Ep 91: Top AI Analyst Unpacks Today's AI Hype Cycle

你可以挥挥手说，不。这就像电。好吧，行吧。它就像电。

那电后来发生了什么？而且在有电之前也有一个时代，而生活在电力出现之前的人也并不蠢。你会不会觉得——

——像这些实验室的负责人一直在大谈工作流失，这种事是不理性的？

我们在这里会深入谈到逻辑谬误。所以我们看到 Jeff Hinton 在十年前就说过，别再培养 radiologists（放射科医生）了。而这里的问题在于，他其实并不真正理解 radiologists 做什么。

基于我们刚才关于 foundation models（基础模型）的这番讨论，你会不会在关注重点之类的方面做一些不同的调整？

我对 Sam Walton 很有共鸣。

我是来自 Redpoint 的 Jacob Efron，这里是 Unsupervised Learning。一档 podcast（播客），我们会就当下生态系统里正在发生的事，以及未来将走向何方，向 AI 领域最敏锐的头脑发问。今天，我们和 Benedict Evans 进行了一场非常精彩的对话。他是这个领域里我最喜欢的思考者之一。我很喜欢读他的 newsletters、presentations，也有机会和他坐下来，把很多事情都聊了一遍。

我们聊了在 AI 领域里价值会沉淀到哪里，也聊了他认为 foundation models（基础模型）最终的估值大概会是什么样。我们聊了为什么面向消费者的 AI 应用今天其实还不太行，以及能力那种参差不齐的“锯齿状前沿”及其对企业整体采用的影响。我们还谈到了他很多非常有意思的看法，比如工作的使用方式，以及这到底是不是一种赋能型技术。总之，能和我最喜欢的思考者之一聊这么多话题，真的特别棒。我觉得大家会非常喜欢这场对话。

闲话少说，下面请 Bennett。嗯，非常高兴来聊这个。我觉得你是科技领域里最有洞见的人之一。我很喜欢读你做的那些演示材料。显然，你对整个 ecosystem（生态系统）都产生了巨大的影响。

今天也很期待深入聊聊你对当下这个 ecosystem 的看法、model labs（模型实验室）的未来，以及价值会沉淀到哪里。但我真正想先切入的，是此刻这波 hype（热潮），因为我感觉你可能有一个相对更克制的判断。说“更克制”其实也挺有意思，因为你的意思仍然是：这件事的重要性至少和 internet、mobile 一样大，只是也许还没有到像 industrial revolution 那样改变整个人类文明的程度。我想先从这里开始。你现在最关注哪些事情，可能会让你改变这个判断？因为我相信很多听众都会不同意。

我不太确定，关于“这到底和 mobile 一样大，还是和 internet 一样大，还是和 computer 一样大”，这种说法到底能分析到什么程度。mobile 比 PC 更大吗？我一直有点难以理解，这些东西到底该怎么量化。我的出发点大概是这样：你看，internet 本身就是件大事，而且确实彻底改变了一切；mobile 是，PC 也是。是的，我觉得你当然可以说 web 比 PC 更大，因为 PC 那时大概也就是 5000 万到 1 亿台设备。

当 Marc Andreessen 推出 Netscape 时，全球大概有 7500 万到 1 亿台 PC；而现在有 50 亿部 smartphone。很明显，这个规模是在随着时间不断变大的。我想我真正有点纠结的是：以前从来没有发生过完全一样的事情。我们过去也没有见过技术这样大面积地替代工作岗位。我们现在正在以一种前所未有的方式把事情自动化。

前几天我和一家大公司的某个人聊过，他是个非常聪明的人，在各种偏 computer science 的领域都有 PhD。然后他说，大公司以前从来不需要面对“人们自己给自己搭工具和系统”这种事。我当时就在想：那你听说过 Shadow IT 吗？听说过 Excel 吗？没错，这次确实不一样，但每一次本来都不一样。

我们确实会经历这种巨大的变化，而且每次都不一样、每次都更大；但这并不意味着你就不该回过头去看一看：过去五次出现改变世界的技术时，到底发生了什么。我不觉得争论哪一个更大、哪一个更小有太大意义。更有意思的问题是：上一次、前几次，当我们遇到类似的东西时，发生了什么？当然，你也可以泛泛地说，不，这次像 electricity（电力）。我会说，好，可以。

如果这像 electricity，那 electricity 当年又发生了什么？在 electricity 出现之前也有一个时代，而那个时代的人也并不傻。他们当时同样在挠头，试图搞清楚这东西到底该怎么用。所以，别把现在想象成一种“以前什么都没发生过”的局面，这一点是有帮助的。更有价值的是坐下来认真想一想：这里面到底有哪些 pattern（模式）是你能看出来的？

我上周末写了一点关于 token 定价的东西。那篇文章里有一个核心板块就是：mobile 当年是怎么运作的？semiconductors（半导体）是怎么运作的？fiber（光纤）是怎么运作的？operating systems（操作系统）又是怎么运作的？

而且这些都没有预测力。也就是说，你不能因为它和 mobile 很像，就证明这件事一定会以某种方式奏效。但你应该回头看看 mobile 当年发生了什么，然后想一想：好，这会告诉我们什么，关于接下来可能发生的事？所以你可以指向 semiconductors，说当时存在一种不断升级的成本结构，Wach's law 认为，建设一座最先进 fab 的成本每四年翻一倍。对。

而 foundation models 看起来有点像那样。你也可以看 mobile，说 mobile 是有 marginal cost（边际成本）的。再增加更多用户——很多人没有意识到这一点，也不理解——所以 mobile networks 是有 marginal cost 的。你如果把流量翻倍，就得再建一大堆 base stations，还要在这些 base stations 上加装一大堆设备。

所以你就有 marginal cost。这看起来很像我们过去六个月经历的 supply crunch（供给紧张）：每个人都买了 iPhone，开始看 YouTube，结果网络崩了，他们不得不改变定价方案。但这个类比里有意思的地方在于，过去十五年里，mobile data traffic 大概增长了 1,000 到 2,000 倍。这是一个万亿美元级产业，他们每年花 200,000,000,000 美元做 CapEx（资本开支），但他们并没赚到什么钱。我的意思是，他们也赚了一点，但基本上所有价值都被别人拿走了。

他们没法去做 Uber。他们不运营你的 banking。也不做 YouTube。那些全都是别人做的。所以所有价值都流向了更上层的 stack（技术栈）。

而这显然也是 AI 的问题之一。你可以指向 cloud，也可以指向 operating systems。Sam Altman 说，我们会像 Windows 一样；但 LLMs 并没有 network effects（网络效应），所以看起来它们最终未必会变成像 Windows 那样。

但重点是要说，你看，这里面有很多不同的 competitive dynamics（竞争动态）、industry dynamics（产业动态）。在 stack 的不同层会发生什么？你能不能向上竞争？你能不能向下竞争？这些东西你都可以从中学到。

对。我觉得，让人很难判断这一切长期 macro impact（宏观影响）的一点在于，很明显，这些模型的能力不是静态不变的；而你刚才也提到了这个领域里一些悬而未决的大问题。感觉最大的问题就是，最终在 model 这一侧，我们到底能获得什么样的能力？我很好奇，什么会改变你的看法，让你觉得这件事其实比你现在认为的更重要，更接近 industrial revolution（工业革命）那种级别？会是 model capability（模型能力）上的变化吗？

嗯，所以我认为，你可以提出一个非常直接的反驳观点：只要指出，这里面的每一层其实都是复合叠加的。其中一部分也解释了为什么这次发生得更快。但比如说，mobile internet 并不需要等 internet 先出现，对吧。而 internet 也不需要等 PCs，PCs 也不需要等 semiconductors，semiconductors 也不需要等——我不知道，随便你认为哪种是使能技术——specialty chemicals 之类的，或者 photolithography。

而且那甚至不需要等到 electricity（电力）普及。并且 electricity 还有一个早已存在的完整制造业作为基础，等等。所以这里总会有一种复利式的叠加效应。换句话说，形容它有多大的一种说法是：Internet 已经很大了，但 Internet 比 PC 大 10 倍。对吧。

所以也许这会比 Internet 大 10 倍。与以往平台迁移相比，真正巨大而且可感知的差别在于，我们不知道它的物理极限在哪里。也就是说，我们并没有很好的科学理解，来解释为什么这些 model（模型）表现得这么好，以及接下来会发生什么。相比之下，比如回到 2010 年，你不知道下一代 iPhone 会是什么样，但你知道它不可能带什么 retinal implant（视网膜植入）、一年续航、还能飞、而且只卖 5 美元。再比如 Internet，在 1995 年时，你并不知道 Internet 最终会怎么运作。你大概以为自己知道，但其实并不知道。不过你知道 PC 要 2,000 到 3,000 美元，而且大多数人并没有一台；你也知道 telcos（电信运营商）不可能下个月就给地球上每个家庭都铺上 fiber to the home（光纤到户）。

对。你大致知道那些最基本的物理参数。所以这显然是一种概念层面的差异。但我想接下来也可以说，好，我们承认这里有一些自己不知道的东西，没问题。然后你就可以把这个问题拆开来看。

所以也许这里有一个二元问题。流传着一个都市传说，未必是真的：在 Cuban Missile Crisis（古巴导弹危机）期间，有谣言说导弹已经发射了，于是证券交易所里的所有人都开始抛售，而一位老交易员却走出去开始买入。他说，这件事是二元的：要么谣言是真的，那我们反正都要死了；要么它不是真的，那股票现在就很便宜。如果这些事真的发生了——如果 AGI 真会出现，或者 ASR，不管你选哪个 acronym（缩写）和对应的概念——如果这一切都发生了，那我们要面对的问题可比担心中产阶级失业大得多，像“乡村宠物”这种事，随它去吧。否则的话，那好，我们再来担心，再来试着搞清楚这对 enterprise software（企业软件）意味着什么。

对，就是这类问题。我很喜欢这个类比。

这就像，你甚至都还没法——对。现在其实根本无法知道 model（模型）进展的形状会是什么样。我们所担心的那种走势，以及它会对其他一切带来的影响，如果真是那样的话，还有大得多的问题要先处理。以至于几乎可以说，在那种语境下，你大概都不会去写 enterprise software，因为那时存在的是一种

快速——没错。对，就是这样。要么你还能去担心那些事。很多这类讨论最后都会变成一场寻找隐喻的过程。比如说，它像 nuclear weapons（核武器）。

像这个，像那个。很多这类讨论还会听起来像是一个微醺的哲学研究生凌晨两点说的话。就像，“嘿，哥们，你有没有想过，也许我们同样并没有结构性的理解？” 好吧，太好了。谢谢你。

我没法拿那个做任何事。我没法分析那个。这有点像 Descartes fallacy。Descartes 以为你可以从第一性原理推导出 God 的本质。不，你做不到。

我们不知道。我们之后会弄清楚。与此同时，先做点东西出来，再看看什么真的行。我的意思是，这又有一点呼应前面的话。你会回想到——你读过 John Perry Barlow 的《Declaration of Independence of Cyberspace》吗？

没有，我没读过。

天啊，你也太年轻了。John Perry Barlow 好像是 The Grateful Dead 的词作者之一，我想是。抱歉，其实我也太年轻了，不敢说自己真的了解这个。不过总之，他写过一篇非常优美、很有诗意的文字，大意是：你们这些钢铁、铁器与石头的巨人，在 internet 上并没有主权。那时候有些人真的觉得这东西会终结战争。

对。因为现在大家都能互相理解了。所以你得记住，围绕 internet 也曾经有过大量这种目光狂热、带有千禧年式乌托邦色彩的想象。其中有些是真的，有些并不是。与此同时，还是先做些 software，再看看人们到底会拿它做什么。

这样一来，你就会先把那整套争论放到一边，然后说，好，OpenAir 看起来有点像 Netscape。Chatbots，这是 web browser 吗？当然，你也不想把这个比喻卡得太死，但你眼前有一种东西，它很惊人，却又不好用。我觉得，用这种方式来理解我们现在所处的位置更有意思：就像回到 mid nineties 试着用 internet，或者别说 2010 了，回到 2002 去做 mobile internet。它算是有点能用，又显然非常酷、非常惊人，而且看起来会改变一切。

我对一个场景记得特别清楚：大概在 1999 年，我坐在一家 mobile software company 的会议室里。我手上有一台 Palm five，还有一部带 GPRS 和 infrared port 的 Nokia phone。于是我们在试着通过 infrared，把我的 Palm five 通过这台 Nokia 的 GPRS 连到 internet 上。我们当时坐在那里想，天啊，这也太酷了。可是实际上，根本没人能真正用起来，它也并没有真的行得通。

而且实际上，接下来十年里也不会有人真的这么做。显然，现在这个东西不需要再等十年，但它确实处在那种时刻：基础 building blocks 到底是什么？价值会被哪里捕获？杠杆点在哪里？什么样的体验才是人们真的会去用、并且能让几十亿人每天都使用它的？而不是像现在这样，1000 万人整天都在用，同时 10 亿人一个月只用一两次。

我稍微有点夸张了。现在大概有差不多 10% 到 15% 的人是 daily active users（日活用户）。而且所谓 daily active，其实也只是你一天用一两次。你不是一直都在用它。然后还有另外 20%、30%，甚至 40% 的人，是 weekly active users（周活用户）或者 monthly active users（月活用户）。

你也记得，在 social（社交产品）领域里，weekly active user 这种指标是胡扯。所以如果你一周只用这个一两次，那显然离 Silicon Valley 的那个梦想——它将改变 computing（计算）——还差得远。对，它有时是个有用的新工具。那我们怎么跨过这道坎？

我觉得这里有一个更有意思的分野。比如说在 software development（软件开发）里，这东西毫无疑问已经有了 product-market fit（产品市场契合）。对，啪，一下就成了。它改变了软件开发中的一切，没问题。这个我们可以展开说。

然后还有一批人，有点像我们这边的人，他们是为自己工作的 knowledge workers（知识工作者），比较灵活，不受大公司体系约束，手上同时有很多事情在推进，所以你会大量使用这个。我觉得这很像那些用 Nation 的人。然后还有另外一大批人，他们会说，嗯，挺有用的。嗯，那个挺酷的。但他们并不会一直使用它。

那这种情况会怎么改变？对。我在这里最常用的类比是：想象一下，你是一个 accountant，在 70 年代末第一次看到软件 spreadsheet（电子表格）。这会彻底改变你的人生。现在再想象一下，你是个 lawyer 看到它。

你会说，哦，挺酷。对，我下周可以拿这个来做 timesheet（工时表），但这不是我每天真正做的事。我觉得这大概就是那个分野。还有，这也就是我们开始录之前提到的，关于身处 Silicon Valley bubble（硅谷泡泡）这件事。如果你在 Valley bubble 里，弄了五台 Mac minis 组成一个 cluster（集群），然后你整天走来走去，笔记本电脑一直开着，

好让 Claude Cobb 可以持续运行，那你就不是这里的普通用户。普通用户，更像是 1992 年那个用 Telnet 去连接互联网、在互联网上再用 Telnet 的人，或者是 1994 年用 dial-up（拨号上网）配合 Netscape one 的人。还是更早一点，1994 年用的是 Mosaic？你并没有获得真正的体验。

整件事里可能最难的一部分，就是去搞清楚——我只是觉得，这对于当前 model（模型）的能力来说非常说得通。你大概可以回看两年前或者一年前，当时你可能会说，天哪，这些东西在某些 consumer（消费级）场景里有一些 product-market fit，但在别的地方基本还不太行。然后 coding（编程）这块开始奏效了。至于那些离研究最近、就在 labs（实验室）里的人，似乎都对能力持续提升这件事超级看多，甚至觉得它可能会开始改变其中一些局面——这个事实你怎么看，我也不太确定。

所以我觉得这里有一个问题，这有点像 UX 界面部署一类的问题：对于那些我们可能想自动化的问题，其中有多少其实是你连向一个真实的人解释都会觉得很费劲的？我换个说法，先假设 model 能力没问题，假设你有这么一件想用 global OTT 去做的事，但它就是做不了，或者你想不出该怎么告诉它去做。那么，如果另一端是个人，这件事会行得通吗？你要把自己想要什么解释清楚，到底会有多难？那会是什么感觉？

那会是正确的做法吗？我的意思是，我既不是 lawyer，也不是 accountant。我有点像个奇怪的 outlier，因为我是为自己工作，而且手下没有任何人。也部分正因为如此，我并没有很多重复性任务，因为我把自己的工作方式设计成没有那么多重复性任务——因为我本来也做不了那些事，我又没有一堆 interns。于是现在我有了 Claude、Copilot 和 ChatGPT，我现在有了这个东西，但我实际上并没有任务可以交给它。

我真正想说的是，这里面一方面有 model capability，另一方面有你自己识别并描述那些可以交给它处理的事情的能力。对，这是另一个不同的问题。我觉得这在 voice 和 chat 里尤其是个问题。但更难的是，你甚至很难意识到自己有这样一个问题，也很难意识到这个问题其实是可以交给系统处理的。

每一种新技术都会这样：要想出那些只有借助这种新东西才能做到的新事情，会更难，也需要更久；相比之下，把旧事情自动化、做得更多，反而容易得多。就像每一种新技术刚出现时，你总是先把自己已经在做的事情，用新技术做得更多、更快，同时硬把新技术塞进旧的做事方式里。至于去想出那种完全新的东西，就需要更长时间。对，那种东西只有因为这个新技术才成为可能。

而且通常来说，那种完全新的东西，并不是把你已经在做的一大堆事情自动化，而是别的东西。我在今年 5 月发布的那个演讲里做过一个分析——现在回头看简直像上辈子的事。Dog years now。Dog years，没错，AI years——分析的是 20 世纪里 The USA 的 accountant 从业人数，基本就是一条稳定向右上方增长的直线。即使科技行业一次又一次持续自动化，比如 punch cards、adding machines、mainframes，以及科技行业搞出来的所有这些东西，accountant 的人数还是一直在增加。

对这件事你可以有两种说法。其中一种就是现在这个已经成了陈词滥调的 Jevons paradox，去年大家都跑去 Wikipedia 查这个词，本质上说的其实是价格弹性。比如说，如果你把做事的成本变低了，那你是会用更少的钱做同样的工作，还是用同样的钱做更多工作，或者甚至花更多钱做更多工作，因为你的 ROI 可能变了？但我不觉得这里是这么回事。我不认为，如果你现在在 PwC 工作了五年，你做的事情就是 1970 年在 PwC 工作五年的人当时做的那些事情，只不过做得更多。

反正那时候也不叫 PwC。是 Pricewaterhouse，或者别的什么。总之，你现在做的并不是当年那些事的“更多版”。你当年会做的那些事情，现在已经变成每周一次、十秒钟就做完的东西了。对。

但这就是他的问题。只是把 model 做得更好。行，好。即便你真有一个实际上就是 AGI 的 model，或者不管 AGI 到底是什么意思——现在人们还在试图把 AGI 重新定义成那些两年前就已经能做到的东西，不过好吧。

假设你有一个 model（模型），而它实际上就像一个人。这意味着什么？它该被放在什么位置？你会拿它做什么？它又该如何融入一个组织？

而且，这个问题未必像看上去那么明显、那么容易回答。

如果你拿 accounting（会计）或 consulting（咨询）之类的工作来举例，你会想到——我觉得对此的一种反驳可能是——过去你也有一些工具，能够完成一个人所具备的大量技能中的某一个特定部分，这当然很好。于是，人们就去寻找自己还能做的其他技能。你可以想象，而且看起来相当有可能，当前这些相当不错的 models（模型），也许已经相当接近于：在一组技能上，达到一个普通 college grad（大学毕业生）的水平——这个人从来没在 consulting firm（咨询公司）工作过。这个例子我就拿来用了，毕竟那是我大学毕业后的第一份工作的一部分——

大学。

所以，我认为让人担心的是，任何那种可以被重新定义为“一个 22 岁、在这份工作上毫无经验的人也能做”的事情，model（模型）都可能开箱即用地直接完成。

所以，理解这个问题的一种方式是：我们一直在自动化越来越高层级的人类功能。19 世纪时，我们把人类当作 beasts of burden（负重劳力）来看待。于是我们先自动化了腿。然后自动化了手臂。再然后自动化了手指。

我们剩下的似乎就只有大脑了，但是感觉上——

但就像是，你已经一路把所有东西都逐步自动化，一直自动化到了 stack（栈）的最顶层。我觉得这某种程度上是一个 unfalsifiable statement（不可证伪的说法）。问题在于，其实你在 1950 年也可以这么说，因为当时你并不知道——后来又发生了很多你那时看不见的事情，而结果证明，那些东西你其实没法自动化。当然，我们也不知道这些技术接下来会走向哪里，哪些东西它将能够自动化，哪些又不能自动化。所以就像我说的，这是一个不可证伪的说法；你唯一能够证伪它的方式，就是五年后再回来，看看实际发生了什么。

但也有可能，没错，我们会得到一种按定义来说实际上能做人类所能做的任何事情的东西。那么，很显然，到那时一切都会改变。但现在我们还没有。我们现在拥有的是一种非常参差不齐、能力很不均匀的东西。对。

而且我们不知道它是否真的会一路发展到那一步。并且我们当然不能想当然，我是说，最让我抓狂的就是这类图表：AI 能做某件事，而这件事要人花十七个小时。那张八米长的图表。二十四小时。但与此同时，也有一些只要人花五分钟的事，它却做不了。

对。它不是那种线性的关系。intelligence（智能）不是那样线性增长的。所以，确实有可能，它最终会发展到能做任何人可能做的事。但目前它还做不到。

而且我们不知道它何时会、或者是否会具备那种能力。你回头看看过去那些你把一个 25 岁年轻人所做的事情几乎全部自动化掉的时期，再看看他们现在在做什么，这中间又是如何变化的？我的意思是，这有点像，你知道，追溯到十九世纪，这是一种 lump of labor fallacy（劳动总量谬误）：你总是能看见哪些工作会消失，却不知道会出现哪些新工作。对。而这些新工作会涉及完全不同类型的技能——那些技能你此前甚至没想到它们存在，或者没想到你会需要、会想要它们。

这些说法全都是不可证伪的。

对。不过话说回来，考虑到这一切，你觉得这些实验室的负责人如此频繁地谈论 job loss（失业、岗位流失）是不理性的吗？看起来这像是一个关于这些模型究竟会变得多好的、某种难以知晓之事的 probability distribution（概率分布）。而在这个概率分布中的某些部分里，这些事情确实非常重要，对吧？

对。我是说，这里我们会深入到 logical fallacies（逻辑谬误）里。比如 Jeff Hinton，大概十年前吧，说过“别再培养 radiologists（放射科医生）了”。这里的问题在于，他其实并不真正理解 radiologists 是做什么的。所以狭义上的问题是，machine learning（机器学习）实际上做不到他以为它能做到的事。

而更广泛的问题是，反正那本来也不是 radiologists 真正在做的工作。

还有，

你最初做咨询时，客户通常买的并不是一份 PowerPoint。PowerPoint 也许是这个项目有形的表达，但那并不是他们付钱给你的真正原因。他们买的是各种别的东西。做 accountant 也是一样，做 lawyer 也是一样。我在这里想问的是 consumer surplus（消费者剩余）。

所以，姑且说是 consumer surplus 在企业场景里的对应物吧。为了便于讨论，比如在 1980 年，你的 lawyer 会让他们的 paralegal 去地下室的图书馆。对。然后对方花一天时间回来，带回两个 precedent。很好。

到了今天，或者说五年前，你的 accountant、你的 associate 会去查数据库，然后找到 20 个 precedent。对手也一样。对吧。于是客户为同样的工时被收取同样多的钱。你在 filing 里交付的页数也还是一样多。

你的 filing 获胜的概率，和当年几乎完全一样。你得到的结果，大体上也和当年差不多。所谓 consumer surplus。也就是说，你为了交付同样的结果，实际上做了多得多的事情，但价格没变。这是一个极端例子，这就像 iPhone。iPhone 一出现，相当于价值 $10,000、$100,000 的 consumer electronics 都消失了。

所以，肯定会有一些情况确实是这样。我想，这里也许还有另一种看法，那就是去想一想，这件事的变化幅度会有多么巨大。我有一张图用了挺久。就是 Marc Andreessen 那句著名的话：software is eating the world。Uber 并不是把 software 卖给 taxi companies，Airbnb 也不是把 software 卖给 hotels。

这是个非常重要的观察。好。那 Uber 对 taxis 做了什么，再拿它和 Airbnb 对 hotels 做的事比较一下。结果是，如果你去看，比如说 New York，当然这事有点模糊，因为不同城市情况不同，但在 New York，taxi market 大概跌了——我记不清具体数字了——大概四分之三。Uber 则是这样一路冲上去。

而结果是，市场变得更大了，参与的人也更多了。我的意思是，这个市场的样子已经不同了。平均每个司机接单的次数变了，等等。但关键在于，它释放出了所有这些新的需求，并且摧毁了 yellow cab 业务。好。

现在再看 Airbnb，也许它只是稍微放缓了一点 hotels 的增长。对。它的规模可能只有 hotel market 的 10%、5%、15%。原因在于，hotels 和 cabs 本来就是不同的。对。

酒店业有一半是商务生意。还有一种“信心生意”。

只要这些 model 还呈现出这种参差不齐的能力，也就是它们

的确会工作——对，有些业务上很有效——但能力边界是参差不齐的，然后 use case（使用场景）也是参差不齐的，而且有些 use case 是物理层面的，不只是处理信息而已。所以几周前我写了一篇文章，想讨论如何预测对工作的影响，因为很明显，这会影响就业；但如果试图去画那种星形图、雷达图，说，啊，Opus 8.6 能完成一个律师事务所一年级 associate 93% 的工作——这是一种妄想式的说法。因为你根本没法那样衡量那个 law firm 的 associate 到底在做什么。你也同样没法衡量 model 是否真的能做到这些。

这其实就是一种“系统中的专家”谬误。以前人们某种程度上以为，你可以衡量自己是如何区分猫和狗的。你的意思是，这是同样的错误：你没法衡量一个 law associate 在做什么。我想表达的是，第一，accountancy 这类工作本身会变化，这就是我们前面做过的内容。第二，有些行业按你的分析看似完全不受影响，但会被别的东西彻底摧毁，比如 journalism。

为了方便讨论，假设 internet 完全没有改变“做一个记者”这件事本身，但它摧毁了本地广告业务，而这一点根本不在你的分析里。对吧。Uber 也是一样。比如说，你不会因为 smartphone 就看出这件事。没人会——我的意思是，我当时就在 mobile 行业里。

我们那时一直在谈 location，但没人看出这里面会有这样的机会。对吧。所以你再回头去检验这类分析，说这个工作暴露了多少，那个工作暴露了多少——都是胡扯。

这就像那个笑话：物理学家想预测哪匹马能赢比赛，于是说，我们先假设这匹马是一个完美的球体。你知道吧？就是这种感觉。很好，如果你先做出这种假设——如果你把它定义成一个你能理解的东西，那你当然就能理解它；但它根本不是那个东西，它其实是别的东西。

对。我觉得真正的问题是：是的，entry-level workers（初级员工）是否仍然拥有一些 model 所不具备、也不相同的能力？

对。你有没有接触过 Anselm 的证明？Anselm 是一位中世纪神学家。Anselm 说，好，第一条命题，按定义，God 就是那个不可能有任何事物比 God 更伟大的存在。好，这听起来还算合理。

第二条命题，存在的东西比不存在的东西更伟大。对吧？因此，God 存在。然后三十秒之后，房间里的所有人都会说，Anselm，老兄，这他妈完全是胡扯。因为照这种方式，你什么都能证明。

比如，一匹存在的马就比一匹不存在的马更好。比如说，如果 unicorn 存在而不是不存在，那当然会更好。你不能这样去证明事情，但人们花了差不多一千年争论这个问题，才搞清楚它错在哪里。我提这个的原因是，如果你把 AGI 定义成必然不可避免、并且必然会杀死我们所有人的东西，那 AGI 就必然会杀死我们所有人。很好。

但你其实什么都没有证明。

对。所以在这期间，你会关注什么？很显然，总好像一直有一群人在说，模型又能多做一些事了；但同时又会有人说，好吧，它还是做不了 X 或 Y。我很欣赏你的一点是，你在这个问题上有一种细致、审慎的看法。你会根据已经摆在那里的事实来判断。你正在密切关注哪些事情，或者说，哪些事情会开始让你调整自己在这方面的看法？

我觉得这里面可以稍微拆开来看：有哪些比较有意思的问题集合？首先，有一类是资本层面的讨论。那么，chips 这边到底发生了什么？data centers 里又发生了什么？芯片的供给和需求什么时候能重新赶上？