美国 - 艾赫巴里通讯社
人工智能测试“人类的最后考试”：通用人工智能是否已近在咫尺？
人工智能安全中心（Center for AI Safety）和 Scale AI 的研究人员推出了一项名为“人类的最后考试”（Humanity's Last Exam, HLE）的严谨博士级基准测试。该测试旨在探测人工智能推理能力的极限。这项综合评估包含 100 多个学科领域的 2500 个问题，旨在衡量最先进的人工智能模型在多大程度上接近人类的专业知识水平，尤其是在博士级别。尽管此举引发了关于通用人工智能（AGI）进展的讨论，但专家们强烈建议不要将当前的性能指标解读为已实现这一复杂里程碑的确定证据。
HLE 测试框架于 2025 年 1 月正式启动，其底层方法论和设计原理在 1 月 28 日发布的一项研究中有详细阐述。这些问题的制定汇集了来自 50 个国家、500 个机构的 1000 多名领域专家的意见，确保了知识库的广泛性和深度。考试包含选择题和简答题等多种形式。至关重要的是，每个问题都设计有明确、易于验证的答案，并且无法通过简单的互联网搜索快速解决，从而测试的是真正的理解和推理能力，而非仅仅是数据访问能力。
另请阅读
基准测试启动时的初步测试对象包括 OpenAI 的 GPT-4o 和 o1、谷歌的 Gemini 1.5 Pro、Anthropic 的 Claude 3.5 Sonnet 以及 DeepSeek R1 等知名人工智能模型。OpenAI 的 o1 模型在首批测试中取得了最高分，但也仅为 8.3%。研究人员当时回顾这一早期表现时指出：“考虑到人工智能发展的快速步伐，到 2025 年底，模型在 HLE 上的准确率很可能超过 50%。”这一预测突显了人工智能能力方面预期的飞速进步。
截至 2026 年 2 月 12 日，HLE 上记录的最高分数是 48.4%，由谷歌的 Gemini 3 Deep Think 模型获得。与之形成鲜明对比的是，人类专家在其各自领域通常在此考试中获得约 90% 的分数。这一显著的差距凸显了人工智能在匹配人类认知和专业知识的广度和深度方面所面临的巨大挑战。
“人类的最后考试”的设计故意追求极高的难度。在开发过程中，研究人员向各学科的专家发出了征集问题的全球呼吁。他们实施了严格的提交标准，要求问题必须精确、无歧义、可解，并且难以通过网络搜索找到答案。其目的是阻止人工智能模型通过访问易于获取的在线答案来“作弊”，因为这会虚报分数并歪曲其真正的理解能力。每个提交的问题都会在人工智能模型上进行测试，凡是模型能正确回答的问题都会被自动拒绝。在尝试的 70,000 多个提交中，约有 13,000 个问题成功地让大型语言模型（LLM）感到困惑。随后，这些问题经过了主题专家的细致审查，研究团队的批准，并向社区开放以收集反馈，最终形成了包含 2500 个问题的语料库，代表了博士级别的挑战。
考试的范围极其广泛，涵盖了各种领域。例如，一个常识性问题可能是：“在希腊神话中，杰森的母系曾祖父是谁？”一个物理学问题可能涉及计算一个连接到刚性杆上的无摩擦水平轨道上滑块的复杂力学动力学。这种广泛的性质使 HLE 有别于其他人工智能评估工具。
像“大规模多任务语言理解”（MMLU）数据集这样的现有基准测试，通常侧重于编码和数学等更狭窄的领域，可能无法涵盖高级推理的全部范围。即使是像 Francois Chollet 的 ARC-AGI 系列这样最先进的基准测试，也因其容易受到记忆和搜索能力问题的影响而受到批评，而 HLE 的创建者明确表示要解决这些问题。例如，Gemini 的 Deep Think 在 ARC-AGI-2 基准测试中取得了 84.6% 的分数，这与它在一周前在 HLE 测试中难以超过 50% 的困境形成了鲜明对比。
相关新闻
虽然“人类的最后考试”代表了在评估现代人工智能模型相对于人类专家的广泛能力方面取得的重大进展，但该研究的作者们毫不含糊地指出：在 HLE 上取得高分并不等同于通用人工智能（AGI）的到来。“HLE上的高准确性将证明在封闭式、可验证的问题和尖端科学知识方面的专家级表现，但它本身并不能暗示自主研究能力或通用人工智能，”科学家们在研究中表示。特拉华大学神经科学家、HLE 的贡献者之一曼努埃尔·肖特多夫（Manuel Schottdorf）也表达了同样的观点：“在 HLE 上表现良好是机器达到真正智能的必要条件，但并非充分条件。它们必须足够聪明才能解决这些问题，但仅凭这一点，我们无法得出机器真正智能的结论。”
