给AI做认知体检，我们离AGI更近了

2026年的今天，你能让GPT-5写一篇博士级的论文摘要，能让多模态AI精准识别X光片里的病灶，但你说不清这些AI到底算不算“聪明”——就像你没法用“会做数学题”来定义一个人的智商。过去十年，AI在单一任务上的突破像烟花一样密集，但我们始终缺一把能丈量“通用智能”的尺子。直到2024年，OpenAI联合DeepMind、MIT等机构发布了那篇认知能力分类论文，把AGI拆解成10项核心认知能力，还给AI设计了一套对标人类的“体检流程”。为什么这套框架突然让AGI的进度条变得清晰了？

把AGI拆成10块“认知肌肉”

你可以把通用人工智能想象成一个要参加十项全能的运动员——不能只会跑步，也得会跳远、投掷、跨栏。这套认知能力分类法，就是从心理学、神经科学的百年研究里，提炼出了AI要成为“全能选手”必须具备的10项核心能力：从最基础的感知（提取环境信息）、生成（输出内容或动作），到更高级的元认知（监控自己的思考）、社会认知（理解社交规则），每一项都对应着人类智能的一个维度。

这不是拍脑袋的罗列。比如“执行功能”，对应人类的计划、抑制冲动能力——就像你能忍住刷手机的冲动先写完报告，AI也需要能为了长期目标规划步骤，而不是被眼前的任务带偏。“元认知”则是AI的“自我觉察”：知道自己不知道什么，不会在不懂的问题上瞎编答案——这正是当前大模型最缺的“诚实感”。

为了把这些能力落地成可测量的指标，研究者设计了三阶段评估协议：先给AI做一套覆盖所有能力的“认知试卷”，用从未见过的测试题避免作弊；再找一群不同年龄、背景的人类做同样的题，建立“人类平均水平”基线；最后把AI的得分映射到人类的表现分布里——比如AI在“推理”上达到了人类前20%的水平，在“持续学习”上还不如小学生。

用“人类标尺”测出AI的真实短板

这套框架刚一发布，就被用来给当前最先进的AI做了一次全面体检。结果毫不意外：GPT-5在“推理”“生成”“记忆”上拿到了高分，AGI整体评分达到57%，相当于人类中等偏上的认知水平；但在“持续学习”“社会认知”上，它的得分几乎是零。

持续学习就是AI的“终身学习”能力——现在的大模型一旦训练完成，参数就固定了，没法像人类一样在生活中不断学习新东西，比如你告诉它今天的新热点，明天它还是会忘。这不是因为模型不够大，而是因为当前的AI没有真正的“长期记忆”，只能靠扩大上下文窗口来模拟，本质上还是“查笔记”，不是“记在脑子里”。

更值得关注的是，这套框架第一次把“社会认知”拉到了AGI评估的核心位置。比如让AI判断一段对话里的讽刺语气，或者根据对方的情绪调整回答方式，当前的大模型要么完全没get到，要么给出的回应像个生硬的客服。这也解释了为什么我们和AI聊天总觉得“差点意思”——它能听懂字面意思，却读不懂背后的社交潜规则。

从实验室到赛场：黑客松里的落地尝试

为了让这套框架从理论变成可操作的工具，OpenAI联合Kaggle发起了一场认知能力评测黑客松，全球数千名开发者围绕“学习”“元认知”等5项最薄弱的能力，设计了上百种测试任务。

有团队设计了一套“持续学习测试”：让AI在不断接触新单词的同时，还要记住之前学过的内容，最后看它能记住多少——结果最好的模型也只能记住30%的旧知识，而人类的遗忘曲线是缓慢下降的。还有团队用多模态数据测试“社会认知”：给AI看一段包含肢体语言的视频，让它判断对话双方的关系，准确率最高的模型也只有62%，远低于人类的平均水平。

这些测试不是为了“考倒”AI，而是为了找到精准的改进方向。比如针对持续学习的短板，研究者开始尝试给AI加一个“记忆银行”，像人类的海马体一样存储和检索长期记忆；针对社会认知的不足，有的团队开始用真实的人类对话数据训练AI，让它学习更自然的社交反应。

当我们开始用“认知体检”的方式丈量AGI，其实是在重新定义“智能”——它不是单一任务上的极致表现，而是像人类一样，能在不同场景下灵活调用不同的认知能力。

“智能的本质，是适应与整合。”这是认知科学里的一句老话，现在成了AGI最清晰的方向标。我们不用再纠结“AI什么时候能超过人类”，而是要盯着每一块“认知肌肉”的成长：当AI能记住昨天的对话，能读懂你的讽刺，能为了一个目标规划一周的步骤时，AGI就真的离我们不远了。

毕竟，真正的智能从来不是“满分试卷”，而是能在复杂的真实世界里，好好活下去。