当前人工智能发展已进入瓶颈期，单纯扩大模型规模带来的收益递减。现有大型语言模型虽取得显著成就，但在保持上下文一致性、持久记忆和复杂推理方面存在根本性局限。实现人工通用智能的关键在于构建综合模型、记忆、上下文和确定性工作流程的工程系统，而非继续训练更大规模的模型。AGI本质上是一个工程问题，而非模型训练问题。

AGI是一个工程问题 | Vinci Rufus

人工智能发展已到达一个转折点。曾经通过扩大模型规模来提升性能的“规模法则”如今已显现出收益递减的趋势。尽管GPT-5、Claude和Gemini等模型取得了显著成就，但它们正面临无法通过简单扩大规模来解决的瓶颈。实现人工通用智能（AGI）的路径并非依赖于训练更大的语言模型，而是通过构建工程化系统，将模型、记忆、上下文和确定性工作流程结合，形成超越单个部分能力的整体。

AGI是一个工程问题，而非模型训练问题。

当前大语言模型的瓶颈

当前的大语言模型已触及明显的天花板。它们虽然在模式匹配和文本生成方面表现出色，但在跨会话的上下文一致性、持久性记忆以及复杂多步推理的可靠性方面存在根本性限制。这与半导体行业在21世纪初面临的时钟速度瓶颈类似，当时的解决方案并非强行提升处理器速度，而是通过多核架构重新设计。

AI正处于同样的转折点。 我们需要停止问“如何让模型更大？”，而应开始思考“如何让系统更智能？”

构建AGI的系统化方法

人类大脑并非单一的神经网络，而是由多个专门系统协同工作的集合，包括记忆形成、上下文管理、逻辑推理、空间导航和语言处理等。每个系统都有其特定功能，并通过复杂的反馈回路异步运作。

真正的AGI需要我们构建类似的工程化系统。以下是需要构建的关键组件：

1. 上下文管理作为基础设施
   当前模型的上下文处理能力仅限于数千个token，而人类的上下文跨度可覆盖多年的生活经验。我们需要构建能够实时检索、过滤相关信息，并维护跨会话一致性的上下文管理系统。

2. 记忆即服务
   大语言模型缺乏真正的记忆，而是通过提示工程和上下文填充来模拟记忆。真正的AGI需要能够更新信念、整合信息、遗忘无关细节并生成元知识的记忆系统。

3. 确定性工作流程与概率组件的结合
   AGI的突破在于构建能够灵活结合确定性框架和概率组件的系统，类似于编译器：整体流程是确定性的，但个别步骤可以使用启发式和概率优化。

4. 模块化的专用模型
   未来并非依赖单一模型，而是由数百甚至数千个专用模型协同工作。语言模型在语言任务上表现出色，但在符号操作、视觉空间推理、时间规划和目标行为等方面表现不佳。我们需要构建能够将问题路由到特定领域优化模型的系统。

AGI的工程挑战

构建AGI是一个分布式系统问题，而非机器学习问题。 真正的挑战在于构建容错管道、监控系统、部署框架和测试基础设施，以确保系统在模型和参数组合下的可靠运行。这需要分布式系统工程师的深厚经验，而非仅仅依赖机器学习专家。

未来的构建方向

与其专注于扩大模型规模，我们应致力于构建支持通用智能的基础设施。以下是建议的路线图：

1. 基础层
   包括上下文管理服务、记忆服务、工作流引擎和代理协调层。

2. 能力层
   包括专用模型控制、符号推理引擎、规划与目标管理系统以及跨模态集成系统。

3. 涌现层
   真正的AGI将从这些组件的协同作用中涌现，而非依赖单一模型的突破。

前进的道路

实现AGI的路径并非通过训练更大的Transformer模型，而是通过构建能够协调数百个专用模型、维护跨会话一致性、执行确定性工作流程并提供生产级容错操作的分布式系统。这是一项需要数十年分布式系统经验的工程工作。

AGI的竞赛并非由拥有最大GPU集群的团队赢得，而是由那些懂得如何构建可靠、工程化AI系统的团队胜出。 我们现有的模型已经足够，缺失的是将这些模型转化为通用智能的系统工程。

我们一直在问错误的问题。 问题不是“如何实现下一个模型突破？”，而是“如何构建系统架构，使通用智能成为必然？” 答案是系统工程。AGI的未来在于架构，而非算法。

评论主要围绕AGI（通用人工智能）的定义、实现路径及其挑战展开，观点多样且存在争议。以下是总结：

1. AGI的定义与科学问题

• 观点：AGI的定义模糊，且缺乏科学基础，当前的研究更多是工程问题而非科学问题。
• 论据：
  • "AGI is poorly defined and thus is a science 'problem', and a very low priority one at that." (评论3)
  • "We don't know if AGI is even possible outside of a biological construct yet." (评论7)

2. 工程与数据驱动的局限性

• 观点：单纯依赖工程改进或数据扩展无法实现AGI，需要更基础的科学突破。
• 论据：
  • "No amount of engineering or model training is going to get us AGI until someone defines what properties are required." (评论3)
  • "The idea that you would somehow produce intelligence by feeding billions of reddit comments into a statistical text model will go down as the biggest con in history." (评论15)

3. 规模与新兴能力的潜力

• 观点：尽管存在挑战，但通过扩大模型规模和优化工程，仍有可能实现新的突破。
• 论据：
  • "We don't know until someone tries, and there is compelling evidence that there's still plenty of juice to squeeze out of both scale and engineering." (评论4)
  • "Better models, bigger models, and infrastructure all help get to AGI." (评论29)

4. LLM（大语言模型）的局限性

• 观点：LLM虽然在某些任务上表现出色，但距离真正的AGI仍有很大差距。
• 论据：
  • "All of our current approaches 'emulate' but do not 'execute' general intelligence." (评论25)
  • "The reasoning/search/'memory' are the same building blocks of old, they look very similar to techniques of the past." (评论8)

5. AGI的伦理与哲学问题

• 观点：实现AGI后可能带来伦理问题，如自由意志与奴役的争议。
• 论据：
  • "Everything you do from that point on that is not specifically granting it free will and self-determination is slavery." (评论26)
  • "What if intelligence requires agency?" (评论20)

6. 对当前进展的乐观与质疑

• 观点：部分评论者对当前进展持乐观态度，认为已有初步AGI的雏形，但也有质疑声音。
• 论据：
  • "Claude Code is what they would have imagined basic AGI to be like 10 years ago." (评论16)
  • "Sam Altman have said they have achieved AGI within OpenAI. That's big." (评论14)

7. 未来路径的多样性

• 观点：实现AGI可能需要多种路径的结合，包括科学、工程和哲学思考。
• 论据：
  • "It's a research problem, a science problem. And then an engineering problem to industrialize it." (评论21)
  • "We need to stop giving a shit about AGI and just try to build progressively better systems and enjoy the ride." (评论11)

总结：评论者对AGI的实现路径存在分歧，主要集中在是否需要科学突破、工程优化的潜力、LLM的局限性以及伦理问题等方面。尽管部分人认为当前进展已接近AGI，但更多人认为仍需解决基础科学问题。