我认为非常明显，我们将在未来几年内实现 AGI，尽管它仍然会表现出参差不齐的能力，但在任何借助电脑完成的智力任务上，其能力底线将几乎覆盖所有——AI 都将能够胜任。OpenAI 最可怕的时刻其实是在我们发布 ChatGPT 之后。我记得在年终派对上，感受到一种“我们赢了”的氛围。我从未有过这种感觉。我当时想，不，我们是弱者，而且一直都是。从发布 ChatGPT 的那一刻起，我就记得和团队有过这样的对话。我说：“我们应该买多少算力？”我说：“全部。”他们说：“不不不，认真说，我们应该买多少算力？”我说：“无论我们怎么努力建设，我知道都不可能跟上需求。”
OpenAI 联合创始人兼总裁 Greg Brockman 将与我们探讨 AI 最有前景的机遇、OpenAI 计划如何把握这些机遇，以及 super app 究竟意味着什么。Greg 今天来到了我们的演播室。Greg，很高兴见到你。谢谢邀请。我们谈话的当下，OpenAI 正在关停视频生成业务，将精力集中于一款 super app，它将结合商业和编程使用场景。我想从外部来看，包括我在内，许多观察者都认为 OpenAI 在消费端已经赢了，而现在它却在转移资源。到底发生了什么？我认为应该这样理解：我们一直身处这样一个世界，开发 deep learning 这项技术，是为了验证它能否产生我们一直设想的那种积极影响。能否用它构建出帮助人们、改善生活的应用？与此同时，我们另外还有一支团队在说：“让我们实际尝试部署这项技术，无论是为了维持业务运转，还是开始积累如何让技术产生现实世界影响的实践经验，为这项技术真正成熟的那一天做准备——当它真正成为我们创立这家公司时想要实现的一切。”我认为我们现在正处于这样一个时刻：我们真切地看到这项技术将会成功。我们正在走出在 benchmarks 上测试、那种近乎纯智力展示的阶段，转向真正要在现实世界中进一步发展它，我们需要观察它在真实场景中的表现，获取人们如何在知识工作和各种应用中使用它的反馈。所以，我认为这是一次更大的战略转变，源于技术所处的阶段。这并不是说我们要从消费端转向 B2B。真正想说的是，在无法面面俱到的情况下，我们最应该聚焦哪些重要应用？有哪些事情是我们能够实现并让它们之间产生协同效应，从而带来有意义的影响、帮助提升所有人的？当我们审视这个清单时，消费端你可以想到很多，但首先是个人助手，对吧？一个了解你、与你的目标一致、帮助你实现生活中任何追求的东西。还有创意表达、娱乐以及许多其他应用。在商务端，如果你拉高视角，它看起来更像是一件事：你有一个困难的任务，AI 能不能去完成？它是否拥有完成这些任务所需的全部上下文？对我们来说，优先级排序非常清楚，最顶端有两件事：一是个人助手，二是能够去为你解决难题的 AI。而看看我们拥有的算力，甚至连支撑这两项都不够用。一旦我们开始加入许多其他应用、AI 将会非常有用并帮助人们的许多其他事情，我们根本不可能全部覆盖。所以，我认为这是对技术成熟度及其即将迅速产生的巨大影响的认知，也是我们不得不优先排序、真正挑选出我们想要重点打造并推向世界的应用组合的必要性。当我听你谈论 OpenAI 的各种赌注时，你曾用一种方式描述：OpenAI 可以成为 Disney 那样的版本，或者说像 Disney，核心位置有一个极具吸引力的优势，然后以不同方式向外延伸。Disney 拥有 Mickey Mouse，然后可以做电影、主题公园和 Disney Plus。对 OpenAI 来说，核心就是模型，你可以做视频生成、做助手、然后帮助企业与工作。那么，是否不再可能拥有那种核心优势并将其延伸到各种领域了？你们是否意识到，到了必须做出选择的时候？实际上，我认为这个故事在某种程度上比以往更加成立，但重要的是从技术层面认识到：Sora 模型——顺便说，它们是了不起的模型——与核心的推理 GPT 系列处于 tech tree 的不同分支上。它们的构建方式非常不同。在某种程度上，我们真正想说的是，对我们要做的这些应用而言，同时推进两条分支非常困难。不过，我们实际上仍在继续 Sora 的研究计划，在 robotics 的语境下进行，对吧？我认为这显然将是一个变革性的应用，但它仍处于研究阶段，对吧？robotics 尚未真正成熟和部署，而未来一年我们将在知识工作中看到这项技术的真正起飞。所以，这是基于当下现实的判断：我们确实需要将主要精力放在发展 GPT 系列上，而这不仅指文本，也不仅指纯智力层面的东西。比如，双向通信，拥有一个出色的 speech-to-speech 交互界面，这也将让这项技术变得非常易用和实用，但它不是 tech tree 上的不同分支。它们都属于同一个模型，我们只是以略微不同的方式进行调整，就像你描述的那样。所以我认为，如果你分岔太远，拥有两个不同的产物，在算力有限的世界里是很难维持的。而算力之所以有限，是因为需求太大了。人们想用我们打造的每一个模型去做的事情太多了。那么，请谈谈为什么你们的赌注不放在这个看起来像是 world model 的版本上——那种视频理解物体运动轨迹的模型。它显然对 robotics 很有用。为什么你们的赌注押在 GPT 推理模型路线上，而不是你们已经看到 Sora 取得实质性进展的这个领域？我的意思是，视频生成的进步，第一代、第二代、第三代，幅度是巨大的。那么为什么赌注押在这里？因为这个领域的问题是机会太多了。对吧？我们在 OpenAI 很早就观察到的一点是：我们所能想象的一切都能奏效。当然，不同的方向有不同的阻力，需要不同的工程投入、不同的算力需求等等，但只要一个想法在数学上是成立的，你实际上就能开始获得相当不错的结果。我认为这恰恰体现了深度学习底层技术的威力——它能够真正切入任何问题的核心，让 AI 真正理解生成数据背后的底层规则。关键不在于数据本身，而在于理解底层的生成过程，并能够将其应用到新的情境中。你可以在 world models 里做到这一点，可以在科学发现中做到这一点，也可以在编程中做到这一点。我认为，在思考这项技术的落地推广时，我们再次回到了那个争论：文本模型究竟能走多远？文本智能究竟能走多远？它能否真正理解世界的运行方式？我认为我们已经明确回答了这个问题——它终将通向 AGI。我们已经看到了清晰的路径，至少此刻我们已经能看到今年即将推出的更强大模型。而在 OpenAI 内部，我们为决定如何分配算力所经历的挣扎只会与日俱增，而非减少。所以我认为，核心也许在于时序与时机——就在当下，那些我们一直以来梦寐以求的应用类型，正开始变得触手可及。比如说，解决尚未破解的物理学难题。对吧？最近我们有一个成果：一位物理学家在某个问题上钻研已久，他把这个问题交给了我们的模型。12 小时后，我们得到了一个解决方案。他说，这是他第一次遇到一个让他感觉“它在思考”的模型，他觉得这可能是人类永远无法解决的问题，但我们的 AI 解决了它。当你见证这样的事情时，你必须加倍投入，甚至三倍投入，因为我们真的能够释放人类的全部潜能。所以对我来说，这不是在比较这些事情孰轻孰重，而是关乎 OpenAI 的使命——将 AGI 交付给世界，关乎我们对它如何惠及所有人的愿景，以及我们拥有一条 tech tree，知道如何去推进它，如何开展工程实践、进一步的科学研究，最终让这一切开花结果。好的，我确实想回到你预期的下一代模型这个话题，但我想先就这一点追问一下。今年早些时候，我和 Google DeepMind 的 Demis Hassabis 聊过，有趣的是，他说对他来说最接近 AGI 感觉的东西是他们家的图像生成器 Nano Banana。原因是，一个图像生成器或视频生成器要创造出它所生成的图像和视频，它必须理解物体之间的相互作用，至少要对世界如何运转有一定概念。所以，这是否意味着——我知道这是一场豪赌——但如果真是这样，OpenAI 全力押注另一条技术路线，是否会可能错过一些东西？所以我有两个答案。第一，绝对是。没错。在这个领域，你必须做出选择，对吧？你必须下注。而这正是 OpenAI 的起点——我们真的问过自己：“我们相信通往 AGI 的路径是什么？”然后全力以赴地专注于此。没错，随机向量之和为零，但如果你让这些向量对齐，你就能朝一个方向前进。但第二点是，实际上 ImageGen 在 ChatGPT 里已经非常非常受欢迎，而且我们正在持续投入，持续优先发展它。我们之所以能做到这一点，是因为它其实并不在 world model 或 diffusion model 那条技术分支上，而是基于 GPT 架构。因此，尽管数据分布不同，但实际的核心技术、核心技术栈都是同一个东西。而这其实正是 AGI 相当惊人的地方——有时候，这些看起来非常不同的应用，无论是语音对话、图像生成还是文本，而文本本身又涵盖科学、编程、个人健康信息等诸多方面，所有这一切都可以在一个技术框架内实现。所以，无论是从技术角度我个人在关注的，还是我们公司整体在关注的，都是如何尽可能统一我们的努力，因为我们真的认为这项技术将提升并赋能整个经济。整个经济体量巨大，我们不可能面面俱到，但我们可以尽自己的一份力。这就是通用人工智能里“通用”的部分。就是那个 G。我们说的就是这个。确实如此。说到统一，这个 super app 会是什么样的？我对 super app 的理解是，它将把编程、浏览器和 ChatGPT 整合到一起。没错。我们想为你打造一款终端应用，让你真正体验到 AGI 的威力，也就是它的通用性。如果你想想今天的 chat 是什么，我认为 chat 真的会变成你的个人助理、你的个人 AGI，对吧？一个时刻关照你、非常了解你、与你的目标一致、值得信赖、能够在这个数字世界中代表你的 AI。Codex 呢，你可以把它看作目前是我们为软件工程师打造的工具，但它正在变成“人人可用的 Codex”。任何想要创造的人都可以使用 Codex，让计算机去完成他们想做的事。而且这不再只是关于实际的软件了，它实际上几乎是关于“使用计算机”这件事本身——比如我以前在笔记本电脑上设置各种选项，像 hot corners 怎么设？我老是忘。你直接让 Codex 去做，它就帮你做了。对吧？电脑本来就应该去适应人，而不是让我去适应电脑。所以，想象一下这样一个应用：任何你想让计算机做的事，你都可以问它。因此，它会内置 computer use 和浏览功能，让 AI 能够真正使用网页浏览器，同时你能监督 AI 在做什么。你所有的对话，无论是什么应用，无论是 chat、code，还是一般的知识工作，全部都以统一的方式整合在一起，AI 拥有记忆，了解你。这就是我们在构建的东西。但这其实只是冰山一角，因为这只是水面上的部分。对我来说，实际上更重要的是技术层面的统一。我们在底层模型方面已经稍微谈到了一点，但过去几年真正发生变化的是：关键不再只是模型本身，而是 harness，而是模型如何获取上下文？它如何与世界连接？它能采取什么行动？当你获得新上下文时，与模型互动的循环机制实际上是如何运作的？所有这一切，我们过去有多种实现方式，或者略有差异，而现在我们正在将它们收敛。我们将拥有统一的一个版本，最终几乎会形成这样一个 AI 层：它可以非常轻量地指向特定应用。所以，如果你确实需要一款擅长金融的工具，或者擅长法律的，你可以搭建一个小插件、一个小 skill、一个小 UI。但通常你不需要这么做，因为会有这样一个非常广义的 super app。这款应用是针对商业场景，还是个人场景？两者都是。而这正是核心所在——就像电脑，就像你的笔记本电脑，它是给个人用的，还是给商务用的？对吧？两者都是。两者都是。它是属于你的。它是你的个人机器，为你提供进入这个数字世界的接口。这就是我们想构建的东西。那么先从非商业的角度聊聊，我在个人生活中使用这款超级应用。我用它来做什么？我的生活会发生怎样的变化？我认为可以这样理解：个人生活方面，就像你现在使用 ChatGPT 一样，对吧？你现在是怎么用 ChatGPT 的？人们用它来做各种各样非常惊人的事情。有时候只是问，比如我要在婚礼上致辞，你能帮我起草吗？你能给我这个想法一些反馈吗？我在经营一家小企业，你能给我一些建议吗？这可能已经开始模糊个人与工作的界限了。任何问题你都应该可以去问这款超级应用，它都能回答。但如果你回顾 ChatGPT 一路走来的历程，它其实已经在不断进化。它以前没有任何记忆，对吧？对每个人来说都是一样的 AI，每次都从零开始，几乎就像跟一个陌生人对话。如果它能记住，记住你们之间的互动，就会强大得多。如果它能获取上下文，也会强大得多，对吧？比如接入了你的邮件和日历，真正了解你的偏好，拥有更深层的、与你过往的相处经验，从而能够加以利用来实现你的目标。如果你看看像 Pulse 这样的功能，它目前是 ChatGPT 里的一项功能，每天会根据 ChatGPT 对你的了解，主动推送你可能感兴趣的内容。所以我的意思是，就个人使用场景而言，这款超级应用会做所有这些事，而且会以更深、更丰富的方式来做。你们计划什么时候发布？可以这样理解：在未来几个月里，我们会采取渐进式的步骤来达成目标。我们本应已经交付我们在这里谈论的完整愿景，但它会分阶段推出。我们的起点是，比如今天的 Codex 应用，它其实是一体两面。它是一个能够使用工具的通用智能体框架，同时也是一个懂得编写软件的智能体。这个通用智能体框架可以用于很多不同的事情。你把它接入电子表格，接入 Word 文档，它就能帮你做知识工作。所以我们会让 Codex 应用在通用知识工作方面变得好用得多，因为在 OpenAI 内部我们已经看到，人们自然而然就开始这样使用它了。这将是第一步，后面还有很多步。我昨天和你的一位同事聊了聊 Codex，他提到有人在使用 Codex 时，指示它帮忙做视频剪辑。它为 Adobe Premiere 做了一个插件，开始把素材分成章节并开始剪辑。这就是我们正在看到的事情。我很乐意听到这样的例子。这正是我们希望这套系统能够派上用场的事情。很有意思的是，Codex 应用最初是为软件工程师打造的，对于非软件工程师来说，它目前的可用性其实相当低，因为设置过程中有很多小细节，你会遇到一些错误，而开发者知道这意味着什么，知道怎么修复，这几乎是我们习以为常的事。但如果你不是开发者，你就会想：“这是什么？我以前从没遇到过这种情况。” 尽管如此，我们还是看到从未编程过的人开始使用它来搭建网站，做你刚才说的那种事情，比如自动化他们与不同软件的交互，获得很大的杠杆效应。比如我们沟通团队有人把它接入了 Slack 和邮件，能够处理大量反馈并很好地进行整合。所以这类任务，只要非常有动力的人克服一些障碍，就能获得巨大的回报。从某种程度上说，我们已经完成了最困难的部分——做出一个真正聪明、有能力、能实际完成任务的 AI。现在我们要做的是，在某种意义上简单得多的部分：让它广泛可用，并消除这些入门门槛。再看竞争格局，Anthropic 有 Claude 应用。你可以使用 Claude 聊天机器人、Claude co-write、Claude code。所以他们也有自己的超级应用版本。我很好奇，你认为 Anthropic 更早看到了什么，让他们走到了这个位置？你认为你们追上的机会有多大？我认为，如果你回溯到12到18个月前，我们一直都把编程作为一个重点领域。我们在各种编程竞赛中都有最好的成绩，这些都是非常烧脑的事情。但我们投入不够的是那最后一公里的可用性。没有真正去思考：这个 AI 很聪明，能解决各种编程竞赛问题，但它从未见过某个人真实的代码库——那是混乱的，并不像它所经历的世界那样整洁。我认为这是我们落后的地方。但大概去年年中左右，我们开始非常认真地对待这件事。我们有一个团队非常专注地研究：所有的差距在哪里？现实世界中有哪些我们还没遇到的混乱状况？我们如何获取训练数据，构建训练环境，让 AI 体验真正的软件工程是什么样的，被各种奇怪的方式打断，所有这些事情。我会说，到目前为止我们已经追上来了。当人们把我们的产品与竞争对手正面比较时，人们倾向于更喜欢我们。我们确实知道自己在前端方面还有所欠缺，我们会解决这个问题的，但我们整体一直在推进的方向是：把产品从头到尾的可用性考虑进去，而不是只做模型，然后再单独做一套东西，对吧？要真正把它视为一个产品。我们做研究的时候，就在思考它会如何被使用。这已经成为 OpenAI 内部我们正在转变的方向。所以，我认为我的看法是，我们接下来会有非常惊人的模型迭代。看今年全年的路线图，真的非常令人振奋，未来将会实现什么。同时我们现在也非常专注于把最后一公里的可用性做好。那么自2022年以来，OpenAI 一直是无可争议的领导者，显然现在竞争非常激烈。就像你刚才说的“我们追上来了”。公司内部的气氛是不是有所不同？以前在 ChatGPT 这类产品上遥遥领先，现在却像是在一场真正的硬仗中？我的意思是，从一些关于公司内部动态的报道中也能看出来，OpenAI 已经不再有支线任务了，所有精力都集中在这上面。环境怎么样？这里的气氛变了吗？要我说，对我个人而言，OpenAI 最可怕的时刻其实是在我们发布 ChatGPT 之后。我记得在一次节日派对上，就感受到一种“我们赢了”的气氛。我从未有过这种感觉。我当时就觉得，不，我们是弱势方，而且一直都是，对吧？这个领域的竞争对手，那些成熟企业，拥有更多的资本、更多的人力资源、数据，所有方面。OpenAI 为什么还能参与竞争？某种程度上，答案仅仅是因为我们从不感到自满，我们始终觉得自己是挑战者。实际上，在我看来，看到市场上开始出现这种局面，看到其他竞争对手涌现并且表现出色，是一件非常健康的事。在我看来，你绝不能把注意力固定在竞争对手身上。如果你专注于他们现在的位置，那么你只能到达他们所在的位置，而他们早已继续前行。我认为反过来也是一样的道理，对吧？很多人一直紧盯着我们现在的位置，而我们得以继续前进。我觉得这几乎给了我们一种一致性，一种公司的统一感。我之前提到过，我们曾几乎将研究和部署视为两件事，而现在我们真的希望将它们整合起来。对我来说，这真是一件美妙的事。所以我想说，在我们所处的世界里，我从未觉得我们有外界说的那么好，也从未像他们说的那么糟。我认为一切一直都很平稳。至于模型生产的核心，我对我们的路线图、我们一直在进行的研究投入，实际上感到极其、极其自信。而在产品方面，我们拥有如此强大的活力，正汇聚在一起将这一切交付给世界。你之前已经多次暗示，有一些不错的模型正在路上。Spud 是什么？The Information 报道称你们已经完成了 Spud 的 pre-training，而且 OpenAI 的 CEO Sam Altman 告诉员工，他们应该预计在几周内会迎来一个非常强大的模型。这是几周前的事了。团队相信它真的能加速经济发展，而且事态发展比许多人预期的更快。那么，Spud 到底是什么？它是一个好模型。但我认为关键其实并不在于某一个模型。对吧？我们的开发流程是这样的：先进行 pre-training，由此产生一个新的 base model，然后在此基础上做进一步的改进。这始终需要公司内部大量人员的巨大努力，而过去 18 个月，我实际上也把大部分精力花在了这上面——专注于我们的 GPU infrastructure，支持那些负责所有 training frameworks 的团队，让这些大规模运行能够 scale up。但接下来还有一个 reinforcement learning 过程。你拿这个已经学习了世界上大量知识的 AI，让它应用这些知识，然后我们进行 post-training，这时你实际上是在说：“好了，现在你知道如何解决问题了。你在各种不同的情境中练习。” 然后这就有点像是 behavior 和 usability 的最后一公里。所以，我把 Spud 看作是一个新的 base，一次新的 pre-train，而且我觉得我们大概有两年左右的研究成果正在这个模型中结出果实。这将非常令人兴奋。我认为世界体验到的方式将是能力的提升。对我来说，重点从来都不是某一次发布，因为一旦我们发布了这一个版本，它马上就会是我们后续成果的较早版本。我们会在改进过程的每一个步骤上做得更多。所以，我认为我们正在走向的，是几乎拥有了一台越来越快的进步引擎。而这只是沿途的一步。那么，你认为它能做到今天模型做不到的事是什么？我认为它将能够解决困难得多的问题。它会更加 nuanced。它能更好地理解指令，更好地理解上下文。人们谈到一种叫做 big model smell 的东西，就是说当这些模型真正变得更聪明、能力更强时，它们会更顺应你的需求。你能感觉到。对吧？当你问一个问题，AI 却没有完全理解时，总是令人失望。对吧？当你不得不解释，心里想着“你本来应该能自己搞明白的”。所以，我认为这在某种程度上是 qualitative 的，但 quantitative 上也会有大量转变。对吧？而在 qualitative 层面，会出现一些以前让你感到沮丧、你永远不会用 AI 去做的事，而现在你会不假思索地使用它。我认为这就是我们将在各个领域看到的。我非常期待看到它如何抬高天花板。对吧？我们已经看到了这些物理学应用之类的事情。我认为我们将能够解决更多 open-ended 问题，应对更长的时间跨度。同时，我也很期待看到它如何抬高基线，让你想做的任何事情都变得对你有用得多。对普通用户来说，要真正感受到这种变化可能有点难。就像 GPT-5 发布前有很多铺垫，然后它发布了，实际上公众最初的反应却有些失望。但接着，我认为人们意识到在某些任务上它确实非常好。那么对于这一系列下一代模型，你是预期它在某些职业的一线真正被感受到，还是认为它会对所有人来说都是广泛而切实的改进？我认为故事会是类似的：当你发布它时，会有人在试用后说：“这和我之前见过的任何东西都判若云泥。” 但也会有一些应用，我们过去未必受限于 intelligence bottleneck。所以如果你有一个更智能的模型，也许你在那些领域不会立刻感受到。但我认为随着时间推移你会感受到，因为根本性的转变在于你对系统的依赖程度。如果你想想我们与 AI 交互的方式，我们对它能做什么有一种 mental model。而这种 mental model 的转变其实相当缓慢。对吧？随着你积累更多经验，它为你做了一些神奇的事。你会说：“哇，它还能做这个？我从没想过。” 比如我们在获取健康信息的应用中就能看到这种现象，对吧？我们看到有人——比如我有一位朋友，他用 ChatGPT 来了解他癌症的不同治疗方案。医生告诉他已经是晚期，无能为力。他用 ChatGPT 研究了一大堆不同的想法，并因此获得了治疗。在这种事情上，你需要有一定程度的信念，相信 AI 在那个应用中能帮到你，你才会真正投入精力去从机器那里获取价值。我认为我们将看到的是，对于任何类似的应用，AI 能帮到你这件事对每个人来说都会变得越来越明显。所以这既是技术在变好，也是我们对技术的理解在转变、在跟上技术的步伐。而你会越来越依赖它。在 OpenAI 内部，你们有一个正在研发中的 automated AI researcher，预计今年秋天推出。那是什么？所以，目前的方向是，我们正处于这项技术 takeoff 的早期阶段。takeoff 是什么意思？takeoff 就是 AI 在这条 exponential 曲线上变得越来越好。部分原因在于我们可以用 AI 来让 AI 变得更好。嗯哼。所以我们的开发流程在加速。但我认为，当我想到 takeoff 时，它也关乎现实世界的影响。在某种程度上，每一项技术都是一条 S curve。或者如果你拉远视角，有些 S curves 最终会形成一条 exponential。我认为这正是我们现在所遭遇的。所以，技术发展正以越来越快的速度前进，这是一台正在积蓄动量的引擎。但放眼整个世界，也有各种顺风因素在助推，因为芯片开发商正在为他们的项目投入更多资源。还有一整批人在此基础上构建应用，试图弄清楚它如何适配各种不同的场景。所有这些能量正在不断累积，推动 AI 进入起飞阶段——从原本只是配角，变成经济增长的主要驱动力。我认为这不仅仅关乎我们在这座大楼里做什么，更关乎整个世界、整个经济体如何汇聚起来，共同推动这项技术及其实用性向前发展。那研究员呢，它具体会做什么？此外，到了某个时刻，我们此刻正在构建的 AI 将承担更高比例的任务，我们应该可以让它自主运行。我认为对于这意味着什么，人们已经进行了大量思考。但这并不一定意味着我们把它放出去不管，过段时间再回来看看它有没有做出什么成果。我认为我们会深度参与对它的管理。对吧？就像现在，如果你有一个初级研究员，让他们自己待太久，他们很可能会走上一条没什么用的路。但如果你有一个资深研究员，或者有远见的人，他们甚至不一定需要掌握具体的机械性技能，也能够提供反馈，审阅这些实习生产出的图表，并在愿景层面提供方向——也就是明确我希望你达成什么目标。因此，我认为这是一个我们将要构建的系统，它能极大加速我们产出模型的能力，促成新的研究突破，并让模型在现实世界中变得更加实用、更易用。对。而且是以越来越快的速度做到这些。那么，抱歉，它具体会做什么？你是说告诉它去找到 AGI，然后它就会去尝试吗？我想，首先近似地看，我的理解差不多就是这样。好吧。从实践层面来说，我认为可以把它看作是将我们研究科学家的全套端到端工作流程用硅片（计算机）来实现。另一种看待起飞的方式是，AI 的进步从渐进式积累动量，再到某种不可阻挡地迈向超越人类智能的过程。你是否担心，就像事情有可能往好的方向发展一样，这个进程也有可能出错？我是说，这一点我绝对是认同的。我认为要获得这项技术的好处，就必须真正认真思考其风险。嗯。如果你看看我们从技术角度推进技术开发的方式，我们在安全和保障上投入了大量资源。一个很好的例子就是 prompt injection。如果你要打造一个非常聪明、能力极强、连接了大量工具的 AI，你就要确保它不会被别人通过一条奇怪的指令所操纵。这是我们投入相当多的领域，我认为也取得了非常惊人的成果，有一支非常出色的团队在做这件事。而且有趣的是，在思考其中一些问题时，你可以将其与人类做类比。人类同样容易受到钓鱼攻击，容易被以各种方式欺骗，也容易对自己正在处理的事情缺乏完整上下文理解。我们在开发过程中引入这些类比，每当我们发布或开发一个模型时，都会思考如何确保它能与人类对齐，并真正发挥作用。这是我们非常关心的事。我认为还有一些更宏大的问题关乎世界、经济、一切将如何改变、每个人如何从技术中受益。这些并不纯粹是技术问题，也不仅仅是 OpenAI 单靠自己能解决的。但是，我确实经常思考，我们不仅要推进技术，更要思考如何确保我们能发挥它潜在的积极影响。但令人担忧的是，这是一场竞赛，OpenAI 总部这栋墙内所做的一切，也正在被许多开源参与者复制，而他们在安全方面的边界、屏障和防护措施要少得多。就像你说的，人们需要把很多事情做对才能发挥创造力，而一个人心怀恶意就能造成破坏。至少我的担忧就在于此——这显然是一场竞赛，而且进展飞快。你的许多同行说过，如果大家都同意停下来，我们就会停，但现在看来它根本不会慢下来。那么从根本上说，收益值得冒这个险吗？我认为收益值得冒险，但某种意义上这么说太过粗糙了。好吧，我的思考方式是，从 OpenAI 成立之初我们就一直在问：一个美好的未来是什么样的？这项技术如何才能真正惠及所有人？你几乎可以把它看作有两种不同的视角。一种是集中化的观点，认为让这项技术安全的办法就是只由一家机构来开发，这样你就没有竞争压力了，对吧？你可以真正专注于把它做好，等准备好了再想办法推广给所有人，诸如此类。这在某些方面是相当难以接受的；相反，还有很多特性可以用不同的方式来思考，我们更倾向于将其称为“韧性”。把它想象成一个开放的系统，有很多参与者都在开发这项技术。这不仅仅关乎技术本身，更关乎建设社会基础设施，帮助这项技术真正良性发展。如果你想想电力的发展历程，那就是一个很多人参与生产的例子，它确实存在危险和风险，但我们也以多种方式建立了安全基础设施——围绕电力的安全标准、不同的利用方式、如何规模化，以及在达到巨大规模时的监管，让很多人能够以民主化的方式使用它，还有检查员等等。围绕这项技术的需求和特性，一整套体系已经建立起来了。我认为我们在 AI 领域真正看到的一点是，我们需要广泛的对话。如果这项技术将要到来并改变每个人的一切，就需要让很多人意识到这一点，人们需要参与其中。它不能只是由某个集中化的团体在秘密中完成。因此，对我来说，这项技术应该如何发展是一个非常核心的问题，而我们真正坚信的一点是，围绕这项技术的开发应当出现一个具有韧性的生态系统。那么你说我们正处于起飞过程中，全人类都在经历这一阶段。Nvidia CEO Jensen Huang 最近表示，他认为 AGI 已经实现了。你同意吗？我认为对很多人来说 AGI 有不同的定义，而且会有很多人说我们现在拥有的就是 AGI。这一点可以争论。但我觉得也许有趣的是，AGI，就像我们现在拥有的技术一样，是非常参差不齐的。它在很多任务上绝对是超人类水平的。说到写代码这类事情，AI 就是能做到，对吧？它确实消除了创造事物的很多摩擦。但人类能完成的一些非常基础的任务，我们的 AI 仍然难以应对。所以问题来了，你到底在哪里划这条分界线？嗯。目前这更像是一种感觉、一种氛围，而不是科学。就我个人而言，我们肯定正在经历这个时刻。如果五年前的我看到今天的系统，我肯定会说：“哦，没错，这就是我们所说的 AGI。”但它就是不一样。它和我们曾经想象的任何东西都太不一样了。所以我认为我们需要相应地调整自己的心智模型。那么，你觉得到了吗？我觉得，我想说我已经有大概七八成到了吧。所以我认为我们非常接近了。而且我认为非常明确的是，未来几年内我们将拥有 AGI，它仍然会是参差不齐的，但其能力下限将几乎覆盖你使用电脑完成的任何智力任务，AI 都能够胜任。我认为，是的，现在我必须给出一点不确定的答案，因为这里面有些……有点像不确定性原理那种东西。你可以争论这个。就我个人的定义而言，我认为我们几乎到了，也许再往前一点，我们就绝对到了。好的，我们要进入休息了，不过在去休息的间隙，我想让在家观看的观众知道，6 月 18 日你和我将在旧金山 SFJAZZ 再次对谈。所以如果你想来参加这场对话，我会把一些信息放在 show notes 里，真心希望你能报名。好的，我们马上回来。欢迎回到 Big Technology Podcast，今天的嘉宾是 OpenAI 联合创始人兼总裁 Greg Brockman。Greg，我想问你，2025 年 12 月发生了什么？因为那个时间点似乎是一个拐点，所有这些让机器不间断地写代码好几个小时的想法，从理论变成了一个人人都在说“我觉得我可以信任它继续运行一段时间”的时刻。所以，到底发生了什么？新模型的发布，让 AI 能够从完成你大约 20% 的任务跃升到 80%。这是一个巨大的转变，因为它从“嗯，这是个不错的工具”变成了“你绝对需要围绕这些 AI 重构你的工作流程”。就我个人而言，我有一个用了多年的测试提示：“帮我建一个网站。”这个网站其实是我当年学编程时亲手搭建的，花了我几个月时间。以前，在 25 轮对话中，你知道，大概要花 4 个小时、一堆不同的提示词才能搞定。但在 12 月，一次性搞定。只问 AI 一次，它就生成了，而且做得很好。那么这些模型是如何实现飞跃的？很大程度上在于更好的 base model。嗯。
OpenAI 有一点很重要，那就是我们一直在努力改进预训练技术，已经持续了相当长的时间，而在那一刻，我们得以稍微窥见今年剩余时间里将要出现的东西。但也绝不仅仅是某一项技术。我们其实是在不断推动每一个创新维度。这些模型非常有趣的一点是，某种程度上你会看到飞跃，但某种程度上它又是完全连续的。没错，它不是从 0% 跳到 80%，而是从 20% 到 80%。所以某种程度上，它就是变得更好了。我认为实际上我们在每一个小版本发布中都看到了这种持续改进。比如在 5.2 到 5.3 之间，我的一位密切合作的工程师，以前无法让它完成他做的那种底层硬核系统工程，现在它绝对能获得高分评价。他给它一份 design doc，它就能实际实现，添加指标、可观测性，运行 profiler，优化到完全就是他希望产出的样子。所以我认为，理解它的方式应该是：几乎是一种“缓慢地、缓慢地、突然一下子全部实现”的过程。但这都体现在当下正在奏效的东西里。它肯定在一年内，有时更快，就会变得极其可靠。这让你感到惊讶，因为我前不久听到你在一次采访中说 Codex，对吧，这个自主编码器只是给软件开发者用的。而在这场对话早些时候，你说其实每个人都能用这东西。是的，是什么导致你改变了看法？嗯，我觉得我之前一直关注的是 Codex，它名字里就有 code，对吧？所以它确实是给程序员用的。而且想到 OpenAI 内部的人，因为我们很多人就是软件工程师，都是在为自己做产品，这样想是很自然的。但随着技术进步，我们开始意识到，我们开发的底层技术其实根本与代码无关。它主要是关于解决问题。主要是关于能够管理上下文、驾驭工具，以及思考 AI 应该如何整合并完成工作。这样一来，即使是写代码，突然之间任何人都能用了，因为你可以管理一个会去执行任务的系统，对吧？如果你有愿景，有想完成的事，你可以描述你的意图，AI 就能执行并完成。但接着你也会开始想：“好吧，为什么我只盯着编程呢？”像 Excel 表格、做演示文稿，这些都有很多非常机械化的技能操作。如果 AI 有了上下文，它现在具备了足够的原始智能，能够以很高的水平完成这些事。所以，如果我们能让它更易用，Codex 就突然从“给程序员用的”变成了“给所有人用的”。就在我们看到这些进步之后不久，硅谷出现了另一个现象，就是 Open Claw。对吧，也许更广泛的技术社区都开始以你提到的那种方式信任它：让 AI 机器人访问他们的桌面，或者买一台 Mac Mini，让它访问上面的邮件、日历和文件，然后基本上让它去打理自己的生活。接着 OpenAI 把 Open Claw 的创始人招进了公司。所以你之前更多地谈到 AI 会在某种程度上帮你打理生活。把 Open Claw 团队招入麾下，是为了实现这个愿景吗？我想说，这项技术的核心在于弄清楚它如何有用，人们想怎么使用它。agent 的愿景是什么？它将如何融入人们的生活？这是一个难题，而且我在多代技术迭代中看到的一点是，那些真正全身心投入、充满好奇心、富有远见的人，这是一种真正的技能，也是这个新兴经济体中一项非常有价值的新兴技能。Open Claw 的创始人 Peter，我认为是一个极具远见和创造力的人。所以，某种程度上这与具体技术有关，但某种程度上又完全无关。真正重要的是，我们如何把这些能力拿出来，并搞清楚它们如何融入人们的生活。所以，我认为作为技术人员，这非常令人兴奋，但作为一个专注于为人们带来实用价值的人，这是我们正在加倍投入、大力投资的方向。你最近就此说了一句很有意思的话。谈到让这些自主 AI agent 代表你工作。你说过，当你这样做时，你就变成了成百上千个 agent 的 CEO，这些 agent 在完成你的目标、你的愿景，而你不必深陷于各项事务究竟如何解决的具体细节之中。在某种程度上，这种新的工作方式会让你感觉正在失去对问题的敏锐感知。这好吗？我认为这有利有弊。所以，我觉得我们需要做的是承认这些工具能带来的优势，同时规避其劣势。因此，给予人们杠杆和能动性，让如果你有愿景、有想完成的事情，就可以拥有一支 agent 队伍去为你执行。但如果你想想世界的运作方式，归根结底，总要有一个承担责任的主体，对吧？如果你想搭建一个网站，你的 agent 搞砸了，你的用户受到了影响，那其实不是 agent 的错，而是你的错。所以，你需要上心。我认为，要让人们正确使用这些工具，就需要意识到人类的能动性、人类的问责制，这是系统的核心部分。人类如何使用 AI，这是极其根本的事情。所以，我认为重要的是，作为这些 agent 的用户——我们在 Open AI 内部也是这样做的——你不能推卸责任。你不能只是说：“啊，AI 会搞定一切的。”
当然，但你说的是感觉正在失去对问题本身的敏锐感知。这和问责是两回事。嗯，对我来说，它们实际上是联系在一起的，因为关键在于，如果你是 CEO，却离细节太远，对吧？如果你在经营这家公司、带领这个团队，而你失去了对脉搏的把握，这不会带来好的结果。所以，我想表达的观点并不是说，人类不必了解正在发生什么是一件好事。有些细节你之所以不必操心，是因为你可以信任——比如你和总承包商团队合作盖房子，其中有很多细节你可能不需要担心，因为你可以相信它们会被处理好。但归根结底，如果某些细节出了问题，你应该在意，你应该知情。所以，我认为这里有一个重要的细微差别：你不能只是盲目地说“我接受失去对脉搏的把握”。我们需要积极投入，说“我需要保持这种把握，以真正了解优势和劣势”。而且，当你从某些细节、这些低层次的机械性事务中抽身时，你应该是因为已经建立了对系统的信任，相信它能做好工作，才这样做的。关于模型，最后一个问题。你简要谈到了模型经历的演变。预训练和微调，强化学习，让它们更有能力一步步解决问题，并走出去到互联网上执行操作。现在我们正处于这样一个时刻：模型通过这个过程学会了使用工具。如果我说错了请纠正我。那在这个演进过程中，下一步是什么？我认为，我们正处于一个机器能力和深度不断提升的世界。其中一部分是关于工具使用，但现在我们还需要真正构建出色的工具。你想想 AI 中的 computer use，它实际上可以操作桌面，那么它就真的能够做任何你能做的事情。但我们也需要为机器做一些建设，比如企业中的身份认证是如何运作的？审计追踪和可观测性又是如何运作的？嗯。我们需要构建大量技术，才能跟上核心模型的能力。我认为整体的发展方向包括非常出色的语音界面。这样，你就可以像这次对话一样自然地与电脑交谈，它理解你，执行你的需求，给出好的建议。它能够主动呈现：我一直在做这件事，我遇到了一个问题。你早上醒来，它会说：这是你旗下 agent 夜间进展的日报。也许它正在为你经营一家企业，我认为这将是这项技术的巨大应用场景。创业的民主化绝对正在到来。它会说：这里有问题，这位客户很不高兴，他们想和一个真人交谈。你应该去和他们谈谈。所有这些都会发生。然后，我认为人类能够解决的挑战的雄心上限也将被提高。这也是这项技术的下一步。我们已经看到了它的前沿。我非常期待看到的是——如果你还记得 AlphaGo 的第 37 手，对吧？那是人类永远想不出的一招。很有创造力。很有创造力。而且它改变了人类对围棋的理解。这将在每一个领域发生。它会发生在科学、数学、物理、化学领域。它会发生在材料科学、生物学、医疗健康、药物发现领域。但它甚至可能发生在文学、诗歌，以及许多其他领域，以我们目前无法想象的方式释放人类的创造性理解和构思能力。既然你说模型已经这么强了，为什么你认为这还没有发生呢？嗯，我认为模型的能力与人们实际使用它们的方式之间存在一个落差。所以，应用……好吧，是的，这几乎关乎我们对这些模型内部所蕴含能力的理解。明白了。我认为这仍在显现过程中。所以，我觉得即使模型不再进一步进步，仍然会发生巨大的转变。由计算和 AI 驱动的经济仍然会出现。但我也认为，还有另一方面：我们非常擅长的是训练模型完成可以被衡量的任务。所以，我们一开始做的是数学题、编程题——这些你有完美的验证器。在将这种能力拓展到更开放式的问题方面，很多进展来自于扩展可创建事物的空间。而这本身也确实能在这方面提供很大帮助。如果 AI 足够聪明、理解事物，你就可以给它一个评分标准来衡量任务完成得如何。当然，对于像创意写作这类事情——比如这是一首好诗吗？这要评判起来就难多了。所以，我们一直以来不太有能力去教 AI，让它去体验和尝试。但所有这一切都在改变，而且这也是我们看得比较清楚的领域。有趣的是，Peter Thiel 提到过——我很确定他是这么说的——如果你是数学领域的人，就模型会来取代你所做的工作而言，你恐怕比文字工作者麻烦更大。而你当年正是数学俱乐部的成员。你不担心这一点吗？嗯，我认为人们更容易看到的是我们失去的东西，而不是得到的东西，对吧？因为我们深深理解过去我是这样做的，我以前参加这个数学竞赛。现在 AI 能做数学竞赛了。但这从来就不是关于数学竞赛本身。对吧。那并不是真正驱动人类的东西。如果你想想我们现在的工作方式——有一个屏幕，我们在屏幕后面打字。100 年前我们可不是这样做的。那并不自然。那并不是我们被卷入的这个数字世界。那并不是做人的真谛。做人的真谛在于身处此地、活在当下、与其他人建立连接。我认为我们将看到的是，AI 会腾出大量时间，用于增进人与人之间的联结，在人群中建立更多纽带。对此我感到非常兴奋。好的。那么随着你们真正转向这些更 agentic 的用例，业界一直在讨论是否还有必要进行更大规模的训练。要知道，特别是如果你把模型做得足够好，你就可以把它放到现实世界中，然后在预训练之外的领域获得大量提升——而这正是这些大型数据中心原本的用途。所以你在这里负责 scaling，主导这一流程。你怎么看这个观点？我认为这种观点忽略了技术发展中非常重要的一点，因为模型生产流程中的每一步都是相乘关系，所以你必须把每一步都做好。我们看到的情况是，随着预训练水平的提升，其他所有步骤都会变得容易得多。这很合理，因为模型学得更快了。由于它一开始能力就更强，在尝试不同想法、从自己的错误中学习时，整个过程就更快，犯的错也更少。所以，重大的转变在于，以前我们认为这只是把这个“大脑系统”单独训练得越来越大；而现在，它也关乎实际尝试，也关乎理解人们在现实世界中如何使用它，并将这些反馈回训练中。但这并没有削弱继续推进这项研究的价值和重要性。另外，我认为还有一个转变：过去我们确实只关注原始预训练能力，而没有充分思考推理能力。过去 24 个月的一大变化是，我们意识到这需要在两者之间取得平衡——你可以让基础模型具备所有这些优秀特性，但你真的需要它能够高效推理，因为你需要做强化学习，需要把它部署给全世界使用。这意味着你不一定要把它做得尽可能大，因为你还要考虑所有这些下游使用场景，你真正想要的是“智能水平 × 成本”的最优解，要把这两者结合起来优化。如果业务主要转向推理，你们还需要 Nvidia GPU 吗？当然需要。为什么？原因有很多。其中之一是，即使推理与训练之间的比重发生变化，要进行大规模训练，除了把算力集中在一个问题上之外，别无他法。我认为未来会发生的情况是，部署规模会大幅上升，但有时候你会有一个特别庞大的预训练任务，你真的需要把大量算力集中投入进去。另外，我认为 NVIDIA 团队非常出色，他们的工作真的非常了不起。所以是的，我们与他们合作非常紧密。会不会有一天人们会说：“我们已经预训练够了，模型已经足够聪明了”？我觉得这有点像说，等人类解决了眼前所有问题，我们才能这么说。但我认为，我们想要达成的目标上限还有很高空间，也许在过去 50 年左右，我们在某种程度上放弃了一些雄心壮志。想想那些看起来就很明确的问题，比如能否让每个人都享有真正预防性的医疗，不只是等人们生病了再去治疗，而是认真考虑生活方式，帮助人们在疾病发生前就及早发现潜在问题。我认为这其实是我们可以通过更智能的模型来实现的目标。也许在某个水平上，你完全可以解决这个问题，然后你会说：“我还需要聪明两倍的模型吗？”但总会有其他问题需要那样的模型。我们来聊聊建设这些数据中心的账是怎么算的。你们今年年初融资了 1100 亿美元。背后的数学逻辑是什么？这笔钱会直接投进数据中心吗？你打算怎么把钱回报给投资者？谈谈这些计算。好的，我认为这很简单：我们面前最大的开支就是算力。但你可以把算力不看作成本中心，而是收入中心。有点像招聘销售人员，对吧？你想招多少销售人员？只要你能卖出产品，只要你有可扩展的销售方式，那么销售人员越多，收入就越多。我认为我们现在的处境是，我们一直发现算力建设速度跟不上需求。这一点我非常具体地看在眼里。现在我们必须非常痛苦地决定发布什么产品、算力分配到哪里，而我认为随着我们转向 AI 驱动的经济，这一点会在更广泛的经济层面体现出来。问题在于，哪些问题将获得如此庞大的算力？如何让每个人都能拥有为自己运行的个人 agent？如何让每个人都能使用 Codex 这样的系统？世界上根本没有足够的算力来做这些事。所以我们想提前应对这个问题。但这确实是一个新品类。对吧？所以你做得非常有信心。我是说，这是全世界从未见过的、投向这样一个项目的巨额资金。当你在开创新品类时，你怎么能确定这事一定能成？我认为这由几个因素构成。首先，到现在已经有历史先例了。从我们推出 ChatGPT 的那一刻起，我记得就和团队有过完全一样的对话。他们说：“我们该买多少算力？”我说：“全部。”他们说：“不不不，说真的，该买多少？”我说：“无论我们建多少，我知道都满足不了需求。”事实的确如此，此后每一年都是如此。挑战在于，这些算力采购必须提前 18 个月、24 个月，甚至更久锁定，机器才能交付，这意味着你真的需要向前预判。我认为我们正朝着一个方向发展：到目前为止，我们大部分收入来自消费者订阅，这永远都很重要。我们也有其他新兴的收入来源，但现在明显浮现的机会是知识工作。我们非常具体地看到，每一家企业都意识到这项技术确实有效，要想保持竞争力就必须采用。你可以看到一股自发性的力量——所有软件工程师都在使用它，然后我们开始看到这种使用渗透到企业内部各种知识工作中，付费意愿和收入增长在这个行业里都非常明显。对吧？它现在就明显正在发生，你只要把这一点往前推演即可。还有一件事，我们能看到而外界也许看不到的，就是模型将如何改进的清晰路径。所有这一切加在一起都说明，经济（这可是个庞大的东西，对吧？）
经济体的规模如此之大，几乎令人难以想象。未来的所有增长，就像决定经济发展方向的最高阶比特位一样，核心都在于人工智能，在于你能多有效地利用 AI，以及你拥有多少可用的算力来驱动它。你说过，目前消费者订阅是你们最大的收入来源。未来的预期是否会翻转，企业业务会成为最大的收入来源？我觉得，嗯，有一点已经非常清楚了——企业端的增长速度之快，而且不仅仅是传统企业，因为我认为“企业”本身的含义也在发生变化。实际上，是人们将其用于生产性的知识工作这类场景。另外，如果我们思考定价模式，有一点可以参考：目前 Codex 的运作方式是，只要你订阅了 ChatGPT 的消费者版本，就能使用 Codex。所以我觉得未来不会划分得如此泾渭分明，不是这个品类、那个品类的问题。我认为本质上，作为用户，你将拥有——就像你的笔记本电脑一样——一个通往数字世界的入口，而收入从根本上讲就将来源于此。
Dario 说过，“我想到你。”有些玩家在 all-in，把旋钮拧得太过了，这让我非常担忧。我认为他指的是你们在基础设施上的押注。对此你怎么看？这一点我不同意。我认为我们一直都经过深思熟虑，非常清楚地看到即将到来的是什么，而且我认为就在今年，我们会看到所有参与者都将面临算力紧缺的局面。我们是最早意识到这一点的人，并且提前建设，为这项技术的发展趋势做准备。而我们看到的是，其他玩家大概在去年年底才意识到这一点，然后慌忙去争抢可用的算力，但实际上已经没有什么算力可抢了。所以我认为，即便人们很容易说出那样的话，但每个人都多少已经意识到，这项技术是有效的，它已经来了，它是真实的，对吧？软件工程只是第一个例证。从根本上说，我们受到可用计算能力的限制。而且你之前还说过，如果他的预测哪怕偏差了一点点，他的公司就有可能破产。你们的情况也一样吗？我觉得，你看，我认为我们实际上有更多的缓冲空间和退出路径。好吧。如果你开始担心下行风险，我认为这是一个非常合理的问题，对吧？但某种程度上，我认为这场赌局押注的不是某一家公司，而是整个行业。它真正关乎的是，你是否相信这项技术能够被创造出来，并带来我们所预见的那种巨大价值。而且，我可以指出一些证据，对吧？软件工程这个领域，如果你不是软件工程师，没有尝试过编程类应用，你很难描述它的变化有多大。我认为人们很快就会亲身体验到。比如，六个月前，我觉得我们在内部已经看到了这一点，但外部还缺乏足够的证据。现在已经有了一些证据。再过六个月，我认为每个人都会感受到，而且我们都会痛苦地意识到：明明有一个很棒的模型，却无法使用，因为算力不足。是的，但我们在做这档节目关于 2026 年的预测时，去年年末有一次对话，Runa John Roy 当时也在，他说 2026 年会是每个人都使用 agent 的一年。我当时说：“行吧，眼见为实。”而现在我已经在用 agent 了。所以。这不就来了嘛。说到这个，你用 agent 做什么？我用它来搭建内部工具，让我和同事们能够同步信息，比如视频什么时候发布、缩略图应该长什么样。我还整合了 YouTube 的数据，这样我们就能根据缩略图表现对视频进行排序，这相当于一个定制开发的软件，而我以前绝不会花钱去买这样的东西。我想，这正是当下这个时刻有趣的地方之一——软件虽然能大规模服务大众，但正因为它面向的是大众，所以注定有很多东西并不是为你量身定制的。而也许 AI 所做的就是让我们能以更自然的方式与软件交互。我认为这才是关键。而且我总是在想，我们设计计算机的方式其实一直在把我们拉进数字世界。你想想，你每天花多少时间在手机上滑屏。是啊。对吧？你花多少时间点击各种按钮，试图把这个东西和那个东西连起来。为什么？为什么你必须要这么做？而 AI 应该做的是让机器更贴近你，为你个性化，理解你想要完成什么。流行文化里一直有这种想象：你可以和电脑对话，它帮你去办事。而这正在开始变成现实，开始成为你能真正去做的事情。我认为这种神奇之处，你必须亲自尝试过才能真正理解。所以，我绝对认为我们现在正处于一个非常特殊的时刻。是的。那我想知道，为什么 AI 在公众中如此不受欢迎？比如 YouGov 的数据显示，预期 AI 对社会产生负面影响的美国人数量，是预期产生正面影响的三倍。你认为背后的原因是什么？你担心 AI 的品牌形象吗？嗯，我认为我们需要向这个国家展示，为什么 AI 对他们是有好处的。不仅仅是对整体经济、对 GDP 增长这些宏观层面，而是它如何帮助他们改善日常生活？实际上，我每天都听到很多非常具体的故事。比如，有一个家庭，他们的孩子一直头疼，有一些健康问题，保险公司拒绝批准 MRI 检查，他们用 ChatGPT 研究了症状，意识到可以向保险公司提出充分的理由来争取 MRI。他们这么做了，结果发现孩子得了脑瘤，正因为用 ChatGPT 获取了正确的信息，他们才得以挽救孩子的生命。这只是一个故事。还有无数类似的故事，人们的生活被深刻地、根本性地改善甚至拯救了，因为他们使用了这项技术，因为他们与这项技术真正形成了伙伴关系。而这样的故事，我认为并没有传播出去。这种事正发生在很多人的生活中，但不知为何，这个故事还没有被讲述出来。我注意到的一点是，流行文化中，比如从 90 年代开始，以及我们所处的历史语境中，有很多对 AI 非常负面的描绘，担心会出什么乱子。但当人们真正使用 AI 时，他们会发现它的实用性，发现它的价值。所以，我确实非常担心，我们尚未成功帮助人们理解为什么这波技术浪潮会改善他们的生活。它会帮助增进人际连接，这是我脑海中非常关注的一点。如果你思考这里的机遇以及为什么 AI 如此重要，我认为它将成为未来经济和国家安全的源泉。这将关乎国家竞争力，而在像中国这样的其他国家，AI 起到的作用却完全相反。所以我在那儿吃过了。是的，我认为我们必须承认这一点，并且真正理解如何让每个人都能从中受益，这一点非常非常重要。但我们也正处于政治不稳定的时期。人们对工作充满担忧。每次我和别人聊起 AI，他们都会问：“我的工作还能干多久？”而当我想到数据中心，我是说，民调结果甚至比 AI 整体还要糟糕。这是皮尤研究中心的数据。很多人说数据中心对环境、家庭能源成本以及附近居民的生活质量弊大于利。在这个好工作本就难找的时刻，人们看到这些数据中心进驻自己的社区，就说这对环境、家庭用电和生活质量没好处。我是说，他们错了吗？嗯，我认为关于数据中心肯定存在很多误传。一个很好的例子是用水量。如果你去看看我们在 Abilene 的设施，那可能是世界上最大的超级计算机之一，它一年的用水量和一个家庭差不多。对吧？所以用水量其实微乎其微。然而却有很多误传说这些数据中心消耗巨大。电力方面也是如此，我们承诺会自付成本，不会推高人们的能源价格。现在整个行业都在做出这样的承诺，因为改善当地社区非常重要。当我们建设数据中心时，我们真的努力走进那些当地社区，了解地面上的实际情况，看看我们能提供什么帮助。这些数据中心会带来税收收入，也会创造就业机会。它们能带来很多好处。所以我认为这关乎我们以什么样的姿态出现，而这是我们非常重视的责任。好吧，但即使他们的电力成本不会上涨，你们也必须引入电力，这可能意味着更多污染。这难道不值得担忧吗？嗯，我认为在不推高能源成本这件事上，其实有很多值得深究的细微之处。如果你看看当今电网的运作方式，实际上有很多被闲置的电力，也就是那些存在但未被利用的能源，而且你需要升级输电系统。再说一次，由我们来承担这些成本，而不是转嫁给缴费用户，这一点非常重要。对吧。很多地方都有清洁能源，但实际上利用不足，几乎等于白白浪费了。因此，当电网在许多地方已经老化、过时，数据中心的存在为升级电网提供了真正的理由，这会带来很多好处。这实际上对社区有实实在在的益处。比如我们在 North Dakota 看到的情况，因为数据中心进驻并帮助改善了公用设施，人们的费率反而下降了。好吧，最后一个关于政治的问题。你向 Magna Inc. 捐赠了 2500 万美元，那是一个支持特朗普的 PAC。你接受 Wired 采访时说：“只要能让这项技术惠及所有人，我愿意做任何事情。”你知道，如果这让你成为一个单议题选民，或者单议题的政治支持者，我想说一件我一直很好奇的事：归根结底，一个更强大的国家难道不会让你的目标更容易实现吗？即使某位候选人并不完全支持你所做的事情。无论如何，一个更强大的国家难道不应该成为任何政治活动的北极星吗？如果是这样的话，这是否也是捐款的一部分考量呢？我是这么看的，那笔捐款是我妻子和我共同捐出的。我们也向跨党派的 super PACs 捐过款。我认为这项技术来势很快。未来几年内，它将真正改变一切，成为经济的基石，而且它目前并不受欢迎。我们确实想支持那些真正投身于这项技术、真正与之互动的政治人物。所以，我认为这项技术肯定关乎提升我们国家。你知道，我是一个单议题捐赠者。这是我感觉自己能做出独特贡献的领域。但这其实是为了表达对这项技术的支持，它是我们整个国家都应该积极拥抱的东西。你会对那些害怕 AI 的人说什么？我是说，如果你有机会直接对他们讲话。他们可能会想，它会抢走我的工作，会污染我的社区，会让世界变化得太快。你想对他们说什么？第一件事就是去试试这些工具。因为，要真正理解它能为你做什么，只有亲身体验当下存在的 AI，那种感觉才会真正深入人心。我们看到了这项技术在今天带来的巨大机遇、潜力和赋能作用。你刚才也稍微提到了现在能搭建什么东西。没错。那些从来没建过网站的人现在可以建网站了。如果你想开个小公司，正发愁所有的后端处理以及实际管理问题，所有这些事，AI 现在就能帮你。所以，我认为在你的生活中，想想它怎么帮你管理健康、怎么帮助你所爱的人、怎么帮你赚钱、怎么帮你省钱，这些都将成为可能。我觉得人们更容易看到什么将会改变，却很难看到自己会获得什么。但我认为值得认真试一试，真正努力去理解等式的两边。顺便说一句，民调数据里有一点没人提到：那些只是看过别人用但自己没试过的人，或者从来没用过 AI 的人，态度负面得多。而那些深度用户，甚至只是偶尔用一用的人，通常对这项技术相当乐观。就我个人而言，我们思考这项技术已经很久了。我看到在我们眼前展开的图景，比我们曾经想象的更加惊人、更加有益，而且将产生更加积极的影响。那么最后一个问题，你会建议人们如何为未来做好准备？而且这不能只是去用工具。我是说，我有朋友来找我，说我不知道我的工作或这个世界会变成什么样，我只想知道该怎么办。我确实认为最重要的事是理解这项技术。我们看到的一点是，那些最能从这项技术中受益的人，必须带着好奇心去接触它，真正试着把它融入到你的工作流中，真正克服最初的障碍——你面前有一个空白的输入框，我该拿这个空白框怎么办？对吧？要真正培养这种主体意识，这种“我可以当管理者”的感觉。我可以设定方向，我可以委派任务，我可以提供监督，并且真正培养这种能力，因为这将是基础性的。我们开发这项技术是为了人类，是为了帮助人类建立更多的人际连接，是为了让人类能够花更多时间做自己想做的事。所以问题是，你想要什么？真正努力把这想清楚，并借助这项技术去实现它，这将是最重要的事。
Greg，非常感谢你来到这个节目。谢谢你的邀请。好的。感谢各位的收听与观看，我们下期 Big Technology Podcast 再见。