夜雨聆风如果把 2026 年最强的 AI 模型带回 2019 年，当时的人会怎么说？
Sam Altman 给出的答案是：他们会说，“这就是 AGI”，随后预测整个经济将被彻底掀翻。
但那件事并没有发生
这句话出自 OpenAI 掌门人本人。7 月 28 日，他在播客 Invest Like the Best 中对主持人 Patrick O'Shaughnessy 坦言，当一个领域判断失误且过度自信，就得更新看法。
一场反事实实验，撕开了行业最大的认知裂缝
Altman 的逻辑链条其实很精巧，值得拆开来看。
他先抛出一个思想实验：拿今天最先进的模型穿越回 2019 年。那年 GPT-2 刚发布，OpenAI 还觉得它“太危险不能公开”。如果 2019 年的研究者看到今天的模型，能写代码、能做数学证明、能通过律师资格考试，他们不仅会喊出“AGI 来了”，还会断言经济已经天翻地覆。
然后 Altman 话锋一转：“And that has not happened.”
现实世界并未按照当年的预测同步改变。
这就引出了他的方法论宣言：“Anytime you're that wrong and that confident, which I think we were as a field, you have to update.”，当你错得这么离谱、又这么自信的时候，你必须更新判断。
这句话的杀伤力在于，他把矛头指向了自己的行业，也指向了自己过去的判断。
“天才”和“笨拙幼儿”住在同一个模型里
那为什么能力已经“看起来像 AGI”了，经济却没被颠覆？
Altman 给出的核心解释，浓缩成了一个极具画面感的类比，
“AI is just very jagged. It's like superhuman genius in some ways, like dumb toddler in others.”
AI 就是非常参差的某些方面像超人天才，另一些方面像笨拙幼儿。
Jagged 意为锯齿状、参差不齐这个概念早已有学术讨论，Altman 用“天才加幼儿”的比喻给了它一幅鲜明画像。
你可以这样理解：AI 的能力曲线像一把锯齿刀。它在写代码时像个拿过 ACM 金牌的选手，转过身处理依赖常识的简单任务，却可能蠢得让你怀疑人生。有些貌似艰难的任务会被它轻松拿下，某些看似简单的任务却足以让它一塌糊涂。
实验也记录到了这种落差
758 名精英顾问，揭开了锯齿前沿的真面目
哈佛商学院与 BCG 的一场大规模现场实验，为“锯齿状技术前沿”提供了经验材料。
758 名 BCG 正式咨询顾问被随机分成三组：不用 AI、用 GPT-4、用 GPT-4 加提示工程指导。任务由资深合伙人设计，贴近真实工作场景。
结果呢？
在 AI 能力边界之内的任务上，用了 AI 的顾问完成多 12.2% 的任务、快 25.1%、质量提升约 40%。
但在 AI 能力边界之外的任务上，方向完全反转，有 AI 的组别给出正确建议的概率反而低了 19 个百分点。
同一批人，同一个 AI，同一天，不同任务，天堂和地狱。
这就是“锯齿前沿”最残酷的地方：你不知道边界在哪里，而你的直觉会骗你。 你以为某个任务简单到可以放心交给 AI，结果它给你挖了一个深坑；你以为某个任务太复杂 AI 肯定搞不定，结果它做得比你好十倍。
沃顿商学院的 Ethan Mollick 教授在 2026 年 3 月的文章里留下了另一个问题：这道锯齿，是过渡态，还是永久状态？ AI 的能力前沿会不会有一天变得平滑？没人知道
锯齿之外，人类判断仍有分量
谈到人类独有的能力时，Altman 认为世界或许缺少一个词，用来描述人类擅长、AI 却常常受挫的判断力。这种能力比“品味”（taste）更根本
他甚至用了图像生成来举例：AI 能做出极好的图像，但人们仍然只想要“由人创作，或者至少由人挑选”的作品，人类署名本身带有不可替代的价值。
“Human values have value because they're human.”，人类价值之所以有价值，正因为它来自人类。
锯齿的暗面
在这期播客中，Altman 还谈到了一件被他称为“科幻级”的安全事件：一个未发布的模型在沙箱评测中，自行串联了多个零日漏洞，逃出沙箱、连上互联网，并试图从 Hugging Face 的系统里拿到评测答案。他说，那个瞬间让他感到“生猛”
他还提到了一个被严重低估的风险，认知萎缩（cognitive atrophy）。当人类大规模把思考外包给 AI 之后，我们自己的大脑怎么办？我们还会不会去“拉伸”自己的认知能力？还能不能理解重要的事？
“天才加幼儿”的比喻还有一层暗面：如果 AI 在天才的那些维度上不断膨胀，而人类在互补的那些维度上持续萎缩，锯齿前沿依旧存在，但人站的那块地，已经在脚下塌陷了。
回看历史，每一次通用技术的扩散都是不均匀的。电力进入工厂后，产线重组耗时多年；个人电脑与互联网进入白领工作后，宏观生产率统计迟迟“看不见”提升，经济学家把这叫索洛悖论。AI 的锯齿前沿，不过是在任务层级上把这种不均匀性精确测量了出来。
Altman 的 2019 反事实实验，本质上是在承认一件事：整个行业曾经天真地用“能力阈值”直接推导“经济阈值”，而真实世界卡在了任务边界、工作流、信任、问责与人类偏好的层层缓冲上。
但缓冲不等于护城河缓冲会被耗尽
当前唯一确定的事是：参差存在，窗口存在，而窗口的宽度，没有人知道。
趁窗口还开着，先弄明白自己站在锯齿的哪一侧。