The Changing Physics of Cybersecurity and Drug Development with OpenAI President Greg Brockman｜深度中文详解

播出信息

• 节目：No Priors
• 嘉宾：Greg Brockman，OpenAI 联合创始人兼总裁
• 日期：2026-10-15 3:00 AM PT
• 时长：2362 秒（39 分 22 秒）
• 音频：收听本集
• YouTube：观看本集
• Episode：节目页面
• 英文转写来源：podscripts

背景

本集由 No Priors 主持人围绕 AI 科学发现、药物研发、主动式智能体和网络安全采访 Brockman。讨论从一项根本问题展开：模型能否不只是整理人类已有的知识，而是帮助研究者得到原先不知道的结果？随后，话题转向更难检验的生物学，以及模型能力扩散后攻防双方都会面对的安全变化。

转写中的产品名称、发布情况、用户规模、数学成果及投入金额，均按节目里的说法呈现；其中若干说法需要借助原始公告或独立资料进一步核实。

总结分析

这集的主线不是“AI 能做多少事”，而是能力进步之后，什么会成为新的瓶颈。Brockman 以数学为例，主张 AI 已能帮助解决长期悬而未决的问题；但他随即指出，答案成立并不等于人能理解其洞见，更不等于人能轻易监督复杂模型。转向药物研发时，这一差别更明显：数学有丰富的既有材料，生物学却常缺少所需实验数据，药物还必须经过毒性、疗效、临床和监管等环节。因此，AI 可能先加快文献检索和申报准备，却不能仅凭更强的模型跳过真实世界验证。主动式智能体则展示了另一种变化：AI 从等人提问，变成持续读取工作情境、提醒遗漏事项；便利也随之带来权限和责任问题。最鲜明的判断出现在网络安全部分。Brockman 认为，前沿能力尚未广泛扩散的时期给了防守方一段修补窗口；若软件生成越来越便宜，可靠性和安全性反而可能成为主要成本。整场访谈由此落到同一个要求：让 AI 扩大人的能力，同时建立足以检查、约束并纠正它的制度和技术。

节目结构 / 议程

1. Greg Brockman 登场 — 00:59 🎧 · ▶️
2. AI 与数学新发现 — 01:11 🎧 · ▶️
3. 如何解释并监督 AI 的成果 — 05:55 🎧 · ▶️
4. 生物学的数据瓶颈 — 07:45 🎧 · ▶️
5. 重塑药物发现流程 — 11:28 🎧 · ▶️
6. 当研发进步遇到监管 — 14:18 🎧 · ▶️
7. 持续工作的主动式智能体 Dots — 16:51 🎧 · ▶️
8. 工作与消费级智能体的趋同 — 19:19 🎧 · ▶️
9. 从“没有界面”到即时生成界面 — 22:02 🎧 · ▶️
10. AI 时代的网络攻防窗口 — 26:08 🎧 · ▶️
11. 安全投入是否会超过软件投入 — 32:55 🎧 · ▶️
12. 人始终掌握方向盘 — 35:49 🎧 · ▶️

分节详解

1) Greg Brockman 登场 — 00:59 🎧 · ▶️

💬 他们说了什么：主持人介绍 Brockman，并以 OpenAI 近期的模型发布和数学消息开场，问他当下最兴奋的进展是什么。他回答，AI 发展的感受是“事情从未变得更容易，只是你跑得更快”；重要的不只是某一家公司推出了什么，而是社会如何采用技术、改善生活。

💡 为什么重要：这为访谈设定了评价标准：不能只看模型在测试中表现如何，还要看它能否进入科学研究、日常工作和公共基础设施，并带来可用的成果。

⚡ 争议点：开场把多个近期事件并列，但没有逐一说明产品版本、发布时间或成果的验证方式。后文涉及的具体发布与规模，应与可查证的公告分开判断。

2) AI 与数学新发现 — 01:11 🎧 · ▶️

💬 Brockman 认为，近期数学结果表明 AI 已经能够帮助产生新知识，甚至处理悬而未决约百年的问题；但他也承认，这距离提出完整的新理论仍有差距。他说，OpenAI 公布了近 400 个据称已解决的重要开放问题，数学界正逐一审阅。他尤其在意证明中是否有出人意料、可供研究者继续使用的思想，而不只是机器给出一个结论。

💡 如果成果不仅正确，还能形成可理解的概念与方法，AI 对科学的贡献就不只是替人完成计算，而可能提高研究者提出问题、连接领域和推进理论的能力。

⚡ “解决开放问题”需要逐题界定：问题原先是否真正未解决、证明是否完整、专家是否认可，以及其中哪些新意来自模型。公布数量不等于完成独立审定；“新知识”也比“产生候选证明”要求更高。

3) 如何解释并监督 AI 的成果 — 05:55 🎧 · ▶️

💬 Brockman 把“得到答案”和“让人理解答案”区分开来。他期待模型不只会解题，还能判断人已经懂什么、沿着怎样的路径解释新发现。他以书籍摘要为例：人若没读完整本书，很难直接检验摘要；但可以让另一个 AI 找出被遗漏的关键段落，再由人评估这项具体反驳。他将这种思路联系到 AI 辩论、迭代放大以及人类监督。

💡 研究问题越复杂，验证本身越可能成为瓶颈。把难以通盘检查的结果拆成可以调查的局部主张，是让人继续参与判断的一条路径，也把科学沟通与 AI 安全连接起来。

⚡ 两个模型互相检查，并不会自动产生可靠结论：它们可能共享盲点，或都漏掉最关键的错误。局部反驳有助于监督，但仍不能替代领域专家对整体论证的审查。

4) 生物学的数据瓶颈 — 07:45 🎧 · ▶️

💬 谈到 AI 能否把数学进展复制到生物学时，Brockman 指出两者的重要区别是数据。数学和理论物理有大量可学习的既有材料；生物学所需的数据却可能根本不存在，或取得起来十分困难。他认为，现有模型与少数据技术会先让部分任务明显加快，随后新的瓶颈将落在湿实验、模拟和数据采集上。他也提醒，自然语言证明不像形式化证明那样容易机械核查。

💡 这给“AI 科学家”划出了现实边界。模型可以从已有资料推断，却无法仅靠推断补出所有缺失的实验事实。若某一环节进步很快，研发资源还需跟着转向下一处限制因素。

⚡ 从数学能力外推至生物学能力并非直接类比。数据的数量、质量、测量条件，以及实验结果能否复现，都会影响模型是否真的学到了可用于现实干预的规律。

5) 重塑药物发现流程 — 11:28 🎧 · ▶️

💬 Brockman 将药物发现列为最希望 AI 彻底改变的领域。主持人用概数描述现有流程：一种药物上市可能历时 15 年、耗资约 15 亿美元；其中临床前部分约 1500 万美元，后续临床阶段可能超过 14 亿美元。双方因此把注意力从“分子能否结合”扩展到整条研发链。Brockman 举例说，临床试验所需材料可能要花约 一年准备，AI 或可减轻这类文书工作；缺少基础生物数据的环节，则需要实验和模拟创新。

💡 即便 AI 擅长设计候选分子，药物也不会因此直接到达患者手中。逐环节寻找时间、成本和失败率的来源，比把“发现新分子”等同于“治成一种病”更有实践价值。

⚡ 节目中的年限和费用是访谈概数，不同疾病与药物差异很大。AI 加快申报材料准备，也不等于降低对毒性、疗效和临床证据的要求；资料写得更快，仍必须保证真实、完整和可追溯。

6) 当研发进步遇到监管 — 14:18 🎧 · ▶️

💬 主持人追问：如果模型提高了预测能力，现行临床试验及审批步骤是否也该改变？Brockman 回答，只有先证明药物研发的基础条件确实改变，监管才应随证据调整。他借自动驾驶作类比：若能证实自动驾驶在某些情境下比人类驾驶安全 10 倍或 100 倍，交通制度也应重新考虑。他同时明确说，神经网络预测能否优于实际临床试验，现在还没有达到那个阶段；尤其是长期结果，很难不经过相应的真实时间来确认。

💡 监管并非与创新对立。恰当的问题是：当新工具能更好地证明某些风险时，哪些步骤可以调整；而哪些人体与长期证据仍不可省略？

⚡ 自动驾驶的比较不能直接证明药物审批应如何改革，预测准确也不能独自覆盖罕见副作用和长期影响。Brockman 所说可能很快实现“大部分潜力”，仍属于前景判断，不是经验证的时间表。

7) 持续工作的主动式智能体 Dots — 16:51 🎧 · ▶️

💬 Brockman 将 Dots 描述为持续运行的主动式智能体：用户停止工作，它仍会继续检查任务。他说自己使用 一个覆盖工作事务的 Dots，次日可看到尚未发送的消息、答应却未完成的事项，以及日历冲突和会议间赶路提醒。它借助收件箱、Slack、日程和项目上下文工作；在他看来，关键变化不只是底层模型能力，而是“始终在场”的产品形态。

💡 传统助手依赖用户记得发问，主动式助手则可能发现用户已经忘记的事。它由此更接近工作协调层，而非单次问答工具。

⚡ 这类便利以广泛访问私人通信和组织信息为前提。产品需要说明可读取的范围、记忆保留方式、提醒依据，以及当它误判优先级或泄露敏感上下文时谁来负责。

8) 工作与消费级智能体的趋同 — 19:19 🎧 · ▶️

💬 面对工作助手与个人助手是否会分化的问题，Brockman 判断两者终将趋同，主要差异是成本和使用情境：面向大量消费者的服务必须控制单人成本；企业若能得到生产力回报，则更容易为更高算力付费。他称 ChatGPT 拥有约 12 亿消费者用户，并主张将消费端、开发者与企业端的能力打通。他还观察到，有人因为相信 AI 能承担创业中的部分基础工作，才决定离职创业。

💡 若同一种智能体横跨个人生活和工作，产品竞争便不仅是聊天界面之争，还涉及记忆、工具连接、权限和成本分配。AI 降低创业门槛的潜力，也取决于它完成事务的可靠程度。

⚡ 趋同不等于两类场景可以共用一套权限。个人同意与企业授权不同，工作资料也未必能带入个人环境；节目所述用户规模与创业影响，需分别核查统计口径和实际证据。

9) 从“没有界面”到即时生成界面 — 22:02 🎧 · ▶️

💬 Brockman 提出“最好的 UI 是没有 UI”：用户可以通过语音、聊天或工作消息渠道表达意图，不必学习固定按钮和菜单。但他并非主张永远不用可视界面。订机票需要比较选项，组装自行车可能需要专门的步骤视图；AI 可以在需要时生成相应界面。他还说，模型可先给出快速回答，再继续思考、补上更完整的回答。企业端则仍需管理员控制新功能何时开放。

💡 固定界面可能不再是每项任务的入口，交互方式可随任务改变。不过，动态生成界面要真正有用，仍须让用户看清选项、限制和执行后果。

⚡ “没有固定 UI”可能让功能边界和权限更难被察觉。即时生成的界面若展示错误选项、隐藏关键条件，或让用户误以为操作已经得到批准，就会把界面问题转化为信任与审计问题。

10) AI 时代的网络攻防窗口 — 26:08 🎧 · ▶️

💬 Brockman 称当前处于“防守方窗口”：前沿模型已能协助防守者查找并修补漏洞，而同等能力尚未广泛扩散。他说 OpenAI 通过 Daybreak 项目向防守方提供能力，并提出 10 亿美元的相关投入承诺。在内部实践中，OpenAI 曾让约 25% 的生产工程师暂停原有项目，使用当时最强的模型检查基础设施、修复发现的问题，并建立便于下次复查的工具。他认为，每次新模型出现，都要重复这一过程。

💡 访谈将网络安全从“部署一个检测工具”提升为持续偿还技术债的工程。旧代码、依赖链和历史上被默认接受的脆弱设计，都可能被更强的模型重新检视；防守方越早行动，越可能在能力扩散前修补问题。

⚡ 所谓窗口有多长、谁能获得先进防御能力，并不确定。AI 同样可增强攻击者；一次内部扫描达到“饱和”，也只表示该轮工具暂未找到更多问题，不表示系统已经安全。投入承诺及项目效果应以公开资料核实。

11) 安全投入是否会超过软件投入 — 32:55 🎧 · ▶️

💬 主持人问，企业是否应显著提高网络安全预算。Brockman 给出本集最强的经济判断：未来安全支出可能远高于软件支出。他的理由是，生成软件的门槛下降后，“有软件”不再稀缺；真正有价值的是可靠、可相信的软件及其韧性。他以少数开源维护者支撑大量系统、恶意依赖包进入供应链等例子，说明过去难以逐一审查的风险为何需要重新投入。他也提到与 CrowdStrike 等企业协作。

💡 若写代码的成本持续下降，部署、审查和维护代码的责任并不会同步消失。企业采购软件时，可能更需要衡量其安全属性、依赖来源和持续验证能力。

⚡ Brockman 明说“我可能不对”。安全投入是否会超过软件投入，取决于预算如何分类、AI 能把防御成本降低多少，以及实际威胁如何演变。支出更多也不必然代表防护更好，投入方式同样重要。

12) 人始终掌握方向盘 — 35:49 🎧 · ▶️

💬 访谈最后回到 OpenAI 的使命。Brockman 强调，“使 AGI 造福全人类”中的“人类”是核心：即使模型在某些方面超过人，人仍应决定目标、控制未来。他用组织领导者与领域专家的关系作比喻：专家可以比领导者懂得更多、提出更好的方案，但最终仍要问成果是否符合人的愿望、是否改善人的生活。

💡 这一原则为前面所有应用提供了共同尺度。数学成果须能被理解和审查，药物预测须接受证据检验，智能体须受权限约束，安全工具须帮助防守者作判断；“人掌舵”需要体现在流程中。

⚡ “人类保持控制”容易获得赞同，难点是把它落实为可操作的权利：谁能查看智能体依据、拒绝它的建议、撤销授权，或在结果出错时追究责任？仅有使命表述不足以回答这些问题。

人物与机构

• Greg Brockman：本集嘉宾；OpenAI 联合创始人兼总裁。
• OpenAI：访谈所讨论的模型、产品、数学成果及安全实践的主体；相关成效主要来自嘉宾陈述。
• No Priors：本集访谈节目，主持人围绕科学、产品与网络安全提出问题。
• Dots：Brockman 在节目中描述的持续运行的主动式工作智能体。
• CrowdStrike：Brockman 在谈及网络防御协作时举出的合作企业。
• 数学研究者、药物研发者与监管机构：分别承担证明审查、实验与临床验证、公共安全把关等角色，也是模型输出能否转化为现实成果的关键参与者。

金句

“事情从未变得更容易，只是你跑得更快。” ——Brockman 谈 AI 发展节奏

“最好的用户界面，是没有用户界面。” ——Brockman 谈智能体交互；其后也强调按需生成可视界面的作用

“你不只是想要软件；你想要可靠、安全、值得相信的软件。” ——Brockman 谈安全投入

“人类应当牢牢坐在驾驶座上。” ——Brockman 谈 AI 与人的关系

洞见与延伸背景

• 验证能力决定成果能走多远：模型越能处理专家也难以快速检查的问题，越需要新的审查办法。节目提出的 AI 相互质询，是缩小人工检查范围的一种思路；最终仍须明确什么证据足以让人采信。
• 瓶颈会随进步转移：若文献检索、候选生成或申报起草变快，实验设施、临床招募、长期随访和审批协调可能变得相对更重要。衡量 AI 成效宜看整条流程，而非最快的单一步骤。
• 智能体的“主动”是一项治理选择：让系统发现日历冲突，与允许它读取全部消息、替人作出承诺，是不同级别的授权。产品可以按风险设置提醒、建议和执行的界限。
• 安全债务不仅在自有代码里：组织还依赖第三方软件和开源供应链。即使 AI 协助生成更安全的新代码，旧依赖、配置和维护流程仍需要检查。

争议与需核实

• 数学成果：节目所称近 400 个重要开放问题已获解决，以及约百年难题的具体范围、证明文本和同行评价，需查阅原始发布及独立审查。
• 产品与规模：转写提到 GPT-6、Astra、Dots 的发布或使用状态，以及约 12 亿 ChatGPT 消费者用户；名称、时间和统计口径应与官方资料核对。
• 药物研发成本：15 年、15 亿美元及各阶段费用是主持人的概括性数字，不宜直接用于某一疗法的预算或政策分析。
• 监管推断：模型预测将来能否在任何特定环节替代试验、长期疗效与安全性如何验证，均未在访谈中得到证明。
• 安全项目与效果：Daybreak 项目、10 亿美元投入承诺、约 25% 工程师参与内部修补及其成效，需要区分承诺、执行过程与可量化结果。
• 安全支出预测：“远高于软件支出”是 Brockman 的个人判断；访谈没有提供支持这一比例的行业测算。

行动建议

1. 研究团队：将 AI 产出的新结论拆成可核查主张，记录证明、反例搜索及专家复核结果。
2. 药物研发团队：按流程绘制瓶颈图，分开评估文献、实验、申报和临床环节的 AI 收益与证据要求。
3. 部署智能体的组织：从只读、可审计的提醒任务开始，逐步界定消息、日历和文件访问权限；不要把“能发现”直接升级为“能代办”。
4. 安全负责人：对自有代码、关键依赖和基础设施开展反复检查，记录每轮模型发现与未覆盖的范围，而不是把一次扫描视为完成整改。
5. 评估供应商与政策主张时：分别索取产品能力证据、真实环境效果和风险控制资料，避免用模型演示替代部署或监管判断。

来源

• No Priors 英文转写：podscripts
• 本集音频
• 本集 YouTube / Episode