---
id: "2059986678262235405"
title: "Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他…"
account: "mubei"
brand: "@mubei"
category: "其它"
category_slug: "other"
score: 100
percentile: null
published_at: "2026-05-28 16:01:27"
translated_x_url: null
reason_tags: []
canonical_url: "https://mubeitech.com/p/2059986678262235405"
markdown_url: "https://mubeitech.com/p/2059986678262235405/markdown"
json_url: "https://mubeitech.com/api/posts/2059986678262235405"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他…

Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。

他说，过去三年，底层技术大体按他的预期前进。
模型从聪明高中生，走到聪明大学生，再走到开始做 PhD 和专业工作的水平。
在代码领域，甚至已经越过这个线。

真正让他惊讶的，是外面的人还在吵同一批旧政治议题。
新剧集。
新表情包。
明星互撕。
选举新闻。
人类历史级别的生产力迁移，反而像背景噪音一样被滑过去。

他的底层判断很朴素。
早在 2017 年，GPT-1 刚出来时，他写过一个想法，叫 Big Blob of Compute Hypothesis。
大意是，别太迷信聪明技巧。
真正长期起作用的，是几件笨东西。

原始算力有多少。
数据量有多少。
数据分布够不够广。
训练时间够不够长。
目标函数能不能一路扩展。
数值稳定性能不能撑住那团巨大的计算流。

这套逻辑，后来在预训练 scaling law 里跑通了。
现在 Anthropic 看到，RL 也在走类似路线。
先在数学竞赛题上训练。
再扩到代码。
再扩到更多任务。
模型能力会随着训练时间呈现近似对数线性提升。

有人质疑，这不像人类学习。
人类不用看几万亿个 token，也不用烧掉几十亿美元算力，才会用 Excel、PowerPoint、浏览器。
如果 AI 真有人的学习核心，为什么还要建这么多强化学习环境？

Dario 的回答有意思。
这个谜题存在，但可能没那么致命。
人脑出生时已经带着进化给的先验。
语言模型从随机权重开始，像一张更空的白纸。

所以预训练和 RL，更像夹在人类进化与人类学习之间的一层东西。
模型先用天量数据长出先验。
再靠长上下文，在具体任务里快速适应。
当上下文长度到一百万级别时，推理成本成了主要阻碍，学习能力本身已经开始显形。

这就是很多人低估 AI 的地方。
他们以为差距在于知道哪个工具火。
真正的差距在于，谁已经把工具嵌进工作流，谁还把它当搜索框、玩具、聊天窗口。

大多数人只用了 10%。
少数人正在把 100% 的工作方式重写一遍。

下一轮阶层分化，未必先发生在公司估值表里。
它会先发生在同一间办公室里，发生在两个看似职位相同的人之间。
一个人在操作软件。
另一个人在调度计算。

---

_Translation: (n/a)_
_Canonical: <https://mubeitech.com/p/2059986678262235405>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-05-28 16:01:27_