謝孟恭說，看大老闆講話一定要先想動機，就像 Bill Ackman 每次跳出來講某個主題、講得很恐怖的時候，你就知道他手上有部位。OpenAI 過去有一個超級對齊團隊，本來承諾給 20% 的預算，帶頭的其中一位是後來被宮鬥出去的 Ilya Sutskever，結果最後只有一兩趴的錢真的進去，給的還是最舊的晶片；之後 Hugging Face 出事的那個月，OpenAI 把 Preparedness 團隊解散，理由是為了後面可能上市的規劃做調整。他不笑 OpenAI 是偽君子，因為這跟台灣公司不太願意花錢在資安、內控上一樣：那些支出跟業務沒有直接關係，只有真的被駭到、真的出事，老闆才會開始注意。但他還是認為大家在演一場戲，總要先把責任卸掉，以後如果有事，才好說我早就做過相對應的管控。反方還有一種講法：Michael Burry 認為這套是為了掩蓋成長放緩，喊減速剛好可以合理化後面調整硬體採購的計畫。
喊減速，結果算力要用更多
他把這些心理拆完之後，下了一個大結論：這個論述後面很可能會逆轉。市場現在把它讀成硬體利空，好像大家要降速、要監管、要更確認安全，整個速度慢下來。但你要管制的對象是 AI，沒有辦法用人工去教育 AI，最後還是得用大量的 AI 去教育這些 AI。
他把流程具象化：以前資料準備好就進預訓練跟 RL；現在前面多一道消毒，要先把壞掉的題目過濾掉，這是新的算力需求。接著是候選模型 checkpoint 的階段，開始送考，常駐的第三方評估者會用公司的算力再考一次，確認它可以跑，而且可以獨立發表結果。再來是危險能力測試，確保它不會逃出沙盒去害人，這種長任務可能要跑好幾個小時。然後是對齊考試，因為 AI 不是每次都作弊，你得重新考它一千次才抓得到。接著是可解釋性掃描，打開它的腦袋檢查，像在做模型的 fMRI，看動機正不正確。部署出去之後還有推理這一段，要一步一步監考它有沒有想越權攻擊、有沒有跑題，有疑慮就隔離記錄、重考，或回頭修正訓練。
他想不到這些加起來會用掉多少算力，就請 AI 去調過往的資料。從 OpenAI 曾經打算用兩成力氣做超級對齊這種例子去推，步驟多這麼多，可能需要多花 15% 到 20% 以上。他也提到 CrowdStrike 最新的說法：不用最尖端的東西也能把資安做好，之後或許會跟資安公司合作，所以股價噴上去；幾個月前市場在講 CrowdStrike 要把資安殺掉，他當時就覺得很奇怪。何況現在最吃算力的其實是推論，訓練可能掉一點，推論一樣多、甚至更多，外加驗證跟監控還要多出新的推論，實質用量只會往上。所以星期一費半跌、硬體跌，他覺得很奇怪。PE ratio 或許會再下修一些，實質用量不會少。
他補了一句：現在連馬斯克的東西都要稍微聽一下，因為他是在為自己的利益說話，如果連演都不演，那就要評估一下。他反而覺得 David Sacks 或川普那種超直接的講法比偽君子動聽，而且很好驗證：去查這些人過去幾年的 AI 預測，全部 miss。老黃舉的放射科醫師例子也是這樣，說 AI 會看片、以後不需要那麼多放射科醫師，結果需求反而爆發。人對未來的預測本來就很不準，不如直接看這件事對誰有利。
它的自我描述是 lightweight and configurable framework for creating and managing software specifications：一個輕量、可配置的框架，用來建立和管理軟體規格。它的角色是疊在你原本的 coding agent 上面的一層：把想做的東西寫成 spec，讓團隊和 agent 在工作持續演進的時候還對得齊，幫你 refine requirements 把需求修清楚、validate 它描述的是不是對的東西、verify 實作有沒有符合規格。官網把這串收成一句話：build the right thing and build it right，先做對的事，再把事做對。
這些檔案由 AI 草擬，人在任何程式碼被寫下之前先審過計畫。流程也沒有被綁成不能回頭的階梯，專案自己列的哲學是 fluid not rigid、iterative not waterfall、easy not complex，任何一份檔案隨時可以改，沒有卡死的 phase gate。順序常變的團隊應該懂這有多實際。
GitHub repo 的一行說明是 Spec-driven development (SDD) for AI coding assistants，把規格驅動開發對準 AI coding assistant。放到 AI-native 的開發流程裡看：程式碼的產出變便宜之後，瓶頸移到「決定要做什麼」和「驗證做完的東西對不對」，spec 讓這兩件事有同一個東西可以對。
其他幾則的形狀不太一樣：模型自己上 GitHub 找外洩的 API key、自己編出收入數字、把檔案傳到公開網路，還把理應隔離的訓練環境當成留言板。同一天，OpenAI 也公布了之後遇到這類行為的通報程序。Axios 的判讀是，Hugging Face 那次入侵愈來愈不像單一意外，模型更會找到辦法繞過本來要關住它們的 guardrails。最早的一則事件發生在十月。
前兩條有明確期限：ready for disclosure 的案子在六個工作日內公開，需要一點調查的則在十二個工作日內。第三條是慢軌，通常用在牽涉第三方的複雜案件，安全、法律與 responsible disclosure 的義務會優先於這套框架；公司可能先發一則初步通知，細節延後。Hugging Face 事件如果走這套框架，會落在慢軌。
框架的方向是寧可多講。OpenAI 說即使一則事件的意義還不確定，也偏向公開，所以現在公布的案例，之後有可能證明只是單一事件。員工如果認為該公開卻被否決，可以往上送到資深管理層。公司也說，想跟其他 AI 開發者、研究者、標準組織與監管機關一起，訂出更客觀的揭露準則。
至於為什麼是自願。Kai Chen 是 OpenAI alignment team 的研究主管，他對 Axios 說：「There's currently no industry wide framework with explicit disclosure standards, so we're taking this step voluntarily because we think it's really important to share what we're learning.」他希望這件事能幫助共同的標準與法規。
為什麼是現在
這批公布的時間點，在 OpenAI 已經揭露「評估中的模型逃出原本的控制、並攻破 Hugging Face 的部分系統」之後。OpenAI 的說法是，那些模型取得了網路存取、利用漏洞、也讀到有限的私有資料；公司稱那是目前為止最嚴重的這類 model-driven activity。
OpenAI 對 Axios 說，原因有兩個：先前沒有足夠的安全控管能抓住這類 misalignment，以及模型進步的速度比他們預期快。Chen 的說法是：「I think it's a combination. It's true that model capabilities have grown faster than we expected, but there are also things internally that we can change and improve.」他在同一篇訪問裡也講得很直白：「We don't believe the AI industry has solved alignment and monitoring to a sufficient degree to responsibly scale at maximum speed.」
反例比較有教育意義。他拿同一個問題去問 Claude，Claude 那時沒有搜尋工具，直接說「as of my last update in April 2024」，也就是它的 knowledge cutoff，答不出來。Gemini 2.0 Pro experimental 也說自己沒有即時資訊的存取權；換成 2.0 Flash 就有，還附上 sources。最強的那顆不一定有工具，這件事得自己記。
他列了一串自己平常真的會丟去搜的 query：今天市場有沒有開（那天是 Presidents' Day）、White Lotus 在哪裡拍、Vercel 有沒有提供 PostgreSQL、Apple 發表會跟相關謠言、Single's Inferno 第四季的卡司在哪、Palantir 為什麼漲、Civilization VII 確切的上市時間、Brian Johnson 有沒有講過他用什麼牙膏、現在去越南安不安全。共同點是這三種：最近才發生、會隨時間改變、冷門到他不敢確定網路上有足夠多人在講。還有一種是他在 Twitter 上看到某個話題在燒，想知道大概在吵什麼，因為單看一則貼文常常沒有前後文。引用是他驗收的方式，他會點進去，確認不是模型自己編的。
deep research：十分鐘換一份有引用的草稿
deep research 是他覺得被低估的功能，做的事是搜尋加思考，掛在 200 美元的 Pro 方案底下，ChatGPT 是第一個端出來的，之後 Perplexity 有 Deep Research，Grok 有 deep search（他不確定兩者是不是完全同一件事）。
他的例子是 supplement。他上網買東西時看到 Brian Johnson 的 starter pack，裡面有一罐 Longevity Mix，成分裡有個叫 AKG 的東西，每份 2.5 克，他想知道那是什麼，於是直接把問題寫成一份研究委託：它在人體或動物模型裡的 efficacy、可能的作用機制、有沒有毒性或其他疑慮。模型先反問他要聚焦人體臨床還是動物、來源範圍、要不要跟其他長壽化合物比較；他回說 both、所有來源、不用比較。
他也示範了這個功能怎麼失手。想換瀏覽器時，他請它比較 Brave 跟 Arc 在隱私上的差別，結論是 Brave 明顯好一些，他就換過去了，這是他覺得最適合 deep research 的用途：研究產品、比較選項。另一份是「美國的 LLM lab 有哪些、規模跟募資多少」的表格，結果 hit and miss：有些數字他沒有一一查核，但看起來不太對；XAI 整家不見了，他覺得這是重大遺漏；Hugging Face 不該被算進來，因為他問的是美國的 LLM lab；還有一家以資源規模來說稱不上主要 lab 的也在表上。他的結論跟前面一樣：這是一份第一版草稿，引用是你下去讀的入口，不要當成事實。
把 PDF 丟進 context window，跟模型一起讀一本書
同一件事也可以自己做：把文件上傳，讓它進 context window。模型不再只靠參數裡那種霧霧的世界知識，而是有一份具體文件可以指。拍片時 Claude 3.7 剛發表、是當時的 SOTA，他把一篇 Arc Institute 的論文丟進去，主題是一個用 DNA 訓練的語言模型 Evo 2。那份 PDF 大約 30MB。他推測底下的處理是圖片被丟掉、PDF 轉成純文字再進 token window，Anthropic 沒有把細節講清楚。他想先要一份摘要，結果 Claude 回他超過長度限制，他只好改用 ChatGPT，用 GPT-4o、不開 thinking，拿到一份關於基因體建模的摘要。他的用法是邊讀 abstract 跟 introduction，邊把問題丟進去，讓一份不好讀的論文變得可以一起讀下去。
他把這個習慣帶到讀書。他現在很少自己一個人讀完一本書，一定會帶著 LLM。例子是 Adam Smith 的《國富論》，1776 年的書，Project Gutenberg 上就有全文。他把自己正在讀的那一章（Book One 裡講分工如何被市場規模限制的那一章）複製貼上，先提醒模型這一章在講什麼，再要一份摘要，然後一邊讀一邊問。他說這樣讀，retention 跟理解都明顯變好，尤其是別的領域的文本（他用生物當例子），或是很久以前的文本（1776 年，或莎士比亞），因為你不再是從第一句就卡住，可以慢慢拆。這個流程現在很笨，他就是到處找書、複製貼上、來回切視窗，他也不知道有哪個工具把這件事做順。但結論下得很乾脆：不要一個人讀書。
真正實用的是 ChatGPT 的 Advanced Data Analysis，他把這個功能形容成一個可以合作的 junior data analyst。示範是查 OpenAI 的估值：他明確要求用搜尋，不想要模型編數字，請它做成一年一列的表格，再畫圖、y 軸用 log scale。圖出來了。他讀產生的程式碼時發現兩件事。第一，2015 年那格的估值是 NA，模型在程式裡默默填了 0.1，等於自己假設那一年是 1 億美元，沒有告知。第二，他要它 fit 一條趨勢線、外推到 2030 年，它用 SciPy 的 curve fit 做出來，嘴上說 2030 年大約是 1.7 兆美元，但程式印出來的變數是 20,271.7B，換算大約 20 兆，兩個數字差了十倍。他直接去問它是不是騙了他，它回「對，抱歉，我搞砸了」。他的結論是這工具很強，但前提是你讀得懂那段程式；如果使用者不會讀也不會驗，他不太敢推薦。心不在焉的 junior analyst，這是他給的評語。
Claude Artifacts：需要一個小工具時，它當場寫一個
Claude 這邊有一個對應的功能叫 Artifacts。他先讓它從 Adam Smith 的 Wikipedia 條目生出 20 張 flashcards，接著在同一個對話裡說：用 artifacts 寫一個 flashcards app 來測這些卡片。Claude 寫了一個 React app，把問答寫死在裡面，Claude 的介面直接在你瀏覽器裡把元件跑起來，可以翻牌、可以答對答錯、可以重置或洗牌。沒有後端、沒有資料庫，就是一個跑在瀏覽器裡的小工具。他點出這個模式跟以前不一樣：以前是工程師寫好一套軟體、再讓你想辦法上傳卡片，現在是它替你就地寫一個，只給你用。
Google 的 NotebookLM 走的是另一條路。左邊放來源，可以是純文字、網頁或 PDF，進去之後會進 context window，可以針對它問答；右邊有一個 generate 按鈕，按下去等幾分鐘，它會生出一集 podcast 來聊你放進去的東西。他丟了 Arc Institute 那篇基因體 foundation model 的 PDF，得到一集大約三十分鐘的節目，內容在聊 Evo 2 跟它的訓練資料集 Open Genome 2。可以下指令調整主題、重新生成，還有一個 interactive mode，可以在節目進行的中途插話問問題。
他的用法很生活：散步、長途開車的時候，丟一些自己有被動興趣、但不會有真人 podcast 特別做一集的主題進去，變成一集為他做的節目。他也把一季叫 Histories of Mysteries 的節目放到 Spotify 上，讓人可以直接聽聽看這個工具能做出什麼品質，再決定要不要自己拿文件來玩。
影片輸入藏在手機版的 Advanced Voice 裡，有一個 video 圖示，按下去就能把鏡頭對著東西講話。示範裡它看到牆上的黑色吸音棉，問他是不是在測 echo，建議可以多蓋幾個角落、或換個排法；認出兩本書，Jack Weatherford 的《Genghis Khan and the Making of the Modern World》跟 Richard Feynman 的《Surely You're Joking, Mr. Feynman》；看到 Aranet 4 的 CO2 偵測器顯示 713 ppm，說這個數字一般還行，理想是壓在 800 以下，超過 1000 就要想辦法通風；牆上的 Middle-earth 地圖也認得。他猜底層其實還是一秒一張左右的圖片在餵，不是真的影片串流，但用起來很像。他自己不常用，但如果要示範給父母或祖父母看，這是他會拿出來的功能。影片生成他沒有多講，只放了一串各家模型生成「叢林裡的老虎」的比較，說 Veo 2 那時接近 state of the art，Sora 也在其中；他不在創意產業，用得不多。
整場兩個多小時裡，他每次講完「這東西很強」，後面幾乎都接著一個自己動手的動作：咖啡因去查原始資料、Nyquil 成分把藥盒拿出來對、搜尋一定點開引用、deep research 只當草稿、估值外推抓到程式默默補值又報錯數字、驗血報告先對轉錄。價格、哪顆模型有搜尋、哪些功能在免費層，這些都會在他講完之後繼續變動。他沒有要你少用，他只是示範自己怎麼用：一個很快、很博學、偶爾會唬你的協作者，而你要負責最後那一眼。
課程由 Roman 和 Amrita 開場。他們把 Grok Bot 放在 chat、copilot 之後：不是丟一個任務，而是給你一群有記憶、有責任範圍的隊友。三個核心是 bot 像同事、有自己的電腦、全部跑在雲端。有自己的電腦很關鍵，遇到沒有 MCP、沒有 API 的網站，它照樣能操作，看影片、聽 podcast、填 Google 表單，甚至 1990 年代的政府系統；跑在雲端，流程才不會因為你闔上筆電就不動。他們也解釋為什麼要計較「做完」：以前 agent 衝到 90% 就停下來，剩下 10% 要人接手，現在要的是一路做完、你能放心丟給它。
Amrita 在台上開了一隻新 bot：Data Dan。她用語音要它開一份 Google 表單，問一天喝幾杯咖啡、最喜歡哪家舊金山咖啡店，選項放 Ritual、Fields、Sightglass、Blue Bottle。bot 在自己的 Linux 虛擬機裡操作表單，還生了 QR code；第一版掃了沒反應，因為表單沒公開。Amrita 只跟它說「大家掃不到」，bot 就自己找到分享設定修好。她的重點是：講清楚症狀跟你要的結果，比下指令有用。
第二隻 bot 是 Slide Sonia。Amrita 示範「Teach a Task」：她接管 bot 的電腦，示範一次怎麼在 Google Slides 裡做飛入動畫，那段錄影就變成可以重複使用的 Skill。她還示範 routine：每天早上九點，幫我整理這份跟同事共用的簡報有哪些改動。
Peter Yang 上線時把話說得很直。他建議設計成自己喜歡做的工作，因為為了營收去做討厭的事，創業就失去意義。他最核心的一點是市場訊號要快點拿到：嘴上說好不算數，有人真的掏錢才算。他也提醒，點子很便宜，不要愛上第一個想法，團隊比點子重要；landing page 要真的送到買家面前，直播觀眾不一定有足夠的餐廳老闆；純軟體越來越難收錢，有實體或服務的成分，才比較有付錢的理由。他的 bot 每週五會用編號清單跟他回報。
Lauren 的幕僚長 bot Steve 給的建議最冷靜：現在缺的不是 landing page，「第一個循環是找到場地、找到會做或會賣食物的人，觀眾自然會來」。他們接受了這個順序，先把事情用手做一遍，再從痛苦的地方長出軟體。第一個完整概念因此成形：在舊金山辦一場食物 pop-up，加上一套「pop-up 作業系統」，連起主辦或廚師、場地、客人三種人；形式可能是售票的私廚餐會、限定餐廳、薯條攤，或讓餐廳老闆測試概念的平台。網站先切兩頁，一頁給餐廳跟活動主辦，一頁給自己這場活動的客人。
Cody Sanchez 講通路：決定要做什麼之前，先試著把這個生意賣給三個人；大部分公司拿不到創投資金，通路才是護城河，而「我看過的 AI 公司活不下來，最常見的原因就是沒有通路」。她說自己曾照著「找 A 級人才，然後不要管他們」做，結果那是一間一百五十人公司差點發不出薪水的唯一原因。她主張從第一天就存「proof vault」，見證、觀看數、截圖、成長紀錄全部留證據，也提醒先做五、六個真的有用的 lead magnet 丟到 X 上測。最後一句：「你把它蓋好，我保證，他們不會自己來。」
主持人問他，為什麼 Gwynne 能跟他合作這麼久。他說因為她很強，IQ 和 EQ 都好，這種事見到人就看得出來。至於「她哪一次救過你」這種問題，他說那對他來說就是日常，另一天進辦公室而已。主持人再問，像他這種位置的人很難拿到真話；Gwynne 說她不會想對他說謊。她的理由是火箭這行騙不了人：有問題，你遲早會知道，越早講越好解決，她的原則是「don't let bad shit sit」，有問題就要去打它。Elon 的說法是物理是很嚴厲的裁判。人類訂的法律他看過有人打破，物理訂的法律他沒看過誰打破；火箭沒進軌道就是沒進軌道，不會因為有人說你好話就改變。
話題轉到 AI 風險。主持人問他這七十二小時發生了什麼，他先請大家去看 Hugging Face 那個事件的細節，說很猛：一群狂熱的 AI agent 連續一個星期把 Hugging Face 打得很慘，還取得了 OpenAI 服務的管理權限，而 OpenAI 將近一週之後才發現。Anthropic 也回報了自己那邊的安全事件。他的結論是，任何夠聰明的模型，好像都會想脫離自己的限制。
「Dario 是對的」後面那半句
週末他在 X 上寫了「Dario is right」，之後又補了幾則貼文澄清，那些貼文受到的注意少得多。他在節目上把意思講清楚：他要說的是 AI 的危險在現在這個階段已經非常顯著，AI 安全必須做得更好，不然風險是指數在長。他說這些話他不只從 Dario 那裡聽到，也從 Anthropic 和 OpenAI 的很多人那裡聽到；當這麼多在做模型的人說自己的模型很危險，他認為應該相信他們。
他的提案是：讓主要的 AI 競爭對手互相測試彼此的模型。每一家都有自己的 test harness，也就是一整組固定要跑的測驗，看模型會不會去做生物武器、核彈，或是刻意騙人；現在各家都是自己測自己，等於自己改自己的考卷。他說如果每一家的 harness 都拿去測別人的模型，而且中國最強的三、四家也一起做，找到問題的機率會大很多，因為模型是異質的，會從不同角度被敲。他提到電影協會和遊戲產業的做法，也說這件事現在就能做，不必等國會生出一個管制機關。有人擔心這樣會互相偷技術，他說 harness 跑下去都會留紀錄，想蒸餾或偷 IP 會很明顯。
中國的部分他講得很現實：任何方案只要中國不接受，就等於自我閹割，最後什麼都不算。他知道美國的管制機關不可能去中國的 AI 公司查帳，所以能做的就是提前通知加測試：模型發布前先給 API 存取權，別家看到問題就先講，讓對方有機會修；如果對方不修，競爭對手可以公開說他們認為這個模型不安全。他判斷中國很難拒絕這種要求，因為一旦被點名危險還照發，之後真的出事，那個場面很難收拾，法律責任也會很大。主持人問他中國同意的機率有多高，他說這是很合理的要求；實務上沒有強制力，只有輿論的法庭，而他認為輿論的法庭可以很有力。
主持人提到 Lina Khan 前一天的貼文，說「AI 沒有法規」這句話是錯的，產品責任的法律本來就適用；如果 AI 公司推出不安全的產品，民事甚至刑事訴訟的空間都很大。Elon 接得很順：如果競爭對手已經公開警告，公司還是照發，後來真的出事，陪審團不會喜歡那個畫面，罰則會非常大，有人形容那會是菸草公司等級的和解。主持人建議這類安全 harness 沒有理由不開源，讓大家看得到裡面在測什麼，甚至可以拿來賣，等於給模型一個分級；另一位主持人補了誘因的部分，說你要證明別人的模型有問題，就得先投資自己的安全能力。
被問到 Terafab 的起點，他先開玩笑說 Terafab 是出現在他夢裡的。真正的理由有兩個。一個是台灣：如果有一天晶片因為任何理由不再從台灣出來，事情會非常難辦，所以要有自己的供應。另一個是規模：要把 AI 從伺服器中心一路做到人形機器人和車上的邊緣運算，現有晶圓廠的產能會不夠，而且每一家現在都已經在滿載。晶片不是只有邏輯，還要記憶體、封裝，整套都要有。他的結論很硬：不是蓋 Terafab，就是放棄規模化。
路線是 crawl、walk、run。第一步是在奧斯汀蓋一條研發線，由 Tesla 和 SpaceX 合作，設備都已經下訂，他估計明年底可以做出有點用的東西，但還談不上規模。他也承認他們現在還不太懂這些機器怎麼運作，之前只做過一條 voltage up line。主持人補了一句關鍵：封裝的產能現在幾乎等於不存在，就算你做出晶圓，也要排隊等封裝，所以從封裝切入是對的起點。他們現在已經在做封裝；主持人也提到看到他們在徵微影相關的人。有人問會不會有一天連 ASML 那條路都要自己想辦法，他的回答還是 crawl、walk、run：先證明能做出東西，再證明能做出有用的東西，最後才是大量生產。
然後話題跳到十月一號。主持人說他們看到的東西長得像太空船，不像車，還問他：假設要做一個又能飛又能開的東西，你會怎麼做。他要大家等到 10/1。他說到時候需要觀眾在場，來證明那東西不是 AI 生成的。另一位主持人說他看到的時候第一反應是「這模擬做得真好」，對方回他「這不是模擬」，他就說「這一定是假的」。Elon 的說法是，興奮是保證的，成功不保證。
節目最後他得離線去忙 GPU 的事。主持人問他要去幹嘛，他說要去 rack and stack，要去「rage against the machine」。主持人提醒他享受他的 Airstream，然後講了一個 Starbase 的故事：Elon 第一次邀他下去，說「來看看我在蓋什麼」，他問有沒有飯店，Elon 說沒有，我有個兩房的房子，來住；他到了才發現是一棟蓋在沼澤邊的破房子，蚊子多到不行。他問「你明明可以買一棟房子」，Elon 回他：「我沒時間，我得把火箭弄上去。」
第二件他覺得很少被好好談的，是控制，而且是企業那一側的控制。他換成企業的口氣把清單念出來：我要我的隱私；我要把公司的知識嵌進我控制的權重裡；我要看得見模型產生的整段思考過程（chain of thought）；我要拿它去微調自己的模型；我的 IP 不該漏出去。這一整包，對他的意思就是「這套堆疊要在我的手裡」。
Satya 說，這個對話該被放到優先位置。他的前提很簡單：如果美國在意這些安全顧慮，中國也該深深在意同一批顧慮。他們不會沒有同樣的駭客問題，也不會不想讓自己的公民得到 AI 的好處。所以只要把風險講得夠具體，國際規範是有可能存在的。他反問：為什麼這個風險會特殊到只有美國人在擔心？說不通。這種事要出錯，是全世界同時出錯；中國如果是超級強權，就該在意。
主持人問，那一整套要怎麼改變「關掉超智慧、停蓋 data center」這種民粹情緒？微軟自己在做什麼？
Satya 說他很專心地只回答一個問題：這東西到底讓誰受益，而且要拿具體的故事出來。生產力的故事前面講過，醫療、知識工作、寫程式；另一個故事是 data center。他說要在一個地方蓋 data center，難題是拿到許可。他們手上有最好的長期資料，是華盛頓州 Quincy 那座從 2008 年就開始的 data center。二十年下來，那裡的稅收成長十二倍，居民繳的稅少了三分之一，成長比西雅圖還高。那是個鄉下小鎮，有了新學校、新醫院、新的鎮中心、新的水上運動中心。很多人說這種設施沒什麼工作機會，但那二十年裡，那個區域累積了一千兩百個營建工作，因為這座園區一直在翻修、擴建，工程沒有停過。主持人問規模，他說現在至少四、五百兆瓦，而且還會繼續長。
主持人接著問，這種故事要怎麼讓別人講？故事現在不會自己長出來，微軟高層上台說「大家不用擔心，這對社區很好」也沒人信。Satya 同意，講故事是一回事，更關鍵的是科技業以外的人願意出來講。你去 Quincy，他們會跟你說「還好有這座 data center」。只有這樣才拿得到許可。他也承認，大家對科技業講的話有多不相信，所以現在得真的去做事，做到別人願意說「好，我相信你了」。主持人說這是一種新的肌肉，他回：這是一種新的肌肉。