AI七十年：GPT-6把AGI带进现实

本文来自微信公众号： 凌霄-科技投资人 ，作者：凌霄

GPT-6之后，一个已经被讨论了几十年的词，再次被推到聚光灯中央：AGI，也就是通用人工智能。很多人最先盯住的，依然是那张熟悉的成绩单：推理能力提高了多少，代码能力到了什么水平，Benchmark又刷新了多少，模型距离“人类水平”还有多远。

但如果把时间拉长，把AI过去七十年的历史重新翻一遍，你会发现，我们可能一直把AGI最重要的问题问反了。AGI真正的临界点，也许并不是机器什么时候“像人一样聪明”，而是机器什么时候可以像人一样，稳定、低成本、持续地创造经济价值。

这两个标准完全不是一回事。一个模型可以在实验室里拿到极高分数，却未必能在企业里连续工作八小时；可以回答一道极难的数学题，却未必能独立完成一次客户调研、整理数据、制作方案、调用系统、发送邮件并对结果负责。

所以，GPT-6之后真正值得研究的，不只是“智能又提高了多少”，而是AI正在跨越另一条更隐蔽、也更重要的红线：它正在从一个回答问题的工具，变成一种可以被购买、复制、调度和计价的智能劳动力。工业革命让人类第一次大规模复制体力，互联网让人类第一次近乎零成本复制信息，而AGI时代真正可能发生的，是第三次复制：大规模复制智能。

如果这条线真的跨过去，GPT-6开启的就不只是下一轮大模型战争，而可能是AGI经济时代的第一次真正压力测试。

01

AI等了七十年，

等的不是更聪明，

而是全要素成熟

1956年夏天，几位年轻科学家在达特茅斯组织了一场暑期研究项目，“人工智能”这个词第一次被正式提出。那一代人非常乐观，他们相信，只要把人类思考问题的规则写清楚，机器最终就能模拟人的智能。想法极其超前，现实却很快给了他们一记重拳。

六十年代的机器翻译遇冷，八十年代的专家系统又经历了一轮从狂热到失望。问题并不是那一代科学家不够聪明，而是整个世界根本没有准备好。机器太贵，算力太弱，数据太少，基础设施不成熟，商业场景也没有形成。早期AI就像有人提前拿到了超级跑车的发动机图纸，却发现这个世界既没有高标号汽油，也没有铺好的高速公路。发动机再先进，也只能停在车库里。

这就是研究AI七十年最重要的第一个规律：很多伟大的技术并不是错了，而是来早了。技术史真正残酷的地方在于，发明本身从来不等于产业革命。蒸汽机不是在第一台样机出现时改变世界，而是在它进入工厂、铁路和轮船之后；电力不是在第一盏灯亮起时改变世界，而是在电网、发电设备、电机和工业体系全部成熟之后；互联网也不是在第一封电子邮件发出时改变全球经济，而是在几十亿人和几千万家公司把交易、广告、支付、社交和商业活动搬上网络之后。

所以一项技术真正爆发，需要等的从来不是一个单点突破，而是多个变量在同一时间跨过临界线。AI过去七十年，本质上就是在等这场“变量共振”。

互联网没有发明AI，却替AI铺好了第一条高速公路九十年代，互联网开始席卷全球。网页、论坛、搜索引擎、电子邮件、图片和视频疯狂增长。当时几乎所有人的注意力都在“网络世界”本身，没有多少人意识到，这场革命正在无意间为另一场革命准备最重要的燃料。

因为AI最缺的东西之一，就是数据。神经网络的思想早在几十年前就已经出现，就像一位顶级厨师早早拿到了一本绝世菜谱，真正的问题是：没有足够的食材。互联网改变了这一切。人类第一次开始大规模把自己的语言、照片、知识、行为、关系和偏好数字化。几十亿人每天上网，看起来是在搜索、发帖、聊天、上传图片，实际上是在一点一点建设一个前所未有的人类文明数据库。

到了2012年，AlexNet在ImageNet比赛中横空出世，深度学习真正站上舞台。机器开始证明：它不一定需要人类把所有规则一条一条写进去，只要数据足够多、算力足够强，就可以自己从海量信息里“悟”出规律。AI由此跨过第一条关键临界线：从“人类给机器写规则”，变成“机器从数据中学习规则”。

但这时的AI仍然像一台被锁在机房里的超级发动机。它会识别图片，会推荐内容，会做搜索，但普通人很难直接调用这种能力。AI还缺第二样东西：一个足够简单的入口。ChatGPT真正改变的，不只是模型，而是“人人可用”。

2017年，Transformer架构出现，AI底层能力开始加速跃迁。但真正把AI从工程师实验室拖进普通人生活里的，是2022年底ChatGPT的出现。很多人把ChatGPT的爆发理解成“模型突然变强了”。这当然重要，但还有一个更容易被低估的变化：人和机器之间的接口被彻底改写了。过去使用计算机，人必须学习机器的语言。编程、菜单、按钮、命令、复杂的软件流程，本质上都是人去迁就机器。

ChatGPT第一次把这层关系反了过来：机器开始理解人的语言。于是，一个八岁的小孩只要会说话，也可以调动背后庞大的模型、数据和算力。真正引爆时代的，不只是模型有多深奥，而是“人人可用”。任何一场大规模科技革命，都必须经历一次从“少数专家能用”到“普通人随手可用”的跃迁。互联网有浏览器，智能手机有触摸屏，生成式AI有自然语言。ChatGPT因此跨过了AI历史上的第二条关键临界线：智能开始变成一种大众化入口。

但这里仍然有最后一道墙。ChatGPT会写、会算、会分析、会回答，可大多数时候，人仍然需要坐在驾驶座上不断告诉它下一步做什么。它像一个智商极高的副驾驶，却还不是一个真正能够独立交付结果的员工。而Agent的出现，开始撞击这最后一道墙。

02

从Copilot到Agent：

AGI真正的标志，

是开始“上班”

过去几十年的软件，本质上卖的都是工具。Excel没有替你当会计，Photoshop没有替你当设计师，Office没有替你当秘书。软件真正创造的价值，是让一个人工作得更快。

生成式AI第一阶段依然没有完全跳出这套逻辑。程序员用AI写代码，律师用AI整理材料，分析师用AI做研究，营销人员用AI写文案。人负责目标、判断和责任，AI负责辅助，所以我们把它叫Copilot。但Agent开始改变这层关系。当一个AI能够自己接收目标、拆解任务、寻找资料、调用工具、操作软件、读取数据、检查结果、发现错误、重新修改，最后把成品直接交给你时，它已经越来越不像传统软件，反而越来越像一个“数字员工”。这可能是AGI讨论中最值得重新定义的一条线。

过去我们总想知道，机器什么时候拥有和人一样的通用智力；但站在产业和资本的角度，还有一个更现实的AGI标准：它什么时候能够真正上班？一个企业不会因为AI在考试里得了满分，就自动给它预算。企业真正愿意付钱，是因为它能完成任务、降低成本、提高收入，或者替代某一段原本需要人类时间才能完成的工作。

所以AGI真正从技术概念进入经济系统的标志，可能不是某个实验室宣布“我们实现了AGI”，而是企业第一次认真把AI当成一种劳动力来采购。不是AGI诞生的那一天，而是AGI开始上班的那一天。人类第一次开始给“智能工时”标价。过去几年，我们衡量AI的方法非常像工业革命初期的人们围着蒸汽机研究零件：参数多少、上下文多长、Benchmark多少分、一个Token多少钱。这些指标当然重要，但工厂老板真正关心的从来不是蒸汽机有多少零件，而是这台机器一天到底能替我干多少活。AI最终也一定会走到这一步。

假设有两个模型。第一个模型Benchmark高5%，第二个模型分数稍微低一点，却能连续工作八小时：早上完成客户调研，中午整理Excel，下午制作PPT，晚上把邮件发出去，整个过程人类只需要花十分钟检查。企业最终会买谁？答案其实一点都不科技。企业购买的从来不是“智商”，而是ROI。

所以GPT-6之后，AI产业可能会出现一套比参数更重要的新指标：任务完成率、连续工作时间、人工接管率、单位任务成本、错误成本，以及每个Agent真正创造的经济价值。最后所有指标都会汇聚成一个极其简单的问题：100美元的机器智能，到底能替企业节省多少美元的人类劳动？

当这个数字能够被稳定计算，并且长期大于1，AI才真正跨过商业化最关键的临界点。因为从这一刻开始，AI第一次从企业的“软件预算”往另一张表里移动：人力成本。这张表背后的市场，可能远远大于整个软件行业。

AGI真正争夺的，可能不是软件市场，而是全球劳动力市场过去的软件公司争夺的是企业IT预算：数据库、办公软件、CRM、ERP、云计算、SaaS。Agent如果真的成为数字员工，它争夺的就不只是软件预算，而是全球企业每年支付出去的庞大劳动力成本。

以前一家企业扩大业务，最直接的办法就是招人。十个人不够就招一百个，一百个人不够就招一千个。因为人的时间一直是企业最重要、也最昂贵的生产资料之一。AGI时代第一次提供了第二种选择：原本需要100个人完成的工作，未来有没有可能变成20个人，加500个Agent？一旦企业开始认真计算这笔账，AI最大的市场就不再只是科技公司，而会进入所有大量购买“人的时间”的行业。金融、保险、法律、咨询、会计、客服、广告、教育、医疗行政、软件外包、企业后台，都可能被卷入这场重新定价。

这些行业有一个共同特点：它们大量购买的不是钢铁、石油和机器，而是受过教育的人类时间。过去只有一种选择——购买人的时间；现在，机器第一次提供了另一种选择——购买智能的时间。这也是AGI时代真正巨大的经济含义：智能开始从一种附着在人身上的稀缺能力，逐渐变成一种可以像云计算一样按需调用的生产要素。

03

当智能可以计价，

AI争夺的就不再只是

软件市场

如果这个判断成立，AI行业的估值方法也会发生变化。

过去投资人喜欢问：模型多大、算力多少、Benchmark第几、Token价格多少、融资多少。未来更重要的问题会越来越接近企业经营本身。一个Agent能连续完成多长时间的真实工作？任务成功率是多少？人工多久需要介入一次？失败一次造成多少经济损失？一个Agent每个月的成本是多少？对应增强或替代的人类劳动价值是多少？

这些问题最终会形成一个AI时代非常关键的新指标：数字劳动力ROI。当一个Agent一年花掉2万美元，却能够完成过去一个年薪8万美元员工的大量标准化任务时，企业采购AI的逻辑就不再是“我要不要试试新技术”，而会变成“为什么我要继续维持原来的成本结构”。

企业可以不追逐科技潮流，可以不懂大模型，甚至可以完全不关心底层模型用了什么架构，但企业很难长期拒绝更低的成本。这就是所有产业革命真正可怕的地方：一旦技术优势变成成本优势，它就不再需要靠故事推动，利润会替它完成扩散。

卖铲子的时代之后，新的机会是“管理一百万个数字员工”过去几年，AI产业最赚钱的地方主要集中在上游：GPU、HBM、服务器、光模块、数据中心、液冷、电力。因为整个行业都在建设AI。

这很像十九世纪铁路建设初期。铁路疯狂铺设的时候，最先赚钱的是钢铁、设备、土地和施工。但铁路真正改变经济，是在铁路铺完以后。物流、城市、贸易、零售和制造业开始沿着铁路重新生长。AI也可能正在进入类似的第二阶段。第一阶段的问题是：谁能造出最强模型？第二阶段的问题会逐渐变成：谁能利用这些模型创造最多利润？

假设未来一家大型企业内部同时运行十万个Agent，一整套过去不存在的问题会突然冒出来：谁给它们发“工牌”？谁决定它们能看什么数据？谁给它们权限？谁允许它们付款？谁记录它们做过什么？谁负责审计？谁在它们犯错时承担责任？谁把它们接进ERP、CRM、财务系统、供应链和企业数据库？你会发现，一个新的产业层正在出现。

过去的人力资源系统管理人，未来可能出现另一套系统，专门管理数字劳动力。身份、权限、支付、审计、安全、责任、工作流编排，都会成为AGI经济时代的新基础设施。

互联网时代最大的公司并不全是卖路由器的。AI时代最终最大的公司，也未必全部是卖GPU的。当所有人还在争夺最强模型时，围绕一百万个数字员工建立的新基础设施，可能才刚刚开始。

04

真正被重新定价的

不是工作，而是人的稀缺性

谈到AGI，最常见的问题永远是：AI会不会让人失业？但这个问题其实把技术革命看得太简单了。

历史上的技术革命很少是一夜之间让所有人消失。真正发生的，是不同能力的市场价格开始变化。工业革命没有让所有工人消失，但机器让单纯依赖体力产生的溢价下降；计算机没有让所有会计消失，但重复计算的价值下降；互联网没有让所有媒体消失，但信息分发本身越来越便宜。AI同样如此。

它首先消灭的可能不是“人”，而是某些能力的稀缺性。写一段普通代码、整理一份普通资料、制作一个普通PPT、写一封普通邮件、分析一份标准合同，这些能力过去为什么值钱？因为需要一个接受多年教育的人才能稳定完成。

但数字智能最恐怖的经济特征，不只是聪明，而是可以复制。一个优秀工程师一天只有24小时，一个优秀律师也只有24小时。人的智能天然受到肉体、时间和培养周期的限制。可一个成熟Agent一旦被复制成一万份、十万份、一百万份，同一种能力的供给曲线会被彻底改写。当一种能力从稀缺品变成工业品，它的价格一定会下降。

所以AGI时代真正值得每个人思考的问题，可能不是“机器会不会抢走我的工作”，而是“机器会把我今天拥有的能力，重新定价成多少钱”。当智能变便宜，财富会流向新的“生产资料所有者”。每一次生产要素价格发生巨大变化，财富都会重新分配。

工业革命以后，财富从手工业者流向拥有机器和工厂的人；互联网时代，财富从传统渠道流向拥有平台、数据和网络效应的人。如果智能真的变成一种可以购买、复制和调度的生产要素，AGI时代的财富地图也会重新绘制。谁拥有算力？谁拥有能源？谁拥有模型？谁拥有独家数据？谁控制Agent入口？谁掌握企业工作流？谁拥有客户关系和支付能力？谁能够组织几十万、甚至几百万个数字员工？这些问题背后其实指向同一个东西：谁掌握了AI时代新的生产资料。

技术决定效率，但生产资料的所有权往往决定财富流向。

这也是为什么研究AI不能只研究模型。模型决定机器有多聪明，产业链决定这种智能能不能规模化，生产资料的所有权则决定智能规模化以后，最大的价值最终落在谁手里。当智能开始变便宜，真正昂贵的东西也会发生变化。能源可能更重要，独家数据可能更重要，真实世界的入口可能更重要，信任、责任、审美、品牌、人与人的关系，以及机器暂时无法批量复制的判断力，都可能重新获得溢价。

05

AI七十年的答案：

不要押注技术，

要押注临界点

回头看AI七十年，真正值得投资人带走的，不是哪一个模型的名字，而是一套判断下一轮科技革命的方法。

一项技术真正从实验室进入经济系统，至少要同时跨过几条线。第一条是成本临界点。技术必须便宜到普通企业能够大规模使用。第二条是基础设施临界点。算力、能源、数据、供应链和配套系统必须足够成熟。第三条是能力临界点。技术不能只在Demo里惊艳，而要在真实世界里足够稳定。第四条是入口临界点。普通人和企业必须能够低门槛使用。第五条，也是最容易被忽略的一条，是商业化临界点：企业必须能够把ROI算清楚。

过去七十年，AI其实是在一条一条跨过这些线。互联网准备了数据，GPU和云计算准备了算力，Transformer推动了能力跃迁，ChatGPT解决了大众入口，而GPT-6与Agent真正值得观察的，是最后一条线有没有开始松动：数字智能创造的经济价值，能不能被稳定计价。所以寻找下一轮科技革命，千万不要只盯着最炫酷的技术名词。人形机器人、可控核聚变、量子计算、生物科技，都可以用同一套方法重新审视：成本降下来了吗？基础设施铺好了吗？能力稳定了吗？入口出现了吗？有人愿意持续付钱了吗？

真正的大机会，往往不在技术第一次被发明的那一天，而在所有生产要素终于凑齐的那一刻。不要只押注所谓的“伟大”，要押注全要素共振之后的必然。

结语

AI七十年，

等来的可能不是AGI，

而是AGI经济

现在再回头看AI七十年的历史，一条隐藏的线已经越来越清楚。

1956年，人工智能有了想法；互联网准备了数据；GPU和云计算准备了算力；Transformer改变了底层架构；ChatGPT解决了入口；而今天，Agent正在尝试解决最后一个问题：经济价值。所以GPT-6究竟是不是AGI，也许并不是最重要的问题。真正重要的是，我们是不是已经开始进入AGI经济时代。因为一项技术真正改变世界，从来不是实验室宣布成功的那一天，而是它开始进入企业成本表、利润表、生产流程和普通人的生活之后。

工业革命让人类第一次大规模复制体力。互联网让人类第一次近乎零成本复制信息。而AGI时代正在尝试完成第三件事情：大规模复制智能。过去培养一个工程师需要漫长的教育和实践，培养一个律师、医生、分析师同样如此。人的智能之所以昂贵，一个重要原因就是它无法快速复制。可数字智能没有这个限制。如果一个成熟Agent可以复制一万份、十万份、一百万份，人类经济会第一次面对一个过去从未存在过的问题：当智能本身不再稀缺，什么才是新的稀缺资源？可能是能源，可能是算力，可能是独家数据，可能是信任、责任、审美、人际关系，也可能是机器暂时无法规模化复制的判断力。

这才是AI七十年走到今天，真正留给我们的最大问题。GPT-6最大的意义，也许根本不是模型又升级了一代，而是人类第一次开始认真尝试，把智能从一种只存在于人脑里的能力，变成一种可以购买、复制、调度，甚至明码标价的生产资料。

工业革命重新定价了体力。互联网重新定价了信息。AGI时代，正在重新定价智能。而当企业第一次开始认真计算，一个Agent能工作多少小时、能替代多少人工、能创造多少利润时，AGI就不再是实验室里的一个词，它第一次真正进入了人类经济。

AI七十年等待的，可能正是这一刻。不是AGI诞生的那一天，而是AGI开始上班的那一天。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4888520.html?f=wyxwapp