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：

「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。」

這篇文章 AI 為何進步不均？a16z、Replit 創辦人：可驗證性就是關鍵差別 最早出現於 鏈新聞 ABMedia。