AI能力呈“锯齿前沿”，强弱极不均衡；系统瓶颈常由最弱一环决定；攻克“逆向突出部”可引爆全链条进步；人类需在AI弱区补位，抓住人机协作新机遇。
人工智能的能力边界为何如此“参差不齐”？揭秘AI能力的“锯齿前沿”与“瓶颈效应”
现在的AI简直像个“天才精神病”？它可以在几秒钟内解出博士级别的数学题，能精准诊断罕见病，还能写出让你泪目的诗；但转头让你用它操作一个最普通的自动售货机，它却抓耳挠腮、完全懵圈！这不科学啊！我们人类觉得越复杂的任务，AI应该越难搞才对，可现实偏偏反着来。
其实，早在2023年，宾夕法尼亚大学沃顿商学院的教授伊桑·莫里克（Ethan Mollick）就和团队提出了一个超精准的概念，叫“锯齿前沿”（Jagged Frontier）——用来描述AI能力在不同任务上的极端不均衡分布。这个理论时至今日，依然是理解AI为何“又强又弱”的关键钥匙。
伊桑·莫里克是谁？为什么他的观点值得你认真听？
在深入“锯齿前沿”之前，先来认识一下这位作者。伊桑·莫里克（Ethan Mollick）可不是普通网红学者，他是全球最早一批系统性研究生成式AI如何改变工作方式的权威专家之一，现任教于宾夕法尼亚大学沃顿商学院，同时也是哈佛大学与麻省理工学院的人工智能与未来工作项目核心成员。
他不仅发顶刊论文，还亲自操刀AI实验，三年内用超过200个AI工具做真实任务测试，从写商业计划书到生成药物分子结构，无所不试。
他最出名的观点之一就是：“不要问AI能不能取代你，而要问你能不能用AI取代别人。” 他写的《共同智能》（Co Intelligence）一书，已经被全球科技圈奉为“人机协作圣经”。所以，当他说“AI能力是锯齿状的”，你最好竖起耳朵。
什么是“锯齿前沿”？为什么AI总是“该会的不会，不该会的全会”？
所谓“锯齿前沿”，就是指AI的能力边界不是平滑扩张的，而是一条高低起伏、坑坑洼洼的锯齿线。有些任务，人类觉得难度爆表——比如从上万篇医学文献里提取数据、做Meta分析、写出系统性综述——AI现在干得比人类还快、还准；但另一些看似简单到小孩都能搞定的事，比如识别一张图片里有没有“一只水獭在飞机上用Wi-Fi”，它却屡屡翻车。
2021年的时候，你让AI画“水獭在飞机上用Wi-Fi”，它可能给你一只水獭坐在马桶上拿着路由器；
而到了2025年，谷歌新推出的“纳米香蕉Pro”（Nano Banana Pro）图像生成模型，不仅能画出多个角度的水獭科学家在白板前讲解“莫里克水獭测试”，还能加上阴影、合理文字、甚至背景墙贴满水獭用笔记本的照片——细节丰富得让人头皮发麻！
这种跳跃式进步，恰恰证明AI的进步从来不是线性的，而是“哪里卡住就猛攻哪里”。
能力再强也没用？AI的“系统性瓶颈”才是真正的拦路虎
但问题来了：就算AI在某些领域已经“超人”，为什么我们还没看到全自动的医院、无人干预的科研流水线、或者全天候运行的AI咨询公司？答案就藏在“瓶颈”（Bottleneck）里。
莫里克指出，一个系统能跑多快，不取决于它最强的部分，而取决于它最弱的那一环。
比如，AI现在能以十倍速度筛选出潜在药物分子，但临床试验还得靠真人志愿者——招募、给药、观察副作用，一步都不能少；
美国FDA照样要求人类专家审核申请材料。这时候，瓶颈就从“智能”转移到了“制度”。
再比如，GPT-4.1曾用两天时间复现了12篇《科克伦综述》（Cochrane Reviews）——这原本需要12个人年的工作量！AI准确率甚至更高。
但它有个致命短板：它没法访问论文的补充材料，也打不了邮件向作者要未公开数据。虽然后者只占不到1%的错误来源，却足以让整个流程无法100%自动化。
你看，哪怕99%都完美，那1%的“锯齿缺口”就能卡死全局。
什么是“逆向突出部”？AI突破往往来自对“卡脖子环节”的集中爆破
那么，这些瓶颈就永远破不了吗？莫里克引用了科技史学家托马斯·休斯（Thomas Hughes）提出的经典概念——“逆向突出部”（Reverse Salient）。
什么意思？想象一支军队在战线上推进，大部分战线都向前突进，唯独有一小段被敌军死死钉住，拖累了整个攻势。这个被拖住的点，就是“逆向突出部”。
在AI发展中，那些长期拖后腿的能力短板，就是逆向突出部。而一旦AI公司意识到某个短板成了全局瓶颈，就会集中所有资源猛攻它。最典型的例子就是图像生成。过去，AI做PPT只能靠写代码（比如用Python的pptx库），结果做出来的幻灯片死板、无趣、毫无设计感。
为什么？因为图像生成质量太差，没法直接“画”出一张视觉上吸引人的幻灯片。
但谷歌最近把“纳米香蕉Pro”图像模型和Gemini大模型整合进NotebookLM后，奇迹发生了：你让AI做一份关于“科学学习方法”的深度报告，它不仅能总结文献，还能一键生成四种风格的幻灯片——手绘风、1980年代朋克风、高对比荧光黄风，甚至“水獭在飞机上讲学习理论”主题！这不是魔法，而是因为“图像生成”这个逆向突出部被攻克了，整个视觉表达能力立刻井喷。
人类还没输！AI的“锯齿性”恰恰为人类创造了新机会
很多人担心AI会抢走所有工作，但莫里克给出了一个反直觉却极其乐观的判断：正因为AI能力是“锯齿状”的，它永远无法100%覆盖人类任务的全部维度。比如咨询顾问的工作，不只是分析数据、写报告——更重要的是搞懂客户没说出口的真实需求，协调多方利益，甚至在深夜陪CEO喝一杯威士忌建立信任。
这些“软技能”目前完全在AI的锯齿之外。
再比如设计师，AI可以生成1000种海报，但人类设计师能一眼看出哪种风格能打动特定文化背景的用户，因为ta理解情感、语境和潜规则。莫里克强调：“AI不会取代你，但会用AI的人会取代不用AI的人。”
未来最吃香的，是那些能精准识别AI能力边界、在“AI强区”放手让它干、在“AI弱区”亲自补位的人。这种“人机共生”模式，才是真正的生产力革命。
下一个被打破的瓶颈会是什么？记忆、实时学习，还是物理行动？
既然图像生成的瓶颈已经松动，那下一个“逆向突出部”在哪里？
莫里克预测，最可能的突破口有三个：
一是“记忆”——当前大模型根本记不住新学会的东西，每次对话都是“失忆状态”，这严重限制了复杂任务的持续执行；
二是“实时学习”——AI不能像人类一样从单次经验中快速调整策略；
三是“物理世界的行动能力”——再聪明的AI，如果不能操控机械臂、驾驶车辆、操作实验设备，它在现实世界中的影响力就永远受限。
好消息是，全球顶尖AI实验室现在都在猛攻这些方向。比如Anthropic正在测试带长期记忆的Claude代理，OpenAI的GPT-5.2在数学和推理上已比GPT-5有显著提升，而特斯拉、Figure等公司则在用具身智能（Embodied AI）打通数字与物理的鸿沟。
莫里克警告说：“我们可能不会提前收到预警。某天早上醒来，突然发现AI已经能自己订会议室、写周报、还能给同事发安慰邮件了——因为某个瓶颈被悄悄打破了。”
别盯着跑分了！真正决定AI落地速度的，是你看不见的“流程卡点”
现在网上天天刷“GPT-5 vs Claude 4.5 vs Gemini 2.0”的基准测试分数，但莫里克泼了一盆冷水：这些跑分根本不能预测AI在真实工作中的表现。为什么？因为真实世界的工作是链条式的，而链条的强度取决于最弱一环。
举个例子，AI写代码的能力早就爆表了，但如果你让它全流程开发一个SaaS产品，它还是会卡在“和产品经理对需求”、“调试数据库连接”、“部署到云服务器”这些非智力环节上。再比如教育领域，AI能出1000套个性化练习题，但如果学校制度不改、老师不会用、家长不信任，技术再强也白搭。
所以，与其死磕模型参数，不如去观察：在你所在的行业里，哪个环节最依赖“人类特有技能”？哪个流程最耗时但AI明明能做？找到它，你就找到了AI落地的“黄金切口”。
未来已来，只是分布不均：普通人如何抓住“锯齿红利”？
听到这里，你可能会问：那我该怎么办？
莫里克的建议非常务实：
第一，别幻想“AI全能”，要建立“能力地图”——明确列出你工作中哪些任务AI已能高效完成（比如信息检索、初稿撰写、数据可视化），哪些必须人类介入（比如创意决策、情感沟通、跨部门协调）；
第二，主动把AI变成你的“数字同事”，给它明确指令、设定边界、定期校准。比如用Claude做市场分析时，你可以说：“列出三家竞品近半年的融资动态，但不要引用任何未注明来源的博客”；
第三，关注“边缘案例”（Edge Cases）——那些AI搞不定的1%，往往藏着高价值服务机会。就像医学综述里那1%需要人工联系作者的数据，能处理这种case的人，反而更不可替代。最后，保持对“新瓶颈突破”的敏感度。当某天新闻说“AI首次实现长期记忆”或“机器人自主完成化学实验”，别光点赞，赶紧想：这对我所在的领域意味着什么？
结语：在锯齿的世界里，做那个会“拼图”的人
AI是一块能力高度不规则的拼图，有些角尖锐到能刺穿天花板，有些边却圆钝得连纸都划不破。
而人类的使命，不是被它吓退，也不是盲目崇拜，而是学会在这片锯齿中穿行，把AI的超能力嵌入自己的工作流，同时牢牢守住那些只有人类才能点亮的角落。
正如莫里克所说：“每一次AI的飞跃，都会留下新的缺口；而每一个缺口，都是人类重新定义价值的机会。”
极客辣评
AI的智能与人类不同，人类能够从内容和形式两个方面去理解学习，但是AI大模型只能从形式，虽然能抽离具体应用场景Context，但是因为Context总是千差万别，情况再相似也有微小不同区别，这些具体情况造成的不同锯齿就导致AI智能锯齿，因此，不是AI是锯齿智能，是现实不是平滑的直线、平滑的圆！