2017年5月，柯洁作为当时围棋界的顶尖高手，却遭遇了AlphaGo的惨痛失利。这一事件使得我们首次对机器是否可能超越人类智慧这一关乎人类尊严的根本问题，得到了一个明确无疑的结论。

一年前，李世石还能赢得一局棋，但现在他却是人类棋手在人工智能面前的最后一线希望，犹如即将落山的夕阳。

人类擅长寻找借口，例如把智力转变为更加复杂且难以阐释的“智慧”，这样一来，我们似乎仍处于优势地位，且存在更为“高级”的胜利方式。再者，作为智慧之路上的先驱，人类既能充当参赛者，又能担任裁判，制定出一套套的测评准则，美其名曰是测试AI。若AI超越了人类水平，那便是人类推动科技进步的成果；而若AI未能超越人类，那人类便再次取得了胜利。

然而，“后来者居上”这一现象，尽管人们期盼人工智能能够迅速实现，但当它如同突如其来的冰雹般迅猛袭来，砸在脸上时，大多数人还是会感到极不适应，甚至陷入迷茫。

起初，我们轻易地借助游戏来检验人工智能的能力，然而，时至今日，即便是人类参与度极高的最复杂考试，也即将失去作为评估AI性能的依据。

大约一周前，马斯克推出了Grok-4的最新版本，这款大型模型，按照马斯克的描述，“其智慧程度超过了所有领域的博士”。

而其在各项考试中的成绩，可以说是怪物般的存在：

我们对SAT和GRE这两项考试较为熟悉，成绩几乎都能达到满分。而对于那些不太熟悉但难度更高的考试，如GPQA（研究生水平问答），我们的准确率达到了88.9%；AIME25（美国数学邀请赛）的准确率更是高达100%；而USAMO25（美国数学奥林匹克竞赛）的准确率则为61.9%。

“人类最后的考试”，简称“HLM”，这个名字本身就极具吸引力，让人一听到就能立刻领会其深意。

该考试由Scale AI与Center for AI Safety（CAIS）共同推出，内含3000道极具挑战性的题目，横跨超过100个学科领域。这些题目均由众多不同领域的专家精心设计。可以说，这套试题全面覆盖了人类智力任务中最具挑战性的内容，是衡量AI是否拥有“类人智能”的有效工具。

题目被划分为两大类，首先是简答题，这类题目要求考生提供一个与题目内容完全一致的字符串作为答案；其次是选择题，考生需要在提供的五个或以上的选项中挑选出一个正确的答案。

然而，前述部分占据了80%的比例，同时，与数学相关的题目在所有问题中占据了42%的比重，因此，寄希望于随机答题获得高分是不现实的。

来自题库的题目之一，感受一下无知的痛苦吧

据估计，一般人的答题准确率大约只有5%，即便是当时的大规模模型，也普遍未能突破10%的极限。至于人类究竟能否拿到更高的分数，其实并不关键，因为试题本身也是由人类所编制的。

然而，Grok-4的问世显著缩短了AI通过“人类终极测试”所需的时间，其准确率达到了50.7%，从而成为首个成功突破50%准确率门槛的大型模型。

这个得分之高令人咋舌，然而由于考试难度极高，且与我们的日常生活相去甚远，因此难以直观地展现其难度。不过，幸运的是，作者最终找到了一个几乎所有中国人都能够理解的参照标准。

Grok-4发布之际，上海交通大学与深势科技携手，以DeepSeek-R1-0528作为智能体推理引擎，在“人类最后的考试”中创造了32.1%的崭新成绩，这一成就堪称国内大型模型领域的巅峰表现。（尽管很快便被超越）

大约在一两周前，我国的大型模型模型正集体进行一项“国民考试”的测试——那就是高考题目。

字节跳动Seed团队运用最新发布的通用模型Seed1.6，对2025年山东地区的高考真题进行了测试，其中语文、数学、外语科目依据新课标全国Ⅰ卷出题，其他科目则由山东省自行命题，试卷总分为750分。此外，团队还邀请了两位具有重点高中背景且拥有联考阅卷经验的高中教师，对试卷进行了匿名评估和多次质量检测。

Seed1.6在理科考试中取得了648分，文科考试则获得了683分的高分，这样的成绩在山东省理科排名达到了4005位，文科排名更是高居第211位；理科成绩足以让Seed1.6冲击武汉大学，若保守一些，也能确保进入华中科技大学；而文科成绩更是信心满满，足以冲击清华和北大，即便保守，也能确保就读于上海交通大学或复旦大学。以DeepSeek-R1-0528为基准，理科成绩达到了615分，文科则取得了631分，无论是进入985高校（部分顶尖学府除外）还是选择211院校，都有众多选择余地。（数据来源：中国教育在线，排名及志愿推荐信息）

也有报道提到，他们用国内的大型模型对辽宁的高考卷进行了测试，结果显示腾讯的元宝（混元T1）在文科方面的得分更是高出一筹。经过我的核实，该模型在文科成绩上名列全省第11位，以至于清华大学和北京大学招生办公室纷纷来电咨询。尽管理科成绩相对较弱，但至少能够进入985高校。至于DeepSeek，其表现大致可以保证进入985高校，同时也有望保底进入211高校。

因此，若以高考成绩为参照，DeepSeek与豆包、混元之间的分数差异，等同于能否被985高校录取与能否考入清华北大之间的差距；至于以HLM为基准，DeepSeek与Grok-4之间的分数差距，几乎达到了40%。

此届高三学子中，文科成绩超越AI者寥寥无几，至于“比所有领域的博士都聪明”的说法，其真伪尚未可知。或许来年，AI在高考中的表现将全面超越人类考生，那些能考入清华北大的人被誉为天才，然而这些天才所跨越的难关，对于AI来说却不过是基础的选择。

我更倾向于认为，与人们对于AI在围棋比赛中对人类形成的压倒性优势逐渐失去兴趣类似，高考以及各种人类参与的其他考试，乃至被称作“人类最后的考试”的测试，最终也将由AI展现出压倒性的绝对优势，这种优势将变得司空见惯。

届时或许会设立新的考核机制，但不再将人类与AI进行对比，转而变为AI之间的纯竞赛；或许这样的考试将不复存在，或是变得极为罕见，人们将更加重视AI的实际应用和成本效益，因为无论是人类还是AI，考试都只是众多途径中的一种，而创造价值才是根本目标和最终成果。

不过到那时，人类在智慧上的优越感，又要靠什么来维持呢？