对于关注前沿AI挑战的开发者来说，由Keras创始人François Chollet和Mike Knoop共同发起的ARC Prize 2026是一个绕不开的顶级赛事。它不追求参数规模，而是直指AI的核心能力——“流体智能”，即面对从未见过的新问题时，快速学习和适应的能力，而非仅仅依靠海量数据的模式识别。在这场挑战通用智能（AGI）的比赛中，了解其赛题设置是参与或学习的第一步。在云栈社区的智能 & 数据 & 云板块，我们经常探讨这类前沿数据科学挑战。
赛题背景
ARC（全称 Abstraction and Reasoning Corpus，抽象与推理语料库）被认为是目前衡量人工智能“通用智能”（AGI）水平最权威、难度最高的基准测试之一。
Chollet认为，目前的AI（如大语言模型）主要是 “经验智能”：通过背诵数万亿个词汇来模拟对话。而ARC衡量的是 “流体智能”：即在没有任何先验经验的情况下，面对一个全新规则的问题，能否像人类一样通过观察极少量的例子，迅速归纳出潜在逻辑并解决问题。
一个标准的ARC任务通常由 2-3个示例（Task Examples） 和 1个测试输入（Test Input） 组成：
- 网格世界： 所有任务都在一个最高 30x30 的彩色网格中进行，颜色共有10种。
- 极少样本： AI只能看到2到3个输入-输出的对比，必须从中“悟”出规则。
| 赛道名称 |
侧重点 |
目标 |
| ARC-AGI-2 |
静态推理 |
给定网格，预测唯一正确的输出。 |
| ARC-AGI-3 |
交互智能 |
Agent在环境中通过动作（Action）探索逻辑。 |
| Paper Track |
理论沉淀 |
文档化你的方法论，分享如何实现通用泛化。 |
赛题1：论文赛道 (Paper Track)
https://www.kaggle.com/competitions/arc-prize-2026-paper-track
该赛道要求参赛者提交一份详细的 Writeup，记录并分析针对 ARC-AGI-2（静态推理基准）或 ARC-AGI-3（交互式推理基准）所采取的技术方案。
有效的提交必须包含以下三部分：
- Kaggle Writeup (报告)： 详细分析你的方法，字数不超过 1500字。
- 媒体库 (Media Gallery)： 必须包含一张封面图，也可上传视频。
- 公开 Notebook： 必须关联一个在Kaggle上公开的代码笔记本。
- 注：也可以选择上传PDF版本的正式论文替代Kaggle Writeup文本。
评审将从以下六个维度同等权衡：
- 准确性 (Accuracy)： 方案在排行榜上的实际得分表现。
- 普适性 (Universality)： 方法是否具有通用性，能否转化到其他类似问题上。
- 进步性 (Progress)： 该论文对社区达成ARC高分的贡献程度。
- 理论性 (Theory)： 是否清晰解释了方案为什么有效，而不仅仅是如何操作。
- 完整性 (Completeness)： 对代码和方案的描述是否详尽且易于复现。
- 创新性 (Novelty)： 相对于现有公开研究的创新程度。
赛题参赛时间如下：
- 开始日期： 2026年3月25日
- 截止日期： 2026年11月9日 (11:59 PM UTC)
- 结果公布： 预计2026年12月
赛题2：AGI-2 赛道
https://www.kaggle.com/competitions/arc-prize-2026-arc-agi-2
ARC（Abstraction and Reasoning Corpus）由Google研究员François Chollet创建。不同于传统的机器学习任务，ARC任务具有以下特点：
- 极少样本： 每个任务只提供2-3个输入输出示例。
- 零转换： 测试集的逻辑在训练集中从未出现过。
- 人类直觉： 任务对人类来说非常简单（如颜色填充、镜像对称、物体移动），但对目前的LLM和深度学习模型极具挑战。
你需要预测测试输入对应的网格（Grid）输出。
- 尝试机会： 每个任务有 2次尝试机会（
attempt_1 和 attempt_2）。
- 评分标准： 只要2次尝试中有一次与标准答案完全一致（Exact Match），该任务即得1分；否则得0分。
- 最终得分： 所有任务得分的平均值。
赛题参赛时间如下：
- 报名截止： 10月26日
- 合并组队截止： 10月26日
- 最终提交截止： 11月2日
- 结果公布： 12月4日
赛题3：AGI-3 赛道
https://www.kaggle.com/competitions/arc-prize-2026-arc-agi-3
在ARC-AGI-3中，AI不再只是观察几个静态示例然后预测结果，而是置身于一个 隐藏且可交互的环境 中：
- 探索性： 系统必须通过与环境交互（尝试动作、观察反馈）来理解任务逻辑。
- 多步推理： 解决问题通常需要执行一系列复杂的动作序列。
- 抗记忆性： 交互环境的设计使得AI无法通过背诵训练集答案来得分，必须展现出真正的即时学习能力。
满分 (100%) 代表Agent不仅完成了任务，且使用的 动作步数 (Actions) 与人类持平。
赛题参赛时间如下：
- 里程碑 1： 6月30日（需公开Notebook才有资格领奖）
- 里程碑 2： 9月30日
- 报名/组队截止： 10月26日
- 最终提交截止： 11月2日
ARC Prize的核心魅力在于它迫使研究者去思考超越数据拟合的智能本质。无论是尝试设计新颖的算法来攻克ARC-AGI-2的静态谜题，还是构建能主动探索的智能体应对ARC-AGI-3的交互挑战，抑或是通过论文赛道进行深刻的人工智能理论反思，这都是一场关于“智能”本身的硬核探索。 | 
发表于 2 小时前
|
查看: 3|
回复: 0
