AI 接管世界的进度
AI 正在改变世界，也在改变你能做的事。
AI 会杀死你的创业想法？接管你的工作？重塑你的行业？
每一次 AI 更新，都可能会挑战你的答案。
公众白皮书
v0.2 · 2026年10月3日
surviagi.com
1. 变化从你熟悉的工作开始
做一个产品，要设计、写代码、回答客户的问题，还要让它持续运行。提供一项服务，要理解需求、准备材料、检查结果，最后完成交付。每一部分，都需要你投入时间和技能。
当 AI 能接过其中一些工作，你的选择就会改变。过去需要组建团队才能尝试的事，可能一个人就能开始；每天重复处理的事，可能不再占用那么多时间；原本准备出售的一项服务，客户可能已经能自己完成。
无论你正在经营公司、独立接项目、上班，还是想用 AI 做点什么，这些变化都与你有关。它们影响你能提供什么、需要学什么，以及哪些地方仍然需要你的投入。
SurviAGI 是一项让 AI 独立完成主要生产与服务工作的进展更透明、更可信的倡议。 我们主动采集和分析 AI 的变化，把它们与具体工作连接起来。网站承载这些记录，社区共建帮助补充遗漏、纠正判断。
我们希望用户能看清 AI 实际做到了什么，哪些地方仍然需要人，以及哪些新的可能值得尝试。
2. 从一次演示到日常使用
设想你看到 AI 几分钟就完成了自己通常要花一天处理的任务。在把工作交给它之前，你还需要了解演示前后发生的事：材料是谁准备的，结果有没有被人修改，换成自己的任务能否再做一次。
一条发布消息可能介绍了新功能，却没有展示使用它所需的全部工作。一项评测检验的是特定条件下的特定任务。一个企业案例可以说明系统已经投入使用，但未必讲清失败率和人的工作量。每一种信息，都只呈现了一部分情况。
开发者、企业和用户，各自掌握着一部分信息。开发者了解系统怎样构建，企业了解它怎样进入业务，用户了解结果是否有用、自己还要修正多少。
我们依据能够获得的证据，把这些信息连起来，记录尝试了什么、条件是什么、结果怎样，以及人提供了多少帮助。缺少的部分，继续作为需要弄清的问题。
3. 把每一次更新，连到具体工作
当一次 AI 更新能与你正在做、或者想做的事联系起来，它才容易被理解：准备报告、剪辑视频、修复程序、处理客户请求，究竟哪一项发生了变化？
我们正在建立这样的记录。用户应当能够找到一次更新，看到它涉及哪些工作，查看依据，再沿着时间了解判断怎样变化。赛道和职业，是找到相关工作的入口。
看清哪些工作可以交给 AI。 它能完成哪些部分，需要什么条件，人还要做什么。这些信息可以帮助小团队安排工作，也可以帮助独立工作的人考虑自己能提供哪些服务。
看懂一次更新为什么值得关注。 新版本可能让一项工作变得可行，也可能改善结果、减少投入，或提高反复使用时的可靠性。记录应当说明具体改变了哪一部分，以及依据是什么。
借鉴一次真实尝试的过程。 任务、条件和结果说清楚，案例才有参考价值。它可以帮助你尝试类似的做法，也能告诉你需要亲自检查哪些地方。
这些记录可以帮助用户判断工作中的机会和压力。它们不能直接给出一家公司倒闭、或者一个人失去工作的概率。
4. 怎样才算把工作做完
我们所说的“AI 接管世界”，指 AI 逐步具备独立完成社会主要生产与服务工作的能力。范围包括电脑里的工作，也包括借助机器人和其他工具完成的现实世界工作。
以给客户准备一份报告为例。写出十页通顺的文字，是工作的一部分。还需要找到正确的信息、核对日期和数字、处理相互矛盾的材料，最后交付客户能够使用的结果。如果这些步骤仍需人重新做一遍，人的投入就应当算进对 AI 表现的判断。
AI 做完了什么，人还做了什么？ 在信息已知时，准备、检查、修改、重试和处理意外情况，都应当被记录。多次得到可用结果，比一次成功的尝试更有说服力。
我们采集原始公告、评测、产品信息和真实使用经验，再将它们关联到具体工作。发布方的宣称，与我们依据现有证据采信的表现，分别记录。判断应当说明哪些结论来自原文，哪些来自我们的分析。
我们也分别观察三个问题：AI 能做什么，人们是否真的在用，以及使用之后发生了什么变化。投入生产使用，本身不能证明 AI 已经独立完成工作；一项任务的结果，也不能直接证明就业或收入发生了变化。
整体图景由这些具体判断逐步形成。证据不足的工作继续保持未定，不能据此认定 AI 做不到。
5. 你的经验，也能帮助 AI 进步
当你纠正 AI 的回答，你也在提供关于这项工作的知识。你可能发现一个错误数字，补充客户的要求，或者指出一份看似完成的结果为什么无法使用。这些修正，帮助说明怎样才算做好。
如果你保留任务要求、结果、修改，以及接受或拒绝结果的理由，留下的就不只是最终答案。这些记录可以帮助发现反复出现的错误、准备测试；经过适当筛选和整理，也可能成为后训练材料。后训练是在基础训练之后，进一步调整模型行为的训练。1
用户应当能够利用自己积累的经验。 包括保留自己有权使用的材料，选择支持进一步训练的模型，并检验它是否更适合自己的工作。保存对话是准备材料的一步；真正改善表现，还需要合适的数据、训练和评测。
后训练数据，以及利用它们改进 AI 的机会，不应只掌握在模型公司手里。 设计师的修改记录、工程师通过检查的修复、小企业自动化失败的尝试，也可能帮助其他人准备评测和训练材料。
这就是我们主张的数据主权：你决定自己有权使用的经验怎样保存和利用，以及是否贡献出来。私人材料留在社区之外。我们希望自愿贡献的材料成为公开资源，让更多人能够复用它们，改进和评估自己的 AI。
6. 我们怎样对待证据和分享
把变化讲到具体工作上。 说明 AI 完成了什么、哪里发生了变化、人还做了什么。成功结果之外，也记录失败和困难。
让用户能够查看判断的依据。 提供原始来源，说明核查了什么、哪些是我们的解释。保留影响结论的条件与限制。判断改变时，说明原因，并保留此前的记录。
把信息缺口保留下来。 缺少证据的地方继续注明。能力的变化、观测范围的扩大和方法的修订，分别说明。
尊重你是否分享的选择。 用户应当能够保留和利用自己有权使用的经验，无须以贡献给社区为条件。参与出于自愿。
贡献的资源公开，并允许复用。 我们不采集敏感材料。上传前，用户必须自行检查和筛选，确认内容不含个人隐私、客户机密或其他敏感信息，并确认自己有权将它公开、允许他人复用。上传即表示同意公开共享和二次使用，包括评测和模型后训练。不确定，或者不愿让材料公开复用，就不要上传。
帮助用户有依据地选择。 说明证据支持什么，避免将不确定性渲染成恐惧，也不把可能的改善写成必然结果。我们的分析始终接受纠正。
7. 项目进展与参与方式
本地采集、处理和初步分析已经开展。我们正在整理公开的 AI 更新和证据，将它们关联到具体工作，逐步形成对 AI 完成工作的判断。当前分析由机器生成，尚未经过人工逐条复核。经过校准的公众进度基线和社区提交入口尚未开放。
随着记录积累，用户应当能够找到与自己相似的工作，查看原始证据，并了解为什么调整判断。我们也希望熟悉这些工作的人，帮助指出遗漏的条件、不充分的证据和错误结论。
你可以从一次自己熟悉的尝试开始。
保留完整过程。 记录需要完成什么、用了哪些模型和工具、结果怎样，做了哪些检查、修改和重试，以及最后是否可用。失败的尝试也可能揭示重要的限制。
说明怎样才算做好。 写下遗漏的检查、忽视的条件，以及仍由人完成的工作。这些信息能帮助其他人理解你所在领域的验收要求。
整理可能用得上的经验。 保留自己有权使用的示例和验收标准。它们可能帮助你为自己的 AI 准备评测或训练材料。是否分享，由你决定；未来上传的材料也必须符合上述公开复用条件。
目前可以先为自己保留这些记录。提交入口开放时，我们会在 surviagi.com 公布参与说明。本文中的开放资源和后训练主张，是倡议的建设方向；提交和训练服务目前尚未提供。
让更多人看清 AI 的进展，也看清自己可以做什么。
注记与版本
v0.2 · 2026年10月3日。 本版围绕用户熟悉的工作、证据的用途和参与方式，重写开篇、章节标题与正文，保留倡议范围、数据主权立场和公开复用承诺。首个双语版本为 v0.1，日期为2026年9月13日。本次文案修订不代表新的测量方法或进度结果。
经过校准、可供公众使用的进度基线尚未建立。本版不给出全球接管进度百分比或完成日期。未来任何综合估计，都需要说明覆盖哪些工作、不同工作怎样加权，以及缺少证据会怎样影响结果。能力、实际采用与经济后果继续分别记录。
以下资料为方法中的具体部分提供参考：
- 人类示范与反馈：Training language models to follow instructions with human feedback — Ouyang 等，2022。
- 基于付费工作的任务与结果验收：SWE-Lancer — OpenAI，2025。
- 任务难度与可靠性：Task-Completion Time Horizons — METR。
英文与简体中文版表达相同的倡议和承诺。未来的重要修订会说明范围、方法或结论发生了哪些变化。