详情

本文刊载于《遥望东方周刊》（2025年第7期开云kaiyun，总第930期），原题为《测AI智商意思意思意思意思安在？》。

文丨《遥望东方周刊》记者陈融雪 剪辑高雪梅

给AI测智商的尝试，推行上是一场东谈主类默契框架的自我注目。

一个紧迫且意思意思意思意思深切的智能翻新期间或将到来

AI能有多聪惠？2024年末，OpenAI文告ChatGPT-o3在ARC-AGI（通用东谈主工智能抽象和推理语料库）基准测试中获取157分，与爱因斯坦、霍金等东谈主类顶尖才能标杆的推定智商并列，这一音信连忙引爆公论。

北京时刻2025年2月18日，埃隆·马斯克旗下东谈主工智能公司xAI发布其最新东谈主工智能模子Grok 3，称它是“地球上最聪惠的东谈主工智能”。

关联词，硅谷的庆功香槟尚未饮尽，另一组实验数据却在2025年1月撕开默契纰缪：2025年1月，非牟利组织CAIS公布“东谈主类终极考查”（HLE）测试后果，所有前沿AI在3000谈跨学科繁难前集体折戟，最高正确率不及10%。

给AI测智商的尝试，推行上是一场东谈主类默契框架的自我注目。面壁智能聚首创始东谈主、首席科学家刘知远袭取《遥望东方周刊》采访时暗示，东谈主类应以更通达的心态，再行斡旋智能的推行——它既是惩办问题的才调，亦然提倡问题的勇气，更是清爽不同生命神色的桥梁。

在他看来，AI的才能醒觉，不在于能否在既有框架内超越东谈主类，而在于能否突破“解题者”的宿命，像原始东谈主发现火种般创造出全新的宇宙。

AI才能有几岁？

从结绳记事到神经汇注，东谈主类阅历了漫永劫刻将智能外化；而今，咱们正在见证智能脱离碳基载体后的第一次呼吸。

“和16岁孩子比较，其言语抒发才调已达到160，言语推理归纳才调达145，这个水平在东谈主类中不说尽头聪惠，亦然万里挑一。”2025年2月，中国科学院心理商讨所超常儿童商讨中心发达东谈想法兴应用韦氏儿童才能量表归拢瑞文测试，给ChatGPT4、DeepSeek、kimi和豆包等当红东谈主工智能大言语模子测智商后严慎暗示：“我不可客不雅地给它们打分（评估详细智商）。我能详情的是，它们的学习才调相等惊东谈主。”

以ChatGPT 4为例，张兴利团队让它作念瑞文测试图形推理题时只是闇练了两次，就从“什么王人不会”逾越到“作念对12谈题”。

“一个智商为100的5岁半孩子，60谈题里差未几能作念对16谈题。但是，大言语模子应该算几岁？”张兴利告诉《遥望东方周刊》，所谓智商，指个体的规范化才能测试后果在同龄东谈主中的相对水平。一般而言，智商平均值设为100，呈正态散播，要是说一个东谈主智商为130，意味着他的才能水平高过 97.7%的同龄东谈主。

好意思国临床心理学家埃卡·罗瓦宁（Eka Roivainen）把东谈主工智能大言语模子当成年东谈主测了一下。在他看来，“ChatGPT简直是一个完好意思的考生，它具有值得景仰的考查格调，不会领会出测试烦扰、遏止力不集结或阑珊致力于的情况”。

2023年3月21日，他用韦氏成东谈主才能量表第三版给ChatGPT测智商，后果娇傲，ChatGPT的理论智商为155，高于组成好意思国规范化样本2450东谈主的99.9%的考生。换言之，即使按成年东谈主的规范看，ChatGPT的理论智商已达到好意思国样本东谈主群的前1‰。

AI加快突破极限

东谈主类一直在寻找一种妥当量化AI聪惠进度的评估体系。1950年，英国数学家艾伦·麦席森·图灵提倡通过发问和东谈主类裁判的主见，来判断一台计较机是否具有同东谈主非常的才能（以下简称“图灵测试”）。但图灵测试过于依赖言语疏浚的才调，忽略了智能的其他维度。

图灵

连年来，基准测试成为AI才调评估的新趋势。GSM8K（基于小学数学题数据集的测试）、HumanEval（用于评估大模子编程性能的测试）和MMLU（大范围多任务言语斡旋测试），不同的测试专注于不同的鸿沟，但它们依旧存在局限性。比如，有些模子可能在西宾中照旧对测试数据集进行了“预习”，终末的高分并不代表真实的才调。那么，被数据“稠浊”的测试沦为套路，就失去了参考价值。

为破解传统基准测试的窘境，非牟利组织CAIS（东谈主工智能安全中心）与数据巨头Scale AI聚首推出名为“东谈主类终极考查”的全新基准测试，但愿用复杂的题目“拷问”AI的极限。

据悉，“东谈主类终极考查”有出题巨匠近千名，来自得家50个国度的500多个机构，涵盖数学、东谈主文、当然科学等多个鸿沟。巨匠们提交了超7万个问题，经严格筛选后保留住3000个高难度问题。

2025年1月公布的测试后果娇傲，那时所有的前沿大模子（如GPT-4o、Claude 3.5 Sonnet、Gemini系列等）准确率均未高出10%，且大王人存在“过度自信”景况。此外，大模子还存在跨学科整合才调不及，难以同期处理文本、图像和专科术语，回复“古希腊外传中好汉伊阿宋的曾祖父是谁”这类问题很勤奋。

但是，AI攻克基准测试的速率将远超预期。

比如，在评估高等数学推理和创造性解题才调的MATH测试中，前沿大模子的解题正确率从10%到90%仅用了3年。CAIS预计，到2025年底，AI在“东谈主类终极考查”上可能突破50%准确率。

“大模子的才调密度随时刻呈指数级增长，2023年以来才调密度约每3.3个月（约100天）翻一倍——这是咱们提倡的大模子密度定律。”刘知远暗示，四肢AI 期间的三大中枢引擎，电力、算力和才能的才调均在加快倍增，咱们行将迎来一个紧迫且意思意思意思意思深切的智能翻新期间。

测量悖论

关联词，这些措施均不免堕入“测量悖论”。

1998年3月20日留资， 贝尔实验室成列的含有256个神经元的神经汇注芯片（右）和1958年开辟的第一个用于东谈主工智能的神经汇注（毛众役/摄）

张兴利暗示，智商测试出生于1905年，法国心理学家比奈（Binet.Alfred）和助手西蒙（Theodore Simon）为了把特别需求儿童和一般儿童远隔开来，制定了比奈—西蒙才能量表。120年来，面临不同地域和不同期代等文化相反，学界抑制矫正和研发出多种测试器具，力求对个体智商更客不雅地开展评估。

给AI测智商，靠谱吗？当今，已有多名巨匠对此暗示质疑。

牛津大学商讨工夫与监管的商讨员桑德拉·瓦赫特 (Sandra Wachter) 在袭取 TechCrunch（一家好意思国科技类博客媒体）采访时暗示，用东谈主类推测规范来刻画东谈主工智能的才调或逾越非常诱东谈主，但这就好像是在比较苹果和橘子。汽车比东谈主类跑得快，潜水艇比东谈主类潜得深，并不料味着汽车或潜水艇超越了东谈主类才能。

伦敦国王学院商讨员迈克·库克（Mike Cook）暗示，拿东谈主工智能和东谈主类作对比分歧理也不自制。

对此，刘知远暗示，比较评测集（用于评估东谈主工智能模子性能的数据集）的评价得益，更值得热心的是，大模子在咱们责任生涯中的应用进度和在各个行业的浸透进度。

跳出念念维窠臼

才能的推行仍是未解之谜。爱因斯坦大脑剖解娇傲，其顶叶皮层神经元密度高于常东谈主，但基因商讨未发现“智商决定簇”。这指示才能可能是遗传、环境、文化共同作用的知道景况。

“东谈主类终极考查测试中，AI惨败反而令东谈主安稳。”CAIS创始东谈主丹·亨德里克斯暗示，“当机器在结构化问题中碾压东谈主类时，咱们更需要珍惜那些‘低效’却零散的才调：在信息不全时武断行动，在章程无极时效率底线，在无望之境中创造但愿。”

马斯克预言，在2025年底，AI的才能水平将超越东谈主类个体，2027年将高出全东谈主类。刘知远也运行设想AGI（通用东谈主工智能）到来的那一刻——“归来历史，信息翻新历经了50个摩尔定律的倍增周期，历时80年。而密度定律的倍增周期仅为3.3个月，按照这个规范，从2020年运行，仅用13年把握就可完成智能翻新的周期。”

在刘知远看来，确凿的智能翻新简略正冬眠在AI答错的题目里——那些波及隐喻解码的诗歌赏析、需要共情参与的谈德抉择，以及必须突破物理限定的科幻构念念。

“信息翻新刚运行的时候，IBM 的创始东谈主沃森曾觉得，五台主机就不错空闲全宇宙的计较需求。但今天，咱们看到群众稀罕十亿、上百亿的计较开辟在处事社会。”刘知远暗示，智能翻新也要走一条一样之路，抑制擢升才调密度，缩短计较资本，愈加普惠。

光显，面临AI指数级进化，东谈主类需跳出“零和博弈”念念维开云kaiyun，构建新式互助框架。