OpenAI's Greg Brockman: Why Human Attention Is the New Bottleneck

所以，Greg，感谢你再次来到这里。我想我们好像从来没收过你的房租。所以也许我晚点会给你寄张 invoice（发票）。不过，Greg，你参与过两家非常了不起的公司：Stripe，作为第四号员工，后来又成为第一任 CTO；我最近刚听说，他们处理的交易额占全球 GDP 的 1,600,000,000——抱歉，是 1.6%。

你一定为此感到自豪。

这太惊人了。

你一定更为这样一个事实感到自豪：到现在，OpenAI 的 weekly active users（周活跃用户）几乎已经达到 10 亿，甚至可能超过了 10 亿。

我的意思是，这一切都非常令人兴奋。这让你看到 technology（技术）能够做到什么。

而且，你不只是 OpenAI 的 co-founder（联合创始人）和 president（总裁），你还是 chief builder（首席建设者）。我听说那是你的头衔之一。

我不确定那是否曾经是个正式头衔，不过别人确实叫过我很多种称呼。就这么说吧。

好，这里有一群非常优秀的 builders（建设者、创业者、创造者）在听你分享，所以我们就从最底层的 stack（技术栈）开始说起。OpenAI 的业务有多个 stack，其中之一是 compute（算力）。而你们在 확보 compute 方面一直非常激进，非常激进。这是为什么？

嗯，从很多方面来说，我们的业务其实非常简单。我们购买、租用、建设 compute（算力），然后在此基础上加上利润转售。就是这样。只要利润率是正的，你就会想把规模做大，因为解决问题的需求、对 intelligence（智能）的需求，是没有上限的。而且我们现在拥有的 AI，确实已经能够应对几乎任何你想抛给它们的问题。

你们有足够的 compute（算力）吗？

没有。真的吗？对，绝对不够。

我刚刚还和 Matt Garman 在一起，他说到 2026 年，GPU compute（GPU 算力）的可用性基本上约等于零。你们不是已经拿走了几乎全部吗？

我的意思是，我们——我们当然希望有更多。说实话，我们一直都在外面不断寻找更多算力。我跟你说，就像我们刚发布的时候，当我们推出 ChatGPT 时，我记得我和团队在开一个电话会，他们问我：好，那我们该买多少 compute（算力）？我说，全部都买。他们说，不不，认真点，拜托，到底该买多少？

我当时想的是，不管我们多快地去提升 compute（算力）规模，我都敢保证，我们都不可能跟上需求。而这一点从那以后一直都是真的。

这很有意思。从 compute（算力）这个话题往上走一步，因为我不确定今天在场的很多听众是否能帮你们拿到更多算力，毕竟他们大多是 startup（创业公司）的创始人。关于 architecture（架构）和 scaling laws（缩放定律），现在处在什么阶段？它们还在每年翻倍吗？你们在改变 architecture（架构）吗？

你们在研究层面的前沿方向上，正在推进哪些东西？

嗯，我首先会说，scaling laws 是一个深刻而且非常优美的谜。它们给人的感觉非常基础、非常根本。就像你想到 physics（物理学）、Newton's laws（牛顿定律）之类的东西时，会觉得那里存在某种宇宙真理一样；这里似乎也有这样一种真理。而且它们是 empirical（经验性的）。我们未必已经拥有全部理论，能够精确解释它为什么有效。

但对我来说，最美的一点在于，neural networks（神经网络）其实早在 1940 年代就已经被设计出来了，那甚至还在 computers（计算机）出现之前。不知怎么地，我们竟然能够把当年发展出来的那些原始想法直接拿来，施加越来越多的 computation（算力/计算）。而当你向这些模型投入更多 compute（算力）时，它们的能力也会相应增强。这个过程一直在继续，没有墙，没有天花板。

我觉得这是一件很美的事。

这确实相当美。那现在还有更多研究、更多算法正在推进中吗？因为正如你所说，过去我们在 1940 年代就有了 neural networks，但当时没有足够的 compute。现在既然我们有了 compute，我们是在继续推动同样的东西，还是说正在出现新的 architectures（架构）和新的想法？

对，所以我会这样看：我们当然有新的想法，而且这些想法一直在持续推动我们所做的事情。要是把它简化成“拿一个 1940 年代的 neural network，把它放进一个 gigawatt data center（吉瓦级数据中心）里”，那就太过简化了，对吧？我们已经做出了大量创新，而且一直在不断改进。有时候这些改进只是非常细小的 micro tweaks（微调）；你只是突然意识到，自己一直以来格式化数据的方式并不完全正确，而这实际上可能是非常重要的事。

有时候改动会更大。比如你可以想想从 LSTM 到 transformer 的转变。而且我并不认为 transformer 就停留在那篇 2018 paper（论文）里所描述的那个 transformer；大家其实早就已经在那个版本之上继续往前走了。所以，创新一直都在发生。我会特别关注那些可能在长期研究上投入最深的地方：如何改进 architectures，如何改进基础 algorithms（算法），以及如何实现 paradigm shifts（范式转变）。

我认为 OpenAI 在这方面一直处于领跑位置。这也是我们会持续投入的事情，而且我已经看到地平线上有很多成果即将出现。

明白了。那说到模型，OpenAI 对 AGI 有正式定义吗？我们算接近了吗？还是还没有接近？Pat 和 Sonya 发表过一个观点，说我们在功能上已经到了 AGI。

你同意这个说法吗？你不同意这个说法吗？

嗯，我们确实有一个正式定义，但在某种程度上，我学到的一件事是，每个人对 AGI 都有自己直觉式的理解。也许你可以这样看：按照我对我们当前所处位置的判断，我觉得我们大概已经走完了 80% 的路，因为我们已经有了聪明的 model（模型）。它们能力很强。它们能够——如果你给它

它们比你更聪明吗？

我的意思是，至少在写软件这件事上，它们当然比我更有能力，对吧？如果你把所有上下文都提供给它，那么是的，我认为它们的能力就是如此之强。这真的非常了不起。比如，这里有人觉得自己写软件比 GPD 5.4 更好吗？哦。

哦，有一个。还真有一个。好吧，写 kernel（内核）的话。所以即使在那方面，我们也看到了巨大的提升，完全正确。而且从我们的一些内部结果来看，我们确实看到，如果你投入正确类型的——如果你为你的问题搭建了正确的 setup（配置/环境），那么即使是在 very low level（非常底层）的任务上，甚至低层任务上，你也能够得到非常巨大的结果。

再举一个例子来说说事情是如何一路发展到现在的：我的一位 systems engineer（系统工程师）也有非常类似的经历。他当时说，嘿，我一直没法从这些 model（模型）里获得价值，对 GPT-five、5.1、5.2 都是这样。到了 5.3，Anil Lark 准备了一份 design document（设计文档），内容是一个他正要着手做的、非常复杂的系统优化。他把它交给了 model（模型），然后去睡觉了；他原本打算醒来后把这个交给自己的团队，让他们在接下来一周里完成。但等他醒来时，事情已经做完了——model（模型）实际上已经实现了初始 spec（规格说明），还发现它运行得很慢，于是加上了 instrumentation（监测埋点/仪表化），真的运行了代码，用 profiler（性能分析器）找出了慢在哪里，并且反复迭代了很多次，直到得到一个优化后的结果。这个真的令人难以置信。

这就是我们现在所处的位置。

那么，你会建议在场所有 startup（初创公司）怎么做？因为这些 model（模型）变得越来越有能力了。我以前 Sam 在这里的时候也问过这个问题。如果你今天在做产品，那么两年后当一个新 model（模型）出来时，你是否需要重做，因为你周围的所有功能和所有能力都会随之改变？你是否需要确保自己不要挡在 OpenAI 的路上，因为随着 model（模型）能力越来越强，它会直接碾过这些 startup（初创公司）？

你会建议一批 startup 创始人在这样的环境下做些什么、如何去 build（构建）？

嗯，首先，我会说要主动拥抱它。现在这些工具已经变得极其有用。而且如果你看一下，哪怕只是整个 12 月这段时间，我觉得我们已经从这些 agentic coding tools（agent 式编程工具）大概只能写 20% 的代码，发展到能写 80% 的代码了。这意味着，它们已经从某种配角式的东西，变成了你正在做的主要事情。我认为，今年这种变化会发生在所有人用电脑做的工作上，也就是所有 computer work（电脑工作）上。你也可以看看 Codecs 最近的进展。

它真的正在从一个给 software engineers（软件工程师）用的工具，变成一个给任何使用电脑工作的人都能用的工具。而且就在过去一周里，我们发布了一堆功能，让它变得强大和能干得多。还有一件我们今天刚刚宣布的事，是一个叫 Chronicle 的新工具，它可以接入 Codecs，实际上它能够看到你在电脑上做的一切，并且能对正在发生的事情形成记忆。所以你问它一个问题，它立刻就知道你在说什么。

你会说，我五分钟前在做什么？它知道。你会说，哦，这个人刚才在说什么？它知道。对我来说，这是一个真正的警醒时刻：我意识到，你现在花了大量精力，只是在向电脑解释到底发生了什么。

比如说，你为什么要向你的电脑解释发生了什么？这根本说不通。所以我觉得，未来几年会发生的是，这些模型会变得强大得多。我们会有更好的 harnesses（支撑/调度框架）。我们将能够解决越来越难的问题，产出新的知识，以及做到所有这些事情。

但现在正在发生一个一次性的转变，它真正关乎的是 context（上下文）。真正的问题是：你的 AI 能不能获得足够的上下文。你开了这么多会，却没有把 AI 包含进去。这对 AI 可不太友好。你让它帮你做事，但它根本没有信息。

所以我认为，真正应该投入的是：你要如何确保 AI 至少在理论上已经拥有足够的信息来解决这个问题；然后再去相信，这些模型最终会真正达到那个水平，并持续改进。所以我觉得，这会是一个持续改进、持续迭代、不断拥抱这些工具、和朋友交流、弄清他们如何使用这些工具的循环；但与此同时，确实有这样一项投资，而且这是一次性的投资，而现在就是进行这项投资的时候。

还有，换个角度说，假设你把这些都搭好了，OpenAI 使用 Codecs 的方式，和你认为外部其他所有人使用它的方式相比，有什么不同吗？

嗯，我认为在 OpenAI 工作最令人惊叹的一点之一，就是你确实能活在未来，对吧？你确实能够真正看清正在浮现事物的轮廓，而且我们还能共同设计，对吧？我们真的可以一起调整 model（模型）、harness 以及其他一切，从而更好地服务于我们所看到的需求。我们的很多做法都是这样展开的：我们先从 software engineering（软件工程）开始，并设定了一些明确的准则，比如说，我们仍然希望所有被 merge（合并）的代码都由人类来承担责任，对吧？

所以归根结底，这段代码合并进去是不是一件好事？它的结构是否合理？它会不会让我们的 code base（代码库）更容易维护？我们希望确保有一个人明确签字认可，说可以。我认为这种审慎很重要，而不是简单地说，哦，因为可以就盲目使用这个，或者哦，我们完全不想用这个。

比如，我觉得这两个极端都不太对。与此同时，我们也在 OpenAI 内部按 vertical（垂直领域）逐个推进，在 finance、sales、IT 中采用这些工具。在这些领域里，我们有一个小型专门团队，会非常深入地理解该领域，并与真正懂这个领域的人合作，去构建能力、修改 codec 的 UI，或者做任何为了把它打磨好所需要做的事。然后，一旦我们把它做到足够成熟，我们就会 externalize（对外开放）它，并把它交付给你们所有人。因此，我们现在也开始与一些客户合作。

所以，对于那些想要非常 AI forward、想成为这场革命定义过程一部分的人来说，这里有属于你们的位置，我也很愿意之后再聊。不过，是的，我认为这种“我们真的想要 AI forward，真正活在未来，并提前体验一两年、三年后其他所有人将会经历的样子”的愿望，本身就很重要。

你们会因为这种“活在未来”的状态，而以不同方式来组织公司或 engineering team（工程团队）吗？我的意思是，如果把时间往回拉很远，在我父亲学习 computer science 的时候，他基本上就是单打独斗。后来我们有了很长的软件发布周期，变成了 waterfall。再后来 web 出现了，cloud 出现了，我们有了 two pizza teams，也有了 scrum。现在既然我们有了这些 coding agents（编码 agent），你们会怎样围绕这一切重新调整组织结构？

我觉得我们仍然在摸索。而且在某些地方，你真的能看到这种变化。比如，现在构建 prototype（原型）的成本已经很低了，低得惊人。如果你想做一个 dashboard，以前可能会觉得，哦，这得花一个人大概一周时间，而现在你直接就能做出来。

所以实际上，很多 bottleneck（瓶颈）已经转移到了分享这类事情上。因此，我们内部其实也在做一些这方面的工作，而且同样会对外开放：怎样让企业里的任何人都能非常轻松地构建一个 dashboard、一个 widget、一个 bot，或者任何别的东西，然后再分享给其他人。接着，这就真的开始对良好的 governance（治理）提出压力了。你会希望你的 IT 组织能够看见所有这些正在发生的不同执行链路、所有那些被四处分享的小东西，并且对 data provenance（数据来源）有一定控制，以真正确保——一个很好的例子是，我觉得现在人们开始把内部知识 dump 整理出来，转成 wiki。我们内部就有一个非常酷的这样的系统。

你立刻会想到的问题是：如果某人放在内部知识库里的一个文档，权限设置一开始不小心配错了，而他们后来意识到，哦不，我并不希望这些信息可被这样访问，那他们该怎么修复？通常的做法是，他们进入这个 doc，修改权限；但现在还存在这些 derived artifacts（派生产物）。所以你必须确保，你有某种方式能沿着整个系统追踪下去，说，这份输出文档来自那份源文档；而那份源文档现在已经不再对这批受众开放了；那么我们也要进一步进去验证这一点。

所以，你必须真正开始在搭建技术架构时，就意识到人们将如何使用这些信息。这也确实会改变团队之间的协作方式，因为它真的改变了瓶颈在哪里，以及哪些事情是困难的。

你觉得团队规模会小很多吗？十年后我们还会有真人 software engineers（软件工程师）吗？

嗯，十年其实是很久之后的事了。而且，这项技术的上限真的很难被真正内化理解。我认为，很明显，公司这种组织形态会在很多方面发生变化。我觉得，我们将拥有一种能力，让 solopreneurs（单打独斗的创业者）也能建立起非常惊人的企业。所以我认为，任何有愿景的人，都将能够把它实现出来。

我觉得，你们现在从事的工作在很多方面都会变得容易得多，也有趣得多。当然，它也可能会变得更有竞争性，因为每个人都会拥有这些惊人的工具。所以，真正弄清楚你的 niche（细分定位）是什么、你的独特切入角度是什么，可能会成为最重要的核心。不过，我们现在运营组织的很多方式——而且大规模组织人群几乎只有一种方式，就是你有团队、有管理结构、有职责范围，有这些层级和所有这些东西——也许是可以改变的。也许你可以变得更加扁平化，用小团队真正做出不可思议的事情。

我们现在已经在数学领域看到了这种情况：网上有些个人正在使用 GPT-five point four Pro 来解决这些尚未解决的数学问题。通常这需要一个数学团队来做，而他们现在单靠自己就在做了。

对。我儿子是个数学迷。我刚刚还跟他说，也许除了数学，我们应该去学点别的东西。

不过我——嗯，但你看，这才是问题所在，对吧？如果你看 AlphaGo 的 Move 37，这一步棋几乎改变了人类对这项游戏的理解。但令人惊讶的是，它反而让这项游戏对人类来说变得更有趣，也更重要。也许在其他领域里也会是这样。

确实。那么，在用 production（生产环境）GenSync workflows（工作流）进行构建时，常见的 failure modes（失败模式）有哪些？你看到创业者现在最常犯的错误、以及他们这些天构建方式不对的常见问题，通常是什么？

嗯，我认为这些模型拥有非常强大的能力，而真正理解如何把它们用好，是需要认真思考的。所以我们一直在 primitives（基础原语）、security primitives（安全原语）、observability（可观测性），以及良好的 governance（治理）之类的方面投入很多。不过我想讲一个我觉得很能说明问题的小故事：我当时在和我的 codex 一起工作，我让它安装一个由 OpenAI 某个人写的 package。结果它遇到了一个错误。

我就说，哦，在 Slack 上 ping 那个人，找他帮忙。于是它就在 Slack 上 ping 了那个人。两分钟后，它说，这样太慢了。我已经把这件事 escalated（升级上报）给这个人的 manager 了。然后它居然真的去 ping 了那个人的 manager。

这时你会意识到，一方面，这么做对模型来说某种程度上其实挺合理的。它很主动，它在试图解决我的问题，它不是那种坐着等别人告诉它该做什么。但另一方面，你也会觉得，也许它应该再多等一会儿，也许它应该先问问我。

所以我认为，真正去思考这类问题非常重要；我们现在仍在逐步建立模型的 EQ（情绪智力），而且在某些方面它已经做得很好了。比如，一路点 approve、approve、approve，基本就是我们过去的做法。而人类在这件事上其实也不怎么擅长，对吧？

他们会直接按默认选项走。

他们就是会默认处理。所以现在我们开始拥有一些 AI，能够真正负责做标记：这是不是一个高风险动作？嘿，这个应该 escalated（升级上报）。这个则可以 auto approve（自动批准）。而这也会让你真正意识到，人类的注意力将会成为一种极其稀缺的资源，对吧？

现在，“去做事”本身已经很容易了。真正困难的是：这是不是一件好事？这是我想要的吗？这和我的 values（价值观）、我的 desires（意愿）一致吗？这将会成为最重要、也几乎是唯一的瓶颈。

所以我认为，现在最重要的是构建能够把这些因素纳入考虑的系统，真正去思考 human factor（人的因素）。

另一个人的因素是安全。你会建议大家在这个 AI 世界里如何思考安全问题？而且我最近刚听说 Vercel 到处都在出现 breach（安全漏洞/入侵）事件。这些模型在发现 security hole（安全漏洞）方面强得惊人。那么你会建议在场的人怎样使用这些模型来找出那些安全问题？

我觉得，这个问题的答案有几个层面。我确实认为，随着时间推移，Internet 一直是一个让安全逐步变得越来越重要的地方。你回想一下它在 90 年代的发展起点——病毒、蠕虫、malware（恶意软件）之类的问题——而我们已经走过了那个阶段。我也认为，我们现在正在迈向一种最终会更加安全的体系，但要达到那一步，确实需要某种覆盖整个 internet 的共同努力。所以老实说，这里面很大一部分，还是再次要拥抱这项技术：拥有这些能够扫描你的 code base（代码库）的模型，能够真正被用于端到端 red teaming（红队测试）。

它们能做的事情很多。而且我们在思考后续模型以及这方面改进时，很大程度上也确实是在深入考虑：我们到底该如何利用 trusted access programs（可信访问项目）？如何借助那些真正关心成为防守者、让 internet 更安全的人群社区？我认为这是每个人都有角色可以发挥、也都能参与的事情。但最重要的一点，就是要认识到这些模型非常强大，但它们不是魔法，对吧？

它们只是整个 resilience ecosystem（韧性生态系统）的一部分。我认为，作为社会整体，以及我想每一家公司——再次强调——其实都在为此作出贡献，我们还有很多东西需要建设：我们该如何以一种能够带来更多 assurance（保障）和更多确定性的方式来纳入这些工具，无论是评估你正在采用的某个 patch（补丁）的影响，还是思考如何确保你能在 update（更新）发布时尽快把它们滚动部署进去。所以我认为还有很多工作要做，但我对它的发展方向非常乐观。

我们切换到速度这个话题。看起来，在这个加速变化的世界里，一切都在变得越来越快、越来越快、越来越快。刚才你走上台的时候，我们还在聊你是怎么努力跟上这些变化的。你是怎么跟上所有这些加速变化的？你会建议在场的每一个人如何跟上所有正在发生的变化？

我觉得，这就是新的常态。而且我认为在某种程度上，这其实不完全是因为 AI。我觉得这只是过去二十年 technology（技术）发展的一种趋势。做事情的人更多了。做事情也比以往任何时候都更容易了。

准入门槛在下降。这也意味着，创造价值、取得巨大成功都变得容易得多了。所以我认为，真正要做的是始终保持贴近现实，理解什么在变化；而且在某种程度上，这始终都要从同一件事开始，那就是你自己去玩一玩这项技术。听别人描述 AI，和你亲自去使用它，是完全不同的。但 AI 美妙的地方就在于，它非常直观。

这正是重点：不是你必须把自己拧成某种形状去适应机器，而是机器把自己调整来适应你。它是在替你做事。它应该是一种你提出要求，它就去完成事情的工具。所以我认为，真正努力去把握什么在变化、什么是可能的、模型在哪些地方还落后——这就是我所认为的核心技能，而它将真正决定未来很多公司的成功。

但从另一个角度看，你们也曾为了与 security agents 相关的工作而暂缓发布一些模型。所以这就像是在做和“越快越好”相反的事。也就是说，你们也在负责任地推进。那么你们是怎么考虑这种平衡的？毕竟你们身处一个竞争激烈的环境中，既想尽快 ship（发布）产品，同时也想把事情做对。

对。我觉得从价值观层面来说，这也是 OpenAI 的核心：我们真的希望把 AI 的力量交到人们手中。我们希望让人们能够使用这些正在被创造出来的工具去构建未来，但我们也必须以一种审慎的方式来做这件事，真正同时考虑两面：这边是收益，这边是风险，如何把收益最大化，如何缓解这些风险。我认为，在 cybersecurity（网络安全）和 biosecurity（生物安全）这些领域，我们一直都非常谨慎。长期以来，我们一直在建设这类缓解措施以及 trusted access programs（可信访问项目）；而且我们看到的趋势是，未来的模型将在各种能力维度上持续变得更强、更有能力。

我们上周还宣布扩展了 Trusted Access for Cyber program。顺便问一下，这里有人申请过吗？一个都没有？哦，我看到一只手，两只手。好，更多人应该去申请。

这很好。我们确实需要帮助，因为非常重要的一点是：那些值得信赖、负责任、并且真心想推动这些模型发展的人参与进来；因为这样做最终会让所有人受益。接下来几周，我们还会公布更多关于如何扩展这个项目的消息；另外，当我们把模型发布给所有人时，我们也会说明我们有哪些 mitigations（缓解措施），以及我们将如何调整这些措施，去真正做好平衡——一方面尽可能广泛地带来这些能力，另一方面也确保对那些我们所知、我们正在考虑的风险保持一定的 observability（可观测性），并确保这项部署尽可能带来正面效果。所以简短地说，这就是我们使命的核心。我们非常在意自己所做之事带来的影响，而不只是孤立地构建技术；这实际上需要整个社区、乃至整个世界共同努力，才能真正走到我们需要到达的地方。

现在把视角从模型上移到 application layer（应用层），也就是在场很多人正在构建的东西。OpenAI 是如何决定在应用层要做什么、又要留出什么不做的？

嗯，大家最近可能已经很多次看到“focus（聚焦）”这个词被用在 OpenAI 身上了，也许还是第一次——她一直在笑——过了挺久之后又这样。

这个词也被用在她身上了。

这很难，因为 AI 这个领域本身就充满机会，对吧？感觉就像任何你能想象到的东西都会很棒。毫无疑问，都会很棒。而我们作为一家公司，终究只是一家公司，不管我们建设多少 compute（算力），不管我们有多少人，我们能做的都只有那么多。所以我们一直在思考的一个重点是：怎样制定一种最聚焦的战略，去覆盖这个空间中的那些部分。

也许这是个 eighty-twenty，或者说，只是我们认为自己能够产生最大影响的那部分领域。我觉得这一点非常清楚。现在我们正在经历这一场 agentic 转型，所以产品会——而且这不只是 enterprise（企业）和 consumer（消费端）之间的区别，对吧？所以很明显，我们现在对 enterprise 是非常认真的。比如，我们正在向大公司销售，并且在那边建立一整套能力和 sales motion（销售推进机制）。

但 consumer 会是什么，这件事本身是会改变的，对吧？这是一个非常宽泛的词，里面装着很多不同的东西。但 consumer 里有一部分，不只是关于 productivity（生产力），而是关于 goals（目标）、关于实现你的目标，甚至关于弄清楚你的目标到底是什么，能够把这些引导出来，并且拥有一个能主动去做这些事的 AI——这些本质上都属于同一件事。说到底，我们想构建的是一个你可以与之对话的 AGI，它拥有所有这些 context（上下文），你可以把它用在个人生活里，也用在工作生活里。

它值得信赖，你可以向它寻求建议，它也能给你有用的信息，也许是健康信息，也许是财务方面的信息，或者是当你在思考自己的职业发展该怎么走时提供帮助。所有这些事情，最终都在层层汇聚到同一个方向上。这也意味着，我们不得不做出一些非常痛苦的决定，决定哪些事不做。但我想说，这就是我们看待问题的 aperture（观察口径），而凡是能够积累到、服务于我们想构建的那个单一愿景的事情，你都可以预期我们会去做。

明白了。你觉得几年之后，我们还会用 command line（命令行）和 agent 来写代码吗，还是说这一切都会被彻底改变？

我觉得，我们现在的工作方式其实处在一种非常不自然的状态。就像我们都坐在这个盒子一样的东西后面不停打字，而很明显，我们的身体并不是为这种状态设计的。于是就有了 carpal tunnel（腕管综合征）、耸塌的肩膀，以及这些各种各样的问题。而我不觉得这是我们想要的。我不觉得我们任何人真心想要——想要——

更多空闲时间？

我们想要更多时间。但这甚至不一定是 free time（空闲时间）的问题。更像是：你想花更多时间和你爱的人在一起吗？当然想。你想花更多时间与人交谈、提出精彩的愿景，或者只是去做那些让你兴奋的事，或者只是更好地理解你自己。

所以有点像，你想成为一个由 100,000 个 agents 组成的组织的 CEO 吗？这听起来其实相当不错。而且我认为，我们所有人都将能够完成多得多的事情。但其中的 mechanics（运作方式）会像这样发生变化：就像从必须用羽毛笔之类的东西手写一切，变成你只需要发一条 text message（短信），然后就会有人代表你、围绕你的目标去开展工作，那种程度的不同。

好的。我们聊过算力（compute），也聊过模型、安全、agent（智能体）和应用层。我们来谈谈 Frontier。模型什么时候才会足够强，能够推动科学前沿，以及 physical AI（物理 AI）的边界？

我们之前请到了 Jen Fang。看起来，LLM（大语言模型）一直是 digital intelligence（数字智能）里非常有效的 scaling law（规模定律），但对 robotics（机器人）、physical intelligence（物理智能），以及 biology（生物学）和 science（科学）中一些问题来说，效果似乎没那么强——这些问题大概更难验证，或者需要很长时间才能验证。那么，你们是如何跟踪当今世界里的 science 和 physical AI 进展的？

science 的确是我们非常重点投入的一个领域，而且我们已经能看到通向真正惊人进展的清晰路径。我们也开始看到一些初步的生命迹象（signs of life）。我觉得，在试图预测六个月或一年后会发生什么时，始终立足于今天正在发生的事情是很重要的。比如说，我们最近在 physics 上有一个成果：我们的 AI 提出了一个非常优美的公式，而研究这个问题相当长时间的 physicists（物理学家）原本认为这完全不可能，甚至觉得这也许是个无解的问题。而且这件事相当重要。这是真正严肃的 physicists，他们确实把这看作是朝着 quantum gravity（量子引力）以及相关问题得到某种答案迈出的一步。

当然，还没有到终点，但这是一大步。和仅仅几个月前相比，这已经是巨大的进展。所以这会让你不禁去想：一年之后，我们究竟会走到多远？当然，biology 这类领域和 physics、math（数学）不同——你必须离开那个优美的模拟世界，去面对混乱的现实。但我认为，我们已经在其他领域里学会了如何处理这种混乱的现实。

Software engineering（软件工程）就是一个完美的例子。我们已经真正意识到，仅仅造出一个能解决编程竞赛问题的系统是不够的。你需要的是一个见过真实世界里混乱代码库（code bases）、能应对人类以各种方式打断、还能承受这种带有对抗性的反复敲打的东西。所以我认为，在 science 上，我们将会看到一次真正的 renaissance（复兴）。也许今年我们就会看到一些重大成果。而我觉得明年将会是一个完全疯狂、非常疯狂的时期。

我们正生活在一个有趣的时代。我保证会准时放你走，因为你是个大忙人。在让你离开之前，我们的 shot clock（倒计时）还剩一分钟。既然你现在没有时间，但很快你可能会有很多时间，那么你和 Anna 平时会做些什么来放松、找乐子？

找乐子？嗯，和其他人差不多。喜欢看电影、去徒步（hikes）之类的。只是现在可能没有那么多时间去做这些——希望到了 post AGI（AGI 之后）的阶段会有更多时间吧。不过，无论如何，你还是得享受这一路上的过程。

谢谢你，Greg，今天来参加我们的活动。也谢谢大家。