文 | 适道
2024 年餘額告急，目測一大波 # 展望 2025# 正在路上。
誰還記得大佬們對 2024 年的展望？
一年以來，不僅 GPT-5 爽約，Brockman 本人險些離席，甚至連被奉爲圭臬的 Scaling Law 最近也遇到了 " 小插曲 "。
一年以來，各類優秀的視頻生成産品陸續發布，全員處于加速狀态。但視頻生成領域并未迎來 "GPT 時刻 "，商業化探索同樣是個難題。
年初驚豔世人的 Sora，自橫空出世以來，就鴿了。。。。其背後原因，據說是卡在了審查關。一方面，要和政府深入探讨安全風險；另一方面，亟需好萊塢和藝術家們入駐合作。
另一種可能性是，太燒錢了。Factorial Funds 估算，Sora 在訓練環節對算力需求比 LLM 高出好幾倍，至少需要在 4200-10500 塊 H100 上訓練 1 個月。如果 Sora 得到大範圍應用，比如 TikTok 的 50% 視頻由 AI 生成、YouTube 的 15% 視頻由 AI 生成，推理環節則需要約 72 萬台 H100，大概燒 216 億美元。前 OpenAI CTO Mira 提到，公司希望成本做到和 Dall · E 接近後再考慮開放。
一年以來，生成式 AI 應用依然處于早期，但擋不住巨頭們的下注熱情。紅杉算了一筆賬，AI 的預期收入和基建投入之間，或存在 6000 億美元缺口。目前局勢尚且穩定，不過曆史給我們的教訓是，泡沫需要很長時間才能破裂 ......
所謂 " 預言 "，往往會出現 " 方向 " 正确；" 時間點 " 錯誤的情況。雖然你很難咬定上面哪條預言判斷有誤，但目前的 " 體感 " 并不明朗。
" 黑天鵝 " 之父塔勒布曾在《反脆弱》一書中提出了 " 脆弱推手 "（Fragilista）的概念，特指那些在系統中增加脆弱性的 " 西裝革履 " 的人物或機構。他們會用 " 預測 "，規劃未來的路線圖，對于自己不理解的事物，則傾向于當其不存在。
然而，如果這些 " 預言家 " 完全置身事内，其 " 預測 " 将影響自身利害，情況就大不相同了。比如，包括上述 Greg Brockman 等等投身 AI 事業的諸位大佬，他們或許會誇張炒作，或許會誤測時間，但不會紙上談兵。
隻不過，有些預言實在是 " 太誇張 " 了。
最近，在一段 YouTube 視頻采訪中，當被問及對 2025 年的期待時，OpenAI CEO Sam Altman 答道：AGI？我對此很興奮。我們要有 " 孩子 " 了，這是我一輩子最興奮的事情。
眼看 GPT-5 正在 " 卡殼 "，你是信 2025 實現 AGI，還是信我是秦始皇。關于 AGI 的預言都有哪些？想要實現還差幾步？《商業内幕》的一篇文章《Those bold AGI predictions are suddenly looking stretched》進行了解釋。
看山跑死馬，" 明年實現 AGI" 堪比 " 明年移民火星 "
盤點大佬們對 AGI 的預測，大緻存在 "2026 年 ""2029 年 "，以及 "2034 年 " 三個時間節點。
第一梯隊：3 年内
OpenAI CEO Sam Altman：對 2025 年實現 AGI 充滿期待。
" 全美 Cutter" 馬斯克：最遲 2026 年會出現 AGI。
Anthropic 創始人 Dario Amodei ：預測 2026 年實現 AGI 。
OpenAI 聯創 John Schulman：AGI 将在 2027 年實現，ASI 将在 2029 年到來。
第二梯隊：5 年内
諾獎得主、AI 教父 Geoffery Hinton：5 年内看到 AGI。
英偉達創始人兼 CEO 黃仁勳：未來 5 年，AI 能通過人類任何測試。
谷歌首席研究員 Ray Kurzweil：預測 AGI 将在 2029 年到來。
《奇點臨近》作者 Ray Kurzweil：預測 2029 年實現 AGI。
第三梯隊：10 年
諾獎得主、DeepMind 創始人 Demis Hassabis：實現 AGI 需要 10 年時間，且還需要 2 到 3 項重大創新。
軟銀 CEO 孫正義：AI 将在 10 年内比人類聰明一萬倍。（直接預言上了 ASI）
當然，還有一些 " 白日夢 " 組合。
Yann LeCun 認爲，AGI 短期内不會出現。至少不會像好萊塢科幻電影那樣突然出現。它更可能是一個漸進的過程，而不是某個時刻突然 " 開機 " 就得到 AGI。實現真正的 " 人類級别 " 的 AI 之前，我們得到的更可能是一種 " 貓級别 " 或者 " 狗級别 " 的低智能 AI。
吳恩達對宣稱 AGI 即将到來持懷疑态度：我希望能在我們有生之年看到 AGI，但我不确定。
人工智能專家 Gary Marcus 曾表示，如果我們繼續深度學習和語言模型的路線，将永遠無法實現 AGI，更遑論 ASI 了。因爲這些技術存在缺陷，相對薄弱，隻有通過更多的數據和算力，才能取得進步。
華盛頓大學計算機科學教授、《終極算法》作者 Pedro Domingos 曾斷言：ASI 隻是一個白日夢。
對于 AGI 的預測，背後關系着數萬億美元的投資。其無疑是未來科技發展的重要方向，但更重要的是，看清楚什麽是真實可行，什麽是過度炒作。
文章作者 Alistair Barr 認爲，警示信号已經出現。
最爲迫切的是 Scaling Law" 撞牆 "：OpenAI 聯創 Ilya Sutskever 明确表示，依賴于擴大模型規模的結果似乎已經停滞；OpenAI 研究員 Noam Brown 表示，在某個節點，擴展模式會失效；谷歌下一代 Gemini 性能未達預期，内部正在重新評估訓練數據的使用方式。
連 " 技術樂觀派 " 投資人都開始 " 謹言慎行 "。
a16z 創始人 Marc Andreessen 和 Ben Horowitz 懷疑 LLM 是否能保持現有的發展勁頭。
Andreessen 表示：目前看起來，AI 模型的能力似乎遇到了某種瓶頸。當然，行業中有許多聰明人正在試圖突破這個天花闆。但是，如果你僅僅從數據和性能趨勢圖來看，AI 模型性能的提升速度正在放緩，并呈現出一種 " 觸及天花闆 " 的趨勢。
Horowitz 則指出了阻礙因素：即使芯片到位了，我們可能也沒有足夠的電力支持。而有了電力後，又可能缺乏有效的冷卻手段。雖然 GPU 的算力在不斷提升，但 AI 模型的性能卻未能同步增長，這表明僅僅依靠硬件的升級并不能解決所有問題。
如果目前無法突破這個技術瓶頸，那麽短期内實現 AGI 的可能性幾乎爲零。如今，Google 未給出明确回應；Sam Altman 直接表示，沒有撞牆；Anthropic 則表示，尚未發現任何偏離 Scaling law 的迹象。
有趣的是，Alistair Barr 解釋了 Sam Altman 爲何 " 嘴硬 "。
一方面，如果 OpenAI 實現了 AGI，則有望逃離微軟的巨額 " 控制 "。OpenAI 官網寫道，一旦實現 AGI，其所産生的知識産權将不受現有與微軟的協議約束。
另一方面，Altman 的 AGI 目标完全是一種願景，就像馬斯克對火星移民和自動駕駛汽車的執着——即便一次次錯過預測時間，卻總能點燃團隊的熱情。
因此，"2025 年實現 AGI" 的宏大目标，無疑比 " 實現公司賬單自動化 " 這類相對平凡的目标更帶勁兒，盡管後者可能更具短期商業價值。
曆史表明，技術的發展充滿了不确定性，比如某些技術在經曆長期穩定的進步後，可能會突然失效。最經典的例子是 " 摩爾定律 "。該定律是半導體行業發展的一盞明燈，其 " 每兩年翻一番 " 的預言，點燃了整個科技界的創新熱情，并爲英特爾等巨頭的崛起奠定了堅實基礎。
然而，麻省理工學院計算機科學與人工智能實驗室（CSAIL）的研究表明，摩爾定律的魔力正在逐漸消退。
比如，2014 年— 2019 年，英特爾在 14 納米和 10 納米工藝的推進上遭遇了瓶頸，用 5 年才完成預期 2 年就能達成的目标。2019 年，投資者意識到摩爾定律不再适用以來，英特爾股價下跌了約 50%，至今未能完全恢複。
這些現象預示着，技術進步可能并非永恒，AGI 的到來并非迫在眉睫。
擋在 AGI 前方的四座大山
近期，Scale AI 創始人兼 CEO Alexandr Wang 的演講頗具啓發意義。
他将現代 AI 時代分爲三個主要階段：
第一個階段是研究階段（2012-2018），由第一個深度神經網絡 AlexNet 開啓，那是一個 AI 隻能告訴你 YouTube 視頻裏有沒有貓的時代。
第二個階段是規模化階段（2018-2024），由 OpenAI 的 Alec Radford 訓練的 Transformer 和 GPT-1 開啓。在這段時期，投入資源增長了一萬多倍，這帶來了性能的巨大提升。模型能力也從默默無聞的 GPT-1，發展到了博士水平的 o1 模型。
第三個階段将是創新階段，由 o1 模型開啓，直到出現超級智能爲止。我們拭目以待，看看這個階段是 6 年還是更短。這個階段的标志是，大家已經在模型上投入了 2000 億美元，而事實上大公司無法投入比這更多的資金了。我們不可能在模型上砸出 200 萬億美元。所以，從數量級來說，能繼續規模化的空間已經很有限了。砸錢工作結束，才真正需要相應的創新來配合，增強推理能力和測試時間計算能力肯定是其中之一。
Wang 認爲，在此之前，邁向 AGI 路上存在五大挑戰：數據牆、評估過拟合、Agent 不可靠、芯片和能源、國際競争等等。
挑戰一是數據牆。Epic AI 預計的時間點在 2027 年到 2030 年之間。但如果你和業内人士交流，他們會說比這更早。目前，有幾個主要的解決方案。
例如，前沿數據，各種形式的合成數據，以及更高級的數據類型，還有企業數據。這些數據類型能讓我們更有效地學習高級概念，比如推理能力、多模态、智能體數據。此外，具身智能以及其需要的現實數據将是一個重要領域。總之，絕大部分的數據仍然是私有和專有的，是被鎖起來的。
比如，GPT-4 的訓練數據集大約爲 0.5 PB。而摩根大通的專有數據集，超過了 150 PB。他們隻是衆多大企業中的一個。還有大量的數據躺在那裏，從未被用于任何主要的訓練。
挑戰二是評估。這在 AI 圈内經常引發讨論，但是圈外人不太理解其重要性。評估是我們用來衡量這些模型進步的标尺。目前，許多評估都飽和或容易過拟合，過拟合指它們有點被 " 遊戲化 " 了；飽和是指模型在所有評估中都已經表現得非常好。這意味着研究可能變得更加漫無目的。如果你看過去幾年的 MMU、數學、GPQA 等測試，模型表現似乎達到了瓶頸。但這并不是因爲模型沒有變得更好，而是因爲這些評估已經不夠難了。爲解決這個問題，我們需要建立更具挑戰性的評估。
挑戰三是 Agent。盡管每個人都在談論 Agent，但它們還沒有真正到來，而且不可靠。我們看到 AI Agent 與自駕中的 "L1 — L5" 非常相似。這個類比非常貼切：L1 是一個聊天機器人；L2 是你可以尋求各種幫助的助手。L3 是指用于工作流程特定部分的 Agent，你可以開始依賴它們；L4 可能會颠覆這一點，當 Agent 需要人類幫助時，會向你尋求幫助，更像是一種遠程操作模式。首先，讓模型在每個領域都具備推理能力，最終在幾乎每個領域都能發揮作用。其次，建設能夠實現遠程操作 Agent 的基礎設施。在未來，我們大多數人可能隻是 AI Agent 的遠程操作員。
挑戰四是芯片和能源。在未來五年内，這些數據中心所需的電力保守估計爲 100 吉瓦，也許遠遠不夠。這相當于 20 個芝加哥的能源消耗，需要投入數萬億美元的資本支出。在這裏我沒有解決方案，隻是指出這個挑戰。
結語
AGI 被視爲人類追求的 " 聖杯 "。一旦實現，世界将被徹底改變。
如果 AI 出現了 " 神 " 的能力，它或許就成了 " 神 " 的化身。
無論是在 2 年後，3 年後，抑或 5 年後，10 年後，終有一天 AGI 會實現，現在留給人類 " 轉型 " 的時間還有多少？
或許，預測未來不如預測 " 脆弱 "。
正如 Sam Altman 所言：我從不祈禱求神站在我這邊，而是希望自己站在神的一邊。
