大数跨境

AI 圈顶流 7000 字长文刷屏!超级智能最快明年就来

AI 圈顶流 7000 字长文刷屏!超级智能最快明年就来 AI信息Gap
2026-11-16
0
导读:Dwarkesh Patel:「AI 在数学上的突破像一场雪崩,正在冲向 AI 研发本身。」

AI 圈知名播客 Dwarkesh Podcast 主持人 Dwarkesh Patel 近日发表长文预测,超级智能将在 2030 年前到来,最快可能于明年实现。其核心论据在于:AI 在数学领域的突破呈现雪崩式增长,并正反向推动 AI 研发本身的加速。

Patel 指出,一旦 AI 具备自主进行 AI 研发的能力,即便不出现传统意义上的“奇点”,其年度进展也将相当于过去四年的总和。

观点反转:从“AGI 尚远”到“2030 前抵达”

超级智能距离我们究竟还有多远?曾于去年发文质疑 AGI 临近的 Dwarkesh Patel,如今修正了自己的观点。

这一转变并非空穴来风,数据表明 AI 已开始深度参与自身研发。Anthropic 9 月公布的数据显示,截至 8 月,Claude 已主导了该机构 26% 的 AI 研发工作。研究员仅需提供大致方向,其余工作均由 Claude 独立完成。而在今年 2 月,这一比例尚不足 1%。

Dwarkesh Patel 是 AI 领域的意见领袖,OpenAI 联合创始人 Ilya Sutskever、Anthropic CEO Dario Amodei 等均曾做客其节目。去年 6 月,他曾撰文认为 AGI 不会迅速到来,理由是当时的 AI 缺乏“边干边学”的能力,每次新对话都如同从零开始。

数学能力的雪崩:AI 研发加速的核心驱动力

在最新发布的长篇文章中,Patel 详细阐述了观点转变的逻辑。他预测,AI 在研发能力上追平顶尖人类研究员的时间点可能在 2028 年,乐观情况下甚至只需数月。此后,各领域有望迅速涌现出不输于顶尖专家的超级智能。

促成这一判断的关键因素,是 AI 在数学领域展现出的惊人进化速度:

  • 2023 年:AI 难以准确完成四位数加法;
  • 2024 年:基本无法解答高中数学竞赛题;
  • 2025 年:斩获国际数学奥赛金牌;
  • 2026 年初:开始解决数学家埃尔德什(Erdős)遗留难题;
  • 2026 年 9 月:OpenAI 利用内部模型驱动约 1 万个智能体,耗时 88 小时攻克千禧年大奖难题之一的纳维-斯托克斯方程问题。

这种解题能力若迁移至 AI 研发领域,价值将更为巨大。与纯数学追求概念创新不同,AI 实验室更关注如何通过方案优化降低算力消耗、提升模型性能。正如 2017 年 Transformer 架构的诞生,其核心在于将注意力机制、残差连接等现有组件巧妙拼接并通过大量实验验证。而这正是当前 AI 所擅长的领域。未来的高级模型完全有可能自主发明出类似 Transformer 的突破性架构。

数据实证:AI 辅助研发效率倍增

第三方评测机构 METR 在 Anthropic 驻场评估三个月后发布的报告显示,在目标明确的任务中,Anthropic 提升模型能力的速度已是 2024 年 3 月至 2025 年 10 月期间的两倍。其中约 80% 的效率提升归功于 AI 对研发流程的大规模介入。

OpenAI 的数据同样佐证了这一趋势。9 月数据显示,使用智能体频率最高的前 10% 研究员,每人每天消耗的 Token 成本超过 7000 美元。

OpenAI 设定的目标是在 2028 年 3 月前开发出自动化 AI 研究员,这与 Patel 的预测高度吻合。

“树懒 AI”思想实验:思考速度决定研发上限

当 AI 研究员的能力追平人类顶尖水平时,研发速度将如何爆发?Patel 估算,当前 AI 的工作速度约为人类的 10 倍,且无需休息。综合计算,一个 AI 研究员一周的工作量相当于人类的 50 倍。考虑到顶级实验室 80% 的算法进步往往源于最顶尖的少数人才,可无限复制的 AI 研究员将带来质变。

针对“算力有限可能限制研发提速”的质疑,Patel 通过一个思想实验进行了反驳:

假设有一家“树懒 AI”公司,拥有与 OpenAI 相同的算力资源,但其人类研究员每周仅工作 1 小时。由于缺乏足够的时间进行实验设计与分析,大量算力将被浪费。Patel 估计,“树懒 AI”的研发进度至少比正常公司慢 5 倍。

这一实验证明,在算力恒定的情况下,研究员的“思考时间”直接决定研发进度。反之,AI 研究员具备更快的思考速度且全天候工作,其研发效率必将远超人类团队。人类的思考速度仅是演化过程中的偶然结果,而非物理极限。

该观点在社交平台上引发热议,许多原本期待算力瓶颈能遏制 AI 自我改进的网友表示深受震撼。

未来推演:纯软件奇点 vs 算力瓶颈

尽管 AI 研究员数量可无限扩展,但优质创意的稀缺性日益凸显。目前,AI 厂商需每年将研发算力提升至 4 倍、人员增加一倍,才能维持同等进步速度。未来走向取决于“AI 能力增强”与“好点子枯竭”两者的博弈:

  • 纯软件奇点:若 AI 变强速度快于创意枯竭,无需新增硬件,仅在数月内即可通过软件优化将现有芯片性能榨取至物理极限,诞生超级智能。
  • 增速放缓:若创意率先枯竭,AI 研发可能在一年内走完三至六年的路程,随后因等待新算力到位而降速。

Patel 认为这两种结局的概率各占 50%。

据估算,AI 研发首年即可实现相当于过去四年的技术跨越。这意味着在 12 个月内,技术水准将从类似 GPT-3.5 的水平跃升至 GPT-6 Astra 级别。后者不仅能从零开发完整游戏,还能持续产出菲尔兹奖级别的数学成果。

回顾过去四年,AI 已从“学龄前儿童”成长为“天才实习生”。若下一次同等规模的跃迁始于 2027 或 2028 年,届时的 AI 在芯片设计能力上或将超越英伟达。若配备远程操作的材料实验室,其发现室温超导体的速度甚至可能快于全人类。

Patel 表示,后续将进一步探讨超级智能的具体形态。2028 年这一关键时间节点,值得行业持续关注。

【声明】内容源于网络
0
0
AI信息Gap
各类跨境出海行业相关资讯
内容 1209
粉丝 0
AI信息Gap 各类跨境出海行业相关资讯
总阅读161.9k
粉丝0
内容1.2k