上個月底，前 DeepMind 傳奇專案（AlphaGo Zero、MuZero）的核心貢獻者、現任 Anthropic 頂級研究員 Julian Schrittwieser 發表了一篇題為《[Failing to Understand the Exponential, Again]》（《我們又一次低估了指數成長的力量》）的部落格文章，迅速在 AI 圈爆紅。
原因很簡單，這篇文章點出了一個關鍵問題：我們對 AI 的成長速度，可能一直都在誤判。
在近期的深度訪談中，Julian 再次系統性地闡述了前瞻 AI 發展的真實軌跡、對未來一兩年的具體預測，以及從 AlphaGo 到 AGI 的關鍵演進路徑。
跟隨這位頂級研究員的視角，我們會發現令人震驚的真相。
傳送門：https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/
一、大眾為何會反覆誤判 AI？
Julian 指出，人類在面對「指數成長」時一貫遲鈍。這種認知錯覺，在新冠疫情早期就出現過——明明數據已經在爆炸成長，社會卻仍覺得離我們很遠。AI 如今也一樣。
Julian 總結了大眾的兩大認知偏差：
1. 忽視指數曲線。
大多數人仍以線性視角看待 AI 的進步，誤以為它正在「放緩」，或將止步不前。但在前瞻實驗室的數據中，AI 能力的成長極其穩定且指數級，與「泡沫論」的主流敘事完全不同。
2. 以當下的錯誤做永久性判斷。
看到 AI 現在偶爾犯錯（如寫程式、設計網站），就認為它永遠無法達到人類水準。於是就跳到結論：AI 永遠無法在人類水準上完成這些任務，或者只會產生很小的影響。
可幾年前，讓 AI 做到這些事情還完全是科幻。有人看到連續兩代模型的對話差異不大，就斷言 AI 已達頂峰、Scaling 時代結束了。
雖然社群媒體上關於人工智慧泡沫 的討論隨處可見，但 Julian 在前瞻實驗室看到的，卻是另一番景象：
「我們沒有看到進展的放緩，反而看到的是一個非常穩定的進步，已經持續多年。」
這種進步，用數據可以精確描繪出來。
二、AI 長任務能力每 7 個月翻一番
根據獨立機構 METR（Model Evaluation and Testbed for Robustness） 的研究報告《Measuring AI Ability to Complete Long Tasks》（《衡量 AI 完成長任務的能力》），
前瞻模型在任務持續時間上的表現呈現出穩定的翻倍曲線。
• 2024 年中期，Claude Sonnet 3.5 僅能獨立完成約 30 分鐘任務；
• 到 2025 年，Sonnet 3.7 已能連續自主工作約 1 小時。
按照這種趨勢外推，AI 長任務能力每 7 個月翻一番。最新一代 GPT-5、Grok 4、Opus 4.1 等模型的表現已經超出了趨勢預測線，能夠勝任超過 2 小時長度的任務。
Julian 指出：
「這意味著模型已經能在中等規模專案上獨立運行，不需要人類即時干預。」
這類能力的提升，不是「線性疊加」，而是指數倍增。
若繼續沿著 METR 的趨勢線外推，僅需一年多時間，AI 就能連續工作一個完整工作日。
有人可能會反對：從軟體工程任務上推廣到更廣泛的經濟領域是否合適？
三、AI 已逼近人類專家，可委託性逐漸擴大
幸運的是，我們還有另一個研究可以參考：OpenAI 的 GDPval 評估——它在 9 個行業中涵蓋了 44 個職業來測量模型表現。
在這項評估中：
• 每個任務都由平均 14 年經驗的行業專家設計，
• 模型與人類解答進行盲評比較。
結果顯示：GPT-5、Claude Opus 4.1 已接近人類專家的平均水準。
這些跨行業數據說明：
AI 的「可委託性」正在迅速擴大。
如果模型每 10 分鐘就需要人類回饋互動，其效率會受到極大限制；但當模型能持續工作數小時，並在專業水準上與專家持平，它就不再是單純的工具副本，而成為可以批量委託任務、進行團隊化管理的「虛擬協作夥伴」。
Julian 認為，即使是保守的趨勢外推，也足以推斷 2026 年將是 AI 廣泛融入經濟的關鍵一年。
「基於對數據和過去趨勢的簡單線性擬合外推，可以預測 AI 在未來一兩年內將實現全天候自主工作，並在專業領域達到甚至超越專家水準。」
對此，他給出了三個時間節點的關鍵預測：
• 到 2026 年中期，模型將能夠 自主工作一整天（8 個工作小時）。
• 在 2026 年底之前，至少有一個模型將在多個行業 匹配人類專家 的表現。
• 到 2027 年底，模型將頻繁地在許多任務上超越專家。
這些不是空想，是數據外推的結果。Julian 說，這或許比許多「專家判斷」更可靠。
四、AI 生產力革命之後，是一場 AI 創造力革命
不止如此，AI 的價值，早已不只是「高效幹活」。它的創造力，也在改寫科學探索的節奏。
Julian 對 AI 創造力的理解，源自他在 DeepMind 時期的親歷。2016 年，AlphaGo 對戰世界頂尖圍棋選手，走出震驚業界的「37 步」。那一步棋非常反常，連職業棋手都感到意外。
這一步的意義重大——它證明 AI 不只是機械計算最優路徑，還能做出真正新穎、有創意的決策。
現在的語言模型，同樣有這種創造力。它們能生成無限量的新穎內容，比如新程式碼、新論文片段。
真正的難點，不在於「新穎」，而在于「有用的新穎」。
要做到這一點，任務得夠難、夠有趣，AI 還得能判斷創意的品質。既走新路徑，又保證這條路徑有實際價值。
如今，這種創造力已經用到了科學發現上。
AlphaCode 能找到新程式，AlphaTensor 能發掘新演算法。Google DeepMind 和 Yell，也在生物醫學領域用 AI 做出了新發現。
Julian 判斷：
「或許明年，我們就會看到由 AI 獨立完成、足以震動科學界的發現。」
而對於當前存在的爭議，他保持十分樂觀的態度：
現在有些成果還有爭議，但這個過程一直在推進，等證據足夠清晰，爭議自然會消失。
更讓人期待的是諾貝爾獎級別的突破。
Julian 甚至預測，到 2027 年或 2028 年，AI 模型會足夠聰明，能單獨完成足以贏得諾貝爾獎的科學突破。
未來，AI 甚至可能衝擊數學菲爾茲獎。它會幫我們解鎖宇宙的奧秘，提升人類的生活水準。
換言之，AI 的生產力革命之後，正醞釀一場「創造力革命」。
五、AGI 的路徑與挑戰：預訓練與強化學習的結合
聊到 AGI，Julian 的判斷極為清晰：
「不需要新的神秘技術，『預訓練 + Transformer + 強化學習』的範式，足以實現人類水準的智能系統。」
這個範式的有效性，在 AlphaGo 系列演進中體現得淋漓盡致：
• AlphaGo 靠深度網路與自我對弈擊敗頂級棋手
• AlphaGo Zero 將這一過程提升到了另一個層次，完全去除了對人類知識的依賴，從零開始自我對弈，幾天就超越初代
• AlphaZero 把邏輯推廣到國際象棋、將棋，實現跨遊戲通用
• Mu0 則將框架擴展到現實世界的強化學習問題
在他看來，AGI 不會是突發奇點，而是一條平滑曲線。
技術難度的上升是真實的，但只要生產力的提升能抵消研究成本的增加，進步就不會停滯。
至於未來是否會放棄預訓練、只用強化學習，Julian 的答案是「大概率不會」。
「預訓練帶來了一些有趣的安全性視角。創造一個擁有與我們相似價值觀的代理」—— 預訓練不僅高效，還能幫 AI 對齊人類價值觀。
或許有人會為科學興趣訓練「從零開始的 AI」，但實用層面，「預訓練 + 強化學習」仍是主流。
最終，AI 的目標不是「超智能」，而是解決氣候變化、醫療、教育等全球性問題。
「我們需要確保人工智慧是為人類服務，而不是對抗人類」—— 這才是技術演進中最核心的原則。
六、結語
Julian 的分享，其實在幫我們糾正一個認知：別用「現在的 AI」去判斷「未來的 AI」。
因為它在指數成長。
今天覺得「不可能」的事，可能明年就成了「常規操作」。
從自主工作一整天，到追上甚至超越專家，再到幫人類拿諾貝爾獎——AI 的演進速度，比我們想像中快。
正如 Julian 所說：
「人工智慧是一種工具——一種強大的工具，可以幫助我們解決問題，實現曾經認為不可能的事情。」
但它終究是個工具。是否能夠負責地使用它，並確保它造福全人類，這掌握在我們手中。
未來有多好，取決於我們能不能用好這個工具，能不能讓它跟人類站在一邊。我們面前有一個巨大的機會，而如何充分利用它，取決於我們自己。
接下來的兩三年，會是 AI 改變世界的關鍵期。我們不妨保持關注，也保持理性——既不低估它的潛力，也不忽視它的挑戰。