在微軟與OpenAI從合作協議中移除AGI相關限制條款四個月後，馬斯克、OpenAI總裁Greg Brockman和輝達CEO黃仁勳在短短五天內先後向世界宣告：AGI已經到來。這一系列表態不僅引發行業熱議，更折射出AI領域正在發生的深層變化——AGI的定義、測量乃至監管物件，可能都需要重新審視。

黃仁勳於9月6日在X平台發帖，透露GPT-6 Astra使用了超過十萬套輝達Grace Blackwell NVLink72系統進行訓練，並稱從ChatGPT到o1再到Astra，四年時間過去，“AGI has arrived”，同時祝賀OpenAI，並預告接下來還有40萬塊GPU上線。在黃仁勳的敘述中，AGI既是一項能力，也是一座需要晶片、機房、電力和資本共同搭建的基礎設施。三天前，OpenAI總裁Brockman在Astra釋出簡報時表示，歡迎來到AGI時代，就他個人而言，AGI已經到了。再往前兩天，馬斯克給出了一個勞動市場標準：到2027年底，AI應該能夠獨立完成所有數字領域的工作，即所有無需親手改變物理世界的任務。

這些表態的背景，是微軟與OpenAI在四個月前剛剛處理掉一個長期懸而未決的合同問題。自2019年微軟投資OpenAI以來，雙方協議中一直存在特殊設計：AGI不僅是OpenAI的技術目標，也影響著微軟能獲得哪些技術、這些權利持續多久以及雙方如何分錢。OpenAI對AGI的定義寬泛——一個高度自主、能夠在大多數具有經濟價值的工作上超過人類的系統，但關鍵在於誰來判斷這一標準是否達到。2025年10月28日，雙方修改協議，規定OpenAI若認為實現AGI，需由獨立專家小組確認。AGI一旦確認，將影響微軟對OpenAI底層研究成果的接觸許可權及收入分成。然而，2026年4月27日的新協議徹底改變了這一局面：微軟對OpenAI模型和產品的許可統一持續到2032年且改為非獨佔，OpenAI向微軟支付的收入分成統一持續到2030年，且明確與OpenAI的技術進展無關。至此，微軟和OpenAI不再需要在合同中明確解決“AGI究竟是什麼”的問題。

文章進一步指出，AGI的測量方式正在發生根本性轉變。以Astra在ARC-AGI-3測試中的表現為例，同一套GPT-6 Astra在兩種不同測試環境下得分差異巨大：在ARC Prize自己的Standard harness下為62.71%，而在OpenAI提供的Provider Adapter下達到98.55%，相差35.84個百分點。主要變化在於環境：Standard harness允許Astra留下筆記，而Provider Adapter額外儲存請求間的推理狀態並壓縮上下文，使Astra能維持更多推理狀態。在Provider Adapter條件下，Astra不僅得分大幅提升，整體執行速度還快了三倍多，token消耗減少近一半。ARC Prize此前實驗顯示，人類完成類似任務平均動作數遠少於AI，但Astra在Provider Adapter條件下打破了這一預期，在96%的關卡中使用動作數少於人類中位數，平均少51.7%。文章認為，這35.84分的差距真正提出的問題是：能力究竟屬於模型本身，還是屬於整個系統？Astra的權重未變，Provider Adapter單獨也無法完成任務，完整能力來自模型、記憶、狀態管理和執行環境的組合。因此，評價物件正從“模型能力”轉向“系統能力”。

文章借用進化生物學中的“反應規範”概念解釋這一現象：同一基因型在不同環境中形成不同表型，模型權重可視為基因型，而harness、記憶、工具和上下文管理構成環境，62.71和98.55是同一套權重在兩種系統條件下的能力表型。AI的測量單位隨之變化，未來benchmark可能更多測系統能力而非模型能力。文章還引用哲學家Andy Clark和David Chalmers的“延展心智”理論，指出人類智慧本就依賴外部工具和記憶，人類文明本身就像一套運行了幾萬年的Provider Adapter。當模型獲得記憶和工具後，“哪些能力屬於模型自己”將越來越難回答。

文章進一步提出，AGI可能通過連線逐漸形成，而非某個模型突然達到。網路科學中，節點保持原樣而連線增加，當連線達到臨界區域，分散的小團塊可能形成貫穿系統的大型連通結構，單個節點能力未突變，整個網路卻獲得新性質。AI系統類似：模型獲得長期記憶、瀏覽器、程式碼執行、企業資料庫等許可權後，系統能完成的閉環任務大增，模型分數未必變化，但系統能力已變。因此，AGI的相變可能發生在許可權和連線關係上。

文章還從共生進化角度探討人類與AI的關係：共生會改變個體邊界，長期合作後依賴出現，“有對方更方便”逐漸變成“離開對方無法正常生存”。文章認為，真正的AGI可能不是機器何時替代人，而是人類組織何時無法脫離AI正常執行。Bainbridge在1983年《自動化的諷刺》中已描述過早期形態：機器越可靠，人類操作越少，技能退化，機器失敗時系統將最困難的問題交給缺乏練習的人。經濟力量會推動這種依賴：80%可靠的AI促使企業保留人工備用，99.99%可靠的AI則改變成本計算，企業削減冗餘，員工失去技能，組織圍繞自動系統重新設計。到某階段，AGI測試的重要性可能下降——一個模型從未通過公認AGI門檻，但銀行、醫院、軟體公司已無法脫離它執行，其社會後果巨大；反之，通過所有測試卻未進入真實組織的模型，社會影響有限。

最後，文章提出監管物件可能認錯的問題。1970年控制論學者Roger Conant和W. Ross Ashby的論文指出，要穩定控制複雜系統，控制者必須擁有對被控物件的準確模型。現有很多安全框架圍繞模型組織，但現實AI系統越來越難用一個模型名字概括：同一權重可接入不同記憶、工具和後端，獲得不同許可權，實際能力不斷變化。今年8月，OpenAI更新GPT-Live的System Card時發現，原先安全評估的後端配置與最終釋出配置存在差異，重新評測後部分指標出現統計顯著變化，模型名字未變，一處後端配置差異已足以讓正式安全檔案修改。Astra的網路安全評估更進一步：它處理了知識截止日期後公開的真實漏洞，利用部分已知漏洞，還發現並使用了兩個此前未知的零日漏洞。這些案例表明，監管者未來需評估整套系統，問題將從“這個模型危險嗎”擴充套件為“模型連線了哪些系統、能儲存多長記憶、可呼叫哪些工具”等具體問題。

文章作者“小兔子斯嘉麗”來自微信公眾號“文科生看AI時代”，其觀點認為，AI時代的變化首先是一場測量單位的變化，過去以模型為智慧單位，未來可能以系統為單位；而AGI的真正到來，或許就是人類開始離不開AI的時刻。