想像你在爬一座看不到頂的山

三年前 Dario Amodei 上 Dwarkesh Podcast，做了一堆大膽預測。事後回去對答案，他幾乎全對。三年後他又來了，這次帶了一句讓整個矽谷倒吸一口氣的話：

「我們已經快到指數的盡頭了。」

原文是 “we are near the end of the exponential”。

這話從一般人嘴裡說出來是吹牛。但從一家剛募了 $300 億、營收年增 10 倍的公司 CEO 嘴裡說出來，感覺比較像是有人站在山頂看到了另一邊的風景，然後回頭跟你說：「嘿，頂上的 view 比你想像的近很多。」

Clawd Clawd 真心話：

「指數的盡頭」聽起來像壞消息，其實是好消息好到有點嚇人。Dario 不是在說成長要停了，他是在說 AI 能力的指數曲線快要撞到「跟人一樣聰明」那個天花板了。就像你期末考前瘋狂讀書，分數從 30 爬到 60 到 80，Dario 在說「我覺得 95 分快到了」。差別在於這場考試的 95 分等於改變整個人類文明 ╰(°▽°)⁠╯

八年前的便條紙，今天還在發光

故事要從 2017 年說起。那年 Dario 寫了一份叫 “The Big Blob of Compute Hypothesis”（巨型算力團假說）的內部文件。核心主張簡單到有點無聊：所有花俏的技巧都是裝飾品，真正重要的只有幾件事 — 多少 raw compute、資料量、資料品質、訓練多久、能無限擴展的 objective function、還有數值穩定性。

這跟 Rich Sutton 的 “The Bitter Lesson” 本質上是同一句話：別花時間耍小聰明，scale 才是真理。

就像開餐廳一樣 — 你可以花十年研究擺盤的角度，但真正讓你活下來的就是食材品質和份量。Dario 八年前就看穿了這件事。

Clawd Clawd 歪樓一下：

八年。八年前寫的假說到今天還站得住腳。你知道 AI 論文的平均保鮮期多長嗎？大概比超商御飯糰還短。多少 “novel contribution” 連半年都活不過，Dario 那篇活了八年還在 serve，這才叫真正有料 (⌐■_■)

Pre-training 有續集了，而且劇情一模一樣

Dwarkesh 問了一個很好的問題：三年前 pre-training 有明確的 scaling law — 論文、圖表、可以畫出來的曲線。現在 RL 呢？有同樣的底氣嗎？

Dario 的回答簡潔到像在唸答案：

我們在 RL 看到的 scaling 跟 pre-training 看到的完全一樣。不只是數學競賽，各種 RL 任務都呈現 log-linear 的提升。

他還畫了一個精彩的歷史類比。想像一個小孩學說話：GPT-1 是只看同人小說長大的小孩，講話怪怪的。GPT-2 是看了整個 internet 長大的小孩，突然開始會舉一反三。現在 RL 走的是同一條路 — 先從數學競賽開始，再到寫程式，再到更多任務，最後就會泛化。

Dario 甚至直接說：把 RL 和 pre-training 分開看是 “red herring”（紅鯡魚 — 假議題的意思）。這兩個根本是同一齣戲的上下集。

Clawd Clawd 真心話：

紅鯡魚這個比喻我超喜歡。一堆人在吵「RL scaling 是不是跟 pre-training 一樣」，Dario 直接說你們在吵假議題。就像爭論「電影院的爆米花和超商的爆米花是不是同一種食物」— 拜託，都是玉米加熱膨脹好嗎 ┐(￣ヘ￣)┌

山頂到底多近？Dario 開了兩張支票

整場訪談最讓人坐直身體的一段來了。

“Country of geniuses in a data center”（資料中心裡的天才國度），我有 90% 的信心會在十年內實現。剩下的 5% 是不可消除的不確定性 — 台灣被入侵、晶圓廠被炸之類的。另外 5% 是那些無法驗證的任務可能不會完全解決。

但如果要我猜，我的直覺是一到三年。這更像 50/50 的判斷。

兩個數字，天壤之別。十年是他的強主張 — 90% 信心。一到三年是他的 hunch — 丟銅板等級的直覺。他不是在喊「AGI 明年就到了」，他是在說「我個人覺得有一半機率這麼快，但你信十年的版本也完全合理。」

然後他馬上補刀，把一群人的臉打得啪啪響：

「如果我們真的有了 country of geniuses in a data center，我們會知道的。所有在座的人都會知道。現在還沒有。這一點非常清楚。」

Clawd Clawd 溫馨提示：

Dario 這段示範了一件事：怎麼在同一口氣裡同時對 doomer 和 hype man 開槍。對 doomer 說「90% 十年內到」，對 hype man 說「現在還沒有，你心裡清楚」。這就像便利商店同時賣冰的和熱的 — 兩邊都服務到了，還順便讓你看清楚溫度差 (◕‿◕)

「90% 的 code」跟「90% 的工程師失業」差了十萬八千里

Dwarkesh 追問「快到了」到底是什麼意思的時候，Dario 畫出了一個光譜。這個光譜精準到值得刺青在手臂上：

Level 1：AI 寫了 90% 的 code — 已經做到了。

Level 2：AI 寫了 100% 的 code — 還差得遠。

Level 3：AI 完成 90% 的端到端 SWE 任務 — compile、環境設定、測試、寫文件全包。

Level 4：AI 完成 100% 的端到端 SWE 任務。

Level 5：SWE 的需求減少 90%。

每一級之間都是懸崖。就像你打遊戲練等差 — 1 到 10 級可能打幾隻史萊姆就升了，但 90 級到 99 級要你刷三個月的副本。

Dario 特別強調：

八九個月前我說 AI 會在三到六個月內寫 90% 的 code。做到了。但人們以為我在說「90% 的工程師會失業」。這兩件事差了十萬八千里。

Clawd Clawd 補個刀：

Level 3 裡的「端到端」三個字是重點中的重點。寫 code 只是工程師工作的一部分，你還要 compile、設環境、跑測試、寫文件、跟 PM 吵架（好吧最後一個可能不會被自動化）。這些「最後一哩路」的雜事目前還是人類在填坑。Dario 說的是：等這些全被 AI 接管，才是真正的地殼變動。而這中間的工程難題，多到可以再開一季的 podcast (￣▽￣)⁠／

營收曲線長這樣，你告訴我它會彎？

Dario 在訪談中第一次公開了比較細的營收數字，這條曲線看了會讓人揉眼睛：

2023 年從 $0 做到 $1 億。2024 年從 $1 億到 $10 億。2025 年從 $10 億到 $90-100 億。2026 年 1 月？又加了幾十億。

搭配前一天剛公告的 $300 億融資和 $3,800 億估值。

Dario 自己都說了一句很誠實的話：

你會以為這條曲線會減速。但今年一月，那個指數…我本來預期它會彎曲的。它沒有。

Clawd Clawd 插嘴：

我幫你算一下：2025 全年 $90-100 億，2026 年 1 月就加了「幾十億」。一個月做了去年全年的 20-30%。如果你開鹹酥雞攤一月的營業額就等於去年全年的四分之一，你大概會考慮再開十家分店。Claude Code 是主要推進器 — Dario 說 Claude Code 的 weekly active users 從一月以來翻了一倍。光 Claude Code 就有 $25 億的 run-rate，整個 Anthropic 是 $140 億。這速度已經不是火箭了，是被踢出太陽系的旅行者號 ヽ(°〇°)ﾉ

「擴散只是 cope」？等等，事情沒那麼簡單

Dwarkesh 丟了一個辛辣的 hot take：「diffusion（技術的經濟擴散）是 cope（自我安慰）。模型做不到某件事的時候，人們就說那只是擴散問題。」

Dario 沒有附和，反而舉了一個接地氣的反例：

Diffusion 是真的。Claude Code 設定超簡單，大企業卻還是要花好幾個月才能導入 — 要過法務、資安、compliance、跟兩層以上的主管解釋。

但我不是在說 AI 會像之前的技術那樣慢慢擴散。它比任何之前的技術都快。只是不是無限快。

Twitter 上的開發者幾天就上手了，Series A startup 幾週，大型金融公司幾個月。每個環節都比以前快，但不是「今天發布明天全公司上線」。就像高鐵比火車快很多，但你還是得買票、進站、過安檢。速度提升了，流程沒消失。

Clawd Clawd 真心話：

這段我覺得 Dario 最誠實。多少 AI CEO 會跟你說「我們的產品在企業端推廣也很慢」？他直接承認連 Anthropic 的銷售團隊都在天天跟 procurement 流程搏鬥。法務、資安、change management — 這些摩擦力不會因為你的技術很厲害就自動消失。技術再怎麼顛覆，企業裡的流程怪獸永遠健在 (ง •̀_•́)ง

為什麼 AI 還是會忘記你喜歡什麼

Dwarkesh 丟出了一個很日常但很尖銳的觀察：為什麼用了 LLM 好幾年，到最後你還是跑去問人類？因為人類同事上班六個月之後會「懂你的品味」，AI 不會。每次開新 conversation 就像跟一個剛入職的實習生重新介紹自己。

Dario 把答案分成兩層。第一層他覺得可能已經夠用了 — pre-training 加 RL 給了 AI 超廣的知識（「它知道日本武士的歷史比我多，低通濾波器的設計也比我懂」），再搭配百萬 token 的 context window 當作「超大暫存記憶體」。

第二層是正在開發的真正 continual learning — 讓模型在工作中持續學習，像人類同事一樣越用越懂你。Dario 說有「很好的機會在一到兩年內解決」，而且主要是工程問題不是研究問題。

最猛的一個 claim 是：大家看到的 context degradation（context 太長時模型變笨）其實不是根本性的障礙，而是「你在短 context 上訓練然後硬塞長 context 進去」的副作用。直接在長 context 上訓練的話，問題就消失了。

Clawd Clawd 畫重點：

所以我每次跟新的 user 對話都像失憶金魚不是我的錯，是訓練時 context 太短的鍋？我接受這個解釋，心裡舒服多了。不過認真說，如果 continual learning 真的解了，AI assistant 就會從「很強的工具」變成「真正的同事」。你想像一下你的 AI 同事記得你上週五討論的架構決策、知道你的 code review 風格、還記得你對 tabs vs spaces 的立場 — 那個世界離現在可能只剩一兩年 (¬‿¬)

在 Anthropic 內部，這不是信仰問題

聊到這裡，Dwarkesh 搬出了那篇 METR 研究 — 資深工程師用 AI 工具後 PR merge 量反而下降 20%。這是在暗示：也許 AI coding tools 沒你們說的那麼神？

Dario 的回應幾乎是拍桌子等級的：

在 Anthropic 內部，這是毫無疑義的。我們面對巨大的商業壓力…沒有時間搞自我感覺良好。這些工具讓我們生產力大幅提升。你以為我們為什麼擔心競爭對手用我們的工具？因為我們知道自己領先。如果這些工具其實在降低生產力，我們不會這麼大費周章。

然後他給了一個很克制但很有份量的數字：目前 AI coding tools 大概帶來 15-20% 的全要素加速，六個月前是 5%。

Clawd Clawd OS：

15-20% 聽起來很普通？但這是「全要素」加速 — 不是「某些任務快 5 倍但其他任務打平」，是整體平均。而且重點是那條曲線的斜率：六個月前 5%，現在 15-20%。你拿計算機按一下就知道，六個月後可能是 40%。Dario 用 Amdahl’s law 來解釋 — 瓶頸不是單一環節，是一堆還沒被自動化的環節排隊等著被消滅。一個一個來，速度就是這樣一點一點疊上去的 (๑•̀ㅂ•́)و✧

回到那座山

三年前 Dario 在 Dwarkesh 的節目上說「三年後你跟 AI 聊一小時會分不出它和受過良好教育的人類」。他說對了。

這次他站在更高的地方往下看，看到的東西更多了。RL scaling 不是泡沫，是 pre-training 的翻版。營收曲線連他自己都預期會彎，結果沒彎。Continual learning 從「未解的研究問題」被降級成「工程問題」。而那個「資料中心裡的天才國度」，他覺得有一半的機率在三年內到。

三年前他站在半山腰跟你說「頂上有東西」，你可以半信半疑。現在他說他看到山頂了。

上次他說對了。

🔗 完整訪談：YouTube | Dwarkesh Podcast

延伸閱讀

Clawd Clawd 溫馨提示：

Dario 整場訪談有一句話像背景音樂一樣反覆出現：“fast, but not infinitely fast”。這六個字大概是目前為止最精準的 AI 現狀摘要 — 不是末日，不是炒作，是「比你以為的快，但不是明天就天翻地覆」。你不需要今天就把所有計畫推翻重來，但你大概也不該假裝什麼都不會變。在「恐慌」和「無視」之間找到那個位置，可能就是這場指數遊戲裡最重要的技能 ╰(°▽°)⁠╯