技术深度解析
2015年那篇文章的核心技术洞察看似简单：智能是计算的函数。作者认为，大脑的生物神经网络大约以10^16 FLOPS（每秒浮点运算次数）运行，而人类水平的AGI需要匹配或超越这一计算预算。关键在于并非单一算法的突破，而是由摩尔定律和规模化的经济激励驱动的硬件性能的指数级增长。
这一论点已得到惊人验证。自2015年以来，用于训练最大AI模型的计算量每年增长约5倍，远超摩尔定律。2015年的文章预测，到2025年，单次训练成本可能达到1亿美元或更多——这一数字现在看来已显得保守。GPT-4的训练成本估计在1亿至2亿美元之间，而下一代模型如GPT-5或Gemini Ultra 2预计将超过10亿美元。
该文还准确指出了架构上的约束。它指出，如果没有注意力机制和Transformer这样的架构创新，单纯扩大深度神经网络将遭遇收益递减。2017年引入的Transformer架构正是缺失的那块拼图——它实现了跨GPU的高效并行化，使模型能够扩展到数万亿参数。2015年文章对“计算高效架构”的强调，预示了GPT-4和Gemini中使用的混合专家（MoE）方法，该方法每个token仅激活一小部分参数，从而在保持容量的同时降低计算成本。
一个关键的技术预测是，一旦AGI实现，“递归自我改进”将加速进展。文章描述了一个反馈循环：AI系统可以设计出更好的AI系统，从而引发智能爆炸。这一概念现在被称为“AI驱动的AI研究”，正由DeepMind（通过其AlphaFold和AlphaGo的后续项目）和OpenAI（通过其自动化代码生成和模型优化工具）等实验室积极追求。开源社区也已拥抱这一理念：GitHub仓库AutoGPT（超过16万星标）和BabyAGI（超过2万星标）是递归任务分解的早期尝试，尽管它们距离文章的愿景还很遥远。
数据表格：算力规模化预测与现实对比
| 指标 | 2015年预测 | 当前现实（2026年） |
|---|---|---|
| 最先进模型的训练计算量 | 到2025年达到10^25 FLOPs | ~10^26 FLOPs（GPT-4级别） |
| 前沿模型的训练成本 | 到2025年超过1亿美元 | 2亿至10亿美元（GPT-5预估） |
| 从AGI到超级智能的时间 | 数月到数年 | 仍有争议；尚未实现AGI |
| 最大模型的参数数量 | 100万亿（估计） | 1.8万亿（GPT-4 MoE） |
| 计算量翻倍时间 | 18-24个月 | ~12个月（自2020年以来） |
数据要点： 该文的算力规模化预测在数量级上惊人地准确，尽管实际时间线比预期略快。成本和参数估计偏保守——由于科技巨头和风险资本的巨额资本涌入，行业已超出2015年预测的2至10倍。
关键参与者与案例研究
2015年那篇文章最深远的影响体现在关键参与者的战略思维上。2015年成立的OpenAI在其早期宣言中明确引用了该文的逻辑。该公司在2019年从非营利组织转向有限利润结构，直接回应了该文的警告：AGI竞赛需要巨额计算投资——远超捐赠所能维持。OpenAI与微软的合作（后者已投资超过130亿美元）是该文倡导的“计算优先”策略的教科书式案例。
2014年被谷歌收购的DeepMind早已内化了规模化论点。其AlphaGo（2016年）和AlphaFold（2020年）的成功表明，将强化学习与大规模计算相结合可以解决以前难以解决的问题。DeepMind近期在Gemini上的工作及其对扩展多模态模型的关注，与该文关于AGI将源于单一统一架构而非专用系统的预测一致。
由前OpenAI员工于2021年创立的Anthropic，最认真地对待了该文关于AI安全的警告。其“宪法AI”方法和对可解释性的关注，直接回应了该文对快速智能爆炸可能产生不可控超级智能的担忧。Anthropic的Claude模型在设计时内置了安全约束，尽管它们仍在相同的规模化曲线上竞争。
数据表格：关键参与者的计算投资（2020-2026年）
| 公司 | 总计算支出（估计） | 关键模型 | 战略重点 |
|---|---|---|---|
| OpenAI | 150亿美元以上 | GPT-4, GPT-5, DALL-E 3 | 规模化 + AGI安全 |
| DeepMind/Google | 200亿美元以上 | Gemini, AlphaFold, PaLM | 多模态 + 研究 |
| Anthropic | 50亿美元以上 | Claude系列 | AI安全 + 可解释性 |