AGI（通用人工智能）

一、定义与核心概念

AGI（Artificial General Intelligence，通用人工智能）指具备接近人类“通用认知能力”的人工智能，能够像人一样学习、推理、迁移和规划，独立解决大量陌生问题，而非仅擅长某一特定任务。

AGI最核心的特质是通用性，而非单纯的“智商”高低。判断AGI的关键标准是：系统能否完成“遇到新问题→理解问题→获取知识→制定方案→执行→根据结果纠错→最终完成任务”的完整闭环。其核心能力链条可概括为：感知→理解→推理→学习→规划→执行→反馈→迁移，其中学习和迁移能力尤为重要。

二、发展历程

AGI愿景几乎与人工智能学科一样古老，关键节点如下：

时间	事件	意义
1956	达特茅斯会议	“人工智能”一词正式提出
1997	深蓝战胜卡斯帕罗夫	专才型AI，能力边界清晰
2012	深度学习登场	AlexNet掀起本轮浪潮
2016	AlphaGo击败李世石	强化学习展现超越人类直觉的策略
2017	Transformer架构问世	成为几乎所有大语言模型的底层架构
2020–2022	大语言模型规模化	GPT-3展示“规模带来能力涌现”
2023–2025	多模态与推理模型	AI智能体开始自主完成多步任务

三、当前现状：像AGI但还不是AGI

现在的大模型已表现出很强的跨领域通用性，一个模型可以同时写代码、翻译、做数学、看图、调用工具，甚至能走通“理解需求→搜索→阅读→写代码→运行→修改→完成”的完整链路。但**“像AGI”不等于“已经是AGI”**，目前尚无全球统一、可操作的AGI判定标准。

当前最典型的特征是 “锯齿状智能” ：能力分布极不均衡，某方面远超人类，另一方面却连常识都欠缺。

四、核心挑战

AGI离真正“通用”还差几个关键能力：

1. 可靠性：大模型会“非常自信地犯错”，要承担真实世界重要任务，错误率必须大幅下降。
2. 长期规划：从写一个函数到从零运营一家公司，难度不在一个量级，涉及目标分解、资源管理、环境变化应对、长期记忆等完整链路。
3. 现实世界交互（具身智能） ：当前AI主要生活在数字世界，进入物理世界需解决机器人、视觉、触觉、空间理解、运动控制等大量问题。
4. 其他关键挑战：跨领域泛化、持续学习（避免灾难性遗忘）、常识推理、对齐与安全、算力与能耗。

五、时间线预测：分歧巨大

行业领袖的公开表态往往乐观且集中在近几年，而研究者群体调查给出的时间普遍更晚、更保守。这些数字都不是“答案”，而是不同方法论下的估计——乐观者按技术路线外推，保守者依据历史规律，还有一部分受行业立场影响。

六、机遇与风险

AGI潜在影响巨大，既让人兴奋也让人警惕：

可能带来的机遇：加速科学研究，缩短新药、新材料发现周期；降低教育、医疗等高质量服务的获取门槛；接管重复、危险或繁琐的工作；成为个人和企业的“通用助手”。

需要认真对待的风险：就业结构被大规模快速重塑，带来转型阵痛；系统目标与人类意图出现偏差（对齐问题）；能力被滥用于网络攻击、虚假信息或武器化；决策权力过度集中在少数机构手中。

七、技术路线展望

DeepMind研究团队提出AGI走向ASI（超级人工智能）的四条潜在路径：继续扩展计算、模型与数据；算法演化甚至出现新范式转变；递归自我改进；多智能体协调与群体智能。研究团队提醒，算力扩张很快会撞上资源天花板，还需靠新的算法思路甚至新范式。