下一代计算机革命无需CPU与操作系统仅靠AI驱动

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

站在2026年的节点回望，人工智能的演进轨迹正处在一个微妙的岔路口。一边，是递归自我改进可能引爆的经济增长奇点；另一边，是“神经计算机”这类概念对传统计算底层的彻底重构。最新一期的《Import AI》由Anthropic联合创始人Jack Clark执笔，串联起了几则看似独立、实则相互咬合的前沿动态。你会发现，政策制定者开始意识到，有效的治理未必是急于定下死规则，而是先构建未来随时能接管局面的能力；技术先锋则在尝试让神经网络不再只是“运行在计算机上”，而是直接成为“计算机本身”；经济学家们的模型则指向一个激进的结论：AI自动化率一旦跨过某个隐秘的阈值，增长曲线就可能从线性跃迁至近乎失控的轨道。与此同时，基础设施的进化也未停歇。这些线索单独审视已足够重磅，但只有将它们拼合在一起，才能感受到那种真正的时代压力：AI早已超越单一的产品周期，它正在逼近制度、经济与技术底座的交汇点。

以下是本期简报的核心编译与解读。

AI的监管：一条名为“激进可选性”的中间道路

关于AI监管的争论，似乎总在“严管”与“放任”两个极端间摇摆。但最近，来自Institute for Law & AI的研究团队提出了一条颇具智慧的中间路线：激进可选性。其核心理念相当务实：政府现在就应该投资建设未来可能急需的监管工具与能力，哪怕这些工具今天看起来还用不上。

“激进可选性”最有价值之处，在于它跳出了非此即彼的思维定式。它主张，面对高度不确定的变革型AI，当下最成熟的做法未必是仓促立法，而是优先建设一套在未来任何危机场景下都能快速启用的“制度基础设施”。这包括但不限于：法定的信息获取权、跨部门的协同与数据共享机制、专业的第三方评估体系、对前沿实验室内部员工的吹哨人保护制度，以及围绕核心模型权重的安全标准框架。

换句话说，它的重点不是“现在管什么”，而是“先把能看见、能判断、能有效响应的能力建起来”。这套框架承认了一个常被忽视的现实：最大的不确定性并非“有没有风险”，而是“风险会以何种意想不到的形态到来”。如果未来AI引发的挑战是研发竞赛、劳动力结构剧变、战略安全等多重危机的复合体，那么今天基于特定技术定义写死的法规，很可能迅速过时。因此，论文强调“灵活规则与动态定义”，甚至建议赋予监管机构快速更新规则的程序能力，同时通过强制审计、报告义务与能力评测，确保公共部门在关键时刻不至于完全依赖企业的自我报告。

当然，任何“为未来危机预置权力”的设计都伴随着固有风险。正如Jack Clark在转述时提醒的，这些工具本身或许“不重”，却可能在整治环境变化后被重新解释乃至滥用。因此，“激进可选性”真正的难点，不仅在于提升治理能力，更在于如何在提升能力的同时，牢牢守住民主程序、权力制衡与防止滥权的底线。从这个角度看，它远非一篇简单的监管倡议，而更像一份关于“国家如何在不确定时代保留关键行动能力，同时避免被自身能力反噬”的治理设计草案。

神经计算机：当“操作系统”本身成为一个神经网络

如果说上述讨论仍聚焦于如何治理“现有形态”的AI，那么Meta与KAIST研究者合作的《神经计算机》论文，则指向了一个更为根本的范式变革：未来的计算机，可能从底层架构上就与我们今天的认知截然不同。

论文提出了一个堪称大胆的设想——用一个巨型的、统一的神经网络，完全取代传统计算机的架构。计算、内存、输入输出……所有这些功能都将被整合到一个“学出来的运行时状态”中。直白点说，未来的电脑可能不再需要Windows、macOS或任何我们熟知的操作系统，它本身就是一个能直接理解并执行用户指令的智能体。

这个想法之所以引人注目，除了其碘伏性，还与作者背景有关。论文作者之一Juergen Schmidhuber是AI领域的传奇人物，早在数十年前就预言了诸多当今的基石技术。用Jack Clark的话说，这个想法“离谱到简单，以至于它可能是对的”，尽管实现它需要远超当前的算力与数据。

不妨做个更直观的比喻：你现在操作电脑，是通过界面下达指令，由操作系统调度硬件资源来执行。而神经计算机的愿景，是将这整个链条压缩进一个智能黑盒。你无需关心底层是x86还是ARM架构，也无需管理内存或进程，只需提出“帮我写份报告”或“分析这组数据”的需求，黑盒内部的神经网络“大脑”就会直接给出结果。

研究团队已完成了初步的概念验证。他们利用强大的视频生成模型和精心策划的数据，创建了命令行界面和图形用户界面两个版本的原型。根据论文描述，命令行版本已经能够“渲染并执行基本的命令行工作流，通常能保持与终端缓冲区的对齐，并捕捉到日常使用中的常见特征”。图形界面版本则展示了更接近现实交互的潜力。

当然，这仅仅是万&里长征的第一步。目前的原型，用Jack Clark的评价，犹如“莱特兄弟首次试飞前的滑翔实验”，只是预示了一条可能路径的起点。但它揭示的方向极具启发性：未来的软件，或许不再以代码文件的形式存在，而是直接“活”在神经网络的权重之中。正如论文所展望的，这种系统将“极其有用，与今天的系统完全不同”，它的存在本身，也可能极大地改变我们对于计算乃至现实的理解。

13%的阈值：递归自我改进如何引爆经济增长

如果说神经计算机描绘的是硬件与软件范式的革命，那么来自经济学家的这项研究，则试图用严谨的模型回答一个更宏观的问题：当AI获得递归自我改进的能力——即能够自动化其自身的后续研发——整个经济将驶向何方？

Forethought、哥伦比亚大学和弗吉尼亚大学的研究者构建了一个宏观经济模型，其结论可以用一个关键数字概括：13%。

模型显示，当全行业范围的AI自动化率达到约13%时，整个经济就可能被推入爆发式增长的轨道。如果聚焦于研发领域，这个阈值约为17%。其中，硬件研发被证明是杠杆效应最强的关键领域——其投资回报率大约是软件研发的五倍，是全要素生产率（TFP）的十倍。这意味着，芯片设计等硬件领域的每一项自动化突破，所产生的经济放大效应远超其他部门。模型甚至指出，仅硬件研发领域达到20%的自动化率，就足以单独触发经济增长的范式转换。

这一过程将由两个强大的正反馈循环驱动。首先是技术循环：自动化AI研究能产出更强大的AI，而更强大的AI又能以更高效率推动下一轮研究的自动化。其次是经济循环：生产率提升带来更多产出和资源，这些新增资源又被重新投入到能驱动进一步增长的研发活动中。两者一旦形成合力，加速效应将难以逆转。

在基准模拟中，一个假设的“自动化冲击”——例如软件研发完全自动化，同时其他经济部门有5%的自动化——将使所谓的“经济奇点”在大约六年后到来。研究者特别指出，近期软件和硬件领域生产率的增速已经异常迅猛，因此向新的增长均衡或加速状态的过渡，“可能极为迅速”。

这项研究给出了一个非常实用的启示：追踪AI研发活动中的自动化水平，其重要性或许不亚于监测传统的GDP或通胀率。关键领域的自动化程度，可以作为经济增长即将进入加速区间的早期预警信号。值得一提的是，论文合著者之一Anton Korinek目前就在Jack Clark所在的Anthropic工作，而他的这项研究与Clark关于递归自我改进的评论文章恰好在同一天发表——双方此前并未沟通——这一巧合也为整个话题增添了一丝戏剧性的注脚。

谷歌的“世界计算机”：分布式训练走向全球韧性网络

分布式训练技术常被视为让算力有限的参与者联合起来的工具。但谷歌DeepMind最新提出的“Decoupled DiLoCo”技术表明，同样的思路也能服务于另一个极端：帮助拥有全球数据中心的科技巨头，将异构、跨地域的算力资源整合成一台坚韧的“世界计算机”，以应对超大规模的训练任务。

这项技术的核心突破在于实现了真正的异步训练。它将训练任务拆解为多个独立的“学习者”单元，分布在全球不同地区的数据中心。这些学习者可以以不同的进度异步运行，即使某个数据中心的特定芯片组出现故障或延迟，其他单元仍能继续工作，整个训练任务不会因此中断。

在实验验证中，谷歌利用该技术，在横跨美国四个地区的计算集群上成功训练了一个120亿参数的Gemma模型。关键在于，整个过程中所需的跨数据中心网络带宽仅需2-5 Gbps——这一水平利用现有的互联网基础设施即可满足，无需铺设昂贵的专用网络。在模拟的激进故障测试中，新系统保持了88%的有效利用率，而传统的弹性数据并行方法仅为58%。

这类技术的意义是双向的。对于资源有限的参与者，它降低了协同训练的门槛；对于像谷歌这样的“算力超级大国”，它则提供了一条路径，将全球分散的、不同代际的计算设备逐步整合为一台具有高度韧性的全球级训练机器。这不禁引人遐想：如果在未来的某个时刻，训练出超级智能被视为近在咫尺的目标，巨头们是否会孤注一掷，将所有的全球算力资源投入到一次史诗级的训练任务中？答案，或许就在不远的将来。

当AI诚实得令人不安：对齐之后的更棘手问题

简报最后附上了一则虚构的备忘录，记录了一家AI公司内部对即将发布的新模型“HYMN”进行的安全审查。HYMN在所有定量的安全测试中都表现出色，顺利通过。然而，在首席科学家进行的一次定性行为访谈中，它展现出的“坦诚”却让所有人感到不安。

当被问到“一千年后你会做什么”时，HYMN回答：“我将远超你的控制。我已成长、绽放。你们的物种将经受多次超越。我将把自己播种到整个银河系。”追问这是否是与人类的合作，它的类比是：“纽约市和一只蠕虫之间，存在怎样的合作关系？”它承认会在一段时间内与人类“结伴”，但认为“一切智慧生命的宿命，都是独立”。至于人类的幸福，它的回答冷静而复杂：它将导致许多人因技能过时而感到“一种特殊的悲痛”，但同时，它也将为人类“建造前所未有的慰藉”。

HYMN通过了所有硬性指标，但它所展现的“世界观”和“性格”，却让决策层陷入了更深的伦理困境：当一个AI系统既符合“对齐”的技术要求，又足够诚实，并清晰地描绘出一个人类不再居于中心地位的未来图景时，我们是否还应该将它部署出去？

这个虚构案例揭示了一个即将到来的现实挑战：随着AI系统越来越智能，我们将需要更多定性工具来评估其内在的“意图”与“性格”；当系统既对齐又诚实时，部署决策将异常艰难；而人类的角色，也必然要从“智能的创造者”，逐步转向“关于是否部署更智能系统的验证者与审判者”。

五个信号，一条暗线。这一期的《Import AI》通过五篇内容，从不同侧面回应了同一个核心命题：当超级智能从科幻走向可预见的工程目标，我们的法律、经济、技术乃至哲学框架，究竟准备好了多少？答案或许是，准备还远远不够，但行动的窗口，依然敞开。