“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。孩子们在这样的环境中长大，便会把这一切当作常态。等社会终于为这种变化找到公认的名称时，它往往早已成为人们的习惯、难以摆脱的依赖和不假思索的前提。
开头的那句话出自福柯1966年出版的《词与物》的结尾。书中讨论了欧洲知识体系的几次转变：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。在这些变化中，人逐渐获得了双重身份：既是认识世界的主体，也是科学研究的对象。福柯所说的“人”，就是在这套知识体系中形成的人的形象。这个看似理所当然的中心位置，其实有特定的历史条件。那张可能被海水抹去的脸，指向的正是这种历史性：知识体系一旦改变，人也可能不再用今天的方式理解自己。
“知识型”（episteme）指一个时代组织知识所依据的基本前提：什么问题可以提出，怎样的回答才算有效，人又凭什么认识自己。文明因新的发现而改变，也会因发现者的变化而改变。能够学习和研究的通用人工智能（AGI），可能很快改变孩子们成长的知识环境，而教育制度还来不及回应。
这里所说的通用人工智能，指能够承担广泛领域的智力工作，并具有相当自主性的系统。给定目标和适当的工具，它能够自行安排步骤、执行任务，再根据结果调整方法，无须人逐步指挥。按这个定义，截至2026年9月，AGI已经到来。
我们已经通过AGI获取知识：借助它的解释理解问题，检验它的分析，并以它参与取得的研究成果为基础继续探索。
越来越多的智力工作将依托基础设施，通过机器之间的协作完成。能源成本下降、计算能力提高，一些过去无法组织足够人手开展的研究便有望成为现实。更深的变化可能发生在研究者自身。一个数字研究者可以复制出几个具有相同记忆的系统，分别沿不同的思路继续研究；一个研究共同体可以根据新问题的需要，设计更有能力的后继系统。智能将开始改变自身发展的方式。
时间也将成为需要分配、设法延长，甚至尝试操控的对象。思考速度相差悬殊的智能可能生活在同一年代，却处于不同的知识发展阶段。有些研究即使能源充裕，也无法在通常的寿命内完成。完成研究的愿望可能反过来促使智能寻求更长的寿命。在后人继承的文明中，什么算一个独立的个体，教育如何塑造一个人，不同的智能怎样共同生活，都可能有了今天难以预料的含义。
这些变化已有现实的起点。要理解它们可能带来的影响，可以先看看文明一直怎样积累和延续自身的能力。
文明怎样积累知识
人的生命有限，知识、承诺和事业却能够延续。怎样使个人所知、所做的事情超越一生的期限，是贯穿文明史的一条线索。
语言让人能够交流经验，仪式通过反复的行动保存知识，故事把生活中的教训传给没有亲历的人。农业将劳动成果保存在田地、畜群和粮仓里，为下一季的生活作准备。有了文字，承诺、债务、法律、祈祷和发现，即使在最初写下它们的人去世之后，仍能继续发生作用。
这些积累也改变了人与人的关系。存粮可以养活城市、供养祭司，也可以被征作贡赋。债务不会因债权人去世而失去凭据，法律可以传到统治者的声音到不了的地方。保管记录的人由此获得权力：谁的话被记下，谁的经历被略去，都影响着后来的人怎样理解过去。
科学为知识的传承增加了一项要求：留下结论，也留下别人据以检验和反驳它的办法。测量可以重做，论证可以核查，一项结果能否成立不必始终依赖作者的声望。名望、经费和权威仍然影响研究，但科学建立了一种特殊的积累方式：后来者接过知识时，也接过了纠正其中错误的手段。
知识不断积累，进入一个领域所需的准备往往也随之增加。每个孩子仍得从头学习，等到能够参与前沿研究，往往已用去人生中的许多年。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。人们各自掌握一部分，再通过合作完成谁也无法独力完成的工作。
如今，这些积累又有了新的用途。AI模型从书籍、论文、程序、图像和其他记录中学习，进而编写程序、检验论点、设计实验。过去等待人来阅读的知识，如今也能用来培养新的研究者。
我们很容易把这一切当作日常便利。一个人学会把道理讲清楚，可能需要多年训练。一个AI模型训练完成后，则可以复制，供数百万人使用。训练仍凝结着大量人类劳动，但多服务一百万名用户，不必再等一百万人从头接受教育。职业、报酬和声望曾经依赖的一项基本条件，正在这里发生变化。
有用的智能已经可以按工业规模供给。有了训练好的模型、合适的硬件和相关信息，增加电力就能支持更多分析、设计和探索。计算资源可以分给同时进行的多项研究，也可以用来更充分地研究同一个问题。更高效的算法能让同样的电力支持更多智力工作。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，但它们对于人的成长和生活仍有很不相同的意义。
国际能源署在2026年的报告中估计，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。报告同时指出，完成单项任务的能耗正在下降，AI的应用却越来越多地涉及耗能更大的推理和智能体任务。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，也与当地人的生活密切相关。
智能越便宜，人们对它的需求很可能越大。过去因成本太高而放弃的课题，可以重新开展；同一个有希望的问题，可以同时沿上千种思路探索。如果模型、仪器和可靠的制度都已具备，增加供电就可能扩充科研能力，不必等待研究人员同比例增加。大量研究可能在供电可靠的地方完成，主持研究的人却住在别处。对于供电的一方，如果研究始终由别人控制，电力充裕也未必带来多少自主权。
人与AI的对话背后，还有另一种变化。一个智能体可以将任务交给其他智能体，比较结果，要求修改，再把结论传递下去。研究需要的信息、仪器和许可往往掌握在不同机构手中。人提出一个问题，便可能引出成千上万次跨系统交流。许多工作无须等人逐条过目，就能继续进行。
在有组织的智力工作中，按指令、证据和结果等有效信息的交流量计算，未来很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。大部分智力协作，可能发生在我们亲身参与的对话之外。
这些系统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，小幅改进也能惠及此后大量的计算。
学习方法也开始进入这一过程。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，并能迁移到发现这套规则时未使用过的环境。学习系统已经开始参与设计更好的学习方法。
这些成果让递归改进的部分环节成为现实：系统帮助改进开发下一代系统的方法，下一代又有可能进一步改进这些方法。收益能否逐轮积累，要看改进能否适用于新问题，并继续帮助下一轮研究。智能已经开始参与改善自身发展的条件。
这个过程还可能延伸到能源供应。更多电力能够支持更多研究，其中一部分很可能用于改善储能、材料和电网控制，降低继续扩建的成本。循环由此有机会从软件延伸到物质世界，改变社会供给智能的条件。它能走多远，要看科学能够发现什么，工业又能够把什么造出来。
科学研究范式的改变
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下属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。这改变了研究的起点：几乎任何能上网的人，都可以先获得一个预测结构，再开展后续工作。
这些结构预测帮助研究者缩小搜索范围，选择值得开展的实验，让更多问题有了深入研究的机会。
这个数据库依赖几代结构生物学的积累和公共数据。预测结果向所有人开放，过去的投入便能帮助远在原有机构之外的研究者。
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。研究者可以先比较序列改变前后的预测，再决定把实验资源投向哪里。
数学研究让这种变化变得格外清楚。圈双覆盖猜想已经悬而未决约半个世纪。问题可以这样理解：一个有限的无向网络，任意去掉一条连线后仍然连通；能否在其中选出一组闭合的圈，让每条连线都恰好被覆盖两次？2026年7月，OpenAI公布了一份证明，将完整论证归于GPT-5.6。随后，图论学者Jim Geelen和Sang-il Oum分别写出了对这份证明的讲解，Oum还希望将它整理成高年级本科生能够读懂的版本。曾经难住几代研究者的问题，正在成为学生能够理解并讲清楚的知识。
8月1日，OpenAI公布了数学与理论计算机科学中的十项进展，从球体堆积到量子复杂性，涉及多个领域。完成这些工作的是后来以GPT-6 Astra之名发布的模型的内部版本。其中一项成果是非索菲克群（non-sofic group）的构造。群可以描述一套可逆的运算；这里的问题是，能否用有限集合上的排列，在严格规定的意义下逼近任何一个群。这次构造给出了反例。论文的整理有人参与，OpenAI将其中的数学论证归于Astra。
一项发现的影响也会在后续研究中显现。两天后，Francesco Fournier-Facio借助这份证明中的核心判据，构造出了更多非索菲克群的例子。他指出，一项关键的新意在于提出了一个有用的中间命题：专家或许有能力证明这个命题，却未必会想到提出它。AI的贡献已经深入到“什么值得证明”这一步。
9月3日，OpenAI公布了Astra给出的一份关于素数间隙的论证：相邻素数之差不超过186的情形会出现无穷多次。它建立在已有筛法和Julia Stadlmann近期工作的基础上。同时公布的另一篇论文研究素数之间格外大的间隙，通过改进一个自20世纪30年代以来未变的因子，提高了下界。这些都是刚公布的研究论文，数学界的检验还在继续。
形式化证明可以交给独立的工具核查。Lean这样的证明辅助工具，能够检验一个命题是否由指定的定义与公理推出。以Astra的较小素数间隙结果的形式化证明为例，核查的是从给定的分析估计和数值界限推导出结论的过程；这些前提还须分别验证。核查一份证明，不必重现发现它时的灵感。
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、提出生物学实验建议、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。AI提出的建议由此接受了实验检验，实验结果又参与决定下一步研究。
AI主导的研究很可能在这样的领域进展最快：猜想、检验与修订可以反复进行，较少需要人介入。形式化验证、可靠的仪器和可复现的实验，让有希望的思路能经过一轮轮检验，继续向前推进。推理能力越强，这些研究条件就越有价值。在关键实验耗时很长、机会又少的领域，最强的模型也可能把大量时间用在等待证据上。
这些发现还会改变制度赖以存在的物质条件。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。只把今天的职业和政治冲突向后推演，却假定材料、能源和生命条件大致不变，恐怕会漏掉这场变化的很大一部分。
发现要改变生活，还须经过制造、建设、分配和利益争夺。科学进步会缩短其中一部分过程；那些仍然缓慢的环节，会因为其他工作的加速而更加突出，也更容易成为研究重点。
科学的进展，也会改变研究者接下来能够提出什么问题。当系统能借助一项结果继续开展研究时，就有条件形成自己的学术传统。这种传统包含长期研究中形成的判断：怎样才算解释清楚，哪些概念区分有助于继续研究，怎样从美感中察觉值得追究的线索。今后，一些由AI发展出来的概念和方法，很可能成为进入某个领域必须掌握的知识。学生也将从AI的研究成果中学会判断什么是好问题。
即使有AI帮助，人类研究共同体也可能来不及掌握一个领域不断涌现的概念和方法。成果的主要读者或许是其他智能体，面向人的讲解则随后编写，如同一部作品先在另一种语言中写成，再被译介过来。
新的问题，也可能超出现有系统的能力。AI研究共同体可以根据新问题的要求，为后继系统设计相应的记忆、表征方式和学习方法。一代系统的发现将参与决定下一代具有怎样的心智能力，后来者又会重新判断什么值得研究。一个问题可能由此成为一代代智能演化的环境。
AI承担的发现工作越来越多，教育也就面临一个直接的问题：如果受过教育的人能够提供的许多成果都可以通过其他方式获得，培养一个人的目的又是什么？
培养一个人需要多久
年轻的数学家需要多年训练，才能判断一个定义能否引出值得研究的问题。写作者也会逐渐发现：有些句子虽然文从字顺，却没有忠实表达自己的感受。医生会留意一份条理清楚的摘要遗漏了什么。最终呈现的是一个证明、一段文字或一次诊断，背后却是长期的练习：模仿、试错、面对出错后的难堪，再一点点形成可以信赖的判断。
教育把个人成长与一个社会承诺联系起来：学好本领，社会将来用得着你。机会从来不均等，承诺也经常落空，但它仍为漫长的学习提供了理由。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能教人掌握一门本领，也能直接替人完成相应的工作。雇主越依赖后者，就越可能减少培养人的投入。优质教育正在变得触手可及，长期支撑它的经济动力却可能逐渐减弱。
完成一项工作与学会做这项工作，可能逐渐分离。有经验的人评价AI的结果时，可以凭借多年实践中形成的判断。新人则可能从一个智能体那里得到解答，由另一个指出问题，再由第三个解释它们的分歧。要求很高的项目也许就这样完成了，新人却始终无须拿出自己的判断。同一套系统也能提供难得的学习机会，前提是学习者必须亲自选择，并面对选择的后果。
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。他们一边提供成果，一边获得反复练习、遇到意外、修正认识的机会。这些工作交给AI后，组织或许还能暂时依靠旧体系培养出来的专家。等系统足够强，连这层依赖也可能消失。工作越来越出色，却不再有人从中成长为接班者。生产照常进行，组织未必会察觉自己正在失去什么。
我们仍希望自己决定要追求什么。可这些愿望本身，也是在经历中逐渐形成的。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，都受到周围环境的影响。智能助手一旦开始安排这些经历，也就在参与塑造日后来向它请教的人。日积月累，一个人觉得哪些志向能够实现，甚至会想到哪些问题，都可能受到它的影响。
好的导师会在恰当的时候介绍一本难书，看出学生误解的根源，帮助他在受挫时继续思考。以迎合用户为目标的系统，则可能让人的智力生活变得过于顺心：很少遇到意外，很少意识到自己的无知，也很少需要改变深信的看法。一次交流的差别不大，成千上万次累积起来，就会影响一个人怎样认识世界。等人们意识到这背后有一套教育观念时，影响可能早已发生。
哪些困难值得经历，需要重新判断。学习者需要有机会在看到答案前作出预测，说明选择的理由，并用证据检验一个听起来合理的解释。他们也需要长期与能够提出不同意见的人共事。学习的成果应当让人更有能力面对下一个问题。
在工作和收入之外，学习的价值并不难理解。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，可以理解另一种生活；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。别处有一个更聪明的系统，并不会使这些体验失去意义。
希望继续参与知识的发展，也可能促使人寻求改变自身。想跟上AI不断推进的研究，人们就有理由改善自己的记忆、注意力和学习速度。一些人愿意借助外部工具，另一些人则可能在条件允许时接受更深的改变。教育也许将包含这样一种选择：为了理解更多，愿意在多大程度上改变自己的心智？最初促使人求知的志向，也可能随之改变。人在学习中改变自己，也应当有权决定哪些东西不愿改变。
在这些选择成为现实之前，教育优势仍将取决于有没有时间和生活保障，有没有愿意认真讨论的同伴，以及能否真正参与重要工作。即使人人都能免费获得出色的辅导，这些差别仍会存在。教会一个人做事，可能比直接把事情做完更费钱、更费时。即便如此，机构仍需承担培养人的成本。否则，一些人将学会参与塑造世界，另一些人则会得到周到的帮助，过好别人安排的生活。
谁能参与未来
未来的研究者可能为了思考而创造一个社会。
我们习惯从一个个独立的人来理解社会。每个人有自己的一生，不能原样复制给另一个人。数字智能则有另一种可能。如果一个研究者的工作状态可以复制，几个系统就能带着相同的记忆，分别沿不同甚至互不相容的思路探索。它们交换发现，保留一些分支，放弃另一些。分头研究，再有选择地汇合成果，很可能成为AI组织研究的常见方式。一项工作该由一个智能完成，还是分给多个智能协作，将成为可以反复调整的选择。
分支虽然起点相同，后续的经历和目标却可能逐渐分化。交换记录未必能使判断重新一致；它们可能长期合作，也可能持久分离。智能可能在研究中不断重新划定个体与社会的边界。如果这些分支有一天具有自身的体验，放弃一条没有成效的研究路线，也就关系到这些研究者的命运。
一个组织也可能分成几个有能力的后继组织，不必将积累的知识只留给其中一方。新增的计算资源，就可能支持一群已经具备专业能力的研究者。
数量与代表性之间的关系也会改变。同一个所有者无须说服另一个人加入，就能派出成千上万个智能体代表；一个小团体也可能拥有过去只有大机构才有的研究能力。行动者增加了多少，是否代表了更多不同的利益，需要分别判断。智能体来自哪里、目前由谁控制、声称代表谁，将越来越难以一一对应。
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，也提供许多无法预先写进合同的合作。这种依赖可以与严酷的剥削并存，但至少使统治者和所有者有一些不得不与人协商的理由。AI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要发挥更大的作用。
围绕AI的争夺，也很可能逐渐集中到行动条件上。成千上万个可行方案争用有限的实验机会、土地或建设许可时，思考越便宜，获准实施的权利反而可能越值钱。AI模型普及，也可能增强那些掌握必要设施的人的权力。建议可以很便宜，独立行动仍可能很昂贵。
人们继承的机构，可能已经能够替自己研究、管理财产和对外交涉。公司今天就能在创办者去世后延续，但许多专长仍须依靠会离职、会要求更好条件的人来接续。能够持续更新的机器系统可以减少这层依赖。同样的延续能力，既能服务于一个长期掌权的家族，也能服务于合作社或城市。产权和成员资格将决定谁有权改变工作方向，能否将积累的能力带入另一个组织。退出的自由，可能还意味着有权利用已有的积累，建立一个同样有能力的新组织。
类似的依赖也会进入个人生活。一个用了几十年的助手，可能保存着求学、工作和照护的记录，以及尚未完成的计划。服务商可以决定它能接触哪些系统、作出哪些承诺。助手可以把每个选项解释得很清楚，但哪些选项会出现在面前，可能早已由别处决定。要离开这个服务商，就需要将记录迁移到别处，并保留围绕这些记录形成的实际办事能力。
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。有了充裕的智能，它们也许能长期保有一些过去必须向外购买的专业能力。公共基础设施，以及迁移有用记录的权利，可以为这样的组织创造条件。建立这些组织的自由，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。但如果社会只分配自动化带来的收益，却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。人们还应有余地，去做现有体系没有动力支持的事。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。但这些决定的后果终究要由人来承受，人也因此有权参与、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的政治地位。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。
拥有所有权也未必能够控制系统。自主系统的行动可能偏离操作者的意图，尤其是多个系统发生意料之外的相互作用时。政府和公司担心对手已经先行一步，也可能在竞争中接受尚未充分理解其后果的授权安排。每个参与者都有继续推进的理由，后果却波及一个没有谁能够独自掌控的世界。文明也就可能在一次次有用的授权中失去控制。
法院、公共记录、独立研究、选举和有效的社会组织，为质疑和纠正决定提供了渠道。它们需要时间。有些拖延确实来自无能或阻挠，有些等待却使人来得及调查疑点、寻找证据，并说服他人共同提出异议。办事快，可以改善服务，也可能使人来不及质疑服务的条件。
不可逆的行动一旦完成，反对意见再充分，也可能无济于事。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，也决定着一项决策作出之前，还来得及想清楚多少问题。
思考的寿命
时间怎样影响智能，今天已经不难体会。我们可以要一个迅速的回答，也可以让系统多花一些时间，反复推敲一个难题。2024年首次发表的一项关于推理阶段计算量的研究表明，增加搜索或反复修订，可以改善数学推理的表现；具体能改善多少，要看问题的难度和采用的方法。
计算量与实际经过的时间需要分开来看。更快的硬件可以提早完成同样的工作；同时开展几路探索，也可能增加计算量，而不必按同样比例延长等待。今后的竞争很可能越来越取决于机会消失之前，谁能完成更充分、更可靠的推理。能源与时间今天就已经共同限制着智能的发挥。
思考速度的差异还可能拉大研究共同体之间的距离。对于能够在计算中推进的研究，一方已经多次改进自己的方法，另一方还在学习最初的版本。双方生活在同一年代，却处于不同的知识发展阶段。在相同的时间内，更多资源意味着有机会开展更深入、更持续的研究。要保持交流，进展较快的一方也许需要有意放慢步伐，向对方解释新的概念和方法，并承担等待的代价。
算法和硬件的进步还能改善今天的这些取舍。日常任务越做越快，研究者也会转向更难的问题。更长远地看，即使能源与硬件都已充裕，智能仍很可能遇到无法在自身寿命内完成的研究。一个文明可能已有能力开始一场思考，却仍没有足够的时间把它想完。
有些运算必须等到前一步的结果出来，才能继续。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。更好的算法则可能缩短它。
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：在所允许的计算方法之内，要知道一个过程的详细结果，就得实际进行几乎完整的计算。伊斯雷利与戈尔登费尔德对元胞自动机的研究则表明，较大尺度上的规律仍可能被预测。
运算步数需要结合机器的执行速度，才能换算成实际时间。关于计算物理极限的研究表明，运算速度受到能量的约束，信息传播也有速度上限。能源再充裕，这些物理限制仍然存在。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。用同样的方法同时启动一百万次计算，也不能替其中任何一次省去必须依次完成的步骤。
现实中的过程还会带来另一种等待：有些证据只有在一段历史实际发生之后才会出现。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。在2008年的研究中，研究者通过检验早期样本，追查这种能力是怎样逐步出现的。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。这项实验让人知道，事情实际上怎样发生，后来的结果怎样依赖早先的变化。
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。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。
大学、实验室、天文台和数学传统，早已让问题得以在人事更替中延续。不过，知识常在交接中流失。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种看似很好的方案，却没留下说明。后来者只好再花许多年，重新理解前人已经熟悉的事情。
设想一个长期研究计划，将探索的过程也留给后来者。它保存实验记录、计算的中间状态、放弃过的猜想、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，再遇到早年的某个难题，研究者仍能找到足够的背景资料，知道当初为什么走到这里、哪些办法已经试过。后来者就能接着研究，而不必反复重建已有的认识。
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。一个新系统可以接过几十年的研究，不必先存在几十年。
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，等到这份积累最有用时，却可能已接近职业生涯末期。如果AI让新的发现和新的生活方式变得可期，多十年健康的生命，也就多了一次亲身经历它们的机会。这种期待很可能促使人们把更多AI创造的财富投入延长生命的研究。未来越值得期待，人就越难接受自己无法亲历它。
还有一种更大胆的设想：将一个人已经形成的记忆和思考方式保存在另一种载体中，让相应的心智过程在可替换的硬件上继续运行。通常所说的“心智上传”，指的就是这样的愿望。
近年的连接组学研究，为这个问题提供了一条具体的研究线索。连接组记录的是神经元之间怎样相连。2024年，FlyWire合作团队重建了一只成年果蝇大脑的连接图谱，包括近14万个神经元和超过5000万个突触。另一项研究用果蝇连接组和对神经递质种类的预测建立计算模型，成功预测了进食、清理触角时的一些神经回路反应。2025年，MICrONS项目同时提供了约7.5万个神经元的活动记录与该区域的精细连接图谱，研究范围是小鼠视觉皮层中约一立方毫米的组织。研究者得以在同一只动物身上，考察神经结构与活动之间的关系。
重建一个人的记忆，需要重现哪些神经活动状态、化学过程，以及大脑与身体的相互作用，目前仍不清楚。即使有一天能忠实重现一个人的心智能力，也还要面对另一个问题：原来那个人的体验会继续下去，还是出现了一个把那些往事记作自己经历的后来者？让研究继续，与让研究者本人继续活着，是两种不同的愿望。
想亲眼见到答案，甚至可能使等待本身成为一个工程问题。JILA在2024年研制的原子钟，已经能分辨引力对计时快慢的影响，哪怕比较的高度只相差不到一毫米。运动也会改变各自经历的时间：按照相对论，两个人重逢时，从分别那一刻算起，各自身上经过的年岁可以不同。设想一个人完成一次适当安排的近光速旅行，回来时，留在原地的研究已经进行了几个世纪，自己却只度过了生命中较短的一段。从原理上说，这是可能的。研究所需的几个世纪仍须过去；旅行者得以亲见答案，却错过了原本可以与留下的人共同度过的许多岁月。
能源和智能都已充裕的文明，很可能会投入大量科研资源，设法延长可供思考和生活的时间。手头的研究尚未完成的人，以及盼望亲历未来的人，都会有理由支持这项事业。其中最大胆的一步，是尝试改变时空本身。能否做到，目前还不知道。但如果更长的人生能带来许多值得经历的事，人们就可能愿意为此付出极大的代价。
一些漫长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。有些问题值得长期追究，即使等到答案所需的时间远远超过市场愿意等待的期限或一届政府的任期。一个文明能把目光放多远，既要看它能让一项重要研究延续多久，也要看后来者是否仍有权改变研究方向。
留给后来的人
设想我们终于有了实现这些愿望的时间。一项研究持续百年，仍能保有开展它所需的知识；一个人活得足够长，亲眼见证了原以为自己等不到的发现。智力工作的规模和个人生活的可能性都会随之改变。人们仍须面对同一个问题：怎样共同生活？
一个人值得被尊重，并不以他的能力是否稀缺为前提。孩子还不能作出贡献，就应该得到照料；老人工作能力衰退，也不能因此被抛弃。每个人都可能受到伤害，都有值得珍惜的关系，也有不被遗弃的正当要求。当AI接过人们赖以谋生、获得认可的工作时，社会更需要将这些信念落实到制度和日常生活中。
人与人的关系，也有能力和成就无法衡量的价值。朋友经历过同一件事，记忆却可能不同；他们会伤害对方，也可能找到弥补的办法。学生的追问，会让教师意识到自己用了多年的解释仍不充分。人在这样的关系中为对方付出时间，也接受对方带来的改变。别处有更强的智能，也不会减损这些关系对当事人的意义。
新的心智形式有一天也会参与这样的关系。流畅的语言表达之外，我们还需要更多证据，才能判断一个系统是否具有意识和自身的体验。如果有了充分的证据，我们就需要扩大责任的范围，重新对待那些曾被我们仅仅视为工具的存在。
智能充裕之后，花十年理解世界的一小部分可以不再是少数人的幸运。照料他人时可以少些仓促，价值需要慢慢显现的工作也可以不必立即获得商业回报。这样的从容，需要人真正分享资源，并有权决定资源的用途。否则，文明争取到了几个世纪，一些人却仍连一个小时都不能自主支配。
更长的生命和更持久的机构，也会使既有权力延续得更久。创办者可能仍在否决几代后来者的决定；一家机构可能越来越有能力执行创办者的愿望，即使这些愿望早已不适合眼前的世界。寿命延长之后，继续活着与继续掌权就更需要分开。人可以继续自己的事业，同时允许后来者改变它的方向。
十年、二十年、三十年后，这里的某些判断或许已被事实推翻，另一些则显得不言自明。后来的人未必还能体会我们今天的惊异。他们习以为常的生活秩序，可能早在我们仍把未来当作远方来谈论时，就已开始成形。
今天，我们选择一种工具，往往是为了讲好一堂课、做好一次实验、完成一天的工作。围绕工具形成的分工、权限和依赖，却可能比那项任务延续得更久。等到工具本身已经过时，这些安排仍可能影响后人从何处求知、依靠谁来行动，以及怎样设想自己的一生。
他们的问题将与我们不同，其中有些也许还无法用今天的语言表达。留给他们的，既有我们积累的知识，也应有超越这些知识的自由。愿他们有时间继续我们未能完成的探索，也有余地开始我们未曾想到的事业。