【导读】当我们还在调侃「AI写错代码」时，实验室里的科学家却看到它能独立完成几个小时的复杂任务。AlphaGo作者Julian罕见发声：公众对AI的认知，至少落后一个世代。最新数据更显示，AI正以指数速度逼近专家水准，2026或许就是临界点。我们，是在见证未来，还是在自欺欺人？

AlphaGo、AlphaZero的核心作者——Julian抛出了一个尖锐的比喻：人们今天对AI的态度，很像当初面对新冠疫情早期的反应。 

Julian的意思很直接：我们正在严重低估AI的进展。

很多人还在笑它写错代码，抱怨它没法替代人类；但在实验室里，研究者早已看到另一幅景象——AI已经能独立完成几个小时的复杂任务，并且还在按指数速度进化。

这就是他决定站出来发声的原因：公众的认知，和前沿的现实，之间至少隔着一个世代的落差。

科学家不忍再沉默：AI为何被大众低估？

Julian Schrittwieser的名字，或许不像马斯克、奥特曼那样家喻户晓，但在AI圈，他是响当当的存在。

作为AlphaGo、AlphaZero、MuZero的核心作者之一，他亲历了AI从「围棋科幻」到「现实碾压」的全过程。

也正因如此，当他在个人博客写下那段话时，格外刺耳：

人们注意到AI还会犯错，就急着下结论：它永远不可能达到人类水准，或者影响有限。可别忘了——就在几年前，让AI写程序、设计网站还完全是科幻！

在他看来，今天的舆论氛围有点荒谬。

大众盯着模型出错的细节，就断言「AI不过如此」；记者拿两代模型的闲聊对比，觉得「没啥变化」，就认定「进步停滞」；政策讨论里，AI被当成遥远的、虚浮的「泡沫」。

然而，实验室里的研究者看到的，却是另一幅画面：AI的能力曲线正在以指数型跃升。

Julian bluntly指出，公众与前沿之间的认知差距，至少滞后了一个世代。

他之所以站出来发声，不是为了渲染危机，而是为了提醒：如果连科学家眼前清晰可见的趋势都被忽视，真正的临界点到来时，我们几乎没有准备。

指数曲线下的震撼，AI「独立上班」的时间在翻倍

Julian提出的第一个关键证据，来自一家专门研究模型能力的机构——METR (Model Evaluation and Threat Research)。

他们的思路很直白：不再只看模型答题对错，而是衡量它们能自主完成多长时间的真实任务。

在今年早些时候的研究里，METR给出的答案是：Claude 3.7 Sonnet能在约1小时长度的软件工程任务中保持50%的成功率。

这意味着，它已经具备独立撑起一段「实打实的工作时长」的能力。

Julian指出，更令人震惊的是——这条曲线呈现出指数增长趋势，每7个月翻一倍。

Sonnet 3.7已经是7个月前的模型，正好对应METR统计出的翻倍周期。

他随即给出最新的对照：在METR官网更新的图表里，可以看到Grok 4、Claude Opus 4.1、GPT-5已经排在右上角。

Julian博文引用的METR数据，横轴为时间，纵轴为可完成任务的时长。可以看到GPT-5、Opus 4.1已经突破两小时大关。

它们不再是「1小时工作」，而是能够支撑超过2小时的任务。指数并没有放缓，反而略超预期。

这条线的含义不止是「2小时」，而是它所暗示的外推未来：

如果趋势不变，2026年年中，模型将能连续完成8小时工作；再往后，2027年，模型可能在不少复杂任务上超越人类专家。

Julian的意思很明确：你也许不必喜欢这种预测，但忽视它的代价极高。

跨行业评测：AI已逼近人类专家

如果说METR的研究证明了AI在软件工程任务上的「时间地平线」不断拉长，那么另一项研究——OpenAI的GDPval则把这个趋势带进了现实经济。

GDPval的设计非常直接：找来44个职业、9大行业的任务，每个职业挑选30个真实工作样本，总共1320项任务。

GDPval任务覆盖9大行业，44个职业，模型表现已与人类差距极小。Claude Opus 4.1在多个维度甚至领先GPT-5。

这些任务由平均14年经验的行业专家设计，再交给模型去完成，最后由盲评打分：只看结果，不看作者是谁。

Julian在博文里写道：

最新的结果显示，GPT-5在许多职业任务上已经接近人类水准。更令人意外的是，Claude Opus 4.1（发布时间甚至早于 GPT-5），在GDPval上的表现显著优于GPT-5，几乎追平了行业专家。

这不是某个孤立benchmark的「漂亮成绩」，而是在跨越法律、金融、工程、医疗、创意等行业的真实检验中，AI开始逼近人类平均水平。

OpenAI GDPval评测结果（2024–2025）。纵轴为模型在真实职业任务中的胜率（对比有多年经验的行业专家），深色为纯胜率，浅色为胜或平局。可以看到GPT-5已逼近「行业专家水平线」。

更值得注意的是：OpenAI在这份报告中，并没有刻意凸显自家模型，反而坦诚承认友商Claude的表现更好。

Julian特别称赞这一点，认为这是行业少见的「科研诚信」：

在追求安全和有益结果时，比拼输赢反而不是最重要的。

当然，GDPval的设计也并非完美。

Julian也提醒，许多任务依然相对「整洁」（messy程度不高），没有模拟长周期、多轮反馈的复杂工作环境。

但即便如此，趋势已经足够说明问题——AI不只是能写点小程序，而是在真实的职业场景里，正一步步靠近甚至超越人类。

质疑声出现：趋势真的可靠吗？

在Julian的博文下，不少读者认同「AI没有泡沫」，但也有人提出尖锐的质疑。

其中，Atharva Raykar的评论获得了高赞。他指出：

把AI的进展直接类比成指数曲线，其实很危险。疫情的指数传播有明确机制支撑，而AI的提升并不是必然的。

他的观点是：AI的进步更像是摩尔定律，靠整个行业不断叠加创新与工程突破。

如果没有推理模型等关键节点的突破，能力曲线可能早就「撞墙」。所以，单纯外推曲线，未必能保证未来必然继续加速。

Atharva还提到另一个问题：评测任务不够「messy」。

METR的任务平均「复杂度得分」只有3/16，相当于结构清晰的小型工程任务；而现实世界中的软件项目、科研探索，往往在7–16的区间，远比benchmark混乱。

也就是说，现在的评测结果可能高估了AI在真实世界中的适用性。

Julian在后续回复中承认了这些提醒的合理性，但也强调：

我类比的重点并不是AI一定会像病毒传播那样加速，而是公众和决策层正在忽视已经发生的增长。

短期（1–2 年）的趋势依然很清晰——在这种尺度上，外推往往比专家预测更靠谱。

在他看来，问题的关键不是曲线未来是否会「拐弯]，而是：如果趋势真的继续，而社会却没有准备，那代价将会极其沉重。

未来是替代，还是百倍增幅的协作？

Julian 在文章的最后给出了他最具冲击力的预测：

2026年中，至少有一款顶级模型能连续自主完成8小时的工作任务——这意味着它不再只是一个「对话工具」，而是能真正以「全职员工」的形式参与工作流。

2026年底，在多个行业任务中，会有模型的表现正式达到人类专家的平均水平。

2027年之后，在不少垂直任务里，AI的表现将频繁超越专家，并逐步成为生产力的主力。

这不是科幻，而是从当前曲线直接外推出的「保守版本」。

Julian直言，忽视这种趋势，比过度担忧更危险。

但他同时也强调，AI的未来不一定意味着「替代」。在他设想的画面里，更有可能出现的是这样一种场景：

人类依旧是指挥者，但身边会有几十个、上百个超强助手。人机协作下的效率提升，不是1倍，而是10倍、100倍。

这种模式不仅能避免大规模失业的恐慌，还可能释放前所未有的创造力。

科研、设计、医疗、法律、金融……几乎所有行业都会因此重组。

Julian把这种可能性称为 「更安全、更有益的道路」：让AI成为超强工具，而不是对手。

这幅未来图景令人震撼：或许在不远的2026或2027，你不是被AI取代，而是带着一支「AI 团队」去上班。

Julian的提醒，其实很简单：我们正在低估AI。

不是说它完美无缺，而是它的曲线比多数人想象的更快、更陡。

按照当前的趋势，2026或许就是关键转折点——AI可能不再是「实验室的奇观」，而是走进每一个普通行业，真正改写经济的底层逻辑。

这不是危言耸听，而是一个事实：未来两三年内，我们都将直面一个被低估的临界点。

而当那一刻到来时，每个人都要回答同一个问题：你会抵抗、观望，还是率先和你的AI团队并肩上岗？

参考资料： 

https://x.com/polynoamial/status/1972167347088904371 

https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/