当下的AI能在几秒内写出代码、生成惊艳画作，甚至通过律师资格考试。但在面对一个从未见过、没有任何说明的全新游戏环境时，它们的表现如何？答案可能令人大跌眼镜：几乎为零。

2026年3月24日，ARC Prize基金会正式发布了ARC-AGI-3——一个全新的、极具挑战性的交互式智能体基准测试。数据显示，目前最前沿的AI模型（如Gemini 3.1、GPT-5.4）在此基准上的得分均低于1%，而人类测试者则保持了100%的通关率。

这究竟是怎样的一个测试？它为何能难倒当今最聪明的AI？

一、 破除“刷分”神话：为什么要重构基准？

在AI发展历程中，许多基准测试（如围棋、图像分类）早已被AI攻破，甚至超越人类。但ARC创始人François Chollet指出，传统的测试存在一个致命漏洞：过拟合与记忆捷径。

早期的AI通过海量数据训练，往往只是记住了“答案”，而非真正理解了“规则”。当面对全新任务时，这些模型便束手无策。

ARC-AGI系列的进化史，就是一部与AI“投机取巧”斗争的历史：

ARC-AGI-1：基于静态网格图，测试从少量示例中推断模式，抵抗了记忆检索。

ARC-AGI-2：引入更复杂的多步推理，静态任务的深度被进一步挖掘。

然而，随着大型推理模型（LRM）的兴起，AI学会了通过“测试时计算”来推理。为了探测AI在动态环境中的真实适应能力，ARC-AGI-3应运而生。

二、 ARC-AGI-3的核心挑战：在未知中探索

如果说前两代是“看图做题”，ARC-AGI-3则是“荒岛求生”。

它不再提供明确的输入输出对，而是将AI置于一个个交互式、回合制的抽象环境中。在这个环境中：

1. 没有说明书：AI不知道游戏的目标是什么，也不知道操作规则。

2. 核心知识先验：环境仅使用最基本的几何、物理和对象性（如重力、碰撞、连通性），不涉及语言或文化符号。

3. 四大核心能力：测试重点不再是单纯的计算，而是智能体的四大支柱：

探索：主动与环境互动以获取信息。

建模：在脑海中构建世界运行的因果模型。

目标设定：在没有指令的情况下，自主推断“什么是胜利”。

规划与执行：制定并修正行动序列以达成目标。

游戏长什么样？

想象一个64x64的像素网格，每帧包含16种颜色。AI需要像玩游戏一样，通过点击或移动来观察物体的反应，逐步摸清规律（例如：推箱子、利用重力反弹、识别隐藏的门），最终达成通关。

三、 如何衡量“智能”？引入行动效率（RHAE）

ARC-AGI-3最精妙的设计在于它的评分标准——相对人类动作效率（RHAE）。

传统的测试看的是“能否通关”，而ARC-AGI-3看的是“通关有多高效”。

动作即成本：每一次点击、每一次移动都被计入成本。

人类基准线：团队邀请了数百名人类玩家（普通公众）首次体验这些游戏，记录下第二好的人类通关动作数作为基准。

惩罚暴力破解：如果AI通过盲目试错（尝试几万次）碰巧过关，其动作数远超人类，得分将极低（甚至接近0%）。

为什么是“第二好”？

为了排除异常值（如天才玩家或运气极好的玩家），基准线采用第二佳的人类成绩，这更能代表人类的平均智慧水平。

四、 为什么AI得分不足1%？

截至2026年3月，即便是在Gemini 3.1、GPT-5.4等最强模型上，得分也惨不忍睹：

Gemini 3.1 Pro Preview: 0.37%

GPT-5.4: 0.26%

Opus 4.6: 0.25%

差距在哪里？

1. 缺乏“元认知”：人类在看到物体下落时，能瞬间推断出重力规则；而AI需要海量的试错才能勉强模拟这种物理直觉。

2. 探索的低效性：AI往往陷入局部最优解，无法像人类一样通过少量尝试迅速构建出完整的世界模型。

3. 目标的隐匿性：在没有明确Reward（奖励）信号的环境下，当前的强化学习范式难以有效运作。

论文中提到的一个典型例子是：人类玩家平均只需几分钟、几十个动作就能理解并通关一个关卡；而AI可能需要数千个动作，且成功率极低。

五、 官方排行榜 vs. 社区排行榜：杜绝作弊

为了保证测试的公平性，ARC基金会设立了双轨制排行榜：

1. 官方排行榜：

严格限制：禁止使用针对特定任务定制的外部工具链（Harness）。

零样本评估：仅使用统一的系统提示，测试模型在“首次接触”时的通用适应能力。

目的：衡量纯粹的AGI进展，而非工程堆砌。

1. 社区排行榜:

开放提交：允许使用各种智能体框架、多轮思考工具（如ReAct、思维链优化）。

自我报告：虽然鼓励创新（如工具调用），但ARC基金会明确提醒：这不代表通用智能的突破，更多反映工程优化能力。

有趣的现象：在早期测试中，某团队为特定环境定制了工具链，得分高达97.1%，但在未见过的环境中得分仍为0%。这再次证明了“针对性优化”不等于“通用智能”。

六、 人类校准：确保基准的“人性”

为了确保ARC-AGI-3的环境设计合理，团队在旧金山设立了专门的测试中心，进行了长达数月的人类校准：

样本：486名不同背景的参与者。

标准：每个环境必须至少有2名人类玩家在首次接触时独立通关。

结果：所有纳入基准的环境，人类通关率均为100%。

这不仅保证了基准的可解性，更确立了一个铁律：如果人类能轻松做到，而AI不能，那么这就不是AI的“智能”问题，而是算法的缺陷。

结语：AGI的真正试金石

ARC-AGI-3的发布，不仅是对现有AI能力的一次“压力测试”，更是对未来研究方向的指引。

它告诉我们，真正的通用智能（AGI）不仅仅是处理海量数据的统计学奇迹，更是在陌生环境中，像人类一样高效探索、学习和适应的能力。

目前，ARC Prize 2026已启动，总奖金池达200万美元。面对这个人类100%通关、AI不足1%的基准，你认为AI需要多久才能追上人类的脚步？

----------------

英文原文：https://arcprize.org/media/ARC_AGI_3_Technical_Report.pdf

中文译文：https://www.run1tech.com/pdf/toutiao/2026-03/bef47ea9f6884ef583fed409f83c91cb.pdf

本文由：AI PDF - 专业的PDF文档翻译与AI智能研读助手 | 原版式保留 提供PDF原格式翻译和AI解读(https://www.run1tech.com/pdf)