【导读】咱们离AGI，好像越来越近了，至少感觉是这样的。时间线从原本说的五十年缩短到五年，还有人大胆猜测2026、2028年就能见到。不过呢，AI在ARC测试里的成绩还卡在0%，在人类的基本技能方面，还像个刚学的孩子似的。难不成咱们是不是太早以为，它已经差不多准备好了？

算力疯狂增长，模型层层叠加，提示词就像燃料似的，一次又一次地被反复输入进去。

AI的发展步伐可没停下来，反而变得越跑越快。

有人说，AGI大概还得等上半个世纪才能实现，遥遥无期啊。

其实呀，现在一些重要的转折点居然被提前了。

曾有人说这条路太长，可谁又想到，它竟然走得那么快。

关于奥特曼最新的看法：AGI这个词，现在基本没啥用处了。

正如MIT Technology Review Insights刚刚发布的那篇题为「The road to artificial general intelligence」的文章所提到的。

咱们对AGI的猜测，现在的节奏，变得越来越明显，肉眼都能看到那速度在飞快地提升。

从GPT-3刚出来时还在说“可能得50年才能搞定”，到现在却变成“5年内就能见到个苗头”，时间咻一下就提前了好几十年。

对未来的AGI，大家的看法可是五花八门。有的人觉得它很快就能实现，可能几年之内就能看到点雏形；也有人觉得这事得再等个十几年甚至更久。反正啊，前景虽然迷人，但真正达到那种既能理解又能自主思考的智能，还真得经历一段复杂的磨砺。

Anthropic的联合创始人Dario Amodei提出了一个更明确、更贴近现实的说法：“Powerful AI”。

这模型拥有类似诺贝尔奖级别的智能，能在文本、语音和现实环境之间自由转换，还能自己设定目标，进行推理并达成任务。

他觉得，最早可能在2026年会出现这个东西。

奥特曼觉得，拥有AGI特征的系统“已经露出苗头”，它的潜能或许会引发类似电力和互联网那样的社会大变革。

从更大范围的数据显示，预期的时间点也明显提前了不少。

好多预测都指出，到2028年，AI达成多个AGI重要里程碑的可能性至少有一半。

到2027年，没有人帮忙的情况下，机器完成所有任务超越人类的机会大约只有10%，到2047年，这个数字可能会涨到一半左右。

这条还得耗上「半个世纪」的路，现在正逐步被改写。

如今的AI嘛，就像一个表现出色的天才学生似的。

它不光能背书，还能参加考试，甚至还能在那些难度挺高的专业任务中获胜。

要是离开考场，它就像失去了灵魂一样。

在图像识别方面，它可能会把香蕉误认成吐司；跑导航的时候，有时候会直冲着墙走；要它接一杯水或者剪断一根线，几乎都搞不定，手忙脚乱的情况很常见。

这些可不是玩笑，而是真实发生的事。

所谓的AGI，真正的关键不光是逻辑推理和语言表达的本事，还得拥有“人类习以为常的那些技能”。

McKinsey曾总结过，AGI在模仿人类智慧方面存在的8个主要缺陷，这些缺点几乎涵盖了我们和智能体打交道时的每个方面：

你瞧，咱们的AGI在几个方面还挺吃力的。第一，视觉感官那块儿反应慢，对颜色和图像的变化容易搞错，缺少真正的视觉连贯性；第二，听觉方面，难以分辨声音在空间中的位置，也无法捕捉细节或者理解语调和情绪；第三，做细节动作，比如穿针或者做外科手术，也难以胜任；第四，语言上的理解，高级的语义理解差得远，只能勉强搞懂句子的句法结构，面对上下文或者暗示，经常走偏；第五，解决问题的能力有限，只能应付那些事先设定好的题目，一遇到新任务就不知所措；第六，导航技能也不行，在动态环境中很难自己规划路线，也无力适应变化；第七，创造力方面，连提出真正创新的问题都做不到，也不能自己优化或改写自己的逻辑框架；最后，社交和情感认知，完全看不懂脸上的表情，也听不出语气的微妙变化，更别说真心实意地感受对方了。

厉害，但有点不均衡；机灵，却反应慢。

这就是如今的AI——摆在我们面前，却像被一层无形的玻璃挡着，感觉还是差点意思。

AGI可不是靠一块更大的芯片叠起来的，它得靠一整套不断演进的计算体系，从硬件到底层软件，缺一不可。

从数据中心的能源布局到手机设备的资源管理，环环相扣，彼此呼应，互相唤醒。

这场战事，已经悄然开始了。

一进入深度学习时代，AI对算力的需求增长速度从21个月翻一番变成了不到6个月就翻一番，模型变得越来越大，膨胀了百倍，训练的花费也水涨船高。

在深度学习兴起后，AI对算力的需求呈现出快速攀升的趋势，原本大约每21个月翻一番的增长速度，缩短到了不到6个月就实现一次翻倍，模型的规模不断扩大，成长了几百倍，训练成本也跟着大幅提高。

有些预测直言，将来的某些AGI训练项目所需要的算力，或许会超过一国的GDP总量。

这不光是硬件之间的拼杀，实际上还是架构的全面重新设计。

为了应付大规模推理和实时反应的要求，AI系统正逐步走向异构计算路线：CPU、GPU、NPU、TPU各展所长，把最佳的算力用在最合适的任务上。

支撑这多芯片联合作战的，主要靠那些藏在底层的系统软件和框架工具。

说到通用AI的计算栈结构，基本上是由多个层次组成的，从硬件到软件逐级叠加。核心硬件层是GPU和TPU等加速芯片，提供强大的算力基础；接下来是底层的系统软件，比如操作系统和驱动程序，确保硬件和上层软件的通信顺畅；上面则是各种深度学习框架，比如TensorFlow、PyTorch，为开发提供便利的接口和工具；再往上，是各种模型和算法的实现，比如语言理解、图像识别等，最终支撑整体AI应用的运行。这一整套架构配合运转，才让通用AI能高效、稳定地执行各种任务。

它们扮演着管理、协调和调度任务的角色，帮助开发者在不需要重复写代码的情况下，调用不同的硬件资源，实现跨平台的部署，还能提升性能，减低能耗。

就算这样，想用现有的这套算力体系直接打造出AGI，还是挺难实现的。

MIT的报告说，核心问题不在于算得不够快，而是结构上不够合理。

就像Transformer当年带火了生成式AI一样，AGI可能也得来个架构上的大革新。

不是再造一个更大的LLM，而是得搞出一种认知的框架，让模型跟人类似的，在新环境里能学会思考、适应、转移技能，还能自我优化。

这或许就是眼前最大的问题所在——

咱们得搞个更厉害的计算架构，才能推得动AGI的实现，不过这也意味着得重新搭建智能的基础，打破光靠算力堆砌的极限。

François Chollet，ARC智力测试的发起者，他还提出了一个更为严格的衡量标准：

真格的智能呢，就是能把你手头上知道的那些东西，重新拼凑一下，搞出个新花样， tackle那些还没遇到过的问题。

为了证明这个想法，他特意安排了ARC-AGC的检验。

跟以前的测试一比，每题都算是崭新的挑战，从没遇到过的任务轮番上阵。

主要考查的，是那种真正靠人类思维方式来的推理，比如抽象思考、迁移解题技巧以及类比联想的能力。

没想到，纯粹的大型语言模型的得分居然是0%。

就算是经过额外推敲和优化的系统，成绩也只是个位数而已。

而人类呢，基本上都能答对得差不多。

Chollet就直言不讳地说：

这说明现阶段最牛的AI模型，根本就没有那种灵活拼凑知识的本事。它们只是记忆力棒，但真要动脑子还不行。

这次测试反映出的，不是参数少、训练不充分，而是真正的方向出了问题。

它并不是没有力量，而是没有那种“思考的框架”或者说“思维的结构”。

通向AGI的路途，从来不只有一种方向。

但逐渐积累的不少证据都在指向一个共同的结果：

看起来，AGI可能并不是靠单一技术的突破，而是在各种不同系统协作共振中慢慢成型的。

它得配备更灵活的硬件架构——用合适的芯片，干专门的事，像CPU、GPU、TPU、NPU各自分工明确。

它还得有个更聪明的调度体系，让这些不同类型的芯片灵活配合，绝不浪费一丝算力。

它得有个全新的架构，比如说像Transformer对比GPT那样，带来一场思维方式的飞跃。

连智能的概念都得从头再琢磨一遍，重新搭建一套体系。

可能让我们迈向AGI的，并不是某个「更厉害模型」突然出现，而是一次技术方向上的集体转变。

就像MIT的报告里提到的那样：

在追求更聪明的机器的过程中，我们或许也会首次真正明白“聪明”到底代表着什么。