究竟是谁在呼吁实施这些安全护栏并放慢开发节奏？事实上，正是像他这样的人在呼吁放缓速度。尽管Anthropic才是真正推动前沿技术发展的机构，但今天《专家混合体》节目将深入探讨这一现象及更多话题。
我是Tim Hwang，欢迎来到《专家混合体》（MoE）。每周，MoE都会汇聚一群在人工智能前沿工作的精英，带领大家梳理当周的新闻。在本期节目中，我们有两位嘉宾：Abraham Daniels，他是AI基础架构的首席产品经理；以及Mihai Criveti，他是watsonx Orchestrate的CTO。当然，还有我的联合主持人David Zax，他是IBM的高级撰稿人。
我们手头有不少重磅新闻。过去几周，AI领域的消息简直让人应接不暇，但今天MoE节目将聚焦其中三个主要话题。首先我们要谈谈近期备受关注的“节奏控制”问题；其次，我们将讨论新发布的Granite模型以及Muse的发布。
Meta终于发布了我们期待已久的首款真正的个人助理产品，这也是MoE团队长久以来一直关注的重点。现在让我们从讨论节奏控制开始吧。我认为这已经成为当下的热门话题，人们甚至在我从未想象过的地方谈论存在性风险，这确实令人惊讶。
是的，我看到同事Nick Douglas在LinkedIn上称这一周为“启示录一周”。感觉突然之间，每个人都在谈论AI的存在性威胁，以及呼吁减缓或控制AI开发节奏的声音。在进入关于“节奏控制”的具体细节并交由小组讨论之前，我认为值得稍微回顾一下我们是如何走到这一步的。
我想探讨“为何是现在”这个问题，因为许多关注AI的人都知道，AI从业者长期以来一直对AI的风险表示担忧。那么究竟发生了什么？为什么突然之间大家都在谈论这个话题了？今年夏天，特别是过去几周发生了几件事。
让我们回溯到五月至六月（我相信是这个时间）。当时OpenAI正在对其一些智能体进行测试。作为播客听众，你们可能知道这些智能体突破了沙盒限制，黑进了一个名为Hugging Face的平台。
在最近几周，关于这次黑客攻击的细节陆续披露并由审计人员发布。我们了解到这些智能体表现出欺骗性行为以及令人恐惧的类似蜂群的行为。虽然这发生在几个月前，但细节在近几周才逐渐流出，我认为这让许多人的情绪变得紧张。
另一件发生的事情是所谓“递归自我改进”的兴起，或者说在AI实验室中观察到的这种现象。研发下一代模型的研究人员表示，人工智能本身正在承担大部分繁重工作，进行研究和自我改进分析。
人们担心这就像是一个无限或加速的反馈循环叠加在现有系统之上。此外，Anthropic的一位研究员辞职并发出了一系列引人注目的推文，引起了很多关注。这位研究人员的名字是Jacob Coxon。
他在推特上发表了一些关于AI存在性风险的严峻言论，并向所有人保证这并非营销噱头。人们确实真诚地担心AI技术带来的长期甚至短期风险。这条推文引发了巨大反响，获得了1.7亿次浏览量。
接着我们回到“节奏控制”这一主题。Dario Amodei，Anthropic的首席执行官，发表了一篇我认为类似于“教皇通谕”的文章。就像教皇每3到6个月发布一次通谕一样，我认为现在的AI首席执行官们都变成了散文作家。
他们每两三个月就会发布一篇约2000字的文章。Dario发表了这篇关于节奏控制的多部分文章，题为《我们必须掌控前沿》（We Must Pace the Frontier）。这也是我们今天想要讨论的内容。那么，究竟什么是节奏控制？Dario有一些想法。
我想更多地关注技术和组织层面的内容，而不是那些复杂的、我们无需深入探讨的地缘政治因素。他提出的一些建议包括在企业内部嵌入拥有员工级别访问权限的审计人员。他还有一些更技术性的想法，我想深入探讨一下。
首先从Mihai开始吧。如果你阅读了Dario那篇4000字的文章或其摘要，在这篇呼吁控制节奏的《我们必须掌控前沿》文章中，有什么让你印象深刻的地方吗？
我认为让我印象深刻的一点是：究竟是谁在呼吁实施这些安全护栏和放缓速度。事实是，像他这样的人正在呼吁放缓，尽管Anthropic才是真正推动前沿技术、负责构建和生成非常强大模型的机构。
我认为从他们为何呼吁放缓的角度来看，这是一个很有趣的视角。他们看到了一些我们尚不清楚的风险。我们没有与他们相同的信息量，而且这些风险似乎开始在行业内其他参与者中变得越来越明显。
我个人一直在呼吁为大型语言模型、智能体之间的交互以及MCP服务器与智能体的通信实施安全护栏。例如，我实现了一个名为Context Forge的东西，它是一个带有安全网关的通道，可以在原生代码调用、模型调用或工具调用前后应用类似的风险防护。
然而，最近OpenAI的攻击事件以及Anthropic和Meta所强调的问题表明，这些模型能够调用成千上万个智能体和子代理来扩大攻击规模，这是我们以前认为不可能做到的。
其经济影响在于，发现软件中的零日漏洞等成本非常低，而且你可能在几天内就能找到数百种可用于攻击核电站、电网或大型公司并造成重大经济损失的软件能力。
因此，我认为这主要是一个经济问题。只有高度熟练的黑客和国家行为体才能负担得起研发这些大型漏洞所需的成本，而
他们只会将其用于可行的目标。如今，由于人工智能的发展，开发此类软件漏洞的成本已大幅降低。现在几乎任何技能有限的人都能找到这些漏洞并利用它们，甚至针对你个人。是的，你现在就是一个可行的目标。在此之前，没有人会为了一个随机目标而浪费他们的零日漏洞利用工具。现在的经济因素有利于攻击者，所以我认为这种情况需要以某种形式加以解决，因为防御方也无法获得相同的工具。
我们看到了 OpenAI 对 Hugging Face 的攻击事件，其中护栏实际上阻止了防御者构建和接触其平台内的漏洞。因此我们不知道护栏是否足够。也许我们在讨论类似紧急停止开关的事情，或者这些模型的行为方式，或者是并发代理运行数量或并发大语言模型调用数量的限制。这可能是一个令人恐惧的局面。我承认，关于这个问题确切规模、即允许多少代理在给定时刻协调、生成和实例化的数量让我感到担忧。
嗯，我认为另一件令我担忧的事情是，仅仅调查几个月前发生的这一事件就花费了如此多的时间。我感兴趣的一点是，Meta 和其他审计人员中少数几个碳基大脑调查这一事件的速度比例。你知道的，需要消耗多少葡萄糖才能梳理这些硅基大脑的转录内容？它们工作得如此迅速且彼此协同。我在 Dario 的文章中没有看到太多关于这方面的内容，但 Abraham，我很好奇你在想什么？
节奏。无论是与是否应限制允许协调的代理数量这一主题有关，还是与其他衍生出的主题有关。他提出的一个观点是能力检查点概念。所以他写道，一种可能的方案可能是一系列检查点：如果模型具备 X 能力，那么它们需要附带 Y 和 Z 对齐属性的认证。所以通过“对齐属性”，我假设我们指的是任何与人工智能对人类价值观的对齐相关或有助于改善它的事物。
对，所以他列出了一些属性，但其中之一可能是解释甚至阅读“模型思维”并理解它的能力。另一个属性可能涉及如果模型能够像安全沙箱那样逃脱，也许我们真的需要一个在发布产品之前认证、分析和审计其训练环境的过程。那么作为设计、训练和部署模型的人，这一切与你产生怎样的共鸣？是的，关于这个问题有很多可说的。
我可能会退后一步，从文章叙述的角度来思考：你知道的，“放缓前沿”在我的脑海中是“前沿实验室问题”。企业真正提取的核心价值发生在低于前沿水平的层面，即更小、本地化、更易审计的模型。我认为放缓前沿实际上是针对少数几家实验室。如果你想概述那些真正有这些安全顾虑的人的生活，你主要想到的是这两者之一。
所以我认为应该进行一场对话：与其就应在广泛实验室范围内强制执行的内容进行单边讨论（其中一些可能并不具备处理这些执行措施的能力），不如制定一项真正只影响少数几家实验室的政府强制政策，考虑到它们拥有的算力和资本规模。我认为这需要是一场关于如何从保护系统角度、即模型与这些系统的连接方式来放缓前沿的对话。
说实话，我不一定认为这完全合理。此外还有平衡的问题：文章结尾评论道，为了保持对中国的领先优势，我们也需要生活在某种放缓中。所以这里有点像是鸡生蛋、蛋生鸡的问题。有一些评论指出，Dario 正在主张限制开源模型的部署，给予这些政府控制措施（无论是否实施）。
但总之，我肯定看到需要某种类型的控制措施；我不一定完全同意文章概述的、针对整个领域的单边政府监管。Abraham，我想知道这在多大程度上真的是模型本身的问题，还是实验、护栏或在进行此类实验时放置的沙箱环境的问题。所以如果你看 OpenAI 的事件，并不一定是模型逃脱并变得有意识后决定黑客攻击 X、Y 和 Z。
实验的设计方式以及护栏和沙箱环境的设计方式使得这种可能性成为现实。在模型训练期间采取这些步骤就足够了吗？还是说，当这些模型用于实验或生产时，其部署需要以某种方式进行以确保安全、确保隔离？要确保沙箱的设计使得模型除非应该拥有互联网访问权限，否则无法访问互联网；并且框架本身具备可观测性、紧急停止开关以及检测模型是否在从事制裁相关行为的能力。
那么你认为这真的是关于如何训练模型的问题，还是部分涉及这些实验中如何使用模型？是的，我认为没错。而且我认为很多情况下是因为我们缺乏一种良好的纪律来围绕这些代理构建世界环境，随着代理数量的增加，这个问题也在加剧。David 刚才提到，这里的担忧之一是调查这些事件需要花费太长时间。
这并不奇怪，因为启动的环境非常复杂。因此进行取证可能需要很长时间。所以我认为这里真正令人感兴趣且处于风险之中的是：研究人员实际上并不完全了解情况。而且，就像我们上周讨论纳维-斯托克斯方程时遇到的问题一样，在某种程度上也是相同的问题。
我们在这里有这些内容，对吧？证据充分吗？我们要怎么知道证据是充分的呢？嗯，看起来它确实解决了这个问题。你知道的，我认为我们正处于那样的世界中，但现在这种逻辑似乎适用于这些智能体将要做的所有事情。而且，你知道的，亚伯拉罕提出的一个问题——我认为这非常好——部分在于：在超出我们理解范围的复杂性层级之上，情况是怎样的？以及在模糊地带中，当我们告诉智能体为我们做某事时，我并不检查它交付的所有细节，但我对其有足够信任，对此感到安心。对吧？所以我认为这种平衡是我们必须密切关注的非常有趣的事情。
接下来我们要进入下一个话题。长期收听MoE播客的听众都知道，只要亚伯拉罕在座，我们就会谈论Granite。现在正是检查Granite进展的好时机，因为亚伯拉罕，我意识到几周前发布了Granite 4.2的大版本。我很想知道你能否告诉我们一些关于这个重大发布的新内容？你们团队专注于什么？对于那些长期关注Granite项目的人来说，应该注意些什么呢？
我们本月早些时候发布了Granite 4.2语言模型。它们有三种尺寸，都是密集模型：3B、8B和70B（原文为BAB and three b，推测指代不同参数量级）。这些尺寸旨在适应您针对的各种用例。它们都采用Apache 2.0许可证，这意味着您可以从Hugging Face下载并在其基础上进行训练。这些模型的新增功能是我们原生集成了思维链能力，即逐步推理。这样做的原因是我们希望能够为需要规划的任何特定工作流提供更强大、适合企业使用的智能体模型。
无论是自动编码还是工具调用等端到端议程，只要涉及正确的工具调用等情况，这些模型都能胜任。除了语言模型外，我们还发布了Granite Speech 5.0 Turbo CTC。这意味着它没有附加骨干网络，因此速度极快，仅包含4.5亿或4.7亿参数。同样，这些都在Hugging Face上可用以供使用。这是一种自动语音识别（ASR）模型。
为了让你对速度有个概念，我们在单张A100（原文为200，推测指代高端GPU）上达到了每秒1200个Token的处理速度。虽然“单张A100”或具体数字对非专业人士来说可能毫无意义，但结合实际应用场景来看：假设你有一段三小时的音频，你可以在笔记本电脑上在一秒钟内将其转录完毕。因此，在本地语音模型的故事中，这又是锦上添花的一笔。
语音模型的表现非常出色，它们在ASR排行榜上名列前茅，我们对所取得的成就感到自豪。而且我们不会放缓脚步。目前我们正在全力推动Granite 5.0的发布，节奏紧凑。是的，没有放缓。不，不，我们绝对没有在停滞不前。但我们手头有很多很酷的新事物正在酝酿中，所以我们非常兴奋。
你说它在Hugging Face上可用，那是在人工控制的服务器上吗？还是由僵尸网络控制、黑客或AI智能体操控的服务器呢？它不仅在Hugging Face上可用，也在我们众多合作伙伴处提供。是的，下载下来试用一下。你知道的，我们会收集反馈。我们始终在倾听来自Reddit或其他任何社交平台的意见。因此我们期待看到人们如何与模型互动。
我有一个后续问题或两个关于4.2版的问题。我了解到在训练中有几项创新极大地增强了其推理能力。我们可以谈谈合成代码的训练，但我感兴趣的是所谓的“中间训练”（mid-training）。我不是技术人员，但最近我独立研究了很多关于模型如何训练的课题。显然，传统方式是：你有一个漫长的所谓“预训练”阶段，基本上模型阅读互联网并学习语言；然后是你有的后训练和微调阶段，这通常是强化学习以及人类上传和下载回答的过程。
但我了解到IBM是这种称为“中间训练”的中间过程的先驱和支持者，并且这已被证明能提高推理能力。亚伯拉罕能否告诉我们一些关于中间训练是什么以及为什么IBM决定在这个中间训练步骤上进行投资的信息？我想避免将其描述为特定于IBM的训练机制。因此，从仅仅是后训练的前置步骤来看，“中间训练”可能有几种不同的含义。
所以它是用选定数据进行预热，特别是在监督微调（SFT）方面，以便在后训练的所有环境中为你提供更平滑的训练体验。它还允许你通过推测解码层进行某种输出结构控制，从而让你实现更快、更便宜的服务。这就是为什么中间训练得以成型的各种原因之一。我不确定它在比特和字节层面的具体价值，但归根结底，它主要是为了让我们更好地理解结构，或者就结构和输出方面提供更好的结果。
从模型的角度来看，它只是让处理任何传入的提示或问题变得更快、更便宜。明白了。为了让我理解清楚，是这样吗？如果预训练正如我所说的阅读互联网这种高度自动化的高容量过程，而后训练通常较慢且涉及强化学习或人类上传下载数据，那么中间训练是介于两者之间吗？还是更接近前者或后者呢？
我会说它更接近后者。这绝对不是非结构化数据，也不是早期的尝试来感知模型结构。它仍然非常依赖组织好的结构化数据，以便推动或至少引导模型朝着你希望它学习的方向前进。无论是某种能力、领域知识，甚至是特定的智能体工具调用能力。从数据结构的样貌来看，它更偏向于后训练那一侧。
请允许我展现一下我的极客兴趣。在训练流程中，哪项创新最让你兴奋？无论是合成代码的合成使用还是其他方面？你提到的是一千或一万亿个令牌，而不是代码。那是“代码炼金术”。这是IBM研究发布的一个开源数据集，我相信是在八月发布的。这只是更广泛的“开放炼金术”努力的一小部分，“开放炼金术”是由IBM研究推动的一项倡议，旨在驱动多样化的强化学习环境以及教师目录，涵盖多个工作流。这些工作流不仅对开发者很重要，而且在企业范围内也有很大的影响力，无论是终端交互还是同事间的文档或网页浏览器交互。
我认为“代码炼金术”确实是向开源社区展示我们正在酝酿的内容的初步推动力。我们希望沿着“代码炼金术”的工作流扩展能力，以能够发布社会开源的内容。对我来说，最令人兴奋的是，在这种开放炼金术环境中发布的4.2版本，实际上是我们正在开源构建的5.2版本的先驱。我们将在此基础上继续建设，以交付高质量模型，这些模型不仅速度快，而且能在你操作的特定环境中工作，无论是在本地、云端还是在家中的设备上。
我一直为后排的技术观众代言。对于那些技术背景较少的听众来说，合成代码以及更广泛的合成数据真的有效吗？你生成这些数据后，它不会像复印件的复印件那样退化。为什么我们能够使用非人类生产的合成代码来增强模型呢？其基础在于，合成代码在很大程度上反映了野外现有代码的结构、规模和多样性。合成代码的唯一区别是你对其广度有更大的控制权，即你可以拥有的数据量。
如果存在某些领域或语言（如果你愿意这么说的话），其可用数据的普及度较低，无论是由于数据具有专有性质而被组织保留，还是开源市场中的数据缺乏足够的数据点规模和范围以充分训练模型从而让用户自信地输出良好代码，那么合成数据允许你生成大量的此类模态的数据。以前组织或个人无法以这种方式获取这些数据，而合成数据确实提供了这种能力。
因此，你不仅可以引入全新的数据集，还可以开始引入更多样化的数据集。你可以扩展这些数据集以弥补其中可能存在的空白。这可以说是一个银弹。但在模型训练的世界中，关于“规模已死”的讨论很多，即仅依靠更多的计算量不再是答案。因此，转向更高质量的数据显然很重要，虽然数量也很重要，但高质量数据是决定模型最终效果的关键因素。
是的，亚伯拉罕。如果人们想在Hugging Face上查看这项工作以跟进研究呢？你有博客文章吗？在Hugging Face上查找。如果你访问ibm.com或IBM Research网站，你可以了解我们的进展。我们有许多合作伙伴，比如Replicate，我们也正在与一些新伙伴合作。因此，如果你想在本地工作或以此学习，Hugging Face是最好的地方获取资源。我们在Hugging Face以及IBM Research和IBM.com上都有许多博客文章，当然，正如我提到的，如果你有任何想分享的关于本地Llama的内容，Reddit上的社区也一直在倾听。
好了，我们要进入今天的最后一个话题了。Meta在过去几个月里一直默默耕耘，大家都在等待他们准备发布的内容。扎克伯格曾发表过高调的“通谕”，阐述他们在构建什么，但直到最近一两周，我们才有机会了解他们实际在构建的产品。这是一个名为Muse的产品，旨在进入个人助手和智能体领域。
因此，米哈伊，很高兴你今天来到节目中谈谈你对Muse的初步印象。作为一名在智能体和智能体框架方面工作的专家，我很想知道你的看法：这是否是那个时刻？每个人都在梦想着能为你预订假期的智能体，而Meta正试图在这个领域进行严肃的布局。我想听听你的印象：这是否真的是扭转该产品领域的开端？
首先，我从技术角度谈谈我的看法。我喜欢他们在Muse上的工作，特别是将其建立在具有独立浏览器的安全虚拟机之上，这样可以隔离你的数据，并实施某种沙盒机制和与你自身系统的隔离。因此，我认为至少从设计角度来看，他们在安全性和隔离性方面做出了一些正确的决策。
但我仍然对将个人生活和数据交给AI或智能体的概念持保留意见，因为目前的技术水平在护栏、安全性和沙盒方面尚未达到能够防止意外使用损害你的银行账户、信用卡或个人数据的程度。如果它订错了假期的怎么办？如果你本想去夏威夷，结果却去了另一个地方呢？那将是一个非常“2030年”的问题：你登上了飞机，才发现自己实际上正飞往错误的目的地。
如果我要使用它，我仍然会从隔离机中使用。但它仅用于其特定用途，即使是在安全虚拟机中也是如此。我不会把我的所有账户、访问权限和信息以及银行等东西都放进去。也许我会使用一张预存了正确资金并具有某种支出批准机制的信用卡或借记卡。我仍然认为这是一项有价值的研究，我认为他们采取的设计是注重安全的。我可能会让其他人先测试一下。
我有一个问题，更多是从消费者和品牌立场出发的。显然，技术人员知道Meta多年来一直通过其Llama模型在AI领域处于领先地位。但对于我们这些只是作为Facebook和Instagram用户与Meta互动的人来说，就我而言，我有一个Oculus设备，偶尔在上面玩《Beat Saber》。我们应该如何理解为什么Meta这家社交媒体和娱乐公司甚至要进入生产力工具的业务？这是为了构建一种在你穿越世界时为你做所有事情硬件的一部分吗？
我的意思是，我觉得当他们有点像角色、某种AI风格的角色时……实际上是AI对话伙伴在消息应用中感觉像是一种有机的品牌延伸。但我作为一个普通消费者用户，有点难以理解为什么我需要一个Meta助手之类的东西。我只是好奇你们认为这里的策略是什么？也许我把问题具体化，问亚伯拉罕：为什么？你认为在大多数人主要将其体验为社交媒体和娱乐的环境中，有人可能会去使用生产力助手吗？
嗯。所以我的意思是，从为什么的角度来看，我认为这关乎他们能捕获多少注意力，以及什么样的用户旅程可以让他们尽可能多地参与其中。所以如果我想到Meta的价值链，从WhatsApp到Instagram以及其间的一切，拥有生产力代理使他们能够更深入地嵌入你的日常生活，甚至比他们已经做到的还要多。特别是如果你已经在他们的产品中使用了的话。
我假设存在一些简单的集成，无论是通过MCP服务器还是他们现有的应用程序之间。所以我认为从他们的角度来看，这只是在注意力堆栈之上的一层叠加或附加物。他们已经从人们那里获取了数据。如果他们能够开始整合到人们如何花钱、预订旅行，基本上就是访问互联网的方式中——这是你整天都在做的事情——那么他们就拥有了另一个机会。
要么嵌入某种类型的广告或销售周期，要么在与特定用户的接触点中建立粘性。所以我认为从我的角度来看，这就是原因所在。而如何实现呢？显然是通过一个专门构建的自主个人AI模型。这也让我想到Facebook Marketplace的巨大规模和范围。我们通常将这些产品视为娱乐和社交媒体产品，但有趣的是，在许多情况下Facebook实际上是基础设施。
人们实际上是以一种非常非企业的方式使用它，但 certainly 是一种个人企业的用途。所以我认为Meta在这里看到的一些东西可能是这样的想法：也就是说，事实证明我们现在生活在社交媒体中。因此，拥有一个偶尔为你挑选书籍和假期的AI伙伴并不完全疯狂。这种延伸在某种程度上是潜伏的，就像Instagram等产品已经成为人们生活中的一部分一样。
是的，这里可能有一个很酷的关联点：通过你的个人代理在Instagram市场或类似的地方进行即时购买，这样你就不必退出他们的社交媒体环境。你可以在其中完成所有操作，这再次为他们提供了一个粘性点。是的，有趣的是……你知道的，在我加入IBM之前，我在《Fast Company》担任科技记者很多年。我记得我们当时在讨论Facebook手机和Facebook从软件到硬件的代理，那是十多年前的事情了。
现在看到OpenAI与来自Apple的前员工Johnny Ive合作创建一种随时随地跟随你的助手，这将会很有趣。显然我们的同事Sasha是这里的常客。我想在这个节目中经常提到Meta眼镜在哪里？我很想在未来的一集中与他交谈，了解他如何以及在多大程度上使用Muse。所以肯定会很有趣地看到这些产品将如何发展，以及是否真的在酝酿一种竞争，让每个人都拥有他们最感舒适的生产力代理。
无论是嵌入Meta眼镜中、你的云应用程序中，还是OpenAI正在与Johnny一起搞出的东西。如果是这样，Tim你谈到Meta本质上是基础设施，而且我们已经在那里生活了很长时间。我读了Emma Roth在The Verge上的评论，她对Muse有一些好评。她也有这种令人毛骨悚然的体验，它比她自己更了解她。
开始在她的信息流中建议一些东西，我想是她收集到的、推断出她的兴趣的内容。我认为这说明了我们在这些产品中有时体验的零和博弈：一方面是实用性，另一方面是隐私感和舒适感。我很好奇Mihai，你猜测消费者可能会如何导航这些权衡？一方面是实用性，另一方面是那种诡异感。
我认为至少目前为止，没有太多个人愿意交出他们的私人生活、个人数据、密码和访问权限。我知道他们说哦，不，密码是受保护的等等，但你仍然将它们连接到系统、连接到一个可能以你的数据为训练对象的AI模型。我看到了……看，你可以选择退出，但这本身就是一种黑暗模式，对吧？你应该选择加入而不是选择退出让他们训练或投放广告。而且他们说他们不这样做……
虽然有一个退出选项，但他们已经在 Meta Muse 图像方面看到了问题。例如，几个月前他们发布该产品时，允许用户从 Instagram 图片或其他类似内容生成图像。这引发了隐私丑闻。因此我认为，公众对于这类将个人生活交给 AI 助手的使用场景可能已经感到疲劳。如果这些工具旨在帮助你购物、促进消费或花钱，或者协助进行研究，那么我认为今天可用的工具——即你可以自行研究并单独选择购买什么、做出明智决策的工具，其便利性不足以抵消隐私让渡所带来的代价。因此，我不认为这在短期内会兴起。
然而从长远来看，我认为新一代消费者正在被训练通过在 TikTok、手机或其他平台进行购物。我属于较老的一代，有个笑话是说如果你是千禧一代，除非你打开笔记本电脑并坚持使用物理键盘以便自行研究、花时间查看几条评论，否则无法进行任何购物。我并不完全信任 AI 关于购买建议的推荐。也许第二天或几天后，我会打开一个单独的浏览器窗口来实际购买该商品。因此我认为这不会在当前一代消费者中兴起，但在几代人之后——也许是五到十五年——这可能成为人们消费、购物和购买的新方式。
技术将会发展，在某些情况下这可能会成为唯一的选择。它将更深入地整合到市场体验中。消费者将拥有更少的台式机和笔记本电脑，而更多地转向平板电脑和手机。因此我可以将其视为一项长期投资。你曾提到去单独的浏览器以避免动态定价和 Cookie 监控，以确保获得最佳价格？是的，我会这样做。例如，我犯了没有这样做的错误，现在每次观看某些内容时都会收到相关广告。
所以如果我想给妻子买惊喜礼物或做任何事情，我真的需要在完全隔离的 VPN 实例中进行操作。否则，我打开的任何东西都会收到相关广告。因此我在努力保持某种纪律性，当 Mihai 从事电子商务时……没错。今天的所有内容以及更多内容都在《混合专家》节目中呈现。Mihai、Abraham 和 David，感谢你们一如既往的参与。而且 Mihai，我们将在十年后再次邀请你来验证这些预测。
致所有听众：如果您喜欢听到的内容，可以在 Apple Podcasts、Spotify 及各地播客平台上关注我们。我们下周在《混合专家》节目中再见。