著名科技播客主理人Dwarkesh Patel近日公开修正其先前观点,断言超级智能(ASI)将在2030年甚至更早降临。这一判断的核心依据在于,人工智能即将实现研发工作的完全自动化。
此前,Patel认为超级智能至少需要十年时间才能到来。然而,随着AI研究员被算法取代的中位时间点被预测为2028年(乐观估计为2027年),一旦AI掌握自我研发能力,技术进程将被剧烈压缩。预计在2030年前,人类将在各个领域面对超越顶尖专家的超级智能。
现场数据:加速已然发生
算法自动化的迹象已在头部科技企业中显现。独立评测机构METR在Anthropic驻场研究三个月后得出结论:Anthropic在明确任务上的研发推进速度较一年前翻倍,且主要得益于AI在研发环节的广泛应用。
OpenAI的数据显示,其团队中使用AI最频繁的前10%研究人员,每天调用内部编程Agent的成本从初夏的1000美元激增至8月底的7000多美元。Anthropic亦公开数据证实,截至8月,Claude已主导公司超过26%的AI研发工作,而今年2月这一比例尚不足1%。
数学只是预演,AI研发才是主战场
促使认知转变的关键推力来自AI在数学领域的爆发式进步。从2023年难以完成四位数加法,到2025年斩获国际数学奥林匹克竞赛金牌,再到近期在88小时内解决千禧年难题,AI展现了惊人的解题能力。
尽管有观点认为当前系统虽能证明猜想,却难以提出深刻新问题或开辟全新领域,但这恰恰契合机器学习研究的特性。与追求底层理论框架的人类数学家不同,AI研发更注重实验结果、成本降低及模型性能提升。
深度学习的发展本就依赖于在海量线索中不知疲倦地搜索、尝试与组合。以Transformer架构为例,其核心构件在2017年前已存在于文献中,但需通过大量琐碎实验将多个微调创新拼接方能展现威力。这种在既有方案中搜索最佳解的能力,正是AI的长处。若由当前模型执行该任务,其完全有能力自主复现并优化Transformer架构。
为何判断2028年是关键节点
AI研发属于高可验证性领域。只要具备自动核对结果的能力并允许大规模练习,AI便能迅速从普通水平跃升至碾压人类大师。竞技编程、明确定义的数学问题及AI研发均符合此逻辑。
尽管顶级科学家拥有难以捉摸的直觉,但模型展现出极强的泛化能力。OpenAI模型未专门训练解决千禧年难题,仅通过刷海量基础数学题便实现了跨越。同理,在AI研发中,数以万计的基础练习加上模型代际递增的理解力,使其在无直接反馈的复杂环节同样表现出色。
基准预测显示,AI研发能力追平人类的拐点将在2028年出现。若按METR测算的研发翻倍速度推算,这一奇点甚至可能提前至2027年。当然,若遭遇技术瓶颈,这一进程也可能延后至2032年之后,但该概率约为25%。
替代人类研发团队后的三级加速
一旦AI研究能力追平顶尖人类,算法进步将迎来三重加速:
第一,极快的运转速度。当前系统处理任务速度约为人类的10倍,且全天候无休。每个AI研究员每周的工作量相当于人类研究员的50倍,即使考虑算力边际效应递减,整体研发节奏仍将大幅加快。
第二,顶配的智力水平。前沿实验室中,80%的核心进展往往来自少数顶尖人才。研发自动化后,系统中的每一个工程实例都将具备行业最顶级的智力水平。
第三,极大的规模并发。AI研发由无数可独立验证的模块化子任务构成。当成千上万个“顶级研究员”同时在数据清洗、强化学习环境搭建、算子优化等环节测试方案时,整体进度将被强力推动。
奇点还是火花:两种演进路径
加速启动后,世界可能走向两条路径之一,关键在于递归自我改进的速度能否跑赢研究难度上升的速度。
若AI变聪明速度超过新点子枯竭速度,将形成“纯软件奇点”。在算力物理极限到来前,模型可能在数月内完成自我迭代,形成彻底超越人类理解的超级智能。
若新想法耗尽速度更快,则出现“火花情景”。一年内,三到六年的技术进展将被暴力压缩释放,相当于在12个月内完成从GPT-3.5到GPT-6级别的跨越。届时,AI不仅能独立开发完整游戏,还能产出菲尔兹奖级别的数学成果。即便软件提速放缓,AI也将转向硬件设计,以前所未有的水平规划芯片、晶圆厂乃至数据中心建设。
如何应对无标准答案的现实世界
针对AI难以应对商业、法律、政治等缺乏即时反馈领域的质疑,答案在于底层能力的迁移。超级智能无需预设所有现实问题的答案,只需掌握快速适应新环境的元学习能力。
自动化研究团队将构建规模大上万倍的训练环境,让数百万个AI在高度仿真的数字经济体中竞争合作,模拟数个世纪的公司演进。此外,AI还将对人类历史进行海量回测,如基于1700年前的语料推导广义相对论,或基于古巴导弹危机前的报纸推演局势。
这种迁移能力已被自然界验证。人类大脑经简单进化机制塑造,却能成功应对现代文明复杂任务。同理,年轻人如拿破仑、洛克菲勒能在极短时间内登顶陌生领域,依靠的是高素质大脑加短期实战。AI拥有更强的数据吞吐能力,上岗首日即可消化企业历史文档并访谈全员,数月内赶超行业顶尖人类并非空谈。
技术细节与质疑回应
确信AI研发能被快速攻破,因其三大支柱均有明确验证指标:预训练阶段看损失函数下降幅度;后训练阶段量化适应能力;推理优化阶段则关注GPU利用率、显存占用等硬指标。
针对业内四大技术质疑,目前均有解法:
1. 长期记忆与持续学习:无需等待模型自主更新权重,通过大幅拉长上下文窗口,单次交互即可承载数月信息跨度。且具备解决千禧年难题能力的模型,有望在当前架构下直接推导持续学习的新解法。
2. 颠覆性方向缺乏验证指标:回顾历史,Transformer和推理模型的突破均源于对特定榜单的追求。旧维度的验证标尺足以度量颠覆性技术,通用外环指标如“解决未知科学难题数量”易于设定。
3. 数据耗尽问题:近期进步表明,数据筛选和合成带来的提升远超结构调整。生成更优质的合成数据本身就是标准的AI研发任务,模型可通过自我博弈迭代出更好的训练材料。
4. 算力限制:顶级实验室算力储备每年数倍扩张。预计2027年底,仅OpenAI的资源就足以支持数千个AI代理每天完成一次GPT-3规模的完整训练。当AI研究员数量庞大,研发模式将转向用精细化劳动换取算力效率,通过密集微型消融实验提炼更精准的缩放法则。
当无数个思考速度快十倍、掌握海量算力资源的顶级头脑协同工作,算法进化的闭环将彻底确立。

