迈向通用人工智能：我们处于什么位置，又将去向何方？

1. 引言

人工智能自1956年达特茅斯会议正式得名以来，已经走过了七十年的历程。从最初基于规则的简单程序，到如今能够生成流畅文本、编写代码、甚至辅助科学研究的深度学习大模型，AI的发展速度在近几年尤其令人瞩目。ChatGPT、DeepSeek、Grok等模型的相继问世，让“人工智能”从一个学术概念变成了普通人每天都会接触的工具。

但一个更大的问题正在被越来越多的人讨论：AI能否从“擅长某一件事”的弱人工智能，进化为“像人一样能干几乎所有事”的通用人工智能（AGI）？如果这一天真的到来，它会怎样改变我们的工作、生活和社会结构？

这篇文章不打算渲染恐慌，也不准备堆砌夸张的预言。我们尝试从技术进展、行业共识、社会影响和理论边界几个角度，客观梳理AI从当下到AGI这条路上正在发生什么，以及它可能意味着什么。

2. 当前的AI：数据驱动的“专才”

今天的AI系统，无论多么强大，本质上都属于“弱人工智能”——它们被训练用来完成特定类型的任务，而不是像人类那样具备跨领域的通用理解和推理能力。

以大家熟悉的大语言模型为例。ChatGPT、DeepSeek、Grok这类模型能够生成自然流畅的文本、回答问题、辅助编程，甚至进行一定程度的逻辑推理。但它们的工作方式本质上是基于海量数据训练出的统计模式匹配——模型在“学习”了数以万亿计的词汇之后，学会了预测下一个最可能出现的词是什么。这确实能产生令人惊叹的结果，但模型并不真正“理解”自己在说什么。

目前的AI能力主要体现在以下几个方面：

• 自然语言处理：能够理解并生成人类语言，完成翻译、摘要、对话等任务。
• 代码生成与辅助：能够根据需求生成代码片段、调试程序、解释技术文档。
• 多模态理解：部分模型已能同时处理文本、图像、音频等多种类型的数据。
• 特定领域的模式识别：在医疗影像诊断、蛋白质结构预测、金融数据分析等领域的表现已接近甚至超过人类专家。

但这些能力的背后都有一个共同前提：边界清晰、目标明确、有大量高质量数据可供训练。一旦任务超出训练数据的覆盖范围，或者需要真正的创造性思维和因果推理，现有AI系统就会暴露出明显的短板。

3. AGI：从概念到倒计时

3.1 什么是AGI？

通用人工智能（AGI，Artificial General Intelligence）指的是具备与人类相当或超越人类认知能力的系统——它能够理解、学习并在广泛的任务中应用知识，而不局限于某一个特定领域。

不过，关于“什么样才算AGI”，行业内其实并没有一个统一的标准。Anthropic CEO达里奥·阿莫代伊认为，到2027年就会出现一个能完成人类几乎所有工作、达到诺奖水平的模型。而谷歌DeepMind CEO德米斯·哈萨比斯则更谨慎，他认为2030年前实现AGI的概率只有50%，真正的通用智能还需要具备从零提出科学假设的能力，而不仅仅是生成正确答案。

英伟达CEO黄仁勋提出了一个更务实的视角：AGI的临界点也许不是机器“像人一样聪明”，而是机器能像人一样稳定、低成本、持续地创造经济价值。换句话说，一个在实验室里拿高分的模型和一个能在企业里连续工作八小时、独立完成任务的模型，中间还隔着很远的距离。

3.2 2026年：AGI话题突然加速

2026年，关于AGI的讨论从学术界和极客圈扩散到了主流舆论场。

1月，达沃斯世界经济论坛上，AI成为几乎所有会议的焦点话题。阿莫代伊预测AGI可能在1到2年内实现，而哈萨比斯认为还需要5到10年。两人都承认AI已经开始蚕食初级职位，但也正在创造新的工作机会。

9月，OpenAI发布了GPT-6 Astra。在发布前的媒体沟通会上，公司总裁格雷格·布罗克曼直言：“欢迎来到AGI时代”。这款模型在ARC-AGI-3测试中得分达到99.9%，在FrontierMath Tier 4 v2上的正确率达到97.6%。尤其值得注意的是，ARC-AGI-3测试的是模型在陌生环境中摸索规则并迁移应用的能力——今年3月刚推出时，前沿模型的得分还不到1%。

不过，第三方综合测试显示GPT-6 Astra的整体智能指数与上一代并没有拉开明显差距，它的进步更多集中在Agent能力上——操作电脑、调用工具、连续执行复杂任务等方面。在科研工作流测试中，它的得分从GPT-5.6的22.4%跃升至64.6%，接近三倍的增长。

4. 技术趋势：通往AGI的路上正在发生什么

北京智源人工智能研究院在2026年初发布的《2026十大AI技术趋势》报告，勾勒了AI发展的几个关键方向：

从语言模型到世界模型。 行业共识正在从“预测下一个词”转向“预测世界的下一个状态”。这意味着AI不再仅仅处理文本符号，而是开始试图理解物理世界的时空连续性和因果关系。这种转变被认为是通往AGI的核心路径之一。

具身智能走出实验室。 人形机器人和具身智能正在从演示阶段转向真实的工业与服务场景。AI不再只存在于屏幕和服务器里，而是开始拥有“身体”，能够与物理世界互动。

多智能体协同成为关键。 复杂问题的解决越来越依赖多个AI智能体的协同工作。随着通信协议的标准化，智能体之间正在建立通用的“语言”，这将突破单个模型的性能天花板。

AI开始做科研。 AI在科研中的角色正从辅助工具升级为能够自主研究的“AI科学家”。科学基础模型与自动化实验室的结合，正在加速新材料和药物的研发。

与此同时，开源模型与闭源模型的差距正在急剧缩小。截至2026年中，开源AI模型与闭源前沿系统的能力差距已缩至3到6个月。DeepSeek V4 Flash这样拥有2840亿参数的开源模型，在成本效率上展现出显著优势。

5. 专家的分歧：AGI到底还有多远？

关于AGI的时间表，行业领袖们的看法相差甚远。这种分歧本身就很说明问题——我们离AGI到底有多近，连最接近它的人也没法确定。

乐观派认为AGI就在眼前。阿莫代伊预测2027年就会出现诺奖级别的模型。马斯克则认为“到今年年底，不迟于明年，我们可能会拥有比人类更聪明的人工智能”。他们的核心论据是：AI已经在辅助设计下一代AI模型，自我加速的闭环正在形成。

谨慎派则强调差距依然存在。哈萨比斯认为真正的科学创造力——提出新理论、新假设的能力——还远未实现。图灵奖得主姚期智从理论计算机科学的角度指出，AI的本质是“图灵机+数据”，因此有些问题它注定无法解决，比如经典的停机问题。

务实派则更关注实际应用。黄仁勋认为未来几年AI将基本实现AGI，但这不意味着企业可以简单接入一个通用模型就自动完成所有业务升级。AGI的到来更多是一个渐进的过程，而不是某个突然的“奇点”。

6. 社会影响：工作、经济与人的角色

6.1 就业：替代与创造并存

AI对就业的影响是最受关注的话题之一，也是争议最大的领域。

世界经济论坛在《2025年未来就业报告》中预测，到2030年全球将有9200万个工作岗位被AI和自动化取代，但同时会创造1.7亿个新岗位。净增约7800万个岗位，但这期间将经历高达22%的劳动力剧烈洗牌。

更值得关注的是岗位被替代的方式。阿莫代伊在达沃斯上直言，未来1到5年内可能有50%的白领入门岗位消失——不是公司大规模裁员，而是公司“不再招人”了。文档整理、代码初稿、数据清洗、客服回复这些原本属于新人练手的工作，正在被AI批量承接。

但另一方面，研究显示“职业消失论”并不成立。AI更多是替代标准化任务，而非整个职业。人类的角色正在从“创造者”转变为“验证者”——AI生成内容，人类负责审核、判断和负责。

6.2 经济结构：资本密集与劳动稀疏

AI产业本身呈现出鲜明的“资本密集、劳动稀疏”特征。2026年，OpenAI的估值高达7300亿至8500亿美元，员工规模却只有8000人左右。这种生产函数的变化意味着，经济增长与就业增长之间的联系正在被切断。

IMF总裁格奥尔基耶娃表示，虽然AI有望为全球经济增长贡献高达0.8%的增幅，但大多数国家和企业显然尚未做好应对准备。

6.3 新技能与新机会

达沃斯论坛上形成的共识是：AI拥有解决问题的能力，但无法替代定义问题的能力。这意味着人类的独特价值正在向更高层次迁移——提出正确的问题、做出判断、承担责任、进行创造性思考。

大连理工大学人工智能研究院院长江贺的判断是：人工智能未来会像外语和开车一样成为基础技能。也就是说，AI不会让人类失业，但不会使用AI的人可能会在就业市场上处于劣势。

7. 挑战与局限：AI并非万能

尽管进展惊人，当前的AI技术仍面临几个根本性的挑战：

算力与成本的瓶颈。 千亿参数模型的单次训练成本以千万元计，推理环节的算力消耗同样惊人。模型规模越大，运算效率反而可能出现下降。

“幻觉”与可解释性问题。 大模型仍然容易产生“幻觉”——生成看似合理但完全错误的内容，而且其内部决策过程往往不透明，难以满足可解释性和可重现性的要求。

科学研究的开放性问题。 现有AI系统擅长编程、翻译等边界清晰、反馈迅速的闭环场景，却难以应对科学研究的开放属性——边界开放、答案未知、反馈周期漫长。

理论上的根本局限。 姚期智指出，AI作为“图灵机+数据”，在理论上就无法解决某些类型的问题。但这不一定是坏事——恰恰是这些局限构成了AI安全的理论基础。

8. 结语

人工智能正在从实验室走向社会的每一个角落。从GPT-6 Astra在陌生环境推理测试中接近满分，到开源模型与闭源模型的差距缩小到几个月；从AI开始辅助设计下一代AI模型，到具身智能走出实验室进入工厂——技术前进的步伐确实在加速。

但AGI的到来更可能是一个渐进的、充满反复的过程，而不是某个戏剧性的“觉醒时刻”。正如AI七十年的历史所证明的：伟大的技术突破往往不是来得太晚，而是来得太早——真正改变世界的不是第一台样机，而是当基础设施、商业模式、社会接受度等所有条件同时成熟的那一刻。

我们可能正站在这样一个临界点附近。至于这个临界点具体在哪一年、以什么方式到来，恐怕没人能给出确定的答案。唯一可以确定的是，AI正在从一个“回答问题”的工具，变成一种可以被购买、复制、调度和计价的“智能劳动力”。这个转变本身，就足以重新定义我们习以为常的工作、经济和社会结构。

而人类的角色，或许从来不是与AI比赛谁更“聪明”，而是学会在AI承担了越来越多“怎么做”的任务之后，更好地回答那个更根本的问题：“我们想要什么。”