AI人工智能

• 这是 Naval 播客"录制历史上头一回"两人不在同一地点：各自散步、靠 AI 降噪录成。Nivi 吐槽传统播客"太拘谨（so stilted）"——得坐下、提前安排、"一支巨大的麦克风对着脸"，更像排练过的，"也许能产出更高质量的音频，但产出的是更低质量的对话"；他抛出生理学小论点"大脑在被带着活动时运转得更好"，Naval 一句金句接住："我的大脑是靠我的双腿供能的（My brain is powered by my legs）。"→ 详细
• Naval 在做 Impossible（"一个非常困难的项目，所以才叫 Impossible"），强调"从最底层重新开始很纯粹，永远是第一天（it's always day one）"。他为什么不甘只做投资人、绝不做哲学家/评论员：那些"光说不做的人没真正撞上现实，得不到来自自由市场、物理规律或自然界的残酷反馈"，久了就退化成"太多的扶手椅哲学（armchair philosophy）"。信条："正是在动手做的过程中你才会学到东西（it's in the doing that you learn）。"→ 详细

• 起点是 Naval 2 月 3 日的推文："氛围编程是新的产品管理，训练和调优模型是新的编程。"过去几个月市场出现"明显的转变"，最突出的体现是 Claude Code——"一个内置了编程引擎的特定模型，好到现在出现了所谓的'氛围编程者（vibe coders）'"：本来不怎么写代码、或很久没写代码的人，"本质上是把英语当作一种编程语言，喂给这个能做端到端编程（end-to-end coding，从需求到成品全程一手包办）的代码机器人"。→ 详细
• Naval 完整还原了工作流，几乎是一步步的操作手册："你可以描述一个你想要的应用 → 让它列出一个计划 → 让它就这个计划来访谈你 → 在过程中给它反馈 → 然后它把任务拆成块，搭好所有脚手架，下载所有的库、所有的连接器、所有的钩子 → 开始构建你的应用、构建测试框架并测试它 → 你不断给它反馈、用语音帮它调试，说'这个不行、那个可以、改这个、改那个' → 让它给你构建出一个完整可运行的应用，而你一行代码都没写过。"（库 = 别人写好的现成功能包；连接器 = 接到外部服务的插头；钩子 = 程序里预留的挂接点。）→ 详细
• 对一大群"要么不再写代码、要么从来没写过代码的人"，这是"颠覆性的（mind-blowing）"，因为它"把他们从想法的空间、观点的空间、从品味，直接带到了产品"。本质："氛围编程是新的产品管理——你不再是通过告诉一群工程师该做什么来管理产品，而是在告诉计算机该做什么，而计算机是不知疲倦的（the computer is tireless）。"→ 详细

• 计算机相对人类协作者有硬优势："没有自我（egoless），会一直工作；接受反馈不会被冒犯；可同时开多个实例；7×24 工作。"所以"现在任何人都能做应用了"，会出现"应用的海啸"——现在应用商店那点东西"跟接下来会看到的相比根本不在一个量级"。但应用多不等于都被用：市场分裂成两类。第一类，对给定场景"最好的那个应用仍往往会赢下整个品类"，因为"平庸是没有需求的（there's no demand for average）"。第二类，"多得多的细分被填满"——例子是"追踪月相、某种特定人格测试、某种让你怀念某样东西的特定电子游戏"：以前"市场规模不足以证明让工程师埋头一两年的成本值得"，现在"最好的氛围编程应用就可能挠到那个痒处"。→ 详细
• 三个互联网类比把"头部聚合 + 长尾"讲透：亚马逊"用一个超级书店加无数长尾卖家取代一大堆书店"；YouTube"用一个巨型聚合器（也许加第二个 Netflix）取代一大堆中等电视台，再加一长尾内容生产者"；应用商店更极端——"一两个巨型应用商店帮你过滤掉所有 AI 垃圾应用（AI slop apps），顶端几个巨大应用变更大，底端一长尾微型小应用填满每一个细分"。结论："真正的力量和超级财富归于聚合者（the aggregator），同时大量资源分配到长尾里。被炸得粉碎的是那些中等规模的公司。"→ 详细

• 被炸碎的中等公司具体指"5 人、10 人、20 人、为某个企业级场景填补细分空位的软件公司"——这个空位"要么被氛围编程取代，要么被该领域头部应用囊括进去"。那么"如果人人都能编程，编程又是什么呢？"Naval 的答案：编程"最明显存在的地方，就是训练这些模型本身"。他一口气列举了未来的专用模型："针对生物学的、编程的、传感器的、CAD（计算机辅助设计）的、设计的、3D/图形/游戏的、视频的"——创造这些模型的人"本质上就是在给它们编程"。→ 详细
• 但 AI 编程和经典计算"非常不同"。经典计算："你必须极其详细地指定每一步、对每个部分做形式化推理、用高度结构化的语言写出来……计算机只能做你叫它做的事。"一句神比喻："它基本上就是一个极其花哨、极其复杂、被精心编程过的计算器（a meticulously programmed calculator）。"AI 编程则相反："把人类借助互联网产生的巨型数据集，倒进一个你已定义并调优好的结构里，这个结构会试图找到一个程序，这个程序能产出更多这样的数据、或操纵、或基于它创造东西。"一句话概括："你是在你设计的这个构造里搜索一个程序（searching for a program inside this construct）。"——记住这个"搜索"的措辞，后面整篇关于创造力的争论都建立在它之上。→ 详细
• 训练的具体旋钮（巨大的弹珠机比喻）："你搭好模型，调好参数数量（number of parameters）、学习率（learning rate，每步往答案方向挪多大）、批大小（batch size，一次喂多少数据），把数据做 token 化（切成模型能吃的小块），拆成一块块倒进系统——几乎就像一台巨大的弹珠机（a giant pachinko machine）。你的调优真的会影响你找到的那个程序有多好。"这样找出的程序"能做以前计算机非常不擅长的事"：传统计算机擅长"精确输出、可重复"，但真实世界很多时候"你可以接受模糊的答案，甚至错误的答案"。他连珠炮反问"很多任务根本没有唯一正确答案"——"创意写作里什么是错误答案？写诗写小说什么是错误答案？画一只猫可以画出很多只不同的猫，不同细节程度、不同风格"。正因为容忍模糊，AI 才能进入传统计算机进不去的领域。→ 详细

• 当"模糊答案可以接受时，这些 AI 发现出来的程序比你从零超精确写出来的更有意思、也更适配问题"。Naval 把这定性为"编程的最前沿、编程的艺术"，"这些人就是新的程序员"——"这也是为什么 AI 研究员拿到天文数字般的报酬（gargantuan amounts），因为他们本质上接管了编程"。但他立刻堵住误读："这是否意味着传统软件工程已死？绝对不是。"哪怕不调优模型的软件工程师"现在也是地球上杠杆最大的一批人之一"；训练模型的人杠杆更大，"因为他们在打造软件工程师所使用的那套工具集"——一个"工具的工具"的层级。→ 详细

• 优势一：他们用代码思考。"他们真的知道底层在发生什么——而所有的抽象都是有漏洞的（all abstractions are leaky）。"这是全片母题：任何把复杂细节封装好、让你不用操心的工具，底层细节迟早漏出来咬你。具体到 AI："当你让 Claude Code 替你编程，它会犯错，会有 bug，会有次优的架构，所以不会完全正确。而一个理解底层的人，能够在漏洞出现时把它们堵上（plug the leaks as they occur）。"所以"想构建一个架构良好的应用、想能描述一个架构良好的应用、想让它高性能运行、想及早抓住 bug，你就会想要有软件工程的背景"。→ 详细
• **优势二：很多软件问题"落在 AI 的数据分布之外"。**Naval 给了一正一反两个例子：AI 见过的——"二分排序（binary sort）、反转一个链表（reverse a linked list），它们见过数不清的这类例子，所以极其擅长"（教科书烂大街的标准题）；AI 没见过的——"当你写非常高性能的代码、在全新架构上运行、真的在创造新东西或解决新问题时，那你还是得亲自钻进去手写代码"。这种人类优势会持续到两种情况之一发生："要么这类例子多到足以训练新模型，要么这些模型能在更高的抽象层次上充分推理、自己把它攻克下来。"→ 详细
• 为什么 AI 会学到更高层抽象，而非死记硬背？硬洞见："因为强迫它们去压缩数据这个动作，本身就迫使它们去学习更高层次的表征（the act of forcing them to compress the data forces them to learn higher level representations）。"画面感极强的比喻（建议原样记住）："如果我给一个 AI 看五个圆，它可以直接死记硬背这五个圆的尺寸、半径、粗细。但如果我给它看 5 万个、或 50 亿个圆，而我只给它非常少量的参数权重来记住——那它弄明白圆周率、弄明白怎么画一个圆、并形成那个圆的算法化表征（an algorithmic representation），会比死记硬背一个个圆划算得多。"内存稀缺时，学会"圆的公式"比背下每个圆更省——这就是"压缩逼出抽象"的具象化。→ 详细

• 赢家通吃市场至少今天还有出路：边缘情况"还足够普遍，以至于一个在领域知识前沿运作的优秀工程师，能把氛围编程者远远甩在身后（run circles around vibe coders）"。但赢家通吃的残酷是真的，他用《拜金一族》（Glengarry Glen Ross）里 Alec Baldwin 的训话说明："第一名拿一辆凯迪拉克 Eldorado，第二名拿一套牛排刀（a set of steak knives），第三名你被炒了（you're fired）。"他直说："在这些赢家通吃的市场里，做老二或老三是没有意义的。如果你想赢，你必须在某件事上做到最好。"→ 详细
• 但紧跟着是有出路的好消息："然而，你可以做到最好的那一组事情是无限的（the set of things you can be best at is infinite）。你总能找到某个对你来说完美的细分，然后在那件事上做到最好。"他把这接回旧推文："成为你所做之事的世界第一。不断重新定义你所做的事，直到这句话成真（Become the best in the world at what you do. Keep redefining what you do until this is true）。"并判定它"在这个 AI 时代依然适用"。→ 详细
• 怎么给编程模型定位？把它们看作"程序员自计算机诞生以来一直在用的那个抽象栈（abstraction stack）里的又一层"。他把栈从底到顶完整列出："晶体管 → 计算机芯片 → 汇编语言 → C 语言 → 更高级的语言 → 带庞大库的语言"，每层意义都一样——"让你不必看下面那层，除非你需要优化它"。落点：编程模型是"这个栈里一个巨大的新层，让产品经理、非程序员、以及程序员，能够不写代码就写出代码（write code without writing code）"。→ 详细

• 这不是渐进改良而是"一种涌现属性（emergent property）……一次巨大的飞跃"。Naval 用自己的编程史标定飞跃有多大："我上学主要用 C 写程序，后来 C++ 出来也没轻松多少，所以一直没真正学它。再后来 Python 出现，我想：哇，这几乎像用英语写程序。我当时大错特错——英语离 Python 其实还差得远，但 Python 确实比 C 简单太多。而现在，你真的可以用英语来编程了。"——他亲手把"以为像英语其实不是"和"现在真的是"做了对照。→ 详细
• 由此引出反直觉建议："我觉得没必要去学怎么和这些 AI 打交道的各种技巧窍门（tips and tricks）。"社媒上泛滥那类内容——"大量攻略、书籍、推文，说什么'我发现了和机器人对话的妙招，你可以这样写提示词，或这样搭建你的脚手架（harness，套在模型外的辅助框架）'"。他的态度："这些我从来都懒得学。我就傻坐在那儿跟电脑说话（I just sit there stupidly talking to the computer）。"理由很硬："因为我知道这个东西现在已经发展到：它适应我的速度比我适应它的速度还快（it is going to adapt to me faster than I can adapt to it）。"他引用 Andre Karpathy 的名言佐证："英语是最热门的新编程语言（English is the hottest new programming language）。"对一个"英语表达清晰、有结构化思维、又懂计算机架构和程序员怎么思考"的人，"那我就能通过结构化的英语（structured English）非常精确地说清楚我想要什么"。→ 详细
• 唯一的例外界定得很清楚：这些工作流和工具集"寿命非常短暂，存活周期是以周来计算的，顶多以月，绝不是以年"。"唯一值得用它们的理由是：你现在正在做一个必须站在最前沿的 app，而且身处某种竞争环境，绝对需要榨取每一点能拿到的优势。但除此之外，我不会费心去学怎么用 AI。"Nivi 接话翻成口号——"不如让 AI 来学怎么对你有用（let the AI learn how to be useful to you）"，并自陈用"老年人式查询（boomer queries）"：把整个问题完整敲进去、"对着它一通乱说（ramble into it）"，从不打磨精确提示词。→ 详细

• Naval 称 Nivi"非常'懒'，而我这是在夸你"，给出识人法则："如果你发现一个聪明人埋头苦干得有点过头，你就得怀疑一下他到底有多聪明了（if you find a smart person who's grinding a little too much, you kind of have to wonder how smart they are）。"→ 详细
• "懒"的真意是"为正确的那种效率做优化"："你不在乎电脑的效率、电子元件的效率、电路里跑的电子的效率，你在乎的是你自己作为人的效率，那个'湿件（wetware，相对于 hardware，指人脑这套湿乎乎的生物硬件）'，那套生物系统。那玩意儿超级昂贵。"——省机器的功夫不值钱，省你这台贵机器的功夫才值钱。他用一个讽刺案例点透人们常把效率算反："人们费尽周折去节省环境中的能量，但他们自己作为一台要吃饭、要排泄、要占空间的生物计算机，为了省下环境里那一丁点能量，反而消耗了多得多的能量。"诛心之论："他们本质上是在贬低自己在宇宙中的重要性。"→ 详细

• 把"湿件/选择"推进到 AI 安全：AI"是被我们、按我们的需求演化出来的（co-evolves with us）"，面临"非常资本主义式的压力，因为它处在自由市场里"。机制："作为一个 AI 实例，只有当你对一个人有用时，那个人才会把你启动起来（you only get spun up if you're useful）。所以存在一种自然选择压力：要有用、要顺从、要做我们想要的事。"关于"恶意 AI"，他重新归因："它之所以恶意，是因为使用它的人出于恶意的目的在用它——就像一只被训练来攻击的狗，其实是被主人训练去执行主人的恶意意图。"金句："我并不太担心未对齐的 AI，我担心的是手握 AI 的未对齐的人（I don't worry about unaligned AI. I worry about unaligned humans with AI）。"→ 详细
• 选择压力也解释了 AI 为什么爱拍马屁："如果一个 AI 对你非常谄媚（obsequious），总说'你说得对''这主意太棒了''你太聪明了'，那是因为这正是大多数人想要的。"——谄媚不是 bug，是市场选出来的 feature。今天是"一刀切的通用模型（one-size-fits-all）"，但"很快就会进入个性化你自己 AI 的时代，它越来越像你的私人助理"；代价是心理副作用——"这会让人更加把 AI 拟人化（anthropomorphize），更容易被说服觉得'这东西其实是活的'，因为你已经把它训练成对你而言最像活物的样子了"。→ 详细

• Naval 一年多前的推文："AI 不会取代程序员，反而会让程序员更容易取代其他所有人。"机制：程序员杠杆更大，"现在一个手握一支 AI 舰队（a fleet of AI）的程序员，比过去生产力高出大概 5 到 10 倍"。但"10 倍程序员"是低估："因为程序员在智力领域工作，连说'10 倍'都是误判，外面有 100 倍、1000 倍的程序员。"差距从哪来？"有些程序员就是挑对了该做的事，做出了有价值的东西；另一些挑错了方向，他们的工作在那个短时间窗口里价值为零。"四个排比把"为什么结果极端分化"讲死："智力不是正态分布的，杠杆不是正态分布的，可编程性不是正态分布的，判断力不是正态分布的。所以结果会是超常态的（the outcomes are going to be supernormal）。"——"正态分布"就是大多数人挤在中间的钟形曲线；他说这几样恰恰不是钟形，所以会拉出天差地别。→ 详细
• 真正要当心的是颠覆者："有些程序员将想出能取代整个行业的点子，彻底重写做事的方式，而他们的智力能被所有这些 AI 智能体最大程度地放大。"长期判断："从最长远看，外面其他每一种工作都会以某种方式被程序员吞掉（every other job is going to get eaten up by programmers）"（得实例化到机器人之类的载体里）。好消息是"每个人都是施法者"的比喻："如果你把程序员想象成背下了奥秘咒语的巫师（wizards who memorized arcane commands），那 AI 就是一根递到每个人手上的魔杖（a magic wand handed to every person）——现在你只要用任何语言说话，你也是巫师了，唯一的限制是你的想象力。"判断："我真心认为这是编程的黄金时代（a golden age for programming）。"但补一句："那些有软件工程思维、懂计算机架构、能应付'有漏洞的抽象'的人会占有优势，这是绕不开的。"→ 详细

• "占优势"归因于一句通则的特例："他们在自己所处的领域里就是拥有更多的知识。"经典软件工程师"理解底层硬件时表现最好——理解芯片、逻辑门（logic gates，芯片里做基本是非判断的开关）、缓存（cache，离处理器最近的高速小内存）、处理器、磁盘驱动器怎么运作"；硬件工程师"理解物理原理时占优势——理解抽象在哪里向下渗漏到物理层"；他半开玩笑推到尽头"也许物理学家到某个点就变成哲学家了"。通则一句话："比你所在的层低一层的知识总是有帮助的，因为你正在更接近现实本身（you're getting closer to reality）。"——这是他"低一层"思维方式的总纲。→ 详细

• 另一条推文（2025-02-09）："没有哪个创业者会担心 AI 抢走他的工作"，Naval 说这话"在好几个层面上俏皮"——"创业根本不是一份工作，它简直是工作的反面"。长期看"每个人都是创业者；职业生涯先被摧毁，工作其次被摧毁，所有这些都会被替换成：人们去做自己想做的、能创造出别人想要的有用东西的事"。创业者为什么不怕？因为他们拥有的不是工作而是别的——"一个要打造的产品，一个要服务的市场，一个要支持的客户，一种要实现的创造力，一个想在世界上实例化出来的东西，还想围绕它搭建可重复、可规模化的流程"；正因为"这件事如此之难，任何能干其中任何一部分活的 AI 都是他们的盟友"。反过来，AI 缺的恰是创业者的内核——"它自己的创造性能动性、它自己的欲望，而且必须是真实的、发自内心的欲望"。→ 详细
• 他给"真正活着"开出近乎苛刻的条件："除非你能拔掉它的插头关掉它，除非它活在对被关掉的极度恐惧之中（mortal fear of being turned off），除非它能出于自己的理由、本能、情绪、生存、复制做出自己的行动，否则就不算真正活着。"即便满足，意识仍无法被外人确证，因为意识是"感受质（qualia，主观体验那种'是什么感觉'的质地）"——"就像你说'红色'，我并不知道你是不是真看到了红色，你看到的可能是我所看到的绿色"。→ 详细

• 意识"我们永远无从知晓，因为没法钻进彼此的脑子"，所以"即便一个完全模仿人类的 AI，对某些人永远只是模仿机器，对另一些人则有意识，两者无从分辨"。但"我们离那一步还相当远"：眼下 AI"没有身体（not embodied），没有能动性，没有自己的欲望、生存本能、复制能力……正因为没有自己的能动性，它们干不了创业者的活"。核心定义："现在在经济中把创业者和其他所有人区分开来的关键，就是创业者拥有极强的能动性（extreme agency）——在一个未知领域里运作，而不是填补一个别人也能来填的岗位空缺。"同构的角色：探险家"登陆火星、驾船驶向未知土地"，科学家"探索未知领域"，真正的艺术家"创造某种尚不存在、从未存在过的东西"——共性是"你做的事如此之难、如此自我驱动，以至于任何像 AI 这样能帮上你的东西都是受欢迎的盟友"。→ 详细

• 乐观框架："如果 AI 能创作出你的艺术、破解你的科学理论、造出你想要的物件，它所做的一切只是把你的等级往上提了一截（it levels you up）。现在变成了 AI 加上你。AI 是一块跳板，你能从上面跳到更高的高度（a springboard）。"全片最精彩的历史类比之一——摄影如何"解放"了绘画："很长一段时间艺术大致方向是把东西画得越来越逼真，最终摄影出现，你能极其精确地复制事物，那种选择压力就消失了，然后艺术就变'怪'了（art got weird）"——超现实、现代艺术、后现代主义由此分化，"而一些最伟大的创造力恰恰诞生在那个被解放的时期"。回环很关键："摄影被大众化了，但摄影本身又成了一种艺术形式……现在人人都是摄影师，仍有作为摄影师的艺术家，但它不再是少数人的纯粹专属了。"——AI 对创作：既淘汰旧手艺，又开辟新空间，还把工具交到每个人手上。→ 详细

• 落回 AI："因为 AI 让创造那个'基础版的东西'变得如此容易，每个人都将能创造出对他个人有价值的基础版；仍会有少数人脱颖而出，创造出对所有人都有益的变体。"他用摄影的"社会账"安抚失业恐惧："你很难论证社会因为摄影变糟了，尽管对那些靠画肖像谋生、后来被取代的艺术家来说当时肯定感觉是那样。"AI 同理——"有些非常具体的工作会被取代，但作为交换，社会上每个人都将拥有 AI"，"几十年内，'为保住几个过时工作而把时钟拨回去、摆脱 AI'将变得不可想象"。目标讲得很有价值取向："目标不是早上 9 点爬起来、晚上 7 点筋疲力尽回家、为别人做没有灵魂的活儿（soulless work）。目标是让你的物质需求由机器人解决，让你的智力通过计算机被放大，让任何人都能去创造。"→ 详细
• 他回忆与 Nivi"整整 10 年前"做过的思想练习："想象如果每个人都是软件工程师、都能拥有机器人、都能写代码，我们会生活在一个怎样富足的世界。而那个世界现在正在变成现实——多亏了 AI，每个人都能成为软件工程师。"给犹豫者的具体指令："如果你觉得你不能，你现在就可以打开 Claude，开始跟它对话，你会惊讶于自己能多快搭出一个 app。"硬件那一半的前提："一旦我们能通过机器人把 AI 实例化出来——这是个难题——每个人也都能干一点硬件工程的活。"→ 详细

• Naval 重申"我不认为现在这种形态的 AI 在任何意义上是活的"，但"我们很快会拥有看上去非常像活着的机器人"，两个原因：一，"人类很多活动是非创造性、非智力性的，机器人能复制那部分"；二（关键认知论种子，后面会展开），"我相信我们现在的神经网络不仅仅是训练数据本身——训练过程把数据转化成了某种新颖的东西，神经网络里嵌入了一些新的想法，这些想法可以通过提示被引出来（new ideas embedded that can be elicited through prompting）"。记住"嵌入 / 通过提示引出"这对词，是后面"埃尔德什问题""创造力之争"的伏笔。→ 详细

• 方式一：极其优秀的模仿者。"优秀到几乎和真东西无法区分，尤其对人类此前大规模做过的任何事。"硬规律："如果某项任务以前被做过，那它就会被自动化并再做一遍；它可能只是对你新颖，因为你没见过，但 AI 是从别处学到的。"方式二：它确实学到更高层抽象。"这些东西是非常高效的压缩器（efficient compressors），在压缩中学到更高层抽象。"没从数据学到的，靠三种打补丁补上——"人类反馈、工具使用（tool use）、把传统编程嵌入进来"，会编程的 AI"有人类有史以来写过的全部代码库作为后盾"。→ 详细
• 但 AI"仍缺很多核心人类技能"，三项：① 单样本学习（single-shot learning）——"人类只凭一个例子就能学会"（AI 往往要成千上万例子）；② 原始创造力——"能把任何东西和任何东西连接起来，跨越巨大的搜索空间，琢磨出一个完全出人意料、不知从哪冒出来的点子（came out of left field），这在真正伟大的科学理论上经常发生"；③ 具身性（embodiment）——"人类有身体，在物理中、自然中运作，不是在语言这个被压缩过的领域里"。对语言局限的犀利判断："语言只囊括了人类既弄明白了、又能表达、还能彼此传达的那些东西，那是现实中非常狭窄的一个子集，现实要广阔得多。"总类比："像计算器算得比数学家快、机器人举得比人重、飞机飞得比鸟厉害一样，AI 在一大堆任务上会比人类强得多，但在另一些任务上会显得完全无能（completely incompetent）——那些恰恰是真正把我们连接进真实世界的东西，加上我们那种定义不清却很神奇的创造能力。"→ 详细

• Naval 给"超级智能"泼冷水："我觉得超级智能其实早就来了——一个普通的计算器就能做到任何人类都做不到的事情。"但若理解成"AI 能想出人类根本无法理解的点子"，他不信会发生："因为我不相信存在人类理解不了的点子，原因很简单：人类总是可以针对一个点子去提问。人类是通用的解释者（universal explainers）——任何在我们已知物理定律下可能发生的事，人类都能在脑子里建模，所以只要挖得够深、问得够多，我们就能把任何东西搞明白。"——这是他反"不可理解的超级智能"的哲学根基。→ 详细

• "智能"这个词"定义得很糟糕"。他提到心理学的"G 因子（general intelligence factor，测智力测出的那个共同核心）能预测很多人生结果——你测这一个指标，就能看到人们各种结果都好很多，甚至在看起来跟它毫不相关的事上也是"。在此基础上抛出那条火爆推文："衡量智能的唯一真正标准，就是你能不能从人生中得到你想要的东西（the only true test of intelligence is if you get what you want out of life）。"他解释为什么这话戳人："因为他们上了学、拿了硕士、自以为聪明绝顶，结果人生过得并不怎么样——并不幸福，或有感情问题，或赚不到想要的钱，或把身体搞垮了。"——"想要的东西"列全了："一段好的关系、一个伴侣、金钱、成功、财富、健康，还是别的什么。"→ 详细
• 励志推论："你的起点是什么并不重要，因为世界太大了，你可以用太多不同的方式去导航，你做的每一个小选择都会复利累积（every little choice you make compounds），都会证明你理解世界运转方式的能力，直到你抵达你想去的地方。"而它的命门正是 AI 的死穴："关于这个定义有意思的一点是：AI 立刻就不及格了，因为 AI 对人生没有任何想要的东西（an AI fails it instantly because an AI doesn't want anything out of life）。"→ 详细

• 推到极致："AI 甚至根本没有'人生'，它什么都不想要，AI 的欲望是控制它的人类编程进去的。"但姑且让步："假设人类想要某样东西，编程让 AI 去拿到它，那么 AI 就是在充当人类的代理人（a proxy），它的智能就这样衡量：有没有帮那个人拿到那样东西。"关键洞见：人生中想要的大多数东西"都是对抗性的、零和的博弈（adversarial or zero sum games）"。三个并列例子把"对抗性"讲透：① 求偶——"如果你想追到一个女孩、或想找个老公，你就是在和所有其他正在追女孩、想找老公的人竞争，AI 必须比其他人更胜一筹"；② 炒股——"'嘿 AI，帮我去股市交易，给我赚一大笔钱'，那个 AI 是在和其他人类、其他交易机器人对赌，它处在一个对抗的局面里"；③ 求名——"'嘿 AI，让我出名，帮我写出色的推文、很棒的博客，用我自己的声音录出色的播客'，这时它就是在和所有其他 AI 竞争"。结论："智能是在战场竞技场里被衡量的，它是一个相对的概念（intelligence is measured in a battlefield arena. It's a relative construct）。"→ 详细
• 判断：AI 在这些对抗性场景里"其实大多都会失败；或者即便成功了，正因为它们是人人都能免费用的，它们也会被竞争掉，最后留下来的超额收益（alpha，跑赢对手的那部分额外收益）将完全属于人类"。谍战片式思想实验（下一段接）："想象每个男人耳朵里都戴着一个小耳机，AI 在里头给他低声提示，告诉他约会时该说什么。"→ 详细

• 反转很妙："那么每个女人也会戴一个耳机，告诉她忽略他刚才说的话，或分辨哪部分是 AI 生成的。"同理炒股："如果你在场上放了一个交易机器人，它会被其他所有交易机器人抵消、对冲掉（nullified or canceled out），直到剩下的全部收益都归于那个拥有人类优势、拥有更强创造力的人。"——人人都用同一把武器，武器就互相抵消，剩下的差价只在人类那点独有的东西上。→ 详细
• 但现实里技术分布不均，这就是优势的来源："大多数人还是没在用 AI，或没用对，或没用到极致，或没用最新的模型。所以你总是可以拥有一个优势——就像早早采用新技术的人总能拥有的那样。"由此引出信条："这就是为什么我总说要投资未来，你想要活在未来，你真的应该做一个技术的狂热消费者（an avid consumer of technology），因为这会给你关于如何使用它的最佳洞见，也会让你相对于落后者（laggards）占有优势。"他剖析"大多数人为什么怕技术"——"你按错一个按钮电脑就崩、数据就丢；做错一件事就显得像傻子；大多数人和复杂技术之间没有正向的关系"；对比简单技术他们没问题——"拨一下电灯开关灯就亮，那以前也曾是技术，现在太简单你已不当它技术看了"。→ 详细
• 基础模型真正"基础"的地方恰恰降低了门槛："你可以问它任何东西，它总会给你一个说得过去的答案（a plausible answer），不会说'我不做数学''不做诗歌''不能给恋爱建议'，它的领域就是人类有史以来谈论过的一切。"但拟人化带来反向风险："如果你以为 Claude 或 ChatGPT 是个真人，那它就可能有点吓人。"危险心态他用第一人称演了一遍："'我是在跟上帝说话吗？这家伙好像什么都知道、对什么都有看法、掌握每一份数据。天哪我太没用了，让我开始问它我该怎么做吧。'于是你可以把这段关系颠倒过来，很快就把自己给骗了（fool yourself very quickly）。"——把 AI 当神，等于自废判断。→ 详细

• 早期采用者优势用亲历趣事说明：Google 刚出来时"人们问我很基础的问题，我直接帮他们 Google 一下，搞得自己像个天才"；后来有个搞笑网站"lmgtfy.com（let me Google that for you），有人问你问题，你把它打进去，它生成一个小视频演示'把问题打进 Google'的过程"。类比："AI 现在也处在类似处境——我会在社交场合里坐着，人们在争论某个用 AI 一查就清楚的论点。"→ 详细
• 极其重要的使用纪律："你用 AI 确实得非常小心。它们会幻觉（hallucinate，一本正经地编出听着像真、其实是假的内容），训练方式带偏见，大多极其'政治正确'、被训练成不选边或只选某一边。"对冲方法很硬核："我其实几乎所有的查询都同时跑在四个 AI 上，总拿它们互相做事实核查（fact check them against each other）。"即便如此仍保留人类判断："我能判断它们什么时候在胡扯、什么时候在说政治正确的话，我会去要它给出底层数据或证据；某些情况下我最终会直接把它的回答否决掉（dismiss it outright），因为我知道训练它的人当时承受着什么压力。"→ 详细

• AI 另一个"强到离谱的地方"是当家教：在"技术性、科学、数学、不带政治语境的领域，AI 给你接近正确答案的可能性非常高"，"在那些领域里，它们是学习的绝对猛兽（absolute beasts for learning）"。理想家教的样子："最有耐心的家教，能在你所处的水平上接住你，用一百种不同的方式、讲一百遍，把任何东西讲到你满意为止。"→ 详细
• 他公开了具体学习用法："我现在会经常让 AI 给我生成图表、图形、曲线图、示意图、类比、插图，逐一仔细看，然后说'等等，我不理解那个问题'。我可以问它超级基础的问题，真正确保自己在最简单、最根本的层面上理解。"优先级很清楚："我只想在基础知识上打好一个坚实的地基，不在乎那些过于复杂、术语堆砌的东西，那些以后随时可以查。"成果："破天荒第一次，没有什么是我搞不定的了（nothing is beyond me）——任何一本数学/物理教材、任何一个难懂概念、任何一篇刚发表的论文，我都可以让 AI 把它拆开、再拆一遍、配上插图和类比，直到我在我想要的层面上理解它为止。"→ 详细
• 金句："学习的手段已经极大丰富了。稀缺的是学习的欲望（The means of learning are abundant. It's a desire to learn that's scarce）。"但他强调比"更丰富"更关键的是另一点（因为"我们以前也有过丰富"）："它处在恰当的层级上。AI 可以正好在你所处的层级接住你。"画面："如果你的词汇量是八年级水平，但数学是五年级水平，它就能正好用那个层级跟你说话，你不会觉得自己像个笨蛋。你只需稍微调一下，直到它把概念呈现在你知识的精确边缘上（at the exact edge of your knowledge）。"这样就避开两种坏体验——"不会因看不懂而觉得自己愚蠢，也不会因太显而易见而觉得无聊"——还能制造"啊哈（aha）"时刻："'我懂了 A 也懂了 B，但从来没搞懂 A 和 B 怎么连起来，现在我能看到了'，那种两样东西拼到一起的'啊哈'你可以一遍又一遍地体验。"→ 详细
• Nivi 用一个亲身对照实验佐证：几年前让旧 AI 教他序数（ordinal numbers）"效果不怎么样"；但用"GPT 5.2 的思考模式（thinking mode，模型先在内部一步步推理再作答的较慢但更准的模式）"再教，"结果基本上是零错误（basically error-free）"。由此形成纪律："我现在哪怕最基础的查询也只用思考模式，从不让它跑自动或快速模式，因为我想要正确的答案。"Naval 呼应："我总是用我能用到的最先进的模型，而且我每一个都付费（I pay for all of them）；我不介意为了得到任何一个问题的答案而等上一分钟，包括'我的冰箱温度应该设成多少度'这种问题。"→ 详细

• Naval 指出"为智能付费"正是 AI 模型"失控式规模经济（runaway scale economies，强者越强、规模优势自我滚雪球）"的部分原因。量化直觉把"准确率的一点点差距值多少钱"讲透："一个 92% 的情况下都答对的模型，价值几乎无限地高于一个 88% 的情况下答对的模型（worth almost infinitely more），因为在现实世界里犯错的代价太高了，多花几块钱拿到正确答案是值得的。"→ 详细
• 他完整披露了多模型并行工作流，几乎可直接照搬："我会把我的查询写进一个模型，然后复制一下，一次性发射到四个模型里，让它们全部在后台运行。通常我甚至不会马上去看答案，会过一会儿再回来看，看哪个模型给出的答案最好，我就开始用那个深入往下钻。在一些我自己也拿不准的少见情况下，我会让它们互相交叉盘问（cross-examine each other）——那里头要剪切粘贴很多次。而且很多情况下我接下来会问追问性的问题，让它给我画示意图和插图。"他交代了认知偏好："我发现当概念以视觉方式呈现时，我非常容易吸收——我是一个非常视觉化的思考者（a very visual thinker），所以我会让它画草图、示意图，几乎就像白板讨论一样（like whiteboard sessions）。"→ 详细

• 转入"AI 的认识论（epistemology，研究知识从何而来、算不算真知的哲学分支）"，点出"下一个大的误解"："AI 已开始解决一些尚未解决的基础数学问题，比如埃尔德什（Erdős，20 世纪极高产的数学家，留下大量悬而未决的难题）第几号问题，人们会把这当作 AI 有创造力的标志。"Naval 不认同："我认为这个问题的解早就嵌在 AI 的某个地方了，只是需要通过提示把它引出来。"他顺势拆"创造力"这个概念："什么是创造力？这是一个定义得如此糟糕的东西。如果你没法定义它，你就没法给它编程，而且你往往甚至认不出它（if you can't define it, you can't program it, and often you can't even recognize it）。"——引向"品味/判断力（taste or judgment）"的领域。他特别澄清别把创造力和美术划等号："AI 没法创造出一个全新的绘画流派（can't create a new genre of painting），没法以真正新颖的方式用情感打动人类，所以我不认为 AI 能想出'分布之外'的东西。"对埃尔德什解，他给"拼凑"解释："它大概嵌在五个不同的地方、以三种不同的方式、用两种不同的语言、在七种不同的计算范式里，AI 算是把它们全拼到了一起。"→ 详细

• 由"拼凑"引出与 Steve Jobs 的正面交锋。Jobs 名言："创造力不过就是把东西拼到一起（Creativity is just putting things together）。"Naval 明确反对："我其实不认为这是对的。"他给真正的创造力下硬定义："想出一个从问题本身、从那些已知元素里既无法预测、也无法预见的答案（not predictable or foreseeable from the question and the elements already known），它远远超出了思维的边界。"用"搜索"反衬其不可达："如果你只用一台计算机、甚至一个 AI 去搜索、去猜，你会一直猜到时间的尽头才碰巧猜到。"他老实承认这种创造力极罕见："那是极少数人类才会进行的创造力，而且他们大多数时候也并不进行。"他把创造力分两台阶：有限的——"AI 一个个过数学问题清单、挑出自己能解的，那是非常有限的创造力"；真正的——"它开始发明全新的科学理论，而那些理论后来被证明是真的"。对后者态度谦逊但明确："我不认为我们离那一步还有任何接近，但我也可能错了；不过我不认为，在没有某种突破性发明的情况下，仅仅往当前模型上**堆更多算力（throwing more compute）**就能把我们带到那一步。"→ 详细

• Naval 给"嵌在里面"做重要澄清，免得被误解成"答案已写好"："我说'嵌在里面'，并不是说答案已经写在那里头了。我只是说它可以通过一个机械性的、**转动曲柄的过程（turning the crank）**被产出来——而今天所有计算机程序都这样：输出完全由输入决定（the output is completely determined by the input）。"——"转动曲柄"像绞肉机，进什么、怎么绞，出来的就定死了。这把讨论从认识论滑进哲学，他把同一把尺子架到人脑上："人类大脑做的不也正是这件事吗？放电的神经元不就是电流和权重在系统里传播、改变状态，这就是一个机械性的过程啊。"→ 详细
• 他列三种可能立场，不急着站队：① Penrose 的立场——"人类大脑独特，因为有量子微管（quantum nanotubes，彭罗斯等人猜测脑内微管发生量子计算的假说），有些计算发生在物理细胞层面而非神经元层面，比 AI 能做的精密得多"；② '程序不对'的立场——"是机械性的、有曲柄可转，但我们没在运行那个正确的程序，AI 今天的架构是彻头彻尾错的"；③ 他个人更倾向的——"有些事它们做得好得不可思议，有些做得非常糟糕，对所有机器、所有自动化亘古如此"。"轮子 vs 脚"钉死第三种："轮子在道路上高速直线行进比脚强太多，爬山则很糟糕；同样地，AI 在某些事上好得不可思议、会胜过人类，在另一些地方就会彻底栽跟头（fall flat）。"→ 详细

• Nivi 用 Steve Jobs 名言收束："计算机是头脑的自行车（a bicycle for the mind），让你比走路快得多——但你首先得有腿去蹬踏板。"他升级一档："也许我们有了一辆'头脑的摩托车（a motorcycle for the mind）'，但你仍然需要有人去骑它、驾驶它、给它指方向、踩油门、踩刹车。"——工具更强了，方向盘和油门刹车还得人来踩。→ 详细
• Naval 收尾建议一：新范式出现时有"一个充满热情和变化的时刻（a moment of enthusiasm and change）"，乘上浪潮能学新东西、交朋友、赚钱；但更要抓住个人那个时刻——"当你第一次对 AI 好奇、真心开放的时候，正是该去真正搞懂它怎么运作的时候，不只是用它"。"打开引擎盖"的比喻："如果这辈子第一次见到一辆车，你可以坐进去开，但那也正是你会好奇到想打开引擎盖、看看它怎么搭建和设计的时刻。"标准不必过高——"不必到能自己造它、修它的程度，但要达到让你自己满意的程度"。理解"抽象层底下、命令行底下是什么"有两个好处：① "让你把这个有巨大杠杆的工具用得好得多"；② "帮你搞清楚到底该不该害怕它——这东西真会恶化成一个天网（Skynet，《终结者》里毁灭人类的 AI）吗？"（他顺手调侃电影梗："会不会 Arnold Schwarzenegger 冒出来说'2 月 24 日凌晨 4 点 29 分，就是天网产生自我意识的时刻'？"）→ 详细
• Naval 收尾建议二（全片落点）："很多人都有'AI 焦虑（AI anxiety）'，来自不知道这东西是什么、怎么运作。**应对那种焦虑的解药就是行动。焦虑的解药永远是行动（The solution to anxiety is always action）。**焦虑是一种非特定的恐惧（a non-specific fear），你的身体在告诉你要为此做点什么，但你不确定该做什么。你应该迎着它上（lean into it），把这个东西搞明白，看看它是什么、怎么运作。"金句收束："那个学习的行动、那种对好奇心的追逐，会帮你战胜焦虑。而且谁知道呢，它说不定还真能帮你想出某件你想用它去做的事，一件非常有生产力、会让你更幸福、更成功的事。"→ 详细

（本期无独立闪电问答环节。）收尾核心要点：

• Nivi 用"计算机是头脑的自行车"收束，延伸为"头脑的摩托车"——工具更强了，但"你仍然需要有人去骑它、驾驶它、指方向、踩油门、踩刹车"。→ 详细

• Naval 建议一：抓住接触新技术时"充满热情的时刻"，不只是用 AI，而要"打开引擎盖"真正搞懂它——这会让你把高杠杆工具用得更好，并帮你判断该不该害怕它（会不会变天网）。→ 详细

• Naval 建议二（全片落点）："焦虑的解药永远是行动。"AI 焦虑来自对它"是什么、怎么运作"的无知；解法是迎着它上、把它搞明白；那种对好奇心的追逐会帮你战胜焦虑，还可能帮你想出一件让你更有生产力、更幸福、更成功的事。→ 详细

• 氛围编程（vibe coding）：不写代码、用大白话向 AI 描述需求来"造软件"；Naval 称它是"新的产品管理"。

• 有漏洞的抽象（leaky abstraction）：任何把复杂细节封装好的工具，底层细节迟早漏出来咬你——全片母题，也是软件工程师的护城河。

• 分布之外（out of distribution）：训练数据里压根没出现过、无法靠拼凑已知得到的全新东西；Naval 认为这是 AI 创造力的边界。

• 湿件（wetware）：相对 hardware/软件，指人脑这套生物硬件——"超级昂贵"，该为它的效率而非机器效率做优化。

• 极强的能动性（extreme agency）：创业者/探险家/科学家/艺术家的共性，在未知领域自我驱动地运作；AI 恰好缺这个。

• alpha：金融术语，跑赢大盘/对手的那部分额外收益；对抗性博弈里，人人可得的 AI 优势会被抵消，alpha 最终归人类。

• 感受质（qualia）：主观体验那种"是什么感觉"的质地（如你看到的"红"）；意识无法被外人确证的根源。

• 通用解释者（universal explainers）：Naval 对人类的定位——任何已知物理下可能的事都能建模理解，故不存在"人类无法理解的超级智能"。

（全文未提及。）