 |  |  |  |
一个悄然上线、没有任何头条新闻的测试，却让硅谷核心圈的很多人在深夜辗转难眠。
这个测试叫 ARC-AGI-3，2026年3月25日发布。它的结论只有一句话，却重如千钧：当今世界上最强大的AI，面对全新环境的推理能力，只有人类的0.37%。
不是37%，是0.37%。
一片凯歌中突然出现的"镜子"
过去两年，AI刷榜的速度近乎疯狂。今天某个模型登上排行榜榜首，明天就被新模型挤下来。每隔几周，就有人宣布AI又在某个考试上"超越了人类"。在这种欢呼声中，突然冒出一个测试说AI只有人类的0.37%，听起来几乎像一个拙劣的笑话。
但它不是笑话。它可能是近几年来AI领域最重要的一次**"照镜子"**。
造AI工具的人，质疑AI的智能
这个测试的创造者叫弗朗索瓦·肖莱（François Chollet），一位法国裔AI研究者。他在谷歌工作了九年多，于2024年底离职创业。他不是一个坐在旁观席上批评AI的局外人——他是深度学习框架 Keras 的作者，这个框架被全世界成千上万的AI工程师用来搭建神经网络。
换句话说，他是造AI工具的人。
正是这样一个"圈内人"，在2019年发表了一篇论文：《论智能的度量》。论文的核心观点可以用一句话概括：
我们一直在用错误的方式衡量AI的智能。
这句话究竟是什么意思？那些年我们看到的AI成绩单——什么考试得了多少分、什么排行榜排名第几——这些测试考的是什么？是AI能不能回答一个已知类型的问题。做数学题、写代码、回答常识问题。AI确实越来越强，有些甚至已经超过了人类。但肖莱说，这根本不是智能，这是背书。
晶体智能 vs. 流体智能：一个被忽视的根本区别
肖莱在论文中借用了心理学里的一个经典概念，做了一个至关重要的区分。
晶体智能是你积累的知识和技能——你会说英语，你记得勾股定理，你知道北京是中国首都。这些东西你学过、记住了、可以随时调用。
流体智能则完全不同。它是你面对一个从未见过的、完全陌生的新问题时，能不能当场想出解决办法的能力。
举一个最直观的例子：假设你被空投到一个完全陌生的城市——语言不通，手机没信号，地图也没有。你会怎么做？你可能先观察周围的地标，选一个方向走走看，走错了再根据新的线索调整方向。整个过程，你用到的不是任何预先储存的知识，而是一种即时感知、试探、反馈、调整的能力。这就是流体智能，每个正常人都拥有，而且效率极高。
肖莱的核心论点是：当今AI几乎全部的惊人表现，都来自晶体智能。它们拥有人类历史上所有公开文本作为训练数据，知识储备早已超越任何人类个体。但这不是智能，这是记忆力加模式匹配。
真正的智能，是面对一个前所未有的情境时，学习和适应的效率——不是你知道多少，而是你在不知道的时候，能多快地搞明白。
ARC-AGI测试：从图案题到互动世界
为了证明这一点，肖莱设计了ARC-AGI系列测试。
最初的 ARC-AGI-1 是一系列抽象的图案变换题：给你几组输入输出的图案示例，让你推断出背后的规则，然后把这个规则应用到一个新的输入上。题目本身并不难，普通人看一眼就能想明白。关键在于每道题的规则都是独一无二的，不可能提前背答案——它考的就是"现场悟"的能力。
一开始AI表现很差，成绩只有0%到30%左右。然后AI公司们开始集中火力攻克这道坎。到2024年底，OpenAI推出了推理模型 o3，开启最高算力模式——消耗的算力是正常版本的172倍——跑出了87.5%的成绩，超过了人类85%的平均水平。
硅谷欢呼雀跃，许多人宣称通用人工智能的曙光已经出现。
但很少有人注意到另一个数字：这次测试的计算成本是天文数字。最初估计每道题约3000美元，400道题总计超过100万美元；后来有人重新核算，认为真实成本可能高达每题3万美元，总计超过1000万美元。而一个普通人做同样的400道题，花费的能量大概相当于吃一顿午饭，人力成本每题约5美元。
你花了几百万甚至上千万美元，跟一个刚吃完午饭的人打了个平手——这叫突破吗？
更关键的是，当研究者深入分析o3的解题过程时发现，它并不是真正"理解"了规则。它是用暴力搜索的方式，在成千上万条可能的推理路径中反复试探、回溯、重选，直到碰巧找到一条走得通的路。这不是思考，这是穷举——就好比不是理解了密码锁的设计逻辑，而是从0000一路试到9999。你确实打开了锁，但你真的"理解"了这把锁吗？
ARC-AGI-3：彻底改变游戏规则
肖莱看到这个结果，不但没有气馁，反而加倍下注。他先推出了难度大幅提升的 ARC-AGI-2，AI成绩从93%骤降至68.8%。然后，今年3月，他放出了 ARC-AGI-3。
这一版彻底改变了游戏规则。
ARC-AGI-3 不再是静态的图案题。它是一系列互动式的环境——你可以把它想象成一个个微型电子游戏世界，由人类游戏设计师手工打造，共有几百个完全不同的场景。但这些游戏没有任何说明书，没有规则介绍，连目标是什么都不告诉你。
你被扔进一个陌生世界，需要自己去点击、去试错、去观察每一个动作带来的变化，然后自己搞清楚三件事：这个世界是怎么运转的？目标是什么？怎么才算赢？
更重要的是，测试不只看你能不能最终过关，还要看你花了多少步。它计算的是你的学习效率——你从环境中获取信息并转化为有效策略的速度。这正是肖莱在2019年那篇论文里给"智能"下的定义：在未知任务上的技能获取效率。
那个让人目瞪口呆的数字
人类在这个测试上的得分是100%。 每一个参与测试的人类都成功搞定了所有环境。
而全世界最强的AI呢？
谷歌的 Gemini 3.1 得分0.37%。OpenAI的 GPT-5.4 得分0.26%。Anthropic的 Claude Opus 4.6 得分0.25%。最令人咋舌的是 Grok-4.20，直接零分。
不是AI比人差一点，不是差几十个百分点——是差了两到三个数量级。如果人类是站在山顶上，AI此刻连山脚下的入口都没找到。
有人可能会说，这不公平——这种互动式环境本来就是为人类设计的，AI又没有手，又没有眼睛。但实际上，这些环境完全在电脑屏幕上运行，就是网格上的方块和颜色。AI能看到画面，能执行动作，它拥有和人类完全相同的信息输入和操作接口。
它缺的不是感官，不是算力，不是数据。它缺的是理解。
一个更深的警示：语言不是智能的全部
测试中还有一个耐人寻味的细节：表现最好的系统，不是那些万亿参数的大语言模型，而是一个用强化学习加图搜索方法构建的相对简单的系统，它拿到了12.58%——比所有大语言模型高出整整一个数量级。
这说明了什么？大语言模型那一套思路——从海量文本中学习统计规律和语言模式——在面对真正的新问题时，根本不是正确的方法论。你把整个互联网的文字都喂给一个系统，它也不会因此学会在陌生环境中试错和适应。
想想 AlphaGo 的故事——AI可以在围棋上击败世界冠军。围棋变化极多，但规则是固定的、已知的，从第一天就告诉你了，AI可以在这个空间里做到极致优化。但 ARC-AGI-3 做的事情完全不同——它相当于把你扔进一个从没见过的棋盘游戏，不告诉你棋子怎么走，不告诉你什么算赢，让你自己玩几轮搞明白。人类觉得这事不难，玩几把就能摸出门道。AI呢？几乎完全瘫痪。
再想想日常生活里一个微不足道的场景：去朋友家做客，发现他家马桶的冲水装置前所未见——不是按钮，不是拉绳，是某种奇怪的旋转机关。你可能愣了三秒，摸了摸，转了一下，水就冲了。你从来没学过这个具体装置，但你就是**"会了"**。这种能力你觉得理所当然，但对今天最强大的AI来说，这才是真正的难题。它可以写诗、做数学证明、生成代码，却搞不定一个没见过的冲水按钮。
两把锤子砸向同一面墙
这个实验结果意味着什么？
如果你熟悉彭罗斯的意识理论，你会发现一条隐隐的连线。彭罗斯从数学出发，用哥德尔不完备定理论证了一个惊人的结论：人类的心智包含某种"不可计算"的成分——有些事情我们能做到，但原则上任何算法都做不到。那是一个纯理论层面的推演。
而 ARC-AGI-3 提供的是实验层面的证据。它不谈意识，不谈灵魂，不谈量子力学，就是朴素地问：面对全新的环境，你能不能从零开始学会应对？结果人类全员通过，AI全军覆没。
一个理论的锤子，一个实验的锤子，从两个完全不同的方向，砸向了同一面墙：人类智能里有某种东西，不是靠堆数据、堆参数、堆算力能复制的。
我们被AI在语言和逻辑上的流畅表现惊艳到了，以至于忘了一个事实：流畅不等于理解。一只鹦鹉可以完美模仿你说的每一句话，但它并不知道那些话是什么意思。大语言模型当然比鹦鹉复杂得多，但 ARC-AGI-3 在问的是同一类问题：当你剥掉所有预训练的知识、所有学过的模式，只留下"面对未知时现场搞明白"这一个维度，AI还剩下什么？
答案是：几乎什么都不剩。
那个"懂了"，到底是什么？
一个三岁的孩子被放进一个他从未去过的房间，没人教他，没有说明书，几分钟内就能搞明白门把手怎么用、哪个按钮开灯、积木往哪里放。他不需要训练十万次，不需要搜索所有可能的动作组合。他看了一眼，就**"懂了"**。
这个"懂了"到底是什么？
它不是计算——因为如果是计算，AI比人快一万亿倍，不应该比人差。它不是知识储备，因为一个三岁孩子的知识储备约等于零。它也不是进化赋予的本能反应，因为门把手和积木不是进化环境里的东西。它似乎是某种更基础的能力——一种把零散的感知信息**瞬间组织成"有意义的整体"**的能力，一种不需要被教就能看出"这个东西是干什么用的"的能力。认知科学家管这个叫 格式塔感知（Gestalt），但这个名字也只是给谜题贴了个标签，并没有解开谜题本身。
在面对真正的未知时，人类这台每秒只能处理大约10比特信息、仅消耗20瓦功率的"生物计算机"，碾压了所有用百万美元电费堆出来的硅基系统。
也许，智能从来就不是信息处理。也许"理解"这件事，不是用更多的计算能力就能追上的。也许在人类看懂一个从未见过的东西的那个瞬间，发生的不是计算，而是某种今天的计算机架构根本无法模拟的东西。
这道鸿沟，意味着什么？
我要特别强调：这不是在说AI永远追不上。技术在进步，架构在创新，肖莱自己也设立了200万美元的竞赛奖金，等着谁能在 ARC-AGI-3 上达到人类水平。
但今天这道鸿沟，揭示的不是量的差距。它暴露的是一个质的差异：当前整个AI范式——从大语言模型到推理增强模型——在面对真正的、彻底的未知时，缺少一种根本性的能力。不是说AI只要继续训练、继续扩大参数就能赶上来。
ARC-AGI-3 没有回答"什么是理解"这个问题。但它用**0.37%**这个冰冷的数字，把这个问题狠狠地钉在了桌面上，让所有人都没办法再假装看不见。
你觉得AI最终能跨过这道鸿沟吗？还是说，这道鸿沟本身就在告诉我们——我们从一开始，就小看了**"理解"**这件事？
 |  |  |  |