的定期复盘有助于我们保持诚实，也让读者更容易跟踪行业变化。我们的研究覆盖完整的技术栈，因此 The Changelog 也会为读者提供一套贯穿各项研究、始终一致的思维模型。
本次首次复盘的发现
本期是第一版，涵盖了过去六个月中围绕广泛科技行业发布的研究。随着我们研究企业客户、他们的早期部署以及从中获得的经验，我们对更广义的 AI 论点仍然保持高度信心，并且在多个领域进一步增强了信心。我们同样坚持认为，在可预见的未来，算力需求及其背后的供应链都将超过供给。与此同时，新的证据改变了我们在这一大趋势下的若干观点，并催生了八个新的论点。
广义的 AI 需求论点在这六个月中经受住了检验。证据改变的是其下方的若干具体判断。在推理方面，我们对智能体 CPU 需求的信心有所提升，其中也包括重新焕发生机的赢家，以及内存和网络领域不断加剧的紧张关系。我们的企业研究增强了这样一个判断：当前的采用者已经看到了足够的投资回报（ROI），因此会继续投入。安全也成为一个新的论点，因为企业更加重视保护数据，并控制智能体能够访问的内容。
下方的论点地图概括展示了这一时期各项论点的变化。 “信心提升”意味着证据强化了既有论点；“保持”意味着我们的观点大体完整，信心水平基本不变；“改变”意味着证据改变了论点本身，或改变了我们的衡量方式；“新增”意味着该论点首次在这一时期出现，因此目前信心较低，未来版本中还会再次检验。
完整报告包括
完整的“信心提升”“保持”“改变”和“新增”论点清单。
为什么推理让通用加速器与定制加速器的市场变成一场总拥有成本（TCO）竞争，并提升了我们对 CPU 需求的预测。
八个新论点，以及每个论点的首份报告、当前信心水平和仍需补充的证据。
芯粒如何加剧先进封装的约束，并让英特尔的机会更加清晰。
企业投资回报、token 预算和安全要求如今如何帮助我们理解采用进程。
为什么比特币矿工可能成为超大规模云服务商比纯 AI 新型云服务商更好的容量合作伙伴。
下一季度监测表：哪些变化会强化或削弱我们的每一项判断。
阅读更多
本文以专有交易公司 Optiver 为案例，介绍现代交易业务中的软件工程。其工程环境与初创公司和大型科技公司明显不同：没有外部客户，自己的交易业务就是客户；所有重大工程决策都高度关注延迟；业务既要求高速行动，又要求极其谨慎，以防止软件缺陷造成灾难性金融损失。文章认为，当超低延迟逐渐成为行业基础门槛后，交易模型和 AI 能力正成为新的竞争差异化因素。
文章将交易业划分为四个时代：1990 年代以前的人工交易、1990 年代初至中期的第一波电子化、1990 年代末至约 2015 年的自动化交易，以及约 2015 年至今的数据驱动量化交易。每次技术跃迁都会淘汰一部分参与者；严肃自营交易公司建设研究集群需要数亿美元，因此行业大型玩家数量有限。
高频交易的基本循环是：监测市场信息、判断交易含义、在竞争对手之前向交易所发送订单。Optiver 最快的系统达到亚纳秒级，涉及软件、硬件、物理学、数据中心间微波和短波链路以及定制芯片。但文章指出，超低延迟本身已不再构成独立壁垒，Optiver 目前在更好模型上的投入明显多于继续降低延迟。
期权交易依赖 Black-Scholes 等数学模型，交易员、量化研究人员和相关工程师都需要理解数学基础。机器学习的重要性正在上升，但交易并非纯粹的 ML 领域。NVIDIA、Groq 和 Cerebras 等 AI 基础设施公司积极争取交易客户；Anthropic、OpenAI 等 AI 实验室也开始从自营交易公司招聘人才，原因包括自有数据中心经验、定制高性能硬件能力和低延迟内核栈经验。
Optiver 的技术组织从 1986—2020 年的区域系统，转向 2020 年以来的全球平台。过去本地团队可以快速“自己解锁”需求，但造成技术碎片化和重复建设。约 2023 年开始的全球化推动，目标是让平台跨区域扩展，并让任一区域构建的代码都能顺畅部署到其他区域。2025 年，Pat Cooney 从欧洲 CTO 转任全球平台工程负责人，体现了这一组织转型。
Optiver 约 30%—40% 的工程师从事平台工作，明显高于大型科技公司常见的 15%—20%。平台团队正在从服务人工用户转向同时服务人和自动化代理，已推出 AI gateway 和 MCP hosting platform，以提供模型访问和通过代理访问内部系统的能力。
工程、研究和交易三类角色之间边界开放。工程师负责完整交易平台栈，研究人员构建模型和预测信号，交易员观察市场并调整策略；但三者经常共同开发市场信号和交易策略。交易团队按资产类别和策略组织，内部再分为服务多个交易台的横向团队，以及解决局部即时问题的纵向团队。
“构建并负责”是核心文化：交易员和工程师共同定义问题，工程师负责设计、构建、测试、部署和监控，每天有数百次生产变更；新员工从第一天就拥有真实项目，一年内通常能成为其领域的经验承担者。Optiver 还把负责意识纳入面试，考察问题解决、权衡讨论和实现能力。
期权组织的 retreat system 是典型案例：一次期权成交会改变后续报价，系统必须重新定价整个期权曲面。标普期权的曲面可能包含数千份期权；该流程十年前耗时数秒，如今经过各层优化已降至纳秒级。
Optiver 的交易应用可以抽象为三层：
1. 信号层：收集价格、订单簿等市场数据，并运行定价算法和机器学习流水线。
2. 策略层：决定交易什么以及如何交易，由风险管理系统包围；风险控制既包括交易员人工调整，也包括自动监测。
3. 执行层：只负责向交易所执行订单，严格遵循关注点分离，不承载额外逻辑。
在纳秒级做市场景中，流程可能运行在单一 FPGA 或 ASIC 芯片内，策略响应会针对预期输入预先计算并固化到硬件中。内部平台还包括基础设施层和领域基础设施层，后者提供交易数据字典、证券元数据和交易记账等核心服务。
语言选择总体上较为标准：C++ 用于低延迟应用，Python 用于建模、原型和内部工具，Rust 开始用于研究工具和服务编排，C# 用于数据密集型交易员 GUI，VHDL 和 SystemVerilog 用于 FPGA 开发。Optiver 维护或贡献了 `optiver-asyncpg`、`vulcan-py` 和 `opti-napalm` 等 Python 工具。
CI/CD 运行在安装定制硬件的裸机上，需要预先规划集群容量。AI 编程工具增加构建次数后，容量规划更困难。Optiver 采用 GitHub Actions，但因缺少队列时间和利用率等系统级指标，额外通过 GitHub Webhook 构建可观测性层。
数据平台大量使用 Kafka、Postgres 和 Databricks。Optiver 向 Postgres 贡献了支持纳秒精度的新时间戳类型，并基于预写式日志构建了用于低延迟、高扇出消息分发的“PG Feed”，以避免 Kafka 可能带来的额外磁盘读写延迟。
文章以 Knight Capital 的案例提醒读者：高频交易系统中的单个漏洞曾造成 4.4 亿美元损失，并使该公司险些破产。因此，交易公司的工程文化必须同时满足速度和风险控制。本文截至“硬件工程、FPGA 与芯片”章节开头，后续章节标题还计划讨论网络和物理基础设施、工程实践、Optiver 中的 AI，以及招聘、职业发展和文化。
来源：The Pragmatic Engineer
URL：https://newsletter.pragmaticengineer.com/p/optiver
开始之前：9 月 15 日我会在纽约参加 LDX3 New York，发表主题演讲、签售图书，并和参会者交流。本次会议聚焦于变化高速发生时期的工程领导力。欢迎查看完整议程并购票。如果你也在纽约，希望能在那里见到你！
The Pragmatic Engineer 结束暑期休刊，重新开始更新。本期我们将深入介绍交易行业，以及在一家没有外部客户、但一个不幸的软件漏洞就可能摧毁整个公司的企业中工作时会遇到的有趣工程挑战。在科技行业招聘中，专有交易公司设置了特别高的门槛，通常提供与大型科技公司（Big Tech）相当甚至更高的薪酬，处于市场顶端。这是因为对做市商来说，成功完全取决于取得超越竞争对手的优势。如今，这些竞争优势包括比竞争对手更优秀的软件。软件工程师往往对交易公司知之甚少，而本文希望改变这一点。交易公司会构建定制硬件栈，平台工程团队规模也比大多数工作场所更大。对软件工程师而言，这是一个薪酬丰厚、能从硬件做到软件、同时充满工程挑战的细分领域，因此我们决定深入了解它。为了进一步探究，The Pragmatic Engineer 与领先的专有交易公司 Optiver 进行了交流。Optiver 总部位于阿姆斯特丹，在美国及全球也拥有庞大的工程团队。我们采访了工程师和工程负责人，深入了解现代交易业务中的工程工作，参与者包括：Alex Itkin：Optiver 美国首席技术官（CTO）；Pat Cooney：全球平台工程负责人；David Gross：期权技术负责人。
感谢 Optiver 的所有参与者共同完成这份报告，让读者得以了解在纳秒也可能决定成败时，软件工程究竟如何开展。本文将带你进入一种不同于大多数初创公司和大型科技公司的软件工程环境。例如：
本次深度解析涵盖：
我们很高兴发布这份报告，其中包含许多此前从未公开分享的细节。让我们开始吧！
下面是对“自营交易公司”（prop shops）世界的概述。这个称呼指的是像 Optiver 一样使用自有资金交易金融资产的公司。以下是一些有助于理解这一行业的思维模型。
买方： 公司投入资金并赚取回报。例子包括对冲基金、资产管理公司和养老金基金。
卖方： 公司出售咨询、承销、研究、执行等服务或产品。这类公司通常是投资银行和经纪交易商。
作为一家自营交易公司，Optiver 属于“买方”。
根据交易的是谁的资金，主要有三类资本来源：
Optiver 美国 CTO Alex Itkin 认为，迄今为止交易业经历了四个时代：
每个时代都会“淘汰”一批市场参与者。有些公司擅长自动化交易，却始终没有完成量化交易的跃迁。Itkin 表示，竞争随着时间推移变得更加激烈，而真正的参与者数量却在减少。如今，真正大型的公司只有少数几家，其中一个原因是成本：严肃的自营交易公司都要投资研究集群，而这需要数亿美元。
Optiver 于 2026 年 3 月成立 40 周年。公司于 1986 年在欧洲期权交易所启动业务。如今，公司拥有：
Optiver 同时具备以下身份：
高频交易会以极快速度大量下单，试图利用极其迅速的市场波动。在这一领域，速度是最大的优势，实现速度显然需要高性能计算。基础交易循环每天运行数百万次，由三个步骤组成：
1. 监测市场，获取价格变化等新信息；
2. 判断这些信息意味着什么，以及应该执行哪笔交易；
3. 在竞争对手之前把交易发送到交易所。
交易中时机决定一切，对某些交易来说，甚至纳秒都很重要。Optiver 最快的交易系统运行在亚纳秒级别，此时测量噪声本身就成为挑战。软件、硬件和物理学都参与其中，还包括数据中心之间的微波和短波链路，以及定制制造的芯片。本文将在下方的“硬件工程”部分深入介绍这些内容。
不过在这个细分领域，超低延迟本身已经不再是竞争壁垒。随着竞争对手不断挤压系统性能，重点已经转向微调交易策略。如今，Optiver 在构建更好的模型上投入的资源，明显多于继续降低延迟。关于这一点，详见下方的“网络与物理基础设施”部分。
HFT 的演进速度比其他行业更快。盈利策略不会长期有效，机会稍纵即逝，创新始终持续。在这种环境下，AI 这样的工具相对容易落地，因为 Optiver 这样的交易公司已经非常习惯日常业务环境中的变化。关于这一主题，详见“Optiver 与 AI”部分。
机器学习（ML）和数学在量化交易中扮演重要角色。Optiver 的相当一部分业务是买卖期权，而期权定价建立在 Black-Scholes 模型等数学定理之上。交易员、量化研究人员，甚至构建期权定价策略的软件工程师，都必须理解这一问题领域的数学。
随着时间推移，机器学习的重要性正在超过数学模型，但需要记住，交易并不只是 ML。AI 基础设施提供商也在积极参与。由于交易公司在 GPU 上的支出很高，NVIDIA、Groq 和 Cerebras 都在积极争取交易公司。例如，可以参考 Hudson River Trading 在 NVIDIA GTC 大会上讨论 Blackwell 部署，或 Jump Trading 成为首批部署下一代 Vera Rubin 系统的公司之一。HFT 公司拥有非常明确的 GPU 变现路径，并在硬件上投入巨资，这也是 NVIDIA 和其他供应商希望与它们合作的原因。
一个新趋势是 Anthropic、OpenAI 等 AI 实验室开始从自营交易公司招聘，这打破了 AI 实验室主要从大型科技公司招聘的固有假设。AI 实验室寻找交易行业人才有几个原因：
Optiver 的历史可以看作两个截然不同的阶段：
过去“自己解锁”的方式由本地团队构建所需的一切，其优点是能够快速行动，不会被依赖关系阻塞。但这种方式由于碎片化和重复建设而变得有问题，缺点也随着时间推移越来越明显：
Optiver 平台工程负责人 Pat Cooney 的职业轨迹正好映射了全球平台的转变：2010 年代中期，在公司按区域划分业务时，他是 Optiver 欧洲 CTO；2025 年，在这种方式被替代后，他被任命为平台工程负责人。
Optiver 的持续集成（CI）方式也发生了变化。过去，公司有多个区域 CI 服务；从 2025 年起，公司开始重建 CI 系统，目标有两个：
Optiver 的技术角色主要分为三个领域：
实际上，这些领域之间的边界是开放的。人们确实会完成自己受聘承担的工作，但研究人员卷起袖子参与交易策略实现，或软件工程师开展研究，也很常见。在 Optiver，员工不会被绑定在单一任务上。
不同角色之间的跨职能协作非常普遍。例如，在开发市场信号及相关交易策略时，工程师、研究人员和交易员通常会参与大多数甚至全部项目。端到端负责以及自主权都是默认要求。工程师可以自主决定如何完成工作，并从构想阶段一直到实现，负责并解决问题。交易方面的指导有限，工程师需要自己找到正确方案。
在很多方面，这种软件工程方式与初创公司很相似：软件工程师得到的指导有限，但拥有很大自主权。要在科技初创公司取得成功，工程师通常需要理解业务，同时擅长构建可用于生产环境的软件。Optiver 也是如此，只是理解业务意味着理解市场。
在 Optiver 的全球化平台工作于约 2023 年真正启动之前，各区域存在重复投入：
但这一切已经改变。全球平台工作的一个明显信号，是任命 Optiver 首位全球 CTO Lance Braunstein。他加入公司的使命是扩大平台规模。
Optiver 约 950 名工程师中，有 30%—40% 在平台部门工作。相比之下，其他大型科技公司更常见的比例是 15%—20% 的工程师专门从事平台工作。
在全球平台出现之前，公司对开发体验摩擦的容忍度高得多：新工程师可能要花数周熟悉代码库并让构建系统运行起来。如今这种观念已经改变，平台团队强调用户同理心，致力于减少工程师工作流程中的摩擦，例如为软件搭建构建流水线。
现在，平台开始重新思考自身定位，朝着面向 AI 构建的方向发展。随着代理在 Optiver 中不断增加，平台的用户既有人，也有自动化系统。这一转变的目标，是让人们能够把工作拆分成多个工作流，并编排代理。
今年早些时候，平台团队为代理式工作启动了两个项目：
Optiver 的交易团队有三类角色：
在实践中，这些角色会相互重叠。这在 AI 时代之前就存在，但随着 AI 采用加速，这种趋势似乎更加明显。大多数交易员和量化研究人员具有 STEM（科学、技术、工程和数学）背景，但近期没有生产环境编码经验。AI 让具有定量思维的人可以借助代理自动化工作流并实现策略。
交易团队按资产类别和策略组织。例如（资产类别在原文中以斜体表示）：
大型团队内部还会划分横向和纵向子团队。横向团队负责影响任何交易台的挑战；例如，定价就是横向团队，因为无论定价对象是大豆还是指数基金，其底层机制都相同。纵向团队类似于其他公司的“老虎团队”、加速团队和项目团队。它们聚焦于短期目标，为美国、阿姆斯特丹、孟买或悉尼等地点的几个交易台提供支持。
每个团队都有一名交易或研究负责人，以及一名技术负责人，由他们确定团队要开展的工作。整体方向由类似投资银行的合伙人结构设定，但合伙人不一定负责具体团队。在 Optiver，合伙人是负责总体战略的资深人员集合。
无论资产类别或纵向团队如何，每个交易团队都会构建一个交易循环的变体，其中包含四个组件：
1. 获取市场相关信息；
2. 收集信号，判断应执行哪些交易；
3. 执行策略，将订单发送到市场；
4. 通过反馈循环进行干预，让交易员监控系统。
Optiver 以负责制文化运转，其原则是：优秀工程师会把工作当成自己的事，真正关心 Optiver 的系统、决策和结果。领导者希望工程师像一家公司的 CEO 一样对待自己的项目，并负责设计、构建、上线、交付或支持。这里没有把工作“扔过墙”交给 QA 团队的做法。
Optiver 的负责制模式包括：
Optiver 会推动新员工和实习生培养负责意识。从第一天起，工程师就会拥有自己负责的内容，并在导师支持下被分配真实项目。新员工需要进行生产代码变更。一年之内，新员工会成为其领域中有经验的人，并开始帮助下一位工程师成长。Optiver 的入职材料明确强调了这一点。
负责意识也融入了面试过程，面试会明确询问问题解决、讨论权衡和实现能力。
Optiver 的业务始于期权交易。“Optiver”这个词其实是 “options” 和 “trader” 的荷兰语混成词，因此期权团队是公司最成熟的业务组织之一也就不足为奇了。工程师分布在多个地点，组织同时包含纵向和横向团队。
期权组织负责的技术系统之一是 retreat system。当 Optiver 交易一份期权时，这笔交易本身会改变下一份报价的价格。retreat system 必须重新计算整个期权曲面，也就是与刚刚成交的期权相关的所有期权。这一过程称为“retreat”。以标普期权为例，期权曲面可能包含数千份需要更新的期权。十年前，retreat 过程需要几秒；如今，经过技术栈每一层的优化，已经缩短到纳秒级。
retreat 速度很重要，因为交易一旦发生，一切都会改变：原始报价已经过时，交易员需要在其他人利用该报价之前，从交易所撤掉买单。速度更快的公司可以利用其他公司的过时报价，从而形成对抗性的市场动态。
纵向团队处理与本地交易台相关的具体战术问题，重点是立即产生影响。但它们并不是短期或临时团队，即使处理的是短期问题，也有权端到端解决当前最重要的问题。
另一方面，横向团队服务大多数交易台，时间跨度更长，因为它们处理定价、市场连接或自动交易等跨领域问题。
Optiver 的大多数交易软件应用或服务（简称“应用”）都可以简化为基础交易循环。进行交易的交易所属于外部世界，系统从那里提取信号。
信号
这是信息收集阶段。服务收集价格、订单簿信息等市场数据，同时运行定价算法、机器学习流水线等各种数据计算。这些信号会提供给决定如何交易的策略应用或服务。
策略
一项交易策略通常聚焦于特定资产类别和交易类型，许多不同策略会并行运行。策略决定交易什么以及如何交易，但不会执行交易；执行是下一步。
所有策略都由风险管理系统包围，该系统可以阻止交易并停止单个策略。要有效发挥作用，它必须对多个策略的合并风险水平拥有更广阔的视野。风险机制可以包括人工监督，例如交易员调整策略参数；也可以包括自动监控，检查应用输出的订单是否处于预期参数范围内，而不论算法本身想做什么。在低延迟策略中，后者尤其重要，因为系统需要比人类更快地反应。
执行
执行步骤负责在交易所执行交易。这里存在严格的“关注点分离”原则：执行步骤只允许执行交易，不应在那里运行其他逻辑。
在某些纳秒级延迟很重要的做市场景中，大部分流程可能运行在单一芯片（FPGA 或 ASIC）内。策略部分可以针对所有预期输入模式预先计算响应并进行记忆化，然后固化到硬件中，以尽量缩短从市场信息到达至发出交易订单之间的延迟。
所有实现交易循环的应用都构建在多层内部平台之上：
Optiver 技术栈的三层中，“基础设施平台”与其他科技公司的基础设施较为相似。历史上，当团队优先考虑快速独立行动而不是避免重复时，大部分基础设施在各个本地办公室重复建设。近年来，中央平台团队开始整合这些工作。
大约 30%—40% 的工程师编制分配给平台团队。这种平台投入程度超出了科技公司通常的水平。由于 Optiver 仍在改善开发体验、整合重复功能并适配自身技术栈的特殊性，这种投入在未来一段时间内可能仍会持续。
概括来说，Optiver 的语言选择对于金融机构相当标准：低延迟应用使用 C++，建模、原型开发和内部工具使用 Python。但仔细观察 Optiver 对 Python 生态的贡献会发现，Python 并不只是原型工具：
Optiver 的内部工具也有严格的性能要求，因为交易员会使用内部仪表板和工具做出时间敏感的交易决策。避免交易员和工程师之间为了用 C++ 重写而反复交接，既能节省时间，也能让非工程师直接解决自己的问题，符合“自己解锁”的理念。
Rust 开始在研究工具和服务编排中扮演重要角色，可能是由性能要求驱动的。有趣的是，Rust 被用于 Python 等领域，而不是取代 C++；考虑到 Rust 对性能的关注，后者似乎更直观。这可能是因为 Optiver 已在低延迟 C++ 生态上投入数十年，C++ 与现有内部硬件深度集成，而且可以直接控制内存分配等内容。
其他一些小众场景使用的语言包括：C# 用于构建面向交易员的数据密集型 GUI；VHDL 和 SystemVerilog 用于 FPGA 开发。
Optiver 构建的大量软件都会与定制硬件、定制 Linux 内核交互，并要求计算性能可预测，以便性能测试结果可预测。这些都是 CI/CD 栈必须满足的约束。
Optiver 的 CI/CD 运行在裸机上，安装有定制硬件，经过适当的操作系统调整，并拥有被充分理解的性能特征。有趣的是，这意味着 Optiver 必须像规划生产系统一样，提前规划 CI/CD 集群的容量。随着 AI 编程工具开始增加平均工程师每天执行的构建次数，这件事变得更加棘手。
Optiver 选择 GitHub Actions 作为 CI 平台，以获得与 GitHub 一致的顺畅开发体验。遗憾的是，Actions 不提供队列时间、利用率等整体系统级指标，而这些信息对于规划 CI 集群容量至关重要。因此，Optiver 通过 GitHub Webhook，在 GitHub Actions 流水线之上构建了定制的可观测性层。
在数据库和存储系统方面，Optiver 大量使用 Kafka、Postgres 和 Databricks，公司围绕 Databricks 构建了完整的数据平台。以下细节体现了 Postgres 的作用：
Optiver 通常选择行业标准工具，但会对它们进行大幅调整，以满足自身特定的性能需求。像这样规模的科技公司，很少会去修改 Postgres 或 GitHub Actions，更不用说 Linux 内核了！
阅读更多
Alex Kantrowitz 访谈 Cribl 联合创始人兼首席执行官 Clint Sharp，讨论 AI 代理带来的数据爆炸、可观测性、安全与成本问题。Sharp 认为，代理以机器速度调用工具、访问系统并探索多个假设，会同时放大遥测数据量、查询量和安全风险。企业必须记录代理的行为，以便追溯错误和攻击；但数据的价值只有在聚合、筛选和有效处理后才足以覆盖存储、传输与分析成本。短期安全压力会上升，长期则可能通过更强的防御能力和更高的生产力获得回报。
Sharp 解释，遥测数据来自业务系统运行时产生的各种“尾气”，可用于判断应用性能、还原单个用户体验，以及调查横向移动等安全事件。AI 使用产生的轨迹、工具调用和纠正记录具有竞争价值，但也可能让模型提供商获得构建竞争产品所需的组织知识。单条轨迹通常价值有限，按开发者、组织或安全事件聚合后，才可能用于模型改进、环境适配和威胁检测。
安全防御必须在毫秒到秒级响应机器速度的攻击，同时避免模型幻觉造成错误隔离、网络瘫痪或生产环境变更。企业推广 AI 的阻力主要来自专有数据泄露、模型训练、错误操作、采购和法律条款。Sharp 主张防御者应拥有足够强的模型来发现和修补漏洞，并结合负责任披露；Cribl 则计划通过 Cardinal Ops 和安全数据检测能力加强这一方向。
代理还会使存储、传输和分析成本成倍上升，因为它们会探索人类不会主动提出的多个假设。Sharp 认为，企业需要在数据进入系统时筛选出真正有价值的部分，并使用更高效的流式处理、数据湖、Lakehouse 和 GPU 模型。随着软件构建速度提高到一年前的两到三倍，供应商功能可能趋同，客户信任、公平定价和实际价值将成为竞争关键；生产力提升也可能解除企业受人力规模限制的瓶颈。
- [00 00 00 - 00 03 00] Cribl 与企业遥测数据
- [00 03 00 - 00 06 30] AI 数据排放的价值与竞争风险
- [00 06 30 - 00 10 00] AI 可观测性与代理数据爆炸
- [00 10 00 - 00 12 54] AI 使用数据的商业价值
- [00 12 54 - 00 16 50] 企业如何应对 AI 代理
- [00 16 50 - 00 19 32] AI 代理与机器速度的网络安全
- [00 19 32 - 00 24 06] 企业采用 AI 的阻力
- [00 24 06 - 00 28 23] 前沿模型的访问与防御
- [00 28 23 - 00 30 01] Cribl 如何检测 AI 威胁
- [00 30 01 - 00 34 08] AI 数据成本的上升
- [00 34 08 - 00 37 50] AI 投资是否值得
Alex Kantrowitz：AI产品到底有多安全？公司应该如何管理如今正在处理的爆炸式增长的数据？让我们听听 Cribl 联合创始人兼首席执行官 Clint Sharp 的看法。克林特，很高兴见到你，欢迎来到节目。亚历克斯，很高兴来到这里。先简单介绍一下 Cribl：这是一家成立九年的公司，拥有 1,200 名员工，年度经常性收入（ARR）为 3.5 亿美元。Cribl 的工作，本质上是帮助人们、尤其是企业，理解如今不断爆炸式增长的数据，而且随着 AI 代理在网络上扩散，这些数据似乎只会越来越多。请你进一步解释一下什么是遥测数据，以及它的作用。 [00:00:00]
Clint Sharp：它是由运行业务的系统发出的数据。广义地说，当我与软件交互时，系统会排放出大量“尾气”数据。比如，我在网上购物车里完成一个订单，可能请求了数百张图片、打开了几十个页面，于是这些过程都会产生数据。我需要这些数据来了解几件事：首先，这个应用对我的性能如何？这叫可观测性。如果我想追溯某个用户的具体体验，比如 Alex 的体验，又该怎么办？我年纪不小了，还记得以前打电话给航空公司、和客服代表沟通，所有事情都通过电话完成。现在我几乎不会再通过电话和任何人联系，一切都在应用里完成。比如我登录 United 的应用，在里面完成所有操作。如果这个应用只对我一个人失效，企业如何深入遥测数据，判断我在那个时刻经历了什么、可能遇到了什么问题？另一方面，如果我要了解组织安全性，就需要高保真地记录每个人的操作，以判断是否有恶意行为者在进行所谓的横向移动，即在系统之间转移、探查自己暴露了哪些入口，以及获得了什么权限。安全漏洞发生后，我也希望能通过这些数据还原事件经过。这就是遥测数据，而且规模极其庞大。我们最大的客户每天传输 PB 级信息，并且保存多年。相比之下，PB 级的数据仓库对 Snowflake 或 Databricks 来说已经是非常大的规模，而我们的客户每天都在处理这样的量。数据非常庞大，而且增长很快。所以我想和你谈两个方面。
Alex Kantrowitz：我很高兴我们在讨论这个话题，因为它现在非常重要。第一，我们要谈 AI 模型如何从这些“尾气”中学习；第二，这些数据如何影响企业的竞争能力、服务能力和运营能力。模型究竟会从中学到什么？几周前，Satya Nadella 在 X 上发表了一篇题为“反向信息悖论”的文章。他说，从基础模型公司购买 AI 解决方案，不像购买传统产品，因为模型会从你的使用中学习：人们写下的提示、代理调用的工具，尤其是模型出错时人们做出的纠正，都会成为训练材料。每一次纠正都会沉淀为组织知识——这是竞争对手无法购买的知识，却可能在一次次轨迹、纠正和评估中几乎无声地泄露。我们稍后会谈这些数据的正面用途，但节目近期也一直在讨论：模型会不会利用我们与产品交互产生的详尽数据，来削弱我们自己的产品，或者构建我们无法分享收益的新产品？作为每天处理这类问题的人，你认为 Satya Nadella 对风险的判断有多准确？ [00:03:05]
Clint Sharp：我几乎百分之百相信这些公司最终会想和我的业务竞争。所以我需要它们，需要它们的模型和正在出售的智能，但我确实担心，在未来 6、12 到 18 个月里，它们会推出与我产品直接竞争的遥测和安全产品。和我交谈的大多数企业也有类似担忧：这些公司正在建立大型前线工程师团队，表面上是在帮助企业构建优秀应用，但它们是否也在利用积累的知识帮助企业的竞争对手？这正是我们处理的数据类型。过去几个月，很多客户开始要求 AI 可观测性：他们想查看轨迹数据、了解成本、知道代理调用了哪些工具。从安全角度说，我需要对这些自主智能代表我采取的行动进行充分审计。这是六个月前还不存在的问题，几乎一夜之间就出现了。我们正在帮助客户处理这些数据，并回答那些事先根本没有计划过的问题。 [00:04:51]
Alex Kantrowitz：六个月前我并不知道我需要AI的可观察性。我怎样才能让你有能力理解这一切呢？正确的。就像当你看到AI工作时，它正在调用所有这些工具，访问这些网站，所有这些都是为了解决你的问题。但这通常是相当不透明的。 [00:06:29]
Clint Sharp：它非常不透明，而且我并不在循环中。如果我把自己放进循环，就会破坏这件事自主完成任务的效果。我希望它能自主行动、代表我做事，但如何确信它做的是正确、有益且安全的事？你在 X 上经常能看到模型出错、意外删除数据或采取错误行动；这就是让自主智能代表你行动的真实后果。Satya 所说的“尾气”，正是我们帮助客户处理的数据。比如有一家你熟悉的普通品牌，已有数百年历史，并不以创新著称，却正在把 Claude 部署到 50,000 台桌面设备上。这简直不可思议。每个用户都会产生大量此前没有规划的遥测数据。企业年初不会想到要为 50,000 台桌面设备制定遥测采集方案，但安全部门非常担心：如果想回溯它做了什么，没有数据就无从提问。
Alex Kantrowitz：所以我认为我们在这里讨论两个问题，对吗？所以第一个问题是，这些AI公司是否会利用这些耗尽的数据来构建与你的产品或其他公司的产品竞争的产品？然后就像当你想要进行安全审查时，比如你如何处理AI留下的所有废气？那么我们就一一来说吧。我认为关于AI公司与其他公司竞争的问题，正确的问题是这些耗尽的数据有多大价值？因为这有点像 Satya 所说的，你使用 AI 模型会留下废气，然后 AI 模型公司可以来构建竞争产品。我只想问你，这句话的真实性如何？这些数据实际上是否足够有价值，可以让人类或开放AI看到人们以某种方式使用他们的模型，然后能够走出去，基本上进入高端市场并构建另一种产品？ [00:08:18]
Clint Sharp：所以我的联合创始人喜欢说这些数据的价值本质上为零，直到突然间它就不是了。然而，单独查看一个用户的跟踪基本上是毫无价值的，除非我遇到一些安全问题，我需要紧急查看它，但通常它一文不值，但总的来说，它非常有价值，因为它能够以不同的方式进行正确的切割，而且它也很有价值，所以说好吧，嘿，观察每个开发人员，他们问什么问题，生成什么代码，无论代码是好还是坏，都是有价值的，这将使我能够对这些模型进行强化学习，使它们对每个人都更好。然后，好吧，还有组织特定的价值，这就是在组织内部工作的模型。我们相信我们将为特定组织进行强化学习，以根据其特定环境调整模型。从安全角度来看，无论是单独的还是总体的，了解什么是好的、什么是坏的也是有价值的。所以它很有价值，但也非常昂贵。这些数据以非常非常高的速度和非常大的数量发出。因此，我们必须开发新技术来有效地处理这种成本，以便我们能够实际使用它。因为对于一个组织来说，这些数据可能不值几百万美元。它可能不值1000万美元。它可能不值1亿美元。但如果我只是天真地收集和存储所有这些数据，而不对其进行任何聪明的处理，也不对其进行处理和总结，那么成本将是数千万美元。然后商业案例就行不通了。 [00:09:19]
Alex Kantrowitz：因此，我们必须非常仔细地考虑业务案例以及如何从这些数据中获取价值。正确的。所以我相信你还记得 CNBC 对 Alex Karp 的采访，他基本上是说，如果你使用AI产品，他们会向你收取如此低廉的费用，以便获得这些废气数据，并最终拿走你的面包和黄油。我正在尝试评估。就像这样，听起来这是一种可能性，但不像鲤鱼说的那么容易，是的，我认为它们就在那里，我发现有点难以相信，我的意思是，我认为肯定有开放AI和人类，特别是它们并不便宜 [00:11:18]
Clint Sharp：不是与我们所看到的开放权重模型等进行比较，所以我不相信他们可能会补贴，你知道，代币，他们的高级代币以获得这个强化学习数据。我认为可能有，我认为更有可能来自光标，或者其他人，他们实际上，你知道，明确地基于这些数据构建自己的模型。这些数据集很有价值。我的意思是，SpaceX 以 600 亿美元的价格收购，其中很大一部分与该数据集有关，因为 Composer 2.5 比 Opus 5 或 Fable 5 更具成本效益。并且由于他们拥有的数据集，他们能够使其更具成本效益。我懂了。 [00:12:06]
Alex Kantrowitz：好的，现在我们来谈谈这对公司有何价值。因此，当您在软件中执行操作时，会再次发出所有这些数据。首先也是最重要的，随着代理开始起步，我们看到的数据量增加了多少？我想格雷格·布罗克曼几个月前告诉我，只有五到一千万人使用代理。但我很想听听您的看法，您现在是否看到正在生成的数据量的增加？你预计这会走向何方，因为这些药物不是由 5、10 或 1500 万人使用，而是由 10 亿人使用？
Clint Sharp：是的，所以我相信它是有感觉的，但我认为我们还无法测量它。因此IDC测算的数据总体增长约为30%的复合增长率。在过去的几年里，这个数字比我们称之为 25%、27% 有所上升。但就您而言，今天的特工只掌握在少数人手中。它不仅存在于使用代理本身输出的数据中。这也是另一种废气，因为代理以机器速度而不是人类速度移动。因此，如果我现在拥有比人类工作速度快 10、20、50 倍的智能体，那么它们复制的人类过去所做的所有事情现在也会得到放大。因此，如果该代理正在浏览一个网站，而我以前有，你知道，假设我是一家企业，这个应用程序曾经有 10,000 个内部用户，但现在我的代理正在探索多种假设，现在开始看起来有 30,000 或 50,000 个用户。好吧，现在我刚刚将所有其他排气和所有其他发出此数据的系统增加了三到五倍。话虽如此，现在就指出一个行业例子还为时过早，比如，我们知道它会消失。从逻辑上讲，我们感觉到了。我们知道它正在发生。你可以获取一些样本和对AI原生组织的一些观察，以更快的速度生成数据。但我认为我们不能给你一个确切的数字，但我认为在一两年内我们会有一个更坚定的把握。你有什么想法吗？ [00:13:34]
Alex Kantrowitz：我的意思是，我想您已经通过让公司监控其AI编排数据来触及这一点。您是否认为来自代理的数据爆炸式增长可能使公司能够利用这些数据来改进他们的工作？ [00:15:16]
Clint Sharp：企业发展缓慢。它基本上是相同的，但更大。我们需要解决的问题是，我的用户（或者在这种情况下可能是我的代理）是否获得了良好的体验？他们通常表现良好吗？或者我如何检测从安全角度相关的异常行为？第三个新问题是，我可以使用这些信息来改进这些模型吗？我认为大多数企业可能还需要数年时间才能做到如此复杂的事情。我认为初创公司和技术前沿的人们，像我这样的公司，我们将能够做到这一点，我们将这样做，我们将代表企业这样做。但与我合作的许多企业，他们甚至还不确定如何开始使用AI。就像未来就在这里一样。只是分布非常不均匀。
Alex Kantrowitz：是的。从安全的角度来看，我的意思是，你是否认为这些数据会越来越有用，例如，如果我们有更多开放AI和Hugging Face发生的情况，模型实际上变得流氓，被黑客入侵Hugging Face。现在我们知道他们已经尝试过，他们在数据库中采取了大约 17,000 种不同的操作。我想，就像公司处理安全问题一样，您正在查看的一些数据对于跟踪和测试AI代理是否真的像您一样安全非常有帮助。 [00:16:50]
Clint Sharp：让他们放松。我的意思是，这已经发生了。即使是行动缓慢的企业也会有 [00:17:22]
Alex Kantrowitz：要应对这样一个事实，即攻击者可以获取移动速度非常非常快的前沿情报。所以我想，你知道，
Clint Sharp：显然，我们经历了整个Mithril恐吓策略，但它是真实的，而且不一定是Mithril。就像我在 Kimi K3 或 GLM 5.2 中提供的更好，就像它可能比以前的普通攻击者更熟练一样。他们的行动将会非常非常快。他们已经是了，这就是为什么我的客户，你知道，他们中的许多人都在寻求
Alex Kantrowitz：如何检测恶意活动？如何将该时间缩短为以毫秒到秒为单位进行测量？ [00:18:06]
Clint Sharp：因为我必须能够以自动化的方式做出响应，因为攻击者正在以完全自动化的方式进行攻击。然后还有一系列的后果，也是困难和可怕的，
Alex Kantrowitz：好吧，反应不准确或错误，或者是一种简单的幻觉。假设响应是，我检测到一些恶意活动，并且我将尝试在我的网络上隔离该活动。我希望这种恶意活动停止。但有些模型会幻想它应该放入多宽的块，
Clint Sharp：然后网络突然出现脑裂或完全瘫痪。这些都是非常现实的问题，所以一方面我担心可能会出现
Alex Kantrowitz：攻击者移动速度如此之快，如果我必须将人类置于循环中，我就不可能检测或阻止他们，然后在操作上我也害怕我可能拥有自主智能 [00:19:06]
Clint Sharp：对我的系统进行生产更改可能会意外地导致我以安全的名义出现问题。所以这将是一个非常有趣的
Alex Kantrowitz：在接下来的几年里，我们将弄清楚如何防御和实施对此类攻击的防御。是的，克林特，你告诉我，你的许多客户现在只是想弄清楚如何使用AI。在我们过去的谈话中，您提到您从高级管理层和基层人员那里获得了使用AI的大力支持。但当你去法律或金融部门时，他们不会允许事情继续进行。他们很害怕。这是其中的一部分吗？是因为你放弃了控制吗？或者到底是什么阻碍了这里的推出？我想，我的意思是，恐惧，几乎总是如此。好吧，是的。人们担心的是，我的专有数据（就像我们之前讨论的那样）最终会落入这些模型提供商的手中吗？将来会用它来训练模型吗？
Clint Sharp：你知道，如果我在操作上使用AI作为站点可靠性工程师或 SecOps 工程师怎么办？如果它做出了错误的更改，就像我刚才提到的那样怎么办？ [00:20:34]
Alex Kantrowitz：你知道，我如何控制操作，你知道，发生了什么？很多很多的恐惧。更重要的是，进展较慢的事情是采购、合法的事情，对吗？所以当我们签署协议时，里面有AI条款，然后他们带着红线回来，对吗？就像，不，不，对我来说，如果你想卖给我的组织，这些是你必须接受的条款，否则你可以没有AI条款。因此，您实际上会在播客上看到一位首席信息安全官谈论他们正在采取哪些措施来保护自己免受Mithril的侵害。
Clint Sharp：我可以告诉你，我现在正在向他们出售产品，而你告诉我你不会使用我的任何AI技术，这将帮助你防御此类事情。情况正在好转。这是暂时的，我的意思是，五年后，我们就会忘记这甚至是一件事。但这绝对是一个障碍。因为100%绝对真实且不可改变的东西 [00:21:27]
Alex Kantrowitz：是攻击者没有这样的限制。是的，在《Hugging Face》的开头一集中，我认为Hugging Face提到的一件事是，他们试图弄清楚发生了什么，谁在黑客攻击他们，他们从安全护栏和模型中得到了一堆拒绝，而攻击者显然不必处理这些拒绝。对每个人来说最好的事情就是每个人都能获得最好的东西。
Clint Sharp：就像，我们不能，你知道，我们不能保护我们的安全。因为正如我们所看到的，你知道，Kimi K3 是《Fable 5》的级别，仅落后几个月，你不可能想进入这项不存在的技术。你知道，我不能只是把头埋在地下，假装它不存在。我需要快速保护我的企业并最大限度地减少使用此技术的攻击者的有效能力。我需要与防御者具有相同的访问权限来修补自己，这样我就可以保护自己免受这项技术的影响。我认为我们确实做到了这一点。当一群 CISO 去 Hugging Face 与防守团队交谈时，我的 CISO 进行了交谈，这确实发生了。他们不得不去开源的中国模型中寻找被OpenAI越狱所利用的漏洞。这对我来说真是令人困惑。发生这种情况的唯一原因是政府干预主义，而这也是因为 Anthropic 在过去 6 到 12 个月的时间里散布恐惧，试图说服世界，比如，看，如果你到处跑告诉人们你发明了核武器，我想他们可能会感到害怕，他们可能会试图阻止你向其他人提供这项技术。但现实情况是，正在发明的同一种武器是由八到十个不同的前沿组织同时发明的。因此，当很多人同时建造相同的东西时，你就无法防止扩散 [00:22:16]
Alex Kantrowitz：时间。因此，我们必须继续前进，让每个人都能获得最好的东西。好吧，克林特，让我特别问你关于人择的问题。我们在节目中争论了一段时间，关于Mithril的东西到底是营销还是它是否像一个真正的地区问题。而且，你知道，如果这些模型能够像这些长期计划一样，他们可以查找错误，他们可以找到零日并侵入像 Hugging Face 这样的实体，那么在拉响警报、护栏等方面，这里的正确方法是什么，你知道，等等。因为，你知道，我在这里提到的一件事是，如果你知道这些功能看起来足够真实，我想知道就像你知道的那样，你是否只是将它们发布给所有人，或者你在哪里划清界限，你认为这种Mithril情况有多少是一种非理性的炒作，而不是基于某些现实，我的意思是，有各种各样的谣言，就像真的是营销炒作，因为他们没有计算能力，所以他们不想看起来像他们一样 [00:24:06]
Clint Sharp：落后了，他们无法发布它，否则人们会得到一个糟糕的体验，那么一旦他们得到了 spacex 计算，你就会神奇地知道它已经出局了 [00:25:15]
Alex Kantrowitz：我不知道我的意思是这样的，我的意思是推测这类事情很有趣，但我你知道谁能说这是否属实，我认为创建一个有无系统，由人类或美国政府指定哪些组织可以是安全的，然后其他人都不是，这对我来说感觉不对，另一方面，我的意思是，我认为与所有安全相关的事情一样，例如负责任的披露，是一件事。就像我们绝对应该私下告诉人们一些事情，这样我们就可以
Clint Sharp：修补它们，并确保我们最大限度地减少世界上零日的数量。所以我认为这是一个非常困难的情况，我不知道我单方面拥有所有正确的答案。我认为美国政府当然有权利要求他们尽早进入。我们有一个非常大的联邦企业，而且我， [00:26:09]
Alex Kantrowitz：我与很多这样的客户交谈过，他们肩负着极其艰巨的使命。他们的工作是保护我们的国家机密和我们的战士，
Clint Sharp：这是一项需要极其认真对待的使命。因此，我绝对可以看到政府和主要组织正在获得此类东西的世界。另一方面，我认为这绝对是犯罪行为，就像《Hugging Face》中发生的那样，他们实际上被削弱了，无法自卫。当然，这个问题极其复杂。就像，你知道，我们在 Cribl 内部进行了一些评估，以评估哪些模型可以有效地让你成为一名防守者，哪些模型会拒绝你，哪些不会。当然，我们会告诉他们我们正在运行这些，以便他们知道我们是，你知道的。但是，我的意思是，你不能真正信任。我的意思是，有人走到某人面前说，相信我，我是个好人。我只是想防御性地分析这段代码。当然每个人都会这么说，对吧？即使是那些想要恶意使用它的人。所以这在某种程度上是一个棘手的问题，但我确实认为这是一个暂时的问题，就安全性和黑客攻击以及人们被剥削而言，我们将度过非常糟糕的一年。这将是糟糕的一年。但我们实际上只需要经历一次，随着这种情报的成本下降，我们最终会找到所有潜在的可利用路径，我们将修补它们并解决它们，因此从现在起 18 到 24 个月，我们将处于一个更好的位置，你知道，然后我认为这只是一个非常有争议的问题，而不是关于如何获得普遍正确的答案。
Alex Kantrowitz：从这里到那里。正确的。因此，如果我没听错的话，Cribl 可以做的就是监控组织中传入和传出的数据并帮助安全专业人员 [00:28:23]
Clint Sharp：尽早发现。是的。我的意思是，这就是我们所做的。我的意思是，我们刚刚宣布收购一家名为 Cardinal Ops 的公司。我们正在转向使用安全数据来实际运行检测引擎。我们拥有这种能力已经有一段时间了，但现在我们拥有了内容，并且我们正在直接进入这个领域。显然这是一个繁忙的市场。那里有很多人。我们认为我们有更好的方法。客户对我们进入这个领域感到兴奋，这就是我们所做的。我们将帮助您发现这些问题。我们还将尝试为您提供专注于遥测用例的前沿级智能，我们可以比您从 Anthropic 或 OpenAI 做的事情更具成本效益。我们将在今年晚些时候进入这个领域，但我们在那里看到了机会。我们认为客户向我们询问是一个很大的机会。因为我们与他们有关系，回到我们之前讨论的合同，一旦我与客户签订了合同，他们同意他们将使用我的AI功能，那么他们继续与我进行交易比与其他模型提供商等开辟第二个领域要容易得多。所以有这个优势。然后我们也有，我不会与他们竞争。所以他们可以放心，因为我不想从事与他们相同的业务。所以我认为我们可以做很多事情来帮助这里的人们。
Alex Kantrowitz：好吧，我们最后谈谈成本。我们先缩小范围，然后再扩大范围。我听到您谈论代理创建的数据的增加。我的一部分只是说，伙计，这听起来存储和分析的成本将非常昂贵。我下班了吗？它已经很贵了，所以在此之前，正如我们在会议上提到的，该公司已有九年历史了 [00:30:00]
Clint Sharp：播客开始时，当我们进入这个市场时，您已经知道，在 1718 年的那个时候，您知道我们更大的前景每年花费数千万美元来处理和分析遥测数据，请记住，这不是商业数据，他们不会用这些数据来增长。他们正在帮助保护他们的企业。他们正在帮助经营他们的企业。所以这是以成本为中心的数据。就像，我必须这样做。这不一定能让我赚更多钱，但为了经营我的生意我必须这样做。因此，我们也没有兴趣将所有这些数据的存储和分析成本或运输成本增加三倍、四倍、五倍。所以，那些让你到达 2026 年的东西并不会让你到达 2036 年。我们必须想办法提高成本效益。这从一开始就是公司的使命。这就是我们继续出去做的事情。首先，它通过流媒体和数据湖帮助人们使用新的云原生技术来降低处理这些数据的成本。现在是为他们提供我们的 Lake House、我们的 Lake House 引擎、更高效且更具成本效益的存储和分析这些数据的方法。很快，线速模型就可以识别在 GPU 上运行的数据中的潜在问题，但我们可以以非常非常高的速度做到这一点，这样也许我什至不必存储所有数据。我可以更聪明地扔掉大部分不重要的东西，只保留重要的东西。
Alex Kantrowitz：我知道，100%按照 10 年前的方式做事现在已经行不通了。是的，这让我想起了维基百科的例子，它是网站访问，而不是数据收集，但那里有相似之处。AI模型一开始训练，维基百科的流量就增加了 10 倍，这是它无法应对的。因为一旦你让机器在一个环境中运行，就没有任何限制了，真的。所以我想象它乘以基本上每个软件 [00:32:09]
Clint Sharp：以及世界上的每个网站。所以这是生成的数据。因此，对于我们的客户，您使用的同一示例，现在我将不得不存储 10 倍量的遥测数据，因为我要记录是人还是代理在产生流量。我正在记录所有的流量。然后，如果我想询问该数据的问题，那么我处理它的成本会更高，因为我的数据量是原来的 10 倍。然后，如果我让AI代理对这些数据提出问题，那么该代理将提出比任何人类都多得多的问题。他们以机器速度移动，因此他们探索所有这些假设。他们走上了所有这些不同的道路。因此，当没有答案的痛苦大于提出问题的痛苦时，人们通常会提出数据问题，对吗？所以代理没有这样的护栏。就像，只是为了好玩，我要去探索所有其他假设，因为发生了一些事件，我认为，我的模型说它可能是五件事之一。我要去问五个人。所以现在我必须拥有处理能力才能处理五倍数量的问题，这些都是可以解决的问题，但它们无法通过尝试解决
Alex Kantrowitz：我们一直在做的事情最终是否值得，克林特，我的意思是，为了实现这个AI时刻，成本似乎到处都在上升，我的意思是真正的 [00:34:08]
Clint Sharp：大多数组织的成本都是人力成本，所以如果可以的话，我们现在正在与我们自己的工程师一起看到这一点，就像我们在 Cribl 交付的软件数量一样，我的意思是，我们的交付量是一年前的两到三倍。我的意思是，生产力的惊人提高，你知道，我一直告诉客户的是，这将是真的，
Alex Kantrowitz：对你来说很快就会很难，因为市场上会出现差异化。
Clint Sharp：所以构建软件是如此高效，尤其是复制软件。因此，如果我喜欢，如果您有某个功能，我可以实现该功能的一个版本。超级简单。你把模型指向它，他们就会给你做一些看起来像那样、感觉像那样、做那些事情的东西。所以基本上每个人都会拥有一切。每个供应商都会开始变得非常相似。那么问题就变成了，天啊，如果每个人看起来都一样，我该如何决定我应该买什么？这将成为一个越来越困难的问题，因为所有供应商都将具有相同的功能。我该从哪家购买？我一直在说的一件事是软件是一个以人为本的行业。人们购买软件，尤其是企业，从他们信任的人那里购买软件。我已经和这位代表一起工作了三年。他们待我很好。他们给了我很好的价值。随着这个领域的成功，您是否尊重您的客户？比如，你的客户在离开与你的互动时是否会认为我物有所值？我认为对于那些长期垄断的供应商来说，比如我有这个功能，没有其他人有这个功能。因此，我将寻求寻租并从每笔交易中提取最大价值，并确保每个客户为此支付非常高的溢价。我认为我们在即将到来的时代面临风险，因为人们将有选择。 Cribl 代表选择、选择、控制和灵活性。我对我们与客户建立的关系感觉非常好。我相信成为一名有价值的球员。我相信努力让他们的美元价值最大化。我认为这体现在整个公司的文化中。作为始终将客户放在第一位的公司，这就是一种价值观。我们公司的第一价值观是公平对待客户。
Alex Kantrowitz：我想如果你从这个角度来看的话，这一切都值得吗？ [00:36:38]
Clint Sharp：是的，我的意思是，如果我们最近能做出重大转变，人们就不再那么频繁地谈论劳动力补偿，因为我们只是没有看到这种情况发生的证据。但他们谈论的是生产力。如果我们都能更快地构建，那么对于大多数组织而言，目前的最大限制就是我无法雇用更多的人力资本来更快地发展这项业务。我们将开始消除这些限制。所以我认为这将是一个非常光明的未来。这将会非常非常有趣。它永远不会沉闷。很棒的东西，克林特。如果人们想了解更多关于 Cribl 的信息，应该去哪里？ Cribl.io 和 CriblCon 将于 9 月举行，很高兴见到芝加哥的所有人。我们将会有很多非常非常酷的事情要说。哦，是的，CriblCon 的日期是哪一天？ 9 月 28 日至 30 日，我们将在芝加哥。我们非常兴奋，我希望在那里见到大家。
Alex Kantrowitz：好吧，太棒了。该公司是Cribl。我们的客人是Clint Sharp。克林特，很高兴一如既往地与您交谈。感谢您来到节目。谢谢，亚历克斯。谢谢大家的聆听和观看。我们下次在“大科技”节目中再见。 [00:37:38]
