從對話到工作，吳恩達重構圖靈測試，AGI標準迎終極答案？

2026年的AI圈現在有點熱鬧得過了頭，AGI這詞兒快被各家公司說爛了。

今天這家宣布"AGI近在咫尺"，明天那家號稱"已突破通用智能"，但真要問他們AGI到底是個啥，多數時候都含糊其辭。

更要命的是，現在評估AI能力的那些測試，越來越像應試教育的考場去年Llama4剛鬧出刷榜丑聞，說是在代碼測試里拿了高分，結果實際部署時連個簡單的系統漏洞都查不出來。

就在這時候，吳恩達突然扔出個重磅消息，他要搞個"圖靈-AGI測試"，說是要給現在虛火旺盛的AGI賽道降降溫。

現在AI圈對AGI的定義簡直亂成一鍋粥。

硅谷那些公司把AGI當成季度KPI來喊，今天說"三年內實現"，明天又改成"已完成50%"，但問他們具體衡量標準，要么拿不出，要么就是自家定的"內部標準"。

斯坦福HAI研究院去年出過份報告，說全球差不多三分之一的AI企業，把"AGI"當營銷話術用，實際技術水平離真正的通用智能還差著十萬八千里。

老祖宗艾倫·圖靈1950年搞的那個測試也有點跟不上趟了。

那個測試就看AI能不能模仿人類對話，但會聊天不代表能干活啊。

2024年OpenAI用GPT-4通過了簡化版的圖靈測試，可真讓它搞醫療診斷，誤診率比實習醫生還高，讓它寫段復雜代碼，跑起來全是bug。

這就好比拿英語六級成績去招聘程序員，方向從根上就偏了。

更頭疼的是那些所謂的"基準測試"，現在成了刷榜重災區。

就說GPQA、AIME這些測試吧，數據集都是公開的，AI團隊只要針對這些題猛練，成績肯定好看。

MIT技術評論去年做過調查，78%的AI模型在測試集上的表現，比真實場景里高出三成還多。

這跟學生熬夜背題庫應付考試有啥區別？考分再高，真到工作崗位上還是抓瞎。

既然老辦法不行，那吳恩達這次提出的新測試又是咋回事呢？簡單說，就是讓AI去"上班"。

測試的時候會給AI配個工作環境，有互聯網，有瀏覽器，還能開Zoom會議，然后讓它完成人類裁判設計的真實任務可能是給新員工做客服培訓。

也可能是跟進一個完整的項目管理流程，一搞就是好幾天，最后看它能不能達到人類員工的熟練程度，這才是判斷標準。

本來想這測試可能跟以前一樣搞些選擇題，后來發現完全不是。

跟傳統測試比，它有三個明顯的突破，任務沒范圍，今天讓你寫報告，明天可能讓你做PPT，環境跟真上班一樣。

還得跟人協作，評估維度也多，不光看結果，還得看效率、錯誤率，甚至有沒有創新想法。

吳恩達在自己博客里說得挺實在，"AGI的價值最終得看它能不能創造經濟效用，總不能老停留在聊天吹牛的階段。"

這測試的真正目的，怕是想給行業降降溫。

就算現在沒有AI能通過，至少能讓那些天天喊"AGI來了"的公司消停點，把精力放在真正有用的技術上。

有AI倫理學者就說，這玩意兒可能會成為AGI領域的"退燒藥"，讓大家從概念炒作回到實際應用。

說起來，這測試也不是沒爭議。

有專家擔心，人類裁判的主觀判斷可能影響結果，畢竟每個人對"熟練程度"的理解不一樣。

有人建議得搞個多維度評分表，效率占多少，錯誤率占多少，創新能力占多少，還得找不同機構的人來監督，這樣才公平。

吳恩達這步棋走得挺有意思，短期看，能讓那些靠AGI概念騙融資的項目現原形。

Gartner預測說，如果這測試真能推廣開，AI行業里"AGI概念融資"占比能從現在的45%掉到20%，反倒是那些解決具體問題的實用型項目能多拿30%的投資。

長期來看，要是真有AI能通過這測試，那才是實打實的技術突破，比現在空喊口號有意義多了。

想想吳恩達以前干的事，從Coursera上的AI課程到推動深度學習普及，他好像總喜歡在行業跑偏的時候拉一把。

這次的圖靈-AGI測試，說不定真能成為AGI發展的指南針，讓技術往真正有用的方向走。

當然，這事兒還得行業、學術界和監管機構一起使勁，把測試規則打磨得更科學。

畢竟技術發展快不是壞事，但得走得穩，走得對，才能真的幫到人。