AGI：一个没有共识的目标
AGI（Artificial General Intelligence）是 AI 领域被引用最多、定义最模糊的概念。每个人都有自己的标准：
| 立场 | AGI 标准 | 代表人物 |
|---|---|---|
| 保守派 | 在所有经济有价值的任务上超越人类 | OpenAI |
| 实用派 | 能完成大多数人类知识工作者任务 | DeepMind |
| 严格派 | 具备人类水平的抽象推理、迁移学习、常识 | 学术界 |
| 哲学派 | 具备自我意识、理解、创造力 | 哲学家 |
这种定义分歧不是文字游戏——它直接决定了"AGI 是否已经实现"的判断。如果你用保守派标准，GPT-4 在许多知识任务上已达到或超越人类水平。如果你用严格派标准，当前模型离 AGI 还有质的差距。
本文采用实用派框架：AGI = 能在大多数需要人类智能的任务上达到人类水平的 AI 系统。
当前里程碑
GPT-4 / Claude 4 / Gemini 2：能力坐标系
| 维度 | 人类水平 | 当前 SOTA | 差距评估 |
|---|---|---|---|
| 知识广度 | 一个人的知识 | 超越所有个体 | 已超越 |
| 知识深度 | 专家级单领域 | 接近专家级 | 基本持平 |
| 逻辑推理 | 一般人类 | 弱于人类专家 | 有差距 |
| 数学推理 | 训练有素者 | 接近竞赛水平 | 接近 |
| 代码生成 | 熟练程序员 | 接近中级水平 | 接近 |
| 长程规划 | 人类本能 | 显著弱于人类 | 大差距 |
| 常识理解 | 婴儿水平 | 混乱且不可靠 | 大差距 |
| 迁移学习 | 人类本能 | 有限 | 大差距 |
| 具身交互 | 人类本能 | 极初级 | 巨大差距 |
2024-2026 关键进展
- 推理模型崛起：o1/o3 系列通过强化学习内化了推理过程，在数学和编码基准上显著突破
- 长上下文工程：从 4K → 10M token，但有效利用长度远低于标称值
- 多模态融合：原生多模态（非拼接式）开始成熟
- Agent 架构：从单轮对话走向多步自主任务执行
- 模型成本下降：同等能力的模型推理成本每年下降 ~10x
Scaling Law：触顶了吗
经典 Scaling Law
2020 年 Kaplan 等人提出的 Scaling Law：模型损失 L 随参数量 N、数据量 D、计算量 C 呈幂律下降：
L(N) = (N_c / N)^α_N # α_N ≈ 0.076
L(D) = (D_c / D)^α_D # α_D ≈ 0.095
L(C) = (C_c / C)^α_C # α_C ≈ 0.050
Chinchilla 修正
2022 年 DeepMind 指出：经典 Scaling Law 严重低估了数据量的重要性。最优训练策略下，数据与参数应等比例增长：
最优：N_opt ∝ C^0.5, D_opt ∝ C^0.5
而非 Kaplan 的：N_opt ∝ C^0.73, D_opt ∝ C^0.27
这意味着：之前的模型（包括 GPT-3）都"训练不足"。
2025-2026 的争论
触顶论证据：
- 顶级实验室报告边际收益递减
- 高质量训练数据即将耗尽（互联网文本已基本被采尽）
- 算力成本增长曲线趋于平缓
反触顶论证据：
- 推理时计算（test-time compute）成为新的扩展维度
- 合成数据质量持续提升
- 架构创新（MoE、线性注意力）提升参数效率
- 多模态数据打开新的数据维度
能力
│
│ ······→ 推理时 Scaling
│ ······
│ ······
│ ······ ← 训练 Scaling（可能放缓）
│···
└──────────────────────────── 计算量
我的判断： 训练侧 Scaling Law 不会"触顶"，但会"弯曲"——从幂律增长变为对数增长。推理侧 Scaling 是新增长极。真正的瓶颈不是算力，而是高质量数据。
多模态融合
从拼接式到原生多模态
第一代多模态（GPT-4V）：视觉编码器 + LLM，两个系统拼接。
当前多模态（Gemini 2 / GPT-4o）：原生训练，所有模态共享表示空间。
# 原生多模态的概念模型
# 不同模态映射到统一的 token 空间
class NativeMultiModal:
def __init__(self):
self.tokenizer = UnifiedTokenizer()
# 文本、图像、音频、视频 → 统一 token 序列
def forward(self, inputs):
# inputs = {"text": "...", "image": [...], "audio": [...]}
tokens = []
for modality, data in inputs.items():
tokens.extend(self.tokenizer.encode(data, modality))
# 统一 Transformer 处理
return self.transformer(tokens)
多模态的意义
多模态不只是"加了视觉"。它解决了纯文本模型的根本局限：
- 接地问题（Grounding）：文本模型不知道"红色"是什么。多模态模型能将"红色"与视觉信号关联。
- 常识获取：人类常识大部分来自物理世界体验，而非文本。多模态是通向物理常识的桥梁。
- 空间推理：纯文本模型在空间推理上表现差，因为空间关系难以用语言充分表达。
具身智能：最后的疆域
为什么具身智能重要
一个在文本上"全知全能"的模型，如果连倒杯水都做不到，能算 AGI 吗？具身智能——AI 在物理世界中感知和行动的能力——是 AGI 最难也是最后一块拼图。
当前进展
| 方向 | 代表项目 | 水平 |
|---|---|---|
| 机器人操作 | Figure 02, Tesla Optimus | 抓取/搬运，有限场景 |
| 模拟环境训练 | NVIDIA Isaac, Habitat | 可迁移但 sim-to-real gap 仍大 |
| VLA 模型 | RT-2, Octo | 视觉→动作映射，泛化有限 |
| 自主导航 | Waymo, Tesla FSD | 受控场景接近实用 |
| 灵巧操作 | AnySkin, DexNet | 远不如人类手部 |
核心挑战
感知 → 理解 → 规划 → 执行 → 反馈
│ │ │ │ │
├ 实时 ├ 物理 ├ 长程 ├ 精度 ├ 触觉
├ 多模 ├ 常识 ├ 约束 ├ 力控 ├ 纠错
└ 态 └ 推理 └ 优化 └ 适配 └ 学习
每个环节都有独立的研究难题，且这些环节必须实时协同。这就是为什么具身智能比语言模型难一个数量级。
2030 预测时间线
基线预测（50% 概率）
| 年份 | 里程碑 | 置信度 |
|---|---|---|
| 2026 | 推理模型在数学/编码上稳定超越人类专家 | 高 |
| 2027 | 端到端 Agent 完成复杂多步骤工作流（> 10 步） | 中高 |
| 2027 | 原生多模态成为标配，单一文本模型退出市场 | 高 |
| 2028 | 合成数据训练的模型在多数基准上超越人类标注数据训练 | 中 |
| 2028 | 通用机器人模型在非结构化环境中完成 50+ 种日常任务 | 中低 |
| 2029 | AI 自主完成科研全流程（文献→实验→论文） | 中低 |
| 2030 | 实用派 AGI 标准：大多数知识工作可被 AI 完成 | 中 |
悲观情景（20% 概率）
Scaling Law 显著放缓，数据枯竭，架构创新停滞。2030 年的模型比 2026 年只强 30-50%。AGI 推迟到 2040+。
乐观情景（20% 概率）
新架构突破（如真正的神经符号系统），推理时计算突破，具身智能快速进展。2028 年达到实用派 AGI。
关键变量
- 算力成本曲线：如果每 FLOP 成本下降速度维持 2x/年，AGI 加速到来
- 数据墙突破：合成数据质量 + 多模态数据量决定上限
- 架构革命：Transformer 之外的突破（SSM、Diffusion LM、神经符号）
- 监管约束：过度监管可能将 AGI 推迟到特定地区
- 安全对齐：如果对齐问题无法解决，能力提升可能被主动限制
理性看待预测
AI 预测的历史记录很差。2015 年，专家预测 2050 年 AGI；2020 年，预测提前到 2040；2024 年，预测提前到 2030。每次能力跃升都让预测者兴奋地缩短时间线。
保持谦逊： 预测不是预言。时间线是决策工具，不是承诺。正确的做法是：为可能的快速进展做好准备（技能升级、组织适应），同时为进展放缓保留退路。
AGI 不是一个开关——不会在某一天突然"实现"。它是一个渐进过程，而我们已经在这个过程中了。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。