这其中的讽刺意味浓厚得简直可以用硅晶圆来切割。在Anthropic，这家凭借其Claude模型不断拓展人工智能边界的公司里，工程师们正陷入一场永无止境的军备竞赛。他们的对手？他们自己的创造物。奖品？一个可靠的技术面试测试。

自2024年以来，Anthropic的性能优化团队一直依赖于一份居家测试来评估潜在员工的技能。这是一种直接有效的方法，可以将真金与败絮区分开来，从而识别出具有真正编码能力的人选。但随着AI编码工具，尤其是Anthropic自己的Claude的迅速发展，这项测试已经变成了一个移动靶。

正如团队负责人Tristan Hume在最近的一篇博客文章中所解释的那样，挑战在于Claude变得太优秀了。模型的每一次迭代都迫使他们对评估进行彻底的重新设计。“每个新的Claude模型都迫使我们重新设计测试，”Hume写道。问题不仅仅是Claude可以完成测试，而是它可以完成得非常出色。根据Hume的说法，在相同的时间限制下，Claude Opus 4的表现优于大多数人类应聘者。虽然这最初让Anthropic仍然能够识别出最优秀的候选人，但随后发布的Claude Opus 4.5进一步模糊了界限，甚至与那些顶尖应聘者的表现相匹配。

这带来了一个重要的候选人评估问题。在居家环境中，如果没有监考人员的密切关注，就无法保证应聘者没有利用AI辅助。如果他们这样做了，他们可能会迅速跃升到应聘者池的顶端，不是因为他们固有的技能，而是因为他们有效提示AI的能力。“在居家测试的限制下，我们不再能够区分我们最优秀的候选人和我们最强大的模型的输出，”Hume承认。

Anthropic的处境反映了教育领域正在发生的更广泛的斗争。世界各地的学校和大学都在努力应对AI辅助作弊的影响。学生现在可以使用AI来撰写文章、解决复杂的方程式，甚至生成代码，这引发了对传统评估方法有效性的质疑。像Anthropic这样的人工智能实验室面临着类似的困境，这一事实凸显了该问题的普遍性。

然而，Anthropic在应对这一挑战方面具有独特的优势。作为一家领先的AI研究公司，它拥有开发新型评估方法的技术专长，这些方法可以有效地区分人类和AI生成的工作。该公司正在探索各种解决方案，包括纳入更多开放式、创造性的解决问题任务，这些任务对AI来说难以复制。他们还在研究检测AI生成的代码的方法，尽管这是一个不断发展的领域。

这种情况的影响超出了技术面试的范围。随着AI的不断发展，准确评估人类的技能和能力将变得越来越困难。这可能会对教育、就业，甚至对人类智能的定义产生深远的影响。

Anthropic的工程师和他们的AI模型之间正在进行的战斗凸显了在AI时代对评估进行根本性反思的必要性。这是一个需要创造力、创新以及适应快速变化的技术环境的意愿的挑战。评估的未来很可能取决于我们保持领先于机器一步的能力。