我可以看到利用人工智能的无数种令人惊叹的方式。我用掉了海量的token，而且我觉得自己还能用掉更多。每个人都在像我们一样大量使用这些资源。我们的消耗量显得如此微不足道，仿佛这将是一场永无止境的宏大浪潮。所有参与这场基础设施建设的人都将大赚一笔，对吧？另一方面，每个token的成本将会崩溃，所以也许实际上我们过度建设了。我可以同样确信地讲述这两种故事。
你打电话给我，说“智能”是我们对话的主题。请描述一下这个简单的想法。 >> 有一种观点认为，如果智能从像变形虫这样的起点开始，变得越来越好，然后变成猴子，再变成人，接着是爱因斯坦，最后像火箭一样飙升成为“神”，对吧？我认为这在某种程度上是一种智力上的谬误。人们错在忽略了智能所能做到的真正极限。
换一种说法，如果把智能看作像树的高度那样无界的标量是不正确的。你应该把智能想象成一个比率，比如球的圆度。这个比率计算的是：智能是一种工具，我们用它来对宇宙做出预测。因此，我们从关于宇宙的稀疏事实开始，在复杂浩瀚的宇宙中我们掌握的事实相对较少。我们利用智能在这些点之间进行插值推断。
随着你的智力提升，你填补空白区域的能力变得更强。有些领域非常适合这种推演，比如数学，你可以解决那些类型的问题并达到完美境界。但对于大多数有趣的事物——即世界上大部分问题而言，数学术语称之为“复杂动态系统”。这意味着它们就像天气一样，你不能靠猜测得出结论。
你无法得出一个封闭形式的解。你可以尝试模拟它，但在模拟过程中，你的初始条件或每一步的推进中不可避免地会存在一定程度的误差。例如，你的步骤可能会被截断。因此结果是：随着模拟运行一段时间，误差会累积，最终你会偏离实际结果一定幅度。
所以重点是：对于将奶油混入咖啡、预测天气，或者思考一群非常复杂的人如何相互互动等问题，智能其实并没有那么强大。我的感觉是，你会获得这种不断增强的智力，直到你能做出超智能所能做出的所有预测。而这实际上只是关于世界的所有有趣知识中相对较小的一部分。
要突破这一局限，你需要去获取更多关于世界的信息，而这需要时间。你必须进行实验，必须接触现实。但其中一个有趣的推论是，“飙升”本身也成为你可以利用智能去做的一件事，那就是降低智能的成本，这正是我们正在看到的。
因此，最终结果是：每个人都能获得无限且非常优秀的、所谓“圆度很高”的智能，而且几乎是免费的。当然这显然是一个极限状态的表述，实际上不会完全免费，但要点在于：足够好的智能正在迅速降价。事实证明，足够好的智能将解决人们需要运用智力的大部分问题。
是的，你能多说一点为什么“复杂自适应或动态系统”这一概念意味着，即使拥有完美智能——或者我们在十年后瓶子里装好的那种智能（无论你的时间 horizon 是什么）——其应用仍然有限吗？ >> 是的，比如非线性动态系统。这里有一个著名的故事，讲述了混沌理论这一数学分支是如何被发现的。
早先时候，有一位研究人员在大型计算机上构建天气预报模型（那些机器占据整个房间）。他运行该模型，对某个预报时段内的气压和温度做出预测。他觉得“不错”。为了确认系统仍在正常工作，他重置模型并再次运行。起初结果基本相同，但随后结果开始发散。
到了预报的第三、第四或第五天，结果完全不同了。那人心想：“该死，我系统里肯定有bug。”于是他开始尝试找出为什么计算机在重复运行中产生不同结果。最终发现，负责将数据加载到计算机的技术人员在第二次运行时，对初始的气压和温度等条件的小数点后一位进行了四舍五入。
人们原以为这只会产生微小但一致的误差，贯穿整个预报期。但实际上，这个小误差通过所有重复步骤（取当前条件计算下一组条件）不断累积放大。在预报期的一小段时间后，就产生了完全不同的预测和无法辨认的天气状况：一个模型显示70度晴朗，另一个则显示20度暴雨。
人们称之为“蝴蝶效应”，因为在原则上，一只蝴蝶在非洲扇动翅膀可能导致北美出现飓风之类的事情。事实证明，许多我们感兴趣的系统都具有这种特性。你可以了解所有关于气压和温度的信息，但你无法简单地写出一个容易求解的方程来告诉你将会发生飓风。
你必须对其进行建模。而模型本身必然在某种程度上是粗糙的，除非你实际去模拟整个宇宙的所有步骤。因此最终而言：如果要在极限情况下模拟整个宇宙，那么……
你实际上需要的是整个宇宙，对吧？现在，你不能真的这样做。你所做的其实是：在许多情况下，模拟对于近似计算非常有用。在这些情境下，你可以利用智能来解决它们；但在更多情况下，它并不起作用。因此，智能是有限的，这并非源于宇宙那种根本上的不可知性。回到“仅仅是智能”这一概念：从更实际的角度来看，你认为我们要走向何方？
我们将都拥有一个由200智商的人组成的团队，全天候在口袋里为我们工作。这个团队本身还将部署一个由更多这样的人员组成的小组。他们将试图找出所有我们因懒惰而懒得去做的那些细微优化措施。每家公司都将为其员工提供类似的团队，以协助他们完成工作。当然，也有一些企业并不希望如此。我认为存在多种情况：在许多公司中，消费者满足感是关键所在。
目前消费者的理性是有限的，他们的认知空间有限。当你向消费者推销时，你会说：“看，我们拿走你的钱，不会偷窃它，我们会支付合理的利息。你不必为此思考，继续你的生活即可。”消费者并不会说：“如果我每天深思熟虑，每年能省下400美元，所以我必须每天都思考这个问题。”相反，他们会说：“嗯，听起来还不错”，然后继续过日子。
但对于智能代理而言，情况则不同：你会认为代理会为他们持续进行优化。此外，还有一些公司生产的产品本质上是一种结晶化的智能产物。我绝非第一个意识到AI可能对某些软件公司不利的人，但关键在于：AI模型是一种通用智能工具；而许多传统软件工具则是结晶化、固化了的智能片段或投影。
在思考公司和投资时，我发现一个有用的方法是：假设每个人都拥有极佳的智能能力，然后问“还剩下什么？”当人们提出反对意见时，常说：“你不理解这有多难、多复杂，也不明白有多少聪明人花了多长时间思考这个问题。”我的粗略且大致正确的回应是：“好吧，没错，但这全都是智能，对吧？”
顺着这一逻辑推导到底：如果智能变得廉价且无处不在，你想要拥有的将是智能的互补品。这些互补品包括数据、注意力、爱、情感依恋等；也包括物理邻近性、规模效应。这听起来有些愤世嫉俗，但确实包括监管俘获等情形。对于某些企业而言，其部署智能的能力是有限的——无论是受限于经济学成本、公司规模（无法像谷歌那样拥有万名顶尖工程师工作十年），还是组织滞后。
部署更多智能给自身、竞争对手或客户，结果可能对你有利；但如果缺乏智能是你服务客户的障碍，或者如果“顾客的惰性”本身就是你经济价值的核心要素，那么智能的普及对你而言可能是有害的。
也许你可以选一个像Meta这样的公司作为例子，你认为它拥有完美互补于廉价且无处不在的智能的资源。 当然。
我暂时搁置Muse和智能代理等话题，专注于商业本身。Meta的核心业务是“个性化电视”。 个性化电视？
是的，以前它被称为社交媒体，但现在它是个性化电视。事实证明人们非常喜欢观看Instagram等内容。比如算法发现我喜爱英式黑色幽默，这很棒。让我们从宏观视角来看Meta：假设我们从太空俯瞰Meta。其年收入为2500亿美元，年支出也为2500亿美元。部分税收会计入成本，部分计入资本支出（Capex），这并不重要，总之他们花光了所有收入。
你可能会问：这些钱都花在什么地方？一种还原论的观点是，他们把所有钱都花在了智能上。这是什么意思呢？他们在购买数据中心——这本质上是一种生产智能的工具；他们还在直接购买推理能力（Inference），这就是智能本身；他们在支付高薪聘请聪明人编写算法，这也是智能；他们还在写代码，同样是智能。
甚至他们在审核视频——这虽然可以说是与智能相邻的领域，但也属于智能范畴。在一种高度还原论的意义上（请勿字面理解这些表述），我只是想强调这几个主要方向：他们购买的全部都是智能。如果考虑到未来五年内，智能的价格可能下降一百倍左右这一事实，从第一性原理出发，他们的成本将大幅缩减。
这仅仅是考虑了成本端的情况。在收入方面，还有所有的创作者。你是其中一位创作者：如果每个为Meta制作内容的创作者都能以百分之一的成本获得智能支持，他们能创造出多少更高质量、更具创意的内容？
效率提高一万倍也好，或者怎么样都好。重点在于表现可能会更好。然后Meta反过来可能不会把成本降到零，也许他们会花费更多，或者至少不是零成本。他们能更好地挑选接下来要展示给用户的视频，这应该会让内容更具针对性、更令人愉悦。当然在广告方面， advertisers可以设计出设计更好、定位更精准、个性化的广告，Meta反过来也能更好地投放这些广告。此外， advertisers还可以构建更加顺滑的转化漏斗等机制来提高转化率。
这一切的核心在于，也许他们不需要把成本降到零，而是凭借更强大的智能和更低的价格，多卖一些广告。所有这些收益都源于他们所拥有的资产——数据和注意力。这些资产并不会因为通用智能的普及而被摧毁。他们拥有关于所有人的海量数据，了解人们如何观看视频等种种行为。同时他们还掌握了巨大的注意力资源，这两者相互叠加产生复利效应。因此我认为廉价且无处不在的智能普及并不会导致人们不再感兴趣观看那些搞笑的20秒短视频。
如果有什么不同的话，他们可能会从用户其他活动时间中争取到更多的时间份额。我实际上并不拥有Grindr的股份，但理论上从更多智能中受益的公司之一就是它。没错，Grindr是一款同性恋约会应用，但在其发展历程中长期受限于公司规模不够大这一事实。事实证明他们拥有大量的注意力和数据，但由于团队规模、预算和创造能力有限，他们在构建各种想象中的应用方面受到制约。
这在某种程度上意味着Grindr无法成为人们想象中它所能成为的样子。再次声明我并没有持有Grindr股份，但我研究过许多公司，这让我想到另一个例子：假如你有谷歌最顶尖的工程师团队为你工作五年来解决你的问题，你能做到什么程度？Grindr就是一个例子，也许他们本可以做得更多。
Ramp是专为让财务团队更精简、更高效而打造的平台，平均每年为企业节省5%的成本，使企业能专注于增长。Ramp刚刚在英国开放业务。如果你在英国经营生意，现在可以使用Ramp的AI驱动财务平台来统一管理卡片、支出、账单、审批和会计。我使用Ramp运营我的业务，你也应该试试。更多信息请访问ramp.com/invest。
OpenAI、Cursor、Anthropic、Perplexity和Vercel都有一个共同点：他们都使用WorkOS。原因如下。要实现大规模的企业级采用，你必须提供SSO、SCIM、RBAC和审计日志等核心功能。这正是WorkOS发挥作用的地方。与其花费数月时间自行构建这些关键能力，你可以直接使用WorkOS API在第一天就获得所有这些功能。这就是为什么许多顶级AI团队已经在运行基于WorkOS的系统。
WorkOS是企业就绪最快的方式，让你专注于最重要的事情——你的产品。访问workos.com开始使用。Rogo是专为金融机构打造的AI平台，服务于全球数百家领先机构中的数万银行家和投资者。Rogo的AI代理自主执行贵公司的大量工作流程。它们可以筛选交易、起草SIM文件、开展买方外联，并对数据室进行尽职调查。
所有操作都具备完整的安全性和合规性保障。每个动作都会反馈给Rogo Intelligence，即公司的上下文层，将多年的交易经验转化为安全、受管制的机构记忆，使每笔新交易都比上一次更强大。欲了解更多信息，请访问rogo.com/invest。
我想谈谈实验室（Labs）。回到最初的观点，我认为许多优秀的投资者会说智能——特别是前沿智能——并非一种商品。历史上讨论的焦点是闭源和开源之间的智能差距。越来越多的讨论集中在实验室公开可用的模型与他们内部业务中私用模型之间的差距上。他们似乎已经找到了阻止或减缓蒸馏技术扩散的方法。
许多人认为正在发生“逃逸速度”现象，前沿模型的代币将变得更有价值和有用性。实验室自身可以蒸馏他们的模型并提供最优质的廉价智能版本。我很想听听你作为投资者，对实验室公司这一思维模式有何看法？
如果他们的模型更好，并且能够以远低于其他人的成本生产足够的智能，而且别人无法复制，那么这将是一门伟大的生意。这是一门非常棒的生意。我有几个想法。随着我观察模型的部署，我觉得一种思考方式是：起初这些非常不完善的模型只能完成很少的工作。
随后模型变得更好，它们逐步向上层应用渗透。每向前进一步，前沿模型就解锁了更大的可寻址市场。但与此同时，一旦模型饱和或某种能力达到瓶颈，情况就会发生变化。你绝不会用前沿模型来做客服聊天机器人，那是愚蠢的。因此这些领域显然会商品化。
存在着一波需要真正前沿模型的硬任务，而在其背后则不需要。我的朋友中那些大型前沿实验室公司的多头们可能会说：“别担心，我们也能沿着整个有效边界生产更便宜的代币。”也许他们现在能做到，也许不能；也许几年后能，也许不行。我觉得这非常……
这很难思考。当然，趋势是这些事物的快速商品化。如果你观察中国模型的崛起以及每一步的进展，至少成本一直在崩溃式下降。所以，即使它们处于一种位置，即完成某些任务所需的令牌远远落后于前沿水平，这可能也不是一个很大的市场。因为在整体规划中交付的成本并不高，而且即使它们是萎缩的商品市场中成本领先的竞争者，它依然具有竞争力。
另一件事是，我认为编程曾是模型的一大用途。随着你向前推进，问题就变成了：对于更高层级的智能，是否还有更大的发展空间？看多的故事版本是“是的”，比如人们愿意为任何能找出如何治愈癌症的模型支付任何费用。也许这是真的，但我认为要找到治愈癌症的方法需要接触现实，我不确定更高的智商能帮你做到这一点。
如果你不相信存在某些超级令人难以置信的用例——即你可以为更高级的智能收取巨额费用——那么你就会进入这样一个观点：在编码之后，下一步可能是其他一些事情，但会进入更小的细分领域。这就像是一个钻石形状的需求前沿：起初你有越来越广泛的应用，然后实际上开始变得越来越稀有。人们可能会问：“你真的需要300智商的模型吗？”
我们要发现这一切，我不想太独断，但在我看来完全合理的是：最终我们会得到这样一个版本——超级精英智能的用例非常少。有很多用例是“非常好”的智能。“非常好的”智能具有高度竞争性和商品化特征，如果这些前沿实验室能因此成为成本领导者，那么作为成本领导者是有利润空间的。但同时也存在 rampant（猖獗）的通缩现象，于是问题变成了：市场有多大？
如果“足够好”的智能非常便宜，人们会购买多少“足够好”的智能呢？>> 我就继续扮演魔鬼代言人吧。 >> 是的。 >> 所以在这种情况下，人们可能会说的两件事是：杰文斯悖论（Jevons paradox），即随着它变得更便宜，我们只是想要使用更多。我很好奇你怎么看这个？第二点是，历史上新的智能用途通常是由高智商的人发现的。我的好朋友说“智能创造其自身的需求”。那又怎样呢？
比如，如果人类是驱动新问题的主体——即智能被设定去回答的问题是由人驱动的——那么这种需求对人是钻石形状的。但如果事物本身在创造新问题，而我们训练它非常有效地做到这一点，并以一种开放的方式探索——就像历史上由150以上智商的人领导的人类所做的那样呢？ >> 杰文斯悖论，对吧？它只是需求价格弹性的一个狭窄例子。
一般来说，所有市场都是U型的。起初当产品很糟糕时，没有需求。然后产品变得更好，人们愿意支付很多钱购买，但买得不多。随着价格下降，市场规模会上升——你知道的，这就是杰文斯悖论的本质。但然后你会到达一个点，进一步的价格下降实际上无法驱动足够的市场需求，市场开始萎缩。当然，最终如果你把价格降到零，需求（市场规模）会变为零。
我想到的一个例子是光纤通信的成本，或者仅仅是通信成本。移动信息的成本曾经非常高，人们移动的信息量很少。然后通过一系列创新，移动信息的成本大幅下降，移动的信息量大幅上升，市场在很长一段时间内大幅增长。然后市场停止增长。而移动信息的成本继续下降，市场规模却持续萎缩。
如今，Cogent Communications 我认为路由了互联网上30%到40%的所有IP流量。这是通过其一个部门进行的，Cogent 甚至不是它最大的业务板块。Cogent Communications 是一家市值仅几十亿美元的公司。这根本不是一个很大的行业。现在，我不是说我们在智能方面会变得那么小，但你知道，杰文斯悖论只是关于曲线上特定点的陈述，这不一定总是成立的。
你提到的另一个问题是：更多的智能是否能创造对更多智能的渴望？我有几个想法。当然，也许可以。但我一开始就说你需要接触现实来回答问题。所以，如果你有一个模型，它要更多地思考物理学，它当然可以产生许多关于物理学的有趣想法，但最终它将需要进行实验。
这并不是说我们不能也进行实验，但现在我们受限于我们的能力——>> 现实世界的事物。 >> 物理上进行实验的能力。所以我认为，将会有一个令人难以置信的时期，我们会发现许多很酷的 discoveries（发现）。你已经开始读到这些内容了：这篇论文写了这个，那篇论文写了那个。如果有人读了所有三篇论文并思考过，他们就会意识到这一点，但没有人做到过。
事实证明模型读了所有论文，它们会找出这些关联。我们将会有各种各样伟大的成果由此产生。但在某个时刻，我们某种程度上完成了这一阶段的工作，接下来就是关于：“嘿，你知道的，有一些思考超出我们知道范围的方法。我们有一个假设，但模型——即使是超级智能模型——也不会比”
我们不一定非要靠猜测，但在猜这件事上我们会比最聪明的人做得更好。不过，即便对于最聪明的人来说，成功的概率也极低。因此，AI 能够提出绝妙的实验构想并筛选出值得进行的实验，但这也会限制我们扩展的能力。
我想到另一个方面是 AI 在我自身生活中的应用，这在很多层面上都有体现。回到“商品化”这个话题，我完全将我的模型使用进行了商品化处理。说实话，这是因为我在构建很多东西时比较懒惰。我会告诉 GrokBot 去构建这些东西，因为我不想耗尽我的 GrokBot 积分额度。
于是我会让它运行我订阅的所有服务，利用所有这些资源在服务器上构建内容。实际上我已经不知道自己在用哪个模型了。以前我清楚哪个模型好、哪个差，但现在我不知道了。后端都在为我优化一切，我只知道东西被构建出来了，而且没有消耗我的订阅额度，这就够了。
有一批公司让我很好奇你的看法，它们本质上是现实世界的实验公司，创造了一个自动化的闭环。这种情况在机器人领域正在发生，也在生物学的多个地方、自动化湿实验室和自动测试实验室中发生。你对这类公司有什么评论吗？
这是一个超级棒的主意，真的。是的，这是个绝佳的想法。在物理世界中形成闭环将会非常伟大，它将加速学习的过程，这确实是个好主意。但同样地，存在速度限制。我不断回到的一点是：虽然这一切令人惊叹，我在某种意义上也是“AI 迷幻”状态中，认为这些事物将会做什么以及它们很有用。
但我也意识到事物会撞上“墙”。我喜欢这样跟人解释：你很聪明，所以你一定明白。智力是有极限的。思考本身无法解决所有问题，能力是有限的。因此，如果你要建立一个自动化的生物测试实验室并连接计算机，让计算机提出想法、运行实验并进行迭代。
这很棒。但如果该实验需要培育小鼠，而小鼠需要一年才能成年并死亡，那么那个实验就要花费十年时间。这可能是一个很好的实验，你可能会学到很多知识，这很棒，但仍然需要时间。而且实验室的空间有限，你可能有五千个绝妙的想法，最终只选出二十个进行实验。
模型可能更优秀了，你那个实验成功的概率甚至可能是 1%。事实证明这可能比平均研究员高出十倍，这很了不起。但它仍然是百分之一。我并非悲观主义，这一切都超级令人惊叹。比如发现那些我们本应知道却因遗忘而丢失的知识是极好的，更好地指导研究也是极好的。
自动化这些研究以加快速度同样令人惊叹。我们将学到知识，推动前沿发展。但这并不意味着模型突然环顾四周说：“你们错过了重点，这里有一个你们无法理解的新世界。”我不认为我们会走向那个方向。
似乎市场——特别是在私人市场和投资者思考 AI 前沿的领域——非常专注于投资与供给相关的事物。即我们如何构建和服务所有的智能，而不是我称之为需求侧的东西，比如某人通过 Meta 应用观看个性化电视。你对这一批公司作为投资标的怎么看？
这超级难。我是说，我某种程度上一直对它们保持“故意无知”，可能因此处境更糟了。但确实存在大规模的基础设施建设，然后你要去预测推理需求。我无法在几个数量级内准确预测供给或需求。随着智能变得更便宜、更好，人们会使用多少额外的推理能力，这是一个非常难的问题。
同样难以预测的是推理本身会变得多好、多便宜。即使你能猜测到这些，还有整个价值链的问题。你需要处于瓶颈位置才能捕获租金（超额利润）。当然最后还要面对你在这个特定价值链环节中的竞争对手。这真的是一件超级困难的事情。
我思考作为消费者的 AI 使用情况，我现在越来越多地做这样的事情：不再让 AI 聊天机器人像以前那样和我女儿对话或发短信教她数学。现在我会让它制作类似“3Blue1Brown”风格的视频解说，这样我女儿就能看到一段精彩的五分钟或十分钟的视频，讲解幂、面积或周长等概念。这太酷了。
如果价格要五美元，我想我不会这么做。因此存在真实的价格弹性。我的观点是：需求很大程度上取决于价格。比如，我录制自己锻炼的视频，通过 Muse 应用显示我的姿势建议，我会为此支付很少的钱。但如果价格点很高，我就不会这么做。
可能我对价格的敏感度比大多数人低得多。所以我认为 AI 的需求对价格非常敏感，这在某种程度上限制了消费者愿意为此支付的总金额。
也许现在是谈论资本周期的时候了。看起来世界上最聪明的人以及许多或大多数最优秀的企业家都深度个人投资于这种供给侧的建设中。如果你看 SpaceX 昨天的投资者日，这基本上就是主题。可以说是有史以来最伟大的企业家正致力于此——建设数据中心供应等。
这是一个历史性的问题，比如如果这一切都是真的，而且供需方面存在巨大的不确定性，还有其他方式可以建立企业、开发产品或赚钱，那你为什么认为那么多最优秀的企业家和最聪明的人都如此全心全意地致力于构建这一供应体系？>> 这是一项巨大的基础设施建设项目，是一项巨大且重要的技术。如果缺乏强烈的价格信号和大量人才的投入，就不可能进行如此大规模的重要基础设施建设。所以你的因果关系可能颠倒了。当然，这两者显然是相互影响的，但你能想象一个没有人——尤其是不赚钱、无趣的人——去构建 AI 的故事吗？这大概是最好的答案。
需要澄清的是，这是一个巨大且重要的项目。它之所以发生，是因为超级聪明和有才华的人将毕生精力投入其中。他们这样做很好，也将应得并会赚到很多钱。只是非常、非常困难。从我目前的视角来看（可能还有更聪明的人已经想通了这一点），很难弄清楚应该在哪里投资，以及这样做是否能赚到钱。这并不是说那里没有大量的机会潜力。我只是决定将注意力更多地集中在世界最终走向的长期均衡结果上，而不是押注哪位铁路大亨会赚钱以及我们需要多少条铁路。
我试图思考的是：一旦有了铁路，接下来会发生什么？我很希望能有先见之明去弄清楚像消费品品牌这样的东西会紧随其后。这就是我一直在尝试思考的方式。>> 你能再多谈谈你从资本周期中学到的东西吗？比如像这样的创新周期。鉴于你对市场历史的研究如此深入，如果你正处于这些周期之中——也许是史上最大的一次——那么关于这些周期的运作方式，历史教会了我们哪些有趣的事情？>> 你可以把现在的美国社会想象成一个正在为买房而存钱的家庭。
我们正在建造一座房子，大家都感到有些拮据，因为所有资源都致力于构建像 AI 基础设施这样的大型项目。所有的电工、水管工以及其他相关人员都在从事这些任务，因此经济其他领域的成本也随之上升。毫无疑问，我们将为此获得巨大的价值。而且我们会继续推进它，因为没有人真正知道终点在哪里。
我们会一直推动下去，直到最终做得过头为止。在此过程中，你会让人们赚到巨额资金，否则人们就不会继续推动它。由于存在滞后效应以及某种“赢家诅咒”，最后停止的人往往会后悔。这真的很难，非常难。而且你要考虑到这里的技术具有极大的动态性，我认为这在以前的历史基础设施建设中是不太存在的。
在如何执行这些任务方面存在着巨大的变化。其他人也提出了一个观点，我认为这并非完全错误：即使我们谈论的是模型层面，即使在芯片级别也是如此。AI 使诸如英伟达这样的硬件商品化的潜力无处不在，这种递归的自我改进随处可见。>> 是的，就像无处不在一样。其中很多最终都变成了纯粹的智力活动。英伟达实际上非常直白地……他们制造的是发送给台湾的平面文件，对吧？所以他们的这些平面设计图很难制作。
但他们拥有一群对此进行深入思考的人。理论上，你也可以制造它们。问题在于：当你稍微退回到前沿领域之外时，制作某物的成本会大幅下降。>> 在那个世界里，你的模型是否会认为物理属性和规模是你想要支持的、处于该方程供应侧的业务的关键要素？比如台积电（TSMC）？>> 我不想自诩为某种台积电专家。当然，他们在某些方面确实具有更好的属性。他们也面临着一个有趣的问题：他们做了一件极其困难的事情，这需要多年来构建的所有工艺能力，并且极难复制。
这不太适合 AI 介入，因为它是如此物理化，而且涉及许多对 AI 来说甚至不可读的细节。就像系统里的某个人知道你必须这样做一样，因为需求巨大且他们未能满足所有需求，他们基本上导致全世界的人都试图复制他们的护城河。这是一个不太好的事实。但我想更一般地说，跳出 AI 建设的范畴来看：如果你想想那些业务……我们谈到了 Meta 的例子。
对于那些拥有物理邻近性或规模优势的企业，如果它们能利用智能更好地服务客户或因此降低成本，可能会受益。我想回到“智能的自然互补品”这个话题，请你解释一下为什么它是智能的互补品，这样人们可以离开后去思考：哪些公司具备这种可能有趣的特征？以物理邻近性为例，你会如何看待 DoorDash 或 Uber 这些具有局部密度效应且影响巨大的企业？
当智能变得无处不在时，是否会自然地放大这类规模赢家的优势，其中物理邻近性成为一种关键的优势？>> 嗯，如果你是某种产品的低成本生产者……我给你一个简化的例子。如果每个人都有 AI 代理，那么会发生的情况是许多决策会被外包给 AI 代理，因为 AI 代理帮助你优化，帮你捡起那些你之前留在地上的零钱、美元和硬币。所以让我们以……为例。
关于消费者的选择，我们可以将其视为一个光谱。在一端是最大化我的银行利率或存款收益，我认为在这一点上我几乎可以完全将判断权委托给人工智能。只要它是联邦存款保险公司承保的，我就只想要最高的利率。而在光谱的另一端可能是挑选我最喜欢的毛衣，这完全取决于我的个人判断。人工智能可以为我筛选出一些可供查看的物品，但最终我需要做出决定，我无法真正将这种判断权委托给它。
让我们暂时假设垃圾收集服务属于我可以完全委托判断的那一类。你可能会说：“不，我很在意服务质量，我信任服务提供商，他们开车来我家收垃圾。”但让我们先把这些顾虑放在一边。目前，如果我从事垃圾收集业务，即使我做得很好，也很难让人们愿意切换服务商。大多数人凭直觉根本不知道自己付了多少垃圾收集费，虽然很多人知道，但我怀疑你知道。
因此，你必须做大量工作才能让人们注意到并愿意切换垃圾收集公司，即使你提供更优质的服务且价格更低。你可以想象，我的代理人和对方的代理人可以对话：“嘿，我每月能帮你节省50美分。”对方可能会问：“垃圾会被收走吗？”我会说：“是的，垃圾肯定会被收走。”没问题，那我就换。一阶效应是你转向了低成本提供商。
但一般市场效应其实也很有趣。假设有一条街道，从社会效率的角度来看，如果这条街上所有人的垃圾收集商都相同会更高效。因为司机可以沿着街道行驶收取所有家庭的垃圾，从而向我们所有人提供更低的价格并获得更多利润。但我们很难协调这一点，因为我们都懒得切换垃圾收集商，所以大家都各自为政。
那位在街上拥有两个客户的司机无法打电话给其他人说：“嘿，这条街上有两户用我的服务，其他人都只用一户。我是低成本生产者，让我整合一下。”二阶效应可能是这位拥有两户客户的司机走向街上其他人说：“嘿，我可以给你更低的价格。”于是大家都切换了。这导致了一种本地化的聚集效应：所有人都转向低成本生产者，而该生产者因此能以更低的成本运营。
这在某种意义上创造了一种更好的商业模式：低成本生产者在极低利润率下获得了大量业务量。许多公司在研究时显示出混合效应，指向不同方向。那么你认为智能代理对你的世界会有什么影响？你的角色是什么？五年后会有什么不同吗？最好的代理人能否像你自己一样构建包含Carvana、希尔顿分时度假、Meta等公司的投资组合，因为你是按照自己的思维方式训练它的？
“更好。就我做的事情而言，我认为从长远来看我们可能会被竞争淘汰。” “定价风险将成为你主要做的事吗？” “是的。当计算机辅助象棋出现时，有一段时间自由式象棋表现更好，即人类与电脑程序合作能击败单独的人类或单独的计算机。这是因为人类的思维方式和计算机不同，两者具有协同效应。”
“我认为在投资领域有一段时间……” “我们现在就处于那个时代。” “是的，因为我们理解世界的方式有些是模型所不具备的。作为一个人并经历过生活，我拥有关于世界的信息并未收录在模型中。尽管互联网上有大量信息，但并非所有信息都在网上。”
“虽然这是事实，但这可能需要很长时间。然而，我使用模型来辅助并做出判断的能力将使我们合作时做出更好的决策。” “不过，你可以想象在未来某个时刻，这种差距缩小到不再重要的程度。那时模型可能无法预测未来，正如我们讨论的那样，未来在某种程度上是不可预测的。” “但模型对结果的分布可能是你能做的最好的事情。此时，让人类加入预测就像让我判断七天是否会下雨一样。”
“Cliff，我真的不在乎你怎么想。我在用天气预报。这会更好。无论你如何调整预测结果，都只会让它变得更糟。” “那一天可能会到来。这是一个非常有趣的时刻。投资有很多方面，比如判断管理层等。也许模型能够评估管理层，甚至能面试他们并找出真相。”
“然后事情变得真正有趣：如何筹集资本？你可能会说，‘我想经营一个游乐园’，模型会说，‘好的。这里有六个地点有51%的成功率。只要你真的致力于此……’” “我已经评估过你，你有51.2%的成功几率，因为你实际上略低于平均水平。” “你会说：‘好吧，我能做些什么才能超过平均水平？’” 我会回答：“嗯，你有没有想过经营一个卡丁车公园？”
“但不幸的是，我认为这不会对我的职业生涯产生太大影响，因为这需要很长时间。” “关于取代价格作为组织和协调经济活动的原则和信号呢？价格是奇迹，因为它是一个包裹在激励中的信号。” “那是什么意思？”
“价格是一种激励机制。它促使你想要购买更多或更少的某种商品……”
因为价格会上涨或下跌，而且它也是一个信号，因为它反映了某物的相对价值、稀缺性以及生产成本。这就像是一种协调事物的机制奇迹。我认为，即使拥有无限智能，也很难找到比它更好的系统。这确实很难做到。
Vanta 自动化合规流程，让你的团队将更少的时间花在安全审查上，而把更多时间用于获取客户。Vanta 可将审计准备工作减少 82%，并提供即时更新的信任证明，无需所有手动工作，从而帮助你更快速、更少摩擦地达成交易。客户报告投资回报率高达 526%，包括 Ramp、Harvey 和 Snowflake 在内的超过 16,000 家公司都在使用 Vanta。访问 vanta.com/invest，立享 1,000 美元优惠开始使用。
Ridgeline 是唯一的 AI 原生投资管理平台，将前台、中台和后台整合在一个系统中。它为公司提供统一的数据中心，并利用 AI 代理自动化重复性工作，如入职、对账、交易后合规和报告，使团队能将更多时间投入到投资、服务客户和业务增长中。Ridgeline 旨在为你夺回改变公司轨迹的时间，成为将你的增长从渐进式推向加速的转折点。
Ridgeline 还希望帮助资产和财富管理公司理解并改善其公司的增长轨迹，因此他们构建了一个交互式仪表板，让你可以看到你的公司与 16,000 家同行相比的情况。如果你提交了 Form ADV，你的公司就已经在其中了。访问 ridgeline.ai/trajectory 查看你公司的地位，然后与 Ridgeline 谈谈如何利用现有团队做更多事情。
也许提出这个问题的另一种方式类似于投资：如果普遍存在的智能变得如此出色且便宜，并在某种程度上能复制你所擅长的风险定价工作。我的朋友 Dan 曾说这大致分为三个层次：第一层是我输入提示词并得到反馈；第二层是设置一个“瞭望塔”，即我每晚本能地运行一组任务，在后台按计划自动发生；第三层产生最多的智能使用，即始终处于主动状态，自行探索如何使用其自身智能，这种运行永无止境且能力近乎无限。
如果我将第三层应用到诸如定价、效率优化等所有事物上，会发生什么？这会给价格带来有趣的改变吗？它会 sharpen 市场。众所周知，价格存在很多粘性，这是一种宏观经济学现象，即“价格刚性”。有很多东西定价随意。想想存款之类的。虽然世界竞争激烈，但实际上并不像理论上那么竞争充分。
因此我认为，如果每个人都有自己的代理代表他们工作并持续优化，我想垃圾收集的价格将会大幅波动。随着垃圾收集所有投入成本的变化，每家垃圾回收公司都在不断重新运行其财务数据，试图找出真正的边际成本，并向每个客户投标以提供高于边际成本的服务。同时，每个代理都会切换到最低成本的提供商。
这意味着你支付的垃圾清理费用不会只是每月 60 美元持续一年，然后对方回来告诉你增加了 5%，明年变成 63 美元而你甚至没注意到。相反，你的垃圾清理费用将按天变化。一周内某个时间可能会有各种有趣、更准确且快速变动的价格，我想象是这样。
你有没有在资本市场创新中看到什么有趣的事情？你刚才谈到美国资本市场的巨头，以及它在适应新事物和创造新的融资工具方面的卓越能力。这 >> [清嗓子] >> 就像通常导致技术创新的美国故事一样，是其中的一部分。可以说华尔街和硅谷之间存在着惊人的相互关系。
在资本市场或融资方式方面，有什么让你觉得有趣的事情正在酝酿吗？嗯，我想花点时间暂停一下，或许为我们作为资本市场在人工智能方面所做的工作鼓掌。人们曾担心美国活力的衰退，但我们刚刚将大约 3% 的 GDP 重新部署到了这种高度投机的风险投资中，几乎在一瞬间就完成了。这是一件非凡的事情。
当然，谁知道呢？也许是 2%，也许是 6%。但令人惊叹的是我们能如此迅速地以这种规模重新部署资源，而且世界上没有其他人能做到这一点。无法调动投资和生产力资源可能会成为生产力增长的约束条件，尤其是在技术进步迅速的情况下。
因此，至少在资本方面，我们知道我们谈论的是资本，但资本投资与人们做不同的事情紧密相连。美国人今天正在做着不同的事情。每天，人们醒来并前往宾夕法尼亚州的某个地方建造数据中心，如果没有我们能够调动巨额资本的整个基础设施，这一切都不会发生。这真是不可思议。
关于深层创新，我认为人们承担风险进行投机性冒险并以不同方式分割利益的基本理念是不可简化的。随着时间的推移，人们会给本质上相同的事物起很多不同的名字。我认为这并没有深层的不同。但这确实令人惊叹。我还应该指出，我们最终肯定会发现各种欺诈和不良行为等事情。
就像水会流走，但我认为鉴于其规模之大，我怀疑它如此干净。这太令人惊叹了。如果你读过关于铁路建设扩张之类的东西，你知道那种浪费、欺诈等等。不可避免地会有一些，但就像这里有很多人基本上都在努力做正确的事，以及那些我们习以为常的治理部分。这简直不可思议。我认为美国的资本市场乃至一般的资本市场都被严重低估了。想象一下，任何人都可以购买价值10万美元的股票，获得一个由运作良好、动机充足的团队组成的投资组合，这些团队基本上在做正确的事情，并且几乎瞬间完成，成本几乎为零，然后一旦做完就卖掉。这太神奇了。而且所有这些公司以及其他人们投资的方式能够相当好地分配社会资源，从宏观角度来看，这简直不可思议。
你认为为什么美国在这一领域占据主导地位？ 我的个人理论是，每个人都有自己的看法。这涉及基因、文化进化和制度进化之间的某种相互作用。基本上来说，来到美国的人是那些对承担风险最感兴趣的人群的子集，因为前往美国的旅程非常危险。我认为冒险精神具有显著的遗传成分。因此，这种倾向在美国人中更为常见。当你身处一个以承担风险为常态的地方时，还会伴随其他一系列事物。因为冒险成为常态，进而导致文化和制度层面的积累来强化这一点。人们被理解可以承担风险并失败。这导致了合理的破产法，支持这一点的劳动法，以及风投行业的支持。所有这些因素相互强化。
所以如果未来有月球基地，你会看好那个社区的经济能力吗？ 是的，这确实是个很好的表述。美国一直以一种非常令人惊叹的方式持续创新。所以如果真有月球基地，我也不会惊讶那是我们的，尽管中国人聪明且众多，欧洲人也存在。 [笑声]
当你看到利率上升时，比如你看到的美国10年期国债长期图表。它基本上在我们整个生活中看起来都差不多，我本想评论一下那张图。 嗯，有很多因素，虽然我肯定不是宏观经济学专家，也不太花太多时间思考这个问题，但我会有几点观察。显然，当社会正在构建它、对未来进行巨大投资时，意味着你今天必须减少消费。从根本上说，所有投入这次AI建设的资源都是为了未来。 是为了未来。 是的，为了未来。本质上，今天建造那个数据中心的管道工并没有创造今天的消费。他本可以制造当下的消费品，但他却在建设代表未来消费的设施。这是我思考过的复杂拼图的一部分：利率较高是因为我们诱导人们为未来储蓄。而做到这一点的方式就是支付给他们。 很简单。 [笑声]
如果我不问你的投资组合，人们会杀了我的，这对我来说很有趣。它大概是80%的Carvana（二手车平台），度假……[清嗓子] 5%的美股。基本上就是你的投资组合。但粗略来看，大概就五样东西吧？当然。其中一样占80%。所以想想你的投资组合，以及你显然非常了解的这些公司，你在建议他们如何思考使用AI来转型业务时，那个演讲是什么样的？ 嗯，首先确保每个人都在进行“氛围编码”（vibe coding）。从董事会和CEO开始，每个人都必须开始构建一些东西。他们需要举办黑客松活动。当然我把这个建议带到了Carvana，他们说：“是的，我们称之为披萨派对。”我不是指开发人员，我是说每个人都必须举办黑客松活动。
这不仅仅是你会从这些黑客松活动中构建出极具用的软件，而是你将教会每个人什么是可以实现的。这将改变他们对可实现目标的期望。然后第二件事是，我告诉他们的CEO基本上要转向IT负责人说：“我想让我的Grok机器人、MetaMuse代理等能够以只读方式访问公司的每一个系统。就像如果我问某人，我想能通过提示词获取所有我能查到的信息。”那个人会说：“这很难。我们有无数的问题要解决。”他会说：“这就是我的意思，我想要那样做。”
你知道这是一个巨大的过程，需要逐个系统处理。但如果你能做到这一点，你就获得了只读访问权限。
起步阶段。 是的，到起跑线了。这就获得了只读访问权限。然后合乎逻辑的下一步是CEO或相关人员需要在各处使用它，一旦每个人都会嫉妒，你就会说：“哦，你也可以用，但我们需要解决你的权限问题。” [笑声]
理论上这会向下渗透，现在你有了只读访问的许可。然后不可避免地有人会像这样说道：“我真的想把数据输入系统。”你会说：“太棒了，我们需要解决写入权限。然后有人会想：‘我想改变系统，因为我们刚做了氛围编码这件事，我有信心能做到。’”你会说：“这也太棒了。我们需要制定一个管理系统变更的流程。”
有四个要点，但这就像……多年的工作。这简直难如登天（笑声）。所以问题是：在你所处的行业中，你是否拥有足够的时间等待这一过程发生？毕竟，有人从跳球开始就起步了，别人从零开始就能超越你。确实如此。因此，拥有一个非常稳健的商业模式是很好的。
这似乎得出了一个结论：现在是创业的最佳时机，不仅因为资本市场条件允许人们以较低的资金成本资助高度实验性的项目，还因为这些工具让没有历史包袱的创业者能够迅速取得巨大进展。你认为这大致正确吗？
我的意思是，是的，现在是创业的最佳时机——直到明天为止。我同意这很令人惊叹。另外从我个人的角度来看，人们真是让人头疼不已。如果你经营一家公司，他们真的非常难搞。而拥有这些智能代理等工具意味着你可以用更少的人做更多的事情。
当然，其中一个挑战始终是：如果你能轻易做到某件事，那么别人也能做到。因此，你构建的产品必须有一个切入点，以产生持久的价值。在这个所有代理都乐于每天更换提供商的世界里，你是否有一条路径来获得某种壁垒或专有数据？这能给你带来什么持久的经济效益呢？
但随之而来的另一个问题是：如果你做了一件看似有明确持久经济收益路径的事，那反而是一件坏事，因为每个人都在试图这样做。所以竞争非常激烈，真正伟大的成果往往是那些看起来毫无道理的事情。你不应该去做它，但后来发现确实有一条路径，或者世界发生了转变……
那么未来竞争优势中最被低估的来源是什么？如果最终好的业务需要可持续的壁垒和竞争优势才能获得巨额利润，那么有什么是被低估的吗？我们谈到了注意力、数据和物理邻近性。这些例子在未来可能比今天更有价值，因为智能变得廉价了。是否有其他类型的优势是你认为被低估的？比如监管俘获？
我感觉这些大多得到了适当的权重。我想问的一个有趣问题是：这会让利润率上升还是下降？我是说从整体企业利润率的层面来看。
对，它们是上升还是下降呢？我认为我们讨论的一切都会指向下降的趋势。许多企业的利润来自于……
更多的消费者剩余。没错，到处都是这种情况。有趣的是，如果你回顾90年代互联网兴起时的许多研究报告，他们当时说的也是同样的话。所以这里的基础概率可能并不乐观。也许我们错了，但我认为他们经常出错的主要原因是范·萨普的聚合经济学原理。所以也许如果没有那个因素，结果就不会那么离谱了。
我认为当……因为聚合理论基本上依赖于消费者只看谷歌搜索结果中第一项的假设，而当你的代理搜索所有结果时，排名第一就不再重要了。因此，质量、价格和服务等核心要素变得更为突出。
但另一方面，这可能是另一个下游效应：你将能够构建更复杂的业务。目前许多行业的结构更为扁平化，因为运营你那一小部分的复杂性非常高，这使得向上或向下延伸业务而不带来过度复杂化变得困难。
随着AI代理以及廉价且无处不在的代码和智能，你可以构建整个垂直整合的产业链。虽然其他国家的人也在尝试这一点，比如你可以拥有一个全栈式的宠物护理业务，涵盖从制造宠物食品到宠物保险、医院和兽医的所有环节。这些历史上需要多层级的业务，现在因为AI解决了协调问题并减少了委托代理问题而变得可行。
也许这些业务的最终利润率更高，而不是仅仅提高效率或增加消费者剩余。Carvana就是一个例子，它是在这变得容易之前建立的，但也许人们可以在其他垂直领域复制这一模式。在这种情况下，利润率可能会上升，同时也存在消费者剩余。
这里另一个有趣的话题是这对财富和收入分配的影响。我可以讲两个故事：一方面，许多人谈到这种观点认为它会集中收入分布。那些在各大实验室、Nvidia的数据等方面赚钱的人获得了巨额财富，这似乎表明小群体存在递增回报。
但反方观点是：如果我们拥有廉价且无处不在的智能，会发生几件事。首先，经济中会有许多“收租者”。想象一下向保龄球馆收取费用的软件公司，这些人会被淘汰。这对他们来说很糟糕，但确实降低了保龄球的成本。
因此，所有打保龄球的人的生活水平都会提高。这是一种扁平化效应，因为虽然我在保龄球上的支出占收入比例很小，但低收入者在保龄球上花费的收入比例更高。所以如果这些微小的“收租”部分消失，企业利润下降，平均美国人给银行（如美国银行）的钱不再流向资本家而是留在消费者手中，那么赢家是普通消费者。这是一种 leveling（拉平）效应。
另一部分是关于整个专业阶层，你可以将其角色定义为……
智能，对吧？它们将庞大的信息语料库应用于特定情境中，以一种相当直接的方式进行处理。如果这些能力被商品化，首先每个人都能获得普遍且优质的智能服务，这对所有人都有利；其次，这对于目前负担不起顶级智能服务的群体尤其有益。然而，那些通过自身智慧获得额外收益的个人，则不得不退而求其次，选择次优方案。从理论上讲，这可能会使收益曲线趋于平缓。
对此的反驳观点可能是：是的，但主动性、野心和智能的回报率可能会上升，因为这些模型就像“类固醇版的心灵自行车”，让聪明且有主动性的人能够完成更多工作。这实际上可能导致该群体内部出现递增回报，从而使曲线变得更加陡峭。杜鲁门曾要求一位“单手经济学家”，而我似乎对每件事都双手并用。
这是一个非常有趣的问题，我发现许多情况都存在相互矛盾的潮流。一方面，正如我们谈话开头提到的AI建设浪潮，我能看到无数利用AI的惊人方式，我消耗了海量的token，甚至觉得还能用更多。显然处于分布右端的我如果每个人都像我一样使用那么多token，资源将极度短缺。建设者都将大赚一笔；另一方面，我每个token获得的回报正在飙升，而我是一个相当不寻常的人，人们的适应速度较慢，导致每token成本崩溃。也许我们实际上过度建设了。我能以同等的确定性讲述这两种故事。
我有一位好朋友正在进行一项非常酷的实验：他将投资分解为“选择持有什么”和“持有多少”。他继续挑选标的，但在投资组合构建上分为两条路径：一条沿用过去的方法，另一条完全交给他自己开发的AI工具。他发现后者大幅优于他原本 sophisticated 的投资组合构建方法。他的简单论点是：AI擅长优化，读过所有关于投资组合构建、头寸规模和凯利准则的论文。未来投资者的工作可能只是选择持有什么，而不是持有多少。
鉴于你的投资组合非常不寻常——80%集中在单一资产上，如果处于第二条路径（AI主导），你的投资组合权重是否会与你现在的选择大相径庭？你目前处于“低配”状态。
我很想知道你对这个想法的看法，尤其是考虑到你的持仓集中度远超研究建议的理性范围。我认为许多关于价格变化的研究更多关注证券价格的波动，而不是像公司所有者那样思考。以Carvana为例，如果不是因为我认为其基础设施和品牌具有高度差异化，且在少数情况下会表现极差，我不会如此舒适地持有大量仓位。也许就是这么简单。
如果采用那种组合方法可能完全行得通，但如果你当年发现了沃尔玛、家得宝或Fastenal等公司，你也不会充分利用它们。这是我的感觉：阅读历史可知，那些取得巨大成功的人往往持仓非常集中。当然，你读不到的是失败者的历史。我也认为许多文献……
这大致是那些寻求平均或略高于平均水平结果的人应该做的事情，而且完全正确。但这并不是我所追求的。我很喜欢 Carvana 这家股票公司；如果它的股价大幅上涨，我也不会感到不快，甚至会觉得有必要进行多元化投资。那也是可以接受的。这更多是在预期回报和明知要承担非典型风险之间的一种权衡。
你对教育怎么看？我们都有年龄相仿的孩子。请谈谈你如何思考他们的教育，以及那些在这个国家推动教育发展、在你所描述的整个路径依赖故事中扮演重要角色的机构。你认为教育的现状或未来应该是什么样的？
我最近一直在和我孩子的校长讨论这件事，越来越觉得他的想法和我的思路正朝着同一个方向迈进：即教育方式在目标上变得越来越两极分化。让我退一步说，智能的好处是什么？
个人智力，比如你自己的智力，在一个拥有来自模型无限智力的世界里。你可能会说：“哦，这没用啊。就像 50 IQ 的人导航世界的能力和 150 IQ 的人一样好。”我不认为这是完全正确的，直觉上也不对。但我认为关键在于：你拥有的智力越多、结晶化智力（即教育）越高，你就越擅长与模型沟通并告诉模型你想要什么。
比如，如果我对量子物理一无所知，我就很难与模型进行深度对话来设计前沿的量子物理实验。虽然模型会努力向我解释，但最终它只能用蜡笔和软泡沫玩具般的简单方式来解释。因此，很难触及前沿领域并充分利用模型提供的最佳功能。
而在我有专业知识的领域中，我和模型可以进行有效沟通，我能更好地按照我的意愿引导模型。因此，有一个超级重要的技能：让模型听从你的指挥、执行你的意志。我认为这将是未来的一项重要能力，而要做到这一点，你必须对世界有一定的了解。聪明才智对此有帮助，教育也有帮助。
你不能要求模型假设这是一个随机过程，除非你知道什么是随机过程。当然，它可以教你这是什么，但这会带来很多摩擦，不如你自己弄清楚来得顺畅。你不必亲自演算数学公式，但你必须知道它是什么概念。
所以当我思考教育时，有一种观点认为：你在教孩子一系列相互构建的基础技能。我认为最终这些技能的总和必须能够让他们在没有模型辅助的情况下完成它们。不是因为未来他们真的要在没有模型的情况下做这些事，而是因为如果他们不懂乘法，就很难理解矩阵乘法。
如果他们对矩阵乘法的概念不够清晰（虽然不需要做得很好），他们就无法理解模型在进行乘法运算时在做什么。而这正是为了让他们能够引导模型。因此，我越来越倾向于认为：我们应该花大量时间让孩子们暂时脱离这些模型，教授我们认为重要的基本技能。
具体是哪些技能很难确定，但核心理念是：是的，模型可以完成这些任务，但你必须懂它们，这样你才能告诉模型该做什么。另一方面，有些人不喜欢模型是因为孩子们会在莎士比亚论文中作弊。我觉得这种想法不够有野心。
如果孩子们在莎士比亚论文上作弊，那就给他们更难、更有雄心的任务——困难程度是原来的 100 倍。让他们充分利用模型的力量。要求他们带回工作成果，并确保他们没有只是给模型一个提示就让其完成作业。要确保他们对内容拥有所有权。
问他们为什么是这样，强迫他们为此辩护。我认为这同样非常重要，因为孩子们需要擅长使用模型；而且坦率地说，他们还需要被教导：他们可以完成任何事情。
你和我偶尔会在电话里交谈，每次我都希望有录音以便其他人能听到，因为我学到了太多东西。我认为今天这次对话——这是我们几个月前通话的一个版本——提供了关于智能未来及其对市场、公司影响的宝贵思考素材。
这与大多数人听到的观点略有不同，后者通常认为智能的构建是无限的、永远做多一切、对智能的需求没有上限。非常感谢你今天抽出时间与我交谈，无论是在电话里还是现在。谢谢。
你知道微小的优势是如何随时间复利的吗？这在投资中如此，在你经营公司的方式上也是如此。你的支出系统就是你的资本配置策略。Ramp 默认使其变得更智能。更好的数据，更好的决策，随着时间的推移带来更优的经济效益。查看 ramp.com/invest 了解更多。
随着业务增长，Vanta 与你同步扩展，自动化合规流程并为安全和风险提供单一的事实来源。在 vanta.com/invest 了解更多。
从 OpenAI、Cursor 到 Perplexity，最好的 AI 和软件公司都使用 WorkOS 在一夜之间实现企业级就绪，而不是花费数月时间。访问 workos.com 跳过那些缺乏吸引力的基础设施工作，专注于你的产品。
Ridgeline 正在重新定义资产管理技术，作为真正的合作伙伴，而不仅仅是软件供应商。他们帮助机构规模扩大 5 倍，实现更快的增长、更智能的运营和竞争优势。访问 ridgelineapps.com 看看他们能为你的机构解锁什么。