AI 普及以后，什么还没有跟上？

先读懂「走向主流」

2021 年的 AI100 已经看到了 GPT-3。五年后，研究小组认为，当时漏掉的关键一步，是一个人人都能打开的聊天窗口。普通人可以用自然语言交代任务，在同一个界面里从写信换到查资料、改代码、生成图像。2022 年 11 月上线的 ChatGPT 基于 GPT‑3.5 系列微调，报告 p.31 用 GPT‑3 概述了这条技术演进线。进入公众生活的速度，超出了当时研究者的预期。2026 年的报告于是把问题从「AI 能做什么」推进到「人和机构开始依赖 AI 后，会发生什么」。OpenAI 上线公告 · 报告导言 p.17 · 五年回看 p.116

这是**人工智能百年研究（AI100）**继 2016、2021 年之后的第三份报告。项目由斯坦福大学以人为本人工智能研究院（HAI）管理，本期由牛津大学的 Michael Wooldridge 主持，12 位研究者共同署名。它是跨学科专家评估，兼有研究综述、案例、预测和政策主张。导言交代初稿于 2026 年 4 月底完成、版本在 9 月定稿，11 月发布。下文页码对应官方 PDF，证据核对截至 11 月 13 日。三期报告 · 作者与引用方式 · 斯坦福 HAI 11 月 10 日发布介绍

读这篇报告，我会分别追问：一个人能否用上 AI？一个机构能否放心把结果交给 AI？社会能否决定部署条件并分到收益？ 应用普及可以看使用数据，可靠交付需要任务验证，社会如何分配决定权则要看制度与实际结果。

一、规模化改变了什么，又在哪些地方失灵

训练损失、任务能力、实际交付

早期规模定律的商业意义是降低研发投资的不确定性。在一定模型家族和训练条件下，研究者观察到，扩大参数量、数据和训练算力，能相对可预测地改善预测损失。投资者因此可以用小规模实验估计大训练的表现。Chinchilla 研究还说明，给定训练预算，参数和训练 token 要一起配置。只把模型做大，可能留下一个训练数据相对不足的模型。报告 p.30、p.106–107 · Hoffmann 等，Chinchilla 原始论文

从实验结果到现实交付，中间还有三道检验：

报告认为下一轮能力增长会同时来自多个地方。预训练继续受制于算力和数据配比。后训练可以改进指令遵循和特定推理能力。推理时计算允许模型为某一次任务多花算力做搜索、调用工具或验证候选结果。系统设计则决定模型能拿到什么上下文、用哪些外部工具、失败后如何交还给人。一个系统可以在参数保持不变时变得更有用，同时每次调用变得更贵或更慢。报告 p.31–32、p.58、p.112–113

报告对数据瓶颈的讨论也值得细分。公开、可清洗、有授权的高质量文本是有限资源。授权数据、实验和模拟数据、合成数据各能扩充其中一部分。比如能用求解器核对的训练题，可以从合成样本中得到更密集的反馈。涉及现实人群或环境时，合成样本的价值取决于它能否覆盖真实变化，生成更多相似文本也可能放大原有偏差。报告 p.110–112

我的判断。 对使用者，更合适的成本单位是「一个经验证的可用结果」。把模型调用、人工复核、重试和失败返工都算进去，再看替换成更强模型是否划算。对一家模型公司，还要另外算训练、设备折旧和扩容。报告中的铁路类比最有意思的一点是资产寿命：机房、电力接入和芯片的更新周期不同，长期需求增长也不能直接回答某一批设备投资能否回收。报告 p.108–110

二、能力的锯齿性，比平均分更接近现实

报告把能做高难题、却在一些看似简单的输入上突然出错的现象称为 jaggedness。它在推理章节把这个问题进一步分成跨情境迁移、长程计划、因果识别和评测。语言模型可以复述某种干预的常见效果。要知道干预在当前情境中是否有效，还需要实验、合适的观测设计或站得住的因果假设。报告 p.41–43、p.57–59

Dell’Acqua 等人的随机实验给出了更实际的例子。在总计 758 名 BCG 顾问参与的两类任务中，GPT‑4 对落在能力边界内的任务有帮助，但另一项特意选在边界外的复杂任务里，使用 AI 的参与者反而较少给出正确解。这样的边界会随工具和模型版本移动，且难以凭人对题目「难不难」的直觉来判断。报告 p.49 · 《Organization Science》正式论文

原图怎么读。 p.28 的 METR 图上，GPT‑3.5 与早期 Claude Mythos 的 80% 成功率时间跨度分别约为 30 秒和 4 小时。这里的时间是人类专家完成评测任务所需的时间，用来表示任务的复杂度。图上两个点表示模型在特定任务集上的拟合结果，主要来自可独立验收的软件相关任务。把它延伸到复杂组织工作之前，还要问任务条件、成功标准和人工交接是否相似。报告 p.28 原图 · METR 交互图与方法说明

代理式 AI 把这种不稳定带进多步流程。拿「生成一份附证据的行业简报」做例子，模型可能会写出漂亮的摘要，却在前一步把对照组看错。后面每一步都沿用错误的表格，排版越好，越不容易察觉。报告谈到自动化时，持续追问谁在关键节点还能暂停、核实和纠正。这个问题也适用于会使用外部工具的系统。报告 p.34–36、p.47–48、p.78–84

我的判断。 在这类工作流里，验收应覆盖反例：材料相互矛盾、源文件缺失、表格单位变化、系统越权时，结果是否仍然可追查？对外发送、改写原数据等动作的后果高于起草，故而需要不同的授权和检查。AGI 争论也可以这样读。广泛答题、完成多数有经济价值的工作、在陌生物理环境独立完成任务，对应三种不同门槛。报告记录了时间表的分歧，结尾对当前系统的描述仍是强大的通用工具。报告 p.57–59、p.114–115

三、科研更快之后，验证和理解更值钱

报告写到数学、科学和编程时，有一个共通的结构：AI 让候选答案的供给变多，瓶颈随之转向验证与解释。数学里，形式化系统能对证明做精确核验，但能验过的证明和数学家能理解、能据此继续研究的证明，价值不同。自然科学里，模型可以帮人生成假设、缩小搜索范围和分析实验结果，真实实验、独立复现和有效的研究设计仍决定证据有多强。报告还展望了自动化实验室的普及。用个别科研项目的提速去估计整门学科的变化，需要知道新流程有多少项目能采用、复现成本如何、瓶颈是否转移到了下游。报告 p.31–33、p.37–39、p.42–44

SQ1 还用诺奖照片记录研究成果。p.26 的图注把三位化学奖得主写在 AlphaFold 名下，诺奖授奖说明区分得更精确：David Baker 获奖对应计算蛋白质设计，Demis Hassabis 和 John Jumper 获奖对应蛋白质结构预测。同一张照片承载了两类科研贡献。报告 p.26 · 诺奖授奖说明

报告还把「AI 对理解人类智能有帮助」和「人类认知能否指导 AI 工程」当作两个不同的研究问题。神经网络能在受控实验中帮助解释脑成像信号，脑机接口也能借生成模型从信号中重建部分内容。模型与人脑反应相关、解码结果令人印象深刻，仍只提供了具体实验设定下的证据。原文也强调人类智能有社会、文化和集体维度。工程上，2021 年看好的神经符号方法在数学等可验证场景取得进展，同期更广泛的能力进步仍主要来自通用深度学习与系统层的组合。报告 p.53–56、p.96–97、p.118、p.121–122

同一个道理也适用于编程和创作。SQ9 认为自然语言编程扩大了参与面，但原型能跑和生产软件可维护之间，还有测试、理解需求与责任归属。图像与视频生成降低了创作门槛，也让更多作品争夺注意力。报告用编剧和演员工会的谈判举例，说明供给成本的下降怎样触发对素材使用、署名和报酬的重新谈判。要判断创意行业的净效应，需要看创作参与、作品质量和创作者收入如何一起变化。报告 p.73–77

教育里也有同样的分界。学生用 AI 把作业做得更好，可以证明工具改善了当下的产出。要检验学会了多少，可以再测学生脱离工具后的表现、解释能力和迁移能力。对机构来说，这比统计生成了多少篇作业或报告更接近它要培养的能力。报告 p.44–46、p.63–65、p.115

四、为什么「个人提效」和「新人更难入行」可以同时出现

AI100 在不同章节用了几类研究。把它们放在一起，能看到同一项技术影响了不同结果。

客服论文的正式版本跟踪一家企业 5,172 名坐席，主要结果是每小时解决问题数平均提高约 15%，低经验与低技能员工受益更明显。AI100 在回看章节另引了截至 2026 年 6 月的工资单研究：暴露度最高的两个五分位组中，22–25 岁员工的就业量，相对于按其余三个组的增速推算的基准，约有 19% 的缺口。两组数据可以同时成立。一个在看已入职的人用工具之后的表现，一个在看各组就业人数怎样变化。客服正式论文 · 工资单研究 2026 年 8 月版 p.10–11 · 报告 p.85–87、p.120

为什么两者会并存？如果一个新人能在 AI 辅助下迅速学会回答常见问题，雇主可能用同样团队接更多客户，也可能减少招人。决定方向的是需求有没有扩张，企业如何重组任务、培训新人，以及人还负责哪些高价值判断。报告 p.85 的原图按收入和职业展示的是任务暴露度。暴露度用来识别哪些工作可能变化，对应的实际替代、互补、工资和工作质量需要另外测量。原文也给出了与强替代叙事有张力的结果：聚合研究的就业效应仍弱或为正，部分受影响群体的在岗工资与就业量可能反向变化。报告 p.84–87（原图见 p.85）

我的判断。 更难观察的是「新人怎样成为专家」。当初级任务由 AI 完成，企业能否提供别的途径让新人接触案例、犯可纠正的错误、获得反馈？每小时产出有即时反馈，人才梯队的变化要等更久才看得见。这也是为什么要把产出、招募和学习放在三个时间尺度上追踪。

SQ11 进一步问了谁控制工作过程。AI 可以把更丰富的信息交给员工，也可以把员工的任务拆得更细，交给系统分配和考核。报告指出，标注、评审、纠偏和内容审核等人工劳动往往隐在自动化界面之后。若只统计前台节省的人时，可能漏掉转移到后台的工作，以及员工能否理解或申诉算法给出的评价。报告 p.89–92

五、从供应链到公共生活，谁有权决定部署方式

训练权集中，使用权扩散

地缘政治专题把竞争画成一组相互依赖的环节：芯片与制造设备 → 电力、网络和数据中心 → 数据与模型 → 部署和制度。美国、中国及其他国家可以在不同层次发挥影响力。开放权重让更多团队能够运行、适配和研究现有模型，但独立训练下一代前沿模型还需要算力、人才和数据。某国可以拥有本地部署和数据管理能力，同时依赖外国的芯片或基础模型。由此看，「主权 AI」要具体问主权落在哪一层。地缘政治专题 p.98–106

电力和水把全球竞争落实到地方决策。即使芯片买得到，数据中心的投运仍要等并网、土地和冷却条件。报告 p.100–101 把环境影响放到选址中讨论。对照不同估算时，我会看三个口径：AI 专用负荷还是全部数据中心用电，直接用水还是把发电耗水计入，全年总量还是枯水期的本地压力。单次推理更省电，只有结合总调用量，才知道整个系统用了多少电。报告 p.100–101

SQ8 从学术界看到同样的分化。大学仍有培养人才、做基础研究、开展独立评估的能力。前沿训练更集中于能负担资源的公司，研究者接触真实系统和失败数据的条件则日益取决于企业开放什么。对科研来说，这关系到可复现性。对治理来说，这关系到独立机构能否验证模型开发者的说法。报告 p.71–72、p.108、p.123、p.125

风险从模型输出扩展到人与制度之间

报告把恶意使用、系统失灵和系统性风险分开。三类问题可以在同一产品里出现：冒充他人的合成内容是滥用，模型自信地引错证据是失灵，大家长期依赖同一批系统筛选资讯则可能改变整个信息环境。报告也讨论安全防护与滥用的竞争、军事决策的问责、陪伴式产品中的情感依赖，以及平台管理如何影响劳动者。原文承认多处证据仍薄，例如具体个案所呈现的风险可以支持进一步调查，难以单独估出普遍发生率。发现了选举期间的合成内容，也需要额外证据评估它改变了多少人的行为。报告 p.78–95、p.103–105、p.123

在 SQ6，公众表达的担忧既取决于亲身体验，也受媒体选取哪些声音的影响。报告认为 AI 素养涉及理解系统为何会出错、怎样核查信息，也涉及公众能否讨论自己愿意接受什么部署条件。应用增加与担忧增加可以同时发生，个人可能觉得工具好用，同时担心所在行业的雇佣变化。报告 p.60–65

报告用 society-in-the-loop 讨论谁来决定社会可接受的风险。让人审核一次模型输出，是操作层的监督。让受影响的人参与决定能否采集数据、哪些场合需要申诉、出了问题由谁负责，是另一层制度安排。前沿模型监管能够覆盖共用底座，行业监管则更接近某个具体用途的后果。报告也指出两边各有难题：技术门槛会过时，行业监管可能缺少足够的技术能力、权限或跨境协调机制。报告 p.66–70、p.105–106

六、报告如何回看 2021 年

末尾的回看把「看错」「看对」「当时没纳入框架」放在一起。下面还区分了判断的强弱和适用期限，避免用后来发生的事覆盖原话。2021 年原报告 · 2026 年回看 p.116–126

回看也认为，关于产业集中、虚假信息和军事应用扩张的担忧有相当的延续性。部分陈述只适用于当时，例如 2020 年 AI 投资的相对体量。新一轮资本开支的跃升，支持重新提问。把某年宏观生产率上升归因给 AI，仍需要能够排除周期、投入结构和其他技术变化的研究。报告 p.120–125

五处证据核对

1. GPT‑3 的 45 TB。 AI100 p.110 将其表述为训练所用文本量。Brown 等原始论文 §2.2 显示，45 TB 是过滤前的压缩 Common Crawl 原始文本，过滤后约 570 GB。Table 2.1 给出的训练总量是 3,000 亿 token，训练还从其他语料库采样。这三个数分别描述原始来源、过滤后的单项语料和训练消费量。报告 p.110 · GPT‑3 原论文 p.8
2. 客服约 15%。 使用同行评议版的每小时解决问题数。样本来自一家企业，不能据此估算其他行业的生产率或所需人数。正式论文，摘要与表 I
3. 青年就业约 19%。 美国 ADP 样本中，2022 年 11 月至 2026 年 6 月，暴露度最高的两个五分位组的 22–25 岁就业量约降 11%，其余三组约增 10%。用两组期末指数计算，0.89 ÷ 1.10 − 1 ≈ −19%。这是描述性差距。研究发现差距主要表现为招聘减少，并指出疫情期间已出现趋势差异，控制教育构成后部分估计变小。研究 2026 年 8 月版 p.10–12
4. 公众 17% 与专家 56%。 报告 p.60 引用 Pew。原问题是受访者是否认为未来 20 年 AI 会对美国产生非常或较为正面的影响。调查在 2024 年进行、2025 年公布。它测的是对一项未来影响的预期，不能直接替代使用率、整体满意度或全球民意。Pew 调查原文
5. Chinchilla 的配比。 论文在其模型和实验范围内估计，达到计算最优时参数量和训练 token 数应大致同比增长。这里的最优指给定训练算力下的表现。如果要大规模提供推理服务，部署端成本会改变选型。论文摘要与 §3

12 个固定问题怎么回读

只读三段时，我会选 p.41–43 的能力边界、p.106–113 的规模化专题、p.116–126 的五年回看。下面是完整的章节索引，适合按兴趣跳读。

读完可以回到自己最熟悉的一项工作。让 AI 帮你做哪一步、把什么证据交给你、由谁签字验收？ 再把时间拉长：如果大多数人都采用这种做法，谁获得了原先没有的能力，谁将失去学习机会、工作选择或申诉渠道？AI100 用同一组问题持续追踪技术和制度，值得保留下来的正是这种跨时间尺度的比较。

本文依据官方英文报告写作，双语框为短摘录与校译，表格为本文的分析整理。原文、两篇专题和历年版本均可在 AI100 官网阅读。 官方网页 · 英文 PDF