数学塌了，下一个是 AI 研发自己
Dwarkesh 把超级智能的中位数提前到 2028：数学的可验证性正复制到 AI 研发本身，三种加速同时发生。
Guide7 min read
今年早些时候，Dwarkesh Patel 还说离超级智能「至少还有大半个十年」。三个月后他改口：中位数是 2028 年，最早可能明年。
改口的原因跟新模型无关，是一件更具体的事：数学这块阵地塌得太快，而 AI 研发本身长得越来越像数学。
从四位数加法到 88 小时
他列了一条时间线。2023 年，这些模型还算不准四位数加法。2024 年，高中数学竞赛题基本做不出来。2025 年，能拿国际数学奥林匹克金牌。今年早些时候，开始解决一些小众的开放问题。一个月前，OpenAI 用一个模型在 88 小时里解决了一道千禧年难题。
他的说法是，全世界顶尖数学家和计算机科学家花几十年想解决的问题，现在有几百个被当作「给下次发布预热」的顺手活干掉。
他也承认这有偏科：进展集中在可验证的部分，比如找反例，而不是提出新理论。但他把这件事翻过来说：当前系统解出了一道千禧年难题，而它并不会提出深刻的新问题、也开不出新的数学领域。
这个区别，恰好是全文的转折点。
AI 研发的优先级是反过来的
数学研究的目的是扩展人对数学概念的理解——比如拓扑、群论，或者笛卡尔坐标系，这些东西比算清楚「n 个点里有多少对距离为一」重要得多。
AI 研发不是这样。实验室只关心一个新配方能不能让训练更省、让模型更聪明。理论本身没人要，过去十五年深度学习的进展也基本没靠什么新理论。
用他的原话，数学里「把随机的猜想一个个硬啃下来」没什么价值，但在机器学习里，这恰恰价值巨大。
他还举了 Transformer 的例子。2017 年那篇论文发表前，attention 早已被研究者注意到，残差网络也早有人做。缺的不是零件，是把六七个已知零件拼对顺序，而那需要大量小实验。这种「持续、聪明地试几十种组合」的能力，正是 AI 在数学上表现最好的那件事。
他引了一位研究者的话：当时的感觉是，Transformer 是 attention 和残差网络这些各自有效的想法，被推到很激进程度的自然组合。也就是说，这算不上天降灵感。
2028 这个数是怎么来的
三个数字支撑他的判断。
独立评估机构 METR 在 Anthropic 内部待了三个月，结论是 Anthropic 在边界清晰的任务上的 AI 进展速度是一年前的两倍，而且「今天这种加速的大部分，很可能来自 Anthropic 大量用 AI 做研发」。
OpenAI 九月的一篇博客说，它最重度的 10% 研究员，用的内部编码 agent 从夏初每天约 1000 美元涨到八月底每天 7000 多美元。Anthropic 同月的文章说，Claude 现在承担了公司 26% 的 AI 研发工作，而二月这个数字还不到 1%。
他的中位数是 2028：自动研究员达到今天最好的 AI 研究员水平。他也留了余地——至少 25% 的概率要等到 2032 年之后，因为有些部分仍然难以自动化；同时他认为 2027 年就可能发生，因为他认识的一些判断记录很好的研究者就押明年。
更快，更强，更多
一旦自动研究员达到顶尖人类水平，算法进步会同时被三件事推快。
第一是速度。今天的 AI 做事大约是人速的十倍，而且不休息，一周能塞进的工作量约是人类的 50 倍。但实验算力不会跟着变快，所以收益会递减，不是 50 倍。
第二是水平。他的估计是，一家前沿实验室大约 80% 的算法进展由最顶尖的 50 名研究员驱动——这也是为什么扎克伯格愿意花几亿美元挖人。如果每一个自动研究员都处在这个水平，那相当于把整个实验室换成全明星。
第三是数量。多一个工人不总是有用，写小说就不是人多能干得快的事；但 AI 研发更像形式化一个定理：有大量可独立、可局部验证的模块化工作。他的类比是，一堆 Claude 一起形式化费马大定理，因为有成千上万个可以独立完成、又能就地验证的子任务。
此外还有一条反向力量：想法会越来越难找。现在实验室每年要把研发算力翻四倍、人力翻一倍，才能维持同样的进展速度。
两种结局，五五开
如果 AI 变聪明的速度快于想法变难的速度，就是「纯软件奇点」：不增加算力，几个月内自我迭代到顶到现有芯片的物理极限。
反过来，如果想法变难更快，就是「火花」：把三到六年的进展压进一个日历年，然后因为要建更多算力而放缓。
他给这两种各 50%。即便是「火花」，也意味着一年里从 GPT-3.5 级别的玩具，跳到能自己写整款游戏、数学贡献多到让人麻木的系统。他的比喻是：过去四年，我们从一个学龄前儿童长成了一个有天赋的实习生；再来一次同样幅度的跳跃，得到的会是在任何稍微可验证的领域都远超人类的智能。
四个反对意见，和他的回答
第一是持续学习。这是他去年十二月最主要的怀疑理由：每次对话都是「第一天上班」，记不住几周的经验。他现在认为不一定是死结：上下文可以拉长到几个月，或者让不擅长持续学习的模型去解决持续学习这个研究问题。他的原话很生动：这些模型一边解千禧年难题，一边是没长期记忆的「呆子天才」，像一个人翻着跟头还能跟上博尔特。
第二是验证代理。反对者说，选对目标本身就是研究品味，而品味没法训。他反问：2018 年前没人认为「下一个 token 的损失」会是通往 AI 进展最可行的路，但代理是先于范式出现的，而 AI 的学习算法足够通用。
第三是数据。他和普林斯顿的 Jerry Han 做过研究：过去六年，预训练里来自数据改进的算法进展是模型改进的三倍以上。而数据改进本身就是普通的研发工作——哪种过滤、哪种合成数据能让留出集上的损失更低。
第四是实验算力。研究员时间稀缺，所以今天的实验对算力很浪费；如果瓶颈反过来变成算力，一万个 agent 每个每天跑一次 GPT-3 规模的训练，会是另一种用法。
留一个问题
如果这套推理成立，最先被自动化的不是写代码，是「改进 AI 自己」这件事：它恰好属于最可验证、最模块化的那一类工作，也最不需要理论。
那么真正的问题在别处：「会不会发生」已经不是问题，问题是当进展速度由机器决定，人类还有没有能力判断它走到了哪一步。
