社区激辩AGI判断标准：持续学习与去人类环路成焦点

2024 年 9 月上旬，社区围绕「AGI 的判断标准」展开多轮讨论，参与者包括 LMSYS 的 maxpaperclips、ChrisGPT、laoma1255 等。

已确认

maxpaperclips 在回应「AGI 门槛是二值还是连续分布」时表示，从当前模型到 AGI 大致是连续过程，但需看到几项关键突破：更高的自主性、对用户更深入的理解、真正的持续学习（而非 RAG，因为上下文学习无法处理数十亿条持续更新的事实），以及更强的外推能力；他强调如果人还需留在环路中，就还不算 AGI。
maxpaperclips 还提出衡量标准的问题：当前业界以「增量 token 花费带来的边际人类生产力提升」衡量 AI，而更难但更正确的指标应是移除人类后系统边际效用的损失有多小，即 AI 真正替代人类闭环运作的能力。
ChrisGPT 认为智能应包括在具体情境中获取并应用知识的能力，模型学习效率仍远低于人类；没有真正意义上的持续学习，模型就无法与能连续工作多年、积累经验的人类相比。
laoma1255 发长文反驳「AGI 目标移动」论：标准并未被移动，而是人们混淆了「积累的技能」与「真正的智能」。他援引 Chollet 的 ARC-AGI 立场——智能不是在已知任务上的固化表现，而是在陌生问题上习得新技能的样本效率，真正缺的是「学会如何学习」的元学习能力。
HanchungLee 转述了这场合衡量标准的争论：看人类增益，还是移除人类后的损失。

这组讨论把散落的直觉聚焦为两个可操作的标准：一是真正的持续学习能力（区别于 RAG 与上下文学习），二是人在回路移除后的系统自主闭环能力，为评估模型进展提供了更清晰的参照框架。
laoma1255 对「AGI 目标移动」论的反驳提示：与其抱怨标准被不断抬高，不如关注样本效率与元学习这一根本缺口，这直接影响下一代模型的研发方向。

2026-09-07 ~ 2026-09-08 · 5 条相关