AGI 时间线：未来已来，还是遥遥无期？
“事情发生所需的时间比你预期的要长，然后它发生的速度又比你想象的要快。” - 鲁迪格·多恩布施
Dwarkesh Patel 认为，通用人工智能 (AGI) 并非“近在咫尺”，其核心症结在于一个巨大瓶颈：持续学习。
瓶颈解析：为何 LLM 无法像人类一样“开窍”？
当前的语言模型缺乏在实践中持续、有机地提升自身能力。这与人类的学习方式有着本质区别。
人类学习模式：迭代与内化
人类通过“尝试-反馈-调整”的闭环持续进步。我们会建立任务背景，反思失败，并在实践中自发地发现并应用微小的改进。
“想象一下教孩子吹萨克斯：你让她尝试，听声音，然后调整。这个过程是连续和自适应的。”
LLM“学习”模式：一次性指令
我们只能通过修改“系统提示(Prompt)”来“教”LLM。模型在每次交互后都会丢失宝贵的上下文和默契，无法积累真正的经验。
“这好比每次学生犯错，你就把他送走，然后给下一个全新的学生一份更详细的说明书，指望他一次成功。”
关键里程碑：Dwarkesh 的 50/50 预测
基于对当前瓶颈的分析，作者给出了两个关键能力实现时间的 50% 概率预测。
时间窗口：为何是“这十年或再等等”？
作者的预测基于一个核心判断：由算力驱动的指数级增长将在 2030 年左右遭遇物理瓶颈。这使得 AGI 的实现概率高度集中在未来几年。
观点交锋：一场关于 AGI 时间线的圆桌激辩
对于未来，专家们的观点远未统一。以下是几种代表性声音。
Daniel Kokotajlo
立场：更乐观
“一旦我们达到‘超人程序员’的里程碑，算法进步将自我加速，从而将‘持续学习’等难题的解决时间从 2032 年压缩至 2028 年。”
Ryan Greenblatt
立场：务实派
“我同意 2032 年左右会有疯狂进展。但持续学习是定量问题（如样本效率低），而非定性障碍。当前有比这更容易解决的瓶颈。”
Sebastian Garren
立场：更悲观
“我们低估了现实世界的复杂性。无论是建筑工地还是拉丁语教学，都存在大量模型难以学习的细微差别。我将时间线再推后十年。”
Rene Poelstra
立场：哲思派
“真正缺失的或许不是技术，而是人类的集体反思。AI 是放大器，在它塑造我们之前，我们是否准备好塑造它？这关乎人类的连接与智慧。”