2026年6月至8月，播客與專欄作者Dwarkesh Patel連續發佈多篇關於人工智能前沿的討論，核心議題集中在訓練範式從預訓練轉向“在職學習”、AI自動化AI研究帶來的遞歸自我改進，以及算力資源向少數實驗室集中的趨勢。其中，Dylan Patel判斷，Anthropic與OpenAI到2028年將掌握全球多數算力。

算力集中化：2028年的格局判斷

8月25日發佈的文章中，Dylan Patel對算力格局給出明確判斷。文章摘要寫道：“Every force is screeching towards centralization.”（所有力量都在尖叫著走向集中化。）這一表述指向AI算力資源正加速向頭部實驗室聚攏。

該判斷與選題說明中“Anthropic/OpenAI 2028年掌握全球多數算力”的線索一致，但素材未提供具體測算方法與數據來源，相關細節有待原文進一步披露。

遞歸自我改進：AI自動化AI研究的辯論

8月11日，Dwarkesh Patel發佈與Ryan Greenblatt的對談，主題為“一旦AI能夠自動化AI研究，會發生甚麼”。文章摘要將其定性為“一場關於遞歸自我改進的辯論”（A debate about recursive self-improvement）。

遞歸自我改進指AI系統參與改進自身或後續AI系統的研發，從而可能形成能力加速循環。該對談呈現了圍繞這一機制是否成立、影響如何的正反討論，但素材未披露雙方具體論點。

持續學習：在職學習與監管時機之爭

6月26日的文章《下一個重大突破將是AI在職學習》提出，實驗室正在丟棄最有價值的數據（Labs are throwing away the most valuable data）。這一觀點指向訓練範式可能從大規模預訓練轉向模型在真實任務中持續學習。

8月7日的文章《持續學習時代的8個預測》進一步延伸討論，其摘要明確提出：“現在鎖定AI安全監管是一個錯誤。”（Locking in AI safety regulation now is a mistake.）該文將監管時機問題置於持續學習範式變遷的背景下討論，但素材未展開8個預測的具體內容。

後續關注點

  • Dylan Patel關於2028年算力集中化的判斷依據與測算口徑；
  • Ryan Greenblatt與Dwarkesh Patel圍繞遞歸自我改進的具體分歧；
  • “在職學習”範式對數據使用、模型訓練流程的實際影響；
  • 持續學習時代AI安全監管應如何把握時機與方式。