OpenAI都官宣AGI了，为什么我们还是觉得AI不够聪明？

2026年9月3日，OpenAI发布了GPT-6 Astra，并称其为“目前全球最智能、且对齐程度最高的模型”。OpenAI总裁Greg Brockman公开宣称，欢迎来到AGI时代。黄仁勋立马跟上，在社交平台发文称“AGI已经到来”。

但抓马的是，OpenAI CEO 奥尔特曼几天前却说AGI是“无关紧要的营销术语”。

同一家公司，同一个产品，对AGI却是两种截然相反的表态。这种分裂，正是当下AI行业最真实的写照。

AI的现状

一边是所有人都在谈论AI、使用AI。AI已经成为这个时代最具代表性的名词。

ChatGPT月活突破10亿，微软Copilot嵌入Office全家桶，Google、Meta、亚马逊全面AI化，中国的豆包、元宝、千问、DeepSeek覆盖数亿用户。用AI做PPT、写代码、画图、做数据分析、做视频……已经成为工作的日常操作。

客观评价，在标准化任务中，AI如今的表现确实相当出色。

文本处理：头部大模型已经可以替代大量重复性脑力劳动，如写邮件、做会议纪要、翻译、基础文案等等，在MMLU（大规模多任务语言理解测试）这类标准化考试中，模型得分已接近人类平均水平。

代码生成：GitHub Copilot等工具让程序员的效率提升30%-50%，大量标准化代码都可以由AI完成。

多模态理解：AI可以识别图像内容、生成视频、进行图文转换。2025年以来，文生视频工具已大规模向普通用户开放。

这些能力在一定程度上改变了生产方式。

麦肯锡2026年度全球AI调研显示，近九成受访者所在企业已在至少一项业务职能中常态化使用AI，全企业规模化部署比例已从一年前的38%上升至44%。

但报告中也提到，虽然80%的受访者认为AI提升了个人的生产力，但只有37%能将AI的影响追溯到企业利润层面，被归为“AI高绩效企业”（即至少5%的EBIT增长可归因于AI）的比例仅为6%。

这说明，企业用AI做的事情，大部分是让信息流动得更快，而不是让决策质量变得更高。

这就是AI现状的另一面。

目前的AI始终没有成为那个像iPhone一样重新定义一切的生产力引擎，也没有创造出足够多可量化的增量价值来兑现“AI改变世界”的承诺。

用AI改变核心业务流程、优化供应链、辅助重大战略决策、替代复杂人工判断……这些深层重构在绝大多数行业仍处于试点阶段。

目前的AI能力边界非常清晰：

大部分情况下，它能做60分的工作，比如写出合格的初稿、草拟像样的方案、给出基本的分析框架。

但它很难做到90分。AI无法真正理解复杂业务的上下文，无法把握微妙的商业判断，也无法对不确定的未来做负责任的预测。

一个资深投资经理用AI做行业研究，AI能三分钟生成30页报告，但他真正需要的那三个关键判断：这家公司的护城河到底有多深？这个行业的竞争格局会不会在两年内颠覆？这个团队能不能扛过周期？AI一个也给不出来。

今天的AI，本质上是“超级模仿者”，而不是“思考者”。它擅长复刻人类已有的知识表达，但不具备人类式的因果推理和世界理解能力。

DeepMind研究团队在2025年7月发表的研究中揭示了另一个令人担忧的现象：当前模型的推理过程极其脆弱，一旦被注入无关或误导信息，性能就会出现断崖式下跌，跌幅最高可达92%。而且模型越大，从干扰中恢复过来的能力反而越差，大模型比小模型更容易被带偏。

这背后的瓶颈，不妨看看AI自己是怎么剖析的。

（图片来自deepseek对话）

AI模型在能力上有高低，这个回答或许不能代表所有AI的现状，但以上所揭示的三个结构性瓶颈：没有体验、没有结构化记忆、没有自我修正，适用于从GPT-6 Astra到开源小模型的几乎所有大语言模型。

而这，也是让很多人觉得AI不够聪明的核心技术原因。当然，用户感受到的“降智”有时也与企业压缩算力、调整策略有关，但那是另一个层面的问题了。

为什么还要继续AI叙事？

据IT桔子《2026上半年中国人工智能投融资报告》，2026上半年国内一级市场AI股权融资1203起，总金额3076.82亿元，规模超过2025全年。全球AI风险投资2025年全年达到2258亿美元，AI相关独角兽突破370家。

如果AI现在只是浅层工具，资本为何如此疯狂？

首先也不是所有AI公司都在亏钱。

Salesforce和ServiceNow都是美国顶级的企业软件服务公司。2026年Q2，Salesforce交出了一份亮眼的成绩单，总营收113.5亿美元，同比增长11%，AI产品Agentforce年经常性收入突破15亿美元，同比增长240%。ServiceNow同期总营收39.9亿美元，同比增长24%，AI年度合同价值首次突破10亿美元。在企业服务软件普遍增长放缓的背景下，AI已成为驱动头部SaaS公司增长的核心引擎。

AI的生产力红利已经在真实发生。未来每个行业可能都会被AI重构，一级市场要投的正是这个长期趋势。

而且AI正在成为和水电一样的基础设施。2026年第二季度，AWS、微软、谷歌、Meta单季资本开支分别约542亿、410亿、449亿、311亿美元，合计约1712亿美元，绝大部分用于AI算力建设。

为什么？因为未来所有的软件和服务，都会生长在AI能力之上。谁先建好这个底座，谁就拥有定义下一轮商业生态的权力。AWS当年亏了7年才盈利，但今天它贡献了亚马逊超过70%的利润。AI算力正在复刻同样的故事。

从更宏观的视角来看，AI被各国政府视为科技竞争的核心制高点。

2026年财年，美国国防部在AI和自主系统上的预算申请超过180亿美元，比前一年增长了将近三成。国家人工智能研究资源（NAIRR）试点项目正式转入常态化运营，联邦政府为学术机构和中小企业免费提供算力和数据集。

欧盟这边，2026年3月生效的《人工智能责任法案》确实树立了全球最严格的监管框架，但这不等于欧洲在放弃AI竞赛。法国政府同年宣布投入80亿欧元建设本土AI算力中心，德国经济部也将AI研发税收抵免比例从25%提升到了40%。

日本和韩国也没有闲着。日本经产省在2026年上半年拨款2万亿日元，重点投向AI、半导体和机器人领域，推动AI与制造业的深度融合。韩国则将AI半导体列为"国家尖端战略技术"，政府承担芯片设计企业50%的研发费用。

中国在2026年开启的"十五五"规划中，把人工智能提升到了国家战略的核心位置。规划纲要将人工智能相关内容从以往的“章节”升级为独立“专篇”，与现代化产业体系、科技自立自强等国家核心战略任务并列。地方政府的配套政策更直接，AI+制造类项目的补贴力度是纯软件项目的三到五倍。

有些事情其实无需探讨有没有必要做，环境已经决定了它本身是个必答题。

AGI到底还有多远？

要回答这个问题，先得回答一个更根本的问题：我们现在走的路，到底对不对？

北京通用人工智能研究院院长朱松纯在今年的世界人工智能大会上提出了一个犀利的观点：“大语言模型不是AGI。单纯靠规模扩展走不到通用人工智能。”

他拆解了三个当下最流行的乐观命题，颇有参考意义：

第一个，大模型持续迭代就能到AGI，不成立。

他认为，大模型本质是统计模式匹配，不具备真正的理解、推理和因果认知能力。把语言流畅等同于通用智能，是概念的混淆。

刚刚发布的GPT-6 Astra在ARC-AGI的测试成绩似乎刚好印证了这一点。GPT-6 Astra在自有环境下能拿99.9%，换到标准环境就掉到62.7%。如果AGI真的来了，能力不该对测试环境这么敏感。

第二个，堆算力堆数据就能堆出AGI，不成立。

当前这条路径的边际收益正在快速递减。单纯增加规模已经不足以支撑范式级别的跃升。

正如前OpenAI首席科学家苏茨克维也公开承认，传统无监督大规模预训练触及了天花板。这和OpenAI每年500亿美元的算力支出形成了微妙的对照，公司还在拼命堆钱，最顶尖的技术负责人却说这条路走不下去了。

第三个，具身智能已经临近爆发，过于乐观。

人形机器人在实验室可以完成指定动作，但环境稍微变化，成功率就断崖下跌。朱松纯的团队从2013年开始攻关，到现在才初步实现“通脑”。数十年的技术难题，不能寄望于短期融资解决。

这三个命题被否定之后，一个尴尬的可能性浮出水面：当前这条以Transformer和大规模预训练为主干的路线，有可能只是一条越来越陡峭的“局部最优”路径，未必是抵达AGI的正道。

那正道在哪里？

朱松纯也提出了一条方向：社会智能。

他说，AI需要理解责权利关系、揣摩意图、理解潜台词、权衡竞争与合作。“这些复杂的社会推理才是人类智能的核心，是通向AGI的最后一道屏障。”

他定义的真正AGI，有三个特征。

无限任务泛化：面对从未见过的任务也能解决

自主任务生成：可以自己设定目标

价值驱动：拥有内在的价值体系，而非被动拟合外部数据

“社会智能”目前仍是一个学术假说，不是学界共识。AGI的可能路径不止这一条，神经科学启发的新架构、符号主义与连接主义的融合、基于世界模型的推理系统等方向都在探索中，尚无定论。

但无论走哪条路，有一点是确定的：当前的技术水位，距离真正的AGI都还很远。

Demis Hassabis，DeepMind联合创始人，曾带队打造出击败围棋世界冠军的AlphaGo，被公认为是全球最顶尖的AI科学家之一。他曾在多个场合表示，2030年前实现AGI的概率不超过50%，认为当前技术还差一两个关键突破。他同时强调，当前系统在持续学习、长程推理和记忆机制上存在明显短板。而这些能力，也是朱松纯所说的“社会智能”的基础。

所以，到底还要多久？

其实这取决于你把AGI定义成什么。

如果我们把AGI定义为[能在任何认知任务上达到人类平均水平]，那或许需要5-10年。在这个定义下，AI在越来越多任务上超过人类，已经是大概率事件。

如果我们把AGI定义为[能像人类一样持续学习、理解世界、做出独立判断]，那可能需要10-20年。这需要跨越的，不只是算力和数据的量级，而是要解决体验、记忆结构、自我修正这些结构性瓶颈。这不是靠烧钱就能解决的。

如果我们把AGI定义为[具备自我意识、情感和真正的创造力]，那可能人类还没找到通往那里的路。这条路需要的不是技术突破，而是对人类意识本身的理解。而“理解意识”这件事，人类自己都还没做到。

定义不同，时间尺度就不同。如果我们把AGI看作“更强大的工具”，那快到了。如果是“真正的理解”，那还远得很。

而“真正的理解”，需要跨越的，不是下一个万亿参数，而是对人类认知本身更深的理解。这恰恰是AI无法替我们回答的问题。

本文仅为对客观情况的分享，仅供参考，不构成对任何主体的宣传推介或投资建议。市场有风险，投资需谨慎。