我们越来越接近AGI——至少看起来是这样。时间表从50年压缩到5年，更有大佬预测2026、2028年。可与此同时，AI在ARC测试的得分却是0%，在人类基本能力上依然像个新手。我们是不是太早以为，它已经准备好了？

算力膨胀、模型堆叠，提示词像燃料一样被反复输入。

AI的脚步没有停下，反而越来越快。

有人预言，AGI遥遥无期，至少要等上半个世纪。

可现在，一些关键节点被提前。

这条路，曾被说太远；可谁也没想到，它会走得这么急。

奥特曼最新观点：AGI这一词没啥意义了

一、十年缩成五年，AGI预言大幅提前

正如MIT Technology Review Insights刚刚发布的一篇名为「The road to artificial general intelligence」所指出的。

我们对AGI的预判，正在经历一次肉眼可见的加速。

从GPT-3发布时的「50年才能实现」，到如今的「5年内可见雏形」，时间提前了数十年。

对AGI未来的预测

Anthropic联合创始人Dario Amodei提出了一个更实际、更新的表述：「Powerful AI」。

这是一种具备诺奖级智能，能够跨文本、语音与物理环境灵活切换，还能自主设定目标并完成推理执行的模型。

而他对其判断是——最早2026年，它就可能出现。

奥特曼则认为，具备AGI特征的系统「已经初露端倪」，其潜力或将带来堪比电力与互联网的社会变革。

从更宏观的数据看，预测的时间线也在明显前移。

多位预测显示，到2028年，AI实现多个AGI里程碑的概率至少为50%。

到2027年，机器在无人辅助下超越人类完成一切任务的概率约为10%，到2047年可能上升至50%。

这条被认为还需「半个世纪」的路，如今正在被重写。

二、超能力与短板并存，AI的八宗缺陷

今天的AI，像是一个成绩优异的天才学生。

它能背书，能考试，甚至能在高难度的专业任务中胜出。

可一旦离开考场，它就像丢了魂。

图像识别时，它会把香蕉认成吐司；做导航，它可能直冲墙上；让它接住一杯水、剪断一根线，十有八九会手忙脚乱。

这些不是笑话，而是现实。

AGI真正需要的，不只是逻辑和语言生成的能力，更需要的是「人类默认技能」。

McKinsey曾总结过AGI在模仿人类智能上的8项核心缺陷，它们几乎覆盖了我们与智能体互动的每一个维度：

1. 视觉感知：对颜色和图像变化反应迟钝，容易混淆，缺乏真正的视觉一致性；

2. 音频感知：难以处理声音的空间位置、细节特征，无法识别语调和情绪；

3. 精细动作：无法完成复杂的精细动作，比如穿针引线、外科手术；

4. 自然语言处理：只能理解句法，不理解含义，面对语境和暗示经常「跑偏」；

5. 问题解决：只能应对被定义好的问题，面对新任务几乎无从下手；

6. 导航能力：在动态现实中难以自主规划路线，无法适应环境变化；

7. 创造力：无法提出真正的新问题，也无法优化和改写自己的逻辑结构；

8. 社会与情绪理解：看不懂脸上的情绪、听不出语气的变化，更不会真正共情。

强大，但失衡；聪明，却迟钝。

这就是今天的AI——它站在我们面前，却还隔着一层看不见的玻璃。

三、既要跑得快，还要会协同——AI背后的算力战

AGI不是靠一颗更大的芯片叠出来的，它需要一整套进化中的计算体系从硬件到底层软件。

从数据中心的能源结构到移动设备的资源调度，层层协同，彼此唤醒。

这场战争，已经悄悄打响。

在进入深度学习时代后，AI的计算需求增速从21个月翻倍骤降到5.7个月翻倍，模型体积膨胀百倍，训练成本指数上升。

AI计算需求增长曲线

一些预测甚至认为，未来某些AGI训练任务的算力消耗可能超过一个国家的GDP。

这不仅是硬件的拉锯战，更是架构的重写。

为了适应大规模推理和实时响应的需求，AI系统正全面转向异构计算路径：CPU、GPU、NPU、TPU各司其职，把最合适的算力分配给最合适的任务。

而让这支多芯片协同作战的，是隐藏在系统底层的软件工具和软件框架。

通用AI的计算栈结构

它们负责管理、协调和调度任务，帮助开发者在不重写代码的前提下调用不同硬件、跨平台部署，优化性能同时降低能耗。

但即便如此，想靠现在这套算力栈直接堆出AGI，依旧不现实。

MIT报告指出，真正的问题不只是算得不够快，而是结构不够对。

就像Transformer曾引爆了生成式AI一样，AGI可能也需要一次架构革命。不是再卷一个更大的LLM，而是去发明一种认知骨架，让模型像人类一样，可以在新环境中学会思考、适应、转移技能、优化自己。

而这也许正是当下最大的悖论

——我们需要更强的计算系统去支撑AGI的形成，却又需要彻底重构智能的底座，来突破单纯堆算力的天花板。

四、智力的真正考题：AI在ARC测试里惨败

François Chollet，也是ARC智力测试的发起人，提出了一个更苛刻的标准：

「真正的智能，是能把你已知的知识重新组合，去解决全新的问题」。

为了验证这一点，他设计了ARC-AGC的测试。

和传统测试不同，每一道题都是从未出现过的新任务。

考察的是真正的人类式推理——抽象能力、迁移能力、类比能力。

结果出人意料，纯大语言模型的得分是0%。

即便是经过额外推理优化的系统，也只拿到了个位数的成绩。

而人类，几乎能全部做对。

Chollet直白地说：

「这说明目前最强的AI模型，根本不具备灵活重组知识的能力。它们只是记忆力好，但不会真的想」。

这场测试暴露出的，不是参数不够、训练不够，而是根本方向错了。

它不是缺少力量，而是不具备「思考结构」本身。

五、不是更强，而是更广——AGI的最终拼图

通往AGI的路径，从来就不只一条。

但越来越多的证据开始指向同一个结论：AGI可能不是某一个技术点的突破，而是一整套异构系统的协同崛起。

它需要更灵活的硬件结构——用对芯片，做对事，CPU、GPU、TPU、NPU各司其职。

它需要更聪明的调度框架，让这些异构芯片动态配合，不浪费一点算力。

它需要新的架构，像Transformer之于GPT，引发一次认知方式的跳跃。

它甚至需要重新建构「智能」本身。

也许通向AGI的，不是某种「更强模型」的出现，而是一次技术的集体转向。

正如MIT报告中所说：「我们在追寻更聪明机器的过程中，可能也会第一次真正理解聪明意味着什么」

参考资料：

https://wp.technologyreview.com/wp-content/uploads/2025/08/MITTR_ArmEBrief_V12_final.pdf