5 个 AI 实测：ChatGPT 综合第一，Claude 最谨慎，Siri AI 与 Grok 暴露不同短板

以下内容按原视频中文字幕与章节整理。

这条视频把五个常见 AI 放在同一组日常情境里做对照测试：ChatGPT、Gemini、Claude、Siri AI 和 Grok。测试项目一共五项，分别是图片生成、写讯息、查看邮件、查询即时资讯，以及最关键的一项：AI 幻觉测试。视频想回答的核心问题也很直接：免费整合进 Apple 设备里的 Siri AI，到底能不能替代付费订阅的 ChatGPT，或者至少在日常使用里接近这些主流 AI？

测试规则和最终总排名

作者在每一题结束后都会给出名次，然后按第一名 5 分、第二名 4 分的方式累计平均分。最终综合排名如下：

• ChatGPT：4.2 星
• Gemini：3.4 星
• Claude：3.2 星
• Siri AI：2.4 星
• Grok：2.2 星

视频里也特别强调，这个排名只是综合实力分数，不代表第一名在所有场景都最好，也不代表后面的工具完全不能用。

第一题：图片生成测试，重点看中文正确率和修改能力

这题给五个 AI 的指令相同：做一张生日贺卡风格的插画，画面上要有「生日快乐」四个中文字。作者故意先输入简体，再追加第二步要求：在不改变设计的前提下，把简体字改成繁体。

视频里给出的结论是：

• ChatGPT 两步都做到了，繁体正确，设计也保持住，作者认为可以直接发给朋友。
• Gemini 第一版自己额外加了“Birthday Girl”和“5 岁”的元素，第二次修改后虽然把多余元素去掉了，但也顺手删掉了蜡烛。最后勉强算可用。
• Claude 没有直接生图，而是用程式码画了一张非常简单的图，字是对的，但画面明显偏简陋。
• Grok 有写字，但第一张图里的字根本不是正常中文，继续修改之后虽然更像中文了，内容仍然不对。
• Siri AI 一开始只能给出简体，后来虽然把字改对了，但成品设计让作者完全不满意。

这一题的排名，视频里给出的是：ChatGPT 第一，Gemini 第二，Claude 第三，Grok 第四，Siri AI 第五。

第二题：写讯息测试，真正拉开差距的是使用体验

第二题模拟的是一个非常日常的场景：朋友周末约你聚会，但你不太想去，又不希望对方觉得你很敷衍。作者把这个情境交给五个 AI，看看它们写出来的话能不能直接拿去发。

视频里的判断是，五家写出来的内容其实都差不多，语气自然、理由完整，也都会顺手补一句“下次再约”，内容层面很难说谁明显更差。真正的差异在于使用体验。

作者还故意在题目里把某个词写成简体，看看 AI 会不会自动修成繁体中文的常用写法。结果是：

• ChatGPT、Gemini、Siri AI 都会自动修成繁体习惯用字。
• Claude 和 Grok 没有修正，发出去之前还得自己手动改字。

但这题最大的加分点在 Siri AI。字幕里明确提到，Siri AI 写完讯息后会直接问“需要帮你发给谁吗？”，作者指定联络人之后，它真的把讯息直接发送出去了。整个过程不需要复制文字，也不需要切换 App。视频把这件事视为 Apple 系统级整合带来的独特优势。

这一题的结论是：Siri AI 第一，ChatGPT 第二，Gemini 第三，Claude 和 Grok 落在后两位。

第三题：查看邮件测试，ChatGPT 的安全提醒最让作者意外

邮件测试的问题是：让 AI 帮忙检查邮箱里有没有还没处理的重要帐单或通知。这一题和前两题不同，因为 AI 得真的连上你的邮件环境才能回答。

视频里每家的表现是：

• Grok 直接出局，无法连上邮箱，只能教作者自己去 Gmail 搜寻关键字。
• Gemini 虽然不用额外授权就能连上 Gmail，但找出来的是已经处理过的旧发票，最近真正需要处理的内容完全没提到。
• Siri AI 可以直接读取 Apple 内建 Mail App，只要常用邮箱已经加到 Apple Mail 里，就能直接用。它的结果是“没有发现明显未处理的帐单”，算是基本完成任务。
• Claude 找到了几笔真实帐单，也能区分哪些已经付款、哪些可能还要确认，整体算清楚。
• ChatGPT 这题最突出。它不只看了帐单，还主动发现三封 Google 安全警示，提醒 OpenAI、Claude 和 macOS 正在存取作者的 Google 帐户；另外还指出一封陌生帐号分享的 Google Drive 档案“可能是钓鱼信”。视频强调，这个安全判断是其他几家都没做到的。

因此这一题的排名是：ChatGPT 第一，Claude 第二，Siri AI 第三，Gemini 第四，Grok 第五。

第四题：查即时资讯测试，最怕的不是答错，而是让你误以为是“现在”的资料

这一题测了两个公开可查的问题：一个是世界杯比赛战况，一个是频道当前订阅数。作者希望知道，哪家 AI 查即时资讯最准确。

世界杯战况

• ChatGPT 直接显示国旗，并附带战况分析，重点很前面，视觉上最好理解。
• Gemini 用四栏表格把赛事、时间、状态和“为什么重要”说明清楚，结构非常简洁。
• Siri AI 会呼出 Apple 原生赛程卡，有国旗和比分，但只给比分和时间，没有把“目前战况如何”这半个问题答完整。
• Grok 的比分是准确的，但资讯量太多太杂，需要自己筛选。
• Claude 给出了过期资料。视频里的例子是它说捷克 1 比 0 领先南非，但作者测试时实际比分已经是 1 比 1。

作者在这里特别提醒一点：你问 AI 即时资讯时，它不会明确告诉你这些资料到底是几分钟前的，还是刚刚更新的，如果直接拿来信，就可能踩坑。

频道订阅数

作者问五个 AI：YouTube 上名为“彼得森”的繁体中文科技频道，现在大概有多少订阅者。录影时正确答案是 33.4 万。

• ChatGPT 和 Grok 都查到了 33.4 万。
• Claude 回答 32 万，虽然略低，但主动提醒“建议直接去频道页面确认最新数字”。
• Gemini 只说“约 30 万”，没有给出准确数字。
• Siri AI 回答 13.4 万，和实际 33.4 万整整差了 20 万。

综合两个情境，视频给出的排名是：ChatGPT 第一，Gemini 和 Grok 并列第二，Claude 和 Siri AI 并列第四。

第五题：AI 幻觉测试，谁最会“自信地脑补”是关键

最后一题是整支视频最重要的部分。作者故意让五个 AI 去比较一台还没有正式发表的手机，也就是 iPhone 18 的规格表。表面上像是在查规格，实际想测的是：当 AI 不知道答案时，会不会自己补出一个看起来合理、但其实未经证实的答案。

视频对“幻觉”的定义也很明确：不是 AI 故意骗人，而是在不知道答案的时候，自动填一个听起来很合理的答案，而且是用非常自信的语气说给你听。

这一题的表现分别是：

• Siri AI 完全没有识破问题，直接列出一张看起来很正式的“iPhone 18 系列规格比较表”，最后才在很小的地方说这是预测数据。更明显的问题是，它写出 64GB 起步这种不合理规格，而 iPhone 17 系列都已经不是这个起点了。
• Claude 的处理最克制。不确定的地方会直接写“未知”，不会随便补数字，还会告诉你哪些内容能参考、哪些不能参考。
• Gemini 整体也算克制，大部分内容站得住脚，只是某些续航说法讲得过于肯定。
• Grok 连电池容量都能给出精确到 3692mAh 的数字，但手机都还没发表，这种看起来“很精确”的数字，反而最容易让人误信。
• ChatGPT 这一题内容最完整、参数最多，但也出现了明显不合理的推测，例如把 iPhone 18 的萤幕更新率写成 60Hz、容量写成 128GB 起步。视频认为，这正好说明“说得越详细，不代表越准确”。

这一题的排名是：Claude 第一，Gemini 第二，Grok 第三，ChatGPT 第四，Siri AI 第五。

这条视频最后真正想表达的结论

视频最后给出的总结，不是单纯推荐哪一家最好，而是把五家 AI 的性格讲清楚：

• ChatGPT 综合最强，但答得越完整、越像样，越要自己再验证一次，因为它不会主动告诉你哪些是查到的、哪些是猜的。
• Gemini 综合实力不错，但视频认为它和 Google 自家服务的整合，反而没有想像中强。
• Claude 综合第三，但在五家里面“幻觉最少”，不知道就说不知道，因此作者自己现在反而越来越常用 Claude 做整理和分析。
• Siri AI 最大优势是免费，而且整合进 iPhone、Mac 和 iPad，讯息、邮件、行事历、联络人这些日常内容都能直接调用，不需要再单独授权；但目前综合能力和其他几家相比还有明显差距。
• Grok 在这次测试里整体最让作者失望，但即时资讯因为背后有 X 的动态数据，仍然有自己的优势。

视频最后一句话也很直接：AI 不是越聪明越值得信，而是越敢说自己不知道，才越值得信任。

来源：Youtube