AI大家说 | 重磅嘉宾齐聚，近期Dwarkesh Podcast都聊了些什么？

要点速览：

2025年，一个叫Dwarkesh Podcast的播客成为了AI行业内获取一手信息最重要的渠道之一。甚至可以说，它已经成了硅谷AI技术圈的必看节目。从Satya Nadella到Andrej Karpathy，再到Ilya Sutskever，这些平时很难约到的行业核心人物，都选择在这里进行长时间的深度对话。本期，我们将为大家分享其中最新、最受关注的几场播客及核心观点。

Ilya Sutskever

前OpenAI首席科学家、计算机科学家、SSI创始人

洞察1：那种无脑堆算力的「暴力美学」时代，其实已经翻篇了。

过去这五年，大家都在喊Scaling Law，好像只要GPU够多、数据够大，把整个互联网喂进去，AGI就自动产出来了。但Ilya直接泼了盆冷水。他说Pre-training（预训练）已经开始式微，现在数据快用光了，到了后面这一步（RL和后训练），光靠“大”没用了。现在又回到了2012年之前那种需要“拼品味、拼直觉”的手搓时代（Age of Research）。

洞察2：「情绪」不是人类的累赘，而是进化给人类的礼物。

我们通常觉得AI是理性的，人类是感性的，情绪会坏事。Ilya把这个反过来了。人类的“情绪”是一个被进化硬写进基因里的、极其精准的“价值函数”。现在的AI之所以笨，是因为它们没有情绪。所以，让AI拥有“情绪”或者说“直觉”，反而是通往真正智能的必经之路。

洞察3：AGI不是全知全能的神。

Ilya说真正的AGI更像是一个“15岁的天才少年”。它可能刚出来时什么行业黑话都不懂，但它学习能力很强。而且，它们在未来可以“合并智能”。这一秒它还是个新手，下一秒它就拥有了100万人一辈子的经验。这种“分布式体验，集中式进化”，才是经济奇点真正到来的方式。

Satya Nadella

微软CEO

洞察1：模型厂商可能会遭遇「赢家诅咒」(The Winner's Curse)。

模型本质上只是一种计算，它是可替换的。如果你的模型强，我用你；明天开源模型强了，或者别人强了，我立马换。只有“脑子”没有“身体”（数据流和工作流）是非常脆弱的。Satya举了个例子：Excel Agent。微软不是简单地给Excel套个AI壳，而是把AI塞进Excel的中间层。未来的Excel不再是个软件，它自带一个“数据分析师”。这个分析师不仅懂GPT的逻辑，更懂Excel的原生对象（单元格、公式、图表）。尽管模型层（OpenAI/Anthropic）的利润率在提升（推理毛利从<40%涨到>60%），但Satya并不慌。因为微软有Office和GitHub这种“场景权”。这解释了为什么微软要做“应用优先”（Model-forward）——只要我掌握了用户的鼠标点击和数据流，你的模型再强，也只是我采购的一个零件。最终，甚至连OpenAI都可能变成微软生态里的一个“供应商”。

洞察2：GitHub不只是代码工具，它是未来的AI智能体的总部。

现在大家都在卷“谁能自动写代码”。但Satya已经在想下一步了：当你有一堆AI帮你写代码时，最大的痛点是什么？是管理。你需要一个控制面板，来盯着Claude在写前端，GPT-5在写后端，另一个Agent在修Bug。GitHub要做的就是这个“Agent HQ”——不管你是哪个模型生成的代码，最后都要提交到Repo（代码仓库），所以只要控制了Repo，就控制了AI时代的管理权。

洞察3：SaaS模式终结，未来是按AI员工的人头收电费。

以前微软赚钱靠卖“人头”（按用户数收SaaS订阅费）。但未来，你可能只有一个人类员工，但他雇佣了100个AI Agent。这时候怎么收费？Satya提到了一个非常赛博朋克的概念：给AI Agent配电脑。未来的Agent不仅仅是一串代码，它们需要“数字实体”、身份认证、安全环境、存储空间，甚至需要一台云端电脑。微软未来的生意，是给这成千上万的AI员工提供“办公桌椅”和“电脑”。

Andrej Karpathy

特斯拉前AI总监、OpenAI创始成员之一

洞察1：我们要造的不是「动物」，而是互联网的「幽灵」。

现在很多人觉得AI应该像动物进化一样，把模型扔进环境里让它自己悟。但Karpathy说：“不对，我们现在的路子根本不是在造动物。动物是进化出来的，带有极强的硬件预设，但需要一生去学习知识。而现在的LLM是通过Pre-training（预训练）模仿人类在互联网上留下的痕迹。我们是在用数据造出了一个拥有全人类知识但没有任何肉体直觉的‘幽灵’。”这就解释了为什么AI懂那么多道理（知识丰富），却缺乏常识、没有物理直觉。预训练是一种“劣质的进化”，我们得到的是一个博学的幽灵，而不是一个能适应环境的生物。

洞察2：强化学习 (RL) 其实烂透了。

这是Karpathy抛出的最大的技术暴论。大家都觉得RLHF是这一波AI的功臣，但他觉得RL效率极低。现在的RL相当于是模型做了一道复杂的数学题，写了一大页步骤，我们会在它算出答案的那一瞬间，给它一个“奖励”（Reward）。Karpathy把这比作“透过吸管吸取监督信号”——大模型一整页的推理步骤，不管是精彩的还是胡扯的，都被这一个信号粗暴地概括了。这就是为什么模型经常会有“幻觉”或者逻辑崩坏，因为它根本不知道具体哪一步做对了。

洞察3：未来的AGI可能只有10亿参数，因为「记忆」是累赘。

这个点完全反转了“模型越大越强”的Scaling Law。Karpathy认为，记忆（Memory）和认知（Cognition）应该剥离。一个理想的“认知核心”（Cognitive Core）可能只需要10亿参数就够了。这个小核心负责思考、推理、调用工具，而那些乱七八糟的知识应该存在外部硬盘里让它去查，而不是记在脑子里。

Richard Sutton

图灵奖得主，强化学习之父

洞察1：LLM只是在「模仿」，因为它没有「真理」。

现在的LLM就像是一个演员，它在模仿人类说话，预测人类下一句会说什么。但Sutton指出，这根本不是智能。为什么？因为没有“客观真相”。在LLM的世界里，只有“像不像人话”，没有对与错。如果你问它一个问题，它回答得像个傻子，只要这个傻子符合训练数据分布，它就完成了任务。而真正的强化学习（RL）是有目标的。没有目标的系统只能叫“行为系统”，不能叫“智能系统”。

洞察2：生物界根本不存在「监督学习」，大自然没有老师。

我们现在训练AI，都是搞一堆数据，标上“这是猫、这是狗”，这是监督学习。Sutton说：“你在大自然里见过这种事吗？松鼠不需要上学，不需要妈妈拿着卡片教它‘这是坚果’。它是在乱跑乱跳中，通过尝试-反馈学会生存的。”现在的AI都是温室里的花朵，靠人类喂养数据。未来的AI必须像野兽一样，直接从“体验流”里学习。

洞察3：我们正在跨越宇宙的第四道门槛：从「复制时代」进入「设计时代」。

Sutton把宇宙历史分成了四个阶段：死寂物质（尘埃、恒星）、生命诞生（可以自我复制，但不知道原理）、人类文明（文化复制，依然是基于生物的）、设计智能（Designed Intelligence）——这就是现在。以前的生命都是“生”出来的，我们是黑盒，能复制但不懂原理；而AI是被“设计”出来的，我们懂它的原理，我们可以随意修改它。这是一个宇宙级的质变。在这个视角下，争论GPT-5强不强已经没意义了，重要的是我们作为“复制者”，终于亲手创造出了“被设计者”，这是宇宙几十亿年来的一大步。

Sergey Levine

世界顶尖机器人专家、Physical Intelligence联合创始人

洞察1：机器人不需要「全知全能」的世界模型，它只需要「隧道视野」。

Levine说，机器人不需要预测一切，它只需要“完成任务”。这就是生物的智慧：隧道视野（Tunnel Vision）。这个词的意思大概是：当你在丛林里逃命时，你根本看不见路边的野花，你的眼里只有路。有了具体的“目标”，机器人的感知系统就有了极其强大的过滤器。

洞察2：「失忆」才是顶级运动天赋。

我们总觉得“记忆力好”是智能的表现。但Levine说，在物理世界里，不费脑子才是最高级的智能——人只需要“In the moment”（在当下）。那种需要长上下文、需要逻辑推理的（比如写代码、做数学），反而是人类觉得难、AI觉得容易的事。而这种叠衣服、洗碗，看似简单，其实需要的是极其精准、高频、不需要“记忆负担”的肌肉反应。所以，未来的机器人架构可能是一个“健忘”的小脑（极快反应）配合一个“博学”的大脑（慢思考），而不是把所有东西都塞进一个巨大的上下文窗口里。

洞察3：2009年的自动驾驶之所以失败，是因为车「没常识」。

Google 2009年就搞自动驾驶了，为什么到现在还没普及？Levine给出的答案是：缺乏先验知识（Prior Knowledge）。当年的自动驾驶全是硬写的规则或者简单的感知。车看到一个“小心地滑”的牌子，它就是一堆像素，车根本不知道这意味着摩擦力变小。但现在的机器人可以直接用VLM（视觉语言模型）。它看到“小心地滑”，虽然它从没在这块地上走过，但它读过书、上过网，它天生就知道这很危险。这就是这一波机器人浪潮的真正变量：脑子里有了常识。这种常识让机器人可以零样本去处理以前必须训练几万次才能搞定的边缘情况。