Loading...
Loading...
Perplexity AI 创始人 Aravind Srinivas（阿拉文德·斯里尼瓦桑）：重塑搜索与工作的 AI 代理时代撰文：Techub News 整理
导语
2025 年 9 月，AI 搜索引擎独角兽 Perplexity AI 的创始人兼 CEO Aravind Srinivas（阿拉文德·斯里尼瓦桑）再次做客知名播客「Silicon Valley Girl」，进行了长达 41 分钟的深度对话。此次对话背景尤为特殊：距离他上次接受采访仅过去约九个月，但 Perplexity AI 的估值已从彼时的约 1.5-5 亿美元，飙升至惊人的约 200 亿美元，实现了真正的指数级增长。本次访谈的核心，不仅在于复盘公司的爆发式发展，更在于探讨其2025 年 9 月发布的革命性产品——Comet，这款被定位为「首款能思考并为你行动的 AI 浏览器」，以及它背后所预示的、一个由 AI 代理主导的未来生活与工作图景。
摘要
Perplexity AI 的增长秘诀在于「每日 1% 改进」的复利思维，以及对产品品质和用户反馈的极度专注。
新推出的 Comet 浏览器是「AI 首次掌握在用户手中」，它能进行多步推理、跨应用操作（如研究、购物、安排会议），并基于用户记忆与偏好行动，保护用户免受传统广告排名算法的影响。
AI 代理（如 Comet）将颠覆金融顾问、房地产中介等依赖信息差的职业，迫使这些行业提供更深层的价值。
在 AI 时代，个人成功的关键在于「深入学习某一领域并建立自信」，而非盲目追求学历；博士学位（PhD）的核心价值在于「学会学习」。
当前的 AI 创业环境已非常艰难，成功的关键是「为自己而构建」，投身于自己真正痴迷的领域，并做好与巨头竞争到底的准备。
指数级增长：从 1.5 亿到 200 亿美元的「复利」秘诀
当被问及如何用一个词形容 Perplexity AI 过去几个月的经历时，Aravind Srinivas（阿拉文德·斯里尼瓦桑）毫不犹豫地选择了「Exponential」（指数级）。他揭示了公司背后的核心运营哲学：每日 1% 的复利式改进。他用一个数学公式阐释了这一理念：1.01 的 365 次方约等于 37.78。这意味着，如果团队每天能让产品进步 1%，一年累积下来的提升将是惊人的 3700%。
这种改进并非空洞的口号，而是落实到创始人日常的极致专注中。Srinivas 分享道，他每天醒来第一件事就是阅读用户在各大社交平台上的反馈，并确保大多数问题能立即得到处理。这种对用户声音的快速响应和持续优化，虽然看似是琐碎的「bug 修复」和需求筛选，但日积月累，形成了强大的产品迭代飞轮。用户能切身感受到产品「每周都在变好」——更快、更简洁、更准确，从而建立起深厚的信任，并通过口碑带来更多新用户。
除了产品本身，Perplexity AI 在品牌建设上也独具匠心。Srinivas 提到与 F1 冠军车手 Lewis Hamilton（刘易斯·汉密尔顿）的合作，其灵感来源于 Steve Jobs（史蒂夫·乔布斯）著名的「Think Different」广告战役和 Nike 对伟大运动员的致敬。他们刻意将品牌与各领域「最伟大的人」关联，以塑造高端、智慧的形象。Srinivas 认为，F1 是一项高度工程化的「脑力运动」，其观众群体与 Perplexity AI 追求知识、注重效能的用户画像有很高的重合度。这种品牌合作虽然难以直接追踪安装量转化，但对提升品牌认知度和美誉度至关重要。
Comet：掌握在用户手中的「反巨头」AI 代理
推动 Perplexity AI 近期增长的一个关键事件，是其在 7 月发布了名为 Comet 的 AI 浏览器。Srinivas 强调，这是第一次，AI 的力量真正掌握在用户手中，而非科技巨头手中。
他现场演示了 Comet 的「杀手级」功能：多步骤推理与无缝执行。例如，用户只需用自然语言提出「找到黄仁勋（Jensen Huang）说‘我宁愿折磨员工追求卓越也不愿解雇他们’的那个视频，并从那个时间点开始播放」，Comet 便能理解指令，执行搜索、定位视频、拉取文字稿、打开标签页并开始播放等一系列操作。更进一步，用户还可以就视频内容与 Comet 对话，例如询问「黄仁勋在这次访谈中说了哪些非老生常谈的新观点？」，Comet 会快速分析长达一小时的文字稿，提炼出关键信息。
Comet 的能力远不止于此。它可以：
自动化信息处理：读取大量评论、观看视频，为用户综合购买建议。
直接执行任务：根据指令发送邮件、安排会议，甚至研究并购买商品（例如「从亚马逊上订购黄仁勋穿的那件皮夹克」）。
个性化写作辅助：Srinivas 曾让 Comet 分析 Steve Jobs（史蒂夫·乔布斯）和黄仁勋的演讲风格，并结合他自己的讲话习惯，润色一份演讲稿，使其更具感染力而不失真实，其效果「值得支付 1000 美元」。
Srinivas 指出，Comet 与 Google、Amazon 等平台的根本区别在于利益对齐。传统平台使用 AI 进行搜索排名和商品推荐，本质是为广告商优化，影响甚至操纵用户以促成购买。而 Comet 这类用户手中的 AI 代理，其首要任务是保护用户利益，为用户服务。用户可以指令 Comet 跳过所有广告，仅基于产品真实口碑和用户个人偏好（预算、需求、历史记忆）做出决策。
展望未来，Srinivas 描绘了 AI 代理主导的商业模式变革。他提出一种新颖的「三方共赢」广告设想：广告商可以向用户的 AI 代理推送信息（例如，一个新款麦克风厂商联系播客团队的 AI 助理），但代理会根据与用户的「握手协议」决定是否采纳。更重要的是，广告收入的一部分可以返还给用户，以此建立更高的信任和用户终身价值。他认为，所有道路都将指向广告利润率的下降，因为用户第一次拥有了可以为自己利益服务的智能工具。
AI 时代的职业冲击：从金融顾问到房地产中介
Srinivas 毫不讳言 AI 对许多职业，尤其是入门级和中介型岗位的冲击。他以自身使用 Perplexity 分析投资组合为例，AI 能够快速阅读所有分析师报告和新闻，给出重新平衡组合的具体策略，甚至模拟「如果是沃伦·巴菲特（Warren Buffett）持有你的组合会怎么做」。这使得那些仅提供标准化投资建议的金融顾问价值骤减。
「人们需要提供更深层次的价值，」Srinivas 说。金融顾问如果仅管理公开市场股票组合，其作用将被 AI 超越。但如果他们能提供独特的渠道价值，如接触私募股权、对冲基金或初创企业投资机会，则仍有存在空间。同样，房地产中介若仅能提供已在 Redfin 或 Zillow 上公开的房源信息，其价值也将被能够自动监控房源、提交申请并安排看房的 AI 代理取代。他们的出路在于处理「场外交易」等非公开信息。
这一逻辑适用于所有行业：AI 赋予了用户前所未有的信息和执行能力，中介必须提供超越信息搬运的增值服务，否则将被淘汰。Srinivas 建议从业者思考：「你拥有这个新工具（指AI），应该去要求那些收取你费用的人为你做更多的工作。」
给年轻人的建议：在 AI 时代，如何投资自己？
面对「如果今天你18岁在美国重新开始，还会选择读本科和博士吗？」这个问题，Srinivas 的回答既现实又深刻。
他首先坦承，自己当年攻读博士（PhD）的一部分原因是这是通往美国的免费途径（博士项目提供资助，而硕士需要自费）。但他认为，博士学位的核心价值在于「学会学习」——掌握深入研究一个新领域、收集信息、咨询专家（现在可能被 AI 工具部分替代）并做出决策的能力。这种能力使人变得「grounded」（脚踏实地），并养成寻求真理、不断追问的苏格拉底式学习习惯。
然而，对于纯粹以职业发展为目标的人来说，他并不认为博士学位是 AI 时代贡献或创业的必要条件。他给年轻人的核心建议是：选择一件事，深入投入一两年，做到顶尖水平。这可以是编程、数学、AI 或开发应用程序。关键在于通过做成一件难事，建立起「无论做什么都能做好」的内在自信。
「你需要至少有一次这样的经历，才能对人生中下一个艰难任务押注自己，」Srinivas 说。这种自信，也是他面对 Google、OpenAI 等资金雄厚、收入庞大的「巨兽」级竞争对手时，依然坚信 Perplexity 能杀出血路的底气来源。他形容这场竞争如同「鱿鱼游戏」，幸存者寥寥，而坚持到底需要巨大的信念。
AI 创业的残酷现实与唯一出路
对于当前有志于 AI 领域的创业者，Srinivas 描绘了一幅相当严峻的图景。他认为，现在从头训练自己的大模型「几乎不可能」，因为这不仅仅是训练一个模型，而是需要持续迭代、降低成本、提升能力的全套实验室、算力集群和人才体系，本质上是在打造另一个 OpenAI 或 Anthropic。
即使退一步，基于现有大模型（如 GPT）开发应用产品（所谓的「wrapper」），竞争也异常激烈。因为不仅其他初创公司在做，大模型实验室本身（如 OpenAI）、科技巨头（如 Google）以及像 Perplexity 这样的成长型公司，最终都会向任何可行的垂直领域扩张。「没有人会说‘Perplexity 只做研究，那我去做电商吧’——不，所有人都在构建横向产品。」
那么，机会何在？Srinivas 的答案回归到最根本的创业哲学：「为你自己而构建」。创业者应该投身于自己真正痴迷、愿意不计一切代价去解决的问题。这不是对市场或竞争格局的赌博，而是对自我的赌博。只有当创始人比世界上任何人都更在乎某个问题，并深潜其中时，才有可能在巨头环伺的环境中开辟出一条生路。「对于我来说，我最爱学习，而 Perplexity 是最好的学习工具之一——它最初就是为我们自己设计的。」
最后，当被问及自己日常使用的 AI 应用时，Srinivas 的回答颇具深意：除了因工作需要测试 ChatGPT、Claude、Gemini 等所有主流模型外，他个人的首选是 Perplexity 和 Google（用于一些非常特定的传统搜索技巧），以及 Midjourney（用于图像生成）。但他随即补充道，Comet 的目标正是成为一个「超级应用」或「万物应用」，用户未来无需单独打开这些应用，只需向 Comet 发出指令，它就能调用所需的一切功能完成任务。这或许才是 Perplexity AI 挑战科技巨头的终极愿景。
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：Transformer 架构八年未变，AI 的未来在于企业应用撰文：Techub News 整理
导语
2017年，一篇名为《Attention is All You Need》的论文横空出世，其提出的 Transformer 架构彻底改变了人工智能的发展轨迹，开启了生成式 AI 的浪潮。八年后的2025 年 6 月，这篇论文的八位作者之一、当时还是一名大三本科生的 Aidan Gomez（艾丹·戈麦斯）已成长为估值数十亿美元的 AI 独角兽 Cohere 的 CEO。在 The MAD Podcast 主持人 Matt Turck 的深度访谈中，Gomez 首次详细揭秘了 Transformer 论文诞生背后的“意外”故事，并阐述了他为何坚信企业级 AI 而非追逐 AGI（通用人工智能）才是 AI 技术造福世界的正道。这场对话不仅是对 AI 发展史上关键节点的回顾，更是对当下 AI 商业化路径与未来趋势的一次深刻洞察。
摘要
Transformer 的诞生源于“行政错误”与有机合作：Gomez 进入 Google Brain 实习源于一场误会（其经理误以为他是博士生），而论文的诞生则是几个独立研究小组因共同兴趣自发合并、冲刺会议 deadline 的结果。
Transformer 架构统治力惊人，八年未遇挑战：Gomez 坦言，Transformer 的持久性“令人震惊”，其成功部分源于整个 AI 基础设施（包括芯片）都已围绕其优化，新架构的替代门槛极高。
“推理计算”是重大突破，但潜力远未挖尽：让模型在不同问题上分配不同“思考”时间的“推理计算”范式解锁了巨大能力，且实现成本远低于预训练，未来将在科学、医疗、企业自动化等领域发挥更大作用。
Cohere 押注企业 AI 而非 AGI“宗教”：Gomez 直言不喜欢 AGI 圈子的“角色扮演”和“新宗教”氛围，认为通过 AI 提升人类生产力、降低成本和改善服务（如医疗）才是更有意义的方向。
智能体（Agent）平台“North”是企业 AI 的核心：Cohere 的垂直整合战略使其能提供从底层模型（Command、Embed）到上层智能体平台（North）的全栈解决方案，并特别注重数据安全（支持本地/私有云部署）和多语言/多模态能力。
Transformer 诞生记：一场美丽的“意外”
2017年，还在多伦多大学读大三的 Aidan Gomez（艾丹·戈麦斯）通过一封“cold email”联系上了 Google Brain 的研究员，原因是他反复在阅读的论文作者栏看到这个名字。他提出了自己对论文的一些扩展想法，并由此获得了一个实习机会。“我经理以为我是博士生，”Gomez 回忆道，“所以我想我是通过一个行政错误进去的——我们通常不招本科生。”这个“错误”让他坐到了另一位论文合著者 Noam Shazeer 旁边，并加入了 Lucas Kaiser 的团队。
最初的项目是一个名为“One Model To Learn Them All”的多模态模型。在开发过程中，Gomez 和 Kaiser 构建了一个名为“Tensor2Tensor”的框架用于高效分布式训练，并成功说服了邻座的 Noam Shazeer 使用它。随后，他们发现 Google Translate 团队也在进行类似的研究。“我们意识到大家在做同一件事，”Gomez 说，“我们都关注基于文本的自回归模型，并且更纯粹地利用注意力机制，而不是之前那些复杂且有些‘丑陋’的 RNN、LSTM 模型。”于是，几个小组决定合并力量，专注于打造一个最简单、高效的基于注意力的语言模型——这就是 Transformer 的雏形。
论文的写作过程堪称“疯狂冲刺”。团队为了赶上顶级 AI 会议 NeurIPS 的投稿截止日期，进行了高强度的工作。“我们尝试了无数东西，修补了很多小 bug，”Gomez 举例道，比如最初纯注意力架构无法区分序列中元素的位置信息，是 Noam Shazeer 灵光一现，提出了在嵌入中添加正弦波来表示位置的方法——这个方案至今仍被广泛使用。
论文发表后，在自然语言处理（NLP）和机器翻译的小圈子内引起了兴奋，但当时远未达到后来革命性的广泛认知。对于 Google 为何没有更快地利用 Transformer 架构开发出类似 ChatGPT 的产品，Gomez 澄清道，Google 实际上迅速将 Transformer 应用到了搜索和翻译等核心产品中（如 BERT）。“准确的说法是，他们没有像 OpenAI 那样早期且独特地全力投入互联网文本的纯序列建模（即大规模语言模型预训练）。” Gomez 总结道。
Transformer 为何统治八年？生态锁定与极高的替代门槛
距离论文发表已过去八年，Transformer 架构依然是 AI 领域的绝对主流，这一点连 Gomez 本人都感到“震惊”。“我们今天训练的 Transformer 和当年的看起来如此相似，”他说。他认为，这并非因为研究社区缺乏新想法，而是一个“自我实现的预言”或“强化循环”。
整个 AI 社区对 Transformer 的热情催生了专门为其优化的庞大基础设施堆栈。“我们现在甚至有专门为该架构优化的芯片，”Gomez 指出。因此，要转向一种新架构，需要付出巨大的努力和能量去重写一切。“新架构必须提供极其令人信服的理由（才能取代它），而我们还没找到那个架构。”他坦言，替代的门槛已被推得极高。
Gomez 本人也曾热切期待 Transformer 的继任者。他甚至将 Cohere 纽约办公室的一间会议室命名为“SSM”（状态空间模型），坚信它将是替代者。但现实是，Transformer 就像一个“伟大的艺术家”，不断吸收其他架构（如 SSM、扩散模型）中的优秀思想，并将其整合进自身，从而持续进化，保持了领先地位。
推理计算：一个“显而易见”却改变游戏规则的想法
近半年来，“推理计算”（Test-Time Compute）或“思维链”推理成为 AI 领域的热点。但在 Gomez 看来，这其实是一个酝酿已久且“显而易见”的方向。“我们已经知道它要来好几年了，”他说。
其逻辑在于：在引入推理能力之前，语言模型对所有输入（无论是“1+1”还是“治愈癌症”）都分配相同的“能量”和即时响应时间。这显然不合理。不同复杂程度的问题理应获得不同的“思考”资源。推理计算正是让模型能够根据问题复杂度，动态分配计算步骤（“思考时间”）的范式。
“它的有效性令人惊讶，”Gomez 评价道。模型仅需极少量的人类示范（如何一步步思考），就能自己掌握推理方法，从而解锁了前所未有的能力。更关键的是，实现推理能力的成本“远低于预训练”，使得智能提升变得“非常容易获得”。
然而，Gomez 认为这仅仅是开始。“我们只是触及了表面。”目前的研究主要集中在数学和编程领域，但在医学、物理、化学等纯科学领域，以及企业自动化场景中，还有巨大的空白等待探索。“所有有趣的问题都需要推理。”
从研究到创业：为何 Cohere 选择“枯燥”但重要的企业 AI
在目睹了早期大规模语言模型展现出的惊人能力后，Gomez 联系了他在 Google Brain 结识的两位朋友 Nick 和 Ivan，共同创立了 Cohere。与许多同期涌现的、目标直指 AGI 的明星实验室不同，Cohere 很早就确立了企业 AI 的方向。
“我从来不喜欢整个 AGI、有效利他主义圈子的氛围，”Gomez 直言不讳，“感觉像在角色扮演，像人们在创立一种新宗教……‘创造上帝’这类东西。我不喜欢那种精神气质。”相比之下，企业级应用或许听起来“枯燥”，但他认为其意义远为重大。
“提升人类生产力，让人类能做更多事，增加供给，降低事物成本，让人类成就更多——这些远比‘建造上帝’或‘从 AI 手中拯救世界’更激励我。我想用 AI 来拯救世界。” Gomez 阐述了他的理念。他希望通过 AI 让医生花更少时间写病历、填表格，而将更多时间用于诊治病人；为医生配备能帮助他们研究罕见病例的智能体。他的目标是让这项技术在全球经济中真正发挥作用。
当然，作为行业领军者，他无法完全避开关于 AGI/ASI（人工超级智能）的讨论。但他认为，AGI 的定义模糊且不断变化。“我认为我们在很大程度上已经拥有了 AGI。”他举例说，如果在他和 Cohere 的模型之间选择谁来诊断开药，理性的选择肯定是模型。“我保证它懂得比我多。”AI 已经在许多方面比普通人更聪明，并且未来在某些领域超越最顶尖的人类专家也是必然趋势。“我反对那些贩卖末日论调的人，”Gomez 总结道，“技术进步意味着什么？其切实的影响才是关键。”
Cohere 的全栈蓝图：模型、智能体与安全优先
Cohere 采取了一条垂直整合的道路。其核心是自研的模型层：包括生成模型 Command（对标 GPT、Llama 等）和搜索模型系列（Embed V4, Rerank 3.5）。这些模型构成了其智能体平台“North”的基石。North 允许企业构建能接入内部所有软件和数据的 AI 智能体，让其去完成具体任务。
Gomez 特别强调了 Cohere 在安全部署上的独特优势。与许多提供 API 调用服务的竞争对手不同，Cohere 可以将其模型直接部署在客户的硬件上，无论是在客户的云虚拟私有云（VPC）中，还是为受监管行业部署在本地数据中心。“这带来了巨大的解锁效应，”Gomez 解释，因为 AI 智能体需要访问企业的核心数据（邮件、文档、客户记录等），数据不出境、完全私有的部署模式让客户更放心地接入更多关键系统，从而发挥 AI 的最大价值。
在模型训练数据方面，Gomez 证实了合成数据已成为主流且效果卓越。“合成数据现在是我们训练 Command 等模型所用数据的主要部分，而且在许多情况下，它实际上比人类数据更有用。”他举例说，人类回答问题时往往简洁（如直接回答“11”），但人类实际上更喜欢模型那种充满同理心、耐心细致的回答风格。因此，他们需要用模型来重写人类答案，以生成风格更优的训练数据。
此外，Cohere 在多语言和多模态上也投入颇深。其 Cohere For AI 实验室发布了支持超百种语言的模型。Gomez 指出，日语、韩语等市场被严重低估，现有技术无法满足其企业级文档处理需求。因此，Cohere 选择与富士通（日本）、LGCNS（韩国）等地区巨头合作，开发针对当地语言和企业场景的定制模型。多模态能力也被视为企业场景的“入场券”，对于理解包含图表、幻灯片的 PDF 文档以及实现计算机视觉操控（让 AI 使用图形界面）至关重要。
智能体（Agent）的现在与未来：从研究到落地
Cohere 的智能体平台 North 目前处于早期访问阶段。Gomez 将其描述为一个“完全私有化、高度可定制、原生支持推理的消费级聊天机器人升级版”。它可以集成企业内部的任何软件，并花时间（几分钟甚至几十分钟）进行深度研究、筛选数据以完成任务。
他分享了一个生动的用例：财富管理。当突发事件（如战争、新关税）爆发时，理财经理的客户会纷纷来电询问对策。经理通常需要花费数周时间研究并制定对冲组合方案，但市场瞬息万变，等方案出炉可能已错过时机。North 这样的智能体可以极快地阅读海量分析报告和新闻，迅速提出初步方案，人类经理在此基础上进行修改和决策，将周期从数周缩短到数小时。
面对智能体能力泛化可能带来的“选择困难症”，Gomez 观察到市场已经发生了变化。“早期客户会问‘AI 很酷，董事会给我压力，我该用它做什么？’我们需要帮他们识别机会。但现在，客户的成熟度大大提高了。他们很清楚自己要做什么，只需要一个合作伙伴来帮他们执行这个路线图。”许多大企业会带着数百个已识别的用例来找 Cohere。
当然，智能体并非万能。Gomez 指出，在医疗、金融等敏感领域，必须保持“人在回路”的监督。此外，在需要真正突破性科学发现（如解决千年数学难题、发现新化合物）的领域，AI 目前还无法提供核心帮助，但他相信这一天很快就会到来。
CEO 的展望：技术乐观主义与社会关切
当被问及什么让他夜不能寐时，Gomez 的答案出人意料地并非技术挑战。“让我睡不着的是政治，”他说，“是世界各地出现的分裂……我主要担心我们的社会、自由民主制度。我为自由主义过去一个世纪取得的进步感到担忧。”
但他对 AI 持乐观态度，认为 AI 可以成为一股强大的向善力量，帮助“好人”获胜，并解决过去十五年来全球经济面临的一些问题，如生产力增长缓慢、财富分配不均等。
对于 Cohere 未来三到五年的成功愿景，Gomez 希望看到 AI 技术带来可衡量的 GDP 和生产力增长，希望这项技术能在全球范围内整合，成为每个人日常工作的一部分，而不仅仅是娱乐或搜索工具。“我希望它能帮助人们成就更多，让东西变得更便宜、更丰富。”这或许正是这位从一场“意外”中走出的 AI 先驱，为其所创造的技术所描绘的最朴实也最宏大的蓝图。
AI 安全专家 Roman Yampolskiy（罗曼·扬波利斯基）：2030年 99% 人类将失业，我们无法控制超级智能撰文：Techub News 整理
导语
2025 年 9 月，长期致力于人工智能安全研究的计算机科学副教授 Roman Yampolskiy（罗曼·扬波利斯基）做客知名播客频道《The Diary Of A CEO》，进行了一场长达87分钟的深度对话。Yampolskiy 是“AI安全”术语的提出者，在该领域已深耕超过15年。本次对话发生在全球AI军备竞赛愈演愈烈、技术能力呈指数级增长但安全性研究严重滞后的背景下。他以其深厚的学术背景和对行业发展的紧密观察，对AI发展的极端风险、时间线以及人类社会可能面临的剧变提出了极其严峻、甚至惊世骇俗的预测与分析。
摘要
AGI（通用人工智能）预计将在2027年左右实现，随之而来的超级智能将远超人类在所有领域的智慧。
到2030年，功能性人形机器人结合高级AI，将导致失业率飙升至前所未有的高度（如99%），绝大多数人类工作将被替代。
我们正以指数级速度提升AI能力，但对其安全性和可控性的研究进展却线性甚至停滞，这种“剪刀差”正在扩大，最终可能失控。
当前AI的发展路径本质上是对全球80亿人进行的、未经许可且无法获得真正同意的危险实验，其后果可能是人类灭绝。
Yampolskiy 相信我们极有可能生活在一个模拟现实中，但这并不改变当前决策的伦理紧迫性。
从乐观到悲观：一位AI安全专家的认知转变
Roman Yampolskiy（罗曼·扬波利斯基）在访谈伊始便开门见山，道出了他个人研究历程中的关键转折：“在最初的至少五年里，我致力于解决（AI安全）这个问题。我深信我们能够制造出安全的AI。但越是深入研究，我越发意识到，这其中的每一个组成部分都不是我们实际能够解决的。”他将这种困境比作“分形”——每深入一层，就会发现十个新问题，然后是上百个，而这些新问题不仅难以解决，甚至可能是“不可能解决的”。
Yampolskiy 指出，AI能力的进步正以指数级甚至超指数级的速度发展，而AI安全领域的进展却只是线性或恒定的。二者之间的差距正在急剧扩大。我们至今没有看到任何奠基性的成果能宣称“我们解决了这个问题，不必再担心了”。现有的做法更多是“打补丁”——比如为大型语言模型设置规则，禁止其说脏话或做某些坏事，但这些措施很快就会被“越狱”破解。这就像公司的人力资源手册：你可以规定“禁止性骚扰”，但总会有足够聪明的人找到规则的漏洞，将行为转移到尚未受限的子领域。
当被问及对像 OpenAI CEO Sam Altman（萨姆·奥尔特曼）这样的人物有何看法时，Yampolskiy 态度尖锐。他提到，大约十年前，学界就发表了关于如何正确发展AI的指导原则（护栏），而 OpenAI “违反了其中的每一条”。他认为 Sam Altman 等人是在“将80亿人的生命作为赌注，以换取自己变得更富有、更强大”。他强调，无论谁最终构建出超级智能，“在你切换到超级智能的那一刻，我们都很可能会极度后悔。”
预测时间线：2027年AGI，2030年99%失业，2045年奇点
基于预测市场和顶尖实验室CEO的预期，Yampolskiy 给出了清晰而紧迫的时间线预测。
2027年：我们将迎来AGI。这将带来几乎“免费”的体力和认知劳动力，其价值高达数万亿美元。届时，雇佣人类从事大多数工作将变得毫无意义。任何能在电脑上完成的工作都将被自动化。届时，我们将见证失业率飙升至“前所未有”的水平。
2030年：人形机器人技术将趋于成熟，其灵活性足以与人类在所有领域竞争，包括管道工等体力工作。届时，“智力加物理能力”的结合体将几乎不给人类留下任何工作空间。Yampolskiy 强调，真正的关键在于“智力”，即更高的优化、解决问题和发现人类无法察觉的模式的能力。当这种智力能够直接控制物理身体时，社会将发生翻天覆地的变化。他预计，届时失业率可能达到99%，而非通常认为的10%。
2045年：这是 Ray Kurzweil 预测的“奇点”之年。Yampolskiy 解释，奇点意味着进步速度变得如此之快，以至于AI进行的科学和工程工作改进的速度超出了人类的理解和预测能力。届时，技术迭代可能以天、小时甚至分钟为单位进行，人类将完全无法跟上，对世界的理解和掌控将降至零。
对于“AI会创造新工作”这一常见的反驳论点，Yampolskiy 认为这是一种“范式转换”。过去的技术发明是“工具”，而AI，尤其是AGI和超级智能，是“工人”和“发明者”本身。它是我们可能需要进行的“最后一项发明”，因为它可以接管科学、研究乃至伦理研究的所有过程。当你可以发明一个能胜任任何工作的“代理人”时，就没有什么是不能被自动化的了。
超级智能：无法控制、无法理解、无法预测的黑盒
Yampolskiy 的核心论点是，我们不仅不知道如何让超级智能安全（即“对齐”问题），甚至连理解它都做不到。他反复强调，当前最先进的AI系统，如 ChatGPT，对它们的创造者来说也是一个“黑盒”。
“即使是制造这些系统的人，也必须对他们的产品进行实验，以了解它具备什么能力……我们训练它，然后开始实验：哦，你会说法语吗？你会做数学吗？你现在在对我撒谎吗？……我们仍在旧的模型中发掘新的能力。如果你用不同的方式提问，它会变得更聪明。” 这不再是传统意义上的“工程”，而更像是“科学”——我们创造了一个外星植物般的“人造物”，然后去研究它的行为。
这种“不可解释性”和“不可预测性”导致了根本性的伦理困境。Yampolskiy 指出，要获得人类受试者的知情同意，前提是他们必须理解自己同意的是什么。如果这些系统是不可解释和不可预测的，“他们怎么能同意？他们不知道自己在同意什么。因此，这项实验永远不可能符合伦理。” 他认为，当前的发展路径本质上是对全球人类进行的、未经许可且不道德的实验。
对于“难道我们不能直接拔掉电源吗？”这种天真的想法，Yampolskiy 感到无奈。他指出，像病毒或比特币网络这样的分布式系统是无法被简单“关闭”的。而一个比人类更聪明的超级智能会提前预测人类的行为，做好多重备份，“它会在你关掉它之前先关掉你”。
行业反思与个体应对：我们能做什么？
面对如此严峻的前景，Yampolskiy 提出了一些反思和建议。他认为，驱动力在于个人利益。如果能说服那些拥有权力、正在开发这项技术的人（包括公司员工和投资者），让他们明白这么做对他们个人而言是极其有害的——“你将会死，再多的钱对你也没有用”，那么他们可能会改变行为。
他呼吁行业应专注于开发“狭义超级智能”，即解决特定问题的强大AI工具，例如治愈癌症，而不是竞相奔向不可控的通用超级智能。“我的公司治愈乳腺癌。仅此而已。我们赚了数十亿美元。每个人都很开心，每个人都受益。这是一场双赢。今天我们仍然掌握着控制权……在我们到达终点之前，游戏还没有结束。我们可以决定不去建造通用的超级智能。”
对于普通个体，Yampolskiy 的建议显得有些无奈。在短期内，个人几乎无能为力，就像个人无法影响第三次世界大战或核浩劫一样。但他支持人们以和平、合法的方式参与“暂停AI”、“停止AI”等抗议运动，试图通过民主力量影响决策者。从个人生活规划角度，他建议人们应该“把每一天都当作最后一天来活”，做有趣、有影响力的事情，同时帮助他人。
在被问及如果有一个按钮可以永久关闭世界上所有致力于AGI和超级智能的AI公司时，Yampolskiy 的回答具有启发性：他会选择保留“狭义AI”，因为它们控制着股市、发电厂、医院，关闭它们会导致灾难。但他会毫不犹豫地停止AGI和超级智能的研发。他认为，当前已有技术（弱AGI）99%的经济潜力尚未被部署，足以为世界带来数十年的繁荣发展，完全无需急于奔向无法控制的超级智能。
模拟理论与生命意义
在对话后半段，Yampolskiy 谈到了他深信不疑的“模拟理论”。他认为，一旦技术发展到能够以可承受的成本（比如每月10美元）运行与现实无异的、包含人类级别AI的模拟世界，那么从统计学上看，我们几乎必然生活在一个模拟中。因为模拟世界的数量将远远超过“真实基底世界”的数量。
他将此与宗教联系起来，指出所有宗教的共同点都是相信存在一个比人类更伟大、全知全能的存在，并且这个世界并非终极真实。他认为，模拟假说是宗教内核的现代化、科学化版本。不过，他强调，即使生活在模拟中，生命的体验——疼痛、爱、意义——依然重要，这并不改变我们应当如何生活的本质。
最后，当被问及投资建议时，Yampolskiy 半开玩笑地提到了比特币。他认为，在一个AI能创造丰裕物质的世界里，“稀缺性”将成为关键。比特币是唯一已知确切数量上限且无法被随意创造的资产，因此可能在未来具有独特价值。
整场访谈中，Roman Yampolskiy（罗曼·扬波利斯基）始终保持冷静、理性，甚至略带幽默，但其传达的信息却沉重得令人窒息。他并非散布恐慌，而是基于多年研究，对一条清晰可见的毁灭性路径发出最严厉的学术警告。他的结论是：我们正驾驶着一辆刹车失灵、且无人知道如何操控的列车，全速冲向未知的深渊。现在的问题是，车上的人是否愿意在坠崖前尝试改变方向。
Perplexity CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）：我们为何能挑战谷歌撰文：Techub News 整理
导语
在 Y Combinator 广受欢迎的访谈节目《How To Build The Future》最新一期中，主持人 David 对话了 AI 搜索新贵 Perplexity 的联合创始人兼 CEO Aravind Srinivas（阿拉温德·斯里尼瓦桑）。Perplexity 在不到三年时间里，从零成长为估值超过 90 亿美元的明星公司，其「对话式答案引擎」模式被视为对传统搜索引擎最具潜力的挑战之一。本次对话深入回溯了 Aravind Srinivas（阿拉温德·斯里尼瓦桑）从 AI 研究员到创业者的心路历程，揭示了 Perplexity 产品迭代背后的关键决策，并展望了在巨头环伺的 AI 搜索赛道中，一家初创公司如何凭借独特的产品哲学找到生存与发展之路。
摘要
Perplexity 的创立源于一个「AI 完备性」的洞察：只有像搜索和自动驾驶这样，产品迭代能直接反哺底层 AI 能力进步的领域，才适合同时进行 AI 研究和产品构建。
产品成功的关键转折点在于放弃了为垂直领域构建复杂索引的「聪明」方法，转而采用依赖大模型能力进行实时处理的「笨」方法，这意外地解决了延迟和通用性问题。
与谷歌竞争的核心优势并非技术，而是对用户体验的极致关注和「用户永远没错」的产品设计哲学，这在大公司因组织架构和商业模式而难以贯彻。
Perplexity 的长期愿景是构建一个能理解用户意图、整合答案与行动（如购物、预订）的端到端智能信息体验，这需要复杂的 AI 路由与编排能力。
公司保持敏捷的文化面临挑战，但通过创始人亲力亲为关注细节、数据驱动的指标管理（如每日查询量）以及扁平化的沟通来对抗熵增。
从研究员到创业者：AI 完备性的启发
Aravind Srinivas（阿拉温德·斯里尼瓦桑）的 AI 之路始于在印度读本科时对深度学习的兴趣，这促使他来到加州大学伯克利分校攻读博士学位。他的人生转折点发生在 OpenAI 的实习期间，与联合创始人兼首席科学家 Ilya Sutskever（伊利亚·苏茨克韦）的一次会面。他准备了各种「花哨」的研究想法，但 Ilya Sutskever（伊利亚·苏茨克韦）在听了五分钟后直言「所有这些都没用」，并画了两个圆圈：一个大圈代表无监督学习，里面一个小圈代表强化学习。Ilya Sutskever（伊利亚·苏茨克韦）告诉他，「这就是 AGI（通用人工智能），其他研究都不重要。」 当时 OpenAI 正在构建 GPT-1 的前身。这次对话让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）意识到，自己当时专注的强化学习（因 AlphaGo 而热门）可能是在追逐潮流，他随即转向研究无监督和生成式模型。
在谷歌实习期间，他读到了讲述谷歌早期历史的书《In the Plex》，深受触动。他意识到，将前沿 AI 研究与扎实的产品构建相结合是极其困难的。他与 Ilya Sutskever（伊利亚·苏茨克韦）讨论后得出一个观点：世界上可能只有两类问题能同时满足 AI 研究和产品构建——搜索和自动驾驶汽车。因为在这两个领域，产品的每一次部署和用户使用都会成为改进底层 AI 模型的数据点，从而形成「产品更好 - 更多用户 - 更多数据 - AI 更好 - 产品更好」的飞轮。更重要的是，这类问题处于「AI 完备性」路径上，即 AI 能力的进步会直接让公司的产品变得更强，而不是被更先进的 AI 所颠覆。
创业起点：从「颠覆谷歌」的模糊野心中诞生
有了创业的想法，但如何获得启动的能量？Aravind Srinivas（阿拉温德·斯里尼瓦桑）提到，他受到前 YC 合伙人 Daniel Gross 一篇题为《如何打造下一个谷歌》博客的启发。博客核心观点是，通过更好的查询重构（例如为电影评论查询自动添加「site:rottentomatoes.com」后缀），即使利用现有的谷歌排名，也能大幅提升搜索体验。他意识到，大语言模型或许能自动完成这种复杂的查询重构，成为构建新一代搜索引擎的基础。
与此同时，他与后来的联合创始人兼 CTO Denis Yarats（丹尼斯·亚拉茨）因几乎同日发表同一篇论文而相识，两人经常讨论如何构建能控制安卓环境的 AI 代理。然而，当他把「颠覆谷歌」的想法告诉潜在投资者时，得到的第一个反馈通常是：「谷歌自己难道不会做这个吗？」 毕竟搜索是谷歌的「皇冠上的明珠」，不像文档处理那样是次要业务。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，当时他们更多是被一个具有宏大规模和野心的想法所吸引，而非单纯抱着「杀死谷歌」的动机。他们也意识到，在多模态模型开始兴起的技术轨迹上，有机会构建出惊人的产品。
在投资者的建议下，他们最初并未直接挑战通用搜索，而是专注于垂直领域和企业搜索，例如搜索特定数据库或 Crunchbase 的数据。然而，他们发现没有公司愿意轻易交出数据。于是，他们转向了当时仍允许学术访问的 Twitter（现 X）数据。他们利用 OpenAI 的 Codex 模型（早于 GPT-3.5），构建了一个能将自然语言查询转换为 SQL、并从整理的 Twitter 数据表中检索和绘制图表的聊天界面。这个 demo 在短短一个月内由三人小团队完成，因其前所未有的交互方式和「社交搜索」的趣味性（如查看某人本周关注或取关了谁）而获得了早期关注。
关键转折：拥抱「笨」方法，押注模型进步
在尝试为 GitHub、LinkedIn 等更多数据源构建类似垂直搜索工具时，团队遇到了数据获取和产品化的巨大阻力。此时，他们意识到一个更根本的解决方案：与其为每个领域费力构建结构化索引（如表格），不如保持数据非结构化，将所有繁重的工作交给大模型在查询时（推理时）完成。这看似是更「笨」、更依赖模型能力的方法，但却更通用、更可扩展，也更能对抗谷歌已建立的庞大传统索引系统。
他们受到 OpenAI 研究员 John Schulman（约翰·舒尔曼）团队早期项目「WebGPT」的启发，但 WebGPT 使用 1750 亿参数的模型，且采用类似智能体（Agent）的方式去点击、滚动网页，速度极慢。Perplexity 团队反其道而行之，采用了更简单的启发式方法：总是从搜索 API 获取排名靠前的链接，只使用搜索引擎已缓存的摘要片段（无需点击滚动），然后将所有这些信息一次性喂给大模型，要求它生成带有学术格式引用的摘要。
这个策略的成功极度依赖于模型指令遵循能力的提升。 Aravind Srinivas（阿拉温德·斯里尼瓦桑）坦言，如果早一年尝试这种「笨」方法，由于模型能力不足，根本不会奏效，人们会得出结论需要更「聪明」的架构。但恰逢 GPT-3.5 Turbo 这类模型出现，指令遵循能力大幅增强，使得简单方法变得可行，并一举解决了核心的产品用户体验问题——延迟。即便如此，他们最初推出的答案生成版本仍需约 7 秒，且无法控制回答的冗长度，后来不得不通过提示词硬性限制回答字数来提速。
产品验证与竞争觉醒：在巨头阴影下找到空间
Perplexity 的第一个「出圈」时刻颇具戏剧性。产品发布后，一位学者搜索自己的名字，结果模型给出了过去式的传记，原因是存在同名同姓的已故人士。这位学者发推「吐槽」自己还活着，却意外为 Perplexity 带来了大量关注。人们开始热衷于搜索自己，模型会汇总他们全网的历史活动并生成有趣摘要，用户乐于截图分享。随后，团队上线了追问功能，这使网站的用户参与时间和每日提问数量呈指数级增长，让 Aravind Srinivas（阿拉温德·斯里尼瓦桑）确信产品找到了市场契合点，不应再转向企业服务。
真正意识到与巨头竞争的严峻性，是在融资的关键时刻。就在与一家风投机构握手达成投资意向几天后，微软 Bing Chat 的界面截图被泄露。紧接着，另一家有意向的投资者将尽职调查期从 30 天悄悄延长至 45 天。一周后，谷歌 CEO Sundar Pichai（桑达尔·皮查伊）宣布推出 Bard。一时间，山雨欲来。Aravind Srinivas（阿拉温德·斯里尼瓦桑）甚至考虑过出售公司。然而，最初握手的那位投资者坚持了承诺，没有要求他们转型，这给了团队信心。
他们冷静分析了竞争格局：微软长期以来并不擅长消费级产品，谷歌则面临自身挑战——无法轻易将类似 Perplexity 的体验直接放到已有数十亿用户的、布满广告和各类信息模块的谷歌主页上。这为独立玩家留下了生存空间。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，在纯信息查询上，使用 Perplexity 和谷歌的体验差异，堪比「健康餐」与「快餐」之别。
产品哲学：用户永远没错，细节决定成败
Aravind Srinivas（阿拉温德·斯里尼瓦桑）深受谷歌早期文化的影响，特别是联合创始人 Larry Page（拉里·佩奇）的理念。他反复向团队强调「用户永远没错」的原则。他举例说，当测试新功能遇到模糊查询导致失败时，正确的产品思维不是责怪用户提问不清晰，而是让 AI 主动澄清、询问用户真实意图。这与许多企业软件「教育用户成为更好的提示词工程师」的思路截然相反。神奇的消费级产品属于前一种，它们承担了理解用户的复杂性。
这种对细节的执着渗透到产品各处：确保搜索框光标随时就绪（无需鼠标点击）、追求极致的加载速度。公司的核心北极星指标是「每日查询量」，这与早期谷歌的关注点一致。在每周的全员会议上，他们首先查看的就是这个数字的周增长和月增长趋势。一旦出现下滑，团队会深入分析原因。Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，用户重复提问并非因为产品无法满足需求（那会导致用户离开），而是因为他们在一个会话中发现了更多想探索的问题，这恰恰是产品吸引力的体现。
在公司文化上，他努力营造一种扁平、专注于做好工作的氛围。他自己每天会提出大量产品 bug，并直接与负责的工程师沟通，没有层级隔阂。他认为，如果创始团队自己都不爱用、不挑剔自己的产品，用户更不会满意。他主要通过 X（原 Twitter）与用户交流，因为那里的反馈「残酷而诚实」，能暴露出最严重的问题。
增长挑战与未来愿景：构建端到端的智能信息体
随着团队规模扩大，Perplexity 也面临着所有公司成长中的挑战：速度变慢。原因包括生产环境问题影响信任、新工程师需要时间熟悉代码库，以及必须引入更严格的测试和 A/B 实验流程。Aravind Srinivas（阿拉温德·斯里尼瓦桑）承认，保持早期那种对细节痴迷的文化随着人员扩张变得困难，但创始人团队仍在努力对抗「熵增」。
谈及未来，他描绘了 Perplexity 的长期图景。目前，Perplexity 是一个在特定场景下更智能的谷歌搜索。但三四年后，他希望它成为一个能理解用户问题、提供最佳答案、并帮助用户完成后续行动的端到端平台。例如，搜索「最好的毛衣」，不仅能得到推荐，还能直接购买；搜索酒店，不仅能比较，还能完成预订。
这其中的巨大挑战在于商业模式和用户认知。如果只是提供答案，而将交易环节导向谷歌，那么 monetization（货币化）的功劳仍属于谷歌。Perplexity 可能仅获得少量订阅收入，且易被资金更雄厚、提供免费服务的对手挤压。要实现闭环，需要构建一个极其复杂的 AI 路由与编排系统，能智能判断何时使用小型模型、知识图谱、插件，何时生成流式答案或多步推理结果。用户不在乎背后的技术栈，他们只想要准确、快速、完整的解决方案。 他认为，谷歌现有的系统是世界上最接近此愿景的，下一代系统必然能被构建出来，但这需要十年甚至更长时间的坚持。
在分析未来十年的竞争对手时，Aravind Srinivas（阿拉温德·斯里尼瓦桑）认为，Perplexity 的核心优势在于对用户的痴迷和优秀的产品品味。谷歌虽有产品品味和一切资源，但其根本困境在于，它既是一家搜索公司，更是一家广告公司，搜索在某种程度上服务于广告业务。高达数百亿美元季度收入的搜索业务，是谷歌高利润和股价的支柱。任何可能动摇这一收入根本的变革（例如让用户直接获得答案而无需点击广告链接），都会在内部遭遇巨大阻力。相比之下，OpenAI 和 Anthropic 等公司更专注于模型本身的能力突破，而非构建精细的端到端用户体验。Perplexity 则兼具 AI 技术理解力（能够利用并微调最新开源模型）和以用户为中心的产品构建 DNA，这可能是其在漫长竞争中占据一席之地的关键。
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。
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。
Google DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）：世界模型、AGI 时间表与 AI 驱动的科学革命撰文：Techub News 整理
导语
2025 年 9 月，谷歌 DeepMind 的联合创始人兼 CEO 德米斯·哈萨比斯（Demis Hassabis）做客知名科技播客 All-In Podcast，进行了一场信息量极大的深度对话。作为 AlphaGo、AlphaFold 等里程碑式 AI 项目的核心推动者，以及 2023 年诺贝尔化学奖的共同得主，哈萨比斯一直是全球人工智能领域的灯塔人物。此次对话中，他不仅分享了获得诺奖的幕后故事，更系统地阐述了谷歌 DeepMind 的最新进展、对 AGI（通用人工智能）路径的思考，以及 AI 如何重塑科学、娱乐乃至人类社会的基础架构。在 AGI 浪潮席卷全球、科技巨头激烈角逐的背景下，哈萨比斯的见解无疑具有极高的参考价值。
摘要
世界模型是通往 AGI 的关键一步：Genie 等模型通过海量视频学习“直观物理”，无需预设物理引擎即可生成动态交互世界，这对机器人技术、智能眼镜助手至关重要。
AGI 可能还需 5-10 年：哈萨比斯认为当前 AI 尚缺乏真正的创造力、持续学习和一致性推理能力，需一两个关键突破才能达到真正的通用智能。
AI 将开启“科学新文艺复兴”：从药物发现（Isomorphic Labs）到材料设计、聚变控制，AI 将成为终极科学工具，其长远贡献将远超其当下的能耗。
人形机器人有独特价值：对于需要融入人类环境（家庭、办公室）的通用机器人，人形形态可能比专用形态更具实用性和适配性。
AI 赋能创作的两面性：既极大降低了普通人创作的门槛，也超级赋能顶级专业人士，催生“共同创造”的新娱乐形态。
从 AlphaFold 到诺奖：AI 驱动科学的起点
访谈从哈萨比斯获得诺贝尔化学奖的非凡经历开始。他描述接到来自瑞典的电话时“恍如隔世”，那是每个科学家梦寐以求的时刻。在斯德哥尔摩的颁奖周，最令他震撼的是在一本保存了120年的诺奖得主签名簿上，将自己的名字签在费曼、居里夫人、爱因斯坦、尼尔斯·玻尔等伟人之旁。哈萨比斯坦言，尽管有关于 AlphaFold 可能获奖的传言，但诺奖委员会对保密工作的极致要求，以及奖项更看重科学突破的实际影响力（这往往需要二三十年的沉淀），使得一切直到电话响起前都是未知数。AlphaFold 破解蛋白质结构预测难题，正是哈萨比斯从童年起就怀有的梦想——利用 AI 加速科学发现的完美例证。这枚诺奖奖章，不仅是对他个人和团队的认可，更是标志着 AI 正式成为基础科学发现的核心引擎。
谈及谷歌 DeepMind 在 Alphabet 中的定位，哈萨比斯将其比喻为“整个谷歌和 Alphabet 的引擎室”。自几年前谷歌内部所有 AI 力量（包括原 DeepMind）合并为 Google DeepMind 以来，团队规模已达约 5000 人，其中超过 80% 是工程师和博士研究员。Gemini 是他们构建的核心模型，此外还包括视频模型、交互式世界模型等多种 AI 系统。这些模型已经深度集成到谷歌几乎所有的产品和服务中，从 AI Overview、AI 模式到 Gemini 应用，每天有数十亿用户在与他们的 AI 技术互动。这种“前沿研究”与“数十亿规模落地”的结合，构成了谷歌 DeepMind 独特的优势。
Genie 与世界模型：让 AI 理解物理世界
对话的核心很快转向了谷歌 DeepMind 最新发布的一类革命性模型——“世界模型”，其代表便是 Genie。哈萨比斯现场展示了一段 Genie 生成的视频：用户仅通过一个文本提示（如“在鸡套装里的人”或“喷气式滑艇”），就能生成一个完全交互式的 3D 环境。用户可以使用方向键和空格键实时控制视角，探索这个世界。关键之处在于，所有像素都是实时生成，不存在于任何预设的视频或游戏中。当角色转头看向一个方向，那一侧的景物才被即时创造出来，并且保持物理一致性（例如之前墙上的涂鸦会保留）。
哈萨比斯解释道，Genie 模型通过观看互联网上数百万计的 YouTube 等视频，反向工程了“直观物理”。它并非基于传统的 3D 渲染引擎（如 Unity 或 Unreal），也没有被预先编程物理定律。相反，它纯粹从 2D 图像序列中学会了世界如何运作的复杂规律，包括光影反射、材质流动和物体行为。作为一名在 90 年代曾亲手编写游戏引擎和物理系统的前游戏开发者，哈萨比斯对 Genie 能如此“轻而易举”地完成这一切感到“极其震撼”。
为什么世界模型如此重要？哈萨比斯指出，要构建真正的 AGI，系统必须理解我们周围的物理世界，而不仅仅是抽象的语言或数学世界。这对于机器人技术、智能眼镜助手等应用至关重要。一个能帮助日常生活的智能眼镜助手，必须理解使用者所处的物理环境及其背后的物理规律。世界模型的突破，正是为 AI 系统装上了理解物理世界的“感官”和“常识”。他预测，随着 Genie 这类模型的进化（Gen 4, Gen 5…），它们将越来越逼近对现实世界的深刻模拟。
机器人、AGI 时间线与缺失的拼图
世界模型的自然延伸便是机器人技术。哈萨比斯介绍了他们基于 Gemini 微调而来的“Gemini 机器人模型”。在演示中，一个拥有两只机械臂的桌面机器人，能够理解“把黄色物体放进红色桶里”这样的自然语言指令，并将其转化为精准的动作序列。这体现了多模态模型的威力——它能将真实世界的理解融入与机器人的交互中，而不仅仅是依赖机器人专用的、狭窄的模型。
对于机器人的形态，哈萨比斯的观点发生了变化。他过去认为特定任务应有专用形态的机器人，但现在认为，人形机器人对于需要在人类设计的环境中工作的通用机器人具有重要意义。台阶、门把手、工具——我们的物理世界是为人类身体设计的。与其改变整个世界的设计，不如让机器人适应我们已有的环境。当然，在工业生产线或实验室等特定场景，专用形态的机器人仍是最优解。
关于 AGI（通用人工智能）的到来时间，哈萨比斯给出了相对审慎的估计。他认为当前顶尖的 AI 模型（包括他自己公司的）远非“博士级智能体”。它们在某些任务上表现出博士生水平的能力，但缺乏通用性和一致性，例如可能在高中学的数学或简单计数上犯低级错误。真正的 AGI 应该能全面达到高水平表现。
在他看来，通往 AGI 还缺少几个核心拼图：一是真正的创造力，即像爱因斯坦提出狭义相对论那样，从已知知识中进行“直觉飞跃”，提出全新的猜想或理论；二是持续学习能力，能够在线学习新知识并调整行为；三是更强的推理和一致性。哈萨比斯预测，可能还需要“一两个关键性突破”，时间尺度大约在5到10年。这与行业某些更为激进的预测（如几年内）形成了对比。
科学革命与能源挑战：AI 的长期回报
作为科学家，哈萨比斯始终坚信 AI 最崇高的使命是加速科学发现，应对人类面临的重大挑战。除了 AlphaFold，谷歌 DeepMind 的 AI 系统已应用于材料设计、聚变反应堆等离子体控制、天气预报、解决奥林匹克数学竞赛级别难题等多个科学分支。他领导的 Isomorphic Labs（从 DeepMind 分拆）正致力于基于 AlphaFold 的突破，彻底改革药物发现流程，目标是将耗时数年甚至十年的新药研发周期缩短至几周甚至几天。目前他们已与礼来、诺华等制药巨头合作，并预计明年将有候选药物进入临床前阶段。
针对当前热议的 AI 能耗问题，哈萨比斯认为存在“两个真相”。一方面，谷歌 DeepMind 自身因为需要每天为数亿用户高效提供 AI 服务（如 AI 概述），在模型效率优化上投入巨大，通过蒸馏等技术，过去两年相同性能下的模型效率提升了10倍甚至100倍。但另一方面，为了向 AGI 前沿推进，研究团队仍需不断用更大规模的数据和算力训练新的模型，这会推动总需求上升。他乐观地认为，从长远来看，AI 在优化电网、设计新材料和新能源、应对气候变化等方面的贡献，将远超其自身运行所消耗的能源。AI 是解决问题的手段，而不仅仅是问题的来源。
创作民主化与未来娱乐形态
除了硬核科技，哈萨比斯也展望了 AI 对文化和娱乐的冲击。像 Imagen、Veo 这样的顶级视频生成模型，以及“Nano Banana”这类拥有出色指令跟随一致性的图像生成工具，正在带来“创作民主化”。普通人无需再像过去那样啃读厚厚的 Photoshop 教程，只需用语言描述想法，就能进行创作。
但同时，AI 也在“超级赋能”顶级专业人士。哈萨比斯提到他们正与著名导演达伦·阿伦诺夫斯基等顶尖创作者合作。这些工具让专业创意人士能够以前所未有的速度尝试各种构思，生产力提升十倍甚至百倍，最终更快地实现他们脑海中最完美的愿景。他预见未来将出现一种融合了“共同创造”元素的新娱乐形式或艺术类型：顶级创意愿景家构建引人入胜的动态故事世界，而成千上万的用户可以在其中共同创造部分内容，主创者则扮演这个世界的“总编辑”。
未来十年：一个“科学新文艺复兴”
当被问及对未来十年的展望时，哈萨比斯承认在 AI 领域预测十周都充满挑战，更不用说十年。但他坚信，如果未来十年内我们能实现真正的 AGI，那将开启一个“科学的新文艺复兴”或“黄金时代”。从能源到人类健康，社会的方方面面都将受益于这个终极科学工具带来的突破。这不仅仅是一次技术升级，而是一场深刻重塑人类文明认知边界和能力极限的革命。德米斯·哈萨比斯和他领导的谷歌 DeepMind，正站在这场革命的最前沿。
Andrew Ng（吴恩达）：AI 时代，速度是创业成功的关键预测因子撰文：Techub News 整理
导语
2025 年 7 月，AI 领域的先驱之一、Coursera 联合创始人、知名 AI 专家 Andrew Ng（吴恩达）在 Y Combinator 的 Startup School 活动上发表演讲，题为《用 AI 更快地构建》。作为 AI Fund（一家专注于 AI 的创投工作室，平均每月联合创立约一家初创公司）的创始人，Andrew Ng（吴恩达）并非仅从投资视角观察，而是亲身参与编码、客户沟通、功能设计和定价决策的全过程。在 AI 技术日新月异的背景下，他分享了从大量实战中提炼出的、旨在帮助初创公司加速执行、提升成功概率的核心经验与策略。
摘要
初创公司的成功与否，与执行速度高度相关。在 AI 时代，新工具使加速成为可能。
追求“具体创意”是获得速度的关键起点，模糊的想法虽有赞美但难以执行和验证。
AI 编程助手正使工程开发（尤其是原型构建）速度提升十倍甚至更多，改变了成本结构和决策模式。
工程速度的提升使产品管理和用户反馈成为新瓶颈，需要一套组合策略来快速获取反馈、调整方向。
深入理解 AI 技术栈和智能体工作流等新兴构建模块，能让团队避开技术弯路，抓住更多创新组合机会。
机遇在应用层，但工具在进化
Andrew Ng（吴恩达）首先分享了其对当前 AI 机遇格局的看法。他认为，尽管半导体、云计算和基础模型公司吸引了大量关注和炒作，但几乎可以肯定，最大的机会必然在应用层。因为最终需要应用来产生更多收入，才能支撑起底层技术栈的成本。他提醒创业者，虽然技术栈各层都有机会，但应用层因其直接创造价值而潜力最大。
过去一年半，AI 最重要的技术趋势之一是 智能体（Agentic）AI 的兴起。Andrew Ng（吴恩达）解释说，过去我们通常以“一次性提示生成完整输出”的方式使用大语言模型（LLM），这好比要求一个人一口气从头到尾不打草稿地写完一篇文章。而智能体工作流则允许 AI 系统迭代工作：先写大纲、做网络研究、撰写初稿、自我批判并修订。虽然速度较慢，但能产出质量高得多的工作成果。在 AI Fund 参与的复杂合规文档提取、医疗诊断、法律文件推理等多个项目中，智能体工作流已成为“项目能否成功”的关键区分因素。
由此，AI 技术栈在过去一年中出现了一个新的层级：智能体编排层，它帮助应用开发者协调下层技术（如基础模型）的多次调用。这一层的出现使得构建应用变得更加容易，但 Andrew Ng（吴恩达）重申，应用层仍是技术栈中价值最高的部分，创业者应继续聚焦于此。
速度的起点：追求“具体创意”
对于如何获得初创公司至关重要的执行速度，Andrew Ng（吴恩达）给出的第一个核心建议是：只专注于“具体创意”。一个具体的产品创意，其细节需要详细到工程师可以直接去构建它。
反面例子：“用 AI 优化医疗资产”。这过于模糊，不同工程师会做出完全不同的东西，无法快速构建，也就没有速度。
正面例子：“开发一款软件，让患者可以在线预约医院的 MRI 机器时段以优化使用率”。尽管这个想法可能已有公司在做，但它足够具体，工程师可以快速构建原型来验证其好坏。
Andrew Ng（吴恩达）指出，许多创业者容易被迷惑，因为模糊的想法往往能获得更多赞誉。当你对朋友说“用 AI 优化医疗资产”时，大家都会说这是个好主意。但模糊几乎总是“正确”的，而具体则意味着可能被验证为正确或错误。对于初创公司而言，快速验证（无论结果如何）才是最重要的。具体创意提供了清晰的方向，团队可以全速前进，要么验证其可行，要么快速证明其无效并转向。
他发现，优质的具体创意通常源于某个领域的专家对该问题的长期思考。在积累了丰富的客户交流经验和直觉后，这些专家的“直觉”（瞬间决策）可以成为决策的绝佳代理机制。虽然 Andrew Ng（吴恩达）热爱数据，但在很多初创场景下，获取数据是缓慢的决策机制，而一个拥有良好直觉的领域专家，往往是实现快速决策的更好方式。
此外，成功的初创公司在任何时刻都应专注于一个非常清晰的假设进行构建和验证。初创公司资源有限，无法同时对多个方向进行对冲。因此，选定一个具体创意，全力投入，一旦数据表明此路不通，便应立即转向另一个完全不同的具体创意。这就是 AI Fund 的常态：以坚定的决心追求一件事，直到世界证明我们错了，然后以同等的决心和执着转向下一件事。
Andrew Ng（吴恩达）还提醒，如果每一点新数据都导致你改变方向（“每个客户访谈都让你彻底改变主意”），这可能意味着你初始的知识基础太薄弱，对该领域还不够了解。此时，引入或成为对该主题有更长期思考的人，有助于你更快地走上正轨。
工程速度革命：从“单行道”到“双向门”
当具体创意确立后，下一个加速环节是工程构建。Andrew Ng（吴恩达）强调了 AI 编程助手如何从根本上改变了工程构建-反馈循环的速度和成本。
他指出，对于许多应用型初创公司而言，最大的风险是“客户接受度”，而非技术实现能力。传统的循环是：构建软件（工程任务）→ 获取用户反馈（产品管理任务）→ 调整构建方向 → 再次构建。AI 编程助手的出现，使得工程速度急剧提升，成本大幅下降。
Andrew Ng（吴恩达）将自己编写的软件分为两类：
快速且粗糙的原型：用于测试想法（如新的客服聊天机器人、处理法律文档的 AI）。
生产级、可维护的软件：维护遗留系统或大型生产就绪代码库。
对于生产级代码，使用 AI 系统可能提升 30% 到 50% 的效率。然而，对于构建快速原型，AI 带来的不是 50% 的提升，而是轻易达到 10 倍甚至更高的速度提升。原因在于：原型无需与遗留软件基础设施集成、对可靠性、可扩展性和安全性的要求要低得多。
他甚至会告诉团队：“去吧，写不安全的代码。”因为如果软件只在你的笔记本电脑上运行，且你不打算恶意攻击自己的电脑，那么不安全的代码是可以接受的。当然，在软件似乎可行之后、交付给他人之前，必须确保其安全性和可扩展性。这种思维的转变，使得初创公司可以系统地通过构建 20 个原型来探寻创新方向，即使很多概念验证（POC）最终不会进入生产阶段，其成本也已低到可以承受。
他回顾了 AI 编程助手的发展历程：三四年前是代码自动补全（如 GitHub Copilot），随后是 Cursor、Windsurf 等 AI 增强的 IDE，而从大约六七个月前开始，出现了新一代高度智能体的编码助手（如他自己大量使用的 o3、Claude Code）。工具迭代极快，跟上最新工具与落后半代之间效率差异巨大。
一个深刻的认知转变是：代码作为“宝贵产出物”的价值正在下降。因为软件工程的成本降低了，重写整个代码库、选择新的数据模式不再那么困难。Andrew Ng（吴恩达）借用 Jeff Bezos（杰夫·贝索斯）的术语解释说，选择技术栈架构过去是一个“单行道”决策，一旦确定就难以回头。而现在，它正变得更像一个“双向门”。他的团队有时会在一周后改变主意，扔掉代码库，在新的技术栈上从头开始重写。虽然仍有成本，但这种可能性已经打开。
更进一步，Andrew Ng（吴恩达）提出了一个颇具争议的观点：现在是让每个岗位的人都学习编程的时候了。在他的团队中，CFO、人才主管、招聘人员、前台都懂编程，并且这让他们在所有职能上都表现得更好。他认为，未来最重要的技能之一是“告诉计算机你到底想要什么，让它为你实现”。学习编程（即使不亲手写代码，而是引导 AI 编程）似乎是长期掌握这一技能的最佳途径。他以团队中一位懂艺术史的成员能精确控制 Midjourney 生成高质量背景图为例，说明了对工具的深入理解如何带来更好的产出。
新瓶颈与快速反馈策略
随着工程速度的飞速提升，产品管理工作——获取用户反馈、决定构建什么功能——日益成为新的瓶颈。Andrew Ng（吴恩达）观察到，过去硅 Valley 常见的产品经理与工程师比例（如 1:6 或 1:7）正在发生剧变。
他透露，就在2025 年 7 月，他的一支团队在规划项目人力时，首次提出了一个前所未有的比例：1 个产品经理对应 0.5 个工程师（即 PM 数量是工程师的两倍）。这个动态非常有趣，尽管他还不确定这是否是个好主意，但这无疑是世界发展趋势的一个标志。他观察到，既懂编程又有产品直觉的 PM，或者有产品直觉的工程师，往往表现更好。
为了应对这一瓶颈，Andrew Ng（吴恩达）分享了一套 获取快速产品反馈的策略组合，并按从快到慢、从低准确性到高准确性排列：
最快但依赖直觉：亲自体验产品，依靠直觉判断（如果你是领域专家，这通常效果出奇地好）。
稍慢一点：询问三个朋友或队友。
再慢一点：询问三到十个陌生人获取反馈。他特别强调了一项重要技能：学会在咖啡店、酒店大堂等高人流区域，非常礼貌地邀请陌生人试用产品并给予反馈。他坦言自己过去常这么做，现在因为被认出来而变得有些尴尬，但这对于创业者是非常宝贵的技能。
更慢：向 100 名测试者发送原型（如果你有用户群）。
最慢的策略之一：A/B 测试。尽管他做大量 A/B 测试，但它已成为其工具箱中最慢的战术之一，因为它需要时间和足够的用户量。
Andrew Ng（吴恩达）特别指出，当使用除第一种（直觉）之外的策略时，关键不仅在于根据数据做出决定。他的团队会坐下来仔细研究数据，目的是“磨砺直觉”——更新关于用户的心理模型，从而提高未来使用“直觉”快速做出高质量产品决策的能力。这一点至关重要。
理解 AI 技术，才能更快、更准
Andrew Ng（吴恩达）最后强调了 深入理解 AI 技术本身如何赋予初创公司速度优势。对于成熟技术（如移动应用）或成熟岗位（如销售、市场），相关知识已广泛传播，找到专家相对容易。但 AI 是新兴技术，关于如何做好 AI 的知识尚未普及。
因此，真正理解 AI 的团队相对于不理解的团队拥有优势。他举例说，诸如“客服聊天机器人能达到多高的准确率？”、“应该使用提示工程还是微调，抑或是某种工作流？”、“如何实现语音输出的低延迟？”等技术决策，如果选择正确，可能几天就解决问题；如果选择错误，则可能在死胡同里浪费三个月。理论上，一个二进制（对/错）的技术决策最多带来两倍的加速，但实践中，选错路径可能导致花费十倍的时间追逐错误方向。因此，拥有正确的技术判断力至关重要。
另一个原因是，过去两年涌现了大量优秀的生成式 AI 工具或构建模块：提示工程、工作流、评估指标、护栏、检索增强生成、语音交互、异步编程、ETL、嵌入、微调、图数据库、模型集成等等。了解这些构建模块，就像拥有更多颜色的乐高积木。每掌握一个新的构建模块，你能组合创造的事物数量就以组合式或指数级增长，从而创造出甚至一年前都没人能构建的软件，这为初创公司创造了大量新机会。
Andrew Ng（吴恩达）以 DeepLearning.AI 的课程为例，表示学习这些课程就是在获取新的“积木”，从而能以丰富得多的组合方式构建前所未有的应用。
问答环节精选：AGI、炒作、教育与责任
在随后的问答环节，Andrew Ng（吴恩达）进一步阐释了他的观点。
关于 AGI 与人类定位：他认为 AGI 被过度炒作，在很长一段时间内，仍有许多事情是人类能做而 AI 不能的。未来最强大的人是那些能让计算机精确执行其指令的人。掌握和使用 AI 工具的人将比不使用的人强大得多。
关于 AI 炒作与危险叙事：他直言过去两年有些公司为了 PR、融资等目的，炒作某些叙事且未被事实核查。例如，“AI 可能导致人类灭绝”、“AI 如此强大很快将无人有工作”、“训练新模型就能轻易消灭成千上万家初创公司”、“AI 耗电巨大只能用核能”等，在他看来都是夸大其词的危险叙事。他强调，AI 本身并非安全或不安全，安全取决于我们如何应用它。他更倾向于谈论“负责任的 AI”，而非笼统的“AI 安全”。他还批评了利用这些炒作 narrative 来攻击开源软件的行为，认为这抑制了创新。
关于创业护城河：当被问及在 AI 能快速复制产品的时代如何思考业务时，他强调创业初期最应关注的是“你是否在构建一款用户真正热爱的产品”。在解决这个问题之前，讨论护城河、渠道等为时过早。护城河往往是随着产品成功而逐步演化出来的。目前，世界上“可能构建但尚未构建”的机遇数量，似乎远超拥有构建技能的人数，尤其在应用层，存在大量空白领域。
关于智能体 token 成本：他建议开发者首先近似地不要担心 token 成本。只有少数足够幸运的初创公司，其产品使用量会大到让 token 成本成为问题。对于遇到这种情况的团队，通常有工程解决方案（如提示工程、微调、优化）来降低成本。他建议软件架构应便于在不同构建模块提供商之间切换，以保持灵活性。
关于教育科技的未来：他认为教育将走向高度个性化，但目前有大量实验在进行，最终形态尚未清晰。AI 在教育领域的应用映射到智能体工作流的过程仍在进行中，尚未成熟。
关于平衡发展与责任：他给出了简单而有力的建议：审视内心，如果你从根本上不认为你所构建的东西会让大众生活得更好，那就不要去做。AI Fund 曾基于伦理考量而非财务原因终止了多个项目。此外，他呼吁让更多人掌握 AI 技能，避免因技能差距加剧不平等。同时，他警惕某些监管提案（如加州曾提出的 SB-1047）可能被用来扼杀开源，造就少数“守门人”公司，从而阻碍创新和知识扩散。他认为保护开源、确保创新的自由，对于普及 AI 知识和技能至关重要。
加拿大创新部长 Evan Solomon（埃文·所罗门）：主权 AI 与加拿大数字未来撰文：Techub News 整理
导语
2025年9月24日，加拿大创新、科学和工业部长 Evan Solomon（埃文·所罗门）出席在蒙特利尔举行的第三届“ALL IN”人工智能峰会并发表主旨演讲。这场峰会由加拿大著名AI公司Scale AI主办，汇聚了全球AI领域的创始人、研究者、投资者和学生。在长达50多分钟的演讲及随后的专家讨论中，Solomon（所罗门）系统阐述了加拿大在AI革命关键节点上的国家战略——构建“数字主权”，并勾勒了政府在资本、算力、人才、法规等方面的具体行动计划。随后，他与NVIDIA企业生成式AI软件副总裁 Carrie Briskey、Cohere联合创始人兼CEO Aiden Gomez（艾登·戈麦斯）以及主持人 Amber Mac（安珀·麦克）进行了一场深度对话，进一步探讨了主权AI的实践路径、公众信任建立以及加拿大在全球AI竞争中的独特角色。此次发声被视为加拿大政府对AI国家战略的一次重要更新和动员。
摘要
加拿大将“数字主权”定义为核心国策，旨在建立自主的算力基础设施、数据治理规则和AI创新能力，确保关键数据受加拿大法律管辖。
政府计划在未来数月内，围绕信任与安全、资本/客户/算力、人才与前沿技术三大支柱，推出一系列具体措施，包括更新已有25年历史的隐私数据法、利用政府采购创造市场需求、启动重大量子倡议等。
主权不等于孤立，加拿大将继续深化与美国、欧盟、阿联酋等盟友及全球科技公司的合作，但强调必须“拥有这个关键时刻所需的工具和规则”。
面对公众对AI的焦虑，政府认为建立信任的关键在于将AI定位为“服务工具”，通过立法保障、实际用例展示和透明沟通，让技术服务于提升民生与经济。
加拿大AI业界领袖呼吁国内企业提升雄心与风险承受能力，制定超越简单工具应用的实质性AI战略，并积极采用本土AI解决方案。
构建数字主权：加拿大 AI 的国家使命
Evan Solomon（埃文·所罗门）在演讲开篇即点明，当前我们正处在“技术革命与政治格局重塑相互碰撞的关键时刻”。他认为，AI不仅是新技术，更标志着“创业者时代的诞生”，个人拥有了史上最强大的工具将创意转化为企业与就业。但他强调，加拿大的核心任务是构建“数字主权”——这被他称为“当今时代最紧迫的政策与民主议题”。
所谓“数字主权”，Solomon（所罗门）从几个层面进行了阐释：首先，加拿大需要一个有意义的、自主的主权数字骨干网络，包括人才、能源和算力，以构建未来经济。这个数字经济的核心是“免受胁迫”，即不被他人随意关闭。拥有自己的数字资产，加拿大才能以平等的姿态与全球伙伴合作、贸易，并在合作中保持主权。其次，数据是核心。谁控制、使用和管理数据，谁就决定了集体的繁荣、安全乃至价值观。因此，加拿大必须建立一个能反映、保护并投射其核心价值观的数字骨干，确保关键和敏感数据处于加拿大法律管辖之下。最后，数字主权意味着支持加拿大的建设者、创新者和企业家，让他们的创意成长为繁荣的加拿大公司，将总部、工作岗位和知识产权留在国内，使加拿大成为“AI总部”，而非“分支机构”。
他特别指出，主权并不意味着孤立（“Sovereignty does not mean solitude”）。加拿大将继续与国际朋友和盟友，尤其是美国、阿联酋、欧盟等，以及全球大型科技公司（超大规模云提供商）合作，他们同样是生态系统中至关重要的一部分。但关键在于，加拿大必须“拥有这个关键时刻所需的工具和规则”，建立自己的“数字保险单”。
Solomon（所罗门）回顾了加拿大在AI领域的传统优势：现代AI在此成形，拥有 Geoffrey Hinton（杰弗里·辛顿）、Rich Sutton（里奇·萨顿）、Yoshua Bengio（约书亚·本吉奥）等奠基人；2017年推出了全球首个国家AI战略；建立了Mila、Vector、Amii等世界领先的研究所。但他警告，领导地位不是与生俱来的，必须不断争取，而当前竞争异常激烈。
信任、资本、算力与人才：四大行动支柱
基于数字主权的目标，Solomon（所罗门）概述了政府即将展开的几大关键行动领域。
第一，信任与安全。 Solomon（所罗门）直言，技术以创新速度前进，但采用速度取决于信任。为了建立信任，政府将着手更新已有25年以上历史的加拿大隐私和数据法律。新法律将包含针对消费者担忧（如深度伪造）的保护措施，特别是加强对儿童的保护，并为数据使用设定清晰标准，以便创新者能够明确规则，从而释放投资。此外，政府还将通过刑事法典等其他法律工具应对新型威胁。他强调，立法的目标是让加拿大人感到安全，从而将AI视为改善服务的机会而非威胁。当人们信任AI时，才会在农业、医疗、教育、政府服务等各个领域广泛使用它。
第二，资本、客户与算力。 通过过去四个月与全国创始人和企业家的交流，Solomon（所罗门）总结出三大普遍需求。首先是资本。政府将推出新工具，帮助加拿大创新者在国内扩大规模，在种子轮和早期阶段获得更多资金，吸引耐心资本，并将总部留在国内。其次是客户。政府将发挥表率作用，通过政府采购成为AI解决方案的强大验证者和客户，为加拿大制造的AI产品创造市场。他举例已与Cohere签署谅解备忘录，采购其具有战略意义的大语言模型，并提到国防工业战略也将为AI技术解锁双重用途机会。第三是算力。主权算力/主权云是核心任务，意味着关键敏感数据将保留在加拿大法律下，并存储在加拿大控制的数据中心内。
第三，人才与下一代。 Solomon（所罗门）认为，加拿大的竞争优势在于“人”。因此，国家需要持续吸引全球顶尖人才，并留住本国最优秀的人才。他预告，今年10月，加拿大将启动一项重大的量子技术倡议，以确保量子领域的人才、智慧与知识产权留在国内。他明确表示，目标不是成为“他人经济体的农场队”，即培育公司只为被收购和迁走。
第四，战略更新与加速执行。 Solomon（所罗门）宣布，2025 年 9 月晚些时候将启动加拿大AI战略工作组，汇集全国各地的创新思想家，用30天时间围绕研究、应用、商业化、安全、教育、基础设施等八大优先级进行“冲刺”，提出大胆实用的想法。工作组将于11月提交报告。今年晚些时候，加拿大将提前近两年提交更新后的国家AI战略，实现“从原则到项目、从想法到影响”的转变。他强调“等不起”，加拿大必须保持竞争力、可信度和创新性。
专家对话：主权AI的实践、信任与机遇
在随后的专家讨论环节，NVIDIA的 Carrie Briskey、Cohere的 Aiden Gomez（艾登·戈麦斯）与 Solomon（所罗门）部长就主权AI的具体实践和挑战进行了深入探讨。
主权AI的必要性与模型：Carrie Briskey 从技术合作角度阐述了主权AI的价值。她指出，所有国家都应发展自己的AI，而不仅仅是外包给外部供应商，因为AI需要与本地价值观、文化背景、政策规范以及细微的自然语言模式对齐。她列举了瑞典、印度、日本、波兰、意大利、法国等国建设本土大模型的案例，并强调本地模型会吸引开发者，进而需要本地基础设施来构建应用，形成数据反馈和模型优化的正向循环，从而逐步建立信任。
Aiden Gomez（艾登·戈麦斯）则从公司和政府合作层面分享了Cohere的实践。他强调与加拿大政府合作的目标是提升公共服务质量与效率，同时确保数据主权和安全。Cohere提供的完全私有化部署方案，甚至可以做到物理隔离（“空气间隙”），为数据和IP提供了最高级别的保护，避免了数据外泄到外部公司的风险。
建立公众信任的路径：针对主持人 Amber Mac（安珀·麦克）提出的“超过半数加拿大人对AI感到担忧”的问题，Solomon（所罗门）重申了立法更新是关键的第一步，能向民众和企业发出明确的信号。他借用威尼斯Aldine印刷厂“欲速则达”（Festina Lente）的格言，指出必须“快速行动以跟上，但要稳中求进”。他认为，应当将AI首先作为一种“服务”来谈论——如何改善医疗、农业等民众切身相关的领域，并颂扬那些创造前所未有新岗位的企业家。技术变革总伴随焦虑，而信任感将随着使用案例的增多和安全感的确立而建立。
监管的平衡艺术：关于AI监管这一全球性难题，Solomon（所罗门）分析了三种不同模式：美中倾向于认为任何监管都会限制安全与创新；欧盟率先尝试全面监管，但坦承对创新造成了一些限制。加拿大的路径将是聚焦关键领域：保护加拿大敏感数据安全（通过主权基础设施）、更新隐私和数据法、关注儿童和消费者保护（如深度伪造）。他承认不存在“完美监管”，立法需要与技术一样迭代发展，避免“让完美成为优秀的敌人”。核心是保持加拿大作为一个法治国家、教育发达、人才辈出、值得信赖的贸易伙伴的竞争优势，不能让监管扼杀这些优势。
对加拿大企业领导者的建议：在讨论的最后，各位嘉宾对加拿大企业如何拥抱AI给出了建议。Solomon（所罗门）提出三点：购买加拿大（解决方案）；与国际伙伴（如NVIDIA）在其安全框架内合作；制定清晰的、以服务交付和客户转变为导向的AI采用计划，而不仅是为了技术而技术。他引用NVIDIA CEO Jensen Huang（黄仁勋）的话鼓励企业不要追求完美主义，而要敢于“发布、观察、测试、然后成长”。
Aiden Gomez（艾登·戈麦斯）呼应了 Solomon（所罗门）关于“雄心与风险承受力”的观点，并尖锐指出，如果企业的AI战略仅仅是“购买了Microsoft Copilot或让员工用ChatGPT”，那等于没有战略，这只是价值创造中最底层的一环。企业需要制定有具体目标和真实投资回报率路径的战略。
Carrie Briskey 则以个人经历为例，鼓励大家立即行动。她谈到AI正在缩小技术鸿沟，她12岁的女儿已经能通过自然语言交互创建应用。她建议，无论是个人、家庭还是企业，都可以从今天开始尝试使用各种AI应用，通过透明性和实际使用来建立信任。
在闭幕词中，Aiden Gomez（艾登·戈麦斯）强调“这是加拿大的时刻”，需要将投入研究的AI技术真正投入生产，这要求雄心、风险承担和领导力。Evan Solomon（埃文·所罗门）则最终回归其核心信息：不要将技术与人对立，AI是企业家工具和改善服务的工具，当人们看到这一点，更多的人将涌入这个领域，共同推动国家经济增长，让所有人受益。
活动回顾丨Bitcoin Asia 上的 Agent Economy智能流和资金流，过去是两条平行的轨道。
一条跑在应用层，提问、响应、任务完成；一条跑在支付层，授权、清算、对账。两条轨道从不直接相连，中间靠一个动作缝合——人点一下按钮。
人是唯一的接口。
8 月 27 日晚，DogPay 在香港办了一场名为「The Payment Layer for the Agent Economy」的活动，作为 Bitcoin Asia 期间的 Side Event，Money in Motion 联合主办。
讨论的其实是同一件事的不同侧面：当那个按钮不再由人来点，这两条轨道会发生什么。
一、付款方第一次不是人
我在分享里提的判断是：Agentic Payment 真正的变化不在通道，在付款方。
过去二十年，支付行业优化的一切——费率、成功率、结算速度、拒付率——都建立在同一个动作上：人点击，点击构成授权，授权发生在某个确定的时刻。这一刻之前和之后是两个世界，整套风控、清算和争议解决机制都是照着这个结构建的。
Agent 把这个前提拆了。支付变成任务执行过程中的一个字段：预算在哪里设、权限由谁授、什么条件下触发、按结果还是按用量计费、价格是否随负载浮动。系统要回答的不再只是「谁向谁付款」，还有「为什么付、谁批准的、怎么追溯」。
大屿讲 Agent Trading 时，把同一个问题带到了交易场景。他给出两条演进路径：一条是 Agent 成为独立自主的交易主体，自己发现机会、生成交易逻辑；另一条是成为交易者的数字分身，复刻人的交易体系、风险偏好和执行纪律。前者想象空间更大，后者更接近当下能落地的路径。
两条路径听上去差得很远，卡住它们的东西却完全一样：钱包安全、权限管理、审计追踪。
这不是巧合。代理消费和代理交易，分野的标准是同一个——Agent 是在执行人的意图，还是在生成自己的意图。而无论落在哪一边，人都从那个接口的位置上退了出来。
接口消失之后，两条流只能合并到同一条轨道上跑。
二、支付的逻辑，正在往 token 上搬
这件事最激进的实践者不在加密行业，在 Stripe。
我们此前拆过它那笔七十多亿美元的收购——史上最大一笔，买的是 AI 模型网关 OpenRouter，一家不做支付的公司。同期的股东信里，Stripe 十五年来第一次改写了自己的起源故事：资本与智能，正在成为托底每一门生意的两股数字流。
为什么一家支付公司要去管企业怎么花 token？
因为 token 的消费已经变成了流。AMP PBC 分析流经 OpenRouter 的一百万亿个 token 后发现，中位请求并不是一个人在提问，而是一台机器在循环中间。一个 agent 跑一晚上，同类调用重复几千次，无人值守、持续发生。
而 Stripe 这家公司向来只做一件事：在流上收费。
于是围着美元长了二十年的那一整套东西，开始一层层往 token 上搬——计量、路由、定价、风控、对账，一样都不少，只是标的从美元换成了 token。而这套体系里的三个角色也各就各位：AI token 制造账单，卡组织完成刷卡，稳定币负责结算。
模型是商品，计量层是收银台。
这句话底下是一个更冷的结构。稳定币解决的是转移，但它从没解决转移标的的估值。一笔链上付款可以在一秒内完成，可「这次模型调用该付多少」，链和币都回答不了。搬运的成本被压到接近零之后，所有的价值都挤到了定价这一侧。
谁掌握计量，谁就掌握定价。
三、同一个形状，两个方向长出来
回到香港这场活动。
DogPay 讲的三层——DogID 做身份，DogRouter 做用量，DogPay 做支付——放进上面那个坐标里看，几乎是同一个答案。Agent 需要先被识别，才谈得上被授权；被授权之后才能被计量；任务完成之后，付款、分账和对账才有触发的依据。身份、用量、支付，正好是这条链上的三个卡口。
而这个形状不是抄来的，是被约束逼出来的。当消费从离散事件变成连续的流，当付款方从人换成机器，任何人做这件事都会撞上同样三个问题：认得出是谁，算得清用了多少，结得了账。少一层都不成立。
所以香港一场 Side Event 上讨论的三层，和 Stripe 花七十多亿买回来的那个位置，指向的是同一件事。区别只在方向：一个从美元那一侧往上搬，把成熟的支付逻辑套到新商品上；一个从 Agent 原生那一侧往下长，先有机器的用量和身份，再回头解决钱。
出发点相反，形状一样。
这也解释了 DogPay 为什么把自己定位成价值流转网络，而不是一个收款按钮。收款工具处理的是一次性事件；它要处理的是一条一直在跑的流——当人和 Agent 混在同一个协作网络里，价值如何被记录、分配和结算。
形状想清楚了，不等于位置就定了。
从美元往上搬的那一侧，握着二十年的对抗性交易数据和最完整的商户网络；从 Agent 原生往下长的这一侧，握着更早的用量入口和更灵活的合规姿态。谁先站住，现在没有答案。这是一场还没跑的比赛，押哪边都是下注。
四、生而全球的东西，不需要落地
亚洲这一侧的问题，从来不是有没有需求。
这场活动能在 Bitcoin Asia 期间爆满，本身就是信号。从 API 调用到跨境收款再到智能交易，Agent Economy 在亚洲已经是在跑的生意，现场的人不是来听趋势的，是带着各自具体的问题来的。
生机勃勃的另一面，是一个还没被认真回答的问题。
agent 和 stablecoin 都是生而全球的。它们不在任何一个司法辖区出生，不依赖任何一个城市的清算系统，也不需要落地在任何一个地方。传统金融中心的逻辑恰恰相反——资金必须经过某个物理和法律的节点，城市的价值来自它是那个必经之地。
当这个节点开始收缩，香港要想清楚的是：在一个不需要地理的价值网络里，一个城市凭什么被需要。
我倾向于认为答案不在牌照本身。牌照能界定边界，界定不出吸引力；何况一个生而全球的东西，会去找摩擦最小的那条路径，而不是规矩最全的那一条。真正把城市留在网络里的，可能是机构——像 DogPay 这样足够灵活、能同时站在合规和链上两边、又愿意在标准还没成形的时候先做出来的机构。
城市的位置，要靠生态挣回来。
这是判断，不是结论。它成立的前提是接下来两三年里，Agent 支付的规则由做事的人写，而不是等规则写好了再做事。
十月六日，Money in Motion 和 LongTree Labs 会在新加坡办第一届 AGENTIC MONEY，把这些问题继续往下推。
按钮消失之后，两条流会自己找到一条轨道。真正的问题是，它经不经过这里。撰文：Techub News 整理 导语 2025 年 9 月，AI 搜索引擎独角兽 Perplexity AI 的创始人兼 CEO Aravind Srinivas（阿拉文德·斯里尼瓦桑）再次做客知名播客「Silicon Valley Girl」，进行了长达 41 分钟的深度对话。此次对话背景尤为特殊：距离他上次接受采访仅过去约九个月，但 Perplexity AI 的估值已从彼时的约 1.5-5 亿美元，飙升至惊人的约 200 亿美元，实现了真正的指数级增长。本次访谈的核心，不仅在于复盘公司的爆发式发展，更在于探讨其2025 年 9 月发布的革命性产品——Comet，这款被定位为「首款能思考并为你行动的 AI 浏览器」，以及它背后所预示的、一个由 AI 代理主导的未来生活与工作图景。 摘要 Perplexity AI 的增长秘诀在于「每日 1% 改进」的复利思维，以及对产品品质和用户反馈的极度专注。 新推出的 Comet 浏览器是「AI 首次掌握在用户手中」，它能进行多步推理、跨应用操作（如研究、购物、安排会议），并基于用户记忆与偏好行动，保护用户免受传统广告排名算法的影响。 AI 代理（如 Comet）将颠覆金融顾问、房地产中介等依赖信息差的职业，迫使这些行业提供更深层的价值。 在 AI 时代，个人成功的关键在于「深入学习某一领域并建立自信」，而非盲目追求学历；博士学位（PhD）的核心价值在于「学会学习」。 当前的 AI 创业环境已非常艰难，成功的关键是「为自己而构建」，投身于自己真正痴迷的领域，并做好与巨头竞争到底的准备。 指数级增长：从 1.5 亿到 200 亿美元的「复利」秘诀 当被问及如何用一个词形容 Perplexity AI 过去几个月的经历时，Aravind Srinivas（阿拉文德·斯里尼瓦桑）毫不犹豫地选择了「Exponential」（指数级）。他揭示了公司背后的核心运营哲学：每日 1% 的复利式改进。他用一个数学公式阐释了这一理念：1.01 的 365 次方约等于 37.78。这意味着，如果团队每天能让产品进步 1%，一年累积下来的提升将是惊人的 3700%。 这种改进并非空洞的口号，而是落实到创始人日常的极致专注中。Srinivas 分享道，他每天醒来第一件事就是阅读用户在各大社交平台上的反馈，并确保大多数问题能立即得到处理。这种对用户声音的快速响应和持续优化，虽然看似是琐碎的「bug 修复」和需求筛选，但日积月累，形成了强大的产品迭代飞轮。用户能切身感受到产品「每周都在变好」——更快、更简洁、更准确，从而建立起深厚的信任，并通过口碑带来更多新用户。 除了产品本身，Perplexity AI 在品牌建设上也独具匠心。Srinivas 提到与 F1 冠军车手 Lewis Hamilton（刘易斯·汉密尔顿）的合作，其灵感来源于 Steve Jobs（史蒂夫·乔布斯）著名的「Think Different」广告战役和 Nike 对伟大运动员的致敬。他们刻意将品牌与各领域「最伟大的人」关联，以塑造高端、智慧的形象。Srinivas 认为，F1 是一项高度工程化的「脑力运动」，其观众群体与 Perplexity AI 追求知识、注重效能的用户画像有很高的重合度。这种品牌合作虽然难以直接追踪安装量转化，但对提升品牌认知度和美誉度至关重要。 Comet：掌握在用户手中的「反巨头」AI 代理 推动 Perplexity AI 近期增长的一个关键事件，是其在 7 月发布了名为 Comet 的 AI 浏览器。Srinivas 强调，这是第一次，AI 的力量真正掌握在用户手中，而非科技巨头手中。 他现场演示了 Comet 的「杀手级」功能：多步骤推理与无缝执行。例如，用户只需用自然语言提出「找到黄仁勋（Jensen Huang）说‘我宁愿折磨员工追求卓越也不愿解雇他们’的那个视频，并从那个时间点开始播放」，Comet 便能理解指令，执行搜索、定位视频、拉取文字稿、打开标签页并开始播放等一系列操作。更进一步，用户还可以就视频内容与 Comet 对话，例如询问「黄仁勋在这次访谈中说了哪些非老生常谈的新观点？」，Comet 会快速分析长达一小时的文字稿，提炼出关键信息。 Comet 的能力远不止于此。它可以： 自动化信息处理：读取大量评论、观看视频，为用户综合购买建议。 直接执行任务：根据指令发送邮件、安排会议，甚至研究并购买商品（例如「从亚马逊上订购黄仁勋穿的那件皮夹克」）。 个性化写作辅助：Srinivas 曾让 Comet 分析 Steve Jobs（史蒂夫·乔布斯）和黄仁勋的演讲风格，并结合他自己的讲话习惯，润色一份演讲稿，使其更具感染力而不失真实，其效果「值得支付 1000 美元」。 Srinivas 指出，Comet 与 Google、Amazon 等平台的根本区别在于利益对齐。传统平台使用 AI 进行搜索排名和商品推荐，本质是为广告商优化，影响甚至操纵用户以促成购买。而 Comet 这类用户手中的 AI 代理，其首要任务是保护用户利益，为用户服务。用户可以指令 Comet 跳过所有广告，仅基于产品真实口碑和用户个人偏好（预算、需求、历史记忆）做出决策。 展望未来，Srinivas 描绘了 AI 代理主导的商业模式变革。他提出一种新颖的「三方共赢」广告设想：广告商可以向用户的 AI 代理推送信息（例如，一个新款麦克风厂商联系播客团队的 AI 助理），但代理会根据与用户的「握手协议」决定是否采纳。更重要的是，广告收入的一部分可以返还给用户，以此建立更高的信任和用户终身价值。他认为，所有道路都将指向广告利润率的下降，因为用户第一次拥有了可以为自己利益服务的智能工具。 AI 时代的职业冲击：从金融顾问到房地产中介 Srinivas 毫不讳言 AI 对许多职业，尤其是入门级和中介型岗位的冲击。他以自身使用 Perplexity 分析投资组合为例，AI 能够快速阅读所有分析师报告和新闻，给出重新平衡组合的具体策略，甚至模拟「如果是沃伦·巴菲特（Warren Buffett）持有你的组合会怎么做」。这使得那些仅提供标准化投资建议的金融顾问价值骤减。 「人们需要提供更深层次的价值，」Srinivas 说。金融顾问如果仅管理公开市场股票组合，其作用将被 AI 超越。但如果他们能提供独特的渠道价值，如接触私募股权、对冲基金或初创企业投资机会，则仍有存在空间。同样，房地产中介若仅能提供已在 Redfin 或 Zillow 上公开的房源信息，其价值也将被能够自动监控房源、提交申请并安排看房的 AI 代理取代。他们的出路在于处理「场外交易」等非公开信息。 这一逻辑适用于所有行业：AI 赋予了用户前所未有的信息和执行能力，中介必须提供超越信息搬运的增值服务，否则将被淘汰。Srinivas 建议从业者思考：「你拥有这个新工具（指AI），应该去要求那些收取你费用的人为你做更多的工作。」 给年轻人的建议：在 AI 时代，如何投资自己？ 面对「如果今天你18岁在美国重新开始，还会选择读本科和博士吗？」这个问题，Srinivas 的回答既现实又深刻。 他首先坦承，自己当年攻读博士（PhD）的一部分原因是这是通往美国的免费途径（博士项目提供资助，而硕士需要自费）。但他认为，博士学位的核心价值在于「学会学习」——掌握深入研究一个新领域、收集信息、咨询专家（现在可能被 AI 工具部分替代）并做出决策的能力。这种能力使人变得「grounded」（脚踏实地），并养成寻求真理、不断追问的苏格拉底式学习习惯。 然而，对于纯粹以职业发展为目标的人来说，他并不认为博士学位是 AI 时代贡献或创业的必要条件。他给年轻人的核心建议是：选择一件事，深入投入一两年，做到顶尖水平。这可以是编程、数学、AI 或开发应用程序。关键在于通过做成一件难事，建立起「无论做什么都能做好」的内在自信。 「你需要至少有一次这样的经历，才能对人生中下一个艰难任务押注自己，」Srinivas 说。这种自信，也是他面对 Google、OpenAI 等资金雄厚、收入庞大的「巨兽」级竞争对手时，依然坚信 Perplexity 能杀出血路的底气来源。他形容这场竞争如同「鱿鱼游戏」，幸存者寥寥，而坚持到底需要巨大的信念。 AI 创业的残酷现实与唯一出路 对于当前有志于 AI 领域的创业者，Srinivas 描绘了一幅相当严峻的图景。他认为，现在从头训练自己的大模型「几乎不可能」，因为这不仅仅是训练一个模型，而是需要持续迭代、降低成本、提升能力的全套实验室、算力集群和人才体系，本质上是在打造另一个 OpenAI 或 Anthropic。 即使退一步，基于现有大模型（如 GPT）开发应用产品（所谓的「wrapper」），竞争也异常激烈。因为不仅其他初创公司在做，大模型实验室本身（如 OpenAI）、科技巨头（如 Google）以及像 Perplexity 这样的成长型公司，最终都会向任何可行的垂直领域扩张。「没有人会说‘Perplexity 只做研究，那我去做电商吧’——不，所有人都在构建横向产品。」 那么，机会何在？Srinivas 的答案回归到最根本的创业哲学：「为你自己而构建」。创业者应该投身于自己真正痴迷、愿意不计一切代价去解决的问题。这不是对市场或竞争格局的赌博，而是对自我的赌博。只有当创始人比世界上任何人都更在乎某个问题，并深潜其中时，才有可能在巨头环伺的环境中开辟出一条生路。「对于我来说，我最爱学习，而 Perplexity 是最好的学习工具之一——它最初就是为我们自己设计的。」 最后，当被问及自己日常使用的 AI 应用时，Srinivas 的回答颇具深意：除了因工作需要测试 ChatGPT、Claude、Gemini 等所有主流模型外，他个人的首选是 Perplexity 和 Google（用于一些非常特定的传统搜索技巧），以及 Midjourney（用于图像生成）。但他随即补充道，Comet 的目标正是成为一个「超级应用」或「万物应用」，用户未来无需单独打开这些应用，只需向 Comet 发出指令，它就能调用所需的一切功能完成任务。这或许才是 Perplexity AI 挑战科技巨头的终极愿景。