AI进步真实吗？四个独立指标证实了它

近年来，关于AI进步是否真实的争论从未停歇。许多基准测试很快就被“饱和”，让人怀疑模型是否只是学会了应试技巧。然而，通过分析四个独立且长期持续的衡量指标，我们发现了一个明确且一致的信号：AI的能力在2025年底出现了质的飞跃。

首先，METR（衡量AI完成软件工程任务的时间跨度）显示，2024年3月Claude 3 Opus只能完成4分钟的任务，而到2026年2月，Claude Opus 4.6已能处理超过12小时的复杂工程任务。其次，TrackingAI的离线认知测试由于不公开，有效避免了训练数据污染。该测试通过IQ分数换算成“击败AI所需的人类数量”，2024年3月超过90%的人类优于AI，但到2026年6月，只有1/44的人类能超越AI。第三，人类最后考试（HLE）涉及博士级多学科问题，从2025年5月的2.7%正确率跃升至2026年6月的53%，背后的计算量增加了200倍。第四，ARC-AGI-2测试流体推理而非知识记忆，在长达15个月的停滞（GPT-4o和GPT-5均为9%左右）后，2025年11月Gemini 3 Pro达到31%，Claude Opus 4.5达到38%，GPT-5.2在12月达到53%。

这些指标独立测量了不同类型的智能——任务执行、流体推理、认知水平和专家知识——却在同一时间窗口（2025年第四季度）同时拐点向上，构成了AI领域的“曲棍球棒曲线”。

背后的驱动力来自四个相互促进的机制。第一，预训练效率提升：Epoch AI估算，达到同等能力所需的计算量每8个月减半，混合专家模型（如DeepSeek V3）大幅降低了浪费。第二，基于可验证奖励的强化学习：通过程序生成的数学和代码问题提供无限训练数据，DeepSeek R1在2025年1月展示了这种方法的威力。第三，工程化工具链（Harness Engineering）：无需修改模型本身，仅改进系统提示、工具调用和验证循环就能显著提升效果，例如LangChain团队将固定模型GPT-5.2-Codex在Terminal Bench上的得分从52%提升到66%。第四，自我改进飞轮：Anthropic报告称，到2026年5月，其超过80%的合并代码由Claude生成，AI在开放性工程任务中的成功率从26%飙升至76%。

但进步并非没有阻碍。数据墙：高质量人类文本预计在6年内耗尽，合成数据和强化学习是替代方案但尚未完全解决。可靠性差距：METR的80%成功率时间跨度远低于50%的指标，模型“有时成功”与“可靠成功”之间仍有鸿沟。ARC-AGI-3：2026年3月发布的新测试要求交互式推理，所有前沿模型得分目前低于1%。

综上所述，AI进步是真实的，并已通过多个独立指标和可解释的机制得到确认。然而，未来的路既可能继续加速，也可能遇到平台期。正如作者所言，这将是令人着迷的观察之旅。