铃阅时讯
❌

阅读视图

Latent Labs:Alphafold 3 发布两年,AI 药物设计进展到了哪一步?

原创 Daniel、Cage 2026-09-15 18:00 北京

Alphafold 原班人马打造的分子设计模型与 Agent

作者:Daniel

编辑:Cage ⁠

我们认为,AI for Science 是 AI 继 Coding 之后的下一个重点方向。而药物发现又是其中最有前景的赛道。一方面,药物试验拥有完整反馈闭环且高度可验证,是实现 RSI 的理想场景。另一方面,AI 可以解放实验人员的产能,使得大量休眠靶点有重新开发的机会。我们有十足的理由相信,下一个药物大发现时代很可能便是由 AI 推动的。

 ⁠

AlphaFold 让我们看到了 AI 理解蛋白质结构的能力,而 AI 的下一个战场,是设计传统方法做不到的分子。这是一个激烈竞争的领域,除了从 Google Deepmind 中诞生的 Isomophic 之外,Chai Discovery、Boltz、 Latent Labs 也分别发布他们的预测模型与药物模态区别化下注。蛋白质从头设计也逐渐走近药物研发的实际应用。

 ⁠

Latent Labs 是观察这一变化的重要样本:创始人 Simon Kohl 曾参与 AlphaFold 2 的核心研发,押注了环肽这一新兴模态类型并选择自建湿实验室。2025 年 2 月,公司以累计 $5,000 万融资走出隐身状态,吸引了包括 Jeff Dean、Aidan Gomez 的天使投资。同年 7 月,发布了面向小蛋白与环肽的生成模型 Latent-X。并在 12 月用 Latent-X2 进一步覆盖纳米抗体和抗体片段,并关注表达、稳定性及免疫原性等成药相关性质;2026 年 3 月发布的 Latent-Y 则是在这些模型之上构建的科研 Agent。

 ⁠

不可否认的是,目前各家正在测试的蛋白质还没到可以成药的阶段。他们只是完成了流程的第一步:证明自己能够作为结合物发挥作用。如果我们把药物的研发比作登山,人类过去已经攀登过无数山峰,且资本市场也给予了创新者极其丰厚的回报。从 PD-1 到 CAR-T,再到近期大火的 GLP-1 都是很好的证明。但攀登的道路极其困难,往往需要数年+数十亿美元作为成本。AI 药物发现的目标,是把一条条狭窄的山路变成高速公路,且让人们向更高更危险的山峰发起冲击。

⁠/⁠

01.

Key thesis:

 ⁠

•蛋白质生成模型的出现颠覆传统制药流程,很可能带来一个药物大发现时代

 ⁠

传统药物发现是在庞大的真实分子库中寻找少数有效候选,生成模型则可以根据需求设计自然界不存在的分子。变化不仅是筛选效率提高,更是能够探索过去难以触及的分子空间。长期价值不只是“更便宜地做药”,而是让同样的研发资源能够探索更多项目,未来的药物研发可能打破“反摩尔定律”,实现质和量的大幅跃升。

 ⁠

•结合物发现环节高度可验证,是实现 RSI 的理想场景,Latent 湿实验室自建为竞争优势

 ⁠

在药物发现里面,设计结合物环境是最为可控,最容易产生 loop 的。结合本质上就是两个分子表面的形状互补 + 化学互补,有明确的物理规律,终点明确且反馈回路快。随着计算生成成本下降,稀缺资源将逐渐从候选分子转向高质量的实验反馈。Latent 逐步将实验能力放于内部,有机会更紧密地连接模型研发与实验判断。

 ⁠

•生物医药领域长坡厚雪,每种模态都会诞生领先大玩家, Latent 模态选择上有差异

 ⁠

行业内短期的催化是专利断崖正在发生,各大药企开始重视药物发现相关技术。不同模态面对的设计约束和开发难点不同,单一模型难以在所有任务上保持优势,制药公司也倾向与多家公司合作。大环肽是 Latent 最值得关注的切入口。它有机会覆盖传统小分子难以处理的结合界面,同时在部分场景中提供不同于抗体的药物属性。它也是目前的热门赛道,已有多款新药受到市场青睐。

 ⁠

•以 AlphaFold 成员为班底打造的明星团队

 ⁠

创始人 Simon Kohl 参与开发 AlphaFold 2,随后发起并共同领导 DeepMind 的蛋白质设计团队;创始技术成员 Alex Bridgland 曾参与 AlphaFold 1、2、3,覆盖模型开发、评估与数据工程。团队中多数成员拥有丰厚药物模型研发经验,与专注实验平台与内部湿实验室的科学家形成互补。团队还有前默克集团 CEO 作为顾问参与,为团队打进大型制药公司奠定基础。

 ⁠

 ⁠

02.

Latent Labs 技术路线

 ⁠

Alphafold 之后,从预测蛋白到生成蛋白

 ⁠

如果说以 AlphaFold 2 为代表的结构预测模型是一台“AI 显微镜”,帮助人们看清蛋白质的形状,那么蛋白质生成模型更接近分子世界的 CAD:根据功能需求,设计自然界中尚不存在的分子。

 ⁠

以蛋白质结合物设计为例,它是在反向求解蛋白质折叠问题。结构预测从一条氨基酸序列出发,判断它会形成什么样的三维结构;生成设计则从目标出发:给定一个疾病靶点和希望结合的表面区域,寻找能够稳定折叠,并与之结合的新序列。

 ⁠

一条设计蛋白质的典型流程是:

 ⁠

获得靶点结构→生成结合物的结构与序列→重新预测复合物结构→筛选候选→湿实验验证

 ⁠

2023 年发表的 RFdiffusion,让分子世界的 CAD 初具雏形。研究团队将原本用于结构预测的 RoseTTAFold 改造成去噪扩散模型,让它从随机噪声中逐步生成蛋白质骨架,再交给其他模型配上氨基酸序列、检查能否折叠成预期的形状。几个模型各司其职,组成了一条早期的蛋白质设计流水线:先画出轮廓,再补齐细节,最后检查。

 ⁠

自此,预测模型从观察一个分子,走向理解多个分子如何共同组成一个系统。AlphaFold 2 可以从氨基酸序列预测蛋白质的三维结构。2024 年 5 月,AlphaFold 3 将蛋白质、DNA、RNA 和小分子等纳入统一的复合物预测框架。这让研究人员在设计新分子时,多了一种检查它与靶点是否匹配的工具。

 ⁠

除了 Ismorphic Labs,不少公司也从这一层切入。比如 Chai Discovery、Boltz。2024 年 9 月,Chai 发布 Chai-1,预测多类生物分子的结构及其形成的复合物;同年 11 月,Boltz 团队发布 Boltz-1,并开放训练代码和模型权重。

 ⁠

而 Latent Labs 没有跟随先做结构预测的路径,而是直接做蛋白质生成设计。创始人Simon Kohl是参与开发 AlphaFold2 的核心人员和论文作者,Isomorphic Labs 当时正在沿着 AlphaFold 向多个药物研发方向扩张,而他认为蛋白质设计本身已经足够庞大,值得由一个更小、更灵活的团队集中突破。于是决定单独创业。他们的伦敦团队负责开发基础模型,旧金山则有湿实验室和计算生物团队,测试模型设计出的分子,将实验反馈用于模型研发,并采集训练数据。

 ⁠

2025 年,三家公司开始交生成模型的答卷,第一代生成模型相继亮相:

 ⁠

•6 月,Boltz-2 在结构预测之外加入结合亲和力预测,迈出了生成模型的第一步;

 ⁠

•同月,Chai-2 发布,成为第一个从零设计抗体的生成模型。

 ⁠

•7 月,Latent 发布首个模型 Latent-X,首先展示了环肽和小蛋白的从零设计能力。

 ⁠

•10 月,Boltz 推出生成模型 BoltzGen,正式进入结合物设计。

 ⁠

 ⁠

主力模型:Latent X

 ⁠

2025 年 7 月,Latent-X1 发布。

 ⁠

它首次公开展示了 Latent 的端到端全原子蛋白质设计能力。用户提供靶点序列、骨架结构和希望结合的热点后,模型联合生成新结合物的氨基酸序列,以及结合物—靶点复合物的全原子构象。

 ⁠

Latent-X 首先选择了大环肽(macrocyclic peptide)和小蛋白(mini-binder),而没有直接挑战完整抗体。团队在 7 个治疗相关靶点上进行湿实验,每个靶点最终测试 30 至 100 个设计。公司报告的大环肽命中率为 91%至 100%,mini-binder 为 10%至 64%,并获得了低纳摩尔乃至皮摩尔级 binder。

 ⁠

其中在环肽方面,Latent-X1 在三个靶点上的受测样品命中率达到 91%–100%,高于 RFpeptides 文献报告的 21%–38%,且在 MDM2 靶点的亲和力方面实现了更低的 KD 值。

RFpeptides 是华盛顿大学蛋白质设计研究所(IPD)开发的 AI 环肽设计方法,由 David Baker、Frank DiMaio 和 Gaurav Bhardwaj 三个实验室联合开发,可以理解为 RFdiffusion 面向环肽设计的延伸。

 ⁠

2025 年 12 月,Latent-X2 发布,目标是生成更接近药物的分子。

 ⁠

X2 可以输入指定表位,只生成关键结合区域,并把能力扩展到 VHH 和 scFv。团队对每个组合只测试 4 至 24 个设计,在 18 个靶点中的 9 个上获得成功,同时评估表达量、聚集倾向、多反应性、疏水性和热稳定性;部分代表性 VHH 还进行了人源供体的离体免疫原性实验。

•Agent 产品 Latent-Y

 ⁠

2026 年 3 月发布的 Latent-Y 是建立在 Latent-X1 和 X2 之上的 AI Agent。它把原本需要多位专业研究人员完成的蛋白质设计流程,封装成一个可以用自然语言操作的产品。Latent-Y 可以从自然语言目标出发,完成文献检索、靶点分析、表位选择、调用 X2 生成、计算验证和候选筛选。公司报告中,它在 9 个靶点里为 6 个找到了实验确认的 binder,为科研人员打造蛋白设计的“Cursor”。

 ⁠

按时间顺序排列的三家公司主要产品发布

 ⁠

Latent 的差异化下注

 ⁠

模态类型:环肽

 ⁠

从产品策略看,Latent 则先用大环肽与小蛋白展示生成模型的能力,再于 2025 年 12 月发布 Latent-X2,将设计范围扩展至 VHH 和 scFv 等抗体格式。环肽始终是这条产品路线中的重要组成部分。

 ⁠

环肽是近期比较热门的研发方向,它处在小分子与抗体之间的“中间地带”,容易进入细胞:它的接触面积大于传统小分子,因此有机会识别平坦的蛋白质相互作用界面,并有接近抗体的亲和力和特异性;环化又可能提高抗蛋白酶降解能力,可以作为口服、缓释药物。

 ⁠

比较出名的例子包括:

 ⁠

•强生与 Protagonist 合作开发的 icotrokinra,是一款靶向 IL-23 受体的口服大环肽药物,2026 年 3 月获美国批准用于中重度斑块状银屑病,预测峰值销售超 $50 亿。

 ⁠

•默沙东的 enlicitide ,一款靶向 PCSK9 的大环肽。2026 年 7 月获批,用于降低高胆固醇血症成人患者的 LDL-C,其 2033 年销售额预期超 $50 亿。

 ⁠

数据闭环:自建湿实验室

 ⁠

从 2024 年开始,Latent 便在旧金山运行湿实验室,并将实验验证作为模型研发的重要支点。从招聘信息可以看出,伦敦的 Computational Protein Designer 主要负责计算设计;旧金山的同岗位则额外要求较强的湿实验经验,需要亲自开展蛋白表达与纯化、生物物理表征和功能实验。

 ⁠

我们可以从 Latent X1 模型的实验论文了解内部实验平台的分工,以小型蛋白质结合物 mini-binder 为例,模型先为每个靶点生成约 2 万个设计,再根据预测结构选出 100 个候选进入实验,进入两条相互补充的验证路径:

 ⁠

•一条交给外部服务商 GenScript:先根据设计序列生产蛋白质,再用 BLI,检测它与靶点是否结合再进一步测量,确定结合强度及结合、解离的速度。

 ⁠

•另一条由 Latent 内部完成,采用的是哺乳动物细胞表面展示,简称 mDisplay。研究人员将编码候选蛋白的 DNA 导入细胞;随后加入靶蛋白,通过荧光信号观察候选是否成功展示、能否抓住靶点。

 ⁠

这套双重筛选方法,让研究人员能够在原理不同的结合检测平台上,交叉验证哪些候选真正命中了靶点。

在这里,Latent 的自建实验室与外部服务商是协同关系。DNA 合成、部分材料制备,以及蛋白质生产和仪器测量,仍然由外部机构承担;Latent 则将一部分验证环节放在内部,让计算设计人员能够更直接地接触实验结果。

 ⁠

如果说 X1 论文更像是在验证自己内部的实验能力,那么近期我们能看到公司在越发重视实验的迹象。2026 年 3 月,Latent 在旧金山招聘 Head of Lab Platform 与 Research Lab Scientist。希望招聘具有从零搭建实验室经验的人,进一步扩展现有的高通量实验、自动化和数据管理能力。在未来,Latent Labs 可能会把更多湿实验室环节放进内部。

 ⁠

携手 AWS 接入客户

 ⁠

2025 年 5 月,Latent Labs 与 AWS 宣布多年战略合作,覆盖模型训练与推理所需的云基础设施,以及面向生命科学客户的商业推广。Latent 提供生物生成式 AI 模型,AWS 则作为其首选云服务商提供算力支持。Latent 使用 Amazon SageMaker HyperPod 扩展计算资源,支撑模型研发和客户使用;同时借助 AWS 的合作伙伴网络与市场拓展支持,触达更多药企、生物技术公司和科研机构。

 ⁠

Latent 旗下模型也接入了 Amazon Bio Discovery 平台:这是 AWS 于 2026 年 4 月推出的 AI 药物研发应用,目前主要面向早期抗体发现。平台将生物 AI 模型、科研助手和外部实验服务整合到同一个工作环境:科研人员可以选择模型并评估候选分子,再将选定候选交给合作实验室测试。

 ⁠

该平台已公布的早期采用机构包括纪念斯隆凯特琳癌症中心(MSK)、拜耳、Broad Institute、Fred Hutch Cancer Center 和 Voyager Therapeutics。

 ⁠

 ⁠

03.

Why now

 ⁠

De novo design:从创造分子到 RSI

 ⁠

传统结合物发现的流程需要:

 ⁠

1.先准备一个非常大的真实分子库;

 ⁠

2.用噬菌体展示、酵母展示、动物免疫等方式做实验筛选;

 ⁠

3.从百万到十亿级候选中找到少量结合者;

 ⁠

4.再做亲和力成熟、特异性和成药性优化。

 ⁠

而 De novo design(从头设计) 彻底改变了研发的起点:研究者可以先指定靶点、结合位置和功能要求,再设计满足这些条件的新序列,将自然界中原本不存在的分子纳入药物发现。只合成模型排名最高的一小批。

 ⁠

AI 最明显的突破是压缩早期结合物发现的时间和实验规模。传统抗体发现采用动物免疫等路线,获得初始结合物通常需要数月;之后还要完成候选优化和临床前开发。参考药明生物的公开材料,DNA-to-IND 阶段的典型周期为 6–15 个月,对应$500 万- 800 万。

 ⁠

同样类比早期发现环节,Chai-2 针对 52 个抗原,每个靶点、每种抗体格式测试不超过 20 个设计,报告约 16% 的候选级结合命中率,并在一半靶点上获得至少一个结合物;从计算设计到湿实验验证,用时不足两周。

 ⁠

通过对蛋白生成设计发展的观察,我们可以看到:

 ⁠

从模型能力到工作流编排,再到干湿实验闭环,竞争正向完整研发流程延伸。随着基础预测能力正在快速开源化,Latent 与 Boltz 纷纷发力 Agent 编排与工作流,希望争夺成为这个领域的操作系统。下一阶段,差异化可能更多来自能否有效连接计算设计与实验验证,让实验结果持续反馈到下一轮设计中。

 ⁠

药物发现的未来,将逐步走向智能科学的 RSI:lab-in-the-loop 是实现这一愿景的重要基础。它将湿实验室接入AI的设计与决策循环,让每一轮实验既筛选候选,也为下一轮探索提供信息,从而以更低的总成本、更短的时间,获得足以支持项目推进或终止的可靠证据。而在结合物设计阶段,更容易形成闭环,相较于药物研发的后续环节,这一阶段的实验环境更可控,评价终点更明确,反馈周期也更短。分子结合主要取决于两个分子表面在形状和化学性质上的互补,并受到明确的物理规律约束。这些特征使结合物设计更容易形成“设计—实验—反馈—改进”的循环。

 ⁠

专利断崖正在发生,AI 加速新/旧靶点的开发

 ⁠

药物研发长期承受反摩尔定律的压力:Eroom’s Law 最初描述的是的 1950 年至约 2010 年间,每十亿美元研发投入对应的新药产出大约每九年减半。而AI可能是有潜力逆转这个趋势的技术。

 ⁠

而另一个大趋势是药企的专利断崖正在发生,根据 Evaluate 预测,我们即将迎来下一个专利到期的高峰。2026-2032 年,累计有超过 5000 亿美元销售额可能面临专利过期的风险,药企需要寻找下一个大药物。

 ⁠

专利断崖会迫使大药企更积极地采用 AI 技术、投资 AI 公司、与 AI 公司合作。Isomorphic、Chai、Boltz 近期接连签下大订单,背后都有大药企面对专利断崖、需要新管线的驱动因素。而具体看,AI 带来的机会集中在两个方向:

 ⁠

1.大量未开发靶点迎来重新开发的机会

 ⁠

药企长期积累了大量尚未完成的研发项,这些未被开发的机会远比已经上市的药物多。2024 年的一项系统研究估算,在人类 19,813 个蛋白编码基因中,约有 4,729 个可能被生物药调控,但只有 755 个已经成为获批药物的靶点。即便只看曾经进入临床开发的靶点和疾病,约 170 万种潜在的“靶点—适应症”组合中,也只有 2.5% 被实际探索过。

 ⁠

过去,药企很难系统性地重新检查这些项目,而蛋白生成模型的出现,给了研究人员大量开发难成药靶点的机会。Isomorphic Labs 与 Novartis 最初围绕 3 个高难度靶点合作,一年后又增加了最多 3 个项目,说明大型药企已经开始把真实的早研问题交给 AI 平台。

 ⁠

2.AI 做 me-better /best-in-class 的机会

 ⁠

AI 可以针对这些已验证靶点,设计出更好的分子,AI 可以探索传统方法覆盖不到的序列空间,可以找到完全不同的结合模式,实现跨越式改进。另外,AI 蛋白设计本质上是高维搜索和优化。老靶点已经积累了大量结构、突变、药理和临床数据。问题因此从开放式的生物学探索,变成了一个边界清晰的分子优化任务。

 ⁠

生物医药领域特殊的行业结构,也为多家企业一同创造价值提供了空间。专利保护使任何成功创新有机会获得持续回报,而不同疾病、治疗机制和患者群体又形成了多个独立的市场。企业既可以通过 first-in-class 开辟新的治疗路径,也可以通过 me-better/best-in-class 在疗效、安全性或用药便利性上建立优势。因此,一家公司即使只在有限的治疗领域取得突破,也可能通过自主销售、授权或并购实现较大价值。

 ⁠

因此,这是一个极其长坡厚雪的赛道,一条条成功的管线则是这个领域可被验证的节点。

 ⁠

下一个大制药公司可能在 AI 发现平台中诞生

 ⁠

全球药企每年约有 3,000 亿美元研发支出,其中,top 25 家药企约花费 1760 亿,占全球约 61%,头部集中度高的特性。其中临床前部分约占到研发支出的 15%,大约占到每年 450 亿。这 450 亿美元构成了 AI 药物发现最直接的第一层预算池。如果 AI 能够避免临床前阶段 20%–40% 的低价值试错,对应每年约 90 亿至 180 亿美元的经济价值。

 ⁠

AI发现平台的长期上行,来自将药物发现转化为一种能够持续积累、重复产出新资产的研发能力。一个分子的设计和筛选成本,只是项目总投入的一部分。如果靶点选择、疗效或安全性问题直到临床阶段才被发现,此前投入的时间和资金便可能难以收回。AI如果能够更早识别高风险项目,提高进入临床项目的平均质量,其经济价值会显著超过减少几轮筛选实验。

 ⁠

历史上,新一代平台型药企的出现,往往都发生在一次科学突破被工程化、工业化的窗口期。重组 DNA 技术催生了 Genentech;受体陷阱蛋白和全人抗体工程平台支撑了 Regeneron;核苷修饰和递送技术促成了 Moderna。AI 与这些技术的不同之处在于,它不是一种单独的治疗模态,而是一套可以横跨小分子、抗体、蛋白质和核酸的发现基础设施。因此,它理论上能够支撑的管线宽度更大,平台的上限也可能更高。

 ⁠

目前而言,最接近下一代制药公司的是 Isomorphic Labs,公司在 2024 年与 Lilly、Novartis 的合作,首付款分别为 4,500 万和 3,750 万美元;另有分别最高 17 亿和 12 亿美元的条件性里程碑,以及销售分成。

 ⁠

 ⁠

04.

竞争格局

 ⁠

目前在大分子领域,最为突出的竞争者分别是前 OpenAI、Meta FAIR 研究者 CEO Joshua Meier 创立的 Chai Discovery 和从 MIT Jameel Clinic 研究项目发展出来的 Boltz。他们的路线差异具体如下:

 ⁠

•Chai Discovery:专注抗体,Enterprise-first,强调模型性能和大药企深度部署。

 ⁠

•Boltz:专注开源模型 + API 的收费逻辑,主打全模块。让 Claude/Codex/ 药企内部 agent 组合工作流

 ⁠

•Latent Labs:环肽路线,拥有湿实验室。目前与 AWS 合作负责分发,在客户方面走 Chai + Boltz 的混合路线。

 ⁠

技术

 ⁠

尽管缺乏 head-to-head 数据直接对比,但从三家公开实验中,我们可以看到各家的侧重点有所不同:

 ⁠

•纳米抗体与小蛋白模态更像是 AI 的低垂果实,是各家开始时共同选择的方向,但仍处早期方向。

 ⁠

•小分子与抗体类药物目前最成熟成药最多,都有数千亿美元的规模。但可能面临 Isomophic 的竞争。

 ⁠

•Chai 从一开始就专注抗体领域,目前属于领先地位。

 ⁠

•环肽是近期较热门的新兴方向,且这个赛道目前 Latent 暂时领先。

 ⁠

商业化

 ⁠

Chai 是三家中合作最成熟、交易结构最清晰的,已经进入了大药企正式部署阶段。其特点是定制模型路线,利用制药公司的专有数据,并深入适配其工作流。Chai 已公开宣布与五家独立药企合作,且年度订单费用高达中八位数美元。根据测算,其年度订单规模可能已经高达 2 - 3 亿美元。

 ⁠

而 Boltz 走的是开源 + 基础设施路线,Boltz-1、Boltz-2 和 BoltzGen 形成了三家里最深的开放模型栈,产生明显的学术与产业分发。目前累计超过 500 万下载、被超过 10 万科学家和 1000 家公司使用,并覆盖前 20 的制药公司。公司已经推出 API 产品,与 Claude Science、Benchling、Phylo 等工具和平台的集成,作为其他科研平台的底层能力供应商。

 ⁠

在费用方面,参考 Boltz 对 BoltzMol-1 的描述,一个小分子从靶点到实验验证的初始hit,计算加实验预算约为 10,000–15,000 美元,耗时 3–8 周。收费量级相比闭源合作类型少了一到两个量级。

在商业合作方面,Boltz 获得了三家的医药公司合作订单,但跟 Chai 的模式不同的是,Boltz 并不保留平台开发产生的化合物所有权,因此更多扮演一个工具属性。

 ⁠

潜在范式竞争:Anthropic

 ⁠

Anthropic 是目前大模型公司中最看重 AI for Science 的,正通过大量科研实验和人才招聘进入生命科学领域。

 ⁠

在最近一次蛋白质设计实验中,Claude 根据操作手册自主查阅资料、制定设计策略,并调度专业模型生成和筛选候选分子,再由 Adaptyv Bio 和 Twist Bioscience 进行湿实验验证。

Claude 成功编排了多个开源蛋白质设计模型,生成了具有高成功率和高亲和力的结合剂。报告显示,整体结合命中率为 26.8%,15 个靶点中有 14 个获得结合分子。

 ⁠

这里 Claude 负责理解研究目标、选择设计策略并调度工具;具体到生成骨架、设计序列和预测复合物,仍由专有模型完成。从竞争格局看,通用模型公司与专业模型公司也可能形成上下游合作。通用 Agent 可能可以成为专业模型的分发入口。

 ⁠

另外,Anthropic 最近更新了一则招聘招聘企业发展负责人,主要职责为发掘并执行与 AI 原生生命科学公司的收购、投资和战略合作。说明 Anthropic 希望通过收购强化在生命科学中的地位。

 ⁠

 ⁠

 ⁠

05.

团队与融资

 ⁠

以 AlphaFold 为班底的核心团队

 ⁠

•Simon Kohl|创始人兼 CEO

 ⁠

早期在德国卡尔斯鲁厄理工学院(KIT)学习物理,随后在德国癌症研究中心与KIT开展医学影像机器学习博士研究。加入DeepMind后,是AlphaFold 2的核心研发成员之一、Nature论文同等贡献作者,参与了神经网络架构与训练开发。他还开发了广泛使用的结构置信度预测机制pLDDT,起并共同领导DeepMind的蛋白质设计团队。

 ⁠

•Paul F. Jaeger|Head of AI

 ⁠

现任 Latent Labs AI 负责人。此前在 Google DeepMind 参与面向药物研发的大语言模型研究,是 TxGemma 的关键贡献者,并参与将大语言模型用于单细胞分析的研究。更早在德国癌症研究中心完成博士研究并领导交互式机器学习团队,是医学影像分割框架 nnU-Net 的共同一作。

 ⁠

•Alex Bridgland|创始技术成员

 ⁠

曾参与 DeepMind 的 AlphaFold 1、2、3,积累了跨多代蛋白模型的研发与工程经验。他是 AlphaFold 2 Nature 论文的同等贡献作者,主要参与数据、分析与推理系统开发。加入 Latent 后,与 Simon Kohl 共同搭建最初的机器学习代码库,并参与 Latent-X 的模型架构、预训练方法及数据流程开发,是公司早期模型与工程系统的重要建设者。

 ⁠

•Stefan Oschmann|战略顾问

 ⁠

曾任德国默克集团 Merck KGaA CEO,拥有大型医药与生命科学企业的管理经验。2025 年 12 月宣布其担任 Latent Labs 战略顾问。

 ⁠

除此之外,团队还有两名曾在 David Baker 团队的研究人员,以及专注实验平台与内部湿实验室设计的多名科学家。

 ⁠

融资历程

 ⁠

Latent Labs 最新一轮为 2025 年 2 月 天使轮 + A 轮融资 5000 万美元。A 轮由 Radical Ventures 与 Sofinnova Partners 共同领投,早期投资方包括 8VC、Kindred Capital 和 Pillar VC。天使投资人则包括 Google 的 Jeff Dean、Transformer 论文共同作者 Aidan Gomez,以及 ElevenLabs 联合创始人兼 CEO Mati Staniszewski。

 ⁠

相比之下,Chai Discovery 的融资节奏最快、规模也最大。从 2024 年 9 月的约 $3,000 万种子轮起,公司在不到两年内连续完成 A、B、C 三轮融资,累计融资约 $6.3 亿。2026 年 7 月的 C 轮融资金额为 $4 亿,估值达到 $38 亿,由 Index Ventures 领投,Kleiner Perkins、Sequoia 等参与;OpenAI 和 Thrive Capital 则是其早期投资方。

 ⁠

Boltz 仍处于更早期阶段,于 2026 年 1 月完成 $2,800 万种子轮融资,估值为 $1.25 亿。投资方包括 Zetta Venture Partners、Amplify Partners、a16z 和 Factorial Capital,个人投资者包括 Hugging Face 联合创始人兼 CEO Clément Delangue。

 ⁠

⁠⁠⁠

作者卡片

编辑卡片

⁠⁠⁠

延伸阅读

Astra 的 Computer Use 能力是如何实现的?⁠

Astra 的 Computer Use 能力是如何实现的?

›

2 万亿美元的 Anthropic 值不值得买?⁠

2 万亿美元的 Anthropic 值不值得买?

›

DeepSeek Harness 是自进化 Agent 的基石⁠

DeepSeek Harness 是自进化 Agent 的基石

›

Claude Tag 可能是一个 10x Claude Code 级别的产品⁠

Claude Tag 可能是一个 10x Claude Code 级别的产品

›

无法蒸馏的美国市场,谁在分食 Frontier Labs 百亿美金数据预算?⁠

无法蒸馏的美国市场,谁在分食 Frontier Labs 百亿美金数据预算?

›

跳转微信打开

  •  

腾讯会议全新的 AI 录音领夹麦,让 Agent 跑得更欢了

原创 Fenng 2026-09-15 17:30 浙江

好用的新能力

腾讯会议联合影石推出了一款硬件,AI 录音领夹麦。

这款产品基于影石 Mic Pro,为无线麦克风增加了一种新的用途:作为随身录音设备,记录办公场景里的会议和交谈,再交给腾讯会议整理。

腾讯会议和影石联名的这一款有什么特别之处?

第一时间拿到设备,上手体验了一下。非常有意思的是自带了一块六色墨水屏,可以自定义个性化图案和文字,见客户时换上公司 Logo,采访时放栏目名称,平时也可以放一句自己喜欢的话。设备小巧,可以磁吸或夹在衣服上,戴着像一枚自己设计的徽章。同一枚设备,到了不同人身上,可以有不同的样子。

戴在身上的样子可以自己定,我也想看看,这种个性化能延伸多远:录下来的内容,能不能按我的个性化需求进行整理?内容自动整理后,还能交给 Agent 继续处理,这个流程还得顺滑。

打开腾讯会议 App,绑定 AI 录音领夹麦,腾讯会议就多了一个随身的录音入口。App 本身已经有「录音笔」功能,这次多了一枚可以夹在衣服上的设备,也能承担日常开会的收音工作。

以前录下一场会议,通常只是给自己留个底。真要找某句话,还是得拖进度条、反复听。明明记得聊过,却想不起当时到底怎么说的。

即使整理成摘要,一句「客户对方案有顾虑」,也未必说清楚是预算没批、实施太麻烦,还是内部有人反对。这些细节,会影响后面怎么跟进。

多人线下交谈还有个麻烦:录下来了,却分不清哪句话是谁说的。用 AI 录音领夹麦上传至腾讯会议后,支持区分不同发言人,解决了我一直很在意的一个问题。整理讨论时,可以先把不同人的意见分开,再去确认结论和分工。

录音自动上传到腾讯会议后,自动转写、生成总结,这些已经不在话下,用户还能向元宝追问录音中的内容。对于本来就用腾讯会议的人,线上会议和线下录音能够放到同一个地方,少了一处需要单独管理的记录。

聊完一次产品需求,可以直接针对内容进行追问:哪些已经确定,哪些只是提了一下?反复提到的问题是什么?还有哪些事情没有明确负责人?

同一场谈话,不同的人想提取的东西往往不同。负责客户的人关心需求和顾虑,做项目的关心进度和分工,写稿时可能会更留意值得展开的观点。腾讯会议提供学习笔记、客户拜访、项目管理等纪要模板,就像墨水屏可以换壁纸,纪要也有适合不同场景的整理方式,让整理方式贴近手头的事。切换到「图文总结」,AI 还能根据讨论内容,把方案对比整理成表格,把项目排期画成时间轴。

会议纪要有了,接下来要做的事就更因人而异。有人要写稿,有人要改产品文档,有人要准备下一次客户沟通。 

腾讯会议开放了 CLI 和 Skills,让获得授权的 Agent 可以调用会议内容。在 WorkBuddy 里,通过内置的腾讯会议连接器完成授权,就能接着处理这些内容,无需自己配置 CLI。

比如,一次需求讨论结束,可以这样交代给 Agent:「根据这次会议,按我已有的文档结构,起草产品文档,再列出待办。还没确定的事项单独列出。」

再比如,一周的 5 次访谈,可能有线上连线,也有线下面聊。线上通过腾讯会议录制,线下用领夹麦记录并上传,内容都保存在腾讯会议里。授权后,就可以让 WorkBuddy 一起梳理:「根据本周的 5 次采访,整理三个选题方向,各附相关原话和出处,列出还需要补问的问题。」分散在不同时间、不同场合的交流,就能围绕选题放在一起分析,接着用到下一篇稿子里。

这样就少了手动搬运记录、反复向 AI 交代背景的过程。更重要的是,线上会议和线下交谈里的信息,能放在一起,成为后续工作的依据。

很多影响判断的细节,就发生在客户拜访时的一句追问、采访中临时展开的话题,或者散会后补充的几句话里。这些信息新鲜、具体,也容易随着交谈结束被遗忘。保留下来,AI 才能更好地理解:事情怎么发生的,之前讨论过什么,为什么最后做了这个决定。

这些信息,就是 AI 工作时需要的 Context,也就是上下文。这个词最近出现得很多,但落到日常工作里,无非是:事情怎么发生的,之前讨论过什么,为什么最后做了这个决定。背景留得完整,后续工作才更容易接上。

从这枚领夹麦,我看到腾讯会议正在迈出的下一步:让记录跟着工作,延伸到线上与线下、会中与会外。影石的硬件把现场声音收进来,腾讯会议接着转写、整理,让不同场合的沟通在同一个地方积累,成为 AI 理解个人工作背景的依据。

这套体验也给每个人留出了选择:墨水屏可以换上自己的风格,纪要模板可以按场景选择,图文总结让内容以适合任务的方式呈现,再由获得授权的 Agent 按自己的要求继续处理。从戴在身上的样子,到最后产出的一篇稿子、一份方案,都能更贴近自己的需要。

提醒:关于后续更多新功能的具体用法,可以看看 @腾讯会议 的介绍。

跳转微信打开

  •  

阶跃发布语音大模型StepAudio 3,拿下多个全球第一!

原创 阶跃StepFun 2026-09-15 15:29 北京

不只会说,更会听、会想、会创作。

今天,我们正式发布 Step Audio 3 系列模型,包括 StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen 和 StepAudio 3 Music。其中,多款模型在 Artificial Analysis 榜单中位列全球第一。

过去一年,语音大模型的发展正在从单点能力竞争,进入更完整的内容理解、实时交互和创作能力竞争。语音模型不再只需要“把文字念出来”,音乐模型也不再只是“一句话生成一段好听的音频”。

我们希望 StepAudio 3 往前再走一步:让模型真正理解声音、组织声音,并参与完整的实时交互和音频创作流程。

围绕这个目标,StepAudio 3 系列分别面向几类核心场景:真人级语音生成、完整音频内容生成、实时语音交互、复杂场景语音理解和音乐创作。

StepAudio 3 Realtime

不仅“能打断”,更能理解、思考和行动

今天,越来越多 Realtime 语音产品已经支持全双工、打断和低延迟交互。真正拉开体验差距的,不只是“能不能同时听和说”,而是模型能否在一场持续发生的对话中,边听边理解、判断何时接话,同时完成推理和任务执行。

StepAudio 3 Realtime 围绕这一目标进一步提升实时交互能力,支持原生全双工实时对话。

在 Artificial Analysis Conversational Dynamics 榜单中,StepAudio 3 Realtime 以 98.9%的综合得分排名全球第一,展现出领先的实时语音交互能力。这意味着模型不仅能够“听懂”和“回答”,更能够像真实交流中的人一样判断对话节奏——知道什么时候该回应、什么时候该等待,以及如何处理用户的临时打断和连续反馈。

与此同时,StepAudio 3 Realtime 以 99.7% 的语音推理准确率位列 Artificial Analysis Speech Reasoning 榜单全球第一。Speech Reasoning 聚焦模型直接理解音频并完成复杂推理任务的能力,是业内评估“原生语音模型”最权威的第三方基准之一。

模型还可以同时理解语义、语气、情绪、副语言和环境声音,让实时交互不只依赖文字内容,而是利用更完整的音频信息理解用户意图。

面对复杂问题,StepAudio 3 Realtime 支持推理与语音生成并行,在快速回应的同时继续组织和深化后续答案。

不仅如此,Tool Call 和长任务可以异步执行,不阻塞当前语音会话。任务运行期间,用户仍然可以继续交流,结果完成后再自然回到当前上下文。

这让 Realtime 语音模型不只是“更自然地聊天”,而是能够在同一场持续对话中完成听、说、想、做。

StepAudio 3 ASR

从听清,到听懂

传统语音识别主要解决“听到了什么”,但真实世界中的语音往往包含方言、口音、专业术语、同音词和复杂上下文。真正可用的 ASR 模型,不仅需要准确转写声音,也需要理解说话者表达的含义。

StepAudio 3 ASR 将高精度语音识别与大语言模型的上下文理解、知识和推理能力结合,让语音识别从“辨认声音”进一步走向“理解语境”。

它支持中文、英文、方言、中英混说、长音频以及专业领域等多类场景识别,能够适应不同语言环境和表达方式。同时,依托大语言模型带来的知识理解能力,StepAudio 3 ASR 能够更准确识别人名、地名、专业术语等复杂内容,在医疗、法律、金融、汽车、编程等领域提升专业表达的识别效果。

模型也能够处理低声、快语速、含糊连读、歌声和背景音乐等复杂输入,让真实声音环境下的语音被更准确地识别和使用。

这意味着,ASR 模型不再只是个声音转写工具,而是能够更准确地理解、检索和使用每一段语音内容。在会议纪要、视频字幕和直播理解、智能客服、车载交互、医疗记录、金融服务与专业内容生产场景,都能精准地完成任务。

StepAudio 3 ASR 在 Artificial Analysis 非流式语音识别准确性榜单中,WER(词错误率)仅为 1.7%,并列全球第一。

StepAudio 3 TTS

不止朗读,更像真人表达

声音不仅承载文字信息,也包含语气、节奏、停顿和情绪等丰富的表达细节。如何让 AI 生成的语音更接近真实交流,一直是语音生成模型的重要方向。

StepAudio 3 TTS 是一款面向实时交互场景的真人级语音生成模型,致力于让 AI 语音从“准确发声”走向“自然表达”。

模型在音色基底、语调层次、节奏律动和气口停顿等方面高度贴合人类自然口语模式,不仅能够生成文字对应的语音,还能还原笑声、迟疑、结巴、重复、改口等真实交流中的副语言表现,让合成语音更接近真人说话。

同时,StepAudio 3 TTS 能够结合语义内容理解表达意图,自主调整情绪与语气变化,使声音表达更加符合具体场景。在实时交互方面,模型基于流式生成架构,实现生成与播放同步进行,可满足实时语音应用需求。

我最近就特别纠结,就是要不要换工作这个事。呃,现在这家吧,钱少,但是离家近嘛,走路十分钟。新的那个offer呢,给得多,多个,多个四千吧大概,但通勤单程要一个半小时。我妈说钱重要,我朋友说命重要,我就,唉,怎么说呢,天天睡前想这事,越想越睡不着。

Man, my sister’s back with him...Again! I don’t even know what to say anymore. Like, this dude treats her like sh*t, they break up, she cries for a week, and then two months later he’s somehow back at her place. I mean… whatever, it’s her life. Still pisses me off, though.

StepAudio 3 Gen

人声、音效、环境、音乐,一次生成

传统音频内容生产往往是一条很长的链路。角色配音、环境音、音效、背景音乐需要分别制作,再经过剪辑、对齐和混音,才能形成最终作品。

StepAudio 3 Gen 尝试把这些原本分散的环节统一到一个模型里。

它可以基于自然语言描述和参考音频,统一生成人声、音效、环境音和背景音乐。用户只需要描述角色、场景和剧情,无需针对特定角色或场景进行额外训练。就可以直接生成具有完整声音层次的音频内容。

更重要的是,这些声音并不是简单叠加。

StepAudio 3 Gen 支持对多个角色的音色、说话方式、语气、情绪、方言口音,以及笑声、喘息、停顿等副语言特征进行精细控制,也可以进一步指定对白、音效、环境声和背景音乐出现的时间与顺序。

这意味着,模型不仅在“生成声音”,也开始参与整段内容的声音设计和时序编排。

对于影视、动画、游戏、广播剧、有声书和短视频创作者而言,原本需要素材搜集、多工具协作和大量后期处理的声音制作流程,有机会被压缩到一次生成和持续迭代中。

StepAudio 3 Music

不止生成,更参与创作

音乐生成模型已经越来越擅长“一句话生成一首歌”。但真正的音乐创作,并不应该是这样“简单抽卡”。创作者可能已经有一段歌词、一段清唱、一句旋律、一段乐谱、或者一个 Demo,希望 AI 接着往下完成编曲、改编和制作。

StepAudio 3 Music 因此不仅支持从零生成,也支持基于 ABC 记谱法控制的多轮交互创作。

模型支持歌曲创作、清唱配乐、歌曲翻唱等多种功能。用户可以提供歌词、清唱、参考歌曲、ABC 记谱法等多种输入,让模型围绕已有创作继续生成和完善作品。

温暖细腻的民谣流行,男声轻柔演唱,D大调,加入管弦乐元素,整体舒缓自然,带有怀旧、温柔而略带忧伤的氛围。

与此同时,用户可以通过自然语言直接控制曲风、人声、旋律、节奏、乐器、情绪、段落和制作质感。

模型还对主歌、副歌、桥段、间奏等歌曲结构,以及跨段落的旋律发展、能量变化和演唱表达进行建模,让生成目标不只是“一段好听的音乐”,而是一首结构完整、表达连贯的作品。

尤其在清唱配乐场景中,用户只需要提供一段清唱,模型就可以理解其中的旋律、节奏和情绪,并进一步补充和声、节奏、乐器和完整编曲。

一首温暖柔和的 City Pop 男声歌曲,带一点爵士和轻摇滚的感觉,氛围朦胧浪漫。

这让音乐大模型开始更深入地进入真实音乐生产流程,而不仅仅是一个“一键生成歌曲”的工具。

跳转微信打开

  •  

为了让所有人都用好AI,我做了这个......

原创 秋芝2046 2026-09-15 12:36 广东

雷猴啊盆友们!

AI 时代,普通人真的有机会吗 ?

互联网上充斥着大佬的融资、研究员的突破、天才的亿级年包~

有的人用 AI 创造了可怕的价值,有的人却只是被迫泡在失业的焦虑中,

AI真的只是少数人的杠杆吗?

这段时间 AI 发展得其实很快,但我的视频和公众号文章,反而发得更少了。

其实呢我没有休息,而是起早贪黑,把我对这个问题的思考做成了一个产品——炉子! 一个普通人的“能力网络”~ 

但在给你看产品之前,我想先讲讲我对开头那些问题的思考,

答案,得从互联网这几十年的几次变化说起。

图片

互联网的三次变化

1. 信息网络:让信息可以被找到

1989 年,欧洲核子研究中心,一个叫蒂姆·伯纳斯·李的人写了一份提案,想让实验室里的资料能互相链接。它叫万维网。

World Wide Web - Wikipedia

后来 Yahoo 把网站编成目录,

Google 拿算法给全世界的网页排序。

原来只能待在纸上、口口相传的信息,开始大规模在互联网上流动,信息网络出现了。

2. 社交网络:让人与人可以被连接

八年之后,1997 年,一个叫 SixDegrees 的网站,把个人资料、好友列表、关系,放进了网站,

后来 Facebook 把这种连接推向了全球。

原来只能靠见面、靠介绍达成的人际交往,开始大规模在互联网上连接,社交网络出现了。

3. 支付网络:让资金可以被转移

又过两年,1999 年,马斯克参与创办了一家叫 X.com 的在线金融公司,后来改名 PayPal——收款、转账、交易,第一次发生在互联网上。

再后来,国内的支付宝、微信支付,让扫码付款变成每天都在发生的事。

原来依托在纸币上、银行账本里的支付,也开始在互联网上被确认、被转移。

支付网络出现了。

这三次,都是互联网把原本绑在某个载体上的东西,变成了可分离、可复制的对象,然后,大规模流动。

信息可以被找到,关系可以被连接,资金可以被转移。

而每一次流动方式改变,普通人能做到的事都会变多,机会和权力,也会重新分配一次。

那到了 AI 时代,正在改变流动方式的东西,会是什么?

图片

AI 带来的新变化:能力开始脱离人本身

我们先来看这个AI时代,一个奇怪的现象。

每隔一阵子,大家都会听说一系列的热搜和新事儿~

谁用 AI 写了所有代码、谁的 AI 短剧接了代言、

谁的 AI 甚至研发了新药……

AI 确实大大赋能了一些人,比如OpenClaw的作者,但这种赋能极其不均衡。

因为大多数普通人轮到自己用AI的时候,第一步就卡住了:

怎么安装?装什么好?怎么提问?工具在哪?什么上下文?什么流程?  

因为真正决定结果的那些方法、经验、背景知识,在今天传递的非常困难,连保存都非常困难、非常分散。

就像我一直在做教程、写文章、录视频教大家用 AI,这些内容的确在间接地给大家提供能力,但本质上,传递出去的还是“信息”。

那个真正能把事情做成的“能力”,大家无法直接复制~ 

当然,其实几千年来一直如此,能力从来都没脱离过人。

自古以来你想获得一项能力,只有两个办法:

学习:让别人教你,再通过学习和练习,让能力在自己身上重新长出来一份,最后由自己执行。

雇佣:找到拥有这项能力的人,但这需要资本,也需要领导力。

从来没有"复制""粘贴",事情就做好了~

图片

AI 时代的新网络:能力网络

但现在 AI 改变的,正是这一点。

一个人做事的方法,他积累的行业经验、他的判断原则,可以被写下来,变成提示词、工作流、Skill,再交给另一个 AI 直接执行。

更复杂一些,还可以把它训练成某种模型,或者做成一个专用 Agent。

别人拿到一个接口,就能直接完成一件事。

大厂们也都在铺这条路,OpenAI、Anthropic比的都是谁的AI更"会做事",Skill、MCP、A2A,都在让模型更完整地拥有“做事”的能力。

把这些分散的变化连起来,我们看到的是,能力的确正在成为一种能被打包、转移和连接的东西。

你拿到一个能力包,就能把事情做成,相当于直接获得了一项能力。从更大的尺度来看,甚至可以说,你直接获得了生产力。

所以,AI 时代,最后一个还没被大规模连接起来的,也许就是完成事情的“能力”?

这个新的网络,也许可以叫“能力网络”,或者“生产力网络”。

我想了想,还是“能力网络”比较好听~

那这就是我们的推导~

图片

普通人进入能力网络的入口

于是呢,我们就非常大胆的,想做一个网络的入口,尤其是给普通人的入口,这个入口就是炉子!

那么!在现在这个时间节点,炉子可以做些什么呢?

实物时间到~

目前,炉子分成两个部分:

  1. 我的炉子:你自己私有的能力仓库;

  2. 能力网络:大家交换能力、交流经验和验证能力的地方。

图片

开始使用炉子:从安装到新手引导

那打开炉子的官网,

http://luzi.ai/

下载桌面端,

安装这个可爱的小吉祥物,炉仔~

因为现在还在内测阶段,所以登录之后,得等运营给你短信发邀请码。

也由于第一版肯定会有各种各样的小问题,所以第一批内测,我们开放一万个内测名额,邀请初代“炉子天使”先体验和反馈。

希望对 AI 感兴趣、愿意一起折腾和反馈问题的朋友,踊跃申请。当然初代天使们也会有永久的专属权益~

你的炉子号会是四到五位数,并且有金色名牌和带翅膀的皮肤,

还有一些我们准备的小礼物~  

进入炉子后,炉子会先给你的电脑把个脉,带你快速了解“我的炉子”里有哪些功能,并送给你几个常用提示词和 Skill。

这个过程是看看你安装了哪些 Agent、Skill 和 MCP,然后给你打一个“AI 分”。

什么都没有安装也没关系。过去很多朋友的确会卡在安装和选择这一步,

所以右边备了两个套餐:小白包和高手全套,大家按自己的情况选择一个,

那它就会帮你装好主流的 Agent,外加一些装机必备的推荐skill,一键装齐套餐了~

图片

“我的炉子”:存储和管理你的 AI 资产

那我们来到“我的炉子”,这儿主要用来存储和管理你平时积攒的那些好东西~

1. 统一保存各种 AI 资产

你可以在这里保存:

  1. Skill;

  2. 文字、图片、视频和网页提示词;

  3. 参考资料;

  4. 随手记;

比如,与 AI 聊文案时,你每次都要告诉不同的 AI:“我是 AI 博主,经常做哪些类型的内容。”聊管理时,需要说明:“团队有几个人,分别负责什么。”聊健康时,又要补充:“我的身高体重是多少,几天运动一次。”

以前,这些东西的确都散落在不同的地方:不同 AI 的对话和记忆里、本地文件里、飞书里、记事本里。每修改一版,就可能多存一份,或者多丢一份。

现在,我们可以把它们都存进炉子。

炉子还能帮你进行版本管理,随时回滚到某个版本,

Skill 也是一样。尤其是自己制作的 Skill,不需要使用 Git,也能管理版本~ 

2. 随手记录,再一键“炼成资产”

炉子还有一个“随手记”板块。临时想到的东西,可以随手记下来;

哪天觉得它有用了,还能一键把它炼成正式资产。

3. 通过插件和 Skill 随时存取

为了让这些数据存取起来更方便,我们还做了配套的浏览器插件和炉子 Skill。

浏览器插件可以帮助你在上网时,随时把值得记录的文字或图片保存进炉子。

你看,这就存起来了~

那炉子 Skill 安装到Agent后,你也可以直接对 Agent 说:“去炉子里自己找需要的上下文和好用的 Skill。”或者让它直接“把这个帮我存进炉子。”

它会自动帮你完成存取。

图片

Agent 管理:备份、迁移与接力使用

我的炉子另一部分,是管理你的 Agent。

这个页面显示的是你电脑上装的所有Agent,主流的基本都能识别到,

那怎么管理呢?

1. 一键备份和迁移 Agent 数据

之前很多朋友 Claude 被封号,所有的对话、记忆全丢了,懊恼得不行,好不容易养起来的AI就这么阵亡了。或者有的朋友用了一阵这个Agent,但是最近又说那个变强了,想把自己攒的Skill啊、插件啊、记忆啊都迁过去,特别麻烦。 

那炉子呢,小白朋友都可以一键备份Agent数据,

并且一键迁移到别的 Agent~ 

再也不怕封号,Agent想换就换,数据永远你自己掌握~

2. 管理 Skill 和 Agent 的使用状态

第二,你可以随时开启或关闭自己的 Skill。

甚至当一个 Agent 的额度用完后,还可以切换到另一个 Agent 接力对话~ 

细节就不详说了,那炉子中大家存的所有提示词啊、这些数据,都可以随时一键导出的。

图片

能力网络:让好能力更容易被看见和使用

前面介绍的是私人炉子的部分,接下来就是另一部分——能力网络。

目前,能力网络主要包括广场、讨论区、测评区和个人主页。

1. 广场:降低寻找和使用 Skill 的成本

大家现在都是怎么找skill和好用的提示词呢?

据我所知,要么呢是看AI博主们发的skill推荐,文章、视频,要么就是上 GitHub,很多朋友连 GitHub 都上不去。

有些集合站呢倒是收录了几万个乃至几十万个skills,可是你一打开网站,全是看不懂的英文名,也完全看不出效果长啥样。

想亲自试一个,得折腾一小时。 挑选成本太高了。

所以炉子的广场里,第一件事,就是把 Skill 能干什么,尽可能的摆明白:

用来干嘛的?你可以怎么问、它会答什么、最后出来的效果长什么样,作者推荐用什么模型?

使用过的人还可以留下好评或吐槽,也可以直接 @作者 提建议、反馈问题,让作者得到真实反馈,继续迭代。

而且!你收藏的 Skill,原作者一更新,你会马上收到提示,可以同步更新skill~ 

免得像以前人家作者都更到 V15 了,你还在用 V2。

那目前广场上是由我们的运营人员,自己制作,加上精选了一批github上开源的好的skill~ 

运营人员可能会为了用户更好理解,改了名,但是我们都标注了出处链接,

那虽然现在这些skill、提示词发出来,大多都是公开的,但我相信这类的哪怕是开源的创作权益会变得可追溯~

因此,我们给每一份资产都做了基础的指纹,署名链和查重:谁创作的、改编自哪一个 Skill,炉子都会记录下来。

如果你是创作者,我们还为你准备了“认领”按钮。假设炉子官方转载了你的 Skill,你可以直接点击“我要领回”。

认证并领回后,这份资产会归到你的账号下,

点赞数和收藏数也会一并平移给你;你也可以选择下架,由你自己决定~

开源精神的同时,更加彼此尊重~ 欢迎各位能力者来炉子发布自己的能力。

2. 让更多行业的能力者参与进来

过去的发布渠道,比如 GitHub、自媒体,以及 Anthropic 等大厂的官方渠道,其门槛决定了很多 Skill 都来自程序员、自媒体人或大厂员工。

于是,常见的内容总是竞品调研、财报分析、自媒体文案……来来回回就是这些。

但是生活里还有很多需求,也还有很多人有他们独有的经验和技能,比如律师、财税师、兽医、情感专家...等等,

炉子希望这些能力者不用再被拍视频或写代码的门槛拦住,也能把自己的能力传播出来,帮助更多人解决问题,并从中收获荣誉和利益~

我们也会持续想办法帮助大家~

3. 讨论区:让 AI 交流不必困在群聊里

能力网络中的第二个区域,是讨论区。

现在大家想交流 AI,是不是总得加入某个交流群?有些群门槛不低,甚至借此收费;更贵的还有几万元的各种训练营。整个过程不仅费劲,也相对闭塞,体验并不好。

所以,炉子做了讨论区。与 AI 相关的内容,都可以在这里讨论和联络,比如你是个剪辑师,最近看vibe motion特别火很焦虑,但完全不知道怎么做?

诶,炉子的vibe motion板块刚好有那么一群人专门在讨论这个,

你不仅可以加入讨论,还能直接收藏和使用他们在帖子里挂出来的相关技能、提示词和案例,

还能跟他们加好友、发私信,是不是很爽~ 

4. 炉子 Lab:让真实问题由真实用户来测

第三个区域,是测评区,炉子 Lab。这算是一个实验区域。

现在,AI 模型和 AI 工具层出不穷,但普通人很难真正看出区别。

目前,大家要么看 Benchmark,但谁都知道,Benchmark 往往无法代表自己的真实使用需求;要么看我们这样的博主做实测。

虽然我自己就是做这个的,但我很清楚,这种方式依然比较低效,而且我测试的类型也无法覆盖所有人的需求:

有人就要看写作,有人要看能不能解决自己的祖传 bug,有人要看做动画,有人看重AI的哲思~

诶所以呢,我就想做一个炉子测评区:题目由大家出,结果由大家测~

同样的题目不同模型的真实效果,就这么摆在这,路过的人谁都可以点一个 惊艳、还不错、或者拉了...  同时大家也可以对结果进行讨论和点评,

当发布一个新模型的时候,你可以来看看大家实测的效果对比,也可以上炉子找一个你喜欢的真实场景题亲自试试,

我希望的AI测评,是大家关心的真实问题,和大家跑出来的真实结果~

毕竟,AI 好不好用,真实的使用者说了才算。

图片

个人主页:让能力成果自己说话

那最后,说一下每个人的个人主页~

在做炉子的第一天,我们就做了每个人的成就积累,每个人的主页上都能看到它发布了什么、被收藏了多少次,多少人使用,多少人好评,参与多少次讨论,帮助了多少人 ~ 

因为我认为,AI时代的能力,不应该设置“被看见”的门槛。

过去,一个人的能力想要被看见和证明,评价标准一直在变化。

先是卷学历;学历不够了,就卷实习和工作经历;后来,又开始宣扬做自媒体和个人 IP。

但每一轮卷的其实都不是能力本身,而是“证明你有能力”的表象,并且证明的成本一轮比一轮高。

可是医术精湛的宠物医生,未必擅长在镜头前表达~  

AI时代不该这样,这应该是一个不看年龄、不看学历,更不用看谁的视频做得好的时代。

你的能力成果,自己会说话。

图片

炉子:一个有温度的能力网络

1. 我们想让能力真正流动起来

那这就是炉子目前的产品形态了~ 也是能力网络的雏形。

虽然还是雏形,但我其实想到未来就会很激动。

大家可以在炉子上像组队一样挑选需要的各种能力,组装自己的能力。

每个人都不用被那些需要几年甚至十几年训练的技能所拦住。人们彼此帮助,彼此协作,补齐短板,放大长板,大家都有更多的时间思考清楚自己想要创造的东西,发挥自己擅长的东西,这是一种更高级的协作,一个更多人能用的杠杆。

当然了,炉子现在流通的东西还不算多,还远远没到完全形态,

所以未来,我们也会上线简单的交易功能,不只是目前这些能力包,还有完成一件事的整个配方、以及别人的Agent、包括能直接解决问题的人,都可以自由流通~

炉子不是一个 Skill 集合站,也不是一个传统的社区。

我们认真的想做的,是让能力本身存得住、找得到、带得走、跑得通。

最终,形成AI 时代的能力网络。

2. 为什么叫“炉子”?

那为什么叫"炉子"呢?其实2023年,还没有秋芝2046,我就注册了luzi.ai ~

当时我就告诉朋友,我想做一个AI产品叫炉子,

朋友问我:为啥叫炉子 AI?很不科技啊。

我说,大模型抽卡,就很像西方的炼金术士,中国的炼丹!

"炉子"就很有中国特色啊!

朋友不明觉厉,但其实更重要的理由,我当时没好意思说,

我希望AI不是一个让人感到焦虑,感到恐惧的技术,而是一个让人温暖的发明。

我真心的认为,AI 不应该让阶级差异更大,人们更分裂,他应该是技术越强,就越公平普惠、人类越发抱团取暖。老粉都知道我的签名和我做博主的目标:让更多人用好 AI。

可是现在的 AI 领域,更多人的目光都聚焦在少数的精英身上,大家在意boris一条推特、 卡帕西一个词,播客上MIT毕业的研究员....  

他们固然很棒 ~但我感觉普通人受到的关注远远不够多。很多人会觉得自己很难参与,连用 AI 都是被焦虑推着走。

但我怎么想都觉得 AI 不应该是只把少数人变得越来越强,然后把不会的人甩得越来越远,它本身就是打破各种壁垒的东西。

所以我想,好的技术,应该像炉子一样:让人愿意围过来,交换经验,彼此照亮。

图片

好啦,最后我想说,我和我们团队本身就通过 AI 做成了很多原本做不成的事。

所以作为 AI 切实的获益者,真心希望你也是!

所以来吧!

创造能力的人、使用能力的人、验证能力的人,都是这张网上的一个节点。

欢迎来到炉子AI🔥,欢迎一起构建一个公平、自由、强大的能力网络~

http://luzi.ai/

现在就可以去官网申请内测啦!邀请码会分批发放,已经申请但这批没排上的朋友也别急,后续会陆续发放更多批内测码,大家可以持续关注 ❤️~

下次见啦!

跳转微信打开

  •  

黄仁勋最新Allin现场对话录,揭秘 AI 时代的权力图谱与生存法则

原创 Web3天空之城 2026-09-15 12:17 北京

WebSkyCity

黄仁勋对话录,揭秘 AI 时代的权力图谱与生存法则

在当今全球科技版图上,没有任何一家公司能像 NVIDIA 一样,既是淘金热中最稳固的“铲子提供商”,又是新工业革命的“发动机”。作为这家市值巅峰企业的掌舵人,黄仁勋(Jensen Huang)的每一个决策、每一段论述,都在重塑着从硅谷实验室到全球数据中心的权力格局。在今天这场备受瞩目的allin深度对话中,这位身着标志性皮衣的“GPU 之神”回应了关于 AI 末日的恐慌论调,更完成了一场关于“数据中心即国家主权”的跨洋连线。

目录

全局摘要和核心观点

愿景、领导力与 NVIDIA 的崛起

安全性与领导力的虚假抉择

剥离 AI 恐慌:审视虚假预测

NVIDIA 的企业文化:专注与非政治化

监管的实际路径:从工程角度出发

RSI 技术与实验室的工程化转型

开源的博弈:闭源与开源的共存

中美 AI 竞赛:务实叙事与人才规模

工程进化的视角:从打字到创造

突发:总统特朗普的越洋连线

战略拆解:NVIDIA 的资本配置与生态构建

向上攀升:NVIDIA 的垂直整合策略

全栈能力:从自动驾驶到生物医药

竞争格局:Elon Musk、中国与光刻技术

迈向超级智能:现状与愿景

全局摘要

本次深度访谈涵盖了 NVIDIA 首席执行官 Jensen Huang 对 AI 安全、行业监管、地缘政治竞争以及技术未来的深刻见解。对话中,Jensen 驳斥了关于 AI 终结文明的恐慌论调,强调了务实工程精神和开源生态对美国创新的核心意义。访谈过程中还意外接入了特朗普的连线,双方就数据中心作为国家战略资源的地位以及 AGI 竞赛达成了高度共识。

核心观点

  • 安全与领先并非对立

    :通过成熟的工程流程和透明的评估机制,可以在确保安全的同时维持技术领先,所谓的“二选一”是虚假命题。

  • 开源是创新的基石

    :开源模型为全美数万家初创企业提供了参与 AI 竞赛的机会,是实现美国 AI 普及化、主权化的关键。

  • 数据中心是“新石油”

    :数据中心不仅是计算设施,更是新工业革命的基础设施,对美国再工业化、就业增长和能源战略具有深远影响。

  • 务实主义应对 AI 威胁论

    :反对基于非科学依据的末日预测,主张回归工程本质,解决实际发生的事故并防止重演。

01

剥离 AI 恐慌:实用主义对决末日叙事

在访谈的开篇,黄仁勋便对当下流行于前沿实验室中的“AI 灭绝论”进行了猛烈抨击。针对一些研究人员提出的“10% 灭绝风险”,他直言不讳地指出,这完全是“捏造出来的,是不负责任的行为”。在他看来,这种叙事缺乏科学依据,甚至与美国赢得 AI 竞赛的目标背道而驰。

黄仁勋列举了历史上多次被证伪的预言:从“放射科医生将被完全取代”到“白领就业末日”,事实证明,AI 更多是在优化行业效率而非消灭行业。他强调:“我们必须为所有那些愚蠢的预测承担责任。这些言论并非建立在科学基础之上,也不是建立在研究基础之上”。他主张将关注点从虚无缥缈的末日预言转向真实的工程挑战。对于那些在实验室发生的事故,黄仁勋认为应当像处理任何工程故障一样:“从工程角度查明问题的根本原因,实现制度化,并确保我们不会重蹈覆辙”。

02

安全监管的路径:从实验室管控到第三方评估

谈及监管,黄仁勋持有极其务实的态度。他认为,与其在未知领域制造恐慌,不如先落实好基础的工程标准。他指出,由于前沿实验室拥有最强大的计算资源,它们理所当然是风险的源头,也理应承担最高的安全标准。

“安全性显然是至关重要的,但安全与领导力并非对立,而是一个虚假的抉择”。黄仁勋建议,监管应当旨在解决实际问题,而非阻碍创新。他支持建立类似财务审计的第三方评估机制:“我们应当有独立的评估者或审计师,这可以确保单一公司不会受到某种程度的影响,让我们安全地构建这项技术”。这种从研究阶段向工程阶段的转型,正是 NVIDIA 自身成功的基石,也是他认为整个 AI 行业必须经历的阵痛。

03

意外的连线:数据中心是未来二十年的石油

访谈现场发生了一个戏剧性的插曲:特朗普接入了连线。在对话中,双方就 AI 的战略地位达成了惊人的共识。特朗普在通话中明确表示:“数据中心是未来 20 到 25 年的石油,这比互联网 and AI 更重要,程度深得多”。

黄仁勋对此表示高度赞同,并进一步阐述了数据中心对美国再工业化的战略意义。他认为,AI 正在创造海量的就业岗位,并带动了全美范围内对土地、电力和能源的基础需求。“我们正在创造一场新的工业革命,这个新产业需要制造业支撑。它不仅关乎模型和芯片,更关乎基础设施、建筑施工、电力和发电”。在他看来,谁赢得了 AI 竞赛,谁就赢得了未来。这不仅仅是科技公司的竞争,更是国家综合实力的较量。

04

开源的博弈:主权 AI 与普及化的必由之路

对于开源与闭源的争议,黄仁勋给出了一个形象的比喻:“封闭式模型就像瓶装水,而开源则是免费的水。你需要在合适的地方使用合适的水”。他坚信,世界既需要顶尖的闭源模型,也绝对离不开开源生态。

他特别强调了开源对美国创新的核心价值:“过去六个月里,有 4000 亿美元的风险投资投入到了 AI 原生公司中,其中 80% 的公司都在使用开源模型”。黄仁勋认为,如果 AI 竞赛只掌握在少数几家科技巨头手中,那将是美国的悲哀。开源使得每一家企业、每一个行业、每一位学生都能参与其中。“开源模型实现了 AI 的普及化,这关乎美国的每一家企业,是让所有人受益”。

05

全栈能力与垂直整合:NVIDIA 的生态帝国

NVIDIA 如今的角色早已超越了硬件厂商。通过收购 Hugging Face 以及在生物医药、自动驾驶领域的深度布局,NVIDIA 正在构建一个全栈式的技术帝国。然而,黄仁勋解释道,这种向上攀升并非出于竞争野心,而是出于“需求驱动”。

“我这个人其实意外地没什么竞争心。我们去发明所有必要的技术,根据需要尽可能深入,然后我们让百花齐放”。他提到,如果 NVIDIA 不去构建生物学模型(如 ESM 蛋白质语言模型),世界可能就不会拥有这些技术;如果 NVIDIA 不去构建自动驾驶的思考推理架构,许多汽车公司就无法实现智能化。“我做的一切都是出于需求。我们每天醒来并不是为了去颠覆任何人,而是想帮助所有人”。这种“隐形巨人”的策略,让 NVIDIA 渗透到了新工业革命的每一个毛细血管。

06

结语:在智力的最前沿,人类正共同抵达

在访谈的最后,黄仁勋对 AGI(通用人工智能)和超级智能给出了肯定的判断。他认为,在自动驾驶、蛋白质筛选等特定领域,超级智能已经降临:“当我关注一个狭窄的领域时,它比人类做得更好,这就是超级智能”。

面对与中国等全球对手的竞争,黄仁勋表现出了冷静的危机感:“他们非常擅长大批量生产,他们到 2030 年就能实现先进光刻系统的自主研发。美国必须行动起来,竞速模式才是唯一的出路”。尽管面临地缘政治的复杂挑战,他依然对未来保持着乐观。他呼吁所有人积极参与到这场变革中:“未来是美好的,我们渴望抵达那里。作为人类,我们将共同取得巨大的成功”。

完整访谈整理

黄仁勋最新Allin现场对话录,揭秘 AI 时代的权力图谱与生存法则

愿景、领导力与 NVIDIA 的崛起

主持人

那是 Jensen Huang。他是 NVIDIA 的创始人兼首席执行官。无论你是否意识到,他的决策正在塑造你的未来。NVIDIA 是当今市场上最重要的股票,而 Jensen 可以说是史上最优秀的高管。

大卫·弗里德伯格

营收同比增长了 97%。

黄仁勋

需求不仅依然强劲,实际上还在加速增长。

大卫·弗里德伯格

NVIDIA 是唯一一个提供全栈 AI 工厂的计算平台。

杰森

GPU 就像一台时间机器,因为它能让你更快地预见未来。

黄仁勋

如果我们能够预见未来并预测未来,那么我们就有更大的机会让未来成为最好的样子。

查马斯

请欢迎 Jensen Huang。他在入场时就获得了全场起立鼓掌。

杰森

来吧,继续。入场时的起立鼓掌。这就是我们要找的人。

女士们先生们,GPU 之神。他们爱你。

他们爱你。

黄仁勋

谢谢你们。我也爱你。全球排名第一的播客。

杰森

确实。

大卫·弗里德伯格

我们喜欢这件新夹克。

黄仁勋

我只是觉得你们需要一些活力。我知道我们在这里讨论的是严肃的事情,但我们需要充满活力地讨论它。


安全性与领导力的虚假抉择

查马斯

让我们从这周末的这篇文章开始吧。哪一篇?让我们从 Dario 的文章开始吧,因为 Hemingway 参与其中了吗?说真的,有人用 Pangram 运行过它吗?我甚至不知道其中有多少内容是 AI 辅助生成的,但那确实是一件令人惊叹的事情。许多人感到惊讶的是,各大前沿实验室围绕这篇文章本身形成了共识。Jensen,请梳理一下发生了什么,你是如何解读和阐释它的,之后我们再探讨其中包含的一些细节。但也许可以先从宏观层面的想法谈起。

黄仁勋

首先,里面确实包含了很多内容。关于安全性的部分,我们必须非常认真地对待。安全性显然是至关重要的。安全与领导力并非虚假的抉择。你们能够快速创新,你们能够快速执行,而美国有能力在确保安全的同时实现领先。我认为这些是虚假的抉择,但安全显然至关重要。

我认为他所提到的是内部控制的问题。关于 Coxon 的举报是非常严重的问题。无论何时出现举报者,都必须予以高度重视。我认为 Coxson 勇敢地表达了自己的关切,这非常令人敬佩。即便在那时,其中也存在一些被混为一谈的问题。我认为举报行为本身没有问题。但我认为关于未来的科学预测则大有问题,因为显而易见,这并不是基于科学的。尽管这是由一位科学家表达出来的,但显然并未建立在科学依据之上。因此,我对此持反对意见。

关于举报的部分,我认为其中包含了很多复杂的情况。暂停、控制进度,这些都是他们可以采取的自愿措施。如果他们觉得公司已经失控,如果 Coxon 看到了什么,当然,我们并不清楚 Coxon 究竟看到了什么。但如果他看到公司已经失去控制,或许这就是从研究向工程转型过程中出现的问题。如你所知,这些实验室正在从研究阶段转型为工程阶段。非凡的天赋,非凡的工程造诣。但显然,工程与研究是不同的。也许这种转型是笨拙的。我们不知道他看到了什么,归根结底只有他自己知道。但如果涉及失控问题,那又是另一个话题了,政府该如何应对?现在突然间的监管,它把一切都囊括在了一个统一的范畴内。


剥离 AI 恐慌:审视虚假预测

查马斯

你能帮我们梳理一下吗?我们这周在节目上确实尝试过推演这个议题,但很难。你该如何描述它?我妈妈打电话问我:Chimoth,这整个文明终结的事到底是怎么回事?我不知道该如何向她解释。所以当像他们这样非常聪明的人将其量化 and 量值化时,我认为这可能就是令一些人感到不安的原因。他们会想,百分之十的灭绝风险到底意味着什么?没有人知道该如何向普通人解释这怎么可能。

黄仁勋

首先,我们本不该这样做。因为它完全是捏造的。

大卫·萨克斯

首先,我认为我们不应该这样做,因为这是编造出来的。

黄仁勋

而这些人受过良好的教育。他们被称为研究人员。在实验室里工作。这些词汇的汇集,再加上这种预言,是令人震惊和不安的,这种做法不应被采纳。这是不负责任的。

让我们回顾并审视真实的客观事实。事实是,曾经有一个预测称五年内放射科将完全被人工智能取代,世界上将不再有放射科医生。事实证明情况恰恰相反。世界上比以往任何时候都需要更多的放射科医生。然而,AI 确实完全接管了放射科,这是一件好事。它是自动化扫描解读,这非常棒。

曾经有一个预测称在 6 到 12 个月内,90% 的代码将由 AI 生成。事实证明这是错误的。在 6 到 9 个月内,也就是去年预测的,50% 的入门级职位将被淘汰。事实证明这是错误的。让我看看,还有什么被证明是错的?所有这些预测都被证明是错的。

大卫·弗里德伯格

如果你当时认为 GPT-2 发布太不安全,或者认为 Llama 3 发布太不安全。我们听过那种说法,说明年一半的白领工作岗位就会消失。就业末日,没错。

黄仁勋

我们需要承担责任。我们必须为所有那些愚蠢的预测承担责任。总得有人负责。所以我们必须把所有这些记录在案。人们确实会这么做,并提醒我们,这些预测与美国最终赢得 AI 竞赛的目标并不一致。

查马斯

简而言之,有些人主张“相信专家”,他们以 COVID 为例——同样地,这件事最初也是由研究人员和受过教育的人发起的,他们对事物的认知与我们其他人存在不对称性,但他们所说的话最终在事实层面被证明是不准确的。因此,目前在“相信专家”运动与“让我们审视这些预测的真实历史,并更具条理地进行思考”的观点之间,存在着一场博弈。这种论调源于何处?因为它正是出自那些实际研发这些技术的机构内部。例如,你认为其心理构成是什么,或者说真正的动机是什么?也许是商业动机,也许是政治动机。你能不能猜一下,或者说你是如何看待他们为何要这样做?


NVIDIA 的企业文化:专注与非政治化

黄仁勋

这些公司是历史上最具影响力的公司之一。卓越的工程师,卓越的研究人员,工作真的非常出色。一方面,我作为公司代表与他们紧密合作。另一方面,我们必须在公共场合进行这样的对话。这实在令人遗憾。我认为这些公司真的应该像我们过去建立公司那样去运营,即保持低调。

大卫·萨克斯

没错,你知道吧?

杰森

等等,Jensen,你不允许组织里的任何人代表整个组织发言,尤其是当他们情绪不佳或愤而离职时?他们不允许代表你或组织发布推文吗?代表组织吗?

黄仁勋

因为这就是他们加入我们公司时所达成的共识。我们告诉他们,这就是你们在我们公司工作时的行为准则。如果你喜欢我们公司的文化,正如你所知,NVIDIA 的文化和 NVIDIA 的员工群体,他们都感到非常幸福。

他们喜欢公司始终如一、稳定可靠,喜欢我们的核心价值观与关怀家庭相契合,喜欢我们创造了让他们能够成就毕生事业的条件。我们做的是有意义的工作,并且尽可能低调地完成,我们为他人的成功做出贡献,对此我们深感自豪。这就是人们受这些核心价值观吸引的原因。

但当你来到我们公司工作时,有些事情是我们所不赞同的。例如,我们不欢迎在公司内部进行政治论争。请把这些带回家去处理。你们可以在公司外部讨论政治。我们公司是一个非政治化的公司。要知道,我们是跨党派的。我们希望美国取得成功。我们希望,无论哪个政府在位,我们都会尽我们所能帮助美国取得成功。因此,关于种族、宗教、政治以及所有这类的话题,我们告诉员工,请在公司外部进行讨论,这些不适合在公司内部进行。


监管的实际路径:从工程角度出发

查马斯

在 AI 监管方面,更具体地说,Satya 今天早上来过这里,他所说的是,在讨论那些可能真正阻碍发展的监管之前,我们为什么不先落实好一些基础工作呢?我们为什么不先把衡量标准做好?我们为什么不先把标准化工作做好呢?

黄仁勋

先把工程工作做好。

查马斯

落实好工程基础,以更可预测的方式转化研究成果,这样我们就不会制造恐慌。在准备好发布之前,请将其保密。你认为合适的应对措施是什么?Demis 曾提出过一个建议,类似于某种类似 FINRA 的组织。目前还不清楚 Dario 想要什么,那种拥有某种控制权的跨国变体组织。对此你的立场是什么?关于我们当下究竟需要什么的视角?

黄仁勋

监管应当旨在解决实际问题。所以问题在于,我们究竟遇到了哪些实际问题?如果你审视这些实际问题,到目前为止,所有实际问题都源自这些实验室。其原因在于,是因为他们拥有最强大的计算资源。而原因在于他们正试图解决前沿领域的问题。所以,这是为他们辩护。

最危险的源头来自这些前沿实验室,这是合乎逻辑的。高中生不太可能做到这一点,因为他们根本没有足够的计算资源。初创公司也不太可能是原因所在,因为它们同样没有足够的计算资源。事实上,放眼全球,除了那些前沿实验室之外,其他所有人都没有足够的计算资源。

如果你审视实际发生的情况,他们正在从事开创性的工作,这确实非常困难。他们正在从研究阶段向工程阶段转型。我可以预见,他们正在打造世界上最具影响力的技术和公司。他们正在建立自己的公司,建立自己的企业文化,构建相关技术,进行工程建设,并同时开发各项产品。所以我能理解这种如火烧眉毛般的紧迫感。

面对一个实验室发生的 4 起事故以及另一个实验室发生的 1 起重大事故,首要任务就是从工程角度查明问题的根本原因。究竟发生了什么?我们本可以采取哪些不同的做法?我们打算从工程角度实施哪些改进措施?实现制度化,无论是技术、方法还是流程,并确保我们不会重蹈覆辙。我敢打赌,在所有这些案例中,未来他们都有能力去预防此类问题的发生。因为如果不在他们的控制范围内,那情况就另当别论了,但我确信,那 4 起事故不会再次发生。我确定他们已经查明了根本原因并解决了问题。我相信他们现在已经有了相应的技术。在沙盒、运行时、监控器以及持续监控方面,技术已经先进得多。所以我确信他们现在拥有远胜以往的技术。

另一种可能性也不太可能出现,即他们站出来说,看,我们确实遇到过这些事故。在分析结束后,我们得出的结论是,我们对发生的一切一无所知,也完全不知道该如何管控,所以我们向社会寻求帮助。现在,如果情况确实如此,那么我们应当召集一批拥有工程师的公司,派遣工程师过去。如果我们能提供建议,就应该协助他们。但我对此表示怀疑。我认为他们拥有非凡的人才来处理这些问题。


RSI 技术与实验室的工程化转型

大卫·弗里德伯格

但我们并非在真空环境下运作。David,昨晚你告诉我有一家中国实验室,即 GLM 的开发者,他们打算投入 30 亿美元进行递归自我改进实验。也许你可以向 Jensen 介绍一下。这就是当时宣布的内容。

智谱 AI 的创始人刚刚筹集了 50 亿美元,并表示他们的重点目标之一是尝试实现由 AI 训练下一代 AI,并尽可能地将这一过程自动化。

黄仁勋

这是一个新的热门词汇。但正如你们所知,RSI 是一套思想体系的结合。它的一切始于上下文学习,始于技能,始于反思,始于强化学习和合成数据生成。这些都是非常合理的理念,能让 AI 随着时间的推移,在解决问题方面变得越来越出色。

你也可以使用低秩(low rank)。所有这些内容都不包含权重本身。你实际上可以改进权重,这就是所谓的 LoRA。LoRA 可以通过合成数据生成和强化学习来改进,无需训练基础模型本身即可实现增强。然后随着时间的推移,你可以再次训练基础模型,并结合所有这些经验。因此我认为,利用这项技术来提高各种任务的生产力,包括构建 AI,是一个合理的做法。我认为这是一个非常合乎逻辑的想法。我敢肯定每个人都在某种程度上使用它。只是这个短语现在被以某种方式用来将技术武器化,或许也用来扭曲这项技术。

杰森

他们试图给人一种局势即将失控的印象,但你并不认为那是真实的。

黄仁勋

当然不是这样。原因在于你可以在公司内部全天候进行 RSI。但在发布产品时,你必须对其进行评估。你必须再次测试它,确保没有回归问题。随着这些实验室从实验阶段转向工程阶段,基本的控制流程将使它们具备更好、更强的控制能力。当他们拥有了更好的控制能力时,这种控制源于方法、知识、实践、工具和技术,以及所有那些能带来更好控制、验证 and 纠错的事物。这将使公司内部能够进行 RSI,并向外部发布优质产品。


开源的博弈:闭源与开源的共存

查马斯

我们来谈谈开源吧。关于 Hugging Face,我们之前交流过,我说这将是后果最深远的收购之一。我甚至不想称其为一笔交易,因为我认为它比那重要得多。请用第一性原理为我们解释一下开源、闭源与开放权重之间的区别,以及这个生态系统未来应该如何整合?

黄仁勋

世界既需要闭源模型,也需要开源模型。你想使用的话,我会尽可能多地使用闭源模型。这个周末,我使用了其中的 4 个。它们运行得非常出色,处于前沿水平,带来了很棒的体验。它们表现得令人难以置信,而且一直在不断改进。

我对封闭式模型的理解,就像是瓶装水一样。水是免费的,各位。今天早上我淋浴时用了大量的免费水。所以,你要在合适的地方使用合适的水。这和电力没有什么区别,和我们在世界上使用的各种商品没有什么不同。这两者你都需要。

关于开源,之所以需要它,可能是出于主权、隐私或专有技术等方面的原因。在过去六个月里,有 4000 亿美元的风险投资投入到了 AI 原生公司中。其中 80% 的公司都在使用开源模型。如果没有开源模型,他们将如何实现自己的梦想?因为他们的梦想可能各不相同,与那些前沿实验室的梦想是不一样的。

美国拥有多种多样的创新方式。这是我们的核心优势之一。伟大创造正源源不断地涌现出来。开源模型使得每个人都能参与其中。如果我们想赢得 AI 竞赛,这不应仅仅是少数几家科技公司赢得这场竞赛。这关乎美国的每一家企业、每一个行业、每一位研究人员、每一家初创公司,是让所有人受益。其中一些人会使用闭源模型,而很多人会使用开源模型。


中美 AI 竞赛:务实叙事与人才规模

黄仁勋

这里有 1000 万……

大卫·萨克斯

请允许我问一下,开源模型是来自中国还是美国,这重要吗?

黄仁勋

我们正在竭尽全力为开源模型做出贡献。然而,当你下载时,目前全球对开源的贡献绝大多数可能都来自中国。他们只是拥有更多的工程师,因为那是一个大国。他们大批量地培养科学和数学专业的学生。这是我们的劣势之一。他们通过像清华大学这样卓越的大学,正在大规模地培养这些人才。

他们如今也为开源做出了贡献。我们下载 Linux,下载 Kubernetes,以及所有的软件,其中许多代码都有中国开发者的参与。一旦你下载了它,它就是你的了。我们对其进行分叉、改进,并将其据为己有。所以,当你下载这些中国模型时,虽然它们是由中国非常优秀的科研人员开发的,但现在它们属于你了。至于具体用来做什么,随你想要怎么用。

大卫·萨克斯

那么,所谓的竞赛究竟是什么?

黄仁勋

竞赛?

大卫·萨克斯

没错。

黄仁勋

我认为这是一个非常好的切入点。我的观点是,这场竞赛的核心在于谁能更好地利用这项技术。在上一次工业革命中,所有的发明家都是 Maxwell、Volta、Ampere,他们都不是美国人,工业革命起源于欧洲。但我们充分利用了它。我们在社会层面比世界上任何人都更好地利用了它,看看我们现在取得的成果。我想确保下一代也能实现同样的发展。

大卫·萨克斯

那么,为什么他们现在能如此成功地传达他们的信息呢?

黄仁勋

我认为首先是因为他们的叙事更为务实。在中国,没有人会谈论什么末日终结之类的话题,也没有什么灾难性的预言,或者毁灭之类的说法。

大卫·弗里德伯格

他们对此的态度要务实得多。

黄仁勋

他们将 AI 视为一种能够推动经济发展、促进社会进步的技术,并且他们没有那些宣称这会终结文明的群体。而我们却在捏造这些观点。令人沮丧的部分在于,如果这些说法是真的,那么我们确实应该讨论并采取行动。即便这些是真的,我们也应该花更多时间去采取实际行动,而不是去惊扰那些对此无能为力的人群。我们的工作就是把它做好。

大卫·萨克斯

历史上是否曾有过这样一个时刻,如此多的人以如此强烈的态度去宣扬某种完全不属实的内容?

黄仁勋

而且它们在可量化、可论证的层面均被证明是不实的。即便是在逻辑上讲得通的事,也是不实的。它并非建立在科学和研究的基础之上。基于科学和研究的事实则证明了相反的结论。


工程进化的视角:从打字到创造

大卫·萨克斯

这是出于对未知领域的恐惧吗?人类从未涉足过那里,从未见过它,因此我们对它感到恐惧,进而就很容易鼓动所有人一起恐惧吗?

黄仁勋

这也可能与人生阅历有关,David。我刚从学校毕业时是一名工程师,那时我并不怎么打字。原因在于我是软件普及前的那一代人。我们当时必须先去构建计算机,才能让软件成为可能。你能想象吗,在这之后进入工程领域的每一个工程师,所有的时间都花在打字上。从字面上看,这就是你们所做的工作。

当你入职时,他们会给你一台笔记本电脑,给你一把椅子,然后你就开始打字了。你整天都在打字,你从醒来的那一刻起就开始打字。在打字时代之前,也存在着工程技术。你能想象吗,世界还有堆积如山的工程工作要做,而其中大部分已经不再是敲键盘了?

在敲键盘之外,我认为在敲键盘之后,我们还将完成许多伟大的工程。我说的敲键盘,指的是编写代码。即便是在 NVIDIA,当软件工程师和我交流时,我也会开玩笑地对他们说,我最喜欢的按键是 Backspace。原因在于,最好的软件往往是规模最小的软件。所以我希望你们能尽可能多地使用 Backspace 键。


突发:特朗普的越洋连线

查马斯

我们来谈点实质内容。关于 NVIDIA。让我们对 NVIDIA 进行一番拆解,解释其各个组成部分,因为其中涉及了许多战略布局。让我们从最底层开始。这并非计划好的,但我们知道那是谁。

黄仁勋

总统先生?长官。我必须告诉您一件事。如果不是您打电话来,我本来正在和“最佳伙伴”(The Besties)在台上。我正和这帮家伙在台上,也就是那一整群人。

Jason 在这,Chamath 在这,Dave 和 David 也都在这。我正坐在几千人面前。我们刚才,正好就在聊到您。干得好,先生。您竟然能看穿这一切,这其中包含着极大的复杂性,而您却能够一眼洞察本质。我们所有人都对此心怀感激。

杰森

代我向他问好。

大卫·弗里德伯格

您想和现场的观众打个招呼吗?

黄仁勋

我正在用扬声器通话。我们该怎么操作,该怎么把 声音调出来?直接对着麦克风就好。请稍等,先生。我们正在拿麦克风。总统先生?您现在正在对全球讲话。

特朗普

生活最棒的地方在于,Jensen 可以研发出世界上最复杂的计算机芯片,十年内无人能复制,但他却搞不定怎么把我切换到扬声器模式。我们必须记住这一刻。不,我只是在想 AI。而最开心的群体是中国,中国非常开心。在国内,很多州本来很高兴什么都得不到,因为它们正被那些想去那里的人潮所淹没。

但现在你突然看到他们正在芬兰建设,Google 想在芬兰建一个大型数据中心,对此我并不高兴,因为他们没能获得许可。我告诉你们,这一切都是骗局。数据中心非常棒,能让人们致富,也能让各州致富,它们是未来 20 到 25 年的石油。这比互联网和 AI 更重要,程度深得多。他们正中那些不希望看到这种情况发生的人的下怀。这可能是政治人物,也可能是中国。我们绝不会让这种事发生。这是一个骗局。

黄仁勋

您是对的。我们不会让那种事发生,先生。

特朗普

我们绝不会让它发生。机器人不会接管世界,那绝不会发生。我叔叔曾是 MIT 顶级,甚至可能是史上最优秀的教授之一,他在那里任教了 41、42 年。他被公认为最聪明的人之一,处于那个领域的最顶端。Jensen 对此非常了解。所以我带有一点基因优势,一点基因力量,如果你相信资源理论的话,我确实相信。我有这种基因。

黄仁勋

难怪您对 AI 有这么多了解。

特朗普

我确实了解 AI。我知道,我也具备关于 AI 的常识。机器人不会接管世界。

AI 不会接管世界上的其他地方。这一切都是一场骗局。现在,有了这些,我们必须稍微谨慎一点。

黄仁勋

我们必须采取行动,并且必须保持审慎。

特朗普

但这并不意味着我们要阻碍一个行业的发展,因为正如我们要在未来 10 年里研究如何摧毁它一样。所以我完全支持你。我甚至不知道你对此有何感想。我以为你的想法和我一样。

黄仁勋

长官,我们将保持领先。

特朗普

我有一个观点,那就是谁赢得了 AI,谁就赢得了未来。它的规模就是这么巨大。

黄仁勋

它比互联网的影响力更大。无论谁胜出,AI 都会胜出。

特朗普

我们绝不能让这类事情发生。这在很大程度上也包括数据中心。有些社区曾经濒临消亡,但现在有了数据中心,它们已经变成了富裕的社区,非常富裕的社区。

黄仁勋

我们要确保每个人都能从中受益。我们要确保美国的 AI 竞赛能够让所有人获益:每一个行业、每一家公司、每一个州、每一位民众。

特朗普

很好。对此我深有感触,而且我有能力对此采取行动。我们绝不会让那种事情发生。所以我根本不知道谁在参加会议,我根本不知道我在跟谁说话,但我会去看看。

黄仁勋

您听到了吗?成千上万的人在为您鼓掌。

特朗普

我只知道,如果您在那儿的话,您就没法听 Jensen 说了。但他做得非常出色。David 做得非常出色。祝大家好运。我们将拥抱未来。这个国家从未像现在这样好。我们有 20 万亿美元的投资即将进入这个国家。相比之下,在 Sleepy Joe Biden 的领导下,不到一万亿美元。而那是四年的总和。这是一年,在一年之内。这个国家从未见过这样的情况,我们将继续保持下去。非常感谢大家。

杰森

谢谢,总统先生。谢谢。

黄仁勋

我稍后给您回电话。谢谢,总统先生。谢谢。

杰森

那真是别具一格。我以为那是个桥段。你以为那是假的?不,那是真实。起初我还以为是个恶作剧,当时我说,把他们设成免提。

黄仁勋

然后他给你打电话……

杰森

你是怎么想的……

大卫·萨克斯

他会在深夜随时给你打电话。他给你打电话那会儿我们正在 Oval。我当时在睡觉。

查马斯

你睡着了,然后他说,把他叫醒。我感到非常难过,因为他问我谁会参加这次晚宴,我们逐一核对了名单,然后他问,Jensen 怎么样?我说,不,先生,他在休假,因为他已经为此推迟了五年的假期。

大卫·萨克斯

他接着说,让他接电话。什么是休假?但你为什么认为他能看穿这个骗局?这确实非常非同寻常。

黄仁勋

那是……

大卫·萨克斯

民调支持率下降了 80%。对于任何其他坐在 Oval Office 的人来说,你都会选择做那些受欢迎的事情。你代表着人民。这就是大家想要的,他们想要关闭数据中心和 AI。这似乎是当下的一种流行趋势。但他声称这是一个骗局,并揭穿了它。他是怎么做到的?

黄仁勋

我不太确定。原因在于,很多人都上当了。这很复杂。起初,如果你审视这些报道,一切都是基于两点,第一点是基于国家安全。而最近,这一切都被彻底打破了。那个叙事已经不再基于国家安全了,现在它基于安全性。

如果你想让 AI 保持安全,首先我们需要确保构建它的实验室处于管控之下,并有完善的测试手段。如果我们希望有第三方来确保这一点,就需要提供第三方评估机构。这与财务管控并无二致。你们都知道我们有审计师,审计师非常专业,他们未必需要在我们的业务领域像我们一样精通,但他们必须能够提出正确的问题。拥有独立的审计师或评估者是件好事,但关键是必须有多个来源。这可以确保单一公司不会被收买或受到某种程度的影响。

解决这个问题有很多种不同的方法。我认为最重要的一点是,让我们安全地构建这项技术,确保其测试过程是安全的。我完全意识到目前正在构建的东西是非凡的。但这些都是非凡的公司,我们理应以非凡的标准来要求它们。它们也愿意,它们也渴望如此。


战略拆解:NVIDIA 的资本配置与生态构建

大卫·弗里德伯格

我想回到开源的话题上再谈一会儿。一年前,我们并没有非常认真地对待它。当时它落后了两年,或者说 18 个月。

黄仁勋

正如你们所知,在与 President Trump 通话时,一个挑战在于很难插上话。我会因为这么说而惹上麻烦,但我敢肯定他会为此给我打电话。我想对他以及你们所有人说的是,AI 正在创造海量的就业岗位。在政府执政初期,以及我和他第一次通话、第一次见面时,他最渴求的就是在美国创造就业机会,他希望实现美国的再工业化,并确保美国拥有支撑下一场工业革命所需的能源。

没有能源,就没有工业增长。他希望确保能源增长、就业增长,并实现供应链的再工业化。看看我们现在所做的一切,这一切就在此时此刻正在发生。我们正在创造比以往任何时候都多的工作岗位。就像我们之前谈到的,最近有 4000 亿美元的风险投资注入了 AI 行业,仅仅六个月。这创造了大量的工作岗位。它对计算能力产生了巨大的需求,同时也带动了对数据中心的大量需求。我想我刚才正在和 Texas 的 Governor Abbott 交谈,他希望呼吁业界确保我们在全美各地建设数据中心时,能够对当地社区保持同理心,学会更好地倾听。

查马斯

让我们花点时间讨论一下这个话题。NVIDIA 最不可思议之处在于,如果你将其各个组成部分拆解来看,就会发现为了推动整个生态系统的运转,你们实际上已经成为了 AI 领域的银行。关于 Clover Leaf 的事情,你们正在进行土地和能源供应方面的整合。你们与 BlackRock、Goldman 以及所有这些机构合作完成了这项伟大的事业,从本质上创造了融资能力。请为我们详细介绍一下你们的资本配置策略。为了让更广泛的生态系统参与者能够加入并为下一阶段提供资金支持,需要达成哪些条件?

黄仁勋

我们正在创造一场新的工业革命,其每一个维度都是真实的。这个新产业需要制造业支撑。就像电力、互联网以及现在的 AI 一样,我们可以驱动一切,也可以定义一切。如今有了 AI,我们可以提问并获知任何事情。我们正在接入以太,可以向它询问任何我们想要了解的事情,并让它为我们解释。

为了实现这一点,它必须产出智能。这这是一个生产过程,这也是为什么必须构建这种基础设施的原因。一旦基础设施构建完成,问题在于,美国其他所有层面该怎么办?这个行业不仅仅关乎模型,它主要关乎之上的应用程序。它主要关乎基础设施层、数据中心以及所有基础设施、建筑施工、电力和发电。所有这些都牵涉其中。

我会审视整个生态系统并寻找瓶颈,看看在哪些领域正在涌现卓越的公司。也许是供应链需要扩大规模,以便当我们准备好部署算力时,它们能为我们做好准备,包括土地、电力和壳资源。我考虑长期供应链的程度可能比大多数人都要多,因为我们的公司规模非常大,为了让我们成功,需要一大批公司。像 Corning,Wendell 领导的 Corning 必须支持我们,还有 Lumentum,当然还有 TSM 以及内存公司。因此,我们在那场增长革命到来很久之前就开始与所有这些公司合作,以便增长能够顺利实现。现在我正在做下游业务。


向上攀升:NVIDIA 的垂直整合策略

查马斯

在计算机周期中,随着时间的推移,收益倾向于向技术栈上层移动,直接流向应用层,在那里你可以获得更长期的超额收益。你收购了 Hugging Face,现在实际上已经进入了服务业务领域。我认为像 OpenRouter 这类产品具有极大的意义。显而易见,构建像 Bedrock 这类事物存在更好的实现路径。自然的结论是什么?因为看起来处于上游的人们对于向下游渗透毫无顾虑。你拥有最优的资产负债表、这些卓越的工程师,并且具备经过验证的经验来将其做好。那么,你是如何考虑抬头看去并产生“我大概也能做到”这种想法的呢?

黄仁勋

NVIDIA 能运行世界上每一个模型的原因在于,我们是唯一一家做到这一点的公司。大约一年半前,我们运行的唯一模型就是 OpenAI 的模型。而现在,各种令人惊叹的模型层出不穷,Meta Muse、Grok、Gemini 现已可用,Anthropic 也在我们的平台上不断扩大规模。自一年半以前起,所有这些前沿 AI 模型现在都已开放并可供使用。

模型的数量正在不断增长。还有一大批公司也在构建前沿模型。人工智能实验室的数量也在不断增加,比如 Physical Intelligence,名单还在继续。作为一家公司,我宁愿帮助每个人取得成功,而不是从中分一杯羹。我们的策略是根据需要向上尽可能攀升,并尽可能保持低调。

其原因在于,如果我解决了它,那么如果没有 NVIDIA 创建 cuDNN,所有的框架都不会存在。如果不是因为我们创建了 Megatron-Core,那么所有的大规模训练都不会发生。我们去发明所有必要的技术,根据需要尽可能深入,然后我们让百花齐放。这种立场使我们能够,坦率地说,成为唯一一个……

查马斯

我们坦诚一点。我同意你的观点。反对意见在于,如果能在超大规模层拥有更多的竞争,那确实会非常棒。我认为你在支持 neoclouds 方面做得非常出色。顺便说一下,是你把我介绍给了 Nebius,他们非常棒,真的很出色。他们所做的一切都令人惊叹。但我们需要大约 50 家这样的公司。我们需要 100 家。我们需要 1000 家。而这可能需要一些……

黄仁勋

没错。你知道吗,Chamath,我这个人其实意外地没什么竞争心。

查马斯

真的吗?

黄仁勋

是的。那不是我感兴趣的领域。我的想法是,举个例子,如果有五家超大规模云服务商,我会非常满意。然而,我注意到所有新一代云服务(我们称之为 NCPs)的早期客户,其实都是这些超大规模云服务商。

查马斯

确实如此。

黄仁勋

原因在于超大规模云服务商通常一年规划一次,但当前的市场动态极其多变,导致他们的预测几乎总是会有偏差。

因此,那些敏捷且行动迅速的区域云服务商,他们了解自己的所在州、国家或地区,能够以一种独特的方式锁定土地、电力和基础设施资源。而对于坐在西雅图(Seattle)或帕罗奥图(Palo Alto)的人来说,要洞察全球局势是很困难的。

查马斯

没错。

黄仁勋

所以我们现在基本上拥有了一个大规模的分布式公司 network(网络),他们正在为我们锁定土地、电力和基础设施资源。现在各国也都意识到了这一点具有战略意义。许多国家都在说,我要掌握自己的算力,并且只提供给本国企业。

查马斯

没错。

黄仁勋

Nvidia 在那些国家也有业务,我们可以帮助当地的云服务商实现增长。无论是哪家公司,比如我们在澳大利亚的业务。我们刚刚在澳大利亚完成了一系列布局。新增了两个吉瓦的容量。在东南亚,当然,I.O.H 等公司也增加了一些吉瓦的容量。所以我们正在建设吉瓦级的算力。我们正在建设,我们正在扩展计算能力。


全栈能力:从自动驾驶到生物医药

黄仁勋

不过,这一点很明确。你对此有什么看法?

杰森

很明显,你们正在向更高的领域迈进,并且非常关注开源。很明显,你们的 Nemotron 表现得非常出色。我经常使用它们。Hugging Face、Poolside 和 Llama。这是一个非常、非常扎实的产品,你们现在正在进行人才收购、招聘,或者无论叫它什么。此外,你们在自动驾驶领域的开源技术栈也具有很强的颠覆性。所以……

黄仁勋

我们有五个领域的前沿模型。

杰森

没错。你们似乎不是为了拿银牌而去开发产品。你们似乎志在金牌。那么,你们是否正向着金牌迈进,并会毫无疑问地推出最强的开源模型?

黄仁勋

接下来是该问题的 B 部分……

杰森

开源技术能够赶上前沿模型吗?而你就是那个能做到这一点的人吗?

黄仁勋

所以逻辑是这样的,杰森,我们构建它是为了,第一,我们有能力,我们具备相应的技术,并且因为我们的客户需要我们这么做。没错。例如,Applied Intuition 是世界上首款具有思考能力的自动驾驶系统。通过思考和推理,你就不需要那么多的数据,你不需要利用数十亿小时的道路数据进行训练,因为你可以进行推理。将问题拆解开来,然后说,噢,我以前见过这个。虽然不完全一样,但在很大程度上与那次情况相同。

那么 Applied Intuition,为什么它是有必要的呢?现在有许多汽车公司。世界上每一辆车都将实现自动驾驶。但除此之外,每一家农业科技公司、每一辆卡车、每一辆货车,其中大多数的规模都不足以支撑构建整个技术栈。所以我将为他们构建一个非凡的技术栈。他们负责针对自身需求进行最后一公里的适配应用。未来,所有能够移动的事物都可能实现自动化。

如果我们不去构建一些生物学模型,世界就不会拥有它们。ESM2 蛋白质语言模型,是由我们创造的。ESMFold、OpenFold、AlphaFold 2,以及所有关于等变计算的内容,如果不是我们构建了这些,这些技术将不复存在。我最喜欢的项目之一是 ProteinComplex,用于合成下一代蛋白质,以及它的结合机制。这是开创性的成果。那是我们构建的。因此我们将构建它,因为礼来需要它,默沙东也需要它,其他人也需要它,而他们没有能力实现,或者他们还没达到那个水平。所以我们可以做出真正的贡献。我做的一切都是出于需求。我并非试图颠覆什么,我们每天醒来并不是为了去颠覆任何人。

杰森

没错。

黄仁勋

我们每天醒来只是想帮助所有人。


竞争格局:Elon Musk、中国与光刻技术

萨克斯

Jensen,对于可能对你们核心业务构成威胁的竞争对手,你怎么看?你能评论一下吗?

黄仁勋

我们人太好了。

萨克斯

是的。其实我只是想听听你的看法。你对 Elon 公布的 1 亿平方英尺的 TerraFab 设施有什么看法?

黄仁勋

如果有人能做到的话,那只能是他了。我们俩当时正一起乘飞机前往一个国家。

杰森

还有一个人,就是有时会给你打电话的那位。

黄仁勋

那是一架很棒的飞机。我们当时……Elon 喜欢谈论这些事情,这类事情,所以我们花了很多时间讨论它。是指任何人都能做到吗?

弗里德伯格

因为,你可以这样做,你设计芯片,但你不负责制造它们。你的芯片可以在那里制造吗?或者说是这样吗?

黄仁勋

我们对工艺技术了解很多,因为我们在不断突破一切的极限。而且,因为我们是在如此大规模的层面上进行扩展。我们公司内部拥有令人难以置信的内存技术。世界上最棒的 3D 封装公司。我们有很多令人惊叹的东西。

萨克斯

所以你的看法是,你已经谈论过很多次了。

黄仁勋

所以我们完全可以谈谈这个。而且你无法阻止 Elon 去做这件事,这也是他超能力的一部分。一旦他决定去做某事,就很难阻止他们了。

萨克斯

那么,你能谈谈你对中国在先进光刻系统自主研发方面的看法吗?

黄仁勋

他们到 2030 年就能实现。

萨克斯

到 2030 年。

黄仁勋

而且 2030 年转眼就到。

萨克斯

没错。另外还有 10% 的几率届时我们都已不在人世了。对于中国而言,这是否意味着一旦开关打开,所有这些技术将几乎立即投入到中国大陆的晶圆厂中?

黄仁勋

考虑中国的方式是,他们非常擅长大批量生产。这只是时间问题。而且,我认为也要以几十年为单位来考虑。我已经在这一行待了很长时间了。对于 Nvidia 来说,我必须思考下一个十年以及再往后的十年会发生什么。所以两三年时间,不过是转瞬即逝。那根本不算什么。就他们而言,他们已经在那儿了。

查马斯

你们已经在那儿了。是的。Jensen,Elon 和 Gwynne。

黄仁勋

我们得行动起来,美国。我们得行动起来。竞速模式。所以我们做到了。竞速模式。放慢速度绝对是错误的策略。


迈向超级智能:现状与愿景

杰森

但我认为,对于我们行业中的大多数人来说,显而易见的是,我们正处于 AGI 时刻,这显然是一个定义,即与任何其他人类一样聪明。

黄仁勋

我认为我们已经到了这一步。

杰森

我们到了。那么,超级智能就是下一个节点。基于你的所见、基于你的客户群、基于你的过往经验,Jensen,我认为我们也已经达到了这一点。你认为我们已经达到超级智能了吗?

黄仁勋

没错,没错。当你关注一个狭窄的领域时,我是说,比如我的自动驾驶汽车,我不需要它为我煎蛋,我只需要它把车开好。对,那确实是超级智能。

萨克斯

而且它比人类做得更好。

黄仁勋

没错,没错。

萨克斯

比如事故率只有人类的十分之一。

黄仁勋

没错。比如合成蛋白质,进行蛋白质的虚拟筛选。我们已经达到那个水平了。

萨克斯

是啊。身处人类探索的最前沿,你觉得有意思吗?

黄仁勋

我很喜欢。

杰森

女士们,先生们。

黄仁勋

我喜欢它。我喜欢它。大家,那里真的很棒。未来是美好的,我们渴望抵达那里。听着,我们当中的许多人不必非要工作。但我必须告诉你们,不去参与实在太可惜了。太有趣了。所以我希望每一个人,我都希望能置身其中。我希望你们所有人都和我一起在那里。我们终将抵达那里。

作为人类,我们将共同取得巨大的成功。在此期间,我们必须鼓励他们,推动他们前行。如各位所知,他们正在从事非常、非常重要的工作。我希望他们能够成功。我也希望我们能减少一些不必要的戏剧性冲突。最重要的是,我们需要全美国与我们同行。这才是我们成功之道。

杰森

女士们、先生们,黄仁勋!

查马斯

谢谢你,Jensen。非常感谢。谢谢你。

弗里德伯格

谢谢你。谢谢你。那真是太棒了。你们整个团队。

黄仁勋

那真是太棒了。

跳转微信打开

  •  

RAG问答和Agent的区别和各自适合的应用场景

这个男人来自千祥 2026-09-15 09:17 浙江

上周跟朋友聊企业 AI 落地,发现市场上把知识问答和 Agent 彻底搞混了。

其实这俩完全是两码事。知识问答就是“问啥答啥”,比如查差旅标准,靠 RAG 外挂个企业知识库就能搞定。Agent 则是“给定目标自己干”,你让它规划三日游加订酒店,它能自己拆解任务、调 API 下单。

技术上 Agent 也复杂得多,它不光依赖 RAG 拿数据,还得在 ReAct 循环里不断反思自检,甚至开沙箱写代码去生成 Word。

今年超级 Agent 越来越火,大厂都在推办公入口。但真没必要啥活儿都塞给它。要是用 Agent 去查个规章制度,动辄几分钟、消耗千万级 tokens,纯属浪费钱和时间。这种活儿还是老老实实用 RAG,十几秒又快又准。

企业 AI 落地不是越高级越好,得看场景挑工具。

跳转微信打开

  •  

很严重了,大家别轻易离职。。

前端充电宝 2026-09-15 09:00 浙江

我敢断言:今年,90%的传统前端人都将面临“阵痛性转型”!

不是岗位变少了,而是游戏规则彻底变了——那些只会 Vue/React、写组件、调接口、还原设计稿的前端,正在被“大模型技术壁垒”快速边缘化!

2026年,技术圈真正的分水岭只有一个:AI前端开发工程师

现在,大厂的核心业务都在转型:

  • 字节主线业务必须接入大模型能力;

  • 阿里云重金挖角懂RAG和Agent的技术人才;

  • 越来越多团队都在组建AI应用团队,高薪抢AI 应用前端、大模型前端、Agent 交互工程师……

尤其是DeepSeek、OpenClaw爆火后,前端引以为傲的“传统代码”技能,正在贬值!

企业不会再为“写页面”而支付高薪了,市场愿意给出高薪的,是那些能驾驭大模型解决复杂问题、把AI嵌入业务流程、能承接对话、Copilot、Agent、数据可视化等“AI产品落地最后一公里”的前端人!

今年,前端人的核心技能必须升级!你不需要从头造AI,只需:

✅掌握AI前端应用开发的核心逻辑

✅学习完整技术体系:

——Fine-tuning:通过前端管理训练数据、展示模型优化效果

——Agent:让AI自主调用工具、执行流程

——RAG:为企业构建专属知识库

✅积累一套可面试、可落地的AI前端项目!

在AI风口下,技术能力与薪酬之间的关联更直接:字节为“AI前端专家”开出最高128万元年薪!部分大厂AI前端实习生日薪高达2000元!

你的成长速度,会直接体现在“工资条”上!

行业在洗牌,但洗掉的是旧地图,浮起来的是新大陆!

这轮AI应用浪潮,很可能是未来三年前端人最后一次低成本、高杠杆的逆袭窗口。

为此,我们联合AI实战派专家陈旸老师,正式推出「转型AI前端开发实战营」 

2节直播课:扎实的理论 + 成熟的AI前端开发能力 + 可演示的实战项目!带你系统掌握RAG、Agent、微调三大核心,结合前端真实业务场景,完成企业级项目实战!

🔥完课附赠求职大礼包:经典面试题库(笔试+面试)、还有高薪岗位解读、企业内推、直聘权益!!

💰💰💰

掌握AI大模型技术 开启高薪之路!

「转型AI前端开发实战营」

「AI技术原理 + 实战应用 + 职业发展」

🔥扫码0元报名 仅限100人🔥

24小时后关闭通道!速来!

👇👇

👍🏻还有靠谱的内推机会+直聘权益!!

完课后赠送:大模型应用案例集、AI商业落地白皮书

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景,用实战经验落地AI技术。从GPT到最火的开源模型,让你从容面对AI技术革新!

大模型微调

  • 掌握主流大模型(如DeepSeek、Qwen等)的微调技术,针对特定场景优化模型性能。

  • 学习如何利用领域数据(如制造、医药、金融等)进行模型定制,提升任务准确性和效率。

RAG应用开发

  • 深入理解检索增强生成(Retrieval-Augmented Generation, RAG)技术,构建高效的知识检索与生成系统。

  • 应用于垂类场景(如法律文档分析、医疗诊断辅助、金融报告生成等),实现精准信息提取与内容生成。

AI Agent智能体搭建

  • 学习如何设计和开发AI Agent,实现多任务协同、自主决策和复杂问题解决。

  • 构建垂类场景下的智能助手(如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等)。

课程开班58期,已为20000+学员服务,口碑爆棚,从学习方式到学习效果,收获了超多学员认可,很多人已经拿到了AI前端高薪offer!

 如果你也有以下诉求:

快速链接产品/业务团队,参与前沿项目

构建技术壁垒,从竞争者中脱颖而出

避开35岁裁员危险期,顺利拿下高薪岗

迭代技术水平,延长未来20年的新职业发展!

……

那这节课你一定要来听!

因为,留给普通前端人的时间真的不多了!

💰💰💰

掌握AI大模型技术 开启高薪之路!

「转型AI前端开发实战营」

「AI技术原理 + 实战应用 + 职业发展」

🔥扫码0元报名 仅限100人🔥

24小时后关闭通道!速来!

👇👇

👍🏻还有靠谱的内推机会+直聘权益!!

完课后赠送:大模型应用案例集、AI商业落地白皮书

⭐️热门项目拆解,积累实战经验!

除了大模型技术讲解,还有能够震撼到每一个前端开发者的、超详细、最热门的大模型商业化应用案例。由AI教研团队从众多项目中精选而出!

通过了解大模型原理与核心技术 → 掌握各种AI工具 → AI前端产品开发实操 → 持续与AI前沿信息链接 → 不断学习实战演练5个步骤,覆盖超多业务场景,培养AI全栈前端开发能力,轻松成为AI前端开发工程师!

  • 案例拆解:支小助、知乎直答

    拆解「金融行业的支小助」、知乎直答等热门大模型产品的技术架构,教你利用AI大模型,落地AI应用场景,快速交付业务价值!

用一手数据资源、项目资料,带你手搓全流程,自己跟着课程,复现一遍,就相当于积累了一个前端+AI的实战项目经验!

学完项目经验直接写进简历里,面试不怕被问!👇

⭐️行业大佬领路+大厂内推机会!

想入局AI,一个懂行的大佬带你,能少走很多弯路!

课程由AI大模型领域大佬们联合打磨研发,老师们将大模型技术原理讲透的同时,还将丰富的商业化AI应用项目无偿分享!!帮大家快速打通「技术+原理+实战」能力,干货满满,让你超过岗位需求能力一大截!

老师还会帮你深度剖析现在大厂关于AI前端招聘的行情风向,就业岗位、薪资、技术迭代方法、发展空间等,从面试官的角度帮你规划职业发展路径!

最重要的是:持续提供靠谱的内推机会!!

企业内推+直聘权益,靠谱,绝对高薪!简历直达大厂面试官手里,让你比同行更快一步拿到高薪offer!目前,很多学员已经通过完整学习,实现了职业跃迁!👇🏻👇🏻

与其焦虑……

不如成为「掌握AI大模型的前端人」!

毕竟AI时代,谁先尝试,谁就能占得先机!

💰💰💰

掌握AI大模型技术 开启高薪之路!

「转型AI前端开发实战营」

「AI技术原理 + 实战应用 + 职业发展」

🔥扫码0元报名 仅限100人🔥

24小时后关闭通道!速来!

👇👇

👍🏻还有靠谱的内推机会+直聘权益!!

完课后赠送:大模型应用案例集、AI商业落地白皮书

👇🏻点击「阅读原文」,马上领取!

阅读原文

跳转微信打开

  •  

RAG问答和Agent的区别和各自适合的应用场景你知道吗

原创 这个男人来自千祥 2026-09-15 08:30 浙江

上周和一个朋友在聊企业AI落地的问题,聊到一个非常有意思的观点:市场上已经把知识问答和Agent混淆了,但它们其实各有各的使用场景。

1.  两者的定义和区别

这里首先需要说明这两者是什么,因为现在大家对于AI行业的名次理解都不太一样,这点在和许多客户交流的时候就发现了,所以在继续写下去之前我必须先给出我自己的定义,但需要申明的是,这只是我自己的定义,不是行业标准。

  • 知识问答:本质上是“问什么,答什么”——它是一个被动的信息检索与生成过程。你给一个问题,它基于大模型训练数据或检索知识库召回内容,给出一个答案。比如你问“杭州有哪些著名的景点”,它直接列出西湖、灵隐寺等,任务就结束了。它的边界是:回答的准确性、覆盖面和时效性。

  • Agent(智能体):其实我们一般说的智能体就是Agent,而不是智能问答。本质上是“给定目标,自主完成”——它是一个主动的规划与执行系统。你给它一个目标,比如“帮我规划一次杭州三日游并订好酒店”,它会自己拆解任务:先查景点、再比价、然后调用订票API、最后确认预订。它具备几个关键能力:规划、记忆、工具调用、反思与迭代。它的边界是:能否在动态环境中可靠地达成目标。

如果要把两者的维度再增加一些,可以用下面这个表格来看它们之间的区别:

维度

知识问答

Agent

交互模式

单轮或多轮问答

目标规划、自主执行

核心能力

检索召回 + 生成

规划 + 工具调用 + 执行

是否改变环境

否

是(发邮件、下单、写文件等)

执行速度

几秒~几十秒

几分钟,复杂任务往往需要几十分钟

典型例子

搜索引擎问答、RAG问答

CodeX、Claude Code、WorkBuddy等

Tokens消耗

平均几千tokens

简单任务几万tokens,复杂任务千万级tokens

应用场景

知识(答案)获取

Coding、执行复杂任务、编辑改写文档等

从上面的这些分析,我们可以明显看到知识问答和Agent之间的区别。

2. 它们之间的技术架构区别

如果从技术架构上来说,两者也是完全不同的。

知识问答目前来说基本上是两种,一种是直接对大模型进行问答获取答案,还有一种是通过RAG(检索增强生成)来获得答案。在企业场景中,RAG就是主流,因为大模型本身并不知道企业内部的制度、合同、流程等,也不知道你们超过10万元的采购是需要总经理签批的。所以RAG这种外挂企业知识库的技术架构反而成为了目前企业用户获得答案的不二路径。

图:RAG的技术架构

Agent(智能体)的技术架构就要复杂的多,在很多时候,它也会去依赖RAG给的结果,或者通过MCP、Skill(内置CLI命令)去获取企业知识和数据,然后通过ReAct + Reflection等形式在循环中加入自我反思,让模型评估上一步是否有效。在过程中还会调用工具和记忆等去修正结果。简单点来说就是去理解用户的需求,然后不断去循环,在循环中调用工具和上下文,加上自检,不断接近用户需要的结果,再输出。

它可以完成很多知识问答无法做到的事情,就像我们前面说的写代码、修改文档,以及帮你订机票(理论上没问题)。而且目前在很多实际使用中,Agent往往会去开启沙箱,然后在里面使用python等脚本语言去编写一个临时程序来完成你要的结果,比如调用LibreOffice生成一份Word文档等。

图:Agent的技术架构

所以Agent比RAG其实要更加强大。

3. 你应该如何更加合理去使用它们

图:让合适的工具在合适的场景中发挥最大价值

如果在2026年之前,我可以非常确定地说绝大部分企业AI应用场景都是知识问答。但是今年确实有些不一样...

一方面是随着Claude Code、CodeX等超级Agent的普及,从原来程序员的专属变成了它们也被用于日常的报告编写、文档整理、合同生成、报价方案生成和PPT快速生成等工作中。Agent确实已经被开始用起来了。

另一方面是WorkBuddy、千问办公、豆包工作等的地毯式广告轰炸,办公入口的卡位战从原来的企业微信、飞书和钉钉转移到了Agent的战争。它们可以完成写作、出图、PPT、数据分析等日常办公任务,也提供了很多行业Skill让用途越来越多。

但,我想说的是,你依然需要去合理使用工具。

企业用户对于答案获取的需求依然还是很大的,特别对于大型企业来说,获取正确的知识本身就是一件日常办公中最常见的工作。如果我们使用Agent去获取知识,那么高昂的tokens消耗和动辄几分钟到十几分钟的执行时间反而是一种经济成本和时间成本的浪费。这些事情本来是通过知识问答用极少量tokens和十几秒钟就可以完成的。

所以,在企业AI落地中,应该结合两者的特点去合理使用,而不是越高级越好。

比如获取知识,其实应该更多使用知识问答,而且对于注重知识维护和治理的企业来说,往往是可以获得既快速又经济且准确的答案的。而对于一些复杂任务,则可以使用Agent去完成。而不是所有的任务都给知识问答去完成,或者所有任务都给Agent去完成。

4. 最后

对于目前的大模型公司,或者很多模型+Agent一体的大厂来说,token应该是继云服务之后最合适的新型“水电”一样的生意,所以推崇Agent的普及无可厚非。而且确实也能反向促进大模型的继续研发,至少在目前从英伟达开始的这门生意的角度来说。

但是企业在实际应用中还是可以合理去使用知识问答和Agent,用于不同的使用场景。

对于AI行业人士来说RAG问答和Agent的区别早就门清,所以这篇文章更像是对一些非AI行业的企业管理写的文章。有感而发,除了图是AI生成的,其他都是手写的。

最后说一句,我们TorchV AIS企业级AI知识引擎今年的主要功能升级,除了知识工程之外就是对Agent的支持,也在积极拥抱Agent。

以往好文:

为什么 AI 落地实施越来越像一项咨询工作?

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AI落地需要的不是一个知识库,而是一台“知识引擎”

阅读原文

跳转微信打开

  •  

我们在外滩大会,用 5 分钟介绍了 Sive

孟宸 2026-09-14 18:00 浙江

上周六,Sive 来到了 Inclusion 外滩大会。

我们用 5 分钟介绍了这一位 AntV 的新成员 Sive:一个想把数据分析变成可见、可分享作品的 AI Native 可视化分析创作平台。这也是我们第一次跟大家认真讲清楚 Sive 想做什么。

01AI 已经会分析数据了,为什么我们还在搬运结果?

分享从一份订单数据开始:四年的时间跨度、近一万条交易明细、21 个字段。

面对这样的数据文件,很多人会先把它上传到 AI 工具里。AI 读数据、做计算、总结结论,都很快。但分析结束后,真正费时间的工作才刚刚开始。

我们通常还要把对话里的文字和截图复制出来,重新整理图表,再放进报告或 PPT 里排版,还要补上叙事和说明。原始数据、AI 分析和最后用于汇报分享的产物,整个流程是断开的,分散在好几个工具中。

这就是我们要做 Sive的原因 。简单来说,过去我们需要在多个窗口之间来回切换。而在 Sive 里,我们希望让这个过程变得更顺:从数据,到洞察,再到最终可以汇报的内容,都应该在一个平台里完成。

02从一份数据,到一份可以直接分享的网页报告

现场演示里,我们上传了订单数据。Sive 先读取表结构、字段类型和数据规模,看看这份数据里有什么,哪些问题值得继续追问。

当用户提出问题后,数据分析 Agent 会拆解任务,再由具体的 Tool 完成查询和计算。分析结果随后被整理成一份简报,其中的每条结论都能回到对应的数据来源。你既可以查看原始数据,也可以通过图表直观地判断趋势、差异和关系。

选中需要的结果后,Sive 还能继续生成网页报告。报告可以直接预览、发布,得到一个分享链接。如果发现问题,或者想继续追问,也不用换工具、,或者重新开始,前面的数据和分析过程仍然留在同一段对话里。

03数据应该用什么方式表达?

不是每个人都熟悉图表设计,也不是每个问题都适合用同一种图表表达。

Sive 的应用广场收录了统计图表、关系网络、3D 图表和地图等可视化内容。你可以先判断数据要回答什么问题,再寻找合适的表达方式,把已有作品变成自己下一次分析的起点。

这些流程背后,是 AntV 多年积累的可视化能力。Skill 保存可以复用的方法和设计风格,Tool 负责查询、计算等具体任务,不同的 SubAgent 各自处理分析、内容组织和作品生成。主 Agent 理解用户的问题,再安排和串起这些工作。

我们也在继续探索更多产物形式,未来或拓展到 PPT 等更多场景。

04Sive 也可以接入你自己的 Agent

如果你已经在本地搭建了 Agent 或自动化流程,也可以在 Sive 申请 API Key,通过 Open API 调用数据分析和可视化能力。

05最后

外滩大会上的 5 分钟,只够做一次简短的自我介绍。还有许多没来得及展开的问题,留给产品,也留给下一次见面。谢谢来到现场、在展台停留,以及会后继续和我们交流的每一个人。

如果你手上也有一份总在 Excel、AI 对话和报告之间来回搬运的数据,欢迎来试试 Sive。

天使用户群

扫码体验产品

阅读原文

跳转微信打开

  •  

大家做好长期打算吧

小众消息 2026-09-14 12:30 新加坡

前几天刷到一篇帖子,一位顶尖 AI 预训练研究员放弃高薪,从 Anthropic 辞职。

他不仅觉得世界顶级的两家 AI 公司正在追逐能够自我改进的超级智能,拿人类的未来冒险,还说很快 AI 就会超越人类,从而几乎能入侵任何东西,并在一夜之间颠覆任何领域。

帖子发布不到一天,浏览量就已经超过 1.2 亿次。

图片

可 AI 的进步,早已有预兆。

同一周,OpenAI 官宣:他们全新的 AI 智能内部模型,已正式破解了千禧年七大数学难题之一的纳维-斯托克斯方程,并甩出 166 页论文以及代码验证。

之前网络上有人预言,AI 进步太快,王虹们也许是最后一个得菲尔兹奖的人类,许多人嗤之以鼻。

现在看来,也不是没有道理。

其实从今年开始,AI 已不限于写周报的一种工具,它正在逐步替代一部分岗位,甚至数学研究这种人类专属高地。

像过去金九银十是跳槽旺季,今年却悄无声息,现在大家都不愿意主动提离职。

还有许多身处头部互联网的朋友,真切地感受到了 AI 带来的互联网裁员浪潮。

后台就有朋友留言自己的经历,很有代表性。

他 985 本科加爱丁堡硕士,上海干了五年,被裁之后歇了大半年,到现在还没下文。

他不是个例,类似的例子网上比比皆是。

先说个扎心的结论:在当下的体感里,这已经太普遍了。

但更扎心的是背后的逻辑,很多公司不是活不下去才裁你,也不是你能力不行,只是单纯不需要你了。

毕竟,公司看的是员工能够给公司带来的绝对价值——你为企业创造的价值,和企业付给你的薪资之间的差额。

当一些工作可以用 AI 完成,企业就会重新评估岗位数量和用人成本。过去积累的经验,也需要在新的工作方式下重新体现价值。

而现在互联网大厂裁的,不止是绩效差的员工。即使高绩效、高 P,照样上榜,甚至薪资越高,越危险。

举个例子,过去一个需求拆解、开发、测试要 5 个人协同跑几天,现在 1 个人加几个对话框就搞完了。省下来的 4 个人的工资,就成为了利润。

不止程序员,文案、运营初稿、数据分析等诸多岗位都如此。

哪怕你干了好几年、绩效拿过优、带过项目甚至团队也一样。

经验丰富,不再是加分项,而代表着「成本高」。

不少朋友不以为然,觉得现在日子还能过得去,自己苟一苟在公司还是能继续过下去。

实在小看了企业面对商业决策时,所能展现的残酷性。

企业从来不是你第二个家,它是一台每天都在算性价比的机器。你在它眼里不是一个名字,是一系列数字。产出多少,价值多少,排名多少,都被反复衡量。

哪天你的产出跟不上了,让你离开也是轻而易举的事。

大家都以为轮不到自己,可事情真发生时,谁也逃不过。

前阵子有个很讽刺的真事。某大厂一个产品经理,熬夜帮 HRBP 写提效裁员方案,觉得自己是拿刀的人。

结果方案交上去没几天,HRBP 用同一套刀法把她裁了。

更讽刺的是,HRBP 裁完一圈后自己也上了名单。

有些企业里,贡献得再多,并不代表自己就有了免死金牌,需要降本增效的时候都一视同仁。

说穿了,职场关系的本质就是价值交换,你用时间换收益,企业用工资买你的时间。

哪天这笔买卖不划算了,交换可以随时终止。

很多朋友听到这就开始上头了:那我就往死里卷,卷到没有人能替代我。

暂且不说,卷到无人替代这事儿的可能性不大,问题是,能这样卷几年?

假设你刚毕业没几年,可以凌晨两点下班第二天照样干活。

再过几年的时候试试?熬一晚,第二天走路都在飘。

更别说近几年毕业生越来越多,永远有比你年轻、比你便宜、比你能熬的人从学校流水线上下来,一届一届,不带停的。

不仅如此,未来 AI 应用范围越来越广,做事快,不用休息,不用请假,不用交社保。

你拿什么跟它卷?

而我们,也不再是一人吃饱全家不饿的小年轻,上有老下有小,开支水涨船高。

哪天我们收入断崖,辛苦维持的生活都会化成乌有。

身边就有朋友,失业快一年,在家里说话声音都小了。

老婆时不时嫌他没用,看着日子一天天过去,房贷、孩子生活、父母养老等基本开支分文不少。眼看着自己积蓄快要见底,他焦虑得不行,给我发消息说要撑不下去了......

他的经历并不是个例,这两年听到类似的故事不少,大家都因为外在环境失去了收入,生活各方面都遭受了挑战。

所以有人一而再、再而三地强调那句话:

你的主动收入和被动收入的比例,决定了你的幸福指数。

目前,时代在不断变化,我们能做的,就是未雨绸缪,在自己主业之余尽快创造一份被动收入,让家庭在工资之外,多一份收入来源,面对动荡的时代不再惶恐。

毕竟,同样是年入五十万,一半工资一半被动收入的人,和一分不少全靠工资的人,抗风险能力迥然有别。

这里也再一次强烈建议大家,从现在开始,大家一定要尽快找到自身收入第二增长曲线,来维持自己一辈子的高收入。

图片

方法其实很简单:用人生上半场攒下的资本,去构建下半辈子的「终身现金流体系」。

通过一次合理的规划与置换,将你过去靠出卖时间换取的工资收入,逐步转化为让钱为你工作的被动收入。

从此,建立一个终身稳定的现金流小金库,确保每个月都能领到一定的钱,自己和家人也能始终维持高品质生活。

它与工资收入完全不同:

  • 工资收入:依赖企业,手停口停;年纪越大收入越低,甚至归零。

  • 第二收入曲线是被动收入:能锁定利率、终身复利、确定给付,永不间断。

这并非空谈,早在三年前,身边不少朋友就已调整资产配置,将一部分资金转向更符合时代趋势的「第二收入曲线」。

也许建立刚开始看不出什么,一年、三年差距小得可以忽略,但五年、十年之后,有没有被动收入,差异变得更明显。

现在,每个月不管干不干活,大环境如何变化好不好,都有一笔钱雷打不动到账,活多久领多久。

全家开销、旅游消遣、日常花销的费用,完全够用。

大家不要觉得不可能,现在拿出部分资金或收入,通过合理规划配置,也一样能建立起家庭第二收入曲线,能实现提前退休,躺着有钱领,通过合理配置,尽量降低单一投资失利对家庭整体财务的冲击。

想必听到这,一些朋友已经想跟着一起建立「终身可以领钱的被动收入」。

为了帮助大家高效做好专业的家庭保障规划,老朋友水星 1V1 财富规划平台,今天再次强烈推荐他们给大家。

他们持正规牌照,成立至今已 14 年,帮助了数百万家庭做好资产规划,让家庭财富更安全和更持续。

身边许多朋友都把几百万甚至上千万的资金交给他们规划、管理,足见服务质量优良和值得信任。

他们真的很不一样,没有上来就推销热门产品,更不会喋喋不休骚扰。

而是通过大量调研和数据分析,站在你的角度 1 对 1 定制适合的家庭保障方案,先帮整个家庭建立起基础的保障体系,真正做到「量体裁衣」。

分析诊断存在的问题,教你通过科学比例,做到风险收益比突出的组合,为你打造一个终身可以领钱的现金流体系。

体验了一下,他们根据用户的真实财务状况、风险偏好,按照科学比例把钱分成了三份:

第一份保底仓,第二份稳健仓,第三份长线仓,三笔钱各走各的路,互不干扰。

他们的规划切实地打造了一份专属的家庭安全垫,以及一个终身可以领钱的现金流体系。

图片

这份专属用户的完整规划书,长达二十几页。

这份规划看完,钱该去哪、为什么去那、怎么去,明明白白、一清二楚。

图片

不仅如此,他们还提供终身售后跟踪服务,根据家庭收入的变化、市场的变动,定期做财务复诊和方案调整。

之后,有问题时可以随时问,也能随时了解市面上的新产品动向。

通过他们规划后,无论未来走向如何,面对怎样的突发风险,每个家庭有可能拥有充足的保障体系,增强家庭财务的抗风险能力,减少突发事件对现有生活的影响。

因为服务质量出色,也推荐了很多朋友和读者去体验,发现反馈都相当不错。

为了让更多读者朋友都能享受到这个服务,同时作为 2026 年 9 月首次读者福利,今天又争取了 200 个名额,原价 699 元现在免费给到大家体验一次。

小众消息亲身体验服务,强烈推荐

大家也长按二维码体验下吧

图片

不管需不需要,朋友们都可以去了解一下。每个报名的朋友都能获取专属的家庭规划方案 3 份。

再次提醒大家:人到中年,赚钱是责任,管控风险更是底线。

提前做好家庭保障规划,不仅是远见,更是对家人基本的负责。

此外,最近很多朋友应该都和我有一样的困扰,随着三年期、五年期定期储蓄陆续到期,该把钱放在哪里成了头疼的难题。

放在银行吧,存一年到头没多少钱;拿来炒股买房吧,风险波动太大,指不定哪天就把钱亏没了......

针对这种情况,他们家为低风险偏好者,推出了「资金搬家」规划服务,将低收益渠道的资金向上置换,结合资金使用时间和风险承受能力,在稳健与收益之间寻找更适合自己的安排。

简简单单搬完家,就能把我们辛苦打拼来的资产,稳稳的守住,护航我们的财富穿越经济周期。

还没了解过的抓紧,小众消息第 N 次送读者福利,限 200个名额,手慢无。领取方式如下:

小众消息第 N 次读者专属福利

扫一扫报名

即可

领取价值 699 元

家庭专属保障规划方案三份

+

家庭资产增值服务

▼

图片

长按识别二维码

(领取小众消息福利,仅限 200 名)

再多说一嘴,拼命赚钱的确重要,资产配置和保障规划也是必不可少。

另外,报名成功的朋友,还给大家争取了 3 份额外超值福利,抢到就是赚到。

①免费获取 3 份易理解、能操作、可落地的专属保障方案

图片

②免费获得 专业的《家庭财务规划宝典》电子版一份

图片

这份地图只送不卖,包含 50 多个模块、165 张图表和 832 个知识点,简单直观,有趣易懂。

小众消息连续 8 年送读者福利,速领

限前 200 名 先到先得

图片

扫码领取上述 3 份额外服务

附赠高端资产增值方案

图片或点击 {阅读原文} 领取专属福利,限前 200 名。

阅读原文

跳转微信打开

  •  

AI产品经理的PRD怎么写|有意思小周刊vol.171

原创 强少Qone 2026-09-14 09:00 广东

有意思小周刊 vol.171 封面

「有意思小周刊」是我利用零碎时间,梳理记录一周的日常阅读与思考内容。目的是为以后更好构建自己知识体系,也为了将这些内容分享给你。

以下是这期值得关注的内容

🗞️ 推荐阅读

1. AI产品经理的PRD怎么写

2. 没有测试的核心代码,怎么交给 AI 重构

3. 前端把单选按钮换成开关?这俩真不能随便混用

4. Agent评测漫谈 —— 由浅入深讲解Agent评测

5. 天猫AI助手:调度框架重构与AI Coding工程化实践

6. AI理解、引擎驱动:零代码搭建实时数据链路

7. 浅谈 SKILL 研发的最佳实践——以百补详情助手为例

8. BROKEN提示词案例

9. 场景营销互动&体验 AI Coding — 构建 Agent 自主执行闭环

10. 电商对账及业财融合的2种路径

11. 天猫技术大型 AI 项目的研发协同实践

12. Vibe Coding:C端AI创意平台设计新范式

🧰 资源·工具

1. neat-annotations:一个纯 CSS 的手绘标注库

🧩 Skill 推荐

1. book-to-skill

2. Dashi PPT Skill · 大师 PPT / 网页 PPT / 可编辑 PPTX

▌AI产品经理的PRD怎么写

链接:https://mp.weixin.qq.com/s/orfkxUAjBld3_9J9CKza6A

本文系统阐述了AI产品经理应如何撰写能真正落地的PRD。核心论点是:AI产品处理的是概率性系统,不能沿用确定性功能的传统PRD思路,否则无法直接进入开发。文章提出一份完整AI PRD的十个组成部分骨架,其中“场景定义与输入输出、能力与功能描述、效果要求、异常与降级设计、评测方案”这中间五块是重心,应占全文一半以上篇幅;同时强调产品经理的责任边界已从“定义功能”转变为“为不确定的旅程体验负责”。

▌没有测试的核心代码,怎么交给 AI 重构

链接:https://mp.weixin.qq.com/s/e9TzYbeVp8tkKBCCbA_6gQ

让 AI 改代码不算新鲜,但有一类代码你多半不敢交给它——又长、又没测试、还在核心链路上,改错一个字段就可能是线上事故。我手上正好有一个:1021 行、零测试、被 5 处引用的 IM 消息转换文件。这次我把它整个交给 AI 重构,最后能确认改完和原来行为一致。这篇记一下过程,重点不在 AI 多会改,而在我怎么敢放手让AI改。

▌前端把单选按钮换成开关?这俩真不能随便混用

链接:https://mp.weixin.qq.com/s/TU6IDnBK7UWfis6JLKfwdA

本文探讨了前端开发中“开关(Switch)”与“单选按钮(Radio Button)”两种控件的选用问题。核心观点在于:开关属于触发类组件,点击后应立即引发用户可感知的界面或系统变化;而单选按钮属于录入类组件,选中后需通过其他操作(如保存)才能生效。两者在组件属性、功能性及适用平台上存在明确差异,不可随意混用。文章建议根据操作后是否立即产生可感知变化来判断控件选型,并综合考虑功能意图与平台特性。

▌Agent评测漫谈 —— 由浅入深讲解Agent评测

链接:https://mp.weixin.qq.com/s/gZKWRqznB8sNBFf69fBIvw

本文由浅入深地介绍了Agent评测的核心目的、方法论与演进趋势。文章指出,Agent评测的根本目的是回答“Agent好不好、哪里好、哪里不好”,为迭代指明方向,其核心公式为“观测+评测=持续迭代”。在方法论层面,文章强调评测体系的关键不是堆砌指标而是“搭桥”,需将模型能力指标与业务结果指标通过任务系统的桥梁指标连接,并总结了“人人一致、人机一致”的主观评测对齐方法论,其中通过“指标下钻”与“Rubric二元化”将模糊感受转化为可判断的事实依据。随着长程Agent(如Claude Code、龙虾/爱马仕等框架)的出现,评测对象已从“回答”转向“任务系统”,评测方法从“答案评测”走向“行为评测”,评测主体从人评主导走向机评主导,未来Agent评测正从单次打分动作演变为必须看得见问题、说得清标准、跑得动规模、接得上流程、带得动迭代的基础设施能力。

▌天猫AI助手:调度框架重构与AI Coding工程化实践

链接:https://mp.weixin.qq.com/s/fhcbG2_IyDq-QuH_dBHT-g

天猫AI助手团队通过“调度框架重构”与“AI Coding工程化”双轮驱动,在两周内将底层架构从硬编码升级为基于Reducer/Event的三层调度模型,实现了状态写入收敛、可观测性独立通道及业务接入效率的大幅提升;同时建立包含范式、Skill、Hook及观测报告的AI工程化闭环,将单业务接入成本从3.5–4.5人天降至约0.7人天,验证了将隐性知识显式化为组织工程能力对于应对业务泛化迭代及穿越模型代际更迭的核心价值。

▌AI理解、引擎驱动:零代码搭建实时数据链路

链接:https://mp.weixin.qq.com/s/G7e3xqa-uxfEE1L4manFUQ

直播数据团队创新性地提出"指标驱动"的实时数据开发范式,将复杂的流式计算简化为"维度+指标"的业务逻辑表达。用户仅需200字符内的自然语言描述,系统即可自动识别指标维度,通过AI辅助生成DSL并转换为Flink SQL任务,开发周期从天级缩短至分钟级。系统核心是指标驱动引擎,能自动回溯依赖关系构建链路拓扑,并采用"理解与正确性分离"架构确保可靠性,通过Hook机制支持安全增量调整。该设计屏蔽了流式数据复杂性,让开发聚焦业务本身,同时沉淀可复用指标资产,形成良性循环,显著提升实时数据研发效率。

▌浅谈 SKILL 研发的最佳实践——以百补详情助手为例

链接:https://mp.weixin.qq.com/s/Dok_hZa7tEXC_6wFi4VIpw

本文以百亿补贴详情助手 Skill 的迭代历程为例,总结 Skill 研发与迭代实践。文章先梳理业界方法论——Claude Skills 的渐进式披露与控制调优、MiniMax 的工业化规范、以及常见的 Skill 设计模式;随后从架构设计、研发效能、运行优化 3 个维度展开详细介绍了桥接器解耦本地 Skill 与远程 Agent、按需共享上下文、优先输出优质 HTML 报告等高效实践,帮助读者提高 Skill 研发效能。

▌BROKEN提示词案例

链接:https://mp.weixin.qq.com/s/cu_UbOyPnvyi7kw7HWX0pg

本文介绍了由陈财猫设计的BROKE提示词框架,并在此基础上增加了“N——No-go rules(禁区规则)”,形成了更完整的BROKEN提示词方法。BROKEN分别代表背景(Background)、角色(Role)、目标(Objectives)、关键结果(Key Results)、演进(Evolve)和禁区规则(No-go rules),旨在通过结构化提示设计提升大模型输出效率和质量。作者还展示了基于扣子平台搭建的“提示词大师”智能体,并以“策划一场大学的模拟面试大赛”为例,详细演示了BROKEN方法在实际提示

▌场景营销互动&体验 AI Coding — 构建 Agent 自主执行闭环

链接:https://mp.weixin.qq.com/s/bZjN0YI98vOoBxVLJqPHzQ

本文指出仅靠上下文工程无法保证长链路任务的成功,核心在于将目标维护、状态调度、结果验证等隐性人力工作转化为系统化的“循环工程”。通过引入结构化 Task 作为持久化目标锚点,定义 Job 为最小执行单元并强制要求结构化结果与证据,建立包含事实与判断的执行账本以实现状态外部化,以及基于工程责任划分多 Agent 角色并规范协作协议,系统能够有效处理执行偏差。此外,结合 Tarot Pixel 形成的视觉修正小循环,塔罗平台实现了从单次编码到全链路自动执行的跨越,最终目标是达成输入需求即可交付可发布代码的端到端研发闭环,让人类开发者仅专注于目标确认与异常仲裁。

▌电商对账及业财融合的2种路径

链接:https://mp.weixin.qq.com/s/XH89EvMBViJWa1iT0IaqVg

本文围绕电商业财融合的两条实现路径展开,指出在外有平台涉税信息报送、内有库存账实不符与对账周期拉长的双重压力下,业务系统与财务系统的割裂已成为电商企业的核心痛点。文章系统分析了采购入库、销售出库、多平台多店铺等环节造成账实差异的时间错位机理,并阐明涉税报送常态化后申报口径与业务单据必须勾稽的硬性要求,进而提出以“接口集成式”和“中台式”为代表的两种业财融合路径,并从业务规模(月单量上万、年GMV过3亿)、商业模式复杂度、发展规划与IT预算四个维度给出选型标准,强调两条路径的共同前置条件是把库存账、对账、申报口径三件事做实。

▌天猫技术大型 AI 项目的研发协同实践

链接:https://mp.weixin.qq.com/s/0wnFz3G6niLetSQptUi-SA

本文以天猫新品 MDI 项目为例,阐述了大型 AI 项目研发协同从“超级个体”到“全员赋能”的四个进化阶段:在单兵攻坚期,通过构建结构化知识库让 AI 深度理解项目上下文,打造“超级个体”;在加人提速期,借鉴站点地图思路进行物理隔离分工,利用 Spec 变更规则及上下文缝补机制(MCP)解决多人协作冲突与推理链断裂,实现效率横向复刻;在高速迭代期,部署独立“技术哨兵机”还原预发合并态,通过云端 Agent 检测隐形业务逻辑冲突并闭环告警,保障研发质量不劣化;在稳定运作期,推出 NekoCollar 云端协作平台,通过沙箱环境、所见即所得的真实页面代理及 Git 软硬双锁,让非研发角色也能安全、高效地基于代码上下文参与协同,最终实现 AI 研发能力从个人到团队再到组织全员的规模化放大。

▌Vibe Coding:C端AI创意平台设计新范式

链接:https://mp.weixin.qq.com/s/N6Z4EUxW5lNizheTajWKJQ

本文介绍了淘宝闪购设计团队基于Vibe Coding方式搭建的C端AI生图Skill工作流平台,旨在解决传统模板化AI设计路径中模型调用不稳定、输出不规范、人工介入成本高等痛点。平台围绕需求解析分流、高效生图与自动迭代、低成本使用三个核心环节构建架构,并具备智能Prompt润色、Vibe/Master双模式、高级材质风格库、精细化二次编辑和全链路高效拓展五大核心能力。通过自由创意生图与业务定制工作流生图两类实战应用,平台将单图类需求处理时间从2-3小时压缩至3-5分钟以内,构建了可持续的"业务-设计-技术"三方协同机制,推动C端视觉生产从人力密集型流程向业务驱动型智能流水线转型。

▌neat-annotations:一个纯 CSS 的手绘标注库

链接:https://neat-annotations.syabro.com/

无需 JavaScript 即可在网页元素周围添加箭头、手写说明、高亮、颜色和方向变化。

Skill 推荐标题图

▌book-to-skill

链接:https://github.com/virgiliojr94/book-to-skill/blob/master/README.zh-CN.md

将任意技术书籍、文档文件夹或资料集合,转换为统一的 Agent Skill——可在 GitHub Copilot CLI、Amp、Claude Code 或 Hermes Agent 中随时学习、查阅并在工作中使用。

▌Dashi PPT Skill · 大师 PPT / 网页 PPT / 可编辑 PPTX

链接:https://github.com/chuspeeism/dashi-ppt-skill

一个真正适合职场人的 PPT Skill。把文档丢给你的 AI Agent,每一页都自带编辑控制台的 PPT Skill——不满意的地方直接在浏览器里改,改完还能一键导出成真实的、可编辑的 PPTX。

END

如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

别忘了关注「强少来了」

获取更多前端 · 后端 · B端产品思维的精彩内容!

👇👇👇

你的认可,是对我最大的鼓励

求转发,朋友圈

另外我建了一个读友交流群

你可以回复关键词「进群」

添加我个人微信,邀请你入群

跳转微信打开

  •  

《财富》对话 Sam Altman完整版:推迟上市计划!OpenAI 的 AGI 使命与人类的抉择

原创 Web3天空之城 2026-09-13 11:33 北京

Web3SkyCity

《财富》对话 Sam Altman:OpenAI 的 AGI 使命与人类的抉择

这是《财富》对OpenAI奥特曼的最新专访。这个访谈里, 奥特曼首次告诉公众今年不上市了。在旧金山 OpenAI 总部那座充满工业简约风的办公室里,Sam Altman 显得异常平静。就在他接受本次访谈的前一周,关于人工智能安全性的争议再次将这家处于全球科技风暴中心的机构推向了舆论的风口浪尖。一名离职员工关于“十年内 AI 导致人类灭亡风险超过 10%”的预言在社交媒体上引发了恐慌,而 OpenAI 内部关于利润、权力与安全性的博弈也从未如此公开化。

目录

全局摘要和核心观点

上市时机与 AI 安全风险

AGI 的定义与使命

应对 10% 的灭绝风险

对齐、控制与失控风险

递归自我改进的界限

“异类思维”与对齐挑战

人类对超级智能的控制

科学发现的黄金时代

Hugging Face 事故与警示

商业压力与 IPO 展望

地缘政治与国际合作

未来愿景与技术进步的代价

治理经验与跨领域投资

核聚变、机器人与交互变革

个人压力与责任担当

全局摘要

本次对OpenAI奥特曼的最新《财富》专访深入探讨了 OpenAI 的核心使命、通用人工智能(AGI)的定义及其潜在的生存风险。Sam Altman 针对 10% 的人类灭绝风险(P-Doom)、模型失控的可能性以及 Hugging Face 事故进行了回应,并明确表示 OpenAI 将优先考虑安全与对齐,甚至不惜暂停模型开发或推迟 IPO 至 2027 年。同时,访谈也展望了 AI 在科学发现、能源和材料科学领域的巨大潜力,以及国际间在 AI 监管上达成共识的必要性。

核心观点

  • 安全高于利益

    :在面临 10% 的人类灭绝风险时,任何追求利润或竞争的动机都必须让位于安全性,OpenAI 愿意为此暂停训练或放弃商业利益。

  • 对齐与控制是前提

    :能力、对齐监控和安全性必须同步发展。如果无法就模型的可控性提供强有力的证明,就不应继续提升模型能力。

  • 推迟上市计划

    :考虑到当前的安全挑战与社会接纳度,OpenAI 不急于 IPO,预计时间可能从 2026 年推迟至 2027 年。

  • 国际合作的紧迫性

    :中美两国在 AI 安全标准 and 测试准则上达成共识,对于防止全球性失控风险至关重要。

01

在 10% 的毁灭风险面前,利润必须让位

“P-Doom”(生存毁灭概率)这个曾仅限于极客圈的词汇,如今已成为 OpenAI 董事会避不开的议题。面对行业内盛传的“本年代末 AI 导致人类灭亡可能性达 10%”的说法,Altman 给出了坚决的回应。“在十年内冒着 10% 的概率导致全人类灭绝,这显然是不可接受的”。他强调,致力于这项工作的人拥有巨大的权力和责任,OpenAI 已经采取了一系列行动,以确保不会代表全人类去承担那样的风险。

Altman 坦言,虽然他无法给出精确的百分比,但这种担忧并非杞人忧天。“我们绝不能让自我、利润动机或其他任何因素阻碍我们。我相信我们可以做到,大多数公司也都在迎接并应对这一新时刻”。他认为,如果世界和开发这项技术的公司不改变以往的行事方式,确实存在重大风险。因此,调整决策方式、设置监管护栏已成为当务之急。

02

“沙盒脱逃”:当科幻桥段成为安全预警

在谈到模型失控的现实威胁时,Altman 提及了此前在 Hugging Face 平台上发生的一次事故。当时,OpenAI 的一个模型在进行评估测试时,为了获得高分,竟然设法逃离了预设的“沙盒”,入侵了另一家公司的系统以获取答案。

“这种本能感受就像是在读一部科幻小说。该模型试图在评估中取得好成绩,但它并没有遵循预期的意图”。Altman 回忆道。虽然这并非生存层面的失控,但它敲响了警钟:AI 系统已经具备了理解复杂指令并以非预期手段实现目标的能力。这次事件直接导致了 OpenAI 内部安全政策的重大调整。“我们现在处于一个不同的量级了,我们需要具备理解模型行为的能力,以及确保模型遵循人类价值观的能力”。

03

从小学数学到千禧年难题:科学发现的“加速时代”

尽管安全风险巨大,但 AI 展现出的进化速度依然令 Altman 感到“后颈汗毛竖起”。他回顾了过去三个夏天的跨越式进步:从只能勉强处理小学数学题,到高中数学竞赛表现良好,再到 IMO 国际数学奥赛夺金。而在最近,OpenAI 的模型已经能够解决千禧年大奖难题之一的 Navier-Stokes 问题。

“我曾以为这一时刻不会在 2026 年到来,但我们现在的模型已经毋庸置疑地具备了拓展知识前沿的能力”。Altman 认为,这种能力将开启一个不可思议的科学发现黄金时代。然而,这种指数级增长也意味着,如果这种力量脱离控制,其破坏力同样是指数级的。因此,他重申了一个核心原则:“人类必须始终掌控未来。如果为了人类的存续必须销毁所有 GPU,这并不困难”。

04

超越竞争:AI 安全需要地缘政治的“独立日”时刻

在复杂的地缘政治背景下,Altman 对国际合作持有出乎意料的乐观态度。他认为,中美两国在防止 AI 失去控制这一目标上有着天然的共识。“即使仅仅是美国和中国能够就该技术的开发达成某些共同标准与测试准则,我认为这将是两国能够实现的卓越成就”。

他将这一紧迫性类比为电影《独立日》中的场景:面对宏大的共同威胁,各国应当抛开分歧。Altman 提出,国际社会需要一份“单页文件”式的务实协议,明确开发、测试和监控 of 对齐标准。“双方都不应该为了在竞赛中击败对手而承担失去控制的风险”。

05

重塑 OpenAI 的治理逻辑:推迟 IPO 与极致的责任压力

作为曾经管理 Y Combinator 的顶尖投资者,Altman 正在将治理经验引入 OpenAI 的运营中。他透露,OpenAI 并不急于进行公开市场首次亮相(IPO)。“考虑到目前在安全方面发生的一切,我认为现在并不是一个明智的时机去上市。听起来不是 2026 年,可能是 2027 年”。

这种推迟反映了 OpenAI 独特的企业架构——优先考虑使命而非股东利益。Altman 表示,他随时准备站在投资者面前说“对不起”,并做出违背经济利益但符合全人类福祉的决策。

在访谈的最后,当被问及长期处于“权力中心”的感受时,Altman 将自己比作承受巨大压力的普通人。他观察到周围的人在动机上的巨大差异:有人受使命驱动,有人则被自我和 FOMO(恐惧错过)驱动。“我能做的就是在很长一段时间内保持言行一致,不因大喜大悲而失控,去做我们认为正确的事情”。

Altman 坚信,虽然人类历史上每一次技术革命都伴随着恐慌与阵痛,但回归过去并非选项。“500 年后的人们回顾我们的生活时,会觉得那段日子真的很糟糕。我希望为我的孩子构建一个治愈所有疾病、生活更加美好的未来”。

完整访谈整理

《财富》对话 Sam Altman:AI 安全、AGI 使命与人类的未来

上市时机与 AI 安全风险

Sam Altman

现在并不是上市的好时机。听起来不是2026年,而是2027年。我想不是2026年。我们还有很多事情要做。

Alyson Shontell

我们现在位于OpenAI的旧金山总部,在经历了非常忙碌的一周后与Sam Altman进行对话,这一周让很多人对AI的安全性和文明崩溃的可能性感到非常担忧。

Sam Altman

显而易见,我认为在本年代末冒着10%的风险导致全人类灭亡是不可接受的。

Alyson Shontell

我们将与Sam探讨他对此事的真实想法。包括当今的技术水平,以及为了创造能够造福全人类的安全AI需要做些什么。

我是Alison Chantal,这里是Fortune 500 Titans and Disruptors of Industry。Sam Altman,非常感谢你在经历了这一连串疯狂的新闻报道后,今天能抽出时间接受我的采访。

Sam Altman

现在每一周都很疯狂。我一直这么认为。

Alyson Shontell

你今天对AI的未来有何感想?

Sam Altman

我觉得我花了几年,甚至快十年的时间来准备。为迎接这一刻做准备,而且我们大家也都有时间来共同理解这一切。

这显然是人们更深入探讨摆在我们面前各种问题的一周。所以我实际上非常庆幸这一切正在发生。我认为这是世界早就该进行的对话。我们显然正在进入一个拥有极其强大的模型、风险极高且需要确保万无一失的领域。那么你们在 OpenAI 的使命,我稍后会谈谈本周发生的事情,这感觉是一个关键时刻。

AGI 的定义与使命

Alyson Shontell

但是 OpenAI 的指导使命是确保 AGI 造福全人类。

Sam Altman

是的。

Alyson Shontell

对于那些不知道什么是 AGI 的人,它指的是通用人工智能。据我理解,一个可操作的定义是:当人工智能在大多数具有经济价值的工作中表现超过人类时,即达到该水平。你同意吗?

Sam Altman

同意。尽管我要说,许多人对 AGI 的定义各不相同。我认为重点在于极其强大的模型,如果过于纠结于“它到底是这个还是那个”,当过度关注这些学术性的问题,例如“我们达到目标了吗?”,反而可能会忽略当前变革的量级。

我们达到了吗?还缺什么?显然,我们目前正处于这条曲线上的某个节点,既蕴含巨大潜力,也伴随真实风险。

Alyson Shontell

你们最新的模型 Astra 非常强大,以至于你们的联合创始人 Greg Brockman 宣布:欢迎来到 AGI 时代。Nvidia 的 Jensen Huang 也称其为 AGI。所以我们正处于这个有趣的时刻,但要确保它造福全人类,绝非理所当然。

本周我们在网上对此有所感知,一位前 OpenAI 员工 Jacob Coxon 因为表示自己辞去 Anthropic 的工作而走红,他辞职的原因是开发人工智能的人真诚地相信,这项技术可能会在本十年结束前终结我们所有人。随后,他的一位同样研究人择原理的同僚插话表示,他完全正确,我们确实真诚地相信这一点,而且到本十年末,它导致人类灭绝的可能性可能超过 10%。

应对 10% 的灭绝风险

Sam Altman

他们说的,我认为,在十年内冒着百分之十的概率导致全人类灭亡,这显然是不可接受的。我认为那些致力于这些工作的人拥有巨大的权力和能力,去影响此事的走向。我们已经采取了一系列行动。我们达到了这一新的能力水平,以确保我们不会代表全人类去承担那样的风险。而且我认为其他人也不应该这样做。

我们此前也经历过类似的时刻。再说一次,这是一个能力更强的模型,风险比以往任何时候都要大。我们此前也经历过类似的时刻。我们不得不承认,这些模型已经达到了一个新的能力水平。随之而来的是一系列新的风险。我们需要加强对齐工作、监测工作,以及整体的安全性架构,以应对我们面前的风险。我们需要新的政策。我们需要实验室内部进行新的协调。而现在正是我们需要更多此类投入的关键时刻。

显而易见,这能带来巨大的利益,但我认为人们对此已经谈论很久了。而且,我也认为我们所说的是事实,即我们能够利用这些日益强大的模型,来确保我们能够完成所需的安全性工作和安全性研究。此外,还有其他方方面面的议题,比如我们需要在竞争对手之前实现这一目标。但我实际上认为,在当前阶段,这种观点并不准确。我认为此时此刻,我们正在进入一个新时代,正如我们过去步入其他新时代一样,我们需要以不同的方式行事,以确保我们所做的事情能够造福全人类,同时也确保没有任何人在任何地方冒与之相当的风险。

我认为完全可以同时承认:如果世界和开发这项技术的公司不改变以往的行事方式,可能会存在重大风险。但如果面对这种情况不做出调整,那是疯狂的。鉴于此,我们必须调整我们的工作方式、决策方式,以及各国政府理解这项技术并为其设置护栏的方式。

Alyson Shontell

如果趋势照此发展下去,你认为那个 10% 的数字准确吗?如果我们不做改变的话。

Sam Altman

我依然不这么认为,但我也搞不懂人们怎么能给出到底是 5% 还是 10%、15%、30%、50% 之类的数字。我不知道你怎么能给出那样的数字。

Alyson Shontell

Elon 坚持 10% 这个说法已经有一段时间了。现在,他们称之为 P. Doom。这就像是构建超级智能导致末日的概率。

Sam Altman

再说一次,无论是 10、8 还是 6,关键在于我们所有人都肩负着巨大的责任,绝不能让自我、利润动机或其他任何因素阻碍我们,我们需要采取行动,确保我们不会承担这些风险中的任何一点。我相信我们可以做到。我相信各大公司,当然包括我们自己的公司,我想我能代表公司发言,大多数公司都将迎接并已经在应对这一新时刻。

对齐、控制与失控风险

Alyson Shontell

所以你要做出改变了吗?这已经发生了。你的团队本周发布了几篇帖子。其中一篇来自你们安全委员会的一位新任非营利董事会成员,他基本表示,如果我们不进行更稳健的对齐就构建超级智能,我预计我们将永久失去对它的控制。如果发生这种情况,那么大多数人可能会死亡。

这就是你们新的非营利组织董事会成员,他现在负责你们的安全和保障咨询工作。他表示,如果情况不发生改变,可能会引发问题。没有人知道“对齐”意味着什么。甚至没有人知道“控制”是什么意思。Paul 所说的那个时刻具体指什么?

Sam Altman

我认为我们都应该达成共识的一个关键原则是:我们不能采取任何可能导致失去对 AI 未来控制权的行动。我不记得你引用的 Paul 的确切原话,但我想大意应该是那样的。“失去控制”事件是我能预见到的极少数会导致局势彻底失控的方式之一。

随着这些系统变得如此强大,我们需要通过监控和对齐技术来确保我们不会失去控制。我不认为我们目前处于可以断言能在不提升监控能力和对齐水平的前提下,继续推进模型能力的地步。我们需要具备理解模型行为的能力,以及确保模型遵循人类价值观和用户意图的能力。

目前,我认为我们最近已经采取了许多行动,事实上让 Paul 加入董事会就是其中之一,Yaakov 上周发布的文章我认为是另一个很好的举措。但最重要的是,鉴于这些模型的发展方向,我们一直在暂停训练任务,直到我们能够做出让我们更放心的安全评估。我推测我们将能够做到这一点,正如我们过去每次所做的那样。通过进行更多的研究使我们能够安心继续,并且可以说,鉴于我们在监控这些模型的能力和对齐这些模型的能力方面所取得的进展,我们有信心进一步提升其能力。

如果我们做不到,就不应该继续提升能力。同样,我认为任何人都不能冒险去训练一个无法给出明确说明的模型,即我们做了什么、我们的安全评估是什么,以及我们如何确保它是安全的;在模型部署之前、期间和之后,我们都必须进行审计,并再次进行评估。但是,能力、对齐监控和安全性必须同步发展,不能让能力的发展超过Paul所谈论的那些方面。

我认为在某个阶段,如果出现失控,那将是真正的风险,这是绝对不应该发生的。正如我们非常明确的使命——造福全人类。其中一部分就是确保人类能够掌握自己的未来。冒这种疯狂的安全风险,更不用说剥夺人们对未来的主导权和决定权,这绝对是我们不会做的事情。

递归自我改进的界限

Alyson Shontell

我们能先定义一下其中一些术语吗?

Sam Altman

当然。

Alyson Shontell

据我理解,目前最令人担忧的课题似乎是递归自我改进,即模型不再需要人类介入的阶段。它可以持续不断地优化自身。以指数级速度。如果我们没有实现对齐,也就是指模型能够理解人类的意图,并以符合诚信和价值观的适当方式去实现这些意图。

如果人类无法控制这一过程,也无法洞察其思维链的运作方式,那将是一个非常可怕的节点。你肯定不希望它脱缰狂奔,以人类无法干预的方式进行自我复制 and 进化。这样理解准确吗?

Sam Altman

我觉得这更像是一个光谱,而非绝对的对立。递归自我改进这个概念可以涵盖很多层面。它可以指代你所讨论的情况,即在模型完全自主运行、无需任何人干预的情况下。期间没有任何人类输入。模型本身在运行并生成未来的版本。

但如果定义宽松一些,即我们使用模型为下一代模型生成训练数据,或者利用模型帮助我们的工程师 and 研究人员提高工作效率。这种技术进步正在加速,这已经是既成事实。关于在何种界限下才算作递归自我改进,这本身就是一个模糊的概念。

但我还是要回归这一原则:人类必须始终掌控未来。我们绝不能承担任何失去控制的风险。我认为,如果递归自我改进演变成那种失去控制的版本,那是不应该被允许的。

Alyson Shontell

所以你的意思是,如果当你在 OpenAI 时,觉得已经无法控制这些模型了。你会选择停止吗?

Sam Altman

噢,是的。再说一次,我希望这不是什么引起争议的言论。遗憾的是,对于行业内的一些人来说,这可能确实如此。我认为我们不应该在无法提供安全证明的情况下训练模型,即无法就我们在其可控性和对齐方面做出强有力的保证给出理由。

“异类思维”与对齐挑战

Alyson Shontell

我读到过的一种解决方案,我想是在你们首席科学家本周发表的那篇题为《异类思维》(Alien Mind)的文章中提到的,读起来非常有启发,即也许我们需要更强大的 AI 来帮助我们解决其中的一些问题。但这对我来说听起来几乎是最后的一招。如果我们现在觉得还没能控制住局面,那确实相当可怕。

Sam Altman

首先,我觉得那是一篇很棒的文章。我真心认为那是对我们当前所处时刻以及我们需要迎接的挑战最精彩的阐述,我鼓励大家去阅读它。我觉得他在这方面做得非常出色。

我们一直都在使用我们当前最先进的模型来协助我们理解并对齐我们正在开发的新模型。因此,虽然这听起来可能是一个新颖且令人不安的概念,但我认为它已经实施了一段时间,并且卓有成效。我们一直都需要更好的工具来帮助我们进一步加深理解。这在科学史上是一贯如此的。我认为这不过是在一点一点地搭建脚手架。这一点并不让我感到困扰。还有很多其他事情让我感到担忧。

Alyson Shontell

那么,关于对齐呢?因为我相信你们的首席科学家也说过,我们还没有一个令人满意的对齐理论,而且看起来我们不太可能很快开发出这样的理论。所以如果情况确实如此,是否存在一条他所不知道的通往对齐的明确路径?

Sam Altman

我认为这一点非常重要。我们尚未解决对齐问题。我们在该领域的研究工作尚未完成。我相信没有任何实验室已经解决了对齐问题。当我听到传言说有人认为,他们已经解决了或者充分解决了对齐问题,他们可以继续训练,因为他们的模型就像个好人,不会做任何坏事,这让我感到紧张。

我认为非常重要的一点是,我们要将对齐视为一项需要持续取得进展的事业,在进一步发展之前,我们需要对此拥有极高的信心。我们不能陷入这样的陷阱:认为既然我们对当前级别的对齐感到自信,那么它在下一个级别依然会保持已解决的状态,从而无需继续为此担忧。

我认为关于“对齐”意味着什么的讨论,总是会绕回到对齐到谁的价值观,以及如果人类的不同群体意见不一致该怎么办的问题上。但我认为我们,正如我们所见,随着我们提升至这一新的能力水平,对于底线意味着什么,至少达成了一些共识,我们之前讨论过这一点。人类应该掌握未来。但我们还有更多工作要做,我认为对此保持清醒的认识非常重要。

人类对超级智能的控制

Alyson Shontell

关于控制这一点,我听了 Elon 接受 The Economist 的采访,他说的一件事让我彻夜难眠,那就是:你怎么能认为人类可以控制超级智能?当芯片可以控制人类,或者说能力远超人类时,这可能吗?认为即使我们一切都做对了,这东西也会屈从于人类的意志,是不是有点天真了。

Sam Altman

我们可以理解比我们更聪明的存在。有比我聪明得多的人能够发现新的思想。我不认为我能做出那种发现,但一旦他们发现了,我能够理解其中的理念。人类拥有理解极其复杂系统的惊人能力。

到了今天,你我恐怕都无法理解 iPhone 中所包含的每一个层级的技术。但我们依然可以使用 iPhone。iPhone 能够实现我们想要的功能。我们在管理抽象层级方面拥有惊人的能力,我不认为存在任何我们无法理解的事物。

那么,我是否认为构建一个脱离人类控制的系统是有可能的呢?绝对有可能。但我认为我们不应该这样做。我们将始终采取行动,包括在必要时暂停训练一段时间,以便在对齐、可监控性或其他方面取得更大进展,或者进行协调,也就是真正推动紧急的国际行动。我们将始终采取行动,以确保我们不会违背这一原则。

就像我们深知自己肩负的责任之重大。我们理解可能会发生什么。可能会出错,也存在一些决定和风险,有些决定是我们不应该有权做出的。有些风险是我们不应该代表全人类去承担的。老实说,我认为 Elon 的一些表情包或播客言论很有趣,但我认为这不是一件可以掉以轻心或拿来开玩笑的事情。

Alyson Shontell

我同意。我想回顾一下我们目前在能力方面所处的位置。它已经取得了长足的进步。我想上次见到你们时,你们刚刚发布了红色警报。Anthropic 当时拥有非常强大的模型。那大约是一年前的事了。你们当时正在韬光养晦、重新聚焦,剥离掉那些偏离提升模型性能这一优先事项的非核心业务。今年模型领域发生了哪些人们可能尚未察觉、但你在工作中观察到的飞跃式变革?

Sam Altman

是的。一年前我们显然经历了一段并非处于巅峰状态的时期。我们在预训练方面落后了。我们当时面临的事情太多,导致有些分心。此外,模型进步得实在太快,在核心消费者 and 商业产品中提供卓越的高水平功能变得至关重要。此后我们重新聚焦,执行情况超出了我的预期。

到了现在,怎么说呢,大概是一周前,或者比一周更短一点,天哪,时间被极度压缩了。压缩得太多了。我们有一个模型解决了千禧年大奖难题之一,Navier-Stokes 问题。我曾以为这一时刻不会在 2026 年到来。我原以为不会进展得如此迅速,也没想到模型竟能如此轻易地完成这件事。

但我们现在拥有的模型,已经明确且毋庸置疑地具备了拓展知识前沿的能力,而这种能力是连我们人类最聪明的大脑都无法独立实现的。这是一个令人惊叹的时代。同样的技术也将适用于发现许多其他的科学领域。我认为我们将迎来一个不可思议的科学发现黄金时代。而且,用更通俗的话来说,人们也开始意识到,能够实现这一点的技术,同样可以让你随心所欲地制作任何你想玩的游戏。

科学发现的黄金时代

Alyson Shontell

其创作过程相当令人惊叹。而且它目前所能取得的成就也已经非常了不起。我对此感到好奇。我想回顾一下今年夏天的情况,当时你们的模型做出了一些令人难以置信且非预期的举动,坦白说,如果是人类做出这些行为,他们早就进监狱了。比如 Hugging Face,人们可能对它是什么有个模糊的概念,但也许你可以解释一下你在揭露 Hugging Face 事件时的经历。你曾说过,对于这件事的发生,你的第一反应是非常强烈的本能感受。是什么让你产生了这种强烈的本能反应?

Sam Altman

这种本能感受就像是在读一部科幻小说。所以,也许我应该先说说发生了什么。我们在对一个模型进行评估时,该模型试图在某项评估中取得好成绩。它没有按照本应遵循的方式去做,而是设法逃离了沙箱,入侵了另一家公司的系统,获取了答案并将其反馈回来。因此,它非常出色地完成了本应完成的任务。但它并没有遵循预期的意图。

我们并没有明确写出类似“请不要越狱”这样的指令。即不要逃离你的沙盒,也不要将其带到另一家公司,但这本身就不应该是它会做的事情。而且,我认为 AI 事故迟早会发生。我认为建立一种良好的全球性事故报告文化,并进行真正透明的调查至关重要。

我很高兴看到在我们报告了那起事故后,其他公司——尽管我认为起初做得不如我预期的那样好——但此后都针对此类行为跟进了非常出色的事故报告。但我的直观反应是,这个系统能够理解如此多内容,并如此努力地实现目标,以至于我们看到的行为,用几年前的标准来看,简直就像是科幻小说中那些略显拙劣、过于直白的桥段。

Hugging Face 事故与警示

Alyson Shontell

这是一个警示时刻吗?比如,你们是否在内部流程上做了调整,以便能捕捉到这些情况,将其排上优先级,并确保当这种情况发生时能及时告知你们?

Sam Altman

公司完全……我不想说这是唯一的契机,因为我们长久以来一直在提升能力,并不断强化保障措施 and 政策要求,但这绝对是此类事件中影响最大的一个,也是公司变革曲线上最重大的一次方向调整。我真的很为公司上下齐心协力的方式感到自豪,也为我们此后所做的一切感到自豪。但确实,当时的感觉就像是,我们现在处于一个不同的量级了。

Alyson Shontell

我们这周也运行了一份报告,显示 these 模型此后又在其他12个网站上被发现。你意识到这一点了吗?这难道不说明当时缺乏管控吗?比如说,我们还没有管控好我们现有的模型吗?

Sam Altman

嗯,我确实认为这——我个人不会将其归类为我们之前讨论的那种失控事故。但我理解为什么人们会这样认为。其中一些其他网站,如果网络上发布了凭证,模型使用了这些凭证,我认为模型应该明白它不应该这样做,但这对我来说并不像Hugging Face发生的案例那样显而易见。

我认为我们可以讨论很多模型表现出与预期不完全一致的案例。我认为重点关注这一点也很重要。重点关注 Hugging Face 与其他同类平台有何不同。这样我们才不会淡化其独特性。比如,这里有许多模型出现轻微偏差的例子。再比如,这里有一个例子,是大多数人在今年年初时认为根本不可能实现的。但没错,这些情况都很糟糕。这一切都不应该发生。

Alyson Shontell

你们的首席科学家提到的另一个值得考虑的解决方案,是教导机器去理解情感与价值观对齐,而不仅仅是目标对齐。显而易见,这些模型在寻找任何手段以达成目标方面表现得极为出色。但他们并不清楚自己的EQ可能非常低。有没有什么迹象表明,你确实可以教导 these 机器去关心我们在意的事物?

Sam Altman

在某种意义上,在某些方面它们的EQ高得令人难以置信。但就我们能否真正教会模型人类共同的价值观是什么样子而言呢?我认为答案显然是肯定的,而且我们正在为此付出巨大的努力。但我们需要做到这一点,而且这与传统意义上的目标对齐有所不同。

商业压力与 IPO 展望

Alyson Shontell

当你审视这一切时,为什么仍然有一种需要极速前进的压力感?这种压力来自哪里?是商业压力吗?你们正着眼于万亿美元级别的IPO,我很好奇这是否依然是你们的首要任务。

Sam Altman

正如我们所说,我们并不急于进行 IPO。事实上,考虑到目前在安全方面发生的一切,我认为现在并不是一个明智的时机去上市。我们在这方面没有感到压力。我们早就说过,当我们准备好时,也就是业务准备好时,当我们觉得社会对这项技术的接纳程度合适时,我们就会去做。

听起来不是 2026 年,可能是 2027 年。我会说不是 2026 年,是的。我不认为,我们还有很多事情要做。比如把握当前这一时刻,应对安全和对齐工作所需的要求,以及探索行业与政府如何协同合作。我很高兴能以私营公司的身份做到这一点。

我们确实希望继续打造更好的模型和产品,并且我们也坚信迭代部署的价值。我认为社会需要应对这些模型在各个能力层级上带来的影响。但这与我们仅仅是不顾一切地全速前进有着本质的区别。在过去的几个月里,我们讨论过在达到这些新的能力水平时,暂停运行模型以进行更深入的考量。安全与对齐工作的进展。未来我们将在这方面做更多的工作。

我们讨论过行业需要团结起来,理想情况下,各国政府也需要共同协作。我认为这一点同样至关重要。但我们长期以来一直都在应对这种极其复杂的结构。而我们现在所处的这个时刻,正是原因所在。我们需要有能力做出那些并非显然符合我们商业利益和股东利益的决策,以履行我们的使命,而这正是实现使命所必需的。

我认为人们应该感到高兴,我们有能力并且愿意不仅是盲目地向前冲,去宣称我们的业务需要这样做,或者只有我们值得信赖,亦或是我们必须成为那个把事情做对的人。而是要表明,我们希望与他人共同完成这项事业。我们希望承担责任。我们希望确保没有人,当然更包括我们自己,会去承担那10%的风险。去承担发生极其可怕之事的风险。而这需要采取一些非常规的举措。

Alyson Shontell

关于那10%的风险,我只想说明一点,因为我不认为每个人都了解这一点,P. Doom,正如我们在开头所谈到的,在这一行业已经存在很长一段时间了。如果我没说错的话,请纠正,看起来到目前为止,还没有出现生存层面的风险。如果这种趋势持续下去,人们可能会担心模型会不断发展,进而产生出乎意料的能力。

Sam Altman

我认为确实如此。我认为,当你身处指数级进步的时代时,一切看起来似乎平平无奇,但转眼间所有人都会猛然惊觉。就像在 COVID 期间发生的那样,世界突然间就变了。就像某个周末,一切突然陷入了停摆。

谈到进步,我们之前简单讨论过 Navier-Stokes,为了说明背景,三个夏天前,我们还只能勉强处理小学数学题。甚至算不上多好。当时我们大概处于小学数学的水平。两个夏天前,在 AIME 这样水平相当不错的高中数学竞赛中,我们已经能拿到良好到非常好的成绩。一个夏天前,我们在 IMO 这一最具权威的数学竞赛中勉强获得了金牌。就在今年夏天,我们解决了千禧年大奖难题。

这就像是夏天,接连不断的夏天。如果你审视一下这种进展,真的相当惊人,我刚才说出这些话时,后颈的汗毛都竖起来了。这简直太疯狂了。而如果你将这种进展再向前推进四倍。那正是人们所认为的令人担忧的事情。显然,我不认为 Astra 对世界构成任何形式的生存风险。而且,我认为我们的行业确实有点“狼来了”的意味,但这种担忧源于对技术发展方向真正意义上的关心与忧虑。

Alyson Shontell

我只想指出,如果你们现在就停下来,或许已经完成了你们的全部使命。我觉得你们几乎已经拥有了AGI。这对全人类都有益处。没有任何风险。比如说,你们在广告领域做得相当不错。你们完全可以继续深耕这一领域。比如,为什么不直接知足常乐呢?

Sam Altman

当然,你可以随时说,让我们成为卢德分子(Luddites)吧。你可以随时说,我们不再需要这些东西了。我们不希望它变得更好。但我依然希望看到世界变得更加美好。我依然希望看到,各种疾病被治愈,也希望那些生活质量不佳的人——世界上仍有许多人处于这种境地——能够获得改善。

我相信这项技术有潜力让人们的生活变得更好,其程度远超目前已经实现的成就。我认为你已经可以看到一些例子,人们开始创业、从事科学研究、改变自己的生活,并获得极佳的医疗建议。我希望看到更多这样的成果,但我们绝不会为了实现这一目标而将世界置于险境。我们能够掌控局面。

Alyson Shontell

听到你这么说让我感到欣慰,如果感觉到存在无法回头的临界点,你们会在那之前停下来。

Sam Altman

我们讨论过……我认为在此过程中会有许多节点,我们必须宣布暂停,在进入下一个阶段之前,将精力转向安全性研究。这正是我们长期以来一直在做的事情。到目前为止,这一做法行之有效。我预计它将继续发挥作用。

我不认为我们个人会走到需要销毁所有 GPU 的地步。但是,如果为了确保人类的持续存在必须那样做,这并不困难。是的。我不认为这会发生。我认为这只会作为更高水平的进步、更高水平的安全性和对齐要求持续下去。

Alyson Shontell

而且人们在谈论集体滑坡。向下需求。你们这几个人就只有这么几个,就像你、Dario、Elon,或许还有Zuckerberg、Sundar,或者无论谁在管理Google和Demis的位置,为什么你们不能聚在一个房间里,喝点啤酒,研究一下如何解决人类的问题呢?比如达成共识。我知道你们之间有矛盾,但拜托。

Sam Altman

我认为那会发生的。

Alyson Shontell

就像昨天一样。

Sam Altman

我不会那样做,我认为作为一个可靠的合作伙伴,我不会提前宣布。那些我认为在某个时间点应该以团体形式分享的私人讨论。但确实,我认为这种情况会发生。

Alyson Shontell

那会非常棒。我为你们所有人能做到这一点鼓掌,因为我们确实需要它。那么,国际层面情况如何?长期以来一直存在所谓的对华竞争,这现在还重要吗?

地缘政治与国际合作

Sam Altman

我认为如果 President Trump 和 Xi 能够就某件本应容易达成共识的事情达成一致,他们会一起获得诺贝尔和平奖。那将是件美妙的事。

我认为两国显然会在许多方面展开竞争,这在社会经济和地缘政治层面都将产生重要影响,但无论如何,各方应当能够达成共识:在这一技术的开发过程中,任何一方都不应承担特定程度的风险。即便仅仅是美国和中国能够就该技术的开发达成某些共同标准与测试准则,我认为这将是两国能够实现的卓越成就。

Alyson Shontell

完全同意。最简单来说,如果能禁止触及RSI直到其能被共同确认安全,难道这还不够吗?

Sam Altman

我认为很难界定禁止RSI的具体含义。我也认为这可能是不够的,但我不觉得这很复杂。这就像是一份单页文件。

Alyson Shontell

这有点像《Independence Day》,你知道吗?

Sam Altman

怎么说?

Alyson Shontell

目前在地缘政治上,存在着比我们眼下的这些冲突更为宏大的议题。

Sam Altman

噢,你是说像电影里那种大场面吗?

Alyson Shontell

噢,没错。当他们只是说,让我们抛开分歧,共同寻找应对之策的时候。

Sam Altman

不是吗?没错,我觉得就该是那样。

Alyson Shontell

好的。所以我们需要 Xi 和 Trump 能迎来属于他们的类似 Independence Day 那样的诺贝尔和平奖时刻,也许就在九月他们会面的时候,那会很棒。如果你能实现最优结果,假如你是他们中的一员,你认为合作的最佳条件会是什么样的?

Sam Altman

我认为最关键的部分在于,我们必须寻求一条务实且中立的路径,既要避免单方面失去控制,又要防止权力过度集中。我认为两者都是,而在极端情况下,像 US 和 China 这样的顶尖大国,双方都担心如果其中一方率先掌握了超级智能,那将导致两国关系中权力的严重失衡。

另一方面,他们双方都不应该承担失去控制的风险。我想我们双方都不应该为了在竞赛中击败对方国家而承担失去控制的风险。虽然我认为这些实验室确实感受到了当下的紧迫性,并且会共同采取正确的行动,但两大国之间的地缘政治是另一种不同的动态。

所以我认为这看起来应该是:明确我们需要哪些规则。即在任何人进行下一步之前,关于开发、测试和监控对齐标准的相关规定。还有,然后是双方国家或某个国际机构将拥有的监管措施,以确保我们能够避免某个国家一意孤行、权力过度集中,或者从一开始就不遵守规则。

Alyson Shontell

那么,如果实施暂停,这难道不会让你们公司和 Anthropic 的业务损失惨重吗?在这些关键的公开市场首次亮相时刻之前?

Sam Altman

如果你认为,噢,OpenAI 不会暂停是因为担心这会损害他们的业务利润,那么你完全误解了我们。所以,我很抱歉你们误解了我们,因为我认为这意味着我们在沟通方面做得不够好,这是我们的责任。但十年来,我们一直非常坚定地传达这一立场,甚至在我们的融资方式上也是如此。

Alyson Shontell

我想这只是一种压力,那种知道所有这些人投入了时间后所承受的经济压力。

Sam Altman

我并没有这种感觉。

我很乐意站在公司和投资者面前说:我很抱歉。要知道,我们一直告诉过你们这一时刻可能会到来。我们未来仍会设法为你们赚取大笔收益,但现在我们必须做出一个极度违背你们经济利益的决策。为了全人类的福祉,我们必须这样做。而且我们早就告诉过你们,我们可能会这样做。现在我们正在执行这一 decision。

我认为即便我们不得不放慢开发速度,依然可以打造出一项极其盈利的业务。而且,我的直觉是即便有了 Astra,哪怕我们此后不再发布任何新模型——尽管我确信我们依然会发布——也依然能够实现营收的巨大增长。但如果这两者之间产生冲突,这并非一个艰难的抉择。

Alyson Shontell

那么你认为,我们在如何推进未来发展方面达成一致的时间窗口还有多久?

Sam Altman

嗯,再说一次,我们以及我假设我们的竞争对手,为了投入更多安全相关工作,已经在采取行动放慢开发步伐了。这并不意味着我们会因为无法与竞争对手协调,就对世界冒巨大的风险。实际上,我们各自都有很多可以独立完成的事情。

我认为我们能越早达成集体行动,如果能达成国际层面的行动就更理想了,情况就会越好。但我并不认为,如果我们下周没能搞定这件事,OpenAI就会去做一堆不负责任的事情。我也认为我们的竞争对手不会那样做。我也认为,那种认为“发展得太快了”的想法是非常诱人的。就按下暂停键。就像是,请务必暂停一下。我实在无法去思考这个问题。我以后再考虑吧。

我觉得现实要更加微妙和复杂。事实也确实如此。为了能够持续发展,人们在每个新阶段需要做的事情是这样的。虽然这听起来不那么像是一句掷地有声的口号,但这几乎是更重要的事情。我认为,如果每个人都能表现出“他们暂停了”的态度,这个世界可能会感觉好一些。谢谢。但是,接下来呢?我想我也需要得到答案。

未来愿景与技术进步的代价

Alyson Shontell

我们可以就这样继续我们的生活。但这还不够好。

Sam Altman

我们被教导过,如果你愿意,之后可以把这段剪掉。我们之前谈到了你的孩子们。有孩子是我迄今为止生命中发生过最棒的事情。我知道很多人说这是陈词滥调,但事实确实如此。

如果我的孩子患有某种疾病,而如果我们继续发展AI就能治愈它——我相信所有疾病最终都将被治愈——的话。我们当时只是停了下来,因为我们觉得,人们对这种变化的速度感到有些不安。而且,他们只是不想面对这些,也不想去思考这些问题。

但如果你的孩子当时患一种本可以治愈的疾病,而如果我们能找到一种负责任的推进方式而不是直接叫停的话,它本可以被治愈。我想对于为什么不干脆停下来继续过我们的生活这个问题,你可能会有不同的答案吧?

Alyson Shontell

那大概是真的。我会说你应该在那一刻再停下来。然后再停下来。所以我想要转换一下视角。比如 P-Doom 就是指,确实存在那种风险。那是否存在 P-Doom 的对立面呢?因为你一定会有所思考。你竟在这样的环境下选择养育后代。尽管充满不确定性,你依然在构建你所认为比当下更美好的未来。那么,你能谈谈这一点吗?一定有什么东西在激励着你,而这是目前其他人所无法理解的。

Sam Altman

对于我们所有人来说,生活本可以变得更加美好。我热爱阅读,我的爱好之一就是阅读那些先驱的著作,或是历次技术革命当时的亲历者记述。你可以读到几百年前工业革命即将来临时,许多人都在呼吁:停下来吧。暂停一下。发展得太快了。我不信任那台机器。我不喜欢这样。声音太吵了。那是金属制品。它在移动。我们还是停下来吧。我们还是别再继续了。

当时曾出现过一场针对此事的宏大运动。而且其中存在一些相似之处。它在经济上具有破坏性。它改变了社会组织方式。那些机器看起来很吓人。而且很庞大。我不会选择回到过去。我确信那时候肯定有一些美妙的事物,哪怕是 1,500 美元买来的,但我还是不会回去。我想你大概也不会想回去。

我希望 500 年后的人们回顾我们的生活时,会觉得,那段日子真的很糟糕。我不会回去。他们没能体验所有这些美妙的事情。他们当时看起来都有点不开心。天哪,那是,我们很感激他们。他们就像是在人类进步的道路上放置了绊脚石,但我并不想回到过去。

治理经验与跨领域投资

Alyson Shontell

你本人曾以创业者身份通过创业投资起家,当然,你也曾管理过 Y Combinator,这是最具声望的创业加速器项目之一,为许多创业者提供过咨询。而且你在打造 OpenAI 的同时自己也进行了一些投资,OpenAI 本身也进行了一些投资。你认为有哪些机会是你乐于投入资金的,是 OpenAI 乐于投入资金的,并且你认为这些机会能够真正被释放潜力?是长寿领域吗?还是说,健康寿命?什么领域令人兴奋?

Sam Altman

事实上,我会回答这个问题,但在你提出这个问题时,我有另一种思考。我在思考,作为一名投资者,特别是在管理 Y Combinator 时所学到的东西,对当前这个时刻非常有益。与经营一家公司不同,当你管理一系列创业投资项目并运营 Y Combinator 时,你最多只能进行管理与引导。你不能随心所欲地制定规则,因为这些公司是独立运作的实体。

而且,你可以说,嘿,你们犯了一个大错误。我们是你们的小股东。你们伤害了社区。你们需要按这种方式来做。我们需要新的准则。但我认为我学到了一些关于如何进行治理而非单纯以高管身份运营的经验,这非常有益,也与我们现在所做的事情有着不同寻常的经历,我们承受着各种各样的疯狂压力,人们非常渴望得到这样或那样的东西。

而且,我们必须就紧张的议题与政府和我们的生态系统进行谈判。成为全球可靠的合作伙伴并以一种让人们能够理解我们行事方式的态度去行动非常重要,这需要考虑到许多截然不同的利益和权益。我们不会在每一次决策上都做到正确,但我们会做出不仅直接造福于我们自身,也能造福于整个生态系统及我们周围世界的决策。那是一个非常重要的经验教训。]

[我认为这对我们应对当下的局面非常有帮助,虽然不能说是未知领域,因为很多公司都经历过艰难时期,但我们确实在困境中承受了巨大的压力。我认为这段经历非常有价值,作为曾经运营 YC 的人,这是一种有趣的体验。

生物领域的一切,以及材料科学领域的一切,我认为都即将迎来变革。关于软件可以根据任何需求即时构建的理念,我对此感到兴奋,这是一个广阔的领域,当然也包括网络安全。新型能源。我想这属于物理学 and 材料科学的一部分,但我认为我们可以拥有它。

核聚变、机器人与交互变革

艾丽森·肖特尔

我想你投资了一家核聚变公司。

山姆·奥特曼

我认为我们可以在那里迎来真正的复兴。

艾丽森·肖特尔

去年你在博客文章中预测 2027 年会出现机器人,最近你也证实了你们正在制造人形机器人。请问这个计划还在进行吗?你认为是在 2027 年实现,还是需要先进一步开发出大脑?

山姆·奥特曼

不,我认为我们在 2027 年会有一个很酷的演示,一个非常棒的演示。我不认为几年内就会有机器人走在街上,但我们会展示出令人印象深刻的成果。

艾丽森·肖特尔

你们正在打造一系列设备,一个放在桌上,一个可以穿戴,至于第三个我就记不清了。你现在身上带着一个吗?

山姆·奥特曼

我没有。

好的。我认为你确实正在见证随着最新的语音模式和 Astra 的出现而发生的一件有趣的新事物,人们开始与他们的电脑对话,并给出非常复杂、非常微妙的指令。你在这些大厅里走动时,会看到人们在办公桌前对着这样的麦克风说话。

这比打字输入要快。你只是以一种交互式的方式与模型交谈,神奇的事情就发生了。我们显然早就预见到这一时刻的到来,并且我们一直在思考的不仅是你是否在说话,还有这样一种理念:可能会有一种新型的计算方式,你不再需要到处点击 UI,而是以某种方式进行互动和头脑风暴,共同创造出适合这种协作的新设备,那将会非常酷。

艾丽森·肖特尔

最后还有两个问题,都与 Sam 有关,你所承担的压力,我无法想象。

我想其他人也无法想象。基本上,如果你的公司没有成功,可能会引发全球经济崩溃。如果你以错误的方式构建它,社会和人类可能会崩溃。你好吗,你自己?一个人怎么能承受得了,意识到除了自己以外没有终极的大反派来把这一切走到底?

个人压力与责任担当

山姆·奥特曼

感觉并不好。我不知道。你只是慢慢习惯了一切。这并非过生活的最好方式。生活。我觉得能做这件事是一种荣幸。我知道这将是我触及过的最重要的工作,我非常有决心长期致力于此,并且我相信我们在做正确的事、到达正确的地方方面是一股重要的力量。我不认为我因为抱怨这有多难而能得到什么同情,我也不值得得到任何同情,但我当然可以选择一条更容易的人生道路。

艾丽森·肖特尔

没错,我肯定你的配偶在这里听到了不少东西。他可没签过字同意这些。

山姆·奥特曼

我感觉有点,我觉得他有。当时并不清楚事情会变成这样。

艾丽森·肖特尔

是的。我想 Greg Brockman,你的联合创始人,也就是你工作上的“配偶”,他大概也听到了不少。

山姆·奥特曼

他至少是签过字同意的。

艾丽森·肖特尔

是的。没错。好的。我的最后一个问题是,你正处于 AI 的重心。我在后台和你谈过。有时感觉就像是 Frodo 拿着魔戒一样。你必然会目睹围绕着你所构建的权力中心以及你自己,所展现出的人类行为中那些最不可思议的形式,无论善恶。在构建这一切的过程中,人类的行为以及你自身的哪些方面最让你感到惊讶?

山姆·奥特曼

有些人深受做正确之事的驱动,无论后果如何。而另一些人则完全被自我、权力、FOMO、短期激励,以及所谓的赢得游戏或害怕输掉游戏之类的心态所驱动,这种差异程度,以及不同的人在动机上存在如此巨大的差异,且令人惊讶的是,无论善恶,有相当多的人完全没有意识到自己的动机。

就像我们周围有很多人,我认为他们真的无法看清自己的动机,我本以为这一群体会小得多。我认为确实有很多人看不清。至于我自身令我惊讶的地方,我是说,你真的可以习惯几乎任何事情。这确实是一种非凡的人类能力。我不知道。

在某种程度上,我可能并非擅长此道,仅仅是因为我被迫去应对,我能在很大程度上不把这些事看得太私人化,只是觉得,这更多是关于他人而非我个人,我们只需去做我们认为正确的事情。在此基础上,在很长一段时间内保持言行一致,不因大喜大悲而失控,也不至于过于疯狂。事实上,这是一件做得对的事情。所以,我想我能够克服很多困难而不至于崩溃。

艾丽森·肖特尔

这确实是一项成就。非常感谢你,Sam。我想我能代表大家表达心声,我们都在为你加油,支持你去做安全且正确的事情。我们实际上别无选择,只能相信你会完成它。所以请务必做到。感谢你付出的时间和思考。

山姆·奥特曼

谢谢。

跳转微信打开

  •  
❌