Nathan Lambert谈AI效率提升与扩散潜力

2026年10月10日，AI研究者Nathan Lambert在X平台发文，谈及对AI效率与递归自我改进（RSI）的反思。他表示，相比AI模型取得重大突破、从而消除大语言模型所有已知弱点，他更相信AI会变得高效得多，并认为效率提升是推动扩散模型的一大杠杆；他同时提到，在旧金山度过精彩一周后，乐意花几个小时反思RSI。同日，他在Interconnects撰文进一步预判，AI工程加速将快速到来，但方向不是通用超级智能：模型几年内将成为超人类的分布式GPU工程师，大幅加速训练与推理栈优化，但不会让模型本质发生剧变；他预测预训练的架构与数据选择研究将在2到3年内被自动化，模型智能有效成本将近指数下降，并触发Jevons悖论推高智能体需求，而通用超级智能之外的经济价值提升仍集中于数学和编码等领域。目前这些均为其个人观点，报道中未提及相关方回应。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。