当最懂 AI 的人反复低估 AI 的进展速度，我们该信谁的预测？
发生了什么
据 The Decoder 报道，Forecasting Research Institute 的一项研究指出，领先的 AI 专家系统性地低估了该领域的推进速度。两个被点名的例子是：AI 在达到国际数学奥林匹克（IMO）金牌水平这件事上，比专家预测的中位数提前了约五年；而 Anthropic 的年化收入，约为专家此前预测的五倍。
不过，研究并未得出"专家全错"的简单结论。在自动驾驶等真实世界应用上，预测结果呈现出更复杂的图景——部分场景的落地节奏并未如预期般迅猛。
为什么重要
预测偏差本身不是新闻，偏差的方向才是。过去几年，AI 能力边界的扩张主要沿着可验证、可规模化、反馈信号清晰的赛道推进：数学推理、代码、基准测试。这类任务天然适合大规模训练与自动评估，因此进步曲线陡峭，且容易突破人类直觉的线性外推。
而专家群体——即便是顶尖研究者——的预测往往锚定在自身经验与当下瓶颈上，对算力堆叠、数据合成、后训练方法迭代带来的非线性跃升估计不足。当整个行业在同一时间被同一批技术拐点推动时，个体预测的保守会形成系统性偏差。
更值得注意的是收入侧的信号。Anthropic 年化收入达到预测的五倍，说明能力提升正在以比预期更快的速度转化为商业需求。这不仅是技术问题，也是市场对 AI 价值兑现节奏的重新定价。
影响与看点
对行业而言，最直接的启示是：把专家预测当作参考系而非天花板。在能力基准（benchmarks）和模型发布节奏上，保守预测可能持续被证伪。
对开发者和产品团队，这意味着两件事。其一，为模型能力预留比当前需求更大的接口与抽象层，避免每半年重构一次架构。其二，警惕"能力快、落地慢"的错配——自动驾驶的混合图景提醒我们，涉及物理世界、监管、安全与长尾场景的领域，技术曲线与部署曲线并不同步。
对普通用户，值得关注的不是某个具体预测数字，而是这种偏差的持续性：如果专家在能力侧持续低估、在落地侧判断分化，那么真正稀缺的将不是模型本身，而是把快速提升的能力稳定转化为可靠产品的工程与组织能力。
一个独立判断：未来一两年，"预测被提前打破"大概率仍会发生在可自动评估的领域，而真实世界应用的节奏，仍将取决于安全、成本与信任这些慢变量。
