AGI認知衡量框架: DeepMind 提出新標準與 Kaggle 黑客鬆

衡量通用人工智慧（AGI）的進展，一向是個棘手的問題。過去幾年裡，我們見過太多針對單一任務（比如下棋、寫詩、識別貓狗）的評測，但它們拼在一起，似乎一點也不像「通用」。DeepMind 最近丟擲了一套新思路——一個基於認知能力的框架，試圖把碎片化的評測統一起來，同時他們還在 Kaggle 上開了場黑客鬆，邀請開發者一起造評測工具。

為什麼需要新框架？

當前的 AI 評測生態，有點像是盲人摸象。有的 benchmark 測邏輯推理，有的測常識問答，有的測程式碼生成，但很少有人問：這些能力加在一起，離 AGI 還差多遠？DeepMind 認為，真正有用的評測應該覆蓋 認知的多個維度，比如推理、規劃、學習效率、知識遷移等。他們的框架更像是畫了一張「能力地圖」，把 AGI 拆成可測量的元件。

這套框架並非憑空造輪子。它參考了心理學和認知科學中的經典分類，比如 Cattell-Horn-Carroll 智力理論。不過 DeepMind 做了工程化適配，把抽象的理論轉化成具體可考的測試指標。舉個例子，「知識遷移」這個維度，會要求 AI 在一個任務上學會技能後，在類似但不同的任務上覆現，看它的泛化能力。

Kaggle 黑客鬆：讓社羣來填空

框架定了，但評測任務還沒做完。DeepMind 的聰明之處在於，他們把「填空」環節交給了社羣。黑客鬆的參賽者需要設計具體的評測任務，來覆蓋框架中指定的認知維度。最終選出的任務會整合進公開的 AGI 評測基準。這種眾包模式在機器學習圈並不新鮮，但用在 AGI 度量上，還是挺有野心的。

對開發者來說，這不僅是比賽。參賽者可以深入思考「什麼才算真正的智慧」，同時自己的設計可能成為行業標準的一部分。DeepMind 還提供了一些示例任務，比如：

• 適應性學習：給 AI 一個從沒見過的互動環境，看它多快能掌握規則。
• 跨模態推理：給一段文字描述和一張圖片，判斷描述是否匹配。
• 因果理解：給出一個事件鏈條，問 AI 「如果改變 A，B 會發生什麼」。

每個任務都強調 不可預見的組合，防止模型單純靠記憶刷分。

實際影響：為什麼值得關注？

這個框架最直接的影響，是給研究社羣提供了一個共同的參考系。過去各家自說自話，一個模型在某個 benchmark 上分數很高，但換個場景就失靈。如果 DeepMind 的框架能被廣泛採納，後續的論文和產品會更有對比價值。

對普通觀察者而言，這套框架也提供了 判斷「智慧」的階梯。比如當一家公司宣稱自己的模型「接近 AGI」時，我們可以對照框架問：它在核心認知維度上究竟過了幾關？哪些維度還差得遠？這比看一堆分數更直觀。

挑戰與爭議

當然，任何框架都免不了爭議。有研究者指出，認知能力本身也是動態演變的，今天定義「智慧」的標準，十年後可能就過時了。另外，這套框架更偏向「人類認知」，如果 AGI 的形態和人類完全不同（比如矽基生命），這套標尺可能不適用。

黑客鬆也有潛在問題：眾包評測可能帶來 質量參差不齊，如何保證任務之間的一致性？DeepMind 表示會設專家評審，但具體執行效果還要看後續。

但無論如何，這是一個切中痛點的嘗試。AI 評測不該是玄學，我們需要更系統的方法來問：「機器真的變聰明瞭嗎？」 DeepMind 的框架給出了一個方向，而 Kaggle 上的開發者們，正在幫它落地。