伊利亚·苏茨克维是OpenAI的联合创始人、前首席科学家，没人比他更清楚大语言模型是怎么“长”出来的。但在最近一次对谈中，他反而少了些技术乐观，多了些冷静的审视。他与另一位研究者聊到了一个让人有点不安的现象：眼下AI模型在各种考试里分数越来越高，可一到了真实任务——比如帮程序员修个bug——常常犯低级错误，甚至陷入“道歉—引入新bug—再道歉—退回原bug”的死循环。这种“评测评能、干活不行”的反差，让伊利亚确信，单纯堆算力、堆数据的“规模扩展”时代正在结束，AI必须转向真正以研究驱动的阶段。
伊利亚的核心主张很直接：现在模型的考试高分化表不了真实能力，而AI的经济影响力也还没真正爆发，这背后有深层原因。他提到，眼下全球AI投资已占到GDP的1%左右，规模堪比一场技术革命，可普通人生活里几乎感觉不到变化。有人把这叫做“慢起飞”，甚至觉得就算到了技术奇点那一天，大家可能也只是耸耸肩。但伊利亚不同意，他认为这股力量最终会通过经济渠道渗透进每个行业，只是现在还处在非常早期的渗透期，当重塑真的发生时，冲击会非常剧烈。
最能佐证这种“脱节”的，是那个修bug的例子。一款前沿模型能通过高难度编程测试，但当你让它改正一段代码里的错误，它先是很有礼貌地承认问题，然后给出一个看似合理的修复，结果却带进一个新错误；你再指出新错误，它又道歉，并再次给出修复，可仔细一看，恰恰又把代码退回了最初的状态。这就像一个人每次犯错都说“对不起我改”，可改来改去原地打转。伊利亚和对话者给出两种解释：一是模型的微调阶段，比如用人类反馈做强化学习，可能把它的注意力训练得过于聚焦某些维度，却在基本逻辑一致性上变得迟钝；二是预训练时模型“来者不拒”地学遍互联网数据，虽然知识广，但没有形成扎实的认知结构，一到没见过的情境就容易出错。换句话说，现在的模型更像是一个超级模仿者，而非真正具备推理能力。
当然，也有不同看法。一种声音认为，技术扩散本来就有滞后，电力、互联网从发明到改变日常生活也花了几十年，现在AI的经济影响还没显现并不奇怪。也有人觉得，评估基准本身就可能不准，未必代表真实能力；而且人类程序员写bug、改bug又出新bug也很常见，不能因为AI犯了类似错误就否定它。但伊利亚更关注的是这种失败模式背后的失调——如果AI只是靠统计匹配在答题，那它永远学不会稳定地解决新问题，这也意味着用AI撑起一轮经济变革的预期可能落空。
说到底，伊利亚想提醒的是，AI要真正进入“研究时代”，就得从堆规模转向攻克那些让模型不光“知道答案”、还能“清楚自己在做什么”的根本难题。只有当模型能在开放世界里稳定输出，考试里那个漂亮的分数才值得信赖，而经济层面的大戏也才能拉开帷幕。听完这些，你会对眼下各种AI里程碑多一层思考：它们到底是智慧的起点，还只是一面高分的镜子？
