Amodei 坚信沿当前缩放曲线外推，AI 将在 2026 或 2027 年达到人类最高水平的专业能力。

“如果我们推演目前的曲线，确实会让我们觉得到 2026 或 2027 年就能达到那个水平。”

Dario以90%置信度预测'数据中心里的天才之国'十年内实现，端到端编码任务1-2年内可完成，核心不确定性集中在不可验证的任务上

“对于端到端编码任务，他认为是1-2年内的事，且"十年后还做不到是不可想象的"”

预计到2027年底，AI的主要提升将不再来自发布前的训练，而是来自全球广泛部署中积累的经验，每次与用户交互都会让AI更聪明。

“到2027年底，AI的主要提升可能不再来自发布前的训练，而是来自其在全球广泛部署、处理各类任务时积累的经验。每次与用户交互，AI都会变得更聪明，因为它不仅学习了你的历史，也学习了它与全球其他所有用户的互动。”

Dario认为现有范式下预训练泛化与长上下文学习或已足以支撑'天才之国'实现，且Anthropic正在推进真正的持续学习研究并预计短期内突破

“Anthropic正在推进真正的持续学习研究，且"未来一两年内大概率能解决"”

人类持续学习是把正确直觉和宏观理解“凿”进权重而非逐字记住经历，而模型梯度更新极度样本低效，已部署的在线学习模型需从数百万用户学习完全相同的内容。

“人类持续学习不是逐字记住全部经历，而是将正确直觉和宏观理解“凿”进权重。模型的梯度更新极度样本低效，已成功部署的在线学习模型都需从数百万用户中学习完全相同的内容。”

他认为即使没有单一的软件奇点，广泛部署的AI也可能通过持续学习和跨副本知识合并实现功能性超级智能，无需额外算法改进即可导致快速智能爆炸。

“即使没有单一的软件奇点，广泛部署的AI也可能通过持续学习和跨副本知识合并，实现功能性超级智能。”

Dario认为AI三年来的指数级进步基本符合其预期，最令他意外的是公众与政策制定者集体忽视了指数增长即将触顶的事实

“最令人意外的是，公众完全没有意识到我们距离指数增长的终点有多近。”

当前Scaling Law无法弥合效率鸿沟，无限增加参数量也只能将所需数据减少约10倍，暗示人类智能可能遵循不同的缩放曲线。

“根据Scaling Law，即使无限增加模型参数量，也只能将所需数据量减少约10倍，远不足以弥合人类与AI之间数千甚至数百万倍的效率差距。这表明人类智能可能遵循不同的缩放曲线。”