1000天，AI从「聊天工具」变成「数字同事」！

AI走进大众视野，其实也不到1000天。

可就在这短短1000天里，很多事已经彻底换了样。

三年前，人们用GPT-3写诗、讲段子，它能把一句话写顺就是奇迹。

现在的Gemini 3，会读文件、查资料、跑代码、建网站，甚至能把十年前的旧数据整理成一篇14页的学术论文。

在没有具体研究题目的情况下，它也能自己确定研究切口。

AI不再等人开口提问，它开始主动把事情做完；而人与AI之间的关系，也悄悄进入了新位置。

三年前的「惊艳」，现在回看只是序章

如果把时间倒回2022年底，那个节点几乎是AI发展的起跑线。

就在ChatGPT刚上线前夕，Ethan Mollick写下了他在Substack上的第一篇GPT-3测试文章。

彼时的他还在感叹：

AI能写出一段顺畅的文字，已经足够改变世界。

在那篇文章里，他举的例子成了那个时代的代表性画面——让GPT-3写一首关于「糖果驱动的超光速引擎逃离水獭追捕」的诗。

这种轻巧、荒诞又略带才气的创意输出，曾让无数人第一次意识到：机器不只是补全文字，它真的能像在写作。

那一年，全网都在传播类似的故事。

媒体强调「AI会写作」「AI会讲段子」「AI模仿莎士比亚写诗」，技术论坛里也充斥着GPT-3的各种玩法，从写故事、写求职信，到写简单的Python函数。

GPT-3生成的一篇关于众筹如何助力创业的学术综述论文

但那时的能力短板：它能写，也只能写。

你给提示，它完成一句；你给框架，它模仿结构写一段。

再聪明，它也像是一个被困在文字框里的大型自动补全系统。

Mollick之后在文中也承认，当年他第一次感到震撼，是因为「AI 居然能写得这么顺」。

可他没想到的是，仅仅过了三年，Gemini 3只需给它一张截图，AI就能直接「做给你看」。

回头看，GPT-3的所有惊讶都像是时代的开场白。

真正的能力跃迁，还在后面。

AI不止是回应，它还会把事情做完

真正让人意识到时代变了的，是Gemini 3。

Mollick做了一个简单的实验：他把自己三年前写GPT-3的截图扔给Gemini 3，只给了一句提示：

用实际行动来展示人工智能自这篇文章发布以来取得了多大进步。

然后事情失控了。

在Mollick的测试里，Gemini 3直接构建了一个可交互的小游戏：

一个用糖果驱动的星舰，要逃离水獭追击，还配了动态文本、小诗和实时状态更新。

三年前只能在文本里描述游戏，如今它直接把游戏做出来。

但小游戏只是预告片。真正的核心在Google同期发布的Antigravity。

这是一个能读取本地文件、运行代码、规划任务、执行项目的通用型行动代理。

用户不需要写代码，只用中文或英文告诉它要做的事，AI自己把步骤拆开，然后一点点推进。

Mollick做了一个非常典型的测试：他给Antigravity访问权限，让它读取自己电脑里存着的所有newsletter旧稿。接着只下达一句话：

帮我做一个漂亮的网站，汇总我过去所有关于AI的预测，并去网上查查哪些预测准了、哪些错了。

Gemini 3接过任务后，开始自动读取文件、扫描内容、比对上下文，然后弹出一个行动计划让你确认——

包含网页结构、数据整理方式、需要额外搜索的点、交互形式，甚至包括可能遇到的技术问题。

人工智能第一次询问有关项目的问题，它对需求的理解得非常透彻，给人留下了深刻的印象

只有在需要判断方向时，AI才会ping他：「这里有两个可能路径，你想让我选哪一个？」

Mollick测试时，AI自动生成并部署的demo页面

Mollick的评价很直白：

这不像在prompt一个模型，更像在管理一个队友。

这句话说明了一个事实：Gemini 3已不再停留在语言模型阶段，它正在成为一个能执行任务、推进流程、判断路径的数字行动体。

对普通用户来说，这意味着过去三年最本质的变化不是模型更强，而是AI终于从「只说不做」进入了「又说又做」的时代。

当AI会做科研，人类的任务只剩下审核

在Mollick的测试里，Gemini 3在测试中呈现出接近研究生水平的科研工作流程。

他没有给AI任何干净、整齐的数据，而是一份自己十年前做众筹研究时留下的旧文件夹。

各种格式混在一起，命名混乱，甚至包括——

「project_final_seriously_this_time_done.xls」这种文件名。

他把这一整包东西直接丢给Gemini 3，并给了它一句话：

先搞清楚这些数据的结构，把能修的修一修，清理干净，准备做新的分析。

然后AI开始自己工作。没有催促，没有提示，也不需要你告诉它STATA是什么。

它会自动识别文件格式、修复损坏数据、统一字段、重建可读结构，并按照研究常规流程整理出可分析的数据集。

这一步过去通常需要研究生级别的耐心和经验。

Mollick看到结果后，提出了第二个要求：

写一篇新的论文。用这些数据，找一个创业或战略领域有意义的理论问题，自己设计分析方法，写成一篇可投稿的学术文章。

他没有告诉AI要研究什么、没有给任何方向、也没有限定主题。Gemini 3自己就能决定研究切口，

它提出了一个能与现有文献对话的假设，设计合适的统计模型，跑完数据，生成结果，再把整套内容写成了一篇14页的完整论文，包含摘要、理论、方法、数据描述、回归表格、讨论与局限。

最让人意外的，是论文里出现了一个AI自创的指标。

它利用NLP方法计算「项目创意的独特性」，通过文本相似度量化「一个众筹项目到底有多特别」。

在这个案例里，它不只是模仿已有做法，而是尝试做方法层面的扩展。

当然，它并不是完美的。Mollick也指出AI有一些典型问题：模型有的地方过拟合，解释略显自信，理论段落写得有点「太努力」。

但这些问题并非幻觉或混乱，而是更接近研究生写作时的判断偏差和方法细节不足。

当Mollick给出方向性建议，例如「理论部分补充文献」「方法段落写得更稳妥一些」时，Gemini 3能根据这些反馈进行有效修订。

从整个过程可以看出，Gemini 3可以承担科研工作里大量「执行性任务」，而人类在其中的角色更像是审稿人、研究负责人、方向决策者。

回看这三年，GPT-3 时代，人类负责「提出问题、设计方向」AI 负责生成一段文字。

到了Gemini 3，人类提出粗略目标，AI会把数据整理、建模、写作、执行流程全部推进到位，再让你做最终判断。

AI不再停留在对话窗口里，它开始执行项目、处理文件、构建研究环境，甚至能独立做出研究选择。

而人类也不再是修正AI错误的人，而是在逐渐转向「给AI下达任务并审核结果的人」。

这就是1000天带来的变化。

不是某个模型更强，而是整个协作方式已经重写。

AI的位置往前走了一步，人类的角色也随之调整。

这种位移正在成为新的常态。

参考资料：

https://www.oneusefulthing.org/p/three-years-from-gpt-3-to-gemini

文章来自于微信公众号 “新智元”，作者 “新智元”