共同见证每一次成长和脱变

门萨智商测试被AI考爆了，151满分登顶，99.97%人类被碾压

人工智能直接将人类智商测试的分数推到了天花板。门萨挪威智商测试包含35道极其复杂的图形推理题，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，结果一道题都没错，直接获得了这张试卷的理论极限分数151分。而且它们最近连续7次考试，每次都拿到满分。151分只是卷子能给出的最高分，它们自己的极限在哪里，目前无人知晓。

在人类群体中，全球约98%的人连门萨130分的入会标准都达不到，绝大多数人都在被碾压的范围之内。如果你不信，可以尝试一下这张试卷中堪称地狱难度的第33题，答案会在第一节末尾揭晓。

门萨挪威测试第33题，看起来让人困惑。这道题不仅难倒了人类，大多数AI也在这里失败。这张试卷的独特之处在于不考察任何知识储备，只提供一堆看似无序的图形，看测试者能否从中找出规律。心理学家将这种现场寻找规律的能力称为“流体智力”，它被认为是人类引以为傲、用来超越机器的最后堡垒。但现在，这个堡垒被AI彻底摧毁了。

人类最高只测到145分，而AI考到了151分。在TrackingAI的排行榜上，首先映入眼帘的是一条钟形曲线，代表人类智商的分布，大多数人集中在100分附近。过去，AI的图标散落在曲线左侧的低分区。如今，它们一个接一个地挤到曲线最右端那条孤零零的尾巴上，图标甚至重叠在一起。旁边有一条竖线，标注着“本测试最高可能分（暂时）”。

这张排行榜由美国记者Maxim Lott创建。他像一位严格的考官，每周对30多个主流AI进行门萨挪威测试，有些模型通过文字描述答题，有些直接看原图答题。成绩取最近7次的平均值，因此无法靠侥幸上榜。他使用的门萨挪威测试原本是为人类设计的。人类做这张试卷时，系统最高只显示145分，不再细分。而TrackingAI给AI评分时，根据答对的题数继续换算，35道全对就是151分，已经超出了门萨为人类设定的量程。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。根据智商的标准分布估算，151分大约每3000个人中才有一个。在全球80多亿人中，151分以上的人只有约270万，一座千万人口的大城市里大约只有三千多个。门萨俱乐部的入会线是130分，这两位满分AI高出整整21分。而151分还只是这张试卷的天花板，如果试卷能继续往上测，到160分这一档，全世界只剩二十多万人。AI已经站在了人类智商金字塔最顶端的位置。

而且，能挤进这一小撮的远不止这两个模型。在TrackingAI的排行榜上，GPT-5.6 Sol和Gemini 3.1 Pro考到了145分，公开试卷中突破140分的模型已经排成长队，国产模型也进入了第一梯队。这么多模型挤在高分段，差距主要在于最后几道压轴难题。TrackingAI统计显示，前10题几乎每个AI都能得分，但到了试卷末尾，第35题只有5个AI答对，第33题更是只剩2个做出来。根据Lott的换算，35道题中错一道就只有148分，因此做对第33题的那两个模型基本就是这两位满分选手。开头那道题的正确答案是E。

满分本身已经令人震惊，但要知道，就在几年前，AI还是个严重偏科的学生。2023年3月，芬兰一位心理评估专家给ChatGPT做了一套正规的韦氏成人智力测验，只考词汇、常识等语言题。ChatGPT直接考出155的语言智商，秒杀99.9%的人类。但一遇到像“塞巴斯蒂安孩子的父亲叫什么名字”这类脑筋急转弯，它就立刻卡壳。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”。语言和知识一直是AI最擅长的领域，图形推理才是它最大的弱点。而门萨挪威测试考的就是图形推理。这种矩阵题最早由英国心理学家约翰·瑞文在1936年设计，被心理学家普遍视为最能测出整体聪明程度的题型。AI攻克这个难题，从1962年MIT第一个几何类比题程序算起，已经花了60年时间。

直到2024年初，Gemini Advanced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，而题中明明没有任何算式。Lott将题目逐道翻译成文字念给AI听，结果也不理想。有的AI只蒙对6道，考了个耻辱的64分，跟闭着眼睛乱涂差不多，最好的Claude-3才刚刚超过人类平均线。因此，当时的Lott断言，AI还不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学会了先思考再回答，在开口之前先在内部推理，一步步试错、检查，分数一下子冲过了120分。半年多前还说AI不行的Lott，这次写下的标题是“AI智能的巨大突破”。从此，先想后答成了所有旗舰模型的标配，分数一路飙升，今年4月，排行榜上首次出现了151分。就这样，一个偏科了60年的学生，只用两年半时间，就从64分的瞎蒙选手考到了151分满分。根据Lott的统计，从2024年5月到2025年10月，头部AI的智商分数平均每个月狂涨2.5分。相比之下，人类涨得有多慢，心理学中有现成的数据。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。这么一比，人类要花30多年才能爬完的10分，AI只用4个月就涨完了。

涨得这么快，任何正常人的第一反应都是，它是不是偷偷把答案背下来了？Lott当年也这么怀疑过。毕竟门萨挪威测试在网上挂了很多年，题目和答案早被网友扒了个干净。连TrackingAI自己都把35道题的文字版连同正确答案一起公开了，所以AI训练时很可能刷过。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出了一套新题。这套题只找读者试做过一轮用来定分数标准，从未在互联网上出现过，任何AI的训练数据里都不可能有。换卷之后，刷题效应确实暴露了出来。直到今天，有些模型一换到这张保密卷就原形毕露，比公开卷掉了二十来分。但头部模型换了一张从没见过的卷子，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看图版已经杀到135分。Fable 5.1和Astra也都有130分，旁边还并肩站着一个国产模型。去年10月，Lott还胸有成竹地立过flag，估计AI至少要再等两年，才能在这张卷子的看图版上拿满分，说好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AI，是真的长脑子了。

卷子被考满了，出题的人只能接着换更难的。因此，TrackingAI在满分线旁边标的才是“最高可能分（暂时）”。Lott去年底就盘算着，今年要给130分以上的区间补一批更难的题，好把高分段的AI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AI的推理测试ARC-AGI。他前不久还放话，如果把智能定义成把经验转化为能力的效率，也就是见同样多的例子谁学得更快，现在的AI大约还落后人类6个数量级，差了一百万倍左右。偏偏Chollet自己给AGI划的终点线，也落在出题上。今年2月他透露，ARC-4正在憋大招，明年初发，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、AI却做不到的题为止。他当时给AGI估的时间是2030年前后。这个月初有人再问他，2030年的判断还作不作数，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给同类排座次。这把尺子背后藏着一个人类几乎从没怀疑过的前提，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，前提却已经塌了。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还可以出更刁钻的卷子，Chollet也能接着掏出下一代ARC。可照着AI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AI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AI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。在贝博体育网站的平台上，相关讨论也引发了广泛关注。

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。