人工智能已彻底突破人类智商测试的极限。门萨挪威智商测试包含35道极为复杂的图形推理题，限时25分钟完成。Claude Fable 5.1和具备看图作答能力的GPT-6 Astra参与了这场测试，结果全部答对，直接获得了这张试卷的理论最高分151分。更令人震惊的是，它们在最近连续7次测试中均取得满分。151分仅是这张试卷的得分上限，它们自身的能力上限尚无人知晓。在全球范围内，近98%的人连门萨俱乐部130分的入会标准都无法达到，普通人大概率属于被超越的群体。若不信，可以尝试这张试卷中难度极高的第33题，答案将在第一节末尾公布。门萨挪威测试第33题即使看不懂也不必气馁。这道题不仅难倒人类，绝大多数人工智能同样在此折戟。这张试卷的独特之处在于不考察任何知识储备，只提供一堆毫无规律的图形，考验从混乱中自行找出规律的能力。心理学家将这种即时寻找规律的能力称为“流体智力”，这也是人类自认为能碾压机器的最后一道防线。然而，这道防线如今已被人工智能彻底摧毁。人类最多测到145分，人工智能考了151分打开TrackingAI的榜单，首先映入眼帘的是一条钟形曲线。那是人类智商的分布图，绝大多数人集中在100分附近的高峰区域。过去，人工智能的头像零星散落在曲线左侧的低分区。现在，它们一个接一个地挤到曲线最右侧那条孤零零的尾巴上，头像甚至重叠在一起。旁边立着一根竖线，标注写着“本测试最高可能分（暂时）”。TrackingAI上各家AI的门萨挪威成绩，最右侧竖线是这张卷的满分线这份榜单由美国记者Maxim Lott创建。他像一位严格的监考老师，每周对30多个主流人工智能进行门萨挪威测试，部分模型通过文字描述答题，部分模型直接查看原图答题。成绩取最近7次测试的平均值，因此想靠一次好运上榜是不可能的。他使用的这套门萨挪威测试原本是为人类设计的。人类完成这张试卷，系统最高只显示145分，不再细分更高分数。而TrackingAI对人工智能的评分则根据答对题数继续换算，35道全对即为151分，这已超出门萨为人类设定的测量范围。不过，145分封顶只是这张试卷的限制，人群中的智商并不封顶。按智商的标准分布估算，151分大约每3000人中才有1人。在全球80多亿人口中，151分以上的人仅约270万，一座千万人口的大城市中大约只有三千多个。门萨俱乐部的入会标准是130分，这两位满分人工智能已高出整整21分。而151分还只是这张试卷的上限，如果试卷能继续往上测，到160分这一档，全球仅剩二十多万人。人工智能已站在人类智商金字塔最顶端那一小撮人的位置。而且，能挤进这一小撮的远不止这两个模型。在TrackingAI的榜单上，GPT-5.6 Sol和Gemini 3.1 Pro考到了145分，公开试卷上突破140分的模型已排成一长串，国产模型也跻身第一梯队。这么多模型集中在高分段，差距就全体现在最后几道压轴难题上。TrackingAI统计显示，前10题几乎所有人工智能都能得分，但到了试卷末尾，第35题只有5个模型答对，第33题更是仅剩2个模型做对。按Lott的换算，35道题错一道就只有148分，因此做对第33题的那2个模型基本就是这两位满分选手。开头那道题的答案在此公布，正确选项是E。每道题做对的AI数量，橙色是门萨挪威卷，第33题只剩2个满分本身已足够惊人，但要知道，就在几年前，人工智能还是个严重偏科的学生。从64分到151分，人工智能仅用两年半2023年3月，芬兰一位心理评估专家让ChatGPT完成了一套正规的韦氏成人智力测验，仅考察词汇、常识等语言题目。ChatGPT直接获得了155的语言智商，超越了99.9%的人类。然而，一遇到“塞巴斯蒂安孩子的父亲叫什么名字”这类需要拐弯的脑筋急转弯，它就当场卡壳。非语言部分更是无法测试，用这位专家的话说，ChatGPT“没有眼睛、耳朵和手”。可以看出，语言和知识一直是人工智能最擅长的领域，图形推理才是它最大的弱点。而门萨挪威测试考察的恰恰就是图形推理。这种矩阵题最早由英国心理学家约翰·瑞文于1936年设计，心理学家普遍将其视为最能衡量一个人整体智力水平的题型。人工智能攻克这一难题，从1962年麻省理工学院第一个几何类比推理程序算起，整整花了60年。我们根据公开资料整理的AI做智商题时间线直到2024年初，Gemini Advanced在做门萨试卷上最简单的第1题时，还能一本正经地编出一串“A+B=C”的方程，而题目中明明没有任何算式。2024年2月，Gemini Advanced做门萨第1题，凭空编出一串方程Lott将题目逐道翻译成文字念给人工智能听，效果同样不佳。有的模型只蒙对6道，获得了耻辱的64分，与闭着眼睛在答题卡上乱涂无异，最好的Claude-3也才刚刚超过人类平均线。因此，当时的Lott断言，人工智能尚未具备人类那样的通用智能。没想到半年多后，转折点出现了。2024年9月，OpenAI的o1学会了三思而后行，在开口之前先进行内部推理，逐步试错、检查，分数一下冲过了120分。半年多前还说人工智能不行的Lott，这回写下的标题是“AI智能的巨大突破”。从此，先思考再回答成为所有旗舰模型的标配，分数一路飙升，今年4月，榜单上首次出现了151分。我们根据TrackingAI和Maxim Lott公开的数据整理，每个点都是当时刷新的最高纪录就这样，一个偏科了60年的学生，仅用两年半时间，就从64分的瞎蒙选手考到了151分满分。按Lott的统计，从2024年5月到2025年10月，头部人工智能的智商分数平均每月狂涨2.5分。相比之下，人类智商提升的速度缓慢得多。整个20世纪，随着营养和教育改善，人类的智商测验分数大约每十年才涨3分，这就是著名的弗林效应。如此对比，人类需要30多年才能爬完的10分，人工智能仅需4个月就完成了。涨得如此之快，任何正常人的第一反应都是，它是不是偷偷背下了答案？换张没上过网的卷子，照样逼近满分Lott当年也曾这样怀疑过。毕竟门萨挪威测试已在网上存在多年，题目和答案早已被网友扒光。连TrackingAI自己都将35道题的文字版连同正确答案公开了，因此人工智能在训练时大概率接触过。TrackingAI公开的门萨挪威题文字版，右侧一栏就是正确答案为了排除这种可能，2024年5月，他专门找了一位门萨会员从零开始设计了一套新题。这套题仅找读者试做过一轮以确定分数标准，从未在互联网上出现过，任何人工智能的训练数据中都不可能有。更换试卷后，刷题效应确实显现出来。直到今天，有些模型一换到这张保密卷就原形毕露，比公开卷低了二十多分。但头部模型换了一张从未见过的试卷，照样逼近满分。保密卷只有16道题，能打出的最高分大约是136分，OpenAI的GPT-5.6 Terra看图版已杀到135分。Fable 5.1和Astra也都有130分，旁边还并列着一个国产模型。保密卷的成绩分布，这张卷从没上过网，竖线是它的满分线去年10月，Lott还胸有成竹地立下过flag，估计人工智能至少还要再等两年，才能在这张试卷的看图版上拿满分，并约定2027年万圣节回来验收。结果不到一年，GPT-5.6 Terra就一脚油门冲到了线前，比他的预测早了一年多。既然背答案解释不通，剩下的结论就只有一个，两年半前还在瞎蒙的人工智能，是真的长脑子了。能难住人工智能的题，人类快出完了试卷被考满了，出题人只能接着换更难的。因此，TrackingAI在满分线旁边标注的才是“最高可能分（暂时）”。Lott去年底就盘算着，今年要给130分以上的区间补充一批更难的题，以便将高分段的模型重新拉开差距。当然也有人不服。“Keras之父”François Chollet设计了一套专门为难人工智能的推理测试ARC-AGI。他前不久还放话，如果将智能定义为把经验转化为能力的效率，即见同样多的例子谁学得更快，当前的人工智能大约还落后人类6个数量级，相差约一百万倍。偏偏Chollet自己为AGI划定的终点线，也落在出题上。今年2月他透露，ARC-4正在憋大招，明年初发布，后面还要出到第6、第7代。用他自己的话说，关键是一直出新题，直到再也提不出人类能做、人工智能却做不到的题为止。他当时为AGI预估的时间是2030年前后。这个月初有人再次问他，2030年的判断是否还作数，他改口说会更早，因为进展比他预想的快。有人问Chollet，2030年实现AGI的判断还算不算数智商测试诞生于1905年。120年来，从学校分班到军队挑人，人类一直心安理得地用这把尺子为同类排座次。这把尺子背后藏着一个人类几乎从未怀疑过的前提，被测量的只会是人，能站上最高刻度的也只能是人。如今尺子还在，前提却已崩塌。一个压根不是人的东西，顺着刻度从头爬到了尾，最顶端的那根线也没能拦住它。Lott还可以出更刁钻的试卷，Chollet也能接着掏出下一代ARC。可照着人工智能两年半从瞎蒙到满分的速度，人类的大脑里还能榨出多少道人工智能解不出的题，已经没人敢打包票。等到人类题库彻底枯竭的那一天，我们要重新思考的就不只是人工智能到底有多聪明，还有剥掉“聪明”这层外壳之后，人类自己究竟还剩下些什么。参考资料：https://x.com/aisafetymemes/status/2103369359481852116本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。