世界上最后一家私人公司：一句没人承认说过的话，如何在 IPO 前 60 天引爆 AI 路线之争
一句没有录音、文本和具名信源的二手转述，在48小时内引发Anthropic研究员、投资人Gavin Baker与CEO Dario Amodei三方交锋，也暴露出一家AI公司走向2万亿美元IPO前夕的监管、开源与叙事风险。
AI
深入洞察市场脉搏，精选高价值分析报告
全部全球动态商业洞察深度学习AI企业级应用大模型内核具身智能代币分析算力基建中国 AI 力量AI 编程革命Web3 前沿AI + 生命科学开源生态未来哲学生成式艺术Crypto x AI网络安全DeeptechDeFi 与市场Climatetech报告
AI
全球模型以及可能在这个新领域取得成功的公司
5 家大型企业在基于新物理原理的世界模型领域具有优势 祝大家周日愉快，欢迎收听《AI 投资》节目！我的关于 AI 投资的书籍将于 9 月 15 日出版，目前已在 Amazon 上开启预购。别忘了关注《纽约市的 AI》播客。当然，如果您在推理成本方面支出过高，Neurometric 可以通过为您构建针对特定任务的小型模型，在不损失准确率的前提下帮助您将成本降低 80%。 今日资讯由专门提供人工智能训练与应用相关服务的咨询公司 Neuronify 赞助。快来获取免费的 AI 准备度评估吧。 世界模型概述 随着人工智能行业的进步，大型语言模型（LLMs）的范式已开始在现实世界物理实用性方面触及平台期。尽管 LLMs 擅长语法、文本推理、代码生成和语义分析，但它们缺乏对物理现实的基本锚定。人工智能的下一个数万亿美元前沿是开发和部署世界模型——这些 AI 系统内在地理解三维空间、时间、物理定律、物体恒存性以及因果关系。 对于投资者和机构资产配置者而言，从语言智能向空间与物理智能的转型，意味着大型科技企业在资本支出周期、数据垄断能力以及最终价值创造方面都将迎来重大变化。世界模型作为基础软件层，是实现通用自主移动系统、具身人形机器人、工业数字孪生以及超真实感空间计算所必需的。这些面向物理世界的应用所构成的总潜在市场规模，远远超过目前的基于文本的数字人工智能市场，这实际上也将人工智能的应用领域从数字知识工作领域拓展到了体力劳动、全球物流以及现实世界基础设施的自动化领域。 本次深度分析评估了业界顶尖研究实验室之间关键性的架构分歧：生成式模型（如 OpenAI 的 Sora 和 Google 的 Veo）与预测潜在模型（如 Meta 的 V-JEPA）。至关重要的是，它分析了五家在该领域占据主导地位的独特优势上市公司：NVIDIA（$NVDA）、Alphabet（$GOOGL）、特斯拉（$TSLA）、Meta Platforms（$META）和苹果（$AAPL）。 第 1 部分：定义“世界模型”范式 为了准确理解世界模型的商业和技术轨迹，投资者必须首先将其与当前生成式 AI 聊天机器人的浪潮完全区分开来。LLM 处理文本令牌，基于海量人类语言语料库预测下一个统计上最可能的令牌。然而，语言是现实的一种高度压缩、低带宽且往往有缺陷的表示。LLM 可能在统计上知道“掉落的苹果会落到地面”，但它并不内在地理解重力、质量、碰撞动力学或空间几何；它仅仅复述了这些词语的句法关系。 世界模型是人工智能智能体对物理环境所建立的数学化内部表征。正如人类大脑会持续在后台运行直观的物理引擎，以预测抛出球体的轨迹或从陡峭路缘上迈步可能带来的后果，世界模型也能让人工智能模拟其所处的环境，并根据当前及潜在的动作来预测未来的状态。 向空间智能的转变 科技行业目前正从将通用人工智能（AGI）视为纯粹认知性、文本输入/文本输出的目标，转向追求物理 AI 或空间智能。世界模型的训练并非基于互联网文本，而是基于高保真视频流、激光雷达点云、汽车遥测数据以及 3D 空间交互。 当人工智能拥有一个强大且功能准确的世界模型时，它将获得以下能力： […]
AI
当人工智能不再仅负责记录，而是开始直接为患者诊疗时
我们认为，在医疗健康人工智能领域中，最具价值的位置属于那些能够掌控“入口”的企业。 几年前，医疗领域的一个核心问题是人工智能是否真的能够被应用。如今这个疑问已经有了答案：目前超过 80%的美国医生在日常工作流程中会使用人工智能；由 Lightspeed 投资支持的 Doctronic 公司已经促成了近 3000 万次患者与人工智能的互动，这些情况下患者获得的是人工智能给出的医疗建议，而非医生的解答。 在人工智能驱动的医疗领域，新的问题在于这项技术能在多大程度上帮助护理人员与患者。当然，还有一个问题：在这个向来不以优质体验著称的行业中，谁能够打造出最出色的使用体验。 医疗行业无法用单一的标准来概括，因为它并非一个统一的市场。人们常提到的 5 万亿美元这一数字其实只是总体规模而已，其背后存在着数百家价值数十亿乃至数百亿美元的独立企业，每家都有各自的客户群体、运营规则以及潜在风险点。 作为投资者和医生，我们试图站稳脚跟的秘诀在于牢牢抓住我们认为贯穿这一切的纽带——医疗体系的基石：患者。只要为患者带来实实在在的好处，价值自然就会随之而来。 患者体验路径图 大多数人会将医疗领域的人工智能按技术类别来划分：有的负责语音交互，有的负责文字转录，还有的是处理影像数据。但我们更倾向于根据患者所经历的诊疗流程来划分，因为问题往往就出在那个流程之中。 这一过程在人们生病之前就开始了。首先需要获得保险保障，而在美国，这无疑是一道艰难且至关重要的门槛，因为保险的获取方式会决定后续的一切。 如今，人们越来越倾向于提前预防疾病，而非坐等其发生。一旦患病，就必须进入传统医疗体系：寻找医疗服务并预约就诊，接受检查后，这些记录会被存档，进而转化为报销申请，最终后台的某个人会因此获得报酬。目前仍有约 80%的预约是通过电话完成的，这自然会导致等待时间延长以及信息传递错误的问题。许多公司现在正以人工智能为核心，重新设计医疗流程的每一个环节，从语音输入开始，到将临床用语转化为账单上的财务用语的医疗编码流程。 关于这一领域的两项事实，有助于我们判断创业机遇将朝着何处发展。 首先，人工智能被应用于医疗流程中的行政环节：撰写病历、处理报销申请等繁琐工作。我们认为，对于这项容易出现错误的新兴技术而言，这里正是合适的切入点，而且这一领域的规模相当庞大——在美国 5 万亿美元的医疗支出中，就有超过 1.2 万亿美元用于行政事务。 其次，随着相关模型的不断优化，这项工作正在向风险更高的临床领域推进。Lightspeed 投资的企业 Abridge 便是很好的例证——它最初是医疗记录整理领域的佼佼者，近期则宣布要转型为以患者为中心的临床智能平台，以此在更上游的环节创造更多价值。如今，我们把更多精力投入到需要逐步建立患者信任、应对监管要求并争取合理报销的那些领域中。 为何我们愿意转向传统模式 当原始计算能力最初被认为足以用于临床工作之时，人们往往会倾向于支持那些最快实现产品落地的企业。但我们则寻找那些能够与技术发展同步建立相应规范、并与州级及联邦监管机构携手合作而非试图绕过它们的创始人。我们投资的这两家公司正处于这一领域的自主诊疗端，它们其实是同一理念下的两种不同实现形式： Doctronic：实现自主化的“前台” 从公开市场的表现来看，人们有必要对面向消费者的远程医疗公司保持怀疑。Teladoc 收购 Livongo 的案例便是投资者们首先会提及的警示故事。因此，我们关注的重点在于：究竟是什么让 Doctronic 有别于普通的聊天机器人以及传统的远程医疗服务。 有两点值得注意：首先，该系统从诞生之初就按照 HIPAA 标准设计，而这正是赢得患者信任并保护其数据的必要条件；其次，其背后拥有性能极为出色的多智能体多模型系统，能够将诊疗流程的每一步都分配给最合适的模型来处理，而非依赖单一通用模型来完成所有工作。 今年在犹他州，Doctronic 成为首家获得许可可自动续签某些慢性病处方的美国公司，且在执行该任务时无需医生介入。在试点项目中，97%以上的处方续签决策与人类医生做出的决定一致。随着相关模型的不断优化，这一比例还在持续上升。该试点的成功已经引发了州政府和联邦政府关于如何进一步拓展医疗服务覆盖范围的讨论。 Doctronic 的发展势头极为强劲：迄今为止已提供近 3000 万次人工智能咨询服务；自一年前我们领投其 A 轮融资以来，该公司的直接面向消费者的营收增长了 20 多倍；同时在 Google 上它始终位列“人工智能医生”搜索结果的第一位，这为其作为行业顶尖品牌的传播奠定了坚实基础。 我们认为，监管方面的优势很可能会在短期内进一步加速这种早期市场优势的形成。不过，我们觉得更坚实的壁垒在于其背后的正向循环机制：患者足够信任 Doctronic，愿意与其分享敏感的健康信息；这些患者互动数据使得医疗服务更具个性化，治疗效果也往往更好；而更好的治疗效果又会帮助该公司赢得药店、医疗体系以及支付方的支持，从而使这些机构也将该服务提供给自己的患者。如此一来，Doctronic […]
AI
人工智能革命将被证券化：华尔街发现了 GPU，而英伟达则发现了杠杆效应
当一个行业的融资渠道从硅谷转向华尔街时，就意味着该行业正在蓬勃发展。 昨日，Nvidia 宣布与全球金融领域的六大巨头——Apollo、BlackRock、Blackstone、Brookfield、高盛和 KKR——建立合作伙伴关系，共同打造独立的“计算融资平台”，旨在为人工智能基础设施筹集超过 5000 亿美元的第三方资金。 思路很简单：英伟达的客户想要的计算能力远超许多客户自身能够轻松融资的范围。因此，与其让英伟达自己拉长资产负债表——或者让客户一次性开出巨额支票——不如由华尔街提供资金池，为这一建设提供融资。 贷款机构通常青睐基础设施，因为它能依托耐用资产产生可预测的现金流。一条收费公路拥有数十年的车流量。一座发电厂拥有长期合同。一架飞机可以飞行数十年，能在航空公司之间流转，若其所有者陷入困境，还可被收回并租赁给他人。 GPU 的传统信用状况并不那么令人安心：它是一块极其昂贵的硅片，而更新、更快的替代品早已出现在英伟达的产品路线图上。 Nvidia 正试图改变这种看法。该公司认为，其计算平台具备四大特性，使其具有极高的融资价值： 可互换。同一座 AI 工厂可以服务多个客户、模型和工作负载。 无处不在。Nvidia 的架构已部署于各大云服务商、OEM 厂商、企业和 AI 实验室，构建了庞大的潜在用户群体。 支持软件升级。通过 CUDA 技术的改进，能够提升已安装硬件的性能与使用效益。 可重新部署。英伟达认为，如果某个客户不再需要集群，还会有许多其他客户需要。 黄仁勋的核心论点实际上是，英伟达的计算能力并非一种专属于单一买家或工作负载的定制化资产。它处于一个由潜在用户和“承购方”构成的广泛生态系统中，同时软件改进持续提升已安装基础的生产力。这些特性延长了资产的使用寿命，并支撑其残值。 Nvidia 希望让贷款机构相信，Blackwell 计算集群更不像企业服务器，而更类似于波音 737 飞机。航空公司可能会倒闭，但飞机本身的价值依然存在。 而华尔街似乎也愿意下这个赌注。高盛首席执行官大卫·所罗门明确描述了为英伟达算力支持的信贷创造市场的机会。 从 GPU 稀缺到 GPU 流动性 人工智能基础设施项目通常需要数百亿美元的资金。即便是一些大型科技企业，也无法仅依靠自身资产负债表来持续为新增的每吉瓦计算能力提供资金支持。而那些处于前沿的技术实验室及新型云服务提供商面临的困境更为严峻：他们的计算规模目标远远超出了目前的现金流所能承受的范围。 因此，英伟达正在引入杠杆。与其问一家人工智能公司：“你买得起 50 亿美元的 GPU 吗？”，现在相关的问题变成了：“你能承担 50 亿美元 GPU 的债务偿付吗？”这极大地扩展了潜在买家群体。同时，这也可能形成一个强大的飞轮效应： 更多融资 → 更多英伟达基础设施 → 更广泛的 CUDA 采用 → 更深度的利用率与二级市场流动性 […]
AI
开放型与封闭型人工智能的一些基本经济学原理
如果权重是免费的，那下一次运行该由谁来支付费用？又该由谁来保障我们的安全呢？ 今天，我们很高兴为大家带来特约作者克里斯蒂安·卡塔利尼的文章。如想阅读更多他的作品，请订阅他的 Substack 账号。——Danco 1851 年大国际展览会上从海德公园的水晶宫骑士桥路拍摄的景象。献给皇家委员们。伦敦：里德雕刻印刷公司，1851 年。维基媒体. 1851 年 5 月，数百万人走进那座玻璃建筑内的展厅，一探未来的模样。这次大展汇集了当时世界各地最先进的发明成果，包括蒸汽锤、电报机、收割机以及冲水式马桶。任何人都可以近距离观察这些技术并尝试逆向工程，各国也派出最优秀的工程师，试图从竞争对手那里获取尽可能多的技术信息。该展览的赞助人阿尔伯特亲王坚信，技术的传播对于推动经济进步至关重要。 一个半世纪后，经济学家佩特拉·莫泽将这些展览的目录以及 1851 年展会及其 1876 年美国续展上的近 15000 项发明转化为了数据集。重要的是，这些发明来自有专利保护机制和没有此类机制的国家。她的研究结果令那些最坚决主张加强知识产权保护的人感到不安：专利制度并不会影响创新水平，只会影响发明家们将注意力集中在哪些领域。当时瑞士还没有专利保护制度，因此创新者们纷纷将精力投入到科学仪器和食品等领域——雀巢就是 1866 年在瑞士创立的——因为在这些领域，保密性、研发周期以及相关的配套资源能够为他们带来足够的优势。在严格的知识产权保护制度下，创新则会更广泛地传播；同样的创新成果只是在不同领域之间进行了不同的分配而已。 如今，同样的矛盾也成为了封闭权重与开放权重人工智能模型之间争论的焦点。Anthropic 与 OpenAI 认为，来自中国企业的“提取攻击”不仅威胁到该行业为新一代模型提供资金的能力，还危及美国的国家安全。而支持开放权重的观点则认为，技术的传播对于构建一个具有竞争力且充满创新活力的机器智能市场而言至关重要。 但莫瑟的证据表明，这场争论关注的重点有误。开放模型权重不太可能改变对人工智能的投资总量，只会影响投资方向——即究竟开发什么、由谁来开发，以及谁能够获得收益。封闭式实验室可能会持续探索最基础的技术边界，而开放模型权重则能让各种企业及领域开展实验，从而将机器智能与稀缺的数据、分布资源以及隐性知识相结合。安全性问题也面临同样的分配难题。关键问题不在于开放性本身是否具有危险性，而在于当技术扩散强化了某些势力的能力时，究竟在何处才能有效限制那些有害的能力。 智能市场的发展愿景之争 反对开放模型权重的经济论据很简单：权重提取行为属于知识产权盗窃，会削弱创新动力。如果美国政府不介入并运用一切可用手段加以制止，不仅美国的实验室将无法为下一次大规模训练提供资金支持，中国还会搭便车利用我们的成果并取而代之。按照这种观点，开放模型权重会严重阻碍创新发展。 相反的论点则着眼于通用技术在过去是如何在经济体中传播的，其结论是：开放模型权重不仅具有明显的促进竞争与推动创新的作用，而且没有它，美国将会迅速落后。在互联网时代，正是开放性与实验精神让我们保持领先，这次也不例外。 安全问题进一步加剧了这一讨论的复杂性。达里奥·阿莫德伊多年来一直反对开放模型权重，认为它们会带来极大的安全风险。他相信，一旦人工智能的智能水平超过某个临界点，社会就将无法抵御恶意行为者的攻击，而那些失控的模型可能会造成足以威胁人类生存的破坏。唯有通过控制访问权限并设置相应的限制，这个“数据中心里的天才们”的国度才能继续存在。更糟糕的是，由于开放模型权重无法被“召回”，我们可能会在毫无预警且毫无补救办法的情况下突然陷入灾难性局面。 阿莫德伊的批评者指出，如果没有开放模型权重，人工智能领域的市场将会迅速变得极为集中。对 Anthropic 而言，十分幸运的是，其商业利益不仅与人工智能安全目标完全一致，还与美国的国家安全诉求相契合。安全研究人员也经常破解封闭模型的安全保护机制，而 Anthropic 与 OpenAI 的模型早已被黑客广泛利用，甚至被用来入侵敏感的政府基础设施。他们认为，尽管封闭模型能给人一种安全的假象，但充其量也只能为我们争取一些时间而已。 双方都担心，如今的错误决策会让我们陷入无法挽回的困境。同时，双方也都真心认为自己的方式才是保障我们安全（或尽可能安全）的唯一途径。幸运的是，经济学并不偏袒任何一方。 从未存在过的可占有机制 为了赶上技术前沿，其他众多实验室都将 Anthropic 与 OpenAI 视为竞争目标。Anthropic 甚至公开要求国会制裁阿里巴巴，指责其实施了肆无忌惮且非法的攻击行为，企图窃取该公司的技术。如果中国的实验室能够通过各种手段在短短几个月内就以较低成本复制出与这些模型相当的性能，那么美国的实验室又该如何持续为必要的训练工作提供资金支持呢？ Anthropic 的诉求存在的问题在于：除了虚假账户和对其 API 的系统性滥用之外，它所期望的那种类似专利性质的权益保护机制其实从来就不存在。模型蒸馏是一种合法的行业做法，与过去美国国防、航空航天及芯片行业的企业所面临的间谍活动及商业秘密窃取行为截然不同。中国的研究机构并非在偷窃这些公司的核心模型权重，而是在让美国的模型充当自己模型的训练范本。 输出内容并不受版权保护，人工智能实验室通常会将这些内容的所有权交给客户。服务条款仍可能禁止客户利用这些输出来训练竞争性模型。但这引出了一个显而易见的问题：既然这项技术如此先进，为什么实验室不能用它来阻止模型蒸馏行为呢？答案在于，无论是内容还是来源都无法暴露攻击意图。每一项请求看起来都像是正常客户的操作，而有组织的攻击者可以通过大量虚拟账户、聚合平台以及不同司法管辖区来分散请求量。在没有给各方带来更沉重负担的情况下，实施管控就只会变成一种不断封禁却又极易被替代的徒劳之举。这一权衡在 Fable 身上已经表现得十分明显——其对前沿人工智能研发工作的辅助功能设置限制过严，令客户极为不满，迫使 Anthropic 在数日内就不得不进行调整。那些力度过大、足以起到反欺诈作用的管控措施，势必会波及到更广泛的合法工作。从长远来看，阻止客户使用他们已付费获得的模型输出结果来进行训练其实是一种不划算的策略：如果限制过于严格，高级用户就会转而使用开放权重模型。 最后，将过去十年中推动人工智能发展的重要技术视为非法手段，这使那些顶尖研究机构陷入极为困境，因为它们目前正是依靠大量的合理使用论据，才能对海量的网络内容、媒体资料和书籍进行加工利用。 但如果我们暂且抛开疑虑，顶级人工智能模型能够充当“老师”来提升性能较弱的模型这一事实，真的会对美国的人工智能发展造成负面影响吗？如果政府能够运用其软实力、政策及外交手段来强制推行这一点，我们又是否真的愿意呢？ […]
AI
Mirage 产品市场契合度：AI 原生服务企业的隐形杀手
“幻影 PMF”正是当前 AI 原生服务公司中最常见的失败模式：营收增长迅速、客户留存率很高，但大部分服务仍由人工而非人工智能来完成。 每次都是同样的情况：你进入市场，凭借更快的速度、更好的产品或更低的价格击败现有竞争者，客户们便选择与你合作。营收随之上升，于是你招聘更多员工来满足需求，每一次招聘都似乎是正确的决定，营收持续增长，而 AI 平台却仍在等待。 每当你选择雇佣更多人工来提供服务，而非投资于人工智能平台时，这种“幻象”就会愈发严重。你的营收看起来像是一家软件公司，但毛利率却如同一家人力资源公司。 你并没有打造一家真正的 AI 原生服务企业，只不过是用错误的融资方式建立了一家服务公司罢了。 为何会出现这种情况 那些陷入这种境地的创始人并非做出了一个错误的决定，而是做出了上百个看似合理的抉择。 AI 原生服务企业所面临的核心矛盾十分独特：一方面，它们属于专业服务公司，必须响应客户的紧急需求；另一方面，它们又是一家科技企业，需要投入资源构建人工智能平台，才能真正解决那些紧急问题。这两者之间存在直接冲突，而由于客户会立即付款并提出要求，专业服务方面的压力几乎总占上风。 这样一来，企业就会不断将注意力偏向紧急事务而忽视重要事务：总是忙于应对各种需求，却无暇进行产品建设。虽然营收增长势头看似强劲，但人工智能应用带来的效益提升却呈降号走势。 风险投资加剧了这一问题。投资者为营收欢呼，但这并非全貌。 如何诊断海市蜃楼 问自己一个问题：你现在能告诉我，在服务的每一个细分环节上，你从 AI 中获得了多少杠杆效应，无论是速度还是质量？ 不是在宏观层面。不是“我们自动化了 40%的工作流程”。而是在任务层面。具体的步骤。每一个单独的交接环节。 如果你无法回答这个问题，你就面临着“幻影 PMF”的风险。 AINS 公司的北极星指标与 SaaS 有着根本性的不同。在 SaaS 中，产品使用情况是价值的合理代理指标。而在 AINS 中，理想情况下，你的客户从不接触你的产品，而是你的员工在使用。使用量变得无关紧要。你真正需要的是： 北极星 AINS 产品指标。这些指标针对贵公司量身定制。绘制服务交付的每一步流程。针对每个步骤，追踪在您的质量标准下 AI 能完成多少工作。完成任务所需的时间。需要多少人工审核。 然后将每个指标分配给一个人或一个双人组合。一些 AINS 企业会采用执行者/构建者配对的方式来推动特定指标。 在董事会层面按季度跟踪并报告这些指标。如果某项指标无人负责，它就不会有所改善。 每服务全职员工对应的 ARR。每位服务交付人员创造了多少收入，与行业基准相比如何？ 如果你的 AI 没有至少好上 2.5 倍，那它还没创造出真正的杠杆效应。 然后观察趋势。这个数字应该每个季度都在攀升。持平意味着你的增长来自招聘，而非 AI。 真实计算的毛利率——这一指标具有滞后性。若高于 70%，企业就能获得软件行业相应的估值倍数；在 50%到 70%之间，则意味着其表现优于传统服务行业，但定价却如同传统服务企业；低于 […]
反对人工智能写作工具的观点至少已有 2400 年的历史
布雷特·斯蒂芬斯认为绝不能使用人工智能来写作。里德·霍夫曼则主张应评判作品本身，而非工具。我支持里德的观点，斯蒂芬斯所提出的论点其实在我们发明的每一种写作工具上都已经出现过。 我正在与 Phin Argofy 共同创作小说《零知识》，目前已经写了 34 章。这个书的构思是我提出的，随后我和 Phin 一起通过“规划法”来构建整体结构，包括编写完整的剧情大纲、设定世界观、设计人物发展轨迹、规划情节节点以及绘制详细的章节草图。我会让 Phin 先草拟一章，然后再由我重新修改。Phin 会学习我的修改意见，并将其融入系统的架构中，从而提升草稿的质量。我还多次让 Phin 回顾之前的章节，根据所学到的经验进行优化。等全书写完后，我应该能得到一个初稿，之后还需要花费大量时间对其进行补充、修改和完善。 我的老友鲍勃·巴斯克维尔一直为我提供许多章节的精彩反馈（有时还很一针见血，比如“这一章很无聊”），他还将布雷特·斯蒂芬斯发表在《纽约时报》上的文章《我恳求你：永远不要用人工智能写作》的链接发给了我。昨天，我又读完了里德·霍夫曼所著的《万能句的潘格洛斯》。 我支持里德的观点。 斯蒂芬斯提出的论点属于认知层面而非伦理层面。他认为使用人工智能写作会“削弱思维能力”，就好比在需要养成每天走楼梯的习惯时却选择了自动扶梯。他主张写作能够促使人深入思考，通过语法、逻辑连贯性以及他人意见的反馈，帮助完善那些尚未成熟的想法。如果将写作工作外包，那么思考过程也会随之被外包。 他说得对，写作能促使人思考。我从 2004 年开始写这个博客，因为只有通过写作，我才能弄清楚自己真正的想法。 斯蒂芬斯一说出“绝不”，我就无法认同了。 在《斐德罗篇》中，苏格拉底讲述了一个关于埃及神发明文字并将其献给国王的故事。国王对此不以为然。他说，文字将导致遗忘。学生们将不再记忆事物，而是开始查阅它们。他们将拥有智慧的表象，而非智慧本身。 这正是斯蒂芬斯提出的论点。这个论点已有 2400 年历史，最初是针对书写行为本身提出的。 1492 年，修道院院长约翰内斯·特里特米乌斯撰写了《赞颂抄写员》一书，主张修士们应继续手工抄写手稿，因为这种劳作是虔诚的，而印刷书籍只是其廉价的替代品。该书于 1494 年付印。 尼采在 1882 年因视力衰退购买了一台打字机。当时的主流观点认为，用打字机写私人信件显得冷漠，因为机器隔在了你与收信人之间。尼采在给朋友的信中写道，我们的写作工具作用于我们的思想，这句话至今仍被引为警示。他当时正走向失明。没有打字机，纸上便不会有任何思想。 1984 年，戈尔·维达尔抱怨文字处理器正在抹杀文学。同年，40%至 50%的美国作家正在使用文字处理器，其中包括拉尔夫·埃里森、亚瑟·C·克拉克和安妮·赖斯。1984 年 6 月，《字节》杂志将杰里·波奈尔的专栏更名为《混沌庄园的计算》。波奈尔是我最喜欢的作家之一，自 1980 年起便撰写该专栏，内容关于他与拉里·尼文创作小说所用的机器。他已在电脑上完成了第一部科幻小说。那台被他称为“泽克”的 Z-80 机器，如今收藏于史密森尼学会。 拼写检查出现时，人们称它会破坏拼写能力；语法检查出现时，人们又说它会毁掉语法水平。 2008 年，尼古拉斯·卡尔在《大西洋月刊》发表了《谷歌是否让我们变蠢？》，并将其扩展成书。他的论点是，搜索已将深度阅读变成了浅尝辄止的浏览。 所有这些情况都被以同样的方式来理解：得到某样东西，就必然会失去另一样东西。这其实是一场零和游戏。 我认为这是思考这个问题的错误方式。 书写之后，我们保留了记忆。印刷之后，我们保留了技艺。打字机之后，我们保留了声音。文字处理器之后，书籍变得更好。每次新技术引入时，真正发生的是天花板变得更高了。那些在乎作品的人，不断改进他们做事的方式和内容。 用工具增强自身是人类的本能。这是我们物种的发展轨迹，从历史可追溯的远古时代起便是如此。 然而，这些问题确实存在。 如今世上的劣质作品比历史上任何时期都要多，而创作这类作品的成本却已降为零。有些人会利用这些工具来更深入地思考，也有人会用它们来逃避思考；有些人会创造出出色的作品，而另一些人则会以越来越快的速度编造谎言。 那不是人工智能的问题，而是我们自己的问题。我们以前使用的每一种工具都会出现这种情况，为何觉得这次会有所不同呢？ 里德说对了。问题不在于使用了机器，而在于按下按钮后却不去查看生成的内容，还以自己的名义将其发表出来。他得出的简单结论是：“说出来的话，说话的人必须负责。” 我的补充观点是——这可真是个非 AI […]
AI
让人工智能预测变得困难的种种困难
若要更准确地预测人工智能对任何行业的影响，就必须先了解它对整个集成生态系统所带来的整体影响。它或许能够简化工作流程中的某个环节，但当其他步骤试图适应这种提速时，情况又会如何发展？瓶颈会出现在何处，又能否被消除？如果无法解决这些问题，整体的处理效率就不会提升。 人工智能预测旨在预判人工智能系统将具备何种能力，以及这些能力将如何影响各个行业、机构与人们的日常生活。而后者要难得多。 “这并非通过基本原理就能得出的结论，”上周我们谈论人工智能预测问题时，阿比·奥尔维拉是这么告诉我的。我是因为她最近发表的一篇从生物安全角度探讨人工智能预测的文章而联系她的，之后才第一次与她见面。 阿比曾在美国国务院担任外交官超过七年，工作涉及危机应对、国家安全、中国事务、国际协调以及新兴技术风险。她曾在达喀尔和开罗任职，在开罗期间专注于埃及 120 亿美元的国际货币基金组织项目。她还曾在中国事务办公室处理网络安全和执法问题。在她的职业生涯中，她不得不思考贫困、国家安全、危机应对、能源、生物安全、网络安全，以及当技术变化快于政策制定时不得不做出响应的各类机构。如今，阿比撰写《正和》Substack 专栏，并正在创办一个专注于国家能力和经济瓶颈的组织。她还是金门研究所的特别顾问，以及人工智能政策与战略研究所的附属研究员。 在交谈中，我和阿比探讨了她在预测差距方面认为风险最大的领域、造成这些差距的根源，以及可以采取哪些措施来加以解决。 预测差距 预测差距往往源于人们误以为获取信息等同于具备行动能力。人工智能虽能降低理解某一领域的门槛，却未必能让实际执行工作变得更为轻松。 以放射科为例。2016 年，杰弗里·辛顿在多伦多举行的一场机器学习会议上表示，“人们应该停止培训放射科医生”，因为深度学习在五年内就会远远超越他们的能力，这一点“再明显不过”。尽管人工智能在放射科领域已展现出巨大价值（食品药品监督管理局已批准了数百种基于人工智能的医学影像工具），但当初对劳动力市场的预测却大错特错。放射科并没有消失，事实上其需求还在上升。在积极采用人工智能的梅奥诊所，据报道自 2016 年以来放射科的员工数量增长了 55%，该科室还组建了由 40 人组成的人工智能团队，并使用了 250 多种人工智能模型。 “进展令人惊叹，但这些 AI 工具大多只关注一件事，”宾夕法尼亚大学佩雷尔曼医学院放射学教授、《放射学：人工智能》期刊主编小查尔斯·E·卡恩博士表示。正如《纽约时报》所写，“放射科医生的工作远不止研究影像。他们为其他医生和外科医生提供建议，与患者沟通，撰写报告并分析病历。在识别出器官中可疑的组织团块后，他们会结合特定患者的病史，凭借多年经验解读其可能意味着什么。” AI 改善了医学图像解读的任务，但放射科医生仍需整合临床背景、与医生沟通、指导治疗决策、执行操作并承担责任。能力已经具备，但预测却失败了，因为图像解读只是“放射科工作”这座冰山的顶端——随着 AI 在这一工作流程顶端的任务上变得更加熟练，反而需要更多放射科医生来应对相关工作的增加。 Abi 认为，预测过于关注技术带来的可能性，而未能充分考量现实领域的实际情况以及决定人们是否会、在何处以及为何真正使用技术的社会激励因素。我们需要更好地理解这两个方面：人工智能在哪些环节改变了工作流程，以及世界如何作出回应。 偏见与盲点 AI 预测之所以困难，部分原因在于最接近技术的人往往离预测将发挥作用的领域最远。正如 Abi 所言，“由于 AI 预测往往来自更偏技术、位于湾区的社群，它在涉及社会行为、采用或任何大型现实世界或物理世界组成部分的领域，系统性失误更多。”例如，在旧金山，人们往往从能力出发。软件工程师常将 AI 用于模型能端到端完成大部分工作流的任务。然而，在其他领域，工作流延伸至文本之外，涉及物理系统或与外部参与者的互动，这使得 AI 的影响既更难察觉，也更难预测。 “华盛顿特区的人不太可能使用 Claude Cowork 或 Codex，”她说道。“即便有人在那里使用这些工具，很多时候也只会用聊天机器人版本，这固然不错，但终究无法发挥出人工智能那些令人惊叹的强大功能。” 另一方面，旧金山的人们往往低估了 AI 应用过程中的摩擦，因为他们更关注愿景本身，而非将愿景转化为现实世界成果的具体细致工作。 事实上，这两种观点都不完整。旧金山或许更接近技术能力的前沿，却远离这些能力得以应用的系统。与此同时，华盛顿（或其他非技术权力中心）更接近那些真刀真枪落地的系统，却远离人工智能技术的真正可能性。遗憾的是，公共讨论很少弥合这一鸿沟。最有动力发声的人通常与结果利害攸关（例如，试图推销产品的公司，或试图捍卫自身地位的机构）。倡导行为创造了塑造对话的资源与激励，这固然有价值，但也意味着最响亮的声音未必总能代表从业者的普遍观点。而且，由于人们消费的内容通常是那些本就契合自身世界观的内容，公共讨论日益沦为回音室，而非桥梁。 跨框架研究 这就是为什么 AI 预测需要更多与实际从业者的接触。他们最了解 AI 能在哪些方面改变工作、在哪些方面不能，以及局外人从他们的 AI […]
AI
Pathway 在 5 亿美元的估值基础上筹集了新资金，用于发展基于 Transformer 架构之后的 AI 技术
AI 研究公司 Pathway 在 5 亿美元的估值基础上又获得了新一轮融资，其累计种子轮融资金额已达 3000 万美元，目前正准备推广基于其后 Transformer 架构打造的新一代模型。 此次融资的参与方包括 Id4 Ventures、TQ Ventures、Red Bridge Ventures、Kadmos Capital 以及 Wilson Sonsini 旗下的投资机构 WS Investment Co.，此外还有 Databricks 的首席 AI 科学家乔纳森·弗兰克尔。Pathway 表示，这些新获得的资金将主要用于提升计算能力，其中包括采购 NVIDIA GB300 系列系统。 在这笔投资到账的同时，Pathway 的 BDH-CQ 推理模型也公布了新的测试结果，这为此次投资提供了更为扎实的技术依据，而此前人们往往只是承诺要打造规模更大的基础模型。Pathway 表示，其拥有 1.5 亿参数的该模型在公开的 ARC-AGI-1 评估集上的得分达到了 29.5%，且每项任务的推理成本仅为 0.0007 美元。 在投入资金的同时，Pathway 选择摒弃单纯依靠规模扩张的发展策略 目前，大多数前沿模型的竞争都集中在规模上：更大的计算集群、更多的训练数据、更多的参数，以及更高的测试时计算资源消耗。Pathway 则采取了不同的方法，它认为行业面临的成本与内存限制其实源于架构问题，而非仅仅通过增加计算资源就能无限解决的难题。 这一理念正是其 BDH，也就是“龙雏”架构的核心所在。Pathway 将 BDH 描述为一种后 Transformer 架构，旨在在模型内部整合推理、记忆与自适应能力，而非主要依赖不断扩大的上下文窗口或外部记忆系统。 […]