公开访谈 · 达里奥·阿莫迪
达里奥·阿莫迪：我们正接近指数增长的终点（德瓦凯什播客，2026）
先看这几个判断
共 8 条重点- 01Amodei 明确表示当时尚未拥有“数据中心里的天才之国”；他的直觉仍是强大 AI 可能在 2026 或 2027 年出现，但允许偏差一两年，对转化为万亿美元收入的时间则更不确定。 →
- 02Amodei 认为，构建大量强化学习环境的目标是让模型泛化，并非穷举教授每一种技能；任务分布变广后，泛化能力有望增强。 →
- 03Amodei 认为，必须根据收入不确定性约束长期算力采购；即使看好强 AI，只要收入增长比计划晚一年，过大的算力承诺也可能导致破产。 →
其余 5 条重点
- 04Amodei 强调，模型写出 90% 的代码，与软件工程师需求减少 90% 是相距很远的阶段；他仍预计最终工程师需求会大幅下降，但中间还会出现新的高层任务。 →
- 05Amodei 主张先建立透明度要求，待有更清楚的风险证据后，再迅速推出有针对性的安全措施。 →
- 06Amodei 认为，如果成功建立强大 AI，增长和经济价值可能容易获得，真正困难的将是财富与收益分配、政治自由和权利保障。 →
- 07Amodei 预计 API 商业模式会长期与其他模式并存，因为快速变化的模型能力不断产生新用途，而固定产品界面可能很快不再适配。 →
- 08Amodei 认为，AI 宪法应通过公司内部迭代、不同公司间的公开比较，以及更广泛社会参与三种反馈共同改进。 →
访谈导读 · 忠实转述
本场访谈围绕模型能力进展、经济落地与治理风险展开。Amodei 认为，过去三年的能力提升大体符合他的指数增长预期；预训练仍带来收益，强化学习在多种任务中也呈现规模化进展。他坚持“大块算力假说”，强调算力、数据数量与分布、训练时长、可扩展目标函数及数值稳定性，并期待更广的强化学习任务分布带来泛化。但他承认模型与人类的样本效率不同，对难以验证任务能否充分泛化仍保留疑虑。 在应用层面，他区分模型写出代码、端到端完成工程任务和软件工程师需求下降：这些阶段不能互相替代。可靠的电脑操作、长上下文质量及可能的持续学习影响任务覆盖；法务、安全、预算和组织改造又会使大型企业采用落后于能力进步。医疗从提出治疗方案到临床验证、审批和普遍受益，同样存在现实流程时滞。 在商业层面，他认为收入增长与算力建设都很快，但长期采购必须承受收入晚于预期的风险；单个模型盈利也不等于持续训练下一代模型的公司已经盈利。他预计 API 与其他收费方式并存，并倾向于前沿模型由少数企业竞争。在公共议题上，他关注高速增长的地域差距，主张先提高 AI 风险透明度，再依据证据制定针对性安全规则，同时讨论健康收益分配、政治自由，以及以原则和多方反馈改进模型行为。
访谈观点
嘉宾观点 · 忠实转述
正在阅读 8 条重点，保留原观点编号。
观点目录 · 8 条 选择一条，跳转阅读
Amodei 明确表示当时尚未拥有“数据中心里的天才之国”；他的直觉仍是强大 AI 可能在 2026 或 2027 年出现，但允许偏差一两年，对转化为万亿美元收入的时间则更不确定。
技术出现只是经济落地的起点。他认为随后收入扩散可能再花一到两年，甚至能设想五年的情况，尽管对如此长的延迟持怀疑态度。
他的未来判断
技术时间与收入时间在他的判断中必须分开，不能视为同步到来。
延伸分析 由 AI 生成
如果能力突破与收入兑现存在时间差，按技术最乐观情景锁定长期成本可能带来现金流压力。
相关领域：模型服务收入
后续观察
- 强模型的商业采用速度
- 能力发布至收入兑现的间隔
Amodei 认为，必须根据收入不确定性约束长期算力采购；即使看好强 AI，只要收入增长比计划晚一年，过大的算力承诺也可能导致破产。
数据中心要提前一两年建设和预订。他说 Anthropic 选择保留相当大的上行情景，同时接受需求超过供给的风险；企业业务较稳定、毛利更好，为判断失误提供缓冲。
他的未来判断
他所说的负责任扩张，主要指认真测算风险并平衡采购量，而非单纯少花钱。
延伸分析
如果长期供给承诺增长快于收入兑现，强需求预期仍可能伴随财务压力；保留供给缺口可能是这种权衡的一部分。
相关领域：AI 数据中心采购
后续观察
- 算力承诺期限
- 收入增长与容量利用率
Amodei 强调，模型写出 90% 的代码，与软件工程师需求减少 90% 是相距很远的阶段；他仍预计最终工程师需求会大幅下降，但中间还会出现新的高层任务。
他的进程依次涵盖代码生成、端到端工程任务以及职业需求变化，即使现有工程任务全部自动化，也不等于工程师立即失业。
他的未来判断
他认为这一系列阶段正在快速推进，但没有在此给出工程师需求下降 90% 的具体年份。
延伸分析
如果代码生成先于完整岗位自动化，短期变化可能首先表现为任务重组；用代码占比直接估计裁员比例可能失真。
相关领域：软件工程岗位
后续观察
- 端到端工程任务自动化率
- 新任务创造与岗位需求变化
嘉宾未来判断汇总 · 忠实转述
Amodei 对十年内实现“数据中心里的天才之国”给出约 90% 的主观把握，但为重大外部中断和难以验证任务的泛化留下不确定性。他明确表示访谈时尚未实现这一能力；其直觉是强大 AI 可能在 2026 或 2027 年出现，也允许一两年偏差，而万亿美元收入何时兑现更难判断。他认为一两年内模型可能端到端完成软件工程；对于像已工作半年的视频编辑那样胜任工作，他猜测一到两年、也可能一到三年，并将前一种时间判断称为约五五开的直觉。他认为未来一两年解决持续学习有较大机会。把技术进步和经济扩散叠加后，他认为 AI 行业在 2030 年前达到万亿美元级收入更有可能；2028 或 2029 年行业算力支出达到每年数万亿美元则只是粗略外推。这些判断没有把能力出现、部署扩散与收入兑现视为同一时点。
延伸分析汇总
AI 条件式分析：如果预训练与强化学习继续带来收益，且端到端任务和电脑操作的可靠性提高，AI 服务需求与收入可能继续增长；但企业审批、部署与流程改造会延迟采用，能力进展不能直接换算成当期收入。如果提前承诺的算力采购超过企业可承受的收入延迟，财务风险可能上升；若投入不足，也可能限制后续训练与服务能力。后续观察宜分别核对任务完成能力、企业部署周期、年化收入运行率与实际年度收入，以及训练和推理投入与算力承诺。以上是从受访者观点推导的条件式 AI 分析，不代表他的结论，也不构成投资建议。