AI 为何进步不均？a16z、Replit 创办人：可验证性就是关键差别

知名创投 a16z 创办人 Marc Andreessen 与 Replit 创办人 Amjad Masad 于 10/25 对谈，聚焦 AI 发展现况。Andreessen 指出，AI 在写程式、算数学、模拟物理现象的进步惊人，但在医疗、法律等领域有停滞状况。Masad 回应，关键不在难度，而在可验证性。也就是，能客观判断对错的任务进步最快，越模糊的领域越难突破。

AI 有两种速度：能够验证的跑得比谁都快

Masad 先回顾模型训练方式，早期的语言模型只是先看文字，然后猜下一个字，虽然会讲话，但不会真正推理。直到引入强化学习 (Reinforcement Learning, RL) 之后，AI 才开始在可验证环境中学习。他解释：

「像修程式 bug 、有单元测试、或能跑出明确结果的题目，AI 可以直接知道自己对或错。」

这种即时回馈的训练方式，让 AI 能快速强化解题能力。

为什么医疗和法律领域追不上？

Andreessen 提问：「那医疗、法律这些领域呢？为什么看起来进步那么慢、还有停滞的现象？」Masad 回答：

「因为它们，没有唯一的答案。」

Masad 举例，医学诊断可能有多重病因、病程变化，法律判决也因为法官与案例差异而不同，也就是太过于弹性，没有明确的标准答案。这使得模型很难自我验证、无法建立强化回圈。

虽然，可以透过人类反馈的强化学习 (RLHF) 来辅助模型，但那仍属于主观评价，不像是数学或程式那样直接明确。

(注：基于人类反馈的强化学习 (RLHF) ，为是一种机器学习 (ML) 技术，使用人类反馈来完善 ML 模型，以提升自学效率。)

真正关键不是「难度」而是「可验证性」

Andreessen 整理观察后说：「所以重点不是问题难不难，而是能不能确认正确答案？」Masad 表示：

「对，AI 在程式和数学上的爆发，不是因为它比较简单，而是因为能验证结果。」

例如写程式时，只要程式能编译、测试能通过，AI 就能立刻得到「正解」回馈，这让模型能每天自动跑上千次练习、快速进化。

还有哪些领域具备可验证性

两人列出 AI 进步最快的几个领域：

数学与物理：有明确方程式与模拟结果。

化学与生物：像蛋白质折叠、基因序列，可用实验或模拟验证。

机器人：任务成功与否可直接量化。

这些都属于「可被客观验证」的领域，因此成为 AI 目前最陡峭的学习曲线所在。

写程式的 AI 会先一飞冲天，医学法律还在路上

Masad 总结观点时说：

「写程式的 AI 会先一飞冲天，数学、物理、化学也会紧随其后。但像医疗、法律这类较抽象的领域，还得慢慢追。」

Andreessen 也附和：

「这是自然现象。AI 在能够量化的地方先爆发，在人类判断模糊的领域就会慢一拍。」

这篇文章 AI 为何进步不均？a16z、Replit 创办人：可验证性就是关键差别 最早出现于 链新闻 ABMedia。