导语
Dwarkesh Patel 主持的播客此前发起了一场关于AI重大问题的征文竞赛，收到了超过600篇投稿。近日，比赛公布了三位获奖者及其文章。这些文章并未提出天马行空的设想，而是从切实可行的角度，分别回答了“OpenAI基金会应做什么”、“AI供应链之外的国家如何自处”以及“AI实验室如何盈利”这三个核心问题。获奖者的观点为理解AI的社会影响与未来路径提供了具体而深刻的视角。
AI竞赛获奖文章：终结疫情、自动化政策与商业模式
Dwarkesh Podcast公布了关于AI重大问题的征文大赛获奖作品。三篇获奖文章分别探讨了如何利用OpenAI基金会终结空气传播疾病、非AI供应链国家应采取的经济政策，以及借鉴香港地铁模式为AI实验室找到可持续的商业模式。
大纲与深读 9 章
展开「深读」看每一段讨论的问题与论据。
01
访谈主题与获奖者介绍
- Dwarkesh Patel 发起了关于AI重大问题的征文比赛，收到600多篇投稿。
- 三位获奖者分别是Jassi Pannu、Ege Erdil和Michael Li。
- 三位获奖者分别就AI基金会应做什么、AI供应链外国家应如何应对、AI实验室如何盈利等问题提出了方案。
深读这一段
讨论的问题：这次征文比赛的主题是什么，获奖者及其核心主张是什么？
论据 / 案例：三位获奖者及其获奖理由：Jassi Pannu（Johns Hopkins大学助理教授）主张终结空气传播疾病；Ege Erdil（Mechanize联合创始人）建议供应链外国家实行亲增长政策；Michael Li（哈佛肯尼迪学院学生）将AI实验室商业模式与香港地铁（MTR）模式类比。
02
一等奖：终结空气传播疾病
00:35- Jassi Pannu认为AI基金会应致力于终结空气传播疾病，实现后疾病世界。
- 核心论点是“双重回报原则”：干预措施应同时产生巨大福利改善（日常世界）并显著降低尾部风险（紧急世界）。
- AI自动化生物研究将加速这一进程，但需防范其早期产生的危险能力。
深读这一段
讨论的问题：AI基金会应如何利用巨额资金产生最大影响？
论据 / 案例：终结空气传播疾病可解锁超过每年1万亿美元的全球GDP，并彻底消除灾难性大流行病的风险。关键论据是远紫外线（far-UVC）等被动、病原体非特异性物理基础设施技术已经存在。
03
四步实施计划
01:13- 第一步：投入50亿美元（1-3年）解决目标产品配置问题，由DARPA风格项目办公室领导。
- 第二步：投入150亿美元（1-5年）建立先进市场承诺（AMC）以保证需求并撬动私人资本。
- 第三步：投入150-250亿美元（2-7年）在医院、学校、机场等场所进行大规模部署以生成证据。
- 第四步：投入30-50亿美元（1-10年）建立政治基础设施并在适当时机向国家移交。
深读这一段
讨论的问题：终结空气传播疾病的具体实施路径和资金分配是怎样的？
论据 / 案例：10年内总投入约400-600亿美元。目标：到第10年，OECD国家所有小学和主要交通枢纽运营默认配备被动病原体减少基础设施，季节性流感死亡率降低60%，呼吸道病原体实现大流行规模传播的概率降低一个数量级。
04
二等奖：AI供应链外国家的应对
01:56- Ege Erdil认为，供应链外国家的最佳基准策略是“什么都不做，忽略采取激进行动的民粹主义压力”。
- 因为AI时代政策制定将极度非理性，即使是功能性政府也难以抵抗技术保守主义和反对经济颠覆的政治压力。
- 对于印度、尼日利亚等治理记录不佳的国家，提出更高期望是不现实的。
深读这一段
讨论的问题：在AI全自动化劳动力时代，不在AI供应链上的国家应如何避免被完全边缘化？
论据 / 案例：当前劳动力产出份额约为30%，但在AI时代资本产出份额将大幅提升。作者认为，最有效的建议（强产权、低资本税、开放监管制度）在今天显得最反直觉，但可能最有效。
05
良好政策四大支柱
02:21- 第一，为AI自动化让路：废除或修订职业许可、责任、数据保护和知识产权法，取消价格和工资控制，解散人类工人工会。
- 第二，提供政治和法律稳定：避免内战、革命或政变，确保投资不会被征用，核心业务运营不会突然被宣布非法。
- 第三，增加国内资本形成：减少或取消资本利得税和公司所得税，避免重要项目因许可而受阻，取消汇率、利率和资本管制。
- 第四，紧急修复AI部署所必需的产业：例如尼日利亚糟糕的电网需要首先修复。
深读这一段
讨论的问题：在AI时代，哪些具体的政策支柱对国家发展至关重要？
论据 / 案例：尼日利亚的电网问题被作为需要紧急修复的必要产业案例。作者指出，这些政策在人类本能倾向劳动优先的时代显得极端，但在资本产出份额更高的AI时代将至关重要。
06
政策改革的可能性与前景
03:04- 作者对相关国家能实行如此激进的改革持悲观态度，因为它们功能失调。
- 但希望在于当前AI供应链中的在位者（如美国和中国）可能会犯错。
- 在位者可能犯的错误包括：在关键行业禁止AI自动化、减缓数据中心建设、征用资本持有者、对AI代理在关键行业实施严格安全标准等。
深读这一段
讨论的问题：不在AI供应链的国家实现政策改革的希望在哪里？
论据 / 案例：作者指出，工业时代的政策质量与AI时代的政策质量可能并不强相关，就像最好的狩猎采集经济并非最好的农业经济一样。在位者在急性非理性期可能犯错，这为普通国家提供了机会。
07
三等奖：AI实验室的商业模式
03:28- Michael Li将AI实验室的经济学与香港地铁（MTR）进行类比：前期资本投入巨大，核心服务定价接近边际成本，建设者几乎无法捕获创造的价值。
- MTR是全球少数商业自给自足、公开上市、支付股息且无需政府运营补贴的大众交通系统之一。
- 其秘诀在于“铁路+地产”模式：铁路本身不盈利，但通过拥有和开发沿线物业来捕获价值增值。
深读这一段
讨论的问题：AI实验室如何在核心服务（API）难以盈利的情况下实现盈利？
论据 / 案例：MTR在2018年（疫情前最佳年份）交通运营息税前利润（EBIT）为20亿港元，而2024-2026年估计资本支出为879亿港元，几乎全部用于铁路。三年峰值铁路收益仅能覆盖8%的支出。MTR目前拥有13个购物中心，管理47个车站上方开发项目，物业产生了大部分实际利润。
08
AI实验室的四种“物业”候选
03:56- 第一，政府授予的部署权：政府授予实验室对国家健康记录、税务系统或国防物流的独家部署访问权，形成难以复制的优势。
- 第二，积累的强化学习奖励数据：数十亿交互信号用于训练下一代模型，这些数据不可复制且跨代累积，是一种增值的“土地储备”。
- 第三，前向部署集成：拥有端到端的服务交付，而非向咨询公司出售模型访问权，例如Palantir将工程师嵌入政府机构的模式。
- 第四，国家数据集的数据托管权：政府指定前沿实验室作为大量未充分开发的国家数据集（如患者记录、纳税申报）的受托人，获得独家访问和使用权。
深读这一段
讨论的问题：AI实验室可以捕获哪些类似于MTR沿线物业的、能够增值的“资产”？
论据 / 案例：作者将这四种候选方案按防御性从高到低排序。他指出，蒸汽机、电力和TCP/IP为其创造者创造了零收入，通用技术如此，AI也应遵循类似逻辑，寻找围绕其核心服务（铁路）而增值的“物业”（购物中心）。
09
结论与政策启示
04:31- 能存活下来的实验室将是那些识别并围绕其“车站上方物业”进行建设的实验室，而非试图让API盈利。
- 政府应设计制度机制（如部署权框架、数据托管结构），让实验室捕获其基础设施创造的剩余价值，而不是补贴训练运行。
- 最相关的制度模型可能不是美式自由市场或中式国家资助，而是香港模式：一个已有45年历史、通过制度设计而非意识形态实现商业运营和自我融资的公私混合体。
深读这一段
讨论的问题：AI实验室盈利问题的最终框架和政策建议是什么？
论据 / 案例：作者强调，这场关于AI政策的对话被美中框架主导，但最相关的模型可能是香港的MTR模式。结论是：让前沿AI可持续发展的模式可能已经存在，它只是运行火车。
金句
- "We can live in a post-disease world." —— 我们可以生活在一个没有疾病的世界。
- "The default expectation should be that policymaking in an era of AI automation will be profoundly irrational and counterproductive." —— 默认的预期应该是，在AI自动化时代的政策制定将是极度非理性且适得其反的。
- "The labs that survive won't be the ones that make the API profitable. They'll be the ones that identify their property above the station and build toward it now." —— 能存活下来的实验室不会是那些让API盈利的。而是那些能识别出自己“车站上方的物业”并立即着手建设的实验室。
原文链接
=== SUGGEST 无
