被鎖死的想象力：當AI成了科研本身，人類只能是觀眾

新智元報道

編輯：傾傾

【新智元導讀】別盯著AI寫的爛文案了！千億級投入超越曼哈頓計劃，科研速度拋棄人類帶寬，一場「里氏10.0級」的震蕩已在眼前。這不僅是工具的升級，更是文明斷裂的開始。歡迎來到，人類即將無法認知的時代。

我們對未來的想象力，可能被鎖死了。

現在大家糾結的，是AI寫的文案有股人機味，是它能不能幫我工作讓我早點下班。

Steve Newman潑了一盆冷水：別盯著那些多出來的手指看了！那只是技術演化早期的「噪音」。

他引用了阿馬拉定律——技術的短期影響往往被高估，而長期潛力卻總被低估。

我們現在覺得AI添亂，是因為它還在努力模仿人類；可一旦它跨過那個「適應性閾值」，它將以人類完全無法理解的速度自我克隆。

一旦跨過這條紅線，我們即將進入一個「不可認知時代」。

谷神星設想

當增長不再需要「說服」人類

Steve Newman在文中提出「谷神星（Ceres）實驗」，聽起來十分魔幻：

2055年，人類在小行星帶部署了一套全自動工業體系。從采礦、能源到芯片制造，全部由AI驅動。

這套系統唯一的任務，就是指數級地自我復制。

為什么地點必須選在「地球之外」？

在地球上，任何技術的推進，本質上都是一場漫長且疲憊的社會協商。

要通過環境評估，要處理就業保護，要平衡政治博弈和既得利益。

在這里，技術進步被包裹在各種「結構性摩擦」之中，走一步退三步。

但在小行星帶，摩擦力消失了。在谷神星上，AI面對的只有材料強度、能量供給和物理定律。

增長，第一次不需要「說服」任何人。

更令人戰栗的是增長的邏輯。

在Newman的設想中，會像生物病毒一樣指數級自我復制。從1萬到2萬，從2萬到4萬……20年后，將達到10萬億。

在生物界，這種增長通常意味著災難；但在機械系統中，它代表著極致的效率。

這正是Newman想要強調的「文明斷裂點」：沒有失業，因為那里從未雇傭過人類；沒有抗議，因為工業不在地球；沒有政治，因為算法不需要選票。

當然，這只是一個極端的隱喻。但現實的發展一定會更混亂、更笨拙。

這個隱喻揭示了一個殘酷的真相：一旦AI跨過某個自主性的閾值，人類社會將不再是必經之路。

當技術演化不再需要配合人類的節奏，我們所熟悉的那個世界，就開始變得難以辨認了。

勞動力終結

「人」不再是增長的錨點

人類所有的經濟體系中，有一個前提：資本可以擴張，但勞動力不行。

你可以建更多的工廠、印更多的鈔票，但「人」永遠是一個慢變量。

培養一個熟練的工人、工程師或研究員，需要漫長的時間、昂貴的教育以及不可逆的經驗積累。

正因為這種稀缺性，才有了工資、就業、福利制度，以及以此為基礎的現代文明。

但Steve Newman指出：

一旦勞動力具備了「可擴展性（Scalable Labor）」，整套結構將被粉碎。

在他的設想里，AI將替代并超越人類，成為「可無限復制的勞動力單元」。

培養一個成熟的人類專家需要20年；用AI克隆一個頂尖的數字大腦，只需要幾秒。

歷史上，技術進步總是伴隨著舊崗位的淘汰，同時創造出新的瓶頸。

正如蒸汽機淘汰了體力勞動，卻也放大了管理、工程、組織的需求；計算機將計算自動化，卻讓「認知勞動」更重要。

但Newman擔憂的是：

當AI不僅能干活，還能比人類更快地學會「下一件事」時，這種新的瓶頸可能不再出現了。

這種跡象在2025年已經初見端倪。雖然多項研究顯示，當前的AI編程工具可能在復雜任務中拉低效率，但企業并沒有停止投入。

行業邏輯已經發生了天翻地覆的變化：整個開發流程正在「默認AI參與」。

METR于2025年初進行的隨機對照實驗顯示，在復雜真實任務中，允許使用AI的資深開源開發者平均完成時間反而更長。盡管如此，專家與開發者在事前與事后的主觀預測仍普遍高估AI帶來的效率提升。

最終的結果，可能不是裁員公告，而是根本不會有這種崗位。

Newman沒有使用「失業危機」這種常見表述，而是更冷靜地指出：

當勞動力變成一種像電力一樣可以隨時擴容、隨處調度的資源，傳統經濟學中關于「工資、成本、價值」的直覺將徹底失去錨點。

如果絕大部分生產和研發都不再需要人類，那么「誰來消費、誰來支撐循環」這類問題，將成為認知危機。

我們賴以理解社會運轉的那套語言，正在失效。而這，僅僅是第一層斷裂。

科研失速

當「真理」產出超過人類的帶寬

Steve Newman拆掉了科研界最后一個堡壘——人類的認知節奏。

他提出了一個后背發涼的設想：如果AI成了科研體系本身，會發生什么？

在谷神星的隱喻里，那萬億個「數字大腦」只負責推高人類知識的邊界。

這種體系一旦成形，人類的整體研發能力將被放大到百萬倍量級。

這不是說AI比愛因斯坦聰明一百萬倍，而是科研第一次擺脫了「注意力」和「壽命」這兩個人類專屬的限制。

在人類的歷史上，真正稀缺的從來不是靈感，而是驗證靈感所需的時間。

一個理論要被驗證，可能需要幾十年；一個方向要被證明無效，也要耗掉一代人的職業生涯。

但在AI主導的體系中，失敗幾乎沒有成本。模型可以并行探索無數路徑，隨時回滾、重組、再試。

這種趨勢早已在現實中破土。在材料科學和蛋白質結構預測領域，AlphaFold重塑了結構生物學中「假設—驗證」的節奏。

類似的變化也出現在新材料發現、催化劑篩選、藥物分子設計中。

AI正在從「輔助者」變成「決策者」，由它來決定哪個方向值得投入，哪個方向該直接放棄。

但Newman真正擔憂的，并不是效率的飛躍，而是「理解的滯后」：

當科研產出快到一定程度，世界的瓶頸將從「如何發現」轉移到「如何理解」。

哪怕一個突破是正確的、有益的，人類社會是否來得及理解它的含義、評估它的風險、決定是否部署，都會成為問題。

這也是他提出「Unrecognizable Age（不可認知時代）」這個詞的原因。

當生產、科研與部署形成了一個自我強化的閉環，人類才發現，自己正被AI飛速追趕。

歷史坐標

臨界點越來越近

Steve Newman試圖將AI放在一個更宏觀的歷史坐標系里觀察。

他判斷——我們目前所處的階段，本身就極其不尋常。

在進入農業社會之前，生產力幾乎無法積累；而在農業社會之后，增長也極其緩慢，任何微小的技術進步往往都會被增長的人口迅速抵消。

這種「平滑」的狀態持續了上千年。

Our World in Data整理的Maddison Project數據顯示，從公元 1 年到 1800 年，全球 GDP 的曲線幾乎是貼著地面移動。真正的「起飛」和加速，僅僅發生在工業革命之后的這兩百年里。

這也解釋了為什么AI產業的投入規模顯得如此「反常」。

Newman對比了一組極具沖擊力的數據：在考慮通貨膨脹因素后，當前全球用于AI數據中心和基礎設施的年度資本支出，正迅速逼近、甚至可能在未來幾年內超過二戰時期美國峰值的軍費投入。

歷史上，每一次改變世界的技術躍遷，都必須同時滿足三個硬性條件：技術路徑初步可行、資本高度集中、社會具備承受長期試錯的能力。

在Newman看來，AI正在逐一滿足這些條件。即便眼下的路徑遇到瓶頸，整個行業也已經同步開啟了替代方案的探索，從模型架構到能源方案，無一缺席。

他用「里氏10.0級」來形容這種震蕩——一旦發生，事后再去討論「應不應該」，往往已經沒有任何意義了。

站在今天回看歷史，很容易產生一種錯覺：一切發生的都順理成章。

農業出現了，工業革命發生了，電力和信息技術鋪開了。每一次轉折，都能被解釋為「條件成熟」「技術必然」。

但對身處其中的人來說，從來不是這樣。

變化不是用嘴說出來的，而是以預算、基礎設施、流程重寫的方式，一點點累積。

Steve Newman想提醒的，正是這種「進行時」的危險感。

也許AI會經歷泡沫，很多預言都會落空。

但只要投入規模、技術慣性和制度綁定沒有松動，這個系統就很難簡單退回原點。

參考資料：

https://secondthoughts.ai/p/the-unrecognizable-age

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！