人工智能的發展不是線性的，而是指數式的。指數式發展的特點是越往后越突破你的想象。本文是對最近AI領域發展情況的一次盤點，文章來自編譯。

過去的一個月徹底改變了人工智能的現狀，而最近一周，這個變化的速度更是顯著加快。AI 實驗室推出了一系列新產品——部分具有革命性，部分屬于漸進式改進——讓人難以跟上節奏。我相信，這些變化當中有幾項屬于真正突破，它們將重塑人工智能的未來，也許也包括我們的未來。以下是當前的最新情況：

聰明的AI現已無處不在

去年年底，唯一公開可用的GPT-4/Gen2級別模型是GPT-4。但現如今，這類模型已經多達六到十個，其中部分模型甚至開放權重，任何人都可以免費使用或修改。美國這邊有OpenAI的GPT-4o、Anthropic的Claude Sonnet 3.5、Google的Gemini 1.5、Meta的開源模型Llama 3.2、Elon Musk的Grok 2以及亞馬遜的新Nova。中國也推出了三種似乎達到GPT-4級別的多語言開源模型，阿里巴巴的Qwen、R1的DeepSeek以及01.ai的Yi。歐洲的唯一玩家是法國的Mistral。各種名字的大模型背后傳遞的信息是，構建高性能人工智能并不需要OpenAI獨有的“魔法配方”，而是需要計算機科學人才以及訓練模型所需的芯片和算力。

實際上，GPT-4級別的人工智能發布時曾令人震驚，引發了對未來的廣泛焦慮，但如今它已經可以運行在我的家用電腦上。Meta本月發布的最新小型模型Llama 3.3就具備了類似的性能，并且可以完全離線運行在我的游戲PC上。而微軟的新型微型Phi 4同樣達到了GPT-4級，且幾乎在手機上就可運行，而其稍弱的前身Phi 3.5已經完全可以在手機上運行。可以說，這種“一定程度的智能”已經觸手可及。

正如我之前討論過那樣，這些無處不在的人工智能現在開始支持智能體了。這些智能體可是能夠追求自己目標的自治AI。之前我曾用早期智能體做過比價以及建筑工地的監控，你能看出這意味著什么。

非常智能的AI已經到來

這意味著，如果GPT-4級別的表現就是AI所能達到的最高水平的話，就已經足以讓我們用五到十年時間的持續改變才能適應它們的能力。但目前并沒有跡象表明AI的發展準備要踩剎車了。我們知道這一點，是因為過去一個月還有兩項重要發布——Gen3模型的初次亮相（可看作GPT-5級的模型）以及o1模型的發布。這些模型能夠在回答之前先“思考”，從而令其推理能力遠超其他大語言模型。目前Gen3還處在早期階段，因此本文只想重點談談o1。

我在o1-preview版本發布時曾經提到過，但后續推出更復雜的o1和o1-pro極大地提高了該模型的能力。這些模型在回答問題之前會花時間在背后“思考”——模仿人類的邏輯問題解決過程。這種方法被叫做測試時計算（test time compute），事實證明這是提升模型問題解決能力的關鍵。實際上，這些模型現在足夠聰明，可以在許多領域的研究做出有意義的貢獻，無論是大規模的還是小規模的。

舉個有趣的例子，我讀到一篇談最近社交媒體恐慌的文章——一篇學術論文聲稱，黑色塑料餐具可能會令人中毒，因為這些東西部分是由回收電子垃圾制成。該文章提出，一種名為BDE-209的化合物可能會用極高的速度從這些餐具浸出，接近美國環保署規定的安全劑量臨界值。許多人因此扔掉了自己的鍋鏟，但麥吉爾大學的Joe Schwarcz認為這個結論不合理，并發現了論文第七頁的一個數學錯誤：作者將BDE-209的劑量錯誤地乘以了10倍——但論文作者以及同行評審都沒注意到這個。我很好奇o1能否發現這個錯誤。于是，我用手機將PDF文本粘貼進去，然后鍵入：“仔細檢查這篇論文里面的數學計算。”輸入就只有這些，o1一下子就發現了這個錯誤（其他AI模型并沒有發現）。

當模型不僅能夠處理整篇學術論文，還能夠理解“數學檢查”這一任務的上下文，并且成功檢查出問題時，這已經從根本上改變了AI的能力。實際上，我的實驗以及其他人所做的類似嘗試已經讓人擬定了一項研究計劃，試圖了解o1發現科學文獻存在錯誤的頻率。目前我們還不知道o1能以多高的頻率完成這樣的壯舉，但顯然這值得進一步探索，因為這標志著能力邁向新的前沿。

即便是o1的早期版本preview model，也似乎代表了科學能力的一次飛躍。一篇由哈佛大學、斯坦福大學以及其他研究機構的研究人員撰寫的醫學工作論文就震撼了學界。論文得出結論：“o1-preview在鑒別診斷、診斷性臨床推理和管理推理方面表現出了超人能力，在多個領域優于上一代的模型以及人類醫生。”雖然這篇論文尚未經過同行評審，并不意味AI可以取代醫生，但這個發現與上述結果共同表明，在不久的將來，不拿AI作為第二意見可能會是一種錯誤。

可能更重要的是，有越來越多的研究人員告訴我，o1，尤其是 o1-pro，正在生成新穎想法，解決其所在領域那些意想不到的問題。問題是，現在只有專家才能評估人工智能是錯還是對。比方說，我非常聰明的沃頓商學院同事 Daniel Rock 讓我向 o1-pro發起挑戰：“讓它用文獻里面沒有的證明來證明神經網絡的通用函數逼近定理，要求不能 1）假設層無限寬以及2）超過 2 層。”

這種說法對嗎？我不知道。這已經超出了我的專業范疇。丹尼爾等專家乍一看也無法判斷它是否正確，但覺得這件事情足夠有趣，值得研究。事實證明，該證明是有錯誤的（盡管與 o1-pro 進行更多交互可能會修復這些錯誤）。但這樣的結果還是提供了一些激發進一步思考的新方法。正如丹尼爾指出那樣，研究人員使用 o1 時不需要它做到正確才有用：“要求 o1 用創造性的方式完成證明其實是要求它成為研究同事了。這個模型不必做到證明正確才有用，它只需幫助我們成為更好的研究人員就行了。”

我們現在擁有的人工智能似乎能解決非常困難的博士級問題，或者至少可以作為研究人員的協同智能來有效解決這些問題了。當然，問題是，除非你自己是某個領域的博士，否則你其實并不知道這些答案正確與否，這給人工智能評估帶來了一系列新挑戰。需要進一步測試才能了解它能有多大用處，以及在哪些領域有用，但人工智能的這一新前沿能力仍值得關注。