“我90%确信，2035年前人类将迎来‘数据中心里的天才国度’——甚至可能就在一两年内。”
Anthropic的联合创始人兼CEO达里奥·阿莫代伊（Dario Amodei）说出这句话时，语气平静得像在预言明天的天气。
但真正让他感到意外的，或许不是技术进展太快，而是整个世界对此的认知严重滞后。在一场近150分钟的深度专访中，阿莫代伊向主持人德瓦克什·帕特尔（Dwarkesh Patel）反复强调了一个核心观点：我们离通用人工智能（AGI）的终点比任何人想象的都要近，而公众的注意力却仍停留在旧有的议题上。
“模型已经从聪慧的高中生、聪明的大学生，进化到能完成博士级工作，在编程方面甚至超越了人类水平。”他说，“如果有人断言十年后我们还达不到AGI，我觉得那才是疯狂的。”
那么，当AGI真的到来时，世界会变成什么样？为何Anthropic一边预测“天才国度”即将降临，一边又在算力投资上显得相对“克制”？当90%的代码由AI生成时，为什么90%的软件工程师不会立刻失业？一个AI生成的token，其价值为何能从几分钱跃升至几千万美元？
这场对话，几乎触及了AI未来发展的所有关键命题。
01 “苦涩的教训”再次应验：规模扩展的七个核心要素
帕特尔： 你觉得过去三年AI领域最大的变化是什么？
阿莫代伊： 底层技术的指数级发展基本符合我的预期。模型能力从“聪慧的高中生”到“聪明的大学生”，再到如今能处理博士和专业级别的工作，编程能力甚至实现了超越。最让我惊讶的反而是公众的认知——他们似乎完全没有意识到，我们离这个指数级增长的终点已经如此之近。
帕特尔： 现在关于“规模扩展”的主流假设到底是什么？预训练的扩展定律已被熟知，但强化学习的扩展似乎还没有公开的规律。
阿莫代伊： 我现在的假设与我2017年写《大计算块假说》（The Big Blob of Compute Hypothesis）时基本相同，也与图灵奖得主里奇·萨顿（Rich Sutton）在《苦涩的教训》（The Bitter Lesson）中阐述的观点一致。
这些假说认为，精巧的设计并非决定因素，真正重要的是几个硬性条件：原始算力、数据的规模、数据的质量与多样性、训练时长、一个能扩展到极致的优化目标（如预训练目标或强化学习目标），最后是恰当的归一化与条件化技术。
预训练的扩展定律是第一个例证，如今我们在强化学习（RLHF）上也观察到了同样的规律。模型在数学竞赛题上的表现与训练时长呈对数线性关系，其他强化学习任务也是如此。
帕特尔： 萨顿曾质疑，如果一个系统真正掌握了人类学习的核心原理，就不该需要耗费数十亿美元去学习如何使用Excel或浏览网页。我们仍需构建专门的强化学习环境来教授这些技能，这是否意味着当前的扩展方向存在问题？
阿莫代伊： 你把几件应该分开看待的事情混为一谈了。回顾预训练的发展史就能明白。在GPT-1之前，模型都在极小规模的数据集上训练，比如某些同人小说集，其泛化能力非常有限。
直到开始使用Common Crawl这类海量互联网数据进行训练，模型才获得了强大的泛化能力。强化学习遵循同样的逻辑：我们从简单的数学竞赛开始，扩展到代码生成，再延伸到更多任务，模型的泛化能力会随之增强。
至于样本效率，人类确实不需要阅读几万亿个单词来学习语言。但必须理解，预训练这个过程更接近于人类进化与个体学习之间的一种状态。我们的大脑不是白板，它携带了进化赋予的先验知识；而语言模型是从随机权重开始的。
所以我认为，预训练和强化学习可被视为一种“进化”，而模型在上下文中的学习则类似于“短期学习”。
02 “天才国度”一两年内降临，但90%的工程师不会失业
帕特尔： 你说我们接近指数级增长的终点。有些人可能预测2035年才会有类人智能。你看到了什么迹象，让你认为是一两年而非十年？
阿莫代伊： 我可以从两个层面来回答。2019年我第一次观察到规模扩展现象时，认为其成功的可能性是五成。现在，对于十年内实现“数据中心里的天才国度”，我有90%的把握。剩下的不确定性来自世界本身，比如战争、供应链中断等不可预测事件。
而那5%关于技术本身的不确定性，主要针对那些无法轻易验证的任务，例如规划火星任务、进行CRISPR级别的科学发现或创作小说。但对于可验证的任务，比如端到端的编程，我认为一两年内就能实现。说十年后还达不到，这在我看来才是疯狂的。
（译者注：在2026年1月发布的《技术的青春期》一文中，阿莫代伊将超强AI定义为“数据中心里的天才国度”，预测其将拥有相当于5000万个诺贝尔奖得主的脑力，每个AI实例都能以超人类速度运行，并在多个学科领域具备超越顶尖人类的智力水平。）
帕特尔： 但你如此强调“可验证性”，是否意味着你不相信模型的通用能力？人类同样擅长处理不可验证的事务。
阿莫代伊： 我们已经观察到大量从可验证领域向不可验证领域泛化的案例。以软件工程为例，模型撰写代码注释已经做得不错了。你可以统计AI编写的代码行数，在Anthropic内部和许多用户那里，90%的代码由AI生成已成为现实。但这其实是一个非常宽泛的标准。有人误以为这意味着将不再需要90%的软件工程师，这完全是两码事。
这是一个完整的、循序渐进的谱系，我曾用农业机械化来类比：第一步是90%的代码由AI编写；第二步是100%的代码由AI编写，这两步之间就蕴藏着生产力的巨大跃升。再进一步，是90%的端到端软件工程任务由AI完成，这包括了从编译、搭建环境、测试到撰写备忘录的全流程。然后是100%的当前软件工程任务由AI完成。
即便到了那一步，软件工程师也不会失业，他们可以转向更高层次的工作，比如项目管理或系统架构。再往后，才是对软件工程师岗位需求的实质性减少。
我们正在以极快的速度穿越这个谱系。我认为一到两年内，AI就能达到端到端完成软件工程任务的水平——那是一个完整的人类活动领域，不仅仅是写代码，而是完整地解决一个工程问题。
帕特尔： 人们开始使用Claude Code，但从宏观层面看，似乎尚未引发所谓的“软件复兴”。这是否说明我们高估了“天才国度”的短期影响力？
阿莫代伊： 我既同意效应不会立竿见影，也认为其扩散速度会非常快。在Anthropic内部，我们见证了每年约10倍的收入增长：2023年从0到1亿美元，2024年从1亿到10亿，2025年从10亿到90-100亿美元。今年年初这一趋势仍在持续。这条曲线当然无法永远持续，但其势头极其迅猛。
关键是要理解，有两个指数曲线在同时发生：一个是模型能力的指数增长，另一个是模型在经济中渗透和应用的指数增长。技术的扩散不是瞬间完成的，但它比历史上任何一次技术革命都要快得多。
03 六个月的人类编辑 vs 三秒钟的AI
帕特尔： 以视频编辑为例，人类编辑需要花费数月时间来了解特定观众的喜好和品味。如果一个AI系统需要在“入职”后像人类一样边工作边学习这些背景知识，你认为这何时能够实现？
阿莫代伊： 我认为，关键在于我们能否让AI真正精通“使用电脑”这项技能，即它能像人一样观看视频、检索资料、与团队沟通。事实上，我们正在取得进展：大约一年前，AI在衡量计算机使用能力的OSWorld基准测试上得分约为15%，如今已达到65-70%。计算机使用能力首先要跨过一个可靠性的门槛。
然而，要让它完美接手你积累了六个月经验的视频编辑工作，我们需要的是更强大的能力，即我所说的“数据中心里的天才国度”。如果你问我具体时间点，虽然我非常有信心所有这些将在10年内发生，但我的直觉是一到两年，最多不超过三年。
帕特尔： 但编码之所以进展神速，是因为代码库提供了一个结构化的外部记忆框架。对于视频编辑，没有这种现成的框架。如果不发展这种在工作中即时、持续学习的能力，我怀疑我们能否看到世界发生巨变。
阿莫代伊： 我认为有两件事需要考虑。
第一，当前的预训练和强化学习已经赋予了模型巨大的知识广度。仅凭这一点，就可能让我们达到模型在绝大多数事情上都优于人类的程度。再加上上下文学习的能力——如果给模型100万个token（相当于人类数天的阅读量），它确实能学会并应用新知识。在现有技术范式下，这两者的结合可能就足以催生“数据中心里的天才国度”。
第二，关于持续学习的概念，我们也在积极研究。未来一两年内，我们很有可能解决这个问题。其中一种直接的方法就是极大地延长模型的上下文窗口，从技术原理上讲，没有什么能阻止更长的上下文窗口正常工作。
帕特尔： 但上下文长度的增加似乎遇到了瓶颈。从2020年到2023年，我们从2K token增长到128K，可在此之后，当尝试远超此值的上下文时，模型的质量会显著下降。你看到了什么，让你认为1亿token的上下文是可行的？
阿莫代伊： 这主要是一个工程和算法问题。你提到的质量下降，很可能是因为你在较短的上下文窗口上训练模型，却试图在超长上下文中进行推理。如果你直接在更长的上下文窗口上进行训练，这个问题理论上是可以解决的。这很有挑战性，但并非不可能。
04 AGI迫在眉睫，为什么不买更多算力？
帕特尔： Anthropic曾预测，到2026年底或2027年初，我们将拥有“智力达到或超过诺贝尔奖得主水平的AI系统”。如果你真的相信这个时间表，逻辑上你应该想要尽可能庞大的数据中心。但你在公开场合却强调，相比竞争对手，你们在算力扩展上更“负责任”。这两者如何自洽？
阿莫代伊： 这其实是完全一致的，关键在于理解技术“扩散”的速度。假设技术进展如我所料，我们在一到两年内就拥有了“数据中心里的天才国度”——这是一个巨大的能力突破。
但这绝不意味着第二天就会有数万亿美元的收入涌入。经济层面的扩散需要时间：企业需要采购决策、走合规审批流程、培训员工、重构业务流程。
问题是这个扩散滞后期有多久？可能是一年，也可能是两年。我不确定。现在回到算力采购决策上。当我们决定购买多少数据中心算力时，我们看的是收入增长曲线：过去几年，我们的年化收入保持了约10倍的增长，今年年初的年化收入已达到约100亿美元。而建设数据中心需要一到两年的提前期。所以今天做的决定，真正影响的是2027年我们具备的能力。
如果我假设收入继续每年增长10倍，那么到2026年底就是1000亿，2027年底就是1万亿美元。我可以据此订购价值1万亿美元的算力。但万一我判断错了呢？如果“天才国度”晚来一年，2028年才出现呢？如果增长倍数是5倍而非10倍呢？如果2027年的收入只有8000亿而非1万亿——那么我就破产了，没有任何对冲手段能拯救我。
所以我必须承担一定的风险，并取得平衡：购买的算力要足够多，以确保能抓住技术“强劲上升”的机遇；但又不能多到在“增长稍慢”的世界里将公司压垮。这就是我所说的“负责任”的含义。
帕特尔： 如果你的预测是一到三年，按最晚的三年计算，2029年你应该需要价值10万亿美元级别的算力才合理。但你目前正在扩建的规模，似乎远未达到这个量级。
阿莫代伊： 你为什么会这么想？我们来看看整个行业的数据。今年全球新建的AI算力，大概在10到15吉瓦（GW）左右，而这个数字每年大约增长3倍。所以到2028年或2029年，整个行业每年的算力投入就会达到数万亿美元的量级。你刚才说的那个数字，正是整个行业正在走向的方向，而不仅仅是我个人的预测。
05 盈利悖论：每个模型都赚钱，但公司整体在亏钱
帕特尔： 你已告知投资者，Anthropic计划从2028年开始实现盈利。而2028年恰恰是我们可能拥有“数据中心里的天才国度”的节点。为什么会选择在这个时间点实现“盈利”？
阿莫代伊： 盈利能力在这个领域有些反直觉。我给你一个简化模型：假设你建了一个数据中心，一半算力用于训练新模型，一半用于服务用户（推理）。推理业务的毛利率可以超过50%。如果你能精准预测需求，按需建设数据中心，你就能盈利。问题在于预测极端困难。
如果需求低于预期，你就会有过剩的算力，超过一半的数据中心实际上在用于研究（训练），而不是产生收入的推理。这时你就不会盈利，但好处是你有大量算力可以用来训练更强大的下一代模型。反过来，如果你低估了需求，你会非常盈利，但代价是研究算力被挤占，没有足够资源训练下一代模型。
帕特尔： 目前几家领先的AI公司都尚未盈利。什么会改变这个局面？
阿莫代伊： 当前，推理服务的毛利率确实很高，但我们还处在算力规模指数级扩张的阶段。
举个例子：假设去年我们花费10亿美元训练了一个模型。今年，这个模型产生了40亿美元收入，推理成本是10亿美元——那么，单看这个模型，它为公司赚了20亿美元。但问题是，我们同时正在训练下一个更强大的模型，而由于算力规模在指数级增长，这个新模型的训练成本可能是100亿美元。
结果是：每一个已部署的模型都在赚钱，但公司整体却是亏损的，因为投入到下一代模型的巨额研发成本已经花出去了。我所说的均衡状态，是指我们拥有了“数据中心里的天才国度”之后。到那时，模型训练的规模不再呈指数级飙升，进入一个更平稳的阶段，公司的盈利能力才能真正稳定地体现出来。
06 机器人技术卡在哪？答案不在硬件
帕特尔： 一旦有了“天才国度”，机器人技术会很快被解决吗？
阿莫代伊： 会的。可以通过在多种模拟环境中训练来实现泛化，也可以通过长上下文学习，或者真正的持续学习。不管通过哪种方式，当模型具备了这些高级认知和规划技能时，机器人技术将被彻底改变，包括机器人的设计和控制本身。这也会带来数万亿美元的收入机会，其扩散速度同样会很快，但不会无限快，可能还需要一两年时间。
帕特尔： 人类对智能的探索中总会有新的“碎片”被发现。为什么这次就不会再有新的、无法预见的障碍？
阿莫代伊： 机器学习的历史一再表明，许多曾被认为是根本性障碍的东西，比如语义理解、复杂推理，最终都在“大计算块”面前消失了。海量数据需求是真实的，持续学习可能也是一个挑战，但更有力的证据是，我们可能在一两年内就能让模型端到端地完成软件工程——这本身就是一项需要定技术方向、深刻理解背景的AGI级别任务。
帕特尔： 如果我们正在走向一个“完全可替代的远程工作者”的世界，那么目前API按token收费的模式还合理吗？AGI应该如何定价？
阿莫代伊： 我认为API模式会比很多人想象得更为持久，因为技术总是在指数级进步，总会有新的应用场景涌现，而API允许开发者在最新的模型上快速进行尝试和构建。这种需求永远不会消失。但我也确信会有其他商业模式出现，因为并不是每个token的价值都相等。
举个例子：如果用户打电话问“我的Mac死机了怎么办？”，模型回答“重启试试”——这个答案可能只值几分钱。但如果一个AI对一家制药公司说：“你们正在开发的这个分子，如果把那个芳香环从这一端移到另一端，就能产生奇迹般的效果”——这句话可能价值数千万美元，因为它改变了整个研发方向。
所以未来一定会出现按效果付费、按价值分成，或者按小时计费的模式，就像雇佣人类专家一样。
帕特尔： 说到应用，Claude Code目前是这个领域的领头羊之一。为什么是Anthropic做出了这件事？你们是如何成功打造出一个应用层产品的？
阿莫代伊： 过程其实很直接。大约在2025年初，我意识到：“时机已经成熟，AI公司可以利用自己的模型来加速自身的研究。” 但我们需要一个趁手的工具，于是内部开发了Claude CLI，后来更名为Claude Code。结果它在内部被所有人迅速采用，因为编码是我们日常工作的核心。
我看着这个内部现象，就想：“既然产品价值已在内部得到验证，而且我们拥有成千上万的内部用户（他们在很多方面能代表外部开发者），为什么不把它推向市场？”于是我们就这么做了。
帕特尔： 在一个AI快速扩散、数量激增的世界，如何保证安全？
阿莫代伊： 短期内，主要的AI提供者数量有限，关键是要确保每个参与者都认真做好对齐（Alignment）工作，部署必要的安全保障，例如生物危害分类器。长期来看，需要建立某种全球治理架构，既能够监控大量AI系统的行为，又能维护人类的基本自由。这可能包括由AI辅助的监控系统，但必须以保护公民自由的方式构建。我担心的是，这一切可能来得太快，我们没有100年的时间去慢慢适应和建立完善的治理机制。
帕特尔： 你们为Claude设定了一套“宪法”价值观，而不是让它完全顺从用户的指令。为什么选择这条路径？
阿莫代伊： 这是基于实践经验。赋予模型一套核心原则，比给予它一长串具体规则，能让其行为更一致，在边缘情况下的处理也更好。模型主要应该听从用户指令，但当面对危险或可能伤害他人的要求时，它会基于这些基本原则进行拒绝。这是在“可修正性”（按指令行事）和“内在价值观”（坚守底线）之间取得的一种平衡。
帕特尔： 这些原则由Anthropic制定，却可能影响广泛的经济活动。应该如何确定这些原则？
阿莫代伊： 我认为有三个层面。第一，我们在内部不断迭代和修改。第二，不同的公司可以有不同的“宪法”，形成一种竞争和反馈机制，外界可以观察、比较和评论。第三，超越公司层面的社会反馈，我们可以进行民意调查，未来甚至可能纳入代议制政府的意见，但立法过程通常太慢。我特别喜欢第二个层面，这有点像不同治理形式的“群岛”之间的竞争，最终由市场和社会选择。
技术的发展浪潮汹涌而来，其速度远超公众的感知。从这场对话来看，AI领域的顶尖思考者不仅关注能力的突破，更在提前思考能力突破之后的经济、社会与伦理格局。对于广大开发者和技术爱好者而言，保持关注、深入思考并积极参与到这场变革中，或许是在这个“技术青春期”里最明智的选择。想要了解更多前沿技术讨论和开发者见解，不妨来云栈社区逛逛。
发表于 7 天前
|
查看: 26|
回复: 0
