比人类专家还牛！美国AI霸主测出比自己还厉害的AI，但不是中国的

文 | 金锐点

编辑 | 金锐点

提到AI“打工能力”，你可能会默认OpenAI的GPT系列稳坐第一？毕竟从GPT-4到GPT-4o，它一直是很多人眼中的“行业标杆”。

可最近OpenAI自己搞了个大动作，推出一套专门衡量AI真实经济价值的测试标准，结果却让人大跌眼镜、

表现最拔尖的不是自家模型，连中国AI也没挤进出彩梯队，这到底是怎么回事？被OpenAI“盖章认证”的最强“打工AI”，又凭什么能赢过GPT家族？

事情要从OpenAI推出的GDPval基准说起，过去咱们看AI厉害不厉害，大多看它答题准不准、写文厉害不厉害，可这些“实验室成绩”到了真实工作场景里，未必能转化成实实在在的价值。

OpenAI显然也意识到了这个问题，所以GDPval直接把矛头对准了“能挣钱的真本事”，它覆盖了美国GDP贡献最大的9个行业，挑出44种以数字任务为主的职业，这些职业加起来每年能创收3万亿美元，相当于不少小国全年的经济总量。

更关键的是，测试里的任务全是按平均14年经验的行业专家日常工作设计的，不是随便编几道题就能应付的。

别以为这只是简单的“AI做题大赛”，GDPval的严谨程度远超想象。

先看职业筛选，OpenAI不是拍脑袋选的，他们先挑出2024年第二季度对美国GDP贡献超5%的行业，再在每个行业里选工资总额高、数字任务占比超60%的职业，光这一步就刷掉了不少不符合“实用导向”的岗位。

接着是专家招募，能参与任务设计的人，不仅得有至少4年相关经验，简历里还得有专业认可、晋升经历，甚至要经过视频面试和背景调查，前雇主不乏苹果、谷歌、摩根大通这些巨头，平均14年的行业经验保证了任务设计的“接地气”。

任务本身更不简单，每个任务都包含“需求”和“交付成果”两部分，专家会对照美国职业信息网络的标准设计，确保覆盖真实工作的方方面面。

而且每个任务还要算“经济账”，结合美国劳工统计局的数据，用“完成时间×时薪”算出任务值多少钱，比如一个需要专家花7小时完成的任务，按对应职业的中位时薪算，可能就值几百美元。

最终GDPval全集中有1320项任务，每一项都经过“自动化筛选+多轮人工审核”，平均要过5次人工关，连难度、代表性这些细节都要打分，就是为了避免“水任务”拉低测试含金量。

等测试结果一出来，不少人都惊了，Claude Opus 4.1居然成了最大赢家，有47.6%的输出成果被评定为和人类专家一样好，甚至更好。

而OpenAI自家的GPT-5虽然拿了第二，38.8%的成绩和Claude比还是差了一截，更别说GPT-4o了，只有12.4%的成果能和人类打平或胜出。

这时候OpenAI也出来“找补”，说不同模型各有优势，Claude强在美学设计，比如处理PDF、Excel、PPT这些文件时，格式排版、视觉呈现更出彩，GPT-5则在准确性上更胜一筹，像严格按指令做事、复杂计算不出错这些方面更靠谱。

这个结果其实也能从实际场景里找到印证，比如有企业用Claude Opus 4.1做项目汇报PPT，它不仅能准确提取数据，还能自动调整版式、搭配配色，出来的成品几乎不用人工再改。

而用GPT-5处理财务报表计算时，它能精准识别表格里的隐藏数据，连小数点后几位的误差都能避免。

不过有意思的是，在测试的220项优质任务里，有超过一半的任务中，至少有一个AI的表现能媲美人类专家。

这意味着AI在不少职业场景里，已经能帮人分担不少核心工作了，比如先让AI出初稿，人再做微调，比完全靠人做节省不少时间，成本也能降下来。

OpenAI还提到一个值得关注的点，AI的进步速度太快了，他们的前沿模型短短一年时间，在这类实用任务中的胜率几乎翻了一倍。

而且只要给模型多一点“思考空间”，比如增加推理强度、提供更详细的任务背景，甚至优化提示词，性能就能明显提升。

就像给GPT-5搭配“最优N选1”的抽样策略后，它在文本分析任务中的正确率一下子提高了15%。

不过OpenAI也没藏着掖着，坦言GDPval还有不少不足，比如只覆盖了44种职业，没包含体力劳动；任务都是一次性的，没有交互性。

自动评分器和人类评分的一致性虽然有66%，但比人类之间71%的一致性还是差了点，他们计划之后慢慢完善，让这个基准能更全面地衡量AI的真实价值。

这次测试让大家看清了，AI的“厉害”不再只是实验室里的分数，而是能实实在在帮人干活、创造经济价值的能力。

更值得留意的是，微软最近还和Claude的母公司Anthropic合作，要优化Microsoft 365 Copilot，这意味着接下来我们可能会在更多日常办公场景里，看到这款“最强打工AI”的身影。

说到底，这次测试与其说是“AI比高低”，不如说是给行业指了个方向：未来AI的竞争，会更聚焦“能不能落地、能不能创造价值”。

至于中国AI，虽然这次没在测试中出挑，但国内不少模型在中文处理、垂直行业应用上也有自己的优势，比如在政务文档处理、工业质检这些场景里，已经能达到很高的准确率。

或许接下来，我们更该关注的是，如何让AI在咱们自己的行业场景里，也能长出“接地气”的实用能力，毕竟不管是哪国的AI，最终能帮人把活干得更好、更高效，才是真的厉害。