洞察未来的逻辑机器，如何整合3种预测未来的方法？

最近 AI 未来预测框架（AI Futures Model ） 发布了更新。这个框架到底是什么？

简单来说，它是由前 OpenAI 研究员 Daniel Kokotajlo 领导的、目前业内最权威的 AGI 时间线量化框架之一。

它不是拍脑袋瞎猜日期，而是通过整合算力增长、算法效率、经济采纳率及 自动化程度等多维度因素，给出一个动态的技术爆发预测图。

最近修正了“奇点”预期，将全面自动化编程的预测从 2027 年推迟至 2031 年。

这个框架里用于预测的方法，我觉得非常有启发性，分别是：

趋势外推法：

延续成长的曲线这种方法主要用于对2025年和2026年的近期预测，因为这段时间的进展相对较容易预测。

核心原理：通过在计算规模、算法改进和基准性能上画出“直线”来预测未来的进展。

具体案例： 预测团队参考了 METR-HRS 编程时间跨度研究。该研究发现，AI 能处理的编程任务“时间跨度”在 2019-2024 年间每 7 个月翻一倍，而从 2024 年起加速到每 4 个月翻一倍。

科学逻辑： 这种方法假设未来的增长模式会延续过去的路径。

定量建模与蒙特卡罗模拟：

模拟一万种未来，为了处理未来预测中的巨大直觉猜测和不确定性，团队开发了“AI 未来模型”。

核心原理： 蒙特卡罗模拟通过从预设的参数分布中进行成千上万次的随机采样来运行模型。

关键参数： 模型包含许多关键变量，如软件效率、AI 研究品味、实验吞吐量以及 AI 并行编程劳动力乘数。

科学价值：通过模拟，得出不同时间点达成里程碑的概率分布，而不仅仅是一个单一的日期。

情景推演与编写：

专家们的“剧本杀”情景编写旨在解决那些数学公式无法捕捉的复杂社会和政治动态。

核心原理： 《AI 2027》情景是基于约 25 场沙盒演练编写的。

协作过程： 超过 100 位来自 AI 治理和 AI 技术领域 的专家提供了反馈。情景的编写采用了迭代方式：先写出第一阶段（如到 2025 年中），再根据逻辑推演后续阶段，甚至推倒重来以确保逻辑自洽。

目的：与其给出模糊的陈述，这种方法试图尽可能地具体化和定量化。通过描绘全景图，可以让人注意到之前未察觉的重要问题或连接。

总结这三种方法的联系：

趋势外推提供了出发点，定量建模提供了概率边界，而情景推演则通过具体的“剧情分支”（如“减速”结局与“竞赛”结局）展示了人类选择与技术进步之间复杂的相互作用。

---

Shadow：这三种方法可以用来构建一个预测系统的基础版本。你可以试试 vibe coding 一个