用三句話總結(jié)下2025年AI的發(fā)展，你會想到什么？

• 所有能被驗證的任務(wù)，最終都會被AI解決
• 智能最后會變成商品，知識價格歸零
• AI不會瞬間超過人類

最近，前OpenAI核心研究員、CoT（思維鏈）作者Jason Wei在斯坦福大學(xué)AI Club做了一場精彩的演講。

圖片

這是他跳槽到Meta后少有的公開分享。

我們的世界，在AI大行其道的這一年，到底發(fā)生了什么？

AI繼續(xù)發(fā)展下去是什么樣子的？

圖片

量化交易員說AI很酷，但并不能做我的工作；

頂級實驗室AI研究院：2-3年后，AI就要取代我的工作了。

那么，誰對誰錯？

智能的商品化

Jason Wei的原話是Intelligence as a Commodity。

AI的智能發(fā)展可以分為兩個階段：

第一階段：前沿突破，當(dāng)AI還無法很好地完成某任務(wù)時，研究的重點是「解鎖新能力」。

第二階段：能力商品化，一旦AI能完成該任務(wù)，該能力就會被快速復(fù)制、成本趨近于零。

例如在MMLU（多任務(wù)語言理解基準(zhǔn)）上，過去幾年模型性能穩(wěn)步提升，而達到特定分數(shù)的成本卻逐年下降。

圖片

「自適應(yīng)算力」的出現(xiàn)

AI的出現(xiàn)，也是首次深度學(xué)習(xí)真正實現(xiàn)自適應(yīng)計算（Adaptive Compute）。

過去無論任務(wù)簡單還是困難，模型都消耗相同的算力。

圖片

現(xiàn)在可以根據(jù)任務(wù)難度動態(tài)調(diào)整推理算力。

例如在o1模型中，推理時投入更多計算，就能在數(shù)學(xué)題上獲得更高準(zhǔn)確率。

這意味著：智能的成本可以持續(xù)下降，而無需無限擴大模型規(guī)模。

圖片

Jason以「查找1983年釜山結(jié)婚人數(shù)」為例：

• 互聯(lián)網(wǎng)時代前：去圖書館查百科，數(shù)小時
• 互聯(lián)網(wǎng)時代：搜索網(wǎng)站、篩選資料，數(shù)分鐘
• 聊天機器人時代：直接問AI ，即時
• 智能體（Agent）時代：自動查找并整合數(shù)據(jù)庫，數(shù)秒到數(shù)分鐘

總結(jié)一下，Jason Wei認為智能作為一種「商品」，將越來越便宜

• 知識民主化：編程、生物黑客等曾需高門檻知識的領(lǐng)域被大眾化。
• 私有信息的相對升值：公開信息成本趨零，內(nèi)幕或獨家信息的價值反而更高。
• 個性化互聯(lián)網(wǎng)：未來每個人可能擁有一套完全定制的知識入口。

驗證者法則

什么是驗證者法則？

所有能被驗證的任務(wù)，最終都會被AI解決。

所以現(xiàn)在會出現(xiàn)各種各樣的評測基準(zhǔn)。

只要能建立「能夠被驗證的任務(wù)」，AI都會攻破這個領(lǐng)域。

很明顯的一點是，越容易生成的任務(wù)，越難被驗證。

這就是驗證的非對稱性。

比如數(shù)獨和造一個網(wǎng)站，都屬于中等難度和高難度的任務(wù)。

但是要驗證一個數(shù)獨題目的正確性，和驗證一個網(wǎng)站是否開發(fā)的不錯，很簡單！

許多任務(wù)存在「生成難，驗證易」的不對稱：

• 解數(shù)獨：難求解，易驗證。
• 寫出網(wǎng)站的全部代碼：極難生成，但驗證只需點擊瀏覽。
• 寫事實性文章：容易生成「似是而非」的文本，但事實核查極其耗時。
• 提出飲食法：容易斷言「只吃野牛最好」，但驗證需長期實驗。

我們可將任務(wù)放在二維平面上：X軸，生成難度；Y軸，驗證難度。

圖片

某些任務(wù)可以通過提供額外信息使其更易驗證：

例如提供答案或測試集，使「生成→驗證」更高效。

AI能否學(xué)會一項任務(wù)，與該任務(wù)的可驗證性成正比。

即：任何可驗證、可量化的任務(wù)，AI終將掌握。

比如下面這種圖，在過去5年中，大部分AI基準(zhǔn)評測都非常容易被「驗證」。

圖片

Jason Wei給出了可驗證性的五個因素：

• 是否存在客觀真值；
• 驗證速度是否快；
• 能否批量驗證大量樣本；
• 結(jié)果是否低噪聲、穩(wěn)定；
• 是否有連續(xù)反饋（不僅是「對/錯」，還有質(zhì)量梯度）。

幾乎所有AI基準(zhǔn)（benchmarks）都具備這些特征，因此被迅速攻克。

Jason Wei重點描述一個案例：DeepMind的AlphaEvolve。

圖片

該系統(tǒng)通過大規(guī)模采樣與自我驗證，解決了大量「易驗證難求解」的任務(wù)。

圖片

核心流程是：

• 用語言模型生成候選答案；
• 自動打分（驗證）；
• 取最優(yōu)樣本再輸入模型，形成迭代；
• 反復(fù)迭代后性能顯著提升。

圖片

這種策略繞過了「訓(xùn)練集-測試集」的泛化問題，只針對「單個任務(wù)」持續(xù)優(yōu)化。

總結(jié)一下：

• 可輕易驗證的任務(wù)將率先被AI自動化。
• 新的創(chuàng)業(yè)機會：為AI創(chuàng)造「可測量的目標(biāo)」。
• 即——只要你能定義一個明確的度量指標(biāo)，AI就能為你優(yōu)化它。

智能的鋸齒邊緣

這個關(guān)鍵點英文叫做The Jagged Edge of Intelligence，智能的鋸齒邊緣。

直接翻譯有點抽象，但是如果看下圖就很好理解了。

簡單來說，就是AI的智能并不是「全知全能」，AI的智能水平就像鋸齒一樣，有高有低。

圖片

AI為什么不會「瞬間超越人類」

Jason認為不會出現(xiàn)「AI快速爆炸式超越人類」的「Fast Take off」。

AI的自我改進能力將是漸進的、分任務(wù)發(fā)展的。

不同任務(wù)的學(xué)習(xí)速度和上限各不相同，不會「一夜超神」。

每個任務(wù)的改進速率不同：

• 一些任務(wù)進步快（如可驗證的數(shù)學(xué)、編程）。
• 一些任務(wù)改進慢（如需要真實世界交互或罕見數(shù)據(jù)的語言）。

AI的發(fā)展呈「鋸齒形」曲線：某些領(lǐng)域突飛猛進，某些長期停滯。

那么AI在哪些任務(wù)上發(fā)展快，哪些發(fā)展的慢？

判斷任務(wù)進展速度的三條啟發(fā)式法則：

• 數(shù)字化任務(wù)發(fā)展快：迭代速度高、實驗成本低；例如軟件開發(fā)遠快于機器人制造。
• 對人類簡單的任務(wù)，對AI也簡單：但AI也能在某些「人類極難但有明確目標(biāo)」的領(lǐng)域超越人類，如癌癥影像預(yù)測。
• 數(shù)據(jù)越多，AI越強：語言模型在高頻語言上性能顯著優(yōu)于低資源語言，若任務(wù)能提供單一客觀指標(biāo)，還可用強化學(xué)習(xí)生成合成數(shù)據(jù)。

比如AI代碼，現(xiàn)在基本已經(jīng)被AI攻克，競賽數(shù)學(xué)也被攻克了。

但是如果數(shù)據(jù)量很小，無法數(shù)字化的領(lǐng)域，AI就很難攻克。

圖片

總結(jié)一下：

• 不存在統(tǒng)一的「AI超級智能爆發(fā)」；
• 各任務(wù)將以不同速率演進；
• 影響最大的領(lǐng)域是：數(shù)字化、人類已擅長、數(shù)據(jù)豐富的領(lǐng)域

Jason Wei在演講最后總結(jié)道：

智能與知識將變得快速且廉價，公共知識的獲取時間趨零。

而「驗證者法則」則預(yù)示著可度量性推動AI進步，任何可驗證的任務(wù)都會被AI征服。

智能的邊界是鋸齒狀的。各任務(wù)發(fā)展速率不同，不會出現(xiàn)瞬間的超智能崛起。

未來的信息將無摩擦地流動，而AI的邊界，將由我們能定義和驗證的事物所決定。

演講嘉賓介紹

圖片

Jason Wei，目前是Meta Superintelligence Labs的研究科學(xué)家。

他曾在OpenAI工作兩年，參與創(chuàng)建了o1模型和DeepResearch項目；

在那之前，他是Google Brain的研究員，推動了Chain-of-Thought推理、Instruction Tuning（指令微調(diào)）等技術(shù)的發(fā)展。

他的論文被引用超過9萬次，是現(xiàn)代AI領(lǐng)域最具影響力的研究者之一。

參考資料：

https://www.youtube.com/watch?v=b6Doq2fz81U