Scott Alexander 在 5 月 15 日发表《The Sigmoids Won't Save You》，讨论了 AI 圈里一个很常见的安慰说法：所有指数增长最后都会变成 S 曲线，所以 AI 能力也会自然放缓，不必太担心。

这句话最容易让人点头。它技术上没错，世界上没有永动机，任何增长都不可能无限持续。问题在于，它常被偷换成另一个判断：既然迟早会慢下来，那大概很快就会慢下来。

Alexander 真正反驳的是这一步。

他不是说指数增长会永远持续，也不是说 AI 一定会在某个时间点达到危险能力。他的核心判断更窄，也更硬：如果你没有一套机制模型，就不能凭“涨太久了”来断定拐点已经在眼前。

S 曲线是常识，但不能当预测捷径

S 曲线不是伪概念。

疫情传播会见顶，单一技术路线会遇到物理限制，市场渗透率也不可能超过 100%。早期加速、中期陡升、后期趋平，这套形状在很多地方都出现过。

但“最终会放缓”和“现在就会放缓”不是一回事。

前者是长期约束，后者是具体预测。中间必须回答一个问题：是什么机制让增长在这个时间点慢下来？是资源不够、成本太高、需求耗尽、监管收紧，还是技术路线撞墙？

Alexander 用三个误判案例说明，过早把趋势画成 S 曲线，常常不是因为模型更强，而是因为预测者先累了。

案例当时的判断后来暴露的问题
联合国生育率预测多次预期低生育率国家的下降会放缓真实生育率继续下行，拐点来得比预测更晚
太阳能部署预测能源预测反复低估新增装机增长成本下降、产业扩张和政策支持继续推高部署速度
METR/Wharton AI 能力曲线预测2026 年初尝试拟合 AI 能力趋平后续模型发布很快打破原预测曲线

这些例子不证明指数增长能永远持续。它们只说明一件事：一句“差不多该停了”，不是预测。

太阳能是个好参照。外行容易只看装机曲线，觉得增长太快就该回落。可真正影响曲线的还有组件成本、融资条件、并网能力、政策补贴和供应链扩张。

AI 也类似。只看能力曲线，很难判断拐点。你还要看算力供给、算法效率、训练数据、推理成本和商业回报。任何一个变量都可能减速，但不能假装它们已经一起减速。

这对读者的影响很直接。

如果你是做 AI 工具迁移的企业负责人，不能只因为“模型可能快到头了”就推迟内部系统改造、员工培训和采购评估。更稳的做法是分阶段迁移：低风险流程先接入，高风险流程保留人工审核，把预算拆成可回撤的小步。

如果你是政策观察者，也不能把“S 曲线会来”当成风险自然消散。更该问的是：模型进入网络攻防、自动化研发、复杂代理任务时，评测、审计和责任边界有没有跟上。

没有机制模型时，Lindy 只是一个默认先验

Alexander 给出的替代框架并不复杂。

有机制模型，就看机制。没有机制模型，就别随手画一个 S 曲线。

他借用 Lindy 法则，是为了给“无知状态下怎么设默认预期”提供一个纪律。大意是：一个趋势已经持续多久，其中位预期可以参考它已经持续的时间。

这不是物理定律，也不是 AI 时间表。它不能告诉我们 AI 哪年达到高风险能力，也不能保证 scaling 会继续多久。

它的作用更像一个提醒：当你承认自己看不清完整机制，就不要同时自信地说拐点马上到来。

放到 AI 上，Alexander 的落点很明确。至少从 2017 年 GPT-1 发布算起，AI 已经经历了一段明显的能力提升；如果按很多人说的 scaling era，则大致从 2019 年算起。

无论从哪个起点算，这段扩展期都不能被随意假定即将结束。

更准确地说，举证责任在声称“AI 不会达到危险能力水平”的一方。这个人需要解释：算力为什么会停，算法效率为什么会停，数据为什么无法继续转化为能力，经济激励为什么不足以继续投入。

如果这些解释拿不出来，那就只能承认自己是在黑箱里判断。

当然，反方也不是没有强论点。数据枯竭、芯片供应、电力约束、训练成本、监管压力，都可能成为真实刹车。尤其是数据中心建设和电力接入，不是想扩就能扩。

但这些都属于机制问题。它们应该被具体讨论，而不是被一句“S 曲线迟早会来”打包带过。

接下来该盯什么，而不是盯曲线形状

AI 会不会放缓，关键不在图线像不像 S，而在几个变量有没有同时转向。

观察变量如果继续支撑增长如果开始形成刹车
算力与数据中心训练集群、供电和芯片供给继续扩张电力、建设周期、芯片或资本开支成为硬约束
算法效率同等算力下能力继续提升架构改进边际收益明显下降
数据与训练范式合成数据、多模态数据、新训练方法继续有效高质量数据耗尽，合成数据回报下降
推理时计算通过更长思考、更强工具调用提升任务能力推理成本过高，商业场景无法承受
评测与真实任务模型在研发、代理、网络等任务上持续进步基准分数上涨，但真实任务迁移变慢

这张表比一句“S 曲线”有用。

对企业来说，它决定的是采购节奏。不是盲目全押，也不是继续观望。更合理的动作是把 AI 投入分成两类：一类是已经能省成本的流程，尽快做；一类是依赖下一代模型能力的项目，保留试点，不急着重资产投入。

对开发团队来说，它决定的是工具路线。不要只押一个模型，也不要把所有系统写死在单一供应商接口上。模型能力还在变，抽象层、评测集和回滚方案反而更值钱。

对政策部门来说，重点不是预测某个具体日期，而是提前盯住能力阈值。比如模型是否能稳定完成长链路任务，是否能自主调用工具，是否能在网络、安全、生物等敏感领域降低门槛。

Alexander 这篇文章的价值，就在于把讨论拉回了预测纪律。

S 曲线会来，这点不用争。真正要争的是：它为什么来、何时来、由哪个约束触发。

如果这些问题没有答案，S 曲线就不是模型，只是把愿望画成了拐点。