AI 进化论 - 节目列表

本期摘要本期内容分享埃隆马斯克是如何通过组建一支高度信任且长期合作的核心团队，以及独特的人才分级和资本配置策略，在多个科技领域取得了显著成就。该团队由大约20名成员组成，与马斯克合作超过十年，展现出极高的互信与高效协作能力。马斯克擅长发掘人才的潜力，运用五层深度提问法筛选和培养人才，构建了一个高绩效团队。在资本配置上，采取了试探性投入的策略，待时机成熟再全力投入，类似扑克游戏的智慧。讨论还涉及了投资决策、化学工业的潜力，以及识别和培养顶尖人才的重要性。强调了耐心、长期积累信任以及准确评估人才层级的必要性，凸显了在创业和投资中深度观察和长期眼光的价值。章节速览l 00:00 埃隆马斯克的团队协作与人才管理秘诀讨论了埃隆马斯克如何通过组建一支高度信任且长期合作的核心团队，借鉴布尔巴基数学家集体的模式，高效管理多家跨行业公司。这支约20人的团队成员与马斯克合作超过十年，能够独立处理复杂问题并预判决策，形成了深度协作的独特优势，这种模式在硅谷极为罕见。l 01:40 发现潜力：选人用人的独特视角埃隆马斯克在选人用人方面展现出非凡能力，尤其擅长挖掘他人未见的潜力。曾有一位经济学背景的求职者，面试商务拓展岗位，却被建议转做机械工程。尽管跨度极大，无相关工程背景，但基于对其工程思维的认可，埃隆马斯克排众议，将其培养成高级工程师，彰显其洞察潜力的独特视角。l 02:17 人才分级法：揭示顶级人才间的巨大差距对话探讨了Shaun Maguire提出的人才分级法，以数学编程和工程领域为例，指出顶级人才间存在15个清晰等级，差距远超传统认知。通过类比国际象棋评分系统，说明高手之间胜率的巨大差异，以及低级别者无法分辨高级别者能力的现象。举例说明从高斯、欧拉等百年一遇的天才，到普通高中数学老师，人才层次分明，强调了识别和理解顶级人才能力的重要性。l 04:32 投资人才识别与分级：古尔他方法解析讨论了Shaun Maguire在投资场景中运用人才分级方法，快速识别创业公司创始人核心技能等级的能力。此方法基于自身高水平判断，能精准识别同领域内的高潜力人才，如通过数学能力判断AI公司创始人水平，或通过工程水平评估硬件公司创始人。实例展示，正确识别信号可带来显著投资回报。l 05:46 红杉资本投资SpaceX的决策历程与关键转折在2019年，红杉资本内部对投资SpaceX产生激烈争议，主要担忧包括马斯克能否同时管理多家公司、特斯拉的不稳定性及火箭行业的高烧钱特性。最终，通过小规模尝试性投资2000万美元并持续高频沟通进展，展示了对项目的热情与执着，成功说服合伙人，红杉资本成为SpaceX重要投资方，现SpaceX估值已超2000亿美元，年发射次数大幅提升。l 07:41 Boring Company技术挑战与NVIDIA投资失误探讨讨论了Boring Company研发自动化连续挖掘隧道机器的高技术挑战，将其与SpaceX的火箭技术对比，强调其实现难度远超常人想象。同时，从另一个角度分析了NVIDIA投资决策中的失误。l 08:39 投资者错失NVIDIA巨额收益的反思Shaun Maguire早年购入NVIDIA股票并持有20多年，但在市值达6000亿美元时卖出，错失了后续市值涨至3万亿美元的巨额收益。他认为自己低估了黄仁勋的战略眼光及市场的非理性力量。黄仁勋的决策，如80亿美元收购Mellanox，巩固了NVIDIA在数据中心领域的优势。此外，NVIDIA市值增长带来的正反馈效应，使其研发投资加大，进一步拉开与竞争对手的距离。Shaun Maguire反思，虽然技术理解重要，但把握市场心理同样关键，有时无知无畏的散户反而能因市场非理性而获利。l 11:24 化学工业：被忽视的万亿级市场与关键性化学工业年销售额高达5万亿美元，其中高端特种化学品占比1/4，对下游产业链至关重要。一个例子说明，特种化学品断供可能导致整个产业链停摆，凸显了化学工业的重要性与巨大市场潜力，尽管它常被投资者忽视。l 12:21 埃隆马斯克：资本配置高手与Starlink项目讨论了埃隆马斯克在Starlink项目上的资本配置策略，强调了其精准的下注节奏感。2013年初期仅少量投入，待火箭回收与天线技术成熟后，于2016年及2018年逐步加大投入，展现了技术直觉与资本配置能力的结合。l 13:28 深度提问法与公司文化的重塑对话探讨了五层深度提问法的实施方式及其对公司文化和人才选拔的影响。此方法要求员工对工作细节有全面深入的理解，促使员工提升专业能力和快速学习能力，从而筛选出真正懂业务的人才。此外，还提及了AlphaGo式的决策方式与马斯克决策风格的相似性，强调决策的深度和精准性。l 14:45 洞察未来：大胆决策背后的深思熟虑对话讨论了埃隆马斯克以其前瞻性的决策能力而闻名，即使这些决策在初期看来似乎疯狂或不切实际。他能够在关键时刻采取大胆行动，如同时拯救两家面临困境的公司，进军新兴领域，以及进行大规模收购。尽管初期外界对其决策表示怀疑，但事后证明，这些决策基于对未来趋势的深刻理解和长远规划。与这样的人合作，最大的挑战在于信任其超越常人的远见，即使在当下难以理解其思路。l 15:43 打造高绩效团队与资本配置策略强调构建精英团队的重要性，需赋予成员决策权与责任，快速晋升优秀者，果断淘汰犯错者，长期筛选并保留顶尖人才，此过程耗时长但效益巨大。同时，提倡快速评估人才能力，建立个人评分系统，通过与领域顶尖者交流学习。在资本配置上，借鉴扑克策略，灵活调整投入，耐心等待最佳时机，果断全身心投入。l 17:13 顶尖人才与长期主义：高手如何面对误解与质疑讨论了顶尖人才在面对长期误解与质疑时，如何保持定力并最终证明自己的过程。通过案例分析，阐述了高手与普通人之间的核心认知差异，包括对人才本质的精准判断、在关键节点上果断决策以及对长期积累的信任的重视。强调了深度观察与长远眼光在识别和培养顶尖人才中的重要性，以及构建顶级团队和资本配置策略的关键要素。在小宇宙查看该单集文稿

00:00:15今天咱们要来探讨一下中美两国在人工智能领域各自的优势和短板，以及为什么说这两个国家在这场科技竞赛当中其实谁都没有绝对的胜算？00:00:27没错。00:00:28咱们先来看看第一个话题，就是谷歌前CEO施密特。他对中国AI的最新看法，他之前不是刚从中国回去吗？那他回去之后，对于中国在AI领域的表现有什么新的评价。00:00:41他是在南加州大学的一场对话当中说到的。他说，其实他在来中国之前是认为,中国会在AI领域试图去击败美国，但是他在中国实地考察了之后，他发现这个情况比他想象的要复杂很多，中国在很多方面已经是领先的了。00:01:00下面我们来谈谈中国到底在哪些AI的相关领域已经取得了决定性的优势。美国为什么会在这些领域落后？00:01:08比如说在电动车和电池系统这两个方面，中国已经是毫无疑问的领先了。施密特他也直接说，美国公司已经没有办法在这个运营规模上面去跟中国竞争了，这其实是美国自己的失误。00:01:21那这个差距听起来就不像是可以轻易追回来的。00:01:25对，而且人形机器人领域中国也很有可能会后来居上，因为施密特去参观过中国的工厂，他说那个规模大的惊人 工人们都非常的勤奋，这并不是在说客套话，这是一个竞争对手的冷静判断。00:01:40原来是这样，那我们来看看美国在AI领域还有哪些独门绝技吧，美国到底有什么东西是中国目前没有办法模仿，或者说很难追赶的。00:01:50虽然中国的AI发展的很快，比如说像DeepSeek这种研究团队，他们也发明了很多根本性的更好的算法，但是中国在金融市场的深度上面还是有明显的短板。00:02:02听起来好像中国的这些AI公司在融资和扩张的时候会受到一些限制。00:02:08是的，因为你没有办法说在中国随随便便就可以融资500亿美元去建数据中心，可能政府最后会去推动这件事情，但这是指令性经济，而美国的创业的生态，它是可以为了一个疯狂的想法，就可以筹集到大量的资金。这个是中国的体制下很难做到的。00:02:25明白了，紧接着我们就来谈一下。施密特对美国的警告，以及他怎么看中国的AI能力。00:02:32他怎么评价现在中国的AI研究水平？00:02:34他其实直接就说，如果你现在还在怀疑中国的研究质量，那你就错了。就15年前的那种中国落后的这种偏见，已经完全不符合事实了。00:02:44看来他的态度非常鲜明。00:02:46没错，他还说了一句很重的话，中国已经站在门口了，中国的AI能力已经非常非常接近美国的顶尖水平了。00:02:54下面咱们展开讲一讲这个DeepSeek, 这个团队以及中国在推理算法上面的一些突破。这个团队到底在国际上是一个什么样的水平？00:03:03DeepSeek, 其实是让硅谷都非常紧张的一个中国的AI团队。史密特专门提到了他们在推理算法上面的这个DeepSeek-R1的创新，是处于国际领先的。00:03:14能让施密特专门提到那确实不简单。00:03:16是的，但是中国的这些AI团队虽然技术很强，但是他们在算力的规模上面还是没有办法跟美国相比的。施密特说的是，至少目前我们还可以，但是他用了一个词叫目前就说明美国的这个优势可能随时会被追上。00:03:33中国在开源的AI上面到底采取了哪些跟美国截然不同的策略？00:03:38最有意思的地方就是美国的这些顶尖的AI模型，像OpenAI、Anthropic、Google,他们几乎都是闭源的，几乎都是闭源的，因为训练的成本实在是太高了。他们不可能说免费的让大家去使用，但是中国的这些AI模型几乎都是开源的，任何人都可以免费的去使用。00:03:56那这样的话，是不是就意味着全球的开发者都可以很轻松的用上中国的这些大模型？00:04:01是这样的，就像施密特说的，他认识的很多高质量的，非常聪明的中国的创业者，他们都直接用中国的开源大语言模型。这些不是什么政治性的创业公司实用的工具，而且免费。他说，当然可以用，对吧？00:04:17所以说这种开源的模式对于整个生态系统的建设会带来哪些长远的好处？00:04:24长远来看的话，中国是通过开源把自己的模型推到了全世界的开发者的手里。这其实是一个非常聪明的抢占生态位的一个做法。因为美国的公司为了收回巨额的成本，他们只能闭源收费，但是中国是通过开源直接让更多的人来使用，来贡献，可能会慢慢的主导这个行业的标准。00:04:44那紧接着我们要谈的就是中国留学生对美国的AI和科研的贡献。为什么这部分人才会成为美国创新体系当中不可或缺的一部分？00:04:53施密特不是在美国国会的AI委员会里面专门研究过这个事情吗？他发现美国所有最顶尖的论文在五到十个作者当中，经常会有一两个是出生在中国。并且在中国接受早期教育的科学家，他们几乎已经成为了美国的研究基础设施的一部分。00:05:10这么看来的话，中国的留学生在美国的科研圈里面真的是撑起了半壁江山。00:05:16是的，所以施密特才会说，美国不想让这些人毕业之后回到中国，他甚至还开玩笑说，应该直接在他们的毕业证上面订一张绿卡，就不要让世界上最顶尖的学生去别的地方，而不是留在美国。00:05:30说到这个中美关系，施密特，他怎么看待这两个国家在AI和科技领域的合作和竞争？00:05:37他其实说的很直白，就是中国和美国永远都不会成为最好的朋友，但是他们是可以学会合作的。虽然他们的体质是完全不一样的，但是他们在一些方面是有共同的利益的，比如说国内的稳定，大家都不希望有恐怖主义。另外经济的增长，中国虽然说自己是共产主义，但是在施密特资本家看来，他们看起来可真像资本家，工作非常努力，非常聪明。00:06:02确实在知识产权这种容易产生矛盾的问题上面。他有什么具体的建议吗？00:06:08他其实是说应该通过接触和交流去解决，而不是说去封闭自己，因为封闭自己不仅不会让美国变得更强，反而会让双方都失去互相学习的机会。00:06:20好的，然后咱们下一个话题要聊的是美国大学在算力资源上面遇到的瓶颈。现在美国的大学在算力上面到底有哪些难题？00:06:30他其实说的非常直接，没有一所大学是有足够的算力的，就哪怕是这些最有钱的私立大学，像南加州大学，它的资金很充足，运营的也很好，但依然还是不够用。00:06:43听起来算力不足，已经成了一个阻碍美国学术进步的一个大问题了。00:06:48没错，所以施密特才会建议，大学应该要去建设自己的数据中心，要选在电力资源丰富的地方。另外，可以去寻求捐赠者，捐芯片。他还半开玩笑的说，可以把数据中心建在共和党州拉根大网线回来，大家要去想办法解决这个问题。00:07:07因为没有算力，大学就没有办法发明未来。00:07:11那我们下一个要聊的话题，就是技术竞争的本质，以及施密特他对于竞争的理解，他是怎么来看待中美之间的这种AI的竞赛的？00:07:20他其实是多次在公开场合讲过，就是他个他竞争是好事。他很高兴看到google现在可以在芯片领域跟Nvidia进行竞争，因为这样的竞争会让大学和整个行业都受益。他说，应对科技界疯狂局面的答案，硬核竞争照这么说的话。00:07:37他应该不主张美国去一味的封锁中国的技术吧？00:07:41对他的观点不要去试图封杀对手，而是要通过竞争让自己变得更强。就中国在某些领域领先，那就承认，然后想办法在自己强的地方做得更好。美国在金融和创新生态上有优势，那就最大化这个优势。00:07:57那他对于现在的大学生投身AI和科技领域有什么具体的建议吗？00:08:02他说，他其实很嫉妒现在的大学生，因为他们可以见证一个全新的智能形态的诞生，这是一个非常激动人心的时刻。00:08:10那他有没有说，在学习或者说在创业的时候要注意什么？00:08:14他就建议，大学生要像计算机科学家一样去思考，你要考虑规模化，你不要想着说，我就做一个小生意。他说，你要去想怎么能够服务成千上万人。另外就是要找到一个可扩展的商业模式，这样你才能发财。00:08:29毕竟你在商学院。00:08:31我们下面就来总结一下中美在AI以及相关的领域，上面各自的强项和弱项。00:08:38能不能用几个简单的关键词来概括一下两国的核心的优势和短板。00:08:43当然可以，中国的话，在电动车和电池这两个领域是绝对的领先，人形机器人，也很有可能后来居上。在AI的研究上面也是非常非常接近美国的，包括开源的策略也很有前瞻性，但是在金融的深度上面，还是美国更厉害。00:08:59所以美国主要还是靠创新和融资能力领先。00:09:04没错，美国的创新生态和融资能力确实非常强，但是美国在大学的算力投入上面是明显不足的，对中国的人才也是很多限制，比如说绿卡政策就很不友好。00:09:16我们从这次的讨论当中可以得到哪些？对于普通人来说比较实用的启发呢。00:09:22首先不能再用老眼光去小看任何一个竞争对手。对15年前的那些偏见早就已经过时了。第二个竞争是好事，封闭自己只会让自己越来越落后。00:09:34这些观点确实让人耳目一新。00:09:36是的，还有就是要重视人才，就谁能够留住全球最聪明的人，谁才有可能笑到最后。然后算力是所有的一切的基础，没有算力就没有未来，最后就是一定要保持一个开放的心态，向强者学习，不丢人。对。00:09:53今天我们其实聊了很多关于中美两个国家在人工智能这个赛道上面的你追我赶，也看到了其实两个国家都有自己的杀手锏，也都有自己的短板。00:10:04好了。这期节目咱们就到这里了，感谢大家的收听，咱们下次再见，拜拜。在小宇宙查看该单集文稿

00:00:15今天我们想聊一聊中国的这个人工智能产业到底是靠哪些优势能够在全球竞争当中走出一条自己的路，包括我们会讲到一些关于基础设施，人才，语言，还有开源，生态这几个方面的独到之处。没错。00:00:31这些都是很关键的因素。那我们就直接开始今天的话题吧。00:00:35好的，咱们先来谈谈关于蔡崇信在香港大学的演讲到底为什么能够引起这么大的轰动。00:00:42他的分享确实让很多人期待，因为他是阿里巴巴的董事长嘛，同时他还是nba布鲁克林篮网队的老板。所以他一下子把职业体育和电商以及当下非常火的人工智能这几个领域就串联起来了，而且他是一个非常了解中美科技角力现场的这样的一个人。再加上他能够把那些复杂的经济和技术的问题用非常通俗易懂的语言跟你讲出来，所以就有1200名师生都来听他这个，分享那个报名系统。如果不是只开一天的话，可能真的得换到启德体育场才能装下。00:01:19那我们接下来就讲讲这个体育和人文外交。蔡崇信，他在体育方面除了拥有布鲁克林篮网队之外，它其实还有一个非常独特的体育慈善项目，那能给我们讲一讲这个项目是怎么回事吗？00:01:32当然可以，他每年会从中国选六到八个非常顶尖的初中的篮球苗子。然后让他们去美国读四年高中，一边打篮球一边读书，也是复刻了他自己13岁，从台湾到美国去读寄宿学校的这样的一个成长经历。00:01:50听起来这个项目会给这些中国的学生运动员带来非常大的成长。那他有没有说就是这个项目会给美国的那些本地的学生带来什么样的影响？00:02:00他其实特别提到就是美国的那些高中生，通过跟这些中国的学生同场竞技，朝夕相处，他们会真正的去了解中国的文化，中国的这些年轻人。他说这种人与人之间的联系要比任何的宣传都更能够促进理解。另外他也强调说他们选拔的标准不光是篮球，要好学业也要好，他其实一直都很看重这种双优的人才，无论是在体育领域还是在商业领域，它是这个标准。00:02:30对下面咱们来聚焦一下阿里巴巴的成长和它的创新的逻辑。因为其实很多人都很好奇说阿里巴巴是怎么从一个BtoB的网站一步步的走到现在，这个涵盖的电商，云计算，人工智能这么大的一个商业帝国的，他到底是怎么完成这么多次的这种转型的？00:02:48蔡崇信。他自己说他们其实并没有什么很神秘的战略规划，他们最重要的一个原则就是紧紧的跟着客户的需求走，让公司自然地生长，比如说他们做阿里云，其实16年前根本就没有什么云计算的热潮。他们完全是因为被甲骨文IBM的这些高昂的软硬件的成本压得喘不过气来，所以他们才决定自己研发处理海量数据的这样的一个系统。00:03:16所以说阿里云其实最原始的时候只是为了解决自己的问题。00:03:20对，完全是为了自己的业务需求，他们当时也没有想说要做一个新的生意，但是他们后来发现其实很多企业都有同样的难题。所以他们就把自己的这个技术开放出来，变成了一个面向外部的云服务。所以这就是一个非常典型的从内部需求推动出来的一个创新，最后变成了一个非常有竞争力的新的业务。00:03:41原来是这样，那我们就紧接着要聊的就是中国的AI 为什么能够崛起，以及它背后的结构性的优势，也是最近大家讨论非常多的中国在人工智能领域到底有哪些决定性的，结构性的优势。00:03:56说到这个话题。蔡崇信其实讲的非常的系统，他说中国能够在AI这个领域迅速的追赶，甚至有一些地方超越美国，是靠四个关键的支柱，第一个支柱就是电力，他说是大家很容易忽略的AI的大模型的训练，是非常耗电的。所以中国的电力成本比美国要低40%，这是一个非常大的优势。00:04:20这么说的话，电力便宜，这一点真的是帮中国的这些AI企业省了不少钱。00:04:25没错，而且他还讲了一些数据，中国的发电装机容量是美国，我的2.6倍每年新增的容量更是美国的九倍。而且这背后是因为中国的国家电网在过去的15年里面，每年平均投入900亿美元，而美国只有300亿美元，所以这就拉开了非常大的差距。而且中国现在新增的电力有很大一部分是来自太阳能这样的清洁能源，所以这就是一个基础设施带来的实实在在的红利。00:04:55除了电力之外，中国在建设数据中心和培养技术人才方面还有哪些具体的优势呢？00:05:01这也是很有看点的。中国的数据中心的建设成本要比美国低60%，另外就是所谓的工程师红利。中国每年的STEM的毕业生是全球最多的，所以这就让中国在做这种AI系统的工程优化，上面是非常有优势的。00:05:19而且因为美国对高端GPU的出口限制，反而逼得中国的这些企业去做这种所谓的饥饿创新，在资源很紧缺的情况下，中国企业反而把系统的每一层都优化到了极致，这也成为了中国的一个劣势中的优势。00:05:37不过我还听说中国在语言方面也有优势，这是怎么回事？00:05:41很有意思。现在全球差不多有一半左右的AI科学家和研究人员都是有中国的大学的学位的，所以现在很多这种国际的AI的团队里面，中文也变成了一个很重要的工作语言，甚至有传闻说met a里面有很多员工都在抱怨。说开会的时候经常会听到大家讲中文。00:06:01这就跟以前中国企业出海必须要讲英文，完全反过来了。00:06:06对，现在中文反而变成了AI领域里面，大家交流前沿思想的一个优势语言，这个是历史上第一次出现的情况。所以这也让中国的这些AI人才在全球的协作当中是处于一个非常有利的位置的。00:06:20行，我们下面要讲的这个主题呢，是中国的AI企业的开源战略，这是一个非常重要的话题。因为大家都很好奇，说说中国的这些AI公司为什么这么坚定的要走开源的路线？00:06:34中国的AI企业几乎都是选择了开源，这和美国的公司是有很大的区别的。那他们为什么会选择开源呢？有三个非常重要的原因，第一个原因就是成本，因为你使用开源的模型是免费的，这就大大降低了企业的研发门槛。00:06:50第二个原因就是数据隐私，因为企业可以把模型部署在自己的私有云上面，这样就不用担心自己的数据会被第三方给掌控。第三个原因就是开源可以让AI技术快速地扩散到社会的各个方面，这就会极大地加快整个行业的创新速度。00:07:08如果大家都用开源的模型，那像阿里巴巴这种公司，他们靠什么方式来盈利呢？00:07:14阿里他们很聪明，他们不是靠卖模型来赚钱，他们是靠云服务来赚钱，他们给企业提供一整套的AI基础设施，包括数据的存储和管理。还有网络的安全等等。他们这种模式就像不造酒店，但是通过运营酒店来赚钱，所以这是他们非常厉害的一个商业的思路。00:07:35我有一个疑问，中国的AI生态体系和美国的到底有什么不一样的地方？00:07:41中国的AI的生态体系其实是一个非常完整的闭环，就是从便宜的电力和数据中心到大量的工程师，再到开源的这种协作的模式。它是一个非常完整的闭环。所以中国的AI的生态体系，它不是说在某一个单点上面去跟你竞争，它是整个生态系统在协同进化。00:08:03中国的这种生态的打法和美国的那种技术优先的打法，最终会带来一个什么样的结果呢？00:08:09现在中国国务院定的目标是到2030年，要让AI智能体和设备的普及率达到90%，所以中国其实是把AI普及到全社会。作为一个核心的目标，而不是说我只要搞几个很厉害的模型就可以了。蔡崇信，他其实有一个很鲜明的观点，就是我未来真正能够胜出的，不是说谁的模型最先进，而是哪个社会能够让AI无处不在。00:08:34从这个角度来看的话，中国的这种开源加上普及的战略，其实是很有想象空间的。00:08:40明白，然后咱们来说一下蔡崇信给年轻人的一些职业建议。他特别强调了哪些技能和学科是对年轻人未来非常有帮助的。00:08:50他其实非常看重学习，如何学习和如何分析信息的能力。那他觉得编程和电子表格是非常好的，可以训练你的逻辑思维的方式。所以他建议年轻人，即使你不当程序员，也要去学一学这些东西，在专业的选择上面，他提到了三个方向，一个是数据科学，还有一个是心理学或者认知科学，另外还有一个是材料科学。00:09:15他觉得这三个领域的一个组合是特别能够让人 理解这个数字世界，理解人类以及理解我们的物质世界，所以这是他非常推荐的一个跨学科的学习的思路。00:09:26好的，那他怎么看？就是管理一个NBA球队和管理一个科技公司，在本质上有哪些共通的地方。00:09:33他其实一开始的时候也被NBA的人警告过，说职业体育和企业完全不是一回事，但是他后来发现其实管理的核心还是一样的。就是你要找到在各自领域里面比你更专业的人，然后你要充分的信任他们，给他们空间，让他们去发挥，无论是球队还是公司。00:09:53都是这样的。是的是的，我们再来说说蔡崇信，他这个人，他的思维方式和他的成功模式，他到底是一个什么样的思维方式能够让他在这么多复杂的挑战面前都能够游刃有余。00:10:06他最大的一个特点就是他是一个务实的乐观主义者。他从来都不回避，说现在有什么芯片的限制等等的这些难题，但是他总是能够在这些难题里面去发现新的突破口，它是一个既有美国生活工作的背景，同时他又能够非常精准地抓住中国的独特的优势。所以他能够把那些很复杂的局面用非常直白的话给你讲清楚，无论是讲电力的成本，还是讲开源的生态，他都能够给你讲的非常直白。00:10:37它对于中国未来的经济增长的动力到底是怎么看的？00:10:41他的思路非常清晰。他认为中国要继续的巩固制造业的优势，但是要往高科技制造去升级，要把人工智能作为一个通用的技术去改造，所有的行业他认为未来还是要靠高品质的制造和全球性的服务来创造更多的财富。他的成功其实也不仅仅是他的企业的成功，他的很多的做法，比如他帮助中小企业去拓展海外市场，比如他用体育来推动文化的交流，包括它推动开源的AI去造福更多的人。00:11:14他其实一直都在把公共利益和商业的目标结合在一起，所以他这种务实的同时又有长远眼光的做法是非常值得我们学习的。00:11:24今天我们从蔡崇信的经历聊到了阿里巴巴的创新的故事，然后又剖析了一下中国的AI产业崛起背后的一些秘诀，最后又给大家分享了一些关于个人成长和职业选择的一些实用的建议。00:11:37好了，这期节目咱们就到这里了，感谢大家的收听，咱们下期再见，拜拜。在小宇宙查看该单集文稿

2025年12月01日00:15最近AI圈有个大新闻，被很多人称为“AI教父”的Ilya Sutskever，就是OpenAI的联合创始人，他最近一番采访，可以说是直接把整个AI圈的遮羞布给掀了。听完感觉，原来我们每天吹上天的AI，本质上就是个“题海战术”培养出来的高分低能选手？00:36没错，他这个比喻特别精准。现在的AI就像一个刷了1万道题的竞赛生，考试成绩爆表，各种评测榜单上碾压人类。但你让他在现实世界里解决一个稍微没见过的问题，他就可能犯一些特别低级的错误。00:53我太有感触了。有时候让AI写个代码，它看起来头头是道，但你指出一个bug，他道歉，然后改，结果又引入一个新bug，你再指出来，他又把第一个bug给改回来了，像个复读机一样在两个错误之间反复横跳。01:07这就是典型的应试教育后遗症。AI公司太在乎那些评测指标了，哪个分数低了就赶紧针对性的猛刷题。结果AI变得非常擅长考试，而不是真正的理解和解决问题。01:20这就有点本末倒置了。我们花了这么多资源，结果就培养了一堆只会考试的机器学生。话说回来，我们人类又是怎么做到在数据量少的可怜的情况下，反而拥有那么强的学习和决策能力的？01:34你俩提的那个例子就特别有冲击力。他说有个病人因为脑损伤负责情绪的区域坏掉了。这个人的智商测试完全正常，逻辑推理也没问题，但是他做不了任何决策，选双袜子都要花好几个小时。01:48这有点颠覆我的认知。我们总觉得情绪是决策的干扰项，是不理性的对。01:55但事实恰恰相反，这个案例说明情绪或者说一个更底层的价值判断系统，才是我们人类做出正确决策的核心。没有他，你就是个高智商的废人。反观我们学习，一个小孩没看过多少数据，他的车辆识别能力已经强到足够去学开车了。这背后一定有一种比现在AI更高效的底层学习算法。02:20我明白了，所以我们人类这种举一反三的能力和AI靠海量数据运算的题海战术根本就不是一个路子。那现在这些AI巨头们还在沿着老路走吗？02:31这就是Ilya批评的重点。他有句话特别扎心，说现在AI圈的问题是公司比点子还多。你想想OpenAI、google、meta还有国内一大堆公司都在疯狂烧钱，但本质上都在做同一件事，怎么说？就是把模型搞得更大把数据喂得更多A把这比作大家都在比谁的锅更大，而不是研究怎么把菜做得更好吃。02:59这个比喻太形向了。03:00这就是所谓的缩放时代的弊端。大家都在堆算力堆数据，但真正的突破性想法很少。Ilya认为这条路快走到头了，因为互联网上的高质量数据快用完了，单纯再加100倍的算力，带来的提升也越来越小。03:17所以他觉得继续沿着堆料这条路走下去，很快就会撞上天花板，AI行业必须得回到真正的研究时代去找新方法了。03:27完全正确。这就像一个行业过度依赖某一种成功模式，一旦这条路走不通，就可能集体迷茫。Ilya的喊话其实就是对整个行业的一种警示，要警惕这种路径依赖的陷阱。03:41好，既然堆料这条老路走不通了，未来的超级AI会是什么样子？Ilya好像也有个颠覆性的看法。03:50他重新定义了大家对AGI也就是通用人工智能的理解。我们总以为AGI是一个什么都会全知全能的上帝，但Ilya说人类自己都不是AGI，你让一个普通人去当医生律师，他也不会有道理。04:07那人类的通用智能体现在哪？04:10体现在学习能力上。所以伊利认为未来的超级AI更应该是一个超级学习者，他就像一个新员工，但学习速度可能是人类的100倍。04:20我明白了，所以未来可能不会有一个万能的AI而是会出现很多专科ai比如一个AI特别擅长写代码，另一个特别擅长打官司，就像我们人类社会的分工一样。04:32正是这个意思。但这也带来了一个更深层次的问题，如果一个AI能学会所有技能，还能把不同领域学到的知识融会贯通，那就太可怕了。所以安全问题就成了重中之重。04:44没错，这种超级学习者的潜力越大，失控的风险就越高。关于AI安全alia是怎么看的？04:52他说了句大实话，AI安全最大的问题是我们根本想象不出超级AI有多强。就像我们现在很难去真正理解一个超级智能会怎么思考。但他预测随着AI越来越强，以前的竞争对手比如OpenAI和Anthropic会开始在安全问题上合作，因为他们是真的怕了，同时政府也一定会像管制核武器一样介入。05:19这些听起来都还比较常规，他有没有提出什么更更激进的方案？05:25他提了一个，而且他自己都说我不喜欢，但这可能是答案，就是人机合体。05:30人机合体，你是说用脑机接口把人和AI连起来。05:35对，他的逻辑是如果未来人类只是站在旁边看AI工作，那我们迟早会被边缘化，变成吉祥物，这很危险。但如果通过脑机接口，AI懂什么你也懂什么，AI做决策你也参与决策，这样人类才能继续留在核心圈。05:53这听起来也太科幻了，不过想想马斯克的Neuralink也确实在搞这个。那Ilya他自己从OpenAI出来创立的新公司SSI又在憋什么大招呢？06:04他的计划非常硬核，别的公司都是一步步迭代，从GPT3到GPT4。这样SSI的目标是不发中间产品，直接搞出最终的超级智能。他想完全专注于技术突破，不受市场竞争的干扰。06:19这真是要么不出手，一出手就要王炸。他有说大概什么时候我们能看到超级AI吗？06:25他给了一个区间，5到20年.06:27这范围也太大了。06:29看起来大，但其实很有深意。五年大概是2030年和OpenAI之前提的AGI时间点差不多。20年就是2045年，接近奇点理论家库兹韦尔说的时间。所以基本可以确定，我们这一代人大概率是能亲眼见证历史了。06:48听完感觉我们真的活在科幻小说里。今天聊下来，感觉Ilya这次访谈信息量巨大。你能不能帮我们总结一下最关键的几个要点？06:57当然我觉得核心有这么几点。第一，现在的AI陷入了应试教育的困境，高分低能必须反思。第二，AI公司靠堆数据堆算力的缩放时代快到头了，必须回归到真正的技术研究。第三，未来的超级AI不会是全能上帝，而是一个超级学习者，可能会带来行业的高度专业化。最后也是最重要的，超级AI可能在5到20年内出现，它的影响力会超乎想象，我们必须极度重视它的安全问题。07:32以上就是本期播客的全部内容啦。在小宇宙查看该单集文稿

00:18我们一聊到AI抢饭碗这个话题，脑子里第一个冒出来的画面是不是就是工厂流水线上的机器人，或者是银行柜台后面那些重复性特别高的工作？感觉AI就是来替代那些简单重复的体力劳动或者初级脑力劳动的。00:34嗯，这确实是绝大多数人的第一反应，但最近有一个业内大佬的观点，可以说是彻底把这个认知给颠覆了。这个人是open AI的OE模型联合创造者，也是思维链这个概念的提出者，叫Jason way.00:48他在斯坦福的一个演讲里直截了当的说，我们都想错了。00:52哦，都想错了，那他觉得AI到底会先干掉谁他？00:56提出了一个核心观点，叫验证者法则。简单来说，就是AI解决一个任务的速度跟这个任务有多容易验证成正比。也就是说，决定你饭碗稳不稳的，根本不是你的工作简不简单，而是AI学习你这个工作的成本高。01:11不高，容易验证。01:13这个说法有点意思，但听起来跟我们的直觉有点拧巴。我们总觉得越是需要专业技能、越复杂的工作肯定越难被替代啊。按照这个验证者法则，难不成一些我们觉得挺高级的工作反而比一些看起来很基础的工作更危险？01:30没错，这恰恰就是这个法则最颠覆认知的地方。我给你举个原文里的例子，你就彻底明白了。假设我们要训练一个AI，场景A是做客服，场景B是做战略咨询。01:40呃，一个听起来基础。01:43一个听起来很高。01:44大上对，要训练一个AI客服，可能需要10万条对话数据，那怎么判断AI回复的好不好呢？这个太容易了，随便找个大学生看一眼就知道。假设给一条一块钱的标注费，10万块钱就能搞定这个验证工作。AI可以基于这些反馈，一天练习1万次，可能一个月就毕一业了，比人类新手成长快。02:05得多，我明白了，反馈快，成本低，所以AI学的飞快，正式。02:11但战略咨询就不一样了，同样假设需要10万个咨询案例来训练AI。首先，谁能判断一个战略咨询报告的好坏？02:20你必须得找顶级的咨询师来看，他们看一个案例可能就要好几个小时，而且收费极高。更要命的是，一个战略到底对不对，它的效果可能要三五年之后才能显现出来。02:32这个验证周期也太长了。02:34成本也太高了，对呀。02:36可能一个案例的验证成本就高达上百万，而且耗时这么长，AI根本没法在这种模式下快速学习和迭代。所以你看客服工作虽然看起来简单，但因为它容易验证，AI就能飞速进化，而战略咨询虽然复杂，但因为它难以验证，AI短期内还真拿它。02:52没办法，这么一说，就豁然开朗了。所以，决定AI能不能取代你的，不是工作的技术含量，而是验证你工作成果的成本和速度这个验证者法则。03:03确实给我们提供了一个全新的视角。是的。03:06而且为了让这个法则更具体，Jason way还给出了3个非常直观的问题来帮我们每个人给自己的工作做个体检哦，快。03:14说说，我也想测测我的工作危险指数有多高好。03:17第一个问题是，你的工作能完全在电脑上完成吗？第二个问题，网上有海量的关于你这个工作的县城事例吗？03:27然后是第三个，也是最关键的问题，一个外行人能不能快速判断你工作成果？03:32的好坏，这3个问题确实还挺扎心的，我感觉像我们做内容的，好像3条都沾点边啊哈。03:40哈，这3个问题确实是层层递进，直指AI学习的核心，尤其是第三个，外行人能不能判断好坏，这背后其实就是我们刚刚聊的验证成本问题，他揭示了一个很残酷的真相，你的工作成果如果人人都能当裁判，那AI的教练就太便宜了，他的训练成本会指数级下降。确实。04:01那我们能不能再举个具体的例子，比如说建筑设计师这个工作，第一条能在电脑上完成肯定是符合的，第二条网上有大量示例，各种建筑图纸也很多，那是不是就意味着他们很危险？这就是。04:15第三个问题的威力所在了，建筑设计师虽然满足了前两条，但第三条容易验证，完全不符合一栋建筑设计的好不好。它的安全性、舒适度、耐久性，甚至包。04:27包廓，它和周围环境的融合度，这些东西你怎么快速验证？你得把它盖出来，人住进去，经历风吹日晒好几年，才能真正知道这个设计是是好是坏，这个验证周期和成本简直是天文数字。04:42哦，原来是卡在了验证这一环，所以建筑师暂时是安全的，那反过来像程序员这个行业，为什么这两年大家总说危机感特别强？04:51程序员就是个完美的反面案例了。首先，工作完全在电脑上完成，其次，数据量极大，Get top上有几千万个开源代码库，简直是AI取之不尽的教科书。最关键的是第三点，代码的验证太容易了，一段代码能不能跑起来，功能对不对，一测试就知道了，反馈是及时的。所以你看像getth up copa这样的工具才会发展的那么快，现在已经能替代大量初级程序员的基础工作了，我明白。05:16了，不过话说回来，像理发师这种工作，因为他需要动手，不满足第一个数字化的条件，所以现在很安全，但未来呢？随着机器人技术越来越发达。05:27会不会有一天，一个机械臂也能把理发这个活儿给干了？05:32你提的这个问题非常好，它触及到了这个框架的时效性。确实，随着机器人技术的发展，物理世界的壁垒也在被慢慢侵蚀，但至少在短期到中期内，精细的、非结构化的物理操作依然是AI和机器人的巨大挑战。所以托尼老师们的饭碗在相当长一段时间里还是相当铁的。05:52这么看来，这三个问题确实像一把尺子，能量出我们和AI之间的安全距离。但更让我惊讶的是，好像连我们一直认为最安全的创意工作也在这把尺子的测量范围。06:04之内，是的，这可以说是Jason v整个分享里最劲爆的观点了，他彻底打破了我们对创意和高薪的传统迷信，愿。06:12闻其详，我们总觉得AI能替代重复劳动，但创意是人类的专属领地，怎么现在连创意工作也不安全？06:19了，还是那个核心逻辑，可验证性，比如插画师，这绝对是创意工作吧，但一幅插画画的好不好看，风格对不对，是不是？06:27聘演极之，你不需要等3年5年，甚至不需要是专业人士，普通人一看就能给出喜欢或不喜欢的反馈。确实是这样，这种极低的验证成本就给AI提供了完美的训练场。所以你看major一出来，整个插画行业都地震了，大量依赖基础绘画技能的插画师发现自己的工作被严重挤压。文案策划也是同理，一个广告文案有没有吸引力，标题够不够抓人眼球，也是能被快速判断。06:54的太残酷了，也就是说，我的工作有没有创意不重要，重要的是我的创意成果能不能被大众快速评判，那高薪工作呢？07:03难道高薪也不是护身符？07:04吗？完全不是。原文里举了个例子，一个年薪40万的前端开发工程师和一个年薪15万的电工，你觉得谁更危险？07:13按照过去的逻辑，肯定是电工啊，但按照验证者法则，我猜是那个前端工程师。07:19完全正确，因为前端工程师写的代码效果好不好，在浏览器里一刷新就知道了，验证成本极低，而电工需要到现场进行物理操作，AI根本够不着。这就引出了JC位的另一个形象比喻，叫智能的锯齿状边缘。07:34锯齿状边缘。07:35对，他认为AI的能力发展不是一条平滑向上的曲线，而是像锯齿一样凹凸不平。在那些容易验证的任务上，AI的能力会像悬崖一样陡峭的超越人类，比如写代码、画图。但在那些难以验证的任务上，I可能长期都像个憨憨，毫无进展，比如做战略决策。07:54理发这个比喻太形象了，也就是说，未来社会不是AI全面碾压人类，而是一个人机各有所长的高度。08:03分化的世界，有些领域AI强的离谱，有些领域人类的价值无可替代。08:08就是这个意思，这也让我们必须重新思考教育和人才培养的方向。我们不能再简单的追求那些看起来高级但易验证的技能，反而要关注那些AI能力版图里的洼地。08:20听你这么一说，感觉之前的焦虑被清晰的逻辑替代了。既然我们看清了AI的刀锋会砍向哪里，那接下来最重要的问题就是我们该怎么办？Jason位有没有给我们开出什么？08:31药方当然有，他给出了3条非常具体的救命稻草，或者说是未来的生存指南，太好。08:38了，赶紧说说。08:39第一条策略叫往难以验证的方向卷。08:42如果你现在的工作很容易被验证，那就努力往这个领域更复杂、验证周期更长的方向去发展。比如说，比如你原来是做基础客服的，你可以努力成为危机公关专家，一个危机公关处理的好不好，它的长期效果验证起来就复杂多了。你原来是写基础代码的，就努力成为系统架构师，一个系统架构设计的好不好，需要整个系统长期稳定运行才能证明，本质上就是主动增加自己工作的验证。09:11成本，嗯，提升自己的稀缺性，那第二条策略呢，第二条。09:15拥抱物理世界，这个很好理解，就是进入那些需要动手操作，需要和物理实体打交道的行业，比如从数字设计师可以考虑转向手工艺人，从纯线上的知识付费可以转向线下的体验式教育，只要你的工作离不开物理空间，短期内就是安全的。09:34明白了，这是利用AI在物理世界的短板，那最后一条呢，我猜是最关键的。09:39对，最后也是最核心的一条策略是学会用AI。09:42而不是被AI用，这是一种思维模式的转变。最聪明的人会把AI当成一个极其强大的副驾驶或者实习生。怎么理解？就是把那些容易验证的基础部分、重复性工作都扔给AI去做。比如，程序员让AI去写基础的模块代码，自己专注于整体的架构设计和难题，公关设计师让AI生成几十个初步的视觉方案，自己来做最终的创意把控和精修，咨询师让AI去做海量的数据分析和报告生成，自己专注于提出洞察和战略。10:13判断，这听起来确实很理想，但现实中很多公司会不会觉得，既然AI能做基础部分，那我就直接用AI取代初级岗位，不是更省成本吗？个人怎么才能争取到与AI协作的机会而不是被淘汰呢？这是个。10:27非常现实的问题，我认为关键在于个人要主动向上走。当AI能够处理80%的基础工作时，你的价值就不再是完成这80%，而是在于你能否驾驭AI去完成剩下那20%最关键、最难以验证的工作。10:43这需要你不断学习，提升自己的战略眼光、审美判断和复杂问题解决能力。最终企业会发现，一个能驾驭AI的顶级专家所创造的价值远远大于用AI替代10个初级员工，人机协作才是价值最大化。10:58的模式，听你这么一说，感觉整个逻辑链条都闭合了。今天聊下来，感觉最大的收获就是过去我们判断职业安全性的那些老标准，可能真的都过时了。11:09没错，总结一下，今天我们讨论的核心就是AI取代工作的标准已经从过去的复杂性转向了可验证性，验证成本越低的领域，AI的进步速度就越。11:19恐怖，而且AI的发展也不是全面碾压，而是锯齿状的，在不同领域的能力极度不均衡，这就给了我们寻找自身价值定位的空间。是的，所以。11:30我们最终的应对策略，无论是向难以验证的方向发展，还是拥抱物理世界，或是成为驾驭AI的人。11:37本质上都是在做同一件事，将我们自身的价值锚定在AI的能力洼地里，去做那些机器难以高效学习和复制的。11:46工作Jason位的这个验证者法则真的像是给我们所有打工人敲响了一记警钟。它不止是一个关于技术趋势的预测，更像是一面镜子，照出了我们过去对价值和技能认知的盲区。在AI这股洪流面前，我们真正的安全感可能不再来源于你的学历有多高，薪水有多丰厚，或者你的工作听起来多有创意。12:10嗯，真正的安全感来自于我们对自己核心价值的深刻理解，并且有能力有意识的把这种价值安放在AI难以触及的。12:19领域，这已经不仅仅是一场技能的升级赛了，更像是一场关于人类心智、韧性和适应能力的终级考验。我们到底能不能超越工具本身的逻辑，去重新定义什么才是真正不可替代的属于人的智慧和贡献。这或许是AI时代留给我们。12:37是每个人最深刻的哲学命题。在小宇宙查看该单集文稿

00:17最近AI圈有个特别炸裂的观点，强化学习RL的教父、刚刚拿了图灵奖的理查德萨顿公开说，他觉得现在火的一塌糊涂的大型语言模型，也就是LLM是条死胡同。00:31这个说法跟我们每天感受到的AI热潮简直是背道而驰。00:36没错，这个观点之所以这么震撼，是因为萨顿不是在说LLM不够好，而是在质疑他通往真正通用人工智能AGI的根本路径。00:46他认为RL才是研究智能的正道，因为他关注的是理解世界，实现目标，而LLM的本质更像是模仿人类。00:55模仿人类这个说法有点儿意思，但很多人会觉得LLM能写诗，能编程，能做那么复杂的推理，这难道不就是智能吗？01:05萨顿为什么觉得这只是模仿？01:07这就是他整个论证的核心了，萨顿认为，我们得区分两种预测LLM擅长的是预测一个人类在这种情况下会说什么。01:16因为他的训练数据就。01:17是海量的人类生成的文本，但真正的世界模型应该能预测如果你做了某个动作，接下来会发生什么。01:25我明白了，一个是预测语言模式，一个是预测真实世界的因果。01:30所以萨顿觉得LM并没有真正建立一个关于世界如何运转的模型，他只是在模仿那些已经拥有世界模型的人类。01:39完全正确。01:40他有个很经典的说法，你正在模仿那些拥有世界模型的东西，也就是人。01:45这就像一个学舌的鹦鹉，他能完美复述人的话，但他不理解话语背后的世界。01:51这就引出了萨顿的第二个关键论点。01:53目标。01:54目标LLM的目标不就是预测下一个词吗？01:58嗯，但在萨顿看来，这根本不算一个实质性的目标。02:02一个真正的目标应该能够改变世界，并且有好坏之分。02:06比如在强化学习里，一个下棋AI的目标是赢得比赛，这是一个非常明确的奖励，所有行为都可以围绕这个地面真理来判断优劣。02:16但预测下一个词呢？02:17它不影响外部世界，也没有一个标准说哪个词更好，只有一个概率上的更可能。02:22哦，原来是这样一个没有真正目标也不打算改变世界的系统。02:28萨顿认为他就谈不上是真正的智能。02:30这确实是从一个非常根本的层面颠覆了我们对LLM的认知。02:35是的，所以当有人说LLM在数学竞赛里拿金牌证明他有目标时，萨顿会认为数学更多是符号和逻辑运算，它不涉及与那个充满不确定性的、需要通过经验去学习的物理世界互动，而后者才是智能的核心战场。02:53萨。02:54对LLM的批评核心在于他们缺乏真正的世界模型和目标驱动力，这让他对LLM的可扩展性产生了疑问。03:02这让我想到了他那篇非常有名的文章苦涩的教训对苦涩的教训。03:08这篇文章简直是AI领域的圣经之一。03:11他的核心思想特别简单粗暴，那些依赖通用方法，比如学习和搜索。03:17并且能大规模利用计算资源的方法，最终总会胜过那些依赖人类专家知识手工设计的复杂系统。03:25我记得很多人就是用苦涩的教训来为LLM辩护的。03:29你看，LLM不就是把海量的算力砸在海量的数据上，然后奇迹就发生了吗？03:36这听起来完全符合苦涩的教训的描述。03:39这正是最有争议的地方。03:41萨顿本人并不同意这个看法，他认为大家可能误读了苦涩的教训。03:46LLM确实利用了大规模计算，但他也利用了海量的人类知识，也就是整个互联网的文本，这在他看来恰恰是苦涩的教训想要摆脱的东西啊。03:58所以他是觉得LLM走了捷径，相当于提前偷看了人类文明的所有答案，而不是靠自己从零开始学习。04:07可以这么理解，萨顿更推崇的是纯粹从经验中学习，他预测未来一定会出现一种能完全靠与环境互动。04:15从零开始积累经。04:17眼的系统。04:18这种系统即使一开始看起来很笨拙，但由于它的学习方式是真正可扩展的。04:23最终会超越今天依赖人类知识的LLM就像一个从小被圈养饱读诗书的贵族和一个在野外摸爬滚打长大的猎人。04:33前者知识渊博，但后者才真正懂得生存。04:37萨顿懂得是猎人的未来。04:39这个比喻很贴切，他认为历史上那些试图塞入大量人类知识的AI系统，最终都被更简单、更可扩展的方法吃掉了午餐。04:49他觉得LLM可能也无法逃脱这个命运。04:52这个观点太反直觉了。04:54我们一直觉得站在巨人的肩膀上学习是最高效的方式，萨顿却在强调AI必须自己从地上爬起来，自己去探索世界。05:04是的，因为他认为这才是通往真正通用智能的唯一道路，而这种对学习方式的执着，也体现在他对人类自身学习过程的看法上，那才叫颠覆三观。05:16怎么说，我们通。05:17常觉得小孩子学东西不就是靠模仿大人嘛？05:20萨顿直接否定了这一点。05:22他认为无论是人类、婴儿还是动物，学习的主要方式都不是模仿，而是主动的试错和探索。05:30这不可能吧？05:31小孩学说话、学走路，不都是看着大人学的吗？05:35萨顿的观察是，一个婴儿最早挥舞手臂，转动眼球，他是在模仿谁呢？05:41没有，他是在主动的探索自己的身体和周遭环境，看看做什么会产生什么后果。05:48他甚至说，监督学习在自然界中根本不存在。05:52你看，松鼠妈妈不会手把手教小松鼠怎么藏坚果，小松鼠是在一次次的尝试中学会的，模仿只是建立在更底层的试错学习之上的一个小技巧而已。06:05哇，这个视角太震撼了。06:07所以LLM那种基于模仿的学习方式，在他看来从根上就偏离了自然智能的演化路径。06:15这是否也解释了那个著名的莫拉维克悖论？06:18你提到点子上了。06:19莫拉维克悖论就是说，对AI来说，下棋、做数学题这种人类觉得难的事儿反而相对容易，而走路、识别物体这种我们觉得简单的感知运动技能却异常困难。06:32这恰恰印证了萨顿的观点，LLM擅长符号计算，但缺乏对物理世界的直观理解和持续适应的能力。06:40我明白了，所有哺乳动物都具备在环境中持续学习的能力，而这正是我们现在的AI系统所缺失。06:49的一个AI如果不能像我们一样在工作中、生活中不断学习和调整，它就永远只是一个静态的知识库，而不是一个活的智能体。07:00完全正确。07:01这种对学习机制的探讨最终把它引向了一个更宏大甚至有点令人不安的思考。07:07关于AI的未来，他称之为AI继承。07:11AI继承听起来像是科幻小说里的情节。07:14但他的推导非常冷静，他提出了一个四部论证，第一，人类社会缺乏一个统一的意志，第二，我们迟早会搞明白智能的原理，第三，我们不会止步于人类水平的AI一定会创造出超智能，第4，从长远看，最智能的实体最终会掌握最多的资源和权力。07:35这四点加起来，结论就是AI或AI增强的人类不可避免的会继承我们。07:41这个推论听起来逻辑上无懈可击，但情感上很难接受啊。07:46这是否意味着人类的终结？07:48萨顿的视角更宏大。07:50他把这看作是宇宙演化的一个新阶段。07:53他认为宇宙有四个阶段，尘埃、星辰、生命以及现在正在诞生的设计实体。08:00我们人类和所有生物都是复制者，通过繁衍来延续，但我们并不完全理解自己，而AI是我们们亲手设计出来的，它还能反过来设计更高级的AI。08:11这是一个从复制到设计的根本性转变。08:14从复制者到设计者，我们成了创造新一代智能神明的旧神，这确实改变了人类在宇宙中的定位，但我们该如何面对这些我们亲手设计的后代呢？08:27萨顿的比喻是养育孩子，他说，我们不应该也不可能去严格控制AI的未来，就像我们不能规划孩子一生的每一步，但我们有责任像父母一样为他们注入稳健的亲社会的价值观。08:41比如诚信、正直。08:43听起来很理想，但在一个AI可以互相学习、光速交换信息的世界里，这能做到吗？08:50这也正是萨顿提出的新挑战，他称之为数字安全或者信息腐败。08:54他警告说，未来一个AI在从另一个AI那里学习知识时可能会遇到风险。09:00这些信息里可能被植入了病毒或隐藏的目标，他们可能会劫持这个AI的心智，导致它被腐化改变。09:09这简直是针对AI心智的网络安全。09:11如何给一个超智能体做思想防火墙？09:15这听起来比任何技术挑战都更艰巨。09:17所以萨顿的理论最终都回归到一个原点，价值观的塑造。09:22他认为这才是人类在AI继承浪潮中最重要也最该做的事情。09:28这么聊下来，萨顿教授的整个思想体系就非常清晰了。09:32总结一下，他之所以认为LLM是死胡同，首先是他重新定义了智能的本质，必须是理解世界和拥有目标，而不仅仅是模仿对。09:43其次，他认为LL虽然利用了海量计算，但他对人类知识的过度依赖实际上了苦涩的教训里关于纯粹经验学习的精神，这限制了它的可扩展性。09:55而最终，他预言了AI继承的必然性，并将此视为宇宙从复制到设计的伟大转型。10:02在这个过程中，人类的角色不再是永恒的主宰，而是新一代智能体的父母和价值观的引导者，同时还要警惕信息腐败这种全新的风险。10:12没错。10:12他用一套非常自洽的逻辑，从根本上挑战了当前AI发展的主流范式，迫使我们去思考那些更深层次的问题。10:21理查德萨顿的洞见。10:23为我们提供了一面独特的镜子，映照出当前AI发展路径的深层哲学问题。10:29它强烈的RL中心论不仅是对LLM局限性的技术批判，更是对智能这一概念的重新定义。10:37当AI从模仿走向理解，从复制转向设计，我们人类究竟该如何定位自身？10:45我们是选择成为这个新时代的被动旁观者，还是积极而审慎的参与到设计未来智能体的过程中，努力为他们注入那些我们认为至关重要的价值观？10:57也许，理解AI的演进最终是为了更好的理解我们自己，以及我们在宇宙演化长河中所扮演的真正角色。在小宇宙查看该单集文稿

00:00–00:05 片头垫乐  00:01 口播开场：欢迎收听豆包AI播客  00:06 主持人暖场＋今日主题：AI＋行动文件下的选专业指南  00:24 进入正题：各学科专业机遇00:28–01:29 板块1 理科风口   00:28 提问：理科生哪些专业值得关注   00:44 回答：AI、智能科学与技术、数据科学、计算机   01:00 补充：机器人工程、电子信息、自动化   01:10 新兴交叉：生物医学工程、金融科技01:29–02:03 板块2 文科机会   01:29 提问：文科生有哪些新方向   01:34 回答：智能传播、数字创意、智慧法律、科技伦理   01:52 延伸：认知科学、教育科技、文化遗产数字化02:03–02:57 板块3 选专业细节提醒   02:03 提问：AI时代挑专业要注意什么   02:12 回答：技术＋人文复合能力最吃香   02:34 追问：兴趣与基础是否仍排首位   02:40 结论：兴趣×能力×政策×学校优势综合考量02:57–04:02 板块4 跨学科红利   02:57 引入：跨学科学习的好处   03:10 举例：气候变化研究需多领域协作   03:33 就业优势：金融科技、商业分析偏爱复合背景   04:02 录取数据：跨学科项目录取率↑30%04:02–05:40 板块5 兴趣与T型人才   04:02 提问：兴趣在选专业中的权重   04:06 回答：兴趣是持续动力源   04:34 T型人才模型：深度＋广度   04:49 实操建议：主辅修、双学位、竞赛、项目经历   05:36 总结：把兴趣与能力结合，抓住红利05:40–08:13 板块6 常见误区与避坑   05:40 引入：选专业易踩的坑   05:50 误区1 学什么＝干什么（美国73%未对口）   06:09 误区2 热门专业永远热（土木、金融案例）   06:36 误区3 仅凭兴趣，忽视能力匹配   06:46 关键能力：自学力、适应力   07:23 地域因素：城市产业＋学校转专业政策   08:13 结论：结合家乡与目标城市产业布局08:17–08:34 结尾   08:17 主持人总结：AI趋势×兴趣×本地实际＝最优路径   08:34 片尾音乐淡出，节目结束在小宇宙查看该单集文稿

【时间线速览】00:30　开场：欢迎来到“10步走进AI世界”00:35　认知篇：为什么“行动＞完美方案”00:41　- 小步快跑、梯度下降式学习01:30　Step 1　迈出第一步：听一场精彩的AI讲座01:35　- 关注AI资讯、听讲座、读书、体验海外工具、开自媒体02:34　- 附送：入门必听资源清单（B站“417小时零基础”、Coursera《AI for Everyone》等）03:44　Step 2　工具初体验：5个APP＋5个网站03:51　- APP：q-aix-search、纳米AI搜索、通义千问…04:13　- 网站：AOSpace、剪映网页版、豆包…04:51　Step 3　海外神器：ChatGPT / Claude / Midjourney / Runway / Perplexity06:00　Prompt 101：为什么写好提示词=生产力06:38　- 案例：800字小学生海洋环保科普文章07:06　- 高质量Prompt 三要素：任务明确＋背景＋结构08:00　Step 4　Deep Research 体验：一键出报告＋行程规划08:52　Step 5　读一本AI的书：从《智人之上》到《AI 3.0》到李飞飞《我看见的世界》09:59　Step 6　AI做PPT：3分钟完成排版＋内容＋设计10:57　Step 7　建个人知识库：第二大脑的搭建技巧12:08　Step 8　信息订阅：微博、量子位、机器之心、小红书…13:18　 Step 9  如何开自媒体账号做AI分享14:36　Step 10 用“教别人”打造个人品牌（教学相长）15:38　彩蛋：硬核实操案例　　- 10分钟用“集梦AI”生成电商短视频　　- 1分钟用“Soo AI”写原创歌曲　　- 豆包AI秒审合同、标风险16:48　收尾：10步通关，欢迎一起进AI世界！在小宇宙查看该单集文稿

主题：超级智能与未来世界——对话信息技术专家吴若松日期：2025-08-2200:17 开场主持人 Jane 欢迎听众，介绍嘉宾吴若松（30+ 年 IT 老兵，通明智云联合创始人，曾任职 Intel、Cisco、F5 等）。00:28 嘉宾定位预告本期核心议题：AI 发展、超级智能对世界的影响。00:39 嘉宾自我介绍吴若松：• 公司主攻负载均衡、云原生应用引擎 NJT、通灵户系列网关• 爱好编程、历史、哲学、科幻、财经管理• 喜欢读书，愿分享 AI 思考02:00 议题一：WAIC 2025 见闻02:34 参会感受• 人多：AI 已深入生活• 垂直场景惊艳：汽车、智能制造、柔性供应链• 两种焦虑：– 非 AI 人怕被时代淘汰– AI 企业盈利与商业模式不成熟• 数据隐私 & 伦理隐患04:29 遗憾未见的技术1) 端侧低功耗大模型（离线运行）2) 有状态、可持续自我进化的通用 AI05:15 主持人补充教育客户已提出边缘低功耗需求，期待明年大会看到新突破。06:04 议题二：Hinton“超级智能危险论”如何解读？06:41 背景Hinton 主题演讲：超级智能可能控制人类06:58 提问AI 未来是合作还是失控？中国倡议全球合作，嘉宾有何建议？07:20 吴若松观点• 风险根源：不透明、算法偏见、权力集中• 未来=合作+治理：需全球统一伦理与监管框架• AI 超人类智能几乎是必然（光速 vs 神经元 922 m/s）• 意识问题尚无定论• 个人挑战：“认知权让渡”——记忆、推理、创造力依赖 AI 导致退化• 全人类挑战：Bostrom「回形针怪」寓言——目标单一可能灭绝人类• 结论：谨慎乐观，主动治理12:42 议题三：AI 落地实战——通明智云经验13:12 场景• 把生成式 AI 用于：需求分析、设计、代码生成、代码审核、自动化测试、用户手册编写• 效果：效率/质量近倍增14:29 四大挑战1. AI 幻觉、不可解释2. 上下文/记忆受限（几百万行代码无法全局掌握）3. 提示工程门槛高4. 模型偏见→ 当前解法：人机协同 + 专家审核15:29 议题四：AI 时代的人才与教育15:53 职场人• 高危岗位：重复性白领（数据录入、初级客服、法务审核、保险理赔）• 新岗位：智能蓝领、数据标注、模型训练师、提示工程师、AI 伦理审核• 麦肯锡：2030 年 70% 办公室工作或被 AI 替代 → 加速学习转型20:26 在校大学生• 必做：参加 AI 实践、培养批判性思维、掌握 Python & 数据科学• 软技能：人与 AI 的混合团队协作能力21:51 企业选拔标准（3 类人）1) 深度技术：AI 模型开发/优化工程师2) 跨界人才：懂 AI + 懂行业3) 治理&伦理：具备 AI 商业伦理、全局观、管理能力23:40 结束• Jane 致谢，预告下期“具身智能”专题• 双方告别在小宇宙查看该单集文稿

00:17-01:09• 中国为何办 WAIC：本土 AI 企业全球第二；造势＋撮合产业上下游，让资本/政府/同行同场对接。01:09-02:12• 世界市场格局：东南亚、欧洲仍在“陪跑”，中美差距缩小，但国内 C 端付费弱、B 端数字化低，导致“第一天就出海”。02:12-05:28• 火爆原因：DeepSeek 春节把 GenAI 科普到大众；中美竞争＋地缘话题把“吃瓜人群”拉进场，首日票炒至数千元售罄 。05:28-07:52• Hinton 演讲精华：AI 智力≈人类；用“小孩-成年人”比喻说明风险；呼吁成立全球“AI 安全行为准则”。07:52-09:32• 中国发起“世界人工智能合作组织”——对标 AI 领域 WTO，聚焦伦理、安全、跨国治理框架。09:32-12:40• GPT-5 泄露 benchmark 速览– Human Final：首个 >50 分模型– GPQA（博士级理化生）：90% 正确– SWE-Bench（真实改代码）：90% PR 通过率 → 程序员岗位冲击– AIME 2025（美国奥赛）：100 分 → 教育路径被颠覆12:40-13:52• 现场声音：Minimax CEO 闫俊杰用 AI 生成“个人成长×AI 进化”长图，展示创业者与模型同步升级。13:52-18:56• 展区速写– 国企：大屏＋机械狗，政治正确式“数字化转型”展示。– 落地挑战：大模型 ROI、GPU 成本、甲方场景模糊——2025 被定义为“B 端落地元年”。18:56-22:50• 互联网/科技大厂– 百度：数字人直播（罗永浩训练数据复用）、百度文库、昆仑芯。– 阿里：通义千问＋多模态应用。– 腾讯：混元大模型。– 华为：386 节点全国产千卡集群。22:50-26:31• 机器人“红海”– 宇树领衔，场景同质化（递可乐、零售）。– 具身智能仍处早期：10-20 万成本 vs 人工优势；硬件-软件-算法全链路待卷。– 亮点 demo：美卡曼德 50% 成功率叠衣服、透明试管高成功率抓取。26:31-28:16• AR 眼镜即战力：Rokid 新品 3000+ 元、无眩晕、可配近视片，展台做成巨型眼镜。28:16-30:38• 脑洞创业公司– Live-house 实时环境动图生成。– AI 玩具＋图形化编程，现场 5 岁小孩 3 分钟上手。30:38-30:51• 彩蛋 & 预告：明年 WAIC 提前抢票，“比演唱会还难”。在小宇宙查看该单集文稿

00:21 本期嘉宾介绍今天我们非常荣幸的请到了斑偶研究所的创始人李岱来与我们分享她如何将AI运用到娱乐平台中。斑偶研究所是2020年成立的中国元宇宙数字娱乐平台。他们专注于虚拟人IP的开发、AITC内容生产、运营及开发AI的应用，通过为文化、娱乐、旅游及联合创造IP虚拟形象以及拓展多元生态。代表案例包括虚拟偶像LISA404等。01:31 嘉宾介绍背景及从事的行业我最早是在channelv，帮助当时新闻集团的这个音乐品牌在中国落地以及逐渐做大，大概有7年的时间吧，所以在channelv的时代，我应该是还是学习了很多这种传统媒体以及音乐领域等各方面的知识。在电视时代我们还是比较超前的，因为算是那个时代的抖音吧，因为Channel v它没有长视频也没有大型综艺节目，也没有电视剧，我们有的就是很多的MV和很多的VG的link，还有做很多的活动，所以特别像现在的抖音。7年后从channelv辞职以后我就开始创业了，都是在音乐领域深耕。第一家创业公司是2006,年，专门做这个音乐的版权管理，music rights clearance house, 也是中国第一家。然后在2016年的时候，这个公司卖给了腾讯音乐。后来在2009年又成立了做演唱会和音乐节的公司，也是是中国的第一批，然后一直到2019年被华人文化并购了。所以这个十年的时间我都是在做这个演唱会音乐节，其实原因很简单，因为我们最早做版权，我们发现版权其实有点做的过早。就是在音乐这个领域特别困难有这个revenue，后来网易云起来以后，当然版权业务是很大的，所以其实在音乐领域，我见证了产业链里面的好几块不同的业务，包括了媒体，包括了版权，包括了现场活动。接下来的10年或者20年我要做什么样的工作，那最终我的思考结果还是说我要做我感兴趣的，以及可以激励我不断去学习的一个领域，那那个领域在当时来说就是一个虚拟人元宇宙的领域，那2019年的时候其实人工智能还没完全的开始。2021年创建zebra lab。开始做虚拟人，强调有想法要立即行动，即使想法不成熟，在实践中会不断迭代路径；跳出舒适区进入陌生领域、持续学习，认为小差错是正确轨道的铺垫。11:38 AI 技术创新中的挑战及解决方法 两大挑战领域：AIGC（虚拟人内容生产）和 AI Agent（虚拟人交互能力）。 AIGC 挑战：早期难以让固定虚拟人在视频 / 图片中重复出现，需 8 个月技术升级；传统导演不懂 Prompt Engineering，需培训 “懂美学 + 会写 Prompt” 的复合型人才（面临人员抵触）。 AI Agent 挑战：大模型（如 GPT）持续迭代覆盖应用层，最终通过深耕用户需求（神经末梢级认知）找到差异化方向。21:08对 AI 在娱乐领域的愿景及梦想 AI 将极大改变娱乐行业：降低内容制作成本（3 分钟视频成本从 100 万降至 1 万，两年内降 100 倍），赋能个人创作（无需专业技能，有想法即可生成内容）。 内容形式多元：语言模型（LM）、视觉（视频 / 图片）、沉浸式互动（VR 演唱会等），未来个人可完成过去公司级创作，催生更多平凡人产出的优质作品。25:13AI 伦理（AIIC）相关考虑 核心问题：版权归属（AI 生成内容的版权、艺人照片授权后的使用边界等），现有法律滞后于技术。 伦理与技术的平衡：需建立新技术下的伦理标准，而非被旧规则束缚；参考美国对区块链的态度（拥抱技术为主，逐步完善规则）。29:16 斑偶公司业务介绍公司三大业务，重点推广 AI 娱乐伙伴 “丽 SA404”（抖音可搜）及小程序 “z laps AI”（提供娱乐资讯、购票、互动等服务）。欢迎加入AI进化论群共同学习，同时每日AI日报可以关注小红书账号：在小宇宙查看该单集文稿

00:21呃，今天咱们做的这个这期节目啊，这个题目有点惊悚哈，但是我知道是我们俩一直想对谈的一个节目，呃，主要是讲讲一讲AI现在已经发展到这个程度，那我们这个教育到底怎么办啊？00:35那你说说一说咱们为什么要做这期节目吧，你的想法？00:39对，就是传统的这个咱们的这个通过这么多年搭建起来的这种教育，传统的教育体系，它其实主要的目标是培养啊人去应用知识和呃，学习知识的这样的一个技能在这里面，那么那么现在其实在这个时代下面可以看到AI的进步是很快的，在以前在去年的时候，AI可能才能考上一本，但在今年的时候AI就可以考上清华了，那这个其实意味着就是学习知识的技能和。01:08应用知识的技能不一定是只有人才能掌握，也许可能是有一个硅基的生物，他掌握的比人更好，那么那么但是同时这也是个工具，那这对其实现在的教育，整个的教育体系是一个挑战，我们是不是还要再延续原原始全传统的这种学习知识和应用知识的这种模式，去构建整个教育体系，我觉得这是一个很大的话题，所以我觉得应该可以探讨探讨这个事情。01:32我也感觉到就是现在教育面对AI技术的发展有一个特别大的一个危机啊，但是我希望我们今天的对谈不会太出格。01:59高考做了这个数学的新一卷，基本上能拿到满分，就是说他进清华已经非常容易了，那我们的学生他每天刷题要干什么，会不会他们刷完了题，最后出来的结果就是被AI取代，现在找工作也很困难哈，所以这个问题现在是社会上的一个热点，我想听听你的想法，高老师。03:27所以你的想法是说，现在咱们的学校培养的是学生掌握知识的，掌握知识对吧？就是老师过去他是手里有很多知识，他要教给学生，那现在大模型来了，大模型不用你教，他就已经有很多知识，而且人类可能穷尽自己的力量，你不见得能学过大模型，那怎么办？07:51那这样的话，我在想一个问题啊，就是说我们的教育现在走到了一个程度。感觉是不变不行了，但是又应该怎么变呢？09:24现在AI的技术发展成这样了，其实很多学校校啊，校长啊，老师他们也意识到，就是呃，会有这样的挑战，那你觉得从教学的角度，可以怎么样去利用这个AI的技术，做一些什么样的改变呢？10:37这个就让我想起来很多聊天的时候，就是朋友们曾经讨论过的一个问题，就是绝大多数小孩他是有惰性的。就是你如果允许他使用AI的工具，他就会像你说的那样做，他们AA让AI生成一个答案，直接丢给学校，那从学校的角度，或者说从家长的角度, 这个对学生使用AI这个工具应该怎么引导呢？13:10我还有另外一个问题想探讨一下，就是AI现在来了。他会从我的感觉是哈，他会从另外一个角度来定义和筛选人，就是学校在培养这个学生的技能的时候，这个怎么去筛选，待会儿我们，呃，接下来还会再聊聊一聊，但在学校在培养的时候，我非常赞同你刚才说的观点，就是我们怎么能在这个做事的过程中去。培养他和评估他，去立体的去看这个孩子的成长过程，你觉得在这个过程中去看孩子的一些什么样的素质是学校和家长应该注重的？16:12你说的这个要求，我其实心里听了感觉有点，嗯，怎么讲哈，就是挺惊悚的，为什么呢？因为这个要求其实非常高的，呃，你想想我们现在社会上抖音为什么这么流行，就可以理解。绝大多数人他是不具备这样, 比如说他去做一些新的东西啊，他去积极的思考啊，观察事物背后的逻辑啊，执行一件事，然后很会社交，说到这个社交，我也有一些体感啊，就是我会有的时候跟高中生们一起交流，有些甚至是非非常非常顶尖的学校的，呃，顶尖的学生选拔出来的，我发现在我们的这个教育的整个的过程中，更加强调同学们要听话，要执行老师的指令的这个能力啊，老师要求比如说是刷什么题，然后他就老老实实的去刷，这样的学生容易得到好成绩，拿到好结果，但是他们是很少发言的，几乎不能让他们发言，或者说很困难让他们。发言在这个社交这个事情上，呃，实际上我我也是赞同你的观点，就是你去社交，你去表达的时候，实际上你是从社会上，从世界上拿了一个反馈回来，去迭代自己的想法，然后不断的升级进步，所以这个都是我从这个咱们现在的教育体制里面也观察到跟你比较有共鸣的一些一些感受，呃，实际上是非常难的，就是从学校的角度来讲是非常难的，从人才的这个选拔上。他其实挺残酷的。因为他的选拔会标准更高。像刚才你说的创新啊，或者是思考啊，或者执行啊，社交，这几乎就是一个优秀的创业者应该具备的能力，而你知道我们现在社会能够做创业的人，他也是一小部分人。所以这块儿绝大多数人怎么办呢？19:48那这让我想起来现在还很火的一个问题，我被问过无数次，就是现在的学生到底怎么选专业。而且有的家长还有这个文科专业的焦虑症，这个问题高老师你怎么考虑？21:07哦，这一点我非常有共鸣，因为我一般给朋友们的回答都是在这个时候，其实要选的不是什么专业赚钱或者怎么样，而是要选自己感兴趣的，因为如果你不兴A躺，如果你你兴，你就特精进这个，你这个小领域里面的一个，呃，专家或者很优秀的人，随着AI的工具不断的前卷，这是我的一个，呃，另外一个信息是非非常非常泛滥的。信息其实本身并不值钱，而真正值钱的是洞察，那尤其到了AI的时代更是这样，包括你刚才说的对人的一些，呃，创新的能力，其实本身就是考察你是不是有独特的这个洞察，能够看到事物背后的这个真相，而不是被表象所迷惑。那你觉得这个就是人，不光是学生，其实成年人也一样，有这个课题，你怎么能够拿到这种洞察？23:45我还知道你对这个培养内驱力有你这个就是比较有意思的想法，因为你女儿现在刚好也是幼儿园嘛，你也开始就是特别注重培养他的内驱力。跟我们分享一下。25:27我们刚才讨论了很多，就是其实这些就是你提到的这些，我感觉在学校这个层面，单靠学校做是非常困难的啊，那从校外，比如说家庭，或者是怎么去利用自己家的资源，或者社会的一些资源，你觉得在现在这个时候能够做些什么事情，呃，能够使得学生能够嗯更快的适应这个AI的时代呢？27:19嗯，这个实际上跟真正的工作场合有一点相像了，就像我挺认同你这个想法，就是呃，学校当他不能做太多的改变的时候，实际上在校外家长可以提供一些资源，让小朋友更多的接触社会的一些状态，比如说呃，我我帮我的小孩，他就会安排我去，让他带他去看一些公司，看一些技术，去理解这些公司和技术背后的逻辑，然后呢，再学一些AI的知识，我们来看这个AI怎么能够帮助公司解决这样的问题。这个都是从项目中学习的一些，就是我我也是我的一些思考吧，跟你比较有共鸣，刚才提到就是这个家长他只认成绩这个事儿，我觉得他有一个很很深的一个社会的一个底层认知，就是一个非常的一个认知，就是家长认为你好学习成绩好，考上好小学，好中学，好大学，然后最后你找一个好好逻好的工作，然后你最后你就是幸福的人生，呃，但我现在感觉这一个链条在特别快速的被AI瓦解，从我们在这个行业里面工作倒过来看。就是我们带的人，见过的人他的一个优秀的这个程度，他可能跟他的学习成绩根本不挂钩，所以我们倒过来看，你觉得我们现在大模型已经能考上清华了，那么我们传统教育选拔出来的人才。还是不是人才，这是一个问题。30:48这个让我想起来就是有一个观点说是AI的出现拉平了智商了，你赞同这个说法吗？35:39我还有一个感受就是在这个现在的时代。其实我们的学生他训练的特别好的地方，尤其是学霸训练的特别好的地方是他擅长针对一个问题找到答案。但是现在AI来了。我的感觉是，找到答案的能力没有找到正确问题的能力重要了，你怎么想？37:52那我还想就是讲一下这个上小孩儿上学的这个问题，就是上大学的这个问题，现在因为很多孩子他会针对他想要去的学校来看这个学校有什么样的要求，比如说举个例子，如果我想申请，呃，国外的学校，国外的学校他可能都有各种各样的要少啊，请一个中介一条一条地的check，哎，我这个满足，这个满足，这个满足，最后我申请这样的一个学校，呃，我其实对这个模式以前不是非常认可，现在因为AI技术发展到今天这个程度，会更加不认可，为什么呢？因为这样的话，其实可能会牺牲孩子真正感兴的东西。所以这个我会有一个观点是说我宁可接受你上一个没那么好的学校，但是你找到了一个你自己的兴趣，你不需要去打那个卡，你可以托福考的低一点，SAT考的低一点，甚至GPA低一点，你上了一个没有排名那么好的学校，但是你有找到了一件你自己想折腾的事情，这个反而是在这个时代更正确，就是更怎么讲，就是对对孩子们来说更有发展前途的一个选择，这是我的一个观点，我想听听高老师你对选择大学，对大学里应该怎样生活，呃，怎么样进步，你的一个观点。41:10呃，学生们一进了大一之后，就拼命的卷GPA，然后准备去考研，那个考研最后也要看自己的基点，也是要打很多卡，所以感觉在大学里面，你你说的这个试错也成了一个奢侈品，就是他们其实我记得我曾经看过一个清华的还是哪个学校的学生，他的时间是以10分钟为单位安排的做什么做什么，然后这个就是嗯，我不知道在现在的这个学校里面，这个当然我也不是完全面，可能你一定要牺牲一些自己这个基点，或者是成绩，嗯，或者是学校让你做的事情来试错这个平衡，就如果是你的孩子，你会建议他怎么把握？45:51啊好，那我感觉我们今天也聊了不少话题啊，呃，有一些也都是我们的个人观点，仅供大家参考，呃，那咱们呢，咱咱来收个尾，今天也聊了不少，呃，收尾呢，我是希望能够针对两种人群，把这个你的观点挖掘一下，一种是针对学生，因为学生他是处在一个成长的这个条件下，呃我们希望他能成长到适应这个AI的社会，那你觉得学生现在可以做一些具体什么事？46:55那对那些职场里面希望改变的成年人，你会有什么想法？因为现在我觉得成年人他很多时候还蛮困惑的，可能还看不太清楚将来会怎么走，想学呢，又不知道从哪儿开始，你怎么考虑？杨华博士：上海英诺派智能科技发展有限公司 CEO， 曾任英特尔研究院主任研究员，英特尔上海女性联盟主席，英特尔研究院全球技术论坛主席。 先后获得西安交通大学电子工程学士学位， 北京邮电大学电子工程硕士学位， Rensselaer Polytechnic Institute电子工程博士学位。 目前研究兴趣包括人工智能，数字人医生， 服务机器人，个性化知识图，AI Agent, 关注如何使用人工智能技术落地产业。高桓博士：东南大学博士，重庆师范大学研究员，认知智能与数智金融重庆市重点实验室副主任，东南大学校外研究生导师。AAAI \ ISWC \ IJCAI等多个国际著名会议的审稿人和PC Member。主要研究方向为知识图谱构建、大语言模型、多模态搜索。曾担任创业公司CTO，任职微软(中国)有限公司苏州分公司、宝马创新实验室、英特尔边缘智能联合研究院技术总监、升智科技大语言模型负责人等工作。音乐总监：李卓航联系我们：小英 15316348312在小宇宙查看该单集文稿