聊天機器人的黃昏

如果您覺得人工智慧的發展正在加速發展，那麼您可能是對的。來自美國領先人工智慧實驗室的更好人工智慧模型的發布速度比以往任何時候都快（儘管政府乾預暫時停止了對兩個最強大模型 Claude Fable 和 GPT-5.6 的訪問）。

但這不只是發佈時間。有證據表明，能力的提升也在加速（儘管前沿仍然崎嶇不平，人工智慧在許多地方仍然很弱）。當我們觀察人工智慧完成實際工作的能力時，這一點尤其明顯。有一些很好的評估試圖衡量人工智慧可以完成多少人類工作。其中最著名的兩個，來自 METR 和英國官方政府 AI 安全研究所，估算了人工智慧在單一提示下可以完成的人類程式設計師小時的工作量。 GDPval 使用專業評審將多個領域的人類專家與人工智慧的表現進行比較。它們都以高於指數的速度成長。

另一個進行類似實驗的組織 Epoch 最近發現 Opus 4.7，單獨運行 14 小時，能夠建立一個軟體包，需要 2-17 週的人類工程工作（花費了 251 美元的代幣）。同樣，人工智慧系統無法通過所有測試，運行起來並不總是便宜，但它們肯定正在以非常快的速度改進。在我自己的實驗中，我發現《神鬼寓言》能夠自主工作 9 個小時來執行非常複雜的軟體項目，而這些項目需要一個團隊花費一周多的時間才能完成。

到目前為止，我主要專注於前沿模型，即具有最高「智慧」的模型。它們由三家美國公司製造——Anthropic、OpenAI和Google（儘管Google已經有一段時間沒有發布新型號了）。但還有第二組近前沿人工智慧模型，通常落後前沿 6 至 12 個月，所有這些模型都來自中國。這些是開放權重模型，這意味著任何人都可以在發布後使用或修改它們（與專有的前沿模型相反）。這使得它們的運作成本相當低廉。儘管落後於美國的封閉模型，但它們也沿著指數級的改進曲線攀升。您可以在我的名為 AA-Briefcase 的測試中的 AI 性能圖表中看到這一點，該測試模擬了複雜的多周諮詢活動，其中 AI 必須進行多種分析。中國的開放權重模型（其他國家也有開放權重模型，但沒有一個接近前沿）處於自己的指數曲線上，落後於封閉的美國模型

但是抽象圖只能讓您到目前為止，並且它們可以隱藏邊界的鋸齒狀（以及開放權重模型雖然非常令人印象深刻，但並不總是表現得像其基準所顯示的那樣好這一事實）。為了獲得真正的洞察力，您需要嘗試將人工智慧用於不同的用例，並嚴格評估它們在對您重要的領域的表現。作為一個有趣的例子，我創建了一個測試，其中人工智慧必須建立一個隨時間演變的港口的互動式模擬。 您可以在這裡使用所有結果。 我認為它提供了一個有趣的視角，讓我們了解模型在設計、風格方法甚至判斷等領域之間的差異有多大。隨著系統執行的任務越來越長，這些難以進行基準測試的因素變得更加重要。

我們使用人工智慧的方式正在改變

隨著人工智慧可以完成越來越長的任務，人們使用人工智慧的方式正在改變。直到最近，使用人工智慧的主要方式還是作為協同智慧。你會要求人工智慧做某件事，檢查結果，然後要求它完成你的下一步工作。透過仔細的提示和人類的關注，您可以引導人工智慧完成複雜且長期的任務。

這種使用 AI 的方式仍然常見且有用，但它愈來愈不是 AI 創造高價值工作的主要方式。能夠長時間運作、智能且自我修正的 AI 系統不需要人類持續干預，也要求我們採用不同的協作方式——這也是我即將出版的新書 《Co-Existence》 的主題。與聊天機器人不同，智慧體還配有額外的執行機制：讓 AI 能夠調用工具、在環境中採取行動的框架，以及 Claude Code、OpenAI Codex 這類為智慧體構建的應用。因此，一個好的執行框架或應用，可以進一步放大 AI 模型本身不斷增強的能力。

因此，工作越來越多是將工作分配給代理，而不是與聊天機器人一起工作。 OpenAI 和學術經濟學家的一項聯合研究 顯示了這種情況在他們自己的組織內發生的速度有多快。重要的是，使用代理的不僅僅是程式設計師。法律、人力資源和其他非技術職能部門採用代理的比例幾乎相同。 OpenAI 可能是煤礦裡的金絲雀，可以預測工作中其他地方會發生什麼事。

OpenAI 的工作越來越像管理 AI。四分之一的 OpenAI 員工每週至少運行一次四個代理程式。而且，隨著人工智慧在專門的工具和應用程式中完成編碼，其他角色開始成為某種編碼員。他們很擅長。一項單獨的對 Claude Code 使用者的研究 發現，在實際使用 Claude 程式碼執行編碼任務時，軟體工程師與其他職業的成功率相似。

真正重要的不是使用者的職業，而是他們的專業知識。某人擁有的領域經驗越多，他們在該領域使用 Claude Code 就越成功。而且，更有趣的是，他們從Claude的每次提示中得到了更有用的輸出。

我們正在從一個非專家使用聊天機器人來填補空白的世界轉向專家使用代理來完成工作的世界。使用代理的最佳方式是將自己視為經理。

某一時刻

指數表示固定視窗內的每次變化都大於先前的變化。如果您的組織在 2025 年冬季之前的任何時間編寫了人工智慧計劃，那麼它描述的系統可以完成幾個小時的工作，但錯誤率相當高。幾個月後，您可以透過一個提示完成十六個小時或更長時間的工作。這就是為什麼人工智慧總是讓人感覺它正在飛躍，儘管它是圖表上的一條曲線，但我們不斷經歷一系列衝擊帶來的能力的穩定翻倍。我們非常不擅長從內部感受指數，而我們目前正處於指數之中。

我認為這也比通常的炒作故事更好地解釋了人工智慧周圍的動盪。人工智慧不可能成為真正的網路安全威脅，直到它突然成為真正的網路安全威脅，導致政府最高層突然暫時改變政策。市場對人工智慧是否可能威脅破壞商業模式不以為意，直到突然出現這種情況，導致股市大幅波動。這些動盪被解讀為一個不成熟領域的標誌，該領域最終會穩定下來。我認為事情不會很快解決。當機構以人的速度（或更糟的是，委員會）試圖追蹤本質上非常不人性的能力曲線時，就會發生不穩定。只要我們處於某種指數成長狀態，只要這種趨勢持續下去，差距就會擴大。