汽车行业深度报告：AI系列深度02期：AGI是什么

增持（维持）nAGI的核心研究问题，是如何定义、代表的经济价值口径，以DeepMind为代表的能力分级口径，以调世界理解与具身交互的口径。不同定义并非简单对错，而是回答“智能以结果、能力、学习效率还是世界模型为准”的不同问题。维刻画，从L0到L5衡量能力层级。前者直观、便于映射商业化进度，huangxl@公布》 4 5 6 6 8 9 9 11 5 6表3：全球主要机构已公开的AGI 7 9 9 通用性两维度打分（如DeepMind的L0–L5分级体系）；其三“技能获取效率”，强调“在陌生任务上快速学会”而非堆叠已有技能（如Chollet的A等学者为代表）。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。表1：全球主要机构对AGI的理解谱系机构/代表类别对AGI的独特理解/提法锚点DeepMind，Morris等，AnthropicAmodei前沿实验室实验室/学术前沿实验室在多数有经济价值工作上超越人类的高度自主系统按性能×通用性分级的能力本体，L0–L5，“强大AI”：多领域强于诺奖得主、具全部虚拟工作接口经济价值能力分级能力上限Meta/LeCun实验室/学术反对AGI提法，须建立在世界模型之上的人类水平AI世界理解xAI/马斯克前沿实验室“比最聪明的人更聪明”即接近AGI超越个体SSI/Ilya前沿实验室直达“安全超级智能”；规模化时代结束、研究时代开启研究范式微软/Suleyman前沿实验室“人本超级智能”：服务人类、不可完全自主与自我改进可控性Chollet/ARC学术/标准智能=在未知任务上的技能获取效率泛化效率Legg&Hutter机器智能的形式化定义“universalintelligence”形式化定义张钹，清华/中科院院士，李飞飞，斯坦福/WorldLabs，第三代人工智能，知识+数据双驱动，可解释、安全性高可解释学术/创业“空间智能”：语言之外、须世界模型补齐空间与空间智能上海人工智能实验室/周伯文中国科研“通专融合”，ANI→ABI→AGI，AI‑45°平衡律通专融合中国企业AGI只是起点、ASI才是终极；三阶段演进起点论/ASI字节/SeedEdge中国企业AGI长期研究五方向，含超越Next‑Token的新范新范式探索腾讯/马化腾中国企业务实，不追刷分；把AI嵌入场景、让场景产生价值应用务实百度/李彦宏中国企业怀疑“AGI是否存在”，无模型包打天下，重应用应用/怀疑中国企业AGI路径L1预训练→L2对齐推理→L3工具/Agent路径分层MiniMax/闫俊杰中国企业“Intelligencewitheveryone”，智能普惠、与用户共创智能普惠月之暗面/杨植麟中国企业以AGI为主营，长上下文+智能体集群长上下文DeepSeek/梁文锋中国企业“模型即智能体”，坚持开源探索AGI开源/效率斯坦福HAI《AIIndex》学术/标准以年度可测量指标刻画AI进展与影响可测量Brynjolfsson，斯坦福，经济学以生产力与经济价值衡量AI的现实影响经济价值数据来源：各机构与人物公开资料、主流AI深度访谈，东吴证券研究所全球主要AI公司、实验室与科研机构对AGI的判断，表2：全球主要AI公司与科研机构对AGI的判断一览机构/人物类别对AGI的核心判断OpenAI/Altman前沿实验室已知如何构建AGIDeepMind/Hassabis前沿实验室当前智能体只是“练习”Anthropic/Amodei前沿实验室“强大AI”，强于诺奖得主Meta/LeCun实验室/学术LLM是岔路，须世界模型具身xAI/马斯克前沿实验室超越最聪明人类即AGISSI/Ilya前沿实验室规模化时代结束，转研究微软/Suleyman前沿实验室反对AGI竞赛、重可控Hinton学术界AGI临近但风险巨大慎吴恩达学术界AGI被过度炒作李飞飞/Chollet学术界缺世界模型/刷分≠泛化上海AILab/周伯文中国科研通专融合通向AGI务实中国企业AGI是起点、ASI终极实字节/SeedEdge中国企业长期研究五方向务实/探索腾讯/马化腾中国企业务实、场景价值驱动务实百度/李彦宏中国企业怀疑“AGI存在”务实/怀疑中国企业L1→L2→L3路径务实MiniMax/闫俊杰中国企业智能普惠、与用户共创务实DeepSeek/梁文锋中国企业模型即智能体、开源务实/效率宇树/具身阵营中国企业智能须在物理交互中习得具身NVIDIA/黄仁勋产业由“五年内”改口“已实现”定义漂移斯坦福HAI/VC产业/投资把AGI距离映射为估值落地导向数据来源：各机构与人物公开发言、主流AI深度访谈播客，东吴证券研究所表3：全球主要机构已公开的AGI相关分级/路线图盘点机构框架名称内容要点性质OpenAI五级路线图2024对话→推理者→智能体→创新者→组织，L5=AGI，能力阶梯GoogleDeepMind《LevelsofAGI》2023L0–L5，按性能×通用性分级能力阶梯能力阶梯L1–L3预训练→对齐推理→工具/Agent能力阶梯AnthropicAI安全等级ASLASL‑1ASL‑4+，随能力增强而加严管控安全分级Salesforce智能体成熟度模型4级，面向企业落地的Agent成熟度落地成熟度北京通研院/朱松纯一套AGI评级与测试体系学术标准微软、Meta、百度、华为—均未发布官方AGI分级路线图未发布节—重模型迭代与应用，未发布官方分级未发布NVIDIA—提“PhysicalAI下一浪”，无正式AGI分级未发布数据来源：各机构官方发布与公开资料，东吴证券研究所目前传播最广的AGI分级方案之一。其延续OpenAI章程对AGI的经济学定义——“在多数有经济价值的工作上超越人类的高度自主系统”，以“AI能在多大程度上、多自主地承担有经济价值的工作”为主轴，把通往A—具备自然语言对话能力，即当前以ChatGPT为代表的形态；Level2“推理者”——能在不借助外部工具的情况下完成博士水平的多步推理与问题求解，以o系列推理模型为标志；Level3“智能体”——能代表用户自主采取行动、连续工作数天、调用工具完成织”——能独立完成一整个组织的全部工作，被视为AGI的最终形态。全以“结果/经济产出”为锚点、不回答“智能从何而来”，因而DeepMind团队于2023年11月在论文《LevelsofAGI:Opera点是用两个维度而非单一标尺刻画AGI：一是性能，AI在任务一格。性能×通用性坐标系里走到哪一格”的可测量问题——只有当某系统在足够宽的任务范意识，以及聚焦“认知与元认知任务”、明确机器理能力“有益但非必需”。相比OpenAI偏结果导向、与商业进度挂钩的“经济阶梯”，前模型仅处于“新兴AGI”，距“胜任级通用AGI”仍有明显距离。通往AGI的技术路径尚无统一分类法。我们按照归纳的技术范畴并列各家向，仅作对照，不含排名与成功概率判断。其中“智能体Agent”不属于“智能从何而来”围绕它的核心争议是“AGI是模型问题还表4：各方押注的技术路径对照技术范畴主张/代表机构依据与说明训练时规模化早期OpenAI、Scaling信徒扩大算力/数据/参数+预训练；争议：是否撞“数据墙”测试时计算与强化学习OpenAI，o系列、DeepSeek‑R1让模型“想得更久”、用RL自提升推理；新的Scaling轴新架构与学习目标LeCunJEPA、字节SeedEdge换掉“预测下一词”目标与Transformer架构世界模型与具身李飞飞、LeCun、宇树从感知/物理交互学到有因果、空间的世界表征神经符号与可解释张钹，第三代AI、ARC方向神经网络+符号/程序推理，强泛化与可解释自我改进/开放式进化SSI、Clune、Recursive、AIScientistAI改进AI、自动做研究、开放式探索几乎所有实验室+创业生态通过规划、工具调用和记忆机制支持长程自主；争议：模型问题还是系统问题数据来源：各实验室公开路线图与论文，东吴证券研究所认为现有大模型缺世界模型与因果，规模再大也难中国大厂为代表）重应用落地、对“何时到达”不下断言；具身阵营（如中国具身企业、么衡量、智能如何定义”给出不同回答；叠加商业激励差异，表面分歧被进一步放大。表5：AGI到达时间的五类预测方法论对照预测方法怎么做关键假设/弱点结论Impacts/Grace调查数千名AI研究者、聚合其概率分布框架效应极大：同一问卷中，措辞差异可能显著影响结论HLMI中位数约2047预测平台MetaculusMETR算力/生物锚Cotra、Epoch实验室CEO表态社区做概率预测、持续更新，算法加权取社区中位数测AI自主完成任务的人时长度，50%可靠，估变革性AI所需训练算力+预测有效算力增长公开定性判断高度依赖resolution口径只覆盖软件/推理任务锚点假设跨度极大低门槛、含商业激励“通用AI”≈2028、“strongAGI”≈2033，2025后移，约每7个月翻倍，外推5年内做“月级”软件任务给出年份的概率分布，区间很宽，Amodei≈2027/Altman≤2029/Hassabis≈2030数据来源：AIImpacts、Metaculus、METR、Epoch、各CEO公开发言，东吴证券研究所衡量AGI本身就是一个有大分歧、甚至可能没有客观答案的难题，主要有四重困自行公布的成绩。年初ClaudeOpus4.6、Gemini3等旗舰模型卡同时报告SWE‑bench、ARC‑AGI‑2、家写进模型卡。它们普遍饱和很快：ARC‑AGI‑2在成本受限的2025年竞赛口径下前表6：衡量AI/AGI进展的主要基准对照基准/创建方怎么测，原理，谁在用/采纳度ARC‑AGIChollet/ARCPrizeGPQADiamond，学术，198HLE人类最后考试CAIS+ScaleAIFrontierMathEpochAISWE‑benchVerified，普林斯GDPvalOpenAIMETR任务时长，非营利METR，看几组“输入网格→输出网格”例子推出规则、套到新题；抗背题博士级理化生多选题，“防搜索”：专家答对、非专家查网仍错约2500题、近千名专家出题、封闭式防搜索难题数学家原创未发表难题，给Python环境跑代码验证、真实GitHub问题，模型交补丁，看仓库单元测试是否通过跨职业真实任务，专家私出题、人工评审、Elo评分测AI自主完成任务的“人时长度”，50%可靠，四大实验室写进模型卡，事大厂高频报告前沿模型卡常报前沿数学评测、防污染大厂开始报告研究型指标，非打榜基准数据来源：各基准创建方与大厂模型卡，东吴证券研究所针对衡量难题，各方提出不同的“替代标尺”：经济价值（能否真正完成有偿工作，济价值。结果：生成式AI每年可新增2.6–4.4万运营、营销、软件工程、研发四大职能；若叠加“否胜任，统计“多大比例的工作任务会受到影响，即暴露”。结果对GDP拉动约1%，比偏乐观的自下而上估算，如麦肯锡，④行业咨询综合法。原理：综合生产力提升与消费侧效应，估算AI到2030年对全球经济的总贡献。结果：到2030年AI可为⑤全自动化→增长爆发，Davidson、Aghion‑Jones增长模型。原理：这才是真正增长模型里劳动不再是瓶颈、自动化与创意相互复利，增速会“爆发式”跃升。结果：不高度依赖瓶颈假设，鲍莫尔成本病、实体与监管约束、能源，争议极大。表7：AI/AGI经济价值的主要测算方法对照测算方法代表机构与结果用例增加值法麦肯锡：每年$2.6–4.4万亿，叠加嵌入软件约$6.1–7.9万亿McKinsey在2023年职业/任务暴露法OpenAI：80%劳动力≥10%任务；IMF：全球约40%岗位暴露OpenAI/IMF宏观task‑based，行业咨询综合Acemoglu：十年TFP≤0.66%、GDP约+1%Acemoglu在2024年PwC：2030年AI贡献全球约$15.7万亿PwC在2017年全自动化→增长爆发部分经济学家：年增速大幅跃升，具体结果高度依赖情景假设，争议较大Davidson等数据来源：麦肯锡、OpenAI、IMF、Acemoglu、PwC等公开研究，东吴证券研究所差异的根源有二：一是测的对象不同——是“现有生成式AI的渐进影响”，还是监管的瓶颈、被替代劳动力的再配置速度。乐观估算（如麦肯锡、PwC）多假设自动化为剩余任务更难、可能高估。围绕AI/AGI的风险，业界存在两类对立鲜作弊、黑客等危险能力；StuartRussell主张应转向“可证明有益（provablybeneficial）”的AI。已采取的措施：Hinton于2023年离开谷歌