劃重點：
--面對大型科技公司的算力和數據優勢，小型ai初創公司需要專註於構建與大公司不同的、具有獨特價值的產品和服務。
--數據作為可出售資產常被高估，真正的價值在於如何利用數據，而非數據本身。
--技術進步和市場反應存在不確定性，風險投資模型接受一定比例的失敗作為創新過程的一部分。
--谷歌和微軟等企業為追求利潤不惜犧牲國家和全球利益，同時要求政府限制技術的開放性，揭示出資本主義黑暗面的道德和策略矛盾。
--歷史上的重大技術進步往往伴隨著金融泡沫，這是新技術推廣的自然組成部分。
--互聯網的發展經歷了從開放到封閉的過程，人工智慧的發展可能面臨類似的選擇，這將對其普及和創新產生深遠影響。
--技術創新儘管會伴隨著投機和泡沫，但終推動了社會進步和經濟增長，應被視為積極的社會力量。
騰訊科技訊 據國外媒體報道，美國風險投資公司a16z日前在視頻平台youtube上發布了聯合創始人馬克·安德森（marc andreessen）和本·霍洛維茨（ben horowitz）拍攝的視頻。在這段對話視頻中，安德森與霍洛維茨探討了面對大型科技公司擁有了算力和數據規模優勢，小型人工智慧初創公司如何與之競爭；揭示了數據作為可出售資產被高估的原因；以及人工智慧熱潮與本世紀初互聯網浪潮的異同之處。
2009年，安德森和霍洛維茨聯合創辦了風險投資公司安德森·霍洛維茨基金。因為這家風投公司名稱的第一個字母a和最後一個字母z之間有16個字母，所以簡稱為a16z。還有一種說法稱，只要對參投對象滿意，這家風投公司會參與初創公司從a輪到z輪的所有融資。
以下為對話全文：
01.巨頭陰影下的機會：ai初創公司的生存之道
安德森：今天我們將討論一個非常熱門的話題--人工智慧。我們將集中討論截至到2024年4月的人工智慧產業現狀。我們希望這將對任何在初創公司工作的人或在大型公司工作的人都有所幫助。我們一如既往地在社交媒體平台x上徵集了話題，收到了許多精彩的提問，因此我們準備了一系列聽眾問答，現在就讓我們直接進入正題。
首先的三個問題都聚焦於同一主題：一是人工智慧初創公司如何與大公司競爭。面對即將到來的人工智慧時代，初創公司的創始人們目前應該專註於構建什麼？二是小型人工智慧初創公司如何與擁有巨大算力和數據規模優勢的老牌科技企業競爭？三是對於依賴openai等公司的技術的初創公司，哪些公司能夠從基礎模型未來的指數級改進中受益，哪些公司又可能因此而失敗？
我先從第一個問題開始，然後再深入討論。openai首席執行官山姆·奧特曼（sam altman）最近在一次採訪中提出了一些我本人非常認同的觀點。他的觀點大致是，作為初創公司的創始人，應當預料到大型人工智慧公司推出的基礎模型會大幅改進，並應就此提前制定出應對策略。如果當前的基礎模型性能提升100倍，初創公司的創始人們會有什麼反應？他們應當對此感到興奮，因為這對自己的公司構成利好；還是應當感到擔憂，因為這可能會帶來一系列的問題？你對此有何看法？
霍洛維茨：我基本認同奧特曼的這個觀點，但也有一些細節需要注意。從他的角度來看，他可能在勸阻人們不要自己構建基礎模型，我並不完全同意這一點。許多正在構建基礎模型的初創公司實際上做得非常好。出現這種情況的原因有很多，首先是模型架構的差異，這決定了模型的智能程度、響應速度以及在特定領域的性能。這不僅適用於文本模型，也適用於圖像模型。不同類型的圖像對提示詞的反應各不相同。例如，如果你向兩款模型提出相同的問題，它們會根據用例以非常不同的方式作出反應。
其次，模型蒸餾（distillation，能夠把大模型的知識遷移到更小、更高效的模型中，在保持性能的同時降低算力和內存需求）技術的出現。openai可以開發全球最大、最智能的模型，初創公司則可以推出蒸餾版本的模型，用更低的成本實現非常高的智能。鑒於此，儘管大公司的模型無疑會變得更好，但如果初創公司構建的模型在某些方面有所不同，或者專註於不同的領域，那麼即使大公司的模型越來越出色，也不一定會影響這些初創公司。
如果初創公司選擇正面硬剛大型科技公司，可能會遇到真正的問題，因為後者銀行賬戶中儲備著巨額的現金。但如果初創公司從事的工作足夠獨特，或者專註於不同的領域，情況則會完全不同。舉例來說，日前推出開源模型dbrx的初創公司databricks，儘管這家公司也開發了一款基礎模型，但它採用非常特定的方式把這款基礎模型與自己領先的數據平台結合在一起使用。即便是openai的模型變得更好，也不足以對專註於特定領域的人工智慧模型構成真正的威脅。人工智慧語音克隆初創公司elevenlabs的語音模型已經嵌入到每個人的人工智慧堆棧中。所有人都把該公司的語音模型作為人工智慧堆棧的一部分使用。還有，elevenlabs的語音模型擁有開發者介面。這家初創公司專註於自己從事的事情。儘管一些初創公司表面上看起來是在與openai、谷歌或微軟競爭，但實際上並沒有真正的競爭，我認為此類公司前景廣闊。
02. ai智能存在極限值，訓練數據質量至關重要
安德森：我們更深入地探討一下「上帝模型」（god models）是否會出色100倍的問題。你認為大模型，即所謂的「上帝模型」，真的會變得更好100倍嗎？
霍洛維茨：我傾向於認為，大語言模型的性能確實有可能提升100倍。以我們目前對大語言模型的了解，儘管它們已經非常先進，但真正的區別可能只有深入研究它們的專業人士才能察覺。如果我們談論的是性能提升100倍，那麼按理說，我們應當能夠看到某些模型在性能上與其他模型明顯拉開差距。不過對在日常生活中使用（如提問和獲取信息）大語言模型的普通用戶而言，這種提升可能不會那麼明顯。
安德森：我們期望的提升可能包括知識的廣度和能力的提高。我認為在某些方面，如模型對於不同問題的響應速度和知識面，確實有可能實現顯著的進步。此外，輸出的精細度和質量也將是提升的關鍵。這包括減少錯誤信息，即減少『幻覺』，以及確保回答具有事實依據。
霍洛維茨：我贊同這些方面的表現將會大幅提升的觀點，因為人工智慧技術正朝著這個方向迅速發展。目前，我們面臨的挑戰是模型的對齊問題，即模型雖然越來越智能，但它們並不總是能夠準確表達所知信息。這種對齊問題在某種程度上也限制了模型的智能表現。
另一個問題是，我們是否需要一個突破性的進展，從而從當前的人工智慧--我稱之為「人工人類智能」（artificial human intelligence）--過渡到更高級的「通用人工智慧」（artificial general intelligence）。所謂「人工人類智能，」指的是人工智慧在模仿人類認知和語言使用方面已經達到了令人驚嘆的水平，它能夠執行許多人類能夠完成的任務。但如果要達到更廣泛的智能水平，我們可能需要某種形式的技術突破。
如果我們目前的技術已經接近極限，那麼在某些方面它可能不會實現100倍的提升。因為與人類相比，它們已經相當不錯了。儘管如此，人工智慧在知識掌握、減少幻覺以及在多個維度上的表現上，仍有望實現巨大的飛躍。
安德森：業界流傳著一張圖表，我記不太清它的具體坐標軸，但它大致展示了不同人工智慧模型性能提升的情況。在一些測試中，人工智慧模型的得分僅僅略高於普通人。這並不令人意外，因為人工智慧的訓練完全基於人類數據。有人反駁說，這些測試是否太過簡單了？是否需要更複雜的測試，就像sat考試一樣來真正衡量人工智慧的能力？如果在sat考試當中，許多學生在數學和語言部分都得到800分的滿分，這是否意味著評分標準過於局限？我們是否需要一種能夠真正測試出愛因斯坦級別智慧的測試？現有的測試方法固然有其價值，但我們可以設想一種能夠準確區分超高智商人群的sat考試，一種能夠真正衡量人工智慧超越人類水平推理能力的測試。
霍洛維茨：事實確實如此。人工智慧可能需要這樣的測試。此外，還有一個經常被人們提出的問題，也是我們內部一直在討論的問題，即我們是否需要採取更具挑釁性、更樂觀、或者說更具科幻色彩的預測。當用來自互聯網的數據訓練一個語言模型時，互聯網數據集的本質是什麼？它實際上是一切的平均水平，它是人類活動的一種代表。由於人口中智力分布的特點，大多數內容處於中等水平，因此被用於訓練模型的數據集平均而言代表了普通人類。使用此類數據，我們只能訓練出一個非常普通的模型。互聯網上大部分內容都由普通人創造，所以整體而言內容是普通的，生成的答案也是普通的。根據定義，互聯網中的答案平均而言是普通的。
如果用默認的提示詞詢問模型一些常規問題，如「地球是否繞著太陽轉？」我們會得到一個普通的答案，這已經足夠了。不過這裡有一個關鍵點：雖然平均數據可能來自普通人，但數據集也包含了所有聰明人所寫和所想的一切，所有這些內容都在數據集中。因此，這引出了如何通過特定的提示來引導人工智慧，讓它能夠使用數據集中「超級天才」的內容進行訓練。如果以不同的方式構建提示詞，實際上可以引導人工智慧沿著數據集中的不同路徑前進，從而得到不同類型的答案。
舉例來說，如果要求人工智慧編寫一段執行某項任務的代碼，比如排序一個列表或渲染一個圖像，它會給出普通的代碼。但如果要求它編寫安全代碼，它實際上會生成更少安全漏洞的優質代碼，這非常有趣。這是因為它訪問了一個不同的訓練數據集，即安全代碼的數據集。再比如，如果要求人工智慧以電玩遊戲程序員約翰·卡馬克（john carmack）的風格編寫圖像生成程序，你會得到一個好得多的結果，因為它能夠接觸到數據集中來自卡馬克編寫的代碼，他可是世界頂級的圖形程序員。可以想像，在許多不同的領域中通過精心設計的提示詞，我們可以解鎖人工智慧潛在的超級天才能力，從而得到默認答案之外更優秀的答案。
安德森：我也贊同這個觀點。我認為人工智慧的智能可能存在一個潛在的極限。我們之前討論過，世界非常複雜，而智能就是如何能夠更好的理解、描述、代表這個世界。但當前的人工智慧迭代中，由人類構建結構，然後再把構建出的結構輸入到人工智慧中，所以人工智慧擅長預測人類如何構建世界，而不是世界實際是怎樣的。後者可能更為複雜，也許在計算中不可簡化。
我們是否會遇到一個極限，即人工智慧可以非常聰明，但它的極限是與最聰明的人類一樣聰明，而不是比最聰明的人類更聰明？還有一個相關的問題，人工智慧能否想像出全新的事物，比如新的物理定律等等。當然，能夠做到這一點的人類可能只有三十億分之一，這是一種非常罕見的智能類型。所以，人工智慧仍然極其有用，但如果它們是人工人類，而不是所謂的超級人類，那麼它們扮演的角色會有所不同。
霍洛維茨：就拿人工智慧性能可以提升百倍的超級樂觀情況來說，憤世嫉俗的人會說，奧特曼宣稱人工智慧會優秀百倍。這恰恰是因為它們不會變得更好。奧特曼這麼說基本上是出於恐嚇的目的，阻止其他人參與競爭。
安德森：我認為，無論人工智慧是否會優秀百倍，奧特曼都會宣稱這一天終將會到來。對於那些不了解奧特曼的人而言，他是一位非常睿智的人。但毫無疑問，他是一位好勝心強的天才。所以在作出任何決定之前，必須考慮到這一點。
霍洛維茨：如果人工智慧的性能提升有限，奧特曼可能會說它們會變得更好；但如果它們確實有望大幅提升，他同樣也會從這個角度進行宣揚。畢竟，為什麼不呢？現在，讓我們來探討一個樂觀的論點，即人工智慧的性能可能會提升百倍，甚至千倍，並長期保持上升趨勢。雖然我將要提出的每個觀點都可能存在爭議，但在人工智慧領域裡，許多睿智的人都支持我的觀點。
首先，神經網路內部正在出現泛化學習，這一點通過內省技術（introspection techniques）得到了證實。此類技術使我們能夠觀察神經網路內部的神經迴路是如何在訓練過程中演變的。神經網路正在發展出通用的計算功能。例如，最近有人通過在大量國際象棋遊戲上訓練神經網路，結果網路內部構建了一個棋盤模型，能夠走出創新性的棋步。此外，所謂的「過度訓練」--即對同一模型使用相同數據進行更長時間的訓練——實際上被證明是有效的。特別是，meta和其他一些公司最近一直在討論所謂的過度訓練實際上是如何工作的，即基本上繼續對同一個模型進行訓練，對相同的數據進行更長時間的訓練，投入更多的計算周期。一些領域的專家甚至認為這種方法效果非常好，且不擔心增加訓練會導致收益回報遞減。
安德森：在meta最近發布的大語言模型llama中，使用的主要技術就是過度訓練。實際上，有專家告訴我們，目前我們可能不需要更多的數據來提升這些模型的性能，我們需要的是更多的計算周期。通過大幅度增加訓練次數，人工智慧的性能就有望得到顯著提升。
霍洛維茨：監督學習（supervised learning）在數據標註方面對人工智慧的提升作用不容小覷，它為這些模型帶來了巨大的性能飛躍。
安德森：我們目前聽到許多關於人工智慧自我完善循環的傳聞和報道，這些循環正在積極進行中。該領域的許多前沿實踐者認為，某種形式的自我完善循環已開始奏效。這涉及到讓人工智慧執行所謂的「思維鏈」（chain of thoughts），即讓它逐步解決問題，直到它能夠熟練掌握這一過程。不過通過在這些答案上對人工智慧進行再訓練，可以在推理能力的各個周期中實現類似於叉車式升級（即用戶為了獲得新技術所帶來的好處，必須用新設備取代舊的硬體）的情況。
許多專家認為，這種自我完善的方法現在已開始發揮作用。此外，還有關於合成數據的討論，儘管對此仍有激烈的辯論，但有相當一部分人對此持樂觀態度。還有，大語言模型可能在編寫代碼方面表現出色，但它們在驗證代碼方面可能更出色，實際上，相對於編寫代碼，大語言模型更擅長驗證代碼，這將是一個巨大的進步。這同時也意味著人工智慧可能需要學會驗證它們自己生成的代碼，而它們確實具備這樣的能力。我們對人工智慧系統有一種擬人化的偏見，這可能會誤導我們，因為我們傾向於將模型視為「它」。然後我們會產生疑惑，「它」怎麼可能在驗證代碼方面比編寫代碼更出色。但人工智慧不是單純的「它」，它是一個巨大的潛在空間，一個龐大的神經網路。在這個網路中，編寫代碼和驗證代碼可能是由完全不同的部分組成，且這兩者之間沒有必然的一致性要求。
如果人工智慧在其中一方面表現得更好，那麼它擅長的部分有可能使其不擅長的部分也變得越來越好，這就是自我完善的潛力。此外，還有許多其他因素也在推動人工智慧的發展。例如，目前晶元的極度短缺限制了許多人工智慧系統的潛力，但隨著時間的推移，這種限制將逐漸解除。還有數據標註的問題，目前人工智慧系統中已積累了海量的數據，但全球還有更多的數據等待挖掘。至少從理論上講，一些領先的人工智慧公司正在投入資金生成新數據；同時，即使是開源數據集的質量也在穩步提升。因此，我們可以預見到數據質量和數量的顯著改進。
此外，大量資金正在湧入人工智慧領域，為此類技術的發展提供了強有力的支持。同時，系統工程的工作也在同步進行，許多最初由科學家構建的系統，現在有了世界級工程師的加入。他們正在對這些系統進行精細調整，使其運行得更加高效。
霍洛維茨：也許這並不是一個簡單的選擇。這不僅使推理過程變得更加高效，而且也提高了訓練過程的效率。
安德森：確實，我們還有其它改進的領域。例如，微軟最近發布了該公司的小語言模型，有報道稱它在性能上能與更大的模型一決高下。微軟所做的關鍵工作之一是優化了訓練集。具體來說，他們去除了訓練集中的所有重複副本，專註於使用一小部分高質量數據進行訓練，而不是依賴於大多數人所使用的大量低質量數據。把所有這些因素疊加在一起，我們得到了大約八到十個不同的改進方向組合，這些方向既有實踐性的，也有理論性的，而且它們都在同步進行中。在我看來，很難想像這些因素的組合不會帶來從當前水平起步的顯著進步。
霍洛維茨：我完全贊同，這肯定會發生。就像回到奧特曼的問題或他的提議，如果你創辦了一家人工智慧初創公司，且認為自己的技術在兩年內才能達到gpt-4的水平，那麼你會考慮不應該再繼續。那將是一個糟糕的決定。
安德森：這涉及到許多創業者擔心的問題。他們試圖解決的問題是，我知道如何利用聊天，知道如何構建一個saas應用，也知道利用大語言模型來製作出色的營銷材料。假設這是一個非常簡單的事情，我為此構建了整個系統。會不會在6個月後，大模型僅通過簡單的提示詞就能更好地製作營銷材料，從而使我那看似複雜的系統變得無關緊要，因為大模型直接做到了？可以這樣想，很多當前人工智慧應用公司都被稱為「gpt包裝者」，在chatgpt周圍有一層薄薄的包裝，意味著chatgpt可以將它們商品化或取代它們。
當然，反方的觀點有點類似於稱所有舊的軟體應用程序都是資料庫包裝者。事實證明，圍繞資料庫的包裝就像大多數現代軟體一樣，很多這樣的軟體最終都非常有價值，而且圍繞核心引擎有很多構建的東西。當企業考慮構建應用程序時，該如何思考呢？
霍洛維茨：這是一個非常棘手的問題，因為其中存在著正確性差距。比如，為什麼我們有copilot（微軟推出的人工智慧助手，字面意思為「飛機副駕駛」）而不是人工智慧駕駛員？目前沒有人工智慧飛行員，只有人工智慧副駕駛。這實際上歸結為，我們還無法信任人工智慧系統在繪製圖像、編寫程序，甚至在沒有編造引用的情況下撰寫法庭簡報時是正確的。所有這些事情都需要一個人，沒有人的參與是相當危險的。我認為，從應用程序層面來講，為了使它真正有用，需要把副駕駛變成飛行員。我們能做到這一點嗎？這是一個有趣且困難的問題。還有一個問題是，在模型層面更好地完成，還是在頂部的某一層完成？通過做一些事，比如使用代碼驗證提煉出正確的答案，還是說這只是模型能夠做到的事情？我認為這是一個懸而未決的問題。
當進入一個領域，可能還有圍繞事物的包裝。我認為有一個模型並不擅長的領域，那就是流程。在資料庫世界裡，就像資料庫類比一樣，有一部分任務是在律師事務所寫簡報，但還有50個其他任務和事情需要整合到公司的工作方式中，比如流程、編排等等。也許有很多這樣的事情，比如如果在製作視頻，有很多工具，比如誰將寫歌詞，哪個人工智慧系統寫歌詞，哪個製作音樂，所有這些如何結合在一起，如何對它們進行整合等等。所有這些事情往往需要真正理解最終客戶等。這通常是應用程序與過去平台不同的地方，因為它們具有關於客戶如何使用它的真正知識，這與平台設計的目的無關。把這些從平台中提取出來對於企業或個人而言非常的困難。所以，我認為這些事情可能會奏效，特別是如果流程非常複雜，這是有趣的事情。
安德森：我經常建議創始人們從定價策略的角度思考問題。也就是說，可以從最終的商業價值出發反向推導。換而言之，首先確定你的技術能為客戶帶來多少價值，然後基於此價值來設定價格。技術專家通常會首先考慮自己的技術能力，然後再決定如何把它商業化，並思考如何定價。他們會在成本和自己認為合理的加價之間尋找一個平衡點。如果他們擁有市場壟斷地位，可能會設置更高的加價。這是一種以技術供應為導向的定價模式。然而，還存在一種截然不同的定價策略，即基於價值的定價模式，這種模式關注的是產品或服務對客戶的商業價值，而不是單純的成本加成。
舉例來說，如果我們談論的是價值100萬美元的商業機會，那麼是否能夠以此商業機會的10%定價，也就是10萬美元作為價格？這種定價策略的邏輯在於，如果產品或服務對客戶來說值100萬美元，他們可能會願意支付10%的費用來獲取它。
霍洛維茨：在我們的投資組合中，就有一家專註於討債等服務的人工智慧初創公司。想像一下，如果能夠通過一個副駕駛式的解決方案，用更少的人力追回更多的債務，那麼這個解決方案的價值遠遠超過了購買openai許可證的成本。因為openai許可證本身並不能直接幫助追討債務，而這家初創公司的解決方案能夠顯著提高討債者的效率。因此，關鍵在於如何彌合產品價值與客戶支付意願之間的差距。有一個非常重要的觀點：檢驗你的商業想法是否優秀的一個重要標準是，你能夠為其收取多少費用。你是按照為客戶帶來的價值來定價，還是僅僅根據客戶需要投入的工作量來定價？在我看來，這才是真正的試金石，用以衡量你所創造的價值的深度和重要性。
安德森：確實，從技術投資者的角度來看，存在一些難以準確評估的企業類型。這些企業提供了針對商業問題的具體解決方案，而這些問題對客戶來說價值巨大，因此他們願意支付相當價值的一部分作為費用。這種模式意味著，即使企業在技術上的差異化不是非常明顯，它們仍然可以非常賺錢。而且，由於這些業務的盈利能力，它們實際上有能力深入思考技術如何融入業務，以及它們還能做些什麼。例如，salesforce.com的成功故事就是如此。
霍洛維茨：還有一種觀點認為，隨著所有模型的性能都在迅速提升，且有開源模型如llama和mistral等優秀的模型可供使用，真正的價值創造點將在於工具的編排和整合，因為你可以簡單地插入當時最佳的模型。而模型本身將在市場上相互競爭，最終可能會商品化，成本最低的模型將會勝出。因此有人認為，最佳策略是將強大的人工智慧技術帶給人們。
03.投機熱潮背後的真相：ai投資的現實與幻想
安德森：我們接著看其他問題。有人詢問：「為什麼風險投資公司在明知aigc初創公司近期不會盈利的情況下，仍然對此類公司進行巨額投資？」還有人問：「如果人工智慧降低了創辦初創公司的成本，技術投資的結構將如何變化？」基本上講，這兩個問題是完全對立的。如果你從左眼模糊地看，你會看到投資基礎模型公司的資本正在以驚人的速度增長。此類初創公司正在籌集數億、數十億甚至數萬億美元，這讓人不禁驚嘆於這些公司的資本規模。但如果從右眼模糊地看，你會發現，現在構建軟體變得容易得多，擁有一家軟體公司或讓一小群程序員編寫複雜軟體變得容易得多，因為他們得到了人工智慧助手和自動化軟體開發能力的支持。因此，創辦一家人工智慧應用初創公司的成本可能會大幅下降，可能起步資金只需要創辦salesforce.com成本的十分之一、百分之一或千分之一。我們如何看待這種二元性，即從任何一種角度都可以看到成本要麼大幅飆升，要麼實際上趨近於零。
霍洛維茨：我們確實對這兩種類型的初創公司都有投資。我認為，歷史上最快實現盈利的公司，是那些營收增速遠遠超出成本支出的人工智慧公司。在我們的投資組合中，這些人工智慧初創公司的營收增速都相當快，實際上增速已經超過了成本增速。同時，開發基礎模型募集到數億甚至數十億美元的初創公司，它們也在不斷地快速產生營收，而且所有這些公司的員工人數都很少。因此我會說，甚至是像openai這樣的初創公司，從員工人數相對於其營收的角度來看，他們並不是一家大公司。如果你看看它們的營收水平以及他們達到這個水平的速度，員工人數是相當少的。當然，此類初創公司的總支出是巨大的，但它們都投入到了模型的創建中。這是一個有趣的事情，我不確定該如何完全理解它，但我認為，只要不是在構建基礎模型，它將使初創公司的運營更高效，並可能更快地實現盈利。
安德森：有一種非常樂觀的反論點，即建立新軟體公司成本的下降可能只是一種幻覺。這背後的原因是經濟學中的一個現象，稱為吉芬悖論（jevons paradox）。吉芬悖論發生在技術進步提高了資源使用效率，從而減少了任何單一用途所需的資源量，但資源成本的下降又刺激了需求增加，這種需求的增長彈性足以使資源的總體使用量增加而非減少。我們可以看到這種現象的案例，例如在高速公路上，實際上它加劇了交通擁堵。原因基本上是，有了更多的道路，可以容納更多的人居住在這裡；企業可以擴大規模，結果車輛比以往任何時候都多，交通狀況變得更加糟糕。或者可以想到工業革命期間煤炭消耗的經典例子。隨著煤炭價格的下降，人們使用的煤炭量實際上比以往任何時候都多。儘管人們獲得了更多的動力，但結果是使用了更多的煤炭。
這裡的悖論是，儘管開發任何特定軟體的成本下降，但對此的反應是對軟體能力的需求激增，因此儘管看起來像軟體公司的起始價格將會下降，但實際上將發生的情況是，由於軟體能夠實現的功能大大增加，產品質量將會大幅提升，產品路線圖將會非常激動人心，客戶將會非常滿意，他們希望獲得地更多，因此結果將是開發成本實際上上升了。以好萊塢為例，cgi（計算機生成圖像）理論上應該降低了製作電影的成本，但實際上卻增加了，因為觀眾的期望上升了。現在看好萊塢電影，滿滿當當的cgi特效。因此，電影的製作成本比以往任何時候都要高。至少在好萊塢，結果是電影在視覺上更加精緻，無論它們是否更好是另一個問題，但它們在視覺上更加精緻，更具吸引力，令人驚嘆。
在軟體方面，因為終端用戶能夠獲得更好的軟體，這讓他們想要得到更多的軟體，進而導致軟體的開發成本上升。
霍洛維茨：思考一下旅行這樣的簡單案例。通過expedia預訂旅行是複雜的，用戶需要點擊不同的界面，很可能會出錯。而人工智慧版本的預訂系統將是：送我去巴黎；讓我住在我最喜歡的酒店；以最好的價格為我安排最好的航空公司機票；讓這次旅行對我來說非常特別。你也可以讓人工智慧提供的服務變得更加複雜。比如說：我們知道這個人喜歡巧克力，我們將從瑞士通過聯邦快遞把世界上最好的巧克力送到巴黎的這家酒店等等。可以說，人工智慧提供的服務可以達到我們今天甚至無法想像的水平。目前還做不到這些，僅僅是因為軟體工具還不是它們將要成為的樣子。
安德森：我完全贊同你的觀點。設想一個場景：我於傍晚六點抵達波士頓，期望與一群極具魅力的人士共享晚宴。
霍洛維茨：確實，這樣的安排在當下是任何旅行社都無法提供的。當然，你也未必希望旅行社介入。
安德森：不過你會逐漸意識到，這種個性化的體驗需要與我的個人人工智慧緊密結合。創意的無限可能，以及人類創造新事物的能力，一直是被低估的。這種能力似乎是無窮無盡的。20世紀上半葉的傑出經濟學家約翰·梅納德·凱恩斯（john maynard keynes）曾預言，隨著自動化的普及，人們將不再需要每周工作40小時。凱恩斯認為，一旦基本的生活需求--如食物和住所--得到滿足，人們就無需再為生存而工作。但隨著時間的推移，人們的需求也在不斷增加，從冰箱、汽車、電視到享受假期，需求似乎永無止境。未來我們還會需要什麼我無法預知，但可以肯定的是，總有人能夠預見並創造出新的需求，這些需求很快就會變得極具吸引力。
霍洛維茨：凱恩斯在著作《我們後代的經濟前景》中提出了這一觀點。同樣，卡爾·馬克思（karl marx）也曾表達過類似的看法。他認為.在社會主義烏托邦實現後，社會將能夠調節總體生產，從而讓個人能夠自由地從事各種活動。馬克思曾描述：「在早上打獵，在下午釣魚，在晚上養牛，在晚餐後指點江山。」這種生活圖景描繪了一種理想的生活狀態。如果我必須列出四件我不願意從事的活動，那麼它們將是打獵、釣魚、養牛和指點江山。
凱恩斯和馬克思的共同點在於，他們都對人們想要做什麼持有一種非常有限的看法。此外，人們渴望擁有使命感，希望擁有事業心，追求目標，成為有用的人，在生活中發揮積極作用。這一發現在某種程度上是令人驚訝的。因此，我一直認為，軟體的需求基本上是完全彈性的，可能無限增長。隨著軟體成本的持續降低，需求也會隨之增長。因為在軟體領域，總有新的事項可以完成，總有新的自動化、優化和改進的空間。一旦當前的約束條件消失，人們就會想像出新的可能性。
以人工智慧為例，目前一些公司正在開發具有高級功能的人工智慧安全攝像頭系統。在過去，能夠處理和存儲來自不同攝像頭的視頻流，並提供回放界面的軟體，就已經被認為是技術上的一大進步。然而，現代的人工智慧安全攝像頭已經能夠對環境中發生的事情進行實際的語義理解。它們能夠識別特定的人，並根據他們的行為和表情判斷是否存在異常情況。例如，系統可以識別出有人攜帶槍支是因為他有打獵的習慣；而其他人通常不會攜帶槍支，如果突然攜帶槍支並表現出憤怒的表情，系統就會判斷出可能存在危險。這種具有語義理解的安全系統顯然比傳統的安全系統要複雜得多，其製造成本也可能更高。
霍洛維茨：設想一下，在醫療保健領域，我們能夠做到每天早上醒來時，進行一次全面的自我診斷，以了解自己的健康狀況。例如，我們可以詢問：「我今天感覺如何？我所有的生理指標都在什麼水平？」以及「我應該如何解讀這些數據？」在醫學診斷領域，人工智慧特別擅長處理高維度數據問題。當能夠獲取連續的血糖讀數、偶爾進行血液測序等數據時，我們就能獲得對個人健康狀況的深入洞察。追求更健康的生活是每個人的願景。目前，我們日常的健康監測手段，如體重稱重或心率監測，與未來可能實現的高級健康監測相比，顯得十分原始。
04.數據資產的真正價值：ai模型的潛力與局限
安德森：下面我們轉向新話題。關於數據的討論，有人提出了問題：隨著人工智慧模型的發展，它們允許我們以極小的成本複製現有的應用程序功能，這使得專有數據似乎成為了最寶貴的資產。在你看來，這將如何影響專有數據的價值？在這種新興環境下，企業應該集中精力構建哪些其他類型的資產？還有人提問：在人工智慧的新時代中，企業應如何保護敏感數據、商業機密、專有數據以及個人隱私？
為了引出討論，我將從一個可能引起爭議的觀點開始，即「數據是新石油」。這種觀點認為，數據是訓練人工智慧、推動其運作的關鍵輸入。因此，數據成為了一種全新的、限制性的、極具價值的資源。在人工智慧訓練過程中，這一點體現得尤為明顯。許多公司在探索如何利用人工智慧時，常會強調他們擁有的專有數據。例如，醫院、保險公司或其他類型的企業可能會聲稱，他們擁有大量專有數據，可以利用這些數據與人工智慧結合，創造出其他人無法輕易獲得的成果。
不過我要提出的觀點是，在幾乎所有情況下，這種看法並不成立。這實際上只是一種模仿現象。互聯網上以及更廣泛環境中可用的數據量是如此龐大，以至於儘管可能沒有個人的具體醫療信息，但我已經能夠從互聯網上獲取到眾多人在多種不同情況下的醫療信息，這些數據的海量足以壓倒性地超越所謂的「個人數據」的價值。因此，對於社交媒體平台x而言，其專有數據在某些方面可能略有用處，但實際上並不會帶來顯著的影響，而且在大多數情況下也不會成為一個關鍵的競爭點。
支持我這種觀點的證據是，至今我們並未看到一個豐富或成熟的數據市場。實際上，不存在大型的數據交易市場。相反，我們看到的是一些規模較小的數據處理市場，如數據經紀人，他們向客戶出售大量互聯網用戶的信息，但這些業務的規模相對較小。如果數據真的具有巨大價值，它就會有明確的市場價格，並且我們會看到它在市場上的交易。然而，我們並沒有看到這種情況，這在某種程度上證明了數據的價值並不像人們想像的那麼高。
霍洛維茨：我贊同這種觀點。原始數據--那些未經任何處理的數據集--其價值往往被過分誇大。我完全同意這一點。儘管我能夠想像到一些例外，例如某些特殊的人群基因資料庫，它們可能難以獲取，並且在某些研究領域具有獨特價值，這些數據並不是隨便可以在網路上找到的。我可以設想，這些數據是高度結構化的、通用的，並且不易被廣泛獲取。然而，對於大多數公司所持有的數據而言，情況並非如此。這些數據要麼是廣泛可獲取的，要麼是特定性的而非通用的。
儘管如此，一些企業已成功地利用數據來提升業務成果。以meta為例，該公司就利用其數據取得了顯著成效，通過將數據輸入自己的人工智慧系統，以驚人的方式優化其產品。我相信，幾乎每家公司都能夠通過利用自身的數據來增強其市場競爭力。但是，認為公司只要收集了一些數據，就能像出售石油一樣將其變現，或者認為這些數據就是新的石油資源，這種想法實際上是不切實際的。有趣的是，許多我們認為最有價值的數據，比如企業自己的代碼庫--即企業編寫的軟體，很多都存放在github上。據我所知，在我們合作過的任何一家企業中，沒有哪家企業正在基於自己的代碼建立獨立的編程模型，或者這是否是一個好主意，這可能是不必要的，因為已經有大量的代碼存在，且系統已經在這些代碼上進行了充分的訓練。因此，這並不是一個顯著的優勢。我認為，只有非常特定類型的數據才具有真正的價值。
安德森：讓我們把這一觀點轉化為具體的行動指南。假設我管理著一家大型公司，如保險公司、銀行、醫院集團，或者是像百事可樂這樣的消費品公司，我該如何驗證我實際上擁有一個有價值的專有數據資產，並且我應該集中精力去利用它，而不是將所有努力都投入到嘗試優化使用該數據上，或者完全轉向使用互聯網數據來構建解決方案呢？
霍洛維茨：以保險業務為例，如果你身處該行業，那麼你的所有精算數據都是有趣且相關的。我不確定是否有人公開發布過他們實際的精算數據。因此，我不確定你如何能夠僅憑互聯網上的數據來訓練模型。這是一個值得探討的好問題。
安德森：讓我提出一個挑戰性的假設：假設我是一家保險公司，擁有1000萬人的記錄，包括他們的精算表、生病和去世的時間等信息，這聽起來很不錯。但是，互聯網上已經有大量關於大規模人群的一般精算數據，因為政府會收集這些數據，進行處理，並發布報告，同時還有眾多第三方和學術研究的數據。你的大型數據集是否為您提供了任何額外的精算信息，而這些信息在互聯網上的更大數據集中尚未提供？您的保險客戶在精算上是否真的與普通人群有所不同？這些問題值得每一位數據管理者深思。
霍洛維茨：我認同這樣的觀點：在保險業務中，當客戶申請保險時，公司通常會要求進行血液測試等健康檢查，以獲取客戶的健康狀況信息。這些信息包括客戶是否吸煙等生活習慣，對於保險公司來說，這些都是重要的數據。然而，在一般的資料庫中，雖然可以知道誰去世了，但往往不清楚這些人之前的具體健康狀況和生活習慣，因此，保險公司真正尋求的是，對於具有特定檔案和實驗室結果的人群，他們的預期壽命是多長，這也正是數據價值所在。
有趣的是，像coinbase這樣的公司，在防止非法入侵方面擁有極其寶貴的資產。他們在這方面投入了大量的工作，並且肯定積累了大量關於各種入侵嘗試的數據。這些數據可能非常特定於試圖非法進入加密貨幣交易所的人群，因此，這些數據對coinbase來說可能非常有用。我不認為他們能夠將這些數據出售給任何人，但我認為，如果每家公司都能將數據輸入到一個智能系統中，都會有助於他們的業務。我認為幾乎沒有公司擁有可以簡單出售的數據。
同時，還有一個中間問題需要考慮，那就是哪些數據是你願意讓微軟、谷歌或openai等公司獲取的。我認為，企業正在努力解決的不是我們是否應該出售我們的數據，而是我們是否應該訓練自己的模型以最大化價值，或者我們是否應該將數據輸入到大型模型中。如果我們將數據輸入到大型模型中，所有的競爭對手是否都會獲得我們剛剛輸入的信息？我們能否信任大公司不會利用我們的數據？如果企業的競爭力依賴於此，那麼可能不應該這麼做。
安德森：是的，至少有報道指出，某些大公司正在使用他們本不應該使用的各類數據來訓練他們的模型。
霍洛維茨：我認為這些報道很可能是真實的。或者，他們應該開放數據。我們之前已經討論過這個問題，那些聲稱沒有竊取人們數據或以未經授權的方式獲取數據的公司，卻拒絕透露他們的數據來源。為什麼不告訴我們你的數據來自哪裡？事實上，他們試圖關閉所有開放性--沒有開源、沒有開放權重、沒有開放數據、沒有任何開放的東西，並且試圖讓政府這樣做。如果你不是竊賊，那你為什麼要這麼做？
安德森：確實如此。舉個保險領域的事例，使用遺傳數據進行保險目的是非法的。美國有一項名為《2008年遺傳信息非歧視法案》的法律，基本上禁止了美國的健康保險公司使用遺傳數據進行健康評估。順便說一下，由於基因組學正在變得非常先進，這些數據如果真的用於預測人們何時會生病和去世，可能是最準確的數據之一。而他們實際上被禁止使用這些數據。
霍洛維茨：我認為這是一個有趣的例子，它反映了良好意圖在政策制定上的奇怪誤用，這可能導致的死亡人數可能比fda等所有健康政策所拯救的人數還要多。在人工智慧領域，獲取關於所有人的生病原因、他們的遺傳信息等數據，是最寶貴的資源。這就像是「新石油」。如果能夠將這些信息匹配起來，我們將永遠不會不知道為什麼生病，能夠使每個人都更健康。但為了阻止保險公司對更有可能去世的人進行過高收費，我們實際上封鎖了所有這些數據。更好的辦法是，對於那些更有可能需要的人，我們大規模地補貼醫療保健，就像我們通常對個人所做的那樣，然後解決這個問題，而不是封鎖所有數據。
安德森：關於保險，有一個有趣的問題是，如果你擁有關於個體結果的完全預測性信息，保險的整個概念是否仍然有效？因為保險的全部理論是風險共擔。你不知道具體案例將會發生什麼，這意味著您建立這些統計模型，然後進行風險共擔，然後根據發生的具體情況有可變的賠付。但如果您因為擁有所有這些預測性的基因組數據而確切地知道每個案例將會發生什麼，那麼風險共擔突然就不再有意義了。你只會說，這個人將會花費x，那個人將會花費y。
霍洛維茨：現行的健康保險體系在本質上似乎並不合理。保險的概念源自於農業保險，即農民們共同出資建立一個基金，以讓個別人農作物歉收時能夠得到補償。這種機制旨在應對災難性的、不太可能發生的事件。然而，現實中，每個人都需要就醫，且人們的健康狀況各異，但健康保險卻通過一個增加成本、官僚程序和大型公司的複雜系統來運作。如果我們的目標是為人們的健康買單，為什麼不直接為醫療保健服務買單呢？此外，若要阻止人們過度就醫，提高自付額似乎是一個更直接的方法。
安德森：從正義和公平的角度出發，如果預知某人的醫療費用將高於他人，是否應由我為其支付更多？如果我們可以準確預測個人的醫療成本，或者擁有一個高效的預測模型，那麼社會成員共同分擔醫療費用的意願可能會顯著下降。
霍洛維茨：遺傳上的因素是個人無法控制的，但個人的行為卻可能顯著增加患病的風險。因此，我們或許可以通過激勵措施來鼓勵人們保持健康，而不僅僅是支付醫療費用以延長生命。在我看來，美國當前的醫療保險系統設計極度不合理，存在許多可以改進的地方。與其他一些國家相比，美國的體系顯得十分荒謬。
05.從互聯網泡沫到ai繁榮：歷史會重演嗎？
安德森：有人提問，當前人工智慧的發展與互聯網1.0時代之間最顯著的共同點是什麼。對此，我提出一個理論。由於我在互聯網早期的角色，以及你在網景公司的經歷，我們經常面對這樣的問題。互聯網的興起是技術史上的一個重要事件，至今仍被許多人銘記。人們傾向於通過類比來進行推理，認為人工智慧的興起必然與互聯網的繁榮相似，創辦人工智慧公司也許類似於創辦互聯網公司。然而，我們實際上收到了許多類似的問題，它們都是關於類比的。我個人認為，這種類比在很大程度上並不適用。儘管在某些方面它確實有效，但在大多數情況下並不適用。原因在於，互聯網是一個網路系統，而人工智慧則是基於計算機的技術。
霍洛維茨：的確如此。
安德森：為了增進理解，我們可以將當前的討論與個人電腦的興起或更恰當地說，與微處理器的發展相類比。我的類比可以追溯到大型機的時代。互聯網的顯著成就在於它作為一個網路，將眾多現有的計算機連接在一起。當然，人們也為了與互聯網相連而設計了各種新型計算機。但關鍵點在於，互聯網的本質是一個連接的網路。這一點至關重要，因為互聯網行業的動態、競爭格局以及初創企業的活動大多與構建網路或開發網路應用程序有關。互聯網時代的初創企業深受網路效應的影響，以及當你將大量人群連接起來時所產生的正反饋循環，例如梅特卡夫定律所描述的網路價值隨著用戶數量的增加而增長。
儘管人工智慧領域也存在網路效應，但其更類似於微處理器或晶元，即作為一台計算機。它是一個系統，數據輸入、處理、輸出，然後產生結果。這是一種新型計算機--概率計算機，一種基於神經網路的計算機。它並不總是給出精確的結果，有時甚至可能與你爭辯，拒絕回答你的問題。
霍洛維茨：這種新型計算機在本質上與傳統計算機截然不同，它能夠以更壓縮的形式構建複雜事物。它擁有新的、不同的、有價值的能力，因為它能理解語言和圖像，完成以往確定性計算機無法解決的任務。我認為，從計算機行業的早期或微處理器的早期階段汲取的類比和教訓，比互聯網早期的經驗更為貼切。這並不意味著技術發展過程中不會出現繁榮與蕭條的循環，因為人們對技術的期望往往會經歷從過度興奮到過度悲觀的轉變。我們可能會看到晶元和能源等方面的過度投資，但我認為，網路的本質和計算機的發展路徑在演變方式上有著根本的不同，其採用曲線也將有所不同。
安德森：這引出了我對行業未來發展方向的思考。我們面臨的一個關鍵問題是：這個行業將如何發展？是會出現幾個大型模型，還是會有大量不同規模的模型？計算機行業的歷史，特別是最初的ibm大型機時代，為我們提供了洞見。這些大型計算機龐大而昂貴，數量有限。當時的普遍觀點是，世界上只需要幾台計算機。ibm的創始人托馬斯·沃森（thomas watson）甚至認為，全世界可能只需要五台計算機。這種觀點是基於政府和幾家大型保險公司的需求。然而，隨著計算機產業經歷了50年的發展，我們看到了計算機技術的多樣化和普及。
霍洛維茨：是的。還有誰會需要做那麼多的數學運算呢？
安德森：究竟是誰還需要去跟蹤那些龐大的數字？又有誰需要那麼高水平的算力？這種需求在當前看來似乎並不相關。順便一提，早期的計算機不僅體積龐大，而且價格昂貴，這使得它們成為了只有少數人能夠負擔得起的奢侈品。除了購買成本，還需要考慮到維護這些計算機所需的人力成本。在那個時代，計算機的體積之大，以至於需要專門為它們建造一整棟建築。你會看到穿著白色實驗室外套的工作人員，他們負責照看這些計算機，因為必須保持極高的清潔度，否則計算機就可能停止工作。這種情景催生了所謂的『ai上帝模型』，即大型基礎模型的概念，以及『上帝大型機』的想法，即只有少數幾台這樣的設備存在。如果你看過老科幻電影，通常會有這樣的設定：存在一台大型超級計算機，它要麼在執行正確的任務，要麼在做錯事，如果它在做錯事，那麼電影的情節通常就是圍繞如何修復或擊敗它展開的。這種單一的、自上而下的概念在最初的幾十年里一直持續存在。
隨著計算機開始變得更小，我們進入了所謂的「小型計算機」時代，這是下一個階段。小型計算機的成本雖然從5000萬美元降低到了50萬美元，但對於普通人來說仍然是一筆巨大的開支。因此，只有中等規模的公司能夠購買小型計算機，而普通家庭則無法承擔。隨後，個人電腦的出現進一步降低了成本，大約在2500美元左右，而智能手機的出現則進一步將成本降低到了大約500美元。到了今天，計算設備已經變得無處不在，它們有著各種各樣的形狀、大小和功能，甚至有些計算設備的成本只有一分錢，比如控制房間溫度的恆溫器中的嵌入式arm晶元。全世界有數十億這樣的設備，而一輛新車中可能包含多達200台計算設備，甚至更多。現在，我們普遍認為幾乎所有的設備都內置了晶元，並且這些晶元都需要電力或電池來供電。此外，我們也越來越多地假設這些設備都連接到了互聯網上，因為幾乎所有的計算機都被假定為要麼已經在互聯網上，要麼很快就會連接到互聯網上。
因此，今天的計算機行業形成了一個巨大的金字塔結構。在金字塔的頂端，仍然有一小部分超級計算機集群或大型主機，它們就像上帝模型或上帝主機。接下來是數量更多的小型計算機、個人電腦、智能手機，以及數量龐大的嵌入式系統。計算機行業包含了所有這些不同類型的設備。根據你的需求、身份和目的，你可以選擇不同大小的計算機。如果這個類比成立，那麼它基本上意味著我們將擁有各種不同大小、形狀和能力的ai模型，這些模型將基於不同類型的數據進行訓練，並在不同的規模上運行，擁有不同的隱私政策和安全政策。你將面對巨大的多樣性和變化，形成一個完整的生態系統，而不僅僅是由幾家公司所主導。是的，我很想聽聽你對此的看法。
霍洛維茨：我認為這個觀點是正確的。此外，我認為在這個時代，計算領域另一個有趣的事情是，如果我們回顧從大型機到智能手機的整個計算時代，因為設備操作難度大，反而牢牢鎖定了用戶群體。正如常言道，「從來沒有人因為購買ibm設備而被解僱」，這是因為人們已經接受了相應的培訓，掌握了使用操作系統的技能。鑒於處理計算機的龐大複雜性，選擇一個已知且安全的選項是合理的。即使是在智能手機領域，例如蘋果的智能手機，它們之所以能夠佔據主導地位，部分原因在於轉換到其他系統的成本非常高昂且過程複雜。
這引出了一個關於人工智慧的有趣問題。因為到目前為止，人工智慧是最容易使用的計算機系統，它能夠使用英語進行交流，就像與人交談一樣。因此，這裡存在何種形式的鎖定？用戶是否可以完全自由地選擇他們特定任務所需的計算機大小、價格、性能和速度？或者，他們是否被鎖定在某個「上帝模型」中？我認為這仍然是一個尚未完全解決的問題，但它非常引人入勝，並且可能與以前的幾代計算機系統有很大的不同。
安德森：很有道理。為了完成這個問題，你認為我們從經歷的互聯網時代中學到的哪些教訓是相關的，人們應該考慮哪些因素？
霍洛維茨：我認為其中的一個重要教訓是，互聯網時代的興衰周期性。可以看到，對互聯網的需求和對其潛力的認識是如此之高，以至於資金像傾盆大雨一樣湧入。在互聯網時代，基礎電信基礎設施和光纖等設施獲得了無限制的資金支持，導致光纖的過度建設。最終，我們遭遇了光纖過剩的局面，許多電信公司隨之破產，儘管這帶來了一些樂趣，但最終我們還是達到了一個良好的狀態。我認為這種情況很可能在人工智慧領域重演，每家公司都可能獲得資金支持，但我們實際上並不需要那麼多的人工智慧公司，因此許多公司將會失敗，將會有巨大的投資者損失。可以肯定的是，晶元的過度生產將在某個時刻發生，我們將會有過多的晶元，一些晶元公司肯定會破產。同樣的情況也可能發生在數據中心等方面，先是落後，然後過度建設，這將非常有趣。這是每種新技術發展的自然規律。新技術的發展往往會經歷過度建設、不足建設，然後再過度建設的循環。在這個過程中，資金的湧入推動了基礎設施的建設，儘管許多資金會損失，但我們獲得了基礎設施，因為它真正被採用並改變了世界。
互聯網發展的另一個重要方面是，它經歷了幾個階段。一開始，互聯網非常開放，這可能是對經濟最有利的一次大繁榮，它無疑創造了巨大的增長和力量，增強了美國的經濟實力和文化影響力。然後，隨著下一代架構的出現，互聯網變得封閉，比如互聯網的發現幾乎完全由谷歌等公司控制。我認為ai可能會朝兩個方向發展：它可以非常開放，或者由於錯誤的監管，我們可能會迫使自己從開放源代碼、任何人都可以構建的技術，轉變為只有今天擁有互聯網的公司擁有的技術，這將使我們在與中國等國家的競爭中處於巨大劣勢。因此，我認為這是我們目前正在努力確保不會發生的事情，但它確實是目前一個真正的可能性。
安德森：確實存在一種諷刺意味，即網路曾經完全是專有的，但隨後它們開放了。
霍洛維茨：是的，沒錯，像appletalk、netbeui和netbios這些都是早期由各個特定供應商提供的專有網路。
安德森：然後互聯網出現了，隨著tcp/ip等技術的發展，一切都開放了。不過人工智慧領域似乎正朝著另一個方向發展：大公司正試圖將人工智慧帶向相反的方向。人工智慧起初是開放的，就像基礎研究一樣。但現在，他們正試圖將其封閉起來，這是一種相當不良的轉變。
霍洛維茨：是的，非常不良。對我來說，這確實令人震驚。這在某種程度上是資本主義最黑暗的一面，當一家公司如此貪婪，以至於他們願意為了獲得一點點額外的利潤而破壞國家乃至世界。但他們這樣做的方式非常惡劣：他們聲稱這是為了安全，聲稱我們創造了一個無法控制的人工智慧，但我們不會停止開發，我們會儘可能快地繼續構建它，我們會購買地球上的每一個gpu。但我們需要政府介入，阻止它的開放。這正是谷歌和微軟目前的立場，這太瘋狂了。
安德森：我們不會去保護它。
霍洛維茨：這與安全無關，只與壟斷有關。
安德森：是的，關於你提到的投機問題，有一種我們經常聽到的批評聲音，基本上是說：「你們這些企業家、投資者真是愚蠢，每次新技術出現時都會產生投機泡沫，你們這些人怎麼就學不乖呢？」嗯，這裡有一個老笑話與此相關，那就是在投資中四個最危險的詞是「這次不一樣」（this time is different）。所以，歷史會重演嗎？它不會重演嗎？不可否認的是，歷史上幾乎每一次重大技術進步都伴隨著某種金融泡沫，基本上是自從金融市場存在以來一直如此。這包括了從無線電、電視到鐵路等一切事物。順便說一下，60年代實際上有一個被稱為『tronics』的電子繁榮與蕭條周期，當時每家公司的名字都帶有『tronics』。還有激光繁榮與蕭條周期，所有這些周期。
基本上，任何一種新技術，經濟學家稱之為「通用技術」，即可以用於許多不同方式的東西，都會激發一種投機狂熱。而批評的聲音是，「為什麼你需要有這種投機狂熱？為什麼你需要有這個周期？因為你知道，有些人投資於某些事物，他們損失了很多錢，然後會有這樣一個泡沫破裂周期，讓每個人都感到沮喪。這可能會延遲技術的推廣。」有兩件事情需要指出：第一，如果你面對的是一種通用技術，像人工智慧這樣可能在許多方面都有用的技術，實際上沒有人事先真正知道成功的用例或成功的公司會是什麼。你必須要通過實踐來學習，你會有失敗，這是風險投資的一部分。是的，我們確實如此。所以，風險投資的真正模型在某種程度上已經考慮了這一點。在核心風險投資中，我們所做的那種，我們基本上假設一半的公司會失敗，一半的項目會失敗。如果你完全失敗，比如虧錢了，那確實是一個問題。
霍洛維茨：完全失敗確實就如同虧錢一般。
安德森：當然，如果我們或我們的任何競爭對手能夠找出如何只做那50%能成功的工作，而避免那50%不成功的工作，我們肯定會這麼做。但現實是，我們已經在這個領域進行了60年的研究，但沒有人找到這樣的方法。因此，這其中存在不可預測性。而且，另一個有趣的思考方式是，如果一個社會對新技術的出現沒有投機行為，那將意味著這個社會基本上對新技術的前景以及創業精神持有一種根深蒂固的悲觀態度。
世界上有許多這樣的社會，它們根本缺乏像矽谷這樣的地方所擁有的發明精神和冒險精神。而它們是更好還是更糟呢？通常來說，它們的情況更糟。它們對未來的關注較少，對創造事物的關注較少，對如何實現增長的關注也較少。所以，我認為這是「不可避免的現象」，我們當然希望避免投機性繁榮和蕭條周期的負面影響，但似乎每次新技術的出現都會伴隨著這種情況，至少據我所知，沒有任何一個社會能夠找到一種方法，只獲得好處而不經歷壞處。
霍洛維茨：為什麼你不願意呢？我的意思是，這有點像，你知道，整個美國西部是建立在淘金熱的基礎上的，而流行文化中對淘金熱的描述往往集中在那些沒有賺到錢的人身上。但實際上，有些人確實賺了很多錢，找到了金子。在互聯網泡沫時期，你知道，這被每部電影嘲笑，如果你回顧2001年到2004年之間的任何電影，它們都在說只有傻瓜才會做這做那，還有很多有趣的紀錄片等等。但在那個泡沫時期，亞馬遜、ebay和谷歌等公司開始了它們的業務。這些公司是在那個充滿巨大投機的時代成立的，而這些公司中確實有『金子』。如果你投資了其中任何一家公司，你可能會投資下一個公司，包括facebook、snap等。
所以，這就是它的本質，這就是它令人興奮的地方。你知道，將資金從那些資金充裕的人轉移到那些嘗試做新事物、使世界變得更美好的人手中，是世界上最好的事情。如果我們中的一些人在試圖使世界變得更好的過程中失去了一些多餘的資金，你為什麼會對此感到憤怒呢？這是我永遠無法理解的事情。為什麼會對那些獲得資金、試圖改善世界的年輕有抱負的人感到憤怒呢？
安德森：確實，與世界上其他事物相比，尤其是與其他擁有大量財富的人相比，我們是否更希望僅僅將資金用於購買豪宅、遊艇和飛機等物質享受？這與我們現在所討論的有何相似之處？沒錯，就像我們在新聞中看到的那些人一樣。我們已經回答了四個問題，我們的進展非常順利，表現得非常棒。感謝大家今天加入我們的討論。
