‏هوش مصنوعی عمومی؟ هنوز نه، شاخص جدید نشان می‌دهد.

‏جنسن هوانگ، مدیرعامل انویدیا، هفته گذشته در پادکست لکس فریدمن شرکت کرد و صریحاً گفت: «فکر می‌کنم به هوش عمومی مصنوعی (AGI) دست یافته‌ایم.» دو روز بعد، سخت‌گیرانه‌ترین آزمون در زمینه تحقیقات هوش مصنوعی، جدیدترین معیار هوش عمومی مصنوعی خود را منتشر کرد و تمام مدل‌های پیشرو کمتر از ۱٪ امتیاز کسب کردند.

نتایج ناامیدکننده

بنیاد جایزه ARC، ARC-AGI-3 را این هفته منتشر کرد و نتایج آن بسیار ناامیدکننده بود. Gemini 3.1 Pro گوگل با ۰.۳۷٪ در صدر قرار گرفت. GPT-5.4 از OpenAI با ۰.۲۶٪ در رتبه بعدی قرار گرفت. Claude Opus 4.6 از Anthropic موفق به کسب ۰.۲۵٪ شد، در حالی که Grok-4.20 از xAI دقیقاً صفر امتیاز کسب کرد. در همین حال، انسان‌ها ۱۰۰٪ از محیط‌ها را حل کردند.

این یک آزمون اطلاعات عمومی یا امتحان کدنویسی یا حتی سؤالات فوق‌العاده دشوار در سطح دکترا نیست. ARC-AGI-3 چیزی کاملاً متفاوت از هر چیزی است که صنعت هوش مصنوعی تاکنون با آن مواجه شده است.

این معیار توسط بنیاد فرانسوا شوله و مایک کنوپ ساخته شده است که یک استودیوی بازی داخلی را راه‌اندازی کرده و ۱۳۵ محیط تعاملی اصلی را از ابتدا ایجاد کرده‌اند. ایده این است که یک عامل هوش مصنوعی را وارد یک دنیای بازی‌مانند ناآشنا کنید، بدون هیچ دستورالعملی، بدون اهداف مشخص و بدون هیچ توضیحی در مورد قوانین. عامل باید کاوش کند، بفهمد چه کاری باید انجام دهد، یک برنامه ایجاد کند و آن را اجرا کند.

اگر این شبیه کاری است که هر کودک پنج ساله می‌تواند انجام دهد، در حال درک مشکل هستید. اگر می‌خواهید ببینید آیا از هوش مصنوعی بهتر هستید، می‌توانید با کلیک بر روی این پیوند، همان بازی‌هایی را که در این آزمون وجود دارد، انجام دهید. ما یکی را امتحان کردیم؛ در ابتدا عجیب بود، اما پس از چند ثانیه، به راحتی می‌توانید با آن کنار بیایید.

همچنین این واضح‌ترین نمونه از معنای «G» در AGI است. وقتی تعمیم می‌دهید، می‌توانید دانش جدیدی (چگونگی عملکرد یک بازی عجیب) را بدون آموزش قبلی در مورد آن ایجاد کنید.

چالش‌های پیشین و طراحی جدید

نسخه‌های قبلی ARC، پازل‌های بصری ایستا را آزمایش می‌کردند – یک الگو را نشان دهید، بعدی را پیش‌بینی کنید. در ابتدا سخت بودند. سپس آزمایشگاه‌ها قدرت محاسباتی و آموزش را به سمت آن‌ها پرتاب کردند تا زمانی که معیارها عملاً از بین رفتند. ARC-AGI-1 که در سال ۲۰۱۹ معرفی شد، به مدل‌های آموزش و استدلال در زمان آزمایش سقوط کرد. ARC-AGI-2 حدود یک سال دوام آورد قبل از اینکه Gemini 3.1 Pro به ۷۷.۱٪ برسد. آزمایشگاه‌ها در اشباع کردن معیارهایی که می‌توانند در برابر آن‌ها آموزش دهند، بسیار خوب عمل می‌کنند.

نسخه ۳ به‌طور خاص برای جلوگیری از این امر طراحی شده است. با خصوصی نگه داشتن ۱۱۰ محیط از ۱۳۵ محیط – ۵۵ محیط نیمه‌خصوصی برای آزمایش API، ۵۵ محیط کاملاً قفل شده برای رقابت – هیچ مجموعه داده‌ای برای حفظ کردن وجود ندارد. شما نمی‌توانید با منطق بازی جدیدی که هرگز ندیده‌اید، به زور وارد شوید.

امتیازدهی نیز پاس/رد نیست. ARC-AGI-3 از چیزی استفاده می‌کند که بنیاد آن را RHAE – بازده عمل نسبی انسان – می‌نامد. خط پایه، دومین عملکرد انسانی در اولین اجرا است. یک هوش مصنوعی که ده برابر بیشتر از یک انسان عمل می‌کند، برای آن سطح ۱٪ امتیاز می‌گیرد، نه ۱۰٪. این فرمول، جریمه ناکارآمدی را مربع می‌کند. پرسه زدن، برگشتن و حدس زدن راه خود به سمت پاسخ، به شدت مجازات می‌شود.

بهترین عامل هوش مصنوعی در پیش‌نمایش توسعه‌دهنده یک ماهه، ۱۲.۵۸٪ امتیاز کسب کرد. مدل‌های زبانی بزرگ (LLM) پیشرو که از طریق API رسمی آزمایش شدند، بدون هیچ ابزار سفارشی، نتوانستند ۱٪ را پشت سر بگذارند. انسان‌های معمولی تمام ۱۳۵ محیط را بدون آموزش قبلی و بدون هیچ دستوری حل کردند. اگر این معیار است، پس مدل‌های فعلی در حال عبور از آن نیستند.

بحث‌های روش‌شناختی

در اینجا یک بحث روش‌شناختی واقعی وجود دارد. گزارش ARC می‌گوید یک مهار سفارشی ساخته شده توسط Duke، Claude Opus 4.6 را در یک نوع محیط واحد به نام TR87 از ۰.۲۵٪ به ۹۷.۱٪ رساند. این بدان معنا نیست که Claude در ARC-AGI-3 به‌طور کلی ۹۷.۱٪ امتیاز کسب کرد؛ امتیاز معیار رسمی آن ۰.۲۵٪ باقی ماند، اما این تغییر همچنان قابل توجه است.

معیار رسمی، کد JSON را به عوامل تغذیه می‌کند، نه تصاویر. این یا یک نقص روش‌شناختی است یا نشان می‌دهد که مدل‌های امروزی در پردازش اطلاعات کاربرپسندتر از داده‌های ساختاریافته خام هستند. بنیاد شوله این بحث را تأیید کرده است، اما قالب را تغییر نمی‌دهد.

در این مقاله آمده است: «ادراک محتوای فریم و قالب API، عوامل محدودکننده عملکرد مدل‌های پیشرو در ARC-AGI-3 نیستند.» به عبارت دیگر، به نظر می‌رسد آن‌ها این ایده را رد می‌کنند که مدل‌ها به این دلیل شکست می‌خورند که نمی‌توانند وظایف را به درستی ببینند، و در عوض استدلال می‌کنند که ادراک در حال حاضر کافی است – و شکاف واقعی در استدلال و تعمیم نهفته است.

انتظارات و واقعیت

بررسی واقعیت AGI در هفته‌ای انجام شد که ماشین تبلیغاتی با تمام سرعت در حال اجرا بود. علاوه بر اظهار نظر هوانگ، Arm، مرکز داده جدید خود را «CPU AGI» نامید. سام آلتمن از OpenAI گفته است که آن‌ها اساساً AGI را ساخته‌اند و مایکروسافت در حال حاضر در حال بازاریابی یک آزمایشگاه است که بر ساخت ASI متمرکز است: تکاملی از آنچه پس از دستیابی به AGI حاصل می‌شود. به نظر می‌رسد این اصطلاح کشیده می‌شود تا هر چیزی را که از نظر تجاری مناسب است، معنا دهد.

موضع شوله ساده‌تر است. اگر یک انسان معمولی بدون هیچ دستوری می‌تواند آن را انجام دهد و سیستم شما نمی‌تواند، پس شما AGI ندارید – شما یک تکمیل خودکار بسیار گران‌قیمت دارید که به کمک زیادی نیاز دارد.

ARC Prize 2026، ۲ میلیون دلار را در سه مسیر رقابتی ارائه می‌دهد که همگی در Kaggle میزبانی می‌شوند. هر راه‌حل برنده باید منبع باز باشد. زمان در حال گذر است و در حال حاضر، ماشین‌ها حتی نزدیک هم نیستند.