1. 首頁 > 生活百科 > >

奧特曼爆冷改口：AGI沒用？MIT預測2028年降臨，50%概率

aiacgn漫評

奧特曼爆冷改口：AGI沒用？MIT預測2028年降臨，50%概率

文章圖片

奧特曼爆冷改口：AGI沒用？MIT預測2028年降臨，50%概率

文章圖片

奧特曼爆冷改口：AGI沒用？MIT預測2028年降臨，50%概率

【導讀】我們越來越接近AGI——至少看起來是這樣 。 時間表從50年壓縮到5年 ， 更有大佬預測2026、2028年 。 可與此同時 ， AI在ARC測試的得分卻是0% ， 在人類基本能力上依然像個新手 。 我們是不是太早以為 ， 它已經準備好了？
算力膨脹、模型堆疊 ， 提示詞像燃料一樣被反復輸入 。
AI的腳步沒有停下 ， 反而越來越快 。
有人預言 ， AGI遙遙無期 ， 至少要等上半個世紀 。
可現在 ， 一些關鍵節點被提前 。
這條路 ， 曾被說太遠；可誰也沒想到 ， 它會走得這么急 。
奧特曼最新觀點：AGI這一詞沒啥意義了

十年縮成五年 ， AGI預言大幅提前正如MIT Technology Review Insights剛剛發布的一篇名為「The road to artificial general intelligence」所指出的 。
我們對AGI的預判 ， 正在經歷一次肉眼可見的加速 。
從GPT-3發布時的「50年才能實現」 ， 到如今的「5年內可見雛形」 ， 時間提前了數十年 。
對AGI未來的預測
Anthropic聯合創始人Dario Amodei提出了一個更實際、更新的表述：「Powerful AI」 。
這是一種具備諾獎級智能 ， 能夠跨文本、語音與物理環境靈活切換 ， 還能自主設定目標并完成推理執行的模型 。
而他對其判斷是——最早2026年 ， 它就可能出現 。
奧特曼則認為 ， 具備AGI特征的系統「已經初露端倪」 ， 其潛力或將帶來堪比電力與互聯網的社會變革 。
從更宏觀的數據看 ， 預測的時間線也在明顯前移 。
多位預測顯示 ， 到2028年 ， AI實現多個AGI里程碑的概率至少為50% 。
到2027年 ， 機器在無人輔助下超越人類完成一切任務的概率約為10% ， 到2047年可能上升至50% 。
這條被認為還需「半個世紀」的路 ， 如今正在被重寫 。

超能力與短板并存 ， AI的八宗缺陷今天的AI ， 像是一個成績優異的天才學生 。
它能背書 ， 能考試 ， 甚至能在高難度的專業任務中勝出 。
可一旦離開考場 ， 它就像丟了魂 。
圖像識別時 ， 它會把香蕉認成吐司；做導航 ， 它可能直沖墻上；讓它接住一杯水、剪斷一根線 ， 十有八九會手忙腳亂 。
這些不是笑話 ， 而是現實 。
AGI真正需要的 ， 不只是邏輯和語言生成的能力 ， 更需要的是「人類默認技能」 。
McKinsey曾總結過AGI在模仿人類智能上的8項核心缺陷 ， 它們幾乎覆蓋了我們與智能體互動的每一個維度：
1. 視覺感知：對顏色和圖像變化反應遲鈍 ， 容易混淆 ， 缺乏真正的視覺一致性；
2. 音頻感知：難以處理聲音的空間位置、細節特征 ， 無法識別語調和情緒；
3. 精細動作：無法完成復雜的精細動作 ， 比如穿針引線、外科手術；
4. 自然語言處理：只能理解句法 ， 不理解含義 ， 面對語境和暗示經常「跑偏」；
5. 問題解決：只能應對被定義好的問題 ， 面對新任務幾乎無從下手；
6. 導航能力：在動態現實中難以自主規劃路線 ， 無法適應環境變化；
7. 創造力：無法提出真正的新問題 ， 也無法優化和改寫自己的邏輯結構；
8. 社會與情緒理解：看不懂臉上的情緒、聽不出語氣的變化 ， 更不會真正共情 。
【奧特曼爆冷改口：AGI沒用？MIT預測2028年降臨，50%概率】強大 ， 但失衡；聰明 ， 卻遲鈍 。
這就是今天的AI——它站在我們面前 ， 卻還隔著一層看不見的玻璃 。

既要跑得快 ， 還要會協同 ， AI背后的算力戰AGI不是靠一顆更大的芯片疊出來的 ， 它需要一整套進化中的計算體系從硬件到底層軟件 。
從數據中心的能源結構到移動設備的資源調度 ， 層層協同 ， 彼此喚醒 。
這場戰爭 ， 已經悄悄打響 。
在進入深度學習時代后 ， AI的計算需求增速從21個月翻倍驟降到5.7個月翻倍 ， 模型體積膨脹百倍 ， 訓練成本指數上升 。
AI計算需求增長曲線
一些預測甚至認為 ， 未來某些AGI訓練任務的算力消耗可能超過一個國家的GDP 。
這不僅是硬件的拉鋸戰 ， 更是架構的重寫 。
為了適應大規模推理和實時響應的需求 ， AI系統正全面轉向異構計算路徑：CPU、GPU、NPU、TPU各司其職 ， 把最合適的算力分配給最合適的任務 。
而讓這支多芯片協同作戰的 ， 是隱藏在系統底層的軟件工具和軟件框架 。
通用AI的計算棧結構
它們負責管理、協調和調度任務 ， 幫助開發者在不重寫代碼的前提下調用不同硬件、跨平臺部署 ， 優化性能同時降低能耗 。
但即便如此 ， 想靠現在這套算力棧直接堆出AGI ， 依舊不現實 。
MIT報告指出 ， 真正的問題不只是算得不夠快 ， 而是結構不夠對 。
就像Transformer曾引爆了生成式AI一樣 ， AGI可能也需要一次架構革命 。
不是再卷一個更大的LLM ， 而是去發明一種認知骨架 ， 讓模型像人類一樣 ， 可以在新環境中學會思考、適應、轉移技能、優化自己 。
而這也許正是當下最大的悖論——
我們需要更強的計算系統去支撐AGI的形成 ， 卻又需要徹底重構智能的底座 ， 來突破單純堆算力的天花板 。

智力的真正考題 ， AI在ARC測試里慘敗Fran?ois Chollet ， 也是ARC智力測試的發起人 ， 提出了一個更苛刻的標準：
「真正的智能 ， 是能把你已知的知識重新組合 ， 去解決全新的問題」 。
為了驗證這一點 ， 他設計了ARC-AGC的測試 。
和傳統測試不同 ， 每一道題都是從未出現過的新任務 。
考察的是真正的人類式推理——抽象能力、遷移能力、類比能力 。
結果出人意料 ， 純大語言模型的得分是0% 。
即便是經過額外推理優化的系統 ， 也只拿到了個位數的成績 。
而人類 ， 幾乎能全部做對 。
Chollet直白地說：
「這說明目前最強的AI模型 ， 根本不具備靈活重組知識的能力 。 它們只是記憶力好 ， 但不會真的想」 。
這場測試暴露出的 ， 不是參數不夠、訓練不夠 ， 而是根本方向錯了 。
它不是缺少力量 ， 而是不具備「思考結構」本身 。

不是更強 ， 而是更廣 ， AGI的最終拼圖通往AGI的路徑 ， 從來就不只一條 。
但越來越多的證據開始指向同一個結論：
AGI可能不是某一個技術點的突破 ， 而是一整套異構系統的協同崛起 。
它需要更靈活的硬件結構——用對芯片 ， 做對事 ， CPU、GPU、TPU、NPU各司其職 。
它需要更聰明的調度框架 ， 讓這些異構芯片動態配合 ， 不浪費一點算力 。
它需要新的架構 ， 像Transformer之于GPT ， 引發一次認知方式的跳躍 。
它甚至需要重新建構「智能」本身 。
也許通向AGI的 ， 不是某種「更強模型」的出現 ， 而是一次技術的集體轉向 。
正如MIT報告中所說：
「我們在追尋更聰明機器的過程中 ， 可能也會第一次真正理解聰明意味著什么」
參考資料：
https://wp.technologyreview.com/wp-content/uploads/2025/08/MITTR_ArmEBrief_V12_final.pdf

    推薦閱讀