Chamath Palihapitiya Channel

Selecting between an open or closed system is never just a simple black and white decision. Because there is a wide spectrum of access levels available, your final choice should always be driven by the actual job that needs to be done. For instance, relying on a public API makes perfect sense when you need rapid results for low stakes tasks. Alternatively, utilizing a private cloud closed model is the best route when you want to balance high quality with strict control. Finally, if your data absolutely cannot leave your environment under any circumstances, a self hosted open model is the required solution.

The group I work with at @SocialCapital recently outlined this exact framework in our newest Deep Dive on Open vs Closed Models. The insights shared below are taken directly from that presentation deck.

我想分享我對人工智能的個人看法。請注意，你在這個話題上的觀點和經歷可能與我不同。你可以在以下鏈接找到視頻討論：

https://youtu.be/iI9uVDF0R4s?is=u4SQViHnMhU6AY5e

達里奧最近分享了他的觀點：該行業需要放慢人工智能能力的進展速度。通過提出這一立場，他實際上是在推動關閉開源開發，以便將巨大的經濟與技術影響力直接集中到 Anthropic。如果你想閱讀他對這一問題的完整想法，你可以在 https://darioamodei.com/post/we-must-pace-the-frontier 找到原帖

各位好。很高興與大家分享，我正在創辦一項新的商業事業。你們可以期待，這次嘗試將具有極其重要的意義，並創造巨大的價值；儘管它也會同時帶來相當不愉快的後果，並在其路徑上留下死亡與毀滅的痕跡。此外，儘管我們即將開展的舉措旨在實現徹底的變革，但它們也不可避免地會瓦解當前的社會形態。

綜合考慮這些因素，我的首要請求是：請你們購買我們組織所提供的產品。你們完全可以信賴我們的團隊。我真誠地感謝你們的時間與支持。

這確實給了我們一些值得思考的東西。

今年，CloudBees 從 200+ 位企業技術負責人那裏收集洞察，揭示了一條引人入勝的悖論。儘管其中 92% 的專業人士在部署之前就確信他們的 AI 生成代碼已完全可用於生產，但同一羣體中的 81% 在發佈之後卻遇到了生產問題的增加。

對人工智能輸出的信任，已正式演變爲一種可量化的業務風險。如今，董事會可以直接將 AI 生成代碼的 92% 置信度，與 81% 的生產問題發生率進行對比評估，從而更清晰、真實地瞭解企業運作情況。與此同時，這也引發了一個關鍵問題：組織中的開發團隊是在進行缺乏監管的 tokenmaxxing（追求代幣/產出最大化），還是已經建立了能夠真正帶來結果的結構化策略？

正如研究所指出的——我們也完全認同這一觀點——主要的運營瓶頸已經從最初的代碼編寫，轉移到了代碼治理（governance）本身。

爲幫助團隊主動應對這一變化，8090 Software Factory 會在其核心功能中專門集成測試、同行評審與正式審批。該體系既能確保質量控制，又能爲所有相關方生成透明、易於追溯的歷史記錄。

你可以通過此鏈接瞭解更多詳情：http://bit.ly/3UWcTQE

當有人建議你只需簡單地信任專家時，做完全相反的事通常是一種明智的做法。回想新冠時期：對專家抱持絕對信任，導致了一場巨大的社會性欺瞞，摧毀了我們的經濟，並在很大程度上阻礙了我們孩子的發展。如今我們進入AI時代，繼續抱持同樣盲目的信任，可能會帶來後果，其嚴重程度恐怕會讓我們過去的經歷相比之下顯得微不足道。因此，我強烈建議每個人以驚奇的心態去探索這些新的技術進步，同時務必保持堅實的批判性懷疑基礎。

理解在銀行業中模型的含義相當直觀。它代表了推動近乎所有營運決策的數學基礎，例如判定貸款資格、計算所需的資本準備金，以及辨識可能的詐欺交易。

在四月發生了一項重大監管轉變：聯準會（Fed）、通貨監理署（OCC）與聯邦存款保險公司（FDIC）正式終止了自2011年以來金融機構一直依賴的驗證這些數學流程的框架。雖然更新後的規則涵蓋了傳統模型，但刻意排除了代理式（agentic）與生成式AI。其考量在於，人工智慧的進展速度實在太快，難以被靜態指引所約束。因此，金融機構如今必須自行監管其科技基礎設施中發展最快的那一段。儘管具備這種營運自主權，銀行仍必須在主管機關的要求下，完整向查核人員說明其AI治理。

若這類查核明天就開始，絕大多數金融機構都將面臨重大困難：在出示精確且可重現的紀錄（log）時，無法清楚交代究竟是如何使用人工智慧。追蹤特定方法、相關產出（artifacts），以及每一項受到AI影響的個別決策，仍是一道高度複雜的門檻。

這個特定的合規落差，正是8090 Software Factory所設計要解決的問題。該平台將完整的證據與稽核軌跡，直接嵌入軟體架構之中。透過這種方式，系統確保每一次系統修改與每一個由AI驅動的選擇，都能可靠地追溯到一項已由人員明確核准的需求。

造訪此連結以了解更多細節：http://bit.ly/46q2SOe

麥肯錫與牛津大學的研究，代表了迄今為止對重大 IT 計畫所進行的最全面分析，而其結論相當引人注目。研究團隊在審閱了超過 5,400 個、預算超過 1500 萬美元的專案後發現，這些計畫通常會使實際價值比原先規劃少 56%，同時預算又會超支 45%。此外，排程延誤所造成的影響同樣嚴重，常常會把實現核心目標的時間往後推遲好幾年。

過去，組織曾嘗試透過「做出一個普遍被認可的選擇」，並與一家無人可指責的公司合作，來應對這些龐大的 IT 轉型。在當時，只要能把建置完成就已經是一個大問號，選擇保守方案是完全合乎邏輯的。然而，今天 AI 已徹底改變了局面。

要克服這些普遍存在的產業挑戰，你需要一套系統，讓你能在最開始就清楚地記錄你的目標與意圖。只要先在前置階段建立這種清晰度，你就能在執行與驗證的各個階段持續運用 AI，確保你的專案能夠完全按照原本構想的方式交付。如此一來，你最終的交付成果就能保持在排程內、符合範圍，並且與預算完美對齊。

在 8090 Software Factory，我們以這套相同的方法作為每一次客戶合作的基礎。你可以透過造訪此連結了解我們流程的運作方式：http://bit.ly/4gP9bkq

如果你正在尋找一張能夠凸顯當前系統面臨的重大威脅的單一視覺化圖像，那這張特定的圖表立刻會浮現在我腦海中。觀察者很可能無法充分理解量子位在未來將出現的疊加效應。最終，我們不可能誇大這種快速進展將對量子不安全的加密方法所造成的深遠連鎖影響。

回顧桌上型電腦與網際網路時代，我們可以看出金融動態遵循了一種特定模式：最初的經濟結構終究會反轉。最後，站在離日常消費者最近位置的組織，才是那些獲得最高利潤率的公司。

我們可以預期，人工智慧也會走同樣的路徑。與其猜測這種經濟轉變是否會再度發生，不如說真正的不確定性只在於它會多快到來。

如果你發現自己要用「在此之前，有一件值得說的事……」這句話開頭來講述內容，通常最好的做法就是在那裡先停一下。請略過多餘的評論，專注於把眼前手上的工作順利完成。

儘管歷史課本常強調 1980 年代與 1990 年代的放鬆管制趨勢，但事實是：在那個時期，監管架構根本沒有真正被精簡。相反，限制的數量持續擴張，並未出現任何實質的中斷。

最終，這些複雜的法規其實服務於單一族群：既有市場的領導者。這些既得利益者才是能夠有效制定規則的人——要嘛親自下場制定，要嘛依賴他們所挑選的代表來推動。

當市場的限制更少時，自然會吸引更激烈的競爭，而這種競爭會一再挑戰那些根深蒂固的既有權力。隨著既有玩家的主導地位逐漸消退，經濟便能出現更快速、也更活躍的資金與財富流動。

然而，只要我們的監管體系持續變得更加盤根錯節，那些已經站在最高處的人就會繼續獲利。他們仍然能坐享其成，不必展現真正的能力或付出實際努力——而這種運作方式看起來終究是非常不合邏輯的。

如果你曾想知道你支付給 Anthropic 的資金究竟被如何運用，你可能會覺得他們最新的舉措相當有趣。希望你也支持他們的願景。根據《Politico》記者 Will 的報導，圍繞人工智慧的政治戰場如今已大幅延伸至期中選舉。令人好奇的是，身為業界最知名的組織之一的 Anthropic，正在投入數百萬美元，提醒選民他們所協助開發的究竟是哪一項技術。

獲得 Anthropic 經費支持的公共利益倡議組織 Public First Action，已推出其針對大選的首項重大行動。他們投資了一筆全新的 250 萬美元廣播採購，目的是在整個佛羅里達州支持共和黨參議員 Ashley Moody。

儘管這則新電視廣告是由一家人工智慧企業出資，但它一開始就發出嚴肅的警示。該廣告宣稱，人工智慧正在改變我們的生活，速度快到任何人都難以控制，並且正朝著我們的工作而來。廣告重點突顯「複製聲音」與「竊取臉孔」所帶來的風險，並搭配直接來自人工智慧發明者的警告。接著，廣告轉而讚揚 Ashley Moody 參議員推動針對深偽（deepfakes）的立法。原始來源文章也會提醒讀者去觀看該廣告。

這則近期商業廣告是 Anthropic 更大範圍政治宣傳活動中的關鍵一環。該公司正投入數百萬美元，主張更嚴格的人工智慧監管。透過這些行動，Anthropic 旨在對抗獲得 OpenAI 投資人與領導者支持、反而主張採取更寬鬆監管方針的競爭性政治團體。

想象一下，有一個外星存在來到地球，提出一個引人入勝的請求。假設他們會請你展示一張單獨的圖表，用來說明驅動我們物種過去與未來所有成就的根本力量。\n\n你究竟會選擇向他們展示什麼呢？\n\n就我個人而言，我會分享下方所顯示的這張圖。我堅信，只要我們持續保持這張圖所展現的進步，人類最終將解決我們面臨的每一個挑戰。

建立軟體與購買軟體的數學：如今明顯更偏向「自建」

在整個 SaaS 熱潮期間，取得既有軟體相較於從零開始開發你所需要的方案，一直是更便宜且更快速的選擇。然而，如今要完成這個採購週期，卻持續變得更加錯綜複雜。

這個流程之所以如此複雜，原因再明顯不過。需要不同利害關係人來進行安全審查、談判合約條款，並最終核准風險。Gartner 指出，採購一套複雜的企業級軟體時，負責該項採購的團隊成員現在通常會包含 6 到 10 人。由於這些團隊互動帶來的影響，77% 的買家形容他們最近一次採購的體驗非常複雜或很困難。

多虧了 AI，方程式中的「開發端」已經發生了實質改變。採購科技最早的一個主要論點是：它提供了更快的路徑，但這件事如今不再成立。標準的「買入評估」流程，常常需要兩到三個季度才能完成採購階段的要求；而在同樣的時間窗口內，你想要的客製化工作流程現在可以被指定、建置、測試，並已在生產環境中運行。

我們打造 Software Factory，讓大型企業能夠把握 AI 帶來的「通縮型」經濟效益。透過運用這項技術，我們使得「自建 vs. 直接採買」的決策競爭力遠比歷史上更強。

如何做： http://bit.ly/3RNjXya

軟體平台的上線後階段，其實占其整體生命週期成本的 50% 到 80%。有趣的是，傳統服務模式被設計成恰好在這個高成本時期開始的同時就結束。

一旦專案發布，典型的系統整合商就會把交付團隊重新指派到全新的客戶。這樣做能確保負責你核心設計的原始創作者在仍需持續支援之前就完全退出，並在最昂貴的幾年真正開始時不再在場。你不得不想：當合規規範改變、或當你系統的基礎工作流程變得過時時，三年後到底會有誰來協助你。

打破這種慣常循環，8090 對你的生產程式碼提供在最初上線日期之後仍持續的完整責任。我們確保你的軟體始終保持更新，並能完美適應你不斷演進的商業環境。

想了解更多，請造訪 https://bit.ly/4zhwMBA

我們正在看到產業向前邁出極具正面意義的一步。隨著不同模型的財務成本逐步趨於一致，自然的下一步將是轉向由獨立第三方的控制平面與資源（harnesses）來管理。推動這股浪潮的顯著例子包括 8090 Software Factory、Palantir 與 Nous' Hermes。

展望未來 36 個月，可以高度確定每一家企業都將要求能存取第三方資源（harness），並具備將任意模型以近似可互換方式靈活運用的能力。此轉變將隨著組織逐漸完全理解與資料及智慧財產洩漏相關的脆弱性而發生。最終，企業必須對其所編碼的判斷保持絕對主權，因此這種可調適的方式至關重要。

按年度，蓋洛普（Gallup）會評估在美國勞動力市場中，員工在各個單一管理者名下的分佈情況。過去十年一直跟蹤這一指標的過程中，該比例最近經歷了最快的變化——僅用一年時間，直接下屬人數從 11 人上升到了 12 人。這一趨勢背後的推動因素，是公司在重組討論中經常被提起的一個熟悉觀點：組織正在持續取消中層管理崗位，並將剩餘人員分配給更小規模的現有領導者。

根據蓋洛普的研究，員工敬業度在經理的團隊規模爲 8 人或 9 人時會達到最佳水平。在這個規模下，主管仍能夠準確地監測正在進行的項目，並提供建設性、真實的反饋。然而，一旦直接下屬人數超過 15 人，敬業度會顯著下滑。

如今，關鍵問題不再只是組織架構圖上某個管理職位所對應的人員數量。相反，重點必須轉向理解：員工一週中有多少時間被投入到需要複雜的人類判斷的工作任務上，而不是那些僅僅爲了維持業務運轉、偏例行的職責。

目前正在獲得競爭優勢的企業，已經設法將重複性的任務從其人力員工的日程中徹底清除。通過這樣做，他們確保留在團隊中的專業人士能把時間用在客戶關係、需要人情味的細膩溝通，以及最終推動市場成功的戰略性創新上。

我們可以如何幫助貴組織

邁向人工智慧奇點

關於此現象的主流理論，透過一連串清晰的事件來展開。首先，人類成功開發出人工通用智能（AGI）。其次，這套新創系統在人工智慧研究領域中達到精通。第三，系統運用其專業知識，打造出更為強大的自身版本。第四，這個升級後的迭代將持續建造出驚人優越的繼任者。第五，此項回饋循環將以史無前例的速度持續加速。

在回顧過去幾週多個研究機構所產生的最新成就與技術功能時，便能相當明顯地看出：我們其實已經穩穩地身處於這個持續循環之中。

我們可以期待未來 18 個月絕對非凡。從此刻起，遞迴式自我提升的機制，將以令人屏息的速度推動科技能力的成長。作為這種快速演進的直接結果，運行所有這些模型所相關的邊際成本，最終將降至大約 ~$0。