在Dwarkesh Patel主持的節目中，Anthropic的Sholto Douglas、Trenton Bricken等人，一起討論了Claude 4是如何思考的。

三人私交甚好，聊了2小時20多分鐘，主要集中在4個話題：

1. 過去一年中人工智能研究的變化；

2. 新的強化學習（RL）體系以及其可擴展性；

3. 如何追蹤模型的思考過程；

4. 各國、勞動者和學生應如何為通用人工智能（AGI）做準備。

對于Sholto Douglas的「AI取代人類白領工作」觀點，網友紛紛表現出了極大的興趣。

另外值得一提的是，Sholto Douglas在清華大學交流學習過。

強化學習立新功

過去一年最大的變化是：強化學習（RL）終于在語言模型上真正奏效了。

這一點現在有了明確的證據：如果提供合適的反饋機制，確實找到了某種算法，能讓模型表現出接近專家級人類的可靠性與性能。

目前，這種成果最明確地體現在兩個領域——

程序設計競賽（competitive programming）和數學推理。

任務的難度可以分為兩個維度來理解：

一個是任務的智力復雜度（intellectual complexity），

另一個是任務所涉及的時間跨度（time horizon）。

現在已經證明，模型確實可以在多個維度上達到人類智能的頂峰。

當然，長期自主表現（long-running agentic performance）還欠佳，但它正在「蹣跚起步」。

預計到今年年底，我們將看到更明確的進展——

語言模型能完成實際工作，就像真正的軟件工程師那樣。

可驗證獎勵的強化學習

現在看到的真正限制，其實是：

• 缺乏上下文信息（lack of context），
• 難以處理復雜的、跨多個文件的變更（multi-file changes），
• 以及任務本身的模糊性或規模不清晰的問題（scope of change/task）。

LLM可以處理智力高度復雜的問題，但前提是問題上下文要明確、邊界要清晰。

如果任務比較模糊，或者需要在環境中反復探索、試錯、迭代，它們就會吃力。

只要你能為模型提供一個良好的「反饋閉環」（feedback loop），它通常就能做得不錯；但如果這個閉環不清晰，它就容易「迷路」。

具體而言，就是「可驗證獎勵的強化學習」（RL from verifiable rewards）。

它的核心是：獎勵信號必須是「干凈」的，也就是說——它必須準確、明確、客觀。

最早語言模型的調優方法是RLHF（Reinforcement Learning from Human Feedback，從人類反饋中強化學習），典型的形式是「成對反饋」（pairwise feedback），即：

人類對兩段輸出打分，告訴模型哪一段更好。

隨著訓練迭代，模型生成的輸出越來越接近人類「想要的答案」。

但問題在于，這種方法并不能真正提升模型在「高難度問題」上的表現，因為人類其實不是很擅長判斷「哪個答案更好」。

所以，更理想的是提供一種能客觀判斷模型輸出是否正確的信號。

比如，數學題的正確答案；代碼是否通過了單元測試。

這類都是典型的、非常干凈的獎勵信號（clean reward signal）。

比如說，完成諾獎級研究所涉及的任務，往往具備更多層次的「可驗證性」。

相比之下，一部「值得獲獎」的小說需要的是審美判斷與文學品味，

這些就非常主觀，難以量化。

所以模型很可能會更早地在科學研究領域實現「諾獎級突破」，而不是先寫出一部能贏得普利策獎的小說。

普利策獎獎章

但至少兩位創作者，已經用LLM寫出了完整的長篇書稿。

他們都非常擅長為設計文章結構和提示（scaffolding&prompting）。

也就是說，關鍵不是模型不行，而是你會不會用。

智能體的未來：操作電腦

本質上，「電腦操作智能體」（Computer Use Agent）和「軟件工程」智能體沒有多大區別。

只要能電腦操作把表示成token輸入，LLM就能處理。

模型現在能「看圖」，能畫圖，能理解復雜的概念，這些基本已經實現。

電腦操作唯一的區別是：比數學和編碼更難嵌入反饋回路中。

但這只是難度更高，不代表做不到。

而且，大家低估了現在AI實驗室到底有多「糙」。

外界以為這些實驗室運轉得像完美機器，其實完全不是。

這些大模型的開發流程，實則是在巨大的時間壓力下倉促構建的。

• 團隊人手嚴重不足
• 優先級很難排
• 每一步都是在「邊干邊補」的狀態下推進的

實驗室在瘋狂招人、培訓人，根本還沒輪到把「AI操作電腦」當作重點。

相比之下，「編碼」是更有價值、也更容易落地的方向。所以更值得優先集中資源突破。

在軟件工程基準測試SWE-bench中，Claude4與其他模型的比較

一旦模型能搞定代碼，價值會呈超級指數級釋放。 而電腦操作雖然也重要，但優先級自然就排后面了。

還有個被低估的因素：研究員們喜歡研究他們認同的「智能標準」。

為什么是數學、競賽編程先突破？因為那是他們認可的「聰明」。

他們覺得：「要是模型能在AIME（美國數學競賽）上贏我，那才是真的強。」

但你讓它做Excel報表？無人在乎。

所以現在的局面是： 模型在他們心目中已經夠聰明了，但大家還沒把精力花在「電腦操作」這塊上。

一旦資源傾斜過來，這塊進展也不會慢。

Ai2的科學家Nathan Lambert，也認同這種觀點：

RLVR沒學會新技能，是因為投入的算力不夠大。

如果投入算力總量的10%-25%，我猜模型會讓人刮目相看。

AGI雛形：LLM

如果未來一兩年內，智能體開始上崗，軟件工程實現自動，模型的使用價值將呈指數級增長。而這一切的前提，是海量算力的支持。

關鍵在于推理的算力問題，但這被嚴重低估了。

目前，全球大約有1000萬張H100級別的算力芯片。

Epoch AI估算的GPU算力變化和趨勢

有研究估算，一張H100的浮點運算能力，大致相當于一顆人腦。

如果以AGI達到人類推理效率為假設，這意味著今天的地球上，理論上已經能同時運行1000萬個AGI。

這個數字到2028年預計將達到1億張。但即便如此，可能仍不夠。

因為人類正以每年2.25到2.5倍的速度擴張算力，但在2028年左右，將迎來上限：晶圓產能的物理瓶頸。

建廠周期很長，一旦觸頂，算力增長就會放緩。

再者，有些人認為人類離真正擁有長上下文、一致意圖、強多模態能力的AGI還很遠。

這正是在「AGI實現速度」上，業內意見分歧的關鍵所在。

這背后有兩個關鍵認知差異：

第一，業內很多專家認為——要在長上下文推理、多模態理解等方面實現突破，沒那么快。

人類級別的推理能力，通常需要算力提升幾個數量級才能支撐。

第二，芯片問題，還包括電力、GDP等限制等可能讓算力增長停滯，而如果到2028或2030年還沒實現AGI，那之后每年的實現概率，也許就會開始大幅下滑。

窗口期，稍縱即逝。

AGI的機會

就AGI實現問題，Leopold Aschenbrenner寫了Situational Awareness。

Leopold Aschenbrenner：專注于AGI的投資人，OpenAI超級對齊團隊前成員

其中，有個小標題就叫做「This Decade or Bust」，大意為「這十年，不成則廢」。

意思是：我們能不能搞定AGI，基本就看這十年了。

長文中對有效算力的預測

未來幾年，還可以顯著增加訓練算力，特別是在強化學習（RL）上。

2025年，RL非常值得關注，因為往里面投入的算力會遠超以往。

在RL階段用，DeepSeek-R1和o1的是差不多的算力，所以年初它們之間差距不大。

但隨著時間推移，算力差距會被逐漸放大，帶來明顯的結果分化。

但DeepSeek不斷碰到非常底層的硬件限制，然后思考：

理想條件下，我們想表達的算法是什么？

在現實限制下，我們又能表達什么？

在不斷試錯中，DeepSeek一步步迭代出更優的「約束兼容解」。

而且最難得的是——

新方案通常非常簡潔優雅，再加上超強的工程能力，效果就出來了。

還有一個有意思的地方：他們引入了Meta提出的「multi-token prediction」方法。

Meta當時發過論文，講的是一次性預測多個token，而不是傳統的逐token預測。

論文鏈接:https://arxiv.org/abs/2404.19737

這一思路挺聰明的。

但奇怪的是，Meta后來并沒有把這個方法應用到Llama系列模型里，而DeepSeek卻在他們的新模型論文中實現了。

具體原因無人知曉，但這個差異很值得玩味。

LLM孕育AGI

部分人覺得AI發展會很慢，比如說AlphaGo雖然厲害，但它離真正的通用人工智能(AGI)還很遠：

你看看AlphaGo，它已經能主動探索，AlphaZero還能泛化到新的視頻游戲，看起來擁有了一整套與世界互動的先驗能力。

但顯然，現在回頭看，雖然現在深度學習還在使用其中很多方法，但AlphaZero本質上并不是「AGI雛形」。

所以關鍵問題是：

為什么LLMs比AlphaZero更接近AGI？

為什么只加一點點訓練、注意力或結構調整，就可能達到「類人智能」？

AlphaZero所處的任務環境——雙人對戰、完全信息游戲

——對強化學習算法太「友好」了。

相比之下，要構建真正類似AGI的系統，你必須搞定的是：

• 對現實世界的「通用概念理解」
• 對語言的掌握
• 能從真實任務中提取獎勵信號，而這些任務往往不像游戲那樣容易定義

回顧過去十年的AI討論，有一種傳統看法是：

AI是線性尺度：先是「愚蠢的AI」，然后是AGI，最后是ASI（超級智能）。

但模型其實呈現出「鋸齒狀」特征：

它在某些環境里表現特別好（因為訓練數據豐富），在另一些就不行。

那么問題來了：

我們還能把它們稱為「通用智能」嗎？  還是說，它們只是「訓練在哪就聰明在哪」？

這和GPT-2時代的討論很像。

當時大家發現：小模型只要在某個任務上做微調（fine-tune），效果就很強。

但到了GPT-4這種規模，用足夠多樣的數據、足夠大的計算量去訓練，它就能天然泛化到很多子任務上，而且比那些「專門訓練的小模型」泛化得更好。

強化學習現在也在走同樣的路徑：

• 一開始模型的能力很「鋸齒」
• 但當我們把RL的規模拉大，總算力足夠大，就會看到從「專才」向「通才」過渡

現在我們已經看到了一些早期跡象，比如模型在推理類任務上的泛化能力，開始顯現。

有一個很好的例子是：「回溯能力」的出現（backtracking）。

模型會嘗試一條解法，然后「啊這不行」，重新走另一條路徑。這種「反思式推理」正是RL訓練難題過程中逐步顯現出來的。

所以大家總說：「AI只擅長被RL訓練過的任務」。

但別忘了，這些任務本身就是語言、科學、編碼、心理狀態等多種領域的融合。

要做好這件事，AI模型不僅要是個優秀程序員，還得能用語言清晰思考，甚至有點哲學家氣質。

而它確實已經在從訓練中泛化出這種混合能力了。

這才是我們真正接近「通用智能」的原因。

這并不是說AI一定會做某件事，或一定會朝某個方向發展。

但如果你問：「什么才是真正有經濟價值的？」

現在的AI正在學會寫代碼。 

而人類最有價值的能力，可能就是——

成為出色的機器人。

AI取代白領工作

最后回到那個核心問題：AI智能體將開始實際使用電腦，完成白領工作，為什么是未來幾年內的事？為什么不是幾十年？

關鍵是：這種未來是不是即將到來？

我們該做的，是構建一個類似SWE-bench的評估系統。

不僅評估軟件工程，還要擴展到所有白領工作。

把它們拆解成可衡量的任務，進行跟蹤和測量。

比如：你能不能靠互聯網賺錢？這是一個非常清晰的獎勵信號。

但要做到這一點，需要一整套復雜行為組合。

如果用這種「容易判斷的獎勵信號」進行預訓練，會非常有幫助。

例如：

• 網站能不能正常運行？
• 頁面有沒有崩？
• 用戶喜歡嗎？

這些信號都可以用來訓練模型。

只要模型能完成這條「長路徑」，它就能學到真正有用的能力。

相反，如果一直卡在

「每生成5個token就要給一次獎勵」的模式， 訓練過程會變得非常慢，效率也很低。

假設能用美國全部電腦的屏幕行為數據，只要預訓練一次，就可以設計出完全不同的強化學習任務。

這是理解強化學習的關鍵思維方式：

只要能拿到最終獎勵，長任務反而更容易評估效果。

比起只用互聯網上現有的公開數據，這種訓練方式會強得多，泛化能力也更好。

接觸到的數據越多，設計的訓練任務就越豐富。

我們需要構建連續分布的行為數據庫。

但這也帶來一個問題：

當模型處理的任務越來越長、越來越復雜，它拿到  第一個獎勵信號  的時間也會越來越久。

這意味著：每完成一次任務，所需的算力也會顯著增加。

所以整體進展的速度，可能會因此變慢。

因為你必須花更多計算資源，才能判斷一次任務是否成功。

這個說法直覺上沒錯。

但別忘了，人類面對困難任務時，非常擅長拆解步驟、重點練習難點。

一旦模型把基礎能力打牢，AI也可以像人一樣：跳過簡單部分，專練最難的環節。

沒有捷徑，大力出奇跡

沒有什么通向AGI的神奇捷徑。

你要想搞出真正通用的智能系統，

就必須擴規模、上大模型，愿意為此付出更多計算成本。

這就是「苦澀的教訓」，必須接受。

圖靈獎得主Richard S. Sutton提出了強化學習的「苦澀的教訓」

當然，也不是說無腦堆大。

真正的科學問題是：

什么時候用RL最合適？

因為需要模型不僅能「學」，還能在稀疏獎勵下自己「發現要學什么」：

如果模型太小——推理很快，但學不到什么有用的東西； 

如果模型太大——學得快，但推理太慢，算力消耗太大，不劃算。

所以這其實是一個「帕累托前沿」（Pareto Frontier）問題：

在當前這套模型能力+訓練環境下：

• 哪種模型大小最優？
• 哪個點的學習效率和算力開銷最平衡？

這就是現在大家都在做的「平衡的科學」。

尤其在強化學習中，模型要生成大量token，才能從中學習并獲取反饋。

這部分對推理能力和執行效率的要求非常高。

訓練再好，如果推理慢或太貴，也難以落地。

這就是「訓練好」≠「實用性好」的現實挑戰。

AI之下，迎接未來

那如果你是大學生，或者剛開始職業生涯的人，現在該怎么辦？

Sholto Douglas等人建議：

別只押注一個未來。

想象整個「可能世界的光譜」，提前為它們做準備。

最可能發生的情況是：你將擁有遠超以往的杠桿能力。

其實，這已經開始了。

很多YC初創公司，已經靠Claude寫出大部分代碼。

想象一下：

• 如果你手邊有10個工程師聽你調度，你會做什么？
• 如果有一家AI公司聽命于你，你能解決哪些問題？
• 以前夠不著的事，現在突然「能做」了。

你要為這樣的未來做好準備。

當然，這一切仍然需要技術深度。

也許某一天，AI會在所有領域全面超越人類。但在那之前，還有一個很長的「合作階段」。

黃仁勛曾說過：「我身邊有十萬個通用智能， 但我依然有價值。 因為是我在告訴它們目標是什么。」

在未來很多年里，人類仍然非常重要。 只要那一天還沒到，你就還有機會和價值。

所以，請做好準備，迎接多個版本的未來。

打破限制，勇于探索

如果真的全被AI取代，那你做什么都無所謂；但在所有其他可能性中，你的選擇非常重要。

Sholto Douglas等人給學生的建議是：掌握技術，打好基礎：學生物、學計算機、學物理。

更重要的是：認真想清楚，你最想改變世界的是什么？

你可以學，而且比任何時候都容易。

每個人都擁有了「無限完美的私人導師」。

別讓你以前的工作方式或專業背景變成束縛。

短期內，需要認真思考：

• 現在做的哪些事，AI其實可以做得更好？
• 然后去試一試，動手探索。

現在還有太多「唾手可得」的效率提升空間。

很多人甚至連完整提示都沒寫過、沒舉過幾個例子、沒把AI接入工作流程，就放棄了。

人類本身就是生物意義上的通用智能。很多有價值的能力是通用的。

你以前學的專業、積累的經驗，可能沒你以為的那么限制你。

Anthropic的很多員工也不是「AI出身」。

但他們天賦強、動機足、腦子快，來自各個領域，卻都能做得很好。

不需要什么「權威機構」的許可，才能進入AI領域。

只要你愿意開始、愿意嘗試、愿意申請，你就可以參與，也能為AI做貢獻。