# Databricks CEO：AGI 已经到来，企业为何落后，超级智能之争

> 阿里·戈德西认为 AGI 已满足企业所需，瓶颈在于把会议、文档、代码和组织架构转为实时决策系统，并谈及 IPO 与超级智能风险。

- 原标题：Databricks CEO: AGI Is Already Here, Why Companies Are Behind, and the Superintelligence Debate
- 类型：嘉宾访谈
- 发布日期：2026-11-17
- 话题：阿里·戈德西：AGI 已至，企业为何落后
- 出场：杰森；嘉宾：Ali Ghodsi
- 网页版：https://allin.qiaomu.ai/ep/databricks-ceo-agi-already-here-companies-are/
- 视频：https://www.youtube.com/watch?v=1bR0gtecoHU
- 精读字数：约 7218 字（阅读约 16 分钟）

> 本文为 allin.qiaomu.ai 基于原始节目的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

阿里·戈德西（Ali Ghodsi）在节目里说了一句话，把两件事同时摆在了桌面上：**如果今天所有 AI 研究立刻停摆，人类手里的智能已经足够改造整个星球。**同一场对话里，他又说，他每天见的那些大企业客户，用 AI 的方式基本还停留在"高级版谷歌搜索"。

这两个判断不矛盾，它们指向同一件事的两端。能力已经到了，扩散还没开始。

戈德西是 Databricks 的 CEO。这家公司 2013 年从伯克利一间实验室里长出来，2015 年营收 150 万美元，到 2026 年 8 月，市场传出的数字是年化营收 70 亿美元、同比增长约 80%，员工超过一万人。杰森·卡拉卡尼斯（Jason Calacanis）在开场就问他：这么大体量，为什么还不上市。

这期访谈的大部分时间，戈德西在回答另一个问题：一个能把数学难题做出来的东西，为什么进了公司就变成了聊天框。

## 三个当年被分析师称为"战略失误"的赌注

故事得从 2009 年前后伯克利的 AMP Lab 讲起。戈德西说那时实验室里大约二十来个人，是当时全世界最大的 AI 研究机构之一。A 是算法，M 是机器，P 是人。为什么要把人放进去？因为当时模型不够好，最后一公里得靠人推一把。人类反馈这个东西，他们比后来那些论文早了几年就在用了。

实验室做的第一个真实用例是给 Netflix 推荐电影，让人多看片。这个用例后来演变成一场著名的竞赛：Netflix 拿出一百万美元悬赏，谁能在预测评分上提升 10% 就拿走，前提是把数据全部公开。全球的计算机科学家扑上去，产出的工作量远超奖金本身。

但学术界做出的东西，工业界不接。戈德西说，那时候说"机器学习"，没人理；说"AI"，大家想到的是机器人。他们到处推，推不动，最后是带着一种绝望感出来创业的：如果不开公司，这事就没人听得见。

Databricks 早期押了三个注。云、AI 用例、开源。**在 2013 年，这三个都是逆着共识走的。**戈德西说他跟一家很有名的分析机构打过赌，对方的原话是：押注云是战略失误，你们会因此死掉。结果恰恰是这三个不合时宜的判断，给了他们好几年的先手。

云到底改变了什么？他解释得很朴素。以前企业自建机房，存储和算力捆在同一台机器上，硬盘满了就得买整台机器，IT 部门一年到头在干这个。云把两者拆开了，你先把所有数据往里倒，冷数据自动归档、存储成本趋近于零，同时获得"算力无限"的错觉。有了这个底座，机器学习才跑得起来，GPU 后来才进得来。

他还提了一件很多公司不愿承认的事：一家企业最值钱的数据，往往不在 CRM 里，也不在人力系统里，而是核心产品自身产生的那些数据。一家卖保险的和一家做药的公司，最有价值的东西都藏在产品运转的痕迹里。这些数据过去根本没被记录。杰森接了一句，早年他也干过"把日志全留着"的事，收到八千美元的存储账单后立刻改口让人删掉，因为当时没人想得出这东西有什么用。

## AGI 的定义早就满足了，只是球门被往后挪了

戈德西说他从去年开始就在讲：**通用人工智能已经实现了。**他用的尺子是 2009 年、2010 年那批人在实验室里对 AGI 的共识定义。那是十几年前一群人共同认下的标准，没有新论文作依据。

他自己也没有十足把握，于是挨个去问当年实验室的同事：是不是只有我这么想，我是不是在幻觉？对方的回答是：按那个定义，确实达到了，但大家把球门挪走了。

他把超级智能和 AGI 严格切开。超级智能这个词他按尼克·博斯特罗姆（Nick Bostrom）2014 年那本书的用法：一分钟之内完成人类一千年的思考量，可以瞬间写出一篇全新的博士论文。那是完全另一回事。各家实验室现在追的是这个。

而真正卡住世界的另有其事。

> 我看到的现实是，企业用 AI 的方式非常初级。他们把大模型当成一个更好用的谷歌搜索：以前输入关键词拿十条蓝色链接自己点，现在 AI 替他们点完。第二件事是写代码，但提速也就 20%、30%。我每天都在见客户，每次都问同一个问题：你们有谁在跑几千个 agent 自动完成工作？到现在还没有发生。（戈德西）

## 企业落后的四个卡点，一个比一个现实

为什么能做数学难题的模型，进了公司就变笨？戈德西给了四层原因，一层压一层。

**第一层是上下文。**设想一家二十万人的公司，把所有会议录下来、把所有信息汇总起来。他说有位大银行 CEO 直接告诉他：不可能，我们永远不会录会议，一百年也不会。这话让戈德西很震惊，因为**AI 如果不在会议室里，它就是没用的**。哪怕是陶哲轩（Terence Tao）或者全世界最厉害的数学家坐在那儿，只要他不了解你们在做什么决策，他也帮不上忙。

第二层是安全。你可以放一个 agent 到处读数据，然后你就会被黑。所有赚钱的大公司，现在最怕的就是这个。杰森补了一句规模问题：小公司连接所有系统，攻击面是有限的；二十万人的组织把系统全打通，攻击面直接乘以一千。

**第三层是成本。**token 支出指数级上涨，收入是不是也在指数级上涨？戈德西说他没见过任何一家公司，用了 AI 之后营收曲线跟着成本曲线一起翘起来。CEO 一开始喊"多上 AI、快点上"，过一阵 CFO 拿着报表进来：我们的运营成本在涨，连销货成本都在涨，下周还有财报电话会。然后所有人开始慌。

**第四层是主权。**数据打通了，安全做完了，成本也控住了，还有一个问题：怎么不被锁死，怎么把自己的 IP 攥在手里。杰森把这叫做智能主权。他顺带吐槽了现在的模型公司：Anthropic 每两周发一批产品，直接冲着微软这种大伙伴去，还免费。

戈德西对这些公司评价很高，说没有它们，这点智能根本不会存在。他只是想解释一个现象：为什么全球两千强、财富五百强，一圈看下来都是"一个聊天框加一点代码"。四道坎，一道都没过。

## Genie 和组织本体：AI 要理解你的公司怎么运转

然后他共享屏幕，演示 Databricks 内部在用的东西，产品叫 Genie。

和其他助手最大的区别是本体（ontology）。它持续为你的公司构建一张图：谁向谁汇报、每个人在做什么、进来的邮件、开过的会、会议的逐字稿和其中做出的决定、Slack 上在聊什么、所有的文档、Excel、PPT。早上你打开它，它已经通宵干完一批活，把深度分析放在收件箱里。

第一个演示是员工调研。一万多人参与，领导力得分 88%，工作与生活平衡 60%，反馈被采纳的比例大约六成。戈德西说，这个数字年年低，他年年向全公司承诺要改，年年没改。

争论发生在高管会上。CFO 猜：肯定是工作生活平衡差，导致大家觉得反馈没人听。戈德西当场把问题输进去，系统拉出两者的相关性曲线，然后给出结论：相关，但因果不成立，并且列了反证。有位经理，团队的工作生活平衡只有 44%，被采纳感却有 77%。杰森的反应是：这人厉害，把人逼得很紧，但确实在听。

再往下切，按部门看原因：产品管理抱怨决策流程牵扯的人太多，工程抱怨工具和系统太杂，销售运营抱怨晋升通道。杰森插话，这些结果全都对得上刻板印象：销售永远觉得自己该升职，产品经理永远觉得别人该听自己的。

它是怎么做到的，答案在那张图里。它没有现场去搜。相关内容早就存在库里：五个人贡献过，十九条信息已经在图上，点开其中一条能看到指标定义、作者是谁、这个人在组织里的位置，以及从他身上学到的二十九个片段。**公司被慢慢编码成了一张持续生长的图。**

另一个演示是管理幅度。系统开箱即告指出组织里有一支很深的团队，这个人向那个人汇报，一层套一层，末端却是三个人、五个人、四个人、五个人地散着，扁平得不像话。这种事过去要靠 HR 花几周画图。

## 两千名工程师的 PR 曲线，是一条 L 形

戈德西最喜欢的一张图，是两千名工程师每周提交进生产的代码量。分布是个 L：头部极少数人提交量远超其他人。

查下去的原因很简单，**头部那些人在跑自动化工厂，其余人没有。**成本的分布更出乎他的意料。他让人把 token 花费加到同一条线上，发现头部那些人里，有些人的花费并不比其他人高。token 有聪明的花法：能用开源模型就用开源模型，简单问题路由给小的模型，成本能砍掉一大截。

他还演示了另一件事。听说某个客户会议开得不顺，他直接问系统：最近跟这家客户开会了吗，开得怎么样？系统第一句话是"这会开得很糟"，接着列出谁说了什么、客户要哪些功能。这些需求会自动汇总，流向工程，工程那边的自动化工厂接手去做。

戈德西说，公司内部有一个指标叫"人类阻塞点"：需要法务确认、需要财务批预算、需要市场部点头、需要和兄弟部门再开一次会、谈不拢就升级给主管。他要做的是把这个数量降下来，让信息不再玩传话游戏。

杰森在这里讲了自己做的实验。他造了个机器人叫"重大决策"，以他本人的身份加入所有 Slack 频道、读所有 Notion 页面、收所有邮件，隔几天给他一份报告：这个月最重要的决策有哪些，谁参与了，结论是什么，什么还没解决。他由此看清了组织里谁在真正推动决策，谁反应最快。报告还捞出了人事讨论，包括 PIP。他对 PIP 的意见很直白：人已经不到场了，还要折磨他两个季度。

> 做管理、做创始人，很大一部分工作是侦探活。我管这叫科伦坡。你一场会问三个问题：会上谁说得最多？客户到底怎么想？然后你得到的是被转述过的版本。员工不一定想忽悠你，大多数人都是好人，但他们是人。现在你可以把"人"从这个环节拿掉，直接拿到事实，讨论从事实开始，而不是从 CEO 当侦探开始。（杰森）

戈德西补了一个更狠的用法：让系统看各个业务线的负责人，评估他们实际在推行什么文化，而不是公司宣称的文化。日本团队几百号人他不会说日语，EMEA 和拉美各区有什么区别，过去根本无法测量。现在能看到偏差，偏差本身就是要处理的信号，哪怕结论是"他们对，我和其余人都错了"。

所有这些数据他都对全员开放。L 形曲线摆在所有人面前，目标只有一个：把曲线往右推。**他的说法是，现在这件事是巨大的 alpha，等所有人都做，就变成基础设施了。**他顺口说了句实话：70%、80% 的增长他还嫌慢，他想要的是远高于 100%。

## 为什么不上市：股价的过山车会把薪酬变成噪音

杰森问得直接：什么时候 IPO。

戈德西说他思考的起点是未来十到二十年怎么让 Databricks 尽可能成功，上市还是私有只是路径选择。上市的好处他很清楚：资本通道、极强的市场营销、每季度一次向全世界讲故事的机会。私有的代价也很清楚：每年要做一次要约收购，财务团队为此走一整套流程，费时费力。

真正的理由在另一面。

> 我不希望市场来替我做决定。这周行情不好，情绪很差，股价跌了，员工的薪酬实际就被砍了。他跑来跟我说：你答应我这一百万的，你说过几年会到两百万，可我现在看到的是这样，你骗了我，我走了。三个月后股价涨回来，其实收入在加速，是我们全错了。这种来回拉扯，是我想避开的。（戈德西）

他说他会上市，公司最终一定会上市，但 AI 这个转折期波动太大，对 CEO 是干扰，也是消耗。他提到有些同行打电话给他，情绪低落，股价跌了，连原因都说不清，过一阵又涨回去。

关于员工流动性，他给了个反向观察：**每年留出来的要约收购额度，从来没被用完过。**多数员工是看多的。有人问他要不要卖，他就反问：公司年化 70 多亿美元、增长 78%，你能找到别的复利 1.7 的几次方吗？对方想想，说那就卖 5% 吧。流动性还有个好处：因为知道每年都有一次确定的窗口，员工反而不会慌。收购也一样，能开出十亿美元级别的支票，是因为对方相信股权最终能变现。

## 递归自我改进的四个条件，一个都没满足

硅谷现在的存在主义焦虑，戈德西认为有个具体的来源：模型在写代码上变得太强了。

他自己从小学三年级到三十岁，每周七天、每天十来个小时写代码，熟悉所有语言，然后突然发现这件事被接管了。他说这对很多在硅谷长大的人是真正的身份危机。而外部的解读是：模型在写模型，下一代是它自己写的，那不就是递归自我改进（RSI）吗？接着就是起飞、就是博斯特罗姆书里的结局。

他给了四个条件，说这四个同时成立才谈得上 RSI。

- **训练下一代模型的时间必须超线性缩短。**不能是每代减半，那永远到不了。而现实是训练时间在变长。
- **资源消耗必须下降。**现在的情况是靠十倍算力换一点线性提升，而算力和原子都会用完。
- **准确性必须全面提升。**变强的范围要覆盖所有任务，只在自己做过强化学习的那一个维度上进步不算数。现实是靠 Mercor 这类公司雇高技能人才产数据，在各个领域打地鼠，非常依赖具体领域。
- **前三条要能闭环持续。**下一代三个月、下下代一个月、然后两周、一周，成本从一亿降到五千万、两千五百万、一千万，一路往下。

这个飞轮现在不存在。他还顺手拆了一个流行的说法：98% 的代码由 AI 写，不等于 RSI。**如果它把最后 2% 也自动化了，谁在乎？**98% 和 100% 的差别，在递归这件事上没有意义。

他甚至说，就算四个条件全部满足，那也只是前置条件，不保证会出一个有意识的存在接管一切。要威胁到他本人，得有个杀手机器人走进这个房间把他按住，而那东西还不存在。

## 攻击者只需要成功一次

网络安全是戈德西唯一认真对待的风险。他不认为这是科幻。

杰森提了一个乐观的论证：真正的攻击需要海量算力，好人手里的算力是坏人的上千倍，只要白帽好好干活，应该能先找到漏洞。

戈德西说这个逻辑有漏洞，问题在不对称。

> 如果我是攻击者，我可以放出成千上万个 agent，全部失败都没关系，只要有一个穿过去，我就完全成功了。如果我是防守方，我每一次都挡住了，只有一次没挡住。我需要 100% 安全，对方只需要走运一次。（戈德西）

但他对结果并不悲观，理由是一个有限的果园比喻。漏洞本质上是源码里已经存在的 bug，是树上低垂的果子。过去人类只能摘到低处的，agent 能伸手够到更高的。可果子总数是有限的。而且新写的代码现在几乎都会过漏洞扫描，Databricks 自己就卖这个产品。未来十二个月人类写下的代码量会超过历史总和，这些代码天生是干净的。剩下的是遗留系统，可以重写，也可以做影子补丁，不动原代码先挡住。**清完之后，漏洞数量可能比过去更少。**

杰森最后把话题拉回人：绕一圈，最大的漏洞还是人。人会被社会工程攻破。

## 十年治愈癌症，和那个 10% 的数字

回到那场关于超级智能的争论。杰森提到本·霍洛维茨（Ben Horowitz）说过，戈德西对这件事的解释是他听过最好的，所以请他再讲一遍，顺便讲讲伯克利这批人。

戈德西的态度比想象中温和。他说这些人的出发点大多是好的，博斯特罗姆那本书读进去确实会让人害怕，他自己当年也被吓到过。问题出在中间的省略号：从"模型变强得很快"到"所以我们会得到书里描述的那种东西"，中间有好几步是没有证据的。

他也不客气地评价了那句著名的 10% 人类灭绝概率：七亿人死于 AI 的概率是 10%，这个数字本身近乎荒谬，但正因为说话的人聪明、有钱、又愿意把数字说出口，普通人就会觉得大概是真的。他用了一句很刻薄的话：这些人研究做得极好，但没看过经济怎么运转，而且看了太多科幻。

对达里奥（Dario Amodei）说十年内终结癌症和阿尔茨海默，他的回应是：说不准。药物要过人体试验，不能随便在人身上试，动物数据也不够。可能十年，可能三十年、五十年，也可能六个月。已经发生的是另一回事：再生元用 Databricks 找到了慢性肝病的致病基因组并做出药；他和默克训练的新模型叫 TEDDY，transformer enabled drug discovery，它预测的下一个 token 是基因调控网络（GRN），跟语言模型预测英文单词完全是两码事，能区分哪个基因在致病、哪个只是在应激，从而告诉你不该拿它当靶点；Crisis Text Line 用它识别青少年的自伤倾向；Zipline 的送血无人机，航线调度也跑在这套数据上。

他对时间尺度的判断很清醒：企业把这个上下文缺口补上，需要十到十五年。实验室认为六个月到两年就能铺开，他认为 GDP 会动得非常慢，这事情要以十年计。理由还是那个银行 CEO：连会议都不肯录，AI 连会上发生了什么都不知道，怎么可能做他在演示里做的那些事。

杰森用互联网做类比收尾：当年全速跑在前面的人已经看见了未来，而 99% 的人还在拨号上网。他还提了个典故，1988 年莫里斯蠕虫干掉了 10% 的互联网，写蠕虫的小伙子后来成了 MIT 的名教授。

## 给从业者的几条具体建议

- **先量一下自己公司的"人类阻塞点"。**数一数有多少事情卡在跨部门确认、法务审批、预算签字、兄弟部门协调上。这个数字比任何 AI 使用率指标都更能说明你的组织有多慢，也最容易被 AI 直接压缩。
- **把上下文当成第一优先级的基础设施。**模型能力已经足够，缺的是它不知道你们在做什么。会议纪要、决策记录、Slack 讨论、文档、表格，这些沉淀下来才有后面的一切。如果你们连会都不录，任何 agent 项目都会停在演示阶段。
- **用四道坎做企业 AI 项目的检查清单：**上下文够不够、权限与攻击面控不控得住、token 成本与收入曲线是否脱节、数据和 IP 会不会被锁死。只过第一道就大规模铺开的项目，通常在 CFO 看到账单的那个季度停掉。
- **成本要主动工程化。**简单请求路由给小模型，能开源的用开源，别把所有流量都打给最贵的那个。Databricks 那张 PR 曲线说明，头部高产出的人 token 花费并不比其他人高。
- **把 AI 用在测量组织上，别只用在写代码上。**哪条业务线实际在推行什么文化、哪个团队的管理幅度畸形、哪个经理在高压下仍被认可，这些过去无法测量，现在能测。作为创始人，这比再多一个聊天框值钱得多。
- **判断超级智能的时间表时，用那四个条件当尺子。**训练时间是否超线性缩短、单位智能的资源消耗是否下降、能力是否跨领域普遍提升、三者能否闭环。任意一条不成立，RSI 的飞轮就没转起来。别被"98% 代码由 AI 写"这种数字带跑。
- **安全上别赌运气，但要认清这是有限战场。**攻击者只需要成功一次，所以新代码必须默认过扫描，遗留系统要排期重写或做影子补丁。漏洞总数是有限的，清完就进入稳态，这跟"永远打不完"是两种心态。
- **私有公司要多想一步股权流动性。**如果留在私有市场，稳定的年度要约收购窗口能让员工不慌，也能支撑十亿美元级别的并购。上市是终局，但在技术转折期，股价的过山车会以薪酬波动的形式直接消耗你的团队。
