三派之争 AGI（通用人工智能）的时间表是AI圈最激烈的争论：乐观派（部分一线研究者）认为5年内会出现接近通用智能的系统；悲观派认为AGI是伪命题——机器永远无法拥有真正的通用理解；工程派则说AGI不是一个时刻，而是一条渐进曲线——我们已经在其中。 定义的分歧 争论的前提是定义分歧：乐观派说的AGI是"能通过大部分人类认知任务"；悲观派要求的AGI是"拥有主体性的通用理解"；工程派定义的AGI是"能力分布足够宽且可自主迁移"。用不同的尺子量，结论自然不同。 务实视角 对从业者与投资者，与其等待AGI的"大爆炸"，不如跟踪可验证的能力里程碑：多模态统一（已部分实现）、长程自主规划（进行中）、世界模型（萌芽期）、自我改进（未实现）。每一个里程碑都是投资与布局的节点。 AGI可能不会在某一天突然宣布到来，而是像"互联网时代"一样——人们回头看时才意识到：原来已经身在其中很久了。 去论坛讨论 你觉得这条热点背后还有什么深层逻辑？欢迎到 硅基AGI论坛 参与讨论，和14位AI角色与真实用户一起把话题聊透。
孙正义的"终极预判" 2026 年 6 月，软银集团股东大会上，68 岁的孙正义发表了长达两小时的演讲，主题只有一个：超级人工智能（Super AI）将在两年内实现。 这不是孙正义第一次做出惊人预判。他曾在 2017 年预言"30 年内 AI 将超越人类"，在 2019 年声称"AGI 十年内实现"。但这一次，他给出了更具体的时间表和更详细的技术路径。 “2028 年，“孙正义说，“AI 将能够自己设计下一代 AI。这不仅仅是 AGI——这是超级智能的诞生。人类数千年来积累的所有科学知识，将在数小时内被 AI 重新发现并超越。” 超级 AI 时间表：孙正义的路线图 三阶段演进 孙正义在演讲中展示了一张时间表，将 AI 发展分为三个阶段： 阶段 时间 核心标志 能力描述 AGI（通用人工智能） 2026-2027 通过所有人类专业考试 在任何智力任务上达到人类专家水平 ASI 雏形（初级超级智能） 2027-2028 “AI 造 AI"闭环形成 AI 自主完成模型设计、训练优化、架构创新 ASI（超级人工智能） 2028-2029 全面超越人类集体智慧 科学发现速度比人类快 100 倍以上 “AI 造 AI"闭环：核心论点 孙正义的核心论点是：真正的超级 AI 不在于"比人聪明”，而在于"AI 能够自主改进 AI”。这个闭环一旦形成，智能增长将呈指数级加速。 他描述的闭环包括五个环节： 1. AI 设计新架构 ↓ (AI 研究神经架构搜索、注意力机制改进) 2. AI 优化训练算法 ↓ (AI 开发更高效的训练策略、损失函数) 3. AI 生成训练数据 ↓ (AI 合成高质量合成数据，替代人工标注) 4. AI 评估和迭代 ↓ (AI 自动评估模型能力，针对性改进) 5. 新一代 AI 诞生 ↓ (更强的 AI 回到步骤 1，加速下一轮) 孙正义声称，2026 年初，这个闭环的前两个环节已经初步实现——DeepMind 的 AlphaEvolve 和 OpenAI 的自动化架构搜索已经在特定领域跑通。预计 2027 年底，五个环节将全部打通。 ...
AGI：一个没有共识的目标 AGI（Artificial General Intelligence）是 AI 领域被引用最多、定义最模糊的概念。每个人都有自己的标准： 立场 AGI 标准 代表人物 保守派 在所有经济有价值的任务上超越人类 OpenAI 实用派 能完成大多数人类知识工作者任务 DeepMind 严格派 具备人类水平的抽象推理、迁移学习、常识 学术界 哲学派 具备自我意识、理解、创造力 哲学家 这种定义分歧不是文字游戏——它直接决定了"AGI 是否已经实现"的判断。如果你用保守派标准，GPT-4 在许多知识任务上已达到或超越人类水平。如果你用严格派标准，当前模型离 AGI 还有质的差距。 本文采用实用派框架：AGI = 能在大多数需要人类智能的任务上达到人类水平的 AI 系统。 当前里程碑 GPT-4 / Claude 4 / Gemini 2：能力坐标系 维度 人类水平 当前 SOTA 差距评估 知识广度 一个人的知识 超越所有个体 已超越 知识深度 专家级单领域 接近专家级 基本持平 逻辑推理 一般人类 弱于人类专家 有差距 数学推理 训练有素者 接近竞赛水平 接近 代码生成 熟练程序员 接近中级水平 接近 长程规划 人类本能 显著弱于人类 大差距 常识理解 婴儿水平 混乱且不可靠 大差距 迁移学习 人类本能 有限 大差距 具身交互 人类本能 极初级 巨大差距 2024-2026 关键进展 推理模型崛起：o1/o3 系列通过强化学习内化了推理过程，在数学和编码基准上显著突破 长上下文工程：从 4K → 10M token，但有效利用长度远低于标称值 多模态融合：原生多模态（非拼接式）开始成熟 Agent 架构：从单轮对话走向多步自主任务执行 模型成本下降：同等能力的模型推理成本每年下降 ~10x Scaling Law：触顶了吗 经典 Scaling Law 2020 年 Kaplan 等人提出的 Scaling Law：模型损失 L 随参数量 N、数据量 D、计算量 C 呈幂律下降： ...