阿里AI拿下国际顶会大奖，却发现：最聪明的AI，连给商品“分门别类”都做不好

这件事跟普通人有什么关系？

你现在用的“人工智能助手”（比如帮你查资料、写东西的AI），其实遇到那些需要严格遵循真实世界规则的任务时，可能会犯低级错误。比如给一件商品正确分类、确认某个行为是否合规、判断医疗诊断是否合法——这些事AI还远不如人类专家靠谱。阿里的这项研究找到了问题的根源，并为未来更可靠的AI开发提供了“体检工具”。

阿里拿了什么奖？

国际计算语言学协会（ACL）是自然语言处理领域最权威的学术组织之一。ACL 2026（2026年的年度会议）从全球超过1.2万篇投稿中选出4篇最佳资源论文奖，阿里是唯一获奖的中国公司。获奖论文首次系统展示了当前AI智能体（就是能自主执行任务的AI程序）在真实世界的复杂规则推理中存在的巨大缺陷，并提出了一个新的评测标准。

新评测标准是怎么“拷问”AI的？

研究团队用了一个非常实际的场景：给进出口商品分配10位海关编码（HS Code）。这项工作需要将商品模糊的材料、用途等信息，与严格、层级化的关税归类的规则对上号。比如一件“羊毛混纺外套”，要准确匹配到“6304.90.0090”这种具体编码。

他们测试了14个主流大模型和9个先进的AI智能体框架，结果发现：

最好的AI智能体准确率只有大约45%
人类专家却能轻松达到95%的准确率
更关键的是，就算让AI花更多时间“思考”（加大计算量），准确率几乎没提升——说明问题不在算力，而在AI的架构本身。

为什么AI会犯这些错？

研究总结出三个主要原因：

推理链太长容易跑偏：AI在一步步思考的过程中，中途容易忘记最初的目标，走到岔路上去。
领域知识不足导致用错规则：比如把“针织衫”的规则套用在“梭织外套”上。
推理时产生幻觉：AI会生成一些看似合理但实际没有依据的分类判断。

这些发现给未来开发“更靠谱”的AI指明了改进方向。

阿里自己做的AI表现如何？

基于这项研究，阿里以自家的Qwen模型为核心，设计了专门处理海关分类的AI智能体，在相同测试中准确率提升到了65.0%，虽仍远低于人类专家，但已经是所有被测试的AI系统里最高的了。目前，相关的测试数据和代码已经在开源平台Hugging Face和GitHub上公布，供全世界的开发者使用。

这项研究意味着什么？

研究团队表示，类似“层级规则应用”在现实世界里非常普遍——法律合规、医疗诊断、税务审计等专业领域都依赖这类能力。这个新的评测标准就像一面镜子，照出了当前AI在严肃、高风险的场景下到底靠不靠谱。对普通人来说，这意味着：在那些“搞错一点点就会出大事”的事情上（比如报关、开处方、判案子），暂时还不能完全信任AI，但科学家已经找到了给它“查漏补缺”的工具，未来会更安全。