主持人：各位下午好，希望大家都享用了美味的午餐。今天下午的议程十分重磅，首先有请达里奥・阿莫迪。他是人工智能领域最具影响力的人物之一，身为Anthropic联合创始人兼首席执行官，公司旗下的Claude大模型家喻户晓。Anthropic也是全球发展最快的科技企业之一，目前更是唯一一家同时获得亚马逊、微软、谷歌三大科技巨头投资的公司，其中有一项合作还是近期刚达成的。更值得一提的是，他深耕人工智能领域的时间远超多数同行，先后任职于百度、谷歌，还是OpenAI早期核心员工，主导研发了GPT-2与GPT-3模型。我们今年执意邀请他前来，核心原因在于：在人工智能相关的就业失业、对华芯片出口，以及这项技术对国家和行业未来的政治影响等关键议题上，他是业内少有的敢说真话、直言不讳的声音。欢迎你的到来，感谢莅临现场。
达里奥：谢谢邀请。
主持人：今天我们有很多话题要聊，包括当下是否处于人工智能泡沫中，这个话题我稍后一定会问到。先从一个切入点聊起，我之前提到你2014年在百度担任研究员，要是当年我和你坐在这里，告诉你2025年我们会这样聊人工智能，你当时能预判到如今的局面吗？
达里奥：我来聊聊哪些在我意料之中，哪些出乎意料。人工智能能带来实实在在的经济影响和价值，现在你在纽约街头随便走，一块广告牌都能看到人工智能的身影，这类技术能落地到今天这个程度，我其实并不意外。
主持人：是能发展到这么普及的程度吗？
达里奥：它会成为经济、国家安全和科研领域的核心，这一点我早有预判，合乎情理。真正让我意外的是，我会成为这个赛道头部企业的掌舵人，当年我从没设想过自己要扛起这样的责任。至于行业发展的具体路径、围绕大语言模型冒出的各类新术语，还有整个领域的资本化进程，现在回头看，模型的智能程度和能力增长都符合我们当初的预判，逻辑完全通顺，但放在当年，我肯定没法从底层原理推导出这样的发展轨迹。
主持人：有道理。那我就先问开场提到的问题，这也关乎行业走向。其实我早料到你不会说早就预判到2025年的格局，毕竟当年多数人都觉得，人工智能要发展到今天这样，还得再等更久。但看看现在投入这个行业的资金体量，它甚至撑起了美国当前几乎全部的GDP增长。我们是不是正处在人工智能泡沫中？是不是存在过度投入？这背后的经济账到底能不能算得过来？
达里奥：这个问题很复杂，我想把技术层面和经济层面分开说。技术层面，我信心十足，算是业内最乐观的一批人，背后的算法逻辑完全站得住脚；但经济层面，我确实有顾虑。就算技术能兑现所有承诺，行业里部分参与者只要在时机判断上出一点偏差，就可能面临严重危机。我具体说说这两方面：技术层面的发展在我意料之中，因为我和后来的联合创始人，是最早提出并验证人工智能缩放定律的人——给模型投入更多算力和数据，再做些微调优化，比如推理模型升级、推理时的算力调配这类小改动，模型性能就能实现飞跃。我入行12年，一直盯着这个趋势。最关键的是，用这种简洁的方式训练模型，再配合细微调整，就能让它在各个领域持续精进，不管是编程、科研、生物医药、法律、金融，还是材料研发和制造业，这些全都是国民经济的核心价值支柱。以Anthropic为例，我们深耕企业服务领域，和那些侧重C端的同行不一样，用户习惯不会干扰我们的发展节奏，所以我们的发展情况更能反映行业真实状态，是更纯粹的风向标。过去三年，我们的营收实现每年十倍增长：2023年从0增长到1亿美元，2024年从1亿美元突破至20亿美元，到2025年底预计能达到80亿至100亿美元。这样的增速最终肯定会放缓，但仍会保持高位，这也让我坚信，人工智能最终能创造出匹配投入的经济价值。
主持人：但我们聊聊投入规模，现在行业内企业年投入合计超1000亿美元，你们计划投入50亿美元，去年来过这里的山姆・奥特曼，投入计划更是比你们还大。这些数字都很惊人，本质上都是在押注行业会按预期持续扩张。这些投入有切实的测算依据，还是更多靠直觉判断？
达里奥：这就说到我刚才提的经济层面顾虑了，我会尽量坦诚说明。当前行业面临一个核心困境：人工智能创造经济价值的速度不确定，而数据中心建设又有很长的滞后性，这是Anthropic一直在审慎应对的挑战，但有些企业却在孤注一掷、过度冒进，这让我非常担忧。
主持人：哪些企业在孤注一掷？
达里奥：这个问题我不便回答。我们不妨换位思考，就能明白这个困境的核心。如果一家企业连续三年营收十倍增长，要是简单粗暴地推演，明年营收就能到1000亿美元，我完全不相信这个结果，即便有过往增速做支撑，这也只是最极端的可能性。但如果从底层拆解，梳理清楚企业客户、应用场景和商业化路径，营收预期大概在200亿到300亿美元之间。这就是我内部常说的不确定性区间——一年后的营收可能是200亿美元，也可能是500亿美元，变数极大。我们做规划会偏向保守，按区间下限来布局，但即便如此，还是让人不安。更棘手的是，数据中心建设需要1到2年周期，几个月前我就得确定2024年初要采购多少算力，才能支撑2027年的营收需求。这里藏着两个风险：算力采购不足，就满足不了所有客户需求，只能眼睁睁看着客户流向竞争对手；采购过多，营收又可能覆盖不了成本，极端情况下甚至会面临破产。利润率是这里的关键缓冲，80%的利润率意味着200亿美元算力投入能支撑1000亿美元营收，但不确定性区间太宽，失误几乎难以避免。Anthropic的做法一直很审慎，企业服务的定位让我们拥有更稳健的商业模式和更高的利润率。但如果是侧重C端的企业，营收和利润率稳定性不足，再加上管理层天生喜欢冒险、追求规模数字，就很容易把风险拉满。不确定性必然伴随扩张过度的风险，这是我们所有企业都要面对的；再加上行业内部的竞争，以及应对国际竞争的现实压力，大家都被迫加速前进，这其中存在一定的固有风险，根本没法规避。但确实有部分企业风险管控不力，在做不明智的冒险。
主持人：其实大家都能猜到你说的是哪些企业。私下里你曾向投资者透露，即便保持当前投入节奏，Anthropic也能在2028年实现收支平衡。你曾在创业孵化器YC共事过的山姆・奥特曼则表示，OpenAI要到2030年才能盈利。按他的说法而非你的测算，OpenAI要在两年内从两年累计亏损74亿美元扭转为盈利，你觉得这合理吗？
达里奥：我不清楚其他企业的内部财务情况，所以不便评价他们的经济账。还是回到Anthropic的测算和不确定性区间，我们采购算力的核心原则是：即便遇到我们认定的最坏情况——也就是概率只有10%的极端场景，也能确保营收覆盖成本。风险永远存在，没有绝对零风险的可能，但我们在保障竞争力所需算力的同时，管控风险的能力很扎实。我们的模型训练和推理效率领先行业，利润率表现也很优异，所以胜算很大。
主持人：聊聊大家口中的循环交易吧，放在以前就是供应商融资。最典型的就是英伟达这类企业，先入股人工智能公司，而这些公司拿到投资后，最终又会用这笔钱采购他们的芯片，毕竟资金都是可灵活调配的。你怎么看待这种模式？
达里奥：Anthropic也开展过这类合作，只是规模不如部分同行。我可以用一个简化案例，说说这种模式的合理性。如果一家企业要采购1吉瓦算力，包含芯片采购和数据中心建设的总投入约500亿美元，设备使用周期按5年算，每年分摊成本就是100亿美元。如果企业当前年营收已经有80亿至100亿美元，且保持高速增长，手里没那么多现金，但又必须当下敲定算力采购，就可以和有合作意愿的头部企业达成交易，比如芯片厂商或云服务商，他们本身就有动力促成合作。对方会提出投资100亿美元，承担第一年的成本，后续几年的费用企业可以分期支付。我们目前年营收已接近100亿美元，所以这种合作很合理：数据中心建设需要一年时间，融资刚好覆盖这个周期，相当于只需要确保两年后年营收能稳定在100亿美元就行。这种模式本身没问题——一方有资金，还能通过出售芯片或云服务获益；另一方对未来营收有信心，只是缺启动资金。问题出在这类交易叠加后规模过大，如果企业规划2027或2028年要实现年营收2000亿美元，就很容易陷入扩张过度的困境，核心还是要看规模是否合理。
主持人：行业经济账的核心问题之一是芯片折旧周期，目前争议很大。新芯片的有效使用年限到底是3到4年，还是6到10年，甚至更久？答案直接决定这些投入划不划算。你怎么看？
达里奥：我们对此一直采用保守假设。芯片本身不会轻易报废，能用很长时间，但问题在于，新一代芯片会更快、更便宜。如果竞争对手用上了新芯片，企业为了保持竞争力就必须跟进，旧芯片的价值会大幅缩水，这种情况甚至可能在采购后一年内就发生，毕竟现在不断有企业推出新款张量处理器和图形处理器。我们在规划时会充分考虑旧芯片的贬值因素，预判芯片效率提升曲线会持续加快，始终坚持保守测算。对Anthropic而言，几乎在所有合理场景下都能平稳发展，虽不能说万无一失，但风险可控。其他企业我不好评价，但我猜测有些企业可能在做不切实际的假设，自我麻痹。
主持人：说白了，业内只有你们两家没做这种不切实际的预判吧？
达里奥：我不清楚你指的是谁。
主持人：我们聊聊模型竞争。过去一周硅谷炸开了锅，去年来过这里的谷歌CEO桑达尔・皮查伊推出了谷歌新一代大模型，引发广泛关注。我一直觉得，谷歌手握数据优势，本该是人工智能赛道的默认赢家。山姆・奥特曼还发了“红色警报”内部备忘录，要求全员回归岗位攻关，一定要赶超谷歌。你如何看待当前各大模型的竞争力排名？这种短期的激烈交锋有多重要？
达里奥：我很庆幸Anthropic走了一条不同的赛道。你提到的这两家企业都以C端为核心，虽然也做企业服务，但主战场还是在消费者领域，这也是“红色警报”和激烈竞争出现的原因：谷歌要捍卫自己的搜索垄断地位，OpenAI的核心布局也在C端。Anthropic长期深耕企业服务，一直在优化适配企业需求的模型。目前模型的编程能力进步最快，同时我们也在拓展金融、生物医药、零售、能源等领域。模型竞争固然重要，我们上周推出的Opus4.5模型，就被公认为目前编程能力最强的模型，所以保持模型优势至关重要。但我们的发展轨迹不一样，不用陷入这种来回拉扯的竞争，有足够空间稳步发展、迭代模型，不必像他们那样紧急启动红色警报式的攻关。
主持人：这类企业的护城河是什么？如果未来实现通用人工智能，是不是所有模型都会趋同，能力不分高下？护城河是持久记忆吗？比如我用ChatGPT，它会记住我之前的提问，了解我的需求。还是说用户永远会追逐最新的模型，随时切换平台？
达里奥：我还是聚焦企业服务领域来谈，面向企业和面向消费者的模型，在特性和能力上的差异远超想象。企业级模型更看重编程、高端脑力工作和科研能力，而非C端模型关注的用户粘性指标。即便实现通用人工智能，模型也不会完全趋同，通用智能和专业化能力可以并存，就像在场各位都是独立个体，不会千篇一律。再者，企业服务领域有天然的粘性：企业和服务商建立合作后，会习惯使用对应模型，切换成本很高。哪怕是我们单纯提供模型接口的业务，粘性也很强，企业很难更换供应商——因为下游客户认可现有模型，而且不同模型的提示词设计、交互方式、特性都不一样，切换起来非常麻烦，所以这是一门能长期做下去的生意。
主持人：再问一个关于通用人工智能的简单问题：靠不断扩大Transformer模型规模和增加算力，就能实现通用人工智能吗？还是说要实现模型自主思考，还缺某个关键核心技术？
达里奥：不存在所谓的关键缺失技术，持续缩放就能实现通用人工智能，过程中可能会有一些细微调整，细微到甚至不会对外公布，只是实验室层面的优化。我追踪缩放定律已经12年了，这一点很确定。
主持人：那你预判通用人工智能什么时候能实现？
达里奥：通用人工智能没有明确的界定标准，我一直不太认可通用人工智能、超级人工智能这类说法，定义本身就很模糊。它的发展是指数级轨迹，就像摩尔定律一样，芯片性能不断提升，最终在所有简单运算上都远超人类。未来的模型只会在各个领域持续变强，每几个月推出的新版本，都会在编程、科研等方面更精进。现在的模型已经能轻松拿下高中数学奥赛，正朝着大学数学奥赛迈进，甚至开始涉足原创数学研究。Anthropic内部很多人都说，现在已经不会从零写代码了，都是让Claude先出初稿，自己只做修改就行，这种情况以前从未有过。这样的进步会持续加速，不存在某个“模型突然学会自主思考”的神奇节点，未来就是过去发展轨迹的延续，只是速度更快、程度更深。模型的智力水平会不断提升，进而重塑整个世界。
主持人：你和一些同行正在组建超级政治行动委员会，打算推动人工智能监管走向另一条路径，而安德森・霍洛维茨基金则有不同的主张。为何会出现这种分歧？你看到了哪些他们没注意到的问题？
达里奥：我从政策层面谈谈对这项技术的看法。我理解其他人的立场，但担心部分人把人工智能等同于过往的技术革命，比如互联网、通信技术，觉得交给市场就能解决大部分问题。这种思路放在以前的技术革命里还算合理，但放在人工智能领域行不通。如果去调研真正研发人工智能的科研人员，而非投资人工智能初创企业的投资人，或是自以为懂行的科技评论员，会发现他们既看好技术前景，也充满担忧，首当其冲的就是国家安全风险、模型对齐问题，以及对经济的冲击。比如此前有人提议，十年内先暂停各州监管，等联邦层面出台统一框架再推进，去年夏天和上周都有人尝试推动这个提议，但都因反对声太大失败了——就连普通民众都清楚，人工智能是一种全新的强大技术，不能放任不管。我对人工智能的积极影响，可能比很多自称技术拥护者的人更乐观。我曾在《仁爱机器》一文中提到，人工智能有望将人类寿命延长至150岁，数据中心里的虚拟生物学家能大幅加速科研突破、打造“天才智库”，还能推动经济实现5%到10%的年增长。但威力这么巨大的技术，必然伴随显著的负面效应，社会和政策制定者必须提前布局应对。主张十年内不监管人工智能，无异于开车时拆掉方向盘，还说自己十年内不用操控方向。
主持人：聊聊这些负面效应。除了黑客攻击风险，你最近还在《60分钟》节目里谈到了就业问题。我不想曲解你的意思，但外界有观点认为，人工智能可能会淘汰一半的入门级岗位。你觉得该如何应对这个问题？
达里奥：我提醒这些风险，不是为了唱衰行业，而是正视风险是解决问题的第一步。无视风险就会盲目踩坑，提前警惕才能规避危机。我对此思考了很久，Anthropic内部也在经历这种变化——Claude现在承担了大量代码编写工作，我们也在调整内部岗位结构。应对这个问题可以分三个层面，从易到难，落地节奏也从快到慢：第一，企业层面主动调整。我们合作的每一家客户都面临一个共同选择，人工智能既能替代人力提升效率，比如保险理赔处理、客户身份验证等流程，全程用人工智能就能完成，所需人力大幅减少；也能赋能人力创造新价值，哪怕人工智能承担90%的工作，人类的效率也能提升10倍，有时甚至需要增加10倍人力，借助这种高效模式创造百倍于以往的价值。我们无法阻止企业追求效率，但可以引导他们优先选择赋能创造价值的模式，这样新增的岗位可能会超过被替代的岗位。第二，政府层面介入引导。技能培训不是万能解药，但企业和政府必须协同推进相关工作。最终财政政策也需要发力，我们研究发现，当前的人工智能模型已能推动年生产力提升1.6%，几乎是现有增速的两倍，随着模型迭代，这个数字还会涨到5%甚至10%。这会创造巨大的经济增量，我们可以通过税收政策等方式，让那些暂时没享受到技术红利的群体也能分一杯羹。第三，长期社会结构重塑。回顾凯恩斯的《我们后代的经济前景》，他最早提出技术性失业的概念，还预言子孙后代每周可能只需要工作15到20小时。人工智能有望让这个预言成真，有些人永远热爱工作，愿意全力以赴，但我们可以构建一个新的社会形态，让工作不再是多数人的生存必需，人们可以在其他领域寻找人生意义，工作的核心也从谋生转向自我实现。社会具备很强的适应性，我们需要共同探索，找到适应后人工智能时代的生存与发展方式。这三个层面的举措需要逐步推进，从企业容易落地的动作，到需要全社会达成共识、缓慢推进的变革，缺一不可。
主持人：达里奥，希望你之后还能再来做客，和我们继续探讨这些亟待解决的挑战。感谢这场精彩的对话。
达里奥：谢谢。
