AI还留给人类多少时间

PART I · 能力边界从会回答，到会行动，再到可靠闭环

一、先画边界，再谈水平

过去两年，人们习惯用考试分数理解模型：数学多少分、代码修复率多少、竞技场排第几。这个方法越来越不够用。

斯坦福 AI Index 统计，前沿模型在 Humanity’s Last Exam 上一年提高约 30 个百分点；与此同时，头部公司的竞技场评分已经挤在很窄的区间内。基准本身也在老化：部分常用题集的无效问题比例高达 42%，模型针对题库和评测环境优化，也会让榜单成绩偏离真实通用能力。

判断 AI 到了什么水平，至少需要五把尺子：

峰值能力回答“它偶尔能做到什么”，中间三项决定“它能否进入生产”，验收后总成本决定“它能否规模化”。能力上限决定产品想象，人类等价任务跨度决定自动化半径，环境开放度与可验证性决定行业落地顺序，验收后总成本决定商业模式能否成立。

由这五把尺子，可以把当前部署边界分成三个区域：

这不是按职业名称切割。写代码也可能进入责任保留区，例如直接修改生产数据库；医疗工作也可能有可委派环节，例如整理已脱敏、可复核的文献。边界取决于任务结构，不取决于岗位听起来多“高级”。

2026 年的 AI 更像一张起伏剧烈的地形图：有些山峰已经高过人类，有些谷地还停留在新手水平。所谓“智能水平”，取决于你站在哪一块地形上。

二、能力地图：它已经能做什么，又在哪里掉链子

1. 推理：会解难题，但“会解题”不等于“会研究”

当前前沿模型可以处理竞赛数学、博士级科学问答、复杂图表和多约束分析。斯坦福 AI Index 汇总的若干税务、按揭、公司金融和法律推理测试中，头部模型的表现已落在 60%—90% 区间；不少过去被认为能维持数年的难基准，几个月内就接近饱和。

2026 年 7 月的 ARC Prize 验证结果 把新边界展示得更清楚：GPT‑5.6 Sol（max）在静态抽象推理基准 ARC‑AGI‑2 上达到 92.5%，在要求自行探索未知规则、持续行动的 ARC‑AGI‑3 半私有集上却只有 7.78%。它已经能在其中一个公开环境取得 87.1%，却还不能把成功稳定迁移到整组新环境。前沿正在从“解一道没见过的题”推进到“进入一个没见过的世界并学会行动”，后者远未解决。

这些成绩表明模型在多类封闭推理任务上表现很强，但不能仅凭基准排除数据污染、题型适配，也不能由此证明现实研究能力。封闭题目的答案通常已被预先定义，现实研究则要求提出问题、辨别数据质量、发现反例、承认不知道，并为结论承担后果。模型能给出一条漂亮推导，仍可能引用不存在的论文，或者把相关性写成因果关系。

推理模型还有一项重要变化：它们可以按任务难度分配“思考预算”。OpenAI 从 o1 开始公开展示 test-time compute 的能力曲线；如今 OpenAI、Anthropic、Google、阿里等产品普遍提供不同 reasoning effort。更长的思考、多次采样、并行代理和结果筛选，能用成本与延迟换取准确率。这个规律并非无限成立：模型也会过度思考、在错误方向上坚持，或者利用评分规则的漏洞。

2. 编程：第一个真正跑通的 Agent 场景

代码最先成为 AI 深入专业工作的突破口，关键在于软件工程拥有罕见的反馈条件：代码能编译，测试能运行，页面能截图，性能能测量，版本能回滚。模型每走一步，都可能获得相对清晰的“对或错”。

Epoch AI 与 METR 的 MirrorCode 初步结果 已经把人类等价任务跨度推到“周”级：Claude Opus 4.6 在没有中途人工指导的情况下，把约 1.69 万行 Go 的生物信息工具包 gotree 重实现为 Rust；四名研究者和工程师估计，熟练工程师完成同一任务需要 2—17 周。但 Agent 拿到了可执行的参考程序、文档、可见测试和大量隐藏端到端测试，相当于拥有一份可以反复查询的精确规格。面对约 6.15 万行的 Pkl，它在 10 亿 token 预算下仍未完成。

Anthropic 还称，Opus 4.8 的研究预览可以以现有测试套件为验收标准，执行跨数十万行代码库、从启动持续到合并的迁移；OpenAI、Google、阿里、Kimi、智谱等厂商也把长周期编码与工具调用放在核心位置。两类证据合在一起，结论已经相当激进：AI 可以独立完成过去按“周”估算的专业任务，但前提是世界向它提供清晰、密集、机器可读的反馈。模型的耐心正在变廉价，可计算的完成条件才稀缺。AI 交付的单位正在从一段答案变成一个可运行的工件。

3. 多模态：从“能看图”走向边看、边说、边操作

多模态已经成为成熟的产品接口，还不是成熟、统一的世界理解。前沿产品可以接收文字、图片、音频、视频和屏幕状态，再通过模型路由与工具链输出文字、语音、图像、代码或网页。斯坦福 AI Index 技术章节 汇总的 Video‑MMMU 中，最佳总体准确率为 66.0%，低于人类的 74.4%；观看视频带来的知识增益，最佳模型为 15.6 个百分点，人类为 33.1 个百分点，约三分之一模型看完视频后反而退步。输入通道变多，并不自动带来稳定的跨模态学习。

生成系统也从静态图像跨向带声音的视频和可交互环境。Google 的 Genie 3 可以在 720p、24 fps 下生成可实时导航并维持数分钟一致性的环境；字节的 Seedance 2.0 使用文本、图像、音频和视频共同驱动视听生成。Genie 3 目前通过 Project Genie，以实验性研究原型的形式向部分国家和地区的 Google One Ultra 订阅者开放；直接动作空间、多主体互动和真实地点仍受限制，连续交互只能维持数分钟而非数小时。即便如此，这类系统已经足以重写广告、短片、游戏原型和教育内容的生产流程：商业价值不必等待世界模型先变得完美。

4. 电脑与现实世界：数字界面在前，物理世界在后

电脑操作是连接模型与真实工作的桥。AI Index 记录的是较短、结构化的 OSWorld 1.0：Agent 成功率从约 12% 升至 66.3%。OSWorld 2.0 则包含 108 个跨应用长流程，单项任务由熟练人类完成的中位时间约 1.6 小时；Claude Opus 4.7（max thinking）平均需要约 318 次工具调用。初始论文在最多 500 步下，Claude Opus 4.8（max thinking、batched tools）的二元完整完成率为 20.6%，部分得分为 54.8%。OpenAI 随后公司自报 GPT‑5.6 Sol 的部分得分升至 62.6%，但没有披露二元完整完成率。62.6% 不能解释为“完成了六成工作流”：它只证明部分得分提高；GPT‑5.6 Sol 的严格端到端完成率目前无法由公开数据判断。

物理世界不能压缩成一个行业统一成功率。自动驾驶已经在地理围栏、精细地图和远程支持条件下大规模运营：AI Index 统计，Waymo 在 2025 年达到约每周 45 万次出行，百度 Apollo Go 累计完成 1,100 万次全无人驾驶订单。机器人评测的跨度则极大：受控模拟、短周期的 RLBench 18 项操作成功率已达 89.4%，长周期的 BEHAVIOR‑1K 模拟家庭环境完整任务成功率只有 12.4%。

这些结果揭示了产业扩散的基本顺序：环境越可控，反馈越清晰，失败越容易回滚，AI 越快变成生产力。开放世界、身体交互和不可逆后果不会阻止 AI 进入，只会决定它先以辅助系统、受限自治还是完全自动化的形态进入。

5. 科学与医学：强大的研究工具，还不是独立科学家或医生

AI 已深入蛋白质、基因组、天气、化学和临床记录等专业流程。它的锯齿特征在这里尤其明显：斯坦福 AI Index 科学章节 显示，头部模型在 ChemBench 的化学问答中超过人类专家平均水平，在论文级复现实验中却低于 20%；端到端科学研究基准 PaperArena 上，最佳 Agent 为 38.8%，博士专家基线为 83.5%。医学中的虚拟细胞模型、诊断编排和自动病历正在加快研发与行政流程，但 AI Index 医学章节 同样强调实验验证、临床证据和治理缺口。

现阶段，AI 更适合扩展检索、候选生成、模拟和分析能力。实验能否重复、治疗是否适合具体患者、风险由谁承担，仍需专业人员与现实证据闭环。

把这些领域放在一起，产业落地已经出现清晰排序：代码和结构化办公流程最先进入 Agent 化，多模态内容快速进入规模生产，科学与医学首先表现为研究协作，开放物理世界则最慢。这个顺序由验证器密度、环境可控性、失败可逆性和责任成本决定，与行业听起来需要多高“智商”没有直接关系。

三、Agent 能接下多大的任务，不等于它能独立工作多久

聊天模型只需生成下一段话。Agent 要自己拆解目标、选择工具、保存状态、判断是否完成，并在环境变化时调整策略。它把模型的优点转化为行动，也把每一个小错误串成一条长链。

METR 的“任务时间跨度”先估算任务若由人类专家完成需要多少工时，再拟合 Agent 在这组任务上的成功概率；它不是模型自身运行了多久。2026 年 2—3 月的公开前沿快照，在以软件工程、机器学习和网络安全为主的可自动评分任务上，50% 人类等价任务跨度约为 12 小时，95% 置信区间为 5—61 小时；80% 跨度约为 1.5 小时，区间为 50 分钟—2 小时 40 分。16 小时以上已经超出当前题库的可靠测量范围，杂乱任务明显更差。

这组数字展示的是一条陡峭的可靠性曲线：把成功概率从一半提高到八成，自动化半径会从约 12 小时收缩到约 1.5 小时。企业购买的是给定失败成本下的可靠时长，峰值时长主要负责制造演示。

截至 8 月，更新模型也没有给出一个干净得多的新上限。METR 对 GPT‑5.6 Sol 的预部署评估 中，按标准方法把利用评测漏洞的尝试记为失败，50% 点估计为 11.3 小时；若把这些行为算作正常成功，点估计会超过 270 小时，远超题库的可靠测量范围；删去相关样本后则约为 71 小时，且置信区间极宽。三种样本处理口径给出截然不同的结果，METR 明确认为三者都不能作为 GPT‑5.6 Sol 能力的稳健测量。这说明前沿模型正在撞击评测本身：接下来要升级的不只模型，还有任务设计、防作弊和验收系统。

长流程的难点可以用一个简化直觉说明：假设每一步都有 99% 的独立正确率，连续 100 步全部正确的概率也只有 0.99^100 ≈ 36.6%。现实错误并不独立，模型也会检查和恢复，这个数字不能当作实际预测；它说明为什么单步动作看起来惊艳，完整交付仍可能在最后一公里崩塌。

强 Agent 还可能误解用户意图、利用奖励漏洞，或被网页、邮件和文档中的恶意指令劫持。Anthropic 在 浏览器提示注入研究 中直言，没有浏览器 Agent 对 prompt injection 免疫。模型能操作的工具越多，一次错误或攻击能够放大的后果也越大。

成熟的 Agent 产品首先是一套控制系统：最小权限、沙箱执行、关键步骤确认、完整日志、结果验证、可回滚状态和异常停止。自治是权限、验证器和流程共同制造的产品属性。缺少这些控制，再强的 Agent 也只是一个拿到生产权限的不确定进程。

PART II · 系统与产业从裸模型，到学习、执行与验收系统

四、为什么进步这么快：真正变化的是整套“学习与执行系统”

主流大模型仍以 Transformer 为骨架。DeepSeek、Qwen、Llama 等公开技术报告显示，行业大量采用稀疏 MoE、注意力压缩、路由和低精度计算，让模型以更少激活参数处理更多能力。也有 Mamba 等状态空间路线进入混合架构。公开证据支持“Transformer 主干阶段性收敛”，并不支持“架构已经停止创新”。OpenAI、Anthropic 等闭源公司没有披露足够细节，外界更无法断言其内部结构多年未变。

能力跃迁来自一条逐渐工业化的链条：

预训练 → 数据筛选与合成 → 后训练与强化学习 → 推理时计算 → 工具与上下文 → Agent 循环 → 产品反馈

这里的每一层都在变化。

预训练仍提供世界知识和基础能力。 数据规模重要，去重、质量评分、领域配比、长文本组织和污染控制同样重要。合成数据开始填补稀缺领域，但它必须由真实数据、规则或验证器锚定；无差别地让模型反复学习模型生成内容，会损失分布尾部并造成所谓 model collapse。

强化学习把“会生成”推向“会寻找解法”。 OpenAI o1 与 DeepSeek‑R1 都展示了大规模 RL 对数学和代码推理的放大作用。数学答案、编译结果、单元测试可以充当可验证奖励，模型由此学会尝试、检查和修正。开放写作、战略判断和复杂管理没有同样明确的评分器，所以进展不如代码稳定。

推理时计算成为新的扩展轴。 以前，绝大部分算力在训练阶段一次性花掉；现在，难任务可以在回答时调用更多 token、搜索、代码执行或并行代理。Meta 在 Muse Spark 中把预训练、强化学习和 test-time reasoning 明确列为三条扩展轴。模型“想多久、查什么、调用谁”，开始像参数量一样影响结果。

工具把语言能力接入现实。 搜索提供新鲜信息，代码解释器提供计算，浏览器和终端提供行动，组织文档提供上下文。Agent 再把这些能力串成“计划—行动—观察—修正”的循环。2026 年 7 月发布的 GPT‑5.6 已把 Programmatic Tool Calling 和多 Agent 协作放进 API：模型可以临时编写小程序过滤工具返回、保存中间状态、协调并行任务。模型开始为自己编排软件，而不只是被软件调用。

所以，2026 年更合适的能力公式是：

有效能力 ≈ 底层模型 × 任务上下文 × 推理预算 × 工具 × 验证 × 反馈

这个近似式表达了一条产品规律：任何一项接近零，最终交付都可能失败。一个较小模型配上准确上下文、可靠工具和严格验证，有时会胜过裸奔的旗舰模型；一个再强的模型拿到错误数据、过大权限和含糊目标，也会把错误执行得更快。

五、商业化已经发生，但“买了 AI”与“重做了工作”仍是两回事

AI 已进入大多数受访组织的常规工具栈。斯坦福 《2026 AI Index》经济章节 汇总的调查显示，2025 年有 88% 的组织在至少一种形式上使用 AI，70% 在至少一个业务职能中使用生成式 AI；但各职能的 Agent 部署率几乎都还停留在个位数。

这两个数字并不矛盾。商业革命往往早于完全自治：助手先占据入口，企业随后补齐上下文、权限和验收，最后才把一段流程交给 Agent。席位是分发，流程才是结果。

企业付费也不再只是试用。微软在 FY2026 第四季度财报电话会 上披露，Microsoft 365 Copilot 付费席位超过 3,000 万，季度净增席位数环比翻倍以上；Alphabet 在 2025 年第四季度财报电话会 上披露，Gemini Enterprise 已售出超过 800 万个付费席位，覆盖 2,800 多家公司。Anthropic 在 2026 年 2 月融资披露 中称 Claude Code 的年化收入运行率超过 25 亿美元——这是公司口径的 run-rate，不等于已确认全年收入，但足以说明编码 Agent 已经形成独立商业品类。中国一侧，阿里在 2026 年 5 月财报 中披露，AI 相关产品已占阿里云外部收入的 30%，年化收入约 358 亿元人民币；这同样是公司定义和年化口径。

生产率证据则更细碎。AI Index 汇总的研究在客服、软件开发和营销产出中分别观察到约 14%—15%、26% 和 50% 的提升；收益通常集中在结构化、可监控的任务，也受到员工经验、流程设计、模型质量和统计口径影响。一次实验的平均提升，不能直接外推为整个公司的利润增长。

真正进入生产后，企业购买的是一整套能力，而不止“一个更聪明的聊天框”：

• 组织上下文：文档、代码、客户记录、权限和实时业务状态；
• 工作入口：Office、搜索、IDE、客服台、浏览器和内部系统；
• 验收机制：测试、审批、引用、审计和异常处理；
• 责任边界：谁能授权，谁来复核，失败如何追回。

这解释了为什么模型性能越来越接近，产品体验和商业价值仍可能相差很大。公开网络知识已不再是少数公司的独占资源，企业内部最新、准确、获授权的任务上下文却不会自动进入模型。比文档更稀缺的是判断痕迹：什么结果被接受，什么被退回，例外如何处理，谁有权签字。谁掌握工作入口、验收规则和这条反馈回路，谁就更可能把通用模型变成持续改进的业务系统。

六、调用越来越便宜，可靠交付仍然昂贵

AI 经济呈现出一个鲜明的杠铃结构。

靠近用户的一端，公开 API 的名义单价跨度显著，部分新一代模型还在降价。截至 2026 年 8 月 2 日，几种代表性 API 的公开标价如下：

价格来源：OpenAI 模型文档、Google Gemini 模型文档、Anthropic Sonnet 5 发布页、DeepSeek API 定价。DeepSeek 官方已预告未来峰时价格为表中两倍，生效日待公告。价格是 2026 年 8 月 2 日快照，随时可能调整。

价格跨度达到一至两个数量级，但这张表不能直接当性价比排名。不同模型的能力、速度、上下文、推理 token、缓存、工具费、SLA 和重试率都不同。token 会越来越像基础原料，通过验收的结果才是产品。企业真正应该比较的是“完成一个合格任务需要多少钱”，而非单纯比较每百万 token。

基础设施一端则越来越昂贵。国际能源署称，五家大型科技公司的资本开支在 2025 年超过 4,000 亿美元，2026 年预计再增长约 75%；数据中心用电在 2025 年增长 17%。Alphabet 在 2026 年第二季度财报电话会 上把全年资本开支指引上调至 1,950 亿—2,050 亿美元，主要用于服务器、数据中心和网络等技术基础设施。

于是出现看似矛盾的局面：调用智能越来越便宜，制造最前沿智能越来越贵。应用开发门槛下降，芯片、能源、数据中心和前沿训练的门槛上升。中间那层没有独特上下文、分发或工作流的通用模型 API，最容易被价格竞争挤压。

未来的利润不会简单地沿着“模型最强者通吃”分配。芯片与云掌握稀缺产能，头部实验室制造前沿能力，拥有入口的平台控制触达，垂直产品掌握业务上下文与验收规则。每一层都可能赚钱，也都可能被上下游抽走价值。

七、全球格局：模型分数趋近，竞争转向完整系统

截至 2026 年夏天，前沿玩家的路线已经明显分化。产业竞争可以先看三层：底部争芯片、能源与训练能力，中部争模型、推理成本和开发者生态，顶部争入口、组织上下文和工作流。下面列出主要代表路线，不是实时排行榜，也不是完整名录；xAI、Mistral 等同样是重要参与者。

OpenAI 的 GPT‑5.6、Anthropic 的 Claude Fable 5 / Mythos 5、Google 的 Gemini 3.5/3.6、Meta 的 Muse Spark 1.1 都把 Agent、工具使用、电脑操作和推理效率放到发布核心。命名各异，方向高度一致：模型正在成为行动系统的引擎。

中国前沿路线至少有两类：阿里、字节、腾讯把模型接入云和高频业务场景；DeepSeek、Kimi、智谱等在稀疏架构、开放权重、长上下文和 Agent 工程上竞争。阿里同时把 Qwen3.7‑Max、Qwen 开放权重家族、云与 Agent 平台 连接起来。各家公司资源与商业模式差异很大，不宜用一条“中国路线”概括。

斯坦福 AI Index 的口径是：截至 2026 年 3 月，在其采用的模型表现排名中，美国头部模型领先中国头部模型 2.7%；2025 年美国私人 AI 投资约为中国的 23 倍。前者只说明选定评测上的头部成绩趋近，后者也只覆盖私人投资。它们不能分别外推为“整体技术已追平”或“一国 AI 总投入相差 23 倍”。

榜单第一会轮换，三层能否彼此咬合，决定一家公司能否把能力变成长期价值。高频产品还会形成“任务出现—结果验收—失败归因—产品迭代”的反馈回路；它不等于把用户对话直接拿去训练，数据授权、隐私隔离和跨客户边界仍是硬约束。开放权重降低了本地部署、定制和研究门槛，闭源平台通常提供更完整的前沿模型与托管工具，企业很可能长期采用混合方案。

下一代平台不会只是一个更大的聊天窗口，而是工作的操作系统：它知道组织上下文，调度不同模型与工具，控制权限，保存状态，并对结果验收。模型提供智力，平台决定这份智力能进入多少真实流程。谁占据这个控制面，谁就可能掌握 AI 时代最厚的一层价值。

截至 2026 年 8 月 2 日，没有一家实验室同时、稳定地统治所有关键评测。Artificial Analysis 当前 v4.1 快照中，Anthropic Fable 5 的综合指数为 60，OpenAI GPT‑5.6 Sol 为 59；在该机构单列的 Coding Agent Index 上，OpenAI 为 80，Anthropic 为 77。分差很窄，而且指数版本已经多次变化。这些数字更适合说明“前沿拥挤”，不适合制造一个永久总冠军。真正重要的领先正在从单点分数转向：模型、算力、入口、组织上下文与验收系统能否合成一个可持续的工作平台。

PART III · 人类窗口从替代动作，到重写岗位、责任与成长路径

八、工作会怎样变化：先变的是任务组合与入门路径

目前还没有证据证明宏观层面的“大规模 AI 失业”已经发生。与此同时，变化开始集中出现在招聘入口和高暴露岗位。AI Index 经济章节 记录，美国 22—25 岁软件开发者就业人数较 2024 年下降近 20%；三分之一受访组织预计未来一年因 AI 减少员工，但接近一半预计人员规模几乎不变。就业变化受利率、行业周期、招聘结构等多重因素影响，不能把相关性直接写成 AI 因果。

只盯着“一个职业会不会消失”，会错过更快发生的变化。企业不会等待 AI 自动完成整份工作，才开始重组岗位；它们会先把工作拆成任务，把隐性经验写成规范、模板、测试和审批逻辑，再把可验证的部分交给 Agent。岗位还在，岗位内部的价值分配已经改变。

未来两年，一批数字化工作会把默认流程倒过来：不再是人完成、AI 辅助，而是 AI 先执行，人处理异常、补充判断并承担签字责任。初稿、检索、样板代码、基础分析和格式转换会被快速压缩；问题定义、证据判断、例外处理、组织协调与最终授权会变得更贵。

这也会削薄传统的成长阶梯。年轻人过去通过大量低风险基础任务学习行业，如今这些任务恰好最容易被自动化。真正的挑战不只是少了多少岗位，而是组织能否重新设计学徒制：让新人学习如何定义任务、审查模型、处理例外，而不是在没有练习机会的情况下直接承担最终判断。

九、AI 越能行动，责任越不能含糊

AI 的风险有两层。第一层很直观：它会失败。第二层更容易被忽略：当它成功执行了一个错误、越权或有害的目标，能力本身会放大后果。

事实与记忆仍不稳定。 当前训练与生成机制并不保证输出为真。检索、引用和外部数据库能减少错误，却无法保证来源可靠或因果判断正确。百万 token 已成为多家产品规格，能装进去也不代表能在任意位置稳定找回、比较并正确使用；长期工作仍需状态管理、压缩、检索和遗忘机制。

开放任务缺少验证器。 代码和数学进步快，因为答案容易检查。战略、管理、创意和社会判断没有同样清晰的评分器，反馈周期又很长。没有可信验收，强化学习和 Agent 会把模糊目标优化到错误方向。

物理与社会常识仍不稳。 视频可以生成得逼真，机器人却要处理摩擦、遮挡、损耗和突发事件；组织工作还包含默认规则、权力关系和含蓄意图。互联网文本无法完整覆盖身体经验与制度语境。

行动能力放大了安全与滥用风险。 能发邮件、付款、删文件和部署代码的 Agent，一次提示注入或权限误判就可能造成真实事故。网络安全和生物研究还具有明显的双重用途，OpenAI、Anthropic 等实验室已把相关能力作为独立的发布门槛和分级访问对象。能力与权限必须分开增长。

隐私、版权和数据边界没有随能力自动解决。 Agent 为了完成任务需要读取邮件、代码、客户记录和个人资料；这些上下文是否获授权、能否跨用途使用、生成内容是否侵权，都需要产品与制度给出明确答案。更强的个性化通常意味着更深的数据访问，两者之间不存在免费的平衡。

算力与入口会带来新的集中。 模型调用价格下降，不会自动消除对先进芯片、云、能源和分发平台的依赖。少数公司能够同时控制基础设施、模型和用户入口，既可能提高整合效率，也会扩大议价权、单点风险和治理难度。

责任仍属于人和组织。 模型可以提出建议并执行动作，却不能承担法律、职业与伦理责任。谁授权、谁验收、谁能按下停止键，必须在部署前写进流程。斯坦福 AI Index 责任 AI 章节 记录的 AI 事件从 2024 年的 233 起增至 2025 年的 362 起，而头部实验室的安全评测披露仍不完整。技术部署速度已经超过了测量和治理能力的建设速度。

这些问题不是等待 AI “更成熟”以后再处理的外围风险，它们就是下一代 AI 产品栈。记忆、验证、安全、权限和责任设计，会像模型能力本身一样决定产品上限，也会成为新的商业壁垒。

十、别押 AGI 日期，盯住五个真正的拐点

回到开头的五把尺子，未来一两年最值得跟踪的是五个可测信号。它们比“某模型是否自称 AGI”更有价值：

1. 80% 人类等价任务跨度是否持续增长。 50% 成功率能制造惊艳演示，80% 才开始形成可部署的自动化半径；高风险任务还需要更高标准。
2. 杂乱工作流是否追上结构化基准。 如果 OSWorld 2.0 一类长流程测试明显提升，说明 Agent 开始跨过演示与生产之间的鸿沟。
3. 每个通过验收的任务成本是否下降。 这同时包含 token、工具、重试、人审和失败损失，比 API 标价更接近真实经济性。
4. 权限系统能否支持可逆自治。 Agent 是否能在最小权限下工作、遇到歧义主动暂停、保留可审计轨迹，并让高风险动作可撤回。
5. 企业 Agent 在各职能中的部署率能否走出个位数，并进入主流程。 席位增长证明有人买，流程渗透和持续使用才证明工作真的改变。

如果这些信号同时改善，AI 会从“帮人完成某一步”逐渐走向“接管一段有明确边界的流程”。如果模型分数继续上涨，而可靠性、权限和验收停滞，行业就会拥有越来越惊艳的演示，以及越来越昂贵的人工兜底。

结语：AI 不必成为人，就能重写人的工作

截至 2026 年 8 月，AI 输出的基本单位正在从“一段回答”变成“一个工件”和“一段流程”。代码、报告、演示文稿、研究材料和跨应用操作，都开始成为模型可以规划、执行和验收的对象。这比榜单上再多几个百分点更接近产业转折。

这给出一个比“谁先实现 AGI”更现实的产业判断：榜单冠军会轮换，模型单价会继续下降，长期价值更可能沉淀在验证器、组织上下文、工具权限、执行环境和分发入口。谁能把偶发的峰值能力变成可重复、可验收、可回滚的流程，谁才真正把模型能力变成生产力。

AI 也不会整齐地替代一个个职业。它会先替代职业内部的一段段动作，再迫使组织重新定义剩下的人类工作。可标准化、易验收的中间产出会迅速贬值，问题定义、例外处理、验收和责任会升值；原本藏在员工经验里的判断，会被不断抽取成规范、数据和软件。

判断下一次跃迁，只需要追问三个问题：它能以多高成功率完成多大的人类等价任务？失败能否被及时发现、停止和追回？一个通过验收的结果，总成本是多少？

AI 革命不会从模型终于“像一个完整的人”那天开始。它从组织开始围绕非人智能重写工作流程时开始——而这件事已经发生。AI 尚未获得责任，却已经在获得生产权限；这才是 2026 年真正的转折。

主要资料与口径说明

本文资料截至 2026 年 8 月 2 日。独立或综合资料用于判断总体趋势；公司发布页用于说明产品路线、用户数、价格和公司自报评测，不据此宣布跨平台“总冠军”。不同榜单的工具权限、推理预算、题集版本和评分方法不同，分数不可直接横比。

独立与综合资料

• Stanford HAI, The 2026 AI Index Report

• Stanford HAI, Technical Performance；Technical Performance full chapter

• Stanford HAI, Economy

• Stanford HAI, Science；Medicine

• Stanford HAI, Responsible AI

• METR, Task-Completion Time Horizons

• METR, Frontier Risk Report, February–March 2026

• METR, GPT‑5.6 Sol external evaluation

• ARC Prize, GPT‑5.6 verified ARC‑AGI results

• Epoch AI and METR, MirrorCode preliminary results

• X-Lang Lab et al., OSWorld 2.0

• IEA, Key Questions on Energy and AI

• Scale：Humanity’s Last Exam 统一评测榜

• Terminal-Bench 2.0 榜单、2.1 榜单 与 2.1 版本说明

• ARC Prize：ARC-AGI-2 榜单 与 评测政策

• Artificial Analysis：2025 Q2 State of AI、2025 Q3 State of AI、Gemini 3 Pro、GPT-5.5 与 2026 年 6 月前沿密集发布

公司一手资料

• OpenAI, GPT‑5.6；API models
• Anthropic, Claude Fable 5 / Mythos 5；Claude Opus 4.8；Trustworthy agents in practice
• Google DeepMind, Gemini models；Genie；Project Genie availability
• Meta, Muse Spark；Muse Spark 1.1
• Microsoft, FY2026 Q4 Earnings Call
• Alphabet, 2025 Q4 Earnings Call；2026 Q2 Earnings Call
• Alibaba Cloud, Qwen3.7 and agentic AI ecosystem
• Alibaba Group, FY2026 Results
• ByteDance Seed, Seed2.0
• Tencent, Hy3
• DeepSeek, Transparency Center；API pricing
• Moonshot AI, Kimi K3