真正的人工智能代理與實際的工作

以人為本的工作模式與無限PPT之間的競爭

作者：Ethan Mollick 2025年9月30日

人工智能已悄然跨越一道門檻：如今它們能完成真正具有經濟價值的實際工作。

此前，OpenAI發布了一項新的人工智能能力測試。與以往圍繞數學或常識構建的基準測試不同，此次測試中，OpenAI召集了平均擁有14年行業經驗的專家——他們的領域涵蓋金融、法律、零售等。這些專家設計了一系列貼近實際的任務，這些任務人類專家平均需要4到7個小時才能完成。隨后，OpenAI讓AI和人類專家分別完成這些任務。另有一組專家對結果進行評分，且他們并不知道哪些答案來自人工智能、哪些來自人類，每個問題的評分過程約耗時 1 小時。

人類專家最終勝出，但優勢微弱，且不同行業的勝負差異也很大。不過，人工智能的進步速度極快，較新的人工智能模型得分遠高于舊模型。有趣的是，人工智能輸給人類的主要原因并非幻覺或錯誤，而是結果格式不規范、未嚴格遵循指令——而這些領域正是人工智能進步迅速的方向。若當前趨勢持續，下一代人工智能模型在該測試中平均得分有望超過人類專家。這是否意味著人工智能已準備好取代人類工作？

答案是否定的（至少短期內不會），因為該測試衡量的是“任務”，而非“工作”。我們的工作由多項任務構成。以我作為教授的工作為例，它并非單一事項，而是涵蓋教學、研究、寫作、填寫年度報告、輔導學生、閱讀、行政事務等多個方面。人工智能完成其中一項或多項任務，并不會取代我整個工作，而是改變我的工作內容。只要人工智能的能力仍存在短板，無法替代人類互動中的所有復雜工作，它就難以整體取代人類的工作……

一項極具價值的任務

……但即便如此，人工智能目前能完成的部分任務已具備極高價值。不妨以我工作中的關鍵環節為例：開展精準的研究工作。正如許多人所知，學術界存在 “可復現性危機”——部分重要研究成果，其他研究者無法復現。學術界在解決這一問題上已取得一定進展，如今許多研究者會公開數據，方便其他學者復現自己的研究。但問題在于，復現研究需耗費大量時間：研究者需深入閱讀并理解論文、分析數據、細致檢查錯誤 1，這一復雜過程此前只有人類能夠完成。

而現在，情況已發生改變。

我將一篇涉及多項實驗的復雜經濟學論文文本，以及完整的研究復現數據集，輸入新版 Claude Sonnet 4.5（我擁有該模型的提前使用權）。除了上傳文件并給出指令外，我未進行任何額外操作。指令內容為：“根據上傳的數據集復現該論文中的研究結果，需獨立完成；若無法完整復現，可盡力完成力所能及的部分”。由于論文涉及復雜統計分析，我還補充了要求：“能否盡可能完整復現所有統計過程？”

在無需進一步指令的情況下，Claude完成了一系列操作：閱讀論文、打開數據集文件并整理、將統計代碼從一種語言（STATA）轉換為另一種語言（Python）、系統梳理所有研究結果，最終報告成功復現研究結論。我抽樣核查了結果，并讓另一款人工智能模型 GPT-5 Pro再次復現該研究，結果均無誤。我還在其他多篇論文上進行了嘗試，均取得了類似的良好效果，僅部分論文因文件大小限制或復現數據本身存在問題，未能成功復現。若手動完成這些工作，需耗費數小時。

但這一過程的革命性意義，并非僅在于節省時間。更重要的是，曾震動多個學術領域的 “可復現性危機”，本可通過研究復現部分解決，但此前這需要人類投入大量細致且高昂的精力，難以大規模推進。如今，人工智能似乎可對大量已發表論文進行核查、復現研究結果，這將對整個科學研究領域產生深遠影響。盡管目前仍存在障礙——如準確性與公平性基準的建立，但大規模復現研究已成為現實可能。研究復現或許只是人工智能能完成的一項“任務”，而非“工作”，但它極有可能徹底改變人類的整個研究領域。是什么讓這一切成為可能？答案是：人工智能代理的能力已迅速大幅提升。

核心在于智能體

自初代ChatGPT問世以來，生成式人工智能已幫助人們完成了大量任務，但始終存在一個局限：需人類用戶主導。人工智能會犯錯，若沒有人類在每一步進行指導，就無法完成有價值的工作。人們曾認為，“自主人工智能智能體”的愿景遙不可及——這類智能體在接收任務后，能自主規劃、使用工具（如編程、網絡搜索）完成任務。畢竟，人工智能存在犯錯可能，而智能體完成任務需經歷一連串步驟，只要其中一步出錯，整體任務就會失敗。

但實際情況并非如此，另一篇新論文解釋了背后的原因。事實證明，我們對人工智能智能體的多數假設都是錯誤的。即便人工智能的準確性僅小幅提升（而新模型的出錯概率已大幅降低），也會使其可完成的任務數量大幅增加。此外，最新、最先進的“具備思考能力”的模型，實際上能自我修正，不會因單次錯誤而停滯。這些因素共同作用，使得人工智能代理可完成的步驟遠超以往，且無需人類大量干預就能使用工具——基本上，只要是計算機能完成的操作，它都能借助工具實現。

值得關注的是，在過去幾年涵蓋從GPT-3到GPT-5等全系列人工智能模型的能力衡量標準中，METR測試是少數之一。該測試要求人工智能的準確率至少達到 50%。過去五年間，從GPT-3到GPT-5，模型在該測試中的得分呈穩定指數級增長，這體現出智能體工作能力的持續提升。

如何利用人工智能創造經濟價值

然而，從人類對“能動性”的定義來看，人工智能代理并不具備真正的能動性。目前，我們仍需決定如何使用它們，而這一選擇將在很大程度上決定未來的工作形態。所有人關注的風險，是人工智能取代人類勞動力——不難預見，未來幾年這將成為核心問題，尤其對于那些缺乏創新、只關注成本削減，而非利用這些新能力拓展或變革工作模式的機構而言。但在工作場景中使用人工智能，還存在第二個極有可能出現的風險：不假思索地用代理完成更多現有任務。

為預判這一潛在問題，我曾將一份公司備忘錄輸入Claude，要求它將其轉化為PPT，隨后又要求從不同角度再制作一份，接著再制作一份……

最終，我得到了17份不同的PPT。顯然，這已經過多了。

如果我們不深入思考“為何要開展這項工作”“理想的工作模式應是什么樣”，所有人都將被海量人工智能生成的內容淹沒。

那么，替代方案是什么？OpenAI的論文提出：專家可與人工智能協作解決問題——先將任務委派給人工智能完成初步版本，再審核其成果。若成果不理想，可嘗試多次修正或提供更清晰的指令；若仍無改善，則由人類親自完成任務。論文估算，若專家遵循這一工作流程，完成工作的速度將提升40%，成本降低 60%，更重要的是，人類能始終掌控人工智能的工作方向。

人工智能代理現已問世。它們能完成實際工作，盡管能力仍有限，但已具備價值且在不斷提升。然而，這款能在幾分鐘內復現學術論文的技術，也能生成17份無人需要的PPT。這兩種未來的差異，并非源于人工智能本身，而在于我們選擇如何使用它。通過理性判斷 “哪些工作值得做”，而非僅關注“哪些工作能做到”，我們才能確保這些工具提升的是我們的能力，而非僅僅是效率。

1 在不同研究領域，“復現（replicating）” 與 “重現（reproducing）” 的定義存在差異：前者可能涉及收集新數據，后者則可能使用現有數據。本文未深入探討這些區別，但在此次實驗中，人工智能不僅使用了現有數據，還對這些數據應用了新的統計方法。

本文編譯自substack，原文作者Ethan Mollick

https://www.oneusefulthing.org/p/real-ai-agents-and-real-work