Mollick 那兩個被引用了三年的生產力數字，對回原始研究了。

本篇出自 2026年7月14日 晨報

華頓商學院教授 Ethan Mollick 2023 年 5 月的名文〈AI 不是好軟體，是還不錯的人〉（原文）裡兩個廣傳數字，本週逐一對回出處：「寫作生產力提升超過 30%」出自 Science 期刊刊出的隨機對照實驗（453 名受試者，實測寫作任務時間縮短約 40%，Noy & Zhang, 2023-07）；「寫程式快 50% 以上」出自 GitHub Copilot 實驗（95 名開發者，實測快 55.8%，Peng et al., 2023-02）。已驗證，且 Mollick 的轉述偏保守（說 30%，實測 40%）。這兩點但書要記住：Copilot 那篇是廠商（GitHub/Microsoft）自己做的，統計誤差範圍極寬（21%~89%）；兩個數字量測到的都是指定實驗任務的速度，不是整份工作的生產力。別把這兩個數字直接當「整體生產力 +30%/+50%」寫進 ROI 簡報——樣本小、任務窄。

同類最新

• 模型觀點 2026年7月27日 2 條來源

  Stanford 平攤評測法找到獨立第二證

  Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…

• 模型觀點 2026年7月27日 1 條來源

  Lambert「美版 DeepSeek」宣言查無第二源

  Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…

• 模型觀點 2026年7月26日 1 條來源

  為什麼模型愈練愈會解題、卻愈寫愈不像人？MIT 給了一個機制答案，也剛好解釋了人類專家資料為什麼還缺。

  目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…

• 模型觀點 2026年7月25日 1 條來源

  「AI 寫底層程式」的真瓶頸換位置了：生成是易事，讓人敢信那個數字才難。

  SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…