被盖茨拒绝的3亿美元，和砸向OpenAI的100亿：两位AI侦察兵的观察笔记

罗伯特·斯科布尔（Robert Scoble）有个讲了十几年的故事。他曾经劝比尔·盖茨掏3亿多美元，买下一批Web 2.0公司，盖茨拒了他，而且拒了不止一次。斯科布尔对趋势有底气，因为他当时就坐在蒂姆·奥莱利旁边，看着对方写出那份定义了Web 2.0的备忘录。趋势看得再清楚，也换不来大公司口袋里的钱。

十几年后，微软给一家只有300人的公司OpenAI砸下100亿美元，钱的一部分来自裁掉的工资单。录制当天早上，微软还展示了内置ChatGPT的新Office，对着它说一句「我下周要给一群人做提案」，幻灯片就开始自己生成。

「让一个微软体量的公司花3亿美元有多难，我亲身试过。」斯科布尔的结论是，100亿这个数字本身，就是时代变了的证据。当年Siri被苹果买走只花了2亿多美元，如今苹果想买ChatGPT，讨论的数字是400亿美元起步，直接买OpenAI还得更多。

这是2023年5月9日Cognitive Revolution第23期的内容。主持人内森·拉本兹（Nathan Labenz）是创业者和AI投资人，他在节目开头花了好几分钟解释一个身份：AI侦察兵。灵感来自朱莉娅·加勒夫（Julia Galef）的《侦察兵思维》（The Scout Mindset），核心是有人专门负责把AI系统的真实样子搞清楚，按它实际的样子理解它，而不是按愿望理解它。拉本兹自己把一半工作时间花在这件事上，读论文、试产品、跟从业者聊天，目标是「不留大的认知盲区」。

这一期的两位客人都是资深侦察兵。斯科布尔的资历听起来像段子：13岁进苹果打工，自称「苹果第一个童工」；第一批看到Siri和Flipboard；Instagram的第79个用户；坐过马斯克的第一辆特斯拉，也坐过奔驰第一辆自动驾驶车的首乘。他写过四本预测十年变化的书，最后一本讲空间计算。他在推特上关注了38000个AI从业者，说全世界只有他一个人这么干，因为他注意到斯坦福、卡内基梅隆的大学生们正组队做新AI，论文又多又快。他的方法很朴素：去对硅谷的派对，你能提前几年知道走向；读论文，因为论文告诉你实验室里正在发生什么，消费者可能五到十年后才见到。另一位客人本·托塞尔（Ben Tossell）写的AI通讯Ben's Bites，每期塞进50多个链接，是当时很多人每天追AI新闻的第一站。

你家客厅里，躺着一块睡了两年的人工智能芯片

斯科布尔对着自己的iMac讲了一段话，大概是整期节目里最具体的观察。M1芯片里21%的部分是神经网络单元，一个相当强的AI推理引擎，能直接在本地跑2GB大小的Stable Diffusion模型。有做AI的创业者告诉他，论推理速度，这块芯片比NVIDIA的3080显卡还快。训练模型另说，那确实得买卡或者租云。

问题是，这台电脑他买了快两年，那部分芯片几乎一直在睡觉。

旁边还有超宽带芯片。他手边放着一台Estimote的超宽带设备，家里15台苹果设备都装了同款芯片，能力也基本没打开。

他的结论是：苹果已经把一张带大量AI算力的网格网络送进了数百万个家庭，只是还没打开开关。这个动作显然筹划了很多年。

证据之一来自一顿晚饭。9年前他和当时负责Siri的人吃饭，问他在苹果学到了什么，对方说，我们同时监测了Google的AI和我们自己的AI，Google学得比我们快，Siri必须推倒重来。今年6月，重建的Siri和新头显就要来了，整个生态共享那张AI网格：手机可以调用你Mac里的推理引擎跑Stable Diffusion，眼镜知道你手里拿着什么、眼睛盯着什么。

还有一个细节解释了他怎么知道芯片闲着。有个叫Supernormal的工具，给视频会议自动记笔记，先转写，再从转写文本里找任务、找主题，全程300毫秒，不到半秒。这种负载已经有人在用那块芯片了，只是大多数用户的机器还空着。

头显的节奏他也给了：今年圣诞第一代，明年圣诞第二代，再下一年出真正的眼镜。按他的说法，到2025、2026年，我们会进入一个新世界。

配套的软件画面他已经见过雏形。今年圣诞前后会出现能对话的3D环境，Unity或者Stable Diffusion做的：说「带我去泰姬陵」，你就站在泰姬陵前面；说「在那儿放一棵紫色的树」，它知道你指的是哪，直接把树画进场景，这个技术叫局部重绘。他管这套东西叫全息甲板，星际迷航里的那个。音乐行业做不到的事，生成式AI也能做到：让你在家里穿过一支高中军乐团，鼓、萨克斯、单簧管、长笛分布在客厅各个角落。环境当然会有一点幻觉，他的回应是，人的记忆本来也没那么准，感觉像约塞米蒂国家公园就够了。

判断AI只看一个指标：它变快的速度

整期节目里最值得记住的一句话来自斯科布尔：

看AI，别问它今天在哪里，要问它进步得有多快。

ChatGPT会一本正经地胡说八道，写出的代码带bug。斯科布尔的解释很直白：它只是在预测下一个词，并不像人类那样理解世界，所以偶尔会跑偏，生成一堆废话。但他的追问是，还需要几次更新它才够好？他有个计算机视觉专家朋友一直盯着OpenAI，说模型的代码每个小时都在改，准确度一直在往上走。

特斯拉的完全自动驾驶（FSD）是他最常引用的例子。特斯拉车主每三个月收到一次大版本更新。他算了一笔账：还需要几个大更新才能证明它比任何人类开得好？四个？那是一年。十二个？那是三年。

他从家开车去圣克鲁兹，40分钟车程，双向有墙的弯路，时速55英里，车开得比他稳。新版本里有两个细节让他觉得「像人」：后视镜里有摩托车正在钻缝，车会自动往旁边让一让；路上堵着一排紧急车辆，车会减速、打灯、变道，绕过去。

写代码的人变化更直接。他一个朋友说，原来要写一个月的代码，现在一小时干完。斯科布尔13岁的儿子在用ChatGPT学编程：让它写一段调用Twilio接口的代码（Uber里给司机打电话的底层服务就是Twilio），然后要求逐行解释每句话在干什么。学德语也一样，多邻国已经把AI老师做了进去。

眼镜是权力，机器人是管家

为什么AR眼镜会普及？斯科布尔给的理由很扎心，跟时尚和便利都没关系。

董事会会议室里，戴眼镜的人能调用ChatGPT级别的分析，还能把数据用3D摆出来，看得到你看不到的模式。他说得很直接：我戴你不戴，我大概能让你被开除，因为老板迟早会问，为什么他不戴眼镜就看不到这些？今天不带手机去开董事会的人混不下去，几年后不戴眼镜的人也一样。

节目里有个问题，问大家愿不愿意植入Neuralink换取意念打字。斯科布尔认为最好的听众答案是：取决于竞争格局。如果别人都有而我没有，我连竞争的资格都没有，那我会装。

家用机器人他给的时间表是4年左右。逻辑是个递推：DoorDash的配送机器人如果能准确把外卖送到前门，它就足够进屋干活了；能开车去超市、挑好商品、买完单、送回家，它就能叠衣服。斯坦福已经有能做几千种任务的机器人。到时候机器人会内置大语言模型，能给孩子讲睡前故事，能陪你下棋、教你下棋。

信任的建立比技术更有意思。他举了个例子：机器人洗衣服时把车库里的汰渍换成了别的牌子，他不在乎，衣服洗干净就行。只要它一直干得像他本人一样好，它会接管整个家。

人还剩下什么？他跟主持人推演了一下：客户邮件里如果出现一个从没见过的新请求，或者要批一笔10万美元的转账，这种时刻仍然需要人。系统可以干活，签字权在人手里。

叫停不可能，德国先输给了法律

节目后半段聊到了风险。斯科布尔说，从英国飞回国的10个小时航班上，旁边坐了个AI安全研究员，把他吓着了。对方的核心论据是：AI看医学影像找肿瘤，已经比外科医生强，而外科医生是训练多年、教育成本极高的人群。再往下推25步，AI会不会觉得人类是多余的？

斯科布尔没有回避这个风险，但他的判断很冷静：叫停AI等于自废生产力，经济会先垮。中国会停吗？不会，只会更激进。

他讲了一个大众汽车工厂的故事。他问一位员工，什么时候给整个工厂装上3D传感器，让AI盯着全部工序，找低效环节，比如某个零件送到工人手上的时间总是长了两秒。对方的回答是：在德国不能干，法律禁止录制员工。中国已经在这么干了。

他的推论是：一个国家会变得超高产，另一个国家落后，工作会流过去。马斯克每天在特斯拉工厂里研究的就是同一件事，怎么让生产更快更便宜。

数据层面他给了一组对比：中国13亿人，美国3.8亿。他的原话是，数据更多的那一边，AI会赢，几乎每一次都赢。还有一组数字：卡车司机是美国第一大职业，130万人干着这份工作，他判断这些岗位5到15年内会开始消失。

Ben Tossell：工具越少越好，小机器人越来越多

第二位客人托塞尔的起点很不体面。Ben's Bites前两期用纯编辑的方式写，写完自己都讨厌，承认自己不擅长这个，于是改成策展模式，每天把AI新闻做成一份「自选冒险」，一期50多个链接，读者自己挑感兴趣的点进去。他的目标读者很明确：对AI感兴趣、又不知道从哪下手的普通人。他现在全职投入，接下来可能长出小应用工作室、内容产品，甚至一支基金，他打算都试试，还要招一批AI优先的员工，自己先用起来，给读者打样。

聊到创业公司和巨头的竞争，他的观点在录制期间当场发生了变化。他原本认为AI优先的新产品会赢，说着说着改了口：如果我已经在Notion里工作，Notion把AI功能补上了，我为什么还要换工具？

每个人都应该希望工具越少越好。一个工具能干的事，没必要用十个。

他的判断是AI会进所有大工具、大平台，这些公司每天都在往外推新东西。但他留了一个口子：小工具仍有机会吃掉份额，因为细节决定成败。Notion是给所有人用的大工具，一个专门写newsletter的作者，可能就想要一个只干这一件事的专门工具。

他给巨头们打了分。微软，真的在出货，好评。Google，功能藏在排队名单和研究论文后面，他的评价很不客气：「对我来说像个失败品。」Google有那么多人、想了那么久，本该更快。HubSpot的ChatSpot是个中间样本，联合创始人Dharmesh Shah喜欢折腾这些，找销售线索、跟进邮件、直接用对话查自己的数据。托塞尔连HubSpot都不用，但觉得这个示范足够直观，一眼看懂自己怎么抄。

转换成本这件事，两个人聊得很诚实。托塞尔说自己尽量不用Google搜索了，换成了Neva和ChatGPT，但这需要刻意提醒自己，他爸妈那一辈绝不会这么干。主持人拉本兹也卡在半路：装了Edge浏览器去用新版Bing，但密码、历史记录、插件全在Chrome里，搬不动。托塞尔还留了个问题给所有大公司：如果AI能写报告、做总结、生成内容，很多大公司是不是只需要现在20%的人手？

有意思的是，托塞尔的自我描述是「我属于不怎么用AI工具的那类人」，可能会让很多人意外。然后他一个一个数了自己的日常，数出了七八个：

• Bearly.ai，浏览器里常驻的小窗，读文章时一键总结、摘要点，给通讯当原料加工厂；
• Replit的Ghostwriter，他不会写代码，玩到某个程度就卡住，但还在试；
• Readwise，收集链接，外加文字转语音；
• Andrew Huberman的播客聊天机器人，想知道镁元素能不能助眠，去问一个他信任的信源，比泛泛搜索踏实；
• 自己的法律小机器人，有事不再事事打电话问老爸；
• 自己的会计小机器人，喂过他的财务信息，专门答他的账。

他从这里面看出了趋势：全能型工具没必要，单一用途的小机器人会越来越多。以后想要个法律助手，流程可能是这样：让AI写好代码，部署到自己机器上，全程没人写一行代码，然后自己训练它。拉本兹把这叫一次性软件：用嘴把小应用说出来，用完就扔，不用维护，不用管边界情况。他自己的第一大用例是代码生成，原话是，我会写代码，但它大多数时候比我快、比我好。

明天就能用的五件事

这期节目信息很密，但有几个动作是听完后当天就能开始的。

• 换一把尺子评估AI。别只看产品今天的表现，去查它的更新频率。斯科布尔的算法是，FSD每三个月一个大版本，四个版本就是一年。对ChatGPT失望的地方，记下来，一个月后再试一遍，很可能已经修了。
• 工具先做减法。追新工具之前，先看看你天天用的那几个什么时候把AI补上。托塞尔的判断是大概率会补上，切换成本摆在那里，多数人等得起。
• 把AI当老师，别只当枪手。让它写一段代码或者讲一个概念，然后要求逐行、逐段解释。斯科布尔13岁的儿子就是这么入门编程的，这个用法对任何学科都成立。
• 给自己养几个单一用途的小机器人。法律问题、财务问题，各建一个，把你的背景信息喂进去。不会写代码没关系，让AI替你写，托塞尔已经这么干了。
• 每天留30分钟当侦察兵。拉本兹把一半工作时间花在研究AI上，托塞尔每天读几十条新闻。普通人不用这么狠，但每天固定读一点、动手试一个新东西，几个月就能摸到前沿。节目里引用了早期侦察兵Riley Goodside的一句话，大意是，我们都还是新手，现在入场不算晚。