Evidence of inconsistencies in evaluation process and selection of winners
401 points • 5h agoArticle Link

Measuring Progress Toward AGI: Cognitive Abilities hackathon 最近落下帷幕,Google DeepMind 向开发出旨在测试人工智能超越简单信息检索能力的创新基准的团队颁发了奖项。比赛聚焦五大认知方向:执行功能、学习、元认知、社会认知和注意力,其目标是超越传统静态数据集,评估前沿模型在动态或新颖环境中的推理、行动与判断能力。

四个大奖项目脱颖而出。 MEDLEY-BENCH 通过引入社会压力来测试模型是否能识别自身不确定性,探讨行为层面的元认知。 LearningBench 专注于上下文学习,要求模型从零开始掌握基于文本的新系统。 GAUGE 利用元认知阶梯测试模型的置信度与弃权决策,以评估知识与行为之间的差距。最后,Metaproteus 通过让模型预测自身输出分布与采样倾向来考察其自知能力。

此外,各认知方向还评出了专项奖项,比如用于评估执行功能的 Turn Bench 与 SecureExec-Bench,以及用于创意学习评估的 GrammarGym 和 EphLangBench,它们通过合成或短时语言防止模型记忆化。其他获奖项目关注元认知灵活性、社会认知与选择性注意机制,凸显认知能力通常依赖情境而非一成不变。

公告发布后,部分参赛者对评估流程的透明度表示强烈不满,指出缺乏完整排行榜和详细评分披露,阻碍团队从结果中学习。一些人质疑大奖评选的有效性,认为获奖方法存在逻辑漏洞且结果不够公开,评审标准与最终结果之间可能存在偏差。

批评者还指出某些获胜方案在数据解读与可重复性方面的问题,要求组织方公开评分数据并说明为何选择特定基准而非那些宣称具有更高技术可扩展性或更贴合竞赛宗旨的方案。他们强调,既然比赛以衡量认知能力为核心,评估过程本身应保持高度可读性与学术诚实。

讨论也延伸到人工通用智能的更广范畴。一些参赛者认为当前评估框架过于偏重文本与符号推理,建议未来应将物理智能纳入考量,如力、扭矩与材料交互等,以更全面地覆盖具身智能。尽管结果存在争议,许多参赛者仍认可此次比赛在推动更严谨、更有洞察力的基准设计方面的价值。

240 comments • Comments Link

• 将大量认知任务外包给 AI,再加上以速度优先而非内容实质的组织文化,导致所谓"slop"(低质量产出)的激增。

• 管理层频繁施压,要求团队采用 AI 驱动的工作流程以示创新,却常常忽视出错风险与对人类自主性的侵蚀,反过来造成令人沮丧、投入不足的工作环境。

• 当前 AI 竞赛与学术评估的危机在于用 AI 来评判 AI 生成的提交,形成闭环反馈,鼓励提示注入(prompt injection)和系统操纵,而非展示真实技能。

• 组织在 B2B 或政府采购中对功能清单的依赖,常被武断或过时的指标绑架,促使软件朝着模仿竞争对手的方向发展,而非解决实际问题。

• 工程团队(优先考虑正确性与长期稳定性)与管理层(优先考虑功能数量与市场速度)之间的紧张关系反复出现,而 AI 辅助产出的易用性加剧了这种冲突。

• "move fast"的心态常受资本和投资者压力驱动,促使以"够用"的 AI 方案取代经过深思熟虑的工程设计,导致研究、软件与公共话语质量的下滑。

• 对低投入、 AI 生成产出缺乏惩罚性后果,使这种现象被常态化:组织继续奖励产出数量,却不验证其准确性或可用性。

• 围绕 AI 角色的讨论凸显价值观的转变:生产效率日益被置于工作内在质量或匠心之上,引发对职业技能未来的担忧。

• 对 AI "效用"的看法高度分化:有人承认其在处理琐事和提升生产力方面的作用,另一些人则认为它在很大程度上助长了更高错误率的内容生产。

• 组织对自动化招聘与评估工具的依赖正在形成自我强化的循环,使其越来越倾向于选择符合这些工具偏好与输出的候选人或项目。

这场讨论反映了人们对在职业与学术环境中快速且不经批判地整合 AI 的深切不满。尽管普遍认可 AI 作为生产力倍增器的作用,但对于由缺乏真实世界理解的系统所产生的自信却低质或错误产出("slop")的危险,存在强烈共识。短期速度与长期质量之间的冲突被视为系统性问题,深受管理层指令和 venture capital 压力影响,导致职业自主权下降和人类专业知识退化。归根结底,这表明如果没有严格的人类监督以及对奖励速度而非准确性的激励结构进行根本性改变,AI 生成内容的大量涌现将对知识的完整性和竞争标准构成重大威胁。