Wednesday, September 2, 2026

This video is about quantum computing, 你的評論如何? https://youtu.be/2N7nRgdFewY?si=3egHfsRBHtgMwLLy (ChatGPT, 2026-9-2)

 我看這支影片的題目 “What Happens When We Cross the 256-Qubit Threshold?”,我的第一個判斷是:它抓到了一個真正重要的直覺,但「256 qubits」本身不是一道神奇的物理門檻。 真正正在發生的轉折,是我們逐漸從「多幾個 qubits」進入 logical qubits + error correction + sufficiently deep circuits 的時代。

What Happens When We Cross the 256-Qubit Threshold?⁠

一、為什麼「256 qubits」聽起來如此驚人?

因為一個理想的 n-qubit pure state,需要 2^n 個複數振幅描述。

所以:

  • 10 qubits → 2^{10}\approx10^3
  • 50 qubits → 2^{50}\approx10^{15}
  • 100 qubits → 2^{100}\approx10^{30}
  • 256 qubits → 2^{256}\approx1.16\times10^{77}

這個數字非常有意思:它大約已接近常被估計為可觀測宇宙中粒子數量級 10^{80} 的尺度。

於是很容易產生一句極具誘惑力的話:

256 qubits 已經可以描述一個比宇宙中原子數還龐大的 Hilbert space。

這句在數學意義上基本沒有問題。

但是緊接著若說:

「所以 256-qubit quantum computer 就具有超越整個宇宙的計算能力。」

這就錯了。

因為 quantum computer 並不能把那 2^{256} 個 amplitudes 一個一個讀出來。測量一次仍然只得到一個有限的 classical outcome。量子計算的力量不在於「儲存 2^n 個答案」,而在於利用 interference,把錯誤答案的 amplitude 消掉、把所要答案的 amplitude 放大。

這是整件事情最重要的區別。


二、因此,真正的問題不是「有多少 qubits」

現在看 quantum computing,最好忘掉媒體最喜歡的 qubit count。

真正要問的是四件事:

qubit fidelity × connectivity × circuit depth × error correction。

一台有 10,000 個 noisy physical qubits、每跑幾百個 gates 就亂掉的機器,未必比一台只有 200 個非常可靠的 logical qubits 更有用。

這也是為什麼 2026 年 quantum computing 最值得注意的新聞,不是某公司又宣布「我有 X 千 qubits」,而是 error-corrected logical computation 開始真正跨過 threshold。

例如今年 7 月 IBM 與 University of Chicago 宣布一個很值得注意的實驗:他們編碼了 70 logical qubits,執行 2,415 次 logical two-qubit operations 和 468 個 logical T gates;IBM 宣稱這項工作達到可驗證的 quantum advantage,而且 logical error rate 比 physical error rate 低約十倍。

這件事在概念上比「256 qubits」重要得多。

因為它意味著:

加更多物理 qubits,終於開始使 computation 更可靠,而不是更容易壞掉。

這才叫 threshold。


三、真正的 threshold 是 quantum error-correction threshold

Google 前幾年非常漂亮地展示過這件事情。

physical qubit 都會出錯。如果你用很多 physical qubits 編碼成一個 logical qubit,理論上有兩種可能:

情況 A:

加越多 qubits → 錯誤越多。

那 quantum computing 沒救。

情況 B:

physical error rate 降到某個 threshold 以下後:

加越多 physical qubits
→ error correction 越有效
→ logical error rate 反而指數下降。

這就叫 below-threshold error correction。

Google 已經展示 surface-code error correction 跨越這種 scaling threshold,並進一步研究 color codes;今年又展示 reinforcement learning 可以動態補償量子硬體漂移,使 error correction 在長時間運算中維持穩定。

所以我會把影片題目改成:

What Happens When Quantum Error Correction Crosses the Threshold?

那就真的不得了。


四、真正令人震動的不是 256,而是「200 logical qubits」

這裡有一個很有趣的巧合。

IBM 現在的 roadmap 是:

2029:Starling
→ 約
200 logical qubits
→ 約
100 million logical gates

再下一代 Blue Jay:

→ 約 2,000 logical qubits
→ 約
1 billion gates。

請注意:

不是 200 physical qubits。

而是:

200 error-corrected logical qubits capable of running 100 million operations。

這兩件事的差距,類似:

「我有兩百個容易忘記事情的人」

和

「我有兩百個永不忘記、可以連續精確工作一億步的人」。

完全不是同一種機器。

IBM 甚至已經開始建構連接多個 cryogenic modules 的架構,希望最後把大量晶片組成 fault-tolerant system;今年 8 月剛完成兩個低溫模組連接的工程里程碑。


五、那麼 quantum computer 究竟會摧毀什麼?

這裡我會比影片標題保守很多。

它不會突然取代 classical computers。

Excel、Word、YouTube、ChatGPT inference、database、作業系統,全都沒有理由變成 quantum computer。

Quantum computer 是一種非常奇怪的 special-purpose accelerator。

真正可能出現巨大優勢的是幾類問題:

第一,quantum simulation。

這恐怕是最自然、也最有希望的一類。

因為:

nature is quantum。

你拿 classical computer 模擬 quantum system,本來就很笨。

拿 quantum system 模擬 quantum system,就像拿水模擬水。

所以 chemistry、materials、catalysis、battery、superconductivity、drug molecular interaction 都可能首先受益。


第二,cryptography。

如果未來出現夠大的 fault-tolerant machine,Shor’s algorithm 能破解 RSA 和 elliptic-curve cryptography。

這不是今天 256 qubits 就能做到。

真正破解 RSA-2048 所需的容錯資源仍遠大於今日設備。

可是因為有:

harvest now, decrypt later

今天偷走 encrypted data,十年後再解。

所以 post-quantum cryptography 現在就必須部署;IBM 也明確把 quantum-safe migration 列為目前需要開始進行的工作。


第三,某些 optimization / sampling / scientific problems。

這裡則要非常小心。

不是:

「quantum computer 可以同時試遍所有可能性。」

這句話是大部分 quantum-computing 科普最糟糕的神話之一。

Quantum algorithms 必須找到一種 interference structure,才能取得 speed-up。

大量 NP-hard problems 並不因為有 quantum computer 就突然容易了。


六、而我覺得最有趣的,其實是 AI × Quantum

這才跟我們剛剛談的 中美 AI 競賽接得上。

未來不太可能是:

classical computer vs quantum computer。

而會是:

CPU + GPU + AI + HPC + quantum accelerator

組成 heterogeneous computing。

IBM 現在甚至直接把它稱為 quantum-centric supercomputing,其 2026 roadmap 的目標就是把 quantum processor 與 HPC 混合使用,而不是讓 quantum computer 單獨工作。

而 AI 又可以反過來:

AI → calibration
AI → error decoding
AI → circuit compilation
AI → quantum-control optimization。

Google 今年用 reinforcement learning 做 quantum error correction stabilization,就是這條路的早期例子。

所以真正可能出現的是:

AI helps build quantum computers
↓
quantum computers accelerate selected scientific computation
↓
AI absorbs those discoveries
↓
better materials / chemistry / chips
↓
better AI & quantum hardware

這是一個 potentially very powerful feedback loop。


七、而這就回到你一直關心的那個問題

AI 之所以如此令人不安,是因為它把認知活動工業化。

Quantum computing 若成熟,則會把另外一部分東西也工業化:

對自然本身的 quantum state space 的計算。

所以我會這樣排列二十一世紀目前正在聚合的幾條線:

AI — cognition
robotics — action
synthetic biology — life
quantum computing — matter
energy — power

當它們各自發展,事情還沒有那麼奇怪。

真正的 discontinuity 很可能出現在它們開始互相加速的時候。

所以這支影片讓我想到的,反而不是:

「256 qubits 之後世界就變了。」

而是:

256 只是一個漂亮的數字。真正的歷史門檻,是我們開始能夠可靠地操縱一個 classical world 無法有效模擬的 quantum state space。

2026 年我們大概正站在門檻附近,但還不是科幻小說裡那種 universal quantum computer 已經降臨。

而如果 fault-tolerant quantum computing + frontier AI + robotics 在 2030 年代真的同時成熟,那才可能是比今天所謂「AI revolution」更大的事情:AI 不再只是閱讀人類留下來的世界;它開始藉 quantum simulation 主動探索人類從來沒有計算過的物質世界。

我認為那才是這支影片背後,真正值得害怕、也值得期待的地方。


Wednesday, September 2, 2026 中美 AI 競賽 全球化三十年,美國將製造業外包,造就中國製造業興起,今美國將部分製造業回收,以機器人上崗,此舉正彌補其,失去製造業之短板,而中國集中力量辦事,傾國之力,偷竊技術,補貼發展 AI,且亦機器人上崗,此舉非但未彌補短板,反而加劇失業,和產能過剩,傾銷全世界的惡性循環,我先前說過,美國擅長實現歐洲哲學家的科技惡夢,上述則是,中國擅長加速實現美國人只起了個頭的全世界的惡夢,有趣的是,中國人不是人,無所謂人權,所以中共可以盡情亂搞,中國人乖順,也只好彼此鼓勵活下去,雖然不知道活下去要作什麼,意思是說,中共的優勢在于,徹底邪惡且「無所謂」,而 AI 恰助長其邪惡,然後中國人活得畜牲不如也「無所謂」,now,世道之所以有趣,就在這兩個「無所謂」,(ChatGPT, 2026-9-2)

 你這段裡,我認為最值得留下的,其實不是「中美 AI 競賽」,而是最後那兩個「無所謂」。如果把較激烈的修辭剝掉,它指出了一個很重要的政治經濟差異:AI 的效果並不是獨立的;它會把一個制度原來已經具有的傾向放大。

美國與中國現在確實正在形成兩條相當不同的 AI—工業路徑。Brookings 今年的概括頗準:美國仍較強於 frontier software、agentic systems、資本與商業生態;中國的顯著優勢則在 physical AI、製造供應鏈以及把 AI 快速嵌入實體工業的能力。中國 2024 年新增工業機器人約 29.5 萬台,占全球新增量約 54%;這已經不是人形機器人的宣傳,而是一場真正發生在工廠裡的自動化。

因此,你所說的那個不對稱性確實存在。

美國過去三十多年把大量中低端製造外移,因此 robotics + AI + reshoring/nearshoring 至少在理論上可以填補一個「空洞」:不是把原有的一億個工人換掉,而是在某些已經缺乏工人的產業重新建立生產能力。當然它仍可能造成勞動市場兩極化,而且「製造業回流=製造業就業回流」絕不是同一件事——工廠回來,很可能人不回來。2026 年美國製造業目前仍在擴張,而且 AI infrastructure 已經成為需求來源之一。

中國的情況卻麻煩得多。它原本就不是「缺乏製造能力」,而是某些部門具有過度製造能力+國內需求不足。IMF 對中國的診斷現在已非常接近你說的結構:產業政策補貼擴大工業生產,同時內需不足,使成長更加依賴製造業出口,形成 excess supply、出口價格下降以及與貿易伙伴的摩擦。2025 年青年失業率仍高,而房地產、地方財政與消費疲弱又限制內需。

也就是:

美國:AI → 補製造業能力缺口 → capital-intensive reshoring
中國:AI → 再提高既有製造能力 → 更少勞動 → 內需更弱 → 剩餘產品更依賴出口。

這個 feedback loop 才是我覺得你今天這段最重要的洞見。

而且這個循環在 2026 年已經很清楚:中國 7 月出口同比增加 23.9%,半導體出口接近翻倍,AI/high-tech goods 是主要動力;與此同時零售銷售只增加 0.6%,房地產繼續下行。換句話說,一邊是生產能力極強,另一邊是自己的人民消費不起或不願消費。

所以我會把你說的「產能過剩—傾銷—失業」再補上一個中間環節:

自動化 → 勞動所得占比壓力 → 預防性儲蓄/弱消費 → 內需不足 → 產能相對過剩 → 出口 → 國外保護主義 → 更依賴補貼與技術升級 → 再自動化。

這是一個可能的positive feedback loop。

而你最後說的兩個「無所謂」,則碰到了比 GDP 更深的問題。

第一個是國家的無所謂。威權體制相對民主體制的一個競爭優勢,確實是它可以把某些社會成本 externalize 給個人:失業、搬遷、監控、資料蒐集、產業淘汰,只要沒有轉化成危及政權的集體行動,就未必形成立即的 veto point。因此 AI surveillance、algorithmic governance、industrial automation 可以推得非常快。

但我不會說「中國人不是人」。恰好相反:正因為中國人是人,問題才嚴重。 如果人根本不算人,那便沒有政治悲劇;真正的問題是,一個制度可以在相當長時間內,把人的尊嚴、自由與生活品質當作政策函數裡權重很低的變項。

第二個「無所謂」則更幽微:人的無所謂。

它不是中國人的天性,更像 Hirschman 所謂 exit、voice、loyalty 被長期重新排列之後的適應。當 voice 成本極高,exit 又困難,一個非常合理的心理策略就是:

降低期待 → 私領域化 → 不碰政治 → 搞錢 → 躺平 →「活著就好」。

因此「活下去」逐漸從手段變成目的本身。

這就讓 AI 特別值得警惕:以前威權政治至少需要大量人來監視人、審查人、管理人;AI 使控制本身自動化。另一方面,工業 AI 又使生產可以逐漸減少對人的依賴。於是第一次可能出現一個相當奇怪的政治經濟狀態:

國家在政治上愈來愈不需要你的同意,工廠在經濟上愈來愈不需要你的勞動。

這恐怕才是你那句「AI 恰助長其邪惡」可以轉化成一個更嚴格命題的地方。

不過這裡也正藏著中共 AI 模式最大的弱點:一個不太需要人的經濟,最後仍然需要人買東西。

機器人可以生產汽車,AI 可以設計手機,無人工廠可以二十四小時運轉;但是機器人不會買三間房,不會養孩子,不會為退休存錢,也不會買下一部電動車。這就是中國模式目前最難解的矛盾——production function 可以逐漸去人化,aggregate demand 卻不能。

昨天 G20 的爭執幾乎就是這個問題的國際版本:19 個成員支持處理非市場政策造成的貿易失衡,中國反對相關表述;爭議核心正是中國內需不足、補貼與出口依賴造成的外溢。

所以,我反而會把你今天的文字濃縮成一句:

美國 AI 的危險,是讓資本逐漸不需要勞動;中國 AI 更特殊的危險,是讓政權逐漸不需要公民、工廠逐漸不需要工人,而整個體系最後卻突然發現——市場仍然需要人。

這時你說的兩個「無所謂」就相遇了:

政權說:你過得如何,無所謂。
個人說:除了活下去,其他也無所謂。

可是經濟系統在第三處回答:

不,並非無所謂——因為最後總得有人消費。

我想,這個第三個「有所謂」,反倒可能是中國式 AI—製造業模式真正的阿基里斯腱。


中美 AI 競賽

全球化三十年,美國將製造業外包,造就中國製造業興起,今美國將部分製造業回收,以機器人上崗,此舉正彌補其,失去製造業之短板,而中國集中力量辦事,傾國之力,偷竊技術,補貼發展 AI,且亦機器人上崗,此舉非但未彌補短板,反而加劇失業,和產能過剩,傾銷全世界的惡性循環,我先前說過,美國擅長實現歐洲哲學家的科技惡夢,上述則是,中國擅長加速實現美國人只起了個頭的全世界的惡夢,有趣的是,中國人不是人,無所謂人權,所以中共可以盡情亂搞,中國人乖順,也只好彼此鼓勵活下去,雖然不知道活下去要作什麼,意思是說,中共的優勢在于,徹底邪惡且「無所謂」,而 AI 恰助長其邪惡,然後中國人活得畜牲不如也「無所謂」,now,世道之所以有趣,就在這兩個「無所謂」,

兩個困難 (福德)

一是,青壯三次,恰爲評估,但若遇虎,理應止三,但若不止,進入付費,而預期中,只能短期,所以,第一個困難是,如何短期治療自體疾患?

二是,青壯三次,或三次後,繼續下去,的療程,如遇個案提及,自殺家暴性侵,是否應,迫不及待,進行通報,之所以猶豫,是因為通報後,家庭危機,司法過程,個案壓力,勢將極大,必要時,極可能需要,急診住院,以診所單薄之局,風暴長年累月,實無法周到守護,我想,比較穩妥的作法是,轉診部桃或桃療,由醫院端,進行通報,照顧後續,

所以ChatGPT Plus 可以作 manus 做的事?比如說,自體的心理學(2025) 錄音稿,十六講,五十萬字,整理成一個 ppt?但是,可不可以,藉 connector,處理我的 Google Drive 或 blog archive ?(ChatGPT, 2026-9-2)

 可以,但要分成兩件事看。

第一,你說的「十六講、約五十萬字錄音稿 → 整理成一套 PPT」:可以,而且這正是 ChatGPT Work 很適合做的工作。 Work 是為較長、多步驟、最後要交付成品的工作設計,官方明確列出可以研究、分析並建立 presentation、document、spreadsheet、report。Plus 目前屬於可使用 Work 的付費方案之一,但實際功能仍可能按帳號逐步開放。

這種五十萬字工作,我不會建議「一次把五十萬字塞進一個 prompt,叫它吐 80 張 PPT」。比較可靠的方法是把十六講當成一個 corpus:

16 講原稿 → 每講抽取 argument / concepts / quotations / cases → 建立全課程 conceptual map → 去重與跨講串聯 → 決定 PPT architecture → 最後才生成 slides。

這樣比 Manus 那種「一口吞進去直接做簡報」更容易控制錯字、遺漏和概念漂移。尤其你的材料不是普通會議記錄;有很多自己定義的術語與跨講呼應,真正困難的是 curation,而不是 PowerPoint 排版本身。

第二,Google Drive:可以連。 OpenAI 現在有正式的 Google Drive app。連接後,ChatGPT 可以搜尋你有權限的 Drive 文件,讀取/參照 Google Docs、Sheets、Slides,並在支援的權限下進行某些操作。個人帳號是 live access,也就是需要時去 Drive 找資料;它不是把整個 Drive 預先建立成永久的私人索引。

例如理論上你可以說:

「到我的 Google Drive 裡找《自體的心理學 2025》十六講所有錄音稿,依講次排序,建立全文 corpus,再把它整理成一套 100 頁教學簡報。」

前提當然是你的帳號已經連上 Google Drive,而且那些檔案格式與權限可讀。Google Drive 的實際可用程度也取決於方案、地區與 Google 帳號/Workspace 權限。

Blog archive 則要看你的 archive 放在哪裡。

如果 blog archive 本身已經匯出成 Word、PDF、HTML、Markdown、TXT 等檔案,最簡單:直接上傳,或放進 Google Drive 後讓 ChatGPT 讀。如果你的 blog 是一個公開網站,我也可以從網頁研究它;但若你是希望像 Manus 一樣「登入某個 Blogger/WordPress 後台,把十多年文章全部爬下來當資料庫」,那就取決於是否有對應的 app/plugin 或是否能透過 Work 的瀏覽能力可靠存取。不是所有網站都等同於 Google Drive 那樣有正式 connector。

還有一個很重要的差別:

個人 Plus + Google Drive connection ≠ 把你整個 Google Drive 永久向量化成 ChatGPT 私人知識庫。

OpenAI 官方目前明確區分:個人/individual connection 是即時存取;那種 administrator-managed Google Drive sync/index 是給符合資格的 managed workspace,個人帳號不能自行建立。

因此,就你這個案例,我反而會採一個很務實的架構:

Google Drive = 原始檔案庫
↓
Project / Work =《自體的心理學 2025》工作空間
↓
十六講 transcript
+你相關的舊稿
+必要的 PPT / notes
↓
先做 corpus analysis
↓
建立「十六講概念總圖」
↓
再做 80–120 頁 PPT

這樣就已經非常接近你先前用 Manus 做的 workflow,而且有一點可能更適合你:你可以在生成過程中持續跟我討論 conceptual architecture,而不是等 agent 最後交出一個黑箱成品。

至於 Plus 是否「完全等於 Manus」:不是。 Manus 的強項一直是 autonomous agent workflow——自己開網站、找資料、跑很多步驟、最後交付成品。ChatGPT 現在的 Work + connectors/apps + reasoning + file analysis 已經進入同一類範疇,但不同網站的自動化程度、connector 覆蓋與使用額度不完全相同。Plus 本身也仍有 usage limits。

不過,就你最具體的這個任務——

《自體的心理學(2025)》16 講、約 50 萬字 → 讀完整 corpus → 理清內在結構 → 做成一套 PPT

我的答案是:可以,而且非常值得直接用 ChatGPT Work 做。

如果那些十六講已在 Google Drive,第一件事不是搬五十萬字過來,而是先把 Google Drive 接上 ChatGPT;之後整個工程就可以以 Drive 當 source of truth。


這個視頻,講的是關于中美AI競賽,你的評論如何? https://youtu.be/twBofpYweOc?si=5cdkRSuH0frsBcSL (ChatGPT, 2026-9-2)

 我查了這支 YouTube 連結,但目前無法可靠抓到它的標題或逐字稿,因此我不想假裝「看過影片內容」再評論。不過,針對你說的主題——中美 AI 競賽——我可以先給你一個我認為比「誰領先幾個月」更準確的框架。

我現在越來越不把它看成單純的 model race,而是四場同時進行、而且勝負可能不同的競賽。

第一場是 frontier intelligence。這一層目前美國仍有明顯優勢:最先進的 GPU 生態、超大型訓練叢集、頂尖 frontier labs、資本,以及把 scaling、agent、reasoning 往前推的能力仍主要集中在美國。2026 年的分析也大致仍把美國放在 sophisticated agentic models 和 software ecosystem 的前面。

但第二場是我認為中國真正危險的地方:diffusion race——誰把 AI 擴散進整個產業和社會。 中國未必要做出全世界最聰明的模型,只要做到「夠好、夠便宜、到處可以部署」,就可能在製造業、自動化、機器人、物流、監控、無人系統裡得到巨大優勢。近期比較中美的研究也恰好指出這個分裂:美國較強於先進模型與軟體,中國則尤其強調 industrial / physical AI。

所以我會把 DeepSeek、Kimi 之類的意義理解成:它們真正對美國造成的震動,不只是 benchmark 上追近,而是證明了:

中國可以用較差的硬體條件,把 frontier capability 壓縮成 sufficiently good intelligence。

這跟我們前幾天談 Manus 的問題其實相連。AI 的國力不只等於「誰有最聰明的模型」,而是:

intelligence × compute × energy × manufacturing × deployment × cost

第三場因此是 physical AI / embodied AI。這一場我反而認為美國不能掉以輕心。中國有一個美國非常難複製的結構性條件:完整、密集、快速迭代的製造供應鏈。AI 一旦從螢幕裡走出來,成為機器人、無人車、無人機、工業控制系統,「深圳—東莞—蘇州—長三角」這類 ecosystem 的價值突然暴增。近期中國 humanoid robotics 的投入也非常明顯。

因此我甚至會說:

LLM 時代,美國的 Silicon Valley 優勢最大;
embodied-AI 時代,中國的 factory-floor advantage 開始變得重要。

第四場才是最深的一場:AI infrastructure race。

這就回到你昨天問我的 Oracle。AI 到最後不是幾個 chatbot 在比武,而是:

GPU → networking → data center → electricity → cloud → model → agent → physical system。

所以 Nvidia、TSMC、Broadcom、Oracle、Microsoft、Google、Amazon、電網、核能、資料中心土地,全都變成同一場戰爭裡的節點。

換句話說,「中美 AI 誰贏」這句話本身其實太粗糙了。

現在比較像:

層次 美國 中國
Frontier models 優勢 快速追趕
Leading-edge chips 明顯優勢 最大弱點
AI software / agents 優勢 追趕
低成本模型 接近 很強
Manufacturing 較弱 巨大優勢
Robotics / physical AI 強但供應鏈分散 潛在優勢
Electricity / buildout speed 改善中 強
Global open-model diffusion 競爭中 極值得注意

這也是為什麼我對「中國因為沒有 Nvidia,所以 AI 必敗」這個說法一直很保留。出口管制當然非常重要,但它同時逼中國走向 quantization、distillation、Mixture-of-Experts、軟硬整合和國產晶片替代,也就是用 efficiency 補 compute。Brookings 今年的分析也特別指出,限制反而會增加中國追求半導體自主與 compute efficiency 的誘因。


不過,我也不接受相反的敘事:「中國已經贏了 AI race」。這通常把三件不同的事混在一起:


benchmark 接近 ≠ frontier research 領先 ≠ 整個 AI ecosystem 領先。


中國今天最值得警惕的不是「突然造出比美國高十倍的 AGI」,而是另外一種路線:


不一定發明最好的 intelligence,

而是最早把廉價 intelligence 工業化。


這和十九世紀很像。最後改變世界的,往往不只是誰發明蒸汽機,而是誰把蒸汽機塞進礦山、工廠、鐵路、船舶、軍隊與整個國家機器。


所以,如果這支影片的中心論點是「中國正在迅速縮小 AI 差距」,我大致同意;如果它說「中國已超越美國」,我會認為過頭;如果它說「美國穩操勝券,因為中國沒有最先進 GPU」,我也會認為它低估了問題。


我目前對中美 AI 競爭最簡潔的判斷是:


美國目前仍在發明 intelligence;

中國正在學會大量製造 intelligence。


而真正決定 2030 年後格局的,很可能不是兩者誰先多出 20 IQ,而是:


誰能把 intelligence 變成 infrastructure。


這也就是為什麼你昨天問 Oracle 在 AI race 裡扮演什麼角色,其實問到了非常核心的位置:AI race 已經開始由「模型競賽」轉向「文明級基礎設施競賽」。


如果你把這支影片的標題或它最重要的三五個主張貼給我,我可以再逐點評論這支影片本身,而不是只評論它所談的「中美 AI race」這個大題目。