AI 能力的形状：锯齿前沿、瓶颈与反向突出部
Ethan Mollick 撰文指出，AI 能力仍呈锯齿状分布，记忆等弱项长期没有明显改善，而系统整体受最差环节制约。他以 Google 的 Nano Banana Pro 为例，说明图像生成质量曾是瓶颈，突破后 NotebookLM 可直接把资料生成整页幻灯片，并认为判断 AI 走向应关注瓶颈而非基准分数。
ser画了两个例子，说明这种AI与人类的重叠可能是什么样子。你可以看到，AI在某些领域确实超越人类，但在其他领域，它要么远低于人类水平，要么根本不重叠。如果这是真的，那么AI将创造与人类互补合作的新机会，因为我们双方都带来了不同的能力。 这些是概念图，但一群科学家最近试图绘制AI能力的形状，发现它正在不均衡地增长，正如锯齿前沿所预测的那样。阅读、数学、常识、推理——这些都是AI正在快速改进的方面。但正如我们所讨论的，记忆是一个弱点，几乎没有改善。更好的提示或更好的模型（GPT-5.2比GPT-5好得多）可能会改变前沿的形状，但锯齿状依然存在。 而且即使少量的锯齿状也可能产生问题，使超级聪明的AI无法自动化一项任务。一个系统的功能只取决于它最差的组件。我们称这些问题为瓶颈。有些瓶颈是因为AI在某些任务上顽固地低于人类水平。LLM视觉系统在读取医学影像方面还不够好，所以它们还不能取代医生；LLM在本应反驳时却过于乐于助人，所以它们还不能取代治疗师；幻觉虽然变得不那么常见，但仍然存在，这意味着它们还不能完成需要100%准确性的任务；等等。如果前沿继续扩大，其中一些问题可能会消失，但弱点并不是
匹配字段正文