Sigmoid 陷阱：预测 AI 进步的上限
人工智能的发展轨迹争论往往在两个极端之间摇摆：一种是相信能力将进行无止境的指数级爆炸，另一种是担心我们正迅速接近一个平台期。这场讨论的核心是 Sigmoid 曲线这一数学概念——一种 S 形函数，其增长开始缓慢，随后呈指数级加速，并最终在达到物理或逻辑上限时趋于平缓。
虽然当前的大语言模型 (LLMs) 时代感觉像是指数曲线的垂直攀升，但历史表明，几乎所有正向增长最终都会变成 Sigmoid 曲线。对于研究人员和预测者来说，关键问题不在于曲线是否会变平，而在于何时以及在什么高度设定平台期。
指数级的错觉
许多 AI 乐观主义者指向规模法则 (scaling laws)——即观察到增加计算量、数据和模型规模会导致性能的可预测改进。这创造了一种进步必然发生的叙事。然而，正如最近的讨论中所指出的，假设一种趋势会无限期持续下去往往是一个认知陷阱。
一种观点建议我们应该将 Lindy's Law 应用于这些趋势。Lindy's Law 认为，对于非易损的事物（如思想或技术），其未来的预期寿命与它们当前的年龄成正比。在 AI 的背景下，这意味着如果一种趋势已经持续了一段时间，默认假设应该是它将再次持续大约相同的时间，而不是假设它会立即崩溃或永远增长。
硬件：物理上限
关于即将到来的平台期的一个常见论点是摩尔定律的衰退。如果为 AI 提供计算能力的硬件正在触及 Sigmoid 上限，那么 AI 能力很可能也会随之而来。然而，这种观点可能过于简单化了。
正如一些技术观察者所指出的，目前的 AI 模型硅基实现仍然非常低效。存在“硬件飞跃”的潜力：
在某些时刻，有人会制造出一种张量处理芯片，用模拟对数幅度乘法 (analogue logamp matmuls) 取代所有的数字矩阵乘法 (digital matmuls)，或者忆阻器 (memristors) 的某种突破将开始打破存储与计算之间的障碍。
如果硬件的演进不仅仅是缩小晶体管，而是从根本上改变矩阵乘法处理的方式，那么 AI 的“上限”可能会被推向比当前预测高得多的位置。
“比现实更真实”的问题
另一种概念化 AI 极限的方法是通过 3D 计算机图形学的视角。在 CGI 的早期阶段，将多边形数量翻倍会带来视觉逼真度的巨大飞跃。然而，最终，行业触及了收益递减点。你无法让一张数字图像“比现实更真实”。
这提出了一个根本性的哲学和技术问题：是否存在“智能”或“能力”的上限，就像视觉逼真度存在上限一样？如果 LLMs 仅仅是在模拟人类语言和推理，它们可能会在达到人类水平的熟练度后进入平台期。但如果智能是一种开放式的能力，那么 Sigmoid 曲线可能会比我们想象的要宽得多。
平台期的不可预测性
预测一个指数增长转变为 Sigmoid 增长的确切点是非常困难的，因为变量通常是不透明的。AI 的进步目前依赖于三个主要支柱：
- Compute: 硬件的可用性和成本。
- Data: 训练集的容量和质量（以及生成合成数据以绕过“数据墙”的能力）。
- Algorithmic Efficiency: 从相同资源中挤出更多性能的新范式。
其中任何一个都可能受到外部冲击的影响——地缘政治冲突、监管打击，或仅仅是“伟大思想”的枯竭。
结论
无论 AI 是处于垂直攀升阶段还是正在接近平台期，“Sigmoid”思维模式可以作为对盲目乐观主义的一种必要的修正。虽然我们可能无法预测上限的具体坐标，但意识到所有增长最终都会趋于平缓，有助于更细致地理解风险和潜在可能。AI 的未来可能不会是一条简单的向上直线，而是随着我们从一个技术范式转移到下一个范式时，所经历的一系列转变——有些趋于平缓，有些则实现飞跃。