0
0
AI Is Crossing the Frontier of Human Knowledge | Kevin Weil
AI Is Crossing the Frontier of Human Knowledge | Kevin Weil
Summary & Insights

What if the primary value of AGI isn’t just a more efficient chatbot, but the ability to pull the science of 2050 forward into 2030? Kevin Wheel, former CPO and VP of Science at OpenAI, argues that we are moving past the era of AI as a mere productivity tool and entering an era where models can solve frontier scientific problems that have never been cracked by humans. By moving beyond simple summarization into novel reasoning, AI is beginning to tackle open mathematics and physics problems, signaling a shift toward a future where discovery is accelerated by machine intelligence.

This acceleration will likely manifest through a hybrid of “in silico” simulation and robotic labs. Wheel envisions a closed-loop system where AI models design experiments, run high-fidelity simulations, and then deploy those experiments to horizontally scalable robotic labs that operate 24/7 without the need for human breaks. The results from these real-world tests then feed back into the model, creating a reinforcement learning loop that could lead to breakthroughs in personalized medicine, superconductivity, and materials science far faster than traditional human-led research.

Beyond the lab, the democratization of “agency” is fundamentally changing the nature of work and entrepreneurship. Wheel describes a world where high-agency individuals can run multiple parallel workstreams by delegating complex coding and implementation tasks to AI agents. This shift allows people with great ideas—but no technical background—to implement solutions that were previously cost-prohibitive or technically impossible. As AI continues to evolve, the most valuable skills will be curiosity, fast learning, and the ability to orchestrate these autonomous tools to turn an idea into a reality in a matter of days.

Surprising Insights

  • The “Glimmer” Effect: AI capabilities don’t evolve linearly; they move rapidly from “impossible” to “barely working” (5-10% success) to “industry standard” (60-80% success) within a 6-to-12-month window.
  • The Multitasking Paradox: With the advent of AI agents (like Codex), the “cost” of attending a meeting without a running agent is now an hour of lost productivity, as the agent could have been fixing bugs or implementing features in parallel.
  • B2B over Consumer: Unlike the dot-com era, the AI boom is hitting enterprise/B2B first because that is where the most immediate economic value is found and where companies can defray the high compute costs of the models.
  • Data vs. Taste: Purely following data can lead to “averaging” outcomes or being fooled by novelty. Wheel suggests that anecdotes and “taste” are essential for identifying bimodal user behaviors that raw data often hides.

Practical Takeaways

  • Adopt a “Parallel Work” Mindset: Stop treating AI as a search engine and start treating it as a staff member. Give it a hard task to “chunk away” on overnight or during meetings so you can wake up to an implemented feature.
  • Use Model Ensembles: Instead of relying on one giant prompt in a single model, build a system where an “orchestrator” model plans the task and delegates specific sub-tasks to smaller, cheaper, specialized models.
  • Prioritize High-Agency Skills: Focus on developing the ability to identify problems and orchestrate tools. Technical execution is becoming a commodity; the ability to direct a model to solve a complex problem is the new premium skill.
  • Validate Data with Anecdotes: When analyzing product metrics, don’t dismiss negative or outlier user feedback. Use those anecdotes to “cut” your data differently to see if you have two distinct user groups rather than one average one.

Điều gì sẽ xảy ra nếu giá trị cốt lõi của AGI không chỉ dừng lại ở một chatbot hiệu quả hơn, mà là khả năng đưa những thành tựu khoa học của năm 2050 tiến gần hơn đến năm 2030? Kevin Wheel, cựu Giám đốc Sản phẩm (CPO) và Phó Chủ tịch mảng Khoa học tại OpenAI, lập luận rằng chúng ta đang vượt qua kỷ nguyên AI chỉ là một công cụ năng suất thuần túy để tiến vào một kỷ nguyên mà các mô hình có thể giải quyết những bài toán khoa học tiên phong mà con người chưa bao giờ giải được. Bằng cách vượt ra ngoài khả năng tóm tắt đơn thuần để tiến tới tư duy suy luận mới mẻ, AI đang bắt đầu giải quyết các vấn đề mở trong toán học và vật lý, báo hiệu sự chuyển dịch hướng tới một tương lai nơi các khám phá được tăng tốc nhờ trí tuệ máy móc.


Sự tăng tốc này có khả năng sẽ hiện thực hóa thông qua sự kết hợp giữa mô phỏng “in silico” (mô phỏng trên máy tính) và các phòng thí nghiệm robot. Wheel hình dung về một hệ thống vòng lặp khép kín, nơi các mô hình AI thiết kế thí nghiệm, chạy các mô phỏng độ phân giải cao, và sau đó triển khai các thí nghiệm đó đến các phòng thí nghiệm robot có khả năng mở rộng theo chiều ngang, hoạt động 24/7 mà không cần nghỉ ngơi. Kết quả từ các thử nghiệm thực tế này sau đó sẽ được phản hồi ngược lại cho mô hình, tạo ra một vòng lặp học tăng cường có thể dẫn đến những đột phá trong y học cá nhân hóa, siêu dẫn và khoa học vật liệu nhanh hơn nhiều so với nghiên cứu truyền thống do con người dẫn dắt.


Ngoài phòng thí nghiệm, sự dân chủ hóa về “năng lực thực thi” (agency) đang thay đổi căn bản bản chất của công việc và khởi nghiệp. Wheel mô tả một thế giới nơi những cá nhân có năng lực thực thi cao có thể vận hành nhiều luồng công việc song song bằng cách ủy thác các tác vụ lập trình và triển khai phức tạp cho các tác nhân AI (AI agents). Sự chuyển dịch này cho phép những người có ý tưởng tuyệt vời—nhưng không có nền tảng kỹ thuật—triển khai những giải pháp mà trước đây quá đắt đỏ hoặc bất khả thi về mặt kỹ thuật. Khi AI tiếp tục phát triển, những kỹ năng giá trị nhất sẽ là sự tò mò, khả năng học hỏi nhanh và năng lực điều phối các công cụ tự trị này để biến một ý tưởng thành hiện thực chỉ trong vài ngày.


Những góc nhìn bất ngờ



  • Hiệu ứng “Ánh chớp” (The Glimmer Effect): Năng lực của AI không phát triển theo đường thẳng; chúng chuyển dịch nhanh chóng từ “bất khả thi” sang “vừa mới hoạt động” (tỉ lệ thành công 5-10%) rồi đến “tiêu chuẩn ngành” (tỉ lệ thành công 60-80%) chỉ trong vòng từ 6 đến 12 tháng.

  • Nghịch lý đa nhiệm: Với sự ra đời của các tác nhân AI (như Codex), “chi phí” của việc tham gia một cuộc họp mà không có tác nhân AI chạy song hành giờ đây là một giờ mất đi năng suất, vì lẽ ra tác nhân đó đã có thể sửa lỗi hoặc triển khai các tính năng trong lúc bạn họp.

  • B2B quan trọng hơn Consumer: Khác với thời kỳ dot-com, sự bùng nổ AI đang tác động đến doanh nghiệp/B2B trước tiên vì đó là nơi tìm thấy giá trị kinh tế tức thời nhất và là nơi các công ty có thể chi trả cho chi phí vận hành máy tính khổng lồ của các mô hình.

  • Dữ liệu đối lập với Cảm quan (Taste): Việc thuần túy chạy theo dữ liệu có thể dẫn đến kết quả “trung bình hóa” hoặc bị đánh lừa bởi những điều mới lạ. Wheel cho rằng những câu chuyện thực tế và “cảm quan” là điều thiết yếu để nhận diện các hành vi người dùng phân cực (bimodal) mà dữ liệu thô thường che khuất.


Bài học thực tiễn



  • Áp dụng tư duy “Làm việc song song”: Hãy ngừng coi AI là một công cụ tìm kiếm và bắt đầu coi nó như một nhân viên. Giao cho nó một nhiệm vụ khó để “xử lý” xuyên đêm hoặc trong khi bạn họp, để khi thức dậy bạn có ngay một tính năng đã được triển khai.

  • Sử dụng mô hình kết hợp (Model Ensembles): Thay vì dựa vào một câu lệnh (prompt) khổng lồ trong một mô hình duy nhất, hãy xây dựng một hệ thống nơi một mô hình “điều phối” (orchestrator) lập kế hoạch tác vụ và ủy thác các tác vụ con cụ thể cho các mô hình chuyên biệt, nhỏ hơn và rẻ hơn.

  • Ưu tiên kỹ năng thực thi cao: Tập trung phát triển khả năng xác định vấn đề và điều phối công cụ. Việc thực thi kỹ thuật đang dần trở thành một món hàng phổ biến; khả năng định hướng một mô hình để giải quyết một vấn đề phức tạp mới là kỹ năng cao cấp hiện nay.

  • Xác thực dữ liệu bằng câu chuyện thực tế: Khi phân tích các chỉ số sản phẩm, đừng bỏ qua những phản hồi tiêu cực hoặc những trường hợp ngoại lai từ người dùng. Hãy dùng những câu chuyện đó để “chia tách” dữ liệu theo cách khác nhằm xem liệu bạn có hai nhóm người dùng riêng biệt hay chỉ là một nhóm trung bình.


如果通用人工智慧（AGI）的核心價值不僅僅是一個更高效的聊天機器人，而是能將 2050 年的科學研究提前到 2030 年實現，會如何？OpenAI 前首席產品官（CPO）兼科學副總裁 Kevin Wheel 認為，我們正走出 AI 僅作為生產力工具的時代，進入一個模型能夠解決人類尚未攻克的尖端科學問題的時代。透過從簡單的摘要總結進化到創新的推理，AI 正開始處理開放性的數學與物理問題，這標誌著一個由機器智能加速發現的未來即將到來。


這種加速可能會透過「電腦模擬」（in silico）與機器人實驗室的混合模式來實現。Wheel 構思了一個閉環系統：AI 模型設計實驗、執行高保真模擬，然後將這些實驗部署到可水平擴展、且無需人類休息、24 小時不間斷運作的機器人實驗室中。這些現實世界的測試結果隨後會回饋給模型，形成一個強化學習迴圈，從而使個人化醫療、超導體和材料科學的突破速度遠超傳統的人類主導研究。


在實驗室之外，「代理權」（agency）的民主化正在從根本上改變工作與創業的本質。Wheel 描述了一個高主動性（high-agency）個體可以透過將複雜的編碼與實作任務委派給 AI 代理，從而同時運行多個平行工作流的世界。這種轉變使得擁有絕佳創意但缺乏技術背景的人，能夠實現以前因成本過高或技術上不可行的解決方案。隨著 AI 的持續演進，最寶貴的技能將是好奇心、快速學習能力，以及協調這些自主工具將想法在短短幾天內轉化為現實的能力。


驚人之見



  • 「微光」效應（The “Glimmer” Effect）： AI 的能力並非線性演進；它們會在 6 到 12 個月的窗口期內，迅速從「不可能」轉向「勉強可行」（5-10% 成功率），再轉向「業界標準」（60-80% 成功率）。

  • 多工悖論（The Multitasking Paradox）： 隨著 AI 代理（如 Codex）的出現，如果在參加會議時沒有運行代理，其「成本」就是損失了一小時的生產力，因為代理本可以在平行時間中修復 bug 或開發功能。

  • B2B 優於消費端： 與網路泡沫時代不同，AI 浪潮首先衝擊的是企業/B2B 市場，因為這裡能發現最直接的經濟價值，且公司能分擔模型高昂的運算成本。

  • 數據 vs. 品味： 單純追隨數據可能會導致結果「平均化」或被新奇事物誤導。Wheel 建議，個案軼事和「品味」對於識別原始數據經常掩蓋的雙峰（bimodal）用戶行為至關重要。


實踐建議



  • 採取「平行工作」心態： 停止將 AI 視為搜尋引擎，開始將其視為一名員工。交給它一個困難的任務，讓它在深夜或你開會時「分塊處理」，這樣你醒來時就能看到已實現的功能。

  • 使用模型集成（Model Ensembles）： 不要依賴單一模型中的一個巨大提示詞（prompt），而是建立一個由「協調者」模型規劃任務，並將具體子任務委派給較小、較便宜且專業化模型的系統。

  • 優先培養高主動性技能： 專注於開發識別問題和協調工具的能力。技術執行正逐漸成為商品；而指導模型解決複雜問題的能力，才是新的頂級技能。

  • 用個案驗證數據： 在分析產品指標時，不要忽略負面或極端用戶的反饋。利用這些個案對數據進行不同的「切片」分析，看看你是否面對的是兩個截然不同的用戶群體，而非一個平均群體。


Et si la valeur principale de l’AGI n’était pas simplement celle d’un chatbot plus efficace, mais la capacité de projeter la science de 2050 dès 2030 ? Kevin Wheel, ancien CPO et vice-président de la science chez OpenAI, soutient que nous dépassons l’ère de l’IA comme simple outil de productivité pour entrer dans une ère où les modèles peuvent résoudre des problèmes scientifiques de pointe que les humains n’ont jamais réussi à craquer. En allant au-delà de la simple synthèse pour s’orienter vers un raisonnement novateur, l’IA commence à s’attaquer à des problèmes ouverts de mathématiques et de physique, signalant un basculement vers un avenir où la découverte est accélérée par l’intelligence machine.


Cette accélération se manifestera probablement par un hybride de simulations « in silico » et de laboratoires robotiques. Wheel imagine un système en boucle fermée où les modèles d’IA conçoivent des expériences, exécutent des simulations de haute fidélité, puis déploient ces expériences dans des laboratoires robotiques évolutifs horizontalement, fonctionnant 24h/24 et 7j/7 sans nécessiter de pauses humaines. Les résultats de ces tests en conditions réelles alimentent ensuite le modèle, créant une boucle d’apprentissage par renforcement qui pourrait mener à des percées dans la médecine personnalisée, la supraconductivité et la science des matériaux bien plus rapidement que la recherche traditionnelle dirigée par l’homme.


Au-delà du laboratoire, la démocratisation de l’« agentivité » change fondamentalement la nature du travail et de l’entrepreneuriat. Wheel décrit un monde où des individus dotés d’une grande capacité d’initiative peuvent gérer plusieurs flux de travail en parallèle en déléguant des tâches complexes de codage et de mise en œuvre à des agents d’IA. Ce changement permet à des personnes ayant des idées brillantes — mais sans bagage technique — de mettre en œuvre des solutions qui étaient auparavant prohibitives en termes de coûts ou techniquement impossibles. À mesure que l’IA continue d’évoluer, les compétences les plus précieuses seront la curiosité, l’apprentissage rapide et la capacité d’orchestrer ces outils autonomes pour transformer une idée en réalité en quelques jours seulement.


Perspectives Surprenantes



  • L’effet « Lueur » (Glimmer) : Les capacités de l’IA n’évoluent pas de manière linéaire ; elles passent rapidement de « impossible » à « fonctionne à peine » (5 à 10 % de réussite), puis à « standard de l’industrie » (60 à 80 % de réussite) dans une fenêtre de 6 à 12 mois.

  • Le paradoxe du multitâche : Avec l’avènement des agents d’IA (comme Codex), le « coût » d’assister à une réunion sans agent actif est désormais d’une heure de productivité perdue, car l’agent aurait pu corriger des bugs ou implémenter des fonctionnalités en parallèle.

  • Le B2B plutôt que le Grand Public : Contrairement à l’ère du dot-com, le boom de l’IA frappe d’abord les entreprises et le B2B, car c’est là que se trouve la valeur économique la plus immédiate et là où les sociétés peuvent amortir les coûts élevés de calcul des modèles.

  • Données vs Intuition : Suivre uniquement les données peut conduire à des résultats « moyens » ou être trompé par la nouveauté. Wheel suggère que les anecdotes et le « goût » (l’intuition) sont essentiels pour identifier des comportements d’utilisateurs bimodaux que les données brutes cachent souvent.


Conseils Pratiques



  • Adoptez un état d’esprit de « travail parallèle » : Cessez de traiter l’IA comme un moteur de recherche et commencez à la traiter comme un membre de votre équipe. Confiez-lui une tâche ardue sur laquelle elle peut « plancher » pendant la nuit ou lors de vos réunions, afin de vous réveiller avec une fonctionnalité implémentée.

  • Utilisez des ensembles de modèles : Au lieu de compter sur un seul prompt géant dans un modèle unique, construisez un système où un modèle « orchestrateur » planifie la tâche et délègue des sous-tâches spécifiques à des modèles plus petits, moins coûteux et spécialisés.

  • Priorisez les compétences d’agentivité : Concentrez-vous sur le développement de votre capacité à identifier des problèmes et à orchestrer des outils. L’exécution technique devient une commodité ; la capacité de diriger un modèle pour résoudre un problème complexe est la nouvelle compétence premium.

  • Validez les données par des anecdotes : Lors de l’analyse des métriques produit, ne rejetez pas les retours d’utilisateurs négatifs ou atypiques. Utilisez ces anecdotes pour « segmenter » vos données différemment et voir si vous avez deux groupes d’utilisateurs distincts plutôt qu’un seul groupe moyen.


Was wäre, wenn der primäre Wert einer AGI nicht nur in einem effizienteren Chatbot läge, sondern in der Fähigkeit, die Wissenschaft von 2050 in das Jahr 2030 vorzuziehen? Kevin Wheel, ehemaliger CPO und VP of Science bei OpenAI, argumentiert, dass wir die Ära der KI als bloßes Produktivitätswerkzeug hinter uns lassen und in eine Ära eintreten, in der Modelle wissenschaftliche Grenzprobleme lösen können, die von Menschen noch nie geknackt wurden. Indem die KI über die einfache Zusammenfassung hinaus zu neuartigem logischem Denken („Reasoning“) übergeht, beginnt sie, offene Probleme der Mathematik und Physik anzugehen. Dies signalisiert einen Wandel hin zu einer Zukunft, in der Entdeckungen durch maschinelle Intelligenz beschleunigt werden.


Diese Beschleunigung wird sich wahrscheinlich durch einen Hybrid aus „in silico“-Simulationen und Robotik-Laboren manifestieren. Wheel stellt sich ein geschlossenes System vor, in dem KI-Modelle Experimente entwerfen, hochpräzise Simulationen durchführen und diese Experimente anschließend an horizontal skalierbare Robotik-Labore auslagern, die rund um die Uhr ohne menschliche Pausen arbeiten. Die Ergebnisse dieser realen Tests fließen dann zurück in das Modell und erzeugen so eine Reinforcement-Learning-Schleife, die weitaus schneller zu Durchbrüchen in der personalisierten Medizin, der Supraleitung und der Materialwissenschaft führen könnte als die traditionelle, menschengesteuerte Forschung.


Über das Labor hinaus verändert die Demokratisierung von „Agency“ (Handlungsfähigkeit) grundlegend die Natur von Arbeit und Unternehmertum. Wheel beschreibt eine Welt, in der Personen mit hoher Eigeninitiative („high-agency individuals“) mehrere parallele Arbeitsströme steuern können, indem sie komplexe Codierungs- und Implementierungsaufgaben an KI-Agenten delegieren. Dieser Wandel ermöglicht es Menschen mit großartigen Ideen – aber ohne technischen Hintergrund –, Lösungen umzusetzen, die zuvor entweder zu kostspielig oder technisch unmöglich waren. Da sich die KI ständig weiterentwickelt, werden die wertvollsten Fähigkeiten Neugier, schnelles Lernen und die Fähigkeit sein, diese autonomen Werkzeuge so zu orchestrieren, dass eine Idee innerhalb weniger Tage zur Realität wird.


Überraschende Erkenntnisse



  • Der „Glimmer“-Effekt: KI-Fähigkeiten entwickeln sich nicht linear; sie bewegen sich innerhalb eines Fensters von 6 bis 12 Monaten rasch von „unmöglich“ über „funktioniert kaum“ (5–10 % Erfolgsquote) hin zum „Industriestandard“ (60–80 % Erfolgsquote).

  • Das Multitasking-Paradoxon: Mit dem Aufkommen von KI-Agenten (wie Codex) bestehen die „Kosten“ einer Besprechung ohne einen laufenden Agenten nun darin, dass eine Stunde Produktivität verloren geht, da der Agent in dieser Zeit parallel Fehler hätte beheben oder Funktionen implementieren können.

  • B2B vor Consumer: Im Gegensatz zur Dotcom-Ära trifft der KI-Boom zuerst den Enterprise-/B2B-Sektor, da dort der unmittelbarste wirtschaftliche Wert liegt und Unternehmen die hohen Rechenkosten der Modelle besser abfangen können.

  • Daten vs. Geschmack: Ein rein datengesteuerter Ansatz kann zu „vermittelten“ Ergebnissen führen oder dazu, dass man sich von Neuigkeiten täuschen lässt. Wheel schlägt vor, dass Anekdoten und „Geschmack“ (Intuition) essenziell sind, um bimodale Nutzerverhaltensweisen zu identifizieren, die in Rohdaten oft verborgen bleiben.


Praktische Takeaways



  • Ein „Parallel Work“-Mindset entwickeln: Hören Sie auf, die KI als Suchmaschine zu behandeln, und beginnen Sie, sie als Mitarbeiter zu betrachten. Geben Sie ihr eine schwierige Aufgabe, an der sie über Nacht oder während Meetings „knabbern“ kann, damit Sie morgens eine implementierte Funktion vorfinden.

  • Modell-Ensembles nutzen: Verlassen Sie sich nicht auf einen einzigen riesigen Prompt in einem einzelnen Modell. Bauen Sie stattdessen ein System auf, in dem ein „Orchestrator-Modell“ die Aufgabe plant und spezifische Teilaufgaben an kleinere, günstigere und spezialisierte Modelle delegiert.

  • High-Agency-Skills priorisieren: Konzentrieren Sie sich auf die Fähigkeit, Probleme zu identifizieren und Werkzeuge zu orchestrieren. Die technische Ausführung wird zur Commodity; die Fähigkeit, ein Modell so zu steuern, dass es ein komplexes Problem löst, ist die neue Premium-Qualifikation.

  • Daten mit Anekdoten validieren: Verwerfen Sie bei der Analyse von Produktmetriken kein negatives Feedback oder Ausreißer von Nutzern. Nutzen Sie diese Anekdoten, um Ihre Daten anders zu „segmentieren“, um zu prüfen, ob Sie zwei unterschiedliche Nutzergruppen haben, anstatt einer einzigen Durchschnittsgruppe.


Kevin Weil, the previous CPO & Vice President of Science at OpenAI, joins Speedrun to discuss the future of AI, scientific discovery, and startup building.

After helping build products at Twitter, Instagram, and Facebook, Weil is now focused on one of AI’s most ambitious applications: accelerating science itself. He explains why modern AI models are beginning to solve problems that sit beyond the frontier of existing human knowledge, and how advances in reasoning, coding, and autonomous research could reshape fields ranging from mathematics to medicine.

The conversation explores scientific discovery, robotic labs, AI agents, product design, startup opportunities, and why the current wave of AI may create entirely new categories of companies. Along the way, Weil shares lessons from scaling products used by billions of people and explains what founders should understand about building in a world where AI capabilities continue to improve at an unprecedented pace.

 

Resources:

Follow Kevin Weil on X: https://x.com/kevinweil

Follow Speedrun on X: https://x.com/speedrun

Stay Updated:

Find a16z on YouTube: YouTube

Find a16z on X

Find a16z on LinkedIn

Listen to the a16z Show on Spotify

Listen to the a16z Show on Apple Podcasts

Follow our host: https://twitter.com/eriktorenberg

 

Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.

Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.

Leave a Reply

a16z Podcasta16z Podcast
Let's Evolve Together
Logo