ARC-AGI-3 测的是什么
多数 AI 测评考的是模型知道什么。解数学题、写代码、答考题。记得牢、整理得好的模型分数高。
ARC-AGI-3 反着来。它把模型丢进从未见过的环境，不给说明书，不告诉它规则是什么、目标是什么、怎样算成功。模型必须自己动手试，观察结果，然后推断出来。
就像小孩拿到一台没见过的游戏机。没有说明书，只有一堆按钮。孩子按下去，看画面变化，猜每个按钮的作用，推测目标是什么。这个测试问的就是 AI 能不能做到这件事。
测试由非营利组织 ARC Prize 制作并评分。他们把它当作 AGI 指标的理由正在于此：它测的不是记忆的调取，而是在没学过的情境里自己造出方法的能力。
从 7.8 到 99.9——如何准确读这个数字
这个测试于 2026 年 3 月公开。起初表现最好的模型只有 0.37%，等于基本没人做得出来。
7 月，OpenAI 的 GPT-5.6 Sol 拿到 7.8%，是首个真正通关其中一局的模型。同一口径下 Claude Opus 5 为 30.2%。
然后在 2026 年 9 月 3 日，GPT-6 Astra 拿到 99.9%。搬运这个数字时必须一并写上一个条件：分数有两个，不是一个。
ARC Prize 在两种执行环境下测量。一种是对所有厂商一视同仁的中立环境（Standard harness），另一种是接上厂商自家上下文管理的适配器环境（Provider Adapter harness）。Astra 在中立环境下 62.7%，在厂商适配器环境下 99.9%。同一个模型，相差 37 个百分点。
差距来自适配器会在请求之间保留模型的内部推理状态。对人来说，这相当于思路不被打断地接着想下去，而不是每次从头开始。据 ARC Prize 测量，这让整体耗时快了约 3.66 倍，token 少用了 49%。
所以 99.9% 不是错误的数字，而是带条件的数字。而且即便只看中立口径，也是从 7.8% 到 62.7%，一代之间约八倍。无论怎么量，方向是一致的。
变的是能力的种类，不是分数
比数字更重要的是它现在能做什么。
到目前为止，AI 的用处大体是建议。你问它答，帮你写 Excel 公式，起草邮件，搭出汇报提纲。都做得不错，但都得由人来启动。人定义问题，人拆分步骤，人决定下一步做什么。
ARC-AGI-3 测的是更前面那一步：自己定义问题是什么，经历试错，造出方法。这个分数跃升意味着 AI 已经可以在没有人指示的情况下着手陌生的工作。
ARC Prize 同时公布的观察让这一变化更具体。Astra 在 96.0% 的关卡上用比人类基线更少的动作解决了问题，每关平均动作数比人少 51.7%。它还会自己发明记号来追踪游戏机制；给它一个可执行的工作空间，它会自行造出该游戏专用的工具。
从经济上看，这个差别就是全部。提供建议的 AI 只省下人的时间；自己干活的 AI 则替代了劳动本身。
为什么这会变成存储器的故事
这里转向半导体，连接点是 token。
token 是 AI 处理文本的单位，中文大约一两个字，英文约为一个词的片段。让 AI 做任何事，其成本与算力最终都归结为处理了多少 token。
假设一个人一天向聊天机器人提十个问题。问答加起来不过几千 token。但如果一个智能体接下一件事，连续跑上几个小时，情况就不同了。它打开浏览器、搜索、读结果、觉得不对就换方向、运行程序、失败后读原因再试一次。所有中间步骤全是 token。
再叠加并行。一个人同时跑五个智能体，消耗不是五倍。因为每个智能体本身就在做一个人份的试错，量级会变。
算力上去，需要的不只是 GPU。模型要抓住长上下文、把多个步骤接续下去，这个状态得有地方放，那个地方就是高带宽存储器 HBM。而插满 HBM 的服务器旁边，常规 DRAM 也会跟着增加。智能体一多，存储器需求就上来。
ChatGPT 刚出现时半导体股票被推动的正是这套结构。这次不同之处在于，制造需求的不再是敲字提问的人，而是自己连续工作数小时的 AI。
市场已经这样读了
发布次日、2026 年 9 月 4 日的市场表现支持这一解读。
那天有一个对存储股不利的条件：美国就业数据远超预期，加息压力上升，而利率走高会压制股票估值。即便如此，SanDisk 涨 11.9%，SK 海力士涨 8.1%，美光涨 6.1%。
供给端的数字方向一致。Susquehanna 预计本季度 DRAM 合约价将上涨 50% 以上，NAND 约 60%。这是他人的预测，因此只标明主体、记一行为止。
但这篇文章不是叫谁去买什么。一个基准测试决定不了个股的未来。这里能确认的是方向，不是价格。
今天可以试的事
把这个变化当新闻读，和亲手体会一遍，是两回事。今天可以做两件事。
第一，换一种下指令的方式。如果你一直花时间精雕提示词，这次只用一两句话说出你想要的结果，然后交出去。不要替它拆步骤，中途也不要插手。早期用过 Astra 的人反复提到的变化正是这个：说出结果，比设计指令更管用。
第二，看看这一次跑下来用了多少 token。在 ChatGPT 或 Claude 的用量页面可以看到，用 API 的话在控制台里看。拿它和平时一个问题作比较。超级周期论据的根据，就在这两个数字的差里。
还有一点值得带走。这篇文章从不单写 99.9%，总把 62.7% 放在旁边，是有理由的。发布的数字通常都带条件，而确认条件是读懂基准测试的唯一办法。挑选 AI 工具时，同样的习惯照样管用。