METR时间视野图更新:AI能力仍沿指数上涨,判断力没跟上
METR发布其广受引用却常被误读的“时间视野图”更新版。新报告确认部分AI能力仍在指数级提升,模型能独立完成的任务时长持续延长;但报告同时揭示明显不对称——模型在编程任务上表现优异,在需要判断力的任务上却明显偏弱。这提醒业界,单一基准无法代表AI在开放式工作中的真实水平。
在AI研究圈子里,有一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,可几乎每一次都读歪了。图出自AI评估非营利组织METR,名叫“时间视野图”(time horizon plot)。11月21日,METR放出了这张图的最新版本,给出的结论比过去更微妙。
一张被反复误读的图表
METR的全称是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”这把尺子量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,再看模型能稳定干完多长时限的活。按这个思路画出来的曲线,就是时间视野图。
有人这样概括“时间视野”:它量的是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自己却一再强调:时间视野只是特定任务分布上的一个统计量,没法直接外推到所有认知劳动。
新报告:指数增长继续,但不均匀
最新报告确认了一个仍在延续的趋势:在可测量的任务范围内,部分AI能力依旧沿着指数轨迹往上走。换句话说,模型能独立完成的任务时长,还在以可观的速度拉长。对关心自动化前景的人来说,这是个不能忽略的信号。但报告同时点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那些需要“判断力”的任务。
判断力指的是什么?信息不完整时做取舍,识别任务里的隐含前提,判断什么值得做,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,可恰恰是真实工作中最耗人心力的部分。
为什么编程成了“优等生”
编程任务天然适合被评估: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,一半是因为能力真的在涨,另一半是因为测量本身更精确。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:行业如果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中给出可靠判断。
编者按:别把统计曲线当成预言
时间视野图的价值不在预测哪一年AI会取代谁,而在于提供一个可比较、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,而是把曲线当成宿命的人。
对企业与政策制定者来说,更务实的做法是区分“可验证任务”和“判断密集型任务”,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快过预期,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。