AGI伪命题？杨立昆论文评测：AI专精才是未来

最近，全球AI顶级奖项得主、纽约大学教授杨立昆，联合哥伦比亚大学等研究机构，发布了一篇引发行业热议的论文。

论文标题掷地有声——《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（人工智能必须借助超越人类的自适应智能实现专业化）。

这篇论文的核心判断，或许会让许多追捧AGI的从业者重新审视方向：当前行业热议的通用人工智能（AGI），本质上是一个定义模糊、工程瓶颈显著的伪命题。

研究者们给出的方向非常具体：AI的真正价值不在于追求“全能”，而在于在特定领域实现专业化，同时具备远超人类的学习与适应效率。这就是杨立昆提出的新框架——SAI（超人类适应性智能）。

过去几年，围绕AGI的叙事确实覆盖了行业主流。但眼下或许是时候换一个角度：与其沉浸在宏大叙事中，不如聚焦AI能真正落地、创造商业价值的路径。

这个问题，值得每个从业者深入思考。

一、我们追捧的AGI，为何可能是个伪目标

当前，AGI几乎成为AI行业的信仰图腾。不少团队期待未来某天，AI能拥有人类般的通用认知能力，通过多模态能力解决所有场景问题。

但杨立昆的论文直接指出：这个设想，在工程与理论上都难以站稳脚跟。

首先，AGI的定义至今没有形成共识。有的观点要求达到人类所有能力，有的则认为需要在多数任务上超越人类——但从未出现过可量化、可验证的衡量标准。

更关键的问题在于，我们习惯性地将人类智能作为AGI的模板，却忽视了一个基本事实：人类智能本身就是高度专业化、适配特定环境的产物。论文举例——人类在社交、语言与物理操作上有优势，但在数据处理速度和存储容量上，早已被AI超越。我们觉得走路、平衡是“本能”，但对机器人而言，这需要巨大的算力资源。反过来，人类认为复杂的国际象棋，一行算法就能让AI轻松战胜世界冠军。

人类的能力并非万能。我们只是历经千年进化，适应了地球环境。那么，凭什么要求AI去实现一个不存在的能力上限？

另一方面，AGI的技术路线也存在明显误导。目前AI主流仍是LLM（大语言模型），行业一味追求参数扩张、数据堆砌，却忽略了AI最需要的能力——理解物理世界，以及面对新任务时的快速适应。

论文还给出一个现实数据：训练一个“万能”AGI模型，所需算力呈指数级增长，远超摩尔定律。从经济效益和工程可行性角度看，这完全不可持续。追求通用路线，必然会牺牲专业领域的深度，最终可能陷入“样样通，样样松”的窘境。

二、杨立昆口中的SAI是什么？

前面提到了SAI（超人类适应性智能），论文给出了清晰定义：一种能快速学习并超越人类在重要任务上的智能，同时能适应人类无法完成的实用任务。

它的核心衡量标准，不是能处理多少任务，而是学习新技能的速度与效率。这与AGI有本质区别：AGI追求无所不能，最终可能一事无成；而SAI追求在关键领域做到极致，同时具备快速学习其他事物的迁移能力——这才是更务实的技术路径。

论文总结了SAI的四个核心特征：

1. 超人类适应性——学习新任务的速度远超人类；

2. 专业且深度——在特定领域达到远超人类的表现水平；

3. 跨领域迁移能力——将某一领域的技能快速应用到另一个领域；

4. 破人类认知边界——解决人类无法做到的任务，例如黑洞模拟、量子计算优化等。

一个直观的例子：AlphaFold在蛋白质折叠领域，就是SAI的雏形。它深耕这一专业领域，能力远超人类，同时能快速适配新的分子数据，持续提升预测精度。

这正是杨立昆眼中AI的理想形态。

三、如何实现SAI？

论文同时给出了四条可行的实现路径。

首先是构建预测性世界模型。AI不能像当前语言模型那样只依赖文字生成，而是需要真正建立对物理世界的理解。论文明确指出可以采用JEPA架构。简单来说，JEPA能让AI通过表层现象预测事物核心——比如看到一张照片的一半，就能准确推断另一半的内容，而无需关注像素、颜色等细节。这既能大幅提升计算效率，又能让AI真正理解世界运行规律。

第二是采用分层多智能体编排。将SAI系统分解为感知、预测、规划、执行等专业模块，各司其职。通过动态路由机制，根据任务需求灵活组合这些模块，实现专业能力与快速适应的平衡。

第三是目标驱动的强化学习。让AI摆脱“生成下一个Token”的机械模式，转向优化目标函数，真正理解任务意图，而非机械执行指令。同时引入成本模块，让AI学会权衡收益与风险，做出更高效、更安全的决策。

最后是持续学习与快速适应。解决灾难性遗忘问题——让AI在学习新技能的同时，不遗忘已掌握的专业知识。通过元学习机制，让AI掌握“如何学习”的能力，实现“看一眼就会”的少样本、零样本学习。

四、SAI可能离我们并不远

这篇论文发布48小时内，下载量突破12万次，成为当月热度最高的AI论文。杨立昆也在2025年3月宣布创立AMI Labs，专注SAI研发，并获得了10.3亿美元的首轮融资。

SAI的提出，本质上是对AI发展路径的一次理性回归。行业或许终于意识到：AI的核心价值不在于和人类一模一样，而在于更高效率、更精准地解决实际问题。

杨立昆在论文中写道：“真正的智能，不在于能做多少事，而在于能多快学会新事；AI的价值，不在于模仿人类，而在于超越人类，解决人类无法解决的问题。”

AGI会一直是行业心中的终极理想，像一座雕塑，坚硬而宏伟。但着眼当下，SAI或许才是AI走向工程落地、走向真实应用的关键路径。

来源：互联网