这篇更新主要讨论了人工智能（AI）发展时间线的预测模型。研究人员引入了两种新的预测方法——编码提升和收入——来估算“自动化程序员”（AC）何时会出现。令人意外的是，这两种新方法与原有的“时间范围”法得出了相似的预测结果，这增强了预测的整体可信度。此外，通过评估之前的“AI 2027”预测，发现现实世界的进展速度约为预测的 70-90%。综合所有因素，研究人员对 AI 里程碑的到来时间进行了调整，并分享了各自的最新观点。
新的预测方法：从“时间范围”到“编码提升”与“收入”
我们一直在更新对 AI 时间线的预测。之前使用的模型依赖于一个叫做“时间范围”的指标来预测 自动化程序员 (AC) 的出现时间。AC 指的是一种先进的 AI，其编码能力强大到让顶尖 AI 公司宁愿解雇人类软件工程师，也要完全依赖它进行编程。
然而，旧方法存在明显缺陷：
- 很难确定哪个“时间范围”值才对应 AC 的能力水平。
- 人们对于趋势是否会超指数增长存在巨大分歧，导致预测结果差异极大。
为了解决这些问题，我们引入了两种新的候选方法来设定 AC 所需的计算能力：编码提升和收入。
核心方法一：编码提升 (Coding Uplift)
这是我们目前最青睐的方法。其基本思想是估算“编码提升”（即 AI 辅助为软件工程师带来的速度提升）的增长速度，并推断何时能达到 AC 所需的水平。
一个简化的模型可以很好地解释这个概念，它基于以下三个参数：
- 当前的编码提升： 2 倍。即 AI 辅助目前能让工程师的效率翻倍。
- （提升 - 1）的倍增时间： 5 个月。这意味着效率提升的速度本身正在快速增长。
- AC 对应的提升水平： 20 倍。我们预测，当 AI 能将编码效率提升 20 倍时，就达到了 AC 的水平。
与“时间范围”法相比，使用“编码提升”进行预测的不确定性要小得多。
尽管 Anthropic 内部员工调查显示编码提升在 7 个月内从 1.25 倍增长到 4 倍，这意味着倍增时间约为 2 个月，但我们保守估计为 5 个月，因为考虑到员工可能倾向于高估 AI 的作用。
核心方法二：收入 (Revenue)
这个方法通过建立 AI 能力与顶尖 AI 公司年化收入之间的关系来进行预测。我们拟合一个函数，将 AI 能力（以有效计算或 ECI 指数衡量）与收入关联起来，然后推断当收入达到某个水平时，可能就意味着 AC 里程碑已经实现。
- 当前增长率： 凭经验来看，收入每增加 10 倍，对应 ECI 指数增长 15 点。
- 未来预测： 我们估计，虽然 Anthropic 的年化收入在过去几年每年增长 10 倍，但未来可能会放缓至 5-7 倍。
- AC 对应的收入水平： 我们猜测，当领先 AI 公司的年化收入达到 1000 亿至 3000 亿美元时，可能就意味着 AC 已经实现。
这种方法没有“编码提升”法那么直接，因为它受到市场推广、利润率等非技术因素的影响。
三种方法的意外趋同
出乎意料的是，尽管这三种方法（时间范围、编码提升、收入）的逻辑和参数各不相同，但它们对 AC 到来日期的预测却非常接近。
这让我们对预测的稳健性有了一定的信心，尽管我们仍然面临很大的不确定性。
为了整合结果，各位研究人员为这三种方法分配了不同的权重，从而得出一个综合预测。总体上，“编码提升”法获得了最高的权重。
对 “AI 2027” 预测的回顾
我们重新评估了之前发布的“AI 2027”预测，并将其与现实进展进行了比较。
根据你包含的指标和聚合方法，现实世界的进展速度大约是 AI 2027 预测的 70-90%。
如果进展继续保持在 AI 2027 预测速度的 75%，那么 自动化程序员 (AC) 将在 2027 年中期 出现。这再次与其他方法的预测结果趋于一致。
更新后的个人预测
基于上述所有分析，各位研究人员更新了他们对未来的看法。
Daniel 的观点：
我感到惊讶的是，所有三种外推方法都独立地给出了基本相同的答案。我并没有在脑子里计算，只是对参数做出猜测，然后计算结果。这让我对这些预测更有信心。
他认为，现实进展比“AI 2027”预测的慢了约 25%，这同样指向 2027-2028 年。因此，他维持模型的预测结果，只是信心略有增强。
Eli 的观点： 他认为模型可能存在未知的局限性，并且没有充分考虑数据瓶颈问题。因此，他倾向于将预测时间线拉长一些，认为他的中位数预测（2030 年）比模型输出的（2028 年底）更合理。
Brendan 的观点： 他指出，模型没有考虑“研究品味”的进步或“认知与对齐”可能成为瓶颈。此外，输入的数据系列有些粗糙。综合考虑这些不确定性，他认为模型对 2030 年和 2035 年的预测过于自信，因此他调低了相应的概率。
附录：模型与预测方法的主要变更
- 模拟训练过程： 模型现在明确模拟前沿 AI 模型的训练过程。这使得对“起飞速度”（从 AC 到更高级 AI 的发展速度）的估计更为准确，但同时也导致预测的起飞速度略有放缓。
- 明确预测条件： 我们澄清，所有预测都是基于技术上可行最快速度的条件，并未考虑政府干预等非技术性减速因素。
- 修正模型假设： 我们修正了一个日益错误的假设，即认为当前的进展速度与一个“只有人类”的反事实世界相同。考虑到 AI 已经开始显著加速研发，这一修正确保了预测的准确性。
- 默认指标变更： 我们现在默认使用 Epoch 能力指数 (ECI) 作为衡量 AI 能力的指标，而不是“有效计算”。ECI 是一个更稳定的度量标准。