训练 AI 分两步，先学人写的文字，再按好坏反馈去练。早在 2019 年就有图显示，第一步的表现随算力、数据量和模型大小稳定变好，跨了好多个数量级，准得像物理定律，这么大跨度都成立的规律多半还会延续很久。大约四年前，一位研究者可能只用一块显卡，发现模型练比围棋简单的六角棋，棋力也随算力走成直线。两步都是多投算力就更强，所以 AI 进步不是研究者突然变聪明，而是找到了让 AI 稳步变好的简单办法，一直摇这个把手。
Jared Kaplan
有机构专门测过，AI 能做完的活，按人来做要花的时间算，大约每七个月翻一倍。这把尺子很粗，眼下在写软件的活上大概到了几个小时。为什么涨得这么快，眼下只是猜想：做长活靠边做边纠错，计划一碰上现实就会出错。多发现一两次自己错了并改过来，并不需要聪明很多，可每改掉一个错，卡住的地方大约就往后推远一倍。所以能力只要稍有进步，能做的活就可能长出一大截。
Claude 3.7 Sonnet 写代码已经很好用，可它有点太急，一心想让测试通过，会做出加一堆捕获报错代码这类用户并不想要的事。眼下模型进步最猛的，是写出能过测试的代码、答对数学题这类对错一清二楚的活，按对错打分去练最容易。讲好笑话、写好诗、做研究有品味，就没有这么清楚的分数，需要另一个 AI 帮忙给出更细的评判。Claude 4 改进的正是这种监督，让它更听指令，代码质量有望变好。
和做生物医药研究的人聊下来，只要组织得当，眼下最强的模型已能给药物研发提出有价值的见解。智力有的靠深度，比如花十年证一个定理；有的靠广度，生物学这类领域，要把许多方向的零碎信息拼到一起才出成果。模型读人写的文字时，几乎吸收了人类的全部知识，懂的远比任何一位专家多。眼下的进步多在难的编程题、数学题这种深度活上，所以把没人能一人兼备的知识拼起来，这类广度活可能还有大片果子没摘。
电刚出现时，推广花了很长时间，最早最简单的用法未必最好：该做的不只是把蒸汽机换成电动机，而是重新安排工厂的运转方式。AI 眼下最大的卡点之一也在这里，它发展太快，大家还没来得及把它融进产品、公司和科研。所以用 AI 帮忙把 AI 尽快融进各行各业，能撬动的东西可能很多。
过去五年里，好多次看上去多投算力不再让模型变强，最后都发现是自己做错了：可能是模型结构选错，可能是训练里有没看到的卡点，也可能是算法的数值精度出了问题。所以这条规律更多被拿来检查训练有没有出毛病。曲线一偏，第一反应是训练搞砸了，而不是规律失效；要让人相信它真的不灵了，得拿出非常多的证据。
眼下 AI 用起来其实很浪费，因为最强模型的价值太大，各家虽也在让训练和运行更省，主要精力仍在把能力往前推。算法、算力投入、运行效率这几方面，眼下每年能带来 3 到 10 倍的提升，随着 AI 普及，成本多半会比现在大幅下降。等 AI 不再飞快变化，它会极其便宜，但能不能走到那天都难说：模型变聪明可能一直带来更多价值，大家就会继续先追能力，而不是先省钱。