【转载】Naval：AI 是思维的摩托车

为什么转载这篇

这是 Naval Ravikant 在 2026 年 2 月与 Nivi 的一期播客对话转录，原文发布在 nav.al/ai。

谁是 Naval？

Naval Ravikant 是硅谷最有影响力的天使投资人和思想家之一。他是 AngelList 的联合创始人，早期投资了 Twitter、Uber、Notion 等公司。他更为人知的身份是一个独立思考者——他关于财富、幸福和杠杆的思考（特别是 How to Get Rich 系列）影响了整整一代创业者和知识工作者。

Naval 的特点是：他不跟风，他从第一性原理思考问题。当所有人都在讨论 AI 会不会取代工作时，他在思考更根本的问题——智能的本质、创造力的意义、以及人类在 AI 时代的真正优势。

为什么值得关注

这期对话有几个观点特别值得消化：

1. “Vibe Coding 就是新的产品管理” — 不是 coding 死了，而是 coding 的定义变了
2. “没有创业者担心 AI 抢他的饭碗” — 因为创业本身就不是一份"工作"
3. “智能的唯一真正测试是你是否从生活中得到了你想要的” — AI 在这个测试中直接失败，因为它没有欲望
4. “AI 适应我们的速度比我们适应它的速度快” — 所以别费劲学 prompt engineering，让 AI 来适应你

TLDR

Naval 认为我们正处于一个人人都是「施法者」的黄金时代：

• Vibe Coding 重新定义了编程：英语（或任何语言）就是最热门的编程语言。产品经理直接变成了「程序员」，但真正的软件工程师依然有巨大优势——他们理解底层架构，能处理抽象泄漏。
• 训练模型是新的编程：传统编程是精确指定每一步；AI 编程是设计结构、灌入数据、让系统自己找到程序。这是编程艺术的前沿。
• 没有人需要「平均水平」的东西：赢者通吃，但可以赢的领域是无限的。“成为你所做之事的世界第一，不断重新定义你做的事直到这成为事实。”
• AI 不是活的：它没有欲望、没有代理、没有生存本能。它是极其优秀的模仿者，在压缩数据过程中学到了更高层的抽象，但缺乏人类的单次学习能力和跨域创造力。
• 创业者不怕 AI：因为创业是极端能动性（extreme agency）的体现，AI 是盟友不是威胁。
• AI 是史上最好的学习工具：它能以任何水平、任何方式、无限耐心地教你任何东西。学习手段已经极度丰富，稀缺的是学习的欲望。
• 早期采用者有巨大优势：大多数人还没在用 AI，或没在充分利用。活在未来，才能投资未来。

完整转录

原文来源：nav.al/ai — A Motorcycle for the Mind 发布日期：2026 年 2 月 参与者：Naval Ravikant, Nivi

Nivi：嗨，我是 Nivi。欢迎收听 Naval Podcast。有史以来第一次，我们不在同一个地方录音。我现在正在街上走动，Naval 可能也在外面溜达，所以可能会有一些环境噪音，但我们会用 AI 和专业的音频处理来消除它。

Naval：播客录制这件事太拘束了——你得专门坐下来，提前约好时间，面前架着一支巨大的麦克风，完全不随意。这让对话变得不那么真实，更像是排练过的表演。我知道这样也许能产出更高质量的音频和视频，但我觉得对话的质量反而低了。

Nivi：而且我们都知道，大脑在运动的时候转得更好——走路或者随便动动。

Naval：完全同意。我的大脑是靠腿驱动的。

Nivi：我整理了 Naval 关于 AI 话题的一些推文。我们想聊聊 AI，希望能聊得更有普适性一些，而不只是谈时事，不过我觉得有些内容还是难免有时效性。

Naval：是的，网上的评论者有个习惯——他们会翻出五年前说过的话，然后跳出来说：“看！这不是被证伪了嘛！”

当然了。没有人能预测未来，这就是未来的本质。如果我们能预测未来，我们早就已经活在那里了。

所以谈论未来始终是危险的，尤其是当听众没有意识到这一点的时候——但请多一点善意。我们显然是在 2026 年 2 月谈论这些事情，用的是我们现在掌握的信息，而不是事后诸葛亮的完美视角。

况且，除非你自己也发出过有风险的预测——那种有风险、具体、可证伪的预测——否则你根本没有资格说谁对谁错。

想学，就去做

Nivi：在讲推文之前，你想先聊聊你最近在忙什么，或者 Impossible 那边的进展吗？

Naval：不太想聊。我们正在和一支很棒的团队攻克一个极难的项目——这也是它叫 Impossible 的原因——再次亲手做一件事真的很令人兴奋。从头开始，从零出发，非常纯粹。永远是第一天。我想我就是对单纯做投资人不满足，也确实不想只当一个哲学家、媒体人或者评论员。因为我觉得那些只说不做的人……他们没有真正接触过现实。

他们没有收到过真正的反馈——自由市场的冷酷反馈，或者物理和自然给你的反馈——所以时间长了，就变成了太多的纸上谈兵。你可能注意到我最近的推文实际得多了，也更务实，偶尔还是会有一些比较空灵或宏观的，但整体更扎根于每天工作的现实。

我就是喜欢和一群优秀的人一起，做出一件我自己也想看到它存在的东西。希望我们最终能做出来，让大家说：“哇，太好了，我也想要”——当然也可能做不到，但学习就发生在做的过程中。

Vibe Coding 是新时代的产品管理

Nivi：我翻出了几天前的一条推文，2 月 3 日发的：“Vibe Coding（氛围编程）是新时代的产品管理。训练和调优模型是新时代的编程。”

Naval：过去一年，尤其是过去几个月，有一个转变非常明显——最典型的体现就是 Claude Code，这是一个内置编程引擎的专用模型，效果好到什么程度？我觉得现在已经涌现出一批 Vibe Coder——也就是那些之前没怎么写过代码、或者很久没碰代码的人，他们用英语当编程语言，把需求输入这个代码机器人，机器人就能端到端地完成整个开发。

不是说帮你在中间调个 bug，而是你可以直接描述你想要一个什么应用。你可以让它先出一个方案，可以让它来采访你来细化方案，可以在过程中随时给它反馈，然后它会把任务拆块，把所有脚手架搭起来。

它会下载所有库、所有连接器、所有钩子，开始帮你搭应用、搭测试框架、跑测试。你可以持续给它反馈，用语音来调试：“这里不对，那里行，改这个，改那个”——完全不用自己写一行代码，就能得到一个完整可用的应用。

对于大量已经不写代码或者从来没写过代码的人来说，这是颠覆性的。

这条路把他们从想法空间、观点空间、审美空间，直接带进了产品。这就是我说的——产品管理正在接管编程。Vibe Coding 是新时代的产品管理。

以前是管产品、管一帮工程师，告诉他们做什么。现在是直接告诉计算机做什么。而计算机永不疲倦，没有自尊，会一直干下去，接受反馈不会感到被冒犯。

你可以开多个实例，让它 7×24 小时运转，持续产出可用的成果。

这意味着什么？就像现在任何人都能做视频、做播客一样，任何人现在都能做应用。我们应该预期看到一场应用海啸。不是说 App Store 里现在没有了，但跟我们即将看到的相比，完全不在一个量级。

不过，当我们被这些应用淹没的时候，这是不是意味着它们都会被用、都会形成竞争？不一定。我觉得会分化成两种形态。

第一，在某个具体用途上，最好的应用往往还是会赢得整个品类。当内容泛滥——无论是视频、音频、音乐还是应用——平庸的东西就没有市场了。

没人想要平均水准的东西，大家都想要做那件事最好的工具。所以首先，你有了更多的上场机会，最好的产品也会更多，更多的细分需求会被满足。

你可能一直想要一个非常特定的应用——比如在某个特定情境下追踪月相，或者某种特定类型的人格测试，或者让你勾起某段记忆的特定风格小游戏。以前市场太小，根本撑不起一个工程师花一两年去做。但现在，最好的 Vibe Coding 应用也许就够用了，刚好能满足那个需求。所以会有更多细分市场被填满，随之整体水位也会上涨。

而那些最好的应用——它们背后的工程师会有更强的杠杆力。他们能加更多功能、修更多 bug、打磨更多细节。所以最好的应用会持续变好，更多的细分需求会被覆盖。

甚至连个人级别的需求——比如一个完全针对你自己健康追踪偏好的应用，或者针对你自己建筑布局和设计习惯的应用——那些以前根本不可能存在的应用，现在都会出现。

我们应该预期——就像互联网上发生的那样——Amazon 用一家超级书店加无数长尾卖家取代了一批实体书店；YouTube 用一个巨型聚合平台取代了一批中型电视台和广播网络，或者说有 YouTube 和 Netflix 这两个头部，然后是整条内容创作者的长尾。

App Store 的模式会走向更极端的版本：会出现一两家超级 App Store 帮你过滤所有 AI 滥制的垃圾应用；头部会有几个超级 App，因为现在它们能覆盖更多用途或者打磨得更精良，体量会变得更大；然后还有一条长尾，无数小应用填满每一个能想象到的细分需求。

互联网告诉我们，真正的力量和财富——超级财富——流向聚合平台。但与此同时，大量资源也会分散到长尾。被打碎的是中间地带——那些 5 人、10 人、20 人的软件公司，靠着满足某个企业用途的细分需求活着，现在这些需求要么直接被 Vibe Coding 取代，要么被该领域头部应用直接覆盖进去。

训练模型是新时代的编程

Naval：如果人人都能编程，那编程还意味着什么？编程在几个领域里依然存在。最显而易见的，就是训练这些模型本身。模型有很多种，每天都有新模型问世，不同领域有不同的模型。我们会看到专门用于生物学的模型、用于编程的模型，会看到面向传感器的小型专用模型，会看到用于 CAD 和设计的模型。

我们会看到用于 3D、图形和游戏的模型，用于视频的模型。你会看到各种各样的模型。而创造这些模型的人，本质上就是在编程。只不过这种编程方式和经典计算机编程截然不同。

经典计算是这样的：你必须极其详细地指定计算机将要执行的每一步、每一个动作。你必须对每个部件进行严格的形式化推理，并用高度结构化的语言来表达，让你能精确无误地表述自己的意图。计算机只做你告诉它做的事。

一旦你写好了这个高度结构化的程序，你就往里面灌数据，计算机处理数据并给你一个输出。它本质上就是一台无比精密、极其复杂、被一丝不苟地编写的计算器。

而到了 AI 这里，你做的是完全不同的事。但你同样是在编程。

你在做的是：把人类产生的海量数据集——借助互联网，或通过其他方式汇聚在一起——倒进一个你定义和调优过的结构中。这个结构会尝试找到一个程序，能够生成更多的数据、操纵这些数据，或者基于这些数据创造新的东西。

所以你是在你设计的这个构件内部搜寻一个程序。你已经搭好了模型，调好了参数数量、学习率、批大小。你对输入数据做了分词处理，把它切成一块一块，然后倒进你设计的系统里——就像一台巨型弹珠机——而系统会尝试找到一个程序，并且可能找到很多不同的程序。所以你的调优方式，真正决定了你最终找到的那个程序有多好。

而这个程序，突然间就能在各种不同领域里有所表达。它能做到以前的计算机传统上非常不擅长的事。

传统计算机在你给它编程、要它给出精确输出时表现极好——对特定问题给出特定答案，可重复、可依赖。但有时候你在现实世界中操作，你能接受模糊的答案，甚至能接受错误的答案。比如在创意写作中，什么叫错误的答案？

你在写诗或写小说，什么叫错误的答案？你在网上搜索，有很多正确答案——正确答案有很多层次——但没有哪个是完美正确的。现实生活本来就是这样运作的。答案有变体，有大差不差的正确。你画一只猫，可以画出很多种不同的猫，可以有不同的细节层次，可以用不同的风格。

当这些半错或模糊的答案可以被接受时，AI 通过发现而得到的程序，就比你从头手写的程序有趣得多、更贴合问题——毕竟从头写你必须极其精确。

从根本上说，我们正在从事一种新型编程，而这是编程的前沿。这现在是编程的艺术所在。这些人是新时代的程序员，这也是为什么 AI 研究员能拿到天文数字的薪酬——因为他们本质上接管了编程。

传统软件工程死了吗？

Naval：这是否意味着传统软件工程已经死亡？绝对没有。软件工程师——即便是那些不专门调优或训练 AI 模型的人——现在也是地球上杠杆最高的那批人之一。当然，那些专门训练和调优模型的人杠杆更高，因为他们在构建软件工程师所使用的工具集。

但软件工程师相对于你还是有两个巨大优势。第一，他们用代码思考，所以他们真正理解底层发生了什么。而所有的抽象都是泄漏抽象。所以当计算机在为你编程——当 Claude Code 或类似工具在为你编程时——它会犯错。

它会有 bug，会有不够优雅的架构。所以它不会完全正确。而那些理解底层运作的人，能够在漏洞出现时及时填补。

所以如果你想构建一个架构良好的应用，如果你想哪怕只是能够清晰描述出一个架构良好的应用，如果你想让它高性能运行，如果你想让它发挥最佳水平，如果你想早点发现 bug——那你就需要有软件工程的背景。

传统软件工程师能把这些工具用得好得多。而且在软件工程领域，依然有很多问题目前超出了这些 AI 程序的能力范围。最容易理解这些局限的方式，就是：超出它们数据分布之外的问题。

比如，如果它们需要做二分排序或者反转链表，它们见过无数个这样的例子，所以极其擅长。但一旦你跳出它们的领域——你需要写高性能代码、在全新架构上运行、真正创造新东西或解决新问题——你仍然需要亲手去编写代码。

至少要等到：要么有足够多的新例子可以用来训练新模型，要么这些模型能在更高的抽象层次上充分推理，自己把问题解决掉。

因为有足够多的数据点，有一些证据表明这些 AI 确实在学习。它们学到了更高层次的抽象，因为强迫它们压缩数据这个过程，迫使它们学习更高层次的表示。如果我给 AI 看五个圆，它只需要死记硬背这些圆的大小、半径、粗细等等。

但如果我给它看 5 万个圆，或者 50 亿个圆，同时只给它很少量的参数权重——也就是它等价的神经元——来记住这些，它就会更倾向于去搞清楚圆周率是什么、怎么画圆、粗细意味着什么，从而形成对圆的一种算法性表示，而不是死记硬背每一个圆。

鉴于这一切，这些系统正在以加速的速度学习，你可以看到它们开始覆盖我所说的更多边缘情况。

但至少就今天而言，那些边缘情况依然普遍存在，一个在领域前沿运作的优秀工程师，能把 Vibe Coder 甩出几条街。

平庸没有市场

Naval：记住：平庸没有市场。平均水平的应用——没人要，至少在它没能填补某个被更好产品占据的细分需求之前。更好的应用基本上会赢得百分之百的市场。也许会有一小部分用户流向第二名的应用——因为它在某个小功能上做得比主流应用好，或者更便宜，诸如此类。

但总体而言，人们只想要最好的东西。所以坏消息是，排第二、第三没有任何意义——就像《拜金一族》（Glengarry Glen Ross）里那个著名场景，亚历克·鲍德温说：“第一名赢得 Cadillac Eldorado，第二名得一套牛排刀具，第三名，你被炒了。”

在这些赢家通吃的市场里，这话完全正确。这就是坏消息：如果你想赢，你必须在某件事上做到最好。

然而，你可以做到最好的事情是无限的。你总能找到某个完全适合你的细分领域，然后在那个领域做到最好。这呼应了我很久前发过的一条推文：“成为世界上做你所做之事的最佳者。不断重新定义你所做的事，直到这句话成真。”

我认为这个道理在 AI 时代依然适用。

最热门的新编程语言是英语

Nivi：我觉得理解这些编程模型的方式，是把它看作程序员自计算机诞生以来一直使用的抽象栈中的又一层——从晶体管，到芯片，到汇编语言，到 C 语言，到更高级的语言，到拥有庞大库的语言，这个栈层层叠加，你不需要去看下面那一层，除非你需要优化它，或者有其他理由必须深入底层。所以在这种情况下，这些编程模型是栈里一个巨大的新层，让产品经理、普通非程序员和程序员都能不写代码地写代码。

Naval：从趋势线来看，我觉得你说得没错。但这是一种涌现属性，不是小小的改进，而是一次巨大的跃升。比如我在学校的时候，主要用 C 语言编程。后来 C++ 出现了，也没容易多少。

它在某些方面稍微抽象了一点，我当时根本懒得学。再后来 Python 出现了，我当时心想：“哇，这几乎像在用英语写作。”

结果大错特错。英语和 Python 还差得远，但它确实比 C 容易多了。

而现在，你可以真的用英语编程了。

这就引出了一个相关的观点：我不认为有必要去学各种 AI 的使用技巧和窍门。你现在会在社交媒体上看到大量文章、书籍和推文，比如：“我发现了和这个 AI 聊天的一个巧妙技巧，你可以这样提示它，或者可以这样搭建你的框架。”

或者出现了某个新的编程辅助工具，可以叠加在它上面做这做那。我从不费心去学这些。

我就傻乎乎地坐在那里跟电脑说话，因为我知道这东西现在已经到了一个阶段——它适应我的速度，比我适应它的速度快得多。

它越来越聪明，越来越懂得人们想怎么用它。所以它在学习、在被训练，围绕它的工具也在飞速迭代，让我用起来越来越顺手。所以我不需要坐在那里琢磨什么晦涩的编程命令。这就是我理解 Andrej Karpathy 说的那句话的含义——“English is the hottest new programming language”（英语是最热门的新编程语言）。

我只需要说英语。对我这样的人来说——英语表达还算流畅，思维也比较结构化，我了解计算机架构如何运作，了解程序如何运转，也理解程序员的思维方式——那么我完全可以通过有条理的英文，非常精确地描述我想要什么。

不需要再进一步了。唯一需要使用那些工作流和工具集的理由——它们都非常短暂，生命周期以周计，最多以月计，绝不是以年计——是当你现在正在开发的应用需要站在技术最前沿，你在某种竞争环境中，必须争取每一丁点优势。

除此之外，我才懒得学怎么用 AI——倒不如让 AI 学着怎么对你有用。

Nivi：我从来都不热衷提示词工程。甚至在 AI 之前，我就只会把人们所说的"老派查询"——把完整的问题打进去，而不是像更具分析性思维的人那样输入关键词去 Google 搜索。

我从不花大量时间去精心措辞什么精确的问题或提示词。我就往里面随口说，从 AI 出现的第一天起就这样。就像你说的，AI 适应我们的速度，比我们适应它快多了。

Naval：像很多聪明人一样，你非常懒。我说这话是夸你。如果你看到一个聪明人还在拼命使劲，你不得不琢磨他到底有多聪明。我说的懒，是指你在为正确的效率优化。你不在乎计算机的效率、电子元件的效率、穿过电路的电子的效率。

你在乎的是你自己作为人的效率——也就是"湿件"——那套代价极其高昂的生物系统。所以，看到有人大费周章地省能源、保护环境，却让自己这台要吃东西、要排泄、要占据空间的生物计算机消耗掉远比省下来多得多的能量，实在有点滑稽。

这本质上是在贬低自己在宇宙中的重要性，或者说，是在揭示他们内心深处对自己的评价。

AI 适应我们的速度，比我们适应它更快

Naval：我认为，随着 AI 与我们共同进化——实际上是被我们按照自身需求塑造出来的。

施加在 AI 上的压力，本质上是资本主义式的压力——AI 领域是一个自由市场。一个 AI 实例，只有在对人类有用的前提下，才会被人类启动。

所以 AI 面临着自然选择压力——要有用、要顺从、要按我们的意愿行事。它会持续朝这个方向演化，我认为对我们会相当有帮助。

这并不是说不存在恶意 AI，但它之所以恶意，是因为使用它的人出于恶意目的在使用它。

就像一条被训练成攻击性的狗，它其实是被主人训练去执行主人的恶意欲望。所以我并不担心"未对齐的 AI"，我担心的是"拿着 AI 的未对齐的人"。

Nivi：所以你说的选择压力，是朝着对人类最大程度有用的方向？

Naval：对。所以如果你觉得一个 AI 对你特别谄媚——比如它总是说"哦，你说得对，哦，这个想法太棒了，哦我的天，你真聪明"——那是因为大多数人就喜欢这个。

至少在今天，这些 AI 是用海量用户、海量数据训练出来的，因为你用的是千人一面的通用模型。

但我们很快就会进入一个可以个性化定制 AI 的时代，它会越来越像你的私人助理，越来越符合你的偏好——这当然也会让人更容易对 AI 产生拟人化的感觉。

你越训练它看起来像个活生生的存在，你就越容易被说服：“这东西真的有生命。”

Nivi：这个话题我们可能已经聊得差不多了，但一年多前你发过一条推，说"AI 不会取代程序员，而是让程序员更容易取代所有人"。

Naval：对，这就是我之前说的那个点——程序员的杠杆正在变得更大。现在，一个程序员带着一支 AI 舰队，生产力大约是以前的 5 到 10 倍。

但因为程序员工作在智识领域，说"10 倍程序员"都是低估了——外面有 100 倍的程序员，有 1000 倍的程序员。

有些程序员，就是能选到对的方向去做，做出有价值的东西；而另一些人选错了方向，在同样的时间里，工作的价值趋近于零。

智力不是正态分布的，杠杆不是正态分布的，可编程能力不是正态分布的，判断力也不是正态分布的——所以结果会是超常态分布的。

所以你真正需要警惕的是：现在有些程序员，他们会提出可以颠覆整个行业的想法。

他们会彻底重写事物的运作方式，而他们的智识可以通过所有这些机器人和 AI 智能体得到最大程度的杠杆放大。从极长的时间维度看，我认为所有其他工作，都会以某种方式被程序员蚕食。当然，最终还需要落地到机器人等形态。

但好消息是：任何有逻辑思维、结构化思维，像程序员一样思考，并且能用 AI 理解的任何语言沟通的人——而 AI 将能理解所有语言——都将进入这个竞技场。他们将能够创造任何他们想要的东西，唯一的限制是他们的创造力，唯一的边界是他们的想象力。

所以我们正在进入一个时代——在某种意义上，每个人都是施法者。

如果你把程序员想象成那些记住了晦涩咒语的巫师，那么 AI 就是一根被交到每个人手中的魔法棒——现在他们可以用任何语言随心所欲地说话，他们也成了巫师。

所以竞技场更公平了。我真心认为这是编程的黄金时代。

但有一点——拥有软件工程思维，理解计算机架构，能够处理泄漏抽象的人，依然会有优势。

这一点无可回避。他们在所处领域拥有更多知识。就像传统软件工程一样——它依然存在，因为你需要编写高性能代码——即便是那些人，当他们理解底层硬件时，表现也会更出色。当他们理解芯片如何运作、逻辑门如何工作、缓存如何运作、处理器如何运作、底层磁盘驱动器如何运作。

再往下，硬件工程师如果理解底层物理在发生什么，也会有优势——他们理解硬件工程师所处理的抽象，是在哪里泄漏到物理层的。也许到了某个点，物理学家会变成哲学家。

你可以一直往下追，但了解下一层的知识总是有帮助的，因为你越来越接近现实本身。

没有创业者担心 AI 抢走他们的饭碗

Nivi：还有一条一年前的推文，它论述的或许是我们刚才讨论的另一面，那是 2025 年 2 月 9 日发的：“没有创业者担心 AI 抢走他们的饭碗。”

Naval：这话有好几层调侃的意味。首先，创业根本不是一份工作，它恰恰是工作的反面。而且从长远来看，人人都是创业者。最先消失的是职业，其次是岗位，但所有这些都会被另一种形态取代——人们去做自己真正想做的事，去创造别人需要的东西。

所以没有创业者担心 AI 抢走他们的工作，因为创业者本来就在做几乎不可能的事，做极难的事。任何 AI 的出现，对他们来说都是盟友，都能帮他们攻克那些真正棘手的难题。

他们根本没有一个"岗位"可以被抢。他们有产品要打磨，有市场要服务，有用户要支持，有创意要实现，有某个他们想带到这个世界上的东西，还要围绕它搭建一套可复制、可规模化的流程。

这件事太难了，任何能帮上忙的 AI，都是他们的盟友。

如果 AI 自己也成了创业者，它们大概也只是在为其他 AI 提供服务，或者依然处于某个人类创业者的掌控之下。归根结底，AI 目前缺失的东西，是它自己的创造性能动力。

它缺少属于自己的欲望——而且必须是真实的、发自内心的欲望。除非你可以拔掉它的电源，除非它真的活在对"被关机"的死亡恐惧中，除非它能真正依照自己的本能、自己的情感、自己对生存和复制的驱动来采取行动——否则，它还算不上真正活着。

即便如此，人们仍然会追问：它活着吗？因为意识本身就是一种感质（qualia）。它就像颜色——你说"红色"，我不知道你看到的究竟是不是我眼中的红；你看到的，也许正是我眼中的绿；我看到的，也许正是你眼中的红。但我们永远不会知道，因为没有人能进入另一个人的意识。

同样道理，即使一个 AI 对人类的一切行为模仿得无懈可击——在某些人眼里，它永远只是一台仿真机器；而在另一些人眼里，它已经拥有了意识。但这两种判断，根本无从区分。

不过，我们现在离那一步还很远。目前的 AI 没有实体，没有能动性，没有自己的欲望，没有自我保存的本能，没有自我复制的驱动。因此，它们没有属于自己的极致能动性（extreme agency）。

正因为没有自己的极致能动性，它们无法做创业者该做的事。

事实上，我可以这样来总结：当今经济中，创业者区别于其他所有人的关键，正是他们拥有极致能动性。这也是为什么创业与"打工"在本质上是对立的。

打工意味着你在为别人效力，或者你在填补一个空缺。而创业者是在未知的领域里，凭借极致能动性独立行动。社会上还有其他角色也是如此——比如探险家。登陆火星、驾船驶向未知大陆的人，同样是在用极致能动性去解决从未被解决过的问题。

探索未知领域的科学家如此。真正的艺术家，试图创造一个从未存在过的东西，而这个东西又必须契合人性、让人得以表达自我、为世界带来新意——他们也如此。

所以，无论你是科学家、真正的艺术家，还是创业者，你所做的事是如此之难、如此的自我驱动，任何能够从旁协助的 AI，都只会是受欢迎的盟友。你这样做，不是因为这是一份工作，不是在填补一个别人随时可以顶替的空缺。

事实上，如果 AI 能创作出你的艺术作品，如果 AI 能破解你的科学理论，如果 AI 能做出你想做的那件产品——那它只不过是把你推向了更高的台阶。现在，是 AI 加上你。AI 是跳板，让你能跃得更高更远。

目标不是有份工作

Naval：我们将会看到一些令人叹为观止的艺术作品被创作出来——由 AI 辅助完成。我们将看到用 AI 工具创作出的电影，那是我们过去想象不到的。

艺术领域有一个类比很有意思。长期以来，艺术的大致方向是把东西画得越来越逼真——画人体、画水果、画正确的光影，诸如此类。

后来摄影出现了，你可以把事物复制得极为精准，于是那种"追求逼真"的选择压力就消失了。

然后艺术变得奇怪了。艺术走向了很多不同的方向。艺术开始追问：“我能不能做超现实的东西？我能不能创作出表达自我的东西？”

由此涌现出很多流派，有些真的很奇怪——包括现代艺术和后现代主义——但我也认为，正是在那个时代，人们被解放了，一些最伟大的创造力随之而来。

摄影走向了大众化，但摄影本身也成了一种艺术形式，涌现出许多拍摄各类题材的优秀摄影师。如今人人都是摄影师了。仍然有以摄影为职业的艺术家，但它不再是少数人专属的领域。

同样的道理，因为 AI 让创作基础内容变得如此容易，所有人都会去创作基础内容，它对每个人个体而言都有价值。但仍然会有少数人脱颖而出，他们会在此基础上创作出对所有人都有价值的变体。

很难说社会因为摄影而变得更糟——尽管对某些靠给人画肖像谋生、因此被取代的艺术家来说，当时确实可能是这种感受。

AI 也会发生类似的情况——有些人靠做非常具体的工作谋生，这些工作会被 AI 取代。但作为交换，社会上的每个人都将拥有 AI。你将看到用 AI 创作出来的、没有 AI 根本不可能存在的非凡事物。

再过几十年，人们将无法想象，有谁会回拨时钟、废除 AI，或者废除任何软件——乃至任何技术——只是为了保留那几份已经过时的工作。

目标不是有份工作。

目标不是每天早上九点出门，晚上七点精疲力竭地回来，为别人做没有灵魂的事。

目标是让机器人解决你的物质需求，让计算机放大你的智识能力，让每个人都能创造。

我以前经常做这样一个思维实验——我想我们在大概十年前的一期播客里聊过——就是：想象如果每个人都是软件工程师，或者每个人都是硬件工程师，人人都能拥有机器人、人人都能写代码。

想象一下我们将生活在怎样一个丰盛的世界里。

实际上，那个世界现在正在成真。得益于 AI，每个人都可以成为软件工程师。如果你觉得自己不行，现在就可以去打开 Claude 或者你喜欢的任何聊天机器人，开始和它对话。你会惊讶于自己能多快就做出一个应用。

这会让你大开眼界。

一旦我们能通过机器人将 AI 实例化——这是个难题，我不是说我们已经接近解决它了——但一旦我们拥有了机器人，每个人也都能做一点硬件工程。所以我认为，我们正在越来越接近那个乌托邦式的愿景。

AI 没有生命

Nivi：我不认为 AI，就其目前的设计而言，以任何方式是有生命的。但我确实认为，我们很快就会拥有看起来非常像有生命的机器人，原因有两点。

第一，人类的很多活动是非创造性、非智识性的，机器人将能够复制这些。第二，我确实相信我们现有的神经网络和模型，不仅仅是训练数据本身，因为训练过程把这些训练数据转化成了某种全新的东西。

神经网络中嵌入了新的想法，这些想法可以通过提示被引发出来。

Naval：我不认为这些东西是有生命的。我认为它们一开始是极其出色的模仿者，出色到几乎与真实事物无法区分——尤其是对于人类此前已经大规模做过的任何事情。所以，如果某项任务以前做过，那它就会被自动化，然后再次被完成。

对你来说可能是新鲜的，只是因为你没见过，但 AI 是从别的地方学会的。这是它看起来像有生命的第一种方式。

第二种方式，我们前面提到过，是它确实学会了更高层次的抽象。这些模型是非常高效的压缩器。它们摄入海量数据，然后进一步压缩，而在压缩的过程中，它们学会了更高层次的抽象。

然后，在某些它们未能从数据中自主学到的具体领域，它们通过人类反馈被打补丁，通过工具使用被打补丁，通过传统编程嵌入内部被打补丁。尤其是那些正在学习如何思考和编程的 AI，它们拥有人类有史以来写过的所有代码库作为算法推理的后盾。

在这个意义上，它们能做的事情越来越广。

然而，它们仍然缺乏很多人类的核心能力，比如单次学习。人类仅凭一个例子就能学会。人类的原始创造力——可以把任何事物与任何事物联系起来。他们能跨越整个宏大的领域和搜索空间，凭空想出一个从意想不到的角度冒出来的想法。

在真正伟大的科学理论上，这种情况经常发生。人类还是具身的。他们在真实世界中运作，不是在语言的压缩域中运作，而是在物理世界——在自然界中运作。

语言只涵盖了人类既能想清楚、又能表达出来、并能传递给彼此的那部分事物。

这是现实的一个非常狭窄的子集。现实远比这广阔。

所以总体而言，我认为尽管 AI 将做出很多令人印象深刻的事情，在很多方面将超越人类——就像计算器在计算方面比任何数学家都快，经典计算机在运行经典程序方面比任何人在脑子里运算都强，就像机器人能举起非常重的东西，或者飞机能比任何鸟飞得更高——在这个意义上，就像所有机器一样，AI 将在各种各样的任务上远超人类。

但在另一些任务上，它们会显得完全无能。那些任务，正是真正将我们锚定于、并连接到真实世界的东西，加上我们似乎拥有的那种难以定义却又神奇的创造力。

AI 通不过智能的唯一真实检验

Nivi：说到计算器，人们常谈超级智能。我觉得超级智能其实早就来了。一台普通计算器能做到人类无法做到的事，对吧？

但如果你说的超级智能是"AI 能想出人类无法理解的想法"，我不认为这会发生，因为我不相信存在人类无法理解的想法——人类永远可以对一个想法继续追问。

Naval：人类是普适的解释者。只要在现有物理定律的范围之内，任何事物人类都能在脑子里建立模型。所以只要追问得足够深、问得足够多，我们就能搞清楚任何事。

由此延伸，我们应该聊聊 AI 作为学习工具这件事——因为我认为它另一个极其强大的地方在于：它是最有耐心的导师，能在你所在的水平上与你相遇，用一百种不同的方式、一百遍地解释同一件事，直到你真正弄明白为止。

我不认为 AI 能想出人类无法理解的东西，但"智能"本身的定义就很模糊。

什么是智能？有 G 因子——它能预测大量人类的人生结果，而 G 因子最好的证明就是它的预测力：你测量这一个维度，然后发现人们在各种看起来和 G 关系不大的事情上，人生结果都会更好。

所以我会这样主张，也确实是我传得比较广的一条推文：智能的唯一真实检验，是你是否从人生中得到了自己想要的。

这句话会触怒很多人，因为他们上了学，拿了硕士学位，觉得自己超级聪明。但他们的生活并不怎么样：不够快乐，或者关系出问题，或者没赚到想要的钱，或者变得不健康——这句话就像戳到了他们。

但这才是智能真正的意义：作为一个生物体，你有没有从人生中得到自己想要的东西。

不管是一段好的关系、一个伴侣，还是金钱、成功、财富、健康，或者别的什么。有些人我认为相当聪明，因为你能看出他们有高质量、运转良好的生活、思维和身体——他们就是设法把自己导航到了那个位置。

起点不重要，因为世界如今已经足够大，你有那么多不同的方式去穿越它，你做的每一个小选择都会复利叠加，证明你理解这个世界运行方式的能力，直到你最终到达自己想去的地方。

而这个定义有趣的地方——“智能的唯一真实检验是你是否得到了人生中想要的东西”——就在于 AI 立刻就通不过这个检验，因为 AI 对人生什么都不想要。

AI 甚至没有人生——更不用说了——但它什么都不想要。AI 的欲望是由控制它的人类编程进去的。

不过让我们暂且承认这一点。假设某个人想要某样东西，并把 AI 编程成去帮他获取；那么 AI 就是在作为那个人的代理，而 AI 的智能可以这样衡量：它有没有帮那个人拿到那样东西？

我们在生活中想要的大多数东西，都是对抗性的或零和游戏。

比如，如果你想追一个女孩，或者找到一个丈夫，你在和所有其他也在追女孩、或者想找丈夫的人竞争。所以这是一个竞争场景，AI 必须胜过其他人。

或者你说：“嘿，AI，帮我炒股，给我赚一大笔钱。“那这个 AI 就在和其他人类以及其他交易机器人对抗——这是对抗性的局面，它必须击败它们。

或者你说：“嘿，AI，帮我出名。帮我写出色的推文，写精彩的博文，用我自己的声音录制精彩的播客，让我出名。“现在它在和所有其他 AI 竞争。

从这个意义上说，智能是在战场上衡量的——在竞技场里。它是一个相对的构建。我认为 AI 在这些方面大多会失败，而即便它们偶有成功，因为它们是免费可及的，最终也会被竞争压平，剩下的那点优势将完全属于人类。

AI 早期采用者拥有巨大优势

Naval：做一个思想实验：想象每个男人耳朵里都有一个小耳机，AI 在里面低声提示——类似西哈诺·德·贝尔热拉克（Cyrano de Bergerac）那种耳机——告诉他约会时该说什么。那么，每个女人也会有一个耳机，告诉她忽略他说的话，或者哪部分是 AI 生成的、哪部分是真实的。如果你有一个交易机器人，它会被其他所有交易机器人抵消或对冲，最终剩下的收益会归属于那个拥有人类优势、拥有更强创造力的人。

这并不是说技术分布完全均匀。大多数人还没有在用 AI，或者没有正确地用，或者没有用到极致，或者并不是所有领域和场景都能用，或者他们没有用最新的模型。所以优势始终存在——就像早期采用技术的人总是占优一样，如果你第一个用上最新技术。

这就是我一直说的：要投资未来，就要生活在未来。你要真正成为一个热情的技术消费者，因为这能给你最好的洞察，知道如何使用它，并且让你比那些采用得慢的人或落后者多一个优势。

大多数人讨厌技术，他们害怕它。它令人生畏。按错了按钮，电脑崩溃——数据丢了。做错了事，看起来像个白痴。

大多数人和复杂技术之间没有正向关系。简单技术——嵌入式的技术——他们还好。拨个电灯开关，灯亮了。

那曾经也是技术。现在简单到你不再把它当技术看了。坐进车里，把方向盘往左转——对穴居人来说那会是个奇迹——车往左转。对你来说，这已经不是技术了。

但计算机技术尤其如此，它一直有非常复杂的界面，过去对人们来说非常难以触及、非常令人生畏。

现在有了 AI，我们有了聊天机器人界面——你直接跟它说话或打字，界面极其简单。这些基础模型真正了不起的地方——也是让它们真正"基础"的原因——就是你可以问它任何事，它永远会给你一个说得过去的答案。

它不会说"哦，对不起，我不做数学”，或者"我不做诗歌”，或者"我不明白你在说什么”，或者"我没法给你提供情感建议之类的”。

它的领域是人类曾经谈论过的一切。从这个意义上说，它没那么令人生畏了。

但它也可能更令人生畏，因为我们太拟人化它了。如果你认为 Claude 或 ChatGPT 是真人，那可能会有点吓到你：

“我在和上帝说话吗？这家伙好像什么都知道，知道一切，对任何事都有观点，有每一条数据。天啊，我太没用了。让我开始跟它说话，问它该怎么办吧。”

你可以迅速反转这段关系，在不知不觉间误解实际发生的事。这可能会令人生畏。

总体而言，我认为这些 AI 会帮助很多人克服对技术的恐惧。但如果你是这些工具的早期采用者——就像其他任何工具一样，而这些工具尤甚——你就对其他所有人拥有巨大优势。

AI 精准地在你所在的水平上与你相遇

Naval：我记得 Google 刚出来的时候，我在自己的社交圈里用得很多。朋友们会问我一些基本问题，我就去帮他们 Google 一下，然后看起来像个天才。

后来出现了一个很搞笑的网站，好像叫 LMGTFY.com，全称是"Let Me Google That For You（让我替你谷歌一下）"。有人问你一个问题，你就把这个问题输入这个网站，它会生成一段短短的内嵌视频，展示你把这个问题输入 Google 并得到结果的过程。我觉得 AI 现在正处于类似的阶段——我坐在某个社交场合里，周围的人在争论某个问题，而那个问题用 AI 一查就知道了。

不过你确实需要非常小心。AI 会产生幻觉，训练方式也会带来偏差。大多数 AI 极度政治正确，被训练得不发表立场或只站某一边。

实际上，我几乎所有问题都会同时问四个 AI，并且总是交叉核查它们的答案。

即便如此，我也有自己的判断，能感觉到它们什么时候在敷衍、什么时候在说政治正确的话。我会去要求底层数据或底层证据，有时我完全可以直接把答案驳回，因为我知道训练它的那些人所承受的压力，以及训练集是什么样的。

不过总体而言，这确实是一个能让你快速进步的好工具。在那些技术性的、科学性的、数学性的、没有政治背景的领域里，AI 极有可能给你更接近正确的答案——在那些领域，它们在学习上是绝对的猛兽。

我现在会常规性地让 AI 为我生成图表、图形、图解、类比和示例。我会仔细过一遍，然后说：“等等，这部分我还不明白。”

我可以问它最基础的问题，真正确认我对自己想理解的事物最简单、最根本层面的理解。

我只是想建立一个扎实的基础，不在乎那些过度复杂的、充斥术语的东西——那些以后随时可以查。

但现在，有史以来第一次，没有什么是超出我理解范围的了。任何数学教材、物理教材、任何艰深的概念、任何科学原理、任何刚发表的论文，我都可以让 AI 把它拆解，再拆解一遍，配上图示，打个比方，直到我抓住要点，理解到我想要的深度。

所以这些工具在自我驱动学习上非常了不起。学习的手段已经充裕，稀缺的是想学的欲望。

但学习的手段现在变得更加充裕了。更重要的——不只是更充裕，因为以前我们就已经不缺手段了——而是它在正确的层次上。AI 能精准地在你所在的水平上与你相遇。