Dwarkesh Patel改口：超级智能最早2027年，最迟2030年

科技播客圈的名嘴Dwarkesh Patel把自己先前的判断推翻了。他现在给出的时间表是：超级智能会在2030年之前到来，甚至可能更早。他把理由压在一点上——AI很快会把AI研发这件事本身自动化掉。

可就在几个月前，他讲的还是另一套：超级智能少说也得将近十年。

如今这个说法被他整个丢掉了。

他给出的中位时间点是2028年，届时AI研究员会被算法完全替代；要是进展顺利，2027年就能看到这一幕。

而一旦AI接手AI研发，整条技术演进的链条就会被猛地压缩。

原本要好几年才能攒下的技术家底，一年之内就能走完。照他的说法，2030年之前，人类在任何一个领域都会遇上超过人类顶尖专家的超级智能。

超级智能最快2027年到来这个判断，我前几天已经写过一篇。Dwarkesh的结论建立在METR对Anthropic的RSI推进速度所做深入调研之上，可信度更高，很值得一读。

我此前的文章：刚刚，深度调查Anthropic！RSI已经超出预期，超级智能提前到2027就会到来

现场数据：提速已经出现在眼前

头部大厂内部，算法自动化的苗头已经露出来了。

独立评测机构METR在Anthropic蹲点研究了三个月。

他们得出的结果是：Anthropic在明确任务上的研发推进速度，已经达到一年前的两倍。

这家机构说得很直接，眼下大部分提速，来自他们把AI大量用进了研发环节。

OpenAI

在这家公司，用AI最勤的那10%研究人员，每天调用内部编程Agent的花费，从初夏的1000美元一路涨到8月底的7000多美元。

没过多久，Anthropic也把数据摆了出来。

到8月为止，Claude承担了该公司超过26%的AI研发工作。

今年2月的时候，这个比例还不到1%。

数学只是预演，AI研发才是主战场

真正让人改了看法的，是AI在数学上的突然爆发。

这个过程快得让人反应不过来。

2023年，模型连四位数加法都算不明白。

2024年，高中数学竞赛题做起来还相当吃力。

2025年，它把国际数学奥林匹克竞赛金牌拿了下来。

前一阵子，它已经开始成批处理公开的埃尔德什数学猜想。

最近的一次是：AI 在 88 小时内拿下了 1 个千禧年难题。

有评论认为，眼下这套系统证明倒是能写，可深刻的新问题提不出来，全新的数学领域也开不了。

这话恰好戳到了要害——AI 压根不需要会提宏大理论，千禧年难题照样被它解掉了。

放在数学圈，这也许算个遗憾；搁到机器学习研究里，却正对胃口。

数学图的是把人的认知边界往外推，大家要的是群论、拓扑学那类底层框架，猜想的解答只是顺路捎回来的东西。

做 AI 研发的路数正好掉了个个儿。

实验室不看理论优不优雅，只盯两件事：实验结果能不能把训练成本压下来，模型能不能变得更机灵。

过去十几年深度学习往前走，本来就没靠多少高深的新理论，它要的是在海量线索里不厌其烦地翻找、试错、配对、拼接。

2017 年那篇 Transformer 论文就是个现成的例子。

论文发布之前，注意力机制、残差网络这些核心部件早就躺在文献里了。

当时圈子里不少人都看出来了，注意力机制对并行计算有帮助。

没更早做出来，症结在于得把六七个微调与创新凑到一块儿，威力才出得来。

这背后是一堆零碎实验，加上长时间的排列组合。

在现成的拼图堆里死磕最优解，这本事恰是 AI 在数学上露出的最强一手。

换作当年把这活儿交给今天的模型，它自己怕是就能把 Transformer 给试出来。

为何说 2028 年是一道坎

AI 研发这行，可验证性很高。

一个领域只要能自动核对结果，又允许练上成千上万次，AI 几年之内就能从不如普通人一路冲到压过人类大师。

竞技编程是这样，定义清楚的数学题是这样，AI 研发也一样。

最顶尖的科学家确实有说不清道不明的直觉，比如提前好几年就押注某条技术路线。

可模型的泛化能力，表现得很强。

OpenAI那个模型压根没针对千禧年难题做过训练，喂进去的全是海量、更基础也更可解的数学题，结果它自个儿就跨到了前人从没到过的地方。

AI研发这摊事，走的也是同一条路子。

数万次基础研发练习打底，再加上模型一代比一代强的理解力，碰上那些拿不到直接反馈的复杂环节，它照样能干得漂亮。

基准情形下的预测落在2028年。

要是照METR测出来的研发翻倍速度硬推，这个奇点没准2027年就冒出来了。

不过技术也可能被某块硬骨头卡住，拖到2032年之后才成，这种概率大约25%。

取代人类研发团队之后的三级火箭

AI的研究本事一旦追平顶尖人类，算法进步就会碰上三重加速。

头一重是运转速度快得离谱。

眼下系统干活的速度，差不多是人的10倍。

它们不用睡觉，也不过周末，一天到晚连轴转。

单看每周推进的工作量，一个AI研究员顶得上人类研究员的50倍。

就算把算力受限造成的边际递减算进去，整体研发节奏还是会被拉快好几倍。

第二重是智力水平直接拉满。

在一家前沿实验室里，核心算法进展有80%通常出自最核心的那几十号人。

各大巨头肯掏出几亿美元疯抢这些人，原因就在这儿。

研发一旦自动化，系统里每个工程实例都具备行业最顶尖头脑的水准。

第三重是规模上的极大并发。

有些活儿堆人也快不起来，写一本伟大小说就是例子。

可AI研发更像在形式化证明费马大定理，它拆成无数个模块化子任务，每一个都能单独验证。

一支团队去改进预训练数据清洗，另一支团队搭强化学习环境，还有团队在优化注意力算子。

成千上万个顶级研究员同时在各环节试方案，边际收益再怎么递减，整体进度也会被硬生生推着走。

奇点还是火花

这种加速一旦启动，世界会走上两条路里的一条。

说到底，决定走向的是递归自我改进能有多快，以及它能不能压过研究难度上涨的速度。

假如AI变聪明的速度快过新点子被耗尽的速度，出现的就是纯软件奇点。

在算力撞上物理天花板之前，模型会在几个月里自己迭代自己，最后长成人类完全无法理解的超级智能。

反过来，如果新想法先被掏空，那就落到火花情景。

一年之内，人类会看到三到六年的技术进展被强行压缩、集中释放出来。

打个比方，等于用12个月直接走完从GPT-3.5到GPT-6那一段路。

GPT-3.5那会儿，大家还在看它写打油诗、补全基础代码；等这段跨越走完，它已经能独立做出完整游戏，顺手还能产出

即便火花情景下软件提速慢了下来，AI也会调头去推硬件。

它们会以从未有过的水平设计新一代芯片、规划晶圆厂布局，甚至远程操纵机器人去建数据中心。

不管是几个月还是几年，最后都通向同一个结果。

现实世界没有标准答案，怎么拿下

不少人会问：AI在数据中心里刷题是厉害，可现实世界到处是不确定性，商业、法律、政治这些领域压根没有即时反馈，AI凭什么精通？

答案在于底层能力的迁移。

超级智能不必在出生前就把所有现实问题的答案写进权重。

它只要具备快速适应新环境的元学习能力就够了。

接下来的强化学习规模扩展中，自动化研究团队会搭出规模大上万倍的训练环境。

这些模拟环境的复杂度会远超今天的游戏。

几百万个AI会被放进高度仿真的数字经济体，互相竞争也互相合作，经历几个世纪尺度的公司演进，把最佳的组织运作逻辑摸出来。

AI还会拿人类过往的全部历史做海量回测。

给它1700年以前的人类语料，让它推导出广义相对论。

给它1962年古巴导弹危机爆发前的全部报纸，让它推演局势走向。

这种迁移能力，自然界早就验证过了。

人类的大脑，是被极其残酷又极其简单的进化机制塑造出来的，筛选标准只有一条：能不能活下来并繁衍后代。

进化从来没有专门为写传记、造光刻机或者治理国家去优化人类。

不过，那套在草原生存压力下打磨出来的通用学习结构，后来顺利迁移到了现代文明的各类复杂任务上。年轻人闯进陌生领域，一样能很快站到最高处。

拿破仑27岁便在欧洲战场横扫各大强权；洛克菲勒入行石油两年，25岁就掌管了全球最大的炼油厂之一。他们靠的不是几十年摸索，而是一颗极高素质的大脑，加上两三年的实战。

AI的数据吞吐能力更强。让它去管一家大企业，上岗头一天早上，它就能把这家公司历史上所有邮件、聊天记录和内部文档通读一遍。同一天里，它无数个分身还能同时访谈每一位员工和核心客户。人类要花几个月才吸收得了的上下文，它一天就能消化完。

放到现实世界里，它们在几个月内赶超行业顶尖人类，完全说得通。

关于技术细节与反驳意见的回应

AI研发之所以被确信能快速攻破，是因为三大支柱都各有明确的验证指标。预训练阶段，核心看模型在保留测试集上损失函数降了多少。也可以直接训练GPT-7去寻找更高效的训练配方，哪怕只在小模型上做实验，算法也能预测出大模型上的表现。

后训练阶段，新环境下的上手速度、各种基准测试集，都能把适应能力量化出来。推理优化阶段更不必说，GPU利用率、显存占用、端到端延迟，全是精确到毫秒和字节的硬指标。

对这种推演，业内主要有四个技术质疑，不过每一个都有解法。

第一，AI没有长期记忆，也不能持续学习，怎么做科研？

眼下并不一定非得等模型在每次任务后自主更新底层权重。把上下文窗口大幅拉长，让一次交互承载数个月的信息跨度，已经足够让单实例在特定任务中持续积累经验。

更关键的是，能解决千禧年难题的模型，就算像个失忆的天才，也有可能在当前架构下直接推导出持续学习的新解法。这就像一个人哪怕一直在翻跟头，也已经在赛道上追平了博尔特。

第二，真正颠覆性的研究方向没有验证指标，AI怎么找？

回看历史，Transformer最初被提出，就是为了刷当时的机器翻译榜单；推理模型也是为了冲代码和数学榜单。旧维度的验证标尺，完全量得出颠覆性技术的突破。

通用层面的外环指标其实很好设，比如看它能解开多少没见过的科学难题，或者多快能上手一项全新任务。那第三个问题就来了：数据不够用怎么办？

这几年预训练能往上走，数据筛选和合成出的力本来就比调模型结构大得多。DeepSeek近来的结果也说明，强化学习阶段拿到的收益，大头来自搭出规模更大、更多样、也更容易验证的合成数据和训练环境。

而造出更好的数据，本身就是一项标准的AI研发活儿，模型完全接得过来，靠自我博弈一轮轮迭代出更优质的训练材料。

第四个问题是，做研发实验的算力不够怎么办？可顶级实验室手里的算力储备，每年都在翻着倍数往上涨。

按预计，到2027年底，光OpenAI一家握着的资源，就够让数千个AI代理每天各跑一次完整训练，规模相当于GPT-3。

眼下这种研发方式对算力浪费得厉害，说到底是人类专家的人工太贵，大家宁愿粗放地开大集群，也腾不出精力做精细调优。

一旦AI研究员的数量多到极大，研发就会彻底转向拿精细劳动去换算力效率。它们能钻进去读每一条训练轨迹的报错，还能做极其密集的小型消融实验。

更关键的是，AI可以从这些小规模实验里提炼出更深的缩放法则。当年GPT-4团队用万分之一算力就能准确预测最终模型的损失，未来的智能体群同样找得到更精准的外推方法。

等无数个思考速度快上十倍的顶尖头脑，手上都握着每天跑完整个大模型的算力额度，算法进化的那个循环就彻底合上了。

参考：

https://www.dwarkesh.com/p/rsi