2016 年 1 月，AlphaGo 击败李世石前两个月，Hacker News 用户 Houshalter 在一条讨论里立下挑战：「AI 通过真正的、考察语言理解的图灵测试」。此后十年，HN 社区陆续立下 826 个这样的挑战——有人要求 AI 通过图灵测试，有人要求它造出能住的房子，有人干脆要求它去当水管工。一个叫 Goalposts 的网站把这 826 条挑战全部收集起来，附上原始评论出处，让社区逐条投票：这条挑战，AI 实现了吗？2026 年 10 月 3 日投票关闭，100,590 张选票的结果值得认真读一遍：哪些被兑现了、是怎么兑现的；哪些还挂在墙上，为什么。
Goalposts（stoppels.ch/goalposts）做的事情很朴素：收集 HN 上「AI 应该能做到 X」的挑战，标注提出者、日期和原始讨论，然后让社区对每条投 Yes / Not sure / No——Yes 意味着「AI 已经实现这条挑战」。截至投票关闭：Yes 39,006 票（39%）、Not sure 26,509 票（26%）、No 35,075 票（35%）。分年度统计如下（由本文从源数据计算）：
| 年份 | 挑战数 | 投票数 | Yes | Not sure | No |
|---|---|---|---|---|---|
| 2016 | 30 | 3,834 | 54.7% | 23.2% | 22.1% |
| 2017 | 32 | 3,888 | 48.4% | 27.7% | 23.9% |
| 2018 | 21 | 2,660 | 47.8% | 26.5% | 25.7% |
| 2019 | 22 | 2,689 | 40.4% | 24.8% | 34.8% |
| 2020 | 24 | 2,928 | 36.9% | 28.6% | 34.5% |
| 2021 | 22 | 2,708 | 44.8% | 26.5% | 28.7% |
| 2022 | 72 | 8,852 | 41.0% | 24.5% | 34.5% |
| 2023 | 176 | 21,321 | 42.2% | 25.2% | 32.5% |
| 2024 | 128 | 15,494 | 40.8% | 25.9% | 33.3% |
| 2025 | 147 | 17,725 | 36.4% | 26.6% | 37.0% |
| 2026*(Q1–Q3) | 152 | 18,491 | 26.9% | 28.8% | 44.3% |
* 2026 年数据截至投票关闭日（10 月 3 日），仅含前三个季度。各年投票在 2026 年集中完成。
各年挑战的 Yes 率走势：
这组数字有两个读法。
第一，挑战数量的曲线就是 AI 热度曲线。2016–2021 年每年只有 20–30 条；2022 年翻倍到 72 条（Stable Diffusion 与 ChatGPT 前夜）；2023 年爆发到 176 条——比此前五年总和还多，此后维持在每年 130–180 条的高位。挑战的密度，记录着社区情绪的密度。
第二，Yes 率逐年走低，不代表 AI 在退步，而是条目性质变了。老挑战（下棋、翻译、看图说话）大多已被兑现；新挑战（递归自我改进、跑赢数学家、机器人管家）本来就是对着当前能力边界的外推。你离门槛越近，门槛退得越远——这正是站名 Goalposts 的自嘲。
还有第三个读法藏在条目里：挑战会「复刻」。同一目标会以不同措辞反复上榜——图灵测试十年出现 70 次；「Level 5」「雪天驾驶」「穿越全国」等自动驾驶条目从 2016 到 2026 每隔一两年就被重新立起一次；P vs NP 在 2023、2025、2026 三次上榜。反复被重立的清单，就是社区执念的清单，也是 AI 能力边界最诚实的记录：哪条没被划掉，哪条就还会回来。
这一节挑出各领域最有代表性的条目，把「挑战」对应到真实的技术突破上——重点不是罗列新闻，而是说清机制：靠什么技术，这一步是怎么迈过去的。
2016 年 3 月，AlphaGo 用三件套——监督学习（先学人类棋谱）+ 强化学习自我对弈 + 蒙特卡洛树搜索——4:1 击败李世石。2017 年 AlphaZero 干掉了「人类棋谱」这个前提，从零自学数小时即超越顶级国际象棋引擎，顺带兑现了 2016-03 的挑战「胜围棋的 AI 不改一行代码也能下别的棋」。不完美信息博弈随后跟进：CMU 的 Libratus（2017）在 12 万手对决中胜四位顶尖职业扑克手，核心是反事实遗憾最小化（CFR）——不靠神经网络暴力，靠博弈论式的自我对弈收敛；OpenAI Five（2019）用超大规模自我对弈强化学习击败 Dota 2 世界冠军 OG；DeepMind 的 AlphaStar（2019）在《星际争霸 II》天梯打入 Grandmaster。这一族的挑战基本全部到齐，但残留也真实：「百强选手看不出 AI 战队与人类战队的区别」只有 13% yes——赢下比赛，不等于像人一样比赛。
这是全库最早被高票判定「已实现」的挑战之一。兑现它的是 ChatGPT（2022-11）：Transformer 自回归「下一词预测」+ 数万亿 token 预训练 + RLHF（人类反馈强化学习）把「会说」对齐成「说人话」。GPT-4（2023-03）把这条线推到考试场景：模拟律师资格考试进入前 10%。语音在同一窗口内补完：Google Duplex（2018）最早演示 AI 打电话订座；到 2022-12 的挑战「AI 独立接一通电话——听懂来电、决定说什么、把它说出来」已获 74% yes，今天这已是客服与外呼行业的常规配置。2023 年新增的 176 条挑战里，一批「ChatGPT 能否 X」被高票判 yes：找出代码里的 bug（91% yes）、读雇佣合同标出隐性陷阱条款（85% yes）、把整章教科书变成笔记和抽认卡（87% yes）。
「自然语言 → 应用」在 2016–2017 年被反复提出（84%–90% yes），十年后全部到货。兑现分三段：GitHub Copilot（2021，OpenAI Codex）做上下文补全；ChatGPT / Claude（2022–2023）做对话式生成、解释与修复；Cursor / Claude Code / Codex 类编码 Agent（2024–2025）进入「读写文件 → 跑测试 → 看报错 → 自己迭代」的循环。社区 verdict 极为一致：「跑测试失败后自己改代码再提交」89% yes，「修复真实生产事故（Kafka 配置错误、死锁掉请求）」87% yes，「解决竞赛编程题」No 率仅 2%。
编程类挑战被攻陷得最彻底，机制上不意外：GitHub 数十亿行公开代码是现成语料，编译器与测试套件是完美的自动判分器——连人类反馈都可以被编译反馈替代。验证闭环越干净的任务，AI 攻陷得越快。
兑现它的是 DALL-E 2（2022-04）、Stable Diffusion（2022-08 开源）、Midjourney：扩散模型在潜空间逐步去噪，CLIP 文本嵌入负责「听懂」主题。从挑战提出到兑现，六年。视频在追赶：Sora（2024-02）与 Veo 2（2024-12）演示了连贯长镜头，但「生成带运动相机的丰富 3D 世界连贯视频」（2023-11）也只有 45% yes——能看了，还不够真。
Google 神经机器翻译 NMT（2016-11 上线）奠基，2017 年 Transformer 架构（《Attention Is All You Need》）成为整个领域的底座，Meta 的 NLLB（2022）把覆盖推到 200 种语言、包括大量低资源语言。「可用地翻译」已经成立；但文学级仍有明确距离——「文学翻译达到可出版水准」2025 年只有 30% yes。语境化也在半途：「把『Can you stand up?』这类歧义口语按上下文正确翻译」（2023-12）49% yes——字面翻译解决了，言外之意还差一半。
AlphaGeometry（2024-01）先在几何证明上摸到 IMO 银牌线（神经 + 符号混合架构）；AlphaProof + AlphaGeometry 2（2024-07）在 IMO 拿到银牌档分数；2025 年 7 月，OpenAI 与 DeepMind 先后官宣模型达到 IMO 金牌分数。科学侧，AlphaFold2（2020-11，CASP14）把蛋白质结构预测从五十年难题变成常规操作，拿下 2024 年诺贝尔化学奖；FunSearch、AlphaEvolve 在组合数学与算法发现上产出过可验证的新结果。但「原创性」的边界依然清晰：模型能解开放数学问题，社区仍只有 29% 相信它能「发明训练数据里不存在的新化学、新物种」（2026-03 条目）。
Waymo 已经在凤凰城、旧金山、洛杉矶、奥斯汀跑无安全员 robotaxi——但全部画在 geofence（地图结界）里。同族条目全军覆没：「雪天城市（水牛城/雪城）」5% yes（2025-05），「穿越全国、顺路自己补个胎」6% yes（2024-11）。即便把标准缩到「有限范围内安全、如人类一样适应性地驾驶」，2026-03 的条目也只有 25% yes——社区对「通用性」的验收毫不含糊。难点不是模型不够大，而是开放世界的长尾不可枚举：暴雨、施工、交警手势、被雪盖住的车道线，每一样都无法靠堆数据穷尽；安全验证又需要远超人类司机里程的无事故证据；出了事故谁负责，制度上也没答案。封闭任务上 AI 碾压人类，开放物理任务上连「及格线」都难定义。
读合同、查判例，AI 已经很强（合同审查条目 85% yes）；但「好到能取代 500 美元/小时的律师」也只有 31% yes（2024-04）。医疗更硬：「替代外科医生做复杂手术」7% yes，「做放射科医生一整天的工作」8% yes，「分清装疼与阑尾炎、惊恐发作与心脏病」5% yes。瓶颈不在检索能力，在担责：签字资格、执业牌照、失误成本、监管诉讼。这不是模型能力的函数，是制度变量——模型再强，也不会自动长出行医执照。辅助与替代的分界线倒是清晰：2025-09 的条目「本地 LLM 帮律师重建零散的计费工时」拿到 60% yes——辅助性任务先落地，替代性判断持续后置。
0% yes——全场最绝望的数字。同族条目：「机器人清洁酒店房间（含马桶、床单、迷你冰箱）」2% yes，「AI 清洁马桶」11% yes，「像蟑螂一样在陌生 3D 空间导航」32% yes——后者是全库票数最高的单条（161 票），HN 用户把最多的票投给了这个卑微的标杆。2016 年的「个体像蚂蚁、群体像蚁群」49% yes，至今没有对应的物理系统。同族还在不断补员：「机器人互相修理」3% yes（2024-04），「人形机器人叠一件刚从烘干机拿出来的衬衫」20% yes（2026-06），「AI 运营一个机器人管家」17% yes（2026-02）。原因就是 Moravec 悖论：推理是进化史上很晚的技能，感知运动是几亿年打磨的硬件。灵巧手、触觉反馈、电池能量密度、整机成本，每一项都比「下一个更大的模型」慢一个数量级——软件一年迭代，硬件十年。
数学最深的开问题纹丝不动：P vs NP 0% yes，黎曼猜想相关条目 11%–15% yes。「至少与人类 AI 研究者一样聪明」27% yes（2016 年提出，至今原地），「AI 比人类更擅长 AI 研究」13% yes，「递归自我改进（RSI）」12% yes，「只学 1905 年前的知识自己推出相对论」4%–6% yes。结构性缺口有两个：其一，当前 LLM 是「训练 → 冻结 → 部署」三段式，「在服役中更新自己的权重」条目只有 3%–7% yes——没有持续学习，就没有真正的经验积累；其二，「彻底消除幻觉」只有 8%–9% yes——不可靠性限制了让 AI 自主跑长程研究循环的信任额度。改进 AI 的收益无法闭环自动化，RSI 就还停在论文叙事里。
十年里图灵测试条目出现 70 次（2016–2017 两年就占 17 次）。措辞的升级史比数字更精彩：2016 年「聊天机器人通过图灵测试」（75% yes）→ 2019 年「通过需要新颖内省回答的图灵测试」（51% yes）→ 2022 年「让充分研究过它的人信服」（22% yes）→ 2024 年「持续数周、对抗性极强的图灵测试」（22% yes）→ 2026 年「在积极识破的专家面前长时间不被发现」（该年图灵条目整体只剩 19% yes）。宽松版每被兑现一次，紧接的就是更严格的下一版。这 70 条的 yes 率曲线（61% → 72% → 40% → 19%）测量的早已不是 AI 能力，而是人类的验收标准通胀。
2016-03：「AI 拿到人类可读的问题描述，做出过得去的求解尝试」——88% yes。2016-11：「AI 干得了一年经验程序员的活」——85% yes。2016-06：「有人只要用基础规格提出请求，AI 就能构建可用应用」——84% yes。当年原帖下面不少人把这些当调侃立誓，十年后它们不仅实现，而且已经内化成日常工具——「自然语言 → 应用」从挑战变成了产品类别。
2016-08 的条目：「单一 AI 程序能玩多种游戏、能对话、能答考试题、能写故事」——83% yes。这在 2016 年是 AGI 的定义性挑战；2026 年实现了，大家管它叫 LLM。被解决的问题就不再被算作智能——AI effect（AI 效应）在数据里留下了清晰指纹：挑战一旦兑现，就从「智能试金石」降级为「功能特性」。「数 strawberry 里有几个 r」也一样：2024-07 上榜时 69% yes（推理模型已基本解决），2026-09 换个措辞再上榜，只剩 49%——一个梗从笑话到基准再到回归测试的完整生命周期。
39% vs 35%——HN 投了十年，几乎没有共识。分层看更有意思：对 2016–2018 年的旧挑战，社区多数判「已实现」；对 2026 年立下的新挑战，44% 直接判「未实现」；26% 的 Not sure 同样真实——它们大多是「部分实现」的诚实注脚。HN 不是乐天派社群，它是一群被兑现过承诺、也被跳票过承诺的工程师，用每一次投票同时记录乐观与警惕。
这个投票是严格的 AI 评测吗？
不是。它是 HN 社区对 826 条挑战的主观判断聚合：没有标准化环境、没有控制变量，投票者也无法逐条验证。把它当成「一群技术从业者十年体感的时间线」，比当成 benchmark 更准确。
「实现」是怎么判定的？
每条挑战由社区投 Yes / Not sure / No，Yes 代表「AI 已实现该挑战」。本文所有比例（各年 yes 率、条目 No 率、图灵测试 70 条等统计）均由我从源数据计算，可复现。
为什么图灵测试条目 2026 年 yes 率只有 19%？
因为测试被升级了。早期条目只要求骗过普通人；后期条目要求骗过带着对抗策略的专家、持续数小时甚至数周。同一个名字，难度完全不同。
为什么编程类条目实现率显著更高？
三个原因：公开代码语料充足；编译器与测试套件提供即时判分的验证闭环；HN 用户本身就是程序员，对一线能力的判断更敏锐。第三点也意味着，社区对物理、医疗等领域的判断未必同等可靠。
为什么 2026 年的新挑战 yes 率最低？
因为它们本来就是对当前能力边界的外推：agent 长时程自主、递归自我改进、机器人管家。旧挑战衡量「AI 已经走了多远」，新挑战衡量「AI 还差多远」——两者的 yes 率天然不可比。
哪里能看到全部原始数据和每条挑战的原始评论？
stoppels.ch/goalposts。每条挑战都带原始 HN 讨论链接（含提出者用户名与日期），可逐条核对。