最近，我削好一支2号铅笔，参加了"人类终极考试"的历史部分。这场考试有3000道超级难的题目，其实是专门为人工智能设计的，根本不是考人类的。出题人说，只要有一个聪明机器人能考到A，这场"人类最后考试"就能告诉我们AI什么时候会取代人类。
结果我考了个F。更惨的是——我只答对了一道题，而且必须承认那道题是多选题，纯属蒙对的。作为一个历史学博士，这实在太丢脸了。
怎么回事？让我用学术界标准的甩锅大法：怪出题人。这场考试里，3000多道题只有16道历史题，数学题却超过1200道。号称要测试"全人类知识"，这个比例也太离谱了，说明考试设计很有问题。
历史题本身也出得奇怪。16道历史题里，居然有4道（占25%）是考海军战役的。我承认自己确实记不住各种军舰的吨位数据。其他题目则故意绕来绕去，像在玩文字迷宫——显然是想用生僻术语把AI绕晕，结果先把我给绕晕了。
这里不能具体复述题目，因为考试主办方禁止AI提前偷看。不过这就引出一个问题：真正的超级智能会作弊吗？我觉得会吧。如果你想亲自试试这个考试，可以去Hugging Face和GitHub找题库。另外我没考"古典文学"部分，因为我是现代史学者，不懂拉丁语希腊语——但这部分其实也多是历史题，大概因为古代人也老打海战吧。
虽然挂科了，但我明白了现在人们怎么评估AI：
这场考试认为"智能"就是能答对难题，类似的测试还有很多。
另一个历史知识测试用的是全球历史数据库，但本质上还是考问答，好给每个AI模型打分。每当发布新模型，AI公司就爱炫耀分数进步："这个模型历史博士考试92分！去年才56分！"
他们确实有资格骄傲。六年前我测试谷歌和微软的图像识别API时（那时还没有GPT），识别我图书馆照片档案的准确率能有80%就很惊喜了。现在馆里技术团队给所有AI图像服务做了统一接口，测试结果比当年强多了（虽然还不完美）。
历史学者本杰明·布林的AI测试也显示进步神速。最新AI在某些方面堪比历史系一年级博士生，能分析需要专业背景的复杂文献图像。在翻译、转录方面甚至超过多数博士生。特别是破解手写古籍这个世纪难题——历史学家卡梅伦·布莱文斯发现，定制版GPT已经能让珍贵档案变得可搜索可阅读，这可能彻底改变历史研究方式。
这些进步说明，AI真正的突破未必是完美答题，而是帮我们完成收集证据、解读资料这些研究过程中的"脏活累活"。
现在大家没想明白的是：博士级工作不只是给正确答案，更要提出独特问题。
我们当然需要答案，但首先要发现值得问的新问题。
好的历史研究可能始于"为什么古典音乐会观众从吵闹变安静？"这种看似简单的问题（这个问题让我知道音乐厅的安静其实是近代才有的规矩），或是：
- "为什么英国人突然把狗当宝贝？"
- "为什么牛顿沉迷炼金术？"
- "战争如何彻底改变士兵的心灵？"
AI能不能提出这种让人眼前一亮的问题？这个问题值得另写一篇来讨论。
作者：
丹·科恩（Dan Cohen），美国历史学者、数字人文领域专家，曾任美国数字公共图书馆（DPLA）首任执行主任，现任东北大学（Northeastern）图书馆馆长及历史系教授。
- 著有《数字未来》（Digital Futures）等书，探讨技术对学术生态的影响。