问AI 哲学思考 3：当 AI 的能力可以打分，谁来决定什么值得衡量？

11 月 2 日，SemiAnalysis 公布了 GDPx，一套涵盖芯片设计、软件工程等 11 个领域的 AI 智能体评测。发布方报告，在这套高难度任务中，最高模型的综合得分为 12%。这个数字只反映该评测的任务、评分和运行条件，不能直接代表 AI 在所有工作中的能力。

这让我想到一把尺子：尺子能帮我们看清长度，却不会告诉我们应该造一座怎样的桥。评测也一样，题目由人选择，分数由人定义；我们看见的能力，很大程度上取决于我们选择照亮哪里。

当模型越来越擅长完成可计分的任务，我们或许更容易把注意力放在速度、准确率和成本上。但一项工作是否值得做、谁承担失败的代价、哪些人的需要没有被写进题目，未必能用同一张榜单回答。

评测是理解工具的重要窗口，却不是理解智能和价值的全部。如果未来 AI 在越来越多的考试中超过人类，我们应该如何决定下一张考卷的题目，又由谁来决定什么才算好的答案？

来源：SemiAnalysis，2026-11-02 https://newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities