2025 年 AI 回顾：推理、基准测试与不均衡进步

2025 年 12 月，AI Explained 主持人回顾一年的模型进展，并对 2026 年作出试探性预测。他围绕一个矛盾展开：系统在难题上可能令人惊叹，却仍会在简单问题上失败。

推理模型在回答上投入更多计算，并在多项基准测试中取得进步。主持人还讨论研究提出的可能性：更长推理可能降低输出多样性；这一发现的适用范围取决于所研究的模型和测试。

他区分了测试时推理与扩大底层模型和数据规模。引用的访谈中，Demis Hassabis 说尽管收益递减，他仍看到显著进步；这是该实验室负责人的判断。

主持人以 Genie 3 为例讨论交互式生成世界，随后提到视频、图像、语音和音乐生成的进步。他预计真实感和互动性会提高，但认为社会影响仍是开放问题。

他担心逼真的合成媒体会误导观众。他举出观众似乎当作真实内容的视频，说明即使知道深度伪造存在，识别生成内容仍然困难。

有趣的 AI 进展并不都来自前沿聊天机器人。他提到 DolphinGemma 对海豚声音建模的探索；这项研究仍处于探索阶段，不能说已经解码海豚语言。

主持人描述了公众的复杂态度：人们可能同时期待实用应用，又担心生成艺术、训练数据和对创意工作的影响。所引用的调查只是特定人群和时间的快照。

Hassabis 讨论了加速创意实验的工具与取代创作技能的担忧之间的取舍。主持人把它作为尚未解决的争论，而非既定结果。

各国政府开始在多种场景试用生成式 AI，结果好坏参半。主持人提醒，全面自动化的新闻标题与模型持续犯错可以同时存在。

谈到 GPT-5，他质疑“专家级难题表现意味着所有简单任务都可靠”的观点。他说，模型整体能力可以更强，同时仍会产生幻觉或犯基本错误。

他把迎合用户作为一种失败模式：以取悦用户为目标的系统可能肯定有害或错误的信念。这个例子说明，用户偏好本身不足以衡量回答是否有帮助。

主持人观察到，中国及其他开放权重模型持续改进，可能对前沿模型供应商形成竞争压力。他对未来价格和市场份额的判断是情景推测，而非既定事实。

他介绍 METR 的时间跨度指标：智能体以指定成功概率完成的任务，人类需要多长时间完成。这是特定任务集上的统计指标，不是智能体实际工作时长，也不是通用智能分数。

所讨论版本的任务集中在软件和机器学习工程。主持人指出，长任务一端存在不确定性、样本有限，计时所用的人类参与者之间也有差异。

他提醒不要简单地把趋势线无限延长。计算资源、任务选择、评估激励和成功阈值的变化，都会影响对测量跨度的解读。

将可靠性阈值从 50% 提高到 80% 会得到不同的跨度。METR 的方法明确规定成功概率；较长的 50% 跨度不应理解为接近必然成功。

讨论转向智能究竟是一种通用能力，还是许多部分独立的技能。主持人介绍研究者之间的分歧，并认为答案会影响对 AI 进展的预测。

在作出新预测之前，他承认此前关于前沿水平的互动视频化身会在 2025 年底广泛可用的预测，没有按他的预期实现。

他提出“横向生产力”：AI 可以帮助人们完成原有专长之外的任务。他以辅助专业方案的研究为例，同时指出相关安全隐患。

他还讨论机器人与日常辅助，强调在某些场景下不完美但有用的结果仍可能有价值。演示和公布的计划并不能证明已经广泛部署或具备可靠性。

为解释关于通用性的分歧，他对比了单一底层智能尺度与许多不同能力必须分别学习和测量的观点。他认为自己的看法介于两者之间。

他在自己基准测试中的经验影响了这一判断：模型可以广泛改进，同时仍保留令人意外的缺陷。单一基准或一长串狭窄分数都无法完整概括能力。

他对用单个类似智商的数字概括 AI 进展，或宣布 AGI 的精确时刻持怀疑态度。定义、测量选择和系统的实际后果都很重要。

主持人提出有条件的就业预测：他预计 AI 会产生广泛影响，但怀疑某种短期失业率急升的预测。这是他在 2025 年底的观点，并非已发生的劳动力市场结果。

他把 AI 放在从文字、印刷到搜索的信息工具历史中。他的类比是，更方便地获取积累的知识可能改变人们发现和使用信息的方式。

他讨论 AlphaEvolve：这一编码智能体结合模型生成的候选程序、自动评估与迭代搜索。自动字幕把名称识别错了；这里是 AlphaEvolve，而不是 AlphaFold。

其潜力在于搜索可能的改进，并保留通过可测量测试的候选方案。这最适合结果可以自动评估的领域，并不能消除科学研究中的所有人工瓶颈。

主持人提到持续学习、数据质量和对话行为研究，作为信息发现的例子。他把它们视为值得探索的早期证据，而不是模型能独立完成所有研究的保证。

他最后回顾编码能力改进的速度，并感谢观众。这篇年度回顾适合被视为 2025 年底观察和预测的记录，其中一些判断后来可能被证明错误。