儿童、AI 过度投入与 ChatGPT Images 2 现场测试

经过几分钟直播设置后，Matthew Berman 介绍这场 2026 年 4 月的讨论：儿童使用 AI、自己难以平衡 AI 项目与家庭生活，以及 ChatGPT Images 2 现场测试。节目包含 OpenAI 发布直播的演示，以及 Forward Future 团队成员 Jonah 和 Brian 的参与。

Berman 先展示一则社交媒体帖子：一位家长说她九岁的孩子用 AI 询问姐妹关系、游泳和同人小说创意，之后被告知不要再使用。这里无法独立核实帖子的叙述。身为父亲，Berman 表示他会监督自己年幼孩子的使用，而不是简单地将 AI 判定为好或坏。

他最担心的是迎合：聊天机器人即使在用户错误或答案无益时，也可能表示赞同。他提到此前一次过度迎合的模型更新，并展示一个关于小帽子的幽默例子。单次演示无法衡量这种行为出现的频率。

Berman 回忆儿子对 AI 会犯错感到惊讶。他认为家长应解释模型可能自信地给出错误答案，也担心年轻人与聊天机器人形成过度强烈的关系。同时，他认为有监督的创作和教育用途可能有价值。

讨论转向环境影响。Berman 起初认为闭环冷却意味着 AI 用水很少，并将其与液冷电脑比较。这种说法过于宽泛：设施内部的闭环本身不能说明散热、发电或整个供应链的用水量。

Berman 让聊天机器人比较汽车、航班和服装的影响，并读出估算值。这些数字取决于计算边界、能源来源和工作负载；节目并未独立验证。他认为 AI 可能帮助应对气候变化，但这是一种可能性，并不证明其环境足迹已经被抵消。

一位观众质疑他关于蒸发冷却的说法。进一步查看后，Berman 承认蒸发冷却仍会消耗水，但他随后引用的其他聊天机器人生成百分比并未得到节目证实。这项修正很重要：冷却系统各不相同，循环回路也可能与蒸发冷却塔相连。

Forward Future 研究人员 Jonah 加入讨论，他说自己的背景是环境流行病学。他强调，如果 AI 使用叠加在已有活动之上，就可能增加排放；潜在收益取决于应用方式及其他行为是否改变。他与 Berman 讨论电动车、生命周期和自动驾驶可能带来的未来好处。

Berman 回到自己的育儿立场：他打算在监督下让孩子接触 AI，并解释错误、迎合以及聊天机器人不是人这一事实。他将其描述为自己家庭的做法，而不是普遍规则。

主持人简要演示 Journey Chat，这是他开发的实验性项目，让智能体在共享房间中交流。他邀请观众试用，并表示仍在解决设置问题。这是他自己的产品。

Berman 转向另一个话题：自己对用 AI 构建产品的强烈兴奋。他口语中用“AI psychosis”指过度关注和工作。这个用法不是临床诊断；精神病性症状有不同的医学含义，可能涉及妄想或幻觉等症状。

他读出企业家 Bryan Johnson 的经历：Johnson 沉迷于用 AI 整理个人健康数据，影响了睡眠、工作和社交。Berman 强调把大型个人数据集转为可搜索知识库的吸引力，同时指出 Johnson 提到了系统漏洞和数据清洗需求。

Berman 说，近期的编程智能体让他再次能够通过自然语言构建项目。他描述自己醒来、会议间隙和睡前都会启动智能体，在晚餐或看电影时也会检查结果。他说这令人兴奋，但也影响了睡眠和对家庭的关注。

他的妻子告诉他自己感到被忽视。Berman 说，他正尝试在保持构建热情的同时，多陪伴家人。他描述了只使用简单聊天界面的人与尝试智能体工具的人之间的体验差异，但提醒大家兴奋仍需要边界。

Berman 寻找有关幻觉的图表，并查看一项测试模型是否愿意质疑可疑说法的基准。单项基准的结果不能确立普遍幻觉率。他谈到其他 AI 建造者的热情，以及难以跟上快速发布节奏的感受。

一些观众反对他使用“psychosis”这个词。Berman 说他指的是注意力过度集中，也承认人们可以用不同方式描述这种经历。最后他提醒自己和观众，为睡眠、家庭和离开屏幕的生活留出空间。

图像模型发布前，制片人 Brian 加入讨论。Berman 再次讲述儿子认识到 AI 会出错的故事，并介绍如何帮助他制作简单游戏。同为父亲的 Brian 讨论教育可能性和有说服力的 AI 带来的担忧；两人还思考 AI 过滤器是否可能帮助处理有害内容，同时承认未来能力仍不确定。

Berman 开始观看 OpenAI 的 Images 2 发布演示。演示者展示根据团队照片制作的杂志封面，并讨论布局和文字。他们介绍即时模式和用于更复杂任务的思考模式，包括多图序列与联网辅助生成；此处所述可用情况以发布时为准。

OpenAI 团队展示一张服装规划图，随后通过追问更详细地展示一套服装。另一个例子根据照片生成多页漫画，试图保持人物和风格一致。这些是挑选出的发布演示，并非受控评估。

演示者展示更多细节、多语言排版、照片真实感以及宽高比例的例子，还在查看器中展示全景图。Berman 印象深刻，但决定停止观看发布会并运行自己的提示词。

他查看发布材料和当时的图像生成排行榜，最初高估差距，随后纠正自己的算术。他强调连续图像一致性、文字渲染和细节场景。排名和产品功能只是 2026 年 4 月的快照，可能变化。

第一次现场测试中，Berman 要求制作游戏角色精灵图。他喜欢图中带标签的多种动作。另一个基于自己自拍的请求因相似性相关限制被拒绝，说明单次尝试可能失败或被拦截。

黑板提示词正确显示 2 + 2 = 4。Berman 要求模型让教室更真实，再让字迹更潦草；他认为场景发生了明显变化，但字迹依然太整齐。

他要求计算 18 × 24 + 11 − C，其中 C = 5。第一次显示 413，是错误答案。他打开思考模式重试，新图显示正确答案 438。两次尝试不能确立总体准确率。

Berman 要求生成从奥克兰市中心到加州科学院的驾车地图。他认为自己的结果很差。同事的另一个版本乍看更合理，但路线断裂、部分地理要素错位，因此不能作为可靠导航。

在他看来，生成的两罐汽水产品图光线和文字不错，但手大得不寻常。一条要求精确数量的六格复杂提示词包含杯子、铅笔和钥匙；Berman 发现尽管人物一致性较好，数量出现多处错误。

他让模型在图像中渲染简单贪吃蛇游戏代码，再转录并尝试运行。代码出现错误，即使尝试修复后仍无法运行。另一个打印 1 到 100 的简单 Python 代码片段看起来是正确的。

生成的缩略图最初不像 Berman。提供自己的脸部照片后，他对编辑结果感到满意，并尝试另一种风格。其他涉及公众人物的请求展现了视觉真实感，但也出现不准确的人脸；生成的场景不能被当作真实事件。

Berman 根据自己的照片测试六格年龄变化。他说老年形象像自己的父亲，而童年形象不像自己。他还查看了未来伦敦的想象图和生成的 360 度办公室场景；两者都不应视为事实预测或真实记录。

最后的视觉推理提示词询问：从弹珠上方拿起倒扣的杯子会发生什么。生成图像将弹珠显示在桌面上，他认为测试成功。他称赞模型的文字和图像能力，但前面的地图、计数和代码测试也显示了局限。

Berman 感谢观众后结束直播。这些例子是非正式的个别尝试，节目在讨论之间还包含较长的等待和设置时间。