大約在 1800 年，一位名叫 Henry Maudslay 的英國工程師造出了一台能車削出精準螺紋的車床，而這件事後來成了人類歷史上最重要的轉折點之一……
在 Maudslay 之前，螺紋全靠手工一條一條刻出來，所以沒有兩條螺紋是完全一樣的。這家工坊的螺帽，套不上隔壁工坊的螺栓；因此世界上每一台機器都是獨一無二的孤品，必須靠工匠親手組裝，壞了也只能靠工匠來修。
你沒辦法量產任何東西一千件，因為零件根本無法互換。這就是卡住整個工業世界的瓶頸，而這個瓶頸，就握在一隻拿著銼刀的人類手裡。
Maudslay 的車床每次都能車出一模一樣的螺紋。這意味著一台機器現在可以製造另一台機器的精密零件，而且這些零件真的裝得上去。不到一代人的時間，由他的車床衍生出的工具機，就開始生產其他所有設備的零組件；工業革命也突然找到了一個它原本不知道自己擁有的齒輪。
讀到這裡，你大概在想：Raoul，你到底為什麼要寫 1800 年代的螺紋？耐心聽我說，因為只要你把時間軸拉長，就會發現同樣的模式一再重演。
在人類歷史的大部分時間裡，工具的進步速度取決於製造它們的人，也就是說——很慢……每隔幾百年才出現一把更好用的犁。後來，工具開始製造工具，每一輪循環都比上一輪跑得更快。
蒸汽機驅動車床和鏜床，切削出火車頭的零件；於是蒸汽造出了鐵路，而鐵路又運送了更多蒸汽機。
工具機建起了組裝線，組裝線造出了汽車。如今電腦設計出晶片，再把晶片裝進更強大的電腦裡，因為沒有人能徒手佈局數十億個電晶體。每一次，當工具承擔了更多「製造下一代工具」的工作，一切就跟著加速，因為循環中最慢的那一環——人類那一環——被縮小了。
那麼，當這個循環裡的工具變成了「智慧」本身，會發生什麼事？
這已經在發生了
2023 年 11 月，我曾發文說 OpenAI 大概已經搞懂如何用 AI 來發想、設計、寫程式並推出產品……也就是 AI 正在打造 AI。
到了 2026 年 5 月，Anthropic 表示，合併進自家程式碼庫的程式碼中，有超過 80% 是由 Claude 撰寫的；而在 2025 年 2 月 Claude Code 推出之前，這個比例還只有低個位數。這家打造前沿模型的公司，大部分時候就是讓那個模型去寫下一版模型所運行的軟體。
OpenAI 也在 9 月公佈了自己的數據：其研究機構現在每投入一天的人力，就會搭配 3.1 個 Agent 工作天的運算量；而每位研究員執行的實驗數量，在 8 月創下歷史新高。
去年 5 月，DeepMind 發表了 AlphaEvolve，這是一個由 Gemini 驅動的 Agent，能自己撰寫並測試演算法。它的成果之一，是找到了一項排程優化方案，能持續為 Google 全球運算叢集省下 0.7% 的資源；同時還加速了 Gemini 自身訓練過程中的一個核心程式，把訓練時間縮短了 1%。數字看起來很小，直到你意識到它們代表什麼：一個 AI 正在讓下一個 AI 變得更便宜、更好造、也更好跑。
這就是 Maudslay 的車床，正在為下一台機器切削零件。
一種全新的瓶頸
在這之前的每一輪循環，都是在幫我們卸下體力活。車床取代了銼刀，組裝線取代了搬運，這也是為什麼每一輪都比上一輪跑得更快。但「思考」這件事從未離開過人類。還是得有人坐下來設計下一台車床，還是得有人想清楚那顆晶片到底要做什麼。機器在「製造」上變得無比厲害，但下一代的點子依然只能從人腦裡冒出來，而且速度就是人腦的速度……老實說，那並不快，也不會變快。
這是貫穿整個人類歷史的天花板，卻從來沒人認真想過，因為就算想到了又能怎樣？你不可能造出一個會思考的工具。
但現在你可以了。有史以來第一次，被外包出去的是「智慧」本身。因此，限制進步的不再是人類思考的速度，而是兩個物理條件：你能把多少能源轉化為算力，以及你能從每一單位算力中榨出多少智慧。而這兩者，都正走在指數曲線上。
它正在走出螢幕
到目前為止，這還只是一個關於軟體的故事，但它不會只停在軟體裡。
和我一起撰寫 The Exponentialist 的 David Mattin，把下一個階段稱為「自駕科學」。不，這跟 Tesla 無關，雖然背後的邏輯是一樣的……
他的意思是，科學一直都是一個由人類駕駛的循環。你有個直覺，設計一個實驗，執行它，通常會失敗，你找出原因，然後產生更好的直覺。就這樣一圈又一圈，一次一個人，跑完一圈要好幾個月。我們理解過的每一種藥物、每一種材料、每一條物理定律，都是從這個循環裡、以這樣的速度誕生的。
所謂自駕科學，就是把這個循環的方向盤交給機器。我們談的不是 AI 協助科學家……而是 AI 自己做出發現：新材料、新分子、那些人類去年還一無所知的事物，全都來自一台機器——它自己發想、自己跑測試、自己判讀結果、再自己想出下一步，全程完全不需要人類參與。「搞清楚世界如何運作」這件事正在被外包……而且現在就在發生，不是什麼科幻小說裡的未來。
2023 年，DeepMind 的 GNoME 模型預測出 220 萬種新的晶體結構，其中約 38 萬種是穩定的。這比人類在整個材料科學史上發現的新材料還多，而且全是由一個模型在任何人走進實驗室之前就找到的。
接著在 2025 年 12 月，DeepMind 與英國政府宣布了一座自動化材料實驗室將於今年啟用：機器人每天合成並測試數百種候選材料，再由 AI 挑選下一批。過去一個研究團隊跑一圈要好幾個月的循環，現在每天都在跑；而人類的角色變成檢視結果，而不是動手做實驗。
同樣的事也正發生在機器人身上，而且運作方式相當瘋狂。2025 年，DeepMind 推出了 Genie 3，最簡單的理解方式是把它當成一款「會自己寫自己的電玩遊戲」。輸入一句話，例如「一間凌亂的臥室」，它就會在螢幕上生成一個模擬房間，連真實房間的物理特性都有，所以在裡面移動的任何東西，得到的回饋都跟現實世界一模一樣。
接著，你可以把機器人的大腦放進去，叫它整理房間。它會失敗，於是再試一次、又一次，在數百萬個模擬房間裡，以電腦的速度嘗試數百萬次，不用打破任何一件真實物品，也不佔用任何實體空間。然後，你可以把學到的東西載入真正的機器人，它一走進真實的臥室，就已經知道該怎麼做了。DeepMind 現在正用旗下的機器人 Agents 這麼做，而且沒有人替它編寫教案。Agent 自己設定任務，自己批改作業。
如果這類事情讓你著迷，這正是我和 David 每週在 The Exponentialist 裡分享的內容。它最初誕生於 Real Vision，現在已是 Substack 上的獨立刊物，如果你想跟上，也有免費方案可以訂閱。
然後，它開始餵養自己
所以，機器正在寫自己的程式碼、改進自己的模型，甚至開始替我們做科學研究。你可能會說，好吧，但有一個大家都聽過的隱憂……這一切都靠電力運行，而且是大量的電。資料中心已經在拖垮電網，晶片已經是地球上最稀缺的東西之一，總有一天這整套系統會直接沒電可用吧？
但如果一台機器能解決人類解決不了的問題，那它首先會被指派去解決的，就是它自己的問題。我剛才描述的那些材料實驗室，並不是在隨機碰運氣。它們在尋找蓄電量更大的電池化學配方、轉換效率更高的太陽能電池、電晶體排列更緊密的晶片……也就是那些能讓能源和算力變便宜的關鍵。
而這些突破中的每一項，都會直接回饋給發現它的那台機器。
更好的面板和電池讓能源變便宜，更便宜的能源讓算力變便宜，更便宜的算力訓練出更好的模型，而更好的模型又找出下一種材料。大家擔心的那個瓶頸，恰恰是這個循環生來就要吃掉的東西。
這背後有一條定律，叫做萊特定律（Wright's Law）：任何東西的累計產量每翻一倍，成本就會下降固定的百分比。太陽能產業已經遵循這條定律數十年。新鮮的地方在於，負責設計的不再是人，所以翻倍來得更快、成本降得更快，而且晶片、電池和面板同時都在發生。
輪子每轉一圈，下一圈就轉得更快，而且它不依賴任何外部輸入。早期版本的這種循環，轉一圈要花上幾十年。現在這一輪只要幾個月，而推動它旋轉的，正是被它不斷改良的那個東西本身。
變便宜意味著更多，而不是更少
好，講到這裡，最直覺的反駁通常是經濟層面的：如果智慧變得這麼便宜、又這麼快，那我們應該需要更少生產它的東西才對……更少的晶片、更少的資料中心、更少的電力。
事實正好相反，而這個道理從煤炭時代就被人看透了。Jevons 注意到，當一種資源的使用效率提升時，總消耗量反而會上升，因為變便宜後，會開啟以前根本不划算的用途。讓蒸汽機更有效率，一個國家燒掉的煤只會更多，不會更少。
智慧正在上演一模一樣的戲碼。根據 a16z 在 2024 年底的統計，同等能力下，每單位智慧的成本大約每年下降十倍，而消耗量則一飛沖天。截至 2025 年 10 月，Google 每月處理約 1.3 千兆（quadrillion）個 token，是前一年的二十倍以上；到了今年 5 月，這個數字已達 3.2 千兆。思考成本每降一點，就會解鎖一個以前「想都不敢想」的問題；而這種需求沒有上限，因為還沒被解決的問題永遠不缺。
這就是為什麼資本支出停不下來。
「這只是炒作，已經遇到瓶頸了。」
我每隔幾個月就會聽到這句話，通常是在某次更新不如上一次驚豔之後。熱度維持一個星期，然後一切回歸日常，而人們就是在「日常」裡斷定整件事正在放慢腳步。
我用的心智模型是兒童發展。看著一個幼兒學走路一直跌倒，你可能會得出結論說他的腿有問題、或者他笨到學不會；或者等一個孩子遲遲不開口，就認定他的嘴巴構造不適合說話。直到某天他突然做到了。這些模型就像嬰兒，在某些領域擁有超能力，在另一些領域卻遠遠落後人類小孩……但嬰兒學得很快。用「這個季度做不到什麼」去推斷「三年後會在哪裡」，每一次都是錯的。短短三年，我們就從一個不太靈光的聊天機器人，走到一個在我們教過的每個科目上都超越大多數人類的東西。別因為自己的偏見，就像網路梗圖說的「在半山腰就以為到頂了」（midcurve）。
這對你意味著什麼
這一切背後的恐懼其實很個人，所以我也用個人的角度來談。
我不是技術人員。今年 1 月，我丟了一份 PDF 給 cowork，六分鐘後就拿到一個能跑的網站；接著我要它做一個儀表板，統整 Real Vision 在所有平台上的互動數據，十五分鐘也搞定了。當時我發文說，我覺得自己有點像半機械人。
今天，一個人加上一組 Agents，就能產出過去需要一整家公司才能完成的東西。在我的新書 《The Everything Code》（11 月 3 日出版，現已開放預購） 裡，我講了一位軟體工程師的故事：他用傳統方式花了十多年打造一家公司，後來退了一步，在一個冬天裡做了一個個人 AI 專案，結果在 GitHub 上拿下六位數的星星，還因此被 OpenAI 挖角。同樣的大腦、同樣的工作態度，唯一改變的，是他站在什麼基礎上蓋房子。
「這會取代我嗎？」是你的自尊心會問的問題，但這問錯了。不管你喜不喜歡，你底下的那層工作正在被壓縮，就像當年 Maudslay 壓縮了每一位手工銼螺紋的工匠的工作一樣。更好的問題是：當有一台機器能替你扛起那一層，你要拿它做什麼？而最終獲得超能力的人，是那些往上爬一層、去判斷「到底什麼值得做」的人。
掌握那些「製造機器的機器」
這個循環告訴你的，是價值往哪裡匯聚。當智慧打造智慧，回報會流向掌握循環的人：它運行的算力、餵養算力的能源，以及當 Agents 開始以機器速度彼此交易時，它們最終選定的基礎設施。這些是循環繞不開的東西，而且史上第一次，它們全都是普通人也能持有一份的資產。
這就是指數時代從理論走向真實生活的過程，而它正好撞上我在「經濟奇點」（Economic Singularity）框架中提過的那個窗口期——大約落在 2030 到 2032 年之間。在那個時間點，機器經濟的運轉速度將超越人類用來衡量它的工具：GDP、企業盈餘、薪資水準，舊的數字再也無法描述正在發生的事。從現在到那裡的這幾年，才是真正的賽局。
完整的思考脈絡都在 《The Everything Code》 裡。書中梳理了金融體系為何變得如此破碎、我們為何被困在債務循環裡長達數十年，以及為什麼指數時代在此刻降臨，正是同一個故事的另一半。
一旦你看懂了背後的機制，這篇文章裡的一切都是必然；而最奇妙的地方在於，它同時也是出路：正是機器，終於讓這個世界有機會靠成長擺脫債務。在原地打轉了幾十年之後，這是一件值得樂觀的事，而這本書就是我完整論述的地方。
《The Everything Code》將於 11 月 3 日出版，幫我一個忙：如果你打算買，我會非常榮幸你能考慮現在就預購。這對排名真的有幫助，對我來說意義重大。謝謝。
如果你想更深入探討這些議題，隨時繼續跟我聊！我在 raoulpal.ai 上做了一個 AI，用我 30 年的思考訓練而成，而且完全免費。歡迎到那裡繼續跟我討論。
