预测AI啥时候“接管一切”或者实现“全面自动化”，这事儿，啧，比算命先生解签还玄乎。为啥？因为它压根儿就没发生过啊！就像哥伦布出海前，你跟他说地球是圆的，他手下那帮水手估计得把你当海怪祭天。但话说回来，咱们也不是完全没参照物。想想看，人类智能的崛起，那算不算一次“接管”？只不过是咱们智人接管了其他物种的“生态位”。再近一点，工业革命，那家伙，蒸汽机一响，多少膀大腰圆的汉子瞬间觉得胳膊没以前好使了。那会儿是机器革了体力劳动的命，现在轮到AI，瞄准的可是咱们引以为傲的“认知劳动”。简单说，就是AI要开始“动脑子”干活了，而且可能比你我动得还快还好。
这不，有个叫汤姆·戴维森（Tom Davidson）的研究员，估计也是个爱琢磨的哥们儿，在2023年6月整了份报告。他没拍脑袋瞎猜，而是搬出了经济学里的自动化模型，建了个数学模型来估算AI啥时候能把咱们人类的活儿100%全包圆了。你要是也手痒想试试，可以去一个叫 “takeoffspeeds.com” 的网站上体验一把，看看AI在你心目中啥时候“C位出道”。
戴维森这模型啊，主要想预测俩事儿：一个是AI时间线，说白了就是AI啥时候能解锁某些“成就”，比如自动化20%的人类劳动算不算一个里程碑？100%全自动化那更是终极目标了。时间线短，就意味着AI“光速”进化；时间线长，那咱们就还能多摸几年鱼。另一个概念叫AI起飞，这个词儿形象得很，就是AI从一个战五渣，突然之间“咻”地一下，变得比你我还聪明，甚至远超人类。而AI起飞速度，就是这个“咻”的过程要花多久。可能是“快速”模式，眨眼几个月；也可能是“慢悠悠”模式，几十年晃过去；或者不快不慢，“中等”意思，几年光景。
他这个模型挺有意思，把“较弱的AI”——就是能干掉目前20%人类工作量的AI——设为起跑线，终点呢？自然是“更强的AI”，能把100%的活儿都给包了。你想想，从20%干到100%，那得加多少“料”啊！这“料”主要有两种：
一种是实打实的算力，就是更多的计算机芯片、更长的运行时间。想想你打游戏，显卡越牛，画面越流畅，一个道理。
另一种是更牛掰的AI算法。好算法就像个聪明的厨子，同样的食材（算力）能做出更美味的菜（更好的性能）。所以模型假设，算法进步了，开发同样厉害的AI系统，需要的算力就能省一点。
戴维森估摸着，从20%自动化到100%这条路，咱们可能需要把算力或者算法效率，或者两者加起来，提升个大约一万倍！当然，这只是个大概齐的数，模型里也考虑了从十倍到一亿倍这种听着就头皮发麻的各种可能性。为啥是一万倍？他是拿动物大脑跟人脑比，再跟那些已经有点超越人类意思的AI模型比，这么估算出来的。我寻思着，这就像当年我从DOS系统换到Windows 95，那感觉，简直是鸟枪换炮，性能提升何止一万倍啊！
这模型还有个挺大胆的假设，就是咱们目前这套AI技术框架，可能就足够鼓捣出超越人类的AI了。你瞅瞅最近AI进步多快，很多时候不是因为技术上有了啥石破天惊的“根本性突破”，而是因为咱们往里面砸了更多的算力和数据。就拿GPT-4来说，它用的算法跟它爷爷辈的GPT-1比，骨子里没啥大变化，但烧的算力，乖乖，那可是一百万倍起步！
戴维森模型估算，要想让AI在2022年的算法基础上达到100%自动化，总共需要的算力大概是10的36次方 FLOPs。这是个啥概念？就是1后面跟36个0！这数字，就算往少里说，也有差不多一千倍的误差幅度。即便取最低估算值（10的34次方FLOPs），也得让2022年最顶尖的超级计算机，从恐龙还在地球上溜达的侏罗纪时代开始算，一直算到现在才能搞定。听着是不是想直接躺平了？
不过别急，AI的发展自己也会加速。比如：
- 投资者一看有戏，就会砸更多的钱买芯片。有钱能使磨推鬼，也能使AI跑得飞快。
- 同样价钱的芯片，性能会越来越强。这就是摩尔定律（虽然最近有点后劲不足，但趋势还在）。
- AI软件也会不断进化，更有效地利用已有的算力。这就好比以前一个软件傻大黑粗，现在优化得小巧精悍，干活效率还高。所以，有效算力 = 实际硬件算力 × 软件效率这个“放大器”。
影响这个“资源增长速度”和“起飞速度”的关键因素，那可就多了去了。其中一个特别有意思的，就是AI自己加速AI开发的能力。你想想，这不就是个正反馈循环嘛！现在很多大型语言模型已经开始帮程序员写代码了，虽然有时候写的代码也挺“幽默”的，净整些bug出来，但我亲眼见过有团队用AI辅助编程，效率确实高了一截。还有，AI越牛，吸引的投资就越多，这雪球就越滚越大。
模型里还考虑了其他一些参数，比如自动化AI研究本身有多难，训练好的AI模型在使用方式上改进后性能能提升多少等等，细节就不一一赘述了，不然我这口水都说干了。
为了算出这些个花里胡哨的未来情景，模型用了个叫“蒙特卡洛方法”的玩意儿。简单说，就是随机扔骰子，哦不，是随机选一堆输入参数，然后跑一遍模型，看看结果是啥，跑个成千上万遍，就能得出一个概率分布。
那么，这模型算出来的“中位数”预测是啥呢？（中位数就是把所有结果排个队，取最中间那个）
- AI大概会在2043年能够自动化所有人类劳动。嗯，2043年，我琢磨着那时候我可能已经退休在家逗孙子了，希望AI能帮我把养老金算明白点。
- 这个“起飞过程”大约需要三年。也就是说，可能在2040年，AI先帮你干20%的活儿，然后一眨眼，到2043年，你的活儿就全归它了。想想这三年，跟坐过山车似的。
当然，预测总有个范围：
- AI在2030年前就达到100%自动化的可能性，大概有10%。挺刺激的，不是吗？
- AI拖到2100年后才搞定100%自动化的可能性，也有10%。嗯，那时候咱们估计都成历史书里的人物了。
- 起飞速度不到10个月的可能性，也是10%。这意味着“狼来了”喊着喊着，狼真的一下子就扑到眼前了！
- 起飞速度超过12年的可能性，同样是10%。这就给了我们更长的“缓冲期”。
戴维森的模型还告诉我们一些挺重要的事儿：
- 就算AI没有啥惊天动地的技术大跳跃，只要它持续发展，一旦“起飞”，几年甚至更短的时间内就能轻松碾压人类。
- 很多因素都在给AI时间线“踩油门”，比如投资越来越多、AI自己能帮自己进步、算法越来越牛、还有训练AI比运行AI费劲得多（意味着一旦训练好了，跑起来就快了）。
- 你很难找到一套听起来还算靠谱的输入参数，让模型算出AI到2060年左右还啥认知任务都干不了。也就是说，AI变强，是大趋势。
- 尽管AI进步也可能比咱们想的慢，达到人类水平可能更难，但一个能影响全世界的AI系统，离咱们不太可能超过几十年了。当然，这一切都建立在“当前这套技术路子能搞出超人AI”这个大前提上。
好了，吹了半天模型，也得泼盆冷水。模型的质量嘛，全看它的假设靠不靠谱。不过话说回来，做点有根据的假设，总比两眼一抹黑直接瞎猜最终答案要强点儿。再说了，这模型也没把所有因素都考虑进去，比如那些高级AI模型到底要“吃”多少训练数据，这还是个未知数。就像我当年装第一台电脑，以为买个好CPU就行了，结果忘了内存和硬盘也得跟上，跑起来照样卡成PPT。
说到底，像这类模型，更多的是帮助我们思考它所描述的那个世界的工具。经济学本身也不是以做出完美的长期预测而闻名的，对吧？所以啊，这2043年，咱们是“躺平”享受AI服务，还是被AI“优化”掉，这事儿，走着瞧吧！没准到时候AI最大的用处是帮我们写这种预测未来的文章呢，而且写得比我还快，还没错别字。哎，想想都有点小失落又有点小期待呢！