关于金融服务与保险业的AI代理以及AI报税，这是一个试金石。如果AI真像所有人说的那样神奇，为何所有AI公司的员工不曾简单输入“克劳德（Claude），帮我报税”作为提示然后离开？一个AI仅凭“帮我报税”这条单一提示就能完成个人报税，无需进一步帮助。

关于金融保险业的AI代理，以及AI报税。

这是我的试金石。

如果AI真像大家说的那么神奇，为什么所有AI公司的员工不直接输入“Claude，帮我报税”然后走开？

一个AI仅凭“帮我报税”这一句指令，无需任何额外帮助，就能完成个人报税。

讨论气氛总体轻松怀旧，夹杂自嘲与不服气；分歧主轴不在于「AI 有没有进步」，而在于「当年 HN 立下的那些门槛到底算不算被跨过」——一半人觉得标准从一开始就含糊，另一半人觉得标准被悄悄往后挪了。

认为多数预测的判定标准本就含糊到无法裁决

• 有人指出至少三分之一的预言没清楚交代到底断言了什么，反复读也看不出目标线画在哪，无法判断越没越过；还有人建议把问题重新措辞，否则投票的人根本不知道自己在投什么；更尖锐的意见是，不少门槛被脱离了原语境、和当年评论者提的要求已经不是一回事，显得不诚实（较多人） > 读完整条评论好几遍，很多条我仍说不清作者把球门线设在哪，也就无从判断有没有进球（@bmenrigh）

认为门槛确实在移动，而且一年比一年难过

• 有人整理出逐年「答 yes 的比例」：2016 年约 57%，一路降到 2026 年约 29%（较多人） > 门槛看起来真的在动：2016 年 56.89%，2026 年 28.84%（@jefftk）
• 有人拿自己当年「GPT-4 认出原创 ASCII 脚」的挑战实测：让 Opus 画了一只还算像样的脚，再丢给免费版 ChatGPT，对方说是「火车头」，结论是脱开工具调用，LLM 依然不擅长 ASCII 艺术（少数人）

认为 LLM 只在语料厚的领域好用

• 反方观点认为，投票结果说明大家对模型能力仍存幻想：写代码看着惊艳，是因为这个话题有二十年文本可吞；换成小众领域就是碰运气，会编造大量并不支持结论的来源。有人举铂金硅胶与石膏是否相斥的例子——模型先说硫和钙会抑制固化（石膏正好含这些元素），随后又说没问题，引的文章全是拿硅胶模浇石膏，毫不相干；农业、建筑、机械这些亲身熟悉的领域同样错得离谱（较多人） > 它仍会经常编垃圾，还附上根本支持不了的来源（@AngryData）
• 也有少数声音把矛头调转回来，说从投票能看出 HN 有四成人是「AI 黑」，和站上一贯的负面情绪吻合（少数人）

认为图灵测试本身就有缺陷

• 有评论认为现在的 LLM 在很多场景下早就能通过图灵测试，反而是人类经常听不出对面是真人还是学舌的鹦鹉——问题可能出在图灵对人性太乐观（少数人）

认为预测主题发生了明显的代际迁移

• 有人对比年份：2016 年人们提的是通过图灵测试、写代码、帮我点杯咖啡；2024 年主题类似但更复杂、更具体；到 2026 年画风突变，变成能不能推开一扇真实的门、能不能逼真地模仿人类的小肚鸡肠、能不能做出原创科学突破。仅这一点就很说明问题（较多人）

承认自己当年预测被证伪

• 有人高兴于自己某个预测彻底错了，并解释为什么错：LLM 能写模型、能训模型，但机器学习本身还没先进到能承接任意新任务；有人 2023 年预言「二十年才能靠一句提示完整构建并部署任意应用」，结果差了约十八年；还有人早前说 AI 很快会把 PCB 和电子设计变成写代码，当时被硬件工程师嫌弃，几个月后就冒出几个同思路的产品（较多人） > 我那条差了大约十八年（@joegibbs）
• 另外有人晒出赌注：OpenAI 加 Anthropic 的市值 2027 年前到 2.5 万亿、以及 API 推理毛利高于 10%，自认在赢的路上（少数人）

想让站方给错误预测加一点问责

• 有人提议，如果每个错误预测都附带一点轻微代价，比如有人冒出来拿鳟鱼扇你一下，站点会更好——前提是先写进服务条款（少数人） > 每个错误预测都该有点轻微后果，比如有人冒出来用鳟鱼扇你一下，站点会更好（@delichon）

有价值的补充

• 关于「有说服力的插画」这类挑战：问题的要害是「说服力」不止一个维度，模型能出通顺合理的图，但彼此高度雷同；输出多样性不足在 2024 年就已明显，如今人人对 slop 疲劳，大实验室和其他研究者都没兴趣解决；同时 agentic／编码方向的训练泄漏严重，模型的创意能力甚至不如 2024 年，尽管更连贯了。所以技术上是 yes，实际是「看情况」，而门槛原地没动（@orbital-decay）
• 一个精巧类比：国际象棋记谱常有笔误，但棋手能根据「哪些着法讲得通」和当前棋力水平推断原意；主流 AI 工具做不到这一点（@eternal_braid）
• 元层面的质疑：有人问这个汇总站点是怎么攒出来的、用了多少 AI 来筛选和撰写；也有人指出（大概是 AI 生成的）挑战摘要把自己原话只列了一半，还把并列关系改成了「或」，导致判定失真（少数人）
• 关于研究方向的判断：连续几年答 yes 的比例下滑，未必说明模型退步，也可能说明留下来的题越来越集中在「可靠性」这一硬骨头上——不少人的挑战卡住的地方正是副词「可靠地」