高分评测等于AGI吗？掀开行业叙事迷雾

OpenAI总裁格雷格·布罗克曼在发布新模型GPT-6 Astra后抛出一句话：“欢迎来到通用人工智能（AGI）时代。”紧接着，NVIDIA CEO黄仁勋也公开表示：“从ChatGPT到o1，再到GPT-6 Astra只用了四年。AGI已经到来。”

然而，负责关键评测的ARC Prize团队却明确澄清：模型确实代表了通用化能力的显著进步，但“我们并不声称它就是AGI”。

一边是高调宣布时代降临，一边是严谨否认。今天人人都在谈论通用人工智能（AGI），却鲜有人能说清楚：AI究竟做到什么程度，才算越过这条线？

榜单高评分不等于通用智能

GPT-6 Astra最引人注目的成绩，是在ARC-AGI-3基准测试中拿下了99.9%的惊人高分。该测试衡量的是模型面对陌生问题时现场理解、适应并解决的能力。

但这组数字背后有一个常被省略的前提：在官方提供的标准测试框架下，GPT-6 Astra得分仅为62.7%。只有接入OpenAI专用的适配框架——允许模型保留跨请求的隐藏推理状态、利用上下文压缩延续探索经验后，分数才跃升至99.9%。

62.7%测量的是单模型能力，99.9%衡量的则是一套经过高度工程优化的系统。两者存在本质区别，不能简单将基准跑分换算为“AGI完成度”。

此外，GPT-6 Astra在其他测试中暴露出短板：在高难度数学测试FrontierMath Tier 4上达到97.6%，计算机操作测试OSWorld 2.0得分72.6%；但在贴近真实办公流程的AutomationBench上跌至41.4%，复杂专业任务Agents' Last Exam也仅有59.3%。

这说明，只要任务边界清晰、答案明确可验证，前沿模型就能超越人类；一旦进入流程冗长、目标模糊的现实环境，系统仍会频繁失败。

三巨头眼中的AGI分歧

当前行业对通用人工智能（AGI）缺乏统一共识，不同技术流派的标准大相径庭：

• OpenAI侧重经济价值：其章程将其定义为“在大多数具有经济价值的工作上超越人类的高度自主系统”。该定义不关注意识或人类式思维，核心是能否规模化替代人类生产力。
• Anthropic强调风险与自主性：CEO达里奥·阿莫迪更倾向使用“强大的AI”这一概念。他描绘的标准是在顶尖领域超越专家水平，能独立运行数周，并可复制为数百万实例并发工作，重点在于将能力扩张与安全治理强绑定。
• Google DeepMind聚焦认知评测图谱：DeepMind发布《Levels of AGI》，将通用智能按能力和自主性分为五级，近期更将其拆分为感知、学习、推理、元认知、社会认知等十个维度，试图建立一套精细化的评测体系。

标准的不同不仅是学术之争，更直接决定了各家机构的研发路线、资源倾斜与产品形态。

从技术终点到商业叙事

技术革命往往被赋予标志性瞬间，但眼下的“AGI降临论”更像一种精心包装的商业叙事。

对模型厂商与产业链上下游而言，真实的技术突破通常零散且渐进。一句“AGI时代来了”，能将复杂的工程进展压缩为一个清晰的历史节点，为算力投入、融资并购和产品推广提供强有力的支撑。

黄仁勋的积极表态同样符合商业逻辑。大规模计算设施是驱动模型能力跃迁的前提，强调“AGI已至”，正是为了证明“更大规模的算力扩张仍然势在必行”。

正如知名AI研究者Andrej Karpathy所言，通用人工智能（AGI）的实现很可能不会是一条陡然拉起的拐点曲线，而是平滑地融入已有的增长之中，以至于当它真正渗透进现实世界时，人们甚至找不到拐点究竟发生在何时。