2013 年，我在虎嗅发过一篇文章，叫《一个趋于零的世界》。
那时候我 20 多岁，在一家小公司做设计，工资不高，想法挺大。文章的核心就一句话：技术的方向，就是把一切都推向边际成本为零。信息的成本趋零，分发的成本趋零，接下来是创造的成本趋零。
写完之后我自己半信半疑。那会儿智能手机刚普及，微信刚火，「互联网改变世界」还是个鸡汤句子。我写了，发了，然后该干嘛干嘛去了。
之后十三年，我在 OnePlus 搞了三年全球官网体验统一，在 OPPO 见识了什么叫汇报管理，在 UNICE 把一个 GMV 腰斩的假发品牌做回来，现在在绿联带一个 86 人的设计团队。忙得很，早把那篇旧文忘了。
直到去年，我推 AI 自动化出图。一部分过去要排期等设计的需求，机器几小时给你几十个版本。那一瞬间我突然想起来，等等，2013 年我好像写过这个。
这个系列的文章，就是我想把证据摊开来给你看。数据我都给出处，推演我会明说「这是我猜的」。你听听就好，但别当耳边风。
「奇点」被科幻片用滥了。一提就是机器人觉醒、天网降临、人类完蛋。我聊的不是这个。
我说的奇点，定义很无聊，很工程：大模型能够自我迭代的那个临界点。
不要求它有意识，不要求它比爱因斯坦聪明。只要求一个闭环：模型 A 产出的东西——代码、训练配方、架构修改——能让模型 A' 变强，A' 再让 A'' 更强，而且每一轮的人均成本越来越低。
翻译成大白话：AI 开始给自己打工了。
这个定义的好处是可观测。不用哲学家吵十年，盯三个信号就行：
信号一，闭环性。 改进的动作由 AI 自己完成，人类只做评估和把关。——已部分点亮。
信号二，复合性。 每一轮改进能加速下一轮改进，改进的改进。——在 coding agent 领域，局部点亮。
信号三，经济性。 一次自我改进循环的成本，低于雇一个人类研究员做同样的改进。——正在跨越。
三根引信，烧着了两根半。这就是 2026 年年中的真实状态。
先说一句免得误解：这不是失控叙事。相当长一段时间里，「自我迭代」的意思是一个由人类当董事会的全自动研发部——人类定目标、评品味、管安全，AI 干活。我关心的不是 AI 造反，是一个更无聊也更紧迫的问题：这个董事会运转的时候，你坐在桌子旁边，还是躺在菜单上面。
做推演之前先钉死事实。因为这一行最让人睡不着的，恰恰不是猜的部分。
第一条，自我对弈：自己跟自己玩，就能无限变强。
2017 年 AlphaZero 证明过一件事：只要规则明确、奖励信号便宜，AI 自己跟自己下棋就能无限产生训练数据，能力增长不依赖人类数据的天花板。
现在大模型时代，正在把「规则明确的领域」疯狂扩大：数学证明有形式化验证器，代码有编译器和单元测试。DeepMind 的 FunSearch 和 AlphaEvolve 都是这个套路——模型生成候选方案，自动评估器打分，进化选择。奖励信号完全来自程序，不来自人。
这里藏着一条残酷的定律，也是整个系列的总钥匙：
你工作所在的领域，有没有自动判分器？这个问题请贯穿整个系列自问。
第二条，后训练时代：预训练撞墙了，但墙后面有发动机。
Ilya Sutskever 在 NeurIPS 2024 上说得很直白：预训练会终结，人类数据是「AI 的化石燃料」，一次性资源，正在耗尽。Epoch AI 的测算指向高质量公开文本在 2026 到 2028 年间见顶。
预训练撞墙，能力曲线停了吗？没有。行业换了三股新引擎：推理时计算——让模型多「想」一会儿；可验证奖励的强化学习——模型自己探索、自我蒸馏；合成数据加自我对弈。
行业从「读更多书」切换到了「做更多题、改更多错」。能力增长的约束，从数据存量变成了验证器质量加算力。
验证器是新的石油。 记住这个比喻，后面讲产业链价值迁移它会回来。
第三条，自动研究员：AI 开始做 AI 研究了。
这是 2024 到 2026 年最重要的范式变化。我给你念几个标志性事件：
2024 年 8 月，Sakana AI 的 AI Scientist，端到端全自动完成「提想法、写代码、跑实验、写论文」，单篇成本约 15 美元。2025 年的 v2 版本，生成的论文通过过研讨会同行评审。
2025 年 5 月，Darwin Gödel Machine——agent 直接修改自己的代码，在 SWE-bench 上自我进化，维护一棵不断分叉的 agent 谱系树，用基准成绩做自然选择。递归自我改进，第一次在大模型上跑通了实证雏形。
同月，Google DeepMind 的 AlphaEvolve。发现了更快的矩阵乘法算法，优化 Google 数据中心调度，全球规模省电约 0.7%。最炸的一条是：它直接改进了支撑自己的大模型训练流程，训练效率提升约 1%。
1% 听起来很小对吧。但闭环这件事，有和没有是质变，1% 和 50% 只是量变。这是 RSI 闭环的第一个工业级实例。
工程侧的侧写也很吓人：到 2025 年底，Claude Code 已经能在项目粒度上自主读写代码库、跑测试、迭代修复，SWE-bench Verified 从 78.4% 刷到次月的 87.6%。Anthropic 的 CEO Dario Amodei 多次公开说「AI 正在编写公司大部分代码」。
也给你一个反方向的诚实证据：AI 2027 报告的作者团队 2026 年初自评，实际进展约是他们预测节奏的 65%——方向对，速度略慢。点火是真的，但火焰传导可能被算力、组织惯性拖慢。这个折扣因子很重要，我后面会用。
第四条，能力曲线是阶梯，不是平滑线。
能力增长不是一条平滑的指数曲线，是「平台期—跳变」交替的阶梯。Transformer、scaling、RLHF、推理时计算、agent 框架，每个新范式带来一次跳变，然后进入平台期，等下一个范式。
关键是：范式切换的间隔在变短。2017、2020、2022、2024、2025。你感受一下这个节奏。
间隔缩短本身，就是一个二阶加速信号。阶梯形态下，「发现范式」是最贵的人类劳动。如果有一天 AI 研究员 agent 把范式发现本身也自动化了，平台期会被压到接近零，曲线就变成真正的指数。 这就是后面 S3 阶段的赌局。
从这一部分开始是推演，我明说。先立个纪律：时间点是猜测，阶段顺序是逻辑。 这两句话是整个系列的方法论，我每次都会重复。
S0，副驾时代（2023-2025），已发生。 人类主导，AI 补全。Copilot 补一行代码，ChatGPT 起个草稿。列出它只是为了校准体感——从「补全一行」到「自主工作几小时」，只用了三年。
S1，代理时代（2025-2027），正在进行，置信度高。 点火标志是 agent 的「任务时长」：METR 的测量显示，agent 可自主完成的任务时长，翻倍周期约 7 个月，2025 年已经到数小时级。同时 AI 开始承担公司 50-80% 的代码编写。一个工程师带 5-10 个 agent 的「一人团队」模式开始普及。先被点燃的是内容创作和编程——纯数字、可验证、零物流的行业。
S2，闭环加速（2027-2030），置信度中高。 点火标志：前沿实验室里，AI 贡献下一代模型研发工作量的 50% 以上；模型迭代周期从 12-18 个月压到 3-6 个月。这就是我定义的「奇点点火」窗口。按 65% 的现实速度折扣外推，中位数估计 2028-2029。 这个阶段轮到设计、营销、视频、游戏——数字但半验证的行业。设计行业出现「AI 生成 1000 稿 + 人类总监选 1 稿」的工作流。这部分是报告第 5、6 篇的内容，不展开。
S3，自主研究员（2030-2033），置信度中。 AI 独立完成完整的开放性研究循环：提问题、设计实验、产出被人类验证为真的新发现。爆炸不爆炸，取决于一个关键未知数：研究品味能不能被 RL 化。 如果「什么是好问题」可以被形式化，自我对弈就能扩展到品味层；如果不能，曲线会在「超人类工程师、亚人类科学家」的位置停驻多年。自动驾驶和机器人在这个阶段才真正被点燃——它们的瓶颈不在感知，在长尾场景的判断，那需要接近品味层的能力。
S4，智能爆炸或高平台（2033-2040），置信度低，两个剧本分叉。 剧本 A：品味层被攻克，改进的改进的改进形成正反馈，几个月内跨越人类全部领域。剧本 B：能源、芯片产能、实验速度这些物理约束成为硬顶，世界停在「智力极度廉价、物理资源极度昂贵」的形态。
我赌剧本 B。不是因为 A 不可能，而是历史上所有技术革命最后都是以高平台的形态落地——只是平台一次比一次更高。再说句实话：在剧本 A 里没有分析，只有见证。我写文章总得有个能写的剧本。
所有时间点，误差至少 ±3 年。AI 2027 团队实测的 65% 折扣、技术预测「高估短期、低估长期」的老规律、算力和监管这些不可建模的刹车片——任何把某个年份当精确承诺的读法，都是对我的误读。
次序为什么可靠？因为它由一条不依赖年份的逻辑撑着：可验证性 → 品味 → 物理。 编程有编译器，最近；内容有完播率和转化率，半验证；设计靠审美和品牌判断，要品味；营销靠信任，要人类社会背书；自动驾驶和机器人有物理定律，最硬。除非审美判断哪天突然被形式化，这个顺序不会颠倒。
假设剧本 B 达成，「智能」的边际生产成本趋近电费。经济学第一原理告诉我们：一种生产要素变得无限廉价，价值就迁移到跟它互补的、仍然稀缺的要素上。
我推演出五种新稀缺。
第一，能源与算力，新的「土地」。 AlphaEvolve 省电 0.7% 就被 Google 当头条，因为数据中心尺度上，能源就是成本本身。每一个数字员工都在持续烧电。拥有电力资产和芯片产能的公司，相当于工业革命后拥有煤矿和铁路的公司。
第二，私有数据与物理世界数据，新的「矿藏」。 公开文本耗尽之后，稀缺变成两样东西：企业内部的过程数据——工作流、行业 know-how、失败实验记录；和物理世界交互数据——机器人操作数据、制造过程数据。这些没法合成，得用身体去挣。我在 UNICE 那几年最深的体感就是：品牌手里攒下的用户数据和转化数据，平台随时能收走你的流量，但收不走你沉淀的东西。这种公司在 AI 时代会迎来一波数据资产重估。
第三，物理世界接口。 这部分对我们做制造型品牌的人最直接。智能可以无限复制，但一个超级智能 1 秒设计出一款充电宝，开模、备料、产线、海运、上架，还是要 3-6 个月。「数字—物理转换层」——柔性制造、机器人、供应链——是价值洼地。谁能把 AI 的设计最快最便宜地变成实物，谁就卡住产业链咽喉。
第四，信任与注意力。 当任何人都能零成本生成完美的文字、图片、视频、声音，「这是谁做的、我能不能信它」就是最稀缺的东西。AI 不能坐牢，不能承担法律责任——「有人负责」本身是稀缺品。内容供给趋近无限，人类注意力还是每天 24 小时，注意力分配权的租金会涨不会跌。
第五，品味与目标设定，最后的「人类董事会」。 即使 AI 能生成一切，「要什么」仍然是问题。品味就是在海量可选项里判断哪个值得存在的能力。奇点之后的人类顶层结构，我猜是极少数「品味持有者」指挥无限智能产能。这个判断听起来乐观得可疑，但它不轻松——品味席位极少，而且不再按资历分配。
我知道有人会说：你一个做设计的，谈什么奇点？
我的回答很老实：我在传统品牌公司干了十几年，从没写过一行正经代码。我赌 AGI 会来，恰恰不是因为我是技术专家——而是因为「AGI 不来」的剧本不需要推演。那个剧本里一切照旧，你的职业规划、公司的组织形态、行业的竞争格局都不用重写。真正值得花一个系列篇幅的，只有「它来了」的剧本。
纳瓦尔有个决策原则我很喜欢：当一个事件的后果足够大，即使概率不高也值得认真准备。而这个事件的概率，过去三年里在被事实持续上调。
十三年前那个 20 多岁的我，在虎嗅写下「趋于零的世界」的时候，大概率不知道自己写的是什么。
现在零来了。接下来的几篇，我会挨个行业地点火：内容创作、编程、设计、营销，再到线下世界和公司形态。看看那根烧着了两根半的引信，会先烧到谁的门口。
你猜猜，排第几的是你？