AGI（通用人工智能）
AGI（Artificial General Intelligence）指在任何人类能做的认知任务上达到或超过 人类水平的人工智能。与当前"窄 AI"（每个任务单独训练的模型）相对。
不同人的 AGI 定义
| 来源 | 定义 |
|---|---|
| 学术界 | 在广泛任务上达到人类水平的系统（无具体能力清单） |
| OpenAI 章程 | "高度自主、在大多数有经济价值的工作上超越人类" |
| DeepMind | 能跨领域学习、迁移知识、解决未见问题的系统 |
| Anthropic | 需要在长尾任务上稳健，不只是 benchmark 上的高分 |
当前进度争议
- 乐观派（Hinton、Altman）：GPT-5 + Agent 已展示 AGI 早期迹象，2030 前实现。
- 谨慎派（Yann LeCun）：当前 LLM 没有世界模型，没有持久记忆，离 AGI 还差几个范式。
- 怀疑派：AGI 概念本身就是营销话术，"足够好的 AI"才是务实目标。
关键技术缺口（截至 2025）
- 持续学习：模型训练后不能继续从经验中学习（每次都要重新训练）。
- 世界模型：LLM 没有内部物理 / 因果模型，纯靠统计模式。
- 长尾任务：训练数据少的长尾任务性能差。
- 可靠性：在关键场景（医疗、自动驾驶）仍不能保证 99.99% 准确。
- 自我意识 / 目标稳定性：AGI 是否需要这些，哲学上有争议。
与 ASI 的区别
- AGI = 人类水平 AI（多数任务）
- ASI（Artificial Superintelligence）= 远超人类水平 AI
OpenAI / Anthropic 都把 AGI 当成 ASI 的前置条件——必须先把 AGI 做对齐， 再做 ASI。否则 ASI 可能造成不可控后果。
现实建议
- 不必为 AGI 时间表焦虑：未来 5-10 年看的是"哪个 LLM 在哪个领域能落地"。
- 关注 对齐研究：AGI 时代到来前，对齐技术比模型规模更重要。
- 务实落地：与其追 AGI 概念，不如把当前 LLM 在自己业务里用好。