AI 投资、编程竞赛与未来经济：Forward Future 直播

Matthew Berman 和联合主持人 Nick Wentz 介绍 2025 年 9 月 26 日节目的嘉宾：Floodgate 投资人 Mike Maples、OpenAI 研究员 Ahmed El-Kishky，以及 Intelligent Internet 创始人 Emad Mostaque。

Berman 回顾了与 Elon Musk 关于 OpenAI 能否与 Google 竞争的一次交流。他引用 2018 年的邮件，同时承认其中一项表述附有关于执行方式改变的条件。

Musk 回应称他当时估计的成功概率是 1%，而不是零。Berman 同意两者不同，但认为邮件原文支持自己的记忆；主持人把争议聚焦于当时说了什么及其语境。

两位主持人讨论了一则有关远程 IT 人员使用虚假身份和 AI 辅助面试工具的报道。他们区分报道的行为与对动机或安全风险的猜测，并指出面试造假并不限于某一个国家。

Wentz 提出，虚假招聘之外可能还存在安全问题。Berman 描述了 AI 辅助面试中出现的长时间停顿，并说这一问题让他更重视面对面工作，尽管这不是唯一原因。

Mike Maples 加入节目。他在讨论 AI 投资之前回到 Musk 的话题，认为不能期待持有非常规观点的人每次都正确。

Maples 说，真正不符合共识的押注必然有出错的风险：想跑赢指数的投资者也有可能跑输。他评价风投时看重结果的规模和期望价值，而不只是预测正确的比例。

Berman 赞同更大的观点，但说自己较窄的异议在于 Musk 是否说过那句话。讨论随后转向早期投资人如何看待 AI 浪潮。

Maples 比较了计算和连接逐渐普及的时代。个人电脑让计算广泛可用后，产生了有价值的软件；互联网连接后来又催生聚合用户和注意力的网络。

他将 AI 称为认知可能变得充裕的时代，并追问：如果推理成本大幅下降，什么会变得稀缺而有价值？这是投资框架和对未来的假设，并非说智能现在已免费。

与其只关注自主智能体，Maples 更想寻找增强主动性强的人的工具。他设想这样的系统帮助销售、营销或管理人员理解各自的组织并更有效地行动。

例如，首席法务官可以利用智能系统比较不同司法辖区内的合同、风险和机会。其价值在于理解公司的具体处境，而不仅是回答一般性问题。

Maples 将突破性创业公司形容为看似离经叛道、最终证明正确的商业想法。在技术和行为变化让 Airbnb 及网约车模式可行之前，许多人觉得它们难以置信。

他以移动定位技术为例说明促成变化的转折点：当乘客和司机可以实时找到彼此，创始人便可能看到新的市场结构。有价值的洞见不只是技术存在，而是它带来了什么可能性。

AI 同时创造了许多机会，但 Maples 提醒，如果所有人都利用同一种变化，吸引人的功能也可能被复制。创业公司需要独特洞见或能力，才能获取价值，而不是让竞争耗尽利润。

当垂直领域公司把 AI 与深厚的行业知识结合时，可能拥有优势。Maples 举出 Applied Intuition 的汽车业务，其中交付依赖仿真、软件架构和与制造商的合作关系。

被问到通用模型可能吞掉创业公司产品的风险时，Maples 表示他更愿意投资不依赖下一代模型表现也能成功的企业。将软件整合进汽车所需的不只是模型质量。

他把重新设计汽车软件及供应链的复杂性，与仅给模型套一层界面的轻量应用作比较。他的意思不是所有垂直产品都能守住优势，而是深入整合可能形成更持久的地位。

谈到创始人，Maples 区分了独立形成的非共识思考和为了反对而反对。他寻找那些在实验中发现未来缺失之物、并创造产品解决真实问题的人。

创始人还需要说服早期支持者一起走向不同的未来。Maples 重视专注、决心和承受嘲笑的意愿，同时承认新奇的想法仍可能出错。

被问及不随大流的性格能否培养时，Maples 说这种倾向可能很早形成，但不意味着粗鲁。对他而言，它意味着愿意持有不同看法，并享受解决难题的挑战。

他比较了与创始人共同建设的满足感和退出时获得的财务回报。冒险、不确定性以及说服他人的努力，都是他认为风投工作有意义的部分。

Maples 描述了两种基金策略：扩大资产规模并追求良好回报，或者将基金规模控制在适合追求异常高回报，也就是 alpha 的水平。他认为基金应明确自己的策略，而不是在两者之间摇摆。

他认为，小基金的成功取决于在突破性公司广为人知之前识别它们，并严格判断自己的优势所在。不同风投策略可以共存。

他给出自己粗略的回报目标：约 15% 的投资为首次投入带来 20 倍回报；若有 5% 达到 100 倍则表现非常出色。这些是他的基金经验法则，并非承诺或通用投资规则。

估值很重要，因为较高的入场价格会让取得某个回报倍数变得更难，但它不是唯一决定因素。Maples 把投资比作等待合适的投球，而不是每球都挥棒。

谈到创业地点，Maples 认为旧金山具有优势，因为那里的人能较早看到新兴 AI 能力。他更广泛的建议是，寻找已经能够看到某种可信未来的地方，无论它在哪里。

Maples 对比了通常延续已有优势的在位企业和能够挑战市场规则的创业公司。他认为快速变化可能有利于后来者，同时也承认大多数非常规创业公司会失败。

Maples 离开后，主持人讨论当周发布的 ChatGPT Pulse，称它可以主动提供个性化更新。Wentz 认为，这可能帮助尚未养成向助手提问习惯的用户。

Berman 将这一想法与“睡眠时间计算”联系起来：在用户提问前异步完成工作。他认为后台计算可能利用较不繁忙的时段，并给出准备更充分的结果，但经济效果取决于部署方式。

主持人认为个性化是主动式助手的核心。Berman 说用户可以调整自己的兴趣，例如 AI 新闻或湾区本地动态，而不必只依赖系统从过去对话中推断。

他们介绍了包括 Wan 2.5 在内的几个视频模型，称它能生成带同步声音的 1080p 短片。节目中主持人对其是否开源并不确定，也没有最终确认。

Kling 2.5 Turbo 被介绍为另一种快速视频生成工具，主持人还提到 Qwen Image 和 Luma 的 Ray3。他们的印象基于发布功能和选定示例，而非对所有能力的严格对照测试。

被问到观众喜欢的 AI 生成电影何时出现时，Wentz 猜测需要六七个月，Berman 估计为 18 至 24 个月。这些都是 2025 年 9 月作出的预测，并非确定的时间表。

OpenAI 研究负责人 Ahmed El-Kishky 加入节目，讨论推理、编程和团队的 ICPC 成绩。他的团队专注于帮助模型解决难题并使用工具，其中包括软件工程任务。

El-Kishky 说，竞赛题通常可以验证答案，因此是有用的基准。下一项挑战更难量化：良好的软件设计、高效的工程工作，以及最终发现新的科学知识。

被问到时间时，他个人预测模型可能在下一年贡献新的科学知识。这是他在 2025 年作出的预测；采访并未证明此类发现当时已经发生。

Berman 问，延长推理时间与让推理更快、更高效，哪一个更重要。El-Kishky 认为两者都重要：团队在研究更长的推理，同时训练也可以让每个推理 token 的使用更有效。

他概括介绍强化学习：提供逐渐变难的问题，让模型尝试不同方法，并利用反馈改进。与人类学习的类比是为了解释，并非披露详细的训练配方。

研究挑战包括寻找有一定难度、可验证且与未来所需技能相关的中间问题。医疗突破等宏大目标不能仅凭竞赛基准成绩的提高就假定已经解决。

El-Kishky 回忆，早期编程模型连简单竞赛题都解不出，或者因为解法糟糕而耗尽内存。经过多轮训练，模型的竞赛评分提高，为团队提供了可衡量的进步迹象。

OpenAI 员工把模型评分与参加过编程竞赛的同事比较，其中包括 Mark Chen。El-Kishky 说，竞赛是通往更通用推理的垫脚石，并非研究的最终目标。

被问到推理能力随规模增长是否遇到上限时，他说团队尚未看到明显停滞，并预计这一方法仍然有用。他举例称，一个 Codex 模型花七小时完成重构任务，而一场 AtCoder 启发式竞赛持续十小时。

谈到后台或“睡眠时间”计算，El-Kishky 将其视为向长时间任务发展的同一趋势，而非完全独立的范式。研究人员可以让助手运行数小时甚至更久，定期查看进展并在之后接收结果。

讨论转向国际大学生程序设计竞赛世界总决赛。El-Kishky 解释说，三人学生队共享一台电脑，在五小时内解决十二道难题，自动评测系统会检查正确性和资源限制。

OpenAI 的系统使用了 GPT-5 和一个实验性推理模型。两个模型生成多个候选解，实验模型选择提交哪个；团队报告解出了全部十二题。这一竞赛结果不能衡量真实软件工程的所有方面。

由于提交次数可能影响平分时的排名，选择候选解很重要。El-Kishky 将它描述为赛前不久组建的相对简单的系统，而不是单个模型一次连续推理就生成唯一答案。

一种策略让研究人员印象深刻：模型先写出简单的暴力解，再用测试将其与优化解比较，最后提交高效版本。El-Kishky 说团队没有明确要求它这样做，并认为这种策略来自训练。

团队预期成绩会很好，但未必能做对十二题。El-Kishky 说 GPT-5 前十一题都在首次提交时通过，最后一题则需要反复提交并依靠思考更久的实验模型。

据他回忆，最终答案在第九次尝试时通过，距离结束约剩 20 至 30 分钟。结果反映的是该系统在竞赛条件下的表现，其中包括候选解生成和验证。

El-Kishky 说，编程对 OpenAI 重要，部分原因是研究人员可以在自己的工作中使用编程工具。他设想未来模型可能准备实验并帮助推进 AI 研究，但没有声称自我改进的研究循环已经完成。

他认为，复现研究论文是提出和检验新想法之前有用的一步。软件实验的反馈循环相对容易建立：写代码、用算力运行并检查结果。

他期待的下一个里程碑不是另一个竞赛分数，而是对人类知识作出有意义的贡献。他设想模型长时间研究数学或科学问题，并将其作为愿景提出。

主持人询问 OpenAI 应如何在训练、产品、安全和研究之间分配有限的算力。El-Kishky 认为这些都重要，并主张增加资源，同时强调更强的模型也需要安全和对齐工作。

被追问具体需要多少算力时，他说研究人员能够用上尽可能多的额外资源。他尤其关注评估真实工程工作和新证明等任务，因为这些领域难以定义有用的奖励。

主持人开始图像盲测：四个模型接收同一个提示，输出先隐藏标签展示，主持人选出喜欢的图像后才揭晓模型。这个环节是非正式比较，只使用少量样本。

第一个提示要求在沙漠中生成一道石拱门，门内是雨林和瀑布。两人起初都偏爱第四张，揭晓后发现来自 Seedream 4；他们也主观认为 Qwen Image 表现不错。

第二个提示要求一群提灯笼的迷你大象在摩天楼之间走钢丝。Berman 偏爱第四张 Qwen Image 的结果，Wentz 选择第一张 Nano Banana；两人欣赏的视觉细节不同。

对于融合四季的风景，Berman 选择 GPT Image 1，Wentz 偏爱 Nano Banana。他们批评 Qwen 的结果把四季分成不同面板，没有按要求无缝融合。

在一个图像编辑提示中，模型需要把 Berman 变成超级英雄，另一位参与者变成摄影师。主持人比较人物相似度和指令遵循程度；Wentz 选择 Nano Banana，Berman 偏爱另一张。

最后一个编辑提示描绘 Berman 给 Alex 端意大利面。两人因人物相似度和幽默效果偏爱 GPT Image 1 的结果。少量提示下的偏好各不相同，这个环节不能作为具有统计意义的模型排名。

最后一位嘉宾是 Intelligent Internet 创始人、Stability AI 前负责人 Emad Mostaque。他说，公司正在探索面向医疗、教育和政府等领域的开放模型与智能体，同时提出一套经济框架。

Mostaque 介绍了他的书《The Last Economy》。他推测，能力不断增强的 AI 可能改变人类认知劳动的经济地位，并认为社会需要考虑如何分配收益和权力。

主持人问及他关于传统经济结构可能在约一千天内过时的预测。他认为 AI 可能完成许多通过屏幕进行的知识工作，但这只是他的预测，并非已确立的结果。

Mostaque 担忧初级岗位的机会可能减少，并追问毕业生如何应对转型。Berman 提出，如果算力所有权集中，可能产生长期处于劣势的群体。

Mostaque 认为，如果资本所有者用 AI 计算替代劳动，资金流向可能改变。他提出让所有人都能使用 AI，以及通过数字资产为公共利益计算提供资金的制度；这一方案尚未证明能解决分配问题。

他用假设中的高度自动化软件公司 Macrohard 来说明集中算力可能带来的竞争力。这些能力属于他的情景设想，并不能证明这样的公司能够取代整个软件行业。

Berman 询问人类是否会继续在工作流程两端设定目标、验证结果，由 AI 完成中间步骤。Mostaque 认为验证器和运行更久的智能体可能减少这种需要，但编程竞赛和驾驶的类比并不能证明所有领域都能完全自主。

对于创意写作和人与人互动等主观任务，Mostaque 认为模型可以学习更广泛的概念并适应环境。Berman 的问题仍然重要：在缺乏明确验证器时判断结果可能很困难，采访没有提供可以普遍取消人工审查的证据。

Mostaque 说，成为父亲让他更加关注谁来构建孩子和公共机构将使用的 AI。他希望数据开放、系统透明，模型可以在个人设备上运行，并能在需要时调用外部模型。

他介绍了公司开发医疗模型和开源软件的计划，希望它们能帮助复核诊断。这些是公司的主张与愿景；模型在基准测试中的表现并不能确立临床安全性，也不能取代医疗专业人员。

他提出的融资模式希望将数字资产的收入用于癌症研究、教育和其他公共用途的计算资源。Mostaque 将其描述为有待检验的理论，而非已被证明的医疗融资方案或回报保证。

被问到为何支持开源时，Mostaque 认为权力集中可能带来不受欢迎的偏见，人们应能让助手适应自己的价值观。他支持开放数据和可组合的软件，而不仅是开放模型权重。

Berman 询问缺乏技术能力的人如何使用这样的系统。Mostaque 设想由智能体帮助配置工具、学习用户偏好，并在需要时调用更强的外部模型；这是一个设计目标。

讨论回到“利益证明”。Mostaque 提议利用计算服务公共目的，同时支持数字资产，并表示团队打算发表更完整的经济理论。他承认将其扩展为完整经济体系会很困难。

他从范围较窄的普及 AI 使用权入手，认为负担不起订阅的人也应获得有用工具。数字资产、治理和激励机制是否能够实现这一目标，仍是开放问题。

Berman 质疑人们在面临眼前个人需求时，是否会为了共同利益购买资产。Mostaque 回应说，购买者也可能期待价格上涨，并称该方案会把资源引向有益的计算。

Mostaque 将这个提议与工作量证明作比较，但称其中的计算将用于整理知识和构建模型。他关于这样能创造信任或有吸引力的经济效果的说法只是提案，并非投资可行或价格必然上涨的证据。

被问到“丰裕陷阱”时，Mostaque 说 AI 和机器人可能创造价值，却不像人类一样参与经济。他认为，如果这些能力广泛普及，社会需要找到分配收入和维护人类自主能力的方法。

他强调关心他人、人际关系，以及把技术用于人们重视的问题。他的书提出了包括某种基本收入在内的想法，同时承认帮助人们适应工作和身份变化是一项困难的共同任务。

对儿童和学生，Mostaque 主张练习使用 AI 工具进行创造，并通过动手制作自己关心的东西来学习。他建议每天进行“氛围编程”，这是个人建议，而非采访中展示的、经过验证的课程。

主持人感谢嘉宾并结束直播。节目中的投资判断、模型演示和经济方案都反映 2025 年 9 月的观点；这些预测何时实现、结果如何，在讨论中尚无定论。