AI奇点已经开启，Anthropic联合创始人称下一个瓶颈在实验室

Anthropic联合创始人、公共利益负责人杰克·克拉克在国际货币基金组织（IMF）与Per Jacobsson Foundation联合举办的活动上对经济政策制定者表示，技术奇点已经到来。他将奇点定义为AI把科学和技术进步加速到人们难以跟上的那一刻，并认为它始于2026年。他的论证建立在三类证据之上，外加一个他本人也承认听起来离谱的经济情景，以及一项警告：实验室和监管流程将是下一个让进步陷入停滞的地方。

克拉克所说的奇点

克拉克曾是报道数据中心的记者，2016年加入OpenAI，几年后与他人共同创立了Anthropic。二十年来，他一直警告AI将重塑国际安全、改变经济增长的轨迹，并最终学会自我改进。

这一概念借自科幻作家弗诺·文奇。文奇在1993年预言，超越人类的机器将以越来越短的周期造出能力更强的后继者，令旧有的预测模型失去作用。克拉克说，这道门槛如今已被跨过：AI正同时改变国家安全、经济前景以及AI自身的发展。他认为，政策制定者如今必须把AI视为与其他宏观经济冲击并列的重大不稳定因素，而主流预测仍然低估了这场变化的激进程度。他也承认，这样的速度会让人感到迷茫，快速进步在带来巨大财富的同时也伴随着严重风险。

证据一：软件开发

大约50年来，多数国家的研究人员越来越多，研究生产率却不断下降，因为新想法越来越难找，成本也越来越高。克拉克表示，前沿模型（即特定时期能力最强的AI系统）通过辅助并自动化过去只有专家才能完成的认知工作，扭转了这一趋势。

软件领域最先显现这一变化。过去需要一个团队花几个月开发的应用，如今一名工程师就能完成，一些借助Claude Code的项目几天就能收尾。Anthropic内部一张图表记录了2021年初至2026年每季度的人均代码贡献量，曲线随着每次模型发布而攀升，从Claude 3.5 Sonnet到Claude 4和Claude Code、Claude Opus 4.5，再到Claude Mythos Preview，最终达到基线的9.3倍。与公司成立后的头四年相比，人均产出增长了近10倍。

这种提升是一把双刃剑。克拉克说，擅长编写稳健代码的模型会同时增强网络防御和网络攻击工具，二者无法分开，因此通用能力每提升一步，国际安全的风险也随之上升。

证据二：同一批模型，横跨多门科学

克拉克预计，同样的速度将扩散到化学、生物学、机器人乃至整个科学领域。他列举了2026年的成果：

这些成果都不需要专门定制的模型。Claude、ChatGPT、Gemini等通用系统扮演着“虚拟博学家”的角色，同时在众多学科中做出前沿水平的贡献。

证据三：几乎垂直上升的基准测试曲线

他的第三类证据是基准测试，即衡量AI能力的标准化测试。

在FrontierMath上，从GPT-4 Turbo到GPT-5、GPT-5.5 Pro再到GPT-6 Astra，每一代模型都把最高分推得更高。另外六张图表在过去一两年里也呈现出同样的形状：涵盖文献、克隆和实验方案任务的LAB-Bench；衡量模型发现有潜力材料的速度比随机筛选快多少的Matbench Discovery；模型已追平人类专家的USMLE式医学考试MedQA；AI智能体（即能自主完成多步骤任务的系统）开展的真实生物信息学分析；考查能否读懂生物学论文图表的LAB-Bench FigQA；以及预测蛋白质突变的影响。克拉克说，他已收集了一百多张这样的图表。

模型纠正了标准答案

最引人注目的例子来自TheoPhysEval，这是一篇新发布在arXiv上的预印本。作者们从世界各地的物理学家那里收集了50道未发表的理论物理题及其答案，因此任何模型都不可能在训练中见过这些题目。其中一位合著者、一名印度物理学家写道，目前没有已知的个人能在没有AI帮助的情况下解出其中相当一部分题目。

GPT-6 Astra最初的得分在80%以上、接近90%，Claude Opus 5.5紧随其后。但对于那些看似答错的题目，GPT-6 Astra坚持认为自己的推理正确、标准答案有误。研究人员与出题的物理学家重新核对后，在专家本人的计算深处发现了细微的数学错误。修正答案后，GPT-6 Astra的得分升至98%，50道题答对49道。克拉克把这比作电影里学生超越老师的经典桥段。

克拉克把前沿科学视为对创造力的检验。未发表的问题无法靠记忆解决，因此能在这里取得成绩，说明这种能力可以推广到包括AI研究在内的其他领域。他说，一旦AI开始加速自身的发展，其效应可能会在此后的一切中层层叠加。

复制科学家的经济学

经济增长归根结底取决于研究能否产生新想法，而一直以来的硬约束是人力资本，即受过训练的研究人员数量有限。克拉克援引经济学家的研究指出，好想法越来越难找，仅仅维持以往的生产率增速就需要投入越来越多的研究力量。

他提到，自己积累专业能力花了大约40年。如果训练有素的数字研究人员可以瞬间复制，会发生什么？培养新一代人类专家需要10到15年和数百万美元，而AI智能体可以按需复制，只受算力限制，还能几乎即时地融合不同领域的知识。他预计，不久之后，许多知识工作将变成一个人同时监督数百乃至数千个AI副本或专业智能体。

▲ 监督众多AI科学家的研究人员

$44万亿的情景

Anthropic的经济学家模拟了AI在经济中扩散的不同路径。在一个假设AI能自主完成广泛任务的奇点式增长模型中，美国GDP到2030年可能达到$44万亿。克拉克承认，这个数字在传统经济学家听来很离谱，但他表示，只要AI的规模扩展和普及保持当前速度，这一结果就顺理成章，而如此规模的增长还需要由自主研究催生出全新的产业。由于这一数字建立在很强的假设之上，它似乎更适合被看作对变化规模的一种估量，而非预测。

瓶颈从发电厂转向实验室

克拉克的建议分为两部分：大胆地为成功做规划，同时为艰难的抉择做好准备。他说，即便AI能像专业科学家那样工作，也不应在没有伦理和安全约束的情况下随处部署。

过去十年，他一直敦促各国政府扩大发电能力和数据中心空间，并在AI硬件供应链中占据一席之地。及时行动的国家寥寥无几。如今算力集中在美国、中国和中东部分地区，由此引发了对计算资源的争夺和价格的急剧上涨。他认为，当前的建设只是第一阶段，更多国家仍有参与的空间。

下一阶段将进入物理世界，AI会开展实验、操控机器人，而这一阶段将面临科学仪器和自动化实验室的短缺。克拉克援引联合国教科文组织的数据指出，全球科学家约有1000万人，已不足以监督重要研究；材料分析设施、生物检测实验室以及部署在地球和太空中的专用仪器也都供不应求。如果再加上10亿甚至100亿名虚拟科学家，思考能力将远远超过实验能力。

克拉克说，如果临床试验和监管流程依然堵塞，发现成千上万种候选药物也毫无意义。做好准备的社会，可以把AI转化为更长的寿命、充足的能源、更多的粮食和更广泛共享的财富。科学机构实力雄厚的国家可以让本国研究人员的产出成倍增长，而提供原材料的发展中国家则可以让人类科学家与数字科学家搭档、建设现代化测试设施，从而实现跨越式发展。

▲ 实验室容量成为下一个瓶颈

克拉克希望社会做出的三个选择

克拉克表示，由于同样的能力可能助长生物武器和网络武器，世界必须审慎地决定AI的去向。他提出了三个问题。

1. 应该把它用在哪里？ 能力强的模型并不一定适合在无人看管的情况下做实验。生物学等高风险领域需要严格的人类监督和透明度，Anthropic这样的实验室也必须在内部AI研究的速度与保持对自主系统控制所需的监督之间取得平衡。东京一所大学的物理系学生告诉克拉克，AI已经承担了许多常规实验，因此每个学科都必须决定哪些工作继续由人类主导。
2. 人类需要理解到什么程度？ 在数学领域，AI已经提出了人类难以解读的飞跃性思路；克拉克预计，AI还将设计出适合自身工作流程而非人类思维方式的仪器。至于是否必须先让人类理解，他承认自己无法定论。
3. 我们能否想象一个截然不同的世界？ 少年时代，克拉克曾担心人口增长、气候变化和资源枯竭会在本世纪带来崩溃。廉价的太阳能电池板和医学进步改变了这种前景。如今，AI正在破译动物的交流方式，可重复使用的火箭也能常规着陆，这些变化几乎没人想到过。

克拉克说，他投身AI，是因为AI可能解决那些原本可能毁灭文明的问题。但危险本就内嵌于这项技术之中，要安全度过奇点，需要严格的规则、全球合作，以及最重要的克制，也就是在必要时主动放慢脚步的意愿。最后，他引用了卡尔·萨根在《暗淡蓝点》中的一句话：能够抵达群星的物种，将是“一个与我们非常相似、但拥有更多优点和更少缺点的物种”。

从克拉克的论证中能得到什么

克拉克想传达的是，AI驱动的科学加速已经开始，而能否收获成果，取决于当下在基础设施和治理上做出的决定。$44万亿只是模型给出的情景，代码产出图表和基准测试曲线才是他论证中经过实测的部分。他的建议可以归纳为一份清单：

• 经济政策制定者：把快速提升的AI能力纳入宏观经济预测。
• 企业：围绕指挥编程智能体的工程师来组织软件开发，并安排专家同时监督多个AI实例。
• 安全团队：部署由AI自动化的防御手段，跟上自动化攻击的节奏。
• 政府：在电力和数据中心之外，扩充实验室、机器人和材料分析能力，并缩短研究成果走向诊所、工厂和农场的路径。
• 研究机构：确定哪些实验继续由人类主导，并在生物学和网络防御领域保持严格监督。