一位擁有 YouTube 頻道的男孩意外地重新設計了人類歷史上最複雜的機器。 不是航空航天工程師。也不是 SpaceX 的高管。 而是一位拿著相機的男孩，他問了一個明顯的問題。 Tim Dodd 在 Starbase 走動時，Musk 自豪地解釋了 Super Heavy 助推器如何消除了整個冷氣體推進系統。它不再需要一個單獨的、笨重的、複雜的機制，而是直接從推進劑罐中排放熱氣。 優雅。零增加質量。零額外故障點。 Dodd 問了一個問題。 「但這只是針對助推器，對吧？」 Musk 停下了。 不是為了辯護。不是為了解釋。也不是為了重新框架問題，以免威脅到他剛剛所說的內容。 他停下來是因為某種東西點亮了。 Musk：「是的。雖然可以說，既然你提到這個……我們可能明智地也這樣做船。現在……我們要修正這個。」 在句子中途。實時。鏡頭前。 沒有停頓來保護他的自尊。沒有轉移話題。沒有「好點子，讓我再回到這個問題上。」只是立即、未經過濾的承認，存在一條更好的路徑，他們將會走上這條路。 七個月後，Musk 確認這是對該車輛所做的最大改進之一。 想想剛剛發生了什麼。 在一家傳統的航空航天公司中，改變一個基本的飛行系統需要數年的環境審查、安全委員會和預算批准。 Musk 在 15 秒內就否定了一整個子系統，因為一位播客主持人問了那個沒有人敢問的明顯問題。 在傳統公司中，冷氣體系統仍然會被建造。 因為承認架構有缺陷在政治上是昂貴的。 副總裁不想失去人員編制。 工程師不想放棄工作。 經理不想向他們的主管解釋轉變。 因此，錯誤獲得了預算。獲得了時間表。獲得了一個團隊來負責。 機器變得更重。缺陷變得承重。最終，缺陷變得如此嵌入結構中，以至於修復它需要拆除圍繞它建造的一切。 所以沒有人修復它。 現在想想上次有人指出你建造的東西中的缺陷時的情況。你引以為傲的東西。你已經向十二個人解釋過的東西，卻沒有人質疑它。 你是否像 Musk 一樣停下來？ 還是你感受到胸口的熱度。那種反射性的需要解釋為什麼他們錯過了重點。為什麼背景比他們理解的更複雜。為什麼這個問題，雖然有趣，但在這裡並不適用。 那種熱度是大多數組織將支付的最昂貴的東西。 一次失敗的發射至少告訴你真相。 一個被辯護的錯誤只會加重。 這是贏得 AI 軍備競賽所需的組織架構。 最終的護城河不是計算能力。也不是資本。 而是錯誤修正的速度。 地緣政治的 AI 競賽不會由誰擁有最佳藍圖來贏得。 而是由誰能感受到胸口的熱度並選擇真相而贏得。 一位記者問了一個問題。最好的答案獲勝。 火箭變得更輕。 大多數自尊心不會。

原始計算正在成為一種商品。 深厚的人類專業知識正在成為終極的護城河。 OpenAI 的 Sebastian Bubeck 剛剛打破了 AI 將平衡人類能力的幻想。 這不會發生。 隨著模型接近 AGI，基本任務的進入門檻降至零。 但可能性的上限卻無限上升。 如果你真的知道自己在做什麼。 Bubeck 說：「我認為在科學領域的專業知識和深厚專業知識比以往任何時候都更重要。」 這是大多數人未能處理的部分。 如果你對所從事的物理學、數學或工程沒有基本的理解，你就無法將模型推向其表面之上。 你會陷入循環。 輸入提示。獲得答案。卻都不理解。 什麼都不建立。 Bubeck 說：「擔心的是，依賴 AI 過多的人與真正研究發生了什麼的人之間的隔閡會更大。」 這種裂痕已經形成。 而且這不是任何人預測的。 未來的經濟不會在擁有 AI 和沒有 AI 的人之間劃分。 每個人都會擁有 AI。 它將在那些對問題有足夠深入理解以指導系統的人和那些僅僅消耗它所產出的東西的人之間劃分。 一組人用它來建設。 另一組則被它取代。 傳統系統獎勵記憶和資歷。 AI 時代則獎勵如此精確的理解，以至於你可以告訴機器它的錯誤所在。 這種知識不是來自提示。 而是來自多年艱苦的學習，而大多數人目前都在跳過，因為機器讓這一切感覺不必要。 這就是陷阱。 機器是引擎。 但你必須理解地形。

Andrew Ng 剛剛揭示了為什麼那些在問題上投入最多計算資源的 AI 公司將會失敗。 智力競賽的贏家不會使用最多的計算資源。 他們會浪費最少。 Ng 說：「你們的大多數高維數據都位於一個低維子空間中。這是生活的事實。」 這在實踐中意味著什麼。 你有一個 10,000 維的數據集。 每一維都經過每一個計算。 每一個訓練周期都拖著模型永遠不會使用的死重。 Ng 說：「你在整個訓練過程中都在攜帶這些 10,000 維的例子。」 這種膨脹不僅僅是低效。 它是你運行的每一個計算的稅。 內存帶寬。網絡帶寬。計算速度。 所有這些都被那些對智力毫無貢獻的維度吞噬。 它們貢獻的是噪音。 將建築師與軍備競賽分開的洞察：那個 10,000 維的數據集幾乎完全被一個更小的子空間捕捉。 信號存在於你支付處理費用的一小部分空間中。 壓縮它。將 10,000 維壓縮到 1,000。 Ng 說：「你可以在一個低維數據集上運行你的學習算法，這可能會更有效。」 相同的硬件。相同的預算。更少的摩擦。 暴力破解是擁有最深口袋的人的策略。 壓縮是實際理解問題的人的策略。 掌握這一點的公司不僅僅是構建更快的模型。 他們構建的模型能在更少的數據中找到比任何盲目擴展的模型更多的真相。 智力從來不是關於處理一切。 而是知道該刪除什麼。