人工智能的发展正呈现出一种两极分化的趋势，这导致了人们对其进展速度的误解。一方面，对于那些相对容易的短期项目，如大型语言模型回答常见问题，技术已接近顶峰，未来的改进空间有限。另一方面，在生物科学等复杂的长期项目中，尽管技术进步显著，但要将其转化为日常生活中的应用，还需要很长时间。因此，人们感觉AI进展缓慢，但这其实是一种认知偏差，因为持续的进步要么已被视为常态，要么其成果尚未显现。
两类不同的人工智能项目
人工智能的发展可以被划分为两个截然不同的领域：一类是短期内易于实现的项目，另一类则是需要长期投入的困难项目。
已接近极限的短期项目
这类项目主要指现有技术已经能够很好解决的问题，特别是大型语言模型（LLM）在信息查询方面的应用。
- 成果已近完美： 对于大量的常见问题，目前最好的语言模型已经能提供近乎完美的答案。在这些方面，模型本身很难再有大幅度的提升。
- 未来的价值在于集成： 未来的进步将更多地体现在如何将这些成熟的技术集成到不同的服务中，以提高生产力，而不是模型本身回答能力的增进。
- 问题的本质限制： 有些问题，比如“生命的意义是什么？”，其答案的质量受限于问题本身的模糊性，而非AI的能力。
对于这类问题，人工智能的回答不会变得更好，因为问题本身就没有被理想地定义。
成果迟缓的长期项目
这类项目涉及的是极其复杂的科学难题，例如生物科学或奥林匹克级别的数学问题。
- 进展稳步推进： 在这些领域，人工智能的进展实际上相当稳定且令人印象深刻。
- 应用转化周期长： 将这些技术突破转化为日常生活中的实际改善，需要数年甚至更长的时间。
- 现实世界的瓶颈： 延迟并非源于AI技术本身，而是现实世界中的流程，例如：
- 漫长的临床试验
- 药品审批流程（如 FDA）
- 公众对新技术的接受程度（如疫苗）
可以预见，人工智能很难显著加快这些现实流程的速度。
对AI进展的普遍误解
由于人工智能世界正迅速分化为两个部分，人们很容易产生一种错误的印象。
- a) 进展已达极致： 在一些领域，技术已经非常成熟，难以再取得突破性进展。
- b) 进展持续但不可见： 在另一些领域，进展虽然在持续，但需要很长时间才能被普通用户和消费者感知到。
人们会抱怨AI的进展令人失望，但这种看法大多是错误的。
这实际上是一种认知偏差。现实情况是，技术进步的步伐并未停止，只是那些最显而易见的成功已经被我们迅速吸收并视为常态。留给未来的，往往是那些本身进展就比较缓慢的难题。