GPT-6 Astra 出完后老黄在那喊 AGI 到了，但我们真能靠那些跑分就知道模型强在哪吗

GPT-6 Astra 刚发布，黄仁勋就在 X 上直接宣布 AGI 已经到来。这种结论在社交媒体上瞬间炸锅，结果很典型：一部分人在狂欢，另一部分人在焦虑，甚至有人开始刷程序员要失业、计算机专业没前途了。但在我看来，比起讨论 AGI 到没到，更关键的问题是：现在的测试集（Benchmarks）是不是已经失效了？

跑分高就代表好用吗

大家习惯看榜单，但榜单里的数字其实很能骗人。很多测试集已经进入了饱和期，也就是说模型即便分数很高，可能也只是通过某种特定的模式识别解决了题目，而不是真的具备了某种能力。而且很多指标是用替代方案来衡量能力的，根本没法直接映射到实际工作场景中。

你看 GPT-6 Astra 的 system card 就很诚实，里面明确提到了一些旧的评估指标已经饱和，甚至已经在考虑将其剔除，而新的评估则在尝试使用更真实或更具实验性的数据。最扯的是，有些评分数字的变化其实是因为评估方法本身变了。

面对跑分我们要警惕什么

当我们看到一个 92% 的分数时，必须得问一句：这是基于什么标准打分的？

• 测试集的寿命： 很多 Benchmark 随着模型迭代会迅速失效。
• 评估方法的变动： 同样的题目，换一种评分逻辑，分数可能大变。
• 真实场景的缺失： 跑分高不代表在实际工程中好用。

程序员真的会被取代吗

很多人的逻辑是：AI 编码能力增强 → 写代码变便宜/快 → 程序员失业。这结论跳得太快了。

代码写得快不代表软件工程消失了。需求分析、系统架构、整体设计、安全性考量、性能权衡、以及最核心的「决定该构建什么」这些环节，AI 目前还替代不了。AI 改变的是工作方式，而不是直接抹掉这个职业。

一个简单的逻辑：如果 AI 让写代码的成本降低，那么社会对软件的需求可能会爆发式增长，而不是简单地裁掉所有写代码的人。

结论

模型在进化，但我们衡量模型的方式太慢了。如果还盯着那些已经饱和的跑分看，很容易陷入两种极端：要么被过度吹捧的 AGI 概念洗脑，要么在焦虑中觉得自己的技能失效。

面对 GPT-6 Astra 这种级别的更新，最好的办法是把它当成工具去实测，而不是盯着那个所谓的「AGI」标签发呆。