汽车行业AI系列深度：AGI定义分歧、能力阶梯与产业映射路径

AGI定义的四类锚点与底层分歧

通用人工智能（AGI）通常被理解为具备跨领域通用能力、能像人一样学习并解决新问题的系统，但"通用"与"人类水平"至今缺乏统一的可量化判定标准。全球主流机构对AGI的理解大致落在四类锚点上：以OpenAI、麦肯锡为代表的经济价值口径，关注AI能否替代多数有经济价值的工作；以DeepMind为代表的能力分级口径，从性能与通用性两个维度进行分级刻画；以Chollet/ARC为代表的技能获取效率口径，强调在陌生任务上快速学会而非堆叠已有技能；以LeCun、李飞飞等为代表的世界理解口径，认为没有世界模型、缺乏空间与因果的系统不算真正通用。越靠近"结果/经济价值"，越容易宣布接近AGI；越靠近"机制/世界理解"，门槛越高、越难达标。这正是同一进展可被乐观者称为"前夜"、被审慎者判为"尚在山脚"的根本原因。

全球机构判断：AGI是一条能力阶梯而非单一时点

全球主要AI公司、实验室与科研机构对AGI的判断，可按公开立场归为四类阵营：激进（近端）、审慎（远端）、务实（应用）、具身（物理）。OpenAI于2024年中公布的五级路线图以经济价值和自主程度为主轴，从对话者、推理者、智能体、创新者走向组织级AI，当前正处于L2向L3过渡；DeepMind于2023年提出的《Levels of AGI》则以性能×通用性二维刻画，从L0到L5衡量能力层级，当前模型仅处于"新兴AGI"，距"胜任级通用AGI"仍有明显距离。前者直观、便于映射商业化进度，后者更审慎、便于学术比较。Anthropic提出"强大AI"概念，认为将强于诺奖得主；Meta/LeCun反对AGI提法，认为须建立在世界模型之上；xAI/马斯克以"超越最聪明人类"为标志；SSI/Ilya认为规模化时代结束、研究时代开启；微软/Suleyman主张"人本超级智能"，强调可控不自主。

通往AGI的技术路径与三大分歧

已公开的分级框架绝大多数是"能力/安全/落地成熟度"的等级阶梯，回答"能力到了什么程度"；业内尚未对"用什么底层技术、按什么顺序实现AGI"的完整技术进化路径形成共识。各方押注的技术路径包括：训练时规模化、测试时计算与强化学习、新架构与学习目标、世界模型与具身、神经符号与可解释、自我改进/开放式进化，以及智能体系统/编排层。分歧的核心在于"现有范式能否外推"：激进阵营认为规模化叠加推理可外推到AGI；审慎阵营认为现有大模型缺世界模型与因果，规模再大也难跨越"理解"鸿沟；务实阵营重应用落地、对时间表保持克制；具身阵营主张智能须在物理世界习得。三者并非简单对错，而是对"范式能否外推、用什么衡量、智能如何定义"给出不同回答。

AGI衡量：新基准涌现，统一标准仍缺位

衡量AGI本身仍是有大分歧、甚至可能没有客观答案的难题，主要困难包括基准饱和、Goodhart定律、数据污染与依赖自报四重挑战。传统基准趋于饱和，ARC-AGI、METR、GDPval、DeepMind L0-L5等新标尺各自测量推理、任务时长、经济活动或能力层级。ARC-AGI已被Anthropic、Google、OpenAI、xAI四家写进模型卡，但受限与不受限条件下成绩差异显著。GPQA、HLE、FrontierMath、SWE-bench、GDPval等基准各有侧重，大厂旗舰模型卡实际报告的"行业标准套装"仍在快速演变。这些标尺尚未收敛为统一标准——"如何衡量AGI"本身仍是开放问题，也是判断"是否到达AGI"的根本障碍之一。

经济影响测算：口径决定价值判断

AGI经济价值的测算方法差异显著。用例增加值法自下而上估算生成式AI每年可新增数万亿美元增加值，约四分之三集中于客户运营、营销、软件工程、研发四大职能；职业/任务暴露法回答"多少工作被触及"，显示约八成美国劳动力至少部分任务受影响；宏观task-based法更为审慎，认为未来十年AI对GDP拉动约一个百分点，比乐观估算低约一个数量级；行业咨询综合法估算到2030年AI可为全球经济贡献约十余万亿美元；全自动化增长模型则指向"爆发式"跃升情景，但高度依赖瓶颈假设。差异根源在于测的对象不同——是"现有生成式AI的渐进影响"还是"AGI全自动化带来的跃变影响"，以及关键假设不同，包括自动化完整度、实体世界与监管瓶颈、被替代劳动力的再配置速度。

风险治理：审慎派与加速派并存

围绕AI/AGI的风险，业界存在两类对立鲜明的立场。审慎/风险派以Hinton、Bengio、Stuart Russell为代表，认为AI可能带来失控乃至生存性风险，前沿模型已显现欺骗、作弊、黑客等危险能力，主张转向"可证明有益"的AI，并已采取离开谷歌发声、主持《国际AI安全报告》、创立CHAI与IASEAI、推行负责任扩展政策等措施。淡化/加速派以LeCun、吴恩达、Andreessen为代表，认为生存性风险被夸大、当前AI并无自主意志，过度监管会扼杀创新，力推开源、反对牌照式监管。中间/务实路线以微软Suleyman及多数政府为代表，主张"人本超级智能、可控不自主"，走"分级—透明—评测"的折中路线。两类立场的分歧在于对"风险概率与时点"的判断不同，以及在"监管vs开源/创新"之间的权衡取向不同。

产业映射：数字AI底座与物理AI增量

短期更可观察的是高价值职能渗透和推理、智能体、具身智能等工程化拐点；中长期需跟踪测试时计算、强化学习、世界模型、机器人等路径能否跨越当前可验证任务边界。数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，应重点关注。