当AI智能体撞上“天花板”：GPT-5.5登顶背后，最难任务0%成功率意味着什么

说实话，看到这条新闻的时候，我愣了好几秒。

OpenAI研究员诺姆·布朗（Noam Brown）在社交平台上宣布：GPT-5.5在Agents' Last Exam（ALE）基准中排名第一。按模型token消耗、成本效率还是实际耗时计算，GPT-5.5都拿下了最优成绩。这本该是一条足以让整个AI圈沸腾的消息。但紧接着的另一个数据，却像一盆冷水浇在了所有人的热情上——

在最难的那批任务上，所有前沿智能体的成功率，是0%。

包括那个同样备受关注的Fable 5。

这个数字太刺眼了。它不是在告诉我们AI不行，而是在揭示一个更微妙、更值得我们深思的真相：AI智能体的发展，或许正在进入一个诡异的“高原区”——能解决的问题越来越多，但最核心的那一批问题，没有任何一个系统真正突破。

这才是我真正想聊的。

ALE基准：一套专门为“经济价值”打造的考试体系

要理解这个0%的含义，我们得先搞清楚ALE到底是什么。

Agents' Last Exam，中文姑且翻译成“智能体的终极考试”。这个基准不是那种随便出几道数学题、写几段代码的标准化测试。它的设计目标非常明确——测试AI智能体能否完成具有实际经济价值的工作任务。

具体来说，这个基准包含超过1500个专家级任务，涵盖了55个不同的职业领域。从法律文书审查到财务建模，从医学影像分析到复杂的多步骤工程计算，这些任务都是经过精心设计的，要求智能体不仅要理解指令，还需要规划行动、调用工具、处理意外情况，并在较长的时间窗口内保持推理的连贯性。

说实话，能设计出这样一套基准的人，对AI智能体的实际应用场景一定有很深的研究。1500个任务、55个职业——这意味着ALE不是某个学术团队拍脑袋想出来的benchmark，而是试图模拟真实世界中人类工作者每天面对的那种复杂性。

这套基准的另一个特点是“滚动更新”。也就是说，任务库会持续扩充和更新，避免模型通过“刷题”方式来取得高分。这让我想起当年ImageNet对计算机视觉领域的推动——一个好的基准，不只是用来排名次，更重要的是它定义了“什么是真正重要的问题”。

从这个角度看，ALE的野心不小。它想要回答的不只是“哪个模型更强”，而是“AI智能体距离替代人类完成高价值工作，到底还有多远”。

GPT-5.5赢了，但赢在哪里

诺姆·布朗的宣布内容很简洁，信息量却很大。

GPT-5.5在ALE基准的总体排名中位列第一。更关键的是，这个第一不是靠砸钱堆算力换来的——如果按照“完成任务所消耗的token数量”、“实际金钱成本”以及“墙钟时间”这三个维度来衡量，GPT-5.5同样是最佳选手。

我注意到布朗特别强调了这一点。在AI模型的评测中，单纯比较性能分数其实意义有限，因为一个模型可能性能很强，但消耗的资源也高得吓人。GPT-5.5的“三冠王”表现说明，它不仅跑得快，而且跑得经济。这一点在实际的商业应用场景中至关重要。

与GPT-5.5同台竞技的，包括Fable 5和Composer 2.5等当前最受瞩目的前沿系统。从已知的信息来看，这些模型在ALE基准上都展现出了相当的能力——它们能够完成部分专业任务，在某些领域的表现甚至超出了外界的预期。

但问题在于，这种“部分成功”的覆盖范围到底有多广？

0%的真相：最难层级为何成了不可逾越的高墙

根据ALE基准的评测结果，当前智能体在较为基础的专家任务上已经能够提供有效帮助。然而，当任务难度攀升到最高层级——也就是那些需要“持续推理”和“深度专业知识”的任务时，所有被测试的前沿智能体，包括Fable 5，成功率均为0%。

请注意，这里说的是“0%”，不是“接近0%”或者“非常低”。是彻彻底底的零成功率。

这意味着什么？

我认为，这个数字揭示了当前AI智能体架构的几个深层局限。

第一，是持续推理能力的断裂。 很多复杂任务需要智能体在一个较长的任务周期内保持上下文的连贯性，能够根据前期结果动态调整后续策略。但现有系统在处理长链条推理时，往往会出现“遗忘”或“漂移”的问题——前面建立的前提条件到后面就模糊了，或者推理路径逐渐偏离正确方向。

第二，是专业知识整合的深度不够。 真正的专家级任务往往需要跨多个知识领域进行综合判断，并且能够识别任务中隐含的约束条件和边界情况。这种“知道什么不知道”的元认知能力，目前仍然是AI系统的短板。

第三，是面对未知情况的鲁棒性。 专家在实际工作中，经常需要处理标准流程没有覆盖到的例外情况。而AI智能体在面对训练数据中未曾出现过的场景时，表现往往急剧下降。

坦白讲，0%这个数字比我预想的还要保守。这说明ALE基准的“最难关卡”确实设计得非常刁钻，精准地命中了当前所有主流架构的共同盲区。

我们该怎么看待这个“高原区”

也许有人会说：0%成功率听起来很可怕，但我们不是已经看到AI在很多领域超越人类了吗？

这话没错。但我想区分两件事：“AI能做什么”和“AI能可靠地做什么”。

在某些特定任务上，比如蛋白质结构预测、象棋对弈，AI已经达到了超人类的水准。但这些任务的共同特点是边界清晰、反馈及时、可以大量重复训练。而ALE基准所测试的那些高难度任务，往往具有高度模糊性、长周期反馈和低容错率——这正是人类专家的核心价值所在。

我个人判断，当前AI智能体的发展正在经历一个有趣的阶段：能力边界在快速扩展，但可靠性边界扩展得没那么快。换句话说，AI能解决的问题总数在增加，但每个问题被可靠解决的成功率并没有同比例提升。这就是为什么我们经常看到“AI在X领域取得突破”的新闻，但实际落地时又总觉得差那么一口气。

那么，0%这个天花板能被打破吗？

我认为答案是肯定的，但可能需要几个方面的突破：更长的上下文理解能力、更强的因果推理机制、更好的知识动态更新机制，以及更鲁棒的少样本学习能力。这些方向都有研究团队在探索，只是目前还没有哪个方案展现出“一揽子解决”的迹象。

这也解释了为什么诺姆·布朗的宣布虽然强调GPT-5.5拿了第一，但整个AI社区的反应并没有想象中那么亢奋。大家心里都清楚：登顶一个基准固然值得庆祝，但0%的存在，恰恰提醒我们这场马拉松还远远没有到终点。

---

回头来看，ALE基准的设计者团队（由dawnsongtweets主导）做了一件很有价值的事——他们没有回避那些“AI做不好”的任务，而是把最难的部分摆到台面上，让所有人都看清楚差距在哪里。

这种诚实，对行业的长远发展其实是好事。比起一味吹嘘“AI即将超越人类”，一个清晰的失败地图反而更能指导资源投入和技术迭代的方向。

0%的数字是当下的记录，不是永久的标签。它标注的是地平线，而不是终点线。