AI 為何進步不均？a16z、Replit 創辦人：可驗證性就是關鍵差別
知名創投 a16z 創辦人 Marc Andreessen 與 Replit 創辦人 Amjad Masad 於 10/25 對談，聚焦 AI 發展現況。Andreessen 指出，AI 在寫程式、算數學、模擬物理現象的進步驚人，但在醫療、法律等領域有停滯狀況。Masad 回應，關鍵不在難度，而在可驗證性。也就是，能客觀判斷對錯的任務進步最快，越模糊的領域越難突破。
AI 有兩種速度：能夠驗證的跑得比誰都快
Masad 先回顧模型訓練方式，早期的語言模型只是先看文字，然後猜下一個字，雖然會講話，但不會真正推理。直到引入強化學習 (Reinforcement Learning, RL) 之後，AI 才開始在可驗證環境中學習。他解釋：
廣告 - 內文未完請往下捲動
「像修程式 bug 、有單元測試、或能跑出明確結果的題目，AI 可以直接知道自己對或錯。」
這種即時回饋的訓練方式，讓 AI 能快速強化解題能力。
為什麼醫療和法律領域追不上？
Andreessen 提問：「那醫療、法律這些領域呢？為什麼看起來進步那麼慢、還有停滯的現象？」Masad 回答：
「因為它們，沒有唯一的答案。」
Masad 舉例，醫學診斷可能有多重病因、病程變化，法律判決也因為法官與案例差異而不同，也就是太過於彈性，沒有明確的標準答案。這使得模型很難自我驗證、無法建立強化迴圈。
雖然，可以透過人類反饋的強化學習 (RLHF) 來輔助模型，但那仍屬於主觀評價，不像是數學或程式那樣直接明確。
(註：基於人類反饋的強化學習 (RLHF) ，為是一種機器學習 (ML) 技術，使用人類反饋來完善 ML 模型，以提升自學效率。)
真正關鍵不是「難度」而是「可驗證性」
Andreessen 整理觀察後說：「所以重點不是問題難不難，而是能不能確認正確答案？」Masad 表示：
「對，AI 在程式和數學上的爆發，不是因為它比較簡單，而是因為能驗證結果。」
例如寫程式時，只要程式能編譯、測試能通過，AI 就能立刻得到「正解」回饋，這讓模型能每天自動跑上千次練習、快速進化。
還有哪些領域具備可驗證性
兩人列出 AI 進步最快的幾個領域：
-
數學與物理：有明確方程式與模擬結果。
-
化學與生物：像蛋白質摺疊、基因序列，可用實驗或模擬驗證。
-
機器人：任務成功與否可直接量化。
這些都屬於「可被客觀驗證」的領域，因此成為 AI 目前最陡峭的學習曲線所在。
寫程式的 AI 會先一飛沖天，醫學法律還在路上
Masad 總結觀點時說：
「寫程式的 AI 會先一飛沖天，數學、物理、化學也會緊隨其後。但像醫療、法律這類較抽象的領域，還得慢慢追。」
Andreessen 也附和：
「這是自然現象。AI 在能夠量化的地方先爆發，在人類判斷模糊的領域就會慢一拍。」
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
