AGI还有多远？7位顶级研究者的预测

2026年1月，瑞士达沃斯。一场名为"AGI之后的一天"的圆桌论坛上，两个人给出了截然不同的时间表。

Dario Amodei说2026到2027年。Demis Hassabis说5到10年。

一个是Anthropic的CEO，一个是DeepMind的CEO。他们可能是这个星球上最接近AGI的两个人，但对AGI什么时候来，答案差了5倍。

这不是孤例。整个AI圈对AGI的时间表，分歧大到令人怀疑他们讨论的是不是同一个东西。

AGI的定义：谁说了算

问题从定义就开始了。AGI到底是什么？

OpenAI的官方定义是"在最具经济价值的工作上超越人类的AI系统"。Dario Amodei不喜欢"AGI"这个词，他更愿意说"powerful AI"——在大多数相关领域比诺贝尔奖得主更聪明的系统。Demis Hassabis心中的AGI可能指的是更全面、更可靠、更安全的系统。

李飞飞更直白："坦白说，我甚至不知道AGI是什么意思。"机器学习先驱Thomas Dietterich更不客气："没有人能够用非拟人化的方式定义AGI，更不用说实现它了。整个概念毫无科学性，人们甚至应该因使用这个术语而感到羞愧。"

Yann LeCun则从根本上否定"通用智能"这个概念。他说人类智能本身就不是通用的——我们擅长现实世界中的行动和社交，但在下棋等任务上表现糟糕。我们之所以觉得自己"通用"，只是因为我们只能想象自己能想象的问题，存在大量认知盲区。

定义不同，预测自然不同。如果AGI是"在某些任务上超越人类"，我们可能已经很接近了。如果AGI是"在所有任务上可靠地超越人类"，还有很长的路。

7位研究者的时间表

把主要玩家的预测摊开来看，你会发现一个有趣的梯度。

激进派（1-3年）：

Sam Altman（OpenAI CEO）多次暗示2025年就能实现AGI，后来把时间微调到"本十年末"。他的核心信念是scaling law——更多算力、更多数据、更大模型，就能带来智能。

Dario Amodei（Anthropic CEO）把时间定在2026-2027年。他在长文《Machines of Loving Grace》中明确预测，"powerful AI"可能在1-2年内到来。

Elon Musk曾预测2025年AGI到来，2027年实现ASI（超级智能）。这是最激进的预测之一，但马斯克的时间表一向需要打折听。

中间派（5-10年）：

Demis Hassabis（DeepMind CEO）始终坚持5到10年的判断。他在2025年12月的最新采访中重申了这个时间窗口，但加了句"可能还需要一两次真正的大突破"。

Yoshua Bengio既乐观又谨慎。他认为AI规划能力过去6年呈指数增长，如果趋势延续，5年内可能达到工程师级别能力。但他同时警告，AI做AI研究这件事可能催生突破，也可能带来不确定性。

Geoffrey Hinton的立场比较特殊。这位2024年诺贝尔物理学奖得主在2023年将他的AGI预测从"2020s-2050s"大幅收紧到"2025-2029年"。但他同时警告有10-20%的概率会发生灾难性后果。

保守派（10年+）：

Yann LeCun最近改口了——从"10到20年"变成"5到10年"。但他强调，这是最乐观的估计。而且他坚持认为大语言模型是死路，AGI需要全新的架构（他力推的JEPA——联合嵌入预测架构）。他还有个经典比喻：最聪明的LLM也不比你家猫聪明。

李飞飞的判断更审慎：用现有方法可能30年，但如果突破空间智能和具身智能，可能10到15年。

乐观派vs保守派的论据

乐观派的底气来自scaling law。过去几年，模型规模每扩大一个数量级，能力就上一个台阶。GPT-3到GPT-4的跳跃肉眼可见，从GPT-4到o3的推理能力提升更是惊人。Altman和Amodei相信这个趋势不会突然停止。

另一张牌是"AI造AI"的闭环。Anthropic和DeepMind的工程师已经不"写"代码了——他们"编辑"或"监督"AI生成的代码。当AI能加速AI研究本身，进步速度可能指数级加快。

保守派不买账。LeCun的核心论点是：当前LLM有根本性缺陷——无法理解物理世界，没有真正的推理能力，只是统计模式匹配。他反复强调莫拉维克悖论：让计算机下棋做积分容易，让机器人像猫一样走路却极其困难。四十年过去了，我们还是造不出猫级智能的机器人。

图灵奖得主Judea Pearl的观点更犀利："不理解因果，就不可能有真正的智能。当前的深度学习只是曲线拟合。"

还有商业动机的问题。说"AGI还有2年"，估值就能上去，融资就能到位。说"AGI还有20年"，投资人可能觉得回报太远。商业环境会自然筛选出更乐观的声音。Gary Marcus一针见血地指出，很多AGI预测更像是"融资时间表"而非"科学预测"。

AGI到来前需要解决什么

不管时间表怎么排，有几件事是几乎所有研究者都认同必须解决的。

对齐问题排第一。AGI如果目标跟人类不一致，后果不堪设想。MIT的最新研究指出：采用最理想的监督机制，人类成功控制超级智能的概率仅为52%；随着AGI日益临近，成功率会下降，全面失控的风险可能超过90%。Hinton把AI灭绝风险的概率定在10-20%，这个数字足以让人睡不着觉。

推理和规划能力是技术上的硬门槛。当前的LLM本质上是"系统1"思维——快速直觉反应，缺乏"系统2"的深度思考和分层规划。LeCun的JEPA架构、DeepMind的Gemini强化学习路线，都在试图解决这个问题。

具身智能是另一个关键短板。李飞飞指出，当前AI最大的盲区是"空间智能"——理解三维世界、操作物体、感知环境。没有身体，AI永远只能停留在"说"的层面，到不了"做"的层面。

可靠性和一致性容易被忽视但极其重要。AGI不能99%的时候是天才、1%的时候犯致命错误。现在的LLM在可靠性上远远达不到AGI的要求。

如果它明年就来了呢

假设最乐观的预测成真——AGI在2026或2027年就出现了。你准备好了吗？

大概率没有。

达沃斯论坛上，Dario Amodei和Demis Hassabis在一个问题上达成了一致：程序员这个职业即将发生根本性改变。Amodei说AI将在3-6个月内编写90%的代码，工程师正在从"作者"变成"编辑"。Hassabis虽然没有反驳，但他认为这恰恰是AGI还需要更长时间的原因——AI需要学会AI造AI，才能实现真正的突破。

但影响远不止程序员。AGI意味着几乎所有的脑力劳动都可能被重新定义——律师、医生、金融分析师、教师、研究员。黄仁勋在伦敦圆桌上的说法更直接："AGI不是学术讨论，而是正在发生的产业实践。"

然而也有另一种可能——AGI永远不会以我们想象的方式到来。它可能不是一个"奇点时刻"，而是一个渐进的过程。今天的GPT-4比三年前的GPT-3强了多少？说不清，但确实强了。也许AGI就是这样一点一点渗透进来的，等你意识到的时候，它已经在那了。

LeCun说得对：AGI不是一个事件，而是一个过程。与其焦虑它哪天降临，不如关注我们在这个过程中做了什么准备——对齐研究推进了多少、安全框架建好了没有、社会适应机制跟不跟得上。

毕竟，AGI可能比任何预测都来得更早，也可能比任何预测都来得更晚。唯一确定的是：当它真的来的时候，不会给你时间写PPT。