衡量AI进步，别再数对话次数。

沃顿商学院研究 AI 与工作的 Ethan Mollick，在2026年6月30日的一篇文章里，介绍了 METR 等机构用的一把量尺：先按人类专家完成任务要多久给任务标出难度，再看模型完成这类任务的成功概率。它不是在计 AI 实际运行了多久。

这个角度比「一天聊了200轮」有用得多。对话多，可能是 AI 很勤快，也可能是它一直没听懂。更值得看的是，在固定成功率下，模型能独立完成的任务，原本要人类专家花多久。

Mollick引用了按人类程序员工时衡量任务长度的研究，也写了自己的实验：一个前沿模型曾连续工作9小时，完成他估计需要一个团队做一周以上的复杂软件项目。他同时提醒，能力前沿仍然参差，有些地方很强，有些地方照样会突然失败。

小时数也不能单独看，坐在工位9小时，不等于干了9小时好活。给自己的AI任务做记录，至少要留6项：人类原本要多久、AI独立跑了多久、第一次卡在哪里、人接管几次、最后返工多久、模型花费多少。

这是我给实际使用另加的一套账，不是 METR 的任务时长地平线。机器等待和人工劳动要分开。AI 后台跑3小时，人只看了10分钟，这是节省；AI 跑3小时，期间每隔5分钟追问一次，人根本没法做别的，就不能算自主。这套记录是在回答你到底省没省时间，不能拿来改写 METR 的图。

测试任务也要固定。给它一组简单题、一组日常题、一组极端题，提前写好成功标准；中途不要临时降低要求。换模型时继续用同一批题，才能看出独立工作时长有没有拉长。

一份原本要4小时整理的行业简报，AI跑了2小时，中间问人3次，最后又返工1小时。准确的记录是：4小时的活，变成了1小时人工加2小时机器等待。这样记，进步和代价都看得见。

每个月拿同一类资料、同一验收标准再跑一遍，才能分清模型变强了，还是这次题目碰巧简单。

任务时长地平线告诉你，模型大概能碰多难的任务；这套使用记录告诉你，它到底替人省了多少时间。两本账，得一起看。

#马力的AI知识分享#
#马力在记录AI领域500位大佬的分享#