Transcription
我们每个人每天都在切身体会 AI 圈的变化。早上一睁眼，拿起手机刷新闻，就会发现：哇，又有一个新模型出来了；哇，AI 做视频变得更逼真了；天哪，AI 的逻辑推理能力又提升了一个台阶！
这种感觉，就像是我们所有人正坐在一列全速行驶的列车上。这列车的速度不是恒定的，它是越来越快。窗外的风景已经从清晰的树木变成了模糊的线条。我们大家都在惊叹于这种“无限加速”的快感，甚至开始习惯这种日新月异的节奏。
但就在我们所有人都沉浸在这种“加速主义”的狂欢时，坐在驾驶室里的那个人——达里奥·阿莫迪（Dario Amodei），在这次访谈中，用一种冷静得让人发指的语气，抛出了一个让所有人都大吃一惊的观点。他说：“我们其实已经接近这趟指数级增长列车的终点了（…were like near the end of the exponential）。”
听到这句话的时候，我们都会想：为什么他会用“终点”这个词？这听起来就像是你正在一艘全速前进的巨轮上，享受着速度与激情，结果船长突然拿起广播，淡定地告诉你：“注意啊，各位旅客，我们即将抵达已知世界的边界。”
这背后，必然隐藏着一个和我们普通公众的直觉完全不同的定义，以及一个只有身处技术风暴中心的人才能看到的全新视角。所以，阿莫迪口中的“终点”到底是什么意思？如果你以为他是说 AI 技术要凉了，或者要停滞了，那你就大错特错了。恰恰相反，他描述的未来图景，比我们以为的要震撼得多。
我们要去探究，在这个“终点”之后，等待我们的究竟是一个什么样的世界。为了把这件事情讲明白，我把今天的视频整理成了三个核心层面。
首先，我们要去解构一下这个被神话了的“指数增长”。阿莫迪提出了一个非常有意思，甚至听起来有点土的概念，叫做“the big blob of compute hypothesis”，大概是“计算大团块假说”这个意思。我们要看看，驱动这一轮 AI 爆发的底层逻辑，到底是什么？
其次，我们要聊聊一个极其具有冲击性的话题——“数据中心里的天才之国”。这个概念离我们到底有多远？阿莫迪给出的预测是惊人的“一到三年”。这背后，商业世界正在进行着怎样的豪赌？
最后，我们会把视角拉高，去触碰一些更宏大的命题。当技术像火箭一样窜升的时候，我们现实世界的经济、法律、甚至地缘政治，能不能跟得上？
咱们先从那个最反直觉的观点切入。在访谈的一开始，阿莫迪就扔下了一颗重磅炸弹。当德瓦尔克什·帕特尔（Dwarkesh Patel）问他，过去这三年，最让他感到惊讶的事情是什么？你猜猜他怎么说？他没有说 ChatGPT 的横空出世，也没有说某个具体的技术突破。他说：“技术本身的发展速度，其实基本符合我的预期。真正让我惊讶的，是公众——包括在座的各位，甚至很多业内人士——普遍没有意识到，我们离指数增长的终点有多近。”
这句话真的很耐人寻味。我们觉得快，他觉得快到头了。为什么？这其实是理解阿莫迪整个世界观的关键入口。一定要注意，他所说的“指数增长”，并不是一个哲学意义上永无止境的概念。他特指的是：在当前这个特定的技术范式之下，通过不断投入更多的算力、更多的数据，模型性能就会以一种可预测的方式持续提升的过程。这个过程，是有物理极限的。
为了解释这个极限，阿莫迪早在 2017 年——那个时候 GPT-1 甚至都还没个影儿——他就提出了一个核心理念。这个理念的名字起得特别有意思，甚至听起来有点“糙”，叫做“计算大团块假说”（the big blob of compute hypothesis）。你可能会问，这是个啥名字？听起来好像没什么技术含量，就是一团数据堆在一起？嘿，你别说，还真让你猜对了。
这个理论的颠覆性，恰恰就在于它的“简单粗暴”。阿莫迪认为，这一轮 AI 的爆发，根本不依赖于人类科学家那些精妙绝伦的奇思妙想，也不依赖于算法上有什么神来之笔。那些我们以为的“灵感迸发”，其实都没那么重要。真正决定 AI 能不能变强的，只有少数几件“笨事”。
他在访谈里非常清晰地列举了七个关键要素。这七个要素，就像是炼金术的配方，只要你凑齐了，奇迹就会发生。我们来仔细盘一盘这七个要素，你就会发现这背后的逻辑有多么冷酷。
第一个要素：原始计算量。这个最简单，就是你有多少张显卡，你有多少个 GPU 集群。这是一个纯拼财力的指标。
第二个要素：数据数量。这也好理解，你能弄到多少文本、图片、代码来喂给这个模型。
第三个要素：数据质量和分布。这一点非常关键，我们待会儿会细说。简单讲就是，你的数据不能光多，还得杂，还得精，要能覆盖人类知识的方方面面。
第四个要素：训练时长。你让这些机器轰隆隆地转了多久。
你发现没有？这前四个要素，听起来都和一个词有关——“规模”。这就是所谓的“力大砖飞”。好像只要资源管够，谁都能做。但是，接下来的三个要素，稍微带了一点技术门槛。
第五个要素，阿莫迪称之为“一个可以无限扩展的目标函数”。这个词听起来有点极客，我给你翻译一下，其实很好理解。比如我们现在的语言模型，它的训练目标就是“预测下一个词”，或者是强化学习里，“达成某个目标”。这种任务有一个什么特点呢？它的特点是没有尽头。它不像如果你去做一个“1+1等于几”的数学题，做对了就结束了。预测下一个词，让回答变得更好，这是一个开放式的任务，你可以无休止地让模型做下去，它总有那么一点点提升的空间。用阿莫迪的话说，这种任务可以“扩展到月球”。
最后两个要素，第六和第七，听起来特别枯燥。阿莫迪把它们称为归一化（Normalization）和调节（Conditioning）。这两个词听起来很像是在修水管，对吧？但这恰恰是阿莫迪作为物理学出身的 CEO，最独特的视角。你想象一下，当你把成千上万张显卡连在一起，输入万亿级别的数据，这在数学上其实是一股极其狂暴的能量洪流。如果没有这两个要素，这股洪流就会变成失控的湍流，计算数值会瞬间爆炸，模型训练直接崩溃。
而这两项技术的目的，就是为了驯服这头野兽。用阿莫迪原话来说，就是要确保这巨大的算力团块（Big Blob of Compute）能够形成一种层流（Laminar Flow）。什么叫层流呢？就是让这股惊涛骇浪，像平静、顺滑的液压油一样，在一个极其精密、有序的管道里丝滑地流淌。所以，这最后两个要素，讲的不是规模，而是秩序。只有做到了极致的数值稳定性，那所谓的大力出奇迹才有可能发生。
好了，这七个要素讲完了。你可能会想，这也不复杂啊。没错，这就是阿莫迪的核心观点：所谓的指数增长，本质上就是在这七个要素构成的框架内，不断加码、不断烧钱的过程。当我们将算力、数据、训练时长这些东西都推到极致的时候，这个范式下的潜力就会被挖掘殆尽。所以，当他说“终点临近”时，他并不是说 AI 不发展了，而是说：我们即将触及当前这个“大数据团”范式所能达到的能力天花板。
这就像我们在挖矿。过去几年，我们发现了一座巨大的金矿，我们发明了最高效的挖掘机，疯狂地开采。现在，阿莫迪告诉我们：各位，主矿脉快要被我们挖完了。
这里有一个特别生动的例子。阿莫迪在访谈里专门提到了，就是从 GPT-1 到 GPT-2 的那个转折点。这个例子完美地解释了为什么“数据分布”这个要素如此重要。其实 GPT-1 当时并没有引起太大的轰动。据说，GPT-1 的训练数据非常窄，主要是一些……你坐稳了啊，主要是一些同人小说。你没听错，就是那种粉丝写的同人小说。所以你可以想象，GPT-1 可能很擅长写那种狗血的对话或者戏剧性的情节。但是你让它去写代码、去解数学题、去分析历史，它完全是懵的。因为它“见识”太少了，它的世界观里只有小说。
但是到了 GPT-2，OpenAI 的团队做了一个关键的决定：他们不再挑食了。他们开始使用整个互联网的数据来进行训练。正是这个决定，让模型第一次真正获得了“泛化能力”。它不再只是一个小说家，它变成了百科全书。这就意味着，无论是让模型“读书”的预训练阶段，还是后来让它“做事”的强化学习阶段，本质上都遵循着同样的、简单粗暴的规模法则（Scaling Laws）。
阿莫迪在访谈里透露了一个很重要的信息：他们发现，不仅是预训练，现在连强化学习的效果，也和训练时长呈现出非常漂亮的、线性的对数关系。这进一步印证了他的观点——我们正在同时挖掘这两条路径的潜力，并且可能都快要挖到头了。
听到这儿，不知道你会不会有一种疑惑？反正我当时是挺怀疑的。如果不依赖巧妙的算法，全靠这种海量数据硬砸，这 AI 的效率……是不是也太低了？你想啊，我们人类学东西，可不需要读完整个互联网的数据啊。一个小孩子，你教他几次“猫”，他就知道什么是猫了。甚至一个物理学家，他只需要几本书，就能推导出宇宙的规律。如果我们现在的 AI，必须靠“穷举”所有的知识才能变强，那我们是不是走上了一条错误的、极其低效的技术路线？是不是就像以前的人想飞上天，拼命地造更大的风筝，而不是去发明飞机？
这个疑问非常关键，它触及到了当前 AI 研究的核心争论之一。而阿莫迪对此的回答，我认为是这次访谈中最具启发性、最精彩的一段。他提出了一个“光谱模型”。你在脑海里想象一条线，在这条线的最左端，是生物进化。进化是一个极其漫长的过程，它历经了数百万年，涉及的生物个体不计其数。这可以说是一个“超级大数据”的训练过程。通过这种漫长的自然选择，进化为我们的大脑预先写入了大量的“先验知识”和基础结构。我们的大脑不是一块白板，它更像是一台预装了高级操作系统的电脑。比如，我们天生就会关注人脸，我们天生就有处理语言结构的脑区。这些能力不是你后天学来的，是你还没有出生，就被写在基因里的。这是光谱的一端：效率极低，耗时极长，但构建了坚实的基础。
那么光谱的另一端，也就是最右端，是什么呢？是人类的即时学习。得益于进化赋予我们的这套强大硬件，我们人类的学习效率高得惊人。我们可以几分钟学会一个新软件，几个小时理解一个新概念。这种“样本效率”是极高的。
好了，那么现在的 AI，也就是大语言模型，它在这个光谱的什么位置呢？这就是最颠覆认知的地方。阿莫迪认为：AI 的预训练和强化学习过程，恰好就位于这两者之间。模型刚开始训练的时候，它的参数是随机的，它才是一块真正的“白板”。它没有几百万年的进化史给它打底，所以它需要海量的、万亿级别的词语数据来弥补这一点，来从零开始构建起对世界的基本认知。这个过程，既像是在模拟一次浓缩版的“生物进化”，又像是一种超长期的“学习”。
所以，当我们拿人类的学习效率去和 AI 的预训练做比较时，其实是在拿“苹果”和“橙子”做比较。人类之所以学得快，是因为我们的先验知识是“硬编码”（Hardcoded）在基因里的，那是进化的功劳。而 AI 呢，它是通过海量数据训练，把这些先验知识“软编码”（Softcoded）进它的模型权重里。所以，当我们抱怨 AI 太笨、需要万亿词汇才能学会说话的时候，这就像是在抱怨“进化”这个过程为什么需要几百万年一样。这是一个根本性的误解。
阿莫迪还补充了一个很有趣的细节。虽然 AI 的“预训练”效率低，但在那个长长的上下文窗口里，当你给它一篇几百页的文档，它能迅速理解并回答问题。这种能力，其实就更接近我们人类的“短期学习”了。所以，AI 其实是一个混合体，它的能力错位的、片段化的分布在这个光谱上。这个视角，至少为我们理解“为什么 AI 需要这么多数据”提供了一个非常合理的解释框架。
好，如果说刚才我们聊的是理论，那么接下来，我们要聊点让人坐立不安的现实了。如果 AI 真的拥有了这种介于进化和学习之间的强大能力，如果我们把那个“大数据团”的潜力挖到底，会发生什么？我们离那个能像人类一样思考、工作的通用人工智能（AGI），到底还有多远？
在这个问题上，阿莫迪没有打太极。他给出了一个堪称“炸裂”的时间表。当被问到具体时间时，他说：“在未来十年内实现我所说的数据中心里的天才之国，我有 90% 的信心。” 90%！对于一个严谨的科学家来说，这个数字几乎就等同于“板上钉钉”。这基本上意味着，在他看来，十年内实现 AGI 已经不是一个“是否”的问题，而是一个“如何”的问题。
但还不是最吓人的。真正让人倒吸一口凉气的是他接下来的个人猜测。他说：“我个人猜测，这件事有 50% 的可能性，在未来一到三年内发生。” 一到三年！你想想，那也就是 2027 年至 2029 年左右。这和我们公众普遍认为的“十年、二十年甚至遥遥无期”，差别挺大的。这几乎是在说，我们此刻，就正站在历史剧变的悬崖边上，脚下的石头已经开始松动了。
他凭什么敢这么说？他的信心到底从哪儿来的？这主要来源于那些可验证的任务，特别是——编程。阿莫迪在访谈中描述了一个非常清晰的“AI 取代软件工程”路线图。这个路线图清晰得让人害怕。我们来一步步拆解一下：
第一阶段：AI 编写 90% 的代码行。阿莫迪认为，在某些垂直领域，这其实已经实现了。现在的程序员们应该深有体会，这类的工具已经能写很多代码了。
第二阶段：AI 编写 100% 的代码行。
第三阶段：AI 完成 90% 的“端到端”软件工程任务。注意，这里说的不再是简单的写代码（Coding），而是工程（Engineering）。这包括写设计文档、进行测试、环境部署、沟通协调等等。
第四阶段：AI 完成 100% 的软件工程任务。
第五阶段：这也是最让人细思极恐的阶段——社会对软件工程的总需求下降 90%。为什么需求会下降呢？因为当 AI 能完美解决所有问题时，我们可能根本不需要那么多软件了，或者软件的生产方式发生了根本性的质变。
阿莫迪几乎确定，在一到两年之内，AI 就能完成端到端的软件工程任务。虽然他也承认，在那些难以验证的任务上，比如策划一次火星任务、写一部传世小说，还存在一些不确定性。但他认为，哪怕仅仅是从编程这类任务上获得的强大泛化能力，很可能就足以覆盖那些难以验证的领域。
听到这里，你可能会有一个巨大的疑问：“你刚才说得这么玄乎，既然技术发展这么快，为什么我们的现实世界还没变天呢？为什么我看我的老板还在用 Excel？为什么我们的 GDP 没有突然暴涨呢？”
这就要说到阿莫迪提出的另一个极其深刻的洞察——两条并行的指数曲线。一条曲线，是模型能力的增长。这条线非常陡峭，几乎是垂直向上的，就像我们刚才说的，可能一两年内就会有巨大突破。但另一条曲线，是模型在经济中扩散和应用的增长。这条线虽然也很快，但它受到现实世界的巨大阻力。
阿莫迪拿自己的公司 Anthropic 举了个例子。他们的收入增长速度简直是商业史上的奇迹：从 0 到 1 亿美元，再到 10 亿美元，再接近 100 亿美元，每年 10 倍的增长。但是，这依然不够“快”。为什么？因为组织是有惯性的。一个大型企业要真正应用 AI，是需要时间的。它需要内部流程改造、需要做数据安全合规审查、需要法律部门点头、需要员工培训、需要改变几十年的工作习惯。一个世界 500 强的食品公司，它采纳新技术的速度，天然就要比一个只有 3 个人的创业公司慢上一年半载。
这就导致了一个巨大的商业困境，也是我觉得访谈里最精彩、最像“惊悚片”的部分——数据中心的豪赌。你从 OpenAI 的星际之门项目的新闻报道就能知道，训练这些顶级模型，需要提前很久去采购芯片、建设数据中心。这个周期可能是一到两年，投入资金是数万亿级别的。作为一个 CEO，阿莫迪面临的是一场在刀锋上的舞蹈。如果你预测 AI 能力每年增长 10 倍，你就要按这个预期去投钱建厂。但是，如果你的预测出现了一点点偏差——比如说，这个能力的实现晚了一年？或者市场的增长率最终是 5 倍而不是 10 倍？结果就是你的公司会因为承受不起那巨额的闲置计算成本，瞬间破产。
即使阿莫迪个人坚信“天才之国”近在咫尺，但是他作为一个对公司负责的 CEO，他也不敢进行那种最激进的投资。这是一种在“抓住巨大机遇”和“规避破产风险”之间的艰难平衡。这也解释了为什么我们还没有看到世界大变样——因为技术潜力和现实应用之间，存在一个看似矛盾却又无比真实的“时间差”。
最后，我们把目光从商业拉到全球。当这种能够改变世界的力量掌握在少数几家公司、甚至少数几个国家手里时，阿莫迪在访谈中表达了深切的忧虑。他认为，随着 AI 能力的指数级跃升，我们可能会进入一个“进攻主导”（Offense Dominant）的世界。在这个世界里，一个强大的 AI 系统可能会以不成比例的方式造成巨大的破坏，这改变了过去几十年相对稳定的战略平衡。
因此，他非常明确地主张，要对出口的先进芯片进行管制。他的逻辑很直接，主要有两点：第一，他担心 AI 会被威权政府用来更高效地压迫自己的人民；第二，他认为在未来的全球新秩序谈判中，民主国家需要手握更强的技术筹码，才能在制定游戏规则时拥有更多话语权。
这背后其实是一个更深层的思考。阿莫迪用了一个很重的词，叫“道德上过时”（Morally Obsolete）。他的意思是，新技术可能会从根本上动摇旧的治理结构的合法性，就像工业革命最终淘汰了封建制度一样。AGI 的出现，可能会让某些治理模式显得既低效又不人道。不过，他也坦诚，这是一个巨大的难题。我们既要阻止技术被滥用，又想让技术普惠全人类，怎么平衡？
他提出了一个设想：或许我们可以向那些我们防备的国家出售 AI 带来的“成果”，比如用 AI 研发的新药、新的清洁能源技术，但绝对不出售制作 AI 的“工具”，也就是芯片和数据中心。这确实是一个复杂并且充满争议的议题，但它无疑将是未来几年国际政治桌面上最核心的谈判筹码。
在访谈的最后，阿莫迪分享了一个非常个人化的细节，让我印象深刻。他说，为了确保公司内 2500 名员工能够真正理解这一切，能够对齐使命和价值观，他会定期举办一个叫“达里奥的愿景之旅”的内部交流会。在这个会上，他会非常坦诚地分享他所有的思考，包括那些恐惧、那些不确定性。这或许也在暗示我们：在这样一个技术飞速发展、未来充满迷雾的时代，清晰、坦诚的沟通，以及对核心价值观的坚守，可能和技术突破本身同样重要。
好了，让我们来回顾一下今天的内容。我们看到了一个复杂而又充满张力的未来图景。一方面，是技术内部纯粹、迅猛、近乎失控的指数级增长，它遵循着“大数据团”的物理法则，冷酷而高效，正朝着那个“天才之国”狂奔而去。另一方面，是现实世界中充满摩擦、延迟和巨大风险的商业与社会系统，它有人性的考量，有组织的惯性，有经济的规律。阿莫迪，以及像他这样的人，正站在在这两种力量的交汇点上，他们试图在加速冲向未来的同时，为这辆失控的列车找到一条安全的前进道路。
好的，今天的视频就先聊到这里。如果你喜欢今天的节目，别忘了点赞、分享，并订阅我的频道，及时获取科技资讯和深度解析。感谢观看，我们下期再见！