通用人工智能 AGI 离我们还有多远

AGI 到底指什么，为什么对它的判断差异这么大？本文梳理几种常见的定义与衡量标准，分析当前系统在哪些方面已经接近、哪些方面仍存在明显差距，并解释时间表为何众说纷纭。

先说清楚在讨论什么

通用人工智能（AGI）并没有被普遍接受的定义。有人理解为能在大多数有价值的工作上达到人类水平，有人强调能把一个领域学到的能力迁移到全新领域，也有人主张必须具备自主设定目标与长期规划的能力。定义不同，结论自然不同，这是分歧的首要来源。

此外还有测评标准的问题。用标准化考试衡量，模型在某些科目上表现不错；用开放式长任务衡量，比如独立完成一个持续数周的项目，表现则明显下降。这说明能力不是单一维度，在不同评测轴上给出的排名可能完全相反，讨论时需要先明确用的是哪把尺子。

哪些方面已经接近

在语言理解与生成、知识问答、代码编写、常规文本与图像处理等任务上，当前系统在限定范围内的表现已达到可用水平，部分窄任务上甚至超过普通人。它们还展现出一定的跨任务迁移能力：同一模型可以处理翻译、摘要、推理与写作，这在十年前并不常见。

但把视角转向可靠性与自主性，差距就显现出来。当前系统在长链条任务中容易累积错误，缺乏稳定的长期记忆与持续学习能力，遇到训练分布之外的情况时表现波动较大，也难以对自己结论的不确定性做出可靠判断。这些恰恰是通用性最核心的部分。

为什么时间表分歧这么大

关于 AGI 何时到来，公开调查中专家给出的中位数区间差异极大，从十余年到数十年甚至更久都有，也有不少人认为现有路径不足以实现。分歧源于不同判断：有人认为扩大规模足以产生通用能力，有人则认为瓶颈在算法突破或与物理世界的交互经验。

对普通读者而言，更有价值的或许不是预测日期，而是观察可验证的进展：系统能否在无人持续指导下完成长周期任务、能否在新环境中快速学会新技能、能否稳定解释自己的失败。这些具体指标的变化，比任何单一的时间表更能说明真实距离。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。