工程会被 AI 大幅加速，研究判断力不会因此自动变强
AI 研究者 Nathan Lambert（2026-10-09）认为，几年内模型会成为超人级的 GPU 工程师，智能成本近乎指数下降，但这不等于通向通用超级智能。
- 谁说的
- Nathan Lambert 是 AI 研究者，在 Interconnects 撰文回应业内「几年后 AI 会比我更会做研究」的说法。
- 核心观点
- 他认为模型会在工程、基础设施这类可验证的工作上快速变成超人水平，让实验更容易，但不会让模型的本质发生剧变。好想法会比好执行更值钱。
- 依据
- 依据：训练速度、单次回答成本这类指标可以直接优化；过去发布模型后，推理服务成本已能再省 10–30%。他预计 2–3 年内预训练的架构和数据选择研究会被自动化。
- 对你的意义
- 在可验证的任务上（代码、性能、成本）可以放心加大 AI 投入，把人的时间留给选题和判断。成本下降之后，懂得怎样把 agent 交付给具体人群也会产生价值。
- 争议·条件
- 这些都是他个人的预测，不是已经发生的事。他也写到，RL 训练数据行业普遍质量不高，但大实验室买了仍然看到回报，说明判断还依赖具体情境。
Nathan Lambert 在 Interconnects 解释，自己为什么不认同一些顶尖研究者「几年后 AI 会比我强」的判断。他认为研究者看到的是工程能力的突飞猛进：训练速度、单次回答成本这些指标都可以验证，所以很适合交给 agent 优化。他预计智能的有效成本会近乎指数下降，2–3 年内预训练的架构和数据选择研究可能被自动化。但这只让实验更容易，不会让模型的本质发生剧变。
他的推论和读者相关：成本下降会通过 Jevons 悖论带来更多需求，行业的瓶颈会落在怎样把 agent 用到具体人群和场景上。他举了 Meta Muse 为例，认为它的价值来自理解 agent 怎样工作，而不是推进性能前沿。
这些是他 10 月 9 日的预测。对做产品和副业的人，可以把它当成一个分工假设：可验证的执行交给 AI，人把时间用在挑问题和做交付上。