首个部署人工生成智能(AGI)的国家将赢得一切!

真正的AGI将具备自我代码重写能力,其认知扩展速度将使行动迟缓的竞争对手望尘莫及。在这场竞赛中没有亚军——只有被甩得越来越远的落伍者。

何为AGI?

在探讨AGI影响前需先明确其定义。根据谷歌的定义,AGI是一种能够理解或学习人类所有智力任务的AI。亚马逊补充称其具备自我学习能力,可解决未经明确训练的问题。而顶尖实验室的共识并非对标“普通人类”,而是“天才级”智能。未来已近:OpenAI近期o3模型在挪威门萨智商测试中得分136,属于天赋异禀范畴。

试想天才级AI的意义:数千个此类智能体互联互通、永不疲倦、专注无休,涌入所有科学领域。这一图景已在生物学、物理学及所有科研领域初现端倪。业界领袖已摒弃“数十年”时间表:谷歌指向2030年,埃隆·马斯克与安斯罗皮克(Anthropic)的达里奥·阿莫代预测2026年,英伟达的黄仁勋倾向2029年,山姆·阿尔特曼则宣称OpenAI已掌握实现路径。当《纽约时报》于今年3月警示全球顶尖AI公司高层预期AGI即将降临时,公众对其迫近的认知开始转变。

丹尼尔·科科特洛(Daniel Kokotajlo)的“AI 2027”场景描绘了最清晰的路线:一旦AI自主制定研究议程,其可将一年工作量压缩至一个月,随后以指数级加速直至受限于算力上限。各国因忌惮他国失控系统,选择加速而非安全检查,形成风险加速循环——AI发展未伴随对齐(AI-alignment)进展,可能导致专制AI控制人类或文明崩溃。

机械可解释性、红队评估及宪法式指令调优等技术领域正在发展。但谨慎态度与不可抗拒的激励相互角力:若某国最后解决对齐问题却率先部署,仍能独享其利。

通用人工智能(AGI)真的可能实现吗?

人类研究能力年均增长约5%,而AI认知劳动当前正以快500倍的速度扩张并自我优化。按此速率,AI总认知能力仅需数年即可超越全体人类总和。OpenAI与Epoch AI的保守模型显示,全球研究产出或每年翻五倍;即便预测误差达50%,人类也即将把百年研究进程压缩至十年内。

算力匮乏、数据混乱,法律至物流等传统流程都需重建。在AGI全面冲击前,几乎所有商业、工业及行政流程将经历创造性破坏的颠覆式革新。此类剧变将令工业革命的影响相形见绌——因剧变将在数月或数年内爆发,而非以数十年为周期展开。无论以何种衡量尺度,AGI的社会冲击都将空前巨大,而当代"卢德主义者"尚未发声。若缺乏新"社会契约",他们必将筑起街垒。

人类大脑为躲避剑齿虎演化而成,其研究能力远弱于专为研究优化的AI。当前一枚高端芯片已能在数小时内吸纳某学科全人类知识积累。阿尔贡国家实验室发现,AI展现"创新"能力(此前人类专属)令用户惊叹。难以想象一旦AI全力突破瓶颈,未来卢德主义者将如何对抗这种高度聚焦的智力集群。

代理革命浪潮

大语言模型仅是序章,自主代理(Agent)方为下一波浪潮。谷歌将代理定义为具备记忆、规划与自主性以实现用户目标的软件。谨慎探索多年后,英伟达首席执行官黄仁勋认为2024年将是代理"腾飞之年"。此类代理一旦嵌入工作流,可交互式助力科研探索、客服支持、健康宣教或个性化服务,亦可作为自主后台进程自动化常规任务、分析数据洞见、优化流程或预警潜在问题——与人交互降至最低。

咨询巨头埃森哲构想的未来中,AI代理网络如蜂群般各司其职、分工协作:典型《财富》500强企业依赖千余个应用,经分析师与中层管理者中介运转。若以AI代理交织网络替代这些层级,组织架构将瞬间坍塌——决策延迟从周级缩至分钟级,管理者无需监督基层,转而专注目标优化,实现质量提升、生产率跃升与成本自主削减。

全球影响

美国国会预算办公室(CBO)在忽略AI影响的前提下,预测美国长期经济增长率为2%——即每36年经济规模翻一番。即便采用最悲观的AI影响模型,该增速也将额外提升2个百分点——使当前28万亿美元的美国经济在一代人生命周期内膨胀至500万亿美元。这一增速与工业革命巅峰期(1870-1914年)西方世界的增长水平相当,而彼时的剧变曾引发社会动荡与两次世界大战。

当前对AI经济增长影响的最悲观预测显示,其将为GDP增速额外贡献2个百分点。这意味着今日出生的婴儿将在有生之年见证美国GDP从28万亿美元跃升至500万亿美元。英伟达首席执行官萨提亚·纳德拉预测增速可达10%——使本世纪末经济规模达57千万亿美元;Epoch AI的30%增速模型则生成连经济学家都避之不及的天文数字。此类数据虽近乎不可理喻,却恰如工业革命初期人类对当今28万亿美元经济体量的无法想象。

假设政治因素延缓技术应用:2030年前美国GDP年均增速仅4%,2035年前加速至10%。美国仍将在本世纪中叶达55万亿美元规模,2050年飙至285万亿美元——若国会克制新增支出,五年内可消除年度赤字,今日新生儿上大学前清偿国家债务。

对比视角:历经250年工业发展,2022年全球经济总量方突破100万亿美元。AGI将这一历程压缩至一个抵押贷款周期——10%增速下资本形成每七年翻一番,为万亿级技术投资与国家安全注资。

美国虽实施芯片制裁,中国华为正测试媲美英伟达H100的商业芯片。

AGI赋能代理战争的颠覆性影响

代理战争时代即将来临,而我们才刚刚开始思考其深远影响。本杰明·詹森博士近期阐述了代理冲突的演进逻辑,此处无需赘述。关键在于认知:代理战争迫在眉睫,传统军事组织几乎无法应对其挑战。

理解代理化部队与传统军队差异的绝佳案例是1991年伊拉克军队的遭遇——其在100小时内被彻底击溃。AI研究员利奥波德·阿申布雷纳在必读文章《态势感知:未来十年》中指出"沙漠风暴"行动压倒性胜利的根源:"技术代差并非神迹般不可逾越,却具备绝对决定性:制导弹药、隐身技术雏形、更优传感器、坦克夜视与沙尘暴作战能力、先进战机与侦察优势……"

任何掌握并维持代理优势的国家,将获得堪比"沙漠风暴"时期美军的军事优势。当AGI融入军事体系后,技术代差将真正呈现"神迹般不可理解"的形态。

当前应对举措远未达必要紧迫性。例如DARPA今年1月研究表明,人类可单人有效管控超100架异构空陆自主载具集群,仅短暂出现负荷压力。这虽彰显人类成就,却暴露出认知谬误:在AGI主导的冲突中,100架无人机将由单个AI代理控制,而数千个同类代理各自指挥百架以上集群,向负责不同任务的超级AI代理(如攻击集群护卫、作战规划执行、代理协同校准等)汇报。AGI赋能的军事力量扩展无上限,因其可实现跨域战区间协调,人类仅需在指挥链顶端存在。

冲突爆发时,AGI驱动经济体将以空前速度投送物资:数百万工业机器人自主转向军工生产。战争伊始,超人类级网络攻击即可瘫痪敌手系统,使数十亿无人机沦为废铁。即便部分系统免遭攻击,敌方反击亦将徒劳——新型超级WMD与AGI防御体系构成绝对屏障。阿申布雷纳描绘的恐怖场景足以令AGI竞赛落后者脊背发凉:

增强型传感器网络可定位最静音核潜艇(移动导弹发射车同理);借助隐身技术突破的亿万鼠型自主无人机可渗透敌后,隐秘定位、破坏并斩首核力量;升级传感器与瞄准系统大幅提升反导效能,机器人兵工厂可为每枚来袭导弹量产数千拦截弹——此等能力尚未纳入全新科技范式已足够致命。

结论

美"第三次抵消战略"已惨败告终。美国执着于昂贵武器系统,而对手凭借导弹、无人机、网络等不对称优势胜出。AGI赋能的军事经济体系将提供巨大机遇。若率先赢得代理战争部署竞赛并耦合AGI,过往失误将烟消云散,新范式将确保自由、安全与繁荣。此番较量,不容有失。

参考来源:Realclear Defense

成为VIP会员查看完整内容
1

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
中文版 | 集中式与分布式多智能体AI协调策略
专知会员服务
11+阅读 · 5月8日
【斯坦福博士论文】在复杂环境中决策学习内容
专知会员服务
30+阅读 · 4月14日
中文版 | 人工智能将如何影响战场行动
专知会员服务
21+阅读 · 4月13日
通用人工智能时代的国防优势
专知会员服务
19+阅读 · 2月4日
北约的人工智能决策支持愿景面临的障碍
专知会员服务
20+阅读 · 2024年8月6日
无人系统集群与生成式人工智能: 挑战、应用和机遇
专知会员服务
134+阅读 · 2024年3月29日
人工智能与博弈论的融合:彻底改变战略决策
专知会员服务
65+阅读 · 2024年1月23日
人工智能与无人机战争的未来:风险与建议
专知会员服务
79+阅读 · 2023年10月6日
人工智能技术在军事领域的应用思考
专知
41+阅读 · 2022年6月11日
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
人工智能应用实践与趋势
人工智能学家
13+阅读 · 2019年9月20日
深度学习的下一步:Transformer和注意力机制
云头条
56+阅读 · 2019年9月14日
深度思考 | 从BERT看大规模数据的无监督利用
PaperWeekly
11+阅读 · 2019年2月18日
计算:XGBoost背后的数学之美
论智
12+阅读 · 2018年8月20日
实战 | 基于深度学习模型VGG的图像识别(附代码)
七月在线实验室
12+阅读 · 2018年3月30日
报名 | 知识图谱技术和在司法领域的应用
THU数据派
24+阅读 · 2017年9月11日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2013年12月31日
Arxiv
169+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
459+阅读 · 2023年3月31日
Arxiv
168+阅读 · 2023年3月24日
Arxiv
24+阅读 · 2023年3月17日
VIP会员
相关VIP内容
中文版 | 集中式与分布式多智能体AI协调策略
专知会员服务
11+阅读 · 5月8日
【斯坦福博士论文】在复杂环境中决策学习内容
专知会员服务
30+阅读 · 4月14日
中文版 | 人工智能将如何影响战场行动
专知会员服务
21+阅读 · 4月13日
通用人工智能时代的国防优势
专知会员服务
19+阅读 · 2月4日
北约的人工智能决策支持愿景面临的障碍
专知会员服务
20+阅读 · 2024年8月6日
无人系统集群与生成式人工智能: 挑战、应用和机遇
专知会员服务
134+阅读 · 2024年3月29日
人工智能与博弈论的融合:彻底改变战略决策
专知会员服务
65+阅读 · 2024年1月23日
人工智能与无人机战争的未来:风险与建议
专知会员服务
79+阅读 · 2023年10月6日
相关资讯
人工智能技术在军事领域的应用思考
专知
41+阅读 · 2022年6月11日
Gartner 报告:人工智能的现状与未来
InfoQ
14+阅读 · 2019年11月29日
人工智能应用实践与趋势
人工智能学家
13+阅读 · 2019年9月20日
深度学习的下一步:Transformer和注意力机制
云头条
56+阅读 · 2019年9月14日
深度思考 | 从BERT看大规模数据的无监督利用
PaperWeekly
11+阅读 · 2019年2月18日
计算:XGBoost背后的数学之美
论智
12+阅读 · 2018年8月20日
实战 | 基于深度学习模型VGG的图像识别(附代码)
七月在线实验室
12+阅读 · 2018年3月30日
报名 | 知识图谱技术和在司法领域的应用
THU数据派
24+阅读 · 2017年9月11日
相关基金
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2013年12月31日
微信扫码咨询专知VIP会员