Dwarkesh Patel改口：超级智能2027年到来最迟2030年

著名科技播客主理人Dwarkesh Patel公开推翻了自己过去的判断，他断言超级智能将在2030年甚至更早降临，核心原因在于AI即将彻底自动化AI研发本身。

几个月前，他的观点还是超级智能至少需要近十年。

现在他的看法彻底变了。

AI研究员完全被算法取代的中位时间是2028年，快的话可能就在2027年。

一旦AI学会做AI研发，整个技术进程会被瞬间压缩。

一年之内跨越数年的技术积累，在2030年之前，人类将在每一个领域面对超越人类顶尖专家的超级智能。

关于超级智能最快2027到来，我前几天就写过一篇文章，Dwarkesh的观点是在METR深入调研anthropic 的RSI推进速度基础上整理的更为可信的结论，非常值得一读

我之前的文章：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：加速已经发生

算法自动化的迹象已经出现在头部大厂里。

独立评测机构METR在Anthropic驻场研究了三个月。

他们的结论显示，Anthropic在明确任务上的研发推进速度是一年前的两倍。

这家机构明确指出，目前大部分提速来自他们广泛使用AI进行研发。

OpenAI在9月发布过一组数据。

在他们团队中，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美元暴涨到了8月底的7000多美元。

Anthropic随后也公开了数据。

截至8月，Claude主导了公司超过26%的AI研发工作。

而在今年2月，这个数字还不到1% 。

数学只是预演，AI研发才是主战场

让人转变认知的关键推力，是AI在数学领域的爆发。

这个进程快得让人眩晕。

2023年，模型连四位数加法都算不明白。

2024年，高中数学竞赛题它做起来都很费劲。

2025年，拿下了国际数学奥林匹克竞赛金牌。

前段时间，它开始批量解决公开的埃尔德什数学猜想。

到了最近，AI在88小时内解决了一个千禧年难题。

有人评价，现在的系统虽然能搞定证明，但提不出深刻的新问题，也开辟不了全新的数学领域。

这个评价恰恰点出了关键。

AI甚至根本不需要具备提出宏大理论的能力，就已经拿下了千禧年难题。

这一点在数学领域或许是个缺憾，但在机器学习研究里，完全是天作之合。

数学研究的目的是拓展人类的认知边界，人们想要的是群论、拓扑学这种底层框架，解开几个猜想只是顺带的副产品。

AI研发完全相反。

实验室不在乎理论本身优不优雅，大家只看实验结果能不能降低训练成本，模型能不能变得更聪明。

过去十几年深度学习的发展，本来也没依赖多少深奥的新理论。

它需要的就是在海量线索中不知疲倦地搜寻、尝试、匹配组合。

当年Transformer架构的诞生就是典型例子。

在2017年论文发布前，注意力机制、残差网络这些核心构件早就存在于文献里了。

当时研究圈很多人都意识到注意力机制有助于并行计算。

之所以没有更早做出来，是因为要把六七个微调和创新拼在一起才能展现出威力。

这需要大量的琐碎实验和持久的排列组合。

这种在既有拼图里疯狂搜索最佳解的能力，正好是AI在数学里展现出的最大长处。

如果当年把这套任务交给现在的模型，它自己就能把Transformer试出来。

为什么判断2028年是个坎

AI研发是一个高可验证性的领域。

只要一个领域能够自动核对结果，并且允许进行成千上万次练习，AI就会在几年内从不如普通人狂飙到碾压人类大师。

竞技编程如此，明确定义的数学问题如此，AI研发同样如此。

虽然最顶级的科学家有着难以捉摸的直觉，比如提前数年押注某个技术路线。

但模型展现出了极强的泛化能力。

OpenAI的模型并没有专门训练过怎么解千禧年难题，它只是刷了海量更基础、更可解的数学题，就自己跨越到了前人从未到达过的地方。

在AI研发上也是同一个逻辑。

数以万计的基础研发练习，加上模型本身代际递增的理解力，会让它在没有直接反馈的复杂环节同样表现出色。

基准预测是2028年。

如果按METR测算出的研发翻倍速度机械推算，这个奇点甚至可能在2027年发生。

当然，技术也可能在某个硬骨头面前卡住，导致2032年之后才能达成，这个概率大概是25%。

替代人类研发团队后的三级火箭

一旦AI的研究能力追平顶尖人类，算法进步会遇到三重加速推进。

第一是极快的运转速度。

目前的系统处理任务的速度大约是人类的10倍。

它们不需要睡觉，不需要过周末，全天候无休。

每个AI研究员每周推进的工作量相当于人类研究员的50倍。

即使考虑到算力限制带来的边际效应递减，整体研发节奏依然会被拉快数倍。

第二是顶配的智力水平。

在一家前沿实验室里，80%的核心算法进展通常来自最核心的几十个人。

各大巨头才会砸出几亿美元疯抢这些人。

一旦研发实现自动化，系统里的每一个工程实例，都会拥有行业最顶级头脑的水平。

第三是极大的规模并发。

有些任务无法通过堆人来加速，比如写一本伟大小说。

但AI研发更像是形式化证明费马大定理，它由无数个模块化的子任务构成，每一个都可以独立验证。

一支团队改进预训练数据清洗，另一支团队搭建强化学习环境，还有团队优化注意力算子。

当成千上万个顶级研究员同时在各个环节测试方案，哪怕边际收益递减，整体进度也会被粗暴地推着往前走。

奇点还是火花

这种加速启动后，世界会走向两条路中的一条。

关键在于递归自我改进的速度，能不能跑赢研究难度上升的速度。

如果AI变聪明的速度超过了新点子枯竭的速度，那就是纯软件奇点。

在算力物理极限到来之前，模型会在几个月内完成自我迭代，最终形成彻底超越人类理解的超级智能。

如果新想法耗尽的速度更快，就会出现火花情景。

一年之内，人类会看到三到六年的技术进展被暴力压缩释放。

这就好比在12个月里，直接完成从GPT-3.5到GPT-6级别的跨越。

GPT-3.5时代大家还在看它写打油诗和补全基础代码，而到跨越完成时，它已经能独立开发完整游戏，顺手产出菲尔兹奖级别的数学成果。

就算在火花情景下软件提速慢了下来，AI也会转头去推硬件。

它会以前所未有的水平去设计新一代芯片、规划晶圆厂布局，甚至远程操控机器人去盖数据中心。

无论是几个月还是几年，最终都会通向同一个结果。

怎么搞定没有标准答案的现实世界

很多人会有疑问：AI在数据中心里刷题确实厉害，但现实世界充满不确定性，商业、法律、政治这些领域根本没有即时反馈，AI怎么可能精通？

答案藏在底层能力的迁移上。

超级智能不需要在出生前就把所有现实问题的答案写进权重里。

它只需要掌握快速适应新环境的元学习能力。

在接下来的强化学习规模扩展中，自动化研究团队会构建出规模大上万倍的训练环境。

那些模拟环境的复杂度会远远超过今天的游戏。

几百万个AI会被丢进高度仿真的数字经济体里，彼此竞争合作，经历几个世纪尺度的公司演进，摸索最佳的组织运作逻辑。

AI还会在人类过往的全部历史上进行海量回测。

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。

这种迁移能力在自然界早就被验证过。

人类的大脑是由极其残酷简单的进化机制塑造出来的，筛选标准只是能不能活下来并且繁衍后代。

进化从来没有专门针对写传记、造光刻机或者治理国家来优化人类。

但面对草原生存压力进化出来的通用学习结构，成功迁移到了现代文明的各类复杂任务中。

更何况，年轻人进入陌生领域也能迅速登顶。

拿破仑27岁就在欧洲战场横扫各大强权，洛克菲勒进入石油行业两年就在25岁掌管了全球最大的炼油厂之一。

他们不需要几十年的摸索，只需要极高素质的大脑加上两三年的实战。

AI拥有更强的数据吞吐能力。

如果要让它去管理一家大企业，上岗的第一天早上，它就能通读这家公司历史上的所有邮件、聊天记录和内部文档。

同一天内，它的无数个分身可以同时访谈每一位员工和核心客户。

人类需要花几个月才能吸收的上下文，它一天之内就能消化完毕。

被部署到现实世界后，它们在几个月内赶超行业顶尖人类是完全成立的。

关于技术细节与反驳意见的回应

之所以确信AI研发能被快速攻破，是因为AI研发的三大支柱都有明确的验证指标。

预训练阶段，核心看模型在保留测试集上的损失函数下降幅度。

你可以直接训练GPT-7去寻找更高效的训练配方，哪怕在小模型上做实验，也能通过算法预测大模型上的表现。

后训练阶段，可以通过新环境下的上手速度、各种基准测试集来量化适应能力。

推理优化阶段更不用说，GPU利用率、显存占用、端到端延迟，全都是精确到毫秒和字节的硬指标。

针对这种推演，业内主要有四个技术质疑，但每一个都有解法。

第一，AI缺乏长期记忆和持续学习能力，怎么做科研？

目前并不一定非要等到模型能在每次任务后自主更新底层权重。

通过上下文窗口的大幅拉长，让一次交互能够承载数个月的信息跨度，已经足以让单实例在特定任务中持续积累经验。

更重要的是，能够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？

回顾历史，Transformer最初被提出来就是为了刷当时的机器翻译榜单，而推理模型也是为了冲代码和数学榜单。

旧维度的验证标尺，完全能够度量出颠覆性技术的突破。

通用的外环指标非常容易设定，比如解决未知科学难题的数量，或者掌握从未见过的新任务的速度。

第三，数据不够用了怎么办？

过去几年预训练的进步里，数据筛选和合成带来的提升本来就远远大于模型结构的调整。

DeepSeek近期的成果也表明，强化学习阶段的大部分收益来自构建出规模更大、更多样、更易验证的合成数据和训练环境。

生成更好的数据本身就是一项标准的AI研发任务，模型完全可以接管这个过程，通过自我博弈迭代出更好的训练材料。

第四，没有那么多算力做研发实验怎么办？

顶级实验室的算力储备每年都在以数倍的速度扩张。

预计到2027年底，仅OpenAI一家拥有的资源，就足以让数千个AI代理每天各自完成一次规模相当于GPT-3的完整训练。

现在的研发模式极其浪费算力，是因为人类专家的工作时间太贵，大家宁可粗暴地跑大规模集群，也没精力去精细化调优。

当AI研究员的数量变得极其庞大，研发模式会彻底转向用精细化劳动换取算力效率。

它们可以深入阅读每一次训练轨迹的报错，做极度密集的微型消融实验。

更重要的是，AI能够从小规模实验中提炼出更深刻的缩放法则。

就像当年GPT-4的团队可以用万分之一的算力准确预测最终模型的损失一样，未来的智能体群完全能够找到更加精准的外推科学。

当无数个思考速度快上十倍的顶级头脑，掌握着每天跑完整大模型的算力额度，算法进化的闭环就彻底锁死了。

参考：

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