AGI

AGI(Artificial General Intelligence,通用人工智能)指的是在绝大多数有经济价值的认知任务上,能达到或超过人类水平的 AI 系统。关键词是通用:不是在某一项上超过人(那早就实现了,计算器、AlphaGo 都算),而是像人一样,面对没见过的新任务也能自己学会怎么做。

它是个目标,不是个技术

AGI 目前不是一项技术、一个架构,而是各大实验室公开写在使命里的目标。OpenAI、DeepMind、Anthropic 的公司愿景里都有它。正因为它是目标而非现状,关于"到了没有"的争论本质上是定义之争。

为什么没有公认的判定标准

问题出在没人能给"通用"划一条大家都认的线:

• 按考试判定?现在的前沿模型在律考、医考、奥数题上都能拿到不错的分数,但把它放进一个真实岗位干三个月,又明显不行。基准分数和实际胜任之间有巨大鸿沟。
• 按经济价值判定?有人提议"能完成人类远程工作的大部分岗位"就算。这个标准更实在,但难以测量,而且会随时间漂移。
• 按能力清单判定?清单本身就是主观的。持续学习、长期规划、具身操作、自我纠错——列哪几项、每项要到什么程度,没有共识。

结果是:每当模型能力跨过一个台阶,总有一批人说"这已经是 AGI 了",另一批人说"这离 AGI 还远",双方说的其实是两个不同的定义。

和它容易混的几个概念

• ASI(超级智能):在几乎所有方面远超人类,是 AGI 之后的假设阶段。
• 窄 AI:只在特定任务上强,是目前所有已部署系统的真实状态。
• 前沿模型:当前能力最强的那一批模型,是个相对的、随时间移动的位置,不是 AGI 的同义词。

讨论 AGI 时的实用建议

在产品语境里,"离 AGI 还有多远"通常不是个有用的问题。更有用的问法是:这个具体任务,模型现在的成功率是多少,失败时代价有多大,能不能兜住。前者决定要不要上,后者决定怎么上——这两个问题有确定答案,而 AGI 没有。