1.1 AGI的定义之争与评估标准

1.1 AGI 的定义之争与评估标准

本节摘要：AGI（通用人工智能）是 AI 研究的目标，但"通用"二字怎么定义，行业至今没有共识。本节梳理 ANI 到 ASI 的能力谱系、四种主流定义的分歧、AGI-0 到 AGI-4 的分级框架，以及 MMLU、ARC 等基准测试的含金量，帮你建立一个"衡量 AGI 进展"的可靠标尺。

学习目标

阅读完本节，你应当能够：

1. 说清 ANI、AGI、ASI 三级谱系的区别，并判断某条"AGI 突破"新闻说的是哪一级。
2. 对比 OpenAI、DeepMind、LeCun、Hearn 四种 AGI 定义，指出各自的核心特征与测量标准。
3. 用 AGI-0 到 AGI-4 分级表给当前模型定位。
4. 分析基准测试分数的局限性，解释"应试技巧不等于通用智能"。

一、问题与直觉

先问一个问题：如果一台机器能在 100 项考试里都拿满分，它是 AGI 吗？

大部分人会犹豫。因为"考试全满分"和"能自己买菜做饭、读懂领导脸色、突发情况下做决策"之间，隔着一条看不见的鸿沟。这正是 AGI 讨论最迷人的地方：我们对"智能"的直觉是流动的，而定义必须凝固。2026 年的行业现状是——每个大厂都有自己版本的 AGI 定义，每个定义都悄悄服务于自己的技术路线和商业叙事。

OpenAI 说 AGI 是"在大多数经济价值高的任务中超越人类"，因为它的商业化依赖这个口径；LeCun 说大语言模型根本不算通向 AGI 的路，因为语言统计和世界理解是两码事；Gary Marcus 说 AGI 可能永远无法实现，因为符号推理才是智能的骨架。同一个词，三种命运。

2026 年还有一层新变化：随着 GPT-5 级别模型在考试、编程、图像理解上的表现全面逼近甚至超过人类平均水平，"AGI 已来"的营销话术越来越多。但仔细看，这些宣传几乎都偷换了一个概念——把"单点能力超越人类"当成"通用智能达成"。本节不急着站队，而是先建立一套"衡量任何 AI 系统离 AGI 有多远"的通用框架。框架立住了，后面所有关于时间表的争论你都能自己判断。

二、核心原理

2.1 能力谱系：ANI、AGI、ASI

行业通用的三分法把智能系统按"任务广度 × 自主程度"分层：

注意一个反直觉的事实：ANI 到 AGI 不是"任务数量"的堆叠。一个能写代码、能画图、能聊天、能诊断的模型，仍然是"一堆 ANI 的拼盘"，除非它能把一个领域学到的能力迁移到全新领域——这才是"通用"的试金石。

举个具体例子：GPT-5 能在 2026 年的美国律师资格考试中排进前 10%，但它第一次见到"祖玛游戏"（一种需要实时规划与反应的小游戏）时，表现可能不如一个玩了十分钟的小学生。因为它没被训练过类似任务，也没有从环境中学习的能力。这恰恰暴露了"考试高手"与"通用智能"之间的距离。

2.2 四种主流定义

这四个定义最大的分歧点在于**"学习"**。OpenAI 的定义不需要系统自己学新东西——只要预训练完成的任务做得好就行；而 Hearn 的定义要求系统"无需人类干预地进化"。用同一个词、两种标准，争论永远鸡同鸭讲。

这里有个值得注意的细节：2026 年 OpenAI 自己也把 AGI 目标拆分成了五个阶段（从"会聊天的模型"到"能管理组织的模型"），这说明即使是"乐观派"内部，也在用更细的刻度来管理预期——定义的分级化本身就是行业成熟的表现。

2.3 AGI 分级：可操作的标尺

2026 年社区逐渐接受了类似自动驾驶 L0-L5 的分级思路，把 AGI 也切成 0 到 4 级：

这套分级的价值在于把"有没有 AGI"这种非黑即白的问题，变成了"现在在哪一级"的刻度问题。按 2026 年主流模型的表现，GPT-5 级别在 10 项基准中多数接近人类，可以勉强算 AGI-1 到 AGI-2 之间；距离 AGI-3（人类平均水平）还差"持续学习"和"因果推理"两块硬骨头。

每一级之间其实还藏着一个更细的判断维度：稳定性。一个在 90% 情况下都答对的系统，和一个在 99% 情况下都答对的系统，虽然平均分接近，但可靠性差一个数量级——在医疗、自动驾驶这类场景里，这就是"能用"和"不能用"的区别。

💡 关键直觉：以后看到任何"AGI 突破"的新闻，先问一句"按谁的 AGI-几 算的"。用分级表一卡，绝大多数炒作自动失效。

三、工程实践要点

3.1 基准测试的含金量判断

2026 年常用的 AGI 相关基准有 MMLU（综合知识）、ARC（抽象推理）、HumanEval（代码）、WinoGrande（常识）。主流模型在 MMLU 上已经超过人类平均水平（GPT-5 约 90%，人类平均约 89.8%）。

但这里有三个必须知道的坑：

⚠️ 常见坑：某模型 MMLU 从 85% 涨到 90%，媒体欢呼"逼近人类"，但人类平均是 89.8%——5 个点的小步快跑被包装成了里程碑。看分数不如看"分数曲线是否还在陡峭上升"。

2026 年社区对基准的态度明显从"刷分"转向"考能力"。像 ARC-AGI 这类专门测"从未见过的推理模式"的基准越来越受重视，因为它很难靠背题作弊——这正是判断"应试"与"能力"的分水岭。

3.2 怎么评估一个 AGI 系统

实践中评估一个系统离 AGI 多远，建议按五维打分：认知能力（推理/因果/反事实）、学习能力（少样本/零样本/持续学习）、创造力（艺术/科学/发明）、社会智能（心智理论/情感/协作）、自主性（规划/目标设定/自我改进）。每维 0-100 分，画成雷达图，比任何单一榜单都诚实。

# 五维评估框架（伪代码）
class AGI_Evaluator:
    dimensions = {
        "reasoning": ["abstract", "causal", "counterfactual"],
        "learning": ["few_shot", "zero_shot", "continual"],
        "creativity": ["artistic", "scientific", "inventive"],
        "social": ["theory_of_mind", "emotional", "collaboration"],
        "autonomy": ["planning", "goal_setting", "self_improvement"],
    }
    def score(self, system):
        return {d: avg(self.run_test(system, t) for t in tests)
                for d, tests in self.dimensions.items()}
​

实际使用这个框架时，我们通常会做一个额外动作：把每个维度的分数折成"与人类基准的差距"，而不是绝对值。因为 90 分的推理和 60 分的推理，差距不在数字上，而在"能否独立完成一个真实项目"上。

💡 关键直觉：给 AGI 打分最难的不是"推理"这类显性维度，而是"持续学习"——一个永远靠预训练的系统，即使单项全满分，也只能算"化石级天才"。

3.3 实操：用框架判断一条 AGI 新闻

我们拿 2026 年最常见的三类新闻做个演练，这套流程可以直接复用：

第一类："某模型在 20 项专业考试中超越人类平均。"处理方式：先确认分数是否去污染，再看这 20 项是否同质（全是语言理解类就不能算"多任务"），然后问一个关键问题——模型能把这 20 项的能力迁移到第 21 项从未见过的任务吗？不能，就只是 ANI 集合，顶多算 AGI-1 到 AGI-2 的局部达标。

第二类："某研究团队宣称突破 AGI。"处理方式：直接索要三个东西——定义（按谁的 AGI-几）、测试集（是否公开、是否含 ARC 类防背题基准）、复现材料。2026 年凡是拿不出这三样的宣称，一律按营销处理。

第三类："某厂商发布 AGI 路线图，给出明确年份。"处理方式：把年份换算成"按当前进步速度需要突破几个 AGI-级别"，再判断路线图里是否包含自主学习和因果推理这两个硬骨头。多数路线图会在这里露馅——它们对这两个问题只有形容词，没有里程碑。

# 新闻研判流程（伪代码）
def assess_agi_news(headline, model):
    definition = ask(model, "你的 AGI-几 定义？")
    if definition < "AGI-2":
        return "营销话术，跳过"
    tests = ask(model, "去污染后的测试结果？")
    if not tests: return "缺数据，存疑"
    gap = max_gap(model, "持续学习", "因果推理")
    return "接近 AGI-2，距离 AGI-3 仍差" + str(gap) + "个维度"
​

四、历史脉络：AGI 概念是怎么演变的

AGI 这个词的语义漂移，本身就是一个值得研究的现象。1956 年达特茅斯会议时，"人工智能"的目标就是通用智能——研究者设想的是一个能像人一样思考的系统。但此后几十年，每一条具体路线（专家系统、统计学习、深度学习）都在做"窄化"：把通用目标拆成可解决的问题。到 2010 年代，行业甚至羞于谈"通用"，都在讲"特定任务的智能"。

转折发生在 2020 年前后。大语言模型的规模效应让研究者重新开始认真讨论通用性：一个模型未经微调就能做翻译、写诗、解数学题，这在十年前是不可想象的。于是"AGI"这个词从学术圈重新火到产业圈，但语义已经变了——1956 年的 AGI 是"像人一样思考"，2026 年的 AGI 更多是"能在大部分经济任务上替代人"。

这种语义漂移带来一个实际后果：两代人在用同一个词讨论不同的事。老派研究者质疑新模型的"理解"是假的，新派工程师觉得老派的标准"意识"根本不重要。理解了这段历史，你再看双方的争论，会发现他们其实没有矛盾——只是拿着不同的尺子。

五、结语：定义的价值在于行动

回到开头的那个问题：一台机器在 100 项考试里拿满分，它是 AGI 吗？读完本节，你应该有了自己的答案框架——先看它考的是哪 100 项（广度）、是否见过题（学习）、能否迁移（泛化）、会不会犯错（可靠性）。这四个问题的答案，比"是或否"的标签有用得多。

我们的最终建议是：把 AGI 当刻度用，不当终点用。刻度帮你判断技术进展的速度与方向；而把"某年 AGI 到来"当终点，只会让你要么恐慌要么躺平。2026 年的真实状态是：能力在以年为单位上涨，局限也在以年为单位被攻克，但两者之间始终隔着一段"工程距离"——这段距离里，藏着所有从业者的机会。

一节小结

• 要点一：ANI、AGI、ASI 是按"任务广度 × 自主程度"分的，任务数量的堆叠不等于通用性。
• 要点二：四种主流 AGI 定义分歧的核心在"学习"标准，定义不同则时间表毫无可比性。
• 要点三：AGI-0 到 AGI-4 分级把非黑即白的问题变成刻度问题，当前模型大致在 AGI-1 到 AGI-2。
• 要点四：MMLU 高分不等于智能，要防数据污染和应试技巧，交叉看 ARC 等测泛化的基准。
• 要点五：五维评估框架（认知/学习/创造/社会/自主）比单一榜单更接近 AGI 的全貌。
• 要点六：持续学习是当前所有模型共同的短板，也是 AGI 定义里最有分量的词。
• 要点七：稳定性（99% vs 90% 正确率）是工程上比平均分更重要的维度。

下一节我们拿着这把尺子，去量一量 2026 年大模型真正的能力边界——哪些突破是真的，哪些只是营销话术。