我们以为的“抽象推理天花板”，原来只是算法工程师眼里又一块可以无限刷分的肥肉：强化学习+测试时训练+代码生成三连击，把彩色格子谜题玩成高考数学填空。
更离谱的是，整套方案跑下来单题成本不到一毛钱，连学生党都能复现。当 benchmark 沦为营销道具，AGI 叙事还剩多少真材实料？
本文带你拆台：从Keras之父François Chollet 2019年立下的“反深度学习flag”，到OpenAI o3-preview 2024年底的75%暴击，再到Poetiq开源“贫民版”40%准确率的GPT-OSS-120B，一路围观“抽象推理”如何被降维成“搜索+暴力枚举”。读完你就懂：不是AI突然会思考，而是人类把“思考”重新定义成AI能刷分的形状。
先别急着嗨，ARC到底是个啥
2019年，Keras之父François Chollet 在arXiv甩下一篇《On the Measure of Intelligence》，直言“深度学习已死，有事烧纸”。
他拿出一个只有400道训练集、600道测试集的彩色格子小游戏，规则简单到幼儿园都能看懂：给你三张图，找出规律，画第四张。但就这么点像素，把GPT-2时代的大模型集体打成智障——准确率3%，连随机蒙都比它强。
Chollet放话：谁能在不偷看测试集的前提下刷到85%，谁就能摸到AGI门槛。
于是ARC立刻升格为“圣杯”，马斯克转发，LeCun点赞，OpenAI内部把ARC当成招聘笔试，答对一题直接送面试。
四年过去，大家还在30%徘徊，ARC成了“人类最后优越感”的护城河。
2024年12月，护城河被o3-preview一脚踹翻
去年冬天，OpenAI悄悄放出o3-preview，ARC-AGI-1直接干到75.6%，全网瞬间安静如鸡。
Chollet在推特连发二十条“这不科学”，最后憋出一句：“我们进入了测试时适应时代。”翻译成人话：模型不再靠死记硬背，而是在答题现场临时写代码、自己调自己，相当于考官刚念完题，考生已经现场印了一张答题卡。
更骚的是，o3-preview把每道题当成一次mini强化学习，用64路并行+树搜索+代码沙盒，烧掉价值20万美金的GPU，只为多拿两分。
吃瓜群众惊呼：原来“抽象推理”可以靠钱砸出来？
Poetiq出场，直接把“烧钱”打成“白菜”
如果o3-preview是氪金大佬，Poetiq就是贫民窟外挂。
这家只有12人的伦敦初创，把Gemini 3、GPT-5.1和开源的GPT-OSS-120B缝进一个“自审计”架构：模型先出草稿，再让另一个模型当“教导主任”打回重画，循环三到五次，最终答案出炉。整套流程跑在AWS Spot实例上，单题成本0.007美元，折合人民币五分钱，比打印一张A4还便宜。
结果？ARC-AGI-1公开集85.2%，ARC-AGI-2公开集61.4%，直接超过人类平均60%。
消息一出， benchmark 主办方ARC Prize基金会连夜开会，把“semi-private”测试集锁进硬件加密盘，生怕再被刷爆。
彩色格子背后的黑暗秘密：数据污染
别急着鼓掌，Poetiq自己先认怂：只要换到semi-private集，分数立刻跳水30%，原因无他——public集早就被开源社区反复咀嚼，成了各大模型“预训练小甜点”。
你以为模型在推理，其实它在背答案。
更尴尬的是，ARC-AGI-2虽然号称“全新题库”，但Poetiq承认“基础模型可能见过”，因为互联网上的爬虫没人能100%溯源。
Chollet直言：除非你把题库锁进法拉第笼，否则永远挡不住数据污染。
一句话，benchmark 越火，死得越快。
测试时训练TTT：把“考试”变成“现场改基因”
传统AI是“训练完就毕业”，TTT让模型“考到一半进化成新物种”。
Poetiq的代码里有一段短短30行的Python，用JAX现场编译小网络，把当前题目当成微调数据，跑20步梯度下降，准确率立刻+8%。
相当于考生一边写卷子，一边给自己大脑做开颅手术，监考官还挑不出毛病。
Chollet说：“这不是人类理解的推理，但确实有效。”翻译：黑猫白猫，抓到耗子就是好猫，哪怕这只猫是弗兰肯斯坦。
开源炸弹：贫民也能复现“准AGI”
Poetiq把整套代码扔进GitHub，repo名字嚣张至极——“arc-slaughterhouse”。README第一句：“如果你GPU少于24G，别玩。”
但网友很快晒出Colab白嫖版，用QLoRA把120B模型压到16G显存，ARC-AGI-1还能飙到42%。
意味着啥？以前只有OpenAI、DeepMind才配玩的“圣杯”，现在普通研究生在宿舍就能复现。
AGI门槛被一脚踹成断桥，内卷速度堪比拼多多砍一刀。
benchmark 生命周期：从“圣杯”到“营销道具”只需四年
AI史上屡试不爽的剧本：新 benchmark 发布→媒体惊呼“人类堡垒”→实验室悄悄内卷→分数被刷爆→公关稿满天飞→投资人鼓掌→原作者哀嚎。ImageNet、SQuAD、GLUE、SuperGLUE、MMLU，无一幸免。
ARC原本以为自己“题量小+抽象强”能逃过一劫，结果依旧被“搜索+合成数据+强化学习”三连击轰成渣。
Chollet在Zoom里苦笑：“ benchmark 就像抗生素，用量越大，失效越快。”
下一步，ARC-AGI-3：给模型上“实体课”
既然格子游戏已死，Chollet决定把考场搬到三维交互世界。
ARC-AGI-3不再给静态图，而是让AI在Minecraft风格环境里“动手”：自己搬方块、按按钮、闯迷宫，考察“agency”——能否把抽象规则转化成真实行动。
Poetiq已经提前放话：“只要奖金池到1000万美金，我们立刻组20人专班。”
网友吐槽：这是逼AI从“高考状元”升级成“蓝翔技师”。
投资人视角： benchmark 崩了，钱还能往哪投
一级市场最怕“指标失效”。当ARC再也讲不出故事，美元会涌向哪里？答案是“垂直场景+物理世界”。机器人、自动驾驶、蛋白质折叠、可控核聚变，这些赛道自带“重力与铁锈”，刷分难度指数级上升。
某头部基金合伙人私下透露：“谁再拿ARC-AGI说事，直接踢出会议室。”资本永远比舆论先行半步。
打工人视角：AI把“智商”卷成白菜，我该卷啥
别慌， benchmark 崩的是“抽象格子”，不是“人类饭碗”。Poetiq的代码仍需人类写奖励函数、调搜索超参、清洗数据。AI越能刷题，越需要“出题人”。
未来十年，最吃香的是“反AI工程师”——专门设计AI无法靠暴力搜索攻克的任务，比如“给7岁小孩讲睡前故事并让TA 5分钟内睡着”。
懂人性、懂场景、懂商业，才是碳基生物最后的护城河。
尾声：当AI把“聪明”玩成白菜价，人类还剩什么
ARC的崩塌不是悲剧，而是一面镜子：我们曾把“抽象推理”捧成智慧皇冠，结果AI用五分钟告诉我们——皇冠可以3D打印，还包邮。真正的智慧也许不是解格子，而是明知格子会被解，还愿意继续出题。
Chollet说得好：“ benchmark 的价值不在于永远不被征服，而在于被征服后，我们还能往哪走。”所以，别急着哀悼，拿起键盘，写下下一道让AI绝望的谜题。毕竟，宇宙那么大，彩色格子只是像素，人类的脑洞才是无限分辨率。