[!warning] 反直觉的数据矛盾
Anthropic内部调查:60%的Claude使用者自报生产力提升了50%
METR研究:在熟悉代码库的开发者中,使用AI工具反而使PR合并速度下降了约20%
这是什么操作?AI到底是帮手还是帮凶?
如果你问任何一个正在使用AI工具的开发者:"AI让你效率提升了吗?",十个人里有九个会毫不犹豫地告诉你:"当然!简直太强了!"
但等等,这里有个有趣的现象。
最近,Anthropic的联合创始人Jack Clark在一次深度访谈中透露了一个令人不安的真相:我们对自己生产力的感知,可能和真实生产力高度背离,甚至方向完全相反。
这次访谈的阵容相当豪华:
在长达数小时的对话中,他们聊到了AI发展的方方面面,但最让本人印象深刻的,是那些反直觉的细节和数据。
让我们先回到2017年。
那一年,Google的八位工程师发表了著名的《Attention Is All You Need》论文,提出了Transformer架构。但在这篇论文发表之前,AI圈的主流思想是什么?
"白板假设"(Tabula Rasa)。
简单说就是:从零开始训练一个智能体,把它丢进环境里,通过一套由易到难的任务课程,让它逐步获得通用能力。
当时的顶级实验室,像DeepMind和OpenAI,都在干这种事:
事后看我们都知道,这条路线虽然造出了超人类系统,但并没有带来通用智能。
与此同时,还有另一条路径在悄然发展:
对超大规模数据集进行训练,构建能够预测和生成这些分布的模型。
然后,奇迹发生了。
Transformer + Scaling Law = 通用智能的钥匙
事实证明,只要足够规模化数据和算力,就能得到通用系统。
但是!(敲黑板!)这里有个颇具讽刺意味的现象:
现在,人们又开始构建智能体了!
但这一次,智能体是建立在强大的预训练模型之上的。
graph LR
A[2017年以前<br/>白板假设<br/>从零训练智能体] --> B[2017-2024<br/>Transformer + Scaling Law<br/>大规模预训练模型]
B --> C[2024年以后<br/>智能体 2.0<br/>基于预训练模型的智能体]
style A fill:#f9f,stroke:#333,stroke-width:2px
style B fill:#bbf,stroke:#333,stroke-width:2px
style C fill:#bfb,stroke:#333,stroke-width:2px举个例子:
这就像什么呢?
就像你当年花了好多年从零开始学做菜,结果发现,如果先跟着米其林大厨学会所有基础技巧,然后再去创新做菜,效率要高出一万倍。
Patrick McKenzie说了一句很精辟的话:
"你今天看到的,是下限,不是上限。"
什么意思呢?
就是说,未来的任何AI能力(甚至任何有趣的东西),都不必再构建在比"现在更差的认知基底"之上。
未来任何一个《星际争霸》的AI,在出生那一刻就已经读过中文原版的《孙子兵法》,除非它的设计者判断这反而会让它更容易被虫族一波带走。
哈哈,这个比喻太生动了!(￣▽￣)
"这已经是它最差的时候了"
Jack在Anthropic经常对政策制定者说这句话,但要让他们真正理解这句话的分量,非常困难。
确实,想象一下"最差的AI"都已经这么强了,那未来的AI该有多恐怖?
好了,现在让我们聊聊那个最让人困惑的问题:AI到底有没有提升生产力?
METR是一家专门研究AI能力的机构,他们做了一项研究:
等等,下降?不是说AI会让开发者效率起飞吗?
Anthropic做过一次开发者调查:
这就很魔幻了对吧?
一边说下降20%,一边说提升50%,这数据打架得也太明显了!
Jack Clark给出了一个非常有趣的解释:木桶原理。
系统速度取决于最慢的环节
graph TD
A[写代码: 10倍速度] --> D[整体效率]
B[代码审查: 2倍速度] --> D
C[测试部署: 1倍速度] --> D
D --> E[受限于最慢环节<br/>效率不会爆炸式增长]
style A fill:#9f9,stroke:#333,stroke-width:2px
style B fill:#ff9,stroke:#333,stroke-width:2px
style C fill:#f99,stroke:#333,stroke-width:2px
style D fill:#ccc,stroke:#333,stroke-width:3px
style E fill:#f66,stroke:#333,stroke-width:2px举个例子:
这就好比一个桶,最短的那块板决定了桶能装多少水。即使你把其他板都加长到10米,只要有一块板还是原来的长度,水还是会从那里漏出去。
为什么会这样?
因为AI擅长的是生成,但不一定擅长验证。
写代码很快,但审查代码还是需要人来做,而且审查的质量直接影响最终结果。如果你生成的代码有bug,审查反而会更慢。
Dwarkesh Patel指出:
自我感知的生产力可能与真实生产力高度背离,甚至方向相反。
这就像什么呢?
就像你觉得自己开豪车比骑自行车快多了,但实际上因为堵车、停车难、限速等问题,你可能还没骑自行车到得快。
主观感受vs客观现实 - 这是个永恒的悖论。
Jack Clark表示,Anthropic正在认真考虑如何做更好的"仪表化",以区分主观感受与客观现实。希望2026年能拿出研究成果。
Michael Burry(就是那位《大空头》原型)分享了他的使用场景:
用Claude制作所有图表和表格
他说:
我会自己找到原始资料,但在设计和制作专业图表、可视化方面,我已经完全不花时间了。
用Claude寻找资料来源
现在很多重要信息并不在SEC文件或主流报告里。
Patrick McKenzie补充了一个很犀利的观察:
过去几十年里,金融业花了多少十亿美元,让全球最聪明、薪酬最高的一批人,去当PowerPoint和Excel专家。
想想还真是,以前那些高薪分析师整天干的事就是:
现在这些技能,AI几分钟就搞定了。
虽然这些技能的"身份象征意义"可能还会存在一段时间(就像现在还有人炫耀自己会用算盘一样),但不可逆转的趋势已经形成。
Patrick甚至说,他在英格兰银行的那次演讲,所有图表都是用LLM做的。
回头想想,我们曾经要求人类花数小时微调这些东西,本身就显得有点荒诞。
传统认知:
但Michael Burry说:
我现在不太确定了。
他的亲身经历:
只要身边有Claude,他已经能自己完成很多电工和家居维修工作。
如果我是一个中产,面对一次800美元的水管工或电工上门费用,我可能真的会选择先用Claude试一试。我甚至可以拍张照片,让它一步步告诉我该怎么修。
这就有意思了!
以前我们以为AI只会影响那些"坐办公室"的白领,没想到连"拿扳手"的蓝领也开始受到冲击了。
核心逻辑是:
AI虽然不能直接动手修水管,但它可以:
这样一分析,所谓的"AI免疫职业",可能根本没有那么安全。
Jack Clark预测:
程序员身上发生的事情,很快会在更广泛的知识工作者中重演。
为什么编程是前沿阵地?
因为编程有一个非常关键的优势:它是相对"闭环"的。
Jack举了个自己的例子:
我最近在研究一些成本曲线问题,比如单位质量的入轨成本、单位瓦特的太阳能成本。以前也能用LLM辅助研究,但摩擦极大,需要在模型和外部工具之间反复切换。现在这些摩擦被消除了,使用频率自然迅速上升。
因此,他预计:程序员身上发生的事情,很快会在更广泛的知识工作者中重演,并以一种分散但广泛的方式,体现在科研、法律、学术界、咨询等多个领域。
这是整个访谈中最让本人关注的部分!
Jack Clark给出了一个非常明确的表态:
"我几乎可以肯定:在2026年1月,地球上还不存在真正的递归自我改进AI。"
什么是"递归自我改进AI"?
简单说就是:能够构建AI的AI - 彻底闭合AI研发的循环。
如果这种系统真的出现,那么AI的发展速度将急剧提升,并很可能超出人类的理解能力。
但是!(重要!)
Jack说,我们已经看到极早期的迹象:
为什么还没有真正的递归AI?
因为前面提到的"木桶原理" - 系统速度取决于最慢的环节。
虽然AI在某些环节上已经很强了,但要真正"闭合循环",还需要每个环节都达到足够的水平。
可能的影响:
Jack Clark的政策建议:
自我改进AI听起来像科幻,但从技术上看并非不可能,一旦发生,将是极其重大的事件。你们应该要求AI公司在这方面保持高度透明,并确保有你们信任的第三方机构,能独立测试这些系统是否具备这种特性。
Jack还提到一个很有意思的发展方向:
分布式训练在效率上出现重大突破
如果这发生了,什么意思呢?
潜在影响:
这将彻底改变AI的政治经济结构,并带来极其复杂的政策影响,尤其是在前沿能力扩散方面。
Epoch对分布式训练有一篇很好的分析,值得感兴趣的同学去看看。
Michael Burry(这位老兄真的很犀利)说:
如果我只有五分钟和政策制定者交流,我会建议他们拿出1万亿美元 - 绕过抗议和繁琐监管,在全国铺设小型核反应堆,同时建设一张全新的、最先进的电网。
他甚至建议成立一支联邦资助的"核设施防卫部队"。
为什么这么极端?
因为这是跟上中国的唯一希望,也是确保长期安全、增长和偿债能力的唯一出路 - 不能让能源成为创新的瓶颈。
Jack Clark非常认同这个观点:
经济安全就是国家安全。
AI要在经济中发挥实质性作用,根本依赖于底层基础设施,才能以低成本、高效率地服务企业和消费者。
这和历史上的大规模电气化、公路、下水道建设并无本质不同 - 都是巨额资本开支项目。
我们现在迫切需要在能源领域做同样的事。
更有趣的是,Jack期待AI能源需求与核能技术的"融合":
大规模AI数据中心本身就是新型能源技术的理想"试验客户"。
这次访谈还聊了很多其他有趣的话题,本人挑几个重点说:
《Attention Is All You Need》的八位作者全部来自Google。
Google拥有:
但它却失误了,给了资源远不如它的竞争者机会。
Michael Burry感慨:
一个科技巨头在AI上追赶一家创业公司,这件事本身就足够令人震撼。
点燃这一轮资本狂潮的,竟然是ChatGPT。
Michael说:
ChatGPT的应用场景从一开始就很有限 - 搜索、学生作弊、写代码。
但引爆"万亿级投入"的,居然是一个聊天机器人。
这就像是有人造了一个机器人原型,全世界的企业突然都开始为"机器人时代"疯狂投资。
Michael原本以为:
但现实是:Nvidia到今天还在推理端占据主导。
也许正是对Nvidia的迷恋拖慢了整个行业的转型,或者Nvidia的反竞争行为确实产生了影响。
这个观点很有意思,但也很有争议,本人就不多评论了。(￣▽￣)
好了,讲了这么多,让我们来总结一下这次访谈的核心观点:
AI发展在"绕圈"
生产力数据矛盾
AI影响范围广泛
递归AI尚不存在
基础设施是关键
作为一名开发者,本人从这次访谈中总结了几点实用建议:
[!tip] 给开发者的建议
- AI工具确实有用,但不要盲目相信效率提升的感觉
- 建立良好的反馈验证闭环
- 关注最慢的环节(木桶原理)
- 持续学习,但也要保持独立思考能力
- AI可以辅助,但不能替代判断
- 可维护性、品味等需要人来把握
- 关注AI在各个领域的发展
- 不仅看技术,还要看经济影响
- 理解基础设施的重要性
- 为未来做好准备
- AI只会越来越强("这已经是它最差的时候了")
- 保持开放心态,拥抱变化
访谈来源:
相关研究:
相关概念:
#AI #Anthropic #JackClark #生产力悖论 #技术洞察 #开发者工具 #递归AI #未来展望
本文完