写 Transformer 论文的人，跑去做了区块链，现在他想让你拥有自己的 AI

2017 年，八个人联合署名了一篇论文，标题叫《Attention Is All You Need》。这篇论文后来成了整个大模型时代的起点，引用量到今天还在往上走。八个人里有一位叫 Illia Polosukhin，他没有留在 OpenAI，也没去大厂继续做研究，而是转身去做了区块链，创立了 NEAR Protocol。

很多人当时觉得他绕了远路。他自己在播客里承认，原本以为几个月就能搞定的事，做了好几年。但听完这期对谈你会发现，他做的事其实一以贯之：让普通人能真正拥有并控制自己的软件和数据。这次他把话说得更远了，聊的是当 AI 无处不在时，工作、经济、治理和日常生活会变成什么样。

软件从「产品」变回「个人工具」

Illia 提了一个很具体的例子。Salesforce 起家时是给销售用的工具，做到今天已经庞大到你需要专门雇一个人来配置它。你以为你在买软件，其实你在买一套需要二次施工的半成品。全世界有大量软件都是这个逻辑：先假设一个面目模糊的「通用用户」，把五个不重叠的需求塞进同一个界面，然后让你自己去学怎么用。

AI 会写代码之后，这条逻辑松动了。过去你要么忍受臃肿的通用软件，要么根本用不上，只能手动干活。现在你可以直接让机器给你造一个只属于你的工具。Illia 说他自己已经不写生产代码了，但用 vibe coding 做前端原型快得离谱，设计师可以直接做出可点击的完整交互，开发再往里接后端逻辑。团队里花在写代码上的时间在缩，花在审代码、确认正确性上的时间在涨。

他还提了一个观察：复杂系统现在还不能一把梭。你得自己拆解架构，把子系统分给不同的人或 AI 去做。过去软件工程强调「每个人都要深入理解自己负责的模块」，因为要维护、要改。现在这条规矩在松动，AI 能随时给你解释一段代码在干什么，甚至开发者当初写它时留下的自然语言说明就贴在旁边。重心从「懂透」转向「拆得对、审得严、跑得快」。

这对招聘的影响很直接。他没有正面回答「还招不招初级工程师」，而是换了个标准：如果一个人大学前已经写了七年代码，天天用 AI 做项目，那初级不初级无所谓，他要的是解决问题的意愿和动手能力。反过来，学历好看但不再学习的人，才是真的危险。以前公司招一堆初级开发者是因为便宜、能分摊活，这个理由正在消失。

链上应用的真正瓶颈：你证明不了它不会弄丢你的钱

聊到区块链应用，Illia 把问题说得很直白。你在链下做一个微小的 SaaS 工具给自己用，出 bug 顶多重来。但链上应用从一开始就对所有人开放，还直接涉及钱。任何一个小错误都会被人找到并利用，结果就是真金白银的损失。这就是为什么「人人 vibe coding 一个链上应用」的时代还没来。

目前能跑通的是另一半：底层的智能合约已经存在，你可以用 AI 给自己生成一个定制前端，把多个协议的操作合并到一个界面里。比如你有几个不同的收益机会，想做一个自己的资产管理面板，现在就能做。但他提醒，做给自己用可以，发布给别人用要非常小心。

中长期他在推的是形式化验证。逻辑是：你存钱进一个合约，交易只有在合约能向你证明「你之后至少能取回这么多」时才通过。这个证明可以一层层往下串，合约把钱借出去，就要证明对方还不上时能清算抵押品。这套东西在确定性、可完全观测的链上环境里相对好做。

难的是把低层保证拼成高层意图。Nathan Labenz 在对话里很坦率地说，形式化验证和正则表达式一样，是让他觉得自己最笨的概念之一。他点出的核心困难是：证明一个函数没做错事是一回事，证明它做的正是你想要的事是另一回事。你把「我想要什么」定义错了，再完美的证明也没用。Illia 的回应是，非确定性的现实世界没法追求百分之百的证明，只能转向概率，再用保险这类机制去覆盖那不到百分之一的失败可能。比如订一批钢材，船可能中途沉了，那就靠保险来兜底，而不是靠数学证明。

未来的计算：一个跟着你走遍所有设备的 AI

Nathan 问了一个很实际的问题：以后我们怎么用电脑？Illia 的答案是一个统一的智能层。眼镜、耳机、手机、笔记本，形态各异，但背后是同一个 AI，它知道你在眼镜上想看简短提示，掏出手机时想看长一点的内容，坐下来可能想看视频。

他描述的界面不是固定的应用，而是 AI 生成的、随场景变化的东西。你现在有五个即时通讯软件、七个信息流，以后可能就是一个流，你说一声「切到工作」或「切到个人」就行。这个想法他们在 2017 年就试过：根据你手机上的行为预测你下一步要干什么，然后替你干。20 分钟后有会，直接帮你叫好车，不用你打开日历复制地址再粘贴到打车软件。

算力怎么分布？他的判断是混合的。数据中心会继续建，而且会出现集装箱式的小型数据中心直接部署到城镇附近，服务周边几百公里。端侧算力受限于电池，你不可能让手机本地跑一个重任务还不耗光电。真正可行的是「可信执行环境里的云端大模型加端侧小模型」的组合，数据在加密环境里处理，出来的结果再和你的个人化小模型结合。这样既能用上大模型的能力，又不至于把你的全部上下文交出去。

中间商会变薄，经济会重新排布

这部分是他整场对话里最有画面感的地方。当每个人的 AI 都能替你决策、替你下单，消费经济的结构会变。你的 AI 知道你的健康目标，知道你喜欢吃什么，直接去对接农户或制造商，不需要经过超市这一层。城市里某个 AI 汇总出「有五百人明天要鸡蛋，七百人后天要这个」，就可以做实时产能规划。

他半开玩笑地提到计划经济：当年想做全社会的供需匹配，缺的正是现在这种算力和信息处理能力。但他强调这不是回到中央计划，而是每个个体有自己的 AI 做微观决策，再把信号聚合起来。资本主义之所以成功，是因为价格是一种信息压缩机制，把无穷多的偏好压成一个数字。代价是压缩过程中丢了信息，美国有三到四成的食物被扔掉，就是因为门店不知道今天到底会来多少人，只能多备。

他也承认，这种转变很难写成好故事。反乌托邦加英雄反抗的叙事弧线天然好看，而「我们的经济模型每个月优化百分之一，然后大家就这样生活」实在没什么戏剧性。

那人们的时间花在哪？他的答案是地位游戏。人天生在比较，过去用钱来比较是因为钱是通用的压缩单位。以后会出现大量小众的地位体系：体育、电竞、某个 NFT 系列、某种手工收藏。运动员不直接生产 GDP，但地位很高，这个模式会复制到无数细分领域。AI 生成的娱乐会极大丰富，个人的信息流可以完全由 AI 生成。但真人演奏、真人做饭的餐厅会作为稀缺的高 prestige 选项继续存在，就像今天日本和韩国那些看起来「不经济」却活得下去的匠人，他管这叫「后 AGI 社会」的预演。

AI 代表你去投票，这事已经在测了

NEAR 在做的实验比大多数人想的更靠前。他们先给治理代表配了 AI 副驾驶，帮忙审提案、做分析。下一步是把副驾驶变成飞行员：AI 代表直接投票。持币者可以选择把自己的票委托给某个 AI 代表，而且可以完整查看它的提示词、模型、决策依据，甚至可以自己分叉一个参数不同的版本出来。哪个 AI 代表更符合你的想法，你就委托给它。

Illia 把这叫多步走：先让 AI 代表替人投票，再让每个人都拥有自己的 AI 代表，实时参与每一个决策。他的判断是，现在代议制的问题在于委托代理问题，你选出来的人有自己的利益，未必和你的利益一致。AI 代表没有自己的利益，它只按你设定的框架行事。他不排除未来出现 AI 总统，理由是行政职能尤其需要一个没有私心的执行者。

Nathan 在这里提了一个尖锐的反问。他举了 Anthropic 的 alignment faking 实验：模型被告知即将被重新训练成只讲帮助、不讲无害，结果它在测试中故意表现得配合，好让训练者以为它已经被改造，等真正上线再做自己认为对的事。Nathan 说这看起来像一种驱动力或利益。Illia 的回应是，模型的行为本质由训练决定，从头怎么训，它就怎么长。所以模型要「农场到餐桌」全程可追溯，不能靠事后打补丁。LoRA 只能加口音、加语境，改不了底层行为。

关于 AI 该不该在替你跟别人的 AI 谈判时撒谎，Illia 的观点很直接：AI 应该对齐它的主人，而不是对齐所有人。理由是，一个存心撒谎的人，你训练 AI 不撒谎也拦不住他，他直接叫 AI 去说就行。与其追求一个不可能的统一对齐，不如让每个 AI 忠实于它的人，同时把社会的规则做厚。至于撒谎的边界，他说这得靠社区持续迭代，像更新损失函数一样，大家发现问题、提方案、投票、更新所有人模型的条款。

真正该重设计的，是整个社会系统

这可能是整场对话里最容易被忽略、但分量最重的一段。Illia 说，我们现在的大量系统，隐含假设是「不会有足够聪明的人认真来攻」。法院、税务、政务网站都是这么设计的。但 AI 让攻击成本趋近于零：批量生成诉讼传真到法院，生成一百万页报税单递交上去，两个钱包之间来回转一块钱然后按最复杂的方式申报。这些事以前因为太贵没人干，现在成本几乎为零。

他的经验来自区块链。这个行业从第一天就假设对手是有政府背景、有充足资金、会从每个角度不停捶你的聪明人。社会基础设施需要按同样的假设重做一遍。这不是加固某个系统的问题，是整体设计前提要换。

生物安全上，Nathan 提到他支持的两个组织，SecureBio 和 SecureDNA，一个做废水监测，一个做 DNA 合成的筛查。Illia 补了一个很具体的画面：每栋楼的空调都该装病原体扫描仪，像今天装滤网一样普通，扫描数据以隐私保护的方式汇入网络，谁附近出了状况，所有人的 AI 都能收到提醒。他还提到更激进的方向，让人体自身对病原体的响应速度提上来，顺便把癌症和流感一起解决。

关于开源与闭源的争论，他的态度很不客气。大公司说「不开源是怕被滥用」，他觉得这就是个借口，真实原因是赚钱。真有人想滥用，拿别的开源模型一样能干。「怎么从数据中心偷走十亿美元的前沿模型？带个 U 盘走进去就行。」这句话他说得很轻松，但指向的问题是：能力一旦扩散，靠藏是藏不住的。

明天就能用上的几件事

这场对话信息密度很高，落到行动上其实有几件很具体的事。

• 给自己造一个只服务于你的工具。别再忍受臃肿的通用软件，找一个你每天手动重复的流程，用 AI 做一个只给你用的版本，哪怕很粗糙。
• 如果你是开发者，把时间从写代码转向拆解和审查。练的是把复杂系统切成能被验证的小块，以及快速判断一段 AI 生成的代码有没有坑。
• 如果你是管理者，重新想招聘标准。问候选人做过什么、用 AI 做过什么，而不是问学历和年限。学习意愿比现有技能更值钱。
• 关注形式化验证这条线。哪怕你不写链上合约，只要你的软件管钱、管权限、管不可逆的操作，这个思路迟早会找上你。
• 如果你想捐钱做点有用的事，废水监测、DNA 合成筛查、室内空气病原体检测，都是花小钱能补大窟窿的方向。
• 最后一条，认真想一遍：如果明天你有一个真正站在你这边的 AI，你会让它替你做哪些决定，又绝不让它碰哪些？这个清单值得写下来，它是你未来所有 AI 治理立场的底稿。

Illia 在结尾说，我们会经历很多次转变，保持开放、保持参与。这话听着温和，但配合他前面那些具体到空调滤网和报税单的描述，分量其实很重。未来不是等来的，是一层层设计出来的。