AGI 路线图
从 Bit 到 AGI · 第十二章 · 缩放、Agent、多模态与具身——拼图如何拼，以及 2026 仍缺什么
「AGI」在媒体里是倒计时，在实验室里是没有统一 operational definition 的标签。作为工程师，更有用的是一张能力拼图路线图：哪些块已工程化、哪些块只有 demo、哪些块缺科学而不仅是缺算力。本章前文各篇是块；本篇说明如何拼、拼完仍不是什么。
直觉
把 AGI 想成「能胜任绝大多数 economically valuable 认知工作」的系统（常见 operational 定义之一，仍争议）。2026 进展路径大致五层：
不是严格「等级通关」——各层并行推进；L4→L5 的 gap 被认为大于 L1→L2（qualitative 争议，无证明）。
定义
AGI（Artificial General Intelligence）无单一定义。评测常用代理指标（每个都有漏洞）：
| 指标 | 测什么 | 2026 强模型量级 | 距「人类一般劳动者」 |
|---|---|---|---|
| MMLU / GPQA | 学科问答 | ~85–90% / ~50–70% | 选择题 ≠ 工作 |
| SWE-bench Verified | 修真实 GitHub issue | ~40–55% | 需环境、测试、多文件 |
| ARC-AGI | 抽象推理网格 | ~30–85%（随集变） | 专门 benchmark，可过拟合 |
| WebArena | 多步 Web 任务 | ~30–45% | 远低于白领日常 |
| 机器人开放家务 | 真实物理 | 无 credible 百分比 | 演示 ≠ 产品 |
路线图共识（研究/工业界，非承诺）：
- 继续 scale 预训练 + 推理时 compute（test-time compute，如 o 系列）
- Multimodal 统一 token 化（文本/图/音/视频）
- Agent 栈：Memory + Tool + MCP + eval
- World Model + Robotics 闭环数据 flywheel
- Alignment 随能力 scaling（见下一篇）
例子
例 1：Scaling Laws 外推的边界
第五章 缩放定律：loss ↓ 随 compute/data/parameters 幂律下降。但：
- 数据可能 2027 附近 touch 高质量文本 ceiling（估计 10¹³–10¹⁴ token 量级已部分重复）
- Benchmark 饱和 ≠ 真实任务饱和（Goodhart）
- 推理 compute 换 intelligence 也有 diminishing returns
粗算：GPT-4 级训练 ~10²⁵ FLOPs；若 AGI 需 10²⁷–10²⁸ FLOPs（纯猜测），是 100–1000×——可行但非「再训一次就完」。
例 2：Agent 路线图时间线（能力，非日历）
| 阶段 | 特征 | 瓶颈 |
|---|---|---|
| A | 单工具、短链 | schema 设计 |
| B | 多工具 + RAG | 检索 + 多步 |
| C | Computer Use + 人审 | 延迟、成功率 |
| D | 自主 8h 知识工作 | 目标漂移、责任、eval |
| E | 物理 + 数字统一 | 数据、安全、法规 |
2026 产品在 A–C，D–E 未验证。
例 3：缺的不是「再一个大模型」
- 持续学习在线更新权重而不 catastrophic forgetting
- 可验证推理（形式化、程序正确性）
- 真实经济 eval（非 leaderboard gaming）
- 社会/legal 主体与责任链
量化
- 人类认知任务宽度：O*NET 列 ~800+ 职业任务类型；当前 Agent 无全面通过率数据
- Autonomy horizon：可靠自主时长以分钟计（Computer Use demo）；人类岗位以小时～月计
- 双曲线 hype vs 线性工程：benchmark +5%/年 vs 产品「完全替代岗位」叙事——数量级错位
「Bit 到 AGI」本书路径：Bit → 训练 → 推理 → 工程 → Agent/具身。走完技术栈后应明白：AGI 不是单一发布事件，而是多能力乘积；任一块接近 0 则整体接近 0。
常见误区
- 「GPT-N 发布 = AGI」——每代提升集中在 measurable bench；未测能力可能仍为零（如可靠 self-correction 数天项目）。
- 「开源追上闭源 = AGI 民主化」——权重开放 ≠ 安全、≠ 算力、≠ 数据 flywheel（尤其机器人）。
- 「超级对齐先解决再 scale」 vs 「scale 再对齐」——工业界多后者；无实验共识哪条对。
动手试一试
选一个你日常真实任务（如「给仓库提 PR 修 bug + 写 release note + 回复 review」），分解子步骤数 、需工具数 、允许错误率 。
粗估成功率 （过于悲观但说明问题）。与 SWE-bench 单 issue 对比——理解 roadmap 缺的是系统集成与 eval，不只是 IQ 分数。
深入：Test-time compute 与「思考更长」
OpenAI o1/o3、DeepSeek-R1 等 推理时扩展：采样多条 chain-of-thought，选高 reward 路径。Inference FLOPs 从 1× → 10–100×，换 MATH/GPQA 上 10–30 百分点提升——不自动转化为 Web Agent 成功率，因瓶颈常在 tool 与环境而非单步 IQ。
路线图 implication：训练 scale 与 test-time compute 与 Agent 工程 三条线独立投资；只堆一条会出现「博士级做题、实习生级办事」。
经济视角：哪些工作先被 augment
| 类别 | 自动化难度 | 原因 |
|---|---|---|
| L1 客服脚本 | 中 | 已有 chatbot；复杂 escalation 仍需人 |
| L2 代码补全 | 中高 | Copilot 已 augment；全自主 PR 未达标 |
| L3 白领 multi-app | 高 | Computer Use 成功率低 |
| L4 物理操作 | 很高 | 数据 + 安全 + 法规 |
Augment（人+AI）先于 Automate（无人）是 2026 产品现实；AGI 叙事常混淆二者。
时间线为什么不写日历
媒体常写「2027 AGI」——无科学基础。Scaling law 外推在数据耗尽、benchmark 饱和处失效；监管可能冻结某些部署；黑天鹅（新架构、算法突破）不可 schedule。负责任路线图谈 capability milestones（「Computer Use 在 WebArena >60%」）而非 日期。你作为工程师，应用 eval 门槛 驱动采购：模型升级必须过内部 task suite，而非追发布会。
OpenAI、Anthropic、Google DeepMind 对 AGI 的内部定义互不公开；不要把 vendor marketing 与 operational milestone 混为一谈。你的团队应维护 10–50 个 代表真实业务的 private eval case——这比任何公开 leaderboard 更能预测「能不能上线」。
最后提醒：AGI 不是本手册的终点线。即便所有 benchmark 饱和，仍可能有整类认知工作依赖 institutional context、 bodily presence 或 legal personhood——技术路线图覆盖不全。保持 humility 与 eval 驱动，比押注发布日期更专业。
小结
AGI 路线图 = Scale + 多模态 + Agent + World Model/具身 + 对齐 五线并行；2026 商用处于 Agent 早期，物理与经济泛化无验收。下一篇：能力越强，对齐与安全越不能后置。
→ 下一篇：安全与对齐