Aftercasting

0:00 / --:--

Databricks 首席执行官:AGI 已经到来,企业为何落后,以及关于超级智能的争论Databricks CEO: AGI Is Already Here, Why Companies Are Behind, and the Superintelligence Debate

All-In Podcast · 11 月 17 日

1:02:06
← All-In Podcast

这集讲什么

Databricks CEO Ali Ghodsi 认为,现有 AI 的能力已足以深刻改变企业,但真正的瓶颈是组织上下文、安全治理、成本和数据控制权;他同时质疑,把编程自动化直接等同于失控的超级智能。

1-3要点

  • 能力不等于部署:Ghodsi 所说的“AGI 已到来”,不代表企业已经能让智能体可靠处理核心流程。
  • 企业 AI 的四项约束相互牵制:上下文、安全、成本和控制权不能各自孤立解决。
  • 组织效率的重点可能从个人任务转向跨部门等待:智能体加快信息整理后,审批、共识和责任划分更可能成为瓶颈。
Databricks CEO: AGI Is Already Here, Why Companies Are Behind, and the Superintelligence Debate|深度中文详解

播出信息

  • 日期:2026-11-17
  • 时长:3726 秒(62 分 06 秒)
  • 节目:All-In Interview
  • 嘉宾:Ali Ghodsi,Databricks 联合创始人兼 CEO
  • 主持人:Jason Calacanis
  • 音频:收听本集
  • YouTube:观看本集
  • Episode:节目页面

背景

Databricks 于 2013 年创立,源自加州大学伯克利分校 AMPLab 对数据处理和机器学习的研究。Ghodsi 回顾,公司早期押注云计算、AI 和开放技术:云让企业能够分开扩展存储与计算,开放技术则为数据处理和后续 AI 应用提供了基础。不过,研究成果进入企业后,团队发现技术能力之外还必须解决权限、安全、合规与治理。

本集的核心分歧不是“模型会不会继续进步”,而是模型能力如何变成可持续的组织能力。对 Ghodsi 来说,能回答问题的聊天机器人,与能够理解企业决策、调用受治理的数据并推动跨部门工作流程的 AI 智能体(Agent),相距甚远。

总结分析

Ghodsi 用一个看似矛盾的判断贯穿全场:按照他早年在 AMPLab 使用的定义,AGI 已经到来;但大型企业仍主要把 AI 当作更方便的搜索框和编程辅助。他认为,能力没有大规模转化为产出,并非只因为模型不够聪明。企业中的关键知识散落在会议、邮件、文档、数据系统和员工之间;即使汇集了这些上下文,也不能让智能体无限制读取敏感信息,更不能忽视持续增长的推理成本和对外部平台的依赖。

Databricks 的现场演示把这一主张具体化:系统将员工调查、组织关系、客户会议和工程数据关联起来,帮助 CEO 更快提出问题、追溯依据,并发现需要人处理的跨部门阻塞。它展示了管理决策可能如何提速,也暴露了另一面:会议记录能否被采集、员工如何知情、权限怎样划分,以及系统给出的“原因”是否真的经过因果验证。

后半段,Ghodsi 将“AI 写出大量代码”与“递归自我改进”严格分开。他提出,只有下一代模型在训练速度、资源效率和广泛能力上持续改善,且这些改善能反复进入循环,才接近他所讨论的快速起飞情景。他更担心眼前的网络攻击,而非已经发生的失控超级智能。不过,他对安全漏洞可被逐步清除、企业采用最终会顺利推进的乐观判断,同样需要证据检验。本集因此既是企业 AI 落地案例,也是对“技术突破会立刻带来经济和社会巨变”这一叙事的降温。

节目结构 / 议程

  1. 从伯克利研究走向 Databricks — 00:00 🎧 · ▶️
  2. 云、开放技术与企业数据的真正难题 — 05:48 🎧 · ▶️
  3. “AGI 已经到来”究竟指什么 — 08:50 🎧 · ▶️
  4. 企业落后的四道关 — 12:19 🎧 · ▶️
  5. 跨越组织图,而非只给每个人配聊天框 — 19:26 🎧 · ▶️
  6. Genie 演示:把员工调查接入组织上下文 — 22:04 🎧 · ▶️
  7. 工程效率:产出曲线与 token 花费 — 29:47 🎧 · ▶️
  8. 管理“阻塞点”与文化漂移 — 33:04 🎧 · ▶️
  9. 为什么不急着 IPO — 38:25 🎧 · ▶️
  10. 什么才算递归自我改进 — 44:02 🎧 · ▶️
  11. 网络攻防:更现实,也并非容易解决 — 49:19 🎧 · ▶️
  12. 末日论、医疗承诺与缓慢的经济扩散 — 54:08 🎧 · ▶️

分节详解

1) 从伯克利研究走向 Databricks — 00:00 🎧 · ▶️

💬 他们说了什么:Ghodsi 说,创始团队约 20 人曾在伯克利 AMPLab 探索数据处理与机器学习的结合;由于当时产业缺乏兴趣,他们在 2013 年创办 Databricks。早期研究用例之一是帮助 Netflix 改进电影推荐。主持人提到,公司 2015 年收入约 150 万美元,并引用其听到的、关于 2026 年 8 月年化收入达到 70 亿美元及同比增长约 80% 的说法。

💡 为什么重要:这段历史说明 Databricks 的产品方向并非从生成式 AI 热潮开始,而是从“让组织的数据可用于计算和建模”逐步演进。

⚡ 争议点:主持人开场给出的历史收入、年化收入及增速并未在节目中附财务文件;年化收入也不等于已实现的全年收入。

2) 云、开放技术与企业数据的真正难题 — 05:48 🎧 · ▶️

💬 Ghodsi 解释,传统自建机房往往把存储和计算捆在机器上;云使两者分离,让企业更容易保存大量数据、按需使用算力,并对旧数据做低成本归档。他说公司早期同时押注云、AI 与开放技术,当时三项选择都存在争议。企业真正重要的数据,往往来自核心产品或服务本身,而不只在 CRM、人力资源系统里。

💡 企业 AI 的起点是能否保留、找到并正确使用业务数据。模型再强,若核心业务事件从未记录,也无法事后凭空恢复上下文。

⚡ “当时只有我们敢押注”属于创业者视角;云架构的优势也不意味着迁移、治理和长期费用问题会自动消失。

3) “AGI 已经到来”究竟指什么 — 08:50 🎧 · ▶️

💬 Ghodsi 称,按他与 AMPLab 同事在约 2009—2010 年使用的 AGI 定义,相关能力在上一年就已达到;他认为,即使智能水平不再进步,现有能力也足以改变世界。他随即把这种判断与 Nick Bostrom 所讨论、能以极高速度完成大量人类思考的“超级智能”区分开来。

💡 争论常因定义错位而失焦。“具备广泛任务能力”“能稳定完成企业工作”和“出现远超人类、快速自我改进的系统”,不是同一个命题。

⚡ 节目没有给出 AMPLab 当年的正式定义或可复现的达标测试。“AGI 已到来”是 Ghodsi 的定义性判断,不是业界一致结论。

4) 企业落后的四道关 — 12:19 🎧 · ▶️

💬 Ghodsi 从客户交流中观察到,许多企业仍主要用 AI 做聊天式搜索和编程辅助;他听到的编程提速常约为 20%—30%,远非成千上万个智能体自主处理核心工作。他归纳四个障碍:取得组织上下文、保护数据与权限、控制不断增长的 token 成本,以及避免平台锁定并保有自身知识产权。他举例说,一位大型银行 CEO 因责任风险,明确拒绝录制会议。

💡 这把问题从“买哪个模型”改写为一套部署条件:没有上下文,AI 不知道发生了什么;开放全部数据,又可能制造内部威胁和攻击面;即便前两项解决,成本与控制权仍决定能否规模化。

⚡ 20%—30% 是其客户交流中的印象,并非统一实验结果;记录会议也不是取得组织知识的唯一途径,且不能以效率为由跳过隐私、劳动和合规审查。

5) 跨越组织图,而非只给每个人配聊天框 — 19:26 🎧 · ▶️

💬 Ghodsi 认为,企业的层级汇报线与真正创造产品价值的流程不一致:客户反馈要经过产品、工程、营销、销售,再回到客户。他希望 AI 理解人员、职责、产品和知识产权,减少信息在部门间传递的等待。他提到约 150 人规模以上的协调难题,并认为数字原生企业通常比历史悠久的大企业更容易推进这种改造。

💡 若只提高个人写邮件或写代码的速度,却不缩短跨部门决策时间,企业整体产出未必同步增长。

⚡ 150 人并非适用于所有组织的效率分界;Ghodsi 也承认,他不知道有多少企业已在规模化采用自己描述的方法。

6) Genie 演示:把员工调查接入组织上下文 — 22:04 🎧 · ▶️

💬 Ghodsi 演示 Genie:系统利用持续构建的企业“本体”图谱,关联人员、汇报关系、会议记录、消息、文档和指标。他展示一项有超过 1 万名员工回应的调查:高管领导力指标为 88%,工作与生活平衡相关指标为 60%。他进一步追问员工为何觉得反馈未被采取行动,并按部门查看解释:产品管理涉及决策参与方过多,工程涉及工具与系统,销售运营涉及职业成长等。

💡 演示的价值不只是即时生成图表,而是让管理者沿着指标、定义、作者和原始材料继续追问,缩短从“发现异常”到“形成待验证假设”的时间。

⚡ 节目把相关性分析与“不是因果关系”的判断连在一起展示,但个别反例并不足以严格排除因果关系。员工调查与会议材料的接入,还需要明确匿名化、访问控制和保留期限。

7) 工程效率:产出曲线与 token 花费 — 29:47 🎧 · ▶️

💬 Ghodsi 展示约 2000 名工程师的代码提交或生产交付分布,形容曲线呈“L 形”:少数人的交付量明显更高。他说调查后发现,高产出者在运行自动化“工厂”;但高产出并不必然对应最高模型开销。其建议是把简单任务路由给较简单的模型,结合开源模型控制成本。系统还可根据客户会议记录,直接指出某次会谈效果不佳及客户所需功能。

💡 AI 使用量和效果需要一起衡量。只看 token 花费容易误判效率;只看代码数量,又可能忽略质量、维护负担与业务价值。

⚡ 提交数、拉取请求数不是可靠的个人绩效总指标。不同工程岗位的工作性质不同,公开比较也可能诱导刷指标。

8) 管理“阻塞点”与文化漂移 — 33:04 🎧 · ▶️

💬 Ghodsi 把法务批准、预算审批、跨团队达成共识等需要人接手的节点称为组织“阻塞点”,并称公司会衡量它们。他还会询问系统:不同领导者是否践行公司原则,某个地区或子团队的实际文化与整体文化有何不同。他说相关信息会与员工分享,以推动共同改进。

💡 如果智能体把准备材料的时间压到很短,人的审批与协调便会更明显地成为流程瓶颈。找出等待发生在哪里,比笼统要求团队“更快”更可操作。

⚡ 根据会议和沟通记录给领导者、员工或团队推断“文化”,容易把模型解释误当事实;若用于人事评价,还会带来监控、公平性和申诉机制问题。

9) 为什么不急着 IPO — 38:25 🎧 · ▶️

💬 Ghodsi 说,上市能带来资本渠道、知名度,以及定期向市场讲述公司的机会;保持私有则有利于避免股价短期波动干扰员工激励和长期产品决策。他表示,公司每年安排员工股权流动性计划,并称所预留的额度过去并未全部用完。他在讨论收购与流动性时提到,公司业务规模已超过 70 亿美元、仍有约 70%—80% 的增长;同时明确说“我们会上市”,但未给时间表。

💡 IPO 在这里不是单纯的融资事件,而是资本获取、员工流动性、收购能力与管理注意力之间的权衡。

⚡ 二级市场流动性不能完全替代公开市场的定价与披露;持续高增长的说法及具体口径仍需以公司正式文件核对。

10) 什么才算递归自我改进 — 44:02 🎧 · ▶️

💬 Ghodsi 反对从“AI 编写了 98% 的代码”直接推导出递归自我改进(RSI)。他提出四项条件:下一代模型的训练耗时显著缩短;所需资源下降;广泛任务上的准确性持续提升,而非只在单一领域进步;前三项改善还能反复进入下一轮训练。他说,目前大型训练仍高度依赖算力、数据处理和人工工程工作,未见这种飞轮形成。

💡 四项条件将“AI 帮助开发 AI”与“持续加速、持续降本、能力全面提高的闭环”分开,使超级智能讨论更接近可观察的训练过程。

⚡ 这是一套分析快速起飞情景的框架,不是 RSI 的公认唯一标准;未观察到所述飞轮,也不等于可以排除其他能力跃迁路径。

11) 网络攻防:更现实,也并非容易解决 — 49:19 🎧 · ▶️

💬 主持人以使用默认密码的联网设备为例,区分普通安全疏漏与超级智能。Ghodsi 则强调攻防不对称:攻击者可让大量尝试失败,只需一次成功;防守者必须持续守住边界。他介绍 Databricks 的安全产品 Lakewatch,并认为扫描新代码、修补或隔离遗留漏洞,可以逐步降低风险。

💡 与抽象的失控情景相比,权限暴露、漏洞利用和智能体可访问的系统范围,是企业部署时立即要处理的风险。

⚡ Ghodsi 对“新代码经扫描便不会有漏洞”、遗留漏洞总量有限且可被清理的表述过于乐观。安全问题也可能来自配置、依赖、身份凭证、社会工程及不断变化的系统连接方式。

12) 末日论、医疗承诺与缓慢的经济扩散 — 54:08 🎧 · ▶️

💬 谈及 AI 安全阵营,Ghodsi 认为其担忧出于真诚,但从模型进步推导出失控超级智能,中间仍有未经证实的步骤。他认为网络风险更迫切;对于“十年内治愈癌症”等预测,他强调药物仍需人体试验,无法给出确定期限。他列举 Regeneron 的研究、与 Merck 合作的药物发现模型,以及危机干预等 AI 用例。到约 60:02,他进一步判断,企业要解决上下文缺口可能需要 10—15 年,GDP 层面的变化也可能历经数十年。

💡 科学发现、临床获批、企业部署和宏观经济增长各有自己的时钟。某项模型能力的突破,不会自动压缩所有后续验证、审批和组织改造步骤。

⚡ 医疗案例需要区分发现候选靶点、开发药物与证明临床疗效;“GDP 将缓慢变化”同样是预测,而非节目中已经验证的经济结论。

人物与机构

  • Ali Ghodsi:Databricks 联合创始人兼 CEO;本集主要受访者。
  • Jason Calacanis:本集主持人,围绕企业采用、管理实践、IPO 与 AI 风险追问。
  • Databricks:Ghodsi 所领导的数据与 AI 公司;节目中演示 Genie,并讨论安全产品 Lakewatch。
  • AMPLab/加州大学伯克利分校:Databricks 创始团队的重要研究背景。
  • Nick Bostrom:哲学家;其关于超级智能与递归自我改进的论述是后半段讨论的参照。
  • Regeneron、Merck:Ghodsi 提及的生命科学研究与合作相关机构;具体项目成果应另查原始资料。

金句

“We have all the intelligence we need to completely transform the planet.” “我们已经拥有彻底改变这个星球所需的智能。”——Ali Ghodsi

“If the AI is simply not in the meeting, it’s useless.” “如果 AI 根本不知道会议里发生了什么,它就帮不上忙。”——Ali Ghodsi,意译

“Just because 98% of the code is being written by AI, we don’t have RSI.” “仅仅因为 98% 的代码由 AI 编写,并不意味着我们已经有了递归自我改进。”——Ali Ghodsi

“I actually think GDP will move very slowly and it’s going to take decades.” “我认为 GDP 的变化会非常缓慢,整个过程需要数十年。”——Ali Ghodsi

洞见与延伸背景

  • “企业本体”更像一层持续维护的业务语义结构:它需要把人员、指标定义、文档和决策关系连起来。演示中的关键不是图谱这个名词,而是每个回答能否追溯到有权限使用、仍然有效的依据。
  • 更快地产生假设,不等于更快地证明假设:员工调查的切片分析适合发现应调查的部门和问题;若要认定某种管理措施造成了结果变化,还需更严谨的研究设计。
  • 成本优化应按工作流计算:便宜模型处理简单问题可能降低单次调用费用,但还要计入错误复核、升级到更强模型、权限管理和人工接手的成本。
  • 流动性是留住人才的一部分,却不是全部:Ghodsi 对上市时机的解释显示,员工可出售股权,与管理层能否免受股价波动干扰,可能同时成立,也可能相互拉扯。

争议与需核实

  • 财务口径:主持人所述 2015 年收入、2026 年 8 月年化收入及同比增速,以及 Ghodsi 后续提到的业务规模,应以同期公司公告或财务材料核对。
  • AGI 定义:需找到 Ghodsi 所援引的 AMPLab 历史定义,才能准确评估“上一年已达到”的判断。
  • 演示的代表性:现场展示了特定问题和界面,未说明错误率、适用部门范围、权限配置或相对于既有流程的长期效果。
  • 员工数据治理:会议记录、沟通内容和文化推断的使用,需核实员工知情、匿名化、访问权限及申诉安排。
  • 安全与医疗效果:代码扫描不能保证无漏洞;药物靶点发现或研究模型的进展,也不等于药物已经通过临床验证。

行动建议

  1. 先选一条跨部门流程试点:例如客户反馈到产品排期,记录现有等待时间、人工交接和错误返工,再评估智能体是否真正缩短端到端周期。
  2. 绘制上下文与权限清单:列明哪些数据可接入、谁能读取、哪些会议或人事材料不得接入,以及回答应如何引用依据。
  3. 把质量与成本放在同一张评估表:同时跟踪任务完成率、人工复核时间、模型费用和出错后的处理成本,不以调用量或代码提交数代替价值。
  4. 为高风险判断保留人工复核:尤其是员工评价、客户承诺、法务审批、安全处置和医疗相关结论。
  5. 定期检验风险假设:分别审视当下可见的网络攻击面,以及关于 RSI、经济增长和医疗突破的长期预测,避免用一种叙事替代另一种证据。

来源

时间定位以前五个官方章节为议程依据;分节详解的补充时间点依据所给英文转写。