幾千年都沒考過這個？谷歌「最毒」AI考局，專測你在壓力下怎么做人

新智元報道

編輯：元宇 大衛

【新智元導讀】谷歌最新實驗Vantage，派AI假扮你的同事，按劇本跟你唱反調、搞情緒化施壓?？嫉牟皇悄阒朗裁?，而是你在壓力下怎么做人。

考試考了幾千年，還從來沒人考過這個。

SAT考你數學，GRE考你詞匯，再往前看：科舉考試考你的八股文……

古今考試形式不同，但底層邏輯卻很一致：考你知道什么。

但有一類能力，從來沒有考試碰過：你跟人吵架時怎么辦。

最近，Google Research推出了一個叫Vantage的實驗項目，就把這件事給干了。

Google Labs實驗中的Vantage入口https://research.google.com/p/vantage

目前Vantage已經在Google Labs開放申請體驗，現階段主要支持英文。

Vantage項目由谷歌聯合紐約大學開發，主要設想是利用GenAI模擬團隊協作場景，以此來開發和測量被測試者的軟技能。

它會把你扔進一個AI角色扮演的協作場景里，然后讓你和一群AI角色組隊完成任務。

其中會有一個agent跳出來，專門按劇本跟你唱反調，拋不合理要求，搞情緒化反應。

你在壓力下做出的每一個回應，都會被另一個Agent基于評分量表進行分析，生成評分與反饋。

整個過程中，你所面對的是一個被AI精心操控的「職場修羅場」：它考的不是你背了多少東西，而是你在壓力下怎么做人。

谷歌聯合紐約大學做了188人驗證，結果顯示：

AI評分與人類專家的一致性，跟專家與專家之間的一致性，處于同一水平。

這意味著，至少在「評判」這件事上，AI已經開始接近人類專家。

看來，考試這件事，以后可能要被重新定義了。

最值錢的能力，偏偏最難考

為什么軟技能一直考不了？

這個事企業HR太清楚了：招人最怕的不是技術不行，而是進了團隊才發現這人完全不會協作。

世界經濟論壇2025年《Future of Jobs 2025》報告給了一組數據：到2030年，全球39%的核心職場技能將發生變化。

未來五年內，預計工人核心技能將發生改變與保持不變的占比演變https://www.weforum.org/publications/the-future-of-jobs-report-2025/

在企業最看重的能力排名中，分析思維排第一，緊隨其后的是韌性、靈活性、領導力與社會影響力，排在最前面的幾乎全是「軟技能」。

雇員最核心的技能中，排名靠前的包括分析思維、韌性、靈活性與敏捷性，以及領導力與社會影響力等。

AI時代，這些軟技能仍然是最核心的技能。

問題是，怎么測？

傳統標準化測試太僵硬了，題目難易捕捉人類思維過程和人際互動，跟真實場景隔著十萬八千里。

基本上只能依靠兩條。

第一條，自我匯報問卷。問你「你善于溝通嗎」，人人都勾「是的」。

第二條，真人評估中心。請幾個專業考官，設計情境，觀察你一整天，最后給個評語。

靠譜是靠譜，但做一次往往價格不菲、耗時幾天，評分還因為考官不同而漂移。

核心矛盾只有一條：軟技能必須在互動中才能被觀測，但標準化互動的成本太高，限制了它的實現和推廣。

你不可能給每個學生配一個真人考官，讓他們吵一架再打分。

所以幾十年來，這一直是教育評估領域的一個老大難問題。

市場上也不是沒人嘗試。

HireVue用視頻面試做AI情緒分析，Pymetrics用神經科學小游戲做性格測評，但它們都有一個共同局限：

候選人面對的，更多仍是被設計好的數字流程，而不是一個會跟你爭論、會給你挖坑、會把互動不斷推進下去的真實對手。

直到谷歌推出 Vantage，事情才開始變得不一樣：它試圖用多方AI角色協作生成情境，而且還把軟技能測試的成本壓到接近可規?；乃?。

Vantage的多智能體架構

Vantage不是一個AI在干活，而是一群AI在演戲，該系統的精巧之處在于架構設計。

它不是一個AI出題、你來答題的傳統路子，而是搭了一個四層架構，每層都有AI各司其職，同時運轉。

第一層，場景生成。

你輸入一個軟技能維度，比如「沖突解決」。系統不是隨機編個故事，它先拿到評估量表，看清楚「什么表現算好、什么算差」，然后倒推出一個能區分好壞的具體情境。

第二層，角色扮演。

這是整個系統最有意思的部分：多個AI agent各領一個角色進入場景，跟真人被測者對話。

關鍵的地方來了：其中一個agent（Executive LLM）的任務就是「制造麻煩」。

谷歌研究人員提到，它的角色就是按劇本給你施壓、拋出不合理要求、搞情緒化反應。

這不是隨便聊聊天，而是有組織、有「預謀」的壓力測試。

當然，這個agent也不是傻壓，而是實時分析對話狀態，動態調整施壓策略。它就像一個自適應的考試引擎，確保考完之后該采集的證據都采集到了。

第三層，行為提取。

對話結束后，另一個agent上場，逐輪回看對話記錄。

它不打分，只做一件事：把你的具體行為抽出來。

哪句話是在回避沖突，哪句是在主動傾聽，哪句是在強行說服。

事實歸事實，判斷歸判斷，這兩步被刻意分開了。

第四層，評分。

評分agent拿著量表和上一步提取出的行為證據，逐條對照打分。

每個分數必須指向具體對話片段作為依據，不允許憑印象給分。

這樣四層解耦的好處很明顯：場景可以換，角色可以換，評分標準可以換，但流水線本身不變，而且，模塊化意味著可擴展。

今天測沖突解決，明天換個量表就能測項目管理，后天再換就能測談判能力。

熟悉軟件工程的人大概一眼就認出來了，這就是把微服務架構的思路，搬到了教育評估里。

188人實測

AI考官到底靠不靠譜

架構再漂亮，不實測都是空談。

谷歌和NYU做了一次聯合驗證。他們找了188名美國測試者，年齡18-25歲，在Vantage中完成了沖突解決和項目管理兩個維度的評估。

然后，NYU的人類評分專家用同一份rubric對同樣的對話記錄打分。

結果很有意思。

人類專家之間的一致性，Kappa值為0.45到0.64，也就是中等一致性。

專家彼此之間，以及大模型和專家之間，在對話評估上的一致性對比。 藍色是專家與專家，紅色是大模型與專家的一致性評估結果。柱子越高，代表看法越接近。

兩個人類專家給同一段對話打分，經常打出不同的分數。

這不意外。

軟技能評估本來就是主觀判斷密集的領域。

比如，一個人覺得候選人在沖突中表現出了「堅定但尊重」，另一個人可能覺得那叫「固執」。

而AI評分期跟人類專家之間的一致性呢？跟兩個人類專家之間差不多，這意味著它的評分質量已經到了同一水平線上。

這聽起來似乎沒什么大不了，但在軟技能評估這個領域里，這已經是一個了不起的基線。

更重要的是：人類專家一次只能評幾個人，AI可以同時評幾萬人。

成本直接差了兩個數量級。

這不只是考試

很多人第一反應是：這不就是個花哨的AI面試官嗎。

過去幾年，AI面試工具層出不窮，大多數最后淪為噱頭。

但Vantage更像是一個基礎設施層，目前谷歌已公開 Vantage 的技術報告與實驗介紹，外界已經能比較清楚地看到它如何用評分量表驅動情境生成、角色互動與結果評估。

從方法上看，這套框架具備一定的可遷移性：在理論上，研究者或機構可以圍繞不同軟技能設計相應任務與量表，并據此搭建類似的評估流程。

比如，企業可以探索把它用于領導力或協作場景的訓練與評估，教育機構也可以把它用于協作能力練習和反饋。

這讓人想起教育評估領域長期討論的「形成性評估」：不是期末一次定結果，而是在學習過程中持續測量、持續反饋、持續調整。

過去這件事之所以難以規?；粋€重要原因是高質量互動評估往往依賴真人考官，成本高、耗時長、標準化困難。

而像Vantage這類基于生成式AI的模擬評估系統，則讓這件事第一次呈現出更強的可擴展性。

當「最難考的能力」變得可考

當然，必須說清楚Vantage目前的邊界。

Google Labs博客中將其定義為研究實驗，它目前更接近一個公開可體驗的研究實驗，而不是已經大規模落地的成熟應用。

188人的驗證規模不算大，只明確覆蓋了協作中的沖突解決和項目管理兩個維度，跨文化場景沒碰，長期技能成長追蹤沒做，模擬環境里的表現能不能遷移到真實的人際互動，也還是個問號。

谷歌自己也承認，下一步要研究的正是這些。但這不妨礙Vantage這項實驗的潛力。

OECD早就把創造力、批判性思維列進了教育系統的核心討論。所有人都知道軟技能重要，但沒人真正解決過怎么測、怎么大規模地測。

Vantage給出了一個可能的答案。

Google Research博客里提到了這樣一句話：「在全球教育體系中，被測量的東西往往就是被教授的東西?！?/p>

這句話才是真正的炸彈。

如果軟技能可以被量化評估，那學校教什么就會變。

現在學校考什么？知識、公式、標準答案。因為只有這些東西能標準化測量。

但如果有一天，協作力、沖突解決能力、創造力都能被精準打分了，課程設計的底層邏輯就會被改寫。

企業招聘也一樣。

今天的招聘流程看學歷、看簡歷、看面試官的直覺。

如果AI可以在沉浸式模擬中直接觀察一個人處理沖突的能力，并給出可量化的分數，面試這件事本身就會被重新定義。

個人成長也一樣。

你的溝通能力、你的領導力，第一次有了可視化的進步曲線。

不再是「我覺得自己變強了」，而是「系統顯示你的沖突解決得分從上個月的63提升到了71」。

這就是Vantage這個小實驗背后的大故事：當「最難考的能力」變得可考，教育評估的邊界就會被重新劃定。

未來的考試

可能是讓你跟AI吵一架

當AI能制造沖突、觀察行為、提取證據、逐條打分，「考試」這個詞的含義就永遠變了。

它不再是你對著一張試卷獨自奮斗，可能是你走進一個房間，面對一群不好對付的人，然后做你自己。

下一個被AI考的軟技能會是什么？

也許是談判，也許是共情，也許是你最不想被打分的那個東西。

當AI不僅能替代你的硬技能，還能給你的軟技能精準打分的時候，你還覺得「情商」「協作力」是不需要認真對待的東西嗎？

參考資料：

https://research.google/blog/towards-developing-future-ready-skills-with-generative-ai/