前OpenAI灵魂人物Jason Wei最新演讲！三大思路揭示2025年AI终极走向

来源：新智元

用三句话总结下2025年AI的发展，你会想到什么？

• 所有能被验证的任务，最终都会被AI解决

• 智能最后会变成商品，知识价格归零

• AI不会瞬间超过人类

最近，前OpenAI核心研究员、CoT（思维链）作者Jason Wei在斯坦福大学AI Club做了一场精彩的演讲。

这是他跳槽到Meta后少有的公开分享。

我们的世界，在AI大行其道的这一年，到底发生了什么？

AI继续发展下去是什么样子的？

量化交易员说AI很酷，但并不能做我的工作；

顶级实验室AI研究院：2-3年后，AI就要取代我的工作了。

那么，谁对谁错？

智能的商品化

Jason Wei的原话是Intelligence as a Commodity。

AI的智能发展可以分为两个阶段：

第一阶段：前沿突破，当AI还无法很好地完成某任务时，研究的重点是「解锁新能力」。

第二阶段：能力商品化，一旦AI能完成该任务，该能力就会被快速复制、成本趋近于零。

例如在MMLU（多任务语言理解基准）上，过去几年模型性能稳步提升，而达到特定分数的成本却逐年下降。

「自适应算力」的出现

AI的出现，也是首次深度学习真正实现自适应计算（Adaptive Compute）。

过去无论任务简单还是困难，模型都消耗相同的算力。

现在可以根据任务难度动态调整推理算力。

例如在o1模型中，推理时投入更多计算，就能在数学题上获得更高准确率。

这意味着：智能的成本可以持续下降，而无需无限扩大模型规模。

同时，信息获取越来越容易。

AI正在让「公开知识」的获取时间趋近于零。

Jason以「查找1983年釜山结婚人数」为例：

• 互联网时代前：去图书馆查百科，数小时

• 互联网时代：搜索网站、筛选资料，数分钟

• 聊天机器人时代：直接问AI ，即时

• 智能体（Agent）时代：自动查找并整合数据库，数秒到数分钟

总结一下，Jason Wei认为智能作为一种「商品」，将越来越便宜

• 知识民主化：编程、生物黑客等曾需高门槛知识的领域被大众化。

• 私有信息的相对升值：公开信息成本趋零，内幕或独家信息的价值反而更高。

• 个性化互联网：未来每个人可能拥有一套完全定制的知识入口。

验证者法则

什么是验证者法则？

所有能被验证的任务，最终都会被AI解决。

所以现在会出现各种各样的评测基准。

只要能建立「能够被验证的任务」，AI都会攻破这个领域。

很明显的一点是，越容易生成的任务，越难被验证。

这就是验证的非对称性。

比如数独和造一个网站，都属于中等难度和高难度的任务。

但是要验证一个数独题目的正确性，和验证一个网站是否开发的不错，很简单！

许多任务存在「生成难，验证易」的不对称：

• 解数独：难求解，易验证。

• 写出网站的全部代码：极难生成，但验证只需点击浏览。

• 写事实性文章：容易生成「似是而非」的文本，但事实核查极其耗时。

• 提出饮食法：容易断言「只吃野牛最好」，但验证需长期实验。

我们可将任务放在二维平面上：X轴，生成难度；Y轴，验证难度。

某些任务可以通过提供额外信息使其更易验证：

例如提供答案或测试集，使「生成→验证」更高效。

AI能否学会一项任务，与该任务的可验证性成正比。

即：任何可验证、可量化的任务，AI终将掌握。

比如下面这种图，在过去5年中，大部分AI基准评测都非常容易被「验证」。

Jason Wei给出了可验证性的五个因素：

• 是否存在客观真值；

• 验证速度是否快；

• 能否批量验证大量样本；

• 结果是否低噪声、稳定；

• 是否有连续反馈（不仅是「对/错」，还有质量梯度）。

几乎所有AI基准（benchmarks）都具备这些特征，因此被迅速攻克。

Jason Wei重点描述一个案例：DeepMind的AlphaEvolve。

该系统通过大规模采样与自我验证，解决了大量「易验证难求解」的任务。

核心流程是：

• 用语言模型生成候选答案；

• 自动打分（验证）；

• 取最优样本再输入模型，形成迭代；

• 反复迭代后性能显著提升。

这种策略绕过了「训练集-测试集」的泛化问题，只针对「单个任务」持续优化。

总结一下：

• 可轻易验证的任务将率先被AI自动化。

• 新的创业机会：为AI创造「可测量的目标」。

• 即——只要你能定义一个明确的度量指标，AI就能为你优化它。

智能的锯齿边缘

这个关键点英文叫做The Jagged Edge of Intelligence，智能的锯齿边缘。

直接翻译有点抽象，但是如果看下图就很好理解了。

简单来说，就是AI的智能并不是「全知全能」，AI的智能水平就像锯齿一样，有高有低。

AI为什么不会「瞬间超越人类」

Jason认为不会出现「AI快速爆炸式超越人类」的「Fast Take off」。

AI的自我改进能力将是渐进的、分任务发展的。

不同任务的学习速度和上限各不相同，不会「一夜超神」。

每个任务的改进速率不同：

• 一些任务进步快（如可验证的数学、编程）。

• 一些任务改进慢（如需要真实世界交互或罕见数据的语言）。

AI的发展呈「锯齿形」曲线：某些领域突飞猛进，某些长期停滞。

那么AI在哪些任务上发展快，哪些发展的慢？

判断任务进展速度的三条启发式法则：

• 数字化任务发展快：迭代速度高、实验成本低；例如软件开发远快于机器人制造。

• 对人类简单的任务，对AI也简单：但AI也能在某些「人类极难但有明确目标」的领域超越人类，如癌症影像预测。

• 数据越多，AI越强：语言模型在高频语言上性能显著优于低资源语言，若任务能提供单一客观指标，还可用强化学习生成合成数据。

比如AI代码，现在基本已经被AI攻克，竞赛数学也被攻克了。

但是如果数据量很小，无法数字化的领域，AI就很难攻克。

总结一下：

• 不存在统一的「AI超级智能爆发」；

• 各任务将以不同速率演进；

• 影响最大的领域是：数字化、人类已擅长、数据丰富的领域

Jason Wei在演讲最后总结道：

智能与知识将变得快速且廉价，公共知识的获取时间趋零。

而「验证者法则」则预示着可度量性推动AI进步，任何可验证的任务都会被AI征服。

智能的边界是锯齿状的。各任务发展速率不同，不会出现瞬间的超智能崛起。

未来的信息将无摩擦地流动，而AI的边界，将由我们能定义和验证的事物所决定。

演讲嘉宾介绍

Jason Wei，目前是Meta Superintelligence Labs的研究科学家。

他曾在OpenAI工作两年，参与创建了o1模型和DeepResearch项目；

在那之前，他是Google Brain的研究员，推动了Chain-of-Thought推理、Instruction Tuning（指令微调）等技术的发展。

他的论文被引用超过9万次，是现代AI领域最具影响力的研究者之一。