最近一項名為 “人類終極考試”（HLE）的測試結果讓我們重新審視 AI 的真實能力。根據《自然》雜志的報道，GPT-4o 在這 2500 道由全球專家出題的測試中，僅獲得了可憐的 2.7 分（滿分 100 分），而表現最好的 AI 模型也僅得 8 分。這一結果讓人質疑，AI 的強大究竟是實打實的實力，還是表面的繁榮？
傳統的 AI 測試越來越無法反映真實能力，主要原因有兩個。一是 “基準飽和”，即 AI 系統已經將常規測試題目背得滾瓜爛熟，得分的高低與真正的理解能力無關；二是 “答案作弊”，很多測試的答案可以直接在網上找到，使得 AI 看似答對問題，但實際上只是依賴于檢索和記憶，而非真正的推理能力。
為了解決這些問題，HLE 的設計者們集結了來自 50 個國家的近 1000 名專家，確保每道題目都要求深層的專業知識，難度大幅提升。HLE 的題目不僅覆蓋了數學、物理、化學等多個領域，還設定了嚴格的審核流程，確保題目難度足夠，難以被 AI 輕易破解。比如數學題需要深入邏輯推理，化學題涉及復雜的反應機制，絕不是簡單的檢索就能得到答案。
測試結果一目了然：GPT-4o 僅得 2.7 分，Claude 3.5 Sonnet 和 Gemini 1.5 Pro 也只分別獲得 4.1% 和 4.6% 的準確率，表現最好的 o1 也僅得 8%。這些數據清楚地表明，即便是最新一代的 AI，在面對真正需要深厚專業知識的問題時，依然顯得無能為力。
通過 HLE 的測試，我們可以看到 AI 的真實能力與傳統基準測試中的高分形成了鮮明對比。這也促使我們重新思考，AI 是否真的如我們想象中那樣聰明，還是只是一種表象的成功。