算力膨脹、模型堆疊，提示詞像燃料一樣被反復輸入。

AI的腳步沒有停下，反而越來越快。

有人預言，AGI遙遙無期，至少要等上半個世紀。

可現在，一些關鍵節點被提前。

這條路，曾被說太遠；可誰也沒想到，它會走得這么急。

奧特曼最新觀點：AGI這一詞沒啥意義了

十年縮成五年

AGI預言大幅提前

正如MIT Technology Review Insights剛剛發布的一篇名為「The road to artificial general intelligence」所指出的。

我們對AGI的預判，正在經歷一次肉眼可見的加速。

從GPT-3發布時的「50年才能實現」，到如今的「5年內可見雛形」，時間提前了數十年。

對AGI未來的預測

Anthropic聯合創始人Dario Amodei提出了一個更實際、更新的表述：「Powerful AI」。

這是一種具備諾獎級智能，能夠跨文本、語音與物理環境靈活切換，還能自主設定目標并完成推理執行的模型。

而他對其判斷是——最早2026年，它就可能出現。

奧特曼則認為，具備AGI特征的系統「已經初露端倪」，其潛力或將帶來堪比電力與互聯網的社會變革。

從更宏觀的數據看，預測的時間線也在明顯前移。

多位預測顯示，到2028年，AI實現多個AGI里程碑的概率至少為50%。

到2027年，機器在無人輔助下超越人類完成一切任務的概率約為10%，到2047年可能上升至50%。

這條被認為還需「半個世紀」的路，如今正在被重寫。

超能力與短板并存

AI的八宗缺陷

今天的AI，像是一個成績優異的天才學生。

它能背書，能考試，甚至能在高難度的專業任務中勝出。

可一旦離開考場，它就像丟了魂。

圖像識別時，它會把香蕉認成吐司；做導航，它可能直沖墻上；讓它接住一杯水、剪斷一根線，十有八九會手忙腳亂。

這些不是笑話，而是現實。

AGI真正需要的，不只是邏輯和語言生成的能力，更需要的是「人類默認技能」。

McKinsey曾總結過AGI在模仿人類智能上的8項核心缺陷，它們幾乎覆蓋了我們與智能體互動的每一個維度：

1. 視覺感知：對顏色和圖像變化反應遲鈍，容易混淆，缺乏真正的視覺一致性；

2. 音頻感知：難以處理聲音的空間位置、細節特征，無法識別語調和情緒；

3. 精細動作：無法完成復雜的精細動作，比如穿針引線、外科手術；

4. 自然語言處理：只能理解句法，不理解含義，面對語境和暗示經常「跑偏」；

5. 問題解決：只能應對被定義好的問題，面對新任務幾乎無從下手；

6. 導航能力：在動態現實中難以自主規劃路線，無法適應環境變化；

7. 創造力：無法提出真正的新問題，也無法優化和改寫自己的邏輯結構；

8. 社會與情緒理解：看不懂臉上的情緒、聽不出語氣的變化，更不會真正共情。

強大，但失衡；聰明，卻遲鈍。

這就是今天的AI——它站在我們面前，卻還隔著一層看不見的玻璃。

既要跑得快，還要會協同

AI背后的算力戰

AGI不是靠一顆更大的芯片疊出來的，它需要一整套進化中的計算體系從硬件到底層軟件。

從數據中心的能源結構到移動設備的資源調度，層層協同，彼此喚醒。

這場戰爭，已經悄悄打響。

在進入深度學習時代后，AI的計算需求增速從21個月翻倍驟降到5.7個月翻倍，模型體積膨脹百倍，訓練成本指數上升。

AI計算需求增長曲線

一些預測甚至認為，未來某些AGI訓練任務的算力消耗可能超過一個國家的GDP。

這不僅是硬件的拉鋸戰，更是架構的重寫。

為了適應大規模推理和實時響應的需求，AI系統正全面轉向異構計算路徑：CPU、GPU、NPU、TPU各司其職，把最合適的算力分配給最合適的任務。

而讓這支多芯片協同作戰的，是隱藏在系統底層的軟件工具和軟件框架。

通用AI的計算棧結構

它們負責管理、協調和調度任務，幫助開發者在不重寫代碼的前提下調用不同硬件、跨平臺部署，優化性能同時降低能耗。

但即便如此，想靠現在這套算力棧直接堆出AGI，依舊不現實。

MIT報告指出，真正的問題不只是算得不夠快，而是結構不夠對。

就像Transformer曾引爆了生成式AI一樣，AGI可能也需要一次架構革命。

不是再卷一個更大的LLM，而是去發明一種認知骨架，讓模型像人類一樣，可以在新環境中學會思考、適應、轉移技能、優化自己。

而這也許正是當下最大的悖論——

我們需要更強的計算系統去支撐AGI的形成，卻又需要徹底重構智能的底座，來突破單純堆算力的天花板。

智力的真正考題

AI在ARC測試里慘敗

Fran?ois Chollet，也是ARC智力測試的發起人，提出了一個更苛刻的標準：

「真正的智能，是能把你已知的知識重新組合，去解決全新的問題」。

為了驗證這一點，他設計了ARC-AGC的測試。

和傳統測試不同，每一道題都是從未出現過的新任務。

考察的是真正的人類式推理——抽象能力、遷移能力、類比能力。

結果出人意料，純大語言模型的得分是0%。

即便是經過額外推理優化的系統，也只拿到了個位數的成績。

而人類，幾乎能全部做對。

Chollet直白地說：

「這說明目前最強的AI模型，根本不具備靈活重組知識的能力。它們只是記憶力好，但不會真的想」。

這場測試暴露出的，不是參數不夠、訓練不夠，而是根本方向錯了。

它不是缺少力量，而是不具備「思考結構」本身。

不是更強，而是更廣

AGI的最終拼圖

通往AGI的路徑，從來就不只一條。

但越來越多的證據開始指向同一個結論：

AGI可能不是某一個技術點的突破，而是一整套異構系統的協同崛起。

它需要更靈活的硬件結構——用對芯片，做對事，CPU、GPU、TPU、NPU各司其職。

它需要更聰明的調度框架，讓這些異構芯片動態配合，不浪費一點算力。

它需要新的架構，像Transformer之于GPT，引發一次認知方式的跳躍。

它甚至需要重新建構「智能」本身。

也許通向AGI的，不是某種「更強模型」的出現，而是一次技術的集體轉向。

正如MIT報告中所說：

「我們在追尋更聰明機器的過程中，可能也會第一次真正理解聰明意味著什么」