对 Hacker News 的 AI 挑战中哪些已被实现进行投票
一个由社区构建的网站，汇集了多年来 Hacker News 上关于 AI “永远做不到什么”的预测，并让用户投票判断这些挑战是否已经被实现，由此揭示出人们对当前模型到底进步了多少存在强烈分歧。评论者围绕目标线后移、可靠性与一次性演示的区别，以及图灵测试、业务自动化、全栈应用生成和解决开放数学问题等含糊基准展开争论。其背后是更深层的分裂：一派认为现有系统已经具有变革性，另一派则认为频繁出错、不透明的训练方式和过窄的成功标准，意味着许多大胆主张仍未被证明。
“挑战”的范围与歧义
- 过去 HN 评论里的许多“AI 挑战”都很模糊，或是复合式的（“做 X 并且不要做 Y”），这让是否/否的投票变得困难。
- “任意的”、“业务任务”、“可靠地”、“完全地”、“常见应用”之类的关键限定词，会大幅改变难度。
- 一些人说，至少有三分之一到四分之三的条目其实无法真正判断，或者在网站上被错误概括了（例如把“和”变成了“或”，或者把本来只是观察的内容当成了预测）。
能力 vs 可靠性
- 大家普遍同意，当前的 LLM 可以：
- 编写很多有用的代码，有时甚至能做出完整的小应用或细分工具。
- 完成“业务化”任务（摘要、邮件、翻译）以及复杂的研究/数据整理流程，并带来很大的生产力提升。
- 在更简单的制度下帮助处理税务，并在指导下填写官方表格。
- 生成连贯但不一定优秀的书籍和长篇文本，尤其是在有规划和工具支持时。
- 主要分歧在于可靠性：模型仍会产生幻觉、错误引用来源、技术细节出错，而且在高风险或具有法律约束力的任务上，若没有审查或测试，不能安全地依赖它们。
图灵测试与“智能”
- 一些人认为，对于普通用户而言，在简短文本聊天中，前沿模型已经通过了图灵测试。
- 另一些人坚持认为，“真正的”图灵测试必须是长时程的、对抗性的，并由领域专家主持；按这个标准，当前模型仍然会暴露出明显特征（协作倾向、因果/反事实失败、文风上的习惯性痕迹）。
- 还有一些人得出的结论是，原始的图灵测试本来就太容易，或者在概念上有缺陷，尤其是考虑到人类自身的局限时。
研究、数学与基准
- 多位评论者提到 AI 对研究级数学问题的贡献（例如 Navier–Stokes、Jacobian 相关工作），但争论这究竟算不算“AI 解出来了”，还是“AI 增强的人类”完成的。
- 有些人觉得自己长期以来“AI 永远做不到 X”的数学基准如今已经被满足；也有人指出，围绕来源和 AI 贡献程度仍存在争议。
目标后移与情绪
- 历史模式是：早期挑战是图灵测试 / 代码 / 简单动作；新的挑战则要求物理控制、科学突破，或接近零失败率。
- 一个按年份统计的“yes”占比表显示，随着时间推移，大家的认同度在下降；有人将其解读为不断后移的目标线，也有人认为只是问题本身变得更难。
- 讨论串呈现出明显分裂：一派认为否认显而易见的进步是在“当鸵鸟”；另一派则认为乐观派夸大了当前能力，并忽视了可靠性和边缘案例。