Greg Brockman在9月3日说了一句”欢迎来到AGI时代”。记者追问这是否算正式宣布，他的回答是：AGI这个词已经不再和OpenAI与微软之间的协议挂钩，它现在更接近一个使命层面、精神层面的概念。
听着像打太极。但这句话恰恰是理解整件事的入口——一个曾经被写进合同、能决定上百亿美元权利归属的词，是怎么变成”精神概念”的。
这个词被造了两次
1956年，约翰·麦卡锡在达特茅斯会议的提案里造出”人工智能”。此后五十年，这个词被稀释得厉害：下棋程序是人工智能，垃圾邮件过滤器是人工智能，商场里的语音导购也是人工智能。
2001年，一批研究者想回到最初的野心。刚拿到硕士学位的Shane Legg在邮件组里提议，既然说的是有通用能力的机器，那就叫Artificial General Intelligence，缩写AGI。2002年，这个名字定了下来。
插曲在后面。2005年前后，物理学者Mark Gubrud说这个词他1997年就用过——在一篇讨论自动化军工与技术风险的文章里。八年无人问津。
所以AGI的来历是：一个物理学者顺手写下，没人注意；一群研究者为了给自己的野心正名，又造了一遍。
一条被拆掉的保险绳
OpenAI 2015年成立时是非营利机构。章程里写着：确保通用人工智能——在大多数有经济价值的工作上胜过人类的高度自主系统——造福全人类。
2019年改成”有限利润”结构。同年7月，微软投了第一笔十亿美元。2023年1月追加一百亿，总承诺一百三十亿。微软换到的东西很实在：Azure成为OpenAI唯一的云；独家商业授权；外加一笔分成。
真正的关键不在钱。OpenAI在谈判桌上坚持塞进一条：如果OpenAI董事会宣布公司达成AGI，微软对此后技术的权利立刻中止。
逻辑很直白——到AGI线之前你随便赚，一旦到线，这东西太重要，不能再是一家公司的私产。
问题是，合同从头到尾没写清楚AGI是什么。
2026年4月的最新修订，把触发条件整个拿掉，换成两个日期：微软的授权走到2032年，分成走到2030年，都不再取决于OpenAI是否宣布达成AGI。四个多月后，Brockman说AGI是个精神概念。
四套定义，出自同一批交卷的人
OpenAI自己的定义：在大多数有经济价值的工作上胜过人类。用经济衡量智能，看它能不能替掉人的活儿。
François Chollet的定义：真正的智能是高效地学会一件你从没被教过的事。他的测试思路是给你几个例子，让你推出规律，再解一道没见过的新题。
DeepMind把认知拆成十项：感知、生成、注意、学习、记忆、推理、元认知、执行功能、问题解决、社会认知，逐项对比普通人水平。他们对今天模型的判断是”参差不齐的认知剖面”。
Anthropic的达里奥·阿莫代伊干脆不用AGI这个词，改叫”强大的AI”，形容成”数据中心里的一个天才之国”。
四套定义，全部出自要造这个东西的人。定标准的和交卷的是同一批人。AGI从来不是可以被发现的事实，而是需要被约定的标准——这个约定至今没完成。
GPT-6交出的东西
沃顿商学院的伊桑·莫里克拿到了GPT-6提前权限。他的评价是：能替他自主完成复杂而有意义的工作，而且可以连续好几天干一个活儿。
他举的例子是网页上一座可以走进去的亚历山大图书馆。这不是一件事，是五件事拧在一起：写软件、查史料、设计交互、组织叙事、编排大量内容。过去的模型能做好其中任何一件，做不到攒成一个成品。
数学研究上它产出了新东西，而且可核验。OpenAI公开了249页手稿，以及能让计算机逐步核验的形式化证明。
容易被忽略的一点：它会自行判断什么时候停下来问人。上一代模型一声不吭做了13分15秒，交出成品。Astra干了20秒就停下来问：你要转去哪个行业？
会问不等于能力弱，而是它知道哪一个不确定性会毁掉整件事。
循环深度关小了那扇窗
Astra用了叫”循环深度”的技术：让信息在同一组网络层里反复循环，吐出下一个字之前先在内部多算几轮。部分推理直接在内部数值状态里完成，全程不落成人类能读的文字。
这把我们唯一的观察窗口关小了。它可以不出声就把竞赛题做出来，你只看到答案。从答案本身判断不出是推出来的还是记住的——而这正是整场争论的核心。
六份体检报告拼不成一张
六项评测各说各话。第一项Astra拿了最高分，超过人类效率基线。第二项六十八道题解出两道，3%——可它是唯一得分的模型。第三项在五成成功率下能干十二小时，八成成功率下只能干七十分钟。第六项总分几乎没涨，单任务成本却从0.94美元涨到1.67美元。
权重来自定义，定义有四套，互不兼容。六个人给同一个考生打分，心里装的是六张不同的录取标准。
这里有个工程上的坑值得单独说：同一批题换个接口，分数能差三十七个百分点。做模型评测时，prompt模板、工具调用格式、是否给思维链留白，都会显著改变结果。所以看到任何单一评测分数，先问三件事——用的哪套接口、允许多少次重试、失败样本怎么算。判定标准不统一，横向比较基本没有意义。
到了还是没到
支持”到了”的证据：能连续几天完成复杂完整的工作，产出横跨五个工种；能在没见过的环境里自己发现规则、发明记号，效率超过人类中位数；在开放数学问题上产出新结果，附机器可核验的证明。
支持”没到”的证据：同一个模型，可靠性要求从五成提到八成，独立工作时间从十二小时掉到七十分钟；换个接口，同一批题分数差三十七个百分点。
最有力的一条证据不在任何评测报告里：分歧还这么大，本身就说明还没到。
但进步确实发生了。一个能连着干几天、能在陌生环境自造记号、能产出可核验数学结果的系统，跟”只会背答案的聊天机器人”之间的距离，不比它跟AGI之间的距离短。
按今天能拿到的证据，它不是AGI。但它也早就不是聊天机器人了。
责任在换位置
斯坦福8月更新的一份追踪里有个数字：22到25岁的年轻人，在AI高暴露职业里的就业水平，比”与AI低暴露的同龄人同步增长”本该达到的水平低了19%。有经验的员工没有对应缺口，而且差距主要不是靠裁人形成的，是靠不招人。
AI带来的第一个真实变化，不是谁被替代，是责任在悄悄换位置。它拿走越来越多的决定，后果仍然留在人这边。
对测试和运维来说，这个换位很具体：模型给出的判断越来越像结论，但回滚、背锅、写事故报告的还是你。所以可核验性不是学术问题——形式化证明、可复现的评测脚本、能对上的日志，这些才是把责任留在可追溯范围内的东西。
结语
AGI真正到来的那天，我们不是从发布会上知道的，是从”不再需要争论”这件事上知道的。
顺带说一句适用范围：上面这套”多定义、多评测”的判断框架，适合用来评估通用能力型模型；如果你只是拿模型做单一固定任务（比如日志分类、告警摘要），别套AGI的尺子，直接看任务级指标更靠谱。反过来，任何声称”某项评测达到人类水平”的说法，先确认它用的是哪套定义、哪个接口、什么可靠性阈值——这三样对不上，结论就不成立。
参考校验命令（用于确认本地推理服务的接口与版本，避免评测口径漂移）：
curl -s http://localhost:8000/v1/models | jq '.data[].id'
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
版本、依赖、接口三者任一变化，历史评测分数就不该直接拿来对比。
