卡帕西也解释了为什么不同群体之间的体验差异会如此巨大。核心的一点是:只有拥有大型、复杂且具备长远视角(Long-horizon)的难题时,前沿 LLM 的威力才会被真正释放。人们通常从一个很小的问题开始认识 AI。请它解释一个名词、写一段祝福语,或者总结一篇文章。答案固然方便,却很难让人产生技术革命的震动。对模型来说,这样的请求也可能太简单,无法显露它真正的能力边界。就像你用一台跑车在停车场里挪车,然后得出「这车没什么了不起」的结论。跑车的性能,需要一条开阔的公路才能显现。另一个原因是:LLM 的能力在纯数字化、可验证且具备高经济价值的领域(如数学和代码)会率先迎来爆发。为什么现在 AI 在写代码和做数学题上像「开挂」一样?这是因为 RL(强化学习)依赖于可验证的反馈和商业利益驱动的环境。「对错分明」的特性给模型训练提供了源源不断的清晰信号,使得能力在这两个领域像滚雪球一样加速积累。反观开放式的创意写作、情感分析或人文思考,好坏没有统一标准。就像让老师去批改一千篇风格各异的作文,很难给出绝对的对错标准。既然没有清晰的得分红利,AI 从中摸索规律的效率自然大打折扣。DeepSeek-R1 的研究具体展示了如何用数学答案和代码测试提供规则化奖励。企业当然更愿意为能直接省时省力的技术活砸钱,研发资源随之向这些领域集中,优势自然越滚越大。METR 曾提出以任务所需的人类工作时长衡量智能体能力,历史数据呈现大约每 7 个月翻倍的趋势。不过,对 2025 年初工具进行的一项随机实验发现,熟悉自己代码库的资深开发者使用 AI 后,完成任务反而平均多花了 19% 的时间。专家和研究参与者(经验丰富的开源贡献者)普遍高估了人工智能辅助工具能够提升开发效率的程度。当研究参与者能够使用 Cursor Pro 等人工智能工具时,开发任务所需的时间会增加 19%。到了 2026 年,研究者又发现,越来越多程序员不愿接受禁止使用 AI 的实验条件,令新一轮效果评估出现了明显的样本偏差。工具确实在变强,衡量它带来了多少生产力,却越来越困难。最后是权限和资源的问题,从免费版到付费版,再到内部未公开的前沿版本,不同层级的用户能接触到的技术之间,存在着真实的代差。a16z 的数据显示,AI 消费市场呈现出极端的幂律分布:排名前 1% 的付费用户,贡献了消费级 AI 市场 19.5% 的收入,甚至超过了后 50% 用户的总支出(16.6%)。ChatGPT 目前的周活跃用户已达约 8.1 亿,付费用户仅约 3500 万,不及总量的 5%。
谁在替你定义 AI 的能力?
公众对 AI 的印象,很大一部分由少数可传播的片段拼成。模型在视频里答错常识问题,足以收获一轮嘲讽;一位程序员展示智能体独立完成大型项目,也足以点燃另一轮狂热。媒体和 KOL 的体验样本也难以逃离这种局限。多数人没有条件持续使用昂贵的前沿系统,更无法验证尚未公开的内部模型。与此同时,走在最前面的研究人员、企业和开发者,也有自己擅长的问题与利益立场。我们在,指出了目前笼罩在整个 AI 行业的文化现象:AI 行业,特别是以 Anthropic、OpenAI 为代表的公司,它们尽力维持着一种模型/AI 产品发布周期 (launch cycles),每隔几个月甚至几周就有大版本发布,每天都有新功能推出。然而,这种车轮滚滚的发布周期,如左脚踩右脚一般,已然形成了一种自我维系的新经济模式。「发布」这件事本身,以及围绕这些发布所撰写的营销物料和媒体报道,足以塑造、固化人们对于 AI 进步的认知,并且引发真实的财务后果(关联公司的股价涨跌)。也就是说,AI 在认知意义上的进步,已经先于真实体验上的进步,甚至在很大程度上完全替代了后者。发布取代了体验,炒作成为了现实。发布会替我们预先感到兴奋,事故视频替我们预先感到失望。我们以为自己在评价一项技术,实际上经常只是在评价别人为它挑选的那个瞬间。 我们正在招募伙伴📮 简历投递邮箱hr@ifanr.com✉️ 邮件标题「姓名+岗位名称」(请随简历附上项目/作品或相关链接)