重塑AGI蓝图：本吉奥团队如何定义通用智能，并揭示当前AI的认知鸿沟

TL;DR：

本吉奥领衔的顶级团队以人类心智为蓝本，重塑了AGI的清晰可量化定义，并揭示当前大模型虽有显著进步，但在记忆、推理、适应性等多维认知能力上存在0分短板。这一新框架不仅戳破了“能力扭曲”的通用智能假象，更为业界指明了通往真正AGI的攻坚方向和深远挑战。

近年来，人工智能领域关于大语言模型（LLM）能否通向人工通用智能（AGI）的争论日益白热化。一方以OpenAI和Google为代表的企业界，坚信现有模式和“扩展定律”（Scaling Law）是实现AGI的关键；另一方则以强化学习之父Richard Sutton、著名批评者Gary Marcus和图灵奖得主Yann LeCun为首的学术界，对LLM的局限性提出尖锐质疑，认为其缺乏真正的学习机制、推理能力存在根本缺陷、且无法理解物理世界。这场旷日持久的争论，核心症结在于一个长期模糊不清的问题：AGI的定义究竟是什么？

为了破解这一症结，2025年10月16日，由“AI教父”之称的图灵奖得主约书亚·本吉奥（Yoshua Bengio）领衔，汇聚了AI安全、伦理、经济学等领域全球顶级学者、研究员和行业领袖的27人豪华团队，发布了重磅论文《A Definition of AGI》¹。这篇论文试图为AGI提供迄今为止最清晰、最可操作的定义和评估框架，为这场关乎人类未来的科技辩论提供了关键的“地图”与“指南针”。

技术原理与创新点解析：AGI定义的新范式与人类心智蓝图

该论文开宗明义，为AGI给出了一个精炼而直观的定义：AGI是一个在认知通用性（versatility）和熟练度（proficiency）上，能够达到或超过一个受过良好教育的成年人水平的人工智能。 这一巧妙的定义将抽象的“通用智能”具象化为现实世界中唯一可参考的通用智能范例——人类。

新定义强调AGI的两个核心特质：

1. 通用性（广度）：真正的AGI不能偏科，需在广泛的认知领域具备能力，而非仅在少数任务上超人。
2. 熟练度（深度）：在每个认知领域，AGI的能力都需达到一定深度，即受过良好教育的成年人的水平。

为了将这一定义操作化和可量化，研究团队引入了心理测量学界最受认可、证据最充分的人类智力结构模型——Cattell-Horn-Carroll（CHC）理论¹。CHC理论将人类认知能力描绘为三层级金字塔：顶层是普遍的“一般智力因素”（g因子），中层是约10个相对独立的“广义能力”，底层是约80多种具体的“狭义能力”。

基于CHC理论，论文将AGI的能力细分为十大方向，每个方向在AGI总分中平均占比10%，完整覆盖了人类认知的广阔领域：

• 通用知识 (K)：对世界常识、科学、历史、文化的理解。
• 读写能力 (RW)：理解和生成书面语言的熟练度。
• 数学能力 (M)：涵盖算术、代数、微积分等知识与技能。
• 即时推理 (R)：在不依赖先验知识的情况下，解决新颖问题的能力。
• 工作记忆 (WM)：短期内主动保持、处理和更新信息的能力。
• 记忆存储 (MS)：从经验中持续学习、巩固和存储新信息的能力。
• 长期记忆检索 (MR)：精准、流畅地提取知识，并避免幻觉。
• 视觉处理 (V)：感知、分析、推理和生成视觉信息的能力。
• 听觉处理 (A)：识别、区分和处理听觉刺激的能力。
• 速度 (S)：快速、自动化地执行简单认知任务的能力。

该框架提供了具体的定义、测试样例和公开数据集，使其具备极高的可操作性。文章明确指出，100%的AGI分数代表的是一个认知能力_全面发展且高度熟练_的个体，并非聚合了所有人类的顶尖才能，而是衡量一个在所有维度上都达到“精通”水平的个体可能达到的能力上限。

产业生态影响评估：模型能力剖析与通往AGI的崎岖之路

利用这一全新的AGI评估标准，研究团队对当前最先进的AI模型进行了剖析，揭示了当代AI能力发展极不均衡的“犬牙交错”认知剖面图。评估结果显示，GPT-4的AGI总分为27%，而预计2025年问世的GPT-5的总分可达58%²。总分翻倍，进步显著，但这种进步却呈现出严重的偏科现象。

当前LLM的显著优势： AI的强项集中在可以从海量数据中直接学习的领域。例如，在通用知识（K）、读写能力（RW）以及（对GPT-5而言）数学能力（M）上，模型展现出极高的熟练度。这印证了LLM作为强大知识库和文本处理工具的现有认知。

当前LLM的深层短板： 然而，在另一些核心认知维度上，现有模型表现出令人担忧的根本缺陷：

• 长期记忆存储（MS）与可靠性（MR幻觉）：无论是GPT-4还是GPT-5，在长期记忆存储（MS）上的得分均为刺眼的0%。这意味着AI系统缺乏从持续互动中积累经验、形成个性化记忆或修正错误的能力。每一次对话都是一次冷启动，极大地限制了其成为真正智能伙伴的潜力。在长期记忆检索（MR）下的“幻觉”分项上，GPT-4和GPT-5同样获得0%。尽管GPT-5号称减少幻觉，但相对于人类，其幻觉水平仍无法接受，使其在不依赖外部工具（如搜索引擎）的情况下，成为不可靠的信息来源。这正与Gary Marcus的“随机鹦鹉”论调不谋而合。
• 即时推理与适应性（R）：即使大幅进步的GPT-5，在即时推理（R）模块中的“适应”分项上，得分也为0%。这表明当前AI擅长在固定规则下执行任务，但在规则悄然改变时，会表现出极端的认知僵化，无法灵活调整策略，缺乏元认知能力（即意识到自身方法不再有效）。这正是Richard Sutton在《The Bitter Lesson》中强调的深层缺陷。
• 多模态的浅薄理解（V, A）：GPT-5在视觉处理（V）和听觉处理（A）上虽能在感知和生成方面取得分数，但在更高级的视觉推理（如空间扫描）和听觉底层结构理解（如音素编码、节奏能力）上仍为0%。这说明即使多模态能力有进展，模型依然停留在输入/输出的表层，尚未形成对物理规律、空间逻辑的“世界模型”。Yann LeCun对此的批判被有力证实。

这些细致的评估结果清晰地表明，当前大模型的能力进步是_不均衡且有偏向_的，反LLM联盟的批评并非空穴来风，而是击中了其核心痛点。

未来发展路径预测：从能力扭曲到真正的通用智能

论文提出的**“能力扭曲”（Capability Contortions）概念，进一步揭示了当前AI进步中的一个关键问题。它指出，当代AI系统常利用其压倒性的优势能力（如巨大的工作记忆和计算速度）来掩盖或绕过其基础能力的根本性缺陷，从而制造出一种看似通用的脆弱假象**。例如，超长上下文窗口（Work Memory）被用来伪装长期记忆，使得用户需反复喂入历史信息，成本高昂且效率低下；检索增强生成（RAG）技术则被视为一种“拐杖”，掩盖了模型无法从自身参数中可靠检索知识，更缺乏动态、可更新的私有记忆库的缺陷。

识别并解决这些被掩盖的根本性缺陷，才是通往AGI的必经之路。

技术演进：突破Scaling Law的局限 未来3-5年，AI研究的重心将从单纯扩大模型规模转向系统性地填补这些认知短板。这意味着我们需要突破仅依赖“扩展定律”的范式，寻求革命性的架构创新来解决：

• 持久且可更新的记忆机制：赋予AI真正的“经验”积累和“学习”能力，而非每次任务都从头开始。
• 深层次的推理与元认知能力：使AI能像人类一样适应环境变化、主动修正策略、理解问题本质。
• 物理世界模型的构建：让多模态AI从表层感知跃升至对世界运行规律的深度理解。 这一转变将需要跨学科的融合，包括认知神经科学、强化学习、具身智能等领域的突破性进展。

商业价值：解锁真正的企业级与个性化AI 目前“能力扭曲”下的AI，其高昂的计算成本和不可靠性，限制了其在金融、医疗、工业制造等关键企业级场景中的深度应用。如果未来的AGI能够弥补记忆、推理和适应性上的缺陷，将解锁全新的商业模式和巨大的市场潜力：

• 真正个性化的AI助手：能够理解用户偏好、历史互动，并持续学习演进。
• 高度自主的企业级Agent：能独立解决复杂业务问题，适应不断变化的市场环境。
• 可靠的决策支持系统：减少幻觉，提供可信赖的分析和建议。 未来资本的目光将更聚焦于那些能够攻克AGI核心认知障碍、而非仅停留在表面性能提升的创新企业和研究方向。

社会影响：理性应对与伦理先行 本吉奥等AI先驱的深度介入，也深刻体现了对AGI社会影响的关注。本吉奥曾表达对AI失控可能导致人类灭绝的担忧，并预测AGI最快五年内就能实现³。这种清晰的AGI定义，有助于引导社会对AGI的预期，从模糊的幻想转向理性的认识。它为政策制定者、伦理学家和公众提供了一个共同的讨论基础，以便在技术发展的同时，同步思考如何建立健全的AI治理框架，应对偏见、隐私、透明度及潜在的失控风险。真正的AGI将重塑就业市场、教育体系、甚至人类的认知方式，其带来的机遇与挑战都将是前所未有的。

跨领域整合：AGI的哲学反思与人类文明的未来

Wired风格的哲学思辨提醒我们，AGI的定义与评估，不仅是技术问题，更是对“智能”本质的深刻拷问。以人类心智蓝图作为衡量AGI的标准，反映出我们当前理解智能的“人类中心主义”视角。然而，未来AGI可能以我们尚未完全理解的方式实现智能，甚至超越人类智能的范畴。

将AGI描绘为“人工科学家”⁴的潜力，则进一步拓宽了我们的想象。真正的通用智能，不仅仅是一个庞大的知识库或信息处理工具，它更应该是新知识的创造者，能够主动提出假说、设计实验、进行科学发现。这与当前AI在即时推理、适应性上的短板形成鲜明对比，也预示着通往“人工科学家”的道路上，核心挑战在于构建深层理解、创新思维和自我修正的能力。

本吉奥团队的论文，不仅是AI技术发展史上的一个重要里程碑，更是一次对人类未来与智能边界的深度探索。它迫使我们重新审视当下AI的真实能力与局限，警醒我们不能被表面的“通用性”假象所迷惑。通过提供一张清晰的地图，它让AI的发展方向从模糊走向清晰，引导我们以更审慎、更负责任的态度，迈向AGI的彼岸。这是一条漫长而充满挑战的道路，但至少，我们现在知道该往何处去，以及还有多远的路要走。

引用

• AGI定义
• 认知科学
• 大语言模型
• AI安全
• 产业趋势
• 技术伦理