一个模型在几项测试胜出,能不能换算成「再过六年就超越人类」?

我在原稿里反对过快的AGI倒数,却也用了没有充分来源的数字,推论六年一定太乐观。这两种说法都有同一个问题:从局部观察,跳到了尚未定义清楚的终点。

这次改写不替AGI另订到达年份。我想保留的,是读到能力突破时,先问清楚比较了什么。

TL;DR:Grok-2的2024年成绩是特定版本、测试与比较对象的历史数据,不能当今天的排名或AGI倒数计时器。AGI也没有本文可以宣布的唯一公认定义。原稿的训练成本、改进率和数据耗尽断言需要更正;成本与数据限制值得追踪,但不足以证明六年必然成功或失败。我的建议是分开核对定义、测试、推估与部署权限。

一、先把Grok-2放回2024年的公告

xAI在2024年8月13日发布Grok-2 beta公告,并称早期版本在当时Chatbot Arena的整体Elo表现超过GPT-4-Turbo等比较模型。[1] 原稿写成「2024年底」不准确,这里更正。

这是厂商当时的公告,不代表它超过所有GPT-4版本、所有任务,或今天仍然维持相同名次。公告本身的学术测试表也呈现不同强弱,不能把其中一项好成绩读成全面领先。[1]

我会把问题问得更小:是哪个版本?使用什么题目和工具?和谁比较?测试条件是否一致?先回答这些,才能知道这次进步实际涵盖哪一段工作。

这不贬低测试。它只是让测试回到能支持的范围。

二、超越人类,要先说是哪一种能力

「比某个人快」「在某种考试高分」「能处理许多不同工作」,并不是同一句话。若不交代比较对象与范围,超越就容易变成一个人人理解不同的词。

〈Levels of AGI〉提出一种以表现深度与能力广度分类的研究框架,也把能力与部署时的自主性分开讨论。[2] 这是一种可操作化的提议,不是唯一公认定义;本文也不拿论文中对当年模型的分类,当作2026年的现况判定。

原稿把自我设定目标、自我改进和理解人类价值列成AGI必备条件,说得太满。这些都值得研究或治理,但不能未经说明就宣布为全领域共同门槛。

我关心的价值取舍,仍然重要。只是「系统能做什么」和「我们允许它决定什么」,需要分开问,不能靠重新定义智慧把两者合并。

三、能使用新信息,不等于每次都要重新训练

原稿用赛制改变的例子,断言模型只能等新训练数据。这也太绝对。xAI当时的公告已讨论检索内容与工具使用能力,不能一面引用它的成绩,一面省略这些条件。[1]

换一个明示的假设:我们把一项虚构比赛的新规则写进提示,再请模型分析策略。模型是否能正确使用规则,可以实测;这与更新模型参数不是同一件事。

同样地,有搜索工具也不保证数据新、来源可靠或解读正确。我会查它是否真的取得数据、是否引用对的版本,及套用新条件后的结果。不能从一次答对推成普遍适应,也不能从训练截止日推成永远无法处理新信息。

这个例子是我的检查建议,不是对某个当前模型完成的实验。

四、成本要更正,瓶颈也要留下假设

原稿称GPT-4训练需要「数千亿美元」,没有可支持的依据。《AI Index 2025》使用云端算力租价等数据估计GPT-4训练成本约7,900万美元;这是估计,不是开发商实际帐单,也不是全部研发、硬件或营运支出。[3]

原稿所称「Google研究指出年改进率由40%降到10%」,没有交代研究与尺度,本次未找到足以核对的来源,因此撤下。

数据供应也不宜写成已经耗尽。AI Index的相关讨论列出数据使用、重复训练与方法假设,预测会随条件改变。[3] 资源限制值得追踪,却不能单凭这些数据宣告整个领域已到平台期。

我不把这个更正反过来当成无限成长的证明。它只表示,支持某个期限的论证,不能依赖错误成本与未核实的趋势线。

五、六年是一个预测,需要自己的证据

原稿没有保留「六年」说法可追溯的原话、日期及终点定义。本次不替它补一个倒数起点,也不把它继续归给某人当成已查证引述。

若有人提出期限,我想先问四件事:

  • 预测从何时起算,成功条件是什么?
  • 哪些观察支持进步速度,尺度是否前后一致?
  • 资源、方法与测试改变时,推估如何调整?
  • 哪些结果出现,会让提出者改变看法?

这四问是作者的阅读方法,不是已验证可以算出AGI日期的模型。数据不足时,合理的答案可以是尚不能判定,而不是急着选六年、十年或永远不会。

对时间表保留疑问,不妨碍我们认真看待能力与风险的变化。

四格漫画:一个模型在几项测试胜出,能不能换算成「再过六年就超越人类」?预测从何时起算,成功条件是什么?哪些观察支持进步速度,尺度是否前后一致?资源、方法与测试改变时,推估如何调整?哪些结果出现,会让提出者改变看法?合理的答案可以是尚不能判定,

六、把倒数的注意力,留一部分给今天的验证

对使用AI的人,我比较在意今天有哪些工作可以交付、哪些结果仍要复核,以及谁能决定采纳或停止。这些不需要等到AGI定义一致才开始处理。

我的实务建议是先定义任务与合格条件,留下版本、数据和测试纪录;遇到新情境,再核对能力是否真的转移。涉及重大行动时,权限也要另行设计,不能因为高分就自动放宽。

这不是一套研究已证明的通用治理标准,而是我希望避免被单一分数牵着走的做法。

我仍然期待AI进步,也保留对预测的好奇。只是下一次看到「六年内超越人类」,我会先问:你说的超越,是哪一件事?

数据来源与阅读界线(查核至2026年11月3日)

  1. xAI,Grok-2 Beta Release,2024年8月13日历史厂商公告;核对日期、比较对象、测试条件及检索工具段落,不作2026年排名或独立重测。
  2. Morris等,Levels of AGI,v5,2025年9月24日版本;定义、表现与通用性及能力/自主性区分。属研究框架之一,不将其当年模型分类移作今日判定。
  3. Stanford HAI,AI Index 2025第1章,正文页43训练成本及附录估计方法、页37–38数据供应讨论。采历史估计与有条件预测,未审核实际成本、重跑估计或验证全部后续数据。