"模型做不到"背后的隐藏词：Yet

一句话引发的思考

在AI领域，一条来自推特的短评近期引发了广泛共鸣："anything that can happen will happen"（凡是可能发生的，终将发生），而所有"模型做不到X"的论断，其结尾都隐含着一个未说出口的词——"yet"（暂时）。

这句话看似简单，却精准戳中了当下AI能力评估中一个反复上演的认知误区：我们习惯于用当下的技术边界，去为一项本质上处于快速演进中的技术下永久性的结论。

"做不到"的历史总是被反复推翻

回顾生成式AI的发展历程，几乎每一个曾经被断言为"模型永远做不到"的任务，最终都被攻克了。

那些被打破的"不可能"

几年前，业界普遍认为大语言模型"无法进行连贯的多步推理"。然而随着思维链（Chain-of-Thought）提示技术和推理模型（如 o1、o3 系列）的出现，模型在数学竞赛、编程和逻辑推理上的表现已经超越了大量人类专家。

同样，"模型无法生成高质量图像"的说法在 Midjourney、DALL-E 和 Stable Diffusion 面前已成历史；"模型无法生成连贯视频"的断言，也被 Sora 等模型逐步瓦解。

这些案例共同指向一个规律：当我们说"模型做不到某件事"时，通常描述的只是当前架构、当前数据规模、当前训练方法下的局限，而非某种根本性的、永恒的能力天花板。

归纳法陷阱：为什么我们总是低估AI进步速度

人们容易陷入一种"归纳法陷阱"——因为过去几个版本的模型都做不到某事，就推断它"本质上"做不到。但AI能力的提升往往不是线性的，而是伴随着架构创新、规模扩展和训练范式变革出现的阶跃式突破。这也正是"yet"这个词的价值所在：它提醒我们，判断应当是暂时性的、可修正的。

为什么"隐含的yet"对AI从业者如此重要

对研究者：保持科学的谦逊与开放

对研究人员和工程师而言，承认"yet"意味着一种科学的谦逊。当遇到模型无法完成的任务时，正确的态度不是宣布"这条路走不通"，而是追问："是什么阻碍了它？是数据、算力、架构，还是我们提问的方式？"

这种视角上的转变，往往是突破的起点。许多重大进展恰恰来自那些拒绝把"暂时做不到"当作"永远做不到"的团队。

对从业者：产品规划要留出技术演进空间

对产品经理和企业决策者来说，"yet"意味着在制定长期战略时，不能把当前模型的短板视为固定不变的约束。今天需要繁琐工程绕开的能力缺陷，可能在下一代模型中就自然消失了。这要求团队在架构设计上保持灵活，避免过度针对当前局限做"永久性"优化。

"Yet"不是万能的：区分两类AI能力限制

值得警惕的是，这句话也可能被滥用为盲目乐观的挡箭牌。"凡是可能发生的终将发生"这一表述，本身预设了某件事"在物理和理论上是可能的"。

工程性限制 vs 原理性限制

真正有价值的讨论，在于区分两类限制：

• 工程性限制：受限于当前数据、算力、算法的问题，大概率会随时间被解决。这类才配得上"yet"。
• 原理性限制：受计算复杂度、信息论边界或物理定律约束的问题，可能永远无法突破。

把两者混为一谈，无论是过度悲观还是盲目乐观，都会导致误判。理性的态度是：默认开放，但要求证据。当有人说"模型做不到X"时，我们既要追问"真的永远做不到吗"，也要审视"这究竟是暂时的障碍还是根本的边界"。

结语：以动态视角看待AI能力演进

这条推特的深刻之处，在于它用一个词概括了理解AI发展的正确心态。技术不是静止的快照，而是持续演进的过程。

在评价AI能力时，我们或许都该养成一个习惯——每当想说"AI做不到"时，在心里默默补上那个隐含的"yet"，然后思考：这个"yet"何时会到来，又需要什么条件才能实现。这种动态、审慎又开放的思维方式，才是在快速变化的AI时代保持清醒的关键。