AI时代的不可认知性：从谷神星设想到劳动力可扩展性的未来

我们对未来的想象力，或许已被无形禁锢。

眼下人们热议的，是AI生成内容那股挥之不去的机械感，以及它能否将自己从繁重工作中解放出来。

但Steve Newman泼来一盆冷水：何必紧盯着那些偶尔多出的手指？那不过是技术演化初期的“杂音”。

他援引阿马拉定律指出，技术的短期效应常被夸大，而长期潜能却总是遭受忽视。

如今我们觉得AI制造麻烦，是因为它仍在笨拙地模仿人类；可一旦突破那个“适应性阈值”，它将以人类无法想象的速率进行自我复制。

跨越这道红线之后，我们将步入一个“不可认知的时代”。

谷神星设想

当增长不再需要“说服”人类

Steve Newman在文中构想了一个名为“谷神星实验”的思想实验，颇具科幻色彩：

2055年，人类在小行星带部署了一套完全自动化的工业体系，从采矿、能源到芯片制造，全部由AI掌控。

该系统的唯一使命，便是实现指数级的自我复制。

为何选址必须在地球之外？

在地球上，任何技术的推广本质上都是一场旷日持久且令人疲惫的社会谈判。

需要经过环境评估、应对就业保护诉求、平衡政治角力与既得利益。

在这里，技术进步被层层“结构性摩擦”所包裹，举步维艰。

而在小行星带，这些摩擦荡然无存。在谷神星上，AI只需面对材料强度、能量供给与物理定律的约束。

增长，第一次无须征得任何人的同意。

更令人心悸的是其扩张逻辑。

在Newman的设想中，系统将如生物病毒般呈指数级自我复制：从1万到2万，从2万到4万……20年后，数量将达10万亿。

在生物界，这种增长往往预示着灾难；但在机械系统中，它却代表着极致的效率。

这正是Newman所强调的“文明断裂点”：没有失业，因为那里从未雇佣过人类；没有抗议，因为工业远离地球；没有政治，因为算法无需选票。

当然，这只是一个极端的隐喻。但现实演进必然更为混乱、更为笨拙。

这个隐喻揭示了一个残酷真相：一旦AI跨过某个自主性门槛，人类社会将不再是其必经之路。

当技术演进不再需要配合人类的节奏，我们所熟悉的世界便开始变得面目模糊。

劳动力终结

“人”不再是增长的锚点

人类所有经济体系都建立在一个前提之上：资本可以扩张，但劳动力不能。

你可以兴建更多工厂、印发更多钞票，但“人”始终是一个慢变量。

培养一名熟练工人、工程师或研究员，需要漫长的岁月、高昂的教育成本以及不可逆的经验积淀。

正是这种稀缺性，催生了工资、就业、福利制度，以及以此为基础的现代文明。

但Steve Newman指出：

一旦劳动力具备了“可扩展性”，整套结构将被碾碎。

在他的设想中，AI将取代并超越人类，成为“可无限复制的劳动力单元”。

培养一名成熟的人类专家需要20年；而用AI克隆一个顶尖的数字大脑，只需几秒钟。

历史上，技术进步总是伴随着旧岗位的淘汰，同时创造出新的瓶颈。

正如蒸汽机淘汰了体力劳动，却也放大了管理、工程、组织的需求；计算机实现了计算自动化，却让“认知劳动”变得更为重要。

但Newman担忧的是：

当AI不仅能干活，还能比人类更快地学会“下一件事”时，这种新的瓶颈可能将不再出现。

这种迹象在2025年已初露端倪。尽管多项研究显示，当前的AI编程工具在复杂任务中可能反而降低效率，但企业并未停止投入。

行业逻辑已发生翻天覆地的变化：整个开发流程正在“默认AI参与”。

METR于2025年初进行的随机对照实验表明，在复杂真实任务中，允许使用AI的资深开源开发者平均完成时间反而更长。尽管如此，专家与开发者在事前与事后的主观预测仍普遍高估AI带来的效率提升。

最终的结果，或许不是裁员公告，而是根本不会存在这类岗位。

Newman没有使用“失业危机”这种常见表述，而是更冷静地指出：

当劳动力变成一种像电力一样可以随时扩容、随处调度的资源，传统经济学中关于“工资、成本、价值”的直觉将彻底失去锚点。

如果绝大部分生产和研发都不再需要人类，那么“谁来消费、谁来支撑循环”这类问题，将成为认知危机。

我们赖以理解社会运转的那套语言，正在失效。而这，仅仅是第一层断裂。

科研失速

当“真理”产出超过人类的带宽

Steve Newman拆掉了科研界最后一个堡垒——人类的认知节奏。

他提出了一个令人脊背发凉的设想：如果AI成为科研体系本身，会发生什么？

在谷神星的隐喻里，那万亿个“数字大脑”只负责推高人类知识的边界。

这种体系一旦成形，人类的整体研发能力将被放大到百万倍量级。

这并非说AI比爱因斯坦聪明一百万倍，而是科研第一次摆脱了“注意力”和“寿命”这两个人类专属的限制。

在人类历史上，真正稀缺的从来不是灵感，而是验证灵感所需的时间。

一个理论要被验证，可能需要几十年；一个方向要被证明无效，也要耗尽一代人的职业生涯。

但在AI主导的体系中，失败几乎没有成本。模型可以并行探索无数路径，随时回滚、重组、再试。

这种趋势早已在现实中破土。在材料科学和蛋白质结构预测领域，AlphaFold重塑了结构生物学中“假设—验证”的节奏。

类似的变化也出现在新材料发现、催化剂筛选、药物分子设计中。

AI正在从“辅助者”变成“决策者”，由它来决定哪个方向值得投入，哪个方向该直接放弃。

但Newman真正担忧的，并不是效率的飞跃，而是“理解的滞后”：

当科研产出快到一定程度，世界的瓶颈将从“如何发现”转移到“如何理解”。

哪怕一个突破是正确的、有益的，人类社会是否来得及理解它的含义、评估它的风险、决定是否部署，都会成为问题。

这也是他提出“Unrecognizable Age（不可认知时代）”这个词的原因。

当生产、科研与部署形成了一个自我强化的闭环，人类才发现，自己正被AI飞速追赶。

历史坐标

临界点越来越近

Steve Newman试图将AI放在一个更宏观的历史坐标系里观察。

他判断——我们目前所处的阶段，本身就极其不寻常。

在进入农业社会之前，生产力几乎无法积累；而在农业社会之后，增长也极其缓慢，任何微小的技术进步往往都会被增长的人口迅速抵消。

这种“平滑”的状态持续了上千年。

Our World in Data整理的Maddison Project数据显示，从公元1年到1800年，全球GDP的曲线几乎是贴着地面移动。真正的“起飞”和加速，仅仅发生在工业革命之后的这两百年里。

这也解释了为什么AI产业的投入规模显得如此“反常”。

Newman对比了一组极具冲击力的数据：在考虑通货膨胀因素后，当前全球用于AI数据中心和基础设施的年度资本支出，正迅速逼近、甚至可能在未来几年内超过二战时期美国峰值的军费投入。

历史上，每一次改变世界的技术跃迁，都必须同时满足三个硬性条件：技术路径初步可行、资本高度集中、社会具备承受长期试错的能力。

在Newman看来，AI正在逐一满足这些条件。即便眼下的路径遇到瓶颈，整个行业也已经同步开启了替代方案的探索，从模型架构到能源方案，无一缺席。

他用“里氏10.0级”来形容这种震荡——一旦发生，事后再去讨论“应不应该”，往往已经没有任何意义了。

站在今天回看历史，很容易产生一种错觉：一切发生的都顺理成章。

农业出现了，工业革命发生了，电力和信息技术铺开了。每一次转折，都能被解释为“条件成熟”“技术必然”。

但对身处其中的人来说，从来不是这样。

变化不是用嘴说出来的，而是以预算、基础设施、流程重写的方式，一点点累积。

Steve Newman想提醒的，正是这种“进行时”的危险感。

也许AI会经历泡沫，很多预言都会落空。

但只要投入规模、技术惯性和制度绑定没有松动，这个系统就很难简单退回原点。

参考资料：

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