AI“无用”还是“无敌”？斯坦福AI大神Jason Wei：你只需要这张“未来地图”
一个顶级的量化交易员朋友告诉他，ChatGPT虽然很酷，但在他日复一日的实战中，几乎派不上用场 。而另一位顶级AI实验室的研究员则忧心忡忡，认为自己可能只剩下两三年的工作时间，就会被AI彻底取代 。
世界对AI的看法，正撕裂成两个极端。一方是“AI无用”的现实主义，一方是“AI无敌”的未来主义。
我们为什么会陷入这种“非黑即白”的争论？
在最近一次斯坦福大学的演讲中，前OpenAI及谷歌大脑研究员、现Meta Superintelligence Labs的科学家Jason Wei ，给出了一个深刻的答案：因为大多数人都在用一张过时的旧地图，去航行一片刚刚隆起的新大陆。
面对混乱的信号，Jason Wei没有选择“站队”，而是给出了一个全新的导航框架。他提出了理解2025年AI发展的“三个核心思想” ——与其说这是三个观点，不如说是绘制未来AI版图的三张关键图层。
图层一：智能的“大宗商品化”——成本趋近于零
第一个，也是最颠覆性的判断是：智能，正在成为一种商品 。
就像电力和算力一样，获取知识和进行推理的能力，其成本和门槛正在无限趋近于零 。
在过去，无论问题是“1+1等于几”还是“证明费马大定理”，模型都得启动一个庞大的、固定的计算资源来回答 。但Jason Wei指出，一个根本性的转变已经发生，那就是“自适应计算”（Adaptive Computing）的到来 。
这个概念的意义堪比“云计算”之于“本地服务器”。它意味着模型可以根据任务的难易度，动态调整计算资源 。
打个比方，我们不必再为了回答一个简单问题，而去运行一个万亿参数的庞大“核反应堆” 。对于简单任务，AI可以用极小的资源完成，从而将成本推向极限。
当计算成本崩塌时，获取知识的成本也在崩塌。
Jason Wei举了一个生动的例子 ：
- 在“前互联网时代”，想知道“1983年韩国釜山的人口”，你可能要花几小时开车去图书馆翻阅年鉴。
- 在“互联网时代”，你用搜索引擎，花几分钟。
- 在“聊天机器人时代”，答案几乎是瞬时的。
如果问题再难一点呢：“1983年在釜山有多少对新人结婚？” 这在过去几乎是不可能完成的任务，需要飞到韩国查阅几十本卷宗 。但如今，OpenAI的内部工具“Operator”已经可以在几分钟内，自动访问韩国统计数据库，通过多次尝试和点击，最终找到答案 。
这带来一个至关重要的推论：当所有公共信息的获取成本都降为零时，那些未公开的、内部的、私有的信息，其相对价值就会急剧上升 。
图层二：“验证者法则”——AI的“自动化路线图”
如果说“商品化”是宏观趋势，那么“验证者法则”（Verifier Principle） ，就是我们预测AI将在何时何地爆发的“战术地图”。
这个法则源于一个经典概念：验证一个解（Answer）是否正确，通常比从零开始找到这个解要容易得多 。
求解（难）： 让你设计并运行整个推特（Twitter）的后端系统，这需要数千名工程师 。
验证（易）： 让你验证推特网站是否正常工作，你只需要打开浏览器点几下 。
求解（难）： 解一道复杂的数独题，可能要几小时 。
验证（易）： 检查一个填好的数独是否正确，只需要几秒钟 。
Jason Wei的核心论断是：一个任务的可验证性，决定了它被AI征服的速度 。
任何“易于验证”的任务，无论它本身有多难，最终都将被AI攻克 。
DeepMind的AlphaDev项目就是利用这个法则的“作弊码” 。他们让AI解决“找到最快的排序算法”这类问题。AI是怎么做的？
- 生成： AI像猴子打字一样，疯狂生成海量的候选算法方案 。
- 评估： 因为“算法是否更快”是一个极易验证的指标（客观、快速、可扩展），系统可以自动给每个方案打分。
- 迭代： AI将得分最高的方案作为“灵感”，在下一轮生成更高质量的方案 。
通过投入海量算力进行这种“生成-验证”的进化式循环，AI最终发现了比人类专家设计了几十年的算法更优的解 。
这个法则告诉我们，未来最具价值的工作之一，可能不再是“解决问题”，而是“定义问题”和“评估方案”。因为一旦你为某个领域设计出一套快速、客观、可扩展的评估体系，AI就能接管剩下的优化的工作 。
图层三：“锯齿状前沿”——为什么“超级智能”不会突然到来
第三张图层，是“现实图层”。它完美地回应了开头的那个悖论。
很多人担心“快速起飞”（Fast Takeoff）假说 ——认为AI一旦跨过某个临界点，就能自我迭代，在极短时间内超越人类。
Jason Wei认为，这大概率不会发生 。
因为AI的发展不是一条平滑的上升曲线，而是一个“锯齿状的前沿”（Jagged Frontier） 。
一个更精准的比喻是：AI的未来不是一条通往天际的高速公路，而是一片高峰和深谷并存的锯齿状山脉 。
- 高峰（Peaks）： 是AI表现出超人能力的领域，比如数学、竞赛编程 （因为它们极易被“验证者法则”优化）。
- 深谷（Valleys）： 是AI表现极其糟糕的领域。比如它很长一段时间会认为9.11比9.9大 ；或者面对只有几百人会说的“特林吉特语”，由于数据稀缺，AI几乎不可能学会 。
AI在“高峰”上的进步，并不会自动填平“深谷” 。AI不会因为在数学上取得了突破，就突然学会了如何理发。
为什么？Jason Wei提供了三个简单的启发式法则 ：
- 数字任务 > 物理任务： 数字世界可以光速迭代（AlphaDev），物理世界（如机器人）的迭代速度受物理定律限制 。
- 对人类的难度： 总体上，对人类越容易的（如直觉、常识），对AI可能反而越难。
- 数据的丰富度： 数据量依然是关键 。
结语：停止争论“何时”，开始绘制“何处”
Jason Wei的“三图层框架” ，为我们提供了在AI新大陆上航行的指南。
它完美地解释了开头的撕裂： 那位量化交易员之所以觉得AI“无用”，很可能因为他的工作要么处于一个“深谷”（例如需要物理世界的交互或稀缺数据），要么依赖高价值的“私有信息”。 而那位AI研究员之所以感到“被取代”，因为他的工作（如优化算法）正处在一个“高峰”，并且完美符合“验证者法则”，即将被AI大规模自动化。
与其预测AI何时会无所不能，不如现在就开始绘制你所在行业的“能力地图” 。
哪些工作是“高峰”（易于验证，数据丰富）？它们即将被“商品化”。 哪些工作是“深谷”（依赖物理，数据稀缺，难以验证）？它们在短期内依然安全。 而你，是应该去攀登下一个“高峰”，还是去“深谷”里淘金，亦或是成为那个为AI“定义标尺”的“验证者”？
在这场波澜壮阔的智能变革中，这三个问题，关乎每个人的未来。
