在OpenAI与微软曝光的神秘协议里，，，，，，这把尺子是财务报表——开发出能爆发至少1000亿美元利润的AI系统就算AGI。。。。。而在黄仁勋嘴里，，，，，，这把尺子是时间——五年内必现；；；马斯克更是一再放出“明年告竣”的预言。。。。。 行业大佬们各说各话，，，，，，泉源不在于谁在说谎，，，，，，而在于AGI这个看法自己，，，，，，基础就没有一把公认的尺子。。。。。正如AGI研究领域中一位有自力思索的研究者Bennett在论文中所说，，，，，，AGI已被炒作和推测还原成了“罗夏墨迹测试”——每小我私家看到的只是自己心里的想象，，，，，，而非客观事实；；；而圣塔菲研究所科学家Melanie Mitchell也以为，，，，，，这场辩说只能通过恒久的科学研究来厘清。。。。。（附论文地点：https://arxiv.org/pdf/2503.23923） 他指出，，，，，，前人的界说绕来绕去，，，，，，依然在跟“受过教育的成年人”较量。。。。。Bennett接纳了学者Pei Wang对智能的界说——将智能视为有限资源下的顺应能力——从基础上跳出了“像人”的框架，，，，，，并将AGI界说为一种“人工科学家”。。。。。 他提出，，，，，，真正的AGI应当是一个能在盘算、影象和能量等现实约束下，，，，，，像人类科学家一样普遍、高效且科学地顺应新情形和使命的系统。。。。。 为什么急需一把新尺子？？？？？？由于旧尺子——图灵测试和人类基准测试——已经被大模子刷爆了，，，，，，但我们却离真正的通用智能越来越远。。。。。 2025年，，，，，，若是你问一个顶尖大模子“9.11和9.9哪个大”，，，，，，它依然可能信誓旦旦地告诉你9.11大，，，，，，由于11大于9。。。。。在解决重大的数学不等式证实时，，，，，，大模子即便蒙对了谜底，，，，，，推理历程也往往是逻辑瓦解的。。。。。 Bennett一针见血地指出了病因：目今的大模子走的是“规模最大化的近似”蹊径——用海量数据和算力，，，，，，把种种使命的近似谜底提前保存网络权重里。。。。。一旦遇到没见过的漫衍外问题，，，，，，就连忙露馅。。。。。 更致命的是，，，，，，大模子没有“自动能力”。。。。。它无法自动做实验验证意料，，，，，，无法自主构建因果链条，，，，，，更无法在“继续探索”与“使用已知”之间做权衡。。。。。 回到9.11和9.9的较量——大模子不是不会算术，，，，，，而是它基础没有建设关于数字较量的因果模子。。。。。它只是在用概率去猜谁人它见过的、最靠近的文本片断。。。。。 今天的AI是彻头彻尾的被动学习者，，，，，，只能“看”人类喂给它的数据。。。。。但科学家不是，，，，，，若是一个科学家被锁在一个生疏房间里，，，，，，他绝不会站在原地等信息，，，，，，而是会去推门、拉把手、检查窗户——这就是“自动实验”。。。。。真正的AGI，，，，，，必需能自主妄想实验，，，，，，通过自动交互获取要害信息。。。。。 这是目今AI最大的短板。。。。。大模子是极端的“相关性学习器”，，，，，，它知道“下雨”常陪同“地湿”，，，，，，但不知道是谁导致了谁。。。。。只有明确了因果，，，，，，才明确在晴空万里但地面湿润时，，，，，，推断出是洒水车经由而非即将下雨。。。。。没有因果明确，，，，，，AI永远只能在训练数据的漫衍内打转，，，，，，这与“通用”绝不相关。。。。。 若是只探索倒运用，，，，，，掌握再多知识也解决不了眼前问题；；；若是只使用不探索，，，，，，情形一变就一筹莫展。。。。。AGI必需在资源受限下动态平衡这对矛盾——知道自己不知道什么，，，，，，并据此分派算力。。。。。 别的，，，，，，Bennett还加入了一个极具现实感的维度：能量限制。。。。。把“能量”写进界说，，，，，，意味着他划清了一条底线：真正的智能不是拥有无限资源，，，，，，而是在有限资源下优雅地顺应。。。。。需要消耗一座核电站才华解决新问题的AI，，，，，，只是腾贵的盘算器，，，，，，不是AGI。。。。。 Simp-maxing（简朴性最大化）：追求模子结构的极致精练，，，，，，信仰奥卡姆剃刀。。。。。但简朴性是形式的属性而非功效的属性——差别图灵机下的“最简”可能完全差别，，，，，，使其难以挣脱主观性陷阱。。。。。 W-maxing（约束弱化最大化）：尽可能弱化功效约束，，，，，，让系统自行寻找最优解。。。。。实验批注，，，，，，仅W-maxing就能在特定使命上实现110%-500%的泛化率提升，，，，，，但它需要搜索无限的硬件形态空间，，，，，，优化难度极高。。。。。 评判标准将彻底改变。。。。。我们不再需要看大模子在人类考试排行榜上又超了几多分，，，，，，而是建设一套“顺应性基准”：把AI扔进一个从未见过的物理情形，，，，，，看它能否在有限交互内发明纪律；；；给它一个新游戏，，，，，，看它能否比人类更快明确规则；；；甚至让它去解决真实的科学问题，，，，，，看它能否自主提出假说并设计实验验证。。。。。焦点不再是“你知道几多”，，，，，，而是“你能发明几多”。。。。。 手艺蹊径也将随之转向。。。。。纯粹的Scaling Law很快会触顶，，，，，，由于被动吸收的数据喂不出因果性。。。。。搜索与近似、规模最大化与约束弱化——AGI的告竣必定是多种工具和元要领的融合，，，，，，而非简单蹊径的延伸。。。。。 Bennett的论文之以是主要，，，，，，不是由于他给出了AGI的最终谜底，，，，，，而是他把这面名为“智能”的模糊镜子擦清洁了一角。。。。。他让我们看到，，，，，，AGI的实现不是大模子的线性迭代，，，，，，而是一次蹊径重置。。。。。 AGI究竟该是什么样？？？？？？谜底不在那些越来越像人的对话，，，，，，而在那些能够自动追问“为什么”、并亲手去验证谜底的能力中。。。。。当AI真正走出“罗夏墨迹测试”的迷雾，，，，，，它将不再只是模拟人类的样子，，，，，，而是拥有科学家的精神。。。。。(本文首发钛媒体APP，，，，，，作者 | 硅谷tech news，，，，，，编辑 | 赵虹宇)