jakiro
Google 前 CEO ，「現在已經不是 Google 員工」的施密特（Eric Schmidt）前不久在斯坦福做了一次分享。
分享被拍成視頻上傳到斯坦福在線課 YouTube 官號，其中有 40 多分鐘施密特與學生 Q&A 的環節。
因為觀點太直接，說話太實在，施密特的分享上了新聞。
斯坦福官號把視頻都隱藏了。
最後施密特在郵件採訪中對「錯誤言論」表示道歉。
知名科技博主 闌夕 總結了施密特分享的重點內容，TLDR。文章後面也附上了施密特的全程問答。
現在的谷歌為什麼在 AI 領域被 OpenAI 壓著打？因為谷歌覺得讓員工儘早回家和平衡工作比贏得競爭更加重要。如果你的員工每個星期只來公司上一天班，你怎麼可能比得過 OpenAI 或是 Anthropic？
看看馬斯克，看看臺積電，這些公司之所以成功，就是因為能夠卷員工，你必須要把員工逼得夠緊才能獲勝，臺積電會讓物理學博士第一年下工廠幹活，你們能想像美國的博士生去流水線嗎？
自己犯過很多錯誤，比如曾經覺得英偉達的 CUDA 是很蠢的程式語言，但現在 CUDA 是英偉達最牛逼的護城河，所有的大模型都要在 CUDA 上運行，而只有英偉達的 GPU 支持 CUDA，這是其他晶片撼動不了的組合。
還有微軟跟 OpenAI 合作時自己也覺得難以置信，微軟怎麼能把最重要的 AI 業務外包給那種小公司啊，結果再次看走了眼，再瞧瞧蘋果在 AI 上的溫吞，大公司真的都官僚化了，奮鬥逼都在創業。
TikTok 給美國人上了一課，在座各位年輕人以後如果創業，能偷音樂什麼的就趕緊去做——似乎是在黑 TikTok 早期縱容盜版 BGM——如果你做成了，就有錢僱傭最頂級的律師幫你擦屁股，如果你沒做成，那就沒人會起訴你。
OpenAI 的星際之門在宣傳時說需要 1000 億美金，實際上可能 3000 億都打不住，能源缺口太大了，給白宮提過建議，美國以後要麼跟加拿大打好關係，水電資源豐富，勞動力便宜，而且夠近，要麼去和阿拉伯國家套近乎，讓他們來做主權投資。
歐洲已經沒戲了，布魯塞爾（歐盟總部所在地）一直都在摧毀科技創新的機會，可能法國還有點希望，德國不行，其他歐洲國家就更不用提了，印度是美國盟友裡最重要的搖擺州，以及美國已經失去了中國。
開源很好，谷歌歷史上的大部分基礎設施也都受益於開源，但是說實話，AI 行業的成本太高了，開源負擔不起，自己投資的法國大模型 Mistral 將會轉為閉源路線了，不是所有公司都願意且有能力像 Meta 一樣當冤大頭。
AI 會讓富者愈富、窮人恆窮，國家也是，這是一場強國之間的遊戲，沒有技術資源的國家需要拿到加入強國供應鏈的門票，否則也將錯過盛宴。
AI 晶片屬於高端製造業，產值很高，但不太可能拉動就業，你們可能沒幾個人去過晶片製造廠，裡面全是機械化生產，不需要人，人又笨又髒，所以不要指望製造業復興，蘋果把 MacBook 的產線遷回德州不是因為德州工資低，因為根本不用再大規模僱人了。
歷史上，電力在引入工廠之後並不比蒸汽機創造了更多的生產力，是過了大概 30 年左右，分布式電源改造了車間布局，推動組裝系統的出現，再才開始了生產力的飛躍。現在的 AI 和當初的電力一樣，有價值，但還需要組織創新，才能真正拿到巨大的回報，目前大家都還只是在摘取「低垂的果實」。
點擊關注，發現更多 AI 創業者
1. 三個會改變未來的 AI 技術
主持人：你怎麼看 AI 在短期內的發展？在你這裡短期的定義應該是未來一兩年，是吧？
Eric Schmidt ：事情發展得太快了，感覺每隔六個月，我就要重新做一次關於未來的演講。這裡有沒有計算機科學專業的？有沒有人能給大家解釋一下，什麼是百萬 token 上下文窗口？
聽眾 ：基本的含義是，提問 prompt 可以用一百萬個 token 或者一百萬個詞，或者其他類似的東西。
Eric Schmidt ：所以百萬 token 意味著你可以提出一個一百萬詞長度的問題。
聽眾 ：是的，我知道這是目前 Gemini 的一個大方向。
Gemini 官網介紹（中文翻譯為插件效果，感謝沉浸式翻譯）
Eric Schmidt：不，他們的目標是到一千萬。Anthropic 已經達到了 20 萬，還在繼續增長。目標是一百萬及以上，可以想像 OpenAI 也有類似的目標。接下來有誰能給我們一個技術定義，解釋一下什麼是 AI Agent 嗎？
聽眾 ：AI agent 就是在網上執行任務，代表你來購買東西，以及類似的各種操作。
Eric Schmidt ：所以 agent 就是執行某種任務的東西，另一個定義是一個具有記憶功能的大型語言模型。再問一個問題，計算機科學的同學，有人能解釋一下什麼是 Text-to-Action 嗎？
聽眾 ：就是把文字擴展到更多文本，輸入文本，然後 AI 根據文本觸發操作。
Eric Schmidt ：另一個定義是把語言轉換成 Python——一種我從沒想到還能繼續存活的程式語言。但現在 AI 的一切都是用 Python 來做的。最近有一種剛剛發布的新語言叫 Mojo，它似乎終於解決了 AI 編程的問題，不過我們還要看看在 Python 統治局勢下，它能不能生存下來。
再問一個技術問題，為什麼 Nvidia 價值兩萬億美元，而其他公司卻陷入困頓？
聽眾 ：技術原因嘛。我認為這主要歸結於代碼運行的優化。目前大多數代碼需要在經過優化的環境中運行，而目前只有 Nvidia 的 GPU 可以做到這一點。事實上其他公司有能力開發各種技術，可能擁有長達十年的軟體開發經驗，但它們沒有專門針對機器學習進行優化的團隊。
Eric Schmidt ： 我喜歡把 CUDA 看作是 GPU 的 C 語言。這是我喜歡的理解方式。它在 2008 年誕生，我一直覺得它是個糟糕的語言，但它卻成為了主流。現在有一整套開源庫，它們都是針對 CUDA 高度優化的。構建這些技術堆棧的所有人都忽略了這一點。我們稱之為 vlm 技術，加上其他類似的開源庫，它們都為 CUDA 做了優化。這對競爭對手來說很難複製。
以上這些意味著什麼？
在接下來的一年裡，你會看到更大規模的上下文窗口、Agent 和 Text-to-Action 的功能。當它們被大規模應用時，影響將比我們現在看到的社交媒體帶來的巨大衝擊還要大，至少在我看來是這樣。在上下文窗口裡，你可以把它當作短期記憶來用，規模能做得這麼大，這太讓人震驚，技術上服務和計算是非常複雜的。
短期記憶的有趣之處在於，讓它讀 20 本書，把這些書的文本輸入進去作為查詢，讓它告訴你書的內容。人類大腦會忘記中間的部分。現在有一些人在構建基本的 LLM Agent。它們的工作方式是，比如讀化學類的內容，發現其中的化學原理，然後進行測試，再把結果加入到它們的理解中。這非常強大。
第三點，就是我提到的文本到動作。舉個例子，政府現在正在考慮禁止 TikTok。我們不知道會不會真的發生。如果 TikTok 被禁了，我建議你們對你們的 LLM 說：複製一個 TikTok，獲取所有用戶，獲取所有音樂，加入我的偏好，30 秒內生成並發布。如果一個小時內沒火，那就換個類似的做法，這就是命令。砰砰砰，馬上就成了。
你明白嗎？如果你能從任意語言直接生成任意的數字指令，這基本上就是這個場景下 Python 的作用。想像一下，每個人都有一個能按你要求工作的程式設計師，而不再是那些為我工作，但不聽話的程式設計師。（笑）程式設計師們都知道我在說什麼。想像一下，一個不自大的程式設計師，真正按你的要求去做，還不用付那麼多錢。而且這些程式設計師是無限供應的。而這些……
主持人 ：都會在未來一兩年內實現。
Eric Schmidt ：很快就會實現。我非常相信它們會在下一波技術浪潮中發生。
聽眾：你提到擴展上下文窗口、代理和 Text-to-Action 的結合將帶來難以想像的影響。首先，為什麼這些結合很重要？其次，我知道你無法預知未來，但你為什麼認為這會超出我們目前的想像？
Eric Schmidt ：我認為主要是因為擴展上下文窗口能夠解決時效性的問題。當前的 AI 模型大約需要一年時間來訓練，包括 6 個月準備，6 個月訓練和 6 個月微調，所以它們總是有點滯後。但擴展後的上下文窗口可以讓你輸入最新的信息，這樣的上下文功能非常強大，就像谷歌那樣能夠實時更新。
關於 Agents 模型，我舉個例子。我建了一個基金會，資助了一個非營利組織，他們啟動了一個項目，有一個叫做 Chemcrow 的工具，它是基於大語言模型的系統，用來學習化學知識。他們用這個系統生成蛋白質方面的化學假設，然後實驗室會在晚上做測試，系統再繼續學習。這極大加快了化學和材料科學領域的研究進展。
我認為「Text-to-Action」可以理解為大量廉價程式設計師帶來的效果。不過我覺得我們還沒有真正理解，當每個人都有一個自己的程式設計師的時候會發生什麼，他們做的是你的專長，不是簡單的開關燈那樣的事。
你可以設想一個場景，比如你不喜歡 Google。就說，幫我造一個 Google 的競爭對手，搜索網頁、搭建界面、加入生成式 AI，30 秒內做好，我們來看看效果。這些老牌公司，比如 Google，就很可能會受到這種攻擊的威脅，我們等著看。
2. 「我已經不是 Google 員工了」
主持人 ：你在 Google 工作了很多年，他們發明了 Transformer 架構，Peter（Peter Norvig，前 Google Research 的工程總監）是主導者之一。感謝像 Peter 和 Jeff Dean 這樣的聰明人。不過現在，Google 似乎已經在主動權上失去了優勢，OpenAI 已經趕上來了。我看到的最新排名中，Anthropic 的 Claude 排在了前面。我問過 Sundar（桑達爾·皮查伊），他沒有給我一個明確的回答。也許你有一個更清晰或客觀的解釋，說說那裡到底發生了什麼。
Eric Schmidt ：我已經不是 Google 的員工了。坦率地說，Google 更加注重工作與生活的平衡，早早下班和居家辦公，似乎比打勝仗更重要。 初創公司的成功秘訣就在於員工拼命工作 。我很抱歉，說得這麼直接，但事實就是如此。如果你們畢業後創辦公司，你們不會讓員工每周只來公司一天，大部分時間在家工作。如果想和其他初創公司競爭，這樣做是行不通的。
主持人 ：Google 早期的情況和當時的微軟很像……
Eric Schmidt ：是的。
在我們這個行業，有一種常見的現象： 一些公司以非常創新的方式贏得市場，徹底主導了一個領域，但卻無法順利過渡到下一個階段 。
這種情況有很多。我認為創始人很重要，這是非常重要的問題，他們掌舵公司。雖然創始人往往難以相處，對員工要求苛刻，但他們也推動了公司向前發展。
儘管我們可能不喜歡 Elon（馬斯克）的一些個人行為，但看看他在工作上做了什麼。我和他共進晚餐那天，他一直在來回飛行。我當時在蒙大拿，而他那天晚上十點還要飛去參加凌晨與 xAI 的會議。
我去臺灣的時候，感受到不同的地方有不同的文化，我印象深刻的是，臺積電（TSMC）有一個規定，新入職的物理學博士要先在工廠地下室工作。你能想像讓美國的博士去做這種工作嗎？幾乎不可能。
工作結果是不同的。我之所以對工作的問題如此苛刻，是因為這些系統存在網絡效應。時間非常關鍵，而在大多數行業中，時間並不那麼重要，他們有足夠的時間。可口可樂和百事可樂會一直存在，兩者的競爭也會持續下去，像冰川一樣緩慢變化。
當我與電信公司合作時，一般的電信合同需要 18 個月才能籤署。我覺得沒必要這麼久，事情應該儘快完成。我們現在正處在增長和收益的高峰期，這時候還需要一些瘋狂的想法。
比如微軟決定與 OpenAI 合作時，我當時覺得那是最愚蠢的想法之一。 微軟把 AI 領導權交給了 OpenAI 和 Sam 的團隊，這簡直不可思議。 然而今天，他們正逐步成為最有價值的公司之一，與蘋果的競爭不相上下。蘋果在 AI 方面沒有好的解決方案，看起來微軟的策略奏效了。
3. 模型的差距正在拉大
Eric Schmidt ：你剛才問，接下來會發生什麼，每隔六個月，我的想法都會有所搖擺。我們現在處於一個奇偶震蕩的周期波動中。就目前來看，前沿模型之間的差距——現在只有三種模型——和其他模型之間的差距似乎在拉大。六個月前，我還認為差距在縮小，所以我投了很多錢給一些小公司，不過現在我不那麼確定了。
我開始和大公司談，大公司告訴我， 他們需要 100 億、200 億、500 億，甚至 1000 億資金。
主持人：目標是 1000 億，對吧？
Eric Schmidt ：是的，很難很難。我和 Sam Altman 是好朋友，他認為可能需要 3000 億，甚至更多。我告訴他，我已經計算過所需的電力了。我上周五去了白宮，開誠布公告訴他，我們需要和加拿大搞好關係，因為加拿大不僅人好，還幫助發明了 AI，並且有很多水電資源。而我們國家沒有足夠的電力來支撐這個發展。
另一個選擇是讓阿拉伯國家出資。我個人很喜歡阿拉伯，也在那裡呆過很長時間。但他們不會遵守我們的國家安全規則，而加拿大和美國是可以一起合作的。
主持人 ：沒錯。所以這些價值 1000 億、3000 億的數據中心， 電力會變成稀缺資源。
Eric Schmidt ：是的。順著這個思路，如果 3000 億都要投到 Nvidia 身上，你知道該買什麼股票了，對吧？（笑）當然，我不是在推薦股票。
主持人 ：沒錯。我們將需要更多的晶片，Intel 正從美國政府獲得大量資金，還有 AMD，他們都在努力建造晶片工廠。
Eric Schmidt ：如果現場有使用 Intel 晶片的設備，請舉手（聽眾舉手）。它的壟斷似乎到此為止了。
主持人 ：Intel 曾經確實是壟斷者。而現在是 Nvidia 的壟斷。那麼，像 CUDA 這樣的技術壁壘，是否有其他公司可以做？我前幾天和另一位創業者聊過，他會根據能獲得的資源，在 TPU 和 Nvidia 晶片之間切換使用。
Eric Schmidt ：因為他沒有其他選擇。如果他有無限的資金，今天他肯定會選擇 Nvidia 的 B200 架構，因為那樣速度更快。我不是在暗示什麼，競爭當然是好事。我和 AMD 的 Lisa Sue（蘇姿豐）詳細討論過這個事情，他們開發了一個系統，可以將 CUDA 架構轉換成他們自己的架構，叫做 Rocm。目前還沒完全發揮作用，他們還在繼續改進。
4. 我們會經歷一場巨大的泡沫， 然後市場會自己調整
聽眾：你對 AI 的前景非常樂觀。你覺得是什麼推動了這種進步？是更多的資金？還是更多的數據？或者是技術上的突破？
Eric Schmidt ：我基本上是看哪個項目都投，因為我也說不準哪個能成。而且，現在有一大堆資金跟著我一起進來。我覺得，部分原因是早期投資已經賺到錢了，現在那些大資金的投資者，雖然他們不太懂 AI，但他們覺得每個項目都得加點 AI 元素，所以現在幾乎所有的投資都變成了 AI 投資。他們分不出好壞。 我理解的 AI，是那種真正能學習的系統，我認為這才算數。
另外，現在有些非常先進的新算法，它們已經不局限於 Transformer 架構了。我有個朋友，也是我長期的合作夥伴，他做出了一種全新的非 Transformer 架構，我在巴黎資助的一個團隊也說他們有類似的創新，斯坦福這邊也有不少新動向。
最後，市場上普遍相信，開發智能技術會帶來巨大的回報。比如說，你給一家公司投了 500 億美元，那你肯定希望通過智能技術賺回一大筆錢。所以我們可能會經歷一個巨大的投資泡沫，然後市場會自我調整。過去一直都是這樣，現在可能也不例外。
主持人 ：你之前提到，現在頭部公司正在越拉越開距離。
Eric Schmidt ：對，現在確實是這樣。法國有家公司叫 Mistral，他們做得很好，我也投資了他們。他們推出了第二版模型，但第三版可能會是封閉的，因為成本太高。他們需要收入，不能再免費提供模型了。
開源和閉源之間的爭論在我們行業裡非常激烈。我個人的整個職業生涯都建立在人們願意分享開源軟體的基礎上。我做的技術工作都是開源的，谷歌的很多核心技術也是開源的。但是現在可能 因為資本成本實在太高，軟體的開發方式可能會發生根本性的變化。
我個人覺得，軟體程式設計師的生產力至少會翻倍。現在有三四家軟體公司在努力實現這個目標，我也投了這些公司。他們的目標是提升軟體程式設計師的效率。我最近見到的一個很有趣的公司叫 Augment。我總是想著單個程式設計師，但他們的目標其實是那些大型軟體團隊，這些團隊可能有幾百萬行代碼，但沒人能搞清楚所有代碼的運行細節。這個問題非常適合用 AI 來解決。他們能賺錢嗎？我希望能。
主持人 ：所以，還有很多問題要討論。
聽眾：關於非 Transformer 架構，我覺得狀態模型之類的架構大家討論得不多，但現在它們又有了更多的進展，你在這個領域看到了哪些新進展？
Eric Schmidt ：我對數學了解不夠深，這裡的數學非常複雜。但基本上，它們就是用不同的方法來做梯度下降和矩陣乘法，速度更快、更好。Transformers 是一種同時進行乘法運算的系統化方式，我是這麼理解的。它跟這個類似，但數學原理不同。
聽眾：你是工程師出身，考慮到這些模型未來可能具備的能力，我們是否還需要花時間學編程？
Eric Schmidt ：這就好比你已經會說英語了，為什麼還要繼續學英語呢？學習總是能讓人更上一層樓。你得理解這些系統的工作原理。
5. 分布式計算解決不了 AI 的算力問題
聽眾：兩個簡單的問題：一是大型語言模型的經濟影響，是否比你最開始預計的市場影響更慢？二是你認為學術界應該獲得 AI 補貼嗎？還是應該跟大公司合作？
Eric Schmidt ：我一直在努力推動為大學建立數據中心。如果我是這裡的計算機科學系的教授，我會非常不滿意，因為我沒辦法和研究生們一起開發那些算法，而且還被迫跟那些大公司合作。在我看來，這些公司在這方面做得並不夠。我和一些教授聊過，他們很多人都得花大量時間等 Google Cloud 的使用配額。這是一個蓬勃發展的領域，正確的做法就是把資源提供給大學，我正在努力推這件事。
至於你提到的勞動力市場的影響問題，我基本上相信，高技能型的大學教育和相關的工作應該會沒問題，因為人們會和這些系統一起幹活兒。我覺得這些系統和之前的技術浪潮沒什麼不同，那些危險的工作和不太需要人類判斷的工作最終會被替代。
聽眾：你有沒有研究過分布式環境？我問這個是因為，搭建大型集群很困難，但 MacBook 還是很強大的。全世界有很多小型機器。你覺得像 Folding@home 的想法能用來做訓練嗎？
註：”Folding@home” 是一個利用全球分布式計算資源的項目，利用全球參與者的電腦閒置資源來進行蛋白質摺疊的計算。
Eric Schmidt ：分布式環境的確是個挑戰。搭大型集群確實不容易，但每個 MacBook 都有自己的算力。全球有那麼多小型機器，把它們聯合起來的想法確實有潛力。這可以用來做訓練，但還有很多技術細節需要解決。
我們深入研究過這個問題，這些算法的工作原理是這樣的：你有一個非常大的矩陣，基本上就是進行乘法運算。你可以想像這個過程是反覆進行的。這些系統的性能完全取決於數據從內存傳輸到 CPU 或 GPU 的速度。實際上，Nvidia 的下一代晶片已經把這些功能都集成到了一個晶片上，現在這些晶片已經非常大，功能都集成在了一起。而且封裝過程非常精細，晶片和封裝都是在無塵室裡完成的。所以目前來看，超級計算機和光速傳輸，尤其是內存之間的互連，才是關鍵因素。因此，我認為在短期內實現你說的這一點的可能性不大。
主持人：有沒有可能把大語言模型拆分開來？
Eric Schmidt ：要這麼做，你得有上百萬這樣的模型。而且你提問的方式會變得非常緩慢。
6. 未來我們可以不理解 AI， 但需要知道它們的邊界
主持人 ：我想換個話題，談點哲學性的東西。去年你和 Henry Kissinger（基辛格）、Daniel Huttenlocher（丹尼爾·赫滕洛徹） 一起寫了一篇文章 ，探討了知識的本質及其演變。我最近也跟別人聊到過這個話題，大多數歷史時期，人類對宇宙的理解帶有神秘色彩，直到科學革命和啟蒙運動的到來。你們的文章中說，現在的模型變得越來越複雜、難以理解，以至於我們對它們的內部機制不再那麼清楚。
費曼曾經說過， 「我創造不出的東西，我也無法理解。 」這句話我最近也提過，但目前看來，人們似乎在創造一些連自己都不太明白的事物。這是否意味著我們對知識的理解正在發生轉變？我們是否需要開始接受這些模型的結論，即便它們無法給出清晰的解釋？
Eric Schmidt ：讓我打個比方，這有點像年輕人。如果你家裡有青少年，你知道他們是人，但不是總能知道他們是怎麼想的。然而，我們的社會已經學會了如何適應他們的存在，並且知道他們終將成熟。所以，我們可能會有一些知識系統， 我們無法完全理解，但我們能夠了解它們的邊界。我們知道它們能做什麼，不能做什麼 。這可能已經是我們能夠期待的最佳結果了。
主持人：您覺得我們能掌握這些限制嗎？
Eric Schmidt ：我覺得我們能搞定。我們每周討論的小團隊都覺得，我們將來可能會用上那種對抗性的 AI 技術。想像一下，將來會有公司專門做這個，你給他們錢，他們就幫你測試 AI 系統，找漏洞，就像現在的那種「紅隊」一樣，只不過這次用的是 AI。整個行業都會搞起這種 AI 對抗 AI 的事情，特別是那些我們還搞不太懂的部分。我覺得這挺靠譜的。斯坦福那邊也可以考慮一下這個方向。如果有研究生對怎麼破解這些大模型感興趣，研究它們的工作原理，這對他們來說是個不錯的技能點。所以我覺得這兩件事會一起進步。
聽眾：剛才您提到與對抗性 AI 相關的評論，除了顯而易見的提升 AI 性能模型之外，還有什麼問題是我們需要解決的？為了讓 AI 真正做我們想要的事，主要挑戰是什麼？
Eric Schmidt ：確實要提升更高性能的模型。你必須假設，隨著技術進步，AI 的幻覺會有所減少，雖然我並不是說它會完全消失。你還得假設有方法來驗證效果，所以我們需要知道結果是否達到了預期。
比如我剛提到的 TikTok 競爭者的例子。順便說一句，我並不是建議你們非法竊取所有人的音樂。如果你是矽谷的創業者——我希望你們都會成為這樣的創業者—— 如果你的產品火了，那你就會請一大批律師來幫你解決問題；但如果沒人用你的產品，那麼就算你盜用了所有內容，也沒什麼關係 。但別把我這話當真啊。
矽谷會進行這些測試，並且解決這些問題。這是我們通常的處理方式。所以我相信，將來我們會看到越來越多的高性能系統，測試也會越來越精細，最終會有對抗性測試來確保 AI 在可控的範圍內。在技術上，我們稱之為「鏈式思維推理」。人們預期，未來幾年內，你將能夠生成 1000 步的鏈式推理，就像按照食譜做菜一樣。你可以按照食譜一步步來，然後驗證最終的結果是否正確。系統就是這麼運作的。當然，除非你是在玩遊戲。
7. 虛假信息短期看起來無解
聽眾：如何防止 AI 在公眾輿論中製造虛假信息，尤其是在即將到來的選舉中？從短期和長期來看，有什麼解決方案嗎？
Eric Schmidt ：在即將到來的選舉中，甚至全球範圍內，大多數虛假信息都會通過社交媒體傳播，而且目前社交媒體公司還沒有足夠的力量來管理這些信息。如果你看看 TikTok，有人批評 TikTok 偏向某種虛假信息，而不是另一種。我覺得我們在這方面亂成了一團，我們需要學習怎樣批判性思考。這可能是個艱巨的挑戰，但僅僅是有人告訴你某件事，不意味著它就是真的。
聽眾：會不會走向另一個極端？真事反而沒人相信了？有人概括這種現象為「認識論危機」。
Eric Schmidt ：我覺得我們現在面臨一個信任危機。我認為，對社會來說最大的威脅是虛假信息，因為我們在製造虛假信息這方面會越來越厲害。我管理 YouTube 的時候，遇到的最大問題是，人們會上傳假視頻，甚至讓有人因此命都沒了，我們當時還有個「無死亡政策」，聽起來很震驚吧。
註：YouTube 不允許任何鼓勵危險或非法活動的內容，這些活動可能導致嚴重的身體傷害或死亡。
想試著解決這些問題真的很痛苦，那時候還沒有生成式 AI。所以說實話，我沒特別好的解法。
主持人 ：技術手段不是萬能的解決辦法，但有一個看起來可以緩解這個問題的方法，就是公鑰認證。比如說，當拜登上臺演講的時候，為什麼不能像 SSL 那樣給他說的話加上數字籤名呢？或者名人或公眾人物發言時，他們能不能有自己的公鑰呢？就像我把信用卡信息給到亞馬遜時，我知道收件方確實是亞馬遜。
Eric Schmidt ：這確實是一種公鑰認證的方式，再加上其他驗證手段，確保我們知道信息的來源。
我跟人合寫過一篇論文，支持的就是你剛才論點，可惜的是，這篇論文完全沒起到什麼作用。所以可能系統並沒有像你說的那樣被組織起來解決這個問題。
總體來說，CEO 們的目標都是追求最大化收入，為了做到這一點，他們必須追求用戶的最大參與度。 要最大化參與度，就意味著要激發更多的憤怒情緒。 算法會優先推送那些讓人憤怒的內容，因為那樣能帶來更多收入。所以，整體上存在一種偏向極端內容的傾向，而且這不分陣營。這是我們的社會中必須要解決的問題。
關於 TikTok 的解決方案，我們之前私下聊過。小時候，有個叫做「平等時間規則」的規定。因為 TikTok 其實並不是社交媒體，它更像是電視，是有程式設計師在控制內容的。有數據顯示，美國的 TikTok 用戶平均每天花 90 分鐘看 200 個視頻，這數量相當大。政府可能不會去制定平等時間規則，但某種形式的平衡是必要的。
8. 大模型是少數國家才有資格參與的競爭
聽眾：就國家安全或利益來說，你認為 AI 在與中國的競爭中會發揮什麼作用？
Eric Schmidt ：我曾擔任 AI 委員會主席，這個委員會詳細研究了這個問題。報告有 752 頁，你可以去看看。我簡單總結一下：我們現在領先，我們需要繼續保持領先地位，而且需要大量資金來實現這一點。
大致情況是，如果前沿 AI 模型繼續發展，少數開源模型也參與進來，那麼只有少數幾個國家有資格參與。那些擁有大量資金、強大教育體系，並且有取勝決心的國家。美國是其中之一，中國也是。也許還有其他國家。但可以肯定的是，在你們有生之年，美國和中國之間的知識領域的競爭將是最大的對抗。
美國政府基本上已經禁止向中國出口 Nvidia 晶片，雖然他們不允許說這個，但確實是這麼做的。我們在晶片技術上大約領先中國 10 年。在光刻機技術方面，我們也領先了大約 10 年。未來我猜我們還能再領先幾年。晶片法案是川普政府的決定，並得到了拜登政府的批准。
主持人：您認為當前政府和國會是否聽取您的建議？您認為他們會進行這麼大規模的投資嗎？除了晶片法案之外，是否會繼續建設大型 AI 系統？
Eric Schmidt ：正如你所知，我領導了一個非正式的小組，這個小組不是官方性質的小組，這個小組包括了所有常見的 AI 領域的參與者。過去一年裡，這些參與者提出的建議成為了拜登政府 AI 領域決策的基礎，這個法案可能是歷史上最長的總統指令。
註：美國拜登總統於去年 8 月 9 日發布的《關於解決美國在特定國家對某些國家安全技術和產品的投資問題的行政命令》（Executive Order on Addressing United States Investments in Certain National Security Technologies and Products in Countries of Concern）
主持人 ：你正在推進特別競爭研究項目。
Eric Schmidt : 這是行政辦公室的實際執行法案。他們正在忙於落實細節，到目前為止做得不錯。舉個例子，去年我們討論過一個問題：如何檢測系統中的潛在危險。這種系統可能已經學到了一些危險的東西，但你卻不知道該問什麼。換句話說，這是個核心問題。系統學到了一些不好的東西，但它不會告訴你學到了什麼，而你也不知道該怎麼提問。這裡面有很多威脅，比如它可能學會了你不了解的化學混合方式。所以現在很多人都在努力解決這個問題。
最終，我們在備忘錄中設定了一個閾值，叫做 10^26 次方浮點運算，它是一種計算能力的衡量標準。超過這個閾值時，你必須向政府報告你的行為。這是規則的一部分，歐盟設定的閾值是 10 的 25 次方，但差別不大。我認為這些技術區別最終都會消失，現在的技術可以進行「聯邦訓練」，也就是可以將不同部分組合起來進行訓練。所以我們可能無法完全避免這些新技術帶來的威脅。
主持人 ：聽說 OpenAI 已經不得不這麼做，部分原因是因為電力消耗太大，沒有一個地方能單獨承擔所有的計算量。
9. AI 是有錢人的遊戲， 富者愈富
聽眾：《紐約時報》起訴 OpenAI 用他們的作品訓練模型。您認為這對數據使用意味著什麼？
Eric Schmidt ：我在音樂版權方面有很多經驗。在 60 年代，有一系列訴訟，最終達成了一個協議，就是每次你的歌曲被播放的時候，無論聽眾是否知道你是誰，你都會得到一定的版稅，這筆錢會被存入你的銀行帳戶。我猜未來的情況也會類似，會有很多訴訟，最終達成某種協議，規定使用這些作品時必須支付一定比例的收入。你可以看看 ASCAP（美國作曲家、作家和發行商協會）和 BMI（Broadcast Music, Inc.，一家美國表演權組織）的例子，雖然看起來有點過時，但我認為最終的情況會是這樣。
聽眾：看起來有幾家公司在主導且會繼續 AI 領域，這些公司似乎正是所有反壟斷法關注的對象。你怎麼看這兩個趨勢？你覺得監管機構會拆分這些公司嗎？這會對行業產生什麼影響？
Eric Schmidt ：在我的職業生涯中，我曾經推動過拆分微軟，但它並沒有被拆分。我也努力讓谷歌不被拆分，結果它也沒被拆分。所以在我看來，只要這些公司避免成為像 John D. Rockefeller（標準石油公司創始人）那樣的壟斷巨頭，趨勢就不是拆分。這就是反壟斷法的由來。
我不認為政府會採取行動。你看到這些大公司主導市場的原因是，只有它們有資金建造這些數據中心。所以我的朋友 Reed Hastings（Netflix 聯創兼 CEO）和 Elon Musk 都在這樣做。
所以富者愈富，窮者只能盡力而為。這是事實，這是富國的遊戲，需要巨額資本、大量技術人才和強有力的政府支持。還有許多其他國家有各種問題，他們沒有這些資源，所以他們必須與其他國家合作。
聽眾：你花了很多時間幫年輕人創造財富，對這件事很有熱情。對在座的同學們職業生涯的這個階段以及未來，有什麼建議嗎？
Eric Schmidt ：我對你們快速展示新想法的能力印象深刻。在我參與的一個黑客松中，獲勝團隊的任務是讓無人機在兩座塔之間飛行。他們在一個虛擬無人機空間裡完成了這個任務，讓無人機理解了「在…之間」的意思，用 Python 寫了代碼，在模擬器中成功讓無人機穿過了塔樓。如果是專業程式設計師來做這件事，可能需要一兩周的時間。
我要說的是， 快速製作原型的能力確實非常重要 。作為企業家，問題之一就是一切都發生得非常快。現在，如果你不能在一天內利用各種工具做出原型，你就得好好想想了，因為你的競爭對手能完成。
所以我的建議是，當你開始考慮創業，寫一份商業計劃是好的，你應該讓電腦幫你寫商業計劃，用這些工具快速將你的想法轉化為原型是非常重要的。因為可以肯定的是，在另一家公司、另一所大學或者你從未去過的地方，有人也在做同樣的事。
