TL;DR：
Jared Kaplan，一位从理论物理领域跨界AI的先驱，凭借对“愚蠢问题”的执着探究，发现了驱动大模型能力跃升的Scaling Law。他坚信最强AI模型的价值将超越成本考量，并倡导在能力边界上构建创新应用，以解锁AI驱动的未来。
在人工智能波澜壮阔的时代浪潮中，总有一些思想的引力波，穿越喧嚣，指向核心。Jared Kaplan，Anthropic的联合创始人之一，正是这样一位在AI领域掀起巨浪的理论物理学家。他的故事，始于对宇宙最深层奥秘的好奇，最终却在一个“愚蠢”的问题中，找到了改写AI模型规则的钥匙。
从物理宇宙到AI前沿：一位探求规律者的蜕变之旅
Kaplan的早期职业生涯，是浸润在粒子、宇宙和弦理论中的。他曾是一名理论物理学家，研究兴趣横跨有效场论、粒子物理、宇宙学、散射振幅及共形场论等广阔领域。追溯这份热忱的源头，竟然是他孩提时代科幻小说激发的梦想：“我小时候就一直想搞清楚到底能不能造出超光速飞行装置，而物理看起来是实现这个目标的路径。”除了科幻的浪漫，他对宇宙本身的运作机制、宏观规律、自由意志等哲学命题也抱有深沉的兴趣。
在学术的象牙塔里，Kaplan结识了许多聪明而有深度的人，其中便包括后来与他在Anthropic共事的创始伙伴们。然而，物理研究的进展缓慢，日复一日的等待与探索让他感到沮丧甚至有些“无聊”。与此同时，身边的朋友们开始耳语：“AI正在变得非常重要。”起初，Kaplan对此是怀疑的。“AI已经搞了五十年了，支持向量机（SVM）那类东西其实也没那么有趣。”他回忆起2005年、2009年上学时接触到的AI，与他所期待的、能真正理解世界的智能相去甚远。
但命运的齿轮悄然转动。在一系列偶然与必然的交织下，他被说服，认为AI也许真的是一个值得投入的领域。“也算是运气好，认识了一些对的人，然后事情就这么发展下来了。”从对超光速飞行器的执着，到对宇宙宏观规律的探求，再到AI领域对智能本质的追问，Kaplan的转型并非简单的职业转向，而是一场由内而外的、对“理解”与“规律”永不满足的求索。他将物理学中追寻基本原理的习惯，不自觉地带入了彼时混沌未开的AI世界。
“愚蠢”问题铸就基石：Scaling Law的诞生与洞察
如果说物理学的训练赋予了Kaplan一双洞察宏观规律的眼睛，那么正是这种思维习惯，促成了AI领域最具颠覆性的发现之一——Scaling Law（扩展定律）。
“这源于我当时问了一个‘非常蠢’的问题。”Kaplan坦言。在物理学家的语境中，“蠢”往往意味着最基本、最底层、看似简单却直指核心的追问。彼时，“大数据很重要”的说法甚嚣尘上，但他却想知道：到底“多大”才叫大？数据到底有多重要？帮助到底有多大？当有人观察到模型越大效果越好时，Kaplan和他的团队继续追问：那到底会好多少？增长是不是线性的？有没有规律？
就是这些看似“愚蠢”的、刨根问底的追问，揭示了一个令人震惊又异常精确的现象：AI训练背后，确实存在着类似于物理或天文中的“规律性趋势”。“这让我们非常震惊，也让我们对AI的持续进步充满信心。”Kaplan指出，早在2019年，他们就研究了计算量、数据集大小和网络规模等多个数量级的不同情况。按照物理学的经验，只要某个规律在足够多数量级下成立，那它大概率会继续成立下去。
他们发现，无论是预训练阶段模仿人类文本、理解统计关联，还是强化学习阶段通过用户反馈优化模型，都存在着清晰的Scaling Law。Kaplan强调，这种突破并非源于研究人员突然变得更聪明，而是因为找到了一种“非常简单的方法可以系统性提升AI的性能”。他们现在所做的，正是不断重复运行这套“Scaling机器”。这种化繁为简、从底层逻辑寻找普适规律的思维，是Kaplan从物理学领域带给AI最宝贵的遗产。
解锁未来：Scaling Law下的AI能力边界与前瞻布局
Scaling Law的持续成立，为AI的未来绘制了一幅激动人心的蓝图。Kaplan习惯从两个维度理解AI的能力：一个是“适应性”，即AI能多大程度地贴近使用场景；另一个则是更有意思的X轴——AI可以完成的任务时长。
“我们观察到，随着AI能力的提升，这个时间在不断拉长。”他援引Metr.org的研究，指出AI模型可以处理的任务时长大约每7个月翻一倍。这意味着，在可预见的未来，AI不仅能完成几分钟、几小时的任务，甚至可以处理需要几天、几周、几个月，乃至几年才能完成的复杂任务。Kaplan大胆设想，未来可能会有成千上万个AI模型协作，完成现在一个完整人类组织才能完成的工作，甚至在理论物理等领域，在几天或几周内就能实现学界50年才能取得的进展。
然而，要达到这样的未来，AI仍面临一些关键挑战。Kaplan提出了三个“缺失”的关键点：
- 真实的“组织知识”： AI不能永远像白纸一样从零学起，它们需要像在组织中工作多年的人一样，具备相关的背景知识，真正处理“知识”。
- “记忆”： 在执行长期任务时，AI必须能持续追踪进度，建立并调用相关记忆。
- 监督能力： AI要能理解更细微的语境，解决模糊、不明确的问题，生成更复杂、更细腻的奖励信号，从而训练出能讲真正有趣笑话、写出有感染力诗歌、做出“有品位”科研判断的AI。
基于这些洞察，Kaplan为开发者们提出了掷地有声的建议：
“去构建那些‘现在还没法完全跑通’的产品。因为AI模型正在非常快速地进化。你今天做的产品可能因为Claude 4还不够聪明而无法真正跑通，但等Claude 5来了，它可能就会成为杀手级应用。所以，我一直建议大家在AI的能力边界上做实验，因为这些边界在迅速变化。”
他还建议，要善用AI来“集成”AI，加速产品化和融入现有业务的进程，并快速找到继软件工程之后的下一个AI大规模应用的突破口。这些思考，深刻契合了Anthropic所秉持的、追求前沿模型能力释放的运营策略。
以最新发布的Claude 4为例，Kaplan透露，核心优化在于提升其作为“智能体”的表现，尤其在编程任务上，并扩展到搜索等场景。更重要的是，它增强了对“监督”信号的理解能力，使得模型更“听话”，代码质量更高。而他个人最感兴趣的则是Claude 4的“记忆”功能，这为AI解锁了越来越长时间跨度的任务处理能力。“随着时间推移，Claude会越来越像一个靠谱的协作者，承担越来越多的工作量。”
人机协作的下一篇章：广度智能与产业革新
在人机协作的未来图景中，Kaplan描绘了一个充满潜力的方向。他认为，“人类+AI”的协作在最前沿的任务中仍然不可或缺，但长期来看，越来越多的任务将能够完全自动化。
他提出智能的两种类型：一种是“深度型”，如数学，可能需要十年攻克一个定理；另一种是“广度型”，如生物学、心理学或历史，这些领域往往是靠拼图式地组合大量信息形成洞察力。而AI在预训练阶段，已经“吸收”了人类文明的几乎所有知识，其知识的“广度”远远超过任何一个人类专家。因此，Kaplan坚信，在那些“需要组合多个知识领域”的任务上，AI拥有巨大的潜力。例如，在生物学研究中，整合不同领域的专业知识以获取见解，将带来丰厚的收获。
尽管预测未来充满挑战，但Scaling Law提供了一种预测方法，预示着这种趋势将继续下去。Kaplan认为，像金融、Excel重度使用者、法律（尽管有监管限制）等领域，都是目前模型能力已解锁、但开发者尚未充分探索的“空白地带”。他将AI的整合比作“电力革命”：“电力出现时，有一个很长的采用周期，最初、最简单的使用方式不一定是最好的。大家不只想用电力替换蒸汽机，而是重塑了整个工厂的运作方式。”他强调，尽快将AI深度整合到经济的各个部分中，将产生更大的“杠杆效应”。
追根溯源：物理学思维的指引与AI的未来挑战
Kaplan坦承，物理学研究带给他的最大好处，就是去寻找最大的图景、最宏观的趋势，然后试着把它们精准可量化。面对AI领域常有人说“学习在以指数级速度收敛”，他会提出一个“特别笨”的问题：你确定是指数？会不会其实是幂律、二次函数？
“虽然问题听起来傻，但其实正是这种‘较真’带来了巨大的价值。因为你只有把趋势弄得足够精确，才能真的理解‘怎么做才能突破’，也才能知道你有没有真正做到。”
这种诊断性思维让Kaplan对Scaling Law的“失效”抱持着一种独特的看法。对他而言，Scaling Law更多是一个判断训练是否正常的诊断工具。如果Scaling Law不再成立，他的第一反应通常是：“很可能是我们在训练过程中‘搞砸了’，比如可能是网络架构设计错了，或者训练过程存在某种瓶颈。”因为他过去五年的经验是：“每次我们以为Scaling Law失效的时候，其实都是我们的训练方法出现了问题。”这种对底层机制的深刻信任，支撑着他对AI持续进步的信心。
面对未来算力可能越来越紧缺的挑战，Kaplan指出，当前的AI效率“非常低”。但他认为，由于AI价值极高，业界会争先恐后地“解锁最强模型”，同时也在努力提升训练和推理效率，逼近能力上限。他预测，长期来看，训练和推理成本将显著降低，甚至可能会看到精度大幅降低（如FP4、三值表示）以提高效率。这种“杰文斯悖论”式的困境——AI能力越强，人们反而越依赖它，需求增长速度可能超过成本下降——是AI发展中一个引人深思的现象。Kaplan认为，AI越能代替人类完成各种工作，人们就越愿意为“能力顶尖”的模型买单。他倾向于相信，AI的大部分价值可能还是来自最强模型。
对于在AI时代如何保持“不可替代”，Kaplan给出了他的建议：“了解这些模型的工作原理，并能高效地将其整合到实际场景中，将是非常宝贵的技能。此外，能够在‘能力前沿’构建产品也是一种巨大的价值。”
从宇宙的宏大尺度到AI的微观参数，Jared Kaplan始终是那位手持“愚蠢问题”之钥的探求者。他的智慧不仅在于发现了Scaling Law，更在于他以物理学的严谨和哲学家的深思，为AI的未来发展指明了方向，也为每一个身处变革浪潮中的人提供了宝贵的启示。正如他所言，真正有趣的，是那些经验趋势本身，而对它们深层的理解和解释，或许需要我们继续提问，继续探索。