AI会做什么、不会做什么、正在取代什么:一份基于2026年证据的冷静解剖

2026 年,同一代 AI 一边推翻了一个悬而未决 80 年的数学猜想,一边在一组"五岁小孩几秒就能上手"的小

目录

2026 年,同一代 AI 一边推翻了一个悬而未决 80 年的数学猜想,一边在一组"五岁小孩几秒就能上手"的小游戏里拿了不到 1 分。这不是矛盾,而恰恰是理解这个时代最重要的线索。

引子:同一年里的两组数字

2026 年 5 月,OpenAI 宣布其内部一个通用推理模型(并非数学专用模型)自主推翻了 Erdős 在 1946 年提出的"平面单位距离猜想",给出一份约 125 页的证明,并经包括菲尔兹奖得主 Tim Gowers 在内的数学家验证。Gowers 的评价大意是:这是 AI 第一次清晰地、自主地解决一个著名的未解数学问题。

而就在两个月前的 3 月,ARC Prize 基金会发布了新基准 ARC-AGI-3:把 AI 丢进 135 个从未见过的交互式小游戏里,没有说明、没有目标提示,让它自己摸索规则。结果是——所有前沿模型得分都低于 1%(Gemini 3.1 Pro 0.37%、GPT-5.4 0.26%、Claude Opus 4.6 0.25%),而参与测试的普通人类第一次就解出了全部环境。

能写出 125 页原创证明的系统,却不会玩一个陌生的小游戏。

如果你只看到前一组数字,你会觉得人类已经出局;如果你只看到后一组,你会觉得 AI 不过是"昂贵的自动补全"。两种结论都是错的。本文试图做一件更难的事:把 2026 年能找到的硬证据摆在一起,冷静地拆解 AI 的能力边界、它对劳动的真实冲击,以及人类接下来的位置。

一、AI 现在真正擅长什么

1. 能独立干完的"活",正在以惊人速度变长

衡量 AI 自主能力,目前最有说服力的指标来自独立评测机构 METR 的"时间跨度"(Time Horizon):一个 AI 能以 50% 成功率独立完成、人类专家需要多长时间才能做完的任务。

  • 2019 年,这个数字大约是 2 秒;
  • 到 2026 年 4 月,前沿模型已达到约 17 小时 的熟练工作量(METR 注明超过 16 小时的测量已不太可靠);
  • 自 2023 年以来,这个数字大约每 4 个多月翻一倍(METR 新版测算约 131 天),比此前估计的"7 个月翻倍"快得多。

更值得注意的是:METR 自己承认,它的任务集已经快被做穿了——前沿模型能稳定完成其中除少数几个之外的几乎所有任务,置信区间因此被撑得极宽。我们正在失去给 AI 能力"设上限"的尺子。

2. 专业知识与推理:在多数"考试"上已达到或超过人类基线

斯坦福 HAI《2026 AI 指数报告》(4 月发布)的结论很直接:能力在加速,而不是平台期。

  • 在博士级科学问答、竞赛级数学、多模态推理上,模型已达到或超过人类基线;
  • 在模拟真实电脑操作的 OSWorld 基准上,AI 智能体的任务成功率从约 12% 跃升到约 66%;
  • 在客服和软件开发场景,多项研究测得 14%–26% 的生产率提升。

3. 开始触碰"原创"

除了 Erdős 猜想,还有两个信号:

  • 计算机科学泰斗 Donald Knuth 在 2026 年初的一篇文章开头写下"Shock! Shock!",因为他研究了几周的一个开放问题被 Claude Opus 4.6 解决了,他说自己恐怕得改变对"创造性 AI"的看法;
  • Google DeepMind 用数学研究智能体系统性地扫描了 700 个标记为"未解决"的 Erdős 问题,确实解决了一批,但论文也坦承:有些"新解"其实早已存在于文献中,AI 存在“潜意识抄袭”的风险。

这一条很重要:AI 已经能产出经得起顶级专家审查的新结果,但"新"与"旧"的边界,仍需要人来鉴定。

4. AI 开始加速 AI 自身

2026 年 11 月 5 日,METR 发布了一份罕见的高权限独立评估:他们在 Anthropic 内部调研了 11 周,结论是该公司在定义清晰的任务上的模型能力提升速度,约为 2024 年 3 月至 2025 年 10 月期间的 1.9 倍,并估计其中约 80% 归因于研究人员大量使用 AI 做研发——尽管目前主要仍是"AI 辅助人类研究员",而不是 AI 自主研发。

(需要说明:这份评估依赖公司内部数据,且大量证据被要求涂黑,第三方难以复核。)

小结:AI 最擅长的,是目标清晰、结果可验证、全程数字化、能快速得到反馈的任务。代码、数学、标准化分析、文本生产——恰好都是这一类。

二、AI 仍然薄弱的地方

1. 在陌生环境里"现学现用"

ARC-AGI-3 测的不是知识,而是探索、建模、规划、在线学习——在没有说明书的世界里,自己弄明白规则。这是人类婴儿就在做的事,也是当前模型几乎全面失守的地方。

公允地说,这个基准有争议:它的评分会对"步数多于人类"施加平方级惩罚;也有团队用定制化的外部框架,把某个模型在单个环境上的得分从 0.25% 提到了 97.1%。但这恰恰印证了基准设计者 François Chollet 的观点:今天模型的出色表现,很大程度依赖人类为它精心搭建的"脚手架"——真正的智能,在搭脚手架的那个人身上。

2. “锯齿状"的能力分布

斯坦福 AI 指数报告里有个令人印象深刻的细节:在博士级科学题上超越人类的模型,仍会在读模拟时钟这类简单任务上出错。AI 的能力不是一条平滑上升的曲线,而是一片高低不平的山脊——你很难仅凭它"会做难题"推断它"不会犯低级错”。

3. 可靠性:问题从"说错话"转向"做错事"

当 AI 从聊天机器人变成能调用工具、执行流程的智能体,失败的形态也变了:

  • ChatSee 对 1 万多起企业 AI 失败事件的分析显示,“幻觉"类问题已不到 10%;更大的问题是该升级给人工处理时没有升级、流程没有闭环(占 31.1%),以及执行和操作类失败(较 2024 年基线上升 62%)。
  • VentureBeat 的一项企业调查中,68% 的企业在过去半年里至少遇到过一次"AI 智能体自信地给出错误答案”,根源是缺失或不一致的业务上下文。
  • Anthropic 自己的经济指数报告也发现:任务对人类而言越耗时,AI 的成功率越低。

一个银行客户报告可疑交易,收到一句礼貌、合规的回复,但从未被转给人工复核——模型一个字都没说错,系统却彻底失败了。

4. 物理世界:最慢的那块拼图

人形机器人是 2026 年最热的话题之一,但现实冷静得多:

  • 报道显示,优必选的工厂人形机器人工作速度大约只有人类的一半,多数部署仍是试点;
  • 多数人形机器人的电池只能支撑 1–4 小时有效作业,灵巧手仍是关键瓶颈;许多惊艳的演示视频背后是人工遥控;
  • Gartner 判断,未来两年内部署人形机器人的制造商将少于 20 家,且大多局限在严格受控的环境中。

脑力劳动被自动化的速度,远快于体力劳动。这与几十年前人们的普遍想象恰好相反——这就是"莫拉维克悖论"在 2026 年的新版本。

5. 我们甚至不擅长测量 AI 对自己的影响

METR 在 2025 年做过一个随机对照试验:资深开源开发者使用 AI 后,实际慢了 19%,但他们自己以为快了 20%——近 40 个百分点的感知差。

2026 年的后续实验数据转向了"变快",但 METR 坦言实验已经"坏了":有 30%–50% 的受邀开发者拒绝参加,因为他们不愿意在不用 AI 的条件下工作。对照组正在消失。

这本身就是一个值得深思的信号:人类对 AI 的依赖速度,可能快于我们理解它真实效果的速度。

小结:AI 的弱项可以归纳为一句话——难的不是"思考",而是在未被定义、充满噪声、需要承担后果的真实世界里,持续、可靠地行动。

三、替代人类劳动:已经发生了什么

1. 裁员数据:真实存在,但比标题更复杂

美国再就业咨询公司 Challenger, Gray & Christmas 的数据是最常被引用的:

  • 2026 年 1–10 月,雇主在公告中把 121,401 个裁员岗位归因于 AI,是 2025 年全年(54,836)的两倍多;
  • 5 月达到峰值:单月 38,579 个,占当月裁员的 40%;
  • 但到 10 月,这个数字跌到 1,265,为全年最低;“市场与经济状况"重新超过 AI,成为 2026 年最主要的裁员原因。

需要注意的是:“公司宣称因为 AI 而裁员"与"AI 真的替代了这些岗位"不是一回事。不少分析者警告,AI 可能被当作削减成本的体面理由。同时,2026 年美国裁员总量反而比 2025 年下降了约 44%。

2. 真正的冲击点:入门级岗位

比裁员数字更值得关注的,是年轻人进不来:

  • 斯坦福数字经济实验室(Brynjolfsson 等)追踪发现:截至 2026 年 6 月,22–25 岁、处于 AI 暴露度最高职业的劳动者,就业比低暴露同龄人落后约 19%(以 2022 年 11 月为基准);
  • 关键在于:同一职业中的资深员工没有出现同样的下滑;低 AI 暴露的入门级岗位也没有下滑;而且下滑集中在 AI 被用来"自动化"的岗位,在 AI 被用来"增强"人的岗位,就业持平甚至上升;
  • 一项 2026 年 2 月对 933 位美国企业负责人的调查显示,21% 的公司已因 AI 冻结入门级招聘。

但数据并非一边倒:另一项针对高管的调查中,预期 AI 会增加入门级招聘的人数,是预期减少的约 2.7 倍。一份 2026 年 9 月的综述给出的结论最为克制:入门级招聘确实走弱,AI 是几个尚未被完全拆分开的原因之一。

3. “资深化”:第一份工作变成了第二份工作

普华永道《2026 全球 AI 就业晴雨表》提出了一个精准的词:资深化(seniorization)。在 AI 高暴露职业里,入门级岗位要求战略决策、领导力、批判性判断等"过去要工作好几年才需要的能力"的可能性,是低暴露岗位的 7 倍。

换句话说:AI 没有消灭入门级岗位,而是把它变成了入门者够不着的东西。

4. 增强与自动化,正在同时发生

Anthropic 的经济指数提供了另一个视角:在面向个人用户的 Claude.ai 上,“增强型"使用(人与 AI 来回协作、学习、迭代)约占 52%,“自动化"使用约占 45%;但在企业通过 API 的调用中,自动化仍占主导。

同样被 AI 拿走一部分任务,不同职业的命运截然不同:旅行顾问失去的是复杂的行程规划,剩下的是订票收款——被"降技能”;物业经理失去的是记账,剩下的是合同谈判和关系管理——被"升技能”。

小结:到 2026 年为止,AI 对劳动力最真实的冲击,不是"岗位整体消失”,而是"任务被抽走"和"阶梯被抽掉”。

(说明:以上大多是美国数据。中国、欧洲等地缺乏同等口径、同等透明度的公开数据,这本身就是一个需要正视的盲区。)

四、潜在趋势:接下来 3–5 年可能发生什么

以下是基于现有趋势的推演,不是预言。

趋势一:从"替代任务"走向"替代流程"

如果时间跨度继续每 4 个多月翻倍,几年内 AI 能独立完成的就将是"周级"甚至"月级"的工作包。但 METR 自己也提醒:它的测试任务都是自成一体的,而现实中长达数周的项目几乎都需要协作、沟通和反复对齐。能做完一个长任务,和能在组织里推进一个项目,是两回事。

趋势二:断掉的第一级台阶

这是我认为最被低估的长期风险。资深工程师、律师、分析师,都是从做"简单重复的活"中成长起来的——那些活恰好是 AI 最先拿走的。如果企业只招"已经资深的人",十年后的资深人才从哪里来?有研究者把这称为"断掉的梯级":受损的不只是一批岗位,而是整个学徒制。

趋势三:会用的人越来越强,差距被放大

Anthropic 2026 年 3 月的报告发现:使用时间越长的用户,与 AI 协作的成功率越高(约高出 4 个百分点),而且他们更倾向于与 AI 协作而不是单纯下指令。AI 使用强度也与国家人均 GDP 高度相关。经济学有一个现成的概念——技能偏向型技术变革:新技术首先放大的是已经有优势的人。

趋势四:认知外包的隐性成本

Anthropic 的一项对照实验显示:学习一个新编程库时,依赖 AI 完成任务的一组,在随后的理解测验中得分低了 17%(平均 50 分 vs 67 分),差距最大的恰恰是调试——也就是判断代码为什么出错的能力。但同样用 AI,那些主要用它来提问"为什么"、请求解释的人,得分在 65 分以上。

同一个工具,用来"要答案"还是"求理解",结果截然不同。

趋势五:加速本身在加速,而制度在落后

当 AI 开始帮助研发下一代 AI,进步的速度本身就可能改变。与此同时,斯坦福报告显示,基础模型透明度指数的平均分从 58 降到了 40——能力越强的模型,往往披露得越少。技术曲线和治理曲线之间的剪刀差,正在拉大。

趋势六:体力劳动的替代更慢,但已经启动

优必选计划把人形机器人年产量从 2025 年的约 500 台提升到 2026 年的 1 万台;在高利用率的工业场景下,IDTechEx 估算的投资回收期约为 6 个月,平均利用率下约 15 个月。体力劳动的大规模替代,可能比脑力劳动晚一个周期,但方向已经清楚。

五、人类将何去何从

“AI 只是工具,人类永远不可替代”——这种安慰已经不够诚实了。更诚实的问题是:当越来越多"干活"的部分可以被机器完成,人类的价值将锚定在哪里?

从现有证据看,至少有几条线索:

1. 从"产出答案"转向"定义问题"。AI 在目标清晰时极强,在目标模糊时极弱。决定"做什么、为什么做、做到什么程度算好",在可预见的未来仍是人的工作。ARC-AGI-3 揭示的那种在陌生情境中快速建立理解的能力,正是人类目前最大的比较优势。

2. 成为验证者和责任人。当 AI 能生成 125 页的证明,真正稀缺的是能读懂它、判断它对不对、并愿意为结论署名的人。企业 AI 失败最多的环节是"该升级给人时没有升级"——这说明问责、判断和兜底无法被外包。

3. 用 AI 求理解,而不只是要答案。这是个人层面最可执行的一条。把 AI 当老师和陪练,而不是代笔,你的能力会被放大;反之,它会悄悄掏空你。

4. 重建入门的阶梯。这需要企业和社会共同完成:带教制度、学徒制、让新人在 AI 辅助下仍然有机会"亲手做一遍",以及在教育中从"记住知识"转向"提出问题、检验答案"。

5. 重新回答"工作的意义"。工作从来不只是收入,它也提供身份、节奏、归属和被需要的感觉。如果未来社会的生产效率大幅提高,真正困难的或许不是"有没有饭吃",而是“人在不被需要干活时,如何感到自己被需要”。照护、陪伴、教育、创作、社区——这些"关于人"的事情,可能会从边缘回到中心。

结语:答案不在 AI 那里

回到开头那两组数字。

一个系统能证明 80 年未解的猜想,却玩不会一个陌生的游戏——这说明我们面对的不是一个"更聪明的人",而是一种完全不同形状的智能。它在人类划定的赛道上跑得飞快,却还不会自己选择赛道。

所以,最终的问题或许不是"AI 会不会取代人类",而是:

当机器可以替我们完成大部分"怎么做",我们是否还清楚自己想要"做什么"、以及"为什么"?

这个问题,AI 回答不了。它只能由我们自己来回答。

数据来源(均为公开资料):

  • METR:Time Horizon 1.1 更新(2026.1)、开发者生产率实验设计更新(2026.2)、Anthropic AI 研发加速独立评估(2026.11.5)
  • Stanford HAI:《2026 AI Index Report》(2026.4)
  • ARC Prize Foundation:ARC-AGI-3 发布与结果(2026.3)
  • OpenAI 关于 Erdős 单位距离猜想的公告及 Scientific American、New Scientist 报道(2026.5)
  • Google DeepMind:Semi-Autonomous Mathematics Discovery with Gemini(arXiv 2601.22401)
  • Challenger, Gray & Christmas:2026 年各月裁员报告(截至 10 月)
  • Stanford Digital Economy Lab(Brynjolfsson 等)关于早期职业就业的研究;PwC《2026 全球 AI 就业晴雨表》
  • Anthropic Economic Index(2026 年 1 月、3 月报告)及技能形成研究
  • ChatSee《State of Enterprise AI Failures 2026》;VB Pulse 企业调查(2026.7)
  • TechSpot、Gartner、IDTechEx 等关于人形机器人部署的报道

注:部分数据来自 AI 公司自身或其委托评估,本文已尽量标注并交叉引用独立来源,仍请读者审慎看待。

AI 前沿

AI 当上「共同研究员」:华为医疗 AI 的真进展与真难题

斯坦福用多智能体「虚拟实验室」设计出有效纳米抗体,华为正把类似思路搬进实验室与医院:科研智能体、盘古药物模型、病理大模型、HAIP 医院 AI 平台。本文梳理进展,也追问证据、湿实验瓶颈与责任边界。

阅读 8 分钟