AGI 的工程化定义

AGI 长期被视为人工智能发展的核心目标，但它始终缺乏一个稳定、可操作的定义。许多定义强调“像人一样聪明”“能完成广泛任务”“具备意识”或“在经济工作中超过人类”。这些表述各有历史价值，却很难回答一个关键问题：我们如何判断 AGI 正在接近？

本文提出一个工程化定义：

AGI，是指 AI 能够无人化完成原本需要普通人类团队长期协作的复杂项目。

更正式地说：

工程化 AGI，是指 AI 系统在目标、资源、安全边界和初始上下文给定后，能够在无持续人工驱动的情况下，稳定完成多数原本需要普通人类团队长期协作的典型复杂项目，并对项目结果承担可验证的交付责任。这里的“完成”不要求 AI 亲自执行所有物理操作、现实授权或高风险伦理判断；只要项目推进所需的核心脑力劳动、过程治理和交付判断主要由 AI 承担，就符合本文所说的无人化完成。

这里的核心不是 AI 是否像人，而是项目推进所需的主要脑力劳动、过程治理和交付判断，是否能够由 AI 稳定承担。

一、好的 AGI 定义应当满足三个条件

一个有现实指导意义的 AGI 定义，不能只是哲学想象，也不能用结果描述结果。它至少应当满足三个条件。

第一，逻辑上可证伪。
如果一个系统无法稳定承担复杂项目，我们就应当能够明确说：它还不是 AGI。一个无法被证伪的定义，很容易退化成信仰或营销话术。

第二，改进可验收。
如果一个系统比上一代更接近 AGI，我们应当能说明它具体改进在哪里：是否减少了人工介入，是否扩大了可承担项目规模，是否提高了执行稳定性，是否增强了自我纠错能力。

第三，进度可衡量。
AGI 不应只通过单点测试判断，而应通过项目周期、任务依赖深度、无人干预时间、交付质量、人工接管次数、维护稳定性和成本效率等指标判断。

只有满足这些条件，AGI 才能从模糊概念变成可逼近的工程目标。

二、复杂项目闭环才对应生产力跃迁

AGI 之所以重要，不是因为它满足某种智能想象，而是因为它应当构成人类社会生产力跃升的转折点。

人类大部分关键生产力，都与构建复杂项目的能力有关。软件系统、药物研发、制造体系、能源系统、教育平台、科研工程、基础设施和组织运营，本质上都不是单点任务，而是长期协作工程。

当前 AI 已经显著提高了单点任务效率。它可以写代码、生成文档、分析材料、回答问题、辅助设计。但在多数真实场景中，AI 仍然是被人驱动的工具。人类提出目标，人类拆分任务，人类定义边界，人类验收结果，人类承担最终责任。

工程化 AGI 的转折点在于：AI 不再只是能力模块，而开始承担项目责任。人类从持续驱动者，转变为目标设定者、边界制定者、审计者和最终授权者。

这才是生产力跃迁的核心。复杂项目的执行成本下降后，大量过去因组织成本、协调成本、试错成本和维护成本过高而无法启动的项目，将变得可以启动。

三、工程化 AGI 不要求完整现实交互能力

一个常见误解是：如果 AI 不能像人一样直接操作现实世界，就不能算 AGI。这个要求并不合理。

现实中的复杂项目，本来也不是由某一个人完成所有物理操作。项目经理不会亲自制造每个零件，架构师不会亲自执行每个安装步骤，企业负责人也不会亲自完成每个现场任务。复杂项目依靠的是目标系统、协作系统、工具系统和执行接口。

因此，工程化 AGI 的关键不是 AI 是否拥有一具人形身体，而是它是否能通过可用接口完成项目闭环。这些接口可以是软件 API、机器人、自动化设备、传感器系统、专用工具，也可以是普通人在 AI 指导下完成现实操作。

人形机器人和专用自动化设备会扩大 AGI 可承担项目的范围，但它们不是定义前提。AGI 不必先成为一个完整的人，才有资格改变生产力。

四、旧式 AGI 定义已经不适合当前 AI 现实

AGI 的定义本身未必有绝对对错。不同历史阶段，人们对 AGI 的想象，往往来自当时 AI 能力最突出的表现形式。

早期 AI 远不能稳定进行自然语言理解、推理和知识整合，所以 AGI 定义自然偏重“智能感受”：它是否像人在思考，是否能自然对话，是否能回答广泛问题，是否在局部认知任务上接近或超过普通人。

但当前最强大语言模型已经在大量局部任务上超过普通人。如果 AGI 只是指“在许多局部智力任务上达到或超过普通人”，那么这种意义上的 AGI 已经在相当程度上实现。

问题在于，这并没有直接带来生产力跃迁。

真正的瓶颈不在局部智能，而在复杂项目能力：任务拆分、可靠交付、自主验收、长期执行不漂移、失败后的有效纠偏、跨上下文目标一致，以及持续维护改进。

因此，偏重对话智能、类人感受、局部任务表现和普通人智商比较的 AGI 定义，在当前已经越来越不合时宜。它们曾经有启发意义，但无法解释 AI 距离真正生产力跃迁还差在哪里。

五、为什么 AGI 定义如此重要

AGI 定义重要，不是因为我们需要争夺一个词语，而是因为 AGI 是当代社会对 AI 前进路径最广为传播的想象。

当前大语言模型已经具备很强的局部智能，但大多数人仍然无法清楚解释一个现象：为什么 AI 已经如此聪明，生产力跃迁却仍未全面发生？为什么普通重复性工作还没有大规模消失？为什么企业组织方式还没有被彻底重构？

如果 AGI 被定义为“像人一样聪明”或“在局部任务中超过普通人”，当前 AI 似乎已经非常接近 AGI。但这个定义无法解释现实。真正限制生产力跃迁的，是复杂项目闭环能力。

一个好的 AGI 定义，可以用最低成本统一 AI 叙事。它让大众知道，AI 的核心进展不只是聊天框里变得更聪明；它让行业知道，下一阶段真正值得追踪的，不只是考试分数、问答能力、代码片段质量或多模态演示，而是可靠交付、长期维护、失败纠偏和无人化闭环。

因此，AGI 定义不是遥远的哲学问题，而是 AI 时代的公共叙事基础设施。定义错误，行业会反复高估局部智能的社会影响，低估复杂项目治理的瓶颈；定义清晰，AI 的发展路径才会变得可理解、可评估、可讨论。

六、现有 AGI 定义的不足

现有 AGI 定义可以大致分为几类。它们都有历史价值，但多数不能满足可证伪、可验收、可衡量的工程化要求。

第一类是图灵测试式定义。
代表出处是 Alan Turing 1950 年的《Computing Machinery and Intelligence》。¹ 它关注机器能否在对话中让人分不清其是否为人。这个方向的贡献在于将智能判断转向外部行为，但它测试的是拟人表现，而不是复杂项目能力。一个系统可以在对话中高度拟人，却无法长期维护真实工程。

第二类是强 AI 或意识定义。
代表出处是 John Searle 1980 年的《Minds, Brains, and Programs》。² 这类定义关注机器是否真正拥有心智、理解或主观体验。这是重要的哲学问题，却很难成为工程验收标准。即使一个系统能稳定完成复杂项目，我们也难以证明它是否有意识；反过来，即使某种意识存在，也不代表它具备复杂项目能力。

第三类是人类水平智能定义。
代表出处可以采用 Grace 等人在《When Will AI Exceed Human Performance? Evidence from AI Experts》中使用的 High-Level Machine Intelligence 定义。³ 这类定义试图把 AGI 与人类劳动能力比较，但“人类水平”本身边界仍然模糊：是普通人、专家，还是团队？更重要的是，人类社会的复杂成果并不是由孤立个体完成，而是由团队、工具、流程和制度完成。

第四类是经济价值工作定义。
代表出处是 OpenAI Charter 中对 AGI 的表述：高度自主、在大多数经济价值工作上超过人类的系统。⁴ 这类定义把 AGI 与生产力联系起来，比“像人一样聪明”更接近现实。但“大多数经济价值工作”仍然过于宏观，容易变成事后判断。它说明了 AGI 可能带来的结果，却不足以指导过程中如何验收进展。

第五类是形式化通用智能定义。
代表出处是 Legg 和 Hutter 2007 年的《Universal Intelligence: A Definition of Machine Intelligence》。⁵ 这类定义试图从理论上描述智能体在广泛环境中实现目标的能力。它抽象性强，也更严谨，但距离真实产业中的 AGI 判断较远。工程化 AGI 需要的是可复现的项目证据，而不是纯粹形式化描述。

第六类是 AGI 分级框架。
代表出处是 Google DeepMind 的《Levels of AGI for Operationalizing Progress on the Path to AGI》。⁶ 这类框架试图按能力广度、表现深度和自治程度描述 AGI 进展，比单一终点定义更可取。但多数分级仍偏重任务能力，而不是项目闭环。任务能力很强，不等于能承担长期复杂项目中的责任连续性。

第七类是社会影响型定义。
代表出处是 Open Philanthropy 对 Transformative AI 的定义：能够引发与农业革命或工业革命相当，甚至更重大转型的 AI。⁷ 这适合宏观讨论，但不适合作为能力定义。社会影响往往只能事后判断，并且会受到制度、成本、监管和部署速度影响。它可以描述 AGI 或高级 AI 的后果，却不能替代 AGI 的判断标准。

这些定义的问题可以归结为一点：它们要么太像哲学判断，要么太像事后结果，要么停留在局部任务能力上。它们没有把 AGI 的判断单位放在真实生产力最核心的位置：复杂项目闭环。

七、这个定义的边界

为了避免过度宣称，公开表达这个定义时，应主动说明它的适用边界。

首先，它不是所有意义上的 AGI 终极定义。本文定义更适合讨论软件开发、AI 工程化、知识工作自动化、复杂项目交付、组织生产替代，以及投资与产业判断。它把判断重点放在复杂项目闭环能力上，因此更适合分析 AI 何时能够形成真实生产力跃迁。

但它不直接覆盖所有 AGI 讨论场景。例如：意识问题、主观体验、具身机器人、开放世界生存、科学发现的全部过程、军事系统的全部能力，以及家庭照护和情感陪伴等问题，都不应被这个定义直接概括。它们可以与 AGI 相关，但不是本文定义试图解决的核心问题。

其次，“无人化”不是指没有人给目标。无人化并不意味着没有人提出目标、没有人提供资源、没有人设定安全边界，也不意味着人类完全退出责任链。

本文所说的无人化，指的是：在目标、边界、工具链和验收原则给定后，AI 系统不再需要人类持续介入任务拆分、执行修复、上下文恢复和过程治理。

因此，这个定义并不取消人的目标设定、边界制定、资源授权、风险审计和最终责任。它强调的是：AI 是否能够在给定目标和边界后，独立承担复杂项目闭环中的持续执行责任。

八、工程化定义把 AGI 变成可逼近目标

工程化 AGI 定义的价值，在于它把 AGI 从模糊想象变成可逼近目标。

我们不再需要反复争论 AI 是否“像人”，而可以追问更具体的问题：

• 它能独立承担多长周期的项目？
• 它能处理多深的任务依赖？
• 它需要多少人工介入？
• 它能否自主提出验收标准？
• 它能否发现并修复自身错误？
• 它能否在需求变化后重新规划？
• 它能否在长期维护中保持质量？
• 它能否跨软件、数据、文档和现实接口完成闭环？

这些问题可以测试、比较和积累证据，也可以随着模型、工具和工程系统进步而逐步改善。

因此，工程化 AGI 并不是把 AGI 降格为软件工程问题，而是把 AGI 放回人类生产力真正发生的地方。人类文明不是靠单点智力前进，而是靠复杂项目能力前进。AGI 的真正标志，也不应是它在某个问答中表现得多聪明，而应是它能否稳定接管复杂项目的构建、维护和演化。

当 AI 能够无人化完成原本需要普通人类团队长期协作的复杂项目时，AGI 才真正从概念变成现实。

---

参考文献与代表出处

Footnotes

1. Alan M. Turing, Computing Machinery and Intelligence, Mind, 1950. ↩

2. John R. Searle, Minds, Brains, and Programs, Behavioral and Brain Sciences, 1980. ↩

3. Katja Grace, John Salvatier, Allan Dafoe, Baobao Zhang, Owain Evans, When Will AI Exceed Human Performance? Evidence from AI Experts, arXiv, 2017; JAIR, 2018. ↩

4. OpenAI, OpenAI Charter, 2018. ↩

5. Shane Legg, Marcus Hutter, Universal Intelligence: A Definition of Machine Intelligence, Minds and Machines, 2007. ↩

6. Meredith Ringel Morris et al., Levels of AGI for Operationalizing Progress on the Path to AGI, arXiv, 2023; ICML, 2024. ↩

7. Open Philanthropy, What Open Philanthropy Means by “Transformative AI”, 2019. ↩