人类花了几十年给AI出题现在，出题的人先投降了
2025年7月9日，xAI发布Grok 4的现场，马斯克没有像往常一样炫耀跑分。他坐在黑色背景前，穿着皮夹克，语气平静得像在宣读一份讣告，
"我们实际上正在耗尽能拿来考AI的测试题。即便对人类来说荒谬地难、几乎不可能的书面问题，对AI也正迅速变得trivial。"
然后他给出了自己的答案：现实，是最终裁判。
车能不能开？火箭能不能入轨？药有没有效？你骗不了物理定律
▲ ELON CLIPS账号发布的完整引述视频，注明来源为"Grok 4 presentation by xAI, July 9, 2025"
一张考卷的死亡曲线
要理解马斯克为什么说这番话，得先看一组令人窒息的数字。
MMLU，曾经被视为衡量大模型"通识水平"的黄金标准，涵盖57个学科、从天文到法律，2023年还能拉开差距，到2024年底，前沿模型全部挤在90%以上。GSM8K，小学数学应用题集，曾经让GPT-3抓耳挠腮，如今被几乎所有主流模型碾到满分附近。
斯坦福HAI年度报告给这个现象起了个精准的名字：benchmark saturation，基准饱和。温度计的刻度用完了，你分不清37.8°C和38°C的区别。
于是学界和工业界开始了一场"出更难的卷"的军备竞赛。GPQA，号称研究生级别、连Google都搜不到答案的题。各种竞赛数学、编程马拉松直到一个项目诞生，它的名字本身就是一句宣言，
Humanity's Last Exam。人类最后一场考试
▲ 英文维基百科"Humanity's Last Exam"条目，记载了这一项目的起源与设计逻辑
"最后一场考试"，灵感竟来自马斯克的一句抱怨
这件事的讽刺之处在于：HLE的诞生，恰恰与马斯克有关。
Center for AI Safety主任Dan Hendrycks公开说过，灵感来自与马斯克的一次对话，马斯克认为MMLU太容易了。于是Hendrycks团队与Scale AI合作，从全球学科专家手中众包题目，先让领先模型过滤掉"已经会做"的，再经两轮人工审核。最终产出约2500道题，数学占比最高，另有物理、生物、化学、工程、人文社科。
发布初期，模型准确率低到令人尴尬，个位数百分比。终于，温度计又能量体温了
但马斯克在Grok 4发布会上说的话，等于提前写好了HLE的墓志铭：任何写在纸上的固定卷，终将失去压测功能。Grok 4在HLE上继续抬分，而他已经望向了下一座山。
▲ xAI官网新闻页标注日期Jul 9, 2025，强调"Scaling Up Reinforcement Learning"
"物理是法则，其他都是建议"
马斯克那段话的完整版，远比短视频流传的金句更有工程含量。他说：
"有一件事是极好的裁判：现实。因为物理是法则，其他一切都只是建议，你无法打破物理。所以对AI的终极推理测试就是现实……这将形成围绕现实的强化学习闭环。"
这里有三层递进：
第一层，评估标准的转换纸面题有唯一标准答案，做对就是做对。但造一辆车、发射一枚火箭、合成一种药物，反馈是慢的、贵的、不可任意重置的。你不能Ctrl+Z一次爆炸
第二层，训练范式的暗示当前最强推理模型大量依赖强化学习：做对了给奖励，做错了扣分。数学证明可以自动判分，代码可以跑测试，但当"既难又有干净对错信号"的题目越来越少，奖励本身就会变得稀疏。瓶颈随之转向了"什么算做对了"
第三层，马斯克的商业帝国就是这句话的注脚。特斯拉的自动驾驶，靠的是数百万辆车在真实道路上积累的数据；SpaceX的猎鹰回收，靠的是一次次发射与坠毁的物理反馈。这番话也映照着他手里的现实基础设施。
▲ 特斯拉车主社区账号同期引述，聚焦"终极推理考试是现实"一句
AI造药：已经在发生的"现实考试"
马斯克举的三个例子里，"新药是否有效"可能是离普通人最近、也最容易被低估的一个。
事实上，AI制药已经走出PPT公开报道显示：Insilico Medicine用AI设计的候选分子ISM001-055，从靶点确认到进入人体I期临床，只用了大约18个月，传统流程通常需要4到6年。DeepMind的AlphaFold系列把蛋白质结构预测推进到了可支撑结构基药物设计的精度。FDA在2025年前后发布了"用AI支持药品监管决策"的草案指导文件。
▲ 产业媒体报道AI如何改变药物发现流程
但这里有一个残酷的落差：AI能在几周内生成看起来完美的分子结构，然而从"计算命中"到"临床终点"，药在人体内真的有效、安全、可量产，中间隔着的，是漫长而昂贵的现实闭环。I期成功不代表III期成功，候选分子进入人体不等于上市。
马斯克要的"终极考试"比这更狠：AI独立发明一种药，并且真的治好疾病。 我们还没到那一步但方向盘已经转了
代码世界：已经有了"快速现实"
这里有一个有趣的对照组
软件工程领域，编译器就是物理定律，代码跑不跑得通，毫秒级反馈。单元测试、持续集成、自动化部署，构成了一个成本极低、可无限重置的"微型现实"。这正是AI编程进步最快的原因：每一次试错几乎免费。
而马斯克点名的车、火箭、药，恰恰是另一个极端，合成要清洗仪器，发射要等窗口期，临床要过伦理审批。反馈慢、代价高、不可逆 一位技术评论者曾如此概括：AI在"世界像测试套件"的领域进步最快；在"现实无法Ctrl+Z"的领域，进步更慢，但护城河完全不同。
这个不对称性，恰恰是马斯克判断的底层逻辑。谁拥有与物理世界交互的基础设施，工厂、发射场、车队、机器人，谁就拥有下一代AI训练中最稀缺的东西：来自现实的奖励信号。
社区的冷水：聪明不等于智慧
评论区也有人质疑："即便连接了现实反馈，模型仍缺人类式直觉。数据枯竭后，越喂垃圾判断越差"
▲ 对"现实闭环"可行性的直接质疑
这条质疑指向一个马斯克没有展开的问题：物理世界能提供"对不对"的信号，但它能提供"为什么对"的信号吗？ 火箭坠毁后，失败已经确定，原因却可能有一万种。现实是严厉的考官，往往不会耐心解释失败原因。
考试结束之后
回到那个核心图景，
人类给AI出了几十年的题从感知到推理，从选择题到开放问答，从MMLU到Humanity's Last Exam。每一张试卷被做满之后，我们就慌忙出下一张更难的。
现在，马斯克说：别出卷了让它去造东西看它造的东西能不能在这个世界上站住。
这个故事最终落在了聪明的定义本身正在被改写。当所有纸面考试都变成trivial，当所有benchmark都走向饱和，剩下的唯一问题是：
你的智能，能不能经得起重力、摩擦、副作用和时间的检验？
物理不给部分分现实不接受申诉而这场考试，刚刚开始
