AI刷爆90%传统测试，人类掏出终极考卷

当GPT-4o在MMLU这类主流AI测试上拿到90%+的准确率时，有人欢呼AI已经追上人类，有人却在背后捏了把汗——这些曾经用来衡量AI能力的标尺，正在变成AI的“刷分题库”。2026年初，一份由全球1000多名专家耗时18个月打造的“人类终极考卷”（HLE）被摆到了所有顶尖AI面前：2500道横跨100多个学科的专家级难题，连Google搜索都找不到标准答案。最先进的Gemini 3.1 Pro只考了44.7%，GPT-5.4也不过41.6%，而人类专家的平均得分是90%。这不是为了难倒AI，而是为了回答一个越来越紧迫的问题：当AI能轻松“考高分”时，我们该怎么知道它到底会什么？

从“刷分题库”到“终极考卷”的筛选逻辑

你可以把传统AI测试想象成高中模拟卷——题目都是课本里的基础题，刷多了总能考高分。但HLE的诞生，是直接把博士生资格考试的真题搬了过来，而且还加了一道筛选门槛：先让当前最顶尖的AI挨个答题，但凡能被答对的题目，直接从题库里删掉。

初始的7万道征集题，先经过一轮AI“淘汰赛”：GPT-4o、Claude 3.5这些能在传统测试拿满分的模型，只要能答对某道题，这道题就被判定为“难度不足”。剩下的题目再进入两轮人工评审：由拥有硕士以上学历的学科专家逐一验证，确保题目没有歧义、答案唯一，而且绝对不能靠搜索直接找到。最终2500道题被选中，其中41%是数学题，11%是生物医学题，还有14%是需要看图分析的多模态题——比如MIT专家出的那道蜂鸟骨骼题，要说出某块骨骼支撑的肌腱数量，翻遍普通百科都找不到答案。

这个筛选逻辑像极了体育赛事的资格赛：只有连卫冕冠军都闯不过的关卡，才有资格成为新的比赛场地。

考砸的AI，暴露的不只是知识盲区

当GPT-4o在HLE上只拿到2.7%的准确率时，没人觉得意外——真正值得注意的是，AI答错的方式。它会用100%的自信给出错误答案，比如把蜂鸟的肌腱数量答成3，而正确答案是2。这种“迷之自信”不是个别现象，所有顶尖AI在HLE上的置信度校准误差都超过70%，说白了就是“不知道自己不知道”。

这背后是AI的本质缺陷：它靠统计规律和数据记忆答题，而非真正的理解。传统测试的题目大多是训练数据里见过的“熟面孔”，AI能靠模式匹配拿高分；但HLE的题目是专家原创的“新题”，没有现成的统计规律可套，AI就露了原形。比如一道古代语言题，要翻译一段没公开过的巴尔米拉铭文，AI既没见过这段文本，也没有足够的专业知识推理，只能瞎蒙。

更关键的是，HLE的成绩打破了一个幻觉：AI不是“全知全能”的，它的能力边界比我们想象的要窄得多。80%的美国民众支持AI安全监管，本质上是在担心一个“不知道自己不知道”的AI，会在医疗、法律这些关键领域给出致命的错误答案。

终极考卷不是终点，而是新的起点

HLE刚发布时，有人质疑它“脱离实际”——毕竟现实中很少有人需要AI去解博士生的数学题。但很快，这份考卷的价值就显现出来：它成了AI安全研究的标尺。比如CAIS的研究人员发现，在HLE上得分越高的AI，在处理复杂伦理问题时的失误率越低；而得分低的AI，更容易产生“幻觉”和偏见。

现在，HLE已经不是一份静态的考卷，而是一个动态的评估体系。团队会定期更新题目，淘汰那些被AI攻克的难题，加入新的专家原创题——就像游戏里不断升级的BOSS。同时，他们还推出了“HLE-Verified”版本，修正了最初题库里18%-29%的错误，让测试结果更可信。

有意思的是，HLE的存在也倒逼AI开发者改变思路：不再盯着传统测试刷分，而是开始训练AI的“深度理解能力”。比如OpenAI的o1模型，专门针对复杂推理任务训练，在HLE上的得分从最初的8%提升到了15%——这不是靠刷分，而是靠真正的能力提升。

当我们用“终极考卷”去考AI时，其实也是在重新定义“智能”的标准。过去我们以为，能记住知识、答对题目就是智能；但HLE告诉我们，真正的智能是能理解知识、解决未知问题的能力。

考分不是智能，理解才是。

未来的AI评估，不会再是简单的“刷分游戏”，而是一场关于“理解能力”的持久战。HLE不是AI的“终极考试”，而是人类和AI一起探索智能边界的起点——毕竟，我们真正想知道的，从来不是AI能考多少分，而是它到底能帮我们解决什么问题。