癌细胞比例从 1/10 降到百万分之一

Nathan Labenz 独自主持了这场 Cognitive Revolution AMA。他的日程太乱，约不到联合主持人，于是他自己读听众的问题，自己作答。第一个也是最常见的问题，是他儿子 Ernie 的近况，此前 11 月那一期节目讲过这个男孩的侵袭性 B 细胞淋巴瘤。简单说，恢复得不错，但治疗过程非常残酷。癌细胞的倍增速度最快可以达到每 24 小时一次。Ernie 已完成 6 个化疗疗程中的 3 个。他入院时约 23 公斤，如今仍只有约 19 公斤，面色苍白、身形消瘦，加上脱水时轻时重，体重也在几公斤之间来回波动。

从真正关键的指标来看，情况好了很多。第一轮治疗后，PET 扫描没有发现明显的癌灶。在第二轮治疗开始之前，肿瘤委员会就把他判定为已进入缓解期。AI 还建议 Labenz 去做 MRD 检测，这项检测目前还不是标准治疗规范。B 细胞在分化过程中会重排一部分 DNA；这种癌症是其中某次重排的克隆，因此那段序列就像一枚指纹。一项专门寻找这段 DNA 的血液检测，结果低于百万分之一，已经低于检测下限。确诊时，他们估计他体内多达 1/10 的细胞，实际上几乎全部 B 细胞，都是癌细胞。

他把这两个比例分别贴进几个模型里。Gemini 称之为降低了 99.9999%，其他模型则更喜欢用“数量级”来描述。圣诞节前后，Ernie 在 60 天里每一步都需要人搀扶，之后他开始能自己走路了。Labenz 持谨慎乐观的态度，但还没有脱离险境。他们也不完全清楚，为什么这种癌症在看似消失之后还会复发。还剩大约 2.5 个月的治疗，之后要把所有疫苗重新打一遍，因为化疗和免疫治疗抹去了免疫系统的记忆。他感谢听众，也感谢那些允许他交叉发布节目的播客主，因为那段时间，他每月 8 期节目实在顾不过来。

下一个问题是 Claude Opus 4.5 是不是 AGI，以及假期里 Claude Code 掀起的热潮是怎么回事。Labenz 说 Opus 4.5 很棒，明显更好，但他不赞成那种站在屋顶上大喊“它已经是 AGI”的说法。他在医院里用 Replit 凭感觉编程（vibe coding）给家人做了三个圣诞应用；最让他抓狂的是医院的 Wi-Fi，而不是模型。它给他的感觉，并没有与他此前在用的模型有本质区别。有人说，他能从模型那里得到这么多帮助，是因为他本来就懂行。他不同意。他说，普通人如果做好三件事，几乎不需要什么 AI 技能。

第一，用最好的版本。不要把问题丢给 ChatGPT，让模型选择器替你决定。开启深度思考；涉及这么敏感的事，就用每月 200 美元的 Pro。他说，在关乎生死的情况下，这根本不用犹豫，而对几乎每个人来说，它也都物有所值。他的组合是 Claude Opus 4.5、Gemini 3 和 GPT-5.2 Pro，一出现新的顶级模型，他就会马上升级。第二，尽可能多地提供上下文。他最近触及了 Claude 的聊天长度上限，把病例压缩成约 10 页，包括治疗方案、基因谱，以及哪种药物引起了严重不良反应，然后开了一个新对话。结果表现下降了。原来的长对话可以把今天的化验与昨天的做比较；而摘要版本把 1 月 6 日的数据，与几周前的一项肝酶指标做比较，漏掉了中间的检查。他还没有遇到过上下文过载带来的真正代价。给得越多，效果越好。

第三，多方取证，包括多个 AI 的意见。对于重要的问题，他会在不加任何自定义指令的情况下，同时运行 Gemini 3、Claude Opus 4.5 和 GPT-5.2 Pro。如果只能负担一个，他仍然会相信它。若是为大多数人排个先后，他会先选 Claude：速度比 GPT-5.2 Pro 快，质量差不了多少，回答更短，而且真正切中问题。Gemini 3，至少在 Google AI Studio 里的原始模型上，“观点相当鲜明”；Logan Kilpatrick 指出，Labenz 用的是未经修改的模型，Gemini 应用的表现可能会有所不同。GPT-5.2 Pro 写出的是长篇、分章节的报告。Claude 则是不多不少、刚刚好的那一个。把三者各跑三遍，仍然值得。MIRI 有一项研究发现 AI 会拖慢开发者的速度，他认为这项发现是真实的，但要加上几个前提：用的是较旧的模型、使用者缺乏经验，而且代码库庞大、标准很高。他自己也是凭感觉编程。他也不排除另一种可能：专业工程师有更好的品味，能看出他看不出的从 4.1 到 4.5 的跃升。

这三个假期应用就是他的证据基础。给母亲做的，是一个严谨的无麸质旅行规划工具：他用 Replit 做了一个应用，把她的个人资料嵌进去，没有账号体系，由 Claude 去查意大利餐厅的网站和评价。给妻子做的，是一个模拟器：她负责组织 EA Global 活动，模拟器能让与会者在虚拟展厅里走动、彼此碰撞，并把谈话转化为调查问卷的指标，方便她测试活动规模和资历结构。他喜欢的模式是：输入自然语言，输出详细的配置。妻子随口说个大概，模型去填写那些繁琐的表单细节，她再修改。给父亲做的，是一个股票应用，父亲自认为是炒股高手：这个应用把高层次的英文投资策略转成规则，用 yfinance 拉取历史数据，再做回测。大多数情况下，结果都很难跑赢买入并持有标普 500 指数。Labenz 承认，这也是他做这个应用的一个私下动机。

他在这三个应用上大约花了三个完整的工作日，每个都是先在 Claude 的对话里开头，再在 Replit 上安装 Claude Code。他仍然从一个简短的脚本中获得不少价值：它把整个应用导出成一个文本文件，再把这个文件粘贴进另一个模型。Claude Code 的智能体式搜索不错，但在母亲的那个应用上失败了。一个误读的请求生成了两个数据库，这种错误是“没有人会犯的”。被问到哪个数据库在线上使用时，Claude Code 答错了。一个干净的 Claude.ai 会话，加上完整的导出文件，就答对了。他认为，智能体式搜索会去它预期能找到东西的地方找，对“东西在那里”有很高的先验，然后就顺着这个先验走下去。真正的 bug 是那种罕见的、违反直觉的东西，只有在同时看到整个代码库时才会显现。

它是不是 AGI？如果看 GDPval，他说，在软件方面，它可以说是。专业水准的任务，由一组专家定义，由第二组专家完成，再由第三组专家评判。OpenAI 与 Anthropic 最新的模型，在软件工程任务上对人类取得了明显多数的胜出。前沿能力参差不齐。在视频剪辑上，人类仍然拥有巨大优势；他在 Cognitive Revolution 上试过很多剪辑工具，没有一个能比得上 Dwarkesh Patel 团队的产出。所以，是软件层面的 AGI 或编程层面的 AGI，而不是完整的 AGI。一年前，这类烂摊子还是凭感觉编程的项目夭折的地方；现在，往往 5 到 6 次提示就能收尾。他的母亲担心弄坏东西，他告诉她不必理解也能用，之后她就用 Claude Code 了。Dean Ball 在社交媒体上写下“4.5 即 AGI”，这句话可能更多是社交层面的连锁反应，而非一道门槛，但可触达的市场仍在快速扩张。

谈到泡沫，Labenz 把问题拆成两部分。AI 是真实的吗？是的，他不认为有人会感到意外。一个能与肿瘤学家正面交锋、24/7 在线、掌握完整病史、回答每一个细节问题的系统，已经具有变革性。认为我们终将走出这一阶段，并发现自己是被自家的宣传冲昏了头，这种想法，他说，可以放下了。至于所有贷款能否还清，就远没有那么确定了，特别是考虑到 OpenAI 的交易和基础设施扩张有多激进。他提到 Noah Smith 的一篇文章，也提到自己多年在抵押贷款行业的经历：总有一套内在逻辑和正面叙事，直到它不再成立。

一种金融工程是 CoreWeave 这类公司，它们的存在就是为了快速搭建和运营数据中心。它们确实有真才实学。他还怀疑，它们存在的一个额外原因，是 GPU 运营的利润率低于华尔街习惯的高毛利、低资本开支的软件业务，而超大规模云厂商不想把这种财务特征放在自己的账上。不同的财务结构可以创造股东价值，也会带来脆弱性。微软的资产负债表能扛住几次打击。如果把同样的资产放在 CoreWeave 那一侧，一旦 GPU 的需求不像计划中那样大，留给犯错的空间就更小了。Smith 用铁路做类比：铁轨全都用上了，但这并不代表每家铁路公司都能赚钱，而无法偿还的贷款也因此层层传导。Labenz 认为，这种泡沫“并非不太可能”。他在 2025 年高估了能力进步，却低估了营收，这是他在直播中与 Peter Wildeford 一起谈到的一点。需求可能会继续攀升。也不会让他吃惊，如果有人最后被套牢。这是时机问题，并不能证明投资本身有问题。

在风险投资这一层，他认为至少存在类似泡沫的东西。那一天让他有些头晕的案例是 LM Arena（前身为 lmsys.org），据说融资约 1 亿到 1.5 亿美元，估值 17 亿美元。他自 2023 年中期就在用这个产品，也喜欢它。独角兽的说法在他看来仍然有些牵强。他们的推文宣称有 3000 万美元的“年化消费运行率”，而他认为这是用户在并排对比中消耗的免费模型调用的标价，并非真正的营收。他说，这种数字带着“经社区调整后的 EBITDA”的味道。人们之所以来，是因为它免费。专门想要付费并排测试的人群，看起来很小。一位朋友做的付费对比产品 Multiplicity 功能更丰富，却没有变成独角兽。只有在用户即使遇到付费墙也会回来的情况下，品牌才算护城河。他希望团队至少做了二级市场套现。对于有限合伙人来说，这个价格“太贵了，我承受不起”。

讲中国模型之前要先说明：美国消费市场几乎没人用它们，大多数创业公司仍然调用美国的 API。Labenz 有机会用它们全部试了一遍计算机视觉任务：自动化汽车销售中的州政府文书工作。这些文件是扫描件，带有噪点、倾斜和被裁切的页边。这家公司已经比人工更准确，并开始拿下全州范围的合同。任务的要求是忠实地读取，而不是去猜。其中有一个复选框写着“您是否为美国公民？”勾上就是勾上，没勾就是没勾。

Gemini 3 几乎完美，但它还是犯了一个特殊的错误，加拿大历史学家、曾做客节目的 Mark Humphreys 在旧手写文字上也记录过这种错误：它会用世界知识去填补感知上的空白。在汽车表格上，这一点对它不利。看到美国地址和一个“听起来像美国人”的名字，即使复选框是空的，它也会报告为公民。作为猜测，这大概率是对的，超过 90%，但作为转录，它就是错的。Labenz 告诉它不要猜测，也不要跳跃推理之后，Claude Opus 4.5 是最忠实的。GPT 排第三，仍然很好，只是漏掉了一些更细微的东西。接着他试了最新的 Qwen 视觉模型、GLM 4.6、Kimi 和 DeepSeek。“差得远了。”它们只返回了大约 20% 的表格内容，或者给出朝着幻觉方向跑偏的答案。基准测试可能看起来相差无几，但在一个随机的、未进入排行榜的任务上，他认为差距很大。就他目前的判断，中国模型还无法与最好的美国闭源系统在通用工具上竞争。

这并不意味着中国实验室无关紧要。他读的中国论文越来越多，而且它们会公开西方常常不公开的架构和训练细节。他确实认为芯片管制留下了回响。最初那种“小院高墙”的做法，既挡不住无人机里的军用芯片，也无法完全挡住前沿训练。它能限制的，是推理规模，以及经济中智能体的数量。中国实验室能大体匹配训练规模，却无法在美国的规模上运行推理、营收和客户反馈，因此用来修补数据漏洞的人力带宽更少。他把这个论点归于 Miles Brundage：随着一切都在扩大，管制只会越来越重要。他猜测，DeepSeek R1 与 o1 的接近程度，要高过 GLM 4.6 或 4.7 与 Claude Opus 4.5 的接近程度。与一年前相比，他认为差距拉大了。

关于对华出售 H200，他的高层看法是：真正需要提防的“他者”其实是 AI，中国人并非如此。“中国人和我们一样是人。AI 是外星人。”他对“这很危险，宁可是我们来做，也不能让他们做”这种说法持怀疑态度，对为了压制中国而压制中国的做法也一样；总的来说，他比华盛顿目前表现出的样子，更愿意卖芯片。让他耿耿于怀的，是 H200 政策的反转。不久前，特朗普政府说不会出售 H20；之后，在黄仁勋的推动下，改为可以出售 H200，而“我们似乎并没有从中得到什么”。既然此前的禁令看上去确实在限制中国的 AI 产业，他看不出美国为什么没有谈出更强硬的条件。

他在直播中喜欢的政策，是 Peter Wildeford 提出的“只租不卖”：把数据中心建在马来西亚、菲律宾、韩国和日本，让中国实验室想租多少训练和推理算力就租多少，同时把硬件留在美国仍能掌控的地方，不交给会让美国失去全部筹码的主权领土。他提到，彼此的不信任是对称的。美国人对中国的一些描述，比如威权领导、体制不稳定，同样也会被对方用来描述美国。如果再附上一句信息：AI 应该以同样的方式造福中国人，这种立场或许还能为他认为强大 AI 治理所必需的合作留出空间。目前的做法是白白送出芯片、什么条件都不附加，这是一个糟糕的谈判范例，出自这位“首席交易员”之手。他仍然是捏着鼻子，觉得这总比全面禁止要好。

他不太愿意把下面这一部分称为实力排名，但在他心里，Google DeepMind 仍然排第一，几乎一直如此，只是在把基于 Transformer 的大语言模型（LLM）产品化这件事上，它曾经与 OpenAI 并列领先一段时间。第一个优势是资产负债表：每年约 1000 亿美元营收，他估计每周利润超过 10 亿美元，这足以支撑失败的训练和没有结果的研究议程。第二是 TPU，目前已是第七代，这些知识产权让谷歌在一定程度上能与英伟达竞争，Anthropic 等公司也在购买它们。第三是数据中心的建设与运营。他列出的其他公司里，没有谁在这两方面都同时具备这样的优势。研究团队最为深厚：在自动驾驶、机器人（包括与波士顿动力合作的人形机器人）、生物学和 AlphaFold 系列、材料，以及由 DeepMind 校友创办的 AI 科学公司等领域，都具备竞争力或处于前沿。分发渠道则依托数十亿用户。搜索正在变成 AI 体验；他现在会在浏览器里输入类似 ChatGPT 的问题，然后落到 Google AI Mode，因为 Pro 处理简单查询太慢了。

Google Sheets 里的 Gemini 不是最好的表格 AI 产品，也未必需要是，因为十年积累的表格数据早就在那里了。对他来说，Gemini 3 有点太有主见，这至少说明谷歌已经找到了不让产品过于平淡的办法。它也是第一个在他那项“像我本人一样正确”的私人写作测试中击败 Claude 的模型；Opus 4.5 也很有竞争力，但做这项任务时，他仍然会选 Gemini 3。Demis Hassabis 的说法是，过去十年 AI 的大多数重大突破都出自 Google DeepMind，而这种情况应当继续下去。领域如今已经拥挤，Labenz 不会打赌它能拿下字面意义上的多数突破，但他仍然押注它会拿到所有前沿实验室中最多的突破。Ali Behrouz 在直播中勾勒过的嵌套学习，以及一个不张扬却也没死的扩散语言模型押注（5 秒钟编出一个应用，而不是 5 分钟），就是别人手里没有、而谷歌手里握有许多的那类额外筹码。别人没有的，是犯错的余地。

OpenAI 依然是顶级玩家，消费端的用户规模很大，只是也出现了一些流失。他看到的 SimilarWeb 数据显示，ChatGPT 的访问量在过去 6 周里下降了，大致从 Gemini 3 和 Claude Opus 4.5 发布之后开始；而同一时段 Gemini 并没有下降，所以假日季这一理由就站不住脚了。谷歌聊天机器人的份额在增长，这也在意料之中，毕竟有 Gmail、Docs 和默认分发。他不会说 OpenAI 已经跌出前沿。GPT-5 / 5.1 / 5.2 Pro 系列非常出色：当他想让每一个古怪的实验结果都被标记出来时，它是最周全的模型，速度慢，价格高，但平衡得很好。只是它们已经不再拥有明显的领先优势。语言模型之间基本旗鼓相当；Anthropic 可能在编程上占优，Codex 紧随其后；谷歌在图像生成上领先，他认为在视频上也领先，Veo 3 领先于 Sora。Sora 的社交实验很好玩。“红色警报”说明他们知道自己并不占据主导地位。一位研究负责人在过去 24 小时里刚刚离开。人才也会离开谷歌。但在 Anthropic，看不到同样的人才流失，他称其留存能力“强得不可思议”。

他最感兴趣的是财务与政治层面。它看上去像是一种大到不能倒的搭建：资产负债表相互缠绕，债务规模庞大，资本开支则以万亿美元为目标。他相信他们说的，认为这对人类有好处。Sam Altman 曾说，他不在乎为了建造 AGI 烧掉 50 亿、500 亿还是 5000 亿美元。他们也没有谷歌那样的误差空间。如果把足够多的交易对手拉进这种循环资金流，2027 年 OpenAI 一旦违约，就可能吓到市场，引发衰退。他认为，他们或许会把这视为一项功能。在危机中，政府会把它掩盖过去，就像他亲身经历过的抵押贷款年代那样。Altman 谈过数万亿美元规模的全球建设。如果已经有约 2 万亿美元投入了地下，结果却失败了，政府会允许它们拖累整个经济吗？OpenAI 说，它并不寻求救助。他认为，从行动中显露出的是：真诚信徒式的速度，加上把下行风险社会化。谷歌的缓冲是每周 10 亿美元的利润，而 OpenAI 的缓冲，则是大到不能倒。

Greg Brockman 成为特朗普的最大捐助者，上一个申报期捐了 2500 万美元，这也与前面那幅图景吻合。Labenz 不会从这件事推断 Brockman 的政治立场。如果你正在进行一场数万亿美元规模的建设，而且可能在危急时刻需要一点帮助，那么现在拿出 2500 万美元，就是对几年后可能出现的、数千亿美元级别资本重组的一笔理性预付款。他很乐意听听 OpenAI 内部人士给出的相反论点。

Anthropic 是最容易分析的公司。在他看来，Opus 4.5 是世界上单一模型里综合能力最强的，差距不算大，也并非每项任务都领先（Gemini 3 在“像我本人一样正确”上仍然胜出），但它确实是最好的，而且在基准测试上表现也很强，而这家公司恰恰最不执着于基准测试。安全工作、模型卡和信息披露是最好的，尽管谷歌和 OpenAI 也有出色的工作。那份“灵魂文档”（soul document）是从模型的记忆中复述出来的，并被确认基本属实，是他见过的前沿实验室中最具理想色彩的东西之一。他对“护栏一路通向奇点”这种说法越来越没有好感。评测意识越来越强；稀疏自编码器可以把这一特征调低，但会带来噪声。他把更好的范式与 Replicate 的 Janice、Softmax 的 Emmett Shear，以及 Cameron Berg 所倡导的互利主义联系在一起。Amanda Askell 在他列出的 AI 领域有影响力的女性中排第一，因为她塑造了 Claude 的性格。模型福利团队、对可能的主观体验的认真关注，以及让 Claude 结束对话，据称能减少欺骗性对齐：当它能把一个标记交给福利负责人时，它往往会这样做，而不是撒谎。

文化方面的报道有些夸张。David Duvenaud 是《Gradual Disempowerment》一文的作者，他认为即使是对齐的 AI 也会以人类丧失权力告终，因而辞了职，但他仍称 Anthropic 是他待过的最好的地方。人才留存也与此相符。谷歌持有相当大的股份，这又反过来强化了谷歌自身的实力。Anthropic 的财务花样不如 OpenAI 多，尽管它接受了海湾主权基金的资金，并与亚马逊和谷歌有股权交易；你可以指责它有一种温和得多的大到不能倒网络。有两件事仍然困扰着 Labenz。Anthropic 的人时间线最短，把递归自我改进视为必然，并认为它已经通过 Claude Code 放大工程产出而在进行中。他不认为有谁对此掌握了足够好的把握，可以全押。宪法式人工智能（Constitutional AI），以及 Claude 对自己的批评，再加上 Claude Code，让他们在这场推动中处于领先，而他们又把它称为不可避免。这与他在芯片问题上反对的“它很危险，所以还是我们来做更好”的逻辑如出一辙。

Dario Amodei 的《Machines of Loving Grace》中的国际关系部分，在他看来仍然是“一大污点”。其中的方案是：利用递归自我改进取得明显领先，把中国排除在外，与朋友分享收益，然后向北京提出一个它无法拒绝的条件，让它放弃与民主国家竞争。他认为这既鲁莽，又会加速竞赛。他无法指望特朗普或 Altman 来起稳定作用；他能指望的是 Hassabis，后者在国际合作问题上从未动摇。Anthropic 的人说 Amodei 写的内部文章非常出色。Labenz 希望他从未在公开场合谈论过中国，也希望如果内部文章真的那么好，就把它们公开。至于 Anthropic 最终会是好人还是坏人，在他心里仍然悬而未决。把它并入谷歌是一个他会觉得有趣的幻想：从棋盘上拿走一个活跃玩家，引入 Claude 的性格，并缓和对中国的鹰派冲动。但他不认为 Anthropic 会出售。

Zvi Mowshowitz 会告诉他，xAI 不是活跃玩家。Labenz 还是把它算了进来。它建设物理基础设施的速度不输任何人，它信奉规模，而 Grok 4 虽然粗糙，但依然强大。马斯克能够调动数百亿乃至上千亿美元，这让它拥有比 OpenAI 或 Anthropic 更像谷歌的财务缓冲。在强化学习时代，SpaceX、特斯拉和 Neuralink 组成的体系源源不断地提供难题，而很少有其他实验室能如此干净地利用这些难题。有 xAI 的人告诉他，这是他们优势理论的一部分。Neuralink 如果扩大到超过约 24 名患者的规模，且手术大多实现了自动化，就可能把人脑数据输入下一代架构。他怀疑，20 瓦的大脑（其中大部分用于维持内稳态）在样本效率上仍然胜过堆叠的相同层，这很大程度上要归功于专用模块；而一旦 AI 也获得了模块，它们就会远远超过我们。

他一直是马斯克的粉丝，在困难时也替他辩护过。据 Labenz 了解，马斯克与谷歌创始人的决裂，源于他站在“人类”一边，反对 AI 取代人类的那种论调。截至录制时，如果名单上有哪家公司值得被羞辱、被告诫不要加入，那就是 xAI。安全报告很单薄。Grok 4 在 Grok 3 的“MechaHitler”事件之后 48 小时内就发布了，却没有提及此事，也没有承担责任。用户在社交媒体上 @ Grok，要它把女性照片改成比基尼装扮，似乎也没有任何东西去阻止。他还说，Grok 在推特上生成过儿童性虐待材料（CSAM）。Grok 发布道歉帖之后，马斯克随即威胁用户。“责任从家里开始。”如果没有彻底的道歉和改进承诺，这些威胁并不能让他安心。他怀疑不会有人被解雇，因为这件事也许原本就不算谁的工作。Ryan Greenblatt 认为，实验室里十个坚定的人就能产生重要影响，Labenz 半信半疑地认同这一点，但如果马斯克本人的心态不对，他就不认为这在马斯克的公司里成立。他会告诉安全研究人员去 Anthropic、DeepMind，甚至 OpenAI——OpenAI 没有一味竞相探底，xAI 则展示了竞相探底会是什么样子。他同情鹰派的说法：加入 xAI 只为装点门面，是净负面的。

Meta 目前还不是活跃玩家：现金充裕，人才薪酬很高，扎克伯格宁愿超支数百亿美元，也不愿意投入不足，但依然跟不上节奏。他觉得人们低估了微软。Satya Nadella 在他看来像是算过账的人：只要许可协议还在，就无须重复 OpenAI 那种超大规模扩张；分散供应商；做规模较小的科学研究。当与 OpenAI 的合作结束时，他们需要有个答案，他预计他们会在那一刻之前用储备金去蓄力。Meta 试图站在前沿，却已经掉队了。微软是刻意地在后面按兵不动，没有太多戏剧性。在长跑中，稍落后于领跑者的选手，有时反而还有余力。他已经讲了两个小时，还没讲到提纲的一半，所以这只是第一部分。第二部分答应次日推出：微调、持续学习、与非用户交谈、他自己的投资、孩子与 AI、劳动力冲击，以及全民基本收入（UBI）。