过去三个月里，Dwarkesh Patel 与多方讨论后，把超级智能的预估时间从“至少还要十年左右”明显前移。他的依据不是某个模型发布，而是数学难题求解、自动化研究和验证能力正在形成相互促进的循环。

这是什么

文章的核心是“递归自我改进”（AI 持续改进自身研究、训练或工具使用能力）。过去，AI 在数学和科研任务上的错误往往难以被独立发现；现在，模型不仅能提出答案，也能运行代码、测试结果、寻找反例，再把失败转化为下一轮训练材料。

我们认为，真正值得关注的不是 AI 已经接近“无所不能”，而是研发瓶颈开始松动。当模型能承担更多验证工作，研究者就能把时间从检查低价值错误，转向定义问题和判断方向。

行业怎么看

乐观者认为，数学是检验 AI 推理能力的高价值试验场。若模型能攻克长期未解问题，药物、材料、芯片和软件工程都会获得新的自动化工具，顶尖知识工作的速度可能整体抬升。

但风险同样明确：可验证的数学题不能代表所有现实任务，企业数据混乱、目标易变、错误代价高，自动研究仍可能在错误方向上高速前进。此外，能力进步不等于可靠部署，复杂系统还需要权限控制、责任划分和持续评估。

对普通人的影响

对企业 IT：下一阶段值得测试的不是“万能助手”，而是能调用工具、执行流程并验证结果的 AI 员工。预算应从展示型项目转向可审计、可复用的生产任务。

对个人职场：数学和编码能力提升会优先改变研究、软件及金融分析等流程密集型岗位。更有价值的能力将从亲自产出答案，转向提出问题、检查结果和承担决策责任。

对消费市场：推理型产品会更快进入搜索、学习和办公软件，但准确性宣传仍需谨慎。消费者应关注实际任务完成率，而不是演示中一次答对的速度。