人工智能基准测试是否讲述了全部故事？

这篇文章由 Prolific 赞助，批评了当前的人工智能基准测试现状。文章认为，虽然人工智能模型在技术基准测试中取得了高分，但这些分数并不一定转化为实际的实用性、安全性或关联性。文章使用 F1 赛车不适合日常通勤的类比来说明这一点。它强调了当前排名系统（如 Chatbot Arena）的缺陷，并强调需要一种更“人性化”的方法来评估人工智能，尤其是在心理健康等敏感领域。文章还指出了当前人工智能安全措施中缺乏监督和潜在的偏见。