隨著生成式AI市場基礎(chǔ)層的穩(wěn)定，競爭重心轉(zhuǎn)向了推理層的開發(fā)，AI的系統(tǒng)2思維被提升至新的高度，預(yù)示著AI在解決問題和深層次推理方面的能力將得到顯著增強(qiáng)。

生成式 AI 市場的基礎(chǔ)層正逐漸穩(wěn)定，形成了由幾個主要參與者和聯(lián)盟組成的均衡格局，包括微軟/OpenAI、AWS/Anthropic、Meta 以及谷歌/DeepMind。只有那些擁有強(qiáng)大經(jīng)濟(jì)引擎和大量資本的規(guī)?；瘏⑴c者才能繼續(xù)參與競爭。

雖然這場戰(zhàn)斗遠(yuǎn)未結(jié)束（而且在博弈論的驅(qū)動下不斷升級），但市場結(jié)構(gòu)本身正在 solidifying，很明顯，我們將擁有越來越便宜和充足的下一個詞預(yù)測（next-token predictions）能力。

隨著大語言模型（LLM）市場結(jié)構(gòu)的穩(wěn)定，新的前沿正在出現(xiàn)。焦點(diǎn)正在轉(zhuǎn)移到推理層（reasoning layer）的開發(fā)和擴(kuò)展上，這里”系統(tǒng) 2″（System 2）思維占據(jù)主導(dǎo)地位。

受 AlphaGo 等模型的啟發(fā)，這一層旨在賦予 AI 系統(tǒng)以 deliberate 推理、解決問題的能力，以及在推理時進(jìn)行超越快速模式匹配的認(rèn)知操作。同時，新的認(rèn)知架構(gòu)和用戶界面正在塑造這些推理能力如何傳遞給用戶并與之互動。

這對 AI 市場的創(chuàng)始人意味著什么？對現(xiàn)有軟件公司又意味著什么？作為投資者，我們認(rèn)為生成式 AI 技術(shù)棧中哪一層最有前景？

在我們最新關(guān)于生成式 AI 市場狀況的文章中，我們將探討基礎(chǔ) LLM 層的 consolidation 如何為這些高階推理和 agentic 能力的擴(kuò)展競賽鋪平了道路，并討論一代具有新型認(rèn)知架構(gòu)和用戶界面的”killer apps”。

草莓

2024 年最重要的模型更新當(dāng)屬 OpenAI 的 o1，之前被稱為 Q*，也被稱為 Strawberry。

這不僅重申了 OpenAI 在模型質(zhì)量排行榜上的領(lǐng)先地位，還對現(xiàn)有架構(gòu)進(jìn)行了顯著改進(jìn)。更具體地說，這是第一個具有真正通用推理能力的模型，他們通過推理時計(jì)算（inference-time compute）實(shí)現(xiàn)了這一突破。

這意味著什么？預(yù)訓(xùn)練模型是在海量數(shù)據(jù)上進(jìn)行下一個詞的預(yù)測，它們依賴于”訓(xùn)練時計(jì)算”（training-time compute）。

基本推理能力是規(guī)?；囊粋€ emergent 特性，但這種推理能力非常有限。如果我們能夠直接教會模型進(jìn)行更深入的推理呢？這基本上就是 Strawberry 所實(shí)現(xiàn)的。

當(dāng)我們說”推理時計(jì)算”時，我們指的是要求模型在給出回應(yīng)前先停下來思考，這需要在推理階段進(jìn)行更多的計(jì)算（因此稱為”推理時計(jì)算”）。”停下來思考”的部分就是推理。

AlphaGo

讓我們先回顧一下 2016 年 3 月在首爾發(fā)生的事情。深度學(xué)習(xí)歷史上最具里程碑意義的時刻之一就發(fā)生在這里：AlphaGo 與傳奇圍棋大師李世石的對決。這不僅僅是一場 AI 對人類的比賽，它標(biāo)志著世界見證了 AI 不再僅僅是模仿模式，而是在真正地”思考”。

是什么讓 AlphaGo 與之前的游戲 AI 系統(tǒng)（如深藍(lán)）不同呢？與大語言模型（LLMs）類似，AlphaGo 首先通過約 3000 萬次歷史棋局和自我對弈來預(yù)訓(xùn)練，模仿人類專家的行為。

但與直接從預(yù)訓(xùn)練模型中給出本能反應(yīng)不同，AlphaGo 會花時間停下來思考。在推理階段，模型會對大量潛在的未來場景進(jìn)行搜索或模擬，對這些場景進(jìn)行評分，然后選擇期望值最高的場景（或答案）作為回應(yīng)。

給予 AlphaGo 的思考時間越多，它的表現(xiàn)就越好。如果沒有推理時計(jì)算，該模型無法擊敗頂級人類選手。但隨著推理時間的增加，AlphaGo 的水平不斷提升，最終超越了最優(yōu)秀的人類棋手。

讓我們回到 LLM 的世界。在這里復(fù)制 AlphaGo 的難點(diǎn)在于構(gòu)建價值函數(shù)，即用于評分回應(yīng)的函數(shù)。如果你在下圍棋，這相對簡單：你可以模擬整個游戲過程直到結(jié)束，看誰贏了，然后計(jì)算下一步棋的期望值。

如果是編程，也相對直接：你可以測試代碼看它是否有效。但如何評分一篇文章的初稿呢？或者一份旅行計(jì)劃？亦或一份長篇文檔的關(guān)鍵詞總結(jié)？

這就是當(dāng)前方法在推理上的難點(diǎn)所在，也是為什么 Strawberry 在邏輯相關(guān)領(lǐng)域（如編程、數(shù)學(xué)、科學(xué)）表現(xiàn)相對較強(qiáng)，而在更開放和非結(jié)構(gòu)化的領(lǐng)域（如寫作）表現(xiàn)不那么突出的原因。

雖然 Strawberry 的具體實(shí)現(xiàn)是嚴(yán)格保密的，但其關(guān)鍵理念涉及對模型生成的思維鏈進(jìn)行強(qiáng)化學(xué)習(xí)。對模型思維鏈的審核表明，正在發(fā)生一些根本性的、令人興奮的事情，這實(shí)際上類似于人類的思考和推理方式。

例如，o1 顯示出了當(dāng)遇到困難時能夠回溯的能力，這是擴(kuò)展推理時間的一個 emergent 特性。它還表現(xiàn)出能夠像人類那樣思考問題（例如，通過可視化球體上的點(diǎn)來解決幾何問題），以及用新方式思考問題的能力（例如，以人類不會想到的方式解決編程競賽中的問題）。

推動推理時計(jì)算前進(jìn)的新想法層出不窮（例如，計(jì)算獎勵函數(shù)的新方法，縮小生成器/驗(yàn)證器差距的新方法），研究團(tuán)隊(duì)正在努力改進(jìn)模型的推理能力。換句話說，深度強(qiáng)化學(xué)習(xí)再次變得炙手可熱，它正在實(shí)現(xiàn)一個全新的推理層。

快與慢的思考（系統(tǒng)1 vs 系統(tǒng)2）

從預(yù)訓(xùn)練的本能反應(yīng)（”系統(tǒng) 1″）到更深層次的 deliberate 推理（”系統(tǒng) 2″）的飛躍是 AI 的下一個前沿。模型僅僅擁有知識是不夠的，它們需要能夠暫停、評估并實(shí)時推理決策。

我們可以將預(yù)訓(xùn)練視為系統(tǒng) 1 層。無論模型是在圍棋中預(yù)訓(xùn)練了數(shù)百萬步棋（AlphaGo），還是在互聯(lián)網(wǎng)規(guī)模的文本上預(yù)訓(xùn)練了數(shù) PB 的數(shù)據(jù)（LLMs），其任務(wù)都是模仿模式——無論是人類的下棋方式還是語言。

但模仿，盡管強(qiáng)大，卻不是真正的推理。它無法正確地思考復(fù)雜的新情況，尤其是那些超出樣本的情況。

這就是系統(tǒng) 2 思維發(fā)揮作用的地方，也是最新一波 AI 研究的重點(diǎn)。當(dāng)一個模型”停下來思考”時，它不僅僅是生成學(xué)習(xí)到的模式或基于過去數(shù)據(jù)吐出預(yù)測。

它在生成一系列可能性，考慮潛在結(jié)果，并基于推理做出決策。

對于許多任務(wù)來說，系統(tǒng) 1 已經(jīng)足夠了。正如 Noam Brown 在我們最新一期《Training Data》節(jié)目中指出的，花更長時間思考不丹的首都是什么并不會有幫助——你要么知道，要么不知道。這種情況下，快速的基于模式的回憶就很有效。

但當(dāng)我們面對更復(fù)雜的問題時——比如數(shù)學(xué)或生物學(xué)的突破性進(jìn)展——快速、本能的反應(yīng)就不夠了。這些進(jìn)步需要深入思考、創(chuàng)造性的問題解決能力，最重要的是，需要時間。

AI 也是如此。要解決最具挑戰(zhàn)性、最有意義的問題，AI 需要超越快速的 in-sample 反應(yīng)，花時間進(jìn)行那種定義人類進(jìn)步的 thoughtful 推理。

新 Scaling Law，新軍備競賽

o1 論文中最重要的洞見是出現(xiàn)了一個新的擴(kuò)展定律（scaling law）。

預(yù)訓(xùn)練大語言模型（LLMs）遵循一個眾所周知的擴(kuò)展定律：在預(yù)訓(xùn)練模型上投入的計(jì)算和數(shù)據(jù)越多，模型的表現(xiàn)就越好。

o1 論文開辟了一個全新的計(jì)算擴(kuò)展維度：給模型提供的推理時間（或”測試時間”）計(jì)算越多，它的推理能力就越強(qiáng)。

來源：OpenAI o1 技術(shù)報告

如果模型能夠思考數(shù)小時、數(shù)天，甚至數(shù)十年會發(fā)生什么？我們能解決黎曼猜想嗎？我們能回答阿西莫夫的最后一個問題嗎？

這種轉(zhuǎn)變將使我們從 massive 預(yù)訓(xùn)練集群的世界轉(zhuǎn)向推理云（inference clouds）——一種能根據(jù)任務(wù)復(fù)雜度動態(tài)擴(kuò)展計(jì)算能力的環(huán)境。

贏家，會通吃嗎？

隨著 OpenAI、Anthropic、谷歌和 Meta 擴(kuò)展它們的推理層并開發(fā)越來越強(qiáng)大的推理機(jī)器，會發(fā)生什么？我們會有一個主宰一切的模型嗎？

生成式 AI 市場初期有一種假設(shè)，認(rèn)為單一的模型公司會變得如此強(qiáng)大和全面，以至于會吞并所有其他應(yīng)用。到目前為止，這個預(yù)測在兩個方面是錯誤的。

首先，在模型層面存在充分的競爭，各家公司不斷地在最先進(jìn)（SOTA）能力上你追我趕。雖然有可能某家公司通過廣泛領(lǐng)域的自我對弈實(shí)現(xiàn) continuous 自我改進(jìn)并取得突破性進(jìn)展，但目前我們還沒有看到這方面的證據(jù)。

恰恰相反，模型層面的競爭異常激烈，自上次開發(fā)者日以來，GPT-4 的每 token 價格已經(jīng)下降了 98%。

其次，除了 ChatGPT 這個顯著的例外，模型基本上沒有成功進(jìn)入應(yīng)用層成為爆款產(chǎn)品?，F(xiàn)實(shí)世界是混亂的。

優(yōu)秀的研究人員并不想去了解每個可能的 vertical 中每個可能功能的細(xì)節(jié)和端到端工作流程。對他們來說，只做到 API 層面既有吸引力又符合經(jīng)濟(jì)理性，讓開發(fā)者社區(qū)去處理現(xiàn)實(shí)世界的混亂。這對應(yīng)用層來說是個好消息。

真實(shí)世界，很復(fù)雜

作為一名科學(xué)家，你計(jì)劃和執(zhí)行行動以達(dá)成目標(biāo)的方式與作為一名軟件工程師的工作方式有很大不同。更進(jìn)一步說，即使是在不同公司工作的軟件工程師，其工作方式也會有所不同。

隨著研究實(shí)驗(yàn)室不斷推進(jìn) horizontal 通用推理的邊界，我們?nèi)匀恍枰囟ㄓ趹?yīng)用或領(lǐng)域的推理來提供有用的 AI 代理。混亂的現(xiàn)實(shí)世界需要大量特定于領(lǐng)域和應(yīng)用的推理，這些推理無法有效地編碼到通用模型中。

這就引出了認(rèn)知架構(gòu)（cognitive architectures）的概念，即你的系統(tǒng)如何思考：接收用戶輸入并執(zhí)行 action 或生成響應(yīng)的代碼流和模型交互流程。

以 Factory 為例，他們的每個”機(jī)器人”（droid）產(chǎn)品都有一個 custom 認(rèn)知架構(gòu)，模仿人類解決特定任務(wù)的思維方式，比如審查 pull requests 或編寫并執(zhí)行將服務(wù)從一個后端遷移到另一個后端的遷移計(jì)劃。

Factory 的機(jī)器人會分解所有依賴關(guān)系，提出相關(guān)的代碼變更，添加單元測試，并讓人類參與審查。然后在獲得批準(zhǔn)后，在開發(fā)環(huán)境中運(yùn)行所有文件的變更，如果所有測試都通過，就合并代碼。

這就像人類可能的操作方式一樣——通過一系列離散任務(wù)而不是一個泛化的黑箱答案來完成。

應(yīng)用層創(chuàng)業(yè)，不 low

想象一下你想在 AI 領(lǐng)域創(chuàng)業(yè)。你會選擇技術(shù)棧的哪一層？你想在基礎(chǔ)設(shè)施層面競爭嗎？祝你好運(yùn)打敗英偉達(dá)和 hyperscalers。

你想在模型層面競爭嗎？祝你好運(yùn)打敗 OpenAI 和馬克·扎克伯格。

你想在應(yīng)用層面競爭嗎？祝你好運(yùn)打敗企業(yè) IT 部門和全球系統(tǒng)集成商。哦，等等。這最后一個聽起來實(shí)際上是可行的！

基礎(chǔ)模型（foundation models）很神奇，但也很混亂。主流企業(yè)無法應(yīng)對黑箱、幻覺（hallucinations）和笨拙的工作流程。消費(fèi)者面對空白提示不知道該問什么。這些都是應(yīng)用層的機(jī)會。

兩年前，許多應(yīng)用層公司被嘲笑為”僅僅是 GPT-3 的包裝”。如今，這些”包裝”卻成為了構(gòu)建持久價值的少數(shù)可靠方法之一。最初的”包裝”已經(jīng)演變成了”認(rèn)知架構(gòu)”。

應(yīng)用層 AI 公司不僅僅是基礎(chǔ)模型之上的用戶界面。遠(yuǎn)非如此。

它們擁有復(fù)雜的認(rèn)知架構(gòu)，通常包括多個基礎(chǔ)模型，上面有某種路由機(jī)制，用于 RAG（檢索增強(qiáng)生成）的向量和/或圖數(shù)據(jù)庫，確保合規(guī)性的 guardrails，以及模仿人類思考工作流程推理方式的應(yīng)用邏輯。

AI 的 SaaS

AI 轉(zhuǎn)型正在將”軟件即服務(wù)”（software-as-a-service）轉(zhuǎn)變?yōu)?#8221;服務(wù)即軟件”（service-as-software）。軟件公司正在將人力勞動轉(zhuǎn)化為軟件。這意味著可尋址市場不僅僅是軟件市場，而是以萬億美元計(jì)的服務(wù)市場。這種轉(zhuǎn)變歸功于 agentic 推理能力的發(fā)展。

“銷售工作”是什么意思？Sierra 是一個很好的例子。B2C 公司將 Sierra 放在他們的網(wǎng)站上與客戶交流。其工作目標(biāo)是解決客戶問題。

Sierra 按解決問題的次數(shù)獲得報酬。這里沒有”席位”的概念。你有一項(xiàng)工作需要完成，Sierra 來完成它，然后按照完成情況獲得相應(yīng)的報酬。

這是許多 AI 公司的 true north（指導(dǎo)方向）。Sierra 的優(yōu)勢在于具有優(yōu)雅的失敗模式（可以升級到人工代理）。并非所有公司都如此幸運(yùn)。

一種新興的模式是首先作為副駕駛（copilot）部署（human-in-the-loop），然后利用這些經(jīng)驗(yàn)贏得作為自動駕駛（autopilot）部署的機(jī)會（無人參與）。GitHub Copilot 就是一個很好的例子。

新一代的 Agent

隨著生成式 AI 的推理能力逐步成熟，一類新的 agentic 應(yīng)用正在涌現(xiàn)。

這些應(yīng)用層公司呈現(xiàn)出什么樣的形態(tài)？有趣的是，這些公司與它們的云計(jì)算前輩看起來不太一樣：

云計(jì)算公司瞄準(zhǔn)軟件利潤池。AI 公司瞄準(zhǔn)服務(wù)利潤池。

云計(jì)算公司銷售軟件（按席位收費(fèi)）。AI 公司銷售工作（按結(jié)果收費(fèi)）。

云計(jì)算公司喜歡自下而上發(fā)展，采用無摩擦分發(fā)模式。AI 公司越來越多地采用自上而下的方式，使用高接觸、高信任的交付模式。

我們看到一批新的 agentic 應(yīng)用正在知識經(jīng)濟(jì)的各個領(lǐng)域涌現(xiàn)。以下是一些例子：

• Harvey：AI 律師
• Glean：AI 工作助手
• Factory：AI 軟件工程師
• Abridge：AI 醫(yī)療記錄員
• XBOW：AI 滲透測試員
• Sierra：AI 客戶支持代理

通過降低這些服務(wù)的邊際成本——與不斷下降的推理成本保持一致——這些 agentic 應(yīng)用正在擴(kuò)大和創(chuàng)造新的市場。

以 XBOW 為例。XBOW 正在構(gòu)建一個 AI”滲透測試員”。”滲透測試”是對計(jì)算機(jī)系統(tǒng)進(jìn)行的模擬網(wǎng)絡(luò)攻擊，公司進(jìn)行這種測試是為了評估自己的安全系統(tǒng)。

在生成式 AI 出現(xiàn)之前，公司只在有限的情況下（例如合規(guī)要求）才雇傭滲透測試員，因?yàn)槿斯B透測試成本高昂：這是一項(xiàng)由高技能人員執(zhí)行的手動任務(wù)。

然而，XBOW 現(xiàn)在正在展示基于最新推理 LLMs 構(gòu)建的自動化滲透測試，其性能可以媲美最高技能的人類滲透測試員。這擴(kuò)大了滲透測試市場，為各種規(guī)模的公司開啟了 continuous 滲透測試的可能性。

SaaS 生態(tài)，將面臨什么？

今年早些時候，我們會見了有限合伙人。他們最關(guān)心的問題是”AI 轉(zhuǎn)型會摧毀你現(xiàn)有的云計(jì)算公司嗎？”

我們最初的默認(rèn)答案是”不會”。初創(chuàng)公司和現(xiàn)有公司之間的經(jīng)典戰(zhàn)斗是一場馬拉松：初創(chuàng)公司構(gòu)建分銷渠道，現(xiàn)有公司改進(jìn)產(chǎn)品。

擁有酷炫產(chǎn)品的年輕公司能否在擁有客戶資源的現(xiàn)有公司開發(fā)出酷炫產(chǎn)品之前獲得大量客戶？鑒于 AI 的大部分魔力來自基礎(chǔ)模型，我們的默認(rèn)假設(shè)是不會——現(xiàn)有公司會表現(xiàn)得很好，因?yàn)檫@些基礎(chǔ)模型對它們和初創(chuàng)公司同樣 accessible，而且它們還有數(shù)據(jù)和分銷的先發(fā)優(yōu)勢。

初創(chuàng)公司的主要機(jī)會不是取代現(xiàn)有軟件公司，而是瞄準(zhǔn)可自動化的工作池。

但現(xiàn)在我們不那么確定了?；仡櫱懊骊P(guān)于認(rèn)知架構(gòu)的討論。將模型的原始能力轉(zhuǎn)化為引人注目、可靠的端到端業(yè)務(wù)解決方案需要大量的工程工作。如果我們只是大大低估了”AI 原生”的意義呢？

20 年前，本地部署軟件公司嘲笑 SaaS 的 idea。”有什么大不了的？我們也可以運(yùn)行自己的服務(wù)器，通過互聯(lián)網(wǎng)提供這些服務(wù)！”從概念上說，這確實(shí)很簡單。但隨之而來的是整個業(yè)務(wù)的徹底重塑。工程、產(chǎn)品和設(shè)計(jì)（EPD）從瀑布式開發(fā)和 PRD 轉(zhuǎn)向了敏捷開發(fā)和 AB 測試。

Go-to-Market（GTM）從自上而下的企業(yè)銷售和商務(wù)晚宴轉(zhuǎn)向了自下而上的產(chǎn)品主導(dǎo)增長（PLG）和產(chǎn)品分析。商業(yè)模式從高單價（ASP）和維護(hù)收入流轉(zhuǎn)向了高凈留存收入（NDR）和基于使用的定價。很少有本地部署公司成功完成了這種轉(zhuǎn)型。

如果 AI 是一個類似的轉(zhuǎn)變呢？AI 的機(jī)會會不會既是銷售工作又是替代軟件？

通過 Day.ai，我們看到了未來的一瞥。Day 是一個 AI 原生的客戶關(guān)系管理（CRM）系統(tǒng)。系統(tǒng)集成商通過配置 Salesforce 以滿足你的需求賺取數(shù)十億美元。

而 Day 只需要訪問你的郵件和日歷，以及回答一頁問卷的答案，就能自動生成一個完全 tailored 到你業(yè)務(wù)的 CRM。它可能還沒有所有的花里胡哨的功能，但自動生成的 CRM 無需人工輸入就能保持更新的魔力已經(jīng)讓人們開始轉(zhuǎn)向使用它了。

投資者怎么看

作為投資者，我們將注意力集中在哪里？資金正在如何部署？以下是我們的簡要看法：

基礎(chǔ)設(shè)施

這是 hyperscalers 的領(lǐng)域。它由博弈論行為驅(qū)動，而非微觀經(jīng)濟(jì)學(xué)。對風(fēng)險投資家來說是個糟糕的選擇。

模型

這是 hyperscalers 和金融投資者的領(lǐng)域。Hyperscalers 正在用資產(chǎn)負(fù)債表換取利潤表，投入的資金最終會以計(jì)算收入的形式回流到他們的云業(yè)務(wù)。金融投資者則受到”被科學(xué)震撼”偏見的影響。這些模型非常酷，這些團(tuán)隊(duì)令人印象深刻。管他的微觀經(jīng)濟(jì)學(xué)！

開發(fā)者工具和基礎(chǔ)設(shè)施軟件

對戰(zhàn)略投資者來說不太有趣，對風(fēng)險投資家來說更有吸引力。在云轉(zhuǎn)型期間，這一層面創(chuàng)造了約 15 家營收超過 10 億美元的公司，我們預(yù)計(jì) AI 領(lǐng)域也會出現(xiàn)類似情況。

應(yīng)用

對風(fēng)險投資最有吸引力的層面。在云轉(zhuǎn)型期間，應(yīng)用層面創(chuàng)造了約 20 家營收超過 10 億美元的公司，移動轉(zhuǎn)型期間又創(chuàng)造了約 20 家，我們預(yù)計(jì) AI 領(lǐng)域也會如此。

綜上

在生成式 AI 的下一階段，我們預(yù)計(jì)推理研發(fā)的影響將波及應(yīng)用層。這些波瀾既快速又深遠(yuǎn)。迄今為止，大多數(shù)認(rèn)知架構(gòu)都采用了巧妙的”去除限制”（unhobbling）技術(shù)；

現(xiàn)在，隨著這些能力被深入地烘焙到模型本身中，我們預(yù)計(jì) agentic 應(yīng)用將迅速變得更加復(fù)雜和 robust。

回到研究實(shí)驗(yàn)室，推理和推理時計(jì)算在可預(yù)見的未來將繼續(xù)成為一個強(qiáng)烈的主題。既然我們有了新的擴(kuò)展定律，下一輪競賽已經(jīng)開始。

但對于任何特定領(lǐng)域，收集現(xiàn)實(shí)世界的數(shù)據(jù)并編碼特定于領(lǐng)域和應(yīng)用的認(rèn)知架構(gòu)仍然很困難。這再次是最后一公里應(yīng)用提供者在解決混亂現(xiàn)實(shí)世界中 diverse 問題集時可能占有優(yōu)勢的地方。

展望未來，像 Factory 的機(jī)器人這樣的多代理系統(tǒng)可能會開始 proliferate，作為對推理和社會學(xué)習(xí)過程建模的方式。一旦我們能夠完成工作，我們就可以讓工人團(tuán)隊(duì)完成更多的任務(wù)。

我們所有人都在熱切期待生成式 AI 的”第 37 手”，就像 AlphaGo 在對李世石的第二局比賽中那樣——一個通用 AI 系統(tǒng)以某種超人的方式讓我們驚訝，讓我們感覺到獨(dú)立思考。

這并不意味著 AI”醒來”了（AlphaGo 并沒有），而是我們模擬了感知、推理和行動的過程，AI 可以以真正新穎和有用的方式探索這些過程。這實(shí)際上可能就是 AGI（通用人工智能），如果是這樣，它將不會是一個單一的事件，而僅僅是技術(shù)的下一個階段。