AI会快速进步，但未必走向通用超级智能
核心观点
一些顶尖产业研究者认为，几年内 AI 就会在他们自己的工作上超过他们。作者对此保持怀疑，并给出一个解释：研究者们看到的是模型基础设施和工程能力的巨大加速，而这并不等同于模型性质本身发生根本变化。
作者同意，未来几年模型很可能成为“超人级的分布式 GPU 工程师”。这会让实验、调参和模型方案探索变得容易得多，但未必会让模型在本质上变成完全不同的东西。
AI研究正在重新变得“更像研究”
Ilya Sutskever 曾提出 AI 进入“研究时代”的说法。作者认为，从某种意义上看，这一判断来得很早，但方向并不奇怪：有了代码智能体之后，研究确实比过去容易了。
这种变化意味着，软件领域可能进入一个“好想法比好执行更有价值”的阶段。过去几年，最优秀的 AI 研究者往往需要同时具备提出想法、实现想法并在复杂基础设施中扩展它们的能力。但接下来几年，工程瓶颈可能会快速下降，研究工作会再次更偏向想法本身。
作者并不认为必须接受“快速起飞”或递归自我改进的叙事，才能看到这一点。更稳妥的表述是：AI 辅助下的大规模并行语言模型研究，会显著改变 AI 领域的工作方式。
近期开源点：推理与训练栈的可优化性
AI 训练和推理栈中，有很多环节是高度可验证、可优化的。
训练侧的指标包括：
- 每张 GPU 每秒处理多少 token；
- 训练速度；
- 不同架构和数据选择带来的效率差异。
推理侧的指标包括：
- 每个 prompt 消耗多少 token；
- 每个 token 消耗多少 FLOPs；
- 每次回答的实际成本。
这些指标都很适合被系统性优化。作者预计，几年内 AI 智能体会帮助端到端优化整个过程，使推理能力更接近 GPU 等加速器的底层算力上限。
过去几年，模型服务商已经能在发布某个定价后，通过推理效率优化节省约 10% 到 30% 的服务成本。作者认为，这一趋势会在整个技术栈中复合，未来几年“模型智能的有效成本”可能接近指数级下降，甚至快于近期趋势。
短期红利与长期协同设计
作者认为，效率优化中的低垂果实可能只需要几年时间就能被大量采摘。
更长期的变化，则会来自加速器与模型的协同设计：在 GPU 这种灵活平台之外，专门化硬件与模型架构的共同演化，可能再带来数量级的效率提升。
不过在快速探索阶段，GPU 的灵活性依然重要。因为模型架构搜索空间仍然很大，自动化研究可能会把架构探索作为关键杠杆。作者认为，针对当前这一类模型，预训练研究中的架构选择和数据选择在 2 到 3 年内被自动化，是一个合理预测。
智能体可能触发杰文斯悖论
效率提升不一定会减少总需求。相反，作者预计智能体模型会触发杰文斯悖论：单位成本下降后，总使用量会继续上升。
当前行业的瓶颈之一，并不是单纯模型能力不够，而是还没有充分弄清楚如何更好地组织、呈现和交付智能体能力。Meta 的 Muse 智能体被作者视为一个早期信号：未来可能会出现更多面向不同用户群体和目标场景的类似体验。
这类价值并不一定来自继续推动模型性能前沿，而是来自更好地理解智能体如何工作，并把它们嵌入具体产品和流程。
科学领域：跨子领域连接或将增加
在生物学、化学等科学文献领域，作者预计 AI 模型会带来一个重要阶段：发现大量跨子领域的联系。
AI 模型擅长爬取文献，并在稀疏知识网络中建立连接。而这些网络目前往往由规模较小、彼此很少互动的科学共同体维护。
这可能意味着一个新的科学发现时代，也可能只是加速原本已经在推进的科学进程。作者没有断言一定会出现突破性结果，而是强调两者之间存在一条微妙界线。
强化学习环境仍有大量低垂果实
另一个产业级低垂果实，是提升强化学习环境的整体质量。
作者提到，现在已经出现了不少 RL 数据公司，其中一些收入达到 1 亿美元甚至 10 亿美元级别，数量超出他的预期。但他认为，这个领域的平均产出质量相当低。许多研究者也同意，他们购买的很多数据质量并不好。
与此同时，领先实验室仍然能从购买这些数据中看到明确回报。作者认为，许多强化学习环境的粗糙问题是可以修复的。
结论：进步会很快，但方向未必是通用超级智能
作者的总体判断是：AI 会出现快速进步，但主要来自工程、基础设施、推理效率、自动化实验和智能体交付方式的改善。
这些变化会显著降低智能成本，推动技术向经济体系扩散，也会使数学、编码和部分可验证任务继续快速进步。
但作者并不认为，这必然意味着模型会很快获得广泛、经济上有价值的超人能力，更不必然意味着通用超级智能即将到来。短期更可信的路线，是用现有工具扩展推理时计算，并把 AI 用于加速 AI 工程本身。