通往“通用人工智能”的道路上还有哪些难关？

发布时间：2026/09/12 | 浏览量：10

2022年底，ChatGPT一夜爆红。从那以后，人工智能几乎月月都有“炸裂”新闻：会写代码、会做翻译、会画画，甚至能在数学奥赛里拿奖。于是“AGI（通用人工智能）就要来了”的说法流传甚广，有人说三年，有人说五年。

但真正站在AI研究最前排的科学家，态度却出奇地冷静。OpenAI创始成员、特斯拉前AI总监安德烈·卡帕西给出的预估是——十年。Google DeepMind负责人德米斯·哈萨比斯则说，今天的模型“某些维度上是博士水平，另一些维度还不到高中生水平”。到底是谁对？答案可能是：AI确实很强，但从“很会考试”到“真正通用”，中间还横着六道难关。

一、什么是“通用”人工智能

现在的大模型再能干，也还只是“专才里的全才”。而通用人工智能，指的是在认知的广度和深度上，达到甚至超过一个受过良好教育的成年人——不只是答题，而是能像人一样理解世界、学习新事物、应对没见过的局面。

按这个标准打分，今天的AI离“及格线”还有不小距离。而挡在路上的，是下面六道关卡。

二、架构天花板：老路线快走到头了

今天几乎所有大模型，都建立在2017年诞生的Transformer架构上。它的核心玩法可以概括为一场超大规模的“词语接龙”：读完海量文本后，不停预测“下一个词”最可能是什么。问题在于，接龙冠军未必理解世界。模型学到的更像是“人类习惯用什么符号去描述世界”，而不是“世界本身如何运转”。这两者之间，隔着一道深深的鸿沟。

越来越多顶尖学者意识到了这一点。OpenAI前首席科学家苏茨克维在2024年底的神经信息处理系统大会NeurIPS上警告“预训练时代即将终结”；图灵奖得主杨立昆更是直言大语言模型这条路线走不通。要真正突破，可能需要全新的架构——比如能持续学习的模型、能在连续空间里“思考”的系统，而不是只会一个个蹦字的接龙选手。

三、规模定律失灵：数据、算力与能源的三重挤压

过去几年，AI圈信奉“大力出奇迹”：模型越大、数据越多、芯片越堆，智能就自动涌现。但这条“规模定律”正在失灵，瓶颈来自三方面。

数据快被“吃”光了。从GPT-1到GPT-5，训练数据量暴涨了九千多倍；可人类出版文献、编辑百科的速度，一年才增长百分之几。互联网上可供训练的高质量文本，正接近见底。

芯片遇上“内存墙”。卡内基梅隆大学的蒂姆·德特默斯指出，现代AI芯片的面积几乎都被内存占了。晶体管越做越小，计算越来越便宜，内存却相对越来越贵——算力再强，数据喂不进去，也是“无效算力”。

电不够用了。同等智能水平下，大模型的耗电量比人脑高出五个数量级。OpenAI首席执行官奥特曼公开承认，能源是AGI的最大瓶颈之一。国际能源署的数据显示，2024年全球数据中心已消耗约1.5%的总用电量，还在以每年12%的速度增长。

更尴尬的是，即使付出这些代价，“堆规模”的回报也在递减——新一代旗舰模型的进步幅度，已远不如从前。

四、锯齿状智能：会奥赛的“偏科生”

给今天的大模型做个体检，你会发现一个奇特现象：它能在国际数学奥林匹克竞赛中摘金，却可能栽在一道简单的逻辑题上；它能写出漂亮的论文，却记不住五分钟前聊过什么。

研究者把这叫“锯齿状智能”——能力像一把参差不齐的锯子，高的极高，低的极低。具体来说有三个“坑”：

1.会背不会想。大模型的本质，是拟合海量数据的统计规律。它擅长从见过的题型里找答案，却缺乏真正的理解和因果推理能力。

2.记忆像金鱼。现有架构本身“无状态”，一段对话结束后，模型并不会真正记住内容，跨会话的长期记忆几乎为零。

3.爱“一本正经地胡说”。当它不确定时，往往选择强行作答而非承认不知道，一些前沿模型的“幻觉率”甚至超过10%。

哈萨比斯认为，这种能力上的严重不均衡，正是通往AGI的关键障碍之一。

五、纸上谈兵：活在“文字泡泡”里的AI

大模型的全部知识都来自文字。可语言并不能完整记录物理世界——疼痛是什么感觉？接住一个飞来的球是哪种直觉？“苹果落地”这四个字背后藏着的重力规律，模型只是“听说过”，从未“体验过”。

它就像一个熟读所有游泳教材、却从未下过水的人：理论知识满分，真到岸边却可能不会游。

这就是为什么“世界模型”和“具身智能”被越来越多的人看作必经之路——给AI装上身体，让它在真实或仿真的物理环境中摸爬滚打。不过，具身智能自己也有老大难问题：泛化能力太差，换个环境、换个任务就“失忆”，目前还停留在“能演示”，远没到“能上岗”。

六、社会智能：读不懂人心的“天才”

北京通用人工智能研究院院长朱松纯提出，继语言智能、物理智能之后，“社会智能”才是通向AGI的最后一道屏障。

什么是社会智能？说白了就是“会察言观色”：理解责、权、利，听得懂潜台词，知道什么时候该竞争、什么时候该合作。今天的AI可以写诗解题，却读不懂一个翻白眼背后的情绪，也判断不了会议桌上谁的意见更有分量。

朱松纯的原话很扎心：如果AI做不到这些，“它就永远只是工具，而非人类的协作伙伴”。而社会情境充满模糊性和动态变化，恰恰是人类智能最深刻、也最难被算法刻画的特征。

七、安全与对齐：给“天才”立规矩

假设前五关都闯过了，还有一个更棘手的问题：如何确保一个比人聪明的系统，行为始终符合人类的价值观？这就是AI界常说的“对齐问题”。目标稍有偏差，后果不堪设想。

正因如此，2025年，辛顿、姚期智、本吉奥等20多位顶尖学者联合签署了“上海共识”，呼吁为人工智能划定不可逾越的行为红线。

与此同时，AGI带来的社会冲击也需要提前准备。哈萨比斯警告，这场变革可能比工业革命来得更快、更猛烈——就业结构、机构信任、经济与军事力量的集中，都是摆在人类面前的现实考题。

八、结语：路虽远，行则将至

把六道关摆在一起看就明白了：通往AGI的路，绝不是“再堆几年算力”就能走通的——架构要革新，规模有极限，能力很偏科，物理世界碰不到，人心读不懂，安全没答案。

但也不必悲观。卡帕西的判断或许最公道：AGI不是明天就到，可它也绝非海市蜃楼。正如朱松纯所言：“资本可以追逐风口，但科学必须回答本质。”在喧嚣的泡沫之外，那些脚踏实地的基础研究，才是真正铺路的石子。

AGI究竟哪天来？没人说得准。但可以肯定的是——通往AGI的每一步，都算数。