No Priors 的來賓，照 AI 產業的哪一層排

另一種看法：同一題這幾年怎麼說

地圖照公司分，筆記的跨集主題照問題分。同一批集數，兩種切法。

開源追得上嗎，追上之後是誰的開源

2023 年的起點是還沒追上：014 集主持人說開源裡還沒有 OpenAI 或 Claude 等級的模型，賭一年內會出現 3.5 等級的；Ilya Sutskever 說開源現階段有需求，能力更高之後就沒那麼單純。支持開源的理由從一開始就不一樣：Emad Mostaque 說基礎模型的深度學習階段會全部開源，Clem Delangue 不相信一個模型、一家公司通吃，Arthur Mensch 說開源是為了讓研究繼續流動，也不認為開源模型讓壞人多出能力，Amjad Masad 則把 Meta 的做法看成 commoditize your complement。2024 年說法變成差距在縮：059 集主持人預期年底會有好幾個 GPT-4 等級的模型、其中有些開源；Ankur Goyal 說 Llama 3.1 讓開源接近關鍵時刻，實際採用卻仍很有限。2025 年以後，爭點從追不追得上轉到誰的開源：100 集主持人說開源的中國模型 DeepSeek 在 reasoning 等方面追上部分西方模型；Sriram Krishnan 說行動方案要讓美國在開源上取勝；Jacob Helberg 批評 DeepSeek 不算真正開源；Dylan Patel 提到企業對中國模型有疑慮，並說 OpenAI 的開源模型讓美國半年到一年來第一次拿回最好的開源模型；Tuhin Srivastava 說沒看過這些模型有內建議程的實際證據，在 production 跑 DeepSeek 的成本大概是 Anthropic 模型的 20%，但也主張美國要有自己的開源模型；Simon Last 說四個中國開源模型已經很好，Notion 的 agent 四個都會上。到了 2026 年，Andrej Karpathy 覺得開源落後閉源幾個月的局面反而不差，Jensen Huang 說沒有開源，新創與傳統產業會被悶死，也提醒中國對開源貢獻最多。機器人與生物這兩塊另有理由：Chelsea Finn 說最大的風險是沒人解得出這個問題，Mark Zuckerberg 說不相信由少數機構包辦進展。003005014033039040059085100107125127129145153154159165

價值落在模型，還是模型之上

2023 年的來賓多半說價值不在模型本身：Matei Zaharia 說核心技術正在商品化，Kevin Scott 說模型不是產品，Shyam Sankar 說價值在怎麼用模型。2024 年出現兩種讀法：081 集主持人說 API 價格大約降了 200x，只做 API 越來越難跟模型本身競爭；Aidan Gomez 卻不認為模型在商品化，把價格下跌看成價格傾銷，認為只有少數幾家會做。Bret Taylor 的說法介於中間：pre-training 會集中在少數公司，市場會像雲端一樣分層。應用公司是不是只是 wrapper 也吵了兩年：Garry Tan 說這樣講就像說所有 SaaS 都是 MySQL wrapper；Eric Simons 承認 wrapper 型公司容易隨模型更新消失，Bolt 靠的是做了多年的 web container 技術；Jesse Zhang 說大家用同樣的模型，差異在 orchestration layer。2025 年 109 集主持人說語言模型在能力與產品形態上愈來愈接近，擔心的方向也跟著轉成模型公司往上吃：Misha Laskin 說沒有自家前沿模型的新創，在 coding、搜尋這類關鍵類別會很危險；Nikesh Arora 說只做套殼的公司最怕模型擴張；Sridhar Ramaswamy 說模型公司會往 coding agents 這類明顯的方向擴張，Zach Lloyd 也承認模型公司正積極進入 coding。守得住的理由各不同：Mati Staniszewski 說大實驗室不會去蓋那層產品，長期價值在 distribution 與整合的生態；Tuhin Srivastava 說要把用戶訊號編進 workflow，而不只是模型；Maxim Bar Kogan 說買方不想讓賣模型的人替自己的模型背書；Melisa Tokmak 說最後一哩路還得靠 harness、orchestration 與自己蓋的軟體；Jensen Huang 認為 wrapper 公司不會被淘汰。創辦人怕不怕，主持人之間也有出入：170 集主持人觀察到創辦人比四年前更不敢進入實驗室可能涉足的領域，171 集一位主持人也看到好創辦人因為怕 labs 轉去做利基市場，另一位不完全同意，說自己投資的公司裡有人正面對決。011018025066081082091092097109123134137139143145159163170171

讓模型用上自己的資料：RAG、長 context、微調

2023 年的主流做法是檢索：035 集主持人說 RAG 能附引用、控制來源、不必為新資料重訓；Kelvin Guu 說常識靠擴大模型就記得住，檢索更有價值的是個人資料與企業客戶的特殊資料。長 context 會不會讓它退場，主持人在 020 集就有分歧：一位認為脈絡會膨脹到塞滿視窗，另一位願意打賭兩年內視窗大小大致不成問題。2024 年 context 真的變長，兩邊都有人：Eric Steinberger 說 retrieval 若真是最佳解，模型自己就學得出來，Magic 押長 context；Oriol Vinyals 說長上下文是最讓自己意外的事。做檢索的不同意：Edo Liberty 說全塞進 context 只是多付錢，不一定更準；Tengyu Ma 說長上下文比 RAG 貴；Harrison Chase 說 needle in a haystack 測的不是 RAG 常做的多點綜合；054 集一位主持人認為只是多了一組取捨，兩種都會存在。2025 年 Arvind Jain 也說資料要先整理好再交給模型，不是全部塞進去就行。微調的評價則是先降後升：Beyang Liu 先做 RAG、後考慮 fine-tuning；Ramp 試過微調，覺得自己的時間更值錢，改成能快速換模型；Ankur Goyal 說客戶幾乎都已從 fine-tuning 改用 instruction tuning；Aidan Gomez 則建議企業從 fine-tuning 開始，再到 post-training，最後才碰預訓練。2025 年 Brendan Foody 說用 SFT 客製化太耗資料，一直沒起飛，reinforcement fine-tuning 才讓應用層客製模型說得通，Isa Fulford 也列了值得做 RFT 的條件；2026 年 Tuhin Srivastava 說 Baseten 上 95% 以上的 token 屬於客製化的 dedicated inference。015020035047052054057067074076079085091110112115159

光放大不夠：推理與推論時算力

2023 年就有人說放大會撞牆，也有人說還早：Noam Brown 估計模型大概還能再放大兩個量級，之後就有大問題，所以想在推論時多花算力思考，並說在撲克裡加入搜尋的效果約等於把模型與訓練放大 100,000x；Noam Shazeer 說沒有人撞到牆，資金與規模會再砸進 10 倍、100 倍、1000 倍；Mustafa Suleyman 說過去十年最大模型的訓練算力每年增加一個數量級。Jakob Uszkoreit 與 Illia Polosukhin 點的是同一個缺口：Jakob 說模型花多少算力取決於提示與回答多長，而不是問題多難；Illia 說比起換架構，更需要讓模型在輸出前能多想一下。2024 年這條路陸續有了做法：Eric Steinberger 主張推論算力要讓使用者決定花多少，Jared Quincy Davis 說可驗證的問題可以靠 best of K 一路堆上去，AlphaProof 團隊靠 test time RL 花了數天的推論算力解題；086 集一位主持人說 o1 的重點是多了一條新的 scaling 方向，Aidan Gomez 說以前要更聰明的模型只能等 6 到 12 個月重新訓練，現在多付推論的錢今天就拿到。懷疑的也有：Mike Knoop 說 AGI 的進度已經停滯，答案不在訓練資料裡的開放問題 LLM 會失靈；Oriol Vinyals 說推理的問題是不夠精確。2025 年 o3 團隊說跟 GPT 系列最大的訓練差異是 RL，工具讓 test time scaling 延續下去。2026 年 Noam Brown 回到這個題目，說的是新的麻煩：benchmark 表上沒有控制 test-time compute 就比不出差異，也沒有人把模型跑得夠久，能力上限沒人知道。001012016029032068074077079086090091113167

資料會不會用完

2023 年多數來賓不擔心：Noam Brown 認為資料不是主要瓶頸；Noam Shazeer 說大不了用 AI 再產生；Ilya Sutskever 說近期的限制顯然是資料，但可以克服；035 集主持人提到 Google 的論文，某些用途上 AI 給的回饋和人類一樣有效。Jakob Uszkoreit 看法不同：拿模型輸出再訓練，只是把以前花掉的算力分攤到後面，他覺得很笨拙。2024 年開始改口：063 集主持人說網路上便宜的 token 快用完了；Alexandr Wang 說好拿的資料大致用盡，接下來要靠專家推理鏈、agent 工作流程這類 frontier data；Andrej Karpathy 說瓶頸已經從架構移到資料，合成資料不可避免，但要小心模型靜悄悄地 collapse。2025 年對人類資料的評價分成兩邊：Ben Mann 說規模變大後，找得到夠格判斷好壞的人愈來愈少，所以改用 AI 回饋與 constitutional AI；Edwin Chen 說有客戶花半年產了 1,000 萬到 2,000 萬筆 synthetic data，最後發現 99% 沒用，一千筆精挑細選的人類資料比那 1,000 萬筆還有價值。網路上本來就沒有的資料，來賓都說得自己做：Peter Chen 說機器人沒有現成資料集，只能讓機器人在客戶現場邊創造價值邊收；Josh Goldman 讓地質學家刻意去模型最沒把握的地方取樣；Vevo 的 Nima Alidoust 說細胞狀態模型受資料限制，不是算力；Liam Fedus 說文獻裡同一個材料性質的回報值可以跨好幾個數量級，要靠實驗給地面真相。2026 年 Eon 的共同創辦人說公司真正有價值的是自己的資料，舉的是 Google 以 $10 million 買下破產的 Spirit Airlines 資料。001012029035039048063065080103111118124155175

評測還能信嗎

公開 benchmark 不夠用，2023 年就有人這樣說：Percy Liang 的 HELM 除了準確度還看穩健、校準、公平、偏見、毒性與效率；Karan Singhal 說 Med-PaLM 缺系統化的自動評估，所以要醫師與一般人參與。之後各領域的來賓都說用不上現成的分數：Suhail Doshi 說業界多數 eval 偏向行銷；Mikey Shulman 說音訊的 benchmark 特別爛，最後靠大量聆聽；Winston Weinberg 說多數 benchmark 對 Harvey 沒用，要請夠資深的律師；Mati Staniszewski 說同一個模型換一個聲音，評比結果就差很多。解法分成公開與私有兩派：Alexandr Wang 主張評測要公開、要持續做，Scale 的 GSM1K 讓一些模型的成績比公布的差很多；Edwin Chen 卻說 LMArena 這類排行榜讓想衝排名的團隊可能半年都在訓練更好的 clickbait；Misha Laskin 說新創要照客戶實際問的問題建 eval；Satya Nadella 說公開的 eval 都可以被刷滿，私有 eval 才是公司的 IP。也有人說 eval 是能力的上游：Brendan Foody 說只要有 eval，模型就學得會，接下來要評的是有經濟價值的真實工作；Matej Balog 說 AlphaEvolve 現在需要精確的評分函式，所以先從數學與電腦科學下手；o3 團隊最想要的是 uncontaminated evals，因為幾個可靠的 eval 已經被解掉；Dan Hendrycks 說 Humanity's Last Exam 這類封閉式題目逼近滿分就走到盡頭。2026 年 Noam Brown 要求多加一條軸：不控制 test-time compute，同一張表比不出差異。007017060064065101105110113120123124143164167

agent 能放手到哪裡

2023 年的起點是 AutoGPT 式的迴圈：014 集主持人說做法是把 LLM 放進迴圈、加上規劃與記憶，模型架構本身沒變；Kelvin Guu 說子目標一旦寫錯就很難回頭；Imbue 的一位創辦人說最難的是讓每一步都做對。那時的共同建議是先收窄：027 集一位主持人說成功的產品多半先從垂直用例做起，Shyam Sankar 說先只給 agent 一個狀態轉換的權限。2024 年的證據多半指向往回收：Beyang Liu 說每一步的失敗會層層累積；Glen Coates 說 10 分鐘就能做到 75%，往 95% 爬是一段殘酷的長坡；Harrison Chase 說組裝方式從自主 agent 落到受控的狀態機；Ankur Goyal 說走在前面的公司多半放棄完全自由的 agent，改由程式碼控制流程；Pedro Franceschi 的做法是信心高才自動套用，沒把握就不顯示。Bret Taylor 比較樂觀，說替公司做客服的 agent 已經 shovel ready，個人 agent 則還缺技術。2025 年的來賓多半在講條件：Jesse Zhang 說能落地的場景要能慢慢上線、投資報酬容易量化；Thomas Dohmke 列了可預測、可引導、結果可驗證、開發者願意忍受四個條件；Isa Fulford 說 deep research 先做唯讀任務，安全問題比較單純；Andrew Ng 說 computer use 一類的瀏覽購物多半還停在 demo；Nikesh Arora 說現在沒有人放手讓 LLM 自主做事；Eric Zelikman 則說模型自己跑八小時回來，人會覺得沒有主導權。2026 年的分歧在誰來盯：Philipp Herzig 說 coding agent 好用是因為編譯與測試能驗證，企業流程得靠 eval 與邊界條件；Andrej Karpathy 說研究員不該待在迴圈裡，但只限能客觀評估的事；Maxim Bar Kogan 認為行動量會成長到人在迴路中撐不住，改用小模型判斷何時請更聰明的 agent 來看。014015025027041047049057075082085097106112128134135154158163

寫程式的人會變多還是變少

2023 年的看法是有用但還早：020 集主持人說 Copilot 已經很有生產力，但怎麼給模型更多脈絡、做出什麼體驗都還在摸索；Amjad Masad 說依 Replit 的研究，寫程式本身大約有 30 到 50 percent 的生產力提升，受惠最多的是初學者。工程師會不會變少，從那時起就有兩種答案。說會變多的：Scott Wu 說工程的需求大得很，而且 Devin 不負責決定要做什麼；Erik Bernhardsson 說過去每十年工程師的生產力大約提高 10 倍，每次都釋放出更多軟體需求；Parker Conrad 也懷疑 AI 會讓公司少雇人。說角色會換的：Olivier Pomel 說寫出的東西多 10 倍、理解卻少 10 倍，價值會轉到理解與運行軟體；Beyang Liu 說瓶頸是協調，不是打字；Eric Simons 預期工程師改當指揮者；Misha Laskin 說工程師 80% 的時間在弄懂系統，工具卻 80% 在生成；Andrew Ng 說寫程式變快以後，決定要做什麼成了瓶頸；Gabe Pereyra 說讓人寫程式快 20%，不等於產品快 20%。no code 也沒被吃掉，Howie Liu 說非開發者得看得懂、能直接改產出。2026 年的兩集裡，有人說自己已經不寫了：Simon Last 說從去年夏天就沒寫過程式，Andrej Karpathy 說從十二月起自己寫與委派給 agent 的比例從 80/20 翻成 20/80。資深經驗值不值錢沒有定論：Thomas Dohmke 說把粗略的大想法拆成小任務仍要靠人，中位數工程師不會被取代；Zach Lloyd 說資深工程能力短期內反而更值錢。品質是共同的懸案：151 集主持人說大量沒人讀的程式碼帶來 slop 與脆弱處，問題還在開放階段；CJ Desai 說 vibe coding 做得出應用，卻過不了銀行的監管、多雲備援與稽核。020021033047062073092096106122123128137142147151153154

工作會不會消失

2023 年談到工作，說法偏向慢慢調整：Reid Hoffman 說就算明天每家卡車廠都改做自駕卡車，也要 10 年路上才會有一半以上是自駕；Kevin Scott 認為需要在實體世界動手的職業需求會更大。2024 年主持人開始算可以被換掉的量：054 集提到 Klarna 的客服 AI 做了相當於 700 位全職客服的工作量，072 集說服務業有 5 trillion 的人事成本可以被 AI 改造，086 集說最值得看的是大量做「email jobs」的人。客服與行政最先被換掉，後來的來賓說法一致：Nikesh Arora 說最容易被取代的是客服與行政，Bill McDermott 說 ServiceNow 90% 的客服案件已由 agent 處理，Glenn Fogel 說公司內 40 種語言的翻譯與客服在機器翻譯出現後就消失了。整體會變多還是變少，分成兩邊。說會變多的：Dylan Field 預期軟體會變多、設計得更好，而不是設計師與工程師變少；Winston Weinberg 說任務會被取代、工作不會；Jensen Huang 用放射科說明 AI 全面進來後醫師人數反而增加，因為看片是任務、診斷才是目的；Jacob Helberg 預期公司會增產而不是裁員；Alexander Taubman 說被收購的公司量體從每年 0 到 5% 變成 20% 以上；DoorDash 的一位共同創辦人預測十年後外送員更多。說會痛的：Brendan Foody 預期許多職位的取代會很快，並引發民粹運動；Dan Hendrycks 說勞動市場的衝擊不是實驗室調整設計就能改變的；Glenn 擔心工作消失得比新工作出現得快，社會卻沒認真想過；Bill 說五年後新增人力會大幅減少。也有人說眼前的裁員另有原因：166 集主持人認為許多 AI 裁員的說法被高估，多半是 2020 年疫情期間過度招聘。018045054055072086101105110129134145157160166168169

企業採用與 SaaS 末日論

企業會不會很快用起來，三年來的答案都是比想像慢：Lukas Biewald 說募資做 LLM 工具的公司可能比真正上線 LLM 的還多；027 集主持人說真正大規模上線的企業幾乎是零，大概還要一到兩年；Kawal Gandhi 說客戶拿到 API 先做原型，要部署、管理時組織才會認真思考；Clara Shih 說是第二或第三局；Tuhin Srivastava 說大家高估了企業未來 12 到 18 個月的規模，卻低估了三到五年後；Aidan Gomez 說 2023 年很多 POC 栽在 prompt 與資料呈現的細節；到了 2026 年，CJ Desai 仍說大企業用 AI 沒有外界想的快，Bill McDermott 舉巴西只有 11% 的公司走出實驗階段。例外是 144 集主持人說的醫師、律師、合規，這些向來最晚採用科技的行業，這次很快接受 AI。舊軟體會不會被換掉，答案隨時間變了。2023 到 2024 年說有缺口的多：014 集主持人說 ERP 可能首次受威脅，020 集主持人說密集整合、連接器多的企業軟體第一次出現被挑戰的缺口；Ivan Zhao 說 SaaS 之後碎片化太多，語言模型要的是資訊集中；Elias Torres 說許多軟體只是資料庫外面包一層，該換掉。2026 年市場真的恐慌時，多位來賓反而說喊得太快：CJ Desai 說產品會被換、平台很黏；151 集主持人說小型新創 vibe code 內部工具和 Fortune 100 換掉 CRM 是兩回事；Bill McDermott 說簡單的應用改用語言模型重做，成本是放在 ServiceNow 上的 10 倍；Neil Tiwari 覺得軟體股被一起拋售反應過頭。說得重的仍有：Sridhar Ramaswamy 說沒有軟體公司能覺得自己的位置安全，Glenn Fogel 說沒有護城河這回事。Satya Nadella 與 Philipp Herzig 站中間：一個說資料模型與商業邏輯仍有價值，但原本的打包方式要拆開重組；一個說介面、流程、資料三層都得重做。014020026027037043051056091094139144147151152157158164168

搜尋與內容：點擊還回不回來

2023 年兩家搜尋新創就預告了後來的問題：Perplexity 的 Aravind Srinivas 預期流向內容網站的流量會變少，Denis Yarats 說這會動到 Google 的廣告模式；當時經營 Neeva 的 Sridhar Ramaswamy 預期小型部落格在答案世界裡很難養活自己，也說答案型產品做廣告更難。其他來賓談的是入口換人：Fidji Simo 說如果從零重建電商，搜尋框本來就是問問題的地方；Guillermo Rauch 說以後也得替 Perplexity 這類引擎做 SEO；Brian Halligan 說人以後不一定要進網站，直接問模型就知道一家公司的事。2024 年 Oriol Vinyals 說很難想像搜尋與聊天哪一邊取代另一邊；081 集主持人拿 Google 早年的官司當前例，索引網頁、顯示 snippet 被告了很久，最後出現 robots.txt 與合理使用，整件事花了十到十五年。到了 2025 年，Matthew Prince 拿出數據：同一篇內容要從 Google 換到一次點擊比十年前難 10 倍，跟以前的 Google 比，OpenAI 難 750 倍、Anthropic 難 30,000 倍，所以 Cloudflare 預設擋掉 AI 訓練用的爬取，也要 Google 把搜尋索引與 AI Overview 的用途分開。Nikesh Arora 說 agent 直接代辦交易之後，哪些 app 還需要存在都要重問；同一位 Sridhar 到了 Snowflake，則說廣告在聊天介面裡不會消失。100 集主持人提的是另一面：AI 成為主要資訊來源之後，來源透明、宣傳與審查都成了問題。008009022030036074081100126134139

算力：缺貨、閒置、泡沫，還是卡在電

2023 年的問題是缺貨：027 集主持人說根源在製造，新晶圓廠動輒數十億美元、良率又難控；Andrew Feldman 說晶片供應鏈很難調整，預測會繼續低估需求。2024 年出現兩種相反的訊號。一邊是錢還在加碼：063 集主持人說幾家 hyperscaler 今年在 AI 運算上花了將近 200 billion 美元，拿石油公司與寬頻業者的基礎建設支出對照，認為不是沒見過；072 集主持人逐一反駁 Goldman Sachs 那份「AI 見頂」報告；Matt Garman 說半導體廠、記憶體和資料中心都要時間，短期供給吃緊。另一邊是 GPU 其實沒用滿：Jared Quincy Davis 說就算是 H100，許多情況下利用率也只有 20% 到 25% 或更低；Erik Bernhardsson 說 GPU 不該只能簽長約。2025 年 DeepSeek 讓成本成了話題，100 集主持人說成本數字被誤讀，最後一次訓練落在 5 到 10 million 美元，之前花了多少才是問題，而同等級模型的每 token 成本 18 個月降了 180x，本來就在趨勢線上。到了 2026 年，來賓說的是供不應求：Jensen Huang 說 OpenAI 缺的是產能，泡沫的說法太表面；Tuhin Srivastava 說 Baseten 的叢集多半跑在 mid-90s 的使用率；Neil Tiwari 拿 2000 年代初的光纖過度建設對照，當時留下大量 dark fiber，現在看不到閒置的 GPU。提醒泡沫的也還在：Glenn Fogel 說每次投機熱潮都有人賠很多錢；151 集主持人說 1999 與 2000 年約各有 450 家公司上市，至今仍有分量的大概一二十家。瓶頸本身一直換位置，Dylan Patel 從 CoWoS、HBM 一路數到變電設備、發電與人力。電從哪裡來沒有共識：Mark Papermaster 在 2024 年就說電力會是關鍵限制；Jacob Helberg 說核能是最好的路，難處在工期與資本；Zach Dell 認為未來五十年由太陽能與儲能定義，核能目前太貴；Isaiah Taylor 說核能缺的不是更好的設計，而是把反應爐造出來、開起來；Neil 則說電網上有閒置的電力，短期卡在儲能與配電。027031053063072077078096100127129136145151152159168173

NVIDIA 之外有沒有第二名

起點是 Jensen Huang 在 2023 年講的 CUDA：每顆晶片維持架構相容，開發者才知道該為哪種晶片寫程式，前五到十年客戶很少、毛利很差。同一年 027 集主持人說缺貨讓 Cerebras、Groq 這類晶片新創有了切入口，Andrew Feldman 把記憶體和運算拆開，讓比例可以自己配；Alyssa Henry 認為 NVIDIA 賣得最多，但會有明確的第二名。2024 年 Mark Papermaster 說 ROCm 開源，是因為不想靠專有軟體把客戶鎖住；081 集主持人說又有一批專攻 Transformer 的新公司，市場對 AMD 能不能追上看法分歧；Jensen 則把產品單位從晶片換成整座資料中心，目標是每年讓整套系統的效能成長兩到三倍。2025 年 Dylan Patel 的說法最悲觀：晶片新創就算有獨特設計，也要在製程、記憶體、網路上逐項落後，第一代 AI 晶片新創更押錯了記憶體與運算的取捨。2026 年有了不同的答案：Andrew Feldman 說 Cerebras 的推論比 GPU 快 15、18、20x，模型夠聰明、被天天拿來工作之後速度才變得重要，並談成了 OpenAI 的交易；Lip-Bu Tan 說 agentic AI 與推論讓 CPU 又搶手，訓練時 CPU 對 GPU 是 1 比 8，現在看到 1 比 4，甚至可能 1 比 1。013027031044053081089127162166

實體世界：形狀、感測器與時程

共識是實體世界比數位慢、資料得自己收：Peter Chen 在 2024 年就說機器人沒有現成的資料集，只能讓機器人在客戶現場邊做邊收；Andrej Karpathy 到 2026 年仍說 bits 會比 atoms 變得快很多。分歧有三個。第一是形狀：Brett Adcock 說世界是照人的尺寸蓋的，人形是實體世界的通用介面；Karpathy 也支持人形，理由之一是好遠端操作收資料；Chelsea Finn 覺得人形機器人有點被高估，押的是平台多樣化；Fei-Fei Li 的假設是任務差異太大，只用一種形態不符合能源效率。第二是自駕要不要昂貴感測器：Karpathy 2024 年說 Tesla 是軟體問題、Waymo 是硬體問題，看好 Tesla；Dmitri Dolgov 說拿現成模型微調就能上路，難的是長尾上許多個 nines；Kyle Vogt 說純鏡頭路線在 2025 年可行，不需要昂貴的 lidar；RJ Scaringe 說雷達與光達都已經很便宜，貴的是車上的推論算力；Applied Intuition 的兩位共同創辦人認為不少系統已經比人開得安全，卡住的是誰負責。第三是時程：Kyle Vogt 預期 5 年、也許 10 年後家裡沒有幾台機器人會說不過去；100 集一位主持人認為機器人 2025 年會看到技術突破，但還不是部署；Sunday 的兩位創辦人說機器人沒有理由不走其他 AI 領域的軌跡，2026 年先做 beta；Jensen Huang 預期機器人會在各垂直領域落地。偏保守的是 144 集主持人，預測明年會有一批機器人公司的信心崩掉；Melisa Tokmak 說機器人離服務業還很遠；DoorDash 的一位共同創辦人說送貨機器人規模化的瓶頸已經是營運、商業化與硬體製造，不再是自動駕駛本身。048058080087100102107117119141144145150154169170

AI 做藥：卡在資料、臨床還是產業

2023 年的起點是兩種判斷：Daphne Koller 說 95% 的藥物計畫會失敗，最大原因是靶點、適應症或病人族群選錯，所以 Insitro 從這一段下手；014 集一位主持人認為 AI 會先落在醫療的營運面，另一位認為藥物開發也會因為判斷更常對而降低成本。Jason Kelly 說生物的語言不是人類發明的，電腦比在英文領域更有機會領先；Fidji Simo 則說診斷端 AI 已經比人好，生技藥物端還沒看到成果。後來的來賓各指了不同的瓶頸。資料：Vevo 的 Nima Alidoust 說細胞狀態模型受資料限制，一位來賓說單細胞與虛擬細胞模型比較接近 GPT-1；Biohub 把 AI 團隊和濕實驗團隊當成同一件事，就是為了產出過去不存在的資料集。臨床：Noubar Afeyan 說臨床是最大瓶頸，Priscilla Chan 說科學會動得很快，但怎麼送進臨床還不清楚。產業本身：116 集主持人說生技的市場結構、資金模式與監管都和科技業差很多；Sajith Wickramasekara 說新藥成本有一大塊來自手工作坊式的做法，短期看好輔助科學家，不押全自動的 AI 科學家。設計端的進展最具體：Chai Discovery 說 Chai 2 近 20% 的設計以預期方式結合目標，先前的計算方法大約只有 0.1% 甚至更低。Jensen Huang 則預期數位生物學在 2026 年出現 ChatGPT 時刻。006014022034103104116121140145165

要不要管：從暫停信到國家競賽

2023 年的爭論圍著暫停信與存續風險轉。主張要管或要先準備的：Emad Mostaque 認為超過一定 flops 的模型都要登記，由專責的國際團隊測試；Ilya Sutskever 設想 5 到 10 年後可能出現比人聰明得多的資料中心，super alignment 現在就要做。反對急著管的：014 集主持人說監管容易讓既有業者鎖死市場，現在只該管出口管制與軍事用途；020 集主持人拿核能監管機構成立後 50 年沒有新反應爐設計獲准當例子；Arthur Mensch 批評現行的算力門檻很武斷，主張護欄放在應用端；Reid Hoffman 沒簽把 AI 與疫情、氣候變遷並列的聲明；Fidji Simo 聽到只談理論風險、要求停下來的聲音很生氣。2024 年 Mike Knoop 也說還沒有實證證據之前不該立法規定研究方向；Lina Khan 站在執法者的位置，同意繁雜的規則會偏向請得起大批律師和說客的大公司，所以規則要寫得簡單清楚。2025 年以後，框架從管不管變成國家之間怎麼競爭：Dan Hendrycks 說沒有武力或查核機制當後盾的自願暫停，只會讓守規矩的一方變弱，提出各國互相嚇阻的構想；Sriram Krishnan 說 DeepSeek 是起跑槍，行動方案要把監管拉到聯邦層級，免得單一州的規則變成全國的實質法律；Jensen Huang 說 God AI 離現在非常遙遠，不應為了它改變政策方向。實驗室內部的風險評估也在變：Ben Mann 說 Anthropic 的 RSP 現在更聚焦生物風險；Noam Brown 說各家的安全框架多半訂在 test-time compute 還不重要的年代，沒問該用多少預算去測。2026 年 171 集主持人仍說，只看風險、不看效益的監管會拖慢進展。003014020022039040045068084105118125145167171