「AGI」这个词在 AI 圈被反复提起，甚至有人宣称「已经接近了」。但追问一句「AGI 到底是什么」，会发现连定义都还没统一。通用人工智能通常指一种能在各种任务上都达到或超过人类水平的 AI，与之相对的是只会下棋、只会识图的专用 AI。本文讲这个定义为什么这么模糊、专家分歧从哪来，以及普通人该怎么看这类说法。
「通用」到底通在哪
AGI 的「通用」，指的是能力广度：不是在一个狭窄任务上超过人，而是在足够多的任务上都达到相当水平。它和「专用 AI」是相对的概念——下棋程序是专用的，能同时处理文字、图像、推理、规划并跨任务迁移的，才谈得上「通用」。这类「老自动化」的能力边界在哪，可参考 什么是 RPA。问题在于，「足够多」这个边界，从来没人划清。
定义为什么一直模糊
三个点让 AGI 无法被精确定义。「人类水平」没法量化：是平均水平还是专家水平？是单个人还是群体？「各种任务」没有边界：包括需要身体行动的任务吗？包括需要情感的任务吗？判定标准缺失：没有一个公认的测试能说「过了这条线就是 AGI」。定义模糊的直接后果，是「接近 AGI」这类说法可以各说各话。
要理解「通用能力」的构成，得先看一个更具体的问题：单个智能体能不能自己组织起多步骤工作、和其他模块协作。这比空谈「通用」更实在，可参考 什么是 Agent 间通信。
专家分歧的根子在哪
分歧不在于技术，而在于对「智能」本身的理解不同。有人看重能力广度，觉得现在的模型已经很像了；有人看重持续学习、自主目标、真实世界理解，觉得还差得远。两拨人用的尺子不一样，得出的结论自然相反。这也是为什么「AGI 还有几年」的预测，彼此能差出一个数量级。而「真造出来之后怎么让它符合人的意图」这个难题，正是 AI 对齐 要处理的问题。
它离我们到底有多远
这个问题没有可靠答案，任何给出具体年份的断言，都要先问一句「用哪套标准」。能确定的是：模型在测试里表现好，不等于能稳定解决你的实际问题；单项能力很强，不等于具备了跨任务、可自主的通用能力。把「接近 AGI」当成营销话术还是严谨判断，关键看它有没有给出可检验的定义。
| 说法 | 怎么核实 | 判断标准 |
|---|---|---|
| 「已经接近 AGI」 | 追问用的是哪套定义 | 有没有给出可检验的边界 |
| 「测试得分超人类」 | 看测试覆盖哪些任务 | 是否只覆盖狭窄领域 |
| 「能自主完成复杂工作」 | 看是否需人持续干预 | 出错后能否自我纠正 |
普通人该怎么看这类说法
三个动作。先问定义：说「接近 AGI」的人，用的是哪套标准？区分能力和产品：模型在榜单上表现好，不等于能稳定解决你的实际问题。关注实际影响：与其争论时间点，不如关注它现在能帮上什么忙。这三点，和「普通人该补哪些 AI 能力」是同一类问题，可参考 什么是 AI 素养。
一个务实的判断视角
与其纠结「AGI 什么时候来」，不如看一个更具体的问题：这个 AI 现在能不能可靠地完成你的某项任务？能，就用；不能，就等。这比任何宏大预测都实用。AGI 的价值在于它是一个方向性概念，逼着人们想清楚「智能」到底要什么；但作为精确目标，它并不合格。把注意力放在「当下能解决什么」，你会少被「还有几年」的断言牵着走。
面对「AGI 快来了」说法的三个反问
- 定义：你说的 AGI 是能力广度，还是单一任务得分？
- 证据：有没有一个可检验、可重复的判定标准？
- 意义：就算它来了，对我的具体任务有多大改变？
通用人工智能讨论到最后，总会落到一个更实际的问题上：一个系统能不能稳定、自主、跨任务地帮人把事情做成。不管定义怎么争，真正能落地、能可靠完成任务的能力，才是普通人真正在等的东西。
