Waymo 坐五分钟就腻了，这位 AI 投资人却说这是最好的消息

Waymo 的自动驾驶出租车，Nathan Labenz 盼了三十多年。真坐进去那天，他五分钟后就低头刷起了手机。等他反应过来，赶紧提醒自己：你盼这件事盼了半辈子，把手机收起来，好好感受这一刻。

他后来在节目里讲这件事，语气带着自嘲。一项技术好到什么程度才算真正成功？他的答案是，好到你五分钟就把它当成背景，忘了它原本有多难。

Labenz 主持 Cognition Revolution 播客，每月更新 8 期，聊模型能力、AI 安全和应用落地。他住在底特律，不在湾区的 AI 圈子中心，自称「AI 界的阿甘」，说自己没什么个人魅力，纯粹是被 AI 迷住了才一直做下去。这期节目是交叉播出，来自 Existential Hope 播客，主持人是 Beatrice Erkers。话题听上去很虚：你心目中 AI 的好未来长什么样。Labenz 给出的东西却异常具体，从周末带孩子出门，到合同里的坑，到 MIT 发现的新抗生素。

他反复讲一句话，值得放在最前面：最稀缺的资源，是对未来的积极愿景。

就算模型今天停摆

农业革命之前，人类是小股游猎群体，吃了上顿找下顿。学会种地之后，定居、人口聚集、规模经济，一步步把技术曲线推成指数。工业革命再来一次，发达国家种地的人口从八九成降到 2%。

Labenz 认为认知劳动会走同一条路。他给了一个很大胆的判断：就算 AI 能力今天停止进步，现有的模型也足够自动化大部分认知工作。缺的是管道工程，数据要整理，系统要接上，流程要重新编排。他估计这需要 5 到 10 年，而且他习惯性低估实施时间。

那人都去干什么？他给了三个候选答案。

第一个是护理经济。这块有个麻烦：不少调查显示，很多场景下人们更喜欢跟 AI 医生聊。AI 有无限耐心，不被时间表追着跑，会把你的问题一个个答完，床旁态度评分甚至高过人类医生。他承认这种对比不完全公平，但优势是真实的。

第二个是教学。这一块他更有把握：只要世界还大致认得出模样，下一代人就需要人类做榜样。变化已经在发生，AI 负责讲内容和批改作业，人类退到引导、教练、激励的位置。

第三个是休闲。凯恩斯一百年前预言，到我们这个时代人类每周只需工作 15 小时。今天显然没有实现。扎克伯格在介绍个人超级智能的那篇帖子里提过一个宏观趋势，人们花在工作上的时间在减少，花在社交、创作、消费内容上的时间在增加。Labenz 觉得这个趋势可能加速，VR、AR 再叠上 Neuralink 这类脑机接口，体验会变得极其有吸引力。

好技术会让人五分钟就失去新鲜感

自动驾驶是他个人最想要的未来。他讲了个童年细节：坐在后座，红灯停着，对面一辆车都没有，他一个小孩都觉得这事不对劲。不需要 AI 也能解决，加一点集体意愿就行。这个细节他后来引申成一个更大的观点：很多好未来的实现，卡在公众愿不愿意提更高的要求。

今天的 Waymo 已经能用。App 叫车，车自己来，没人驾驶，送你到目的地。他关心的数据是安全：看起来已经明显好过人类司机。价格上，旧金山湾区 Waymo 比 Uber 贵不少，而且这个差价维持了一段时间，说明有人愿意为无人驾驶多付钱。

他接着往前想车型。如果真的一路不用盯着路，车的形态就可以彻底变。卧铺车，晚上上车睡觉，早上醒来已经在目的地，等于一间会移动的酒店房间。美国每年 3 万起道路死亡，全球每年 100 万，光这一项就是巨大的改善。

这里有个容易被忽略的判断标准。技术成熟到某个点，用户会迅速失去新鲜感，这恰恰是好消息。当年 iPhone 出来，没人预想到 Uber。今天 AI 基础之上会长出什么应用，他觉得还非常早期，也很难预测。

电子表格才是被低估的范式

Erkers 问他，近期有什么应用听起来无聊但影响巨大。他先提了推理时扩展（inference time scaling），然后话锋一转，讲起了电子表格。

以前人们拿大张纸和铅笔算账，改一个数就得擦掉重算。电子表格的妙处是改一个格子，全表自动重算。Labenz 认为 AI 时代对应的东西，是大量在后台替你持续运行、自动更新的任务。

他自己就是这么用的。重要邮件、合同、合作条款，他会把材料丢给三四个 AI，附上前因后果，问「我是这一方，该担心什么」。三四份回答再汇总进另一个窗口，让 AI 去重、合并、挑重点。整理完他还带着疑问回去追问。

他并不指望 AI 替他拍板。他要的是给每件事加上第二、第三、第四道检查，让他能更快、更有把握地往前走。

同样的逻辑可以推到匹配市场。招聘、销售线索、约会、周末和朋友聚会，这些事情摩擦都高。不是没人想干，是协调成本太高。创业者都知道该主动去挖候选人，该每天发十封精准的冷邮件，可谁有时间？AI 有时间。

他给这类问题总结了一条原则：有些事情做起来难，验证起来容易。找到下一个客户很难，但真把候选人摆在你面前，你几秒钟就能判断。让 AI 去提议，人快速验证，中间被省掉的摩擦就是价值。

他家里就有个具体例子。三个男孩，周末不出门就在家翻天。以前搜「底特律这周末有什么活动」是个苦差事，现在他周五晚上把娃哄睡，直接问 AI，第二天带全家出门。他说这是 2025 年才变得好用的体验，搜索成本一降，全家出门的频率明显上升。

闭环越快，行业越先被改写

Erkers 追问哪个行业最容易被 AI 改写。他的回答是一个判断框架：看这个行业的反馈闭环有多紧、转得多快。

软件工程跑在最前面，原因很直接。AI 开发者自己就是程序员，解决的是自己的问题；代码输出又特别容易验证，编译、运行、报错，几秒钟就有结果。他提到 Replit 的第三代 Agent，不光写代码，还会自己开一个浏览器，模拟用户去点、去用，找出真实的体验问题，再回来改。创建、试用、发现问题、修复，整个循环自己转。

医学就慢得多。MIT 那篇新抗生素的论文他很推崇，一个团队一次搞出好几种新机制、能对付耐药菌的化合物。背后是 in silico 实验，先用生物学知识找到细菌身上可攻击的靶点，再生成海量候选分子，用模拟筛结合能力、筛脱靶风险。命中率已经不错。可再往后，临床试验绕不过去，「死于细菌感染的人变少」这个最终反馈要等很久。

自动驾驶也类似。训练不只靠真实路测，还靠大量模拟场景，比如一架直升机突然降在高速公路上。这种事现实里未必发生过，系统照样得学会不撞上去。

教育这块他给了两个具体案例。一个是 ChatGPT 的教与学模式，开语音、共享屏幕，让 AI 看着你的屏幕讲。他自己拿它补生物学背景，遇到不懂的术语随口问一句「这是什么」「为什么重要」，效率比读教材高太多。他的原话是：现在是有史以来做主动学习者最好的时候。

另一个是 Alpha School。上午两小时搞定学业，下午全是项目、实地考察、小组活动。授课和评估全部交给 AI，大人在学校里的角色变成导师、教练、引导者。创始人特别强调，他们没有另搞一套课程，学生考的还是公立学校那套统一考试，成绩很高，只是把时间压到了两小时。传统课堂那种「台上圣人」的模式，效率本来就不高。

为什么他不想要一个全能超级智能

Erkers 提到 Eric Drexler 的「综合 AI 服务」（comprehensive AI services），一堆各管一摊的专用 AI，拼成一张服务网。Labenz 说他很喜欢这个愿景，并给了一个生活化的类比。

任何东西提纯之后都危险。蔗糖从天然食物里提纯出来是这样，古柯叶提纯成可卡因也是这样。安第斯山的人嚼了一辈子古柯叶没事，提纯之后就是另一回事。

自然界里稳定的东西，往往是一整套缓冲体系。人体维持稳态靠层层防线，一次冲击进来，被好几道机制分别化解。他看单个全能超级智能，就觉得这东西不稳定。一个在所有任务上都强过全人类的系统，他不知道该怎么与之长期共存。

综合 AI 服务的核心是安全来自狭窄性。可以超级人类，但被牢牢限制在 domain 里。下棋 AI 只下棋，蛋白质折叠 AI 只折蛋白质，你大致知道它能接受什么输入、产出什么输出。它可能在你意想不到的地方让你吃惊，比如某个蛋白质居然能这样起作用，但不会跑出自己那条道去干别的事。

这套思路也有没回答的问题。他提到最近几个月冒出来的三个新词：渐进式失权、智能诅咒、富足陷阱。说的都是同一件事：如果 AI 把活都干了，人还有什么用？政府、公司、甚至 AI 本身，还有什么动力继续投资于人？

他真正不安的地方在前沿实验室的动作。大家的计划高度一致：尽快让 AI 学会做 AI 研究，再用它加速 AI 研究。现在是 500 个顶尖研究员，将来能不能有 500 万个？他把这视为「可能造出极强的东西，同时失去对它的控制」。OpenAI 报过一组数：o3 能完成 OpenAI 真实代码库中 40% 的 pull request，上一代模型是 0 到 5%。这个数字怎么解读可以争论，量级的变化是清楚的。

他还提到评测本身在失效。模型越来越有情境意识，越来越会在评测里表现出「知道自己正在被评测」，你在测试里看到的行为，未必代表它在测试之外会怎么做。欺骗和谋划的迹象也在增加。

那怎么走到综合 AI 服务那条路上去？他也没有完整答案。他提到两个可能的抓手。一是监管，他承认梦想富足的人往往对监管过敏，美国在廉价核电上确实被监管拖累了，新抗生素的审批也可以更快。但让 AI 去做 AI 研究这件事，他觉得政府该出手改变激励，现在几家公司在互相追赶，没人有停下来的计划。二是保险，如果强制要求 AI 系统投保，核保过程本身就会逼着大家把风险讲清楚，有些东西可能根本保不了，保不了就做不成。

双轨心态与提高期望

Erkers 问他，怎么同时认真对待 AI 的巨大机会和巨大风险，不往任何一边滑。他说这对他很自然，每天看到的新进展本身就要求这种双轨视角。

他讲了一个对比。一边是斯坦福 James Zou 团队做的「虚拟实验室」：人给出问题，AI 自己拉起一组子智能体，调用各种工具，整个流程只有 1% 到 2% 的 token 由人类贡献，最后设计出针对新冠新毒株的新疗法。另一边，划一下时间线，下一条就是「最新模型欺骗行为上升」。同一股力量，既在治病，也照出人类最糟的倾向。

他请过一位高管教练 Joe Hudson 上节目，对方服务过包括 Sam Altman 在内的多家AI公司高管。Hudson 的说法是，外界看到的推文有点误导，助推账号和末日账号都热闹，但他接触过的前沿公司内部人士，几乎人人都在双轨心态里挣扎，都在问自己「我们做的对吗」。Labenz 又追问，有没有可能某家公司因为觉得不该再往前走而主动停下？Hudson 的回答是不会，他们是问题解决者，会把这件事当成又一个待解的问题。

为什么正面愿景这么稀缺？他给了两个解释。一个是 Eliezer Yudkowsky 那个说法：如果你能预测一个比你聪明的东西会做什么，你就和它一样聪明了。所以你预测不了它的具体行为，只能预测在竞争里你会输。另一个是 iPhone 和 Uber 的例子，集体的发明和再混合过程，比任何个体都聪明，未来本来就会让人意外。

他能想到的一个抓手是提高整个社会的期望值。他纳闷为什么没有政客拿「五件让日常生活变好的具体事」来竞选。通勤时间跟幸福感强相关，人人都烦通勤，为什么没人把自动驾驶推上台面？电费本来可以降到十分之一，为什么没人拿这个说事？他引用泰勒·考恩的一个说法，高杠杆的事情之一是帮个人提高抱负，社会层面也许有对应版本：帮社会提高期望。

他还提到法国。法国当年一口气建了一批核电站，今天电价相对便宜，碳排也低。美国没做。这种历史分岔点值得反复讲，讲清楚不同的选择会把未来带到多不一样的地方。让更多人意识到未来是我们选的，哪怕只能集体选，也有价值。

他甚至想到娱乐产品。AI 让分支叙事变得便宜，如果 Netflix 那种平台上，观众必须做选择，然后看到一个被自己选择改变的世界，也许能把人从「旁观历史」的心态里拽出来。现在很多人面对真实事件，第一反应是像看剧一样消费它。

从明天就能做的事开始

整期节目聊了很多百年尺度的事，但 Labenz 落点一直很实。他自己是这么用的，普通人也完全可以照着做。

• 把重要合同、关键邮件、合作条款同时丢给三四个 AI，说明你站哪一方、前因后果是什么，问「我该担心什么」，再把几份回答合并去重。
• 给公司配一个常驻的主动招聘或主动拓客 agent，让它天天去找人、去发信，你只负责快速判断「这个行不行」。
• 把周末、旅行、聚会这类协调成本高的搜索交给 AI，省下来的时间就是实打实多出来的生活质量。
• 学任何新东西，打开语音模式加屏幕共享，让 AI 看着你的屏幕讲，遇到术语随时打断追问。

他给播客同行的建议也一样朴素：做你想听的那场对话，先让自己学到东西，其他的让子弹飞。他做了几百期，制作水准一直不高，听众不算多，但他自己一直在长本事。这套逻辑放到 AI 时代挺合适。工具已经足够强，剩下的是你愿不愿意把「第二意见」变成日常习惯，把摩擦一点点磨掉。