在人工智能领域日新月异的今天，各家科技巨头纷纷推出最新的AI模型和产品，并毫不吝啬地冠以“最佳”、“最智能”的头衔。然而，当我们试图衡量这些AI模型的“智能”程度时，却发现这并非易事。

AI“智能”的模糊定义

OpenAI的GPT-4.5、Anthropic的Claude 3.7等最新模型层出不穷，但如何准确评估它们的智能水平却成了一个难题。这种模糊性对于营销而言无疑是有利的，因为它可以让企业更容易地声称自己的AI模型拥有超凡的智能。然而，对于客观衡量AI模型的实际能力而言，这种模糊性却带来了挑战。尽管如此，行业内逐渐形成了一套通用的基准测试，用于评估AI模型的能力。通常情况下，科技公司所说的“最智能”AI模型，指的是在这些基准测试中获得最高分的模型。

基准测试的潜在问题

然而，这些基准测试本身也存在问题，因为有证据表明，一些聊天机器人可能在“作弊”。

近年来，多项研究表明，OpenAI、谷歌、Meta等公司的领先AI模型“已经在流行的基准测试文本上进行了训练，从而影响了其分数的合法性”。正如Alex Reisner在本周的文章中写道，这就像一个学生偷看了数学考试的答案并背了下来，从而让老师误以为他已经掌握了长除法的技巧。

这可能并非科技公司的本意，因为许多基准测试及其问题都存在于互联网上，并因此被AI模型吸纳到训练数据中。在Reisner提到的实验室中，只有Google DeepMind回应置评请求，并表示他们非常重视这个问题。但无论是有意还是无意，这些基准测试的不可靠性都让人们更难区分事实和营销宣传。

结论

在人工智能快速发展的浪潮中，我们需要更加谨慎地评估AI模型的真实能力。一方面，行业需要不断完善和改进基准测试，确保其能够客观、公正地反映AI模型的实际水平。另一方面，用户也需要保持理性，不要被各种夸张的宣传所迷惑，而是应该根据实际需求选择最适合自己的AI产品。