首先需要解释的是,"等待计算"这个术语来自 MIT 毕业生、著名作家 Ethan Mollick 今年早些时候的一篇文章。我正在查看这位专家最新发布的一条 X 帖子,内容是关于 AI 在我们即将进入 2025 年时能做些什么。
我先从这条 X 帖子本身开始,原文如下:
"Claude,换尿布、策划入侵、屠宰猪、驾驶船只、设计建筑、写十四行诗、平衡账目、砌墙、接骨、安慰临终者、接受命令、下达命令、合作、独立行动、解方程、分析新问题、铲粪、编程、烹饪美味佳肴、高效战斗、勇敢赴死。...按顺序完成,不要跳过任何一项。"
让我稍微回顾一下。
基本原理:等待变革
在 2024 年 1 月的博客文章中,Mollick 通过提出一个简单的选择来阐述他的观点:
如果你要前往深空中的一个目的地,使用当前技术需要 12,000 年 - 你是现在就出发,还是在地球上再等几百年,直到技术进步?
这让我想起了广受欢迎的《三体》系列,这部作品将中国作家对科幻小说的诠释带给了广大美国读者。
在书中,当人类前往宇宙遥远地区寻找外星生命时,他们会脱水自己的身体,让自己进入暂时但漫长的睡眠状态,以便在目的地重新构建。
书中引用了一个角色的话 (非逐字引用):
"当鱼上岸时,它就不再是鱼了。当人类进入太空时,他们就不再是人类了。"
这段简洁有力的进化论述说明了超越过去可能性界限的重要性。从某种程度上说,我们现在就处于这样的 AI 时代。
例如,如果下一代人配备了高科技的机械辅助设备,增强了他们的感官和能力,他们还能被完全视为人类吗?
总之,Mollick 提出了一个基本前提:我们在 20 世纪所做的许多事情现在已经在功能上过时了。
工作的崩塌
这个论点不仅仅是关于工作岗位的替代。它不是关于未来机器人将代替人类做什么。它是关于人们在 20 世纪 80 年代、90 年代、21 世纪初和十几年前一直到今天所做的所有工作。
假设你正在建立一个新颖的物理治疗计划,或研究癌症治疗方法,或头脑风暴媒体宣传活动,或做任何kind of推动行业进步的认知工作。Mollick 本质上在论证,你本可以等待,然后使用今天的技术来更快地完成它,最终会比我们现在的进度更快。
他写道:"在过去十年左右的时间里,我一直在努力开发游戏来帮助人们学习和创新。而所有这些工作突然间因为去年 ChatGPT 及其后继者的发布而被压缩、扭曲和加速。我所在的团队做了有价值的研究,并产生了具有真实影响力的教学经验,但在某种程度上,如果我们能够预见 AI 的演变,我们本可以等待。"
然而,他也指出,要达到这一点,我们确实必须进行认知工作,以发现技术本身。
所以最终,这可能有点像第 22 条军规那样矛盾。但这个想法还有另一个我想强调的非常重要的组成部分...
AI:物理和认知任务的进展
事情是这样的 - 很多时候,当你和某人谈论 AI 时,他们似乎会有一瞬间的不确定或恐惧,但他们会安慰自己说,虽然 AI 是一个超级强大的思考者,但它还不擅长物理任务。
另一方面,我们这些站在行业前沿的人认识到,AI 机器人已经可以做一些事情,比如 (就像 Mollick 说的那样) 铲粪或换尿布。
机器人的灵巧度正在迅速提高,就像 AI 的认知能力一样。我们只是没有像在浏览器中看到 ChatGPT 那样在街上看到机器人。我认为,所有这些将在几个月内而不是几年内发生变化。
所以我们拭目以待。我们将过好新年假期,但随着一月份的到来,我们将看到更多,因为公司和创新者争相利用技术所能提供的一切。
而最终,技术所能提供的几乎就是一切。
好文章,需要你的鼓励
五家光学存储初创公司正在开发长期存储技术,旨在用超过100年寿命的光学介质替代只有5-7年寿命的磁带。这些公司包括Cerabyte、Ewigbyte、HoloMem、Optera和SPhotonix,它们的技术类似微软Project Silica项目。光学存储介质具有更强的化学、冲击、辐射、水和热抗性,同时保持低能耗和高容量特性。
北京大学团队开发的DragMesh系统通过简单拖拽操作实现3D物体的物理真实交互。该系统采用分工合作架构,结合语义理解、几何预测和动画生成三个模块,在保证运动精度的同时将计算开销降至现有方法的五分之一。系统支持实时交互,无需重新训练即可处理新物体,为虚拟现实和游戏开发提供了高效解决方案。
Nutanix发布分布式主权云产品组合更新,为多云环境提供更安全的运营和管理功能。该解决方案支持企业在分布式环境中灵活部署和治理基础设施,运行传统虚拟机、现代云原生和AI应用。新功能包括支持完全断网环境的暗站点管理、政府云集群正式发布、Kubernetes平台增强安全合规性、企业AI平台集成NVIDIA微服务,以及云平台新增跨站点灾难恢复能力,为用户提供统一管理和运营简化体验。
达尔豪斯大学研究团队系统性批判了当前AI多智能体模拟的静态框架局限,提出以"动态场景演化、智能体-环境共同演化、生成式智能体架构"为核心的开放式模拟范式。该研究突破传统任务导向模式,强调AI智能体应具备自主探索、社会学习和环境重塑能力,为政策制定、教育创新和社会治理提供前所未有的模拟工具。