匿名研究者提出的46条论断：AI将重塑一切，包括核威慑与人类统治

正文：

导言：bayeslord（@bayeslord）是AI与加密领域中一个匿名而权威的账号，专注于深入探讨技术核心，如规模法则和算法深度，而非跟风或推销产品。

最近，该博主发布了一份包含46条内容的清单，预测了科技、人工智能及其相关技术的未来发展。他认为，当前人们普遍依赖过去的效率曲线来理解AI的影响，但真正的技术飞跃尚未到来，智能生产可能还有四到十个数量级的提升空间。

从算法加速到机器人、资本乃至永久底层阶级，这份清单的讨论触及到尖锐的议题：相互确保摧毁（MAD）可能失效，军警将实现自动化，而AI实验室可能会被国有化。

这篇帖子已接近100万次浏览，尽管观点较为激进，但每条论断都有其内在逻辑，值得关注泛科技领域的读者。

这份清单是基于我6月4日发的一条推文，经过了修改与扩展。许多人反馈原文难以理解，因此我整理成了现在这个版本。

1. 算法的进步将让所有人感到意外。全球各个领域——市场、政府、军队、企业和个人——都在利用近年的生产效率和规律来理解AI的影响，试图预测未来的发展方向。即使那些声称相信“递归自我改进”的实验室，依然觉得这只不过是老方法加上智能体的循环。其实不然。我认为，在智能生产方面，还有多个数量级的提升空间，可能多达十个，四到七个的可能性更高。原则上超过十个也不是不可能，但这将与物理定律的限制产生冲突。这一判断成立的话，事情的真实走向将与表面现象大相径庭，一次巨大的飞跃即将来临，任何沿着这个方向发生的事情都将使世界变得异常复杂。

2. 我们正处于起飞阶段。AI改进AI，可能成为历史上影响最深远的一步。尽管我们无法确定自己距离智能的物理极限和计算极限有多远，但我认为还有很长的路要走（如前所述，每单位算力可能还能挖掘出4到10个数量级的智能输出）。

3. 既然已进入起飞阶段，算法研究正在加速。尽管算力仍然是稀缺资源，但研究人员的机会成本正在降低，因为可以直接派智能体去执行任何任务，甚至是进行无目的的探索，它可能会带回有价值的信息。所有新想法都背负着“优化债”，而这笔债务可以通过无人监督的token进行偿还。大量的研究规模法则曲线将逐渐被探索完整。

4. AI模型将持续增强，尤其是前沿模型。唯一的真正限制是物理。模型的自主性和智能水平在不断提高，且性能也在持续改进。数学和代码正在被规模强化学习所征服，其余部分则相对滞后。“可验证”与“不可验证”的界限将逐渐模糊。向前发展，自动化AI研究与AI学习将愈发接近同一概念。模型的训练与模型的自我学习本质上是紧密相关的。样本效率、创造力及其他限制都将被突破，并在各个规模上趋近算法的最优解。

5. 长任务智能体并不一定需要同等长度的训练数据，这一观念是错误的，因为泛化在时间维度上是存在的。长任务并不是仅仅依靠“长”这一属性构建的。这与LeCun的（1-e）^n误差累积之误有关。实际上发生的是纠错过程。纠错在多个尺度上同时进行，从单个token的生成到长任务的每一步。METR图表之所以上升，部分原因是智能体开始达到纠错的逃逸速度。

6. 一门工程级别的深度学习科学即将出现。这将推动我们进入AI算法的成熟阶段，速度远超大多数人的预期——虽然前述的这条路究竟能走多远仍不清楚。举例来说，一项关于尺度不变性的研究将显著提升有用实验规模及其回报，因为一块GPU上的实验能够指导十万块的应用。

7. 每个技术人类活动领域都将迎来属于自己的“第37手”时刻（如AlphaGo对李世石下出的那步超越人类直觉的棋），而这一时刻不久后会显得过时。我指的是所有领域。

8. 算力将持续改善。如今最先进的矩阵乘法机器距离AI加速器的物理极限仍有很大差距。数字硅的发展还有很大提升空间。新的衬底有许多候选者，其待偿还的算法债务将被自动化榨取到极限，但我们尚不清楚对AI来说，在空间、能耗、时间、可制造性及成本上最优的选择是什么。光子学和随机硅都是值得关注的候选者，但我也预期奇点本身会带来意外的结果。

9. 实验室能够领先的程度在于自动化与规模的回报，其中包括更深层算法带来的收益。如果深度学习的实践（及理论）始终处于浅层，那么从长远来看，护城河将不会主要源自算法层面，因为秘密相对容易被揭示。最终，蒸馏、数据与时间的结合可能会追赶上算力规模，尽管可能会慢一些。目前来看，我们正处于这种状态，但即便如此，没人能保证这将一直持续下去。

10. 如果随着规模的扩大，深度学习变得更为深入，那么每一分自动化和规模带来的增量都将换来他人愈发难以触及的算法秘密。我们目前的状态部分符合这一点。这两种情况的最终结果都是边际效用的回报在规模和研究饱和时的下降。我们并不知道那个点究竟在哪里，可能离今天有2个数量级，也可能有20个。没有人知道。

11. 至少在未来几年内，算力将是一个被激烈争夺的资源。但在此期间，它将开始商品化，未来我们会嘲笑2020年代的简陋。规模在不断扩大且有效，资本也在不断涌入，反复推动飞轮的运转。更多的矩阵乘法机器、更多的晶圆厂、更多的能源正在路上。智能生产的瓶颈是暂时的，潜在的经济减速不在此列。

12. 智能供应链的性质正在变化。目前，它高度集中在实验室手中。但实验室正在自动化提升其核心能力——研究人员以及算法优势的发现。一旦这一过程开始，假设开源进展不算太慢，特别是如果实验室不将AI研究员模型锁定，那么实验室的竞争优势将转向更容易的融资、更多的算力、独家数据、商业关系与优质产品。这确实取决于之前提到的算法深度问题的最终结果，以及其他一些因素。

13. 分布式训练将减少对单一数据中心大规模建设的需求，从而为非超大规模厂商提供一些优势。然而在单次最大规模训练这一纯粹维度上，它无法超越超大规模厂商。

14. 自动化的AI实验将使算法秘密更广泛地被发现，因为这些秘密天然比全尺寸训练更易于传播。这条路径的远景尚不明确，但我预计将会相当遥远。正如前面提到的，深度学习的根本深度仍未知，这一判断的上限取决于这一未知。

15. 尽管这些力量表面上对学术界和开源有利，但由于算力的成本和机会成本，它们仍可能遭遇萎缩。例如，GB300是用于服务GLM5.2或Fable更具价值，还是在某个学术实验室进行非前沿研究，或者在Anthropic内部开发Mythos 2更为划算？市场将计算出需求最大的地方，而当前看来，这个地方确实是在实验室

来源：Odaily星球日报