夜雨聆风所有人类能写出来的考题，都正在变成废纸。 2025年7月9日深夜，xAI的Grok 4发布会上，埃隆·马斯克说出了一句让整个AI评测圈脊背发凉的话，"我们快没有考题可以拿来考AI了。" 紧接着他把话锋一转，指向了一个任何模型都无法作弊的考场：现实本身。
他给出的判据落在火箭入轨、汽车行驶和药物疗效上。
物理定律才是法律其他一切，都只是建议
▲ @ElonClipsX发布的完整转录帖，包含"physics is the law, everything else is a recommendation"原话及出处
那一夜，他同时亮出了成绩单和死刑判决书
故事要从那场发布会的分裂感说起
一边，xAI团队骄傲地展示Grok 4的基准测试分数：在"人类最后一场考试"（Humanity's Last Exam）上拿下约25.4%的无工具成绩，带工具的Grok 4 Heavy更是飙到44.4%，与Gemini 2.5 Pro、OpenAI o3正面对标。马斯克本人甚至说出了那句极具冲击力的定性，"在学术问题上，每个学科都优于博士水平，无一例外。"
另一边，话音未落，他就亲手宣布了这些分数的死刑。
"即便对人类来说难到近乎不可能的、写在纸上的问题，对AI来说也正在迅速变得trivial。"
Trivial轻而易举不值一提
这番判断指向正在发生的变化
▲ TechCrunch以"$300月费订阅"为切口记录了那一夜：Grok 4的能力画像与SuperGrok Heavy产品同步亮相
这种自我矛盾构成了整场发布会最强烈的戏剧张力。马斯克刚亮出一张"博士级"成绩单，随即把考卷扔进垃圾桶；同一个产品既赢下考试，也暴露了考试的局限。
"车、火箭、药"，用自家命根子立军令状
仔细看他给出的三个"终极考场"：造一辆车，造一枚火箭，造一种新药。
等等，这不就是特斯拉、SpaceX，外加他长期关注的生物科技方向吗？
这三个例子正好落在马斯克商业版图与长期关注的方向上。他在用自己商业帝国最核心的验收标准来定义AI的下一阶段目标。特斯拉FSD每天在真实道路上接受物理世界的暴力测试，SpaceX的星舰由飞行结果定成败，药物则由临床数据裁决。
这三个领域共享一种残酷的评价结构：中间步骤可以争论，最终结果无法粉饰。
引力不会被prompt engineering骗过，患者的生物标记物也不会因few-shot凭空变好；碰撞测试更不接受模型的"幻觉"
▲ 另一段马斯克口播的核心表述："考试全对之后，它甚至会告诉你题目哪里有问题，到那时，人类考试将不再有意义"
科普插播：什么叫"考题耗尽"？这事儿是真的
如果你觉得"没题可考"听起来像营销话术，那让我们看看数据。
MMLU（大规模多任务语言理解）曾经是衡量模型"有没有文化"的黄金标准。覆盖57个学科，从抽象代数到世界宗教。2023年它还能拉开差距；2024年，前沿模型纷纷突破90%区分度归零卷子废了
于是评测圈紧急造出更难的卷子Humanity's Last Exam（HLE） 应运而生，2500道专家级超难题，号称"Google-proof"，涵盖数学、物理、生物医学、工程、人文社科，要求每道题有明确可验证答案，又不能靠搜索引擎秒查。
▲ HLE官方站点：名字本身就暗示了一种终局感，"人类最后一场考试"
还有一个鲜少被提及的细节：HLE的主要推动者之一Dan Hendrycks曾公开表示，灵感来自与马斯克的一次对话。马斯克跟他说，MMLU太简单了
也就是说，这套"最后的考试"本身，就是马斯克嫌旧卷子太容易而催生出的产物。 而现在他又站出来说，即便这张卷子，寿命也有限。
▲ 2026年1月Nature正式发表HLE论文：AI评测共同体用学术期刊的庄重形式，为"闭卷考试的黄昏"盖了一个章
AI评测史反复上演同一个循环：出卷→刷分→饱和→换卷。ImageNet刷爆换检测，GLUE刷满换SuperGLUE，MMLU见顶换HLE。每一次"换卷"都在承认上一张卷子的失败。马斯克的激进之处在于：他不打算再换卷了，他要换考场，从纸面跳到物理世界。
"强化学习闭环围绕现实"，短视频略去的技术核心
流行的短视频通常只保留金句，却略去了一段技术判断：
"So it's going to be a reinforcement learning closing loop around reality."
这段话的分量远超口号过去，模型对着标准答案学习，以考试分数优化正确率；他设想的训练方式会让模型提出设计或假设，再到仿真或现实中执行，并用成败信号反向更新策略。
自动驾驶的真实路测数据、火箭回收的飞行遥测和药物的临床终点指标，都是"现实打分器"的不同化身。此时，考官换成了宇宙 宇宙不会因为结果"接近正确"就给出部分分。
这也是为什么马斯克选了那句几乎像哲学宣言的前缀：Physics is the law, everything else is a recommendation. 物理定律不受谈判、游说或公关左右。它是唯一一个不会因为模型足够聪明就被hack掉的评分系统。
网络反应：有人封神，有人泼冷水
这段口播被压缩成70秒字幕短视频，在X上迅速走红。2025年7月10日，@AutismCapital 的剪辑帖斩获百万级浏览、上万点赞，成为早期最受关注的版本之一。
▲ 2025年7月10日爆发帖：警报符号开头，配以发布会现场口播画面，互动量级远超普通科技帖
质疑也随之出现马斯克自己在同一场发布会上承认，"它有时可能缺乏常识，尚未发明新技术或发现新物理。" 纸面高分与现实创造之间，他本人明确留出了距离。
还有人用一种近乎调侃的方式提出质疑：AI连"星露谷物语里喷头怎么排最优"都未必答好，用这种日常琐事的失败，来对冲"造火箭"的宏大目标。这种质疑虽然不严谨，却代表了相当一部分普通用户的真实体感。
现实已经在打分：AI设计的药物走进了人体
马斯克口中的"new medication"已有现实对应物。
Insilico Medicine的候选药物INS018_055，一个由生成式AI从靶点发现到分子设计端到端完成的化合物，已经进入II期临床试验，正在真实患者身上给药。适应症是特发性肺纤维化，一种选择有限、进展不可逆的疾病。
▲ "First Generative AI Drug Begins Phase II Trials with Patients"，AI设计药物首次在人体上接受"现实裁判"的打分
这就是马斯克所说的闭环正在发生的地方：AI提出分子→合成→动物实验→人体试验→现实给出判决。最终结果由药代动力学曲线和安全性数据决定。
一年后还在刷屏：金句的"周期性复活"
这句话没有随着2025年7月那个新闻周期的结束而消亡。2026年8月，同样的字幕视频再次回流，获得十万级浏览。
▲ 一年后，同一段话以几乎相同的形式再次获得大量关注，经典金句拥有自己的"复活周期"
这说明什么？它击中了一种持续存在的焦虑 每当新模型发布、新基准被刷爆、又一轮"XX模型超越人类"的标题出现，这句"现实才是终极考场"就会被重新拿出来，既是对分数狂欢的降温，也是对"然后呢？"这个问题的一种回答
最深处的问题：谁来定义"管用"？
马斯克画了一个极其清晰、极其诱人的图景。但在这个图景的边缘，有几个他没回答的问题：
汽车"能开"和"足够安全"之间，隔着多少条人命的数据？ 药物"有效"和"获批上市"之间，隔着多少年的监管流程？火箭入轨是个二值判断，但"值得入轨的载荷"是一个社会经济问题。
仿真里过关，算不算"现实裁判"？ 绝大多数工程迭代发生在数字孪生中，真实世界只承接其中一部分验证。如果模型在仿真中过拟合，那个"现实闭环"是真闭环还是假闭环？
这些问题不会让马斯克的判断失效，但会让它变得远比口号复杂。从"考试正在失效"到"现实给出答案"之间，存在着巨大的工程灰色地带，其中的细节决策仍离不开人类判断力。
一场考试文明的落幕
如果把视野拉远，马斯克那晚说的话，本质上是在宣告一种评价文明的终结。
从科举到高考，从MMLU到HLE，人类社会运转了上千年的核心假设之一是：你可以通过出题来衡量能力。 如今，一个坐拥电动车工厂和火箭发射台的人把能力的终极证明推向车间、发射台与病床前。
这个判断也触及我们如何定义"聪明"
当AI把所有人类写得出的题目都变成trivial，剩下的问题只有一个：
它造出来的东西，能不能在这个宇宙里站住？
