2025 年 10 月 25 日，一位鲜少公开露面的 AI 顶级研究员在播客中给出判断
AI 没有任何放缓的迹象。每三四个月，模型就能完成两倍长的任务。
说这话的是Julian Schrittwieser， Anthropic 核心研究员，他曾在谷歌DeepMind 领导了AlphaGo Zero 和 MuZero 的研发。
这不是科普访谈。他来自最前沿的实验室，正目睹一个大多数人还没意识到的现实：
大众看到的：回答对了几个问题
他看到的：模型开始完成一整天的工作
为什么察觉不到？
Julian 给出的答案是：人类直觉无法理解指数级变化。
（图片来源：Julian Schrittwieser博文《再次未能理解指数增长》，链接https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/）
就像疫情初期人们低估传播速度，AI 正在走同样的路径。当模型每三、四个月能力翻倍，关键不在于它有多强，而在于你看不看得懂正在发生的三件事。
Julian Schrittwieser 的职业轨迹，几乎串起了这十年人工智能的主线。
他曾让 AlphaGo 击败李世石，是 MuZero 的第一作者，如今在 Anthropic 负责Claude 模型的推理研究。
“AI 的关键，不在于能答多少题，而在于能连续完成多长时间的任务。”
在他眼中，AI 的进步不是一连串“功能升级”，而是任务持续时间的延长。从几秒、几分钟，到现在能处理几个小时、甚至几天的连续任务。
Julian 在访谈中解释，这个指标叫 task length（任务长度），是他们在 Anthropic 内部用来衡量模型“生产力水平”的核心标准。他们发现，每隔三四个月，任务长度就会翻倍。模型不像人类那样受疲劳影响，能持续思考、持续执行，而且出错率在长任务中反而下降。
他举了一个例子： 以前的模型写一段程序，需要人类不断提示； 现在，Claude 已经能独立写完一个完整的应用模块， 包括规划结构、调用接口、测试和修复。
这不是更聪明，而是能干更久、更稳。
就像马拉松选手，关键不是冲刺速度，而是跑完全程的耐力。
Julian 认为，这种“任务耐力”的提升，比参数量更值得关注。因为这意味着模型从工具，开始变成执行者。当模型能独立工作一整天，它就能像同事一样被分配任务、被追踪进度、被验证成果。
Anthropic 内部对 Claude 的连续任务评估显示，模型能在无人干预的情况下，连续工作 6 到 8 小时，完成从写代码到总结文档的一整套流程。
Julian 强调：
“我们没在等‘超级智能’来，只是看着任务长度从一分钟变成一整天。”
当外界还在讨论 AI 会不会替代人，实验室里已经在问： 它今天能干多长时间？
“不是每个模型都能独立完成任务，更不是每个模型都能连续工作一整天。 ”
Julian 解释，Claude 能力的本质，不只是语言模型更大，而是多了一种“预演未来”的能力。
“Claude 背后的关键不是参数量，而是它内部有一个‘世界模型’，能模拟未来几步可能会发生什么。”
这个“世界模型”（world model），不是在记住数据，也不是预测词。 它更像是人在脑子里想象：我如果说这句话，对方可能怎么反应？那我接下来该怎么办？
Julian 说，这种模型已经不是在“回答”，而是在“思考”。
这种能力，其实是他在 MuZero 时期就开始探索的技术路线。
MuZero 是 DeepMind 在 2020 年提出的强化学习模型，最大的突破在于：它不需要知道完整的规则或环境，只靠经验就能学会在脑中预测接下来的几步，并不断修正。
Julian 总结这套方法时，说：
人类不会事先记住整个世界，而是通过想象下一步的结果，来决定行动。AI也应该这样。
这就是 Claude 不同的地方：它不再是一个生成句子的工具，而是一个能够模拟因果、进行试探、修正路径的行动者。
要实现这种“预演”，靠的不是单一的预训练，而是训练之后的强化学习。强化学习的过程，就像让模型反复练习，直到它学会自己做判断、走对流程。
预训练让模型掌握知识，强化学习让它学会执行任务。
换句话说，一个是“知道答案”，一个是“找到通往答案的路径”。没有强化学习，模型即使知道答案，也无法自己找到那条通往答案的路径。
他提到 Claude 的一个实验：给模型一个复杂任务，比如写一段带测试的 API 代码，要求它：
Claude 做到了，而且中间几次纠错都是它自己意识到问题并重写的。
这种能力来自世界模型与强化学习的结合：模型不再只是回答问题，而是能在内部推演路径、拆解任务、预判结果、修正错误。
它已经从语言模型，进化成了行动模型。
Claude 和以往的语言模型有什么不同？
Julian 的回答非常简单：
Claude 不是聊天机器人了，而是你可以交任务给它做的执行者。
他说，在Anthropic内部，他们早已不再用 Claude 做“答题器”，而是让它处理真实任务，比如：
写一段可运行的 API 代码
阅读上千字的PDF文件，总结并列出关键要点
执行一整套文档处理流程，包括改写、格式化、生成摘要
更重要的是，这些任务由Claude分阶段自主完成，无需人工干预。
Julian 指出，过去几年行业里流行的“提示工程”（prompt engineering），本质上是人类给模型设好路，让它照着走。 但今天，Claude 的核心能力是“承接任务”：你不需要一步步指挥它，而是给出目标，它会自己拆分、执行、复查、完成。
这正是智能体（agent）开始成型的关键特征。
它不是靠记忆做题，而是靠连续思考和行动完成任务。
他举了 Claude Code 和 Claude Agent SDK 的例子。 这是 Anthropic 最近内部重构的两项重点模块，目标就是：让模型能像数字员工一样处理长流程、多步骤任务。
Claude Code 能做到：
在你没有写完整需求文档的情况下，推理出应该怎么搭建功能
而 Claude Agent SDK 更进一步，它能执行更复杂的多步任务，比如：
Julian 这样描述：你现在给 Claude 的不是一句话的问题，而是一张任务清单。
而这正是 Claude 与传统模型之间最本质的区别：传统模型只负责回答问题，依赖提示指令，完成单轮互动；而 Claude 已经能自主分解任务、多轮执行、自我纠错。
它已经从工具，变成了能交付成果的合作者。
如果说 Claude 已经能干活，那接下来的问题就是：它每次都能顺利做完吗？
Julian 给出的答案是：不一定。
他说，这正是今天做智能体最现实的挑战：
我们并不是担心模型不够聪明，而是它能不能稳定地把任务做完、不出错、不走偏。
AI 不是没有能力，而是太容易被小问题打断。
比如：
在一个文档流程中，模型前半段处理得很好，但后半段突然格式错乱；
在执行某个代码改写任务时，模型一开始理解正确，后来却忘记了最初的目标；
或者某个环节失败了，模型没有判断出错在哪里，继续错下去。
核心症结在于：预训练学到的知识很多，但它不会告诉你“什么时候要停下来”，也不会告诉你“这一步走得对不对”。
也就是说，模型并不是真的知道自己在做什么。
这时，Anthropic 的做法，是引入“强化学习”和“行为奖励”，让模型在每一步执行中有反馈、有方向感。
但这件事比想象中难得多。
强化学习有一个“反馈回路”：你训练出的模型，会用来产生新的训练数据，如果某个环节出了偏差，整个链条就会跑偏。
这和预训练完全不同。预训练像是在填空，目标是确定的；强化学习更像是在走一条不断修正方向的迷宫，每一步走错，都可能让模型偏离轨道。
所以 Anthropic 开始尝试几种解决方式。
第一种叫过程奖励（process-based reward），
不只是看最终结果对不对，而是给模型每一步都设一个参考点。
与其只奖励模型最后做出好答案，不如在它每一次推理、每一个中间步骤上，给出反馈。这就像老师不仅看你做出对的答案，还看你解题的过程。
第二种方法是自我验证。
Anthropic 在一些数学任务和代码任务中，让模型生成答案之后，自己反过来验证一遍。比如写一段证明，模型必须能自己检查逻辑有没有漏洞，才能得分。
这样能大大减少模型表面做对、实际做错的情况。
第三种，是在模型的“行为链”里加入错误修正机制。
“一个模型真正厉害的标志，不是它不会犯错，而是它知道自己错了，并主动改正。”
Anthropic 让 Claude 在任务中途，如果出现异常结果，能主动暂停、记录失败原因、重试流程。有点像你工作中一边做一边留备份，出错了能回退。
Julian 坦言，这些尝试仍然在早期：我们还在探索如何让这些方法更稳定、可规模化。这就是所以智能体要跨过去的一道坎，关键不在能力，而在可靠性和执行的稳定性。
今天的挑战不是模型太笨，而是它太容易因失误而偏离轨道。
在这场深度对话中，Julian反复强调三件关键事实：
任务在变长- 每三四个月，模型能独立完成的任务长度就翻倍
模型在干活- AI已经从回答问题进化到执行任务
节奏在加快- 不是十年后才改变，而是现在就要重构工作方式
那么，我们该如何判断这个趋势？他的回答是：
不要靠情绪、热度、感觉来判断 AI 发展到了哪一步。看任务，看数据，看它到底做了什么。
在他看来，现在市场上对 AI 的讨论，很多都停留在“是不是泡沫”“是不是突破”这些模糊话题上。但前沿实验室看的是：
模型能不能完成真实任务？
完成得有没有提高？
交给它之后有没有人持续使用？
这就是 Anthropic、OpenAI 和 Google 当前内部真正关注的评估维度。
比如 OpenAI 推出的 GDP-Val，就是让真实行业专家设计任务，让模型来完成，然后和真人的成果对比。不是看模型“答题得分”，而是看它是否具备实际完成工作的能力。
Julian 特别指出两个指标，是当前最有参考价值的：
一是 任务长度
AI 能连续工作多久？是 10 分钟，还是一整天？
模型完成任务的时间越长，就代表你可以托付的范围越大，节省的人工就越多。
二是 用户留存与复用
不是模型能不能用，而是大家愿不愿意持续用、是不是开始形成依赖。
你发布一个新模型，几天后用户就不再用了，那这个模型可能只是看起来强大，真正能持续产生生产力的 AI，一定会有使用量和留存增长。
当任务长度越来越长，用户使用频次越来越高，那说明 AI 不再是“功能”，而是开始成为“劳动力”。
那么，你该怎么办？
不是要做判断，而是去做实验。
把一项你平常要做 4 小时的任务交给 AI，试试看它能做多少，做得多好。连续做几次，你自然知道现在 AI 到哪了。
他说，自己每天都在做这样的尝试，每次的表现都在提升：完成得更多，失败更少。
也正因如此，他认为：2025年，不是超级智能来了，而是我们终于可以重构任务。把原来需要人一步步完成的流程，交给模型切块处理；把以前要人工推进的工作，设计成可以交代给 AI 的清单。
不是替代，而是重构“怎么完成任务”的方式。
在 AlphaGo“第37手”到今天的 Claude，Julian 见证了 AI 能力的指数级增长。
但他的建议始终务实：
“不要只看发布会和排行榜，要看模型能不能连续工作八小时不出错。不要期待一次性替代，要练习把任务清单交给 AI。”
更重要的是：不是等待突破，而是现在就开始搭建“AI+人”的协作团队。
因为当任务在变长，当模型在干活，当窗口期已经打开，
改变不在未来，就在当下。
参考资料：
https://www.youtube.com/watch?v=gTlxCrsUcFM&t=54s
https://ppc.land/ai-researcher-challenges-claims-of-development-slowdown-with-exponential-data
https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/
来源：官方媒体/网络新闻
本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，编辑：深思，36氪经授权发布。
发布时间：2025-10-28 10:02
立即订购
在线咨询
返回顶部