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 原创
这几天略忙，早就想整理这篇文章，但是才腾出时间。大家知道，Anthropic对于AI的未来判断是比较激进的。这个讲座的区别在于，这是一个学术讲座，讲者是研究员，所以可以认为是从学术角度谈的，就更有参考价值。
这几天略忙，早就想整理这篇文章，但是才腾出时间。大家知道， Anthropic 对于AI的未来判断是比较激进的。这个讲座的区别在于，这是一个学术讲座，讲者是研究员，所以可以认为是从学术角度谈的，就更有参考价值。
2026年6月，斯坦福大学举办了物理与AI大会（PAI26），面向物理学和相邻学科的研究者。Jascha Sohl-Dickstein应邀做了一场约45分钟的演讲，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。Jascha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 Sohl-Dickstein 在斯坦福 PAI26 大会演讲现场。
演讲的前半句不是修辞。Jascha解释了"人类世"这个概念：人类正在对地球产生地质级别的影响， 核武器测试 的放射性同位素已经嵌入了岩层，数十亿年后仍然能证明我们曾经在这里。但"人类世"的定义本身暗示了它的终点：如果人类不再是驱动全球变化的主要智能，这个纪元就结束了。按Jascha的判断，人类世可能是一个非常短暂的地质时期。
他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" 。离技术最近的人通常最先发现瓶颈，而这一次他们的报告是：没有发现瓶颈。这个判断背后的证据是什么，如果它成立又该怎么行动，是这场演讲要回答的两个问题。
演讲一开始，Jascha放出了一张从1950年代延续至今的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。他指着图表最右端的数据点说，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 。
然后他做了一个粗略换算，把人脑拉到这张图上做比较。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。
第二条指数曲线来自专门追踪AI能力增长的研究机构METR。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。这条曲线同样呈指数增长。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。80%和90%成功率的曲线斜率相同，只是在时间上推后一到两年。
METR 软件任务时长指标：50% 成功率下，模型可完成任务对应的人类工作时长。
第三条曲线涉及数学。Paul Erdos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。
讲座展示的 Erdos 问题解题统计，分别标出 AI 参与解题和自主解题两种口径。
Jascha用第三条曲线回应了一个常见说法：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。
基准测试本身的衰老速度也在加速。1990年代制作的AI基准测试，大约需要二十年才被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。
他在这里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。
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。"
不到一年前，Jascha在哈佛做了类似演讲。之后他收到了一封邮件，全文只有一句话："What a batshit crazy abstract?"（摘要疯了吧？）
奥弗顿窗口是指公共讨论中被认为可以接受的观点范围。它得名于美国政策研究者约瑟夫·奥弗顿，他在20世纪90年代提出这一框架，最初讨论的是哪些政策主张能获得公众接受。这封邮件的潜台词是，预测 AGI 仍然在窗口之外。但Jascha认为这种局面正在快速改变。他读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做了一个时间差检验：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。预测中的一半已经成真，另一半以一种没人预料的方式被消化。
不过，公众人物的发言不是最关键的信号。真正代表行业温度的共识来自更小的圈子。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了。
Jascha分析了做模型的人底气的来源。他本人的经验是：始终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。这就好比你开着一辆极度费油的车上路，你浪费了大量燃料，但你确实在往前走，而且前方没有路障。
AI解出了数学家几十年没解出的问题，但那些问题是人类提出的。问答环节中，有听众直接挑战：AI并没有自己发现并解决全新的重要问题，离AGI还远。
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，把微积分应用于一个新问题也是泛化。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，做成私人基准，给出一个精确的数字，然后观察那个数字随时间怎么变。如果你的测量证明AI在你关心的维度上没有进展，他会比现在更认真地对待这个反对意见。
这个思想实验背后有一个更古老的判断支撑。2019年，强化学习先驱Richard Sutton发表了一篇短文，叫《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。 回顾AI的历史，几乎每一次，研究者精心设计的人类知识嵌入方案最终都输给了更多数据加更大规模的暴力计算。这个教训之所以苦涩，是因为它意味着人类研究者花在"聪明方法"上的时间往往不如花在"扩大规模"上。
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。
专注于AI趋势预测的研究机构Epoch AI推算，到2030年AI训练算力有潜力比2025年再增长一万倍。
Jascha把这个数字翻译成一个视觉判断。 在2030年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。
Epoch AI 对训练规模限制的情景分析；图中倍数以 GPT-4 训练计算量为基线。
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。Jascha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。 一个小团队的决定，锁定了此后数十亿人的通信方式。
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。
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。
接着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。他把这段时期称为 "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。
Jascha讲了一个博士生的故事。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。
他从这个故事引出了一个更普遍的判断。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。但如果AI将引发大规模变革，风险的基线本身已经极高。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。 抛开AI不谈，人们普遍过于厌恶风险，而在当前的环境下，做有影响力的事情反而是更合理的风险管理。
落到日常工作层面，Jascha给了一个具体的策略：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。
另一个策略是把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。
不过他给了一条明确的红线：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相似：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。
但享受黄金时代需要知道把精力投向哪里。Jascha给出了一份方向清单，同时强调这份清单远不完整，最有影响力的事情大概率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。
他坦言这个方向可能充满冲突和压力。但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，最优秀的人却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。
这场演讲的框架可以压缩为三层。AI能力的指数增长有充分的实证支撑，做模型的人没有发现通向超级智能的硬性障碍。因为我们处在指数的极早期，个人此刻拥有对未来不成比例的杠杆。黄金时代的窗口有限，应该在关闭之前做一件回头看会值得做的事。
具体到行动层面：选快节奏、有针对性的项目，跑在曲线前方。每天使用AI工具但不外包思考。别因为风险厌恶而选看似安全的路线，那条路线在大变革的基线下同样不安全。如果你认为AI的某个能力正在停滞，量化它，做成基准，然后看数字怎么变。