观察者网：您的工作和研究覆盖了人工智能系统的自我改进方向。从研究与投资的角度看，您认为实现真正自主的AI还需要多久？目前还存在哪些关键的技术障碍？

拉斯：我们在公司里使用代理式人工智能绘制与预测过全球的科学与创新发展全景图。到目前为止，我们标注了人类历史上大约16000项创新，并做出了4000条预测。

到2028年，我们预计DeepSeek之类的推理式AI将会像学者一样工作、自主构建复杂答案，并且为了完成最终目标不间断工作。与之相对比的是，即便今天我们向模型提问，它也许“思考”一分钟就答复；当人们用它们来写软件时，有时它们可能连续工作20分钟然后停止。当然它们在一个任务上能够持续工作的时间，正以一种接近超指数的方式不断变长。

所以我们认为，2028年左右AI就能做到不间断工作，并自行定义后续任务直至完成全部任务。在行业里我们称之为“AI创新者”（AI innovator）。

我在这里给你举个例子，我们写这本书时大量使用了AI，但在写作的时候，我们需要提出一个问题后，它才会给出答案。但是也许到了2028年，你只需输入：“这是我对一本书的设想，请把它完成。”它就会自行规划路径、持续写作，直至成书。

现在写一本这样的书大概需要一个人一年时间，但也许三年后的AI可以在半个小时之内里完成这样一本书，所以我认为2028年可能成为AI发展历史上一个关键节点。

AI Agent是下一阶段AI发展的重点 阿里云

2028年也是我认为的“AI驱动机器人被大众接受”的时间点。我们已经看到了AI机器人的出现，但是它还远远谈不上走入大众市场，等到2028年，我们将看到它所带来的经济影响。

如果我们接着把时间线向前推进到2034年，当然，以下都只是我们的猜测，那些自主的、由AI驱动的模型与设备能够进行非常复杂的协作工作。那时，埃隆·马斯克或其他人理论上就可以将机器人和AI送往火星并留在那里，并为它们设定指令：“我们50年后再回来，在火星上建立一座文明。”这样当你50年后回来时，它们可能已经理解需要如何将火星地球化、建造建筑，并显著改善当地环境。届时，那里将可能会出现一些由它们创造、不同于人类文明的要素。

我们认为到2034年，我们将可以在技术上实现这些东西，只不过在进度上会有所滞后，但这些设想都将变得可能。所以，我们要面对的是非常激进的变化。

观察者网：所以您认为AI，尤其是大模型会在几年内彻底理解真实世界的物理规律吗？

拉斯：我认为它将能够在几年内实现自行定义任务。因此，当你思考一个自我再进化或递归的东西的时候，你会发现其中许多要素，AI可以进行自我改进。举例来说，今天我们可以通过调参让AI的某些表现发生变化，类似于通过生物手段取出一段基因并进行调整，使其表达更快；而在更根本层面，我们也可以像在生物学中添加一段全新基因那样，为AI赋予全新的能力。

届时，它们还可以自主部署：在既定目标驱动下自主规划并执行外出任务，在追求目标的过程中可能突破许多既有限制。这些要素共同构成我们面前这场巨大转变的一部分。

观察者网：您认为创新是我们最终的资源，人口越多，人均资源就越丰富。这挑战了传统的马尔萨斯思维。您能否举例说明这一原则在历史上是如何运作的，以及您认为它在当今的哪些领域仍然有效？

拉斯：首先，如今关于“资源正变得更加充裕”的现象，已经有了非常精细化的研究。对于这一概念的精确描述是：一个人为了获得一定数量的某种商品或某种基础资源，需要工作的小时数。这被称为“时间价格（time price）”。

有一项研究考察了美国最常用的26种商品（比如铁以及许多其他东西）在1850年到2018年间约170年的“时间价格”的演变。结果显示：普通美国工人购买这26种商品所需的工作量下降了98%。

实际上，这里还存在一种类似“摩尔定律”的规律：平均每20年，为购买同一批商品所需的工作时间会减半。很多基础商品在非常长的时间里都呈现出这种指数性减少趋势，其中最经典的例子是“光”。人们对光的需求极强，以至于人们很早就围绕光进行创新。有研究显示：自石器时代以来，光的成本已经便宜了60万倍，没错，就是60万倍。

接下来我们可能会说，是的，过去如此，但未来会不会继续？如果我们把这一点与《超级趋势》一书中提到的时间线及我们所有的预测放在一起看，就会发现它将继续，甚至可能加速。这是因为我们正在关注并开发一些极其重要的革命性技术。

在这里我举几个例子，其中之一是核聚变。前几天我参观了一个可控核聚变的实验堆。中国也正致力于核聚变研究，目前全球有四十余个正在工作的实验性聚变堆。其中一个公司名为Helion，他们声称三年后就能并网供电。对此，我们可以拭目以待。但大多数可控项目都表示大约需要15年左右才能实现商业供电。

而一旦核聚变实现商用供电，我们将拥有足够的能源供全世界使用，其能提供的能源足够人们使用到地球毁灭。它完全安全，完全“免费”，所需资源极其少且异常充裕，根本不存在任何上限。这是关于能源的例子。

四种可控核聚变路线，左上为托卡马克装置（中国环流三号）；右上为仿星器装置（Wendelstein 7-X）；左下为激光可控核聚变装置（国家点火装置）；右下为Z-箍缩装置（Z Pulsed Power Facility）

但在许多其他领域，我们也看到效率在提高。我可以给你举一个历久弥新的例子，农业。早在农业诞生之初，人们发现如果在同一片土地上持续耕作会导致减产，这是因为植物需要氮才能发育，而耕种会不断从土壤中汲取氮。

所以当时的人们采用牛粪等粪便当肥料；后来发现这些粪便的产能仍不能解决减产问题，于是人们又开始利用在太平洋的岛屿上发现鸟粪石；这种来源随后也枯竭了。但是同期，人们发现可以通过化学的方法在空气中“提取”氮元素，并将其工程化，化肥的出现真正从根本上解决了问题。

历史上，这种事情一再重复发生，而我们事实上正走向物质的“超级丰裕”。我们越来越不依赖直接从自然界获取东西，而越来越依赖人工合成。现在即便是劳动，我们也正通过人工智能与机器人实现“合成劳动力”。这是一种根本性趋势，正在深入渗透并改变文明的运作方式，而且它一直在加速。

观察者网：通过《超级趋势》和您的预测工作，您试图描绘未来创新。您用什么方法区分真正的新兴趋势与纯粹的炒作？如何解释突破性创新的不可预测性？

拉斯：我们确实为了区分趋势与炒作建立了一套分析系统。我认为如果需要区分炒作与趋势，需要首先考虑就是，是否存在真实的市场需求。许多炒作往往是懂技术的人甚至工程师推动的，他们认为他们的想法可行，但是在许多情况下，他们并不太讨论这项技术是否真的存在足够大的需求。因此，真正重要的是人们到底想要什么。

从商业角度，我们也会考量网络效应或其他放大机制。历史上，广播最初被当作“听书”的工具，电视起初被认为只能播放录制的戏剧，但是后来围绕着广播和电视出现了一系列基于需求的生态和多元应用。事实证明，人类会先发明出核心技术，然后出现围绕它的应用生态。因此，你必须同时预判核心技术的突破，然后预测技术突破后应用或需求层面的突破。

我们现在在使用AI做相关预测。实际上，AI的“幻觉”在回答“如果五到十年后拥有这项核心技术，它能被用于什么”时，表现出乎意料地好。它会提出“这可以用来做X”的清单，我们再评估可能出现多少种应用及其吸引力。就我的经验而言，AI往往能给出一些出人意料却可落地的点子，而这些潜在应用方向通常确实颇具吸引力。