四位行业重量级人物——Anthropic联合创始人Jack Clark、Dwarkesh播客创始人Dwarkesh Patel、软件创业者Patrick McKenzie以及知名前对冲基金经理Michael Burry——近期进行了一次深度对谈，透露了许多反直觉的行业洞见和数据。
例如，AI工具到底有没有提升生产力？多数人直觉认为有，但Jack Clark指出，现有数据是矛盾且稀缺的。
METR的研究显示，对于熟悉代码库的开发者，使用AI工具反而使PR（拉取请求）合并速度下降了约20%。然而，Anthropic内部的开发者调查却显示，有60%的Claude使用者自报生产力提升了50%。这组矛盾数据表明，自我感知的生产力可能与真实生产力存在高度背离。
再比如，AI能否加速整体软件开发速度？你可能会觉得能。但Jack Clark指出了其中的“木桶原理”：系统的整体速度取决于最慢的环节。如果你写代码的速度快了10倍，但代码审查的速度只提升了2倍，那么整体效率并不会出现爆炸式增长。
此外，像维修工、水管工这类常被认为“AI免疫”的技工职业，其实也未必安全。Michael Burry透露，他如今可以通过“拍照+AI指导”的方式，自己完成许多电工和家居维修工作。如果面对一次800美元的上门服务费，很多人可能会选择先用Claude试试看。
Jack Clark还回顾了自2017年《Attention Is All You Need》发表以来的技术路径演变。他指出，早期主流路线是“白板假设”，试图在特定环境中从头训练智能体。但真正胜出的是 Transformer架构与规模定律（Scaling Law）的结合，这条路径通过对海量数据的预训练，催生了通用能力。
颇具讽刺意味的是，现在事情似乎“绕了一圈回来”：人们又开始构建智能体了，但这一次，智能体是建立在强大的预训练模型之上的，例如DeepMind的SIMA 2和Claude Code。
关于AI开发效率的争议
Dwarkesh Patel 提出了那个价值百万美元的问题：METR的研究与Anthropic的调查结果相悖，到底哪个更接近真相？他个人直觉更倾向于METR的结论，因为编码工作缺乏良好的反馈验证闭环，且评价标准（如可维护性、代码品味）高度主观。
Jack Clark 同意这是一个核心问题，并坦言需要更好的工具来测量“真实生产力”。他透露，Anthropic正在认真考虑如何进行更好的“仪表化”研究，以区分主观感受与客观现实，并希望能在2026年拿出相关成果。
Dwarkesh补充道，METR的研究恰恰预测了这种现象：自我感知的生产力可能与真实生产力高度背离，甚至方向相反。
AI的能力边界与市场影响
Dwarkesh Patel 认为，一个令人惊讶的事实是，自动化“人类的工作”远比想象中复杂。AI已经跨越了无数曾被视为AGI门槛的挑战（如图灵测试、解决复杂数学问题），但其对劳动力市场的实际影响却微弱到需要“显微镜”才能看见。
Jack Clark 指出，人工智能社区有一个老规律：我们不断设计出看似能“真正考验智能”的任务，然后模型轻松跨越。最终你得到的，是一个表面极其强大、但仍会犯一些人类觉得荒谬错误的系统。例如，大语言模型在某些认知测试上已达“超人类”水平，但却可能无法在犯错后进行有效的自我纠正。
Michael Burry 从经济学角度提出质疑：AI必须被某人买单，构成GDP的一部分。整个软件行业规模约一万亿美元，而目前Nvidia已卖出约4000亿美元的芯片，但终端AI产品的收入可能还不到1000亿美元。AI必须真正提高生产力，或创造出不挤占现有支出的新需求，而这非常困难。
什么情况会令人震惊？
当被问及什么情况会彻底改变他们对AI进展的判断时，几位参与者给出了不同的答案：
- Michael Burry：一是看到自主AI智能体在大型公司中取代数百万个工作岗位；二是AI应用层收入达到或超过5000亿美元，这意味着出现了大量真正的“杀手级应用”。
- Dwarkesh Patel：一是AI实验室的累计收入大幅偏离预期（低于400亿或高于1000亿美元）；二是持续学习被真正解决，模型能像熟练员工一样在上下文中持续进步。
- Jack Clark：如果 “规模化撞上了墙”（Scaling Law失效） ，那将极其令人震惊，因为当前巨额的基建投资都押注于相反的预期。另一件会让他震惊的事，是分布式训练在效率上出现重大突破，使得无需单一巨型组织也能训练出前沿模型，这将彻底改变AI的政治经济结构。
当前不存在真正的递归自我改进AI
在谈及AI风险时，Jack Clark 表示，他最担心的是能否成功构建出 “能够构建AI的AI” ，即彻底闭合AI研发的循环（递归式自我改进）。
但他明确强调：“我几乎可以肯定，在2026年1月，地球上还不存在真正的递归自我改进AI。” 不过，早期迹象已经出现，AI正越来越擅长完成AI研究中的某些环节。如果这种趋势持续，最终将带来发展速度的急剧提升和重大的政策挑战。
他建议政策制定者应要求AI公司在此方面保持高度透明，并确保有可信的第三方机构能独立测试系统是否具备这种特性。
Michael Burry 则对末日级担忧不太焦虑，他更关注基础设施。他建议政策制定者应大手笔投资建设新一代电网和小型核反应堆，确保能源不成为创新的瓶颈。Jack Clark 对此深表认同，认为AI要在经济中发挥实质作用，根本依赖于低成本、高效率的底层基础设施。
他们如何使用AI？
最后，几位也分享了他们个人最重要的LLM使用场景：
- Michael Burry：用Claude制作所有专业图表和表格，并寻找非主流的资料来源。
- Patrick McKenzie：指出过去金融等行业花了无数金钱让顶尖人才成为PPT/Excel专家，而如今用LLM生成图表已变得稀松平常。
- Dwarkesh Patel：将LLM作为一对一私人导师，其低延迟和随时响应提供了超越真人导师的体验。
- Michael Burry（补充）：驳斥了“技工职业AI免疫”的观点，他亲自使用Claude指导完成了许多家居维修工作。
这次对谈揭示了AI浪潮中复杂的现实：技术进步显著，但转化为经济生产力和市场价值的路径依然充满不确定性。对于关心智能与数据云未来发展的从业者而言，这些来自一线的冷静观察值得深思。
参考链接：
https://earmark.fm/id/4beae92f-ed45-429e-a633-faa48407fd4f
发表于 前天 02:51
|
查看: 8|
回复: 0
