Keep on to blur preview images; turn off to show them clearly
This came up today again..
AI researcher & teacher @SCAI_ASU. Former President of @RealAAAI; Chair of @AAAS Sec T. Here to tweach #AI. YouTube Ch: https://t.co/4beUPOmf6y Bsky: rao2z
It's weird seeing people say things like "cope and seethe" to Republicans about Zohran winning. Like, this wasn't really a political team thing, the guy seems like he'll legit ruin the economy and public safety. It would be surprising to me if there wasn't a measurable exodus.
Opening portals to handheld VR at https://t.co/A2JMItorCV. Problems soluble, potential to improve invariant.
Election night with @TheFP
building https://t.co/b3DJK5a1Bw ‧ (@scratchdotgold)
If you’re planning to flee NYC and you want to sell your brownstone I’m interested
writes about startups, urbanism, investing, life
这篇文章最有价值的地方，是把METR的硬数据和经济增长模型连接起来了。它不是空泛地说"AI会改变一切"，而是给出了可以检验的具体预测路径。 关键观察： 如果趋势持续，从"AI开始有实质影响"到"AI成为主导性力量"，可能只需要10年左右。 最大的不确定性在于扩散速度。AI可能在技术上能做很多事，但组织惯性、监管、基础设施、成本等因素都会影响实际应用速度。 即使AI在大部分任务上超级强，只要有一小部分任务无法自动化，整体生产力提升就受限。所以关键不是AI有多强，而是它的能力边界在哪里，以及这个边界缩小得有多快。 一旦AI能够显著加速AI研发本身，所有的线性和指数模型可能都失效了。这个阶段可能比想象中来得快——软件工程本身就是AI研发的核心部分。 如果AI主要通过加速研发来提升生产力，那么在AI时代，资助人类科学家的回报率反而更高了。这是个有意思的悖论。 作者特意强调他关注的是"斜率"而不是"截距"，不是预测什么时候到达某个里程碑，而是一旦开始，会以多快的速度演进。从5%影响到100%影响，需要几年？
关注人工智能、LLM 、 AI 图像视频和设计（Interested in AI, LLM, Stable Diffusion, and design） AIGC 周刊主理人｜公众号：歸藏的AI工具箱
Sam 推荐的文章 AI完成长任务的能力正在以每6个月翻倍的速度增长。 计算机科学家Boaz Barak基于METR最新数据推演： 如果这个趋势持续，1-2十年内可能看到工业革命级别的经济变革。 ## METR发现了什么？ METR研究了一个关键指标：让AI以50%成功率完成的软件工程任务，人类需要多长时间。 结果很震撼：这个时间长度每6-7个月翻一番。也就是说，AI能处理的任务复杂度每年增长4倍。 更重要的是，这是指数增长。就像国际象棋的ELO等级，AI每过6个月，技能等级就提升一倍。 ## 什么会影响这个趋势？ 作者把因素分成两类：影响当前水平的和影响增长速度的。 当前水平主要受可靠性要求影响。同样的GPT5，50%成功率时能做2小时任务，要求80%成功率时只能做26分钟任务。差距巨大。 现实世界的"杂乱税"也很重。实验室基准和真实任务差距大，需求更模糊、上下文更复杂、标准更难界定。但这更多影响绝对水平，不太会改变增长速度。 增长速度的关键支撑是计算资源的指数增长。训练计算量本身也在每6个月翻倍。但这种增长逻辑上不可能永远持续。 物理世界可能是瓶颈。目前数据主要来自软件工程，机器人技术能否保持同样增长曲线还不清楚。 最大的未知数是递归自我改进。如果AI能自动化AI研发本身，这相当于研发投入的巨大增加。但会导致奇点、加速、还是只是维持现有增长？没人知道。 ## 对经济增长意味着什么？ 作者用了一个精妙的模型：经济学家Benjamin Jones的调和平均数模型。 核心洞察是：即使AI在某些任务上无限强，如果还有10%的任务无法自动化，整体生产力最多提升10倍。因为任务之间不能相互替代。 要实现"变革性AI"（10倍生产力，相当于工业革命级别），需要两个条件同时满足： - 未自动化任务比例大幅缩小 - AI在已自动化任务上的生产力优势大幅增长 按照激进假设：未自动化任务每年缩小4倍、AI生产力每年增长10倍，一年内就能达到变革性AI边界。 但这太激进了。即使采用保守假设——每年自动化9%的剩余任务、AI生产力每年增长10倍——也能在10-15年内实现变革性增长。 对比一下历史数据：过去150年美国人均GDP一直以2%增长，35年翻倍一次。电气化、计算机、互联网都没改变这个趋势。 如果AI真的带来每年5-7%的增长，这是十年翻倍的速度。 经济学家Acemoglu预测AI每年带来0.1% GDP增长，高盛预测1.5%。但作者的推演是5-7%——比高盛估计高3倍以上，比Acemoglu估计高50倍。 就算只增加1.2%的GDP增长，就足以让美国经济保持财政可持续。而2%的提升对美国来说是前所未有的。 ## 与历史自动化有何不同？ 这里有个关键点：过去80年的自动化是线性的——被自动化任务的比例缓慢稳步增长，增速往往还在下降。 如果AI导致未自动化任务比例呈指数级衰减，这将是与历史趋势的彻底断裂。 作者做了个假设：任务难度是"重尾分布"，需要人类花T时间的任务比例与1/T成正比。在这种假设下，能处理的任务时长翻倍，等同于未自动化任务比例减半。 按照6个月翻倍的速度，从AI自动化某行业50%任务到自动化97%任务，只需要2年。 但这极其激进，因为它只关注能力，完全忽略了扩散速度。理论能力和实际应用之间可能有巨大鸿沟。
这篇文章最有价值的地方，是把METR的硬数据和经济增长模型连接起来了。它不是空泛地说"AI会改变一切"，而是给出了可以检验的具体预测路径。 关键观察： 如果趋势持续，从"AI开始有实质影响"到"AI成为主导性力量"，可能只需要10年左右。 最大的不确定性在于扩散速度。AI可能在技术上能做很多事，但组织惯性、监管、基础设施、成本等因素都会影响实际应用速度。 即使AI在大部分任务上超级强，只要有一小部分任务无法自动化，整体生产力提升就受限。所以关键不是AI有多强，而是它的能力边界在哪里，以及这个边界缩小得有多快。 一旦AI能够显著加速AI研发本身，所有的线性和指数模型可能都失效了。这个阶段可能比想象中来得快——软件工程本身就是AI研发的核心部分。 如果AI主要通过加速研发来提升生产力，那么在AI时代，资助人类科学家的回报率反而更高了。这是个有意思的悖论。 作者特意强调他关注的是"斜率"而不是"截距"，不是预测什么时候到达某个里程碑，而是一旦开始，会以多快的速度演进。从5%影响到100%影响，需要几年？