近日，全球領導力論壇（2026）在中國人民大學舉辦，深入探討中國高水平開放與全球領導力人才培養，共謀全球治理未來。吉爾吉斯前總理卓奧瑪爾特·奧托爾巴耶夫（Djoomart Otorbaev）發表主旨演講時強調，通過擴大開放程度和放眼全球領導力的培養，中國不僅是在為自己做準備，也在為21世紀的全球治理作出貢獻。現將其演講實錄發佈如下：尊敬的各位嘉賓，尊敬的各位同事，女士們，先生們，大家好！我非常榮幸能夠來到中國人民大學，這是中國首屈一指的大學，我在這裡也見到了很多的新老朋友。我認為，中國成功真正的秘訣，在過去一段時間裡，與它的競爭力密切相關。這種競爭力體現在國內和國際市場。現在，中國正在邁出非常重要且非常及時的步伐，即著手為國家培養更多的人才。這些國際人才不僅可以為中國服務，還能將更多美好的理念傳遞到世界各地。中國正致力於為世界培育這些人才，並將自己定位為一個全新的全球人才樞紐，這點非常重要。同時，這個訊號也非常明確：當其他國家關上大門的時候，中國卻在有選擇、有策略地、出於長遠意圖地敞開大門。這一政策方向並非偶然，而是嵌入在更加宏大的國家框架之中。比如“十五五”規劃對此就進行了明確定義，將高水平開放作為高品質發展的重要驅動力。其核心在於意識到：在21世紀，人才不僅僅是一種生產要素，它實際上是具有決定性的變數。讓我們更加明確地說，高品質發展需要的不僅僅是資本積累，還需要個人能力、創新、制度的成熟以及全球互聯互通。而這些，無法在沒有全球視野的領導群體關鍵參與之下實現。我們也需要瞭解培養這些人才背後所需要的學科與建設體系，這也引出了我們今天討論的核心議題——全球領導力人才的培養。今天我們正在見證這一演進，即在中國人民大學牽頭、與其他機構共同成立的中國高校人才培養聯盟。具有中國特點的全球領導力人才培養模型，已經提煉出了一些關鍵要素。我會將這些要素歸納為幾個優先事項：第一，理論與實踐首次深度融合。第二，採用系統視角，而非狹隘地聚焦於單個學科，重點在於理解複雜的相互依賴的體系，包括經濟、社會、技術和環境等。第三，長期導向，關鍵在於既願意從國內經驗中學習，也願意從全球最佳實踐中學習，保持開放的態度。中國高校人才培養聯盟在成立之後就會將這些優先事項付諸實踐，當然，在這個過程中肯定會面臨諸多挑戰。吸引全球人才不僅僅是政策問題，它還需要信任、透明和可預測的制度環境。這要求在保持一致性的同時，還要具備整合不同觀點的能力，並且需要不斷適應快速變化的外部世界。但方向非常明確：在許多國家都退回到保護主義邊緣的當下——無論是在貿易、技術還是合作方面——中國正堅定地擴大開放。這不僅僅是一項國內戰略，而是關乎全球的命題。因為我們面臨的挑戰，如氣候變化、技術變革、公共衛生和經濟不穩定性，本質上都是跨國界的。你無法僅憑自身力量專注於解決任何一項剛才提到的問題，因為這些挑戰都涉及全球各個角落。因此，這是一個國際議題，正是因為存在競爭，不同領導模式各具特色，所以誰能將其定義，至關重要。我們也看到，在定義未來世界的架構當中，是繼續固守那些越來越與現實利益脫節的傳統模式，還是以一種新的方式——更加包容、更具適應性、更能反映多極世界的方式——出現？中國高校人才培養聯盟的成立表明，中國在這一變革中處於前沿地位。這是一項事業，前方的道路也是漫長曲折的。在這樣的背景之下，我們的責任就是努力實現目標。最後，讓我用一個更廣泛的思考來總結：歷史表明，全球轉型往往伴隨著知識領導力的轉變。教育和培養未來領導者，在決定由誰來領導、如何領導以及如何理解和實現領導力方面，都起著決定性作用。所以我認為，今天我們正在見證這一轉變的初期階段。通過擴大開放程度和放眼全球領導力的培養，中國不僅是在為自己做準備，也在為21世紀的全球治理作出貢獻。這項努力的成功，取決於執行情況、包容性以及能否產生更多跨國共鳴的想法。但在全球人才和領導力的競爭中，有一點是不變的：停滯不前不是我們的選項。我們必須行動起來。中國選擇有計畫、有策略地穩步前行，並且方向非常明確。這將引領我們共同邁向成功。 (人大重陽)

美國記者拋出一個燙手山芋，問川普誰會是新的經濟時代的贏家。按照他平日的做派，這幾乎是送上門來的自我表揚機會，結果他倒好，不僅沒把“美國優先”四個字甩出去，反而當著台下那群大資本家的面，認認真真地誇起了中國，這一幕直接把華盛頓那些等著聽反華高調的對華強硬派氣炸了。川普這番表態，背後藏著的可不是什麼謙虛，而是美國眼下真有些扛不住了。這場在邁阿密的經濟論壇，本來被外界看作是川普向商界喊話的常規動作，沒人想到，他會主動把話題扯到中國身上，而且一開口就打破了所有人的預期。記者的問題問得很狡猾，拿“誰是贏家”來試探，要是放到去年，川普大概會當場拍桌子，把中國拿出來貶低一通，順帶強調自己如何讓美國贏麻了。可這次不一樣，他話鋒一轉，直接告訴在場的人，要尊重中國。他把話說得很具體：從小念的商學院，讀的經濟著作，教的都是西方那套理論，可是你看看中國這些年幹出來的成績，得承認人家就是牛，這還不是那種客套式的誇，而是帶著真切的感嘆。要知道，川普這個人，嘴比誰都硬，讓他認錯，比讓他掏錢還難。他能在這種公開場合承認自己幹過“瘋事”，承認當時腦子發熱，這份量可一點都不輕。對華強硬派那邊肯定急眼了，在他們眼裡，川普應該是衝鋒陷陣的旗手，怎麼能掉過頭來誇對手呢?但事實擺在這裡，川普不是糊塗了，他是看清了。關稅這根大棒，掄得太高，砸下來的後果他比誰都清楚。去年那場貿易戰打到後面，美國自己先疼了，通膨壓不住，企業叫苦連天，農民的大豆堆在倉庫裡賣不出去。現在他又想跟中國硬碰硬，可手頭實在沒有多少籌碼了。川普對中國態度突然放軟，不是因為他突然喜歡中國了，而是因為他眼前有兩座大山壓得他喘不過氣來。第一怕，怕再打關稅戰。3月27日那天，中國商務部連發兩條公告，啟動針對美國的貿易壁壘調查。這招太準了，直接卡在川普的七吋上，美國剛搞完對幾十個國家的301調查，還沒等喘口氣，中國這邊的反制就來了。川普吃過虧，知道中國要是真動手，可不是做做樣子。上一次關稅戰打到最後，美國企業叫苦不迭，股市跟著上躥下跳，他現在根本扛不住再來一輪。第二怕，怕美軍陷入戰事的時候，亞洲那邊徹底失控。美國現在的軍事部署拉得夠散，深陷衝突沒法脫身，就在這個節骨眼上，韓國那邊李在明公開喊出要奪回戰時指揮權。這可不是小事，美軍在韓國的指揮權，那是冷戰以來美國在亞洲佈局的一塊基石，現在韓國總統當面要收回來，川普攔都攔不住。再看越南、印度、巴基斯坦，最近對美國的態度都不太客氣。川普怕的不是李在明，他怕的是中國在旁邊看著這一切，在觀察美國的破綻。亞洲一旦“地動山搖”，美國根本沒有能力兩頭兼顧。這兩個怕，一內一外，把川普逼到了牆角。他需要在言語上放軟，先穩住局面，給自己爭取喘息的時間，可問題是，光嘴上服軟沒用，真正的考驗在於實際行動。川普在邁阿密那番話，被外界解讀為對中國示弱，但冷靜下來想一想，他會不會在實際行動上做出讓步?答案很可能是不會。不是他不想，而是他不敢，現在華盛頓的政治氛圍擺在那裡，對華強硬是兩黨唯一的共識。不管是共和黨還是民主黨，誰要是敢對中國放水，回去就得被扣上“軟弱”的帽子，川普再任性，也得掂量掂量政治成本。他的基本盤吃的是“美國優先”這一套，要是他真在關鍵問題上退讓，那幫強硬派能把他吃了。還有一點，川普二次上台之後，外交風格已經定型了，就是“極限施壓”。對俄羅斯是這個套路，對歐洲也是這個套路，對中國自然也不會變，他不會別的打法了。極限施壓的精髓就在於，表面上擺出最凶狠的姿態，逼對方先退讓，現在讓他突然放下身段，跟中國坐下來好好談，他做不到，也不會去做。所以接下來很可能會出現這樣一個局面：川普嘴上說著要尊重中國，手底下該搞的動作一點不會少。軍售照賣，技術封鎖照搞，該制裁的企業一個不落，這種言行不一，不是他虛偽，而是他被自己的政治邏輯鎖死了。時間不站在美國那邊。川普越是著急，越會發現自己手裡的牌不夠打。嘴上認錯容易，真正放下身段去面對現實，才是最難的事，但可惜，華盛頓的風氣已經讓他回不了頭了。套用一句老話：將軍有劍，不斬蒼蠅。中國要做的，就是穩穩走自己的路，看著對方在原地打轉。 (時報新徵途)

大模型真正開始“幹活”，token需求或增長百倍。智東西3月27日報導，今天，在中關村論壇上，智譜CEO張鵬、月之暗面CEO楊植麟（擔任主持）、小米MiMo大模型負責人羅福莉、無問芯穹CEO夏立雪和香港大學助理教授黃超罕見同台，進行了一場圍繞開源大模型與智能體未來走向的深度對話。這場對話以當下最火的OpenClaw切入，幾位嘉賓一致認為，智能體讓大模型真正開始“幹活”了。OpenClaw可擴展大模型的能力邊界，但也對模型提出了更高要求，智譜正研究長程規劃、自我偵錯等能力，而羅福莉的團隊更關注通過架構創新把成本降下來、速度提上去，甚至實現模型自進化。基礎設施也得跟上智能體的節奏。夏立雪認為現在的算力系統和軟體架構還是給人用的，不是給智能體用的，其實是用人的操作能力限制了Agent的發揮空間。因此，我們需要打造Agentic Infra。在多位嘉賓眼中，開源是推動大模型與智能體發展的核心動力之一。香港大學助理教授黃超便認為，開源生態的繁榮是智能體從“玩一玩”走向真正“打工人”的關鍵，只有通過社區共建，才能讓軟體、資料和技術全面轉向智能體原生形態，最終形成可持續的全球AI生態。此外，幾位嘉賓還就大模型漲價、token用量爆發、AI未來12個月的關鍵詞等話題，展開討論。以下是這場圓桌論壇的核心觀點：1、張鵬：模型變大後推理成本也會相應提高，近期智譜的漲價策略其實是回歸到正常的商業價值上了，長期低價競爭不利於行業發展。2、張鵬：智能體等新技術的爆發讓token用量增長了10倍，但實際需求可能增長100倍，仍有大量需求未被滿足，因此算力仍然是未來12個月內的關鍵問題。3、羅福莉：從基座大模型廠商的視角來看，OpenClaw保證了基礎大模型的下限，拉高了上限。國產開源模型+OpenClaw的任務完成度已經非常接近Claude。4、羅福莉：DeepSeek給國內大模型廠商帶來了勇氣和信心。一些看似是“為了效率妥協”的模型結構創新引發了真正的變革，讓業界在算力一定的情況下發揮出最高的智能水平。5、羅福莉：接下來一年AGI歷程中最重要的事情是“自進化”。自進化讓大模型像頂尖科學家一樣去探索，是唯一能“創造新東西”的地方。小米已經借助Claude Code+頂尖模型，將研究效率提升10倍。6、夏立雪：當AGI時代到來時，基礎設施本身都應該是智能體，自主管理整個基礎設施，根據AI客戶的需求去迭代基礎設施，實現自我進化、自我迭代。7、夏立雪：OpenClaw引爆了token用量。如今的token消耗速度，就像當年3G時代手機流量剛起步時，每個月只有100M額度的那種感覺。8、黃超：未來很多軟體都不是面向人類的，軟體、資料和技術都會程式設計Agent-Native的形態，人類未來可能只需要使用那些“讓自己快樂的GUI”。以下是這場圓桌論壇的完整實錄：01. OpenClaw就是“腳手架” 大模型token消耗仍處於3G時代楊植麟：很榮幸今天能邀請到各位重磅嘉賓，幾位嘉賓來自模型層、算力層再到agent層。今天最主要的關鍵詞是開源，然後還有agent。第一個問題來談談現在最流行的OpenClaw。大家日常使用OpenClaw或者類似的產品有什麼覺得最有想像力或者印象深刻的點？從技術的角度來看，如何看待今天OpenClaw和相關的Agent的演進。張鵬：很早我就開始自己玩OpenClaw，當時還叫Clawbot。我自己動手來折騰，畢竟也是程式設計師出身，玩這些東西還是有一些自己的體驗。我覺得OpenClaw給大家帶來的最大突破點，或者說新鮮感就在於，它不再是程式設計師或極客們的專利。普通人也可以比較方便地使用頂尖模型的能力，尤其是在程式設計和智能體方面的能力。所以我到現在為止，跟大家在交流的過程當中，我更願意把OpenClaw稱作“腳手架”。它提供的是一種可能性，在模型的基礎之上搭起了一個很牢固、很方便，但是又很靈活的腳手架。大家可以按照自己的意願，去使用很多底層模型提供的新奇功能。原來自己的想法可能會受限於不會寫程式碼，或者沒有掌握其他的相關技能，今天有了OpenClaw，終於可以通過很簡單的交流就把它完成。OpenClaw給我帶來非常大的衝擊，或者說讓我重新認識了這件事。夏立雪：其實我最開始用OpenClaw的時候是不太適應的，因為我習慣於跟大模型聊天的交流方式，使用後我感覺OpenClaw反應好慢。但後來我意識到一個問題，就是它和之前的聊天機器人有一個很大的不同，本質是一個能幫我完成大型任務的“人”。我開始給它提交更複雜的任務，就發現其實它能夠做的很好。這件事情給我帶來很大的感觸。模型一開始按照token去聊天，到現在能夠變成一個agent，變成一個龍蝦，能夠幫你去完成任務。這件事對AI的整體想像力空間帶來很大的提升。同時，它對於整個系統的能力的要求也變得很高。這也是為什麼我一開始用OpenClaw，會覺得它有點卡。作為基礎設施層的廠商，我看到的是OpenClaw對於AI背後的大型系統和生態都帶來了更多的機遇和挑戰。我們現在所有能夠用到的資源，想要支撐起這樣一個快速增長的時代是不夠的。比如說就拿我們公司來說，我們公司從一月底開始，基本上每兩周token用量就翻一番，到現在基本上漲了10倍。上次見到這個速度，還是當年用3G手機消耗流量的時候。我有種感覺，現在的token用量，就像當年每個月只有100M手機流量的那個時代。這種情況下，我們所有的資源都需要進行更好的最佳化，進行更好的整合。讓每一個人，不僅僅在AI領域，而是在整個社會中的每一個人都能夠去把OpenClaw的AI能力用起來。作為基礎設施的玩家，我對這個時代是非常激動、深有感觸的。我也認為這裡邊有很多的最佳化空間是我們仍然應該去探索，應該去嘗試的。02. OpenClaw拉高國產模型上限 互動模式突破意義重大羅福莉：我自己是把OpenClaw當做agent框架演進過程中，一個極具革命性和顛覆性的事件來看待的。其實我身邊所有在進行非常深度coding的人，他們的第一選擇還是Claude Code。但是，我相信用OpenClaw的人會感受到，它在Agent框架上的很多設計是領先於Claude Code的。最近Claude Code有很多更新其實都是在向OpenClaw去靠近。我自己使用OpenClaw時的感受是，這個框架給我自己帶來更多是想像力的隨時隨地的擴展。Claude Code最開始只能在我的桌面上去延展我的創意，但是OpenClaw可以隨時隨地去延展我的創意。OpenClaw帶來的核心價值主要有兩點。第一點是它開源。開源這件事，非常有利於整個社區深度參與進來，重視並推動這個框架的演進，這是一個很重要的前置條件。像OpenClaw這樣的AI框架，我覺得一個很大的價值在於，它把國內那些水平雖然接近閉源模型、但還沒完全追上的模型的上限拉到了很高。在絕大多數場景下，你會發現它（國產開源模型+OpenClaw）的任務完成度已經非常接近Claude的最新模型。同時，它又很好地把下限保證了——通過一套Harness系統，或者說借助它的Skills體系等多方面的設計，保障了任務的完整度和精準率。總結一下，從基座大模型廠商的開發者角度來看，OpenClaw保證了基礎大模型的下限，拉高了上限。此外，我認為它給整個社區帶來的另一個價值是，它點燃了大家的認知，讓大家發現在大模型之外，Agent這一層其實蘊藏著非常大的想像空間。我最近也觀察到，社區裡除了研究員之外，越來越多的人開始參與到AGI的變革中來，更多人開始接觸像Harness、Scaffold這樣更強大的Agent框架。這些人某種程度上是在用這些工具替代自己的一部分工作，同時也是在釋放自己的時間，去投入到更有想像力的事情上。黃超：我覺得首先從互動模式來講，OpenClaw這次之所以能火，第一個原因可能是它給了一種更有“活人感”的體驗。其實我們做Agent也有一兩年了，但之前像Cursor、Claude Code這些Agent，給人的感覺更多是一種“工具感”。而OpenClaw第一次以“即時通訊軟體嵌入”的方式，讓人更有一種接近心目中“個人賈維斯”的感覺。我覺得這可能是互動模式上的一個突破。另外一點，它給整個社區帶來的啟發是：像Agent Loop這種簡單但高效的框架，再次被證明是可行的。同時，它也讓我們重新思考一個問題：我們到底是需要一個全能型的、能做所有事情的超級智能體，還是需要一個更好的“小管家”，像一個輕量級的作業系統或腳手架？OpenClaw帶來的思路是，通過這樣一個“小系統”或者說“龍蝦作業系統”和它的生態，讓大家真正有“玩起來”的心態，進而撬動整個生態裡的所有工具。隨著Skills、Harness這類能力的出現，越來越多的人可以去設計面向OpenClaw這類系統的應用，去賦能各行各業。我覺得這一點天然就跟整個開源生態結合得非常緊密。在我看來，這兩點是我們獲得的最大啟發。03. GLM新模型專為“幹活”打造 漲價是對正常商業價值的回歸楊植麟：想問一下張鵬。最近看到智譜發佈了新的GLM-5 Turbo模型，我理解在Agent能力上做了很大的增強。能不能給大家介紹一下這個新模型和其他模型的不同之處？另外我們也觀察到有提價的策略，這反映了什麼樣的市場訊號？張鵬：這是個很好的問題。前兩天我們確實緊急更新了一波，這其實是我們整個發展路標中的一個階段，只是提前把它放了出來。最主要的目的，是從原來的“簡單對話”轉向“真正幹活”——這也是大家最近普遍感受到的：大模型不再只是能聊天，而是真的能幫人幹活了。但“幹活”背後隱含的能力要求非常高。模型需要自己去做長程的任務規劃、不斷試錯、壓縮上下文、偵錯，還可能要處理多模態資訊。所以它對模型能力的要求，和傳統面向對話的通用模型其實不太一樣。GLM-5 Turbo就是在這些方面做了專門加強，尤其是你提到的——讓它幹活、跑上七十二小時，怎麼能夠不停地loop，這裡邊我們做了很多工作。另外大家也很關注token消耗的問題。讓一個聰明的模型去幹複雜任務，token的消耗量是巨大的。普通人可能感知不深，但看帳單的時候會發現錢掉得特別快。所以我們在這方面也做了最佳化，在面臨複雜任務時，模型能用更高效的token效率去完成。總體上，模型的架構還是多工協同的通用架構，只是在能力上做了偏向性的加強。提價這件事其實也很好解釋。剛才說了，現在不再是簡單地問一個問題就得到一個回答，背後的推理鏈路非常長。很多任務要通過寫程式碼和底層基礎設施打交道，還要不斷debug、修正錯誤，消耗量非常大。完成一個複雜任務需要的token量，可能是原來回答一個簡單問題的十倍甚至百倍。所以價格上需要有一定的提升，模型也變大了，推理成本相應提高了。我們把它回歸到正常的商業價值上，因為長期靠低價競爭也不利於整個行業的發展。這也是我們讓商業化能形成一個良性閉環，持續最佳化模型能力，給大家提供更好服務的。04. 打造更高效token工廠 基礎設施本身也應該是Agent楊植麟：現在開源模型越來越多，也開始形成生態，各種模型可以在不同的算力平台上給使用者提供更多價值。隨著 token用量的爆發，大模型也正在從訓練時代走向推理時代。想請教一下立雪，從基礎設施的層面來看，推理時代對於無問來說意味著什麼？夏立雪：我們是一家誕生在AI時代的基礎設施廠商，現在也在為智譜、Kimi、Mimo等提供支援，讓大家能把token工廠更高效地用起來。同時我們也在跟很多高校、科研院所合作。所以我們一直在思考一件事：AGI時代需要什麼樣的基礎設施？以及我們怎麼一步步去實現和推演它。我們現在對短期、中期、長期不同階段需要解決的問題，已經做好了充分準備。當前最直接的問題，就是大家剛才聊到的——整個Open帶起來的token量暴增，對系統效率提出了更高的最佳化需求。包括價格的調整，其實也是在這個需求下的一種應對方式。我們一直是通過軟硬體打通的方式來佈局和解決的。比如我們接入了幾乎所有種類的計算晶片，把國內十幾種不同的晶片和幾十個不同的算力叢集統一連接起來。這樣能解決AI系統裡算力資源緊缺的問題，資源不足時，最好的辦法就是先把能用上的資源都用起來，然後讓每一個算力都用在刀刃上，發揮出最大的轉化效率。所以在這個階段，我們要解決的就是怎麼打造一個更高效的token工廠。這裡邊我們做了很多最佳化，包括讓模型和硬體上的視訊記憶體等各種資源做最優適配，也在看最新的模型結構和硬體結構之間能不能產生更深的化學反應。但解決當前的效率問題，其實只是打造了一個標準化的token工廠。面向Agent時代，我們認為這還不夠。因為Agent更像一個人，可以交給它一個任務。我堅定地認為，當前很多雲端運算時代的基礎設施，是為服務一個程序、服務人類工程師設計的，而不是為AI設計的。這相當於我們做了一個基礎設施，上面是給人用的介面，再在上面包一層去接入Agent，這種方式其實是用人的操作能力限制了Agent的發揮空間。舉個例子，Agent能做到毫秒等級去思考和發起任務，但像K8s（kubernetes）這類底層能力，其實並沒有為此做好準備，因為人類發起任務大概是分鐘級的。所以我們需要更進一步的能力，我們把它叫“Agentic Infra”，也就是“智慧化的token工廠”，這是無問芯穹在做的事情。更長遠地看，真正AGI時代到來時，我們認為連基礎設施本身都應該是智能體。我們打造的這套工廠，也應該是能自我進化、自我迭代的，能形成一個自主的組織。它相當於有一個CEO，這個CEO本身就是一個Agent，可能是OpenClaw，去管理整個基礎設施，然後根據AI客戶的需求自己去提需求、迭代基礎設施。這樣AI和AI之間才能更好地耦合。我們也在做一些探索，比如讓Agent之間更好地通訊、做Cache to Cache這樣的能力。所以我們一直在思考的是，基礎設施和AI的發展不應該是一個隔離的狀態——我接到需求就去實現，而是應該產生非常豐富的化學反應。這才是真正意義上的軟硬協同、演算法和基礎設施的協同，也是無問芯穹一直想實現的使命。謝謝。05. “為效率妥協”的創新也有意義 DeepSeek給國內團隊帶來勇氣和信心楊植麟：接下來想問一下福莉。小米最近通過發佈新模型、開源背後的技術，對社區做出了很大的貢獻。想問你，小米在做大模型方面，你覺得有什麼獨特的優勢？羅福莉：我覺得可以先拋開小米有什麼獨特優勢這個話題，我更想聊一聊中國做大模型的團隊整體上的一個優勢。我覺得這個話題有更廣泛的價值。大概兩年前，中國的基座模型團隊已經開始了非常好的突破——我們在有限的算力、尤其是在一些NVLink互聯頻寬受限的算力條件下，怎麼去突破這些低端算力的限制，做一些看似是“為了效率妥協”的模型結構創新，比如DeepSeek V2、V3系列，以及MoE、MLA等等。但後來我們看到，由這些創新引發的是一個變革：在算力一定的情況下，怎麼發揮出最高的智能水平。這是DeepSeek給國內所有基座模型團隊帶來的勇氣和信心。雖然今天我們的國產晶片，尤其是推理晶片，以及訓練晶片，已經不再受這種限制，但正是在這種限制下，催生了我們對更高訓練效率、更低推理成本的模型結構的新探索。就像最近出現的Hybrid Sparse、Linear Attention這類結構，比如DeepSeek的NSA、Kimi 的KSA，小米也有面向下一代結構的HySparse。這些都是區別於MoE這一代結構的、面向Agent時代去做的模型結構創新。我為什麼覺得結構創新如此重要？其實大家如果真正地去用OpenClaw，會發現它越用越好用、越用越聰明。其中一個前提是推理的上下文長度。長上下文是一個我們聊了很久的話題，但現在真正有模型能在長上下文下表現很好、性能強勁、推理成本很低嗎？其實很多模型不是做不到1M或10M的上下文，而是因為推理1M、10M的成本太貴了、速度太慢了。只有把成本降下來、速度提上去，才能把真正高生產力價值的任務交給模型，才能在這種長上下文下完成更高複雜度的任務，甚至實現模型的自迭代。所謂模型的自迭代，就是它可以在一個複雜環境裡，依靠超長的上下文完成對自我的進化。這種進化可能是對Agent框架本身的，也可能是對模型參數本身的——因為我認為上下文字身其實就是對參數的一種進化。所以怎麼實現一個長上下文的架構，怎麼在推理側做到長上下文高效推理，是一個全方位的競爭。除了我剛剛提到的預訓練階段做好long-context-efficient的架構——這大概是我們一年前就開始探索的問題。現在真正要做到在長程任務上的穩定性和高上限的效果，是我們在後訓練階段正在迭代的創新範式。我們在想怎麼構造更有效的學習演算法，怎麼採集到真實環境下、在1M、10M、100M上下文裡真正具有長期依賴關係的文字，以及結合複雜環境產生的軌跡資料。這是我們後訓練正在做的事情。但更長期來看，由於大模型本身的飛速進步，加上Agent框架的加持，就像立雪說的，推理需求在過去一段時間已經有近十倍的增長。那麼今年整個token用量的增長會不會到100倍？這裡邊又進入另一個維度的競爭——算力，或者說推理晶片，甚至再往下到能源。所以我覺得，如果大家一起思考這個問題，我可能會從大家身上學到更多。謝謝。06. Agent有三大關鍵模組 多Agent爆發將帶來衝擊楊植麟：非常有洞察的分享。下面想問一下黃超，你開發過像Nanobot這樣很有影響力的Agent項目，也有很多社區的粉絲。想問你從Agent的Harness或者應用層面來看，接下來有那些技術方向是你覺得比較重要、值得大家關注的？黃超：我覺得如果把Agent的技術抽象出來，關鍵就是Planning、Memory和Tool Use這幾個模組。先說Planning。現在的問題主要是在長程任務或者非常複雜的上下文中，比如500步甚至更長的步數，很多模型不一定能做很好的規劃。我覺得本質上是模型可能不具備這類隱性知識，尤其是在一些複雜的垂直領域。所以未來可能需要把各種複雜任務的知識固化到模型裡，這可能是一個方向。當然，Skill、Harness在某種程度上也在緩解Planning帶來的錯誤，因為它提供了高品質的Skill，本質上也是在引導模型去完成一些比較難的任務。再說Memory。Memory給人的感覺是，它好像總是存在資訊壓縮不精準、檢索不准的問題。特別是在長程任務和複雜場景下，Memory的壓力會暴增。現在像OpenClaw這類項目，大家用的其實都是最簡單的檔案系統式的 Markdown格式的Memory，通過共享檔案來做。未來Memory可能會走向分層設計，也需要讓它變得更通用。老實講，現在的Memory機制很難做到通用——因為Coding場景、Deep Research場景、多模態場景，它們的資料模態差別很大，怎麼對這些Memory做好的檢索和索引，同時又保持高效，這永遠是一個權衡。另外，現在OpenClaw讓大家建立Agent的門檻大幅降低之後，未來可能不止一個“龍蝦”。我看到Kimi也有Agent Swarm這樣的機製出來，未來每個人可能會有“一群龍蝦”。相比於單個龍蝦，一群龍蝦帶來的上下文暴增是可以想像的，這對Memory的壓力會非常大。現在其實還沒有一套很好的機制去管理這種“一群龍蝦”帶來的上下文，尤其是對複雜Coding、科研發現這類場景，不管是模型還是整個Agent架構，壓力都很大。再說Tool Use，也就是Skill這塊。Skill現在存在的問題，其實和當初MCP的問題類似——MCP當時有質量不保障、安全風險等問題。現在Skill也一樣，看似有很多Skill，但高品質的很少，低品質的Skill會影響Agent完成任務的精準度。另外還有惡意注入的問題。所以從Tool Use來看，可能需要靠社區把整個Skill生態做得更好，甚至讓Skill能在執行過程中自我進化出新的Skill。總的來說，從Planning、Memory到Tool Use，這些是當下Agent存在的一些痛點，也是未來可能的方向。07. 未來12個月關鍵詞： 生態、可持續token、自進化與算力楊植麟：可以看到兩位嘉賓從不同視角討論了一個共同的問題——隨著任務複雜度增加，上下文會暴漲。從模型層面可以提升原生上下文長度，從Agent Harness層面，像Planning、Memory、Multi-Agent這樣的機制，也能在特定模型能力下支援更複雜的任務。我覺得這兩個方向接下來會產生更多化學反應，進一步提升任務的完成能力。最後我們來一個開放式的展望。請各位用一個詞來描述接下來12個月大模型發展的趨勢以及你的期望。這次先從黃超開始。黃超：12個月在AI這個領域看起來好遙遠，都不知道12個月之後會發展成什麼樣。楊植麟：本來這裡寫的是五年，我改掉了。黃超：對，哈哈。我想到的一個詞是“生態”。現在OpenClaw讓大家很活躍，但未來Agent真的要成為“打工人”，而不只是大家玩一玩、圖個新鮮感。未來應該讓它真正沉澱下來，成為搬磚的工具、成為真正的coworker。這需要整個生態的努力，尤其是開源，把技術探索和模型技術都開源出來之後，需要整個社區一起共建——不管是模型的迭代，還是Skill平台的迭代，還有各種工具，都需要更好地面向龍蝦去創造生態。一個比較明顯的趨勢是，未來的軟體還會是給人用的嗎？我相信未來很多軟體可能都不一定是面向人類的——因為人類需要的是GUI，而未來可能是面向Agent原生的使用。有趣的是，人可能只去用那些讓自己快樂的GUI。而現在整個生態又從GUI、MCP轉到了CLI的模式。這就需要生態把軟體系統、資料、各種技術都變成Agent Native的形態，這樣整個發展才會更加豐富。羅福莉：把問題縮小到一年，我覺得非常有意義。如果五年的話，從我心目中AGI的定義來看，我覺得已經實現了。所以如果用一句話描述接下來一年AGI歷程裡最關鍵的事情，我認為是“自進化”。這個詞聽起來有點玄幻，過去一年大家也多次提到。但我最近對它有更深的體會，或者說對“自進化”怎麼做，有了更務實、更可行的方案。原因在於，有了強大的模型之後，我們在Chat範式下根本沒有發揮出預訓練模型的上限，而Agent框架把這個上限啟動了。當我們讓模型執行更長時間的任務時，發現它可以自己去學習和進化。一個簡單的嘗試是：在現有的Agent框架裡給它加上一個可驗證的條件限制，再給它設一個Loop，讓模型不停地去迭代最佳化目標，就會發現它能持續拿出更好的方案。這種自進化現在其實已經能跑一兩天了，當然跟任務難度有關。比如在一些科學研究上，像是探索更好的模型結構，因為模型結構有評估標準，比如更低的PPL。在這種確定性的任務上，我們發現它已經能自主最佳化和執行兩三天了。所以從我的角度看，自進化是唯一能“創造新東西”的地方。它不是替代我們現有的人的生產力，而是像頂尖科學家一樣，去探索世界上還沒有的東西。一年前我會覺得這個時間線要拉到三到五年，但最近我覺得確實應該縮小到一到兩年。可能很快我們就能用大模型疊加一個強大的自進化Agent框架，實現對科學研究至少指數級的加速。最近我已經發現，我們組裡做大模型研究的同學，他們的workflow是高度不確定、高度創造性的，但借助Claude Code加上頂尖模型，我們的研究效率已經提升了近十倍。我很期待這種範式輻射到更廣泛的學科和領域，所以我覺得“自進化”非常重要。夏立雪：我的關鍵詞是“可持續token”。我看到整個AI的發展還在一個長期持續的過程中，我們也希望它有長久的生命力。從基礎設施的角度看，一個很大的問題是資源終究是有限的。就像當年講可持續發展一樣，我們作為一個token工廠，能否持續、穩定、大規模地提供token，讓頂尖模型真正能為更多的下游服務，是我們看到的一個很重要的問題。我們需要把視角放寬到整個生態——從能源到算力，再到token，最終到應用，形成可持續的經濟化迭代。我們不僅要把國內的各種算力用起來，也在把這些能力輸出到海外，讓全球的資源都能打通和整合。我也覺得“可持續”其實是在把中國特色的token經濟學做起來。過去我們講Made in China，把中國低價的製造能力變成好的商品輸出到全球。現在我們要做的是“AI Made in China”——把中國在能源等方面的優勢，通過token工廠可持續地轉化成優質的token，輸出到全球，成為世界的token廠。這是我今年想要看到的、中國給世界的人工智慧帶來的價值。張鵬：我就簡短一點。大家都在仰望星空，我就落地一點。我的關鍵詞是“算力”。剛才也說了，所有技術、智能體框架讓大家創造力和效率提升了十倍，但前提是大家能真正用得起來。你不能一個問題提出去，讓它思考半天也不給答案，那肯定不行。也因為這樣，很多研究的進展、很多想做的事情都會受阻。前兩年我記得有位院士在中關村論壇上說了一句話：“沒卡沒感情，談卡傷感情。”我覺得今天又到了這個地步，但情況又不一樣了。現在我們進入了推理階段，需求真的在爆發——十倍、百倍地增長。剛才你說用量漲了十倍，那其實需求可能是一百倍呢？還有大量的需求沒被滿足，怎麼辦？我們大家可能一起來想想辦法。 (智東西)

大家好，今天很高興有機會分享我們在做開源模型和不斷訓練更好的大模型過程中的最新進展和思考。其實做大模型本質上是把能源轉化成智能。轉化的過程中，最重要的事情是規模化。也就是說，把儘可能多的能源，經過算力和模型，變成更多的、更高程度的智能。本質上，規模化定律（Scaling Law）是過去若干年，所有的模型和 AI 發展的一個很重要的基礎。當然，規模化並不是代表我們只是去暴力地增加能源，或者去暴力的增加算力，而是涉及到我們如何有效地規模化。我們會從三個維度去思考如何提高效率：首先是提升 Token 效率。它代表的是從同樣的資料中能夠學到多少智能。因為這個世界上的有效高品質資料，其實是一個常數，或者說是一個非常有限的值。如果你有更好的網路架構，或者有更好的最佳化器，那麼你就可以從有限的資料裡學到更多的智能。第二是擴展上下文長度。更長的上下文能力，意味著模型可以學會處理更複雜的任務。為此，我們設計了新的網路架構 Kimi Linear 和專門的訓練資料，來提升模型在長上下文時的表現。第三是 Agent 叢集。我們在最新模型 Kimi K2.5 中提出了一種新的規模化的方法，就是通過引入多個 Agent，讓很多個 Agent 可以一起去工作，形成 Agent 叢集。通過這種方式提升 AI 能完成的任務複雜度。這是我們 K2.5 Agent 叢集的一個內部測試結果。橫坐標是任務複雜度，縱坐標是執行時間，如果我們用這種單一 Agent 的方式工作，可以看到隨著任務複雜度逐漸提升，完成時間是指數增加的。如果你需要做一個非常複雜的任務，比如從頭去寫一個程式碼倉庫，去實現一個很複雜的功能，需要幾天甚至幾周的時間。但如果我們能夠平行，比如說開啟 100個 Agent 同時去做這個任務，然後在過程中它們會互相協作，互相協調和規劃接下來應該做的事情，就跟人類的組織一樣，那麼隨著任務複雜度的增加，執行時間其實沒有太大的變化。這意味著你可以在單位時間內去完成更加複雜的任務，使得原來一些完全不可能實現的任務變得有可能。就像一家公司，如果你想做一個非常艱難的事情，完成一個很複雜的使命，比如說從 0 到 1 建造一家 100 億或者 1,000 億美元的公司，那麼你只靠一個人，可能要 100 年才能做出來，那你在市場上是沒有競爭力的，但這個時候如果你有100 或者 200 個非常聰明的人，能一起協作，那就有可能在短時間內完成。通過 Agent 叢集能力，我們可以實現規模化的輸入，比如說你可以同時去調查幾百個不同的資料來源，在各種權威的資料來源裡面尋找答案；你也可以做規模化的輸出，比如說你可以通過閱讀這些資料來源，去撰寫一個幾百頁的論文；以及去規模化的執行或規模化的編排，去提升模型能處理的任務複雜度。同時，我們非常注重研發更好的底層網路架構。這是我們最新開放原始碼的模型架構，叫做注意力殘差（Attention Residuals）。這項技術主要的靈感來自於 10 年前的技術 Resnet， 或者叫殘差網路連線。在十年之前，其實沒有任何人有辦法去訓練深度的神經網路。直到何凱明等研究者引入殘差網路，可以讓模型去訓練幾十、幾百層的網路，可以任意的增加層數。這種殘差結構，其實可以認為是 LSTM 網路的一個變種，只是說 LSTM 是應用在時間的維度上，殘差網路更多體現在網路深度上，使得每一層可以用上一層的輸出，然後做一個函數的處理，得到當前這一層的輸出。我們把類似的思路做一個自然的泛化，把注意力機制這種計算模式做 90 度的旋轉，從原來只是應用在時間軸上，現在我們可以把它應用在深度上。把注意力應用到深度上有很多好處，比如不僅僅只是基於前一層的輸出來進行計算，而是可以去結合之前的所有層的輸出進行計算，這樣在最佳化網路架構性能的時候就有非常多好處。這是我們整個注意力殘差的架構圖。左邊是標準的殘差結構，右邊是我們提出來並開放原始碼的殘差結構。然後，我們也設計了基於塊狀的殘差結構，使它能夠非常高效地實現。基本上在只有 2% 額外成本的情況下，就大幅度提升了效果。就像我剛才說的，大模型的第一性原理是規模化定律（Scaling Law），但我們不僅僅只是去暴力的做規模化，而是希望我們在規模化的同時也能夠去提升效率，所以我們一直致力於研發更強的模型架構。比如像 Adam 最佳化器或者像 Attention 架構、殘差連接這些都是有了 10 餘年歷史的技術。在電腦領域，十年其實是非常長的時間。過去十年的時間裡面，沒有任何人能夠去挑戰這些技術，大家都把它當成一個標準。但隨著現在算力的提升和大家研發方式的變化，從原來的偏學術，單純從想法（idea）出發的研究，到變成現在更加重視與工程的結合，然後可以設計非常紮實的規模化驗證實驗，從而得到非常紮實的結論。因此，很多以前認為是標準的東西，現在都可以被挑戰。我們看到，開源模型正在逐漸成為新的標準。這是幾張從剛剛結束的輝達 GTC 2026 大會上，黃仁勳的主題演講中裡面摘取的幻燈片。可以看到，以 Kimi K2.5 為代表的開源模型，已成為全世界所有晶片廠商測試硬體性能的基準：如果發佈新的晶片，就會通過 Kimi 或者其他開源模型來評測晶片性能提升幅度。現在，全世界很多研究機構也在用 Kimi K2.5 或其他的開源模型去進行研究。我們通過開源，讓每一個企業、每一個研究者、每一個終端使用者，都能以非常低門檻獲取智能，是一個非常重要的事情。同時我們做的很多重要的創新，包括我剛提到的新的架構也是開放的，可以被任何人所獲取。最終，大家能夠去形成一個開源生態系統，一起推動 AI 領域的發展。最後想跟大家分享，從模型訓練的角度看，大模型領域仍在快速發展，現在的研發方式跟兩三年之前會有很大不同：2023 年和 2024 年，大家主要使用「天然」資料。也就是從整個網際網路獲取的資料，加上一些少量的人工標註，比如去標註某一條資料是不是符合價值觀或者偏好。2025年，大家更加重視搭建大規模的強化學習系統。但要靠人篩選高品質任務，然後在這些任務上做強化學習得到更好的效果。可以看到，在程式設計或者數學領域上得到的能力提升，主要就來自於這種技術路線。從 2026 年開始，包括接下來的若干年時間內，整個 AI 研發的方式會發生重大變化：更多由 AI 去主導研究。每個研究員會配備非常多的 AI Token， 然後這些 AI 的 Token 可以幫你去合成新的任務，幫你合成新的環境，幫你定義在這個環境下面最好、最合適的獎勵函數是什麼。甚至可以去幫你探索新的網路架構可能長什麼樣。因此，整個 AI 的研發也會逐漸加速。我們希望也能夠跟整個開源社區一起，打造更好的生態系統，不斷把技術往前推進，加速探索智能的上限。感謝大家。 (深科技)

赤裸裸的交易型秩序對所有人都意味著麻煩Jonathan Ernst/ 路透社本月，加拿大總理馬克·卡尼（Mark Carney）登上達沃斯世界經濟論壇的講台，對國際秩序作出了直率的判斷。他指出，幾十年來，西方國家一邊宣揚所謂“基於規則的體系”，一邊心知肚明這套體系充滿虛偽：它們高舉自由主義理想，卻屢屢豁免自身遵守；鼓吹自由貿易，卻選擇性地執行；口口聲聲講國際法與人權，卻對盟友與對手區別對待。“我們參與了這些儀式，卻大多迴避指出言辭與現實之間的鴻溝，”卡尼承認。這套體系之所以尚可容忍，是因為它提供了穩定，也因為美國雖奉行雙重標準，卻仍提供了其他西方國家所依賴的公共產品。但用卡尼的話說，“這筆交易如今已不再奏效。”卡尼稱之為國際體系的“斷裂”，其根源正是這筆交易的崩塌。強國——尤其是唐納德·川普總統治下的美國——不僅拋棄了維繫國際秩序的規則，也放棄了其行為應受原則指導這一偽裝。卡尼正確地指出，某種根本性的東西已然改變。但他呼籲中等強國和新興大國停止對一個破碎體系空喊口號時，低估了當這種“偽裝”消失後，隨之而去的還有什麼。卡尼堅稱，即便“基於規則的秩序”整體衰落，像加拿大這樣的小國仍可堅守某些自由主義價值觀。然而，中等強國究竟如何完成這項“搶救任務”仍完全不明朗，更不清楚在美式秩序留下的廢墟之上，是否真能誕生一種新的、以價值觀為基礎的國際機制。這令人擔憂。一個強國不再感到有必要為其行為提供道德辯護的世界，並非更加誠實——而是更加危險。當大國被迫以道德語言為其行為辯解時，弱國便獲得了槓桿：它們可以訴諸共同標準、援引國際法，並要求言行一致。但一旦連“原則”的表象都不必維持，強國便可為所欲為，只知自己僅會受到他國實力的制約。由此滋生的不穩定，最終連強者也無法倖免。虛偽的一點幫助虛偽在國際政治中長期扮演著雙重角色：它既在大國之間滋生怨恨與不信任，也通過迫使各國對其宣稱堅守的道德標準負責，從而約束權力。整個冷戰期間，美國以民主與人權的語言為其在國際秩序中的領導地位辯護，儘管其實際行動常與這些理想相去甚遠。這種虛偽並非無人挑戰。盟友與不結盟國家都曾反覆引用美國自己的話語，批評其行為，要求其在實踐中與其所倡導的原則保持一致。這種壓力產生了切實成果。例如，1975年，面對國內外的審視，美國國會成立了丘奇委員會（Church Committee），調查情報機構的行為，包括其海外秘密行動。該委員會的調查結果重塑了對美國情報活動的監督機制。這種壓力延續至冷戰後時代。2003年美國入侵伊拉克時，以國際法和大規模殺傷性武器威脅為由進行辯護。但隨著武器從未被發現，這些論點徹底崩塌。國際社會對入侵的強烈反彈，恰恰是因為華盛頓聲稱自己是在“基於規則的秩序”內行事。類似動態後來也出現在美國在多國使用無人機打擊的問題上。隨著歐巴馬、川普等數屆政府擴大無人機項目，國際法學者、盟友及公民社會組織紛紛援引美國對正當程序和法治的承諾，要求對其殺戮行為問責。作為回應，華盛頓發展出法律理據，收緊打擊目標標準，並接受了對其無人機使用地點與方式更嚴格的政治審查。虛偽所提供的約束始終是不完美的。美國的權力依然佔據上風。但“必須辯解”——至少維持原則性行動的表象——這一義務製造了摩擦。它賦予弱國一種抵抗的語言，也讓大國行為即使不完全、也多少需對超越赤裸利益的某種東西負責。無道德的美國近年來，這種動態已急劇弱化。當前時代的決定性特徵，並非美國違背了它曾倡導的原則，而是它越來越不再覺得有必要以這些原則為其行動辯護。過去歷屆政府尚以法律、合法性或普世自由價值的話語包裝美國權力，而如今的華盛頓則以赤裸裸的交易語言為其外交政策辯護。這一轉變在川普首個任期內已清晰可見。2018年，當他退出《聯合全面行動計畫》（即伊朗核協議）時，並未聲稱德黑蘭違反了國際規範，或協議危及地區穩定，而是簡單斥之為“對美國不利的壞協議”。同樣，在沙烏地阿拉伯記者賈邁勒·卡舒吉（Jamal Khashoggi）遇害事件後，川普為維持美沙關係辯護時，並非訴諸戰略必要性，而是強調軍售和就業給美國帶來的經濟利益。在這兩起事件中，華盛頓並未否認基本事實，而是直接否認需要道德正當性。在其第二任期內，川普徹底拋棄了正當化語言。當他因丹麥等七個歐洲盟友反對他收購格陵蘭島的企圖而威脅對其加征關稅時，他並未以共同利益或聯盟義務為由，而是明確將其視為一種施壓手段——一項旨在搾取領土讓步的交易性要求。同樣，2025年2月，川普發佈行政命令制裁國際刑事法院（ICC），並非因其質疑ICC的法律權威或提出替代問責框架，僅僅因為ICC調查了他的盟友、以色列總理本雅明·納坦雅胡（Benjamin Netanyahu）。這些行為並非以更高目的或必要性為由對既有原則的“違反”，而是赤裸裸的利益宣示，連原則的偽裝都已拋棄。華盛頓在制定外交政策時拒絕援引原則，從根本上改變了弱國與之抗爭的條件。批評者可以譴責川普政策粗鄙或自私，卻難以指責其“虛偽”——因為當美德的宣稱本身已被放棄，言行之間便不再存在差距。權力不再訴諸普世原則，而是主張特殊權益。其結果不僅是外交風格更趨強硬，更是美國行使權力的根本邏輯發生轉變——關鍵在於，他人抵抗這種權力的方式也隨之改變。再無道德高地乍看之下，放棄道德辯護似乎解決了長期存在的問題。如果虛偽損害信譽並招致反彈，那麼拒絕道德主張似乎是一種更高效的權力行使方式。當純粹的物質與政治利益佔上風時，不再需要為聲譽付出代價。一些觀察家歡迎這種轉變。巴西資深外交官塞爾索·阿莫林（Celso Amorim）就曾表示，川普“沒有虛偽”，只有“赤裸而原始的真相”，這讓各國能擺脫對美國真實動機的幻想，直接談判。但效率是有代價的。當大國不再感到有必要為其行為辯護時，過去圍繞合法性展開的爭論，越來越多地變成對槓桿力的測試。制裁便是典型例證。在舊秩序下，實施制裁的一方需解釋其措施如何針對具體違規行為，並符合共同規則。2015年歐巴馬政府談判達成伊朗核協議時，詳細列舉了伊朗違反《不擴散核武器條約》及聯合國安理會決議的行為，並將協議呈現為一個可核查的法律框架。而今天，大國可單純為推進自身利益而實施制裁。例如，2025年8月，川普對印度加征50%關稅，並非因為印度違反貿易協定，而是因他對新德里拒絕其在印巴緊張局勢中擔任調停人的提議感到個人不滿。在此類體系中，討價還價取代說服，服從更多依賴脅迫而非共識。國際政治失去了可用於協商爭端的語言，使強者得以隨心所欲地決定結果。這種轉變對最強大的國家而言或許看似可控——它們能輕易施加成本並承受反彈。但對全球體系整體而言，卻更具破壞性。失去虛偽所帶來的約束壓力後，權力運行的緩衝與中介機制減少，一種赤裸的等級秩序浮現，合作更難維繫，衝突更易升級。中等強國，巨變來臨這一轉變的成本並非均攤，其影響甚至波及美國自身利益。最明顯的後果體現在美國與全球南方的關係上：共享標準與道德正當性的消失，正使華盛頓更難通過制度管理衝突，而只能依賴其槓桿力。冷戰後大部分時期，訴諸共同規則使全球南方國家能在不使爭端淪為純粹實力較量的情況下，抗衡美國施壓。巴西的經歷頗具代表性。作為貿易自由化的後來者，巴西長期抵制全球自由貿易規則。但一旦加入該體系，便學會利用規則謀利。21世紀初，作為主要棉花生產國，巴西以美國通過補貼國內棉花產業違反世貿組織（WTO）義務為由，在WTO框架內發起訴訟。華盛頓敗訴，被迫作出讓步。這場爭端在雙方共同接受的國際法律框架內展開，既維護了雙邊關係，又擴大了貿易。與之形成鮮明對比的是今日美國對巴西的貿易政策。2025年，川普對巴西出口商品大範圍加征關稅，並非基於貿易違規，而是報復巴西國內政治事態——特別是司法部門對川普政治盟友、前總統雅伊爾·博索納羅（Jair Bolsonaro）採取行動（後者曾試圖推翻選舉結果但失敗）。巴西並未訴諸多邊貿易規範，而是轉而降低對美依賴，並暗示其稀土儲備可成為談判籌碼。局勢緩和僅在美國在巴西有重大利益的企業向白宮施壓後才出現。美國與其最親密盟友的關係也呈現同樣轉變。數十年來，德國等國之所以接受與華盛頓的不對稱夥伴關係，正是因為共同原則、規則與制度使其能在國際體系中發聲。多邊主義並未消除美國主導地位，但軟化了它。二戰後西德（1990年後為統一德國）與美國的關係正是建立在此邏輯之上。深度嵌入北約與全球貿易體系的德國領導人，依靠法律、制度與程序主義來管理與華盛頓的不對稱關係。爭端被框定為共同秩序內部的辯論，而非權力對抗。1970年代，當美國向波恩的西德政府施壓，要求限制向開發中國家出口核技術時，波恩通過《不擴散核武器條約》和核供應國集團接受了限制，將商業利益置於兩國共同認可（儘管由美國主導）的防擴散規範之下。這種做法使其能在保持關鍵盟友身份的同時，有選擇地抵制美國權威。然而，隨著華盛頓停止以自由價值觀和規範為其行動辯護，這一平衡已被打破。川普以赤裸裸的交易語言向德國施壓：關稅被當作槓桿，次級制裁威脅與能源政策掛鉤，安全承諾被重新定義為“保護服務”。德國的回應是減少對美依賴：加倍推進歐洲產業政策，投資能源與防務自主，並多元化與其他國家的夥伴關係。柏林正在為自己構築一道屏障，以應對一個美國權力僅靠槓桿運作、依賴華盛頓反而成為弱點的世界。加拿大面臨類似困境。川普已威脅對加拿大徵收懲罰性關稅，並要求其放棄獨立能源政策以迎合美國利益。更甚者，川普多次暗示加拿大應成為美國第51個州。與德國一樣，加拿大也開始降低對華盛頓的依賴，加速多元化貿易夥伴，並加強與其他大國的聯絡。兩國都在追求某種“戰略自主”——在美國不再以共享規範自我約束的背景下，努力維護決策獨立性。這正是卡尼在達沃斯演講中所指出的新國際“斷裂”的核心特徵：基於規則的秩序崩潰後，即使最親密的美國盟友也不得不將美國視為一個需加以避險（或如加拿大所面臨的，需加以防範）的強權，而非一個受共同原則約束的夥伴。告別一切道德對美國而言，放棄道德正當性的影響是嚴峻的。這种放棄不僅侵蝕美國的優勢，更觸發其夥伴的戰略多元化，而這可能瓦解美國曾主導的體系。美國權力的獨特成就，從來不是支配本身，而是將支配轉化為其他國家的真正認同。僅靠交易維繫的聯盟或許能存續，但更為脆弱，在最需要領導力時更難動員。失去原則的語言，美國也就失去了使其權力強加於人變得可被接受的能力。虛偽的消失可能被誤認為進步。它或許讓人感覺更誠實，終結了雙重標準、作秀與自欺。但虛偽曾在國際秩序中發揮結構性作用，而這一秩序如今正被拆除。通過宣稱以共同原則之名行事，強國使自己暴露於質疑之下。這種脆弱性賦予弱國槓桿，使盟友能在不導致關係破裂的前提下管理不對稱，並幫助將支配轉化為他國即便不滿也能接受的東西。當然，這並非主張恢復一個已不復存在的世界。基於規則的秩序從未如其所宣稱的那般有原則，虛偽常常掩蓋不公，如同約束權力一樣。但通過假裝以普世價值之名行事，強國至少承認了這些價值的重要性。當強國不再感到有必要為其權威正名時，曾經依靠共識維繫的國際體系，便退化為一個權力不受約束的世界，衝突將更頻繁且更難控制。虛偽的悖論在於：它在賦能權力的同時也限制了權力。美國很可能終將發現，赤裸的支配，遠比一個雖有缺陷、卻曾讓他人有理由相信的秩序更難維繫。 (邸報)

時間：2026 年 1 月地點：達沃斯世界經濟論壇人物：Demis Hassabis (Google DeepMind CEO) / Emily Chang (Bloomberg)在 2026 年達沃斯的聚光燈下，剛獲得諾貝爾獎的 Demis Hassabis 看起來並沒有顯露出勝利者的輕鬆。相反，這位 Google DeepMind 的掌舵人形容自己處於“每周 100 小時、每年 50 周”的極限工作狀態中。面對 Bloomberg 主持人 Emily Chang，Hassabis 拋出了一個震動全場的判斷：AI 帶來的變革規模將是工業革命的 10 倍，而發生速度將是工業革命的 10 倍——乘在一起，這是一場 100 倍於工業革命的劇變。這場訪談不僅是對 Google 過去一年技術反擊戰的復盤，更涵蓋了 AGI 時間線、中美競爭、機器人奇點以及後稀缺世界的哲學困境。第一章：Google 的反擊與“全端”自信訪談的起點是 Google 剛剛發佈的Gemini 3。2025 年底，Gemini 3 Pro 的發佈以及隨後的 Flash 版本更新，在技術圈引發了巨大的震動，甚至據傳引發了 OpenAI 內部的“code red”——這與三年前 ChatGPT 問世時 Google 內部的反應如出一轍。“過去一年是極其艱苦的一年，”Hassabis 坦承。他並沒有迴避 Google 曾經面臨的被動局面，但他強調團隊已經適應了新的世界規則：“我們找回了創業公司的能量，快速發佈、快速迭代。”對於 Gemini 3 和圖像模型 Imagen 的表現，他表示“非常滿意”。當被問及 Google 的護城河時，Hassabis 展現了少有的強硬。他指出，外界可能低估了 Google“從第一性原理”建構的優勢。“我們可能是唯一擁有完整技術堆疊的組織，”Hassabis 分析道，“從底層的 TPU 和資料中心，到雲業務、前沿實驗室，再到數十億使用者使用的搜尋、信箱和 Chrome。這些產品天然適合 AI 的落地。”他更是拋出了一組資料來捍衛 DeepMind 的歷史地位：“過去十年，Google 和 DeepMind 發明了現代 AI 行業所依賴的大約 90% 的突破性技術——Transformer、AlphaGo、深度強化學習，都在其中。”第二章：物理世界的“AlphaFold 時刻”如果說大模型是數字世界的爭奪，那麼機器人則是物理世界的戰場。2026 年初，Boston Dynamics 與 Google DeepMind 的重磅合作成為 CES 的焦點。Gemini 的多模態能力被植入 Atlas 機器人，並在現代汽車的工廠中進行測試。Hassabis 認為，我們正處於物理智能（Physical Intelligence）突破的臨界點，但他給出的時間表相對審慎：“大概還需要 18 到 24 個月。”阻礙並非僅僅來自軟體。Hassabis 分享了一個有趣的細節：“當你深入研究機器人時，你會對人類的手產生全新的敬畏。”進化所設計的機械結構的靈巧度、力量和可靠性，是目前硬體難以企及的。但他描繪的願景十分清晰：Gemini 從設計之初就是原生的多模態模型。未來一兩年內，當演算法（需要更少資料）和硬體（尤其是機械手）同時突破，我們將看到機器人能“可靠地”在現實世界執行任務——那將是物理世界的奇點。第三章：技術大辯論——回應 LeCun、Sutskever 與 Musk作為 AI 領域的頂層設計者，Hassabis 在訪談中回應了關於技術路線的三大爭議，立場鮮明。1. 關於 Transformer 是否是死胡同（回應 Yann LeCun）：針對 Yann LeCun 關於“LLM 是通往 AGI 的死胡同”的觀點，Hassabis 直言“那是顯然錯誤的”。“它們已經如此有用。我認為有 50% 的機率，僅僅通過擴展（Scaling）加上一些調整就足以實現 AGI。”即使不是全部，LLM 也必然是最終系統的核心元件。當然，他也補充說，Google 正在全力研發“世界模型”（World Model），比如 DeepMind 的Genie項目。2. 關於“研究時代”是否結束（回應 Ilya Sutskever）：Ilya 曾表示 Scaling 時代結束，行業回歸“研究時代”。Hassabis 糾正了這種二元對立的看法：“我們從未離開過研究時代。”他強調，DeepMind 一直在做“深層研究”。如果未來需要新的架構突破，他押注 DeepMind 依然會是那個發明者。3. 關於“奇點”是否已來（回應 Elon Musk）：對於 Musk 聲稱“我們已進入奇點”的言論，Hassabis 投了反對票。“這太早了。奇點是完全 AGI 的代名詞，而我們距離那個標準還有很多工作要做。”第四章：AGI 時間線與“參差不齊的智能”Hassabis 堅持了他對 AGI 的預測：2030 年前，有 50% 的機率實現。但他定義的 AGI 標準極高：“不只是解決問題，而是提出問題。”他以科學發現為例，指出當前的系統還無法像頂尖科學家那樣，在未知領域建構假設。對於當下的 AI 能力，他提出了一個精準的概念：“參差不齊的智能”（Jagged Intelligence）。“現在的系統在某些方面表現驚人，在另一些方面卻非常糟糕。如果你想把任務完全委託給 AI（Agent 模式），而不是像現在這樣把它當副駕駛，你需要的是全面的一致性。”只有填平這種“參差不齊”，實現持續學習（Continual Learning）和長程規劃，AI 才能真正從“輔助工具”進化為“自主智能”。第五章：地緣政治與 DeepSeek 的崛起針對一年前中國公司 DeepSeek 帶來的衝擊，Hassabis 的態度顯得冷靜而理性。“我認為西方的反應是大規模過度反應（Massive Overreaction）。”雖然承認字節跳動等中國公司可能只落後 6 個月，且非常擅長追趕，但他指出了一個關鍵區別：“他們目前更多是在西方模型的基礎上進行微調或借鑑。到目前為止，中國公司尚未展示出超越前沿進行原始創新的能力。”但他並未掉以輕心，坦言中國擁有強大的工程能力和追趕速度。第六章：後稀缺世界的哲學困境訪談的最後，話題轉向了終極問題：當 AI 解決了能源（核聚變）、材料和生產力問題，人類將進入一個“後稀缺世界”。相比於 Dario Amodei 預測的“5 年內 50% 白領失業”，Hassabis 的短期預測更為溫和，但他承認，長期來看，這不僅僅是就業問題，而是“意義危機”。“我比擔心經濟更擔心意義。”Hassabis 說道。“當工作不再是必須，我們從那裡尋找目的感？”他認為，經濟分配問題最終是一個政治問題，是可以被解決的。但人類心理上的空缺，需要“新的偉大哲學家”來指引。在這個未來圖景中，他給年輕人的建議是掌握 “元技能”——即“學會學習”（Learning to Learn）；給企業家的建議則是選擇那些有著正確價值觀的合作夥伴。尾聲：凝視深淵的人這場訪談最動人的一刻，發生在這位諾貝爾獎得主談論自己“退休計畫”的時候。如果 AGI 真的建成，如果所有實際問題都被解決，Hassabis 想做什麼？“我想去探索物理學的極限。”他說。即便掌管著全球最強大的 AI 實驗室，在凌晨 4 點無法入睡的時刻，困擾他的依然是那些最古老的問題：現實的本質是什麼？時間是什麼？引力是什麼？“這些深刻的謎題幾乎在向我尖叫，”Hassabis 說，“我驚訝於更多人竟然不去思考這些。”對於 Demis Hassabis 而言，比工業革命大 100 倍的變革只是手段，他的終極目標，始終是解開宇宙那個名為“智能”的鎖，然後用它去打開所有其他的門。 (京墨AI研習社)

作為這個世界上最懂AI的人，Demis Hassabis 在達沃斯接收採訪，關於人工智慧（AI）未來、Google 的戰略以及社會影響的核心觀點如下。核心觀點Google 的重新崛起與全端優勢Google 已通過 Gemini 3 系列模型回到了技術的前沿，並適應了快速發佈產品的“初創公司能量”。Hassabis 強調 Google 是唯一擁有“全端”能力的組織，涵蓋了從 TPU 硬體、資料中心、雲業務到前沿實驗室（Google DeepMind）以及擁有數十億使用者的產品線（如搜尋、郵件、Chrome）。對中國競爭的理性看待他認為西方對來自中國的競爭存在過度反應，雖然像字節跳動這樣的公司極具能力且可能僅落後前沿約 6 個月，但他們很大程度上依賴於對西方模型輸出的微調。目前尚未觀察到中國公司能做出超越現有前沿的自主創新。AGI 的時間線與高門檻定義他維持 2030 年有 50% 機會實現 AGI 的預測。他為 AGI 設定了極高的標準，即系統必須展現人類所有的認知能力，特別是在科學創造力（如能夠提出科學假設而非僅是解決問題）和線上持續學習（即時學習）方面的能力。物理智能與機器人的突破他認為物理智能正處於突破邊緣，預計在 18 個月到 2 年內，機器人將能可靠地在現實世界執行任務。目前的挑戰在於演算法需要更強的穩健性，以及硬體上（尤其是手部）難以匹配人類進化的靈活性和力量。技術路徑與縮放法則他不同意“縮放法則（Scaling）”已經終結，也不認為 Transformer 或大語言模型是“死胡同”。他預測 AGI 的實現可能還需要在世界模型（如 Google 的 GENI 系統）、推理和長期規劃等領域取得少於五個的關鍵性突破。社會影響與人類適應他將 AI 革命比作工業革命，但規模大 10 倍且速度快 10 倍（綜合影響達 100 倍）。儘管這會帶來職業取代的壓力，但他相信人類具有極強的適應能力，並鼓勵下一代成為“AI 原生民”，利用這些工具獲得“超能力”。科學發現的終極工具Hassabis 的個人熱情在於利用 AI 加速科學發現，他將 AI 視為“終極科學工具”，類似於更高級的望遠鏡或顯微鏡。即使 AI 做出諾貝爾獎等級的發現，他仍認為榮譽應歸屬於通過這些工具投入創意和假設的人類科學家。安全、信任與國際合作他倡導建立類似 AI 領域的“國際 CERN”進行科學合作，以決定如何利用技術造福人類。他認為應通過行動和領導者的動機（如 Google 的科學文化背景）來判斷是否值得信任。採訪視訊連結油管：https://www.youtube.com/watch?v=BbIaYFHxW3YB站：https://www.bilibili.com/video/BV1DuzjBZEMv/?spm_id_from=333.337.search-card.all.click&vd_source=806ae2cead4c4e9790a58d15b64b1bbe完整的問題及回覆如下（AI整理）問：很高興見到你。答：我也很高興見到你。問：我們在舊金山見過。 我知道你無處不在。 我很好奇今年在達沃斯的感覺是否與你上次在這裡時有所不同。 Gemini 3 已經發佈了。 我們聽過那個開場白。 我在內部稱之為“紅色程式碼”。 你覺得 Google 找回它的狀態（Mojo）了嗎？答：嗯，我不確定這是否該由我來評價，但我感覺我們度過了非常好的一年。 為了讓我們的技術和模型回到世界領先水平，我們付出了極其艱辛的努力。 我認為我們通過 Gemini 3 尤其是影像軟體上的成果做到了這一點。 同時，我也認為我們也適應了快速發佈產品的新世界。 為我們的工作注入了某種初創公司的活力。問：你認為人們是否低估了 Google，或者誤解了什麼？答：是的，也許吧。 我不確定。 我的意思是，我認為我們一直擁有站在這一領域最前沿的所有要素。 顯然，我們在這方面有悠久的歷史。 我認為在過去的十年裡，Google 和 DeepMind 之間，我們發明了現代 AI 行業依賴的大部分突破性技術。 最著名的如 Transformers，還有 AlphaGo、深度強化學習等。 我們擁有驚人的產品表面，擁有數十億使用者的服務。 實際上，從搜尋到電子郵件再到 Chrome，AI 與這些產品是天然契合的，關鍵是將所有這些整合在一起並以正確的方式組織起來。 我認為我們在過去的幾年裡已經做到了這一點，雖然還有很多工作要做，但我認為我們開始看到這些努力的果實了。問：如果你認為自己有優勢，你認為你的優勢有多大？ 能持續多久？答： 嗯，我認為在我看來，一切都始於研究。 尤其是模型在所有不同基準測試中處於世界領先水平。 這就是我們將 Google 和 DeepMind 整合在一起時首先關注的目標。 我認為對於 Gemini 系列，我對它的進展感到非常滿意。 那裡還有很多工作要做。 但我認為我們是唯一一個擁有“全端”能力的組織，從 TPU 硬體、資料中心、雲業務、前沿實驗室，到所有這些與 AI 天然契合的神奇產品。, 所以從基本原理來看，在結構上，我們應該做得非常好。 而且我認為實際上未來還有很大的提升空間。問：我想知道一個處於前沿模型領域的 CEO 的一天是怎樣的。 比如我讀到你大部分的思考是在凌晨 1 點到 4 點進行的。 是的，那是對的。 公司內部有過不是“紅色程式碼”的時候嗎？ 比如，你感到過舒適嗎？答：不。 你永遠不會感到舒適。 我是說，我們嘗試（保持常態），“紅色程式碼”是針對非常特殊的情況的。 但我可以表達，在過去的三年、四年裡，工作強度一直難以置信。 每周工作 100 小時，一年工作 50 周，這就是常態。 我認為在面對這種發展極其迅速的技術前沿時，你必須這樣做。 外部競爭非常激烈。 這可能是技術史上最激烈的競爭。 而且賭注極高，涉及 AGI 及其在商業和科學上的所有意義。, 此外，如果你加上我們所做的事情帶來的所有興奮感——正如你所知，我的熱情是利用 AI 探索科學問題，加速科學發現本身。 這是我一生夢寐以求的事情，我畢生致力於 AI 的工作都是為了這一刻。 所以有時很難入睡，因為有太多工作要做。 但同時也因為有這麼多令人興奮的事情可以去研究和推動。問：我知你非常專注於驅動科學進步，比如發現新材料。 我們甚至看到 Gemini 被整合進人形機器人。 物理世界的“AlphaFold 時刻”已經到來了嗎？ 那是什麼，看起來又是怎樣的？答： 是的，在過去的一年裡，我確實花了很多時間仔細研究機器人技術。 我確實認為我們正處於物理智能突破時刻的邊緣。 我仍然認為我們離實現它還有大約 18 個月到 2 年的時間。 我們需要進行更多的研究。 但我認為像 Gemini 這樣的基礎模型指明了前進的方向。 從一開始我們就讓 Gemini 具備多模態能力，這樣你就可以出於多種原因理解物理世界。 一個原因是我們想要建構一個通用助手，它可能存在於你的眼鏡或手機中，能夠理解你周圍的世界。 但當然，第二個用途就是用於機器人。 那麼物理世界的那個時刻看起來像什麼？ 我認為它是讓機器人能夠在現實世界中可靠地執行有用的任務。 我認為目前還有一些事情在阻礙其發展。 部分原因是演算法還不夠完善，它們需要更多的穩健性。 它們必須能在比實驗室或純數字模型更少的資料下工作。 在數字世界你可以建立合成資料，但在物理世界製作這類資料要困難得多。 而且硬體中仍然存在一些未解決的問題，特別是手臂和手。 實際上，當你仔細研究機器人技術時，你會對人類的手產生一種全新的欣賞——至少我是這樣——以及進化是如何將其設計得如此精妙的。 這太不可思議了，很難匹配人類手所擁有的可靠性、力量和靈活性。 所以在我看來，還有相當多的碎片需要拼湊。 但也有非常令人興奮的事情。 我們剛剛宣佈了與 Boston Dynamics 的一項新的深度合作。 他們有一些非常令人興奮的機器人。 我們正在將其應用於汽車製造領域。 我們將在接下來的一年裡觀察其原型階段的表現。 也許在一兩年內，我們將會有一些真正令人印象深刻的、可以大規模推廣的演示。問：一年前，中國在 AI 領域的競爭對西方來說似乎是災難性的。 現在一年過去了，它變得安靜了。 中國似乎變得更安靜了。 是的。 你對來自中國的競爭看法改變了嗎？答： 並沒有。 我從一開始就不認為那是災難性的。 我認為西方對此反應過度了。 雖然它確實令人印象深刻。 我認為它表明中國人非常有能力，他們的頂尖公司，我認為像字節跳動這樣的公司，實際上是我認為最有能力的，他們可能只落後前沿 6 個月，而不是落後一兩年。 所以我認為這就是他們所展示的。 關於他們使用的算力極少等說法有些言過其實，因為他們依賴於一些西方模型，並針對一些領先西方模型的輸出進行微調。 所以那並不是完全自主研發的。 我認為到目前為止另一件尚未被觀察到的事情是，中國公司能否在這一前沿領域實現超越自身的創新。 他們正在追趕，非常擅長追趕前沿所在的位置。 但我認為他們尚未展示出能夠超越前沿進行創新的能力。問：你協助定義了 AGI。 你曾說我們有 50% 的機會在 2030 年實現它。 這還是你的時間表嗎？答： 是的。問：AGI 對你來說仍然是一個有用的目標嗎？答： 我認為是。 我認為在我的時間表上這是一個非常好的目標，雖然它比其他一些人的預測稍長。 但我的門檻很高。 它指的是一個系統展示出人類擁有的所有認知能力。 我認為我們目前顯然離那還很遠。 這意味著像科學創造力這樣的事情，不僅僅是解決一個問題，而是最初就能提出假設或發現問題。 正如任何科學家所知，找到正確的問題往往比找到答案難得多。 現有的系統目前還不具備這種能力。 我認為它們最終會具備，但目前還不清楚還需要什麼。 還有像持續學習、線上學習這類事情，要超越它們接受培訓的內容，它們需要能夠隨時隨地進行學習。 所以在我看來，還有相當多缺失的能力，這些對於我所認為的 AGI 系統來說至關重要。問：Google 是 Anthropic 的主要投資者，Dario 之前也在這裡。 你是否同意或反對他的預測，即 AI 將在五年內抹去 50% 的入門級白領工作？答： 我認為我的看法是時間會更長一些。 我的意思是，我認為我們今年開始看到入門級工作或實習這類工作的萌芽。 但我認為我們需要解決更多的一致性問題，而目前的系統還沒有做到這一點。 我稱之為**“參差不齊的智能”，我們在某些事情上做得非常好，而在其他事情上卻非常糟糕。 當前的系統就是這樣。 如果你想要將一整項任務交給一個代理（Agent）去處理，而不是像我們今天這樣擁有輔助程序，你需要更全面的一致性。 它僅僅能完成 95% 的任務是不夠的。 你需要它能夠勝任整項工作，這樣你才能真正實現“放手不管”。 所以我認為在看到那種程度的顛覆之前，還有相當多的工作要做。 但那種顛覆最終會發生，這是肯定的。 我認為在極限情況下，有了 AGI，它會改變整個經濟。 但除了工作問題，我認為如果我們能正確建構它，我們將進入一個“後稀缺”世界。 在那裡我們解決了一些世界的基本瓶頸，比如能源來源、新型清潔可再生能源，基本上是免費的。 如果我們在 AI 的幫助下解決了聚變（Fusion）等問題，或者新材料，我認為在 AGI 之後的五到十年，我們將處於一個極其富足的世界。 那麼這意味著經濟如何運行，社會如何運作？問：實際上，在我們進入“後稀缺”世界之前，如果真能到那一步，中間過程充滿了焦慮。 我是一個母親，我知道你也有孩子。 比如，對於他們，你最擔心什麼？ 你和他們談論什麼？ 你告訴他們即將到來的是什麼？ 我剛聽到很多人說，天那，大學畢業生將面臨非常艱難的時期。答： 嗯，我不確定。 聽著，我認為這將是一個劇烈變革的時代，就像工業革命一樣，可能是工業革命的 10 倍規模，這種程度是難以想像的。 我通常描述它是 10 倍大、10 倍快。 工業革命用了 100 年，現在可能只需要 10 年，所以是它的 100 倍（速度與影響）。 我對每個人都這麼說，但我認為這伴隨著巨大的機遇。, 而且我也非常堅信人類的聰明才智。 我們極具適應能力，因為我們的思維是非常通用的。 人類的思維非常通用。 我們適應了周圍的現代世界。 我們原本屬於狩獵採集者的思維已經成功建構了現代文明。 所以我認為我們會再次適應。 我認為這有一點前所未有，因為它的速度太快了。 通常這種轉變需要一兩代人的時間。 但我認為現在的孩子們，我會鼓勵他們變得非常精通這些新工具並成為“原生民”，這幾乎等同於賦予了他們超能力。 在創意藝術領域，你可能一個人就能完成過去需要十個人才能完成的工作。 我認為這意味著，如果你具有企業家精神，如果你在遊戲設計、電影或項目方面有創意，你可能更容易完成更多工作並突破這些行業。 比起過去作為新人的門檻要低得多。問：一些人倡導暫停研發，以給監管留出追趕的時間，給社會留出調整的時間。 在一個完美的世界裡，如果你知道所有其他公司都會暫停，所有國家都會暫停，你會倡導這樣做嗎？答： 我想是的。 我一直公開表示我希望看到的情況。 15 年前當我創辦 DeepMind，或者說 25 年前開始從事這方面工作時，我的路線圖一直是：當我們接近 AGI 到來的臨界時刻，我們也許可以以科學的方式進行合作。, 我有時會談到建立一個 AI 領域的國際 CERN 等效機構，讓世界上所有最頂尖的頭腦一起合作。 以非常嚴謹的科學方式完成最後幾步，讓全社會都參與進來，可能包括哲學家、社會科學家、經濟學家以及技術專家，來弄清楚我們想從這項技術中得到什麼，以及如何利用它。 從而造福全人類。 我認為這就是賭注所在。 不幸的是，這確實需要國際合作，因為即便西方決定這樣做，除非全世界都同意至少達成某種最低標準，否則沒有用。 而且你知道，目前國際合作有點棘手。 所以如果我們想要對通往 AGI 的最後步驟採取嚴謹的科學方法，這種情況必須改變。問：所以如果 AGI 在 2030 年到來，而我們還沒有建立好監管，我們是否註定會面臨困難？答： 嗯，到那時，我仍然樂觀地認為，主要的參與者之間會有足夠的溝通，並希望至少在安全和安保協議上進行合作。 已經有很多這樣的合作了。 例如，我們在這些方面與 Anthropic 合作非常緊密。 如果國際層面的合作行不通，那麼就需要更多類似的基於同行的合作。問：這會涉及到像 Sam (Altman) 這樣的人與你合作嗎？答： 潛在地，我認為我與幾乎所有領先實驗室的領導者都保持著非常良好的關係。 我認為如果賭注足夠高，很大程度上取決於理解賭注是什麼以及風險是什麼。 我認為在接下來的兩三年內，這對每個人來說都會變得更加清晰。問：讓我們談談技術和下一個曲線。 Yann LeCun 說他不認為 Transformer 和大語言模型單獨能帶我們走向 AGI。 你同意還是反對？答： 是的。 不，我不同意它們是死胡同。 我認為這種說法顯然是錯誤的。 我是說，它們已經極其有用了。 但我的看法是，這是一個經驗性的問題。 僅僅通過調整現有的方法並擴大規模是否足夠，這是一個科學問題。 我認為只有 50% 的機會是足夠的。 也許是吧。 你必須這樣做。 而且我認為那是很有用的工作，因為至少在我看來，這些大語言模型將成為最終系統的一個組成部分，一個極其重要的組成部分。 我腦海中唯一的問題是，它是唯一的元件嗎？ 我可以想像還有一兩個突破，也許是少量的，從這裡開始還需要不到五個突破，對吧？ 那麼，這些可能是像世界模型（world models）之類的東西。 那是我談論過的我們正在研究的東西。 事實上，我們目前擁有最好的世界模型，即我們的 GENI 系統。 我直接參與了那項工作，我認為它非常重要。 此外還有持續學習，以及擁有沒有這些參差不齊邊緣的連貫系統。 通用系統不應該有這些。 所以我認為，更好的推理、更長期的規劃，還有相當多的能力仍然缺失。 究竟是需要新的架構、新的突破，還是僅僅是現有的更多嘗試，這仍然是一個懸而未決的問題。, 從我的角度，從 Google DeepMind 的角度來看，我們正在這兩方面盡最大努力推動：既發明新事物，也擴大現有事物的規模。問：Ilya Sutskever 說過，擴大規模和通過更大的模型來實現改進的時代快要結束了。 這是你同意的嗎？ 他的原話是“我們回到了研究時代”。答： 我不同意。 我很愛 Ilya，我們是很好的朋友。 但我的觀點是，我們從未離開過研究時代，至少從 DeepMind 的角度來看是這樣。 我們一直在投資。 在我看來，我們一直擁有最深厚、最廣泛的人才儲備，Google 和 DeepMind 在一起確實如此。 在過去的十年裡，我們發明了現代工業所依賴的約 90% 的突破。 當然，最著名的 Transformers，還有深度強化學習、AlphaGo 這種技術。, 我們開創了所有這些。 所以如果未來需要一些新的突破，我會賭我們，就像過去一樣，成為做出那些突破的人。問：最後，同意還是反對——埃隆（Elon Musk）說我們已經進入了奇點。答： 不，我認為這太早了。 我認為奇點是完全 AGI 到來的另一種說法。 我之前解釋了為什麼我認為我們離那還遠。, 我認為我們會到達那裡。 但我認為在出現任何看起來像奇點的事物之前，仍有很多工作要做。問：跟我們談談現在 Google 內部的文化，為了贏得這場比賽但要以正確的方式去做。 領導層。 Larry 和 Sergey 現在的參與度有多高？ 你多久和他們談一次話，他們的優先順序是什麼？答： 是的，他們非常投入。 Larry 更多在戰略層面。 我在董事會會議上以及訪問矽谷的其他時候見到他。 Sergey 則更親力親為，他參與了程式碼編寫，具體是在 Gemini 團隊中，更多地涉及演算法細節。 看到他們兩個都對我們所處的階段充滿活力，這太棒了。 誰不會呢？ 這一刻對於電腦科學來說絕對是不可思議的時刻。 所以純粹從科學的角度來看，他們兩位都是科學家，這是人類歷史上極其令人興奮的一刻。, 所以當然，每個人都想親力親為並深入參與。 那太棒了。 對我們這個實體而言，我正嘗試結合許多世界的最佳部分。 比如快速發佈產品、承擔風險的初創公司能量，我想你正看到這些帶來的好處。 大公司的資源也是非常有用的，但同時還要為長期的研究和探索性研究保護空間。 而不僅是研究三個月後能交付到產品中的東西。, 我正在嘗試平衡所有這些不同的因素。 在過去的一年裡，事情進展順利。 但我對我們的軌跡非常滿意。 我認為它是整個行業中改進和進步最陡峭的。問：你是一位諾貝爾獎得主，我知道你對 AI 驅動科學研究有多痴迷。 如果 AI 本身做出了諾貝爾獎等級的發現，你認為你應該得獎嗎？答：是 AI 還是人類？ 我認為還是人類。 因為這取決於你所說的“完全自主”是什麼意思。 就目前而言，這些仍然是工具。 我將它們視為，也許是終極的科學工具，但就像是更好版本的望遠鏡和顯微鏡。 我們一直是製造工具的動物，這就是人類區別於其他動物的地方。 那就是超能力，當然我把電腦也包括在內。 而 AI 是這一點的終極表達。 所以在某些方面，我一直認為 AI 是進行科學研究的終極工具。 而且在可預見的未來，這將是與頂尖科學家的合作，由人類投入創意和假設，利用這些驚人的工具來增強資料處理、模式匹配和科學探索。問：你顯然本可以把 DeepMind 賣給任何人。 我認為所有這些公司都要求我們給予很大的信任。 尤其是如果監管趕不上技術的發展。 為什麼？ 我們為什麼要信任你？ 為什麼你認為 Google —— 我隱含地認為你相信它是我們最應該相信的地方？答： 是的。 我認為你需要通過這些公司的行動來判斷它們，也要看參與這些努力的領導者的動機。 對我而言，這也是我選擇 Google 作為 DeepMind 的歸宿的幾個原因之一。 主要原因是 Google 的創始人以及 Google 建立的方式使它本質上是一家科學公司。 很多人忘了 Google 本身就是一個博士項目，它是 Larry 和 Sergey 的項目。 所以我感到與他們有一種天然的親近感。 Larry 主導了收購，還有董事會，他們召集的董事會成員。 你看，John Hennessy 是主席，他本身就是圖靈獎獲得者。, 還有 Frances Arnold，另一位諾貝爾獎獲得者。 這些人出現在公司董事會上是不尋常的。 所以整個環境非常具有科學色彩，以科學、研究和工程為文化導向，這根植於文化深處。 這意味著在最高水平上從事科學，意味著要非常嚴謹、深思熟慮，並在任何可能的地方應用科學方法。 我認為這不僅體現在技術上，也體現在作為一個組織的運作方式上。 所以我覺得，我們非常努力地做到深思熟慮和負責任。 最後一件事我想說的是，我被 Google 嘗試在世界上做的事情所吸引，組織全球資訊是一個非常崇高的目標。, 我認為這與 DeepMind 的使命——解決智能問題並用它來解決其他一切——是天然契合的。 這兩個使命宣言是天然契合的。 AI 和組織全球資訊自然相輔相成。 而且我認為 Google 廣為人知的產品，如地圖、Gmail 和搜尋。 我認為它們是世界上真正有用的產品，而 AI 是一個很容易融入的環節。 想像如何利用 AI 增強這些產品，讓每個人的日常生活都能受益。 我認為這對世界是一件好事。問：好吧，那麼在“後稀缺”世界，人們不再有工作，一旦你實現了所有的技術目標，你個人打算如何安排你的時間？ 研究正在自我自動化，對吧？答：嗯，我很樂意利用它。 在奇點之後我將做的是，利用它探索物理學的極限。 那是我在學校裡最喜歡的科目，關注那些大問題。 比如，現實的結構是什麼？ 現實的本質是什麼？ 意識的本質是什麼？ 費米悖論的答案是什麼？ 所有這些事情，時間是什麼？ 引力是什麼？ 對我來說，這些問題總是在對我尖叫：這些深奧謎團的答案是什麼？, 我想使用 AI 來探索所有這些事情，也許在 AI 解鎖的新能源和材料的幫助下前往星際旅行。問：如果我們沒有工作，我們還會有意義和目標感嗎？答： 嗯，說實話，比起經濟問題，我更擔心這件事。 我認為經濟更像是一個政治問題，即當我們獲得所有這些額外的收益和生產力時，能否確保它為了每個人的利益而共享。, 但更大的問題是，我們許多人從工作和科學事業中獲得的目標感和意義感呢？ 在新世界裡我們將如何尋找它？ 我認為我們需要一些新的偉大的哲學家來幫助思考這個問題。 也許我們將通過藝術和探索變得更加複雜。 還有像極限運動這種我們今天做的很多事情，並不只是為了經濟收益。 也許未來我們會擁有這些事情的非常深奧的版本。問：房間裡的每個人都在想他們應該做什麼。 比如，十年後坐在達沃斯的這裡我該做什麼？ 你認為這個房間裡的人關於 AI 會犯下的最大錯誤是什麼？答：聽著，我想說兩件事。 一是對於年輕一代和我們的孩子等等，我們唯一能確定的就是會有巨大的變化。, 所以在學習技能方面，要做好準備，因為**“學習如何學習”是最重要的事情**。 你能多快適應新情況，吸收新資訊並使用我們擁有的工具。 對於房間裡的 CEO 和商界人士，我認為現在最重要的事情是，有很多領先模型的供應商。 選擇那些你覺得其處理方式正確的合作夥伴。 所以，與那些正在推動變革並以你希望在世界上看到的方式對待這項技術的人合作。 我認為我們可以共同建構我們想要的未來。 (長韋雜談)

無論我們是否喜歡，AI都將揭開所有人和所有國家的底牌。——亞歷克斯·卡普在2026年1月剛剛舉行的達沃斯世界經濟論壇年會上，全球最接觸的巨量資料分析與人工智慧平台公司Palantir（中文常譯作“帕蘭蒂爾”）首席執行長亞歷克斯·卡普（Alex Karp）與全球最大的資產管理巨頭貝萊德CEO 勞倫斯·芬克（Larry Fink）進行了一場深度對話。在對話的最開始，勞倫斯·芬克以一種近乎於“舊時代守望者”的姿態，向坐在對面的亞歷克斯·卡普（Alex Karp）表達了敬意。芬克給出了一組足以令任何金融精英汗顏的資料：在他執掌貝萊德的漫長歲月中，年化復合回報率為21%，這已是傳統金融世界的巔峰；而自Palantir上市以來，卡普為投資者帶來的復合回報率卻高達驚人的73%。這52個百分點的差距，絕非僅僅是兩家公司財務報表的優劣對比，而是一份關於全球權力天平位移的證明，隱藏著AI從“增長潛力”向“實際行動能力”轉化的分水嶺。世界已進入地緣博弈的深水區。過去那種靠溫和的數位化轉型、買幾個SaaS軟體就宣稱進入“智能時代”的假象，正在迅速破滅。Palantir的成功就是最好的證明。正如亞歷克斯·卡普在其新書《科技共和國》中所說：若非先進的人工智慧的崛起已經對全球秩序構成顛覆性的威脅，我們或許還會在渾渾噩噩中繼續蹉跎歲月，持久地迴避這些更為根本的問題。作為一個社會與文明，我們現在已經到了必須就“我們是誰”以及“我們希望成為什麼樣子”做出決策的關鍵時刻。01. “PPT企業”的終結：戰場上的真實性測試賴瑞·芬克：再度蒞臨此地，深感榮幸。在達沃斯舉行的世界經濟論壇上，我很榮幸向諸位介紹亞歷克斯·卡普。請允許我先從我們之間一段更為個人的話題談起——雖然我為我在貝萊德集團所創下的成就感到自豪，但自我擔任首席執行長以來，總回報率的復合年化增長僅為21%。而自Alex帶領帕蘭提爾（Palantir）公司上市以來，其復合回報率高達73%。祝賀你，ALex。更重要的是，我們正身處一場深刻的技術變革之中。我相信在座諸位對此皆有耳聞、有目共睹、身有所感。所有人都在追問：人工智慧究竟能為個人帶來什麼？如何將其轉化為增長動力？它如何惠及勞動者？又將如何影響各國發展與國家安全？我們正在探討的這項技術，有提升產能、推動產業現代化、拓展機遇的潛力，並將徹底重塑我們的工作模式、工作場所以及協作方式。關鍵在於：各國政府是否已為這場社會實質性轉型做好了準備？我們必須確保這項技術在部署過程中，能夠真正賦能於人、賦能於機構，從而建構更具韌性的全球經濟。很少有領袖能真正立足於科技、國家安全與實體經濟的交匯處——我自認並非其中一員。但亞歷克斯·卡普正是站在這個交匯點上的典範。作為帕蘭提爾公司的聯合創始人兼首席執行長，Alex長期與國防部門、政府機構及私營組織密切合作，致力於探索人工智慧在諸多關鍵領域的應用，其意義至關重要。我必須坦言，過去一年與Alex的多次交談使我深受啟發。因此，我十分期待接下來的對話。那麼，請允許我由此切入：主權國家往往是先進技術的早期採用者，這一點在美國的實踐中尤為顯著。但從您的視角出發，人工智慧正如何支援國防與安全領域的決策過程？亞力克斯·卡普：首先，非常高興來到這裡。聽了您的介紹，我可能就該直接下台了——感覺接下來很難超越啊。您還想多聊聊投資回報率嗎？我這邊沒問題。的確，我認為討論這個問題時需要考慮到一個背景：無論是美國還是歐洲，歷史上工業發展與軍事技術始終緊密相連。雖然這是個概括性的說法，但多數情況下確實如此——你為軍方開發的產品往往具有雙重用途，最終提升了國民的生活水平。然而由於諸多原因，我在此不詳細展開講述了，至少到目前的技術發展模式並非如此。儘管現在湧現了許多國防科技初創企業和先驅，但過去的情況是：你創造的產品必須在最嚴酷的條件下運行，其性能要顯著優於其他所有同類，以至於能在戰場上帶來壓倒性優勢——尤其是與本國作戰方式結合時。這裡可以引用一位著名的德國社會主義歷史學家的觀點：德國曾面臨的問題是戰爭機器過於精良，以致他們認為所有事情“直接在戰場上決出對錯即可”。這顯然導致了許多脫節和實際問題。而中美兩國在這方面相當成功。我成年後大部分時間生活在歐洲，雖然堅定支援歐洲，但客觀地說，歐洲的發展並不十分順利。我們所打造的技術本為應對惡劣環境而生——那種惡劣、道德界限模糊的環境。那麼，如何調整道德準則以適應我們的作戰方式呢？在西方社會，這同樣是一個重要方向。道德準則的確立本就艱難，技術應用環境又充滿挑戰——尤其在軟體領域，你往往無法直接接入網路，作戰時面臨諸多限制條件，即便知道這並非最優的作戰方式，而且每個國家都有專門的戰鬥方式。但是積極的一面是你同時也在建構具有普適價值、能為普通民眾所用的技術方案。這也正是人工智慧的獨特之處——它真正引人入勝的特質就在於此。但如果你從一種慣常思維出發——我認為直到最近，所有廣義上的西方對手們還普遍認為，在基於軟體的國防建設上的投資，不過是美國人搞的一種瘋狂行銷把戲：創始人造富燒錢，公司倒閉，創始人跑到巴哈馬海灘逍遙，股東賺了錢就撤，最終留下一地雞毛。你如何為主權政府建構系統，對他們而言本身也是他們學習的一個過程，關於如何採用這些技術。這不僅僅是技術問題，因為如果是建造坦克，從英國到法國再到德國，不斷最佳化坦克技術，其部署方式一目瞭然。但是你如何部署一個系統呢？我們當下的整個國防體系與軍備採購機制，仍停留在為廣袤戰場大規模兵團作戰輸送兵力的模式，但問題在於，這種戰爭可能再也不會出現。下一階段戰爭的勝負，將取決於軟體，其核心價值在於調度戰場上的零件。如果無法在戰場上看到這些組成部分，又怎能確認它是否有效果、能發揮多大作用、是否遠優於我們原有的系統、能否讓我們做到過去無法做到的事？軟體人工智慧有很多價值，其中還存在一個隱性特點——很多人總是想當然地認為其價值在於“從你本來所處的地方跨越到你希望去的地方“。但在世界上大多數主權國家中，我們處理各種形式被廣泛定義為“in it”的事情。實際上技術企業的嚴謹性有很大漏洞，就像我有閱讀障礙一樣，它也有閱讀障礙，企業裡有許多部門僅存在於PPT簡報中，一旦投入實戰，你就會發現它們根本不存在。不管你在那個國家，當你在戰場上時就會發現這一點。這也是烏克蘭的優勢之一，他們基本是白手起家，能夠“從零開始”建構能夠應對現實載荷的真實架構，不必在投入實戰後才重新認識到自己原有的體系行不通。不管你信不信我是反對幹涉的，我不是新保守主義者。但美國的巨大優勢之一在於，無論是好是壞，我們在戰場上有豐富的經驗，這樣你就可以看到什麼是有效的什麼是無效的。目前西方許多傳統巨頭正處於一種“由於擁有太多而變得脆弱”的窘境。帕蘭提爾在戰場上做過的最重要的事情之一就是能補齊一半的事實，而有的企業甚至不起作用，只是在實驗室裡播放演示ppt。賴瑞·芬克：不起作用的原因是因為機器還是人類？亞力克斯·卡普：戰場上的環境是複雜多變的，比如以烏克蘭戰場為例，把無人機從a點移動到b點有多難？實際上，首先，你需要知道你想把無人機部署到那裡。這將需要同步你所有的資料。你需要在做到這一點的同時，不將這些資料傳輸給你的對手，這意味著你必須知道經手這份資料的每一個人。你還必須對資料進行最終處理以掩蓋其真實意圖。那它不去那裡呢？你會希望把無人機放在你的資產表上嗎？在烏克蘭可能只有2個人知道，一個是將軍一個是你的線人。你不能告訴別人那是你的資產。你要避免別人發現誰是你的線人。當戰爭開始後，過去我不知道為什麼俄羅斯人被低估了，在資料層面來看他們可能是世界第一。可能有些東西他們一開始沒有，他們可以在戰爭過程中拼湊出來，然後開始干擾電子裝置訊號。所以這要求你的企業必須同步發展，因為現在不是從a到b的問題了，而是如何穿過非常擁擠的環境的問題。當你在收集資料的時候並沒有可以連結的地方。在烏克蘭每次進入一個戰區之前，每件事情都是動態挑戰，並且事先沒有被預測到。當然肯定有人喜歡我們的工作，有些人討厭，歡迎所有的意見交流。烏克蘭人其實是一個小團隊，他們的士兵非常勇敢，非常有技術性，他們也有很厲害的技術人員，能力在我們之上，有自己產品的專有使用方式。在以色列，他們善用情報手段，而多數人則傾向於軍隊對軍隊的直接對抗。但在美國，你只有其他國家所沒有的巨大力量，但這個力量必須得到整合。所以企業軟體在戰場上的雙重作用是，一是確保所有底層的東西都能正常工作，二是將等級提高到世界頂尖水準。02. AI升級：從戰場到社會民生賴瑞·芬克：有非常多的技術源自國防領域，無論是網際網路還是GPS。你如何看待這項技術從國防和軍事領域轉化到公司、企業乃至社會？亞力克斯·卡普：這樣一個本質上純粹原始、不加修飾的環境意味著，你實際上能夠瞭解什麼是真正可行的客觀事實，而不受企業主觀認知的侷限。總的來說，這種認知具有高度普適性，幾乎可以一對一地轉化應用。而企業運行是不一樣的。並非所有企業都願意隨時間推移變得跟其他企業同質化。比如你拿出A、B、C三家企業，它們處於同一市場，其技術基礎設施正試圖將它們塑造成相似的企業。它們擁有相同的組織架構圖，大致相同的流程，但資料和基礎設施卻各不相同。在戰場上我們學到的是，同質化並不具備特別價值，真正有價值的事情是企業能做到其他企業做不到的事情，這才應該是每個人的目標，也正是每個軍事情報機構追求的目標。在進入商業領域時，如何擁有別人沒有的效率和知識是很重要的。比如在戰場上，最重要的問題之一就是你如何獲取資料資訊並進行處理，然後把資料放入系統框架內將其進行真正的行動運行。企業到底在做什麼？其實歸根結底就是資料、資訊，如何把普遍共享的知識轉化為你們的獨家優勢。帕蘭提爾目前也為眾多醫院提供支援，這些醫院普遍面臨收治流程問題，醫護人力短缺，且在低利潤環境中運作。通過最佳化收治流程並接入企業系統，現在處理這些事務的速度比以往提升了10到15倍，不是通過讓醫生干更多的活，而是通過演算法最佳化了資源分配的“承重能力”，拯救了更多生命。在處理生命相關資料時，因為你在用本體論處理資料，你有一個結構化的框架。儘管人們可能不願相信，但這實際上增強了公民自由。因為現在你可以明確指出：簡單來說，某人的處理流程是基於經濟考量，還是基於其背景因素？這類問題原本是無從查證的。這其實在公民自由方面帶來了巨大改進，但人們通常不相信我們會在乎這個——然而事實恰恰相反，我們確實在乎。要知道，展現即關懷。比如我們能夠細緻地展示：某人為何進入系統、為何被接收、為何被拒絕，而且我們可以用對企業本身有商業意義的方式來實現這一點，同時這還能帶來安全與效率的提升，並且還縮減了開支。如果用更精簡的財務視角來說明：過去，想要實現我們如今在公開市場透明環境下所能達成的效果，企業往往需要先私有化，再剝離成本結構，很可能再轉手出售。而現在，你可以直接最佳化成本架構，讓一線工作者——而非臃腫的中層——發揮更關鍵作用，進而徹底改變他們面向市場的方式。AI在這裡不再是冰冷的算力堆砌，它通過建立公開的、真實的、可審計的流程，實現了效率、利潤與社會價值的某種奇蹟般的重疊。03. AI泡沫？太多企業沉迷於“買現成模型”賴瑞·芬克：那麼，阻礙人工智慧應用普及的根本障礙是什麼？僅僅是遺留系統和歷史問題嗎？我們該如何加速其應用，以造福人類？亞力克斯·卡普：目前AI的應用速度已經超過了我們自身的能力。所有人都在談論AI，所有人都在購買算力。而如果有些企業只是直接購買現成的大型語言模型，試圖用它來完成任何實際任務，那都是行不通的——大語言模型現在更像是一種通用商品，而且精度遠遠不夠。比如，你無法用它進行核保，任何受監管的業務它都無法勝任。說到普及，現在的問題在於，很多人嘗試了一些根本不可能成功的方法。比如，買一個大語言模型，把它往自己的技術堆疊上一放，然後納悶為什麼沒效果。尤其是在美國，你會看到人們開始嘗試像我們（帕蘭提爾）那樣，或許通過手工建構本體論的方式來解決問題。因為只有當你建立起一個軟體層，用一種企業能夠理解的語言來協調和管理這些大語言模型時，AI才能真正創造價值。現在有很多討論，比如我們是否身處AI泡沫中。泡沫是什麼？我認為，如果說有什麼問題的話，我們現在是處於一個滯後階段。市面上有很多AI產品，其中一部分確實有效。就像回到戰場那個例子：全世界幾乎所有人都曾認為這行不通，但現在它確實行得通了。所以，現在的問題不再是“它是否有效”，而是“我們如何讓它為我的國家（或公司）所用”。這正是各個公司正在經歷的：“噢，那家公司成功了，我的怎麼不行？你到底做了什麼？”舉個例子，就以我們帕蘭提爾來說，我們幾乎沒有銷售人員。實際上，我每次去看，銷售團隊規模似乎都在縮小。規模變小，並不是我們想節省單位經濟效益，而是因為在當前AI領域的低信任度環境下，大多數企業已經被各種無法落地的AI願景搞得筋疲力竭。如果你交付了真正有效的東西，為什麼還需要銷售人員呢？產品自己會說話。你只需要說：“嘿，別來找我們談。”這在商業和政府領域都是如此。目前我們很難擴張，主要是因為我們需要去培訓購買方的人員，而我們的資源是有限的。在政府層面，每個國家顯然都有類似“安全許可”的制度。那麼，為了將我們的軟體——比如建構像“項目專家”這樣的系統——整合到你的架構中，你將需要一位同時擁有最高等級安全許可和技術背景的人員。而遺憾的是，大多數技術人員並不會去獲取最高等級的安全許可，所以這類人才非常稀缺。這種資源極為珍貴。接著，他們還需要接受培訓，這個過程可能需要相當長的時間。此外，和任何事情一樣，你必須真正相信這件事，認為它至關重要。要知道，並非所有人都符合這些條件。賴瑞·芬克：那到底需要培訓多少人，如果在企業層面，是否必須從CEO開始自上而下推行？具體是如何運作的？如果以保險核保為例。亞力克斯·卡普：以保險核保為例吧。最理想的情況是——CEO最好具備數學思維。即便他可能對產品一無所知，但通過資料，他也能理解產品的運作邏輯。在這種情況下，初期我們可能需要培訓五、六個人。開始時，所有工作都由我們完成，然後我們會儘可能地將知識和能力轉移給他們。我們也在努力尋找能與我們共同完成這項工作的合作夥伴。總之，你需要的團隊規模不大，但我們目前的人手依然不足。賴瑞·芬克：您之前反覆提到AI如何能加強經濟基礎，我們也在美國看到了這一點。AI能以多快的速度改變企業增長軌跡？因為您之前提到過它如何能改善經濟以及人們的福祉。亞力克斯·卡普：對於企業而言，這裡涉及到很多方面，其中有個“速度”問題。就我們合作的許多公司來看，在我們介入的領域，我們通常能削減高達百分之八十的成本，並顯著提升你們的營收。但這實際上取決於具體的應用場景和我們要解決的問題。然後就是速度函數的變化：在五年前，完成這樣的改造可能需要一年時間；但現在，它可能只需要一周。04. 當AI撕掉精英學位的遮羞布賴瑞·芬克：我想接著追問這個問題——我確定這也是今天一些人心中所想的：從整體上看，人工智慧是會創造就業，還是會摧毀就業？亞力克斯·卡普：確實，我認為當前西方輿論中存在一個令人遺憾的論調，就是它（AI）將摧毀人類的工作——就像你知道的，如果你去了名校，學了哲學（以我自己為例）。那麼希望你還有些其他技能，因為僅有“精英學校的哲學學位”或通識性的精英教育背景將很難在市場上找到工作。但職業技術人員卻越來越不可替代，比如我們在為一家電池公司製造電池，在美國做這項工作的人，其工作內容與日本工程師大致相同，而他們只上過高中。現在他們變得非常有價值，甚至幾乎是不可替代的，因為我們可以讓他們迅速轉型，勝任與之前不同的工作。這類崗位的價值將會越來越高。而那些擁有高IQ、來自耶魯等名校只具備“泛化知識”而無“特定技能”的人受到的衝擊最大。如果一個國家能夠通過技術挖掘出本土公民中的這些“離群天才”，將他們培養成駕馭AI系統的“高階技工”，那麼這個國家對大規模低端移民的需求將會大幅下降。我確實認為，這些趨勢讓人很難理解美國為何還需要大規模移民——除非你擁有非常特殊的專業技能。賴瑞·芬克：關於歐美白領工作的基礎，歷來是通過大學教育建立的。我剛剛聽您說，我們將需要更多接受職業教育的男性和女性，您是否也在暗示，我們未來可能需要的白領崗位會減少？亞力克斯·卡普：我認為，我們需要做的確實是減少對傳統白領的依賴，但關鍵在於，我們需要用不同的方式來測試和發現人的潛能。你知道嗎，有很多人在做X工作，但他們本應去做Y工作。就像我們系統的一位管理者——在美國陸軍中管理我們Maven“專家”系統的，是一位前警官，他只上過社區大學，而他現在正在全球範圍內執行非常高端的、非常複雜的目標定位任務。這個人實際上是無法替代的。我認為，過去我們測試潛能的方式，可能無法完全發掘出他這種不可替代的才能。如果他沒上過大學，他還會像現在這樣有才華嗎？會的。而且我認為，甚至在帕蘭提爾內部，如果你觀察我整天在做什麼，我就是到處走動，去發現誰有那種“異於常人的特質”，然後我把他們放到適合發揮這種特質的事情上，並努力讓他們專注於此，而不是分散到他們自認為擅長的其他五件事上。傳統的大學學歷正在加速貶值，而具備實際技能的技工、職業技術人員，通過AI的加持，正在變得“不可替代”。無論我走到世界那個角落，過去十八年來，大家都曾覺得我們像個商業笑話，而現在很多商界人士都想來聽取我的建議。你知道嗎？在帕蘭提爾內部，唯一不想聽我給出商業建議的，恰恰是帕蘭提爾的工程師們。他們總是說：“嘿，亞歷克斯，我有個想法，能讓公司變得更好……”那些點子通常都類似於“我們應該開成麥當勞那樣”，或者“你是某類人，你應該停止公開講話”之類的。當然，關於公開講話這點，有時候他們可能說得對，我承認。05. AI像是一場國家級“滲透測試”賴瑞·芬克：最後一個問題：AI的應用曲線在美國和其他發達經濟體中將會如何發展？發展中經濟體又該如何參與其中？我昨天讀到一份研究報告，指出AI的應用目前高度集中於高教育水平的社會或公司，並且已經出現了巨大的分化，這很大程度上取決於教育資源的應用方式。那麼，AI是否會在全球增長格局中造成更嚴重的不平衡？亞力克斯·卡普：首先，最明顯的不平衡是：似乎只有美國和中國真正掌握了如何讓這項技術發揮作用。方式不同，但都成功了，而且是大規模的成功。這種領先並非僅僅體現在算力或資料量上，更體現在這兩個國家對AI與真實權力和生產力結合的深刻理解。我認為，AI發展速度很可能會遠遠超出大多數人的想像——就像貼現率一樣，我認為從長遠看，人們對於它能達成什麼、將如何影響我們社會的方方面面，其預估是嚴重不足的。尤其是在軍事領域。我傾向於做一個現實主義者。我認為，國與國之間巨大的發展差異，將使人們所期待的那種平等對話變得困難。可能還會有一個第三梯隊，比如俄羅斯，這個在許多西方人眼中已處於衰落邊緣的國家，但是俄羅斯在電子對抗和數學應用領域的韌性非常強，他們擁有在極端壓力下“拼湊”解決方案的數學天賦，這一點使得他們在現代戰場的某些維度上依然保持著極高的競爭力。AI將以一種不可逆轉的方式，強行揭示出每一個個體、每一個微觀社區、每一個國家的真實市場價值。看待AI不公平性的一種方式是：它就像一次“壓力測試”，或者說是一種“承重測試”。能夠承受這種壓力的社會、組織和公司將獲得巨大的優勢。問題在於，如果一直在假裝承受壓力，實際卻不能，那麼整個體系就會崩潰。無論我們是否喜歡，AI都將揭開所有人和所有國家的底牌。 (藍血研究)