AI不是短期狂热,而是十年趋势的延续.

Leopold Aschenbrenner可以说是目前最炙手可热的对冲基金经理之一。

他是一个00后。

19 岁哥大毕业（全年级第一）。天才学霸。

2023–2024曾在OpenAI “超级对齐” 团队担任研究员。

24年被解雇后，在9月成立对冲基金 Situational Awareness LP（SALP），初始资金2.25 亿美元。

当前最新的成绩是18 个月，52 倍业绩。

这个惊人的成绩源自于他对AI产业趋势、对技术原理的深刻洞察。

在24年的一次4小时对话中（Dwarkesh Patel），他把极具前瞻性的干货，一次性都倒了出来，彼时大胆的现象和推演，变成了如今行业中正在发生的事实。

采访的内容很广泛，我整理了关于A技术领域的相关洞察。他彼时的判断，都有哪些值得现在继续回味的呢？

问题1：AI跟过去的硅谷的技术创新有什么不同？

回答1：与硅谷大部分软件创新不同，人工智能实际是一套工业流程。

仅仅做代码层面的创新是远远不够的。

我们还需要建设计算集群、发电厂、以及更多的晶圆厂。

问题2：AI有泡沫吗？

回答2：AI不是短期狂热，而是十年趋势的延续。深度学习的计算需求大约每年约增长0.5个数量级，也就是说，两年内算力需求翻10倍。

其中一半由新建算力贡献，一半由算法改良贡献。

而算力是由电力驱动和转化的，单纯从需求的角度来看，理论上，2026年预计会出现1吉瓦的数据中心（这点基本符合现状）。

紧接着2028年可能出现10吉瓦，2030年甚至可能需要100吉瓦的数据中心。

1吉瓦的数据中心相当于一座大型核反应堆的发电量，需要百亿美金。10吉瓦的数据中心差不多需要千亿美金。

当然，在每次大规模投资前，人们还需要验证是否划算，也就是说，终端客户是否能赚到足够的钱，以证明投资是合理的，不能简单的线性外推。

另外，这只是训练集群的估计。

未来肯定是推理芯片多过GPU芯片。推理需求将远远多过训练需求。

问题2：AGI时间线？

回答2：2027年如果不出意外，有机会在10吉瓦数据中心的规模下实现。形态可能是一个远程同事，独立完成任何需要计算机完成的工作。

问题3：AI未来能有多聪明？

回答3：27-28年，在一个细分领域达到人类顶尖专家的水平。决定因素有两个，一个是模型的参数规模，一个是实现行inference-time compute，具体说，模型能不能在回答问题前，在“头脑中”充分计划、反复思考、调用工具、修正错误。

如果模型能使用超过当下（24年）1万倍以上的计算量进行推理，也能实现智能水平的大幅提升。（这一点当前已经验证，成功实现）

拿下围棋打比方，一个水平普通的棋手，如果允许他每个步骤都计算很久、模拟很多方案，那么他的实力会不亚于实力很强但却下的很快的棋手。

问题4：AI的下一步进化方向？

预训练已经把海量的世界知识和抽象能力装进模型里了，下一步的主要工作是把这些能力释放出来，同时通过强化学习的方法，进一步提升模型的智能水平。即：

→ 获得基本语言、知识、代码、推理能力（预训练）

→ 用 RL / synthetic data / self-play / agent workflow 让它自己试错

→ 产生更适合自己的学习数据

→ 进一步提升模型智能水平

预训练很像你坐在教室里听老师讲课，虽然能学到东西，但是很多时候只是有个大概的印象，遇到问题还是不会解。

真正有效的学习其实是自学，比如你读一页数学书，停下来想，在脑子里思考，和同学讨论，做题，失败很多次，最后某一刻“啪”地一下懂了。

让模型学习自学，并在过程中产生更多顿悟，是大家当下在攻克的技术难点。

从长期来看，为了加速AI研究的进展，自动化的AI研究员是非常有必要的。

问题5：AI对于基础设施建设的需求未来到底有多大？

技术和经济进步通常符合一种幂律（经验）曲线逻辑：每次突破都需要比上一次投入多10倍的资源。当然创新的产出很可能低于10倍。

本质上是因为早期好点子都消耗完了，大概4-5年之后（也就是2028年以后），要找到新的有用的点子，成本会越来越高昂。

问题6：AI发展这么快，那么未来GDP也会同步发展吗？

如果AI只待在虚拟世界中，只是去提升软件工程师的效率，那么最终对GDP的贡献很可能不会超过2%。

但是如果AI能够进入实体行业，提升工厂效率、帮助机器人动起来，那么我们看到5%甚至10%的经济增长趋势。

当然，现在预测AI最终能给经济带来多大变化还为时尚早。

举个例子，19世纪60年代，我们发现了石油，标准石油公司成立，石油行业迎来了空前的繁荣。

石油技术发明50年后，电灯发明了，人们一度认为石油就会被抛弃，但实际上最终我们发现，石油用在了汽车行业和工业领域，在生活中无处不在。

AI也可能是这样。