Gertrud Goldschmidt（Gego）的《无题》，1966 年
图片：Gertrud Goldschmidt（Gego），无题（1966）。

当可能结果的范围仍然异常宽广时，用五种情景更清晰地思考 AI。

对于人工智能在 2025—2035 年间会沿着什么轨迹发展，我们并没有共识。下面是五种可能的情景。每一种都从三个层面展开：算力与硬件、模型与软件，以及应用。

我在 UCL School of Management 教授并讨论这些动态，也曾为 13Books Capital 等机构分享相关观点。2023 年 11 月，13Books 邀请我在其年度会议上发言。

我首先要承认，最近进展的速度令我惊讶。有时，AI 模型每六个月就在有效性、能力和效率上取得仿佛十年才能完成的进步。

根据公开证据——我并不掌握前沿实验室的内部信息——我仍然很难在这些未来之间作出选择。目前，我把情景 3 视为基准情景，因为相对于需求，物理基础设施与监管惯性看起来受到的约束最大。

执行摘要

情景 1——收益递减

前沿能力的增长进入平台期。企业靠模型专业化和收紧工作流取胜。

情景 2——互联网泡沫的回声

估值重置。存活下来的建设者集中于能够证明回报的应用。

情景 3——受瓶颈制约的繁荣

能源、芯片和监管限制前沿进展。企业学会把约束作为战略投入来管理。

情景 4——复利式自动化

没有单一的决定性突破，但智能体系统的持续采用逐年推高生产率。

情景 5——变革性起飞

技术突破释放能够执行长期任务的 AI 系统，重塑研发与知识工作。

这些情景并不相互排斥。现实中的未来可能是“2 + 4”或“3 + 4”：市场调整或基础设施瓶颈，与持续产生复利效应的应用同时发生。

简要术语表

  • Token： 模型处理和生成文本、代码或其他数据时使用的基本单位。
  • 检索增强生成（RAG）： 在要求模型回答前，先从外部来源检索相关信息的系统。
  • 评估（evals）： 用于衡量模型或系统质量、可靠性与安全性的可重复测试。
  • 智能体系统： 能够规划、使用工具，并为实现目标采取一系列行动的 AI 系统。
  • 蒸馏模型： 经过训练、能够以更低成本复现大型模型大部分行为的小型模型。

情景 1——没有崩盘的平台期

它是什么样子

不断扩大模型规模带来的能力增益明显放缓。增加数据和算力，只能产生有限改进。价值转向小型模型、专业模型和端侧模型，也转向更好的产品设计。AI 仍然必不可少，但前沿模型的军备竞赛开始降温。

三个层面

  • 算力与硬件： 资本支出趋平，GPU 现货价格稳定，推理效率成为重点。
  • 模型与软件： 扩展规模带来的回报逐渐减弱，进展重心转向检索、工具使用与评估。
  • 应用： 用户体验和工作流重构变得更重要。在边界清晰的场景中，领域专用助手胜过通用助手。

什么可能推动它发生

  • 数据限制： 高质量人类生成训练材料的供给成为硬约束。
  • 算法回报： 每增加一英镑投入，进一步扩展规模所带来的有用能力越来越少。
  • 合规摩擦： 在受监管场景中，部署变慢或范围变窄。《欧盟人工智能法案》于 2024 年 8 月 1 日生效，经过分阶段实施后，大部分条款将于 2026 年 8 月 2 日开始适用。

早期指标

  • 训练算力过去的高速增长持续放缓 12—18 个月。
  • 前沿模型的新版本在可靠、贴近现实的评估中只取得边际进步。
  • 数据中心能源需求预测被下调或保持不变。

行动方案

投资任务专用模型、检索、界面与运营质量、受治理的数据，以及不依赖单一模型的基础设施。如果原始智能正在商品化，优势就会转移到情境与执行。

情景 2——泡沫破裂，建设者留下

它是什么样子

AI 技术栈各层的估值大幅下跌。初创公司倒闭，整合加速，主要由叙事支撑的平台押注逐步瓦解。但技术进步仍在继续。两三年后，围绕可衡量回报建立的耐久企业开始出现——就像互联网泡沫调整之后那样。

三个层面

  • 算力与硬件： 资本支出激增后出现供给过剩，定价权转向买方。
  • 模型与软件： 随着资本收紧，开放模型和较小型实验室获得更多空间。
  • 应用： 回报清晰的工作流产品存活下来；主要靠故事维持的产品消失。

什么可能推动它发生

  • 宏观经济或政策冲击。
  • 承诺回报与实际回报之间的差距扩大。
  • GPU 供给刚好追上需求，而投资者同时失去耐心。

早期指标

  • 即使模型仍在不断发布，估值倍数也开始收缩。
  • 超大规模云服务商削减资本支出，却保持研究节奏。
  • 客户在购买前要求更短的回收期和更有力的证据。

行动方案

保护现金跑道和单位经济。避免长期、缺乏弹性的 GPU 合约。优先解决昂贵而真正令人痛苦的问题，并用时间、质量或现金来衡量改善。

情景 3——受瓶颈制约的繁荣

它是什么样子

电力、芯片、冷却、水和监管限制进展速度。每当新容量上线，能力就会跳跃式增长；随后基础设施需要追赶，进展再次暂停。

三个层面

  • 算力与硬件： 电力接入和半导体供给限制规模扩展，交付周期具有战略意义。
  • 模型与软件： 稀疏化、量化和蒸馏与扩大规模同样重要。
  • 应用： 企业在有明确边界的环境中自动化，并推迟高风险或高算力需求的应用。

什么可能推动它发生

  • 电力约束： 国际能源署预计，到 2030 年，全球数据中心用电量可能达到约 945 TWh，略高于今天日本的全年用电量，而 AI 是增长的主要驱动力。
  • 地缘政治： 出口管制与产业政策使先进芯片和模型的获取更加复杂。
  • 监管分阶段实施： 不同市场的规则在不同时间生效，解释也不相同。

早期指标

  • 电网排队、电力采购协议延误或冷却约束，迫使训练计划后移。
  • 芯片限制和规划审批延误开始影响模型发布节奏。
  • 效率指标变得和基准性能提升同样醒目。

行动方案

把能源视为战略投入。探索电力采购协议、选址和效率改进。分散算力供应商，并从系统设计之初就纳入合规要求。

情景 4——稳步产生复利的自动化

它是什么样子

没有“通用人工智能时刻”。相反，温和的年度进步不断复利累积。智能体系统在人类监督下接手边界清晰的工作。到 2030 年代初，服务业和知识工作的生产率显著提高——尽管过程中没有任何一次发布让人觉得世界在一夜之间发生了改变。

三个层面

  • 算力与硬件： 推理成本继续下降，AI 因而扩展到边缘设备和后台系统。
  • 模型与软件： 工具使用、记忆和编排成为主要差异化因素。
  • 应用： Copilot 与流程自动化逐条重塑工作流。

什么可能推动它发生

  • 采用胜过发明： 组织学会围绕已经存在的能力重新设计工作。
  • 经济价值： McKinsey 估计，在其研究的使用场景中，生成式 AI 最终每年可以贡献 2.6—4.4 万亿美元的价值。
  • 劳动暴露： IMF 估计，AI 可能影响全球近 40% 的就业，在发达经济体中比例更高。

早期指标

  • 组织在边界清晰的流程中，反复实现 10%—30% 的周期缩短或错误率下降。
  • 越来越多普通工作由 AI 居中处理，即使客户从未看见它。
  • 生产率统计开始呈现稳定而非戏剧性的增长。

行动方案

建立一条自动化漏斗：识别工作，评估价值与风险，开展测试，再把有效的方案规模化。在生产率收益到来前，先规划人才转型。让评估、监控和明确到人的责任成为日常运营的一部分。

情景 5——变革性起飞

它是什么样子

技术突破催生出在大多数高经济价值认知任务上超过专家、并能够完成长期项目的系统。研究、编程和设计的周期大幅缩短。由 AI 主导的发现与自主运营，从演示走向生产。

三个层面

  • 算力与硬件： 前沿实验室持续扩大规模，电力暂时没有成为决定性瓶颈。
  • 模型与软件： 推理、规划和工具使用方面的算法突破，带来能力的阶跃式变化。
  • 应用： AI 系统负责研发、产品开发和运营中的重要部分。

什么可能推动它发生

  • 算力持续增长，同时算法进步，合成数据与精选数据的质量提高。
  • 足以支持反复进行前沿训练的超大型基础设施计划。
  • 政策框架让测试、事故报告和红队评估成为常态，同时没有让研究完全停滞。

早期指标

  • 出现独立证据，证明系统能够在数周而非数分钟内持续追求连贯目标。
  • 出现由 AI 独立提出、经专家验证却并非由专家首先构思的证明、设计或发现。
  • 自动化实验室在有限的人类干预下，取得可重复的科学进展。

行动方案

在能力到来前加强安全、信息安全和治理。设计隔离、停机与恢复机制。让具有重大后果的行动可审计并受到审批。重新评估组织护城河：专业知识、速度和信息优势都可能不再那么持久。

跨越五种未来的无悔行动

尽管未来不确定，仍有几项行动在几乎所有情景中都有价值：

  • 建立不依赖单一模型的基础设施，并具备评估、监控和事故响应能力。
  • 治理数据、来源、权限和知识产权。
  • 保持自动化漏斗，同时制定人才转型计划并明确责任。
  • 把能源、合规与可审计性视为设计约束。
  • 保持供应商多元，避免任何单一模型、云服务商或芯片供应商成为单点故障。

这些情景的目的，不是选出唯一的赢家，而是揭示一项战略依赖哪些假设——以及当这些假设失效时，哪些行动依然合理。