7 min read

Dwarkesh Patel 发起 2 万美元博客征文:寻找真正能回答 AI 大问题的人

来源:https://substack.com/home/post/p-195361651

在关于 AI 的讨论里,也许从来没有哪一刻,针对正确问题产出的高质量智识内容,像今天这样既重要又紧迫。

因为真正有说服力的回答,可能会影响:

  • 未来最关键的经济政策与外交政策决策
  • 至少 数千亿美元 规模的慈善资金如何配置
  • 以及未来超级智能该如何训练与治理

基于这个判断,Dwarkesh Patel 宣布发起一个 2 万美元的博客征文奖,希望借此找到那些真正擅长研究和思考这些问题的人。

他自己也说得很直白:

这个比赛并不神秘,真实目的之一,就是帮他找到一个可以长期合作的研究搭档。

奖金设置

参赛者需要从给定题目中任选一个,在 1000 字以内 作答。

奖金分配如下:

  • 第 1 名:10,000 美元
  • 第 2 名:6,000 美元
  • 第 3 名:4,000 美元

获奖作品会发布在他的博客上,runner-up 也有可能被一起刊登。

截止时间是:

5 月 10 日晚上 11:59(PST)

题目方向

这次征文给出的题目都围绕 AI 的“大问题”,而且不是那种可以靠泛泛而谈糊弄过去的问题。

1. 为什么 AI 进展没有像一些人此前预期的那样放缓?

几年前,一种常见判断是:随着 AI 更深入地进入 RL 阶段,进展可能会放慢。

理由大致有两个:

  1. 当 horizon 变长后,AI 要先做很多天的工作,你才能判断它到底对不对。如果我们还停留在比较朴素的 policy gradient 世界里,那 reward signal / FLOP 会下降。
  2. 从 GPT-4 到 o1 再到 o3,RL compute 已经跨过了很多个数量级,而这种级别的算力增长不太可能立刻再复制一遍。

但现实却是,AI 进展似乎依然很快,甚至如果市场传闻中的 Spud 或 Mythos 属实,可能还在加速。

那么问题来了:

之前那套推长时间线的直觉,到底漏掉了什么?

当然,你也可以直接反驳这个问题本身的前提。

2. Foundation model 公司,到底怎样才有可能真正赚到钱?

如果你把每一个模型单独看作一家公司,那么它也许能赚回训练成本。

但问题在于:

如果你不立刻训练一个更大、更贵的新模型,那三个月后你可能就不再赚钱了。

所以利润究竟从什么时候开始真正成立?

也许有一天 scaling 会平台化。

但如果前沿模型进展真的放缓,那 distillation 加上低切换成本,又会让开源模型更容易追上实验室,从而进一步压缩利润率。

所以更核心的问题是:

这些 AI labs 究竟靠什么逻辑开始稳定赚钱?

3. 如果你现在掌管 OpenAI Foundation,你会怎么部署这几千亿美元财富?

随着 OpenAI 新一轮融资把公司估值推到 8520 亿美元,OpenAI Foundation 手上的股份现在大约值 1800 亿美元。

Anthropic 的两位联合创始人也承诺,会捐出自己 80% 的财富。

但现在几乎没人对一个具体问题有真正可执行的答案:

如果你手里有几千亿美元,甚至未来几万亿美元,要怎么“有效地让 AI 发展得更好”?

这里要求的不是“挑一个你觉得重要的方向”,而是回答一个更难的问题:

钱怎么具体转化成影响力?

你需要给出的是明确策略,而且要说明:

  • 你会做什么
  • 什么时候做
  • 为什么这么做

4. 那些不在 AI 生产链上的国家,现在应该做什么?

如果一个国家当前并不处在 AI 的核心生产链上,比如:

  • 半导体
  • 能源
  • 前沿模型
  • 机器人

那么它应该做什么,才能不在 transformative AI 时代被直接绕开?

比如,如果你是印度或尼日利亚的领导人,你现在会怎么做?

Dwarkesh 想找的,不是“背景看起来很强的人”

他特别强调了一点:

不要因为自己不是某个领域的专家,就不敢投。

他想找的,是那种能快速进入陌生主题、并且在复杂议题上保持清晰思考的人。

另外还有几条规则:

  • 每位参与者只能提交 一次
  • 你即使对研究员岗位没兴趣,也照样可以参加征文
  • 就算你赢了,也不代表你一定会拿到这个研究岗位

可以用 LLM,但别指望它替你想清楚

Dwarkesh 也允许参赛者用 LLM 辅助研究。

但他同时解释,自己之所以挑这些题目,就是因为他发现 LLM 对这些问题的回答通常并不令人满意。

在这种模糊、开放、需要判断力的问题上,LLM 最大的问题不是完全答错,而是:

  • 它往往能给你列出 5 个“看上去都合理”的答案
  • 但它没有足够的上下文和品味,去识别哪个才是真正关键的因素
  • 更做不到沿着那个关键因素把逻辑彻底推下去

所以,工具可以用,但最后真正要拼的还是人的判断力。

只有 1000 字,不要浪费开头

Dwarkesh 还特地提醒了一句:

你只有 1000 字,所以每个字都要算数。

很多人写文章时,前几段总喜欢先“清嗓子”,铺垫半天才进入重点。

在这个比赛里,最好不要这么干。

他真正想做的事

Dwarkesh 说,他希望自己的 podcast 和博客,不只是继续“提出 AI 问题”,而是开始真正帮助回答这些问题。

但现实是,重要问题太多了。

他需要一个合作伙伴,和他一起:

  • 建立上下文
  • 深挖那些不断分叉的子问题
  • 认真处理反驳与综合
  • 互相打磨彼此的判断力

这些问题一方面非常宏大,另一方面又要求你能横跨多个技术领域做深入分析,才有可能真正答好。

他说,如果只是发一份普通的招聘启事,最后只会收到上千份简历。

但光看简历,他根本没法知道,一个人到底是否真的擅长:

综合大量技术论证与复杂信息,并形成清晰判断。

所以他干脆把那些自己也还没想清楚的问题直接摆出来,看看谁能给出真正有洞察力的回答。

岗位信息

如果最终真的发展成长期合作,Dwarkesh 给出的信息是:

  • 理想情况是在旧金山线下合作
  • 但也可能接受 remote
  • 薪酬会有竞争力

如果你有问题或评论,可以直接联系他:

[email protected]

最后一句

这篇征文启事其实透露出一个很强的信号:

在 AI 时代,最稀缺的能力之一,已经不只是“会不会用模型”,而是:

你能不能在真正重要的问题上,比别人更快、更深、更清楚地想明白。