沃顿教授实测 Gemini 3：三年间 AI 从写诗进化到写论文

我一直在测试 Google 的新模型 Gemini 3。它非常出色。但与其给你基准测试数字，我打算通过让 AI 亲自演示，向你展示这三年里 AI 已经走了多远。

ChatGPT 发布至今还不到三年。在它上线的前几天，我在这个 Substack 上写了我的第一篇文章，谈的是 OpenAI 更早的 GPT-3 模型。随后 ChatGPT 问世，我紧接着便写道：“我平时对做技术预测相当犹豫，但我认为它将以远超我们预期的速度、更彻底地改变我们的世界。它不会只是去自动化那些重复而危险的工作；现在的展望是，最早被 AI 颠覆的工作将更具分析性、更具创造性，并涉及更多的写作与沟通。”

我觉得这条预测我说对了。

我本可以解释最初的 ChatGPT 与 Google 今天发布的全新 AI 模型 Gemini 3 之间的区别。但我没必要这么做。相反，我把上面的截图发给 Gemini 3，只配了一句提示词：

我：“用动手做东西的方式，展示自这篇文章以来 AI 已经走了多远。”

Gemini：“我当然可以向你展示这种差别。你分享的那条推文来自 2022 年 11 月——正值现代 AI 浪潮的风口。当时，“令人惊叹之处”在于 AI 能写出一篇连贯的段落，或者围绕“靠糖果驱动的超光速引擎逃跑的水獭”这种傻乎乎的概念写一首简单的小诗。

为了展示我们已经走了多远，我不打算只用文字来描述。我为你构建了一个完全可交互、可试玩的糖果驱动超光速星舰模拟器。

“2022 年，AI 能描述这台引擎。2025 年，AI 能为引擎编码、设计界面，还能让你亲自驾驶这艘飞船。”

确实，它为我做了一个小游戏：我必须借助糖果的力量逃离水獭，游戏里还有小诗，以及源源不断冒出来的趣味更新。如果你在读这个博客，你大概早就知道 AI 能做到这些。更有意思的是，当你不再把 Gemini 3 当作聊天机器人，而是开始把它看作截然不同的东西时，它还能做些什么

不只是编程工具的编程工具

Google 在发布 Gemini 3 的同时，还推出了 Antigravity。对程序员来说，Antigravity 应该是熟悉的领域，它类似于 Claude Code 和 OpenAI Codex——这类专用工具可以被授权访问你的电脑，并能在指导下自主编写计算机程序。如果你不是程序员，你可能会对 Antigravity 和类似工具不屑一顾。我认为这是一个错误，因为编程能力不仅仅关乎写程序，它意味着能够完成电脑上发生的一切事情。而这改变了这些工具的本质。

Gemini 3 非常擅长编程，即使你并不认为自己做的事情是编程，这一点也与你息息相关。推动 AI 发展的一个基本观点是：你在电脑上做的一切，归根结底都是代码，而如果 AI 能处理代码，它就能做到任何会用电脑的人能做的事：为你搭建仪表盘、操作网站、制作 PowerPoint、读取你的文件等等。这使得能够编程的智能体成为通用工具。Antigravity 正体现了这一理念，引入了收件箱的概念——在那里我可以给 AI 智能体布置任务，而当它们需要权限或帮助时，也会在那里提醒我。

我与这些智能体的交流并非通过代码，而是用英语与它们沟通，由它们用代码来完成工作。因为 Gemini 3 擅长规划，它能够弄清楚该做什么，也知道什么时候该征得我的批准。举个例子，我让 Antigravity 访问我电脑上的一个目录，里面存有我为这份 newsletter 写过的所有文章。1 然后我问 Gemini 3.0：“我想在一个单独的网站上展示一份关于我做过的 AI 预测的精美列表，同时进行网络搜索，看看我哪些预测对了、哪些错了。”随后它通读了所有文件，执行代码，最后给了我一个我可以编辑或批准的计划。下面的截图是 AI 第一次就这个项目向我提问时的内容，它对我需求的理解令人印象深刻。我做了几处小修改，然后让 AI 去干活。

接着它进行了网络调研，创建了一个网站，接管了我的浏览器以确认网站正常运行，并把结果呈现在我面前。就像对待真人一样，我浏览了这些结果，并提出了几点改进建议。随后它把成果打包好，让我可以把它们部署到这里。

这并不是说 Gemini 3.0 已经能够在没有人工干预的情况下把一切都做对——智能体还没到那一步。我没有发现任何幻觉，但确实有一些我纠正过的地方，不过这些错误更多是出在具体的判断决策上，或是像人类那样误解了我的意图，而不是传统意义上的 AI 问题。重要的是，我觉得自己掌控着 AI 所做的选择，因为 AI 会主动向我确认进度，它的工作过程也清晰可见。这种感觉更像是在管理一位队友，而不是通过聊天界面向 AI 输入提示词。

“博士级智能”？

但 Antigravity 并不是 Gemini 3 带给我的唯一惊喜。另一个惊喜是它处理需要真正判断力的工作的方式。正如我在本站多次提到的，衡量 AI 进展的基准测试是一团糟。Gemini 3 在大多数指标上都取得了决定性的基准领先，（尽管它可能仍无法击败售价 200 美元的 GPT-5 Pro 模型，但我怀疑等到 Gemini 3 注定会推出的 Deep Think 版本面世时，这一点可能会改变）。不过在 AI 圈里，你会反复听到一个说法——某个模型拥有“博士级智能”。

我决定亲自检验一下这个说法。我让 Gemini 3 访问一个旧文件目录，那是我十年前研究众筹时用过的资料。里面是一堆杂乱的文件，名字类似“project_final_seriously_this_time_done.xls”，还有以过时统计格式保存的数据。我让 AI“弄清楚 STATA 文件里的数据和结构，并完成初步清洗，为开展新的分析做好准备，以发现新的东西”。它做到了，修复了损坏的数据，还理清了环境的种种复杂之处。

然后，我给它布置了一项典型的、你可能会期望二年级博士生完成的作业：做一些小的原创研究。在没有更多提示的情况下，我写道：“很好，现在我要你用这些数据写一篇原创论文。对这个领域做深入研究，让论文不仅仅关于众筹，而是关于创业学或商业战略领域一个重要的理论话题。进行复杂的分析，像给期刊投稿那样把它写出来。”除此之外我没有给出任何建议，但 AI 却分析了数据，生成了原创假设，进行了统计检验，并以文档的形式给了我格式化的输出。最令人着迷的部分是，我没有给它任何关于该研究什么方向的提示，它自己走过了那条微妙的钢丝：弄清楚什么可能是有趣的课题，以及如何用手头的数据来执行——这是最难教的东西之一。在几条模糊的命令（“把它扩展得更多，做得更好”）之后，我得到了一篇 14 页的论文。

除此之外，让我印象深刻的是，这个 AI 想出了自己的度量方法——一种通过使用自然语言处理工具，把某个众筹点子的描述与其他描述进行数学比较，来衡量其独特程度的方法。它自己编写了代码、运行并检查了结果。

那么，这算是博士级别的智能吗？在某些方面，是的——如果你把博士级智能定义为能完成研究型大学里一名合格研究生的工作。但它也有一些研究生的弱点。想法不错，执行中的许多环节也不错，但也存在问题：它的一些统计方法需要进一步完善，一些方法并非最优，一些理论推演超出了证据所能支撑的范围，等等。再一次，我们已经越过了幻觉和错误的层面，进入更微妙、往往也更像人类的问题。有趣的是，当我像对待学生那样给它留有很大余地的建议时（“确保你更多地涵盖众筹研究以确立方法论，等等”），它的表现有了巨大提升，所以也许 Gemini 需要的只是更多指导。我们还没到那一步，但“博士级智能”似乎已不再那么遥远。

Gemini 3

Gemini 3 是一个非常好的思考与执行伙伴，全球数十亿人都可以使用它。它也是许多事情的标志：AI 的持续发展尚未出现明显放缓的迹象、智能体（agentic）模型的兴起、我们需要找出更好的方法来管理聪明的 AI，等等。它展示了 AI 已经走了多远。

三年前，一台机器能写一首关于水獭的诗就让我们惊叹不已。不到 1,000 天之后，我已经在和一个自建研究环境的智能体争论统计方法论了。聊天机器人的时代正在变成数字同事的时代。需要明确的是，Gemini 3 并不完美，它仍然需要一个能够引导和检查它的管理者。但它表明，“人在回路中”（human in the loop）正在从“修复 AI 错误的人”演变为“指导 AI 工作的人”。而这可能是 ChatGPT 发布以来最大的变化。

立即订阅

分享

1

例行警告：如果你不清楚自己在做什么，让 AI 智能体访问你的电脑可能存在风险。它们可以在不征求你意见的情况下移动或删除文件，还可能将你的文档暴露给他人，从而带来安全隐患。我猜想随着这些工具逐渐适配非程序员用户，其中许多问题都会得到解决，但目前请务必格外小心。