全球AI折戟“HLE大考”！这场“人类最后的考试”究竟难在哪？ 2026年1月29日，国际学术杂志《自然》公开了一项号称“人类最后的考试”（Humanity’s Last Exam，HLE）的AI性能测试，引发全球科技领域关注。在AI技术飞速迭代、轻松攻克各类人类考试的当下，这场测试却让谷歌、OpenAI等巨头的顶尖模型纷纷“碰壁”，也让人们重新审视人工智能的能力边界。 一、HLE：集结全球智慧的“AI终极测试” HLE并非单一机构的成果，而是由美国非营利组织AI安全中心（CAIS）与初创企业Scale AI牵头，耗时近一年打磨而成——去年1月首次亮相后，经全球50个国家、500多个机构的1000余名教授和研究人员共同完善，最终以正式论文形式发布。 从测试设计来看，HLE的“难度”体现在两大核心： 1. 覆盖领域极广：囊括数学、物理、化学、生物、工程学、计算机科学、人文学等100多个具体学科，甚至包含翻译罗马墓碑碑文、分析蜂鸟种子骨肌腱支撑数量等高度专业的细分问题； 2. 筛选标准严苛：所有题目均经过双重把关——先排除当时性能最强AI能解决的问题，再由领域专家打分，仅高分题目才能入选，同时还包含需“文字+图像”协同理解的多模式题目，全面考验AI的综合推理能力。 数据显示，数学题是HLE的“重头戏”，占比达41%，这类题目往往涉及复杂计算，对精度要求极高，也成为AI失分的重灾区。 二、顶尖AI表现拉胯：谷歌模型最高分不足40% 面对这场“大考”，全球主流AI模型的表现远超预期地“平庸”。据AI安全中心公布的结果： 国际巨头模型中，谷歌Jaminai3 Pro以38.3%的准确率排名第一，OpenAI的GPT-5.2得29.9%，Opus 4.5和DeepSik 3.2分别仅得25.8%、21.8%，K-EXAONE”得分13.6%，Upstage的“Solar Open”得10.5%，SK电信的“A.XK1”仅得7.6%。 三、HLE不是“终点”：与通用人工智能（AGI）还差得远 尽管HLE被称作“人类最后的考试”，但研究人员明确强调：不应过度解读其意义。即便AI在HLE中拿高分，也仅代表它在“学术问题解答能力”上有提升，远不意味着能像人类一样主导新研究，更未达到“通用人工智能（AGI）”的水平——AGI需具备自主学习、跨领域创新等核心能力，而目前没有任何基准能真正测试AGI，“HLE更像一个‘阶段性标杆’，未来还会有更多更精准的测试基准出现。” 结语：HLE揭开AI“能力泡沫”，未来需更精准的评估体系 HLE的出现，本质上是给快速发展的AI行业“泼了一盆冷水”——它证明AI在“专业深度”“细节精度”“跨模态协同”上仍远逊于人类，也让全球意识到：AI评估不能仅停留在“刷分”层面，更需关注实际应用中的能力边界与安全风险。 未来，随着“审判日”等新基准的推进，AI测试将从“学术能力”向“安全可控”延伸。而这场关于“AI究竟能走多远”的探索，或许才刚刚开始。
