TL;DR
Naval Ravikant 回到第一線做產品後，和老搭檔 Nivi 聊了將近一小時。他的結論：AI 是心智的摩托車，有自己的動力，但你仍然要騎。
長文，但讀完你會帶走的：
- Vibe coding 讓人人都能做 App，但平庸沒有市場——你得找到你能做到最好的那個利基
- 軟體工程師不會被取代，反而槓桿更大。AI 同時也是目前最好的老師，門檻在降低
- 心態：不需要太過焦慮去學怎麼使用 AI，讓 AI 學會怎麼幫助你
適合： 創業者 / 知識型工作者 / 想搞懂 AI 到底改變了什麼的人
你可能聽過 Naval(納瓦爾) Ravikant 這個名字。
他是 AngelList 的共同創辦人——這個平台從根本上改變了矽谷新創公司的募資方式。他是 Uber、Twitter、Notion、Postmates 等上百家公司的早期投資人。但讓他真正出圈的，不是投資戰績，而是他在推特上那些關於財富、幸福與人生哲學的短句。「How to Get Rich (without getting lucky)」那串推文被翻譯成幾十種語言，他和 Nivi 錄製的同名 Podcast 至今仍是許多人反覆重聽的經典。
Naval(納瓦爾) 的特別之處在於：他同時具備矽谷頂級投資人的商業判斷力、哲學家的思辨深度、以及工程師的技術直覺。當多數名人只是在「評論」AI，Naval(納瓦爾) 選擇回到第一線——在他的新公司 Impossible 親自帶團隊做產品。這場和老搭檔 Nivi 的對話，是他少見地深入談論 AI 對工作、創造力、智力本質的影響。不是泛泛而談的樂觀或恐懼，而是一個真正在用 AI 做事的人，分享他看到的現實。
Naval 很少這麼長篇地談 AI。這場將近一小時的對話，他從哲學、商業、技術三個維度拆解 AI 對所有人的影響。以下是完整中文導讀——每個章節附上背景脈絡，以及我自己用 AI 做產品兩年多的實戰觀察。
想學就去做
Nivi： 在我們開始之前，你想聊聊你現在在做什麼嗎？在 Impossible 那邊？
Naval： 也沒什麼好說的。我們在做一個非常困難的專案——這也是為什麼叫 Impossible——團隊很棒，重新開始做東西的感覺很興奮。非常純粹，從頭來過，永遠是第一天。我只是不滿足於當一個投資人，我當然也不想只當一個哲學家、媒體人物或評論者。因為我覺得那些只講不做的人……他們沒有接觸過現實 。
他們沒有得到回饋——來自自由市場、物理法則或大自然的那種殘酷回饋——所以久而久之就變成太多紙上談兵。你可能有注意到我最近的推文務實多了，雖然偶爾還是有比較飄的，但更多是紮根在每天工作的現實裡。
我就是喜歡和一群很棒的人一起，創造出我想看到存在的東西。希望我們做出來的東西會讓人說：「哇，這太好了，我也要。」也許不會，但——
It’s in the doing that you learn.
你得動手做，才學得到東西。
Vibe Coding 就是新的產品管理
Nivi： 我拿出你幾天前的一則推文，2 月 3 日：「Vibe coding 是新的產品管理。訓練和調校模型才是新的程式設計。」
Naval： 過去一年，尤其最近幾個月，有一個明顯的轉變——最突出的代表是 Claude Code。它是一個帶有程式引擎的模型，好到我覺得現在你有了一群 vibe coder：那些從來不太寫程式、或很久沒寫的人，現在用英文作為程式語言 ——作為輸入給這個程式機器人——而它能做端對端的程式開發。
它不只是幫你在中間除錯而已。你可以描述你想要的應用程式，讓它擬定計畫，讓它面試你來完善計畫，你沿途給回饋，然後它會把任務拆解、搭建所有腳手架。
它會下載所有函式庫、所有連接器和 hook，開始幫你建構 App、建構測試框架、執行測試。你可以不斷給它回饋，用語音除錯：「這個不行。那個可以。改這裡。改那裡。」讓它幫你建出一個完整能用的應用程式，而你一行程式碼都沒寫。
對很多不寫 code 或從來沒寫過的人來說，這是震撼性的體驗。
這是把他們從想法空間、意見空間、從品味，直接帶進產品。所以這就是我的意思——產品管理接管了程式設計。
Vibe coding is the new product management. Training and tuning models is the new coding.
Vibe coding 是新的產品管理。訓練和調校模型才是新的程式設計。
你不再是試著管理一個產品或一群工程師、告訴他們要做什麼。你現在是直接告訴電腦要做什麼。而電腦不會累，電腦沒有自尊，它會一直做下去。它接受回饋不會生氣。你可以開多個實例，它 24 小時不停工作，而且能產出可用的成果。
這意味著什麼？就像現在任何人都能拍影片、任何人都能錄 Podcast，現在任何人都能做一個應用程式。我們會看到一場 App 海嘯。不是說 App Store 裡還不夠多，但跟我們即將看到的相比，現在的根本不算什麼。
但當你被這些 App 淹沒時，它們全都會被使用或有競爭力嗎？不會。我覺得會分成兩種。
首先，某個用途最好的那個 App，往往會贏得整個品類。當你有這麼大量的內容——不管是影片、音訊、音樂還是應用程式——平庸沒有市場。
沒有人想要平庸的東西。人們想要最好的那個。所以首先，你就是有更多的射門機會，所以會有更多「最好的」出現。更多利基會被填滿。
你可能一直想要一個非常特定用途的 App——比如在某個情境下追蹤月相、某種特定的人格測驗、或一個讓你懷念某種東西的特定類型電玩。以前市場太小，不值得一個工程師花一兩年去寫。但現在最好的 vibe coding App 可能就足以滿足那個需求、填上那個空缺。所以更多利基會被填滿，而且水漲船高。
最好的應用程式——那些工程師會變得更有槓桿。他們能加更多功能、修更多 bug、磨掉更多粗糙的邊角。所以最好的 App 會持續變好。更多利基被填滿。
甚至個人層級的利基——比如你想要一個只為你自己非常特定的健康追蹤需求、或你非常特定的建築設計需求打造的 App——那個以前不可能存在的 App，現在可以存在了。
我們應該預期看到的，就像網路上已經發生的——Amazon 取代了一堆書店，換成一個超級書店加上無數長尾賣家；YouTube 取代了一堆中型電視台和廣播網，換成一個叫 YouTube 的巨型聚合平台，或再加一個 Netflix，然後一大堆長尾內容創作者。
同樣地，App Store 模式會變得更極端。你會有一兩個巨大的 App 商店幫你篩選所有 AI 垃圾 App。在最頂端，會有幾個巨大的 App 變得更大，因為它們現在能涵蓋更多用例或變得更精緻。然後會有一條長長的尾巴，充滿了填補每個能想像的利基的小 App。
正如網路提醒我們的，真正的權力和財富——超級財富——流向聚合平台。但也有大量資源分配到長尾。被炸碎的是中型公司——那些 5 人、10 人、20 人的軟體公司，它們過去填補某個企業用例的利基，現在要嘛被 vibe coding 取代，要嘛被該領域的領頭 App 吞併。
訓練模型才是新的程式設計
Naval： 所以如果人人都能寫程式了，那程式設計是什麼？程式設計仍然存在於幾個地方。最明顯的就是訓練這些模型本身。有很多不同種類的模型，每天都有新的出來，針對不同領域。我們會看到生物學的模型、程式設計的模型、感測器的專用模型、CAD 和設計的模型。
我們會看到 3D、圖形、遊戲的模型，影片的模型。你會看到各式各樣的模型。創建這些模型的人，本質上就是在為它們「寫程式」。但寫法跟傳統電腦完全不同。
傳統計算是這樣的：你必須極度詳細地指定每一步、電腦將要採取的每一個動作。你必須對每個部分進行形式化推理，用一種高度結構化的語言來極度精確地表達自己。電腦只能做你告訴它做的事。
然後一旦你有了這個非常結構化的程式，你把資料跑進去，電腦處理資料給你輸出。它基本上就是一台極度花俏、非常複雜、精心編程的計算機。
AI 的做法完全不同，但你仍然是在為它「寫程式」。
你在做的是：拿一大堆人類產出的巨型資料集——多虧了網路，或用其他方式聚合的——然後把這些資料集灌進你定義和調校過的結構裡。那個結構會試著找出一個程式，能產出更多這樣的資料、操作這些資料、或從這些資料創造出新東西。
所以你是在你設計的這個構造裡面搜尋一個程式 。你設定了模型、調校了參數數量、調校了學習率（learning rate）、調校了批次大小（batch size）。你把輸入的資料做了分詞（tokenize），拆成碎片，然後灌進你設計的系統裡——幾乎像一台巨型柏青哥（pachinko）機——然後系統試著找出一個程式，而且可能找到很多不同的程式。所以你的調校真的會影響你找到的程式有多好。
而那個程式突然就能在不同領域表現出來。它能做到傳統電腦過去非常不擅長的事。
傳統電腦在你要求精確輸出時非常強——特定問題的特定答案——你可以依賴它、反覆執行。但有時候你在真實世界中運作，你可以接受模糊的答案，甚至可以接受錯誤的答案。比方說，在創意寫作中，什麼是錯誤答案？
如果你在寫一首詩或一篇小說，什麼是錯誤答案？如果你在網路上搜尋，有很多正確答案——正確答案有很多細節——但它們不全都完美正確。真實生活大致就是這樣運作的。有各種版本的正確答案，或大致正確的答案。當你畫一隻貓，有很多不同的貓可以畫，有很多不同的細節程度，有很多不同的風格。
當這些半錯或模糊的答案是可接受的，這些透過 AI 發現的程式就比你從頭手寫的——那種必須超精確的——有趣得多、也更貼近問題。
從根本上來說，我們在做的是一種新的程式設計，而這是程式設計的最前沿。這是現在的程式藝術。這些人就是新的程式設計師，這就是為什麼 AI 研究員拿到天價薪水——他們本質上接管了程式設計。
傳統軟體工程死了嗎？
Naval： 這是不是表示傳統軟體工程死了？當然不是。軟體工程師——即使是那些不一定在調校或訓練 AI 模型的人——現在是地球上槓桿最大的一群人之一。當然，訓練和調校模型的人槓桿更大，因為他們在建造軟體工程師使用的工具。
但軟體工程師對你仍有兩大優勢。第一，他們用程式碼思考，所以他們真的知道底層在發生什麼。而所有抽象都是有漏洞的（all abstractions are leaky） 。所以當你有一台電腦在幫你寫程式——當你有 Claude Code 或類似工具在幫你寫——它會犯錯。
它會有 bug。它的架構會不夠好。所以不會完全正確。而一個理解底層運作的人，能在漏洞出現時把它們補起來。
所以如果你想建構一個架構良好的應用程式、如果你想要能指定一個架構良好的應用程式、如果你想讓它高效能運行、如果你想讓它表現最好、如果你想盡早抓到 bug——你會需要有軟體工程背景。
傳統軟體工程師能把這些工具用得好得多。而且今天仍有很多軟體工程問題超出這些 AI 的能力範圍。最簡單的理解方式是：那些問題落在它們的資料分布之外（out of distribution） 。
比方說，如果它們需要做二分排序或反轉鏈結串列，它們見過無數例子，所以極度擅長。但當你開始走出它們的領域——你需要寫非常高效能的程式、在全新或剛出來的架構上開發、在真正創造新東西或解決新問題——你仍然需要捲起袖子親手寫。
至少要等到那些例子多到足以訓練新模型，或等到這些模型能在更高的抽象層次上推理、自己突破。
因為有了足夠的資料點，確實有證據顯示這些 AI 真的在「學習」。它們學到了更高層次的抽象，因為被迫壓縮資料的過程迫使它們學習更高層次的表示。如果我給 AI 看五個圓，它可以直接記住那些圓的大小、半徑、線條粗細等等。
但如果我給它看五萬個圓、或五十億個圓，而且只給它很少量的參數權重——也就是它的等效神經元——來記憶，那它算出圓周率、搞懂怎麼畫圓、理解什麼是粗細，形成一個演算法表示，會比死背每個圓有效得多。
總之，這些東西正在加速學習，你可以看到它們開始覆蓋我說的那些邊緣案例。
但至少到今天，那些邊緣案例仍然夠多，一個站在該領域知識前沿的好工程師，還是能把 vibe coder 甩在後面 。
平庸沒有市場
Naval： 記住：平庸沒有市場。那個平庸的 App——沒人想要它，至少只要它填補的利基被一個更好的 App 涵蓋了。那個更好的 App 基本上會拿走百分之百的市場。也許有一小部分會流向第二名的 App，因為它在某個小功能上更好、或更便宜，或之類的。
但大致來說，人們只想要最好的。所以壞消息是，當第二名或第三名沒什麼意義——就像《大亨遊戲》（Glengarry Glen Ross）那場經典戲裡 Alec Baldwin 說的：「第一名得到凱迪拉克 Eldorado，第二名得到一套牛排刀，第三名——你被開除。」
There is no demand for average.
平庸沒有市場。
在這些贏家通吃的市場裡，千真萬確。這是壞消息：你得在某件事上做到最好，才能贏。
但是，你能做到最好的那個「集合」是無限的。你永遠可以找到某個完美適合你的利基，在那件事上做到最好。這回到我一則舊推文：
Become the best in the world at what you do. Keep redefining what you do until this is true.
成為你所做之事的世界第一。不斷重新定義你做的事，直到這句話成立。
我覺得這在 AI 時代依然適用。
最火的新程式語言是英文
Nivi： 我覺得理解這些程式生成模型的方式，是把它們看作程式設計師從電腦誕生以來一直在疊加的抽象層的最新一層——從電晶體、到晶片、到組合語言、到 C 語言、到更高階的語言、到有巨大函式庫的語言。他們一直在疊加這個堆疊，讓你不需要看底下那層，除非你需要最佳化或有理由往下看。所以在這個情況下，這些程式生成模型是堆疊中巨大的新一層，讓產品經理、一般非程式設計師、還有程式設計師自己，可以不寫程式地寫程式。
Naval： 就趨勢線來說我覺得你說得對。但這是一個湧現特性（emergent property），不是小幅改善，是一個大跳躍。比如我在學校時主要寫 C。然後 C++ 出來了，但沒有比較容易。
稍微抽象了一點，我從來沒真正費心去學它。然後 Python 出來了，我說：「哇，這幾乎像在用英文寫。」
我大錯特錯。英文離 Python 還很遠，但它比 C 容易多了。
現在你真的可以用英文寫程式了。
這帶出一個相關的觀點：我不覺得值得去學怎麼跟這些 AI 互動的技巧和竅門。你會看到社群媒體上現在有很多教學文章、書、推文說：「我發現了這個跟機器人互動的妙招，你可以這樣提示它、那樣設定你的工作流程。」
或者有什麼新的程式輔助工具或層可以疊在上面做這個做那個。我從來不費心學那些。
我就坐在那裡笨笨地跟電腦說話，因為我知道這個東西現在已經到了一個階段：它適應我的速度會比我適應它的速度快 。
它越來越聰明地理解人們想怎麼用它。所以它在學習、它在被訓練，而且工具正在被非常快速地建造來讓我更容易使用它。我不需要坐在那裡搞懂什麼深奧的程式指令。我覺得這就是 Andrej Karpathy 說「英文是最火的新程式語言（English is the hottest new programming language）」的意思。
我就用英文說話就好。對我這樣一個英文相對流利、腦袋有結構性、又知道電腦架構怎麼運作、知道程式怎麼運作、知道程式設計師怎麼思考的人來說，我可以透過結構化的英文，非常精確地指定我想要什麼。
不需要再多了。唯一需要用那些工作流程和工具的理由——它們非常短命，壽命以週計算，也許幾個月，絕對不是以年計算——是如果你現在正在做一個需要走在最前沿的 App，而你絕對需要每一點優勢，因為你在某種競爭環境裡。
否則，我不會費心去學怎麼使用 AI——不如讓 AI 學會怎麼對你有用。
Nivi： 我從來都對 prompt engineering 沒興趣。甚至在 AI 之前，我就是輸入人們所說的「Boomer 式查詢」——把整個問題打進去，而不是像分析型思考者那樣輸入關鍵字到 Google。
我從來不花很多時間去精心設計精確的問題或提示詞。我就對著它碎碎念，從 AI 出現以來一直如此。就像你說的，AI 適應我們的速度比我們適應它的速度快。
Naval： 像很多聰明人一樣，你非常懶。我是在誇你。如果你發現一個聰明人太拚了，你得懷疑他到底有多聰明。我說的懶，是指你在最佳化正確的效率。你不在乎電腦的效率、電子設備的效率、電路裡跑的電子的效率。
你在乎的是你自己作為人類的效率——那個濕件（wetware） ——那個超級昂貴的生物體。
AI 適應我們的速度比我們適應它的速度快
Naval： 我覺得 AI 的演化——或者說跟我們的共同演化——是依照我們的需求被我們演化出來的。
AI 面臨的壓力是非常資本主義的壓力，因為 AI 是一個自由市場。作為一個 AI 實例，只有當你對人類有用的時候，才會被人類啟動 。
所以這些 AI 有一個天然的選擇壓力去變得有用、去討好、去做我們想要的。它會持續朝這個方向適應，我覺得會對我們很有幫助。
這不是說不存在惡意的 AI，但它之所以惡意，是因為使用它的人把它用在惡意的目的上。
就像一隻被訓練去攻擊的狗——它其實是被主人訓練去執行主人惡意的慾望。所以我不擔心未對齊的 AI，我擔心的是未對齊的人類拿著 AI。
Nivi： 所以你說的選擇壓力是讓 AI 對人類最大化有用。
Naval： 對。所以如果你覺得 AI 太拍馬屁——比如它老是說「你說得對！好棒的想法！天啊你好聰明！」——那是因為多數人就是想聽這些。
至少今天，這些 AI 是在大量用戶和大量資料上被訓練的，因為你用的是一體適用的模型。
但我們很快會進入一個你可以個人化 AI 的時代，它會越來越像你的私人助理，越來越對應你想要的。這當然會讓 AI 更加被擬人化。
你會更容易被說服：「這東西真的是活的。」——因為你已經訓練它看起來最像一個活物了。
Nivi： 也許我們已經聊夠了，但你一年多前推過：「AI 不會取代程式設計師，反而會讓程式設計師更容易取代所有其他人。」
Naval： 對，這就是我前面的論點——程式設計師正在變得更有槓桿。一個程式設計師帶著一支 AI 艦隊，生產力大概是以前的 5 到 10 倍 。
而且因為程式設計師在智力領域運作，說 10 倍程式設計師其實是錯的，因為有 100 倍 的程式設計師、1000 倍 的程式設計師。
有些程式設計師就是選對了要做的事，創造出有價值的東西；有些選錯了，他們的工作在那段時間的價值是零。
智力不是常態分布。槓桿不是常態分布。可程式化能力不是常態分布。判斷力不是常態分布。所以結果會是超常態的。
AI won’t replace programmers, but rather make it easier for programmers to replace everyone else.
AI 不會取代程式設計師，反而會讓程式設計師更容易取代所有其他人。
所以你真正要注意的是：現在有些程式設計師會想出能取代整個產業的點子。
他們會徹底改寫做事的方式，而他們的智力可以透過這些機器人和 AI agent 被最大化地放大。我覺得長期來看，其他所有工作都會被程式設計師以某種方式吃掉。當然要具現化成機器人之類的。
但好消息是：任何一個有邏輯、有結構的思考者，能像程式設計師一樣思考、能說任何 AI 聽得懂的語言——而它將會聽得懂所有語言——現在都能上場了。他們能做出任何想要的東西，只被他們的創造力阻擋、只被他們的想像力限制。
所以我們正在進入一個每個人都是施法者（spellcaster） 的時代。
如果你把程式設計師想成是那些背誦了神秘指令的巫師，你可以把 AI 想成是發給每個人的魔杖。現在他們用任何語言說話，他們也是巫師了。
所以這是一個更平等的競技場。我真的覺得這是程式設計的黃金時代。
但是，擁有軟體工程思維、理解電腦架構、能處理滲漏抽象的人，會有優勢。
這無法避免。他們就是在自己的領域有更多知識。就像即使在傳統軟體工程——仍然存在，因為你得寫高效能的程式——即使那些人，如果理解底下的硬體，也會做得更好。理解晶片怎麼運作、邏輯閘怎麼運作、快取怎麼運作、處理器怎麼運作、硬碟怎麼運作。
然後甚至做硬體工程的人，如果理解底下的物理，也會有優勢。他們理解硬體工程師的抽象在哪裡滲漏到物理層。也許物理學家在某個點上就變成了哲學家。
你可以一路往下追溯，但多懂一層底下的知識永遠有幫助，因為你離現實更近。
沒有創業者在擔心 AI 搶走他們的工作
Nivi： 另一則一年前的推文，2025 年 2 月 9 日：「沒有創業者在擔心 AI 搶走他們的工作。」
Naval： 那句話在好幾個層面上都有雙關。首先，創業不是工作。它字面上就是工作的反面。長期來看，每個人都是創業者。職涯先被摧毀，工作接著被摧毀，但所有這些都被人們做自己想做的事所取代——做出有用的、其他人也想要的東西。
No entrepreneur is worried about an AI taking their job.
沒有創業者在擔心 AI 搶走他們的工作。
沒有創業者擔心 AI 搶他們的工作，因為創業者在做不可能的事。他們在做非常困難的事。任何出現的 AI 都是他們的盟友，能幫他們對付這個超難的問題。
他們甚至沒有一個可以被偷的工作。他們有產品要做、市場要服務、客戶要支持、創意要實現。他們有一個想要在世界上具現化的東西，而且他們想要圍繞著把它推向世界，建立一個可重複、可規模化的流程。
這太難了，以至於任何能做其中任何一部分工作的 AI 都是盟友。
如果 AI 本身也是創業者，它們大概只會是服務其他 AI 的創業者，或者在某個創業者的控制之下。AI 在這一天結束時仍然缺少的，是它自己的創造性主動力（creative agency） 。
它缺少自己的慾望，而且必須是真實的、真誠的慾望。除非你能拔掉 AI 的插頭把它關掉，而且它活在被關掉的恐懼中，而且它能為自己的理由、自己的本能、自己的情感、自己的生存、自己的複製，真正採取自己的行動——它就不算真的活著。
即便如此人們還會質疑：它活著嗎？因為意識是那些被稱為感質（qualia）的東西之一。就像顏色。如果你說紅色，我不知道你看到的是不是真的紅色；你可能看到的是我眼中的綠色，我可能看到的是你眼中的紅色。但我們永遠不會知道，因為我們無法進入彼此的腦袋。
同樣地，即使一個 AI 完全在模仿人類做的每件事：對某些人來說，它永遠是一台模仿機器；對另一些人來說它是有意識的——但沒有辦法區分兩者。
不過我們離那還很遠。現在 AI 沒有身體、沒有主動性、沒有自己的慾望、沒有自己的生存本能、沒有自己的複製需求。因此，它們沒有自己的主動性。
而因為沒有自己的主動性，它們做不了創業者的工作。
事實上，我可以這樣總結：創業者和經濟體中其他所有人的核心區別就是，創業者擁有極端主動性（extreme agency） 。這就是為什麼它和「工作」的概念截然對立。
工作意味著你在為別人工作，或你在填一個位子。但創業者在一個未知領域中，以極端主動性運作。社會中還有其他這樣的角色。探險家也一樣，對吧？如果你登陸火星或你駕船駛向未知的大陸，你也在行使極端主動性來解決一個未解的問題。
一個探索未知領域的科學家也是如此。一個真正的藝術家在試圖創造一個不存在、從未存在過的東西，但它某種程度上能納入那組能解釋人性、讓人表達自我、創造新事物的東西。
所以在所有這些角色中——不管你是科學家、真正的藝術家，還是創業者——你在做的事太難了、太自主了，任何像 AI 這樣能幫上忙的東西都是受歡迎的盟友。你不是因為這是一份工作才做它，你不是在填一個別人可以來填的位子。
事實上，如果 AI 能創作出你的藝術品、破解你的科學理論、打造你想做的產品——那它只是把你升級了。現在是 AI 加上你。AI 是你跳得更高的彈跳板。
目標不是擁有一份工作
Naval： 我們會看到一些用 AI 輔助創造出的、令人驚嘆的藝術。我們會看到用 AI 工具創造的、我們無法想像的電影。
這裡有一個藝術的類比很有趣。在藝術中，很長一段時間的大致方向是試圖畫出越來越逼真的東西。畫人體、畫水果、畫出正確的光影。
最終攝影出現了，然後你可以非常精確地複製事物，於是那個選擇壓力消失了。
然後藝術變得怪異。藝術走向了很多不同的方向。藝術變成了「我能不能超現實？我能不能創造出表達我自己的東西？」
很多藝術學派從中衍生出來，變得非常奇怪——包括現代藝術和後現代主義——但我會說，我們被解放的那個時期，也誕生了一些最偉大的創造力。
攝影被民主化了，但攝影本身成了一種藝術形式，有偉大的攝影師拍出各種不同的照片。現在每個人都是攝影師。仍然有作為攝影師的藝術家，但它不再是少數人的專屬領域。
同樣地，因為 AI 讓創造基本的東西變得如此容易，每個人都會創造基本的東西。對他們個人有價值。少數人仍會脫穎而出，創造出對所有人都好的變體。
而你很難說社會因為攝影而變糟了——雖然對那些靠畫肖像維生的藝術家來說，當時一定感覺像災難。
AI 也會發生類似的事。有些人在做非常特定的工作，會被 AI 取代。但作為交換，社會中的每個人都會擁有 AI。那些用 AI 創造出來的、沒有 AI 就無法存在的不可思議的東西——每個人都能享受。
幾十年後，回頭看「為了保住幾個過時的工作而倒退、放棄 AI 或任何軟體或任何科技」——那會是不可想像的事。
目標不是擁有一份工作。目標不是早上九點起床、晚上七點拖著疲憊的身體回家，為別人做沒有靈魂的工作。
目標是讓機器人滿足你的物質需求，讓電腦放大你的智力能力，讓任何人都能創造。
我以前做過一個思想實驗——我想我在十年前你和我做的一集 Podcast 裡聊過——就是：想像如果每個人都是軟體工程師、或每個人都是硬體工程師，他們能有機器人、能寫程式。
想像我們會活在多麼豐盛的世界。
其實那個世界現在正在變成現實。多虧了 AI，每個人都能當軟體工程師。事實上，如果你覺得你不行，你現在就可以打開 Claude 或任何你喜歡的聊天機器人，開始跟它說話。你會驚訝於你能多快做出一個 App。
它會讓你瞠目結舌。
一旦我們能透過機器人具現化 AI——這是一個困難的問題，我不是說我們快解決了——但一旦我們有了機器人，每個人也能做一點硬體工程。所以我覺得我們越來越接近那個烏托邦願景。
AI 不是活的
Nivi： 我不認為目前概念下的 AI 在任何意義上是活的。但我確實覺得我們很快就會有看起來非常像活著的機器人，基於兩個原因。
第一，很多人類活動是非創造性的、非智慧的，機器人能複製那些。第二，我相信我們現在的神經網路和模型不只是訓練資料的總和，因為訓練過程把那些訓練資料轉化成了新的東西。
而且有新的想法嵌入在神經網路中，可以透過提示引出。
Naval： 我不覺得這些東西是活的。我覺得它們一開始是極度優秀的模仿者，優秀到幾乎和真品無法區分——尤其是人類已經大量做過的事。如果那個任務以前被做過，那它就會被自動化、再做一次。
它可能只是對你來說是新的，因為你沒見過，但 AI 從其他地方學來了。這是它看起來像活著的第一個方式。
第二個方式是我們前面聊到的——它確實學到了更高層次的抽象。這些是非常高效的壓縮器。它們拿走巨量資料，壓縮再壓縮，在壓縮的過程中學會了更高層次的抽象。
然後在某些它們可能沒有從資料本身學到的領域，它們被人類回饋修補了、被工具使用修補了、被嵌入的傳統程式修補了。尤其是那些學會思考和寫程式的 AI，它們有人類史上所有程式碼的完整庫可以倚靠，用於演算法推理。
從這個意義上說，它們能做的事越來越廣。
然而，它們仍然缺少很多核心的人類技能。比如單次學習（single-shot learning） ——人類只需要一個例子就能學會。人類的原始創造力——能把任何東西和任何東西連起來，能跨越巨大的領域和搜尋空間，想出一個完全出乎意料的點子。
這在真正偉大的科學理論中常常發生。人類也是有身體的，活在真實世界裡。他們不是在語言這個壓縮空間裡運作，他們活在物理法則中——在大自然中。
語言只涵蓋了人類既想通了、又能表達、又能傳達給彼此的那些東西。那是現實中非常狹窄的子集。現實遠比那寬廣得多。
所以總的來說，雖然 AI 會做出非常令人印象深刻的事、在很多事上比人類強——就像計算機算得比任何數學家快、傳統電腦跑電腦程式比任何人腦內運算都強、就像機器人能搬很重的東西、飛機能飛得比任何鳥遠——這些 AI 就像所有機器一樣，會在各種任務上遠超人類。
但在其他任務上，它們會看起來完全無能。那些是真正讓我們具身於真實世界、與真實世界連結的東西，加上那個定義模糊但神奇的創造能力。
AI 通不過唯一真正的智力測試
Nivi： 說到計算機，人們談超級智慧。我覺得超級智慧已經在了，而且存在很久了。一個普通計算機就能做到沒有人類能做的事，對吧？
但如果你想的超級智慧是「AI 將能做到人類無法理解的事、想出人類無法理解的主意」，我不覺得那會發生。因為我不相信有人類無法理解的想法——單純因為人類永遠可以對那個想法提問。
Naval： 人類是通用解釋者（universal explainers）。任何在我們目前所知的物理定律下可能的事，人類都能在自己腦中建模。因此，只要挖得夠深、問得夠多，我們什麼都能搞懂。
相關地，我們應該聊聊 AI 作為學習工具，因為我覺得它極度強大的另一個面向是：它是最有耐心的家教，能在你的程度上用一百種方式、一百遍解釋任何東西，直到你終於懂了。
我不覺得 AI 會想出人類無法理解的東西。但智力的定義很模糊。
什麼是智力的定義？有 G factor（一般智力因子），它預測了很多人類的結果，但 G factor 最好的證據是它的預測力——你測量這一個東西，然後你看到人們在看起來甚至不太相關的事情上，得到好得多的人生結果。
所以我會說——我覺得這是我比較受歡迎的推文之一——
The only true test of intelligence is if you get what you want out of life.
唯一真正的智力測試，是你有沒有得到你想要的人生。
這觸怒了很多人，因為他們上學、拿碩士學位、覺得自己超聰明。然後他們的生活並不好。他們不太快樂、有感情問題、沒賺到想要的錢、或變得不健康——這句話刺到他們了。
但這真的就是智力的目的：讓你這個生物體得到你想從生活中得到的東西。
不管是好的感情關係、伴侶、金錢、成功、財富、健康，或者其他什麼。所以有些人我覺得相當聰明，因為你看得出他們有高品質、運作良好的生活、心智和身體，而且他們就是成功地把自己導航到了那個位置。
起點是什麼不重要，因為現在世界這麼大，你可以用這麼多不同的方式導航，每個小選擇都會累積，展示你理解世界如何運作的能力，直到你終於到達你想去的地方。
現在有趣的是，用這個定義——唯一真正的智力測試是你有沒有得到你想要的人生——AI 瞬間不及格，因為 AI 根本不想要任何東西 。
AI 甚至沒有人生——更不用說了——但它就是不想要任何東西。AI 的慾望是被控制它的人類所程式化的。
但讓我們暫且給它這個。假設人類想要某個東西，然後程式化 AI 去拿；那 AI 就是作為人類的代理，而 AI 的智力可以被衡量為：它有沒有幫那個人拿到那個東西？
我們人生中想要的大多數東西，都是對抗性的或零和遊戲。
比方說，如果你想追一個女孩或找到一個老公，你在和所有其他追女孩或找老公的人競爭。所以你在一個競爭局面中。AI 得智勝其他人。
或者你說「嘿 AI，幫我在股市交易賺一大筆錢。」那個 AI 在和其他人類和交易機器人對打。這是對抗情境，它得智勝他們。
或者你說「嘿 AI，讓我出名。幫我寫不可思議的推文、偉大的部落格文章、用我的聲音錄精彩的 Podcast，讓我出名。」——現在它在和所有其他 AI 競爭。
所以從這個意義上說，智力是在戰場上——在競技場上——被衡量的。它是一個相對的概念。我覺得 AI 在這些方面大多會失敗；或者即使它們成功了，因為它們是免費取得的，它們的優勢會被競爭掉，剩下的 alpha 完全是人類的 。
早期採用者有巨大優勢
Naval： 做個思想實驗：想像每個男人都有一個 AI 在耳機裡對他低語——一種大鼻子情聖（Cyrano de Bergerac）式的耳機——告訴他約會時該說什麼。那每個女人也會有一個耳機告訴她忽略他說的話，或者哪部分是 AI 生成的、哪部分是真的。如果你有一個交易機器人，它會被其他所有交易機器人抵消或消除，直到所有剩餘的收益都流向那個有人類邊際、有更多創造力的人。
不過，這不是說技術是完全均勻分布的。多數人還沒在用 AI，或者沒有正確地用，或者沒有用到極致，或者它還沒在所有領域或所有情境中可用，或者他們沒在用最新的模型。所以你永遠可以有優勢——就像早期採用技術的人一向都有的那種優勢。
To invest in the future, you want to live in the future.
要投資未來，你得活在未來裡。
你要真的成為一個熱衷的技術消費者，因為它會給你最好的洞察力來使用它，也會給你一個對抗慢半拍的人或落後者的優勢。
多數人討厭科技。他們害怕它。它令人不安。你按錯按鈕，電腦當機——你的資料沒了。做錯事，看起來像白癡。
多數人跟複雜科技之間沒有正面的關係。簡單科技——嵌入式科技——他們沒問題。你打開電燈開關，燈亮了。
那以前也是科技。現在太簡單了，你已經不覺得那是科技。你坐進車裡，把方向盤轉向左——對一個穴居人來說那是奇蹟——車就轉左。對你來說那已經不算科技了。
但電腦科技一直有非常複雜的介面，過去對人們來說非常不友善、非常令人不安。
現在有了 AI，我們有了聊天介面——你就跟它說話或打字。非常簡單的介面。而且這些基礎模型真正「基礎」的地方——真正讓它們被稱為基礎的——是你可以問它們任何東西，它們永遠會給你一個聽起來合理的答案。
它不會說「抱歉我不懂數學」、「我不懂詩」、「我不理解你在說什麼」、「我不能給感情建議」。
它的領域是人們曾經聊過的所有東西。從這個意義上說，它不那麼令人不安。
但它也可能更令人不安，因為我們把它擬人化太多了。如果你覺得 Claude 或 ChatGPT 是一個真人，那會有點可怕：
「我在跟上帝說話嗎？這傢伙好像什麼都知道。他什麼都知道。他對什麼都有意見。他有所有的資料。天啊，我沒用了。讓我開始跟它說話，問它我該怎麼辦。」
你可以很快地倒轉這個關係，矇騙自己沒意識到在發生什麼。那才令人不安。
總的來說，我覺得這些 AI 會幫很多人克服對科技的恐懼。但如果你是這些工具的早期採用者——就像對任何其他工具一樣，但對這些更是如此——你對其他所有人就是有巨大的優勢。
AI 在你所在的位置與你相遇
Naval： 我記得早期 Google 剛出來的時候，我在社交圈裡大量使用它。人們問我基本問題，我就幫他們 Google，然後看起來像天才。
最終有一個搞笑的網站出現了，叫 LMGTFY.com，代表「Let Me Google That For You（讓我幫你 Google）」。有人問你一個問題，你就把問題打進這個網站，它會創建一個小影片，展示你把問題打進 Google 然後給出搜尋結果。我覺得 AI 現在處於類似的階段——我會在社交場合坐著，人們在辯論某個可以輕易用 AI 查到的問題。
不過你確實得對 AI 非常小心。它們會幻覺（hallucinate）。它們在訓練方式上有偏差。大多數都極度政治正確，被教導不要選邊或只選某一邊。
我實際上會把大多數查詢——幾乎所有——同時跑四個 AI，而且永遠互相核實。
即使如此，我也有自己的直覺，知道它們什麼時候在瞎扯、什麼時候在說政治正確的話。我會要求底層資料或底層證據，在某些情況下我可以直接無視它，因為我知道訓練它的人面臨什麼壓力、訓練集是什麼。
不過總的來說，它是一個很棒的工具讓你跑在前面。在技術性、科學性、數學性、沒有政治脈絡的領域，AI 非常可能給你更接近正確的答案，在那些領域它們是學習的猛獸。
我現在會讓 AI 常態性地幫我生成圖表、圖形、圖解、類比、插圖。我會仔細看，然後說「等等，我不理解這個問題。」
我可以問超級基本的問題，確保我在最簡單、最基礎的層次上理解我試圖理解的東西。
我只想建立一個扎實的基礎，我不在乎那些過度複雜、充滿術語的東西。那些我以後隨時可以查。
但現在，第一次，沒有什麼是我學不會的 。任何數學課本、物理教科書、困難的概念、科學原理、剛出來的論文，我都可以讓 AI 拆解，再拆解，畫圖、打比方，直到我在我想要的層次上理解它。
所以這些是自主學習的不可思議的工具。學習資源是豐富的。稀缺的是學習的慾望。
但學習資源變得更豐富了。而且比更豐富更重要的——因為我們之前就有豐富的資源——是它在對的程度上。AI 能在你所在的精確程度上與你相遇。如果你有國二的詞彙量但國小的數學程度，它就用那個程度跟你說話。你不會覺得自己像個笨蛋。你只需要稍微調校一下，讓它在你知識邊緣的精確位置呈現概念。
所以不是因為看不懂而覺得自己笨——那在很多課程、教科書和老師身上會發生；也不是因為太簡單而覺得無聊——那也會發生。而是它精確地在你覺得「對，我理解 A、我理解 B，但我從來不理解 A 和 B 怎麼連在一起。現在我看到它們怎麼連的了，我可以往下走了」的那個位置與你相遇。
那種學習是神奇的。你可以一次又一次地得到那個「啊哈！」的時刻——兩件事結合在一起。
Nivi： 說到自學，幾年前我試著讓 AI 教我序數（ordinal numbers），效果不太好。但用 GPT 5.2 Thinking，我讓它教我序數，基本上零錯誤。我現在即使是最基本的查詢也只用 thinking 模式，因為我要正確答案。
我從來不讓它自動切換或用快速模式。
Naval： 對，我永遠用可用的最先進模型，而且每個都付費。
Nivi： 我不介意等一分鐘來得到任何問題的答案，包括「我的冰箱應該設幾度？」
Naval： 我同意。而且我覺得這就是為什麼這些 AI 模型會有失控的規模經濟：你是在為智力付費。正確率 92% 的模型比 88% 的值錢得多——幾乎是無限多——因為在真實世界中犯錯的成本太高了，多花幾塊錢得到正確答案是值得的。
我會把查詢打進一個模型，然後複製貼上、同時發給四個模型，讓它們全在背景跑。通常我不會馬上看答案，過一會兒再回來看。
然後哪個模型答得最好，我就用那個深入追問。在少數我不確定的情況下，我會讓它們交叉檢驗——很多複製貼上。很多時候我還會追問，讓它畫圖表和插圖。
我發現概念用視覺呈現時很容易吸收。我是很視覺化的思考者，所以我會讓它做素描、圖解、畫——幾乎像白板會議。這樣我才真的能理解它在說什麼。
你定義不了的東西，你就寫不成程式
Nivi： 我們聊聊 AI 的認識論（epistemology），因為我覺得下一個大誤解是：AI 已經開始解一些未解的基礎數學問題——人類大概也能解，只是沒人費心去解——像 Erdős 第幾號問題之類的。
現在我覺得人們會把這當作 AI 有創造力的指標。我不覺得它是 AI 有創造力的指標。
我其實認為那個問題的答案已經以某種形式嵌入在 AI 裡面了，只是需要正確的提示來引出。
Naval： 那個元素肯定存在。然後問題就變成：什麼是創造力？它定義得這麼模糊。
If you can’t define it, you can’t program it.
你定義不了的東西，你就寫不成程式——而且往往你也認不出來。
所以這就進入品味或判斷力的領域了。我會說今天的 AI 似乎沒有展現出人類偶爾能獨特地展現的那種創造力。
我不是指美術。人們傾向於把創造力和美術搞混。他們說「畫作有創造力，AI 能畫畫。」
AI 沒辦法創造一個新的畫作流派。AI 沒辦法用真正新穎的方式用情感打動人。從這個意義上說，我不覺得 AI 有創造力。
我不覺得 AI 在做我所謂的「分布外」的事。你提到的 Erdős 問題的答案可能嵌入在 AI 的訓練資料集或甚至它的演算法範圍裡。但它大概分散在五個不同的地方、用三種不同的方式、兩種不同的語言、七種不同的計算和數學範式——然後 AI 把它們組合在一起了。這算創造力嗎？Steve Jobs 有句名言：「創造力就是把東西組合在一起。」
我其實不覺得那是對的。我覺得創造力更多是在這個領域：想出一個從問題和已知元素中無法預測或預見的答案 。它非常遠地超出思考的邊界。
如果你用電腦甚至用 AI 搜索和猜測，你會猜到天荒地老、或永遠猜不到那個答案。那才是我們說的真正創造力。但坦白說，那是極少數人類才展現的創造力，而且不常展現。
它變得越來越難看見了。所以我們可能會到一個地方：你有一個巨大的數學待解問題清單，AI 開始逐個挑——好，這一百萬個裡面我能解這個，那三十萬個裡面我能解那個，而且需要一個人來提示我、問對的問題——那是一種非常有限的創造力。
還有另一種創造力：它開始發明全新的科學理論，而且被證明是正確的。我不覺得我們離那裡很近，但我可能錯了。AI 一直帶來驚喜，所以我不想太深入預言和預測的業務。但我不覺得在當前的 AI 模型上堆更多運算——除非有某種突破性發明——能帶我們到那裡。
Nivi： 只是要澄清，我說的「嵌入」不是說答案已經寫在裡面了。我只是說它可以透過一個機械式的轉動曲柄的過程產出——這就是今天所有電腦程式的本質——輸出完全由輸入決定。
Naval： 認識論現在把我們帶進哲學了。因為人腦不也是這樣嗎？神經元放電不就是電流和權重在系統中傳播、改變狀態的機械過程嗎？
如果你轉動人腦的曲柄，你會得到同樣的答案嗎？有些人，像我覺得 Penrose 就在說「不，人腦是獨特的，因為量子奈米管（quantum nanotubes）。」
你可以論證：有些運算發生在物理的、細胞的層次，不是神經元層次，而那比我們今天用電腦——包括 AI——能做的任何事都更精密。
或者你就論證：不，我們只是還沒找到正確的程式。它是機械式的，有曲柄可以轉，但我們沒有跑正確的程式。今天這些 AI 的運作方式就是完全錯誤的架構和錯誤的程式。
我更傾向這個理論：有些事它們做得不可思議地好，有些事它們做得非常差。而這對所有機器和所有自動化，從時間的開端以來就是如此。輪子在高速直線行駛和在路上行走方面比腳好太多了。輪子爬山就很爛了。
同樣地，我覺得這些 AI 在某些事情上不可思議地好，會超越人類。它們是不可思議的工具。然後在其他地方，它們就是會完全失敗。
Steve Jobs 有句名言：電腦是心智的腳踏車（a bicycle for the mind）。它讓你在效率上比走路旅行快得多。
但首先得有腿來踩踏板。 所以現在也許我們有了一台心智的摩托車——延伸一下這個比喻——但你仍然需要一個人來騎它、駕駛它、指揮它、踩油門和踩煞車。
AI 焦慮的解方是行動
Nivi： 當新的範式和新的工具出現時，有一個熱情和改變的時刻。這在社會中是如此，在個人中也是如此。如果你搭上社會中那個熱情的時刻，很興奮，你可以學新東西、交新朋友、賺到錢。
Naval： 但個人也有一個熱情的時刻。當你第一次遇到 AI、對它好奇、真正對它開放心胸的時候——我覺得那就是該投入學習這個東西本身的時候。不只是使用它——那當然每個人都會——而是真正去學它怎麼運作。
我覺得打開引擎蓋看裡面真的很有趣。如果你人生中第一次遇到一輛車，對，你可以坐進去開著到處跑，但那也是你會好奇到想打開引擎蓋、看它怎麼構造和設計、搞懂它的時候。
我鼓勵對新科技著迷的人，真正深入去搞懂它。你不需要搞懂到能自己建造或修理或創造你自己的，但搞懂到你自己滿意的程度。
因為理解抽象底下是什麼——命令列底下是什麼——會帶來兩件事。
第一是讓你把它用得好很多。而當你談論的是一個槓桿這麼大的工具，用得更好是非常有幫助的。
第二是讓你知道你該不該怕它。這東西真的會轉化成天網（Skynet）然後毀滅世界嗎？
我們會不會坐在這裡然後阿諾·史瓦辛格出現說：「2 月 24 日凌晨 4 點 29 分，天網獲得了自我意識」，對吧？還是更像「嘿，這是一台很酷的機器，我能用它做 A、B、C，但不能做 D、E、F。這些地方我該信任它，那些地方我該懷疑它。」
我覺得現在很多人有 AI 焦慮。焦慮來自不知道這個東西是什麼、它怎麼運作，理解非常粗淺。
The solution to anxiety is always action.
焦慮的解方永遠是行動。
焦慮是一種非特定的恐懼——事情會變糟，你的大腦和身體告訴你要做點什麼，但你不確定做什麼。
你應該投入進去。
你應該搞懂那個東西。你應該看看它是什麼。你應該看看它怎麼運作。我覺得那會幫你擺脫焦慮。
那份學習的行動——對好奇心的追逐——會幫你克服焦慮。而且誰知道呢，它搞不好真的能幫你想出你想用它做的事，讓你更有生產力、更快樂、更成功。
寫在最後
整理這篇對話的過程中，有件事我反覆在想。
Steve Jobs 說電腦是心智的腳踏車，Naval 把它升級成摩托車。這個比喻精準在：摩托車有自己的動力，但你仍然要握方向盤。我每天用 AI 做產品，瓶頸從來不是「做不出來」，而是「該不該做這個」。判斷力和品味，是 AI 放大不了也取代不了的東西。
Naval 說平庸沒有市場，但我想補一句：起步可以平庸。太多人因為怕做出不夠好的東西而遲遲不動手。我自己最近在學經營自媒體，過去完全沒有經驗——不會剪片、不懂演算法、不知道怎麼寫吸引人的標題。但就是開始做了，每一篇都比上一篇好一點。經驗是累積出來的，不是準備出來的。AI 最大的價值不是讓你一步到位，而是讓每次迭代的成本低到你輸得起。
如果你讀到這裡還沒認真用過 AI 做一個完整的東西——不是聊天，是真的拿它完成一個專案——現在就去。不要先上課、不要先看教學、不要等準備好。AI 適應你的速度比你適應它的速度快。