生物形成能力
神经系统支持感知与行动；演化产生多种适应方式。不能用脑体积或神经元数量给所有智能排一个总名次。
“五亿年前第一次出现”的精确界线，本次未核实。
01
把“智力”变成可检验的问题
与其先争论机器是否“真正理解”，不如先明确：它在什么环境中，能以多高可靠性，完成哪个目标？
Legg 与 Hutter 的研究把智力与跨环境实现目标的能力联系起来。这是一种有用的操作框架，不是唯一被接受的定义。它要求我们同时看任务范围与表现，不能用一项高分替代对全部能力的判断。[S1]
- 知识
- 能保存、检索或表达的信息。知道一条规则，不代表能在新情境正确使用它。
- 智力 / 能力
- 在任务和环境中实现目标的表现。应说明测试范围、条件、错误与迁移能力。
- AI 系统
- 模型与数据、工具、工作流程、运行资源的组合。不同系统具有不同能力，不能都归结为一种语言模型。
- 意识
- 是否有主观体验。考试和预测成绩本身不能回答这个问题；本报告不作定论。
对核心主张的处理：保留“AI正在扩大可调用认知能力”的洞见；改写“解决几乎所有问题”“复制完整专家”“所有能力都由预测下一词产生”等绝对化表达。目标、资源、组织与责任仍会影响结果。
四个问题分别回答：任务能力看限定输入下能否完成；迁移能力看陌生情境中是否保持表现；系统能力看记忆、工具、权限和反馈共同支持什么；意识问题不由这些任务成绩直接裁决。它们不应混成一个总分。
02
三次跃迁，作为叙事来读
这条主线适合解释变化，但不是学界公认的三阶段历史分期。
社会传递能力
语言、文字、教育和组织，让知识与部分实践能力得以跨人、跨代传递。文字并非只储存答案，也支持协作与训练。[S10]
早期文字：公元前四千纪后期的美索不达米亚记录。
机器扩展能力
模型参数可复制，认知任务可由软件执行。当前的重要变化是覆盖面与调用规模扩大，不能把此前的计算与 AI 研究排除在历史之外。
推断：能力的复制成本降低，结果的验收仍有成本。
神经元约860亿与大脑约20W可用作数量级说明；前者不是每个人的精确计数，后者不是纯计算功耗。它们不能直接证明“大脑是宇宙最强”或与芯片的能效排名。[S11] [S12]
03
“预测”连接了故事，也遮住了差别
相同的词，不代表相同的机制。大脑预测加工是理论；下一个 token 预测是常见训练目标。
目标导向系统的概念循环
- 感知得到输入
- 建模组织表示
- 预测估计后果
- 行动改变环境
- 反馈核对结果，回到感知
这是教学示意。一次聊天不一定有行动权限、外部反馈或持久学习；对话记录、检索资料和更新规则，也不等于训练时更新模型参数。[S2] [S3]
预训练
语言模型从大量样本学习预测文本片段。优化的是统计目标，学到的表示可以支持多种任务，但不保证事实正确。[S3]
推理与工具
回答时的搜索、并行尝试、验证和工具调用，会改变最终结果与费用。IMO 成绩就涉及额外训练及推理方法。[S6]
专门模型
AlphaFold 用于蛋白质结构预测，不能作为“只读文字、猜下一个词就能完成所有科学任务”的证据。[S7]
“规模越大越聪明”的反例：Chinchilla 以700亿参数、更多训练数据，在研究中的多项任务上超过2800亿参数的 Gopher。真正需要协调的是数据、参数、计算预算与任务，而非只看参数大小。[S5]
04
把叙事拆成 22 条论断
“可核实”只指明确事实核心有来源；每条仍保留原稿省略的条件。处理结论、证据状态和论断性质分开显示，类别不代表正确概率。
显示全部22条。可核实1条，需限定12条，观点 / 推断6条，证据不足3条。
当前组合没有论断。请选择其他性质，或恢复全部论断。
需限定01 · 保留并改写
“AI，就是智力。”
论断性质：概念 / 定义 · 证据状态：有可追溯来源，支持本页限定表述
AI 系统可表现出多种认知能力；具体广度、可靠性和适应能力要分别测试。AI 是技术与系统的类别，智力是能力概念，不能简单画等号。
观点 / 推断02 · 重写绝对化结论
“智力能解决世界上几乎所有的问题。”
论断性质：机制 / 因果 / 规律 · 证据状态：未直接验证；属本报告分析
智力能帮助发现方案，但目标冲突、资源、制度、协作和实施能力也会限制结果。“几乎所有”没有可检验范围。
依据：分析判断；没有可核验的通用比例。
需限定03 · 保留定义并注明来源
“智力，就是在各种不同的环境里，实现目标的能力。”
论断性质：概念 / 定义 · 证据状态：有可追溯来源，支持本页限定表述
接近 Legg 与 Hutter 的目标导向定义；它不是心理学、神经科学的唯一定义，也不直接证明某个模型有通用智能。
依据：[S1]
需限定04 · 改为理论框架
“大脑本质上就是一台预测机器。”
论断性质：机制 / 因果 / 规律 · 证据状态：有可追溯来源，支持本页限定表述
预测加工是有影响的认知理论，原论文也讨论证据与方法挑战；不能据此认定大脑与语言模型机制相同。
依据：[S2]
证据不足05 · 不保留精确年代
“五亿多年前，出现最早的神经系统。”
论断性质：事实 / 数据 / 自述 · 证据状态：原始证据不足
演化起源难以精确到一个时间点；本次没有取得足以支持“最早”的直接证据。时间线只保留“生物演化”的阶段。
依据：待补古生物与比较神经科学原始证据。
需限定06 · 保留数量级
“人类有八百六十亿个神经元，功耗只有二十瓦。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
约860亿是常见研究估计，不能当作每个人的精确计数；约20W是整体能量量级。原稿“上百万万亿个连接”口径不明，删除该数字。
证据不足07 · 删除最高级断言
“这是已知宇宙中最强大的智力。”
论断性质：概念 / 定义 · 证据状态：原始证据不足
没有统一的跨物种、跨机器和跨任务总排名；宇宙范围的最高级说法不可由现有例子证明。
依据：没有可核验的比较框架。
需限定08 · 保留文明主线
“一个人走了，他的智慧随之消失；知识可以复制，智力不能。”
论断性质：概念 / 定义 · 证据状态：有可追溯来源，支持本页限定表述
文字、教育、工具和组织早已传递知识与部分能力；经验中的隐性部分可能难以完整转移。知识与能力不是绝对隔离的两类东西。
依据：[S10]；后半为概念分析。
需限定09 · 保留约数
“五千多年前，苏美尔人刻下最早的文字。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
美索不达米亚在公元前四千纪后期已有早期文字记录；“最早”的地域、语言归属和发明过程需保留讨论空间。
依据：[S10]
观点 / 推断10 · 改写首次说法
“今天，人类第一次学会了制造智力。”
论断性质：事实 / 数据 / 自述 · 证据状态：未直接验证；属本报告分析
计算机与早期 AI 早已自动化部分认知任务。当前变化更适合描述为：可用认知能力的覆盖范围、调用方式与复制规模扩大。
依据：分析判断；“第一次”不是本报告采纳的历史分期。
需限定11 · 补齐技术阶段
“搭一个模仿大脑的网络，读遍文字，只预测下一个词。”
论断性质：机制 / 因果 / 规律 · 证据状态：有可追溯来源，支持本页限定表述
人工神经网络并非大脑复制品；语言模型预训练常做下一个 token 预测，token 是文本片段。对话能力还涉及后训练，科学模型也有不同目标。
观点 / 推断12 · 拆开因果结论
“预测，逼出了理解。”
论断性质：机制 / 因果 / 规律 · 证据状态：部分有来源；理解概念的区分为本报告分析
预测训练可形成支持复杂任务的表示与能力；“理解”若指可迁移任务表现，可以测试；若指主观体验，现有成绩不能证明。
需限定13 · 保留经验规律
“规模越大，它就越聪明。”
论断性质：机制 / 因果 / 规律 · 证据状态：有可追溯来源，支持本页限定表述
规模定律研究的是特定条件下的损失与资源关系。数据、参数和预算要协调；更多参数不能保证所有任务更可靠。
需限定14 · 写明模拟与日期
“它通过律师资格考试，前百分之十。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
OpenAI 2023 年报告称，GPT-4 在模拟律师考试中约达前10%水平；这不是获发执业资格，也不是现实案件的可靠率。
依据：[S3]
可核实15 · 补齐模型与条件
“它拿到国际数学奥林匹克金牌分数。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
2025 年特定高级版 Gemini Deep Think 在 IMO 题目获35/42分，达到金牌标准。结果评分不等于对系统、流程和底层模型的认证。
依据：[S6]
需限定16 · 拆成两件事
“它预测两亿种蛋白质结构，拿下诺贝尔奖。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
2022 年数据库公布超过两亿条结构预测；2024 年化学奖一半授予 David Baker（计算蛋白质设计），另一半由 Demis Hassabis 与 John Jumper 分享（结构预测）。AlphaFold 是专门系统，预测不等于实验测定，获奖者是研究人员，不是软件。 [S7] [S8]
需限定17 · 改写复制对象
“复制一个专家，只需要复制一份模型。”
论断性质：概念 / 定义 · 证据状态：未直接验证；属本报告分析
可复制的是模型参数及部分能力；数据、工具、经验、工作流程和责任不会自动一并复制。大规模并发还需要计算资源和服务系统。
依据：系统分析；不采用“复制完整专家”的说法。
需限定18 · 历史观察替代预测
“同等水平的AI，每年便宜约十倍。”
论断性质：事实 / 数据 / 自述 · 证据状态：有可追溯来源，支持本页限定表述
AI Index 2025 的一项口径显示，2022-11至2024-10，同等MMLU分数门槛的查询价格从20美元降到0.07美元/百万token，约286倍；不是所有任务的年度定律。
依据：[S9]
观点 / 推断19 · 保留有限类比
“智力正在变成下一种电。”
论断性质：类比 · 证据状态：未直接验证；属本报告分析
两者都可作为被广泛调用的基础能力；但AI输出的正确性、权限和验收条件因任务而异，不能像电量一样用一个指标概括。
依据：类比的适用范围，不是产业结果的证明。
观点 / 推断20 · 改为待验证场景
“孩子拥有私人老师；店主拥有律师、会计；科学家指挥成千助手。”
论断性质：场景预测 · 证据状态：未直接验证；属本报告分析
这些是应用设想。学习要验证独立迁移，专业工作要验证合规与责任，科研要验证可复现结果。助手数量本身不能证明产出。
依据：场景分析；本报告没有开展用户或业务试验。
证据不足21 · 保留为自述
“这支视频的脚本、动效、配乐和剪辑都由AI完成。”
论断性质：事实 / 数据 / 自述 · 证据状态：原始证据不足
没有原视频链接、作者信息、工程文件和制作记录。只能记录为逐字稿中的作者自述，不能独立核验全流程。
依据：用户提供的逐字稿；未获得制作证据。
观点 / 推断22 · 保留建议并补基础
“答案充足后，问题、判断、品味和方向变珍贵。”
论断性质：价值判断 · 证据状态：未直接验证；属本报告分析
这是有用的行动建议，不是已验证的稀缺性定律；判断仍依赖领域知识、目标、反馈和责任，不能推导出基础学习已无必要。
依据：规范性建议；没有收入或职业回报保证。
05
三个里程碑，三种不同的证据
不能把三个系统的成绩合成一个“无所不能的 AI 专家”。原稿没有点名模型，以下采用可核查的公开案例，不认定原作者所指的具体版本。
2023
GPT-4：模拟考试约前10%
OpenAI 报告的是模拟律师考试表现，不是执照，也不是现实法律服务的准确率。它同时公开模型仍有幻觉与推理错误。这个例子说明特定测试能力，不直接证明专业交付能力。[S3]
35 / 42
IMO 2025：达到金牌标准
Google DeepMind 的特定高级版 Gemini Deep Think 完整解决6题中的5题，得到35分。报告披露额外训练及并行思考等方法。IMO 对提交答案评分，未认证系统、流程和底层模型。[S6]
2亿+
结构预测与诺奖，分开理解
EMBL-EBI 与 DeepMind 在2022年公布超过两亿条蛋白质结构预测。2024年化学奖一半授予 David Baker 的计算蛋白质设计，另一半由 Demis Hassabis 与 John Jumper 分享，表彰结构预测工作。[S7] [S8]
预测结构不是逐个实验测定，也不等于直接得到药物疗效。这里展示的是专门科学系统的贡献。
06
调用更便宜，成果还要算总账
价格下降是重要事实。把下降速度当作未来定律，会误判投入。
同一分数门槛的历史价格比较
Stanford AI Index 2025 按 MMLU 64.8 的能力门槛比较查询价格。MMLU 是多学科选择题基准；同分不保证各项真实任务同等能力。这里比较不同时间的服务价格，不是同一模型的生产成本。[S9] 本次未核到输入/输出、缓存与批处理的完整价格分项，也未核到延迟及可靠性一致性；只转述该报告的统一查询价格口径，不把它作为当前采购报价。
口径提示：来源列出2022年11月至2024年10月，同时写“约18个月”。按明确月份相减应为23个月，本页采用23个月，不外推年度降价率。它不能证明“任何AI都每年便宜十倍”。
情景计算：每份合格成果要多少钱？
以下默认值均为演示假设，不是市场数据。只有人工与 AI 达到相同验收标准，比较才有意义。
纯人工 / 份¥100.00
AI辅助 / 份¥63.67
每月成本差节省 ¥1,090.00
在相同验收标准下，演示参数的返工比例临界值约为92.7%；低于未四舍五入的计算临界值时，AI辅助的模型内成本较低。
成本比较只用于筛选试验；先核查验收率，再判断是否采用。
人工/份 = 人工分钟 × 时薪 ÷ 60
AI辅助/份 = (生成分钟 + 复核分钟 + 返工比例 × 受影响任务平均返工总分钟) × 时薪 ÷ 60 + 调用费 + 月固定成本 ÷ 每月完成份数
07
你决定目标，也要验证结果
“好问题、判断、品味、方向”应转成能检查的工作，不停在鼓舞人的词上。
问题
明确给谁交付什么、约束是什么、怎样才算通过。比较候选方案前，先写验收标准。
判断
用领域知识核对证据、找反例、识别不知道的部分。AI 也能辅助判断，人仍需安排独立验证。
品味
把“喜欢”转成受众能感知的差异，例如论证清楚、重点明确、使用方便。用实际反馈修订标准。
方向
选择值得解决的问题，确认使用者、使用频率与结果价值。模型的高分和低价不能代替需求证据。
建议：先选一个可逆、低后果的重复任务，例如整理公开材料或形成文稿初稿。先验证准确性与总时间，再扩大自动化。不要用这类小试验直接推断儿童学习效果、专业执业资格或客户续费。
| 阶段 | 动作 | 证据 |
|---|---|---|
| 第1天 | 选一种任务，准备同难度的人工组与AI辅助组，先写相同验收规则。 | 任务材料、判定规则、失败与停止条件。 |
| 第2–4天 | 各做5份，记录生成、复核、返工与费用；交替安排，降低熟练度顺序影响。 | 每份原始用时与是否合格，保留失败样本。 |
| 第5天 | 用统一标准检查，尽量隐去生产方式；加入未见过的同类任务。 | 事实错误、遗漏、迁移表现与总成本。 |
| 第6–7天 | 核对是否满足预设标准，再决定保留、缩小范围或停用。 | 例：零严重事实错误、合格率不下降、总时间下降≥20%。阈值是建议，须事前确定。 |
08
保留力量，补上准确性
可替换原稿结尾的口播版本 · 约1–2分钟，按实际语速调整。
如果有一种能力，可以帮我们发现规律、设计工具、解决问题，我会选智力。
今天，AI让越来越多认知任务能够由软件完成。语言模型从预测文本中学习，再经过后训练、推理和工具配合，形成可调用的能力。专门的科学模型，也在扩展研究方法。
我们已经看见重要成果：模拟考试中的高分、数学难题的解答，以及大规模蛋白质结构预测。但它们来自不同系统、不同条件。高分不等于执业资格，结构预测不等于实验结果，复制模型也不等于复制完整专家。
当调用成本下降，人的任务也会变化。我们需要明确目标，提供可靠资料，检查结果，并对实际使用负责。
AI正在扩大我们能做的事。先选一个真实任务，定好标准，记录成本，验证效果。你打算用它完成什么，又怎样知道它真的完成了？
原稿的传播结构：为什么容易让人接受？
研究写作需要补上原稿为流畅而省略的条件：不同系统、不同年代、不同能力口径。例子可以支持部分能力进步，不能自动证明全部机制相同或未来结果必然发生。
本报告保留、重写与暂不采用的内容
保留：认知能力可由机器执行、知识积累的重要性、目标与验收的价值。重写：首次制造智力、单一预测机制、复制专家、固定年度降价。暂不采用：宇宙最高级、神经系统精确起点、含混的连接总数、视频全AI制作的独立认证。