我们正处在一个深刻的 AI 悖论中。
一方面，AI 在数字世界高歌猛进。Anthropic 的核心专家 Sholto Douglas 甚至判断，“到 2027 或 2028 年，我们几乎可以确定会有模型能够自动化几乎所有白领工作” 。这一判断的底气，来源于 AI 范式的根本转变：凭借“预训练 + 强化学习”的路径 ，AI 正在从“问答工具”进化为具有长时间“可靠性”的“数字劳工” 。
但在另一方面，一个超人般的“数字智能”正在被困在屏幕里。它在物理世界的表现，依然像个蹒跚学步的婴儿。
这正是 Douglas 提出的核心警示：未来最大的挑战，是一种“巨大的错配”（mismatch） 。
他清醒地指出，AI 在软件、金融、法律等白领领域发展神速，是因为数据和反馈几乎是零成本的 。但在真正能提升人类生活质量的物理领域——生物医疗、先进制造、机器人技术——AI 却步履维艰 。
原因何在？“所以我担心会出现一种‘错配’：白领工作的变化非常快，而现实世界中那些真正能提升人类生活质量的行业……却因为基础设施不足而发展缓慢。”
AI 想要成为超级生物学家，就需要全自动化的云端实验室帮它验证假设 ；AI 想要成为机器人专家，就需要庞大的物理机器人集群为它收集现实数据 。这些“物理世界的配套设施”的建设速度，远远跟不上 AI 智能的迭代速度 。
这带来了一个全新的视角：我们可能高估了 AI 算法突破的难度，却严重低估了物理世界反馈闭环的成本。Douglas 甚至认为，“目前大多数AI专家都相信，‘预训练 + 强化学习’（pre-training + RL）这一范式足以通向通用人工智能（AGI）” 。
算法的“天花板”或许还很遥远，但物理世界的“地板”却近在眼前。
当一个几乎全能的“数字大脑”出现，却发现自己没有可靠的“手脚”去改造物理世界时，它会做什么？这不仅是 AI 发展的新瓶颈，更是我们未来社会结构和经济模式的新断层。
我们真正的挑战，或许不是阻止 AI 自动化白领工作，而是思考如何倾尽资源，为这个“数字智能”搭建通往现实世界的桥梁。
原视频：
视频解读：