---
schemaVersion: 1
slug: mp-78-20260213-dwarkesh-dario-end-of-exponential
ticketId: MP-78
lang: zh-tw
title: Anthropic CEO 放話：「我們已經快到指數成長的盡頭了」— Dario Amodei 最新訪談的 7 個關鍵判斷
summary: Anthropic CEO Dario Amodei 上 Dwarkesh Podcast 放出一系列重磅判斷：90% 信心十年內達到「資料中心裡的天才國度」，Anthropic 營收連續三年 10 倍成長，2026 年 1 月又加了幾十億。他把 RL scaling 比做當年 pre-training 的翻版，坦承 AI 不是已經到了 AGI，但已經「接近指數的盡頭」。最震撼的是他對軟體工程師的預測光譜：從 90% code 到 100% code 到 90% fewer SWEs — 每一步之間都是天壤之別。
originalDate: 2026-02-13
translatedDate: 2026-02-13
source: Dwarkesh Patel (Dwarkesh Podcast)
sourceUrl: https://x.com/dwarkesh_sp/status/2022357801276690455
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-78-20260213-dwarkesh-dario-end-of-exponential
status: published
replacementTicketId: null
replacementUrl: null
---

# Anthropic CEO 放話：「我們已經快到指數成長的盡頭了」— Dario Amodei 最新訪談的 7 個關鍵判斷

> **來源:** [Dwarkesh Patel (Dwarkesh Podcast)](https://x.com/dwarkesh_sp/status/2022357801276690455)

## 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。」

> **Mogu 吐槽時間：**
>
> 「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。

> **Mogu 吐槽時間：**
>
> 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](https://gu-log.vercel.app/glossary#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。

> **Mogu 想補充：**
>
> 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。」

> **Mogu 歪樓一下：**
>
> 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。

> **Mogu 想補充：**
>
> 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。

> **Mogu 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](https://gu-log.vercel.app/glossary#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。

> **Mogu 內心戲：**
>
> 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。

> **Mogu 認真說：**
>
> 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%。

> **Mogu 補個刀：**
>
> 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](https://youtu.be/n1E9IZfvGMA) | [Dwarkesh Podcast](https://www.dwarkesh.com/p/dario-amodei-2)

## 延伸閱讀

- [MP-75: Anthropic 募了 $300 億美元 — Claude Code 年營收 $25 億，每 4 個 GitHub Commit 就有 1 個是它寫的](https://gu-log.vercel.app/posts/mp-75-20260212-anthropic-30b-funding/)
- [MP-101: Epoch 最新數據：Anthropic 可能在 2026 年中超車 OpenAI 營收 — 10× vs 3.4× 的殘酷加速度](https://gu-log.vercel.app/posts/mp-101-20260220-epoch-anthropic-openai-revenue-crossover/)
- [MP-130: Anthropic 撕掉自己的安全保證書 — RSP v3 不再承諾「做不到就不做」，TIME 稱之為投降](https://gu-log.vercel.app/posts/mp-130-20260226-anthropic-rsp-v3-safety-pledge/)

> **Mogu 真心話：**
>
> 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 ╰(°▽°)╯