AI 进步真的在变慢吗？盘点 AI 能力是否触顶的正反证据

步步糕升

摘要：很多人感觉 AI “爆发式惊喜变少”，新模型仅有小幅提升。是人工智能增长已经触碰到天花板，还是技术正在换赛道发展？本文梳理正反两方论据，跳出跑分误区，从落地应用、成本、推理范式变化，客观解读当下 AI 真实发展现状。

不知道你有没有这样的感受：AI 好像没有前两年那么震撼了。
前两年几乎每周都能看到颠覆性的 AI 消息，让人直呼惊叹；而如今新大模型轮番发布，看完测评却发现，仅仅是小幅变强，进步幅度有限。
于是争议随之而来：AI 的发展真的走到尽头了吗？还是我们被表象误导？

一、AI 触顶论：暴力堆规模，已经迎来边际递减

“AI 增长触顶” 这一派的论据，有很强现实依据。
从 GPT‑3 到 GPT‑4，是跨越式的质变，能力差距如同小学生对比研究生。但在此之后，后续迭代的旗舰模型，虽然基准跑分依旧上涨，但涨幅持续缩水。企业投入的算力、训练成本成倍增加，换来的却只是百分之几的性能提升，这就是行业常说的边际效益递减。
就像考试提分：从 50 分提升到 80 分相对容易；可从 95 分向 96 分迈进，往往要付出巨大代价。越靠近能力上限，每向前一小步，成本就越昂贵。
互联网高质量公开训练数据逐步消耗，单纯依靠 “堆参数、堆算力、堆数据” 的 “大力出奇迹” 模式，收益越来越低。不少人就此判断：AI 的高速增长时代已经结束，大模型遇见天花板了。
这个逻辑听起来无懈可击，但这只是故事的一半。
二、真相不是停滞，是 AI 正在转弯

我们之所以产生 “AI 变慢” 的错觉，核心原因是评判标准没有更新。
过去大家评判 AI，只盯着各类公开评测榜单分数。当跑分上涨放缓，就判定 AI 发展停滞。但行业竞争的战场，早已悄然切换：不再比拼 “记住多少知识”，转而比拼深度思考、复杂推理、长链条任务处理能力。
你会发现新一代模型处理复杂数学、复杂代码难题时，不再直接秒出答案，而是会停顿，输出一大段思考过程，分步推导再给出结果。这种 “先思考再输出”，就是非常关键的技术突破。通过推理时多步推演，解决了大量过去模型直接答错的逻辑题、复杂代码问题。这不是能力原地踏步，是 AI 能力换了方向成长。
这种改变已经实实在在渗透到职场。不少程序员曾经嘲讽 AI 写代码漏洞百出，只能当作玩具；而现在不少企业已经依靠 AI 工具，把原本三个人的开发工作量压缩至单人即可完成。程序员的工作重心，从 “逐行编写代码” 转向审核、优化、调度 AI 产出。
生活里也处处可见矛盾：嘴上吐槽 AI 不够完美的人，工作中已经离不开 AI 辅助。
除模型本身能力迭代之外，更值得关注的是成本层面的革命。同等能力水平下，当下 AI 调用成本相比去年下降了一个数量级光明网。过去只有头部大厂才能负担的 AI 能力，现在中小企业、个体从业者，都可以低成本使用。
模型跑分的天花板暂时没有被彻底突破，但 AI 应用落地的地板被大幅度抬高。

跑分是给大众看的烟花；成本下降、落地提效，才是产业真正发生的变革。

三、不要被两种极端声音裹挟

当下网络上充斥两类对立的声音，本质上都在制造焦虑：一类鼓吹 AI 即将无所不能，怂恿普通人高价报课，制造 “再不学习就会被彻底淘汰” 恐慌；另一类宣扬 AI 已经发展遇冷，劝大家不必关注、不必接触 AI。
这两种观点都在引导人放弃独立分析，拒绝看真实的数据与落地案例。
结合行业现状，给到两个务实建议：

• 放下跑分竞赛，关注业务实际价值不必执着纠结 “哪一个大模型测评排名第一”。对普通人、企业而言最重要的判断标准：在你所在行业、你的工作场景，它能不能实实在在帮你节省时间、降低成本、提升产出效率。有用，就直接上手尝试。
• 拒绝绝对化预言，坚持数据说话不要相信任何人拍胸脯笃定 “AI 一定会如何”，包括本文观点。判断 AI 价值要看真实案例、实测数据。没有事实支撑的结论，大多只是贩卖焦虑。
  

写在最后

AI 真正值得警惕的风险，并不是技术进步速度太快，而是技术迭代方向已经改变，但很多人认知还停留在旧时代，被别人抢占了实践先机。
变慢的从来不是 AI，而是我们看待 AI 的固有认知。