正文
非常干净的奖励信号（clean reward signal）
。
比如说，完成诺奖级研究所涉及的任务，往往具备更多层次的「可验证性」
。
相比之下，
一部「值得获奖」的小说需要的是审美判断与文学品味
，
这些就非常主观，难以量化。
所以
模型很可能会更早地在科学研究领域实现「诺奖级突破」，
而不是先写出一部能赢得普利策奖的小说。
普利策奖奖章
但至少两位创作者，
已经用LLM写出了完整的长篇书稿
。
他们都非常擅长为设计文章结构和提示（scaffolding&prompting）。
也就是说，关键不是模型不行，而是你会不会用。
本质上，「电脑操作智能体」（Computer Use Agent）和「软件工程」智能体没有多大区别。
只要能电脑操作把表示成token输入，LLM就能处理。
模型现在能「看图」，能画图，能理解复杂的概念，这些基本已经实现。
电脑操作唯一的区别是：
比数学和编码更难嵌入反馈回路中
。
但这只是难度更高，不代表做不到。
而且，大家低估了现在AI实验室到底有多「糙」。
外界以为这些实验室运转得像完美机器，其实完全不是。
这些大模型的开发流程，实则是在巨大的时间压力下仓促构建的。
-
团队人手严重不足
-
优先级很难排
-
每一步都是在「边干边补」的状态下推进的
实验室在疯狂招人、培训人，根本还没轮到把「AI操作电脑」当作重点。
相比之下，「编码」是更有价值、也更容易落地的方向。所以更值得优先集中资源突破。
在软件工程基准测试SWE-bench中，Claude4与其他模型的比较
一旦模型能搞定代码，价值会
呈超级指数级
释放。 而电脑操作虽然也重要，但优先级自然就排后面了。
还有个被低估的因素：研究员们喜欢研究
他们认同的「智能标准」
。
为什么是数学、竞赛编程先突破？因为那是他们认可的「聪明」。
他们觉得：「要是模型能在AIME（美国数学竞赛）上赢我，那才是真的强。」
但你让它做Excel报表？无人在乎。
所以现在的局面是： 模型在他们心目中已经够聪明了，
但大家还没把精力花在「电脑操作」这块上
。
一旦资源倾斜过来，这块进展也不会慢。
Ai2的科学家Nathan Lambert，也认同这种观点：
RLVR没学会新技能，是因为投入的算力不够大。
如果投入算力总量的10%-25%，我猜模型会让人刮目相看。
如果未来一两年内，智能体开始上岗，软件工程实现自动，模型的使用价值将呈指数级增长。而这一切的前提，是海量算力的支持。
关键在于
推理的算力问题
，但这被严重低估了。
目前，全球大约有1000万张H100级别的算力芯片。
Epoch
AI
估算的
GPU
算力变化和趋势
有研究估算，一张H100的浮点运算能力，大致相当于一颗人脑。
如果以AGI达到人类推理效率为假设，这意味着今天的地球上，理论上已经能同时运行1000万个AGI。
这个数字到2028年预计将达到1亿张。但即便如此，可能仍不够。
因为人类正以每年2.25到2.5倍的速度扩张算力，但在2028年左右，将迎来上限：晶圆产能的物理瓶颈。
建厂周期很长，一旦触顶，算力增长就会放缓。
再者，有些人认为人类离真正拥有长上下文、一致意图、强多模态能力的AGI还很远。
这正是在「AGI实现速度」上，业内意见分歧的关键所在。
这背后有两个关键认知差异：
第一，业内很多专家认为——要在长上下文推理、多模态理解等方面实现突破，没那么快。
人类级别的推理能力，通常需要算力提升几个数量级才能支撑。
第二，芯片问题，还包括电力、GDP等限制等可能让算力增长停滞，而如果到2028或2030年还没实现AGI，那之后每年的实现概率，也许就会开始大幅下滑。
窗口期，稍纵即逝。
就AGI实现问题，Leopold Aschenbrenner写了Situational Awareness
。
Leopold Aschenbrenner：专注于AGI的投资人，OpenAI超级对齐团队前成员
其中，有个小标题就叫做「This Decade or Bust」，大意为「这十年，不成则废」。
意思是：我们能不能搞定AGI，基本就看这十年了。
长文中对有效算力的预测
未来几年，
还可以显著增加训练算力
