"AGI（通用人工智能）何时到来？"这是 2026 年科技界最常被问及的问题之一。各大 AI 实验室的 CEO 对此给出了截然不同的预测，从 "3 年内" 到 "可能永远不会" 都有。

2026 年的大语言模型已经展现出了令人惊叹的通用能力。它们可以编写代码、创作诗歌、分析法律文件、提供医疗建议、进行数学证明。在 MMLU、GPQA、SWE-Bench 等权威基准测试中，最新模型的得分已经超过了大多数人类专家的水平。然而，这是否意味着我们接近了 AGI？

ARC-AGI 基准测试提供了一个不同的视角。这个专门为评估抽象推理和概念学习能力而设计的测试集，人类可以轻松达到 90% 以上的正确率，但最好的 AI 模型也只有约 40%。这说明当前的 AI 在快速适应新概念、从极少样本中学习的能力上，与人类还有显著差距。

研究者们对前进路线也存在分歧。一方认为继续扩展模型规模（Scaling Law）仍然有效，更大算力 + 更多数据 = 更强能力，终将通向 AGI。另一方则认为需要根本性的架构创新，比如引入世界模型、因果推理、符号逻辑等机制，才能突破当前的自回归模型的本质局限。

开源社区的贡献不容忽视。Llama 4、Qwen 3 等开源模型正在缩小与闭源模型的差距。开源促进了可复现性研究，让更多人参与到 AGI 安全和对齐的讨论中来。

理性来看，AI 在某些维度上已经超越了人类，但距离全面的、可自主学习的通用智能，可能还需要数年甚至更长的时间。这既是技术问题，也是科学问题——我们对人类智能本身的理解都还远未完成。