AGI 怎样才算真的来了？

文/吴绛枫 9月3日，OpenAI总裁格雷格·布罗克曼在发布新模型GPT-6 Astra后，抛出了一句话：“欢迎来到AGI时代。” 三天后，黄仁勋在社交平台上把话说得更直接：“从ChatGPT到o1，再到GPT-6 Astra，只用了四年。AGI已经到来。” 众所期待的AGI，就这么突然被宣布实现了？ 显然，事情没这么简单。 GPT-6 Astra发布前不久，OpenAI CEO山姆·奥尔特曼还在说，AGI是一个“定义极其模糊的词”，甚至差点称它为“无关紧要的营销术语”。 负责GPT-6 Astra关键评测的ARC Prize团队也专门提醒：GPT-6 Astra确实代表了通用化能力的重要进步，但“我们并不声称它就是AGI”。 一边是“欢迎来到AGI时代”，一边是“我们没有说这是AGI”。 今天，谁都在谈AGI，却没有谁能说清楚： AI究竟要做到什么，才算真正越过了AGI这条线。 榜单上的高评分，能和AGI划等号？ 先来看看GPT-6 Astra最令人咋舌的成绩，是在ARC-AGI-3上拿到99.9%。 ARC-AGI与普通评测不太一样。它不会直接告诉模型规则，而是把模型放进陌生环境，让模型自己判断目标、理解反馈，再找到解决办法。 这项评测试图衡量的，正是当前AI最受质疑的一种能力：面对没见过的问题，能不能现场学会。 99.9%的得分当然惊人。但这个数字有一个常被省略的前提。 在ARC Prize统一提供的标准测试框架中， GPT-6 Astra得分为62.7% ；接入OpenAI提供的专用适配框架后，得分才上升到99.9%。 后者允许模型保留跨请求的隐藏推理状态，并利用上下文压缩延续此前的探索经验。 我们无法把OpenAI这项操作简单归类为“作弊”。毕竟，现实中的AI本来就不会裸机运行。记忆、工具和运行框架都可能成为智能系统的一部分。 问题在于，62.7%测量的更接近单个模型的能力；99.9%测量的则是一套经过专门优化的完整系统。 两项成绩都是真的，却不能混为一谈。 更不能把99.9%的测试得分，顺手换算成“99.9%的AGI”。 此外，GPT-6 Astra在其他评测上的表现，也没有呈现出一个无懈可击的通才形象。 它在高难数学测试FrontierMath Tier 4上达到97.6%，在计算机操作测试OSWorld 2.0上得到72.6%；但到了更接近真实办公流程的AutomationBench，成绩降至41.4%，在复杂专业任务测试Agents’ Last Exam上也只有59.3%。 这些数字真正说明的是，当任务规则清晰、答案可以验证时，Astra已经能够逼近甚至超过人类；一旦进入流程冗长、目标模糊的现实环境，它仍然会频繁失败。 AI在封闭考试中表现出色，并不新鲜。 深蓝击败国际象棋世界冠军，Watson赢下《危险边缘》，AlphaGo走出“神之一手”时，人们都曾短暂地产生过类似的错觉：既然机器已经征服了如此复杂的任务，通用智能大概也不远了。 规则明确、反馈即时、有自动裁判的世界，与现实生活并不是一回事。 人人都在说的AGI，是同一个东西吗？ AGI至今缺少统一共识。 OpenAI采用了最具经济导向的定义。其在2018年发布的公司章程将AGI描述为 “在大多数具有经济价值的工作上超越人类的高度自主系统”。 这一定义包含三个关键条件——覆盖广泛的工作、表现超过人类、能够高度自主运行。 现实工作中的产出构成了核心尺度。意识、情感和人类式思维并未被列为必要条件。 这一标准与OpenAI近年的产品路线高度契合。 推理模型提升复杂任务的处理能力，智能体强化工具调用和计算机操作，Codex等产品进一步进入软件开发流程。 各项能力最终汇向同一个目标：让AI承担更完整的工作，并将模型能力转化为可规模化部署的生产力。 Anthropic对AGI的处理方式更加谨慎。CEO达里奥·阿莫迪认为，这个词承载了过多模糊含义，因此更常使用“强大的AI”。 在2024年10月发表的《Machines of Loving Grace》中，阿莫迪描述了一类具体系统： 它在多数重要领域达到或超过顶尖专家水平，能够独立完成持续数小时、数天乃至数周的任务，还可以复制成数百万个实例，以远高于人类的速度同时工作。 这幅图景包含能力、自主性和复制规模三个变量。三者共同决定AI的现实影响，也会同步放大滥用、失控和系统性风险。 基于这一判断，Anthropic将能力扩展与风险治理绑定。公司的战略重点可以概括为：保持前沿模型竞争力，同时让安全保障随能力等级同步升级。 Google DeepMind关注的，则是AGI的测量标准。 其2023年发布的《Levels of AGI》文章，以“性能”和“通用性”为两条主轴，将通用智能划分为“新兴”“胜任”“专家”“大师”和“超人类”五个等级，并把自主性作为独立维度处理。这套框架要求研究者同时考察能力强度和覆盖范围。 2026年3月，DeepMind进一步发布认知分类框架，将通用智能拆分为感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决和社会认知十个维度。 评估流程使用未公开测试集、具有代表性的人类样本，以及模型相对于人类能力分布的位置。 DeepMind还与Kaggle设立20万美元奖金，为其中五个评测较薄弱的维度征集测试方案。 这套思路把AGI从单一标签转化为可比较的认知能力图谱，也体现了DeepMind的研究取向：建立统一尺度，识别能力缺口，再据此组织评测和研发。 关于AGI的定义，不只是一个概念问题。 采用什么标准，就会把什么能力视为关键进展；把什么能力视为关键进展，就会决定一家公司的产品路线、资源配置和安全重点。 定义看似在描述未来，其实也在塑造未来。 为什么说“AGI是否到来”，成了一场叙事之争？ 人们总是习惯把技术革命想象成一个明确的瞬间。 莱特兄弟的飞机离开地面，第一颗原子弹爆炸，阿波罗11号登上月球。 历史需要日期，也偏爱标志性画面。 回到当下的AGI到来之争，“GPT-6 Astra就是AGI”与“我们进入了AGI时代”，其实是两种不同性质的表达。 前者是可以被质疑和检验的技术结论：既然它是AGI，就应当说明采用了什么定义、满足了哪些条件，又在哪些测试中得到独立验证。 后者则更像一种时代判断。布罗克曼说的正是“欢迎来到AGI时代”。这种表述既制造了历史时刻，又保留了足够大的解释空间。 对模型公司和AI产业链而言， “AGI”首先是一种强大的产品叙事。 模型能力的真实进步通常是零散而不均匀的。准确描述这些变化，需要一长串评测、条件和限定语。 “AGI时代来了”却可以把一切压缩成一句话。 它把一次模型发布从产品升级变成历史节点，也把算力投入、技术路线和商业前景组织进同一个故事。 对于争夺用户、企业客户、人才和资本的公司来说，这种叙事的价值，或许并不亚于一次模型能力的重大突破。 黄仁勋的表态，也不能脱离这个叙事框架来理解。 2025年9月，英伟达与OpenAI宣布达成战略合作意向。按照当时公布的计划，OpenAI将部署至少10吉瓦的英伟达系统，规模相当于数百万颗GPU；英伟达则准备随着基础设施逐步落地，向OpenAI投资最高1000亿美元。 这是一份意向书，并非已