智能体、AI 起飞与 DeepSeek R1：2025 年 1 月的观察

2025 年 1 月 20 日，我回顾关于计算机使用智能体的早期报道、Sam Altman 对 AI 起飞速度不断变化的预期，以及刚发布的 DeepSeek R1。许多内容是当时的预测与传闻，而非对当前产品的描述。

我提出，短期内工作受到的影响可能取决于工作有多数字化，以及任务有多容易衡量。这是一个粗略判断，并不是对具体职业的可靠预测。

有报道称大型公司可能很快宣布能力很强的智能体，而 OpenAI 对多智能体研究和工具使用感兴趣。“博士水平”这一说法存在争议；我引用的报道对具体能力和时间提供的证据有限。

我用 WebVoyager 和 OSWorld 的例子具体说明。一项浏览器任务要求智能体查询 Apple 配件的附近取货情况；另一项桌面任务涉及处理视频及其字幕轨道。

按制作时间和评价门槛寻找食谱可能有用，因为用户可以检查答案。这些任务范围相对有限，不能证明智能体能可靠地完成长期复杂项目。

我提到报告中的点击不准确和网页干扰问题。智能体可能对广告采取行动的例子说明，将购买权限交给自动化系统需要谨慎；这是一个假设风险，并非已记录的购买事件。

我编写的数学谜题对早期 ChatGPT 模型很难，而后来的 o1 Pro 测试解出了其中许多题。这段经历让我预计智能体可能迅速进步，甚至可能发生在 2025 年内。这是基于个案的预测，不是受控测量。

我引用研究员 Noam Brown 的观点：当模型在某个自己关心的领域超过顶尖人类时，人们可能最强烈地感受到 AI 进步。他同时提醒，乐观预期之外仍有尚未解决的研究问题。

Altman 说，他认为快速 AI 起飞比几年前想象的更有可能，并将时间描述为几年而非十年。我把这与他早先对较慢起飞的预测作比较；由于定义不同，精确比较并不容易。

我将早先的 AI 监管呼吁与 OpenAI 2025 年经济政策文件作对照，后者敦促政策制定者不要阻碍 AI 发展。这些是当时讨论的立场，视频并未建立该组织政策历史的每个细节。

视频转向录制前不久发布的 DeepSeek R1。我查看了部分公布的基准和当时价格，但承认尚未读完整篇论文。这些早期数字不是当前价格，也不是对所有用途的独立评估。

我说 R1 在我的 SimpleBench 公开题目初测中表现不太理想，完整测试仍待进行。我鼓励人们在与自己相关的任务上测试模型，而不是只依赖一个公开基准。

我还讨论通用 GPT 与推理模型路线可能结合，并关注其他实验室的进展。在我的一个编程项目中，Claude 3.5 在一项任务上优于 o1 Pro，但我明确将这视为个案。

最后我追问，2025 年会带来有用的智能体，还是社交媒体的期待已经超前于现实。我的回答是，真实进步与夸大的说法可以同时存在。