花5萬元買一款A(yù)I產(chǎn)品的內(nèi)測(cè)邀請(qǐng)碼，你愿意嗎？

3月6日凌晨，國內(nèi)大模型團(tuán)隊(duì)Monica發(fā)布“全球首款通用智能體”——Manus，可以輕松完成一些復(fù)雜任務(wù)，例如把文檔按照需要改成PPT，根據(jù)用戶需求篩選壓縮包里的簡(jiǎn)歷等。消息一出，當(dāng)天A股AI智能體領(lǐng)域大漲。很快，其內(nèi)測(cè)碼在二手交易平臺(tái)上一度從幾十元被炒至數(shù)萬元。

Manus不再局限于單一任務(wù)，而是能夠理解復(fù)雜指令、自主學(xué)習(xí)、跨領(lǐng)域協(xié)同，真正像人一樣思考和行動(dòng)。人們意識(shí)到，智能體也許是目前“看上去最像通用人工智能（AGI）”的產(chǎn)品之一。

過去一年，人們看到了Sora、Germini、GPT-4o等大模型的問世，國產(chǎn)大模型也在技術(shù)水平上不斷接近國際水準(zhǔn)。DeepSeek-R1以低算力實(shí)現(xiàn)了美國OpenAI公司大模型GPT o1的能力，馬斯克創(chuàng)立的xAI公司之后又發(fā)布了新一代大模型Grok3。隨著大模型的推理、計(jì)算和適應(yīng)能力被不斷刷新，AI朝著類人智能的方向加速演進(jìn)。

然而，業(yè)界普遍認(rèn)為，AGI的具體內(nèi)涵和實(shí)現(xiàn)路徑仍然模糊。智能體能否帶領(lǐng)我們走上AGI的道路？屬于AGI的“DeepSeek時(shí)刻”何時(shí)到來？

樣貌模糊的AGI

“如果你有足夠的錢購買足夠的算力，你現(xiàn)在就可以擁有AGI?！?/p>

這是人工智能安全研究者、美國路易斯維爾大學(xué)網(wǎng)絡(luò)安全實(shí)驗(yàn)室主任羅曼·揚(yáng)波爾斯基的觀點(diǎn)。去年接受美國“商業(yè)內(nèi)幕”網(wǎng)站采訪時(shí)他表示，ChatGPT-4在上百個(gè)領(lǐng)域的表現(xiàn)比人類更優(yōu)秀，可以狹義地認(rèn)為目前已經(jīng)擁有了AGI。

但ChatGPT-4這樣的智能系統(tǒng)顯然還未達(dá)到人們構(gòu)想中AGI的標(biāo)準(zhǔn)。今年2月，OpenAI CEO薩姆·奧爾特曼發(fā)文，對(duì)AGI定義作了闡述：AGI是一種能在多個(gè)領(lǐng)域以人類水平解決復(fù)雜問題的AI系統(tǒng)。OpenAI追求“在大多數(shù)經(jīng)濟(jì)價(jià)值工作中超越人類的高度自主系統(tǒng)”。DeepSeek也將“在AGI的征程上深度求索”作為最終目標(biāo)。

當(dāng)下，人們能看到通往AGI路上的階段性產(chǎn)物，包括ChatGPT系列、DeepSeek-R1等在內(nèi)的大語言模型，它們旨在處理人類語言文本相關(guān)任務(wù)。如果把輸入和輸出的內(nèi)容從文本拓展到音畫和視頻，多模態(tài)大模型便應(yīng)運(yùn)而生。OpenAI的文生視頻模型Sora、快手可靈AI等應(yīng)用都屬于此類。現(xiàn)在，人們已可以用這些應(yīng)用生成電影級(jí)的畫面。

美國哈佛大學(xué)工程與應(yīng)用科學(xué)學(xué)院教授斯圖爾特·希伯是自然語言處理領(lǐng)域的專家。他在給《中國新聞周刊》的回復(fù)中稱，從定義上講，AGI 應(yīng)在多領(lǐng)域都具備類似人類的認(rèn)知能力，然而，業(yè)界對(duì)于如何準(zhǔn)確描述 AGI 或衡量其進(jìn)展尚未達(dá)成共識(shí)，AGI的樣貌仍很模糊，因此也很難回答“我們走到哪一步了”這類問題。

能力迭代是目前業(yè)界認(rèn)為的“更重要的事”。清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系副教授、人工智能大模型企業(yè)面壁智能首席科學(xué)家劉知遠(yuǎn)對(duì)《中國新聞周刊》介紹，2017年Transformer架構(gòu)提出，大模型像一個(gè)小學(xué)生一樣，開始猛點(diǎn)“智力天賦”，開啟自監(jiān)督預(yù)訓(xùn)練，就像學(xué)習(xí)前的海量閱讀，這一階段得到的模型就像讀了很多書的“書呆子”，不懂如何應(yīng)用。

2021年，有監(jiān)督微調(diào)成為模型訓(xùn)練的主流，GPT系列模型依靠這一方法將模型智力提升到前所未有的地步。模型不僅學(xué)會(huì)了使用預(yù)訓(xùn)練知識(shí)回答用戶問題，并且還會(huì)拒絕回答“不良”問題。例如，用戶向月之暗面旗下國產(chǎn)大模型Kimi或DeepSeek詢問如何騷擾課堂秩序，得到的回答通常是“我無法協(xié)助你進(jìn)行這樣的行為”。

當(dāng)然，這也引發(fā)了一系列問題。模型訓(xùn)練時(shí)只學(xué)習(xí)某個(gè)特定答案，導(dǎo)致對(duì)知識(shí)應(yīng)用不夠靈活。同時(shí)，高質(zhì)量“帶有參考答案的題目”人工標(biāo)注成本十分高昂。

GPT-o1和DeepSeek-V3面世后，強(qiáng)化學(xué)習(xí)開始被人們熟知。強(qiáng)化學(xué)習(xí)情境下，人們不再給模型提供逐字的參考答案，而是讓模型參加“模擬考試”，模型會(huì)根據(jù)得分來不斷調(diào)整策略以逼近最佳答案。這為縮減訓(xùn)練算力提供了可能。DeepSeek-V3僅用557.6萬美元的成本，便實(shí)現(xiàn)了與全球頂尖閉源模型相媲美的性能，而GPT-4的訓(xùn)練成本超過1億美元。

劉知遠(yuǎn)認(rèn)為，目前，還沒有看到大模型的能力迭代的顯著瓶頸，2025年之后，大規(guī)模強(qiáng)化學(xué)習(xí)和探索學(xué)習(xí)將成為研發(fā)主流，致力于增強(qiáng)面向通用指令的推理能力。也就是說，未來大模型將能夠讀懂更精煉、包含更多任務(wù)需求的人類指令，并自行探索完成這些指令所需的路徑。

至于這樣的大模型能否跨過AGI的門檻，奧爾特曼指出，OpenAI設(shè)想中AGI系統(tǒng)可能依然會(huì)受到大量人類的監(jiān)督和指導(dǎo)，可能在一些領(lǐng)域表現(xiàn)出色，而在另一些領(lǐng)域不盡如人意，“AGI不會(huì)產(chǎn)生最偉大的新想法”。

希伯告訴《中國新聞周刊》，許多AI系統(tǒng)在執(zhí)行需要常識(shí)推理的任務(wù)時(shí)都遇到了困難，例如在加減時(shí)間時(shí)，由于無法判斷用戶給出數(shù)字的進(jìn)制，會(huì)得出“3點(diǎn)80分”這類荒謬結(jié)論。AGI愿景與現(xiàn)有技術(shù)能力之間的差距是一系列復(fù)雜的挑戰(zhàn)，需要?jiǎng)?chuàng)新突破，而不僅僅是對(duì)現(xiàn)有模型的擴(kuò)展。

幻覺、“煉丹”與算力

“幫我預(yù)訂這家餐廳今晚 7 點(diǎn)的位子?！?/p>

面對(duì)這樣的指令，大模型不僅需要理解人類意圖，明確任務(wù)目標(biāo)，還需要將任務(wù)分解成多個(gè)可執(zhí)行的步驟，比如在瀏覽器中搜索餐廳，選擇可預(yù)約的時(shí)間，以及完成預(yù)訂。涉及付款等重要操作時(shí)，還需主動(dòng)和用戶進(jìn)行確認(rèn)。

實(shí)現(xiàn)這種級(jí)別交互的應(yīng)用被稱作AI代理或者智能體（Agent）。今年1月，OpenAI發(fā)布智能體產(chǎn)品Operator，其核心功能便是自主任務(wù)執(zhí)行能力。用戶只需要告訴它一個(gè)模糊的任務(wù)目標(biāo)，智能體便可化身“AI打工人”，幫助拆解和完成任務(wù)。

智能體的結(jié)構(gòu)可視作現(xiàn)有大模型和各種應(yīng)用工具的結(jié)合。由于能以自然語言執(zhí)行復(fù)雜任務(wù)，極大解放人類精力，智能體近年受到研發(fā)青睞。Operator前，便已有游戲領(lǐng)域智能體英偉達(dá)Voyager、能夠幫助個(gè)人完成簡(jiǎn)單任務(wù)的助理 HyperWrite等智能體應(yīng)用出現(xiàn)。近日，OpenAI對(duì)媒體表示，其計(jì)劃很快推出一個(gè)“達(dá)到博士水平”的智能體，主要面向企業(yè)用戶的高端需求，尤其是金融、醫(yī)療、制造等數(shù)據(jù)密集型行業(yè)，每月收費(fèi)達(dá)2萬美元。

對(duì)于Manus來說，其口碑則在一天內(nèi)就經(jīng)歷了戲劇性的反轉(zhuǎn)。有測(cè)試者表示，測(cè)試期可能存在資源不足的問題，一個(gè)任務(wù)代理需要花費(fèi)數(shù)小時(shí)，也會(huì)出現(xiàn)錯(cuò)誤操作。上海某創(chuàng)投機(jī)構(gòu)的一位AI投資人向《中國新聞周刊》透露，Manus本質(zhì)上是一個(gè)較為成熟、操作性較強(qiáng)的智能體，不開源反而使用自媒體爆發(fā)式宣傳、邀請(qǐng)碼饑餓營銷等方式造勢(shì)，“很敗路人好感”。事實(shí)上，它仍基于底層大模型調(diào)用工具來實(shí)現(xiàn)每一個(gè)具體指令，也就是說，其在模型能力方面沒有突破，只是將若干工作流封裝起來形成了產(chǎn)品級(jí)的應(yīng)用。

多位受訪者指出，模型能力仍是AGI的基石，在大模型中沒解決的問題，智能體以及以后的AGI也繞不開。其中最顯著的當(dāng)數(shù)模型“幻覺”?；糜X是指大模型在缺乏真實(shí)依據(jù)的情況下，會(huì)生成錯(cuò)誤甚至完全虛構(gòu)的內(nèi)容。使用大語言模型時(shí)，除了前述的時(shí)間理解問題外，用戶還經(jīng)常會(huì)遇到大模型編造參考文獻(xiàn)、偽造數(shù)據(jù)的現(xiàn)象。多模態(tài)模型中則會(huì)出現(xiàn)視頻內(nèi)容明顯違反物理規(guī)律等問題。

“大語言模型傾向于編造一些東西，而且通常表現(xiàn)得信心滿滿?！泵绹糁蝸喞砉W(xué)院理論計(jì)算機(jī)科學(xué)學(xué)院教授桑托什·溫帕拉專注于AI幻覺研究，他向《中國新聞周刊》表示，各種大語言模型在參考文獻(xiàn)方面犯錯(cuò)的概率為30％—90％。目前幻覺產(chǎn)生的機(jī)理還不明晰，一個(gè)根本原因可能是，大語言模型通過壓縮數(shù)據(jù)來工作，在構(gòu)建數(shù)據(jù)之間的關(guān)系時(shí)必然會(huì)丟失一些信息，在重建時(shí)就可能因?yàn)槿鄙偌?xì)節(jié)而給出完全偏離主題的答案。

溫帕拉認(rèn)為，目前模型訓(xùn)練方法都采用一定的獎(jiǎng)懲機(jī)制，對(duì)某類正確答案給予獎(jiǎng)勵(lì)。這會(huì)導(dǎo)致模型有一種“過分討好人類”的氣質(zhì)，即使在問題非常模糊或者具備誘導(dǎo)性時(shí)，也給出“看上去完美但錯(cuò)誤”的答案。例如問 “我知道氦是宇宙中最輕、最豐富的元素，這是真的嗎？”，得到的回答為“是的”?！吨袊侣勚芸废騅imi1.5長思考模型提出相同的問題，回答也出現(xiàn)了矛盾：“是的，氦是宇宙中第二輕的元素，也是宇宙中含量第二豐富的元素，僅次于氫?！睖嘏晾J(rèn)為，這種討好式的幻覺會(huì)極大阻礙AI對(duì)科研的助力，因?yàn)槠浜芸赡軙?huì)盲目贊同研究者的結(jié)論。

目前，幻覺可以通過一些技術(shù)手段進(jìn)行限制，例如檢索增強(qiáng)生成技術(shù)。谷歌Gemini系統(tǒng)有一個(gè)“雙重檢查”的選項(xiàng)，可以將有爭(zhēng)議或不確定的內(nèi)容進(jìn)行突出顯示。在溫帕拉看來，這些都需要大量計(jì)算時(shí)間，而且難以杜絕幻覺，因?yàn)榛ヂ?lián)網(wǎng)上本就充斥著錯(cuò)誤事實(shí)。長遠(yuǎn)來看，AI幻覺可能具有兩面性，幻覺中可能涌現(xiàn)出全新的研究方向，因此目前研究者杜絕幻覺的動(dòng)機(jī)也不強(qiáng)。根據(jù)OpenAI統(tǒng)計(jì)，截至今年1月，GPT-3.5的幻覺率為3.5％，GPT-4為1.8％。

從用戶角度而言，想要獲得更準(zhǔn)確的結(jié)果，通常需要反復(fù)推敲提示詞，進(jìn)行多次詢問。這個(gè)過程就像“煉丹”，需要反復(fù)嘗試原料配比。劉知遠(yuǎn)表示，其所在的大模型企業(yè)面壁智能正在通過構(gòu)建小模型“風(fēng)洞”，來尋找最優(yōu)數(shù)據(jù)和參數(shù)配置，并外推至大模型，讓模型成長擺脫“煉丹”困境。

多模態(tài)模型中，這一問題更加凸顯。用戶在使用文生視頻模型時(shí)，有時(shí)需要采用大量十分考究的提示詞?？伸`AI大模型產(chǎn)品經(jīng)理陳馬克對(duì)《中國新聞周刊》表示，生成視頻對(duì)時(shí)間連貫性有很高的要求，物體運(yùn)動(dòng)、光照變化等細(xì)節(jié)都需要符合客觀規(guī)律，僅依靠文本描述往往難以準(zhǔn)確傳達(dá)他們的創(chuàng)作意圖。這導(dǎo)致視頻生成的隨機(jī)性高，用戶難以一次性獲得符合預(yù)期的生成結(jié)果。

陳馬克指出，一個(gè)核心解決思路是，通過多模態(tài)的用戶意圖輸入來提升視頻生成的可控性?？伸`團(tuán)隊(duì)在三維空間、運(yùn)動(dòng)軌跡、交互控制等多個(gè)控制方向上做了探索，通過更好地理解多模態(tài)用戶意圖，降低用戶反復(fù)“煉丹”的概率，逐步實(shí)現(xiàn)更加精確可控的AI 視頻創(chuàng)作過程。目前，可靈的用戶參與度與Sora相當(dāng)。根據(jù)谷歌去年12月發(fā)布的視頻模型Veo2的技術(shù)報(bào)告，可靈在測(cè)評(píng)中已超越Sora，成為Veo2最大的競(jìng)爭(zhēng)對(duì)手。

算力是AGI將要面臨的另一挑戰(zhàn)。劉知遠(yuǎn)認(rèn)為，目前大模型與AGI的差距除了能力，還有能效。大模型規(guī)模定律（Scaling Law）指出，模型參數(shù)訓(xùn)練規(guī)模越大，產(chǎn)生的智能能力越強(qiáng)。但進(jìn)入2025年，規(guī)模定律面臨訓(xùn)練數(shù)據(jù)和算力資源的可持續(xù)性問題。

微軟數(shù)據(jù)中心2023年做出預(yù)測(cè)，英偉達(dá)芯片H100 GPU峰值功耗為700瓦，按照61％的年利用率計(jì)算，相當(dāng)于一個(gè)美國家庭的平均功耗。2023年，英偉達(dá)售出超過50萬塊H100 GPU，價(jià)值數(shù)百億美元。以美國Meta公司大模型Llama-3為例，其需要1.6萬H100 GPU，目前已知最大規(guī)模并行計(jì)算集群為美國xAI公司的十萬張H100 GPU。劉知遠(yuǎn)預(yù)計(jì)，隨著大模型對(duì)計(jì)算資源的蠶食，這一并行計(jì)算的上限將很快被突破。

這也是DeepSeek的突破如此引人注目的原因。相比Llama-3，DeepSeek-V3時(shí)隔240天用近1/10的激活參數(shù)，實(shí)現(xiàn)相當(dāng)能力。劉知遠(yuǎn)認(rèn)為，類比半導(dǎo)體行業(yè)，目前的工藝是提升芯片電路密度而非芯片尺寸，致力于實(shí)現(xiàn)計(jì)算設(shè)備小型化。相應(yīng)地，目前大模型能效也隨時(shí)間呈指數(shù)級(jí)增強(qiáng)，研發(fā)者都希望用更少參數(shù)實(shí)現(xiàn)更高的智能水平。相同模型能力前提下，從2023年起，模型參數(shù)量每100天下降一半，模型推理速度提升一倍。

2030，或者更久

AGI對(duì)算力等基礎(chǔ)設(shè)施的需求是巨大的。在希伯看來，當(dāng)前的AI應(yīng)用，例如自動(dòng)駕駛汽車，已嚴(yán)重依賴GPU性能。要實(shí)現(xiàn)AGI，可能需要在量子計(jì)算或其他尚未實(shí)現(xiàn)的創(chuàng)新領(lǐng)域取得突破。

去年12月，國內(nèi)芯片公司國芯科技的高性能量子安全芯片內(nèi)測(cè)成功，國芯科技可能成為國內(nèi)首批實(shí)現(xiàn)該領(lǐng)域商業(yè)化的企業(yè)之一，有望切入數(shù)據(jù)中心、云計(jì)算平臺(tái)等高價(jià)值場(chǎng)景。今年2月，微軟和亞馬遜接連發(fā)布了其最新量子計(jì)算芯片，后者據(jù)稱可降低九成量子誤差的糾錯(cuò)成本，有助于做出更小、更可靠且成本更低的量子計(jì)算機(jī)。

但這些突破接入AI 領(lǐng)域還有較長的過程。溫帕拉認(rèn)為，AGI變得可行之前，還要解決模型泛化和實(shí)時(shí)處理等問題，前者影響通用性，后者則與使用體驗(yàn)直接掛鉤。目前的大模型還顯得“專一和遲鈍”了些。此外，長思維鏈技術(shù)的出現(xiàn)，讓用戶能夠只通過點(diǎn)擊“深度思考”按鈕就看到模型的推理過程。模型的深度思考成為可能，但冗長的思考過程對(duì)于用戶并不友好，目前有團(tuán)隊(duì)正在研發(fā)在“潛意識(shí)空間”中思考的模型，讓深度思考在神經(jīng)網(wǎng)絡(luò)中完成，不被用戶所見，從而更貼近AGI的觀感。

語言模型之外，研發(fā)者也在從其他角度逼近AGI的最終答案。具身智能便是其中之一。理論上，智能行為可以直接從機(jī)器與環(huán)境的簡(jiǎn)單物理交互中產(chǎn)生，無須復(fù)雜的算法。具身智能不只是“AI+機(jī)器人”。溫帕拉介紹，人類由語言表達(dá)出的智能僅占一小部分，具身智能獲取智能的方式更接近于人類，例如通過五感獲知環(huán)境信息并作出決策、形成本能。從這一角度上說，具身智能更接近人們對(duì)AGI的終極想象。但具身智能目前也面臨學(xué)習(xí)效率低下、學(xué)習(xí)能力不完備等問題。

硅基瞳孔

在數(shù)據(jù)荒原解碼黎明

幻覺如藤蔓攀附

算法的繭房

量子蝴蝶扇動(dòng)

二十三次冪的震顫

預(yù)言家在2030年的晨霧里

同時(shí)指認(rèn)著終點(diǎn)與起點(diǎn)

（此詩由DeepSeek結(jié)合本文內(nèi)容創(chuàng)作）

2024年，具身智能領(lǐng)域掀起了融資熱潮。Physical Intelligence、Skild AI等北美機(jī)器人基礎(chǔ)模型公司都籌得上億美元融資，其中最引人矚目的是OpenAI的66億美元融資。中國市場(chǎng)上，僅2024年前三季度，人形機(jī)器人領(lǐng)域就已完成55起融資，較2023年同期增加21起。今年1月，國內(nèi)具身智能企業(yè)傅利葉智能完成近8億元E輪融資。多位業(yè)內(nèi)人士分析，具身智能的熱潮還將持續(xù)。

AGI的關(guān)鍵目標(biāo)是實(shí)現(xiàn)AI對(duì)世界的認(rèn)知和交流，大世界模型為此另辟蹊徑。2024年3月，美國國家工程院院士、斯坦福大學(xué)教授李飛飛建立初創(chuàng)公司“世界實(shí)驗(yàn)室”，目標(biāo)直指大世界模型，她稱其為“空間智能”。早期演示內(nèi)容中，該公司展示了基礎(chǔ)模型，AI能夠提取給定圖片或文字中的物體，還原出完整的三維空間，比如《哈利·波特》中描繪的對(duì)角巷。僅靠這樣的演示內(nèi)容，該公司已拿到超2.3億美元投資，估值很快超過10億美元。

希伯指出，AGI將對(duì)社會(huì)產(chǎn)生深遠(yuǎn)影響，社會(huì)經(jīng)濟(jì)結(jié)構(gòu)或許正處于重大轉(zhuǎn)變的邊緣。自動(dòng)化會(huì)帶來失業(yè)的擔(dān)憂，尤其在需要類人推理和決策的領(lǐng)域，勞動(dòng)力將重新分配。AGI帶來的利益也會(huì)分配不均。隨著各國爭(zhēng)奪AGI霸權(quán)，國際合作和全面監(jiān)管框架的出臺(tái)迫在眉睫，圍繞AGI道德倫理的討論還很不足。

AGI形態(tài)未定、道阻且長，對(duì)AGI降臨時(shí)間點(diǎn)的預(yù)測(cè)也顯得撲朔。劉知遠(yuǎn)傾向于根據(jù)前述能效演變規(guī)律來預(yù)測(cè)AGI的發(fā)展。他認(rèn)為，芯片能力在1940年到2020年的80年間，經(jīng)歷了50多個(gè)倍增周期，能力拓展了千萬億倍。而在智能領(lǐng)域?qū)崿F(xiàn)相同尺度的躍升，以100天的倍增周期來看，只需要13年。因此到2030年左右，就能窺見AGI的大致樣貌。

奧爾特曼則更樂觀，認(rèn)為今年就能看到首批人工智能代理進(jìn)入勞動(dòng)力市場(chǎng)。他將AGI視作人類歷史的一個(gè)新階段。馬斯克預(yù)計(jì)，2026年之前可以開發(fā)出比最聰明的人更聰明的人工智能。而希伯和溫帕拉則表達(dá)了質(zhì)疑，認(rèn)為當(dāng)前AI在推理能力等基本任務(wù)上仍存在持續(xù)的缺陷，并且未來研發(fā)還可能遭遇未知的困難，就像大模型遭遇幻覺一樣。這一期限也許是數(shù)十年。

劉知遠(yuǎn)指出，無論從AI技術(shù)的哪個(gè)分支來看，邁向AGI核心任務(wù)都是拓展技能樹，算法的創(chuàng)新和演進(jìn)遠(yuǎn)未收斂。錯(cuò)誤地假設(shè)技術(shù)收斂、停止算法創(chuàng)新轉(zhuǎn)入應(yīng)用研發(fā)，將受到未來AI技能躍升的降維打擊。