9月3日，OpenAI总裁格雷格·布罗克曼在发布新模型GPT-6 Astra时宣称“欢迎来到AGI时代”。三天后，英伟达CEO黄仁勋在社交平台进一步表态称“从ChatGPT到o1，再到GPT-6 Astra，只用了四年。AGI已经到来”。这一系列表态迅速将“AGI是否已实现”推向行业讨论中心，但围绕AGI的定义与评测标准，业界并未形成共识。
GPT-6 Astra最引人注目的成绩是在ARC-AGI-3评测中获得99.9％的得分。ARC-AGI评测与常规测试不同，它不直接告知模型规则，而是将模型置于陌生环境中，要求其自行判断目标、理解反馈并找到解决方案，旨在衡量模型面对未见问题时的现场学习能力。然而，这一高分存在常被省略的前提：在ARC Prize统一提供的标准测试框架中，GPT-6 Astra得分为62.7％；接入OpenAI提供的专用适配框架后，得分才升至99.9％。后者允许模型保留跨请求的隐藏推理状态，并利用上下文压缩延续探索经验。
这一差异引发了对评测结果解读方式的讨论。62.7％更接近单个模型的能力，99.9％测量的则是一套经过专门优化的完整系统。两项成绩均为真实数据，但不能混为一谈，更不能将99.9％的测试得分直接等同于“99.9％的AGI”。GPT-6 Astra在其他评测中的表现同样呈现不均衡特征：在高难数学测试FrontierMath Tier 4上达到97.6％，在计算机操作测试OSWorld 2.0上得到72.6％；但在更接近真实办公流程的AutomationBench上降至41.4％，在复杂专业任务测试Agents’ Last Exam上也仅为59.3％。这些数据显示，当任务规则清晰、答案可验证时，Astra已能逼近甚至超过人类水平；一旦进入流程冗长、目标模糊的现实环境，其表现仍存在明显短板。
AGI概念至今缺乏统一定义。OpenAI采用经济导向的定义，其在2018年发布的公司章程中将AGI描述为“在大多数具有经济价值的工作上超越人类的高度自主系统”，包含覆盖广泛工作、表现超过人类、高度自主运行三个关键条件，意识与情感未被列为必要条件。这一标准与OpenAI近年产品路线高度契合，推理模型、智能体及Codex等产品均指向同一目标：让AI承担更完整的工作，并将模型能力转化为可规模化部署的生产力。
Anthropic对AGI的处理方式更为谨慎。CEO达里奥·阿莫迪认为该词承载了过多模糊含义，更常使用“强大的AI”表述。在2024年10月发表的《Machines of Loving Grace》中，阿莫迪描述了一类具体系统：在多数重要领域达到或超过顶尖专家水平，能够独立完成持续数小时至数周的任务，并可复制成数百万个实例同时工作。基于能力、自主性和复制规模三个变量，Anthropic将能力扩展与风险治理绑定，其战略重点为保持前沿模型竞争力的同时，让安全保障随能力等级同步升级。
Google DeepMind则聚焦AGI的测量标准。其2023年发布的《Levels of AGI》文章以“性能”和“通用性”为主轴，将通用智能划分为“新兴”“胜任”“专家”“大师”和“超人类”五个等级，并将自主性作为独立维度。2026年3月，DeepMind进一步发布认知分类框架，将通用智能拆分为感知、生成、注意力、学习、记忆、推理、元认知、执行功能、问题解决和社会认知十个维度，评估流程使用未公开测试集及具有代表性的人类样本。DeepMind还与Kaggle设立20万美元奖金，为评测较薄弱的维度征集测试方案。
AGI定义的差异不仅是概念问题，更直接影响各公司的产品路线、资源配置与安全重点。采用什么标准，就会把什么能力视为关键进展；把什么能力视为关键进展，就会决定后续的研发方向。“GPT-6 Astra就是AGI”与“我们进入了AGI时代”是两种不同性质的表达：前者是可被质疑和检验的技术结论，需要说明采用的定义、满足的条件及独立验证结果；后者则更接近一种时代判断，制造了历史时刻感，同时保留了充分的解释空间。对模型公司及AI产业链而言，“AGI”已成为一种强大的产品叙事——模型能力的真实进步通常是零散而不均匀的，准确描述这些变化需要一长串评测、条件和限定语，而“AGI”一词恰好提供了简化表达的可能。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
