深度思考(Deep Thought)

1. AI 之巨大

在課程接近尾聲的這一堂,Thiel 請來三位站在電腦科學最前線的創辦人:Vicarious 的 Scott Brown、Prior Knowledge 的 Eric Jonas,以及 Palantir 的 Bob McGrew。主題是人工智慧(artificial intelligence)——在 Thiel 眼中,這是最重要卻最少被認真討論的前沿。

我們直覺上把智慧放在一條人類尺度上:從老鼠、笨蛋到愛因斯坦。但整條尺度其實只是一個小點。演化只探索了設計空間的一個角落;人造心智不必長得像任何自然產物,就像超音速飛機是一隻「鈦合金翅膀的鳥」,而鳥永遠演化不出來。真正超人的 AI 對我們來說,可能就像廣義相對論之於老鼠一樣難以理解——這讓討論幾乎進入神學領域:這個 AI 會是全能的嗎?它會在乎我們嗎?

2. AI 之怪異

圖靈測試(Turing Test)的老問題是機器能不能思考;較新的期待則是機器還要能與人產生情感連結。底下真正實際的問題是「取代」:犁、印刷機、軋棉機都曾讓工人失業,卻讓社會整體更富有。AI 會延續這個模式,還是打破它?

• 盧德派(Luddite)模式:機器摧毀生計,所以要在被摧毀前先砸爛機器——就像搗毀棉紡廠的紡織工人。
• 李嘉圖派(Ricardian)模式:源自經濟學家 David Ricardo——科技是貿易夥伴;底特律失業的工人可以轉業,生產可能疆界外擴、價格下降,所有人分享貿易利得(gains from trade)。

只要 AI 只是「比人稍微強一點」,李嘉圖框架就成立:比較利益創造分工,人人受惠。但如果 AI 在所有事情上都遠遠超越人類,貿易框架就直接失效。大多數科技是平滑進步、沒有懸崖;AI 可能是例外——人類一路握有控制權,直到系統跨過超人門檻的那一刻,便一次全部失去。

人類不會和猴子或老鼠做貿易。

3. 機會所在:AI 對決生技 2.0

時機在事前極難判斷:超音速客機在 70 年代失敗、掌上型裝置在 90 年代失敗,連 Siri 在 2012 年都可能還太早。在 Santa Clara 一場名為「5 Top VCs, 10 Tech Trends」的活動上,全場 100% 同意生物學正變成資訊科學、92% 不看好電動車、對摩爾定律(Moore's Law)是否加速則五五分歧——但多數人都認定 AI 比生技 2.0 遙遠得多。全場一致本身就該讓你起疑:共識正是報酬歸零之處。

兩個領域都可能藏著看不見的極限。生技追求無限壽命的夢想,可能撞上一個內建的取捨:靠端粒酶(telomerase)無限分裂的細胞,看起來就跟癌症沒兩樣——治好老化也許正好餵養另一個頭號殺手。AI 這邊最可能的極限是程式碼複雜度——超過某個門檻(想想累積數十年的 Windows),沒有任何人能理解整個系統,除錯近乎不可能,為了改善而加的程式碼反而讓表現更糟。兩者共同的懸念是:指數式的希望,最終會不會攤平成一條漸近線的現實。

一則很能說明問題的軼事:PayPal 是第一家把人體冷凍(cryonics)列為員工福利的公司——凍腦 5 萬美元、全身 12 萬美元——結果因為點陣印表機印不出保單,登記作業直接告吹。Thiel 的黑色幽默結論:也許讓生技成功的辦法,就是更用力地推進 AI。

4. 進攻 AI 的三條路線

三位來賓對同一個問題——「現在的公司該怎麼進攻 AI?」——給出不同答案。值得注意的是,沒有一條路需要等到終局:每條路線沿途的里程碑本身就能變現。

1. 1

   Vicarious——大腦原理

   萃取新皮質(neocortex)的計算原理(階層結構、稀疏表徵),而不是模擬神經元。先做人類等級的視覺,再延伸到影像搜尋、機器人與醫療診斷——終極目標明白寫著:通用智慧機器。光是不受限的物體辨識就價值連城,所以每個里程碑都能養活下一個。

2. 2

   Prior Knowledge——貝氏資料

   完全繞過大腦。用貝氏機率模型(Bayesian probabilistic models)——一種刻意不同於人類日常推理的數學——在資料中找出模式與因果結構。五年目標:打造能在資料裡找到人類找不到之物的機器,並像 Linux 一樣複利成長——應用蓋在核心之上,沒人需要動到核心。

3. 3

   Palantir——智慧增強

   根本不追強 AI。把人類的概念判斷力與機器等級的資料處理配成一組——這是 PayPal 反詐騙的教訓:人掃不完數百萬筆交易,電腦跟不上不斷變招的對手,但兩者合體就可以。這正是李嘉圖式貿易利得的標準打法;即便如此,還是花了三年才拿到第一個付費客戶。

5. 為什麼是現在,以及如何守住勝利

為什麼是現在?資料量早已超出人類分析師的負荷,而 AWS 把伺服器機房變成刷卡就能買到的服務——需求與算力終於交會。Brown 還丟出一個驚人的推算:14 年內,世界最快的超級電腦每秒運算次數,將超過全人類大腦神經元的總數——所以真正的競賽是想清楚要在上面跑什麼演算法。同時,學術界獎勵邊際改良的論文、大公司迴避十年等級的計畫,結果幾乎沒有團隊敢嘗試強 AI 的曼哈頓計畫(Manhattan Project)。

那為什麼要參考大腦?Brown 的回答是飛機類比:萊特兄弟不需要鳥類生理學的細節,他們需要的是升力的原理。同樣地,Vicarious 要找的是大腦皮質的支配性原理。雪貂(ferret)實驗暗示這個賭注是對的:把視神經改接到聽覺皮質,雪貂照樣學會「看」——顯示視覺、聽覺、甚至語言背後,可能是同一套皮質演算法。

你不可能靠做出一個有羽毛、還會大便的東西而成功。

• 以流程為護城河:就像萊特兄弟從風箏、滑翔機到動力飛行的嚴謹實驗紀律,對手抄得走成品,抄不走能產出下一個成品的實驗流程。
• 網路效應:成為影像辨識界的 AWS——每多一個使用者,系統就更強,回饋迴圈也更難撼動。
• 脫離速度(escape velocity):持續創新讓領先複利累積;當對手還在抄 V1,你已把技術延伸到聽覺與語言,並帶著更多資料推出更強的 V1。
• 以人才為濾網:面試時問候選人「你在乎什麼」——真正認真想打造智慧機器的人會自己選進來。

6. 危險、歷史包袱與時機

談到存亡風險,Jonas 開玩笑說他比較擔心現金流轉正,而不是天網(Skynet)——雖然他打算幫小孩取名 John Connor。認真的立場是:智慧與意志(volition)是彼此正交的。一個只會就事實推理的神諭(oracle)是中性工具,恐懼它等於把「擁有智慧」和「擁有意志」混為一談。話雖如此,Brown 認為這項工作值得用「造炸彈或超級病毒」的敬畏心對待;McGrew 則指出,電腦遠不必到強 AI 就可能威脅公民自由——所以 Palantir 從一開始就與隱私律師和公民自由倡議者合作。

AI 真正的包袱是歷史:抗癌戰爭(War on Cancer)打了 40 年,離勝利卻可能更遠;MIT 早年一個惡名昭彰的暑期專案,以為幾個月就能解決 AI;1980 年代則堅稱 AI 近在眼前。反駁有兩層。第一,人類本身就是「通用智慧在物理上可行」的存在證明——不像超光速旅行,這裡沒有理論屏障。第二,當年領域裡最聰明的人也曾斷言比空氣重的飛行器不可能上天,直到萊特兄弟飛起來為止。

時機的錯誤殺死的是公司,不是想法。Project Xanadu 從 1963 年起就想把全世界的電腦連起來,直到 1992 年燒光資金;隔年 Netscape 問世,開啟了網際網路時代。Thiel 用哥倫布收尾:他說服快要叛變的船員再撐三天——結果登上了一塊他原本沒在找的大陸。

這大概讓北美洲成為史上最大的一次轉向(pivot)。

當年 vs. 現在(2026)

隨堂測驗

點選一個答案,即可揭曉解析。