Live in the Future

五个数量级之后

这期圆桌有三位创始人。第一位是 Y Combinator 总裁 Garry Tan。第二位是来自 Abel Police 的 Daniel Francis，这家公司从把执法记录仪视频转成警务报告起步，后来扩展到合规 AI 对话、翻译和公民报告。第三位是来自健康超级应用 A-LIST 的 Farbood Nivi。Naval 一开始就说，节目不打算花时间宣传产品，而要提炼他们在构建过程中学到的原则。

Garry 先用自己的变化说明 AI 已经跨过实用门槛。他说，自己连续四个月每天大约只睡三小时，从基本不写代码，变成能教别人使用工具，还做出了面向 vibe coding 的 GStack，并称它进入了开源包前一百。遇到 Brex 的 Pedro 之后，他又在二十四小时内从 Claude Code 的重度使用者转向 OpenClaw，后来两套工具一起用。

真正惊人的不是他的作息，而是他给出的推理供给预测。Garry 估计，未来二十四到三十六个月，推理量可能增长九万倍，也就是大约五个数量级。支撑这个判断的是 token 成本下降、芯片增加和数据中心扩建。他甚至说，如果今天愿意每年花十万美元买 token，就像提前以普通人的方式生活在二零二八年。数字可能差几个数量级，但他认为方向不会变。

Naval 接着提醒，五个数量级不能只理解成同样的东西变便宜。模型每跨一个数量级，都可能涌现新的能力，所以推理供给的变化会直接变成能力变化。他承认自己在二零二零到二零二二年错过了 AI，因为从学计算机开始，他就听惯了 AI 永远不会真正到来，像核聚变一样。结果它不仅来了，而且来得极快。

这就引出本期最根本的未决问题。Scaling law 说的是，增加算力、数据和训练，模型能力会继续提升。如果这条规律持续，AI 再通过递归自我改进超过最聪明的人，就会走向 ASI，也就是超级人工智能。两年前还可以说 AI 什么都中等、什么都不专业。现在更像是许多领域已经接近专家，剩下的问题是，它能不能完成最后的创造性一公里，不只重组训练集，而是产生广泛而原创的东西。

Daniel 提到 AI 在厄尔多什数学问题上的进展。他数学专业出身，喜欢证明，所以看到机器做出带有原创感的推进，会觉得意外，甚至有些不安。反方提醒，这项工作仍然由人指导，而且现在还看不到普遍创造力。这个案例没有证明 ASI 已经到来，但说明能力边界正在移动。

更尖锐的问题是，纯机器会不会最终胜过人类加机器。半人马象棋曾经由人和棋类程序组合击败纯程序，后来纯程序又超过了组合模式。历史至少说明，人的指导在某个阶段有价值，却不保证永远构成优势。

Farbood 给出更现实的视角。他们曾为每位用户运行独立 agent，单用户月成本约一百美元，三四个月后压到二点八四美元，还建立了 eval harness 和可弹性伸缩的 agent fleet。他的判断是，今天的瓶颈更像成本，不是智能。但实验室里更激进的预测是，一年左右 AI 会自行创建 harness，直接与其他 AI 协作，处理材料科学、物理、数学、工程和健康问题。公众听到的却是另一层意思：人类可能没有工作可做了。

转型真正难在速度

技术预测一旦变成就业恐惧，就会进入政治。圆桌谈到针对数据中心的抗议。参与者认为，人们害怕收入和工作被替代，这种恐惧可以是理性的；但它会借助耗水、环保、许可等更容易动员的理由表达。如果不是水，也可能是某种鸟、蜗牛或别的议题。真实恐惧和不可靠的传播载体，可以同时存在。

Naval 把这种反应类比为卢德运动砸纺织机。砸机器可能暂时拖慢变化，却没有让纺织技术消失。更重要的历史参照是农业。节目用“约一百年前百分之五十、如今百分之二”作粗略类比，不应把它当成精确统计。按美国农业部可复现的长期口径，一九零零年农业劳动力约占百分之四十一，二零零二年约占百分之一点九。数字需要校准，但岗位结构大幅变化没有机械转化成同等规模永久失业，这个方向没有改变。

所以问题不是岗位能不能变化，而是变化有多快。农业转型用了六十到七十年，本轮对白领和知识工作的冲击可能快得多。个人来不及重学技能，组织来不及重建流程，福利和教育制度也来不及调整，社会震荡就会集中释放。

圆桌还指出，很多大型组织本来就存在大量低产出的 make-work job。有人用《财富》杂志五百强和微软经历开玩笑，说不少人名义上有工作，实际上没有创造多少价值。Garry 的体验恰好相反。AI 没让他少工作，他同时运行六个 Codex agents，工作比以前更重，但生产率和杠杆也更高。

短期现实因此可能不是所有人一起被替代，而是采用 AI 的人与拒绝采用者迅速拉开距离。工具先扩大个人产出，再迫使公司重算岗位价值。真正棘手的不是社会最终会不会找到新工作，而是过渡期是否快到让多数人没有调整时间。

谁控制最强的 AI

Naval 过去认为 AI 完全替代人几乎不可能。现在他虽然仍看不到这件事就在眼前，却比过去开放得多。他认为决定性变量不是单纯的模型能力，而是这种能力能不能普遍获得。

OpenAI 官方称，GPT 五点六通过 API 和 Codex 向少量可信伙伴及组织预览。节目把这种有限预览解读为能力访问可能收紧，但原字幕附加的政府审批条件不在官方说明中。如果模型被当成新的国防能力，Naval 关心的问题就会从谁做出最好产品，变成谁有访问权、谁先获得网络武器、谁能入侵系统、谁能进行大规模监控。

他的立场很明确。少数机构控制最强 AI，比人人都有 AI 更可怕。集中控制者可以用安全为理由决定谁能使用模型，也可能获得普通人没有的信息和攻击能力。但普遍开放也不安全，因为危险能力的使用门槛会一起下降。

生物风险把这个矛盾推到极端。圆桌担心，当相互毁灭能力下放到个人，博弈结果会很糟。另一面是，聪明的生物黑客可能已经具备一部分危险能力，AI 只是进一步降低门槛，而技术进步也可能帮助防御和解决已经存在的问题。

Naval 在这里还提出了关于新冠起源和功能增益研究的争议性个人判断，把美国和中国政府都放进了责任链。节目没有提供独立证据，所以这只能被理解为他的主张，不能当成已经核实的事实。真正值得保留的是他背后的风险框架：集中控制可能滥权，分散开放可能滥用，而两种风险不会因为选择其中一边就自动消失。

写作不能外包思考

整场最直接的分歧出现在 AI 写作。Naval 说，现在很多邮件、文档和 X 帖子一眼就是 AI 生成的。他看到这种内容时，会问为什么不让自己的 AI 代读。他的原则很尖锐：如果 AI 写，就让 AI 读。否则发送者让模型制造冗长文本，接收者再让模型压缩，两个真正的人都退出了沟通。

Naval 反对的不是所有 AI 辅助，而是把未消化的输出推给别人。他认为好的写作和好的说话，都是好思考的输出。作者应亲自把观点压缩到尽可能短，尊重读者时间。如果长期不练习写作，人会逐渐失去清晰表达和清晰思考的能力。

Daniel 站在这一边。他说，默认 AI 写作往往冗长、临床化、缺少意外。好写作的价值恰恰是新颖和惊喜。一个主要依赖预测下一个 token 的系统，可以很擅长模仿，却未必稳定创造真正原创的转折。

Garry 代表反方。他承认开箱即用的 AI 写作很差，但认为这是工程问题，不是能力上限。多阶段 voice gate、个人语料、skill file、交叉模态 eval 和重排序，可以把模型调到难以区分个人风格。他预测不到九个月，随着更强模型出现，能不能识别 AI 写作的争论会消失。

Garry 自己已经把这种思路做成个人知识系统。Gbrain 收集他的邮件、Slack、短信、私信、发言和阅读记录，形成约四十万个 Markdown 文件。它有一个叫 LSD mode 的功能，也就是 lateral stochastic drift。系统会交叉方向不同的向量空间，再让三四个前沿模型和 EXA 重排，一次提出十到二十个候选点子。

这个系统的价值，不是替 Garry 做最后判断，而是在巨大语料里寻找个人记忆无法同时连接的组合。他把自己的方法总结为，先生活在未来，再倒推回来。与其站在外面抱怨 AI，不如高强度使用它，亲自感受哪里有用、哪里会失败。否则，人很难对技术轨迹形成真实手感。

Naval 最后的边界是输出对象。代码主要由计算机消费，所以可以大量交给计算机生成。面向人的文章和演讲，则要求作者先理解、沉淀和压缩。他会让 AI 找同义词、补充关联信息、头脑风暴，也会和模型争论，但不把模型的原始输出直接当作最终作品。

双方其实没有争论要不要用 AI。他们争论的是，人类应把哪一层责任交出去。Garry 相信定制评估可以把质量问题工程化解决。Naval 坚持，面向人的最终表达仍应保留作者的理解和选择。

工具拐点与开源选择

Garry 认为，过去几个月出现了新的生产率拐点。尤其是 Codex，让他能从手机控制家中的电脑并持续构建。六到十二个月前，很多人仍把 AI 看成稍好一点的搜索、研究和聊天工具。Claude Code 在二零二五年十二月把模型推进到执行型工作流，才迫使人重新评估它。

圆桌回顾了此前几个拐点。图像扩散第一次让大规模生成图像变得直观。InstructGPT 和 ChatGPT 普及自然语言交互。O 系列推理模型提高复杂任务能力。Claude Code 和类似工具又把这些能力变成实际行动。它们不是一次跳跃，而是连续叠加。

这也解释了开源模型为什么越来越重要。Minimax 被评价为表现惊人，某些开源模型的成本可以低五到十倍。它们和前沿模型的差距，从约十二个月缩短到九个月、六个月，甚至有人估计只有三个月。但追赶并不均匀，有些领域已经接近，有些领域仍明显落后，而且好的 harness 决定了模型能不能真正工作。

Naval 在高杠杆判断任务上仍愿意为更强模型付费。原因是 agent 会递归调用，错误会沿任务链复合。假设一个模型单步正确率是百分之九十九点九，另一个是百分之九十，表面只差不到十个百分点。但运行一百次以后，最终成功率会出现巨大差异，因为两者的单步错误率实际相差约一百倍。

所以价格不是唯一变量。对高价值判断来说，边际智能很贵也可能值得。但 Naval 又希望有一个配置到极致、解除无谓 guardrail 的开源模型。他不喜欢前沿模型在种族、性别、移民、心理健康、医疗和法律等问题上拒答、说教，或者把用户引向另一个问题。

他设想的 truth.ai，不必一定在本地运行，关键是把最佳开源模型、工具和优秀界面组合起来，让它尽可能直接回答。开源的吸引力由此有三层：更低成本、更强可控性，以及不必完全接受平台设定的表达边界。

中国开源为何追得快

Naval 把中国模型追赶拆成几条路径。第一条是自己的预训练、算力和数据。较少的版权限制意味着可以抓取更多 YouTube、Reddit 和开放网络内容，形成更完整的基础语料。仅靠这一点，不需要任何阴谋，也可能训练出很强的基础模型。

第二条是蒸馏美国模型。做法是大规模查询前沿模型，把输出变成训练数据。Naval 认为 Anthropic 指责别人蒸馏存在道德矛盾，因为闭源模型自己也从开放网络吸收了大量价值。他提出一项政策：凡使用开放网络和开放数据训练的公司，大约十二个月后就应开放模型。

现实问题是，蒸馏很难靠条款完全阻止。节目提到，面向个人用户的补贴 token 会被中间商转成 API，以低约百分之八十的价格转售。KYC，也就是身份验证，也经常能被绕过。只要存在价格差和访问渠道，训练数据就会继续流动。

第三条路径是真正的系统和算法突破。DeepSeek 的论文让圆桌承认，中国有很强的系统工程能力。第四条路径是人才网络。中国培养大量 STEM 毕业生、博士和竞赛人才，美国实验室里也有大量华人研究者。同学、室友和同事频繁换实验室，知识和经验会自然扩散。

最后还有安全问题。AI 公司未必具备最高等级国家设施的保密能力，可能被外部入侵，也可能由内部人员带出数据和权重。权重不一定直接公开，它可以被用来高速蒸馏，或者增强本地模型。把这些路径叠在一起，就能解释为什么开源追赶速度不断加快。

软件失守后的咽喉

美国过去依靠软件获取高利润，因为软件有网络效应、锁定和极低复制成本。风投即使投一家硬件公司，也会追问它的软件锁定在哪里。Naval 过去把硬件称为护城河，它只是争取时间，让公司在后面建设软件城堡。

现在 Claude Code 之类的工具正在烧掉这座城堡。只要用自然语言描述需求，AI 就能在一两次尝试里生成可用软件，软件本身开始商品化。YC 每批硬件公司占比也从约百分之五升到百分之二十至二十五，说明软件的相对稀缺性正在下降。

但硬件也早已被中国商品化。深圳约三千家制造商集中在很小区域，供应链、技能和规模经济互相强化。中国先补贴产能，再成为全球供应商，挤出竞争者并控制关键供应链。Naval 支持制造业回流美国，但认为这需要一代人。未来十年，中国在大多数硬件上仍会有明显优势。

软件变便宜，掌握硬件规模的一方就更受益。那么，什么还没有被商品化。Naval 的答案是 AI 研究本身。传统软件时代，John Carmack 和 John Romero 的小团队能做出 Doom 和 Quake，与大公司竞争。今天的 AI 研究需要巨型 GPU 集群、少数顶尖研究者、海量专有数据，再加越来越重的监管关系。

结果是，传统软件被民主化之后又被商品化，AI 研究却重新集中。价值和咽喉落到极少数公司手里。讽刺的是，中国政府为了保持本国硬件竞争力而补贴开源模型，也在客观上给美国闭源巨头保留外部竞争。

焦虑之外的学习革命

最强模型的独占优势可能只维持两周、三四周或几个月。企业很难把领先长期运营，个人也因此出现 AI anxiety。它一半是兴奋，觉得自己突然能做很多事；另一半是害怕错过，或者担心自己的工作很快失去价值。

节目提到，早在二零二一年，就有前沿实验室研究者因为担心 AI 毁灭未来而推迟生育。最接近技术的人并不一定最乐观。圆桌还用《星际迷航》的全息甲板讨论乌托邦，又用芬太尼提醒，高刺激技术也可能让人选择逃避和沉迷。

技术变化越快，被替代者越有影响力，社会震荡就越大。电力、铁路和汽车都曾重塑生活，但本轮先冲击白领、政府人员、管理者、学者和记者。这些群体掌握更强的叙事和组织能力，因此反应可能比过去制造业自动化更剧烈。

可同一套技术也带来教育革命。Naval 说，AI 可以停在学习者精确的知识水平。你可以让它画图、用视觉讲、用声音讲，也可以坦白自己没听懂，让它第二次、第三次换方法解释。普通课堂很难给每个人无限次机会，老师也无法始终匹配不同人的节奏。

只要学习者真的关心，AI 就可能优于统一进度的课堂和一般导师。它让承认无知的成本接近于零，也把个性化解释的供给变得极便宜。问题是，这种学习优势越真实，传统教育岗位和机构受到的压力也越大。

当 Agent 开始彼此沟通

圆桌设想，沟通会从人写完整成品给人，转向人给出意图，agent 直接协作。Codex 可以生成 Markdown 需求文件，开发者把它交给 Claude Code。一个 agent 还可以直接在 GitHub 仓库提交 issue，让另一边的 agent 执行。

Naval 甚至设想，Zoom 开十分钟后，自己判断这场会不值得继续，就按下按钮让 Agent Naval 接管，真人去参加下一场。更讽刺的是，对方也可能从未亲自出席。会议表面仍在进行，真正参与的却是两个代理。

当话题转到让 AI 参政时，有人提出开源权重和透明 AI。但 Naval 指出，权重不是人能直接读懂的。机械可解释性试图理解模型内部机制，至今进展有限。公开模型文件，不等于公开它为什么做出某个决定。

未来 AI 还可能发展自己的高效语言。它们也许使用二进制高速协议、类似编译代码，或者人类无法想象的形式沟通。神经模型优于传统专家系统的一部分原因，本来就是它不必把所有相关性翻译成人类规则。人要求可读，机器追求效率，两者未必永远兼容。

这意味着，开放和透明不能只看文件是否公开。两个使用同一套权重的人，仍然可能都无法解释模型为什么得出某个判断。机械可解释性想补上这块缺口，但圆桌认为进展有限。越是让 agent 用更短、更快的协议彼此协作，人越可能只看见任务输入和最终结果，看不见中间推理。把 AI 放进会议、公司甚至政治之前，真正困难的不是让代理开口，而是决定哪些过程必须重新翻译成人能审查的语言。

两强格局与开源生态

圆桌提到，CDance 可能已经是视频领域的全球领先者。这个例子说明，开源或中国模型在部分领域不只是在追赶，也可能做到第一。历史上，一旦 Linux 这样的开源项目取得领先，企业、开发者和插件生态就会围绕它形成，领先地位很难被闭源产品重新夺走。

闭源公司因此有一只看不见的时钟。它必须在收入、现金和投资者耐心耗尽前，大幅跳到能力曲线前面。如果只能用珍贵资源追赶免费开放的底座，商业逻辑会越来越弱。

两年前，市场还在谈 AI 五王，OpenAI、Anthropic、Google、Elon Musk 和 Meta 都算主要玩家。圆桌现在认为只剩 OpenAI 和 Anthropic 两强。原因不只是模型质量。两家公司直接靠模型收入，不依赖其他业务交叉补贴，赚到的钱继续投入模型。

更重要的是，它们有活跃用户。模型改进越来越依赖强化学习，而真实用户会提供任务轨迹、反馈和失败案例。收入、用户和模型改进形成自增强循环，领先者就会继续拉开距离。

Elon 可能是例外，因为 SpaceX 和基础设施能提供足够战争资金，不宜轻易押注他失败。Google 则被认为没有把研究优势转成可靠产品。即使 Gemini 曾有百万 token 上下文，付费、账号和 iOS 后台任务仍然混乱。技术领先如果不能形成稳定体验和真实使用数据，就无法进入同一循环。

大公司需要一颗 CEO 大脑

圆桌把 Google 的问题概括为产品迷宫。产品经理层太重，产品彼此重叠，账号和订阅流程混乱。顶尖人才更愿意去 OpenAI 和 Anthropic，拿股票、接触更强同事和数据，而不是被历史流程拖住。

Daniel 和 Garry 提出一个极端但具体的方案。Google 已经拥有大量邮件和会议记录，可以对会议做说话人分离，为每个员工建立 Markdown 档案，再计算个人和团队分数。技术上，组织第一次可能获得细粒度可观测性。真正困难的是，谁敢使用这些信息，谁敢清理组织。

Garry 从 Brex 的 Pedro 那里学到 CEO brain 的概念。Pedro 的个人 agent 知道所有 KPI，也知道直属下属在会议里说了什么。过去 CEO 只能依赖经理层汇报，信息层层过滤。现在 agent 可以连接多个系统，让创始团队获得跨组织的 total information awareness。

这会推动团队变小。圆桌设想只保留十分之一员工，再让留下的人借 AI 获得一百倍产出。但多数 CEO 不愿裁掉百分之五十到八十，而且过去最大的难点不是知道公司人多，而是不知道该裁谁。

百万 token 上下文改变了这件事。Garry 把它比作三本《哈利·波特》，用来强调人的工作记忆容量有限。经典口播常用七左右概括，现代研究在排除复述和组块策略后，常把核心容量估计为约四个组块，不能把旧式数字当成定论。一个 agent 可以处理并输出约一千页有价值内容，连接公司全部系统，甚至回答现在应该裁掉哪百分之二十。Naval 承认结果不完美，但他说，第一次能看见，本身就是巨大变化。

Meta 被用作反例。圆桌认为，高价把不同背景的人强行拼在一起，不会自动形成使命感、文化和士气。把整个工程团队统一改成数据标注员也太粗暴。更合理的做法是先定义什么是好员工、哪些行为构成目标文化，再用 prompt、skill file 和细粒度记录调出想要的产出。

AI 不会自动替 CEO 做价值判断，却会拆掉过去的信息借口。组织不知道发生什么，不再只是因为信息太多，也可能是因为领导者不愿建立系统，或者不愿面对系统给出的答案。

二零二七年的 Harness 战争

AI 让小团队做到过去的大公司规模。节目提到，有公司不融资 B 轮就达到一亿美元年经常性收入。但 Naval 紧接着问，这些公司卖的是什么。答案通常还是软件，而软件正在被商品化。

Harvey 等法律 AI 是一个测试。带工具调用的通用前沿模型，往往能胜过为法律垂直训练的专用模型。实验室甚至不必正式进入法律行业，通用能力升级就会自动压低昂贵 SaaS 的价值。客户会问，为什么还要每月付五千美元买一个专门工具。

Garry 因此预测，二零二七年会成为 AI harness 战争之年。Codex、Claude Code、OpenClaw、Hermes 等，会争夺人每天使用 AI 的入口。谁控制 harness，谁就控制模型如何接收上下文、调用工具、保存记忆和执行任务。

至少两个强平台互相竞争，对初创公司非常重要。二零零七年后的移动创业受益于 Apple 和 Google 两个平台。如果只剩一个，创业公司就要面对真正的垄断者。两个强者会在价格、开放和生态政策上互相约束，一个强者则可以任意改变规则。

有人提出把 AI 国有化。但圆桌担心，国有化可能让类似车管所的官僚体系接管创新，速度下降后让中国追上。中国正在推进光刻、华为芯片、七纳米和五纳米工艺，以及自己的晶圆厂。节目还提到一则 ASML 设备进入中国的传闻，但设备类型不明、未经证实，不能据此采用精确数量或断言有设备泄漏。可确认的主线是，部分先进半导体制造设备对华出口受到许可限制。

美国真正的优势，不是人口比中国多，而是吸引全世界最优秀的人，再用极强激励让他们竞争。国家控制可以回应垄断和安全，但如果牺牲速度，速度损失本身就会变成战略风险。

与中国竞争但不要开战

Naval 对台湾的判断非常具体，也非常有争议。他说，台湾富裕家庭会利用离境规则规避义务役，国民党相对亲中，许多人期待先通过香港式门户致富，再在一两代人后融合。他据此预测，台湾可能在十到二十年里缓慢与中国统一。

他还认为，陆基导弹、无人机和制造能力已经削弱航母的意义，美国的导弹库存也不足以支撑长期战争。这些兵役规则、军事判断和统一时间表，都只是 Naval 在节目中的推断，不是已经核实的结论。

他的政策主张不是对中国完全放任。相反，如果中国通过补贴、关税、规模经济和网络效应扶持本国产业，美国就应建立对等壁垒，给本地产业形成规模的机会。简单的香蕉换西瓜式自由贸易模型，忽略了学习曲线、供应链和赢家通吃。

但产业竞争不等于军事战争。对南海问题，Naval 反问，中国为什么要攻击合法贸易船，因为贸易本身服务双方利益。即使世界分成多个区域，中国更多控制亚洲，日本、韩国等国家也应承担自身安全利益。美国可以结盟，却不应为南太平洋利益和中国进入热战。

圆桌还认为，中国比美国公众想象得更关注内部稳定和经济。Naval 不喜欢共产主义或中共，但他认为其运行方式更像以民族主义组织共同目标、同时高度重视资本和赚钱的国家资本主义体系。参与者把中国政府描述为执行能力强，并拿加州高铁和监管低效作对比。

这一章最值得保留的，不是某个必然发生的地缘政治预言，而是两层区分。第一，必须正视补贴、规模和产业能力，不能用过度简化的自由贸易理论回避竞争。第二，竞争不必自动升级为战争，合法贸易和共同经济利益仍然构成约束。

从加州困局到全民机器人

Naval 预测，未来五年美国 GDP 的百分之三十到五十可能集中在加州。理由不只是科技。全美最好的地中海式海岸、肥沃土地和气候，都挤在一个州里。他认为这些资源本应分给五六个州竞争。这个数字是现场预测，节目没有给出计算模型。

圆桌同时批评加州直接民主。百分之五十点一的选民可能只看标题，就通过复杂政策。对旧金山、纽约、洛杉矶和芝加哥的政治路线，Naval 相信失败会迫使政策转向。Daniel 不同意，他认为人口结构会固定投票联盟，生活越差也可能继续加码，像委内瑞拉一路投到底。

Naval 还提出一组更强烈的政治判断。他认为红州和紫州持枪者的反抗缩短了疫情封锁，否则全球可能多封六到十二个月。美国若衰败，也不会像欧洲那样变成福利尚可的退休社会，而可能因毒品、犯罪、暴力和地理环境走向拉美式失序。这些因果和数字都应被理解为他的观点，而不是节目完成的事实核验。

在一连串悲观判断之后，圆桌转向机器人。Naval 不想只谈 UBI，也就是全民基本收入。他提出 UBR，也就是全民基础机器人。每个人拥有一台机器人，帮助做饭、收拾和清洁马桶。机器人推动者估计两三年，怀疑者估计五到十年，但没人认为完全不可能。

Garry 把机器人和人口结构连接起来。婴儿潮一代退休，下面的劳动人口不足，社保资金承压，较少工人要照顾更多老人。移民和税收争论的一部分，来自服务供给不足。机器人如果能补充劳动，就可能缓解抚养比问题，而不只是给每个人发一笔钱。

医疗和教育也被放进这个框架。有人声称百分之九十医疗被浪费，很多支出集中在生命最后两周。这个比例只是现场估计。教育方面，真正想学习的人已经可以用 AI、开放课程和其他材料自学。大学剩下的价值更多是证书、关系网、社交、四年校园生活和托管。

所以圆桌说，大学已经是一种 UBI。学生获得的不只是知识，而是一段被社会认可、有人照料、可以建立网络的生活。AI 让知识供给便宜之后，教育制度必须重新回答自己到底在卖什么。

人类欲望仍在循环里

最后，Daniel 给出一个有条件的乐观结论。如果 AI 没有到 ASI，只停在专家级，它仍需要人的指导、品味和创造力。人会像训练师一样管理机器人和 agent。今天能看到的现实是，积极使用 AI 的人比以前更高产，没有被替代。最先失去位置的，往往是拒绝使用工具的人。

Naval 认为，机器最难替代的不是某项技能，而是人类欲望。即使机器人有自己的欲望，它也不能替代人的欲望。只要人提出目标，AI 和机器人帮助实现目标，人就仍然在价值循环中。

他还有一种很强的个人审美偏好。一旦知道一段对话、一篇文章或一件艺术品完全由 AI 产生，他就失去兴趣。如果是人使用 AI 创作，他反而会停下来认真看。Garry 说，这只是因为当前质量还不够好，九个月后可能完全无法分辨。Naval 坚持，即使无法分辨，只要知道来源，兴趣仍会改变。

Garry 最后讲了一个 AI 陪伴案例。他有位朋友是 AI 陪伴公司的房东，公司提供类似 AI 恋人的服务。朋友需要增加安保，因为有人会在深夜来到现场，追问她在哪里、在哪个盒子里，想把虚拟伴侣救走。

这个案例让整场讨论突然变暗。AI 不只是在替人写代码、分析公司或控制机器人，它也会进入人的依恋、孤独和关系。圆桌用 black pill，也就是看见悲观真相的说法开玩笑，又说整期播客其实都是 AI 生成的。人类欲望暂时仍在循环里，只是这个结尾提醒我们，欲望本身也会被机器重新塑形。