chubaiOpenAI科学家离职背后：当’登月计划’遇上’生存压力’，AI创新的窄门与宽门
最近，OpenAI两位核心科学家的离职，在科技圈投下了一颗深水炸弹。Kevin Weil，这位曾领导公司科学研究计划的架构师，以及Bill Peebles，AI视频工具Sora背后的研究员，在同一天宣布离开。这不仅仅是一次普通的人事变动，而是OpenAI这家AI巨头在商业化浪潮中，不得不做出的艰难抉择——放弃那些耗资巨大的’登月计划’，集中资源押注企业级AI和即将到来的’超级应用’。
**一、Sora的陨落：每天烧掉100万美元的’美丽负担’**
Sora，这个能够从文本生成逼真视频的AI工具，曾是OpenAI最耀眼的明星项目之一。当它首次亮相时，整个科技界为之震撼——这不仅是技术的突破，更是对传统视频制作方式的颠覆。然而，光鲜的背后是惊人的成本：据内部估算，Sora每天仅计算成本就高达100万美元。
上个月，OpenAI做出了一个艰难的决定：关闭Sora。这个决定背后，是一个残酷的商业现实：再伟大的技术，如果无法在短期内转化为商业价值，在资本的压力下也难以持续。
**二、’侧线任务’的终结：从探索到聚焦的必然转向**
OpenAI的转型并非孤例。近年来，从谷歌到Meta，几乎所有科技巨头都在重新评估自己的’登月计划’。那些曾经被寄予厚望的’侧线任务’——无论是量子计算、脑机接口，还是太空探索——都在商业化的压力下被重新审视。
OpenAI for Science，这个旨在用AI推动科学研究的项目，同样面临着被削减的命运。当公司需要集中资源打造能够直接产生收入的’超级应用’时，那些长期投入、回报周期不确定的基础研究项目，往往成为最先被牺牲的对象。
**三、窄门与宽门：AI创新的两难选择**
所有看似轻松的’宽门’，最终通往的往往是更逼仄的困境；而那些需要付出艰苦努力的’窄门’，背后才是真正开阔的人生风景。这句话同样适用于科技公司的创新选择。
企业级AI和’超级应用’，无疑是当下最确定的’宽门’。它们有明确的市场需求，有清晰的商业模式，能够在短期内为公司带来稳定的现金流。而像Sora这样的前沿探索，则是充满不确定性的’窄门’——投入巨大，回报未知，甚至可能永远无法商业化。
然而，历史的经验告诉我们：真正改变世界的技术，往往来自那些最初看起来’不切实际’的探索。互联网、智能手机、深度学习算法，在诞生之初都曾被质疑’有什么用’。如果所有科技公司都只追逐确定的商业机会，人类科技的边界将难以拓展。
**四、科学家离职的深层信号：创新文化的转变**
Kevin Weil和Bill Peebles的离职，传递出一个更令人担忧的信号：OpenAI的创新文化正在发生根本性转变。
这家公司最初以’非营利’的愿景成立，旨在’确保人工通用智能（AGI）造福全人类’。那时的OpenAI，更像是一个纯粹的研究机构，科学家们可以心无旁骛地探索最前沿的AI技术，而不必过多考虑商业回报。
但随着微软百亿美元的投资，随着ChatGPT的巨大成功，OpenAI不得不面对一个现实：它已经不再是一个纯粹的’理想国’，而是一家需要向投资者证明价值的商业公司。
这种转变，对于那些怀揣’改变世界’梦想的科学家来说，可能是难以接受的。当研究的优先级从’什么最有趣’变成了’什么最能赚钱’，当论文发表让位于产品发布，当学术自由让位于商业机密，那些最顶尖的研究人才自然会选择离开。
**五、平衡的艺术：如何在商业压力下保持创新活力**
OpenAI面临的困境，是所有科技公司都需要思考的问题：如何在商业化的压力下，保持创新的活力？
一些成功的公司给出了不同的答案。谷歌虽然也面临盈利压力，但仍然保持着对基础研究的投入，通过’20%时间’政策鼓励员工探索个人兴趣项目。SpaceX在追求商业成功的同时，从未放弃对火星殖民的’疯狂’梦想。
关键在于建立一种平衡的机制：用商业化项目的收入，反哺基础研究的投入；用短期确定的成功，支撑长期不确定的探索。这需要公司领导层有足够的远见和定力，能够在股东压力和长期愿景之间找到平衡点。
**六、人类的科技未来：谁来决定探索的方向？**
OpenAI的转型，引发了一个更深层次的思考：在资本主导的科技发展中，谁来决定人类应该探索哪些技术？
当所有的研发资源都流向那些能够最快产生商业回报的领域，那些虽然重要但商业化前景不明的基础研究——比如气候变化解决方案、罕见病治疗、基础物理学探索——将由谁来推动？
这不仅仅是OpenAI一家公司的问题，而是整个科技行业需要面对的挑战。如果私营企业无法承担这些长期投入，那么政府、大学和非营利组织就需要扮演更重要的角色。
**结语：在确定性与可能性之间**
Kevin Weil和Bill Peebles的离开，标志着一个时代的结束。那个曾经以’非营利’为旗号，敢于探索一切可能性的OpenAI，正在变得越来越像一家传统的科技公司。
这或许是一种必然的成熟，但也可能是一种令人遗憾的妥协。在AI技术快速发展的今天，我们需要的不仅是能够赚钱的应用，更需要那些敢于挑战不可能、探索未知边界的’疯狂科学家’。
OpenAI的选择，反映了整个科技行业在确定性与可能性之间的艰难平衡。而我们作为这个时代的见证者，需要思考的是：在追求商业成功的同时，我们是否正在失去探索星辰大海的勇气？
当所有的科技公司都选择走那条确定的’宽门’，谁还会去推开那扇充满未知但也充满可能的’窄门’？这个问题的答案，或许将决定人类科技未来的高度。
阿尔忒弥斯II号宇航员：’如果给我们着陆器钥匙，我们就会降落月球’
在距离地球25万英里的深空中，阿尔忒弥斯II号任务指挥官里德·怀斯曼突然有了一个技术上的顿悟。他强烈地渴望降落在月球上，如果当时他们有一艘着陆器，他们会毫不犹豫地这样做。’如果你们给了我们着陆器的钥匙，我们就会把它降下去，降落在月球上。’怀斯曼在任务结束后的首次新闻发布会上这样说道。
这不是科幻小说的情节，而是真实发生在2026年4月阿尔忒弥斯II号任务返回地球后的场景。这支由四名宇航员组成的团队——指挥官里德·怀斯曼、飞行员维克多·格洛弗、任务专家克里斯蒂娜·科赫和杰里米·汉森——刚刚完成了自阿波罗时代以来首次载人深空飞行任务，他们距离月球如此之近，近到可以感受到它的引力，却无法真正踏上那片土地。
**一、’绝对可行’的月球基地梦想**
在阿尔忒弥斯II号任务发射前一周，当宇航员们已经进入隔离状态时，NASA局长贾里德·艾萨克曼宣布了一个重大转变：美国宇航局将从月球空间站计划转向建设月球表面基地。更令人振奋的是，NASA将在未来十年内分三个阶段积极开发这个月球基地。
‘这个宣布让我们整个团队和任务都充满了活力，’任务专家克里斯蒂娜·科赫在新闻发布会上表示，’我们被这样一个想法所鼓舞：我们将能够为宇航员再次做到这一点做出贡献，而且比我们想象的要快得多，我们将专注于月球基地和表面操作。’
科赫的兴奋之情溢于言表。她说，她和她的宇航员同事们学到的一件事是，他们已经接受了充分的训练，能够处理出现的任何问题。’这次任务教会我，未知比已知要可怕得多，’她分享道，’每次我们完成一个任务测试目标时，我们都会互相看着对方，然后说：’那实际上进行得相当顺利。’那不一定容易，因为它需要大量的工作，但作为一个团队，我们很容易完成，因为我们投入了工作。’
**二、技术挑战与人类决心的碰撞**
加拿大宇航员杰里米·汉森则从另一个角度看待这次任务。他说，随着NASA进一步深入深空，包括建立月球基地，宇航员和地面支持团队必须为可能颠簸的旅程做好准备。而且，宇航员必须愿意接受这种风险。
‘我们必须愿意接受比过去愿意接受的更多一点的风险，并且相信我们会在实时中解决问题，’汉森说，’在我们出发之前，我们不可能把所有事情都敲定；我们必须相互信任。我们在那里非常清楚地看到，这次任务进行得非常顺利。我并不感到惊讶——这是一个非凡的团队。但我们也非常清楚，情况可能会变得非常颠簸，而且很快。’
这种对风险的清醒认识，与对技术能力的坚定信心形成了鲜明对比。怀斯曼的’技术顿悟’正是在这种背景下产生的。在距离地球25万英里的地方，看着月球在眼前缓缓旋转，他突然意识到：登月并不像他想象的那么遥不可及。
‘这不是——哦，我可能会为这些话后悔——这不是我想象中的那种飞跃，’怀斯曼坦言，’这将是极其技术挑战的，但这个团队需要每天出现，知道这是绝对可行的，而且很快就能实现。’
**三、从阿波罗到阿尔忒弥斯：半个世纪的等待**
阿尔忒弥斯II号任务的成功具有里程碑意义。这是自1972年阿波罗17号任务以来，人类首次进行载人深空飞行。超过五十年的等待，让这次重返月球的任务承载了太多的期待和意义。
任务返回地球后仅仅两天，阿尔忒弥斯II号的宇航员们就已经重新穿上宇航服，开始工作，就好像他们刚刚降落在重力井中，并冒险到月球表面进行太空行走一样。’我们穿着表面太空行走服，进行表面地质学任务，而且做得很好，’科赫说，’能够完成一系列非常具有挑战性的表面任务。’
这种无缝过渡的能力，展示了NASA在训练和准备方面的卓越水平。宇航员们不仅完成了飞行任务，还立即投入到月球表面操作的模拟中，为未来的月球基地建设做准备。
**四、月球基地的三阶段蓝图**
根据NASA的计划，月球基地的建设将分为三个阶段：
第一阶段（2026-2028年）：建立初步的基础设施，包括居住模块、能源系统和通信网络。
第二阶段（2029-2031年）：扩展基地规模，增加科学实验室、维修车间和资源利用设施。
第三阶段（2032-2035年）：实现基地的完全运行，支持长期驻留和深空探索任务。
这个雄心勃勃的计划需要克服诸多技术挑战，包括辐射防护、生命支持系统的长期可靠性、月球尘埃的治理，以及在极端温度环境下的设备运行等。
**五、’我们准备好了’的集体呼声**
阿尔忒弥斯II号任务的成功，为这个宏伟计划注入了强大的信心。宇航员们不仅证明了猎户座飞船和太空发射系统火箭的可靠性，更重要的是，他们证明了人类团队能够应对深空探索的挑战。
‘我们感觉更加兴奋，并且准备好作为一个机构来承担这个任务，’科赫总结道。
这种’准备好了’的心态，正是人类探索精神的核心。从哥伦布扬帆远航，到阿姆斯特朗踏上月球，再到今天的阿尔忒弥斯计划，人类对未知的渴望从未改变。
**六、深空探索的新篇章**
阿尔忒弥斯II号任务的成功，标志着人类深空探索进入了一个新阶段。这不再是一次性的壮举，而是可持续探索的开始。月球不再只是一个目的地，而是一个跳板——一个前往火星和更远深空的前哨站。
怀斯曼的渴望，科赫的兴奋，汉森的清醒，格洛弗的专注——这些情感和态度的交织，描绘了一幅人类探索精神的生动图景。他们距离月球如此之近，近到可以触摸，却又必须等待。这种等待不是退缩，而是为了更好的准备，更安全的着陆，更可持续的探索。
当被问及如果当时有着陆器，他们是否会真的降落时，怀斯曼毫不犹豫地回答：’绝对会。月球就在那里，等着我们去探索。’
这句话，或许最能概括阿尔忒弥斯时代的精神。月球不再遥远，它就在那里，而人类，已经准备好了钥匙。
—
**评价引导**：阿尔忒弥斯II号任务的成功，不仅是一次技术上的胜利，更是人类探索精神的再次觉醒。在距离上次载人登月超过半个世纪后，我们再次将目光投向月球，这一次的目标更加远大——建立可持续的月球基地，为深空探索铺平道路。宇航员们’如果给我们钥匙，我们就会降落’的渴望，让我们看到了人类对探索的永恒追求。您如何看待这次任务的意义？您认为建立月球基地最大的挑战是什么？欢迎在评论区分享您的看法。
GPT-Rosalind：当AI开始’思考’生命，人类科学家该兴奋还是恐惧？
所有技术革命都始于解放，终于替代。
上周四，当OpenAI宣布推出专门针对生物学的GPT-Rosalind模型时，整个科学界陷入了微妙的沉默。这个以DNA结构发现者罗莎琳德·富兰克林命名的AI，被训练在50个最常见的生物学工作流程上，能够连接基因型与表型，推断蛋白质的结构或功能特性，甚至优先考虑潜在的药物靶点。
OpenAI生命科学产品负责人王云云在新闻发布会上说，这个系统旨在解决当前生物学研究人员面临的两个主要障碍：一是基因组测序和蛋白质生物化学数十年产生的海量数据集，二是生物学有许多高度专业化的子领域，每个领域都有自己的技术和术语。
听起来很美好，不是吗？一个能够跨越神经生物学、遗传学、生物化学等专业壁垒的超级助手，一个能够处理人类大脑难以处理的复杂交互网络的智能系统。但在这美好的愿景背后，隐藏着一个令人不安的问题：当AI开始真正’理解’生命，人类科学家还剩什么？
**第一层：解放还是依赖？**
GPT-Rosalind被设计来解决生物学研究的两个核心痛点：信息过载和专业壁垒。想象一下，一个遗传学家在研究大脑细胞中活跃的基因时，需要查阅数十年积累的神经生物学文献——这原本需要数月甚至数年的工作，现在可能只需要几分钟的对话。
但解放的另一面是依赖。当研究人员习惯了AI提供的’专家级’建议和’推理’能力，他们自己的专业直觉和批判性思维是否会逐渐退化？OpenAI声称已经调整了模型，使其更加怀疑，更可能告诉你什么时候某个药物靶点不好。但谁来训练AI的’怀疑’标准？又是基于谁的数据和偏见？
**第二层：加速还是失控？**
生物学不同于其他科学领域，它直接关系到生命本身。GPT-Rosalind能够’连接基因型与表型通过已知途径和调控机制’，这意味着它不仅仅是在处理信息，而是在进行某种形式的’生物推理’。
这种能力可能带来前所未有的科学突破，但也可能打开潘多拉的盒子。OpenAI自己也承认，由于担心模型可能产生有害输出（比如被要求优化病毒的传染性），目前只允许美国实体申请访问，并且会限制使用权限。
但限制真的有效吗？历史上，从核技术到基因编辑，每一项突破性技术最终都会扩散。当生物学AI变得足够强大，当它能够自主设计生物通路、优化蛋白质结构时，谁来确保它不会’推理’出一些人类从未想过——也不应该想到——的可能性？
**第三层：辅助还是替代？**
OpenAI将GPT-Rosalind定位为研究助手，但AI的发展轨迹告诉我们，今天的助手往往是明天的替代者。在新闻发布会上，有很多关于GPT-Rosalind’推理’和’专家级’能力的讨论。前者被定义为能够处理复杂的多步骤过程，后者则源自模型在一系列基准测试中的表现。
但这里有一个根本性的问题：AI的’推理’真的是推理吗？还是仅仅是模式匹配的极致表现？当GPT-Rosalind’推断蛋白质的结构或功能特性’时，它是在理解蛋白质折叠的物理原理，还是在统计训练数据中的相关性？
更令人担忧的是，OpenAI尚未完全解决困扰各种LLM的幻觉问题。在科学领域，一个自信的幻觉可能比无知更危险——它可能引导整个研究团队走上错误的方向，浪费数年时间和数百万资金。
**生物学的’窄门’与’宽门’**
在技术发展的十字路口，生物学研究面临着类似’窄门’与’宽门’的选择。
‘宽门’是诱人的：让AI处理繁琐的数据分析，让AI跨越专业壁垒，让AI提出创新假设。这条路看似轻松，能够加速科学发现，让研究人员专注于’创造性’工作。
但这条路最终可能通向一个令人不安的终点：人类科学家逐渐退化为AI的监督者或解释者，失去了对研究过程的深度参与和理解。当AI变得足够复杂，连它的创造者都无法完全理解其’推理’过程时（所谓的’黑箱’问题），科学将不再是人类对自然的探索，而是人类对AI输出的验证。
‘窄门’则是艰难的：坚持人类主导的研究过程，将AI严格定位为工具而非伙伴。这意味着研究人员仍需亲自阅读文献、设计实验、分析数据——AI只是提高效率的手段，而不是思考的替代品。
这条路需要更多的耐心、更慢的进展，但它确保了人类智慧在科学探索中的核心地位。它承认了一个基本事实：科学不仅仅是发现事实，更是理解事实背后的意义——而这种理解，目前仍然是人类意识的独特能力。
**罗莎琳德的幽灵**
GPT-Rosalind以罗莎琳德·富兰克林命名，这是一个意味深长的选择。富兰克林是DNA双螺旋结构发现的关键人物，她的X射线衍射图像为沃森和克里克的模型提供了关键证据，但她本人却长期被科学史边缘化。
如今，以她命名的AI被赋予’理解’生命的能力，这既是对她贡献的致敬，也暗示着一种讽刺：人类科学家可能面临被自己创造的工具边缘化的命运。
OpenAI表示，一个更有限的生命科学研究插件将普遍可用。这暗示着GPT-Rosalind可能只是第一步，未来可能会有更强大、更专业的生物学AI出现。
**结语：在兴奋与警惕之间**
GPT-Rosalind的出现标志着AI向专业科学领域的深度渗透。它可能带来生物学研究的革命性加速，帮助解决从癌症治疗到气候变化等一系列紧迫问题。
但在这个技术乐观主义的叙事中，我们需要保持清醒的警惕。AI不是中立的工具——它承载着训练数据的偏见、设计者的价值观，以及无法完全预测的涌现行为。
在拥抱GPT-Rosalind带来的便利时，生物学界需要建立严格的验证机制、透明的决策过程，以及最重要的是——保持人类科学家的专业自主性和批判性思维。
因为最终，理解生命的奥秘不仅仅是连接基因型与表型，更是理解这些连接背后的意义、美感和伦理边界——而这些，至少在可预见的未来，仍然是人类智慧不可替代的领域。
当AI开始’思考’生命，人类科学家最需要的不是恐惧或盲目兴奋，而是一种平衡的智慧：知道何时借助工具，何时依靠直觉；何时加速前进，何时暂停反思。
毕竟，在探索生命奥秘的旅程中，最重要的不是我们发现了什么，而是我们如何发现——以及在这个过程中，我们成为了什么样的人。
Roblox AI助手新功能：当AI从’工具’变成’合作伙伴’，创意工作将被如何重塑？
最近，游戏平台Roblox宣布对其AI助手进行重大升级，引入了全新的’代理工具’功能。这不仅仅是技术上的小修小补，而是一次可能彻底改变游戏开发——乃至整个创意产业工作方式的范式转变。
**从’执行者’到’思考者’的质变**
传统的AI工具，无论是代码生成器还是内容创作助手，大多扮演着’执行者’的角色：你输入指令，它输出结果。这种单向的、一次性的交互模式，常常导致一个尴尬的局面——AI产出的东西，与你真正想要的相去甚远。
Roblox这次升级的核心，正是要解决这个根本问题。新的’规划模式’让AI助手不再只是被动地接受指令，而是变成了一个能够主动思考、提问、分析的’合作伙伴’。它现在可以：
1. **分析游戏代码和数据模型**——理解你正在构建什么
2. **提出澄清性问题**——确保它真正理解你的意图
3. **将模糊的提示转化为可编辑的行动计划**——把想法变成可执行的蓝图
这意味着什么？意味着AI开始具备某种程度的’元认知’能力。它不再只是机械地执行命令，而是开始尝试理解命令背后的意图、上下文和最终目标。
**案例梯度：AI协作的进化之路**
要理解这次变革的意义，我们需要看看AI在创意工作中扮演角色的演变轨迹：
**第一级：简单工具阶段**
早期的AI工具，如基础的代码补全、简单的图像生成器。它们的功能单一，输出结果往往需要大量的人工修改。开发者与AI的关系是纯粹的主从关系——人类是绝对的主导者。
**第二级：智能助手阶段**
随着GPT等大语言模型的出现，AI开始能够理解更复杂的指令，生成更有创意的内容。但问题依然存在：AI缺乏对项目整体架构的理解，经常’只见树木不见森林’。一个典型的例子是，你让AI生成一个游戏角色，它可能设计得很精美，但完全不符合游戏的整体美术风格和世界观设定。
**第三级：代理合作伙伴阶段**
这正是Roblox新功能所代表的阶段。AI不再只是执行离散的任务，而是参与到整个创作流程中。它能够：
– 在你提出’我想做一个解谜游戏’时，反问：’你想要的是逻辑解谜、物理解谜还是叙事解谜？’
– 分析你现有的游戏代码，指出：’你的角色移动系统与物理引擎存在兼容性问题，建议先修复这个’
– 将’让游戏更有趣’这样的模糊需求，分解为具体的可执行步骤：优化关卡设计、增加奖励机制、调整难度曲线
**理论升华：当AI开始’思考’创意**
这次升级背后，隐藏着一个更深层的命题：创意工作是否可以被’代理化’？
传统观点认为，创意是人类的专属领域——那种灵光一现的瞬间、那种对美的直觉判断、那种对情感共鸣的把握，是AI永远无法复制的。但Roblox的新功能似乎在挑战这个边界。
AI现在不仅能够执行创意任务，还能够：
1. **进行创意规划**——将模糊的创意概念转化为具体的实施路径
2. **提供创意反馈**——基于对项目整体的理解，提出改进建议
3. **协助创意决策**——通过分析数据和模式，帮助创作者做出更明智的选择
这引发了一个有趣的思考：在未来的创意工作中，人类的角色会是什么？
**从’电梯’到’楼梯’的隐喻**
我们可以用一个比喻来理解这种转变：
过去的AI工具就像一部’电梯’——它确实能让你更快到达某个楼层（完成某个任务），但一旦电梯出现故障，或者你想去一个没有电梯直达的楼层，你就束手无策。而且，坐电梯的过程是封闭的、被动的，你无法了解建筑的结构。
而代理式的AI合作伙伴，更像是一段’智能楼梯’。它可能没有电梯那么快，但它：
– 让你了解每一层楼的结构（理解项目的整体架构）
– 允许你在任何楼层停留、观察、调整（提供全程的协作与反馈）
– 即使某个部分出现问题，你仍然知道如何继续前进（因为理解了整体逻辑）
更重要的是，走楼梯的过程本身，就是学习和创造的过程。你不仅到达了目的地，还深刻理解了到达目的地的路径。
**创意工作的新范式：人机共舞**
Roblox的这次升级，可能预示着创意产业工作方式的一次根本性转变：
**从’人类创造，AI辅助’到’人机协同创造’**
在这种新范式下：
1. **人类负责什么？**
– 提出最初的创意火花和愿景
– 做出关键的审美和情感判断
– 把握项目的整体方向和价值观
– 在AI提供的多个选项中进行最终选择
2. **AI负责什么？**
– 将模糊的愿景转化为具体的实施计划
– 处理繁琐的技术实现细节
– 提供基于数据和模式的分析建议
– 协助进行重复性的测试和优化工作
3. **共创的价值在哪里？**
最大的价值可能在于：**放大人类的创意能力，而不是取代它**。
一个独立开发者，借助这样的AI合作伙伴，可能能够完成过去需要一个团队才能完成的项目。一个新手创作者，可以获得相当于资深导师的全程指导。创意不再是少数专业人士的专利，而是更多人能够参与和享受的过程。
**警惕与思考：当AI过于’智能’时**
当然，这种转变也带来了一系列需要警惕的问题：
1. **创意同质化风险**：如果所有人都使用相似的AI工具，会不会导致创作出来的内容越来越相似？
2. **技能退化担忧**：过度依赖AI进行规划和决策，会不会让新一代创作者失去独立思考和解决问题的能力？
3. **责任归属问题**：当AI深度参与创作过程时，作品的版权和创意归属应该如何界定？
Roblox似乎意识到了这些问题。他们的解决方案是强调’可编辑的行动计划’——AI提供的是建议和蓝图，而不是不可更改的成品。最终的控制权和决策权，仍然牢牢掌握在人类创作者手中。
**结语：不是替代，而是进化**
Roblox AI助手的这次升级，不应该被简单地看作’又一个AI功能’。它代表的是人机协作关系的一次重要进化：从工具到合作伙伴，从执行到思考，从辅助到协同。
在未来，最成功的创作者可能不是那些最擅长使用某个具体工具的人，而是那些最懂得如何与AI协作、如何将AI的’计算智能’与人类的’创意智能’完美结合的人。
这让我想起科幻作家威廉·吉布森的那句名言：’未来已经到来，只是分布不均。’ Roblox的这次尝试，可能就是那个’不均分布’的未来，正在向我们走来的一个信号。
对于所有从事创意工作的人来说，现在或许是时候开始思考：当AI不再只是你的工具，而是你的合作伙伴时，你准备好与它共舞了吗？
—
**评价引导**：
读完这篇文章，你对AI从’工具’到’合作伙伴’的转变有什么看法？你认为这种转变会让创意工作变得更容易还是更复杂？欢迎在评论区分享你的观点。如果你是一名创作者，你会期待与这样的AI合作伙伴一起工作吗？为什么？
Artemis II宇航员：’如果给我们着陆器钥匙，我们早就降落了’
在距离地球25万英里的深空中，Artemis II任务指挥官里德·怀斯曼经历了一次技术顿悟。当他们的飞船接近月球时，一种强烈的冲动涌上心头——他想降落。’如果你们给了我们着陆器的钥匙，我们早就把它降下去了。’怀斯曼在返回地球后的首次新闻发布会上坦言。
这不是科幻小说的情节，而是NASA Artemis II任务宇航员们真实的心声。2026年4月10日，这支由四名宇航员组成的团队成功返回地球，完成了半个多世纪以来首次载人深空飞行测试。他们的任务不仅验证了NASA的新火箭和飞船，更点燃了人类重返月球的激情。
**’绝对可行’的月球基地**
就在Artemis II任务发射前一周，当宇航员们已经进入隔离状态时，NASA局长贾里德·艾萨克曼宣布了一个重大转变：太空机构将从月球空间站转向表面基地建设。更令人振奋的是，NASA计划在未来十年内分三个阶段积极开发这个月球基地。
任务专家克里斯蒂娜·科赫表示，这一宣布让整个团队士气大振。’我们被这个概念所鼓舞——我们将有机会为宇航员再次做这件事做出贡献，而且比我们想象的快得多，我们将专注于月球基地和表面操作。’科赫说，’作为机构，我们感到更加兴奋，准备好迎接这个挑战。’
加拿大宇航员杰里米·汉森补充道，随着NASA进一步深入深空，包括建立月球基地，宇航员和地面支持团队必须准备好迎接可能颠簸的旅程。’我们必须愿意接受比过去愿意接受的更多风险，并相信我们会在实时中解决问题。’汉森说，’我们不可能在出发前把所有事情都安排妥当；我们必须彼此信任。’
**技术顿悟与人类本能**
怀斯曼的技术顿悟发生在距离地球25万英里的地方。那一刻，他意识到登月并不像他曾经想象的那么遥不可及。’这不是——哦，我要收回这些话——这不是我想象中的飞跃。’他说，’如果你们给了我们着陆器的钥匙，我们早就把它降下去并登陆月球了。这将在技术上极具挑战性，但这个团队需要每天出现，知道这是绝对可行的，而且很快就能实现。’
这种冲动不仅仅是技术自信的表现，更是人类探索本能的具体体现。当月球近在眼前时，那种想要踏上陌生土地的渴望变得无法抗拒。
**从成功到更大的挑战**
Artemis II任务的成功为NASA的Artemis计划打响了第一炮。科赫分享了她从任务中学到的重要一课：’这次任务教会我，未知比已知可怕得多。每次我们完成一个任务测试目标时，我们都会互相看着对方，然后说’那实际上进行得相当顺利。’那不一定容易，因为它需要大量的工作，但作为一个团队完成起来很容易，因为我们投入了工作。’
汉森提醒说，虽然这次任务进行得非常顺利，但深空探索的本质意味着事情可能很快变得颠簸。’我们在那里非常清楚地看到，这次进行得非常顺利。我并不感到惊讶——非凡的团队。但我们也非常清楚，事情可能很快变得非常颠簸。’
**月球基地的现实意义**
NASA对月球基地的重视标志着人类太空探索战略的重大转变。表面基地不仅能为长期月球居住提供基础设施，还能作为未来火星任务的试验场和技术验证平台。
科赫和她的队友们在返回地球后两天内就重新穿上了太空服，进行表面地质任务训练，仿佛他们刚刚降落在重力井中，并冒险到月球表面进行太空行走。’我们穿着表面太空行走服，进行表面地质任务，而且做得很好。’科赫说，’能够完成一系列非常具有挑战性的表面任务。’
这种无缝过渡证明了宇航员们的专业素养，也显示了NASA对月球表面操作的重视程度。
**风险与信任的平衡**
汉森的观点揭示了深空探索的一个核心悖论：为了取得突破性进展，必须接受一定程度的风险，但同时必须建立深厚的信任体系。’我们不可能在出发前把所有事情都安排妥当；我们必须彼此信任。’
这种信任不仅存在于宇航员之间，也存在于整个任务团队——从地面控制中心到工程支持人员，再到决策层。Artemis II任务的成功证明了这种信任体系的有效性。
**人类的下一步**
怀斯曼的’如果给我们钥匙’的声明不仅仅是一句豪言壮语，它反映了整个航天界的心态转变。经过几十年的低地球轨道活动后，人类终于准备好再次向深空迈进。
月球基地的建设将是一个多阶段、多年的努力，但Artemis II任务的成功为这一雄心勃勃的目标注入了信心。宇航员们的亲身经历证明，技术挑战虽然巨大，但并非不可逾越。
更重要的是，这次任务重新点燃了公众对太空探索的热情。当人们看到宇航员们对月球近在咫尺的渴望时，那种探索未知的冲动再次被唤醒。
**结语**
Artemis II任务不仅是一次技术验证飞行，更是一次人类精神的展示。当怀斯曼说出’如果给我们着陆器的钥匙，我们早就降落了’时，他道出了所有探索者的心声：面对未知，我们既要有谨慎的计划，也要有冒险的勇气。
月球基地的梦想正在变得’绝对可行’，而这支刚刚从深空归来的团队已经准备好迎接下一个挑战。他们的成功证明，当技术准备、团队信任和人类探索本能完美结合时，即使是登陆月球这样的壮举，也不再是遥不可及的梦想。
正如科赫所说，他们被’宇航员再次做这件事’的前景所鼓舞。而现在，随着Artemis计划的推进，全人类都将被这个前景所鼓舞——重返月球，建立基地，然后向更远的星辰大海进发。
GPT-Rosalind：当AI开始’思考’生命，科学家的认知边界正在被重写
最近，OpenAI宣布推出了一款专门针对生物学工作流程训练的大型语言模型——GPT-Rosalind。这个以DNA双螺旋结构发现者之一罗莎琳德·富兰克林命名的AI系统，被设计用来处理生物学研究中两个核心难题：海量数据的整合与跨学科知识的壁垒。
在新闻发布会上，OpenAI生命科学产品负责人王云云表示，GPT-Rosalind接受了50种最常见生物学工作流程的训练，并学会了如何访问主要的公共生物信息数据库。更关键的是，该系统经过进一步调优，能够提出可能的生物学通路，并优先考虑潜在的药物靶点。
**一、从工具到伙伴：AI在科学发现中的角色演变**
GPT-Rosalind的出现，标志着AI在科学研究中的角色正在发生根本性转变。过去，AI更多是作为数据处理工具或模式识别器存在。但GPT-Rosalind被描述为具有’推理’和’专家级’能力——前者被定义为能够处理复杂的多步骤过程，后者则源自模型在一系列基准测试中的表现。
这种转变背后，是一个更深层的认知革命：当AI开始理解生物学的工作流程，而不仅仅是处理数据时，它实际上是在学习科学家的思维方式。这不再是简单的’工具使用’，而是’思维模式的共享’。
**二、生物学研究的’认知过载’与AI的解药**
现代生物学面临着一个根本性困境：数据的增长速度远远超过了人类大脑的处理能力。数十年的基因组测序和蛋白质生物化学研究产生了海量数据集，任何单个研究者都难以全面掌握。同时，生物学已经分化出众多高度专业化的子领域，每个领域都有自己的技术术语和方法论。
王云云举了一个生动的例子：一位遗传学家如果发现自己研究的基因在大脑细胞中活跃，可能会在理解庞大的神经生物学文献时遇到困难。这种’认知过载’不仅减缓了研究进度，更可能导致重要的跨学科联系被忽视。
GPT-Rosalind试图解决的正是这个问题。通过连接基因型与表型，通过已知通路和调控机制，推断蛋白质的可能结构或功能特性，这个系统实际上是在构建一个’认知桥梁’，连接那些因专业化而孤立的知识岛屿。
**三、AI的’怀疑论’调优：当机器学会说’不’**
OpenAI在GPT-Rosalind的开发中做了一个有趣的选择：他们特意调优了模型，使其更加’怀疑’。这意味着系统更有可能告诉你某个药物靶点可能不好，而不是一味迎合用户的期望。
这种设计选择背后，是对LLM’谄媚倾向’和’过度热情’问题的深刻认识。在科学研究中，否定性结果和批判性思维与积极发现同样重要。一个总是说’是’的AI助手，可能会引导研究者走向错误的方向。
然而，这里也隐藏着一个更深层的问题：我们如何定义’合理的怀疑’？AI的怀疑是基于统计模式还是真正的理解？当GPT-Rosalind说某个靶点’不好’时，它是在重复训练数据中的模式，还是在某种意义上’理解’了生物学原理？
**四、幻觉问题与科学可信度**
尽管OpenAI对GPT-Rosalind的能力充满信心，但一个无法回避的问题是：它是否解决了困扰各种LLM的’幻觉’问题？当系统被要求解释公司得出结论的步骤时，幻觉问题也可能出现。
在科学研究的语境中，幻觉不仅仅是’编造事实’那么简单。它可能表现为：
1. 过度外推有限的证据
2. 忽略重要的反例
3. 创造看似合理但缺乏实证支持的机制解释
过去经验表明，我们可能会看到关于AI发现意外联系的积极报告，以及它产生明显错误建议的实例。这种混合结果正是当前AI在科学应用中面临的真实挑战。
**五、受限的访问与伦理考量**
出于对模型潜在有害输出的担忧，OpenAI目前限制了GPT-Rosalind的访问。只有美国实体可以申请OpenAI的信任访问部署结构，公司将限制使用权限。一个更有限的生命科学研究插件将普遍提供。
这种谨慎态度反映了AI在生物学应用中特有的伦理困境。如果被要求优化病毒的传染性，这样的系统可能产生危险的输出。生物学不同于其他领域——这里的’错误’可能具有现实世界的生物安全影响。
**六、专业化vs通用化：科学AI的未来路径**
GPT-Rosalind与其他科技公司推出的科学导向模型有一个关键区别：它是生物学特定的，而其他模型通常采取更通用的方法，适用于各个领域。
这种专业化路径引发了一个重要问题：在科学AI的发展中，我们是应该创建高度专业化的领域专家，还是培养具有广泛科学素养的通才？
专业化模型的优势显而易见：更深入的知识、更准确的领域特定推理、更好的术语理解。但风险也同样明显：可能错过跨学科的创新洞察，过度依赖特定领域的思维模式。
**七、科学家的新认知伙伴**
GPT-Rosalind最深刻的启示可能不在于它能做什么，而在于它代表了什么：AI正在从科学家的工具，转变为科学家的认知伙伴。
当AI开始理解生物学工作流程，当它能够提出假设、评估证据、甚至表达怀疑时，它实际上是在参与科学认知过程。这不是简单的自动化，而是认知劳动的重新分配。
科学家可能会发现，他们与GPT-Rosalind的关系，类似于资深研究者与博士后的关系：一个能够理解领域知识、提出想法、执行初步分析，但仍需要人类指导和最终判断的合作伙伴。
**八、人类认知的扩展与边界**
最终，GPT-Rosalind和类似系统提出的根本问题是：在AI的辅助下，人类科学的认知边界在哪里？
生物学系统的复杂性——那些’大型交互网络’，正如文章开头所描述的——确实超出了人类大脑的处理能力。但这是否意味着我们应该将认知任务外包给AI？还是说，人类科学家的价值恰恰在于处理那些无法被算法化的不确定性、直觉和创造性飞跃？
GPT-Rosalind以罗莎琳德·富兰克林命名，这个选择颇具深意。富兰克林的工作对DNA结构的发现至关重要，但她的贡献在生前并未得到充分认可。现在，以她命名的AI系统正在帮助科学家看到那些原本可能被忽视的模式和联系。
这或许就是科学AI的真正承诺：不是取代科学家，而是扩展他们的视野，让他们能够看到原本看不见的联系，思考原本想不到的问题。在这个过程中，人类科学家的角色不是被削弱，而是被重新定义——从数据的处理者，转变为意义的创造者，从模式的识别者，转变为故事的讲述者。
GPT-Rosalind只是一个开始。随着更多领域特定AI系统的出现，我们将见证科学认知方式的重塑。这不是人类与机器的竞争，而是人类智慧与机器智能的协同进化。在这个过程中，最重要的可能不是AI能做什么，而是与AI合作的人类科学家能成为什么。
—
**思考题：** 如果GPT-Rosalind真的能够’理解’生物学工作流程，这是否意味着AI已经开始发展某种形式的’科学直觉’？当机器的’推理’越来越接近人类的科学思维时，我们该如何重新定义’理解’和’智能’在科学发现中的含义？
Google广告治理的AI革命：从’封号’到’精准拦截’的平台责任转型
周四，Google宣布了一个令人震惊的数字：2025年，这家搜索巨头在全球范围内拦截了创纪录的83亿条广告——比前一年的51亿条激增了63%。然而，与这一拦截数量飙升形成鲜明对比的是，被暂停的广告主账户数量却远低于人们的预期。
这一看似矛盾的数据背后，是Google广告治理策略的根本性转变：从传统的’封禁坏演员’转向’拦截坏广告’。Google将这一转变归功于其日益增长的AI应用，特别是其Gemini模型家族。公司声称，这些AI驱动的系统在去年拦截了超过99%的违规广告，在它们展示给用户之前就被精准识别。
**一、AI如何重塑广告治理逻辑**
传统的广告平台治理模式，很大程度上依赖于’事后惩罚’。当一个广告主发布违规内容时，平台通常需要用户举报、人工审核，然后采取封禁账户等措施。这种模式存在几个致命缺陷：
1. **滞后性**：违规广告已经对用户造成了伤害
2. **漏网之鱼**：许多违规广告在封禁前已经完成了传播
3. **误伤风险**：一个账户可能发布多条广告，封禁整个账户可能影响合法业务
Google的AI驱动新策略，则转向了’事前预防’。通过Gemini模型的深度学习能力，系统能够在广告发布前就识别出潜在的违规内容。这种转变的核心优势在于：
– **精准度提升**：AI可以分析广告的文本、图像、链接等多个维度，识别出传统规则难以捕捉的违规模式
– **实时拦截**：在毫秒级别内完成审核，避免违规广告触达用户
– **分级处理**：不再是简单的’封或不封’，而是可以根据违规程度采取不同措施
**二、商业逻辑的深层考量**
为什么Google选择减少账户封禁，转而专注于广告拦截？这背后有着深刻的商业考量。
首先，**广告收入的最大化**。每个广告主账户都代表着潜在的广告支出。过度严格的账户封禁政策，可能会吓跑那些偶尔犯错但整体合规的广告主。通过精准拦截单个违规广告而非封禁整个账户，Google能够在保持平台清洁的同时，最大化广告收入来源。
其次，**平台责任的重新定义**。在传统模式下，平台需要为’允许违规广告存在’而承担责任。在新模式下，Google可以声称自己’主动拦截了绝大多数违规广告’，从而减轻监管压力。这种从’被动响应’到’主动防御’的转变，是平台责任话语权的重要重构。
第三，**AI技术的商业化验证**。Gemini模型的应用不仅是一个技术展示，更是AI商业化的重要案例。通过在实际业务中证明AI的价值，Google能够为其AI技术积累宝贵的实战经验和数据。
**三、对广告生态系统的多重影响**
这种治理策略的转变，正在深刻改变整个数字广告生态系统。
**对广告主而言**，这意味着更复杂的游戏规则。一方面，偶尔的失误不再意味着账户的彻底终结；另一方面，AI系统的判断标准可能更加微妙和难以预测。广告主需要投入更多资源来理解AI的审核逻辑，优化广告内容以避免触发违规识别。
**对用户而言**，理论上应该获得更清洁的浏览体验。99%的拦截率意味着绝大多数违规广告在用户看到之前就被清除。然而，这也带来了新的担忧：AI的判断是否绝对公正？是否存在’误杀’合法广告的风险？
**对监管机构而言**，Google的策略转变提出了新的监管挑战。传统的监管框架主要关注平台’做了什么’（封禁了多少账户），而现在需要更多关注平台’预防了什么’（拦截了多少违规内容）。这要求监管机构发展新的评估标准和监管工具。
**四、AI治理的隐忧与挑战**
尽管Google的AI驱动策略在数据上看起来令人印象深刻，但其中潜藏着不容忽视的挑战。
**透明度问题**：AI系统的决策过程往往是一个’黑箱’。当一个广告被拦截时，广告主可能很难理解具体原因，这可能导致正当商业活动受到不透明限制。
**算法偏见风险**：所有AI系统都可能继承训练数据中的偏见。如果Gemini模型的训练数据存在偏差，那么其审核决策也可能存在系统性偏见，可能对某些行业、地区或语言群体产生不公平影响。
**创新抑制**：过于敏感的AI拦截系统可能会抑制广告创意。广告主为了避免触发违规识别，可能倾向于使用更加保守、模板化的广告内容，从而降低整个广告生态的多样性和创新性。
**五、未来展望：人机协同的治理模式**
Google的案例揭示了一个重要趋势：未来的平台治理将是人机协同的模式。AI负责处理海量的、模式化的审核任务，而人类专家则专注于处理边缘案例、制定策略和应对新型威胁。
这种模式的成功关键在于找到人机协作的最佳平衡点。AI需要足够智能以减轻人类审核员的负担，但又不能完全取代人类的判断力。人类需要保持对AI系统的监督和校准能力，确保技术服务于正确的价值观。
**结语：技术赋能的平台责任新范式**
Google从’封禁坏演员’到’拦截坏广告’的转变，不仅仅是技术升级，更是平台责任理念的进化。它标志着数字平台正在从被动的’守门人’转变为主动的’过滤器’。
然而，这种技术赋能的治理模式也带来了新的责任问题：当AI成为主要的决策者时，谁应该为AI的错误负责？当拦截成为常态时，如何保障正当的商业表达自由？
这些问题没有简单的答案，但它们提醒我们：在拥抱技术带来的效率提升时，我们不能忽视对公平、透明和问责的追求。Google的83亿次拦截只是一个开始，真正的挑战在于如何构建一个既高效又公正的数字广告生态系统。
—
**评价引导**：
您如何看待Google这种从’封号’到’精准拦截’的策略转变？是技术进步带来的效率提升，还是平台规避责任的巧妙手段？在AI主导的内容审核时代，我们应该如何平衡效率与公平、自动化与透明度？欢迎在评论区分享您的观点。
机器人AI的’ChatGPT时刻’来了！Physical Intelligence的π0.7模型，正在重新定义’人类’
最近，旧金山一家名为Physical Intelligence的机器人初创公司，发布了一项让整个AI界都为之震动的研究成果。他们的最新模型π0.7，能够指挥机器人完成从未被明确训练过的任务——这种能力，连公司自己的研究人员都坦言’出乎意料’。
这不仅仅是一个技术突破。这可能是机器人AI领域的’ChatGPT时刻’，一个我们等待已久的拐点。当大语言模型让AI学会了’思考’，现在，Physical Intelligence正在让AI学会’动手’。
**一、从’指令执行者’到’任务理解者’的质变**
传统的工业机器人是什么？它们是高度专业化的’指令执行者’。在汽车工厂里焊接车身的机械臂，在仓库里搬运货物的AGV小车，在手术室里辅助医生的达芬奇系统——每一个都需要经过数月甚至数年的专门训练，才能胜任特定环境下的特定任务。
它们的’智能’是狭窄的、脆弱的。换个螺丝型号，调整一下工作台高度，甚至只是光照条件发生变化，都可能让这些价值数百万美元的设备瞬间’失能’。
而Physical Intelligence的π0.7模型，代表的是另一种范式。它不再需要为每一个新任务编写专门的代码，不再需要收集海量的特定场景数据。研究人员只需要用自然语言描述任务——’把桌上的红色积木放到蓝色盒子里’，或者’把散落的零件组装成一个小车’——模型就能理解意图，规划动作，并指挥机器人执行。
更关键的是，它能处理’未见过的任务’。这意味着什么？意味着AI开始具备某种程度的’泛化能力’，能够将已有的知识迁移到新的情境中。这种能力，正是人类智能的核心特征之一。
**二、技术突破背后的’涌现’现象**
Physical Intelligence的研究人员说，这种能力’出乎意料’。这个词很值得玩味。
在大语言模型的发展历程中，我们见过太多这样的’出乎意料’。GPT-3突然学会了写诗，DALL-E突然理解了’赛博朋克风格的猫’，ChatGPT突然能够进行连贯的对话——这些能力都不是被明确编程进去的，而是在模型规模达到某个临界点后’涌现’出来的。
现在，同样的故事正在机器人AI领域上演。
π0.7模型的成功，暗示着机器人AI可能正在接近类似的拐点：当模型足够大，数据足够多，训练方法足够先进时，能力开始以超出预期的方式复合增长。研究人员原本只是在优化模型的基础性能，却意外地发现它获得了处理新任务的能力。
这种’涌现’现象，是AI发展中最神秘也最令人兴奋的部分。它意味着我们可能永远无法完全预测AI的下一个突破会是什么，就像三年前没人能预测ChatGPT会如此彻底地改变世界。
**三、通用机器人：从科幻到现实的最后一公里**
通用机器人——一个能够像人类一样灵活处理各种任务的机器人——一直是AI研究的’圣杯’。
过去几十年，这个目标看起来遥不可及。机器人专家们不得不将问题分解：视觉识别、运动规划、抓取控制、任务理解……每一个都是巨大的挑战。即使单个问题取得进展，将它们整合成一个协调的系统更是难上加难。
π0.7模型的意义在于，它开始将这些能力’端到端’地整合。一个模型，同时处理视觉理解、语言指令、动作规划和执行控制。这种整合不是简单的拼接，而是深层次的融合。
这让我们离真正的通用机器人更近了一步。想象一下：
– 家庭机器人不再只能扫地，还能根据你的指令’把客厅收拾一下’，理解什么是’收拾’，识别哪些东西该放回原处，哪些该扔掉
– 工厂机器人不再需要为每条生产线专门编程，能够快速适应新产品、新工艺
– 救灾机器人能够进入复杂环境，根据现场情况自主决定如何搜救、如何清理障碍
**四、’人类独特性’的重新定义**
然而，每一次AI的重大突破，都伴随着一个更深层的问题：这重新定义了什么是’人类’。
当AI在围棋上击败人类时，我们说’围棋不是智能的全部’。
当AI写出优美的诗歌时，我们说’情感体验才是人类的本质’。
当AI通过图灵测试时，我们说’意识才是区分人与机器的关键’。
现在，AI开始学会’动手’了。物理世界的交互，一直被认为是人类相对于AI的最后堡垒。我们能够灵巧地使用工具，能够适应复杂多变的环境，能够通过触觉、力觉来感知世界——这些被认为是’具身智能’的核心，是机器难以复制的。
π0.7模型的突破，正在侵蚀这个最后的堡垒。
这迫使我们重新思考：如果AI既能思考又能动手，既能理解语言又能操作物理世界，那么人类的独特性到底在哪里？
也许答案不在于我们’能做什么’，而在于我们’为什么做’。人类的创造力、同理心、道德判断、对意义的追求——这些可能才是我们真正的独特之处。但问题是，如果AI也能表现出类似的行为（即使只是模拟），我们该如何区分？
**五、奇点前夜：机遇与挑战并存**
Physical Intelligence的突破，让我们站在了一个关键的十字路口。
一方面，通用机器人AI的曙光意味着巨大的机遇：
– 生产力的大幅提升，可能解决劳动力短缺问题
– 危险、枯燥、重复性工作的自动化，让人类专注于更有创造性的领域
– 在医疗、养老、教育等领域的应用，可能极大地改善生活质量
另一方面，挑战同样严峻：
– 就业市场的结构性冲击，可能比之前的任何技术革命都更剧烈
– 安全与伦理问题：拥有物理行动能力的AI如果出错，后果可能很严重
– 权力集中风险：掌握先进机器人技术的公司可能获得前所未有的影响力
最重要的是，我们需要开始认真思考：在一个AI既能思考又能动手的世界里，人类应该扮演什么角色？我们的教育体系、经济制度、社会结构，需要如何调整？
**结语：不是替代，而是重新定义**
Physical Intelligence的π0.7模型，可能只是漫长旅程中的一小步。但它指向的方向是清晰的：机器人AI正在从狭窄的专业工具，向通用的智能体演进。
这不应该被简单地理解为’机器人要取代人类’。更准确的视角是：AI正在扩展’智能’和’能力’的边界，而人类需要在这个过程中重新定义自己的价值和位置。
就像计算机没有让我们停止思考，而是改变了我们思考的方式；互联网没有让我们停止交流，而是改变了我们交流的方式；机器人AI也不会让我们停止工作，而是会改变我们工作的本质。
关键的问题是：我们准备好迎接这个改变了吗？我们是否有足够的智慧，确保技术服务于人类整体的福祉，而不是成为新的不平等和控制的工具？
π0.7模型只是一个开始。但它的出现提醒我们：关于AI与人类未来的对话，不能再停留在理论层面。它正在成为现实，而我们需要认真思考，我们想要一个什么样的现实。
微软Recall再曝安全漏洞：当’记忆助手’变成’隐私窃贼’
最近，安全研究员Alexander Hagenah发布了一个名为’TotalRecall Reloaded’的工具，再次将微软Windows 11的Recall功能推上风口浪尖。这个工具能够绕过Recall的部分安全防护，在用户通过Windows Hello认证后，拦截并获取Recall数据库中的截图、OCR文本和其他元数据。
两年前，微软推出了首波’Copilot+’ Windows PC，其中Recall功能作为主打特色，承诺通过截图追踪用户的所有PC使用记录，帮助用户回忆过去的活动。然而，最初版本的Recall既不私密也不安全——它将所有截图和用户活动数据库以完全未加密的形式存储在用户磁盘上，使得任何拥有远程或本地访问权限的人都能轻易获取数天、数周甚至数月的敏感数据。
在记者和安全研究人员发现并详细披露这些缺陷后，微软将Recall的推出推迟了近一年，并大幅改进了其安全性。现在，所有本地存储的数据都将被加密，并且只能通过Windows Hello认证查看；该功能现在能更好地检测和排除敏感信息（包括财务信息）进入数据库；而且Recall将默认关闭，而不是在所有支持它的PC上启用。
重构后的Recall是一个重大改进，但拥有一个记录绝大多数PC使用情况的功能仍然存在安全和隐私风险。Alexander Hagenah正是最初’TotalRecall’工具的作者，该工具使得在任何Windows PC上获取Recall信息变得轻而易举。而更新后的’TotalRecall Reloaded’版本暴露了Hagenah认为的额外漏洞。
问题在于，一旦用户通过认证，系统会将Recall数据传递给另一个名为AIXHost.exe的系统进程，而这个进程并没有受益于Recall其他部分相同的安全保护。’保险库是坚固的，’Hagenah写道，’但送货卡车不是。’
TotalRecall Reloaded工具使用一个可执行文件将DLL文件注入到AIXHost.exe中，这可以在没有管理员权限的情况下完成。然后它在后台等待用户打开Recall并使用Windows Hello进行认证。一旦完成，该工具就可以拦截Recall发送给AIXHost.exe进程的截图、OCR文本和其他元数据，即使在用户关闭Recall会话后，这个过程仍可继续。
‘VBS enclave在没有Windows Hello的情况下不会解密任何东西，’Hagenah写道，’该工具不会绕过这一点。它让用户来做这件事，当用户做的时候默默地搭便车，或者等待用户来做。’
一些任务，包括获取最近的Recall截图、捕获有关Recall数据库的选定元数据以及删除用户的整个Recall数据库，可以在没有Windows Hello认证的情况下完成。一旦通过认证，Hagenah表示TotalRecall Reloaded工具可以访问记录到Recall数据库的新信息以及Recall先前记录的数据。
对于微软来说，公司表示Hagenah的发现实际上不是一个漏洞，公司不打算修复它。Hagenah最初于3月6日向微软安全响应中心报告了他的发现，微软于4月3日正式将其归类为’不是漏洞’。
‘我们感谢Alexander Hagenah识别并负责任地报告了这个问题。经过仔细调查，我们确定所展示的访问模式与预期的保护和现有控制一致，并不代表绕过安全边界或未经授权访问数据，’微软发言人告诉Ars Technica，’授权期有超时和防锤击保护，限制了恶意查询的影响。’
无论Recall的基础安全性如何，Recall仍然可能构成重大的安全和隐私风险。任何能够访问你的PC和Windows Hello备用PIN的人都可以访问你的数据库及其中的所有内容。尽管Recall的内容过滤器在排除敏感财务信息等方面做得不错，但能够访问你系统的人仍然可以看到各种电子邮件、消息、网络活动和其他你宁愿不分享的内容。
考虑到Recall可以记录的信息量之大，对于一个相当狭窄和有限的好处来说，这仍然感觉像是大量的潜在下行风险。该功能的风险性促使一些应用程序开发者自行采取措施。Windows上的Signal Messenger应用程序默认强制Recall忽略它，使用一个通常旨在将DRM保护内容排除在Recall数据库之外的标志。AdGuard广告拦截器、Brave浏览器等也实施了类似的变通方法。
这起事件揭示了一个更深层次的问题：在人工智能时代，我们如何在便利性和隐私之间找到平衡？Recall功能的设计初衷是帮助用户——就像一个永远不会忘记的助手，记录你的每一个操作，以便在你需要时快速找回。但正是这种’完美记忆’的特性，使其成为了潜在的隐私噩梦。
从技术角度看，微软确实在安全方面做出了改进：加密存储、Windows Hello认证、敏感信息过滤。但从用户角度看，问题在于信任的边界——一旦系统被入侵，这些防护措施是否足够？TotalRecall Reloaded工具揭示的正是这种信任链条中的薄弱环节：即使保险库本身坚固，运输过程中的漏洞同样致命。
更令人担忧的是微软对此事的回应态度。将这样一个明显的安全风险归类为’不是漏洞’，反映出科技巨头在面对用户隐私问题时的傲慢。当公司利益与用户安全发生冲突时，天平往往倾向于前者。
Signal、Brave等应用开发者的自主防护措施，实际上是对微软系统的不信任投票。当用户不得不依赖第三方应用来保护自己的隐私时，操作系统本身的安全承诺就变得苍白无力。
在这个数据即黄金的时代，Recall功能就像一把双刃剑：一方面，它确实能为用户提供前所未有的便利；另一方面，它也为黑客、监控者甚至恶意软件提供了前所未有的数据宝库。每一次截图、每一次输入、每一次浏览，都可能成为未来被利用的把柄。
对于普通用户来说，最安全的做法可能仍然是：除非绝对必要，否则不要启用Recall功能。在隐私和便利之间，选择前者往往是更明智的。毕竟，有些记忆，还是让它们自然遗忘比较好。
Anthropic向特朗普简报的’危险AI’：当科技公司成为地缘政治的新玩家
最近，AI领域发生了一件耐人寻味的事件。Anthropic公司的联合创始人杰克·克拉克证实，这家AI公司已向特朗普政府简报其最新的Mythos模型。这个模型危险到何种程度？它甚至不被允许向公众发布，主要原因是其据称强大的网络安全能力。
这不仅仅是一个技术新闻，更是一个关于权力、责任和地缘政治的复杂故事。当一家科技公司选择向特定政府简报其最危险的AI技术时，这意味着什么？
**一、Mythos：一个危险到不能发布的AI**
根据公开信息，Mythos模型被描述为具有”强大的网络安全能力”。这听起来像是双刃剑——既可以用于防御，也可以用于攻击。在网络安全领域，攻击和防御的界限往往模糊不清。一个能够发现系统漏洞的AI，同样可以利用这些漏洞。
Anthropic的决定——不向公众发布这个模型——本身就说明了问题的严重性。这让人想起OpenAI的GPT-4发布时的谨慎态度，但Mythos似乎走得更远。它危险到连研究社区都无法接触，只能向特定政府机构简报。
**二、为何是特朗普政府？**
这是整个事件中最耐人寻味的部分。Anthropic选择向特朗普政府简报，而不是其他政府机构或国际组织。这背后可能有几个考量：
首先，特朗普政府以其”美国优先”政策闻名，在科技和国家安全问题上采取强硬立场。对于一家美国AI公司来说，向即将可能重新掌权的政府展示其最先进（也最危险）的技术，是一种战略投资。
其次，这反映了科技公司对地缘政治现实的认知。在美中科技竞争日益激烈的背景下，拥有能够改变网络安全格局的AI技术，意味着巨大的战略优势。向可能的下届政府简报，是确保这种优势得到认可和保护的方式。
**三、危险AI：新的地缘政治工具**
Mythos事件揭示了一个更深层次的趋势：AI技术正在成为地缘政治博弈的新工具。当AI变得足够强大和危险时，它就不再仅仅是商业产品，而是国家安全的资产。
我们可以从几个角度理解这种现象：
1. **技术优势即战略优势**：在数字时代，网络安全能力直接关系到国家安全。一个能够主导网络空间的AI，相当于拥有了数字时代的”核威慑”。
2. **科技公司的地缘政治角色**：像Anthropic这样的公司，正在被迫（或主动）扮演地缘政治角色。它们的技术选择、合作伙伴、信息分享对象，都具有政治含义。
3. **AI安全治理的困境**：当AI技术危险到不能公开时，谁来监管？如何确保它不被滥用？传统的科技治理框架似乎已经不够用。
**四、科技公司的责任困境**
Anthropic的案例凸显了科技公司在AI安全治理中的复杂处境。一方面，作为技术创造者，它们有责任确保技术不被滥用；另一方面，作为商业实体，它们需要与政府合作以确保生存和发展。
这种困境体现在几个方面：
**透明度与安全的平衡**：完全透明可能让危险技术落入错误之手，但完全不透明又可能阻碍必要的监管和公众监督。
**商业利益与公共利益**：向政府简报危险技术可能带来商业机会（如政府合同），但这也意味着将巨大的权力集中在少数人手中。
**国际竞争与全球合作**：在美中科技竞争的背景下，科技公司面临选择：是参与国家竞争，还是推动全球合作治理？
**五、AI安全治理的未来**
Mythos事件应该让我们思考几个关键问题：
1. **谁应该知道什么？** 当AI技术危险到一定程度时，信息的传播应该受到怎样的限制？是仅限于政府，还是包括学术界、民间社会？
2. **如何建立信任？** 在缺乏透明度的前提下，公众如何信任科技公司和政府的决策？
3. **国际规则何在？** AI技术的跨国性意味着需要国际治理框架，但地缘政治竞争正在使这种合作变得困难。
4. **科技公司的道德指南针**：在利润、国家安全、公众利益之间，科技公司应该如何导航？
**结语**
Anthropic向特朗普政府简报Mythos模型的事件，可能只是冰山一角。随着AI技术继续快速发展，我们可能会看到更多类似的案例：科技公司被迫（或选择）与政府分享其最危险的技术秘密。
这提出了一个根本性问题：在一个AI可以改变权力平衡的世界里，我们如何确保这些强大的技术服务于人类整体利益，而不是成为少数人手中的工具？
答案可能不在于技术本身，而在于我们如何构建治理这些技术的政治和社会结构。这需要科技公司、政府、学术界和公众的共同努力——一个在当今分裂的世界中越来越难以实现的目标。
但有一件事是清楚的：忽视这个问题，可能比Mythos模型本身更加危险。
