ARTICLE · 1029964
本轮AI技术革命它的终点在哪里?
过去几年，我们可能正在经历人类历史上速度最快的一次技术革命。
2022年，我们还在惊叹ChatGPT居然能写文章。
随后几年，AI开始写代码、做数学、生成视频、使用工具、操作电脑，甚至尝试连续完成几个小时乃至几天的复杂任务。
于是，一个越来越重要的问题出现了：
AI会一直这样飞速进步下去吗？
如果不断增加GPU、数据和电力，模型是不是可以一路从GPT-5、GPT-10发展到某种近乎无限强大的“超级智能”？
还是说，这一轮AI革命其实也有自己的天花板？
我最近集中看了一些AI领域最重要人物的公开判断，包括OpenAI的Sam Altman、Anthropic的Dario Amodei、Google DeepMind的Demis Hassabis、Ilya Sutskever、Yann LeCun、François Chollet、黄仁勋，以及硅谷一些顶级投资机构的观点。
看完以后，我越来越觉得：
AI不会突然撞上一堵墙，然后停止进步。
真正可能发生的是另一种情况——
人类会连续撞上五堵墙。
每翻过一堵墙，AI都会进入一个新的阶段。
而我们现在，可能刚刚走到第一堵墙附近。
第一堵墙：数据墙
过去十年AI最重要的秘密，其实非常简单：
更多数据 + 更多算力 + 更大的模型 = 更强的AI。
从GPT-2到GPT-3，再到GPT-4，这套方法几乎屡试不爽。
只要不断堆GPU、堆参数、堆互联网数据，模型能力就能明显提高。
这就是所谓的Scaling Law。
但问题是：
互联网不是无限大的。
真正高质量的人类文本，包括书籍、论文、代码、专业知识、论坛讨论，并不是取之不尽的资源。
Ilya Sutskever是这一变化非常具有代表性的人物。
他曾经是Scaling路线最重要的推动者之一，但近年来他的观点出现了明显变化。
他的核心判断可以概括为：
过去几年是“Scaling时代”，而现在AI可能重新进入“研究时代”。
什么意思？
就是过去大家可以相对确定地认为：
只要模型做得更大，能力就会更强。
现在不一定了。
即使再增加10倍、100倍计算资源，也未必还能复制GPT-3到GPT-4那种巨大的能力跃迁。
这并不意味着Scaling失效。
而是意味着：
最容易吃到的红利，已经越来越少。
AI行业必须寻找新的发动机。
第二堵墙：泛化墙
今天的大模型其实有一个非常奇怪的特点。
它们知道的东西极其多。
可以读完几乎整个人类互联网，可以掌握大量数学、代码、历史、医学和法律知识。
但如果把一个真正陌生、以前从未见过的问题摆到它面前，它的表现有时候并没有我们想象中那么强。
Keras创始人François Chollet一直强调这一问题。
他认为：
拥有巨大知识量，并不等于真正的通用智能。
真正厉害的智能，是看到几个例子以后，就能够发现背后的规律。
一个聪明的人类孩子可能只看几次，就能学会一种全新的游戏。
而AI往往需要成千上万甚至更多训练样本。
这意味着下一阶段AI真正要解决的，不是：
“还能记住多少知识？”
而是：
“能不能快速学习自己从来没有见过的东西？”
这也是为什么最近几年AI行业突然开始疯狂研究：
推理模型、强化学习、Test-time Compute、Agent、工具调用和持续学习。
它们本质上都在解决同一个问题：
让AI从“记住答案”，变成“自己找到答案”。
第三堵墙：世界模型
这一堵墙可能比前两堵更加重要。
Yann LeCun长期认为：
仅仅依靠语言模型，很难真正达到人类级智能。
原因很简单。
人并不是靠阅读文字认识世界的。
一个两三岁的孩子没有读过百万本书，却已经知道：
杯子掉下来会摔碎。
球滚到桌子边缘会掉下去。
看不到一个物体，不代表它不存在。
别人具有自己的目的。
行动会产生后果。
这些东西来自：
人与现实世界持续不断的互动。
所以真正高级的AI可能必须拥有某种“世界模型”。
也就是说，它脑子里要能够模拟：
现在世界是什么状态？
如果我这么做，会发生什么？
如果换一种办法，又会发生什么？
哪条路径最可能达到目标？
这也是为什么DeepMind、Meta以及大量机器人公司越来越重视World Model。
真正的AI可能最终不是一个超级聊天机器人。
而是一个能够：
观察世界 → 理解世界 → 模拟未来 → 制定计划 → 执行动作 → 根据结果继续学习
的系统。
如果这一关过不去，那么今天的大模型再强，也可能始终更像一个极其聪明的“知识机器”。
而不是一个真正独立行动的智能体。
第四堵墙：可靠性墙
这是我认为最容易被普通人忽略的一堵墙。
今天大家衡量AI，经常看：
考试多少分？
代码排行榜多少分？
数学题做对多少？
但真正进入企业以后，一个更加残酷的问题出现了：
它能不能连续工作而不犯错？
假设未来一个AI每一步操作的正确率高达99.9%。
已经非常恐怖了。
但是如果一个复杂项目需要连续执行10000个步骤呢？
问题就来了。
现实世界真正需要的AI，不是偶尔做对一道难题。
而是：
连续工作8小时不出问题。
连续运行一个星期不把数据库删掉。
连续完成一个月的软件项目还能保证逻辑一致。
这也是为什么“长期Agent”可能成为未来最难攻克的问题之一。
从：
“回答一个问题”
发展到：
“完成一个任务”
再发展到：
“独立完成一个项目”
其实是三个完全不同的难度等级。
所以未来AI真正的分水岭，很可能不是智商超过多少人。
而是：
什么时候我们敢放心把一个星期、一个月甚至一年的任务交给它？
如果这一关解决，社会结构才会真正发生巨大变化。
企业会从：
100个人完成一个项目，
变成：
10个人管理1000个AI Agent。
这可能才是AI对就业、公司和经济真正意义上的冲击。
第五堵墙：物理世界墙
假设前面所有问题最后都解决了。
AI拥有极强推理能力。
拥有世界模型。
可以长期工作。
可以自己学习。
甚至拥有数百万个“数字科学家”。
这时候会发生什么？
Anthropic创始人Dario Amodei曾经用一个很震撼的比喻：
未来可能出现一个：
“装在数据中心里的天才国家。”
里面可能有百万级别的AI科学家、工程师和程序员，同时进行科研。
这听起来已经接近科幻。
但即使到了这里，人类仍然会碰到最后一堵最坚硬的墙：
现实世界。
AI可以一天设计100万种药物。
但是你不可能一天完成100万次动物实验。
AI可以一天设计10000种新型电池。
但是制造、测试、老化都需要时间。
AI可以一秒钟设计一座新的核电站。
但水泥仍然需要凝固。
矿石仍然需要开采。
芯片厂仍然需要建设。
植物仍然需要生长。
人体临床试验仍然需要时间。
到了那个阶段，会出现一个极其有意思的现象：
数字世界开始远远快于物理世界。
AI可能一分钟完成过去一个科学家几天的思考。
但实验依然需要半年。
AI的思考速度可能以毫秒计算。
而现实世界依然按照小时、天、年运行。
那时候AI真正面对的已经不是“智能瓶颈”。
而是：
原子世界太慢了。
还有一堵更加现实的墙：能源
黄仁勋近几年越来越强调一个指标：
不是单纯看FLOPS。
而是看：
每瓦电能够生成多少Token。
这是一个非常深刻的变化。
因为AI继续增长以后，限制它的不再只是GPU。
而会变成：
电厂、电网、变压器、铜、HBM、芯片制造、先进封装、液冷、数据中心和土地。
所以某种意义上：
未来AI竞争的终极单位，很可能不是“参数量”。
而是：
瓦特。
谁能够用更少的电产生更多有效智能，谁就拥有更大的优势。
这也是为什么今天全球科技巨头突然开始疯狂投资能源、数据中心甚至核电。
因为如果AI真的成为未来经济的重要生产资料，那么：
电力就是智能时代的石油。
那么，AI最终到底会停在哪里？
把Sam Altman、Dario Amodei、Ilya、LeCun、Hassabis、Chollet和黄仁勋这些人的观点放在一起，我现在反而越来越不相信一种简单叙事：
GPT-5 → GPT-6 → GPT-7 → AGI → 超级智能 → 无限发展。
真实世界大概率不会这么平滑。
更可能是：
数据墙↓泛化墙↓世界模型墙↓长期可靠性墙↓能源与算力墙↓现实物理世界墙
每一堵墙，都可能让AI发展速度突然放缓。
然后某一种新的算法、新的架构、新的硬件或者新的训练方式，再把它推过去。
所以未来AI的发展可能不像一条指数曲线。
而更像：
一连串S曲线。
一代技术达到瓶颈。
另一代技术接棒。
然后继续向前。
我个人最关心的，其实不是GPT-7
很多人每天都在讨论：
下一个模型有多少参数？
跑分提高多少？
上下文是不是1000万Token？
但如果让我判断未来五年真正重要的三个问题，我会看：
第一，AI能不能持续学习。
不是训练结束以后基本冻结，而是像人一样每天继续学习。
第二，AI能不能真正建立世界模型。
不仅理解语言，而是真正理解物理世界、因果关系和行动后果。
第三，AI能不能成为可靠的长期Agent。
不是帮助我干十分钟的活，而是能够独立承担几天、几周甚至几个月的任务。
如果这三个问题被解决：
那么今天我们看到的AI，很可能真的只是开始。
但如果十年以后这些问题仍然迟迟无法突破，那么这一轮AI革命最终可能停在一个非常强大、但没有科幻作品那么夸张的位置：
超级工具。
超级员工。
超级专家。
但仍然需要人类告诉它：
我们究竟要去哪里。
这可能也是AI真正的技术边界：
计算可以越来越快，知识可以越来越多，智能可以越来越便宜。
但最后决定技术向哪里去的，依然不是机器。
而是人。