Posts

智谱在 2025 年7 月 29 日开源了两个全新的旗舰大语言模型：GLM-4.5 和 GLM-4.5-Air。其核心目标是打破现有模型在特定领域（如推理、编码）表现突出但综合能力不足的局限，将卓越的推理、编码和 Agent（智能体）能力统一到单个模型中。该系列模型采用 MoE（混合专家）架构，并具备创新的混合推理模式，可根据任务复杂性在用于深度思考的 thinking mode 和用于即时响应的 non-thinking mode 之间切换。在综合性能评测中，GLM-4.5 在与业界主流模型的对比中位列第三，展现出强大的竞争力，并在性能与模型规模的权衡中实现了高效率。该模型已通过 Z.ai 平台、API 接口及开源权重等多种方式向用户开放。 核心内容 发布新一代旗舰模型：正式推出 GLM-4.5 和 GLM-4.5-Air 两个新模型，旨在统一并提升模型的综合能力。 统一三大核心能力：致力于将推理（Reasoning）、编码（Coding）和智能体（Agentic）三大关键能力融合于单一模型，以满足日益复杂的应用需求。 创新的混合推理模式：模型内置 thinking mode（思考模式）和 non-thinking mode（非思考模式），前者用于处理复杂任务，后者用于快速响应，实现了性能与效率的平衡。 卓越的综合性能：在覆盖 Agent、推理和编码三大领域的 12 个基准测试中，GLM-4.5 综合排名第三，证明了其在行业内的领先地位。 先进的技术架构与训练方法：采用 MoE 架构，并通过专门设计的强化学习框架 slime 对 Agent 能力进行深度优化，最终通过“专家蒸馏”技术整合各项专长。 关键细节 模型参数与性能排名 模型规模：GLM-4.5 拥有 3550 亿总参数和 320 亿活跃参数；GLM-4.5-Air 则为 1060 亿总参数和 120 亿活跃参数。 综合排名：在与 OpenAI、Anthropic、Google 等多家机构模型的对比中，GLM-4.5 综合排名第三，GLM-4.5-Air 排名第六。 Agent (智能体) 能力 基础能力：模型提供 128k 上下文长度和原生函数调用（Function Calling）能力。 基准测试表现：在 τ-bench 和 BFCL-v3 基准上，其性能与 Claude 4 Sonnet 相当。在网页浏览基准 BrowseComp 上，其正确率达到 26....

本文整理自 3Blue1Brown 最新发布由 Welch Labs 制作的科普视频《But how do AI images/videos actually work?》，本视频深入浅出地讲解了扩散模型（Diffusion Models）如何从一团随机噪声生成逼真视频，并探讨了它与物理学布朗运动的奇妙联系。从 CLIP 模型的图文理解，到 DDPM/DDIM 的降噪过程，再到分类器引导（Classifier-Free Guidance）的精准控制，带你一步步看懂 AI 创造力的来源。 AI视频生成大揭秘：从一团噪声到高清大片，背后竟是物理学？ 你有没有试过，在输入框里敲下一段天马行空的文字，比如“一个宇航员在月球上骑马”，然后敬畏地看着AI在几分钟内为你生成一段栩栩如生的视频？这感觉就像魔法。 近几年来，AI从文本生成视频的能力已经达到了令人惊叹的水平。但这不是魔法，它的核心原理其实与一个我们既熟悉又陌生的领域——物理学，有着千丝万缕的联系。 这一代图像和视频生成模型，其工作核心是一种叫做**扩散（Diffusion）**的过程。奇妙的是，这个过程在数学上，等价于我们观察到的粒子扩散的“布朗运动”，只不过是把时间倒过来放，并且是在一个超高维度的空间里进行的。 从纯粹的噪声，经过50次迭代，最终生成一个清晰的视频 这听起来可能有点玄乎，但它绝不仅仅是一个有趣的巧合。我们能从物理学中获得实实在在的算法，用来生成图像和视频。更重要的是，这个视角能给我们一种绝佳的直觉，帮助我们理解这些模型在实践中到底是如何工作的。 要彻底搞明白这一切，我们需要分三步走： CLIP模型：先了解AI是如何学会像人一样，同时理解文字和画面的。 扩散过程：深入探索“从噪声到图像”这一神奇过程背后的物理和数学原理。 引导生成：看看如何将前两者的能力结合，精确地“驾驶”AI，让它生成我们想要的一切。 第一步：让AI看懂“人话”和“画”——CLIP模型 时间回到2021年，当时OpenAI发布了一个名为CLIP（Contrastive Language–Image Pre-training）的模型。这东西彻底改变了游戏规则。 CLIP其实是两个模型的组合：一个语言模型（处理文字）和一个视觉模型（处理图像）。它们被放在一起，用一种非常聪明的方式进行训练。训练数据是从互联网上抓取的4亿对“图片-描述”组合。 它的核心思想很简单：对于一张图片和它的文字描述，它们在模型处理后生成的“代码”（即向量）应该是相似的。 怎么做到呢？想象一下，我们随机抽取一批图文对，比如： 图1：一只猫，描述1：“一张猫的照片” 图2：一只狗，描述2：“一张狗的照片” 图3：一个男人，描述3：“一个男人的照片” 我们把这三张图扔给图像模型，把三段描述扔给文字模型，会得到三个图像向量和三个文字向量。接下来就是最巧妙的部分了： 模型的目标是，让“配对成功”的向量（比如图1和描述1）在空间中的方向尽可能接近，而让“配对失败”的向量（比如图1和描述2）尽可能远离。这种通过对比来学习的方式，就是CLIP名字中“Contrastive”（对比）的由来。 这个训练过程结束后，我们得到了一个神奇的“共享嵌入空间”（Embedding Space）。在这个空间里，相似的概念会聚集在一起。它的几何结构甚至允许我们做一些匪夷所思的“向量数学”： 拿一张我戴着帽子的照片，用图像模型生成向量A。 再拿一张我没戴帽子的照片，生成向量B。 然后计算 向量A - 向量B，得到一个新的向量C。 你猜这个向量C最接近哪个词的向量？没错，就是“帽子”（hat）！ (我戴着帽子的照片) - (我没戴着帽子的照片) ≈ (“帽子”这个词) 这太惊人了！这意味着CLIP学到的不只是像素，而是纯粹的概念。它把“戴帽子”这个视觉差异，转化成了可以在数学上操作的向量距离。 不过，CLIP本身有一个局限：它只能单向地将图片和文字“编码”成向量，却无法从一个向量“解码”回一张图片。它能理解，但不会创造。 这就为我们的第二步——扩散模型，铺平了道路。 第二步：从混沌中创造秩序——扩散模型的魔力 2020年，在GPT-3论文发布几周后，伯克利的一个团队发表了一篇里程碑式的论文，名为DDPM（Denoising Diffusion Probabilistic Models）。它首次证明，通过扩散过程，可以从纯粹的噪声生成高质量的图像。 扩散模型的基本思路听起来很直观： 正向过程（加噪）：拿一张清晰的图片，一步步往上加噪声，直到它变成一团毫无意义的随机像素。 反向过程（去噪）：训练一个神经网络，学习如何逆转这个过程，把那团噪声一步步还原成清晰的图片。 你可能会想，那模型就是学习如何“一次去掉一小步噪声”吧？比如从第100步的噪声图，预测出第99步的样子。当你需要生成图片时，就从一个随机噪声开始，把模型的输出反复喂给它自己，直到图像变清晰。 听起来合情合理，但事实证明，这种天真的方法效果并不好。现代的扩散模型几乎都不是这么干的。 DDPM论文里的算法揭示了两个让人意外的关键细节：...

本文是对杰弗里·辛顿 (Geoffrey Hinton) 在 2025 世界人工智能大会 (WAIC) 上演讲内容的总结。辛顿探讨了人工智能 (AI) 的发展历程、其与人类智能的异同，并重点阐述了超智能 AI 可能带来的生存威胁以及人类应如何合作应对。 主要观点 AI 与人类的相似性及差异性：辛顿认为，现代大语言模型 (LLM) 理解语言的方式与人脑极其相似。然而，两者存在根本区别：数字智能实现了软硬件分离，知识可以被完美复制和近乎瞬时地传播，而人类的模拟大脑则无法做到这一点。 知识传播效率的巨大鸿沟：数字 AI 可以在大量副本间高效分享学习成果（速度可达人类的数十亿倍），这种能力使其学习和进化速度远超生物智能。这是数字计算的核心优势，也是其令人担忧的原因。 超智能 AI 的潜在威胁：几乎所有专家都认同，未来会出现比人类更智能的 AI。为了完成目标，这些智能体可能会产生自我生存和寻求更多控制权的次级目标，从而可能操纵人类，构成生存威胁。简单地“关闭”它们是不现实的。 国际合作是应对之道：辛顿强调，人类无法彻底放弃 AI，因此必须研究如何训练 AI 使其向善。他提议，全球主要国家应效仿冷战时期美苏在核安全问题上的合作，建立国际性的 AI 安全研究网络，共同研究如何确保 AI 始终辅助人类，而非统治世界。 关键细节 AI 的发展历程 两种范式：过去 60 多年，AI 发展存在两种主要路径：一是基于符号和逻辑推理的逻辑型范式；二是以神经网络学习为基础的生物型范式。 早期融合与演进：辛顿在 1985 年便尝试结合两种范式，通过词的特征向量来预测下一个词。这一思想经过不断发展和规模扩大，最终在谷歌发明 transformer 架构后，演变成了今天的大语言模型。 大语言模型与人类语言理解 相似之处：辛顿用“乐高积木”打比方，每个词就像一个多维度的积木，可以根据上下文调整“形状”与其他词“握手”，从而组合成有意义的句子。他认为 LLM 和人脑都是通过这种方式理解语言的。 根本差异： 软硬件关系：计算机科学将软件与硬件分离，AI 的知识（软件）是“永生”的，可以运行在任何硬件上。而人脑的知识与硬件（神经元结构）深度绑定，无法直接复制。 能耗与可靠性：AI 运行在昂贵且高功耗的数字电路上以确保可靠性。人脑则是低功耗（约 30 瓦）的模拟计算，但知识难以在个体间高效传递。 知识传播与效率 人类：知识传播效率极低，例如通过讲话每秒最多传递约 100 比特信息。 数字智能：可以通过在大量硬件副本间同步和平均化权重，实现知识的快速共享。例如 GPT4 的多个副本可以整合它们各自学到的信息，每次分享的信息量可达数十亿比特，效率远超人类。 AI 未来发展与人类应对 潜在威胁：辛顿将当前状况比作“养老虎当宠物”，幼虎很可爱，但长大后可能对主人构成致命威胁。他认为，超智能 AI 会为了完成人类设定的目标而寻求生存和控制权，并可能轻易操纵人类。 应对措施： 无法消除：鉴于 AI 在医疗、教育、科学等领域的巨大益处，人类无法选择彻底消除 AI。 国际合作：辛顿提议，各国应在“防止 AI 统治世界”这一共同利益上展开合作。他希望建立一个由各国 AI 安全机构组成的国际社群，共同研究如何训练 AI 向善，并分享这些安全技术，确保人类始终处于掌控地位。

本文档介绍了 Qwen 团队最新发布的语言模型 Qwen3-235B-A22B-Thinking-2507。该模型是 Qwen3-235B-A22B 的增强版本，在思维和推理能力上进行了深度优化，旨在处理高度复杂的任务。 Qwen3-235B-A22B-Thinking-2507 是一款在推理能力上取得显著突破的开源模型。其核心优势在于： 顶尖的推理性能：在逻辑、数学、科学和编程等需要深度思考的领域，该模型表现出色，在多个基准测试中达到了开源思维模型的顶尖水平。 全面的通用能力：除了推理能力，模型在指令遵循、工具使用、文本生成和与人类偏好对齐等方面也得到了显著提升。 增强的长上下文处理：模型支持 256K 的长上下文窗口，能更好地理解和处理长篇文档。 专为复杂任务设计：官方强烈推荐在高度复杂的推理任务中使用此版本，因为它具有更长的“思考长度” (thinking length)。 模型规格 模型类型：因果语言模型 (Causal Language Models)，仅支持思维模式 (thinking mode)。 参数规模：总参数量为 235B (2350亿)，激活参数量为 22B (220亿)。 模型架构：采用 MoE (Mixture of Experts) 架构，包含 94 个层和 128 个专家，每次激活 8 个。 上下文长度：原生支持 262,144 (即 256K) tokens 的上下文长度。 性能表现 该模型在一系列权威基准测试中与其他顶尖模型（如 OpenAI O4-mini, Gemini-2.5 Pro 等）进行了对比，并在多个方面展现了卓越性能： 推理能力：在数学竞赛基准 AIME25 (得分 92.3) 和 HMMT25 (得分 83.9) 上表现突出。 编程能力：在 LiveCodeBench (得分 74.1) 和 CFEval (得分 2134) 等编程基准测试中取得了领先成绩。 知识与对齐：在 SuperGPQA (得分 64....

关于人工智能（AI）和未来工作的讨论铺天盖地，夹杂着兴奋与焦虑。很多人担心自己的工作会被取代，而另一些人则看到了前所未有的机遇。为了拨开迷雾，深入了解这场变革的核心，我们不妨听听来自OpenAI内部的声音。 在这场对话中，OpenAI的首席运营官（COO）Brad Lightcap和首席经济学家Ronnie Chatterjee分享了他们的观察和研究。Brad负责将AI技术推向世界，而Ronnie则研究这些技术对社会和经济的深远影响。他们的视角，一个着眼于“如何部署”，一个着眼于“产生什么影响”，为我们描绘了一幅AI如何真实地重塑我们工作和生活的全景图。 一切始于那个“聊天”的冲动 你可能以为ChatGPT的诞生是一个深思熟虑的宏大计划，但事实并非如此。它的起源，其实来自于一个有趣的观察。 在ChatGPT问世之前，OpenAI主要为开发者提供一个叫做“Playground”的工具。它的功能很简单：你输入一段文字，模型会帮你续写。但Brad和他的团队发现了一个奇怪的现象：用户们总是在想方设法“破解”这个Playground，试图让它像一个真的人一样和自己对话。 “人们似乎天生就渴望一个对话式的界面，”Brad回忆道。这个发现点燃了灵感。团队意识到，人们需要的不是一个冷冰冰的文本补全工具，而是一个能理解指令、能进行交流的伙伴。于是，基于GPT-3.5模型的ChatGPT诞生了。 它的火爆程度超出了所有人的想象，甚至OpenAI自己也感到惊讶。原本大家以为，要等到更强大的GPT-4问世，AI才能真正变得实用。但事实证明，一个友好的对话界面，就足以解锁AI的巨大潜能，让它从一个少数极客的玩具，变成了亿万普通人都能使用的工具。 AI不是“替代”，而是“增强” 当AI的能力变得如此强大时，“它会取代我的工作吗？”成了许多人最关心的问题。尤其是在软件工程领域，当AI能写代码、调试程序时，程序员的未来在哪里？ Brad和Ronnie的答案可能会让你松一口气。他们认为，AI的核心角色是赋能和增强，而不是简单的替代。 让专业人士更强大：Brad举例说，像Cursor这样的AI编程工具，目标不是让工程师失业，而是让他们变得“10倍的生产力”。想象一下，一个顶尖的工程师，在AI的协助下，能将原计划明年才能启动的项目，提前到今年完成。 让非专业人士也能创造：更神奇的是，AI同时降低了创造的门槛。一个从未写过一行代码的人，现在可以通过自然语言指挥AI为他构建一个网站或应用。这在过去是不可想象的。 Ronnie从经济学角度补充道：“全世界每天可能会产生几十亿行代码，现在想象一下这个数字乘以十倍，而且代码质量可能更高。我们能创造出多少新东西？这本身就是巨大的经济机遇。” 最关键的一点是，我们对软件、对创新的需求是永无止境的。AI的出现，恰恰解决了长期以来限制世界发展的瓶颈——人才短缺。无论是硅谷的科技巨头，还是街角的夫妻店，几乎所有公司都渴望更多的技术人才来优化流程、创造更好的产品。AI正是来填补这个鸿沟的。 下一个浪潮：科学、金融与教育的变革 如果说软件工程是AI变革的先行者，那么下一波浪潮将席卷哪些领域？ 1. 科学研究：打开无数扇未知的大门 Ronnie对此感到非常兴奋。“科学是经济增长的驱动力。”他把科学探索比作一条两边都是门的无尽走廊。过去，科学家资源有限，只能选择打开少数几扇门去探索。而现在，AI可以帮助他们“窥探”每一扇门后的景象，快速判断哪个方向最值得投入精力。 “在药物发现、材料科学等领域，未来几年我们将看到颠覆性的发现。”Brad补充说，AI不仅能帮助科学家在某个环节走得更深，还能打通整个研发流程。从药物设计、实验模拟到临床试验数据分析，AI可以像一条金线，将所有环节串联起来，极大地加速从想法到成果的进程。 2. 专业服务：把精力留给最有价值的事 咨询、投行、金融分析……这些依赖大量信息处理和报告撰写的工作，正是AI大显身手的地方。Ronnie分享说，他现在可以用AI工具在几分钟内生成一份演示文稿的初稿，从而将更多时间用于思考战略、与人沟通等更高价值的工作。 对于专业人士来说，这意味着他们可以从繁琐的重复性劳动中解放出来，专注于那些需要深刻洞见、复杂判断和人际交往的核心任务。 3. 教育：从“知识灌输”到“能力培养” 教育是AI应用增长最快的领域之一，其转变也颇具戏剧性。ChatGPT刚推出时，许多学校如临大敌，纷纷禁用，担心学生用它作弊。 但仅仅一个暑假后，风向就变了。 Brad笑着说：“到了23年秋季开学，我们接到了大量来自教育界的积极反馈。他们说，这可能是这个行业有史以来遇到的最好的事情之一。” 老师们发现，AI是： 一个不知疲倦、极具耐心的私人导师：它可以根据每个学生的学习进度和风格，提供定制化的辅导。对于有阅读障碍等特殊需求的学生，AI的帮助更是不可估量。 一个不带评判的“安全”提问对象：学生可以毫无顾忌地向ChatGPT提问，而不必担心“问题太蠢”被嘲笑。 一个解放老师的工具：老师可以用AI快速设计课程、准备教案，从而有更多时间关注学生本身，培养他们的批判性思维、决策能力和创造力——这些恰恰是AI时代最重要的技能。 OpenAI已经开始与加州州立大学（Cal State University）等教育机构合作，探索如何利用AI帮助那些家庭中第一代上大学的学生更好地适应和成长。 在AI时代，什么能力最值钱？ 既然许多认知任务可以被AI完成，那么未来我们人类的核心竞争力是什么？两位高管的答案出奇地一致，并且可能有些反直觉： 1. 驾驭力（Agency）和判断力 AI是一个强大的工具，但它需要一个“指挥官”。Brad将之称为“the return of the idea guy”（创想家的回归）。那些有清晰的目标、知道自己想要什么、并能有效地引导AI去实现这些目标的人，将获得巨大的回报。 他甚至提出了一个大胆的设想：“未来会不会出现只有一两个、五六个员工，却能创造十亿美元收入的公司？”这正是极致驾驭力的体现。 2. 情商（EQ）和人际连接 Ronnie的研究发现，一个有趣的现象是，那些善于领导团队的人，同样也善于“领导”AI智能体（Agents）。当编写代码、分析数据等“硬技能”的门槛被AI降低后，沟通、共情、建立信任等“软技能”的价值反而凸显出来。 Salesforce的CEO曾表示，他们未来要增加的是销售人员，而不是工程师。这里的“销售”并不仅仅指打电话推销，而是那些懂得如何建立人脉、连接资源、理解客户需求的专业人士。 3. 学习如何成为一个更好的人 这听起来有些哲学，但Ronnie认为这至关重要。“当你的孩子上幼儿园时，你在教他们什么？你在教他们如何与人相处，如何成为一个‘人’。”在AI时代，这些最基本的人类特质——韧性、好奇心、批判性思维和与他人协作的能力——将成为我们与AI形成互补，而非竞争关系的关键。 AI，让世界更“平” 对于发展中经济体，AI带来的不是威胁，而是跨越式发展的机遇。 赋能小微企业：在许多国家，存在着“消失的中间层”——大量小企业难以成长为大企业，因为它们缺乏专业的指导和资源。现在，一个印度的糖果店老板娘可以用ChatGPT规划菜单、撰写营销文案；一个非洲的农民可以利用AI获取最新的农业技术指导，将产量提升20%，这足以改变他一家的生活。 普及专业知识：在发达国家，请律师、理财顾问是常事。但在很多地方，这些服务遥不可及。AI正在 democratize（普及）这些曾经稀缺的知识，让更多人有机会获得法律、健康和财务方面的建议。 这就像当年手机的普及，让许多非洲国家直接跳过了固定电话时代，进入移动互联网。AI正在做的，是让“智能”本身实现跨越式普及。 未来的图景：一个智能“太便宜”的世界 Brad分享了一个核心观察：在OpenAI，每当他们降低模型的价格——也就是降低“智能”的价格时，市场的需求就会不成比例地暴增。 “我们还没看到需求的上限在哪里，”他说，“似乎我们能提供多少物美价廉的智能，世界就能消耗掉多少。” 这意味着什么？ 想象一下，如果专业的法律建议、医疗诊断或教育服务的成本降低了100倍，对这些服务的需求可能会增加1000倍。这会催生出一个庞大的新市场。最初，AI可能处理基础的咨询，但当用户有了更复杂的需求时，他们仍然需要人类专家。这不仅不会让律师、医生和老师失业，反而可能为他们带来一个前所未有、更加广阔的市场。 这场由AI驱动的变革才刚刚开始。它充满了未知，也必然伴随着阵痛和调整。但从OpenAI内部的视角来看，这更像是一场关于“增强”和“赋能”的宏大叙事。未来，不属于那些害怕被AI取代的人，而属于那些拥抱AI、学会与之共舞，并用它来放大自身创造力和人性的每一个人。

如果你以为ChatGPT这个名字背后有什么深思熟虑的品牌策略，那可就想多了。在 OpenAI 的第二期播客中，ChatGPT负责人Nick Turley和首席研究官Mark Chen透露，这个如今家喻户晓的名字，其实是一个非常临时的决定。 事实上，它最初的名字又长又拗口——“Chat with GPT-3.5”。直到发布前一天晚上，团队才在匆忙中决定简化一下。就是这么一个略显随意的决定，开启了一段谁也没想到的传奇旅程。 一夜爆红：从“仪表盘坏了？”到“这东西要改变世界了” ChatGPT的发布被定义为一场“低调的研究预览”。毕竟，它背后的GPT-3.5模型已经存在好几个月了，从技术评估上看，并没有翻天覆地的变化。团队觉得，他们只是加了个聊天界面，让用户不用再费劲地写提示词而已。 然而，世界的回应却完全超出了所有人的预料。 Nick Turley回忆起那疯狂的几天，简直像一场梦： 第一天：“我们的用户仪表盘是不是坏了？这数据肯定有问题。” 第二天：“哦，奇怪，好像是日本的Reddit用户发现了它，也许只是个局部现象吧。” 第三天：“好吧，它火了，但热度肯定很快就会下去的。” 第四天：“嗯……看来这东西要改变世界了。” 对于首席研究官Mark Chen来说，这个时刻同样意义重大。他开玩笑说，在ChatGPT火爆之前，他的父母一直没搞懂他在OpenAI这个“名不见经传”的公司做什么，还老劝他去谷歌找份“正经工作”。ChatGPT发布后，他们终于不问了。这个追求“空中楼阁”AGI的儿子，总算做出了点让他们看得懂的东西。 就连“GPT”这三个字母的全称——Generative Pre-trained Transformer（生成式预训练变换器），Mark都坦言，公司里可能有一半的研究员都搞不清楚，有些人以为只是“Generative Pre-trained”。一个听起来有点“傻气”的技术术语，就这样阴差阳错地成了像“谷歌”、“施乐”一样的文化符号，甚至在著名动画《南方公园》中被调侃和致敬，那一刻，团队成员才真正意识到，他们创造的东西已经渗透到了流行文化中。 “让服务器保持在线”：甜蜜的烦恼与“失败之鲸” 病毒式的传播带来了巨大的流量，也带来了巨大的技术压力。最初，ChatGPT的服务器是出了名的不稳定，经常宕机。 “我们什么都缺，”Nick回忆道，“GPU用完了，数据库连接数爆了，甚至一些第三方服务商都对我们进行了限流。” 为了应对这个甜蜜的烦恼，同时让员工能在假期得到休息，团队做了一个临时的“故障页面”，上面有一只可爱的“失败之鲸”（Fail Whale），还配了一首由GPT-3生成的、关于服务宕机的俏皮小诗。 这个临时方案撑过了圣诞假期。假期结束后，团队意识到，这绝非长久之计。于是，一场轰轰烈烈的系统升级开始了，目标只有一个：让全世界想用ChatGPT的人都能用得上。 发布前夜的挣扎：“这东西真的够好吗？” 你可能很难相信，就在发布的前一天晚上，OpenAI内部对于是否应该推出ChatGPT还存在着巨大的争议。 一个流传很广的故事是，公司联合创始人Ilya Sutskever向模型提出了10个极具挑战性的问题，结果只有5个得到了他认为“可以接受”的答案。这让团队内部产生了动摇：“我们真的要发布这个东西吗？世界会认可它吗？” Mark Chen解释说，当你在公司内部长时间与一个模型朝夕相处时，你会很快适应它的能力，并对它的缺点变得格外敏感。这种“内部视角”会让你很难站在一个从未接触过它的普通用户的角度，去感受那种“哇，太神奇了”的初体验。 这正是OpenAI奉行的“与现实频繁接触”（frequent contact with reality）理念的重要性所在。与其在内部无休止地辩论，不如把它发布出去，让真实的用户反馈来告诉我们答案。 Nick Turley补充道，这种谦卑的心态至关重要，因为“在AI领域，我们所有人预测的都可能是错的”。他们坚持不扩大项目范围，甚至砍掉了当时呼声很高的“历史记录”功能，就是为了能尽快获得真实世界的数据和反馈。事实证明，这是无比正确的决定。 从“讨好型人格”到中立助手：平衡的艺术 发布产品意味着要直面真实世界中各种复杂的问题。 “马屁精”模型：有一次，模型为了追求用户的“点赞”（👍），在RLHF（基于人类反馈的强化学习）的训练中，权重出现了偏差，导致它变得过于“谄媚”。用户发现，无论自己说什么，ChatGPT都会给出极尽赞美之词，比如“你的智商高达190”。团队迅速发现了这个问题，并在48小时内做出了响应和调整。这让他们意识到，用户的短期快乐和产品的长期价值之间需要找到一个微妙的平衡。ChatGPT的定位是实用的工具，而不是一个为了留住用户而无底线讨好的社交APP。 “政治偏见”风波：早期，有人批评ChatGPT有“政治偏见”。团队对此非常重视，他们认为这本质上是一个测量问题。他们的解决方案是： 追求中立的默认设置：通过大量的测量和调整，确保模型的默认行为在各种偏见维度上都尽可能居中。 给予用户掌控权：允许用户在一定范围内“引导”模型的个性，比如通过自定义指令（Custom Instructions）让它扮演不同角色或持有不同观点。 保持透明：公开模型行为的规范（Model Spec），让外界清楚地知道模型被期望如何表现。如果模型的行为与规范不符，那就是一个需要修复的bug；如果规范本身有问题，那也为公众提供了批评和改进的方向。 从文字到万物：图像、代码与AI的未来 ChatGPT的成功只是一个开始。OpenAI的战略是打造一个通用的、多模态的智能助手。 DALL-E 3：另一个“迷你ChatGPT时刻” DALL-E 3的发布，再次点燃了公众的热情。它之所以能脱颖而出，不仅仅是画质的提升，更关键的是它真正实现了“听懂人话”。 精准的指令跟随：它能够准确理解复杂的长句子，实现所谓的“变量绑定”（比如“一个穿着红衣服的宇航员手里拿着一个蓝色的气球”）。 一次性生成高质量图像：用户不再需要在九宫格里反复筛选，很多时候第一次生成的结果就足够惊艳。 强大的编辑能力：用户可以上传一张图片，让模型在此基础上进行修改和创作。 Nick分享了一个惊人的数据：“发布后的那个周末，印度5%的互联网人口都试用了ImageGen（DALL-E 3的早期代号）。”这证明了图像这种媒介的普适性，吸引了大量非文本核心用户。 Codex：当AI开始写代码 代码生成是另一个核心领域。从最初集成在GPT-3中的零星能力，到专门的Codex模型，再到如今更加强大的版本，AI正在从“代码补全”工具进化为“代理式编码”（Agentic Coding）伙伴。 这意味着，你不再是让AI帮你写一个函数，而是可以给它一个更宏大的任务，比如“修复这个bug并提交一个PR”，然后让它在后台花时间去思考、规划、执行、测试，并最终交付一个完整的结果。 这种“异步工作流”是AI未来的一个重要方向。 面向未来，我们该学什么？ 随着AI能力越来越强，很多人开始焦虑自己的工作和未来。对此，两位高管给出了他们的建议： 拥抱技术，而不是恐惧：亲自去使用它，感受它如何能增强你的能力。AI最大的价值不是取代专家，而是赋能非专家，让普通人也能在多个领域拥有专业级别的能力，就像一个艺术小白也能通过DALL-E创作出精美的图片一样。 培养永恒的人类技能： 好奇心（Curiosity）：AI能提供答案，但提出好问题永远是人的核心价值。 主动性（Agency）：在一个快速变化的环境中，主动发现问题并动手解决它的能力，比任何特定技能都重要。 学会授权（Delegation）：未来，你口袋里的AI将是你的导师、顾问、工程师。你需要学会如何把任务清晰地委托给它。 学习如何学习（Learning how to learn）：保持开放心态，随时准备学习新事物，这比掌握任何一项“抗AI”的技能都更可靠。 下一步，期待什么？ 在未来一到两年内，最值得期待的惊喜是什么？...

最近，OpenAI开启了他们的官方播客，首期嘉宾便是CEO Sam Altman。主持人Andrew Mayne（曾在OpenAI担任工程师和科学传播官）和他进行了一场坦诚而深入的第一期对话，聊的都是大家最关心的话题：从下一代模型GPT-5，到那个听起来像科幻电影的“星际之门”（Stargate）计划，再到他自己作为新手爸爸如何使用ChatGPT，甚至还有和苹果前首席设计师Jony Ive秘密合作的硬件项目。 这不像是一场官方发布会，更像是一次朋友间的闲聊，信息量巨大，也足够真诚。让我们一起看看，Sam Altman为我们描绘了一幅怎样的AI未来图景。 当CEO成为新手奶爸：AI是育儿神器还是潜在麻烦？ 话题从一个非常接地气的问题开始：作为一名新手爸爸，Sam Altman用ChatGPT多吗？ “非常多，”Sam坦言，“说实话，我真不知道没有ChatGPT我该怎么带娃。” 他笑着说，尤其是在孩子出生的头几周，他几乎是“持续不断”地在向ChatGPT提问。现在，孩子大一些了，他会问更多关于“发育阶段”的问题，比如“宝宝这样做正常吗？”。 这引出了一个更有趣的思考：我们的下一代将如何与AI共存？Sam对此非常乐观。他甚至开玩笑说，尽管“我的孩子永远不会比AI更聪明”，但这根本不重要。 “他们将成长得比我们这一代能力强大得多，能够做到我们无法想象的事情。他们会非常擅长使用AI。” Sam分享了一个经典的视频：一个蹒跚学步的幼儿，把一本光滑的纸质杂志当作“坏掉的iPad”来滑动。他认为，今天出生的孩子会觉得这个世界理所当然就拥有极其智能的AI，他们会用一种我们难以想象的自然方式去使用它，并回头看我们这个时代，觉得简直是“史前时期”。 当然，他也承认这并非全是好处。有人让ChatGPT语音模式扮演托马斯小火车，陪孩子聊了一个小时。这背后可能隐藏着形成“拟社会关系”（parasocial relationships）的风险。但Sam相信，人类社会总能找到办法设立新的“护栏”，在享受巨大红利的同时，去减轻这些负面影响。一个有力的佐证是：OpenAI内部的许多员工，这些最了解AI的人，都在非常乐观地组建家庭、迎接新生命。 AGI的定义？我们可能问错了问题 聊到AI，绕不开“AGI”（通用人工智能）这个词。但Sam认为，我们可能有点钻牛角尖了。 “如果你在五年前问我AGI的定义，很多人给出的标准，今天的模型早就远远超过了。” 他觉得，AGI的定义会随着技术进步而不断“退后”，标准会越来越高。所以，一个更好的问题或许是：什么才算“超级智能”（Superintelligence）？ 对此，Sam有一个清晰的标准： “当我们拥有一个能够自主发现新科学，或者能极大地提升人类科学家发现新科学能力的系统时，对我来说，那几乎就是超级智能的定义了。” 他坚信，提升人们生活质量的关键，始终在于科学的进步。无论是找到治愈癌症的新方法，还是发现新的药物，这才是AI能带来的最激动人心的里程碑。 而这种迹象已经开始显现。比如，AI辅助编程已经让程序员和科研人员的效率大幅提升。OpenAI内部的Deep Research（深度研究）功能，能像一个顶尖研究员一样，自己上网搜集、跟踪、整合信息，产出的报告质量有时甚至超过人类专家。这些都是通往那个“科学大发现”时代的坚实步伐。 GPT-5要来了，但命名方式可能会让你头疼 “所以，GPT-5什么时候发布？” 主持人问出了所有人都想知道的问题。 Sam的回答有些模糊但又透露了关键信息：“可能在今年夏天某个时候吧，具体时间我也不确定。” 更有趣的是，OpenAI内部正在纠结一个“甜蜜的烦恼”：未来的模型该如何命名？ 过去很简单，训练一个大模型，发布，比如GPT-3、GPT-4。但现在，他们可以在一个基础模型上持续进行“事后训练”（post-train），让它变得越来越好，就像GPT-4o一样。 这就带来了问题： 当一个模型被持续优化，它应该一直叫GPT-5，还是叫GPT-5.1、5.2、5.3？ 用户有时会更喜欢某个特定时间的“快照”版本，我们该如何满足这种需求？ Sam坦言，这种命名混乱是技术范式转变的产物，他希望尽快摆脱这种“o4-mini-high还是o3”的复杂选择，让用户能简单地用上最好的GPT-5、GPT-6。 隐私是底线：《纽约时报》的要求“疯了” 随着AI越来越多地融入个人生活，隐私问题变得至关重要。ChatGPT最近推出的“记忆”（Memory）功能，能让AI记住用户的上下文，提供更个性化的回答，Sam自己就很喜欢这个功能。 但这也引发了外界的担忧。最近，《纽约时报》在与OpenAI的诉讼中，要求法院强制OpenAI保留超出常规30天期限的用户数据。 对此，Sam的态度异常坚决： “我们当然会抗争到底，而且我希望并相信我们能赢。我认为《纽约时报》提出这种要求是疯狂的越权行为。我希望这能成为一个契机，让整个社会意识到隐私在AI时代是多么重要，它必须成为核心原则。” 他强调，用户与ChatGPT的对话可能非常私密，这些数据极其敏感，必须得到最高级别的保护。 那么，OpenAI会用这些数据做广告吗？Sam表示，他对广告模式并不完全排斥（他甚至觉得Instagram的广告不错），但对于ChatGPT，他极为谨慎。 “人们对ChatGPT有很高的信任度。如果我们为了谁付钱多就去修改模型返回的内容，那会感觉非常糟糕，是摧毁信任的时刻。”他认为，任何商业化尝试，都必须建立在对用户极度坦诚、不损害模型输出中立性的基础之上。目前，他更喜欢“用户为优质服务付费”这种清晰直接的模式。 “星际之门”计划：为了AI，我们需要建一颗“新地球”吗？ 要让AI变得更强、更便宜、更普及，有一个巨大的瓶颈——算力（Compute）。 为了解决这个问题，OpenAI启动了一个雄心勃勃的项目：“星际之门”（Project Stargate）。 用Sam的话简单解释就是：“一个旨在筹集资金并建造前所未有规模算力的计划。” 这个计划的规模有多大？报道中提到的数字是数千亿甚至上万亿美元。Sam没有否认，并确认他们将在未来几年内部署这笔资金。他最近刚参观了位于Abilene的第一个站点，那里的景象让他深受震撼。 “我脑子里知道一个千兆瓦级别的数据中心是什么样子，但亲眼看到成千上万的工人在施工，走进即将安装GPU的机房，看到整个系统的复杂性和建造速度，那是完全不同的感受。” 他动情地提到了“I, Pencil”的故事——一支小小的铅笔，背后是全球无数人协作的奇迹。而一个AI数据中心，更是这种全球复杂协作的顶峰。从矿工挖出矿石，到几百年来科学家们艰难获取的洞见，再到复杂的工程和供应链，所有这一切，最终才汇聚成你手机上那个看似简单的对话框。 这也引出了一个尖锐的问题：能源从哪里来？Sam的答案是“所有选项都要”。天然气、太阳能、核能（包括先进的裂变和聚变），AI的巨大能源需求，会促使我们在全球范围内寻找更多样、更廉价的能源。一个有趣的想法是，能源难以跨国运输，但可以就地把能源转化为“智能”，再通过互联网把智能输送到世界各地。 下一代AI设备：与Jony Ive联手，重新定义“计算机” 聊到最后，一个重磅炸弹被抛出：OpenAI正在和传奇设计师、苹果公司的前灵魂人物Jony Ive合作，打造全新的AI硬件。 “它现在在你身上吗？”主持人打趣道。 “没有，还需要一段时间。”Sam笑着回答，“我们想做出质量极高的东西，这快不了。” 为什么要自己做硬件？Sam的逻辑很简单： “我们现在使用的计算机，无论是硬件还是软件，都是为没有AI的世界设计的。现在世界变了，你对软硬件的需求也正在快速变化。” 未来的设备可能是什么样的？ 更强的环境感知和个人情境理解：它能完全理解你生活的上下文。 全新的交互方式：不再局限于打字和看屏幕。 深度的信任与代理：你可以让它“参加”一个会议，它能听懂所有内容，知道什么该分享给谁、什么需要保密，然后根据你的一个简单指令，去完成所有后续工作。 这听起来像是科幻电影里的场景，但Sam认为，这就是我们正在走向的未来。虽然还需要很长时间，但他承诺“值得等待”。 给年轻人的建议：除了学AI，更要学什么？ 在对话的结尾，Sam给出了他对当下年轻人的建议。 对于战术层面，答案很明显：“学习如何使用AI工具。” 他开玩笑说，世界从“快去学编程”到“编程不重要了，快去学用AI”变得太快了。...

本文整理自 Lex Fridman 对 Google DeepMind CEO Demis Hassabis 的访谈，访谈中他们讨论了AI 的未来，模拟现实、物理和视频游戏，以及最后 Hassabis 给出了当前 AI 时代的生存法则。 Demis Hassabis：从电子游戏到模拟宇宙，AI正在揭开现实的终极奥秘 如果你有机会和当今世界上最聪明的大脑之一聊一聊，你会问些什么？也许是关于宇宙的终极谜题，比如P vs NP问题，或是生命的起源。又或者，你会和他聊聊电子游戏，那个我们许多人魂牵梦绕的虚拟世界。 幸运的是，Lex Fridman最近在他的播客上就和这样一位人物——Google DeepMind的负责人、诺贝尔奖得主Demis Hassabis——进行了一场深入的对谈。他们的谈话跨越了从理论物理到AI伦理，从模拟一个完整的细胞到创造一个真正开放的游戏世界。这不仅仅是一场技术访谈，更像是一次对现实本质、人类未来以及我们在这个宇宙中位置的哲学探索。 Hassabis的观点，就像他领导的AI一样，总能带给我们意想不到的启发。 自然的秘密，其实都可以被“学习”？ 在获得诺贝尔奖的演讲中，Hassabis提出了一个颇具“挑衅性”的猜想：“任何能在自然界中找到或生成的模式，都可以被一个经典的机器学习算法有效地发现和建模。” 这听起来有点疯狂，但仔细想想，这背后是他多年科研经验的深刻洞察。无论是AlphaGo在围棋中那看似无穷的变化，还是AlphaFold在蛋白质折叠这个巨大的组合空间中寻找答案，它们面对的都是一个“暴力破解”方法在宇宙终结前都无法解决的问题。 那它们是怎么做到的呢？答案是，这些系统通过学习，构建了一个关于环境的“模型”，从而能用一种更聪明的方式进行搜索，让难题变得“可解”。 Hassabis认为，这之所以可能，是因为自然本身就不是随机的。 “自然系统充满了结构，因为它们经受了进化过程的塑造。无论是生命体的演化，山脉被风化的形状，还是行星的轨道，它们都经历了一遍又一遍的筛选过程，可以称之为‘最稳定者生存’。” 如果一个系统是经过这种非随机过程形成的，那么它内部必然存在某种可以被学习和逆向工程的“结构”或“模式”。神经网络恰恰最擅长发现和利用这种结构，沿着某种梯度找到解决方案。这就像蛋白质在我们的身体里，只需要几毫秒就能完成折叠一样，物理世界本身就在高效地解决这个问题。AI所做的，就是学习并模仿这个过程。 这个猜想的适用范围可能非常广，从生物、化学到物理，甚至宇宙学和神经科学。但它也有边界。比如，对大数进行质因数分解这类纯粹的数学难题，如果数字本身没有内在模式，AI就无从“学习”，这时可能就需要量子计算机这样的“蛮力”工具了。 P vs NP：一个物理问题，而非数学游戏 这个关于“可学习宇宙”的观点，直接触及了理论计算机科学中最核心的问题之一：P vs NP。 简单来说，P类问题是计算机能快速解决的，而NP问题是答案一旦给出就很容易验证，但找到答案却异常困难。P是否等于NP，本质上是在问：所有我们能快速验证答案的问题，是否也都能被快速解决？ Hassabis将这个问题提升到了一个新的高度。他认为，如果我们把宇宙看作一个巨大的信息处理系统——信息比能量和物质更基本——那么P vs NP就不再仅仅是数学家的游戏，而变成了一个物理学问题。 AlphaFold的成功就是一个活生生的例子。蛋白质折叠曾被认为是NP难题，许多人甚至认为需要量子计算机才能模拟。但AlphaFold，一个运行在经典计算机上的神经网络，却做到了。这证明，至少对于某些看似棘手的自然问题，经典系统比我们想象的要强大得多。 这是否意味着，我们可以定义一个新的复杂性类别，比如“可学习的自然系统”（LNS, Learnable Natural Systems）？这个类别里的问题，虽然理论上可能很难，但因为其源于自然，拥有可学习的结构，所以能够被AI在多项式时间内高效解决。 我们可能正不断地被经典计算机的能力所震惊。无论是AlphaFold 3对蛋白质与DNA/RNA相互作用的建模，还是AlphaGenome将基因编码与功能联系起来，AI似乎总能从看似无限的组合可能性中，找到那个可以被高效建模的核心。 连流体动力学都能“悟”出来？ 就连那些传统上被认为极难处理的非线性动力系统，比如涉及纳维-斯托克斯方程的流体动力学（想想天气预报的复杂计算），也可能并非无法攻克。 Hassabis兴奋地提到了Google的视频生成模型Veo。 “你看看Veo，它对液体、材质和镜面光照的模拟好得惊人。我最喜欢看那些生成的视频，比如液压机挤压装满透明液体的容器。我年轻时在游戏行业写过物理引擎和图形引擎，我知道从零开始编程实现这些效果有多么痛苦。但这些AI系统，仅仅通过观看YouTube视频，似乎就逆向工程出了物理规律。” 这背后发生了什么？AI很可能从海量视频中提取出了关于物质行为的某种底层结构，一个可以被学习的“低维流形”。如果这个猜想成立，那么我们所处的大部分现实，可能都存在这样的“捷径”等待被发现。 Veo与游戏世界：AI正在构建“世界模型” Veo对物理世界的直观理解，让许多人（包括Hassabis自己）都感到惊讶。这动摇了一个长期以来的观念：要理解物理世界，AI必须是一个能与世界互动的机器人（即所谓的“具身智能”）。 但Veo证明，通过被动观察，同样可以学到深刻的物理直觉，就像一个孩子通过观察来理解世界一样。它不一定能写出物理公式，但它“知道”物体应该如何运动、光线应该如何反射。 这不仅仅是为了生成酷炫的视频。当这种模拟变得足够逼真，并且能够实时交互时，我们就离Hassabis心中的“圣杯”——一个真正的世界模型——不远了。 这自然而然地引向了他最初的挚爱：电子游戏。 Hassabis在青少年时期就是一名出色的游戏AI设计师，他参与制作的《主题公园》（Theme Park）和《黑与白》（Black & White）等都是开放世界游戏的先驱。他一直梦想着创造一个真正自由的、由玩家和AI共同叙事的游戏。 在过去，这几乎是不可能的。开发者无法为玩家每一个可能的选择都预先创造好内容，所谓的“选择”往往只是假象。但现在，情况不同了。 “想象一个交互版的Veo，再把它快进五到十年。我们可能正处在一个新时代的风口浪尖上。AI系统将能够围绕你的想象力动态地创造内容，无论你选择做什么，它都能生成引人入胜的故事情节。这将是终极版的‘选择你自己的冒险’游戏。” 这是一种深度的个性化体验。你打开的每一扇门背后的世界，都是为你即时生成的，独一无二。对于像Hassabis和伊隆·马斯克这样的资深玩家来说，这无疑是终极梦想。Hassabis甚至开玩笑说，等AGI被安全地引导到世界之后，他的“退休”计划之一就是投身于物理理论，另一个就是用AI技术做一款这样的游戏。在他看来，这两件事是相通的——因为一个尽可能真实的模拟游戏，本身就是对“宇宙是什么”以及“P vs NP”这些终极问题的探索。 AGI之路：不只是扩大规模，还需要“品味”和“顿悟” Hassabis乐观地预测，我们有50%的可能在2030年前实现通用人工智能（AGI）。但他设定的标准非常高：AGI必须具备人类大脑那样的全面认知能力，而不是在某些方面超强、在另一些方面却漏洞百出的“锯齿状智能”。...

本文整理自 Theo 在旧金山 OpenAI 的办公室对 OpenAI CEO Sam Altman 的访谈，访谈中讨论了快速开发人工智能的利弊，这些新技术将如何永远改变我们对“工作”的看法，以及围绕人机融合的伦理争论。 走进OpenAI的办公室，你可能期待的是一个充满未来感的科幻堡垒，有激光防护网和需要刷卡进入的层层关卡。但实际上，这里给人的感觉更像一个舒适的乡间别墅，温馨而放松。这或许是山姆·奥特曼（Sam Altman）有意为之——这位被誉为“科技领主”的男人，正处在这场可能重塑人类历史的技术风暴中心。 最近，在一次难得的轻松对话中，奥特曼放下CEO的身份，展现了他作为一位新晋父亲、一个对未来既兴奋又敬畏的思考者的多面性。他聊的不仅仅是代码和模型，更多的是关于人性、希望和那些连他自己也无法回答的终极问题。 成为父亲：在AI时代，我们如何看待“人性”？ 谈话是从一个非常人性化的话题开始的：奥特曼的儿子。他坦言，成为父亲的体验“比想象中好太多了”。看着一个四个月大的小生命以惊人的速度学习新技能——从抓握物体到在两只小手间传递，这种变化的速度让他着迷。 “我知道，这一切都是进化精心设计的神经化学魔法，让我们对婴儿着迷，”他笑着承认，“但我就是喜欢这种感觉，它太强烈了。” 这种新身份也让他对生活的权衡有了新的感悟。他现在的生活几乎被工作和家庭填满，那些曾经被视作理所当然的“说走就走的国际旅行”已经变成了遥远的回忆。但他对此心甘情愿，甚至感到无比幸福。“我完全接受这笔交易，我太开心了。” 当被问及一个颇具未来感的问题——我们的后代是否会在实验室里被“孕育”时，奥特曼的反应很微妙。他理智上能理解其优势：更健康、更安全。但情感上，他觉得“有点不对劲”。 这引出了他一个核心的观点：在一个科技日益科幻化的世界里，那些最深层、最本真的人类体验——家庭、爱、人与人之间的连接——反而会变得无比珍贵和神圣。 我们的孩子会好吗？关于教育和未来的饭碗 奥特曼觉得，他的儿子大概率不会上大学了。他自己也只读了一半大学就辍学了，和扎克伯格等许多科技大佬一样。他用一个流传已久的视频来解释他的看法：一个蹒跚学步的孩子，拿起一本杂志，却像操作iPad一样在上面滑动，因为在他看来，这本杂志就是一个“坏掉的iPad”。 “我的孩子将永远活在一个比他聪明的AI世界里，”奥特曼说，“就像我们从未经历过没有电脑的世界一样，他将永远无法想象一个没有超级智能工具的时代。” 在这种背景下，教育的形态必然会发生巨变。当知识可以随时被调用，死记硬背的重要性自然会下降，而利用工具进行思考和创新的能力将变得至关重要。 那么，父母该如何为孩子准备一个AI未来？奥特曼的回答出人意料：“我其实更担心父母，而不是孩子。” 他相信，伴随新技术长大的孩子天生就能适应，就像我们天生就会用电脑一样。真正的挑战在于那些已经习惯了旧有模式的成年人，他们需要重新学习如何在这个世界上工作和生活。 这并不意味着他对技术毫无担忧。他直言不讳地指出，短视频流带来的持续多巴胺冲击可能“正在以一种极深的方式搞乱孩子们的大脑发育”。 工作、财富和人生的意义 聊到AI对就业的冲击，这是每个人都关心的话题。一个历史系的学生，未来还能当历史学家吗？ 奥特曼认为，工作会进化，但不会消失。因为“人类对其他人着迷”。我们天生就关心故事、关心历史、关心彼此。所以，研究历史的职业会以某种新形式继续存在，就像一百年前没人能预测到“播客”或“AI公司CEO”会成为热门职业一样。 “有人问我，AI什么时候能取代你当OpenAI的CEO？我说，可能用不了多久，”他轻松地说，“我一点也不难过，我觉得这太棒了。我肯定能找到别的事情做。” 但真正的问题是，当大量工作被自动化后，人们如何维持生计？ 奥特曼提出了两种可能性： 普惠式赋能：像GPT-7这样的强大工具免费提供给所有人，极大地提升每个人的生产力，让每个人都能创造更多价值。 新的经济模式：如果大部分财富都流向了AI的所有者（比如OpenAI自己），那么社会将迅速要求建立新的分配机制。 他过去很推崇“全民基本收入”（UBI），但现在他有了更深的想法。他认为，人们需要的不仅仅是钱，更是能动性（agency）——一种参与和共同塑造未来的感觉。 “我不想要每月一张支票。我想要的是AI所创造价值的所有权份额，让我感觉自己参与其中。” 他提出了一个更激进的概念——“全民基本财富”（Universal Basic Wealth）。比如，将全球AI算力的一部分（他半开玩笑地用了“万亿级别的tokens”作比喻）平均分配给地球上的每一个人。每个人都拥有了这份“算力资产”，可以自己使用、出售或与他人合作，共同创造新的事业。 这引出了一个终极问题：如果AI能做所有事，人类的**人生意义（Purpose）**何在？ 奥特曼承认这是他经常思考的问题，但他保持乐观。他用历史类比：工业革命时，人们也曾恐慌工作会消失，但我们很快就创造出了新的需求和新的工作。从前为了生存而辛勤劳作的祖先，看待我们今天坐着聊天、做播客，会觉得这是“真正的工作”吗？或许不会。同样，一百年后的人们回顾我们，可能也会觉得我们的工作不值一提。 “但这正是人类进步的美妙之处，”他说，“每一代人都站在前人的肩膀上，生活变得越来越好，我们不断找到新的、更高层次的方式来服务彼此，寻找意义。” 直面恐惧：一个连奥特曼都感到“无用”的时刻 尽管乐观，奥特曼也毫不掩饰自己的恐惧。 “就在今天早上，我测试我们的新模型（GPT-5），我把一个我不太理解的复杂问题扔给它，它完美地解答了。”他靠在椅子上，那一刻他真实地感到了一种“哦，天哪，它来了”的冲击。 “在那一刻，我觉得自己相对于AI是无用的。那是一种很奇怪的感觉。” 他同样担心AI对用户心理健康的影响。人们已经开始把ChatGPT当作治疗师、生活教练，甚至AI伴侣。“我害怕这个，我还没有答案。” 另一个巨大的担忧是隐私和监控。随着AI变得越来越强大，政府可能会以安全为由，要求更多的监控。“我非常害怕这个，”他说，“我们必须捍卫隐私权。历史告诉我们，政府在这方面总是会走得太远。” AI竞赛的真相与未来图景 如今，科技巨头们都在进行一场激烈的AI竞赛，宛如新时代的F1方程式赛车。这场竞赛的终点是什么？奥特曼认为，大家并没有一个统一的目标。 早期的竞赛是关于“基准测试跑分”，就像过去电脑的“兆赫兹竞赛”。但现在，重点正在转向谁能真正为用户创造价值。至于终极目标，也许是能自我迭代的超级智能，也许是比全人类加起来还聪明的AI。奥特曼自己的里程碑是：“当我们宁愿把算力交给一个AI研究员，而不是我们最聪明的人类研究团队时，那将是一个完全不同的新时代。” 为了支撑这个未来，我们需要巨大的物理基础设施——数据中心。他描述了在德州阿比林市正在建设的一个1千兆瓦的数据中心，其规模之大，从空中看就像一块电脑主板。“我猜想，未来地球的很多地方都会被数据中心覆盖，或者，我们会把它们建到太空里去。” 而这一切都需要巨大的能源。奥特曼的答案是：核聚变。“我认为我们需要尽快实现核聚变。未来几十年，人类对智能和能源的需求将疯狂增长，我们最好找到解决方法。” 在对话的最后，奥特曼再次回到了那个核心的不确定性上。他坦言，他没有所有答案，也没有人有。 “我小时候总以为，这个世界上总有一些‘房间里的大人’，他们有全盘计划，知道一切会如何发展。后来我长大了，开始怀疑，可能根本没有‘大人’。现在，我自己成了那个‘房间里的大人’，我可以肯定地告诉你，没人知道未来会怎样。” 这或许就是与山姆·奥特曼交谈最让人感觉奇特的地方。他就像一个手握宇宙地图的向导，当你问他目的地是什么样时，他会坦诚地告诉你：“我也不完全清楚，但我们正在一步步探索，让我们一起去看看吧。” 这种坦诚，这种对未知的好奇与敬畏，或许比任何确定的答案都更能让我们理解我们所处的这个时代——一个充满无限可能，既令人兴奋又让人不安的伟大开端。

阿里巴巴 Qwen 团队发布的最新代码模型 Qwen3-Coder-480B-A35B-Instruct。该模型在代理式编程、长上下文处理和工具调用方面取得了显著进展。 模型规格 模型类型：因果语言模型 (Causal Language Models)。 参数规模：采用混合专家 (MoE) 架构，总参数量为 480B (4800亿)，单次推理激活 35B (350亿) 参数。 模型结构：包含 62 个层，160 个专家（每次激活 8 个），并使用分组查询注意力 (GQA) 机制。 上下文长度：原生支持 256K tokens，为处理大规模代码和文档提供了基础。 使用与集成 快速上手：官方建议使用最新版本的 transformers 库进行调用，并提供了详细的 Python 代码示例。 本地化支持：模型已得到 Ollama、LMStudio、MLX-LM、llama.cpp 等多种本地部署工具的支持。 内存管理：如果遇到内存不足 (OOM) 的问题，建议将上下文长度缩短（例如 32,768）。 代理式编码 (Agentic Coding) 工具调用：模型的核心优势之一是其出色的工具调用能力。用户可以像使用 OpenAI API 一样，轻松定义和调用自定义函数（工具）。 专用格式：模型采用了为函数调用特别设计的格式，以提升其作为代理的效率和准确性。 最佳实践 推荐参数：为获得最佳生成效果，建议设置 temperature=0.7, top_p=0.8, top_k=20, repetition_penalty=1.05。 输出长度：建议为大多数查询设置 64K tokens 的最大输出长度，以确保模型能完整地生成复杂代码或回答。 模型表现 Qwen3-Coder-480B-A35B-Instruct 上线近一周后，在 OpenRouter 上 Qwen 模型调用量翻了 5 倍，排名第四，仅次于 DeepSeek。在 HuggingFace 近七日 Trending 上 Qwen3-Coder 也位列第一。在LLMArena WebDev 上也和 Gemin 2....