人工智能的评估长期以来一直围绕机器是否超越人类进行。无论是国际象棋、高级数学、编程还是写作，人工智能模型和应用的表现都与个体人类完成任务的能力进行比较。这种比较方式具有吸引力，因为它在孤立的问题上提供了明确的标准。然而，这种方法存在局限性，未能全面反映人工智能的潜力和应用价值。为了更好地评估人工智能的能力，需要建立新的基准，考虑到更复杂的任务和真实世界的应用场景。...