2026年6月至8月，播客与专栏作者Dwarkesh Patel连续发布多篇关于人工智能前沿的讨论，核心议题集中在训练范式从预训练转向“在职学习”、AI自动化AI研究带来的递归自我改进，以及算力资源向少数实验室集中的趋势。其中，Dylan Patel判断，Anthropic与OpenAI到2028年将掌握全球多数算力。

算力集中化：2028年的格局判断

8月25日发布的文章中，Dylan Patel对算力格局给出明确判断。文章摘要写道：“Every force is screeching towards centralization.”（所有力量都在尖叫着走向集中化。）这一表述指向AI算力资源正加速向头部实验室聚拢。

该判断与选题说明中“Anthropic/OpenAI 2028年掌握全球多数算力”的线索一致，但素材未提供具体测算方法与数据来源，相关细节有待原文进一步披露。

递归自我改进：AI自动化AI研究的辩论

8月11日，Dwarkesh Patel发布与Ryan Greenblatt的对谈，主题为“一旦AI能够自动化AI研究，会发生什么”。文章摘要将其定性为“一场关于递归自我改进的辩论”（A debate about recursive self-improvement）。

递归自我改进指AI系统参与改进自身或后续AI系统的研发，从而可能形成能力加速循环。该对谈呈现了围绕这一机制是否成立、影响如何的正反讨论，但素材未披露双方具体论点。

持续学习：在职学习与监管时机之争

6月26日的文章《下一个重大突破将是AI在职学习》提出，实验室正在丢弃最有价值的数据（Labs are throwing away the most valuable data）。这一观点指向训练范式可能从大规模预训练转向模型在真实任务中持续学习。

8月7日的文章《持续学习时代的8个预测》进一步延伸讨论，其摘要明确提出：“现在锁定AI安全监管是一个错误。”（Locking in AI safety regulation now is a mistake.）该文将监管时机问题置于持续学习范式变迁的背景下讨论，但素材未展开8个预测的具体内容。

后续关注点

  • Dylan Patel关于2028年算力集中化的判断依据与测算口径；
  • Ryan Greenblatt与Dwarkesh Patel围绕递归自我改进的具体分歧；
  • “在职学习”范式对数据使用、模型训练流程的实际影响；
  • 持续学习时代AI安全监管应如何把握时机与方式。