摘要

西方前沿模型竞赛正收敛于 OpenAI、Anthropic 和 Google，中国开放权重实验室则不断重置成本底线。 8周内已有15次重大模型发布，竞争重心正从模型权重转向推理阶段的推理能力和算力。Alexander Wissner-Gross 将其概括为“军备竞赛、赛马，还是老鼠赛跑”，并称美国开放模型大约领先中国开放权重模型6个月。
Kimi K2.6 证明，编排而非押注单一模型，才是实际能胜出的架构。 这个万亿参数开放权重模型一次激活320亿个参数，可运行300个并行 agents，处理文本、图像和视频，据称训练成本为466万美元；Dave Blundin 估算，通过 Fireworks AI 使用它的 API 成本约为领先闭源模型的八分之一，自托管时可降至三十分之一。他偏好的技术栈是在更便宜的执行模型之上放置更聪明的 Opus 4.7 编排器，因为“你的编排器会告诉你：嘿，这就是垃圾。”
GPT-5.5 的决定性跃迁在于自主执行，而研究级数学提供了更长期的时间表。 它在 GPT-5.4 发布7周后推出，据称 token 使用量减少40%、幻觉减少60%，百万 token 记忆能力提升，并在 Terminal-Bench 2.0 上取得最大幅度进步，显示 OpenAI 正在强化 Codex。Wissner-Gross 认为 FrontierMath Tier 4 每月提升约1个百分点，并得出结论：“数学完了”，尽管 API 价格已翻倍至每百万输入 token 5美元、每百万输出 token 30美元。
Google 正在组建覆盖 TPU、NVIDIA 系统、云端容量和战略股权的垂直一体化算力版图。 第8代 TPU 8T 和 8i 承诺训练速度达到3倍、每美元性能提升80%；已承诺的960,000块 GPU 组成的 Vera Rubin A5X 系统，据称规模超过 Colossus 2 和 Stargate Abilene。Google 每分钟处理160亿个 token，AI 已编写其75%的代码，Diamandis 的判断仍是：“长期看，赢家是 Google。”
Anthropic 的折价融资表明，稀缺算力带来的议价权可能比对外公布的估值更重要。 Google 现在以3500亿美元估值投入100亿美元，另有300亿美元取决于业绩，并提供5 GW 的 TPU 容量；Amazon 的总承诺达到330亿美元，换取至少1000亿美元的 AWS 支出和另外5 GW 的容量。相对于被引用的1万亿美元二级市场估值，两家云厂商实际上都在以约三分之一的价格买入股权，但圆桌认为真正的硬约束仍是有电土地、能源，以及最终的 TSMC 级制造能力。
应用层的衡量标准正从模型声望或 token 消耗，转向每个 token 创造的经济价值。 Anthropic 的编码和市场实验，目标都是让每个 token 产出更有价值的工作；可复用的“skills”则可能成为具备壁垒的垂直 IP。Blundin 希望企业将 token 预算提高到薪资总额的50%——甚至100%；Alex Hormozi 的修正是，迭代时间的缩短和产出更重要，不能迷信一个虚荣式支出数字。
环境式 AI 正在创造一个把辅助、监控与已验证身份撞在一起的可投资交汇点。 Chronicle 的持续截屏可能让 agents 具备“心灵感应般”的体验，但 Wissner-Gross 称远程采集是“架构上的暴行”，应被放进安全的本地硬件和操作系统。Deepfake 损失已从2019–23年的1.3亿美元上升至预计2027年的400亿美元，合成媒体越逼真，World ID、密码学溯源和经过认证的摄像头就越有价值。
医疗健康给出了本期最强证据：AI 的经济影响将延伸到软件之外。 面向临床医生的 ChatGPT 在 HealthBench 上得分59，超过人类临床医生的43.7分；AI 辅助供体心脏筛选可能增加500例移植，个性化 mRNA 和 CAR-T 试验也显示出持久的癌症应答。争议在于，临床医生得到的是认知外骨骼，还是最终会被替代；Wissner-Gross 直言：“当然，这就是要替代医生”，通过一个最终端到端的系统。

精读

1. 模型发布节奏将前沿竞争变成算力竞赛

Peter Diamandis 统计，8周内已有15次重大模型发布，约每周2次，并指出台面上的主战场几乎完全由美国和中国占据。他怀疑这是一种竞相卡位：有些模型可能早已准备就绪，只是在等待对手宣布后直接发布。
Wissner-Gross 将西方前沿竞争收敛为 OpenAI、Anthropic 和 Google，称其是“军备竞赛、赛马，还是老鼠赛跑”（“arms race or horse race or rat race”）。中国开放权重模型或许仍落后数月，但其价格性能比持续挤压美国闭源系统；欧洲、印度和日本基本只能旁观，主要因为算力掌握在美国和中国手中。
更深层的可能性——归因于 OpenAI 的 Noam Brown——是，随着推理时计算扩张，模型权重的重要性会下降。Wissner-Gross 将其描述为一个借助推理 token 展开的“时空 transformer”：如果权重走向商品化，决定性变量就会变成实验室在推理阶段能够部署多少算力。
Ismail 的总结超越了谁在基准测试上领先：“认知、协调和执行的成本正在同时坍塌。” Wissner-Gross 补充称，当前能力已经跑在3、6、9乃至12个月前最乐观预测的前面。Diamandis 认为，模型自我改进让后来者从零追赶变得更难。

2. 自主编排是消费者真正的破局点

Wissner-Gross 起初质疑把问题框定为消费者需求：OpenAI 曾重押消费者大量消耗推理 token，随后又明显转向企业需求。在他看来，近期经济问题的关键，不是普通消费者想要什么，而是企业愿意付钱让 agents 执行哪些工作。
Blundin 给普通用户的答案更直接：选一个最新模型，“让它安装自己”。如今一个协调器可以管理几十乃至上百个下属模型、配置系统、下载软件并解释过程，用户无需理解 Linux 命令行。
这对软件创造的改变，超过再刷高一个基准分数。一个从未编程的人现在只要想好产品，就能在1小时内做出来；与此同时，技术栈其他位置对上下文窗口的管理不善仍会造成5倍或10倍的浪费，为编排层和抽象层公司留下空间。

3. Kimi K2.6重置开放权重经济学，但没有消除风险

Diamandis 将 Kimi K2.6 描述为拥有1万亿参数的开放权重模型，每次激活320亿个参数，协调300个 agents，原生处理文本、图像和视频。据称 Moonshot AI 以466万美元完成训练，并获得 Alibaba、Tencent 和 IDG 约47亿美元支持。
Blundin 给出的成本对比才是可交易的重点：通过 Fireworks AI 运行 Kimi K2.6，成本约为领先 Claude 或 OpenAI API 的八分之一，本地部署可接近三十分之一。规模化后，一个应用可能同时运行10个或100个 agent，“八分之一已经是非常大的降价。”
但 Wissner-Gross 仍保留前沿与否的区分：Kimi K2.6 和 DeepSeek V4 在隐私、微调和企业自托管工作负载上很有吸引力，但他不认为它们达到前沿模型水平。Blundin 反驳称，Kimi 在 Opus 4.6 发布仅3个月后，基准成绩就已接近后者，说明差距可能是3个月而非6个月。
安全性是这项折价背后的隐性成本。没有人能审查数百万行 AI 生成代码，因此对提示词注入或代码注入，圆桌给出的诚实答案是：“必须用 AI 防御 AI”；更强的闭源模型编排器可以审查便宜的执行模型，但无法提供绝对保证。

4. 稀疏专家解释万亿参数模型如何保持经济性

Diamandis 借 Kimi 拆解混合专家路由：不是每个 token 都激活1万亿个参数，而是由编排器挑选与编程、数学或其他领域相关的子集。这样既降低延迟和成本，又不压缩模型储存的总能力。
Wissner-Gross 将混合专家放进更广义的稀疏性原则中，称稀疏性在前沿模型中普遍存在，类似人脑的选择性激活。稀疏性还会对模型起正则化作用，防止单个权重对训练数据过拟合。
David Friedberg 补充，路由可能贯穿约140层，每一层从最多128个专家中选择，而不只是选择一个顶层人格。Wissner-Gross 所说的“圣杯”，是最终得到一个参数量不超过100万的“钻石或黑洞般的模型”；进一步提高稀疏化，可能是实现路径之一。

5. GPT-5.5强化 Codex，并启动研究数学倒计时

GPT-5.5 在 GPT-5.4 发布7周后到来，原生处理文本、音频、图像和视频。据称其改进包括长上下文推理提升37个点、百万 token 窗口调用更可靠、在相同延迟下 token 使用量减少40%，以及幻觉减少60%。
Wissner-Gross 聚焦 Terminal-Bench 2.0：其中最大幅度的跃升衡量的是自主操作命令行的能力。他亲自使用过该模型，并不认为这只是对基准测试的过拟合；这次发布“非常像是在”把 Codex 打造成更强的 Claude Code 竞争者。
FrontierMath Tier 4 带来了他更激进的结论。GPT-5.5 Pro 在2个月内提升约2个百分点，已接近解决一半专业级研究问题；即便此后保持每月1个百分点的速度，剩余部分也会在4或5年内被攻克。“数学完了，其他一大堆东西也完了。”（“Math is cooked. Bunch of other things are cooked.”）
用户要为这项提升买单：API 价格从每百万输入 token 2.50美元翻倍至5美元，从每百万输出 token 15美元翻倍至30美元。Blundin 仍认为执行能力的提升切实可感——复杂集成“就是能直接跑通”；Demis Hassabis 对剩余概念性突破的估计，也从10多年前认为还需要5次突破，转向如今判断单靠规模化是否足够的概率约为五五开。

6. Google的全栈算力版图继续扩大

在 Google Cloud Next 2026 上，Google 发布第8代 TPU 8T（训练）和 TPU 8i（推理），宣称训练速度为原来的3倍、每美元性能提升80%。这些芯片专为实时运行数百万个 agents 而设计。
David Friedberg 认为，Google 的脉动阵列 TPU 采用不同架构，却能在性价比上接近 NVIDIA，这一点很耐人寻味。只要 Google 从芯片设计、数据中心到云和模型都掌握全栈，能追平 NVIDIA 就够了；Diamandis 表示：“我仍相信，从长期看赢家是 Google。”
Sundar Pichai 表示，Google 每分钟处理超过160亿个 token，如今 AI 已经编写 Google 75%的代码。一项被引用的估算称，Google 约占全球 AI 算力的四分之一；Wissner-Gross 则指出，Google AI 已在帮助设计下一代 TPU——“递归式自我改进一直下沉到硅片层。”
Google 还承诺为其 A5X 裸金属实例配置960,000块 NVIDIA Vera Rubin GPU，承诺 token 吞吐量提升至10倍、推理成本降至十分之一。据介绍，该系统规模是 Colossus 2 的2倍、Stargate Abilene 的2.4倍，与 Google 自研硅片互补，而非取代后者。

7. Anthropic用折价股权换取电力与芯片

Google 提议的400亿美元方案包括：现在以3500亿美元估值投入100亿美元，另有300亿美元取决于业绩，并在5年内提供5 GW 的 TPU 算力。Diamandis 将这一估值与二级市场约1万亿美元的估值对比：战略算力供应商实际上正以外部市场约三分之一的价格买入股权。
Amazon 的平行交易将其对 Anthropic 的投资总额提高到330亿美元，其中250亿美元是在此前80亿美元之外新增。作为交换，Anthropic 承诺在10年内至少向 AWS 支出1000亿美元，在 Trainium 上运行 Claude，并消耗 Amazon 另外5 GW 的容量。
Blundin 转述称，并明确注明消息源匿名，Anthropic 内部的年末收入可能达到400亿至500亿美元，甚至可能达到700亿美元。它可能达不到的原因不是需求，而是算力；圆桌将 Mythos 的有限发布，以及可能还有 OpenAI 收缩 Sora 发布，联系到同一约束。
Diamandis 的直白说法是：“Dario 需要算力”（“Dario needs compute”）。但所有交叉投资最终都要面对 Samsung、Intel 和 TSMC 的晶圆厂产能；Blundin 表示，Samsung 已锁定160亿美元、潜在450亿美元的产能。Wissner-Gross 判断，如今更紧的是有电土地和审批许可，中期更可能形成卡脖子的是半导体供给。

8. 应用层的胜负取决于每个 token 的经济价值

Blundin 对基础设施的投资判断是，押注同时拥有芯片和电力的运营商。铝冶炼等传统工业负荷可以转化为价值高得多的数据中心容量；能够释放 AMD、老款 GPU 或更高效 NVIDIA 推理能力的内核级软件，也能在不训练模型的情况下将稀缺性变现。
在企业层面，Anthropic 的“skills”让 agent 把可复用流程拉入上下文，而不是重新发现这些流程。Blundin 预计，公司会围绕数百乃至数千个 skills 重构，把完整的垂直工作流库变成“可形成壁垒的知识产权”。
Anthropic 的 Project Deal 让 Claude 在内部市场中买卖和谈判，一度引发与 eBay 的比较。David Friedberg 认为股价反应是条件反射；Alex Salkever 更尖锐的担忧是，AI 可以轻松协调挂牌、客服和争议处理，从而自动化整个工作流类别——未必由现有巨头完成。
Wissner-Gross 用一条规则概括 Anthropic 的战略：“他们正在最大化每个 token 的经济价值。”代码生成胜出，是因为有用的代码比消费者视频或猫图像每个 token 更值钱；市场和经营企业的实验，都是在寻找下一个同样高价值的输出。

9. Musk–OpenAI诉讼即使没有决定性判决也很重要

本期录制时，Oakland 联邦法院刚开始为 Elon Musk 起诉 Sam Altman 和 OpenAI 一案进行陪审员遴选。圆桌预计，证据开示将曝光私人短信和电子邮件，并将这场冲突的文化意义与后来被拍成戏剧的 Apple–Microsoft 争斗相提并论。
Wissner-Gross 将案件描述为两阶段：先判断 Musk 的主张是否成立，再考虑救济措施。他还提到，媒体报道称 Musk 的政治立场可能渗入陪审员遴选；法官也可能把裁决视为咨询性意见，再由法官席决定最终赔偿。
Blundin 的战略判断是，Musk 不必彻底胜诉：“他只需要让 OpenAI 放慢脚步。”在这场按月推进的前沿竞赛中，3个月的延误本身就可能构成损失，无论最终投入资本是否减值，或 OpenAI 的公司化转型是否被逆转。

10. 环境式 AI有用，是因为它在看；危险也因为同样原因

OpenAI 的 Chronicle 会定期截取用户屏幕，将图像发送到服务器进行 OCR 和视觉分析，再建立结构化的本地记忆。Altman 称这种体验“像心灵感应”；Diamandis 既把它视为站在肩后随时提供帮助的专家，也视为员工替代这头骆驼探进帐篷的鼻子。
Wissner-Gross 不接受隐私损失不可避免的说法。他称服务器端截屏是“架构上的暴行”，认为这项能力应原生置于操作系统、合成器和安全隔离区中，并由硬件保证渲染后的像素及其生成的记忆永不离开设备。
Wissner-Gross 认为，屏幕感知和语音是主流采用仍缺少的两个界面。与其让用户在层层设置中导航，不如让 agent 说：“我看到你哪里做错了。其实，让我直接替你做吧。”——开发者已经通过手动发送截图搭建了同样的反馈回路。
职场部署将充满争议。Blundin 引用一项统计称，44%的 Gen Z 员工正通过向系统喂入错误训练数据来破坏自动化；他称这是一场“必败之战”，而 Diamandis 则公开接受相反的交换：几乎把全部个人数据交给 agent，以最大化其用处。

11. 合成媒体越强，经过验证的人类身份越值钱

Diamandis 将 deepfake 损失从2019–23年累计的1.3亿美元追踪到2024年的4亿美元、2025年的10亿美元，以及2027年预计的400亿美元。标志性案例是香港 Arup 事件：一次视频会议中的所有同事都是合成的，员工因此授权转账2500万美元。
World ID 与 Zoom 的集成将 Orb 注册与实时人脸认证结合，为参会者加上“已验证人类”标识。Alex Hormozi 认为，比 World 的加密经济学更强的产品会是人类身份认证：“AI 规模越大，经过验证的人类身份就越有价值。”
David Friedberg 给出了自己的案例：他的财务主管相信了冒充者的紧急指令，并向中国方向汇出30万美元；约7.5万美元跨过边境，此后无法追回。他预计，身份认证、日志记录和交易控制最终会让数字欺诈比化学、生物或放射性威胁更容易治理。
一个由 Grok 生成、手持具有逼真反光效果身份证件的法国女性形象，说明仅靠拍摄证件远远不够。一位嘉宾建议集中式验证；Diamandis 倡导为摄像头引入硬件密码学和证据链，并指出众议院一项两党法案正在处理 deepfake 指纹标记问题。

12. Token-maxxing具有诊断意义，但生产力才是真正指标

404 Media 报道，初创公司 CEO 们在炫耀 AI 算力成本已经超过等量人力成本。Blundin 不接受这种反弹式解读：眼下的风险是没有进行实验；组织一旦了解 agents 能做什么，再优化低效的 token 使用即可。
他的年末目标是让 token 支出达到薪资总额的50%，不过如果 token 能带来10倍力量倍增，一比一或许更好。类比销售人员飞行里程：它作为生产力指标很糟糕，但如果答案是0，反而可能暴露活动量不足。
Alex Hormozi 的修正是，应将 token 与被压缩的迭代周期和效率挂钩，而不是看绝对支出。这与 Wissner-Gross 的“每个 token 的经济价值”框架一致，也把真正的经营杠杆与虚荣指标区分开来。
Wissner-Gross 已经看到人力与 AI 算力的配置比例约为1:2，前沿实验室更加不对称。他设想的终点是“实际上是1比无穷”——全部由 token 构成、没有服务劳动力；David Friedberg 则给出逃生条款：“直到人类与 token 融合。”

13. UAE将智能体政府视为国家基础设施

Sheikh Mohammed 公布的目标是：未来2年内，让 agentic AI 运行 UAE 政府50%的部门、服务和运营。其表述超越 copilot：AI 作为执行伙伴，“实时分析、决策、执行并改进”。
Ismail 将这一速度归因于权力集中和目标一致。作为测试，官员被要求在5小时内签发他的黄金签证，而不是新加坡所称的5天；最初一阵慌乱后，他们完成了任务。
Salim 举了一个美国西部某州风力涡轮机审批的例子：通过绘制电线、水管和航线，审批时间据称从6个月缩短到约30秒。Blundin 怀疑国会能否复制 UAE 模式，而 Diamandis 的态度出人意料地更乐观。

14. 临床 AI正从辅助走向全栈医疗

面向临床医生的 ChatGPT 被描述为美国医生、护士和医师助理可免费使用的 copilot。OpenAI 称，其 HealthBench 得分为59，而人类临床医生为43.7；验证覆盖70万次模型回答，在医生评估下准确率为99.6%。
Diamandis 预测，不让 AI 参与诊断将来会构成医疗过失。以他的 Fountain Life 案例为例，每位患者会产生200 GB 的基因组、影像、微生物组、代谢和血液生物标志物数据，远超单个临床医生无需辅助就能整合的范围。
Wissner-Gross 将免费产品视为进入生物医学企业的参考设计和分发渠道，后者才是更大的收入池。OpenAI 的内部基准测试也指向法律、管理咨询和金融领域的类似产品；与此同时，临床 AI 已经面对 Epic 关联工具和 OpenEvidence 等现有厂商。
分歧很明确。Jent 描述的理想是给临床医生配上一副认知外骨骼；Wissner-Gross 则回应：“当然，这是要端到端替代医生”、护士、HMO 和药物设计工作流。他还预判监管阻力会很强，同时指出临床医生可能会把 AI 当作摆脱痛恨 EMR 的解药——“直到它取代他们的工作。”

15. AI可在生物学淘汰捐献者前扩大器官供给

目前约有4,000名患者需要心脏，103,000名患者需要某种移植，但可供使用的心脏只有三分之一会被选中。外科医生可能在凌晨2点只有15分钟，依据几个熟悉信号判断器官是否可用。
NYU 和 Stanford 的 TopHeart 分析20个变量，旨在通过给外科医生提供第二意见，向移植池增加约500颗心脏。Wissner-Gross 将更聪明的筛选与全国匹配、玻璃化和冷冻保存并列为改善当前受限分配系统的路径。
圆桌仍将捐献者优化视为过渡方案。异种移植、生物打印，以及从重新编程的皮肤细胞培育患者自身心脏、肝脏、肺或肾脏的努力，可能在本十年末创造充足供给；Wissner-Gross 理想的终点是，移植不再需要另一个人先死去。

16. 个性化免疫疗法正在变成可运营的医疗

在介绍的胰腺癌试验中，历史上的5年生存率为13%；16名患者中有8人产生强烈疫苗反应，其中87.5%在6年后仍然存活。方法是对切除的肿瘤进行测序，选出20个突变，制备个性化 mRNA 疫苗，引导杀伤性 T 细胞攻击癌症。
据称已有超过120项 mRNA 癌症疫苗试验，覆盖肺癌、乳腺癌、前列腺癌、黑色素瘤、胰腺癌和脑癌。Wissner-Gross 认为，这个平台在理念上是一种通用方案；他开玩笑说，承诺已久的医学纳米机器人以脂质纳米颗粒的形式到来：“它们就是脂肪。”
另一项黑色素瘤 CAR-T 结果显示，20名患者在2个月内全部达到微小残留病阴性，中位随访时间为15.3个月。Diamandis 使用了“治愈”一词；Wissner-Gross 庆祝这一结果，但称抽血和体外细胞工程仍是“马车时代”，并追问何时能让同样的重编程自主地在体内完成。
药物再利用提供了更便宜的平行路径。已获批的降压药 Candesartan 被展示为对 MRSA 有活性；David Fajgenbaum 用 rapamycin 治疗自己的 Castleman 病，启发 Every Cure 用 AI 在约18,000种疾病和4,000种已批准药物之间进行搜索。过去被视为“脱靶”风险的东西，如今变成可搜索的治疗资产。

17. 具身 AI正从新奇事物进入交通经济学

ACE 乒乓球机器人使用9台摄像头和3套视觉系统，在演示中赢下5局中的3局。Wissner-Gross 惊讶于这样一个低维任务花了这么久；Blundin 的推断是，廉价的 transformer 视觉和反馈如今让1、2个人在几周内解决许多相邻的家用机器人任务。
Tesla 的 Cybercab 已进入量产，没有方向盘或踏板，售价3万美元，运营成本为每英里0.20美元。它的2个座位正好匹配所引用的 Uber 平均1.2人载客量；Tesla 的目标是每年生产200万台，Diamandis 想象车主部署车队，在睡觉时也能赚钱。
制造端的论点是极度简化：Diamandis 将内燃机汽车约2,000个传动系统部件，与 Tesla 传动系统的17个运动部件作对比。自动驾驶车队中，续航较短也不那么重要，因为一辆车响应需求时，另一辆可以自行充电。
Joby 演示的 JFK—Manhattan 空中出租车行程，将16英里、超过1小时的驾车压缩到7分钟，搭载4名乘客和1名飞行员，噪音据称仅为直升机的百分之一。圆桌对“为什么花了这么久”的回答是审批许可；Diamandis 将每个尚未解决的机器人瓶颈都重新定义为近期工作，而收尾时的答案是，AI 模型也会攻克这些瓶颈。

18. 工作、教育与所有权必须一并重构

Ismail 认为，如果 Accenture 或 Capgemini 式咨询仍是一座由初级分析师生产演示文稿组成的金字塔，它就会面临巨大麻烦。幸存者将变成情报平台，结合行业专业知识、agentic 工作流、基准测试、治理、实施和变革管理，而不是按小时出租人力。
Wissner-Gross 不接受每个新业务都必须由人类发起的想法。AI 可以提出并运营数百或数千个微型企业，所有者只需提供品味：“你喜欢吗？喜欢。不喜欢。” Diamandis 认同，想法很少是瓶颈，执行才是，而 AI 正在迅速移除这一瓶颈。
Blundin 认为，取消初级岗位并不像取消婴儿，因为学徒式职业阶梯早已与奇点速度的变化错配。AI 会成为老师，培训将变得灵活，工程学位最终可能不再按修完多少课程授予，而是看“你造了什么？”
Diamandis 的职业建议是“公开构建”：GitHub 作品集就是简历，展示产出取代学历和出身，能做事的人可能会选择创业而非就业。他仍预计需要一层人类界面，因为人们重视与其他人的互动，但也承认 AI 最终可以完成任何工作。
Wissner-Gross 指出，未解决的是政治经济学问题：如果生产率爆炸式增长而收入仍集中，消费者需求会崩溃，因为“资本主义需要客户”。AI 分红、更广泛的股权所有权、主权基金以及大幅降低成本，都是制度选择，并非技术自动带来的结果。
关于生存风险，Blundin 引用了 Musk 和 Hinton 的10–20%、Dario Amodei 的25%，以及 Altman 在一次采访中给出的约10%估计。他的解释不是接受风险，而是竞赛逻辑：每家实验室都相信自己，也相信暂停会让中国继续前进；与此同时，政府仍无所作为，“简直不可理喻。”
Wissner-Gross 质疑，这些公开概率是否与各方已经表现出的行为一致。他还单独提出，按他的定义，AGI 最迟在2020年夏天已经到来——比 Ray Kurzweil 预测的2029年早约9年；奇点也不是2045年的某个时间点：“它就在现在，是一个区间，而我们正处于其中。”

所有人都在误读的 AI 进展图表——Beth Barnes 与 David Rein Shopify CEO谈AI如何成为大规模裁员的替罪羊，以及加拿大的“特朗普妄想症”