AGI 怎样才算真的来了？

本文来自微信公众号： 深流研究所 ，作者：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，并非已经全部落地的最终协议，后续也一度传出方案可能调整。

但在最初的合作设想中，英伟达被定位为OpenAI扩建AI基础设施时的首选计算与网络合作伙伴。双方在公告中直接表示，这些设施将服务于OpenAI“迈向部署超级智能”的路径。

近期，黄仁勋在宣布“AGI已经到来”的同时，专门提到训练Astra所使用的英伟达计算系统，以及下一批即将上线的GPU。

整段话隐含着一条完整的因果链：大规模算力投入带来了智能跃迁，因此更大规模的算力投入仍然必要。

作为全球AI算力扩张的主要受益者，英伟达当然有理由强调这是一场时代转折。

事实上，这也不是黄仁勋第一次宣布AGI到来。

2024年，他曾表示，如果把AGI定义为能够通过几乎所有人类设计的考试，那么这一目标可能在五年内实现。

到2026年3月，他又在Lex Fridman的播客中表示：“我认为我们已经实现了AGI。”

这么看来，AGI不仅是一个等待技术跨越的终点，也是一种能够影响资本、市场、政策和产业预期的叙事资源。

至于AGI怎样才算真的来了？是一次模型发布、一项评测纪录，还是一家公司的宣告？

也可能，这就是一个所有人都身处其中、潜移默化的过程。

正如知名AI研究者、OpenAI创始成员Andrej Karpathy提出的一个判断，AGI不会带来一条陡然拐起的曲线，它会平滑地融进已有的增长里，事后你甚至找不到拐点在哪。