1. 先把“奇点”从科幻概念拉回工程语境第一次翻《奇点临近》大概是在十几年前那时候我刚入行没多久白天写代码晚上啃这类书。说实话第一遍读得很爽第二遍读得很烦因为书里大量的外推曲线看起来太自信了。等到自己真正开始做技术选型、做容量规划、算成本曲线再回头翻才发现这本书真正有价值的不是“2045 年会发生什么”这种预言而是它提供了一套用指数增长视角看世界的分析方法。奇点理论这个词听起来玄落到工程上其实很朴素它讨论的是技术变革的速率本身在变快快到某个阶段之后用当下的模型去外推未来会失效。注意这句话的重点在“模型失效”不在“机器觉醒”。这个区别非常关键因为绝大多数关于这本书的争论都是把“预测失效的边界”误读成了“某个具体事件的发生日期”。这篇东西适合三类人看。第一类是做技术趋势判断的从业者想知道这套方法论到底哪部分能用、哪部分要打折扣第二类是对人工智能长期走向感兴趣但被各种爽文绕晕的读者需要一条能自己动手验证的路径第三类是做长期规划的人想知道“长期主义”这四个字怎么从口号变成可执行的动作。我会把指数增长的数学骨架、人工智能在这套叙事里的具体位置、以及长期主义怎么落地这三块拆开讲中间夹一些我自己跟踪技术曲线时踩过的坑。1.1 加速回报定律到底在说什么书里最核心的一条是加速回报定律。它的原始表述不复杂在一个进化系统中那些能够产生更快进化能力的机制会被保留下来于是进化速率本身呈指数上升。生物进化、技术进化在这套框架里被看作同一个过程的两个阶段——前者靠基因变异和自然选择周期以百万年计后者靠知识积累和工具迭代周期以年计。这个定律之所以有说服力是因为它不是纯思辨而是挂在一堆可观测的数据上。晶体管密度、单位算力成本、存储成本、带宽、基因测序单价这些指标在几十年尺度上都呈现出接近指数下降或上升的形态。作者做的事是把这些曲线画出来然后说如果这个趋势再延续几十年会发生什么。我个人的判断是这条定律的描述部分非常扎实外推部分需要打折。描述部分说的是“过去几十年的信息技术确实是指数级进步的”这一点几乎无可争议你自己去查任何一条硬件性价比曲线都能验证。外推部分说的是“这个趋势会一直延续到某个极端的量级”这里就引入了大量假设物理极限、经济约束、需求饱和、软件复杂度每一个都可能让曲线提前拐弯。所以读这本书的正确姿势我觉得是把它当成一本“指数思维的训练手册”而不是一本“未来预言书”。前者能让你在做容量规划、做成本估算、做技术押注的时候多一层敏感度后者只会让你在评论区跟人吵架。1.2 奇点不是某一天而是一段曲线书里对奇点的定义很多人记岔了。它指的不是“机器超越人类的那一天”而是技术变革的速度快到超出人类的理解与预测能力从那个点往后的走向无法从当前的趋势外推。用数学的话说就是曲线进入了渐近段斜率趋于无穷你的线性外推模型在那里彻底失效。这个定义其实很“工程”。它说的是模型的适用边界而不是世界的终点。打个比方你用一个线性模型预测一个指数过程在早期误差很小越往后误差越大到了某个点模型给出的数字完全失去意义。奇点就是那个“模型失效点”。理解了这一点很多争论就能绕开。比如“奇点会不会来”这个问题其实没法证伪因为你没办法用一个会失效的模型去验证它失效之后的世界。更有意义的问题是在你所在的细分领域里当前的趋势还能外推多久下一个瓶颈在哪里这是可以动手查、动手算的。1.3 为什么必须用“性价比”而不是“性能”看技术书里有个容易被忽略的方法论细节它盯的主要不是绝对性能而是单位成本下的性能。这个视角转换非常重要因为绝对性能会撞上物理天花板而性价比曲线往往能靠工艺、架构、规模效应继续往下走很久。举个例子单核主频在 2005 年前后基本停在 3 到 4 GHz 这个区间纯看主频曲线是平的。但如果看单位价格的浮点运算次数同期依然在快速下降因为架构从单核转向多核、从通用转向专用加速、从单机转向集群。性能的“指数”换了轨道继续跑只是换轨之后你原来那套测量方法就不管用了。这件事对从业者的直接启示是当你发现某条曲线变平的时候先别急着下“技术停滞”的结论去看看是不是换轨了。我见过太多人拿着单核主频曲线说摩尔定律死了也见过太多人拿着模型参数量曲线说 AGI 稳了两边犯的是同一类错误——拿一把只适用于某一段的尺子去量整条曲线。提示判断一条技术曲线是否还有外推价值先确认它的测量口径是否稳定。口径变了比如从单核算力变成集群算力、从训练成本变成推理成本曲线就不能直接接续。2. 指数增长的直觉陷阱为什么大脑总低估它人类对指数增长的直觉差得离谱这不是智商问题是进化环境的产物。我们祖先生存的环境里资源是线性的走一天路吃一天饭看到三只兔子就是三只兔子。复利、指数、渐近线这些东西在自然界里出现得少大脑没被训练过。书里反复强调这一点我认为这是全书最有实用价值的部分之一。因为这个直觉缺陷会实打实地影响工程判断你会低估长期成本的增长会低估技术迭代的速度也会低估自己在某个方向上积累十年的复利效应。2.1 一个能亲手算的复利例子假设某类硬件的性价比每年提升 50%看起来不算激进。连续 30 年之后是多少倍1.5 的 30 次方约等于 191751 倍。也就是说今天需要花 19 万才能做到的事三十年后一块钱量级就能做到。这个数字大多数人第一反应是“不可能”但你去翻 1990 年代到今天的存储价格、带宽价格、基因测序价格量级上确实是这么走的。再换个方向算。假设年增长率是 35%问多少年翻 10 倍。用对数算log(10) / log(1.35) ≈ 2.3026 / 0.3001 ≈ 7.7 年。很多人凭直觉会猜 15 到 20 年实际是不到 8 年。这就是线性直觉和复利之间的系统性偏差而且偏得很有规律——人类普遍把指数过程的时间尺度高估 2 到 3 倍。这个偏差在做职业规划的时候尤其危险。你觉得“这个技能 10 年后可能就没用了”实际可能 5 年就边缘化了反过来你觉得“每天学半小时一年也没多少进步”实际上一年 365 小时五年就是 1800 小时足够把一个方向从入门做到能吃饭。2.2 几条可以自己验证的曲线书里引用了大量数据我不想照搬更推荐你自己去找原始数据点。下面这几条是相对容易查证、口径也比较清晰的我把各自的特征整理成表方便对照。曲线类型大致时间跨度量级变化口径稳定性主要瓶颈集成电路晶体管密度1970 年代至今约 8 个数量级较高长期以“单芯片晶体管数”计光刻分辨率、散热、成本单位存储成本1980 年代至今约 6 到 7 个数量级较高工艺节点、良率基因测序单价2001 年至今约 5 个数量级中等测序技术路线换过样本制备、数据解读光伏组件单价1976 年至今约 2.5 到 3 个数量级中等统计口径多次调整材料成本、转换效率大模型训练算力2012 年至今约 7 到 8 个数量级低样本点少且口径不统一数据、电力、芯片供给这张表里最值得注意的是最后一列的“口径稳定性”和“样本量”。大模型训练算力这条曲线媒体引用得最多但它的样本点其实非常少而且每次统计口径都不一样——有的算总浮点运算次数有的算峰值算力乘以训练天数有的只算某个环节。样本点少、口径不统一的曲线外推的可信度必须打折。这是我踩过的第一个坑早年拿几个公开数字做拟合得出一个吓人的结论后来发现那几个数字根本不是同一个口径拟合出来的东西没有意义。2.3 指数一定会撞上 S 曲线这是全书被质疑最多的地方也是我认为最需要读者自己动脑子的地方。任何指数增长最终都会撞上某种约束变成 S 形曲线先是缓慢起步然后快速上升最后趋于平缓。约束可能来自物理极限——原子大小、光速、散热能力也可能来自经济极限——需求饱和、投入产出比下降还可能来自复杂度极限——系统越复杂边际改进越难。一个很典型的例子是芯片的频率。当工艺推进到某个节点之后继续提升频率带来的功耗和散热问题变得不可接受于是行业转向多核和专用加速。这就是一条曲线撞墙之后换轨而不是停止。换轨之后的曲线形态往往还是一条新的指数只是起点低、斜率重新开始。我在实际判断技术路线时会用三个很土的办法看拐点看边际投入产出比。如果为了让某指标再提升 10%投入的成本需要翻倍那这条曲线大概率已经接近上段末尾。看替代方案的活跃度。当大量团队开始尝试完全不同架构的时候往往说明原有路线已经不好走了。看人才和资金的流向。这个信号滞后一点但方向性比较可靠。注意S 曲线不是“增长结束”而是“增长换了个地方”。判断失误的代价往往不是看不清未来而是在换轨的窗口期压错了方向。3. 人工智能在奇点叙事里的位置书里把技术演进归纳成三个相互支撑的方向遗传学、纳米技术、机器人学。这套框架在今天看有点老但底层的组织逻辑没过时——这三个方向的共同点是它们都在把物理世界的问题转化成信息处理问题。基因测序把生命体转化成数据纳米制造把材料结构转化成分子级的排列指令机器人把物理劳动转化成控制算法。一旦某个领域被“信息化”它就能搭上指数增长的快车。这是全书的核心论证链条也是我读下来觉得最坚固的部分。反过来那些没法被信息化的领域就只能老老实实走线性增长。区分这两类领域比预测具体的奇点年份有用得多。3.1 大脑逆向工程一个可以算的账书里花了不少篇幅讨论大脑的逆向工程并给了一个算力估算。这个估算是全书里少数可以自己动手复算的部分值得拆开讲。已知的粗略数字人脑约有 860 亿个神经元每个神经元平均有上千个突触连接总量级在 100 万亿突触这个量级。如果假设每个突触每秒完成一次基本操作那么总操作量级约为 10 的 14 次方每秒。人脑的功耗大约是 20 瓦。那么人脑的能效大约是 10^14 / 20 5×10^12 次操作每瓦。这个数字经常被拿来和芯片对比。假设某代加速器在低精度下能做到 10^12 次操作每瓦量级那么差距大约在 5 倍左右——注意这个差距比很多人想象的小得多。这就是为什么“人脑算力远超计算机”这个说法需要加限定条件在总运算量上人脑依然领先不少在能效上差距已经不算悬殊。但这里有个巨大的陷阱算力不等于智能。人脑的操作不是简单的乘加它有极强的稀疏性、事件驱动特性、可塑性还有大量我们没搞清楚的机制。用每秒操作次数去比较就像用键盘敲击次数去衡量一篇文章的质量方向上就偏了。3.2 从“能算”到“能想”中间缺什么算力是必要条件不是充分条件。我自己梳理下来中间至少还差这么几层数据层人脑不需要海量标注样本就能学会认猫当前主流方法需要。样本效率的差距可能比算力差距更难填。架构层反向传播加注意力这套东西能走多远没人知道。生物神经系统的工作方式和人工网络差异很大。能耗层训练和推理的电力成本已经是实际约束。一个模型如果单次推理要几度电很多场景根本用不起。具身层物理世界的操作能力涉及传感、控制、安全进展比纯软件慢得多。对齐层能力越强行为可控性的问题越突出。这一层不是技术瓶颈是工程和治理复杂度。这五层里前两层是理论问题后三层是工程问题。理论问题的突破往往是跳跃式的、不可预测的工程问题的推进往往是渐进式的、可以按部就班估工期的。把不可预测的部分和可以估算的部分混在一起谈是这场讨论里最常见的混乱来源。3.3 为什么不少一线从业者不买账我接触到的反对意见主要集中在这几点都值得认真对待第一样本偏差。指数曲线的样本点往往集中在增长最快的那一段早期平缓的部分被忽略了。用一段精选数据拟合出指数再外推这在统计上是不严谨的。第二幸存者偏差。我们记住了那些跑出指数曲线的技术忘了大量撞墙停滞的技术。如果只看成功案例当然会觉得什么都在加速。第三软件复杂度被低估。硬件性能翻倍容易让一个大型软件系统在性能翻倍时依然可控难度是非线性的。我做过不少系统重构深有体会硬件给的余量经常被软件复杂度吃掉。第四经济约束。不是所有能做的事都值得做。训练一个超大模型要花的钱、电、人如果产出不匹配市场会自己踩刹车。第五收益递减的隐蔽性。很多时候指标还在涨但可感知的体验提升已经不明显了。这时候继续按指标外推会高估实际影响。我的看法是两边都有道理但争论的焦点常常错位。支持方谈的是能力上限反对方谈的是落地速度。这两个东西本来就不是一回事前者受物理和信息论约束后者受成本、组织、习惯约束。4. 长期主义把宏大叙事翻译成明天的动作书读完之后真正让我受益的不是那些预测而是它逼着我去想一个很实际的问题如果技术迭代的周期是十年量级而我的职业周期是四十年量级我该怎么安排自己的时间这个时间尺度错配才是长期主义真正要解决的问题。4.1 时间尺度错配带来的具体麻烦技术周期短意味着具体的工具、框架、平台会快速换代。你在某个框架上积累的深度可能五年后价值大打折扣。职业周期长意味着你不能只押注当下最热的东西否则每隔几年就要从零开始。这个矛盾的解法我认为不是“追热点”也不是“死守老本”而是分层管理自己的技能栈。我自己摸索出来的做法是分三层层次内容类型更新周期投入占比底层数学、逻辑、写作表达、系统思维、健康几十年不变约 40%中层领域知识、架构设计、工程方法论五到十年约 40%上层具体框架、工具链、平台 API一到三年约 20%这个比例不是拍脑袋。底层能力的特点是林迪效应——存在得越久的东西预期还能存在得越久。写作表达、逻辑推理、系统设计这些东西几百年来没有本质变化未来几十年大概率也不会。中层能力是行业沉淀管用但会过时。上层能力是消耗品学的时候不用太投入感情。提示判断一个技能该放哪一层问自己一个问题——如果明天出现一个更好的工具这个技能的价值会归零吗如果会它在上层别押太重。4.2 复利思维在技能上的具体体现复利这个概念被用烂了但它确实有可操作的部分。技能复利的关键在于可叠加性新学的东西能不能和旧的产生化学反应而不是各学各的。举个很具体的例子。你花三个月学了一门新语言如果只是会写语法那这三个月基本是消耗品换个语言就归零。但如果你在这三个月里同时练了“如何快速读懂一个陌生代码库”“如何用调试器定位问题”“如何把需求拆成可测试的模块”这些能力会叠加到你后面所有的项目上一直复利下去。我在带人的时候经常观察到一个现象有些人工作五年经验是五年有些人工作五年经验是第一年重复了五次。差别不在于做了多少项目而在于每个项目结束后有没有把可迁移的部分剥离出来。剥离这个动作本身就是复利的生产过程。4.3 押注“变化慢”的部分面对不确定性一个比较稳的策略是把大部分筹码放在变化慢的地方小部分筹码去博变化快的地方。这有点像投资里的资产配置只不过标的换成了能力和时间。变化慢的东西有哪些我列几个自己验证过的表达能力。能把一件复杂的事讲清楚这个能力在任何时代都稀缺而且随年龄增值。系统思维。能看出一件事的上下游、边界条件、失效模式这个能力迁移性极强。人际信任。靠谱、守信、能扛事这些品质的回报周期很长但复利很高。身体状态。这个最容易被忽略但它是所有长期规划的物理基础四十岁之后的差距会非常明显。基础数学和统计。不用很深但要有能力看懂别人给的曲线是不是在骗你。这些项目的共同特征是投入的边际回报不会因为技术换代而消失。反过来把大部分时间押在某个具体的工具或平台上风险就高得多。4.4 一个可执行的三层规划模板说点能直接抄的。我自己用的规划分成三个时间层每年年初重写一次年中微调一年层定一到两个具体可交付的目标必须有产出物。比如“写完一个完整的开源项目”“把一个技术方向系统读完并写出笔记”。这一年层的作用是防止空转必须有能拿出来看的东西。三到五年层定一个能力方向比如“成为某个细分领域里能独立做技术决策的人”。这个层不设具体产出设的是能力标准和可验证的里程碑比如“能独立完成从需求到上线的全流程”“能带三到五人的小组”。十年层定一个模糊但稳定的方向比如“做一个能把复杂技术讲明白的人”。这个层的作用是提供一致性让你在做短期选择的时候有个参照系不至于每年推翻重来。这三层的比例大概是一年层占 60% 的精力三到五年层占 30%十年层占 10%。很多人反过来整天想十年后的事眼前的事做不好那是空想也有人只盯眼前五年后发现自己原地踏步那是短视。5. 常见误读与踩坑实录这本书流传广误读也多。我整理了一份自己在讨论中反复遇到的误读清单附上我的理解供对照。5.1 五个典型误读对照常见说法书里的原意我的理解“2045 年机器统治人类”奇点指预测模型失效的边界之后无法外推时间点本身不可靠方法论才有价值“算力到了智能自然出现”算力是必要条件书里也讨论了软件和架构算力和智能之间隔着好几层“所有技术都在指数增长”只有能被信息化的技术才搭上这趟车大量领域依然是线性甚至停滞的“指数增长会一直持续”书里承认会有 S 曲线但认为换轨后继续换轨的判断极难事后才看得清“长期主义就是死磕一个方向”书里没这么说过这是我的补充长期主义是分层配置不是单点押注第五行其实是我的个人观点但我觉得有必要写出来因为见过太多人把长期主义理解成“在一个方向上死磕到底”。方向选错了死磕就是沉没成本放大器。真正的长期主义应该包含定期复核方向这个动作。5.2 我跟踪技术曲线时踩过的坑第一个坑拿峰值当平均水平。早期我看到某个指标的最优记录就以为整个行业都到了这个水平。实际上最优记录往往是个别团队用极端资源堆出来的和普通可用水平差的不是一点。后来我改成看中位数或者分位数判断才靠谱。第二个坑把宣传口径当技术进度。有些公开数字是在特定条件下测出来的换个负载就崩。我现在看任何性能数字第一反应是问“这是在什么条件下测的、用的什么基准、有没有第三方复现”。第三个坑单位搞混。浮点运算次数和浮点运算次数每秒是两个东西总参数量和激活参数量也是两个东西。这些看起来是低级错误但行业报道里天天出现。我有一次做容量估算就是因为把两个单位搞混算出来的结果差了三个数量级幸亏上线前复核发现了。第四个坑用单点数据拟合指数。两个点确定一条直线但确定不了指数。至少要有五个以上口径一致的数据点才有资格谈趋势。第五个坑把“能演示”当成“能落地”。演示环境和生产环境之间隔着可靠性、成本、运维、合规四道坎。我在实际项目里见过太多演示很惊艳、上线就崩的案例。第六个坑忽视人的因素。技术曲线是理想状态实际推广要过组织流程、使用习惯、责任划分这些关。这些关过不去技术再好也只能停在实验室。5.3 一份随手可用的判断清单每次看到“某某技术即将爆发”的说法我会过一遍下面这几个问题大部分夸大其词的结论都会在这一关露馅这条曲线的数据点有几个口径一致吗曲线的测量对象有没有换过换过就不能直接接续。制约这条曲线的物理和经济约束分别是什么现在离约束还有多远演示环境和生产环境的差距有多大如果这条曲线明天翻十倍成本结构会怎么变谁来买单反对方的论据是什么我有没有认真读过三年后回看什么信号能证明我判断错了第七个问题最重要。任何一个判断如果没法说明“什么情况下我认输”那它就不是判断是信仰。做技术判断和做投资一样先想清楚怎么退出比想清楚怎么赢更重要。6. 最后聊几句个人体会这本书我前后翻过三遍每一遍的关注点都不一样。第一遍看热闹被那些预测震住了第二遍看方法开始动手查数据、算曲线第三遍看边界主要在看它哪里说错了、为什么错。第三遍收获最大因为看错的地方比看对的地方更能训练判断力。如果只让我留一句话我会说这本书真正的价值是教你用“速率在变”的眼光看世界而不是教你相信某个具体的年份。指数增长的思维方式值得学具体的外推结论要自己复核。人工智能是这套叙事里最受关注的一环但它不是全部也不该被简化成一条算力曲线。长期主义听起来虚落到实处就是分层配置时间、定期复核方向、给每个判断设一个认输条件。我自己现在的做法很简单每年花两三天把手上关注的几条技术曲线重新查一遍数据看看口径有没有变、斜率有没有变、瓶颈有没有移动。这个习惯坚持了几年最大的好处不是预测准了多少而是在被各种夸张说法冲击的时候心里有个能对照的基准线。有基准线的人不容易被带着跑。提示如果你也想开始做这件事别一上来就搞十几条曲线。选三条和你工作最相关的找五年以上的数据把口径搞清楚画在同一张图上。坚持两年你对“技术演进速度”的体感会发生实质变化。 
长河君 · 2026/10/28 22:13:10 · 阅读 1.2k 从奇点理论到工程实践：指数增长、技术曲线与长期主义
1. 先把“奇点”从科幻概念拉回工程语境第一次翻《奇点临近》大概是在十几年前那时候我刚入行没多久白天写代码晚上啃这类书。说实话第一遍读得很爽第二遍读得很烦因为书里大量的外推曲线看起来太自信了。等到自己真正开始做技术选型、做容量规划、算成本曲线再回头翻才发现这本书真正有价值的不是“2045 年会发生什么”这种预言而是它提供了一套用指数增长视角看世界的分析方法。奇点理论这个词听起来玄落到工程上其实很朴素它讨论的是技术变革的速率本身在变快快到某个阶段之后用当下的模型去外推未来会失效。注意这句话的重点在“模型失效”不在“机器觉醒”。这个区别非常关键因为绝大多数关于这本书的争论都是把“预测失效的边界”误读成了“某个具体事件的发生日期”。这篇东西适合三类人看。第一类是做技术趋势判断的从业者想知道这套方法论到底哪部分能用、哪部分要打折扣第二类是对人工智能长期走向感兴趣但被各种爽文绕晕的读者需要一条能自己动手验证的路径第三类是做长期规划的人想知道“长期主义”这四个字怎么从口号变成可执行的动作。我会把指数增长的数学骨架、人工智能在这套叙事里的具体位置、以及长期主义怎么落地这三块拆开讲中间夹一些我自己跟踪技术曲线时踩过的坑。1.1 加速回报定律到底在说什么书里最核心的一条是加速回报定律。它的原始表述不复杂在一个进化系统中那些能够产生更快进化能力的机制会被保留下来于是进化速率本身呈指数上升。生物进化、技术进化在这套框架里被看作同一个过程的两个阶段——前者靠基因变异和自然选择周期以百万年计后者靠知识积累和工具迭代周期以年计。这个定律之所以有说服力是因为它不是纯思辨而是挂在一堆可观测的数据上。晶体管密度、单位算力成本、存储成本、带宽、基因测序单价这些指标在几十年尺度上都呈现出接近指数下降或上升的形态。作者做的事是把这些曲线画出来然后说如果这个趋势再延续几十年会发生什么。我个人的判断是这条定律的描述部分非常扎实外推部分需要打折。描述部分说的是“过去几十年的信息技术确实是指数级进步的”这一点几乎无可争议你自己去查任何一条硬件性价比曲线都能验证。外推部分说的是“这个趋势会一直延续到某个极端的量级”这里就引入了大量假设物理极限、经济约束、需求饱和、软件复杂度每一个都可能让曲线提前拐弯。所以读这本书的正确姿势我觉得是把它当成一本“指数思维的训练手册”而不是一本“未来预言书”。前者能让你在做容量规划、做成本估算、做技术押注的时候多一层敏感度后者只会让你在评论区跟人吵架。1.2 奇点不是某一天而是一段曲线书里对奇点的定义很多人记岔了。它指的不是“机器超越人类的那一天”而是技术变革的速度快到超出人类的理解与预测能力从那个点往后的走向无法从当前的趋势外推。用数学的话说就是曲线进入了渐近段斜率趋于无穷你的线性外推模型在那里彻底失效。这个定义其实很“工程”。它说的是模型的适用边界而不是世界的终点。打个比方你用一个线性模型预测一个指数过程在早期误差很小越往后误差越大到了某个点模型给出的数字完全失去意义。奇点就是那个“模型失效点”。理解了这一点很多争论就能绕开。比如“奇点会不会来”这个问题其实没法证伪因为你没办法用一个会失效的模型去验证它失效之后的世界。更有意义的问题是在你所在的细分领域里当前的趋势还能外推多久下一个瓶颈在哪里这是可以动手查、动手算的。1.3 为什么必须用“性价比”而不是“性能”看技术书里有个容易被忽略的方法论细节它盯的主要不是绝对性能而是单位成本下的性能。这个视角转换非常重要因为绝对性能会撞上物理天花板而性价比曲线往往能靠工艺、架构、规模效应继续往下走很久。举个例子单核主频在 2005 年前后基本停在 3 到 4 GHz 这个区间纯看主频曲线是平的。但如果看单位价格的浮点运算次数同期依然在快速下降因为架构从单核转向多核、从通用转向专用加速、从单机转向集群。性能的“指数”换了轨道继续跑只是换轨之后你原来那套测量方法就不管用了。这件事对从业者的直接启示是当你发现某条曲线变平的时候先别急着下“技术停滞”的结论去看看是不是换轨了。我见过太多人拿着单核主频曲线说摩尔定律死了也见过太多人拿着模型参数量曲线说 AGI 稳了两边犯的是同一类错误——拿一把只适用于某一段的尺子去量整条曲线。提示判断一条技术曲线是否还有外推价值先确认它的测量口径是否稳定。口径变了比如从单核算力变成集群算力、从训练成本变成推理成本曲线就不能直接接续。2. 指数增长的直觉陷阱为什么大脑总低估它人类对指数增长的直觉差得离谱这不是智商问题是进化环境的产物。我们祖先生存的环境里资源是线性的走一天路吃一天饭看到三只兔子就是三只兔子。复利、指数、渐近线这些东西在自然界里出现得少大脑没被训练过。书里反复强调这一点我认为这是全书最有实用价值的部分之一。因为这个直觉缺陷会实打实地影响工程判断你会低估长期成本的增长会低估技术迭代的速度也会低估自己在某个方向上积累十年的复利效应。2.1 一个能亲手算的复利例子假设某类硬件的性价比每年提升 50%看起来不算激进。连续 30 年之后是多少倍1.5 的 30 次方约等于 191751 倍。也就是说今天需要花 19 万才能做到的事三十年后一块钱量级就能做到。这个数字大多数人第一反应是“不可能”但你去翻 1990 年代到今天的存储价格、带宽价格、基因测序价格量级上确实是这么走的。再换个方向算。假设年增长率是 35%问多少年翻 10 倍。用对数算log(10) / log(1.35) ≈ 2.3026 / 0.3001 ≈ 7.7 年。很多人凭直觉会猜 15 到 20 年实际是不到 8 年。这就是线性直觉和复利之间的系统性偏差而且偏得很有规律——人类普遍把指数过程的时间尺度高估 2 到 3 倍。这个偏差在做职业规划的时候尤其危险。你觉得“这个技能 10 年后可能就没用了”实际可能 5 年就边缘化了反过来你觉得“每天学半小时一年也没多少进步”实际上一年 365 小时五年就是 1800 小时足够把一个方向从入门做到能吃饭。2.2 几条可以自己验证的曲线书里引用了大量数据我不想照搬更推荐你自己去找原始数据点。下面这几条是相对容易查证、口径也比较清晰的我把各自的特征整理成表方便对照。曲线类型大致时间跨度量级变化口径稳定性主要瓶颈集成电路晶体管密度1970 年代至今约 8 个数量级较高长期以“单芯片晶体管数”计光刻分辨率、散热、成本单位存储成本1980 年代至今约 6 到 7 个数量级较高工艺节点、良率基因测序单价2001 年至今约 5 个数量级中等测序技术路线换过样本制备、数据解读光伏组件单价1976 年至今约 2.5 到 3 个数量级中等统计口径多次调整材料成本、转换效率大模型训练算力2012 年至今约 7 到 8 个数量级低样本点少且口径不统一数据、电力、芯片供给这张表里最值得注意的是最后一列的“口径稳定性”和“样本量”。大模型训练算力这条曲线媒体引用得最多但它的样本点其实非常少而且每次统计口径都不一样——有的算总浮点运算次数有的算峰值算力乘以训练天数有的只算某个环节。样本点少、口径不统一的曲线外推的可信度必须打折。这是我踩过的第一个坑早年拿几个公开数字做拟合得出一个吓人的结论后来发现那几个数字根本不是同一个口径拟合出来的东西没有意义。2.3 指数一定会撞上 S 曲线这是全书被质疑最多的地方也是我认为最需要读者自己动脑子的地方。任何指数增长最终都会撞上某种约束变成 S 形曲线先是缓慢起步然后快速上升最后趋于平缓。约束可能来自物理极限——原子大小、光速、散热能力也可能来自经济极限——需求饱和、投入产出比下降还可能来自复杂度极限——系统越复杂边际改进越难。一个很典型的例子是芯片的频率。当工艺推进到某个节点之后继续提升频率带来的功耗和散热问题变得不可接受于是行业转向多核和专用加速。这就是一条曲线撞墙之后换轨而不是停止。换轨之后的曲线形态往往还是一条新的指数只是起点低、斜率重新开始。我在实际判断技术路线时会用三个很土的办法看拐点看边际投入产出比。如果为了让某指标再提升 10%投入的成本需要翻倍那这条曲线大概率已经接近上段末尾。看替代方案的活跃度。当大量团队开始尝试完全不同架构的时候往往说明原有路线已经不好走了。看人才和资金的流向。这个信号滞后一点但方向性比较可靠。注意S 曲线不是“增长结束”而是“增长换了个地方”。判断失误的代价往往不是看不清未来而是在换轨的窗口期压错了方向。3. 人工智能在奇点叙事里的位置书里把技术演进归纳成三个相互支撑的方向遗传学、纳米技术、机器人学。这套框架在今天看有点老但底层的组织逻辑没过时——这三个方向的共同点是它们都在把物理世界的问题转化成信息处理问题。基因测序把生命体转化成数据纳米制造把材料结构转化成分子级的排列指令机器人把物理劳动转化成控制算法。一旦某个领域被“信息化”它就能搭上指数增长的快车。这是全书的核心论证链条也是我读下来觉得最坚固的部分。反过来那些没法被信息化的领域就只能老老实实走线性增长。区分这两类领域比预测具体的奇点年份有用得多。3.1 大脑逆向工程一个可以算的账书里花了不少篇幅讨论大脑的逆向工程并给了一个算力估算。这个估算是全书里少数可以自己动手复算的部分值得拆开讲。已知的粗略数字人脑约有 860 亿个神经元每个神经元平均有上千个突触连接总量级在 100 万亿突触这个量级。如果假设每个突触每秒完成一次基本操作那么总操作量级约为 10 的 14 次方每秒。人脑的功耗大约是 20 瓦。那么人脑的能效大约是 10^14 / 20 5×10^12 次操作每瓦。这个数字经常被拿来和芯片对比。假设某代加速器在低精度下能做到 10^12 次操作每瓦量级那么差距大约在 5 倍左右——注意这个差距比很多人想象的小得多。这就是为什么“人脑算力远超计算机”这个说法需要加限定条件在总运算量上人脑依然领先不少在能效上差距已经不算悬殊。但这里有个巨大的陷阱算力不等于智能。人脑的操作不是简单的乘加它有极强的稀疏性、事件驱动特性、可塑性还有大量我们没搞清楚的机制。用每秒操作次数去比较就像用键盘敲击次数去衡量一篇文章的质量方向上就偏了。3.2 从“能算”到“能想”中间缺什么算力是必要条件不是充分条件。我自己梳理下来中间至少还差这么几层数据层人脑不需要海量标注样本就能学会认猫当前主流方法需要。样本效率的差距可能比算力差距更难填。架构层反向传播加注意力这套东西能走多远没人知道。生物神经系统的工作方式和人工网络差异很大。能耗层训练和推理的电力成本已经是实际约束。一个模型如果单次推理要几度电很多场景根本用不起。具身层物理世界的操作能力涉及传感、控制、安全进展比纯软件慢得多。对齐层能力越强行为可控性的问题越突出。这一层不是技术瓶颈是工程和治理复杂度。这五层里前两层是理论问题后三层是工程问题。理论问题的突破往往是跳跃式的、不可预测的工程问题的推进往往是渐进式的、可以按部就班估工期的。把不可预测的部分和可以估算的部分混在一起谈是这场讨论里最常见的混乱来源。3.3 为什么不少一线从业者不买账我接触到的反对意见主要集中在这几点都值得认真对待第一样本偏差。指数曲线的样本点往往集中在增长最快的那一段早期平缓的部分被忽略了。用一段精选数据拟合出指数再外推这在统计上是不严谨的。第二幸存者偏差。我们记住了那些跑出指数曲线的技术忘了大量撞墙停滞的技术。如果只看成功案例当然会觉得什么都在加速。第三软件复杂度被低估。硬件性能翻倍容易让一个大型软件系统在性能翻倍时依然可控难度是非线性的。我做过不少系统重构深有体会硬件给的余量经常被软件复杂度吃掉。第四经济约束。不是所有能做的事都值得做。训练一个超大模型要花的钱、电、人如果产出不匹配市场会自己踩刹车。第五收益递减的隐蔽性。很多时候指标还在涨但可感知的体验提升已经不明显了。这时候继续按指标外推会高估实际影响。我的看法是两边都有道理但争论的焦点常常错位。支持方谈的是能力上限反对方谈的是落地速度。这两个东西本来就不是一回事前者受物理和信息论约束后者受成本、组织、习惯约束。4. 长期主义把宏大叙事翻译成明天的动作书读完之后真正让我受益的不是那些预测而是它逼着我去想一个很实际的问题如果技术迭代的周期是十年量级而我的职业周期是四十年量级我该怎么安排自己的时间这个时间尺度错配才是长期主义真正要解决的问题。4.1 时间尺度错配带来的具体麻烦技术周期短意味着具体的工具、框架、平台会快速换代。你在某个框架上积累的深度可能五年后价值大打折扣。职业周期长意味着你不能只押注当下最热的东西否则每隔几年就要从零开始。这个矛盾的解法我认为不是“追热点”也不是“死守老本”而是分层管理自己的技能栈。我自己摸索出来的做法是分三层层次内容类型更新周期投入占比底层数学、逻辑、写作表达、系统思维、健康几十年不变约 40%中层领域知识、架构设计、工程方法论五到十年约 40%上层具体框架、工具链、平台 API一到三年约 20%这个比例不是拍脑袋。底层能力的特点是林迪效应——存在得越久的东西预期还能存在得越久。写作表达、逻辑推理、系统设计这些东西几百年来没有本质变化未来几十年大概率也不会。中层能力是行业沉淀管用但会过时。上层能力是消耗品学的时候不用太投入感情。提示判断一个技能该放哪一层问自己一个问题——如果明天出现一个更好的工具这个技能的价值会归零吗如果会它在上层别押太重。4.2 复利思维在技能上的具体体现复利这个概念被用烂了但它确实有可操作的部分。技能复利的关键在于可叠加性新学的东西能不能和旧的产生化学反应而不是各学各的。举个很具体的例子。你花三个月学了一门新语言如果只是会写语法那这三个月基本是消耗品换个语言就归零。但如果你在这三个月里同时练了“如何快速读懂一个陌生代码库”“如何用调试器定位问题”“如何把需求拆成可测试的模块”这些能力会叠加到你后面所有的项目上一直复利下去。我在带人的时候经常观察到一个现象有些人工作五年经验是五年有些人工作五年经验是第一年重复了五次。差别不在于做了多少项目而在于每个项目结束后有没有把可迁移的部分剥离出来。剥离这个动作本身就是复利的生产过程。4.3 押注“变化慢”的部分面对不确定性一个比较稳的策略是把大部分筹码放在变化慢的地方小部分筹码去博变化快的地方。这有点像投资里的资产配置只不过标的换成了能力和时间。变化慢的东西有哪些我列几个自己验证过的表达能力。能把一件复杂的事讲清楚这个能力在任何时代都稀缺而且随年龄增值。系统思维。能看出一件事的上下游、边界条件、失效模式这个能力迁移性极强。人际信任。靠谱、守信、能扛事这些品质的回报周期很长但复利很高。身体状态。这个最容易被忽略但它是所有长期规划的物理基础四十岁之后的差距会非常明显。基础数学和统计。不用很深但要有能力看懂别人给的曲线是不是在骗你。这些项目的共同特征是投入的边际回报不会因为技术换代而消失。反过来把大部分时间押在某个具体的工具或平台上风险就高得多。4.4 一个可执行的三层规划模板说点能直接抄的。我自己用的规划分成三个时间层每年年初重写一次年中微调一年层定一到两个具体可交付的目标必须有产出物。比如“写完一个完整的开源项目”“把一个技术方向系统读完并写出笔记”。这一年层的作用是防止空转必须有能拿出来看的东西。三到五年层定一个能力方向比如“成为某个细分领域里能独立做技术决策的人”。这个层不设具体产出设的是能力标准和可验证的里程碑比如“能独立完成从需求到上线的全流程”“能带三到五人的小组”。十年层定一个模糊但稳定的方向比如“做一个能把复杂技术讲明白的人”。这个层的作用是提供一致性让你在做短期选择的时候有个参照系不至于每年推翻重来。这三层的比例大概是一年层占 60% 的精力三到五年层占 30%十年层占 10%。很多人反过来整天想十年后的事眼前的事做不好那是空想也有人只盯眼前五年后发现自己原地踏步那是短视。5. 常见误读与踩坑实录这本书流传广误读也多。我整理了一份自己在讨论中反复遇到的误读清单附上我的理解供对照。5.1 五个典型误读对照常见说法书里的原意我的理解“2045 年机器统治人类”奇点指预测模型失效的边界之后无法外推时间点本身不可靠方法论才有价值“算力到了智能自然出现”算力是必要条件书里也讨论了软件和架构算力和智能之间隔着好几层“所有技术都在指数增长”只有能被信息化的技术才搭上这趟车大量领域依然是线性甚至停滞的“指数增长会一直持续”书里承认会有 S 曲线但认为换轨后继续换轨的判断极难事后才看得清“长期主义就是死磕一个方向”书里没这么说过这是我的补充长期主义是分层配置不是单点押注第五行其实是我的个人观点但我觉得有必要写出来因为见过太多人把长期主义理解成“在一个方向上死磕到底”。方向选错了死磕就是沉没成本放大器。真正的长期主义应该包含定期复核方向这个动作。5.2 我跟踪技术曲线时踩过的坑第一个坑拿峰值当平均水平。早期我看到某个指标的最优记录就以为整个行业都到了这个水平。实际上最优记录往往是个别团队用极端资源堆出来的和普通可用水平差的不是一点。后来我改成看中位数或者分位数判断才靠谱。第二个坑把宣传口径当技术进度。有些公开数字是在特定条件下测出来的换个负载就崩。我现在看任何性能数字第一反应是问“这是在什么条件下测的、用的什么基准、有没有第三方复现”。第三个坑单位搞混。浮点运算次数和浮点运算次数每秒是两个东西总参数量和激活参数量也是两个东西。这些看起来是低级错误但行业报道里天天出现。我有一次做容量估算就是因为把两个单位搞混算出来的结果差了三个数量级幸亏上线前复核发现了。第四个坑用单点数据拟合指数。两个点确定一条直线但确定不了指数。至少要有五个以上口径一致的数据点才有资格谈趋势。第五个坑把“能演示”当成“能落地”。演示环境和生产环境之间隔着可靠性、成本、运维、合规四道坎。我在实际项目里见过太多演示很惊艳、上线就崩的案例。第六个坑忽视人的因素。技术曲线是理想状态实际推广要过组织流程、使用习惯、责任划分这些关。这些关过不去技术再好也只能停在实验室。5.3 一份随手可用的判断清单每次看到“某某技术即将爆发”的说法我会过一遍下面这几个问题大部分夸大其词的结论都会在这一关露馅这条曲线的数据点有几个口径一致吗曲线的测量对象有没有换过换过就不能直接接续。制约这条曲线的物理和经济约束分别是什么现在离约束还有多远演示环境和生产环境的差距有多大如果这条曲线明天翻十倍成本结构会怎么变谁来买单反对方的论据是什么我有没有认真读过三年后回看什么信号能证明我判断错了第七个问题最重要。任何一个判断如果没法说明“什么情况下我认输”那它就不是判断是信仰。做技术判断和做投资一样先想清楚怎么退出比想清楚怎么赢更重要。6. 最后聊几句个人体会这本书我前后翻过三遍每一遍的关注点都不一样。第一遍看热闹被那些预测震住了第二遍看方法开始动手查数据、算曲线第三遍看边界主要在看它哪里说错了、为什么错。第三遍收获最大因为看错的地方比看对的地方更能训练判断力。如果只让我留一句话我会说这本书真正的价值是教你用“速率在变”的眼光看世界而不是教你相信某个具体的年份。指数增长的思维方式值得学具体的外推结论要自己复核。人工智能是这套叙事里最受关注的一环但它不是全部也不该被简化成一条算力曲线。长期主义听起来虚落到实处就是分层配置时间、定期复核方向、给每个判断设一个认输条件。我自己现在的做法很简单每年花两三天把手上关注的几条技术曲线重新查一遍数据看看口径有没有变、斜率有没有变、瓶颈有没有移动。这个习惯坚持了几年最大的好处不是预测准了多少而是在被各种夸张说法冲击的时候心里有个能对照的基准线。有基准线的人不容易被带着跑。提示如果你也想开始做这件事别一上来就搞十几条曲线。选三条和你工作最相关的找五年以上的数据把口径搞清楚画在同一张图上。坚持两年你对“技术演进速度”的体感会发生实质变化。