Bengio推AGI「高考」，GPT-5单项0分-CSDN博客

Bengio推AGI「高考」，GPT-5单项0分

AI圈最近炸开了锅，堪比“高考放榜日”——图灵奖得主Yoshua Bengio牵头搞了场AGI（通用人工智能）“大考”，给全球顶尖AI挨个打分。结果一公布，全网程序员集体拍桌：备受期待的GPT-5总分才58分，连及格线都没到，更离谱的是“长时记忆存储”这科直接拿了0分，成了史上最惨“偏科生”。

要知道，此前GPT-5刚发布时，还被吹成“AGI敲门人”，能写论文、解高数、编代码，甚至能和人聊哲学。可在Bengio这套“高考”体系里，它瞬间从“全能学霸”现了原形。这到底是Bengio的标准太苛刻，还是AI的“聪明”根本名不副实？

一、AGI终于有了“高考大纲”，Bengio定下10门必修课

长期以来，AGI就像个“幽灵概念”。有人说“能写诗就是AGI”，有人说“会开车才算”，搞得AI圈天天吵架。直到Bengio联合AI安全中心、加州大学伯克利分校等机构甩出论文《A Definition of AGI》，才算给AGI下了个“能打分的定义”：AGI得能匹配甚至超越受过良好教育成年人的认知广度和熟练度。

为了把这个标准落地，Bengio团队直接“抄了人类智力测评的作业”——借鉴心理学界实证百年的CHC认知理论，把AGI的“智力”拆成10门“必修课”，每门10分，满分100分才算达标。这10门课简直是为AI量身定制的“高考科目”：

知识（K）：相当于“百科全书储备”，考常识、科学、历史等硬知识；
读写（RW）：就是“语文功底”，看阅读理解和写作能力；
数学（M）：纯“理科测试”，从算术到微积分全涵盖；
临场推理（R）：类似“现场解题能力”，考验陌生问题的逻辑分析；
工作记忆（WM）：好比“临时记事本”，测短期信息处理能力；
长时记忆存储（MS）：这是“长期记性”，看能不能把新学的东西存住；
长时记忆提取（MR）：相当于“回忆本领”，测存的东西能不能取出来；
视觉（V）：就是“看图能力”，包括图像识别和空间理解；
听觉（A）：类似“听力测试”，考声音解读和情感识别；
速度（S）：纯“效率考核”，看简单任务的处理快慢。

更狠的是，这场“高考”严禁“作弊”——不允许AI联网搜答案，不能调用外部工具，纯靠“脑子”硬考。用Bengio的话说：“就算AI能调用100个数据库，要是自己记不住东西，本质还是个‘空壳子’。”

这套题库足足有500多道题，涵盖了从“解释相对论基本原理”到“根据折线图预测销量”，再到“记住三天前聊过的新单词”等各种任务。能通过测试的AI，才算真的“会思考”，而不是只会“背答案”。

二、GPT-5成绩单大起底：三科接近满分，一科剃光头

当Bengio团队公布GPT-5的成绩单时，整个科技圈的反应就像“看学霸翻车现场”——优势科目标题亮瞎眼，短板科目惨不忍睹。

先看亮点：GPT-5在“知识（K）”“读写（RW）”“数学（M）”这三科直接考出了8分以上的高分，接近“受过良好教育的成年人”水平。比如知识题里，它能精准说出“DNA双螺旋结构的发现者”“法国大革命的时间线”，甚至能解释“量子纠缠的基本概念”；读写测试中，给它一段哲学论文，它能总结核心观点，还能模仿鲁迅文风写短文；数学题更狠，微积分方程、概率统计题正确率超过85%，比不少大学生还强。

这其实不意外，毕竟GPT-5训练了万亿级数据，相当于背下了半个互联网。就像一个把百科全书和教材全背下来的学生，应付“死记硬背”的科目自然游刃有余。有开发者调侃：“问GPT-5知识点，比查百度还快，就是偶尔会编瞎话。”

但翻到成绩单后半页，画风瞬间突变。在“视觉（V）”和“听觉（A）”两科，GPT-5直接考了“不及格”：视觉题里，它能分清猫和狗，但给一张“猫戴狗面具”的图片，就直接认成“新品种动物”；听觉测试更惨，能把语音转文字，却听不出说话人的愤怒或开心，甚至把“讽刺话”当成“真心话”。

最离谱的是“长时记忆存储（MS）”这科——直接剃了光头，拿了0分。这意味着什么？Bengio团队的测试场景很真实：第一天跟GPT-5聊“自己有个叫‘李建国’的朋友，是医生”，第二天再问“我昨天提到的朋友是做什么的”，GPT-5直接回复“您未提及相关信息”。更绝的是，让它连续三天学10个新单词，第四天测试时一个都记不住，比金鱼的7秒记忆还离谱。

对比两年前的GPT-4，进步确实明显——GPT-4总分才27分，GPT-5直接翻倍到58分。但离100分的AGI标准，还差着“半条街”。更关键的是，这种“偏科”不是小问题，而是致命缺陷。

三、0分背后的真相：AI的“记忆”全是假的？

GPT-5为啥会在“长时记忆”上拿0分？这得从AI的“记忆原理”说起。现在的大模型根本没有真正的“长期记忆”，所谓的“记东西”全是“临时抱佛脚”。

目前AI的“记忆”主要靠两种手段：要么是训练时背下的数据，相当于“先天知识”；要么是靠扩大“上下文窗口”，比如支持128k tokens的输入，能记住几万字的对话内容。但这两种都不是“长期记忆存储”。

打个比方，AI的“上下文窗口”就像电脑的“临时缓存”，断电就没；而人类的长期记忆是“硬盘存储”，能存几十年。你跟AI聊完天，它看似“记得”，其实是把对话内容暂时存在“缓存”里，一旦对话结束或超出缓存上限，就全忘了。更坑的是，这种“伪记忆”还特别占资源——缓存越大，AI运行越慢，成本越高。

Bengio团队在论文里戳破了这个假象：“很多AI号称‘有长期记忆’，其实是把短期缓存伪装成记忆。就像有人说自己‘过目不忘’，结果转身就忘，只是当时看得仔细而已。”

更要命的是，这种“健忘症”会引发连锁反应。比如“长时记忆提取（MR）”这科，GPT-5也只考了3分——不是它“取不出来”，而是根本“没存进去”。没有存储，谈何提取？这就像图书馆里根本没有那本书，再厉害的管理员也找不到。

其他短板也同理。视觉和听觉能力差，是因为大模型本质是“文本模型”，靠文字数据训练，对图像、声音的理解只是“间接学习”，没有真正的“感知能力”。就像一个从没见过苹果的人，只靠文字描述去认苹果，自然会出错。

四、全场大摸底：没有一个AI能及格，偏科是通病

GPT-5的“翻车”不是个例，Bengio团队测试了所有主流AI，结果发现“全员偏科”，没有一个能及格。

先看“优等生”Claude 4，总分55分，比GPT-5略低，但偏科更严重：“长时记忆存储”考了2分，比GPT-5强点，但“视觉”只拿了1分，连“猫和狗的侧面图”都认不清。谷歌的Gemini Pro 2总分52分，“听觉”能力稍强，能分辨出“开心和难过的语气”，但“数学”只考了5分，连一元二次方程都解错。

国内的模型也没好到哪去：文心一言4.0总分48分，“知识”和“读写”能考7分，但“临场推理”只有3分，给个“鸡兔同笼变种题”就直接懵圈；通义千问3.5总分45分，“速度”科目表现突出，能快速处理简单任务，但“长时记忆”同样是0分。

最搞笑的是GPT-5-mini，作为轻量级模型，总分才32分，但“SQL理解”能考80.8分，比旗舰版还强，可“长时记忆”照样是0分。就像一个“偏科到极致的特长生”，数学能考满分，语文却不及格。

为什么所有AI都有“健忘症”？Bengio团队给出了答案：当前AI的核心是“模式匹配”，不是“真正学习”。它们靠海量数据找规律，比如“看到‘1+1’就输出‘2’”，但不会像人类一样“理解为什么等于2”，更不会“记住新学的‘1+2=3’”。要解决这个问题，不能靠“扩大模型规模”，得从架构上革新——可目前还没人找到好办法。

有开发者吐槽：“以前觉得AI是‘聪明的笨蛋’，现在发现是‘偏科的笨蛋’。除了背东西厉害，其他啥也不是。”