觀點 | 專家也擋不住了？「人類最後測驗」被破解，AI正在進化成獨立代理人

自1956年人工智慧這個詞興起以來，研究者為何為人工智慧的試金石不斷地討論和更新。最近，「人類最後的測驗」（Humanity's Last Examination，HLE）競賽有了最新結果。在所有獨立基礎模型供應商中，Google DeepMind取得了最高分。

而不久後，Zoom透過「聯邦式架構」（federated approach）提升了成績，該方法整合了來自多個合作夥伴，包括OpenAI、Anthropic和Google的多個基礎模型，以產生更優異的結果。這清楚地預示了未來AI應用的演進方向。

什麼是「人類最後的測驗」？它是一項專門測試學術知識和推理能力的考試，其題目無法單靠原始記憶或網路搜尋來解決。

這項測驗由來自全球50多個國家、超過1,000名專家共同出題，於2025年1月正式推出。在審核測驗題目時，若該問題能透過網路搜尋找到答案，或已被現有的大型語言模型（LLM）破解，就會被剔除。其目標是挖掘出必須具備邏輯推理能力，且無法輕易透過搜尋引擎解決的難題。

此外，約14％的題目屬於多模態（multimodal），這代表AI必須理解圖表或影像才能作答。測試分為2種模式：

一、純模型模式： 不連接任何工具，單純依靠大型語言模型已有的知識。在此方法下，目前的最佳成績為37.5％。

二、外掛工具模式： 系統可使用網頁搜尋背景知識、生成程式碼並執行程式。在這種模式下，成績提升至45.8％。

這2項頂尖紀錄均由Gemini 3.5 Pro於2025年11月創下，隨後12月初，Zoom採用其聯邦式架構將分數推升至48.1％。

據估計，人類專家在各自領域的正確率可達95％。顯然，在各專業領域，AI仍不如人類專家，但進步趨勢驚人——2025年初測驗剛發布時，最高分還不到20％。

而且，若以涵蓋領域的廣度，不但沒有任何一個人可以在這項測試達到同樣的成績，即使組織一組專家團隊解題，也是一個耗費資源和時間的挑戰。如今，透過調度基礎模型的應用程式介面（API），一名獨立開發者就可能組織和領導一組AI的代理人。

這帶給我們第1個啟示：AI不再只是輔助人類執行任務的工具。 現在眾人熱議的「代理人」（Agents），正是指AI能像代理人一樣獨立承接並解決問題。它能自主調用工具，例如透過網路搜尋查找定義與知識，或撰寫並執行程式進行精確運算，而非僅僅依賴語言模型的機率預測。

AI代理人正對軟體產業產生巨大衝擊。去年，使用者習慣每月支付20美元使用聊天機器人；而2025年隨著AI代理人承擔了大部分的軟體開發任務，Anthropic Claude Code Max每月200美元的方案已在業界獲得極大回響，因為使用者實質感受到了生產力的躍升。

精明調度，多模型勝過單一模型

第2個啟示：沒有任何一個基礎模型能永遠稱霸。 Zoom的聯邦式架構證明了：透過智慧化的任務編排（orchestration）與調度，並讓不同的AI代理人互相協作，可以達到更好的效果。

這對台灣尤其有參考價值。即使我們不一定能自行開發大規模的基礎模型，仍可透過聰明的調度策略，深入理解如何極大化各種模型的優勢，並結合我們在特定垂直領域（special domain）的專業知識，來優化AI模型的表現。

目前已有許多在特定任務中運用多模型的案例。例如最近的《紐約時報》播客《Hard Fork》提到，從FutureHouse拆分出來的美國公司Edison Scientific推出了名為Kosmos的AI代理人，旨在協助科學研究。使用者只須向系統描述研究問題，系統便會獨立進行約12小時的研究後回報結果。Kosmos定價高達每次提示（per prompt）200美元。公司CEO的估計是Kosmos可能達到一位科研人員3至6個月的研究成果。

若以此推算，投資200美元非常划算。像美國新創Sierra也是以調度多個基礎模型為基礎，提供代理人服務給客戶。它以新的商業模式、完成任務為指標來收費。這種以結果為準的收費模式，更好聯繫客戶及AI廠商的利益，比傳統by seat（座位制）或by API call（調用次數）更好傳達AI提供的價值。

關於HLE測驗的另一個反思是：既然AI快速達到多項里程碑（如在2024年獲得國際數學奧林匹亞銀牌後，隨即在隔年達到金牌水準），擁有一個足以挑戰AI數年之久的基準測試是件好事。但AI能力的持續飆升也對人類社會構成了挑戰。

2025年12月初，知名投資家馬克斯（Howard Marks）發表了一篇「AI是泡沫嗎？」的備忘錄。他全面總結了歷史事件（如2000年網際網路股市泡沫）及早期技術革新（如鐵路和無線電）在投資市場上的表現，並提出論點證明泡沫論的正反兩面皆有理據。他總結：「既然沒人能斷言這是否為泡沫，我建議大家不要孤注一擲，要意識到如果情況惡化，自己將面臨破產的風險。但同樣地，也不該孤注一擲，從而錯失重大的技術進步。採取適度的策略，並輔以選擇性和謹慎，似乎是最佳方案。」

令我感觸最深的是，他不只從金融投資者的角度擔心風險，更憂心AI對社會的潛在衝擊。從趨勢來看，AI導致的失業已成事實，例如Waymo在美國多個城市的自駕服務持續擴張；從軟體產業的招聘與裁員趨勢來看，初階開發職位的門檻已提高。

長期而言，我們樂觀相信社會將會適應，人們會透過學習與技能重塑（reskill）找到新機會。但在短期內，難以快速轉型的人將面臨困境。「AI給人類的考卷」是：我們該如何善用AI來極大化全人類的福祉，同時能有效控管其負面影響？

延伸閱讀：a16z年度資訊長大調查：大企業最愛用哪一家AI？這家狂追OpenAI，成最大黑馬

責任編輯：蘇柔瑋