#模型时代# Anthropic科学家、扩散模型发明者Jascha：离超级智能没有任何已知障碍，我们正处在人类世的最后几天

2026年6月的一个讲座（其实几个月前而已，但是在当下似乎就过去了很久一样），最近在X上非常刷屏，看完之后发现确实一手判断很多，做一个整理。

笔记来自斯坦福大学物理与AI大会（PAI26），面向物理学和相邻学科的研究者。Jascha Sohl-Dickstein作为演讲嘉宾登台，演讲标题致敬了神经科学奠基人Ramón y Cajal的经典著作，叫“Advice for a Young Investigator in the First and Last Days of the Anthropocene”——人类世最初与最后几天里，给年轻研究者的建议。

他最广为人知的贡献是发明了扩散模型，这一框架后来成为Stable Diffusion、DALL-E等图像生成系统的底层架构。他同时是大规模评测基准BigBench的联合创建者，此前在Google DeepMind任首席科学家，现供职于Anthropic。

Jascha拿妻子所在的生物技术行业做了一个对比：问生物技术从业者能不能攻克癌症，接下来十分钟你会听到一长串关于这件事有多难、还要多久的解释。但问做大模型的人同样的问题，回答是“我们看不到从现在到超级智能之间有什么障碍”。在旧金山AI圈，如果有人自称“时间线很长”，追问下去，他们的意思是还要十年。离技术最近的人通常最先发现瓶颈，而他的答案是：没有发现瓶颈。

一、三条指数曲线

1、训练算力十年增长一千万倍

Jascha展示了一张从1950年代开始的AI训练算力图表。纵轴每一格是上一格的一百倍。图上能看到一个明显的斜率变化，对应AI从学术研究转向商业应用的节点。过去十年间，训练最大模型所用的算力增长了大约一千万倍。

他做了一个粗略换算：假设人脑每个突触每毫秒完成一次浮点运算，一个人一生中大脑的总计算量大约是一万亿petaflops。这个数字放到图上，只比当前最大的训练模型高出不到一格。算力到了人脑的量级并不意味着就能达到人类水平的智能，但它让这种比较至少在数量级上站得住。

专注于AI趋势预测的研究机构Epoch AI进一步推算：到2030年，AI训练算力有潜力比2025年再增长一万倍。在未来的线性坐标图上回望，今天的算力水平与零几乎没有区别。我们仍然处在指数曲线非常早期的位置。

有听众质疑训练资源终将触顶。Jascha反驳：一个趋势已经持续了21个数量级，在距离人类水平仅一两个数量级的地方恰好撞上资源天花板，这种巧合本身极不寻常。物理世界里没有指数能永远持续，“但如果这条曲线恰好在此刻转平，那才是真正让我震惊的事。”

2、AI能独立完成的任务复杂度在指数增长

METR是一家专门追踪AI能力增长的研究机构。他们的核心指标是：AI模型在无人辅助条件下，能以50%的成功率完成多复杂的软件任务。复杂度用人类完成同一任务所需的时间来衡量。

这条曲线同样是指数增长。Jascha提到，不到一年前他第一次做这个演讲时，预计AI能独立完成“一整天工作量”的软件任务要等到2026或2027年。不到一年后的今天，模型的能力在这个基础上又提升了十倍，早已越过了那个节点。

更高成功率的曲线（80%、90%）斜率相同，只是时间上推后一到两年。

3、AI开始解决人类未解的数学问题

Paul Erdős是20世纪最高产的数学家之一，去世后留下大量公开猜想和未解问题。这些问题被数学界整理和形式化，成为衡量数学研究能力的标尺。

过去大约七个月内，AI模型开始解出其中一些问题，推动了数学已知边界的拓展。

Jascha用这一进展回应一个常见说法：“AI只能解决训练数据里有的问题。”他直接反驳：你只要往模型里输入超过几个词的序列，这个序列就已经超出了训练数据的凸包。模型做的每一件事本质上都是泛化。

4、基准测试的“保质期”从二十年缩短到几个月

1990年代制作的AI基准测试，大约需要二十年才会被AI达到人类水平。现在一个新基准从发布到被攻克只需几个月到几年。Jascha参与创建的BigBench基准，在论文发表之前就已经有其他团队在部分子任务上刷新了最佳成绩。

他发出了一个开放邀请：如果你认为AI在你关心的某个能力上正在停滞，把它量化，做成基准。这会是一份高引用的贡献。不过他同时给了一个提醒：过去几乎所有这样做的人，最终都看到自己的基准在短时间内被攻破。

二、共识、障碍与泛化的阶梯

证据之外还有一个问题：做模型的人自己怎么看？

1、旧金山AI圈的共识：只差几年

在旧金山AI从业者的聚会上，自称持有“很长的时间线”的人，追问之后说的是还要十年。这个数字本身已经很短。

做模型的人的典型判断是“看不到硬性障碍”。Jascha分析了这种底气的来源：他本人反复被最朴素的方法在更大规模上的持续有效所震惊。人脑的数据效率比当前训练方法高出大约四个数量级，说明我们在做的事情效率极低。但效率低只意味着浪费，并不意味着走不通。

没有人发现一个必须跨越才能继续前进的硬性障碍。

2、奥弗顿窗口已经移动

不到一年前Jascha在哈佛做了类似演讲，收到了一封邮件，全文只有一句话：“What a batshit crazy abstract？”（摘要疯了吧？）

奥弗顿窗口是指在公共讨论中被认为可以接受的观点范围。这封邮件的潜台词是，预测AGI仍然在窗口之外。但这种局面正在快速改变。Jascha引用了一组公众人物的发言：时任英国首相苏纳克（Rishi Sunak）称AGI竞赛具有“根本性的地缘政治意义”；奥巴马（Barack Obama）说AI将比手机技术影响更深远且来得更快；施密特（Eric Schmidt）在大约一年前预测绝大多数程序员将被AI取代，三到五年内出现AGI，六年内出现超级智能。

关于施密特的预测，Jascha补充了一个观察：大约一年过去了，AI确实承担了程序员过去做的大部分工作，但程序员工作的其他部分同时扩展了。除个别情况外，大多数程序员并没有因此失业。

3、泛化的阶梯上没有断裂点

有听众提出质疑：AI能解Erdős问题，但那些问题是人类提出的，AI并没有自己发现并解决全新的重要问题，离AGI还远。

Jascha回应了一个思想实验。泛化存在很多层次：用同义词替换一个词是泛化，用不同的数字执行加法算法是泛化，把微积分应用于新问题也是泛化。这些层次构成一个阶梯。关键问题是：这个阶梯上是否存在某个断裂点，以下的泛化容易做到，以上的就不可能？

Jascha认为没有明确理由相信存在这样的断裂点。他的建议和之前一致：如果你认为存在，量化它，做成基准，然后观察那个数字随时间怎么变。

4、苦涩的教训

2019年，强化学习先驱Richard Sutton发表了一篇短文《The Bitter Lesson》（苦涩的教训）。核心观察是：利用大规模计算的通用方法，最终总会胜过为具体问题精心设计的方法。

Jascha从中提取了一正一反两个推论。如果你做的项目会随着算力和智能的增长而变得更强，甚至能反馈到增长过程本身，它的实际影响力会远超你的预期。反过来，如果你做的项目会在完成之前就被纯粹的规模增长解决掉，你花在上面的每一天都可能是浪费。

三、杠杆与黄金时代

1、指数早期的小干预产生巨大后果

Jascha反复回到一个判断：我们仍然处在AI指数增长非常早期的位置。Epoch AI预测2030年的训练算力可能是2025年的一万倍。在线性坐标图上回望，今天的位置与零几乎重合。

这为什么重要？因为指数增长早期的小干预会产生不成比例的巨大后果。他列了几个历史类比：

1980年，两位科学家提出了标准化的电子邮件交换协议，结果是今天任何人都可以给任何人发邮件。大约十年后才有人想对即时消息做同样的事，错过了窗口期，结果是你今天只能给使用同一款产品的人发消息。

Haber-Bosch氮固定工艺由一小组科学家开发，既让全球粮食产量达到了现有水平，也为现代炸药提供了原料基础。

美国医学会和律师协会的成立、学术同行评审制度的确立，都是少数人在早期做出的决定，现在完全决定了各自领域的整体格局。如果几个世纪前有人做了稍微不同的选择，今天科学界的激励结构可能完全不同。

这些例子指向一个共同规律：早期少数人的选择锁定了此后几十年甚至几个世纪的结构。

2、你的每一个选择都在塑造未来

因为我们还在指数的早期，而在座的听众拥有高度相关的技能，每个人对AI走向的杠杆都是巨大的。Jascha列出了具体的选择维度：你研究什么问题，你在哪里工作，你把某个东西称为“capability”还是“risk”，你设计的模型架构是可解释的还是不透明的，你是否公开表达伦理立场，你的项目推动了哪条技术路线被优先发展。

这种影响力应该让人感到有力量。同时也是一种责任。

3、黄金时代与它的终点

Jascha描述了他认为研究者的智力杠杆在中期未来会经历的变化。会先出现一个阶段：人与庞大的AI智能体团队互补，一周内完成过去整个职业生涯都做不到的工作。Jascha把这段时期称为“黄金时代”。

然后会进入下一个阶段：人不再能在AI力所不及的方向上有所突破，智力劳动不再是AI无法独自完成的。

他的建议是充分享受和利用这个黄金时代，用好手里的工具，做出一件让自己骄傲的东西。选择项目时有一个具体标准：优先选能改变AGI之后长期轨迹的项目，而非只产生近期短暂变化的项目。他半开玩笑地说：“等你退休到戴森球上的别墅里——就是那种包裹恒星、收集全部能量的巨型结构——你会希望自己帮助我们走向了好的结局。”

四、具体建议

1、跑在指数前面

最坏的结果是：辛苦投入两年取得了实在的线性进步，但等你做完，别人只需要向最好的通用大模型提一句需求就能得到更好的结果。

应对方式是做有针对性的、节奏快的项目，和团队协作保持在曲线前方。缓慢的漫游式探索是Jascha自己最喜欢的科研方式，但他承认在当前环境下这已经成了奢侈品。漫游本身可以保留，“缓慢”不行。他认为如果思考足够快，两者可以兼顾。

2、把AI工具用起来

Jascha每天和Claude一起工作。这种体验像是和一个执行力极强但研究品味还差一截的博士生合作。他说自己暂时还觉得有事可做，“但这一年前不成立，一年后也不会成立”。

他现在完全不自己写代码，甚至很少看代码，但每天都在用代码完成工作。想研究一个问题时，他让模型搭一个定制的数据面板，生成大量图表。AI工具的用户界面目前仍然粗糙，像“没有马的马车”，但带来的效率增益是实在的。

有研究生问：还有没有必要自己写代码？Jascha的回答是：你需要理解代码在做什么，但写代码的量可以比你以为的少得多。他类比了Python和打孔卡的关系：用Python的人对计算机内部的理解肯定不如打孔卡时代的程序员，但你在更高的抽象层上思考，这是好事。关键是仍然要追问和独立思考。他还直接说：研究生容易低估自己的时间价值，你的时间值很多钱，应该用能最大化产出的工具。

他建议用AI来头脑风暴和迭代研究想法，用它给写作提反馈。但不要让它写初稿。“Writing is thinking”（写作就是思考），外包了写作等于外包了思考，你将不再真正理解自己在做什么。

和大模型协作跟带研究团队的方式很像：两者都需要清晰地界定任务范围和预期。想成为课题组负责人的人，拿模型当练习对象；已经在带团队的人，这方面应该天然擅长。

3、安全选项并不安全

做人生决策时，人们习惯在风险和回报之间找平衡，倾向于选安全的一边。Jascha指出了一个容易被忽略的前提：如果AI将引发大规模变革，风险的基线本身就很高。看起来安全的选项同样暴露在这个基线风险之中，你牺牲了潜在回报，并没有换来更多安全。

他讲了一个博士生的例子。这位学生在一次谈话中先说自己认为三年内会出现AGI，几分钟后开始讨论读完博士之后申请博士后、然后竞聘教职的计划。Jascha的评价是：如果你一部分大脑相信这个改变世界的技术即将到来，另一部分大脑也应该跟上。

没有人知道十年或二十年后一份学术工作会是什么样子，但可以确定的是，它会和今天完全不同。

4、值得投入的方向

Jascha强调这份清单远不完整，最有影响力的事情很可能是目前还没有人想到的。

AI for science。 材料发现、蛋白质折叠、天气建模、聚变反应堆等离子体监测。更好地理解世界，在期望值上几乎是无歧义的正面贡献，AI让这件事的效率大幅提升。对一个物理学背景的听众群体来说，这个方向天然契合。

不过，有实验科学背景的听众提出了不同看法：实验科学受AI影响还很小。问题既不能靠计算验证也不能靠形式化验证，NASA至今仍需要物理风洞而非仅靠计算流体力学，每年发现的新化合物中超过一半是意外产物。Jascha的回应分三层：第一，机器人终将可以做物理实验，他预计10到15年内实现；第二，理论对实验结果的预测能力差，这本身是理论科学的失败，AI可以强化理论端，从而减少所需实验的数量；第三，也取决于AI工具的交互界面是否找到了对的形式，让使用成本不超过收益。

对AI模型做科学研究。 把其他学科的方法应用于AI模型本身。可解释性研究相当于对AI做神经科学，也可以对模型内部做统计物理分析、心理学实验、经济学建模。Jascha建议花一个小时认真想想，你所在领域的专业知识怎样转向以AI模型为研究对象。

AI安全研究。 这个领域仍然处在令人不安的起步阶段：许多关键问题还没有被清晰定义，领域规模相对于其重要性严重不匹配。对于想要高杠杆的研究者来说，安全研究目前几乎是空白赛道。

能力预测与外推。 更精确地理解即将到来的能力水平，有助于让整个过程走向更好的结果。

公平、准入与政策治理。 如果希望这项技术惠及所有人，需要大量专门的工作。Jascha个人认为社会层面需要建立再分配机制，包括对AI公司征收高额税收。他判断美国的政治体系能够应对这个挑战，因为失业的人会有力地为自己发声，但对全球层面他更担忧。

Jascha坦言这个方向可能充满冲突和压力。同时，各国政府极度渴望有技术能力的人来帮助制定AI法规和政策，但最优秀的人不断被更高的薪资和更少的政治博弈吸引走。学术界在这里有独特的比较优势：政府对学者的信任方式与对实验室从业者不同，学者的声音能产生其他人无法替代的影响。

Q1： AI能力增长的核心证据是什么？

三条指数曲线：训练算力十年增长一千万倍；METR测量的AI独立完成任务的复杂度呈指数增长；AI开始解出Paul Erdős留下的数学公开问题，推动已知边界拓展。基准测试的“保质期”也从二十年缩短到几个月。Epoch AI预测到2030年，算力将比2025年再增长一万倍。

Q2： 为什么“安全选项”在当下并不安全？

如果AI将引发大规模变革，风险的基线本身就很高。选择保守路线并不能降低这个基线风险，只是放弃了潜在回报。与此同时，缓慢推进的项目面临一个具体威胁：你花两年取得的线性进步，可能在完成时已经被模型能力的指数增长超越。在高基线风险下，做有影响力的事情反而是更合理的风险管理。

Q3： 个人的杠杆为什么在现在最大？

指数增长的早期阶段，小的干预会产生不成比例的巨大后果。当前AI算力水平在2030年的线性坐标图上接近于零，意味着现在的每一个选择，从研究什么问题到如何定义风险、设计什么样的架构，都会以放大的方式影响未来的技术和社会格局。Jascha将此类比为电子邮件协议的早期标准化：一个小团队的决定，锁定了此后数十亿人的通信方式。