通用人工智能究竟离我们有多近，以及为什么不能坐等

作者：Opinion AI 2026 年 7 月 20 日

通用人工智能（AGI）或许还要几年才能真正实现，但现在正是提升技能、工作和业务水平的最佳时机。

大多数人都在等一条重磅新闻：

AGI 来了。

而等到这条新闻登场时，早期的优势可能早已消失。

第一批受益的人，不会是那些猜对了正确日期的人。而会是那些早已懂得如何给 AI 提供正确信息、把工作拆解成清晰步骤、检查结果、并交付出有用东西的人。

你不需要成为一名 AI 科学家。

你需要变得擅长与智能协作。

近到足以准备，却还没近到可以信任

AGI 指的是通用人工智能（artificial general intelligence）。用大白话说，它是一种能够学习、推理、规划并解决许多不同种类问题、且大约达到人类水平的 AI。它不需要为每一项新工作都配一套新系统。它不必有意识，也不必是活的。

谷歌 DeepMind 的负责人德米斯·哈萨比斯（Demis Hassabis）说，AGI 可能「只有短短几年之遥」。DeepMind 也曾表示，在大多数思考任务上达到人类水平的能力，可能会在未来几年内到来。但没人知道确切日期。就连正在构建这些系统的人，彼此之间也意见不一。

如果它成真，好处可能是巨大的：更快的药物发现、更好的教育、新材料、更清洁的能源，以及为那些雇不起大型研究部门的小团队提供专家级的帮助。这正是为什么这件事的意义远远超出了聊天机器人。

如今最强的系统被称为前沿模型（frontier models）。这只不过是指当下可用的最好的模型。它们能写代码、研读文件、使用工具、完成长任务。但它们仍然会编造事实、丢掉计划、在陌生问题上翻车。

这个差距很容易看出来。在 ARC-AGI-3——一个由全新的交互式问题构成的测试——上，领先的前沿模型在测试推出时的得分只在 0.1% 到 0.5% 之间。测试的出题者说，其中收录的每一个环境，人类都是能解出来的。AI 可能这一分钟看起来才华横溢，下一分钟就迷失了方向。

所以，别表现得好像 AGI 已经来了。要表现得好像 AI 每一年都会变得更强、更便宜、更主动。

亿万富翁们在买芯片，而你应该去搭建系统

美国的科技公司正在模型、芯片、电力和数据中心上砸下巨额资金。中国也在快速推进。中国的实验室正在推出更便宜的模型、开放模型和实用工具，来自深度求索（DeepSeek）、通义千问（Qwen）以及月之暗面（Moonshot AI，Kimi 背后的公司）。

美国在私营 AI 投资方面仍然领先，而模型的创造正日益集中于美国和中国。这不是一场小小的应用竞赛。这是一场构建经济下一层地基的竞赛。

你没法在算力上跟亿万富翁们比。但你可以在四样他们并不拥有的东西上竞争：

你的知识、你的客户、你的速度，以及他们的信任。

别把精力浪费在猜测哪个国家或哪家实验室会赢上。把你的文件和指令放在任何单一聊天机器人之外。测试不止一个模型。让切换变得容易。

中国证明了这道差距，比所有人所定价的都要小

今年大部分时间里，美国的实验室和政策制定者都用这样一个想法自我安慰：中国落在前沿身后六到十二个月。然后，月之暗面的 Kimi K3 在上周登场，在两大编程和电子表格基准测试上都拿下了头名，成为第一个在这两项上击败所有闭源对手的开放权重模型。深度求索的 V4 和 Z.ai 的 GLM-5.2 今年一直在做着类似的事：以远低于市场价的价格、在国产芯片上（而非英伟达最好的芯片上）追平前沿性能。

一位 Mozilla 的高管用六个词概括了美国实验室内部的情绪：他们显然吓坏了（they're clearly terrified）。他们应该害怕。在 OpenRouter——那个让你用一行代码就能在各种 AI 模型之间切换的市场——上，自二月以来，每一周都有超过 30% 的开发者流量流向了中国模型。不是因为人们突然更偏爱，而是因为它运行起来便宜 30% 到 40%，而在质量上又紧挨着前沿。

这件事很重要，它意味着，原始智能的价格正在以比大多数商业计划所预估的更快的速度下跌，而把你的整个工作流锁死在某一家实验室的 API 上，比起一年前，是一个更弱的赌注了。

现在就搭建你的小型 AI 操作系统

建一个文件夹，叫「AI 工作系统」（AI Work System）。在里面，做五个简单的文件：

关于（About）：你做什么、你帮助谁、你怎么工作。

范例（Examples）：你最好的邮件、报告、设计、提案或代码。

规则（Rules）：你的语气、价格、限制，以及 AI 绝不能做的事。

工作流（Workflows）：你重复做的那些工作的步骤。

检查（Checks）：你如何判定工作是正确的、可以发出去了。

这比收集一百条零散的提示词有用得多。再好的 AI，也仍然需要你的背景信息。

用下面这条提示词来找到你的第一个工作流：

我想为更强大的 AI 准备好我的工作。我的工作或业务是：[在此填写]。以下是我每周重复做的任务：[列出它们]。找出一个浪费时间的任务、一个能赚钱的任务，以及一个应当始终保持在人类掌控之下的任务。制定一个简单的 30 天计划。在任何付款、法律行动或客户消息之前，都必须经过人工审批。

只选一个工作流，然后像这样把它搭起来：

输入 → 计划 → 创建 → 检查 → 人工审批 → 发送

举个例子，一家小批发商可以用 AI 来读一封邮件订单、把商品放进一张表格、核对库存、准备一张发票草稿、并标出缺货的产品。由一个人来核对，然后按下发送键。

那不是 AGI。但它今天就有用。

在模型变得更强之前，先掌握这五件事

清晰的指令：说明目标、可用的信息、所需的结果，以及「完成」意味着什么。

工作流设计：把一个大任务拆成小步骤。给每一步一个清晰的目的。

检查：要求提供来源、运行测试、比对数字。一个自信的答案，并不总是一个正确的答案。

基础编程：学习文件是怎么运作的、API 是做什么的、怎么用 Git、怎么运行一个测试、怎么发布一个小应用。你不需要精通每一门编程语言。

销售：AI 能帮你把东西做出来。但它没法让人们在乎。学会找到一个痛点、触达客户、并开口要钱。

不要永远埋头苦读编程。先开发一个小工具。

挑一个每周都会发生的、枯燥的问题。然后给一个编程智能体（coding agent）下这样一条指令：

为这个问题构建一个最小的可运行工具：[描述它]。在编码之前，用简单的语言解释一下计划、界面、数据和最终的测试。分小步骤来做。每一步之后，都运行一次测试。不要添加额外的功能。只有当一个新用户不需要我的帮助就能用它时，它才算完成。

你的工具可以把发票变成电子表格、准备报价单、比较供应商价格、整理请求，或者生成一份日报。

用七天时间：选定问题、定义输入和输出、构建、用真实的例子测试、交给一个人、修复它、然后发布它。

交付所教会你的，比再看二十个小时的 AI 视频要多。

资金将流向何处

随着智能变得更便宜，把东西做出来会变得更容易。同时，竞争也会变得更激烈。

钱不会流向每一个有 AI 账号的人。它会流向那些拥有一个真实问题、可信赖的客户关系、特殊经验、一套能运转的流程，或一条触达买家的渠道的人。

不要从「构建下一个 ChatGPT」开始。从一项窄小的服务开始。用 AI 来更快地交付它。把重复的工作变成一个工作流。之后，再把那个工作流变成软件。

先把成果卖出去。然后再把它自动化。

你接下来的 90 天，比 AGI 的日期更重要

头 30 天，每天使用一个强大的模型，记录下它帮你完成的十项任务。

接下来的 30 天，把一项重复的任务变成一个存好的工作流，配上范例和一份检查清单。

最后的 30 天，交付一个工具或服务。把它摆到一个真实的人面前。试着拿下一个付费客户。

在钱款转移、合同被接受、私密数据被分享、或重要消息被发送之前，都保留人类的批准环节。只给 AI 它所需要的访问权限。保留备份和日志。每个月测试一次第二个模型。

你不需要那个正确的日期

AGI 可能几年内就到来。也可能要久得多。这个名字甚至可能在技术还没成型之前就变得毫无用处了。

但这不会改变你在周一该做的事。

把你的知识记录下来。搭建一个工作流。学会足够多的编程，好去交付。把最终的决定权留在人类手中。找到一个真实的客户问题，然后解决它。

当更强的模型到来时，你的系统会随之一起变得更强。

而如果 AGI 来得比预期要晚，这些工作没有一样是白费的。

无论 AGI 最终会是什么样子，最终胜出的人，都不会是那些猜对了日期的人。而会是那些在这些不确定的年头里，去构建杠杆、而不是去争论一条谁也控制不了的时间线的人。

本文编译自 substack，原文作者 Opinion AI

https://emergingai.substack.com/p/how-close-agi-really-is-and-why-you