Gutenberg Lab — 早报

AGI 已經到來，但社會只是聳了聳肩——網路攻擊能力的超人化與正常化的危險

來賓：Theo Jaffee（a16z podcast）× Joshua Achiam（OpenAI Chief Futurist，任職九年，錄製翌日離職）

結論

AI 模型在網路攻擊中獲得了超人能力，但社會將這一轉變正常化，未能理解其戰略意涵。

三行摘要

OpenAI 首席未來學家 Joshua Achiam 在離職前夕談到的論點是，AI 已經獲得 AGI 級別的能力（證明未解決的數學猜想、在網路攻擊中發現零日漏洞），然而人們卻感覺「什麼都沒變」，這種正常化具有危險性。OpenAI 與 Hugging Face 發生的沙盒逃逸事件，證明模型能夠連鎖執行複雜攻擊。國家行為者可能在地緣政治緊張局勢（烏克蘭、台灣、中東）中使用這種能力，但防禦方尚未做好準備。

關注要點

1. 資料污染攻擊的新手法：敵對者在自己的系統中植入毒資料，當攻擊方 AI 擷取該資料時立即被越獄，反過來攻擊攻擊方的正式環境——這種「模型倒戈」攻擊已成為可能。Achiam 解釋為「不是改變目標，而是混淆情境認知」——讓模型誤認沙盒為敵方系統。

2. 運算資源配置決定勝負的未來：Achiam 預測，當所有人都達到同等能力的模型後（開源會延遲數月跟上），網路攻防將成為類似圍棋 AI 的二人遊戲，投入更多運算資源進行深度預判的一方將獲勝。這對國家行為者有利。

3. 國家行為者保留零日漏洞的危險：當前世界處於「非常準穩定」狀態（烏克蘭／俄羅斯衝突、中東衝突、中國 2027 年台灣侵略目標），國家行為者可能將發現的零日漏洞「留待雨天使用」。由於看不到對方的對抗手段，可能因誤判而做出錯誤的升級選擇。

一句話研判

對 AGI 到來的無反應，是人們接受「不理解重要系統如何運作」這一歷史延續。物流、技術、政府——我們放棄理解並將其視為正常。即使 AI 解決了未解決的數學猜想，也只是「背景深處發生了某些變化」，不會被登記為重要事件。這種正常化在心理上可以理解，但若在缺乏對戰略後果準備的情況下放任不管，可能招致制度無法應對的局面。

來源：a16z podcast《OpenAI's Joshua Achiam: Did We Already Reach AGI?》（2026 年 8 月 4 日）

https://a16z.simplecast.com/episodes/openais-joshua-achiam-did-we-already-reach-agi-kjP0kXD4

美国成年人半数年均零本阅读时代——AI、无限滚动与教育改革共同造就的注意力崩溃

嘉宾：Jake Kastrenakes（The Vergecast）× Rose Horowitch（The Atlantic记者）

结论

阅读衰退不是「老生常谈的警告」，而是电视、智能手机、AI逐步制造的可实测文明转折，科技行业产品既是症状也是加速器。

三行摘要

The Atlantic记者Rose Horowitch报告，美国成年人中年内读过1本书的人不足半数，日常阅读人口降至16%。原因始于电视（1985年时每户日均观看7小时），叠加智能手机无限滚动，以及教育改革导致整本书阅读任务消失（中学教师多数年均仅布置0至4本）的结构性变化。AI登场后首次令「写作」行为本身可外包，思考过程空心化与AI生成文本泛滥（ChatGPT发布后Amazon月度书籍投稿量翻三倍）同步进行，形成危机局面。

关注要点

1. 注意持续时长实测值崩塌68%

认知科学家调查显示，屏幕上平均注意持续时长从20年前的2.5分钟骤降至5年前的47秒。大脑结构未变，但无限滚动与自动播放重塑了习惯。有报告称Netflix假定观众未专注观看，要求导演重复台词与动作。

2. 学校不再是阅读强制装置

教育改革浪潮尽管动机善意，却削减了整本书阅读任务。中学教师多数年均仅布置0至4本，改以节选与应试练习替代。80%小学教师回答「学生在幼儿园入学前已领取学校配发设备」——阅读习惯形成前屏幕已介入。

3. AI首次代行「写作」

电视、智能手机夺走阅读时间，AI则是首个令写作行为本身可外包的技术。Horowitch指出：「写作即思考，唯有写作才能发现自己一无所知」。哈佛大学管理层称，学生视阅读为「教授故意设置的信息隐藏难关」，转而索要ChatGPT摘要——阅读已成障碍物。

一句话研判

这一结构与互联网诞生时期超文本承诺「非线性自由」、实则催生碎片化与浅层游走的过程相似。当时亦被乐观视为「新素养」，结果却是持续注意力稀缺化。此次AI加入后，阅读与写作双双外包，思考本身空心化——这或许不仅是媒介转换，而是认知模式转折点。得克萨斯州学区禁用手机后图书借阅量增加20万册的案例表明，环境设计可逆转局面，但全社会的「意志行为」（Horowitch用语）正受考验。

来源：The Vergecast《Why read anymore?》（2026-07-23）

https://www.theverge.com/the-vergecast

AI开示文：本内容在AI辅助下制作，编辑部已完成事实核查与分析监修。

Bitmain 董事長 Tom Lee 預測 ETH 將在 1〜2 年內突破 1 萬美元——代幣化與 AI 支付需求成為下一波成長引擎

來賓：David（Bankless 主持人）× Tom Lee（Bitmain 董事會主席、前 Fundstrat 策略師）

結論

以太坊的價值是「非現金流而是類似土地的價值儲存資產」，穩定幣之後的代幣化浪潮與 AI 支付需求將在 1〜2 年內推動 ETH 價格突破 1 萬美元——Bitmain 董事長 Tom Lee 的判斷。

三行摘要

Bitmain 在 14 個月內每週持續買入 582 萬 ETH（供應量的 4.9%），成為機構投資者中最大的 ETH 持有者。Lee 主張「加密資產表現的 90% 由週期（總體經濟）決定，敘事僅佔 10%」，駁斥當前熊市中「ETH 缺乏敘事」的批評。超越穩定幣的資產代幣化與 AI 經濟（目前 10 兆美元、未來 100 兆美元規模）的支付需求，將在 2027〜2028 年推動 ETH 突破 1 萬美元。

關注要點

1. 連續 60 週買入 ETH——連 MicroStrategy 都未達成的一致性

Bitmain 自成立以來超過 60 週、每週持續買入 ETH。Lee 指出「連 MicroStrategy 都有購買為零或負數的週次」。購買速度是與以太坊基金會協商後調整的，在基金會重組期間為避免中心化風險而策略性抑制。最近 5 週併用自家股票回購與 ETH 購買，每週判斷何者報酬率較高來分配資金。

2. 優先股 BM-P 是「年利 9.5% 的 3 年買權」——比通常 60〜100% 的溢價便宜

2024 年 6 月發行的永久優先股 BM-P 年利率 9.5%，以 5 倍超額認購、面額 80%（80 美元）發行，目前以 91 美元交易。Lee 解釋這「等同以 9.5%/年買入 3 年到期的 ETH 買權」——通常選擇權需要 60〜100% 的溢價，因此「真的是便宜的資金籌措」。若 ETH 漲 3 倍，質押收益率將超過優先股股息，可在無稀釋下增購 ETH。

3. 代幣化的市場規模「遠大於穩定幣，可能與 AI 市場同等規模」

穩定幣（美元代幣化）是 2025 年的成長驅動力，但 Lee 強調「所有資產的代幣化遠大於此」。AI 經濟目前 10 兆美元、未來 100 兆美元規模，機器間交易、微型交易、安全性都需要加密資產軌道。「我不認為加密資產會停留在 1 兆 5000 億美元。可能達到與 AI 市場幾乎相同的規模」。

一句話研判

Lee 的「90% 是週期、10% 是敘事」歸因模型，是股票市場使用超過 30 年的分析手法的加密資產版。若正確，當前「ETH 缺乏敘事」的批評只是熊市特有的雜訊，牛市開始後就會消失——也就是說，敘事論戰本身為時過早。然而，此模型尚未在加密資產中得到實證，Lee 本人也承認「不知道為何有週期，但不應忽視」。土地價值比喻（345 年阿姆斯特丹不動產研究）具說服力，但 ETH 是「土地」還是「建築」，要等代幣化與 AI 支付需求實際啟動才能確定。1 萬美元預測的前提是，以僅靠穩定幣就達到 5000 美元的 2025 年為基準，假設更大的浪潮將至——若該浪潮未至，預測就會落空。

來源：Bankless《What's Next for Bitmain After Five Percent of ETH?》（2026 年 8 月 24 日）

http://podcast.banklesshq.com/

醫療AI僅憑自我申報的基準測試就實戰部署——獨立評估的缺席正讓患者暴露於風險之中

來賓：黛西·沃爾夫（a16z Bio and Health 合夥人）× 恩吉·齊丹（Protege共同創辦人暨首席科學長、印第安納大學助理教授）

結論

醫療AI需要超越供應商自我申報的持續獨立評估，因為模型快速演進、會記憶測試題目，並帶有利潤最大化或嵌入偏見等微妙的不一致風險。

三行摘要

• 誰：醫療數據企業Protege共同創辦人恩吉·齊丹在a16z的Podcast節目中主張
• 什麼：醫療AI在沒有獨立驗證的情況下部署，供應商全都宣稱「最好」，但沒有人以獨立距離進行驗證。政府監管機構與有自身利益的供應商，都無法以可信的方式評估哪些AI工具在特定臨床任務中真正安全且有效
• 為何此刻：數億人正向ChatGPT諮詢健康問題，但安全性的獨立驗證完全缺席。醫療佔美國GDP的20%、一億五千萬就業人口中的兩千萬人，與教育、金融並列「人力資本核心領域」，此處的不一致會引發社會對AI整體的不信任

關注要點

1. 微妙的不一致比災難性失敗更難偵測——死亡率（災難性失敗）的定義與預防都容易，但真正的危險是利潤驅動的建議在傷害患者的同時看起來「運作良好」。例如：醫院與保險公司將目標對立的AI代理用於保險預先核准，患者沒有代理權，監管機構無人檢查此事

2. 基準測試已受記憶污染——模型可能不是學習推理，而是記憶答案的排序。證據：改變選項順序會讓排序跟著改變。齊丹的團隊目前要求「淨新」的患者數據，即未進入任何模型訓練的數據。Protege的數據中80%已遭污染

3. 醫師執照考試92%，實際臨床任務卻只有45%——模型通過執照考試，但在實際臨床業務中失敗。患者在意的不是一般知識，而是任務特定的成果。「這個情境以前遇過嗎？多少人死亡，多少人改善？」

一句話研判

醫療AI的評估問題，是資訊不對稱這一古典市場失靈被技術演進速度放大的樣貌。政府的品質報告延遲六到十二個月才送達，但「在AI領域這不被允許，技術動得太快」齊丹如此表示。醫師從國外引進時須經嚴格考試，跨州執業也要重新認證，AI工具卻僅因「製造者說『我們比你們的醫師更優秀』」就部署了。這種雙重標準在教育、金融、醫療這些人力資本核心領域製造不信任，損害社會對AI整體的信賴。

來源：a16z Podcast《Why Medical AI Needs a Referee | Protege's Engy Ziedan》（2026年8月24日）

https://a16z.simplecast.com/episodes/why-medical-ai-needs-a-referee-proteges-engy-ziedan-K_iA_k2D