验证者定律，智能的锯齿边缘和商品化，CoT之父Jason Wei2025AI进展的三个思路

从“AI没什么用”到“AI三年内将终结人类工作”，这片巨大的认知鸿沟，就是我们身处的2025年。

在这片喧嚣和迷雾之中，我们迫切需要一个清晰的导航图。而Jason Wei正是提供这份地图的最佳人选之一。他现任Meta超级智能实验室（Meta Super Intelligence Labs）的研究科学家，此前在OpenAI工作了两年，o1研发的主导者，更早之前是Google Brain的科学家。他是“思维链提示”（Chain of Thought Prompting）、“指令调优”（Instruction Tuning）等现代AI基石技术的普及者，其研究在AI世界中拥有超过9万次引用，仅CoT一篇就超过2万次。

最近，斯坦福AI俱乐部的一次演讲中，Wei提出了他认为理解和驾驭2025年AI发展的三个“简单但可能很根本”的核心观点。这三个观点，如三盏探照灯，穿透了当下的炒作与焦虑，为我们勾勒出了一幅关于未来智能、工作乃至社会结构的清晰蓝图。

观点一：智能将成为一种商品

第一个核心观点是颠覆性的：智能，以及获取知识和进行推理的能力，正在快速成为一种廉价的商品，其成本和获取难度正被无情地推向零 (Intelligence as a Commodity)。

Wei将AI的进展划分为两个截然不同的阶段：

1. 阶段一：推动前沿 (Pushing the Frontier)在这个阶段，AI还不能很好地完成某项任务（例如，在MMLU这样的基准测试上取得高分），研究人员的核心工作是“解锁”这项新能力。
2. 阶段二：商品化 (Commoditized)一旦某个能力被AI掌握，这个能力的成本就会迅速“商品化”。

Wei用一张图表展示了这一点：在MMLU基准上达到特定智能水平的“成本”（以美元计），正随着时间（每年）急剧下降。换言之，去年的“尖端智能”，到了今年可能只需要花费几分之一的成本就能获得。

为什么智能会“通货膨胀”？答案：自适应计算

为什么这个“智能通缩”的趋势会持续下去？。Wei给出了一个关键的技术解释：“自适应计算”（Adaptive Compute）的真正实现。

他指出，在深度学习的绝大部分历史中（直到去年左右），我们都处于“固定计算”模式。这意味着，无论你问AI一个多简单的问题（比如“加州的首都是哪里”）还是一个多复杂的问题（比如“一个竞赛级数学难题”），模型都会调用几乎相同的、固定的计算量来回答。

而现在，我们进入了“自适应计算”的时代。AI可以根据任务的难度来动态调整用于解决它的计算量。

这个转变的意义是革命性的。它意味着我们不再需要仅仅依靠“不断扩大模型规模”来降低成本。对于一个非常简单的任务，我们现在可以将计算成本“推向极限”，只花费最微量的算力去完成它。这从根本上解锁了智能成本下降的通道。

从几小时到几分钟再到“即时”：知识获取的崩溃

这种商品化的最直观体现，就是获取公开信息所需时间的急剧缩短。Wei用了一个关于“釜山”的例子生动地说明了这一点：

• 问题1（简单）：“1983年釜山的人口是多少？”
• 前互联网时代：你可能需要开车去图书馆，翻阅几本百科全书，耗时“几小时”。
• 互联网时代：你需要搜索，然后浏览几个网页以确认答案，耗时“几分钟”。
• 聊天机器人时代：这个答案是“即时”的。
• 问题2（困难）：“1983年釜山有多少对夫妇结婚？”
• 前互联网时代：如果你不在韩国，你可能得先“飞到韩国”，然后去政府图书馆的档案室，“翻阅几十本书”才能找到这个特定数据。这可能需要数周。
• 互联网时代：你可能需要搜索，但如果你不懂韩语，你得在大量网站中挣扎。
• AI代理时代：Wei展示，AI（OpenAI Operator）现在可以做到这一点，因为它能访问并操作特定数据库（如Kosis），通过“点击和查询”来获取答案。这可能只需要“几分钟”。
• 问题3（极难）：“1983年亚洲人口最多的30个城市中，请按当年的结婚夫妇数量排序。”
• 前互联网时代：这几乎是一个需要耗费“数周”的研究项目。
• AI代理时代：这在今天可能只需要“几小时”就能完成。

为了量化这种能力，OpenAI甚至开发了一个名为“BrowseComp”（浏览竞赛）的基准测试。这些任务的特点是，一旦你有了答案，验证它很容易，但找到答案的过程却极其耗时。Wei展示的数据触目惊心：对于这些任务，人类平均需要“超过两小时”才能解决一个，而且在更多情况下，人类在两小时内“无法解决”。相比之下，OpenAI的Deep Research模型已经能解决大约一半的此类问题。

“智能商品化”的启示

这个观点的结论是清晰的：一旦AI掌握了某项能力，它的成本就会趋向于零。这对我们的社会结构意味着什么？

1. 知识的民主化：那些以前被“任意的知识壁垒”所保护的领域将被彻底民主化。Wei点名了两个领域：编程（Coding） 和 个人健康（Personal Health）。过去，你想做“生物黑客”实验，医生可能不会配合你。而现在，ChatGPT几乎可以给你“一个非常好的医生能给你的任何信息”。
2. 私人信息价值的飙升：当所有“公共信息”的获取成本都变为零时，一个必然的经济推论是——“私人和内幕信息”的相对价值将会变得高得多。例如，那些“不在市场上但可以被出售的房子”的信息，现在变得更有价值了。
3. 个性化互联网的到来：我们最终将从访问一个“对所有人开放的公共互联网”，转向获取“个性化的互联网”。你想要的任何信息，都会有一个个性化的网站为你生成。

观点二：验证者定律

如果说第一个观点解决了智能的“成本”问题，那么第二个观点则解决了AI进展的“方向”问题。这个观点，Wei称之为“验证者定律”（Verifier's Law）。

其核心论断是：我们训练AI解决某个特定任务的能力，与我们“验证”该任务是否被正确完成的容易程度成正比。

这个定律的推论是：任何可解的、且易于验证的任务，最终都将被AI攻克。

万物皆可量化：验证的不对称性

这个定律的基础，是计算机科学中一个经典概念：“验证的不对称性”（Asymmetry of Verification）。即，对于许多任务，验证一个解决方案是否正确，要远比从头开始找到这个解决方案容易得多。

Wei举了几个绝佳的例子，我们可以将其绘制成一个光谱：

• 极易验证（AI优势区）：
• 数独 (Sudoku)：解决起来非常困难，但检查一个填好的数独是否符合规则，极其容易。
• Twitter的代码：编写运行Twitter的全部代码，需要数千名工程师。但验证它是否在工作？你只需要“渲染它并四处点击一下”。
• 极难验证（AI劣势区）：
• 撰写事实性文章：AI可以轻易地生成一篇“看似真实可信”的文章。但是，要去“核查”文中的每一个事实 claim，可能“极其繁琐”，耗时远超写作本身。这是一个“反向不对称”的例子。
• 创造一种新饮食法：Wei开玩笑说，他可以在10秒内断言“最好的饮食法是只吃野牛”。但是，你要如何“验证”这个断言？你需要“大量的样本，等待长期的结果，而且过程可能充满噪音”。
• 对称任务（中间地带）：
• 数据处理代码：有时候，你写一个脚本很容易，但让你去检查“别人写的混乱代码”到底在干什么，可能比你自己重写一遍还要花时间。

什么是真正的“可验证性”？

Wei进一步将“可验证性”这门艺术，拆解为五个关键因素：

1. 客观事实 (Objective Truth)：是否存在一个关于“好”与“坏”的客观标准？
2. 验证速度 (Fast to Verify)：验证一个答案需要多久？
3. 可扩展性 (Scalable)：你能不能同时验证“一百万个”提议的解决方案？
4. 低噪音 (Low Noise)：每次验证的结果是否都一样？
5. 连续奖励 (Continuous Reward)：你是否只能得到“通过/不通过”的二元答案，还是能得到一个“完整的光谱”（比如这个答案比那个答案好5%）？

所有的AI基准测试，本质上都是“易于验证”的，这解释了为什么AI在刷榜上进展神速。

案例研究：AlphaEvolve如何证明“验证者定律”

Wei指出，DeepMind的AlphaEvolve项目，是利用这种不对称性的完美范例。该算法通过投入海量计算，在“采样”和“智能算法”的配合下，解决了一系列符合高度不对称性的任务。

例如一个数学问题：找到11个六边形的最佳摆放方式，使包裹它们的“外部六边形”面积最小。

这个任务完美符合了上述所有验证标准：它是客观的（可以绘图检查），可扩展的（计算验证），低噪音的（每次计算结果都一样），并且提供连续奖励（六边形的大小本身就是一个精确的优劣指标）。

AlphaEvolve的算法流程简单而粗暴：

1. 让大型语言模型 (LLM) “采样”一堆候选解决方案（有好有坏）。
2. 用“验证器”（即评分程序）给所有方案打分。
3. 将“最好的”方案喂给LLM，作为下一轮采样的“灵感”。
4. 投入大量算力和迭代，性能就会持续提高。

这个方法非常聪明，它甚至“绕过”了传统的泛化问题。它不需要模型学会解决所有六边形问题，它只需要找到这一个特定问题的最优解。感兴趣您可以看下

离AGI更近了！！0.31元运行谷歌的AlphaEvolve和UBC的DGM「达尔文-哥德尔机」

“验证者定律”的启示

这个定律为我们指明了AI自动化的清晰路线图：

1. 自动化的顺序：最先被自动化、被AI征服的，一定是那些“验证起来微不足道”的任务。
2. “测量”是新的金矿：Wei认为，一个即将爆发的商业领域是：“想出衡量事物的方法”。因为一旦某个事物（比如“员工幸福度”或“代码优雅度”）可以被精确、快速、客观地测量，那么它就可以被AI所优化。

观点三：智能的锯齿状边缘 

Wei的第三个观点，也是最具现实指导意义的观点，是关于AI发展的“形态”。他认为，AI的能力和进步速度，并不是一条平滑向上的曲线，而是一个“锯齿状的边缘” (Jagged Edge)。

值得一题的是，Jason Wei 在他演讲中所使用的“锯齿状边缘” (Jagged Edge) 理论，最早由哈佛商学院的研究者们率先提出。 早在2023年，哈佛商学院（HBS）联合波士顿咨询集团（BCG）、MIT和沃顿商学院，共同发布了一篇名为《驾驭锯齿状的技术前沿：人工智能对知识型员工生产力和质量影响的现场实验证据》的重磅研究报告。感兴趣您可以看下：

哈佛波士顿最新技术前沿：人工智能将在未来几年对知识工作者产生巨大影响

这份报告的权威性，不仅在于其顶级的研究阵容，更在于它进行了一项史无前例的大规模“现场实验”：研究团队深入BCG内部，让758名真实的顶尖咨询顾问 参与了一场使用GPT-4的随机对照试验。

这份研究报告首次用真实数据绘制了AI能力的“锯齿状前沿” (Jagged Technological Frontier)，其核心发现震惊了业界：

Jason Wei 的演讲，正是在这个坚实的实证研究基础上，进一步阐述了“锯齿状边缘”对未来AI发展速度和职业变迁的深刻含义。

为什么不会有“快速起飞”的超级智能

在AI安全和未来学领域，流行着一种“快速起飞”（Fast Takeoff）的假说。该假说认为，AI一旦在某个关键点上超越人类，就会在极短的时间内（即“起飞持续时间”）获得“巨大”的智能优势，迅速甩开人类。

Wei明确表示：他认为这“可能不会发生”。

他的理由是，“自我完善能力”并不是一个“是/否”的二元开关。现实更可能是一个渐进的光谱：

• 第0年：AI甚至无法获取自己的代码库。
• 第0.5年：AI可以“训练一些东西”，但结果“并不惊艳”。
• 第1年：AI可以“自主训练”，但效果不如10个顶尖人类研究员。
• 第2年：AI可以自主训练，但仍需要人类“时不时地干预”以保持良好运行。

最重要的是，自我完善的速度应该是“针对每个任务”来看待的。AI不会在“所有事情”上同时变得更强。AGI短期之内不会到来。持有这种观点的还有

你是对的，AGI一年内不会出现了！学术界对AGI的定义来了，27家机构最新

欢迎来到“锯齿状”世界：高峰与低谷

AI的能力图谱充满了“高峰”（AI表现超常）和“低谷”（AI表现愚蠢）。

• 高峰（Peaks）：AI目前特别擅长的任务，比如“困难的数学问题”或“某些类型的竞赛编程”。
• 低谷（Valleys）：那些AI表现很差的奇怪领域。例如，很长一段时间里，ChatGPT会坚持认为“9.11 大于 9.9”。或者，AI根本无法说好“特林吉特语”（Tlingit），一种只有几百名美国原住民会说的语言。

更关键的是，改进的速度也是“锯齿状”的。有些任务（比如那些可验证的）会改进得非常快。而另一些任务（比如学会说特林吉特语），其瓶颈在于现实世界——你必须“去到那个原住民保留地，去记录那种语言”。AI的算法再快，也无法加速这个物理过程。

预测AI进步的3+1条启发式规则

那么，我们该如何预测AI在某个特定任务上的进步速度？Wei给出了一个强大的预测工具包，包含三条核心规则和一个例外：

2025+ 的职业预测：谁会留下，谁会离开？

基于这套“锯齿状”理论和启发式规则，Wei给出了一个关于未来职业的惊人预测表：

这个表格清晰地展示了“锯齿状”的未来：

• 被AI重度加速的领域：软件开发、电影制作、研究。它们都是“数字化的”。
• 几乎不受AI影响的领域：理发、管道维修、手工制造。它们受制于“物理世界”的瓶颈。

结论：在“锯齿状”的未来中导航

Jason Wei的演讲为我们提供了三把标尺，用以丈量这个被AI重塑的世界。

1. 智能商品化：智能和知识正变得快速而廉价。这意味着依赖“信息差”的壁垒正在崩溃。
2. 验证者定律：“可测量性”和“可验证性”是AI进步的核心驱动力。自动化将沿着“最容易验证”的路径展开。
3. 锯齿状边缘：AI的进步是不均衡的。未来不是一个“AGI”突然降临的世界，而是一个“数字领域”被极大加速、而“物理领域”相对停滞的、极度不均衡的世界。

这三个观点合在一起，描绘了一幅比“AI将终结一切”或“AI毫无用处”都复杂得多，但也真实得多的未来图景。

对于那些处于焦虑中的人来说，这幅蓝图给出了清晰的答案：AI的冲击不是均匀的，而是高度结构化的。你的未来，取决于你的工作在多大程度上是数字的、数据丰富的、以及易于验证的。

与其在“起飞或不起飞”的二元论中恐慌，不如开始校准自己的坐标，找到自己的“人马”（Centaurs，清晰分工） 和“赛博格”（Cyborgs，高度整合）。学会如何在AI创造的这个“锯齿状”新大陆上，攀登属于自己的高峰。

文章来自于微信公众号 “AI修猫Prompt”，作者 “AI修猫Prompt”