Loading...
Loading...
OpenAI 前沿研究负责人 Mark Chen（马克·陈）：多模态与推理是通往 AGI 的关键撰文：Techub News 整理
导语
在2025 年 3 月举办的 The AI Conference™ 上，OpenAI 前沿研究（Frontiers Research）负责人 Mark Chen（马克·陈）与 AI 基础设施公司 Anyscale 的联合创始人 Robert Nishihara 进行了一场深度对话。Mark Chen 领导的团队旨在探索通往通用人工智能（AGI）道路上缺失的关键范式，其工作聚焦于多模态与推理两大方向。作为 DALL-E、GPT-4 多模态能力等知名项目背后的核心研究者之一，Mark Chen 的见解对于理解 AI 的现状与未来至关重要。此次对话不仅回顾了 AI 研究范式的十年变迁，更揭示了当前最前沿的技术挑战与机遇。
摘要
AI 研究范式已发生根本转变：从依赖标注数据的监督学习，转向以海量无标注数据和无监督学习为核心的“规模化”范式。
通往 AGI 的两大核心挑战是多模态理解与生成以及深度推理能力的构建。
工程与科研的紧密结合成为现代 AI 发展的新常态，规模化（Scaling）本身既是目标也是驱动创新的引擎。
未来的 AI 应用将更加“身临其境”，多模态交互将催生更强大的 AI 代理和机器人技术，但实现这一切需要解决鲁棒性等根本问题。
从监督学习到规模化范式：AI 研究的十年之变
Mark Chen（马克·陈）与 Robert Nishihara 的对话始于对过去十年 AI 领域最大突破的回顾。两人一致认为，最根本的转变在于研究范式的迁移。
Mark Chen（马克·陈）指出，十年前经典的机器学习课程通常将机器学习分为监督学习、无监督学习和强化学习三大类。当时，学术界对监督学习已有成熟方案（如决策树、支持向量机），但对无监督学习则知之甚少，仅停留在 K-Means 聚类等基础方法。如今，这一局面已被彻底颠覆。“我们现在确实知道如何进行无监督学习了，” Mark Chen（马克·陈）总结道。
这一转变的标志性起点是 GPT-1、GPT-2 时代。研究者们意识到，数据是取得突破的关键要素。AI 研究不再局限于在固定的学术数据集（如 ImageNet）上优化模型架构，而是转向了“收集尽可能多的数据”并从中寻找“Alpha”的路径。数据集本身成为了核心变量，而模型架构和优化算法则相对稳定。这催生了以规模化为核心的“经验缩放定律”（Empirical Scaling Laws）：投入更多计算资源、更多数据、训练更大模型，就能获得更好的性能。
Robert Nishihara 从基础设施的角度印证了这一趋势。Anyscale 的客户们正遵循这一“公式”，将扩大数据规模作为首要目标。然而，将数据规模提升一个数量级，往往会压垮现有的系统，这背后需要巨大的工程努力来支撑。Mark Chen（马克·陈）强调，工程能力在2025 年 3 月的研究中变得前所未有的重要。相信缩放定律，就意味着必须构建出能够支撑缩放的工程栈。
这种工程与科研的深度融合，构成了现代 AI 研究的典型图景。Mark Chen（马克·陈）形容，每将模型规模扩大一个数量级，都会遇到新的研究瓶颈或工程瓶颈，需要在多个前沿同时取得突破。这既是挑战，也是这个领域令人兴奋之处。
多模态：AGI 的感官拼图与系统工程挑战
作为 OpenAI 多模态研究的负责人，Mark Chen（马克·陈）将多模态视为通往 AGI 的核心路径之一。过去五到十年，生成式图像、视频模型取得了巨大成功，但多模态领域仍存在大量开放性问题。
目前存在两种主要的研究思路：一是将多模态问题“塞进”已经非常成熟的语言模型（Transformer）架构中；二是探索以扩散模型（Diffusion Model）等多模态原生框架为主，尝试将语言能力整合进来。Mark Chen（马克·陈）认为这两种思路之间的“思想桥梁”非常有趣，也是他们工作的重点。
当被问及主要关注哪些模态时，Mark Chen（马克·陈）列举了文本、图像、视频和音频这四大“最核心”的模态，同时也提及了 3D 模型、甚至“动作”作为潜在模态的可能性。他特别指出，不同模态对系统设计的要求差异巨大。例如，音频交互（如高级语音模式）要求实时、低延迟的响应；而图像生成则更看重最终输出质量，用户愿意为此等待。因此，尽管底层结构可以共享，但为不同模态设计不同的技术栈仍然是有益的。
Robert Nishihara 从系统负载的角度补充了多模态带来的挑战。与文本数据相比，图像、视频的数据量呈指数级增长。这意味着未来的 AI 应用将同时是计算密集型（GPU 负载高）和数据密集型的。现有的高性能计算（HPC）系统擅长处理计算密集型任务，而大数据处理系统（如 Spark）则擅长处理海量 CPU 任务。多模态 AI 将催生一个需要同时高效处理这两类任务的新系统范式，这将对现有的技术栈构成巨大挑战。
此外，Mark Chen（马克·陈）指出，获取高质量的配对跨模态数据（如图文对）是一大难点。这推动了利用 AI 本身进行数据准备和增强的趋势，例如 DALL-E 3 在合成数据方面的探索。Robert Nishihara 也观察到，客户正越来越多地使用 AI 来筛选、标注、增强训练数据，因为相对于花费数百万美元进行模型训练，在数据质量上进行投资往往能获得更高的回报。
从“系统一”到“系统二”：构建深度推理的鲁棒 AI
Mark Chen（马克·陈）负责的另一大方向是推理（Reasoning）。他用心理学中的“系统一”和“系统二”来比喻当前 AI 的局限与未来目标。
目前的语言模型（如 ChatGPT）更像是“系统一”思考者：快速、直观、基于模式匹配给出响应。无论问题难易，模型的初始响应时间几乎相同。这与人类思考方式不同——面对复杂问题，人类需要时间进行深度处理（“系统二”思考）。Mark Chen（马克·陈）认为，当前大语言模型在逻辑谜题或复杂任务上犯错，部分原因正是受限于这种“系统一”的即时响应模式。如果要求人类在 100 毫秒内回答一个难题，他也只能给出脑海中最先浮现的答案，这同样不够稳健。
因此，构建具备“系统二”特性的深度推理能力，是提升 AI 鲁棒性的核心挑战。这不仅仅是解决数学问题，而是适用于任何需要高可靠性和复杂思考的场景，例如理解对话意图、规划复杂任务等。Mark Chen（马克·陈）提到，数学和计算机科学问题是方便的评测基准，但更广泛的“推理”评测标准目前仍然缺失，预计未来会出现更多相关的评估方式。
Robert Nishihara 从应用部署的复杂性角度呼应了这一观点。当前许多 AI 应用只是通过 API 端点调用单一模型。但对于预订民宿、解决复杂数学问题等任务，可能需要动态组合 50 到 100 次模型调用，并与其它应用逻辑交织。这种复杂的推理链消耗大量计算资源。Mark Chen（马克·陈）展望，深度推理的终极目标是让模型自身足够智能，能够在遇到障碍时自主“思考”出解决方案，而无需依赖外部搭建大量脚手架式的复杂流程。
关于如何实现推理能力，Mark Chen（马克·陈）表示 OpenAI 探索了多种路径，包括在预训练中内置、以及通过外部机制增强等，目前仍是一个开放的研究空间。
未来展望：身临其境的 AI 与高风险的智能代理
展望未来，两位专家分享了他们最兴奋的方向。
Robert Nishihara 预测，越来越多的数据处理将 AI 化。企业收集海量数据是为了获取洞察和决策，未来这些洞察将更多地由 AI 阅读、推理数据得出，而不仅仅是运行 SQL 查询或简单分析。这将催生全新的、以 AI 和 GPU 为核心的数据处理工作负载。
Mark Chen（马克·陈）则对多模态带来的“身临其境”体验感到兴奋。像 OpenAI 的“高级语音模式”这样的技术，让 AI 能够实时接收和处理多种感官输入（听、说），并生成丰富的感官内容。他认为，这不仅是交互方式的革新，更是机器人技术发展的基石。随着感知模块的快速进步，多模态 AI 正在为机器人构建强大的“后台大脑”，使其能够更好地理解和与物理世界互动。
当被问及实现全能人形机器人的瓶颈时，Mark Chen（马克·陈）表示，在基础层面已有许多可用的技术模块，但最终实现仍需跨领域突破。
对话最后聚焦于 AI 代理（AI Agents）。Mark Chen（马克·陈）将其定义为能够接收任务并自主执行的 AI。与当前“一问一答”的聊天机器人不同，代理的行动具有真实世界的后果（如发送邮件、执行操作），因此对鲁棒性和可靠性的要求极高。他认为，深度推理能力正是实现强大、可靠 AI 代理的关键缺失组件。只有解决了鲁棒性问题，AI 代理的愿景才能真正走进现实。
Scale AI 创始人 Alexandr Wang（亚历山大王）：美国必须赢得对华 AI 战争，数据优势是关键撰文：Techub News 整理
导语
2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。
摘要
AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。
中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。
美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。
测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。
能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。
从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路
Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。”
这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。”
他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。
Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。
转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。
为何押注国防 AI：理性、使命与战略清醒
在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。
Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。
“从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。
如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。
此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。”
中美 AI 竞赛：数据、能源与系统性挑战
Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。
2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。
因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。
另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。
关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。
构建可信的 AI 未来：测试、安全与全球领导力
要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。
他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。
今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。
“美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。
给美国政府的行动建议：从基础设施到雄心壮志
基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。
首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。
其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。
最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。
在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。
Scale AI 创始人 Alexandr Wang（王）：AI 数据帝国背后的隐秘真相撰文：Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。
随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。
天才的野心：从冰箱实验到 AI 数据帝国
Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。
他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起：数据标注，AI 的“弹药”
在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。
他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现：数字血汗工厂与内部裂痕
随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。
然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。
Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向：从自动驾驶到国防合同
解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。
与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。
面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾：商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？
如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。
Scale AI 创始人 Alexandr Wang（王亚历克斯）：AI 是未来经济的命脉，但人类必须保持主权撰文：Techub News 整理
导语
2025 年 6 月，Scale AI 创始人兼 CEO Alexandr Wang（王亚历克斯）做客知名播客《Shawn Ryan Show》，进行了一场长达 204 分钟的深度对话。作为 AI 数据基础设施领域的领军人物，以及硅谷最年轻的亿万富翁之一，王亚历克斯的观点深刻影响着业界对 AI 发展路径和安全性的思考。本次访谈中，他不仅探讨了脑机接口（如 Neuralink）的未来图景与潜在风险，更从国家战略层面剖析了中美在 AI、芯片和数据领域的激烈竞争，并强调了在 AI 能力飞速提升的背景下，维护“人类主权”的极端重要性。
摘要
脑机接口是通向“超级人类”认知能力的桥梁，但也是前所未有的攻击载体，可能被用于操纵感知、情绪甚至记忆。
数据是 AI 时代的“新石油”，而计算能力（芯片和数据中心）是决定 AI 实力的关键瓶颈，直接关系到未来军事和经济优势。
中美 AI 竞赛是一场关乎未来全球主导权的“战争”，美国必须在算法、数据和算力上全面领先，以形成有效威慑。
AI 能力的“递归式自我改进”可能导致领先者与追赶者之间的差距急剧扩大，形成赢家通吃的局面。
必须构建以“人类监督”为核心的 AI 系统，确保人类对关键决策保持最终控制权，这是防止灾难性后果的根本。
脑机接口：超级能力的诱惑与终极风险
访谈从对 Neuralink 等脑机接口技术的讨论开始。Alexandr Wang（王亚历克斯）对此持务实而前瞻的态度。他认为，随着 AI 能力以指数级速度超越人类生物学的缓慢进化，人类最终将需要与 AI 直接互联，以接入其强大的认知能力，避免被时代淘汰。他设想，未来接入脑机接口的人类将能像 AI 一样拥有百科全书式的知识、超高速的思维和处理全球信息的能力，从而在认知层面变得“超级人类”。
然而，王亚历克斯毫不讳言其中的巨大风险。将大脑直接连接到计算机和互联网，创造了一个前所未有的攻击面。他描绘了可怕的场景：公司可能将广告直接植入你的思维；更危险的是，外国行为体、恐怖分子或敌对政权可能入侵大脑，窃取记忆、控制思想或进行操纵。当技术发展到可以精确投射感官信息（视觉、听觉、触觉）甚至直接注入情绪时，塑造一个完全虚假的现实将成为可能。王亚历克斯承认，这种级别的“ propaganda ”（宣传操纵）将从现在的 1-2 分（低强度）跃升到 9-10 分（高强度），对个人和社会的控制力将达到空前的程度。
当被问及是否会给自己植入时，王亚历克斯给出了肯定的答案，但附加了严格条件：首先，必须对脑机接口的网络安全防御能力有绝对信心；其次，需要从大量先行者的数据中确信该技术不会对意识产生根本性的、不可控的改变。他进一步展望，脑机接口可能是人类意识最终“上传”到计算机的初级阶段，从而实现某种形式的“数字永生”。
数据为油，算力为引擎：AI 时代的国力方程式
作为 Scale AI 的掌舵人，王亚历克斯将公司定位为 AI 革命的“骨干”，为大型企业和政府提供部署安全、先进 AI 系统所需的数据和基础设施。他将数据比作 AI 时代的“新石油”，是驱动智能算法的核心燃料。而构建 AI 实力的另外两大支柱是算法（软件）和计算能力（硬件）。
他特别强调了计算能力，即芯片和数据中心的战略意义。未来的 AI 竞争，不仅仅是拥有最先进的模型，更是关于规模：你能同时运行多少个强大的 AI 实例？这直接取决于你能建造和供应多少数据中心、获得多少电力、拥有多少芯片。王亚历克斯指出，当前 OpenAI、xAI、Google、Meta 等巨头竞争的一个关键前线，正是提前数年争夺电力和数据中心建设用地，因为未来的优势在今天就已经开始布局。
这一逻辑将地缘政治风险推到了前台。王亚历克斯指出，全球约 95% 的高端芯片制造集中在台湾（TSMC）。如果中国大陆通过封锁或入侵控制台湾，就将掌控 AI 竞赛中最关键的战略资源。他分析了各种应对选项的困境：台湾自身可能不愿摧毁这些关乎其生存价值的晶圆厂；美国若进行轰炸，则可能直接导致世界大战升级。因此，最佳路径是通过强大的威慑（包括军事和 AI 能力优势）阻止冲突发生。但这也意味着，美国必须在国内加速建设芯片制造能力，尽管面临法规、电力、人才和 TSMC 自身战略考量等多重挑战。
中美 AI 竞赛：一场决定未来的“战争”
王亚历克斯直言不讳地将中美在 AI 领域的竞争称为一场“战争”。他认为，AI 将成为未来经济、军事和政府运作的“命脉”。能够有效利用 AI 实现经济自动化、研发自动化的国家，将获得近乎无限的 GDP 增长潜力，而落后者将被远远甩开。在军事领域，AI 也将处于未来战争形态的核心。
他警告，中国的 AI 初创公司如 DeepSeek 正在以比大多数人意识到的更快的速度追赶。中国在机器人、自动化工厂等领域的工业化速度也领先全球。王亚历克斯提出了一个关键概念：“智能递归” 或 AI 自我改进。即当 AI 发展到足够强大时，可以利用当前一代的 AI 来帮助更快地开发和训练下一代 AI，从而形成指数级加速的能力飞跃。如果一方在这个循环中领先哪怕 3 到 6 个月，追赶者可能永远无法跟上，形成“赢家通吃”的局面。
因此，美国的首要目标是确保在 AI 能力上全面领先中国，以维持威慑。最坏的情况是中国通过举国体制的“曼哈顿计划”式投入，在 AI 上反超美国，从而获得压倒性的军事优势。王亚历克斯认为，如果双方能力大致相当，则威慑可以维持；如果美国遥遥领先，则能确保其全球领导地位和安全。
人类主权：在超级智能时代保持控制
面对 AI 能力可能失控并威胁人类的科幻场景，王亚历克斯提出了“人类主权”这一核心原则。他认为，AI 获得独立意识并消灭人类并非不可避免的前景，而是一个选择问题——我们是否选择将关键系统的控制权完全交给 AI。
他主张，必须设计所有 AI 系统，确保人类监督和最终决策权至关重要。这正是 Scale AI 的长期使命之一：一是确保输入 AI 模型的数据能增强“人类主权”，使模型与人类目标对齐；二是在 AI 执行越来越多行动（经济、军事等领域）时，构建人类对每一个行动的监督机制。通过这种方式，人类可以维持控制，防止出现“终结者”式的灾难性后果。
王亚历克斯也谈到了 AI 生成内容（如超逼真视频）对社会信任（如法庭证据）的冲击。他认为，除了开发更强大的“假货检测器”，更需要通过政策和法律来调整激励，对伪造证据的行为施加重罚，以遏制其滥用。
技术巨头的责任与地缘协调
在访谈尾声，王亚历克斯被问及希望看到哪些嘉宾出现在节目中。他提到了 Elon Musk（埃隆·马斯克）、扎克伯格和 Sam Altman（萨姆·奥尔特曼）等科技领袖，认为让更多技术决策者参与这类关乎未来的讨论至关重要。此外，他也强调了国际协调的重要性，因为 AI 带来的挑战（如生物安全、网络安全）是全球性的。
他类比了核技术的发展历史：最初也是各国竞相研发，直到切尔诺贝利和三里岛等事故发生后，国际社会才建立了协调与条约机制。对于 AI，可能需要某种“AI 漏油事件”式的重大事故，才能迫使国际社会认识到协作的必要性——在促进经济和人道主义应用的同时，共同限制其在危险领域的应用。
Alexandr Wang（王亚历克斯）的思考勾勒出一幅复杂而紧迫的未来图景：AI 既是前所未有的机遇引擎，也带来了深远的生存性风险。在这场刚刚开始的革命中，技术发展、国家安全、人类价值观和国际合作紧密交织，任何单一维度的失败都可能带来不可估量的后果。他的观点为政策制定者、技术从业者和普通公众理解 AI 时代的挑战与抉择，提供了宝贵的视角。
Scale AI CEO Alexandr Wang（王曦）：AI 代理将重塑工作，中美 AI 竞赛与无限市场机遇撰文：Techub News 整理
导语
在2025 年 6 月 Meta 宣布向 Scale AI 投资超 140 亿美元、公司估值达 290 亿美元，以及 Alexandr Wang（王曦）将领导 Meta 新 AI 超级智能实验室的背景下，他做客 Y Combinator 的《Light Cone》播客，进行了一场深度对话。作为全球领先的 AI 数据与基础设施公司 Scale AI 的创始人兼 CEO，Alexandr Wang 回顾了公司从 YC 孵化到成为 AI 基础设施关键参与者的历程，并分享了其对 AI 代理、未来工作形态、中美技术竞争以及无限市场机遇的前沿思考。本次对话揭示了 Scale AI 多次成功转型背后的战略逻辑，以及这位年轻 CEO 对 AI 产业未来的深刻洞察。
摘要
AI 代理将重塑工作：未来经济将呈现“人类管理者指挥 AI 代理群”的模式，人类负责愿景、调试和解决复杂问题，而非被完全取代。
Scale AI 的演进逻辑：从专注自动驾驶数据标注，到预判并布局大模型数据需求，再到构建企业级 AI 应用与代理工作流，其成功在于始终领先 AI 浪潮半步。
中美 AI 竞赛分析：美国在芯片和算法创新上占优，但中国在数据获取、政府支持、硬件制造（如机器人）和能源产能方面具有显著优势，竞争格局复杂。
无限市场与核心竞争力：企业未来的核心竞争力将源于其专有数据与定制化模型；AI 应用市场（尤其是企业级）是“无限市场”，规模潜力巨大。
成功的关键是“极致投入”：无论是公司战略还是个人成长，最核心的特质是对工作质量抱有近乎偏执的重视和投入感。
从 MIT 辍学到定义“人类 API”：Scale 的起源
Alexandr Wang（王曦）的创业故事常被简化为“MIT 辍学生创立 Scale AI”，但真实的起点更早且充满偶然。在进入 MIT 之前，他曾在 Quora 担任软件工程师，那时机器学习工程师的薪资已超过普通软件工程师，这让他早早感知到市场的风向。更关键的是，他在青少年时期参加旧金山理性主义社区组织的夏令营时，就接触到了“AI 可能是我们一生中最重要的领域，尤其是 AI 安全”的理念，演讲者包括后来成为 AI 安全领域关键人物的 Paul Christiano，以及 OpenAI 联合创始人 Greg Brockman 等。这在他心中埋下了种子。
进入 MIT 后，Alexandr Wang（王曦）深入学习 AI，但很快感到“坐不住”并申请了 Y Combinator。最初的创业想法颇具时代特色——2016 年正值“聊天机器人小泡沫”时期，受 Magic 等应用和 Facebook 的愿景推动。他们最初的想法是“为医生打造聊天机器人”，但 Alexandr Wang（王曦）坦言这很可笑，因为他们对医疗行业一无所知。他反思道，年轻创始人的前十个想法往往缺乏独特性，且对自身真正的优势（alpha）缺乏认知。
转机出现在 YC 期间。他们与另一家 YC 公司合租，观察到聊天机器人热潮背后一个更根本的需求：大量的数据和人力投入。于是，一个“离奇”的想法诞生了：为什么不直接为这些公司提供数据和人力服务呢？ 当时他们正处于迷茫期，但这个想法迅速成型。某晚，他随意搜索并买下了“scaleapi.com”的域名，一周后就在 Product Hunt 上线了。产品的标语是“人类劳动力的 API”，核心洞察是：如果能像调用 API 一样调用人类来完成工作，会怎样？ 这是一种“未来主义”的倒置——让人类为机器工作。
产品上线后，他们吸引了大量工程师用户，并借此获得了早期融资。不久，他们发现自动驾驶是第一个需要重点攻克的主要应用领域。尽管当时亚马逊的 Mechanical Turk 是市场主流，但体验极差。Scale AI 凭借更好的 API 和体验，吸引了一批新用户。一个关键转折点是自动驾驶公司 Cruise（同样是 YC 系公司）通过网站找到了他们，并迅速成为其最大客户。这促使他们做出了一个重大决策：全力聚焦自动驾驶数据标注市场。
当时，这个决定遭到了早期领投方的质疑，认为市场太小，无法支撑一家大公司。但 Alexandr Wang（王曦）团队坚信，自动驾驶是未来，相关公司融资额巨大，汽车厂商也在大力投入，市场潜力被低估。专注于这个看似狭窄的领域，能让他们更快地建立业务和规模。回顾过去，他说：“这两点都对了。专注确实让我们迅速达到了规模，但同时，那个市场也确实不足以支撑一家巨型企业。” 这预示了 Scale AI 未来必须不断演进和寻找新增长曲线。
预见大模型浪潮与 AI 代理重塑工作未来
在自动驾驶领域，缩放定律（Scaling Laws）并非核心议题，因为车载算力受限，工程师们更关注如何优化能在车上运行的小型算法。真正的转变始于 2019 年与 OpenAI 在 GPT-2 时代的合作。Alexandr Wang（王曦）回忆，GPT-2 在当时只是一个有趣的“玩具”，但到了 GPT-3（2020年），缩放定律的真实性已清晰可见。他分享了一个趣事：他让一位朋友试用 GPT-3，结果朋友在与 AI 对话中表现出了近乎“个人化”的沮丧和愤怒，这让他意识到，GPT-3 在性质上已与此前任何技术都不同，仿佛通过了某种图灵测试的雏形。不过，真正让生成式 AI 进入大众视野的，他认为是 DALL-E。
随着 2022 年 InstructGPT（ChatGPT 的前身）、ChatGPT 和 GPT-4 的相继出现，Scale AI 迎来了“农场时刻”——数据需求将呈天文数字增长。Alexandr Wang（王曦）指出，当前模型改进的收益更多来自推理和强化学习，而非预训练，我们正在进入一条新的能力曲线。
对于企业而言，未来的核心知识产权（IP）将不再是代码库，而是其专有的、经过精细调优的模型。企业可以基于自身独特的业务数据和工作环境，在基础模型之上构建差异化的 AI 能力。这引发了关于未来经济形态的思考：AGI 会像“博格”一样吞噬整个经济，还是会出现专业化的经济？Alexandr Wang（王曦）倾向于后者，他认为未来的“阿尔法”（超额收益）将取决于企业能否将业务问题封装成独特的数据集或环境，从而构建差异化的模型。
这种趋势将深刻改变工作形态。Alexandr Wang（王曦）持技术乐观态度，认为人类将掌握未来。他以编程为例，描绘了工作演进的三个阶段：1) 助手模式：AI 辅助人类工作；2) 单一代理协作模式：人类与一个 AI 代理同步工作（如 Cursor）；3) 代理群管理：人类管理者部署并协调一群 AI 代理完成各种任务。
“最后一个角色在当前的劳动力市场中有明确的语义——就是管理者。” 他解释道。悲观者（或 AGI 末日论者）认为，连管理代理的工作最终也会被代理取代。但 Alexandr Wang（王曦）认为，管理极其复杂，涉及愿景设定、问题调试和火灾扑救，这些根本上仍将由人类驱动，因为经济是由人类需求和欲望驱动的。因此，经济的终极状态将是“大规模人类管理者指挥 AI 代理”。
他引用自动驾驶的例子：即使现在，每辆自动驾驶汽车背后仍有远程协助人员，比例可能低至每 3-5 辆车配备一名操作员，人类参与度远超公众想象。但这恰恰是乐观之处：过去一个 Uber 司机只能开一辆车，未来一个人可以管理五辆车，生产力得到提升。要实现失业率保持低位的乐观未来，必须相信人类的需求几乎是无限的，效率提升会降低价格，从而激发更多需求，这一趋势在人类历史上一直可靠。
他进一步类比：20 世纪初的“计算机”指的是从事计算工作的人，而如今程序员获得了巨大的杠杆效应，一个 10 倍工程师能创造巨大价值。AI 时代，所有行业的人类都将获得类似程序员的杠杆提升，这将极大激发生产力和创造力。
Scale AI 的演进弧线：从数据工厂到无限市场
回顾 Scale AI 的发展轨迹，Alexandr Wang（王曦）将其描述为一场持续的自我革新。最初三年，公司完全专注于为自动驾驶公司提供数据。这项业务的一个内在属性是：为了在任何垂直领域取得成功，AI 首先需要数据，因此 Scale 对产品的需求往往先于 AI 渗透到该行业。这迫使他们必须走在 AI 浪潮的前面。
例如，他们在 2019 年就开始与 OpenAI 合作语言模型，2020 年与国防部（DoD）合作政府 AI 应用，远早于后来无人机和国防 AI 的热潮；他们也早早涉足企业 AI 应用。这种“超前布局”与 NVIDIA 的 Jensen Huang（黄仁勋）的策略相似，后者在年度演讲中总是领先趋势，因为他必须在趋势发生前就为之做好准备。
2021 年底至 2022 年初，Scale AI 开始向应用层拓展，构建基于 AI 的应用，如今更侧重于面向企业和政府客户的代理工作流和应用。这是一个关键的商业演进。从高度依赖人力的数据工厂业务，扩展到软件产品业务，需要不同的能力。Alexandr Wang（王曦）研究了历史上成功拓展新业务的公司，最典型的例子是亚马逊构建 AWS。2006 年 AWS 推出时，亚马逊股价下跌，分析师认为这个与核心零售无关的想法很糟糕。但其智慧在于两点：一是他们坚信云计算市场将无限增长；二是他们拥有规模经济带来的成本优势。
Alexandr Wang（王曦）意识到，初创公司早期需要聚焦狭窄市场以获得动力，但当有野心成为百亿甚至更大公司时，必须转向寻找“无限市场”。他的结论是：每个企业和组织都将用 AI 驱动的技术（尤其是代理技术）重构其整个业务，这将吞噬整个经济。因此，为企业构建 AI 应用和部署是一个无限市场。
目前，Scale AI 的应用业务增长远快于数据业务。他们采取的策略是聚焦于少数顶级客户，如全球排名第一的药企、电信公司、银行、医疗提供商，并与美国政府（尤其是国防部）深度合作，专注于构建真正差异化的 AI 能力。Alexandr Wang（王曦）透露，他们的 AI 应用业务已是行业规模最大的之一。这项业务的差异化优势，正源于其在数据业务中积累的能力：知道如何为大型模型构建者生产高度差异化的数据，并能将这种能力和运营经验应用于企业独特的业务问题，为其打造专业化应用。
从最高层面看，Scale AI 像是一家为世界最大组织提供技术（尤其是数据技术）的供应商。这与 Palantir 有相似之处，但侧重点不同：Palantir 专注于数据本体和集成，而 Scale 更关注对企业 AI 战略最具战略意义的数据，以及如何从企业内部生成或利用这些数据。目前两家公司更多是合作而非竞争，因为企业面临的问题规模巨大、棘手，市场空间无限，远未到赢家通吃的地步。
内部实践、硬评估与中美 AI 全方位竞争
作为走在 AI 前沿的公司，Scale AI 内部已广泛采用代理工具提升效率。Alexandr Wang（王曦）分享，当他们看到模型开发者开始使用强化学习训练能够执行端到端工作流的“推理模型”时，就意识到可以将现有的人力工作流转化为强化学习的环境和数据，从而实现自动化。现在，代理工作流已渗透到公司的招聘、质量控制、数据分析、销售报告等各个主要部门。关键在于识别那些重复性高的人力工作流，并将其转化为能够训练自动化工具的数据集。例如，将候选人的完整资料包提炼成供委员会决策的摘要，这种“深度研究+”类任务是最容易实现代理自动化的。
关于提示工程与微调/强化学习的关系，他认为随着模型变强，提示工程效果会更好，能解决大部分问题，但强化学习能将能力推向更高水平。对于初创公司，他建议需要制定策略，让产品或业务能够受益于模型能力快速提升的“复杂性曲线”。
为了衡量模型在复杂推理上的前沿能力，Scale AI 与“人类安全中心”合作创建了名为“人类最后考试”的评估基准。其独特之处在于，题目来自全球顶尖科学家和研究员贡献的、从未出现在任何教科书或考试中的全新难题，需要深厚的专业知识和长时间思考才能解决。最初发布时，最好的模型得分仅 7%-8%，如今已超过 20%，进步神速。Alexandr Wang（王曦）认为，AI 行业仍然缺乏真正艰难、能体现模型前沿能力的评估。这类评估一旦流行，就会成为整个行业研究和优化的“北极星”，推动进步。他预测，未来评估将转向更模糊、更复杂的真实世界任务。
关于 AI 的科学突破，他认为未来 12-24 个月内，很可能出现由模型推理操作带来的全新科学突破，尤其是在生物学等领域，模型可能拥有人类不具备的直觉。这将是科学发现的激动人心时刻。
话题转向中美 AI 竞争。Alexandr Wang（王曦）指出，当前世界上最好的开源模型来自中国（如 DeepSeek），这是一个“尴尬的现实”。他认为中国模型进步神速的一个简单解释是“间谍活动”——前沿模型训练中的大量“秘密”（技巧、超参数设置直觉等）流向了中国实验室。展望未来，中国很可能拥有先进的模型，目前可能落后半步，但很难预测真正并驾齐驱时会怎样。
他详细对比了双方优劣势：
美国优势：芯片、算法创新（净优势）。
中国优势：
数据：可无视版权或隐私规则获取数据；政府大规模推动数据标注中心建设、提供补贴和大学培养项目。
硬件制造：在机器人等硬件制造上成本极低（美国机器人成本2-3万美元，中国可能仅2-4千美元），拥有无与伦比的供应链能力。
能源生产：中国电网产能过去十年翻倍（主要靠煤炭），而美国电网产量基本持平，这是一个巨大的政策差距。
在国防和安全领域，未来冲突将转向“微型战争”，依赖无人机、具身机器人和网络战，而非传统的战斗机航母。另一个大趋势是“代理驱动战争”——将现有高度人工、信息有限的军事决策流程，转化为由 AI 代理协作执行的系统，从而将关键决策周期从数天缩短至数分钟，形成一种“无情”的快速对抗模式。Scale AI 正与美国印太司令部合作开发名为“雷霆锻造”的系统，正是将军事规划流程代理化，这可能会彻底改变冲突形态。
极致投入：构建伟大公司与个人的唯一心法
在访谈最后，当被问及对听众有何建议以取得类似成就时，Alexandr Wang（王曦）的回答回归到一个看似简单却无比深刻的核心：“你必须真的、真的、真的非常在乎。”
他认为，年轻人的一个可贵特质是，几乎把所有事情都看得极其重要，因而会付出巨大努力，关注每一个细节。他多年前写过一篇题为《雇佣那些在乎的人》的文章，其核心理念很简单：在面试或与人互动时，你能分辨出哪些人是敷衍了事，哪些人把工作视为极其重要、关乎自身成就感的大事。后者会因为工作没做好而感到不安，因做得出色而深感满足。这种“在乎的程度”是衡量一个人能否成功、以及合作是否愉快的重要指标。
在 Scale AI，这种“极致投入”的文化自上而下贯彻。Alexandr Wang（王曦）本人至今仍亲自审核公司的每一名新员工招聘。他甚至分享，即使在公司规模已经很大时，他仍会亲自审查发送给合作伙伴的关键数据样本，充当最终的质量控制，对不合格的数据点说“不”。因为他深信，客户的情绪会直接影响到创始人，高标准和对于质量的执着追求必须深深嵌入组织的每一个层级。他引用了公司的价值观：“质量是分形的。” 如果高层管理者不在乎，这种态度会向下蔓延，瓦解整个组织追求卓越的欲望。
正是这种对质量和细节的偏执，使得 Scale AI 能够更敏锐地感知业务变化、更快地调整方向、更严肃地对待工作，从而在 AI 这个史上变化最快的行业中持续学习、适应并保持领先。在 Alexandr Wang（王曦）看来，这或许是所有成功背后最统一的特质。
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。
Grayscale研报解读：资本市场上链十年换代——隐私变量、竞争格局与价值捕获路径报告内容概述
随着传统金融资产向区块链基础设施迁移的趋势加速，代币化赛道正从边缘实验走向主流视野。Grayscale Research 发布的《Investing in the Tokenization Megatrend》给出了阶段性判断：代币化正从"资产上链"走向"基础设施重构"，区块链平台之间的竞争已从通用性能比拼转向隐私、合规与可组合性的差异化定位。
报告从六个维度展开分析：
赛道全景 — 传统证券市场与代币化资产的规模张力，以及底层迁移逻辑
基础设施三层架构 — 智能合约链、中间件工具、专业服务商的分层协作与价值捕获机制
竞争格局分化 — 开放网络、机构中心网络与混合网络的三足鼎立
隐私变量 — 默认隐私与默认透明的架构分野，以及技术演进对长期格局的潜在重塑
标的映射 — 底层代币的阶段性格局与跨链中间件的"卖铲子"逻辑
风险与局限 — 链上化程度不足、监管不确定性、开放与机构边界的模糊化趋势
隐私需求贯穿每一重演进：既是机构中心网络存在的根本前提，也是决定开放网络能否突破天花板的关键变量。全球代币化资产从实验走向规模化，这种"结构性分化"正在将区块链平台的竞争从简单的吞吐量比拼，转变为需要隐私保障、合规适配和流动性飞轮的复杂博弈。
原文链接：https://research.grayscale.com/reports/investing-in-the-tokenization-megatrend
赛道全景：300万亿市场的0.01%起点
Grayscale 将代币化定义为"将资产权利转换为区块链基础设施上的数字表征"。传统金融资产长期依赖电子记账系统记录和管理，而代币化使其能够在链上发行和流转。当前全球证券市场规模约300万亿美元，代币化资产总量仅约300亿美元，占比0.01%——但这一数字同比增长了217%。
从资产类别分布来看，代币化美国国债以约150亿美元居首，其次是商品类资产约50亿美元，私人信贷、基金、股票及其他现实世界资产的占比相对较小。 Grayscale 认为，随着时间推移，这300万亿美元的证券市场以及房地产等其他类型资产将大规模迁移至链上，承载平台将成为价值捕获的核心载体。
传统金融体系在诸多方面运行良好，但其基础设施高度碎片化。一笔典型的证券交易需要经过经纪商下单、交易所或做市商网络执行、托管机构和中央证券存管机构处理清算、T+1日最终结算等多个环节，各参与方维护独立账本，产生大量对账工作和操作风险。 区块链提供了一种替代模型：共享的全球结算层，支持近乎即时的结算、更高的资本效率、全天候市场运行和更广泛的准入。代币化资产以数字通证形式存在于链上，通过智能合约执行交易并在共享账本记录，执行与结算几乎在同一系统中同步完成，从而减少对中介的依赖、简化工作流程。
基础设施三层架构与价值捕获逻辑
Grayscale 将代币化基础设施划分为三个层次：底层智能合约区块链、中间件工具（价格预言机、合规与KYC/AML）、以及专业代币化服务商（发行、结构化、分销）。 研报认为，投资这一趋势的首要方式是通过第一层——底层区块链基础设施。
智能合约区块链如 Ethereum 和 Solana 构成了代币化资产的发行、所有权和流转基础。在这些网络上发行或转移代币化股票需要支付原生代币作为交易费用，随着代币化活动增长，对区块空间和原生资产的需求同步上升。
"价值捕获"在此语境下指的是区块链上的经济活动如何转化为网络回报。代币化带来的价值通过几种相互强化的机制实现：
更高水平的发行、交易和转账产生更多手续费，在网络使用与原生代币需求之间建立直接联系；
部分网络通过销毁或重新分配手续费，将活动与供应动态挂钩；
随着使用量增长，生态集聚效应进一步集中流动性、开发者和资本，强化需求。
当更多金融资产上链后，这些动态会相互叠加——承载更大份额代币化活动的网络可能捕获这一趋势所创造的经济价值的显著部分。
链上竞争格局：三类网络的差异化定位
当前竞争代币化活动的智能合约区块链可分为三大类：
开放架构网络（Ethereum、Solana、BNB）默认完全无需许可且透明，任何个人或机构均可访问，受益于全球分布和深度流动性。
Ethereum：生态系统网络效应最强，DeFi TVL约500亿美元，代币化资产160亿美元，可组合性金融生态最完善；
Solana：吞吐量超1000 TPS，日交易1亿笔，交易更快更便宜，适合零售分销和链上消费者股票交易；
BNB Chain：依托 Binance 流量优势，与 Ethereum、Solana 并列为主要开放网络。
机构中心网络（Canton、Provenance）专为受监管金融机构设计，默认隐私、权限控制和合规，交易数据仅授权参与者可见。
Canton：2026年通过与 Nomura、Mizuho 合作迅速崛起，DTCC 已选其为代币化服务初始支持网络，链上资本超3480亿美元，60余家机构参与，引入 Visa、Circle、Apollo Global 为超级验证节点；
Provenance：由 Figure Technologies 开发，支持房屋净值信贷及结构化信贷产品，为第二大机构中心网络。
混合网络（Avalanche、BASE、Arbitrum）桥接上述两种模式，机构可在定制环境中运营，同时受益于开放网络的安全性、流动性和互操作性。
Avalanche：已支持 KKR、Citi、Apollo Global 等机构资产；
BASE：凭借 Coinbase 分销优势成为领先 Ethereum L2。
隐私：被低估的关键变量与路线图推演
隐私正成为机构采用区块链的核心门槛。机构参与者无法在交易对手方和交易金额完全公开的环境中大规模运营，这创造了架构之间的明确分野：机构中心网络默认仅交易方可见详情，开放网络默认透明——后者支持可组合性，但对机构构成挑战。
资本市场向区块链基础设施的迁移预计将在十年或更长时间内逐步展开，不同架构可能在不同阶段领先。
短期：机构网络占优。 Canton 更接近当前金融体系的运作方式，用户和中介的过渡更为平滑，且隐私开箱即用。若其继续在金融机构入驻方面取得成功，可能形成早期生态集聚效应，巩固机构采用初期主要场所的地位。
长期：开放网络可能翻盘。 零知识证明、L2 设计等隐私方案持续成熟，若在大规模上充分交付，开放网络可能凭借无需许可的准入、更大的市场覆盖面、更快的创新节奏和流动性飞轮，捕获更庞大的价值增量。ETH、SOL 等原生代币还可能获得额外的数字价值储存溢价。
结语：聚合器的三重跃迁与终局想象
Grayscale 认为，可以通过对采用阶段和区块链架构更为中性的方式获得代币化趋势敞口。
Chainlink 是最清晰的"卖铲子"标的。其在代币化资产生命周期中提供储备证明、数据交付和合规功能，跨多条链运营，不押注单链，能在多种市场结构下受益。
服务商层面，Securitize（年初至今代币化资产+37%）提供机构链上发行基础设施，Ondo（+89%）专注打包和分发传统金融资产的代币化敞口。
底层区块链，Grayscale 看好 Ethereum、Solana、Canton、Avalanche、BNB Chain 和 Chainlink。 价值流向 ETH、SOL、CC——机构网络捕获早期活动，开放网络驱动长期上行。无论路径如何，LINK 的跨链、跨阶段逻辑相对稳健。
风险与局限性
代币化趋势面临多重现实约束，短期内难以线性推进。
竞争格局可能比预期更分散。 Avalanche 等混合模式兼具定制化和开放生态连接能力，可能从两端分食市场；Canton 若在隔夜回购等特定机构场景中形成由传统金融关系驱动的封闭流动性池，开放网络的可组合性优势将难以渗透。
开放与机构的边界可能趋于模糊，但并非没有代价。 机构在 Ethereum 上叠加权限控制层时，虽能获得类似机构网络的合规体验，却可能牺牲开放生态的流动性和可组合性收益。控制与开放的权衡不会消失，只是以不同形式呈现。
链上化程度仍是瓶颈。 当前多数代币化资产仅将区块链作为包装或分销层，托管、赎回、投票权等核心功能仍跑在链下。若这些环节不上链，代币化带来的结算效率和资本释放优势将大打折扣。
外部变量同样不可忽视。 监管不确定性可能直接限制资产上链的深度，而加密市场的周期性波动也会影响机构短期参与意愿。
总结与启示
Grayscale 这份报告的核心命题：资本市场上链不是"是否"，而是"如何"和"以何种节奏"。
短期机构中心网络占优，反映早期阶段对合规与平滑过渡的刚需；长期开放网络有望翻盘，凭借无需许可准入和可组合性生态捕获更庞大的价值增量。这一判断基于不同发展阶段的核心需求差异，而非简单的优劣之分。
更宏观地看，当前300亿美元 vs 300万亿美元的对比，说明代币化仍处于极早期。Grayscale 对"represented assets"（机构网络镜像传统金融）与"distributed assets"（开放网络原生可组合资产）的区分，为理解不同链上代币化资产的功能差异提供了有用的分析框架——前者是传统金融在链上的映射，后者是开放生态的原生流动性，两者的活跃度与价值沉淀逻辑不可混为一谈。
这一趋势很难用一两轮市场周期来框定。它更像是一场持续十年以上的基础设施换代：前期由机构在封闭网络中试水验证，后期逐步向开放网络溢出扩散。若这一路径兑现，其影响将远超加密行业本身——传统金融的结算、托管、流转方式都可能被重新设计，由此引发的价值迁移和资产再配置，或将成为现代金融史上最具标志性的结构性转变之一。[DEX 报告] SCAM 暴跌62%中 EVA 暴涨3737%…DEX 交易量达246亿美元当日去中心化交易所(DEX)中最受关注的交易对是SCAM(SCAM/SOL)、EVA(EVA/SOL)和STJUDE(STJUDE/SOL)。
截至27日，根据DexScreener数据，排名第一的热门交易对是SCAM(SCAM/SOL)，交易价格为0.0006769美元，24小时下跌62.28%。
排名第二的是EVA(EVA/SOL)，上涨3737%，报0.001491美元。排名第三的是STJUDE(STJUDE/SOL)，上涨3332%，报0.001171美元。
涨幅榜(Gainers) & 跌幅榜(Losers)_交易量10万美元以上，流动性25万美元以上
涨幅最大的交易对是NeoPepe(NeoPepe/USDT)，24小时上涨108%。其次是BP(BP/SOL)，上涨45.43%，CAS(CAS/VIRTUAL)上涨43.24%。
另一方面，跌幅最大的交易对是SPC(SPC/SOL)，24小时录得-94.91%。随后House(House/SOL)下跌-27.81%，uPEG(uPEG/ETH)下跌-20.75%，表现疲软。
交易量 TOP 3
quq(quq/USDT) – 3.895亿美元
WETH(WETH/USDC) – 1.386亿美元
cbBTC(cbBTC/WETH) – 1.058亿美元
交易笔数 TOP 3
LGNS(LGNS/DAI) – 1,251,432笔
BANANA(BANANA/SOL) – 818,619笔
afk(afk/SOL) – 256,916笔
最近24小时内，整体DEX交易量约为246亿美元，交易总笔数为41,006,834笔。
[编辑注] 去中心化交易所(DEX)是基于区块链的加密货币交易所，无需中介即可进行点对点(P2P)直接交易。基于智能合约和链上数据交易，确保运营透明度。只需连接钱包即可交易，无需存入资金，用户对资产的控制权、匿名性和自由度较高。在Meme币热潮中，DEX支持快速上币，因此更加活跃。DEX报告基于DexScreener的数据，整理了热门交易对、涨跌品种以及基于交易量、交易笔数、交易钱包数量的排名靠前品种。[DEX 报告] SCAM 暴涨 2.7万%·STONK 暴跌 57%…DEX 交易量 190 亿美元这一天，在去中心化交易所(DEX)中，最受关注的交易对是SCAM(SOL)、HENRY(SOL)和Dunald(SOL)。
截至27日，根据DEX Screener数据，排名第一的热门交易对是SCAM(SOL)，交易价格为0.009454美元，24小时内上涨了26,823%。
排名第二的是HENRY(SOL)，下跌80.30%，交易价格为0.0005618美元。排名第三的是Dunald(SOL)，上涨13.37%，报0.0003646美元。
上涨榜(Gainers) & 下跌榜(Losers)_交易量10万美元，流动性25万美元以上
涨幅最大的交易对是SCAM(SCAM/SOL)，24小时内上涨了27,208%。紧随其后的是SCAM(SCAM/SOL)，上涨497%，而GDER(GDER/USDC)上涨了210%。
另一方面，跌幅最大的交易对是STONK(STONK/WETH)，24小时内录得-57%。紧随其后的是XBT(XBT/SOL)，下跌-39%，以及2027(2027/WETH)，下跌-33%，呈现疲软走势。
交易量 TOP 3
夸克(quq/USDT) – 3.875亿美元
WETH(WETH/USDC) – 1.173亿美元
cbBTC(cbBTC/USDC) – 1.106亿美元
交易笔数 TOP 3
隆基努斯(LGNS/DAI) – 1,192,083笔
虎鲸(ORCA/SOL) – 168,031笔
骗局(SCAM/SOL) – 164,715笔
最近24小时内，整个DEX的交易量约为190.4亿美元，交易总数为39,827,832笔。
[编辑注] 去中心化交易所(DEX)是一种基于区块链的加密货币交易所，无需中介即可进行个人对个人(P2P)的直接交易。它基于智能合约和链上数据进行交易，保证了运营的透明度。只需连接钱包即可交易，无需存入资金，因此用户对资产的控制权、匿名性和自由度都很高。在Meme币热潮中，它支持快速上线新币种，因而变得更加活跃。DEX报告基于DEX Screener的数据，整理了热门交易对、涨跌榜品种，以及按交易量、交易笔数、交易钱包数量排名的顶级品种。Pos ID，瞄准AI编码时代公开‘Agentic SCA’…实时检查开源合规性·漏洞软件供应链管理企业FossID AB发布了一项能够在开发阶段实时检测许可证和安全问题的新技术"Agentic SCA"。这是在生成式人工智能快速替代代码编写和修改的潮流中，为弥补传统软件成分分析工具局限性所做的尝试。
FossID于14日（当地时间）表示，其新技术可直接连接至软件供应链内部，使开发者从编写代码或AI生成代码的瞬间起即可检查合规性。如果说传统SCA更接近部署前或事后检查，那么此项技术的核心在于将分析方式从"事后应对"转变为"常态检查"。
公司解释称，近期生成式AI工具快速组合多来源代码，导致代码来源变得不明确，许可证义务或漏洞识别更加困难。特别指出，传统SCA工具专为基于依赖关系的托管代码开发环境设计，难以充分适应当前开源代码、第三方代码与自研代码混杂的开发环境。据称，这可能导致许可证合规、漏洞检测、软件物料清单准确性方面出现空白。
Agentic SCA设计为可通过AI代理以完整代码或代码片段为单位识别开源代码、外部代码及专有代码。同时能判别复合许可证与混合许可证等复杂情况，并可在早期阶段揭示版权相关注意事项。此外还包含实时检测已知安全漏洞并即时提供应对方案的功能。
FossID强调，通过该技术开发者能在代码提交前做出"合规可行选择"，法务与安全政策也可在不中断开发流程的情况下自动实施。最终可实现从晚期合规审查转向常态化的第三方许可证与安全检查体系，从而同步提升开发速度与SBOM质量。
全代码库分析…审计报告持续更新
新平台不仅是简单扫描工具，还提供高速源代码审计功能。AI代理可对全代码库执行特征扫描、代码片段检测、依赖关系分析及深度许可证与版权分析。此外，在识别组件、许可证与漏洞后，能依据实际风险程度与影响范围确定优先级，并生成可共享的标准化审计报告。
特别值得注意的是，该技术能根据持续变动的代码环境不断更新审计报告。这相较于一次性检查的传统审计方式，更适合变化速度更快的AI开发环境。
技术实现方式也采用AI友好型设计。FossID以"代理兼容架构"提供其技术供AI系统直接调用，并通过FossID MCP服务器开放其知识库与核心分析工具。该服务器基于模型上下文协议运行，使特征扫描、代码片段检测、许可证分析、依赖关系分析功能能被AI代理直接使用。
FossID表示目前正面向汽车、半导体、通信、软件等重点行业的部分企业客户开展试点测试，正式版预计于今年下半年发布。
鉴于AI在提升软件生产力的同时使代码来源与责任问题更趋复杂，支持实时合规与安全审计的工具需求可能增长。FossID的Agentic SCA能在实际企业环境中如何平衡开发速度与控制力，值得关注。
TP AI注意事项
基于TokenPost.ai语言模型生成文章摘要。正文主要内容可能被省略或与事实存在出入。撰文：Techub News 整理 导语 在2025 年 3 月举办的 The AI Conference™ 上，OpenAI 前沿研究（Frontiers Research）负责人 Mark Chen（马克·陈）与 AI 基础设施公司 Anyscale 的联合创始人 Robert Nishihara 进行了一场深度对话。Mark Chen 领导的团队旨在探索通往通用人工智能（AGI）道路上缺失的关键范式，其工作聚焦于多模态与推理两大方向。作为 DALL-E、GPT-4 多模态能力等知名项目背后的核心研究者之一，Mark Chen 的见解对于理解 AI 的现状与未来至关重要。此次对话不仅回顾了 AI 研究范式的十年变迁，更揭示了当前最前沿的技术挑战与机遇。 摘要 AI 研究范式已发生根本转变：从依赖标注数据的监督学习，转向以海量无标注数据和无监督学习为核心的“规模化”范式。 通往 AGI 的两大核心挑战是多模态理解与生成以及深度推理能力的构建。 工程与科研的紧密结合成为现代 AI 发展的新常态，规模化（Scaling）本身既是目标也是驱动创新的引擎。 未来的 AI 应用将更加“身临其境”，多模态交互将催生更强大的 AI 代理和机器人技术，但实现这一切需要解决鲁棒性等根本问题。 从监督学习到规模化范式：AI 研究的十年之变 Mark Chen（马克·陈）与 Robert Nishihara 的对话始于对过去十年 AI 领域最大突破的回顾。两人一致认为，最根本的转变在于研究范式的迁移。 Mark Chen（马克·陈）指出，十年前经典的机器学习课程通常将机器学习分为监督学习、无监督学习和强化学习三大类。当时，学术界对监督学习已有成熟方案（如决策树、支持向量机），但对无监督学习则知之甚少，仅停留在 K-Means 聚类等基础方法。如今，这一局面已被彻底颠覆。“我们现在确实知道如何进行无监督学习了，” Mark Chen（马克·陈）总结道。 这一转变的标志性起点是 GPT-1、GPT-2 时代。研究者们意识到，数据是取得突破的关键要素。AI 研究不再局限于在固定的学术数据集（如 ImageNet）上优化模型架构，而是转向了“收集尽可能多的数据”并从中寻找“Alpha”的路径。数据集本身成为了核心变量，而模型架构和优化算法则相对稳定。这催生了以规模化为核心的“经验缩放定律”（Empirical Scaling Laws）：投入更多计算资源、更多数据、训练更大模型，就能获得更好的性能。 Robert Nishihara 从基础设施的角度印证了这一趋势。Anyscale 的客户们正遵循这一“公式”，将扩大数据规模作为首要目标。然而，将数据规模提升一个数量级，往往会压垮现有的系统，这背后需要巨大的工程努力来支撑。Mark Chen（马克·陈）强调，工程能力在2025 年 3 月的研究中变得前所未有的重要。相信缩放定律，就意味着必须构建出能够支撑缩放的工程栈。 这种工程与科研的深度融合，构成了现代 AI 研究的典型图景。Mark Chen（马克·陈）形容，每将模型规模扩大一个数量级，都会遇到新的研究瓶颈或工程瓶颈，需要在多个前沿同时取得突破。这既是挑战，也是这个领域令人兴奋之处。 多模态：AGI 的感官拼图与系统工程挑战 作为 OpenAI 多模态研究的负责人，Mark Chen（马克·陈）将多模态视为通往 AGI 的核心路径之一。过去五到十年，生成式图像、视频模型取得了巨大成功，但多模态领域仍存在大量开放性问题。 目前存在两种主要的研究思路：一是将多模态问题“塞进”已经非常成熟的语言模型（Transformer）架构中；二是探索以扩散模型（Diffusion Model）等多模态原生框架为主，尝试将语言能力整合进来。Mark Chen（马克·陈）认为这两种思路之间的“思想桥梁”非常有趣，也是他们工作的重点。 当被问及主要关注哪些模态时，Mark Chen（马克·陈）列举了文本、图像、视频和音频这四大“最核心”的模态，同时也提及了 3D 模型、甚至“动作”作为潜在模态的可能性。他特别指出，不同模态对系统设计的要求差异巨大。例如，音频交互（如高级语音模式）要求实时、低延迟的响应；而图像生成则更看重最终输出质量，用户愿意为此等待。因此，尽管底层结构可以共享，但为不同模态设计不同的技术栈仍然是有益的。 Robert Nishihara 从系统负载的角度补充了多模态带来的挑战。与文本数据相比，图像、视频的数据量呈指数级增长。这意味着未来的 AI 应用将同时是计算密集型（GPU 负载高）和数据密集型的。现有的高性能计算（HPC）系统擅长处理计算密集型任务，而大数据处理系统（如 Spark）则擅长处理海量 CPU 任务。多模态 AI 将催生一个需要同时高效处理这两类任务的新系统范式，这将对现有的技术栈构成巨大挑战。 此外，Mark Chen（马克·陈）指出，获取高质量的配对跨模态数据（如图文对）是一大难点。这推动了利用 AI 本身进行数据准备和增强的趋势，例如 DALL-E 3 在合成数据方面的探索。Robert Nishihara 也观察到，客户正越来越多地使用 AI 来筛选、标注、增强训练数据，因为相对于花费数百万美元进行模型训练，在数据质量上进行投资往往能获得更高的回报。 从“系统一”到“系统二”：构建深度推理的鲁棒 AI Mark Chen（马克·陈）负责的另一大方向是推理（Reasoning）。他用心理学中的“系统一”和“系统二”来比喻当前 AI 的局限与未来目标。 目前的语言模型（如 ChatGPT）更像是“系统一”思考者：快速、直观、基于模式匹配给出响应。无论问题难易，模型的初始响应时间几乎相同。这与人类思考方式不同——面对复杂问题，人类需要时间进行深度处理（“系统二”思考）。Mark Chen（马克·陈）认为，当前大语言模型在逻辑谜题或复杂任务上犯错，部分原因正是受限于这种“系统一”的即时响应模式。如果要求人类在 100 毫秒内回答一个难题，他也只能给出脑海中最先浮现的答案，这同样不够稳健。 因此，构建具备“系统二”特性的深度推理能力，是提升 AI 鲁棒性的核心挑战。这不仅仅是解决数学问题，而是适用于任何需要高可靠性和复杂思考的场景，例如理解对话意图、规划复杂任务等。Mark Chen（马克·陈）提到，数学和计算机科学问题是方便的评测基准，但更广泛的“推理”评测标准目前仍然缺失，预计未来会出现更多相关的评估方式。 Robert Nishihara 从应用部署的复杂性角度呼应了这一观点。当前许多 AI 应用只是通过 API 端点调用单一模型。但对于预订民宿、解决复杂数学问题等任务，可能需要动态组合 50 到 100 次模型调用，并与其它应用逻辑交织。这种复杂的推理链消耗大量计算资源。Mark Chen（马克·陈）展望，深度推理的终极目标是让模型自身足够智能，能够在遇到障碍时自主“思考”出解决方案，而无需依赖外部搭建大量脚手架式的复杂流程。 关于如何实现推理能力，Mark Chen（马克·陈）表示 OpenAI 探索了多种路径，包括在预训练中内置、以及通过外部机制增强等，目前仍是一个开放的研究空间。 未来展望：身临其境的 AI 与高风险的智能代理 展望未来，两位专家分享了他们最兴奋的方向。 Robert Nishihara 预测，越来越多的数据处理将 AI 化。企业收集海量数据是为了获取洞察和决策，未来这些洞察将更多地由 AI 阅读、推理数据得出，而不仅仅是运行 SQL 查询或简单分析。这将催生全新的、以 AI 和 GPU 为核心的数据处理工作负载。 Mark Chen（马克·陈）则对多模态带来的“身临其境”体验感到兴奋。像 OpenAI 的“高级语音模式”这样的技术，让 AI 能够实时接收和处理多种感官输入（听、说），并生成丰富的感官内容。他认为，这不仅是交互方式的革新，更是机器人技术发展的基石。随着感知模块的快速进步，多模态 AI 正在为机器人构建强大的“后台大脑”，使其能够更好地理解和与物理世界互动。 当被问及实现全能人形机器人的瓶颈时，Mark Chen（马克·陈）表示，在基础层面已有许多可用的技术模块，但最终实现仍需跨领域突破。 对话最后聚焦于 AI 代理（AI Agents）。Mark Chen（马克·陈）将其定义为能够接收任务并自主执行的 AI。与当前“一问一答”的聊天机器人不同，代理的行动具有真实世界的后果（如发送邮件、执行操作），因此对鲁棒性和可靠性的要求极高。他认为，深度推理能力正是实现强大、可靠 AI 代理的关键缺失组件。只有解决了鲁棒性问题，AI 代理的愿景才能真正走进现实。
