他把看起来不相关的两件事放在一起讲。数学那边，OpenAI 在 10 月 6 日发布了近 400 个百年开放问题的结果，仓库里是 722 篇手稿、372 个结果家族；他自己留了余地——「我们还没有提出全新的理论」。生物学那边，他把瓶颈指得很具体：不是理论，是数据，以及一份要写一年的临床试验申报材料。34
真正刺人的是后半场。他说网络安全的物理规律正在改变，我们正处在所谓「守方窗口」里：峰值前沿能力还没有扩散，只握在守方手里；而被广泛扩散的能力正在一档一档往上爬。韩国那几起银行入侵是这条线的领先边缘。他的结论是安全支出应该远远超过软件支出，并且自己补了一句「我可能不对」。56
下面按节目原始顺序，先是 14 段逐段要点整理，再是全篇逐句中文译文，一个字都没省。
逐段要点整理
00:42 片头
- 冷开场是一段从正片里剪出来的原声：确保 AGI 造福全人类；人应该牢牢坐在驾驶位上；以及那句会被反复引用的判断——网络支出、安全支出「实际上应该远远超过软件支出」。1
- 他还补了一句定位：人们还没有真正内化「网络安全周边的物理规律将要改变多少」，而他觉得有机会得到一个安全得多的世界。1
00:59 出场
- 主持人在开场里给这期的三个落点：最新的数学结果、Astra 与「AI 现在能产生真正的新知识」、以及药物发现、Dots 与那句关于安全支出的论断。1
- 埃拉德·吉尔接手的第一个问题是「这周 OpenAI 发生了很多事」：GPT-6 推给了超过十亿人，数学那边也有消息。7
01:11 AI 与数学的进展
- 布罗克曼的框架是先说人、再说机器：过去一千年人类生活质量的根本驱动力是技术与科学进步，而「我们现在有能力大幅加速科学发现」。1
- 他把这周的数学结果当成一个里程碑式的证据：「AI 到底能不能产生新知识」这个问题，在他看来已经无法否认。1
- 但他自己划了界：还没有提出全新的理论，解开的是百年老题。官方口径是这批结果放在 GitHub 上：722 篇手稿、372 个结果家族、约 42% 的顶层结果已用 Lean 形式化，平均每个结果用掉约三小时 ChatGPT Pro 的思考算力。34
- 他真正兴奋的点不在「机器给出答案」，而在人：「人去做任何想做的事的杠杆，正在变得高得多、高得多。」同一套能力换到生物学、换到一个小企业主身上，都会成立。1
- 他自己举的反例是四色定理：机器检查一大堆情况，那里面没有美。他认为这批结果的价值要看数学界能不能从中读出洞察——目前他看到的是领域专家的意外，「为什么他们在这里用了那个结论」。1
- 他还提到一个个人经历：中途停止学数学之后，他用 Math Academy 和 ChatGPT 重新学；他期待模型的心智理论变好之后，能把「通往新理解的路」铺给人。1
05:55 AI 的沟通与监督
- 这一节是整期里技术味最重的一段：当 AI 去解决人类无法检验的问题时，人类怎么知道它做对了。1
- 他点出的例子是「总结一本书」：除非你读完整本书，否则很难判断这个摘要好不好。1
- 对应的办法是 2017 年就写进讨论的两条：辩论与迭代放大——一个 AI 给结论，另一个 AI 专门去证明它是坏的；人只需要判断那个反驳成不成立。1
- 他把这条线同时接到两个目标上：让人有能力监督、让人坐在驾驶位；以及让产出对人有学习价值，而不只是「为知识而知识」。1
07:45 用 AI 跨过生物学数据瓶颈
- 他给了一条可外推的方法：如果理解 AI 为什么在某个维度上变强，那么所有性质相似的领域，都应该期待相似的结果。1
- 「数学可检验」这个常见解释他不完全接受：算术有唯一答案、形式化证明可检验，但自然语言证明很难查。真正的分界线是数据——数学与理论物理有大量数据，生物学没有。1
- 他的公式是深度学习的物理规律：算力、数据、算法等于能力、等于结果；缺一样，能力就上不去。1
- 但有些瓶颈与生物学理论无关。他举的是监管申报：把临床试验整套材料写出来要一年——用 AI 写要容易得多。1
- 缺基础数据的地方，他给出的方向是湿实验室与模拟方法的创新；他说有些领域会很快被攻克，另一些会卡住。1
11:28 重写药物发现
- 如果只能挑一个领域彻底改变，他挑药物发现：清楚、明显、纯粹地重要。1
- 他给理由是「人类在生物学上极其糟糕」：自然语言是人的主场，生物学对人完全陌生；但对神经网络来说，没有理由认为语言比生物学更容易——所以生物学的语言应该也能被破解。这是他明确标为推理、而非已兑现结果的部分。1
- 埃拉德·吉尔在这里把成本拆开：开发一款药 15 年、15 亿美元，其中约 5,000 万美元是临床前的老鼠实验与分子本身，14 亿多美元是临床试验；时间上也是 2 到 3 年对另外 12 年。1
- 他的批评是这些模型早期的重点一直是「能不能挖出来」，而不是把结果变成能用的药。1
- 布罗克曼补了一个短期就能做的方向：有很多人的药其实已经存在，就在某篇论文里——找到那一篇，就能治好这个人。另外，材料科学是名单上的下一个。1
14:18 监管与加速
- 主持人的问题是：如果技术真的成立，限制因素就变成说服监管者改变对「什么药能被接受、流程该是什么样」的期待。1
- 他的回答是一条通用方法：先证明物理规律变了，它才会渗透到系统的每一个部分——不是先改规则。1
- 他举的类比是自动驾驶：如果它比人安全 10 倍、100 倍，那该重新思考整个交通系统，甚至只允许它在部分区域上路。1
- 他提醒监管不是全球统一的：在临床试验上澳大利亚与美国的规则非常不同，试验已经在往监管更合理的地方搬。1
- 但他没有跨过自己的门槛：神经网还没有比临床试验更准，「我们还没到」；长期结果至少需要一个时间刻度来对应。他给的估计是「可能性的 80% 会非常快地变成现实」。1
16:51 Dots：主动式代理
- 他的定义很短：主动式智能体，一直在线、一直在工作，「你停下来了，它还在继续工作」。8
- 他自己那只 dot 在做的事：盯着他该发的消息、说过要做还没做的事；指出日历冲突，提醒他该提早离开某个会；知道他收件箱和 Slack 里有什么，也知道他最近在问什么。1
- 他的判断是「变的是形态，不是能力」：Dots 跑在 Astra 级别的模型上，自带一台云电脑。官方口径是 GPT-6 Astra 驱动、可接 4,000+ 个应用，先在 Pro、Business Premium 与 Enterprise 档推出。89
- 他只用一只，图标是一只小猫头鹰——图标可以换。1
19:19 工作代理与消费级代理的合流
- 他判断两条线会收敛，差别在成本：消费级要规模，要免费或极低价；工作场景可以说「上峰值智能」，只要多付钱能得到回报，就值得多投算力。1
- 他举 ChatGPT 的例子：把记忆这样的功能带给所有免费用户是巨大的工程；把同样的功能以更高的成本给极少数人，则容易得多。1
- 他把「两边都有」当成自己的结构优势：一边是每周超过 12 亿人使用 ChatGPT，一边是领先的编程与企业业务。7
- 他看到的第二层效应是创业：有人因为「有一个我知道可以依赖的 AI」而辞职创业——这是他给的判断，不是统计。1
22:02 界面会怎么演化
- 他的答案只有一句：最好的 UI 是没有 UI——「我们今天正走向的，是连文本框都没有」。1
- 企业与他个人场景的差别，他归到人而不是功能：工作场所里有管理员、有公司安全团队、有更多相关方，它不只是一个属于你、代表你的 AI。1
- 由此产生一个他承认尚未解决的问题：企业要控制新功能何时上线，于是你在工作场所可用的功能反而更少——而本来就没有界面可以告诉你这件事。1
- 他给出的答案产品是「智能界面」：界面当场生成——订机票给你一个复杂界面，装自行车给你一个只用一次的小应用。官方发布说明里，这套能力随 GPT-6 一起面向所有用户推出。7
- 还有一条校准：GPT-6 可以先给快答案、再继续想，完整答案稍后到。7
26:08 AI 时代的网络安全
- 这一节的核心是「守方窗口」：峰值前沿 AI 能力可以帮助守方保护自己，它们还没有被广泛扩散，但被广泛扩散的能力正在一档一档往上爬。510
- 他给的现实证据是韩国：若干起高关注度的银行入侵由模型驱动。三家外媒把它写成了同一件事——一次由 AI 辅助的攻击打到了多家韩国银行。61112
- 他反复强调的落差是「缺陷本来就存在」：每一行人手写的代码都得问一句这安全吗，从来没有哪个首席信息安全官觉得人手和预算够。
- 他把责任放到设计史上：互联网是为韧性而建的，不是为安全而建的——HTTP 后来才变 HTTPS，杀毒软件是出了蠕虫之后才有的。5
- 通道是 Daybreak：给验证过的防御者开放更有能力、更少拒绝的模型，用来发现并修复漏洞。官方口径是两档权限（Daybreak Blue 给通用前沿模型、Daybreak Red 给专门训练的网络安全模型），并按风险把拒绝率做成可测量的指标。10
- 他提到的数字是 10 亿美元：投向一线守方，先对准资源最少的那一批。官方公告写明这笔钱是补贴访问、培训与技术支持，目标在六个月内消耗，优先水务与电网、地方政府、社区银行、非营利组织与开源维护者。13
- 他讲了一个具体的技术方向：用 AI 还技术债——模型擅长证明，那就拿它去证明软件的安全属性。这件事对人太难，所以一直没人做。5
- OpenAI 内部的做法他讲得很细：把大约 25% 的生产工程师从项目上抽出来只做安全，用当时的峰值智能模型去戳自己的基础设施，把这一轮找干榨尽，并在每次新模型发布后重复。5
- 前景他没有粉饰：主持人把过渡期总结成「攻防都更多，然后防守追上」，他的回答是「这至少是最可能的前景」，并强调这需要协调一致的响应，而窗口不会永远存在。1
32:55 安全投入的转向
- 全期最刺人的一句在这里：网络支出、安全支出实际上应该远远超过软件支出。他紧接着自己补了一句「我可能不对」。1
- 他给的理由是软件正在变得几乎免费，所以价值会落在软件之外：可靠、安全、你信得过的软件——韧性就是那部分价值。1
- 主持人的反问很实在：传统上安全投入被当成 IT 预算的低个位数百分比，说「拿走 25% 的工程师」或「冻结功能一个季度」并不是世界已经决定要进入的状态。1
- 他顺口提到的生态是真实的：Socket 这类公司扫开源供应链找漏洞，CrowdStrike 这类公司在做协同响应。1
- 他把「由 OpenAI 来领导」说成核心优先事项，理由是自己手里有前沿模型；同时他承认，OpenAI 自己也经历了一场安全转型。1
35:49 OpenAI 的以人为本
- 他把这条线讲成使命本身：确保 AGI 造福全人类，「全人类」是关键词；人应该坐在驾驶位上，技术应该放大人的能动性——哪怕模型的能力超过了人。1
- 他用的形容词是「锯齿状」：甚至 GPT-4 知道的都比任何一个人多，但有些事情它还是做不了。1
- 他讲了一个具体的故事：史蒂夫·乔布斯在 iMac 上装把手，是为了让人觉得自己能控制机器——随时能把它拎起来扔出窗外。他说同样的精神适用于 AI。1
- 对未来人的位置，他给的是一个类比：我们会更像 CEO 或董事会成员——有领域专家、有团队，很多轴上想法比你好；但根本的问题仍然是「你满意吗？这让你的生活更好了吗？」1
38:28 收尾
- 主持人用「非常感谢你来做客」收尾；节目提示订阅与官网逐字稿页面。1
逐句全文翻译
只保留中文译文，不保留英文原文；对话部分保留说话人标签：格雷格／萨拉／埃拉德。不压缩、不摘要、不删减。
口径：说话人按官方视频的声部分段与内容判定——格雷格＝格雷格·布罗克曼，萨拉＝萨拉·郭，埃拉德＝埃拉德·吉尔；片头的冷开场是嘉宾原声片段，标为格雷格；片尾的节目口播标为萨拉。这档节目不发布带姓名的逐字稿，两位主持的提问按同一位嘉宾对话的声部序列与内容归属，可能与实际发言人有个别出入。官方字幕由机器生成，专名听写有错（例如把 Astra 写成 Astro、把 Galois 写成 Gawwa、把 Gauss 写成 Gaus、把 Dev Day 写成 Dev Day 之外的拼读），译文按正确专名还原；节目里的口头语、重复与自我更正按原意保留，未删减任何内容。10
00:42 片头
格雷格：确保通用人工智能造福全人类。
格雷格：我们认为，人应该牢牢坐在驾驶位上，应该掌控未来，而这项技术应该放大人的能动性。
格雷格：当我看向我们将要进入的那个世界，软件在某种意义上正在变成——门槛正变得如此之低。
格雷格：你想要的并不只是软件，对吧？
格雷格：你想要的是可靠、安全、你信得过的软件。
格雷格：所以网络支出、安全支出，实际上应该远远超过软件支出。
格雷格：我认为，人们还没有真正内化网络安全周边的物理规律将要改变多少。
格雷格：我认为，我们有机会最终得到一个安全得多的世界。
00:59 出场
萨拉：听众朋友们好，欢迎回到 No Priors。
萨拉：今天，埃拉德和我请到的是 OpenAI 联合创始人兼总裁格雷格·布罗克曼。
萨拉：我们聊了 OpenAI 最新的数学成果、Astra，以及格雷格为什么相信 AI 现在能够产生真正的新知识。
萨拉：我们聊到药物发现、Dots，以及他那个「安全支出其实应该远远超过软件支出」的论断——这可不是一个小论断。
萨拉：以下是我们与格雷格·布罗克曼的对话。
萨拉：格雷格，非常感谢你来做客。
格雷格：谢谢邀请我。
埃拉德：在 AI 里，每一周感觉都像一年，而 OpenAI 这一周发生了很多事。
埃拉德：你们把 GPT-6 推给了超过十亿人，这相当惊人。
埃拉德：数学那边也有一些非常令人兴奋的消息。
埃拉德：内部肯定还发生着各种各样的事。
埃拉德：无论是 OpenAI 内部，还是更大的 AI 世界里，眼下最让你兴奋的是什么？
01:11 数学进展
格雷格：你看，我觉得在 AI 这件事上——我对 OpenAI 的运转方式有一个信念，有一句自行车运动里的话：它从来不会变容易，你只是骑得更快。
格雷格：我认为实际情况非常像这样：活动实在太多，每次你以为自己已经到达了影响的某种峰值、事情就是这样了，你会意识到其实还有另一个层级的可能。
格雷格：而且这不仅仅关乎某一家公司，也不仅仅关乎某一项技术。
格雷格：它真正关乎的是：我们作为世界、作为社会，正在一起接纳这项技术，把它用好，去改善每个人的生活。
格雷格：所以对我来说，这周的数学成果是一个真正的里程碑。
格雷格：这是一个真正的时刻：如果你回想过去一千年里人类生活质量提升的根本驱动力，那是技术，是科学进步。
格雷格：而我认为，我们现在有能力大幅加速科学发现。
格雷格：一直以来都有一个问题：AI 到底能不能产生新知识？
格雷格：到了这个阶段，已经无法否认了。
格雷格：答案明确地是：能。
格雷格：当然，还有更多路要走。
格雷格：我认为我们还没有提出全新的理论，但我们能够解决这些百年数学问题。
格雷格：对我来说，非常令人兴奋的一点是：这不只是机器给你一个答案。
格雷格：真正的问题是，一个配备这些工具的人能做到什么，是以前无法想象的。
格雷格：我认为这几乎就像是，人去做任何想做的事的杠杆正在变得高得多、高得多。
格雷格：如果你有一个想解决的数学问题，你现在就能解决它。
格雷格：但把同样的能力用到生物学上呢？
格雷格：如果你是一个小企业主，想经营好自己的生意呢？
格雷格：针对那个领域调校过的智能水平，就意味着那种与你的目标、你的愿望一致的、几乎难以想象的结果，现在会进入每个人的能力范围。
格雷格：这对我来说太令人兴奋了。
埃拉德：进展的速度也相当惊人，因为如果我看这件事——早期模型连算术都有问题，我记得当时人们抱怨：它怎么连基础数学都做不好？
埃拉德：而现在你们在解这些高等定理。
埃拉德：随着这些系统继续进步，开始真正影响数学、物理、材料等领域和各种应用，会不会有这样一种需要：如果模型变得这么聪明，要重点解决如何有效地把这些东西传达给人？
埃拉德：因为如果你看任何一门数学，能真正判定一个人做出的定理的，只有极少数人。
格雷格：是的。
格雷格：而且这本来就是这样——我出身数学，我以为自己会成为数学家，我深受高斯、伽罗瓦这样的数学家的启发，他们是那种以一百年、四百年为时间尺度工作的人。
格雷格：我认为数学有一种深刻的美，它关乎理解宇宙的结构。
格雷格：所以问题不只是——数学是被发明的还是被发现的，这类问题一直都在。
格雷格：在我看来，数学的美与意义在某种意义上是主观的，它在观者的眼里，它是打动我们的东西。
格雷格：其中有一些像物理定律，关乎简洁、关乎压缩理论，复杂度理论这些可能更偏物理。
格雷格：但数学中也有某种非常重要的、属于人的东西。
格雷格：所以对我来说，这不只是「这里有一个没人看得懂的证明，很好，我们解决了这个问题」。
格雷格：真正重要的是从中得出了什么洞察。
格雷格：而我认为我们将会看到——而且已经有一些令人鼓舞的迹象——这些 AI 的工作里包含着漂亮的洞察。
格雷格：我们现在看到的是，我们发布了近 400 个非常重要的开放问题，它们如今被解决了，数学界正在通读所有这些内容，从中寻找洞察。
格雷格：如果你读一读人们发的一些东西——那些针对具体问题的领域专家——他们会说，其中有几乎令人意外的、应用某个想法的方式，或者「等一下，为什么他们在这里用了那个结论」。
格雷格：而且出来的并不是那些无法理解的定理或证明——顺带说一句，数学史上有的是无法理解的证明，四色定理就是一个完美的例子：好吧，我们让机器检查了一大堆情况。
格雷格：那里面没有美。
格雷格：所以我认为我们进入了机器发现的另一个阶段。
格雷格：我有一些乐观：随着模型的心智理论变好——也就是搞清楚我们人类知道什么、如何带着我们走上通往新理解的路——这条路也会被铺出来。
格雷格：比如说，我是一个搞数学的人，但我在学校的某个时刻停止了学数学，后来我用了 Math Academy，再后来我用 ChatGPT 帮我学新的数学。
格雷格：所以我就是觉得，人们被期待能理解的知识水位，这条上涨的潮水也会涨上来。
05:55 沟通与监督
格雷格：我认为这是一个非常重要的点，也是我期待、希望并从这项技术里开始看到的、可能被低估的好处之一：帮助人们知道更多、理解更多、更好地理解彼此、更好地理解世界。
格雷格：我认为有一些技术机制可以支撑这一点：你有一个能去解决这些问题、看到不同领域之间所有联系的 AI，但它实际上如何与你沟通？你如何理解它？
格雷格：而且这甚至与 AI 安全和对齐有关——让 AI 能理解自己在做什么。
格雷格：所以有一些我们从 2017 年就在讨论的技术，比如辩论，以及迭代放大，它们像是一枚硬币的两面。
格雷格：你真正要想的是：如果你有 AI 去解决那些人类根本无法检验的问题。
格雷格：甚至比如总结一本书，就是那种很难检验的任务，对吧？
格雷格：除非你读完整本书，否则你很难知道这个摘要好不好。
格雷格：所以如果 AI 只是给你一个摘要，说这就是摘要，它是好摘要还是不好的摘要？
格雷格：除非你还有另一个 AI，试图证明这个摘要是坏摘要，否则很难判断。
格雷格：如果那个 AI 回来说：嘿，我在书里找到这一段，它显然是一个非常重要的情节，而它并不在这个摘要里。
格雷格：你不需要读完整本书就能说：哦对，这确实是一个很有力的论证。
格雷格：所以你会意识到，有些训练 AI 的方式，实际上非常契合让人类能够监督、能够坐在驾驶位上——这是从 OpenAI 的角度看对未来很重要的一条根本价值。
格雷格：但也非常契合你刚才说的：能不能让 AI 的产出成为让你学到东西的东西，而不是为了某种抽象知识而存在的知识。
07:45 生物学数据瓶颈
萨拉：对大多数人来说，数学理论上的进展仍然有点抽象。
萨拉：今天这一切确实在发生，同时也有一种说法或信念：AI for science 可能在未来某几年内解决所有疾病。
萨拉：往前面看一步，我们可能会在这中间看到什么样的进展？
格雷格：我认为，这项技术我们已经经历了好些年和好几轮迭代，已经能看出可以期待什么形状。
格雷格：我认为这有点像：当 AI 在某个维度上变得有能力，如果你理解它为什么在那个维度上变得有能力，那么所有具有相似性质的人类领域，你也应该期待相似的结果。
格雷格：所以在我看来，为什么数学是我们真正改变了、取得如此惊人成果的领域？
格雷格：一部分原因是我们的 AI 现在到了某个能力水平、某种原始智能水平。
格雷格：一部分原因，你可以把它想成数学是可检验的——但这句话已经不完全准确了。
格雷格：我们确实是从非常可检验的问题开始的：这是一个算术问题，有一个数值答案。
格雷格：所以你可以训练一个 AI 去检查它答对没有，因为我们能非常明确地看到 AI 提出的答案和真实答案是否一致。
格雷格：但对证明来说就非常不同——证明很难检验。
格雷格：它到底准不准确？
格雷格：形式化的证明，好吧，那是可检验的。
格雷格：但我们真正在这里产出的是自然语言证明，那就难得多。
格雷格：而我认为真正的核心洞察其实在于数据。
格雷格：数学里你能拿到大量数据。
格雷格：理论物理里你也能拿到大量数据。
格雷格：生物学里你能拿到大量数据吗？
格雷格：这显然是一个严重的数据瓶颈，非常困难。
格雷格：幸运的是，我们同时也在做很多关于「如何用更少数据」的技术研发。
格雷格：如果你想想这意味着什么：我们现在有聪明的模型，如果某件事里有大量数据——而这正是深度学习的基本物理规律：算力、数据、算法等于能力、等于结果。
格雷格：我们能在这些困难领域做到它：那些人类最聪明的人花了数百年试图解决的问题，现在 AI 能解决。
格雷格：太惊人了。
格雷格：当你把这套东西转到生物学上，我们显然想要的是药物发现，是生物学里那些根本性的改变、我们对生物学的理解的根本性改变，用来改善生活质量。
格雷格：那是我们想应用的方向。
格雷格：问题是——而且这还没有被解决——我们有数据吗？我们有获取数据的能力吗？
格雷格：所以我认为会发生的是，我们会把这些模型、这些同样的技术应用到生物学领域，我们已经在这么做了。
格雷格：有些领域会很快被攻克，我们会看到过去极其痛苦的事情忽然变得极其容易，出现大规模的加速。
格雷格：但也会有别的瓶颈，问题就变成：我们如何缓解这些瓶颈？
格雷格：顺便说一句，其中有些甚至根本与深层的生物学理论无关。
格雷格：比如监管申报文件，这是一个巨大的瓶颈。
格雷格：你要花一年时间把你的临床试验整套材料写出来，所有这些事情。
格雷格：而用 AI 写这些东西要容易得多。
格雷格：所以我认为我们得逐一看药物发现流程的每一步。
格雷格：有些地方根本不存在基础数据，那么湿实验室的创新、如何真正做模拟的创新，这些都会变得极其重要。
格雷格：所以我认为我们会看到这些突破到来。
格雷格：但重要的是要知道，有些东西和数学是共通的——都关乎科学发现；也有些东西非常不同，区别在于数据从哪里来。
11:28 重写药物发现
埃拉德：这很具体。你提到生物学，我认为那是一个很好的例子。
埃拉德：早期很多研究，比如 AlphaFold 那些，真正专注的是设计一个分子，或者理解某个东西是怎么和另一个结合的。
埃拉德：就像你说的，开发一款药要 15 年，15 亿美元。
埃拉德：大约 5,000 万美元通常是临床前的老鼠实验、分子本身，然后 14 亿多美元是临床试验。
埃拉德：所以你的观点——而且它也是 2 到 3 年对另外 12 年——非常有道理：这些模型早期的重点一直是「它能不能挖出东西」，而要把这件事变成对人类事业真正有用的东西，下游还有哪些要操心。
埃拉德：OpenAI 现在如何给不同的科学领域排序——你们的重点放在哪里，或者你们希望在哪些方向产生更多数据、更多成果、更多别人能受益的能力？
格雷格：你看，我认为如果你只能挑一个领域去彻底改变，药物发现是最清楚、最明显的那一个。
格雷格：它是那种真正能提升每个人生活质量的领域，纯粹地重要。
格雷格：也许它是所有人长期以来一直在想的、AI 的头号应用。
格雷格：我们显然必须做成它。
格雷格：就像你说的，这整条流水线实在太长了。
格雷格：我认为我们会发现，人类在生物学上极其糟糕，在药物发现上极其糟糕。
格雷格：如果你想想这件事，有这样一条性质：对人类来说，自然语言我们非常擅长。
格雷格：它非常属于人，非常契合我们与世界互动的方式。
格雷格：而生物学，它是完全陌生的。
格雷格：但对神经网络来说，我实在看不出有任何理由相信它应该更擅长自然语言，而不是更擅长生物学。
格雷格：所以既然我们看到神经网络在自然语言上有如此惊人的结果，那么从第一性原理出发，你就应该能真正破解生物学的语言。
格雷格：所以对我来说，这就是第一位。
格雷格：从第一性原理看，它应该能成；从我们看到的来看，我们在很多轴上离得很近。
格雷格：而且我认为你可以大幅提高并行度。
格雷格：我认为你可以缩短其中很多步骤的时长。
格雷格：顺便说一句，药物发现有很多个维度。
格雷格：比如罕见病，甚至有很多人——能治好他们那个病的药是存在的，它就在文献里的某处，有一篇论文。
格雷格：如果你能找到那篇与他们的病症相关的那一篇论文，你就能治好这个人。
格雷格：这类事有很多先例，而这种操作可以被大规模放大。
格雷格：所以我认为短期内的这种影响其实非常可能。
格雷格：材料科学是另一个例子，我认为还有一长串别的领域，我们应当会看到人类能成就的事情出现真正的变化。
14:18 监管与加速
萨拉：看起来，如果我们想为什么一款药上市要 15 年——一部分原因是你做的是一轮比一轮更昂贵的试验，具有不同的安全考量，最终是大型人体试验。
萨拉：今天这些试验是由监管规定的，而这有充分的理由。
萨拉：感觉限制因素之一是——如果你相信这项技术会成、而其中一部分数据可以获取或生成——那就要说服监管者：我们应该改变对什么药可以被接受、以及流程该是什么样子的期待。
格雷格：我认为这里有一个时刻，而且要达到这一点还有更多工作要做。
格雷格：但如果你能真正证明药物发现的物理规律变了，那么它当然应该渗透到系统的每一个部分。
格雷格：你想想——哪怕举一个很不一样的例子：自动驾驶汽车。
格雷格：我们的道路怎么运行、安全怎么规定，这些东西都是为人类驾驶员调校的。
格雷格：如果到了某一天，自动驾驶汽车比人类驾驶员安全 10 倍甚至 100 倍——也就是说，AI 在一个领域里交付的结果明确无误就是你想要的那个东西。
格雷格：那你当然应该说：好，我们要如何重新思考整个交通系统？也许你应该有法规说，某些区域里只允许自动驾驶汽车。
格雷格：关于「一个系统到底该产出什么」，以及它需要回流到监管里去的方式，有很多潜在的变化。
格雷格：当然，监管在全球并不统一。
格雷格：在临床试验上，澳大利亚和美国的监管非常不同。
格雷格：你已经在看到很多人把试验搬到监管环境更合理的地方去，搬到更符合他们想怎么做、以及他们认为对自己有效的地方。
格雷格：所以我认为，到底应该怎么改，很大程度上取决于我们实际能证明什么。
格雷格：问题是：你是否真的到了一个点，能从神经网络得到比实际做一次临床试验更好的结果？我们还没到。
格雷格：是的。但你可以想象我们会到。
萨拉：但如果它们在疗效或毒性上更有预测力，那显然就应该改。
格雷格：当然。
格雷格：我认为有些领域，社会应当——我也希望会——非常积极地扑向「可能性已经根本改变，那我们赶快重新定向」这件事。
格雷格：再说一次，你必须真正想清楚所有的后果和所有的含义。
格雷格：其中一个问题是：如果你考虑对人的长期研究，那么问题是，这个神经网络在预测上的准确度，对长期结果是否真的成立。
格雷格：很难连一个长时间刻度都没有。
格雷格：但我认为我们会看到，可能性的 80% 会非常快地变成现实。
16:51 Dots 主动式代理
萨拉：你离 Astra 发布和 Dev Day 已经过去一段时间了。
萨拉：就人们内部和外部如何使用这些新产品或新能力而言，有什么让你意外的吗？
格雷格：我认为 Dots 真的改变了很多人的工作方式。
格雷格：Dots 代表的东西是——
萨拉：能简单介绍一下 Dots 吗？
格雷格：Dots 是一个主动式智能体。它一直在线、一直在工作。你停下来了，它还在继续工作。
格雷格：我自己的那只 dot 会做的是这样一件事：它会盯着我应该做的工作，比如我该发的消息，我说过要做但还没做的事。
格雷格：我早上醒来总能看到一个清单，上面是那些我会说「哦对，这是我的待办」的事。
格雷格：而且它经常注意到我根本没让它注意的事。
格雷格：比如我的日历上有日程冲突，它会指出来。
格雷格：它会说：嘿，你其实得提早离开这个会才能赶到下一个。
格雷格：它对上下文如此有感知——它知道我这一天在做什么，它理解我们正在做的项目。
格雷格：它知道我收件箱里有什么，知道我 Slack 里有什么，并且能在这些之间做整合。
格雷格：它知道我问过哪些问题，所以知道哪些领域是我最挂心的。
格雷格：我认为，Dots 在某些方面是形态的变化，而不是能力的变化。
格雷格：它是一个 Astra 级别的模型，有它自己的云电脑。
格雷格：但这种形态的变化，在工作场景里，配上这个水平的智能，是游戏规则改变者。
萨拉：你在跑多个 dot，还是只有一个在覆盖你所有的后台任务？
格雷格：我只有一个。
格雷格：它的图标是一只小猫头鹰。你可以换图标。
格雷格：它就做我工作生活里所有的事。
19:19 工作与消费级
萨拉：OpenAI 显然有研究工作，也有消费者业务、企业业务和开发者平台业务。
萨拉：你认为会不会出现一种分离：比如在工作里帮你的助手——像 Dots，我主要就是这么看它的——和一端的消费级助手，比如世界上的 Instinct、Muse 那些？
格雷格：我认为这些东西毫无疑问会收敛。
格雷格：我认为不同环境里有一些非常不同的压力。
格雷格：对大众消费级产品来说，真正重要的是搞清楚如何规模化，以及如何免费或以极低成本提供东西。
格雷格：而在工作场所，如果你是生产力场景、你是忙碌的高管、是单个贡献者，无论你的角色是什么，说「用峰值智能」就更容易得多；而且只要多付钱能得到回报，就值得投入更多算力。
格雷格：所以我认为主要的区别其实就是成本。
格雷格：我们在 ChatGPT 上看到过这一点：我们在 ChatGPT 上花了很大力气去做规模最大的免费层，把记忆这样的功能带给所有免费用户是一件了不起的工程，是真正巨大的工程投入。
格雷格：而把同样的功能以高得多的成本实现给极少数人，是非常容易的。
格雷格：所以我认为，我们在个人助手这块看到的是：会有这些不同的市场分层，从根本上投入不同数量的算力。
格雷格：有时候，当算力水平不同，产品看起来就会有些不一样，一端的功能会更丰富地内嵌进去。
格雷格：当然使用场景也不同。
格雷格：比如支付、旅行这类东西更偏消费者。
格雷格：但我不认为有什么根本性的差别——它真的就是一个在替你做事的 AI，只是恰好在一个方向上压力不同。
格雷格：OpenAI 的优势之一是我们有 12 亿 ChatGPT 消费者，同时也有领先的编程和企业业务，没有别家把两者都握在手里。
格雷格：所以我们很多策略是：把这两者统一起来，这样我们就不是两线作战，而是只在一个战线上竞争。
格雷格：我认为这也是 AI 的大方向：模糊掉什么是消费者、什么是企业的界限。
格雷格：我们将会看到一场创业者的复兴，我们已经看到了。
格雷格：我认识一些人辞职去创业，他们说：如果没有一个我知道可以依赖的 AI，我根本不会这么做。
格雷格：它可以承担掉很多进入门槛。
格雷格：所以我认为，那些维持了这么久的区分，将会改变。
22:02 界面演化
埃拉德：传统上把企业和消费者世界分开的一点，是你怎么看界面。
埃拉德：显然有你说的成本问题，以及在某个保真度水平上给别人交付东西的能力，但另一部分是用户界面本身。
埃拉德：企业场景里的用户界面，或者你访问它的方式，往往和消费者场景非常不同。
埃拉德：就像你说的，你们正走向把这些层统一起来。
埃拉德：你也一直在想动态 UI 这件事，这一直是人们很早就开始谈的东西之一：你如何动态生成一个对用户有用的 UI；或者在某些情况下，这些东西会退到背景里，变成你和聊天的一部分。
埃拉德：你认为 UI 会如何为这些不同用例演化？你在同时处理这两个板块时，是怎么把这个当作一个问题来看的？
格雷格：首先我认为，最好的 UI 是没有 UI。
格雷格：我认为在 AI 里，我们正走向那里。
格雷格：你只想要一个可以对话的东西，你可以用语音跟它说，可以通过 Slack、iMessage、任何界面跟它说，你可以打电话给它。
格雷格：这正是你今天就能用 Dots 做的事。
格雷格：但在个人场景和工作场所场景之间有根本的区别。
格雷格：在工作场所，你有管理员，对吧？你有公司的安全团队，有更多的相关方。
格雷格：它不只是一个属于你、代表你、由你拥有、也由你承担其结果的 AI。
格雷格：所以我认为这就是我在企业用例和家庭用例之间看到的主要区别。
格雷格：当然，这也带来产品上的差异。
格雷格：有时是些很小的事：比如我们发布一个新功能时，企业想控制它什么时候被引入。
格雷格：所以我们有管理员控制和开关。
格雷格：于是你可能有一种体验：因为处在工作场所，可用的功能反而更少。
格雷格：这确实会改变——我们需要某种方式把它呈现给你。这就绕回来了：整个重点本来是没有 UI。
格雷格：那「有功能是缺失的」意味着什么？你怎么让人们知道这件事？
格雷格：所以这是一个持续的挑战，我认为它不会魔法般消失，你得正面迎接这种复杂性。
格雷格：但对我来说，从根本上这既疯狂又美丽：如果你想想 ChatGPT 的那个文本框，它是起点，它就是一个文本框。
格雷格：而我们正在走向的，是连文本框都没有。
格雷格：这就是我们被许诺的那个 AI。
萨拉：当我想什么能让一个没有 UI 的产品更好时——你告诉我——我认为有这么几点：我能在这上面花多少算力？模型本身有多好？有记忆系统，还有关于行为的决定。
萨拉：模型在「该多用力思考一件事」上校准得有多好？
格雷格：这是我们正在变得非常擅长的事。
格雷格：随着 GPT-6 发布给所有人，我们现在能让 AI 在要深入思考一个问题的同时，先给你一个快速答案，然后继续想，再给你一个更完整、更妥当的答案。
格雷格：说到没有 UI 这件事，以及你刚才说的，我们推出了智能界面。
格雷格：现在 AI 可以现场生成界面。
格雷格：所以我认为，尽管没有固定 UI、没有按钮、没有菜单要学，但有一个能把你想要的结果在视觉上恰好做出来的 AI，是完全不同的一件事。
格雷格：你想想，哪怕是订机票这种事，你在那里想要一个复杂的 UI，这样你能看到所有不同选项。
格雷格：再比如你问「怎么装一辆自行车」，你可能想要一个非常定制的小应用，通常一个人会为此去写一个月。
格雷格：你当然不会雇人专门为你写一个一次性的应用来帮你装自行车，但让 AI 在你需要的那一刻实时给你做出来，完全没问题。
格雷格：所以我认为，我们现在处在一个 AI 越来越多地向你塑形的世界里。
格雷格：用户界面正在变成你当下正好需要的那个东西，这是我们大量的关注点，我们在思考产品的每一个方面都在这么做。
26:08 AI 时代的网络安全
埃拉德：最近关于 AI 的讨论里，最大的一处转变是关于网络的：你如何构建能抵御 AI 驱动的网络攻击的安全系统？
埃拉德：我有点好奇你是怎么想这件事的。你如何搭建护栏，或者你如何看待网络安全的各个方面？
格雷格：首先，我确实认为网络安全的物理规律正在改变，而我们正处在所谓「守方窗口」里。
格雷格：我是这样理解这个窗口的：我们现在拥有峰值前沿 AI 能力，可以帮助守方保护自己。
格雷格：它们还没有被广泛扩散，但被广泛扩散的能力正在一档一档往上爬。
格雷格：从全球各家供应商每一次模型发布你都能看到这一点：对所有人可用的网络能力在上升。
格雷格：你已经开始看到一些影响的领先边缘：比如在韩国，出现了若干起由不同模型驱动的高关注度银行入侵事件。
格雷格：我认为这幅图景之所以关键，是因为守方必须用上这段时间。
格雷格：所以我们一直在非常努力地工作，通过我们的 Daybreak 项目负责任地给守方开放访问，让他们能使用我们的峰值智能或非常有能力的模型，去发现并修复他们系统里的漏洞。
格雷格：有一点非常重要：这些缺陷本来就存在。
格雷格：每一行人手写的代码，某种意义上你都得问：这安全吗？这个开发者有没有按正确的方式受训？
格雷格：然后你会开始意识到，我们构建系统的方式从根本上就是不安全的，而且我们一直知道这一点。
格雷格：从来没有哪个首席信息安全官觉得自己的人手和预算是够的。
萨拉：对。
格雷格：你可以看 XKCD 那个漫画：全世界的基础设施都依赖某个家伙在地下室写的一个开源项目。
萨拉：或者 Heartbleed，或者任何早于这些 AI 问题的东西。
格雷格：正是如此。
格雷格：我认为非常重要的一点是，要意识到这些其实都是人的问题。
格雷格：这是我们选择构建互联网的方式。
格雷格：安全是被事后拧上去的。
格雷格：我们经历过一些高关注度的事件：你想想早期的蠕虫和病毒，然后人们开始意识到，好吧，我们需要杀毒软件。
格雷格：我们需要为 HTTP 请求加密——HTTP 应该走 HTTPS。
格雷格：所有这些机制，我们都是走了更慢的那条路，事后再把安全加上去。
格雷格：互联网真正是为韧性而建的，而不一定是为安全而建的。
格雷格：我认为我们现在将看到一个时刻：很多这种债、技术债会浮到表面上来。
格雷格：是我们把它还掉的时候了。
格雷格：作为一家公司，我们真的在扑向这件事，努力帮上忙。
格雷格：比如，我们做了一个 10 亿美元的承诺，帮一线守方拿到我们的模型，把它们用于防御；同时我们也在研究、尝试找出各种漏洞。
格雷格：然后去想：我们如何帮助世界做出响应？如何协调事件响应？如何与政府合作？如何与社区合作，把这些问题尽可能好地落地，帮人们走过去？
格雷格：但我认为，人们还没有真正内化网络安全的物理规律将要改变多少。
格雷格：我认为我们最终会——我认为有机会最终得到一个安全得多的世界。
格雷格：你想想这个事实：AI 让你能还掉技术债，用一种以前无法想象的方式。
格雷格：你能做到对软件做形式化验证这样的事。
格雷格：这些模型显然非常擅长证明东西。那为什么不证明软件的安全属性？
格雷格：这项技术对人来说其实一直在那儿，只是——对，没有人对任何重要的东西做过这件事。
格雷格：所以我认为这些都可以改变。
格雷格：我认为我们现在正在走向的那个世界——我们在 OpenAI 内部已经这么做了——是：每次新模型发布，你就必须把它应用到自我安全上，找出你的漏洞，然后把它找干榨尽。
格雷格：比如，我们把大约 25% 的生产工程师拿出来，说：你们手上的项目先停，现在只做安全。
格雷格：我们拿出当时的峰值智能模型，让它去戳我们所有的基础设施。
格雷格：一个团队搭建了一堆工具，让这件事以后可以容易地再做一遍。
格雷格：我们找到了一批问题，修好了；然后到了某个时刻，这个模型能发现的那些问题被我们找完了。
格雷格：这是一个很好的故事。
格雷格：但要点是：我们会出下一个模型，我们就得重复这个过程，而且这会一轮一轮继续下去。
格雷格：然后在某个时刻，再想想正在被写出来的代码——其中那么多现在已经是 AI 辅助写的。
格雷格：我们可以训练这些模型——而且我们正在训练——从一开始就写安全的代码。
格雷格：所以我认为，通过以正确的方式使用和应用这些 AI 模型，我们可以拥有根本上更安全的系统。
埃拉德：所以听起来基本上是：会有一段时间，也许我们会看到更多的网络攻击、更多事件，因为人类或人们要追上来——让他们的代码库变得更安全，用更多预设更安全的 AI 生成代码。
埃拉德：大概会有一个过渡期，攻防都会更多，然后防守会追上来。
埃拉德：这是我在整个行业里听到的共识，大概就是这样。
格雷格：这看起来至少是最可能的前景。
格雷格：我对我们如何走过这个时刻有很多乐观。
格雷格：我认为它确实需要协调一致的响应：需要守方内化网络安全的物理规律正在改变，存在这样一个窗口，而这个窗口不会永远存在。
格雷格：你应该想想：我们正在转向这样一个世界——一个组织的安全性，既与它做对的基本功有关（那是一次性投入），也与它用来防御自己的网络能力水平有关。
格雷格：随着我们转向那个世界，我认为我们可以处在一个守方能压过攻击者的世界里。
格雷格：但这需要大量改变：需要改变我们思考每个组织如何运转，以及我们如何集体思考关键基础设施、如何为那些至今没有资源的机构提供资源。
32:55 安全投入的转向
萨拉：我觉得你这个例子——你把它描述成互联网级别的技术债，然后你在内部的回应——非常好。
萨拉：因为，好吧，我在一些公司待过，技术债处理起来非常痛苦。
萨拉：说我们要拿走 25% 的工程师，或者更糟，我们要冻结功能一个季度，直到把该修的东西修好——这感觉不像世界已经决定要进入的状态。
萨拉：当你想到整个世界在安全投入上的处境，传统上人们认为大概是 IT 预算的低个位数百分比。
萨拉：你认为在这个时刻它应该是多少？
萨拉：是从网络安全工具角度看你以前投的那些别的东西——网络、端点、传统企业安全——不再那么重要了，还是我们只需要花两倍的钱？
格雷格：我有一个感觉：网络支出、安全支出实际上应该远远超过软件支出。
格雷格：我真的很相信这句话。
格雷格：我可能不对——但当我看向我们将要进入的那个世界，软件在某种意义上正在变成——门槛正在变得——对，它几乎免费了。
格雷格：它正在变得如此便宜。
萨拉：对。
格雷格：所以当然——你想要的并不只是软件。
格雷格：你想要的是可靠、安全、你信得过的软件。
格雷格：对我来说，那种软件的韧性就是——那才是价值所在。
萨拉：是这么回事。
格雷格：正是如此，而它会变得更加重要。
格雷格：所以我认为我们拥有这个时刻、这个机会——就像你说的 XKCD 里那个小小的方块、某个开源维护者，那种情况从来都不合理。
格雷格：我们之所以有那个世界，是因为某些物理规律：写软件、写可靠的软件有多难，以及每个人都有供应链，而极少有公司审计自己的供应链。
格雷格：我们在供应链漏洞上见过：有人上传一个恶意包，一批公司中招。
格雷格：所有这些都需要改变。
格雷格：而用人做软件开发是根本不可能改变的，因为在这个非常冷僻的事情上——知道不同的包、不同的第三方安全问题——有这种专长的人太少了。
格雷格：现在有一些公司，比如 Socket 之类的，会扫描你的开源供应链，试图找出漏洞并为你标出来。
格雷格：或者是你说的那个人为因素：维护者突然接管一个项目，然后安装一些对使用者有恶意的东西。
格雷格：所以看到第三方生态也在转向来支持 OpenAI 等公司在这个市场上的努力，这很有意思。
格雷格：正是如此。我认为这非常重要。
格雷格：我们正在与社区一起做这件事。
格雷格：我们与 CrowdStrike 这样的公司合作。
格雷格：我认为这同样是一个协调一致的响应，而我们真的把「由 OpenAI 来领导」视为一项核心优先事项。
格雷格：因为我们有前沿模型，我们有峰值智能模型。
格雷格：在网络安全的场合，我们相信存在向好的方向转化的潜力。
格雷格：但这也意味着，作为一家公司，我们经历了一场安全转型：过去几个月我们谈了很多安全、安保，以及我们开发流程的对齐；同时我们也在想这个世界的事——如何真正帮世界变得从根本上更安全，帮人们走过整个这段时期。
35:49 以人为本
埃拉德：OpenAI 一直非常「亲人类」、非常亲人的能动性和人类进步，用 AI 让每个人变得更好。
埃拉德：我认为 OpenAI 最初的出发点是：做一个能在造出可以被广泛、普遍地正面使用的 AI 这件事上，与其他公司相互制衡的东西。
埃拉德：这种精神在 OpenAI 延续下来了吗？在 AI 社区的语境里你怎么看它？
格雷格：我认为这种精神是我们使命的核心：确保 AGI 造福全人类，而这里的「全人类」是关键词。
格雷格：我们认为，人应该牢牢坐在驾驶位上，应该掌控未来，而这项技术应该放大人的能动性。
格雷格：哪怕模型的能力超过了人。
格雷格：我认为这是绝对关键的。
格雷格：要记住这些模型是非常「锯齿状」的：有些地方显然这些 AI 比今天任何人都更有能力——甚至 GPT-4 知道的都比任何一个人多得多。
格雷格：但非常重要的一点——这让我想起史蒂夫·乔布斯为什么要在 iMac 上装一个把手。
格雷格：这样人们能感觉到自己能控制这台机器：你可以随时把它拎起来扔出窗外。
格雷格：我认为同样的精神也适用于 AI：人是坐在驾驶位上的。
格雷格：人的判断、人的价值——也许你应该想想在某些领域、某些维度上，未来人会怎么运作：无论是什么，我们会变得更像 CEO 或者董事会成员。
格雷格：重要的是我们拥有那种程度的能动性。
格雷格：我认为我们会建造这样的机器，就像如果你是一个 CEO，你显然会有领域专家，显然会有在各个方向上都懂很多的团队，也许在很多轴上他们的想法比你还更好。
格雷格：但根本的问题是：你满意吗？这是你想要的吗？这让你的生活更好了吗？
格雷格：对我来说，这是我们所有人都应该共同拥有的东西。
格雷格：这不仅仅是关于 AI，这是关于技术：技术是为了提升人类文明，它是生活质量改善最根本的单一驱动力。
格雷格：这就是我们应该从 AI 里寻求的东西。
格雷格：这就是 OpenAI 的信念。
萨拉：非常感谢你，格雷格。
38:28 收尾
格雷格：谢谢，谢谢你们的时间，也谢谢两位。
萨拉：我们下期见，感谢。
萨拉：在 Twitter 上找我们：No Priors Pod。
萨拉：如果你想看到我们的脸，订阅我们的 YouTube 频道。
萨拉：在 Apple Podcasts、Spotify 或任何你收听的地方关注这档节目，这样你每周都能收听到新的一集。
萨拉：也可以订阅邮件，或者在 no-priors.com 找到每一期的逐字稿。
References
- 1No Priors 官方同名视频（含 13 段官方章节时间点）
youtube.com
- 2No Priors 官方 RSS 单集说明（第 129 期，39:22）
feeds.megaphone.fm
- 3
- 4GitHub openai/math
github.com
- 5
- 6
- 7
- 8OpenAI《Introducing dots》（2026-09-29）
openai.com
- 9OpenAI《GPT-6 Astra》（2026-09-03）
openai.com
- 10
- 11华尔街日报
wsj.com
- 12纽约时报（2026-10-06）
nytimes.com
- 13
- 14本期官方整集音频（39:22）
traffic.megaphone.fm
Comments