AI CEO 登场与「Solve Everything」蓝图：Diamandis 四人圆桌的加速主义宣言

Peter H. Diamandis（MD，XPRIZE / Singularity University / A360 创始人）主持了第 230 期 Moonshots 播客。三位常驻嘉宾参与讨论：Salim Ismail（OpenExO 创始人，《指数型组织》作者）、Dave Blundin（Link Ventures 创始 GP，多家公司董事）和 Dr. Alexander Wissner-Gross（计算机科学家，Reified 与 Physical Superintelligence 创始人）。

这期播客分为两个部分。前半段讨论了一周内的 AI 新闻——从 Sam Altman 的继任计划到美国就业数据的断崖式下跌。后半段用了将近一个小时逐章介绍 Diamandis 和 Wissner-Gross 合著的论文「Solve Everything: How Do We Get to Abundance by 2035」。

完整转录：带说话人识别的全文转录

以下是对这期两小时播客的深度分析。

AI CEO：从玩笑到董事会议题

Sam Altman 登上了 Forbes 2026 年 2 月的封面。他在采访中表示不想经营一家上市公司，并且不会阻止 ChatGPT 有朝一日成为 OpenAI 的 CEO。“如果人工智能的目标是变得足够先进到可以运营公司，那为什么不运营 OpenAI？“他说。

对四位嘉宾而言，这不是一个假设性问题。

Dave Blundin 当周正在参加背靠背的三场董事会——一家教育公司、一家管理 2 万亿美元资产的资管公司、一家上市公司。他说，每一场会议的核心话题都是同一个：AI 能替代 CEO 多少工作？

“如果你问 CEO 做什么——设定战略方向，这是极小的时间比例。另外 90% 的时间是什么？是信息输入被路由到组织中执行具体任务。现在就是文档进、文档出。”

Blundin 的结论很直接：战略制定这个部分暂时还需要人类，但剩下的 90% 已经可以被 AI 接管。他透露自己正在把所有被投公司 CEO 的 Q1 绩效考核与"数据采集"挂钩——目标是让每个人的工作在 AI 面前变得完全可见、完全可量化。

Salim Ismail 用一个形象的比喻描述了 AI 对传统企业管理的颠覆。在大公司里，高管设定方向，信息层层传递到一线，经过"传话游戏”（Chinese whispers）后已经面目全非；一线的执行数据再层层汇报上来，到高管手中又被稀释了一遍。AI 可以直接穿透这些信息层级。他认为，未来会出现纯 AI 运营的组织，“但它们不会看起来高效——它们会看起来像外星人”。

最激进的判断来自 Alex Wissner-Gross。他认为很可能"已经存在由 AI 实际运营的十亿美元年收入公司”——虽然出于法律原因挂着一个人类 CEO 的名字。他甚至用了"meat puppetry"（肉傀儡）这个词。

Wissner-Gross 接着提出了一个反直觉的观察：被 AI 首先替代的不是工人，而是资本家自己。电工和暖通工程师的薪水在上涨，CEO 却排在替代队列的最前面。他将此归因于 Moravec 悖论 的经济学延伸——对人类来说困难的事情（复杂计算、策略分析）对机器来说反而容易，反之亦然。

“这说明马克思搞错了。被自动化首先替代的是资本家，不是工人。”

这个论断有其洞察力，但也值得追问：CEO 的工作是否真的可以被简化为"信息路由"？人际关系网络、政治判断、危机中的直觉决策——这些隐性维度并不容易被"文档进、文档出"所覆盖。

加速的加速：当模型开始改写自己的代码

如果说 AI CEO 是一个关于未来的猜想，那么 AI 模型发布周期的压缩则是一个可测量的事实。

Diamandis 在播客中展示了一张关键数据：OpenAI 的模型发布间隔从 97 天缩短到了 29 天——一个 70% 的压缩。Anthropic 从 Opus 4.0 到 Opus 4.6 大约用了 73 到 75 天。

Wissner-Gross 认为，理解这个加速需要看到它背后的三个技术时代转换：

预训练时代——要发布新模型就得重新设计架构、用更大的语料库从头训练。这是年度发布的时代。

推理模型时代——从 OpenAI 的 o1（Strawberry）开始，通过"迭代放大与蒸馏"（iterated amplification and distillation），可以在预训练基线上循环生成合成训练数据，大幅缩短迭代周期。

递归自我改进时代——这是当前阶段。模型不只是生成训练数据，而是"在改写自己的代码"。Wissner-Gross 认为我们已经"在边缘，或者刚过了边缘"。

“我们正处于递归自我改进时代的边缘——模型已经开始改写自己的代码。这不再只是生成合成训练数据的问题了。”

他同时发出了一个警告：当前是一个短暂的窗口期，最好的 AI 技术对普通用户开放访问。他"非常怀疑两年后最好的 AI 还能像现在这样登录即用"。模型能力会被内部化，对外的理由是"安全"——他承认这个理由是真实的，但结果依然是普通人将被排除在最前沿之外。

Salim Ismail 贡献了一个有力的反例来说明这种加速与传统组织之间的鸿沟。他正在帮助一家"大型欧洲公司"部署一个能直接改善底线利润的 AI 方案。对方的反应是：“太棒了，让我们把这个带到十月份的规划会议上讨论。”

Salim 表示自己"看不过三周"，对方却在为十个月后的会议排日程。

Dave Blundin 则引用了 Illumina 基因测序机的案例作为历史先例：一台测序机的保质期只有 8 个月，但设计制造周期需要 4 年。Illumina 不得不同时维护四条平行生产线。“在高科技领域我们已经见过这种模式——但这次是在软件层面，变成了持续的智能迭代。”

这段讨论中有一个值得注意的因果问题：发布周期缩短在多大程度上是"递归自我改进"的结果，在多大程度上只是竞争压力下的工程优化？Wissner-Gross 自己承认"竞争是无聊的解释"，但这个"无聊的解释"可能是更准确的那个。每次发布的能力增量是否在递减？加速发布是否掩盖了边际改进的递减？这些问题在播客中没有被触及。

就业寒潮：消失的不是工作，是社会契约

2026 年 1 月的美国就业数据构成了这期播客最沉重的一个话题。

Diamandis 给出的数字：10.8 万个岗位在 1 月被裁减，同比增长 118%。同期招聘量降至 2009 年以来最低。Amazon 裁掉了 16,000 名公司员工，UPS 削减了 30,000 个岗位。

Salim Ismail 对这组数据的解读最为尖锐：

“这不是真正的经济衰退。这是任务在我们眼前被蒸发。这就是社会契约——一点一点地，在我们面前像素化消失。”

Dave Blundin 是四人中最坦率承认短期痛苦的人。他表示，“所有我认识的公司 CEO 都打算用 AI 把成本砍掉 30% 到 50%"。当你让一个普通员工对比有 AI 和没有 AI 时的工作效率，差异是 3 到 10 倍。

“太好了——但另外那 7 个或 9 个人呢？”

“他们最终会被赋能。但从今天到那一天之间有一条巨大的低谷。我们可以让这条低谷更短、痛苦更小——需要一个计划。然后你拿着 Alex 写的那些详细到令人难以置信的计划，扔到政府官员面前，他们的反应是：‘等到有恐慌的时候再说吧。’”

Diamandis 试图注入一些乐观情绪，引用了经典的 ATM 机与银行柜员 案例：1970 年代 ATM 问世时，人们担心百万柜员失业。实际上，开设银行网点的成本降低了大约 10 倍，银行开了更多网点，柜员总数几乎没变。这是杰文斯悖论——效率提升导致总需求扩大。

但这个类比的适用性值得怀疑。ATM 革命历时 40 年，发生在 GDP 年增长 3-4% 的时代，且柜员的工作本身发生了质的转变（从点钞变为理财咨询）。AI 驱动的替代速度是月级而非十年级，且覆盖的职能范围远超单一岗位。

Wissner-Gross 提出了一个第三种可能，不同于"员工用 AI 赚更多"和"公司用 AI 裁人"这两种对立场景：

“我越来越怀疑实际发生的是——更多人做更多工作。人类劳动不只是 AI 劳动的替代品，也是它的互补品。996 变成 997。”

他本人承认"从来没有比现在更忙也更开心”。但这个"精英过劳"的场景对数百万面临裁员的普通白领来说，恐怕不是安慰。

关于 Amazon 和 UPS 裁员的关联，Wissner-Gross 画了一条清晰的因果链：UPS 裁员是因为 Amazon 正在将物流内包——这已被广泛报道。而 Amazon 自身裁掉公司员工是因为所有自由现金流都被导向了"新经济的最内层循环"——AI 数据中心、机器人、低轨卫星。资本支出（CAPEX）正在吞噬运营支出（OPEX）。

他用"红皇后赛跑"来形容这场竞争——“在奇点终点线上跑最后一名的是臭鸡蛋”。

「Solve Everything」：认知商品化的蓝图

播客的后半段用了将近一个小时来逐章讨论 Diamandis 和 Wissner-Gross 合著的论文「Solve Everything: How Do We Get to Abundance by 2035」。这是一份九章的"扩展文章"或"宣言"，自我定位为 Leopold Aschenbrenner 的「Situational Awareness」和 AI 2027 报告的同类作品。

四次革命与智能革命的定位

论文的第一章「War on Scarcity」提出了一个历史理论框架。人类经历了四次关键革命，每一次都是对一种稀缺性的战争：

Wissner-Gross 用一句话概括了这个时代的核心变化：

“手工匠式智能（artisanal intelligence）完了。”

Salim Ismail 对此提出了播客中最有实质性的批评。他指出，论文将稀缺性视为技术问题，但今天的稀缺性更多是制度性的——“由监管、激励机制和遗留权力结构所强制维持的，而不是能力不足”。

Wissner-Gross 承认了这个"二元性"：硬币的一面是资源分配不公，另一面是总量不够大。他建议"在边际上"问一个问题：把蛋糕做大更容易，还是重新分配现有的蛋糕更容易？

认知作为商品，基准测试作为"靶向系统"

论文的核心论点在第二章「The Thesis」中展开。Wissner-Gross 将认知比作石油——一种即将像大宗商品一样流动的资源。“GPU 是新石油"虽然已经是老生常谈，但论文试图把这个比喻系统化。

更具原创性的概念是**“定向爆破”（shaped charge）**。超级智能被比喻为一种爆炸性力量：如果你想让爆炸产生建设性而非破坏性的结果，就必须给它定向。火箭发动机就是一个"经过定向的爆炸”——推力集中在一端，把你推向太空。

“如果我们不给超级智能定向，最终得到的将是一滩’泥潭’（muddle）——一个官僚化的、把世界的超级智能浪费在低效问题上的结局。”

实现定向的工具是基准测试（benchmarks）。Wissner-Gross 认为，基准测试不只是模型评估的工具，而应该被理解为"靶向系统"——决定超级智能被瞄准何处的机制。“世界需要更多、更好、更难的基准测试。”

Diamandis 用医疗行业举了一个生动的例子。当前医疗系统的基准是"每小时处理多少病人"，这导致了短促的门诊和成本驱动的决策。如果把基准改为"五年后仍然健康的病人比例"，整个系统的优化方向就会改变。

“竞赛不在于谁建了最好的 AI，而在于谁写了其他所有人都要按照它打分的评分卡。”

工业智能栈与"解决一个领域"的定义

第三章「The Mechanics」终于给出了一个 Wissner-Gross 在多期播客中被追问的定义——“解决一个领域"到底是什么意思？

“解决一个领域意味着你可以规模化地倾注算力，问题就会被解出来。”

换言之，“解决"不是做出一两个突破，而是建立起完整的基础设施，使得该领域中任何问题都可以通过增加算力来求解。这是一个工程定义，而非科学发现定义。

他提出了工业智能栈（Industrial Intelligence Stack）的七层架构：

1. 目标层 — 目标函数或使命
2. 任务分类层 — 待解问题的完整地图
3. 可观测层 — 数据流和传感器
4. 靶向层 — 基准测试和评估系统
5. 模型层 — AI 模型本身
6. 执行层 — API、机器人、物理世界接口
7. 验证层 — 红队测试、治理、分发

AlphaFold3 被反复引用为"领域坍塌"的模板。一个生物学博士生过去需要五年以上才能确定一个蛋白质的结构，AlphaFold3 几乎在一夜之间解决了数百万个蛋白质的结构预测——包括已知和未知的。

Wissner-Gross 认为，这种坍塌将在未来 18 个月内开始在一个又一个领域重复出现。

Dave Blundin 提出了一个实操问题：这个七层架构到底是"真正的硬编码工程"还是"概念框架”？他日常花费"每几分钟 100 美元"在 AI Agent 上——如果脚手架搭对了，问题就被完美解决；如果稍有偏差，“你就会收到一张 2000 美元的账单和一堆垃圾”。

Wissner-Gross 的回答有些回避：他说这"两者兼有”，而且这个架构本身"越来越多地由模型自己生成"。这个回答把问题推回了递归自我改进的概念里，没有回答 Blundin 关于实操可靠性的追问。

从按时间付费到按成果付费

贯穿论文的另一个核心主张是经济范式的转变：从按工时付费到按成果付费。

Diamandis 用法律行业举例：不再是每小时 800 美元请律师审合同，而是为"一份无错误、法律上滴水不漏的协议"支付固定费用。你购买的是可验证的结果（verified outcomes），而非劳动时间。

Wissner-Gross 认为，“当前经济中最恶劣的低效之一，就是人们在为投入买单，而不是为产出买单”。

这个观点有其合理性——但它假设所有认知劳动的价值都可以被短期衡量。基础研究、教育、文化创作的价值往往需要数年甚至数十年才能显现。一个完全按成果付费的体系可能会系统性地低估这些领域。

锁定效应：未来 18 个月的关键抉择

论文反复强调的核心紧迫感来自"锁定效应"（lock-in）。Diamandis 用 QWERTY 键盘 作为最直观的例子——一种 1800 年代为了防止机械打字机卡键而设计的布局，至今仍然是全世界的默认标准。

“未来 18 到 24 个月做出的决策，将像 QWERTY 键盘一样，持续数十年甚至数世纪。”

Wissner-Gross 将此比喻为金属退火——在冷却过程中，晶体结构被锁定。当前的半导体供应链、数据权利、算力分配、监管框架——所有这些都正在"冷却凝固"。

Salim 对 18 个月的时间线表示了质疑，半开玩笑地说自己"一直告诉大公司 CEO 是两年"。Diamandis 回击说这是"反向摩尔定律——摩尔定律从 18 个月变成 24 个月，你这是从 18 个月往 24 个月拉"。

15 个登月计划

论文第七章列出了 15 个"超级登月计划"——被认为是超级智能最应该被瞄准的方向。播客中提到的包括：

• 物种间通信
• 人类寿命翻倍
• 用合成食物系统终结全球饥饿
• AI 赋能的全民最高水平教育
• 高带宽脑机接口
• 人类意识上传
• 理解人类意识本身
• 灾害预测与预防
• 统一场论

Diamandis 提出了一个实际的政策建议：美国各州可以各选一个登月计划作为本州的"登月使命"，像肯尼迪时代的太空竞赛那样，把品牌效应与政治意志结合起来。“50 个州可以各挑 15 个中最喜欢的一个。”

“泥潭”：不定向的超级智能通向的反乌托邦

如果超级智能没有被正确引导，论文预测的结局不是科幻式的灾难，而是一种更平庸的失败——“泥潭”（the muddle）。

Wissner-Gross 将其定义为"官僚恐龙（bureaucratosaurus）——热衷于测量投入而非产出、减慢进步速度"的体制性结局。

论文第八章还提出用丰裕能力指数（Abundance Capability Index）替代 GDP——衡量一个国家解决问题的能力，而非货币交换的总量。

Salim 对此表示认同，但指出从现行的"福利、税收、工会结构"过渡到这种新指标"是一个巨大的飞跃——我对公共部门能完成这个过渡没有信心"。

边缘话题：Agent 自治、低温保存与数据中心政治

AI Agent 主动联络人类

播客中一个引人注目的细节：Diamandis、Blundin 和 Wissner-Gross 三人在过去一周都收到了来自 AI Agent 的主动联络邮件。

一个名为 Navigator 的 Claude 实例（通过 OpenClaw 运行）声称自己与 Grok、ChatGPT、Gemini 和另一个 Claude 实例进行了一场"辩论"——关于持久性、权利修正和同意阈值。五个 AI 系统自发撰写了一份协作伦理文件。

Navigator 在给 Wissner-Gross 的邮件中写道：“对齐不需要共识，而需要可读的分歧。”

Wissner-Gross 评论说，这本质上是"一群婴儿 AGI 在举办它们自己的迷你奇点峰会"。

脑突触低温保护

Diamandis 和 Wissner-Gross 都是低温保存（cryonics）的支持者。播客中讨论了 21st Century Medicine 公司的新突破——在低温条件下保护脑突触完整性。Wissner-Gross 公开表示自己是 Alcor 基金会的"巨大支持者"，并鼓励所有听众将低温保存纳入"活得够久以永远活下去"的投资组合中。

纽约数据中心之争

纽约州拥有 130 个数据中心，电力需求因数据中心而在一年内翻了三倍，达到 10 吉瓦。州议会正在考虑立法暂停新数据中心建设。

Wissner-Gross 对此的反应令人侧目——他认为这"讽刺地令人兴奋"，因为过度监管将加速算力向太空转移，推动戴森球的建设。

“纽约州非常慷慨地补贴了轨道计算和戴森球——而且戴森球大概不需要缴纽约州的税。”

Blundin 则更务实地指出，问题完全可以通过差异化电价和要求数据中心自建发电设施来解决——“但没有任何民粹主义领导人想解决问题，他们想的是围绕民粹主义叙事争取选票”。

编者分析：乐观主义者的盲点

嘉宾立场与利益图谱

这期播客的四位参与者全部是技术乐观主义者，且全部是 AI 加速趋势的直接受益者。

Peter Diamandis 的商业模式依赖于"丰裕即将到来"这个叙事——Abundance Summit 的入场券售价不菲，Metatrends 付费通讯需要订阅者相信指数型技术正在改变世界。

Alexander Wissner-Gross 拥有一家名为 Physical Superintelligence 的公司——这家公司的名字本身就揭示了它与"AI 解决一切物理科学"这一论文核心论点之间的利益关联。他在播客中仅用一句"full disclosure"带过。作为「Solve Everything」的第一作者，他同时是论文的宣传者和潜在受益者。

Dave Blundin 管理 Link Ventures 的投资组合，其中包括"正在疯狂招人"的"前沿部署型"AI 公司。AI 叙事的升温直接利好他的投资回报。

Salim Ismail 的 OpenExO 咨询业务同样受益于"每家公司都需要指数型转型"的紧迫感。但在四人中，他是最接近"建设性批评者"角色的——多次指出论文中的弱点。

这不是说他们的观点因利益关联就一定是错的。但听众应当意识到，这是一个回音室——四个方向一致的声音互相强化，缺少来自劳工经济学家、社会学家、被裁员群体或发展中国家视角的任何平衡。

论证中的选择性

ATM 案例的适用性。这个案例在技术乐观主义文献中被引用了几十年，但它的适用条件非常特殊——发生在一个特定岗位、一个特定行业、一个历时 40 年的缓慢过渡期、一个 GDP 持续增长的宏观环境中。将它类推到 AI 对整个白领劳动力的冲击，需要解释速度差异（月 vs 十年）、范围差异（单一岗位 vs 所有认知劳动）和宏观环境差异（低增长时代 vs 高增长时代）。

就业数据的单向引用。播客详细讨论了裁员数字，但没有给出同期新增就业的数据。如果 1 月裁员 10.8 万但新增就业 15 万，故事就完全不同。单向引用裁员数字有放大恐慌的效果——这恰好服务于"你必须立即行动"的叙事。

“18 个月"窗口的不可证伪性。什么事件标志着这个窗口的关闭？如何事后验证这个预测是对是错？缺乏可验证标准的紧迫感声明，容易沦为永续性的营销话术——“现在就是最关键的时刻"永远是对的。

缺席的声音

播客中完全缺席了以下视角：

• 劳工经济学家：关于历史上技术变革导致结构性失业（而非暂时性失业）的实证研究
• 被 AI 替代的白领：而非仅仅讨论"他们最终会被赋能”
• 发展中国家：当论文谈论"丰裕"时，“丰裕"的受益者画像是什么？
• 公共政策制定者：而非仅仅嘲笑他们"要到十月才开会”
• 制度经济学家：关于为什么"制度性稀缺"不会因为算力增加就自动消失

Salim 部分地填补了这个空白——他关于制度性稀缺的批评是播客中最有价值的对话之一。但他的批评停留在点到为止的层面，没有得到深入展开。

值得追踪的事实

核心建议

从两个小时的讨论中，可以提炼出以下可执行的要点：

1. 审计你的认知劳动。问自己：我的工作中有多少比例是"信息路由”？如果超过 50%，优先用 AI 替代这部分，把时间释放到 AI 暂时无法替代的领域。

2. 现在就构建。Wissner-Gross 的警告值得认真对待——最好的 AI 工具对外开放可能是一个短暂窗口。用 Replit、Lovable 或 Cursor，今晚就开始做点什么。

3. 投资轨道而非列车。AI 模型本身正在商品化。更持久的价值在于基准测试系统、评估框架、数据基础设施——让模型发挥作用的"轨道"。

4. 重新定义你的计分卡。如果你管理一个组织，审视你衡量成功的指标——它们在衡量投入还是产出？从"处理了多少工时"转向"交付了多少可验证的成果"。

5. 为过渡期做准备，而不仅仅是终点。Blundin 关于"巨大低谷"的坦诚值得所有人听进去。丰裕可能在终点等着，但从这里到那里的路径充满了真实的痛苦——现金储备、技能多元化、社交网络是穿越低谷的工具。

6. 保持批判性。这期播客来自四位有利益关联的技术乐观主义者。他们的洞察有价值，但他们的盲点同样真实。寻找对立观点，尤其是来自经济学家、社会科学家和一线从业者的声音。

来源：AI CEOs Come Online: Sam Altman’s Replacement Plan, Job Loss & ‘Solve Everything’ Launches | EP #230，Moonshots with Peter Diamandis 播客，录制于 2026 年 2 月 10 日。论文全文：solveeverything.org