音频视频成 AGI 短板：模型能写代码却听不出结果好坏
coldrolledpotmetal · reddit · 2026-10-22
Reddit 长文反驳「AGI 已来」论：前沿 AI 在文本、图像、代码等静态任务上很强，但在一切随时间展开的任务（音频、视频）上远未接近人类水平。
- 音频：实验室的投入几乎全在对话语音，通用音频理解被忽视。让模型在嘈杂房间追踪一个说话者、判断乐器何时进入，会以普通人听力绝不会失败的方式崩溃；说话人分离工具在人声重叠时也很脆弱。借 demucs 或 Python 等工具也无济于事，因为瓶颈在底层模型的感知能力。
- 验证闭环缺失：编程 agent 进步快是因为模型能运行代码并检查输出；音频领域模型无法判断生成结果是否「听起来对」，反馈循环不存在。
- 视频：Gemini 默认 1 帧/秒采样，等于看幻灯片，帧间发生的事对模型不存在；Google 的 agentic video mode（可放大关注区域）只是对无法连续感知时间的绕行方案。
作者结论：不能分辨一首歌好不好听、跟不上嘈杂对话的系统称不上「通用」，这些问题可解，但解决之前谈不上 AGI。
「漫话AGI」频道最新
- Altman 暗示 OpenAI 内部模型数学能力远超公开版,并谈限制递归自我改进 — VraserX · 2026-10-22
- 前 OpenAI 员工断言：AI 圈地理差距拉大，纽约落后旧金山 4-7 个月 — jefrankle · 2026-10-22
- AI 圈激辩数学证明形式化：先批量形式化教科书再让 AI 跳板可行吗 — jacobaustin132 · 2026-10-22
- 形式化正确 ≠ 理解证明：AI 数学证明辩论的核心分歧点 — eigenstate · 2026-10-22
- Bratton:机器智能是「发现」而非「发明」,社会必须反向适应 AGI — bratton · 2026-10-22
- 外交事务长文：AI 是「发明方法的方法」，潜力等于工业革命加启蒙运动 — sebkrier · 2026-10-22