一个让所有人困惑的问题
2026年7月，如果你问5位AI领袖"AGI什么时候到来"，你会得到5个截然不同的答案：
Sam Altman（OpenAI CEO）：“3-5年内”。Dario Amodei（Anthropic CEO）：“5-10年内”。Demis Hassabis（DeepMind CEO）：“10-20年内”。Yann LeCun（Meta AI首席科学家）：“可能20年以上，当前路径走不通”。Gary Marcus（AI批评者）：“当前路径永远到不了AGI”。
差距从3年到"永远"。为什么这些世界上最懂AI的人，对AGI时间表的预测差距如此之大？因为他们在预测不同的东西。
金句：AGI时间表预测的差距，不是对"AI能力"的判断不同，而是对"AGI是什么"的定义不同。
拆解五位领袖的逻辑
Sam Altman：3-5年。 乐观基于三个趋势：Scaling Laws仍然有效、推理能力的突破（o3系列的chain-of-thought）、AI自我改进的可能。但2026年，Scaling Laws的边际收益正在递减。
Dario Amodei：5-10年。 比Altman更谨慎，因为Anthropic的核心关注点是AI安全。即使技术能力达到AGI水平，也需要额外的2-3年进行安全测试和对齐。
Demis Hassabis：10-20年。 AGI不仅仅是"语言智能"，还需要"世界模型"——对物理世界的深度理解。将LLM与世界模型、强化学习和机器人技术结合，需要10-20年的持续研究。
Yann LeCun：20年以上。 当前LLM的学习效率极低——人类通过少量样本就能学会，LLM需要万亿token。AGI需要"基于能量的模型"（EBM）和"联合嵌入预测架构"（JEPA）等全新的技术路径。
Gary Marcus：当前路径永远到不了。 LLM本质上是在做"插值"而不是"外推"——它们能很好地处理训练数据分布内的任务，但面对真正的新问题时会崩溃。AGI需要"符号推理"和"神经符号AI"的混合架构。
预测AGI的三种方法论
外推法： 基于当前AI能力的增长速度，画一条线到未来。问题是Scaling Laws是否会持续。类比法： 将AI发展类比于其他技术。但AI的发展可能不是线性的，而是"相变"式的。障碍法： 识别AGI的关键障碍，估计解决每个障碍需要的时间。Yann LeCun提出了AGI的"五大挑战"：世界模型、推理与规划、分层表示、持续学习、常识。
结论：没有人真正知道AGI什么时候到来。 但2026年，越来越多的人相信AGI正在变得"可预见"——不再是科幻小说，而是未来10-20年内可能发生的事。而正是这种"可预见性"，让AGI的安全和治理问题变得前所未有的紧迫。