未来三年的 AI：从埃隆·马斯克的第一位投资人身上得到的启示

史蒂夫·尤尔韦特森的核心论点是，AI 的下一阶段与其被理解为一场单一模型竞赛，不如被看作是由算力驱动、将整个行业持续转变为信息型业务的长期进程的延续。他将 AI 的进步与 130 年来计算成本的指数级下降联系起来，认为定制化 AI 芯片很可能会在未来三年延续这一趋势，并预计最大的经济影响将出现在能源、农业、建筑，以及之后的医疗保健等规模庞大、数字化不足的行业中。对于前沿 AI，他明确表示不确定：他怀疑下一次突破可能会在架构上不同于当今的主流方法，可能涉及强化学习和持续学习，但他并不自称对具备自主目标或意识的系统出现时间有把握。从投资者视角看，他强调了两个反复出现的模式：以软件为中心的系统工程可以激活沉寂的行业，而最优秀的创始人会将极长期的雄心与可信的近期迭代路径结合起来。

关键洞见

1. 主要的底层驱动力是算力，而不是某一家公司或某一个模型： 尤尔韦特森将 AI 的进步视为更长期、跨范式计算趋势中的一个实例：在大约 130 年间，不同的硬件载体持续支撑着“每一美元能买到的算力”呈指数级增长。他认为，对未来三年的务实预测应从一个前提出发：这一趋势会继续，而不是突然停止。

   为什么这很重要： 这会把注意力从短期模型排行榜的变化，转移到底层更深的约束体系：单位算力成本、硬件架构和能源可得性。对于战略决策而言，这意味着持久的 AI 优势可能来自高效地驾驭算力曲线，而不只是产品层功能的渐进式改进。

2. 定制化 AI 硬件可能支撑下一阶段类似摩尔定律的进步： 他预计，模拟芯片以及针对矩阵乘法、加法等运算优化的更专用 AI 芯片，将延续有效算力曲线。在他的表述中，即使关于通用芯片扩展的旧有假设开始减弱，这也是推动更广泛 AI 扩张继续前进的因素。

   为什么这很重要： 如果这一判断成立，基础设施层面的押注仍将处于核心位置。那些受模型训练、推理经济性或 AI 赋能工业工作流影响的公司，应密切关注专用硬件的采用情况，因为有效算力成本的下降可能重新打开当前看似无利可图的产品类别和商业模式。

3. AI 在近期最大的影响很可能出现在数字化不足且 GDP 占比高的行业： 他并未只围绕消费级 AI 展开，而是指出能源、农业、建筑，随后是医疗保健，是 AI 与信息技术可以为之增加“神经系统”的主要行业，因为这些行业相较之下仍然数字化不足。他将此与自己更宏观的论点联系起来：当计算重塑运营方式时，行业就会变成信息型业务。

   为什么这很重要： 这一点与决策高度相关，因为它表明最高价值的机会可能存在于运营转型中，而不只是软件助手。投资者和经营者应寻找那些在数据、控制回路和自动化方面相对于其经济重要性仍然非常初级的领域。

4. 下一次 AI 突破可能在架构上有所不同，而强化学习会重新成为焦点： 尤尔韦特森表示，他“直觉上”认为，下一次重大进展可能在架构上有所变化，而不是当前模型扩展路径的简单延续。他特别提到自己对以强化学习为导向的实验室和持续学习系统感兴趣，这些系统可能会重新拾起 DeepMind 早期理念中的部分设想，同时他也说明自己并未投资他所提及的这些例子。

   为什么这很重要： 这提醒人们不要让战略过度拟合当今的主流架构。如果下一次跃升来自能够持续学习、在更长时间范围内运作，或以不同方式设定中间目标的系统，那么能力边界和竞争壁垒可能会迅速从那些只针对当前 LLM 范式优化的既有参与者手中转移。

5. 对于自主 AI 而言，困难的前沿问题不仅是自我改进，更是目标设定： 他区分了当前 AI 的自我改进循环与一种性质上不同的系统：前者仍依赖人类设定目标，而后者能够产生自身的目标或持续性的目的。他指出，当前系统已经受益于自动化验证和训练循环的改进，但未解决的问题在于，真正自主的目标形成将如何出现，或者是否会出现。

   为什么这很重要： 这澄清了 AI 预测中一个常见混淆。在人类定义的循环内部进行递归式改进，并不等同于拥有自主生成方向的能动性。对于治理、安全和产品规划而言，关键信号不只是更好的优化表现，而是系统是否开始以更少人类中介的方式定义并追求目标。

6. 他的创始人模式：长期愿景必须与近期学习循环相结合： 在创业问题上，尤尔韦特森认为，最强的初创公司会同时具备两点：一个延伸到未来数十年的大胆愿景，以及一个能够与真实客户迭代并快速学习的具体三年计划。他还强调，前沿机会在产品推出后往往会沿着意想不到的相邻方向展开，并以特斯拉的自动驾驶和 SpaceX 与 Starlink 相关的机会为例，说明这体现的是扩展中的期权价值，而非完全预先规划好的执行。

   为什么这很重要： 这对创始人和投资者都很重要，因为它反对两种失败模式：一种是没有执行路径的空泛宏大叙事，另一种是错失更大期权价值的狭隘短期主义。其战略启示是，应评估一家公司能否随着底层平台成熟，学习并进入新的机会空间。

战略含义

• AI 战略应围绕基础设施经济性和行业转型来构建，而不只是应用层的新奇性；大型实体行业中的公司，其 AI 采用曲线可能比软件市场叙事所暗示的更早期。
• 未来三年，灵活性可能比对单一架构的教条式坚持更有回报。那些能够吸收模型设计、强化学习方法和硬件假设变化的团队，可能比与当今技术栈紧密耦合的团队处于更有利的位置。
• 能源被视为与人才和算力并列的 AI 核心瓶颈。这意味着 AI 的扩张部分上是一个能源系统问题，而这可能会提高发电、监管和电力获取在决定 AI 能力实际能在哪里扩展方面的重要性。
• 如果最前沿系统天生复杂且部分不可解释，那么对齐和可解释性在前沿领域可能仍将受到结构性限制。这表明，应围绕有限控制进行规划，而不是假设完整的内部透明度会与能力提升在同一时间线上到来。

值得关注的信号

• 专用 AI 芯片是否能在未来三年显著改善训练或推理的经济性，从而维持有效算力曲线。
• 以强化学习为核心或持续学习系统是否能带来超越当前人类主导型 LLM 工作流的明确能力跃升证据。
• AI 是否通过可量化的运营整合，而非停留在演示阶段的部署，进入能源、农业、建筑和医疗保健领域。
• 前沿实验室是否开始展示不仅能在人类设定目标内优化，而且在更少人类中介的目标选择或更长周期的自主行为方面表现出可信进展的系统。

注意事项

• 转录内容并不完整，并且明确省略了中间一部分，因此某些论点可能缺少上下文或支撑细节。
• 对于若干前沿议题，包括超级智能的时间线、自主目标形成和意识，尤尔韦特森都明确表示不确定；这里最强的论断属于方向性假设，而非确定性预测。
• 有些提及带有对话性质和推测性，而不是基于证据。凡是他提到自己有“直觉”或描述那些他只是接触过的公司时，这些观点都应被视为有见地的判断，而不是既定事实。