CoT之父Jason Wei解密2025：三大定律重塑AI未来

type

status

date

slug

summary

引言

在2025年这个时间节点，我们正处于一个巨大的认知鸿沟之中——从“AI没什么用”的怀疑论到“AI将终结人类工作”的末日论，各种声音交织，让人眼花缭乱。在这片喧嚣与迷雾中，我们需要一份清晰的导航图来指引方向。Meta超级智能实验室的科学家、思维链（CoT）提示技术的普及者Jason Wei，为我们提供了这样一份地图。

在其最近的演讲中，Jason Wei提出了三个“简单但根本”的核心观点，它们如三座灯塔，穿透了当下的炒作与焦虑，为我们精准描绘了人工智能（AI）技术发展的真实路径、商业应用的落地逻辑，以及未来社会结构的深刻变革。本文将深入解读这三大定律，助您在AI时代的新大陆上找准自己的位置。

观点一：智能商品化——当智慧变得廉价

Jason Wei的第一个观点极具颠覆性：智能，即获取知识和进行推理的能力，正在迅速演变为一种廉价的商品（Intelligence as a Commodity）。 其获取成本和难度，正被技术进步无情地推向零。

这一趋势的核心驱动力，是“自适应计算”（Adaptive Compute）的实现。在过去，无论我们向大模型提出一个简单问题（如“法国首都是哪里？”）还是一个复杂难题，模型都会调用几乎固定的、庞大的计算资源。这就像用超级计算机来做加减法，造成了巨大的资源浪费。

而现在，我们已进入自适应计算时代。AI可以根据任务的难易程度，动态调整所需的算力。对于简单任务，计算成本可以被压缩到极致；对于复杂任务，则可以集中火力攻坚。这一根本性的转变，彻底解锁了智能成本持续下降的通道。

这种商品化最直观的体现，是知识获取时间的急剧崩溃。Wei用一个生动的例子说明了这一点：

简单问题（如查询某年某地人口）：从前互联网时代的“几小时”图书馆查阅，到互联网时代的“几分钟”搜索，再到如今ChatGPT等聊天机器人的“即时”回答。

复杂问题（如查询某年某地结婚夫妇数量）：从过去可能需要“数周”跨国查阅档案，到如今AI代理通过访问特定数据库，在“几分钟”内完成。

极难问题（如对亚洲30个城市按历史数据排序）：一个过去需要“数周”的研究项目，如今AI代理可能在“几小时”内完成。

这个观点的结论清晰而有力：一旦某项认知能力被AI掌握，其使用成本就会趋向于零。 这预示着一个知识和推理能力不再是少数精英专属，而是像电力一样普及的未来。

观点二：验证者定律——指引AI发展的北极星

如果说“智能商品化”解决了AI发展的成本问题，那么“验证者定律”（Verifier's Law）则指明了其发展的方向。

该定律的核心论断是：我们训练AI解决某个任务的能力，与我们验证该任务是否被正确完成的容易程度成正比。 换言之，任何一个问题，只要它的答案易于验证，那么无论解决过程多么复杂，最终都将被AI攻克。

这背后是计算机科学中的经典概念——“验证的不对称性”。很多时候，验证一个解的正确性，远比从零开始找到这个解要容易得多。

我们可以将任务按照验证难度划分出一个光谱：

极易验证（AI优势区）：

数独：解决过程可能需要复杂的逻辑推理，但检查一个完成的数独是否符合规则，只需几秒钟。

软件代码：编写一个庞大系统的代码需要成千上万的工程师，但验证它是否正常工作，只需运行和点击测试。

极难验证（AI劣势区）：

撰写事实性文章：AI可以轻易生成一篇看似可信的文章，但要逐一核查其中每个事实的准确性，可能比写作本身更耗时。

创造新理论：提出一个“只吃牛肉最健康”的饮食法只需一秒，但要科学地验证它，则需要长期的、大规模的、充满噪音的实验。

Wei进一步将“可验证性”拆解为五个关键因素：客观性、可扩展性、低噪音、即时反馈和连续奖励。 满足这些条件的任务，正是AI能力飞速提升的领域。这也解释了为何LLM在各类基准测试上能迅速“刷榜”——因为所有基准测试的答案本质上都是易于验证的。

“验证者定律”为我们预测AGI的发展路径提供了一张清晰的路线图：那些目标明确、结果可量化、反馈及时的领域，将是AI自动化浪潮最先席卷的滩头阵地。

观点三：智能的锯齿状边缘——告别平滑曲线的幻想

Wei的第三个观点最具现实指导意义：AI的能力并非一条平滑向上的曲线，而是一个“锯齿状的边缘”（Jagged Edge）。这意味着AI的能力图谱充满了意想不到的高峰和低谷。

这一理论有力地反驳了“快速起飞”的超级智能假说。AI的自我完善能力不是一个“开/关”按钮，而是一个渐进的过程。它不会在所有事情上同时变得更强，而是在不同任务上表现出极大的差异性。

能力高峰（Peaks）：在某些领域，如竞赛级数学题或特定类型的编程，AI的表现已远超人类顶尖水平。

能力低谷（Valleys）：而在另一些领域，AI则表现得非常愚蠢。例如，它可能无法理解简单的常识，或者无法学会一种只有几百人使用的濒危语言，因为其进步受限于物理世界的瓶颈——你必须亲自去采集数据。

那么，如何预测AI在某个特定任务上的进步速度？Wei提供了一个包含“3+1”规则的强大预测工具：

数字化 vs. 物理世界：任务越是纯数字化的，AI的进步速度越快。物理世界的瓶颈（如理发、管道维修）会极大地限制AI的发展。

数据可用性：AI的进步依赖于海量、高质量的数据。数据越丰富，进步越快。

验证的难易度：再次回到“验证者定律”，易于验证的任务进步更快。

（例外）人类反馈瓶颈：对于那些依赖人类主观反馈（如艺术审美）的任务，AI的进步速度会受限于人类提供高质量反馈的效率。

基于这套理论，我们可以清晰地看到未来的职业图景：

被AI重度加速的领域：软件开发、电影制作、科学研究等数字化、数据密集且结果易于验证的行业。

几乎不受AI影响的领域：理发师、水管工、手工艺人等受制于物理世界瓶颈的行业。

结论：如何在AI的锯齿状新大陆上导航

Jason Wei的三个观点——智能商品化、验证者定律和锯齿状边缘——共同描绘了一幅比任何极端预测都更复杂、也更真实的未来图景。

智能商品化告诉我们，认知能力的成本正在崩塌。

验证者定律为我们指明了AI能力扩张的方向和边界。

锯齿状边缘则揭示了AI发展的非线性、不均衡的本质。

对于身处变革浪潮中的我们而言，与其在“AI是否会取代我”的二元论中焦虑，不如拿起这三把标尺，重新校准自己的职业坐标。审视你的工作在多大程度上是数字化的、数据丰富的、以及易于验证的。学会利用AI放大你的优势，成为与AI高效协作的“人马”或深度整合的“赛博格”。

想要获取更多前沿的AI资讯和深度分析，探索大模型的无限可能，欢迎访问AI门户网站 https://aigc.bar，与我们一同在AI创造的这个“锯齿状”新大陆上，攀登属于自己的高峰。