AGI进展的三轴模型

AGI不应被理解为几条路线之间的竞争，而应被理解为三维能力空间中的演化。AGI三轴模型用规模轴、范式轴和工程化轴三个近似正交的维度，类似三维空间的XYZ轴，描述AI能力进展的主要结构：

规模轴决定局部能力上限。

范式轴改变能力结构，并引发能力跃迁。

工程化轴提高能力转化率，即复杂项目里的实际交付能力。

从COG的观点看，AGI不是某一条路线的终点，而是三轴共同推进后，系统能力跨过“复杂任务稳定交付阈值”的结果。

一、规模轴：能力上限的扩张及其边界

规模轴关注的是：更多资源是否继续带来能力提升。

它包括算力扩张、数据扩张、参数规模扩张、训练规模扩张，以及推理时计算扩张。GPT-3时期，规模化预训练展现出新的能力结构。此后，算力、数据和训练规模继续扩大，推动大语言模型能力持续提升。到推理模型阶段，规模轴又延伸到推理时计算：模型不仅在训练阶段消耗更大规模资源，也在推理阶段通过更多计算释放更强能力。

因此，规模轴并不只是“模型更大”。它代表的是AI系统通过资源扩张抬高能力上限的过程。

但规模轴的继续前进也面临明显边界。

首先，算力扩张的成本巨大。继续扩大训练规模和推理规模，需要极高的资本投入、能源消耗、芯片供给和工程基础设施支撑。规模轴不是免费的自然增长，而是越来越昂贵的系统性投入。

其次，scaling law已经出现逐渐失效或边际收益下降的迹象。更大规模仍可能带来收益，但这种收益是否足以支撑通向AGI的连续跃迁，已经不能被简单假定。规模轴仍然重要，但不能被理解为一条确定通向AGI的单调路径。

第三，今天模型的能力距离不依赖外部工程化、独立解决复杂工程问题，仍有几个数量级的差距。复杂工程任务需要长期状态管理、任务拆分、验证闭环、错误回退和多阶段交付，仅靠模型能力的渐进式提升，很难自然跨过这一距离。除非再次发生新的范式跃迁，否则没有充分理由推测规模轴前方还会自动出现下一次足以解决复杂工程问题的能力涌现。

因此，规模轴可以继续提升能力上限，但它无法单独解释AGI的到来。它需要范式轴打开新的能力结构，也需要工程化轴把已有能力转化为稳定交付能力。

二、范式轴：能力结构的非线性改变

范式轴关注的是：能力生成机制是否发生改变。

它包括模型架构、训练方式、推理机制和智能生成机制的变化。但范式轴的关键，并不只是“换一种技术方案”，而是AI系统获得能力的方式发生结构性变化。

规模轴和工程化轴相对更容易被持续逼近。前者可以通过更多资源投入推进，后者可以通过更好的工具、流程、测试、记忆、任务拆分和交付闭环持续优化。但范式轴不同。范式跃迁往往不是线性工程投入的直接结果，而更接近一种涌现：在某个阶段，新的训练方式、模型机制或能力释放方式突然形成了更高阶的能力结构。

这也是范式轴最困难的地方：没人真正知道下一个范式跃迁在哪里。

当前有很多被寄予希望的范式迭代方向，例如稀疏注意力、世界模型、强化学习、自我改进、递归自我改进（RSI）、新型记忆机制、多智能体协作、可验证推理等。但其中相当多方向仍然没有形成理论上的完全自洽。它们可能成为下一次范式跃迁的一部分，也可能只是局部优化，甚至可能在大规模系统中被证明收益有限。

GPT-3的重要意义，不只是模型规模变大，而是规模化预训练让语言模型表现出新的能力结构。模型开始从大规模文本预测中获得广泛的语言理解、知识组织和任务泛化能力。这不是传统NLP任务扩展的线性结果，而是一种新的能力组织方式。

GPT o1时期，则可以被视为另一类范式跃迁。推理模型和test-time reasoning改变了模型能力释放方式。模型不再只是直接输出答案，而是通过更复杂的推理过程处理问题。随后，推理时计算扩张又继续沿规模轴产生收益。

这说明范式轴与规模轴高度相关，但并不等同。规模扩张可能孕育范式跃迁，却不能保证范式跃迁；范式跃迁一旦发生，又会打开新的规模化空间。真正重要的，不是某个具体技术方向是否看起来先进，而是它是否改变了能力生成机制，并形成新的能力结构。

三、工程化轴：能力转化率的提高

工程化轴关注的是：模型能力能否被组织成真实复杂任务中的稳定交付能力。

大语言模型已经具备很强的局部智能，但局部智能并不自动等于复杂任务中的稳定交付。真实复杂任务通常包含目标理解、任务拆分、长期状态管理、工具使用、错误修正、测试验证和交付闭环。模型即使在局部问题上表现很强，也可能在长链路任务中因为上下文丢失、约束遗漏、验证不足或执行不稳定而失败。

因此，工程化轴的核心，不是让模型本身变得更聪明，而是提高模型能力的转化率。它关心的是：在既有模型能力之上，如何通过工具、流程、环境和治理机制，把局部智能组织成可依赖的系统能力。

当前AI工程化的主流进展，大多围绕这一目标展开。例如，把模型接入终端、IDE、代码仓库和测试环境，使其进入真实工作流；通过plan mode、spec-first、任务拆分和阶段验收，降低复杂任务中的失控概率；通过自动测试、日志、CI、benchmark和人工验收，让模型输出从“看起来合理”变成“可以验证”；通过上下文管理、项目文档、外部记忆和多session协作，延长模型在复杂任务中的有效工作半径。

Claude Code的出现，可以视为工程化轴上的重要进步。它不是单纯让模型变聪明，而是把模型放入真实工程环境中，通过CLI单session模式持续迭代，并发展出plan mode、subagent、工具调用、测试闭环等有效工程化手段。它展示了一个重要事实：模型能力要转化为生产力，必须进入真实任务环境，并接受工具、流程和验证机制的约束。

但工程化轴不应被理解为某一个coding agent的产品进步。更大的方向，是围绕复杂任务稳定交付建立完整的协作治理层。这个治理层需要管理任务拆分、上下文分配、执行器选择、测试验证、证据记录、人工介入、结果复现和多session协作。

COG专注的正是这一方向。它不试图替代基础模型，也不把AGI理解为某个单一模型能力的突然完成，而是严肃推进工程化轴：把模型的局部智能组织成复杂任务中的稳定交付能力。用三轴模型表达，COG关注的是在既有能力上限和能力结构之下，如何最大化能力转化率，并把AI从“局部聪明”推进到“系统可交付”。

四、三轴的近似正交性

AGI三轴模型中的“正交性”，并不是说三轴在数学意义上完全独立，而是说它们代表了三个近似独立的努力方向。

规模轴解决的是“更多资源是否继续带来能力提升”。范式轴解决的是“能力生成机制是否发生改变”。工程化轴解决的是“模型能力能否被组织成真实复杂任务中的稳定交付能力”。这三个问题彼此相关，但不能相互替代。

严格来说，工程化结构会受模型规模影响：更强模型往往能承担更长链路、更复杂的工具使用和更高层级的任务拆分。范式变迁也会让规模轴的投产比发生质变：新的能力生成机制一旦出现，原本边际收益下降的资源投入，可能重新打开新的规模化空间。

反过来，工程化可以放大规模和范式收益，但它不能改变基础模型的能力上限；规模扩张可以孕育范式跃迁，但不保证跃迁发生；范式跃迁可以改变能力结构，却仍需要工程化进入真实复杂任务。

因此，三轴并非彼此隔离，而是分析上的近似正交。这种抽象的意义不在于严格描述所有因果关系，而在于指导实际努力方向：当AI系统能力不足时，需要区分问题主要来自能力上限、能力结构，还是能力转化率。只有这种区分成立，AGI进展才不会被简化为单一变量，也不会被误解为某条路线的单独胜利。

五、复杂任务稳定交付阈值

从COG的观点看，AGI不是某一条路线的终点，而是三轴共同推进后，系统能力跨过“复杂任务稳定交付阈值”的结果。

这个阈值意味着：AI系统不仅能在局部任务中表现聪明，而且能在长期、复杂、动态、有约束的真实任务中，稳定完成拆解、执行、验证和交付。

在这个框架下，规模轴提升能力上限，范式轴改变能力结构，工程化轴提高能力转化率。三者共同决定AI系统距离AGI还有多远。

不同阶段会出现不同轴主导的情况。GPT-3时期，范式跃迁和规模扩张共同推动了大语言模型崛起；GPT o1时期，推理范式和推理计算扩张进一步释放能力；Claude Code代表的工程化进展，则让模型能力开始更深地进入真实工程场景。

因此，AGI进展不应被理解为“三条路径”竞争，而应被理解为三轴坐标系中的持续演化。真正重要的问题不是哪一条路线单独胜出，而是三轴如何共同把AI系统推过复杂任务稳定交付阈值。