Rough Diamonds · 122 篇 · 跨度 2019–2026（2021 年 8 月开站，2022 年 3 月起认真运营，早期存档是从她上一个博客 Otium 迁过来的）· 一次明显转折：2024 年 4 月离职做独立顾问后，沉默了约十三个月，2025 年 6 月复更 · 仍在更新，最新一篇 2026 年 8 月 19 日 · 本页通读 25 篇，跨度 2019 年 2 月至 2026 年 8 月，其中 6 篇来自最早期，沉默期两侧各有取样 · 所读 25 篇全部公开免费
2025 年 1 月，Sarah Constantin 坐下来解剖三具尸体：Amyris、Zymergen、Ginkgo Bioworks——三家合成生物学独角兽，巅峰时其中一家估值接近 50 亿美元，两年之内接连崩盘或破产。
写到 Ginkgo 那一段，她提到这家公司干了十五年，报告过 219 个"项目"，其中商业化的有 6 个。而它最成功的产品，是卖给一家香精公司的香料分子。
然后她加了一个括号。
I happen to know that the peach scent gamma-decalactone has been cheaply chemically synthesizable since the turn of the 20th century.我碰巧知道，桃子味的 γ-癸内酯从二十世纪初起就可以廉价地化学合成了。What's Behind the SynBio Bust?，2025 年 1 月 30 日
她还顺手补了一句：内酯类正是娇兰那款美好年代的杰作"Mitsouko"里那股浓郁持久的桃香的来源。她知道这个，是因为她另外还写一个香水博客。
一家押注"生物学将制造一切"的公司，最拿得出手的战果，是做出了一种气味——而一个化学家在 1900 年就能把它做得更便宜。而这道算术题，从第一天起就摆在那里，没人做。
这就是理解这个人的入口。Sarah Constantin 用了八年时间，在公开场合造一套工具，用来回答一个听上去简单得可笑的问题：这东西到底是真的管用，还是只是看起来管用？
而她的处境让这个问题变得很难。她不是任何一个她写的领域的内部人。她自己把这个处境写死过：
In a world where contradictory and low-quality studies are common, and where I'm a rando layman who doesn't have access to the private data or sidechannel academic gossip that would reveal non-obvious info about which studies are fatally flawed, it's not obvious that I can learn a real thing at all from sitting on my butt in front of a computer screen.在一个相互矛盾的、低质量的研究满地都是的世界里，而我只是一个路人甲外行，拿不到私下的数据，也没有学术圈的小道消息来告诉我哪些研究有致命缺陷——那么，我坐在电脑屏幕前面、屁股都不挪一下，到底还能不能学到任何真东西，这件事本身就不显然。How I Write，2024 年 2 月 9 日
她给自己的答案是：穷尽，加上基线怀疑（"Completionism combined with baseline skepticism"）。找一个小到你能读完的文献领域，然后全部读完。她说她挺得意的一件事是，凡是人类做过的、成功延长哺乳动物寿命的实验，她每一个都知道。
她最锋利的那一下，是 2022 年一篇叫《坏点子能走得出奇地远》的文章。她的做法是把一个虚构的产业从头推演一遍：用于「某应用」的「某热词」。
假设这整件事在技术上毫无价值。会发生什么？她一步步算：这个产业才几年历史，总营收假设 5 亿美元——"That's nothing."（这什么都不是。）一家大公司光是为了"万一它真成了呢"的信息价值就能花掉这么多钱。而大公司的信息来源是高度相关的：全球五百强用的就是那几家顶级咨询公司和企业软件商，其中一家一旦推荐了某家初创公司，这家初创就能诚实地宣称自己被一大票五百强采用了——而没有任何一家独立验证过它的技术。它们的高管还去同一批会议，听同一批"思想领袖"讲这个行业的未来。
然后是预算这一环，她写得最狠：负责花掉这笔钱的高管有强烈的个人动机把整个池子花光，否则在自己老板眼里就是失败。所以边际上被买下的那个产品，根本不需要有用。
大公司确实有严肃的验收流程——制造业里叫工厂验收测试（FAT），认真得很，全是硬指标。但她指出还有"给试点项目留的一块块与世隔绝的飞地"，那些东西压根不会进主生产流程。所以"某某巨头是我们的客户"，并不意味着这玩意儿真的有人在用。
Even if BUZZWORD for APPLICATION is objectively a terrible idea on the merits […] you should expect to see at least some BUZZWORD-for-APPLICATION startups raise several rounds of VC funding, get multiple Fortune 500 clients, make the news, and even IPO.哪怕「用于某应用的某热词」在实质上客观来说就是个糟透了的点子……你也应该预期，总会有那么几家这样的初创公司拿到好几轮风投、拿下多个五百强客户、上新闻，甚至 IPO。Bad Ideas Can Get Surprisingly Far，2022 年 11 月 5 日
这篇之所以不是一篇愤世嫉俗的吐槽，是因为她接下来供出了自己犯过的两个错。
第一个她叫"懒惰启发法"：人都是懒的，没人会在一个前提错误的事业上拼命干活吧？错。"有大量精力充沛、以事业为导向的人，只要预期能拿到钱或拿到履历，就愿意做海量的工作，而并不太关心他们整个领域是不是建立在错误假设上。"她还补了一刀：说不定那种隧道视野反而让你更擅长攒可见的职业成就。
第二个她叫"谦逊的义务"：除非我能在成就、技能、品德上都赶上对方，否则我没资格判断他错了。她说这话一讲出来就显得可笑，但——
most people, including my "superiors", should be expected to be wrong about lots of things. The world is vast, and being right is really hard.大多数人，包括我的「上位者」，都应该被预期在很多事情上是错的。世界很大，而正确非常难。Bad Ideas Can Get Surprisingly Far
但她不止于拆。她也造了一条正面的判据，而且是我读到的她最原创的一下。2023 年那篇《芯片化》问：为什么有些技术在指数级变便宜（算力、基因测序、光伏），有些几十年原地踏步？这是某种技术演进的普遍规律吗？
她的答案是：不是规律，是一个行业的影子。"21 世纪每一项在指数级改善的技术，都可以用半导体制造的进步来解释。"太阳能电池、测序仪里的光电探测器、微流控芯片，用的是和造芯片几乎同一套设备和工艺——摩尔定律说到底就是"半导体厂商越来越擅长把平的东西做成更小的长方形"。于是操作性的结论出来了：看好任何一项刚刚变得可以在芯片上制造的有用技术。反过来，一件事情如果不在这条产业链的下游，就别指望它单凭新鲜和激动人心就能指数级降价——这恰恰是合成生物学那三家公司的判词。
2024 年她又下了一城，这次是关于 AI 的。她在 Palantir 干过（2016–2017），她说那家公司真正特别的不是软件——软件"据我所知并不独特或卓越"——而是它投入了至少三分之一的员工，成群结队开到客户现场去，装数据库、教人用界面，以及最关键的：谈判要数据。
为什么要谈判？因为人家不给。
it's not at all unusual for it to be easier to make a multi-million dollar sale than to get the data access necessary to actually deliver the finished software tool.谈成一笔几百万美元的生意，比拿到交付这个软件工具所必需的数据权限还要容易——这一点都不罕见。The Great Data Integration Schlep，2024 年 9 月 13 日
她随手给的细节一个比一个离谱：某航空制造巨头把飞机质检结果全存成手写表格的扫描件 PDF（"想象一下要从里面统计质量趋势！"）；有家公司要求连潜在供应商都得自掏一百多万美元建一间超安全机房——在生意成交之前；以及她亲身经历的那个，大约十个人的数据科学部门，全部工作就是产出一个数字——一个风险评分——交给另一个部门，而那个部门的头儿把它扔进了垃圾桶。脚注里写明了原因：他不相信 0 和 1 之间的概率，他会说"要么是，要么不是"。
所以她的结论是：AI 不会在模型够强的那一刻瞬间改造经济。它得先学会从企业数据里学东西，而企业数据在纸上、在扫描件里、在机床肚子里、在互相打架的 IT 政策后面。"它以人类适应的速度前进。"
这套本事最迷人的地方，是她也把它对准自己。2019 年 GPT-2 刚出来，她读那些样本，发现只要不专心读就完全看不出问题——独角兽那段里，"因它们独特的角"而被命名为"Ovid's Unicorn"（Ovid 不是角啊），下一句它们就有四只角了；魔戒那段里"清晨的薄雾散去，白日转为黄昏"。她的判词不是关于 GPT-2 的：
The point is OpenAI HAS achieved the ability to pass the Turing test against humans on autopilot.重点在于，OpenAI 确实做到了：它能通过针对「处于自动驾驶状态的人类」的图灵测试。Humans Who Are Not Concentrating Are Not General Intelligences，2019 年 2 月 25 日
而她给出的补救措施，是一条我认为每个人都该装进脑子的规则。她说，"这段我其实没读进去，但行吧，我就信作者的"这个心理动作，和"这段我没读进去是因为它是机器生成的、根本不成立、我不可能读进去"在内省经验上一模一样，区别只在于前一种情况下你默认错在自己。所以别再"默认谦逊"了，改成默认清零（default to null）：读不懂一段话，就当作自己从来没读过它。
最后，这套仪器有一个她自己找到的系统性偏差，而且她在 2024 年公开认了。她 2023 年写过一篇《我为什么不是 AI 末日论者》，一年后她写《重新思考 AI》："我必须承认，我不再赞同那篇文章现在的写法了。"她曾经赌 AI 机器人不会有人做——仿真训练记录不佳、真实训练太贵、带 GPU 的机器人比硬编码工业机器人贵得多。然后 Figure AI 融了 6.75 亿美元，Skild 约 3 亿，1X 超过 1.25 亿，李飞飞开了一家做空间推理的公司。
"我觉得有点蠢。"她写。而她给自己的诊断，正是这套工具的致命角度：
The thing my former worldview was completely missing is selection effects, aka taking markets and incentives seriously.我过去那套世界观完全漏掉的东西，是选择效应——换句话说，是认真对待市场和激励。Rethinking AI，2024 年 5 月 24 日
一把专门用来问"今天这笔账算得平吗、有没有人在装样子"的尺子，在合成生物学那种题上准得吓人，在"钱多到足以把账算平"的题上则会系统性地失手。她的否定判断比她的否定预测可靠得多——这一条是她自己写下来的。
2025 年 1 月，Sarah Constantin 坐下来做一次三重尸检。
死者是三家合成生物学独角兽：Amyris、Zymergen、Ginkgo Bioworks。2021 到 2023 短短两年间，三家的股价接连崩塌，两家进了破产程序。Zymergen 在 2021 年的估值接近 50 亿美元。
写到 Ginkgo 那一段时，她给出一组数字：这家公司运营十五年，报告过 219 个"项目"，其中被称为"已商业化"的，6 个。它砸重金建的自动化实验室号称"一天之内能造出五万个不同的转基因细胞"。而这家公司最成功的产品线，是卖给香精公司 Robertet 的香料分子。
然后她加了一个括号，而整篇文章的性格就在这个括号里：
I happen to know that the peach scent gamma-decalactone has been cheaply chemically synthesizable since the turn of the 20th century. (Lactones are responsible for the rich, long-lasting peach scent of Guerlain's Belle Epoque masterpiece Mitsouko.)我碰巧知道，桃子味的 γ-癸内酯从二十世纪初起就可以廉价地化学合成了。（内酯类正是娇兰那款美好年代的杰作 Mitsouko 中，那股浓郁持久的桃香的来源。）What's Behind the SynBio Bust?，2025 年 1 月 30 日
她"碰巧知道"，是因为她除了这个博客之外还写一个香水博客。
停在这里想一下这件事的形状。一家建立在"生物学将制造一切"这个前提上的公司，烧掉十五年和天文数字的钱，最拿得出手的商业成果，是做出了一种气味——而一个化学家在 1900 年就能把同样的分子做得更便宜。紧接着她又点了一刀：Ginkgo 那款固氮细菌农业产品同样难找客户，因为化肥太便宜了——"哈伯-博施法都一百年了！"
关键不是这家公司蠢。关键是这道算术题从第一天起就摆在那儿，公开、初等、任何人都能做——而显然没人做。几十亿美元的资本、一整个行业的热情、无数份尽职调查报告，全都从它上面绕了过去。
Sarah Constantin，普林斯顿数学本科（2010），耶鲁应用调和分析博士（2015）。之后一路在"用数学看真实产业"的岗位上走：MetaMed 做医学文献研究，Palantir（2016–2017）做数据科学，Recursion 做药物发现，Starsky Robotics 做自动驾驶卡车，Nanotronics 做 AI 控制的制造。她自己创办过一家长寿研究非营利组织（Longevity Research Institute）和一家用机器学习筛选抗衰老药物的初创公司（Daphnia Labs）。住在布鲁克林，两个孩子，第二个是 2025 年生的。
有个细节比履历更能说明她是谁：她一年两次统计时装秀场上的颜色。每个春夏和秋冬成衣季，她把 Vogue 免费放出的秀场图扒下来——2026 春夏季有一万三千多张——然后做两遍计数：一遍纯手工，一遍让 GPT-4o 识别每张图里的颜色再汇总。接着她会花几百字，老老实实列出手工计数和自动计数会在哪几个方向上系统性地分叉：大模型倾向于把各种绿都叫"green"而她分得更细；大模型会把红腰带和红鞋算成两次红而她算一次；"gray"和"grey"会被分开计数。
It's a quixotic little hobby, but it's mine (and, strangely, I have never seen anybody else do it.)这是个不切实际的小爱好，但它是我的（而且奇怪的是，我从没见过别人干这事）。SS26 Color Stats，2025 年 10 月 14 日
一个给基因疗法做尽职调查的人，用同一套方法去数秀场上的颜色，并且附一节方法论。这不是怪癖，这是同一台仪器换了个对象。
博客叫 Rough Diamonds（毛坯钻石），副题是"科学、技术与社会中被低估的机会"，2021 年 8 月开站，2022 年 3 月起认真运营（存档里 2019–2021 的部分是从她上一个博客 Otium 迁过来的）。有一段明显的沉默：2024 年 4 月她从 Nanotronics 离职做独立顾问，宣告要写得更勤，结果反而在 2024 年 5 月之后停了大约十三个月，2025 年 6 月才复更。博客仍在更新，最新一篇是 2026 年 8 月 19 日。
2024 年 12 月，她写了一篇标题叫《那些不言而喻的事》的文章，副题是"一点牢骚"。她列了一串在她看来根本不该有争议、但她发现很多人并不共享的前提。排在第一条的是：
Concepts like Goodhart's Law, cargo-culting, greenwashing, hype cycles, Sturgeon's Law, even bullshit jobs are all pointing at the basic understanding that it's easier to seem good than to be good, that the world is full of things that merely appear good but aren't really, and that it's important to vigilantly sift out the real from the fake.古德哈特定律、货物崇拜、漂绿、炒作周期、斯特金定律，甚至"狗屁工作"——这些概念全都指向同一个基本认识：看起来好，比真的好，要容易；世界上充满了只是显得好、其实并不好的东西；而警觉地把真的从假的里筛出来，是很重要的。What Goes Without Saying，2024 年 12 月 20 日
这是她的根问题。但如果只停在这里，她就只是又一个愤世嫉俗的博主。真正让她这八年有价值的，是她的处境让这个问题变得极难，而她没有回避这个难处。
她怎么撞上它的，她自己写过一段第一手的。在 Palantir 期间，她被派驻到一家客户公司里。她发现了什么？一个大约十人的数据科学部门，整个部门的工作产出是一个数字——一个风险评分——交给下游另一个部门处理。而那个部门的头儿不信统计，把这个数字扔了。
The entire work output of those ten data scientists was irrelevant to the company.那十个数据科学家的全部工作产出，对这家公司来说是无关紧要的。The Great Data Integration Schlep，2024 年 9 月 13 日
她在脚注里写明了那位主管的理由，读起来像个笑话但并不是：他不相信 0 和 1 之间的概率。"他会说'要么是，要么不是'，而当我们试图解释 90% 的可能性和 10% 的可能性都是不确定、但你应该区别对待时，他不买账。"
这件事教给她的不是"大公司很蠢"。她的概括比那个精确得多，也公道得多：
Every company has something fucked-up and dumb going on somewhere, no matter how admirable they are in other respects每一家公司，不管它在别的方面多么令人钦佩，都总有某个角落在发生某件操蛋又愚蠢的事The Great Data Integration Schlep
而且这些事从外面看不见。"你遇到的大多数人，呈现出来的样子都是'讲道理、很称职的专业人士'，而每个人对那个'糟糕之处'都有一套不同的说法，说它为什么不可避免、或者为什么是别人的错。"她还老老实实承认自己不擅长这种"企业侦探工作"：她提问太直，有时管用，有时惹毛人，而她一遇到负面反应就退——事后看往往退错了。她的总结是：我的经验刚好够让我知道这件事是存在的，并且为"看清一个组织里到底在发生什么有多难"而感到谦卑。
于是她面对的题目定型了：如果连身在其中的人都看不清，那么一个不在其中的人凭什么看得清？她把自己的劣势写得毫不含糊——路人甲外行，拿不到私下数据，没有学术圈小道消息告诉她哪些研究有致命缺陷，坐在电脑前屁股都不挪一下，"能不能学到任何真东西，这件事本身就不显然"。
但她也给出了她唯一的结构性优势，而这句话是整个博客存在的理由：
Sure, I'll know less about any given field than the experts; but I'm also not pitching my own technology or my own scientific research. I have less conflict of interest.当然，对任何一个具体领域，我知道的都比专家少；但我也不在推销我自己的技术或我自己的科研。我的利益冲突更少。In Search of Opportunity，2022 年 4 月 25 日
这就是交易条款：用领域深度换无利害关系，再用穷尽式的笨功夫把深度补回来一部分。接下来这八年，她做的全部事情，都是在检验这笔交易划不划得来。
2022 年 11 月，她写了一篇文章，副题就是全部结论："别再因为一个东西有了牵引力就给它信誉。"
她的开场是一个很重要的让步，而这个让步决定了这篇文章不是牢骚：社会证明和市场验证，本来不算错。"我信任的人相信这个，那它更可能是真的"和"有人为这个付了钱，那它更可能有用"，这两条并非完全错误。
然后她提出真正的问题：一个绝对糟糕的点子，要造出足以让人初看之下觉得可信的市场验证和社会证明，究竟有多难？
她的做法很数学家：造一个占位符，把整个链条推演一遍。她管它叫用于「某应用」的「某热词」（BUZZWORD for APPLICATION）。设定是：这东西在技术上毫无价值。然后看会发生什么。
第一环是量级。这个"产业"才几年历史，假设今年总营收 5 亿美元。她的反应是："That's nothing."（这什么都不是。）某应用行业的大公司，光是出于"万一它真的很棒呢"的信息价值，就能轻轻松松花掉这个数。
第二环是信息源的相关性，这一步最关键。所有财富五百强用的基本是同一小撮顶级管理咨询公司和企业软件公司。只要其中一家推荐了或者合作了某家热词初创，这家初创就可以诚实地宣称自己被多家五百强背书或采用——"而那些公司并没有各自独立地评估过它的技术"。与此同时，这个行业的高管都去同一批会议，听同一批"思想领袖"讲这个行业的未来、讲把某热词整合进运营有多重要。
她在这里拒绝了最偷懒的解释。高管不是蠢：他们知道那是营销、知道有水分。但他们时间不够，不熟悉相关技术领域，而且明白自己必须以快到来不及深入理解的速度采用新技术。更要命的是，热词本身就是一个协调机制——因为其他利益相关方读的是同一批白皮书、去的是同一批会议，所以一个东西"够热"这件事，本身就提高了别人也会支持采用它的概率。
第三环是预算的内部力学，全篇最狠的一段。大公司会为各种热词技术划出预算，有时是横跨数年的十亿美元级预算。而负责花掉这笔钱的高管有强烈的个人动机把整个池子花光，否则在自己老板眼里就是失败。于是边际上那个被买下的产品，根本不需要有用或划算——它只需要落在那个预算科目的射程之内，能帮忙把钱花掉。
第四环，她主动替对方补上最强的反驳：大公司确实常常有严格的技术验收流程。制造业里叫工厂验收测试（Factory Acceptance Test, FAT），非常当真，全是客观技术指标。然后她拆掉它：可是还有"专门给试点项目或其他实验性东西留的、与世隔绝的飞地"，那些东西压根没打算真正接入主生产流程。所以"某某巨头是我们的客户"，并不意味着这个产品真的每天被用在这家巨头的核心活动上——也就不意味着它通过过任何严格评估。
推演结束，结论出来了：即便这东西在实质上客观来说糟透了，你也应该预期看到一些这样的公司拿到好几轮风投、拿下多个五百强客户、上新闻，甚至 IPO。她补了一句时间尺度：长期来看市场通常确实会惩罚蠢点子，但"那可能要十几年才见分晓；很多情况下，要等到公司都上市了、卖空机构注意到客户不再续费了，才会揭晓"。而在那之前，这些公司的创始人已经是千万富翁了。
到这一步，最难受的推论才出现：你会遇到很多在很多方面都既成功又值得敬佩的个人，而他们的整个职业生涯建立在一个 100% 错误的前提上。她特意指出，这套动力学不需要任何人作恶——即使所有参与者都是真诚的信徒，它照样成立。而且你还能在这个行业里找到许多见多识广、勤恳诚实的技术专家；你问他们"这玩意儿到底有用吗"，有时他们会给你一个听上去合理的说法，有时他们甚至根本没问过自己这个问题，尤其当这个问题触及他们专业之外的领域时。
common human social proof heuristics like "I talked to a guy and he seemed smart and good and he does this for a living" totally fail to function relative to the vastness of the economy."我跟一个人聊过，他看着又聪明又正派，而且他就是靠这个吃饭的"——这类常见的人类社会证明启发法，在整个经济体的浩瀚面前，完全失效。Bad Ideas Can Get Surprisingly Far，2022 年 11 月 5 日
这篇文章之所以比同类的犬儒文章高一档，是因为最后她供出了自己。她说，很长一段时间里她没能把这件事完全整合进自己看世界的方式，因为她抱着两个错误的启发法。
第一个她叫"懒惰启发法"。它的内容是：人都是懒的，没人喜欢拼命干活；如果整个前提是错的，谁会费那么大劲去创业、去长时间工作？大家不会泄气不干了吗？——"从经验上说，这根本不是所有人的运作方式。"有大量精力充沛、以事业为导向的人，只要预期能拿到钱或拿到履历背书，就愿意做海量的工作，而并不太关心他们整个领域是不是建立在错误假设之上，也不关心他们做的技术在经济上或技术上讲不讲得通。然后是那句补刀："事实上，说不定那种'隧道视野'反而让你更擅长积累看得见的职业成就。"
第二个她叫"谦逊的义务"：除非我能在成就、技能和品德上全面匹配某人，否则我不该判断他是错的。她自己都说，一旦把它明说出来就显得挺傻的，但我们都听过"当批评家容易得很"和"别拿你的谷歌搜索来跟我的学位比"。不同意别人，常常被感受成把自己放在对方之上。她的解法不是反过来傲慢，而是把两件事拆开：世界很大，正确非常难，所以大多数人——包括她的"上位者"——都应该被预期在很多事情上是错的；而"不同意并不蕴含人格上的轻视，也不是在宣称自己更优越"。
文章结尾她把仪器递给读者，只留一个问题：一个糟糕的点子，要造出你眼前看到的这些"牵引力"信号，会有多容易？如果答案是"太容易了"，那么这些牵引力就不该让你安心。
如果牵引力不算证据，那什么算？这是上一条必须回答的问题，否则它只是一件解构工具。她的答案是：算术。而且通常是那种初等到令人尴尬的算术。
回到那三具尸体。她解剖它们的方式，不是从公司治理或市场时机开始，而是从一条物理事实开始，这条事实决定了后面的一切。
生物制造靠的是养活的东西。而活的东西要花钱养。
An artificial synthesis only needs enough materials and energy to run one chemical reaction; a biological route involves all the "overhead" of keeping the organism alive!一次人工合成只需要够跑完一个化学反应的材料和能量；而生物路线要背上让这个生物体活着的全部"管理费"！What's Behind the SynBio Bust?
然后你还得把目标分子从这个生物体里提取出来，这本身又是一摊麻烦事。所以，尽管微生物的酶经过几十亿年进化，在局部效率上高得惊人，但传统上，一个生物制造流程几乎不可能在价格上竞争得过同一分子的人工合成。她顺手用这条解释了另一件事：生物燃料公司为什么战绩一直难看——任何生物燃料都很难在每焦耳成本上打赢化石燃料或光伏。
由此推出一条硬边界：生物制造在实践中只用于那些复杂到（因而昂贵到）根本没法热化学合成的分子。蛋白质和多肽——胰岛素、生长激素、抗体、疫苗和基因疗法用的病毒载体——都属于这一类，因为复杂分子遇高热就散架，需要温和的条件和精细的手法；而简单分子反过来，把温度和压力拉满合成得更快，而化石燃料恰好特别擅长提供这个。
所以，一家生物制造初创公司的甜区，本来应该在新颖、高价值、低产量的复杂生物制品上。她写道："不幸的是，我们接下来会看到……他们基本上没干这个。"
三份病历：
Amyris——数学太难了，我们去购物吧。（这是她给的小标题。）这家公司 2002 年成立时，底下是一项真实的科学成就：用基因工程酵母合成青蒿素这种抗疟药。但疟疾是穷国的病，这上面赚不到大钱。2006 年，在投资人建议下，它转向生物燃料，打算用巴西甘蔗发酵做"绿色"柴油。柴油本身测试表现不错——然后现实来了：酵母不停死，细菌污染反复发作，产量上不去，而燃料行业的标准合同动辄要求四五千万升的交付量。成本高到什么程度？它的第一份大合同是供应里约和圣保罗的公交系统，即便有巴西的高额补贴，它仍然在亏本卖。2012 年它再次转型，转去做个护和美妆原料——产量要求更小、单价更高。但那些仍然是有替代生产路线（植物提取或全化学合成）的相对简单的分子，它没什么护城河。它靠这些做出了实打实的销售额，2016 年推出了自己的护肤品牌，为了继续做大营收还去收购了一堆明星美妆公司，2019 年营收做到 1.53 亿美元——但从未实现盈利。2023 年申请破产。她的判词只有一句："Biomanufacturing math is unforgiving."（生物制造的数学不留情面。）
Zymergen——光有酵母不够。2021 年估值近 50 亿美元，同年股价暴跌，2023 年破产。表面看它也做出了真东西：高通量实验室自动化、用机器学习优化微生物基因。但她指出所有这些都只集中在生物制造流程的第一段——造出一株能产出目标化学品、且实验室表现良好的酵母。它是一家菌株工程公司，不是一家制造公司：几乎没有自有产能，生产外包给合同制造商，而后者完不成产量目标。它的首个产品 Hyaline 是一种用于折叠屏手机的薄膜，商业上失败了，而公司再无别的收入来源。
她从 2021 年的招股书里挖出的那句话堪称致命：Hyaline 当时甚至还不是发酵生产的，而是"一种从第三方采购的、非发酵生产的生物分子"，公司计划在 2022 年把它"转换为发酵生产的分子"。同一份文件里还有这样的警示：我们在合同制造产能上受限，"今年年底之后可能不具备满足商业需求所需的制造能力"。
她对此的反应短得像在拍桌子："This is not how you develop a manufacturing process. Anywhere."（造流程不是这么造的。在哪儿都不是。）而她接下来那段解释，是外行最该学的一课：工艺开发部门（process dev）和制造部门必须紧贴着工作、维持紧密的反馈回路。制造部门在原型上是保守的，它的职责是小心执行既定程序、别搞砸；创新和折腾是工艺开发的活。如果你整个公司就是"工艺开发"、而你的"制造部门"是一家外部合同机构，道理完全一样：你得人在现场，持续测试和调整。你的供应商就是你的同事。而且她强调，这不是什么高深见解——戴明的《走出危机》里翻来覆去讲了几十年，1980 年代以来制造业就是这么定义的。
Ginkgo Bioworks——你可能真的得，呃，卖出去点东西。它技术上仍在营业，但股价 2021 年跌到近乎归零后再没回来，导火索是一份卖空机构报告，揭露它的营收几乎全部来自"卖给"自己出资并运营的"客户"这种会计把戏。十五年，219 个项目，6 个商业化。那么它那套高度自动化的生物制造流程，至少给了它速度或价格优势吧？也没有——客户抱怨成本高、交付延迟，内部文件显示存在虚报发票的做法。结果就是连那些本质上是自家马甲的"客户"里，都有不满意的跑去用了竞争对手。
而最成功的那条产品线，就是开头那股桃子味。
整篇文章最见品格的，是她的收尾。她没有把这写成一篇打人文章：
None of these criticisms needs to reflect badly on the vast majority of current or past employees of these three companies. By all accounts, they hired serious scientists and engineers who did a great deal of quality work.上述这些批评，都不必然有损于这三家公司绝大多数现任或前任员工的声誉。据各方说法，他们雇的是认真的科学家和工程师，做了大量高质量的工作。What's Behind the SynBio Bust?
"问题出在战略和管理层面。"——也就是说，失败的不是科学，是没人做那道算术题。她给的两条结论朴素到近乎无聊，而这正是重点：只生物制造那些没法用别的办法更便宜地做出来的产品；以及，当你要开发的新产品必然需要开发新的制造工艺时，不要只专精于菌株工程而把其余部分丢出去。她还补了一个漂亮的对照：三家里制造表现和营收最好的是 Amyris，而 Amyris 自己报告说，它出产品结果最糟糕的时期，恰恰是在和一家不允许 Amyris 员工参与的合同制造商合作的时候。"It really pays to be hands-on."（亲自上手真的值。）
解构工具再锋利，也只能告诉你什么不算证据。2023 年 9 月，她给出了自己最原创的一条正面判据，而且它的形状非常漂亮。
她从一个所有人都见过的观察出发：有些东西在指数级变便宜。算力是老生常谈；人类基因组测序的成本也在指数级下降；光伏发电的成本同样如此。那么问题来了——这是技术演进的某种普遍规律吗？是不是像库兹韦尔说的那样，技术天然就是指数改善的？"还是说，这只是三个互不相干、被精心挑出来的例子，而它们各有各的原因？"
她的答案是第三种，而且干脆得惊人：
Every tech that is improving exponentially in the 21st century is explained by improvements in semiconductor fabrication.21 世纪每一项在指数级改善的技术，都可以用半导体制造的进步来解释。The Enchippening，2023 年 9 月 13 日
为了让你信这一条，她做了一件很她的事：她拒绝讲芯片怎么工作，坚持讲芯片怎么造。她说，你去查"计算机是怎么造的"，查到的通常是半导体物理、或者与门或门非门——"但那只告诉你计算机是按什么原理运作的，没告诉你它是怎么被做出来的。"
而怎么造这件事，可以压缩成一句话：把平的一层东西铺在另一层平的东西上面。晶体管就是一堆微观薄层——半导体、绝缘体、金属——按图案沉积或生长在一片平整的晶圆上；把晶体管连成电路，也只是"把平的长方形铺在别的平的长方形上面"的更多版本。而所有这些层，由两个机制产生：沉积（把材料气化，让它物理凝结或化学键合到表面上；若要长成晶体，就得一层层长出完美的分子晶格，这叫外延）和刻蚀（涂一层光敏材料，用紫外光按图案照射使其硬化，再把暴露处用腐蚀性化学品或等离子体蚀掉）。
fundamentally, Moore's Law is about semiconductor manufacturers getting better at making smaller rectangles of flat stuff.从根本上说，摩尔定律讲的就是半导体厂商越来越擅长把平的东西做成更小的长方形。The Enchippening
一旦你把它看成一套制造能力而不是一个计算奇迹，射程就一下子铺开了。LED 只是一层 p 型加一层 n 型半导体；激光二极管是一个 p-n 结加一个波导；功率逆变器是两个晶体管加两个电容；电容、电阻这些基础元件也都能用造晶体管的同一套工艺、由金属和绝缘体的平层做出来。她说这正是"集成电路"这个词的全部意思：凡是能被化约成一层层平长方形、能在同一批设备上制造的东西，就都应该这么造。
然后是那条最漂亮的推论链——生命科学。基因测序仪把 DNA 切碎，分进无数个微观小室，室里的材料遇到 A、T、C、G 会分别发出荧光，由光电探测器读出。光电探测器是半导体器件，可以做在芯片上。而那些小室本身——测序仪里的流动槽——是一种微流控器件：一片按图案蚀刻的硅、玻璃或塑料。而微流控需要的特征尺寸是微米级，不是纳米级，所以它和太阳能电池一样，可以搭上更老、更便宜的半导体技术的便车。
于是：
Most of the experimental methods that are transforming today's life sciences are downstream of the manufacturing techniques of the semiconductor industry.今天正在改造生命科学的绝大多数实验方法，都处在半导体产业制造技术的下游。The Enchippening
mRNA 疫苗之所以可能，是因为基因测序已经无处不在。她也没有把生物学那部分说得不值钱——每一个新的微流控传感器件，都得有人想出怎么在微观样本里用微观传感器测到那个量，还得保证所有材料和生物样本互相接触而不变质。但整个领域享有来自半导体产业的巨大顺风："一旦你知道自己想造什么，大规模造出它的工具通常已经存在了。"
而这一切的用处，是一条可操作的、正面的选股规则——注意它和"牵引力不算证据"的形状正好互补："你应该看好任何一项刚刚变得可以在芯片上制造的有用技术。"她甚至给了成本下降的具体机制，而不是让你信一个趋势：很新很实验性的半导体工艺通常从小晶圆开始；随着需求增长、工艺变可靠，产业会转向更大的晶圆；更大的晶圆意味着更便宜的器件，因为同样次数的沉积和刻蚀步骤（也就是大致同样的机器时间和操作员时间）能产出更多器件。
反过来读，这条规则就是那三家合成生物学公司的判词：如果你的东西不在这条产业链的下游，就别指望它单凭新鲜和令人激动而指数级降价。
2024 年 9 月，她写下全站转发量最高的一篇。开头是这么一句：
This is a little rant I like to give, because it's something I learned on the job that I've never seen written up explicitly.这是我爱发的一段小牢骚，因为这是我在工作里学到、却从没见有人明确写下来过的东西。The Great Data Integration Schlep，2024 年 9 月 13 日
她先问了一个大家都懒得问的问题："数字化转型"、"第四次工业革命"、"工业物联网"——这些词到底是什么意思？它们有意思吗？
她的回答是：有，而且只有一个意思——把一家公司所有的数据弄到计算机上，好让它能被分析。这是做任何"AI"、甚至任何基础统计分析之前的前置工序。在你用上那些花哨算法之前，你得先把数据弄到一个地方，变成表格。
然后是那个让人愣住的小标题："等等，他们还没做这件事？"
没有。她给的清单很具体：有些数据根本没数字化，实实在在写在纸上——实验记录本、质检报告、工单。有些是"勉强数字化"的，也就是那些纸的扫描 PDF——存档没问题，但没法检索、没法统计分析。她举的例子读一遍就忘不掉：某大型航空制造商把飞机质量测试的全部结果都存成手写表格的扫描 PDF。她的评语是一个感叹句："想象一下要从里面统计质量表现的趋势！"还有一大类数据被锁在车间的机器肚子里：现代自动化机床能生成大量传感器读数、执行器动作日志、工艺参数变更记录——而那些数据就存在那台机器上，只存在那一台上。她指出，制造工艺工程师用数据指导工厂运转已经快一百年了（统计过程控制），但实践中生成和采集的数据远多于被使用的数据；只有少数几个过程变量会被追踪和优化，其余的是"数据尾气"（data exhaust），被忽略，也许被删掉。原则上这些"多余"数据可能和产线表现有关，但没人知道怎么有关，也没有装备去搞清楚。
所以当有人提议"用 AI 优化你们的运营"，制造业公司常常将信将疑。要用 AI，你得围绕一个大数据集建模型。而他们没有那个数据集。
她把这件工程拆成四步——获取、数字化、清洗、搭基础设施——然后指出每一步之所以难，难在人上面。
先说获取。"获取数据是一个困难的人的问题。也就是说，人们不想给你。"于是有了那句在业内流传的判断：谈成一笔几百万美元的生意，比拿到交付这个软件所必需的数据权限还要容易——这一点都不罕见。原因一部分是安全：半导体行业对工业间谍的警惕完全合理，他们不会把厂务数据放上云，可能有完全物理隔离的厂区，不想让在制芯片的图像或工艺细节落到"错误的手里"。而公司越大，你越可能撞上来自不同部门的多套 IT 政策，也越可能其中几套互相矛盾，或者从根本上就和任何大规模数据整合不兼容。她给的极端案例：她合作过一家公司，要求连潜在供应商都自掏一百多万美元建一间超安全机房来存数据——而这是在生意成交之前。
另一部分原因更"政治"也更人性：有人担心"大数据"工具会取代自己的岗位，或者让自己的绩效难看，于是从中作梗；有部门之间的宿怨，谁也不想把数据给对方；还有就是人们单纯很忙，从工作日里挤出时间配合一个供应商做部署，是个麻烦。
正是在这里，她给出了对 Palantir 最有意思的一次描述——而关键在于，她认为这家公司的特别之处不在软件。她说 Palantir 自建的数据库、ETL 流水线、分析看板"工作得挺好，但据我所知，在科技行业里并不独特或卓越"。真正值得注意的是：
they have invested in a large number of people — at least a third of the company by headcount — to descend en masse to the customer's facilities, set up and customize their database and associated tools, teach the users to work the UI, and, crucially, negotiate for data access.他们投入了大量的人——按人头算至少占公司的三分之一——成群结队地开到客户的场地上，部署和定制数据库及配套工具，教用户怎么操作界面，以及最关键的：去谈判数据权限。The Great Data Integration Schlep
她还原了那套打法，四步：只卖给面临"存亡威胁"的公司，也就是已经出了大乱子、可能整个倒闭的那种；拿下 C 级高管的支持，因为他们在乎的是公司级目标（别倒闭、多赚钱），而领导一场公司级大改造也让他们个人声望受益；靠着极度乐于助人、让一线工人的活更好干、长期泡在现场建立私人关系，来赢得一线的心；然后用底层的一线工人和顶层的高管，去挤掉中间的对手——通常是 IT 或数据科学部门的经理，他们不希望一个外部供应商侵入自己的地盘。上面可以要求给你快速协助和数据权限，下面可以反过来向自己的老板施压，说快把那套很酷的新工具搞起来。
然后是那句最见洞察的话："Palantir 这一套是劳动密集的，而且几乎不可能被系统化，更别说被自动化掉了。这就是为什么世界上没有一百家 Palantir。"你必须往这个说服问题上砸人——高薪的、认知灵活的、情商高的、受得了企业功能失调的人。她说这让他们很像管理咨询，而事实上，大规模的数据整合本质上就有点像管理咨询。
第二道难关是清洗，而她在这里给了一个我认为是全篇最深的例子。每个干活的数据科学家都会告诉你，他们花在"数据清洗"上的时间比真正跑统计或机器学习模型的时间多。清洗是什么？去掉逗号、调格式、归一化、用某种一致的方式填补缺失值——以及搞清楚你的数据源到底指的是什么，好让你做的判断在实践上说得通。
她的例子是这样的：你看到两列数据一模一样。这两列是同一个传感器输出的字面重复（那么安全删掉一列），还是两个不同的传感器，只是因为这一轮里那个会让它们产生差异的设置被关掉了、所以读数碰巧相同？
The answer can't be derived from the dataset, because the question pertains to the physical machine the data refers to; the ambiguity is inherently impossible to automate away using software alone.答案没法从这个数据集里推出来，因为这个问题涉及的是这些数据所指的那台物理机器；这种歧义在本质上就不可能单靠软件自动消除。The Great Data Integration Schlep
这是认识论层面的一击，不只是工程上的抱怨：你需要的信息根本不在数据里。它在车间那台机器上，在某个知道那个设置的人的脑子里。
她对大模型能不能接手这活，给出的是 2024 年的诚实观察：她本来预期 LLM 能在自动化数据清洗上带来实质性甚至彻底的改进，但"我用商用大模型（比如 ChatGPT 和 Claude）做的初步实验普遍令人失望；反复让模型把我的文件改成合适的格式，比我自己用正则或者写脚本还慢"。而她紧接着自己留了口子：我在提示词方面可能漏掉了什么简单的东西；或者大模型需要更多外围的"软件脚手架"、或者专门的微调，才能在数据清洗上打开局面。
她的整体概括，比任何单个例子都值钱：有些工作比它看上去要难——枯燥、看着例行公事，却往往需要一些判断，而这些判断出奇地难外包给实习生或初级员工，更别说用软件自动化掉。数据清洗是一种，数据标注、数据录入、从大堆文档里总结和整理"关键"事实与数字也是。除了清洗里那点基本编程，这些活都不需要任何特殊的教育或训练；它们"只是"读、写、算术和"常识"——然而不知怎的，并不是随便谁都能做对。
于是最后的推论出来了，标题就叫"AI 被卡在数据整合上"。她的论证是：要让 AI 产生真正严肃的经济影响，在公共互联网数据这块低垂果实被吃完之后，它必须开始从企业数据里学习、并实质性地提升大公司的生产率。如果你设想的是一个"AI 研发科学家"发明一堆新技术，那就意味着要把它整合进企业研发——主要是那些在科学和工程创新上重金投入的大型制造企业：半导体、制药、医疗器械与科学仪器、石化、汽车、航空航天。你得拿到足够多的私有研发数据来训练它，你得通过试点项目一点点建立可信度，才能逐渐说服公司放手让 AI 去干；而且每来一个新客户，你几乎都要从零开始。"这需要时间、试错，以及大量大量的高薪劳动，而目前这件事几乎还完全没有在做。"
她极其明确地拒绝被当成看空 AI 的人："我完全不是在说'AI 被高估了'。"这些活都做得成，而且最终回报可能极高。她的类比是几十年前计算机进入商业世界：那场转型一点也不假，它发生了，它有影响，很多人因此发了财——但它是以人类谈判和学习的速度发生的。高管得决定买计算机，公司里许多人得各自搞清楚拿这些新机器做什么，而且这件事必须针对每一个具体用例独立地发生一遍。它不是瞬间的，也不是同时同速砸到所有地方：有些应用早就全面数字化了，另一些应用还在手工干很久很久。
"AI 也是如此。"
要理解她怎么想问题，最好的入口是 2019 年那篇——因为那一篇里，她把仪器对准了自己。
GPT-2 刚发布，她去读 OpenAI 放出的样本。她的第一反应是它们"好得让人不安"：只要你是在浏览，读个文风和几个有画面感的词，它们流畅得很。独角兽那段读起来像真的科学新闻稿，麦莉·赛勒斯那段像真的八卦站帖子，肯尼迪那段像真的政客演讲。
"但如果我专注地读，我就注意到它们的逻辑基本不成立。"然后她一条条抓出来，抓得很好笑：这群独角兽"因它们独特的角"而被命名为"Ovid's Unicorn"——可"Ovid"（奥维德）又不是指某种角，为什么用它命名就算是"以角命名"？而且你上一句才说它们有一只角，下一句怎么就四只角了？魔戒那段："他们穿过灌木丛行军而出时，清晨的薄雾散去，白日转为黄昏。"她的批注只有一句："是啊，白日不会在清晨转为黄昏。"复活肯尼迪那段更荒唐：脑组织是从他胸部周围采的样？人脑大约一点五立方厘米？
关键在于，她的结论不是关于 GPT-2 的，而是关于读者的：
The point is, if you skim text, you miss obvious absurdities. The point is OpenAI HAS achieved the ability to pass the Turing test against humans on autopilot.重点在于，如果你是在略读，你会漏掉显而易见的荒谬。重点在于，OpenAI 确实做到了：它能通过针对"处于自动驾驶状态的人类"的图灵测试。Humans Who Are Not Concentrating Are Not General Intelligences，2019 年 2 月 25 日
而使这一篇成为她的方法论奠基石的，是接下来那个自我观察。她注意到自己的大脑多么频繁地从专注滑向略读：她带着兴趣读了那段关于西班牙历史的样本，机器生成的文字明显荒谬；而读到那段关于电子游戏的样本时，因为她不在乎电子游戏，她的眼睛开始发飘，同样的机器文字在她看来毫无问题。她的评语是：大脑一直在评估什么值得费劲去关注、什么可以放过——所以 GPT-2 其实是一件测量你注意力水平的仪器。
由此她给出了那条规则，我认为是她全部写作里最值得随身携带的一条。她说，"这段我其实没读进去，但行吧，我就信作者的"这个心理动作，和"这段我没读进去，是因为它是机器生成的、根本不成立、我不可能读进去"，在她的内省经验里绝对是同一个动作——唯一的区别是，在前一种情况下，她默认错在自己而不在文本。而"在一个满是机器人的世界里，这个默认不安全"。
所以：不要"默认谦逊"（读不懂就假定文章是对的、是自己漏了什么），改成"默认清零"（default to null）——读不懂一段话，就把自己当成从来没读过它。
这条规则是她整套工作方法的种子。剩下的部分，都可以读成它在不同尺度上的展开。
穷尽，加上基线怀疑。这是她自己的说法（"Completionism combined with baseline skepticism"），而她把它说成是"我为数不多的可用战术之一"——注意这个措辞的谦卑，它是从劣势里长出来的战术，不是什么高明心法。具体做法是一条启发式："找一个规模合理的小文献领域，然后把它全部读完。"她举的例子带着难得的得意：她挺满意的一件事是，凡是人类做过的、成功延长哺乳动物寿命的实验，她每一个都知道。
与之配套的是一个很能说明她性格的决定：她试过要"更专业一点"，像期刊系统综述那样用 PubMed 检索。结论是"这是个糟糕的主意"——PubMed 远远找不全和你主题相关的论文，还塞进来一大堆完全无关的东西。然后是那句："我不知道为什么 PubMed 是学者做文献综述的标准，但既然我不是学者，我就有自由去用一个真的管用的搜索引擎。"她用的是 Google Scholar，翻页翻到经常被系统当成机器人。
她的选题启发式，那一节的标题叫"绿巨人喜欢又大又简单的东西"。——这个标题本身就是她的声明。底下那些条目短得像口令：测量和数据采集是好的；实际实验几乎永远胜过仿真或理论；找在你真正在乎的结果上的大效应量；复杂的统计模型容易被操纵；代理指标可疑；简单的干预最好；更少的活动部件 = 更少的出错可能；避开任何看起来像是给官僚制造工作的东西。以及一组她叫做"真诚的迹象"的信号：意外发现；1990 年以前被遗忘的发现；"不体面"或没什么炒作的；被用在反馈回路很快的竞争性行业里的；研究者本人被这个问题亲身困扰（比如在治自己的病）。最后一条她写得最像她："如果你觉得无聊，那是你的提问框架错了。"
把这些串起来的那个词，在 2026 年 8 月她谈怎么评审资助申请时终于露了出来：不可伪造。她说她偏爱"技术性"的项目，而她给"技术性"的定义是"展示出不可伪造的、稀有的、对结构化流程的驾驭能力"。她偏爱社区基础设施类的捐赠，其中一条理由是它具体，因而更难作假——你在运营一个物理空间或办一场线下活动，人们可以直接来评估。
It forces contact with reality in a way that doesn't happen by default with theoretical research and writing. I place a lot of value on "doing a real thing" compared to doing a potentially-bigger but potentially-unreal thing.它强制你与现实接触，而理论研究和写作默认不会带来这种接触。比起做一件可能更大、但也可能并不真实的事，我非常看重"做一件真的事"。Some Ways I Think About Evaluating Grant Applications，2026 年 8 月 13 日
同一篇里她说她几乎总是喜欢那种"把信息公开整理出来回答一个直白问题"的项目（"全世界每种疾病各死多少人？"），理由一模一样："很容易确信这些项目不是'假的'；它们就是罐子上写的那样。"
最后一层是文字本身，而她在这里的观点出人意料地不"理工"。她说写作要同时对逻辑和氛围负责。逻辑是：我要说的东西连贯吗、真吗、论证成立吗。氛围是：我这些词会唤起的联想和情绪，是我想要的那些吗？她说逻辑型写作者的一个常见失败，就是文章在逻辑层面成立、在氛围层面不成立。她给的规则具体到可以直接用：永远不要把某个东西描述成"不甜"或"不是欺诈"——不要在句子里最鲜明、情绪强度最高的那个词前面加"不"，因为人的注意力会先抓住那个鲜明的词，"不"字则轻得多，读者带走的是一种模糊的感觉，觉得这东西也许是甜的、也许是欺诈。她举了个亲身例子：多年前有朋友转给她一篇史学家写启蒙运动与科学起源的文章，里面把科学称作"路西法式的"（Luciferian）。她很不高兴，问朋友为什么觉得她会喜欢一篇痛斥科学是魔鬼的文章——结果是她误会了，作者用这个词是中性甚至褒义的，指的是为追求（人的）力量而僭越既定秩序。她的结论：面向普通读者时别玩这种"世故"，"如果你觉得某个东西好，你就该把它说得听上去好——而不是拿它和路西法比。"
关于这套仪器的系统性偏差，最有力的证词来自她本人，而且她是在公开场合、在一篇专门为此写的文章里交出来的。
2023 年 4 月，她写了篇长文《我为什么不是 AI 末日论者》，立场很具体：Yudkowsky 那套论证的四个环节里，她认为前三个成立、第四个不成立——也就是说，她认为当前的机器学习并没有在通往那种危险的通用人工智能的路上。她的核心理由相当原创：真正危险的不是智能而是能动性，而能动性她引用威廉·詹姆斯的定义——"目标固定，手段多变"。一只想从罐子里逃出来的青蛙会尝试各种策略；铁屑"想"靠近磁铁却不会绕开实验者设的障碍。她的论点是，大模型追求的是它脑子里那个损失函数，而生物追求的是世界里的一个结果；生物会被现实打脸（"如果机器人的模型说它没事，但一只铁砧砸下来，那机器人就不是没事，它是被砸扁了"），模型不会。更进一步，她认为阻碍"对齐" AGI 的技术障碍，和阻碍"造出" AGI 的技术障碍是同一个。
2024 年 5 月，她写了《重新思考 AI》。
But I have to admit that I no longer stand by that post as it's written.但我必须承认，我不再赞同那篇文章现在的写法了。Rethinking AI，2024 年 5 月 24 日
她保留了一部分：她仍然认为掌握物理世界必须流经与物理世界的互动，仍然愿意打赌不会有哪种药物在没做过体外实验的情况下就进入临床试验。但她放弃了主干——"我现在认为，该押的是科技/AI 产业迟早会造出货真价实的'心智'，在我们所具有的每一种意义上都是完整智能的。"
更值钱的是她对自己出错原因的诊断，因为那正好命中了这套工具的盲区。她曾经推理说 AI 训练的工业机器人不会有人做：仿真训练记录不佳，真实世界训练昂贵，一台带 GPU 做推理的 AI 机器人根本没法和硬编码的传统工业机器人比价格——何况连传统工业机器人都很罕见，真正大量用机器人的制造领域基本只有电子和汽车两个。这套推理每一环都是她最擅长的那种算术。然后 Figure AI 从贝索斯、英伟达、微软和 OpenAI 那里融了 6.75 亿美元，Skild 据报融了近 3 亿，1X 融了超过 1.25 亿，李飞飞开了一家做空间推理的公司。
"我觉得有点蠢。"她写道。"结果是，他们绝对会去造 AI 机器人，而且愿意为训练它们付出所需的代价。"
然后是那句诊断：她过去那套世界观完全漏掉的是选择效应——也就是认真对待市场和激励。她把旧模型完整地引述了一遍供人检验："某件事在原则上可能、而且会很有价值，并不意味着它就会被做出来；如果是那样，我们早就有普及的核电了……"而新的结论是："'太难了'或'太贵了'或'太怪了'，在没有强制禁令的情况下，都不是一件足够有利可图的事情发生的永久障碍。"
这就是那道系统性偏斜，而且它不是偶然失手。一把专门用来问"今天这笔账算不算得平、有没有人在装样子"的尺子，在合成生物学那种题上准得吓人；而在"钱会多到足以把账算平"的题上，它会持续地、可预测地偏低。她的否定判断比她的否定预测可靠得多。读她的时候，这个区分值得一直挂在心上：她说"这件事今天不成立"时你应该认真听；她说"这件事不会发生"时你应该打个折。
还有一条盲区，同样是她自己找到并写下来的，而且写得相当不安。2026 年 7 月的《大世界直觉》里，她盘点了自己所有信赖的启发式——别管竞争对手、专心服务你的客户；作为小交易者就报你的真实价格；游戏早期就发展你的资源；重复博弈里始终值得信赖；做一个远未解决的难题时，不必操心"万一我们成功了但结果是坏的"。她指出这些的共同点是：世界相对于你足够"大"，所以你最好的策略不是去显式计算你的行动如何改变环境。然后她诚实地承认，她几乎只会用这一类直觉：她不知道该怎么处理"如果我个人有力量塑造社会，我会怎么安排"这类问题，也不知道从哪里开始"我这样做她会那样做所以我这样做"的对抗性推理链。
it is disquieting to notice that none of my grounding intuitions or usual ways of thinking about what "healthy" or "prudent" or "ethical" look like, are fit for such situations.但注意到这一点是令人不安的：我那些奠基性的直觉，我平常用来判断什么算"健康"、什么算"审慎"、什么算"合乎伦理"的方式，没有一个适用于那样的情境。Big-World Intuitions，2026 年 7 月 30 日
把这一条和她写的主题放在一起，分量就出来了：她花了八年评估那些有可能是终局级的技术，而她已经提前告诉你，一旦真有哪一项是终局级的，她手里没有工具。
另有一条不算论点上的错误，而是这套方法对使用者本人的代价——而这可能是她写过的最坦白的一段。2024 年 4 月她离职做独立顾问，宣告要写得更勤。结果是将近十三个月的近乎沉默。2026 年 2 月她复更时写：
It feels like "writer's block" or like I "can't think of anything to say", but obviously that's suspect, and the real thing is that I can't think of anything to say that's impeccable and beyond reproach and definitely won't get criticized.它感觉像是"写作障碍"，或者像我"想不出有什么可说的"，但这显然可疑，真实情况是：我想不出有什么可说的东西是无懈可击、无可指摘、并且绝对不会挨批的。Getting Back To It，2026 年 2 月 26 日
前一句她写得更短："The fact is, I've been hiding."（事实是，我一直在躲。）一套以"不被骗"为全部目的的方法，会在某个时刻掉转枪口，变成"不被抓到出错"的恐惧。她自己也指出了这个循环的自我强化之处：越少参与公共生活，能参与的讨论越少，能从别人的话头上接下去的机会也越少。
最后一条是我读下来的判断，她没这么说过。"牵引力不算证据"是一种溶剂，不是一把尺子。它能告诉你什么不算数，却不能告诉你什么算数。她的正面判据——芯片化、技术经济分析——只在存在干净数字的领域里运作：每升成本、每个碱基对成本、特征尺寸、产量配额。而她也写大量没有这种数字的题目：制度、监管、组织、教育、哲学、伦理。在那些地方，溶剂无人制衡。
值得称道的是，她自己知道。在《我怎么写》里她说，她的非研究类文章"更多地滑进意见的领域，而我最后会对自己那个不太对劲的取景框感到厌恶"，尤其是在更偏大众、非 STEM、情绪上更敏感的题目上，"我担心我说的不是客观为真的东西，而只是在晾晒我的个人偏见"。她说这类文章更容易成为烂稿、烂在草稿箱里。她自己给自己的这个判断，比我能给的任何判断都更值得采信。
（补一条书目事实：她 2023 年那篇《我为什么不是 AI 末日论者》在 LessWrong 上引发过一轮公开讨论，有署名者从"能动性"这一环提出反驳。我没有读那些论证的原文，所以不在这里复述它们。她本人一年后的自我修正，已经是我读到的最有分量的那份批评。）