AI進步真實嗎？四個獨立指標證實了它

近年來，關於AI進步是否真實的爭論從未停歇。許多基準測試很快就被“飽和”，讓人懷疑模型是否只是學會了應試技巧。然而，通過分析四個獨立且長期持續的衡量指標，我們發現了一個明確且一致的信號：AI的能力在2025年底出現了質的飛躍。

首先，METR（衡量AI完成軟件工程任務的時間跨度）顯示，2024年3月Claude 3 Opus只能完成4分鐘的任務，而到2026年2月，Claude Opus 4.6已能處理超過12小時的複雜工程任務。其次，TrackingAI的離線認知測試由於不公開，有效避免了訓練數據污染。該測試通過IQ分數換算成“擊敗AI所需的人類數量”，2024年3月超過90%的人類優於AI，但到2026年6月，只有1/44的人類能超越AI。第三，人類最後考試（HLE）涉及博士級多學科問題，從2025年5月的2.7%正確率躍升至2026年6月的53%，背後的計算量增加了200倍。第四，ARC-AGI-2測試流體推理而非知識記憶，在長達15個月的停滯（GPT-4o和GPT-5均為9%左右）後，2025年11月Gemini 3 Pro達到31%，Claude Opus 4.5達到38%，GPT-5.2在12月達到53%。

這些指標獨立測量了不同類型的智能——任務執行、流體推理、認知水平和專家知識——卻在同一時間窗口（2025年第四季度）同時拐點向上，構成了AI領域的“曲棍球棒曲線”。

背後的驅動力來自四個相互促進的機制。第一，預訓練效率提升：Epoch AI估算，達到同等能力所需的計算量每8個月減半，混合專家模型（如DeepSeek V3）大幅降低了浪費。第二，基於可驗證獎勵的強化學習：通過程序生成的數學和代碼問題提供無限訓練數據，DeepSeek R1在2025年1月展示了這種方法的威力。第三，工程化工具鏈（Harness Engineering）：無需修改模型本身，僅改進系統提示、工具調用和驗證循環就能顯著提升效果，例如LangChain團隊將固定模型GPT-5.2-Codex在Terminal Bench上的得分從52%提升到66%。第四，自我改進飛輪：Anthropic報告稱，到2026年5月，其超過80%的合併代碼由Claude生成，AI在開放性工程任務中的成功率從26%飆升至76%。

但進步並非沒有阻礙。數據牆：高質量人類文本預計在6年內耗盡，合成數據和強化學習是替代方案但尚未完全解決。可靠性差距：METR的80%成功率時間跨度遠低於50%的指標，模型“有時成功”與“可靠成功”之間仍有鴻溝。ARC-AGI-3：2026年3月發佈的新測試要求交互式推理，所有前沿模型得分目前低於1%。

綜上所述，AI進步是真實的，並已通過多個獨立指標和可解釋的機制得到確認。然而，未來的路既可能繼續加速，也可能遇到平台期。正如作者所言，這將是令人着迷的觀察之旅。