奧特曼在GPT-5的發(fā)布會(huì)上曾說(shuō)過(guò)一個(gè)結(jié)論。

「以后每個(gè)人的兜里都有一個(gè)博士級(jí)AI隨時(shí)隨地的提供建議」。

GPT-5的發(fā)布后也被全球的瘋狂實(shí)測(cè)，API使用量暴增。

當(dāng)然，有些討論重點(diǎn)關(guān)注的是「還我GPT-4o」這種情緒化的能力方面。

但重點(diǎn)是，奧特曼一直強(qiáng)調(diào)，GPT-5有「博士級(jí)」推理能力。

這事兒，真的靠譜嗎？

這不，一個(gè)叫FormulaOne的硬核測(cè)試，就讓世界上這些最頂級(jí)的模型「現(xiàn)了原形」。

FormulaOne題目分三關(guān)，一關(guān)比一關(guān)難。

論文地址:https://arxiv.org/pdf/2507.13337

結(jié)果呢？有點(diǎn)扎心了。

基礎(chǔ)題，AI們還算頂?shù)米?，正確率還可以，唯一一個(gè)GPT-5能接近50%。

可到了進(jìn)階題，畫(huà)風(fēng)突變。

就算是GPT-5，也只做對(duì)了4%。其他模型更是慘不忍睹。

至于最難的「最深層問(wèn)題」部分？所有模型，全軍覆沒(méi)。直接交了白卷，全部零分。

FormulaOne測(cè)試基準(zhǔn)給自己取名字叫做：超越競(jìng)賽編程的算法推理深度測(cè)量。

這是由一家名為AAI的公司出品的，他們的官網(wǎng)是：doubleai.com。

公司是由Mobileye聯(lián)合創(chuàng)始人、希伯來(lái)大學(xué)教授Amnon Shashua發(fā)起的科研向AI創(chuàng)業(yè)公司，2023年8月在耶路撒冷成立，長(zhǎng)期「半隱身」。

Amnon Shashua曾于2020年榮獲丹·大衛(wèi)獎(jiǎng)（Dan David Prize）人工智能領(lǐng)域的獲獎(jiǎng)?wù)?，并?022年被汽車名人堂（Automotive Hall of Fame）評(píng)為移動(dòng)創(chuàng)新者。

1999年，Shashua聯(lián)合創(chuàng)立了Mobileye，該公司于2014年成為以色列歷史上規(guī)模最大的IPO。

2017年，公司被Intel以153億美元收購(gòu)。

2022年，公司再次于納斯達(dá)克證券交易所上市。

AI必須硬核

現(xiàn)在的AI離真正的專家，到底還有多遠(yuǎn)？

真正的專家，那可是要解決硬核難題的，他們是推動(dòng)科學(xué)邊界的人。

所以，得給AI上點(diǎn)真正的強(qiáng)度了。

目前的基準(zhǔn)測(cè)試往往無(wú)法完整描繪出人工智能理解的深度。

盡管最近取得了一些顯著成就，例如OpenAI在CodeForces上獲得了2724的評(píng)分，或是在國(guó)際信息學(xué)奧林匹克競(jìng)賽中獲得金牌。

但這些成績(jī)?nèi)匀谎谏w了一個(gè)令人清醒的現(xiàn)實(shí)：為這些競(jìng)賽磨煉出的技能，并不能涵蓋解決大規(guī)?，F(xiàn)實(shí)世界研究問(wèn)題所需的全部推理能力。

例如優(yōu)化全球供應(yīng)鏈、管理大規(guī)模電網(wǎng)、設(shè)計(jì)具有彈性的網(wǎng)絡(luò)基礎(chǔ)設(shè)施等任務(wù)要困難多個(gè)數(shù)量級(jí)，它們所需的算法洞察力遠(yuǎn)遠(yuǎn)超出了典型競(jìng)技編程的范疇。

FormulaOne包含220個(gè)新穎的、基于圖的動(dòng)態(tài)編程問(wèn)題。這些問(wèn)題分為三個(gè)類別，從適中的難度到研究級(jí)別的難度不等。

FormulaOne是一個(gè)處于圖論、邏輯和算法交叉點(diǎn)的基準(zhǔn)測(cè)試，完全在前沿模型的訓(xùn)練分布范圍內(nèi)。

這些問(wèn)題極具挑戰(zhàn)性，需要一系列推理步驟，涉及拓?fù)浜蛶缀味床?、?shù)學(xué)知識(shí)、組合考慮、精確實(shí)現(xiàn)等。

FormulaOne具有三個(gè)關(guān)鍵特性。

• 第一，它具有商業(yè)價(jià)值，與實(shí)際的大規(guī)模優(yōu)化問(wèn)題相關(guān)，例如路徑規(guī)劃、調(diào)度和網(wǎng)絡(luò)設(shè)計(jì)中出現(xiàn)的問(wèn)題。
• 第二，它生成自圖上的單一二階（Monadic Second-Order，MSO）邏輯這一高度表達(dá)的框架，為大規(guī)模自動(dòng)問(wèn)題生成鋪平了道路——非常適合構(gòu)建強(qiáng)化學(xué)習(xí)（RL）環(huán)境。
• 第三，許多問(wèn)題與理論計(jì)算機(jī)科學(xué)的前沿以及其中的核心猜想密切相關(guān)，例如強(qiáng)指數(shù)時(shí)間假設(shè)（Strong Exponential Time Hypothesis，SETH）。

為什么模型在「deepest」（最深層）任務(wù)上會(huì)出現(xiàn)概念崩潰，即使它們?cè)谒惴ň幊谈?jìng)賽中達(dá)到了超越人類頂尖選手的水平？

「deepest」層級(jí)的問(wèn)題需要非常深入的推理能力，而這是現(xiàn)有模型根本無(wú)法做到的。

FormulaOne可能需要一種定性不同的方法，正通過(guò)一個(gè)實(shí)時(shí)排行榜和評(píng)估框架與社區(qū)分享它。

FormulaOne中的問(wèn)題都很簡(jiǎn)潔，僅由一兩句話組成，任何本科生都能理解，但解決這些問(wèn)題卻需要?jiǎng)?chuàng)造力和深入的推理。

雖然這些問(wèn)題通常很容易描述，但它們的解決方案遠(yuǎn)非顯而易見(jiàn)。這一大類問(wèn)題的可解性由一個(gè)Courcelle提出的算法元定理所保證，該定理大致表述為：

對(duì)于每個(gè)足夠樹(shù)狀的圖，任何可在一種表達(dá)能力強(qiáng)的形式邏輯——單子二階（MSO）邏輯中定義的問(wèn)題，都可以通過(guò)一個(gè)動(dòng)態(tài)規(guī)劃算法來(lái)求解，該算法的運(yùn)行時(shí)間與圖的階數(shù)成線性關(guān)系。

FormulaOne中的問(wèn)題源自一個(gè)單一的無(wú)限族：圖上的單階二階（MSO）邏輯。

簡(jiǎn)單來(lái)說(shuō)，這些問(wèn)題就是圖上的自然動(dòng)態(tài)規(guī)劃問(wèn)題。 

雖然許多問(wèn)題在一般情況下是NP難的，但在「樹(shù)狀」圖上它們變得易于處理。

在這種情況下，這些問(wèn)題可以通過(guò)一種線性時(shí)間的動(dòng)態(tài)規(guī)劃算法來(lái)解決——該算法在一個(gè)稱為「bags」的小圖窗口上進(jìn)行操作。

「包」是使用一種稱為樹(shù)分解的結(jié)構(gòu)，它將圖的頂點(diǎn)組織成一系列重疊的集合，這些集合本身以樹(shù)的形式排列。

然后，算法可以遍歷這個(gè)包（bag）樹(shù)，使用動(dòng)態(tài)規(guī)劃逐塊解決該問(wèn)題。

此過(guò)程包括設(shè)計(jì)一個(gè)「狀態(tài)」，用以概括包中部分解決方案的所有必要信息，并定義當(dāng)頂點(diǎn)被引入、遺忘或包被合并時(shí)，該狀態(tài)如何轉(zhuǎn)換。

「最深層」級(jí)別問(wèn)題難在哪里

那么，是什么讓「最深層」級(jí)別的難度遠(yuǎn)高于「淺層」級(jí)別呢？換句話說(shuō)，如何解釋前沿模型在這些問(wèn)題上的崩潰？

是因?yàn)閿?shù)據(jù)不足嗎？還是因?yàn)樵趧?dòng)態(tài)規(guī)劃方面的專業(yè)知識(shí)水平較低？

不，前沿模型最近在算法編程競(jìng)賽和奧林匹克競(jìng)賽中已經(jīng)達(dá)到了頂尖人類水平，而動(dòng)態(tài)規(guī)劃（DP）正是這類競(jìng)賽中的關(guān)鍵技術(shù)之一。

相反，像CodeForces中的競(jìng)賽題目通常是這樣構(gòu)建的：一個(gè)人想出一個(gè)非常巧妙的技巧（或者可能兩個(gè)），然后圍繞這個(gè)技巧設(shè)計(jì)一個(gè)問(wèn)題。

一旦參賽者理解了這個(gè)技巧，通常很快就能寫(xiě)出一個(gè)簡(jiǎn)短的解決方案。對(duì)于「淺層」階段來(lái)說(shuō)，情況某種程度上也是如此。

相比之下，現(xiàn)實(shí)世界的問(wèn)題，以及「更深」和「最深」階段的問(wèn)題，通常涉及多個(gè)不確定的步驟，并且沒(méi)有任何簡(jiǎn)單的捷徑可循。

設(shè)計(jì)一個(gè)正確且高效的動(dòng)態(tài)規(guī)劃程序很難。

關(guān)鍵在于每個(gè)包所存儲(chǔ)的信息——「狀態(tài)」。

狀態(tài)設(shè)計(jì)既是一門(mén)藝術(shù)，也是一門(mén)科學(xué)。

狀態(tài)必須足夠豐富，以便在我們從一個(gè)包過(guò)渡到下一個(gè)包時(shí)能夠進(jìn)行更新，但同時(shí)又必須足夠簡(jiǎn)潔，以確保計(jì)算上的可行性。 

模型傾向于急切地過(guò)度承諾；做出過(guò)早且不可逆的決策，而這些決策的無(wú)效性往往要到很久之后才會(huì)顯現(xiàn)出來(lái)。

隨著不確定性的增加，這種情況會(huì)變得更加明顯。

事實(shí)上，這僅僅是模型所犯的一系列分類錯(cuò)誤之一。

為了幫助理解模型的優(yōu)勢(shì)與不足，每個(gè)FormulaOne問(wèn)題都由一系列標(biāo)簽進(jìn)行標(biāo)注，代表其核心思想。

那么要突破這個(gè)新基準(zhǔn)需要什么？

雖然GPT-5在「更深」層級(jí)上顯示出一些進(jìn)展跡象，但這種進(jìn)展非常有限，而在「最深」層級(jí)上則完全沒(méi)有進(jìn)展。

這可能可以解釋為一種「信號(hào)缺失」，因?yàn)樵凇缸钌睢箤蛹?jí)的問(wèn)題中存在太多不確定點(diǎn)和需要做出的決策，要讓所有這些都正確對(duì)齊變得異常困難——以至于傳統(tǒng)的訓(xùn)練技術(shù)都失效了。