2026年9月13日发布的一段播客对谈中，OpenAI联合创始人、现Thinking Machines首席科学家John Schulman接受主持人Dwarkesh Patel专访，围绕AI递归自我改进这一议题发表观点。其中最具分量的判断，是他对AI能力边界的预判——"距离AI在所有可在计算机上完成的认知工作中全面超越顶尖人类专家，可能只需3至4年"。
Schulman的表述中有一处限定值得关注："所有可在计算机上完成的认知工作"。这一限定将讨论范围锚定在数字可执行的任务谱系之内——涵盖编程、数学证明、科学计算、文档分析等可被形式化处理的工作类型，而非泛指全部人类智力活动。
他进一步解释了上述判断的依据——"AI研究因涉及大量代码和数学，对AI而言相对不难"。其逻辑在于，AI研究高度依赖代码编写与数学推演，而这两类任务恰好处于当前AI系统的能力强项区间。换言之，当一项工作的核心环节可被编码、可被符号化推理时，AI对其的吸收速度会显著高于依赖隐性知识与具身经验的工作。这一观察也间接解释了为何代码生成、数学证明类基准测试成为近年来模型能力跃迁最显著的赛道。
访谈中，Schulman还描述了一个他观察到的现象——"新模型发布时令人震撼，使用一段时间后又显得迟钝"。他判断，这一循环"可能比预期重复更多次"，原因是"模型在研究和工程领域仍受制于自身判断力"。
这一表述指向当下AI能力评估中的一个结构性问题：用户对模型的"震撼感"具有时效性，新鲜感消退后，原本被认为"智能"的行为会被重新归类为机械操作。这是感知阈值随能力同步抬升的典型表现，也意味着评估AI进展不能依赖单一时点的主观印象，而需要纵向、可重复的基准测试作为参照。Schulman将"判断力"作为模型在研究领域尚未突破的瓶颈，与他3至4年的时间表形成了内在呼应。
在被问及人类的不可替代性时，Schulman给出一条明确的边界——"定义'我们到底想要什么'将是人类最后坚守的阵地"。
这一表述将"对齐问题"提到了与能力扩张同等重要的位置。当模型在执行层面逐步逼近甚至超越人类专家时，决定其产出价值的已不再是"能不能做"，而是"该不该做、为谁做、按何种标准做"。这意味着，价值观层面的规范、目标设定与边界划定，将成为AI能力扩张过程中人类持续投入精力的核心领域。在产业层面，这也对应着模型评估标准、合规审查机制与最终人类决策权等制度性安排的设计。
访谈中，Schulman还表达了两项具体担忧：其一是RL训练导致创意多样性收窄；其二是大量开源模型蒸馏Claude造成"单一文化涌现"的现象。
前者指向强化学习范式在收敛行为分布方面的副作用——奖励信号越明确，模型输出越倾向于"安全但趋同"；后者则是开源生态层面的同质化风险，当多个下游模型以同一闭源模型为教师进行知识蒸馏时，下一代模型可能共享相似的推理模式与表达偏好，长远看将削弱模型生态的多样性与鲁棒性。对于正在快速演进的全球开源模型生态而言，这是一项需要被纳入治理视野的隐性风险。
---
整体来看，Schulman此次访谈勾勒出他对AI能力扩张节奏、技术评估机制、对齐问题优先级以及生态多样性风险的连贯判断。这些观点延续了他在OpenAI时期对AI安全与对齐议题的关注，也反映出其加入Thinking Machines后对前沿模型研发节奏的近距离观察。对于关注AI产业走向的研究者与从业者而言，这些预判值得作为后续能力评估与生态治理讨论的参照坐标。