“机器永远做不到这件事”——然后它就做到了

有一种模式,我怎么也忘不掉。一个聪明、受人尊敬的人看着一项技术,满怀信心地说”这永远不会发生”——几年后,那件事恰恰成了日常。

1997年,普林斯顿高等研究院的皮特·胡特(Piet Hut)在《纽约时报》上谈到围棋这项棋类游戏时说:“It may be a hundred years before a computer beats humans at Go — maybe even longer.” 2016年3月,AlphaGo以4比1击败了世界顶级棋手李世石(Lee Sedol)。不是一百年后,是十九年后。

道格拉斯·霍夫施塔特(Douglas Hofstadter)是认知科学领域最杰出的头脑之一,他在2018年为《大西洋月刊》(Atlantic)撰写了一篇题为”The Shallowness of Google Translate”的文章。他在文中赞同地引用了这句话:“No reasonable person thinks that a machine translation can ever achieve elegance and style.” 到了2023年,在一次于6月发表的对话中,同一个霍夫施塔特却这样说:“I don’t think it’s interesting. I think it’s terrifying. I hate it. I think about it practically all the time, every single day.” 还有:“It’s a very traumatic experience when some of your most core beliefs about the world start collapsing.”

如果这听起来耳熟,也许你是从别的地方知道的。2017年,杰米·戴蒙(Jamie Dimon)在巴克莱的一场会议上称比特币是骗局:“It’s worse than tulip bulbs. It won’t end well. Someone is going to get killed.” 2018年1月,他为这番话表示后悔。沃伦·巴菲特(Warren Buffett)在2018年伯克希尔股东大会上称比特币”probably rat poison squared”,查理·芒格(Charlie Munger)则称加密货币交易”just dementia”。保罗·克鲁格曼(Paul Krugman)在1998年写道,到2005年就会证明互联网对经济的影响”no greater than the fax machine’s”——理由之一是:“most people have nothing to say to each other!”

我写这些不是为了显得比这些人更聪明。我并不比他们聪明。我写下这些,是因为同样的模式正在重新上演,而这一次,我们可以亲眼看着它发生。这就是我记录下的时间线。它被有意设计成会持续生长下去。

之前是什么样子(好让这次飞跃更有感觉)

在2022年11月ChatGPT问世之前,“会写文字的AI”还只是圈内人才懂的东西。

GPT-3,这背后的模型,于2020年5月28日以预印本形式发布(“Language Models are Few-Shot Learners”),API公测则在2020年6月11日启动。1750亿参数——但上下文窗口只有区区2048个token,也就是几段文字的量,它的”记忆”就这么多。训练成本估计为460万美元;如果用单张GPU来算,理论上要花大约355年。

而且你没法说进就进。GPT-3排在等候名单后面。直到2021年11月18日——一年半之后——OpenAI才取消了等候名单,将API向所有人开放。

那个时期最著名的一篇文本,很能说明当时的真实水平。2020年9月8日,《卫报》(Guardian)刊登了一篇由GPT-3撰写的评论文章:“A robot wrote this entire article. Are you scared yet, human?” 文章开头写道:“I am not a human. I am Artificial Intelligence.”,其中还有一句”I have no desire to wipe out humans.”。听起来很唬人——直到你读了小字部分。GPT-3实际上生成了八次尝试(由一名伯克利学生喂给它提示),编辑部再从中剪辑出最好的部分拼接而成。所以所谓”entirely written by AI”,只能说是,往宽了算的说法。

专业圈子则相应地保持冷静。2020年8月22日,加里·马库斯(Gary Marcus)与欧内斯特·戴维斯(Ernest Davis)在《麻省理工科技评论》(MIT Technology Review)上发表文章,标题是:“GPT-3, Bloviator: OpenAI’s language generator has no idea what it’s talking about.”。在一组刻意不成体系的测试中——作者明确表示这不是一个基准测试——GPT-3在日常推理上大约一半明显答对,一半明显答错。2021年3月,艾米莉·本德(Emily Bender)与同事们在FAccT会议上提出了那个后来广为流传的说法:“随机鹦鹉”——只会照搬词语模式、什么都不理解的机器。两年后,2022年3月,马库斯的评价是:“For all its fluency, GPT-3 can neither integrate information from basic web searches nor reason about the most basic everyday phenomena.”

那图像呢?2021年1月5日,OpenAI展示了DALL·E——一个拥有120亿参数、脱胎于GPT-3的模型,能根据文字画出图像。分辨率很低,画面也常常跑偏。是个新奇玩意儿,还算不上工具。

记住这幅画面:等候名单、鹦鹉、精心剪辑的文本、像素化的小猫。这就是三年半前的真实水平。

时间线

从这里开始,内容会变得密集。我按日期列出关键发布——并且分别说明,它们各自第一次让什么变成了实际可能。这份清单会持续增长,一有新东西我就补上。

2020年5月/6月 —— GPT-3以预印本和API公测形式发布。在OpenAI自己的测试中,评审者正确识别出机器撰写的短文的比例只有52%——几乎和抛硬币差不多。首次: 段落长度的文字读起来像是人写的。

2021年1月 —— DALL·E 1。首次: 从任意文本生成图像——但粗糙且尺寸小。

2022年6月21日 —— GitHub Copilot正式全面开放,每月10美元。首次: 一款能在编程时跟着一起打字的AI,每个开发者都负担得起。

2022年7月/8月 —— 图像领域的突破接连而至:DALL·E 2(4月6日公布,7月20日公测)、Midjourney(7月12日开放公测)、Stable Diffusion(8月22日,开源,可在消费级硬件上本地运行)。首次: 照片级真实、可自由组合的图像——而且用Stable Diffusion可以在自己的电脑上运行,不需要云端。

2022年8月底/9月初 —— 杰森·艾伦(Jason Allen)用Midjourney创作的作品《Théâtre D’opéra Spatial》在科罗拉多州博览会上获得第一名(数字修饰摄影类,奖金300美元)。评委当时并不知道这是AI作品。公众争论在9月爆发。

2022年11月30日 —— ChatGPT以基于GPT-3.5的免费预览版形式发布。五天内用户突破一百万,两个月后月活跃用户约达一亿。首次: 这只”鹦鹉”有了一扇对话窗口——全世界都可以走进去。

2023年3月14日 —— GPT-4发布,具备多模态能力(也能理解图像),上下文长度从2048提升到最多32000个token。同月,Runway的Gen-2上线,是最早一批可用的文本转视频公测产品之一。首次: AI能”看懂”上传的图片——以及第一批由文字生成的动态画面。

2023年10月 —— DALL·E 3直接集成进ChatGPT。首次: 生成的图像真正符合你输入的内容,连可读的文字都能画对。

2024年2月15日 —— OpenAI宣布推出Sora:仅凭一句提示词就能生成长达60秒、高度逼真的1080p视频。首次: 乍看之下会让人误以为是真实拍摄的视频。

2024年3月12日 —— Cognition展示了Devin,号称”第一位AI软件工程师”,拥有自己的终端、编辑器和浏览器。首次: AI能独立从头到尾完成一项编程任务。

2024年3月/4月 —— Suno V3(3月21日,可生成时长最多四分钟、带人声的完整歌曲,也有免费版)与Udio(4月10日,公开测试版)。首次: 一句话就能生成一首带人声的完整歌曲。

2024年5月13日 —— GPT-4o发布,一个集文本、音频、图像于一体的”全能”模型。首次: 能与机器实时流畅对话。

2025年2月24日 —— Claude Code以研究预览版形式发布,2025年5月全面开放。首次: 编程变成了终端里的对话——对我自己也是如此,这个网站就是这样做出来的。

2025年3月25日 —— OpenAI将图像生成原生集成进GPT-4o。爆火的”吉卜力风格”热潮一度冲垮了服务,以至于免费版不得不推迟上线。首次: 在对话中直接修改图片——说一句”让天空更暖一点”,它就真的做到了。

2025年5月20日 —— 谷歌发布Veo 3:首次实现声音与画面同步生成——对话、音效、口型同步。Veo 3.1于2025年10月中旬跟进。首次: 视频不仅看起来对,听起来也对。

2025年8月7日 —— GPT-5发布,OpenAI将其描述为”揣在口袋里的一整支博士级专家团队”。

2025年9月30日 —— Sora 2:同步声音、更好的物理效果、“客串(Cameo)“功能——还配备了一个TikTok式的独立应用。首次: AI视频成为一种社交媒体形态,而不只是实验室演示。

把这五年的历程一口气读下来,2020年那只”鹦鹉”简直像是上个世纪的产物。

几乎没人注意到的事

每个人都在谈论ChatGPT。但谈论下面这些的人太少了——而这也许才是这个故事更重要的部分。

2020年11月,AlphaFold 2在CASP14竞赛中以约92分的GDT_TS中位数得分获胜,解决了一个生物学领域五十年都没能攻克的问题:从氨基酸序列预测蛋白质的三维折叠结构。这可不是闹着玩的。蛋白质折叠是理解疾病如何运作、药物如何结合靶点的基础。AlphaFold数据库从2022年起收录了超过2亿个结构,到2024年超过2.14亿个,被来自190个国家的两百多万名研究者使用。2024年5月8日,AlphaFold 3发布,还能预测蛋白质、DNA、RNA与药物分子组成的复合物结构。

认可也来到了最高层面:2024年诺贝尔化学奖一半授予戴维·贝克(David Baker),表彰其在计算机蛋白质设计上的贡献;另一半共同授予戴米斯·哈萨比斯(Demis Hassabis)和约翰·江珀(John Jumper),表彰他们在蛋白质结构预测上的成就。一套AI系统,站在了诺贝尔化学奖的中心。

而且这不止于蛋白质:

  • 医学: Rentosertib,一款由AI发现的针对肺病IPF(特发性肺纤维化)的药物,在一项涵盖71名患者、22个中心的IIa期研究中,显示出十二周后随剂量提升而改善的肺功能——该研究于2025年6月3日发表在《自然·医学》(Nature Medicine)上。2023年,一个深度学习模型(麦克马斯特大学与麻省理工学院合作)从大约7500个筛选分子中,识别出了针对一种危险院内病原体的药物abaucin。
  • 材料: DeepMind的GNoME在2023年底预测了220万种新晶体的稳定性。同一天,伯克利的A-Lab展示了一台配备机器学习的机器人如何在17天内合成出新的无机材料。(说句公道话:这两项工作后来都受到了批评——许多人认为GNoME真正”全新”结构的数量被夸大了,A-Lab那项研究也让《自然》(Nature)不得不发布一份更正。突破是真的,但成绩单存在争议。)
  • 天气: GraphCast能在单台电脑上不到一分钟内预测出未来十天的天气——在1380项被检验的指标中,超过90%的准确度都优于欧洲中期天气预报中心(ECMWF)那套成熟的模型。GenCast在2024年底跟进,进一步提升了气旋路径的预测精度。
  • 纯数学: AlphaProof与AlphaGeometry 2在2024年国际数学奥林匹克竞赛中解出了六道题里的四道,得到42分中的28分——达到银牌水平,只差一分就是金牌。其中一道被解出的题目,在六百多名人类参赛者中,只有五人完全解开。而FunSearch在2023年底为一个悬而未决的数学问题找到了一个可证明的全新解——这是语言模型第一次真正贡献了可验证的新知识。

那只据说只会鹦鹉学舌的机器,竟然折叠了蛋白质、找到了药物,还做出了几乎没有人能做到的数学。

数字

当我想知道一项技术是否真的靠谱,我会去看钱的流向——还有工作岗位。

据斯坦福大学人工智能研究所(Stanford HAI)统计,全球企业对AI的投资在2024年达到约2520亿美元。2025年这个数字翻了一番,达到5817亿美元。仅私人投资就跃升了127.5%,达到3447亿美元。生成式AI——也就是制作图像、文本和视频的那部分——在2025年增长约200%,达到约1710亿美元,几乎占了全部私人AI投资的一半。美国以2859亿美元的私人投资额领跑,是中国的23倍。

使用率也跟上了:78%的组织在2024年报告使用了AI(前一年是55%);麦肯锡(McKinsey)2025年的数据显示,88%的组织在至少一个业务职能中有规律使用AI。这里有个我特意要指出的问题:只有大约三分之一的企业把AI从试点项目扩展到实际规模,只有少数能拿出可衡量的利润效应。尝试的很多,坚持做完的很少。

那工作呢?这才是痛点所在。国际货币基金组织(IMF)估计,全球约40%的就业岗位暴露在AI影响之下,在发达经济体这个比例约为60%。这些岗位里大约一半可能因此受益,另一半可能失去核心任务。IMF总裁克里斯塔利娜·格奥尔基耶娃(Kristalina Georgieva)是这样总结的:“We are on the brink of a technological revolution that could jumpstart productivity, boost global growth and raise incomes around the world. Yet it could also replace jobs and deepen inequality.”

世界经济论坛(WEF)预计到2030年会新增1.7亿个岗位,同时消失9200万个——净增7800万个。所以并不只是损失。增长最快的是大数据专家(+110%)、金融科技工程师(+95%)、AI/机器学习专家(+85%);萎缩最严重的是文员、收银员这类传统办公室岗位。目前所需核心技能中有39%,到2030年将被认为已经过时。

有一个细节让我感到乐观:Anthropic经济指数(Anthropic Economic Index)在2026年初分析了大约两百万次AI对话。数据显示,增强型使用(augmentation,占52%)——即AI辅助人类完成工作——首次超过了自动化(automation,占45%),也就是AI完全接管任务的情形。更多时候它是助手,而不是替代者。至少目前如此。

那时候 vs. 现在——我自己的算法

现在要说得具体一点了,因为这正是我自己生活的地方。一个AI商店,一个博客——上面的图片总得从某处来。所以我仔细看了看,一场经典的广告摄影拍摄到底需要什么。不是那种刻板印象,而是真实的账目。

先从版权说起,因为大多数人都忽略了这一点。要使用一张图片,除了拍摄费之外还要加上一笔”买断费”(buy-out)——按覆盖范围和使用时长分级收取的附加费,正如各家经纪公司所说的:“longer period, higher buyout”(使用期越长,买断费越高)。授权通常为期一到五年;到期后就不能再使用这张图片了。而且在美国,画面里出现的每一个可辨认的人物都需要一份肖像授权书(model release)——没有它,商业使用就是彻头彻尾的违法行为,不管这个人是不是名人。

再来看片场上的人力。经纪公司要从模特那里抽走15%到20%的佣金,同时还会向委托方再加收一道费用。一场时尚拍摄,哪怕只拍一天,费用也很快就叠加起来:摄影师1000到3500美元(在纽约或洛杉矶常达3000到8000美元以上)、模特500到3000美元、场地300到1500美元、化妆造型400到1200美元、造型师400到1800美元,还要另加每张照片的后期修图费。一场精简制作大约落在2600美元左右,中等规模约为12700美元,高端制作则在25000到100000美元之间——这还只是一天的费用。而拍摄当天,正如一家制作公司干巴巴地指出的那样,是”the smallest part”(最小的一部分):对于一支电视广告来说,前期筹备就占去了40%到50%的时间,一支广告总共需要6到10周,一场campaign则需要8到12周。选角、带许可与保险的场地勘察、2到200人不等的团队、天气应急预案。

有一个例子让人印象深刻:一位名人发型师为两天的拍摄收取了12000美元——这还只是服务本身的费用,不含差旅和经纪公司抽成。只是头发而已。

那今天呢?同样的结果——人物、灯光、场景、氛围——现在只是一句提示词。几秒钟,而不是几周。没有买断费,没有到期的授权合同,也没有天气问题。这个网站和商店就是活生生的例子:你在这里看到的这些图片,放在三年前意味着一场中等规模、五位数投入的制作,还要一个月的筹备时间。这些图片是怎么做出来的,我在AI页面上展示过——AI工具则是背后的那套工具箱。

我说这些不是要否定任何人的手艺。一个好摄影师、一个好造型师——那依然是真本事。我说这些,是因为门槛已经消失了。过去需要预算和人脉才能做到的事,今天只需要一个好点子和一句精准的话。

问题所在

为了不让这篇文章变成一则广告,来说说诚实的部分。政府机构几乎不用这些模型,很多企业也不用——出于数据保护方面的考虑。这并不是愚蠢,而是完全可以理解的。谁把敏感数据输进一个陌生的云端模型,谁就是在交出自己也许根本没有权利交出的控制权。一个政府机关、一家诊所、一家律师事务所,不能就这样把个人数据转手给一个美国供应商。

只不过:对此的回答不该是”干脆不用”,而应该是”该怎么做到”。回想一下2022年8月的Stable Diffusion——它从一开始就能在普通硬件上本地运行,不会有一个字节离开自己的电脑。正是这个方向——让模型运行在自己的电脑上或自己的机房里——才是政府机构和数据敏感型企业在不失去控制权的前提下走通这条路的办法。相关技术每个月都在变得更好、更小巧。谁忽视这一点,谁就只是把问题往后推,而不是真正解决它。

结语

这个模式永远是一样的。先是”这永远不可能”,然后是”好吧,但这不算数”,接着它就成了日常,没有人还记得自己曾经怀疑过它。围棋。翻译。蛋白质折叠。图像、声音、带配音的视频。当然,还有当年的互联网,以及那个据说不过是”老鼠药”的”数字货币”。

我不敢说自己知道这一切会走向何方。没有人知道。但这三年半时间里,有一条经验我愿意大胆写下来:它来得比几乎所有人想象的都要快——也比那些说”永远不会”的聪明人想象的都要快。

所以我会继续更新这份时间线。每当又有一件昨天还被认为不可能的事被打破,我就会加上一条新记录。如果你想跟着一起见证,不妨时不时回来看看——如果你看到了这里没提到的东西,欢迎通过联系页面告诉我。这份清单还没有写完。它才刚刚开始。