最近几周，人工智能领域的节奏快得让人有些恍惚。就在上周，Google 低调发布了一个重要升级——Gemini 3 Deep Think。这个本该是年度重磅的更新，却意外地引发了一场关于「智能」定义本身的激烈争论。

事情的起因很简单：Google 在官方博客中宣布，他们最特化的推理模式 Deep Think 经过大幅升级，现在能在 ARC-AGI-2 基准测试上拿到 84.6% 的分数。这个数字本身或许不算爆炸性新闻，但对比之下就显出了分量——Anthropic 的旗舰模型 Claude 4.6 在同个测试上的成绩是 68.8%。

当基准测试的光芒照不进现实

ARC-AGI-2（Abstraction and Reasoning Corpus for Artificial General Intelligence）是个特殊的存在。它由 François Chollet 设计，初衷是测试模型在全新任务上的抽象推理能力，而非记忆模仿。测试内容是一系列视觉谜题：给定几个示例网格，找出变换规律，然后将规律应用到新网格。对人类来说，这些题目像简化版的 IQ 测试，平均得分约 60%。

Google 声称 Deep Think 不仅碾压了其他模型，甚至超过了普通人类的能力。但数字背后藏着两个关键细节：

第一，测试成本惊人。 根据 ARC Prize 官网的数据，Deep Think 完成单个任务需要 13.62 美元，是 Claude 4.6（3.64 美元）的近 4 倍。这么高的成本，意味着它离实际应用还有相当距离。

第二，测试集的性质存疑。 Google 明确指出 84.6% 是在「semi-private」评估集上获得的结果。按照 ARC Prize 的规则，只有当模型在完全保密的私有测试集上超过 85% 才算「解决」挑战。更关键的是，有开发者质疑：Google 完全可能在半私有集上反复调优，这种「刷榜」行为在业界并不少见。

一位 Hacker News 用户直言不讳：「他们永远不会在私有集上测试，因为那样就意味着数据泄露给 Google 了。」另一位则指出：「如果模型在训练过程中已经看过这些题目，那这些分数毫无意义。」

「我用着很烂」 vs 「它确实聪明」

更撕裂的是用户端的体感。技术社区里出现了两种完全对立的声音：

一边是说 Gemini 不好用的。有开发者抱怨：「它完全记不住我的指令，我让它别用『最终boss』这种词，它照用不误。」还有人吐槽：「上传个文件就报错，对话到一半突然忘记上下文，用俄语回答我的 Python 问题。」Gemini 代码助手在 VS Code 应用商店的评分更是惨淡到 2/5 星，用户抱怨它「经常超时、窗口冻结、陷入精神分裂循环」。

另一边则是惊艳的赞誉。有人拿它处理 1885-1974 年的德语手写会议记录，每页成本仅 2 美分，转录准确率约 95%。更夸张的是，在 BalatroBench 这个非官方测试中，Gemini 3 仅凭纯文本描述就能在扑克肉鸽游戏 Balatro 中通关，而其他模型连基本规则都搞不定。一位用户总结道：「Gemini 在学术探索、数学、科学方面的领先优势已经持续了 4 个月，这是近年来最稳的趋势。」

这种温差暗示了一个可能：Google 把太多资源投入到了能让基准测试数字变漂亮的方向，却忽视了产品化体验。

并行推理的魔力与代价

Deep Think 的技术实现没有公开细节，但社区推测它并非全新模型，而是 Gemini 3 Pro 套上强化学习优化的「思考模式」——简单说，就是同时启动成千上万个「子智能体」并行探索，再把结果蒸馏输出。

有用户打了个比方：「这不就是 MapReduce 换了个马甲？」但这确实有效。在需要发散思维的数学证明或代码优化上，暴力枚举不同推理路径能显著提升成功率。

一位开发者分享了亲身经历：Deep Think 在 Stockfish 国际象棋引擎里发现了一个小而精妙的优化，而之前的 Claude 4.6 只会生成些编译器早就自动优化掉的冗余改动。

代价是显性的。这种「test-time compute」模式把推理成本转嫁给了用户。就像你不能指望一辆经济型轿车突然跑出 F1 速度——要么换引擎（重新训练基础模型），要么多烧油（增加计算量）。Google 选择了后者。一位用户算过账：如果按 5 年降价 99.9% 的历史趋势，13 美元的任务成本会降到 0.01 美元，但这依然需要 5 年。

AGI 定义的哲学泥潭

这场争论最终指向了那个根本问题：什么是 AGI？什么时候 AI 才算真正「智能」？

ARC-AGI 的创造者 Chollet 曾提出一个标准：「当我们再也找不到人类能做但 AI 不能做的任务时，就是 AGI。」这个定义在论坛里引发了长达数十条回复的混战。

一位用户质问道：「按照这个逻辑，如果一个 AI 声称自己有意识，我们又无法证伪，那我们就得相信它？」另一位反驳：「按照这个标准，我们得承认狗是 AGI，因为它们显然有意识但不会说话。」讨论很快滑向更荒诞的方向：有用户认为 AI 需要「发明宗教、恐惧关机、渴望存在」才算 AGI；反对者则指出，这是把人类中心主义的情感投射到机器上。

更务实的声音是：当前模型连「我不知道」这种简单回答都说不利索，离真正的通用智能还差得远。一位 Hacker News 老用户调侃：「要是 AGI 真的来了，我们大多数人不会争论它，只会失业。」

资本游戏下的技术焦虑

在数字狂欢背后，是更冷峻的现实。Google 依托搜索广告这个「印钞机」，能把 AI 服务卖得比成本还低，这在市场上形成了不公平竞争。有人抱怨：「Google 用搜索的钱把产品做成免费，用搜索的钱养一堆研究员手把手帮学术界，就为了做出能刷榜的实验室模型。」

这种模式让创业公司难以生存，也让用户产生了不切实际的期望。一位创业者尖锐指出：「AGI 如果真的让 40% 的人失业，你觉得资本主义的规则还能维持吗？人们会关心你有多少股票吗？」这场讨论里，技术理想主义与对资本逻辑的悲观预判交织在一起。

鹈鹕骑自行车的隐喻

整个帖子最荒诞也最精彩的部分，是关于「鹈鹕骑自行车」的争论。开发者 Simon Willison 长期用这个看似无厘头的 SVG 生成任务来测试模型。Deep Think 交出了令人惊艳的作品——线条流畅、结构合理、甚至光影都有讲究。

但立刻有人质疑：如果 Google 真想作弊，只需要花几千美元雇画家画几百个「动物+交通工具」的 SVG 样本塞到训练集里，就能在这个特定测试上做到「完美」。Simon 自己也不得不承认，如果 AI 公司真这么做，他确实无法分辨。

这个小插曲成了整场讨论的缩影：当 AI 的表现好到不可思议时，人们本能地怀疑背后是否有「人工」的参与。 这种信任赤字，或许是 Google 等大公司未来面临的最大挑战。

站在用户视角看未来

回到最初的问题：Gemini 3 Deep Think 到底行不行？答案取决于你用什么标准衡量。

如果你是个数学家，想用它检查论文里的逻辑漏洞，它可能是当前最好的选择。如果你是个软件工程师，只想让它按需求文档老老实实写代码，它可能会让你抓狂。如果你关心的是性价比，那么同系列的 Gemini 3 Flash 版可能更香——价格只有 Claude Sonnet 的零头，性能却能打个有来有回。

这场争论揭示了一个行业拐点：AI 模型的进步正在从「能不能做到」转向「做得好不好用」。 基准测试的数字会继续刷新，但真正的战场已经转移到了产品体验、成本控制和可信度上。

Google 下一步能不能把实验室里的「聪明」变成日常可用的「靠谱」，决定了这场竞赛它究竟是领跑者还是又一次「起了大早，赶了晚集」——就像它在社交网络、云计算等领域经历过的那样。