人類100%通關,AI 最高僅0.37%！這個測試戳破AGI“泡沫”？

3月底，ARC大獎基金會發布了一篇全新論文，推出ARC-AGI-3智能測試基準，直接給當下所有頂尖大模型來了次“裸考”。

結果相當殘酷。

研究團隊找了486名普通人類受試者，測試了414個環境。

結果，人類100%能完成所有任務，單次嘗試中位耗時僅7.4分鐘，最快幾分鐘就能搞定一關。

而GPT、Gemini、Opus這些頂流AI，最高分才0.37%，幾乎全軍覆沒。

先搞懂這個論文的主角 ARC-AGI系列，到底是個什么測試？

早在2019年，第一篇ARC-AGI-1就橫空出世。

它的設計理念很純粹，不考記憶、不考刷題、不考語言和現成知識，只測最核心的抽象推理能力。

ARC-AGI-1和2025年推出的ARC-AGI-2，都是用網格圖形題，讓AI從少量示例里找規律、推規則，杜絕靠大數據訓練“作弊”。

而且，評分機制懲罰蠻力。

如果人類需要 10 個步驟，而 AI 需要 100 個步驟，AI 不會獲得 10% 的分數，而是 1%。

就是說，你無法通過增加計算能力來解決這個問題。

前兩代測試，已經讓很多AI現出原形，可隨著大模型發展，出現了新問題。

不少模型投入數百萬美元，通過海量相似任務訓練、測試時優化，找到了“記憶捷徑”，慢慢能刷出高分。

比如， Gemini 在該測試中取得了 98% 的正確率。ARC-AGI-2 的正確率在不到一年的時間內從 3% 提升到了 77%。

正是為了補上這個缺口，ARC-AGI-3應運而生，它徹底換了打法：從“做題”變成“玩游戲”。

就是把AI放進一個個全新的交互式回合制環境里，沒有任何指令、沒有教程、沒有提示，連目標是什么都不說，全靠AI自己摸索。

論文里明確，它專門測試智能體的四大核心能力，這恰恰是人類天生具備，卻是當下AI最大短板：

1. 探索能力：主動和環境互動，自己找信息、摸規則，而不是等著喂數據；

2. 建模能力：把零散的觀察，總結成環境運行的規律，構建自己的“世界模型”；

3. 目標設定：沒人告訴它要做什么，自己判斷通關條件、找到獲勝目標；

4. 規劃執行：制定行動步驟，還能根據環境反饋隨時調整，不是盲目試錯。

為了保證公平，這套測試的設計極其嚴格：

? 所有環境只基于客體、基礎幾何、直覺物理等核心先驗知識，不用語言、數字、文化符號，杜絕靠常識“躺贏”；

? 每個環境都是全新原創，和現有游戲、前兩代任務完全不同，防止AI靠記憶刷分；

? 經過大規模人類測試，確保普通人都能輕松通關，排除題目本身太難的問題。

整個基準分為公共演示集和私有測試集，公共集用來展示，真正打分的私有集完全保密，從根源上避免AI針對性優化。

經過測試，從論文里公布的官方測試數據看，堪稱 AI 的滑鐵盧。

論文還特意區分了兩個排行榜。

官方榜：純原生AI，無任何輔助，測的是真實智能；

社區榜：允許用外部框架，分數再高，也不代表AGI真正進步。

說白了，加了“外掛”的AI能拿高分，但那是人類設計的框架在幫忙，不是AI本身變聰明了。

這兩年，AI畫畫、寫代碼、對話越來越像人，很多人喊著“AGI已來”。

前不久，黃仁勛還在說，AGI 已經來了。

可ARC-AGI-3的測試結果看， AI要么摸不透規則，要么找不到目標，要么只會盲目試錯，完全沒有人類那種“舉一反三、自主探索”的能力。

看起來，當下 AI 的本質，還是“指令驅動”，還是“做題家”——給任務、給規則才能做，和人類的通用智能有根本的差距。

前者擅長的是記憶、計算、模仿，而人類的智能，是探索、推理、創造。

而真正的智能，從來不應該是知識型，而是在未知里，去尋找解決方案的能力。

最新消息是，經過訓練，已經有公司宣布全部通關了 ARC-AGi-3，但還沒有人去領取獎金。