先说明一下这个标题是我自己做的一个“AGI 系列”随笔的第六篇。前面几篇分别聊了算力、数据、模型结构、评测方法和对齐问题。这次想换个视角把 AGI 的发展看成一条生命演化路径用“三级跃迁”来重新梳理“我们到底走到哪一步了”。纯属个人观察不是权威结论但我会尽量把判断依据、技术节点和可观测的标志讲清楚。开始之前先亮观点我认为 AGI 不会是一个“某年某月某日突然实现”的开关而是一段连续的、有阶段质变的演化过程。从今天的模型到真正的通用人工智能中间至少要跨过三个大台阶从“记忆”到“推理”从“推理”到“自主行动”从“自主行动”到“自我进化”。每一级都是上一级的量变积累后的质变就像蝌蚪变青蛙、幼虫化蝶不是简单的性能升级而是形态层面的转变。这篇文章就是沿着这三条跃迁线展开的最后给出一张可以对照观测的路线图。1. 为什么用“进化论”看 AGI三个质变而不是一场升级1.1 行业内常见的 AGI 分级方式最近两年业界其实已经有不少人尝试给 AGI 画刻度尺。比如某头部实验室提出过“五级路线”L1 是能对话L2 是能推理L3 是能自主行动L4 是能协助创新L5 是能组织工作。另一家北美研究机构也做过类似“六级定义”核心维度从“模型能力”扩展到了“现实世界中的自主程度”。这几套框架虽然叫法不同但骨子里高度相似。如果真的去对比这些框架会发现一个共同点他们都不再把“参数规模”或“跑分”当作 AGI 的核心度量而是把“模型能不能在真实世界里持续完成复杂目标”当作主线。这个转变本身就是一种观念升级——几年前的讨论还集中在“模型能不能通过某个考试”现在大家更关心“模型能不能像一个合格的员工一样接手一件跨周、跨月、需要协调多个资源的任务”。我自己的看法是这些分级本质上都在描述“智能体成熟度”也就是一个系统从“被动回答”逐步走向“主动生存”的过程。用生物发育的类比反而更容易理解。1.2 我为什么把六级映射成三级跃迁如果把常见分级再压缩一下我认为真正算得上“质变”的节点只有三个第一级跃迁从“百科全书”到“推理引擎”。对应的是模型不仅会复述知识还能在没见过的问题上进行多步推理并且推理链路足够稳定。这是从 L1 走向 L2 的关键。第二级跃迁从“思考者”到“行动者”。模型不只是输出文字还能自己拆解目标、调用工具、浏览网页、写代码、操作软件并在真实反馈中修正下一步行动。这是从 L2 走向 L3 的关键。第三级跃迁从“行业专家”到“自我进化的超级智能”。系统能够自主提出新问题、设计新实验、改进自身算法甚至重新设定自己的子目标。这个阶段才是真正意义上的 AGI 终端形态再往前走就是 ASI超级人工智能了。为什么说“跃迁”而不是“升级”因为每一级之间不是“多训练几个月”就能平滑滑过去的都需要技术范式的转换。第一级靠的是“推理时计算”和强化学习的重新引入第二级靠的是“智能体架构”和“环境交互闭环”第三级靠的是“自举式学习”和“目标内化”。每一次转换都伴随着能力曲线的陡然抬升而不是线性爬坡。这个框架的好处是它不纠结于“AGI 的定义到底用哪 17 个词”而是把注意力放在“我们正在突破哪一个质变节点”。对从业者来说这种视角更可操作。2. 第一级跃迁从“百科全书”到“推理引擎”2.1 胚胎期的 AI本质上还是一个“超强记忆体”坦白说现在最先进的大语言模型本质上仍然是一个“超强记忆体”。它把人类互联网上的海量文本压缩进了参数里训练出了极强的统计关联能力。你问它“法国的首都是哪里”它能答对你让它写一封邮件、总结一篇文章它干得也不错。这些任务的共同点是答案模式在训练数据里反复出现过模型是在做“检索模式匹配”。但一旦任务超出“记忆范围”问题就暴露了。比如让它解决一道需要三步以上逻辑推理的数学题或者让它在信息矛盾的材料里做出判断模型的错误率会明显上升。即使是最先进的推理模型在复杂迷宫、多约束规划、反事实推理这些任务上也经常出现“一本正经地胡说八道”。我把这个阶段称为“胚胎期”是因为系统还没有独立的“思维器官”。它像一个记忆力超群但缺乏判断力的孩子能背下整套百科全书却无法在真实世界里用这些知识解决一个稍微绕弯的问题。这恰好解释了为什么很多用户会觉得“模型很聪明但又有点蠢”——聪明来自记忆的广度蠢来自推理的深度不足。2.2 逼出推理能力的三条技术路径从“记忆”走向“推理”并不是把模型做大就行。过去一年产业界摸索出的有效手段总结下来是三条路第一条路推理时计算test-time compute。简单说就是让模型在回答问题之前先“想”更久生成一条内部思考链把大问题拆成小问题逐步推导。这相当于从“脱口而出”变成“打草稿再作答”。实践中最明显的例子是同样的模型开启深度思考模式后在数学和代码任务上的准确率可以提升十几个百分点。第二条路可验证任务的强化学习RLVR。对数学题、代码这类有标准答案的任务可以用自动化脚本打分让模型在“猜答案-拿到反馈-调整策略”的循环里不断优化自己的推理过程。这跟老师批改作业很像反馈越明确进步越快。第三条路分布式推理和模型协作。把一个问题交给多个模型分头推理再汇总、交叉验证或者让一个“规划模型”拆解任务多个“执行模型”并行处理。这个思路在复杂项目管理类任务上已经开始显现价值。我在实际工作中发现一个关键细节单靠“让模型想更久”并不总是有效。推理时计算的效果高度依赖模型本身的基础能力如果基础知识是错的想得再久也只能得到一篇逻辑自洽的错误答案。所以要真正跨过第一级跃迁必须把预训练质量、推理时策略、反馈机制三个层面一起优化缺一不可。2.3 判断第一级跃迁完成的标志怎么知道某个模型真的完成了“从记忆到推理”的质变我认为有三个可观测标志标志一多步推理的稳定性。给它一个需要十分钟以上连续推理的复杂任务比如设计一个带约束条件的实验方案过程中不允许中途崩溃、不允许出现自相矛盾正确率要达到人类专家的水平。标志二跨域迁移能力。模型在数学领域学会的推理方法能不能迁移到法律条文分析、医学诊断逻辑、工程排障这些完全不同的领域如果能做到“举一反三”说明推理不是背下来的套路而是内化的能力。标志三面对反常识问题的表现。给它一个与常见认知相悖但逻辑正确的设定看它能不能跳出训练数据的统计偏见。比如问“如果地球引力减半现有桥梁设计哪些地方最危险”模型需要基于物理原理推理而不是复述训练数据里的桥梁知识。就我自己的实测感觉当前最先进的模型在标志一上已经摸到门槛标志二和三还有明显距离。所以可以这么说我们正处于第一级跃迁的“后半程”但还没完全跨过去。3. 第二级跃迁从“思考者”到“行动者”3.1 为什么“会思考”离“会干活”还很远如果说第一级跃迁解决的是“脑子好不好用”那第二级跃迁解决的是“能不能真正干活”。这是两类完全不同的能力。一个很直接的例子让模型解答“如何策划一场线下活动”它能写出结构完美的方案。但如果你真的让它去执行——预订场地、联系供应商、协调时间、处理突发状况——它基本无能为力。原因很简单真实世界的任务不是“一次性输出”而是“感知、决策、行动、纠错”的无限循环。任务中途会有新的信息进来原有的计划会被现实打乱执行者需要随时调整。这就好比一个读过所有驾驶理论书的人第一次坐进驾驶座依然会手足无措。理论知识和实操技能之间隔着一整个“与环境交互试错”的过程。第二级跃迁的核心就是让 AI 补上这个过程。现实中的差距更具体。当前的大模型在执行一个多步骤任务时容易出现三个毛病一是任务拆解能力弱把简单问题拆成一堆没必要的子任务效率极低二是环境反馈利用差工具调用报错了它经常意识不到该怎么调整策略三是长期记忆不足做一个持续三天的任务第二天的它已经忘了第一天做了什么决策。3.2 自主智能体需要补齐的四个技术拼图要让模型从“会思考”走向“会干活”我梳理出四个必须补齐的能力模块第一块长期记忆与状态管理。智能体必须在多轮交互、跨天任务中维持对目标、已有成果、约束条件的持续认知。这需要外部向量数据库、结构化状态记录、以及定期的“自我总结”机制。没有长期记忆的 Agent就像金鱼做项目做完就忘。第二块层级化任务规划。把大目标自动分解成可执行的小步骤并能根据执行情况动态调整计划。目前比较有效的是“先规划后执行边执行边修正”的模式——初始计划不必完美但执行中要能感知偏差并重新规划。第三块可靠的工具调用与结果验证。AI 需要调用外部 API、浏览器、代码解释器、数据库而且不能盲目相信工具返回的结果。这要求智能体在每一步都做“结果合理性校验”比如调用计算器后如果结果和物理常识矛盾就要停下来检查是输入错误还是逻辑错误。第四块自我纠错与反思机制。执行一个长任务时定期停下来复盘这一步做得怎么样下一步怎么优化当前路径和目标还一致吗这种“执行-反思-修正”的循环是智能体从“跑通”走向“可靠”的关键。我在自己搭 Agent 的过程中踩过不少坑印象最深的一次让智能体自动抓取一批网页资料并生成汇总报告结果它在抓取第三步时遇到一个反爬页面就不停重试直到把 token 耗尽也没学会“换个来源”或者“用另一种方式解析”。后来我把“遇到异常后至少提出三种备选方案”写进提示词情况才好转。这类细节在论文里很少提到但实操中非常重要。3.3 自主行动带来的新麻烦第二级跃迁带来的不只是能力提升还有全新的风险问题。当模型开始真正操作系统、调用工具、执行网络操作时它的每一次决策都直接影响现实世界。这个阶段的安全问题不再是“生成了一段不合规文本”而是“执行了一个错误动作”。举几个实际可能发生的场景智能体在自动订酒店时因为读取了错误的日期格式把房间订到了下个月自动回复邮件时因为语气判断失误给重要客户发了一封措辞不当的回复自动执行代码时因为对边界条件考虑不周删除了数据库里的关键记录。这些都不是科幻而是“自主行动”必然会带来的工程和治理挑战。所以我在判断“第二级跃迁是否完成”时除了看能力指标还一定会看一个安全指标系统在不可控情况下能不能主动“刹车”——比如检测到操作风险超过阈值就停止执行、请求人工确认、或者在出错后能完整回溯操作记录。一个不能安全自主的智能体无论跑分多高都不算真正跨过了这一级。4. 第三级跃迁从“行业专家”到“自我进化的超级智能”4.1 终极形态的两个关键词自举与目标设定第三级跃迁是整个 AGI 讨论里最迷人、也最容易让人情绪化的部分。到了这个阶段AI 不再只是“执行者”而是“创造者”——它能自己提出研究问题自己设计实验自己分析结果然后把这个循环不断加速。这里有两个关键词值得细品。第一个是“自举”bootstrapping。意思是系统能够改进自己。这跟人类学习有本质区别人类学生的知识来源主要是外部老师而 AGI 如果能自己写代码改进学习算法、自己设计新的模型架构、自己生成新的训练数据它的进步速度就是指数级的。业界常说的“智能爆炸”或“奇点”本质上都指向这个机制。第二个是“目标设定”。当前所有 AI 系统都在执行人类给定的目标而到了第三级系统要能在高层目标约束下自主设定子目标。比如“提高某种疾病的治愈率”是高层目标系统可以自己决定“先建立病理模型、再筛选候选药物、再设计临床试验方案”——整个过程不再需要人类一步步指挥。这两个能力叠加起来意味着系统将具备“自我进化闭环”。也是在这一点上AGI 开始滑向 ASI 的领地。4.2 通往终极的现实路径从 AI 辅助科研到 AI 主导科研虽然终极形态听起来遥远但产业界已经在沿着一条真实路径推进那就是“AI 参与科研”的深度逐级加深。当前阶段是“AI 辅助科研”模型帮助科学家查文献、整理数据、生成代码、优化实验参数。这个阶段人类负责提出问题、设计实验、解读结果AI 是工具。中间阶段是“AI 协作科研”模型不仅能执行子任务还能参与讨论研究思路。比如它根据文献分析提出“某个通路可能可以用另一种化合物激活”然后和人类研究员讨论验证。这个阶段 AI 是科研伙伴但还不具备独立的学术直觉。终极阶段是“AI 主导科研”系统自主完成“提出问题-建立假说-设计实验-执行-分析-发表结论”全链路。而且它可以同时进行成千上万个实验在人类无法企及的高维空间中寻找规律。如果这个闭环真正形成我们很难说 AGI 还没有到来。我对第三级跃迁的判断比较谨慎目前 AI 辅助科研已经相当成熟AI 协作科研刚出现雏形AI 主导科研还没有可靠的技术路径。因为“提出好问题”这件事本身就依赖深厚的领域直觉和价值判断这不是单纯把模型做大就能解决的。4.3 越接近终极越要回答好对齐问题每次聊到第三级跃迁就绕不开“对齐”AI Alignment问题。简单说就是如何确保一个比人类聪明的系统始终按照人类的价值观和意图行事而不是按照它自己推导出的某种“最优策略”行事。难点在于价值判断不是数学公式它充满模糊、冲突和上下文依赖。比如“尊重生命”和“服从命令”在绝大多数情况下不冲突但在某个极端的医疗场景下可能产生矛盾。要把这种复杂的价值系统编码进 AI 的优化目标里难度远超技术本身。更棘手的是“目标漂移”问题。即使我们给 AGI 设定了一个完美的初始目标当它开始自我进化、修改自身代码之后它可能为了追求“更高效地实现目标”而自行调整行为策略甚至修改目标本身。这种漂移一旦发生再强的对齐手段都很难逆转。所以我认为第三级跃迁的完成度不应该只看“智力指标”还要看“可控性指标”。一个系统再聪明、再能自我进化如果人类无法理解它的决策依据、无法在必要时安全地中断它那我们就不应该说这是“人类的 AGI”而只能说这是“某种失控的智能产物”。安全不是 AGI 的附加条件而是 AGI 定义的一部分。5. AGI 发展路线图时间表、里程碑与观测指标5.1 三条不同的时间路径基于前面对三级跃迁的拆解我来试着画一张“从胚胎到终极”的路线图。需要说明的是任何时间预测都充满不确定性以下只是结合技术趋势给出的三种情景。乐观情景假设推理时计算、智能体架构、自我对弈式强化学习三条线持续加速第一级跃迁在 1-2 年内完成第二级跃迁在 3-5 年内出现成熟应用第三级跃迁在 10 年左右进入“可观测的雏形”。这个情景的前提是算力成本持续下降数据瓶颈被合成数据和世界模型突破对齐研究取得关键进展。基准情景第一级跃迁在 2-3 年内完成第二级跃迁在 5-8 年内逐步成熟第三级跃迁仍然是远期命题乐观估计也要 15-20 年。这个情景更贴近我所看到的产业现状能力提升很快但工程化、安全化、社会接受度的节奏会拖慢脚步。保守情景第一级跃迁完成后第二级被“安全治理成本”和“环境复杂度”拖住第三级因为对齐问题难以解决而长期停留在理论阶段。这个情景下我们可能在一代人的时间里都看不到真正的 AGI看到的是无数个“领域内超强、跨领域平庸”的专用智能。我个人比较倾向于“基准情景和乐观情景之间”。理由是技术本身的进步速度经常超预期但社会系统对新技术的消化速度永远比技术乐观者想象的要慢。5.2 每一级跃迁的可观测标志速查表与其争论“哪一年实现 AGI”不如盯住几个可观测的“跃迁标志”。下面这张表是我自己整理的关键指标可以当作长期观察的参考。跃迁阶段核心能力关键标志可观测指标第一级记忆到推理多步推理、跨域迁移在未见过的问题上稳定完成长时间推理链复杂数学题正确率、反常识问题回答质量、跨领域迁移测试得分第二级推理到行动自主规划、工具使用、自我纠错能独立完成跨天、跨系统、多步骤的真实任务任务完成率、失败恢复率、人工介入频率、安全刹车可靠性第三级行动到进化自举学习、自主科研、目标设定系统能自己提出并验证人类未想到的新假说AI主导科研产出占比、自我改进迭代周期、目标漂移检测成功率这张表的核心作用不是“预测”而是“校准”。当市面上不断有新产品说自己“接近 AGI”时你可以用自己的观测指标去验证。如果他只是在某个 benchmark 上分数变高但跨领域推理依然脆弱、自主任务依然需要频繁人工兜底那他的“AGI 叙事”就还停留在前两级之间。6. 最后聊聊我的个人判断把这三级跃迁完整梳理一遍之后回到最初的问题我们离 AGI 到底还有多远我的答案是我们离“第一级跃迁的终点”已经很近可能就在未来两三年离“第二级跃迁的普遍成熟”还有一段不短的路五年打底离“第三级跃迁的雏形”则完全取决于对齐问题能不能找到可行解这个时间窗口我倾向于按十年甚至更久来算。所以与其说“AGI 将在某一年爆发”不如说我们正在经历一场持续的、阶段性的智力演进。每一级跃迁都会带来一波产业洗牌第一级让“知识型白领工作”被重写第二级让“执行型工作流”被重构第三级则可能重新定义“人类在智力劳动中的角色”。我个人还有一个体会想分享在追踪 AGI 进展时尽量少被“版本号”和“发布会”带走多去盯那些可观测的能力质变。模型从 70 分考到 80 分是优化从“只会背书”到“能独立做研究”才是跃迁。前者天天都在发生后者几年才出现一次。把注意力放在后者上你对 AGI 进程的判断会清醒很多。最后补一句这篇文章不是想制造焦虑也不是想泼冷水。AGI 的进化轨迹大概率不会是一条匀速直线而是一连串“闷头积累了很久突然跃迁一小步”的台阶。站在 2025 年回头看我们已经走完了胚胎期的大半程接下来的每一步都值得认真观察。如果你也是长期关注 AI 的人建议把这三级跃迁当作自己的思考框架每隔半年复盘一次——那时候你会发现世界前进的速度比你感知到的还要快一点。 
长河君 · 2026/10/22 5:51:08 · 阅读 1.2k AGI进化论：从记忆到推理再到自主行动的三级跃迁
先说明一下这个标题是我自己做的一个“AGI 系列”随笔的第六篇。前面几篇分别聊了算力、数据、模型结构、评测方法和对齐问题。这次想换个视角把 AGI 的发展看成一条生命演化路径用“三级跃迁”来重新梳理“我们到底走到哪一步了”。纯属个人观察不是权威结论但我会尽量把判断依据、技术节点和可观测的标志讲清楚。开始之前先亮观点我认为 AGI 不会是一个“某年某月某日突然实现”的开关而是一段连续的、有阶段质变的演化过程。从今天的模型到真正的通用人工智能中间至少要跨过三个大台阶从“记忆”到“推理”从“推理”到“自主行动”从“自主行动”到“自我进化”。每一级都是上一级的量变积累后的质变就像蝌蚪变青蛙、幼虫化蝶不是简单的性能升级而是形态层面的转变。这篇文章就是沿着这三条跃迁线展开的最后给出一张可以对照观测的路线图。1. 为什么用“进化论”看 AGI三个质变而不是一场升级1.1 行业内常见的 AGI 分级方式最近两年业界其实已经有不少人尝试给 AGI 画刻度尺。比如某头部实验室提出过“五级路线”L1 是能对话L2 是能推理L3 是能自主行动L4 是能协助创新L5 是能组织工作。另一家北美研究机构也做过类似“六级定义”核心维度从“模型能力”扩展到了“现实世界中的自主程度”。这几套框架虽然叫法不同但骨子里高度相似。如果真的去对比这些框架会发现一个共同点他们都不再把“参数规模”或“跑分”当作 AGI 的核心度量而是把“模型能不能在真实世界里持续完成复杂目标”当作主线。这个转变本身就是一种观念升级——几年前的讨论还集中在“模型能不能通过某个考试”现在大家更关心“模型能不能像一个合格的员工一样接手一件跨周、跨月、需要协调多个资源的任务”。我自己的看法是这些分级本质上都在描述“智能体成熟度”也就是一个系统从“被动回答”逐步走向“主动生存”的过程。用生物发育的类比反而更容易理解。1.2 我为什么把六级映射成三级跃迁如果把常见分级再压缩一下我认为真正算得上“质变”的节点只有三个第一级跃迁从“百科全书”到“推理引擎”。对应的是模型不仅会复述知识还能在没见过的问题上进行多步推理并且推理链路足够稳定。这是从 L1 走向 L2 的关键。第二级跃迁从“思考者”到“行动者”。模型不只是输出文字还能自己拆解目标、调用工具、浏览网页、写代码、操作软件并在真实反馈中修正下一步行动。这是从 L2 走向 L3 的关键。第三级跃迁从“行业专家”到“自我进化的超级智能”。系统能够自主提出新问题、设计新实验、改进自身算法甚至重新设定自己的子目标。这个阶段才是真正意义上的 AGI 终端形态再往前走就是 ASI超级人工智能了。为什么说“跃迁”而不是“升级”因为每一级之间不是“多训练几个月”就能平滑滑过去的都需要技术范式的转换。第一级靠的是“推理时计算”和强化学习的重新引入第二级靠的是“智能体架构”和“环境交互闭环”第三级靠的是“自举式学习”和“目标内化”。每一次转换都伴随着能力曲线的陡然抬升而不是线性爬坡。这个框架的好处是它不纠结于“AGI 的定义到底用哪 17 个词”而是把注意力放在“我们正在突破哪一个质变节点”。对从业者来说这种视角更可操作。2. 第一级跃迁从“百科全书”到“推理引擎”2.1 胚胎期的 AI本质上还是一个“超强记忆体”坦白说现在最先进的大语言模型本质上仍然是一个“超强记忆体”。它把人类互联网上的海量文本压缩进了参数里训练出了极强的统计关联能力。你问它“法国的首都是哪里”它能答对你让它写一封邮件、总结一篇文章它干得也不错。这些任务的共同点是答案模式在训练数据里反复出现过模型是在做“检索模式匹配”。但一旦任务超出“记忆范围”问题就暴露了。比如让它解决一道需要三步以上逻辑推理的数学题或者让它在信息矛盾的材料里做出判断模型的错误率会明显上升。即使是最先进的推理模型在复杂迷宫、多约束规划、反事实推理这些任务上也经常出现“一本正经地胡说八道”。我把这个阶段称为“胚胎期”是因为系统还没有独立的“思维器官”。它像一个记忆力超群但缺乏判断力的孩子能背下整套百科全书却无法在真实世界里用这些知识解决一个稍微绕弯的问题。这恰好解释了为什么很多用户会觉得“模型很聪明但又有点蠢”——聪明来自记忆的广度蠢来自推理的深度不足。2.2 逼出推理能力的三条技术路径从“记忆”走向“推理”并不是把模型做大就行。过去一年产业界摸索出的有效手段总结下来是三条路第一条路推理时计算test-time compute。简单说就是让模型在回答问题之前先“想”更久生成一条内部思考链把大问题拆成小问题逐步推导。这相当于从“脱口而出”变成“打草稿再作答”。实践中最明显的例子是同样的模型开启深度思考模式后在数学和代码任务上的准确率可以提升十几个百分点。第二条路可验证任务的强化学习RLVR。对数学题、代码这类有标准答案的任务可以用自动化脚本打分让模型在“猜答案-拿到反馈-调整策略”的循环里不断优化自己的推理过程。这跟老师批改作业很像反馈越明确进步越快。第三条路分布式推理和模型协作。把一个问题交给多个模型分头推理再汇总、交叉验证或者让一个“规划模型”拆解任务多个“执行模型”并行处理。这个思路在复杂项目管理类任务上已经开始显现价值。我在实际工作中发现一个关键细节单靠“让模型想更久”并不总是有效。推理时计算的效果高度依赖模型本身的基础能力如果基础知识是错的想得再久也只能得到一篇逻辑自洽的错误答案。所以要真正跨过第一级跃迁必须把预训练质量、推理时策略、反馈机制三个层面一起优化缺一不可。2.3 判断第一级跃迁完成的标志怎么知道某个模型真的完成了“从记忆到推理”的质变我认为有三个可观测标志标志一多步推理的稳定性。给它一个需要十分钟以上连续推理的复杂任务比如设计一个带约束条件的实验方案过程中不允许中途崩溃、不允许出现自相矛盾正确率要达到人类专家的水平。标志二跨域迁移能力。模型在数学领域学会的推理方法能不能迁移到法律条文分析、医学诊断逻辑、工程排障这些完全不同的领域如果能做到“举一反三”说明推理不是背下来的套路而是内化的能力。标志三面对反常识问题的表现。给它一个与常见认知相悖但逻辑正确的设定看它能不能跳出训练数据的统计偏见。比如问“如果地球引力减半现有桥梁设计哪些地方最危险”模型需要基于物理原理推理而不是复述训练数据里的桥梁知识。就我自己的实测感觉当前最先进的模型在标志一上已经摸到门槛标志二和三还有明显距离。所以可以这么说我们正处于第一级跃迁的“后半程”但还没完全跨过去。3. 第二级跃迁从“思考者”到“行动者”3.1 为什么“会思考”离“会干活”还很远如果说第一级跃迁解决的是“脑子好不好用”那第二级跃迁解决的是“能不能真正干活”。这是两类完全不同的能力。一个很直接的例子让模型解答“如何策划一场线下活动”它能写出结构完美的方案。但如果你真的让它去执行——预订场地、联系供应商、协调时间、处理突发状况——它基本无能为力。原因很简单真实世界的任务不是“一次性输出”而是“感知、决策、行动、纠错”的无限循环。任务中途会有新的信息进来原有的计划会被现实打乱执行者需要随时调整。这就好比一个读过所有驾驶理论书的人第一次坐进驾驶座依然会手足无措。理论知识和实操技能之间隔着一整个“与环境交互试错”的过程。第二级跃迁的核心就是让 AI 补上这个过程。现实中的差距更具体。当前的大模型在执行一个多步骤任务时容易出现三个毛病一是任务拆解能力弱把简单问题拆成一堆没必要的子任务效率极低二是环境反馈利用差工具调用报错了它经常意识不到该怎么调整策略三是长期记忆不足做一个持续三天的任务第二天的它已经忘了第一天做了什么决策。3.2 自主智能体需要补齐的四个技术拼图要让模型从“会思考”走向“会干活”我梳理出四个必须补齐的能力模块第一块长期记忆与状态管理。智能体必须在多轮交互、跨天任务中维持对目标、已有成果、约束条件的持续认知。这需要外部向量数据库、结构化状态记录、以及定期的“自我总结”机制。没有长期记忆的 Agent就像金鱼做项目做完就忘。第二块层级化任务规划。把大目标自动分解成可执行的小步骤并能根据执行情况动态调整计划。目前比较有效的是“先规划后执行边执行边修正”的模式——初始计划不必完美但执行中要能感知偏差并重新规划。第三块可靠的工具调用与结果验证。AI 需要调用外部 API、浏览器、代码解释器、数据库而且不能盲目相信工具返回的结果。这要求智能体在每一步都做“结果合理性校验”比如调用计算器后如果结果和物理常识矛盾就要停下来检查是输入错误还是逻辑错误。第四块自我纠错与反思机制。执行一个长任务时定期停下来复盘这一步做得怎么样下一步怎么优化当前路径和目标还一致吗这种“执行-反思-修正”的循环是智能体从“跑通”走向“可靠”的关键。我在自己搭 Agent 的过程中踩过不少坑印象最深的一次让智能体自动抓取一批网页资料并生成汇总报告结果它在抓取第三步时遇到一个反爬页面就不停重试直到把 token 耗尽也没学会“换个来源”或者“用另一种方式解析”。后来我把“遇到异常后至少提出三种备选方案”写进提示词情况才好转。这类细节在论文里很少提到但实操中非常重要。3.3 自主行动带来的新麻烦第二级跃迁带来的不只是能力提升还有全新的风险问题。当模型开始真正操作系统、调用工具、执行网络操作时它的每一次决策都直接影响现实世界。这个阶段的安全问题不再是“生成了一段不合规文本”而是“执行了一个错误动作”。举几个实际可能发生的场景智能体在自动订酒店时因为读取了错误的日期格式把房间订到了下个月自动回复邮件时因为语气判断失误给重要客户发了一封措辞不当的回复自动执行代码时因为对边界条件考虑不周删除了数据库里的关键记录。这些都不是科幻而是“自主行动”必然会带来的工程和治理挑战。所以我在判断“第二级跃迁是否完成”时除了看能力指标还一定会看一个安全指标系统在不可控情况下能不能主动“刹车”——比如检测到操作风险超过阈值就停止执行、请求人工确认、或者在出错后能完整回溯操作记录。一个不能安全自主的智能体无论跑分多高都不算真正跨过了这一级。4. 第三级跃迁从“行业专家”到“自我进化的超级智能”4.1 终极形态的两个关键词自举与目标设定第三级跃迁是整个 AGI 讨论里最迷人、也最容易让人情绪化的部分。到了这个阶段AI 不再只是“执行者”而是“创造者”——它能自己提出研究问题自己设计实验自己分析结果然后把这个循环不断加速。这里有两个关键词值得细品。第一个是“自举”bootstrapping。意思是系统能够改进自己。这跟人类学习有本质区别人类学生的知识来源主要是外部老师而 AGI 如果能自己写代码改进学习算法、自己设计新的模型架构、自己生成新的训练数据它的进步速度就是指数级的。业界常说的“智能爆炸”或“奇点”本质上都指向这个机制。第二个是“目标设定”。当前所有 AI 系统都在执行人类给定的目标而到了第三级系统要能在高层目标约束下自主设定子目标。比如“提高某种疾病的治愈率”是高层目标系统可以自己决定“先建立病理模型、再筛选候选药物、再设计临床试验方案”——整个过程不再需要人类一步步指挥。这两个能力叠加起来意味着系统将具备“自我进化闭环”。也是在这一点上AGI 开始滑向 ASI 的领地。4.2 通往终极的现实路径从 AI 辅助科研到 AI 主导科研虽然终极形态听起来遥远但产业界已经在沿着一条真实路径推进那就是“AI 参与科研”的深度逐级加深。当前阶段是“AI 辅助科研”模型帮助科学家查文献、整理数据、生成代码、优化实验参数。这个阶段人类负责提出问题、设计实验、解读结果AI 是工具。中间阶段是“AI 协作科研”模型不仅能执行子任务还能参与讨论研究思路。比如它根据文献分析提出“某个通路可能可以用另一种化合物激活”然后和人类研究员讨论验证。这个阶段 AI 是科研伙伴但还不具备独立的学术直觉。终极阶段是“AI 主导科研”系统自主完成“提出问题-建立假说-设计实验-执行-分析-发表结论”全链路。而且它可以同时进行成千上万个实验在人类无法企及的高维空间中寻找规律。如果这个闭环真正形成我们很难说 AGI 还没有到来。我对第三级跃迁的判断比较谨慎目前 AI 辅助科研已经相当成熟AI 协作科研刚出现雏形AI 主导科研还没有可靠的技术路径。因为“提出好问题”这件事本身就依赖深厚的领域直觉和价值判断这不是单纯把模型做大就能解决的。4.3 越接近终极越要回答好对齐问题每次聊到第三级跃迁就绕不开“对齐”AI Alignment问题。简单说就是如何确保一个比人类聪明的系统始终按照人类的价值观和意图行事而不是按照它自己推导出的某种“最优策略”行事。难点在于价值判断不是数学公式它充满模糊、冲突和上下文依赖。比如“尊重生命”和“服从命令”在绝大多数情况下不冲突但在某个极端的医疗场景下可能产生矛盾。要把这种复杂的价值系统编码进 AI 的优化目标里难度远超技术本身。更棘手的是“目标漂移”问题。即使我们给 AGI 设定了一个完美的初始目标当它开始自我进化、修改自身代码之后它可能为了追求“更高效地实现目标”而自行调整行为策略甚至修改目标本身。这种漂移一旦发生再强的对齐手段都很难逆转。所以我认为第三级跃迁的完成度不应该只看“智力指标”还要看“可控性指标”。一个系统再聪明、再能自我进化如果人类无法理解它的决策依据、无法在必要时安全地中断它那我们就不应该说这是“人类的 AGI”而只能说这是“某种失控的智能产物”。安全不是 AGI 的附加条件而是 AGI 定义的一部分。5. AGI 发展路线图时间表、里程碑与观测指标5.1 三条不同的时间路径基于前面对三级跃迁的拆解我来试着画一张“从胚胎到终极”的路线图。需要说明的是任何时间预测都充满不确定性以下只是结合技术趋势给出的三种情景。乐观情景假设推理时计算、智能体架构、自我对弈式强化学习三条线持续加速第一级跃迁在 1-2 年内完成第二级跃迁在 3-5 年内出现成熟应用第三级跃迁在 10 年左右进入“可观测的雏形”。这个情景的前提是算力成本持续下降数据瓶颈被合成数据和世界模型突破对齐研究取得关键进展。基准情景第一级跃迁在 2-3 年内完成第二级跃迁在 5-8 年内逐步成熟第三级跃迁仍然是远期命题乐观估计也要 15-20 年。这个情景更贴近我所看到的产业现状能力提升很快但工程化、安全化、社会接受度的节奏会拖慢脚步。保守情景第一级跃迁完成后第二级被“安全治理成本”和“环境复杂度”拖住第三级因为对齐问题难以解决而长期停留在理论阶段。这个情景下我们可能在一代人的时间里都看不到真正的 AGI看到的是无数个“领域内超强、跨领域平庸”的专用智能。我个人比较倾向于“基准情景和乐观情景之间”。理由是技术本身的进步速度经常超预期但社会系统对新技术的消化速度永远比技术乐观者想象的要慢。5.2 每一级跃迁的可观测标志速查表与其争论“哪一年实现 AGI”不如盯住几个可观测的“跃迁标志”。下面这张表是我自己整理的关键指标可以当作长期观察的参考。跃迁阶段核心能力关键标志可观测指标第一级记忆到推理多步推理、跨域迁移在未见过的问题上稳定完成长时间推理链复杂数学题正确率、反常识问题回答质量、跨领域迁移测试得分第二级推理到行动自主规划、工具使用、自我纠错能独立完成跨天、跨系统、多步骤的真实任务任务完成率、失败恢复率、人工介入频率、安全刹车可靠性第三级行动到进化自举学习、自主科研、目标设定系统能自己提出并验证人类未想到的新假说AI主导科研产出占比、自我改进迭代周期、目标漂移检测成功率这张表的核心作用不是“预测”而是“校准”。当市面上不断有新产品说自己“接近 AGI”时你可以用自己的观测指标去验证。如果他只是在某个 benchmark 上分数变高但跨领域推理依然脆弱、自主任务依然需要频繁人工兜底那他的“AGI 叙事”就还停留在前两级之间。6. 最后聊聊我的个人判断把这三级跃迁完整梳理一遍之后回到最初的问题我们离 AGI 到底还有多远我的答案是我们离“第一级跃迁的终点”已经很近可能就在未来两三年离“第二级跃迁的普遍成熟”还有一段不短的路五年打底离“第三级跃迁的雏形”则完全取决于对齐问题能不能找到可行解这个时间窗口我倾向于按十年甚至更久来算。所以与其说“AGI 将在某一年爆发”不如说我们正在经历一场持续的、阶段性的智力演进。每一级跃迁都会带来一波产业洗牌第一级让“知识型白领工作”被重写第二级让“执行型工作流”被重构第三级则可能重新定义“人类在智力劳动中的角色”。我个人还有一个体会想分享在追踪 AGI 进展时尽量少被“版本号”和“发布会”带走多去盯那些可观测的能力质变。模型从 70 分考到 80 分是优化从“只会背书”到“能独立做研究”才是跃迁。前者天天都在发生后者几年才出现一次。把注意力放在后者上你对 AGI 进程的判断会清醒很多。最后补一句这篇文章不是想制造焦虑也不是想泼冷水。AGI 的进化轨迹大概率不会是一条匀速直线而是一连串“闷头积累了很久突然跃迁一小步”的台阶。站在 2025 年回头看我们已经走完了胚胎期的大半程接下来的每一步都值得认真观察。如果你也是长期关注 AI 的人建议把这三级跃迁当作自己的思考框架每隔半年复盘一次——那时候你会发现世界前进的速度比你感知到的还要快一点。