吴恩达、斯坦福、谷歌云罕见同频：AI 测评逻辑正被 Agent 颠覆

作者 | 木子

时至 2026 年初，AI 行业光靠“讲故事”（包括但不限于 AGI、颠覆一切、指数级跃迁......）已经开始不够用了。

吴恩达、斯坦福、谷歌云团队接连抛出多份报告，都透露出一个共同信号：AI 行业的焦点，已经从“能不能做到”，变成了“在什么条件下、以什么成本、为谁创造价值”。

斯坦福 HAI（斯坦福以人为本人工智能研究院）明确指出，2026 年，是 AI 从 evangelism（布道）走向 evaluation（评估）的一年。

一方面，大量企业已经完成了第一轮生成式 AI 的部署，开始有条件回看投入与产出。

有人开始重新算账。

谷歌云发布了一份报告，名为 The ROI of AI 2025（2025AI 投资回报率），调查了 3466 名全球营收千万美元以上的企业老板或高管。

这份报告展现的答案也挺明确：真正实现正向、可持续投资回报的，并不是零散的生成式 AI 能力，是“Agent+ 流程 + 组织”的系统级落地。

数据也很直接：在最早一批入场 Agentic AI 的公司里，有近多九成已经在至少一个 GenAI 场景中看到了正向回报，并且越吃越香。

另一方面，AI 正以前所未有的速度渗透进医疗、法律等高风险、高责任领域，单靠“能力展示”已经无法支撑决策。

吴恩达在《The Batch》新年特刊里，直指“AGI”概念被过度滥用，并提出“图灵 -AGI 测试”重新界定上限。

斯坦福以人为本人工智能研究院（HAI），则联合计算机、医学、法律、经济学等多学科教授发布年度预测，明确提出“2026 年是 AI 从布道走向评估的一年”

这些报告背景各异，有产业一线、有跨学科研究机构、有长期做工程落地的团队。但都传递出一个信号：AI 不再只问“能不能做到”，而是要回答“在什么场景下、以什么成本、替谁承担风险”。

放在 AI 正在经历关键转向的当下，这几份报告难得不靠口号撑场子、信息密度很高，值得放在一起细品。

1 Scaling Law 不够用了，AI 评价标准被重写

过去几年，AI 行业其实并不缺“共识”。

其中最重要的一条，就是Scaling Law：模型越大、数据越多、算力越强，能力就越好。参数规模、榜单名次，一度成了衡量进步最直观、也最省事的标准。

但当 AI 真正进入法律、医疗等高风险场景时，这套逻辑开始显得单薄——

分数上涨，并不等于风险可控；能力增强，也不代表系统可落地。

于是，一些长期站在产研一线的人开始意识到：核心问题不仅是“模型还能不能更强”，而是现有评价体系，是否已经跟不上应用场景的复杂度。

AI 大牛吴恩达，在其年度通讯《The Batch》新年特刊中提了个引人注目的问题：

“在 2026 年，我们能最终真的实现 AGI 吗？”

说到 AGI，其实目前行业和学界对此还没有统一的定义，更缺乏统一、可信的评测体系。而且在吴恩达看来，更棘手的是，“AGI”已经被滥用：

“AGI 已经变成了一个炒作术语，而不是一个具有精确含义的术语...... 当企业炒作他们可能在几个季度内实现 AGI 时，他们通常试图通过设定一个非常低的标准来证明这些说法。”

这些导致学生误判未来（不敢学某些专业）、CEO 错判投资节奏，以及社会整体对 AI 能力产生了系统性高估。

在吴恩达看来，这种过度炒作并非第一次出现。在 AI 发展史上，几次著名的“寒冬”往往并不是源于技术本身停滞，而是源于预期被抬得过高、最终崩塌，继而引发投资迅速撤离。

在此背景下，为了更好地实现真正的 AGI 目标，他要做一个新的图灵测试，名曰“图灵 -AGI 测试”。

经典的图灵测试，由“计算机科学之父”艾伦·图灵在 1950 年提出，核心标准是：通过纯文字对话，如果人类评审无法分辨对方是机器还是人，机器就算通过测试。

不过，这对今天的 AI 已明显不足，但其中“由人判断结果是否达到人类水平”的逻辑，被保留并扩展到了更多样、真实的工作场景中：除了对话，还有接电话、处理任务、交付成果等，并且还得持续反馈与调整。

为了让人类裁判有更深入、细致的体验，一个实验周期往往长达多天、甚至是数周。

那么，这个测试与当前主流的 Benchmark（AIME、GPQA、SWE-bench 等）又有何不同？

在吴恩达看来，当前的大部分基准测试都有这些局限：题目固定、路径可预期，模型很容易被“对题训练”。它们难以反映 AI 真的足够“智能”，比如是否具备长期规划、持续学习和跨任务迁移的能力。

相比之下，图灵 -AGI 测试关心的是另一件事——它考的不是“会不会解题”，而是 AI 能否在任务不预设、路径不可控、反馈持续变化的条件下，把一件事从头到尾真正完成。

吴恩达认为，现有的 AI 系统，想要通过他们团队设立的图灵 -AGI 测试，将面临极高难度和诸多挑战；他甚至还放出一句“反直觉”的话：

“如果现在所有 AI 都通不过这个测试，那反而是一件好事。”

图灵 -AGI 测试的意义在于：如果有 AI 能通过，那就是强有力的信号；如果没有，也正好为过热的市场按下“冷静键”。

如果说，吴恩达提出的新测试是在关注的，是一个偏 AI“上限”的问题，那企业与研究机构更迫切需要回答的，则是一个偏“现实”的问题：AI 在当下的真实业务中，已经创造了多少价值，值不值得大规模用、怎么用？

斯坦福大学的计算机科学、医学、法律和经济学的教授们，最近联合发布了一份报告，标题非常直白：Stanford AI Experts Predict What Will Happen in 2026（《斯坦福 AI 专家预测 2026 年将发生什么》）。

这些 HAI 的研究者们一起点出：AI 布道时代正在让位于评估；即将到来的一年将由严谨性、透明度和长期忽视的实用价值而非投机承诺所定义。

简单来说，就是过去几年，AI 行业几乎只在算“能力账”，却系统性地回避了“经济账”，现在是时候好好算下钱的问题了，比如这些“灵魂拷问”：

• 企业为了用 AI，多花了多少钱？

• 节省的时间和人力，有没有被新流程吃掉？

• 维护、合规、算力、幻觉兜底，成本算过吗？

斯坦福的学者们们在多个领域（尤其是法律、医疗、写作类工作）都观察到一个现象：AI 的“单点能力”提升，并不必然带来整体效率提升。

有时候甚至是反效果：输出更多，但人要花更多时间核查；写得更快，但错误更隐蔽；看似节省人力，但引入新的协调成本。

他们提出一个观点，即如果 AI 的加入，让系统整体变得更复杂、更难以信任，那它的能力提升并没有什么意义。因此他们特别强调：不能只测模型，必须测 “人 +AI+ 流程” 这个整体。

以法律领域的 AI 为例，ROI（投资回报率）、严谨性和多文档推理这些指标将越来越重要。

至于 AGI，HAI 的联合主任 James Landay 和计算机科学院教授们，直接给其泼了盆冷水：

“My biggest prediction? There will be no AGI this year.（我最大的预测是？今年不会 AGI。)”

不过，这并不意味着技术停滞。相反，他们认为，AI 主权在今年有很不错的前景——但这里的“主权”并不是比拼谁的模型更大，而是模型跑在哪里、数据由谁掌控。

与此同时，对全球不断升温的算力投入，斯坦福 HAI 也发出了警告：过去一年，超大规模数据中心建设明显加速，但算力投资不可能无限加码，当资本持续涌入却迟迟看不到回报拐点时，这种热度本身就带有泡沫意味。

传播学副教授、HAI 高级研究员 Angèle Christin 说得更直白：“Deflating the AI Bubble .（戳破 AI 泡沫）”她表示，特别期待看到更多关于 AI 能做什么、不能做什么的细致实证研究。这不一定意味着泡沫破裂，但泡沫可能不会变得更大。

说完学界，再看看在产业一线，AI 目前的价值到底如何？

谷歌云近日发了份含金量颇高的报告：The ROI of AI 2025（**2025AI 投资回报率），调查了 3466 名全球营收千万美元以上的企业老板或高管。

这里面传递出的信号很清晰，即 AI 讨论的重心，正在从“模型有多强”，转向“系统能不能持续赚钱”——说得再激进点：且不谈 AGI，先看 ROI。

谷歌也给出了一个明确的答案：真正实现正向、可持续投资回报的，并不是零散的生成式 AI 能力，是“Agent + 流程 + 组织”的系统级落地。

数据也印证了这一点。88% 早期入坑 Agentic AI 的企业，已经在至少一个 GenAI 场景中看到了正向回报，并且越吃越香。但拉开差距的，和选了哪家模型关系并不大，而是这几件事：

• 有没有高层拍板、持续背书

• 有没有愿意为 AI 重做流程，而不是只加工具

• 有没有把一半以上的 AI 预算，真正投到 Agent 上

所以，老板和高管怎么理解 AI，直接决定它的价值能否快速兑现——有清晰 C-level 战略和持续背书的公司，78% 已经看到正向回报；而目标分散的组织，AI 往往只是“用过、试过”，却很难真正改变财务结果。

2 技术路径出现拐点：从大模型到 Agent 体系

如果说前几年 AI 的核心问题是“模型能不能更强”，那么现在，当模型够强之后，问题变成了怎么把它真正用进系统里。

在谷歌的这份 ROI 报告里，提到了 118 次 Agent（或者 Agentic）。

报告显示，AI Agent 已经在生产环境中大规模部署：在使用 GenAI 的企业中，已经有一半以上（52%）把 Agent 投入生产环境。

而且真正能让 AI 获得正向 ROI 的，集中在这几类流程清晰、可以规模化复制的场景：

• 生产力：减少重复劳动、压缩处理时间

• 客户体验：更快响应、更稳定交付

• 业务增长：缩短销售周期、提升转化效率

• 营销：规模化内容与投放优化

• 安全：减少误判、提前发现风险

这些场景有一个共同点：它们不是靠模型“更聪明”取胜，而是靠 Agent 嵌进流程、替人干活产生回报。

不过其实 Agent 和 Agent 之间的能力差别也是巨大的，就像智能驾驶分等级一样，谷歌给 Agent 按效果或者说进化路径分了三个等级：

• Level 1：是大家最熟悉的生成式 AI 阶段：聊天、检索、生成内容，本质是“一次输入、一次输出”的工具能力展示。

• Level 2：这才是真正意义上的 Agent。它不只回答问题，而是能理解目标、拆解任务、调用工具，并在一个流程内把事情做完。

• Level 3： 则是多 Agent 协同的工作流：不同 Agent 分工协作，由系统统一编排，像一个可调度、可扩展的“AI 团队”。

一级是工具，二级是产品，三级是系统。

值得注意的是，目前绝大多数已经产生正向 ROI 的 Agent，都集中在 Level 2。

客服 Agent、销售支持 Agent、内容与运营 Agent，基本都属于“单体 Agent + 明确流程”的形态。它们能嵌进业务、算得清成本，也更容易被组织信任。

在 2026 年，Agent 的下一步，并不是盲目“堆更多智能体”，而是“更可管理”，让多个 Agent 在清晰分工和明确规则下，稳定地协作起来。

要达成这样的效果，让吴恩达来看，得把能力拆细、边界划清，比如解决掉这些问题：谁来拆任务？谁真正去干活？中途翻车了谁兜底？最后的结果到底算谁的？最终让 Agent 像流程里的员工一样稳定干活——即Skill- First。

Skill是最近 AI 圈一个大热的新词，直译过来是“技能”；在 AI 技术语境下，你可以将其理解为Agent 的“技能模块”。

一次搜索、一次写作、一次代码生成、一次审批判断、一次风控校验、一次执行动作，都是一个边界清楚、可被调用、可被复用，还能被监控的 Skill。

与其说未来是“多 Agent 协作”，不如说是Agent 在调度一堆 Skill，比如：

• 什么时候查资料，用某个搜索 Skill；

• 什么时候写文案，用某个生成 Skill；

• 什么时候需要人介入，用审批或风控 Skill 接管。

要知道，目前真正跑出 ROI 的系统，往往不是最复杂、最炫的多 Agent 网络；而是 Skill 拆得够细、流程跑得够顺、责任链条说得清楚的 Agent 系统。

总而言之，Agent 的天花板，最终不取决于它“认识多少同伴”，而取决于它能不能把一组技能，按业务节奏稳定地用起来、跑下去、算清账。

在 Agent 这件事上，吴恩达可以算是“Skill 派”。

虽然他不一定频繁使用 “Skills” 一词，但他的思路本质上就是 Skill-first：他反对把 AI 能力打包成模糊的“通用智能”，强调可验证、可组合、可评估的能力单元。

这应该也是他反对 AGI 被滥用的原因之一：一旦不拆解能力，就无法判断边界，也无法管理风险。

所以在吴恩达的体系里，Agent 就像能调用一组能力、完成工作的人，而 Skill 就是可以被训练、验证、组合的具体组件。

AI 是一门长期生意，当故事讲完、潮水退去，能留下来的，恐怕只会是那些被长期运行、被持续信任的系统。

https://hai.stanford.edu/news/stanford-ai-experts-predict-what-will-happen-in-2026

https://cloud.google.com/resources/content/roi-of-ai-2025?hl=zh-CN&utm_source

https://www.deeplearning.ai/the-batch/issue-334/

https://x.com/fchollet/status/2002030113433465127