好验证的事，都会被 AI 做掉

读到 Jason Wei 的一篇博客，《Asymmetry of verification and verifier's law》（原文在这）。他是 OpenAI 的研究员，思维链那篇论文的作者。这篇不长，但把我最近一直模模糊糊在想的一件事，一句话钉住了。

他的观察从一个简单的现象开始：有些事，做起来很难，验证起来却很容易。

数独是最好的例子。解一道数独要反复试错，检查一份答案只要扫一眼。工程也一样：做一个 Instagram 量级的产品要一个团队干几年，但它好不好用，任何人点几下就知道了。做和验，难度完全不对称。

也有反过来的。写一篇文章不难，把文章里每个事实都核实一遍，比写它花的时间还多。提出一个新的科学假说很容易，验证它可能要好几年。这一头是验证比做更难。

还有一个关键点：不对称性是可以人为改变的。竞赛数学题本来不好验证，但只要提前把答案备好，验证就变成了对答案。写代码本来不好验证，但配上一套覆盖完整的测试用例，就变成了跑测试。你在事前多做一点准备，就能把一件难验证的事改造成好验证的事。

铺垫到这里，他抛出了那个法则，他叫它验证者法则：训练 AI 解决一个任务的难易程度，和这个任务可被验证的程度成正比。凡是解得出来、又容易验证的任务，AI 终将全部拿下。

什么叫容易验证？他给了五条：有客观对错；验证一次只要几秒；能同时批量验证一大堆候选答案；噪音低，验证结果和真实质量高度相关；奖励是连续的，能给一堆答案排出个好坏来。他回头看了一眼 AI 的历史：凡是满足这几条的基准测试，基本都被解决了。

道理不复杂。神经网络靠海量的梯度更新来学习，验证越快越准，每一步的信号就越强，能迭代的次数就越多。快速迭代能碾压几乎一切。Google 的 AlphaEvolve 就是这么工作的：提出一个候选方案，验证，再提出，再验证，用蛮力般的猜测加检查，把一个个可度量的目标推到极限。而且这条路不止于数学和代码，催化剂配方、气动外形，任何能被测量的东西，理论上都在射程之内。

他的预言是：未来的智能会呈现一种锯齿状的边缘。凡是可验证的领域，AI 会强得不成比例；不可验证的领域，进展会慢得多。

这篇文章对我有个很实际的用处。我前阵子写过，AI 把执行的墙推平之后，剩下的问题是「什么值得做」。验证者法则从另一个方向补了一刀：接下来该问的还有「什么可以被验证」。这两个问题的交集在变化。可验证的事会加速塌向 AI，那么人的位置就往两头挪：一头是去定义验证，把模糊的目标改造成可度量的目标，这是杠杆最大的活；另一头是守着那些真正难验证的东西，品味、判断、值不值得，这些恰恰是法则照不到的地方。

原文很短，值得点开读一遍。