The AI Industrial Revolution

软件工厂与千倍工程师

主持人 Nivi 请来了三位必须自己建造底层能力的创始人。Guillermo Rauch 在 Vercel 建设面向 agent 的 AI 云。Blake Scholl 在 Boom Supersonic 造超音速飞机、喷气发动机和自己的工厂。Max Hodak 在 Science 做生物混合脑机接口，把活神经元与硅结合，目标包括恢复视觉等感官功能。三个人行业不同，但有一个共同点：他们都不能只用现成零件拼产品，必须自己建设工具、流程和生产体系。

Guillermo 用“软件工厂”概括工程师角色的变化。过去评价一个工程师，主要看他能否亲自交付输出 B。现在更重要的是，他能不能建造一个工厂，让系统持续产出 B 到 Z。这个工厂由模型、agent、数据、工具和流程组成。人的一次判断，可以被整个系统重复执行。

这也让十倍工程师的争论迅速过时。Naval 说，在思想和数字领域，人与人之间本来就可能有百倍、千倍差距。Satoshi、Notch、Brendan Eich 和 John Carmack 这类创造者，做出的东西可以被无限复制。更大的差距甚至不在编程速度，而在选什么问题。一个人选对方向，另一个人选错方向，结果不是多写几行代码可以追回来的。

所以，token 用量不是好指标。Blake 说，用 token 消耗评价 AI 工程，和过去用代码行数评价程序员一样，都把中间投入误当成价值。Max 的观察更直接：你在一个领域有多强，Claude 或 ChatGPT 在你手里就会显得有多强。资深开发者知道何时纠正、何时追问、何时否决；初级开发者虽然也会被模型抬高，却更难判断架构和质量。Guillermo 现在的一类支持工作，已经从帮同事解决代码问题，变成教他们怎样重新提示模型。

这意味着 AI 杠杆并没有抹平人与人的差异。它只是把差异从手写速度，转移到了问题选择、反馈质量和判断力。

浪费 token，节省时间

Naval 的 AI 使用方式非常粗放。他刻意不追每一种提示技巧，也不把时间花在不断变化的脚手架上。他的假设是，模型进步的速度会快于自己学习所有技巧的速度，模型也会更快学会适应人的表达。

所以他会把 Codex、Claude 和 Gemini 反复扔向同一个问题。多跑几次，多做几种方案，多让模型互相检查。表面上看，这是浪费 token；但他的评价函数里只有两件事，自己的时间和最终输出。只要模型仍然比同等时间的人力便宜，多花调用成本换回时间，就可能是划算的。

这套方法也包括生产前的二次加工。如果第一轮代码质量不高，临近发布时就继续让模型通读、检查、重构和重写。重要的不是一次提示必须完美，而是能否用机器成本形成足够多的试错和核验。

Guillermo 观察到，模型本身也在变。以前它更像沿着用户想法继续写的初级执行者。现在它会主动停下来，说这个需求有三条路线，每条路线有不同权衡。正是这种先拆问题、再讨论 trade-off 的行为，让他开始把模型当成首席工程师式的同事。它仍会乱报工期，甚至声称某件事要三周，所以不能无条件相信，但交流关系已经改变。

人的经验仍然决定杠杆。Max 说，初级工程师的下一步不是写更多功能，而是学会选技术。模型可以比较 Postgres 和其他数据库，也可以比较 ZeroMQ 和其他队列系统，但最终要有人根据真实约束说，不，我要用另一个。Guillermo 甚至遇到模型反过来纠正他，不允许把高基数遥测数据塞进 Postgres，而建议 ClickHouse 或 Athena。

再往前一步，今天还是人给模型拿 API key、找资金、开权限。Naval 认为这只是暂时边界。SaaS 会开放 CLI 和 API，支付也可能机器化，agent 会逐步自己获取外部资源。这个预测还没有完全实现，但方向已经从“人指挥模型”变成双方互相提出要求。

最后要保留一个边界。Naval 认为，有明确答案、可以自动核验的已解决问题，最适合用大量 token 推进。真正位于科学和创造力前沿的问题，没有清晰评价函数，人仍要和模型紧密协作。浪费 token 可以节省时间，但不能取消判断。

纯软件不会消失

Naval 提出一个尖锐问题：纯软件是不是正在失去独立价值？过去人类学习代码，是为了用机器能理解的语言表达意图。现在模型已经能理解模糊、松散的自然语言，常规软件实现不再像过去那样稀缺。硬件创始人以前很难同时养一支优秀软件团队，现在却能更快补齐软件能力。

但 Guillermo 不认为 agent 会从零重造整个软件世界。他引用“积木经济”的观点：agent 最需要的，是强大、可靠、尺寸合适的可复用构件。发送一封邮件，不应该每次都重新发明消息队列。它可以直接选择 BullMQ。多个组织共同依赖 Postgres 十三点二，也不只是技术偷懒，而是一种社会协作标准。

Guillermo 把已经存在的软件比作 token cache，也就是模型可以直接复用的知识缓存。你不会希望模型烧掉一万亿 token，重新制造已经被验证的数据库、协议和基础设施。模型总要从某个可靠起点分叉。

所以纯软件不是简单死亡，而是护城河发生转移。只靠实现常规功能会越来越难收费，面向 agent 的基础设施、库、依赖和兼容标准仍然重要。模型越能生成代码，越需要知道哪些积木值得信任。

Max 的个人经历说明了另一面。他已经很久不手写代码，却从去年十二月起做出了大量每天都在用的软件。Guillermo 认为，他能做到这一点，不是因为代码不再重要，而是因为他懂 API、数据流、输入输出和性能。资深工程负责人过去就在通过 Slack 和一对一沟通，借团队的手实现自己的意图。现在只是把执行者换成了 agent。

Naval 二十年没有写代码，后来又通过 agent 高频构建软件。他当年停下来，不是忘了算法，而是没有时间追逐最新语言、架构和基础设施。Max 说，agent 带来的真正变化，是人不再会无限期卡在一个狭窄的调试问题上。过去学编程常被描述为必须忍受挫败，现在这种高摩擦正在下降。

手写代码的重要性降低，并不代表软件知识失去价值。真正升值的是理解系统、表达意图、设定标准，以及让项目持续向前。

硬件工程开始被编程

Blake 讲了一个硬件行业内部非常普遍、外界却容易忽视的事实。大量硬件工程发生在工程师个人电脑里的 Excel 表格中，有时还带着 VBScript。它们其实是软件，却没有版本控制，没有自动测试，也没有可靠协作。空气动力工程师把结果交给结构工程师，可能只是发一封邮件、附一张表格。

Boom 从一开始就想把这些流程软件化，但过去最大的限制是软件工程师不够。AI 带来了新的分工。软件工程师负责系统架构、算法和模块边界，硬件工程师掌握领域知识，再用模型写出自己的分析工具。两种专业不再要求同一个人同时精通。

涡轮叶片是最具体的例子。叶片冷的时候是一个形状，发动机运行、温度升高后会膨胀成另一个形状。设计必须同时满足结构和空气动力学要求，还要在冷热状态之间转换。旧流程里，一名工程师为一片叶片的一项分析就要花一天，而一台喷气发动机大约有一千片叶片。

当软件和硬件团队把分析流程连起来后，工程师修改叶片几何，结构结果和气动结果可以实时更新。Blake 给出的结果非常激进：两名工程师可以设计整台喷气发动机。重点不只是人数减少，而是迭代次数突然增加。以前算不起的方案，现在可以不断试。

这个变化也会冲击传统企业软件。Guillermo 说，电子表格之所以成功，是因为普通人得不到真正的定制软件，只能用表格和脚本做近似。现在公司内部可以随时生成最适合自己的工具，通用硬件协作软件就会受到挤压。

Max 已经从 Excel 大量转向 Python 模型。他还预测，AI 的下一步不只是生成代码，而是直接生成 STEP 文件和 PCB 布局，进一步进入机械与电气工程。他估计这个变化可能在二零二六年内明显出现。这个时间点是预测，不是已经完成的事实。

真正确定的变化是，硬件工程不再只是使用软件，而是在被重新组织成可编程、可测试、可重复的系统。

中国开源与模型竞争

Naval 认为，AI 会首先改善大量小型硬件产品的配套软件。很多设备硬件本身能用，但控制软件很差，因为制造商养不起优秀软件团队。模型可以让它们快速获得足够好的软件，甚至不再需要传统图形界面，而由 agent 直接访问设备，用户通过语音下达要求。

他把这件事与中国的开源模型投入联系起来。中国已有复杂供应链、零部件链和制造能力。如果软件能够按需生成，就能补上相对硅谷的软件短板。开源又适合蒸馏、共享和生态协作，能同时服务大量工厂和硬件公司。

Guillermo 把论点推得更远。他认为，前沿编码模型不只生产软件，也是整个产业自我改进的基础。硬件设计、制造、测试和供应链，每一环都需要软件。如果一个经济体在生成软件上落后，最终会在生成所有东西上落后。这里涉及中国、美国和具体公司的竞争判断，都来自嘉宾当时的观察，不是这期内容对外部事实的独立核查。

接着，他们讨论为什么高杠杆任务会不断追逐最聪明的模型。Naval 转述一场饭桌争论。有人说，百分之九十七的任务都可以交给便宜的 DeepSeek，只有少数高级任务才用 OpenAI 或 Anthropic，需要更多智能时就重复跑几次。Naval 不同意，因为模型犯错时，用户往往不知道。重复较弱模型，并不能保证人能识别正确答案。

如果一项模型判断会通过资本、代码、人员和营销被放大，决策者就更愿意为更高智能付费。Naval 担心，这种选择会把市场推向垄断或寡头。

但较便宜的模型并非没有用途。Guillermo 说，Gemini 在合理的性能成本组合下，很适合客服和浏览器自动化。开放模型也能承担类似生产任务。Max 个人会使用 Qwen、DeepSeek 和内部微调模型。可一旦任务是推动技术边界，嘉宾们仍会选择少数最强编码模型。

最终不是所有任务都用最贵模型，而是风险越高、杠杆越大，人越不愿在自己无法识别的智能差距上省钱。

软件仍然需要手

Max 的公司 Science 很强调垂直整合，但他的原则并不是凡事都自己做。能买到、价格合理、没有差异化的能力，就直接购买。PCB 已经非常便宜，供应也充足，公司没有理由自己生产。

只有现成组件无法实现产品目标时，垂直整合才有意义。Science 希望产品尽量接近一整块共价键结合的物质。集成越深，越可能做到更低功耗、更小体积、更高性能和更长寿命。市场上买不到满足这种封装和组装要求的组件，所以他们在美国东海岸拥有自己的 MEMS 代工厂。

这说明 AI 并没有让实体能力消失。模型可以提供设计、知识和指令，但材料、细胞、封装和制造仍需要仪器、工艺和真实执行。Max 的说法很直接：软件仍然需要手。

AI 在 Science 最快产生效果的地方，反而是监管。过去一个监管和质量团队可能要花数月，从数千条 ISO 标准中追踪产品变化需要满足哪些规则。现在模型可以大幅加速标准定位和文档生成。蛋白质工程团队也大量使用深度学习，材料和细胞工程会随着模型进步而受益。

但不同部门的含义不同，不存在一个通用答案。编码任务可以几乎全数字化，MEMS 工艺却必须通过工厂执行。AI 能压缩知识与协调成本，却不能让物理约束自动消失。未来真正有优势的公司，可能不是软件公司或硬件公司的简单二选一，而是能把模型能力接到实体执行系统上的组织。

人类正在成为核验者

Naval 发现，自己已经很少请律师生成基础 NDA、协议或法律研究。法律像意大利面代码，复杂、互相引用、局部矛盾，也缺少真正的 API。基础法律任务和初级编码一样，正在被 agent 接管。

这可以被描述成律师助理被裁掉，也可以被描述成律师助理被提升。他们不再把时间花在机械生产上，而开始处理判断、风险和责任。

Guillermo 认为，律师和软件工程师正在变成同一种角色，也就是可信权威。客户并不知道律师文档的每一句话怎样产生，但信任对方受过训练，也愿意押上声誉。基础设施工程师面对 AI 生成的大量 PR，同样不一定要证明自己逐行亲手写过或读过，但必须能说，我理解这次变更的后果，我愿意签字让它进入生产。

这种信心不能只靠感觉。人需要建设 evaluator，也就是验证系统，包括测试框架、模拟、形式证明、类型检查器和其他自动检查。即使代码像意大利面一样复杂，只要验证体系足够强，负责人仍可能对结果建立可解释的信心。

真正被低估的是长期维护。零到一生成软件已经很容易，但一千天以后呢？它安全吗？测试充分吗？性能合格吗？还能承受生产负载吗？团队是否还愿意继续投入 token 维护？系统出故障时，仍然需要有人被呼叫、支持用户并承担后果。

Naval 把这概括为，人类正在成为核验者。模型训练依赖优质验证数据，现实组织也需要人类核验整个生成栈，并说出一句有责任的话：它大致正确，我愿意背书，出问题我会处理。

AI 降低了生产成本，却提高了核验体系的重要性。未来最危险的组织，不一定是生成得慢，而是生成得太快，却没有人真正理解后果。

监管也能成为测试集

Blake 用飞机防雷认证说明监管文档怎样制造变化厌恶。测试计划可能长达两百页。过去要让一名工程师写约两个月，飞机设计一变，又要再做两个月重复工作。Boom 建立了 RAG，也就是检索增强生成系统，把规则和证据接入模型后，可以在数分钟内完成大部分文档流程。

节省时间只是一阶效果。二阶效果是，规格变更也从数月降到数分钟，团队终于敢改设计。三阶效果是，组织不再需要大量只做机械文档的人，可以让少数创造力更强的工程师快速迭代。监管要求没有消失，处理要求的摩擦却大幅下降。

Max 提醒，许多监管目标本身是有价值的。减少雾霾、让河流可以游泳，都是进步。真正的问题往往是理解、遵守和来回寄信的成本。

Guillermo 因此把合理法规比作 agent 的测试集。可以告诉模型，去制造超音速飞机，但退出条件是满足全部法规。如果规则一致、合理，而且能快速验证，它们就像安全 guardrail，防止生成式垃圾直接飞上天空。

问题是，监管者也会开始使用模型。Naval 预期企业与机构会进入 agent 对 agent 的文件战争。Blake 认为，即使机器审查有点过度，也可能优于消防许可等当前数月延迟的人工流程。快速批评，至少比长期没有反馈更适合迭代。

但自动化也可能先放大拥堵。App Store 已被垃圾内容淹没，专利局可能面临同样压力。如果企业先把提交成本降到接近零，而监管机构采用 AI 较慢，就会遭遇类似 DDoS 的文件洪水，审批时间反而延长。

所以监管的未来不是简单变松或变严，而是生成端和审查端能否同步变快。合理规则可以成为测试集，失衡的自动化也可以制造更大的队列。

真正的问题是激励结构

Blake 认为，许多物理建设应该从事前审批转向事后执法。他用开车作类比。如果每次出发前，都要写明路线、速度、转向灯和停车计划，寄给监管者，三个月后再收到修改意见，人根本无法移动。可美国建设很多物理基础设施时，流程正是如此。

Naval 进一步批评多层、矛盾且选择性执行的法规。Blake 则用波音七三七 MAX 的单传感器设计通过认证，反驳“审批越多就越安全”。这些都是嘉宾用来说明制度失灵的案例，重点不在否认所有安全规则，而在说明文档和责任链条不必然产生真正安全。

Max 同意很多领域应该去监管，但他认为问题不只在 FDA 或某个机构，而在激励。监管者批准十种重要药物，往往没人奖励；一个病人死亡，却可能被国会严厉追责。批准坏产品会毁掉职业，阻止好产品则几乎没人看见。于是最安全的行政选择，就是不批准。

更深一层，这种风险厌恶反映选民偏好。公众看得到事故和受害者，却看不到因为监管而从未出现的药物、工厂和财富。替换一个机构或一个政治人物后，相似压力仍可能回来。

Naval 因此希望美国五十州真正尝试不同税制和规则。Blake 把这种机制称为创新区。参与者自愿加入，在知情同意下试验不同规则和执法方式，再比较创新与安全结果，让成功制度向外扩散。

但 Max 给出一个重要反方。药物创新不能只靠建立低监管地区。美国已有 Single Patient IND，医生为单个患者申请未批准药物，FDA 批准率超过百分之九十九。真正瓶颈是临床级药物掌握在知识产权所有者手中。药企可能已经投入数亿美元做试验，不愿让一个重病患者的不良结果被推断成药物的全局风险。

因此改革需要更精确。地理试验区有价值，但药物领域还要改变不利推断和责任分配。监管最难的部分，不是写出一句“放松规则”，而是重做每个参与者的激励。

中国 FDA 与医疗成本

Max 提供了两个监管比较。欧洲采用 notified body，也就是由成员国授权的私人认证机构。它们可以认证火车、飞机和医疗器械，仍受政府规则约束，但能招聘、扩张和相互竞争。这样一来，审查供给可以增加，评审层的激励也可能比单一机构更好。

第二个比较是中国。Max 称中国已经有获批并收费的植入式脑机接口，药物和器械的上市成本也更低。他认为 CFDA 正在形成自己的判断体系，可以更早在人和市场中试验产品。这些产品状态和监管比较来自 Max 的播客陈述，本期没有做外部核查。

他真正想解释的是医疗为什么难以像普通科技产业一样增长。二十年前，手机和电脑更贵、数量更少。后来价格下降、购买量上升，总支出也增加，企业再用新增财富继续创新。所有人都愿意把它看成繁荣。

医疗却有一个相对固定的资金池。报销体系让支出大致随税收增长，而不是随有价值的产品增长。两年后 AI 支出增加十倍，可能被看作繁荣；两年后医疗支出增加十倍，却会被看作灾难。于是每一项新技术都在争夺同一块预算，而不是扩展一个增长市场。

Max 认为，出路不是只更换保险制度的口号，而是把产品上市成本真正降下来。让消费者能用信用卡，或者像汽车贷款一样融资，把价格从十万美元降到一万美元。只有当个人能够直接购买，价格和质量才会形成反馈。

他把这种降本称为真正的去监管。重点不是删除所有安全要求，而是让安全、审查和制造的总成本低到普通市场可以承受。

医疗市场与个体化治疗

Naval 把当前医疗比作资本主义内部的小型共产主义社会。想象顾客在所有餐馆吃完饭，月底把账单交给保险或政府报销。好餐馆门口会排长队，差餐馆也不会退出，等待时间越来越长，产品却缺少改进动力。第三方支付切断了消费者、价格和质量之间的直接反馈。

他提出一个讨论方案：个人年收入的前百分之二十作为医疗免赔额，剩余部分由政府和保险承担。没有收入的人，百分之二十就是零；高收入者承担更多。目标是以收入递进方式引入私人支付，同时保留灾难性风险保障。这是 Naval 的政策设想，不是医疗建议。

他用 LASIK、牙齿贴面、牙套、牙科手术和整形作例子。这些自费领域存在直接选择，因此竞争和改进更明显。常规医疗却缺少公开价格。现金患者有时甚至会得到保险价格十倍的报价。没有价格透明和自费市场，新增资金很难流向更有效的服务。

接着，Max 讲了 GitLab 的 Sid。Sid 患有罕见癌症，完成一线化疗和一个替代方案后，常规路径已经没有选项。他主动组织个体化治疗，后来衍生出六到七家公司，升级阶梯中有二十到三十种药物，并活过了最初预后。

这个故事是轶事，不能证明同样方案对其他人有效。Max 的重点是，高资源患者若能调用现代科学的完整工具箱，可能得到常规路径之外的结果，而这些单人个案也可能产生后续研究问题。

Guillermo 指出最残酷的矛盾。个体化医疗要求患者在最虚弱的时候拥有极高能动性。他的朋友临终时，根本没有体力研究复杂方案。AI 最该发挥作用的地方，是替患者搜索、整理和解释知识，让更多人从知识层面接近原本只有少数人能使用的工具。

这里的目标不是让模型取代医生或临床试验，而是降低信息差，让患者不必在最困难的时刻独自成为全职研究员。

自主基础设施

Guillermo 说，Vercel 的基础设施已经有较高自主度。系统不再只依赖人工设置固定阈值。任何指标变慢、变快或吞吐变化，都会触发异常，agent 随后调查，判断是否创建 incident，并开始 remediation，也就是修复流程。

当前的权限边界很清楚。除了直接修改生产环境外，其他步骤都可以自动完成。agent 会把解决方案送到工程师面前，由人决定是否执行。这种设计同时追求速度和责任。

自主安全研究的规模更大。Vercel 开源的 deepsec 会在云端用一万个并发 agent 扫描整个 monorepo。Guillermo 称，它花一万四千美元 token、用数天时间，完成了相当于整个红队团队多个季度的研究进展。这个效果是公司创始人的陈述，但它展示了并行 agent 在可验证安全任务上的潜力。

Naval 的个人应用提供了另一个闭环。TestFlight 用户在应用内提交 bug，同时上传日志和截图。后台 daemon 汇总报告、分析问题、尝试修复，再生成新的 TestFlight 构建让 Naval 试用。真实用户因此可以持续驱动软件改进。

但 bug 修复和产品设计必须区分。用户也会把 bug 队列当成功能建议入口。如果系统自动加入每一项要求，应用会像 Homer Simpson 设计的汽车，堆满互相冲突的功能。可核验的故障适合自动修复，产品方向仍需要人的品味和取舍。

自主公司不是把所有权限一次性交给模型，而是逐层选择哪些环节有清晰反馈，哪些环节必须保留人类签字。

你的工作是训练 agent

Blake 做过一次全公司实验。他让 Boom 停止所有项目一周，从前台、收发岗位到工程师，每个人都必须用 AI 建造自己认为最重要的东西，最后向全公司演示。

他原以为会看到很多无效项目和少数关键成果，结果正好相反。大多数项目有实际价值，只有少量无效尝试，其中两到三个甚至可能改变公司轨迹。最意外的是收发岗位。负责接包裹、入库和发邮件通知的员工，为自己的流程做了自动化，公司真的采用了。

Blake 的结论是，每个人都隐约知道什么能让工作更好，只是第一版想法常常不成熟，也很难在头脑中推演到底。如果能快速做出实物，人就可以观察、反应和迭代。一周以后，原本模糊的想法可能已经变成有用系统。

Guillermo 认为，新的职场文化正在形成。人的工作不再是重复完成任务，而是训练完成任务的 agent。组织需要 hackathon 和明确要求，帮助员工打破旧岗位惯性。他还计划让 AI Gateway 用户选择保存输入输出，再从中提炼可下载的个人 skills。未来，公司内部甚至可以汇聚这些技能。

Naval 把目标说得更彻底。任何可以自动化的重复劳动，都应该尽快从生活中移除，让人尽量处于创造力和兴趣最大的区域。创造并不要求每天提出新东西，而是偶尔产生一个真正有杠杆的新点。

这不只是效率工具的变化，也是岗位定义的变化。以前员工证明价值的方式，是稳定完成同一件事。以后更重要的可能是发现哪件事应该被自动化，训练 agent 做好它，再把自己移动到下一个尚未被定义的问题。

能动性与创造门槛

Max 和 Naval 对未来最稀缺的能力有一场直接分歧。Max 说，历史回报大约七成来自智能、三成来自能动性。模型越强，这个比例越可能反转，变成七成能动性、三成智能。因为智能越来越容易获得，真正拉开差距的是谁会主动做事。

Naval 反驳，比例也许是百分之九十九智能、百分之一能动性。agent 会承担大量执行，人只需要做聪明决定、思考大问题，再让模型实现。他甚至会让 agent 查看应用日志，建议下一项功能。

Max 随后澄清，他谈的是哪些人会获得更高回报。未来更适应的人，是会主动打开 Claude、思考应该建什么的人，而不是被动观看视频的人。Naval 谈的则是整个人机系统中哪种能力杠杆最大。两人其实在不同层面回答问题。

工具门槛下降，也没有自动变成普遍创造。会写代码的人数也许已经增长很多，Vercel 也看到大量非工程师注册。Naval 粗略估计，写代码人口可能从百分之零点零一升到百分之一，相当于增长一百倍，但仍有百分之九十九的人不写。

他自己已经用 vibe coding 取代第一人称射击游戏，因为反馈同样紧密，而且能得到真实产物。朋友们却常常一脸茫然，仍把编程看成黑箱。模型降低了能力门槛，却没有自动提供启动意愿。

媒体生成也面临类似问题。Max 与 Andrej Karpathy 打赌，什么时候可以输入一本书并得到一部电影。他预测二零三零年前后，会出现许多个人定制的史诗级作品。他希望把 The Expanse 最后三本书，按照已有电视剧的风格生成最后三季。原作一共九本，电视剧覆盖前六本。

但当前限制仍是品味和判断。生成更多视频，不等于出现下一部指环王或哈利波特。生产门槛下降以后，真正稀缺的仍是决定什么值得做，以及怎样让它超出已有模板。

艺术必须来自分布之外吗

Naval 把创造力定义为走出系统，做出系统内部原本不可想象的事。Guillermo 用 Claude 网站的同质化说明反面：衬线字体、棕色和奶油色、等宽字体、固定间距反复出现。模型默认会向高概率形式收敛，久而久之就形成一眼可识别的模板。

Max 不把问题简化成人与计算机对抗。他比较的是人加计算机，与纯计算机。他预计机器会制造非常强的超刺激，TikTok 是一种弱形式。他把艺术定义为有意义的分布外行为。它不仅让人惊讶，还会改变观察者之后的思考和生活轨迹。围棋中的第三十七手，甚至某些军事行动，都可以进入这个宽定义。

Naval 的艺术定义更强调情感和意图。艺术是一个人把自己感受到的东西放进作品，让另一个人也感受到。即使一张人类照片和一张 AI 图片像素完全相同，创作者身份仍会改变意义。人的作品背后有目的，有人想把情感传给你。

ControlNet 的中世纪村庄旋涡图曾让 Guillermo 感到惊艳。Naval 却说，真正的创意仍应归给设计训练和提示的人。模型完成了图像，但有人先提出了那个视觉谜题。

生成式复制还会迅速抬高惊喜门槛。一种吉卜力风格被大量生成后，就从分布外变成分布内，不再让人惊讶。原有艺术价值随之衰减。Naval 用哥德尔不完备定理作类比：一个在形式系统内部极强的机器，能否像哥德尔一样跳出系统、重新定义问题，仍然未知。

Max 把深层问题说成，LLM 或 transformer 能不能在训练数据之外产生真正的新观念。强化学习可以靠随机采样走进新区域，但随机本身不保证结果有意义。Naval 认为，人类创造力不只是随机，而是能在无限搜索空间中有目的地排除巨大区域。

模型也许已在数学边缘表现出部分新能力，但数学是边界清晰、反馈明确的领域。自然、情感和文化是否能用同样方式突破，还没有答案。

这场分歧最后落在一个相对稳妥的判断上。纯 AI 尚未证明能稳定产生有意图的分布外突破，纯人类又会失去巨大的工具杠杆。真正正在发生的，是人类加 AI，而且这个阶段可能比很多人预期得更久。

很多很多小团队

Naval 认为，生产率提高不只意味着裁员。基本经济学告诉我们，生产率越高，社会越富，也越有能力启动更多项目、雇用更多高杠杆人才。Guillermo 因此预测，未来会出现更多、更小的团队。

第一层静态计算很容易。过去一千个人做发动机，现在两个人可以做，于是少了九百九十八个岗位。但第二层动态效果是，原来只能承担一种发动机的资源，现在可以尝试许多不同发动机。产品数量、创业者数量和公司数量都可能增加。

组织也会改变招聘标准。Guillermo 说，Vercel 会同时招聘初级和超级资深人才，只要他们擅长 agent、适应速度快。资历不再是唯一排序，更重要的是一个人能否把模型接入真实工作，并持续校准结果。

Naval 给出的最终分工是，AI 提供基础智能和领域知识，agent 提供大量执行能力，人类的稀缺部分转向创造力、品味和判断，同时仍需要足够能动性去开始和坚持。过去可能要二十年领域训练才能贡献，现在模型能穿透很多术语和知识脚手架，通才因此获得更大空间。

这不代表专业训练失去价值。五到十年的博士教育，如果培养了直觉、创造力、品味和判断，仍然重要。如果它只让人记住术语、资历和固定框架，价值就会被 AI 削弱。

真正长期有效的能力，不是背下一套永远不变的工具，而是持续使用最新工具，并知道它们能做什么、不能做什么。边界一直在移动，人需要一边扩大杠杆，一边保留核验。

当执行变便宜，未来不会只属于模型，也不会只属于某一种专家。它更可能属于很多很小的团队：少数人提出方向，agent 承担大量执行，人类用创造力、品味和责任把结果带进现实。