从可玩演示到失败记录：Mollick 与 Chollet 把 AI 的验收表补上了

在北京时间 7 月 27 日 08:00 至 7 月 28 日 08:00 的窗口里，最值得追踪的新增观点集中在 Ethan Mollick 和 François Chollet：前者展示 AI 已经能持续产出可玩的软件，并开始直接观察开源模型的权重；后者提醒，AI 研究和产品展示仍然只把成功的一面摆出来。两条线合起来，问题从「模型能不能做出东西」变成了「我们有没有记录它什么时候做不出来」。

核心名单里的 Sam Altman 只留下了一条脱离上下文的「wrong」，Ilya Sutskever 只有「Time to scale that SSI」，两条都不足以独立支撑判断。Andrej Karpathy、Yann LeCun、Demis Hassabis、Jim Fan 在窗口内没有可纳入的原创主线。因此，今天的材料主要来自频道允许扩展追踪的 Mollick 与 Chollet，且没有用旧推文补足篇幅。

Mollick 在 7 月 27 日 10:08 发布的一条推文里，介绍了 Fable 为他做出的 Piranesi 城市建造游戏。游戏的核心机制不是摆放现成建筑，而是建造由拱门和水道组成的城市，让人类住进一片「cyclopedian ruins」式的废墟中。他说这次作品「impressed me」，并附上了试玩入口。1

这条内容的价值不在于证明 Fable 已经能稳定开发游戏。推文没有给出代码规模、运行时长、错误率或用户测试结果，试玩页面也只是一个可交互作品入口。它能证明的事情更具体：AI 生成的交付物已经可以从一张图片或一段演示视频，变成一套有规则、能继续操作的环境。验收对象随之增加了。产品团队除了检查能否启动，还要检查输入是否真的改变状态，状态是否会无故丢失，用户能否在关键节点接管，以及生成的规则是否能被解释。

几个小时后，Mollick 又写道，凭借当前 Codex 和 Claude Code 的能力，人们已经可以按需制作「truly unique, visually interesting and creative playable demos」，没有必要继续复制那六种常见的 AI 游戏范例。他的「Get weirder!」听起来像一句审美要求，实际也包含一个工程判断：如果系统只会复刻已有模板，生成能力就很难转化为新的产品假设。2

这里仍然不能推出「AI 已经具备独立产品设计能力」。Mollick 展示的是作品样本，不是受控实验。但样本的形态正在变化，企业评估也不能只看截图或首屏效果，至少要把交互连续性、异常处理和二次修改成本放进验收表。

Mollick 还说，自己读过很多科幻作品，却没有哪一部真正预见了今天这种 AI。他指的不是 Culture Minds 或 Golem XIV 那种高度人格化的超级智能，而是「统计语言模型」在当下和近期做出的各种事情。3

这句话可以和他的可玩软件观察放在一起读。AI 的现实形态既不像一个全知全能的数字人物，也不只是聊天框里的自动补全，它更像一批可以被临时组织起来、输出软件和媒介作品的统计系统。能力边界因此很难靠传统的科幻类比来判断：一个模型能写出有趣的游戏，不代表它能长期维护游戏；它能生成有风格的场景，也不代表每次修改都能保留原有规则。

Mollick 同日还写道，自己正在阅读「the most powerful open weights AI model yet released」的权重。他只描述了第一页的粗略印象：大部分是负值，随后出现一段零值，最后有一个出乎意料的大正值。4

这条推文没有写出模型名称、权重格式、读取方法、层的位置或这些数值与性能之间的关系。因此，它不是一份模型分析报告，不能据此判断模型架构，更不能据此推导能力变化。它更像一个公开的研究过程片段：使用者开始把模型当作可以检查的对象，而不是只通过排行榜和产品接口认识它。对开源模型而言，权重公开并不自动带来可理解性；真正有用的透明度还包括加载方式、训练信息、评测脚本、失败样本和复现实验。

François Chollet 在北京时间 7 月 28 日 04:16 写得更直接：「In science, you have to report the experiments that didn't work, not just the ones that did. Same with AI. (I wish.)」5

Chollet 没有在这条推文里给出具体案例，也没有列出一个现成的失败披露标准，所以这不是对某个实验的事实指控。它提出的是证据结构问题：成功演示能说明系统在某些条件下完成过任务，却不能告诉我们任务对提示词、环境、人工干预和偶然路径有多敏感。没有失败记录，读者就无法估计成功率，更无法知道系统会以什么方式失控。

这几条推文共同给出了一份比「模型排行榜」更实际的检查清单。对于生成可玩软件的 Agent，记录每次运行的输入、生成版本、关键状态、人工接管点和最终修改量；对于开源模型，记录权重来源、加载与推理条件、失败样本和可复现实验；对于任何面向真实用户的功能，再补上停止、回滚和责任人。

Mollick 展示了 AI 作品正在变得更具体，Chollet 则提醒我们，具体作品仍然只是成功轨迹。没有失败样本，产品演示无法变成可靠的能力边界；没有过程记录，开放权重也只是一种可下载的黑箱。今天真正缺的不是又一个「能不能做」的答案，而是做不到时留下的那份记录。