從AlphaGo到ChatGPT，人工智慧不再只是實驗室裡的技術，而正快速成為我們生活中最關鍵的基礎設施。未來25年，我們可能不再問「AI能做什麼」，而是「還有什麼不是AI在做？」從能源、教育、醫療到創作與治理，AI將深刻改變我們所理解的世界運作方式。
人工智慧是最重要的基礎設施
前面提出未來 25 年最重要的五個核心概念，分別是鏡像世界、人造異類、人工智慧助理、共同監督，以及內容爆炸。接下來，我將進一步討論科技的進步在未來 25 年會大幅改變哪些領域。
未來 25 年的科技演進脈絡清晰可見：首先是基礎設施層面，包括人工智慧、數位治理與組織變革；其次是生存層面，以教育和醫療為代表；再來是應用層面，比如機器人、自動駕駛和太空探險；最後是人類探索的終極層面，涵蓋生命科學和腦機介面。
未來人工智慧的發展會是什麼樣子？最近十多年來，從影像辨識開始，到 2017 年以「深度學習」為核心的 AlphaGo（Google 開發的圍棋人工智慧程式）戰勝李世乭，人工智慧領域出現 2 到 3 年的熱潮，接著陷入沉寂，直到 ChatGPT 橫空出世，讓大語言模型成為新一波人工智慧熱潮中的焦點。這期間產生太多的泡沫，也讓在人工智慧晶片領域明顯技術領先的輝達（Nvidia）市值突破三兆美元，一度成為全球市值最高的公司。
人工智慧發展的三種可能性
未來 25 年，人工智慧發展可能會有哪些發展？這值得我們設想不同的場景來探討。
從科技發展本身的邏輯來看，我們可以設想三種場景：第一種是人工智慧繼續擴大規模，人們因此獲得龐大的好處；第二種是人工智慧擴大規模的成效愈來愈小，但有另一套複雜的模型可以幫助人們實現目標；第三種是人工智慧的發展陷入停滯，出現「人工智慧寒冬」。
第一種場景，就是當下人工智慧市場蓬勃發展最重要的依據。這種可能性是假設人工智慧可以因為不斷擴大規模而實現持續成長。我們只需要擁有更多的資訊、更先進的晶片，就能訓練出更「聰明」的人工智慧。換句話說，資訊的規模愈大，電腦的運算能力愈強，效果就會愈好。如果把語言模型、物理模型和神經網路疊加在一起，透過各種不同的排列組合（也就是現在很多業內人士強調的「多模態」），人工智慧就可以不斷進步。而在這樣的演進過程中，也可能逐漸孕育出我們所謂「智慧」的火花。這種進步彷彿遵循某種內在的成長規律，類似摩爾定律般，以指數成長的速度一路推進。輝達加快晶片架構的更新速度，從每兩年更新一次到每年更新，這無疑也反映出市場對運算能力不斷提升的強烈渴望。
在考慮第一種場景時，我們也必須思考它可能產生哪些意外結果，就好像當年比特幣的熱潮產生挖礦狂潮一樣，最誇張的時候，全球比特幣挖礦機運算耗電量相當於一個中等規模的國家一整年的耗電量。這種藉由持續不斷擴大運算能力來推動人工智慧成長的模式，意味著耗電量也會隨之節節攀升。現在已經有高科技企業為了確保自己訓練人工智慧時有足夠的電力支持，開始考慮在即將被淘汰的火力發電廠附近建造自己的資料中心，或者乾脆投資小型核能發電廠。人工智慧會留下多龐大的碳足跡，在未來 25 年會對氣候造成哪些衝擊，都是我們必須正視、而且審慎思考的重要議題。
第二種場景是擴大規模的成效愈來愈小，更多的數據、更強的運算能力不足以培育出更強大的人工智慧，人工智慧發展到一定程度就會遇到瓶頸，進入停滯期。這個時候如果要取得突破，就需要其他類型的模型。例如需要由上而下的結構化模型，如符號推理；需要一種可以進行演繹推理的全新模型，而不是目前這種扁平、單一化的神經網路模型。這些模型都還在研發中，也有人在研究不再依賴運算能力和大數據的替代方案。
模擬人類的大腦也是一個重要方向，人類大腦的能量消耗只有約 25 瓦特，學習新事物時，並不需要有十萬個範例，往往只需要幾十個範例就能掌握核心原則。
第三種場景是前面兩種假設都沒有實現。人工智慧將和虛擬實境或擴增實境的發展歷史一樣，在十五或 25 年後，基本上還停留在與目前大致相同的水準。
我認為，未來人工智慧的發展很有可能是第一種和第二種場景的融合版本，隨著投入的資訊量和運算能力持續增加，我們或許會發現人工智慧的效能逐漸出現「邊際效用遞減」（diminishing marginal efficiency）的現象，也可能看到人工智慧研究領域出現全新的突破。
