今年二月，Google DeepMind 共同創辦人、2024 年諾貝爾化學獎得主 Demis Hassabis，在印度 AI 峰會上丟出了一個想法：
用 1911 年以前的知識來訓練一個 AI，看它能不能自己推導出廣義相對論。如果可以，那就是 AGI。
這個提案後來被稱為「愛因斯坦測試」（Einstein Test），在業界掀起了不少討論。ACM Communications 四月刊出了正式論文，把它定位為超越圖靈測試的新一代智能評估方法。
Hassabis 的意圖很明確。他對 AGI 的定義是「能夠展現人類所有認知能力的系統」，而他特別畫了一條線：在既有典範內解決困難問題，跟創造全新的典範，是兩件完全不同的事。AlphaFold 拿了諾貝爾獎？不算 AGI，因為它是在定義好的問題空間裡運作。解 Erdős 的數學難題？也不夠。他要的是能產生典範轉移的能力。
想法很有氣魄。但仔細想想，這個測試本身，真的適合拿來當作 AGI 的判斷標準嗎？
特化的圖靈測試？
很多討論把愛因斯坦測試跟圖靈測試相提並論，甚至直接說它是「圖靈測試的升級版」。但這兩者的結構其實根本不同。
圖靈測試是一種收斂的篩選。它有一個已知的標準（人類的行為模式），用一系列條件去比對，最後得出「是人」或「是機器」的封閉答案。測的是模仿的逼真度，難度是有限的。
愛因斯坦測試則是發散的探索，但掛了一個已知的終點。你不告訴 AI 路徑是什麼，只給它一個起點（1911 年以前的知識），讓它在無限的可能性空間裡自由探索，最後看結果有沒有抵達「廣義相對論」這個特定的點。
表面上都是「是或否」的二元判定。但圖靈測試的「是」意味著「符合一組已知條件」，愛因斯坦測試的「是」意味著「在無限可能中走到了一個特定的點」。前者可以設計明確的評分標準，後者的難度趨近於無限。
搞清楚這個差異，才看得見後面的問題。
弔詭一：用有限目標測量開放能力
Hassabis 想測量的是「創造全新典範的能力」。但他設計的測試方法，是「重新產出一個已知的舊典範」。
這在邏輯上有一個缺口。
通過測試，只能證明 AI 有能力走向一個已知的終點。不能證明它有能力走向一個未知的終點。而 AGI 真正需要的，恰恰是後者。
更麻煩的是反過來的情況。假設 AI 在探索過程中，產生了某個同樣具有突破性的、但不是廣義相對論的東西——在這個測試裡，它仍然算「沒通過」。測試的設計本身就排除了真正的創造——一個我們事先不知道的答案。
說白了，這不是在測量創造力。這是在測量「在特定條件限制下，重組已知的能力」。
那是考試，不是發現。
弔詭二：通過測試之時，失去意義之際
即使我們暫時接受這個測試的框架，還有一個實務上幾乎必然發生的問題。
看看最近的例子就好。OpenAI 九月初發表了 GPT-6 Astra，它在 ARC-AGI-3 上拿到了接近滿分的成績。Brockman 直接宣稱它「最終可能被視為 AGI 的到來」。
但 ARC-AGI-3 的高分是怎麼來的？是模型在訓練和微調過程中，針對這類測試的方向去優化的結果。這跟教育裡「為考試而教」（teaching to the test）是完全同構的——學生拼命練考古題，分數漂亮，但不代表真的理解。
如果愛因斯坦測試有一天被正式採用為 AGI 的判斷標準，各家公司必然會針對「從 1911 年知識推導廣義相對論」這個特定任務，投入大量資源做專門的微調和優化。這不是猜測，這是商業邏輯的必然。
然後某天，某個模型「通過」了。
但有一個根本的差異：愛因斯坦 不知道終點在哪裡。模型知道。
整個訓練和微調的過程，都是朝著一個已知的答案在收斂。即使最終產出的文字看起來像是「獨立推導」，驅動它抵達那裡的力量，跟驅動 愛因斯坦 的力量，在本質上完全不同。
所以這個測試有一個根本的自我矛盾：它能被通過的那一天，恰好就是它失去意義的那一天。因為「通過」只能證明模型擅長走向已知的終點，而這件事離 AGI 的核心——走向未知——反而更遠了。
弔詭三：反邏輯的因果關係
不過讓我覺得最值得想的，是一個更深的問題。
目前所有關於愛因斯坦測試的討論，無論支持還是質疑，都建立在同一個假設上：知識越多越好。問題只是夠不夠多、品質夠不夠好、時間標記準不準確。
但如果我們把因果關係翻過來呢？
很多時候，人類之所以會有創造性或跳躍性的思維，前提正是所知有限。
這裡其實有兩種完全不同的智能模式：
知識豐富的優勢，在於對現有問題快速找到答案。 你知道的越多，能參照的框架越多，找到匹配的速度越快。LLM 是這種模式的極致——在已知問題空間裡快速找到最佳匹配，它做得比任何人類都快、都全面。
知識有限的優勢，在於無解的摩擦力下，被迫展開跳躍性的思維，進而可能創造出新的解決方案。 正因為已知的路都走不通，你才會被迫試一條從來沒人走過的路。
LLM 的問題恰好就在這裡。它永遠都有答案，只是機率高低的差別。它不會真正「卡住」——不會經歷那種所有已知路徑都撞牆、被迫從根本重新思考的狀態。而那個卡住的狀態，正是跳躍的前置條件。沒有摩擦力，就沒有起跳的施力點。
Nature 那篇文章裡，Technion 的 Kaminer 團隊用了一個很好的詞：persistent obsession——持續的執念。Planck 拒絕接受他的黑體輻射公式「夠接近」實驗結果，那份「不對勁」的執念最終導致了能量量子化的提出。Einstein 的狹義相對論甚至缺乏強烈的實驗動機——他是被自己內心一個「這裡不對勁」的直覺驅動的。
知道太多的人，反而容易被既有框架黏住。每一個方向都已經有人告訴你「那邊走不通」或「答案大概在這附近」。知道的越完整，自由探索的空間就越小。
所以，愛因斯坦測試假設「給 AI 跟 愛因斯坦 一樣的知識，就有機會得到一樣的結果」。但如果突破的關鍵不在知識本身，而在知識的有限性所創造出來的自由空間呢？
那這個測試從根本上就搞反了因果關係。
AGI 的真正定義？
其實愛因斯坦測試的這些弔詭，歸根結底是 AGI 定義本身的問題。
目前業界對 AGI 的定義天差地遠。36氪有一篇文章直接拿各家大佬的標準來比較：Musk 的標準最低——AI 能考試、能開車、能寫程式就算 AGI，本質上是「全能 AI 助手」。Hassabis 的標準最高——要能產生典範轉移層級的創造。中間還有 Altman、Amodei 各自的版本。
但不管採用哪一種定義，用一個已知答案的測試來判定一個關於未知能力的問題，邏輯上就有根本的缺口。
而且，如果我們認真想這件事，就會碰到一個更深的問題。
人們會為了解決自己的問題而找答案。人類發展出相對論，是因為人類活在時空裡、被時空限制、需要理解時空。如果有一天真的出現了某種廣義的 AI，具備了獨立思考和經歷的能力，它要解決的會是它自己的問題，不是我們的考古題。
它的存在處境跟人類不同——它的時間感、它的邊界、它跟世界的接觸方式都不一樣。所以它長出的問題也會是不同的問題。而不同的問題，會走向不同的答案。
那個答案會是什麼？我不知道。因為我不是它。
而這種「無法預測」，不是一種無奈，是一個邏輯必然。正因為如此，任何試圖用人類已知的答案來定義 AGI 門檻的嘗試，可能從起點就走偏了。
愛因斯坦測試最大的價值，或許不在於它能不能被通過，而在於它逼我們認真去想：我們到底在找什麼？而我們找的那個東西，真的能被「測試」嗎？
（我唯一知道的事情，就是我什麼都不知道！）
相關文章：
- AI 有其極限，人的在場才是關鍵－從「愛因斯坦測試」談人機共協的真正意義
https://blog.dofi.fun/2026/10/05/ai-limit/
參考資訊：
- Philip Ball, The Einstein test: what happens when AI tries to rediscover relativity?, Nature 657, 338-340 (2026)
https://www.nature.com/articles/d41586-026-02804-x - Benrimoh et al., The Einstein Test: A Test of AI’s Ability to Generate Transformative Science, Communications of the ACM (2026/4)
https://cacm.acm.org/opinion/the-einstein-test-a-test-of-ais-ability-to-generate-transformative-science/ - Tom Zahavy, LLMs can’t jump (2026/1)
http://go.nature.com/3ykartg
