For the first time in history! "AI vs Humans" work capability assessment, the results are not so good for humans

OpenAI 最新發布的 GDPval-v0 評測工具首次量化了 AI 在執行具有經濟價值工作任務方面的能力，結果顯示 AI 正迅速追趕甚至逼近人類專業人員水平。巴克萊表示，最先進的 AI 模型已在諸多職業任務中達到與人類專家相當的能力，並且這種能力提升速度正在加快。

據見聞此前文章寫道，OpenAI 最新發布了一款名為 GDPval-v0 的全新評估工具，涵蓋美國 GDP 佔比較大的九個商業領域中 44 個職業的約 1300 項具體工作任務，從法律文書到工程藍圖再到護理計劃等真實工作交付成果。

結果顯示，當前最頂尖的 AI 模型在執行許多職業任務時，其能力已與人類專業人士相當，並且這種能力的提升速度正在加快。10 月 5 日，據硬 AI 消息，巴克萊在最新研究報告中稱，Anthropic 的 Claude Opus 4.1 在與人類專家對比中取得 47.6% 的"勝利或平局"率，位居榜首。

巴克萊分析師認為，AI 模型的"勝率"在過去 15 個月中線性提升約 4 倍，預計在未來 12-24 個月內 AI 將在大多數工作相關任務上超越人類。分析認為，這一突破為評估 AI 投資回報率提供了關鍵數據支撐。

評測標準創新突破：模擬真實工作複雜性

據巴克萊研究報告，GDPval 基準測試的核心創新在於其真實性和複雜性。

該評測由平均擁有超過 14 年行業經驗的資深專業人士設計，涵蓋科技服務、金融保險、醫療保健、信息業、製造業等行業的 1230 個專業任務。

與傳統基準測試不同，GDPval 的任務並非簡單文本問答，而是包含參考文件和上下文的複雜場景，要求 AI 交付多樣化成果，包括文檔、幻燈片、圖表和電子表格等。巴克萊指出，這種設計更貼近現實工作環境的複雜性。

評測採用盲測方式，由行業專家對 AI 和人類生成的工作成果進行排名，從難度、代表性、完成時間和整體質量等維度進行綜合評估。

AI 性能接近人類專家水平

巴克萊分析顯示，當前最先進的 AI 模型在多個領域已接近或達到人類專家水平。Claude Opus 4.1 以 47.6% 的勝率領先，GPT-5-high 緊隨其後，達到 38.8%，o3 high 為 34.1%。

從行業維度看，AI 在零售貿易 (56% 勝率)、批發貿易 (53%) 和政府部門 (52%) 的表現超過人類專家，但在信息技術行業表現相對較弱 (39%)。

職業層面上，AI 在櫃枱和租賃文員 (80%)、運輸接收和庫存文員 (76%) 以及軟件開發人員 (70%) 任務中表現最佳，而在工業工程師 (17%) 和影視編輯 (17%) 任務中表現較差。

各模型表現出不同特點：Claude Opus 4.1 在美學表現 (格式和佈局) 方面表現出色，GPT-5 在遵循指令和執行準確計算方面最為精準。

能力提升速度驚人

巴克萊報告特別強調了 AI 能力提升的速度。

研報稱，OpenAI 模型在 GDPval 測試中的表現在 15 個月內提升了 3 倍以上，這種線性增長趨勢表明 AI 很可能在短期內全面超越人類專家。

對 GPT-5 的失誤分析顯示，儘管該模型仍會犯一些災難性錯誤 (2.7%)，但 47.7% 的失誤被歸類為"可接受但不佳"，22.9% 的情況下模型表現甚至優於人類。

巴克萊分析師認為，AI 模型的原始智能，特別是 GPT-5，已達到超越人類專家的水平。通過更多後期訓練 (微調、強化學習)，AI 全面超越行業專家的時代已為時不遠。