AI行业“双重反转剧”的开场

在AI行业与投资圈，上演了一场堪称“双重反转剧”的事件。一位23岁的德国年轻人利奥波德·阿申布伦纳（Leopold Aschenbrenner），曾是OpenAI核心人物伊利亚·苏茨克维尔（Ilya Sutskever）的忠实信徒。他因坚持提醒公司关注AGI（Artificial General Intelligence: 人工通用智能，指在大多数智力任务上都能达到或超越人类水平的AI系统）安全隐患而被开除，却在离开OpenAI后，用一份165页的论文当“投资指南”，在完全没有金融背景的情况下，6个月内做出了47%的投资回报，还成功筹集到15亿美元的基金，战绩远超一众华尔街的资深投资者。利奥波德·阿申布伦纳究竟凭什么能做到这一切？他那篇引发热议的论文里，又藏着怎样的关于AI的未来预言呢？本文将深入拆解这个故事。

从OpenAI的理想主义者到“异议者”

利奥波德的所有选择都与他在OpenAI的经历密不可分。时间回到2023年，当时刚满21岁的利奥波德怀揣着“守护AGI安全”的理想，踏入了旧金山OpenAI总部的大门，加入了由伊利亚·苏茨克维尔（Ilya Sutskever）和扬·莱克（Jan Leike）共同领导的**“超级对齐”**（Superalignment: 确保比人类更聪明的AI系统能始终遵循人类利益和价值观的技术方向）团队。这个团队的核心目标非常明确，就是在四年内解决“超级智能对齐”的问题，简单说就是确保未来比人类更聪明的AI能始终遵循人类的利益和价值观，不出现失控风险。

对利奥波德来说，这不仅是一份工作，更是实现他“AGI守护者”理想的途径。他很快就全身心投入到工作中，也因为对AI安全的深刻理解和对伊利亚理念的认同，成为了伊利亚身边的核心成员之一。

然而，这份理想没过多久就遇到了现实的冲击。随着OpenAI在山姆·奥特曼（Sam Altman）的主导下，产品迭代节奏越来越快，从GPT-3.5（Generative Pre-trained Transformer 3.5: OpenAI开发的一个大型语言模型）到GPT-4（Generative Pre-trained Transformer 4: OpenAI开发的更先进的多模态大型语言模型），再到各类商业化应用的推出，公司的重心逐渐向“快速落地”倾斜，而利奥波德关注的“安全防护”却被慢慢挤压。

最让他担忧的是，他发现公司的安全体系存在明显的薄弱环节，甚至发生过一次黑客入侵事件，但这件事没有被公开披露。这让他更加担心OpenAI的关键算法可能存在被竞争对手窃取的风险。作为一个把“AGI安全”刻在骨子里的人，利奥波德无法坐视不理。他很快写下了一份措辞非常严厉的“安全备忘录”，在里面直言不讳地指出OpenAI的安全防护“极度不足”，甚至用“形同虚设”来形容部分环节。更关键的是，他没有按照常规流程先交给上级，而是直接绕过层级，把这份备忘录递交给了OpenAI董事会。这个举动直接引发了公司高层和董事会之间的紧张关系，也让利奥波德成为了一名“特殊分子”。

雪上加霜的是，在后来山姆·奥特曼被临时罢免又复职的风波中，大部分员工都签署了支持奥特曼复职的请愿书，但是利奥波德没有签，这在公司看来，这就是“不够忠诚”的表现，HR很快就找他进行了警告。如果说这只是“职场站队”的问题，或许事情还能有转圜的余地，但是接下来的一件事，彻底让利奥波德和OpenAI走向了决裂。

2024年初，利奥波德整理了一份关于AGI安全措施的“头脑风暴文档”，里面收录的都是他对行业公开信息的分析和思考，没有任何OpenAI的内部机密。他还特地邀请了三位外部学者帮忙提反馈意见。可就是这份文档，被公司认定为“泄露内部资料”，并以此为理由展开调查。调查过程中还翻出了他之前“越级向董事会提交备忘录”的旧账。最终在2024年4月，OpenAI以“泄密且不配合调查”为由，正式解雇了利奥波德。

有意思的是，就在利奥波德被解雇后不久，他曾经的直属领导、超级对齐团队的负责人伊利亚·苏茨克维尔和扬·莱克也相继离开了OpenAI。虽然没有直接证据表明两人的离职和利奥波德有关，但是熟悉OpenAI内部运作的人都知道，这背后大概率和“安全理念与商业化节奏的冲突”脱不开关系，而利奥波德的遭遇或许只是这个冲突的一个“缩影”。

《态势感知：未来十年》：AI趋势预言的诞生

被解雇后的利奥波德没有沉寂，反而把自己所有的思考和观察，写成了一份长达165页的论文，标题叫做《态势感知》（Situational Awareness: 对当前环境和未来趋势的全面理解和预测能力）：未来十年》（Situational Awareness: The Decade Ahead）。这份论文发表于2024年6月，也就是他被解雇后的两个月。在论文的开篇部分，利奥波德特地注明了“本论文献给伊利亚·苏茨克维尔（Ilya Sutskever）”，这份敬意也让外界更清楚地看到他作为“伊利亚信徒”的立场。而这份论文里的核心观点，不仅奠定了他“AI趋势预言家”的地位，更成为了他后来进入投资圈的“核心武器”。

那么这份165页的论文里到底说了些什么呢？最核心的观点，就是利奥波德预测“2027年前后，人类或将迎来AGI，到2030年则会迈向超级智能”，而且他还在论文里强烈呼吁，全球需要联合起来建立“AI曼哈顿计划”，以此应对AGI可能带来的安全风险。

这个预测，是利奥波德用了大量的数据和逻辑推导出来的，我们可以从三个维度来理解他的论证，分别是“AI模型能力的进化速度”、“算力投入的爆发式增长”，以及“算法效率的突破与解开收益”。

AI能力进化：从学龄前到高中生仅四年

首先看第一个维度：AI模型能力的进化速度。利奥波德在论文里做了一个非常直观的类比，如果把AI模型的能力和人类的智能水平对应起来，他指出，2019年推出的GPT-2（Generative Pre-trained Transformer 2: OpenAI开发的早期大型语言模型），能力大概相当于“学龄前儿童”。当时的GPT-2只能写出一个还不太连贯的段落，在文本总结任务中，生成的结果甚至只比“随机从原文里选3个句子”稍微好一点，更别说复杂任务了，就连从1数到5这样的基础操作都可能出现逻辑断裂。

而到了2023年GPT-4推出的时候，模型能力已经达到了“聪明的高中生”的水平。在理科方面，GPT-4能深入思考并且推理复杂的数学问题，还能胜任从编写复杂代码到迭代调试的高级编程任务；在文科方面，它能在几万字的长篇文本中保持逻辑和内容的一致性，甚至能和人类深入探讨哲学、历史等复杂话题。更关键的是，在包括美国大学预修课程AP和美国高考SAT在内的几乎所有标准化测试中，GPT-4的得分已经超越了绝大多数高中生。

从2019年到2023年，短短4年时间，GPT系列模型就从“学龄前”跃升到了“高中生”水平，而人类完成这个智力发展阶段需要至少12年。利奥波德据此计算，AI模型的能力进化速度是人类自然智力发展速度的3倍还多。这个速度如果持续下去，到2027年，也就是从GPT-4推出后再经过4年，模型能力达到“AGI水平”，似乎就有了逻辑支撑。

算力投入狂飙：AI时代的“新摩尔定律”

再看第二个维度：算力投入的爆发式增长。利奥波德在论文里对比了“摩尔定律”（Moore's Law: 集成电路上可容纳的晶体管数目，约每隔18-24个月便会增加一倍，性能也将提升一倍）时代和“AI时代”的算力增长差异。在摩尔定律的鼎盛期，算力每10年才增长1到1.5个数量级；但是到了AI时代，AI硬件的算力年增长率已经达到0.6个数量级，也就是每年增长大约4倍，速度是过去的5倍还多。

用GPT系列模型举例可能会更加直观一些。从GPT-2到GPT-3，模型的训练设备完成了从“小型实验设备”到“大型数据中心”的过渡，一年内算力就增长了2个数量级，即100倍；而GPT-4的训练算力在这个基础上又实现了大幅提升。更重要的是，从OpenAI持续囤积GPU（Graphics Processing Unit: 图形处理器，一种专门用于处理图像渲染和并行计算的微处理器）芯片的动作来看，这种算力增长速度并不是短期爆发，而是会逐渐演变为一种长期趋势。

利奥波德在论文里做了一个更激进的预测，那就是在这个十年结束之前，也就是2030年前，全球将有数万亿美元投入到GPU、数据中心和电力建设中，仅美国就需要将电力生产提高数十个百分点，才能支撑AI的发展需求。他还结合AI企业的收入趋势做了推导，随着AI产品收入的快速增长，像谷歌、微软这样的科技巨头在2026年左右的AI相关年收入可能达到1000亿美元；而这种收入增长会进一步刺激资本投入，到2027年，全球每年的AI投资总额可能会超过1万亿美元。

如果把时间线再拉远一点，到了2028年，单个AI模型的训练集群成本可能会达到千亿美元级别，比国际空间站大约1500亿美元的造价还要高；而到本世纪末，一个超大型训练集群的成本甚至会达到1万亿美元，到那时AI所需要的电力占美国总发电量的比例将从现在的不到5%上升到20%。这些预测虽然听起来夸张，但是从近几年AI算力投入的增长趋势来看，并非完全没有依据。

算法效率与“解开收益”：被低估的AI潜能

第三个维度，也是利奥波德认为最容易被低估的一点：算法效率（Algorithmic Efficiency: 算法在解决问题时所需的时间和资源消耗的衡量标准）的突破以及由此带来的**“解开收益”**（Unhobbling Gains: 通过简单的算法改进或技术调整，解锁AI模型潜在能力，带来远超常规优化的性能提升）。

首先说算法效率。利奥波德在论文里用了两个具体案例来证明算法进步的速度。第一个案例是MATH基准测试（MATH benchmark: 衡量AI数学推理能力的标准化测试），这是一个衡量AI数学推理能力的标准测试。从早期的Minerva模型（Minerva model: 谷歌AI在数学推理方面的早期模型）到后来的Gemini 1.5 Flash模型（Gemini 1.5 Flash model: 谷歌AI推出的一个高效且强大的多模态模型），在准确率达到50%的前提下，推理效率提高了将近3个数量级，也就是1000倍。虽然推理效率不等于训练效率，但是这个趋势足以说明算法层面的大幅进步是切实可行的，而且正在快速发生。

第二个案例是ImageNet（ImageNet: 一个大型视觉数据库，用于视觉对象识别软件的研究）图像识别任务。回顾2012年到2021年期间的公开算法研究，研究人员发现要训练出性能相同的模型，计算成本以近乎一致的速度下降，每年减少大约0.5个数量级，即每年成本降低大约2/3。而且这种下降趋势适用于所有主流的模型架构。虽然大模型的研发团队很少会公开算法效率数据，但是根据EpochAI（EpochAI: 一个专注于AI进步速度和影响的研究机构）的估算，2012年到2023年期间，大模型的算法效率每年也能带来大约0.5个数量级的提升，也就是说8年时间里算法效率总共提升了1万倍。这个数据足以打破“AI进步全靠堆算力”的刻板印象。

而“解开收益”则是利奥波德提出的一个更有意思的概念。简单来说，就是在某些情况下，AI模型的原始能力其实被“束缚”了，通过简单的算法改进或者技术调整，就能解锁这些潜在能力，带来远超常规算法优化的收益。虽然它本质上也是一种算法改进，但是和常规的优化不同的是，“解开收益”能跳出现有的训练范式，直接带来模型能力和实用价值的阶梯式跃升。利奥波德在论文里举了四个典型的例子：

1. RLHF（Reinforcement Learning from Human Feedback: 基于人类反馈的强化学习，通过人类对AI生成结果的评分和反馈来训练模型）：通过让人类对AI生成的结果进行打分和反馈，再用这些反馈训练模型，能让一个小型模型达到“百倍于其原始模型”的效果。比如一个100亿参数的模型经过RLHF优化后，在某些任务上的表现能媲美1万亿参数的未经过优化的模型。
2. CoT（Chain of Thought: 思维链，让AI在解决问题时一步步说出思考过程的提示技术）：让AI在解决问题的时候“一步步说出思考过程”，而不是直接给出答案。这种简单的提示方式，能为推理任务带来超过10倍的“有效算力提升”，相当于用同样的算力，模型能解决更复杂的问题。
3. 增加上下文长度：通过把AI能处理的文本长度从早期的2048个token（token: 文本处理中的基本单位，可以是单词、子词或字符）提升到100万个token以上，直接解锁了大量的全新应用，比如一次性处理整本图书、分析超长的代码库、总结几十小时的会议录音文字稿等等。这种能力的扩展不是“量变”，而是一种“质变”。
4. 后训练（Post-training: 在模型正式发布后，通过持续输入新数据和优化训练策略进行的二次训练）：在模型正式发布后，通过持续输入新的数据、优化训练策略进行二次训练。这也是GPT-4发布后性能不断提升的主要原因，比如GPT-4在发布半年后的数学推理能力比刚发布的时候提升了将近30%，这背后就是后训练的作用。

根据EpochAI的研究，这类“解开收益”技术普遍能为AI模型带来5到30倍的“等效算力收益”；而另一家研究机构METR（METR: 一个专注于AI安全和对齐问题的研究机构）的测试也显示，在Agent（Agent: 能够自主感知环境、进行决策和执行任务的AI实体）任务中，GPT-4基础模型的性能只有5%，经过后训练后能提升到20%，再结合工具使用和框架优化，性能能直接跃升到接近40%，这种提升幅度是单纯增加算力所无法实现的。

核心预言：2027年AI实现认知工作自动化

当算力增长、算法效率提升和“解开收益”这三个因素叠加在一起的时候，利奥波德得出了他最核心的结论：那就是到2027年，AI将能够自动化所有的认知工作，或者说所有可以远程进行的工作。他在论文里做了一个更具体的推导：从GPT-2到GPT-4，模型大致经历了4.5到6个数量级的有效计算扩展；而从基础模型到能实际使用的聊天机器人，又相当于获得了大约2个数量级的“解开收益”。

按照这个速度，未来4年，也就是到2027年，计算效率的提升会让模型迭代速度大幅加快，假设GPT-4的训练花了3个月，那么到2027年，领先的AI实验室将能在“一分钟内”训练出一个GPT-4级别的模型；其次，“解开收益”会让AI不再是单纯的“聊天工具”，而是进化成“能够独立完成复杂任务的Agent”，它能够自己使用电脑、管理长期记忆、针对一个问题进行几个小时甚至几天的持续思考，甚至能像人类员工一样快速适应新公司的工作流程和业务逻辑。

不过利奥波德也在论文里强调，这个预测存在“很大的误差范围”。如果“解开收益”逐渐停滞，或者算法进步无法解决“数据耗尽”的问题，那么AGI的到来时间会推迟；但是反过来，如果“解开收益”能释放出模型更大的潜能，或者出现新的技术突破，那么AGI可能会比2027年更早到来。

从AI预言家到投资新贵：15亿美元基金的崛起

这份充满前瞻性的论文，不仅让利奥波德在AI安全领域获得了更多关注，更意外地成为了他“跨界”进入投资圈的敲门砖。2024年下半年，利奥波德成立了自己的对冲基金，核心投资逻辑就是他在论文里提出的“态势感知”，简单来说就是“通过精准判断AI行业的技术趋势和市场需求，提前布局相关企业”。

虽然他之前没有任何的金融行业经历，但是凭借着在AI领域的KOL地位，以及论文里详实的数据支撑，他成功说服了一大批顶级投资者。根据公开信息，他的基金支持者包括支付公司Stripe的创始人帕特里克·科里森（Patrick Collison）和约翰·科里森（John Collison）兄弟，这两位本身就是科技圈的知名创业者，对AI趋势有着深刻理解；还有近期被Meta（原Facebook）招募负责AI业务的丹尼尔·格罗斯（Daniel Gross）和纳特·弗里德曼（Nat Friedman），前者是著名的AI投资人，后者曾担任GitHub CEO，同样深耕科技领域。这些支持者的背书，不仅给基金带来了资金，更带来了行业资源和可信度。

而基金的业绩也没有让人失望。在2025年上半年，扣除各项费用后，利奥波德的基金获得了47%的收益。这个成绩是什么概念呢？同期全球顶级对冲基金的平均收益大约为12%，即使是专注于科技领域的对冲基金，平均收益也只有25%左右。利奥波德的47%几乎是行业平均水平的两倍。更关键的是，他的基金规模在短短6个月内就从初始的几千万美元增长到15亿美元，成为了“有史以来增长最快的对冲基金之一”。

利奥波德的投资能力在他对英伟达（Nvidia: 一家全球知名的芯片制造商，尤其在图形处理器GPU领域占据主导地位，其产品是AI算力的核心组件）的判断上体现得淋漓尽致。早在2024年的一次采访中，他就预测“英伟达的数据中心收入将从每季度几十亿美元增长到每季度250亿美元”。当时很多金融分析师还认为这个预测过于激进，但现实却比他的预测的更为夸张。英伟达2025财年第二季度的数据中心收入就达到了262亿美元，超过了他预测的250亿；而到了2026财年第二季度，这个数字更是直逼411亿美元，几乎是他当初预测的1.6倍。这种对行业趋势的精准判断，也让更多投资者相信，这个“没学过金融的AI专家”，确实掌握了别人没有的“态势感知”能力。

AI时代的资本狂潮与核心竞争力

利奥波德的成功其实也是当下AI行业热度的一个缩影。根据CNBC引用Pitchbook的数据，2025年上半年，全球AI初创企业总共筹集了1043亿美元的资金，而基于风险投资的退出总额超过了360亿美元。其中最大的几笔投资包括OpenAI在2025年3月筹集的400亿美元、AI数据标注公司Scale AI（Scale AI: 一家提供高质量数据标注和数据管理服务的公司，主要用于AI模型的训练和验证）从Meta获得的143亿美元投资，以及Anthropic（Anthropic: 一家专注于AI安全和研究的AI公司，开发了Claude系列大模型）筹集的35亿美元。

这些数据说明，AI行业已经从“概念炒作”，进入了“资本密集型发展”阶段。一方面，大型科技公司和投资机构在持续砸钱，推动技术突破；另一方面，像利奥波德这样的“行业内行人”，正在从二级市场攫取属于他们的财富。这种“技术驱动资本，资本反哺技术”的循环，让整个AI行业呈现出一种“疯狂生长”的态势。而利奥波德的故事，就是这种疯狂最生动的注脚。一个因为坚持安全理念被开除的AI研究员，靠一篇论文成为投资圈新贵，这种跨界的成功，在其他行业几乎是不可想象的，但在AI时代，却真实发生了。

结语：理解技术趋势的重要性

最后，我们也需要客观看待这个故事。利奥波德的成功有它的特殊性，他既身处AI技术的核心圈，能够第一时间掌握行业动态，又具备将技术趋势转化为投资逻辑的能力。这种“双重优势”不是所有人都能拥有。而且他的基金业绩只持续了半年，未来是否能保持这种高增长，还有待时间检验。但是不可否认的是，他的经历也给我们提了一个醒：在AI快速发展的时代，“理解技术趋势”正在成为一种核心竞争力。无论是做技术研发、产品落地，还是投资决策，谁能更早、更准地看懂AI的发展方向，谁就更有可能在这个时代抓住机会。