2027 年，AI 会进化到什么程度？
在人类技术文明的漫长历史中，很少有一个具体的时间节点像「2027 年」这样，同时承载着弥赛亚式的救赎期许与末日论般的生存恐惧。
这不再是科幻小说家笔下的赛博朋克幻想，而是硅谷顶级实验室中，无数高性能芯片在冷却液中日夜计算出的物理必然。
2024 年末至 2025 年初，全球 AI 领域正处于一种诡异的「静默风暴」之中。地表之上，ChatGPT、Gemini、Claude 的每一次迭代都引发着资本市场的狂欢与公众的惊叹；地表之下，以 Anthropic、OpenAI 和 DeepMind 为代表的核心圈层却陷入了一种近乎窒息的紧张感。
这种紧张源于一个日益清晰的共识：递归自我进化的闭环即将闭合。
Anthropic 联合创始人兼首席科学家 Jared Kaplan 在近期的一系列深度访谈与内部研讨中，抛出了一个令整个科技界震颤的论断：
人类将在 2027 年至 2030 年之间面临一个「极其高风险的决定」—— 是否允许 AI 系统自主进行下一代 AI 的训练与研发。
这不仅关乎技术，更关乎人类作为物种的命运。
与此同时，Anthropic 最新发布（12 月 3 日）的内部深度调查《AI 如何改变工作》，正在揭示这场宏大叙事下微观个体的命运 —— 工程师的「空心化」和学徒制的崩溃。
在硅谷的「冻结招聘」与国内互联网大厂的「35 岁危机」背景共振下，我们该如何和 AI 共存？
是时候了，现在我们每个人都需要一份面向未来的「生存指南」！
Jared Kaplan 警告，人类必须在 2030 年前决定是否要冒终极风险，让 AI 系统通过自我训练变得更强大。
他认为这一举措可能引发有益的智能爆炸 —— 也可能成为人类最终失控的时刻。
在 Anthropic 公司内部，表达担忧的并非只有他一人。其联合创始人之一杰克克拉克在去年十月表示，他对 AI 的发展轨迹既持乐观态度，又深感忧虑，他将 AI 称为一个真实而神秘的生物，而非简单可预测的机器。
Kaplan 表示，他对 AI 系统在达到人类智能水平之前与人类利益保持一致非常乐观，但担心一旦它们超越这个临界点可能带来的后果。
要理解 Jared Kaplan 的警告，首先必须理解支配当前 AI 发展的底层物理规律 ——Scaling Laws，以及它为何预示着一个不可避免的「奇点」。
过去十年，深度学习的辉煌建立在一种粗暴而有效的哲学之上：堆砌算力与数据。Kaplan 本人正是「神经缩放定律」的奠基人之一。
该定律指出，模型的性能与计算量、数据集大小和参数数量呈幂律关系。只要我们不断增加这三个要素，智能就会「涌现」。
然而，到了 2025 年，这一范式撞上了两堵墙：
高质量人类数据的枯竭互联网上可用于训练的高质量文本已被挖掘殆尽。人类产生的每一个字符，从莎士比亚的十四行诗到 Reddit 上的口水战，都已被喂入模型。
边际效应递减单纯增加模型参数带来的性能提升正在放缓，而训练成本却呈指数级上升。
正是在这个瓶颈期，递归自我改进（RSI）成为了通向超级智能（ASI）的唯一钥匙。
Kaplan 及其团队的模型显示，AI 进化的下一阶段将不再依赖人类数据，而是依赖 AI 自身生成的合成数据与自我博弈。
根据 Anthropic 和 DeepMind 的内部推演，这一过程将经历三个泾渭分明的阶段：
第一阶段：辅助研发（2024-2025）
这是我们当前所处的阶段。AI（如 Claude Code 或 Cursor）作为人类工程师的「超级外骨骼」，辅助编写代码、优化超参数。在这个阶段，AI 的贡献是线性的，它提升了效率，但核心的创新路径仍由人类科学家规划。Anthropic 的数据显示，Claude Code 已经能够独立完成涉及 20 步以上的复杂编程任务，这标志着辅助能力的成熟。
第二阶段：自主实验员（2026-2027）
这是 Kaplan 警告的临界点。AI 智能体（Agents）开始独立承担机器学习（ML）实验的完整闭环。它们不再是写代码的工具，而是成为实验的设计者。它们提出假设、编写训练框架、运行实验、分析损失函数的异常，并根据结果调整模型架构。此时，AI 的研发效率将仅受限于算力供给，而不再受限于人类研究员的睡眠时间和认知带宽。
第三阶段：递归闭环与起飞（2027-2030）
当 AI 的研发能力超越人类顶级科学家（如 Kaplan 本人），它将设计出比自身更强大的下一代 AI。这种「子代」AI 拥有更高的智商和更优化的架构，从而能设计出更强大的「孙代」AI。这种正反馈循环一旦启动，智能水平将在极短时间内（可能仅需数周）呈现指数级跃升，即所谓的「硬起飞」。
「2027」并非一个随意的数字，它是多个技术与硬件周期耦合的结果。
无独有偶，此前另一个项目 AI2027 同样预测，在未来十年内，超人类 AI 的影响将是巨大的，其规模将超越工业革命。
AI 模型的训练依赖于大规模 GPU 集群的构建。
根据英伟达的路线图以及全球数据中心的建设周期，2027 年正是下一代超级计算集群（如 OpenAI 的 Stargate 项目或其同等规模设施）投入使用的节点。
这些集群的算力将是 GPT-4 时代的 100 倍甚至 1000 倍。
英伟达的 GPU 路线图中，2027 年底，最新芯片「费曼」也将启用。
DeepMind 的 Demis Hassabis 指出，AlphaZero 通过「自我博弈」在围棋领域实现了从零到神的突破，而不需要任何人类棋谱。
现在的目标是将这种「零人类数据」的学习范式泛化到编码和数学领域。
一旦 AI 能够通过自我生成的代码进行训练，并利用形式化验证来确保证明或代码的正确性，数据的天花板就被彻底打破了。
Kaplan 认为，这一技术突破将在 2026-2027 年间成熟。
Kaplan 警告的核心在于不可解释性（Uninterpretability）。
当 AI 开始自主设计下一代 AI 时，它所采用的优化路径可能完全超出人类的认知范畴。
想象一下，一个拥有万亿参数的 AI 发现了一种全新的数学结构来优化神经网络的权重更新。
这种结构极其高效，但极其晦涩。
由于人类无法理解这种优化机制，我们也就无法检查其中是否隐藏了「特洛伊木马」或错位的目标函数。
「这就像你创造了一个比你聪明得多的实体，然后它去创造一个更聪明的实体。你根本不知道终点在哪里。」Kaplan 在接受《卫报》采访时如是说。
这种失控的风险，迫使 Anthropic 等实验室提出了「计算阈值」（Compute Thresholds）监管方案，试图通过限制训练算力来为人类争取时间。
但在地缘竞争的压力下，这种自我约束的脆弱性不言而喻。
写到这里，再次让我想起，马斯克很早就说过的，人类只是某种数字生命的启动器。
从这个角度，不管人类是否自愿，这个过程已经不可逆了。
如果说 Kaplan 的预测是对未来的宏大叙事，那么 Anthropic 发布的《AI 如何改变工作》报告，则是一份关于当下的、充满血肉真实质感的田野调查。
这份报告基于对 Anthropic 内部数百名工程师的深度追踪，揭示了在技术奇点到来之前，人类劳动形式是如何被彻底重塑的。
Anthropic 的工程师们并非普通的软件开发者，他们是世界上最懂 AI 的一群人。
他们使用 Claude 的方式，预演了未来 3-5 年全球软件工程的常态。
调查显示，在短短 12 个月内，AI 在工作流中的渗透率发生了质变：
最引人注目的数据是「独立工具调用链长度」的翻倍。
这意味着 AI 不再是只能写一个函数的「补全工具」，而是能够像一个真正的工程师一样：读取需求-> 搜索现有代码-> 规划修改方案-> 编写代码-> 运行测试-> 修复报错-> 提交代码。
这一连串动作在以前必须由人类打断并串联，现在 AI 已经可以一口气跑完 21 个步骤。
报告特别指出了「Claude.ai」（聊天界面）与「Claude Code」（集成开发环境中的 Agent）的巨大差异。
在聊天界面中，自动化比例仅为 49%，人类仍需频繁介入对话。
在 Claude Code 环境中，自动化比例高达 79%。
这意味着，在专业的工程环境下，80% 的工作实际上已经由 AI 托管。
人类工程师的角色，正在从「创作者」转变为「监督者」。
生产力的提升令人欣喜，但报告的后半部分却充满了忧虑。Anthropic 极其诚实地记录了工程师们对自己职业未来的恐惧 —— 技能退化（Skill Atrophy）。
一位资深工程师在访谈中说道：「我以前认为我喜欢写代码，现在我发现我只是喜欢代码带来的结果。」
这句话道出了技术异化的本质。编程不仅仅是产出代码，它是一种思维训练。
通过一行行敲击代码、一次次面对报错、一步步调试堆栈，工程师建立起了对系统的物理手感和技术直觉。
当 AI 瞬间生成几百行完美运行的代码时，这个「痛苦但必要」的学习过程被省略了。
理解力的浅层化
工程师变得更加「全栈」（Full-stack），敢于触碰前端、数据库、运维等所有领域。但这种全栈是建立在沙滩上的。他们能让系统跑起来，但不知道系统为什么能跑起来。一旦遇到 AI 无法解决的深层逻辑 Bug（通常涉及到底层原理或极其复杂的交互），这些「速成全栈」工程师将束手无策。
验证的困境
随着 AI 生成的代码越来越复杂，人类阅读和审查代码的难度也在增加。工程师倾向于将那些「容易验证」（如单元测试能覆盖的）任务交给 AI，而回避那些需要深层审美和架构判断的任务。但问题在于，随着信任度的增加，边界正在模糊。
这是报告中另一个最具社会学意义的发现：初级工程师正在失去成长的土壤。
「我喜欢和人一起工作，但我现在越来越不需要他们了…… 初级人员不再像以前那样经常带着问题来找我。」
在传统的软件工程体系中，初级工程师（Junior）通过处理琐碎的 Bug、编写简单的测试用例、维护文档来积累经验，并在资深工程师（Senior）的指导下逐步成长。
这是一种类似中世纪行会的「师徒制」。
然而，AI 现在最擅长的正是这些「琐碎、低风险、易验证」的任务。资深工程师发现，与其花 30 分钟教实习生，不如花 30 秒让 Claude 完成。
于是，初级工程师失去了练手的机会，资深工程师失去了传道的动力。这预示着一个可怕的未来 ——「断层的一代」。
当现在的资深工程师退休后，谁来接班？我们是否正在培养一代完全依赖 AI 拐杖，一旦断网就彻底丧失能力的「空心工程师」？
站在 2025 年的节点上，望向 2030 年的迷雾，每一个个体都必须进行一场深刻的自我革命。
Jared Kaplan 的 2027 警告或许是悬在头顶的达摩克利斯之剑，但未来并非已成定局。
在奇点到来前的最后几年里，请务必抓紧手中的方向盘，保持清醒，保持痛感，保持工程师的骄傲。
参考资料：
https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic
https://www.theguardian.com/technology/ng-interactive/2025/dec/02/jared-kaplan-artificial-intelligence-train-itself
本文来自微信公众号：新智元（ID：AI_era），原标题《2027 年，人类最后一次抉择》
