国内前十股票配资平台 又到年底，那些AGI预言“实现”到哪一步了？

文 | 适道

2024 年余额告急，目测一大波 # 展望 2025# 正在路上。

谁还记得大佬们对 2024 年的展望？

一年以来，不仅 GPT-5 爽约，Brockman 本人险些离席，甚至连被奉为圭臬的 Scaling Law 最近也遇到了"小插曲"。

一年以来，各类优秀的视频生成产品陆续发布，全员处于加速状态。但视频生成领域并未迎来" GPT 时刻"，商业化探索同样是个难题。

年初惊艳世人的 Sora，自横空出世以来，就鸽了。。。。其背后原因，据说是卡在了审查关。一方面，要和政府深入探讨安全风险；另一方面，亟需好莱坞和艺术家们入驻合作。

另一种可能性是，太烧钱了。Factorial Funds 估算，Sora 在训练环节对算力需求比 LLM 高出好几倍，至少需要在 4200-10500 块 H100 上训练 1 个月。如果 Sora 得到大范围应用，比如 TikTok 的 50% 视频由 AI 生成、YouTube 的 15% 视频由 AI 生成，推理环节则需要约 72 万台 H100，大概烧 216 亿美元。前 OpenAI CTO Mira 提到，公司希望成本做到和 Dall·E 接近后再考虑开放。

一年以来，生成式 AI 应用依然处于早期，但挡不住巨头们的下注热情。红杉算了一笔账，AI 的预期收入和基建投入之间，或存在 6000 亿美元缺口。目前局势尚且稳定，不过历史给我们的教训是，泡沫需要很长时间才能破裂 ......

所谓"预言"，往往会出现"方向"正确；"时间点"错误的情况。虽然你很难咬定上面哪条预言判断有误，但目前的"体感"并不明朗。

"黑天鹅"之父塔勒布曾在《反脆弱》一书中提出了"脆弱推手"（Fragilista）的概念，特指那些在系统中增加脆弱性的"西装革履"的人物或机构。他们会用"预测"，规划未来的路线图，对于自己不理解的事物，则倾向于当其不存在。

然而，如果这些"预言家"完全置身事内，其"预测"将影响自身利害，情况就大不相同了。比如，包括上述 Greg Brockman 等等投身 AI 事业的诸位大佬，他们或许会夸张炒作，或许会误测时间，但不会纸上谈兵。

只不过，有些预言实在是"太夸张"了。

最近，在一段 YouTube 视频采访中，当被问及对 2025 年的期待时，OpenAI CEO Sam Altman 答道：AGI？我对此很兴奋。我们要有"孩子"了，这是我一辈子最兴奋的事情。

眼看 GPT-5 正在"卡壳"，你是信 2025 实现 AGI，还是信我是秦始皇。关于 AGI 的预言都有哪些？想要实现还差几步？《商业内幕》的一篇文章《Those bold AGI predictions are suddenly looking stretched》进行了解释。

看山跑死马，"明年实现 AGI "堪比"明年移民火星"

盘点大佬们对 AGI 的预测，大致存在" 2026 年"" 2029 年"，以及" 2034 年"三个时间节点。

第一梯队：3 年内

OpenAI CEO Sam Altman：对 2025 年实现 AGI 充满期待。

"全美 Cutter "马斯克：最迟 2026 年会出现 AGI。

Anthropic 创始人 Dario Amodei ：预测 2026 年实现 AGI 。

OpenAI 联创 John Schulman：AGI 将在 2027 年实现，ASI 将在 2029 年到来。

第二梯队：5 年内

诺奖得主、AI 教父 Geoffery Hinton：5 年内看到 AGI。

英伟达创始人兼 CEO 黄仁勋：未来 5 年，AI 能通过人类任何测试。

谷歌首席研究员 Ray Kurzweil：预测 AGI 将在 2029 年到来。

《奇点临近》作者 Ray Kurzweil：预测 2029 年实现 AGI。

第三梯队：10 年

诺奖得主、DeepMind 创始人 Demis Hassabis：实现 AGI 需要 10 年时间，且还需要 2 到 3 项重大创新。

软银 CEO 孙正义：AI 将在 10 年内比人类聪明一万倍。（直接预言上了 ASI）

当然，还有一些"白日梦"组合。

Yann LeCun 认为，AGI 短期内不会出现。至少不会像好莱坞科幻电影那样突然出现。它更可能是一个渐进的过程，而不是某个时刻突然"开机"就得到 AGI。实现真正的"人类级别"的 AI 之前，我们得到的更可能是一种"猫级别"或者"狗级别"的低智能 AI。

吴恩达对宣称 AGI 即将到来持怀疑态度：我希望能在我们有生之年看到 AGI，但我不确定。

为证券之星据公开信息整理，由智能算法生成，不构成投资建议。

人工智能专家 Gary Marcus 曾表示，如果我们继续深度学习和语言模型的路线，将永远无法实现 AGI，更遑论 ASI 了。因为这些技术存在缺陷，相对薄弱，只有通过更多的数据和算力，才能取得进步。

华盛顿大学计算机科学教授、《终极算法》作者 Pedro Domingos 曾断言：ASI 只是一个白日梦。

对于 AGI 的预测，背后关系着数万亿美元的投资。其无疑是未来科技发展的重要方向，但更重要的是，看清楚什么是真实可行，什么是过度炒作。

文章作者 Alistair Barr 认为，警示信号已经出现。

最为迫切的是 Scaling Law "撞墙"：OpenAI 联创 Ilya Sutskever 明确表示，依赖于扩大模型规模的结果似乎已经停滞；OpenAI 研究员 Noam Brown 表示，在某个节点，扩展模式会失效；谷歌下一代 Gemini 性能未达预期，内部正在重新评估训练数据的使用方式。

连"技术乐观派"投资人都开始"谨言慎行"。

a16z 创始人 Marc Andreessen 和 Ben Horowitz 怀疑 LLM 是否能保持现有的发展劲头。

Andreessen 表示：目前看起来，AI 模型的能力似乎遇到了某种瓶颈。当然，行业中有许多聪明人正在试图突破这个天花板。但是，如果你仅仅从数据和性能趋势图来看，AI 模型性能的提升速度正在放缓，并呈现出一种"触及天花板"的趋势。

Horowitz 则指出了阻碍因素：即使芯片到位了，我们可能也没有足够的电力支持。而有了电力后，又可能缺乏有效的冷却手段。虽然 GPU 的算力在不断提升，但 AI 模型的性能却未能同步增长，这表明仅仅依靠硬件的升级并不能解决所有问题。

如果目前无法突破这个技术瓶颈，那么短期内实现 AGI 的可能性几乎为零。如今，Google 未给出明确回应；Sam Altman 直接表示，没有撞墙；Anthropic 则表示，尚未发现任何偏离 Scaling law 的迹象。

有趣的是，Alistair Barr 解释了 Sam Altman 为何"嘴硬"。

一方面，如果 OpenAI 实现了 AGI，则有望逃离微软的巨额"控制"。OpenAI 官网写道，一旦实现 AGI，其所产生的知识产权将不受现有与微软的协议约束。

另一方面，Altman 的 AGI 目标完全是一种愿景，就像马斯克对火星移民和自动驾驶汽车的执着——即便一次次错过预测时间，却总能点燃团队的热情。

因此，" 2025 年实现 AGI "的宏大目标，无疑比"实现公司账单自动化"这类相对平凡的目标更带劲儿，尽管后者可能更具短期商业价值。

历史表明，技术的发展充满了不确定性，比如某些技术在经历长期稳定的进步后，可能会突然失效。最经典的例子是"摩尔定律"。该定律是半导体行业发展的一盏明灯，其"每两年翻一番"的预言，点燃了整个科技界的创新热情，并为英特尔等巨头的崛起奠定了坚实基础。

然而，麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究表明，摩尔定律的魔力正在逐渐消退。

比如，2014 年— 2019 年，英特尔在 14 纳米和 10 纳米工艺的推进上遭遇了瓶颈，用 5 年才完成预期 2 年就能达成的目标。2019 年，投资者意识到摩尔定律不再适用以来，英特尔股价下跌了约 50%，至今未能完全恢复。

这些现象预示着，技术进步可能并非永恒，AGI 的到来并非迫在眉睫。

挡在 AGI 前方的四座大山

近期，Scale AI 创始人兼 CEO Alexandr Wang 的演讲颇具启发意义。

他将现代 AI 时代分为三个主要阶段：

第一个阶段是研究阶段（2012-2018），由第一个深度神经网络 AlexNet 开启，那是一个 AI 只能告诉你 YouTube 视频里有没有猫的时代。

第二个阶段是规模化阶段（2018-2024），由 OpenAI 的 Alec Radford 训练的 Transformer 和 GPT-1 开启。在这段时期，投入资源增长了一万多倍，这带来了性能的巨大提升。模型能力也从默默无闻的 GPT-1，发展到了博士水平的 o1 模型。

第三个阶段将是创新阶段，由 o1 模型开启，直到出现超级智能为止。我们拭目以待，看看这个阶段是 6 年还是更短。这个阶段的标志是，大家已经在模型上投入了 2000 亿美元，而事实上大公司无法投入比这更多的资金了。我们不可能在模型上砸出 200 万亿美元。所以，从数量级来说，能继续规模化的空间已经很有限了。砸钱工作结束，才真正需要相应的创新来配合，增强推理能力和测试时间计算能力肯定是其中之一。

Wang 认为，在此之前，迈向 AGI 路上存在五大挑战：数据墙、评估过拟合、Agent 不可靠、芯片和能源、国际竞争等等。

挑战一是数据墙。Epic AI 预计的时间点在 2027 年到 2030 年之间。但如果你和业内人士交流，他们会说比这更早。目前，有几个主要的解决方案。

例如，前沿数据，各种形式的合成数据，以及更高级的数据类型，还有企业数据。这些数据类型能让我们更有效地学习高级概念，比如推理能力、多模态、智能体数据。此外，具身智能以及其需要的现实数据将是一个重要领域。总之，绝大部分的数据仍然是私有和专有的，是被锁起来的。

比如，GPT-4 的训练数据集大约为 0.5 PB。而摩根大通的专有数据集，超过了 150 PB。他们只是众多大企业中的一个。还有大量的数据躺在那里，从未被用于任何主要的训练。

挑战二是评估。这在 AI 圈内经常引发讨论，但是圈外人不太理解其重要性。评估是我们用来衡量这些模型进步的标尺。目前，许多评估都饱和或容易过拟合，过拟合指它们有点被"游戏化"了；饱和是指模型在所有评估中都已经表现得非常好。这意味着研究可能变得更加漫无目的。如果你看过去几年的 MMU、数学、GPQA 等测试，模型表现似乎达到了瓶颈。但这并不是因为模型没有变得更好，而是因为这些评估已经不够难了。为解决这个问题，我们需要建立更具挑战性的评估。

挑战三是 Agent。尽管每个人都在谈论 Agent，但它们还没有真正到来，而且不可靠。我们看到 AI Agent 与自驾中的" L1 — L5 "非常相似。这个类比非常贴切：L1 是一个聊天机器人；L2 是你可以寻求各种帮助的助手。L3 是指用于工作流程特定部分的 Agent，你可以开始依赖它们；L4 可能会颠覆这一点，当 Agent 需要人类帮助时，会向你寻求帮助，更像是一种远程操作模式。首先，让模型在每个领域都具备推理能力，最终在几乎每个领域都能发挥作用。其次，建设能够实现远程操作 Agent 的基础设施。在未来，我们大多数人可能只是 AI Agent 的远程操作员。

挑战四是芯片和能源。在未来五年内，这些数据中心所需的电力保守估计为 100 吉瓦，也许远远不够。这相当于 20 个芝加哥的能源消耗，需要投入数万亿美元的资本支出。在这里我没有解决方案，只是指出这个挑战。

结语

AGI 被视为人类追求的"圣杯"。一旦实现，世界将被彻底改变。

如果 AI 出现了"神"的能力，它或许就成了"神"的化身。

无论是在 2 年后，3 年后，抑或 5 年后，10 年后，终有一天 AGI 会实现，现在留给人类"转型"的时间还有多少？

或许，预测未来不如预测"脆弱"。

正如 Sam Altman 所言：我从不祈祷求神站在我这边国内前十股票配资平台，而是希望自己站在神的一边。

• 年底
• 哪些
• AGI
• 国内前十股票配资平台
• 又到