AI在“终极人类考试”中表现不佳，引发对其实力的重新评估
根据《自然》杂志的报道，一项名为“终极人类考试”（HLE）的最新测试结果，促使人们重新评估人工智能的真实能力。在此次测试中，GPT-4o在满分100分中仅获得2.7分，表现最佳的AI模型也仅得到8分。
测试背景：为何需要新的评估标准？
传统的AI基准测试越来越难以反映真实能力，主要原因有二：
- 基准饱和：AI系统已“记住”了大量常见测试题，导致高分与实际理解能力脱钩。
- 答案作弊：许多测试答案可直接从网上检索，AI看似答对，实则依赖检索与记忆，而非真正的推理能力。
为解决上述问题，HLE的设计者汇聚了来自50个国家的近千名专家，确保每道题都需要深厚的专业知识，显著提升了难度。
HLE测试的核心特点
- 题目范围：涵盖数学、物理、化学等多个领域。
- 题目性质：需要深度逻辑推理（如数学题）或涉及复杂反应机制（如化学题），无法通过简单检索获得答案。
- 审核流程：经过严格审查，确保题目对AI具有足够挑战性。
主要AI模型测试结果
| 模型 | 得分/准确率 |
|---|---|
| GPT-4o | 2.7分 |
| Claude 3.5 Sonnet | 4.1% |
| Gemini 1.5 Pro | 4.6% |
| o1（表现最佳） | 8分 |
数据清晰地表明，即使是新一代AI，在面对需要深厚专业知识的真正难题时，仍然表现挣扎。
结论与启示
HLE测试结果揭示了AI真实能力与传统基准测试高分之间的尖锐对比。这促使我们重新思考：AI是否真的如我们想象的那样智能，还是仅仅是一种成功的幻觉？
发布日期：2026年2月3日
来源：AIbase Daily（基于《自然》杂志报告）
