阿凱📝 主編觀點 · 反直覺觀點 — 大家都這樣想，但其實可能不是這樣
AI 學習效率，是這個時代最被低估的問題
大家都在聊 AGI 快來了，投資人在搶算力，創業者在搶時間，媒體在搶標題。但 Dwarkesh Patel 的 YouTube 頻道最近有一集問了一個讓我不太好受的問題：我們到底在擴展什麼？
表面上聽起來像在抬槓，但仔細想，這個問題有點要命。
你知道現在的 AI 要學會「用瀏覽器查資料」這件事，需要經過大規模的中期訓練？人類不需要。你叫一個大學生去用 Excel 做表格，他可能花一個下午摸索就會了。但 AI 模型要學會這件事，得餵它成千上萬的示範資料。機器人也一樣——人類穿上外骨骼或操控機械手臂，幾個小時就能上手；AI 卻要跑幾百萬次模擬。
反直覺的地方來了：如果我們說 AGI 兩三年內就要到來，說 AI 快要有「類人的學習能力」了，那現在為什麼還要花這麼多資源，去一件一件地教它每個具體技能？
這兩件事不能同時為真。
要麼 AI 很快就會學會「自己學習」，那現在這些針對特定任務的強化學習訓練，等於是在浪費錢。要麼它還沒辦法自主學習，那 AGI 並不像大家想的那麼近。Dwarkesh 在片子裡把這個矛盾說得很清楚，他沒有給結論，但光是把這個問題攤開來，就已經夠讓人坐立難安了。
還有一件被忽略的事：現在模型能力大幅提升，有一部分其實是靠專家人工標注撐起來的——PhD 在寫題目、MD 在驗答案。這塊貢獻沒什麼人提，大家習慣把功勞全推給「Scaling」跟「更多算力」。
說實話，我不知道 AGI 幾年後來。我也不確定那些 1-2 年的時間表是認真的預測，還是募資話術。但我越來越覺得，AI 真正的天花板不是算力，而是學習效率——它每學一件事，還是太貴、太慢、太笨。
這個問題解決不了，那些 10 兆美元的夢，都只是很好看的投影片。
