在AI研究圈,有张图的知名度远高于人们对它的理解程度。分析师、投资人、政策制定者无数次引用它,几乎每次又都读偏。图出自AI评估非营利组织METR,名字叫“时间视野图”(time horizon plot)。11月21日,METR放出了这张图的最新版本,结论比过去更耐琢磨。
一张被反复误读的图表
METR全称Model Evaluation & Threat Research,是一家独立研究机构,专做前沿AI模型能力的测量。它最出名的贡献,是拿“时间视野”当尺子量AI:让模型去做一系列真实任务,同时记录人类专家完成同类任务要花多久,再看模型能稳定搞定多长时限的任务。按这个思路画出的曲线,就是时间视野图。
“时间视野”衡量的是AI能独立完成多长的任务,而不是AI有多聪明。
麻烦在于,这张图太容易被压成一句标题:“AI每七个月能力翻一番”。有人拿它推算AGI时间表,有人据此断言某个职业还剩几年寿命。METR自己却反复说明,时间视野只是特定任务分布上的一个统计量,没法直接推到所有认知劳动上去。
新报告:指数增长继续,但不均匀
最新报告确认了一个延续中的趋势:在可测量的任务范围内,部分AI能力还在沿指数轨迹往上走。换个说法,模型能独立完成的任务时长,仍在以可观的速度延长。对关心自动化前景的人来说,这个信号不能忽视。
不过报告也指出了一个关键的不对称:编程类任务上,模型的表现明显好于需要“判断力”的任务。判断力指的是什么?信息不完整时做取舍、看出任务里的隐含前提、判断什么事值得做、什么时候该停下来问人。这些能力很难写成清晰的评分标准,可恰恰是真实工作里最耗人心力的部分。
为什么编程成了“优等生”
编程任务天生适合被评估:对错明确,测试可以自动跑,社区里还有海量公开题目。模型在这类任务上进步快,一半是能力真在涨,另一半是测量本身更精确。反过来看,判断力类任务没有可验证的答案,评估成本高,进展就显得慢。
这里藏着一个被低估的风险:行业若只用编程基准追踪进展,就会系统性地高估AI在开放式工作中的准备程度。一个能通过高难度编程测试的模型,未必能在模糊的商业决策或伦理权衡里给出可靠判断。
编者按:别把统计曲线当成预言
时间视野图的价值,不是去预测哪一年AI会取代谁,而是提供一个可比较、可复现的观察窗口。它说明能力在涨,也说明涨得不均匀。真正该警惕的,不是指数曲线本身,而是把曲线当宿命的人。
对企业和管理部门来说,更务实的做法是:把“可验证任务”和“判断密集型任务”分开,分别评估自动化的收益与风险。对普通从业者来说,编程能力的商品化速度可能比预想更快,而判断力、跨领域整合与问责能力,仍是曲线难以捕获的部分。