你可能还是低估了AI模型的进化速度

一句提醒背后的深意

近期，一条简短却引发广泛讨论的推文在AI圈层中流传：

"提醒一下：你对模型的信任程度可能还是不够。无论你现在在模型上押注多少，你的判断很可能仍然低于当前指数曲线的斜率。"

这句话看似简单，却精准地捕捉到了当下许多技术从业者、投资人乃至普通用户面对AI大模型发展时的普遍心态——我们总是在用线性思维，去衡量一个指数级增长的事物。

所谓"model pilled"，是英文社区中的一种俚语表达，直译为"被模型说服/洗脑"，实际含义是指一个人对AI模型能力的进化持有多高的信心与预期。这个表达借用了网络文化中"red pilled/blue pilled"的经典隐喻——源自电影《黑客帝国》中选择红色药丸意味着看到残酷真相。在AI语境下，"model pilled"意味着你已经"服下了那颗药丸"，接受了一个可能让很多人不舒服的现实：AI模型的能力进化速度远超多数人的心理准备。这条推文的核心观点是：绝大多数人对模型未来能力的预期，都还不够激进。

为什么我们总是低估AI模型的指数增长

人类直觉的线性偏差

人类的大脑天生擅长处理线性关系，却极不擅长直觉理解指数增长。这一认知偏差在AI发展的判断上表现得淋漓尽致。

这种偏差在人类思维史上有一个经典的演示：棋盘与麦粒的故事。在64格棋盘上，第一格放1粒麦子，每格翻倍，到第64格时总数将超过1800京——这个数字远超地球上所有谷物的总量。人类直觉会在前20格左右就停止有效估算，因为我们的大脑本质上是为在非洲大草原上追踪猎物而演化的，线性预判（猎物跑多远、石头飞多远）是生存所需，而指数增长在自然界中极为罕见。心理学家将这种现象称为"指数增长偏差"（Exponential Growth Bias），大量实验表明，即便是受过高等数学训练的专业人士，在直觉判断中依然会系统性地低估指数增长的后期爆发力。

当我们看到GPT-3.5到GPT-4的跨越，再到如今各家实验室推出的推理模型（如o1、o3系列），很多人的第一反应是"这一代已经很强了，下一代能强多少？"——这恰恰是线性思维的典型表现。而现实是，模型能力的提升往往遵循一条陡峭的指数曲线：算力投入、数据规模、算法改进三者叠加，带来的是复合式的能力跃升。

这种复合跃升背后有一个重要的理论支撑——Scaling Laws（缩放定律）。2020年，OpenAI的Jared Kaplan等人发表了一篇开创性论文，证明语言模型的性能（以交叉熵损失衡量）与模型参数量、训练数据量和计算量之间存在幂律关系：当这三者按比例增长时，模型性能会以可预测的方式持续提升，且在极大的数量级范围内没有出现饱和的迹象。这一发现直接激励了"暴力美学"式的研发路线——只要持续投入更多算力和数据，模型就会持续变强。后来Google DeepMind的Chinchilla论文进一步优化了参数与数据的最优比例，但核心结论不变：规模就是力量，且这种力量的增长还远未见顶。

"斜率之下"的真正含义

推文中"under the slope of the exponential"这一表述尤其值得玩味。它的意思是：即便你已经是一个AI乐观主义者，你所设想的未来图景，可能依然落在真实增长曲线的下方。换句话说，现实的进化速度会比你想象的更快。

这种论断在过去几年反复被验证，几乎构成了AI领域的一条"铁律"。2016年AlphaGo击败李世乭时，围棋界和AI界的主流判断是"AI还需要十年才能达到这个水平"——结果DeepMind比所有预测提前了至少五年。2022年底ChatGPT发布前夕，即便是AI领域内部人士也大多没有预料到大语言模型与对话式交互结合后能产生如此巨大的社会影响，以至于OpenAI自己都对用户增长速度感到措手不及——两个月内用户破亿，成为历史上增长最快的消费级应用。

更近的例子是GPT-4。在它发布之前，多位知名AI研究者公开表示"大模型的能力提升已经到了瓶颈"，认为简单地增加参数不会带来质变。然而GPT-4在律师资格考试中的表现从GPT-3.5的后10%跃升至前10%，在数学、编程和多模态理解上的飞跃令整个行业重新校准了预期。这恰好印证了AI先驱Rich Sutton在其著名文章《The Bitter Lesson（苦涩的教训）》中的核心论点：纵观AI七十年的历史，试图将人类知识硬编码进系统的方法，最终总会被那些充分利用计算规模的通用方法所超越。 每一次我们认为"这已经是极限"的判断，几乎都在半年到一年内被打破。

AI模型加速进化对不同群体意味着什么

对开发者与创业者

如果你正在构建一款AI应用，一个常见的陷阱是围绕当前模型的局限性来设计产品——比如为了绕过模型的推理短板而堆砌复杂的工程逻辑。但按照"model pilled"的逻辑，这些短板很可能在下一代模型中被直接消除。

这意味着：押注模型会变得更强，往往是比押注模型会保持现状更明智的策略。 那些为"模型足够强"这一假设而设计的产品，可能在12-18个月后获得意想不到的红利。

行业中已有不少公司在实践这一策略。AI代码编辑器Cursor的联合创始人曾公开表示，他们的产品架构从一开始就是为"未来的模型"而设计的——当模型还不够智能时，产品体验可能只是"不错"，但一旦底层模型能力跃升，整个产品会像被解锁了隐藏关卡一样突然变得极其强大。AI搜索引擎Perplexity也采用了类似哲学：它的核心架构并不试图用复杂的工程手段去"修补"模型的不足，而是设计了一个高度依赖模型原生能力的管道，这样每次底层模型升级都会直接转化为用户体验的提升。相反的反面教材是那些在2023年初花费大量工程资源去构建"幻觉检测层""事实核查中间件"的创业公司——它们中的许多发现，当GPT-4和Claude 3发布后，模型自身的幻觉率大幅下降，那些精心构建的中间层变成了多余的技术债务。

这种策略当然带有风险——如果模型进化的方向与你的假设不同，或者进化速度比预期更慢，过于"超前"的产品设计可能在当下缺乏竞争力。但从过去两年的趋势来看，高估模型进化速度的人犯的错误，远比低估的人要少。

对投资者

对于资本市场而言，这条提醒暗示了一种可能被系统性低估的机会：AI能力的进化尚未见顶，围绕基础模型能力增长的下游生态仍有巨大想象空间。当然，这也需要警惕——指数曲线的判断同样可能因过度乐观而产生泡沫。

对普通用户

即便是每天使用AI工具的重度用户，也容易陷入"当前体验即天花板"的认知。保持对能力边界持续拓展的开放心态，才能更好地利用未来的工具。

指数增长的理性边界在哪里

值得强调的是，"你还不够model pilled"这类观点带有明显的乐观主义倾向，它在硅谷的加速主义圈层中颇为流行。但真正成熟的判断需要平衡两面：

• 指数增长不会永远持续：任何技术曲线最终都会遇到S型增长的拐点，算力、能源、数据都存在物理和经济上的约束。技术史上几乎所有看似无止境的指数增长最终都遵循所谓的"S曲线"（Sigmoid Curve）——早期缓慢启动，中期急剧攀升，后期逐渐趋平。晶体管密度的摩尔定律在维持了半个世纪后已明显放缓；互联网用户增长在渗透率达到一定水平后趋于平稳。对于AI大模型而言，制约因素正在变得日益具体：训练GPT-4级别的模型估计消耗了数千万美元的算力成本和相当于一座小型城市数月的用电量；全球高质量文本数据的总量是有限的，多家研究机构已指出，按当前消耗速度，人类产生的高质量公开文本可能在2026-2028年被"用尽"。此外，芯片制造的物理极限（原子级晶体管尺寸）和全球电力基础设施的扩张速度，都构成了硬性的天花板。关键问题不是"指数增长是否会停止"——它一定会——而是拐点何时到来，以及在拐点到来之前还能释放多少能力增量。

• 能力跃升不等于价值兑现：模型变强与商业化落地、社会接受度之间仍存在鸿沟。

• 风险同样呈指数增长：能力越强，对齐、安全与治理的挑战也越大。所谓"对齐问题"（Alignment Problem），是指如何确保越来越强大的AI系统的行为始终符合人类的意图和价值观。这不仅是一个哲学问题，更是一个紧迫的工程问题。当模型能力较弱时，它犯的错误（如"幻觉"或生成不当内容）造成的损害有限；但当模型开始具备自主规划、工具调用甚至自我改进的能力时，一个未被充分对齐的系统可能造成难以预见和控制的后果。OpenAI、Anthropic、Google DeepMind等主要实验室都投入了大量资源研究"可解释性""RLHF（基于人类反馈的强化学习）""宪法AI"等对齐技术，但目前的共识是：对齐研究的进展速度可能正在被模型能力的进化速度所超越，这种不对称是当前AI发展中最值得警惕的风险之一。

因此，这条推文更应被理解为一种对认知惯性的警醒，而非无条件的乐观宣言。它提醒我们：在评估AI的未来时，不要用后视镜开车，也不要用今天的尺子去丈量明天的世界。

结语

"你可能还是不够model pilled"——这句话之所以能引发共鸣，是因为它触及了一个反复被验证的现实：在AI这个领域，激进的预期往往比保守的预期更接近真相。

无论你是开发者、投资人还是普通观察者，或许都值得重新审视一下：你对AI未来的想象，是否还停留在指数曲线的下方？在一个能力每隔数月就刷新一次上限的时代，保持足够的想象力，本身就是一种竞争力。

核心要点