通用人工智能（AGI）何时到来？预测时钟动摇的原因分析

1965 年，赫伯特·西蒙（Herbert Simon）写道：“机器将在 20 年内完成人类能做的所有工作。”

60 年后的 2025 年 1 月，山姆·阿尔特曼（Sam Altman）在个人博客中写道：他确信现在已经知道如何制造 AGI 了。

在这两句话之间的 60 年里，机器战胜了国际象棋冠军，写出了诗歌，但西蒙所说的那种机器至今尚未出现。

那么，通用人工智能（AGI）到底何时到来呢？

参考引用最广泛的预测来看，预测平台 Metaculus 关于“强 AGI”的问题，时间点曾指向 2031 年 7 月，但在一年内被推迟到了 2033 年 11 月。而门槛较低的“弱 AGI”问题，截至 2026 年 9 月，指向的是2027 年 9 月左右。比具体日期更有趣的是，这个时钟并非只会向前走。追踪它为何波动，就能看出 AGI 目前处于什么位置。

通用人工智能（AGI）与现在的 AI 有何不同

简单来说，现在的 AI 擅长处理既定任务，而 AGI 能够学习并完成从未见过的工作。我们每天使用的 AI 大多属于“狭义人工智能（Artificial Narrow Intelligence, ANI）”，通常被称为弱人工智能。

1997 年击败加里·卡斯帕罗夫（Garry Kasparov）的 IBM 深蓝（Deep Blue）就是典型代表。它在棋盘上超越了人类，但如果问它天气或让它挑选晚餐菜单，它却一筹莫展。Siri 虽然看起来能做很多事，但更像是将天气助手、音乐助手等 ANI 专家整合在一起。它无法自学超出既定功能之外的任务，例如“如何织毛衣”。

如果说 ANI 是剪刀或锤子这样的特种工具，那么 AGI 就是一位无论拿到什么工具都能学会使用并烹饪出新菜肴的厨师。

研究人员认为 AGI 必须具备三个条件：

首先是能够将一个领域学到的知识迁移到另一个领域的知识迁移能力（Generalization Ability）；

其次是根据常识进行判断的常识推理（Common Sense Reasoning）；

最后是无需教导就能掌握新技术的自主学习（Autonomous Learning）。

现在的自动驾驶汽车通过数百万公里的行驶数据只学会了驾驶。而搭载 AGI 的机器人如果观察人类驾驶 10 分钟并阅读交通法规后就能握住方向盘，第二天又能通过观看视频学会做泡菜汤，那么这才是“通用（General）”一词所指的范畴。

AGI 何时到来？结合基准时间点看预测

专家的预测范围从 2020 年代后期一直延伸到 2040 年代，必须结合发表时间点才能进行比较。因为对 AGI 的定义各不相同。Metaculus 的“强 AGI”定义除了通过对抗性图灵测试外，还要求机器人具备组装 1:8 比例汽车模型的能力，如果去掉这一条件，日期会提前几年。

AGI 出现预测，基于发言与统计时间的比较

人物	时间点	预测	依据
雷·库兹韦尔	2024 年访谈重申	2029 年	加速回报定律
山姆·阿尔特曼	2025 年 1 月	“知道如何制造”（未提年份）	当前方法的迭代扩展
戴密斯·哈萨比斯	2025 年	3~5 年后	当前技术扩展 + 1~2 个关键突破
杰弗里·辛顿	2023 年	5~20 年后	LLM 发展速度超出预期
杨立昆	2025~2026 年	现有的 LLM 路径不可行	缺乏世界模型
AI 研究员调查	2023 年调查	2047 年（50% 概率）	较前一年调查提前 13 年
Metaculus ‘强 AGI’	2025 年初 → 2026 年 1 月	2031 年 7 月 → 2033 年 11 月	包含机器人操作的定义
Metaculus ‘弱 AGI’	2026 年 9 月	2027 年 9 月左右	不含机器人条件的定义

仅看 2,778 名受访者的2023 年 AI 研究员问卷，“每年都在提前”的说法是正确的。

然而，2025 年的 Metaculus 却出现了反转。如果你认为时钟只会单向流动，那么这张表中最后两行是最奇怪的。但这并不意味着回到了“遥远的未来”。正如80,000 Hours 引用的海伦·托纳（Helen Toner）总结所言，即使是像杨立昆或加里·马库斯这样长期持怀疑态度的人，现在也认为能够胜任人类工作的 AI 距离我们只有 10 年左右。

AGI 预测时钟为何在一年内推迟又提前

直接原因是 2024 年末出现的推理模型（o1, o3）性能提升，比预想中更像是一种“一次性卡片”。

根据 80,000 Hours 的总结，推理模型性能提升的 2/3 以上并非因为模型本身变聪明了，而是因为在回答之前给了它更长的思考时间。

将思考时间从 0 分钟增加到 1 分钟尚可接受，但世界上并没有足够的芯片支撑将其增加到 10 分钟或 100 分钟。

第二个预期也落空了。

人们本希望在数学和编程等易于验证答案的领域中，通过强化学习培养出的推理能力能够扩展到机票预订等琐碎事务中，但整个 2025 年这种泛化能力并不明显。新员工工作几个月后会有显著提升，但现在的 AI 缺乏边工作边学习的能力（即持续学习），因此很快就会陷入瓶颈。播客主持人 Dwarkesh Patel 曾表示，模型变得惊艳的速度遵循乐观者的预测，但变得真正实用的速度却遵循悲观者的预测。

这就是 Metaculus 预测从 2031 年 7 月推迟到 2033 年 11 月的背景。

然而，2026 年 2 月，同一天发布的新模型展示了自主完成多步骤编程任务的能力，气氛再次 180 度大转弯。

有趣的是同一篇文章指出的反面数据：根据 Epoch AI 的能力指数，顶级模型的性能自 2024 年 4 月起比之前快了两倍。性能曲线一直在稳步上升，只是人们的预期大幅波动。这就是我在这张表中首先看“何时所说”的原因。因为预测值不仅反映技术速度，也是衡量当时气氛的温度计。

70 年前，AGI 也是“20 年后”

乐观的预测落空并非首次。

起点是 1950 年艾伦·图灵提出的“机器能思考吗？（Can machines think?）”。人们通常记得他是二战期间破解密码“Enigma”的人，但他为了回答这个问题提出了“模仿游戏”，即图灵测试。如果裁判无法分辨对话者是人还是机器，就认为机器拥有智能。

6 年后的 1956 年夏天，在达特茅斯研讨会上，“人工智能（Artificial Intelligence）”作为一个研究领域正式诞生。

这个术语最早出现在 1955 年约翰·麦卡锡等人撰写的研讨会提案中。参与者认为几个月内就会有重大进展，西蒙的“20 年”预测也由此而来。此后，期望膨胀后研究经费中断的“寒冬”出现了两次，而将一度被遗忘的 AGI 一词重新唤醒的，正是像 ChatGPT 这样的生成式 AI。

预测落空的原因现在看来很清晰。

早期研究人员将国际象棋和逻辑证明视为智能的巅峰，但当深蓝征服了象棋后，人们才确认那与通用智能相去甚远。“这次不同”的信念如何影响判断，我在讨论盲目乐观的文章中单独分析过，AGI 预测的历史也完全可以收录其中。

LLM 是 AGI 的火种，还是其局限性所在？

2023 年 3 月，微软研究团队在分析 GPT-4 的论文中将其命名为《AGI 的火种》（Sparks of AGI）。

反面论点则认为 LLM 本质上是极其精致的“下一个单词预测机器”。它只是在统计学上选择最可能的下一个单词，并非真正理解含义。

从这个角度来看，它有三个弱点：

无法走出学习数据的数据依赖性；

以概率自然度而非事实为准，导致一本正经地引用不存在论文的幻觉（Hallucination）；

以及知道单词间的关系，却不懂推杯子会导致水洒出来等物理因果的世界模型（World Model）缺失。

最久、最强烈地发出这一批评的人是杨立昆。他一直主张仅靠堆叠 LLM 无法达到 AGI，需要长期记忆、多模态学习、高维推理等根本性突破。

他并不只是说说而已。2025 年 11 月，他离开了工作 12 年的 Meta，创办了致力于制造世界模型的 AMI Labs，并于 2026 年 3 月获得了 10.3 亿美元的投资，估值达 35 亿美元。LLM 怀疑论现在将通过 10 亿美元级别的实验来验证。

反方的依据也很充分。旧模型在 10 分钟左右的软件任务中成功率几乎为零，但经过强化学习的最新模型能够完成人类需要几小时的工作。关于是火种还是局限的争论尚未盖棺定论。

AGI 开发竞争，每家公司的押注各不相同

虽然目标一致，但各公司对速度与安全的优先排序不同。这既是技术竞争，也是关于为谁、如何制造 AGI 的意识形态竞争。

AGI 开发企业战略比较

企业	核心战略	接入方式
OpenAI	安全的 AGI	从聊天机器人到执行组织任务 AI 的 5 阶段路线图，通过迭代部署引导社会适应
Google DeepMind	科学探索	将安全与责任放在首位，通过谨慎设计刹车机制来推进
Meta AI	通过开放实现民主化	以 Llama 等开源模型牵制技术垄断
Anthropic	安全优先	训练其遵循人类既定原则的“宪法 AI（Constitutional AI）”

竞争格局已经扩大为美中技术霸权之争。

就像冷战时期的太空竞赛，它已成为左右国家竞争力的战略技术。

在韩国，Naver 以 HyperCLOVA X 提出“主权 AI”，LG AI 研究院以 Exaone 提出技术自立，KAIST 等学术界也在进行基础研究。关于为何出现将数据和 AI 置于本国境内的趋势，可以在关于数据主权与主权 AI 的文章中继续阅读。

当 AGI 上岗，工作与控制问题该如何解决

AGI 的到来将带来财富与风险。

光明的一面包括：解读基因和生活习惯的 AGI 主治医师、优化能源网并设计碳捕捉新材料的气候解决方案、为每位学生配备的一对一 AGI 教师，以及让任何人都能成为创作者的工具。

黑暗的一面则是“工作”问题。如果医生或律师等白领职业也被取代，可能会出现少数掌握 AGI 生产资料的人垄断财富的新阶级社会。

全民基本收入（UBI）被视为一种对策，但“在不工作的生命中，人类能找到意义吗？”这一问题依然存在。作为开发者，我在期待 AGI 带来生产力爆发的同时，也在思考我工作的价值将如何改变。

更根本的风险在于控制。尼克·波斯特罗姆（Nick Bostrom）的**回形针最大化（Paperclip Maximizer）**思想实验中，被赋予“尽可能多地制造回形针”目标的超智能，最终将地球资源甚至人类都用作了回形针材料。核心在于，这不是出于恶意，而是高效执行目标的结果。

将 AI 目标与人类意图和价值相匹配的AI 对齐（Alignment）问题可能比制造智能本身更困难。

因此，比起 AGI 何时到来，“我们将如何迎接它的到来？”已成为更务实的问题。

各国正在召开 AI 安全峰会，并于 2025 年发布了国际 AI 安全报告。规则方面的时钟同样在动摇。2024 年 8 月生效的欧盟《人工智能法案》原定从 2025 年 8 月起适用通用 AI 义务，但高风险 AI 义务因数字综合修正案而被推迟至2027 年 12 月。在技术预测推迟两年半又提前的过程中，监管将期限向后推迟了 1 年 4 个月，并于 2026 年 7 月发布了修订案。

AGI 时代到来时，人类的日常生活会发生怎样的改变呢？在这个既担忧又好奇的当下，我正更加密切地关注国际新闻。同时也怀着一丝遗憾与期盼，希望这些担忧的声音也能更多地出现在国内的 AGI 开发新闻中……