摘要

Srinivasan 的基准情景是一个去中心化的 AI 经济：模型创建成本高，但蒸馏容易；有价值的运营语境则以“个人化、私密、可编程”的形式，留在可信社群内部。 AI 实验室一方面很难从技术上阻止蒸馏，另一方面在模型曾经训练过整个公共互联网之后，也很难从道德上抗议别人复制自己的成果。在社群内部，AI 提升生产率；社群之间，AI 制造垃圾信息和更高的验证成本。
AI 降低生成成本，却推高验证成本，使专业能力而非原始产出成为瓶颈。 视觉内容、可测试代码和物理任务更受益，因为人类可以直接看到、运行单元测试或观察结果；无边界的语言工作仍然模糊。“AI 是捷径”，但从未走过远路的用户也无法调试这条捷径。
Srinivasan 不认同 LLM 只要持续进步就能把我们带到 AGI，认为具备经济价值的系统“生来就戴着缰绳”，缺乏直接感知现实世界的能力，也无法在没有闭环物理供应链的情况下自我复制。市场和政治还会反过来对抗模型学到的策略，而竞争者拿到的是同样的通用模型。因此，他的运行公式是：“人类是传感器，AI 是执行器。”
关于就业，他的判断是“AI 不会夺走你的工作，而是让你成为 CEO”（“AI doesn’t take your job, AI makes you the CEO”）：更多人可以指挥廉价代理，在不同职能上达到合格水平。制椅匠会转型为管理者和技术员；创始人会成为6或7分的通才，而专家仍凭借词汇、打磨和验证能力保有优势。AI 还会接替“前一个 AI 的工作”，让模型选择变成一项持续性的采购工作。
生物学可能是 AI 最清晰的知识整合和感知机会，因为它能统一散落在数千篇论文中的事实，并根据用户从未用语言表达的遥测数据采取行动。 Srinivasan 称这可能是“生物学的世纪”，但也区分了综合“我们已经知道的一切”和发现无人知晓的事物。“我不确定 AI 能不能读懂你的思想，但它能读懂你的身体。”
现有 SaaS 面临压力，但不会自动被一刀切掉，因为 AI 能复制界面，却复制不了分发。 Figma、Notion 和 Replit 同样可以更快推出产品；Obsidian 等工具中的本地数据会不断积累，停滞的老牌软件则更脆弱。即使完美克隆出一个 facebook2.com，也不会凭空获得用户。
他的加密领域分工非常明确：AI 负责进攻，ZK 负责防守；Bitcoin 将成为“可证明、全球化、机构级的抵押品”，而 Zcash 则追求面向个人的私密数字现金。他认为，如果量子威胁出现，Bitcoin 的机构地址可以迅速迁移大部分资金，但持有小额资产的数十亿人做不到。Zcash 的卖点包括可互换性、隐私、Tachyon 带来的扩展性、更高的量子安全性、简洁性，以及10年的安全记录。

精读

1. 模型商品化，信任成为操作系统

Torenberg 将估值分歧概括为两条路径：一条像互联网应用，争夺用户关系；另一条像云基础设施，争夺底层能力。垂直整合的实验室掌握资本和算力，但蒸馏可能让成本降低98%，开源模型会追上来，应用层则保留与用户的关系。Srinivasan 认为，未来很大一部分价值将落在蒸馏和去中心化上。
Srinivasan 表示，只需相对少量的 API 调用，就能蒸馏出大型模型，这让监管和追责都很难执行。道德上的反对也站不住脚：前沿公司复制了“整个互联网”，这与 Google 对互联网进行索引、社交网络受益于抓取内容并无本质区别；既然自己复制过，就很难持续反对别人复制自己的复制品。
他的第二个判断是“个人化、私密、可编程”。AI 可以从海量数据中找回那些曾因信息隐蔽而受到保护的细节；Epstein 邮件的例子说明，数千封邮件可以突然变得可搜索，并被合成为一套叙事。公共信息变成“自下而上的监控”，公共资源则变成“一座镜厅”。
在可信社群内部，共享代码和数据能让团队“高速运转”；社群之间，AI 则制造垃圾信息、合成回复和低质量演示文稿。Srinivasan 的简洁分工是：“crypto 面向社群之间，AI 面向社群内部”——内部生产率更高，但外部验证成本也更高。

2. 廉价验证决定 AI 在哪里复利

“AI 确实降低了生成成本，但提高了验证成本。” 简历现在可以模拟过去需要投入时间才能获得的词汇和表达打磨，因此 Srinivasan 会把候选人叫到现场，参加受监考的线下考试。他预计验证岗位会增加，并采用“公开场合不得使用未披露的 AI”的规则。
他偏好“视觉胜过语言”。人类拥有“内置 GPU”，可以迅速发现断裂的手指、古怪的面孔或粗糙的界面，因此图片、视频、网站和移动端前端都很容易检查。后端代码也可以交给 AI，只要每个 pull request 都经过审查，并配有单元测试或集成测试。
中国科技生态提供了一个组织类比：低信任环境让企业不愿依赖外部 SaaS，迫使公司更多地自行重建系统。AI 降低了这种摩擦，推动“数字自给自足”——更多内部工具、更高的企业数据壁垒，以及 build-versus-buy 决策的转向。
真正的限制在专业能力：“AI 是一条捷径，而捷径只有在不出问题时才有用。” 一个人如果只记住 (e^{i\pi}+1=0)，却不会推导，就无法调试这条捷径。Srinivasan 认为，AI 之前成长起来的一代人恰恰更受益，因为他们走过了“绕远路”的学习过程。

3. 世界的反作用力让 AI 始终戴着缰绳

物理世界提供了一个共同的客观标准：机器人要么把100个箱子从一个托盘搬到另一个托盘，要么没有。数字任务的边界则很模糊——完成待办事项就不那么明确，而且人们身处彼此冲突的建构世界。因此，Srinivasan 预计强化学习、机器人、无人机以及中国的物理 AI 都会取得成功。
市场和政治会打破静态的训练—测试设定。猫不会为了击败分类器而改变形状，但交易员会发现反复出现的策略，并站到策略的另一边；政治议题也会随着时点和注意力变化。即使 AI 是为对抗性游戏训练的，它最终也会在市场中遇到另一套 AI。
通用模型的普及并不会带来具体优势：“你带到谈判桌上的东西是具体的，AI 是通用的。” 当所有人都使用同一个模型时，不使用 AI 反而可能成为优势。人类感知金融、市场和政治环境，指向那艘“宇宙飞船”，并提供人们所谓的品味：“人类是传感器，AI 是执行器。”
具备经济价值的 AI 会在被提示后启动，在被驳回后停止，是“生来就戴着缰绳”。真正的自我复制需要机器人开采矿石、制造芯片、建设数据中心，并闭合进化回路。Srinivasan 承认这在理论上可能实现，但强调资源瓶颈、可以关闭系统的加密密钥，以及普通的电源开关仍然存在。

4. 身体能提示大脑无法用语言表达的事

Nate Silver 的框架与 Srinivasan 的看法产生共鸣：使用 AI 是“一场赌博”，因为提出任务、派发任务和验证结果所需的时间，可能比直接完成任务还长。AI 往往只能处理中段环节，类似把工作委派给员工；有些行动本来就更容易直接做，而不是用清晰的英语描述出来。
生物遥测提供了更丰富的提示。实验室数据、基因表达、可穿戴设备、组织、分子和时间戳共同构成多维数据流；Mike Snyder 的“Intergrum”论文描述了足够广泛的测量方式，可以在主观症状出现前发现免疫变化。因此 Srinivasan 说：“我不确定 AI 能不能读懂你的思想，但它能读懂你的身体。”
他的规模类比来自美国视角下中国和印度的崛起：想象一下，10亿个工厂机器人和10亿个数字代理同时出现。制造业和外包让几乎任何东西都能以某个价格获得，但买家仍然必须说清楚自己想要什么——这也是 AI 时代人类剩下的同一项功能。

5. 自动化先抬高门槛，再抹去工作

Waymo 证明，某些具体工作可以被完全替代，就像电梯操作员和手工制椅匠大多已经消失。但一家制椅工厂仍需要制椅专业知识：手艺人的工作被拆解为设计系统的管理者和诊断系统的技术员。提示和验证也遵循同样的分工。
关键门槛在于“从99%到100%是巨大差别”。达到99%时，产量会爆发，工作量甚至可能上升；达到100%时，操作员消失，劳动力转移到别处。电梯——他称之为“垂直自动驾驶汽车”——跨过了这道门槛，而不只是变得更容易操作。
在科学领域，AI 已经能够搜索并综合任何个人都无法覆盖的文献。这可能让现在成为“生物学的世纪”，但起点只是“我们知道的一切，而不是我们不知道的一切”。据称 Donald Knuth 曾用 AI 处理一个图论问题，这个例子进一步说明：只有专家才能提出问题、理解结果并完成验证。
当生产自动化之后，人类注意力仍然稀缺。Coinbase 曾预计，当每种资产都能在某个平台交易时，上币就会变得无关紧要；但主 App 的显著位置或前10名地位仍然有价值。同样，工作会迁移到尚未被自动化的领域：“数字很便宜，物理才是高端产品”，而人类陪伴可能获得溢价。

6. AI 让更多人获得 CEO 试错权

“AI 不会夺走你的工作，而是让你成为 CEO。” CEO 的工作包括感知市场、写出清晰指令、分配资源和验证产出。随着代理成本坍塌，来自过去被视为贫穷国家的聪明创始人，可以几乎不带资源地走得更远；Srinivasan 提到 Calendly 的尼日利亚创始人，认为这就是典型模式。
CEO 才能过去很难被测试，因为普通人可以低成本尝试篮球、唱歌或数学，却无法低成本尝试管理一家昂贵的组织。他们可以理解 Michael Jordan、Adele 或 Terence Tao 为什么配得上非凡地位，却仍可能坚信 CEO 只是“翘着脚坐在桌边发号施令”。
最好和最差的 CEO 共享一个特征：“组织可以在没有他们的情况下运行。” 最优秀的 CEO 会搭建一台不需要日常微观管理的机器，由 Gwynne Shotwell 这样的运营者处理细节，而不要求自己成为聚光灯中心。招募这样的“初级版 Elon Musk”，本身就是稀缺的管理能力。
还有两个相互呼应的重新定义：“AI 接替前一个 AI 的工作”，以及“AI 让你可以做任何工作，但只能做一点点。” Srinivasan 用电子表格追踪最好的编程、图像、视频和漫画工具，随着更好的模型出现就更换工具，并借此成为一个6或7分的通才；专家仍然负责打磨质量和识别幻觉。

7. 分发能力让 SaaS 免于被送上断头台

Torenberg 以 Figma 为例，推动“SaaS 末日论”：随着 AI 原生创业公司改变设计师的角色，代码、数据和 UI 壁垒都可能削弱。Srinivasan 的反驳是分发。Figma、Notion 和 Replit 已经拥有用户，也可以借助 AI 以不逊于挑战者克隆界面的速度推出新功能。
facebook2.com 的思想实验揭示了真正的壁垒：即使复制 Facebook 或 Instagram 的每一行代码，也不会让任何人登录；没有用户，广告价格就会崩塌。克隆降低了技术门槛，却无法复制分发能力和执行力。
压力仍会转向本地软件。Obsidian 可以挑战 Notion，因为本地存储的 Markdown 会形成“复利数据”，用户可以私下分析这些数据。被忽视的老牌软件会更脆弱——Srinivasan 不太情愿地给出 NetSuite 这个例子——但 AI 加速的是在位者和颠覆者双方，而不只是其中一方。

8. 政治与资本限制前沿实验室的上限

被问及 Anthropic 是否可能成长为一家规模超过最大国家、达到数万亿美元的公司时，Srinivasan 区分了技术执行和政治执行。达到一定规模后，市场就是政治：创业者依赖 VC，而 VC 的 LP 包括主权基金和养老金，它们都在国家规则之下运作。看似恒定的宏观假设，可能突然变成变量。
他的批评是，美国 AI 公司是“标量思考者，而不是向量思考者”。它们外推 AI 带来的颠覆，却把民族国家、美国对中国、储备货币和国内政治安排都视为不变。政治和经济的“奇点”如果同时发生，就可能改变派系之间的杠杆关系，让这种单变量世界模型失效。
因此，版权反弹可能反而有利于“海盗湾式 AI”：中国模型或去中心化模型可能什么都能做，包括处理好莱坞内容。利润更低、版权约束更少的 AI，反而可能是更好的 AI。资本也能打断指数曲线；崩盘之后，行业可能“只用现有模型再走10年”，就像核开发曾经停滞数十年。“事物会复利，直到它不再复利。”

9. Bitcoin 走向机构化，Zcash 追求私密现金

“AI 是进攻，ZK 是防守。” Srinivasan 认为，ZK 之于密码学，就像 transformer 之于 AI。他将 Zcash 描述为一款由 Zcash 驱动的移动钱包，也是“基本上完全加密的 Bitcoin”，并将其与 Milton Friedman 关于互联网现金的愿景连接起来：资金可以从 A 转移到 B，而不披露双方身份。
在 Srinivasan 的框架里，作为数字黄金的 Bitcoin 具备量子抗性，但作为数字现金的 Bitcoin 不具备。如果需要进行量子迁移，数百万个高度集中的地址可以在数日内迁移约99%的 BTC，而持有小额资产的10亿人无法在合理时间内完成迁移。他还认为，中心化持仓最终可能“在某种紧急情况下”被没收，Bitcoin 因此会成为“可证明、全球化、机构级的抵押品”。
Zcash 填补的是个人现金这一位置：具备可互换性、隐私性，可通过即将推出的 Tachyon 扩展，量子安全性更高，也更简单。Ethereum 和 Solana 将 Bitcoin 延伸向可编程性；Zcash 则将其延伸向隐私，同时避免私密智能合约带来的额外攻击面。
Srinivasan 指出，Zcash 已经存在10年，拥有去中心化的持币者基础，也积累了密码学方面的安全记录。他表示，过去那套有毒废料式的设置仪式已经在密码学层面得到修复，并称自己关注的是平台和基础设施，而不是交易。

AI + 合成生物学：人类历史上最具颠覆性的技术 | Ben Lamm（Colossal）Demis Hassabis：为什么 AGI 的影响将超过工业革命，以及 AI 的瓶颈在哪里