LinkedIn联创Reid Hoffman：Web 2.0时代把钱赚得太容易了，硅谷已经不太会做「难而正确」的事

来源：Z Finance

作者：ZF编辑部

硅谷这些年最擅长的事，是把复杂世界压缩成几个好讲的故事。平台、网络效应、增长飞轮、订阅模型。故事讲久了，人就会产生一种错觉，好像只要把一个行业软件化，再配上足够的算力和融资，它就会像社交产品一样被重写，被迭代，被迅速占领。

Reid Hoffman 在最新的访谈中表示，AI 时代最值钱的机会，往往不在硅谷最熟练的那套工具箱里，而在它最容易轻视、最不愿投入、也最难用一页 PPT 讲清楚的地方。

他并不否认聊天机器人、生产力工具、编程助手能赚钱。问题在于，它们太显眼了。显眼的意思是，所有人都看得见，资本和人才会像潮水一样自动涌入。这样的赛道当然热闹，但热闹不等于结构性溢价。你更可能拿到的是同质化竞争、价格战和更短的窗口期，而不是长期的确定性优势。

真正的分水岭在第二层。哪些东西会变，哪些东西不会变。平台会换皮，叙事会换词，产品会换入口，但网络效应、企业集成、信任与分发这些硬逻辑不会消失。所谓新世界，最后依然要回到旧问题上来，只是整合会更残酷，集中会更明显，赢家通吃会更彻底。

硅谷当然不是看不到机会，而是本能地看不起某些机会。看不起慢，看不起脏，看不起那些被监管和现实反馈牢牢拽住的系统。

第一类就是生物与医疗。药物发现、医疗研发听起来像信息问题，但它的节拍器从来不在代码仓库里，而在实验室、伦理审查、临床试验和审批流程里。你可以把筛选、预测、设计做得更高效，却必须接受一个事实，这里的失败率是结构性的，验证成本是刚性的，周期也不是加班就能压缩到软件速度的。AI 能加速的是试错的效率，而不是取消试错本身。

第二类是原子世界的成本结构。机器人、自动化、供应链与劳动力，决定成败的往往不是能不能做到，而是值不值得做。叠衣服在人类看来几乎没有技术含量，但在机器面前充满了不确定性。材料的柔性、抓取的触觉、环境的变化，每一步都像在跟现实摔跤。于是出现一种反直觉的局面，白领世界里看上去更复杂的工作，反而更早被改造；物理世界里看上去更简单的动作，却因为资本开支、维护成本和场景不确定性，迟迟无法规模化。

硅谷过去靠数字世界的低摩擦红利赢得太容易了，而真正的新大陆反而会出现在高摩擦领域。医疗、药物、劳动力、自动化、政府治理、教育与儿童认知，这些地方不性感、不快、难以被模拟，还带着监管与伦理的硬门槛。但正因为如此，它们也更难被显而易见的创业者复制。

以下是全文翻译。

AI投资从“七宗罪”到硅谷盲点，医疗及劳动力的重构之路

Erik Torenberg：Reid，欢迎来到Face播客。

Reid Hoffman：很高兴能来这里。

Erik Torenberg：Reid，你是Web2.0时代最成功的投资者之一。你投资了Facebook、你联合创立的LinkedIn，还有AirBNB等众多企业，而且你有不少框架助力自己的投资决策，其中就包括“七宗罪”框架，我们也经常提到。如今你在做AI投资，会采用什么样的框架或世界观来指导这项工作呢？

Reid Hoffman：很明显，我们现在都像是透过昏暗的玻璃看世界，在充斥着闪光灯的迷雾中摸索，很难看清当下的局势。所以我们都在这片全新的领域里摸索前行。我不确定我提出的“七宗罪”框架是否还适用，因为这个框架探讨的是全球80多亿人共同的心理基础设施问题。不过我认为有几个关键点需要关注。首先，会有一系列显而易见的机会，比如一大批出色的聊天机器人，还有生产力工具、编程助手之类的产品。当然，这类领域依然值得投资，但正因为是“显而易见的机会”，意味着所有人都能看到，所以要做差异化投资会更难。

第二个值得关注的点是，AI究竟意味着什么？因为人们在面对颠覆性领域时，往往会说“一切都会改变”，但实际上只是重要的东西发生了改变。就像你提到的Web 2.0和LinkedIn，很明显，平台变革带来了新的可能，那现在会不会因为AI，诞生出下一个类似LinkedIn的平台？出于我与LinkedIn的渊源，我当然希望LinkedIn能抓住这个机会成为那样的平台，但我始终支持创新和创业，希望能为人类带来最好的结果。不过关键是，哪些是相对传统、始终未变的核心逻辑？比如网络效应、企业集成，还有其他一些领域——新平台虽然会打破现有的格局，但你终究还是要以某种方式重新整合这些格局，那具体该怎么做呢？

第三个点，也是我投入最多时间的领域，是我所说的”硅谷的盲点“。硅谷无疑是世界上最了不起的地方之一，这里有紧密的合作与竞争网络，有知识共享、技术发明和新事物的创造，这些都非常棒。但硅谷也有自己的固有准则和盲点，其中一个典型的盲点就是：认为所有事情都应该用计算机科学来解决，都应该靠软件实现，都应该在数字领域完成，因为这是最关键的方向——当然，这个领域确实是投资的好赛道。但问题是，AI革命中哪些领域会产生颠覆性的魔力，却又不在硅谷的认知盲点之内？这大概是我在联合创业、技术研发和投资等方面投入大部分时间的方向。因为我认为，对于一件极具潜力的大事而言，抓住其认知盲点所在，恰恰是打造下一个标志性企业的长期机遇。

Erik Torenberg：没错，我们再深入聊聊这个话题。我们之前也谈到，人们过于关注生产力和工作流程层面的AI应用，却忽略了其他维度。你可以再讲讲那些你觉得更有意思的方向吗？

Reid Hoffman：其实早在2015年，也就是十年前，我在Greylock就跟合伙人说过：AI在生产力领域肯定会催生出一大批相关产品，你们如果有相关企业需要我协助，我会尽力帮忙，你们做得很棒，企业级生产力工具这类领域也是Greylock的专长。但我当时也说，我认为挖掘硅谷的盲点，还能找到其他机会。比如你们都知道的maddi AI，我们要打造一个以软件速度运转的药物发现工厂，这就是其中一个方向。

显然，这里面涉及监管问题，也涉及生物数字技术，所以它不可能完全达到软件的运转速度，但我们该如何实现这个目标呢？有人问我，“你对生物学了解多少？”我的回答是“几乎为零”——当然也不是真的一点都不懂，我在Biohub董事会任职10年，也在Arc董事会任职，一直都在思考原子世界和数字世界的交叉领域。而生物数字技术，在很多方面都介于原子和数字之间。我对这个领域思考了很多，关注的重点并非某一家具体的公司，而是哪些事物能提升人类的生活质量。这也是我参与Biohub和Arc的部分原因。但后来我意识到，如今有了AI，发展速度会进一步加快。我先岔开话题讲个有趣的事吧。

大概也是十年前，我受邀给斯坦福长期规划委员会做演讲。我当时告诉他们，应该把所有精力转向为每个学科打造专属的AI工具。那时候ChatGPT还远未出现。我用搜索打了个比方：想象一下，每个学科都有一款定制化的搜索生产力工具。那时候我能想象到，除了理论数学和理论物理，我几乎能为所有学科打造这样的工具。而如今，就连理论数学和理论物理领域，或许也能实现了。没错，就是要通过这种方式改变知识的生成、传播和分析方式，道理其实是相通的。

现在有人认为，生物系统太过复杂，无法进行模拟。虽然LLMs已经带来了很多突破，但硅谷一个典型的盲点就是：“我们只要把一切都放进模拟系统，就能研发出药物。”可模拟的难度其实极大。

不过，从AlphaFold和AlphaZero的研究中，我们能得到一些启发。人们总觉得，要让物理材料领域产生重大突破，必须依靠量子计算，但实际上，只要做好预测并保证预测的准确性就有可能实现——而且准确率甚至不用达到100%，1%就够了。因为你可以验证剩下99%的预测是错误的，然后找到那1%正确的答案。打个比方，这不是“大海捞针”，而是“在太阳系里找一根针”，但借助AI，我们或许能做到。这也让我意识到：硅谷传统的思路是靠模拟解决一切，但这行不通；还有人觉得我们会拥有超级智能的药物研究员，两年内就能出成果，但我认为这一天或许会来，但绝不会很快。这就是我关注的其他领域的情况。如果时间允许，我再举另一个例子，你肯定会感兴趣。

这和我们10到15年前的一些对话能呼应上。本周日我要参加一场辩论，主题是“AI是否会在短短几年内取代所有医生”。支持方的论点其实很容易立住脚：AI的能力正在飞速提升。看看如今的ChatGPT就知道了。我想给所有听众一个建议：如果你拿到重要的医疗诊断结果，却不用ChatGPT或同类工具做二次验证，那你简直是失去了理智，也太无知了。如果AI的结论和医生的诊断不同，那就再去寻求第三次意见。AI的诊断能力远超地球上任何一个人类的知识储备，所以如果医生的角色只是“知识存储器”，那这个角色肯定会被取代。但问题是，我们要思考医生的核心价值究竟是什么——这并非只是有人握着你的手安慰你那么简单。我认为，十年、二十年后，医生这个职业依然会存在，但不再是作为“知识存储器”，而是作为知识存储工具的专业使用者。医生的价值不再源于“我在医学院读了十年书，死记硬背了无数知识”，这部分能力注定会被淘汰，这是好事。但成为一名医生，还有很多其他维度的要求。

我用了ChatGPT Pro的深度研究功能，也用了Claude Opus4.5的深度研究、Gemini Ultra和Copilot的深度研究功能。我用尽了自己所知的所有提示词技巧，想让这些AI为我的辩论立场提供最有力的论据——毕竟我要辩论的是AI相关的话题，当然应该用AI来辅助辩论。但这些AI给出的答案全是废话，即便我把提示词做到了极致。当然，世界上可能有比我更擅长写提示词的人，但我在GPT-4向公众开放前六个月就开始使用它了，在提示词方面也算有经验，绝非新手。我研究了这些答案后发现，这一现象很有意思，也反映出当前大语言模型的推理能力存在局限性：这些AI动用了32个GPU计算集群进行了10到15分钟的推理，产出的内容虽然比分析师花三天做出来的东西看起来更惊艳，但存在致命缺陷——它只是把当下主流杂志文章中支持我立场的观点做了个共识性总结。而这些总结都站不住脚，核心论调无非是需要人类交叉验证诊断结果。但作为技术从业者，我们很清楚，未来不会再是人类交叉验证诊断，而是AI交叉验证AI的诊断结果，甚至是AI之间互相交叉验证。当然，人类还会参与其中，但二十年后，医生的核心工作绝不会是交叉验证诊断结果。因为医生必须尽快明白：如果你的观点与AI给出的共识结论不同，你必须有充分的理由，并且要去做深入调查——这并不意味着AI永远是对的。而这恰恰是所有职业未来都需要的能力：更多的横向思维和跨界思考。共识性观点固然重要，但如果观点并非共识呢？这才是医生、律师、程序员未来需要聚焦的工作核心，而当前的大语言模型在这方面的结构性局限依然很明显。

Alex Rampell：我很喜欢Richard Feynman的一句话：“科学是对专家无知的信仰。”确实，很多职业里，文凭成了专业能力的代名词。仿佛成了“有这个文凭，就代表懂这个领域”的逻辑——有医学博士学位，就懂医学；有法律博士学位，就懂法律。这也是为什么编程领域其实走在了前面，因为这个领域里，没人在乎你从哪拿到的学位。这种特质在社会其他领域还未普及。有趣的是，Milton Friedman曾被问到——他是著名的自由主义者——“你难道不觉得脑外科医生应该要有文凭认证吗？”他的回答是“市场会自行解决这个问题”，这听上去很离谱，但如今在数字领域，编程行业就是这样运作的。而很多领域之所以思维模式不够先进，正是因为它们建立在层层文凭主义之上。从历史来看，文凭主义确实是个不错的经验法则：如果一个医生是哈佛医学院的尖子生，那他大概率是个好医生。

Reid Hoffman：没错，三年前你肯定会看重这一点，毕竟当时人们需要的是拥有扎实知识储备的人，有文凭就意味着有储备，这当然很好。但现在，我们已经有了AI这个“知识存储器”。我完全同意你的看法，这也是我觉得你会对这个例子感兴趣的原因，因为这和我们之前的讨论能呼应上。

Alex Rampell：我还以为你会聊数字与原子的差异这个话题。现在的情况很有意思：高价值的工作，比如高盛的卖方分析师做的深度研究，已经被AI渗透；而叠衣服这样的事，要实现自动化需要十万美元的资本支出，还不如雇个时薪十美元的人来做。原子世界的事物真的很难被颠覆，我们最终会实现，但这无疑是硅谷的一大盲点。这其实也是数字与原子领域在资本支出和运营支出上的差异。

Reid Hoffman：原子领域确实是另一块重要阵地，而生物领域之所以值得关注，也是因为生物本质上是数字化的原子。

Erik Torenberg：那为什么叠衣服这么简单的事却迟迟难以实现自动化，而深度研究这类复杂工作反而更容易被AI攻克？

Alex Rampell：其实叠衣服的自动化技术本身并不难研发。

Erik Torenberg：或者说，为什么叠衣服的自动化研发耗时更久、成本更高？我们事先根本难以预料到这一点。

Alex Rampell：我几年前和Ilia聊过这个问题。阿西莫夫的小说里描绘过机器人会为人类做饭、叠衣服的场景，可这些为什么至今都没实现？核心问题在于，我们一直没有造出足够智能的“大脑”。比如，要拿起这个水瓶，人类的手其实具备极其精巧的操作能力，而机器人很难复刻。

为什么人类比其他物种更先进？有两个原因：第一，我们有对生拇指；第二，我们创造了能够代代相传的语言系统，也就是文字。海豚其实非常聪明。曾经有理论认为，物种的先进程度不只是看大脑大小，还看脑体比，人类的脑体比是最高的。但事实并非如此。如今我们测量了所有动物的脑体比后发现，很多动物的脑体比其实比人类更高，比如大象、海豚等，具体数值我记不清了。但它们没有对生拇指，因此无法发展出文字，也就无法实现知识的代际迭代，而人类做到了。当然，人类的发展进程先是缓慢积累，工业革命后开始加速，到现在更是持续爆发式增长。发展速度一直保持着这样的趋势。

Reid Hoffman：这也是我在过去五年里意识到的一点：人类的经典分类是智人（Homo sapiens），但我认为人类其实是“技术人（Homo techn）”——因为我们通过技术实现迭代。没错，正是如此，无论是文字、打字技术，还是其他技术，人类都借助技术完成迭代，并将成果传递给后代，在此基础上发展科学和其他领域。我认为这才是人类发展的关键。

Erik Torenberg：还有一些其他的解释：比如我们拥有的白领工作相关训练数据，远多于物体抓取这类体力劳动的相关数据。也有人从进化角度提出，人类使用灵活的拇指的时间，远比阅读这类脑力活动的时间要久。

Alex Rampell：没错，这和原始脑有关。人类大脑的大部分区域都不是新皮层，而绘画、创作这类复杂行为恰恰由新皮层主导，这些能力其实极难被复刻。你找不到会画画的海豚，这可能是因为它们没有对生拇指，但也可能是它们的这部分大脑尚未进化出来。人类经过数十亿年的进化，形成了诸多本能反应，比如战斗或逃跑反应，这些反应的出现远早于绘画能力。但我认为核心问题还是电池化学的瓶颈——锂电池虽然很先进，但其能量密度和细胞中的三磷酸腺苷相比差得太远了。正是这些原因，导致机器人技术的落地始终受限。

其中最关键的是，机器人的“大脑”一直不够智能。像Fanuc生产的流水线机器人运作得非常好，因为其工作场景具有高度的确定性。但一旦进入多自由度的场景，就需要协调无数环节才能正常运转。而且成本极高：造一台叠衣服的机器人需要十万美元，而我们有大量劳动力可以做这份工作，从经济角度来看完全不划算。但这也是日本成为机器人技术领军者的原因——他们面临劳动力短缺，所以只能研发机器人。这是真实发生的事。我在日本打保龄球时，看到有一台自动售货机式的机器人负责分发保龄球鞋，还会清洁球鞋。这种设备在我们这里绝对不会被研发出来，直接雇个当地高中的学生来做就好了。

Reid Hoffman：而且人力做这件事更便宜、效率也更高。

Alex Rampell：这其实是资本支出和运营支出的平衡点问题：当两者的成本曲线相交时，研发机器人就变得划算起来。随着技术成本下降，资本支出自然会比运营支出更具优势。

Reid Hoffman：关于机器人领域，我认为还有更深层的原因。首先是数字信息的价值密度：在语言领域，即便像浪漫小说这样的内容，也蕴含着极高的数字信息价值密度；但在现实世界中，如何从海量的物理信息中提炼出有效数字信息，以及该如何提炼，都是难题。其次是常识感知能力：从GPT-2到GPT-4、GPT-5的发展过程，就像是一个“天才症患者”的成长——这些模型能力惊人，但也常会犯低级错误。

微软多年来一直在做一个实验：让AI智能体相互对话，持续一整年观察结果。结果发现这些智能体经常陷入“不了，谢谢”的循环，一个月后还是重复“谢谢，不了”，而人类早就会停止这种无意义的对话。这其实反映了AI的语境感知能力缺陷，它们无法根据语境做出灵活调整，始终停留在机械的回应中。即便AI在数据、推理和个性化方面取得了巨大进步，其语境感知能力也只是通过其他方式间接实现的。

Erik Torenberg：Reid，我想再深入聊聊医生的话题。Alex，我们刚发布了你关于“软件吞噬劳动力”的演讲，我很好奇你用什么框架来判断，哪些领域会更多采用Copilot协作模式，哪些领域则会被AI完全取代工作？

Alex Rampell：我希望我可以给出完美答案。如果让大语言模型来回答这个问题，可能也就拿个B-，等它能拿B+了我再参考它的答案。我觉得很大程度上是行业的固有形态决定的：比如人们信任医生，评判医生的标准往往是“毕业于哪所医学院”。显然，现在有三分之二的医生在使用Open Evidence——这款工具就像整合了《新英格兰医学杂志》内容的ChatGPT，还获得了相关授权。

Reid Hoffman：是Daniel Nadler开发的那款吧。

Alex Rampell：对，还有Ken参与了开发。所以医生使用这类工具是必然的——套用你的“七宗罪”框架来简化说，所有人都想偷懒又想赚更多钱。如果一款工具能让医生看更多病人、做更少工作，他们肯定会用，没有理由拒绝。但这是否意味着医生的工作会被完全取代？其实“软件吞噬劳动力”这句话并不完全准确。

目前最成功的软件产品，从来都不是“让所有人失业”的产品——没人会买这样的产品，也很难推广。反而是那些“能让人偷懒”的产品更受欢迎。当然不会直接这么宣传，偷懒又赚钱听起来不太正面。换种说法，“让你工作更少、赚得更多”，这绝对是杀手锏。如果一款产品能做到这一点，又由具备专业背书的主体推出，就会被各个行业接连采纳。最终就会出现你说的情况：如果做医疗诊断时不用ChatGPT，那简直是疯了。只不过这种观念还没有在人群中完全普及。

Reid Hoffman：何止是没普及，简直是才刚刚开始。

Alex Rampell：我知道。

Reid Hoffman：但你说还没完全普及。我觉得这也是大家开始使用它的部分原因，没错。

Erik Torenberg：千真万确，毕竟它是有史以来增长最快的产品。但话说回来，它的普及程度依然很低。

Alex Rampell：这也是我坚信AI被严重低估的原因——不过在硅谷，可能没人会这么说，或许是因为估值的问题。

Reid Hoffman：我们都不觉得它被高估了。

Alex Rampell：但我发现，当我在现实中给普通人展示AI的能力时，他们完全没概念。部分原因是他们看了IBM Watson的广告，就觉得“这就是AI？”不，那根本不是真正的AI。还有人接触过所谓的“伪AI”，或是两年前用过ChatGPT，发现它解决不了问题，就否定了AI。

有意思的是，当年你还是我在TrialPay的投资人时，我写过一篇博客，标题是《永远不要用当下评判人和事》。这是很多大企业人士会犯的分类错误，我这话其实也带点隐喻。我在博客里举了个例子：我找到一段Tiger Woods的视频，他当时才两岁半，就能打出一杆完美的直线开球，还上了Tonight Show之类的节目。看这段视频有两种视角：一种是“我44岁，能把球打得比这孩子远多了”，这话确实没错；另一种则是“哇，这个两岁半的孩子如果坚持下去，未来肯定会非常厉害”。大多数人只会用当下的标准评判事物，这也是AI被低估的原因——他们在某个时间点试过AI，而从概率上来说，这个时间点往往是在过去，发现AI满足不了自己的需求，就认定它没用，这其实很片面。我认为AI的普及很大程度上会围绕偷懒又赚钱这个逻辑展开，很多AI产品的爆发也正是基于此。不过在超大型企业里，这种现象反而更少，因为这些企业存在委托代理问题：比如我是某部门总监，公司赚了钱、省了成本，但我只关心能不能早点下班、能不能升职，AI带来的好处只属于公司这个抽象主体；而在小企业、个体经营者或私人医生那里——比如我开了一家皮肤科诊所，AI能让我接待五倍的病人，或是作为原告律师，AI能让我拿到五倍的和解金——我肯定会用，因为这能让我少干活多赚钱，这是毫无疑问的。

Erik Torenberg：我觉得这个模型说得特别好。

Reid Hoffman：顺带一提，你这话让我想起Ethan Wallach的一句话，我经常引用：“你用过的最差的AI，永远是今天的AI。”这话没错，因为它提醒你，明天的AI会更好。

Alex Rampell：是啊，很多怀疑者犯的正是这个错：“我两个月前试过AI，它解决不了这个问题，所以它不行。”这就是用当下的眼光看问题，你得学会推演未来——当然也不能过度推演。我感觉低估AI的人分两种：一种是对AI一无所知的人，一种是对AI了如指掌的人。这很有意思，就像那个经典的迷因图，不是越无知越自信的那种，而是曲线中间的这群人是对的。通常迷因图里是两端的人看似愚蠢实则聪明，但这里恰恰是中间的人是清醒的，因为他们正用AI让自己少干活多赚钱。

Reid Hoffman：我还想告诉大家的是，如果你至今还没找到AI在正经事上帮到你的方式——不是用来给孩子生日写首十四行诗，也不是问“冰箱里有这些食材，我该做什么饭”这类小事，而是在工作、在你真正重要的事务上——那只能说明你尝试得还不够。当然，这不是说AI能解决所有问题。比如我如果输入“Reid Hoffman该如何通过投资AI赚钱”，哪怕一个月后再试，我估计得到的依然是那种糟糕的商学院教授式答案，而不是真正的投资门道。但每个人都应该去尝试。

比如我们收到项目计划书时，会把它放进AI里，让AI生成一份尽职调查计划。如果有人还没这么做，那就是失误了。因为五分钟就能得到一份计划，你一看，“第一条不行，第二条也不行，第五条也不行，但第三条不错”，而我自己做的话，可能要花一天才能想到第三条。

大模型的边界与AI进化“天才症患者”的未来

Erik Torenberg：说到推演未来，过去几年AI的发展速度确实惊人。你从一开始就参与了OpenAI的相关工作，那从更宏观的角度来看，未来几年缩放定律是否依然成立？大语言模型的局限性在哪里，我们能靠它走多远？是否需要其他类型的突破性技术？你对这些问题怎么看？

Reid Hoffman：我们都在试图推演未来的发展，这也是硅谷的一大优势，由此也诞生了奇点理论、超级智能理论、指数级发展迈向超级智能的理论等。我发现，这类推演的常见误区并非“推演未来”这件事本身——聪明人就该做这件事，而且我记得当时也帮你推广那篇博客，很多人也认同这个观点。

误区在于把发展曲线归为哪一类：如果是“天才症曲线”，那结果就完全不同。有人会觉得AI会达到极致，变成无所不能的“神”，但事实并非如此——未来的AI只会是比现在更厉害的“天才症患者”。不过即便如此，人类依然有发挥的空间，通才、交叉验证者、具备语境感知能力的人，始终会有价值。当然，AI或许会跨越某个临界点，也可能不会。

这里面有很多问题值得探讨，但人们的推演往往陷入“既然是指数级发展，那2.5年后就会出现魔法般的突破”的误区。AI确实带来了魔法般的改变，但并非所有事都能靠它实现魔法般的解决。我个人的观点是，批评LLMs的人也犯了错误——他们会列举大语言模型在表征、质数计算等方面的种种失误，以此证明它失效了。

Alex Rampell：我们都见过这些批评的声音。

Reid Hoffman：没错，但他们恰恰忽略了AI的魔力。诚然，未来3到5年，大语言模型可能仍会面临一些结构性难题，但AI并非只有大语言模型这一种，而是多种模型的组合。我们如今已经在这么做了：比如用扩散模型处理各类图像和视频任务。

而且，如果没有大语言模型构建的本体论，扩散模型也无法完成“生成我和Erik Torenberg作为《星际迷航》舰长探索宇宙、与瓦肯人首次接触”这类任务——现在我们用手机就能做到这一点，这得益于OpenAI，还有Google的模型也很出色，但这类任务都离不开大语言模型。人们需要认清的是，未来的AI会是大语言模型、扩散模型，以及其他模型通过某种架构整合后的产物。一个有趣的问题是：这种整合架构的核心是大语言模型吗？架构本身又是什么？

这一点还待定，而架构能达到何种智能水平，也是个值得探讨的问题。我会和所有批评者深入交流，并非因为认同他们的观点，而是想提炼出其中的核心洞见。比如最近和Stuart Russell的几次对话就让我很有收获，他说如果能让这些模型的架构更具可预测性，就能大大缓解人们对AI失控的担忧，那我们就该朝着这个方向努力。不过我认为，像对代码进行逻辑验证这类输出验证工作，目前还很难实现——我们甚至连代码验证都做不到，这类验证工作的难度极高。Stuart Russell是个天才，或许他能找到解决办法，但“让AI更可编程、更可靠”无疑是个值得追求的目标，顶尖人才应该投身其中。当然，智能AI本身也能助力这件事。

Alex Rampell：这涉及到数学层面的问题。如果你思考世界的底层逻辑，哲学是一切的基础，数学也源于哲学——笛卡尔坐标系就以Descartes命名，这就是哲学根基的体现。学科的层级大致是：哲学衍生出数学，数学衍生出物理学——牛顿创立微积分就是为了理解现实世界；物理学衍生出化学，化学衍生出生物学，生物学又衍生出心理学，这就是学科的堆叠结构。所以如果攻克了数学领域，会带来非常有趣的突破。Rutgers的Kontorovich教授对此有很多研究。

我曾是数学家，所以对这部分格外感兴趣。数学领域存在一些极难的问题，有传言说DeepMind即将解决纳维–斯托克斯方程，这将是重大突破——它可是克莱数学问题之一。但像黎曼假设这类问题，目前还没有评估标准。

这也是AI发展的关键：比如美国高中数学邀请赛（AIME）的答案都是0到999之间的整数，你可以不断尝试，很容易验证答案的对错；但一旦涉及数学证明，难度就会陡增。如果AI能攻克数学证明，这算AGI吗？恐怕不算，因为AGI的定义一直在变化，但数学领域的突破确实极具意义。

Reid Hoffman：说白了，AGI就是我们尚未发明出来的那种AI。

Alex Rampell：这和之前的观点是呼应的：你用过的最差的AI永远是今天的AI，而AGI就是你明天会拥有的AI，本质上是一个道理。数学领域也同样有趣，因为这里的突破不是解决高中数学那么简单。如果AI能真正逻辑构建并验证一个数学证明，那意义重大。有一款专门用于数学证明的编程语言叫Lean，这类技术也很吸引人。所以AI的发展有很多不同的突破方向，这是另一种思考视角。

Erik Torenberg：太有意思了。正如你刚才提到的，Alex、Reid，你是哲学专业出身，同时也深入研究神经科学。有些人认为，我们永远无法创造出拥有自身超级意识的AI，因为我们连自己的意识都不懂，连自己的大脑如何运作都不清楚。更宏观的问题是：AI会有自己的目标或能动性吗？你们对AI意识相关的这些问题怎么看？

Reid Hoffman：意识本身就是个复杂的难题，我简单说几点。我认为AI具备能动性和目标几乎是必然的，只是我们需要在这方面获得足够的清晰度和控制力——这和之前讨论的“何种计算架构支撑AI”属于同一类问题。因为要解决复杂问题，AI必须能够设定自己的次级目标等，所以目标设定、行为执行及从中推断结论，都是必要的。

这就引出了那个经典的设想：你让AI最大化曲别针产量，它就会试图把整个地球都变成曲别针。这明显是早期计算机缺乏语境感知的产物，而我甚至担心现代AI系统也存在这个问题。但另一方面，真正的智能不会这么简单——它不会一门心思只想把所有东西都变成曲别针，实际运作起来远没有这么极端。

意识则是个更有趣的问题，很多顶尖学者都有不同看法。比如Roger Penrose，我很久以前曾采访过他，当时他在推广Emperor’s New Mind一书，他可是顶尖数学家。他认为，人类的智能形式、计算智能本质上是基于量子的，与物理规律、管状结构等有关。当然，这并非不可能——这是一位超级天才数学家提出的连贯理论，在他的领域里，几乎没人比他更聪明。所以这种可能性是存在的。

我认为目标设定和推理不需要意识支撑，甚至有些自我意识形式也不需要意识——只有特定类型的自我意识才离不开意识。这是个棘手的问题，自有哲学记录以来，哲学家们就一直在探讨，却始终没有很好的答案。而且哲学家们也都认同（我这么说，哲学家们应该不会觉得我在贬低他们），这个问题至今没有定论。

哲学家们都承认，这是个难题，因为它涉及能动性、自由意志等一系列问题。我认为正确的态度是保持开放的心态。说到开放心态，Sofa Suleman在过去一两个月写了一篇关于“准意识”的好文章，文中提到我们在图灵测试上犯了太多错误——图灵测试的精妙之处在于“能与人对话即视为具备完整智能”，但这一标准存在局限。就像之前谷歌那位工程师的荒唐事：他问早期模型“你有意识吗？”，模型回答“有”，他就认定模型真的有意识，这显然是被误导了。

我觉得大多数人对AI的关注点都错了，比如过分担忧AI会加剧气候变化。但实际上，若能让AI像电力一样普及且发挥规模化智能，反而会助力气候变化应对——优化电网、改进设备等，带来的净效益会是极大的正面。而且这方面已有实例：谷歌将算法应用于自家数据中心，实现了40%的节能。仅这一项应用就成效显著，所以担忧AI危害气候是种误区。

但有个领域值得重视：孩子们与AI共同成长的方式。他们的认知体系、学习曲线会受何影响？这类问题需要我们主动且审慎地去规划。如果要找一个值得深入探索、能通过努力得出有价值答案并付诸实践的好问题，这绝对是其中之一。

Alex Rampell：我听过最有说服力的反对自由意志的观点是：人类本质上是生化机器。若想测试一个人的自由意志，让他极度饥饿、极度愤怒——这些状态下，肾上腺素等激素会直接主导行为，相当于强制干预。看似存在的自由意志，只需一种化学物质就能轻易改变。

Reid Hoffman：你是说你不是笛卡尔主义者？不相信有个小小的松果体连接着两种实体？

Alex Rampell：两种实体？我不确定，但事实就是如此。饥饿愤怒综合征是真实存在的——当你极度饥饿时就会变得暴躁。话说回来，如果你在研发超级智能，会希望它有这种愚蠢的“强制干预机制”吗？有些平时很正常的人会入狱，就是因为极度愤怒时做出了反常行为，但从生化角度看，这并非反常——只是血液中化学物质变化导致的自由意志被干预，想想还挺疯狂的。

Reid Hoffman：作为技术宅播客，我要说两个 geek 知识点：第一，人们常说“人类是生化机器”，但不能把生化机器想得太简单——就像Penrose提到的量子计算，量子世界存在诡异现象：未被观测时处于概率叠加态，观测瞬间就会坍缩，观测行为中的“魔力”是什么？这种魔力是否与意识有关？这里面有很多值得探讨的地方。

另一个有趣的现象是，哲学中的唯心主义正在悄然复兴。我们原本以为作为物理唯物主义者，唯心主义早已被推翻，但现在有人开始重新主张：“存在即思维，我们周围的一切物理实体都源于思维”。显然，这种观点有多种变体——比如硅谷很多人总说“我们生活在模拟世界里”，这种模拟理论其实和基督教的智能设计论很像：遇到无法解释的事，就归因于“造物主”，只不过换成了“模拟者”，这显然站不住脚。我当然不是唯心主义者，但确实能感受到唯心主义的回潮。

硅谷精神与平台壁垒：LinkedIn的生存之道

Erik Torenberg：我觉得我们可能会先实现AGI，再解决意识的难题——甚至在明确AGI的定义之前就实现了它。让我们回到LinkedIn的话题，就像对话开头提到的，我很幸运能和你共事多年。过去20年里，每周都有人带着“颠覆LinkedIn”的方案来找我们，但至今没有一个能接近目标，这很有意思。我很好奇为什么人们总低估这件事的难度，Twitter等平台也是如此——看似简单，实则难以撼动，生命力极强。最近OpenAI说要推出求职服务，号称“用AI实现企业需求与求职者能力的完美匹配”，你怎么看待LinkedIn的可持续性？

Reid Hoffman：显然，我认为LinkedIn具有很强的可持续性，但首先我会从人类、社会、行业的维度思考：什么对人类有益，什么对社会有益，什么对行业有益——行业发展的目的是服务社会和人类，三者并非对立，只是决策时的优先级和思考角度不同。

如果有新的出色产品能帮助人们找到有价值的工作、提升工作效率，我会很开心。AI带来的技术变革会引发大量职业转型，这类产品会非常有意义。当然，如果是LinkedIn推出这样的产品，那就更完美了——毕竟这是我亲手打造的平台，我为之自豪。

LinkedIn就像一只乌龟，最终成长为庞然大物。很多年里，硅谷对它的评价都是“枯燥、无聊、没用”，认为它会被Friendster（可能现在听的人都不知道了）、MySpace（或许还有人听说过）取代，后来又有Facebook、Meta、TikTok等平台崛起。LinkedIn的核心优势是构建了难以复制的网络——它没有照片分享那样的吸引力，也没有Twitter那种“愤怒”的情绪驱动（我之前在2002年提出“七宗罪”框架时，曾误以为Twitter的核心是“身份认同”，后来才发现是“愤怒”），而LinkedIn的核心是“贪婪”——这符合七宗罪中人类最普遍的动机。

Alex Rampell：也就是“想富又想懒”。

Reid Hoffman：你说得很直白，本质上就是追求高效产出、创造更多价值，并从中获得回报。所以我认为LinkedIn难以被颠覆的原因在于，它构建的网络极具壁垒，绝非轻易可复制。始终坚守这一核心定位，最终让人们形成“职场相关的事就来LinkedIn”的共识——这里有我的人脉网络，大家在此协作做事。新的挑战者必须具备同样的网络效应才能突围。我看到GPT-4时，知道Microsoft已经获得了使用权，就立刻联系LinkedIn团队：“你们必须尽快去了解这项技术，开始思考如何用它更好地帮助用户。”

这又回到了人们对硅谷的认知盲区：外界总以为硅谷人一心只想通过股权和营收赚钱——商人固然会追求这些，但他们忽略了硅谷的核心逻辑是“先打造出惊艳的产品”。很多公司创立之初，当被问及商业模式时，都会说“还没想好，会慢慢摸索，但我能做出了不起的东西”。这正是硅谷的核心信仰，也是我无比热爱、钦佩并践行的硅谷精神。

Alex Rampell：这一点我深有感触，必须高度赞扬LinkedIn——它具有反脆弱性。就像Facebook，有人说“没人用了，太拥挤，全是长辈”，之后总有新平台崛起：Snap的诞生，就是因为年轻人不想和婴儿潮一代父母在同一个平台互动，我家孩子都不让我关注他的Instagram，更不用提Facebook了。但LinkedIn却在这波又一波浪潮中存活了下来。

你提到了一个很关键的点：Web 2.0时代的逻辑是“先积累大量流量和高留存，形成微笑曲线，之后再考虑变现”，但现在这种模式已经不成立了。ChatGPT就是典型——直接推出20美元/月的订阅服务，变现模式从一开始就很清晰，而非先做大再找盈利方式。你觉得未来还会出现像Web 2.0时代那样“先免费做大再变现”的公司吗？

Reid Hoffman：会的，未来依然会有新的免费模式出现，这是我们的工具箱里的重要策略。但现在情况更复杂，尤其是像OpenAI这样的公司，成本结构已经发生了变化。就像当年PayPal，你也很了解，我们不得不从免费模式转向付费——因为用户量呈指数级增长，成本也随之指数级上升，即便融了数亿美元，我们都能精确算出公司倒闭的时间点，毕竟无法承受持续指数级增长的成本。AI领域也是如此，若成本曲线呈指数级上升，营收曲线必须跟上，否则无法持续。

Alex Rampell：但这样就少了很多乐趣。就像Pinterest，作为一家大型上市公司，至今仍有人质疑“他们怎么赚钱”。Web 2.0时代有很多这样的公司，现在则是“烧钱、融资”的循环，但AI公司从一开始就把订阅收入纳入规划，这是本质区别。

Reid Hoffman：他们必须这样做，因为成本不允许他们拖延变现。

Alex Rampell：没错。所以我在等一个新的公司出现，或许是依托“七宗罪”的某种新变体来吸引用户。

Reid Hoffman：我很乐意参与这样的项目。

Erik Torenberg：很有意思。有人尝试从不同角度挑战LinkedIn，几年前我就好奇一个点：LinkedIn有简历功能，但没有真正的推荐信——简历具有传播性，而推荐信则是“反模仿的”，人们不愿把它公开在网上。如果有一个数据集是人们愿意公开的，LinkedIn早就会去做了。我觉得大多数挑战者都没意识到其中的微妙之处。

Reid Hoffman：其实我们有类似推荐信的功能。

Erik Torenberg：你说的是技能背书吧？但没有负面评价。

Reid Hoffman：不过负面评价存在复杂性，一方面涉及社会关系，容易引发负面传播，另一方面还会带来法律责任等一系列问题，所以很难推行。其实LinkedIn依然是找负面参考的最佳渠道。我常会用LinkedIn找人打听某人，还专门有个固定邮件模板——你可能也收到过不少次，内容是“能否帮我给这个人打1-10分，或回复‘回电’”。如果对方回复“回电”，意思就很明显了。

Alex Rampell：那你必须得回电吗？

Reid Hoffman：当然，有时候对方会回复“他是我认识的最优秀的人”，但你需要的是一组评价——如果8个人都打9分，你可能还是会打电话进一步了解，但基本能快速拿到参考信息。而通常在核查重要人选时，你会收到好几次“回电”的回复，因为有些事只能电话里说。这种邮件一句话就能得到反馈，看到“回电”就懂了，效率很高。

AI时代的人文命题——时间杠杆与友谊真谛

Erik Torenberg：Reid，我很好奇，随着你职业不断升级，机会越来越多（尤其是卖掉LinkedIn后，机会更是复利增长），你是如何决定时间的最高杠杆用途、在哪里能产生最大影响的？你的思考框架是什么？

Reid Hoffman：首先，我相信我们三个都认同，现在是人类历史上最精彩的时代——AI的发展，以及它对“技术人”（Homo techno）进化的重塑，对生活、社会、工作等方方面面的变革，都太惊人了。所以我会尽可能全身心投入其中，除非有更重要的事，否则不会停下。比如我和Alpha Empower的CEO、T细胞疗法发明者Sadar to Mukarji联合创办了Mansai，他给我讲解FDA审批流程时，那种复杂程度足以让大多数人望而却步，但我觉得很有价值。

另外，随着技术越来越主导社会发展，如何让政府更懂技术、更智能，也是我认为至关重要的事。过去20到25年里，只要有西方民主国家的部长或高级官员来咨询技术相关的建议，我都会帮忙。就在上周，我去法国见了Macron，他想知道如何助力法国工业、社会和民众——如果所有前沿模型都在美国还有中国研发，法国该如何帮助本国人民？他的思路完全正确：先认清潜在挑战，再思考解决方案，主动沟通求助。法国已有一些布局，但他想最大化发挥作用，所以我也花了不少时间在这上面。

Erik Torenberg：我记得看过你的日程表，几乎七天都排满了会议，后来你稍微放缓了一点，变成了6.5天。你能做到这一点，一方面是因为聚焦重要问题，另一方面是和朋友合作项目，有些甚至持续了几十年。最后我们聊聊这个吧：你对友谊有很多思考，也写过、讲过相关内容。在你看来，友谊最显著、最令人意外的特质是什么？尤其是进入AI时代，人们开始质疑下一代的人际关系，你觉得大家最该重视友谊的哪些方面？

Reid Hoffman：其实我专门写过很多关于友谊的内容，因为AI时代让人们必须明白：友谊是一种双向共建的关系。

Reid Hoffman：友谊不是“你只需对我忠诚”或“你只需为我做事”。其实很多人都会为你做事，比如公交车司机，但这并不代表你们是朋友。举个典型的例子就能说清这一点。比如我某天过得特别糟，去找朋友Alex想聊聊，结果Alex说“天啊，我今天的经历才叫糟”，我就会说“看来你比我惨多了，那咱还是聊聊你的事吧”。这种情况很常见，因为我认为友谊的核心是两个人约定好，互相帮助成为最好的自己。

当然，有时候这种友谊对话会是严厉的爱，对方会说“你这事搞砸了，我必须跟你谈谈”。这和聊AI领域的SCO C阶段之类的话题不同，核心是“我该怎么帮你”。几年前我在Vanderbilt的毕业典礼上做过关于友谊的演讲，其中提到，友谊不仅是Alex帮我，更是Alex愿意让我帮他——这是让我成为更深度朋友的方式，我也能从中学习。这种双向的关系才是关键。

现在会有很多人说“我这有你的AI朋友”，但其实根本不是，AI和人的关系并非双向的。AI或许能成为超棒的陪伴者，但绝不是朋友。人们要明白，友谊让我们意识到生活不是一个人的事，而是团队协作，我们一起面对一切；友谊中的对话有时美好，有时也充满矛盾，这才是关键。如今AI让一切变得模糊，我得尽快把这些想法写出来，让人们知道该如何应对，为什么短期内绝不能把AI当成朋友。

Erik Torenberg：我一直很欣赏你的一点是，你能和与你有分歧的人做朋友，也能和多年没联系的人重新建立联结，这种能力很可贵。

Reid Hoffman：是啊，因为友谊的核心是互相成就，有时候关系难免经历波折。

Erik Torenberg：Reid，就到这里结束吧，这个话题说得很好。

Reid Hoffman：非常感谢邀请我上播客，很开心能来，希望我们下次再聊。

原视频：Reid Hoffman on AI, Consciousness, and the Future of Labor

https://youtu.be/brjL6iyoEhI?si=yJpSLPpBiH4-7Id-

编译：Zonghang Jiang