【AI进化史诗】1000天，从“聊天玩具”到“数字同事”，我们亲历了怎样的革命？

原创于 2025-12-01 15:47:21 发布 · 411 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #百度 #深度学习 #机器学习 #安全

【导读】不到1000天，AI已从会聊天，进化到能读文件、跑任务、写论文。它开始介入实际工作流程，人类与AI的分工，也在悄悄重写。

AI走进大众视野，其实也不到1000天。

可就在这短短1000天里，很多事已经彻底换了样。

三年前，人们用GPT-3写诗、讲段子，它能把一句话写顺就是奇迹。

现在的Gemini 3，会读文件、查资料、跑代码、建网站，甚至能把十年前的旧数据整理成一篇14页的学术论文。

在没有具体研究题目的情况下，它也能自己确定研究切口。

AI不再等人开口提问，它开始主动把事情做完；而人与AI之间的关系，也悄悄进入了新位置。

一、三年前的「惊艳」，现在回看只是序章

如果把时间倒回2022年底，那个节点几乎是AI发展的起跑线。

就在ChatGPT刚上线前夕，Ethan Mollick写下了他在Substack上的第一篇GPT-3测试文章。

彼时的他还在感叹：

AI能写出一段顺畅的文字，已经足够改变世界。

在那篇文章里，他举的例子成了那个时代的代表性画面——让GPT-3写一首关于「糖果驱动的超光速引擎逃离水獭追捕」的诗。

这种轻巧、荒诞又略带才气的创意输出，曾让无数人第一次意识到：机器不只是补全文字，它真的能像在写作。

那一年，全网都在传播类似的故事。

媒体强调「AI会写作」「AI会讲段子」「AI模仿莎士比亚写诗」，技术论坛里也充斥着GPT-3的各种玩法，从写故事、写求职信，到写简单的Python函数。

GPT-3生成的一篇关于众筹如何助力创业的学术综述论文

但那时的能力短板：它能写，也只能写。

你给提示，它完成一句；你给框架，它模仿结构写一段。

再聪明，它也像是一个被困在文字框里的大型自动补全系统。

Mollick之后在文中也承认，当年他第一次感到震撼，是因为「AI 居然能写得这么顺」。

可他没想到的是，仅仅过了三年，Gemini 3只需给它一张截图，AI就能直接「做给你看」。

回头看，GPT-3的所有惊讶都像是时代的开场白。

真正的能力跃迁，还在后面。

二、AI不止是回应，它还会把事情做完

真正让人意识到时代变了的，是Gemini 3。

Mollick做了一个简单的实验：他把自己三年前写GPT-3的截图扔给Gemini 3，只给了一句提示：

用实际行动来展示人工智能自这篇文章发布以来取得了多大进步。

然后事情失控了。

在Mollick的测试里，Gemini 3直接构建了一个可交互的小游戏：

一个用糖果驱动的星舰，要逃离水獭追击，还配了动态文本、小诗和实时状态更新。

三年前只能在文本里描述游戏，如今它直接把游戏做出来。

但小游戏只是预告片。真正的核心在Google同期发布的Antigravity**。**

这是一个能读取本地文件、运行代码、规划任务、执行项目的通用型行动代理。

用户不需要写代码，只用中文或英文告诉它要做的事，AI自己把步骤拆开，然后一点点推进。

Mollick做了一个非常典型的测试：他给Antigravity访问权限，让它读取自己电脑里存着的所有newsletter旧稿。接着只下达一句话：

帮我做一个漂亮的网站，汇总我过去所有关于AI的预测，并去网上查查哪些预测准了、哪些错了。

Gemini 3接过任务后，开始自动读取文件、扫描内容、比对上下文，然后弹出一个行动计划让你确认——

包含网页结构、数据整理方式、需要额外搜索的点、交互形式，甚至包括可能遇到的技术问题。

人工智能第一次询问有关项目的问题，它对需求的理解得非常透彻，给人留下了深刻的印象

只有在需要判断方向时，AI才会ping他：「这里有两个可能路径，你想让我选哪一个？」

Mollick测试时，AI自动生成并部署的demo页面

Mollick的评价很直白：

这不像在prompt一个模型，更像在管理一个队友。

这句话说明了一个事实：Gemini 3已不再停留在语言模型阶段，它正在成为一个能执行任务、推进流程、判断路径的数字行动体。

对普通用户来说，这意味着过去三年最本质的变化不是模型更强，而是AI****终于从「只说不做」进入了「又说又做」的时代。

三、当AI会做科研，人类的任务只剩下审核

在Mollick的测试里，Gemini 3在测试中呈现出接近研究生水平的科研工作流程。

他没有给AI任何干净、整齐的数据，而是一份自己十年前做众筹研究时留下的旧文件夹。

各种格式混在一起，命名混乱，甚至包括——

「project_final_seriously_this_time_done.xls」这种文件名。

他把这一整包东西直接丢给Gemini 3，并给了它一句话：

先搞清楚这些数据的结构，把能修的修一修，清理干净，准备做新的分析。

然后AI开始自己工作。没有催促，没有提示，也不需要你告诉它STATA是什么。

它会自动识别文件格式、修复损坏数据、统一字段、重建可读结构，并按照研究常规流程整理出可分析的数据集。

这一步过去通常需要研究生级别的耐心和经验。

Mollick看到结果后，提出了第二个要求：

写一篇新的论文。用这些数据，找一个创业或战略领域有意义的理论问题，自己设计分析方法，写成一篇可投稿的学术文章。

他没有告诉AI要研究什么、没有给任何方向、也没有限定主题。Gemini 3自己就能决定研究切口，

它提出了一个能与现有文献对话的假设，设计合适的统计模型，跑完数据，生成结果，再把整套内容写成了一篇14页的完整论文，包含摘要、理论、方法、数据描述、回归表格、讨论与局限。

最让人意外的，是论文里出现了一个AI自创的指标。

它利用NLP方法计算「项目创意的独特性」，通过文本相似度量化「一个众筹项目到底有多特别」。

在这个案例里，它不只是模仿已有做法，而是尝试做方法层面的扩展。

当然，它并不是完美的。Mollick也指出AI有一些典型问题：模型有的地方过拟合，解释略显自信，理论段落写得有点「太努力」。

但这些问题并非幻觉或混乱，而是更接近研究生写作时的判断偏差和方法细节不足。

当Mollick给出方向性建议，例如「理论部分补充文献」「方法段落写得更稳妥一些」时，Gemini 3能根据这些反馈进行有效修订。

从整个过程可以看出，Gemini 3可以承担科研工作里大量「执行性任务」，而人类在其中的角色更像是审稿人、研究负责人、方向决策者。

回看这三年，GPT-3 时代，人类负责「提出问题、设计方向」AI 负责生成一段文字。

到了Gemini 3，人类提出粗略目标，AI会把数据整理、建模、写作、执行流程全部推进到位，再让你做最终判断。

AI不再停留在对话窗口里，它开始执行项目、处理文件、构建研究环境，甚至能独立做出研究选择。

而人类也不再是修正AI错误的人，而是在逐渐转向「给AI下达任务并审核结果的人」。

这就是1000天带来的变化。

不是某个模型更强，而是整个协作方式已经重写。

AI的位置往前走了一步，人类的角色也随之调整。

这种位移正在成为新的常态。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述