本文永久链接 – https://tonybai.com/2025/06/11/the-gentle-singularity

大家好，我是Tony Bai。

近日，OpenAI 的掌舵人 Sam Altman 在其个人博客上发表了一篇题为《The Gentle Singularity》（温和的奇点）的重磅文章，再次将人工智能的未来推向了舆论的风口浪尖。Altman 以其一贯的前瞻性视角，大胆宣称：“我们已越过事件视界；起飞已经开始。人类已接近构建数字超级智能，而且至少到目前为止，它远没有看起来那么怪异。”

这番“奇点宣言”无疑是震撼性的。它不仅暗示着 AI 发展的某个关键转折点已经到来，更描绘了一个由 AI 驱动的、既熟悉又陌生的未来。那么，Altman 的“温和奇点”究竟意味着什么？我们是否真的站在了一个新时代的门槛上？本文就来转述和提炼一下Altman的观点，分享给大家，期望能引发各位小伙伴儿的思考。

“不那么怪异”的超智能迹象：奇迹正在常态化

Altman 开篇即指出，尽管机器人尚未遍布街头，我们大多数人也并非整日与 AI 对话，人类依然面临疾病、太空探索的困境以及对宇宙的诸多未知，但一个不争的事实是：“我们最近构建的系统在很多方面比人类更聪明，并且能够显著放大使用者的产出。”

他认为，通往通用人工智能（AGI）道路上“最不可能的部分已经过去”。那些让我们得以拥有像 GPT-4 和 o3这样强大系统的科学洞察，是“来之不易的”，但它们的影响将极其深远。

一个核心的观察是，AI 正在经历一个“奇迹变成常规，然后成为基本要求”的演进过程。 Altman 生动地描述了这种转变：

• 我们从惊叹 AI 能生成优美的段落，到开始期待它能创作出整部小说；
• 从惊叹 AI 能做出拯救生命的医学诊断，到开始期待它能研发出治疗方法；
• 从惊叹 AI 能创建小型计算机程序，到开始期待它能构建全新的公司。

这种期望值的快速提升和对 AI 能力的迅速适应，正是“奇点”发生方式的体现——曾经的奇迹迅速融入日常，成为我们对技术能力的新基线。

未来的核心驱动力：AI 加速科学进步与生产力飞跃

Altman 强调，AI 将在多方面为世界做出贡献，但其中最为显著的，将是由 AI 驱动的“更快的科学进步”和“大幅提升的生产力”，这将极大地改善人类的生活质量。

“科学进步是整体进步的最大驱动力，” Altman 写道，“思考我们还能拥有多少，是极其令人兴奋的。”

而更具颠覆性的是，AI 本身也将被用于加速 AI 研究。 “先进 AI 之所以引人注目，有很多原因，但也许没有什么比我们能用它来更快地进行 AI 研究这一事实更重要了。” 他设想，如果我们能将原本需要十年的研究时间缩短到一年甚至一个月，那么进步的速度将发生质的飞跃。这虽然不等同于 AI 系统完全自主地更新其代码，但 Altman 认为这是一种“递归式自我改进 (larval version of recursive self-improvement)”的雏形。

“智能与能源的极大丰富”：打破人类进步的根本限制

在 Altman 的构想中，未来三十年最核心的变革在于：“智能和能源——想法，以及让想法发生的能力——将变得极其丰富。”

他认为，这两者长期以来一直是制约人类进步的根本因素。一旦它们（在良好治理的前提下）不再稀缺，人类理论上可以拥有其他任何东西。

一个大胆的预测是，随着数据中心生产的自动化，智能的成本最终应趋近于电力的成本。 为了让这个概念更具体，他甚至给出了一个 ChatGPT 平均查询的能耗数据：约 0.34 瓦时，相当于一个烤箱一秒多一点的耗电量，或一个高效灯泡几分钟的耗电量。

这种对未来资源充裕程度的乐观预期，是 Altman “温和奇点”论的重要基石。

2030年的深刻变革：一个既熟悉又陌生的世界

Altman 并没有描绘一个完全脱离现实的乌托邦或反乌托邦。他认为，在最重要的方面，2030年可能与现在并无太大不同：“人们依然会爱他们的家人，表达他们的创造力，玩游戏，在湖中游泳。” 人类的核心情感需求和生活方式的基本面将得以延续。

然而，在“仍然非常重要的方面”，到2030年将发生前所未有的剧变：

• Agent 的崛起与工作模式的颠覆：
  • 2025年： 能执行真正认知工作的 Agent 将出现，“编写计算机代码将永远改变。”
  • 2026年： 能够发现新颖见解的系统可能会出现。
  • 2027年： 能够在现实世界执行任务的机器人可能会出现。
• 个人生产力的指数级提升： “总的来说，一个人在 2030 年能够完成的工作量将远超其在 2020 年所能完成的，这将是一个惊人的变化。”
• 社会契约的重塑： 技术进步的加速和财富的极大增长，将使我们能够认真考虑以前无法想象的新政策理念。但 Altman 也坦言，“整个职业类别的消失将是非常艰难的部分。” 他预测社会契约的调整将是渐进的，而非一蹴而就。

自我强化的循环与加速的进步

除了 AI 本身的进步，Altman 还指出了其他自我强化的循环在起作用：

• 经济价值创造的飞轮： AI 创造的经济价值，正在推动建设更庞大的基础设施来运行日益强大的 AI 系统。
• 机器人制造机器人： “能制造其他机器人的机器人（某种意义上，能建设其他数据中心的数据中心）”的出现，将进一步指数级地加速发展进程。例如，如果首批百万级人形机器人能以传统方式制造出来，然后它们能接管整个供应链（从采矿、精炼到工厂运营）来制造更多的机器人、芯片厂、数据中心等，那么进步的速度将不可同日而语。

我们面临的挑战与前进之路：对齐、普及与集体智慧

面对如此巨大的潜力和变革，Altman 强调了两个核心挑战及应对之道：

1. 解决对齐问题 (Alignment Problem)： 这是技术和社会层面的双重挑战。我们需要确保 AI 系统的学习和行动目标与人类的长期集体意愿真正对齐。他以社交媒体算法为例，指出它们虽然能极好地理解并利用用户的短期偏好（让你不停地刷），但却可能与用户的长期福祉相悖，这便是“错位的 AI (misaligned AI)”的体现。
2. 让超级智能廉价、广泛可用且不过度集中： 在解决了安全和对齐问题之后，至关重要的是将超级智能的访问权广泛分配，避免其被少数个人、公司或国家垄断。Altman 相信“社会是富有韧性、创造力且适应迅速的。”

他提出的前进路径是：首先解决对齐问题，然后致力于降低超级智能的成本，使其广泛可及。在这个过程中，“赋予用户在社会决定的广泛边界内的大量自由，似乎非常重要。世界越早开始就这些广泛边界是什么以及我们如何定义集体对齐进行对话，就越好。”

OpenAI 的使命与对未来的展望

Altman 最后重申了 OpenAI (乃至整个 AI 行业) 的使命：“我们正在为世界构建一个大脑。” 这个大脑将是高度个性化且易于使用的，其潜力将仅受限于“好的想法”。他甚至乐观地认为，那些曾被技术圈嘲笑的“只有想法的人 (the idea guys)”，将在 AI 时代迎来他们的“高光时刻”。

“OpenAI 现在有很多身份，但归根结底，我们是一家超级智能研究公司。” Altman 写道，“我们面前还有很多工作，但大部分道路已经被照亮，黑暗区域正在迅速退去。”

对于未来，Altman 的预测是：“智能便宜到可以计量 (Intelligence too cheap to meter) 已触手可及。” 他承认这听起来可能有些疯狂，但对比五年前我们对今天 AI 发展的预测，当前对 2030 年的预测或许已显得不那么“疯狂”了。

文章的结尾，Sam Altman 以一句充满期许的话结束：“愿我们能够平稳、指数级且波澜不惊地迈向超级智能 (May we scale smoothly, exponentially and uneventfully through superintelligence)。”

小结：“温和奇点”已至，我们准备好了吗？

Sam Altman 的这篇博文，以其一贯的宏大叙事和对未来的坚定信念，为我们描绘了一个 AI 正在深刻重塑世界的图景。他所说的“温和奇点”，并非遥不可及的科幻概念，而是已经开始在我们身边发生的、渐进但影响深远的变革。

从 AI 在编码、科研、医疗等领域的加速渗透，到对未来工作模式、社会结构乃至人类进步根本动力的重塑，Altman 的观点为我们提供了极具价值的思考框架。当然，其中也伴随着对“职业消失”、“对齐难题”等严峻挑战的坦诚。

无论我们是否完全认同 Altman 的所有预测和时间表，一个不争的事实是，AI 技术的指数级发展正在以前所未有的速度改变着我们的世界。作为技术从业者，理解这些趋势，思考我们自身的定位，并积极参与到构建一个负责任、普惠的 AI 未来的讨论中，显得尤为重要。

“事件视界”或许已然越过，“起飞”的引擎也已点燃。我们是否准备好迎接这个由 AI 定义的，既熟悉又陌生的未来了呢？

聊一聊，也帮个忙：

• 你如何理解 Sam Altman 提出的“温和奇点”？你认为我们真的已经“起飞”了吗？
• Altman 对 2025-2027 年 AI Agent 和机器人的预测，你认为哪些最有可能实现？它们将如何改变我们的生活和工作？
• 面对 AI 可能带来的“整个职业类别的消失”，你认为个人和社会应该如何应对？“对齐问题”和“超级智能的普及”哪个挑战更大？

欢迎在评论区留下你的深度思考和独到见解。如果你觉得这篇文章提供了有价值的信息和视角，也请转发给你身边的朋友和同事，一起关注和探讨这个关乎我们所有人的 AI 未来！

想与我进行更深入的 Go 语言、AI 赋能开发与前沿技术趋势交流吗？ 欢迎加入我的“Go & AI 精进营”知识星球。

我们星球见！

注：本文经过强大的AI工具的润色，旨在提供更好地读者阅读体验。

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。

本文永久链接 – https://tonybai.com/2025/06/09/go-simd-intrinsics

大家好，我是Tony Bai。

长期以来，在Go语言中追求极致性能的开发者，当遇到需要利用现代 CPU 的 SIMD (Single Instruction, Multiple Data) 能力时，往往不得不求助于手写汇编。这种方式不仅编写和维护困难，还会导致异步抢占失效、阻碍编译器内联优化等问题。现在，这一“不得不”的时代有望终结。 Go 官方团队正式提出了 #73787 提案：在 GOEXPERIMENT 标志下引入架构特定的 SIMD 内置函数。这一里程碑式的提案，旨在为 Go 开发者提供一种无需编写汇编即可利用底层硬件加速能力的方式，预示着 Go 在高性能计算领域将迎来一场深刻的巨变。在这篇文章中，我就和大家一起解读一下这个里程碑式的提案。

两步走战略：从架构特定到可移植 Highway

Go 语言的 API 设计一向以简洁和可移植性著称，但 SIMD 操作的本质却是硬件特定且复杂的。不同 CPU 架构（如 amd64, arm64, riscv64 等）支持不同的向量长度、操作指令甚至数据表示方式。如何在高层抽象的简洁性与底层硬件的复杂性之间找到平衡，是 Go SIMD 设计面临的核心挑战。

为此，Go 团队提出了一个清晰的“两步走”战略：

1. 第一步：低级、架构特定的 API 与内置函数 (Low-level, architecture-specific API)

   • 目标： 提供一组与机器指令紧密对应的底层 SIMD 操作。这些操作将作为 Go 编译器可识别的内置函数 (intrinsics)，在编译时直接转换为高效的单条机器指令。
   • 定位： 类似于 syscall 包。它为追求极致性能的“高级用户”提供了直接访问硬件特性的能力，是构建上层抽象的基石。
   • 实现方式： 初期将以 GOEXPERIMENT=simd 的形式提供预览，首先聚焦于 amd64 等架构的定长向量支持。

2. 第二步：高级、可移植的向量 API (High-level, portable vector API)

   • 目标： 借鉴 C++ Highway 等项目的成功经验，在底层内置函数的基础上，构建一套跨平台、易于使用的高级 SIMD API。
   • 定位： 类似于 os 包。大多数数据处理、AI 基础设施等场景的开发者可以直接使用这个可移植的 API，在不同架构上都能获得良好的性能。

这个分层设计，既满足了对底层硬件极致控制的需求，也为广大开发者提供了简单易用的可移植方案，实现了优雅的权衡。

底层 API 设计哲学与核心要素

提案详细阐述了底层 SIMD API 的设计原则和关键组成部分：

向量类型 (Vector Types)

SIMD 向量类型将被定义为不透明的结构体（Opaque Structs），而非数组，以避免动态索引（硬件通常不支持）带来的问题。类型命名将直观反映元素类型和数量。

package simd

// 示例：在支持的架构上定义
type Uint32x4 struct { a0, a1, a2, a3 uint32 } // 128-bit vector
type Float64x8 struct { /* 8 float64 fields */ } // 512-bit vector

编译器会特殊处理这些类型，确保它们在传递和存储时使用向量寄存器。

操作 (Operations)

向量操作将以方法 (methods) 的形式定义在向量类型上，编译器会将其识别为内置函数。

// Add 每个元素相加
//
// 等价于 x86 指令 VPADDD
func (Uint32x4) Add(Uint32x4) Uint32x4

• 命名： 采用易于理解的描述性名称（如 Add, Mul, ShiftLeftConst），而非与特定架构指令（如 VPADDD）绑定。不过，注释中会标明对应的机器指令，方便专家查阅。
• 尽力而为的可移植性 (Best-effort portability)： 对于多平台都支持的常见操作，将使用相同的名称和签名。但该层 API 不追求完全的可移植性，通常不会模拟硬件不支持的操作。

加载与存储 (Load & Store)

加载和存储操作将通过函数实现，通常接受指向固定大小数组的指针。为了方便，也会提供从切片加载的辅助函数。

// 从指向数组的指针加载
func LoadUint32x4(p *[4]uint32) Uint32x4

// 从切片加载
func LoadUint32x4FromSlice(s []uint32) Uint32x4 {
    return LoadUint32x4((*[4]uint32)(s))
}

// 存储到指向数组的指针
func (v Uint32x4) Store(p *[4]uint32)

掩码类型 (Mask Types)

不同架构对掩码的表示方式差异巨大（如 AVX512 的 k-register vs AVX2 的向量寄存器）。为屏蔽这种复杂性，掩码将表示为不透明类型（如 Mask32x4）。编译器会根据上下文选择最高效的硬件表示。

// 比较操作返回掩码
func (Uint32x4) Equal(Uint32x4) Mask32x4 

// 带掩码的加法 (仅对掩码为 true 的元素进行操作)
func (Uint32x4) AddMasked(Uint32x4, Mask32x4) Uint32x4

// 掩码可以与向量互相转换
func (Mask32x4) AsVector() Int32x4

API 组织模式的探讨

除了提案本身，Go团队成员@dr2chase 的示例项目 go_simd_examples 进一步探讨了 SIMD 包的不同组织模式，这对于我们理解未来 API 的可能形态至关重要。

• 模式 A：单一 simd 包 (提案当前倾向)

  • 所有向量类型和操作都在一个 simd 包内，通过构建标签（build tags）为不同架构提供实现。
  • 开发者通过运行时检查（如 simd.BitLen(), simd.Scalable()）来调度不同向量长度（128/256/512位）或可伸缩向量的实现。
  • 优点： 用户只需导入一个包，API 表面上看起来是统一的。
  • 挑战： 需要开发者编写运行时分派逻辑，且代码可移植性依赖于“尽力而为”的公共 API 子集。有开发者指出，这使得在无 build tag 的通用文件中编写 SIMD 代码变得困难，因为 simd 包本身可能在某些架构上不存在。

• 模式 B：每个架构一个 simd 子包 (simd_amd64, simd_arm64等)

  • 每个架构的 SIMD 内置函数被隔离在各自的包中。开发者通过 build tag 和不同的导入语句来使用特定于架构的功能。
  • 优点： 借鉴了 syscall 包拆分的经验，API 边界清晰，明确了代码的非可移植性。文档和工具（如 gopls）能更好地为特定架构提供支持。
  • 挑战： 对于共享相同算法逻辑但仅向量类型不同的代码，会导致更多的代码重复。

• 模式 C：每个向量长度一个 simd 子包 (simd_128, simd_256, simd_s等)

  • 这是一种更激进的探索，将 API 按向量能力（长度）划分。
  • 优点：
    • 允许在包级别定义常量（如 simd_128.NFloat64s），减少了代码中的硬编码。
    • 可以通过统一的类型后缀（如 simd_256.Float64s）来指代该包内最大长度的向量，使得为不同向量长度编写的代码在结构上更相似，更接近可伸缩向量的写法。
    • 对于 amd64 架构，这种方式能更清晰地区分不同指令集下的同尺寸向量操作（例如，simd_128 包中的操作对应 SSE，而 simd_256 包中128位操作则使用 AVX 指令）。
  • 挑战： 增加了包的数量，开发者需要根据目标硬件能力选择导入正确的包。

@dr2chase 的示例通过一个“加权内积”的例子，分别用这三种模式实现了跨架构的 SIMD 加速，直观地展示了不同组织方式对代码结构和可维护性的影响。

社区反馈与深入讨论

73787提案引发了社区专家的热烈讨论，一些关键点包括：

• API 命名哲学 (Add vs. VPADDD)： ianlancetaylor 认为，使用特定于架构的指令名或 C/C++ 内置函数名，对专家更友好，便于他们直接将在其他平台的经验移植过来。而 cherrymui则认为，描述性的通用名称（如 Add）对代码的读者更友好，因为大多数人不是 SIMD 专家，通用名称降低了理解门槛。最终提案倾向于后者，并通过注释标明具体指令来服务专家。
• 处理立即数操作数： 对于需要编译时常量的指令（如 VPINSRD），提案建议开发者传入常量。如果传入变量，编译器可能会回退到效率较低的模拟实现或表驱动跳转。
• 每架构一个包的呼声： 有一部分开发者强烈建议采用类似 syscall 分拆的模式，即每个架构一个独立的 simd 包。他们认为这能更清晰地界定可移植性边界，避免一个看似统一的 simd 包在不同平台下行为不一所带来的困惑。
• 对非原生数据类型的支持： 提案确认了未来支持如 bfloat16、float16 等 Go 语言本身没有原生标量类型的计划，这些类型将仅以向量形式存在于 simd 包中。
• 与现有工具链的整合： 讨论涉及了与 golang.org/x/sys/cpu 的集成、GOAMD64 等环境变量的影响、VZEROUPPER 指令的自动插入、以及编译器内联启发式算法的改进等深度技术问题。

小结

Go 官方的 #73787 SIMD 提案，标志着 Go 语言在拥抱底层硬件能力、提升高性能计算方面迈出了决定性的一步。其“两步走”战略清晰地规划了从架构特定的底层能力到高级可移植 API 的演进路径，既务实又富有远见。

对 Go 开发者而言，这意味着：

• 性能优化的新途径： 未来，我们将能用纯 Go 代码（而非汇编）来编写利用 SIMD 的高性能计算密集型任务，如数据处理、加密、多媒体编解码、AI/ML 等。
• 更低的入门门槛： 相比于手写汇编，基于 Go 方法和类型的 SIMD API 将极大地降低学习和使用门槛。
• 持续关注实验性特性： 该功能将首先通过 GOEXPERIMENT=simd 标志发布，这为社区提供了宝贵的早期试用和反馈机会，共同塑造其最终形态。

虽然关于 API 的组织形式、命名约定等细节仍在积极讨论中，但提案所确立的大方向——通过编译器内置函数提供底层支持，并在此基础上构建高级抽象——已经非常明确。这不仅将直接惠及需要极致性能的 Go 应用，也将为 Go 语言的整体生态（例如标准库的内部优化）注入新的活力。

从提案目前的状态来看，最早也要等到Go 1.26版本落地了。

微专栏推荐：征服 Go 并发测试

想彻底告别并发测试的“噩梦”吗？我的全新微专栏 《征服 Go 并发测试》（共三篇）现已上线！

本系列深入剖析并发测试痛点、testing/synctest 的设计原理与 API，并提供丰富的实战案例。助你轻松驾驭并发测试，写出更稳健的 Go 应用！

扫码订阅，即刻解锁并发测试新境界！

更多微专栏，敬请期待！ 对后续选题（如 Go 性能优化、AI 与 Go 结合等）有何期待或建议？欢迎在留言区畅所欲言，一起打造更精彩的内容！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。