引言

AGI（通用人工智能）正在从科幻词汇变成战略规划术语。各国政府、科技巨头与智库纷纷把「AGI 何时到来」写进政策文件与投资备忘录，但对「AGI 到底是什么、什么时候到来、如何判断它已到来」这三个问题，业内至今没有统一答案。本文尝试做三件事：厘清 AGI 的定义谱系；梳理公开专家调查所呈现的共识区间与分歧焦点；提出一组可检验的里程碑，让「AGI 临近」这一判断从口号变成可以观测、可以证伪的命题。

什么是 AGI：一个定义谱系

「AGI」一词的含义在过去十年里不断漂移。为了讨论的严谨性，需要把概念拆成三个层级：

狭义智能（Narrow AI）：在特定任务上超越人类。2016 年击败李世石的 AlphaGo、2026 年各类推理模型在代码与数学基准上的高分，都属于这一范畴。它们证明的是「单点突破」，不承诺跨领域迁移。

通用智能（AGI）：学界相对主流的操作性定义是：能够像人类一样，在未经专门训练的情况下完成大多数认知任务，并能跨领域迁移知识与技能。这里的核心词是「迁移」与「通用」，而非某张榜单上的分数。

超级智能（ASI）：在几乎所有领域都显著超越人类顶尖水平，并可能具备自我改进能力的智能体。它是否会出现、以何种速度出现，是争议最大的部分。

值得注意的是，2026 年「AGI」一词在产业语境中被严重稀释——不少厂商把「能处理多模态输入的聊天助手」也称为 AGI。定义谱系的意义在于：当我们讨论「AGI 何时到来」时，必须先明确讨论的是哪一层；否则，关于时间线的争论将沦为定义之争。

专家调查：中位年份与分歧区间

要回答「AGI 何时到来」，最直接的方法是问研究前沿的人。过去数年，多个公开机构针对机器学习研究者的调查显示（公开调查/估算）：

  • 对「高水平机器智能」（能胜任几乎所有人类认知工作）的实现时间，受访研究者的中位估计大致落在 2040 年代末至 2050 年代初，部分调查的中位数在 2047 年前后；
  • 对「全部人类职业实现自动化」这一更严格标准，中位估计普遍更晚，约在 2060 年前后；
  • 在乐观的一端，有相当比例受访者认为 2030 年代即可能实现；在保守的一端，有研究者认为本世纪内未必实现，甚至永远无法实现。

这些调查的方法论差异显著：样本规模、问题措辞、受访者群体（学术界 vs 产业界）都会显著影响中位数。因此，引用时不应把任何单一数字当作预言，而应视为「领域内专业人士主观概率的分布」。

更有意义的观察是共识与分歧的结构：共识在于「方向」——绝大多数受访者相信 AGI 终将实现，只是时间问题；分歧在于「速度」——乐观派与保守派在「2030 年代 vs 本世纪内」之间的差距可达数十年。这种分歧并非单纯的信息不足，而是源于对智能本质、规模法则可持续性、数据瓶颈与对齐难度的不同先验。

前沿进展锚点：2026 年的推理能力跃迁

判断时间线不能只靠调查问卷，还需要锚定真实的技术进展。2026 年最值得注意的信号是推理能力的系统化跃迁。据昆仑镜 AI 中心模型库（2026-08 验证），旗舰推理模型的推理能力分已普遍逼近甚至超过人类专家水平：GPT-5.6 Sol 推理能力分 98，Claude Opus 5 为 97，Kimi K3 为 95，三者均配备百万级上下文窗口。两三年前，顶尖模型的推理得分还在 80 分上下徘徊；从「偶尔聪明」到「稳定强推理」，这是可观测的质变。

把这一跃迁放入 AGI 语境，意义在于：推理（reasoning）长期被认为是通往通用智能的关键瓶颈之一，而 2026 年的模型在数学、代码、逻辑链上的表现已经越过「工程师辅助工具」的门槛，开始承担自主规划与多步任务执行。当然，推理分数高并不等于通用——它依然是在人类设定的基准上、用人类标注的答案训练的。但至少可以说：通往 AGI 的核心能力栈（语言、知识、推理、工具使用）正在以可测量的速度补齐。

可检验里程碑：如何判断 AGI 在逼近

与其争论年份，不如列出可检验的里程碑。以下清单为本文提出的观察框架（属推演性框架，非权威标准）：

M1 跨领域自主科研：AI 系统能独立完成「提出假设 → 设计实验 → 执行 → 分析 → 发表」的完整闭环，且产出被领域专家认可为前沿贡献。目前 AI 在文献综述、代码生成、分子筛选等单点环节已有亮眼表现，但全闭环自主科研仍属未来。

M2 通用机器人操作：同一套模型与策略，无需重新训练即可操作不同形态的机器人（家庭、工厂、手术台），在非结构化环境中完成长时程任务。这检验的是感知—推理—行动的通用迁移。

M3 可信的自我改进：AI 系统能显著改进自身（或其副本）的代码、数据与训练方法，且改进效果可重复验证。这是通往递归自我改进的起点，也是安全界最警惕的临界点。

M4 未知任务适应：面对训练数据中从未出现过的任务类型，AI 能通过少量交互自主学习并达到人类水平。这比任何基准分数都更接近「通用」的本质。

M5 经济层面的替代拐点：当「雇佣 AI 而非人类」在多数认知职业中成为企业的理性选择时，AGI 的经济影响将不再可逆。这一指标可由劳动力市场数据直接观测。

判断标准应该落在「可证伪」上：如果某项里程碑在设定时间内没有达成，乐观时间线就该被修正。这正是把 AGI 讨论从玄学拉回工程学的关键。

乐观派与保守派：两种论证逻辑

乐观派的核心论证是「规模法则 + 飞轮效应」：模型能力随算力、数据、参数的投入持续增长，推理时计算进一步放大了上限；2026 年的推理跃迁证明了「给更多算力就能变强」的路径依然有效；一旦 AI 参与 AI 研发（合成数据、自动调参、自动评测），进展速度会进入自加速轨道。乐观派常引用历史类比：从 AlphaGo 到 GPT 系列，每一项「不可能」的间隔都在缩短。

保守派的回应同样有力：其一，规模法则可能遇到物理与经济天花板——算力、电力、高质量数据的供给都有极限，2026 年已出现「数据墙」讨论（公开资料整理）；其二，推理能力不等于意图、常识与因果理解，语言模型在「世界模型」上仍被质疑为「流利的鹦鹉」；其三，对齐问题的难度可能随能力增长而超线性上升——一个推理能力 98 分的系统若目标错位，造成的损害也远超 80 分时代；其四，历史上曾有多轮「AI 冬天」，每一轮乐观都因技术瓶颈而退潮。

两派的分歧，本质上是对「外推」与「断裂」的判断：乐观派相信现有曲线可以外推，保守派认为通用智能需要某种尚未出现的能力断裂（如真正的因果建模、持续学习）。从证据看，2026 年更接近「曲线仍在上升」的状态，但「断裂是否必然发生」没有定论——这正是时间线不确定性的来源。

对社会的意义：时间线决定行动窗口

AGI 时间线不是学术消遣，它直接决定政府、企业与个人的行动节奏：

  • 如果乐观派正确（2030 年代），治理框架、安全研究、就业转型的准备窗口不足十年，现在必须开始布局；
  • 如果保守派正确（本世纪中后叶甚至更晚），过度投入对齐研究可能是资源错配，但谨慎布局的代价有限；
  • 最稳妥的策略是「时间线对冲」：按乐观时间线做安全准备，按保守时间线做产业投资，两不误。

对个体而言，无论 AGI 何时到来，「与 AI 协作的能力」都已是当下可投资的资产。对政策制定者而言，可检验里程碑提供了比「AGI 元年」更具操作性的监测指标——当 M1、M2、M5 陆续点亮时，行动窗口就会清晰可见。

结语

AGI 时间线问题的正确答案，可能不是某个年份，而是一套随证据动态更新的概率分布。专家调查给出中位估计（公开调查/估算），2026 年的推理跃迁给出加速的证据，可检验里程碑提供证伪的机制。对于愿意理性面对未来的人来说，重要的不是预测准确的年份，而是建立「随证据更新判断」的框架——在这一点上，AGI 时间线与其他一切科学问题并无不同。