持续学习时代的八个预测

Dwarkesh Patel 的这篇文章很短，但它在做一件不太寻常的事：它并不论证持续学习值得追求，而是把持续学习当作一个几乎确定会到达的终点，然后追问一旦到达那里，AI 领域的其余部分会是什么样子。这八条预测都是同一个结构性变化的后果；把前提和收益分开来看，论证会更清楚。

前提在开头就已给出，随后用全文最令人印象深刻的一个比喻来说明。Patel 的主张是：如果一个 AI 只能把跨会话学到的东西以书面笔记的形式携带下去——用他的说法，就是 Markdown 文件——它就做不到以人类水平完成整份工作。萨克斯的类比把这种直觉变得具体：一串学生，每个人都没吹过萨克斯，每个人在动手之前先读上一个人的笔记，这样永远也培养不出一个熟练的演奏者。笔记可以无限累积，却始终不会变成那项技能。

到了某个时刻，你必须把经验积累进大脑里。

这个类比的力量来自它把瓶颈放在了哪里。问题不是笔记写得差，也不是学生偷懒；问题在于某类能力只能通过把经验积累进将要使用它的那个系统才能获得。Patel 把这一点推广到 AI 智能体将要被部署的众多工作场景，这也是整篇论证在商业上最关键的部分：萨克斯的例子只是一个替身，代表任何依赖默会知识、累积经验和组织特有技能的工作。