Karpathy 上周末在 X 上发了一条获得 185 个赞的推文：人们对 AI 能力理解的鸿沟正在扩大——很多人拿去年免费档 ChatGPT 的体验定义自己对 AI 的全部认知，而每天在前线用它的人看到的完全是另一个世界。这条推文的背后是一个更硬的问题：当我们讨论「AI 进展有多快」时，我们引用的数字本身可靠吗？ 10 月 8 日，UC Berkeley 统计系的 Drew Nguyen 与 William Fithian 挂出的论文 2610.12466，把这个问题对准了过去两年最有影响力的一条曲线：METR 时间视界图。
一、一条曲线的权力
先把这条曲线的地位说清楚。METR 是伯克利的一家非营利研究机构，纽约时报称之为「世界非官方 AI 裁判」。它的时间视界图从 2025 年 3 月发布，随每个主要模型发布逐点更新，一直画到 2026 年 5 月的 Claude Mythos。图上是一条陡峭的指数上升线——模型能以 50% 概率独立完成的软件任务的人类耗时，从 GPT-4 时代的 4 分钟一路涨到数小时级。
这条线的文化影响远超学术圈。纽约时报把它与摩尔定律类比；安全研究者 Jacob Steinhardt 把它与基林曲线并列——后者是测量大气二氧化碳浓度的经典曲线，曾把抽象的气候风险变成全球政策共识；Bengio 与参议员 Sanders 引用它呼吁放缓 AI 开发，2026 年夏天「放缓」成了美国头版话题。资本、政策、公众预期，都被这条曲线的形状牵引着。问题在于：摩尔定律的纵轴是物理测量，而这条线的纵轴是一个统计估计量。 估计量可以被批评、被改进——这正是 Berkeley 论文的切入点。
二、50% 时间视界的构造
时间视界的构造分三步。第一步，METR 收集了 228 道手工设计的软件工程任务，每道题标注「人类耗时」——职业工程师完成它所需的时长，从几分钟到 30 小时不等。第二步，对每个模型在这些任务上重复多次独立运行，测出各任务的成功率。第三步，拟合一个模型，找出该模型以 50% 概率成功的任务对应的人类耗时——这就是时间视界。
基线方法（METR 研究笔记中的 shared-slope 逻辑斯谛模型）包含一个核心假设：任务对 AI 的难度随人类时长的对数线性增长。换句话说，10 倍的人类耗时增量，无论发生在 3 分钟到 30 分钟之间，还是 30 分钟到 5 小时之间，对 AI 而言难度增量相同。这个假设让曲线美观、外推方便，但它是假设，不是数据。
三、放松假设之后：一条有拐点的转换曲线
Berkeley 团队用两件武器重新分析同一份公开数据：样条函数与项目反应理论（IRT）。样条放松了线性假设，让数据自己说话；IRT 则把「任务难度」与「模型能力」放进同一个统计框架，用交叉验证的正当评分规则（proper scoring rules）客观比较新旧模型的预测质量。
核心发现浓缩成一句话：把人类时长转换成 AI 难度的那条函数，在 2 至 30 分钟区间内几乎平坦，在此之外才接近线性。 直觉解释是：人类耗时 3 分钟与 30 分钟的任务，对 AI 而言难度差距远小于线性假设的预期——简短任务凑起来都是「查个事实、改一行代码」级别的轻量活；而一旦越过 30 分钟，任务开始需要真正的多步规划与状态管理，难度才随时长陡增。
这直接改写了倍数的含义。视界从 3 分钟涨到 30 分钟，与从 30 分钟涨到 5 小时，虽然都是 10 倍，但后者代表的能力跃迁远大于前者。 换句话说，时间视界曲线在早段的陡峭爬升，一部分是指标构造的产物而非能力的等比例增长；真正高含金量的倍数集中在曲线的陡段。论文还发现，重算后的估计在评分规则下整体预测更准，而新旧估计分歧最大的区域，恰好落在转换曲线最平坦的部分——那里正是外推最危险的地方。
四、这不是第一条裂缝，但可能是最严谨的一条
对 METR 曲线的批评并不新鲜：LessWrong 上有人指出 80% 视界的估计可能偏差一个数量级，有人写过「如何操纵 METR 曲线」，还有研究者干脆论证「通用能力根本没有好的纵轴」。但此前批评大多停在「这数据有毛病」；Berkeley 论文的差异在于给出了更好的估计器——在留出数据上用评分规则证明自己预测更准，并配了一套诊断图，让任何使用者可以自查「构造效度」（construct validity）：这个指标测的到底是不是我们以为它在测的东西。
作者还指出了前瞻性风险：当前任务库最长 30 小时，未来向更长任务扩展时，没有先验理由认为线性关系会延续——新任务区间可能再次出现平坦或陡峭段，而线性模型的检验根本发现不了这类拐点，诊断图可以。至于把这套方法外推到机器人等物理智能领域，作者提醒：锚定尺度未必还得是人类时间，选错锚定尺度的代价可能比统计误差大得多。
五、给读者的三个提醒
第一，单点趋势比精确倍率可靠。「视界在指数增长」这个定性判断，比「每 7 个月翻 2 倍」的定量声明更稳健；引用时优先用前者。第二，警惕跨区间比较倍数。平坦段的存在意味着同样的倍数在不同起点上含义不同，把 GPT-4 时代与前沿模型时代的「翻倍」直接等量齐观是方法错误。第三，指标与叙事之间保持一档距离。时间视界被设计出来的初衷是给从业者一个可解释的能力单位，当它被用于政策倡导与投资叙事时，附带误差条的仪表读数就会被自动翻译成不带误差的口号——Karpathy 说的理解鸿沟，一半来自这里。
统计学对一条明星曲线的审视，不是否认进展，而是让进展的度量配得上它承担的决策重量。METR 用一套可批评、可改进的公开方法建立了行业基准，这本身是件好事；现在这套方法被严格地检了一遍，曲线反而更可信了——前提是，读它的人知道该搭配哪些诊断图一起看。