奇点被困在交通中:为什么“规模法则”已经死去,AGI无法修复你破碎的公司
简而言之:Anthropic的首席执行官达里奥·阿莫代伊刚刚承认:构建GPT-4的“规模法则”正在碰壁。我们已经耗尽了数据、算力,以及单纯让模型“变大”的投资回报。新的战场是测试时计算(思考的代理)和扩散(让人工智能在现实世界中真正发挥作用)。但残酷的真相是:人工智能无法拯救你的公司。如果你的组织缓慢、官僚,充满了糟糕的想法,人工智能只会帮助你以10倍的速度生成糟糕的代码,直到你最优秀的工程师辞职。
我是James,Mercury Technology Solutions的首席执行官。
东京 - 2026年2月19日
每个人都在等待AGI(人工通用智能)的来临。
我们一直期待一个人工智能模型的出现,能够立即取代我们的工作,解决癌症,并管理我们的损益。但看看周围。你的收件箱仍然一团糟,企业软件依然糟糕,我们仍在进行手动数据输入。
为什么会有这种脱节?
最近的两次采访——一个来自Dario Amodei(Anthropic)和一个来自Dax Raad(anoma.ly)的直言不讳的看法——确切解释为什么人工智能革命感觉像是陷入了交通堵塞。
1. "扩展法则"的终结
在过去五年中,硅谷的操作手册很简单:计算 $\times$ 数据 $\times$ 参数 = 智能。
只需购买更多的Nvidia GPU,抓取更多的互联网数据,模型就会变得更聪明。
但达里奥·阿莫代伊刚刚证实了伊利亚·苏茨克维尔在2024年警告我们的事情:“愚蠢扩展”时代正在结束。
我们遇到了三堵墙:
- 数据墙:我们已经抓取了地球上所有高质量的文本。如果我们在SEO垃圾和AI生成的垃圾上训练模型,模型就会遭遇“模型崩溃”。
- 电力墙:训练GPT-4的成本高达数百万。下一代的成本达到数百亿,并需要一个中型城市的能源。投资回报率(边际效用)正在急剧下降。
- 静态智商限制:一个模型可以记住整个互联网,但知道更多事实并不意味着它能思考更深。
转变:行业已经从预训练(让大脑变得更大)到测试时计算(给大脑思考的时间)。
像o1/o3系列的模型不仅仅是反应;它们会暂停,使用“系统2”思维,自我纠正100次,然后回答。战斗不再是关于谁拥有最大的基础模型。关键在于谁能构建最好的
代理。Agents.
2. 两条曲线:"能力" vs. "扩散"
如果人工智能如此聪明,为什么它还没有运行经济呢?
阿莫代用两条曲线来解释这个问题:
- 曲线A(能力): 人工智能的智商。这条曲线是垂直上升的。我们可能在2026-2027年达到AGI级别的能力。
- 曲线B(扩散): 现实世界采用它的速度。这条曲线非常缓慢。
想象一下,你明天发明了一个传送器。汽车会在第二天消失吗?不会。你需要建立传送站,通过区域法,获得FDA安全批准,并说服人们它不会杀死他们。
存在巨大的摩擦减缓扩散:
- 最后一公里:人工智能可以编写代码,但它不知道您遗留服务器的IP地址或您混乱的内部IAM权限。
- 官僚主义:一家初创公司在5分钟内采用人工智能。一家财富500强银行在员工甚至可以打开工具之前,需要18个月的法律、合规和安全审查。
- 物理法则:人工智能今天可能在模拟中发现癌症的治疗方法,但临床试验仍然需要5年。人工智能无法加速生物时间。
3. 现代企业的黑暗现实
这让我们想到了Dax Raad的残酷诚实的观察。
首席执行官谈论他们的团队,就像他们是高效机器一样,仅仅瓶颈是打字速度。
"如果我们给他们AI,他们将会创造出10倍更多的产品!"
胡说。
当你把AI交给一个普通的企业团队时,实际上会发生这样的事情:
- 糟糕的想法传播得更快:你的组织很少有好主意。在过去,编写代码的高成本让你避免了构建愚蠢的功能。现在,AI使得构建垃圾变得便宜,因此你的产品瞬间变得臃肿。
- 朝九晚五的现实:大多数员工并不想成为"10倍工程师"。他们只想做最低限度的工作以保住自己的职位,然后回家。他们使用AI不是为了做更多工作,但要做到他们的当前以更少的努力完成工作。
- 混乱代码雪崩:你的两个实际上杰出的工程师现在正在努力审查和修复其他团队提交的大量“混乱代码”(AI生成的平庸)。他们会辞职。
- 首席财务官的恐慌:你的首席财务官没有看到10倍的收入增长。他们只看到AWS账单每位工程师每月增加了2000美元,用于LLM API调用。
结论:真正的机会
人工智能并不能修复一家破碎的公司;它只会放大问题。
2026-2030周期的赢家不会是那些构建最聪明基础模型的公司。
赢家将是"扩散机制。"
那些能够将这种"上帝般的智商"成功融入财富500强公司复杂、官僚、遗留代码满布的现实中的公司。
如果你能解决最后一公里,绕过合规摩擦,并阻止你的工程师生成糟糕代码,你就掌握了通往王国的钥匙。
奇点已经到来。它只在等待法律部门批准预算。
水星科技解决方案:加速数字化。
Originally published on MTS Blog & Research