Q2.5 2026 时间线更新：Uplift与收入

Eli Lifland、Daniel Kokotajlo 和 Brendan Halstead 在 Q2.5 时间线更新中表示，他们的 AI 时间线预测变化不大，只是略微缩短；但建模方法和证据基础有了明显改进，因此他们对预测的信心有所增强。这次更新原定于第二季度发布，但由于要完成《AI 2040: Plan A》和国内监管博文，再加上模型改动需要实现和记录，因此推迟至今。

最初，AI Futures Model 依靠 METR 的编程时间视野测量来预测“自动化程序员”（AC）何时会出现。AC 是指领先 AI 公司宁愿解雇人类软件工程师也不愿放弃 AI 编程能力的 AI。这种基于时间视野的方法存在明显弱点：一方面，不清楚什么样的时间视野对应 AC，甚至不确定是否有有限值能对应；另一方面，人们对于时间视野趋势是否应随有效计算量呈超指数增长存在严重分歧，这会导致预测结果差异巨大。

因此，团队开始寻找其他设定 AC 所需有效计算量的方法，并提出了两个新候选：编码效能提升（coding uplift）和收入。编码效能提升是团队最喜欢的方法，其核心是估算“效能提升 - 1”的倍增时间，并外推至 AC 级别的效能提升。相比时间视野，AC 对应的效能提升值不确定性小得多；即便效能提升也可能呈现一定的超指数增长，但其影响不像时间视野那样关键。

令人意外的是，时间视野、效能提升和收入这三种方法预测出的 AC 出现日期相当接近。团队认为，这在一定程度上说明预测具有稳健性，但他们仍保持非常高的不确定性。每个作者都对三种 AC 锚定方法分配了权重，由模型汇总形成整体预测。他们还重新评估了《AI 2027》的预测，认为现实的进展速度大约是该报告预测速度的 70% 到 90%。

一个简单的三参数效能提升模型假设（编码效能提升 - 1）呈指数增长。Daniel 给出的中位估计为：当前编码效能提升为 2 倍；效能提升 - 1 的当前倍增时间为 5 个月；AC 对应的效能提升为 20 倍。完整的 AI Futures Model 还会考虑被自动化任务占比的后勤曲线、AI 研发自动化带来的有效计算量增速变化，以及人类劳动和算力趋势等因素。

收入方法则把领先 AI 公司（主要是模型开发商，不包括 Nvidia）的年化收入拟合为有效计算量/ECI 的指数函数，再外推未来。虽然 Anthropic 的年化收入已连续数年保持每年 10 倍的增长，但团队认为这种增速不会持续，因此将当前中位收入年增速设定为 5 到 7 倍。他们也承认收入方法没有直接考虑推理算力占比、推理利润率等因素，因此通过参数选择的直觉判断来间接调整。

在《AI 2027》评估方面，若进度持续保持在该报告 75% 的速度，AC 将在 2027 年年中到来。公共显著性指标是当前最大的预测误差来源，团队也在考虑是否选择了合适的操作化方式。此次更新还进行了一些小的模型和代码调整，并明确指出预测的前提是“以技术上可行最快的速度推进”。未来团队计划在出现新证据时继续更新时间线预测。