Marc Andreessen 与 Amjad Masad 谈“够好”的 AI、AGI 与编程终结
摘要
Replit 的赌注是：英语终于成为编程语言，真正动手写程序的将是 agent，而不是人。 用户只需描述想法，agent 便会选择技术栈、配置基础设施、编写并测试软件，并能在大约 20–40 分钟内发布一个生产级应用。Masad 对 Replit 早期瓶颈的诊断非常直接：在抽象掉开发环境和部署之后，“最后一个需要被抽象掉的东西就是代码”。
Agent 的自主运行能力正在按数量级提升，但决定有用运行时长的不是模型原始智能，而是验证机制。 Masad 说，Replit 的 Agent 1 能运行约 2 分钟，Agent 2 能运行 20 分钟，Agent 3 能运行 200 分钟；部分用户会把运行时间推向 12 小时，但他对 2–3 小时最有把握。这套架构类似接力赛：一个 agent 工作，另一个在浏览器中测试，系统再把已完成的工作压缩成新的 prompt，启动下一条轨迹。
凡是能把成功压缩成“可验证的真或假”结果的领域，AI 进展就应当最快。 强化学习可以奖励通过测试的代码、通过检查的 Lean 证明、能够运行的优化 GPU kernel，或经得住验证的模拟；诊断、法律、医疗等“模糊”领域暂时无法提供同等规模化的反馈。因此，决定进展速度的是具体性，而非智力难度；代码、数学、物理、化学、基因组学、部分生物学和部分机器人领域将呈现最陡峭的进步曲线。
短期软件市场可能从 1个人使用 1个 copilot，转向 1个人指挥 5–10个并行 agent。 Masad 预计 Replit 的下一步是让用户同时启动功能开发、数据库重构、设计迭代等任务，再由 agents 合并结果。他最激进的判断是，普通人很快就能达到今天 Google 高级软件工程师的水平。
即使真正的通用智能迟迟不来，“功能性 AGI”也可能通过对经济活动进行穷尽式专业化而出现。 Masad 认为更深层的目标是高效持续学习：智能体被放入新环境后，应能快速学习，并将知识迁移到不同领域。但今天的模型仍需要为代码、生物、化学、法律等领域分别准备数据和强化学习环境，因此他对真正 AGI 的突破“有点悲观”，同时确信按行业逐一实现自动化，仍能吸收大量劳动力。
最大的战略风险是：具有经济价值的 AI 变成一个局部最优解，把资本从通用智能上引开。 由于当前系统已经“够好”，足以完成海量生产性工作，优化资源和“数不清的钱”可能继续流向现有范式的扩展，而不是解决持续学习问题。本期最尖锐的反转是“更差即更好”：商业成功反而可能减轻寻找更通用架构的压力。
GPT-5 强化了可验证推理，却没有带来同等程度的人类式理解跃升，暴露出人们对“进步”定义的分歧。 Masad 认为，在可验证领域之外，模型的边际回报正在下降；他希望 AI 能够就存在争议的事件展开推理，而不是简单训诫用户。Andreessen 没那么失望：GPT-5 Pro 加 Deep Research 和 Grok 4 Heavy 已经能够生成连贯的 30–40 页研究综合报告，他认为其水平接近世界一流，由此留下一个尚未解决的问题：卓越的综合能力是否已经算得上创造性智能。
精读
上游暂未提供，后续同步将继续补齐。