AI还在高速发展吗？

数据截至 2026-06-10 | 本文由 Fable 5 模型和丁亦锟共同撰写

“Scaling 撞墙了。”

“AI 泡沫马上就破。”

“AGI 还有 18 个月。”

2026 年的 AI 圈，大概是科技史上分歧最严重的现场：一边是模型能力每 4 个月翻一倍的曲线，一边是 81% 的企业高管说 AI 没带来有意义的利润。

那么真实情况是怎样的呢？

我们把 2023–2026 年能找到的硬数据全拉了一遍：39 个基准缝合成的能力指数、METR 的任务时长、固定能力的推理价格、三种统计方式下的采用率、8 项随机对照试验、五大云厂的 capex（资本开支，主要是买芯片、建数据中心的钱）、头部实验室的收入——43 个公开数据源，6 张图。

先划重点：

• 模型层不仅没减速，2024 年上半年还踩了一脚油门。三个互相独立的数据源指向同一个拐点：能力增速 ×1.85，任务时长翻倍周期从约 8 个月缩到约 114 天，固定能力价格年降幅从 50 倍升到 200 倍。
• 应用层”慢”是个错觉，慢的只有利润。使用和收入都是指数：Claude Code 12 个月做到年化 80 亿美元，token 用量 25 个月涨了 330 倍。但 81% 的企业仍说 AI 没带来有意义的利润影响。
• 钱的缺口还有 9 倍，但性质变了：分母（收入）18 个月涨了 5–7 倍。
• 真正的图景不是”模型快、应用慢”，而是三条曲线的相位差：能力是指数曲线，采用是 S 曲线早段，利润是 J 曲线谷底。

下面逐层拆。

01｜尺子不够用了：基准从发布到”报废”，只要11个月

评价 AI 快慢，第一反应是看跑分。

但 2023 年之后，跑分图越来越难画了——不是因为模型涨不动，是因为尺子坏得太快。

△ 图1：八个代表性基准的生命周期，灰色阴影为 ≥90% 的饱和区。各基准分数不可横向比较，看的是各自”发布→打穿”的形状

把 2020 年以来的代表性基准放进同一张图，规律一目了然：

• MMLU（2020 年发布）：GPT-3 起步 43.9%，被推过 90% 用了约 39 个月；
• GSM8K（2021 年）：29 个月被打到 95%，随后因数据污染退役——题目泄进了训练数据，相当于考生提前背过答案；
• SWE-bench Verified（2024 年 8 月）：起步 33.2%，15 个月越过 80%（Claude Opus 4.5），20 个月后 93.9%，最新一代模型约 95%；
• ARC-AGI-2（2025 年 3 月）：号称”专为难住大模型设计”，发布时所有推理系统得分 ≤3%。11 个月后，84.6%（Gemini 3 Deep Think）。

发布→打穿，从 3 年，缩到 15 个月，再缩到 11 个月。

现在全行业没被打穿的尺子只剩两把：HLE（Humanity’s Last Exam，“人类最后的考试”，各学科压箱底难题的合集，最高分 46.4%）和 FrontierMath（职业数学家出的研究级数学题，T1–3 口径 52.4%）。更尴尬的是，后者刚被 Epoch 审计出约 1/3 的题目本身有缺陷——

出题的速度，已经赶不上做题的速度了。

顺带说一句 agent：OSWorld（让模型操作真实电脑的基准）从 12.2% 涨到 75%，只用了 23 个月，已超过人类基线的 72.4%。Agent 不是比聊天能力慢，只是同一条曲线晚两年起跑。

02｜把39个基准缝成一把尺子：拐点，2024年4月8日

单个基准会饱和、会污染、会退役，怎么办？

学界的办法：用统计模型把几十个基准对齐到同一把尺子上，原理类似把不同年份、不同难度的高考卷换算成可比的标准分。Epoch AI 的能力指数（ECI）就这样缝了 149 个模型、39 个基准。

把历代最强模型的分数连成一条”前沿线”，分两段各拟合一条直线，看斜率在哪一天变了。结果是这样：

△ 图2：Epoch 能力指数（ECI）前沿趋势，虚线为拐点前斜率的外推

拐点：2024 年 4 月 8 日。斜率从 8.3 分/年跳到 15.5 分/年，×1.85（R²=0.965——这个拟合指标满分是 1，0.965 意味着折线几乎完美贴合数据）。

这是什么时间点？行业把重心转向大规模强化学习后训练的窗口——五个月后，o1 那一代”先想再答”的推理模型正式登场。

而且拐点后的趋势线，到今天还压得住：GPT-5 150 分、Gemini 3 Pro 154 分、GPT-5.5 Pro 159 分——基本就贴在 15.5 分/年的延长线上。

没有放缓的迹象。

03｜换把不会饱和的尺子：从3秒到17小时

跑分有上限，时间没有。

METR（伯克利的一家非营利评测机构）的”时间地平线”指标换了个聪明的量纲：模型能以 50% 成功率完成的任务，换成人类专家来做，需要多久。

△ 图3：METR 50% 时间地平线（对数轴）。最新点已顶到任务集 16 小时上限，未计入拟合

这条线横贯 5 个数量级：

• 2019 年，GPT-2：约 3 秒；
• 2026 年 4 月，Claude Mythos Preview：约 17 小时。

翻倍周期：2019–2023 约 8 个月；2024 年起，约 114 天（本文用其公开数据重绘的拟合；METR 官方 TH1.1 口径为 89 天）。2026 年初，Claude Opus 4.6 的地平线约 12 小时——一个工作日级别的任务。

交互式 agent 也是同一个形状：τ²-bench（让 agent 在多轮对话里帮用户查订单、改机票的客服基准），2024 年 GPT-4o 不足 50%，GPT-5.2 已经 98.7%。

但注意一个细节：50% 成功率是条宽松的及格线，要求 80% 成功率，地平线大约短一个数量级。“基准上像超人、工作流里像实习生”，数学根源就在这——第 07 节还会回来。

04｜智能在通缩，旗舰在涨价

效率，是模型层叙事里最被低估的一半。

△ 图4：智能的价格双轨——固定能力在崩塌，旗舰名义价在回升

固定能力的价格在崩塌：

• GPT-4 级：$30 → $0.10/百万 token（token 是模型计费的文本单位，一百万 token 大约是 75 万个英文词），两年降了 300 倍；
• GPT-3.5 级：$20 → $0.07，约 280 倍；
• Epoch 测算：固定能力价格年降幅中位数约 50 倍，2024 年之后的窗口升到约 200 倍/年。

但另一条线反着走：旗舰名义价格 2026 年掉头向上——GPT-5 发布价 $1.25，GPT-5.5 涨到 $5，Claude Fable 5 直接 $10。

“智能通缩”只对固定能力成立，对前沿能力不成立。买两年前的智能，价格是地板价；买此刻最强的智能，厂商正在重新定价。

到这里，模型层三条独立证据链全齐了：ECI 拐点 2024-04、METR 翻倍周期 2024 年起减半、降价斜率 2024 年起翻两番。“2024 年上半年开始第二段加速”，是当前 AI 数据里最稳的结论。

供给侧也对得上：前沿训练算力约 5×/年，算法效率约 3×/年——两项相乘，有效算力一年涨约 10 倍。

05｜应用层：用的人指数涨，赚到钱的只有1%

模型这么猛，企业赚到钱了吗？

这是全文最拧巴、也最有信息量的一层。

△ 图6：左为三种统计方式下的采用率与利润影响，右为 8 项因果研究测出的生产率效应，从高到低排成一列

第一个问题：多少企业在用 AI？

这个问题没有唯一答案——取决于你问谁、怎么算：

• 问大企业高管”你们组织用没用 AI”，McKinsey 的调查：88% 说在用；
• 不听口头的，看账单。Ramp 是一家帮企业管信用卡和报销的公司，能直接看到几万家客户把钱付给了谁——按它的数据，50.6% 的美国企业在真金白银地为 AI 产品付钱，一年前还是 35%；
• 把全美所有企业都算上（包括理发店、修车行），美国人口普查局的官方调查：在用的只有 19.8%。

三个数字差出 4 倍多，但没人说谎：大公司先动，嘴上说用的多过真掏钱的，小店大多还没碰。关键是方向——三条线全在涨。

第二个问题：用了 AI 的人，真的干活更快了吗？

注意，“在用”不等于”有用”。要回答这个问题得做实验，标准做法叫随机对照试验（RCT），和测新药一模一样：把人随机分成两组，一组发 AI、一组不发，干同样的活，最后掐表。两组的速度差，就是 AI 的真实贡献。

图 6 右侧把 8 项最严肃的研究按结果从大到小排成一列，结果横跨整个光谱——从快 56%，到反而慢 19%：

• +55.8%：招两组程序员写同一个小程序，用 GitHub Copilot 的那组快了一半还多。任务标准、目标明确——AI 的主场；
• +26%：微软、埃森哲和一家财富 100 强公司的近 5,000 名程序员，在日常工作里测了几个月，用 AI 的组多完成约 26% 的任务；
• +14%：5,179 名客服配上 AI 助手后，每小时多解决 14% 的问题。新手提升最大，老手几乎不变（发表在经济学顶刊 QJE）；
• +12.2%：BCG（波士顿咨询）的顾问做分析任务，快 12.2%。但研究者故意埋了几道”看起来 AI 能做、其实会做错”的题——这些题上，用 AI 的顾问反而错得更多；
• 零：上面都是几周到几个月的实验，丹麦经济学家直接翻了两年的全国账本：2.5 万名员工的官方工资、工时记录。结论是 AI 普及两年，收入和工时没有任何统计上可见的变化；
• −19%：8 项里唯一的负数。

最后这个 −19%，值得单独讲。

METR（就是第 03 节量”时间地平线”的那家评测机构）找来 16 位资深开源开发者，在他们自己维护了多年的代码库里做 246 个真实任务，每个任务随机决定”可以用 AI”或”不准用”。

结果：允许用 AI 的任务，平均慢了 19%。时间花在哪了？写提示词、等生成、审查 AI 的代码、修 AI 的错——在一个你熟到闭着眼都能改的代码库里，AI 更像一个需要手把手带的实习生。

更扎心的是体感：实验结束后让开发者自己估计，他们普遍觉得 AI 让自己快了 20%。秒表和体感，差了 39 个百分点。2026 年的后续实验，结果仍然没有翻正。

组织层面更冷：

• MIT NANDA 报告：95% 的企业 genAI 试点，在利润表上看不到可测量的回报（方法论有争议，但量级被广泛引用）；
• McKinsey：只有 39% 的组织报告 AI 对 EBIT 产生过任何影响——EBIT 即息税前利润，可以粗暴理解为”主营业务到底赚没赚钱”。换句话说，61% 的组织连”有一点影响”都说不出口；
• 2026 年初的万人高管调查：81% 说没有有意义的利润影响，自评 AI 应用”成熟”的只有 1%。

看到这你可能想说：果然，应用层拉胯。

且慢。同一时期，还有另一组硬数据，形状完全不同：

• Claude Code：正式发布后 12 个月，做到年化收入 $8B（年化 = 按最近月收入 ×12 折算，下同）；
• Cursor：三年做到 $2B；Devin：一年涨 13 倍，到 $4.92 亿；
• ChatGPT：9 亿周活，5,000 万付费订阅；
• Google 全口径 token 量：9.7 万亿/月 → 3.2 千万亿/月，25 个月 330 倍；
• Anthropic 经济指数：企业 API 流量里，77% 已经是”全自动”用法——模型独立跑完整个任务，而不是人和 AI 一来一回地协作。

使用是指数，付费是指数，唯独利润证据是平的。

慢的不是应用，是组织变革和会计确认。 Stanford AI Index 估算，美国用户每年从 AI 产品中”白赚”约 $172B 的消费者剩余（愿意付的价钱，减去实际付的价钱）——比全行业收入还高。大量价值真实存在，只是没落进 GDP 和利润表的统计口径。

06｜钱：9倍缺口，和同一个月里方向相反的两个信号

资本的判断很直白：梭哈。

△ 图5：左为投资与 capex（柱），右为头部公司年化收入（对数轴），右下角标注 9× 缺口

• 2025 年全球私募 AI 投资 $344.7B（+127%），其中 genAI $170.9B；
• 2026 年 Q1，AI 拿走全球 VC 的 80%（$242B）；
• 五大云厂 capex：2023 年 $141B → 2025 年 $384B → 2026 指引 $610–690B。

收入端在指数追赶：OpenAI 年化 $25B+，Anthropic 年化 $47B，企业 genAI 支出（Menlo 口径）三年从 $2.3B 涨到 $37B。

但拿 2026E capex（约 $660B）除以头部两家实验室收入合计（约 $72B）——还是 9 倍。

2024 年 6 月，红杉资本发出著名的”$600B 之问”——AI 行业一年要去哪找 6,000 亿美元收入，才配得上买卡的钱？当时这个倍数是 6。倍数没好转，但分母（收入）18 个月涨了 5–7 倍，缺口的性质已经完全不同。

最微妙的是 2026 年 5–6 月，同一个行业给出两个方向相反的信号：

• Anthropic 预告首个盈利季度，并秘密递交 S-1（美股上市前的招股文件）；
• 同期，OpenAI 把 $1.4T 的算力承诺下修到 2030 年前约 $600B。

Bain 的测算挂在头顶：到 2030 年，需要 $2T/年的收入才能支撑算力扩张，目前缺口 $800B。

资金层既不证实”泡沫破裂”，也不证实”需求无限”——它只是把第 05 节的剪刀差，用杠杆放大了一遍。

07｜不是谁在撒谎，是四件事同时为真

能力指数涨、利润趴着不动，怎么可能同时成立？

四个机制，每个都有数据，互不矛盾：

1. 锯齿状边界：AI 的能力地图不是圆的，是锯齿状的。

人类的能力是连片的——会做微积分的人，必然会算加减法。AI 不是：它能拿下奥数题，转头却数不对一个单词里有几个字母；能写出复杂算法，却在一次简单的重命名里把代码改坏。强项和弱项犬牙交错，像锯齿。

BCG 实验里那个反差就是这么来的：任务落在 AI 的强项上，顾问快 12.2%；落在”看起来像强项、其实是弱项”的地方，用 AI 反而错得更多——而边界具体在哪，事先很难知道。

跑分测的是最高的那几颗齿尖；真实工作流要串起十几个环节，任何一环掉进齿缝，整条链就断。跑分由 AI 最强处决定，可用性由它最弱处决定。

2. 可靠性折价：及格线一提高，AI 能干的活大幅缩水。

METR 那个”12 小时”，按的是 50% 成功率——做两次成一次就算过。把及格线提到 80%（做五次成四次），AI 能胜任的任务马上从 12 小时级缩到 1–2 小时级。而企业要敢让 AI 真正进生产流程、不派人盯着，及格线往往得画到 99%。

听起来很致命？关键事实是：这个折扣不随时间变大。18 个月前，按 80% 及格线算，AI 只能干”几分钟”的活；现在是 1–2 小时——爬升速度和 50% 那条线一样快，只是晚跑了一程。

像同一条高速上的两辆车，时速相同，一辆落后几公里。落后的那辆不是不动，只是还没开到你家门口。

3. 组织吸收，历史上就是最慢的环节。

电这么划算的东西，工厂用了约 30 年才真正省出钱——因为光把蒸汽机换成电机没用，老厂房整个围着一根中央传动轴布局，必须推倒重建、给每台机器配上自己的电机，电的好处才兑现。IT 时代也一样，经济学家索洛 1987 年吐槽：“计算机无处不在，唯独不在生产率统计里。”

为什么总是这样？企业引入新技术，前几年是净投入：买工具、培训员工、重组流程、交学费——利润不升反降；改造完成后，利润才反超原点。把利润按时间画出来：先下探，再爬升，最后超过起点——形状正是字母 J。

所以 81% 没利润 + 1% 成熟，不是”AI 没用”的证据，而是整个行业正卡在 J 字那一竖的谷底。

4. 统计滞后：很多价值是真的，只是账本看不见。

最大的一块叫消费者剩余：你愿意为一样东西付的钱，减去实际付的钱。你可能觉得 ChatGPT 一个月值 300 块，但你用的是免费版——这 300 块的价值真实发生了，GDP 里记到的却是 0。Stanford 估算，仅美国，这类”白赚”的价值一年约 $172B，比全行业收入还大。

另外两笔账同理：AI 省下的时间多半被拿去干别的活，而不是变成裁员降本，所以财报上看不见；高管问卷问的是”已确认的利润影响”，从用上到敢在财报里认账，天然滞后 12–24 个月。

把四条放回数据，2023–2026 的一句话总结：

模型层在 2024 年初进入第二段加速（能力翻倍约每 3–4 个月、固定能力价格年降百倍），应用层的使用与收入以同样的指数形状跟跑、只落后一个相位，利润作为最滞后的指标还停在 J 曲线谷底——这不是技术放缓，这是通用技术扩散的标准时序。

08｜未来12个月，盯这8个数

不想追 43 个数据源？盯住下面 8 个数就够了。

两个胜负手：

① “AI 对利润有影响”的企业占比（McKinsey 调查，现在 39%）。J 曲线有没有开始抬头，就看它：突破 50%，说明利润开始兑现，2024–2026 这波天量投入就算押对了；要是一年后还停在 40% 以下，“还在 J 曲线谷底”的辩护就开始失效——同样的坏数据，“产能过剩”会变成更站得住脚的解释。

② 算力开支 ÷ 头部实验室收入（现在约 9 倍）。比值开始收敛，说明收入在追上来；继续发散，泡沫警报才真正响起。

三个看模型还快不快：

③ METR 的 80% 及格线地平线（现在 1–2 小时）——第 07 节那个”可靠性折扣”在不在缩小；

④ HLE 和 FrontierMath 的分数（现在 46.4% / 39.6%）——最后两把没打穿的尺子还能撑多久；

⑤ 旗舰模型标价（Fable 5：$10/百万 token）——再涨，“智能越来越便宜”的故事就要改写。

三个看应用和钱：

⑥ 人口普查局的全企业采用率（现在 19.8%）——理发店和修车行们什么时候跟上；

⑦ 下一代 agent 基准的起步分——如果新尺子一发布就被打出高分，说明出题真的跟不上做题了；

⑧ Anthropic 盈利季兑现 + IPO 定价（预告 2026Q2）——全行业第一份”AI 能赚钱”的审计级证据。

One More Thing

本文所有判断都建立在一个隐含假设上：这些尺子本身还能撑住。

但现实是——HLE 只剩一半空间；FrontierMath 被审计出 1/3 的题有缺陷；METR 最新的数据点（约 17 小时）已经顶到任务集 16 小时的上限，统计上只能记作”≥16 小时”，连拟合都进不去。

人类出题的速度，第一次系统性地跑输了 AI 做题的速度。

这件事，有人提前一年就说破了。

2025 年 4 月，姚顺雨——SWE-bench 和 τ-bench 的作者之一（本文引用的两把尺子都出自他手），时任 OpenAI 研究员、如今的腾讯首席 AI 科学家——写了一篇广为流传的《The Second Half》，核心判断两条：

AI 的下半场——从现在开始——重心将从”解决问题”转向”定义问题”。在这个新时代，评测变得比训练更重要。

AI 下棋赢了世界冠军，考试超过了大多数人类……但世界没有太大变化，至少从经济和 GDP 看是这样。我把它称为效用问题（the utility problem），这是 AI 最重要的问题。

为什么跑分和现实脱节？他给的根源：评测的基本设定和真实世界不一样——评测假设 AI 独立跑完全程，现实里人要全程参与；评测一道题做完就清零，现实任务一个接一个、互相纠缠。

你大概也看出来了：本文第 05 节的全部拧巴——基准超人、RCT 翻车、利润趴窝——几乎就是这两段话的脚注。

下次再聊 AI 发展的速度，可能得先发明新的尺子。而能出题的人，正在变成这个行业最稀缺的资源。

说明与限制：收入均为公司披露的年化 run-rate，非审计收入更非利润；Census BTOS 2025-11 起问卷口径放宽，前后不可严格比较（图中已虚线断开）；MIT NANDA 的 95% 存在方法论争议；METR 翻倍周期本文重绘为 114 天、官方 TH1.1 口径为 89 天；本文仅覆盖公开英文数据源，对中国及开源生态系统性低估。

主要数据源：Stanford HAI AI Index 2026 · Epoch AI（ECI / 推理价格 / FrontierMath）· METR（arXiv:2503.14499, Time Horizon 1.1）· OpenAI / Anthropic / Google 官方披露 · McKinsey State of AI · US Census BTOS · Ramp AI Index · QJE 140(2) · arXiv:2302.06590 · SSRN 4945566 · HBS WP 24-013 · NBER w33777/w34255 · MIT NANDA · Sequoia “AI’s $600B Question” · Shunyu Yao “The Second Half”（2025-04） · Crunchbase · Menlo Ventures · Bain Global Technology Report