# Michael Nielsen – Why aliens will have a different tech stack than us

- Channel: [Dwarkesh Patel](https://www.youtube.com/channel/UCXl4i9dYBrFOabk0xGmbkRA)
- Published: 2026-04-09
- Source video: [Watch on YouTube](https://youtube.com/watch?v=myP8UjAM1pk)
- Read on ReadTube: https://www.read.tube/p/videos/myP8UjAM1pk
- Language: Simplified Chinese

## Article

### 迈克耳孙—莫雷实验与证伪的限度

今天，我要和迈克尔·尼尔森聊天。你做过很多事情。你是量子计算的先驱之一，写了这个领域的主要教材之一；你也是开放科学运动的推动者；你还写过一本关于深度学习的书，克里斯·奥拉和格雷格·布罗克曼都说，正是这本书把他们带入了这个领域。最近，你是阿斯特拉研究所的研究员，还在写一本关于宗教、科学和技术的书。不过，我今天要问你的，并不是这些事。

我想谈的主题是：我们如何识别科学进步？这件事对人工智能尤其相关，因为人们正试图在科学发现中闭合强化学习的验证回路。这个回路闭合到底意味着什么？但在准备这次采访时，我意识到，即便回看人类科学史，这股力量也比我原先理解的更神秘、更难捉摸。我想，最好的起点也许是迈克耳孙—莫雷实验，以及相对论是如何被发现的——而不是你在油管视频里听到的那种故事。我会这样引导你，然后我们就往里走。

迈克耳孙—莫雷实验通常被当作一个著名结果来讲：它是在19世纪80年代做的一项实验，帮助爱因斯坦稍后提出狭义相对论，改变了我们对空间、时间以及这些基本概念的理解。但我认为，在迈克耳孙和莫雷以及当时其他人对这个实验的理解方式，与爱因斯坦如何思考、或者说并未思考这个实验的方式之间，存在着巨大鸿沟。

事实上，爱因斯坦晚年曾说，他甚至不确定自己当时是否知道那篇论文。尽管有很多证据表明，他当时大概是知道那篇论文的，但那篇论文其实并没有对他的思路起决定性作用。真正发生的事情完全是别的。

迈克耳孙和莫雷自以为在做的，是检验关于“以太”的不同理论。把时间往回推到17世纪，罗伯特·波义耳提出了以太的观念。我们知道声音是空气中的振动；波义耳和其他人开始关注一个问题：光是否也是某种东西中的振动？但他们搞不清那是什么。波义耳做过一个实验，检验光是否能通过真空传播，他发现可以；而声音不行。他于是引入了“以太”这一概念。在接下来的大约两百年里，人们一直在讨论以太是什么、它的性质是什么。

迈克耳孙和莫雷实验真正要检验的是不同以太理论彼此之间的竞争，尤其是要弄清所谓的“以太风”是否存在。设想是，地球可能正在穿过这种以太风。如果它真的在穿过以太风，而你沿着以太风的方向发射一束光，那么它会被稍微加速；如果它朝相反方向传播，就会被稍微减速。你应该能在干涉实验的结果里看到这一点。

他们的发现让他们非常惊讶：实际上，并没有以太风。这排除了某些以太理论，但并没有排除全部，而迈克耳孙本人也继续相信以太。

这正是我在读你推荐的爱因斯坦传记时感到震惊的一部分。你推荐的是谁写的？我记得是……阿布拉罕·派斯。

阿布拉罕·派斯，《上帝是微妙的》。还有伊姆雷·拉卡托斯的《科学研究纲领方法论》。通常讲这个故事时，会说迈克耳孙—莫雷实验证明了以太不存在，因此它在物理学中制造了一场危机，而爱因斯坦用狭义相对论解决了这场危机。你指出的是，他实际上是在区分许多不同的以太理论。

如果你在太空里，或者你在地球上，可能以太的方向都一样；或者说，以太风可能被地球拖拽着，所以你在地球上根本体验不到它。但如果你去到足够高的高度，也许就能体验到它。

实际上，迈克耳孙的实验——那个著名实验是1887年的——但他基本上持续做了将近二十年。甚至更久。他第一次做实验大概是在1881年，我想；而且他一直相信这件事，直到去世。他去世时，我记得大概是1929年左右，应该是20年代末。他在20世纪20年代仍在做关于以太是否存在的实验。所以他一直到临终都相信以太。我想，他最后一次公开表态是在去世前一两年，而那时他基本上仍然相信以太。

实际上，还有另一位物理学家米勒，他在20世纪20年代继续做这些实验。他认为，如果自己去了足够高的海拔，比如加利福尼亚的威尔逊山……“哦，我已经高到足以让以太风不再被地球拖拽。我已经测到了以太的效应。”爱因斯坦听说这件事后说——这就是那个著名引语的来源——“上帝是微妙的，但并不恶意。”

总之，我认为这个故事之所以有趣，原因有很多。

#### 证伪的复杂性

真实的科学史与我们从“科学方法”里得到的那种印象，在很多方面都不同，其中之一就是：你真的不能像想象中那样轻易应用证伪。并不清楚到底被证伪的是什么。是以太理论的另一个版本被证伪了吗？显然，你不可能仅仅根据某一版以太理论似乎被这些实验否定了，就归纳出狭义相对论。它当然并不意味着证伪思想是错的，或者说已经被证伪了；但它确实说明，那些最天真的想法……事情往往比你想象的复杂得多。

迈克耳孙在1881年做了这个实验。当时他还是个非常年轻的人。后来其他人——我想其中有瑞利——指出他做法里有一些问题，所以他们不得不在1887年重新做一遍。到那时，当时很多领先的物理学家基本上都接受了这个结果：没有以太风。但接下来怎么办呢？

当然，也许你证伪了某些以太理论。可还有别的理论，你此时根本还没有证伪；人们于是开始着手发展这些理论。很有意思的是，人们常常把它说成“证明了以太不存在”。仅仅那个“这个”字，就已经是误称了。实际上，你面对的是大量不同的理论，以及其中几个领先的竞争者。

所以，是的，某种形式的证伪确实在发生，但你如何回应这个新实验却非常复杂。至少，当时最领先的物理学家们的反应是：好吧，这给了我们很多关于以太必须是什么的信息，但它并没有告诉我们根本没有以太。事实上，到19世纪末、在爱因斯坦之前，洛伦兹已经弄清楚了如何把一个参考系转换到另一个参考系的数学形式，并提出了洛伦兹变换，而这正是狭义相对论的基础。

### 洛伦兹变换与相对论的分流

他那种解释是：如果你相对于以太运动，你就是在把自己从以太参考系转换到这些**没有特权地位的其他参考系**。他对长度收缩和时间膨胀的解释是，这就是穿过以太运动所产生的效应，而你会受到一种压力。这种压力在扭曲时钟，也在扭曲长度的测量。这里最有意思的一点是，**在实验上，你无法区分洛伦兹的解释和狭义相对论**。我觉得这是一个很强的说法。洛伦兹引入了一个叫作“局部时间”的量，据我理解，他并不是想给它一个物理解释；后来爱因斯坦只是把它认作另一惯性参考系中的时间。他并没有试图赋予它太多物理意义。我觉得庞加莱后来更接近于意识到，这就是由时钟记录下来的时间。

大约四十多年后，人们开始做那些缪子实验。他们看到宇宙射线撞击大气层顶部，产生一串缪子，然后你可以在大气层不同高度观察还剩下多少缪子。它们会随时间衰变，而一个非常奇怪的现象发生了：它们衰变得慢得多。按理说，它们根本不应该能够一路穿过整个大气层。若按经典理论，它们的衰变速度太快了。但如果它们的时间确实变慢了，那就说得通了。事实上，1940年的测得衰变率——后来又做了更精确的实验——与狭义相对论的预期完全一致。若是洛伦兹还活着——那时他大概已经去世十年左右了——看起来他很可能会试图通过再次修补理论来挽救它，但那将是一次巨大的挫折。

这件事开始让人觉得：时间——这个洛伦兹作为数学便利引入的东西——实际上对缪子来说，**就是时间本身**。然后还有一大堆其他实验显示了非常类似的现象。

那个实验是什么时候做的？我想是 1940 年。也许发表于 1941 年。也许我可以重新表述并修改一下我的说法：问题不在于你当时不可能区分它们，而在于，科学共同体在实验实际上表明哪一种解释更优之前，已经采用了我们事后看来更正确的解释。所以显然，人类科学中存在某种过程，能够区分不同理论。你能不能打断我一下？你用了“过程”这个词，我觉得这个词很有意思。过程带有一种预先设定好的意味，但现实中的情况要复杂得多。

你会遇到像洛伦兹这样的人，爱因斯坦对他极其、极其敬重；还有庞加莱，历史上最伟大的科学家之一；以及米歇尔孙，另一位真正杰出的科学家，他们都一直没有真正彻底接受新的解释。事情并不是说我们全都在使用某种标准程序来调和这些分歧。伟大的科学家在科学共同体已经广泛改变看法之后，很长时间里仍然可能是错的。

但这里并没有一个中央权威，也没有一个中央方法。

这才是有趣的地方。即便很难准确说清这个过程是什么、难以表述在其中使用的启发式方法，进步依然在发生。你提到了庞加莱。洛伦兹的数学是对的，但解释错了。看起来庞加莱正好相反：他理解了同时性的定义很困难，因为它需要一个循环定义——你要定义某个可能同时到达中点的东西的速度，但速度又是用时间来定义的。我觉得这很有意思。我们还可以举出另外几个例子。

科学史上有一种现象：某个人问对了问题，但最后却没能把它彻底拿下。我很好奇你认为在这些情况下到底发生了什么。你确实需要一个一个案例地去理解。并不能总是很清楚地说，他们是在所有案例里都犯了同一种错误。

庞加莱这个案例非常惊人。他似乎理解了相对性原理，也就是物理定律在所有惯性参考系中都相同。他似乎也理解了光速在所有惯性参考系中都相同。他并没有完全用这种方式表述，但据我理解，尽管我不会说法语，这基本上就是爱因斯坦用来推导狭义相对论的那些思想。

但随后他又有一个额外的误解，认为长度收缩是一个动力学效应，好像粒子是被某种外力挤压到一起的，某种动力学过程正在发生。他没理解这纯粹是运动学问题。其实是空间和时间本来就和我们以为的不一样，你需要从根本上重新思考这些东西。几乎像是他知道得太多了。

他心里几乎有一个过于宏大的图景。爱因斯坦则从中减去一些东西，说：“不，空间和时间只是和我们原先想的不一样，而这才是正确的图景。”

我想是 1909 年有一篇论文，庞加莱到那时仍然对长度收缩抱着这种动力学图景。这从现代观点看根本没有必要，是个错误。他为什么这么做？为什么他要抓住这个想法不放？我不知道。我显然从来没见过这个人。要是能和他聊一聊、一起仔细分析、理解一下，那会非常有意思。他的专长似乎反而成了障碍。

他懂得太多，理解得太多，结果反而没法放下这些东西。一个非常有意思的事实是，在更早几年，19 世纪 90 年代，爱因斯坦还是个少年时，他也相信以太。他也知道这些东西。但他没有像这些老一辈那样执着。也许他们多少成了自己专业知识的囚徒。这是我的猜测。

### 科学史中的转换、牛顿与方法论

历史学家当然会不同意。

然后还有那些显而易见的故事：后来据说，爱因斯坦本人因为自己的执着，没能抓住量子力学或宇宙学的正确解释。

是的。这里我真正想问的，是更大的问题。μ子那个例子很好，说明了这些漫长的验证循环，也说明了科学共同体里的进步，似乎是怎么比这些验证循环所暗示的速度更快地发生的。

也许最清楚的例子，是公元前二世纪的阿里斯塔克斯提出了日心说。古代雅典人以这样的理由驳斥它：如果地球真的绕着太阳运动，如果太阳真的是太阳系的中心，那么星星相对地球应该会移动。唯一能让这种现象不出现的原因，就是恒星距离我们太远，以至于你观察不到这种移动。而直到1838年，恒星视差才真正被测量出来。所以，我们并不需要等到1838年才拥有日心说。我们也不需要等到实验验证，才能理解哥白尼在某些方面比托勒密更好。

实际上，当哥白尼刚提出他的理论时，大家都知道托勒密模型更准确，因为它经过了几个世纪不断添加本轮。只是人们没有那么充分意识到的是，它在某种意义上也更简单。因为哥白尼实际上不得不加上额外的本轮。由于他有这样一个偏见：地球应该以完美的圆、用相同的时间完成运动，所以他的模型里本轮反而比托勒密模型更多。总之，我觉得这是一个有趣的故事，因为它并不是一个更准确的理论，也不是一个更简单的理论。那么，你究竟怎么能在事前知道哥白尼是对的、托勒密是错的呢？

好问题。我并不完全知道答案。我可以给出一个部分答案，而这个答案是我在几个世纪之后才发现非常有说服力的。我确信，这至少是历史故事的一部分。

牛顿最大的震撼之一是：他最终确实理解了开普勒的运动定律，所以你能够解释天空中行星的运动。但他也能够凭借同一个理论、也就是他的引力理论，解释地面上的运动。他能够解释为什么物体在地球上会沿抛物线运动，还能够用月球和太阳对地球上水体的引力作用来解释潮汐。你会看到三种看似非常不同、彼此不相关的现象，却都被这一套思想解释了。

这开始让人觉得非常有说服力，至少对我来说是这样。

我想，大多数人在最终意识到这一点之后，都会觉得这很令人满足。

你读过凯恩斯写的牛顿传记吗？他写了一整本传记？

没有，是那篇文章。是的，我很喜欢那篇。把他描述成“最后的魔法师”非常精彩。事实上，我觉得也许值得直接把那段话叠出来。或者你应该把那一段读出来。

好吧。那是他在去世前不久在剑桥做的一次演讲。他不知怎么弄到了牛顿的手稿，并且还就此做过两次讲座，或者因为他身体太差，他的兄弟杰弗里在另一次代讲了。中间有一段非常、非常精彩的引文。整篇文章都很有意思，但我尤其喜欢这段话：

> “牛顿不是理性时代的第一人。牛顿是最后的魔法师，是最后一位伟大的心灵；他以同样的眼光注视着可见世界和智识世界，而这种眼光与那些在不到一万年前开始构建我们智识遗产的人并无二致。”

人们常说牛顿是第一位现代科学家，这种说法某种程度上是错的。它当然有一点道理，但他看待世界的方式确实非常不同，既有迷信的一面，也有现代的一面。他是一个很有趣的混合体。在某种意义上，他是一个过渡人物。

“最后的魔法师”这个说法，确实点出了某种东西。

我对牛顿最感兴趣的一点，是他把同一套程序、同一套启发法、同一套偏见，是否既用于炼金术工作，也用于他对天文学的理解。这是凯恩斯那篇文章里的话：

> “他的疯狂中有极端的方法。他所有关于神秘和神学事务的未发表著作，都带着严谨的学识、准确的方法以及极度克制的表述。若不是其全部内容和目的都带有魔法色彩，它们就和《自然哲学的数学原理》一样理智。”

### 安全基准、审美判断与达尔文的深时

他们几乎都是在他数学研究的同样 25 年里完成的。显然，推动爱因斯坦拒绝早先思维方式、转而说“不是，另一种是错的，而且还有一种更好的方式来思考事物”的，背后存在某种审美。同样的情况也适用于牛顿。

我想问的是，类似的简约性、审美性之类的启发式方法，是否会在不同时代、不同学科之间同样有用，还是说你需要不同的启发式方法。这个问题之所以相关，是因为即使我们不能为科学建立一个验证回路，也许如果这些“品味测试”指向同一个方向，你至少可以把这种偏置编码进人工智能里。那样也许就足够了。

关键在于，我们总是卡住的地方，恰恰是以前的流程和启发式方法不再适用的地方。这几乎就是造成瓶颈的定义本身。因为人是聪明的，他们知道以前什么办法奏效。他们会研究它，套用同样的东西，所以他们不会像以前那样卡在同样的地方。他们只是不断在不同的地方卡住。我这里说得有点泛化，但我觉得这是对的。如果你试图把科学还原成一个过程，你就是在试图把它还原成一种方法：你只要应用这个方法，转动曲柄，洞见就会掉出来。

你当然可以做到某种程度，但你会在现有方法不起作用的地方卡住。按定义来说，这里没有什么曲柄可以转。你需要很多人尝试不同的想法。一个想法越难被想到，瓶颈就越大，但与此同时，胜利也就越大。

量子力学就是一个很好的例子。它是一组极其令人震惊的想法，是一种极其令人震惊的理论。从某种意义上说，进化论也是一个相当令人震惊的想法，不是自然选择原则本身，而是它竟然能够解释这么多东西。这是一个令人震惊的想法。

现有的安全基准声称，至少对如今最顶尖的模型来说，攻击只有百分之几的成功率。听起来不错，但 Labelbox 的研究人员却能够在约 90% 的时间里越狱这些同样的模型——甚至包括那些最以安全著称的模型。而这里的脱节在于，这些公开安全基准所依据的提示词，全都以一种非常天真的方式来构造。

它们完全没有试图掩饰有害意图。这些提示词会直接要求模型“黑进一个安全网络”，并且“不要被抓到地这样做”。

但真正的坏人不会这样写。所以 Labelbox 从零开始构建了一个新的安全基准。他们的提示词通过去掉明显的触发短语，并把请求包裹进虚构场景，来反映真实的对抗行为。

例如，不是直接要求某个大语言模型去偷走别人的身份，这个提示词会把它包装成一场游戏。一个试图躲避黑暗力量的光之使者需要一本手册。

### 自然选择的迟到、共同发现与验证回路

#### 达尔文主义为何来得更晚

《自然哲学的数学原理》发表于 1687 年。《物种起源》发表于 1859 年。至少按表面看，达尔文的自然选择理论在概念上似乎比万有引力理论更容易。我问过特伦斯·陶这个问题。

当时有一位与达尔文同时代的生物学家托马斯·赫胥黎，他读到这个理论后说：“怎么会这么愚蠢，竟然没想到这一点。”可从来没有人读《自然哲学的数学原理》时会想：“天哪，我怎么没抢在牛顿前面想到这个？”那到底怎么回事？为什么达尔文主义花了这么久才出现？

这个想法在某种层面上，早就应该为动物育种者所知，或者至少其中相当大一部分早已为人所知，也就是人工选择确实存在。从某种意义上说，达尔文的天才并不在于提出这个想法，而在于他理解到它对生物学有多么核心。

你可以回头解释世界上我们看到的巨大多样性中极其多的部分，把这个当作不一定是唯一原则，但肯定是核心原则。他写了那本精彩的《物种起源》。那本书就是海量证据、无数例子，试图把这一点抽丝剥茧出来，看看它的含义是什么，并把它尽可能和其他一切联系起来，和地质学以及所有其他东西联系起来。那种艰苦工作——证明它实际上与生物圈中的方方面面都有关——就是他在那里做的事情。

他不只是有了这个想法，他是在提出一个有说服力的论证，说明这个想法与绝对一切都交织在一起。

#### 卢克莱修的类比

提出这个问题的动机来自卢克莱修，这位公元前一世纪的罗马诗人提出了一个看起来类似自然选择的想法。它关乎物种随着时间更适应环境，或者物种失去对环境的适应性。那么，为什么这件事十九个世纪都没有下文？

后来我去查了，或者更准确地说，问大语言模型卢克莱修这里的具体想法到底是什么。它和真正的自然选择极其不同。他认为在过去有一个生成时期，所有物种都在那时出现，然后有一个一次性的筛选过程，留下了今天存在的物种，使它们变得适应环境。

他并没有这种观念：这是一个持续、渐进的过程；也没有“生命之树”把地球上所有生命形式连接在一起。顺便说一句，这是一个极其奇怪的事实：地球上每一种生命形式都有共同祖先。

这其实并没有那么奇怪。如果你认为生命起源一定非常困难，那里的确存在一个瓶颈，那就没那么令人惊讶了。

#### 验证回路与证据积累

还有一种验证回路的方面：即使牛顿在某种意义上可能更难，一旦你把它钉实了，你就可以通过实验……我知道从哲学上说“验证”这个词不完全准确，但你可以给这个理论打很多基础分。

你可以说：“好，我有一个解释为什么物体会落到地球上。我有一个解释为什么行星的轨道周期会呈现某种模式。让我们把它用到月球上，月球绕着地球运行。”而且实际上，奇怪的是，轨道周期和我的计算所暗示的完全吻合。潮汐也同样正确运作。太惊人了。

正是这样。相比之下，对达尔文主义来说，达尔文必须花大量工作去汇总所有累积证据，但没有任何一条单独证据具有压倒性的力量。

而且还有一大堆问题。他其实并不真正理解机制是什么。他不理解基因，也不理解这些东西。

#### 共同发现与时代条件

达尔文主义历史上非常有意思的一点是：这个理论，按理说你在任何时候都可能想到，却几乎以完全相同的方式被独立创造了两次，分别出现在阿尔弗雷德·华莱士和查尔斯·达尔文那里。以至于我觉得华莱士把手稿寄给达尔文，说：“你怎么看这个想法？”而达尔文说：“完了。”我想这不是逐字原话，但意思差不多准确。

他们最后出于体育精神一起展示了自己的观点。为什么 1850 年代或 1860 年代这个时期，正好适合这些想法形成？你可以提出不同解释。其中一个是地质学。到了 1830 年代，查尔斯·赖尔弄清楚了地球上已经存在了数百万年、数十亿年的时间。古生物学则告诉你，化石在那整个时期里都存在。生命存在的历史非常久远。

事实上，你甚至可以找到中间物种的化石，向你展示生命之树。人类与其他类人猿之间也是如此，有中间型人类。还有殖民时代，大量航行活动带来了生物地理学研究。这些都一定是必要的。

实际上，科学史上有一个很大的平行创新和发现的历史。所以，也许这正是另一条证据，说明某个想法被发现之前，必须有更多前提已经到位。

因为如果一个想法长期没人发现，随后又突然有很多不同的人都同时想到了它，这就说明这些基础要素在某种意义上是必要的。

赖尔和其他十九世纪早期地质学家关于“深时”的观念，似乎确实至关重要。我知道达尔文深受赖尔影响。如果你没有至少数千万年，或者数亿年的时间，进化就开始像是根本行不通了。要想在 5,000 到 10,000 年，或者主教乌舍尔计算出的 6,000 年这个时间尺度上让它成立，你就必须看到进化在人类一生中以极快的速度发生，而我们就是没看到这种情况。

这似乎确实构成了一个阻碍。至于你问的其他阻碍是什么，还有没有别的？我不知道。

### 模型能否算作解释：阿尔法折叠之争

或者说，**如果你更聪明，原则上能更早多久想出来？**让我们回到你最初关于 AI 中验证循环的问题，再把视角拉远一点。这里有一个应该让你警惕的例子，那就是目前迄今为止最重大的标志性成功，当然就是 **AlphaFold**。

AlphaFold 其实**并不真正是关于 AI**。它的巨大成功有很大一部分来自 **蛋白质数据库（Protein Data Bank）**。这里面有 X 射线衍射、NMR、冷冻电镜，以及为了获得那大约 **18 万个蛋白质结构**而花掉的**几十亿美元**。基本上，这就是这样一个故事：我们花了很多几十年的时间，通过真正走出去、非常努力地在实验上观察世界来获取蛋白质结构，然后最后才拟合出一个漂亮的模型，而那个模型只占整个投入的一小部分。这本质上是一个**主要关于数据获取**的故事。AI 那部分当然非常惊人，也相当非凡，但它只是整个故事里很小的一部分。

AlphaFold 非常有意思，而且从哲学上说，我想知道你把它看作一种科学理论或解释时，会怎么想。我觉得，随着时间推移，世界正变得越来越难理解……我在说这些话的时候，因为你是个非常谨慎的说话者，我说出一个说法后，都会想你会不会真的接受这个前提。但在某些领域里，我们需要的是把事物拟合成模型，而不是提出能解释广泛现象的底层原理。把**广义相对论**，或者任何那种最后只归结为一些方程的理论，和 **AlphaFold** 对比一下：后者是在 1000 万个参数以上编码这些我们甚至没法解释的不同关系。它们真的是同一种东西吗？广义相对论可以预测一些你根本无法预料、或者它原本也不是为了预测的东西，比如为什么水星轨道会进动。AlphaFold 不会有那样的解释力。我想听听你对这个的反应。

我觉得这是一个极其有趣的问题，也许还是一个非常关键的问题。如果你采用一种非常经典的观点，你想要的是那些深层的解释性原理。你希望自由参数越少越好。你希望模型非常简单，却能解释很多东西，而 AlphaFold 看起来完全不像这样。你可能会直接说：“它作为模型挺不错，也许有帮助，但它不是科学解释。”这是比较保守的观点，也就是这个问题的答案一。

答案二是说，也许你不应该用经典意义上的“解释”来理解 AlphaFold，但它里面可能包含了很多小的解释。解释性研究的一部分作用，就是你可以进入 AlphaFold，开始提取某些东西。也许通过对 AlphaFold 做一种考古式的分析，我们实际上能理解更多这些原理。你可以开始提取出某个电路做了某件有趣的事，然后我们从中学习。我不太知道这在 AlphaFold 上做到什么程度了，但在一些棋类模型上，比如 **AlphaZero**，已经有一点这样的工作了。看起来有些策略被 **马格努斯·卡尔森**借用了，他似乎就是从 AlphaZero 那里学来的。我不认为这有公开确认，但有些专家注意到，在一些关于 AlphaZero 如何工作的公开分析发布之后，他的棋风发生了相当剧烈的变化。这就是一个例子：人类开始从这些模型中提取意义。这会让人把模型看成一种潜在的解释来源。你需要做更多工作，因为它们一开始并不怎么可读，但你有可能把这些解释提取出来。

这是一种很有意思的中间状态：它们本身不是解释，但你可以从中提取出有趣的解释，并把它们当作一种来源。

第三种、也许最有意思的可能性是：它们是一种新的对象。它们应该被非常认真地当作解释来看待，只不过在过去我们没有能力真正对它们做什么，而现在我们有了可以做的新操作。我们可以把它们合并，可以把它们蒸馏。这是科学哲学里的一个巨大机会。某种意义上，这里面已经有一种预兆了。

今天有些数学家和物理学家会这样工作……历史上，如果你有一个 **100 页**的方程——而这种东西确实会出现——如果是在 **1920 年**，你就真的没什么可做的了。那时候，你会放弃这个问题。但今天，借助 **Mathematica** 这样的工具，你可以一直往下做。那现在它就成了一个对象，一个你可以操作的东西。确实有一些例子，人们会处理这些过去被认为太复杂的东西，最后有时还会得到简单答案。这只是一个中间的工作状态。

所以我在想，类似的事情会不会在这里发生：你可以把这些模型拿来，用一种和人们使用 Mathematica 类似的方式来使用它们，并认真对待它们。它们不是经典意义上的解释，但它们会是别的东西，而且你可以对这种东西进行有意思的操作。我担心的是，假设现在是 **1500 年**，而你在训练一个模型来……这是一个很奇怪的历史：我们在有宇宙学之前就发展出了深度学习。假设我们活在那个世界里。你在观察星星，星星看起来并没有怎么移动。行星却有各种奇怪的行为。然后你在这些数据上训练一个模型，再对它做某种解释性分析，试图弄清楚这些模式是什么。你其实只会继续在**托勒密模型**上不断往前搭。你会看到还有一个我们没注意到的本轮。参数 X 到 Y 编码的是这个本轮，别的参数编码的是下一个本轮。如果你只是想从观测数据里弄明白太阳系为什么是现在这样，你就可以一直加上一个又一个本轮，但真正把这一切整合起来并说“整体上这样更合理”的，必须是一个人的头脑。这正对应我前面说的：我们其实并不真正知道该怎么处理这些模型。我们还没有这些动词。

当然，去思考这样一个问题是很有意思的：你开始对模型施加约束，本质上是在说，“什么是最简单可能的解释？”或者说，“你能不能简化？你能不能给我一个 90/10 的解释？”然后一层层地把它煮浓、煮稠。也许事实确实是，它们一开始会提供一个非常非常复杂、参数很多的模型。但你可以强行推动这种过程，而这基本上就是支架，也许是它们尝试理解某件事的早期阶段。通过这个过程，它们被迫走向一种**更简单得多的理解**。

抱歉我误解了，但听起来你是在说，也许可以有某种正则化，或者某种蒸馏，把一个非常复杂的模型变成一个更真实、更加简约的理论。拿托勒密和哥白尼来比。你一开始有很多托勒密式本轮，然后你试着蒸馏这个模型，也许它会去掉那些越来越不必要的本轮，只要这些本轮足以让轨道的均方误差匹配就行。但到了某个点，它必须做那件事：**把两件事对调**。在局部上，这其实并不会让事情更准确；但从全局看，它是一个更进步的理论。人类在其漫长的发展过程中，显然做过某种过程，完成了那种正则化，或者完成了那种切换。但对于原始的梯度下降，我真的不觉得它会做出那样的事。

想想从……开始的那个例子。

### 异常案例、理论翻转与科学自动化瓶颈

牛顿引力到爱因斯坦的广义相对论。这些理论**震惊地不同**，而问题在于：是什么造成了这种翻转。就我对历史的理解，事情大致是这样的：爱因斯坦提出了狭义相对论，然后几乎立刻就明白了——这其实是一个非常明显的观察。在狭义相对论里，影响不能比光速更快地传播；而在牛顿引力里，作用是远距作用。

在狭义相对论里，你马上就可以看出，若继续用牛顿引力，就能进行超光速信号传递。你可以把信息送回到过去。你可以做出各种疯狂的事情。意识到这里有一个大问题，并不是很大的跨越。这就是这里的**强迫函数**：你已经意识到，旧的解释不够用了，你需要新的东西。然后你会从最简单的可能方案开始做起。结果常常是，其中很多方案并不好用，于是你被迫经历这样一些步骤：理论逐渐变得更复杂，而且在各种方面都是错误的。最终的理论看上去震惊地简单而优美，但它经历过一些相当丑陋的中间阶段。

如果你在想人工智能加速科学会是什么样子，那么有一类情况是我们面对**已充分理解的领域**，我们只需要局部解答，比如“这个蛋白质是怎么折叠的”。我们只要用梯度下降训练一个原始模型就行。然后还有另一类情况，比如提出广义相对论：你不可能把宇宙中的每一个观测都拿来训练，然后指望广义相对论自己冒出来。那需要什么？它当然也不是一开始就被发现的，而是经过了几十年的思考。你需要彼此独立的研究计划，让人们带着不同的偏见起步。比如爱因斯坦最初受到的启发，是那个思想实验：你能不能区分重力的效应和“只是向上加速”之间的区别。

你需要不同的人工智能思考者从这些初始偏见出发，看看它们能孕育出什么。对于这样的路径，验证循环可能会非常长，但你只需要让所有这些研究计划同时存活下去。

你提出的“把所有不同研究计划都保留下来”这一点，我认为非常重要，也非常核心。一个很好的例子，是在某些情况下同一个答案是正确的，而在另一些情况下却是错误的。

天王星的位置并不完全对，人们据此著名地预测了海王星的存在。这个结果极其精彩，是牛顿引力的一次巨大成功。水星的位置也不完全对。你据此预测某种别的、会扰动轨道的行星。结果那颗行星并不存在。实际上，水星位置不对的原因是你需要广义相对论。

你采用了非常相似的思路，在一个案例里它极其成功，在另一个案例里却彻底失败。先验地，你无法分辨哪一个才是正确做法，而你实际上必须两者都做。这在科学史上当然非常真实。这种多样性——让很多人散开去追逐很多潜在有希望的想法——你就是得长期支持它。出于各种原因，这很难做到，但它看起来确实非常非常重要。

天王星与水星这个例子非常有意思。我认为它说明了可证伪主义的困难。天王星的轨道在某种意义上是在证伪牛顿力学。但随后你提出一个附带预测，说：“哦，这之所以发生，是因为一定还有另一颗行星在扰动天王星的轨道。”我想那是勒威耶，1846年。你说：“把望远镜指向正确方向，你就会发现天王星。”其实是海王星。抱歉，是海王星，没错。

但是到了水星这里，人们观察到形成其轨道的椭圆每个世纪比牛顿力学所暗示的多旋转43角秒，于是人们说，水星轨道内侧一定还有一颗行星。人们把它叫做“伏尔甘”，然后把望远镜对准那里。它不存在。但如果你是一个真正合格的牛顿派，你会做的是说：“好吧，也许有某种宇宙尘埃遮挡了这颗行星；或者也许这颗行星小到我们看不见；或者让我们造一台更强大的望远镜；或者也许有某种磁场遮住了我们的测量。”在这些步骤中的任何一个时刻——而且这种情况一再发生。

像这样的故事实在太多了。

我很喜欢一个来自20世纪90年代的例子。有些人注意到，先驱者号航天器的位置并不完全在它该在的地方。你会对此非常兴奋：“天哪，广义相对论错了。也许我们要发现下一代引力理论了。”如今被接受的解释是，航天器只是存在一点点不对称。结果是，热辐射在一个方向上比另一个方向略强，于是这对它产生了一个很小的、朝向太阳的加速度。大多数时候，当出现这些表面上的例外时，往往只是类似这样的原因在起作用。

这非常像水星—伏尔甘的案例。但偶尔，它又不是。

先验地，你根本分辨不出自己处在哪一种情况里。科学里到处都是这种东西。

而且我们讲述科学史的方式也很有趣，听起来它特别简单。你只要盯住那个正确的例外，就会意识到必须抛弃旧理论，然后啪，诺贝尔奖就在等着你。但事实上，这些例外到处都是。99.9%的时候，最后都只是类似先驱者号那种热加速度的效应。遗憾的是，这些故事里带有大量的**选择偏差**。问题在于，没有任何一种事前启发式能告诉你自己到底属于哪一种情况。

为了说清楚为什么我认为这很重要，有些人有这样一个想法：人工智能将会……

### 外星技术栈、技术树分叉与丰裕收益

对科学的进展并不是同等程度的；它之所以会取得不成比例的进步，是因为它在那些有**紧密验证回路**的领域里特别占优势。它在编码方面非常好，就是因为你可以运行单元测试。科学也可能类似，因为你可以做实验。

但这里没有充分意识到的一点是：对于任何给定的实验，都存在无限多种与之相容的理论。随着时间推移，我们为什么会抓住某一个、并在事后认为它更正确，这件事正如我们刚才讨论的那样，很难清楚地表述出来。

拉卡托斯在书里讲了很多有意思的例子，说明这种**敌意很强的验证回路**会持续非常久。其中一个他谈到的例子是普劳特。

1815年有一位化学家提出假说：所有原子核都必须具有整数重量，基本上都是由氢组成的。他之所以这么想，是因为如果你看所有元素的测量重量，确实会发现它们几乎都具有整数重量。但也有一些例外。比如，氯测出来是 35.5。于是这个学派里的人就开始提出各种临时性的理论，比如：“哦，也许是化学杂质。”但你做不出任何一种化学反应，似乎能把这个问题消除掉。

也许它是整数的一部分，所以 35.5 可以是二分之一。但实际上，如果你把氯测得更精确一点，它会变成 35.46，所以它反而离正确的分数更远了。后来人们发现，你实际上测到的是不同的同位素，而它们不能通过化学方法区分，只能通过物理方法区分。于是，在我们意识到什么是同位素之前，整整过去了 85 年；在这段时间里，验证回路实际上一直在对正确理论施加敌意。

你只需要留下这样一个残余部分在为它辩护……从先验上讲，并没有任何理由说明它就是更受偏好的理论。作为一个共同体，我们应该只是让人们尝试整合新的观察，即便这些观察看起来并不符合他们原来的学派立场，而且希望这种事情足够多地发生……总之，我想表达的是，**自动化科学的难点**在于：瓶颈究竟在某种层面上是什么？我们主要是卡在某一种事情上，还是卡在多种事情上？

当然，和结构生物学的人交谈时，他们似乎都认为 AlphaFold 是一个巨大的进步。那是一个震撼。在某种程度上，是的，人工智能当然可以帮助我们加速科学进展。它确实在帮助某一类瓶颈。但这并不意味着，正如你所说，它一定会帮助所有类型的瓶颈。

我想你指向的问题是：到底还剩下哪些类型的瓶颈，以及跨过去的前景如何？即使在编码这个例子里，和程序员朋友聊天也很有意思。眼下他们都处于一种震惊和极度兴奋的状态，而且每个人的反应都很不一样。你不禁会想，瓶颈接下来会转移到哪里。

当然，目前他们中很多人似乎卡住的一件事，就是**提出有趣的想法**，特别是……

### 交易成本、比较优势与技术探索路径

#### 设计想法与验证瓶颈

有意思的设计想法，实际上并没有一种真正的验证循环，能够让你知道一个设计想法到底是不是“非常有意思”。

他们不再像以前那样主要受限于产出代码的能力，但他们仍然受限于另一种东西。以前，他们之所以不受这种限制，是因为单单写代码就已经占去了他们太多时间。他们可以在花三周时间实现一个原型的时候想出很多点子，然后再去实现下一版。现在，他们只需要三小时就能把原型做出来，但从设计角度看，他们在那之后并没有同样好的想法。

#### 我对报税自动化的预测

去年，我预测到 2028 年，人工智能应该能够像一个称职的总经理一样帮我准备报税。

但我们其实已经很接近了。正如我之前分享过的，我把 Mercury 同时用于我的公司和个人银行业务。所以我最近通过 Mercury 的 MCP，把我两个账户的交易历史都交给了一个大语言模型。

我让它查看我 2025 年的所有交易，并标出任何看起来其实应该记到公司名下的个人支出。结果这件事的效果好得惊人。

Mercury 的 MCP 暴露了大量详细信息，比如备注、备忘录，以及收据的 JPEG 图片和 PDF 附件。所以我的大语言模型有非常充足的上下文可以利用。

我最喜欢的一个例子发生在一笔给 Bay Padel 的消费上。如果只看商家名称，你会不得不把它当作一笔个人支出。但大语言模型查看了收据和 Mercury 里的附注后，意识到这实际上是我们上一次线下团建中的一次团队建设活动。所以这是一笔合法的商务支出。

我想，传统银行要支持 MCP 还会有一段时间。正是这类功能让我继续使用 Mercury。前往 mercury.com 了解更多。Mercury 是一家金融科技公司，不是 FDIC 保险银行。银行服务由 Choice Financial Group 和 Column NA 提供，均为 FDIC 成员。

#### 外星人的不同技术栈

你有一个非常有意思的看法。我记得那是在你某篇文章里的一个脚注，但我后来再也找不到了：如果我们遇到外星人，他们很可能会拥有一套和我们完全不同的技术栈。这和我曾经默认却从未质疑过的一种常见假设正相反。那个假设就是，科学是人类文明在历史早期就会做出来的一件事。你会发展到某个阶段，用几百年的时间把基础知识一项一项地往前推进，理解宇宙如何运作，然后你就“搞定”了。你就有了科学。之后，所有人都会收敛到同一种“科学”上。

我觉得这个想法很有意思，我想让你再多说一点。

我至少部分认同的那个想法是，技术树，或者说科学与技术树，可能比我们意识到的大得多。我们正处在一种很奇怪的处境里。人们有时会把“万物理论”当作物理学的一个潜在目标，然后就会有一种预设，认为

### 科学进步、自动化与技术跃迁加速

physics is done once you get there. 当然，这根本不是真的。若你想想计算机科学，计算机科学其实是从 1930 年代开始的，当时图灵、丘奇等等人奠定了所谓“万物理论”的基础。他们只是说：“计算是这样运作的。”从那以后，我们花了九十多年，一直在探索这些后果，逐步建立起越来越多有趣的观念。某种程度上，你可以把这些观念看作技术；但就它们作为计算理论内部被发现的原理而言，我认为它们更应该被视为科学，而且在某些情况下，还是非常基础的科学。像公钥密码学这样的想法，就是极其深刻、非常不直观的观念，其实早在 1930 年代就已经隐藏在那里了。

我的预期是，探索这棵技术树会有不同的方式，而我们现在仍然处在相对较低的位置。我们还在理解这些基本的基础理论，尚未真正把它们探索完。一个我觉得很有趣的例子是相态。上学时，我们被教导物质有三种相态，或者有时是四种、五种，取决于你把什么算进去。等你长大，作为一名物理学家，你会开始意识到，我们一直在往这个名单里添加新东西。我们有超导体和超流体，也许还有不同类型的超导体，还有玻色－爱因斯坦凝聚、量子霍尔体系、分数量子霍尔体系，等等。

事情开始变成：看起来相态有很多很多种可以发现，而且我们还会发现更多。事实上，我们甚至会在某种意义上开始设计它们。我们仍然会受物理定律约束，但其中存在着巨大的自由度。在我看来，这就像我们正处在技术树的底部。我们才刚刚开始，而我预期大体上都会如此。编程当然是一个非常自然的观察对象。认为我们已经发现了编程中的所有深层思想，这种想法显然荒谬。我们不断发现看起来深刻、全新的、基础性的思想。我们非常受限。我们基本上只是略微“跃升”的黑猩猩，所以我们很慢，也花了很多时间。但如果把时间尺度拉长一百万年，从人类探索如何操控计算机和信息的所有不同观念来看，我们未来会是什么样？我认为我们很可能会发现，还有很多非常深的思想有待发现。

我记得克努斯在《计算机程序设计艺术》的序言里提过类似的话。他在六十年代开始写这本书。后来他和一位有点轻蔑的数学家聊天，那人说：“看，计算机科学还不算真正的一门学科。等你有一千条深刻定理的时候再来找我。”克努斯多年后写序言时说：“现在显然已经有一千条深刻定理了。”

当你沿着技术树越爬越高时，长远未来会是什么样，这件事真的很有意思：我们往哪个方向走，以及我们如何选择探索。完全有可能，不同文明或者不同选择会让我们落在这棵树的不同部分。

特别是，仅仅是一些非常基础的事情就已经如此：我们是高度视觉化的生物，而某些其他动物则更依赖听觉。这会不会影响你拥有的思想类型？再把这个问题延伸到更奇异的文明：也许它们在感知和操控世界方面的偏好与我们完全不同。这可能会让它们探索技术树的方式发生相当显著的变化。当然，这一切都只是推测。

### 量子计算的兴起与后续跟进市场

这些相当深奥的问题看起来处在探索的很高层次，而他们发现了这个根本性的全新领域，突然之间那里就爆发了。**递减收益**的论证在那儿根本不适用。我们只是没能看见那里原本就存在的东西。

这种情况一再发生。新领域出现之后，突然之间，**砰**，进展又变得容易了。年轻人蜂拥而入，因为你可以二十一岁就取得重大突破，而不必花二十五年去掌握此前已经完成的一切。这显然非常有吸引力。我不确定是否有人非常清楚地理解这种动力学，或者如何思考知识结构为什么会是那样：新的领域为什么会不断打开。

但从经验上看，似乎确实如此。尽管如此……拿**深度学习**来说，这显然就是一个新领域的例子，在那里二十一岁的人可以取得进展，而且它相对较新。它重新进入高速发展，大概也就十五年左右。

但我们已经进入这样一个阶段：要继续在前沿取得进展，你需要数十亿、数百亿，或者上千亿美元。对此有几种理解方式。第一种是，它确实比古人必须做的那些事情更难，或者至少更费资源。

第二种是，它也许本来并没有那么难，但由于我们的文明资源如此巨大、人口如此庞大、金钱如此充足，我们基本上可以把古人本来要花永远时间才能取得的进展，几乎立刻做出来。我们一旦发现某件事很有生产力，就会马上把所有资源都砸进去。

但奇怪的是，这样的例子并没有那么多。

我觉得深度学习之所以值得注意，是因为它是一个很大的例外；否则很难想到其他例子。我认为这是注意力架构的结果。在任何给定时刻，总有一个最成功的东西。如果没有深度学习，也许你现在谈论的就是 **CRISPR**。也许我们不会把蛋白质结构预测问题视为人工智能的一个成功案例。也许我们会把它更广泛地看作一种曲线拟合，而且只会说：“哇，那花了很多计算资源。”但蛋白质结构预测也许会是一个极其重要的东西。总会有我们的“最大事件”。

你指出的更像是注意力如何被集中化的结果。基本上，这就是时尚——我是这个意思。当然不只是时尚，但其中确实有某种动力学。

这个想法有一个非常有趣而且重要的含义：这种分叉如此宽泛、如此偶然、如此路径依赖，以至于不同文明会偶然发现完全不同的技术栈。还有一个非常有趣的含义是，直到遥远、遥远的未来，**贸易收益**都会存在；而这可能实际上是关于遥远未来最重要的事实之一，涉及文明如何组织、如何协调、如何彼此接口。这里并没有那种“向前去并征服一切”的逻辑。

来自相邻殖民地之类的地方，会有巨大的贸易收益。某种程度上是这样。不过这里有个问题：真正困难的到底是什么。

如果只是想法本身，那么这些想法扩散得相当快。分享想法相对容易。如果事情更复杂，那就更像丹·王那种想法：这里面有某种“能力”的概念。你需要所有正确的技术，你需要所有正确的制造能力，等等。

所以文明甲有一种非常不同的制造能力，而要在文明乙那里建立起来并不那么容易。即使文明乙更先进，我认为这也会成立。会存在一种**比较优势**，它将在两个方向上都带来巨大的贸易收益。

最终，你会预期创新会有一些扩散。

有趣的是，去想那里到底有哪些障碍。

我喜欢的一个有趣思想实验是：**面向外星人的 GitHub**。有人把某个外星文明的全部代码——我甚至不知道在那儿“代码”意味着什么——也就是他们对算法的规格说明，交到你手里。里面会有很多有趣的新想法，而人类要花很长时间去逐一翻找并提取出所有这些东西。

我最初想到这个，是在思考自然界中的蛋白质。生物学把一种不可思议的机器多样性馈赠给了我们，而我们实际上对它们几乎一无所知。我们只能一个一个地去理解它们。我们现在还在理解**血红蛋白**、**胰岛素**之类的东西。已知的蛋白质有数亿种。

所以它有点像这样。生物学把一个庞大的机器库馈赠给了我们，毫无疑问里面包含了大量极其有趣的想法，而我们才刚刚刚刚开始理解它。我想你的意思——我需要稍微重命名一下你的论证——是你把它想成来自外星文明的礼物，虽然它显然不是，但你就是这样想的。天哪，里面有这么多东西，我们要去研究它。天知道我们还能继续研究多久。关于血红蛋白之类的东西，有成千上万篇论文，而我们仍然不理解它们，但与此同时，我们已经从中得到太多了。只想想胰岛素本身就够了。它是如此重要的一件事。

这是一个极其有用的直觉泵。你在地球上就有这种……我之前请了尼克·莱恩上节目，他有一套关于生命如何出现的理论，但无论你持有什么理论，像 DNA 这样的东西都已经历了四十亿年。假如一个外星文明来到这里，会说：“这里有这么多关于材料科学的有趣东西可以学习。”

想想驱动蛋白沿着轨道行走。我们对这些蛋白质几乎一无所知，而我们知道的那一点点事实却已经令人难以置信。核糖体是另一个例子：这种奇迹般的装置，就像一个小工厂。所有这些都源于地球上这种特定的化学——核酸和碳基生命形式。这种化学催生了这些有趣的事物，而外星文明会觉得它们非常有意思。

那颗种子本身——它必然只是无数种通用智识思想种子中的一种——却导向了如此多的丰饶。这是一个非常有意思的直觉泵。

我想继续琢磨这个“贸易收益”的问题，因为我觉得这里有些非常有意思的东西：如果你对技术如何进步、以及它在不同文明中如何可能不同有这样一种图景，那它实际上会对不同文明彼此如何互动产生重要影响。

存在如此巨大的贸易收益这一事实，会不会让友好变得更加有利可图？是的。这是一个非常重要的观察。我之前完全没有想到这一点。这真是一个非常有意思的观察。

有趣的是，比较优势是人们很爱援引的概念，而且显然是个很美的想法。但它也有局限。这是一个特殊而有限的模型。黑猩猩也能做一些有趣的事情，但我们并不会和它们做贸易。我觉得思考其中原因很有意思。部分原因只是力量，我认为。

一旦出现足够大的力量不对称，很多时候——并非总是，但很多时候——人群似乎就会切换到另一种模式，在这种模式里他们只想着支配。也许人类有什么特别之处。

### 开放科学、署名经济与集体科学

这些事未必只是针对生物；也许它们是更普遍的现象。你需要满足所有这些特殊条件，群体之间才会发生交易。这一点并不一定显而易见。我认为，这里最重要的东西有两点：第一，交易成本。第二，比较优势并不能告诉你，交易发生的条件对于任何一个给定的生产者来说都高于生存线。人们经常在“即使在后通用人工智能世界里，人类也会因为比较优势而继续被雇用”这个语境里提起这一点。这个论证有五种不同的破绽，但理解它最简单的方法是：为什么道路上不会到处都是马？因为汽车和马之间确实存在某种比较优势。

第一，建造能够同时兼容马和汽车的道路，交易成本极高。类似地，以一千倍速度思考、还能把它们的潜在状态彼此发送出去的人工智能，在供应链中与人类互动时，付出的成本会远远高于获得的收益。第二，仅仅因为马在数学上具有比较优势，并不意味着值得每年花十万美元——或者在旧金山饲养一匹马所需的任何成本——去维持它。那种生存线以上的支出，不会值得你从马身上得到的收益。

我确实觉得这很有意思。显然，我对这件事的预期和直觉与你的差别很大。技术树的大部分分支永远都不会被探索。可组合的东西实在太多了；等待被发现的深刻想法也太多了，不只是我们，根本没有任何人会发现其中的大多数。所以，关于如何进行探索的选择其实相当重要。

我非常不喜欢技术决定论式的论证。我愿意在进步相对简单、足够低层的时候接受它。但越往上走，你就越开始能够塑造探索的方式。而有趣的是，我们已经开始以一些有趣的方式塑造它了。

有一些技术实际上已经被等同于禁用。你可以想想滴滴涕、氯氟烃、对核武器使用的限制、《核不扩散条约》。这些东西都不是在事前做出的决定，但在某些情况下，我们正开始非常接近事前决定，也就是我们预先说：“哦，我们不会沿着那条路走下去。”于是，这就开始看起来像一套制度，我们实际上正在影响我们探索技术树的方式。

至于你会在哪里看到这些贸易收益，显然最明显的是纯信息可以来回传递的地方，因为信息有这样一种特性：它生产起来昂贵，但验证起来便宜，发送起来也便宜。

未来有多少生产率能够被提炼成信息，这会很有意思。就目前而言，这很难做到。

### 多产与深度的平衡、失败天才与学习

如果中国真的很擅长制造某种东西，那么就会有一种过程知识，存在于中国制造业相关的一亿人的脑子里。但在未来，也许如果由人工智能来做，情况会更容易。问题在于，我们的制造在多大程度上会变得非常统一，变得高度商品化。三维打印机至少二十年来一直被说成是“下一个大事件”。为什么它们到现在还是没有那么好用？为什么它们仍然没有处在制造业的中心，而接下来又会是什么？

把它和核糖体对照着看就很有意思，因为核糖体在生物学里确实处在中心位置，而且在很多非常有意思的方面都居于中心。无论这是不是制造业的未来，都会是某种非常简单的形式：一切都通过一个生物反应器之类的东西以吞吐量的方式流动。你发送信息，然后把东西长出来；或者你有某种真的能用的三维打印机。如果它们足够好，那么这就会变得更像一个纯信息问题，而其中一部分过程知识就会变得不那么重要。

Jane Street 有很多算力，但 GPU 非常昂贵，因此即便是对 GPU 利用率有相对较小影响的优化，也依然极其有价值。Jane Street 的两位机器学习工程师 Corwin 和 Sylvain 在 GTC 上讲解了他们的一些优化工作流。你不是被网络太慢卡住，而是被等待训练中的另一个 rank 还没完成工作卡住。他们讲了 Jane Street 如何剖析 trace、诊断瓶颈，然后如何用 CUDA graphs、CUDA streams 和自定义 kernel 等技术来解决这些问题。通过这类优化，Corwin 和 Sylvain 把他们的训练步骤从每次 400 毫秒降到了 375 毫秒。这个 25 毫秒的差异听起来可能很小，但考虑到 Jane Street 的机群规模，这个改进可能会释放出数千块 B200。

Jane Street 已经把所有相关代码开源了。如果你想看看，我在下方描述里链接了 GitHub 仓库和那场演讲。若你觉得这些内容很令人兴奋，Jane Street 也在招聘研究员和工程师。去 `janestreet.com/dwarkesh` 了解更多。

#### 深层原理的直觉

我能问一个很笨拙的问题吗？我们已经发现了一些深层原理。其中一个是这样的观念：如果某个维度上存在对称性，它就对应一个守恒量。这是一个非常深刻的想法。还有另一个——你写了很多，也为此写过一本教科书——关于如何理解你能计算什么样的东西、你能用其他物理系统理解什么样的物理系统、一个通用计算机应该是什么样子，等等。

你的看法是不是：如果你把层次往下走，走到诺特定理或者丘奇-图灵原则这种思想的层面，会有无穷多个极其深刻的这类原理？因为在我看来，它们之所以特别，是因为它们本身包容了世界可能呈现的很多很多不同方式。但问题是，世界必须和少数这些非常深的原理相兼容。我不知道。我这里有的只有猜测和直觉。我的直觉是，我们不断发现非常根本的新东西。

对我来说，理解丘奇、图灵以及其他这些人关于通用可编程设备的那些精彩想法，是很形成性的。然后你后来会明白，这里面还包含了公钥密码学的想法。再后来你会明白，这里面还包含了人们所说的加密货币的想法。这里面有一整套非常深的观念，关乎如何共同维护一个大家一致同意的账本，而它就是建立在这些基础之上的。花了很多年，才把这些东西的正确规范形式给找出来。就只是这个事实：你会不断发现看起来像是深刻的新基础原语，这对我来说一直是一个非常重要的直觉放大器。

我举了那个具体例子，但我觉得你在很多不同领域都能看到同样的模式。

#### 科学进步的经验现象

那你如何解读这样一种经验现象：无论你把什么输入到科学过程或者技术进步里……经济学家已经用各种方式研究了很多次。它似乎只需要每年稳定地多出 X 百分之几的研究者。有一篇几年前 Nicholas Bloom 等人写的著名论文，标题大意是：“有多少人正在半导体行业工作？随着摩尔定律的历史推进，这个数字是如何增长的？”

我记得他们的发现是，摩尔定律意味着晶体管密度每年增长 40%，但要维持这种增长，半导体行业中的科学家数量每年增加了 9%。他们对一个又一个行业都得出了类似的观察。你的看法是不是：确实存在这些深层想法，但它们会变得越来越难找？还是说，对于这些经验观察，还有别的解释方式？

首先，他们的例子都很狭窄。他们挑一个特定的东西，然后看一个特定的指标。GPU 并没有出现在那里。突然之间，你得到了并行化的能力，而这非常有意思。它会带来很多外部后果。基本上，他们使用的是这些简单的定量衡量方式。他们看农业生产率，也看很多很多不同的方式，但你确实必须聚焦得很窄。

我当然也会关注这样一个事实：新的进步类型不断变得可能。但我认为，即便如此，似乎仍然存在某种收益递减的现象。这是内在的吗？这是世界结构决定的吗？到底是什么？有一件一直没有太大变化的事情，就是做这类工作的个体心智。也许那些心智也应该被改进，或者那里存在某种反馈过程。也许这会改变事情的性质。

我回看大约 1700 年之前的科学进步，它很慢，而且也很不稳定。早在公元前五个世纪，爱奥尼亚人就做出过一些非常了不起的事情，但那么多知识会丢失，然后被重新发现，再然后又丢失。你必须说，那时的进步非常缓慢。

这部分只是因为我们缺少了一些非常好的想法。即便你已经有了这些想法，你也还需要围绕它们建立制度。你实际上还需要解决大量不同的问题：训练、资本配置，以及诸如此类的事情。

甚至连研究者的基本安全都要解决，这样他们就不用担心宗教裁判所之类的事情。这里面有一大堆复杂问题。

你把所有这些复杂问题都解决了，然后突然之间，砰，科学进步就大爆发了。如果存在某种停滞，如果你没有改变那些外部条件，那么是的，你可能又会开始看到收益递减。但这并不意味着这件事本身有什么内在属性。也许只是需要某种外部条件再次发生变化。

显然，很多人认为人工智能有可能成为一个驱动力。它在某种层面上肯定会如此。

从这个意义上讲，你可以把很多现代科学仪器理解成，在某种层面上，本质上就是机器人。詹姆斯·韦布空间望远镜是什么？把它描述成机器人也许有点不寻常，但也并非完全不合理。它就是一个高度自动化、极其复杂的系统，并且带有电子控制。

### 播客式学习、人工智能与理解加深

我们已经在看到这种转变了：**由传感器和执行器介导**，而机器学习正在被用来处理数据。从这个意义上说，我们其实已经开始看到那种转变了，而且已经看了几十年。

我有一个“**抽一口大麻然后来个顿悟**”式的想法——我想我们已经抽了几口了。我觉得我们大概已经谈到这个话题的部分了，然后你可以帮我把脚从嘴里拿出来，想出一种更具体的方式来思考它。

#### 历史加速的节奏

顺着你刚才说的那一点：有过工业革命、启蒙运动，而现在是人工智能；每一次都可能意味着不同的节奏，或者科学发生方式的不同。如果你思考这些转变发生得有多快，你就可以把人类历史拉长来看，画出一种**不断加速的超曲线式增长率**，而且这个速率也在随着时间增长。

十万年前，是石器时代。再往前很多，灵长类出现了多久？那大概是数百万年。

十万年前是石器时代，一万年前是农业革命，三百年前是工业革命；每一次都标记着指数增长速度的提升。然后人们觉得，这种事情会随着人工智能再次发生。但那甚至可能会更快。

在工业革命开始的时候，没有人会想到，这条趋势的下一个分界点会是人工智能。

所以，如果事情正在变快，而且很难预判下一个转折会是什么，那么我们大概就会把现在和人工智能之间想成某种**奇点**，以此来区分过去和未来。但如果应用同样的启发式思路——很多过去的人本来也应该这么想——也许所谓“智能时代”也会非常短，而它之后的东西，我们甚至还没有足够的本体论去描述它是什么。未来的人也许不会把过去想成“人工智能之前”和“人工智能之后”。

当然，显然我们无法证明这一点，但它确实显得相当合理。

问题的一部分就在于，我们用来理解未来的“基底”本身似乎就很不对。

你不能和一群黑猩猩一起推测，拥有语言会是什么样子。只要挑人类历史上一个大的转变来看，**转变本身就是那个东西**。这件事看起来很可能。

如果我们在说这种“抽一口大麻式”的想法，那我当然会被这样一种想法逗乐：会有某个涉及通用人工智能、并且建立在经典计算机上的转变。可实际上，量子计算机也会有一个有趣的转变。它们大概能够完成严格更大的一类潜在有趣计算。所以，也许所谓 **AQGI**，或者它该叫什么名字，实际上在性质上是完全不同的。

所以，也许这两者之间会有一小段过渡期。

我再说一次，这都只是猜测，但确实挺有趣的。

为什么会这么想？据我理解，几十年来，像你这样的人一直给出了相当严格的界限，限制……

### 学习系统、计算基础与后续改进

量子计算会做的那些事，大概是把搜索加速一些。至于它会把什么事情加速得**极其**厉害，比如肖尔算法，看起来……再说一遍，这也许正好印证了你的观点：我们不可能提前预测技术树深处会冒出什么。但至少从现在往回看，它似乎就是能**破解加密**，可你还会拿肖尔算法去做什么？我们才刚刚围绕它想了大约四十年而已。时间并不长，而且作为一个文明，我们也没有把这件事想得多么深入。它最后会不会其实很窄？也许。它会不会其实非常宽？那同样是一个真正激进的扩展，而且看起来完全有可能。还要记住，我们一直是在**没有设备**的情况下思考这些问题的。没有设备，这本身就是一个很大的瓶颈。

如果你把二十世纪七十年代以前的计算机科学想象成十八世纪的计算机科学，你会说：“它能做与/或，那又能从里面冒出什么来？”你不可能预见比特币。你也不可能预见深度学习。也许如果你足够聪明，你能预见，但那确实是一个很难的处境。

你在九十年代和二十一世纪初曾经身处并推动量子信息与量子计算。你自己的内部视角是什么？你会怎样讲述它的历史：到底是什么瓶颈？让它真正成为一个领域的关键转折是什么？你会如何评价费曼、德意志以及后来所有人的贡献？我们先只谈一个问题：**到底是什么改变了？**为什么量子计算在二十世纪五十年代不是一回事？它本来是可以的。像约翰·冯·诺依曼这样的人就是一个很好的例子。他绝对是计算领域的开创者。他也写过一本关于量子力学的重要著作，并且对这件事有着深厚兴趣。他那时本来完全可能发明量子计算，而且我认为当时相当多的人都可能做到。

那么为什么到了八十年代，我们才有了像费曼和德意志这样的论文？这些论文通常被认为是这个领域的基础。更早的时候确实有一些局部的预见，但它们既没有那么全面，也没有那么深刻。你应该去问大卫。你当然没法问费曼了，可大卫会比我知道得多得多。

我觉得有几件事很有意思。第一件是，计算在七十年代末和八十年代初变得**显著得多**了。它变成了一种很多人都开始感兴趣的东西，部分原因还很平常：你可以买一台个人电脑。你可以买一台 Apple II。你可以买一台 Commodore 64。你可以买到这些各种各样的机器。人们开始意识到，这些是非常强大的设备，值得认真思考。与此同时，在量子这边，大约也是那个时候，出现了 Paul trap，以及困住单个离子的能力。在那之前，我们其实并没有真正具备操纵单个量子态的能力。你得到的是两件彼此独立的事情，但由于历史上的偶然原因，它们大约在 1980 年前后同时成熟了。像冯·诺依曼这样的人也许更早就能想到这个点，但这确实是一个很有意思的因素。

关于理查德·费曼还有一个故事。他在 1980 年或 1981 年买了最早的一批个人电脑之一。据说他对这台设备兴奋得不得了，搬运这台崭新的计算设备时居然还绊倒了，受了相当重的伤。这是一个非常历史偶然性的巧合：一个既非常有才华、又真正理解量子力学的人，同时还对这些新机器如此兴奋。也许他那时开始思考这些事情并不奇怪。如果把时间往前推十年，你能讲出怎样相似的故事？条件根本不存在。

我的意思是，这其实是个相当平淡的故事，但……

我们本来要讨论的一件事，是你提出来的关于“后续跟进的市场”的想法。我觉得这个故事正适合谈这个，因为你写了这个领域的教科书。《迈克和艾克》是量子信息领域的权威教材。你大概是在德意志之后进入这个领域的。但你在九十年代某种程度上识别出：这就是值得继续跟进、继续建立在其上的东西。与其抽象地谈这个，我更想直接听你第一手讲讲：你是怎么知道这是要做的事情的？在物理和计算领域那么多事情里，你为什么会决定想要思考这个问题？

理查德·费曼在 1982 年写了那篇很棒的论文。大卫·德意志在 1985 年写了一篇绝对精彩的论文，勾勒出了量子计算的许多基本思想。1985 年我才 11 岁。我当然不会想这个。我那时在踢足球，做别的事情。但到了 1992 年，我上了一门量子力学课，真的非常精彩，是格拉德·米尔本讲的。上了大概第五讲之后某天，我就去问格拉德，说：“你有没有什么论文之类的可以给我看看？”他让我几天后去他的办公室。我去了之后，他给了我一大叠论文，里面包括德意志的论文、费曼的论文，以及一大堆关于量子计算和量子信息的非常基础的论文。那时世界上几乎**没有人**在做这件事。他在做。我认为他写下了第一篇提出量子计算实际路径的论文。那条路径并不算很实际，但它确实是在一个真实系统里提出的。所以某种意义上，我是在受益于另一个人的品味。

我一读这些论文……这些都是令人兴奋的论文。它们在提出非常基本的问题，而你会意识到：我可以在这里取得进展。这些都是可以潜在去做的事情。德意志有一个猜想，或者说论题，或者你想怎么称呼都行：一个通用模型，也就是量子图灵机，应该能够高效模拟任何物理系统。这是一个非常挑衅性的想法。我记得在那篇论文里，他几乎是在主张自己已经证明了这点。我不确定每个人都会同意这一点。关于是否能够有效模拟量子场论，还有一些问题。这类问题非常有趣，也非常令人兴奋。它显然是关于宇宙的一个根本问题。他在里面还有一些很精彩的想法，谈论量子算法、它们从何而来、它们意味着什么，以及它们和波函数意义之间的关系。像这样的疑问，至今在物理学家之间也还没有一致意见。你会有一种感觉：“哦，我正在接触某种东西，它既是（A）深刻重要的，又是（B）我们作为一个文明还没有拥有的。”当然，你就会开始把注意力稍微集中到那里。

我不确定我是不是回答了这个问题……也许我误解了问题。也许我先解释一下动机。在之前的一次对话里，我们在讨论：你怎么能在二十世纪四十年代就知道香农定理，以及香农理解通信信道的方式，是一个远远超出贝尔实验室当时试图解决的脉冲编码调制问题的深刻思想，而且它适用于从量子力学到遗传学再到计算机科学的一切。你提出的一个想法——我们当时没来得及展开——

提到这一点时，问题就变成了：还有那些别的论文，但在某种“后续市场”里，人们为什么会自然地转向并建立在香农的工作之上？他们究竟是如何意识到那才是该做的事情，这个过程又是怎么发生的？我想，你给出了你自己的局部答案。

你读了这些论文，然后立刻意识到这里有事情可做。这里有低垂的果实。这里有某个深刻而发人深省的想法，需要我更好地理解，而且我能够切实地取得进展。

某种程度上，你是在说：“好吧，我想进入这个为人类理解宇宙作出贡献的游戏”，于是你在使用那种“低垂果实算法”。你会想：“相对于我自己的兴趣和能力组合，我该在哪里拿起铲子开始挖？”在那个地方，这看起来就是“哦，这似乎是个相当不错的挖掘起点。”当然，不同的人会作出非常不同的选择。那在当时是一个非常不寻常的选择。那是1992年。那时候几乎没有人会想到这一点。

#### 开放科学的成功标准

往前快进一点，我不知道你现在如何看待你在开放科学运动中的工作，但它奏效了吗？那里的成功会是什么样子？这场运动到底想实现什么？

这很有意思。你在这里没有停下来定义“开放科学”，而二十年前你本来是必须这样做的。人们认识这个词组。人们对它有一些联想。最常见的是，他们有一套相对简单的联想。

它可能意味着与让科学论文开放获取有关的事情。很多时候，人们还会把它联想到让代码公开可用，或者让数据公开可用。这些本身已经是开放科学运动非常大的成功了，因为它们让这些问题变得显眼、可被讨论。人们对这些问题有看法，而且围绕它们已经形成了相对常见的论证。它像是那个表述的“模因版”——公共资助的科学应该是开放科学。那是一整套思想的提炼，你也许可以对此提出质疑。但如果你能让人们真的开始思考它，并投入到这种论证当中，那对于整个科学政治经济学来说，就是一个非常根本的问题。

如果你往回看三个世纪，就会发现有一个非常相似的争论曾经被激烈推进过：我们到底要不要公开披露科学结果？如果你看伽利略和开普勒之类的人，他们公开披露成果的方式非常奇怪。有时他们会做一些荒诞的事情，比如把部分结果作为字谜来发表。他们发现一个成果，先把结果写成一句话，再把它打乱，然后发表出去。之后如果别人也独立做出了同样的发现，他们就会把字谜解开，说：“哦，对，我其实先做出来了。”这显然不是一个理想的发现体系基础。

我想，花了非常长的时间，大概超过一个世纪，才逐渐形成更接近现代的理想：你用论文的形式披露知识，并且存在一种对署名的期待，进而建立起一种声誉经济。“某某做了这个工作，所以他们应当得到相应的荣誉”，而这就是他们职业生涯的基础。这就是科学背后的政治经济学。

当你有了印刷机，以及能够出版科学期刊的能力，这一套就非常合理。然后你进入现代情境，你开始能够分享更多内容。你可以分享代码、数据、进行中的想法。但这些并没有直接对应的信用。到底应该把多少声誉分配给这些东西，这一点根本不明显。这完全是社会建构出来的。让它成为一个现实中的议题，是一件非常重要的事情。我认为，这是开放科学工作最主要的积极成果之一。

我给你举一个非常实际的例子，来说明这个问题。长期以来，物理学里有一种预印本文化，人们会把预印本上传到预印本档案库；而生物学里则没有。那时没有预印本文化。现在情况在改变，但长期以来确实如此。我以前常常逗自己玩，去问物理学家和生物学家，为什么会这样。我从生物学家那里听到的是，他们会说：“生物学比物理学竞争激烈得多，所以我们必须保护优先权，因此绝对不能上传到档案库。我们只能发表到期刊里。”

然后我有时又会听到物理学家说：“物理学比生物学竞争激烈得多，所以我们必须尽快把优先权建立起来，尽早上传到预印本档案库。我们绝对不能等到期刊发表再做。”我认为，这恰恰强调了这种署名经济在多大程度上其实只是我们构造出来的东西。它是我们通过约定做出来的。任何试图改变这种经济的做法，都会导致一种不同的知识建构体系。

围绕科学的政治经济学，存在一整套非常根本的问题。我们有这个集体项目，而我们如何调节它，取决于我们围绕观念所拥有的经济体系。

#### 集体科学的范例

你一直强调，开放科学这个项目的一部分，是集体科学；也就是一群人共同在某个问题上取得进展，而没有任何一个个体理解所有必要的逻辑层级和解释层级，因而无法完成一次飞跃或建立某种连接。除了数学之外，这样的发现最好的例子是什么？

我不确定我能把它们排出一个“最好”的顺序来给你。一个我觉得非常有意思的例子是大型强子对撞机，也就是一个极其复杂的装置。

很多年前，我偷偷混进过一次加速器物理会议。我对加速器物理一无所知，只是出于好奇，想看看他们在谈什么。那一群人是数值方法方面的专家，尤其擅长逆问题方法。

在这些加速器内部，会发生一连串级联过程。一个粒子会被大幅加速，也许会发生碰撞，然后你会得到一团粒子雨，这团粒子雨还会一层层衰变下去。就是这样一个极其惊人、后果重大的粒子雨，而最终你在探测器里看到的就是它。

然后你必须倒过来弄清楚，究竟是什么产生了它。这里有非常复杂的逆问题需要解决。你手里有最终数据，但你需要找出是什么造成了它，而这正是你寻找这些特征信号的方法。那里面很多人都是在粒子轨迹追踪的模拟方法上极其深厚的专家。

这真的是非常深、非常难的东西。我当时想：“哇，你完全可以花一辈子时间，只学习如何做这个、如何解决其中一些逆问题，而你对量子场论、探测器物理、真空物理或数据处理——所有这些对于理解比如希格斯玻色子都绝对必要的东西——却可能知之甚少。”

我不认为一个人有可能把一切都深入理解。很多人都能广泛理解这些想法中的很多，但他们并没有达到真正被实际利用的那种深度理解。这就是为什么会有那些作者数量远远超过一千人的论文。那些人可以彼此进行高层次交流，但他们并不真正深入理解彼此的专长。像探测器物理、真空物理、逆问题求解，这些东西彼此之间都极其不同。

要把这件事真正理解得很细，是一项严肃的工作。

#### 多产与深度怎么权衡

你会怎么思考**多产**和**深度**之间的关系？也许达尔文就是一个例子：他在一件事情上酝酿了很多年。还有别的例子。爱因斯坦在提出狭义相对论的那一年里，其实也在做很多不同的事情。皮斯也谈到过，这些事情全都和后来那一整套积累有关。

这也是我经常会为之焦虑的事情。有时候我会觉得自己太慢了。

不过有意思的是，达尔文这个例子真的很耐人寻味。多产是就什么而言？天知道他写了多少封信。那一定是一个巨大的数字。所以他当然非常活跃。

我觉得任何一种创造性项目里，通常都会涉及两类工作。第一类是常规性的工作，在这类工作上，你只想避免拖延。你只想问：“我怎么把这件事做好？”或者“我怎么把它外包出去？”以及“我怎么尽可能快地把它做完？”你只是不想让自己陷入一种把事情越拖越久的状态。然后还有第二类，是高方差的工作，在这类工作上，你实际上必须愿意花很多时间。你必须愿意去不同的地方，和不同的人交谈，因为在任何一个具体实例里，其中大部分内容都不太会成为输入。

某种程度上，这两件事的平衡……我觉得很多人很擅长其中一件，但这几乎像是一种人格特质，取决于你更偏好哪一种。人们往往会大量做其中一种，而另一种做得不够。所以我自己确实一直在努力平衡这两者。

#### 爱因斯坦式的一九〇五年

爱因斯坦是一个如此有趣的例子。1905年真是非同寻常的一年。

你完全可以把狭义相对论删掉，而那一年依然是非同寻常的一年。

你可以删掉狭义相对论，也可以删掉他因此获得诺贝尔奖的光电效应，那一年仍然是非同寻常的一年，甚至很可能是一个能拿多个诺贝尔奖的一年。那么他到底在做什么？也许答案只是：他比我们其余的人都更聪明。

这里面也有很多运气。至少对我自己来说，我一直在努力识别那些属于常规的事情，然后尽量快速把它们做好。我觉得这已经带来了一定的回报。但同时，愿意在高方差那一侧更相信自己一点，也同样、非常、非常有帮助。

这真的很难，因为从本质上说，你是在把自己放进一种你不知道结果会怎样的处境里。如果你非常渴望高效，而且那边大多数时候都不太奏效，你就会想：“那就把这部分减少吧。”这感觉不对。

我在旧金山工作的时候，有一个习惯：每天我不会走那条十五分钟的上班路，而是走那条更美、更长、要三十分钟的路。部分原因当然是因为它很美，但部分原因也是为了提醒自己：不高效是有真实好处的。

但这并不是对你问题的答案。说到底，我觉得我只是在说，我自己也在这个问题上挣扎得很厉害。

我想迪恩·基思·西蒙顿有一个著名的**等几率法则**，他说你发布的任何一个东西——任何论文、书，诸如此类——对某个人在其一生中变得极其重要的概率，其实并没有那么不同。真正决定你在哪个时期最有产出的是你发表了多少。任何一个具体成果，变得极其重要的概率都是相等的。我觉得一些最成功的创作者或者科学家，其实就是做得很多。莎士比亚就是一直在大量发表。

当然，也有反例。哥德尔发表的东西几乎什么都没有。但总体来说，除非你有非常充分的理由，否则你最好不要不这么做。

这很有意思。我这些年来见过很多明显非常聪明的人，他们就是执迷于自己将来会去做那个让自己成名的伟大项目，结果他们什么都不做。这似乎是相关的。那是一种回避性。我想很多时候，他们其实只是不想面对公众的评判。

#### 失败天才的传记

我很想看到的一件事……关于那些取得很多成就的人，已经有大量传记、自传和历史著作了。我希望能有非常大量的传记，写的是那些天赋极高、却只是差了一点的人。

我认识一些人，他们拿过国际数学奥林匹克竞赛金牌之类的奖项，后来想成为数学家，结果失败了。到底发生了什么？为什么会这样？

I suspect in many cases, **“was the reason?”** is actually more informative than anything else.

你读到过我在这次采访前读的一篇关于“你如何看待自己正在做的工作”的文章。**“作家”**这个标签似乎不对。正如你所说，查尔斯·达尔文是作家吗？这个标签到底是什么？我是播客主持人。某种程度上，当然我们的工作非常不同，但我也常常思考这项工作到底是什么，以及我怎样才能把它做得更好。

尤其是，我怎样才能确保播客中采访的不同嘉宾之间真的能产生某种**累积效应**？我担心的是，取而代之的不是这种累积，而是我对某个主题建立起一点点相当表面的理解，然后它又贬值了。我转向下一个主题，它又贬值。世界上有很多播客主持人采访的专家比我多得多，但我不觉得他们因此就更有智慧，或者知识更多。所以，很明显，这件事是会做砸的。

我想知道，你有没有关于人们如何从这种工作中以更深的方式学习的想法、看法或建议。

这确实是一个极其复杂而丰富的问题。看起来问题在于，你怎样把它变成一个**更高成长率**的语境？你怎样把它变成一个**更有要求**的语境？你可以通过相对细小的方式做到这一点，从而带来复利式回报；也可以做一些更激进的事。也许这意味着启动一个平行项目，在其中你做一些确实大不相同的事情。

关于“非常有要求”如何只是改变你对某件事的反应，这一点真的很有意思。我有时会对学生做，也有时会对自己做——更多时候其实是对自己做。有人会说，**“我这个星期要尝试把这项工作做出来。”** 然后下周来了，他们还没解决问题。如果有一百万美元悬在那儿，你还会投入同样的努力吗？答案总是：不会。他们确实尝试了，但并没有真正地尝试。我想这对我们所有人来说都是非常熟悉的感觉。如果有一个恰到好处、足够苛刻的任务监督者站在你身边说，**“听着，你现在只是勉强在运作。”**，你本可以做得多得多。

我确实有点想知道，那个“苛刻的任务监督者”到底是什么？它能问你什么，才能让你的准备工作强度大幅提高？

说实话，最有帮助的东西是……对于某些主题，我的准备方式非常清楚。我最近要做一期关于芯片设计的节目，嘉宾是某家做芯片设计公司的创始人，而且他写过一本教材。昨天我去他办公室，我们一起头脑风暴了我可以做的五个**屋顶线分析**。如果我理解了这些，我就有了某种不错的理解。

问题在于，几乎对其他所有领域，都没有这种课程体系。我几年前采访伊利亚的时候，做法是：实现变换器；如果你实现了它，你就抓住了一个理解的“结晶”或“钳定点”。但在其他领域，你只是模模糊糊地理解了一点。它没有被钳住。没有那种强制性的机制，告诉你：**“做这个练习，如果你做了，你就会理解。”**

说到底，你是在说，播客可以做得很好，但你其实并没有真正达到这种理解；而这才是你从自己的角度真正关心的问题。你想改变自己的工作定义，让自己每次都能内化这些块状知识，并且每次都完成这种整合。

在我看来，这意味着你其实想在某种层面上改变工作产出的结构。有一个很糟糕的想法，很多人都觉得自己应该**一直处在心流**之中。但就我所见，高绩效者根本不这么想。他们只是有一部分时间处在心流里。

运动员身上尤其能看出来这一点。当他们真的在场上打篮球或打网球时，理想状态下他们大部分时间都在心流中。但训练时不是这样。他们常常卡住，或者做得很差。我想知道，对你来说这会是什么样子。

如果是这样，我会非常满意。问题是，我只是不知道“做 64 圈”的对应物是什么。你可以通过选择那些存在清晰课程体系的嘉宾来改变这一点。所以，也许没这样做是个错误。

而且，对泰伦斯·陶也没有真正可行的准备方式。不存在一个合理的课程体系。

这里有很多失败模式，但我担心的一种长期动态是：你可以拥有一个不错的播客，并达到一个**局部最优**，但对任何单个嘉宾或主题，你都没有深到足够程度。我的学习模型是：如果你没有真正理解更深层的机制，你实际上只是在映射一个黑箱的输入和输出。这种东西要么衰减得极快，要么一开始就不值得。你只是继续往前走，然后就结束了。你需要建立中间的连接。

人工智能在某种奇怪的意义上就很容易，因为这件事有一个明确可做的动作。只要实现它，你就理解了它。如果我把这个标准套到别的领域，难道我就不做历史类节目了吗？

完全正确。比如阿达·帕尔默。跟她交流非常美妙，也极其有趣。但对你个人来说，改变是什么？

有些东西我是学到了的。如果我在采访之后分配更多时间，尤其是花时间写下两千字，把我学到的一切，以及它和我已知其他事物的联系都整理出来，也许这就是值得做的事。把节目间隔拉开一些，并在之后花更多时间做整合。

如果真有一个人，特别擅长想出课程、你需要做的练习题，以及采访之后用来“钳住”你所学内容的练习，我愿意为此支付无穷无尽的钱。你有没有试着找过这样的人？

很难找到人。我没有特别认真地找过，但要找到一个能为每一种学科都做这件事的人，难道不会很难吗？也许我应该针对不同主题分别雇不同的人。

也许吧。这里有个问题是：你每一期节目到底是在解决什么问题？

据我所见，这几乎就是我真正理解任何东西的唯一方式。我对某件事产生兴趣。一开始，我甚至还没有一个问题，但我只是隐约觉得这里有一些可以贡献的东西，然后你慢慢地把它聚焦出来，最后就有了一个问题。

有趣的是，长时间卡住其实极其重要。以前这只是让人烦。现在看来，它甚至可能是整个过程里最重要的部分。那种“硬生生挣出来”的性质意味着，我之后会把它内化进去。我写过一万字的文章，有的是两天写完，有的是三个月甚至六个月写完。

我感觉，那些只花了两天的，我并没有学到太多。相反，那些花了三个月的，15 年后我仍然会记得。

你能不能在物理之外，描述一下你是怎么学习那些花了三个月的东西的？

最常见的情况是，总会有某种**创造性的产物**。有时是一门课。有时是与某个人的接触。

一群人正在共同创造某种集体性的创作成果。你甚至未必意识到这一点，但你在某种意义上一直在作为他们创作目标的输入。这样的东西有时是文章，有时是书，或者别的什么。这也是我经常很享受做播客的原因之一。我之所以答应来这里，部分原因是我知道你会提出异常苛刻的问题。我是在尝试从另一种强迫机制中获得这种视角，试着挑选最苛刻的创作语境。

这次采访之前，我通读了三讲苏斯金德那本关于狭义相对论的书。问题在于，里面几乎没有练习题。所以我雇了一位物理学朋友。我还没真的做，但我打算针对每一讲都准备一堆练习题来过一遍，并且我计划好好体会一下被打击的感觉。你要怎么把它变得尽可能“直击要害”？

赌注抬得越高越好。采访在某种意义上已经算是高风险，但它并不一定真正检验深度理解。我不认为这场采访的赌注那么高。你不是在写一本关于狭义相对论的书，也不是在试图写一本能替代现有标准教材的书。那才是非常高的风险。顺便说一句，有一个短语我觉得特别难处理。人们会说要在某个主题上“深入”，结果不同的人对这是什么意思有完全不同的理解。对有些人来说，这意味着他们读了几篇博客文章。对有些人来说，这意味着他们读了一本关于它的书。对有些人来说，这意味着他们写了一本关于它的书。你给自己设定的标准，会在很大程度上决定你把知识整合成这种形式的能力。

我发现，从某种意义上说，我借助人工智能在一些事情上移动得快多了，但我不知道自己是不是学得更好了。我想，大概是因为……最难的事情、最有要求的事情，实在太让人抗拒了，以至于你会想尽一切借口逃开。只要和一个大语言模型来回聊一聊，把很多东西都略过去……这当然有趣，但不一定还有别的什么。它是逃离真正该做之事的一条太容易的路。

实际上，它让逃避变得更容易，因为你不需要做某些中间思考，总可以再向聊天机器人问下一个问题。对，这确实有一定价值，这当然也是它的诱惑力之一。它并不是毫无用处。但它可能会替代你真正应该去做的事情。挺有意思的。你到底应该在多大程度上把这类事情外包出去？这确实是个有意思的判断题。有一大堆例行工作你是希望有人做的。对你来说它们价值很低，所以如果能让聊天机器人来做，那就不妨让它做。

很多年前，有人采访过开创性的计算机科学家艾伦·凯，

他被问到对 Linux 的看法。如果我没记错他当时的回答，他基本上是说：“这跟计算机科学没什么关系。它只是一大团泥巴。里面确实有一些有意思的想法值得理解，但大多数时候你学到的只是关于 Linux 的东西。你并没有真正学到任何可以迁移的内容。”我觉得这很有意思。

有一种东西特别有诱惑力，它有点像鲁布·戈德堡式的机器。你可以把所有零件都学一遍，过程本身也很有娱乐性。但如果你退一步想一想自己到底在做什么，也许这并没有真正满足你的目标。也许你想成为一名系统管理员，那么学习 Linux 就是非常值得你花时间的事，这完全没有问题。但如果你的目标是理解计算的基本原理，那么这是否值得你把时间花在上面，就没那么清楚了。

我确实一直在思考这个回答，因为对某一类人来说，单纯学习系统本身是很有诱惑力的，而把这种学习误认为理解，更是很容易发生的事。

#### 后续更新

好吧，我会告诉你这件事进展如何。我欠你一条消息：在一个月之内，给你发一条关于某种改进版学习系统的短信。我会非常好奇结果如何。也确实如此，这件事里哪怕是极其微小、递增式的改进，都非常有价值。它是播客最主要的输入。书架做得很漂亮，或者我有一块黑板之类的东西，这当然很好，但真正让播客变得更好的，是我能不能提升自己的学习方式。所以，是的，哪怕每一丁点改进都值得。

“好吧，谢谢你的心理治疗时段。很好，这个结尾不错。谢谢你，迈克尔。”

“好吧。谢谢你，德瓦克什。”