AGI临界点已至?代码70%由AI生成,但瓶颈远不止算法
01软件3.0范式正式确立
Karpathy将当前编程范式命名为“软件3.0”,区别于人类手写逻辑的“软件1.0”和数据训练模型的“软件2.0”。在新范式下,开发者通过自然语言描述需求,由AI智能体自主拆解任务、调用工具、生成并优化代码,全程无需人工干预。他强调,2025年12月是关键分水岭:此前AI生成代码需频繁修正,此后输出质量稳定超过中级程序员水平,使其个人编码比例从80%人工转为80%AI生成。这一转变催生“氛围编程”(Vibe Programming)实践,但Karpathy警告其局限性——AI在系统级优化、边界条件处理等深层维度仍表现脆弱,导致“锯齿化缺陷”频发。例如,AI生成的排序算法可通过常规测试,却在数组超长时因递归深度限制崩溃,暴露其对底层运行环境理解不足。143
02AGI实现时间预测两极分化
在Karpathy聚焦工程实践的同时,行业高层对AGI落地时间的预测呈现显著分歧。DeepMind联合创始人Shane Legg坚持其十五年来的判断,称2028年实现“最小AGI”的概率为50%,即能完成人类典型认知任务的系统。其同事Demis Hassabis在2026年4月访谈中亦表示AGI“未来五年内可能性非常大”。与此相对,马斯克在2026年初宣称“我们已经进入奇点”,而Stripe联合创始人Patrick Collison更将2026年第一季度称为“奇点的第一个季度”。然而,部分专家持谨慎态度。前OpenAI研究员Jerry Tworek指出,现有模型缺乏从错误中学习的能力,无法自主更新内部知识,这构成通往AGI的根本障碍。斯坦福AI Index 2025报告亦显示,尽管模型在基准测试上表现优异,“幻觉”与常识推理失败仍是系统性瓶颈。5678
03技术瓶颈共识与争议
- 计算架构反转:Karpathy指出,AI生成代码普及后,人类从昂贵资源变为廉价执行者,计算效率成为新瓶颈。AI擅长生成Python等高级语言代码,但在高性能场景(如图像处理)中执行效率低下,可能推高C++工程师需求。
- 可验证性危机:传统测试机制难以覆盖AI生成代码的“氛围正确性”——表面合规但深层存在隐患。MIT研究显示,当任务复杂度超过模型上下文阈值(GPT-5.5约12,000 token),可靠性断崖式下降。
- 物理层约束:除算法外,电力与散热成为硬性瓶颈。英伟达GB200机架单机功耗超120千瓦,液冷技术从可选变为必需;摩根士丹利预测2025-2028年美国数据中心电力缺口达47GW。
尽管存在分歧,多方信源确认当前AGI发展面临多重结构性瓶颈。DeepMind团队将核心障碍归纳为上下文窗口限制、跨任务迁移稳定性不足及长期记忆缺失。与此同时,产业界开始关注非算法因素:OpenAI总裁Greg Brockman在2026年3月指出,“harness”(即模型部署与集成工程体系)已成为比模型本身更大的瓶颈。此外,资本投入与实际收益严重脱节——高盛报告显示2025至2027年美国科技巨头AI基建开支预计达1.4万亿美元,但增量收入不足1500亿美元,引发泡沫担忧。这些现实约束使得部分观察者认为,AGI即便在信息层加速成熟,其向物理世界扩散仍将受制于能源、机器人硬件与安全认证等慢变量。691011
当前文章无评论,是时候发表评论了