AI能否真正替代人类工作？Scale AI与Center for AI Safety发布的Remote Labor Index (RLI)研究，通过模拟真实职场环境，对AI的交付能力进行了残酷测试，结果令人震惊。

过去两年，“AI 会取代多少人类工作？”几乎是各行各业焦虑的源头 。但在这个热闹的讨论之外，我们似乎忽略了一个最冷静、也最致命的问题：AI 真的具备“交付”真实工作的能力吗？

最近，Scale AI 联合 Center for AI Safety 发布的 Remote Labor Index (RLI) 研究，一盆儿冷水浇在了“AI 替代论”的头上 。这份研究不再让 AI 做填空题，而是直接把它们扔进了残酷的“职场”。

一、为什么需要RLI？RLI 撕开“能力”与“交付”的面纱

现在的 AI 就像是一个在学校里门门考满分的“做题家” 。但我们都知道，学历高不代表干活靠得住。

目前的测试题大多是在测“孤立的技能” 。RLI 就是为了打破这种幻觉而生的。它不仅仅是考试，而是模拟真实的甲方验收现场：

举个例子：

现在的 AI 可能在“倒车入库”（比如回答百科问题、写一段 Python 代码）上拿满分 。但光会倒车入库，不代表你能去开滴滴赚钱 。现在的测试看不出 AI 到底能不能把车开上路、接乘客、送到目的地这一整套流程走下来——也就是所谓的 “端到端性能” 。

再比如：

甲方需求： 比如“帮我设计一个万圣节促销海报，要有恐怖氛围但又要可爱” 。

给你的材料： 原始的 Excel 表、图片素材、CAD 图纸，都在文件夹里自己找 。

及格标准： 必须交付一个人类专家做出来的、甲方愿意掏钱买单的成品 。

二、史上最难“职场大考”：连续干 4 天才算一题

RLI 抛弃了那些几分钟就能搞定的简单任务，直接从 Upwork 等平台“买”来了 240 个真实世界的付费外包项目，涵盖视频制作、3D 建模、代码开发等 23 个领域 。

这些任务极具挑战性，人类专家平均耗时 28.9 小时，最长耗时达 450 小时。按咱们一天工作 8 小时算，这意味着平均接一个单子，得连续干将近 4 天才能做完。以前的 AI 测试题（比如让它写个贪吃蛇游戏），可能人类 10 分钟就搞定了。这次的题量是以前的 2 倍以上 ，甚至有的项目人类干了 450 个小时（快两个月）。

三、成绩单揭晓

1.即使给配了电脑操作环境和专业工具，并给予模型明确提示：

• 图像生成：调用 gpt-image-1 生成或编辑图像；
• 视频生成：调用 veo-3.0 生成视频；
• 语音合成： 调用 openai/tts-1 生成语音。

2.“工位”分配：针对不同模型的能力特点分配两种不同的操作环境

• 普通员工模式： 对于支持操作电脑的模型（如 GPT-5 CUA, Sonnet 4.5），直接配齐了鼠标、键盘、截图工具和文件编辑器，让它们像人类一样操作桌面 。
• 程序员模式（CLI）： 对于不支持计算机使用的模型（Grok 4、Gemini 2.5 Pro），则使用 OpenHands 提供的命令行界面，让它们通过敲代码（Bash 命令、Python 脚本）和调用特定 API 工具来干活 。

最终结果确实也是有点震惊的哈，

最强的 Agent（Manus）自动化率也仅为 2.5%，GPT-5 (CLI) 为 1.7%，而 Gemini 2.5 Pro 仅为 0.8%。 典型失败不只是只差一点…

• 需要 8 分钟的视频，AI 只做了 8 秒
• 复杂建筑渲染内部视角互相矛盾
• 游戏可运行但画面像儿童画
• 设计图中文字乱码或错别字
• 交付文件空白、损坏、格式不支持

当然，AI 也有它的舒适区。在 音频编辑、图片广告设计、简单的数据可视化和爬虫 领域，它表现得还不错 。这说明 AI 在创意类与轻量编码任务上有潜能，但在需要严谨逻辑的工程执行类任务上仍严重受限 。

四、 经济账：不仅是“菜鸟互啄”，更是价值洼地

由于自动化率太低了，很难看出细微差别，研究人员不得不引入了 ELO 分数，给这群垃圾排个座次，衡量不同模型之间的相对性能谁比谁强一点。

研究团队算了一笔账：

赚到的钱： 整个题库价值 $143,991，表现最好的 Manus 只赚到了 $1,720，Gemini 更是只赚了 $210。

自动化通胀：可以把他理解成，作为一个大老板，把这 240 个 RLI 项目全部外包出去，用AI能比纯雇佣人类省下多少百分比的钱。

看下图，虽然我们看到在增长，但最高也仅仅停留在 3.9% 左右 。也就是…面对这价值 14 万美元的工作，如果完全依赖目前最先进的 AI 技术（包括 Manus、GPT-5 等），顶多能省下 4% 的钱。

结语：告别“做题家”，拥抱“实战派”

我觉得答案已经很明晰了，RLI 的发布不仅仅是一次测试，更是一道行业分水岭，它用残酷的数据证明：传统的“做题家”式评测体系已经失效 。当模型在 MMLU 等考卷上拿满分，却在真实外包单面前只有 2.5% 的及格率时 ，我们必须承认，旧的标尺已经不太能量出 AI 的真实高度了。

AI模型，也要升一个高度卷了，从考察“孤立技能”转向“端到端交付”。这不仅是评测方法的迭代，更是 AI 从实验室走向真实生产力的必经之路。