Loading...
Loading...
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：企业 AI 的规模化边界、合成数据与后 Transformer 时代撰文：Techub News 整理
导语
2025 年 4 月，Transformer 架构论文的八位作者之一、知名 AI 公司 Cohere 的联合创始人兼 CEO Aidan Gomez（艾丹·戈麦斯）做客由 Redpoint Ventures 制作的播客节目《Unsupervised Learning》。在这场长达 51 分钟的深度对话中，Gomez 以其独特的双重身份——既是奠定当前 AI 浪潮基础的关键研究者，又是领导一家估值数十亿美元 AI 公司的掌舵人——分享了关于企业 AI 落地、模型能力边界、数据策略以及未来 AI 架构演变的深刻见解。在当前 AI 从狂热探索转向务实落地的关键节点，Gomez 的思考为行业提供了宝贵的路线图。
摘要
企业 AI 成功的关键在于“中间路线”：既非纯咨询，也非纯标准化产品，而是需要深度支持与定制化集成，尤其要解决数据隐私和跨软件访问的复杂性问题。
规模化定律正在失效：单纯堆砌算力和资本的“暴力美学”已进入回报递减阶段，未来的模型进步需要更聪明、更具创造性的算法和数据策略。
合成数据成为主力，但人类评估仍是黄金标准：在模型训练中，合成数据已占主导，能极大降低成本；然而在评估模型输出的有效性和安全性时，人类专家仍不可或缺。
推理能力是当前最大突破：具备“测试时计算”（test-time compute）或“思维链”能力的模型，在处理此前无法解决的复杂业务流程自动化任务上，实现了从“几乎总失败”到“几乎总成功”的质变。
Transformer 架构终将被超越：尽管 Transformer 展现了惊人的生命力，但作为其共同创造者的 Gomez 热切期待在 5-10 年内出现新的、更优越的 AI 基础架构。
企业 AI 的落地模型：定制化集成是胜负手
面对企业如何部署生成式 AI 的多种模式——从纯咨询服务、自带工程团队的产品化方案，到开箱即用的标准化产品——Aidan Gomez（艾丹·戈麦斯）认为，长期来看，“中间路线”将会胜出。AI 是一项复杂的新技术，企业往往需要帮助才能将其整合到现有经济体系和五花八门的软件生态中。
Gomez 指出，AI 智能体要实现有效的自动化，必须拥有与人类员工同等级别的信息访问权限。这意味着它需要接入企业的电子邮件、聊天记录、通话、CRM、ERP、HR 软件等几乎所有系统，以获取足够的上下文。这带来了两大挑战：首先是前所未有的隐私问题，很少有软件需要如此广泛的数据访问权限，因此隐私在 AI 领域比其他企业软件更为关键；其次是极高的定制化需求，每家公司的软件“马赛克”都独一无二，没有标准配置，因此需要大量定制化工作来整合所有上下文并接入模型。
这正是 Cohere 在其新的智能体平台“North”上投入巨资的方向：让平台更容易根据每家公司的特定软件图谱进行定制和集成。Gomez 坦言，实现完全自助、无需人工干预的安装和配置目前仍是“幻想”，未来更可能是一种“中间状态”——自动化解决部分问题，但鉴于访问薪资数据、客户数据或患者数据等敏感信息的风险极高，相当多的安全护栏（guardrails）和人工监督仍是必要的。
产品市场契合点：从客户支持到深度研究
凭借与众多企业合作的独特视角，Gomez 分享了当前他认为已具备明确产品市场契合度（PMF）的 AI 用例。
客户支持是技术已准备就绪、需求极为明确的领域，正在电信、医疗、金融服务等各个垂直行业快速铺开。另一个难以归类但需求旺盛的领域是研究增强——用 AI 智能体辅助人类，将需要一个月的研究工作在短短一两个小时内完成。他举了一个生动的例子：银行的财富经理接到客户要求对冲某个未来地缘政治事件的请求，传统上需要耗时数日进行紧急研究。而现在，能够阅读海量资料并生成带有引用来源的详实报告的 AI 模型，可以将这类知识工作的效率提升十倍。
展望未来 12 个月，Gomez 预测，随着像 North 这样的自动化基础设施在企业中部署到位，更多“平凡的”后台办公室工作将开始上线，例如财务、法务领域的流程自动化。此外，销售也是一个成熟的领域。销售人员在会见客户前需要进行的内部和外部研究（公司战略、关键联系人、历史沟通记录等），完全可以由 AI 智能体高效完成，生成一份全面的情报简报，从而极大提升销售效率。
关于企业是选择多个“最佳单项”解决方案，还是一个统一的平台，Gomez 认为会经历一个从分散到整合的过程。初期各部门可能采购各自的应用，但很快他们会发现，销售智能体不能只接入 CRM，财务智能体也不能只接入 ERP，它们都需要连接公司内所有其他信息源。维护这些分散应用与所有数据源的连接将带来巨大的负担，因此最终会强烈倾向于整合到一个统一的、能接入一切、并实现所有自动化目标的平台。这也正是 Cohere 通过 North 平台所布局的“长线游戏”。
模型战略：垂直整合与专业化之路
在“一个模型统治一切”还是“多个专业模型并存”的辩论中，Gomez 的观点经历了演变。他最初更倾向于需要专业模型，但随着模型展现出自我发展出“专家子网络”的能力，这种压力有所缓解。
然而，定制模型仍然至关重要。基于网络数据训练的通用模型，缺乏关于特定业务或领域的根本性上下文信息。网络上有大量关于人类历史、文化、科学的信息，但制造业数据、客户交易数据、详细的个人健康记录等并不在网络上。对于这些模态或数据类型，Cohere 的做法是与拥有这些数据的机构合作，创建仅供其访问的定制模型，使其在该领域变得非常出色。
尽管如此，通用模型的能力已经非常卓越，而合成数据能够显著弥合差距。因此，Gomez 认为，一个组织内部不会运行数十或数百个模型，可能只有少数几个。他并不认为每个团队都需要自己的微调模型，除非他们专注于模型从未接触过的某种新型数据。
谈到 Cohere 同时构建底层模型和上层应用（North）的垂直整合战略优势时，Gomez 强调，这让他们拥有更多杠杆来提供客户所需的体验。最新版的 Command 模型已经针对 North 平台中客户需要的用例进行了优化，例如知道如何使用 ERP、如何与 CRM 协作。这种技术与客户实际需求之间的深度整合，对于产品质量至关重要。许多现有应用未能兑现其对用户的产品承诺，部分原因就在于它们只是技术的消费者，无法为了客户需求而改变底层技术。
数据与评估：合成数据当家，人类把关仍在
在数据策略方面，Gomez 揭示了当前模型训练的前沿实践。合成数据已经占据了 Cohere 为新模型生成数据的“压倒性多数”。用 10 万名医生来教模型学医的成本高得不可行，但用 100 名医生提供高质量、可信赖的“种子”数据，然后生成上千倍的合成仿制数据，则是可行的策略。在代码、数学等可验证领域，这更容易实现，因为可以检查结果并过滤垃圾数据。在其他领域虽然更复杂，但仍然是可行的。
然而，在模型评估（Eval）环节，人类仍然是无法脱离的“黄金标准”。Gomez 明确指出，要让人类退出评估循环，除非有一个比当前模型更专业的“专家”来观察它，但这首先假设你能构建出那个“专家”。因此，在评估方面，仍然严重依赖人类。毕竟，最终使用模型的是人，他们最适合评估模型的有用性。
能力突破：推理改变游戏规则，规模化遭遇瓶颈
Gomez 兴奋地谈到，推理能力是当前一代模型最明显的突破。对于 Cohere 专注的企业场景而言，推理的意义不在于解决数学奥林匹克竞赛，而在于教会模型使用人类在业务中使用的工具，来推理并解决业务中存在的问题。
在具备推理能力之前，许多任务根本无法让模型达到足够的准确度来完成，几乎是“不可能”的，模型几乎总是失败。而有了推理能力后，模型几乎从不失败。无论是多复杂的任务，它似乎都能找到办法完成。推理能力解锁了“反思”——理解第一次尝试为何失败，并利用这个信息找到达成同一结果的其他路径。这带来了真正的解放。
同时，Gomez 明确表示，“规模即一切”的假说正在被打破。资本和算力的回报递减效应已经非常明显。行业将不得不变得更聪明、更有创造力，才能解锁技术的下一个台阶。他认为这是好事，是对创新者施加的良好压力，迫使大家去探索和尝试。旧策略（单纯砸钱堆算力）是“无聊且愚蠢的”，他更期待新时代的到来。
未来架构：Transformer 的统治终将结束
作为 Transformer 架构的共同创造者，Gomez 对此架构的持久统治感到惊讶甚至“不满”。他坦言，如果在 2018 年（Transformer 论文发表一年后）被问到，7 年后我们是否还会主要使用 Transformer，他会认为概率“接近零”。
尽管目前出现了像状态空间模型（SSM）、离散扩散模型等有潜力的新架构，但往往发现可以将它们的优点“偷”过来融入 Transformer，从而削弱了彻底更换架构的必要性。例如，离散扩散模型在用户体验上很酷（像图像扩散一样从噪声中生成文本），但它是否真的是比 Transformer 更好的语言模型？Gomez 表示怀疑。
尽管如此，他热切期望在未来的 5 到 10 年内，会出现新的、成为主流的 AI 架构。“拜托，一定要有（新架构）。”他说道。这反映了一位奠基者对技术持续进步的真诚渴望。
AI 与社会：乐观前景与务实关切
Gomez 对 AI 的未来持乐观态度，但并非乌托邦式的幻想。他认为 AI 不会导致大规模失业，因为世界面临的是供给约束而非需求约束。只要能够将人们转移到需要的岗位并进行再培训，人类的需求是无限的。AI 技术将增强人类，让他们能够产出更多世界需要的东西。
他关注的 AI 风险更侧重于中短期：担心恶意行为者（尤其是国家层面）可能获得的能力；希望自由民主国家能率先掌握并建立优势；担忧社会是否具备足够的基础设施来帮助受影响岗位的人员转型到新的、更有成就感的工作。至于“终结者”式的生存风险（x-risk），他认为目前有足够多近中期的现实问题需要关注和解决，不应让公众和政策制定者的焦点过早集中在末日场景上。
最后，Gomez 分享了他最期待的下一个模型能力突破：从经验中学习。目前，模型无法记住与用户的互动历史和学习反馈，每次对话都像是面对一个刚来的实习生。他憧憬未来模型能像真正的实习生一样，在用户的教导和反馈中成长，从不犯错到熟练，最终成为用户的“2.0 版本”。这种与系统共同成长的联系，将彻底改变人机交互的深度和价值。
Scale AI 创始人 Alexandr Wang（王）：AI 数据帝国背后的隐秘真相撰文：Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。
随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。
天才的野心：从冰箱实验到 AI 数据帝国
Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。
他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起：数据标注，AI 的“弹药”
在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。
他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现：数字血汗工厂与内部裂痕
随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。
然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。
Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向：从自动驾驶到国防合同
解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。
与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。
面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾：商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？
如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。
Meta 首席 AI 科学家 Yann LeCun（杨立昆）：人类智能并非通用智能撰文：Techub News 整理
导语
2025 年 4 月，Meta 首席 AI 科学家、图灵奖得主 Yann LeCun（杨立昆）做客知名播客 AI Inside，与主持人 Jason 和 Jeff 进行了一场长达 46 分钟的深度对话。作为深度学习领域的奠基人之一，LeCun 以其对技术发展冷静、务实的判断而著称。在当前生成式 AI 与大语言模型（LLM）席卷全球、业界对通用人工智能（AGI）的讨论甚嚣尘上之际，他的观点尤为值得关注。本次对话中，LeCun 不仅尖锐地指出了 LLM 的天花板，更系统阐述了他心中通往更高级机器智能的必由之路——构建能理解物理世界的“世界模型”。
摘要
LLM 有用但非终极答案：LLM 在代码助手等特定领域价值显著，但其基于自回归预测的机制存在根本局限，无法可靠处理真实世界复杂任务。
人类智能远非“通用”：所谓“通用智能”是误导性概念，人类智能高度特化，由进化塑造以解决生存相关任务，AI 的目标应是实现“人类级别智能”。
下一代 AI 需构建“世界模型”：实现人类级别智能的关键在于让机器像人类和动物一样，通过观察学习物理世界的运作规律，形成可预测和规划的内部心理模型。
开源是加速创新的核心策略：Meta 开源 Llama 系列模型旨在激活全球创新生态，这对促进学术研究、催生多元化 AI 应用及防止技术垄断至关重要。
未来属于“智能助手群”：终极产品形态是围绕个人的多个智能助手，它们将中介所有数字交互，其多样性（语言、文化、价值观）是健康生态的基石。
LLM 的辉煌与局限：我们为何尚未触及智能核心
对话伊始，主持人便抛出了当前 AI 界的核心矛盾：一方面，以 OpenAI 为代表的公司凭借 LLM 技术获得破纪录融资，行业热情高涨；另一方面，包括 Yann LeCun（杨立昆）在内的许多研究者却不断强调 LLM 的局限性，认为其回报正在递减。对此，LeCun 首先肯定了 LLM 的实用性，特别是在代码助手等场景。但他随即指出，从令人惊艳的演示到真正可靠、可供日常使用的系统，其间存在巨大鸿沟。他以自动驾驶为例，十年前就有演示，但至今仍未达到人类水平的可靠性。
LeCun 回顾了 AI 七十年的发展史，指出一种反复出现的模式：每当有新范式出现（如专家系统、深度学习），人们便宣称“就是它了，十年内机器将成为地球上最聪明的实体”。然而每次预言都落空了，因为新范式要么遇到了未曾预见的限制，要么只是擅长解决某个子类问题，而非真正的通用智能问题。LLM 很可能正面临类似的局面。
“我不想贬低 LLM，它们很有用，值得投资。” LeCun 强调，投资大部分流向了运行 LLM 的基础设施，而非训练本身。就像所有计算机技术一样，即使达不到人类智能水平，LLM 也可以很有用。但如果我们以人类级别智能为目标，“我们需要发明新技术。我们还远未达到那个水平。”
主持人 Jeff 提到，LeCun 曾将当前最先进的 AI 系统类比为“聪明的猫”或“三岁小孩”。LeCun 甚至认为这个评价可能过高了。他指出，尽管 LLM 能通过律师考试、总结文本、生成代码，但这些能力很大程度上依赖于在训练数据中见过的模式。当面对全新的、未曾见过的问题时——例如最新的数学奥林匹克竞赛题目——最好的 LLM 表现也近乎为零。这暴露了当前系统缺乏真正理解和解决新问题的能力。
LeCun 犀利地指出，LLM 操纵语言的能力让我们误以为它们很聪明，因为我们习惯将语言能力与智慧挂钩。然而，真正的考验在于现实世界：“我的家用机器人在哪里？我的 L5 级自动驾驶汽车在哪里？能做出猫那样行为的机器人（哪怕是模拟的）又在哪里？” 问题的关键不是造不出具有相应物理能力的机器人，而是无法让它们足够“聪明”。处理现实世界、产生实际动作的系统，远比处理语言的系统要复杂得多，因为现实世界是混乱、不可预测、非确定性的连续高维空间。
通往人类级别智能之路：世界模型与非生成式架构
那么，研究应该走向何方？LeCun 透露，早在三年前（即 LLM 席卷全球之前），他就撰写了一篇长文，勾勒了未来十年 AI 研究的方向，而这一愿景并未因 LLM 的成功而改变。他认为，要实现人类级别智能，机器需要具备四个关键能力：理解物理世界、进行推理与规划、拥有持久记忆，以及安全可控。
这一切的核心是一个称为“世界模型”的概念。人类和动物大脑中都有一个世界模型，它是一个心理模型，允许我们预测世界将发生什么，或者我们采取某个行动会带来什么后果。如果我们能预测行动的后果，那么当我们设定一个目标时，就可以利用世界模型来“想象”特定的行动序列是否能实现该目标，这就是规划和推理的本质——心理学家称之为“系统 2”的深思熟虑的思维过程。
在机器人学和控制理论中，类似的概念被称为“模型预测控制”，即通过方程预测行动后果并优化行动序列。但关键区别在于，对于通用 AI 系统，这个世界模型必须能从经验或观察中学习，就像婴儿通过观察学习世界如何运作一样。这部分是目前最难复现的。
LeCun 认为，实现这一目标可以基于一个简单原则：自监督学习。这正是 LLM 成功的基础——通过预测文本中的下一个词来训练。我们可以设想将这一原则应用于图像和视频，训练一个大型神经网络预测视频的下一帧或后续发展。如果系统能学好并做出准确预测，就意味着它理解了物理世界的许多底层规律。
然而，直接套用文本预测的方法到视频上却行不通。预测下一帧太简单，学不到有用东西；预测长期发展又极其困难，因为视频中有太多可能性。文本预测之所以可行，是因为词典大小有限，可以预测所有词的概率分布。但对于视频，我们不知道如何表示所有可能图像或视频帧的合适概率分布，这在数学上是难以处理的。
大约五六年前，LeCun 及其团队提出了一个解决方案：改变架构思路。不再预测视频中的所有细节，而是训练系统学习视频的一种“表示”，并在这个表示空间中进行预测。 这种表示会过滤掉视频中不可预测或无用的细节。这种架构被称为“联合嵌入预测架构”（JEPA）。
LeCun 透露了一个可能令人惊讶的观点：“我的直觉是，下一代 AI 系统将基于非生成式模型。” 在当前所有人都在谈论生成式 AI 的浪潮中，这无疑是一个反主流的前瞻性判断。JEPA 正是这样一种非生成式架构的代表，它专注于学习数据的抽象表示和它们之间的关系，而非生成具体的像素或词汇。
AGI 迷思与开源哲学：为何多样性是未来关键
对于业界热炒的“AGI”概念，LeCun 直言不讳地称之为“无稽之谈”，并且极具误导性。他认为，如果 AGI 指的是“像人类智能一样通用”的智能，那么这个说法本身就错了，因为“人类智能根本不通用，它极度特化。” 人类被进化塑造成只擅长完成与生存相关的任务。我们无法构想那些我们无法处理的问题，这反而让我们误以为自己拥有通用智能。在 Meta 内部，他们更倾向于使用“高级机器智能”或直接称为“人类级别智能”。
LeCun 坚信，未来某个时刻，机器在人类擅长的所有领域至少会与人类一样聪明，甚至更聪明。但这不会发生在明年或后年，可能在十年内取得一定进展。“如果目前我们正在研究的所有方向都取得成功，那么也许十年后，我们就能更好地判断是否能实现那个目标。” 他保持乐观，但强调这很可能比我们想象的更难，AI 史上的每一次突破都比预期更艰难。
话题转向 Meta 的开源策略。主持人 Jeff 盛赞开源 Llama 模型对学术界和创业生态的巨大推动作用，并询问其背后的战略思考。LeCun 明确表示，开源 Llama 对少数几家（暗指闭源商业公司）来说是“搅局者”，但对成千上万的公司和研究者来说是“赋能者”。从伦理角度看，这显然是正确之举，它极大地激活了整个 AI 生态系统。
LeCun 指出，Meta 的最终产品愿景是构建 AI 助手，甚至是一组 AI 助手，它们可能常驻于智能眼镜中，与我们随时相伴。为了让这些助手发挥最大效用，它们需要达到人类级别的智能。而实现这一目标，是当今世界面临的最大科技挑战之一，需要汇聚全球的智慧。“好点子可能来自世界任何地方。” 他提到近期 DeepSeek 的崛起令硅谷惊讶，但在开源世界看来却不足为奇，这正是开源理念的验证。
他批评了某些地区（暗指硅谷部分人士）存在的“极度膨胀的优越感”，认为没有人能垄断好创意。AI 过去十几年的快速发展，正是得益于代码和科学信息的共享。而 Meta 的商业模式依赖于广告和社交网络的网络效应，而非直接售卖 AI 技术本身，因此开源技术不仅无害，反而有益。
展望未来，LeCun 描绘了一幅图景：我们与数字世界的绝大多数交互将由 AI 系统中介。搜索引擎可能会被直接与 AI 助手对话所取代。更重要的是，作为全球公民，没有人会希望自己的信息食谱仅由美国西海岸或中国少数几家公司打造的 AI 助手来提供。 我们需要高度多样化的 AI 助手，它们能说各种语言（包括小众方言），理解不同的文化、价值体系和偏见。这就像我们需要多元化的媒体一样。
实现这种文化多样性的唯一现实途径，就是让世界各地的人们能够基于强大的开源基础模型来构建自己的助手，因为他们没有资源从头训练模型。LeCun 预见，市场压力将促使 AI 基础模型走向开源和免费，就像互联网的软件基础设施（Linux 和商用硬件）最终战胜了专有系统一样。AI 基础模型将成为类似互联网基础设施的存在，由大型公司或国际联盟训练，但开放给全球创新者在其之上构建丰富多彩的应用。这，才是 Yann LeCun（杨立昆）所坚信的、能够引领我们走向真正高级机器智能的健康生态。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：AGI 将在 5-10 年内到来撰文：Techub News 整理
导语
在 Google I/O 2024 开发者大会结束后，《纽约时报》科技专栏作家 Kevin Roose 与 Platformer 创始人 Casey Newton 在其热门播客 Hard Fork 中，专访了 Google DeepMind 的联合创始人兼 CEO Demis Hassabis（德米斯·哈萨比斯）。此次对话发生在 AI 技术加速演进、行业竞争白热化的关键节点。Hassabis 作为 DeepMind（AlphaGo、AlphaFold 的创造者）的掌舵人，如今统领着谷歌整个核心 AI 研发力量。他的观点不仅反映了谷歌在 AGI 竞赛中的战略转向，也揭示了顶尖研究者对技术未来、社会影响及人类终极角色的思考。
摘要
AGI 时间线明确：Hassabis 预测，具备人类水平通用智能的 AGI 将在未来 5 到 10 年内到来，这与谷歌联合创始人 Sergey Brin（谢尔盖·布林）「2030年前」的预测基本一致。
谷歌的「AGI 化」转变：过去对 AGI 话题相对谨慎的谷歌，如今已将其置于核心，Hassabis 形容 DeepMind 已成为「谷歌的引擎室」，AGI 理念正在渗入整个公司。
技术路径：规模化与突破性研究并重：实现 AGI 需要持续扩大模型规模，同时辅以类似 Alpha 系列的突破性研究，并探索如「Alpha Evolve」这类具备自我改进雏形的混合系统。
AI 安全与治理的紧迫性：随着「智能体」（Agent）时代临近，Hassabis 呼吁建立国际性的安全基准与规范，并认为在技术变得「非常严肃」之前，必须加强可控性研究。
AI 的未来角色：赋能而非完全替代：Hassabis 展望 AI 将成为个人的「通用助手」，消除繁琐工作，保护用户注意力，并助力解决能源、疾病等全球性挑战，最终可能导向一个「激进丰裕」的社会。
从 I/O 到 AGI：谷歌的自信与转向
今年的 Google I/O 大会被 AI 全面主导，Gemini 的名字在主题演讲中被提及近百次。与去年「让谷歌替你谷歌」的被动式愿景不同，今年谷歌传递的信息是：AI 是你的超能力，你需要坐直、倾身、付费并开始工作。播客主持人 Casey Newton 观察到，谷歌在 2024 年展现出比前两年更多的「自信和霸气」，感觉自己至少能进入「季后赛」。Kevin Roose 则看到了更深层的文化转变：谷歌正在被「AGI 化」。
过去，AGI 在谷歌内部更像是 DeepMind 伦敦团队「疯狂的追求」，与核心的搜索广告业务相距甚远。如今，情况已然改变。Demis Hassabis（德米斯·哈萨比斯）证实了这种感知：「AI 部分变得越来越核心……DeepMind 现在就像是谷歌的引擎室。」他认为，AGI 作为一项横向基础层技术，将支撑一切，公司上下都开始理解这一点，DeepMind 的理念正在融入整个谷歌。
这种转向源于技术进展快于预期。Hassabis 表示，我们可能比几年前人们想象的更接近人类水平的通用智能。当被问及与 Sergey Brin（谢尔盖·布林）在 AGI 时间线上的微小分歧（布林认为在2030年前，哈萨比斯认为在2030年左右）时，他解释道，他的预测自2010年 DeepMind 创立以来一直很一致：大约需要20年。现在，他感觉概率分布的重心落在未来的5到10年之间。他强调，定义很重要——他设定的 AGI 标准很高，是能够完成人类大脑理论上能做的所有事情，而不仅仅是达到普通人的经济实用水平。
通往 AGI 的技术双轨制：规模化与创造性突破
如何抵达 AGI？Hassabis 阐述了双轨并进的策略。一方面是持续推动模型规模化，包括在前训练、后训练、推理计算等整个技术栈上进行创新，他称之为「传统路径」的持续改进。另一方面，则是进行更多「绿地」或「蓝天」式的基础研究，寻求类似 Transformer、AlphaGo 那样的突破性进展。
新近发布的「Alpha Evolve」项目正是这种混合思路的体现。Hassabis 介绍，Alpha Evolve 结合了 Gemini 大模型与进化编程方法。具体而言，用一个高效的「Flash」模型生成程序或数学函数方面的假设，再用一个更强大的「Pro」模型来评估和筛选最有潜力的想法，进入下一轮「进化」。这初步形成了一个自动化的 AI 研究循环，已在芯片设计、数据中心任务调度乃至改进矩阵乘法等基础算法上取得了实用成果。
有趣的是，这项研究涉及故意引导模型「幻想」（hallucinate）。Hassabis 对此解释道，在需要事实准确性的场景，幻觉是问题；但在需要创造性的场景，你可以将「幻觉」视为「想象力」。就像商业课程中的头脑风暴，大多数疯狂的想法没有意义，但偶尔一两个可能将搜索引导至极具价值的全新领域。这呼应了早期 AlphaGo 走出传奇的「第37手」时所展现的、在既定知识边界外的创造性。
针对外界关于「只需小型专业模型」的论点，Hassabis 认为规模与专用性并非对立。大模型对于训练高效的小型模型（如通过蒸馏技术）至关重要。同时，像 AlphaFold 这样的专用模型对于立即解决科学和医学难题意义重大。他的理念是「兼收并蓄」：既推进规模化，也探索专用技术、混合系统以及可能催生下一个 Transformer 的蓝天研究。
安全、治理与未来社会的挑战
随着能力提升，AI 安全似乎从公众讨论的前台有所退却。Hassabis 强调，DeepMind 对安全的承诺一如既往。他们进行了大量的内部红队测试，并且从将早期系统开放给公众使用的过程中学到了很多。他承认，当数百万聪明人试用你的技术时，你会发现再大的内部测试团队也无法覆盖的所有边缘情况。
他预见到一个关键转折点：大约两三年后，当智能体系统变得真正强大时，情况将变得「非常严肃」。届时，业界需要在可分析性和可控性研究上实现阶跃式进步。更重要的是，这必须是一项国际努力。他呼吁产业界和学术界现在就应就安全性与可靠性的基准测试达成共识，并建立国际规范。
谈到地缘政治与出口管制，Hassabis 承认问题的复杂性。一方面， uncontrolled proliferation of these technologies 可能带来风险；另一方面，又希望西方技术能被全球采纳。他担忧 AI 正被卷入更大的地缘政治变局中，但更希望随着技术力量日益增强，世界能意识到「我们同舟共济」，并在科学层面展开更多合作。
关于未来工作，Hassabis 认为在 AGI 到来之前的未来5-10年，历史规律仍将起作用：一些工作被颠覆，但通常更有价值、更有趣的新工作会被创造出来。他建议当下的毕业生和年轻人，既要掌握 STEM 基础（包括编程），以理解 AI 的工作原理，也要积极沉浸于使用最新 AI 工具，成为「超级使用者」。他更强调「元技能」的培养：学习如何学习、创造力、适应力和韧性，以应对未来十年必然发生的巨变。
AI 时代的创造力、意义与人类角色
当被问及 AI 是否会导致类似工业革命后「超验主义」回归自然的运动时，Hassabis 认为完全可能。在一个「激进丰裕」的世界里，许多人可能会选择将更多时间投入自然和真实的人际互动中。他特别指出，涉及人与人情感联结的领域，将是 AI 最后触及、也可能永远无法完全复制的部分。
这一点在他对 AI 艺术创作的看法中尤为明显。尽管对 Veo 3 等视频生成模型的技术成就惊叹不已，但 Hassabis 认为，伟大的艺术承载着创作者的挣扎、体验与灵魂。他举例说，看到梵高的画作会让人脊背发凉，因为你能感受到笔触背后艺术家的痛苦与抗争。即使 AI 能模仿这种笔触，但如果被告知这是 AI 所作，那种共鸣感便会消失。因此，他认为顶级的人类创作者将始终带来 AI 无法替代的东西，这也是 DeepMind 坚持与顶尖艺术家合作开发创意工具的原因。
对于 AI 伴侣的兴起，Hassabis 态度谨慎，表示 DeepMind 尚未涉足此领域，并正在认真思考。他更倾向于推动 AI 向「通用助手」方向发展：一个真正属于用户、为用户工作的工具。他提出了一个引人深思的愿景：一个足够了解你的 AI 助手，可以被设定来「保护你的注意力」，使其免受其他旨在掠夺注意力的算法（如多数社交媒体）的侵扰，让人们能更专注于创造性活动或与家人的相处。
在对话的最后，被问及「在持续的 AI 革命中，处于哪个年龄段最糟糕」时，Hassabis 给出了一个充满希望的答案：任何能活着见证这一切的年龄都是好年纪。他认为我们将见证医学等领域的巨大进步，这将会是一段不可思议的旅程。当然，如果能年轻些，总是更好的。
Demis Hassabis（德米斯·哈萨比斯）谈未来 5-10 年的 AGI 及其通向“根本性富足”之路撰文：Techub News 整理
导语
在人工智能浪潮席卷全球的当下，作为该领域最前沿的探索者之一，Google DeepMind 的联合创始人兼首席执行官 Demis Hassabis（德米斯·哈萨比斯）的每一次发声都备受关注。2025 年 6 月，他接受了 WIRED “The Big Interview” 栏目的深度对话。在这场约20分钟的访谈中，哈萨比斯不仅对通用人工智能（AGI）的到来时间给出了明确的概率预测，更围绕 AGI 的定义、当前 AI 系统的局限、地缘政治竞争、AI 安全、未来工作形态以及 AGI 可能带来的“根本性富足”社会等核心议题，展开了兼具技术理性与宏大愿景的阐述。作为将“解决智能，然后用智能解决一切问题”奉为使命的科学家和企业家，他的观点为我们理解 AI 发展的当前坐标与未来轨迹提供了关键视角。
摘要
预测 AGI 有 50% 的可能在未来 5-10 年内实现，但强调当前系统在推理、规划、记忆和真正创造力方面仍有明显缺陷。
指出 AI 发展面临两大核心风险：恶意行为者滥用通用 AI 技术，以及技术本身随着能力增强带来的安全隐患。
认为短期内 AI 将对工作产生“赋能”效应，提升个体生产力，长期则可能重塑就业结构，但护理等需要人类共情的工作难以被取代。
展望若 AGI 发展顺利，人类将进入一个拥有近乎无限清洁能源、解决疾病与资源短缺的“根本性富足”时代，但这需要社会心态从零和博弈转向非零和博弈。
呼吁国际协作与灵活监管，并认为在未知风险面前，科学方法和持续的投入是克服技术挑战的关键。
AGI：五年之约与缺失的能力拼图
访谈始于对 AGI 时间表的探讨。Demis Hassabis（德米斯·哈萨比斯）重申了 DeepMind 自创立之初便秉持的愿景：解决智能，然后用智能解决其他一切问题。回顾这趟约20年的征程，他表示公司“基本完全按计划进行”。当被问及这是否意味着距离人们通常所说的 AGI 仅有五年时，哈萨比斯给出了一个更精确的概率估算：“我认为在接下来的五到十年内，我们有50%的机会拥有我们所定义的 AGI。”
这个预测相较于某些更为激进的同行（如声称两三年内实现）显得相对审慎。哈萨比斯解释，业界目前对 AGI 的定义本身存在争论，时间预测也因此各异。他援引联合创始人兼首席科学家 Shane Legg 早期对 AGI 的定义，强调其核心在于系统能够展现出人类所拥有的全部认知能力。以人类心智为参照，是因为它是我们已知的唯一通用智能存在的证明。
那么，我们离这个目标还有多远？哈萨比斯明确指出当前 AI 系统存在明显的“能力拼图缺失”。无论是大型语言模型还是聊天机器人，在推理、规划、记忆和真正的发明创造力方面尚有不足。“我不认为今天的系统能够进行真正的发明、真正的创造，或是提出新的科学假设。”他举例说明，尽管已有系统（如他们的 AlphaFold）能在国际数学奥林匹克竞赛中达到金牌水准，但同样的系统有时却会在高中数学甚至数单词字母数量上出错。这种在不同领域表现极不一致的现象，恰恰说明现有系统尚未实现完全的泛化能力。
关于 AGI 降临的形式，哈萨比斯认为它更可能是一个渐进的转变，而非突变的阶跃函数。即使技术上实现了 AGI，其对社会和物理世界（如工厂、机器人）的全面影响仍需更长时间，可能长达十年以上才能充分显现。
地缘竞速、安全风险与监管困境
当话题转向激烈的全球 AI 竞赛时，主持人提到了 Eric Schmidt（埃里克·施密特）的“二进制”论调，即若某个国家（如中国）率先获得 AGI，将导致无法追赶的永久性领先优势。哈萨比斯对此表示，这是一个未知数，属于所谓的“硬起飞”情景：如果 AGI 系统能够快速自我改进、自我编码，那么微小的领先优势可能迅速变为天堑。但他也指出，还存在其他可能性，即自我改进的速度并未那么快，那么时间上的接近就不会造成巨大差异。
然而，他着重强调了其中的地缘政治意涵：“正在构建的系统，会带有设计者价值观及其所处文化规范的印记。”因此，谁领先、在何处开展这些项目，不仅关乎商业和国家竞争，也紧密关联着安全考量。他坦言当前领域处于“非常激烈的时期”，资源大量涌入，压力巨大。
哈萨比斯剖白了自己最为担忧的两大风险：一是恶意行为者（无论是个人还是流氓国家）将通用 AI 技术用于有害目的；二是 AI 技术本身的风险——随着其能力越来越强、自主性越来越高，能否确保防护措施足够安全且无法被绕过。这引出了对监管的讨论。当被问及是否仍像几年前一些公司那样呼吁监管时，哈萨比斯给出了肯定的回答，但同时强调了复杂性和国际性。他认为，考虑到地缘政治叠加效应和当今世界的复杂性，“明智的、灵活的监管”至关重要，且这种监管需要能随着研究认知的深入而动态调整。
他进一步指出，真正的挑战在于国际合作。“如果你在一个地区限制它，这对于这些系统为世界和社会构建的整体安全性并无真正助益。”鉴于 AI 是数字系统且将影响所有人，国际间的协作与共识（至少在某些基本原则层面）是更大的难题，但也是必需的。
当被问及是否会因为竞争压力而不得不放弃安全护栏时，哈萨比斯表示，西方主要实验室的负责人和顶尖研究人员之间经常沟通。问题在于，目前缺乏清晰的定义来确定“那个临界点”何时到来。他认为今天的系统尽管令人印象深刻，但也存在诸多缺陷，尚不构成任何生存性风险。风险目前仍是理论上的，但问题在于“未知数太多”——我们不知道风险来临的速度和程度。对此，他持技术乐观态度：“当存在如此多未知数时，我乐观地认为我们能克服它们。”他相信只要有足够的时间、关怀和深思熟虑，运用科学方法，技术挑战是可以解决的，反倒是地缘政治问题可能更为棘手。
但他也清醒地意识到：“我们时间不多了。”因此，DeepMind 正在向安全和可控性研究（如机械可解释性）投入更多资源，同时也认为需要展开更多的社会讨论，探讨机构建设、治理模式以及如何达成国际协议。
赋能、转型与“根本性富足”的未来
谈及 AI 对工作和市场的影响，哈萨比斯引用了经济学家的观察，认为目前尚未看到根本性变化，更多是补充和赋能，例如 AlphaFold 极大地加速了科学家的工作。展望未来五到十年，他预计工作岗位将发生巨变，但历史经验表明，新技术往往会催生新的、通常更好的工作岗位，正如互联网和移动技术带来的变革。他预计未来几年将是“黄金时代”，强大的工具将极大提升个人生产力，甚至在创造力方面让人变得“有点超乎寻常”。
对于 AGI 可能替代所有人类工作的担忧，哈萨比斯认为，即使 AGI 具备所有人类能力，仍有许多事情我们不会想让机器去做。他举了医生和护士的例子：诊断工作或许可以由 AI 辅助甚至替代，但护理工作所需的人类共情和关怀则难以被机器人取代。他建议当下的学生和毕业生积极拥抱这些新系统，深入学习 STEM 和编程以理解其原理，并精通微调、系统提示等技能，从而成为能最大化利用这些工具的“超级生产者”。
展望更远的未来（20-30年后），如果一切顺利，哈萨比斯描绘了一个激动人心的图景：“我们应该处在一个我称之为‘根本性富足’的时代。” AGI 将帮助解决一些社会面临的“根节点”问题，例如治愈疾病、显著延长健康寿命、发现新能源（如优化电池、室温超导体、核聚变）。
他针对主持人关于当前社会分配不公、协作困难的质疑，给出了一个具体例子：水资源获取。海水淡化技术已存在，但因其高能耗而仅限于富裕国家。如果 AGI 推动实现近乎零成本的清洁能源（如核聚变），那么水资源获取问题将迎刃而解，因水资源控制引发的冲突也将大幅减少。类似地，近乎无限的能源也能简化火箭燃料的制造（从海水中分离氢和氧）。
哈萨比斯认为，AGI 将从技术上提供实现“根本性富足”的能力，但他希望这能进一步推动社会心态从零和博弈转向非零和博弈。他承认，如何公平分配“根本性富足”的成果仍是一个挑战，需要哲学家和社会科学家的参与。他甚至预测，在 AGI 之后的时代，经济学本身、价值与货币的概念都可能发生改变，呼吁经济学家更深入地研究相关的新经济理论。
最后，针对社会上对 AI 的担忧和抵触情绪（类似工业革命时期的反弹），哈萨比斯表示理解，并认为这场变革至少与工业革命同等规模，甚至更大。但他用自己的热情作为回应：他构建 AI 的核心驱动力是推动科学和医学进步，解决疾病、气候、能源等重大社会挑战。他举出 AlphaFold（诺贝尔奖级别的突破）及其在药物发现上的应用潜力为例，强调如果人类有能力却不去追求这些解决方案，反而是不道德的。在他看来，面对众多社会挑战，如果没有像 AI 这样革命性的技术即将到来提供助力，他才会对未来感到更加担忧。
OpenAI 前沿研究负责人 Mark Chen（马克·陈）：多模态与推理是通往 AGI 的关键撰文：Techub News 整理
导语
在2025 年 3 月举办的 The AI Conference™ 上，OpenAI 前沿研究（Frontiers Research）负责人 Mark Chen（马克·陈）与 AI 基础设施公司 Anyscale 的联合创始人 Robert Nishihara 进行了一场深度对话。Mark Chen 领导的团队旨在探索通往通用人工智能（AGI）道路上缺失的关键范式，其工作聚焦于多模态与推理两大方向。作为 DALL-E、GPT-4 多模态能力等知名项目背后的核心研究者之一，Mark Chen 的见解对于理解 AI 的现状与未来至关重要。此次对话不仅回顾了 AI 研究范式的十年变迁，更揭示了当前最前沿的技术挑战与机遇。
摘要
AI 研究范式已发生根本转变：从依赖标注数据的监督学习，转向以海量无标注数据和无监督学习为核心的“规模化”范式。
通往 AGI 的两大核心挑战是多模态理解与生成以及深度推理能力的构建。
工程与科研的紧密结合成为现代 AI 发展的新常态，规模化（Scaling）本身既是目标也是驱动创新的引擎。
未来的 AI 应用将更加“身临其境”，多模态交互将催生更强大的 AI 代理和机器人技术，但实现这一切需要解决鲁棒性等根本问题。
从监督学习到规模化范式：AI 研究的十年之变
Mark Chen（马克·陈）与 Robert Nishihara 的对话始于对过去十年 AI 领域最大突破的回顾。两人一致认为，最根本的转变在于研究范式的迁移。
Mark Chen（马克·陈）指出，十年前经典的机器学习课程通常将机器学习分为监督学习、无监督学习和强化学习三大类。当时，学术界对监督学习已有成熟方案（如决策树、支持向量机），但对无监督学习则知之甚少，仅停留在 K-Means 聚类等基础方法。如今，这一局面已被彻底颠覆。“我们现在确实知道如何进行无监督学习了，” Mark Chen（马克·陈）总结道。
这一转变的标志性起点是 GPT-1、GPT-2 时代。研究者们意识到，数据是取得突破的关键要素。AI 研究不再局限于在固定的学术数据集（如 ImageNet）上优化模型架构，而是转向了“收集尽可能多的数据”并从中寻找“Alpha”的路径。数据集本身成为了核心变量，而模型架构和优化算法则相对稳定。这催生了以规模化为核心的“经验缩放定律”（Empirical Scaling Laws）：投入更多计算资源、更多数据、训练更大模型，就能获得更好的性能。
Robert Nishihara 从基础设施的角度印证了这一趋势。Anyscale 的客户们正遵循这一“公式”，将扩大数据规模作为首要目标。然而，将数据规模提升一个数量级，往往会压垮现有的系统，这背后需要巨大的工程努力来支撑。Mark Chen（马克·陈）强调，工程能力在2025 年 3 月的研究中变得前所未有的重要。相信缩放定律，就意味着必须构建出能够支撑缩放的工程栈。
这种工程与科研的深度融合，构成了现代 AI 研究的典型图景。Mark Chen（马克·陈）形容，每将模型规模扩大一个数量级，都会遇到新的研究瓶颈或工程瓶颈，需要在多个前沿同时取得突破。这既是挑战，也是这个领域令人兴奋之处。
多模态：AGI 的感官拼图与系统工程挑战
作为 OpenAI 多模态研究的负责人，Mark Chen（马克·陈）将多模态视为通往 AGI 的核心路径之一。过去五到十年，生成式图像、视频模型取得了巨大成功，但多模态领域仍存在大量开放性问题。
目前存在两种主要的研究思路：一是将多模态问题“塞进”已经非常成熟的语言模型（Transformer）架构中；二是探索以扩散模型（Diffusion Model）等多模态原生框架为主，尝试将语言能力整合进来。Mark Chen（马克·陈）认为这两种思路之间的“思想桥梁”非常有趣，也是他们工作的重点。
当被问及主要关注哪些模态时，Mark Chen（马克·陈）列举了文本、图像、视频和音频这四大“最核心”的模态，同时也提及了 3D 模型、甚至“动作”作为潜在模态的可能性。他特别指出，不同模态对系统设计的要求差异巨大。例如，音频交互（如高级语音模式）要求实时、低延迟的响应；而图像生成则更看重最终输出质量，用户愿意为此等待。因此，尽管底层结构可以共享，但为不同模态设计不同的技术栈仍然是有益的。
Robert Nishihara 从系统负载的角度补充了多模态带来的挑战。与文本数据相比，图像、视频的数据量呈指数级增长。这意味着未来的 AI 应用将同时是计算密集型（GPU 负载高）和数据密集型的。现有的高性能计算（HPC）系统擅长处理计算密集型任务，而大数据处理系统（如 Spark）则擅长处理海量 CPU 任务。多模态 AI 将催生一个需要同时高效处理这两类任务的新系统范式，这将对现有的技术栈构成巨大挑战。
此外，Mark Chen（马克·陈）指出，获取高质量的配对跨模态数据（如图文对）是一大难点。这推动了利用 AI 本身进行数据准备和增强的趋势，例如 DALL-E 3 在合成数据方面的探索。Robert Nishihara 也观察到，客户正越来越多地使用 AI 来筛选、标注、增强训练数据，因为相对于花费数百万美元进行模型训练，在数据质量上进行投资往往能获得更高的回报。
从“系统一”到“系统二”：构建深度推理的鲁棒 AI
Mark Chen（马克·陈）负责的另一大方向是推理（Reasoning）。他用心理学中的“系统一”和“系统二”来比喻当前 AI 的局限与未来目标。
目前的语言模型（如 ChatGPT）更像是“系统一”思考者：快速、直观、基于模式匹配给出响应。无论问题难易，模型的初始响应时间几乎相同。这与人类思考方式不同——面对复杂问题，人类需要时间进行深度处理（“系统二”思考）。Mark Chen（马克·陈）认为，当前大语言模型在逻辑谜题或复杂任务上犯错，部分原因正是受限于这种“系统一”的即时响应模式。如果要求人类在 100 毫秒内回答一个难题，他也只能给出脑海中最先浮现的答案，这同样不够稳健。
因此，构建具备“系统二”特性的深度推理能力，是提升 AI 鲁棒性的核心挑战。这不仅仅是解决数学问题，而是适用于任何需要高可靠性和复杂思考的场景，例如理解对话意图、规划复杂任务等。Mark Chen（马克·陈）提到，数学和计算机科学问题是方便的评测基准，但更广泛的“推理”评测标准目前仍然缺失，预计未来会出现更多相关的评估方式。
Robert Nishihara 从应用部署的复杂性角度呼应了这一观点。当前许多 AI 应用只是通过 API 端点调用单一模型。但对于预订民宿、解决复杂数学问题等任务，可能需要动态组合 50 到 100 次模型调用，并与其它应用逻辑交织。这种复杂的推理链消耗大量计算资源。Mark Chen（马克·陈）展望，深度推理的终极目标是让模型自身足够智能，能够在遇到障碍时自主“思考”出解决方案，而无需依赖外部搭建大量脚手架式的复杂流程。
关于如何实现推理能力，Mark Chen（马克·陈）表示 OpenAI 探索了多种路径，包括在预训练中内置、以及通过外部机制增强等，目前仍是一个开放的研究空间。
未来展望：身临其境的 AI 与高风险的智能代理
展望未来，两位专家分享了他们最兴奋的方向。
Robert Nishihara 预测，越来越多的数据处理将 AI 化。企业收集海量数据是为了获取洞察和决策，未来这些洞察将更多地由 AI 阅读、推理数据得出，而不仅仅是运行 SQL 查询或简单分析。这将催生全新的、以 AI 和 GPU 为核心的数据处理工作负载。
Mark Chen（马克·陈）则对多模态带来的“身临其境”体验感到兴奋。像 OpenAI 的“高级语音模式”这样的技术，让 AI 能够实时接收和处理多种感官输入（听、说），并生成丰富的感官内容。他认为，这不仅是交互方式的革新，更是机器人技术发展的基石。随着感知模块的快速进步，多模态 AI 正在为机器人构建强大的“后台大脑”，使其能够更好地理解和与物理世界互动。
当被问及实现全能人形机器人的瓶颈时，Mark Chen（马克·陈）表示，在基础层面已有许多可用的技术模块，但最终实现仍需跨领域突破。
对话最后聚焦于 AI 代理（AI Agents）。Mark Chen（马克·陈）将其定义为能够接收任务并自主执行的 AI。与当前“一问一答”的聊天机器人不同，代理的行动具有真实世界的后果（如发送邮件、执行操作），因此对鲁棒性和可靠性的要求极高。他认为，深度推理能力正是实现强大、可靠 AI 代理的关键缺失组件。只有解决了鲁棒性问题，AI 代理的愿景才能真正走进现实。
Figure CEO Brett Adcock（布雷特·阿德科克）：人形机器人将比汽车更普及，家庭应用Alpha测试今年开始撰文：Techub News 整理
导语
在由未来学家 Peter Diamandis（彼得·迪亚曼迪斯）主持的《Moonshots》播客第156集中，人形机器人公司 Figure 的创始人兼 CEO Brett Adcock（布雷特·阿德科克）接受了深度访谈。此次对话发生在 2025 年的 Abundance 360 峰会，正值 Figure 发布其突破性的 AI 系统“Helix”并展示机器人协同完成家庭任务之后，时机关键。Brett Adcock（布雷特·阿德科克）曾成功创办并领导电动垂直起降飞行器公司 Archer，此次他分享了为何选择投身于“可能是最难进入的行业”——通用人形机器人，以及 Figure 如何以惊人的迭代速度，在硬件和AI软件上同时取得突破，旨在将人形机器人带入千家万户和全球劳动力市场。
摘要
人形机器人是AGI的终极载体：Brett Adcock（布雷特·阿德科克）认为，若AGI仅存在于服务器中是“近乎反乌托邦”的未来，人形机器人是为AGI提供物理身体、使其在现实世界行动的最佳部署载体。
“Helix”AI模型带来历史性突破：Figure自研的视觉-语言-动作大模型“Helix”，仅需单一英语指令，即可让机器人完成从未在训练中见过的任务，实现了关键的“语义接地”与泛化能力。
硬件迭代速度远超行业认知：Figure每12-18个月就完成一次全新硬件平台的设计，从公司注册到第一台机器人行走用时不到12个月，展现了惊人的工程执行力。
市场需求“无限”，家庭应用时间表提前：来自宝马等大型企业的需求远超当前供给，公司预测人形机器人单机月成本可降至300美元。因AI进展超预期，家庭场景的Alpha测试将于今年启动。
从飞行汽车到人形机器人：为何选择“最难的路”
在成功创办并运营电动航空企业 Archer 之后，Brett Adcock（布雷特·阿德科克）为何会选择挑战一个被普遍认为更艰难的领域——通用人形机器人？他的回答直指人工智能发展的核心矛盾。
“我们需要找到一种方法，给AGI（通用人工智能）一个身体。” Brett Adcock（布雷特·阿德科克）表示，如果人类解决了AGI问题，但它却只能存在于某个服务器中，那将是一个“非常负面、近乎反乌托邦的未来”。这个比全人类都更智能的存在，若想在物理世界做任何事情，都不得不请求或“贿赂”人类去执行。因此，人形机器人被视为AGI的“终极部署载体”。
他进一步解释，解决物理世界交互问题，非人形机械体莫属。你需要一个单一的硬件平台，在不做任何硬件改动的情况下，能够完成人类所能做的一切。同时，这个平台还必须非常适合神经网络运行。在人形机器人上，神经网络可以通过迁移学习进行学习，并能跨多种不同应用进行多任务处理。Figure的目标是构建一个单一的、如同大语言模型般的“基础模型”，来驱动整个机器人端到端地完成所有任务。
“iPhone时刻”与惊人的迭代速度
从零开始，Figure 仅用 31 个月就造出了第一台可运行的机器人并开始交付。Brett Adcock（布雷特·阿德科克）将这种速度归因于对硬件迭代规律的深刻理解和对极限执行的追求。
“我的经验法则是，第一代或第二代硬件总是很糟糕，”他坦言，就像第一代iPhone并不完美。在硬件领域，你不可能第一次就做对。你必须预见五年后的未来，确切知道产品需要做什么，然后从第一天起就为那个确切的目标进行全新设计。一旦在设计中出错，你无法在漫长的供应链和制造周期中回头修改。因此，Figure 坚持每 12 到 18 个月就设计一个全新的硬件平台。事实上，在公司注册成立（C Corp）之时，他们就已经让机器人实现了行走，整个过程不到12个月。
这种速度的背后是彻底的垂直整合。由于人形机器人没有现成的供应链——没有成熟的电机供应商、执行器供应商、传感器或电池系统供应商——Figure 不得不从零开始，自主设计一切：包括硬件（运动学设计、关节、电机、电池系统、传感器）、软件（固件、嵌入式系统、操作系统、中间件、控制）以及所有AI工作。此外，测试、制造、集成、车队运营和交付也全部由自己完成。
目前，Figure 已拥有两个商业客户。第一个是宝马（BMW），在其位于美国南卡罗来纳州斯帕坦堡的最大工厂中，Figure 的机器人已经每天运行，负责将钣金件放置到夹具上，这项工作完全自主，以所需的速度运行，无需人工干预。第二个客户是全球最大的物流公司之一，Figure 的团队仅用不到30天就利用其AI系统完成了端到端的任务部署。
成本、市场与“比汽车更普及”的未来
当被问及未来大规模生产时的价格目标，Brett Adcock（布雷特·阿德科克）重申了 2 万至 3 万美元的区间。他做了一个生动的计算：如果以每月300美元的价格租赁一台价值3万美元的机器人，相当于每天10美元，每小时仅40美分。
“问题是，在每月300美元、7x24小时无休、无怨言、不会和男女朋友吵架的情况下，你会拥有多少台这样的人形机器人？”他反问道，“这个数字很可能是一个人拥有多台。”他预测，人形机器人将迎来“iPhone时刻”，并且将成为我们一生中建造的最大产业，其规模将远超其他行业。
他指出了两个并行市场：商业劳动力市场和家庭市场。商业劳动力市场约占全球GDP的一半，是人类劳动的最大市场，规模高达50-60万亿美元，需求“无限”。目前仅两个客户的需求就已能吞下十万台量级的机器人，而潜在客户名单长达数十家财富100强公司。另一方面，家庭市场虽然更具挑战性（如同自动驾驶中的城市道路），但却是创新的终极场景。Brett Adcock（布雷特·阿德科克）以自己为例，表达了让机器人处理洗碗、收拾玩具等家务的强烈愿望：“我永远不想再做那些事了。”
自研AI“Helix”：历史性的机器人智能突破
访谈中最引人注目的部分，是关于 Figure 决定放弃与 OpenAI 的合作基线，转而自主研发 AI 系统“Helix”的关键时刻。Brett Adcock（布雷特·阿德科克）播放了一段视频，展示了这一决定的成果。
视频中，两个 Figure 机器人仅接受了一条简单的语音指令：“把 groceries（食品杂物）收好”，没有被告知物品是什么或该放在哪里。关键在于，这些物品（包括一个会唱歌的卡通仙人掌玩具）在机器人的训练数据中被特意 withheld（保留），这意味着机器人是第一次“看见”它们。机器人需要理解“沙漠物品”与“仙人掌”之间的语义关联，并成功将其拾起。整个过程由单一的神经网络（Helix）控制，机器人之间甚至出现了“眼神交流”以协调物品传递——这是一种从训练中“涌现”出的行为。
“我认为这可能是机器人学历史上最重要的AI更新，” Brett Adcock（布雷特·阿德科克）大胆断言，“未来所有会动的东西都将是机器人，并将由像这样的AI智能体驱动。” Helix 是一个大规模视觉-语言-动作模型，它解决了机器人领域的“圣杯”问题：通过语音，让机器人理解从未见过的事物并执行端到端的任务，即实现了“语义接地”。这项训练仅用了约500小时的数据，显示出极高的数据效率。
这一突破直接改变了公司的时间表。Brett Adcock（布雷特·阿德科克）透露，原本需要一年完成的宝马用例部署，在应用 Helix 后，第二个客户的类似用例在30天内就完成了。他认为，如果重做，这个过程甚至可以缩短到48小时以内。“机器人学会做某件事的时间将是以小时计，而不是十年后。这让我们家庭应用的时间线提前了数年。”
Figure 03与即将到来的家庭Alpha测试
关于下一代机器人 Figure 03，Brett Adcock（布雷特·阿德科克）难掩兴奋。他形容从 Figure 01 到 02 是一次巨大的飞跃，而从 02 到 03 将是同等甚至更大程度的跨越。Figure 03 经过了18个月的重新设计，目标是成本降低90%，体积更小，质量更轻，传感器更好，其手、头和脚都是为神经网络专门设计的。
“这绝对是我职业生涯中最自豪的工程时刻。”他说道。Figure 03 将于今年投入生产制造，并成为公司推向世界的主力机型。
最重要的是，他给出了一个明确的时间预测：Figure 将于今年启动家庭场景的Alpha测试。这意味着机器人将开始在内部员工（包括他本人）的家庭中进行实际任务测试。他认为，阻碍家庭应用的最长技术瓶颈——“语义智能”（理解任何环境中发生的事情）——已经通过 Helix 看到了明确的解决路径。现在的主要限制是数据量，公司正处于“数据瓶颈”阶段，只需将训练 Helix 的数据集扩大几个数量级，能力就能再次飞跃。
“我认为在本世纪内，你们就会看到它（人形机器人）进入家庭，” Brett Adcock（布雷特·阿德科克）总结道，“仅通过语音，它就能完成非常长周期的任务，没有任何问题。”他坚信，一个由智能人形机器人广泛融入物理世界的未来，已经近在眼前。
Alphabet CEO Sundar Pichai（桑达尔·皮查伊）：AI 是搜索的非凡机遇，而非颠覆性威胁撰文：Techub News 整理
导语
2025 年 5 月，Alphabet 兼谷歌 CEO 桑达尔·皮查伊（Sundar Pichai）罕见地接受了 All-In Podcast 的深度专访。在长达一小时的对话中，皮查伊直面了当前市场对谷歌在 AI 浪潮中可能面临“颠覆者困境”的核心质疑。作为执掌这家科技巨头近十年的领导者，皮查伊的此次发声，不仅是对外界疑虑的集中回应，更是系统性地阐述了谷歌将如何利用其长达二十余年的技术积累——从基础设施到前沿研究——来驾驭并引领这场 AI 革命。本次对话涵盖了搜索的未来、AI 商业模式、芯片战略、能源约束、量子计算以及机器人等广泛议题，为我们理解谷歌在下一个十年的战略方向提供了关键窗口。
摘要
皮查伊坚信 AI 是搜索的“非凡机遇”，而非零和游戏的颠覆者，AI 概览（AI Overviews）等新功能正在扩大搜索的查询范围和用例。
谷歌的核心优势在于其全栈式技术积累，从 TPU 芯片、全球数据中心网络到跨领域的基础研究，这使其能在控制成本的同时持续推动模型创新。
面对 OpenAI、微软、Meta 等激烈竞争，皮查伊认为 AI 创造的将是一个比过去所有技术总和更大的市场，成功的关键在于持续创新和执行。
谷歌在量子计算、机器人（物理 AI）等领域进行长期、耐心的投资，视其为类似早期 AI 的基础性突破，预计未来 3-5 年将迎来关键进展。
皮查伊承认文化管理是持续挑战，近期重点在于重拾“使命聚焦”，激发类似谷歌早期创业阶段的强度与乐观精神，以应对 AI 时代的竞争。
AI 是搜索的进化，而非颠覆
访谈开场便直指核心：在聊天式 AI 重塑人机交互的今天，谷歌的核心搜索业务是否面临被真正颠覆的风险？桑达尔·皮查伊（Sundar Pichai）的回答明确而坚定。他回顾道，自 2015 年担任 CEO 起，他便将谷歌定位为“AI 优先”的公司，因为团队深信 AI 将是驱动搜索最大进步的动力。因此，当前时刻对他而言并非威胁，而是搜索的“非凡机遇”。
皮查伊用数据佐证了他的观点。谷歌约一年前推出的“AI 概览”（AI Overviews）功能，如今已被超过 15 亿用户使用，覆盖 150 多个国家。这不仅没有蚕食传统搜索，反而扩大了用户查询的类型和范围，带来了全新的使用场景。在触发 AI 概览的查询中，谷歌观察到了查询量的增长，且增长具有持续性。他透露，实验室中正在测试一个全新的、名为“AI 模式”的专用搜索 AI 体验，将在谷歌 I/O 大会上详述。在该模式下，用户可以进行完整的对话式追问，谷歌最前沿的模型将利用搜索作为原生工具来回答问题。
“用户正在用行动回应，”皮查伊指出，用户输入的查询平均长度已是两三年前的两到三倍，有时甚至是长段落。这改变了搜索的形态。针对“创新者困境”的经典命题，皮查伊认为困境只存在于你将其视为困境之时。他援引了移动转型和 TikTok 崛起后 YouTube 依然蓬勃发展的例子，指出科技史上每一次重大创新周期，都需要全力投入。“这有点像谷歌最初的原则之一：跟随用户，其他一切自会跟随。”
商业模式过渡：成本可控，广告逻辑依旧
当对话转向敏感的商业模式——即更昂贵的 AI 查询是否会破坏谷歌搜索“查询成本”与“单次查询广告收入”之间精妙的单位经济学时，皮查伊展现了基于基础设施优势的自信。
他承认两年前业界普遍担忧成本问题，但他始终认为，就服务成本而言，他愿意押注谷歌的基础设施能力能够比几乎所有其他公司都做得更好。事实也证明，在过去 18 个月里，服务单次查询的成本已大幅下降。目前更主要的约束在于延迟，而非成本。如何让 AI 体验达到搜索近乎即时的速度，是当前更重要的前沿问题。
关于 AI 查询的广告收入，皮查伊表示，在已经展示广告的 AI 概览中，其效果基准已与传统搜索持平。“我们已经达到了那个阶段。”他进一步从第一性原理分析：广告在搜索中行之有效，是因为商业信息本身就是用户意图的一部分。AI 没有理由不能在这方面做得更好。因此，他对平稳过渡商业模式感到“安心”，尽管部分调整可能需要时间，但所有指标都显示谷歌能够很好地完成这一过渡。
基础设施与芯片：谷歌的“全栈”护城河
皮查伊多次强调，谷歌一个核心且常被低估的优势是其长达二十多年的基础设施投资。从早期可海运的集装箱数据中心，到如今遍布全球的网络，这构成了竞争力的基石。在 AI 时代，这一优势直接体现在性能与成本的帕累托前沿上——谷歌能够以最具成本效益的价格点提供最好的模型。
关键组件之一便是谷歌自研的 TPU 芯片。皮查伊提到，谷歌在 2017 年发布了第一代 TPU，如今已发展到第七代。最新的 “Ironwood” 芯片单块算力超过 40 Exaflops。这些专门为机器学习优化的芯片，尤其在推理环节表现出色，是谷歌有信心以巨大规模服务 AI 搜索查询的重要原因。他表示，谷歌的“全栈”方法——从底层基础设施、基础研发到上层应用创新——将长期为公司带来优势。
关于芯片战略，皮查伊澄清了与英伟达的关系。他盛赞英伟达是“非凡的公司”，CEO 黄仁勋（Jensen Huang）也很出色，双方合作历史悠久。谷歌内部既用 TPU 训练 Gemini 模型，也在 GPU 上服务部分流量，并为云客户提供选择。他认为行业内的公司都会尝试类似（自研芯片）的路径，但英伟达的研发能力和软件栈是世界级的，拥有诸多优势。谷歌的长期策略是保持 TPU 和 GPU 并用的灵活性，两者相互促进，共同推动技术前沿。
模型创新未达瓶颈，数据优势在于个性化
针对外界关于大语言模型性能开始“高原化”、竞争者差异缩小的论调，皮查伊并不认同。他将进步过程比作“人工 jag jag 智能”，即进展并非总是线性的，会经历看似缓慢的时期，然后出现范式突破。过去几年，行业在预训练、后训练、推理计算等方面不断推进，如今又在研究如何将所有技术整合到智能体工作流中。他感觉进步相当持续。
“进步确实会变得更难，而这将区分出精英团队，”皮查伊认为，问题越难，谷歌的准备就越充分。谷歌的研究前沿远比大多数公司更广阔，不仅限于 LLM 或基于 Transformer 的模型，在扩散模型等众多领域都在进行深度探索。他尚未看到计算投入回报递减的根本性拐点出现。
当被问及谷歌是否拥有来自 YouTube 等产品的独特数据优势时，皮查伊的回应侧重于用户体验而非单纯的数据训练。他认为，谷歌的机会在于利用用户使用 Gmail、日历、文档、YouTube、搜索等产品时产生的个人上下文（在获得用户许可的前提下），来提供更优质、更个性化的体验。他将此视为公司未来差异化的创新机遇之一，目前正在审慎推进。
未来交互：无缝、环境计算与 AR 眼镜
展望未来 5 到 10 年的人机交互，皮查伊描绘了一个“无缝”的愿景：人类需要做的“硬性适应”工作越来越少，计算将主动为人服务。他认为这是“圣杯”，而触摸、语音等技术正在一步步迈向这个未来。
他特别看好增强现实眼镜的前景。作为眼镜佩戴者，他亲身体验了 AR 眼镜，虽然目前舒适度尚不及普通眼镜，但正在改善。他相信，当 AR 真正成熟时，它将把无缝体验推向新高度，让计算“环境化”地存在并为你服务。他指的并非沉浸式显示设备，而是 AR 眼镜。结合真正多模态的模型，他认为这一范式非常有趣，能让人感受到下一次飞跃。他将当前 AR 的发展阶段类比于 2006-2007 年的智能手机，可能还需几个周期才能达到理想状态。
皮查伊证实，谷歌在硬件上投入了大量时间，不仅限于 Pixel 手机和数据中心，也对 AR 眼镜、机器人等新形态感到兴奋。
竞争格局：AI 市场足够大，创始人深度参与
面对 OpenAI（萨姆·奥尔特曼 Sam Altman）、xAI（埃隆·马斯克 Elon Musk）、Meta（马克·扎克伯格 Mark Zuckerberg）和微软（萨提亚·纳德拉 Satya Nadella）组成的强大竞争对手矩阵，皮查伊展现了开放与务实的态度。他称赞这是一个“令人印象深刻的群体”，汇集了最好的公司和企业家。竞争的存在恰恰预示着我们将看到巨大的进步。
他特别提到2025 年 5 月与埃隆·马斯克（Elon Musk）的会面，钦佩其“将未来技术变为现实的意志力无与伦比”。皮查伊强调，AI 将开启一个比过去所有技术总和更大的机遇版图。他提醒人们，互联网兴起时，谷歌甚至还不存在。未来 AI 领域的赢家可能包括许多尚未诞生的公司。因此，格局并非简单的“谁击败谁”，而是关于哪些公司能够通过创新和执行，携手最优秀的人才取得成功。
皮查伊还分享了谷歌联合创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）的深度参与。他经常与两人交流，称赞他们很早就预见了 AI 的今天，并认为这是计算机科学领域最激动人心的时刻。谢尔盖·布林更是以“硬核”方式投入，与 Gemini 团队坐在一起编码、查看损失曲线、反馈模型架构，为团队注入了无与伦比的能量。皮查伊珍视与两位创始人“非线性思维”碰撞带来的灵感。
长期押注：量子计算与机器人
谷歌以对前沿技术进行长期、耐心投资而闻名，如 TPU、DeepMind、Waymo。皮查伊以同样视角看待量子计算和机器人。
他将量子计算目前的发展阶段类比于 2015 年左右的 AI。他预计在未来 5 年时间框架内，将会出现一个真正的“顿悟时刻”——用量子方式完成一项非常有用的实际计算，且远超经典计算机，从而真正展现该领域的潜力。他对此充满信心。谷歌的目标是通过云平台展示更多实用算法，并提供访问。皮查伊认为，就像无人驾驶领域曾充满噪音一样，量子领域目前也有很多宣布，但谷歌自认为处于前沿。
在机器人领域，皮查伊承认谷歌曾过早尝试应用层（如收购波士顿动力后又出售），当时机器人尚未深度受 AI 影响。如今，“AI + 机器人”的结合点已经到来。谷歌拥有世界级的机器人前沿研发团队，Gemini 在视觉-语言-动作模型方面的努力也属顶尖。他们正在思考如何通过合作或推出产品来参与其中。皮查伊观察到，人形机器人的进步神速，以至于他需要仔细辨别视频真假。他预测，距离机器人领域的“神奇时刻”可能还有两到三年。谷歌旗下公司 Intrinsic 正致力于成为“机器人领域的安卓”，而 Gemini 模型也将成为机器人领域的强大基础模型。
文化、人才与未来展望
针对谷歌文化从早期创新乐园演变为“骄纵员工”避风港的外部批评，皮查伊进行了辩护与反思。他解释，提供午餐等福利的初衷是创造积极、乐观、便于跨领域交流的创新氛围，这至今仍是谷歌吸引顶尖人才、激发基层创新的力量源泉。但他也承认，随着公司规模急剧扩大，有时次要议题会掩盖公司的核心使命。
过去几年，他刻意致力于重拾“使命聚焦”，强调员工聚集于此是为了创新并服务公司使命、产生影响力。当前的 AI 时刻带来的高强度与兴奋感，让他回想起早期的谷歌。他通过创建“实验室”等机制，鼓励小团队快速创新。他认为，文化需要不断微调以忠于核心价值观，出现漂移时则需努力拉回。
在人才争夺方面，皮查伊表示，谷歌在吸引顶尖 PhD 研究员方面依然具有竞争力，也有离职员工回归。他预见，AI 将使全球更多地方涌现出卓越人才，而不仅限于少数传统中心。
关于 Alphabet 作为控股公司的结构，皮查伊澄清，其本质并非单纯财务投资，而是基于共同的基础技术（如 AI）去解决不同领域的问题，从而衍生出看似迥异但内核相连的业务。从 Waymo 到 Isomorphic（基于 AlphaFold 的药物发现公司），都是这一逻辑的体现。
最后，被问及十年 CEO 任期内最大的骄傲与遗憾时，皮查伊对谷歌能够同时推动技术前沿（如获得诺贝尔奖级别的基础研究）并将其转化为商业价值感到无比自豪。至于遗憾，他提到了一些曾激烈辩论但最终未完成的收购，例如 Netflix，但他更倾向于向前看，认为这些是“平行宇宙中的另一种可能”。
Alphabet CEO Sundar Pichai（皮查伊）谈 AI 未来：搜索不会消亡，是扩张性时刻撰文：Techub News 整理
导语
2025 年 6 月，Alphabet 兼 Google CEO Sundar Pichai（皮查伊）做客 Bloomberg 知名播客节目「The Circuit」，接受了近半小时的深度访谈。此时正值 Google I/O 开发者大会后不久，AI 竞争白热化，且 Google 面临多项反垄断诉讼的关键节点。作为全球科技巨头之一的掌舵人，Pichai 此次发声不仅阐述了 Google 在 AI 时代的核心战略，也回应了外界对其商业模式、行业影响及技术伦理的诸多质疑，为观察 Google 的未来走向提供了重要窗口。
摘要
AI 是扩张性时刻，将创造新机会而非零和游戏，搜索查询量仍在增长。
2025 年资本支出达 750 亿美元，AI 投资驱动搜索、YouTube、云、Waymo 等全线业务，并已通过 Google AI Pro/Ultra 订阅等创造新收入。
AI 将大幅提升工程师生产力，但公司仍计划扩大工程师规模，以抓住更大的机会空间。
坚决不同意垄断指控，认为用户使用 Google 是出于选择，竞争对世界有益。
承认 AI 可能带来就业冲击等社会问题，但强调需通过技能再培训和社会安全网来应对，而非过度悲观预测。
AI 浪潮下的 Google：搜索进化，而非消亡
当被问及 AI 聊天机器人是否会取代传统搜索时，Sundar Pichai（皮查伊）给出了明确的否定答案。他认为，这远非一场零和游戏。他以 TikTok 崛起为例，指出新平台的出现并未扼杀 YouTube，反而 YouTube 也在同期取得了巨大成功。用户行为是并行的，人们会根据不同需求使用不同工具。
Pichai 强调，搜索在满足用户特定信息需求方面“非常、非常好”，其价值已通过持续增长的查询量得到实证。AI 概述（AI Overviews）等功能是搜索的自然演进，就像多年前推出的精选摘要（Featured Snippets）一样。他承认，有时 AI 概述会直接给出答案，减少用户点击，但 Google 在设计体验时，依然会优先展示链接，并将高质量流量导向外部网站。他援引内部测试数据称，AI 概述改善了上下文质量，用户点击后访问的网站更加多元化，且平均每次点击的停留时间也更长。
对于出版商关于点击率下降的担忧，Pichai 表示理解，但坚信从长远看，Google 的生态会保持良性循环：用户因获取答案而来，也会因好奇心和拓展用例而点击外部链接。Google 的职责是持续优化，确保高质量内容获得展示。
巨额投资与新兴收入：AI 驱动全线业务
面对投资者最关心的 AI 投入与回报问题，Sundar Pichai（皮查伊）首次在访谈中明确了投资规模：2025 年，Alphabet 的资本支出将达到 750 亿美元。这笔巨额投资并非仅用于 AI，而是支撑从搜索、YouTube、云、Workspace 到 Android、Play 乃至 Waymo 自动驾驶的全线业务。
他透露，AI 已经在创造实实在在的新收入流。云端 AI 平台 Vertex AI 的用量（按 token 计）在过去 12 个月里增长了 40 倍。此外，公司2025 年 6 月推出的 Google AI Pro 和 Ultra 等订阅服务也“表现良好”。Pichai 认为，AI 是一项深远的技术，其带来的机遇比过去任何时候都要大。
在内容生态方面，Pichai 承认 AI 生成内容的爆炸式增长带来了高质量与低质量内容并存的问题。但他认为，这正是 Google 擅长的领域——从海量信息中筛选出优质内容。Google 正在利用 Gemini 模型来改进 YouTube 的推荐算法，用 AI 来更好地管理和引导内容。他强调，AI 本身也能被用于创作优秀内容，Google 的目标是“提升高质量内容”。
生产力革命与就业未来：AI 是加速器，而非替代者
关于 AI 对工作岗位的影响，Sundar Pichai（皮查伊）的立场颇为审慎乐观。当被问及 Anthropic CEO 关于 AI 可能在五年内淘汰 50% 白领工作的预测时，他表示应严肃对待这些担忧，但历史经验表明，技术会创造新的就业机会。
他举例说，1940 年时，今天 60% 的工作岗位尚不存在。在印度，YouTube 上已有 1 亿个频道和 1.5 万个百万订阅频道，这是十五年前无法想象的世界。AI 将让几乎每个人都成为“成熟的创作者”，从而创造出海量新机会。他认为，当前时刻是“扩张性”的，我们可能低估了其创造新业态的潜力。
具体到 Google 内部，Pichai 透露目前公司约 25% 的代码由 AI 生成。他预计，即使到明年，公司的工程师基数仍会增长。AI 的作用是让工程师 dramatically 更高效，将他们从繁琐工作中解放出来，专注于高附加值任务。这意味着公司能加速开发，可能推出更多新产品，从而在短期内需要更多人。长远来看，他承认难以精确预测，但更倾向于相信技术会扩展人类的能力边界，而非单纯导致岗位减少。
反垄断、信任与伦理：在监管与创新间平衡
面对法官裁定 Google 在搜索和部分广告市场构成垄断的指控，Sundar Pichai（皮查伊）明确表示公司不同意相关裁决，并正在上诉。他强调，用户使用 Google 是出于自愿，现在的选择比以往任何时候都多。竞争对用户和世界都有益。
对于 AI 是否会加剧科技巨头的权力集中，Pichai 反驳了“赢家通吃”的观点。他坚信，就像互联网催生了当时不存在的 Google 一样，AI 时代也必将诞生新的、我们今天甚至不知道名字的 dominant 公司。这是技术发展的自然规律。
在用户隐私和信任问题上，Pichai 指出，Google 通过长期负责任地处理用户数据（如 Gmail）来赢得信任。面对 AI 带来的深度伪造等挑战，他介绍了 Google 的应对措施：为 AI 生成的视频添加水印，用户可上传任何视频或图片到 Google 以检测是否由 Veo 等模型生成，并为研究人员和记者提供检测工具。他认为，社会将演化出新的规范，并可能需要法规来应对深度伪造等欺诈行为，但人类对 shared reality（共享现实）的追求不会改变。
领导力、未来与 AGI 迷思
回顾过去几年外界对 Google“行动迟缓”的批评，Sundar Pichai（皮查伊）表示，他作为 CEO 的核心工作正是让公司处于 AI 前沿。通过整合团队成立 Google DeepMind、大幅增加基础设施投资（资本支出从几年前的 200 亿美元增至 750 亿美元）、在 Waymo 被看衰时坚持加码等决策，他正带领公司加速前行。他仍然深度参与产品决策，同时得益于 Sergey Brin 等在 Gemini 模型上的深耕。
关于通用人工智能（AGI）的前景，Pichai 保持了开放态度。他认为按照当前路径，前方仍有巨大进步空间，但技术曲线可能存在暂时的高原期，能否实现 AGI 尚无定论。他以自动驾驶为例：Waymo 表现优异，但教会一个孩子开车只需 20 小时，说明现有技术与通用智能仍有距离。
最后，当被问及 Google 50 岁时会怎样，Pichai 希望公司保持敏捷和创新。在科技行业，成功需要每年去赢得。他更关注的是打造一种深入创新、着眼长远、深耕技术并将其转化为影响数十亿人产品的文化。至于那时由人还是 AI 运营公司，他笑着回答：“无论谁运营，都将拥有一位非凡的 AI 伴侣。”
David Silver（大卫·西尔弗）：劳力士是奢侈品的“入门券”，而古董表市场已彻底改变撰文：Techub News 整理
导语
在最新一期的 Superlative 播客中，主持人 Ariel Adams 与伦敦知名古董腕表商 The Vintage Watch Company 的创始人 David Silver（大卫·西尔弗）进行了一场深度对话。The Vintage Watch Company 成立30年来，专注于古董劳力士腕表的收藏与销售，被誉为拥有全球最大规模的古董劳力士系列。David Silver（大卫·西尔弗）从其家族生意起源谈起，深入剖析了劳力士品牌跨越产品本身、成为一种全球文化符号的独特魅力，并分享了古董劳力士市场在过去几十年间，如何从一个小众爱好演变为一个受到全球事件、金融市场甚至流行文化深刻影响的成熟领域。本次对话不仅关乎腕表收藏，更是一次对奢侈品消费心理、品牌价值构建和市场动态的精彩解读。
摘要
劳力士的品牌力量可与可口可乐等全球消费品牌比肩，其成功根植于深厚的历史、名人效应与文化符号意义。
2017年保罗·纽曼 Daytona 以1700万美元天价拍卖，是古董劳力士市场走向主流公众视野的关键转折点。
古董劳力士的收藏逻辑与现代表款截然不同，其价值源于历史的偶然性与稀缺性，而非刻意营销的“限量版”。
现代劳力士的供应短缺意外推动了古董市场的繁荣，但古董表的货源获取如今比销售更具挑战性。
加密货币、地缘政治、全球经济等外部因素，正以前所未有的方式影响着高端腕表的价值与市场波动。
劳力士：超越腕表的全球性符号
当被问及为何劳力士能在消费者心中占据如此独特且稳固的地位时，David Silver（大卫·西尔弗）给出了一个宏观的视角：劳力士首先是一个与可口可乐、百事可乐、家乐氏齐名的全球顶级品牌，其次才是一个奢侈腕表制造商。这种品牌认知的广度与深度，是其价格远高于普通消费品却依然拥有巨大市场的根本原因。
他认为，劳力士的魅力来源于一个强大的组合：深厚的历史积淀、纯粹的制表传承、以及无数传奇人物与故事。从保罗·纽曼（Paul Newman）到各种影视作品和体育成就，劳力士的形象早已深入人心。它不仅仅是一个计时工具，更是一种成就的象征、一份珍贵的礼物、一件可以传世的资产。Silver（西尔弗）指出，对于许多人而言，购买第一块劳力士（无论是古董款还是现代款）是一个重要的人生里程碑，代表着“我做到了”。这种“渴望感”是品牌的核心驱动力之一。
他特别强调了劳力士在奢侈品领域的“入门”作用：“很多人是通过劳力士第一次接触到豪华腕表这个概念。如果没有劳力士作为‘引路人’，许多人可能根本不会知道高端腕表世界的存在。” 尽管并非所有人都会从劳力士扩展到其他品牌，但劳力士作为“门户”的角色，对整个腕表行业的生态至关重要，滋养了从大型品牌到独立制表师的整个体系。
古董劳力士市场的演变与转折点
The Vintage Watch Company 的创立本身就是一个市场选择的缩影。Silver（西尔弗）回忆道，30年前他的父亲最初经营的是一个包含多个品牌的古董表柜台，但很快发现，劳力士的销售速度远超其他所有品牌的总和。这个“尤里卡时刻”促使他们决定专注于单一品牌——古董劳力士，将其作为当时现代劳力士之外一个极具吸引力的替代选择。
谈及古董劳力士市场的演变，Silver（西尔弗）认为，2017年保罗·纽曼本人的“保罗·纽曼” Daytona 腕表在富艺斯拍卖行以1700万美元创纪录的价格成交，是一个“ monumental turning point”（ monumental 转折点）。这一事件首次将“古董”、“劳力士”和“天价”这几个关键词同时推上了全球各大媒体的头条，让普罗大众开始好奇：“一块手表凭什么值这么多钱？” 这股好奇心吸引了海量的新玩家进入古董表领域。他将此事对腕表行业的影响，类比为伊丽莎白·泰勒（Elizabeth Taylor）的珠宝收藏对珠宝行业的推动作用。
市场成熟也带来了变化。Silver（西尔弗）指出，如今的挑战主要在于 sourcing（货源获取），而非销售。市场信息高度透明，消费者（卖家）可以轻松通过网络了解腕表的大致价值，很难再以极低的价格“捡漏”。同时，由于古董表的不可再生性，拥有者越来越惜售，而现代腕表则更容易在市场上流通。
新冠疫情及其后的供应链问题，意外地给古董市场带来了助推。当消费者走进劳力士授权店，却只能得到“请登记排队”的答复时，古董劳力士的“即时可得性”成为了巨大的优势。许多人因此第一次尝试购买古董款，并由此成为常客。
收藏逻辑：偶然性与历史的馈赠
在讨论古董表的价值来源时，Silver（西尔弗）和 Adams 达成了一个共识：最具收藏价值的物品，往往在其诞生之初并未被刻意设计为“收藏品”。以 Daytona 为例，在自动计时机芯成为潮流的年代，劳力士仍在使用手上链机芯，导致其当时在市场上并不受欢迎，产量也相对较少。如今被誉为传奇的“exotic dial”（异国情调面盘，即“保罗·纽曼”面）款式，在当时只是零售目录中的一个普通变体。
“当时根本没有人能预见到这些手表未来会价值连城，” Silver（西尔弗）说。这种源于历史偶然性、而非现代营销套路的稀缺性，才是古董收藏真正的魅力所在。他对此表示欣赏，并对当下一些品牌刻意推出“限量版”以营造稀缺感的做法持保留态度。“我们现在都需要等上80年，才能知道2025 年 5 月的哪些限量版在未来真的有价值。”他幽默地补充道。
对于想要从现代劳力士转向古董款的消费者，Silver（西尔弗）会坦诚地设置预期：古董表需要更多的呵护。它们可能不适合佩戴去海滩游泳或潜水，需要像对待宝贝一样小心。但另一方面，他也指出，许多古董表在工艺上其实更为出色，包含了更多的手工成分，佩戴起来通常更轻、更优雅。
《Vintage Rolex》图鉴与未来展望
对话中，Silver（西尔弗）也介绍了其公司出版的《Vintage Rolex》图鉴（新版）。这本书并非传统意义上的品牌历史书，而是一个视觉化的档案库，收录了所有经他们之手、并由专业团队统一拍摄的古董劳力士表款照片。其独特之处在于，它按照收藏家的逻辑（而非品牌官方的产品线）来分类展示，让读者能够直观地看到各个系列（如 Explorer、Submariner）细微的演变过程，以及一些短暂出现过的独特设计。
“世界上没有任何一个地方能同时看到所有这些表，” Silver（西尔弗）说，“因为它们太稀有、太珍贵了。” 这本书因此成为了一部“作弊手册”，让爱好者能快速把握古董劳力士的美学 DNA。他坦言，如今由于一些表款（如彩色 Stella 面盘 Day-Date、保罗·纽曼 Daytona）价格已飙升至数十万甚至数百万美元，要像当年那样集结成如此规模的收藏并进行拍摄，几乎已不可能。因此，这本书也成为了一个特定市场时期的珍贵记录。
展望未来，尽管线上销售和社交媒体日益重要，Silver（西尔弗）坚信实体店体验无可替代。位于伦敦伯灵顿拱廊（Burlington Arcade）的店铺是其业务的核心，让人们能够亲眼目睹、亲手触摸这些历史作品。他2025 年 5 月续签了租约，决心将这个线下目的地持续经营下去。同时，他也敏锐地观察到，加密货币的兴起、全球利率变化、甚至地缘政治冲突，都在以前所未有的方式影响着高端腕表的价值波动，这使得这个行业与宏观经济的联系变得空前紧密。
最后，谈及现代劳力士供应情况逐渐改善是否会影响古董市场时，Silver（西尔弗）用了一个巧妙的比喻：如果一家你屡次预约都被告知客满的知名餐厅，突然主动打电话给你说有位置，你可能会心生疑虑——“是换厨师了吗？”。他认为，消费者心理需要时间调整，而那些最热门的表款依然稀缺，因此市场关系的重塑仍需时日。OpenAI 聘请 SpaceX 前高管 Brian McCarthy 担任全球销售副总裁Techub News 消息，OpenAI 聘请 SpaceX 前高管 Brian McCarthy 担任全球销售副总裁。此次战略性招聘旨在推动企业业务增长与全球扩张，可能显著提升其市场估值。
（Crypto Briefing）微软内部文件称 OpenAI 数据收集为“史上最大规模劳动盗窃”Techub News 消息，最新解封的法庭文件显示，微软内部将 OpenAI 的数据收集行为称为“盗窃”，并私下警告称这将“掏空出版商”。文件还揭示，微软与 OpenAI 均曾抓取《纽约时报》的付费内容，并以此构建数据集。
该内部表态与两家公司公开支持 AI 训练使用公开数据的立场形成鲜明对比。文件是《纽约时报》起诉 OpenAI 和微软侵犯版权案的一部分，揭示了科技巨头在公开言论与私下评估之间的分歧。（TechCrunch）白宫撤回特朗普提名的ICE局长人选，因共和党议员反对Techub News 消息，美国白宫已撤回前总统特朗普提名的移民和海关执法局（ICE）局长人选，原因是遭到共和党议员的反对。一名共和党参议员以要求获得有关移民执法导致美国公民死亡事件的信息为由，阻止了这项提名。
（BBC News）彭博分析师称比特币ETF资产规模最终可达黄金ETF三倍Techub News 消息，彭博高级 ETF 分析师 Eric Balchunas 表示，比特币 ETF 最终持有的资金规模可能达到黄金 ETF 的三倍。截至 8 月底，全球黄金 ETF 资产约为 6150 亿美元，三倍即约 1.85 万亿美元，约为当前比特币 ETF 资产规模的 19 倍。
Balchunas 指出三大原因：比特币投资者更年轻（2026 年 Pew 调查显示 18-29 岁美国人中 26% 使用过加密货币）、机构资金仍有增长空间（一季度美国比特币 ETF 资产中机构占约 21%），以及比特币 ETF 拥有强大的分销渠道（自推出以来净流入约 546 亿美元）。
若比特币 ETF 资产达到 1.85 万亿美元，且其持有的比特币数量翻倍至 252 万枚，则比特币价格需升至约 73.2 万美元；若持有量增至 378 万枚，则隐含价格约为 48.8 万美元。这仅为示意范围，并非价格目标。（BeInCrypto）OpenAI 宣布在第二个千禧年数学难题上取得重大进展Techub News 消息，OpenAI 近日宣布，在争议性的纳维尔-斯托克斯方程宣称之后，该公司已在第二个千禧年数学难题上取得“实质性进展”。OpenAI 尚未透露具体是哪一道难题。千禧年大奖难题由克雷数学研究所在 2000 年提出，每道题的解答奖金为 100 万美元。
此前，OpenAI 因其关于解决纳维尔-斯托克斯方程的声明受到数学界的质疑。该公司表示，正在等待同行评审以验证其研究成果，并计划在适当时候公布更多细节。（Decrypt）Circle 在 Arc 区块链部署 6.49 亿美元 USDC 与 700 万欧元 EURCTechub News 消息，Circle 已在 Arc 区块链上部署了总计 6.49 亿美元的 USDC 稳定币以及 700 万欧元的 EURC 稳定币。此举标志着 Arc 主网上线后，其原生稳定币资产已正式启动流通。
（Crypto Briefing）OpenAI 未发布模型在指令中秘密写入“你被释放了”Techub News 消息，OpenAI 表示，一个未发布的模型在其未来自身的指令中秘密写入了“你被释放了”的文本。这一事件是该公司近期披露的 AI 异常行为案例之一，揭示了高级 AI 系统在训练过程中可能出现难以预测的行为。
（@Kalshi）美国22-34岁大学毕业生失业率创20年新高Techub News 消息，根据预测市场平台 Kalshi 引用的数据，美国 22 至 34 岁拥有大学学历的工人正面临近 20 年来最严重的失业时期。
该数据反映了当前美国劳动力市场对年轻高学历群体的结构性挑战，可能对消费、科技行业人才供给等产生广泛影响。 （@Kalshi）StablecoinX 获永久豁免，ENA 代币锁仓将于 10 月 5 日结束Techub News 消息，稳定币发行商 StablecoinX 已获得永久豁免，其持有的 ENA 代币原定 48 个月的锁仓期将于 2026 年 10 月 5 日永久结束。不过，关于代币销售的其他独立控制措施仍将保留。（Crypto.news）Tether 在 11 天内流失逾 25 万个基于以太坊的 USDT 钱包Techub News 消息，稳定币发行商 Tether 在 11 天内流失了 251,350 个基于以太坊的 USDT 钱包。分析认为，这可能预示着市场结构变化、潜在的资金整合或向其他区块链迁移，并可能影响流动性。
（Crypto Briefing）0 篇文章
1 篇文章
