先把三个概念拆开

很多讨论一上来就说“AI 是指数增长”，接着又补一句“而且还在加速”。这两句听起来很顺，但数学上其实是两个层次的问题。

线性增长很简单。它的特征是每个时间单位增加同样多的量。写成公式，就是 y = a + bt。如果每个月都多 10 个用户、每年都多 2TB 数据、每周都多 1 个功能，这就是线性增长。

指数增长不看固定增量，而看固定比例。写成公式，就是 y = ae^(kt)。它的含义是：规模越大，下一步增加的绝对量也越大，但增长率 k 本身保持不变。每个月增长 10% 是指数增长，每年翻倍也是指数增长。

“加速的指数增长”这句话，严格说不是最标准的数学术语。更精确的说法是：增长率本身也在上升。也就是说，不只是“按固定比例涨”，而是“这个比例还在变大”。一种常见写法是 y = ae^(bt + ct^2)，其中 c > 0。如果普通指数增长在对数坐标上是一条直线，那么这种过程在对数坐标上会继续向上弯。

图上看，三条曲线长得完全不是一回事

先看一张概念图。横轴是时间，纵轴是规模。这里的数字只是示意，不是现实数据。

Mermaid 概念曲线

从这张图里，最值得记住的不是“谁更陡”，重点在三条曲线背后的机制完全不同。

  • 线性增长的斜率大致恒定。
  • 指数增长的斜率越来越大，但增长率恒定。
  • 加速的指数增长连增长率也在上升，所以后段会比普通指数更快地翘起来。

现实里判断一条曲线时，最容易犯的错，是把“最近涨得很猛”直接当成“已经是加速的指数增长”。这不够。短期暴涨、低基数反弹、统计口径变化、一次性政策刺激，都可能让曲线看起来很陡，但并不意味着增长率本身长期上升。

真正要问的，是哪一个量在增长

现实世界很少只有一条“AI 增长曲线”。至少要分开看五种东西：训练算力、模型能力、推理成本、组织采用、宏观经济效果。

这一步很重要，因为不同变量会走出完全不同的轨迹。

  • 训练算力可以指数增长，甚至局部加速。
  • 模型能力可能在某些基准上跳跃式上升，但在别的任务上变慢。
  • 推理成本可能下降得极快。
  • 企业采用通常慢于技术能力。
  • 宏观生产率还会被组织重构、监管、人才结构和流程改造拖住。

如果把这些不同变量揉成一句“AI 正在加速指数增长”，判断几乎一定会失真。

截至 2026 年 3 月，AI 的哪些指标像指数增长

先看最接近“前沿技术自身”的几条曲线。

OpenAI 在 2018 年对大规模训练运行的分析显示，自 2012 年起，最大 AI 训练运行所使用的计算量大约每 3.4 个月翻倍，2012 年后远快于此前更接近摩尔定律的阶段。这个结论不等于“永远如此”，但它说明前沿模型训练在过去十多年里确实长期处在非常陡的指数段。

Stanford HAI 发布的《2025 AI Index》进一步给出了更近年的尺度变化。按报告汇总的研究结果，值得关注的 AI 模型训练算力大约每 5 个月翻倍，训练数据集规模大约每 8 个月翻倍。同期，达到 GPT-3.5 等效水平的查询成本，从 2022 年 11 月每百万 token 约 20 美元，降到 2024 年 10 月约 0.07 美元，18 个月下降超过 280 倍。

能力维度也有明显的指数味道。METR 在 2025 年提出了一种更接近真实工作的指标，不再只问模型能不能答对题，而是问它能否独立完成“对人类专家来说要花多长时间”的任务。按他们公开的测量，前沿模型可完成任务的时间跨度，在过去 6 年里大致每 7 个月翻倍。对应到 2026 年 2 月更新到 arXiv v3 的论文版本，前沿模型 50% 成功率对应的任务时长已经来到大约 50 分钟。

Stanford HAI 的技术表现章节也给了另一种证据。2023 到 2024 年，MMMU、GPQA、SWE-bench 这类更难的新基准都出现了异常快的进步。尤其是 SWE-bench，从 2023 年只能解决 4.4% 的任务，到 2024 年升到 71.7%。这种进步未必能线性外推到所有真实任务，但它至少说明前沿模型在“复杂任务求解”上的斜率很陡。

把这些现象放在一起看，至少可以得出一个稳妥结论：在训练算力、部分能力基准和单位能力成本上，AI 的确表现出非常强的指数增长特征。

那么，AI 现在是不是已经进入加速的指数增长

如果只看前沿能力，答案更接近“局部是”。

Epoch AI 在 2025 年 12 月发布的数据分析里，基于它们的 Epoch Capabilities Index 发现，过去两年的最佳分数增长速度，几乎是之前两年的两倍；它们把 2024 年 4 月识别为一个明显拐点，拐点后的斜率大约是此前的 1.85 倍。Epoch 同时指出，这和 METR 时间跨度指标在 2024 年出现的约 40% 加速相互吻合。

这意味着什么？意味着至少在 2024 年之后，前沿模型的能力增长不只是“继续指数增长”，而是很可能经历了一个新的加速段。一个相对可信的解释是，预训练扩张还在继续，但推理时强化学习、reasoning model、工具使用和更长轨迹优化叠加在一起，让曲线的斜率重新抬高了。

但这里必须立刻补一句边界条件。第一，Epoch 的结论是对“前沿能力指数”的统计拟合，不是自然定律。第二，METR 测的是软件和推理任务的时间跨度，外推到所有经济活动要非常谨慎。第三，局部两年的加速，不等于整个十年都会保持同样的二阶斜率。

所以更稳的表述是：“AI 前沿能力在 2024 年后出现了相当强的加速证据。”直接说“AI 已经全面进入加速指数增长”就过头了。

但真实世界落地，还没有同步跑出同样的曲线

一到采用、生产率和宏观效果，这个判断就要收回来。

NBER 在 2024 年 9 月发布、2025 年 2 月修订的《The Rapid Adoption of Generative AI》显示，到 2024 年底，美国 18 到 64 岁人口中，接近 40% 已经在使用生成式 AI；23% 的在职受访者在前一周至少把它用于工作一次，9% 每个工作日都用。这个扩散速度很快，和 PC 早期采用相当，整体采用甚至快过互联网早期。

但同一篇论文也给出了一个经常被忽略的事实：当前只有大约 1% 到 5% 的工作时长在被生成式 AI 辅助，报告出来的节省时间相当于总工作时长的 1.4%。这说明采用率和“工作流真正被重写”的比例不是一回事。

NBER 的另一篇经典现场研究《Generative AI at Work》确实看到强效果。客户支持场景中，接入生成式 AI 辅助后，平均生产率提高约 14%，新手和低技能员工的提升更大。这证明 AI 已经能在一些标准化、反馈快、质量可衡量的任务里创造实打实的收益。

可一到更广的宏观层面，结论就没那么炸裂了。Acemoglu 在《The Simple Macroeconomics of AI》里给出的估计是：按照当前任务暴露度和任务层面生产率改善来算，未来 10 年的总要素生产率提升“不超过 0.66%”，而且很可能更低。这当然不是“AI 没用”，但它明确提醒我们，前沿模型能力的陡峭上升，并不会自动变成同样陡峭的宏观增长。

换句话说，AI 的“能力曲线”和“经济曲线”之间，隔着组织改造、流程重写、权限边界、数据质量、责任归属、行业监管和用户信任。

我的判断：AI 现在更像“多条指数曲线叠加，局部明显加速”

如果一定要给一个简短判断，截至 2026 年 3 月 30 日，我的观点是这样的。

AI 时代现在还不适合被一句话概括成“全面的加速指数增长”。这句话太粗，容易让人误以为算力、能力、成本、采用、收入和生产率正在沿同一条曲线一起起飞。事实并不是这样。

更准确的表述应该分三层。

  • 第一层，前沿训练算力和部分能力指标，长期看已经是指数增长。
  • 第二层，2024 年之后，前沿能力很可能进入了一个新的加速段，至少 METR 和 Epoch 的证据都指向这个方向。
  • 第三层，企业采用和宏观经济效果仍明显慢于前沿能力，暂时还不宜说已经进入同样意义上的加速指数增长。

这也是我为什么不赞成把所有现象压缩成“AI 正在爆炸”。如果你的关注点是 frontier model 的能力边界，这种说法接近事实。如果你的关注点是社会整体、产业整体、就业结构或宏观生产率，它就说得过头了。

以后看到“AI 正在指数增长”，可以先做这四个检查

很多争论其实不是立场不同，而是大家盯着不同变量。

  • 先问清楚：增长的到底是什么，是算力、能力、用户数、收入，还是生产率。
  • 再看坐标：如果放到对数坐标上是一条直线，它更像普通指数；如果还在向上弯，才更像增长率上升。
  • 再看时间窗：两三个季度的陡升，未必足够证明长期加速。
  • 最后看约束：物理供电、芯片产能、数据可得性、组织改造和监管，都会让技术曲线和经济曲线脱节。

看到这里，轮廓其实已经很清楚了。线性增长、指数增长和加速的指数增长，不只是三个数学名词，它们对应的是三种完全不同的世界观。对 AI 来说，更接近现实的说法是：“前沿能力和成本曲线已经非常陡，并且在 2024 年后出现了新的加速迹象；但把这种加速传导到真实经济，还需要更慢、更重的组织与制度改造。”