Ted Xiao: Verification 瓶颈决定 AI 物理加速上限

据 Woofun AI 消息，在近期举行的 Conference 上， 创始技术成员、前 研究员 发表了一场关于人工智能如何重塑物理世界的深度演讲。他并未盲目乐观地预测 AGI（通用人工智能）与通用机器人将自动带来物质丰裕的社会，而是犀利地指出，连接数字智能与实体制造的 Verification（验证）环节，才是决定 AI 能否真正加速物理世界研发与生产节奏的核心瓶颈。Ted Xiao 强调，即便模型生成设计方案的速度呈指数级增长，若缺乏高效、可信且低成本的验证机制，整体工程创新的上限仍将被牢牢锁定在物理测试的时间刚性之中。

当前的研究与投资版图正呈现出明显的双轨并行趋势：一端是聚焦于比特（Bits）的数字智能探索，另一端则是致力于原子（Atoms）层面的机器人学习与具身智能。在硅谷乃至全球科技界，这两大方向均取得了令人瞩目的进展。Bits 端的支持者致力于在数据中心构建'天才之国'，期望先创造出 AGI，再让其解决所有其他问题；而 Atom 端则专注于 robot learning，特别是机器人与物体接触时的灵巧操作及通用机器人的普及应用。

然而，Ted Xiao 提醒我们，即使假设 AGI 与通用机器人都能成功落地，为 post-AGI 社会做准备时，仍需审视二者之间缺失的关键环节：数字超级智能（digital superintelligence）究竟如何转化为实质性的生活质量改善？要回答这一问题，必须回归物质生活改善的历史逻辑。技术进步创造财富、推动社会繁荣并改善生活，其核心在于发明新的物理世界技术（physical technology）并将其规模化生产。我们今天所享受的舒适生活，是全球数百万工程师、科学家、设计师以及白领和蓝领工人世世代代辛勤工作的结晶。

将一项构想转化为大规模量产产品，需经历设计、工程开发、原型制作、投产前测试与认证、生产、爬坡及扩产等漫长链条。在这一链条中，虽然设计、分析等脑力工作可由数字化 AI 处理（图中蓝色部分），涉及物体接触和灵巧操作的任务可由通用机器人承担（图中粉色部分），但仍有大量工作无法直接交给它们。无论是从 GDP、劳动份额、行业利润率还是岗位数量来看，获得人类级操作能力并不意味着其余工程问题会自动解决。根据 Amdahl's law（阿姆达尔定律），一个程序的整体速度受制于那些必须按顺序完成、无法并行操作的部分。

假设 p 表示可加速环节原本占总耗时的比例，s 表示这部分工作的加速倍数。当能够加速的工作占原有总耗时的 50% 时，即便这部分工作变得无限快，整个过程的总耗时最多也只能缩短一半，即整体速度变为原来的两倍。只有当 p 接近 99%、99.9% 甚至更高时，研发、反复改进并投入使用所需的总时间，才可能缩短到原来的十分之一、百分之一甚至更少。因此，局部加速越快，未被加速的部分就越容易成为整个研发和生产过程的致命瓶颈。

许多工作所需时间难以压缩，首要限制来自测试本身的时间刚性。例如，测试快充电池需要进行负载测试和充放电循环测试，整个过程往往超过一年半。在药物研发领域，从最初的构想、研究和报告，到三期临床试验，有时需要十年以上。考虑到人体对照试验必须严格评估药物的安全性、疗效和副作用，这些实验所需的时间是无法省去的。更严峻的是，即使经过漫长的测试，实验结果仍可能不稳定且难以复现。美国生物技术公司（）的研究团队曾尝试复现 53 项有影响力的癌症临床前研究，最终仅成功复现 6 项，成功率约为 11%。