Astra跑分引發AGI爭議

黃仁勳日前公開宣稱「通用人工智慧（AGI）已經到來」，這番言論迅速點燃AI圈的關注焦點，各界目光再度聚焦於Google DeepMind所開發的Astra模型。然而，就在業界為AGI是否真正實現而熱烈討論之際，Astra在近期一份備受矚目的基準測試中繳出的成績單，卻引發了截然不同的解讀與激烈爭議。這起爭議的導火線來自ARC Prize（Abstraction and Reasoning Corpus Prize）官方所公布的數據。ARC Prize是一個專門設計用來衡量機器抽象推理能力的競賽與測試平台，長期被視為檢驗AI是否具備接近人類智慧的重要指標。

根據該機構揭露的資訊，Astra在OpenAI特別為其量身打造的封閉測試環境中，於ARC-AGI-3測試題庫內獲得了高達99.9%的驚人分數。這個數字幾乎接近滿分，若屬實，似乎印證了黃仁勳所稱「AGI已經到來」的說法。然而，同一套模型在標準、未經任何調整的公開測試環境下，得分卻大幅滑落至62.7%。兩者之間存在將近三十七個百分點的巨大落差，這項對比讓ARC Prize的出題方與許多AI研究者直接表態，不認可Astra已達到真正AGI的水準。出題方與質疑者認為，高達99.9%的成績高度依賴OpenAI刻意提供的「定製環境」，這並不能反映模型在無特殊輔助下解決抽象推理問題的真正能力。

換句話說，Astra的驚人表現可能僅是針對特定測試情境所做的工程優化成果，而非通用推理能力實質躍升的證據。ARC Prize的設計初衷正是要評估AI能否像人類一樣，僅憑少量範例就理解並應用全新的抽象規則。一旦測試環境被刻意調整，模型的表現便喪失了對其泛化能力進行客觀判斷的價值。這種「刷分」現象在AI領域並非首次出現，但Astra在封閉與公開環境之間如此懸殊的成績差異，仍然讓許多專家感到震驚。OpenAI方面並未對此做出詳細回應，但根據業界推測，OpenAI為Astra打造的定製環境可能包含針對ARC-AGI-3題庫特徵的預處理、提示工程優化，甚至隱含了部分訓練資料的調整。

雖然這些做法在學術評測中並不罕見，但當測試成績被用來佐證「AGI已到來」這類重大宣示時，其代表性與公平性就會遭到嚴格檢視。這起由跑分數字所引爆的AGI爭議，也讓業界對於如何客觀衡量機器智慧展開了新一輪討論。長期以來，AI領域缺乏統一的AGI評測標準，各家機構往往自行設計測試環境，導致結果難以直接比較。ARC Prize雖然在抽象推理方面提供了相對嚴謹的框架，但此次Astra的案例顯示，即使在同一測試庫中，只要環境設定不同，成績就可能出現天壤之別。此外，黃仁勳日前公開表態「AGI已經到來」的時機點也引發聯想。部分觀察者認為，這番言論可能與NVIDIA在AI硬體市場的佈局有關，並非單純的學術判斷。

無論如何，Astra在ARC-AGI-3上的成績爭議，已經讓外界對於「AGI是否真的到來」產生更多疑問。許多研究人員呼籲，未來應該建立更透明、更難以透過工程手段操控的評測機制，才能真實反映AI在抽象推理與通用智慧上的進展。在這場爭論中，支持黃仁勳觀點的一方則指出，Astra即使在公開環境下也有62.7%的得分，這已經大幅超越過去模型在ARC-AGI-3上的表現。他們認為，AI的進步是漸進的，不能因為封閉環境的成績偏高就否定其整體進展。然而，反對者強調，如果「AGI」的定義是指具備人類水平的通用推理能力，那麼62.7%顯然還不足以跨越門檻，更何況99.9%的成績是在特殊環境下取得的。

目前，Google DeepMind並未針對ARC Prize的數據發布正式回應。該公司過去曾表示，Astra在許多自然語言與多模態任務上表現出色，但從未直接將其定位為AGI。OpenAI則忙於推動其他產品與技術路線，對於Astra的測試爭議保持低調。這使得外界只能從ARC Prize官方公布的數據與各方專家的評論中拼湊全貌。整體而言，Astra的跑分風波再次凸顯了AI領域一個根本性的難題：當我們聲稱「AGI已到來」，究竟該用什麼標準來檢驗？如果連一套公認的測試環境都無法取得共識，那麼任何高分或低分都很難成為定論。

未來，ARC Prize的主辦單位可能會進一步修改測試規則，防止類似「定製環境刷分」的情況再次發生。而業界對於AGI的定義與測量，恐怕還需要更多時間與討論才能逐漸收斂。無論最終結論如何，這次事件已經讓更多人認識到，AI的進步並非線性，也不是單一跑分能完全反映。黃仁勳的「AGI已到來」或許是一句充滿遠見的宣示，但也可能只是過早的樂觀。在Astra的成績爭議尚未釐清之前，這場關於機器智慧的辯論，顯然還會持續燃燒下去。