正文
9年后，爱因斯坦级别的
AI
要来了？
OpenAI的Dan Roberts说，或许：
9年后，模型就能独立发现
广义相对论
级别的成果。
9年后。爱因斯坦级别的AI。这太夸张了。
凭什么这么说？
这要从ChatGPT发布的几个模型说起。从4o模型，到o1，再到o3。他们的推理能力，表现得越来越好。o3，能在1分钟的时间内，完成Dan Roberts要花3小时才能计算出来的物理问题。
为什么会这样？
Dan Roberts认为，答案可能是：
强化学习。
如果说预训练，是让AI模型通过“提前预习”，学到了海量知识，那么强化学习，就是让AI在不断的实践、试错和获得反馈中，自己摸索出解决问题的方法。4o模型，几乎全部是预训练计算。o1里，有了那么一些强化学习计算。o3里，强化计算的占比进一步增加了。
所以未来，
Open AI，打算继续加码强化学习。
他们相信，强化学习，是让AI从“博学的学生”，进化为能够独立思考、主动探索的“研究员”的关键路径。
以前，大家觉得强化学习，只是预训练这个大蛋糕上的一颗小樱桃，但OpenAI，打算用“巨大的强化学习樱桃”，压垮整个蛋糕。
所以，如果把AI的思考能力，按照7个月翻一番的速度来计算的话，想让模型能力到达爱因斯坦的级别，所花费的时间，差不多需要：
9年
。
不过，
有聪明的大脑还不够，还得有能干活儿的手脚才行。
于是，Nvidia的研究主管Jim Fan，提出了：
物理图灵测试。
通过“物理图灵测试”那天，似乎不远了
什么是“物理图灵测试”？
举个例子。
你刚和狐朋狗友，在家里聚完。好好的客厅，乱得像“战场”一样。
眼看老婆要发火，你赶忙对AI机器人说，收拾干净，顺便准备一顿烛光晚餐，让我领导开心开心。
很快，机器人三下五除二，家里窗明几净，桌上牛排红酒，浪漫得不行。最关键的是，你完全看不出来这活儿，是人干的还是机器干的。
如果真能这样，那恭喜，这个机器人就通过了“物理图灵测试”。
听起来不错，对吧？
但是，要让机器人在现实世界里学会各种技能，就得有大量数据来训练。
可是，让机器人在现实中一点点试错，收集数据，成本太高，效率太低。你要雇佣大量人员，操控机器人，在各种环境里完成任务。
Jim Fan把这种宝贵的真实数据，比作“人类燃料”。实在太金贵了，烧不起。
那怎么办？答案是：
模拟。
用AI技术，在电脑里，搭建出超级逼真的虚拟世界。一个人类实操的数据，可以叠加100种环境，100种条件，获得1万条数据。
由此，机器人就可以在虚拟世界里，进行亿万次的低成本、高效率、零风险的交互，从而收集数据。机器人的“智商”，得以飞速提升。
具身智能的时代，可能真的离我们不远了。
也许未来某天，当机器人通过“物理图灵测试”的时候，那天也将被认为，是一个普普通通的周二。
AI发展，不仅改变上层应用，也在重塑底层的基础设施。
比如：
数据中心。
AI，正在重塑数据中心产业
Crusoe公司的CEO，Chase Lochmiller提到，
AI，正在重塑数据中心产业。
为什么这么说？
现在，假设你是一个数据中心的负责人。你要考虑什么？
首先，一切都要为AI模型的性能服务。
AI模型的训练和推理，要调用十万，甚至上百万个GPU集群。所以，不能简单地把服务器堆在一起，要统一规划调度，确保网络、存储、计算单元之间的数据流转。
甚至，整个数据中心本身，都可以被看作是一台为AI计算打造的超级计算机。
不过，要驱动这么一台“超级计算机”，“动力”从哪里来，成了关键。
要运行十万、百万规模的GPU集群，所需要的电力特别惊人。根据中国能源报报道，一个典型AI数据中心消耗的电力，相当于10万户家庭的用电量。所以，那些风电、水电便宜，比如大草原、大沙漠、大河旁边的选址，就会更受青睐。
当然，强大的“动力”，也带来了惊人的热量。
一个AI服务器机架的功率，可能是以前普通服务器机架的十倍、百倍。再靠传统的空调制冷，可就完全不够用。你可能需要把整个服务器，都泡在冷却液里，才能达到效果。
所以，你看。
由AI驱动的基础设施变革，正在为能源、建筑、制冷、网络、芯片制造等多个传统行业，带来全新的挑战，和前所未有的机遇。
好吧。不过看来看去，这都是“大生意”，或者需要之前就在这些行业里，有所积累。
那么，没有积累，想要快速入局的普通创业者，又该怎么办？
