1. AGI的现状与"预制技能"泡沫
在科技媒体铺天盖地的报道中,通用人工智能(AGI)似乎已经触手可及。但作为一名长期跟踪AI技术发展的从业者,我必须指出一个残酷的事实:当前所谓的"AGI突破"很大程度上是资本炒作与技术包装的产物。各大实验室展示的"全能"AI,本质上只是通过海量算力堆砌出的"预制技能"集合。
1.1 什么是真正的AGI?
真正的AGI应该具备以下几个核心特征:
- 自主持续学习能力:能够像人类一样,在接触新环境时自主获取知识并调整行为
- 技能迁移能力:在一个领域学到的技能可以灵活应用到其他领域
- 常识推理能力:基于对物理世界和社会规则的理解做出合理判断
而当前的AI系统,包括最先进的GPT-5和Gemini 2.0,都严重依赖"预制技能"——即在训练阶段通过大量数据预先植入的固定能力模式。这就像给一个学生提前准备了所有可能遇到的考试题答案,而不是教会他解题的方法。
1.2 预制技能的经济悖论
让我们做个简单的成本计算:
- 训练一个基础GPT-4级别模型:约1亿美元
- 针对特定技能(如Excel操作)的微调:额外500-1000万美元
- 维护和更新技能库:每年数百万美元持续投入
这种模式下,每增加一个新技能都需要重新训练或微调整个模型,边际成本居高不下。相比之下,人类学习新技能的成本几乎可以忽略不计——我们只需要简单的说明或几次示范就能掌握基本操作。
更讽刺的是,这些投入巨资训练的"智能"系统,在实际应用中经常犯下连人类新手都不会犯的错误。比如:
- 在Excel中无法正确处理日期格式转换
- 编写代码时忽略基本的边界条件检查
- 面对稍微复杂的多步骤任务时完全迷失方向
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 持续学习:AGI的真正瓶颈
2.1 为什么持续学习如此困难?
从算法层面来看,持续学习面临三大核心挑战:
灾难性遗忘问题
当AI学习新知识时,会不可逆地覆盖或破坏已有知识。这与人类大脑的神经可塑性形成鲜明对比——我们能够在新旧知识之间建立联系并保持平衡。
情境理解障碍
当前AI缺乏对物理世界和社会情境的基本理解。例如:
- 无法理解"把杯子放在桌上"这个简单指令中隐含的重力约束
- 难以把握社交互动中的潜规则和语境暗示
元学习能力缺失
人类具备"学会学习"
