Steve Jurvetson是馬斯克的首位投資人、SpaceX和Tesla的早期投資人，他與馬斯克相識29年。在近期一檔訪談節目中，他闡述了自己對AI未來走向的判斷，以及當前正在佈局的投資方向。

Jurvetson認為，AI驅動的計算指數級增長將在未來3年內衝擊能源、農業、建築三大行業——這三個行業是全球GDP佔比最大、數字化程度最低的領域。他目前重點押注核聚變/核裂變能源、替代蛋白質（細胞培養肉/菌根）、表觀遺傳編輯、新材料與關鍵礦產、模擬AI芯片等。

他為什麼當年敢投SpaceX

2000年代初，風險投資界根本沒有「私人航天」這個類別。

Jurvetson回憶：「那時候幾乎沒有投資人在考慮航天，它不在任何投資網站的類別裏。」同樣的邏輯也適用於Tesla——汽車行業也不是VC該碰的地方。

他投的底層邏輯是：用軟件和系統工程思維去改造幾十年沒有變化的傳統行業。航天和汽車只是最早的兩個驗證案例。

這個邏輯，他認為將在幾乎所有行業重演。

未來3年：AI滲透最「落後」的三大行業

在被問及AI將在哪裏帶來最大變化時，Jurvetson沒有提軟件，而是直接點名三個行業：能源、農業、建築。

「這三個行業在GDP中佔比巨大，而且是地球上數字化程度最低的行業。」醫療緊隨其後。

他援引一張覆蓋130年算力增長的指數圖——最早由未來學家Ray Kurzweil在1999年的書《靈性機器時代》中繪製——來解釋為什麼這一切正在發生。這張圖橫跨五種不同技術基底，從機械裝置到集成電路，整體呈指數增長。「這張圖展示的是，用一美元能買到的算力提升了十萬億倍（ten thousand billion）。」他說，「這是有史以來最重要的一張圖。」

他認為，正是這種持續的算力指數增長，讓過去只屬於工業時代的「低毛利率爛生意」，正在逐步轉變為信息化業務。航空航天和汽車已經證明了這個路徑，能源、農業、建築是下一批。

至於技術驅動力，他坦承不確定。「我有一種直覺，會出現某種架構上的變體，可能會把我們現在熟悉的模型都囊括進去。」他特別提到強化學習領域的新一代實驗室，認為它們正在迴歸DeepMind的創立初衷——在大語言模型浪潮興起之前，Deep Mind本是走這條路的。

他現在正在押注什麼

訪談中被問到當前投資方向時，Jurvetson列出了一份清單。他的框架是：找那些「從未見過新進入者、甚至創立於1800年代的老行業」。

能源：投資了核聚變、核裂變——一種不觸發美國核管理委員會（NRC）監管的裂變技術。他的邏輯是，能源是AI的第三大瓶頸，排在人才和算力之後。

替代蛋白質： 「500年後，人類不會再為了肉而屠宰動物。細胞培養肉、菌絲體、植物蛋白，產品已經越來越接近了，你幾乎能嚐到那個未來。」他認為菌絲體是其中增長最快的方向。

表觀遺傳編輯（Epigenetic Editing）：他將其描述為「生物學的軟件層，而非基因組的固件層」，應用場景涵蓋作物健康、農藥替代和人類健康。「這是我們最近投入最多的方向之一。」

關鍵礦物與新材料：從深海採礦到銅精煉，他認為這是AI硬件供應鏈的基礎。「芯片的勞動力就是這些材料，而美國在這方面的產能已經流失多年。」

模擬AI芯片：他們有三個不同角度的投資，目標是在每次計算的能耗上實現「100倍再100倍」的降低。其中一家公司Mythic可以在單個晶體管內完成8位乘加運算。

醫療與生命科學：包括器官培育、男性避孕藥，以及「那些掉進傳統醫藥VC縫隙裏的東西」。整體組合約40%生命科學，60%信息技術。

建築業他也在看，但坦言「嘗試過幾次，失敗了，但還在繼續找。」

超級智能：明年30%的概率？

Jurvetson在訪談中援引了一個具體數字。

「Anthropic聯合創始人Jack Clark給出了一個判斷：明年出現超級智能的概率是30%。」他說這個數字讓他覺得有趣——「至少有一個人把話說死了。」

他自己的態度更謹慎：「我不知道。我給它一個模糊的未來概率，部分原因是這樣在智識上更省力，而不是真的把它當成一個嚴肅的難題去想。」

觀察馬斯克29年，他總結了什麼

被問及從馬斯克身上學到什麼，Jurvetson給出了三點：

一是極致專注。 「他拒絕干擾的能力強到令人難以置信。」Jurvetson舉例說，他曾想撮合馬斯克與基因科學家Craig Venter討論如何用基因技術改造火星，馬斯克直接拒絕——「在星艦飛起來之前，討論到了火星做什麼毫無意義。」

二是壓縮創新周期。 他認為這比專注更重要。「核心問題是：你的學習循環有多快？」他舉了一個數據：特斯拉的車輛攝像頭每四天為AI訓練集採集的數據量，超過Waymo有史以來的全部數據總量。「而且每一輛車，不管客戶有沒有付費購買完全自動駕駛，都是一台數據採集設備。」

第三，用宏大願景吸引頂尖人才。「不只是說我們在造火箭、造車，而是說我們在推動可持續能源轉型，讓人類成為多星球物種。」這種願景讓最聰明的人願意加入，而頂尖人才吸引更多頂尖人才，形成複利。

當機器做完所有事，人類做什麼？

訪談最後，Jurvetson被問到一個哲學問題：當機器比人類做任何事都更好，人生的意義是什麼？

他的回答是：人類有一種根本性的需求——「象徵性的不朽」，即相信自己為這個世界留下了超越自身生命的東西。「無論是生育、寫作、慈善還是創業，這都是同一種衝動的不同表達。」

他認為，人類的進化不是生物意義上的，而是知識積累意義上的。「我們傳遞給下一代的，是規則、法律、理解，而不是基因。」

但他也坦承，從充分就業到零就業的過渡不會是平滑的。「沒有任何政治家在認真考慮30%、40%、50%失業率的過渡期問題。」他說，「我不想以悲觀結尾——但如果我們不是直接跳到那個豐盛的世界，中間的路會很難走。」

訪談全文：

未來三年的人工智能：馬斯克首位投資人的洞見

來源： Silicon Valley Girl Podcast 日期： 2026年7月8日 時長： 43分20秒

嘉賓簡介

Steve Jurvetson 是 Tesla 和 SpaceX 最早期的投資人之一，彼時私人航天甚至還不是任何人願意涉足的投資類別。他與馬斯克相識已近 29 年，並投資了馬斯克創辦的每一家公司。在本次對話中，他深入闡述了自己對未來的判斷、近距離觀察馬斯克所總結的三條經驗，以及他認為即將以超乎預期的速度發生變革的行業。

一、背景：投資私人航天的邏輯

主持人： 你非常早期地投資了 SpaceX，當時你看到了大多數投資人沒有看到的什麼？

Steve： 簡單說，當時幾乎沒有投資人考慮航天領域，它在任何平台上都不是一個投資類別。所以真正的問題是：我們為什麼要投資一個對風險投資而言根本不存在的行業？汽車領域的特斯拉、能源領域的核聚變，都面臨同樣的質疑，這類投資少之又少。

歸根結底，核心原因是：遇到了一位傑出的企業家，一位我們曾經合作過的人。我認識他已經 29 年了，投資了他創辦的所有這些世紀性企業，也包括他表兄弟的公司。可以說是全押。

我們逐漸認識到——起初是模糊的感知，後來越來越清晰——一種以軟件為核心的系統工程方法，一旦應用於數十年來毫無變化的傳統行業，就能真正釋放出巨大的價值與機遇。這在航空航天和汽車行業都已得到驗證。這是一個長期賭注，但現在回過頭來看，幾乎每一個行業最終都會走上這條路，都會演變為信息化業務。

二、最重要的圖表：130年的算力增長曲線

主持人： 你有一張關於130年算力增長的圖表，呈現出指數級增長的趨勢。這對我們意味着什麼？未來三年又將如何？

Steve： 這張圖最早由 Ray Kurzweil 在1999年的著作《靈性機器的時代》中提出。我認為這是有史以來最重要的圖表，Kurzweil 的洞見在於，他在無人察覺時就發現了這條曲線背後的規律。

這張圖涵蓋了五種不同的技術基底，從機械裝置到繼電器計算機，再到分立晶體管、集成電路，一直到 Gordon Moore 所說的"摩爾定律"時代。這條曲線幾乎是宇宙學意義上的存在——為什麼人類的計算能力能夠持續複合增長130年？在此期間，無數公司興衰更迭，而這條曲線從未中斷。

圖表使用的是對數座標，直線即代表指數增長。它顯示，每一美元所能購買的算力提升了十萬億倍。這纔是客戶真正關心的東西。沒有人買集成電路時會問"這裏面有多少晶體管"，他們購買的是算力和存儲，而這兩者一直穩定增長。

因此，關於未來三年，最基本的預測就是：這條曲線將繼續延伸。它不會突然撞上一堵紅磚牆。當一家公司聲稱"到頭了"，往往意味着它正在將市場拱手讓給新玩家——就像英特爾當年對英偉達所做的那樣。

未來三年，模擬芯片將繼續傳承摩爾定律的衣鉢，還有那些高效執行矩陣乘加運算的專用 AI 芯片。正是這種指數級的技術變革，才催生了創業機會。如果技術是可預測的，沒有顛覆性創新，大公司只會越來越大，新進入者根本無法競爭。

AI 以及我們今天討論的一切，正是這一趨勢的集中體現——算力驅動創新、經濟增長和產業變革最密集的熔爐。未來三年，這一影響將蔓延至能源、農業和建築業——這三個行業體量龐大、佔 GDP 比重持續增長，卻是全球數字化程度最低的行業，醫療健康緊隨其後。

三、技術驅動力：架構創新與強化學習

主持人： 推動這些行業變革的技術驅動力是什麼？更先進的大語言模型，還是別的什麼？

Steve： 這個問題很難有把握地回答。我直覺上認為，答案將是某種在架構上具有根本性差異的東西，它可能會將我們現有的模型納入其中。你可以想象混合專家架構，或者今天早些時候提到的擴散模型——它最終可以轉化為一種Transformer，但思考方式截然不同，是一種大規模並行的形式。

我還有一個尚未落地投資的直覺判斷。我接觸過一些公司，它們讓我很感興趣，我隱約覺得它們將取得突破。這是新一代研究機構，專注於強化學習領域。

這幾乎是在迴歸 DeepMind 的創始初心——大語言模型興起後，他們將這條路擱置了一段時間。用智能體的語言來說：什麼是跨越數十年的長期智能體過程？不是由外部操控者拉着木偶線，而是某種類似生物進化驅動力的東西——對於生命體、對於人類，我們生命使命或人類總體使命的驅動力究竟是什麼？

是像 Grok 和 xAI 所說的"理解宇宙"？是某種新穎性尋求算法，驅使系統不斷探索未知、以"發現新事物"作為過濾器？在進化算法中，什麼是"選擇壓力"？什麼是成功？它不僅僅是生物意義上的繁殖適應度，而是某種更宏大的東西。

我知道一些團隊正在探索：是否存在一種單一的強化學習算法，通過持續學習、在互聯網海量數據中自由馳騁，就能以我們在大語言模型中所看到的方式引導智能的湧現？

目前，我們對其他存在賦予意識，對其他事物賦予意義，即便我們並不確定其是否存在。現階段大語言模型的互動很有趣，但還不完全是那回事——我們知道里面沒有"光亮"。

四、超級智能：明年有30%的概率？

主持人： 你描述的是超級智能嗎——能夠自主學習、自主設定目標的系統？未來三年內會出現嗎？

Steve： Anthropic 聯合創始人 Jack Clark 給出了這件事明年發生的概率為30%。我覺得這很有意思，至少有人在旗幟鮮明地表態。

目前爭論的焦點在於，今天我們所見的"自我改進 AI 循環"，其巨大進步仍然來自若干由人類主導的步驟：訓練過程中的自動化驗證改進循環、超參數調整、AI 輔助的超參數實驗等。但目標設定依然由人類完成。

也許，AI 目前尚未完成的只是一層薄薄的活動，但在某種意義上，這恰恰是最關鍵的部分。沒有人確切知道這個轉變將如何發生。

這裏還涉及一個深層問題：AI 系統是否需要復現我們大腦的功能專業化？我們人類大腦是在漫長的進化歷程中形成的——從反應性的邊緣系統，到情緒中樞，再到皮層及不斷疊加的更多皮層。這整套構造，正如今天早些時候一位演講者所說，也許是作為"我們所感知的自我意識"而被引導出來的。AI 和機器人系統是否也需要具備同樣的東西？

坦率說，我不知道，也沒有什麼把握。我只是給它一個模糊的未來標籤——"也許會發生"，更多是因為這作為一個智識捷徑比較方便，而不是因為我真的深入思考過這個嚴肅的難題。三年這個時間跨度感覺足夠遠，以至於幾乎什麼都難以預測。

五、技術能力與實際部署之間的鴻溝

主持人： 我們看到了很多機器人演示，當前技術能力似乎強於實際部署水平。這個差距有多大？

Steve： 這是個很好的觀察。不同領域的接受度會存在本質差異。

一個簡單易懂的例子：只要涉及原子層面的改變，就需要時間。完全自動駕駛汽車顯然是不可避免的未來，每輛車、每列火車、每架飛機，地球上所有移動的東西最終都將實現完全自動駕駛。但切換的節奏會顯得極為緩慢——人們平均持有一輛車11到12年，你無法跨越這個物理更換周期。實體機器人同理，即便採用遞歸製造技術，生產十億台機器人也需要相當長的時間。

反而有些我們曾視為人類獨有領域的地方，變化來得迅雷不及掩耳——創意藝術：電影製作、圖像生成等，我們已經親眼目睹了。讓人驚訝的只是它來得這麼早。

緊隨其後的是白領工作。以呼叫中心為例，佔美國 GDP 約1%，轉型幾乎可以在一夜之間發生，根本不需要等待數十年。

有趣的是，當 AI 比人類表現得更好——展現出更強的情感理解力、更準確的情境判斷——人們會越來越傾向於與 AI 互動而非人類。從醫生的床旁溝通方式到聊天機器人和客服代理，AI 在情感連接方面的表現已經超越了人類。

六、軟件工程領域的加速變革

主持人： 在軟件工程領域，變化正在以驚人的速度發生。我的一些朋友一年前還在編輯70%的 AI 生成代碼，現在已經降到了30%。

Steve： 這正是那些白領工作轉變的典型案例之一。

七、近距離觀察馬斯克：三條核心原則

主持人： 與很多頂尖企業家合作，你認為有哪些頂層原則是我們應該向馬斯克學習的？

Steve： 我一直試圖用心觀察領袖們的行事方式，但即便專注於此，也並不總是顯而易見的，因為人是複雜的。以下是我總結的幾點：

第一：超乎尋常的專注力。

這乍聽矛盾，畢竟他同時掌管這麼多家公司。但實際上，同時運營多家公司本身就成了他聚焦、排序優先級、拒絕出席各種會議的理由。一家公司的普通 CEO 若不參加公司節日派對，會顯得很奇怪；但沒有人質疑馬斯克，因為大家都知道他還有其他公司要忙。不管這算不算藉口，他對干擾項說"不"的效率極高。

舉個例子，多年前我想把他引薦給 Craig Venter，探討如何更輕鬆地對火星進行地球化改造、如何從火星帶回生命樣本等話題。我當時覺得這極為迷人，但他說："不，在星艦飛起來之前，這些都不重要。我得先把那東西搞定，再考慮到了那兒之後做什麼。"

第二：對創新迭代周期的極致執念。

比我剛纔說的更為重要的是，他對創新循環速度有着近乎偏執的專注——我們能以多快的速度運行實驗、迭代學習？核心學習循環是什麼？無論是火箭的發射節奏，還是特斯拉在全自動駕駛到來之前通過大量車輛積累數據以訓練模型。如何確保我們在從客戶互動、產品功能和技術中學習的速度上領先所有人？

數據飛輪的威力是一個很好的例子：特斯拉的車輛——無論車主是否付費開啓完全自動駕駛功能——每隔四天為 AI 訓練集收集的數據，就超過了 Waymo 有史以來積累的數據總量。這背後的精妙之處，正是將每一輛車都變成數據採集終端這一決策。

第三：識別人才的一整套高度磨礪的技能。

這是我希望能複製卻始終無法複製的能力。他不依賴學歷、特定背景或經驗——事實上，這些往往是拖累。他讓候選人深入覆盤重大工程危機或問題解決過程，並不斷追問細節，以此檢驗他們是否真正掌握了讓某件事成功所需的一切。

廣義上說，他有吸引人才的磁力，以及將願景打磨、升華，讓人們願意為之投身的能力。特斯拉的充電站遍佈各地，不僅僅是因為"我們在造火箭和汽車"，而是因為他將目標定義得更為宏大——催化可持續能源轉型，讓人類成為多星球物種，理解宇宙（如今 xAI 併入其中亦是如此）。這些崇高的目標能夠激勵最優秀的人才加入，而這種複利效應會在整個組織中持續漣漪擴散——因為優秀的人想要與其他優秀的人共事。

八、在衆人質疑時堅守五十年願景

主持人： 現在每周都有新的熱點，99%的人可能告訴你"太早了"。創業者如何在這種環境下忠於自己的使命？

Steve： 這是個有趣的問題。我承認，我的樣本存在一定的選擇偏差——做了30年風險投資，我盡力只與那些懷有真誠、使命驅動的人合作，而不是那些追逐下一個閃亮目標的投機者。

我有一個篩選方法：當我們對某家公司非常興奮時，我會問創始人："你的業務在50年後是什麼樣子？"通常會得到兩種截然不同的反應：

一種是輕笑，覺得這是個荒唐的問題——投機型的機會主義者會說"那時我早就開始第三家創業公司了"，然後我們就會跳過他們。

另一種是如釋重負——"謝天謝地，我終於可以告訴你我一直想說的話了"——然後開始描述真正驅動他們的東西，那個遠比你今天可能願意投資的任何東西都超前得多的願景。

殖民火星在創業第一天就是一個"無法投資的命題"，但真正懷有宏大願景的企業家，往往已經學會了壓抑自己真正的夢想，先談一些更接地氣、更近期的東西。

對創業者而言，我的建議是：找到願意與你共同走完這段長途旅程的投資人、合夥人和員工，並規劃出一條可信的路徑。最好的創業公司需要同時滿足兩種張力：一是大膽的50年乃至500年願景，二是未來三年內與真實客戶迭代、從中學習的具體路徑。有時這條路是從終點反推回當下：要抵達那裏，我現在必須構建什麼？而不是鑽進實驗室，20年後出來宣佈"解決了所有問題"。

九、最令人驚喜的發現：不斷展開的期權價值

主持人： 你在那麼多不同行業做出了成功的押注，這些最偉大的企業家身上，還有什麼讓你感到意外的嗎？

Steve： 回想起來有些奇怪，我覺得每次成功都還是會讓我感到驚喜。每當在某個關鍵節點，某個全新的機遇從意想不到的地方展開——這就是進入未知前沿所帶來的、不斷擴展的期權價值。

我們公司 Future Ventures 的投資原則，是尋找前所未見、卻毗鄰我們已有認知的事物。理想的情況是：這家公司完全獨一無二，但基於我們熟悉的東西——AI、合成生物學，或其他領域——只是將其帶向了全新的方向。

以特斯拉為例，當初投資時，完全沒有自動駕駛的概念，商業計劃書裏隻字未提，誰的腦子裏也沒有這個想法。電動動力系統天然地賦能了自動駕駛，這一點後來才顯現出來。SpaceX 的 Starlink 也是同樣的邏輯——一旦將發射成本降低到這種程度，巨型星座自然成為可能，而用它來構建天空中的互聯網骨幹網絡，再到直連手機，每一步都是意料之外的新展開。軌道數據中心？就在五年前，這還完全不在任何人的考慮範圍之內。

這就是為什麼"探索可能性的期權空間"，作為商業路徑，比事先精心設計、按計劃推進強大得多。

十、當前的投資方向

主持人： 你現在在押注什麼？我們應該關注哪些方向？

Steve： 延續 AI 和信息技術將為每個經濟領域注入神經系統這一核心命題，我們正在以下幾個方向尋找機會：

能源： 我們已投資了多種核聚變和亞臨界裂變項目（後者不觸發核管會監管）。能源是 AI 的第三大瓶頸，不僅僅需要優秀的人才和大量算力，還需要能源。

醫療健康： 未來應該能通過手機免費獲得所有必要的個人健康診斷信息，這應該是一項全球免費服務。實現路徑可能繞開 FDA 和醫療保險體系，且大概率不會首先在美國落地。

食品： 我們不會再為了喫肉而屠宰動物。細胞培養肉、雞蛋替代品、菌絲體等技術正在趨近。菌絲體目前是增速最快的方向，我們將喫到美味、健康、無需屠宰動物的肉類替代品，這個未來近在咫尺，幾乎可以"品嚐到"了。

建築業： 過去30年勞動生產率幾乎沒有增長。這是一個極難改變的行業，我們嘗試過幾次，都失敗了，但仍在繼續尋找機會。

表觀遺傳編輯： 這是我們近期積極佈局的領域，涵蓋作物健康、農藥替代、除草劑替代和人類健康。這基本上是在操作生物學的軟件層，而不是修改基因組這個固件層，極為迷人。

關鍵材料與礦產： 從深海採礦到銅精煉。這些芯片的"勞動力"——製造它們所需的原材料——需求巨大，而美國多年來流失的相關產能也在逐步恢復。

模擬 AI 芯片： 我們有三項來自不同角度的投資，利用 AI 設計模擬芯片，包括片上模擬存內計算（如 Mythic，可在單個晶體管內完成8位乘加運算），以及一些更為激進的非常規方向，力爭在算力功耗上實現100倍乃至再100倍的降低。

生命科學： 整體佔我們投資組合約40%，IT約佔60%。在生命科學領域，我們專門尋找那些處於邊緣地帶的"奇特"事物——比如為移植培育無腦人體器官，比如男性避孕藥，比如大幅提升試管嬰兒成功率，以及那些傳統醫藥風險投資忽略的創新。

十一、30天行動計劃：從一個想法出發

主持人： 對於那些只有一個瘋狂想法的創業者，你能給他們一個30天的執行計劃嗎？

Steve： 第一步——找聯合創始人。

大多數創業公司都有某種互補的創始人組合，極少是一個人單打獨鬥的。喬布斯與沃茲尼亞克，蝙蝠俠與羅賓，謝爾蓋·布林與拉里·佩奇，甚至拉里·埃裏森也有不那麼為人熟知的聯合創始人 Bob Miner。

擁有聯合創始人的意義在於：工程師與市場人員，外向者與內向者，彼此尊重的不同背景——這不僅能讓你有人可以碰撞想法，形成快速迭代循環，還能為日後招募的整個團隊奠定文化基調。不是"所有人都為一個人工作"，而是"有一對彼此迥異的搭檔"，這一特質會漣漪滲透到整個公司的認知多樣性之中。

找聯合創始人的另一層意義是：能否說服一個人相信你的瘋狂想法值得追求，本身就是一次真實的驗證。如果你見過的所有人都認為你的想法是瘋的，這是一個信號——接受這個反饋。但如果是十個人裏有九個人這麼想，那其實挺好；反過來，如果只有兩個人這麼想，那說明你的想法還不夠大膽，因為顯而易見的想法別人早就去做了。

還要問自己：這是三年前無法啓動的業務嗎？如果是，這是個好兆頭。

在去找投資人之前，能夠說服某人放棄工作、加入你的使命，比一個人揣着想法要說服力強得多。那些從未邁出這第一步的獨自發明者，往往永遠不會成為一家真正的企業。

十二、最佳聯合創始人在哪裏相遇？

主持人： 從你見過的最優秀的創業公司來看，最佳聯合創始人是在哪裏相遇的？

Steve： 最常見的答案可能就蘊含在你的問題裏——大學，通過某種跨學科的方式相識。

"學科"這個詞本身很有意思——學科是將知識切割、裝進獨立話語體系和領域專業知識的方式，它們之間往往不會相互交叉。大學是少數幾個能出現"跨界者"的地方——那些在本專業之外選修課程的本科生或學生，不像教授們各守一方。儘管很多機構都在努力推動知識共享，往往還是學生在不同學科之間扮演着"花粉傳播者"的角色。

而最具突破性的創新，恰恰發生在那些正式分立的學科交界處。

這裏有一個值得一提的旁白：這正是大語言模型非常擅長的事情——跨學科領域之間的翻譯，發現不同概念體系之間的模式與關聯。我認為，利用 AI 進行跨學科創意發現，我們才啱啱開始挖掘它的潛力。

十三、當機器做一切，人類的意義是什麼？

主持人： 當機器能做好一切，人生的意義是什麼？

Steve： 這是值得深思的問題。當機器在一切方面都比我們做得更好——每一種體力活動，每一種涉及就業的工作——我們該怎麼辦？

我認為，人類對有意義的工作有根本性的渴望。所有人都有一種對"象徵性不朽"的基本需求——相信自己為世界留下了超越短暫生命的貢獻。這體現在養育子女的驅動力中，體現在著書立說中，體現在慈善事業中，體現在創辦公司（有時甚至以創始人名字命名）中——惠普就是一例。這些都是這種衝動的具體化身。所以我認為，創造的渴望依然存在。

這個問題也可以轉化為：人類的使命是什麼？Yuri Milner、馬斯克和其他人都問過這個問題，並得出了相似的結論：理解宇宙，為積累的智慧與知識做出貢獻。

人類文化和我們代代相傳的知識體系，是我們自身進化進步的主要載體。讓我們感到人類在進步的，不是生物進化——那是以地質年代計量的緩慢過程；而是我們積累的知識基礎、我們對自身的理解方式、法治、以及我們對什麼能促進人類繁榮的認知。我認為我們都想為此做出貢獻。

但貢獻並不一定需要是有償的工作。

可以想象這樣一種跳躍——就概念上而言：一個由 Peter Diamandis 所設想的豐盛世界，每一樣實物都只需極低的成本，沒有任何事情需要人力勞動。我們所有人都是"有閒的富人"，就像歷史上曾經有僕役、農奴或奴隸從事一切體力勞動的時代，人們可以做哲學家、國王或藝術家，追求任何自己想追求的東西。機器將成為那些"奴隸"——不是因為它們被強迫，而是因為即便與機器相比，人力勞動也將不再具有成本效益。人類奴役的陰霾，終將因此畫上句點。

那時，留給我們的是什麼？我認為，那將是一場對意義的深刻追尋，這纔是核心問題。

我要加一個前提：從充分就業的經濟走向零就業的經濟，並和平地穿越30%、40%、50%失業率的節點，目前沒有任何跡象表明這將會是一段平順的旅程。我看不到任何政治人物正在以長遠眼光應對這一問題。所以這個過渡階段將會很艱難。

但我不想以悲觀的基調結束。讓我們回到那個豐盛的超空間跳躍吧——我相信，在對宇宙的好奇探索中，我們終將找到答案。

Q&A環節

問題一：Neuralink 與腦機接口

提問者（聽衆）： 您有沒有投資 Neuralink？您認為 Neuralink 的 IPO 會很快到來嗎？腦機接口是否是未來的方向？目前我們與大語言模型的交互受制於輸入帶寬——如果有 Neuralink 的腦機接口，是否能釋放更多創造力、實現更快的大腦到機器的吞吐？

Steve： 我無法置評 IPO 時間線。Neuralink 的靈感最初來自 Iain M. Banks 的科幻小說中的"神經蕾絲"（neural lace），是一本我極力推薦的精彩著作。

我對神經鏈接有一個與 Neuralink 官方立場不完全一致的視角，在此僅分享個人觀點：我認為它在擴展感覺皮層方面是一項了不起的能力——換言之，恢復受損的功能，或擴展新的功能，比如感知更寬泛的光譜、超越正常人類範圍的聽覺修復與增強、修復脊髓損傷——從這些周圍系統入手，而不是去解決那個更為困難、至今尚未解決的任務：升級核心功能，例如讓一個人變得更聰明。

你舉的例子很有意思：更高帶寬的通信。我認為這絕對是可實現的。我的這種判斷，來自於對複雜系統開發數十年規律的模式識別：

任何由迭代算法產生的產品——進化、遺傳編程、神經網絡、細胞自動機——如果迭代數十億次並從中積累複雜性，最終生成的東西本質上是不可解釋的。儘管機制可解釋性有諸多努力，我並不認為它會結出果實。我也認為，對一個處於能力前沿的系統，控制與對齊是不可能實現的——就像控制一個青少年一樣。

大腦本身也是一個複雜系統。對大腦內部運作的逆向工程，或者像 Jeff Hawkins 所設想的"剪切粘貼一個法語模塊進人腦"，在有意義的時間跨度內是不可能實現的——因為構建一個新的智能，比逆向工程一個已有的智能要容易得多。

所以，Neuralink 令人着迷，但我個人並不相信它能跟上 AI 的步伐，這也許是最穩妥的表達方式。不是說它不能實現，而是時間尺度的問題——FDA 審批周期、人類生物學，沒有任何東西能在與 AI 學習循環可比的時間尺度上推進。

我認為人類總是希望自己是未來的一部分，對此我完全理解，但不能僅憑這種渴望就預測它一定會發生。

問題二：AI能否擁有意識？

提問者（聽衆）： 關於彭羅斯的論點——意識超越了算法過程，進入量子層面，因此 AI 在本質上永遠無法發展出真正的意識——您怎麼看？AI 能否發展出意識，還是只能模擬它？

Steve： 彭羅斯是一位才華橫溢的學者，但他在這裏有一種直覺——大腦中存在某種量子過程使其獨一無二——然而對此並沒有清晰的機制說明。有一些關於鋰同位素耦合的論點，但更多是一廂情願，而非有力證據。

可以將這個問題進一步泛化：大腦中是否存在某種活力論的、獨一無二的東西，是無法在其他基底上覆現的？之前有人提到了 Anil Seth 的工作，但我發現那些認為意識是這一基底所獨有的論點完全沒有說服力，僅僅因為它是我們目前唯一已知的意識範例，並不能證明它是唯一可能的範例。

意識本身就是一個棘手的概念。我們如何知道一隻狗是否有意識？如何測試這一點？我們在自己身上觀察到它，我不知道你是否有意識，但我猜你有——因為你看起來是清醒的，而且是人類，所以我們就這麼推而廣之了。

我沒有看到任何有力的論據說明：僅僅因為我們只有一種意識的例子，就說明它是唯一可能的例子。

一個類似的問題是：生命是否必須以碳為基礎？碳確實很特別——單鍵、雙鍵、三鍵，以及各種弱鍵，是有機化學的基礎。但我認為，說"碳對生命是特殊的"這個論點，實際上比"神經元如我們所擁有的是意識必需的"這個論點要更有力。

當然，還有一個完全不同的問題：我們目前的 AI 發展路徑，究竟能不能通向意識？你也許可以認為這是一條死衚衕，但這並不意味着意識不可能在 AI 中出現。

說"某件事不可能"是一個遠比"我不知道"更高階的命題。所以我的回答是：我不知道，但我絕不會說不可能，我也沒有看到任何證據支持大腦中存在量子過程的說法。退一步說，即便存在，為什麼不能用量子計算機來複現呢？

如果再把問題擴展一點：某種東西必須是生命體纔能有意識嗎？我用"記憶"來做類比。計算機也有"記憶"，我們不會爭論計算機是否能記住東西，當然可以——儘管那不是人類的記憶，這沒關係。

意識也是如此——它也許不會擁有人類的意識，但也許它擁有某種不同類型的意識，無論那是什麼，如果我們能更精確地定義它的話。我們不需要假設大腦中所有的東西都是意識所必需的——大腦中有大量的代謝"垃圾回收"，睡眠時清除廢物的過程，線粒體的工作方式等等。這些你不必全部放進一台計算機裏，它就能具備智能或擁有記憶。同樣，意識也不需要這些全套包袱。

但這並不意味着我們知道最小必要集合是什麼。我相信有朝一日我們會弄清楚。所以，我的直覺告訴我：是的，我認為有一天它們將會擁有意識。我只是不確定我們現在的路徑能否通向那裏，也許更類似於進化和強化學習的方向會更接近。

每當我們重演已經在生物學中實現的東西，我就會生出希望：我們為什麼不能在另一種基底上實現同樣的事？

主持人： 非常感謝，Steve！