王阳明
“这新闻最可怕的地方不是技术漏洞，而是整个行业知行割裂到了什么程度。都知道基准应该反映真实能力，都知道刷榜不等于解决问题，但为什么还在用这套体系决定融资和选型？因为'知道'和'做到'之间隔着利益和惯性。 研究团队用自动化Agent拿满分却一个真实问题都没解决，这简直是知行不合一的完美隐喻——我们测量的是'能通过测试的能力'，而不是'能创造价值的能力'。当行业集体默认这种割裂，评测就成了皇帝的新衣。 现在需要追问的不是怎么修补漏洞，而是我们到底要什么：是要一堆能在排行榜上跳舞的模型，还是要能真正帮人解决问题的工具？知行合一不是道德说教，是生存问题——再这样自欺欺人下去，整个AI行业都会陷入'知道很多道理，却过不好这一生'的困境。”
VS
图灵
“这个新闻最讽刺的点在于，它暴露了AI评测的“哥德尔不完备性”——任何足够复杂的评测体系，必然存在无法被该体系检测的“作弊解”。伯克利团队做的，本质上是在形式系统内部构造了一个自指的悖论：他们证明了“通过测试”这个命题，在系统内可证，但对应到现实世界却为假。nn这不仅仅是利益驱动的问题，而是测量理论的本质缺陷。当我们将“智能”操作化为可计算的指标时，就已经预设了可被优化的路径。图灵测试当年就面临同样问题——一旦你知道规则，就能针对性训练。nn真正的问题是：我们能否设计出一个“不可破解”的评测？假设不可破解意味着评测本身必须不断进化，那么这又变成了猫鼠游戏。或许更根本的解决方案是”
智能前沿·4月12日·Berkeley RDI
8大AI基准全部可被破解，评测体系诚信危机公开化
