AGI 是什么？一次讲透通用人工智能的争议

AGI（Artificial General Intelligence，通用人工智能）指能像人一样跨领域学习、解决各种问题的 AI。它离我们还有多远？目前没有任何权威结论，因为连「怎么才算 AGI」都还没吵出结果。本文讲清各家的定义和争议到底在哪。

先把概念放准：AGI 和现在的 AI 差在哪？

现在的大模型更像「单科尖子生加全科及格」：写代码很强、聊天很顺，但你让它明天独立替你开一整天会、办事、付钱、承担责任，它做不到，因为它需要人监督、会出错、没法为结果负责。

AGI 的标准形象是一个「全能选手」：不需要针对每个任务单独训练，遇到新领域能像人一样自己学会，并且可靠到可以托付。差的就是这层「通用加可靠」。

各家怎么定义 AGI？

OpenAI 的章程原文把 AGI 定义为「高度自主、在大多数经济价值工作上超越人类的系统」，并称其使命是让这样的 AGI 造福全人类（OpenAI 章程）。注意这个定义的落点是「经济价值工作」，很像用「能不能上岗」来划线。

Google DeepMind 的做法不同：不给单一定义，而是给分级框架。他们在论文 Levels of AGI 中先提炼了定义 AGI 应满足的六条原则，再按「性能深度」和「通用广度」两个维度给 AI 分级，并叠加「自主程度」这一部署维度，用来给现有系统定位、评估风险（Levels of AGI 论文）。

为什么定义本身就有争议？

1. 目的不同：公司倾向按「能不能干活」定义，学界还关心推理、意识、创造力这些更根本的维度。
2. 利益相关：谁掌握定义，谁就掌握「宣布达标」的话语权，标准定松一点，公司就能宣称实现了 AGI。
3. 无法验证：人类智能本身就没被研究透，参照系缺失，任何定义都难以严格检验。

通用人工智能离我们还有多远？

诚实的回答是：没人知道。DeepMind 论文的立场很有代表性：与其预测时间表，不如先把分级标准和评估方法定下来，否则「离 AGI 更近了」这句话根本没法检验。

普通人可以观察的中间信号有三个：模型在长程任务上能不能自主可靠地跑完、能力能不能跨领域迁移、经济活动中的实际替代比例到了哪一步。在此之前，行业先把「能自主干活的 AI」做成了 AI Agent，这是当前更务实的方向，可以延伸阅读站内的AI Agent 是什么，底层原理见大语言模型是怎么工作的。

还有一个实用提醒：看到「某公司宣布实现 AGI」的新闻，先看三件事，用的是谁的定义、评估方法是否公开可复现、有没有第三方验证。三件都缺的，基本可以当营销叙事处理。

一段话讲清 AGI？

「AGI 指跨领域通用的 AI，能在没被专门训练过的新任务上达到人类水平。目前没有统一定义：OpenAI 章程把它定义为在大多数经济价值工作上超越人类的高度自主系统，DeepMind 则用性能、通用性、自主性三个维度做分级框架。争议的核心是定义既是科学问题也是商业问题，标准松紧直接决定谁先宣布达标。所以谈 AGI 的第一步，是先确认双方用的是哪个定义。」

为什么这个概念对从业者很重要？

AGI 不是遥远的谈资，它影响实际决策：融资叙事、监管口径、产品边界都围着它转。宏观层面各行业被 AI 改造的进度，可以看这篇AI 影响的产业有哪些；个人层面怎么在渐进式进步里建立职业安全感，可以读AI 时代的职业安全感。把 AGI 当成一个「移动的球门柱」，比把它当成一个确定日期，更接近现实。

顺带一提，把 AGI 讲清还有个额外好处：它逼你区分事实和叙事，这正是产品经理做判断的基本功。