AI能拿数学奥赛金牌,却算不好你的Excel:能力为什么不均衡

斯坦福大学《2026年AI指数报告》里有两个挨着的数字，放在一起有点拧巴。

Google的Gemini Deep Think在2025年国际数学奥林匹克拿了35分，满分42分，够得上金牌，4.5小时内用自然语言把题解完。

可同样是这批顶尖模型，去读指针式时钟，正确率只有50.1%，人类是90.1%。能攻下奥赛题，却读不准一个钟，这种落差，报告管它叫"锯齿状智能"。

挪到办公室里，它长这样：它能帮你把一份行业分析搭得有模有样，却在你那张月度表上把月份串行、把该改的第7列公式漏掉。越是要一格一格对着、按公司里那套规矩来的活，越容易出岔子。

别把它当成一个分数

"锯齿状智能"是Andrej Karpathy2024年提出来的说法。他举的例子很出名：模型会认为9.11比9.9大，会数错strawberry里有几个r。原因不难理解：前者那串数字在训练文本里多是版本号，后者被分词切成一整块，模型没逐字母看过。

说白了，AI的能力不是一根平线，而是几项被单独顶高、其余留在原地。所以我更愿意把它想成一张体检表：每项单独打分。

某项95分，不代表另一项也是95分，你也从高分那项推不出哪块会掉到30分。人的本事是连着长的，AI的各项分开练，练到哪儿算哪儿。

这也是打工人最容易踩的坑：拿一次惊艳的表现给它打总分，或者反过来，拿一次翻车就断定它不过如此，两个都不准。

为什么会偏科？往下追一层，能追到它的练法上。

真正卡住的，是没人给它当裁判

为什么偏偏数学和代码窜得最快？答案在练法里。

2024年11月，AI2在Tülu3报告里给一套训练方法起了名字，叫RLVR（可验证奖励强化学习）；2025年1月DeepSeek-R1让它出了圈。

数学题答案唯一，程序一比就知道；代码能不能跑，扔进测试集就清楚。有这么个不发工资、不累、不偏心眼的自动裁判，模型就能自己跟自己刷上几百万道题，错了改、改完再刷。

从OpenAI的o1到DeepSeek-R1，推理能力的每一轮跳涨，都跟这套练法关系很大。

麻烦在于它有个硬边界：得先有个便宜又可靠的裁判。"这份周报写到位了没有""这笔报销该不该批"，都没有现成的裁判，这些得人来判断，而判断写不成一行程序，就没法刷几百万次。裁判写不出来，这套练法就使不上劲。

表格正好是个现成的例子。2024年清华KEG实验室在NeurIPS上发布SpreadsheetBench，用真实工作里的表格操作考模型：当时GPT-4o做对约17%，Excel里的Copilot做对约20%，请来的Excel专家做对在六成以上。

这是两年前的成绩，别拿它当现在的成绩单。值得看的是考点：会不会算加法根本不是考点，考的是能不能搞清楚该改哪一格、改完别的格子会不会跟着变。

这道坎不只在表格上，你单位里到处都是。

同一条根，也长在公司里

回想一下自己单位：一件事该走哪几步、哪些数字一眼就不能信、"原则上可以"到底算可以还是不可以，这些多半没写进制度，全靠老人带、靠自己撞过几次才记住。

人干活时这些不用说出来，交给AI就得说出来。你给它十份历史方案，也不等于告诉了它当初为什么选这份、否掉那份。

于是就有个看着挺矛盾的场面：模型能证一道难题，接不住你手上那张表；个人用着一天比一天顺手，公司铺开却迟迟看不到收益。这不是两件事，是同一条根——一边有自动裁判，一边没有。

这根怎么落到自己身上？判断AI能做哪一块，别看活听起来高不高级，就看一件事：就是做对了，谁说了算，说到底，就是上一节那个"自动裁判"在不在。

我的判断

能对标准答案的、跑一遍就能验的、错了当场看得见还能重来的，这几年的进步会一直快。

定方案、写周报、核一张牵扯十几列的表，对错要人定、依据没落纸、错了常要几个月后才在对账时冒出来，就慢得多。它的短板未必永远补不上，但眼下确实卡着。

斯坦福那份报告还有一组数字能说明问题：机器人在软件模拟环境里的任务成功率能到89.4%，换成真实的家务，比如叠衣服、洗碗，掉到12.4%。环境一乱，分数就塌。你的工作表，比仿真环境乱得多。

所以结论别停在嘴上，得拿真事试一遍。

三个问题，可以测这活能交给AI多少

不用等公司上系统，就拿你每周都要做的那件事，问自己三句：

1. 做对了谁说了算？有个能对的标准答案，或者跑一下就知道，这块可以往外交。

2. 判断要用的东西写下来了吗？如果答案还停在"看情况""去问某某""原则上"，AI拿不到，得先补这一层。

3. 错了多久能发现？当场看得见、改得回的，尽管交；要等季度对账才露出来、还得有人签字背责的，留一双眼睛。

三句里有一句答不上来，先别整件交出去。把答得清的那部分单独切出来，剩下的自己盯。边界画在能查的地方，返工就少。

来到当下，今天就做一件小事

打开那张你每周都要动的表，别急着让AI干活。最上面空一行，写下"做成什么样算对"，三行以内。

写得出来，这三行就是你给它立的裁判，往后可以分出去一部分；写不出来，也别急着换工具、改提示词，先把那几行补上，补的时候你会看清这活儿到底难在哪一步。

哪部分能交、哪部分还得自己盯着，写完这三行，心里就有数了。

End-

感谢读到最后

看更多AI行业思考与实用干货

长按识别二维码

关注闲逛的慕

▼

闲逛的慕

一个AI领域的自由创业者，分享AI行业变化与实用干货

看见

更大的世界

▲ 长按识别关注