给AI一场面试：为什么传统测试正在失效？

引入：当AI刷题超越人类

2025年底，GPT-4在律师资格考试中得分超过90%的人类考生。但有趣的是，当研究人员让它处理真实的客户咨询时，表现却远不如预期。这个反差揭示了一个被忽视的问题：我们正在用错误的方式评估AI。

宾夕法尼亚大学沃顿商学院的Ethan Mollick教授提出了一个尖锐的观察：大多数AI基准测试就像让应聘者做一份标准试卷，而真正的能力只有在面试中才能显现。

分析：传统AI测试的三大盲区

1. 数据污染：AI在背答案

MMLU-Pro、GPQA等主流测试的题目和答案在网上公开已久。许多AI模型在训练时已经见过这些题目——这不是能力的体现，而是记忆的展示。

更尴尬的是，一些测试题目本身存在错误。Mollick指出，MMLU-Pro中甚至包含Homo erectus的平均颅容量是多少这类连人类专家都未必能准确回答的问题。

2. 分数膨胀：1%的进步意味着什么？

当AI在某项测试上从84%提升到85%，这是重大突破还是统计噪音？我们缺乏校准——不知道不同分数区间代表的真实能力差异。

3. 脱离场景：考试高手，实战菜鸟

AI可能在SWE-bench编程测试中表现优异，却无法理解一个模糊的真实需求文档。它可能通过医学考试，却在面对复杂病例时束手无策。

案例：从做题到做事

Mollick建议采用工作面试式评估：给AI一个真实的任务，观察它如何完成。

传统测试问： 以下哪个是Python中列表排序的正确语法？

真实任务问： 帮我整理这份学生成绩数据，找出进步最大的前10名学生，并生成可视化报告。

后者测试的不仅是语法知识，还包括：需求理解、数据清洗、逻辑推理、工具选择和结果呈现——这才是真实世界需要的综合能力。

建议：教育者如何重新设计AI评估

对学生：从会用到会验

不要满足于AI给出的答案，学会质疑和验证：

• 让AI解释它的推理过程
• 要求提供信息来源
• 用不同AI交叉验证关键结论
• 测试它在边界情况下的表现

对教师：设计真实任务评估

与其测试学生是否记得某个AI功能，不如设计开放性任务：

• 用AI辅助完成一份市场调研报告
• 让AI帮你分析这篇论文的论证漏洞
• 设计一个AI工作流，自动化处理班级考勤

评估标准不是用了什么工具，而是解决了什么问题。

对管理者：建立AI能力矩阵

为团队建立AI能力评估框架：

• 基础层：能否准确描述需求？
• 进阶层：能否分解复杂任务？
• 高阶层：能否验证和迭代AI输出？

总结：测试的终点，实践的起点

Mollick的核心观点很简单：评估AI最好的方式，是让它做真正的工作。

这对教育的启示是深远的。当我们的学生走出校门，他们面对的不是标准化试卷，而是模糊、复杂、充满不确定性的真实问题。

教会他们如何给AI一场面试——提出好问题、验证答案、迭代改进——比教会他们任何单一工具都更有价值。

毕竟，在AI时代，提出正确问题的能力，比知道正确答案更重要。