AI 尺度定律详解：通用人工智能比我们想象的更接近现实吗？

角度。 AI's 这种增长遵循着与物理学中任何规律一样的规律：更多的计算、更好的算法和更多的数据带来可预测的收益，而前沿模型能够独立完成的任务长度自 2023 年以来大约每四个月翻一番。

通用人工智能（AGI）并非一蹴而就，而是一条阶梯。在数字化、定义明确的工作领域，我们正快速攀登；但在创新性、开放式和体力劳动领域，这条阶梯依然陡峭。

伎俩

让聊天机器人帮你写首十四行诗、修改代码或者解释你的验血结果，感觉就像变魔术一样。这种魔术之所以有效，是因为你只看到了舞台上的景象。舞台背后并没有魔法师，只有三个旋钮和一张电费单。

1. 第一个旋钮是计算量：训练模型需要进行多少次计算。
2. 第二点是算法：如何巧妙地运用每一次计算。
3. 第三点是数据：模型需要学习多少文本、代码和视频。

自 2024 年起，模型又增加了一个调节旋钮：思考时间。思考时间是指模型在给出答案之前进行推理所需的时间。提高任何一个旋钮的数值，性能都会以非常可预测的方式显著提升。

这种可预测性才是真正的启示。艾萨克·牛顿给我们留下了描述物体运动规律的定律。 AI 研究人员发现了一些规律，这些规律描述了智能（至少是机器智能）如何随着资源的增加而提升。就像牛顿一样。's 规律在适用范围内完美运作，但在边缘处却不成立。这件作品探讨的正是这两方面：规律，以及边缘。

魔's 定律：神经缩放定律

2020年1月，Open团队AI 由...领着 贾里德·卡普兰 这表明语言模型's 误差，也就是它的“损失”，会随着训练所用计算量的平滑幂律下降。写下来，它简单得几乎令人失望：

L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050

L 是损失函数，C 是训练计算量，C_c 是一个常数。指数 α 决定了一切。当 α 约为 0.05 时，将计算量乘以 10 只能使损失降低约 11%，因为 10 的负 0.05 次方约为 0.89。每次十倍迭代都只能带来类似的、微弱的改进，如此循环往复，直到其他方法失效为止。卡普兰's 研究团队发现模型大小和数据符合幂律规律。

两年后，DeepMind 的 Chinchilla 论文（Hoffmann 等人，2022 年 3 月）修正了这一方法。在预算固定的情况下，参数和训练数据量应该同步增长，大约每个参数需要 20 个训练数据。Chinchilla 模型拥有 700 亿个参数，训练数据量达 1.4 万亿个，其性能优于使用相同计算资源训练的、规模是其四倍的模型。

而且计算量还在不断增加。如果前沿训练的计算量每年增长约 5 倍（Epoch AI），而更好的算法每 8 个月左右就能将达到相同结果所需的计算量减半（Ho 等人，2024），那么最佳模型背后的有效计算量每年大约增长 14 倍，因为 2 的 12/8 次方约为 2.8，而 5 乘以 2.8 等于 14。这是 Mojo 的计算方法，并非精确测量值，但它解释了为什么每年的模型都感觉像是不同的物种。

这些表盘实际读数是多少？

四个旋钮都还在转动，但数据旋钮快要停住了。

计算。 时代 AI 据估计，自 2020 年以来，前沿训练计算量每年增长约 5 倍，训练成本每年增长约 3.5 倍。2020 年，GPT-3 的训练运算量约为 3 × 10^23 次；2023 年，GPT-4 的训练运算量约为 2 × 10^25 次。

时代's OpenAI 预测，2026 年的运行将达到最高水平。's GPT-6 Astra 的精度约为 9 × 10^26，目前尚未有达到 10^27 的运行结果得到证实。Epoch 估计，到 2025 年训练 Grok 4 将消耗约 310 吉瓦时的电力，成本约为 490 亿美元。

算法。Anson Ho 及其同事在 2024 年的一项研究发现，达到固定语言模型性能水平所需的计算量大约每 8 个月减半，尽管更大的计算能力仍然能完成更多的工作。

数据。 这是带止动器的表盘。纪元 AI 公共资产存量估计 人类书写的文本 预计全球代币总量将达到约 300 万亿枚，并将在 2026 年至 2032 年间全面用于模型训练。我们现在正处于这个时间窗口内。各实验室正在转向使用合成数据、授权数据、视频以及模型自身的推理轨迹。

思考时间。最新的指标。2024 年 9 月，OpenAI 的 o1 模型表明，让模型在答题时进行更长时间的思考可以稳步提升准确率：在 2024 年的数学竞赛中，o1 仅用一次尝试就获得了 74% 的分数，而当它能够对 1,000 次尝试进行采样和重新排序后，准确率达到了 93%，相比之下，GPT-4o 的准确率仅为 12%。2024 年的一项研究发现，合理分配推理计算资源可以让一个小型模型击败一个规模是其 14 倍的模型。

理查德·萨顿's 2019 年发表的《苦涩的教训》一文预见了这一结果：在国际象棋、围棋、语言和视觉领域，运用更多计算的通用方法总是胜过巧妙的手工知识积累。六年过去了，这个教训依然令人痛彻心扉。

物理学对这些极限有什么说法？

上述软件定律运行于硬件之上，而硬件则遵循物理定律。三个数字构成了整个争论的框架。

芯片速度仍在提升，只是方式已不再相同。摩尔定律——晶体管数量大约每两年翻一番——已经放缓；英伟达的黄仁勋在2022年宣布该定律失效。

然而，英伟达's 根据数据中心芯片自身的规格，其16位密集运算性能从V100（2017年）的每秒约125万亿次运算提升至Rubin（2026年）的每秒约4,000万亿次运算，在短短九年间增长了约32倍。性能提升主要得益于专门的设计和低精度运算，而非更小的晶体管。

时代 AI 措施 机器学习硬件 每 2.1 年成本效益大约翻一番。

你的大脑效率高得惊人。据美国国家标准与技术研究院 (NIST) 的数据，人脑运行功耗约为 20 瓦。而一块英伟达 H100 显卡的功耗约为 700 瓦。开放慈善组织 (Open Philanthropy) 估计，大脑的原始计算能力约为每秒 10^15 次运算，这与一块 H100 显卡的运算能力大致相当。虽然两者的比较并不完全恰当，但效率上的差距是真实存在的，也表明硬件的性能提升空间仍然非常巨大。

能量是有极限的。兰道尔原理于1961年提出，并于2012年通过实验证实，它规定了在室温下擦除一位信息所需的最小能量：约3 × 10⁻²¹焦耳。如今的芯片使用的能量比这高出几个数量级。物理学尚未达到极限，发电站才是。

国际能源机构's 2025年能源与 AI 报告估计，到2024年，数据中心将消耗约415太瓦时的电力，约占全球电力消耗的1.5%。's 总计，预计到 2030 年将达到约 945 太瓦时。

就每个问题而言，耗电量都很小且呈下降趋势：谷歌测得，2025 年 5 月 Gemini 的文本提示平均耗电量为 0.24 瓦时，略低于 Epoch AI。's 当年早些时候，对一次典型的 ChatGPT 查询的估计约为 0.3 瓦时，而谷歌报告称，在 12 个月内，每次提示的能耗下降了 33 倍。

问题在于杰文斯悖论：随着每次查询成本的降低，我们发出的查询请求数量却增加了数十亿次。

Mojo地平线时钟：可以持续多久 AI 能独立完成吗？

2019年，GPT-2 处理的任务耗时约3秒。2026年4月，METR's 人类学的早期估计's Claude Mythos Preview 时长超过 16 小时。

这意味着七年内增长了约21,000倍。当我为每个新纪录拟合趋势线时，发现从2019年到2026年，数据大约每6个月翻一番；而从2023年开始，则大约每4.1个月翻一番。METR在2026年1月的最新数据显示，2023年后的翻番周期约为4.3个月，因此我们的独立拟合结果与之相符。

仅作为示例，将 2023 年之后的线延长，它将在 2026 年底左右跨越每周 40 小时的工作时间，并在 2027 年下半年跨越每月 167 小时的工作时间。

现在来说说一些注意事项，因为它们很重要。

1. 首先，50% 的成功率并不代表可靠性；80% 的成功率意味着预期寿命要短得多。
2. 其次，这些都是独立的软件， 研究任务而不是那种需要和同事、客户以及实物打交道的繁琐工作。
3. 第三，衡量标准本身也出现了问题：METR 表示，其超过 16 小时的估计值不可靠，并且已于 2026 年 9 月停止积极更新其排行榜。

当尺子用完而被测量的物体还没到时，这本身就是一个信号。

为什么基准指数持续下降？

因为模型在不断改进，而且基准测试是目标。这两点都成立，而第二点正是我谨慎对待每一份排行榜的原因。

最引人注目的案例是ARC-AGI-3，它由ARC Prize基金会于2026年3月25日推出，是一套没有说明的交互式谜题，人类可以轻松解开。在发布之初，最好的 AI 得分0.51%。2026年9月3日，ARC Prize 认证了 OpenAI。's GPT-6 Astra 在其标准测试设置下的准确率仅为 62.7%。（网上流传的 98% 到 99% 的准确率数据来自另一种设置，ARC Prize 并未将其视为标准设置。）这款旨在持续数年的基准测试模型，在短短六个月内就失去了大部分性能提升空间。

其他地方也出现了类似的模式。SWE-bench Verified 的编码成功率从 2023 年的 4.4% 上升到供应商报告的 2026 年结果中的约 96%，这意味着它已无法区分最佳模型。2025 年 7 月，谷歌 DeepMind's Gemini Deep Think 解决了国际数学奥林匹克竞赛六道题中的五道，在官方评分标准下获得了 42 分中的 35 分，达到了金牌标准。

这里使用的镜头是古德哈特's 规律：当一个指标成为目标时，它就不再是一个好的指标了。实验室会针对著名的基准进行训练；测试题会泄露到训练数据中。但这并不意味着进展是虚假的。这意味着真正诚实的指标是那些看起来像是真实工作的指标，例如METR。's 时间跨度，以及那些对机器来说仍然困难但对人类来说很容易实现的目标，例如 ARC-AGI-3 和人类。's 上次考试未使用任何工具，最高官方成绩为 38.3%。

那么，AGI 的预测结果与实际结果有多接近？

屏幕上的AGI比现实世界更接近现实，也比大多数圈外人士想象的更接近现实。但“AGI”对不同的人来说意味着不同的东西，这也是这场争论陷入僵局的原因之一。

定义。谷歌DeepMind的“通用人工智能（AGI）层级”框架（Morris等人，2023）从两个维度对系统进行评级：性能和通用性。该框架将当时的聊天机器人归类为“新兴”AGI。实验室负责人讨论的是能够完成最具经济价值工作的系统；Anthropic公司的Dario Amodei将其描述为“数据中心里的天才国度”。怀疑论者将其定义为类似人类从经验中学习的能力，而目前的模型尚不具备这种能力。

预测。

实验室负责人更加积极主动：2026年1月，人类学's 达里奥·阿莫代伊写道，强大的 AI 可能还需要一到两年时间。德米斯·哈萨比斯 (Demis Hassabis) 在 2023 年表示，它可能在十年内实现。离开 Meta 并为新实验室筹集了 1.03 亿美元的扬·勒昆 (Yann LeCun) 称大型语言模型是条死路，而理查德·萨顿 (Richard Sutton) 则认为它们只是模仿而非学习。

Mojo 的三道关卡。我没有设置一条终点线，而是设置了三条，每条终点线都包含一项可衡量的测试。

门阀	《测试》（Test）	状态，2026年11月	魔's 读
1. 数字自主性	AI 以高可靠性完成一周的实际软件或研究工作	过去16小时的视野范围为50%；可靠的视野范围要短得多；测量出现故障	1至3年内可行
2.新颖性	对人类来说简单但机器无法理解的谜题（ARC-AGI-3）	最佳验证率 62.7%；人工验证率 100%	交易即将完成；预计1至2年内完成。
3. 物质世界	以具有竞争力的成本从事一般体力劳动的机器人	对于约 0.3% 的体力劳动而言，成本具有竞争力（Anthropic，2026 年 9 月）	十年或更久

我的结论是：通用人工智能的数字部分在2030年之前很有可能实现。而物理部分，也就是那些叠衣服、修锅炉、照顾病人的部分，则还要遥远得多。——莫拉维茨's 这个悖论依然成立：对我们来说难的事情，对机器来说却很容易；对我们来说容易的事情，对机器来说却很难。任何告诉你通用人工智能会在某个特定日期实现的人，都是在兜售某种东西。

索赔检查

要求	谁做的	MES系统	魔's 读
尺度定律依然成立	AI 实验室，Epoch AI	4强	随着计算量的增加，损失持续下降；数据拨盘是决定性风险。
AI 遇到了“瓶颈”	怀疑论者，定期	0 没撑住	到2026年，各项指标和硬性基准持续上升。
任务周期每 4 到 7 个月翻一番。	METR	4强	经我们自身试穿验证；测量间隔超过 16 小时。
AI 在数学奥林匹克竞赛中击败人类	谷歌深度思维	4强	官方评级黄金标准，2025年7月
通用人工智能（AGI）将于2027年到来。	一些实验室负责人	1 索赔	这取决于定义；数字化部分很快就能实现。
法学硕士学位是条死路。	Yann LeCun	1 索赔	少数派观点不容忽视；目前尚未有任何结果显示出明显的上限。
AI 每次查询的能耗极低。	谷歌、OpenAI	3个有前途的	自我报告，但与 Epoch AI 一致's 独立估计
我们将耗尽训练数据	Epoch AI	3个有前途的	2026年至2032年的时间窗口已经开启；合成数据仍是一个悬而未决的问题。

反角

反对我这种解读的最有力论据是，我把衡量标准误当成了事物本身。时间跨度和基准是研究人员构建的测试，而模型也越来越多地被训练来通过这些测试。

我非常重视这一点，所以我的大门需要一周以上的可靠维护，而且实体大门也始终保持远离。但七年来，即使衡量标准几经变更，这一趋势依然存在。当每次新测试的结果都比上一次下降得更快时，最可能的解释是，被衡量的事物确实在改善。

魔's 预测

1. METR 或类似的独立评估机构发布的估计值表明，该模型's 到 2027 年 12 月 31 日，超过 40 小时的时间范围占 50%。 概率：60%。
2. ARC-AGI-3 评分达到 85% 或以上's 标准测试设置已由 ARC Prize 于 2027 年 12 月 31 日前验证。 概率：55%。
3. 时代 AI 预计到 2027 年 12 月 31 日，训练运行次数将超过 10^27 次。 概率：85%。

这三项预测结果都将录入 Mojo 预测账簿，并公开评分。

接下来将在哪里进行辩论

常见问题解答