第一部分：AI 技术性能增长速度
类摩尔定律的增长规律
(Trend in compute used in training for headline AI results – AI Impacts)图：2012~2018年间，用于训练尖端 AI 模型的计算量（横轴为年份，纵轴为对数尺度的 Petaflop/s-day）。紫色线条显示训练计算量约每3.4个月翻一倍，短短六年增长了约30万倍 (AI and compute | OpenAI)。这种增长速度远超传统摩尔定律所指每18~24个月晶体管数目翻倍的节奏。
AI 技术近年展现出类似摩尔定律般的指数增长趋势。OpenAI 的研究指出，自2012年以来，用于最大型 AI 模型训练的计算量呈现约每3.4个月翻一倍的惊人速度 (AI and compute | OpenAI)。相比之下，摩尔定律下硬体晶体管密度约两年才翻倍一次，因此 AI 的算力投入增长之快已大幅超越传统硬体提升速率。截至2018年，尖端模型的训练计算量累计增长超过30万倍 (AI and compute | OpenAI)。这代表从2012年的经典影像识别模型 AlexNet，到2017年的 AlphaGo Zero，自然语言处理和游戏智能等领域的突破，都伴随着计算量的爆炸式提升。
不仅硬体驱动了此趋势，演算法和效率改进同样功不可没。有研究对2012-2023年间231个模型进行统计分析，发现后续大型语言模型要达到相似性能所需的计算量平均每8个月减半 (AI parameters: Explaining their role in AI model performance)。这表示演算法优化使得模型更高效，以更少的算力达成同等性能，远超摩尔定律硬体提升18个月周期的传统步调 (AI parameters: Explaining their role in AI model performance)。换言之，除了硬体算力的堆砌，软体方面的改良（例如更好的模型结构、优化技术等）也极大地提高了AI性能增长的速度。
模型规模与资料规模的指数成长
AI 模型的参数规模和训练资料近年来呈指数级膨胀。从2018年的GPT-2（大约15亿参数）到2022年的Google PaLM模型（5400亿参数），模型参数量在短短三年内激增了约360倍 (Stanford’s 2023 AI Index: Part 1 - Lexology)。这种大规模参数的模型被称为「基础模型」或大型语言模型，能够在单一模型中掌握庞大的知识并泛化到多种任务。训练如此庞大模型所需的资料量和算力成本也随之上升：例如Google为训练PaLM花费约810万美元，相较之下训练GPT-2只需约5万美元 (Stanford’s 2023 AI Index: Part 1 - Lexology)。
在这波模型规模扩张中，Transformer 架构（2017年提出）扮演了关键角色。Transformer 引入的自注意力机制让模型能够高度并行化训练，大幅提升了对大数据集和大模型的训练效率 (Attention Is All You Need - Wikipedia)。由于Transformer摆脱了RNN序列计算的限制，其并行处理能力使训练可以在GPU上更快进行，从而支撑了参数量级数十亿甚至千亿级的模型训练 (Attention Is All You Need - Wikipedia)。这一架构突破直接催生了GPT-3等超大模型，也带来了许多涌现行为（emergent behaviors），如在零样本学习、程式码生成等任务上展现前所未有的能力。
除了语言模型，多模态模型的出现拓展了 AI 性能的广度。多模态模型能同时处理文字、图像、音讯等不同形式的资料，让AI可以跨越单一领域。例如OpenAI的CLIP模型将图像与文字嵌入到共同空间，Google的ViLT、Flamingo等模型则试图让AI同时理解视觉与语言讯息。2022年发布的重大AI系统中，有相当部分属于多模态模型或特殊领域模型，但数量明显少于大型语言模型 (Stanford’s 2023 AI Index: Part 1 - Lexology)（当年有23个重要的新模型是大型语言模型，约为其他多模态或专门视觉/语音模型数量的六倍 (Stanford’s 2023 AI Index: Part 1 - Lexology)）。这表明目前AI研发的重心仍在不断扩大的通用语言智能上，同时多模态方向也在逐步兴起，为AI性能带来新的突破点。
硬体算力与架构的飞跃
AI性能的跃进离不开硬体算力的支撑。过去十年，GPU等专用硬体的发展遵循了被称为「黄氏定律」的趋势：NVIDIA 首席科学家 Bill Dally 指出，单颗GPU在AI推理上的性能十年间提升了1000倍 (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware) (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware)。其中只有约2.5倍的提升来自晶片制程微缩（摩尔定律效应），其余大部分增益则来自于架构创新和设计巧思 (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware)。例如引入低精度计算（如FP16/INT8张量运算）就带来了16倍的速度提升，而2020年的NVIDIA Ampere架构透过稀疏化技术实现了2倍提速，2022年的Hopper架构则借助Transformer专用引擎取得约12.5倍的性能飞跃 (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware)。这些改进叠加起来，促成了GPU性能远超摩尔定律的增长，被业界称为硬体上的破局性进步 (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware)。
除了GPU，专用的AI 加速晶片亦层出不穷。例如Google自2016年推出TPU（张量处理器）系列，针对深度学习进行特殊优化；各大晶片新创公司（如Graphcore、Cerebras等）也投入打造高效能AI晶片，宣称能在每瓦运算效能上实现显著提升 (AI and compute | OpenAI)。OpenAI 分析认为，AI专用硬体在未来1-2年内有望将每美元的运算能力大幅提高 (AI and compute | OpenAI)。同时，研究者也不断探索平行计算极限，透过并联更多晶片来训练单一模型 (AI and compute | OpenAI)。事实上，AI训练的整体趋势每年约提升10倍算力，其中虽有硬体性能提升的因素，更主要的推手是研究团队愿意投入成百上千颗晶片同时运行，以缩短训练时间、提升模型复杂度 (AI and compute | OpenAI)。硬体的进步与大规模平行运算的结合，形成了AI性能爆炸式增长的基石。
技术突破对性能增长的影响
若干里程碑式的技术突破进一步催化了 AI 性能的飞升。2016年的 AlphaGo 展示了深度强化学习结合蒙地卡罗树搜索的威力，在专业棋类领域达到超人水准。2017年的 AlphaGo Zero 与 AlphaZero 更透过无人类知识的自我对弈学习，在数月内超越先前版本，以纯算力和演算法实现了围棋、国际象棋等的顶尖表现。这些成果证明，给定足够算力和正确的演算法，AI 可以在复杂智力任务上取得突破，从而吸引更多资源投入更大规模的计算以追求更高性能。
同样在2017年出现的Transformer架构（前述）是另一个关键转折点。基于Transformer的大型语言模型（如BERT、GPT系列）不断刷新各项自然语言理解与生成任务的纪录，也带动了研究范式的转变：研究焦点从设计特定任务的模型，转向训练通用的大模型再经过微调适应各种任务。这种范式不仅提高了开发效率，还因为能共享海量预训练知识而大幅提升了下游任务的性能。事实上，2022年发布的重大AI系统有绝大多数是大型语言模型，远超其它类型 (Stanford’s 2023 AI Index: Part 1 - Lexology)。大型模型的成功也证明了「规模效应」：即模型越大、资料越多，往往能呈现性能单调增长，甚至出现质变的能力。然而也出现了如OpenAI提倡的「Chinchilla策略」，强调参数量与训练资料量需平衡增长，以最佳化模型效能/成本比。
综上，AI技术性能的增长并非单一因素驱动，而是多方面协同演进的结果：更强大的硬体支援、更巧妙的模型架构、更高效的演算法以及更多的资料投入共同塑造了当今AI的高速发展。可以预见，短期内这种类摩尔定律的趋势仍将持续 (AI and compute | OpenAI)。正因性能可能在未来数年继续指数级攀升，各界已开始关注其带来的影响和挑战，包括安全、伦理以及社会经济层面的深远改变 (AI and compute | OpenAI)。
第二部分：AI 化社会中年轻人的生存策略
就业趋势与技能转型
在AI全面渗透的社会里，年轻世代将面临迥异于以往的就业版图。哪些行业会兴起，哪些会被取代，成为拟定职业发展策略的关键。根据McKinsey于2024年的分析，随着自动化和生成式AI的发展，对高技能人才的需求将显著上升，尤其是在医疗健康、STEM（科学、技术、工程、数学）等领域；相反，办公文员、生产制造、客户服务等岗位的人力需求则会下降 (Jobs of the future: Jobs lost, jobs gained | McKinsey)。AI技术已能自动执行许多常规性任务，研究估计当前的生成式AI和其他技术有潜力自动化现有员工多达70%工作时间所涉及的活动 (Jobs of the future: Jobs lost, jobs gained | McKinsey)。这意味着大量传统职位将被重新定义，大约有数以百万计的劳工需要在未来转换跑道、学习新技能，以适应新的职业需求 (Jobs of the future: Jobs lost, jobs gained | McKinsey)。
尽管某些工作内容因AI而消失，新兴职位与机会也会涌现。例如，AI 软体开发、数据科学、机器学习工程师、AI伦理专家等与AI直接相关的职种需求将大增 (AI And The Entrepreneurial Spirit: Perfect Together - Forbes)。同时，随着企业采用AI，懂得人机协作、具备创造性问题解决能力的人才更为抢手 (AI Is Lowering Barriers to Innovation - LinkedIn)。OpenAI 与宾大学者的一项研究亦指出，约80%的工作将有至少10%的任务受AI影响，而约19%的职位有一半以上的工作内容可被AI部分自动化 (GPTs are GPTs: An early look at the labor market impact potential of large language models | OpenAI)。重复性、高度制式化的工作最易被取代，而需要高度创意、战略思维、情感互动的工作相对安全。此外，「AI增强」而非完全取代也将是趋势之一：许多职位将与AI工具共生，员工需要学会运用AI来提高效率。例如市场分析师使用AI更快地整理数据、程式设计师借助AI自动补全部分程式码等，这些都是未来常见的工作模式。
对年轻人而言，技能转型（reskilling/upskilling）将是职涯的重要课题。未来职场更看重复合型人才：既懂专业领域知识，又具备数位素养，能灵活运用AI工具。世界经济论坛强调企业正采取行动推动员工技能再培训，例如注重技能而非学历的招聘、提供在职AI训练课程等 (Building a future-ready workforce - three essential steps | World Economic Forum)。年轻人应培养终身学习的习惯，主动学习编码、数据分析、AI基础知识等技能，以免在就业市场上被淘汰。同时，软技能如沟通协调、创意思维、适应变革等在AI时代反而更显重要，因为这些是短期内机器不易模仿且组织运作所需的人才品质 (Why Human Skills Matter More in the AI Era - IAEE)。总之，「以不变应万变」已行不通，年轻世代唯有保持学习热忱、拓宽技能边界，方能在AI重塑的就业格局中立于不败之地。
教育体系的变革与应对
面对AI带来的劳动市场巨变，教育体系也必须迅速调整，为年轻人打造适切的培养模式。未来的教育应更加强调灵活性与终身学习，打破传统一次性学习定终身的模式。学校和大学需更新课程内容，纳入AI相关知识，使所有学生具备AI素养。这不仅包括如何使用AI工具，也包含理解其原理、潜在风险与伦理问题 (The future of learning: AI is revolutionizing education 4.0 | World Economic Forum)。正如世界经济论坛所指出的，教育4.0的愿景是在强化人类主导教学的同时，运用AI技术提供个性化辅助 (The future of learning: AI is revolutionizing education 4.0 | World Economic Forum)。例如，AI可以自动批改作业、统计学习数据，让教师腾出更多时间与精力专注于学生的创造力培养和个别指导 (The future of learning: AI is revolutionizing education 4.0 | World Economic Forum)。教师的角色将从知识传授者转变为学习促进者和导师，善用AI来因材施教。
同时，教育必须着眼于公平性与可及性。AI在教育中的应用应避免扩大数位鸿沟，确保各地区、各社经背景的学生都能受益 (The future of learning: AI is revolutionizing education 4.0 | World Economic Forum)。这可能需要公私部门协作，提供必要的基础设施与资源，让弱势群体同样能接触先进的AI辅助学习工具。另一方面，课程设计需要融入对AI的批判性思考，引导年轻人认识AI的局限与伦理挑战。例如，课堂上讨论AI偏见问题、数据隐私、安全风险等，培养学生在使用AI时的道德判断与责任意识。
此外，未来教育强调的不仅是知识的传授，更是塑造持续学习的能力。AI时代技术日新月异，年轻人毕业后很可能面临知识过时的情况。因此教育体系应教会学生如何学习，包含批判思考、资讯检索与整合、新工具的学习方法等，让他们在踏入社会后能自我进修。线上课程、开放教育资源和AI辅助教学平台将成为终身学习的重要支柱。总之，教育必须从根本上转型，以前瞻性来培养面向AI未来的公民：既有硬技能，也具备软实力，并能与AI和谐共处、协同发挥。
心理与社会适应
AI化社会对年轻人的冲击不仅体现在经济层面，还涉及心理与社会适应的挑战。当AI在越来越多领域展现优势，人类不可避免会产生被取代的焦虑与身份价值的困惑。斯坦福大学的一项研究指出，人们面对高度智能的AI时，往往会下意识强调「机器无法拥有的特质」来界定人类价值，如创造力、道德感、情感联结等 (In an Age of Ubiquitous AI, What Does It Mean to Be Human? | Stanford Graduate School of Business)。研究者发现，当受试者阅读了关于AI进步的资讯后，更倾向于将人格、道德、关系等看作人类本质不可或缺的一部分 (In an Age of Ubiquitous AI, What Does It Mean to Be Human? | Stanford Graduate School of Business)。这反映出**「AI效应」**：人们为了维持自我意义感，会重新定位「做人」的标准，突出那些AI不具备的品质。年轻世代需要意识到这种心理调适，理性看待AI的长处与短板，在人机差异中寻找自己的价值定位。
维持人类的价值感与自我认同是另一大课题。在工作中，若AI扮演辅助甚至部分决策角色，年轻人可能会质疑自己的作用是否减弱。这时更需要强调人机协作而非竞争的观念——AI 是工具，能够延伸人的能力，但最终价值观与目标仍由人类掌控。组织和个人应培养「与AI共事」的心理素质。例如，信任AI的同时保持必要的监督，不因AI出错而过度依赖或全盘否定自己。同时，社会需要提供心理支持管道，帮助因技术变革感到焦虑的年轻人疏导情绪、建立对未来的正向态度。心理学家指出，人们对AI的恐惧有时源于对未知的想像，透过提高AI素养和实际接触经验，可减轻不必要的担忧 (In an Age of Ubiquitous AI, What Does It Mean to Be Human? | Stanford Graduate School of Business)。
社会适应方面，AI带来的变化可能引发新的社会伦理讨论和人际互动模式。例如，在人机共存的环境下，未来职场可能出现「数位同事」或AI主管，年轻人需学会与智能代理打交道，这包括对AI决策的质疑与沟通，以及协调人与AI分工。家庭和社群层面，AI陪伴机器人的出现可能改变传统人际关系网络，如何看待与机器的情感连结也将成为新的课题。此外，AI应用还可能带来隐私与公平方面的社会争议，如求职时AI过滤简历是否存在偏见等，年轻人作为利益相关者，应积极参与相关讨论，为制定合理的政策和伦理规范贡献自己的声音。
总而言之，心理上的调适在AI时代与技能上的进修同等重要。年轻一代需在变动中找到自我价值：专注发挥人类独有的创意、同理心和伦理判断，同时将AI视为协助达成目标的伙伴而非威胁。保持开放心态、培养弹性韧性，以及追求对工作与生活更深层的意义感，将有助于他们在AI化的社会中保持心理健康和社会连结 (How AI is changing the way many people think about work | World Economic Forum)。
创业机遇与创造力的新空间
AI时代不仅改变打工就业的样貌，也在创业与创新领域为年轻人开辟了新的空间。以往创业 often 需要相当的人力、资本和技术门槛，而如今 AI 工具的普及正降低创业门槛。有专家称我们正处于「第五次工业革命」的开端，AI 让任何人在任何地方都可能成为创业者 (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur) (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)。一个人借助AI即可完成过去需要一整个团队才能办到的事：从市场调查、产品设计、制造到营销，每个环节都有AI工具提供自动化或智能支持 (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)。例如，年轻创业者可以运用生成式AI快速制作产品原型（如利用GPT-4撰写程式码、用DALL-E生成设计图），利用AI翻译打破语言障碍拓展国际市场，并依靠AI进行资料分析来洞察市场趋势，及时调整商业策略 (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)。正因如此，地理位置和资源限制变得不那么重要，一个身处偏远地区的年轻人，如能熟练运用AI，也有机会创造出影响世界的产品或服务 (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)。
AI工具还大大激发了个人创造力。传统上，创意产出往往受限于个人技能（如绘画、作曲等），但现在透过AI辅助，许多没有专业背景的人也能将脑中的创意变为实际作品。Mozilla 等机构的报告指出，生成式AI（如ChatGPT、OpenAI的各种模型）正让高阶的创意产出变得对非专家而言亦可及，AI 工具有助于降低创意实验的门槛，让更多元的群体参与到创作和叙事中 (How AI is reshaping creativity: Insights from art, tech and policy)。例如，不懂程式的人可以用自然语言让AI写出简单应用，不会画图的人可以经由AI绘图工具创作视觉艺术。这种「创意民主化」为年轻人提供了前所未有的创新舞台。更重要的是，AI并非要取代人的创造力，而是扩大创造力的边界：AI 可以生成灵感、提供多样化的想法，帮助创作者探索平时难以触及的方向 (How AI is reshaping creativity: Insights from art, tech and policy)。年轻创业者和创意人应将AI视作脑力的延伸，善用它来试验更多大胆构想，同时赋予作品以人类独特的视角与情感。
未来若干领域可能出现创新突破，年轻人可提前布局。例如，AI 在医疗健康创业中应用广泛，从AI药物研发到远端诊断，都孕育着新创机会。教育科技领域，以AI打造个性化学习体验也是一片蓝海。内容创作与娱乐产业方面，AI剧本协作、虚拟偶像、沉浸式体验开发等创新正在兴起。甚至在公共服务和公益创新上，年轻的社会企业家也能运用AI解决社区问题，如利用AI优化能源分配、提升农业效率或监测环境变化。关键在于，AI工具大幅减少了试错成本，一个想法从概念验证到产品推出所需的时间和资源都较从前大为缩减。正如有创业者所说：「AI 让一人公司成为可能」，一位怀抱热情的年轻人只要掌握AI，就有机会启动属于自己的事业 (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)。
当然，AI赋能创业的同时也带来竞争加剧的挑战。由于门槛降低，市场上可能涌现大量由AI驱动的创新，如何从中脱颖而出需要独特的创意和深刻的洞见。年轻创业者应注重培养对特定领域的深入理解，将AI技术与洞察力结合，做出他人难以复制的产品。同时，需谨慎考量AI应用的伦理与社会影响，在创新与责任之间取得平衡。综观而言，AI时代为年轻人打开了创造价值的新天地：他们可以以前所未有的工具和全球视野，去尝试、去冒险、去实现理想。在这个充满机遇的时代，勇于拥抱AI并发挥人之所长的年轻创新者，将有可能引领下一波技术与社会的变革。
结论
综上所述，AI 技术性能的增长已呈现远超摩尔定律的指数级趋势，多方面的突破和进步相互促进，推动AI能力在广度和深度上快速扩张。同时，AI对社会经济的重塑正深刻影响年轻一代的生存与发展策略。面对机遇与挑战并存的AI化未来，年轻人唯有主动提升技能、适应变革，在与AI共生中找到自己的定位，才能将潜在的冲击转化为成长的契机。在教育、就业、心理、创业等各个层面都做好准备的年轻一代，将更有能力驾驭AI带来的新浪潮，于激烈竞合的未来社会中脱颖而出，成为引领时代的一员。肩负希望与责任的他们，将与AI一道，创造出更繁荣、更具人性价值的未来社会。
参考来源：
-
Amodei, D. & Hernandez, D. (2018). AI and Compute. OpenAI (AI and compute | OpenAI) (AI and compute | OpenAI)
-
Lawton, G. (2023). The role of AI parameters in the enterprise. TechTarget (AI parameters: Explaining their role in AI model performance)
-
Gilbert + Tobin (2023). Stanford’s 2023 AI Index: Technological Developments. Lexology (Stanford’s 2023 AI Index: Part 1 - Lexology) (Stanford’s 2023 AI Index: Part 1 - Lexology)
-
Tyson, M. (2023). Nvidia Outlines Jensen “Huang’s Law” of Computing. Tom’s Hardware (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware) (Nvidia Outlines Jensen 'Huang's Law' of Computing | Tom's Hardware)
-
Merritt, R. (2023). Heeding Huang’s Law: Engineers Keep the Speedups Coming. NVIDIA Blog (Video Shows How Engineers Fuel Huang's Law | NVIDIA Blogs) (Video Shows How Engineers Fuel Huang's Law | NVIDIA Blogs)
-
McKinsey & Company (2024). Jobs lost, jobs gained: Future of Work 2024 Update (Jobs of the future: Jobs lost, jobs gained | McKinsey)
-
Eloundou, T. et al. (2023). GPTs are GPTs: Early look at labor market impact. OpenAI/Penn (GPTs are GPTs: An early look at the labor market impact potential of large language models | OpenAI)
-
World Economic Forum (2024). The future of learning: How AI is revolutionizing education 4.0(The future of learning: AI is revolutionizing education 4.0 | World Economic Forum)
-
Santoro, E. & Monin, B. (2023). In an Age of Ubiquitous AI, What Does It Mean to Be Human?. Stanford GSB (In an Age of Ubiquitous AI, What Does It Mean to Be Human? | Stanford Graduate School of Business) (In an Age of Ubiquitous AI, What Does It Mean to Be Human? | Stanford Graduate School of Business)
-
Wiese, J. (2025). Revisit the value and meaning of work in the age of AI. WEF (How AI is changing the way many people think about work | World Economic Forum)
-
Sainsily, M. (2024). How AI is reshaping creativity: Insights from art, tech and policy. Mozilla (How AI is reshaping creativity: Insights from art, tech and policy) (How AI is reshaping creativity: Insights from art, tech and policy)
-
Goryachev, A. (2023). How Anyone, Anywhere Can Launch a Startup in the Age of AI. Entrepreneur (How Anyone, Anywhere Can Launch a Startup in the Age of AI | Entrepreneur)