TL;DR：
在AI六巨头罕见聚首的对话中，通用人工智能（AGI）不再是遥远概念，而是被视为一个正在演进的现实。尽管对其何时达到“人类水平”存在巨大时间分歧，但技术先驱们普遍认同AI正从单纯的语言能力迈向具备空间感知与自主行动的“智能体”阶段，这不仅重塑了技术范式，也对商业模式和社会结构带来前所未有的变革。
2025年11月7日，伦敦伊丽莎白女王工程奖颁奖典礼后的圆桌对话，汇聚了人工智能领域最具影响力的六位思想领袖：深度学习三巨头Geoffrey Hinton、Yoshua Bengio、Yann LeCun，以及ImageNet发起人李飞飞、GPU计算架构师Bill Dally和AI工业化推手黄仁勋。这场史无前例的对话，围绕一个核心议题展开：通用人工智能（AGI）是否真的已经到来，或者正以何种面貌向我们走来？尽管没有人给出统一的定义或宣布其正式完成，但六位先驱从各自视角传递出一个共同信号：AGI不再是抽象的未来，而是正深刻影响现实的进程。
四十年演进：AGI的深层技术基石与范式变迁
AGI的崛起并非一蹴而就的奇点，而是四十年技术积累与范式迭代的必然结果。这场对话，如同一次跨越时空的思想接力，展现了从算法萌芽到工业化引擎的完整链条。
Geoffrey Hinton早在1984年便洞察到微型语言模型能够自我学习词汇关系，预见了大型语言模型的雏形，尽管当时算力和数据匮乏。他的“顿悟”奠定了深度学习理解世界的基础1。Yoshua Bengio则从Hinton的早期论文中汲取灵感，坚信人类智能背后存在简单原理，并因此投身神经网络研究。当ChatGPT问世，他对AI的强大能力感到震撼，进而将研究重心转向AI安全和伦理，强调**“理解智能更要学会约束智能”**。
数据的力量由李飞飞深刻揭示。在意识到算法瓶颈并非关键后，她与团队毅然投入海量图片标注，创建了ImageNet，为机器赋予了“看懂世界”的能力。她强调，大数据驱动的机器学习是今天所有AI扩展定律（Scaling Law）的基础，将AI从实验室推向实际应用。与此并行的是算力的飞跃。Bill Dally在90年代末为解决内存墙问题，萌生了流处理和GPU计算的构想。2010年，他与吴恩达的早餐谈话中意识到，神经网络的规模化训练是真实可行的计算模式。NVIDIA因此转向，将GPU打造为深度学习的真正引擎，为AI提供了澎湃的算力基础设施1。
Yann LeCun对“让机器自己学，而不是教它怎么做”的执着，贯穿了其四十年的研究生涯。他从早期与Hinton关于监督学习与无监督学习的辩论，到今天回归自监督学习，始终坚信**“智能的核心是自我组织，而不是指令”**。他认为，当前的进步应视为科学问题，而非仅是堆叠资源。
而将这些技术基石推向产业化高峰的，无疑是黄仁勋。他将芯片设计的高层抽象思维与深度学习系统构建逻辑相连接，预见到“像扩展芯片设计那样，扩展软件能力”的可能性。当全球研究团队纷纷寻求NVIDIA算力支持时，他意识到AI已从理论走向工程，并能通过工程外推实现规模化。他提出的**“AI工厂”**概念，形象地概括了未来AI作为实时智能生产系统的商业本质。
这六个故事相互交织，共同塑造了AI从理论到实践、从基础算法到产业引擎的四十年演化图谱。AGI的出现，正是一场多维度、系统性进步的必然。
撕裂的时间线：对通用智能认知的哲学与商业分歧
尽管对AI的未来充满共识，但当被问及“距离人类水平的智能还有多久”时，六位先驱的答案却呈现出令人瞩目的“撕裂时间线”，这不仅反映了他们对技术进展的不同评估，更折射出对智能本质的深层理解差异。
Yann LeCun持渐进论，认为AGI不是一个突变事件，而是能力在各个领域逐步扩展的过程，且进展将“比我们想象的时间更长”。他对当前大语言模型范式直接推向人类水平智能的可能性表示怀疑，强调我们甚至还没有“像猫一样聪明的机器人”，仍需根本性的科学突破2。
李飞飞则提出一个更具实用性的视角：问题不应是“AI会不会超越人类”，而是“在哪些方面已经超过”。她指出，机器在识别2.2万种物体、翻译100种语言等特定任务上已远超人类。这类似于飞机飞行方式异于鸟类，AI的超越是基于机器的独特智能形式，而非简单复制或替代。
黄仁勋的视角最具商业敏锐度，他直接否定了时间预测的重要性，认为“我们今天就在用AGI级别的智能做实际工作”。他强调AI已从工具转变为“工厂”，实时生成智能，并能将技术转化为对社会有用的应用，这已是现实。他驳斥了“AI泡沫”的担忧，指出当前GPU利用率极高，真实需求远超供给，AI作为生产力已是既定事实3。
Geoffrey Hinton则给出了一个相对具体的预测：“如果你和机器进行一场辩论，它总能赢你。我认为，这种情况将在20年内发生。”这既是技术发展的量化预期，也隐含了对机器认知能力演进的确认。
Bill Dally则从哲学层面质疑了问题本身。他认为，“达到人类智能”的目标可能带偏了方向。AI的目标应是“增强人类”而非“取代人类”，通过互补而非竞争，让人类能专注于创造力、共情与协作。
Yoshua Bengio提出了最具争议但也充满可能性的观点。他“看不出有任何理由，在某个时候我们不能构建能做我们几乎所有事情的机器”。他引述数据指出，AI在规划能力上六年内呈指数级增长，若趋势延续，“五年内AI就能达到工程师级别的能力”。更令人深思的是，他提及许多公司正让AI从事AI研究，设计下一代AI系统，这可能催生更多突破，但他同时强调应保持不可知论，避免过大断言，因为未来充满不确定性2。
这种“撕裂的时间线”不仅反映了研究者与产业家的不同关注点，也凸显了AGI定义本身的模糊性。是特定任务的超人能力，是通用领域的辅助增强，还是全方位的替代？这些分歧背后，是技术进步与人类社会如何共存的深层哲学思辨。
从“语言大师”到“行动智能体”：AI的具身化与产业重塑
当前AI的焦点正从语言理解与生成转向更深层次的“行动”和“具身智能”，预示着下一阶段的重大范式转变。
李飞飞率先指出，人类智能远不止于语言，更依赖于空间感知、推理、移动和动手能力。她观察到，即使是当前最强大的语言模型，在空间判断任务上表现依然薄弱。她的研究重点——空间智能，正是弥补这一缺陷的关键。她提醒我们，过度专注于“会说话的机器”，可能忽略了世界的三维本质，以及AI需要身体、方向感和执行能力才能真正融入现实。
Yann LeCun对现有大语言模型范式的局限性持清醒态度，认为它们离“真正的智能还很远”。他再次强调，AI的进步不仅是基础设施、数据和投资的堆砌，更是一个如何向下一代AI取得科学突破的问题。他推崇让机器像婴儿一样，通过观察和试错，从环境中进行自监督学习，而非依赖海量对话数据集，这指明了未来智能体发展的核心路径。
黄仁勋则将这一转变拉回商业现实。他认为AI已不只是对话工具，而是开始“接手工作”。从写代码、看病到做财务，AI正从“说”转向“干”。他将这种变化比喻为**从“软件工具”到“AI工厂”**的转变，即AI是一个能实时生成智能、持续输出的生产系统。他预估，需要数千亿美元投资建设这样的“AI工厂”，以支撑未来数万亿美元的AI驱动产业。这意味着AI的角色正在从被动响应的程序，升级为主动执行任务的生产力核心。
这种从“语言到行动”的范式转变，意味着未来的AI将不再局限于虚拟界面，而是将更深层次地融入物理世界和真实业务流程。智能体的崛起，将使AI成为具备自主规划、执行任务能力的强大实体，从而开启全新的应用场景和商业模式。
伦理考量与未来共生：AGI时代的社会契约
随着AGI从概念走向现实，其对社会、伦理和人类文明进程的影响成为无法回避的议题。这场对话中的部分先驱已将目光转向了这些深远的影响。
Yoshua Bengio从深度学习的前沿，转向了AI安全和伦理研究，这并非偶然。他意识到，如果机器的目标与人类不一致，可能带来巨大风险。这种**从“理解智能”到“约束智能”**的转变，体现了对技术双刃剑效应的深刻反思。他目前正联络国际专家，共同追踪AI进展、方向、潜在风险及应对之道，旨在为AGI时代构建一个负责任的治理框架2。
Bill Dally则强调了AI与人类共生互补的理想图景。他认为，AI并非为了取代或超越人类，而是为了**“增强人类”**。AI在擅长处理大数据、执行重复性任务、解决复杂计算问题方面，能极大弥补人类的不足，从而让人类可以释放精力，专注于那些机器难以替代的特质：创造力、共情、批判性思维和人际互动。这种以“人机协作”为核心的愿景，试图在技术洪流中重新锚定人类的价值和位置。
黄仁勋对“AI工厂”的描绘，不仅是商业洞察，更是对未来工作和社会经济结构的预判。当AI不再是工具而是实时生产智能的工厂时，它将改变我们几乎所有日常行为和工作流程。这将带来巨大的生产力提升，但也伴随着对就业市场、技能需求和财富分配的深层冲击。如何确保这种变革是普惠而非加剧不平等，如何设计新的社会保障体系和教育模式，以适应“AI工厂”时代的需求，将成为各国政府和社会的重大挑战。
AI的具身化（Embodied AI）和智能体的发展，也带来了新的伦理挑战。当机器能够感知、理解并主动行动时，其决策的透明度、责任归属、以及在物理世界中的安全性，都将是需要认真思考的问题。例如，自主系统在复杂环境中与人类互动时的道德判断，以及如何防止其被滥用或产生意外后果。
这场历史性的对话，并没有提供关于AGI的最终答案，但它清晰地描绘了AI从“未来”走向“现在”的演进路径。AGI的真正意义，不在于某一天突然诞生的“产品”，而在于它正在以技术、商业、社会、哲学等多维度渗透进我们生活的方方面面。正如主持人所言，一年后，世界可能已然不同。我们正处在历史性的转折点，需要以系统性思维、批判性视角和人文关怀，共同塑造这个由AI重塑的未来。