播客嘉宾

Jared Kaplan，Anthropic联合创始人，此前从事理论物理学研究长达六年，受科幻作家母亲影响探索超光速驱动器等领域，后因对物理学进展不满转向AI领域。

核心主题

AI的扩展（Scaling）及其对迈向人类水平AI的影响，当前AI进步主要由扩展计算资源这一简单系统化方法驱动。

主要内容

1. ​​AI模型训练的两个阶段​​预训练：目标是模仿人类数据（文本及多模态）并理解关联性，教会模型预测上下文元素出现的可能性，是模型学习语言和世界基础知识的关键阶段。
   
   强化学习：优化“好”行为（有帮助、诚实、无害）并抑制不良行为，通过用户反馈数据优化，本质是学习预测下一词后执行有用任务。
   
   


2. ​​扩展定律的发现与意义​​
   
   团队发现AI训练中存在精确可预测的趋势，与物理现象精度相当，在计算量、数据集等多维度验证，是AI进步的基石，驱动性能持续提升。


3. ​​AI能力扩展与任务时间跨度​​能力维度：灵活性（从文本到多模态、机器人）和任务时间跨度（人类完成任务所需时间）。
   
   趋势：任务时间跨度每7个月翻一番，未来或能完成数天到数年的任务，甚至替代人类组织或科学界工作。
   
   


4. ​​迈向人类水平AI的关键要素​​相关组织知识：具备组织内工作的背景语境。
   
   记忆：追踪任务进展并利用记忆，Claude 4可存储并检索记忆，支持长任务。
   
   监督：理解细微差别，Claude 4已改进此能力，未来需生成更细致奖励信号处理主观任务。
   
   更多复杂任务与模态：从文本到多模态、机器人技术的持续提升。
   
   


5. ​​Claude 4的改进与未来​​
   
   提升代理能力（尤其编码）、监督能力和记忆存储检索能力，扩展定律预示其稳步迈向人类水平AI，记忆能力将解锁更长任务跨度。


6. ​​人机协作与AI智能特点​​AI特点：时而卓越时而犯错，判断与生成能力差距小；人类可扮演“管理者”做合理性检查。
   
   趋势：从“副驾驶”模式转向端到端任务替代，70-80%准确率任务更具探索价值。
   
   AI优势：预训练吸收人类文明知识，跨领域整合能力强，易发现人类专家忽略的见解。
   
   


7. ​​AI应用“绿地”领域​​
   
   金融（Excel相关工作）、法律（需应对监管）领域，及AI与现有业务的深度整合（类似电力革新工厂）。


8. ​​物理学背景对AI研究的影响​​
   
   习惯寻找宏观精确趋势、度量进步（如扩展定律斜率），利用物理数学方法研究神经网络，AI可解释性因可测量所有神经元活动更具优势。


9. ​​扩展定律与计算资源​​扩展定律：若失效多因训练出错（架构、瓶颈等），需强证据才认可其不适用。
   
   计算资源：当前低效但价值大，未来成本将下降，算法和推断效率年提升3-10倍。
   
   

给听众的建议

• 构建“尚未完全奏效”的事物，利用AI快速进步的特性（如Claude 5或实现当前未竟想法）。


• 利用AI加速AI集成，找出AI快速普及的领域。


• 年轻创业者应深入理解并集成AI，在能力前沿实验。

问答环节要点

• 任务时间跨度指数增长可能因模型自我纠错能力提升，小幅智能进步即可翻倍跨度。


• 提升长任务能力的更好方法：让AI监督AI，提供细致反馈而非仅看最终结果。