"我们正处于指数增长的终点"

Anthropic CEO Dario Amodei 深度访谈:AI 扩展假设、AGI 时间线与"数据中心里的天才国家"

原文:Dwarkesh Patel | 编译整理:信息动物园 AI Research | 2026年2月

📋 执行摘要

核心观点:Dario Amodei 认为我们距离"数据中心里的天才国家"(a country of geniuses in a data center)仅剩 1-3 年,而非之前预测的 10 年。这一预测基于扩展假设(Scaling Hypothesis)在预训练和强化学习(RL)两个阶段的持续验证。

关键预测:到 2026-2027 年,AI 系统将具备诺贝尔奖得主级别的智力能力,能够完成从端到端软件工程到科学发现的各种任务。然而,经济扩散(Economic Diffusion)可能需要额外 1-5 年才能完全实现数万亿美元的经济价值。

🎯 核心数据

AGI 时间预测

1-3 年

50% 置信度达到"天才国家"水平

10年置信度

90%+

达到人类水平 AGI

Anthropic 收入增长

10x/年

2023-2025 年复合增长率

代码生成占比

90%+

Anthropic 内部代码由 AI 编写

"让我感到最惊讶的是,公众对我们离指数增长终点有多近缺乏认识。人们还在讨论那些陈旧的政冶热点问题,而我们已经处于指数增长的终点。"
— Dario Amodei, Anthropic CEO

📅 Amodei 预测时间线

2025-2026
端到端软件工程自动化
90% 的代码由 AI 编写,Claude Code 等产品实现端到端软件开发任务
2026-2027
"数据中心里的天才国家"
AI 系统具备诺贝尔奖得主级别智力,能够使用计算机界面、完成科学发现、与物理世界交互
2027-2030
经济价值全面释放
数万亿美元的经济价值逐步扩散到整个经济体,医疗、教育、科研等领域全面变革
2035
AGI 全面实现
90% 置信度达到或超越人类水平的通用人工智能

📈 Anthropic 收入增长轨迹

Amodei 披露了 Anthropic 惊人的收入增长曲线,展示了 AI 技术在经济中的快速扩散:

2023年
$0 → $100M
2024年
$100M → $1B
2025年
$1B → $9-10B
2026年1月
单月+$2-3B
"2023年是0到1亿美元,2024年是1亿到10亿美元,2025年是10亿到90-100亿美元。而今年第一个月,我们又增加了几十亿美元的收入。"

— Dario Amodei

🔬 扩展假设:七年不变的信念

Amodei 强调,他对 AI 扩展的核心假设自 2017 年以来从未改变。这一假设被他称为"计算大 Blob 假设"(The Big Blob of Compute Hypothesis),与 Rich Sutton 后来提出的"苦涩的教训"(The Bitter Lesson)基本一致。

决定 AI 能力的七大关键因素:

  1. 原始算力 - 可用的计算资源总量
  2. 数据量 - 训练数据的数量
  3. 数据质量与分布 - 数据需要广泛分布
  4. 训练时长 - 模型训练的时间长度
  5. 可扩展的目标函数 - 预训练损失函数或 RL 目标函数
  6. 归一化技术 - 确保数值稳定性
  7. 条件控制 - 让计算资源流畅流动而非遇到问题

预训练与 RL 的双重扩展

Amodei 指出,预训练扩展定律(Pre-training Scaling Laws)已经得到广泛验证并持续带来收益。而现在,同样的扩展规律也在强化学习(RL)阶段得到验证。

"我们看到在 RL 上也出现了同样的规律。其他公司发布的研究表明,在数学竞赛(如 AIME)上训练模型,其表现与训练时间呈对数线性关系。我们看到了同样的扩展规律。"

这意味着 AI 进步现在有两个阶段:

  1. 预训练阶段 - 在海量文本数据上进行无监督学习
  2. RL 阶段 - 在特定任务上进行强化学习

两个阶段都遵循相同的扩展规律,为 AI 能力持续快速提升提供了双重保障。

💼 软件工程自动化的五个阶段

Amodei 详细阐述了软件工程自动化的渐进过程,强调人们经常混淆不同阶段的目标:

  1. 90% 代码由 AI 编写 - 已实现
    在 Anthropic 等公司,AI 已经编写了 90% 的代码行。但这只是最弱的标准。

  2. 100% 代码由 AI 编写 - 即将实现
    所有代码行都由模型生成,这代表着显著的生产力提升。

  3. 90% 端到端 SWE 任务 - 进行中
    包括编译、环境配置、功能测试、撰写文档等全流程任务。

  4. 100% 当前 SWE 任务 - 接近实现
    即使是此时软件工程师的所有工作都能由模型完成。

  5. 软件工程师需求减少 90% - 未来目标
    这将创造新的高层次工作,工程师可以专注于管理和架构设计。
"八、九个月前我说过,AI 模型将在 3-6 个月内编写 90% 的代码。这在某些地方已经发生了,比如 Anthropic 和许多使用我们模型的下游用户。但这实际上是一个非常弱的标准。"

"人们以为我说的是我们不需要 90% 的软件工程师。这两者之间有天壤之别。"

🌊 经济扩散:快但不即时

Amodei 提出了一个核心观点:AI 技术的扩散速度将快于历史上任何技术,但不是即时的。这解决了两个极端观点之间的争论:

Amodei 认为真实情况处于中间地带:

"我认为我们应该思考这个中间世界:事物极其快速,但不是即时。它们需要时间,因为经济扩散,因为需要闭环。因为这很繁琐:'我必须在企业内做变革管理……我设置了这个,但必须更改安全权限才能让它真正工作……'"

为什么扩散需要时间?

即使 Claude Code 这样的产品极易设置,大型企业的采用仍然比初创公司慢几个月。原因包括:

但即便如此,企业采用速度已经远快于历史上任何新技术。

🔄 持续学习:在职学习的能力

一个关键议题是 AI 是否能像人类一样"在职学习"——在工作的过程中不断积累经验、理解上下文、提升能力。

Amodei 的观点

他认为现有的两条路径可能已经足够:

  1. 预训练 + RL 泛化 - 模型在训练阶段接触海量数据后泛化出广泛技能
  2. 上下文学习(In-context Learning) - 模型利用长上下文窗口(100万 token)进行短期学习
"100万 token 是很多内容。那可能是几天的学习时间。如果你想想模型阅读 100 万字需要多久,我阅读需要多久?至少几天或几周。"

关于上下文长度

Amodei 表示,从 128K 扩展到 1000万或1亿上下文长度主要是一个工程和推理问题,而非研究问题。关键挑战在于:

他预测持续学习能力将在未来 1-2 年内得到解决。

💰 AI 实验室如何盈利?

面对巨大的计算投资,Amodei 解释了 Anthropic 对盈利路径的思考:

"如果真的有数万亿美元的市场,这会怎样实现?"

他认为盈利路径不是单一的,而是多层次的:

  1. 消费者剩余 - 治愈所有疾病带来的巨大社会价值,即使只有部分转化为 AI 公司收入
  2. 企业生产力 - 如 Claude Code 等产品直接提升企业生产力
  3. 新市场创造 - 创造出今天不存在的新服务和产品

关键在于经济扩散的时间:即使技术 1-2 年内成熟,创造数万亿美元收入可能需要额外 1-5 年。

🌍 地缘政治:中美 AI 竞争

访谈还涉及了中美在 AI 领域的竞争问题。Amodei 认为:

"为什么中国和美国不能都拥有数据中心里的天才国家?"

这个问题触及了 AI 竞赛的核心矛盾:

Amodei 暗示这可能成为未来最重要的地缘政治议题之一。

📝 结论与启示

Amodei 的访谈描绘了一个令人震惊又令人兴奋的未来图景:

  1. 技术成熟度:我们正处于指数增长的终点,AI 能力将在 1-3 年内达到"天才国家"水平
  2. 经济影响:数万亿美元的经济价值即将释放,但扩散需要时间
  3. 社会变革:软件工程只是开始,几乎所有知识工作都将被重塑
  4. 地缘政治:AI 竞赛将成为 21 世纪最重要的战略竞争
"如果我们拥有'数据中心里的天才国家',我们会知道的。这个房间里的每个人都会知道。华盛顿的每个人都会知道。农村地区的人可能不知道,但我们会知道。我们现在没有。这是非常清楚的。"

对于企业、投资者和政策制定者而言,Amodei 的访谈提供了一个清晰的时间表:准备的时间不多了。1-3 年,一切都将改变。

📚 来源与参考资料