几年前的某个晚上，Nathan Lambert 坐下来写那本 AI 教科书的时候，他顺手在心里记了一笔：等 2026 年这本书印出来，市面上的模型大概已经能写得比他更好、也更快。他赌错了。

到 2026 年中，他回头看那些大模型在长篇非虚构上的表现，进步小得让人失望。能解奥赛题、能在两个不相干的领域之间突然打个比方，这种跳跃式的能力，恰恰在把一整本书从头到尾撑起来这件事上卡住了。写一篇文章不难，难的是结构——开头埋下的问题，到了第二十章还得记得回头收；一个术语第一次出现时给的定义，到两百页后还在用同一套语义。这些东西，模型还在原地学。

这件事为什么重要？因为能写、可读、可组织，是集体知识能滚雪球的前提。Lambert 在 Interconnects 那篇文章里直接把这个担忧说破了：开放式科学听起来很燃，但它的底层是大批可读、可组织的文献；写作这一关过不去，再聪明的模型也只是停在“给答案”那一层。评论里 Yadnesh 的一句话更狠——长篇写作不是把想法装进容器，容器本身就是思考的一部分。

当然，这只是一本教科书的个人经验，不是系统评测，技术归因也还没人讲清楚：是数据太贵、是训练目标没把长篇纳入、还是评估本身就只盯着短回答，目前都不明朗。可以下的边界判断是：把“AI 写得了答案”直接推成“AI 能做科学”，中间至少隔着一本没人写出来、也没人写得动的书。

你最近在啃哪类长文的时候，最明显地觉得 AI 帮不上忙——是教材，是综述，还是一份给非专业读者的解释稿？