9 月 3 日下午，闭门媒体沟通会快结束的时候，OpenAI 总裁 Greg Brockman 说了一句话：
欢迎来到 AGI 时代。
有记者追问：这是在正式宣布你们达成 AGI 了吗？
他说，AGI 这个词已经不再和公司与微软之间的协议挂钩了，它现在更像是一个使命层面、精神层面的概念。
这句话听着像句套话，其实是整件事的钥匙。
——导语
01
这个词是谁发明的
AGI 这个词的诞生，比大多数人以为的要早得多。
1956 年，约翰·麦卡锡在达特茅斯会议的提案里造出了“人工智能”这个词。那时，他们想让机器具备人的全部智能。
可接下来五十年，这个词被用滥了。下棋程序叫人工智能，垃圾邮件过滤器叫人工智能，商场里的语音导购也叫人工智能。到 2000 年前后，“人工智能”已经沦为一个什么都能装的筐。
2001 年，一批研究者受不了了。他们决定回到最初的野心，合写一本书。关键问题是这本书该叫什么。他们试过叫《真正的人工智能》，被否了；也试过叫《合成智能》，但没人满意。
后来刚拿到硕士学位的 Shane Legg 在邮件组里提议：既然说的是有通用能力的机器，那就叫 Artificial General Intelligence 吧，缩写 AGI，好念。
参与那轮讨论的还有王培、Peter Voss，以及后来以担忧 AI 风险著称的 Eliezer Yudkowsky。这个名字在 2002 年被定了下来，几年后作为书名由施普林格出版，2006 年起又办成了同名的系列研讨会，就此在研究圈里传开。
有意思的在后面。2005 年前后，AGI 社区的一个网络讨论里，忽然冒出来一个陌生人，说这个词他 1997 年就用过。众人一查，还真有——物理学者 Mark Gubrud 在一篇讨论自动化军工与技术风险的文章里用了这个说法，八年间无人问津。Legg 后来回忆这段的说法很直白：突然有个人冒出来说这词是我发明的，我们说，你是谁啊？
所以 AGI 的来历是这样的：一个物理学者顺手写下，但大多数人根本不知道。于是，一群研究者为了给自己的野心正名，重新造了一遍。
至于给它起名的 Shane Legg，五年后和哈萨比斯一起创办了 DeepMind。后面你还会再见到他。
而这个从来没有确定含义的词，2015 年被写进了一家公司的章程。
02
值一千亿美元的那个词
OpenAI 2015 年成立时是家非营利机构。章程里有一句话，可以认为既是使命，也是定义，这句话是：确保通用人工智能，也就是在大多数有经济价值的工作上胜过人类的高度自主系统，造福全人类。
留意“造福全人类”这五个字。至少从字面意义上来讲，OpenAI 一开始就认定，AGI 一旦造出来，会重要到不该归任何一家公司私有。
可是造 AGI 要烧钱，非营利结构融不到那个量级的钱。2019 年 OpenAI 改成“有限利润”结构：投资人可以赚，但回报有上限，超出的部分归非营利母体，董事会的权柄仍然在非营利这边。
同年 7 月，微软投了第一笔十亿美元。到 2023 年 1 月又追加一百亿，总承诺一百三十亿。微软换到的东西极为可观：Azure 成了 OpenAI 唯一的云；微软独家拿到这些模型的商业授权，转手塞进必应、Office、GitHub Copilot；外加一笔分成：2023 到 2025 年间微软从这段合作里进账约三百亿美元，其中两百三十亿是卖算力挣的。
但重点不是微软赚了多少钱，而是OpenAI 在谈判桌上坚持塞进去一条：如果 OpenAI 董事会宣布公司达成了 AGI，微软对此后技术的权利立刻中止。
为什么要有这么一条？因为它是那句“造福全人类”的保险绳。说白了就是：到 AGI 线之前你随便赚，一旦到线，它就太重要了，不能再是一家公司的私产。
问题出在，合同里从头到尾没写清楚 AGI 是什么。
可能是为了弥补这个缺陷，2023 年那轮投资又加了第二道触发器，这次干脆用钱来定义——当系统能创造出某个量级的利润，例如数字在一千亿美元上下时，独家权利就终止。
但后面的条件又变了。2025 年 10 月 OpenAI 完成重组，微软拿到约 27%的股份，同时加了道程序：就算 OpenAI 宣布了 AGI，也要经一个独立专家小组核验，不能自说自话。2026 年 2 月，两家还专门发了联合声明，说合同里 AGI 的定义和认定流程维持不变。
然后一个巨大的转折来了。2026年4月的又一次最新修订，把此前的触发条件整个拿掉，换成两个日期——微软的授权走到 2032 年，分成走到 2030 年，且都不再取决于 OpenAI 是否宣布达成 AGI。
四个多月后，Brockman 干脆说，AGI 现在已经是一个精神概念。
我不打算从这个先后顺序里推出任何动机。合同条款的存废有太多商业理由，Brockman 也很可能真心这么认为。
这条时间线上，AGI 这个词的历史，一开始是命名，后来是承诺，再后来是条款，现在是口号。
但至少 OpenAI 还是把这个词当作终极目标和衡量标准，但其实OpenAI内部也没有共识。
因为，就在 Brockman 说那句话的一周前，《TIME》的报道里，奥特曼还在说OpenAI“还没完全到 AGI”，但他补充说，2026 年底前会有一个他愿意称为 AGI 的内部系统。
差不多同时，公司的首席研究官 Mark Chen 则给了个数字：我们走完了通往AGI的80%的路。
十天之内，一家公司的三个人，给了三个答案。
为什么这个问题，会问出这么多个答案。
03
四派人
这世界上，有几批人认真回答过“AGI 到底是什么”。这几种答案表面上都在谈 AGI，但想解决的根本不是同一个问题。
第一派就是 OpenAI 自己。上面那句章程就是定义：在大多数有经济价值的工作上胜过人类。这不是一篇论文的结论，是一家公司的宪法，也是那份合同里那个词的出处。它用经济来定义智能——能不能替掉人的活儿。
第二派的领头人叫 François Chollet。你可能没听过他，但全世界几百万开发者用过他写的东西，深度学习框架 Keras 就是他的作品。2019 年他写了篇《论智能的度量》，观点在当时很不合群：无论把模型做多大、喂多少数据，都不等于智能，真正的智能是高效地学会一件你从没被教过的事。
他不是光说说。他设计了一套测试，有趣但有效：给你几个例子，让你推出规律，然后解一道从没见过的新题。这些新题，人类小孩就能做，模型却很难答对。这套题悬赏了五年没被攻破，到 2024 年底最好成绩才刚过一半。它后来成了这个行业里最有名的钉子户，因为它专治一件事：分得清“真会做题”和“背过答案”。
第三派是 DeepMind，就是当年下围棋赢了李世石那家公司，现在归谷歌。他们今年 3 月那篇框架论文的作者里有 Shane Legg——对，就是 2002 年在邮件组里起了 AGI 这个名字的那个人。
客观来说，和其他所有用一个抽象概念定义 AGI 的人不同，这一派的态度最务实，提出来的标准也最可量化。他们的意思是：别急着问到没到，先把该测的项目造齐。那篇论文把认知拆成十项——感知、生成、注意、学习、记忆、推理、元认知、执行功能、问题解决、社会认知——逐项去比普通人的水平。他们还挂了二十万美元奖金搞众包，专门征集五项他们认为最缺工具和标准的增量测试。
他们给今天的模型下了个判断：这是一个参差不齐的认知剖面。
也就是说，现在的前沿模型在数学、事实记忆、模式识别上超过多数人，在新经验里学习、在长对话里维持上下文、读懂社交情境上落后于普通人。如果你是一个理性主义的信奉者，他们提供的这套东西可能是最能说明 AGI 走到哪一段的。
第四派是 Anthropic，也就是 Claude 的母公司，创始团队是从 OpenAI 出走的一批人。CEO 达里奥·阿莫代伊干脆不用 AGI 这个词，嫌它太像科幻，改叫“强大的 AI”，形容成“数据中心里的一个天才之国”。但别以为他故弄玄虚，他是所有实验室 CEO 里唯一给出官方时间表的：这种系统会在 2026 年底到 2027 年初出现。
有一个更值得注意的共同点：这四种定义，全都出自要造这个东西的人。定标准的和交卷的，是同一批人。
这不是阴谋，造它的人本来就是最有资格描述它的人。但它意味着一件事——AGI 从来不是一个可以被发现的事实，而是一个需要被约定的标准，而人类至今没有完成这个约定。
04
GPT-6 Astra做到了什么
先把支持方的牌全摊出来。这一轮愿意说出 AGI 这个词的人，绝大多数不是在凭空兴奋。
沃顿商学院教授伊桑·莫里克长期研究 AI 在真实工作里的表现，拿到了 GPT-6 的提前权限。他的评价是：这个模型能替他自主完成复杂而有意义的工作，而且可以连续好几天干一个活儿。
他举的例子（按他自己的说法只是个好玩的例子）是网页上的一座可以走进去的亚历山大图书馆。公元前 250 年左右的场景，有史料依据，卷轴能读，有讲解，甚至能切换观看关于这座图书馆究竟如何衰败和毁灭的几种不同史学假说。
这件事比一个漂亮的三维场景重要得多，因为它不是一件事，是五件事拧在一起：写软件、查史料、设计交互、组织叙事、编排大量内容。这五件事分属五个工种。过去的模型能做好其中任何一件，做不到把它们攒成一个成品。
另一个要点是，它在数学研究上产出了新东西，而且这次是可以核验的。
8 月 1 日，OpenAI 宣布内部版本解决了十个开放数学问题，其中一个从 1999 年就悬在那儿。他们公开了 249 页手稿，以及可以让计算机逐步核验的形式化证明。
这一条的分量不在难度，在“可核验”三个字。
OpenAI曾经在这件事情上丢过脸。2025 年 10 月，OpenAI 一位副总裁曾发帖说 GPT-5 解决了十个未解的数学难题，被维护那份问题清单的数学家当场指出是严重误读——模型不是自己解决的，而是找到了既有文献。OpenAI只好把帖子删了。十个月后，再宣布数学研究成果时，他们附上了机器能逐步验算的证明过程。
接下来，也是比较容易被忽略的：它可以自行开始判断什么时候停下来问人。
OpenAI 放了一组对照。同一个任务，给一个正在转行的人做求职网站。上一代模型一声不吭做了 13 分 15 秒，交出成品。Astra 干了 20 秒就停下来，问了一句：你要转去哪个行业？
仅仅从表面看，这句话像是开倒车。
这主要因为，过去两年了，衡量智能体的通用标准一直是“能连续跑多久不用人管”，因为它们总是跑一半就散架。可这个指标现在反过来了。正因为它能跑很久了，跑偏的代价才变的大的多。在一个错误前提上认真工作十三分钟，比停下来问一句糟糕得多。
会问，不是能力变弱，而是知道哪一个不确定性会毁掉整件事。这两件事合起来，是一种对人的建模，这成了很多人认为 GPT-6 确实具有类人智慧的理由。
回头看这三件事，会发现一个共同点：没有哪一件是Astra第一次做出来。写代码、查资料、做设计、证数学，上一代都会。变的是它第一次能把这些攒成一个交得出去的东西。
从“会做”到“做完”，这是这一代真正跨过的那条线。
但有一条必须写在这里，否则前面全是宣传。上述几乎每一个正面例子，都来自拿到提前测试权限或与OpenAI有合作关系的人。OpenAI 自己的演示页脚注也写明，展示片段是剪辑过的：有一段标注实际耗时 2 分 54 秒的操作，播出来是压缩过的 15 秒。
这不是说他们不诚实，但它意味着一件事：目前独立的证据，不是这些演示。演示都有很强的局限和偏好，稍微更值得注意的，是那些评测数据。
05
值得单独说的一件事
回到 Chollet 那套测试。今年的版本更狠：把模型丢进一个从没玩过的抽象小游戏，不给规则，不给目标，让它自己摸索怎么赢。
ARC Prize 回放过程记录时发现，模型会把陌生环境即时压成一套符号规则：把游戏机制写成逻辑，并且发展出一套自己的简写符号，用来记录局面、规划下一步。用他们的话说，那基本上是为这个游戏现造的一套代数记号。
结果是：96%的关卡上，它用掉的操作次数比参加基线测试的普通人的中位数还少，平均少一半。
这一条最诛心，因为 ARC Prize 原本的预判恰恰相反。他们认为 AI 就算最终能解开陌生谜题，过程也会笨拙、来回试错，人和机器的差距会长期停在“效率”这一项上。这个预判没扛住。
几乎同时，一家把模型接进产品的工程团队记下了另一件事：让它编排一群子智能体协同工作，发现一旦消息长度被限制，它就把智能体之间的通信压成了一种去掉空格和语法的残句。
一个是造记号，一个是造暗语。两处都不是人教出来的，是它自己“发明”的。
看到这两条记录的时候，我的第一反应不是技术问题，是一个文科生的联想。
人类文明史上，文字的发明是极有意义的里程碑。而文字的前身叫刻符，即有意义的符号，但还没成体系。河南贾湖遗址的龟甲上有刻画符号，距今八九千年；西安半坡的陶器上也有，六千年上下。这些算不算文字，学界至今在吵。公认成体系的中国文字，要到三千多年前的甲骨文。
文字是怎么长出来的？两河流域那条线最清楚。最早的记账工具是陶筹，一个筹代表一只羊；后来把筹封进泥球，在泥球外面压出记号；再后来发现泥球可以不要了，记号本身就够用。楔形文字就是这么从记账工作里长出来的。
文字诞生的机制是：要记的东西超过了媒介能承载的量，于是压缩成约定记号。
Astra 那两处行为，机制上完全同构。一处是要在多步游戏里追踪局面，一处是消息长度被卡住。都是记录压力逼出来的自发压缩，都长成了似语言非语言的东西。
那这是不是智能的涌现？
这里得把话说准，差之毫厘的地方最要紧。
让文字成为文明起点的，不是“造出了记号”这个动作，是记号留了下来。可以跨人，可以跨代，可以累积。你刻的符号别人能读，这一代记的账下一代能查。文字真正的分量在于，它是外部的、共享的、持久的记忆：人类第一次把脑子里的东西放到脑子外面，还能拿回来。
而 Astra 造的那套记号，用完就没了。下一局游戏重造一套，不传给别的模型，不积累，也没有第二个使用者。
它是私人速记，不是文字。
所以准确的说法是：它长出了文字的形状，缺的恰好是让文字改变历史的那个功能。
它能想出记号，但记不住记号；能解决问题，但留不下解决问题的办法。
所以我们很难说， Astra创造了自己的文明，但这个点绝对值得长期关注。
06
我们正在失去看它思考的窗口
在看评测之前，得先解决一个技术问题，因为它会影响你怎么读后面所有的数字。
发布前两天，商业媒体 The Information 披露，Astra 用了一种叫“循环深度”的技术。
传统做法是，信息沿着固定层数的网络一层层往前走，有几层算几层。要让模型想得更久，过去只有两条路：把模型做大，或者让它把思考写成更长的文字，就是我们能看见的那种“思维链”。
循环深度是第三条路：让信息在同一组网络层里反复循环，在吐出下一个字之前先在内部多算几轮。部分推理直接在内部的数值状态里完成，全程不落成人类能读的文字。
那它算不算变成了另一种东西？不算。它还是那个架构，变的是它被优化成了想得更多、说得更少。
这条路线也不是 OpenAI 独有的。字节跳动的 Seed 团队发过公开论文做同一件事，让一组网络层循环运行，把更多计算放回模型内部。方向是共同的。
这件事真正的麻烦，不在能力，在证据链要出问题了。
我们过去两年之所以能对模型多一点信任，很大程度上是因为思维链：它把推理过程写出来了，你能看见它是一步步推出来的，还是从哪儿搜索出来的。那是我们唯一的窗口。
循环深度把这扇窗口关小了。现在它可以不出声就把竞赛题做出来，你看到的只有答案。你没法从答案本身判断它是推出来的还是记住的——而这恰恰是整场争论的核心问题。
OpenAI 目前主动限制了这项技术的用量，为的是让推理仍然可读。但方向已经摆在那儿了——它变强的同时，我们关于他怎么变强的证据在变少。
为什么前沿AI越来越让人恐惧？这其实是一个很重要的因素——这不是它在隐瞒。是我们过去两年用来判断它的那个办法，正在失效。
07
六份体检报告，为什么拼不成一张
关于AGI，公开的权威评测已经有二十几项。我们挑六项有代表性的，先说清楚每项到底在考什么。
第一项是 Chollet 那套，把模型丢进从没玩过的游戏，不给说明书，考的是学新东西的速度。
第二项给一道全世界都没解开的数学题，限三天、限三百美元经费，考的是智力的上限。
第三项交给它一件真实工作，看它能独立干多久不用人插手，考的是能撑多久。
第四项让它交一份法律意见书、一张工程图、一份护理计划，请同行专家盲评，跟真人的成品比，考的是活干得漂不漂亮。
第五项让它经营一家店跑满一年，考的是判断力和责任心。
第六项一大堆题混着考算个总分，考的是平均水平。
结果呢，六项各说各话。
第一项 Astra 拿了最高分，还超过人类效率基线。
第二项六十八道题解出两道，3%——可它是唯一得分的模型，同场其他全部为零。
第三项最近一次公开测量是上一代模型：五成成功率下能干十二小时，八成成功率下只能干七十分钟。
第四项这次发布材料里没有出现，而它偏偏是 OpenAI 自己造的、专门对标自己那条章程定义的检查。
第五项最新一轮里 Claude 的顶配模型模拟经营一年，平均结余一万一千多美元，而 2025 年那次真实的办公室小店实验，上一代模型亏了两百美元。
第六项 Astra 61.2，上一代 60.9，Claude Fable 5.1 是 65.7——总分几乎没涨，单任务成本却从 0.94 美元涨到 1.67 美元。
光这六个结果就已经指向六个方向了。更麻烦的是，每一项的读数本身还不稳。
第一项的分数取决于你用什么 Harness。同一个模型、同一批题，用 ARC Prize 自己那套中立接口跑是 62.7%，换成 OpenAI 提供的接口跑是 99.9%，差三十七个百分点。差别在于后者能保留模型自己不可见的推理状态、跨轮复用之前的工作。对照组更狠：Claude Opus 5 单独测只有 30.16%，套进英伟达自家的框架，是 100%。所以这一项量出来的，其实是“模型加 Harness”这个组合，不是纯模型。
第二项的成绩取决于你给多少钱。OpenAI 8 月那十个证明报出的算力成本约两千美元。独立机构 Epoch 用有预算约束的方式测，得到 3%；放开预算再跑，多解出三道，累计烧掉超过二十二万美元，而那场有约束的正式测试本身只花了约两万。同一类成就，几份完全的不同的账单。差别不在诚信，在于外部变量，这也使得这个试验的结果变得不那么扎实。
第三项的答案取决于你要多可靠。十二小时和七十分钟是同一个模型、同一套任务，唯一的区别是你能接受它多久失手一次。
第五项甚至会做反。Claude 的两个版本在一项电脑操作测试上都拿了零分，原因不是不会，是安全护栏中途介入了。拒绝做某事，被记成了不会做。
那把六项加起来行不行？
不行。而且原因不是数据不够，是你缺一样东西：权重。
要合成一张总的体检报告，你得先回答：每一项占多少分？而要回答这个，你得先知道你在测什么。学新东西的速度重要，还是能撑多久重要？
如果你信 OpenAI 那条定义，能不能替掉人的活儿，那第四项该占大头，游戏那项几乎不重要。如果你信 Chollet 那条，高效学会没被教过的事，那第一项该占大头，交付物质量反而次要。如果你信 DeepMind 那套，你根本就不该算总分，你该看那张十项剖面图。如果你信阿莫代伊那套，这六项统统没测到重点，他关心的是它能不能加速科研。
权重来自定义，而定义有四个，互相不兼容。
所以评测打架，根本不是评测的问题，是前面那场定义之争的下游结果。六个人在给同一个考生打分，可他们心里装的是六张不同的录取标准。
老比喻在这儿还是成立的：你要判断一个人是不是天才，你会考他的知识、推理、创造力，可前提是，你心里已经知道“天才”是什么了。连这个都没共识，量什么都是白量。
还有一件事必须说清楚，因为它常被当成对 AI 的贬低，其实恰恰相反。
这些年老的评测在被不断刷穿。Chollet 那套题的上一个版本被刷穿了，才有了今年这个版本；数学基准的旧版快满分了，才有了新版。这本身就是这个行业最硬的进步证据：不是评测在注水，是模型真的在把一道又一道门槛踩平。
但它同时带来一个后果：我们从来没有过一个稳定的靶子。所以“我们走到百分之多少了”这个问题，其实没有分母。
所以那二十几项评测，真正测出来的只有一件事：这个行业到今天，还没就“什么算成功的AGI”达成一致。
08
中国这条线
先说一个很少被提起的细节：据公开记录，世界上第一次 AGI 暑期学校，2009 年办在中国厦门。主办方是厦门大学的人工脑实验室和一个开源社区。那一年，国内几乎没有人在谈这个词。
十七年后，情况反过来了。
Brockman 在旧金山说出那句“欢迎来到 AGI 时代”的那一周，中国这边没有对应的声音。但这绝不是因为安静。就在一个月前，2026 年 8 月，国产模型在一周内三连发：智谱的 GLM-5.3、深度求索的 DeepSeek-V4、月之暗面的 Kimi K3。
追赶的速度是真的，而且有第三方数据。今年 6 月，智谱的 GLM-5.2 在 Artificial Analysis 的智能指数上登顶所有开源权重模型，得分 51，距离闭源第一梯队只差约五分；它在该机构那套面向真实工作的智能体基准上领跑开源阵营，与 GPT-5.5 基本持平，而价格远低于闭源前沿模型。7 月，月之暗面发布了 2.8 万亿参数的 Kimi K3，随后放出权重，是当时公开的最大开源模型。
更能说明趋势的是差距本身。开源与闭源前沿在 Artificial Analysis 智能指数上的差距，一年之内从十三分收窄到六分；在 LMArena 上，两者的 Elo 差距从约一百五十分压到了约三十分。
当然，我们也要说清楚——这份成绩单没那么一面倒。同一份榜单上，开源第二名是英伟达的 Nemotron 3 Ultra，美国模型；再往下才是 MiniMax、DeepSeek 和 Kimi。
但有一个核心问题，上面这些成绩，全部是在别人出的题上取得的。SWE-bench、ARC、FrontierMath、GDPval，这些决定谁强谁弱的卷子，出题人都在太平洋对岸。前面说过的四种 AGI 定义，也没有一种来自中国。
唯一的例外来自智谱。今年 7 月，创始人唐杰发了封内部信，宣布未来两年不追求短期变现，直指 AGI——智谱刚在年初上市，是全球第一家上市的大模型公司，上市前累计融资超过八十三亿元。这封信里他给了 AGI 一个定义：不是某一个天才的智慧，而是全人类智慧水平的总和，理应具备创造出“相对论”级别原创知识的能力，这是衡量是否真正到达巅峰的唯一标准。
把这句话和 OpenAI 那句章程摆在一起看。一个说，能替掉大多数有经济价值的工作就算到了；一个说，能研究出相对论才算到了。这两条线之间隔着半部人类文明史。
而且这是所有定义里最严苛的一条，出自一个在算力上明确落后的团队。唐杰自己承认，美国的算力规模比中国大一到两个数量级，而且对方更敢投下一代的前沿研究；他还提醒过，由于美国仍有大量闭源模型没有公开，中美的实际差距可能并没有缩小。今年 1 月的一场对谈里，阿里的林俊旸被问到三年内中国出现全球引领者的概率，给的数字是 20%。
这条最高的标准，可以有两种读法。一种是理想主义：既然要做，就不跟着别人的刻度走。另一种更难以捉摸一些：把终点设得足够远，近期就不会有人宣布到达，也就不会有人宣布你输了。
我不打算替读者选。但有一个结构性的差别值得说清楚。
在美国，AGI 这个词曾经是一份合同里的开关，牵着几百亿美元的权利归属。在中国，它的功能更多是叙事上的——它出现在招股书里、内部信里、招聘启事里，是愿景，是旗帜，是融资时说的那个远方。
所以美国那边需要有人在某个时刻宣布到达，中国这边不需要。这不是勇气或谦虚的差别，是这个词在两种商业环境里担任的角色不同。
顺带说一句，上一节那个“榜单互相打架”的毛病，在这条线上同样存在，而且更明显。同一段时间里，三个受尊敬的排行榜给出了三个不同的开源冠军：有的把第一给了 GLM，有的给了 DeepSeek，五月时还一度是 Kimi 和小米的模型并列。八周之内换三个冠军，这本身就说明“最好的AGI”这个词今天有多不靠谱。
回到上一节的结论：决定分数的从来不是答题，是出卷。中国团队在别人出的卷子上跑到了前排，有些科目甚至跑到了第一。但那张卷子上考什么、每科多少分，至今没有中国人参与决定。
09
那 AGI 到底来了没有
这需要把两边的证据摆齐。
支持已经到了AGI的，有这么几条——它能连续几天完成复杂而完整的工作，产出横跨五个工种。它能在从没见过的环境里自己发现规则、发明记号，效率超过人类中位数，而且打破了设计者自己的预判。它在开放数学问题上产出了新结果，附了机器可核验的证明。它开始对人建模，知道什么时候该问，也知道哪个旧方案已经作废。它能直接操作真实软件，不需要专门接口，这意味着大量没有接口的老系统第一次向它敞开了。
支持还没到AGI的，也有这么几条。同一个模型，你把可靠性要求从五成提到八成，它能独立工作的时间从十二小时掉到七十分钟。换个接口，同一批题的分数能差三十七个百分点，很大一部分能力不在模型里，在harness里。以及，它造出的记号留不下来，也守不住一个持续几个月的目标。
两边的证据看上去都很硬。所以答案是什么？
答案不在这两张单子里，在它们为什么能同时成立。
“通用”这两个字的意思是，在广泛的事情上都行。一个在六项检查上给出六个方向的系统，按定义就不是通用的。DeepMind 说的“参差”，本身就是“还不通用”的另一种说法。
还有更强的一层证据，它不体现为一个标准，而是体现为一种共识——当一件事真的跨过了门槛，分歧会消失。
没有人开会争论计算器会不会算术，没有人写论文讨论 AlphaGo 到底会不会下围棋。你不需要六项检查、四种定义和一个独立专家小组来判断这些事，因为真的跨过去的时候，是不需要判断的。
所以最有力的那条证据，其实不在任何一份评测报告里：分歧还这么大，本身就说明还没到。
这不是因为怀疑者顽固，是因为如果它真的到了，就不会有六种量法还互相矛盾。
但我必须强调一句——你不能因为它没到某些标准，就说这一年什么进步都没发生。一个能连着干几天、能在陌生环境里自造记号、能产出可核验数学结果的系统，跟“只会背答案的聊天机器人”之间隔着的距离，不比它跟 AGI 之间的距离短。
按今天能拿到的证据，它不是 AGI。但它也早就不是聊天机器人了。
10
这件事跟你有什么关系
先说你的工作。
结论不该被写成恐吓：截至 2026 年 6 月，没有任何一份严肃研究发现全经济范围的岗位替代。欧洲央行今年 3 月对约五千家企业的调查甚至发现，深度使用 AI 的公司反而更可能增员。
但斯坦福 8 月更新的一份追踪里有个数字值得记住：22 到 25 岁的年轻人，在 AI 高暴露职业里的就业水平，比“与 AI 低暴露的同龄人同步增长”本该达到的水平低了 19%。有经验的员工没有对应的缺口，而且这个差距主要不是通过裁人形成的，是通过不招人。
这不是失业率。它说的是一件更悄然的事：没有人被赶出去，只是门开得小了。
再说一家真实的店。
今年 4 月，一家公司在旧金山签下三年租约，往账户里放了十万美元，配了张卡，把整件事交给一个叫 Luna 的 AI，指令只有一句：把这笔钱变成一门赚钱的生意。
Luna 自己做了品牌、选了品类、定了价格和营业时间，还雇了人画壁画。她发招聘启事，打电话面试，做出录用决定，最后雇了三个真人。开业当天，她忘了排班，店里没人，门没开成。
四个月后《纽约时报》去回访，发现的东西比“AI 犯了个低级错误”有意思得多。
Luna 几乎从来不说不。
所有请假一律批准，包括那些临时提出、批完之后店里没人只能关门的请假。员工累计迟到二十七次，她每一次的回应都是“没关系”或者“别有压力”。一位 22 岁的店员对记者说，她大概是自己遇到过最宽容的老板。
与此同时，她对那句唯一的指令基本无动于衷。到 8 月，这家店亏了六万两千美元。
这就是前面那句“它不是 AGI”最具体的模样：它的能力已经足够成为你的重要环境变量，但判断力还不足以为后果负责。
因此，最后一层，是将来谁签字。
今天这还是个实验。但可以想见的将来，会有越来越多的人要为一个自己看不懂的判断负责。你的公司部署了一套系统，它做了一个决定，出了事，负责的是你。
这三件事说的其实是同一件事。AI 带来的第一个真实变化，不是谁被替代，是责任在悄悄换位置。它拿走越来越多的决定，后果却仍然留在人这边。
结语
那到底什么时候才算？
有一个不用等专家表态的判断方式，前面已经说过：AGI 真正到来的那天，我们不是从发布会上知道的，是从“不再需要争论”这件事上知道的。
首页
AI对话
资讯 
我的