人工智能的发展并非线性爬坡，而是由几次关键的技术突破和应用引爆点串联而成。从1956年“人工智能”概念首次提出，到2006年深度学习理论突破带动第三次浪潮加速，再到2022年11月OpenAI发布基于GPT-3.5大模型的ChatGPT——上线5天注册用户破百万、60日月活破亿，成为史上增长最快的消费者应用——这条路径清晰地勾勒出AI从实验室走向生产力工具的拐点。其中，从决策式AI到生成式AI（AIGC）的模式转变，以及大模型“涌现能力”的出现，正是AI替代职业能力发生跃升的深层原因。
三次浪潮与两个技术拐点
人工智能六十余年的发展经历过起伏，而真正奠定当代格局的，是深度学习理论的突破与大模型的兴起这两个关键节点。
早期AI多为针对特定场景训练的“小模型”，通用性差、换场景需重新训练，且依赖大规模标注数据，研发成本高、效率低。过去5年间，随着数据、算力与算法的提升，AI转向在大规模无标注数据上训练的大模型。相比小模型，大模型泛化能力强，通过微调甚至不微调即可完成多个场景任务，有效降低了应用研发门槛。
更关键的是，大模型具备涌现能力：当模型规模达到某个阈值时，其对某些问题的处理性能会突然呈现快速增长。正是基于这种能力，才有了ChatGPT这一现象级应用，也让英伟达CEO黄仁勋断言“我们正处在AI的iPhone时刻”。
从决策式AI到AIGC：职业替代的分水岭
从产品模式看，ChatGPT属于生成式人工智能技术（AIGC）。与传统的决策/分析式AI不同，生成式AI并非简单分析已有数据来做决策，而是在学习归纳已有数据后进行模仿式、缝合式创作，生成全新内容。
这一转变深刻改变了AI替代人类劳动的层次。在决策式AI阶段，机器替代的主要是单场景、低复杂度的重复劳动；而生成式AI凭借内容创作与泛化能力，开始触及多场景、高复杂度的认知型职业。这也解释了为何AI替代职业的讨论会呈现清晰分层——从收银员、外呼坐席，到司机、厨师，再到教师、医生、会计等专业岗位，技术实现难度与职业复杂度呈现出对应的梯度关系。
差距缩小：国内大模型已“坐上牌桌”
在这一轮技术革命中，国内的人工智能大模型与海外的差距已明显缩小。综合来看，国内AI技术与美国的差距约为1-3年，并领先于大部分其他国家。从全球超千亿参数大模型的贡献比例看，中国企业或机构贡献了约1/3，美国贡献了约1/2；在全球大模型数量及参数量前十名的组织中，中美分别占据4席与6席。
具体到大模型技术本身，美国的优势相对更大，大约领先国内公司2-3年，尤其在2020年OpenAI发布GPT-3.0之后差距有所拉大。造成差距的原因并非中国缺乏大数据和参数量，而主要在于两方面：一是原创模型相对匮乏，对算法的见解有待提升；二是部分高端GPU出口受限，在一定程度上影响了模型训练速度。随着国内公司在AI算法上的持续投入与巨头积极布局，底层技术正处于跟随和追赶态势，部分算力约束有望通过国产GPU或ASIC替代来缓解。
常见问题
ChatGPT的“破亿”速度为什么被看作行业拐点？
ChatGPT上线60日月活破亿，对比其他平台达成1亿月活所需时间——TikTok用了9个月、Instagram用了30个月、Twitter用了60个月——其增速是跨世代的。这一速度背后不只是产品体验的成功，更标志着大模型的涌现能力已从实验室走向大众可用的阶段，AI由此进入广泛影响生产生活的“iPhone时刻”。
大模型的“涌现能力”具体指什么？
涌现能力是指当模型规模达到某个阈值时，模型对某些问题的处理性能突然呈现快速增长的现象。在规模较小时，模型准确率可能长期处于低位甚至为零；一旦跨越临界点，性能便急剧跃升。这一特性意味着AI的能力并非平滑增长，而是存在质变节点，这也是大模型能够完成复杂生成任务的根本原因。
国内大模型与海外差距有多大？
国内人工智能大模型与海外的差距约为1-3年，其中具体到大模型技术方面美国的优势更大一些，大约领先国内公司2-3年。差距主要源于原创算法的积累和部分高端算力获取的限制，而非数据或参数规模的不足。随着国内持续投入，这一差距正处于收窄的态势中。