By Keshavan Thiagaraja
Private AI Model Developer & AI Security Consultant Helping SMEs and Enterprises Build Secure AI Solutions Sydney, Australia.
B.Sc. (Computer Science, Mathematics and Statistics),
M.Sc. (Information Technology)
E-Commerce Professional
引言：如果AI智能体已经准备好承担专家工作，为什么最强的模型只得了12分？
一个由真实、有报酬的专家工作构建的新基准测试，刚刚评估了二十个前沿AI模型，其中最好的只得了12%。
AI智能体能完成你的企业付钱请专家做的工作吗？对这种说法，一个诚实的记分牌会是什么样子？在签约之前，你应该向供应商提出什么问题？
作为一名在悉尼与中小企业和大型企业合作的私人AI模型开发者兼AI安全顾问，我每周都会被问到这些问题。答案关系到预算、人员配置和风险。
本文将解释GDPx基准测试测量了什么、它的数字能证明什么和不能证明什么，以及本季度评估AI智能体的每位领导者可以汲取的实用教训。
1. GDPx究竟测量了什么
本周，研究公司SemiAnalysis发布了GDPx，一个涵盖11个领域206项任务的基准测试。这些领域之所以被选中，是因为人们靠它们谋生：芯片设计、网络安全、法律工作、量化交易、生物学、软件工程等等。
14家行业合作伙伴提供了任务，20个前沿模型接受了评估。这个基准测试值得注意之处不在于它的难度，而在于它的素材：人们获得报酬所从事的工作。
2. 记分牌：二十个模型，一个低矮的天花板
领先的Claude Opus 5.5也只拿到12%。Gemini 4 Carbon得分10.9，GPT-6 Astra得分9.6。
然而，记分牌是起点，不是判决。这些数字是用一家公司的评分标准测量一家公司的任务，它们描述的是今天的模型，而不是明年的。
3. 局限：GDPx不能证明什么
GDPx并不完美。它使用一家公司的任务和一家公司的评分标准，尚无独立复现，而且这家公司向它所评估的行业出售研究报告。
教训是对这个数字持保留态度。但方向是对的，因为它衡量的是能赚钱的工作，而不是令人印象深刻的冷知识。
4. 成本列：51美元对16美元
领先者每完成一项任务平均花费约51美元。第二名以不到1分的差距，平均每项任务只花约16美元。
如果你的智能体战略假设能力和成本同步变化，这张表说明并非如此。通往结果的最便宜路径现在与结果本身同样具有战略意义，而这种分析属于采购部门，而不是营销页面。
5. 用一个公开的数字审视智能体推销
本季度你将看到的演示都会声称已准备好承担专家工作。一个公开的、具名的基准测试刚刚把上限定在了12%。
这并不意味着智能体毫无用处。它意味着今天诚实的部署领域是狭窄的、有良好工具化、带人工审查的任务，而不是舞台上兜售的自治部门。
给各地领导者的教训
第一，演示时代结束了。当一个行业开始围绕记分牌争论时，演示已经无法解决争论。
第二，成本和能力并不同步变化。把每完成一项任务的成本与分数一起纳入采购考量。
第三，用一个公开的数字审视每一个智能体推销。今天诚实的部署领域是狭窄的、工具化良好的、有人工审查的。
最后，本季度问每个AI供应商一个问题：给我看你在独立的、基于任务的基准测试中、针对像我这样的工作的得分，以及你每完成一项任务的成本。如果他们答不上来，你就学到了比演示更有价值的东西。
结论：测量已经取代了营销
12%的天花板不是放弃AI智能体的理由，而是用证据而非热情来采购它们的理由。
人工智能将凭可衡量的结果而非舞台效果赢得自己的位置。归根结底，诚实计算的每完成一项任务的成本之数学，决定了这项技术真正属于哪里。
参考文献与延伸阅读
SemiAnalysis, “GDPx: The General Agentic Benchmark” – https://gdpx.semianalysis.com
SemiAnalysis，研究笔记与行业分析 – https://semianalysis.com
以数学思维思考。以智慧进行工程设计。以战略引领。负责任地建设。在全球扩展。通过人工智能创造真正的商业价值。
#ArtificialIntelligence #AIStrategy #AIGovernance #EnterpriseAI #ITImpress
