一年以来，不仅GPT-5爽约，Brockman本人险些离席，甚至连被奉为圭臬的Scaling Law最近也遇到了“小插曲”。
一年以来，各类优秀的视频生成产品陆续发布，全员处于加速状态。但视频生成领域并未迎来“GPT时刻”，商业化探索同样是个难题。
年初惊艳世人的Sora，自横空出世以来，就鸽了。。。。其背后原因，据说是卡在了审查关。一方面，要和政府深入探讨安全风险；另一方面，亟需好莱坞和艺术家们入驻合作。
另一种可能性是，太烧钱了。Factorial Funds估算，Sora在训练环节对算力需求比LLM高出好几倍，至少需要在 4200-10500 块H100 上训练1个月。如果Sora得到大范围应用，比如TikTok的 50%视频由 AI 生成、YouTube的15%视频由AI 生成，推理环节则需要约72万台H100，大概烧216亿美元。前OpenAI CTO Mira提到，公司希望成本做到和Dall·E接近后再考虑开放。
一年以来，生成式AI应用依然处于早期，但挡不住巨头们的下注热情。红杉算了一笔账，AI的预期收入和基建投入之间，或存在6000亿美元缺口。目前局势尚且稳定，不过历史给我们的教训是，泡沫需要很长时间才能破裂......
所谓“预言”，往往会出现“方向”正确；“时间点”错误的情况。虽然你很难咬定上面哪条预言判断有误，但目前的“体感”并不明朗。
“黑天鹅”之父塔勒布曾在《反脆弱》一书中提出了“脆弱推手”（Fragilista）的概念，特指那些在系统中增加脆弱性的“西装革履”的人物或机构。他们会用“预测”，规划未来的路线图，对于自己不理解的事物，则倾向于当其不存在。
然而，如果这些“预言家”完全置身事内，其“预测”将影响自身利害，情况就大不相同了。比如，包括上述Greg Brockman等等投身AI事业的诸位大佬，他们或许会夸张炒作，或许会误测时间，但不会纸上谈兵。
只不过，有些预言实在是“太夸张”了。
最近，在一段YouTube视频采访中，当被问及对2025年的期待时，OpenAI CEO Sam Altman答道：AGI？我对此很兴奋。我们要有“孩子”了，这是我一辈子最兴奋的事情。
眼看GPT-5正在“卡壳”，你是信2025实现AGI，还是信我是秦始皇。关于AGI的预言都有哪些？想要实现还差几步？《商业内幕》的一篇文章《Those bold AGI predictions are suddenly looking stretched》进行了解释。
看山跑死马，“明年实现AGI”堪比“明年移民火星”
盘点大佬们对AGI的预测，大致存在“2026年”“2029年”，以及“2034年”三个时间节点。
第一梯队：3年内
OpenAI CEO Sam Altman：对2025年实现 AGI充满期待。
“全美Cutter”马斯克：最迟2026年会出现 AGI。
Anthropic创始人Dario Amodei ：预测2026年实现AGI 。
OpenAI联创John Schulman：AGI将在2027年实现，ASI将在2029年到来。
第二梯队：5年内
诺奖得主、AI教父Geoffery Hinton：5年内看到AGI。
英伟达创始人兼CEO黄仁勋：未来5年，AI能通过人类任何测试。
谷歌首席研究员Ray Kurzweil：预测AGI将在2029年到来。
《奇点临近》作者Ray Kurzweil：预测2029年实现AGI。
第三梯队：10年
诺奖得主、DeepMind创始人 Demis Hassabis：实现AGI 需要10年时间，且还需要 2 到 3项重大创新。
软银CEO孙正义：AI将在10年内比人类聪明一万倍。（直接预言上了ASI）
当然，还有一些“白日梦”组合。
Yann LeCun认为，AGI短期内不会出现。至少不会像好莱坞科幻电影那样突然出现。它更可能是一个渐进的过程，而不是某个时刻突然“开机”就得到AGI。实现真正的“人类级别”的AI之前，我们得到的更可能是一种“猫级别”或者“狗级别”的低智能AI。
吴恩达对宣称AGI即将到来持怀疑态度：我希望能在我们有生之年看到AGI，但我不确定。
人工智能专家Gary Marcus曾表示，如果我们继续深度学习和语言模型的路线，将永远无法实现AGI，更遑论ASI了。因为这些技术存在缺陷，相对薄弱，只有通过更多的数据和算力，才能取得进步。
华盛顿大学计算机科学教授、《终极算法》作者Pedro Domingos曾断言：ASI只是一个白日梦。
对于AGI的预测，背后关系着数万亿美元的投资。其无疑是未来科技发展的重要方向，但更重要的是，看清楚什么是真实可行，什么是过度炒作。
文章作者Alistair Barr认为，警示信号已经出现。
最为迫切的是Scaling Law“撞墙”：OpenAI联创Ilya Sutskever明确表示，依赖于扩大模型规模的结果似乎已经停滞；OpenAI研究员Noam Brown表示，在某个节点，扩展模式会失效；谷歌下一代Gemini性能未达预期，内部正在重新评估训练数据的使用方式。
连“技术乐观派”投资人都开始“谨言慎行”。
a16z创始人Marc Andreessen和Ben Horowitz怀疑LLM是否能保持现有的发展劲头。
Andreessen表示：目前看起来，AI模型的能力似乎遇到了某种瓶颈。当然，行业中有许多聪明人正在试图突破这个天花板。但是，如果你仅仅从数据和性能趋势图来看，AI模型性能的提升速度正在放缓，并呈现出一种“触及天花板”的趋势。
Horowitz则指出了阻碍因素：即使芯片到位了，我们可能也没有足够的电力支持。而有了电力后，又可能缺乏有效的冷却手段。虽然GPU的算力在不断提升，但AI模型的性能却未能同步增长，这表明仅仅依靠硬件的升级并不能解决所有问题。
如果目前无法突破这个技术瓶颈，那么短期内实现AGI的可能性几乎为零。如今，Google未给出明确回应；Sam Altman直接表示，没有撞墙；Anthropic则表示，尚未发现任何偏离Scaling law的迹象。
有趣的是，Alistair Barr解释了Sam Altman为何“嘴硬”。
一方面，如果OpenAI实现了AGI，则有望逃离微软的巨额“控制”。OpenAI官网写道，一旦实现AGI，其所产生的知识产权将不受现有与微软的协议约束。
另一方面，Altman的AGI目标完全是一种愿景，就像马斯克对火星移民和自动驾驶汽车的执着——即便一次次错过预测时间，却总能点燃团队的热情。
因此，“2025年实现AGI”的宏大目标，无疑比“实现公司账单自动化”这类相对平凡的目标更带劲儿，尽管后者可能更具短期商业价值。
历史表明，技术的发展充满了不确定性，比如某些技术在经历长期稳定的进步后，可能会突然失效。最经典的例子是“摩尔定律”。该定律是半导体行业发展的一盏明灯，其“每两年翻一番”的预言，点燃了整个科技界的创新热情，并为英特尔等巨头的崛起奠定了坚实基础。
然而，麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究表明，摩尔定律的魔力正在逐渐消退。
比如，2014年—2019年，英特尔在14纳米和10纳米工艺的推进上遭遇了瓶颈，用5年才完成预期2年就能达成的目标。2019年，投资者意识到摩尔定律不再适用以来，英特尔股价下跌了约50%，至今未能完全恢复。
这些现象预示着，技术进步可能并非永恒，AGI的到来并非迫在眉睫。
挡在AGI前方的四座大山
近期，Scale AI 创始人兼CEO Alexandr Wang的演讲颇具启发意义。
他将现代AI时代分为三个主要阶段：
第一个阶段是研究阶段（2012-2018），由第一个深度神经网络 AlexNet开启，那是一个 AI 只能告诉你YouTube视频里有没有猫的时代。
第二个阶段是规模化阶段（2018-2024），由 OpenAI的Alec Radford训练的Transformer 和 GPT-1开启。在这段时期，投入资源增长了一万多倍，这带来了性能的巨大提升。模型能力也从默默无闻的GPT-1，发展到了博士水平的o1 模型。
第三个阶段将是创新阶段，由o1 模型开启，直到出现超级智能为止。我们拭目以待，看看这个阶段是6年还是更短。这个阶段的标志是，大家已经在模型上投入了 2000 亿美元，而事实上大公司无法投入比这更多的资金了。我们不可能在模型上砸出 200万亿美元。所以，从数量级来说，能继续规模化的空间已经很有限了。砸钱工作结束，才真正需要相应的创新来配合，增强推理能力和测试时间计算能力肯定是其中之一。
Wang认为，在此之前，迈向AGI路上存在五大挑战：数据墙、评估过拟合、Agent不可靠、芯片和能源、国际竞争等等。
挑战一是数据墙。Epic AI预计的时间点在 2027年到 2030年之间。但如果你和业内人士交流，他们会说比这更早。目前，有几个主要的解决方案。
例如，前沿数据，各种形式的合成数据，以及更高级的数据类型，还有企业数据。这些数据类型能让我们更有效地学习高级概念，比如推理能力、多模态、智能体数据。此外，具身智能以及其需要的现实数据将是一个重要领域。总之，绝大部分的数据仍然是私有和专有的，是被锁起来的。
比如，GPT-4 的训练数据集大约为0.5 PB。而摩根大通的专有数据集，超过了150 PB。他们只是众多大企业中的一个。还有大量的数据躺在那里，从未被用于任何主要的训练。
挑战二是评估。这在AI圈内经常引发讨论，但是圈外人不太理解其重要性。评估是我们用来衡量这些模型进步的标尺。目前，许多评估都饱和或容易过拟合，过拟合指它们有点被“游戏化”了；饱和是指模型在所有评估中都已经表现得非常好。这意味着研究可能变得更加漫无目的。如果你看过去几年的MMU、数学、GPQA 等测试，模型表现似乎达到了瓶颈。但这并不是因为模型没有变得更好，而是因为这些评估已经不够难了。为解决这个问题，我们需要建立更具挑战性的评估。
挑战三是Agent。尽管每个人都在谈论Agent，但它们还没有真正到来，而且不可靠。我们看到AI Agent与自驾中的“L1—L5”非常相似。这个类比非常贴切：L1是一个聊天机器人；L2 是你可以寻求各种帮助的助手。L3是指用于工作流程特定部分的Agent，你可以开始依赖它们；L4 可能会颠覆这一点，当Agent需要人类帮助时，会向你寻求帮助，更像是一种远程操作模式。首先，让模型在每个领域都具备推理能力，最终在几乎每个领域都能发挥作用。其次，建设能够实现远程操作Agent的基础设施。在未来，我们大多数人可能只是 AI Agent的远程操作员。
挑战四是芯片和能源。在未来五年内，这些数据中心所需的电力保守估计为100吉瓦，也许远远不够。这相当于 20 个芝加哥的能源消耗，需要投入数万亿美元的资本支出。在这里我没有解决方案，只是指出这个挑战。
