Dwarkesh 這個名字，可能很多人有點陌生。但關注 AI 的朋友，一定在最近一段時間里，看到過 Ilya Sutskever 跟 Andrej Karpathy 的播客采訪。 他們上的就是 Dwarkesh 的播客。

這兩人上播客的次數(shù)屈指可數(shù)，能采訪到這兩個人，大概能說明 Dwarkesh 在美國 AI 圈的地位。

這篇文章基于他最新一期播客，匯總了一些他關于 AI 進展的想法。

在這之前，他其實已經(jīng)在個人網(wǎng)站上更新過相關內容，所以我在文章最后還從那里精選了幾個評論。

因為關于 AI 進展，乃至 AGI 的時間線，都是非常主觀的話題，所以除了作者的看法，評論區(qū)的反饋也很有價值。

Dwarkesh 的一些核心判斷：

1. 以強化學習為核心的“中訓練”，正在成為 LLM 的重點突破方向。前沿科技公司正通過所謂的“中訓練”（mid-training）把大量具體技能預先塞進模型里。

Dwarkesh 認為這恰恰是 AGI 還很遠的證據(jù)，因為如果模型泛化能力很強，那就不需要單獨構建那么多強化學習環(huán)境，教它操作瀏覽器或者 Excel。

2. 預置技能的想法是很奇怪的，人類勞動力之所以有價值，恰恰是因為訓練成本并不笨重。

可以根據(jù)需要，靈活掌握一些新的技能。每天你都要做上百件需要判斷力、情境感知、以及在工作中習得的技能和背景知識的事情。如果全部依賴預置技能，很可能的結果是我們連最簡單的工作都無法完全自動化。

3. AI 經(jīng)濟擴散滯后，本質是為能力不足找借口。企業(yè)招聘這個過程其實非常tricky，因為涉及對人的能力和品格等做估計。

而 AI 員工完全不存在這個問題，經(jīng)過驗證的 AI 員工可以無損無限復制。

換句話說，企業(yè)有很強的動機去雇傭 AI 勞動力�，F(xiàn)在這事沒有發(fā)生，只能證明模型能力差得太遠。

4. 回應對 AI 空頭的批評。過去發(fā)生過的事情是，經(jīng)常有人說 AI 現(xiàn)在這不行那不行，比如通用理解、少樣本能力、推理能力。

但隨著技術發(fā)展，這些問題 AI 都能解決了。但是空頭還是會提出新的標準，論證 AI 的能力不限。

作者認為這種標準調整是有道理的，因為我們對于 AGI 的理解在深化，智能和勞動比我們曾經(jīng)的理解要復雜得多。

5. 預訓練階段的 scaling law 非常清晰，只要算力數(shù)量級提升，損失函數(shù)就會穩(wěn)定下降。

但現(xiàn)在大家正在把這種在預訓練上獲得的經(jīng)驗，轉移到圍繞強化學習（RLVR）的中訓練上。

這種技術樂觀并沒有依據(jù)，有人根據(jù) o 系列做了研究，結論是：要獲得類似 GPT 級別的提升，強化學習的總算力規(guī)�？赡苄枰�提升到一百萬倍。

6. 與人類分布的對比，會先讓我們高估 AI，然后再低估它。

由于知識工作中相當大一部分價值來自最頂尖的那一小撮人，如果我們把 AI 模型的智能水平與“中位數(shù)人類”相比，就會系統(tǒng)性地高估它們能創(chuàng)造的價值。

但反過來說，一旦模型真正達到了頂級人類的水平，其影響力可能會是爆炸式的。

7. 持續(xù)學習（continual learning）會是 AGI 之后，模型能力提升的主要驅動力。

他預估明年前沿團隊就會發(fā)布一些持續(xù)學習的雛形功能，但要達到人類水平的持續(xù)學習，可能還需要 5 到 10 年。持續(xù)學習的解決不會是一蹴而就的，所以不會有模型因為在這點上取得突破后就獲得失控式的領先優(yōu)勢。

以下為原文：

我們在Scaling什么？

我一直很困惑：為什么有些人一方面認為 AGI 的時間線很短，另一方面卻又對當前在大語言模型之上大規(guī)模擴展強化學習持極度樂觀態(tài)度。

如果我們真的已經(jīng)接近一種類人學習者，那么這種基于“可驗證結果”的訓練路徑，從根本上就是走不通的。

目前，各家正試圖通過所謂的“中訓練”（mid-training）把大量具體技能預先塞進模型里。

圍繞這一點，甚至已經(jīng)形成了一整條產(chǎn)業(yè)鏈：有公司專門構建強化學習環(huán)境，教模型如何操作網(wǎng)頁瀏覽器，或者使用 Excel 來搭建財務模型。

要么，這些模型很快就能以自我驅動的方式在工作中學習，那所有這些“預烘焙”技能就毫無意義；要么它們做不到，那就說明 AGI 并非近在咫尺。

人類并不需要經(jīng)歷一個特殊的訓練階段，把未來可能用到的每一個軟件都提前練一遍。

Beren Millidge 在最近的一篇博客中對這一點提出了很有意思的看法：

當我們看到前沿模型在各種基準測試上取得進步時，不應該只想到算力規(guī)模的提升或巧妙的機器學習研究思路，還應該意識到：背后是數(shù)十億美元的投入，用來支付博士、醫(yī)生以及其他專家，讓他們圍繞這些特定能力編寫問題、給出示例答案和推理過程。從某種意義上說，這就像是專家系統(tǒng)時代的一次大規(guī)模重演，只不過這一次不是讓專家把思維直接寫成代碼，而是讓他們提供大量被形式化、被追蹤的推理樣本，然后我們通過行為克隆把這些蒸餾進模型里。這讓我對 AI 時間線略微傾向于更長，因為如此巨大的努力才能為前沿系統(tǒng)設計出高質量的人類軌跡和環(huán)境，恰恰說明它們仍然缺乏一個真正 AGI 所必須具備的關鍵學習核心。

這種張力在機器人領域表現(xiàn)得尤為明顯。從根本上說，機器人是一個算法問題，而不是硬件或數(shù)據(jù)問題。

人類只需要很少的訓練，就能學會遠程操控現(xiàn)有硬件去完成有用的工作。所以，如果我們真的擁有一種類人的學習者，機器人問題在很大程度上就已經(jīng)解決了。

但正因為我們沒有這樣的學習者，才不得不跑到成千上萬戶家庭里，去學習如何端盤子、如何疊衣服。

我聽過一個來自“五年內起飛”陣營（極度技術樂觀派）的反駁觀點：我們之所以要搞這些笨拙的強化學習，是為了先造出一個超人類的 AI 研究員，然后讓一百萬個自動化的 Ilya 去想辦法解決如何從經(jīng)驗中進行穩(wěn)健而高效的學習。

這讓我想起那個老笑話：我們每賣一單都在虧錢，但可以靠走量把錢賺回來。一個連兒童都具備的基本學習能力都沒有的自動化研究員，卻要解決人類花了將近一個世紀都沒解決的 AGI 算法問題？我覺得這極其不可信。

此外，即便你認為 RLVR 的規(guī)�；�很快就能幫助我們自動化 AI 研究，實驗室的實際行動卻表明它們并不相信這一點。

要自動化 Ilya，并不需要提前把做 PowerPoint 的咨詢顧問技能塞進模型里。而現(xiàn)在它們這么做，清楚地暗示了這樣一種看法：這些模型在泛化能力和在崗學習（on-the-job learning）方面仍然表現(xiàn)糟糕，因此才必須提前內置那些他們希望在經(jīng)濟上有價值的技能。

RLVR：Reinforcement Learning with Verifiable Rewards，指帶可驗證獎勵的強化學習

另一種反駁是，即使模型能夠在工作中學會這些技能，把它們一次性在訓練階段學好，總比為每個用戶或每家公司反復學習要高效得多。

確實，把對瀏覽器、終端等常用工具的熟練度預先內置進去是很合理的。AGI 的一個關鍵優(yōu)勢，本來就是不同實例之間可以共享知識。

但人們嚴重低估了大多數(shù)工作對公司特定、情境特定技能的依賴程度，而目前 AI 并不存在一種穩(wěn)健且高效的方法來習得這些技能。

人類勞動力之所以有價值，恰恰是因為訓練成本并不笨重

有一次我和一位 AI 研究員以及一位生物學家一起吃飯。那位生物學家說她認為 AI 的時間線很長。我們問她覺得 AI 會在哪些地方遇到困難。

她說她最近的工作加入了看切片的部分，判斷某個小點到底是真正的巨噬細胞，還是只是看起來像。AI 研究員則回應說：圖像分類是深度學習的教科書級問題，這個很容易訓練。

我覺得這段對話非常有意思，因為它揭示了我和那些期待未來幾年出現(xiàn)顛覆性經(jīng)濟影響的人之間的一個關鍵分歧。人類工作者之所以有價值，正是因為我們不需要為他們工作的每一個小環(huán)節(jié)都搭建笨重的訓練閉環(huán)。

針對某個實驗室特定的切片制備方式，單獨訓練一個模型來識別巨噬細胞，然后再為下一個實驗室、下一個微任務重復一遍，這在整體上是得不償失的。真正需要的是一種 AI，能夠像人類一樣，從語義反饋或自我驅動的經(jīng)驗中學習，并且實現(xiàn)泛化。

每天，你都要做上百件需要判斷力、情境感知，以及在工作中習得的技能和背景知識的事情。這些任務不僅在不同人之間不同，甚至同一個人前后兩天做的事情都不一樣。

僅靠預先內置一組固定技能，連一份工作都無法完全自動化，更不用說所有工作了。

事實上，我認為人們嚴重低估了真正 AGI 的沖擊力，因為他們只是把現(xiàn)在這一套無限延展。他們沒有意識到，真正的 AGI 意味著服務器上運行著數(shù)十億個類人智能體，能夠復制、融合彼此的全部學習成果。

說清楚一點，我確實預計這種意義上的 AGI 會在未來一二十年內出現(xiàn)。這實在是太瘋狂了。

所謂經(jīng)濟擴散滯后，其實是在為能力不足找借口

有時候人們會說，AI 之所以還沒有在企業(yè)中廣泛部署、在編程之外創(chuàng)造大量價值，是因為技術擴散本來就需要很長時間。

我認為這是一種自我安慰，是在掩蓋一個事實：這些模型根本就缺乏創(chuàng)造廣泛經(jīng)濟價值所必需的能力。

Steven Byrnes 就這一點以及許多相關問題寫過一篇非常出色的文章：

新技術需要很長時間才能融入經(jīng)濟體系？那你不妨問問自己：那些高技能、有經(jīng)驗、有創(chuàng)業(yè)精神的移民，為什么能夠立刻融入經(jīng)濟體系？想清楚這個問題之后你就會發(fā)現(xiàn)，AGI 也能做到同樣的事情。

如果這些模型真的相當于“服務器上的人類”，它們的擴散速度會快得驚人。事實上，它們比普通人類員工更容易整合和入職，可以在幾分鐘內讀完你的 Slack 和 Drive，并立刻提煉出你其他 AI 員工掌握的全部技能。

而且，招聘本身就很像一個檸檬市場，很難判斷誰是好員工，招錯人的成本也非常高。但當你只是啟動另一個已經(jīng)驗證過的 AGI 實例時，這種問題根本不存在。

檸檬市場是指在信息不對稱條件下，消費者難以辨別商品質量而傾向壓低支付價格，結果優(yōu)質商品退出、市場逐步被劣質商品主導的現(xiàn)象。

因此，我預計把 AI 勞動力引入企業(yè)會比招聘人類容易得多。而企業(yè)一直在不斷招人。

如果能力真的達到了 AGI 水平，人們完全愿意每年花費數(shù)萬億美元購買 token，因為知識工作者每年的總薪酬本身就高達數(shù)十萬億美元。

實驗室當前收入差了四個數(shù)量級，原因只有一個：模型距離人類知識工作者的能力還差得太遠。

調整目標標準是合理的

AI 多頭經(jīng)常批評 AI 空頭不斷調整目標標準。這種批評在很多時候是成立的。過去十年，AI 確實取得了巨大的進展，人們很容易忽視這一點。

但在某種程度上，調整目標標準是合理的。如果你在 2020 年給我看 Gemini 3，我一定會確信它能夠自動化一半的知識工作。

我們不斷攻克那些曾被認為是通往 AGI 的關鍵瓶頸，比如通用理解、少樣本學習、推理能力，但我們依然沒有 AGI。如果把 AGI 定義為能夠自動化 95% 的知識工作崗位，那理性的反應是什么？

一個完全合理的結論是：原來智能和勞動比我以前理解的要復雜得多。盡管我們已經(jīng)非常接近，甚至在很多方面已經(jīng)超過了我過去對 AGI 的定義，但模型公司并沒有賺到數(shù)萬億美元這一事實，清楚地說明了我之前對 AGI 的定義過于狹隘。

我預計這種情況在未來還會不斷發(fā)生。我預計到 2030 年，前沿實驗室會在我一直關注的持續(xù)學習問題上取得顯著進展，模型的年收入將達到數(shù)千億美元，但它們仍然無法自動化全部知識工作。

到那時我可能會說：我們取得了很大進步，但還沒到 AGI。要實現(xiàn)萬億美元級別的收入，我們還需要 X、Y、Z 這些東西。

模型在“看起來很厲害”這件事上的進步速度，符合短時間線派的預測；但在“真正變得有用”這件事上的進展速度，卻更符合長時間線派的判斷。

預訓練規(guī)�；�的經(jīng)驗不一定使用于強化學習

在預訓練階段，我們看到的是一種極其干凈、普適的趨勢：隨著算力跨越多個數(shù)量級，損失函數(shù)穩(wěn)定下降，盡管這是一個冪律關系，是指數(shù)增長的反面（albeit on a power law, which is as weak as exponential growth is strong）。

人們正試圖把這種幾乎像物理定律一樣可預測的預訓練規(guī)模化經(jīng)驗看法，轉移到 RLVR 上，用來支撐對后者的樂觀預測。

但事實上，RLVR 并不存在任何擬合良好的公開趨勢。當一些勇敢的研究者試圖從零星的公開數(shù)據(jù)中拼湊結論時，得到的結果往往相當悲觀。

比如 Toby Ord 寫過一篇文章，巧妙地把不同 o 系列基準圖表聯(lián)系起來，得出的結論是：要獲得類似 GPT 級別的提升，強化學習的總算力規(guī)模可能需要提升到一百萬倍。

與人類分布的對比，會先讓我們高估 AI，然后再低估它

不同人類能夠創(chuàng)造的價值差異巨大，尤其是在存在 O-ring 理論描述的白領工作中。

一個“村里的傻子”對知識工作幾乎沒有價值，而頂級 AI 研究員對馬克·扎克伯格來說可能價值數(shù)十億美元。

O-ring理論：在由多個關鍵環(huán)節(jié)構成的高價值工作中，整體產(chǎn)出是“乘法關系”，任何一個環(huán)節(jié)出錯都會讓全部價值大幅歸零，因此頂級能力的價值會被極端放大。

但在任何一個時間截面上，AI 模型的能力基本是齊平的。人類存在巨大差異，而模型沒有。

由于知識工作中相當大一部分價值來自最頂尖的那一小撮人，如果我們把 AI 模型的智能水平與“中位數(shù)人類”相比，就會系統(tǒng)性地高估它們能創(chuàng)造的價值。但反過來說，一旦模型真正達到了頂級人類的水平，其影響力可能會是爆炸式的。

廣泛部署帶來的智能爆炸

人們花了大量時間討論純軟件奇點、軟硬件結合的奇點，以及各種變體。

但這些設想都忽視了我認為 AGI 之后能力繼續(xù)提升的主要驅動力：持續(xù)學習。再想想人類是如何在任何領域變得更強的，主要來源就是相關領域的經(jīng)驗。

在一次交流中，Beren Millidge 提出了一個很有意思的設想：未來可能是持續(xù)學習的智能體走出去做具體工作、創(chuàng)造價值，然后把所有學習成果帶回一個蜂群心智模型，由它對所有智能體進行某種批量蒸餾。

這些智能體本身可以高度專門化，包含 Karpathy 所說的“認知核心”，再加上與其具體工作相關的知識和技能。

持續(xù)學習的“解決”不會是一蹴而就的成就，而更像是上下文學習的解決過程。

GPT-3 展示了上下文學習的巨大潛力。但我們并沒有在 GPT-3 出現(xiàn)時就“解決”上下文學習，從理解能力到上下文長度，仍然有大量改進空間。

我預計持續(xù)學習也會經(jīng)歷類似的演進過程。

實驗室很可能在明年發(fā)布一些他們稱之為持續(xù)學習的功能，這確實算是向持續(xù)學習邁進了一步，但要達到人類水平的持續(xù)學習，可能還需要 5 到 10 年的進一步發(fā)展。

這也是為什么我不認為第一個在持續(xù)學習上取得突破的模型會立刻獲得失控式的領先優(yōu)勢。

從部署中學習（learning-from-deployment）的收益也很可能存在邊際遞減。前一千個咨詢型智能體會從部署中學到很多，接下來的一千個就少一些。至于第一百萬個實例，真的還有可能看到前面 999999 個都沒看到的重要東西嗎？

此外，我有一種主觀判斷：競爭仍將保持激烈。過去那些被寄予厚望的飛輪機制，幾乎都沒能削弱模型公司之間的競爭。

幾乎每個月，頭部三家都會在領獎臺上輪換位置，其他競爭者也并沒有落后太遠。似乎存在某種力量，一直在消解任何一家實驗室可能獲得的失控式優(yōu)勢。

精選評論

Will Michaels：似乎人類能夠快速學習的原因之一是，人類可能產(chǎn)生的誤解空間受到嚴格限制，并且在很大程度上是可預測的。例如，在學習微積分時，大多數(shù)容易出錯或產(chǎn)生混淆的點都非常常見，因此在教授他人時可以直接指出。

而 AI 所犯的錯誤既不可預測（同一個 AI 在不同情況下會犯不同的錯誤），又不直觀（我們無法準確判斷 AI 什么時候可靠，什么時候不可靠）。

這就導致要創(chuàng)建一個能夠既識別所有可能錯誤，又對其進行正確懲罰的學習環(huán)境，變得異常困難。

這當然和你關于持續(xù)學習的更廣泛觀點相關。如果我們能夠設計出一種模型架構，使 AI 的失敗方式變得可預測，那么這似乎將是邁向持續(xù)學習的一大步。

Argos：文章寫得不錯，但我覺得你可能有些過于自信。我感覺你引用的那些報告對你所作出的強烈論斷支持力度很弱，而且也可以有其他解讀。

OpenAI 在其強化學習訓練流程中使用了大量高度專業(yè)化的技能，這表明強化學習訓練并不真正具備泛化能力。

實際上，被引用的文章只是說 OpenAI 雇了一些華爾街人士來生成數(shù)據(jù)。我覺得更可能的情況是，OpenAI 想利用這些數(shù)據(jù)在短期內為高付費客戶提供專業(yè)化模型，而不是作為他們通向 AGI 的通用方法。相反的證據(jù)可能是 OpenAI 從經(jīng)濟的更多不同領域獲取類似數(shù)據(jù)。

AI 還沒有被廣泛部署，這表明我們還沒有達到 AGI。

確實如此，但那些更合理、預期短時間內會出現(xiàn) AGI 的人并沒有說我們已經(jīng)達到了 AGI。如果你有一些表現(xiàn)不錯但不夠可靠、無法完全匹配人類能力的智能體，那么擴散緩慢是一個合理的論據(jù)。據(jù)許多觀點來看，Claude Code 非常有用，但如果讓它作為自主員工，它就毫無用處。

注意，Claude Code（CC）釋放了模型的價值：使用 Claude 的聊天界面來編程會大幅減少價值增益，而且使 CC 達到目前水平也需要大量工程努力。如果 CC 和其他編程智能體不存在，你就會錯誤地認為最前沿的模型在編程上用處沒那么大。目前很可能，模型在許多其他具有經(jīng)濟價值的任務上的價值增益，也正受制于有人投入大量資源來搭建這種“支撐體系”。

Daniel Kokotajlo：精彩的文章！一些想法：（1）在 《AI 2027》 的設想中，持續(xù)學習會逐漸被解決。在 2027 年初之前，它只是對現(xiàn)有范式的增量改進——例如找到讓模型更頻繁更新的方法，比如每月、每周更新，而不是每幾個月更新。然后在 2027 年中期，由于研發(fā)自動化帶來的加速效應，它們會變得更加系統(tǒng)可靠、實現(xiàn)范式迭代并且更像人類。

我仍然預計類似的事情會發(fā)生，盡管我認為可能需要更長時間。你在上文中說過“這些愚蠢、不具備持續(xù)學習能力的 LLM 智能體怎么可能學會持續(xù)學習呢？”我認為答案很簡單：它們只需要顯著加速通常的 AI 研發(fā)過程。舉個例子，如果你覺得以當前算法進展的速度，持續(xù)學習還需要 10-20 年，那么如果你也覺得 Claude Opus 7.7 基本上能夠自動完成所有編碼工作，并且還可以很好地分析實驗結果、提出消融建議等，那么合理的結論是：幾年后，原本剩下的 5-15 年時間可能會被壓縮到剩下的 1-3 年。

（2）現(xiàn)有范式確實似乎需要比人類更多的 RLVR 訓練數(shù)據(jù)才能在某項任務上表現(xiàn)良好。確實如此。然而一旦足夠強大，上下文學習（in-context learning）也可能基本上成為一種持續(xù)學習形式？也許，通過足夠多樣化的 RL 環(huán)境，你可以實現(xiàn)類似預訓練在常識理解上達成的效果，但用于智能體的自主能力。你可以獲得通用型智能體，它們可以被直接投放到新環(huán)境中，并在執(zhí)行過程中自行摸索，同時在它們的草稿板/鏈式思維（CoT）記憶庫文件系統(tǒng)中做筆記。

也可以考慮集體而非單個 LLM 智能體，就像“公司中的公司”（由智能體集體構成的集體）。未來，這個集體可能會自主管理一個龐大的包含數(shù)據(jù)收集、問題識別、RLVR 環(huán)境生成等各方面的處理流程，這個流程本身就像是集體的持續(xù)學習機制。例如，集體可能自主決定學習某項技能 XYZ 很重要（可能是因為分析軌跡、與客戶交流并了解有限的 XYZ 技能如何阻礙它們的工作），然后它們可以調動相當于數(shù)千名工程師的勞動力來搭建相關環(huán)境、進行訓練、更新模型等。

集體仍然可能需要例如比人類多 1000 倍的數(shù)據(jù)才能在某項任務上表現(xiàn)良好，但因為它擁有數(shù)萬份復制在外收集數(shù)據(jù)，并且智能地管理數(shù)據(jù)收集過程，它總體上能夠比人類更快速地學習新技能和完成工作。（至少對于那些可以通過這種方式解決的技能和工作而言。但是其他的，比如贏得一場戰(zhàn)爭的技能，它無法通過這種方式學習，因為它不能把 1000 個副本投入到 1000 場不同的戰(zhàn)爭中去。）

       原文標題 : Dwarkesh最新播客：AI 進展年終總結