2025 年 12 月 4 日，紐約曼哈頓。《紐約時報》DealBook峰會上，主持人 Andrew Ross Sorkin 問了一個所有人都在想的問題：到 AGI（通用人工智慧），還需不需要再來一次像 Transformer 那樣的技術突破？Anthropic CEO Dario Amodei 的回答是：No,I think scaling is going to get us there.（不用，我認為持續擴大規模就能讓我們到達那裡）把模型做大，把算力往上堆，按照這條擴展曲線持續推進，總有一天會撞上類人智能的臨界點。但他緊接著潑了冷水。技術層面，他非常有信心；經濟層面，他看到的卻是巨大的不確定性。Anthropic 過去三年營收增長 10 倍，但Amodei在台上給出的預測模型顯示：未來 Anthropic 收入可能在 200 億到 500 億美元之間波動。只要在資料中心投資上算錯時間點，就可能從盈利軌道滑向現金流危機。在他看來，一些玩家正在用激進方式下重注，把整個 AI 行業推向泡沫邊緣。這場對話引出了三個值得深入的問題：持續擴大規模究竟是怎樣的技術路線？為什麼 Amodei 堅信這條路，卻又不斷強調經濟風險？當 AI 開始重構工作方式，社會準備好了嗎？第一節 | 技術路線：Scaling Law的十年證明不是所有人都敢把 AGI 的終極路徑，說得像流水線一樣簡單。但 Dario Amodei 敢。他說：“我過去十年一直在觀察 Scaling Law，從GPT 到 Claude，我們都是在這條路上。”在這場採訪裡，他這樣描述 AI 能力演化： 你往模型裡加資料、加算力、加結構上的小改動，它就會自然變強。沒有神秘點，沒有範式突破。推理會提升，程式碼會更好，科學、法律、金融、材料……模型在所有方向一起進步。這是他的親身經歷。從GPT-2、GPT-3的早期主導者，到如今帶領 Anthropic 發佈 Claude 4.5。1、Claude 的證明：不是在進化，而是在放大在 Amodei 看來，Claude 的強大不是因為架構更複雜，而是因為整個系統沿著Scaling Law 做到了足夠大、足夠穩、足夠實用。Claude Opus 4.5 的發佈就是一次集中展示： 在SWE-bench Verified編碼測試中達到80.9%，超過GPT-5.1的77.9%和Gemini 3 Pro的76.2%；在科學推理、金融應用、生物醫學資料處理上，Claude 不只是能用，而是開始產生真實的決策影響。更關鍵的訊號來自 Anthropic 內部。Amodei 透露，他們的工程師已經不再打開編輯器從頭寫程式碼，而是讓Claude生成第一版，自己只做編輯和稽核。2、Scaling Law 的驗證路徑，也是一條產品化試驗線Amodei  不只是相信 Scaling Law，他在用真金白銀驗證它。邊走邊投，邊驗證邊調整。Anthropic 三年營收曲線就是最直接的證明：從零到1億美元，再到10億，今年預計達到 90 億美元。模型能力提升，企業需求跟著增長；需求增長，又推動模型繼續進化。Claude 沒有做成爆款對話產品，而是深入企業一線：開發工具、自動化助手、科研合作者。這種更慢但更寬的能力拓展路徑，正是 Scaling Law 在商業化層面的體現。不是打造一個天才，而是批次複製靠譜的合作者。他不是在等 AGI 奇點，而是在把 Claude一步步打造成一整條生產線。這條生產線積累的資料、經驗、客戶關係越多，就越難被覆刻。擴大規模不只是把模型做大，更是把這些積累變成競爭壁壘。別人還在爭論要不要相信 Scaling Law，Anthropic 已經用它建起了護城河。第二節 | 經濟帳本：500億投資如何不翻車Amodei 對Scaling Law 的技術路線有信心，但他也強調：能不能做到是技術問題，做不做得起是經濟問題。模型可以持續變強，但你也必須算清楚經濟帳：那一年能賺錢、要買多少晶片、什麼時候可能資金斷裂。他說：“我們每年收入翻十倍，但我必須今天就決定，要不要買 2027 年的計算資源。”1、500 億投入，是押注也是賭未來Anthropic 公佈了一個驚人的數字：未來四年將在美國投資 500 億美元用於 AI 基礎設施。這包括德州與紐約的資料中心，以及對微軟 Azure雲平台 300 億美元的採購承諾。但 Amodei 給出的解釋是： 如果我買少了，客戶排隊排不到就走了；如果我買多了，收入沒跟上，現金流撐不住，甚至有破產風險。他提出了一個核心概念：不確定性錐形（cone of uncertainty）。這不是 PPT 上的增長曲線，而是 Anthropic 內部做戰略預算時真正畫出來的風險模型：Anthropic 明年的收入可能是 200 億美元，也可能是 500 億美元，這種巨大的不確定性決定了現在該買多少算力、能承受多大風險。2、YOLO派和保守派的路線分叉而 OpenAI 的路線截然不同。雖然 Amodei 沒有直接點名，但他在採訪中提到了 Sam Altman 從巨額虧損衝向 2030 年盈利的計畫，並評價道：“我們看到有公司在YOLO（孤注一擲），把所有籌碼都押上了，幾乎不給自己留容錯空間。”Anthropic 的選擇是另一條路：所有算力採購按最壞10%的收入預期做預算保留高利潤率，用於覆蓋未來兩年scaling投資放棄消費級入口，只服務企業客戶，減少不確定變數這不是慢，而是先確保企業能活下去。為什麼如此謹慎？因為Amodei對未來的高增長保持懷疑。他在對話裡說： 過去三年，每年收入翻10倍。如果我照這條線繼續推，就是明年1000億。 但我不相信真會這樣增長。那只是理論上的最好情況。他強調的是經濟可行性，不是技術可能性。Claude Opus 4.5能力再好，如果企業不續費、資料中心養不起、資本斷供，那Scaling Law再正確，也推不動。真正的路線判斷不是能不能做，而是值不值得投、投不投得起。第三節 | 社會影響：誰受益，誰被替代對於 Dario Amodei 來說，AGI 不是終點，只是過程。技術能力每年增強，但普通人並不會自動跟上。AI 可以快速寫程式碼、做科學研究、處理金融建模，但誰來決定它該做那件事？誰來負責它做錯時的後果？誰從中受益，誰最先被替代？這才是他更關心的問題。1、AI 變強的同時，工作正在加速重構Anthropic 在今年 8 月做了一次內部研究，調研了 132 名工程師和研究員。結果顯示：AI 工具確實提升了生產力，讓工程師能夠處理超出原有專業範圍的任務。但同時削弱了團隊協作、導師制度和技能發展路徑。整體趨勢是，團隊正在變成少數高手+AI的組合。更關鍵的變化是：入門級工程師的工作正在被 AI 取代，寫程式碼變成了監督程式碼，技術崗開始往全端、策略、審校方向轉移。這不只是效率提升，而是職業路徑的根本重構。當新人無法通過寫簡單程式碼來積累經驗時，如何培養下一代技術專家？這是 Anthropic 內部也在思考的問題。2、Amodei的預測：比你想的更冷靜，也更現實在這場 DealBook 對話之前，Amodei已經在11月中旬的 CBS《60分鐘》節目中直面過一個問題：AI 是否會讓大批人失業？他的回答很直接：是的。AI 取代的第一批人不是工人，而是入門級白領，特別是那些在保險理賠、客服、行政、初級技術支援等崗位上工作的人。這些崗位很可能會面臨大規模的工作轉型壓力。但他不是為了製造恐慌，而是提出了三層解決方案：企業層面：不要只用 AI 減人，更要用 AI 放大人的價值。Claude 的正確用法是讓一個人做原來 10 個人的產出，而不是裁掉 10 個人。政策層面：政府需要參與再培訓，但更重要的是分配機制。如果 AI 帶來每年5%-10%的經濟增長，那是一個可以再分配的超級大蛋糕。社會層面：長期來看，人類社會的結構要調整，不再把工作當成唯一意義來源。這不是烏托邦。早在1930年，著名經濟學家凱恩斯（John Maynard Keynes）就在《我們後代的經濟可能性》（Economic Possibilities for Our Grandchildren）中提出過這個預言：技術進步可能最終解放我們，不再為了生存而工作。未來，問題不再是 AGI 能不能做出來，而是你準備好怎麼與它共處了嗎？這條擴展路線不只是技術問題，更是社會問題。誰能率先摸索出人機協作的有效模式，誰就贏得了未來。結語 | 能到 AGI，前提是活著到Dario Amodei 不是來講 AI 奇點故事的。他講的是一條用資料和財務驗證過的路線：Claude 每年變強一點，處理程式碼bug、生成科學推論、搭建專業工作流。這背後是 Amodei 十年如一日相信的一件事：Scaling Law 不靠靈光一現，只靠一步步推演。他用它造出了 Claude，也用它規劃了 500 億美元的投資、90 億營收目標和風險緩衝線。核心問題不是“我們快到AGI了”，而是我們能不能在做出 AGI 的過程中活下來。別人在賭誰先做出突破，Anthropic 在算誰能撐到終點。把模型一路做大，就真能到 AGI 嗎？Amodei 的回答是：可以。前提是你準備好了承擔相應的經濟風險和社會責任。 (AI 深度研究員)

11月7日，2025年世界網際網路大會烏鎮峰會在浙江烏鎮開幕，本屆烏鎮峰會以“共築開放合作、安全普惠的數智未來——攜手建構網路空間命運共同體”為主題。劉強東：京東將建全球首個全無人配送站京東集團創始人、董事局主席劉強東在主題演講中表示，社會化物流成本太高之後，會導致國家社會資源的浪費，環境、企業利潤，被大量低效的物流蠶食掉。“大家想一想，假如我們能把整個中國的社會化物流成本佔比能夠降到只有6%，意味著按照去年的數字，整個企業一年能增加數兆的淨利潤，企業利潤的增多會帶來更多技術的進步。企業之間會比拚、爭搶人才，會讓員工得到更好的收入和待遇。有了更好的收入待遇，那麼消費信心、整個經濟就會進入一種正向的循環。”劉強東說。劉強東認為，隨著人工智慧和機器人時代到來，他會對中國社會化物流成本的下降趨勢表示非常樂觀，“我認為五年之內，整個中國的社會化物流成本與GDP的比率應該能夠降到10%以內，也就是未來5年的進步，可能會超過過去10年的進步，甚至15年的進步。”據劉強東介紹，京東在北京建的分揀中心，基本上已經把過去90%人力幹的活全部用機器人替代。到明年4月份，京東在全球會建第一個全無人的配送站。“就是一個圓筒的建築，上面是起降無人機，下面全部是無人的電動小車，裡面是機械臂，對無人機的貨物的裝載，無人車的裝載，全都是機器人完成。”劉強東說。配送到家的“最後一公里”如何完成？劉強東談到，現在我們國家50%的門鎖都是智能門鎖，“大概5年左右的時間，我們認為90%以上的門鎖都是指紋鎖，所以機器人完全可以通過你授權的方式，安全地打開你的家門，把包裹放到你的家裡。”“無論我們這個社會技術怎麼發展，大家不用太擔心工作的問題、公平的問題。我們能做的事情很多，而且未來一定會更加美好。”劉強東最後總結說。阿里CEO吳泳銘：加碼打造超級AI雲“阿里巴巴正在建設超大規模AI基礎設施，加大投入打造超級AI雲，以全端技術積累向全球開發者提供領先的AI服務。”11月7日，阿里巴巴集團CEO吳泳銘在2025年世界網際網路大會烏鎮峰會開幕式上表示。他表示，AI發展將經歷三個階段：第一個階段是智能湧現，第二個階段是通用人工智慧AGI，第三個階段是超級人工智慧。他指出，智能湧現是過去幾年的主線。AI通過學習人類的海量知識，理解人類的意圖，逐漸進入真實世界，解決真實問題，創造價值。這個階段AI的特徵是學習人。“第二個階段是通用人工智慧AGI，我們現在正處在這個階段的開端。”吳泳銘指出，當人類向AI提出需求，AI agent現在已經能夠完成數字世界的很多工作，並通過介面連接真實世界、操作部分物理裝置，這個階段的特徵是輔助人。在他看來，第三個階段是實現超級人工智慧，AI將連接真實世界的海量原始資料，具備自主學習、自我迭代的能力。這個階段的AI將超越人類。“從智能湧現到通用人工智慧再到超級人工智慧，這是一場影響深遠的計算革命，正在催生下一代的電腦、超級AI雲。超大規模的計算需求需要超大規模基礎設施和全端技術積累，只有超級AI雲才能夠承載海量的需求。”吳泳銘指出，在這個嶄新的時代，阿里雲的定位是全端人工智慧服務商，提供世界領先的智能能力和遍佈全球的AI雲端運算網路，向全球各地提供開發者友好AI服務。 (21世紀經濟報導)

最知名的投資機構之一 a16z 又來分享了。在 a16z 昨天舉辦的 Runtime 閉門峰會閉幕對談上，兩位創始合夥人 Marc Andreessen 和 Ben Horowitz 聊了聊當前 AI 領域的熱門話題。對談中，他們重點分享了大模型的能力邊界、AI 的創造力與智能的關係、AI 領域泡沫、具身智能等話題，也重點提到了中國在 AI 領域的飛速進展。我們整理了其中的一些核心觀點：創造力的本質： 對“AI 無法真正創新”的批評是不對的，因為絕大多數人類也無法做到這些要求。無論是科學突破還是藝術創作，本質都是對前人工作的“改造”和“組合”。真正的“概念性突破”在人類中也極其罕見。智力不是一切： 認為“更智能的 AI 終將統治人類”的假設是錯誤的。現實世界並非總是由“最聰明”的人來負責決策。領導力和成功還需要心智、勇氣、感知力等非智力因素。AI 沒有成為泡沫： 目前的 AI 領域並不算泡沫，因為“當所有人都在問這是不是泡沫時，它就不是泡沫”。真正的泡沫發生在所有人都已“投降”、堅信其只漲不跌時。而 AI 的基本面依然成立，只要技術有效，使用者就會願意付費。AI 還處在早期階段： 我們今天所見的聊天機器人和搜尋引擎遠非 AI 的終極形態。我們正處於 AI 的“文字提示詞”時代，就像1992年之前的個人電腦。AI 的“圖形介面(GUI)”或“瀏覽器”時刻尚未到來，產品形態仍有巨大的創新空間。行業變化非常快：AI 領域將會持續以非常快的速度發生變化，創業者們需要提高警惕。不管是產品形態，技術瓶頸，還是供需關係，都可能發生快節奏的遷移。尤其是供需關係，在一個供需市場裡，造成“過剩”的永遠都是“短缺”。競賽的“第二階段”： 美國與中國的 AI 競賽仍將繼續，真正的決勝點將會出現在“第二階段”，那就是機器人。由於西方在過去幾十年中選擇了“去工業化”，中國在硬體、供應鏈和製造生態上擁有巨大優勢。即使美國在軟體上保持領先，也可能在硬體上被中國趕超。AI到底有沒有創造力？Erik Torenberg（本次對談的主持人，a16z 合夥人）：Marc，最近有很多關於大模型侷限性的討論，說它們無法實現真正的新科學發明，無法展現真正的創造性，因為它們所做的只是“組合”或“包裝”。你對此有什麼看法？Marc Andreessen：我經常會遇到兩類問題：第一，語言模型是否智能，即它們能否像人類一樣處理資訊並實現“概念性突破”？第二，語言模型或視訊模型是否具有“創造力”，能否創造新藝術並實現真正的“創意突破”？我會對這兩個問題反問：人類能做到這些事嗎？這裡有兩個問題。首先，即便有些人是所謂“智能的”，能產生原創的、概念性的突破，那有多少比例的人能真正做到這一點？我只見過少數幾個，他們中的一些就在這個會場裡，但數量並不多，大多數人永遠也做不到。然後是創造力。到底有多少人是真正具有創造力的？你可能會指著貝多芬或者梵高說：“看，這就是創造力。”是的，這確實是創造力。但歷史上又有多少貝多芬和梵高呢？顯然，數量非常非常少。所以，第一點是，如果這些 AI 能超越 99.99% 的人類，那它本身就已經非常智能了。我們再深入挖掘科技史，就會發現幾乎所有的重大突破，通常都至少需要 40 年前期工作的積累。事實上，語言模型本身是過去八十年工作的結晶。藝術領域情況也完全一樣。小說、音樂和其他藝術領域，顯然存在創造性的飛躍，但同樣也受到前輩們的巨大影響。所以，如果一個 AI 達到世界的前 0.001%，可能就已經完全達到目標了。當我在使用 AI 時，我的感覺是：“哇，它們似乎聰明得可怕，也具有驚人的創造力。”大多數人都不智能，所以也不必苛求AIErik Torenberg：當人們談論大模型的侷限性時，似乎提到一個共同主題。它們能做遷移學習 (Transfer Learning) 嗎？*遷移學習：跨學科將知識融會貫通的能力。Marc Andreessen：人類能做到嗎？這就像橫向思維，或者說，是在“分佈內”（inside distribution）推理還是在“分佈外”推理？*分佈內推理：模型已擁有的知識。情況是這樣的：我認識很多人，他們非常擅長在“分佈內”推理。但我到底認識多少擅長在“分佈外”推理並進行遷移學習的人呢？屈指可數。我認識幾個人，無論你什麼時候問他們一個問題，你都會得到一個極具原創性的答案，但通常這個答案會涉及多個領域。比如，你問某人一個關於金融的問題，他會給你一個融合心理學並且更恰當的答案。或者你問一個心理學問題，他會給你一個結合生物學的答案。在我認識的一萬個人中，大概只有三個人能做到這一點。這個比例並不高。這非常鼓舞人心。因為看看我們人類，儘管有各種侷限性，卻依然能做到今天的這一切。看看我們展現的所有創造力，所有那些了不起的藝術、電影、小說，以及了不起的技術發明和科學突破。所以，我們訓練 AI 是否需要讓它達到 100% “創新思考”的程度？我認為不需要。更聰明的AI不會“統治”世界Erik Torenberg：有很多人會認為，“更智能的東西會統治那些不那麼智能的東西”。Marc Andreessen：任何養貓的人都不會這麼說。你看看今天的世界，你認為我們總是被全世界最聰明的人們領導著嗎？我認為有兩件事是真的。第一，我們可能低估了智力的重要性。過去一百年裡，“智力”因種種原因成了一個極具煽動性的話題。即使是“有些人確實比其他人更聰明”這個觀念本身，都會讓人抓狂。但情況確實是，智力幾乎與每一種人生結果相關。在社會科學中，他們會告訴你，所謂的“流體智力”（fluid intelligence）或者 G factor（G因子），它與幾乎所有事情（教育成果、職業成果、收入，甚至生活滿意度）都有 0.4 的相關性。另一方面，那些身處涉及智力領域的人可能又都高估了智力。集體層面一個著名的觀察結果是：你把一群聰明人放進“烏合之眾”裡，他們絕對會變得更蠢。因此，某些 AI 圈子裡的那種，“聰明的東西將統治愚蠢的東西”的假設，非常容易，也非常明顯地被證偽了。Erik Torenberg：這就引出了一個後續問題，有那些技能是在智力之外的？更具體地說，為什麼 AI 系統不能學會它們？Marc Andreessen：你認為除了智力之外，還有什麼因素決定了領導力、創業精神或組織方面的成功？Ben Horowitz：很多事情。很大程度上，成功的人要能以正確的方式進行對抗。這其中有一定智力成分，但更多的是真正理解你在和誰說話，能夠解讀對方的想法。對創始人，要通過公司員工的眼睛，而不是你自己的眼睛來決策。這是一種需要不斷與人交談、理解對方在說什麼來培養的技能。這當然不是一個智商問題。Marc Andreessen：這是一些勇氣、激勵以及情感理解和心智的結合。“全身體驗”的必要性，機器人的必要性Marc Andreessen：有越來越多的科學證據表明，人類的認知不是純粹的大腦活動。著名的“心身二元論”（mind-body dualism）是不正確的。人類的體驗，並不僅通過大腦的理性思考，還因為全身體驗。我們的神經系統，我們的腸道菌群到荷爾蒙等各種生物化學方面，它們一起構成了生命。人類的認知是一種全身的體驗，遠超想像。這也是目前 AI 領域的重大基礎挑戰之一。機器人革命肯定會到來。當我們把 AI 放入在世界中移動的物理物體中時，就成了“具身智能”。這時的 AI 將更接近整合了智力、物理的體驗。但這些都非常早期，還有很多工作要做。我們正處於AI泡沫中嗎？Erik Torenberg：我們來談談“泡沫”。黃仁勳、Amin Vahdat（Google工程院 Fellow 兼副總裁）、Jeetu Patel（思科總裁兼首席產品官）、和 Matt Bornstein（a16z 合夥人）都談到了正在建設的、物理基礎設施的巨大規模。AI 的資本性支出 (Capex) 佔到了 GDP 的 1%。我們應該如何思考這個“泡沫”？Ben Horowitz：我認為“它是一個問題”這件事，就意味著我們沒有處於泡沫之中。泡沫在很大程度上是一種心理現象。如果真的達到泡沫的程度，那每個人都必須相信它不是泡沫。就像在網際網路泡沫時代，價格飛漲，巴菲特開始投資科技股。他曾發誓永遠不會投資科技，因為他不懂。如果連他都“投降”了，那確實是泡沫了。現在如果你回過頭看看，網際網路顯然不是泡沫，它是真實的東西。雖然在短期內，確實發生了價格錯位，因為當時網路上根本沒有足夠的人來讓那些產品運轉起來。在 AI 領域很難看到這一點，因為短期的需求如此之大，我們現在沒有需求問題。而且，“我們五年後會遇到需求問題”的想法，在我看來非常荒謬。會不會出現像“我們沒有足夠的冷卻能力”這樣的奇怪瓶頸？也許會。但就現在而言，如果看需求和供應，以及市盈率，這根本不像是一個泡沫。Marc Andreessen：順便說一句，很多 VC 也不知道是不是泡沫，他們只會感到沮喪。當創業者們拿到更高的估值時，VC 們會感到情緒上非常沮喪，這讓他們很生氣。這導致有很多人在情緒上“希望”它是一個泡沫，沒有什麼比錯過一個交易，然後看著這家公司取得巨大成功更糟糕的了。“那個估值太離譜了！” 在我們的行業裡，你可以為此憤怒 30 年。所以我總是說，把對話帶回到“基本面”。兩個最大的基本面是：第一，技術是否真的有效？ 它能兌現它的承諾嗎？第二，客戶是否在為它付費？如果這兩件事都是真的，那麼只要這兩件事保持穩固，通常事情都會步入正軌。AI巨頭與新貴誰能贏Erik Torenberg： 有人曾說 ChatGPT 對 Google 來說是一個“珍珠港時刻”。當我們回顧關鍵的時代轉折點時，是什麼決定了是“在位者”獲勝，還是“新進入者”獲勝？Ben Horowitz： 對變化做出反應是很重要的。我認為 Google 確實把頭抬起來了，所以它不會被徹底碾壓，但我也不認為 OpenAI 會消失。部分原因是速度，這是在一個很長時期內的執行力。這些非常大的公司中，有一些在不同程度上已經失去了執行能力。微軟在 Google 搜尋上栽了跟頭。微軟仍然非常強大，但它錯過了整個搜尋機會，也錯過了移動網際網路。但它仍然憑藉 Windows 壟斷地位如此龐大，以至於他們可以在其他領域發展。所以新公司贏得了新市場，但這並不意味著上一代的巨頭會消失。Marc Andreessen：我也認為我們還不知道最終產品的形態和形式。現在常見產品形態，要麼是聊天機器人，要麼是搜尋引擎。Google 面臨的問題是“創新者的窘境”。你是否要顛覆“10個搜尋結果連結”的模式，換上 AI 答案？畢竟這會顛覆廣告模式。而 OpenAI 的問題是，他們有完整的聊天產品，但他們還沒有廣告或 Google 規模的分發管道。所以，你可能會說：“好吧，這是一個非常清晰的、一對一的場景。”但是，這種思維方式可能犯的錯誤是，它假設了5年、10年、20年後，人們將要使用的主要產品形態，將是搜尋引擎或聊天機器人。一個明顯的歷史類比就是，個人電腦從1975年發明到1992年，它一直是一個“文字提示詞”（text prompt）系統。在當時，一個“互動式文字提示符”相比於打孔卡系統，已經是一個巨大的進步了。到了1992年，17年後，整個行業突然轉向了 GUI（圖形使用者介面），並且再也沒有回頭。又過了5年，行業又轉向了“網路瀏覽器”，再也沒有回頭。所以，使用者體驗的形態和本質仍未定型。我敢肯定20年後還會有聊天機器人，但我同樣非常確信，無論是現有的聊天機器人公司，還是許多新公司，都將找出許多種類的、我們甚至還不知道的、截然不同的使用者體驗。“短缺”終將成為“過剩”Erik Torenberg：當你指導企業家時，這個時代還有什麼讓你感覺不同的？你還想給他們留下那些這個時代的獨特建議？Ben Horowitz：我認為你說了正確的事情，那就是：這是一個獨特的時代。所以，試圖學習過去的組織設計經驗，或者試圖從上一代人那裡學到太多東西，可能是具有欺騙性的，因為事情真的不一樣了。人們建立公司的方式，在很多方面都非常不同。大家對 AI 博士研究員的觀察，就和一個傳統的全端工程師非常不同。所以我認為必須從第一性原理去思考很多事情，因為它就是不同的。Marc Andreessen：我只想提供一點：我認為事情會發生變化。我認為產品的形態和形式將會改變，仍然有很大的創造空間。我還認為，在一個供需的世界裡，造成“過剩”的一直是“短缺”。當某個東西變得過於稀缺時，就會產生巨大的經濟激勵，讓很多人去搞清楚如何釋放新的供應。當前這一代的 AI 公司正在與 AI 研究人員和工程師的短缺作鬥爭。然後他們受到了基礎設施容量、晶片、資料中心和電力的短缺的挑戰。我不想預測轉變的時間點，但總會有一天，這兩樣東西都會變成“過剩”。先來說研究人員/工程師。中國正湧現出卓越的模型，它們來自多家公司，特別是 Deepseek、Qwen 和 Kimi。值得關注的是，創造這些模型的團隊，很大程度上並不是那些名字出現在所有論文上的“大牌人物”。中國正在成功地把年輕人帶入這個領域並把他們培養好。Ben Horowitz： 嗯，xAI 很大程度上也是如此。Marc Andreessen： 是的。所以我覺得資訊正在被傳遞到環境中，人們正在學習如何做這件事，未來會有更多的人知道如何建構這些東西。當然，也還有 AI 正在建構新的 AI，工具本身將會變得更擅長為此做出貢獻。我認為這是好事，因為目前工程師的短缺程度太束手束腳了。在晶片方面，我不是一個晶片專家，但晶片行業的每一次短缺最終都導致了過剩。因為短缺帶來的利潤池太大了，利潤率變得太高了，激勵著其他人進入並找出如何將該功能商品化的方法也太多了。所以，輝達或許擁有晶片領域有史以來最好的地位。但儘管如此，我很難相信，5年後基礎設施還會面臨這種程度的壓力。Ben Horowitz：是的。假如未來某一天基礎設施內部的瓶頸轉移了，比如它變成了電力或冷卻，那麼肯定會遇到晶片過剩。Marc Andreessen：我們大家在五年後所面臨的挑戰，將會是不同的挑戰。AI競賽的“第二階段”，要看中國Erik Torenberg： Marc，你提到了中國。我們應該如何理解美國與中國之間的 AI 競賽？Marc Andreessen：如果只觀察目前的情況，特別是像 Deepseek，Qwen 以及那些來自中國的模型，我想說，美國和西方在“概念創新”（conceptual innovations）方面，一直領先。但中國極其擅長獲取創意，並將其執行、規模化和商品化。他們在整個製造業世界都是這樣做的，而且他們現在在 AI 領域也做得非常成功。所以我想說，中國在“追趕遊戲”中跑得非常好。當然，他們渴望的不止於此，中國有很多非常聰明和有創造力的人。所以，現在看看概念上的突破在多大程度上會開始來自那裡，以及他們是否會超越，這將是很有趣的。但是，這是一場全面的競賽，是一場賽跑，而且賽況非常激烈，分毫必爭。我們不會有5年的領先優勢，我們可能最多隻有 6 個月的領先優勢。軟體的競賽感覺還算不錯，我認為我們真的非常擅長軟體。但是當這件事進入以機器人形式出現的“具身智能”時，我認為事情會變得可怕得多。這就是我現在花時間在華盛頓特區，試圖真正教育人們的事情。美國和西方在過去40年裡，選擇了在一定程度上“去工業化”（de-industrialize）。中國現在擁有一個龐大的工業生態系統，用於製造各種機械、電氣、半導體和現在的軟體，同時也包括各種裝置，比如手機、無人機、汽車和機器人。AI 競賽將有第二階段，那就是機器人技術。它很快就會到，當它到達時，即使美國在軟體上保持領先，機器人也得被立刻製造出來。這不是一件容易的事，不是單一公司能做到的，它必須是一個完整的生態系統。就像汽車工業當年一樣，整個行業不是只有三家公司，而是有成千上萬的零部件供應商。機器人技術也將如此，而且，這一切正在中國發生。所以，即使中國在軟體上永遠趕不上我們，他們也非常有可能在硬體上直接“套圈”我們，然後比賽就結束了。但美國正在意識到這件事。我持謹慎樂觀地認為，美國將在這方面取得一些進展，但確實還有很多工作要做。 (四木相對論)

上周，在 Dreamforce 2025 峰會，Anthropic 聯合創始人兼 CEO Dario Amodei 說了一句引發廣泛關注的話：我對短期內 AI 的互補性依然樂觀，但我也必須坦白:兩到五年內，真正的替代將開始出現。這不是科技行業第一次有人談“AI 替代人類”。不同的是，Amodei 說這話時，Anthropic 內部已經發生了翻天覆地的變化： 他們的團隊裡，超過 90% 的程式碼已由 Claude 自動編寫，Bug 定位、系統偵錯甚至產品重構都由智能體完成。人類工程師的角色，不再是寫程式碼的人，而是審查 Claude 工作的人。這意味著，“AI 替代”不再是科幻電影裡的威脅，而是從 Anthropic 辦公室裡的一行行程式碼開始，在真實的生產系統裡一步步落地。但 Amodei 的警告，不止是給工程師的。“這不會只發生在開發者身上，”他補充說，“保險、金融、醫療等行業的企業客戶已經在用 Claude 執行端到端任務。被替代的第一批人，往往是工作流程裡那些最容易被自動化的崗位。”“AI 取代人類”這件事，從理論進入了倒計時。接下來，問題不再是AI 會不會替你，而是誰會先被替？他們是怎麼一步步被替的？而你，又該如何重新定義自己的角色？第一節｜替人的起點：端到端能力今天很多人說 Claude 會寫程式碼，但 Dario Amodei 的重點根本不是寫程式碼，而是它能做完一件完整的事。他觀察到：以前 AI 只是幫你寫幾行程式碼，現在它可以偵錯系統、修復 Bug、完成整個部署流程。換句話說，不再是你寫主力、AI 輔助，而是 Claude 把一件任務從頭到尾做完，人來稽核修改。角色變了，關係也變了。在 Anthropic 內部，這個轉變已經開始落地。Dario 舉了一個他們真實發生的案例：我們最近發佈模型時，叢集出現 Bug，工程師找了好幾天沒找到。後來我們讓 Claude 去排查，它居然找出了一個大家都漏掉的隱藏問題。從 AI 按你指令做一件事，到 AI 自己能判斷、執行、修復，走完整個閉環。而且這不是偶發事件。Dario 明確說：“我們現在團隊裡的程式碼，90% 都是 Claude 寫的。人類的角色更像是編輯者、監督者。”實際上，工程師不再是執行者，而是把 AI 當成“實習生”或“外包員”來分配任務、檢視成果、保證質量。不僅是 Anthropic 內部，Claude 的企業使用者也在驗證這點。Anthropic 聯合創始人 Mike Krieger 在早前訪談中也透露：我們有客戶讓 Claude 連續運行 30 小時，完成了一項複雜的系統重構。30 小時，非人類值班，任務不中斷。這不再是對話模型，而是長期運行的虛擬執行者。它能記住目標、追蹤上下文、發現並糾正問題。做的不再是語言生成，而是任務交付。在10 月 20 日 與製藥巨頭禮來(Lilly)首席資訊官 Diogo Rau 的對話中，他說：“不要被我們能用 AI 做那些小事這種想法限制住。有一個現有流程，它有 20 個部分，你想在第 5 部分和第 12 部分引入 AI，這實際上很困難。但一年後，AI 可能就能從第 0 部分到第 20 部分端到端完成。”如果模型在一年後才足夠強大，而你那時才開始部署，就會再延誤兩年。要對技術進步的速度有信心，現在就開始為端到端變革做準備。這段話點破了替代的本質：因為替代不是某個時刻突然發生的，而是從“輔助”變成“交付”的那一刻開始的。當 Claude 不只是回答問題、生成文字，而是能：理解任務目標呼叫工具和代理自主運行並糾錯交付最終結果那你還需要幾個人做這件事嗎？我們過去總以為 AI 只是幫你快一點，但 Dario 的話意思很明確：Claude 能做端到端任務的那一刻，就意味著你不再需要中間這些環節。程式碼只是開始。真正替人的，不是 AI 變聰明了，而是它開始像系統一樣工作：持續執行、串聯流程、自主呼叫、糾錯最佳化。這套執行力，才是 AI 從工具向崗位躍遷的分水嶺。第二節｜第一批被替：中間環節的人我們常以為被 AI 替代的會是低技術、低學歷、低門檻的崗位，比如文員、助理、客服。但 Dario Amodei 給出的判斷恰恰相反。他說：不是說人類沒有事情可做，但兩到五年內，整個經濟體系都會被深度重塑。影響最大的不是個別崗位，而是所有環節都可能被壓縮、被替換、被重組。換句話說，AI 替代的並不是誰技術差，而是誰在流程中傳遞資訊、而不是創造結果。只要一份工作裡，沒有核心創造，而只是把資訊從 A 傳到 B，再從 B 整理成 C，那這件事 Claude 能替你做，而且可能還更快、更便宜、不出錯。你會發現，很多看起來有技術含量的中間環節崗位，其實只是資訊搬運工：把會議內容整理成報告把客服反饋總結成周報把資料填進表格，再匯出成 PPT把行銷計畫分解為具體工單，下發至不同部門這些工作的共同特徵是：資訊已有步驟明確不涉及複雜判斷成果可驗證而這正是 AI 最擅長的工作。Mike Krieger 補充了一個 Anthropic 客戶的真實案例：有客戶在財務部門用 Claude 自動生成分析 Excel 表格，Claude 會自己理解資料、做推導、畫圖表。不是把 Excel 做成工具給人類用，而是 Claude 直接接管整套流程。所以這不是一場程式設計師和 AI 的戰爭，而是“中間環節的人”和“做完整件事的人”之間的更替。再進一步看，只要一家公司使用 AI 來：審查合同 → 整合文件 → 寫會議紀要歸檔工單 → 生成 FAQ → 自動發郵件撰寫預算 → 分析花費 → 出年度報告那些專門做這些事的崗位，還需要幾個人？因為過去一項工作要三四個人輪流做，現在 AI 一步跑完。這，就是第一批會被替的現實依據。Dario 的判斷不是基於情緒，而是他們內部已經發生的變化：我們沒有解僱工程師，但我們團隊裡，每個人的角色都在重新定義。這句話的意思很清楚：AI 不是一刀切，而是讓原本的人力變得邊緣化。先被替的，正是那些沒有決策權和創造權的崗位。第三節｜新工作方法：不是幹活，而是指揮 AI 幹活AI 真正開始替人的那一刻，很多人最直覺的擔心是：那我們是不是要沒工作了？但 Dario Amodei 在 Dreamforce峰會上給出了一個出人意料的答案：你可能需要更多人，因為他們可以獲得更大的槓桿效應。工程師可以變得十倍更有生產力。AI 在替人，為什麼還需要更多人？IG Group 案例：他們的分析團隊每周節省 70 小時，但這些時間被重新投入到更高價值的戰略工作中。某些用例的生產力翻倍，3 個月就實現了 ROI。Cox Automotive 在 VinSolutions CRM 中使用 Claude 後，消費者諮詢響應和試駕預約數量翻了一倍多。Palo Alto Networks 讓 2500 名開發者使用 Claude，沒有任何 Claude 經驗的初級開發者完成複雜整合任務的速度快了 70%。這些案例的共同點是：人沒有被“替掉”，而是“角色”升級了。但這個轉變並不容易。一項針對 16 名經驗豐富的開源開發者的研究發現：當他們使用 AI 工具時，完成任務的時間反而增加了 19%。開發者預測 AI 會讓他們快 24%，結果卻慢了 19%。為什麼？因為有經驗的開發者有大量上下文，而 AI 沒有。他們需要把自己的問題解決策略改造成 AI 能理解的形式，還要花時間偵錯 AI 的輸出。但學會管理 AI，需要時間和練習。而時間，可能不多了。史丹佛大學的研究顯示，22-25 歲軟體開發者的就業率自 2022 年底以來下降了近 20%，因為 AI 工具正在接管過去分配給初級員工的常規編碼和資料任務。哈佛商學院教授 Christopher Stanton 警告說，隨著僱主重新定義早期職業角色，工資可能會下降。但與此同時，Salesforce 的首席人事官表示，公司正在大規模招聘新畢業生，2025 年夏天接納了 1000 名實習生。她指出，現在有很多 6 個月前根本不存在的新崗位。未來，不是所有人都會失業，是工作角色正在被重新定義。那麼，什麼樣的人能適應這種變化？真正高價值的人，能做到：清楚表達需求合理分配任務給 AI驗證 AI 的工作成果AI 出錯時知道怎麼糾正這，就是 “AI 統籌師”。Dario 在 Dreamforce 上明確表示：我很擔心，特別是人們適應的能力，因為工作變化得太快了。這不是危言聳聽，而是正在發生的現實。時間窗口，只有兩到五年。結語｜不是會不會，而是什麼時候Dario 說得很明白：“不是替代，是重排分工。”AI 不再是工具，而是能獨立完成工作的虛擬同事。它能端到端跑完流程，找出人類漏掉的問題，連續工作不停歇。真正被替的，不是崗位，而是那種只會做一環、不懂用 AI 的人。Anthropic CPO Mike Krieger 則表示：我們建構的是可信賴的虛擬同事。不是輔助，是上崗；不是幫你，是幹完你幹不完的。接下來兩到五年，變化可能會比大多數人預期的更快。 (AI 深度研究員)

當ChatGPT掀起全球對話革命，當AR眼鏡悄然改變人機互動，科技巨頭正在書寫人類歷史上最激進的進化指令碼。（image generated by FLUX1.1）6月4日-5日，Bloomburg Tech Summit 2025在舊金山舉辦，被譽為"科技界達沃斯"的盛會。本屆峰會以"AI時代的機遇與挑戰"為主題，吸引了來自Google、Meta、Salesforce、Uber等科技巨頭的高管，以及Perplexity、Figure AI、Agility Robotics等新興獨角獸的創始人。峰會期間，Bloomberg首席科技記者Emily Chang與Tom Giles主持了兩天數場深度訪談，從AI基礎模型到人機互動革命，從資料中心建設到地緣政治博弈，全方位解構了AI浪潮下的產業變局。這些對話不僅揭示了AI發展的最新動向，更為我們拆解了AI重塑世界的核心法則。一、技術爆炸下的生死法則：AI不是工具，而是新物種核心觀點：AI突破“輔助工具”概念，成為具備自我進化能力的"數字生命體"在Bloomberg Tech Summit上，GoogleCEO Pichai指出：“今天60%的工作在1940年並不存在。”這不僅僅是一個歷史資料的回顧，更是對未來的預言——AI將催生前所未有的“人機共生”職業生態。他透露Google現在25%的新程式碼由AI生成，未來這個比例還將大幅提升。"Meta CTO Andrew Bosworth在峰會上分享：Ray-Ban Meta AI眼鏡的使用者已超過200萬，且仍在快速增長，日均AI模型呼叫次數超過數十億次。他透露，每當使用者與眼鏡進行AI對話時，背後都是複雜的多模態AI模型在即時運算。這種“輕量化智能”正在成為破局關鍵。前兩周，OpenAI與Jony Ive的跨界合作正是這一趨勢的體現。兩者宣佈投入60億美元開發全新的AI硬體裝置，這預示著AI正在從軟體層面向物理世界延伸，成為真正意義上的“新物種”。Perplexity也正在與三星等硬體廠商深度合作，將AI搜尋能力直接嵌入到手機的原生系統中，這種合作模式將徹底改變使用者獲取資訊的方式。風投界的觀察者們指出，單純堆砌算力的時代已經終結。能效比與場景穿透力成為新的技術壁壘，AI不再是簡單的計算工具，而是具備自主學習、自我最佳化能力的數字生命體。關鍵洞察：AI模型正從“被動響應”向“主動感知”進化硬體與軟體的深度融合成為技術發展新範式場景化應用比通用能力更具商業前景二、巨頭暗戰：2025年AI三大必爭之地戰場一：人機互動革命， "UI即AI"的時代來臨從介面到智能，互動範式正發生根本性變革。傳奇投資人Marc Andreessen曾預言："未來的使用者介面就是對話。"如今這個預言正在成為現實。我們正在見證從"點選介面"向"對話介面"的歷史性轉變。Meta的漸進式突破Meta CTOAndrew Bosworth分享了Ray-Ban Meta AI眼鏡的成功秘訣，之前的Ray-Ban Stories賣得不好，後來團隊做了點工作，看起來幾乎一樣，功能基本相似，但一切都變了，成為最受喜愛的產品，關鍵洞察在於設計哲學："事實證明你不需要頭部，但我們加了頭部，因為這是人們的舒適因素。人們可以看到機器人什麼時候在轉身和觀察。"蘋果的高端突破受挫Bosworth對蘋果Vision Pro的點評相當犀利："可以看出這是他們在這個領域的第一款產品...他們犯了一些新手錯誤，把玻璃部分放得離鼻子很遠，那是一個長槓桿臂...這是物理學問題。"Google的無處不在戰略皮查伊描繪了一個更宏大的願景：AI將無縫融入所有裝置和服務："我們正在使用Gemini來幫助改善YouTube的推薦，所以我們使用AI來幫助改善我們如何引導內容...你將擁有這些東西成為伴侶、成為教練。"這種“無介面互動”代表了人機互動的終極形態，使用者無需學習任何新的操作方式，AI會根據予以理解自動執行複雜的多步驟任務。戰場二：軍事工業複合體的復興最讓人意外的趨勢是，消費科技公司正在重新擁抱軍事合作。這背後有深層的地緣政治邏輯。Meta的"愛國主義"轉向Bosworth首次公開確認Meta與美軍的合作，並給出了情感化的解釋："我家裡有軍人。我希望他們擁有最好的裝備...矽谷建立在軍方、學術界和私營部門的三方投資基礎上。"他強調這是"回歸傳統"："如果我們不是所有人都承擔計算海軍彈道軌跡的任務，就不會有技術...這真的是導致我們今天所擁有的投資的核心和靈魂。"地緣政治重塑技術選擇這種轉向反映了更深層的地緣政治現實：技術競爭軍事化：AI、量子計算等被視為國家安全關鍵技術供應鏈重組：從效率優先轉向安全優先聯盟體系重構：技術合作成為地緣政治聯盟的重要紐帶戰場三：基礎設施軍備競賽Stargate：人類歷史上最大的基礎設施項目OpenAI、SoftBank和Oracle聯合宣佈的Stargate項目，將在德克薩斯州投資1500億美元建設AI資料中心。"大約每周工作20萬小時，今天約有3500人，將達到5000人...第一批建築約300天完成，後續建築僅需215天。"新的國際合作模式這種基礎設施競賽正在催生新的國際合作模式：- Elon Musk + 沙烏地阿拉伯：據報導正在討論在沙烏地阿拉伯建設大型AI訓練中心- AWS全球佈局：在此次大會上宣佈將在亞太地區新建3個大型資料中心- 歐洲的獨立野心：法國、德國正在推動"數字主權"計畫這種大規模建設正在推動清潔能源技術的突破，從核聚變到太陽能儲存，AI基礎設施成為能源創新的最大推動力。三、生存指南：AI時代的破局策略1. 垂直場景突圍：AI Agent的商業化浪潮Salesforce的Agent Force革命Salesforce在本次峰會上展示的Agent Force平台，代表了AI應用的新範式。這不再是簡單的聊天機器人，而是能夠自主完成複雜業務流程的數字員工。關鍵特徵包括：- 多模態互動：語音、文字、圖像的無縫切換- 流程自動化：從客服到銷售的端到端自動化- 學習能力：根據企業資料持續最佳化表現Perplexity的垂直突破案例Perplexity CEO Aravind Srinivas分享專注策略的成功："當我們開始時，人們嘲笑我們說，在AI中，幻覺應該是一個功能而不是錯誤...我們從未想過要建構Google替代品，我們只是建構了一個對我們有用的工具。"成果顯著：每月7.8億次查詢，月增長率超過20%。垂直AI的成功法則：深度而非廣度：能效比與場景穿透力成為新的技術壁壘資料護城河：積累行業專屬的高品質訓練資料工作流整合：嵌入使用者的日常工作流程持續學習：基於使用者反饋不斷最佳化2. 不斷進化：適應性重於規模Google的"三位一體"進化Pichai總結了Google的持續進化策略：- 模型層：Gemini系列快速迭代，"2.5版本是能力的真正突破"- 產品層：AI無縫整合到搜尋、Gmail、YouTube等核心產品- 基礎設施層：自研TPU晶片+全球資料中心網路Meta的組織自我革命Bosworth揭示了Zuckerberg的"說服藝術"："Mark每次給我新工作時，我都說不...他會說，'這對你來說要看起來像什麼才會讓你興奮？'然後你最終想出了一個你會興奮的事情，他說，'太好了，讓它看起來像那樣。'"這種方法的核心是讓變革成為內在動機，而非外部壓力。3.個人能力升級：五大核心技能提示詞工程（Prompt Engineering）：不再是簡單的聊天，而是與AI協作的專業技能。多模態思維：文字、圖像、語音、視訊的綜合處理和切換能力。人機協作設計：理解AI能力邊界，設計最優的人機配合流程。資料素養：Microsoft CPO Aparna Chennapragada強調："在這個時代，如果你認為對抗電腦科學和程式設計就像在14世紀對抗閱讀一樣...程式設計是今天的素養。"品味與判斷力：投資人Sarah Guo提出的關鍵洞察："如果軟體普及，更多軟體被建立，你如何應用判斷和品味來實際找到那些將成為突破性創新的高點。"Replit CEOAmjad也曾提出了更宏觀的視角超越技能的認知升級："未來的熱門工作是企業家...我認為將會有更多人能夠創辦公司。"關鍵是培養創業者思維：發現問題、整合資源、快速迭代的能力。四、前沿突破：Physical AI重塑物理世界1. 人形機器人的商業化衝刺Figure AI的大膽承諾Figure AI CEO Brett Adcock在峰會上展現了令人震撼的信心："我們有機器人每天在商業勞動力中工作...四年內出貨10萬台機器人是可能的。"更重要的是，他們已經在BMW工廠實現了日常營運：目前在車身車間做搬運鈑金的工作，“每天都在運行機器人，非常好地跟蹤所有指標”。Agility Robotics的實用主義Agility CEO Peggy Johnson分享了不同的策略：專注於倉儲物流這一更成熟的應用場景："我們已經在GXO（第三方物流供應商）部署了一年...它基本上是當訂單進來時，它們在AMR自動移動機器人上滾動，Digit解除安裝並放在傳送帶上。"2. 生物技術與AI的融合突破CRISPR+AI：重寫生命程式碼CRISPR技術發明者Jennifer Doudna分享了振奮人心的進展：一個名叫KJ的嬰兒成為第一個使用CRISPR技術治癒的患者。AI正在加速基因編輯的發展："AI將幫助我們更快地建立、驗證然後即時應用這些療法...我們可以在基因編輯預測方面做出驚人的事情。"3. Physical AI的三大突破方向- 具身智能：機器人與環境的智能互動- 生物計算：AI指導的基因編輯和生物工程- 材料科學：AI設計的新材料和奈米技術五、中美AI競爭：DeepSeek震撼與技術主權爭奪1. DeepSeek的衝擊波在討論中國AI發展時，美國白宮科技政策辦公室主任Kaczynski坦承：DeepSeek的崛起是對美國AI戰略的重大警鐘："現實情況是，過去四年的政策最終並沒有在確保美國保持領先地位方面產生影響。"DeepSeek僅用較少的計算資源就達到了接近GPT-4的性能，這讓美國意識到單純的晶片出口管制策略已經失效。2. 政策轉向：從"封鎖"到"促進+保護"Kaczynski明確表達了新政府的態度轉變："我們想要世界運行在美國的AI技術堆疊上...在全球競賽中，我們需要能夠在該競賽中領先。"新策略的核心是"促進與保護（Promote and Protect）"雙重策略：-促進創新：加大研發投資，移除監管障礙，鼓勵AI在政府和軍隊的應用-保護優勢：繼續限制關鍵技術出口，但重點轉向更精準的管控另外，採用層面，政府部門大規模應用AI技術，形成規模效應，Kaczynsk點出了技術競爭的本質："即使我們擁有世界上最好的模型，如果政府不用、國防部不用、情報部門不用，那有什麼意義？"結語：擁抱不確定性的時代Bloomberg Tech Summit 2025為我們揭示的，不是一個遙遠的科幻未來，而是正在發生的現實。從Google的750億美元投資，到Meta的AR眼鏡成功，從人形機器人的商業化部署，到基因編輯技術的突破，這次變革的特點不是某一項技術的突破，而是多項技術的融合與共振。AI、硬體、生物技術、能源技術正在以前所未有的速度交匯，創造出我們之前無法想像的可能性。當人們還在爭論"AI是否會滅絕人類"時，矽谷最聰明的頭腦已經開始建構新紀元的底層程式碼。這場關乎人類文明躍遷的競賽中，唯一的確定性是：拒絕思考的人，終將被演算法淘汰。正如投資大佬Jeffrey Katzenberg在峰會閉幕時所說："永遠不要讓你的回憶比你的夢想更偉大。我今天醒來，度過了不可思議的一天，還有很多事情要做.....這是我每天的生活。"（image generated by ChatGPT）(JER學家)

紅杉資本AI Ascent 20252025年5月2日，矽谷頂級風投機構紅杉資本（Sequoia Capital）在舊金山舉辦了第三屆 AI Ascent 峰會，集結了150餘位全球頂尖的AI創業者與研究者。與會嘉賓包括OpenAI的Sam Altman、NVIDIA的黃仁勳、DeepMind的Jeff Dean等重量級人物，場面座無虛席，盛況空前。本次大會圍繞一個核心議題展開：AI已經不是未來，而是現在。它不僅是技術範式的演進，更是推動整個商業社會進入“利潤即產品”的新時代。本文將圍繞紅杉資本三位合夥人——Pat Grady（市場與戰略）、Sonya Huang（產品與使用者）、Konstantine Buhler（前沿趨勢）——的主旨演講，提煉核心觀點，幫助讀者理解AI在2025年所面臨的機遇與挑戰。Pat Grady這是一個跑起來的時代1. AI市場規模是歷史等級的機會AI的市場規模遠超當年的雲端運算起步階段。Grady指出，AI市場在一開始就比當年的軟體市場大10倍。它同時切入“軟體價值鏈”和“服務利潤池”，意味著未來10-20年內，AI是絕對的增量市場。“軟體與服務都在被重構，市場已然開啟，誰先跑誰吃肉。”2. 不是“AI註定會來”，而是“AI現在就來”過去的技術浪潮往往需要使用者教育、管道建設，但AI不同：5.6億網際網路使用者、社交分發管道、豐富資料與計算基礎已經就緒。“這一次，發令槍一響，沒有任何 adoption barrier。”3. 真正的價值將沉澱在應用層Grady明確表示：基礎模型雖重要，但真正的價值與護城河會在應用層體現。誰能理解行業流程、誰能將AI嵌入真實場景，誰就能贏得這場比賽。“你要從使用者需求反推，而不是圍繞模型做產品demo。”4. “Go at Maximum Velocity”：以最快速度進入市場Grady援引紅杉創始人Don Valentine的名言“what now”，給出的答案是：以最大速度奔跑。他鼓勵AI創業者立即上線、迅速迭代，在競爭者之前打出使用者心智：“Run like heck。”“市場上現在有一個巨大的真空，如果你不填上它，別人就會。”5. 如何建構真正可持續的AI公司？收入 vs 真實使用：客戶是因熱度而買單，還是因為它確實改變了流程？關鍵指標是留存與粘性。從工具到結果定價：工具價值有限，但如果你賣的是“結果”，溢價能力將極高。資料飛輪：你的使用資料能否反哺模型，形成性能正反饋？總結：速度要快，基本面不能丟。只有真正解決問題的AI產品，才有可能穿越周期。Sonya HuangAI正在成為“日常剛需”1. AI進入使用者高頻行為2023年很多AI產品DAU/MAU極低（使用者只玩一次），而到了2024年，ChatGPT等產品的粘性已接近Reddit這種平台級應用。“AI不再是demo，而是日常習慣。”她分享了一個輕鬆的案例：自己在用AI生成跳舞GIF（Jib）刷爆GPU額度，而另一面，是AI在廣告、教育、醫療等行業帶來顯著效率提升。2. AI的“殺手級應用”正在浮現語音技術：Huang稱2024是AI語音的“Her時刻”（致敬電影《她》），聲音已經幾乎難以分辨人機。AI程式設計助手：無論是10x工程師還是小白，AI Code Assist工具正快速普及，並成為“日常生產力工具”。“AI程式設計工具已經實現了令人驚喜的‘PMF’（Product-Market Fit）。”3. 預訓練見頂，技術路線多元化Huang指出，大模型“繼續堆參數”的路徑已經邊際效益遞減，更多創新發生在：推理能力提升（Reasoning）AI工具鏈組合（Tool Use / Agent呼叫外部系統）AI結構搭建（如Anthropic的多Agent協同協議MCP）這些都表明，AI正在從單模型系統進化為“多模組協作系統”，產品形態也越來越複雜精細。4. 應用層仍是價值窪地Huang呼應Grady的判斷：未來10倍公司仍然會誕生在“AI賦能應用”層，不是底層模型本身。她特別提到：教育、企業服務等領域已經湧現出AI killer app，誰能打磨好AI UX，誰就能贏得未來。Konstantine BuhlerAgent Economy1. 從Agent到Agent Swarm，再到Agent Economy過去大家談AI Agent，如今很多公司已經部署了“Agent Swarm”（群體協作的AI代理）。下一階段將是：“Agent們將不再只是輔助人類，而是自主互動、交易、協作，形成類經濟網路。”但Buhler也強調：AI代理經濟必須是“以人為本的共生系統”，人類將繼續負責戰略、判斷與倫理，而Agent是效率執行器。2. 三大技術挑戰亟待解決持續身份（Identity & Memory）：Agent要具備持久的記憶與行為一致性。通訊協議（Agent Protocols）：Agent之間需要像TCP/IP一樣的通用協議，才能協作。信任與安全體系（Trustworthy）：Agent具備執行力後，如何防止濫用？必須有“信任評級、安全審計”機制建立起來。這些問題決定了“AI能否真正成為可靠的系統組成部分”。3. 人類認知也需要更新Buhler提出：未來人類與AI共存，不只是技術問題，更是認知問題。Stochastic mindset：AI不是規則引擎，是機率分佈。管理者需要接受AI的“不確定性”。AI管理能力：如何制定目標、反饋機制、協作流程，幫助AI做出更好決策。高槓桿 × 高不確定性：未來小團隊+AI可以創造巨大的槓桿，但結果難以預測。“我們將迎來一人管理百Agent的時代，這需要組織結構與思維方式的重構。”4. 公司形態或將重新定義當AI Agent大規模參與決策、執行與流程管理時，企業不再是“人+流程”的集合，而可能變成“人類×AI網路”的系統。“真正的未來，不是人被AI取代，而是組織形態發生範式轉移。” (TDXII時差十二)

最近，第三屆紅杉資本 AI 峰會剛剛在舊金山落幕。150 位全球頂尖 AI 創始人齊聚紅杉資本會場。窗簾落下，與外界隔絕整整 6 小時——最先映入眼簾的是白板上的一句話：下一輪 AI，賣的不是工具，而是收益。紅杉資本合夥人Pat Grady 把這句話稱為「兆美元機會」；OpenAI 首席執行官 Sam Altman 和 Google首席科學家 Jeff Dean 一致點頭；輝達具身智能研究主管 Jim Fan 補上一句：「當機器人能通過物理圖靈測試時，收益 = 自動化的現金流。」── 共識，就此浮現。這意味著：SaaS 邏輯正在失靈：客戶不再為「能用的工具」買單，而只為寫進利潤表的結果掏錢；新定價單位是 KPI：開發提速、GPU 成本、落地 GMV，將直接決定產品價格；創業窗口縮短：誰先把“收益”商品化，誰就搶走下一個十倍級市場。接下來的文章，拆開這場閉門峰會的 3 個核心訊號：「作業系統式 AI」如何成為新的現金流機器「常駐代理」正在重塑工程師與企業邊界「物理圖靈測試」打開機器人商業化的最後閘門讀完，你將拿到一張面向未來三年的定點陣圖、估值模型和融資策略路線圖。第一節｜AI 不再賣工具，而是賣成果「我們正在經歷一次從工具邏輯到成果邏輯的根本轉變。」在紅杉第三屆 AI 峰會上，主持人 Pat Grady 這樣開場。🔹 從軟體預算到「成果合同」：AI 正改變企業付款方式過去十年，軟體的核心價值是「提升效率」：提高營運效率、自動化部分流程、輔助人類決策。企業為此購買 SaaS、堆積工具，預算劃在「軟體費用」一欄裡。但現在，AI 正在穿透這層邏輯。紅杉提出一個結構模式：從賣工具（Software as a Tool）👉 到賣協作（Software as a Co-worker）👉 最終走向賣成果（Software as an Outcome）這不是修辭，而是收入模型的根本變化。🔹 成果驅動，不再講「能力」，只講「幹了啥」Sierra 平台的聯合創始人 Bret Taylor 在峰會上進一步解釋：「我們從第一天起就選擇基於成果定價（outcome-based pricing）。客戶不再為功能買單，而是為結果買單。」舉個例子：傳統 CRM 軟體賣的是「客戶管理工具」AI 驅動的 CRM 智能體，賣的是「幫你完成 XX 個客戶轉化」工具，是你用；成果，是它為你交付。這正是紅杉判斷「AI 應用價值將超越模型本身」的關鍵所在。不是誰模型參數更多、推理速度更快，而是誰能把結果交付閉環，誰就擁有了客戶預算。Pat Grady 在峰會幻燈片中指出：「AI 正從服務市場穿透到勞動力市場。」你以為它在搶 SaaS 的預算，實際它正在進入工資單。也正因此，紅杉不再強調「獨角獸估值」，而是看現金流、看可度量成果。OpenAI、Ramp、Sierra，這一批應用層玩家，不再爭搶「最先進的 AI 模型」，而是率先進入「誰交付成果誰贏」的商業現實。紅杉說：未來 AI 應用的核心問題，不是模型能力，而是「是否能跑起來幹活」。這場變化悄無聲息地在發生。第二節｜作業系統之戰：AI 的入口爭奪在峰會現場上，一個趨勢被頻繁提及：AI 的主語正在轉移——從「被呼叫」轉向「主動調度」。這背後，不是模型變強了，而是系統在變。誰掌握入口，誰就掌握未來的調度權。OpenAI CEO Sam Altman 在會上亮出一張時間表：「2025 年，AI 代理開始工作；2026 年，AI 將發現新知識；2027 年，AI 將進入物理世界創造價值。」這不是願景，是路線圖。他明確表示：ChatGPT 正在成為「作業系統」級存在。成年人用它搜尋，年輕人當成教練，青少年已將其當作「數字操作介面」。🔹 作業系統的定義，已經被重寫紅杉在幻燈片中指出：雲時代的 OS 是微軟移動時代是 iOSAI 時代的 OS，將不再是裝機軟體，而是任務調度系統它能記住你，理解你，代表你採取行動。這不是「多一層智能」，而是重新定義互動起點。LangChain 創始人 Harrison Chase 也提出一個全新入口概念：智能體收件箱（Agent Inbox）——是觸發萬千智能體協同工作的入口，不是聊天框，而是系統匯流排。而 Anthropic 的 Claude Code 已經不再只是生成器——它自動寫程式碼、提交、僱傭其他代理執行任務。首席產品官 Mike Krieger 的定義是：「分佈式運行環境」。這意味著，入口權已經從「你點它一下」變成「它代表你去調度系統」。🔹 誰佔據入口，誰配置資源紅杉總結得很清楚：下一代 AI 不靠下載量，不靠市場行銷，而靠記憶 + 執行建構粘性。也就是說：誰成為「使用者意圖的第一個承接者」，誰就控制了系統分配權。這一趨勢已經在產品層面顯現：OpenAI 的 GPTs 支援「任務指派式代理」Claude 借助 MCP 協議僱傭其他智能體LangChain 建構的 inbox，將一整套人機任務分配機制打通使用者不再“操作工具”，而是發出一句話：「安排一個東京出差」，AI 就自動完成航班預定、會議安排、天氣查詢和報銷流程。你看到的，不是產品，而是一套可配置的行動系統。紅杉進一步指出：企業級市場中，真正先跑出來的入口未必是通用大模型，而是 Harvey（法律）、Open Evidence（醫療）這類垂直領域智能體 OS，因為它們能聽懂行業語言，理解真實需求。第三節｜智能體經濟正在成型在閉門討論中，一個關鍵詞頻繁出現：智能體經濟（Agentic Economy）。紅杉合夥人 Konstantine 拋出一個設想：「未來的 AI，不只是彼此通訊，而是組成一個可以交換價值的系統網路。」這意味著——AI 不再只是被呼叫的模型，而是可以行動、可以決策、可以合作的經濟參與者。🔹 智能體，不是外掛，而是角色Konstantine 將其定義為三要素：持久身份：它能記住你是誰，也記得自己是誰；行動能力：能呼叫工具，發起任務，調度資源；信任協同：它和你之間，不是指令關係，而是信任契約。舉例來說：當 Claude Code 開始主動提交 PR，評估程式碼質量，協調其他智能體——它已經不是「Copilot」，而是一個具備產出責任的工程角色。OpenAI 前員工 Daniel Kokotajlo 在會上補充：「如果 Einstein v1907 擁有足夠推理資源，它可能不只是回答問題，而是自主發現科學規律。」模型不再是應答器，而是「路徑構造者」。🔹 智能體經濟，不靠指令，而靠協同隨著 AI 從「回答工具」變成「自主代理」，協作成為關鍵能力——而經濟協作，意味著新的「組織結構」也在成型：一組智能體，代理多個角色、部門，彼此交易、合作、背書；人類也開始從「控制者」變成「編排者」，設計這些智能體的職責、介面與信任邊界。這場討論在提醒我們：不要只看你的模型有多強，要看它能否作為「角色」被嵌入一個系統中。你不再是在用 AI 工具，而是在建構一張「人-智能體」共生的經濟網路圖。所以，問題不再是「智能體有多聰明」，而是：你在這個網路中，是入口、節點，還是被調度的中間層？第四節｜AI 產品，不看點選看結果過去兩年，AI 創業者最常問的問題之一是：我做出了一個功能很強的 AI 產品，為什麼使用者用完就走？而在紅杉 AI 峰會現場，索尼婭給出了一個不靠模型、不靠管道的回答：「分發物理學(physics of distribution)，變了。」在舊時代，一個產品要獲得使用者，依賴三個變數：使用者是否知道你（Attention）使用者是否理解你（Understanding）使用者是否願意用你（Adoption）這三者構成了移動網際網路時代流量分發的核心邏輯。但現在，一切正在被重寫。隨著 AI 從工具變成代理，使用者行為也隨之轉變。紅杉觀察到，使用的起點，不再是介面點選，而是任務委託；真正的價值，不是產品被打開了多少次，而是它交付了多少結果。🔹 從「使用」到「託付」：分發的本質在偏移紅杉合夥人索尼婭展示了一個關鍵訊號：ChatGPT 的 DAU/MAU 比例在 2025 年 Q1 首次逼近 Reddit，標誌著 AI 應用正在從「好奇嘗試」，進入「日常依賴」。但這種依賴，不是傳統意義上的「使用者停留」，而是一種「發出請求 → 離開 → 等待結果」的使用邏輯。不是用完了，而是交出去了。使用者不再圍繞 AI，而是把任務扔給它、讓它自己完成，然後回來收結果。紅杉稱之為：從使用介面，到委託介面。這意味著，AI 應用不再是「被操作的工具」，而是「承擔責任的系統節點」。如果你還在用「功能用得多不多」來衡量產品好不好，那你已經錯過了判斷標準的轉移。🔹 成果型產品的結構：不是能用，而是能幹完在峰會上，紅杉定義了「成果型產品」的三大判斷標準：是否能跑完一個完整任務流程：不是幫你做一部分，而是從頭到尾，交付閉環；是否能讓結果被歸因：是否能度量它帶來了什麼明確價值（節省了什麼、提升了什麼）；是否能在過程中持續學習和最佳化：是不是越用越好、越跑越穩、越交付越準。這也解釋了為什麼 Claude Code 能夠在 Anthropic 內部引爆：它不是“程式碼助手”，而是一個「獨立完成工程任務的 AI 節點」——70% 以上的生產程式碼提交，已經由它獨立完成。Open Evidence 在醫療場景也體現了同樣路徑：從「輔助醫生」變成「自動生成診斷建議 + 給付解釋 + 患者摘要」，並且全部寫入系統記錄，形成可學習的「交付鏈」。紅杉強調：真正的 AI 產品，不是「有沒有能力」，而是「有沒有結果」；不是「你點它做了什麼」，而是「它替你完成了什麼」。🔹 Doug Leone 路徑圖：從結果，到飛輪紅杉展示了一張他們非常看重的結構圖：Doug Leone 商業化路徑。從「想法」到「產品」，從「交付結果」到「建立信任」，最終進入「成果飛輪」。AI 應用正沿著這條路徑提前演進：成果不是演示效果，而是被組織預算認可的業務閉環；信任不是介面友好，而是一次次被任務委託、被組織採納；飛輪不是使用者增長，而是每一次交付都帶來更多工指派和資料積累。用紅杉的話來說：AI 結果的累積速度，將決定你公司價值增長的上限。所以今天的你，不再是「使用者增長經理」，而是「成果增長經理」；你的產品，也不是「用得多不多」，而是「跑沒跑完流程」。因為未來 AI 的分發，不靠推薦演算法，而靠「交付記錄」。你不是賣工具的人，而是交成果的人。系統能不能接住你的委託，才是下一輪定價權的起點。這就是紅杉在峰會最想傳遞的提醒：從 Attention 到 Action，AI 正在重寫整個分發邏輯。第五節｜別再調模型了，調組織結構過去一段時間，「大模型不夠用了」成了很多 AI 團隊的口頭禪。很多團隊因此陷入模型焦慮：是不是參數不夠？是不是推理慢了？是不是還得 fine-tune？但來自 Anthropic、LangChain、Fireworks 等一線實踐者的反饋卻出奇一致：不是模型不行，是你的組織、流程、工具鏈——沒有配上這類智能的運作結構。🔹 Claude Code：不是更聰明，而是更「可調度」來自 Anthropic 的 CPO Mike Krieger 在峰會上說了一句被頻繁引用的話：我們不是在讓模型變聰明，而是在讓系統變得可控、可用、可調度。他們內部 70% 以上的生產程式碼提交，已經由 Claude 完成。但關鍵不在於生成的精準率，而在於 Claude 已被納入一整條任務執行鏈中：從讀取需求文件、程式碼歷史，到生成方案、交叉驗證、提交評審每一步都有清晰的責任分配、反饋機制與自動升級路徑模型不再是「工具」，而是一個工程角色，嵌入到了組織的協作結構中。你可以說，這是把 AI 當作「數字員工」來用；但紅杉的判斷更明確——這是工程組織能力的分水嶺。🔹 LangGraph 與 Fireworks：不是拼能力，而是拼架構LangChain 創始人 Harrison Chase 在現場總結說：「我們見過太多模型很強的團隊，最後輸在流程崩塌。」為瞭解決「模型 → 任務」之間的承接問題，LangChain 提出了 Agent Graph 框架：它不是一個新模型，而是一個事件驅動的調度機制；支援多個智能體像微服務一樣協作，並行運行、失敗恢復、狀態追蹤；所有行為都有「可觀察性」，方便偵錯、記錄與迭代Fireworks AI 也在建構類似的結構化能力，不過他們聚焦在推理穩定性與行為一致性上：把推理視為「生產線」，而不是單次響應用策略調度、性能歸因、結果驗證，建立一個「推理工廠級」的可靠性標準這些工作看似是工程細節，但紅杉指出：「AI 應用不再是 prompt 的藝術，而是架構工程的勝負。」🔹 紅杉五段路徑圖：從能力到結構，從元件到網路在峰會白板上，紅杉列出了一條 AI 應用的演進路徑：LLM → 工具呼叫 → 工作流編排 → 職責委託 → 智能生態網路這五級演進，對應的是五種結構化能力：這張路徑圖背後的意思是：你不是在訓練一個更大的模型，而是在訓練一個更有組織感的協作網路。不是問“AI 能不能做”，而是問：誰來管它？它交給誰？它怎麼協同？出錯怎麼辦？資料怎麼歸因？能不能複利？這些問題，不再是工程師單獨能解決的，而是屬於 AI 架構負責人、組織設計師與任務營運者的工作範疇。未來的 AI 產品，不再是「功能演示」，而是「結構設計」。紅杉說得很直白：「如果你還在調 prompt，而沒有調結構，你的勝率已經落後。」第六節｜管理邏輯，正在被 AI 重寫當你以為這場 AI 峰會只是關於模型、系統和入口時，紅杉的第三位主持人 Konstantine 拋出了一個意想不到的關鍵詞：「隨機思維（Randomized Thinking）。」這是一次對現有組織認知模式的正面撞擊。過去幾十年，我們依賴的是工程式的因果推理：你輸入 1，就得 1；你部署一個任務，它會按預期運行；你設計的操作鏈，必須精準收口、結果可控。但 AI 智能體不是這樣運作的。「你告訴一個模型記住數字 73，它可能記住了，也可能變成了 72、37，甚至根本什麼都不記得。」這不是 bug，而是特徵。我們正進入一個計算結果存在機率波動的階段，而不是線性可復現的系統。🔹 管理範式突變：從「確定性執行」到「目標試探」Konstantine 在現場提出：「AI 不只是提升效率的工具，而是一種全新協作框架的起點。」過去的組織在追求穩定產出、精細分工和可控邊界。但未來的團隊要面對的，是全然不同的問題：我能不能描述一個模糊目標，讓智能體去嘗試、偏航、再迭代？我是否接受結果不是 100% 達成，而是 70%、80% 的進度並持續改進？我是否能設計出「人類 + AI 混合代理」共同推進任務的策略空間？這不是自動化加深的問題，而是組織感知方式的深層轉向。Konstantine 總結道：「成為一名優秀的工程經理，和成為一名優秀的工程師，是兩種完全不同的思維能力。」AI 時代的管理者不再控制一切，而是設計環境讓團隊試錯，並在變化中培養信任。對組織而言，這就像遊戲規則被徹底改寫；對個人來說，這相當於職業發展的基本邏輯被重新洗牌。🔹 槓桿上升，掌控力下降：認知臨界點已至紅杉展示了一張令人警醒的圖表：槓桿在上升，控制力在下降。他們預判：公司不再是部門之間相互配合，而是變成一個個任務自動流轉的網路個人不再只是扮演固定角色做事，而是像指揮家一樣調度各種智能工具組織結構不再是傳統的上下級匯報關係，而是轉變為多個智能體協同工作的團隊網路並大膽預測：「未來可能出現第一家‘一人獨角獸公司’（First Oneperson Unicorn）。」這不是說這個人多強，而是因為他掌握了高密度的智能代理協作邏輯， 能用一套 AI 聯合工作組完成產品研發、銷售交付、客戶服務與內容營運。紅杉稱之為：「不是你多會幹，而是你能不能用 AI 建構出一個‘不靠你親自動手也能推進的系統生物體’。」🔹 最後一道門檻，不是能力，而是心智放權紅杉在峰會最後一頁幻燈片上寫了這樣一組判斷：✅ 模型能力正在快速演進✅ 聯動機制逐漸可控✅ 人工+智能的合作介面已開啟✅ 最後一公里，是你的認知適配速度這意味著：你不需要等一個「完美的 AI」降臨，而是該問自己：你是否接受偏差、接納協同？你能否放下「每一步都掌控」的衝動，而轉向「給方向、留空間、抓反饋」的協作心法？而 AI，不再是你的工具，它正在變成你的「好夥伴」，甚至是你認知系統的一部分。AI 不再是技術，是新型經濟的起點紅杉這場閉門會，沒有模型發佈，沒有資本口號。他們只給出了一個冷靜卻深遠的洞察：AI 正在從「技術產品」，進化為一種新的經濟運行方式。它不再售賣功能，而是兌現結果；不再依賴輸入，而是主動生成價值；不再等待指令，而是協同完成任務。下一輪競爭的核心：在於建構自我驅動、持續交付的協作模式，而非僅僅利用AI做事。當你放下「人-機」的陳舊觀念，重新思考「如何定義任務、釋放信任、安排協同」時，你才真正踏入了 AI 經濟的第一公里。這，才是紅杉閉門 6 小時後，真正共識浮現的方向。 (APPSO)

第三屆紅杉資本 AI 峰會近日在美國洛杉磯落下帷幕，150 位全球頂尖 AI 創始人共話最前沿的 AGI 動向。紅杉資本合夥人 Pat Grady 認為，「下一輪 AI，賣的不是工具，而是收益。」這個觀點最近也在 AI 圈內廣為傳播。OpenAI 聯創、CEO 薩姆·奧特曼（Sam Altman）此前因休陪產假，曾一度缺席自家公司新品發佈會，終於在這場 AI 峰會上露面了。半小時左右的現場專訪中，奧特曼暢談了 ChatGPT 的來時路，以及其如何演進成個人 AI 助手的構想；分享了他反逆向思維的公司管理理念；還透露了 OpenAI 後續涉及語音互動、程式設計應用場景、定製模型等方面的發展路線。奧特曼接受紅杉資本的專訪。圖片來自：YouTube從 GPT 到 ChatGPT，只因網友太愛跟 AI 聊天與主持人簡單寒暄後，奧特曼回顧了 OpenAI 自 2015 年創辦以來的發展歷程，並把這 10 年拆分成了 6 個關鍵節點：1.OpenAI 早期 14 人團隊的第一個產品 DALL·E API（應用程式程式設計介面）問世；2.該團隊決定深入無監督學習領域，並由此搭建了 GPT-1、GPT-2 大模型，在此之前他們曾探索過自創遊戲系統、機械手等方向的可能性；3.大模型迭代到 GPT-3 後，他們發現如果繼續燒錢升級至 GPT-4，將進入「10 億美元模型」時代，所需資金已經遠超能力範圍；4.於是 OpenAI 先後嘗試通過開放 GPT-2 權重、開發 GPT-3 API，來逐步開拓營收業務，此舉收穫了不少矽谷創企的關注；5.到了 GPT-3.5 時，OpenAI 的 API 已有大約 8 個應用場景；6.受到 API 使用者商業化場景的啟發，OpenAI 的新產品 AI 聊天助手 ChatGPT 於 2022 年 11 月上線，其團隊也持續投入到搭建「能讓使用者與 AI 模型對話的產品」的工作當中。GPT-4o 版本的 ChatGPT。圖片來自：OpenAI X 帳號時至今日，不到兩年半的時間，ChatGPT 的周活躍使用者數已超 5 億人次。初步跑通 AI 聊天助手的商業模式後，OpenAI 也沒有懈怠，最近半年內動作頻頻，推出 GPT-4.1 系列模型、GPT-4.5 模型、o3 和 o4-mini 視覺推理模型、基於 GPT-4o 能力的一系列音訊模型、Deep Research 功能等。當被問到「GPT-5 會超越人類嗎」，奧特曼稱，o3 已經非常聰明了，如果你認為自己的能力遠超 GPT-3，那或許還需要一點時間。奧特曼稱 OpenAI 無大公司病，趕路一身輕OpenAI 的產品之所以能保持著較快的更新頻率，與其背後公司高層有意識減輕「大公司病」脫不開關係。正如奧特曼在此次專訪中所說的，很多公司雖然規模越做越大，但產品上新、升級的效率反而有所下降。奧特曼還進一步分享了他的團隊管理思路，他更傾向於擁有一個「小而精」、「小而美」的團隊。「自古以來就有個說法，一個好的高管，一定是一個忙碌的高管」，他說道，類似地，團隊內的每個人手頭都應該有很多事情做，每個人都有著高價值和高影響力，這樣一家公司才能一直有所成長，而不是停滯不前。他也毫不留情地調侃道：否則，公司裡會有很多人坐在房間裡，為一些無傷大雅的產品細節開會、爭吵，或高談闊論其他事情。OpenAI 關鍵人物。圖片來自：CNN而且，在他看來，這套理論對於當前大公司的 AI 轉型困境也同樣適用。奧特曼稱：「大企業在變革中總是落後，很多初創公司已經遠遠超越了他們。這是由於大企業通常受限於僵化的流程，比如每年才開一次安全委員會，而這種速度根本跟不上 AI 領域的變化。」他對此感到「失望」，卻「不意外」。同時他認為，不論是智慧型手機，還是 ChatGPT 使用方式，也有著類似的代際差異，「 20 歲左右的年輕人使用 ChatGPT 的方式，和 35 歲左右的中年人完全不同，這就像智慧型手機剛出現時那樣」。奧特曼進一步總結道：年輕人通常把 ChatGPT 當作作業系統來用，將其接入各種檔案、為其設定複雜的提示詞，甚至在做許多重要人生決定前，會先問問 ChatGPT 的意見；而年齡大一些的使用者則更多是把 ChatGPT 視作Google瀏覽器的一個替代品。目前，OpenAI 公司內部已經讓 ChatGPT 負責寫一部分關鍵性程式碼。未來，OpenAI 希望 ChatGPT 最終能勝任使用者私人 AI 助理這一角色。「我們希望持續做更多的事情，搭建一個重要的網際網路平台，讓 AI 伴隨使用者一生，並在不同類型的服務中都能提供幫助。」奧特曼還圍繞此透露了一些可能的執行路線：最佳化 ChatGPT 的核心 AI 訂閱服務，不斷升級模型，同時也會提供 API 或 SDK，以幫助其他人基於該平台創造更多價值；API 與 ChatGPT 相融合，成為使用者處理各種事務的個人 AI 助手，通過類似 HTTP 的新協議，支援資料傳輸、認證和支付，可連接不同的工具和 Agent。下一步，OpenAI 將持續發力語音互動和 Agent在公開的訪談視訊中，主持人和觀眾多次向奧特曼詢問與 OpenAI「下一步將走向那裡」相關的問題。總的來看，奧特曼提到了以下 6 大趨勢：1.語音互動：語音對於 OpenAI 來說非常重要，目前 OpenAI 的語音產品還不夠好，但會持續最佳化，未來高品質的語音模型將會帶來全新的裝置形態；2.程式設計能力：程式設計能力對於 OpenAI 來說是核心，未來模型不單單支援生成文字或圖片，還能直接生成完整的程序，幫助使用者執行操作；3.模型定製：理想狀態是一個小模型擁有極大的上下文窗口長度，能儲存使用者所有的資料和歷史操作，無需再訓練，這是 OpenAI 的長遠目標之一；4.感測器資料收集：有人已經把這些資料接入 API，部分場景呈現出的效果很好，最新的模型已經能較好地處理這些資料，未來 OpenAI 也會更加系統地整合這些資料；5.API 訪問：OpenAI 與學術界有合作項目，為其提供模型訪問服務，從而幫助社會科學和人文學科研究者探索長期未解的問題；6.演算法開發：演算法突破仍然是最高槓桿的要素，資料、算力和演算法是三大關鍵點。奧特曼回答觀眾提問。圖片來自：YouTube3 年內，AI 有望從工具人轉變為研究者，甚至自主創收奧特曼眼中的 AI 技術路線、AI 能力變革、AI 應用方向，似乎無時無刻不處於一個快速動態變化的過程之中。他分享道，未來一年，AI 發展將主要集中在3大方面，分別是 AI 基礎設施擴展，開發更聰明的 AI 模型，以及將 AI 整合到社會中。據奧特曼判斷，2025 年會是「AI Agent 承擔推理工作」的一年，也可能不止於此；2026 年有望進入 AI 做出科學發現的階段；2027 年機器人有望從研究對象變成真正的經濟創造者。OpenAI放棄用「終點」找「路徑」當然，未來的一切都是未知且富於變化的。與採用逆向工程規劃公司發展的選擇不同，在奧特曼這裡，通過「倒推」、「從果溯因」的方法來敲定一家公司的長期發展戰略，並不是一種明智的選擇。奧特曼直言：「歷史上很少有人通過這種倒推的方法實現成功。」OpenAI 不追求所謂的終極戰略，而是靈活應對當下狀況，不斷調整策略，持續產出更好的模型和產品。換而言之，OpenAI 這艘遊艇更傾向於因時而動，順勢而為。此外，當談及 OpenAI 計畫融資 400 億美元、公司投後估值或達 3400 億美元的傳聞時，奧特曼並沒有透露更多相關內容，但也沒有直接否認。 (APPSO)