新智元报道 就在刚刚，GPT-6成功通关了「我不是机器人」游戏中的全部48个关卡！ 这些被称为CAPTCHA的机制，是互联网安全的一道重要闸门。 它基于这样一个常识：有些简单的常识和视觉逻辑，人类一眼就能看懂，但对AI来说却难如登天。 结果，现在GPT-6把它们全部通关了，准确率100%！ 从此以后，AI也会点上「我不是机器人」了。 给人类的验证码 「我不是机器人」，是开发者 Neal Agarwal 在 neal.fun 上做的网页游戏。 随着关卡推进，下一关任务会变得越来越离谱。 这套由顶尖安全团队设计的极限测试，从第1关开始，就已经是对传统视觉大模型（甚至GPT-4V）的降维打击。 第一阶段：看懂，不只是看清（第1-14关） 前14关还是熟悉的验证码题型，比如找停车标志、认车牌、找威利、打地鼠。但每关都有个小陷阱：答案不在像素里，要靠常识。 比如第12关找「松饼」。题目要求在九宫格里选出所有吉娃娃，干扰项是长得几乎一样的蓝莓松饼，棕色的圆脸加上三个黑点，算法很容易认错。 Astra 不到两秒就勾出了所有狗脸，一格没错。 第二阶段：从看到动手（第15-26关） 题目开始要求「操作」：倒车入库、画圆、把石头推上山、合成 Minecraft 钻石镐、侧方停车。只能看不能动的模型，这一段过不去。 比如，第17关要求徒手画一个准确度至少 94% 的圆，考的是连续的手部控制，不是认图。 Astra 一笔画完，最终 95.8%，页面还弹出了「New best score」。 第三阶段：规则、策略与计算（第27-38关） 这一段考推理和决策：连网线、排数学表达式、玩消消乐、在限定条件下做取舍。每一步都会影响后面的结果，不能只看当下这一步。 比如，第28关「日内交易员」 要求在一条随机波动的股价曲线上做买卖，赚够 2500 美元，考的是择时和仓位判断。 Astra 从 293 美元现金起步，低点买入、高点卖出，大约 10 秒把利润做到 2761 美元。 第四阶段：像一个人（第39-48关） 最后十关考的是 AI 天生没有的东西：表情、哀悼、跳舞、组装宜家椅子，还有和「深蓝」风格的对手下国际象棋。 比如，第39关「面部检查」要求对着摄像头依次做出开心、难过、生气、惊讶的表情，并由系统打分。 Astra没有脸，所以画面下方的字幕都是它发给镜头前真人的指令，比如「Hold a broad smile」（保持大笑）、「Furrow your brow and press your lips together」（皱眉、抿嘴）。这一关是人机配合过去的。 但第39关不是 AI 独立通关。 画面里是 Astra 在指挥真人做表情。这个细节放进文章反而是个好看点。 为什么这48关对AI来说曾经是死穴？ 在AI领域，有一个著名的「莫拉维克悖论」：「让电脑在智力测试中表现出成人水平相对容易，但让电脑掌握一岁婴儿的感知和运动技能却极其困难。」 解微积分、写几万字的代码、背诵全套《大英百科全书》，对大模型来说易如反掌；但「明白玻璃杯掉在地上会碎」，或者「知道把大象装进冰箱需要三步」，这种常识对AI来说却形同天书。 过去几年，我们看到的大模型本质上是「随机鹦鹉」 。它们通过海量文本训练，学会了「词语接龙」。 它们说出「玻璃会碎」，不是因为它们真的理解物理世界，而是因为在人类文本中，「玻璃」和「碎」这两个词经常连在一起出现。 但「我不是机器人」这48个关卡，彻底剥离了语言的伪装，直接考验AI对真实世界运作规律的理解。 它要求AI有具身认知。 它要求AI有因果推理能力，而不是简单的相关性匹配。 它要求AI能够处理长序列的延迟满足，在复杂的环境中执行多步操作而不迷失目标。 这48关的设计初衷，就是用人类最底层的「物理本能和常识直觉」来筑起一道高墙，把只会算计的机器挡在外面。 然而，Astra 翻过了这道墙。 Astra 通关背后的技术革命：从「旁观者」到「世界体验者」 Astra 为什么能做到？ Astra 的胜利，主要归功于两点极其硬核的技术突破： 第一：原生多模态与实时流处理。 以前的AI，处理图片是先用一个视觉模型把图片翻译成文字（比如「这里有个鸡蛋」），再把文字交给语言模型处理。这种「翻译」过程会丢失大量信息（比如鸡蛋的质感、光影、重心）。 而 Astra 是原生多模态的。它的神经网络从第一天起就是同时看图片、听声音、读文字长大的。当它「看」到那个第15关的鸡蛋时，它处理的不仅仅是像素，而是一个多维的张量，里面包含了形状、材质和物理属性。加上其实时流处理能力，Astra 的反应速度和连续帧理解能力达到了人类级别。 第二：初步觉醒的 「 世界模型 」 。 这是AI通向AG的圣杯。 Astra 在训练中不仅学习了「是什么」，更学习了「为什么」和「会怎样」。它通过预测视