Substack 评论：专家说“like”被围观，公共讨论却奖励笃定

Substack 上一篇评论文章，起点是 Dwarkesh Patel 最近的一期对谈：嘉宾是 John Schulman、Beren Millidge 和 Charlie O'Neill。作者说，这场一个半小时的谈话，是 AI 领域一些最聪明的人在公开地推理真正困难的问题。

被围观的口头禅

对谈里谈到的问题包括：AI 能否自动化 AI 研究、能否自己选定研究目标、当需要的东西无法变成干净的奖励信号时进展是否会撞墙，以及模型更擅长做实验之后，决定哪些实验值得做的仍是人时会发生什么。作者注意到，相当一部分反响集中在嘉宾说了多少次“like”。他理解这种在意，一个口头禅一旦被注意到就很难忽略，但他觉得这种反应本身很说明问题。

作者的论点

作者认为，研究者的限定有理由：对重要技术问题的诚实回答往往是“这取决于目标、数据、环境、时间跨度，以及你所说的‘智能’究竟指什么”。这个回答准确，却是糟糕的电视节目。不那么严谨的人可以去掉所有条件，把概率压缩成预言、把复杂系统变成口号，比如“AI 会抢走所有工作”“AI 只是自动补全”“AGI 还有两年”“AGI 是营销骗局”。这类话比“存在几种可能的机制，结果取决于哪个瓶颈占主导”传得更远。

他的判断是，公共讨论先奖励自信，然后才奖励校准。如果懂系统的人退回论文、私人实验室和只有彼此听得懂的对话里，空出来的位置会被擅长语言本身的人占据。

怎么办

作者认为答案不是把研究者变成政客，而是帮技术人员把更多智慧带过那道鸿沟。他举了 Dwarkesh 这类形式的价值：分歧本身就是内容，假设被检验、定义被修补。他也喜欢新的白板形式，观众能看到一个人画出模型、发现不对、擦掉再来。

文章后半部分，作者以自己的经历（他自述是 builder 出身的 CEO），给出帮助表达的一些做法。第一条是练习把想法先讲给五岁孩子听，再讲给十岁孩子，最后讲给领域外的聪明成年人；他用 GPT 做陪练而非代笔，让它指出解释中哪些词需要预备知识，并把想法以“第一次听说的客户”的口吻转述回来。

接下来看什么

这是一篇观点文章，论证依据是作者的观察和个人经验，没有对“公共讨论奖励笃定”做数据检验。它提出的问题更实际：AI 领域的研究者愿不愿意、也有没有平台，用白板、直播推理这类形式公开展示不确定。