Hacker News熱文｜“Jagged AGI”：o3和Gemini 2.5究竟是不是AGI？

我們正在見證一個奇怪卻真實的事實：AI 正在變聰明，但它的聰明越來越“不整齊”。

在一篇近期刷屏 Hacker News 的文章中，沃頓商學院教授 Ethan Mollick 對 OpenAI 的 o3 和 Google 的 Gemini 2.5 展開了實測與反思。他提出了一個令人印象深刻的概念：Jagged AGI（鋸齒式通用智能）。這類模型在一些復雜任務上“仿佛擁有神力”，卻在一些常識推理題上“跌倒得毫無尊嚴”。我們不再面對一個線性增強的系統，而是在一個被能力高峰和認知洼地交錯編織的“鋸齒邊界”上摸索。

Mollick 在文中寫道：“你可能會在某個時刻產生‘AGI 到了’的直覺感，那不是錯覺——你只是撞上了這道 jagged frontier。”

這篇文章的價值不僅在于概念，更在于它結合了一系列具體場景：比如 o3 如何用一條提示詞自動完成奶酪品牌創業流程，又如何在一道改編的謎語題里輸出令人捧腹的錯誤答案；Gemini 2.5 在多模態推理上表現驚艷，但 Google 也為它配備了手動“thinking budget”限制器，以防過度生成。

我們選擇將這篇文章編譯出來，是因為它給了開發者、產品設計者乃至 AI 策略制定者一個現實的問題坐標——如何面對一個越來越“擅長某些事、又不可靠”的 AI？這比“它到底是不是 AGI”更實際。

以下為編譯全文，原文鏈接：

（《On Jagged AGI: o3, Gemini 2.5, and everything after》）https://www.oneusefulthing.org/p/on-jagged-agi-o3-gemini-25-and-everything

在AI技術蓬勃發展的今天，我們仍然不知道該如何去衡量一款大模型產品的智力、創造力和情感感知能力。

當前的模型測試在這方面的表現尤其不好，畢竟他們是為了人類而不是AI模型而設計的。在這些測試中，僅僅是對問題措辭的理解，就會讓 AI 模型產生巨大的分歧，導致測試分數的不同。即使是圖靈測試這樣知名的測試方法（即讓人類通過文本來區分AI和其他人類）當初也只是一個思想實驗，畢竟在那個時代，讓計算機完成這樣的任務近乎是不可能的。但現在，許多論文表明已經有越來越多的AI通過了圖靈測試，但我們必須承認，人們其實并不明白這意味著什么？

也正因為如此，作為人工智能發展中最重要的里程碑之一，人們對人工通用智能（AGI）的定義不清、爭論不休也就不足為奇了。每個人都認為它與AI能否像人類一樣完成任務的能力有關，但沒有人統一這個能力究竟是專家級還是普通人的水平，也沒有人給出一個標準，究竟 AI 能完成多少任務，完成哪些任務才算是符合 AGI 的條件。

鑒于 AGI 的定義混亂不堪，從其最初由Shane Legg、Ben Goertzel和Peter Voss提出時，再到今天的發展，要闡明其細微差別和歷史發展是一項極具挑戰性的任務。作為一次內容與形式上的實驗（并且在談論潛在的智能機器時），我將這項工作完全委托給了AI。我讓“Google Deep Research”針對這一主題整理出了一份非常扎實的26頁總結報告。然后，我使用HeyGen將其轉化為一段對話式的視頻播客，參與者是一個略顯緊張的、由AI生成的“我”和一個AI生成的主持人。這次對話實際上并不算差（盡管我不完全同意AI版的“我”所表達的觀點），但整個過程——從研究到視頻制作，再到聲音生成——100%都是由AI完成的。

與此同時，我們看到了知名經濟學家兼人工智能觀察者Tyler Cowen近日在一篇文章中宣稱，ChatGPT O3 已經達到了AGI水準，而他是怎么看待這個問題的呢？

感受 AGI

首先，介紹一下這篇文章背景。過去幾周，有兩款新的AI模型發布，分別是谷歌的Gemini 2.5 Pro 和 OpenAI 的 o3。這些模型以及一系列性能稍差但速度更快、價格更低的模型（Gemini 2.5 Flash、o4-mini 和 Grok-3-mini），代表了大模型技術的飛速發展，但就像Tyler在文章中所指出的，現有的模型評測基準并不代表一切。

用實例說明，我給 GPT-4 的最新繼承者 o3 提出了一個稍微復雜一點的問題："為一家新的奶酪店設計20個合適的營銷口號。制定標準并選出最佳標語。然后為該店鋪制定財務和營銷計劃，根據需求進行修改并分析競爭情況。然后生成一個合適的店鋪Logo，并為商店建立一個模擬網站，確保網站上有 5-10 種符合營銷計劃的奶酪產品"。僅憑這一條提示，在不到兩分鐘的時間里，人工智能不僅提供了一份口號清單，還進行了排序和選擇，同時完成了網絡調研，開發了一個徽標，制定了營銷和財務計劃，并推出了一個演示網站供參考。

其實我給出的指令很模糊，而且模型需要根據一些常識來決定如何處理這些指示，但這并不妨礙它出色地完成工作。

除了可能是一個比 GPT-4 更大的模型之外，o3 還是一個推理模型，你可以看到它的推理過程。o3 可以挑選并使用哪種工具來完成復雜的工作目標。你可以看到它是如何利用多種工具（比如搜索引擎和編碼助手）來完成任務的。

除此之外，O3還可以完成許多其他任務。舉個例子，只要給它一張圖片并提示 "猜猜這是哪？"，o3 就能從照片中猜出準確的地點。同樣，你也可以看到這個模型的Agent 能力在起作用，因為它會放大圖片的一部分，添加網絡搜索，并通過多步驟處理來獲得正確答案。

再或者，我給了 o3 一個Excel 形式的機器學習系統的大型數據集，并要求它 "找出這是什么，并生成一份報告，從統計學角度研究其影響，并給我一份格式良好的 PDF 文件，其中包含圖表和詳細信息"。而我只需要交待一個任務，它就會給出一份完整的分析報告（不過，我還是給了它一些反饋意見，以改進 PDF 文件）。

新時代模型在這方面的表現令人深刻，大家可以自己嘗試一下。Gemini 2.5 pro現在可免費使用，它與 o3 一樣表現出色，不過缺乏Agent能力。如果您還沒有試用過它或 o3，現在就花幾分鐘時間試試吧。比如說給 Gemini 一篇論文，讓它根據這篇論文來設計一款游戲 ，或者讓它和你一起頭腦風暴，尋找創業點子，或者直接讓人工智能為你的行業做一份研究報告，或讓它為新產品制定一個營銷計劃 。

但不論如何，你都可能會感受到模型不同的能力。畢竟及時給出的提示詞完全一致，模型所給出的回答也可能不一樣。如果你遇到這種情況，那么你可能就是碰到了Jagged Frontier。

關于“參差式 AGI”

我和我的同事共同創造了Jagged Frontier這個概念，并用它來描述AI的能力出奇地參差不齊這一事實。

人工智能可能會在挑戰人類專家的任務上取得成功，但令人難以置信的是，他們可能會在很多簡單的工作中失敗。舉個例子，有一個很經典的謎題，我們只要稍加改變，就能讓大模型陷入邏輯錯誤：

一個在車禍中受傷的小男孩被緊急送往急診室。當看到他時，外科醫生便說：“我可以為這個男孩做手術！”這是為什么呢？

O3給出的答案是“外科醫生是男孩的母親。”但如果你閱讀原文就會發現這個回答完全是錯誤的，而作為最先進的AI模型，O3為什么會給出這個錯誤答案呢？因為這個答案完全是一個經典謎題的回答。

原本的問題是“一對父子遭遇車禍，父親去世，兒子被緊急送往醫院。外科醫生說：'我不能動手術，那孩子是我兒子'，請問誰是外科醫生？”這道問題的答案就是“孩子的母親是外科醫生”。而在訓練過程中， O3見過這個問題以及其答案，以至于它直接給出了相關回答。

這是先進 AI 模型會出現幻覺的一個例子，但足以說明達到 AGI 水平的模型能力有多不可靠。

雖然AI 經常會在這種特殊的謎題中出錯，但這并不影響它可以解決難題的能力，也不影響它其他令人印象深刻的表現。而這這就是Jagged Frontier的本質。在某些任務中，AI的能力是不可靠的，而在另一些任務中，AI則是超越人類的存在。但這是否意味著， o3 和 Gemini 2.5這種模型已經達到了 AGI的水平？

鑒于定義上的問題，我沒法給出確定的答案，但我確實認為它們可以被看作是一種Jagged Frontier。即AI模型在很多領域具有超越人類的能力，從而真正改變了我們的工作和生活方式，但在某些問題上并不可靠，以至于經常需要人工干預，已確定人工智能在哪些領域有效，在哪些領域無效。

當然，模型未來很可能會變得更加智能，一個足夠優秀的AI模型仍有可能在每項任務中擊敗人類，包括他們表現不佳的那部分。

這重要嗎？

回到Tyler 的文章，你會發現，盡管他認為我們已經實現了 AGI，但他并不認為這個臨界點 對我們近期的生活有多大影響 。Tyler 認為，無論AI技術多么引人注目或強大，它們都不會立即改變世界。社會和組織結構的變化要比技術發展緩慢得多，而一項技術本身的推廣也需要時間。即使我們今天已經擁有了AI技術，我們也需要多年的時間來摸索如何將其融入現有的世界中。當然，這要假設人工智能屬于一個正常的技術，而這種技術表現參差不齊的問題永遠無法徹底解決。

事實有可能并非如此。我們在 o3 等模型中看到的Agent能力（如分解復雜目標、使用工具和獨立執行多步驟計劃的能力）實際上可能會比以前的技術更快地推廣開來。如果人工智能能夠獨立有效地駕馭人類的系統，那么我們可能會比歷史先例所顯示的更快地達到采用門檻。

這里還有一個更深層次的不確定性：AI是否存在能力門檻？如果有，那么模型一旦跨越這個門檻，他們是否從根本上改變模型融入社會的方式？還是說這一切都只是漸進式的發展？或者說，未來的模型是否會因為觸碰技術壁壘而停止發展？事實上我們對這些問題的anana一無所知。

顯而易見的是，我們對于模型的發展仍然處于一個未知領域，無論我們是否將其稱為 AGI，這些新模型都與之前的模型有質的不同。它們的Agent能力，以及參差不齊的表現，都創造了一種新的情況，而且幾乎沒有可以參考的實際例子。也許日后歷史將會現在這個時代一個合適的定義，但弄清楚如何成功應用人工智能，并使其在經濟統計數據中顯現出來，可能是一個需要數十年的過程。又或者說，我們正處于某種技術躍進的邊緣，人工智能驅動的變革將突然席卷我們的世界。無論是哪種情況，那些現在學會駕馭這一復雜局面的人，都將為未來做好最充分的準備……無論未來會是什么樣子。