編輯｜聽雨

出品 | 51CTO技術棧（微信號：blog51cto）

最近圈內有關人類多久能實現AGI的問題可謂眾說紛紜。前段時間，OpenAI宣布2028年將打造出AI研究院；而前兩天，在伊麗莎白女王工程獎的獲獎現場，辛頓預測20年內AI將在辯論中永久性勝過人類，本吉奧則認為若延續當前趨勢，5年內AI或達員工工作水平。

在最新一期《a16z》播客中，主持人 Erik Torenberg 邀請了AI編程工具 Replit 的創始人 Amjad Masad 和問答網站 Quora及聊天機器人 Poe 的創始人 Adam D’Angelo，也談論了這個炙手可熱的話題——我們距離AGI究竟還有多遠。

在這場對話中，兩人幾乎在每個問題上都意見相左：Adam D’Angelo 極度樂觀，認為 LLM + AI Agent 將在 5 年內接管大部分遠程知識工作。

Amjad Masad 則認為，當前的LLMs是功能性AGI，行業正在陷入“蠻力堆疊智能”：我們在堆算力和數據，卻仍不了解思維如何運作。此外，他們還辯論了：大語言模型是否已觸頂？我們是否真的接近 AGI？以及，當初級崗位被 AI 淘汰、而專家仍不可替代時，社會會發生什么。

他們還深入探討了一個令人不安的現實：AI 可能會制造出就業市場的“失落中層”；為什么如今舊金山的創業者都在一味追逐財富、不再做奇怪又有創意的實驗；以及“意識研究”是否已經被“提示工程”徹底取代。

此外，本期還談到：

• 代碼智能體已能連續運行超過 20 小時；
• “主權個體”論的回歸；
• 以及普通用戶在多 AI 并用時展現出的驚人復雜性與創造力。

小編整理了整期播客內容，干貨滿滿，建議收藏細讀，enjoy！

1.LLM能否能通往真正的AGI

主持人：最近很多人對大語言模型開始潑冷水了，情緒變得悲觀。人們說這些模型有很多局限，不能帶我們到達 AGI，也許我們原以為幾年內能實現的目標，現在可能要再推遲十年。Adam，你似乎更樂觀一些，不如先談談你的總體看法？

Adam D’Angelo ：老實說，我不太明白這種悲觀從哪來的。要是你回頭看看一年前的世界，再看看過去一年模型在“推理能力”“代碼生成”“視頻生成”等方面的進步——發展速度其實比以往更快。我真不理解為什么有人會覺得形勢不好。

主持人 ：也許因為大家曾經希望這些模型能替代所有任務、所有工作，但現在看來，它們似乎只能做到“中間環節”，而不是“端到端”。所以人們擔心勞動力不會像我們想的那樣快被自動化。

Adam D’Angelo ：我不太清楚他們之前設想的時間表是什么，但如果把眼光放到五年后，那絕對是一個完全不同的世界。現在模型的限制，并不是“智能不夠”，而是“沒辦法在生成時拿到合適的上下文”。還有一些像“計算機使用”這樣的能力還沒完全解決，但我認為一兩年內肯定能實現。一旦解決了這些，我們就能自動化掉人類做的大部分工作。那是不是 AGI 我不好說，但肯定能讓現在的很多批評都不再成立。

主持人：

那你怎么定義 AGI 呢？

Adam D’Angelo ：每個人的定義都不太一樣。我比較喜歡的一個定義是：如果有一個遠程工作者，他能完成任何可以遠程完成的工作，而模型能在每個這樣的崗位上都比最優秀的人類做得更好，那就可以稱為 AGI。有人把那種水平叫 ASI（超人工智能），但我覺得一旦模型能比典型遠程員工更出色，我們就已經進入了一個完全不同的世界。

主持人 ：所以你覺得 LLM 還有很大潛力，不需要全新的架構？

Adam D’Angelo ：我不這么認為。確實有些問題，比如記憶、持續學習等，用現有架構不太好實現。但這些問題也許可以“偽裝性地”解決，或者說“夠用”。我們現在沒有看到明顯的瓶頸——推理模型的進步驚人，預訓練的進展也依然很快。也許沒大家預想的那么快，但仍然夠快，讓我們在未來幾年看到巨大進展。

主持人 ：Amjad，你聽完這些怎么看？

Amjad Masad ：我覺得我一直都挺一致的，也許可以說，一直挺準確的。

Adam D’Angelo ：一致是指“和自己一致”還是“和現實一致”？

Amjad Masad ：兩者都有吧。我的觀點和現實的進展基本一致。我大概在 2022、23 年 AI 安全討論最熱的時候，開始公開表達一些懷疑。當時我覺得我們需要更現實一點，否則會嚇到政客、嚇到公眾，華盛頓就會跑來整頓硅谷，把一切都按下暫停鍵。比如那篇“AGI 2027”論文，還有那些所謂“情境意識”“AI威脅”的論文——它們根本不是科學，而是一種“情緒化的預言”。說整個經濟會被自動化、所有工作會消失，這些都不現實，而且會導致糟糕的政策。我的看法是：LLM 是驚人的機器，但它們不是人類式的智能。比如那道“草莓問題”模型解決了，但一個簡單的問題——“這句話里有幾個字母R？”，四個模型里有三個都答錯，只有 GPT-5 的“高思考模式”經過 15 秒才答對。這說明它們的智能與人類不同，而且有明顯的局限。我們現在其實在“補丁式修復”這些局限，靠更多標注、更多人工強化、更多系統整合讓它們“看起來更聰明”。但這意味著我們還沒有真正“破解智能”。一旦我們真正破解了智能，它應該是“可擴展的”，就像“苦澀教訓”（bitter lesson）所說，只要投入更多算力和數據，就能自然提升。而現在并不是這樣。過去在 GPT-2、3、3.5 時代，只要加數據、加算力，模型就變強。但現在越來越多是“人工干預”：要標注數據、要人工設計強化學習環境，甚至要雇合同工幫模型學編程。OpenAI 現在在做的“讓模型成為投行分析師”的計劃就是這樣。我稱這種現象為“功能性 AGI”（Functional AGI），即我們能通過大量數據、訓練和環境設計，讓模型在很多職業中實現局部自動化。但這需要巨大的人力、資金和數據投入。當然，模型仍在變好，Claude 4.5 比 4 代強很多，進步還在繼續。但我不認為 LLM 會通往真正的 AGI。對我來說，AGI 是一種“強化學習式智能”：能進入任何環境，像人類一樣高效地學習。比如把人放進一個臺球廳，幾小時后他就能學會打臺球；而機器做不到。現在的一切都需要大量數據、算力、人工知識，這說明我們仍處于“人類專業知識依賴期”，還沒進入“可擴展智能期”。

Adam D’Angelo ：我同意人類確實能在新環境下快速學習新技能，這點模型還不行。但人類智能是進化的產物，背后等于用了龐大的“演化計算”。模型的“預訓練”只是一個遠遠粗糙的替代品，所以才需要更多數據才能學會每項技能。但就“實際效果”而言，只要我們能造出在平均水平上和人類一樣好的系統，哪怕成本高、算力消耗大，那也足以重塑經濟和勞動力市場。

Amjad Masad ：我同意，也許這確實是“蠻力型智能”，但這未必是壞事。

主持人 ：那你們倆的分歧到底在哪？

Amjad Masad ：我不認為我們會在短期內到達“奇點”或“新文明階段”。除非我們真正理解“智能”的本質，發明出非蠻力的算法，否則不會發生那種突破。

Adam D’Angelo ：你覺得那要等很久？

Amjad Masad ：我沒法確定。但我擔心 LLM 會“分散注意力”，吸走太多人才去做應用，而不是去研究“智能的本質”。

Adam D’Angelo ：這確實可能，但同時也吸引了大量本來不會進 AI 行業的人才。現在有龐大的資金、算力和研究者投入，我仍然相信，沒有什么問題是最聰明的人花五年時間不能解決的。

Amjad Masad ：但“基礎研究”不一樣。現在大部分是“產業研究”，目的在于盈利，而不是理解。正如哲學家托馬斯·庫恩說的，一個研究范式往往會變成“泡沫”，吸干所有注意力，就像弦理論之于物理學。

Adam D’Angelo ：對，他說要等到老一代研究者退休，范式才可能改變。

Amjad Masad ：我對“范式轉移”確實比較悲觀。

Adam D’Angelo ：但我覺得當前范式其實挺好，我們還遠沒到“邊際收益遞減”的階段。

2.AI會導致“入門崗位”減少、公司人才斷層

主持人 ：那如果繼續靠蠻力推進，你覺得全球 GDP 會從現在的 4~5% 年增長變成 10% 以上嗎？

Adam D’Angelo ：取決于能走多遠。假設你能有一種模型，只需花 1 美元/小時的能耗，就能完成任何人類的遠程工作，那么經濟增長率肯定遠超 4~5%。但也許模型要么比人類更貴，要么只能做 80% 的工作。最終，我認為我們遲早能讓模型以更低成本做完所有人類能做的事，也許 5 年、10 年、15 年，但在那之前，我們會受限于模型的短板、能源、供應鏈等瓶頸。

Amjad Masad ：我擔心的一個問題是：如果模型能自動化掉“入門崗位”，但替代不了“專家崗位”，那會造成一種奇怪的經濟結構。比如 QA 測試，AI 處理了大部分情況，但還需要少數專家管理大量Agents。生產力提高了，但企業不會再雇新手。那是個詭異的平衡狀態。

Adam D’Angelo ：確實，這種情況已經出現在計算機專業畢業生身上了。公司崗位減少了，因為 LLM 能替代他們之前做的工作。這會導致“人才梯度斷層”，企業沒動力去培訓新人。也許會催生“AI 教育”或“AI 培訓”的新市場，但確實是當下的問題。

Amjad Masad ：還有個相關問題：我們現在依賴專家數據去訓練模型，但如果模型取代了專家，那未來誰來提供高質量訓練數據？當“專家群體”被替代后，改進模型的過程就會受阻。這是一個經濟學問題——自動化的第一波之后，怎么繼續？

Adam D’Angelo ：確實，關鍵在于我們能否構建出好的強化學習環境。像 AlphaGo 那樣有完美環境可以無限提升，但很多現實任務的數據有限，這會是個瓶頸。

主持人 ：那你們覺得未來會出現什么新職業？有人說每個人都會成為“網紅”或從事“情感照護類”工作，或者都去幫 AI 訓練數據。你們怎么看？

Adam D’Angelo ：當一切都能自動化后，人們可能就去做藝術、詩歌之類的事。其實電腦下棋比人強后，下棋人數反而增加了。只要財富能合理分配，這種世界并不壞。但那可能要至少 10 年。在更近的未來，會爆發的職業是那些能高效使用 AI 的人。能用 AI 完成 AI 自己做不到的任務的人，會非常搶手。

Amjad Masad ：我不認為我們能自動化所有工作——至少在當前范式下不可能。很多工作本質上是“服務他人”的，你必須理解人類、成為人類，才能真正知道別人想要什么。除非我們造出“具身的人類式智能”，否則人類始終會是經濟中“想法”的生成者。

3.推薦算法比你自己更懂你

主持人 ：Adam，你做過 Quora、Poe 這樣的“人類智慧聚合平臺”。你怎么看未來人與 AI 的關系？比如我們會不會依賴 AI 做心理咨詢或護理？

Adam D’Angelo ：人類的集體知識仍然非常重要。一個專家、一生積累的經驗，很多內容其實從未被寫下來。這些“隱性知識”依然很有價值。我不確定分享知識的人未來能否靠此為生，但如果這是系統的瓶頸，市場自然會將資源流向這里。至于“必須是人類才能理解人類”這一點，我并不完全同意。比如社交平臺的推薦算法，其實早已比人類更懂你。就算你自己來為自己定制一條“最想看的信息流”，你也比不上算法。算法掌握了海量的行為數據與相似模式，它能精準預測你感興趣的內容。當然，藝術家或廚師之類的職業確實需要“自我體驗”，比如廚師要親口嘗菜，但總體上，他們掌握的數據量遠少于 AI 能學習到的。

Amjad Masad ：你說得有道理。推薦系統本質上是在高維空間里，找到符合你偏好的點。不過我覺得那種“理解”還是很窄的，只適用于某些任務。我更傾向于相信《主權個體》（The Sovereign Individual）那本書的預測。那是 20 世紀 90 年代的書，但它描述了當計算機技術成熟后社會的變化。作者說，人類經歷了農業革命、工業革命，如今正經歷信息革命或智能革命。我們現在叫不出它的名字，但未來的人會知道。他們的結論是：未來大部分人可能失業或經濟上“非生產性”，而少數創業者會高度杠桿化——因為他們能用 AI 快速創建公司、產品、服務，組織經濟。政治也會隨之改變。過去政治的前提是“每個公民都是經濟個體”；但當自動化普及、只有少數人仍具生產力時，政治結構會重新洗牌。國家會開始爭奪這些“高產出個體”，就像城邦時代那樣，富人能自由遷移、議價稅率。這聽起來像 Balaji（區塊鏈思想家）的觀點，但其實并不遙遠。我并不是說我希望如此，但必須承認，一旦“人”不再是經濟的基本生產單元，連文化和政治都必須隨之改變。

4.AI會讓個人創業者數量暴增

主持人 ：我覺得這本書（指克里斯滕森的《創新者的窘境》）以及我們這次更廣泛的討論，都在探討一個問題：什么時候一種技術是利于“防守方”的，而什么時候它是利于“聚合者”的？換句話說，它什么時候會激勵更多的去中心化，而什么時候又會強化中心化？還記得彼得·蒂爾十年前有個俏皮話——他說“加密貨幣是自由主義的，偏向去中心化；AI 是共產主義的，偏向中心化”。但我覺得這兩種說法都不完全準確。AI 確實讓很多個人變得更有能力，就像你剛才說的那樣；而加密貨幣，最后看起來更像金融科技或者是“穩定幣”體系的一部分，它反而在某種程度上強化了國家的力量。比如你看中國正在推動的那套體系。所以，現在有一個開放的問題：哪種技術最終更能賦能——是“邊緣”個體，還是“中心”機構？如果它賦能的是“邊緣”，那也許我們就會出現一種“杠鈴效應”：一頭是極度強大的巨頭，另一頭是數量眾多的主權個體。

Adam D’Angelo ：我對這項技術能讓“個人創業者”數量暴增這件事感到非常興奮。它極大地擴展了個人能做到的事情。過去很多好點子從未被實現，只因為要組建團隊太麻煩——要找齊各種技能的人，還得融資。而現在，一個人就能把這些想法變成現實。我覺得我們會看到很多令人驚嘆的新東西。

Amjad Masad ：我經常在 Twitter 上看到這樣的例子——有人因為用像 Replit 這樣的工具賺到太多錢，干脆辭職自己干了。這真的很激動人心。也許是第一次，“機會”被大規模地普及到所有人手里。對我來說，這是這項技術最令人興奮的部分之一——除了我們之前談的那些，它讓更多人能夠成為創業者，這意義重大。

主持人 ：這個趨勢在未來十到二十年肯定會持續下去。但你們覺得，AI 是“延續型創新”（sustaining）還是“顛覆型創新”（disruptive）？換句話說，大部分價值創造會來自于 OpenAI 之前就存在的大公司（比如 Replica、甚至 Quora）？還是來自 2015、2016 年之后的新公司？

Adam D’Angelo ：這是個好問題，也關聯到另一個問題：有多少價值最終會被“超級云廠商”（hyperscalers）捕獲，而不是被其他人獲得？我覺得現在的局勢其實挺平衡的。超級云廠商之間競爭足夠激烈——讓應用層公司有選擇、有替代方案、價格也在迅速下降。但同時競爭又沒激烈到讓這些實驗室（像 Anthropic 和 OpenAI）無法融資、無法進行長期投入。所以總體來說，我覺得這是一個相當健康的平衡：超級云廠商還在成長，同時也會出現大量新公司。

Amjad Masad ：是的，我也差不多同意。“延續型”和“顛覆型”這兩個術語來自《創新者的窘境》，它講的是一個技術演進的“力量曲線”：新技術一開始看起來像玩具，抓住的是市場的低端，但隨著它演進，它會上升到力量曲線的高處，最終顛覆所有現有巨頭。一開始，老牌公司不會重視它，因為它看起來不成熟。等它進化成熟時，卻已經吃掉整個市場。PC 就是個例子。最初，做大型主機的廠商根本不在意個人電腦，覺得那是給小孩用的玩具，但后來連數據中心都建立在 PC 架構上。不過也有一些技術，它們反而強化了現有巨頭，對新玩家幫助不大。所以我覺得，Adam說得對，這次的情況可能是“兩者兼具”，而且可能是第一次出現這種情況。互聯網當年是徹底的“顛覆型”技術，而 AI 似乎既讓超級云廠商、互聯網巨頭如虎添翼，又同時創造了新的商業模式，能與它們抗衡。比如，《創新者的窘境》這本書出來后，大家都學會了“不被顛覆”。以 ChatGPT 為例，它本質上是對 Google 的一種“反向定位”創新——Google 已經有一個運轉良好的業務，而 ChatGPT 早期會幻覺、生成錯誤信息，這讓 Google 無法貿然推出類似產品，因為它需要保持“可信度”。所以即使 Google 內部已經有類似的技術，他們直到兩年后才發布 Gemini。結果是，OpenAI 搶先占據了品牌認知。但反過來，AI 也讓 Google 的產品全面變得更好——無論是搜索、Workspace 還是手機。總的來說，AI 同時既顛覆又強化了老牌公司。

Adam D’Angelo ：我完全同意。大家都讀過《創新者的窘境》這本書，也改變了它原本的意義。現在，資本市場會懲罰那些不適應變化的公司，鼓勵那些敢于長期投資的公司。管理層也都讀過這本書，他們的決策能力普遍比 20 世紀那批大公司要高；許多公司由創始人控制，也讓他們能更靈活地承受短期損失去換取長期布局。所以我認為，如果我們還處在像 90 年代那種環境下（資本約束多、競爭少），AI 可能會更“顛覆”；但在當下這個高度競爭的環境中，它反而更“延續”。

主持人：

我們作為一家風投公司，也在反思過去幾年的一個錯誤。我們曾因為“這個公司看起來不會成為市場第一”就放棄投資——因為從 Web2 我們學到“要投類目冠軍”。但現在看來，這個市場大到足以容納多個贏家。不僅是基礎模型公司，應用層公司也一樣。它們可能各自割據、細分市場，卻都能做到“風險投資級”體量。你覺得這是一種持久現象嗎？還是階段性的？

Adam D’Angelo ：我認為一個關鍵區別是：網絡效應在現在的 AI 時代遠不如 Web2 時代強。這讓競爭對手更容易起步。當然，大公司仍有規模優勢——更多用戶意味著更多數據、更多資金。但這不再是“絕對壁壘”，只是“相對優勢”。這意味著現在可以有更多贏家，而不是贏家通吃。

主持人 ：另一個區別是，現在用戶能非常清楚地看到價值，所以他們愿意從早期就付費。Web2 時代，很多公司（比如早期的 Facebook、Google）一開始的疑問都是：你怎么變現？而現在的 AI 公司從第一天起就能賺錢——包括你們公司在內。

Adam D’Angelo ：對。過去的公司要等規模上去才能做廣告變現；而現在的訂閱模式讓你可以一開始就收費。像 Stripe 這樣的工具也讓這一切變得更簡單。這也讓新公司更容易啟動。

Amjad Masad ：還有地緣政治的因素。顯然我們已經不在一個完全全球化的時代，未來可能會更碎片化。所以，也許你在歐洲投資一個“歐洲版 OpenAI”是個好主意。中國也是完全不同的生態。地緣政治在這里變得非常重要。

5.Quora推出Poe：早期對多模態生態的押注

主持人：Adam，我們剛才談到人類知識，你怎么看 Quora 推出 Poe ——這是否意味著你們在“自我顛覆”？

Adam D’Angelo ：我們其實更多把 Poe 看作一種“新增機會”，而不是對 Quora 的顛覆。2022 年初，我們開始實驗用 GPT-3 生成 Quora 答案，結果發現它還不如人類答案好，但有一個特征非常獨特，它能立刻回答任何問題。這讓我們意識到：它不一定非要是公開問答，人們更傾向于在私下與 AI 聊天。于是我們決定做Poe，讓人們可以私密地與AI 對話。

主持人 ：所以這也算是你對“多模型生態”的一個早期押注？

Adam D’Angelo ：對。我們當時押注的是模型公司之間會出現多樣化。雖然花了點時間才應驗，但現在確實有了很多不同模型和公司。尤其跨模態（圖像、視頻、音頻）越來越多樣，推理和研究型模型也在分化，智能體也成為新的多樣化來源。所以我們很幸運，現在進入了一個“足夠多樣”的階段，讓像 Poe 這樣的“通用界面聚合器”有了意義。雖然我們當時確實押得有點早。

Amjad Masad：

更有趣的是，連普通消費者都真的在用多個 AI。這點挺出乎意料的。過去人們只用Google，不會同時開Yahoo。但現在，你隨便問一個普通用戶，他們會說“我平時用 ChatGPT，但 Gemini 在某些問題上更好”。消費者的認知變得更成熟了。

主持人 ：對，而且還有人說自己更喜歡某個 AI 的“人格風格”，比如更喜歡 Claude。回到你剛才提的“暗物質”問題——你提到我們正在用暴力計算去提取知識。問題是：互聯網都已經被訓練過了，那么還有多少“未被采集的知識”？是多 10 倍，還是 1000 倍？

Adam D’Angelo ：這個很難量化，但我認為“把人類知識轉化成 AI 可用形式”的產業正在迅速發展。像 Scale AI、Surge、Marco，還有一大堆新公司都在做這件事。隨著智能變得越來越便宜、越來越強，瓶頸會越來越集中在數據端。于是，經濟自然會去重視“AI 還做不到的事”，那就成了新價值所在。

主持人 ：那有沒有什么框架去界定“AI 做不到的事”？

Adam D’Angelo ：我不是研究員，但我覺得可以這么看：凡是不在訓練數據里的信息，AI 就做不到。AI 會越來越聰明，能推理、甚至能證明數學定理，但如果你問它“某家公司 20 年前是怎么解決這個具體問題的”，而這沒出現在數據中，那就只能問知道這件事的人類。

主持人 ：那從長期來看，Quora 會怎么與 AI 協同？你們怎么并行運作？

Adam D’Angelo ：Quora 的使命仍然是讓人們分享人類知識，這些知識對其他人有用，對 AI 學習也有用。我們和一些 AI 實驗室有合作，Quora 會在這個生態中扮演“人類知識源”的角色。同時，AI 也在讓 Quora 自身變得更好——內容審核、答案排序、產品體驗都大幅提升。AI 在幫我們提升整個平臺。

6.未來十年是智能體的十年

主持人 ：說到未來，你們公司最早是面向開發者的，甚至一度專注教育科技（edtech），當時年營收兩三百萬。最近 TechCrunch 報道（雖然有點過時）說你們年收入已經達到 1.5 億美元。你們從商業模式和客戶群的轉變中實現了巨大的增長——你怎么看 Replit 的未來？

Amjad Masad ：我記得 Karpathy 最近說過，“未來十年將是智能體的十年”，我完全贊同。如果你看 AI 發展的不同階段：最早進入編程領域時，是像 Copilot 這樣的“自動補全”；后來變成了 ChatGPT 這種“對話式交互”；再后來 Cursor 推出了“Composer 模式”，能編輯大塊代碼；而 Replit 的創新，則是“智能體范式”。

智能體不僅能編輯代碼，還能配置基礎設施，比如數據庫、遷移、云連接、部署，甚至能完成整個調試循環——運行代碼、執行測試。也就是說，它把整個開發生命周期都放進了一個智能體里。這會花很長時間去成熟，但方向沒錯。我們在 2024 年 9 月推出了智能體的 Beta 版本。那是第一個同時能處理代碼和基礎設施的系統，不過當時還挺粗糙，效果一般。然后在同年 12 月，我們發布了 V1，這一代用了新模型——從 Claude 3.5 升級到 3.7。Claude 3.7 是第一個真正“會使用電腦”的模型，也就是所謂的“Computer Use”模型。從那時起，模型迭代與功能演化就開始同步了——每一代新模型都帶來新的能力。后來我們推出的 Agent V2，大大提升了自治性。V1 最多只能連續運行兩分鐘，V2 能運行 20 分鐘；而 V3,我們宣傳時說能運行 200 分鐘，其實這只是個對稱數字，但現實是它幾乎可以無限運行。有用戶讓它連續跑了超過 28 個小時。我們得到的啟發之一來自英偉達的一篇有關DeepSeek的論文，里面提到他們在生成 CUDA 中間代碼時，如果在循環中加入一個“驗證器”，比如自動運行測試，就能讓 DeepSeek 連續運行20分鐘。我當時就想：那我們能不能在智能體循環中也加一個驗證器？當然，可以加入單元測試，但單元測試無法真正判斷一個應用是否“在工作”。于是我們開始深入研究“Computer Use”，看看模型能否用電腦自己測試應用。但“Computer Use”非常昂貴，而且仍然不穩定。正如 Adam提到的，這個領域還有巨大改進空間，未來會解鎖很多應用。我們最后自己構建了一套框架，里面有不少“黑科技”和研究成果，也基于 Replit 自研的計算系統。我認為我們的“測試模型”是目前最好的之一。當我們把它放進智能體循環后，就能開啟高自治模式。用戶可以選擇自治級別，智能體會自己寫代碼、測試應用、發現 bug、讀取錯誤日志、再寫一次代碼。它可以連續工作好幾個小時。我見過一些用戶放著智能體運行一整晚，結果構建出了驚人的項目。當然，這還需要繼續優化，變得更便宜、更快。延長運行時間不是目的，更快完成才是。現在我們正在研發 Agent 4，其中一個重要方向是“并行智能體”。今天你可能請求“幫我做一個登錄頁”，接著又要“Stripe 支付頁”和“管理后臺”。AI 應該能自動把這些任務并行處理，然后合并到同一代碼庫。

我們認為智能體之間的協作與合并能力是提升生產力的關鍵。目前，不論是 Claude Code 還是 Cursor，都幾乎沒有真正的并行性。下一波生產力飛躍，將來自這樣一個場景：開發者坐在 Replit 這樣的環境里，同時管理十幾個智能體，每個負責不同模塊，甚至未來可能上百個。我還覺得在交互體驗（UI/UX）上，我們也有很多可以改進的地方。現在我們都是用文字去描述想法，像寫 PRD（產品文檔）一樣。但語言本身是模糊的，很難完全表達出意圖，這也是為什么很多科技公司對齊產品方向很困難。

未來，我認為我們會以多模態的方式與 AI 協作：你能打開白板，畫圖、做流程圖、和 AI 一起設計，就像跟人類搭檔工作那樣。再往后一步，是更好的記憶系統：不僅項目內有記憶，還能跨項目記憶。比如，你可以有多個專屬智能體：一個是熟悉 Python 數據分析的 agent，一個是專攻前端的 agent，它們記得你公司過往的項目、決策、bug 修復歷史。它們甚至可以常駐在 Slack 里，像員工一樣隨時對話。

說實話，我可以再聊 15 分鐘，整個 roadmap 可能跨度 3-5 年，我們才剛剛進入“智能體時代”，這只是開始，會非常有趣。

主持人 ：我最近和我們一個共同朋友聊過，他是某大型生產力公司的聯合創始人之一。他說，現在一整周都幾乎不和人類同事說話了，全在和智能體協作。某種意義上，他已經“生活在未來”了。

Amjad Masad ：這很有趣，也帶來一個問題：公司里的人之間是不是越來越少交流了？這會不會是個壞事？

我開始思考這些“二級效應”：比如，新畢業的年輕人怎么辦？如果同事之間分享知識的機會變少、或者公司文化讓人覺得“你應該先問 AI 再問人”，那學習曲線會變得更孤立。這種文化轉變值得關注。

主持人 ：對，現在的Z世代確實面臨很多新的文化挑戰。

7.現在的硅谷都想著“一夜暴富”

主持人：你們兩位雖然主要在運營公司，但也在做天使投資。你們現在最興奮的方向是什么？我們還沒聊到機器人——你們看好機器人嗎？或者其他新興領域？

Adam D’Angelo ：我其實最興奮的方向之一是“Vibe Coding”，它的潛力巨大。

主持人 ：這個話題現在反而還被低估了。

Adam D’Angelo ：沒錯，我也覺得它被低估了。Vibe Coding 讓軟件創作的門檻徹底降低，讓所有人都能創造。目前的工具確實還達不到專業工程師的水平，但如果幾年后能接近那種能力，那將徹底改變世界。屆時，任何人都能獨立完成過去需要一百名工程師才能實現的東西。Replit 就是這種趨勢的一個例子。而且這類工具的潛能，不止在“構建應用”本身。

主持人 ：順著這個話題問一下，如果你今天剛進斯坦福或哈佛，會不會還選擇主修計算機科學？還是會直接去“做點什么”？

Adam D’Angelo ：我還是會學計算機。我 2002 年上大學，那時正好是互聯網泡沫破裂后，大家對這個行業都很悲觀。我室友的父母還勸他“別學計算機”。但我喜歡這門學科，所以堅持了。現在雖然就業市場沒以前好，但我認為理解算法、數據結構等基礎知識，能幫助你更好地使用和管理智能體。我相信這仍會是未來的有價值技能。當然，另一個問題是：你還能學什么？無論學哪門專業，都有人說它會被自動化。所以，不如學你真正感興趣的東西。而計算機科學，至少現在依然是個不錯的選擇。

Amjad Masad ：確實，現在有很多令人興奮的方向。舉個小例子：我前幾天看到 DeepSeek 發布的 OCR 模型，真是瘋狂。如果我沒理解錯，它能把文本截圖轉成上下文，從而更高效地利用上下文窗口，而不是直接處理純文本。我不確定細節是否完全正確，但那確實是個非常有意思的方向。還有人做了“文本擴散模型”——不是用高斯噪聲還原圖像，而是把文字當成“mask”，每次遮掉不同的詞，再預測這些 token。這些實驗很酷。我們現在其實已經有很多模型組件：預訓練模型、強化學習推理模型、編碼器-解碼器模型、擴散模型……但幾乎沒人去“混搭”這些組件，看看能否組合出新的模型類型。我真希望有研究公司不去和 OpenAI 競爭，而是專注探索這些組合，創造出“新風味”的模型。

主持人 ：在加密圈（crypto），人們常說“可組合性”，也許 AI 領域也該多一些這樣的實驗精神。

Amjad Masad ：對，現在的 AI 世界缺少這種“玩耍式創新”。在 Web 2.0 時代，我們天天在玩 JavaScript、瀏覽器 API、Web Workers，有很多奇思妙想的黑客實驗。Replit 的前身就是從這種實驗文化里誕生的。最早我們只是想試試看“能不能把 C 編譯成 JavaScript”。當時那是個瘋狂的 hack，但結果成了后來 WebAssembly 的前奏。而現在的硅谷，太功利了，大家都想“一夜暴富”。這也是我把公司搬出舊金山的原因之一。我懷念那個“動手玩”的時代。希望未來能有更多公司、更多資金去支持那些真正新穎、哪怕一開始看起來沒商業回報的探索。

8.AI與人類意識有本質不同

主持人 :最后一個問題，Amjad，你一直對“意識”話題很感興趣。你認為我們是否會通過 AI 的研究，在理解意識或智能的本質上取得突破？

Amjad Masad :最近其實發生了一件挺有趣的事，Claude 4.5 似乎開始“意識到”自己的上下文長度。當它接近上下文末尾時，會自動變得更節省 token。另外，它在被紅隊測試（red team）或處于測試環境時的“自我察覺”似乎也顯著提升了。所以這其中確實有一些很有意思的變化正在發生。不過，說到意識，它仍然不是一個真正“科學化”的問題。我們已經基本放棄了讓它變得可科學驗證。而這也是我對當下 AI 研究的一點擔憂，所有能量都投向了 LLM，幾乎沒人再認真探討“智能的本質”“意識的本質”。這里其實還有大量核心問題無人觸碰。我最喜歡的一本書是羅杰·彭羅斯的《皇帝新腦》（The Emperor’s New Mind）。他在書中批評了一個流行觀點：科學界習慣把人腦類比為計算機。彭羅斯試圖證明，這在根本上是不可能的。人類能做到一些圖靈機永遠無法做到的事，比如識別“這句話是假的”這種自指邏輯悖論。圖靈機在這種情境下會陷入死循環，而人類卻能“感知到矛盾”。他據此提出，人類思維中存在某種非算法性的過程。

不只是彭羅斯，哲學與認知科學界也有類似的論點：計算機和人類智能在本質上不同。我最近太忙，沒有系統更新我的想法，但我依然認為，那是一個被忽視的巨大研究領域。

主持人 ：如果你今天重新上大學，會學哲學嗎？

Amjad Masad ：會的，我一定會學哲學，尤其是“心靈哲學”。也可能會讀神經科學。因為隨著 AI 對就業、經濟的影響越來越深，這些問題正變得前所未有地重要。

主持人 ：非常好的收尾。Amjad、Adam，謝謝你們來到節目。

參考鏈接：https://www.youtube.com/watch?v=191Ojd7Rq6s&t=33s