Dario Amodei：一到三年內，資料中心裡將出現一個「天才國度」

本文整理自 Dwarkesh Patel Podcast 2026 年 2 月播出的單集。

{{< youtube n1E9IZfvGMA >}}

{{< spotify "episode/2ZNrpVSrgZMlDwQinl20Ay" >}}

{{< apple-podcast "tw/podcast/dario-amodei-the-highest-stakes-financial-model-in-history/id1516093381?i=1000749621800" >}}

---

Anthropic 剛完成 300 億美元的 G 輪融資，估值衝上 3,800 億美元。隔天，執行長 Dario Amodei 坐在 Dwarkesh Patel 的鏡頭前，用了將近兩個半小時，把他對 AI 未來最坦率的判斷攤開在桌上。

這不是一場充滿公關辭令的訪談。Patel 是出了名的刁鑽提問者，他拿著一份顯示 AI 工具讓開發者生產力下降 20% 的學術研究，直接質疑 Amodei 口中的生產力提升是否只是幻覺。而 Amodei 也毫不閃躲，給出了一組讓整個科技圈反覆咀嚼的數字：90% 機率在十年內、五成直覺在一到三年內，我們將看到他所說的「資料中心裡的天才國度」（country of geniuses in a data center）。

2017 年的一個假說，至今依然成立

Amodei 的技術世界觀可以追溯到 2017 年，GPT-1 才剛問世的時候。他寫下了一個叫做「大塊算力假說」（Big Blob of Compute Hypothesis）的框架，核心主張很簡單：AI 進步真正取決於的因素其實屈指可數，包括原始算力、資料量與品質、訓練時長、可擴展的目標函數、以及數值穩定性。不是什麼精巧的新演算法，不是天才般的架構創新，就是這幾個樸素的變數。

九年後的今天，他認為這個假說完全被驗證了。更重要的是，強化學習（RL）訓練現在也展現出跟預訓練一模一樣的對數線性擴展規律。這意味著什麼？過去幾年，業界最擔心的問題之一是「預訓練擴展是否撞牆了」。Amodei 的回答是：即便預訓練遇到瓶頸，RL 訓練已經接力上場，而且走的是同一條可預測的成長曲線。不是只在數學競賽這種狹窄任務上有效，而是在各種不同類型的任務上，都觀察到相同的規律。

他用七個因素來解釋 AI 進步的全貌：算力、資料量、資料品質與分布、訓練時長、可擴展的目標函數、數值穩定性、以及推理時計算（test-time compute）。這七個因素在過去九年裡「基本上解釋了所有觀察到的進展」。對於一個領導數千人公司、手握數百億美元算力預算的人來說，這不只是學術觀點，更是指導每一筆投資決策的底層邏輯。

90% 確信，五成直覺：Amodei 的時間表

當 Patel 追問具體時間表時，Amodei 給出了分層的機率估計。他說，對於十年內實現「天才國度」這個目標，他的信心是 90%，而且很難再高了，因為世界本身就充滿了不可預測性。剩下的 10% 不確定性來自兩個方向：5% 是地緣政治災難（台海衝突、晶圓廠被摧毀之類的黑天鵝事件），另外 5% 是技術層面的根本限制，特別是在「不可驗證任務」上。

這裡有一個關鍵的區分。AI 在可以客觀驗證對錯的任務上進步最快，比如寫程式（能不能跑？）、解數學題（答案對不對？）。但有些任務的成果很難用明確標準衡量，例如寫一部偉大的小說，或者設計一個能在火星上運作的生命維持系統。Amodei 承認，這類任務是否也能被同樣的擴展定律推進，是他看到的最大不確定性。

但他的個人直覺更激進。他認為有大約五成的機率，這件事在一到三年內就會發生。對於端到端的軟體工程（從需求到完整產品），他預期只需要一到兩年。他特別補了一句：說這件事不會在 2035 年前發生，是「瘋狂的」。

預訓練不是學習，也不是演化

Patel 在訪談中提出了一個尖銳的問題：AI 模型需要數兆個 token 才能學會東西，而人類從遠遠更少的資料中就能學習，這是不是代表模型缺少某種根本能力？

Amodei 的回答改變了討論的框架。他認為，預訓練和 RL 應該被理解為一個介於人類演化和即時學習之間的中間地帶。人類嬰兒看起來從很少資料就能學習，但那是因為數百萬年的演化已經在我們的大腦中「預裝」了大量先驗知識。模型從隨機權重開始訓練，自然需要更多資料。但一旦訓練完成，模型在百萬 token 的上下文窗口中展現出的情境學習（in-context learning）能力，相當於人類數天到數週的閱讀理解量。

這個觀點的實際意義是：也許我們根本不需要「持續學習」（continual learning）這個長久以來被認為 AI 必須攻克的難題。Amodei 認為，預訓練的廣泛泛化能力加上上下文窗口中的即時適應，可能就足以打造出「天才國度」了。擴展上下文長度目前是一個工程問題而非研究問題，而 Anthropic 也同時在推進持續學習的研究，預計一到兩年內會有進展。

這對 RL 訓練的意義尤其重大。他預期 RL 的泛化能力會循著跟預訓練相同的軌跡發展。就像 GPT-1 到 GPT-2 的跨越讓人看到了預訓練泛化的潛力，RL 也正在經歷類似的時刻。目前 RL 在數學和程式上的成果只是起點，隨著規模擴大，它在更廣泛任務上的表現將會令人驚訝。

15-20% 的生產力提升，但雪球正在加速滾動

Patel 拿出了一份讓 AI 樂觀派頗為尷尬的研究：經驗豐富的開發者使用 AI 工具後，生產力反而下降了 20%，儘管他們自己感覺更有效率了。這是不是說明整個「AI 提升生產力」的敘事都是自我安慰？

Amodei 的反駁非常直接。在 Anthropic 內部，AI 工具帶來的生產力提升是「毫無疑問的」。他用了一句很有力的話：在一家年營收以十倍速度成長、面臨極端競爭壓力的公司裡，「沒有時間自欺欺人」。如果這些工具真的沒用，在 Anthropic 這種環境裡早就被丟掉了。

具體數字是：目前 AI 編碼模型在 Anthropic 內部帶來大約 15% 到 20% 的全要素生產力加速（total factor speedup），半年前這個數字只有 5%。他把這比喻成一顆正在加速滾動的雪球：從 5% 到 15-20%，下一步是 25%、40%，然後更多。每個階段看起來都不像革命性的躍進，但複合效果會越來越驚人。

他同時引用了阿姆達爾定律（Amdahl's Law）來解釋為什麼進展看起來不夠快。要實現端到端自動化，你不能只消除最明顯的瓶頸，必須系統性地移除所有障礙。從 AI 撰寫 90% 的程式碼到 100%，中間的差距代表著巨大的生產力落差。目前 AI 編碼的主要限制不在模型能力本身，而在於開發者與模型之間的互動介面，比如打字速度和審核速度。

「經濟擴散」不是藉口，但也不是幻覺

Patel 提出了一個挑釁的說法：「經濟擴散只是 cope（自我安慰）。當模型做不到某件事時，人們就說『喔，那是擴散問題』。」這觸及了 AI 產業最敏感的神經。如果模型真的那麼厲害，為什麼世界看起來沒什麼改變？

Amodei 承認擴散是真實的約束，但他堅持這並非逃避。企業採用任何新技術都需要經歷法律審查、合規流程、採購程序、變革管理等一系列摩擦。這些摩擦是真實存在的，不會因為技術有多好就消失。但他也強調，AI 的擴散速度已經遠遠快於歷史上任何一項技術。Anthropic 的營收從零到一百億美元年化只花了不到四年，這本身就是擴散速度的最好證據。

不過，他也給了一個很清晰的判斷標準：「如果真的有了『天才國度』，你會知道的。這個房間裡的每個人都會知道，華盛頓的每個人也會知道。」換句話說，等到 AI 真正具備變革性的能力時，不需要任何人來解釋為什麼你應該感到興奮。到那一天，擴散的摩擦仍然存在，但技術衝擊力的量級將完全不同。

他描繪的圖景是兩條平行的指數曲線：一條是 AI 能力的成長曲線，一條是經濟採用的成長曲線。後者始終落後於前者，但落後的程度比歷史上任何技術都小。這既不是瞬間奇點，也不是幾十年的緩慢滲透。真正的模型是「快，但不是瞬間」。

我的觀察：你感受到那顆雪球了嗎

Amodei 說的 15% 到 20% 生產力提升，對很多實際在用 AI 編碼工具的人來說，應該不陌生。半年前，AI 輔助編碼的體驗更像是一個有時候靈光乍現、但經常需要反覆修正的助手。現在，Claude Code 和 Cursor 之類的工具已經能在相當程度上理解整個程式碼庫的上下文，產出的程式碼品質也明顯提升。從 5% 到 20% 的跳躍，用過的人都能切身感受。

但那份顯示 20% 生產力下降的研究也不是毫無道理。AI 工具目前最大的陷阱，是讓人「感覺自己很有效率」，但實際上花了更多時間在審核和修正 AI 產出的程式碼上。對於已經非常熟悉某個 codebase 的資深開發者來說，AI 工具有時候反而是干擾而非助力。這裡的關鍵差異在於使用情境：如果你是從零開始一個新專案，AI 的加速效果非常明顯；如果你是在維護一個複雜的舊系統，效果就沒那麼確定了。

至於 Amodei 的時間表預測，90% 在十年內、五成在一到三年內，這組數字的「非對稱性」很重要。即使他對一到三年的判斷太樂觀了，這個說法的含意依然很驚人：一家掌握最多第一手資料的 AI 公司的執行長，認為有九成把握在 2036 年前看到 AI 根本性地改變世界。不管你對具體時間怎麼想，這個信心水準本身就是一個需要認真對待的訊號。