Dwarkesh Podcast
订阅 登录 播放速度 × 分享帖子 在当前时间分享 从 0:00 分享 0:00/1321317
Mark Zuckerberg —— AI 将在 18 个月内编写 Meta 的大部分代码
“世界将变得有趣得多、怪异得多、也离奇得多。”
Dwarkesh Patel
2025年4月29日
1321317
分享
Zuck 谈：
Llama 4、benchmark gaming、open vs closed
Intelligence explosion、AGI 的商业模式
Orion glasses、AI relationships，以及不被我们的技术 reward-hacked
在 Youtube 上观看；在 Apple Podcasts 和 Spotify 上收听。
Scale 正在构建更安全、更智能的 AI 基础设施。Scale 的 Data Foundry 让各大 AI 实验室能够获取高质量数据，为 post-training 提供燃料；同时他们的公开排行榜有助于评估模型能力。他们刚刚还发布了 Scale Evaluation，一款用于诊断模型局限性的新工具。如果你是 AI 研究者或工程师，请访问 scale.com/dwarkesh，了解 Scale 如何帮助你推进前沿。
WorkOS Radar 保护你的产品免受机器人、欺诈和滥用的侵害。Radar 利用 80 多种信号来识别并拦截常见威胁和有害行为。欢迎访问 workos.com/radar，加入 Cursor、Perplexity 和 OpenAI 等公司的行列，彻底消除代价高昂 free-tier 滥用问题。
Lambda 是 AI 开发者的首选云，拥有超过 50,000 块 NVIDIA GPU，随时为初创公司、企业级客户和超大规模厂商提供服务。Lambda 专注于 AI，提供具有成本效益的算力，并由真正的专家提供支持，其中包括一个 serverless API，可无速率限制地 serving 顶级开源模型如 Llama 4 或 DeepSeek V3-0324，并可在 lambda.ai/dwarkesh 免费试用。如想赞助未来的某一期节目，请访问 dwarkesh.com/p/advertise。
(00:00:00) – Llama 4 与其他模型相比如何 (00:26:36) – AI 朋友、治疗师与女友 (01:02:04) – 大型科技公司是否在向特朗普靠拢？
Llama 4 与其他模型相比如何
Dwarkesh Patel：Mark，感谢你再次做客播客。
Mark Zuckerberg：彼此彼此。上次你来的时候，刚发布了 Llama 3。现在你已经发布了 Llama 4。
Dwarkesh Patel：没错。有什么新东西？令人兴奋的点是什么？发生了哪些变化？
Mark Zuckerberg：整个领域非常活跃。我觉得自从上次我们谈话以来，已经发生了很多变化。Meta AI 现在每月有近十亿人在使用，这相当疯狂。我认为今年对所有这些来说都将是非常重要的一年，尤其是当你把个性化循环跑起来之后——我们现在才真正开始构建这一点——这既包括所有算法掌握的关于你兴趣的上下文，比如信息流、你的个人资料信息、你的社交图谱信息，也包括你正在与 AI 互动的内容。这将是下一个超级令人兴奋的东西。我非常看好这一点。建模方面也持续取得了非常令人印象深刻的进展。我对 Llama 4 的首批发版相当满意。我们宣布了四个模型，并发布了前两个——Scout 和 Maverick——它们属于中型到小型的模型。最受欢迎的 Llama 3 模型是 80 亿 parameter 的那个。所以我们在 Llama 4 系列中也会推出一个这样的模型。它的内部代号是“Little Llama”。大概会在未来几个月内推出。
Scout 和 Maverick 都不错。它们的 intelligence per cost 在所有现有模型中处于最高水平。它们是原生 multimodal 的，效率很高，能在单台主机上运行。它们被设计得非常高效且低延迟，适用于我们内部正在构建的许多 use cases。这就是我们的核心理念。我们先打造自己需要的东西，然后将其 open-source，让其他人也能使用。对此我很兴奋。我也对即将推出的 Behemoth 模型感到兴奋。这将是我们的第一个真正处于 frontier 的模型——超过 2 trillion parameters。顾名思义，它非常大。我们正在研究如何让它对人们有用。它太大了，以至于我们不得不搭建一整套基础设施，才能自己对其进行 post-train。现在我们正努力思考，普通开发者究竟该如何使用这样的东西？我们如何让它变得实用——也许通过将其 distill 成尺寸合理、可运行的模型？因为你显然不会想在消费级模型里运行那样的东西。正如你去年看到的 Llama 3 系列，最初的发布很令人兴奋，然后我们在整年里不断在此基础上迭代。3.1 发布了 405 billion 的模型，3.2 则加入了所有 multimodal 功能。我们今年基本上也有类似的 roadmap。所以有很多事情正在进行。
Dwarkesh Patel：我很想进一步了解。现在有种印象是，过去一年里，最好的 closed-source 和最好的 open-source 模型之间的差距在拉大。我知道 Llama 4 的完整模型家族尚未全部推出，但 Llama 4 Maverick 在 Chatbot Arena 上排名第 35。在一系列 major benchmarks 上，似乎 o4-mini 或 Gemini 2.5 Flash 都击败了同级别的 Maverick。你如何看待这种印象？
Mark Zuckerberg：有几个方面。首先，我认为今年整体来说对 open source 是非常好的一年。如果你回顾去年的情况，Llama 是唯一真正具有超级创新性的 open-source 模型。现在市面上已经有一大批了。总体而言，那个预测——即今年 open source 将在使用量上全面超越 closed source——我认为总体上正在按计划实现。一个有趣的惊喜——在某些方面是积极的，在其他方面则是消极的，但总体上是好的——那就是不仅仅有 Llama。市面上还有很多优秀的模型。我认为这非常好。然后是你提到的 reasoning 现象，你谈到了 o3、o4 和其他模型。专业化正在发生。如果你想要一个在数学题、编程或类似任务上表现最好的模型，那么那些消耗更多 test-time 或 inference-time compute 以提供更多智能的 reasoning models 就是一个非常有吸引力的范式。我们也在构建一个 Llama 4 reasoning model。它会在某个时候发布。但对我们关心的许多应用来说，latency 和良好的 intelligence per cost 是更重要的产品属性。如果你主要是为消费级产品设计，人们不想等上半分钟才得到答案。如果你能在半秒内给出一个总体上不错的答案，那是一个很好的权衡。我认为这两者最终都会成为重要的方向。我乐观地认为，随着时间的推移，reasoning models 可以与核心语言模型整合在一起。这就是 Google 在一些较新的 Gemini 模型上所走的方向。我认为这非常有前景。但我觉得还会发生很多不同的事情。你还提到了 Chatbot Arena 这件事，我认为这很有趣，也指出了 benchmarking 方面的挑战。你怎么知道哪些模型擅长哪些事情？过去一年里，我们总体上努力做的一件事，是让我们的模型更多地锚定在 Meta AI 产品的 north star use cases 上。open source benchmarks 的问题，以及像 LM Arena 这类特定的东西，在于它们往往偏向于一组非常具体的 use cases，而这些通常并不是普通用户在你的产品里实际会做的事情。它们试图衡量的那一套东西，往往与任何特定产品中用户在意的东西不同。正因为如此，我们发现过于针对这类东西进行优化反而让我们偏离了方向。实际上，这并没有带来最高质量的产品、最大的使用量，也没有在用户使用我们产品时带来 Meta AI 内部最好的反馈。所以我们正试图将我们的北极星锚定在人们向我们反馈的产品价值上，锚定在他们说他们想要的东西上，锚定在他们显露的偏好上，并利用我们拥有的经验。有时候这些 benchmarks 就是对不上。我认为很多 benchmarks 都相当容易被 game。在 Arena 上你会看到像 Sonnet 3.7 这样的模型，它很不错，但排名并不靠前。我们团队曾相对轻松地调优出一个 Llama 4 Maverick 版本，使其能名列前茅。但我们发布的版本，也就是那个纯模型，其实完全没有针对这类评测做任何调优，所以排名就比较靠后。因此你对这些 benchmark 需要谨慎看待。我们主要会以产品本身为核心指标。你是否觉得存在某种 benchmark，能够体现你视为用户价值北极星的东西，可以在不同模型之间客观衡量，并让你说出“我需要 Llama 4 在这个上面拔得头筹”？我们的 benchmark 基本上就是 Meta AI 里的用户价值。但没法拿这个去和其他模型比较。也许可以，因为我们也许可以运行其他模型，然后就能判断出来。这就是开源的优势之一。你有一个优秀的社区，能给你的东西挑刺，并指出：“好吧，你的模型哪里不行，哪里又不错？”
当下的现实是，所有这些模型都针对略有不同的混合目标做了优化。所有人都朝着同一个终点迈进：所有顶尖实验室都在试图创造 general intelligence、superintelligence，或者随你怎么称呼。这种 AI 能引领我们走向一个丰裕的世界，在那里每个人都拥有超人般的工具，可以创造任何他们想要的东西。这将极大程度地赋能个体，并创造各种经济效益。无论你怎么定义，很多实验室追求的就是这个。但毫无疑问，不同的人优化方向不同。我觉得 Anthropic 确实很专注于编程以及围绕编程的 agent。OpenAI 那边，我觉得最近更偏向推理一些。有一个领域，如果我必须猜测的话，我认为最终会成为使用频率最高的：快速、交互非常自然、原生多模态，能以你希望的方式融入你一整天的日常生活。我想你有机会试玩了我们即将发布的新版 Meta AI 应用。我们在里面放了一个好玩的东西，就是 full-duplex 语音的 demo。它还处在早期阶段。我们还没把它设为应用里的默认语音模型，这是有原因的。但它那种自然对话的感觉确实非常有趣且引人入胜。如果能把它与恰当的个性化结合起来，将会带来一种产品体验……如果你快进到几年后，我觉得我们会一整天都在和 AI 聊各种各样我们好奇的事情。你会拿着手机。在刷信息流应用时你会跟它说话。它会提供关于各种事物的背景信息。它会回答你的问题。当你在消息应用里跟人互动时，它也会帮你。最终，我觉得我们会在日常生活中戴着眼镜或其他类型的 AI 设备，一整天都能无缝地与它互动。这就是北极星。无论是什么样的 benchmark，只要能导向人们觉得质量达到了他们愿意与之交互的水平，那最终对我们来说才是最重要的。我有机会试玩了 Orion 和 Meta AI 应用，语音模式非常流畅。相当令人印象深刻。关于不同实验室在优化什么这一点上——为了更公允地呈现他们的观点——我觉得他们中的很多人认为，一旦你完全自动化了软件工程和 AI 研究，你就能引爆一场智能爆炸。你会有数百万个这样的软件工程师副本，去复现从 Llama 1 到 Llama 4 之间所取得的研究进展——那种幅度的提升——但只需要几周或几个月，而不是几年。所以，只要让软件工程师这个环节形成闭环，就真的至关重要，然后你就能第一个到达 ASI。你怎么看？我个人觉得这很有说服力。这就是为什么我们也在大力投入编程。我们在 Meta 内部正在开发一系列编程 agent。因为我们并不是一家企业软件公司，我们主要是为自己构建这些。再说一遍，我们追求的是一个具体目标。我们不是在试图打造一个通用的开发者工具。我们试图构建的是一个编程 agent 和一个 AI 研究 agent，专门用来推进 Llama 的研究。而且它完全接入到了我们的工具链等所有环节。这很重要，而且最终会成为完成这些工作的重要方式之一。我猜在未来 12 到 18 个月内的某个时候，我们会达到这样一个节点：这些项目中的大部分代码都是由 AI 编写的。我说的不是 autocomplete。今天你已经有了不错的 autocomplete。你开始写点什么，它就能补全一段代码。我说的更像是：你给它一个目标，它能运行测试，它能改进代码，它能发现问题，它写出来的代码质量已经比团队里普通非常优秀的成员还要高。我觉得这肯定会成为其中非常关键的一部分。但我不知道这是否就是全部。这将会成为一个巨大的产业，也会成为 AI 发展方式中的重要一环。但我觉得仍然有……一种思考方式是，这是一个巨大的空间。我不认为会只有一家公司拿着一个优化函数就能尽可能好地服务所有人。会有许多不同的实验室在不同领域做领先的工作。有些会更偏向企业或编程。有些会更偏向生产力。有些会更偏向社交或娱乐。在助手这个领域，有些会更偏向信息和生产力，有些会更偏向陪伴。还会有很多纯粹好玩、有趣、出现在你信息流里的东西。这个空间实在是太大了。走向 AGI 未来的有趣之处一部分在于，有很多需要发明的东西存在共同的主线，但也有很多东西仍然需要被创造出来。如果我必须猜测的话，我觉得你会开始看到不同群体之间出现更多的专业化分工。我觉得很有趣的是，你基本上认同这样一个前提：将会发生一场智能爆炸，而我们会从另一端得到某种 superintelligence。如果我没理解错的话请告诉我。如果是这样，那何必还要费心搞个人助手什么的呢？为什么不先达到超人类智能，然后再去处理其他一切事情？我觉得那只是飞轮的一个方面。我通常不太认同 fast-takeoff 这一观点，部分原因在于建设物理基础设施是需要时间的。如果你想搭建一个千兆瓦级别的计算集群，那确实需要时间。NVIDIA 需要时间来稳定他们的新一代系统。然后你得解决网络配套问题。然后你得建楼。你得获得许可。你得解决能源问题。也许这意味着燃气轮机或绿色能源，无论哪种方式，这背后都有一整套供应链。上次我来做你播客的时候我们聊了很多这个。我觉得其中一些受制于现实物理世界和人类时间的限制。当你开始在某一层 stack 上获得更多智能时，你只会遇到另一组瓶颈。工程历来如此：解决了一个瓶颈，就会出现另一个瓶颈。要让这套系统良好运转，另一个瓶颈，或者说关键要素，在于人们逐渐习惯在使用过程中进行学习，并与系统形成反馈循环。这些系统并非刚一出现就十全十美，人们也不可能天然就知道如何使用。这里存在一种协同进化：人们在学习如何最好地使用这些 AI 助手；与此同时，AI 助手也在学习人们在意什么；而开发者则在不断改进这些 AI 助手。你也在积累一层上下文基础。用了一两年之后，某天你会发现助手居然能引用你两年前聊过的事情，这非常酷。哪怕你在第一天就推出了完美的产品，也做不到这一点。如果它两年前还不存在，那它绝无可能引用你两年前说过的话。所以我的看法是，智力层面会有巨大的增长。人们接受并与 AI 助手互动的速度、围绕它形成的学习反馈与数据飞轮，都会是一条非常陡峭的曲线。此外，还需要建设供应链、基础设施以及监管框架，以支撑大量物理基础设施的规模化。在某种程度上，所有这些环节都是必需的，而不仅仅是编程那一块。这里有一个我觉得很有趣的具体例子。即便回溯到几年前，我们曾有一个项目，应该是在广告团队，目标是实现排序实验的自动化。那是一个非常受限的环境，不是开放式的代码。基本上，它会审视公司的全部历史——广告系统中任何工程师做过的每一次实验——看看哪些有效、哪些无效，以及结果如何。然后据此形成新的假设，提出我们应该运行哪些不同的测试，以提升广告系统的表现。我们实际发现的是，基于假设的数量，我们在运行测试所需的计算资源上遇到了瓶颈。事实证明，即使以广告团队现有的人员而言，我们已经有了比实际能测试的更多的好想法——要么受限于算力，要么受限于能用来测试的人群群组。即便你有 35 亿人在使用你的产品，你仍然希望每一次测试都具有统计显著性。这需要数十万甚至数百万人参与。你能从中获得的测试吞吐量是有限的。因此，即使以我们现有的人员规模，也已经到了无法把所有想测的东西都测一遍的地步。现在，仅仅能测试更多东西未必会带来增量价值。我们需要达到这样一个节点：AI 生成假设的平均质量，要高于我们实际有能力测试的所有重点想法——也就是团队中最优秀的人所能提出的那些——只有这样，AI 在这方面才谈得上有边际效用。我觉得我们会很快达到那一步。但这并不是说：“好啊，这东西会写代码了，然后所有事情突然就大幅进步了。”现实世界存在许多需要克服的约束。然后你需要有算力和人力去测试。再随着时间推移，当质量逐步提升，五年或十年后，会不会出现任何一群人都无法提出像 AI 系统那样好的假设的情况？我不知道，也许吧。在那个世界里，显然所有的价值都将由此创造。但那不是第一步。所以如果你认同这一观点，认同这就是智能的发展方向，那么看好 Meta 的理由显然在于你拥有如此庞大的分发渠道。你也可以利用这一点去学习更多对训练有用的东西。你提到 Meta AI 应用现在有 10 亿活跃用户。不是那个应用。那个应用是一个独立产品，我们现在才刚推出。对于想用它的人来说会很有趣，体验很酷。我们也可以聊聊这个，因为我们在里面尝试了一些新想法，我觉得挺新颖，值得一谈。但我主要说的是我们现有的应用矩阵。Meta AI 实际上在 WhatsApp 里使用得最多。WhatsApp 主要在美国以外的地方使用。我们在美国的用户刚超过一亿，但它不是美国的主流通讯工具，iMessage 才是。所以美国民众可能多少倾向于低估 Meta AI 的使用量。但独立应用之所以如此重要，部分原因在于美国由于种种原因是最重要的国家之一。既然人们使用 Meta AI 的主要方式是 WhatsApp，而 WhatsApp 又并非美国的主流通讯工具，这意味着我们需要另一条路径来打造真正面向用户的一流体验。然后，我想把这个问题说完：看空的理由会是，如果 AI 的未来不再只是回答问题，而是更多地成为虚拟同事，那么 WhatsApp 里的 Meta AI 如何为你提供相关训练数据，来培养一个完全自主的程序员或远程工作者，就不那么清楚了。在这种情况下，眼下谁在 LLM 上拥有更多分发渠道，是不是就没那么重要了？还是那句话，我觉得未来会有很多不同的形态。想象一下，如果你坐在互联网发展初期，然后问：“互联网最主要的东西会是什么？是知识工作，还是大型消费者应用？”
答案是两者都有。你不必二选一。世界很大也很复杂。所有这些东西会由一家公司全建出来吗？通常答案是否定的。但回到你的问题，人们大多不会在 WhatsApp 里写代码。我也不预见人们开始在 WhatsApp 里写代码会成为主要使用场景。不过我确实认为，人们会让 AI 去做很多事，而这些事的结果其实是 AI 在写代码，只是人们自己未必意识到。那是另一回事。我们在 Meta 确实有很多人在写代码，他们也会用 Meta AI。我们内部有一个叫 MetaMate 的东西，以及围绕它构建的一系列不同的编程和 AI 研究智能体。这有自己的反馈循环，我觉得它在加速这些工作方面可以变得相当出色。但再说一次，未来会有很多不同的方向。AI 几乎肯定会解锁知识工作和编程领域的巨大革命。我也认为它将成为下一代搜索，改变人们获取信息以及处理更复杂信息任务的方式。我也觉得这会是件好玩的事。人们会用它来娱乐。当今互联网上大量的内容是 meme 和幽默。我们手上有这么惊人的技术。而当你想到人类居然把这么多精力花在自我娱乐、设计、推动文化进步，以及用幽默的方式解释我们观察到的文化现象上，这既惊人又有趣。我认为未来几乎肯定也是这样。看看 Instagram 和 Facebook 的演变。如果你回溯到 10 年、15 年、20 年前，内容都是文字。后来我们都有了带摄像头的手机，大部分内容变成了照片。再后来移动网络足够好了，如果你在手机上看视频，不会一直缓冲。于是视频体验也变好了。在过去 10 年里，大部分内容已经转向了视频。如今，人们在 Facebook 和 Instagram 上花费的时间大多在视频上。但你认为五年后我们还会只是坐在信息流里消费纯视频内容吗？不，它会是交互式的。你会在刷信息流，里面的内容一开始可能看起来像个 Reel，但你可以和它对话、互动，它会回应你，或者改变它正在做的事。又或者你可以像玩游戏一样进入其中并进行互动。这些都将由 AI 驱动。我的意思是，未来会出现各种各样不同的东西。我们很有野心，所以在同时推进很多项目。但我认为没有任何一家公司能把所有事都做了。关于AI生成内容和AI互动这一点，人们已经与AI治疗师、AI朋友建立起了有意义的关系，甚至可能还有更多。随着这些AI变得越来越独特、越来越有人情味、越来越聪明、越来越自然随性、越来越有趣，等等，这种趋势只会愈演愈烈。人们将会与AI建立关系。我们如何确保这些是健康的关系？有很多问题，只有当你开始观察到具体行为时才能真正回答。也许最重要的一步，就是先提出这个问题，并在推进的每一步都予以关注。但我也认为，如果一开始就过于规定性地说“我们认为这些不好”，往往会扼杀价值。人们会使用对他们有价值的东西。我在设计产品时的一个核心指导原则是：人是聪明的。他们知道自己生活中什么是有价值的。偶尔产品中会出现一些不好的情况，你要确保把产品设计好，将这类情况降到最低。但如果你认为某人正在做的事不好，而他自己觉得很有价值，根据我的经验，大多数情况下他们是对的，你错了。你只是还没有构建出一个框架，来理解为什么他们做的事对自己的生活有价值、有帮助。我主要就是这么看待这个问题的。我确实认为，人们会把AI用于很多这类社交任务。眼下我们已经看到，人们使用Meta AI的主要场景之一，就是梳理他们需要在生活中和别人进行的艰难对话。“我和女朋友遇到了这个问题，帮我想想怎么谈。”或者“我要和老板进行一次艰难的对话，我该怎么谈？”这挺有帮助的。随着个性化循环开始生效，AI越来越了解你，这种体验会变得非常令人着迷。我在社交媒体领域工作了很久，有一个数据一直让我觉得很不可思议：美国人平均拥有不到三个朋友，不到三个他们会视为朋友的人。而普通人实际渴望拥有的朋友数量明显更多。我记得大概是15个左右。但到了某个阶段你就会觉得：“算了，我太忙了，没精力应付更多人了。”
但普通人想要的社交连接比他们实际拥有的要多。很多人会担心：“这会取代真实世界里的、物理层面的、面对面的社交连接吗？”我的默认看法是，答案很可能是否定的。当你能够拥有线下连接时，它有很多无可比拟的优势。但现实是，人们拥有的连接并没有达到他们想要的程度。很多时候，他们感到的孤独程度超过了他们愿意承受的范围。所以我觉得，很多这类东西——那些如今可能还带有一点社会污名的东西——随着时间的推移，我们整个社会会慢慢找到相应的表达方式，来阐明它们为什么有价值，为什么这么做的人是理性的，以及它们实际上如何为人们的生活增添价值。不过这个领域还非常非常早期。现在有几家公司在做虚拟治疗师、虚拟女友之类的产品，但都还处于很初级的阶段。这些东西的实体感仍然很弱。你打开应用，看到的只是治疗师或聊天对象的一张图片。有时会有一些非常粗糙的动画，但那不是真正的实体化呈现。你看到我们在Reality Labs做的那些东西，那里有Codec Avatars，感觉就像真人一样。这就是发展方向。将来你可以和AI进行全天候的视频聊天。手势也很重要。当你真正进行对话时，超过一半的沟通不在于你说的话，而在于所有非语言的信息。前几天我确实有机会体验了Orion，我觉得它非常令人印象深刻。我对这项技术总体上持乐观态度。一般来说，就像你提到的，我在这个问题上相当自由主义。如果人们在做某件事，他们大概觉得那对自己有好处。不过说实话，我不知道那些刷TikTok的人，他们是否真的满意自己在TikTok上花费的时间。我持乐观态度，主要是因为如果我们将要生活在AGI的未来世界里，我们也需要用这样的工具来提升自己的能力。而且总的来说，如果你能随处看到Studio Ghibli风格的画面，世界也可以变得更美好。我之前很担心你们团队给我展示的一个旗舰应用场景。我坐在早餐桌旁，视野边缘是一堆不断滚动的Reels。也许在未来，我的AI女友会出现在屏幕的另一边之类的。所以我担心，我们只是在消除所有摩擦，让人完全被我们的技术reward-hacked。我们如何确保五年后不会变成那样？再说一遍，我认为人们很清楚自己想要什么。你看到的那个体验只是一个用来展示多任务处理和全息影像的demo。我同意，未来不应该是那种总有东西在你视野角落里争夺你注意力的样子。我觉得人们不会太喜欢那样。在设计这些眼镜时，这其实是我们在非常留意的一点。眼镜最需要做到的第一件事，就是不要碍事，先做好一副眼镜的本分。顺便说一句，我认为这也是Ray-Ban Meta这款产品大获成功的原因之一。它用来听音乐、接电话、拍照拍视频都很棒。AI在你需要时随时待命，不需要时，它就是一副好看的眼镜，人们喜欢。它很懂得如何不打扰你。我猜这将成为增强现实未来一个非常重要的设计原则。我在这里看到的重点是：数字世界在我们生活中如此重要，而我们访问它的唯一方式却是通过这些实体化的数字屏幕——你的手机、你的电脑。你可以在墙上挂一台大电视。这些都是笨重的实体物件。这挺疯狂的。似乎我们已经到了这样一个技术节点：物理世界和数字世界应该真正完全融合。全息叠加能让你做到这一点。不过我同意你的看法。我认为相关的设计原则很大一部分会围绕你将如何与人互动展开。你能把数字产物带入这些互动中，非常无缝地做一些很酷的事。如果我想给你看什么东西，这儿有一块屏幕。我们可以一起操作。它可以是3D的。我们可以一起摆弄它。你想玩纸牌游戏？好，这儿有一副牌。我们可以一起玩。如果我们两个人身处同一空间，第三个朋友以全息影像的方式加入，他也能参与。但在那样的世界里也一样——就像你不希望实体空间杂乱无章，因为那会给你带来心理负担——我认为人们也不会希望他们的数字-物理混合空间给人那种感觉。这更多是一种需要慢慢形成的审美规范，但我想我们会搞定的。回到AI的话题，你之前提到物理基础设施可能成为多大的瓶颈。说到其他开源模型，比如DeepSeek等等，DeepSeek目前的算力比Meta这样的实验室要少，但你可以说它已经能和Llama模型竞争了。如果中国在物理基础设施、工业规模扩张、获取更多电力和让更多数据中心上线方面更擅长，你有多担心他们会在这一点上击败我们？这是一场真正的竞争。你可以看到产业政策正在真正发挥作用。中国正在投入更多电力上线。正因如此，美国确实需要集中精力简化建设数据中心和能源生产的流程。否则，我认为我们将处于显著劣势。与此同时，在芯片等方面的某些出口管制，我认为你可以看到它们确实在某种程度上发挥了作用。此前关于 DeepSeek 有很多讨论，说“哦，他们做了所有这些非常令人印象深刻的底层优化”。事实是，他们确实做到了，而且这令人印象深刻。但接着你会问：“为什么他们必须这么做，而美国实验室没有一个这样做的？”这是因为他们使用的是部分性能受限的芯片，这些是由于出口管制，NVIDIA 被允许在中国销售的唯一芯片。DeepSeek 基本上不得不投入大量精力和时间去做美国实验室无需操心的底层基础设施优化。现在，他们在文本方面取得了不错的成果。DeepSeek 只做文本。其基础设施令人印象深刻，文本结果也令人印象深刻。但如今每一个新推出的大模型都是多模态的，涵盖图像、语音。而他们的不是。现在的问题是，为什么会这样？我不认为这是因为他们没能力做。而是因为他们不得不把精力花在完成这些基础设施优化上，以克服出口管制带来的影响。但当你把 Llama 4 和 DeepSeek 相比时——我是说我们的推理模型还没发布，所以和 R1 的对比还不明确——但在 DeepSeek 正在做的所有文本任务上，我们基本处于同一水平，而且用的模型更小。因此在文本方面，Llama 的单位智能成本更低。在多模态方面，我们实际上处于领先地位，而这在他们的模型中完全不存在。所以 Llama 4 模型与 DeepSeek 相比，表现不错。我认为人们通常会更愿意使用 Llama 4 模型。但有一个值得关注的现象：那显然是一支优秀的团队。而你问到电力获取、算力和芯片获取的便利性，这是对的，因为你看到的不同实验室所做的工作及其呈现方式，某种程度上都是由此衍生的。
Sam Altman 最近在推特上说，OpenAI 将发布一个开源的 SOTA 推理模型。我想那条推特的部分意思是，他们不会做傻事，比如规定只有用户量低于 7 亿才能使用。
DeepSeek 采用的是 MIT license，而我认为 Llama license 中有几项条款要求，在使用它的应用程序上标注“built with Llama”，或者任何使用 Llama 训练的模型都必须以“Llama”开头。你怎么看这个许可证？对开发者来说，它是否应该更宽松一些？听着，我们基本上开创了开源 LLM 的先河。所以我不认为这个许可证过于苛刻。当我们开始推动开源时，行业内曾有过一场大辩论。这样做是否合理？开源能否做出安全可信的东西？开源是否真的能具备足够竞争力，让任何人在意？基本上，在回答这些问题时，大量艰苦工作都是由 Meta 的团队完成的。业内也有其他参与者，但真正以巨大方式打破整个开源 AI 局面的，是 Llama 模型。如果我们投入了这么多精力，那么至少，如果那些大型云公司——比如微软、亚马逊和谷歌——要转手销售我们的模型，我们应该至少能在他们这么做之前，和他们谈一谈我们应该建立什么样的商业合作。我们设置许可证的目的，总体上不是阻止人们使用模型。我们只是认为，如果你是那些公司之一，或者你是 Apple，就来和我们聊聊你想做什么。让我们一起找到富有成效的合作方式。我认为这一点总体上没什么问题。现在，如果整个开源领域朝着一个方向演进，出现了许多其他优秀选择，而许可证最终成为人们不愿使用 Llama 的原因，那我们就必须重新评估策略，思考届时怎么做才合理。但我认为我们还没到那一步。实际上，我们并没有看到公司跑来跟我们说：“我们不想用这个，因为你们的许可证写着，如果用户达到 7 亿，就必须来找你们谈。”到目前为止，这更多是从开源纯粹主义者那里听到的，比如“这是否像你希望的那样，是一个纯粹的开源模式？”
这场辩论自开源之初就存在。所有关于 GPL license 与其他许可证的讨论：你是否必须让任何接触到开源的东西也变成开源？或者人们可以拿它去做不同的用途？我相信围绕这一点仍会继续有争论。但如果你花了数十亿美元训练这些模型，我认为要求其他公司——那些体量相当、完全有能力与我们建立合作关系的大公司——在使用之前先跟我们沟通，似乎是相当合理的事情。如果事实证明其他模型也确实很好。现在有很多优秀的开源模型。所以你那部分使命已经完成了，也许其他模型在编程方面更好。有没有这样一种可能，你会说：“看，开源生态很健康，竞争很充分。我们很乐意直接使用其他模型，无论是用于 Meta 内部的软件工程，还是部署到我们的应用中。我们不一定非得用 Llama”？再说一次，我们要做的事情很多。让我们退一步看。我们之所以自建大模型，是因为我们希望能够做出完全符合我们需求的东西。世界上没有任何其他模型能完全符合我们的需求。如果它们是开源的，你可以拿去做各种微调。但你仍然得面对模型架构本身。而且它们在不同尺寸上的取舍会影响延迟和推理成本。在我们运营的规模下，这些因素真的很重要。我们将 Llama Scout 和 Maverick 模型做成特定尺寸是有原因的。它们要适配单台主机，而且我们需要特定的延迟——尤其是我们正在做的语音模型——我们希望它渗透到我们做的每一件事中，从眼镜到所有应用，再到 Meta AI 应用等等。只有当你亲自构建时，你才能获得某种程度的命运自主权。话虽如此，AI 将被用于每家公司所做的每一件事。当我们构建大模型时，我们也必须选择针对哪些内部使用场景进行优化。所以这是否意味着，在某些事情上我们可能会说：“好吧，也许 Claude 更适合构建这个团队正在用的特定开发工具”？那没问题，用就是了。很好。我们不想绑着一只手作战。我们要做很多不同的事情。你还问到，既然其他人也在做开源，这是否就不再重要了？在这一点上，我更有些担忧。你必须反问自己。对于现在出现并做开源的任何人——既然我们已经做了——如果我们没做，他们还会做开源吗？我认为有少数人看到了越来越多的开发正在走向开源这一趋势，然后他们想：“糟了，我们必须赶上这趟车，否则就会落后。”如果你有一个闭源模型的 API，而越来越多的开发者不想要那种东西。所以你看到不少其他参与者也开始在开源领域有所动作。但尚不清楚他们是在浅尝辄止，还是像对我们而言那样将其视为根本。Android 就是一个很好的例子。Android 最初是开源的，当时并没有真正的开源替代方案。但随着时间推移，Android 变得越来越封闭。所以如果你是我们，就必须担心：如果我们不再推动行业朝这个方向发展，其他这些人……也许他们这么做仅仅是为了与我们竞争，是为了应对我们所推动的方向。他们已经展示了其真实偏好——如果开源不存在，他们会怎么做。而那并不会是开源。对于公司未来要构建的技术，我们需要谨慎，不能依赖他们持续这种行为。另外，我听你提到过，重要的是标准要围绕 Llama 这样的美国模型来建立。我想理解你的逻辑。对于某些类型的网络，Apple App Store 对其所依托的基础确实存在很大的附条件性。但如果你是围绕 DeepSeek 搭建了某种脚手架，似乎也很容易就能切换到 Llama 4，尤其是因为代际之间本来就在变化。Llama 3 不是 MoE，而 Llama 4 是。所以模型代际之间本身也在发生变化。你为什么认为事物会围绕某一特定标准、以这种附条件的方式发展？我没太明白，你说的“附条件的”是什么意思？就是说，重要的是人们在为 Llama 做开发，而不是笼统地为 LLMs 做开发，因为这将决定未来的标准是什么。我认为这些模型编码了价值观和认知世界的方式。早期我们有过一次有趣的经历，当时我们把一个早期版本的 Llama 做了翻译。我想是法语，或者是其他某种语言。我们从法国人那里得到的反馈是：“这听起来像一个学了法语的美国人，而不像一个法国人。”我们就问：“什么意思？是法语说得不好吗？”不，法语说得没问题。只是它思考世界的方式似乎带有一点美国色彩。所以我认为模型中会嵌入这些微妙的东西。随着时间推移，随着模型变得越来越复杂，它们应该能够体现世界各地不同的价值体系。所以也许这个例子不算特别高深，但我认为它能说明问题。我们在测试某些模型，尤其是一些来自中国的模型时，发现其中编码了某些价值观。而且这并不是做一次轻量级微调就能改变的。如今，语言模型——或者说某种嵌入了世界模型的东西——承载着更多价值观。推理，我猜你也可以说带有价值观。但推理模型的一个优点在于，它们是在可验证的问题上训练的。如果你的模型在做数学，你需要担心文化偏见吗？大概不需要。我认为其他地方的某个推理模型会通过以一种阴险的方式解数学题来对你进行观念植入，这种可能性似乎很低。但围绕编程还有一整套完全不同的问题，这是另一个可验证的领域。你需要担心，某天醒来，如果你使用的模型与另一个政府有关联，它是否会在代码中嵌入漏洞，以便其情报机构日后利用？在未来某个版本中，你使用的模型来自另一个国家，而它正在保护你的系统。然后你一觉醒来，发现所有东西都以一种那个国家知道、但你不知道的方式变得脆弱。或者它在某个时刻激活一个漏洞。这些都是真实存在的问题。我对此非常感兴趣，因为我认为开源最吸引人的一点之一就是能够蒸馏模型。对大多数人来说，主要价值不仅仅是从货架上拿下一个模型，然后说：“好，Meta 构建了这个版本的 Llama，我要直接把它原封不动地运行在我的应用里。”
不，如果你只是运行我们的东西，你的应用并没有什么不同。你至少会对它进行微调，或者尝试把它蒸馏成另一个模型。当我们谈到像 Behemoth 这样的模型时，其全部价值就在于能够把这种极高水平的智能蒸馏到一个更小的模型里，而这个大小的模型才是你真正会想要运行的。这就是蒸馏的美妙之处。我认为这是自去年我们上次坐下来聊天以来，真正涌现出的非常强大的技术之一。它的效果比大多数人预期的要好。你基本上可以拿一个更大的模型，捕获其中大概 90% 或 95% 的智能，然后在一个只有其 10% 大小的东西里运行它。当然，你能获得 100% 的智能吗？不能。但以 10% 的成本获得 95% 的智能，对很多事情来说已经相当不错了。另一个有趣的点是，如今有了这个更加多元的开源社区，不再只有 Llama。你还有其他模型。你可以从多个来源进行蒸馏。所以现在你基本上可以说：“好，Llama 在这方面真的很强。也许它的架构非常好，因为它本质上是多模态的，更利于推理，更高效。但假设另一个模型更擅长编程。”那很好。你可以从两者中蒸馏，构建出一个针对你自己的使用场景比任何一个单独模型都更好的东西。这很酷。但你确实需要解决安全问题，确保你能以一种安全可靠的方式进行蒸馏。这是我们一直在研究并且投入了大量时间的事情。我们基本上发现，任何涉及语言的东西都充满风险。其中嵌入了太多价值观。除非你不在乎接纳你所蒸馏的模型身上的价值观，否则你大概不会想直接蒸馏一个纯粹的语言世界模型。不过，在推理方面，你可以通过将其限制在可验证的领域，并运行代码清洁度和安全过滤器，来在很大程度上解决这个问题。无论是使用开源的 Llama Guard，还是我们做的开源工具 Code Shield，这些东西都能让你将不同的输入整合进模型，并确保输入和输出都是安全的。然后就是大量的红队测试。就是要有专家来审视模型，并提出疑问：“好吧，这个模型在蒸馏之后有没有做出我们不希望看到的行为？”我认为，结合这些技术，你应该可以在推理侧针对可验证的领域进行相当安全的蒸馏。这是我相当有信心的一点，也是我们已经做了大量研究的方向。但我认为这是一个非常重要的问题。如何做好蒸馏？因为其中有太多价值有待释放。但与此同时，我确实认为不同模型中嵌入了一些根本性的偏见。说到有待释放的价值，你认为 AI 变现的正确方式会是什么？显然数字广告非常赚钱。但与所有远程工作相比，它在 GDP 总量中的占比很小。即使你能提高生产力而不取代工作，那也价值数十万亿美元。有没有可能广告并不是最终答案？你怎么看？就像我们之前聊过的，未来会出现各种各样的应用，而不同的应用往往会走向不同的方向。当你想为人们提供免费服务时，广告是很棒的模式。既然是免费的，你总得想办法覆盖成本。广告解决了这个问题——用户无需付费，就能免费获得很棒的体验。另外，借助现代广告系统，如果你做得好，很多时候人们会觉得广告本身也为产品增添了价值。你需要擅长排序，并且要有充足的广告库存流动性。如果系统里只有五个广告主，无论你排序能力多强，都可能无法向用户展示他们感兴趣的内容。但如果系统里有一百万个广告主，那么只要你能从海量信息中精准挑出用户感兴趣的那几根“针”，你大概率就能找到相当有吸引力的广告。所以广告模式肯定有其适用场景。但显然也会有其他商业模式，包括那些成本太高、免费提供根本不划算的服务。这类商业模式其实一直存在。社交媒体免费且靠广告支撑是有原因的，但如果你想看 Netflix 或 ESPN 之类的内容，就需要付费。这些内容需要制作，而制作成本非常高。他们很可能无法通过在服务中投放足够多的广告来弥补内容制作成本。所以基本上，你必须付费才能访问。代价是使用的人会变少。不是几十亿，而是几亿人在使用这些服务。这里存在一个价值转换。我认为 AI 领域也是类似的。不是每个人都需要一个软件工程师，或者一千个软件工程 agent，或者别的什么。但如果你确实需要，你可能愿意为此支付几千、几万甚至几十万美元。这恰恰说明了需要创造的东西具有多样性。在整个光谱的每个节点上都会有相应的商业模式。在 Meta，面向消费者的部分我们肯定希望有免费产品。我相信最终它会由广告支撑。但我也认为，我们需要一种商业模式，支持人们使用任意规模的算力去做比免费服务所能提供的更惊人的事情。为此，我相信我们最终会推出高级付费服务。但我认为我们在这方面的基本价值观是，我们希望服务世界上尽可能多的人。你怎么跟进这么多不同的项目？其中一些我们今天已经聊到了，我敢肯定还有很多我甚至不知道的。作为统筹一切的 CEO，你的管理幅度可以很大：从直接走到 Llama 团队说“你们应该用这些超参数”，到只给一句指令比如“去把 AI 做得更好”。项目太多了。你怎么看待自己最能创造价值的方式，以及如何去统筹管理这些事务？我花了很多时间努力为团队招募优秀人才。这是一部分。还有一部分是跨团队的事务。你开发了 Meta AI，想把它集成到 WhatsApp 或 Instagram 里。好，现在我需要让这些团队互相沟通。然后会出现一堆问题，比如：“你希望 WhatsApp 里 Meta AI 的对话线程感觉像其他 WhatsApp 对话一样，还是像其他 AI 聊天体验一样？”这两者有不同交互范式。所以围绕这些东西如何融入我们正在做的所有事情，有很多有趣的问题需要回答。然后我们做的另一大块是推动基础设施建设。如果你想搭建一个吉瓦级集群，首先，这对我们的基础设施建设方式有很多影响。它也有政治层面的影响，涉及你如何与建设所在地的不同州打交道。它还有财务层面的影响，对公司来说：“好吧，现在世界上有很多经济不确定性。我们要不要在基础设施上加倍投入？如果是，我们想在公司内部做出哪些其他权衡？”这类决策很难由其他人来真正拍板。然后是关于品味和质量的问题。什么时候一个东西足够好了，我们可以发布它？总的来说，我是公司这方面的把关人。不过我们也有很多其他我认为品味很好的人，他们也在为不同的事情把关。基本上就是这些领域。AI 很有意思，因为比起我们做的其他一些事情，它更多是研究和模型驱动，而非真正的产品驱动。你不能只是先设计出想要的产品，然后再试图构建模型去适配它。你必须先设计模型和你想要的能力，然后你会得到一些涌现特性。接着就是，“哦，因为结果以某种方式呈现，你可以构建一些不同的东西。”说到底，人们想用的是最好的模型。部分原因就在于此——当我们说要打造最个性化的 AI、最好的语音交互、最好的个性化体验，同时还要做到极低延迟下的高度智能体验——这些都需要我们设计整个系统来实现。这就是为什么我们在研究全双工语音。这就是为什么我们在研究个性化，既要能从你与 AI 的交互中提取良好的记忆，又要能接入所有其他 Meta 系统。这也是为什么我们要设计特定规模和延迟参数的模型。说到政治，现在有一种看法是，一些科技领袖正在向特朗普靠拢。你和其他人向他的就职活动捐款，还和他同台，而且我想你解决了一桩诉讼，让他们获得了 2500 万美元。我想知道这是怎么回事？这感觉像是与一届政府打交道的“营商成本”吗？应该怎么看待这件事？我的看法是，他是美国总统。作为一家美国公司，我们的默认立场应该是努力与执政者建立建设性的关系。我们过去也尝试为往届政府提供支持。我之前也公开表达过对上届政府的一些不满，他们基本上没有与我们或更广泛的商业界接触。坦率地说，要在这些事情上取得进展，这种关系是必要的。如果没有对话，如果政府不把这些事情作为优先事项，我们将无法建设我们所需规模的能源基础设施。很多人想把这个故事写成“人们在选边站”。但我们是在努力打造伟大的产品，我们希望与人建立建设性的关系。我是这么看的。我猜大多数人也是这么看的，但显然我不能代表他们发言。你曾经谈到过，在过去的内容审核方面，你如何重新思考与政府打交道以及向政府让步的方式。你对 AI 治理是怎么看的？因为如果 AI 真如我们想象的那么强大，政府会想要介入。在那里采取什么样的方式最有效？政府又应该思考些什么？我想，过去我发表的大部分评论都是在内容审核的语境下。过去十年，这方面经历了一段有趣的历程。这显然是一个有趣的历史时期。关于在线内容审核，出现了很多前所未有的新问题。其中一些促使了新的高效系统得以建立，比如我们用来检测 nation-states 试图干涉彼此选举的 AI 系统。我认为我们会继续推进这类建设，而且这总体上是积极的。但在另一些方面，我们走过了一些弯路。我只是觉得事实核查这件事不如 Community Notes 有效，因为它不是一个互联网规模的解决方案。事实核查员数量不够，而且人们并不信任特定的事实核查员。你需要一个更 robust 的系统。所以我认为我们在 Community Notes 上的做法是对的。但我在这件事上的观点更多是，回顾历史，我可能在某些问题上对媒体及其批评，或者对政府，让步得太多了，而那些事情他们其实并没有真正的管辖权。但作为一个核心人物，我认为我们曾试图建立一些体系，让我们不必亲自做出所有的内容审核决策之类的。我想过去十年的成长过程之一，就是意识到：“好吧，我们是一家有影响力的公司。我们需要对自己必须做出的决策负责。我们应该听取人们的反馈，但不应该对那些实际上没有管辖权的人让步太多。因为归根结底，坐在这个位置上的是我们，我们需要对自己做出的决策负责。”
这是一个成熟的过程，在某些方面也很痛苦，但我认为公司因此变得更好了。关税会提高在美国建设数据中心的成本，并将建设转移到欧洲和亚洲吗？这最终如何演变真的很难说。我认为我们可能还处于早期阶段，很难判断。你一周中杠杆率最高的一个小时是什么？你在那个小时里做什么？我不知道。每周都有些不同。很可能你一周中杠杆率最高的事情每周都不一样。否则，按定义来说，你大概应该每周花不止一个小时做那件事。我不知道。这份工作的一部分乐趣，也是这个行业如此有活力的地方，就在于事情总在变化。现在的世界与年初、甚至六个月前、或去年年中都大不相同。我认为很多事情都有了实质性的进展。自从我们上次坐下来聊以来，很多牌都已经翻开了。那大概是一年前吧，对吗？是的。我猜你之前说的，招聘人才是你做的杠杆率极高的事情之一。你谈到这些模型到今年年底将达到中级软件工程师的水平。如果软件生产力在两年内提升 100 倍，会发生什么？现在无法建造的东西中，哪些将可以被建造出来？哪些东西？这是个有趣的问题。这次对话的一个主题是，即将被释放的创造力将是巨大的。如果你回顾人类社会和经济在过去 100 到 150 年的整体发展轨迹，基本上人们从主要以农业为生——大部分人力都用于养活自己——发展到农业占比越来越小。满足我们基本生理需求的事务所占的人力比例也越来越小。这种转变带来了两个影响：一是更多人从事创意和文化追求；二是总体上更多人花更少时间工作，花更多时间在娱乐和文化上。我认为随着发展，这几乎肯定会继续。这不是说拥有一名超级强大的软件工程师后一两年里会发生什么。但随着时间的推移，如果每个人都有这些超人类的工具来创造大量不同的东西，你将会看到令人难以置信的多样性。其中一部分将是解决难题：治愈疾病、推动科学进步、开发让我们的生活更美好的新技术。但我猜很多最终会是文化、社交追求和娱乐。我猜世界会变得更有趣、更怪异、更 quirky，就像过去十年互联网上的 meme 那样。我认为这增添了一种丰富性和深度。有趣的是，它实际上能帮助你更好地与人建立联系。现在我整天都在网上找有趣的内容，然后发到群聊里，分享给我在乎的、而且我觉得会觉得好笑的人。如今人们能够制作媒体内容来表达非常微妙、具体的文化观念，这真的很酷。这还会继续发展。它确实在很多方面推动了社会进步，即使不是以治愈疾病那种“硬科学”的方式。想想看，Meta 对社交媒体世界的看法是，是的，人们未来会花更多时间做这些事情。这会好得多，而且会帮助你建立联系，因为它有助于表达不同的想法。世界会变得更加复杂，但我们的技术，我们的文化技术，来表达这些非常复杂的事物——通过一个很有趣的小短片或其他什么形式——会变得好得多。我认为这都很棒。明年怎样我不清楚。另一个我觉得值得探讨的有趣想法是，我倾向于认为，至少在可预见的未来，这将导致对人们工作的需求增加，而不是减少。当然，人们可以选择花多少时间工作。我给你讲一个我们最近讨论过的有趣例子。我们每天有近 35 亿人在使用我们的服务。一个我们一直为之困扰的问题是：如何提供客户支持？如今你可以写邮件，但我们从未认真考虑过提供语音支持，让人们可以直接打电话进来。我猜这可能是免费服务带来的结果之一。人均收入不足以支撑一种让人们能打电话进来的经济模式。而且，每天有 35 亿人使用你的服务，电话数量将是巨大的。那将是世界上最大的呼叫中心。要配备人员的话，每年得花 100 亿到 200 亿美元。所以我们从未认真考虑过，因为那似乎永远行不通。但现在，随着 AI 变得更好，你将会达到一个 AI 能处理很多人问题的地步。不是所有问题——也许十年后它能处理所有问题——但考虑三到五年的时间范围，它将能处理很大一部分。这有点像自动驾驶汽车。它们能应对多种路况，但在大多数情况下还不能独立完成整个路线。人们曾以为卡车驾驶工作会消失，但现在卡车驾驶岗位的数量实际上比我们 20 年前刚开始谈论自动驾驶汽车时还要多。回到客户支持这件事，为所有人配备电话支持本来是不划算的。但假设 AI 能处理 90% 的问题。如果它处理不了，就转给人工。如果你把提供这项服务的成本降到原本的十分之一，那么也许现在这么做就确实合理了。那会很酷。所以最终结果是，我其实认为我们可能会招聘更多的客户支持人员。普遍的看法是 AI 会取代工作。但这其实并不是技术史一直以来的运作方式。通常，你创造出能消除 90% 工作的东西，这反而会让你想要更多的人，而不是更少。最后一个问题：当今世界上，你最常向谁寻求建议？
Mark Zuckerberg：哦，天哪。我觉得我的风格之一就是喜欢拥有广泛的顾问。不止一个人。我们有一支很棒的团队。公司里有这样的人，董事会里也有这样的人，行业里还有很多人在做新东西。这不是某一个人的功劳。但这本身很有趣。而且，当世界瞬息万变，能有个理由和你喜欢的人一起做很酷的事……对我来说，这就是人生的意义。
Dwarkesh Patel：收尾收得很好。谢谢你接受访谈。