AGI今天起有了量化标准！Bengio牵头定义，当前进度条58%

闻乐 发自 凹非寺
量子位 | 公众号 QbitAI

长期以来，AGI都笼罩在“类人智能”的模糊表述中。

都说它像人一样聪明，那到底有多聪明呢？

图灵奖得主Yoshua Bengio联合Center for AI Safety、加州大学伯克利分校等机构的新作《A Definition of AGI》给AGI下了个可衡量的定义。

• “AGI is an AI that can match or exceed the cognitive versatility and proficiency of a well-educated adult.”
• AGI是能匹配或超越受过良好教育成年人的认知广度（versatility ）和熟练度（ proficiency）的人工智能。

该定义包含两个关键维度：

• 确定了参照系：直接锚定“受过良好教育的成年人”，避免了“AGI是超人类智能”这类模糊表述，让评估有了具体标准。
• 强调全面性：不看AI在单一任务上的表现，而是要求它在多个核心认知领域（如推理、记忆、感知等）都达标，不能有严重的偏科。

研究团队设计了一套量化方法来评估当前AI离AGI的距离。

分数越高，离AGI越近

为了把这个标准落地，研究者参考了心理学里验证过的卡特尔-霍恩-卡罗尔（CHC）理论这个研究人类认知能力的经典模型。

该模型将人类通用智力拆解为10个相互独立但又关联的核心认知领域，涵盖了从基础感知到高阶推理的完整认知链条，基于这10个领域，研究团队对人类传统认知测试题进行了AI适配改造

剔除依赖人类生理感知（如触觉测试）或特定场景（如驾驶场景测试）的题目，保留核心认知逻辑，形成了一套包含500余道题目的AGI评估题库。具体包括：

1. 知识（K）：主要测试常识、自然科学、社会科学、历史、文化等方面的知识储备。
2. 读写（RW）：考察阅读和写作能力，包括对文本的理解、语言表达、文字创作等。
3. 数学（M）：涉及数学计算、定量推理、数字概念的掌握等数学能力。
4. 临场推理（R）：即处理新颖问题、进行逻辑分析与抽象思维的能力，也就是流体推理能力。
5. 工作记忆（WM）：指短期信息的保持与实时加工能力。
6. 长时记忆存储（MS）：衡量AI系统将信息进行长期稳定存储的能力。
7. 长时记忆提取（MR）：考查AI能否从长期记忆中高效地提取所需信息。
8. 视觉（V）：包括图像识别、空间定位、视觉信息解读等视觉加工能力。
9. 听觉（A）：涉及声音识别、语音理解、听觉信息处理等听觉加工能力。
10. 速度（S）：主要评估AI快速处理简单认知任务的效率。

评估采用百分制，每个认知领域满分10分，系统总分达到100分即判定为达到AGI水平，分数越高代表离AGI的距离越近。

AI虽然进步快，但离AGI还很远

研究团队运用上述评估体系，对当前主流LLM进行了全面测试，结果既展现了AI的快速进步，也暴露了其与AGI的巨大差距。

从总分来看，2023年发布的GPT-4总分仅为27分，而2025年版GPT-5总分提升至58分.

两年间，分数增幅超过115%，反映出大模型在认知能力上的快速迭代。

但从AGI的及格线100分来看，即使是GPT-5，也尚未突破半程线，甚至在长时记忆存储领域中拿了0分。

具体来说，当前AI与论文中定义的AGI更关键的差异体现在认知领域的不均衡性上。

优势领域集中

据实验结果来看，当前AI的优势高度集中于知识储备与符号处理类领域

在知识（K）、读写（RW）、数学（M）三个领域表现突出，GPT-5在这三项的得分都超过了8。

△知识（K）领域评估

△读写（RW）领域评估

△数学（M）领域评估

这些优势的共性在于均围绕文本符号的理解与应用展开，是大模型在万亿级数据训练中形成的模式匹配能力的集中体现。

AI在依赖海量数据训练的任务中，在这些方面展现出了接近人类成年人的水平。

核心短板显著

与集中的优势形成鲜明对比，实验暴露出AI在感知、记忆、推理等基础认知领域存在致命短板，并且这些短板无法通过单纯的扩大规模弥补。

在 “视觉（V）” 、 “听觉（A）”领域，大模型的表现堪称惨淡。

△视觉（V）领域评估

△听觉（A）领域评估

GPT-4完全不具备图像识别与声音处理能力，即使GPT-5也仅能完成简单的猫犬分类、基础语音转文字，远无法实现人类级别的复杂场景解读与情感识别。

“长时记忆存储（MS）”与“提取（MR）”是另一致命缺陷，说明AI有健忘症。

△长时记忆存储（MS）领域评估

△长时记忆提取（MR）领域评估

无法实现信息的长期稳定存储，也就做不到对学习的内容灵活运用。

“伪全能” 的本质

部分大模型看似具备多任务处理能力，实则是通过技术手段掩盖短板

例如，部分模型通过扩大上下文窗口（如支持128k tokens的文本输入），假装具备长期记忆能力，但本质上仍是短期工作记忆的扩展，无法实现信息的长期存储与跨场景调用。

还有模型依赖联网搜索功能补充知识，看似无所不知，实则暴露了自身知识更新滞后、易产生幻觉的缺陷。

而这项研究的评估体系明确排除了外部工具的辅助，仅衡量AI系统的原生认知能力，使得这些伪全能表现无所遁形。

当然了，论文也明确指出，这套评估只看AI自身的认知硬实力，不管它能调用多少外部工具，也不看它能赚多少钱、替代多少工作，纯粹聚焦于智力本身

就算某个AI总分再高，只要像长期记忆这样的核心领域是零分，本质上还是有严重缺陷的“残次版”智能，离真正的AGI也还差得远。

这下，AGI有了可以衡量的定义，从概念到现实，还有多久呢？

论文地址：https://www.agidefinition.ai/paper.pdf
参考链接：https://x.com/DanHendrycks/status/1978828377269117007

— 完 —