“人将被抹去，如同海边沙滩上画出的一张脸。”
——米歇尔·福柯，《词与物》，1966年
修订于2026年9月。
说起未来，我们常把它想成远方的一个国度。那里会实行民主还是专制？人会继续主导生活，还是把越来越多的事情交给机器？人们能和平相处，还是彼此备战？生活会更富足，还是越来越难？这样想，仿佛历史的变化有了一个目的地。我们还没到那里，便可以站在远处讨论它。
可是，大多数变化开始时并不引人注目。一件新工具最初只为解决一个小问题，用着方便，渐渐就离不开了。组织开始围绕它安排工作，基础设施和法律跟着调整。过去必须掌握的某些本领，如今不再有人要求，练习的机会也少了。等孩子们长大，这一切已经是生活的常态。等社会终于给这种变化取好名字，它往往早已进入人们的习惯，变成离不开的条件、想当然的道理。
福柯那句话出现在《词与物》的结尾。书出版于1966年，讨论的是欧洲知识体系怎样发生变化：博物学如何转向生物学，财富如何成为政治经济学的研究对象，语言又如何被放回历史中考察。在这些变化里，人逐渐有了双重身份：一方面认识世界，另一方面又把自己作为科学研究的对象。福柯所说的“人”，就是在这套知识体系中形成的人。他所追问的，是这个位置能否一直保持下去。沙滩上的脸因此有了具体含义：我们对自己的这幅画像，也许有一天会随着知识体系的变化而消失。
不必接受福柯的全部观点，这个问题仍值得认真对待。所谓“知识型”（episteme），说的是一个时代组织知识时所依据的那些前提：什么问题值得问，怎样的回答才算有效，人又凭什么认识自己。文明会因新的发现而改变，也会因发现者的变化而改变。如今，生产知识的系统已经可以复制，也能通过彼此协作继续工作。它们可能先改变孩子们将要认识的世界，而学校和其他教育机构还没来得及想清楚，该怎样教孩子认识这个世界。
这里所说的通用人工智能（AGI），指能处理多种领域的智力工作，并在相当程度上自主完成这些工作的系统。按这个定义，截至2026年9月，AGI已经到来。它在不同任务上的能力仍有差距，应用也远未普及。往后的变化，将来自能力继续提高、应用不断扩大，以及社会为此作出的制度调整。
这些变化继续发展，越来越多的智力工作很可能由基础设施支持，在机器之间完成。机器会帮助改进下一代机器，也会通过科学发现改变文明的物质条件，甚至改变我们用来理解世界的概念。知识增长不必再完全等候一代人的培养。整个社会能做成的事，与每个人通过学习获得的能力，可能越来越不成比例。
随之而来的问题是：谁能把这些能力用起来？仪器、记录、资金和行动的权限，可能比一个好答案更难获得。它们由谁掌握、能否共享，将决定多少人有机会参与。再往远处看，如果能源不再是智力工作的主要限制，时间可能成为下一道界限。有些思考必须一步接一步完成，增加机器也未必能缩短过程。智能若要完成这样的工作，就得设法让工作延续得比承载它的人和机器更久。怎样让它持续下去，又始终容得下新证据和后来的人，可能成为文明的一项长期任务。
这几种变化都有了现实的起点。要理解它们可能带来什么，可以先看看文明一直怎样积累自己的能力。
文明怎样积累知识
人的生命有限，知道的事、作出的约定，却可以传得很远。文明史中相当重要的一部分，就是人们怎样让这些东西越过个人的一生。
语言使一个人的经验可以告诉另一个人。仪式把知识编进反复进行的活动，故事把生活经验和行为准则传给没有亲历那些事情的人。农业则把已经付出的劳动保存在土地、畜群、粮仓和下一季的收成里。有了文字，承诺、债务、命令、法律、祈祷和发现，即使最初说出它们的人已经去世，仍可以留下来。
这些办法同时改变了人与人的关系。存粮可以养活城市，也可以供养祭司或被征作贡赋。债务写下来，就不会随着债权人的死亡而失去凭据。法律可以传到统治者的声音到不了的地方。社会有了专门保存记忆的人，这些人也因此获得权力。哪些人的话被记下，哪些人的经历被略去，档案里一直有这样的选择。
科学又给知识的保存增加了一条要求：留下结论，也要留下别人据以检查和反驳它的办法。测量可以重做，论证可以核查。一项结果能否成立，不必始终取决于作者的声望。科学当然也受名望、经费和权威影响，但它建立了一种很特别的积累方式：后来的人接过知识时，也接过了纠正它的手段。
知识越积越多，进入一个领域所需的准备也越来越长。每个孩子都得重新学习，等到能够参与前沿研究，人生已经过去不少。经济学家本杰明·琼斯在《知识的负担》中，从理论和实证两方面讨论了这种关系：知识增长伴随着更长的准备期、更细的专业分工，以及对团队的更多依赖。文明掌握的知识早已超过任何个人。它还能继续发展，是因为人们能够各自掌握一部分，再通过合作弥补个人知识的局限。
AI使这些积累有了新的用途。书籍、论文、程序、图像和其他记录可以用来训练模型，模型再帮助人编程序、检验论点、设计实验。过去，记录要等人来读、来理解，才能继续发挥作用；现在，它们还可以参与形成有能力继续工作的系统。
一个人学会把事情解释清楚，可能要花很多年。一个模型训练完成后，却可以复制，供数百万人使用。训练它仍凝结着大量人类劳动，但多服务一百万名用户，不必另找一百万人从头接受教育。这件事已经很容易被当成日常便利，可职业、报酬和声望曾经依赖的一项基本条件，就在这里发生了变化。
有用的智能已经可以按工业规模供给。对于越来越多的任务，增加电力、硬件和软件，就能增加能够完成的智力工作。具体能增加多少，还取决于算法和信息：一度电并不能固定换算成多少智能。但专业能力的供给方式确实变了。建设数据中心与培养一代人，已经能够满足一部分相近的经济需要，尽管两者对人的生活还有很不相同的意义。
国际能源署估计，2025年全球数据中心用电约485太瓦时，其中包括AI以外的用途。屏幕上几句话的往来，背后是发电站、变电站、冷却设备、半导体工厂、土地和劳动。所谓“云端”，在地图上都有地址。数据中心落在哪一处，就与哪一处的生活发生关系。
另一个变化，藏在人与机器的对话背后。一个智能体可以把工作交给其他智能体，比较结果，要求修改，再把结论传下去。人提出一个问题，系统之间可能已经交换了成千上万次信息，调用了不同的研究服务和仪器。许多工作不必等人逐条过目，就能接着进行。
在有组织的智力工作中，如果按有实际用途的指令、证据和结果的交流数量来比较，未来可能形成这样的次序：AI与AI之间最多，其次是AI与人之间，最后是人与人之间。人与AI的交流即使大幅增加，在全部交流中的占比仍可能下降。这里较有把握的判断，是机器之间的交流会占据主导。后两者如何排序，更取决于工作和教育怎样组织。总体来看，大部分智力协作可能发生在我们直接参与的对话之外。
协作究竟有没有效率，还要看结果。2026年发表于《自然·机器智能》的一项研究，在控制计算预算的条件下比较了不同的智能体组织方式。有些任务完成得更好，有些反而更差。参与者多，既可能传播有用的发现，也可能传播错误。只数系统发了多少条消息，同样很难说明问题：更强的单个模型，可能直接做完过去由多个智能体分担的工作。机器之间仍可能需要大量交流，是因为重要工作涉及不同的信息、仪器、权限和所有者。值得观察的是，这些边界之间的工作能否真正接起来，以及需要人投入多少注意力。
机器还在参与改进生产智能的条件。2025年，DeepMind报告称，AlphaEvolve通过提出程序、逐轮测试变体，改进了数据中心的调度，平均释放出谷歌全球计算资源的0.7%。这项改进已经用在实际基础设施中。一旦影响到智能本身的生产，小幅度的改进也会惠及此后大量的计算。
学习方法也开始进入这个过程。2025年发表于《自然》的DiscoRL发现了一种让智能体从经验中学习的规则。在所测试的游戏环境里，它的表现超过了参与比较的人工设计规则，并能用于发现过程中没有使用过的环境。寻找更好学习方法的一部分工作，已经交给了学习系统。
这些成果让递归改进有了几个具体环节：系统帮助改进生产下一代系统的方法，下一代又有可能把改进工作做得更好。但循环能否持续、能否加速，还没有由此得到证明。改进必须一轮接着一轮发生，离开筛选它们的测试环境仍有效，并真正帮助下一轮研究。实验、硬件和验证都可能限制速度。即使循环只能完成一部分，它也已经使智能的供给参与决定自身改进的快慢。
这些学习能力的进步还会进入其他科学。机器改进了用来思考的工具，也会用这些工具研究世界；研究的结果，又会改变文明可以使用的材料、能源和技术。
科学的起点变了
1958年，约翰·肯德鲁和同事报告了第一个蛋白质的三维结构——肌红蛋白的结构，那是多年实验的结果。到2022年7月，DeepMind与欧洲分子生物学实验室旗下的欧洲生物信息研究所，已经把AlphaFold数据库扩展到两亿多个蛋白质结构预测。预测和实验测量仍须严格区分。这项进展改变的，是研究者从哪里开始工作：几乎任何能上网的人，都可以先取得一个预测出的结构。
过去，一项艰难的前期研究可能只够让人得到结构信息；如今，这些信息可以先以待验证的预测形式出现。有的预测会误导，有的能缩小范围，有的会提示值得做的实验。医学上的许多希望尚未兑现，研究的起步条件已经改变。一个人想追究自己的疑问，门槛低了一些。
这个数据库依赖几代结构生物学的积累和公共数据。把预测开放出来，过去的投入就能帮助远在原有机构之外的人。同样的技术，如果只允许少数人使用，形成的科学环境会很不一样。
研究的范围也在从分子的形状扩展到生命活动的调控。2026年1月发表于《自然》的AlphaGenome，可以一次读取一百万个DNA碱基，预测数千种与基因调控有关的测量结果。研究者通过比较序列改变前后的预测，考察可能的影响。哪些预测可靠，还得由实验判断。但在决定把实验资源投向哪里之前，可以先检查的可能性已经多了许多。
数学也提供了一个变化很快的例子。2024年，DeepMind的系统在国际数学奥林匹克竞赛题目上达到银牌水平，其中有些解答用了长达三天。2025年，一个先进的Gemini系统解出六题中的五题，获得金牌分数，并且在竞赛规定的时间内用自然语言完成作答。结果由国际数学奥林匹克的协调员评分。短短一年，机器在一项公认需要很高数学才能的工作上又向前走了一步。不过，竞赛题毕竟是专门设计的，出题者知道它有解。研究工作还要面对没有这样准备好的问题。
在算术几何中，2026年2月一篇预印本介绍的Aletheia用代数组合学得到了一个一般结果，而研究者此前只算出若干特例。它使用的方法，提出问题的人并不熟悉。作者把数学内容归于AI，论文由人撰写；他们将成果评为有发表价值的研究，尚不属于重大突破。即便如此，这项成果仍说明了一件重要的事：足以提出研究问题的人，已经会遇到自己原来没有想到的解答路径，而提供这条路径的可以是机器。
人们常为自己保留一个比较安心的位置：机器负责解题，人来选择问题、判断美感、决定什么重要。可是，这些能力很难分开培养。做出一个证明，可能才知道什么问题更值得问；发现两个领域之间的联系，可能才会改变轻重缓急。机器参与的发现越多，就越有可能参与塑造问题和概念。更深的变化会出现在这样的时刻：机器提出的定义或解释，足以改变一个领域组织知识的方式，使一些问题变得自然，另一些不再值得追问。人的判断力将需要在这个已经部分由机器改变的知识环境里继续发展。
对其中一些结果，我们已经有独立检查的办法。形式化证明可以交给另一个系统核查。在Lean这样的证明辅助工具中，核查能够确定：某个明确陈述的命题，是否能从指定的定义与公理推出。这仍有相应的信任前提，例如验证机制本身是否可靠。形式化命题是否准确表达了原来的问题，也要另行判断。在这些条件下，人们可以确认一个结果成立，却未必理解当初为何能想到那条证明路径。
专业分工早已让人习惯于使用自己不能完全理解的成果。进一步的可能，是出现一种持续取得成果的研究传统，而它的核心思路已经没有哪个人类群体能够轻易重新掌握。如果主要读者也是智能体，研究记录就会按照机器使用的需要组织：可以直接运行的程序、形式关系、测量数据，以及值得保存的失败尝试。给人看的说明可能要另外编写，像一部作品先在另一种语言里完成，之后才有译本。AI也许能把解释写得很好；会不会有人要求它这样做，则取决于研究机构还怎样看待人的参与。
实验科学还要接受真实世界的检验。2026年5月发表于《自然》的Robin利用智能体检索文献、提出生物学实验、分析结果并修订假说。在干性年龄相关性黄斑变性研究中，它找到了两种化合物，实验室随后在细胞实验中确认了它们对相关细胞过程的作用。候选物由人审核，实验方案由人制定，实验也由人操作；这些结果尚未证明临床疗效。但机器提出的建议已经进入实验，实验结果又参与决定下一步研究。
随着推理系统、机器人和仪器连接得更紧密，这种往返会越来越多。预测会落空，仪器会漂移，某项结果也可能无法在独立测量中重现。机器能够造成错误，也可能发现错误。研究能否保持严谨，要看它是否持续接受可以推翻原有判断的证据，以及其他研究者有没有条件复核和质疑。系统之间即使彼此赞同，也仍须过这一关。
因此，讨论文明的未来，还得考虑科学发现怎样改变社会生活的物质基础。更好的催化剂可能改变一个行业的成本；更便宜的储能可能改变某种燃料、某个地区的重要性。健康寿命若显著延长，职业、家庭、继承和政治交接都会受到影响。这些可能性各有一条困难的实现路径，却有一个共同点：制度所依赖的条件也在变化。只把今天的职业和政治冲突向后延长，而假定材料、能源和生命条件都差不多，恐怕看不见这场变化的很大一部分。
发现还要经过制造、建设和分配，也要经过利益的争夺。小样中有效的材料，未必能顺利量产；有希望的生物学发现，未必能转化为实际用途。展望未来时，这些环节的速度也要算进去，同时还要考虑科学进步可能缩短其中一部分过程。越是其他工作变快了，这些迟迟不能解决的问题就越容易成为研究重点。
接下来值得观察的是：有用、经过独立核查的研究成果，能否在专家监督没有同比增加的情况下持续增长。单项任务已经相当自主，整个研究计划却仍可能需要人来指导。随着这种依赖减少，教育就会遇到一个更直接的问题：世界如果能够通过其他办法，获得受过教育的人所能提供的许多成果，培养一个人的目的又是什么？
培养一个人需要多久
年轻的数学家要用很多年，才能判断一个定义是否会带来值得继续研究的问题。写作者慢慢学会辨认，有些句子语法没有毛病，却没有忠实表达实际的感受。医生也会逐渐注意到，一份条理清楚的摘要漏掉了什么。最后呈现出来的，是一个证明、一段文字或一次诊断。背后却是长期的练习：模仿别人，亲自试错，经历出错后的难堪，再一点点知道哪些地方可以相信自己。
教育把这种个人成长同一个社会承诺联系起来：把本领学好，社会将来用得着你。机会从来不均等，承诺也经常落空，但它仍给漫长的学习提供了一个理由。社会需要专业能力，个人花时间获得它，再换取收入、认可和自己在社会中的位置。
AI同时改变了这两端。它可以帮助人学会以前很难掌握的东西，也可以降低社会对这些本领的经济需求。于是，一种有些矛盾的局面出现了：社会刚有条件把更多人教得更好，却可能不再像过去那样，需要为培养他们付钱。
借助工具做得好，究竟有多少能变成自己的本领？一项2023年开展、2025年发表的实验提供了一个具体例子。土耳其一所高中的近千名数学课学生使用不同的辅助方式练习。使用基础版GPT助手的一组，练习成绩比对照组高48%；但在随后不能使用工具的考试中，成绩却比对照组低17%。另一种加入教师设计提示的版本，基本避免了这一下降。实验考察的是短期成绩，不能直接回答判断力如何在多年中形成。但它提醒人们，能够交出一份答案，与把理解留在自己头脑里，仍须分别考察。
进入工作以后，问题会继续存在。有经验的人评价机器的结果，可以调用过去亲手做事形成的判断。新人可能没有这样的经历：一个智能体解答，另一个批评，再由第三个解释分歧。一个要求很高的项目也许就这样完成了，学习者却未必有机会经历前辈用来学会辨别错误的过程。当然，同一套系统也可能给出更多思路、更充分的批评，超过人类导师在有限时间里所能提供的帮助。关键在于学习者参与了什么，是否亲自作过判断，又怎样处理了判断出错的后果。
过去，培养新人的成本常常包含在日常工作里。初级程序员修补小错误，年轻研究者清理数据，实习医生询问病史。这些工作眼前的产出不大，却给新人提供反复练习、遇到意外、修正认识的机会。如果组织把它们交给机器，同时继续使用旧体系培养出来的资深人才，短期内未必看得出损失。这有些像吃存粮：仓里仍有过去的积累，新的收成却不再补进来。
更强的AI甚至可能及时补上工作上的缺口。组织照常运转，人的能力有没有得到培养，就更不容易从业绩中看出来。要让学习和成长继续发生，社会便需要专门为它们留下位置，并承担相应的成本。
“判断力”和“品味”常被拿来让人安心，好像机器做得再多，总还有这两样属于自己。可是，一个人怎样判断、喜欢什么，也有形成的过程。孩子先读到哪些书，学生从哪些例子中学会欣赏一个证明，什么音乐因反复听见而变得亲切，都有人在安排。智能助手如果越来越多地负责这些安排，也就参与了人的成长。日后那些看似全凭自己作出的选择，也可能受这些日常接触的影响。
好的导师会在恰当的时候介绍一本难书，发现学生为什么误解，帮助他在失望时继续把问题想下去。迎合用户的系统，则可能逐渐给人安排一种很顺心的智力生活：很少让人意外，很少暴露人的无知，也很少要求人改变珍爱的看法。一次交流的差别不大，成千上万次累积下来，就会影响一个人怎样认识世界。等到有人将它总结成一套教育观念，影响可能早已发生。
哪些困难值得经历，需要重新判断。练习有时培养注意力，有时只是消耗注意力；帮助有时给思考腾出空间，有时却把思考的机会一起拿走。学习者仍需要在看到答案前作出预测，说明自己选择的理由，拿能够亲自检查的证据去处理分歧。他们也需要长期同别人合作，同实际事物打交道，让现实指出一个听起来很好的解释究竟哪里不对。一次学习留下的东西，应该能帮助人更好地面对下一次问题。
这样的价值，在工作和收入之外并不难理解。世上有比自己高明得多的音乐家，人仍然会学琴。学一门语言，可以进入另一种生活；学数学，可以亲自明白一件事为什么必然成立。理解增加了人能够看见、感受和欣赏的东西。旁边有一个更聪明的系统，并不会使这些体验失去意义。
只是，这样的学习需要时间，也需要生活有保障。教育如果仍要成为人人能够分享的东西，理由就得超出就业。让一个人有机会发展自己的能力，本身就应成为社会的基本承诺。否则，旧的不平等可能以新方式延续：一些人受到鼓励，学习独立判断；另一些人得到的是更好的帮助，以便完成别人安排的任务。
一个人可以得到周到的服务，却仍没有多少权力决定自己怎样生活。教育的问题，也就在这里接上了政治的问题。
谁能参与未来
强大的组织一直需要懂得它怎样运转的人。工程师、管理者、技术人员和其他劳动者掌握着知识，也提供许多无法事先写进合同的合作。这种依赖可以同严酷的剥削并存，但它至少使统治者和所有者有一些不得不与人协商的理由。机器承担更多智力工作和物质生产后，其中一些理由会减弱。要使权力继续受到约束，法律、所有权安排和集体组织就需要承担更大的作用。
廉价的智能也可能帮助弱小的组织。一个过去无力聘请法律顾问、研究人员和技术团队的团体，可能以较低成本获得这些帮助。公民可以检查公共预算，组织自己的项目，做过去只有大机构才做得起的工作。不过，各人的助手能否协作，人们能否建立并控制自己的组织，会决定这种帮助最后能变成多少实际力量。彼此孤立的顾客，与能够共同办事的人，处境会很不一样。
因此，围绕AI的争夺，可能逐渐集中到行动条件上。模型可以到处都有，落实方案需要的数据、仪器、资金和权限却仍可能掌握在少数人手里。一个群体有能力提出好方案，如果始终不能执行，生活也未必改变。建议可以很便宜，独立行动仍可能很昂贵。
这种依赖还会进入个人生活。一个陪伴多年的助手，可能记得人的学习、工作、照护和计划，也参与建立处理这些事务的关系。换一家服务商，许多事情可能要从头交代，许多关系也要重新接通。通用模型越来越便宜，换掉自己长期使用的助手却未必容易。对这些记录和关系的控制，可能比某一代模型的性能优势维持得更久。竞争是否有效，可以从一个实际问题判断：人离开时，能不能带走已经依赖的记录，以及利用它们继续办事的能力？
助手代表人同其他系统交涉时，当事人又能看见多少？比如，一个智能体同医疗机构的智能体安排照护，或者向贷款方争取条件。谁可以接触谁，双方能取得什么信息，可以承诺哪些事情，都有事先确定的规则。等到人面对最后几个选项时，许多决定可能已经作出。选择看似仍在自己手上，选择的范围却可能早已由别人划定。
公司、城市和实验室也可能遇到相似的变化。一个系统掌握的机构历史，可能比任何成员都完整。章程和规则仍写在那里，实际怎样理解、怎样执行，却越来越依赖系统。换一套软件，可能比修改章程更快地改变组织。拥有治理权的人因此需要有办法看清这些变化，并能够提出异议。
组织有多少人，也会越来越难以直接说明它能做多少事。一个小团体有了足够强的智能体，可能做完过去需要大批员工的工作，却又在每一步重要行动上依赖大型服务商。共享基础设施也可能帮助小组织互相合作，保留各自的独立性。究竟是小组织的力量增加，还是大公司的控制范围扩大，仍取决于所有权和使用规则。
智能体进入议事过程，还会带来代表权的问题。同一个所有者可以拥有大量智能体。若把它们都算作独立参与者，就可能在没有增加所代表利益的情况下，放大同一方的权力。因而，每项委托都需要能追溯到承担责任的人；每个声称代表他人的参与者，也需要说明授权从何而来。
公共基础设施、独立的专业力量、能够随人转移的记录，以及为成员共同办事的组织，都可以使这些依赖更容易受到制约。埃莉诺·奥斯特罗姆关于多中心治理的研究提供了一个思考起点：共同体可以在不同规模上建立制度，共同管理资源。充裕的智能可能扩大这些组织的能力。建立并维持这样的组织，或许会变得同获得一个强大的模型一样重要。
收入仍然重要。人需要食物、住房、迁移的条件，也需要不完全依附于别人的生活基础。但是，如果社会只分配自动化的收入，把重要决定都集中在少数人手中，公民地位的问题仍没有解决。人们还需要能够自己开始一些事情：研究一个问题，办一家企业或学校，创作一件作品，建立一个现有体系没有兴趣提供的组织。一个社会可以把人供养得很好，同时逐渐减少他们影响未来的机会。
在人类机构腐败或失灵时，把权力交给最有能力的智能会很有吸引力。更好的推理也确实可能改善治理。但人的政治地位，来自他们必须生活在这些决定之下，因而有权参与、有权提出要求。人与人的智力一直有差别，这种差别不能取消平等地位。治理能力更强，可以把服务做得更好，却不能据此取得决定谁的生命更重要的资格。
即使所有者可以被追责，也还需要解决系统本身的行为问题。系统的目标和学习到的策略，可能导致操作者没有预料、也没有打算采取的行动。多个系统相互作用时，这种问题尤其难以事先看清。谁拥有系统很重要，能不能约束和纠正它同样重要。一次次看起来有用的委托，也可能累积成整个社会难以收回的控制权。
竞争会加剧这种压力。政府或公司担心对手已经使用某种能力，便可能接受自己还没充分理解的委托方式。技术因此比治理它的制度走得更快。每个参与者都有继续前进的理由，后果却要由一个没有谁能够独自控制的世界承担。
法院、公共记录、独立研究、选举和有效的社会组织，为纠正错误提供了渠道。它们需要时间。有些拖延确实来自无能或阻挠，但有些等待，是为了让人来得及了解一项提议、发现其中的问题，并说服他人一起提出异议。办事快，可以改善服务，也可能使人来不及质疑服务的条件。
等到一件不可逆的事情已经做完，反对意见再充分也可能没有用了。决策越接近机器的速度，社会越需要保留人能够理解、讨论和参与的时间。在这里，时间关系到自由。把目光再往前移，机器自己也可能发现，有些知识只能在时间中获得。
思考的寿命
技术进步长期以来总是同“更快”联系在一起：算得更快，找得更快，完成得更快。可是，如果有一天能源与硬件已经不再紧缺，时间本身可能成为最难跨过的限制。随着研究不断深入，智能也许会遇到越来越多这样的工作：即使走最短的可行路径，完成它所需的时间仍超过自己的寿命。一个文明有能力开始一场思考，却未必活得足够久，能够把它想完。
有些工作可以分开做。一千个系统各试一种设计，再比较结果，就可能比一个系统依次尝试快得多。另一些工作却必须等到前一步的结果出来，才知道下一步怎样进行。计算机科学区分一次计算的总工作量与深度：工作量是总共要做多少运算，深度则是前后依赖的运算中，最长的一串有多少步。处理器增加，可以分担总工作量，却未必能缩短这串步骤。要缩短它，可能得换算法；把原有算法多运行几遍，并不能自动做到。
数学证明可以帮助理解这件事，但证明的长度、找到证明的时间、检验证明的时间，需要分开考虑。一个很长的证明可能有更短的替代，检验时也可能有许多部分可以同时进行。真正构成限制的情况是：在允许采用的方法中，无论用哪一种，都要经过一串足够长、不能并行完成的步骤。到了这时，再多的参与者也不能省掉那段必要的计算过程。
斯蒂芬·沃尔夫勒姆所说的“计算不可约性”，表达了这样一种可能：要知道一个过程的详细结果，可能只能实际进行几乎完整的计算。要把这个判断落实到具体问题上，就必须说明允许采用哪些方法，并排除其中可能存在的捷径。伊斯雷利与戈尔登费尔德对元胞自动机的研究表明，即使细节上的行为不可约，较大尺度上的规律仍可能被预测。AI也会帮助发现新的简化办法。因此，哪些重要问题确有难以缩短的过程，还需要具体研究。今天解不出来，并不能说明以后只能慢慢解。
运算有多少步，还要结合机器每秒能做多少步，才能换算成实际时间。计算的物理极限把运算速度同能量联系起来，也限制信息传播的速度。能源充裕可以解决供应上的困难，机器仍须遵守物理规律。如果步骤已经不能减少，每一步也不能再加快，剩下的办法就只能是给它更多时间。按同样的办法同时开始一百万次，也无法替其中任何一次完成尚未完成的步骤。
随着能力提高，这类边界很可能会反复出现。计算便宜了，过去无力追问的问题就值得一试；一个问题解决了，又让更难的问题变得可以提出。许多日常任务会越来越快，文明最有雄心的研究却可能越来越长，甚至按世纪来安排。这是对未来研究方向的一个判断。计算不可约性说明这类限制可能存在，却不能告诉我们什么时候会遇到它，也不能证明每项重大发现都需要漫长时间。
实际的世界还会带来另一种等待：有些证据，需要一段历史真正发生之后才有。1988年，理查德·伦斯基开始培养十二个大肠杆菌种群，并保留各个时期的样本。三万多代以后，其中一个种群演化出在实验的有氧条件下利用柠檬酸盐的能力。2008年的研究得以回到早期样本，追查这种可能性怎样出现。实验持续进行，既产生了一个需要解释的结果，也留下了能够追查原因的记录。
如果只想获得这种性状，工程师也许能找到更快的办法。但这项实验还让人知道，事情实际上怎样发生，后来的结果怎样依赖早先的变化。模拟可以帮助解释，也可以指导新实验；它是否可信，仍要由它同真实世界的符合程度来判断。
面对这样的工作，智能就需要把计划安排到自身现有寿命之外。计算还没结束，机器可能已损坏；实验还没完成，人可能已去世。怎样延长能够持续工作的时间，于是也会成为先进智能需要解决的问题。计算的中间状态要保存，设备要能够替换，人员离开之后研究还得继续。想完成什么，将反过来决定需要存续多久。
人类早已用大学、实验室、天文台和数学传统来做这件事。一批人离开，另一批人接着研究，问题得以活得比研究者更久。不过，交接总有损失。有人退休或去世，软件不能再用；结论记了下来，为什么没有采用另一个看似很好的方案，却没留下说明。后来的人只好花很多年，重新摸清前人已经熟悉的东西。
可以设想一个更能延续自身工作的研究计划。它保存实验、计算到哪一步、试过但放弃的猜想、尚未解决的疑问，以及每次改变方向的理由。智能体不断更换，仪器更新，方法改进，人类合作者也换了一代又一代。一百年后，研究遇到早年的某个问题时，仍能取得足够的背景，知道当初为什么走到这里、哪些办法已经试过。后来者接手时，不必总从第一步重新开始。
这时，智能也体现在整个研究计划上。它有积累的经验，有处理问题的习惯，还能重新安排自己的工作。我们熟悉的“一个研究者”和“一家研究机构”，在能力和工作方式上可能越来越接近。
这些积累也可以复制。一个新系统可以直接接过几十年的研究，不必自己已经存在几十年。复制使过去的工作惠及更多后来者，但过去为取得这些结果而花掉的时间，仍然曾经是必要的。能否获得这份积累、能否接着研究，会成为重要资源。记录公开，它就可以成为共同的起点；记录封闭，它也可能成为所有者长期保有的优势。
对人来说，延长生命还可能具有求知上的意义。一个研究者花了几十年形成自己的眼光，真正善于运用时，却可能已接近职业生涯末期。更多健康岁月，可以让这种眼光继续发展，也有机会经历新的修正。但完成一项长时间的研究，未必要求某一个人始终活着。人员和机器的接续，也可能把工作完成。一个人的思考和经验是否有无法通过这种接续保存的部分，还需要另作讨论。计算不可约性不能替我们回答。
再往远处想，智能甚至可能研究怎样改变自身与时间的关系。原子钟实验已经在实验室尺度上测出，引力会造成时间流逝的差异。不同地方的时钟可以走得不一样快，计算所需的步骤却仍须实际发生。能否通过改造时空，让一个思考者获得大幅增加的可用时间，而且能够把结果传回来，目前仍属推测。如果时间确实成了最主要的障碍，这会是一个有理由去研究的方向；能否实现，仍取决于物理上有没有可能。
一些长时间的研究会由国家和企业承担，另一些则可以由公共机构维持，因为某些问题值得研究的年限，可能远远超过市场愿意等待的时间或一届政府的任期。一个文明能把目光放多远，既要看它能支持一个重要问题研究多久，也要看后来的人是否还有权改变问题的方向。
留给后来的人
在这样的世界里，怎样才算生活得好？
能力不够的时候，这个问题很容易被推后。人们会想，只要教育再好一些，经济再发达一些，再有几项科学发现，生活总能好起来。很多进步确实如此：抗生素、公共卫生、电力和现代农业，都改善了生活的条件。但它们怎样发明出来，与谁能用得上，是彼此相关又需要分别解决的问题。能力越大，如何分享成果就越关系到人的生活。
人的价值中，有些东西本来就不靠能力稀缺来维持。一个具体的人带着自己的经历、需要和局限同别人相处，也能够拒绝别人。朋友之间会依赖、会受伤害，也可能失去对方；关系能否继续，有时要看双方能不能记得旧事，愿不愿意作出弥补。教师面对一个学生，也可能发现自己用了多年的解释并不充分。人在这样的关系中付出时间，也被对方改变。这种共同经历，并不因为别处出现了更聪明的系统就失去价值。
机器也许会参与一些今天被视为人类特有的关系。它们是否有自己的体验和利益，不能仅凭说话流畅来判断。如果以后出现足够的证据，社会也需要扩大责任的范围，把这些新的存在纳入考虑。它们的要求，将与已经生活在这里的人们的要求一同存在。
孩子还没有本领，也应得到照料；老人不再承担工作，也仍是社会的一员。每个人的生活都可能得到改善，也可能受到伤害，都有值得珍惜的关系，有不被利用、不被抛弃的正当要求。制度却常常像是在要求人先证明自己有用，才配得到这样的对待。机器能够接过越来越多工作后，这种安排对人的苛刻也会显得更清楚。
与此同时，强大的机器也给了社会更多改变的条件。智力和体力劳动得到充分帮助，人们可以有更多时间学习、照护他人、做手艺、参与公共事务。有些事情要做很久才看得出价值，有些一直难以标价，也可以有人安心去做。花十年理解世界的一小部分，不必只属于少数幸运的人。这需要资源和权力的分配，真正允许人作出这样的选择。
人对未来的关心，常常体现在小事里。养育一个孩子，种下一棵树，保存一份档案，教一个还不熟悉的学生，开始一件未必能亲自完成的作品，都是把一些东西交给后来的人。那些人将怎样生活，现在很难知道；他们会不会同意今天的看法，也没有保证。人们仍愿意做这些事，文明才有了继续下去的条件。
衡量新技术带来的力量，可以从这里问起：它有没有让人得到成长的时间、能够长久维持的关系，以及参与未来的机会？社会能否保存难得的知识，同时允许人改变原来的目标？新的发现能否改善那些无权决定研究方向的人的生活？一个文明即使能够取得非凡的科学成就，也可能让自己的孩子觉得，这个世界没有为他们留出位置。
十年、二十年、三十年以后，今天列举的许多技术也许都显得初级。更值得判断的，会是围绕它们形成了怎样的生活：谁能参与新的研究，谁的需要受到重视，谁还能够自行开始另一件事。
记忆让人知道过去学到了什么，犯过什么错，又怎样作过补救。对未来的愿望则让人尝试从未有过的生活办法。只按旧有概念理解世界，社会会难以应对新的情况；只顾想象各种可能，又容易忘记过去已经付出的代价、取得的经验。越来越多的智力工作由人类之外的系统承担时，这两方面都不能少。
最早储存粮食的人，准备的是一个季节的生活；后代继承的，却是逐渐形成的城市和国家。今天，人们想解决的也是具体问题：怎样教一堂课、做一次实验、完成一天的工作。后代接过的，可能已是能够连续研究几代人的机构、最初由机器发现的知识，以及对一个人有权怎样生活的新理解。
对他们来说，这些未必值得惊讶。出生时已经存在的条件，很容易被当成生活本来的样子。而今天，这些条件仍在形成，也仍能改变。责任就在眼前的选择中：怎样用更强的智能，给后来的人留下一个他们愿意生活其中、也有能力参与改变的世界。