聊天机器人的黄昏

Ethan Mollick:One Useful Thing(RSS)·2026-07-01 06:18·81天前·Ethan Mollick
AI 导读

前沿AI模型能力加速提升,美国实验室发布速度加快,但政府干预已限制访问Claude Fable和GPT-5.6。Epoch测试发现Opus 4.7自主运行14小时即可完成需2-17周人工的软件工程,token成本$251。中国开源模型落后前沿6-12个月,但性能也快速提升,在AA-Briefcase测试中呈独立指数曲线。使用方式正从聊天机器人转向智能体,OpenAI内部四分之一员工每周同时运行至少四个智能体。Claude Code用户数据显示,领域经验比职业属性更决定使用效果,专家正用智能体替代此前非专家的聊天机器人使用模式。

Ethan Mollick:One Useful Thing(RSS)
精选
73AI 编辑部评分,满分 100

聊天机器人的黄昏

2026-07-01 06:18· 81天前· Ethan Mollick
AI 导读

前沿AI模型能力加速提升,美国实验室发布速度加快,但政府干预已限制访问Claude Fable和GPT-5.6。Epoch测试发现Opus 4.7自主运行14小时即可完成需2-17周人工的软件工程,token成本$251。中国开源模型落后前沿6-12个月,但性能也快速提升,在AA-Briefcase测试中呈独立指数曲线。使用方式正从聊天机器人转向智能体,OpenAI内部四分之一员工每周同时运行至少四个智能体。Claude Code用户数据显示,领域经验比职业属性更决定使用效果,专家正用智能体替代此前非专家的聊天机器人使用模式。

推荐理由

Ethan Mollick 用数据和亲身实验把话说得很直白,AI 不再是聊天工具而是能独自干上 9 小时活的 agent。做非技术岗的也在用,工作变成管理 AI,这个转变才刚开始,但已经让机构跟不上。

正文 · AI 翻译

工作如何沿着指数曲线发生变化

Ethan Mollick

2026 年 6 月 30 日

如果你觉得 AI 领域的一切正在加速,你大概是对的。来自美国领先 AI 实验室的更优秀的 AI 模型,发布速度比以往任何时候都快(尽管政府干预曾暂时阻止了对两个最强大模型的访问,即 Claude Fable 和 GPT-5.6)。

但这不仅仅是发布时机的问题。证据也指向能力提升正在加速(尽管前沿依然参差不齐,AI 在许多地方仍然薄弱)。当我们审视 AI 完成实际工作的能力时,这一点尤其明显。有一些不错的评估试图衡量 AI 能完成多少人类工作。其中最著名的两个,来自 METR和英国官方政府的 AI Security Institute,估算的是 AI 在单次提示词下所能完成的工作量相当于多少人类程序员小时的努力。GDPval 则使用专业评审,将许多领域的人类专家与 AI 的表现进行比较。它们全都在以超过指数的速度增长。

另一家在做类似实验的机构 Epoch 最近发现,Opus 4.7 自主工作 14 小时,能够构建出一个需要 2-17 周人类工程工作量的软件包(消耗了价值 251 美元的 token)。再次强调,AI 系统无法通过每一项测试,运行成本也不总是低廉,但它们的进步速度确实非常快。在我自己的 实验中,我发现 Fable 能够自主工作 9 小时,完成非常复杂的软件项目,而这些项目原本需要一个团队花一周多的时间才能完成。

Image

到目前为止,我一直聚焦于前沿模型,即那些“智能”水平最高的模型。它们由三家美国公司制造——Anthropic、OpenAI 和 Google(尽管 Google 已经有一段时间没有发布新模型了)。但还有第二类接近前沿的 AI 模型,通常落后前沿 6-12 个月,它们全部来自中国。这些是开放权重模型,意味着任何人都可以在发布后使用或修改它们(与专有的前沿模型不同)。这使得它们的运行成本相当低廉。它们同样在沿着指数级改进曲线攀升,尽管落后于美国的闭源模型。你可以在我的图表中看到这一点,该图表展示了一项名为 AA-Briefcase 的测试中的 AI 表现,该测试模拟了一个复杂的、为期数周的咨询项目,AI 需要完成多种类型的分析。中国的开放权重模型(其他国家也生产开放权重模型,但没有一个接近前沿)处于它们自己的指数曲线上,落后于美国的闭源模型

但抽象图表能带给你的洞察终究有限,它们还可能掩盖前沿有多么参差不齐(也掩盖了一个事实:开放权重模型虽然非常惊艳,但表现并不总是与基准测试所显示的相符)。要获得真正的洞察,你需要针对不同用例实际使用 AI,并严格评估它们在你关心的领域表现如何。举一个有趣的例子,我设计了一个测试,让 AI 构建一个随时间演变的港口交互式模拟。你可以在这里体验所有结果。我认为这提供了一个有趣的视角,让我们看到模型之间在设计、风格取向乃至判断力等方面能有多大的差异。随着系统执行越来越长的任务,这些难以用基准衡量的因素会变得更加重要。

我们使用 AI 的方式正在改变

随着 AI 能够执行越来越长的任务,人们使用 AI 的方式正在改变。直到最近,使用 AI 的主流方式还是把它当作一种协同智能。你会让 AI 做某件事,检查结果,然后再让它做你工作的下一步。通过精心的提示词设计和人类的关注,你可以引导 AI 完成复杂且长期的任务。

这种使用 AI 的方式仍然常见且有用,但越来越不是 AI 被用于有价值工作的方式。长时间运行、智能且能自我纠错的 AI 系统不需要持续的人工干预,它们需要一种不同的工作方式(这也是我即将出版的新书 Co-Existence 的主题,你或许想在这里预购)。而且,与聊天机器人不同,智能体还带有额外的机制:为 AI 提供工具访问权限和行动环境的 harness,以及像 Claude Code 或 OpenAI 的 Codex 这样专为智能体构建的应用。因此,一个好的 harness 或应用可以进一步提升 AI 模型本已不断增强的能力。

所以,工作越来越关乎把任务分配给智能体,而不是与聊天机器人协同工作。OpenAI 与学术经济学家的一项联合研究展示了这在它们自己组织内部发生得有多快。关键在于,使用智能体的不只是程序员。法务、人力资源以及其他非技术职能采用智能体的速度几乎相同。对于其他工作场景将会发生什么,OpenAI 或许算得上是煤矿里的金丝雀。

在 OpenAI,工作越来越像是在管理 AI。四分之一的 OpenAI 员工每周至少同时运行四个智能体。而且,随着编码由 AI 在专门的 harness 和应用中完成,其他角色也开始在某种程度上变成程序员。而且他们很擅长这件事。另一项针对 Claude Code 用户的研究发现,软件工程师在实际使用 Claude Code 完成编码任务时,成功率与其他职业相似。

Image

真正重要的并不是用户的职业,而是他们的专业能力。某人在某一领域积累的经验越多,就越能成功地在那个领域使用 Claude Code。而更有意思的是,他们每次提示词从 Claude 那里得到的输出也越有用。

我们正在从一个非专家使用聊天机器人来填补空缺的世界,走向一个专家使用智能体来完成工作的世界。而使用智能体的最佳方式,就是把自己当作一名管理者。

一个时间节点

身处指数增长之中,意味着在每一个固定时间窗口内的变化都比前一个更大。如果你的组织在 2025 年冬季之前的任何时候写过一份 AI 计划,那它描述的是一个只能完成几个小时工作、且错误率相当高的系统。几个月之后,你仅凭一条提示词就能获得十六个小时甚至更多的工作量。这就是为什么 AI 总让人感觉在不断实现飞跃——尽管它只是图表上的一条曲线,我们却不断把能力的稳步翻倍体验为一系列冲击。我们非常不擅长从内部感受指数增长,而我们此刻正身处其中。

我认为,这也比那些常见的炒作叙事更好地解释了围绕 AI 的动荡。AI 在突然之间就具备成为真正网络安全威胁的能力之前,一直都不具备这种能力,从而在政府最高层引发突然而即兴的政策变化。市场一直低估 AI 是否可能威胁并动摇某种商业模式,直到它突然真的能够做到,导致股市剧烈震荡。

这些颠簸被解读为一个不成熟领域终将趋于稳定的迹象。我不认为它会在短期内稳定下来。这种不稳定,正是当那些以人的速度(或者更糟,以委员会的速度)运转的机构,试图追赶一条本质上绝非人类的能力曲线时会发生的事情。而只要我们处在某种指数曲线上,并且只要这种状态持续,这道鸿沟就只会不断加宽。

来源:Ethan Mollick:One Useful Thing(RSS)· oneusefulthing.org