Jason Wei

核心观点：获取智能和知识的成本与可及性正被推向趋近于零。

• AI进展的两个阶段:
  • 第一阶段 (前沿拓展): 当AI尚不能很好地完成某项任务时，研究者致力于解锁新能力。例如，过去五年在MMLU等基准测试上的性能逐步提升。
  • 第二阶段 (商品化): 一旦某项能力被实现，其使用成本会迅速下降。数据显示，达到特定MMLU性能水平的成本每年都在降低。
• 持续降价的动力: 自适应计算(Adaptive Compute)的成功，使得我们可以根据任务难度动态调整计算资源，简单任务的成本可以无限降低。
• 知识获取的即时性: 获取公共信息的时间已从过去的数小时乃至数天，缩短至几乎瞬时。AI智能体甚至能解决需要访问专业数据库的复杂问题。

核心观点：训练AI解决某个任务的能力，与验证该任务的难易程度成正比。任何易于验证的可解任务，最终都将被AI攻克。

• 验证的不对称性 (Asymmetry of Verification): 很多任务“验证”远比“生成”容易（如数独）。AI在拥有清晰、快速、可扩展、低噪声、连续奖励的验证机制的任务上，进展会极其迅速。
• 反向不对称性：也存在验证比生成更难的任务（如事实核查），AI在这些领域的进展会更慢，甚至可能产生大量难以验证的“貌似正确”的内容。
• 实践案例: AlphaDev等项目通过为问题构建一个强大的验证器，然后让AI进行海量试错和优化，最终解决了顶尖的人类也难以解决的问题。

核心观点：AI在不同任务上的能力和进步速度存在巨大差异，不会出现所有能力瞬间爆发的“快速起飞”(Fast Takeoff) 式超级智能。

• 拒绝“快速起飞”论: AI的能力图谱是“锯齿状”的，在某些任务上是“超人”，在另一些任务上则“很笨”。其自我完善的过程也将是渐进的，而非瞬间完成。
• 预测AI进步速度的三大启发式规则:
  1. 数字 vs. 物理 (Digital vs. Physical): 数字世界任务进展飞快，物理世界任务（如机器人）进展缓慢。
  2. 对人类的难易度: 通常，对人类容易的任务对AI也容易（但有例外）。
  3. 数据丰富度: AI在数据丰富的领域表现更好。
• 行业影响预测: 软件开发等行业将受AI极大加速，而理发、管道维修、传统手工艺等行业在可预见的未来受影响较小。