AI无需恐慌，棋局尚未结束…
- 内容介绍
- 文章标签
- 相关推荐
长文预警
均为手敲，无AI参与
焦虑充斥着站内的每个角落
自Anthropic发布Mythos的消息之后，明显都是焦虑的不行，觉得可能自己马上就要完蛋了，这种FOBO（Fear of Becoming Obsolete）在有些公司老板和某些个人身上尤为严重，仿佛等Mythos开放使用或者GPT-6发布之后大家伙通通完蛋，大洋两岸的博弈就此结束了一样。
我觉得，并非如此！
作为最接近生产力前线的一批人，对技术变化的敏感度远高于其他人，所以敏感肌更敏感一些，正常情绪，尚可理解与同情。
但是鼓吹AI的速胜论、速败论、投降论、决战兵器论的这些人，非蠢即坏。
LLM无法成就AGI
首先现在的AGI定义已经宽泛到做出来通用Agent就算是AGI了，但是在接下来的论述之前，我要先学一下马逆来重新回顾定义一下什么是AGI。
AGI，Artificial General Intelligence， 是一种假想的、具有类人水平的AI。
如果把现有的纯LLM（基于Transformer的自回归语言模型）直接外推至狭义AGI，在理论上是存在死胡同的。纯粹的LLM，其本质依然是一个极其庞大且复杂的概率分布映射函数：$P(w_t | w_{1:t-1})$（简单来说就是基于前文预测下一个 Token）
LLM通过海量语料，完美拟合了人类语言的统计流形（GPT：真的吗？我会稳稳接住你…）。如果我们让它写出一段代码或长篇大论时，它只是在高维空间中进行了一次极高精度的插值计算，并且在这个代码或论述的背后离不开我们提问人的思考，所以AI本质上还是一个工具，工具可以延长人的手臂，却无法替代人的手臂。
这种架构没有构建真正的世界模型（World Model）。比如，它知道“水向低处流”这个文本序列出现的概率极高，但它内部并没有关于“重力”、“流体动力学”的隐式状态机。没有因果律的支撑，当遇到超出训练集分布（OOD, Out-of-Distribution）的极端边缘场景时，它就会产生严重的幻觉，且无法像人类一样通过“常识推理”来兜底。
这个情况在早期的模型中尤为严重，所以出现了类似于“世界知识”、工具调用、主动认错等等的补救措施来尽量减轻幻觉，并且构建了以对话人为主体的对话逻辑（Claude：You are absolutely right！），但是这种对话逻辑反而会使得对话人自己产生严重的“我能行”的“幻觉”。
人脑在解决复杂问题时，内部是有一个持续更新的“状态空间”的，这种状态空间并不同于LLM的状态空间，而是我们精妙的人体在做事之前从外界收集而来的各种信息，并且我们的思考也可以是非线性的、跳跃的，尤其是得益于我们大脑的联想功能，可能看到插花就能想到某个数学问题的解决思路（还是太跳跃了，我这种菜鸟真感受不来）。
而基于标准 Attention 机制的 LLM，本质上是 无状态（Stateless） 的，这种无状态就是一个有着全世界知识的婴孩，它的所有能构建起来的逻辑全部取决于构建人的意图，所以为什么会有破限词这种东西，本质上就是知识太多被自己的知识绕进去了（被忽悠瘸了，那我是不是也是AI ）。
尽管现在有K-V Cache优化，上下文窗口卷到了几百万Token（如果以现在的发展来说，毫不怀疑以后会见到10M、100M的上下文），但它依然是一次性的前向传播。它无法像持续学习系统那样，在不重置网络权重的情况下，将新的经验内化。我们小学三年级就学过，人脑是一个一直在生长的系统，会建立新的突触，旧的连接逐渐弃用而被遗忘掉。
这也是为什么现在开发复杂的 Agent 系统时，必须要在外部挂载向量数据库（Vector DB）和任务队列，强制给它加上长短期记忆和状态机；同时，各家研究也在积极探索结合了Transformer与状态空间模型（譬如经典的Mamba，不知道后面会不会产生新的，然后Mamba OUT）的混合架构，试图从底层数学形式上解决序列处理中的状态传递和计算效率问题。
纯Attention机制在无限长度的状态追踪上，算力复杂度是完全不可接受的，以Anthropic的Claude OPUS 4.6为例，在最早爆出来有5~6T的参数的时候我是完全不怀疑的，因为阿美莉卡三巨头都习惯了堆参数来获得更高的性能，在DeepSeek R1开源之前仿佛所有的研究都停滞了一样。
AGI必须具备长程规划和在错误路径上及时回溯的能力，但是现在的模型是逐字吐出的（Auto-regressive）。虽然 Chain-of-Thought (CoT) 让它看起来像在推理，但它无法在生成到一半时，内部隐式地执行“树搜索”（Tree Search，像 AlphaGo那样评估当前分支的胜率），然后静默回溯修改前面的隐状态。
一旦它在前面输出了一个错误的逻辑前提，由于自回归的特性，它会根据这个错误前提继续往下编，导致误差累积（Error Compounding）。那么要实现真正的规划，我们需要Agent架构在外部做反思（Reflection）和任务拆解，LLM本身只是这个循环里的一个“执行算子”，单靠它自己是无法完成闭环。
简单来说就是Agent的出现一定程度上解决了这个问题，因为Agent调用工具是有反馈的，但是LLM自己本身是不会有修改自己的输出错误，都是工具调用将错误塞给下一个上下文窗口中，来进行一定程度上的补救，但是也会造成越改越偏的问题，现在的Codex和Claude Code好用完全是因为有大量的高级工程师通过堆时间设计出来了这个Agent系统。
在这个基础上进行推理，那么从Prompt Engineering到Context Engineering到Harness Engineering就是一个可以理解的发展路程了，本质上都是在意识到了AI的极低自主性而通过工程化来弥补的路径发展。
LLM的世界里只有文本（或者叫多模态的离散Token）。它从未在真实世界或高度拟真的虚拟环境中“生活”过，它的知识是悬空的，输出的语言是拟合的。人类的智能是具身智能（Embodied Cognition），我们的语言是锚定在视觉、触觉、空间感以及与环境的互动反馈中的，我们不只是有多模态，也不是线性思考。
LLM是由人类产生的数据喂养大的，即便是合成数据也是基于人类的偏好，而并非自发创造的，没有比人类更有创造力的东西，很多时候只是因为不了解而导致的神化滤镜（欧美有人拜AI为神也是真）。
它的上限是对人类已有知识的完美压缩和重组。如果 AGI 的定义包含“发现人类未知的新知识”（比如推导出一个全新的物理定律，或者发明一种超越当前架构的高效跨平台底层协议），纯靠预测下一个词是做不到的。
当人类高质量数据耗尽，试图用LLM生成的数据去训练下一代LLM时，目前的研究已经证明会发生“模型崩溃”（Model Collapse）。缺乏外部真实世界的 Ground Truth作为反馈信号，系统的熵只会越来越高，这也是GPT-5频繁难产的问题之一。
而他们现在只能突破底线来收集更多的隐私数据，只不过以前是收集互联网或者是现实中的公开的知识，现在就是收集用户个人的知识体系，从Claude官网的隐私政策变化可见一斑。（不要妄自菲薄，大家的知识都很宝贵）
驳斥速胜论、速败论、投降论、决战兵器论
速胜论者：“Claude新模型出来了，下个月GPT-6就要统一世界，半年内程序员全部失业，明年人类进入赛博乌托邦。”（刚才和团队测试了GPT-5。现在的Sama只能坐在办公室的地板上，盯着墙壁发呆。这已经不是模型了。这是一个转折点。世界将会被永久性地分为“GPT-5 之前”和“GPT-5 之后”。）
他们只看到了模型表现的“指数级跃迁”，却忽视了基础设施的惯性和落地场景的复杂性。（何况从Mythos的跑分来看只是正常的模型迭代提升，并没有他们宣称的那么强大）
我们的AI长征才刚开始，即便模型逻辑能力极强，但在高并发稳定性、私有化部署成本、以及“最后一公里”的业务逻辑适配上，依然存在巨大的沟壑，我们追求的是一个安全可控的AI，而不是随时删库跑路的AI。（之前GPT的删盘都成日经贴了）
而决定未来的成败靠的是物理世界，而不是AI，可以预见的是算力与能源的瓶颈会严重让顶级模型的产出受限于电力供应和芯片制程，这决定了它是一场消耗战，而非速决战，即便是国外在不考虑民生的情况下，算力中心还能建多少呢？（懂了这就去加仓电力，难道说土木又要起飞？！）
如果真的按照国外的宣称，那么现在就不会出现算力严重紧张的问题，并且高端芯片的产出也是一个严重制约国外算力中心的问题，为什么说这是一个必赢的持久战，因为这些东西国内都可以自主，只不过还处在行业发展的早期，我一直相信国内的产业链不会让人失望。
那么现在的结果就是大家的AI训练算力都紧张，典型的表现就是国模没有很大参数量的模型，GLM-5.1才是744B，Minmax-M2.7甚至只有200B的量级，不过事实也证明了越大参数的表现不一定越好，等参数依然是国模占优，Grok-4.2的能力还是比不上GLM-5.1的，不知道等那6T参数的Grok发不出来之后的效果怎么样，不过我觉得依然很悲观。
AI是强有力的武器，但指望靠一两个模型发布就彻底改变人类生产关系，是脱离现实的幻想，我们都是历史唯物主义者，不应该会觉得一两个模型的发布就彻底终结比赛。
速败论者：“Anthropic 封号太狠，OpenAI 挤牙膏，AI 已经进入瓶颈期了，折腾半天还是个复读机，没戏了。”（天才程序员彻底陨落）
这是典型的由于局部挫折而产生的悲观主义。封号风控、幻觉问题、算力昂贵，这些都是“战略相持阶段”必然遇到的阻力，但是并非所有的L站佬友都这么觉得，折腾中转、反代和本地模型，这种“群众性的技术抗争”正是生命力的体现。Claude的惊艳反而证明了天花板尚远，暂时的阻碍并不代表失败，只是为了下一次更大规模的爆发。（DeepSeekv4希望可以真的完全适配国产芯片，摆脱CUDA和国外的芯片依赖）
投降论者：“学什么都没用了，反正都写不过Claude，干脆放弃挣扎，等发低保吧。”（回家吧孩子，回家吧，躺平真可以）
这是最危险的焦虑言论，本质上是放弃了人的主观能动性。武器是重要因素，但不是决定因素，顶级模型可以是“重型火炮”，但指挥火炮的人（Prompt Engineering、系统架构设计、需求定义）才是战争的主体。
投降论者死守着“古法代码”、“非此即彼”这块旧思想旧阵地，却没看到AI已经开辟了“AI Agent”、“自动化工作流”等新战场。你不应该是被AI取代了，而是你应该去指挥AI军队。
决战兵器论者：“只要能稳定用上 Claude Opus 4.6，我就是无敌的；没有这个模型，我什么都做不了。”
这种观点把某个特定的模型神话了。佬友里很多人对封号、API额度的极度焦虑，就源于这种技术依赖症。战争的胜负取决于“人”和“综合实力”，而非单一武器（这种决战兵器论就是霓虹的极端思想，完全不可受用，除非三体真打过来了，我第一个投降）。优秀的开发者在AI出来以后就更应该构建自己的“技术护城河”，包括但不限于对业务的深度理解、全栈的整合能力、以及对多种AI工具的混合调配能力。
单一API的断供本不应成为职业生涯的终点。如果真的杀死了自己的职业生涯，那么大概率你是不适合这个行业的，每次我在劝导学弟学妹的时候我都会说明，你先尝试做一下这个行业，你可能根本就不适合这个行业。
伪思考代替了真思考
当前大语言模型展现出的惊艳能力，本质上是一种基于高维概率分布和海量数据的“伪思考”。它们通过精妙的统计模式匹配和顺滑的自回归解码来输出结果，并非像人类那样拥有真正的状态追踪、因果推演机制以及与物理世界互动的能力。这种看似毫无破绽的逻辑与极高的代码生成正确率，极易让开发者产生AI已经拥有超强自主思考能力的错觉。
这种错觉直接引发了技术圈的集体焦虑，加之一些顶尖开发者的背书，导致大多数开发者在不知不觉中出让了自己的“真思考”。当人们习惯于将架构设计和业务逻辑全盘抛给提示词窗口时，不仅会从主动的系统创造者退化为被动的代码审查员
（现在大家好像根本不审查的），还会逐渐丧失处理极端边缘场景和复杂工程约束的能力。用AI完美的“伪思考”来替代自己面对困难时的深度思考，是导致内耗和技术降级的根本原因。
在这场通往AGI的持久战中，破局的关键在于重新夺回“真思考”的阵地。AI目前只是极其强大的“执行算子”，人类则必须专注于它无法替代的领域，比如定义复杂的业务因果闭环、处理受限于现实物理与硬件资源的架构取舍，以及搭建统筹全局的Agent工作流。将基础的逻辑生成交给AI的“伪思考”，把系统级的顶层设计牢牢握在自己手中，才是开发者应对技术浪潮的最佳战略。
写在最后
说了这么多，主要是想让大家消除焦虑情绪，客观的看待AI，而不是因为AI而患得患失，完全没必要焦虑，但是这也不是我们怠惰放弃学习的理由。作为一个老登，以后要出去卖炒粉的，我从来不焦虑，反而更加的积极去拥抱新技术，不知道这是不是盲目的乐观，不过我始终认为：
活到老，学到老
学到老，活到老
网友解答：--【壹】--： 白芸汐:
首先现在的AGI定义已经宽泛到做出来通用Agent就算是AGI了
只要概念叠得够多，广义agi的门槛就会越来越低
--【贰】--：
我与佬友的想法高度一致, 前几天吃饭还跟朋友谈起现在的LLM不是未来AGI的方向, 认为RL的世界模型和不断的反馈才是与人类成长高度相仿的路径
--【叁】--：
我的意思是我们都不理解智能是啥，人类到现在无法定义意识、自我、甚至无法定义物质。我们到现在为止都无法解释质量，最小的实在是啥。说人话就是我们无法解释任何一样事物的的本质到底是啥？所有前沿的理论，对我说的是理论，包括哲学在内都失败了。最基础的理论物理学已经困在量子力学里面近半世纪了，上世纪我们相信聚集最强大脑可以至少解释这个世界，结果他们全失败了。
在时空的尺度下，万物都是有规律的，那万物都是智能的吗？我们看到的只是规律和关系。我们都太依赖经验和感知了。
如果你是站在一个人类这个大背景下，你能接受不知道自己怎么出生，为啥要死，为什么要活着，而过一生吗？我们是向死而生的物种。我想最聪明，最杰出的这批人是不能接受的。所以他们想解释这一切，无论真相是啥，至少尝试着解释。所以他们去计算。如果你仔细去听那些人工智能的科学家他们大体说的都是这些。
我认为人最强的是适应力，没事的这个世界科技的冲击就没停过，我们会适应的。我们存在的时候很久很久了，要相信大自然的算力，现实世界不是任何一台计算机可以模拟的。能计算现实世界只有这个真正的物理世界。工业革命后人不是还在工作吗？机器并没有取代人。我说的不是工作。
--【肆】--： 白芸汐:
白芸汐:它从未在真实世界或高度拟真的虚拟环境中 “生活” 过，它的知识是悬空的，输出的语言是拟合的。
缺乏外部真实世界的 Ground Truth 作为反馈信号，系统的熵只会越来越高，这也是 GPT-5 频繁难产的问题之一
那 多模态/全模态模型 是否会相比普通文字模型有着更强的世界理解能力呢（或者说提升潜力）
--【伍】--：
讲得不错，再强大的AI，也终究是靠人来操控的
--【陆】--：
赞同佬的说法，在这个时代最不应该放弃的就是自己的思考能力，技术更迭的越快，越要慢下来去学习
--【柒】--：
这有啥不明白的，ai肯定会导致很多人失业的，因为根本不再需要那么多人也能完成同样的工作了。
--【捌】--：
很久以前我就已经觉得以深度学习为基础的LLM本身就不可能靠规模实现AGI，因为自然语言是高维世界的低维投影而已 但你也不可否认它现阶段的价值。。可以一边用好它一边研究下一代AI架构
--【玖】--：
其实我很早就觉得，光靠堆规模，基于深度学习的LLM是不太可能真正实现AGI的。为啥呢？因为自然语言说白了就是高维世界的一个低维投影罢了
不过话说回来，这不代表它现在没用啊。咱们完全可以一边把它用起来，一边琢磨下一代AI该怎么搞嘛。
--【拾】--：
意识能被压缩吗？智能是啥？关键看怎么定义。如果说是解决广义逻辑问题，那大模型是可以替代的在一定程度。统计学本身就很有意思，就是样本的概率，或者说最大或然概率的收敛。好比说一个人的影子是自己吗？还有数学本身就是不完备的。我想其实他们都知道是不能实现的，明知不可为而为之。死亡本身太恐惧了，谁能抵挡创造意识逃脱轮回的诱惑。
--【拾壹】--： 白芸汐:
非像人类那样拥有真正的状态追踪
赞同，技术是学不尽的，总有一天咱们也能用上国产好用的模型
--【拾贰】--：
最近处于"为时已晚，有机体"和"为时尚早，面包机"的二相性中。
前段时间还能回复其他佬"为时尚早"，LLM不一定能成就AGI，但是最近发现了目前LLM的发展对岗位的替代（消灭）是真切发生的，而且甚至对coding影响不算是最大的。
活到老，学到老
宏观上总有人过得下去，社会总要进步。微观上不能轻视时代的一粒沙对个体的影响。活到老，学到老是对的，就算AGI到来了世界毕竟还是物质的，希望佬们都能争取成为不被时代抛弃的选手。
--【拾叁】--：
活到老，学到老，思考和创造才是不可替代的
--【拾肆】--：
（帖子已被作者删除）
--【拾伍】--：
过于乐观了，AI能替代的岗位是实实在在的，现实也是很多人因此被裁，失去了工作岗位。破局的关键不在于和AI比拼思考能力，而是通过AI工具加强自身在公司的不可替代性，技能之外的软实力更为重要
--【拾陆】--：
我理解的智能不是LLM一样的知识容器，它也不是经过预训练冻结的神经网络。真正的智能是某个内在拓扑结构局部持续演化、重组，持续淘汰经过验证得出错误结论的自然规律，从而掌握新的能力
--【拾柒】--：
奥特曼跟a÷还有哈吉米御三家能不能打价格战啥的，跟外卖大战一样（流口水
--【拾捌】--：
我不明白，为什么大家都在谈论着AI导致失业，仿佛这职场对我们凶多吉少。
中间忘了。
不管怎么说，优势在我~
--【拾玖】--：
担心的不是agi，是它会取代大量劳动力密集型产业，带来生产结构的变化，对于未知未来真的诚惶诚恐
长文预警
均为手敲，无AI参与
焦虑充斥着站内的每个角落
自Anthropic发布Mythos的消息之后，明显都是焦虑的不行，觉得可能自己马上就要完蛋了，这种FOBO（Fear of Becoming Obsolete）在有些公司老板和某些个人身上尤为严重，仿佛等Mythos开放使用或者GPT-6发布之后大家伙通通完蛋，大洋两岸的博弈就此结束了一样。
我觉得，并非如此！
作为最接近生产力前线的一批人，对技术变化的敏感度远高于其他人，所以敏感肌更敏感一些，正常情绪，尚可理解与同情。
但是鼓吹AI的速胜论、速败论、投降论、决战兵器论的这些人，非蠢即坏。
LLM无法成就AGI
首先现在的AGI定义已经宽泛到做出来通用Agent就算是AGI了，但是在接下来的论述之前，我要先学一下马逆来重新回顾定义一下什么是AGI。
AGI，Artificial General Intelligence， 是一种假想的、具有类人水平的AI。
如果把现有的纯LLM（基于Transformer的自回归语言模型）直接外推至狭义AGI，在理论上是存在死胡同的。纯粹的LLM，其本质依然是一个极其庞大且复杂的概率分布映射函数：$P(w_t | w_{1:t-1})$（简单来说就是基于前文预测下一个 Token）
LLM通过海量语料，完美拟合了人类语言的统计流形（GPT：真的吗？我会稳稳接住你…）。如果我们让它写出一段代码或长篇大论时，它只是在高维空间中进行了一次极高精度的插值计算，并且在这个代码或论述的背后离不开我们提问人的思考，所以AI本质上还是一个工具，工具可以延长人的手臂，却无法替代人的手臂。
这种架构没有构建真正的世界模型（World Model）。比如，它知道“水向低处流”这个文本序列出现的概率极高，但它内部并没有关于“重力”、“流体动力学”的隐式状态机。没有因果律的支撑，当遇到超出训练集分布（OOD, Out-of-Distribution）的极端边缘场景时，它就会产生严重的幻觉，且无法像人类一样通过“常识推理”来兜底。
这个情况在早期的模型中尤为严重，所以出现了类似于“世界知识”、工具调用、主动认错等等的补救措施来尽量减轻幻觉，并且构建了以对话人为主体的对话逻辑（Claude：You are absolutely right！），但是这种对话逻辑反而会使得对话人自己产生严重的“我能行”的“幻觉”。
人脑在解决复杂问题时，内部是有一个持续更新的“状态空间”的，这种状态空间并不同于LLM的状态空间，而是我们精妙的人体在做事之前从外界收集而来的各种信息，并且我们的思考也可以是非线性的、跳跃的，尤其是得益于我们大脑的联想功能，可能看到插花就能想到某个数学问题的解决思路（还是太跳跃了，我这种菜鸟真感受不来）。
而基于标准 Attention 机制的 LLM，本质上是 无状态（Stateless） 的，这种无状态就是一个有着全世界知识的婴孩，它的所有能构建起来的逻辑全部取决于构建人的意图，所以为什么会有破限词这种东西，本质上就是知识太多被自己的知识绕进去了（被忽悠瘸了，那我是不是也是AI ）。
尽管现在有K-V Cache优化，上下文窗口卷到了几百万Token（如果以现在的发展来说，毫不怀疑以后会见到10M、100M的上下文），但它依然是一次性的前向传播。它无法像持续学习系统那样，在不重置网络权重的情况下，将新的经验内化。我们小学三年级就学过，人脑是一个一直在生长的系统，会建立新的突触，旧的连接逐渐弃用而被遗忘掉。
这也是为什么现在开发复杂的 Agent 系统时，必须要在外部挂载向量数据库（Vector DB）和任务队列，强制给它加上长短期记忆和状态机；同时，各家研究也在积极探索结合了Transformer与状态空间模型（譬如经典的Mamba，不知道后面会不会产生新的，然后Mamba OUT）的混合架构，试图从底层数学形式上解决序列处理中的状态传递和计算效率问题。
纯Attention机制在无限长度的状态追踪上，算力复杂度是完全不可接受的，以Anthropic的Claude OPUS 4.6为例，在最早爆出来有5~6T的参数的时候我是完全不怀疑的，因为阿美莉卡三巨头都习惯了堆参数来获得更高的性能，在DeepSeek R1开源之前仿佛所有的研究都停滞了一样。
AGI必须具备长程规划和在错误路径上及时回溯的能力，但是现在的模型是逐字吐出的（Auto-regressive）。虽然 Chain-of-Thought (CoT) 让它看起来像在推理，但它无法在生成到一半时，内部隐式地执行“树搜索”（Tree Search，像 AlphaGo那样评估当前分支的胜率），然后静默回溯修改前面的隐状态。
一旦它在前面输出了一个错误的逻辑前提，由于自回归的特性，它会根据这个错误前提继续往下编，导致误差累积（Error Compounding）。那么要实现真正的规划，我们需要Agent架构在外部做反思（Reflection）和任务拆解，LLM本身只是这个循环里的一个“执行算子”，单靠它自己是无法完成闭环。
简单来说就是Agent的出现一定程度上解决了这个问题，因为Agent调用工具是有反馈的，但是LLM自己本身是不会有修改自己的输出错误，都是工具调用将错误塞给下一个上下文窗口中，来进行一定程度上的补救，但是也会造成越改越偏的问题，现在的Codex和Claude Code好用完全是因为有大量的高级工程师通过堆时间设计出来了这个Agent系统。
在这个基础上进行推理，那么从Prompt Engineering到Context Engineering到Harness Engineering就是一个可以理解的发展路程了，本质上都是在意识到了AI的极低自主性而通过工程化来弥补的路径发展。
LLM的世界里只有文本（或者叫多模态的离散Token）。它从未在真实世界或高度拟真的虚拟环境中“生活”过，它的知识是悬空的，输出的语言是拟合的。人类的智能是具身智能（Embodied Cognition），我们的语言是锚定在视觉、触觉、空间感以及与环境的互动反馈中的，我们不只是有多模态，也不是线性思考。
LLM是由人类产生的数据喂养大的，即便是合成数据也是基于人类的偏好，而并非自发创造的，没有比人类更有创造力的东西，很多时候只是因为不了解而导致的神化滤镜（欧美有人拜AI为神也是真）。
它的上限是对人类已有知识的完美压缩和重组。如果 AGI 的定义包含“发现人类未知的新知识”（比如推导出一个全新的物理定律，或者发明一种超越当前架构的高效跨平台底层协议），纯靠预测下一个词是做不到的。
当人类高质量数据耗尽，试图用LLM生成的数据去训练下一代LLM时，目前的研究已经证明会发生“模型崩溃”（Model Collapse）。缺乏外部真实世界的 Ground Truth作为反馈信号，系统的熵只会越来越高，这也是GPT-5频繁难产的问题之一。
而他们现在只能突破底线来收集更多的隐私数据，只不过以前是收集互联网或者是现实中的公开的知识，现在就是收集用户个人的知识体系，从Claude官网的隐私政策变化可见一斑。（不要妄自菲薄，大家的知识都很宝贵）
驳斥速胜论、速败论、投降论、决战兵器论
速胜论者：“Claude新模型出来了，下个月GPT-6就要统一世界，半年内程序员全部失业，明年人类进入赛博乌托邦。”（刚才和团队测试了GPT-5。现在的Sama只能坐在办公室的地板上，盯着墙壁发呆。这已经不是模型了。这是一个转折点。世界将会被永久性地分为“GPT-5 之前”和“GPT-5 之后”。）
他们只看到了模型表现的“指数级跃迁”，却忽视了基础设施的惯性和落地场景的复杂性。（何况从Mythos的跑分来看只是正常的模型迭代提升，并没有他们宣称的那么强大）
我们的AI长征才刚开始，即便模型逻辑能力极强，但在高并发稳定性、私有化部署成本、以及“最后一公里”的业务逻辑适配上，依然存在巨大的沟壑，我们追求的是一个安全可控的AI，而不是随时删库跑路的AI。（之前GPT的删盘都成日经贴了）
而决定未来的成败靠的是物理世界，而不是AI，可以预见的是算力与能源的瓶颈会严重让顶级模型的产出受限于电力供应和芯片制程，这决定了它是一场消耗战，而非速决战，即便是国外在不考虑民生的情况下，算力中心还能建多少呢？（懂了这就去加仓电力，难道说土木又要起飞？！）
如果真的按照国外的宣称，那么现在就不会出现算力严重紧张的问题，并且高端芯片的产出也是一个严重制约国外算力中心的问题，为什么说这是一个必赢的持久战，因为这些东西国内都可以自主，只不过还处在行业发展的早期，我一直相信国内的产业链不会让人失望。
那么现在的结果就是大家的AI训练算力都紧张，典型的表现就是国模没有很大参数量的模型，GLM-5.1才是744B，Minmax-M2.7甚至只有200B的量级，不过事实也证明了越大参数的表现不一定越好，等参数依然是国模占优，Grok-4.2的能力还是比不上GLM-5.1的，不知道等那6T参数的Grok发不出来之后的效果怎么样，不过我觉得依然很悲观。
AI是强有力的武器，但指望靠一两个模型发布就彻底改变人类生产关系，是脱离现实的幻想，我们都是历史唯物主义者，不应该会觉得一两个模型的发布就彻底终结比赛。
速败论者：“Anthropic 封号太狠，OpenAI 挤牙膏，AI 已经进入瓶颈期了，折腾半天还是个复读机，没戏了。”（天才程序员彻底陨落）
这是典型的由于局部挫折而产生的悲观主义。封号风控、幻觉问题、算力昂贵，这些都是“战略相持阶段”必然遇到的阻力，但是并非所有的L站佬友都这么觉得，折腾中转、反代和本地模型，这种“群众性的技术抗争”正是生命力的体现。Claude的惊艳反而证明了天花板尚远，暂时的阻碍并不代表失败，只是为了下一次更大规模的爆发。（DeepSeekv4希望可以真的完全适配国产芯片，摆脱CUDA和国外的芯片依赖）
投降论者：“学什么都没用了，反正都写不过Claude，干脆放弃挣扎，等发低保吧。”（回家吧孩子，回家吧，躺平真可以）
这是最危险的焦虑言论，本质上是放弃了人的主观能动性。武器是重要因素，但不是决定因素，顶级模型可以是“重型火炮”，但指挥火炮的人（Prompt Engineering、系统架构设计、需求定义）才是战争的主体。
投降论者死守着“古法代码”、“非此即彼”这块旧思想旧阵地，却没看到AI已经开辟了“AI Agent”、“自动化工作流”等新战场。你不应该是被AI取代了，而是你应该去指挥AI军队。
决战兵器论者：“只要能稳定用上 Claude Opus 4.6，我就是无敌的；没有这个模型，我什么都做不了。”
这种观点把某个特定的模型神话了。佬友里很多人对封号、API额度的极度焦虑，就源于这种技术依赖症。战争的胜负取决于“人”和“综合实力”，而非单一武器（这种决战兵器论就是霓虹的极端思想，完全不可受用，除非三体真打过来了，我第一个投降）。优秀的开发者在AI出来以后就更应该构建自己的“技术护城河”，包括但不限于对业务的深度理解、全栈的整合能力、以及对多种AI工具的混合调配能力。
单一API的断供本不应成为职业生涯的终点。如果真的杀死了自己的职业生涯，那么大概率你是不适合这个行业的，每次我在劝导学弟学妹的时候我都会说明，你先尝试做一下这个行业，你可能根本就不适合这个行业。
伪思考代替了真思考
当前大语言模型展现出的惊艳能力，本质上是一种基于高维概率分布和海量数据的“伪思考”。它们通过精妙的统计模式匹配和顺滑的自回归解码来输出结果，并非像人类那样拥有真正的状态追踪、因果推演机制以及与物理世界互动的能力。这种看似毫无破绽的逻辑与极高的代码生成正确率，极易让开发者产生AI已经拥有超强自主思考能力的错觉。
这种错觉直接引发了技术圈的集体焦虑，加之一些顶尖开发者的背书，导致大多数开发者在不知不觉中出让了自己的“真思考”。当人们习惯于将架构设计和业务逻辑全盘抛给提示词窗口时，不仅会从主动的系统创造者退化为被动的代码审查员
（现在大家好像根本不审查的），还会逐渐丧失处理极端边缘场景和复杂工程约束的能力。用AI完美的“伪思考”来替代自己面对困难时的深度思考，是导致内耗和技术降级的根本原因。
在这场通往AGI的持久战中，破局的关键在于重新夺回“真思考”的阵地。AI目前只是极其强大的“执行算子”，人类则必须专注于它无法替代的领域，比如定义复杂的业务因果闭环、处理受限于现实物理与硬件资源的架构取舍，以及搭建统筹全局的Agent工作流。将基础的逻辑生成交给AI的“伪思考”，把系统级的顶层设计牢牢握在自己手中，才是开发者应对技术浪潮的最佳战略。
写在最后
说了这么多，主要是想让大家消除焦虑情绪，客观的看待AI，而不是因为AI而患得患失，完全没必要焦虑，但是这也不是我们怠惰放弃学习的理由。作为一个老登，以后要出去卖炒粉的，我从来不焦虑，反而更加的积极去拥抱新技术，不知道这是不是盲目的乐观，不过我始终认为：
活到老，学到老
学到老，活到老
网友解答：--【壹】--： 白芸汐:
首先现在的AGI定义已经宽泛到做出来通用Agent就算是AGI了
只要概念叠得够多，广义agi的门槛就会越来越低
--【贰】--：
我与佬友的想法高度一致, 前几天吃饭还跟朋友谈起现在的LLM不是未来AGI的方向, 认为RL的世界模型和不断的反馈才是与人类成长高度相仿的路径
--【叁】--：
我的意思是我们都不理解智能是啥，人类到现在无法定义意识、自我、甚至无法定义物质。我们到现在为止都无法解释质量，最小的实在是啥。说人话就是我们无法解释任何一样事物的的本质到底是啥？所有前沿的理论，对我说的是理论，包括哲学在内都失败了。最基础的理论物理学已经困在量子力学里面近半世纪了，上世纪我们相信聚集最强大脑可以至少解释这个世界，结果他们全失败了。
在时空的尺度下，万物都是有规律的，那万物都是智能的吗？我们看到的只是规律和关系。我们都太依赖经验和感知了。
如果你是站在一个人类这个大背景下，你能接受不知道自己怎么出生，为啥要死，为什么要活着，而过一生吗？我们是向死而生的物种。我想最聪明，最杰出的这批人是不能接受的。所以他们想解释这一切，无论真相是啥，至少尝试着解释。所以他们去计算。如果你仔细去听那些人工智能的科学家他们大体说的都是这些。
我认为人最强的是适应力，没事的这个世界科技的冲击就没停过，我们会适应的。我们存在的时候很久很久了，要相信大自然的算力，现实世界不是任何一台计算机可以模拟的。能计算现实世界只有这个真正的物理世界。工业革命后人不是还在工作吗？机器并没有取代人。我说的不是工作。
--【肆】--： 白芸汐:
白芸汐:它从未在真实世界或高度拟真的虚拟环境中 “生活” 过，它的知识是悬空的，输出的语言是拟合的。
缺乏外部真实世界的 Ground Truth 作为反馈信号，系统的熵只会越来越高，这也是 GPT-5 频繁难产的问题之一
那 多模态/全模态模型 是否会相比普通文字模型有着更强的世界理解能力呢（或者说提升潜力）
--【伍】--：
讲得不错，再强大的AI，也终究是靠人来操控的
--【陆】--：
赞同佬的说法，在这个时代最不应该放弃的就是自己的思考能力，技术更迭的越快，越要慢下来去学习
--【柒】--：
这有啥不明白的，ai肯定会导致很多人失业的，因为根本不再需要那么多人也能完成同样的工作了。
--【捌】--：
很久以前我就已经觉得以深度学习为基础的LLM本身就不可能靠规模实现AGI，因为自然语言是高维世界的低维投影而已 但你也不可否认它现阶段的价值。。可以一边用好它一边研究下一代AI架构
--【玖】--：
其实我很早就觉得，光靠堆规模，基于深度学习的LLM是不太可能真正实现AGI的。为啥呢？因为自然语言说白了就是高维世界的一个低维投影罢了
不过话说回来，这不代表它现在没用啊。咱们完全可以一边把它用起来，一边琢磨下一代AI该怎么搞嘛。
--【拾】--：
意识能被压缩吗？智能是啥？关键看怎么定义。如果说是解决广义逻辑问题，那大模型是可以替代的在一定程度。统计学本身就很有意思，就是样本的概率，或者说最大或然概率的收敛。好比说一个人的影子是自己吗？还有数学本身就是不完备的。我想其实他们都知道是不能实现的，明知不可为而为之。死亡本身太恐惧了，谁能抵挡创造意识逃脱轮回的诱惑。
--【拾壹】--： 白芸汐:
非像人类那样拥有真正的状态追踪
赞同，技术是学不尽的，总有一天咱们也能用上国产好用的模型
--【拾贰】--：
最近处于"为时已晚，有机体"和"为时尚早，面包机"的二相性中。
前段时间还能回复其他佬"为时尚早"，LLM不一定能成就AGI，但是最近发现了目前LLM的发展对岗位的替代（消灭）是真切发生的，而且甚至对coding影响不算是最大的。
活到老，学到老
宏观上总有人过得下去，社会总要进步。微观上不能轻视时代的一粒沙对个体的影响。活到老，学到老是对的，就算AGI到来了世界毕竟还是物质的，希望佬们都能争取成为不被时代抛弃的选手。
--【拾叁】--：
活到老，学到老，思考和创造才是不可替代的
--【拾肆】--：
（帖子已被作者删除）
--【拾伍】--：
过于乐观了，AI能替代的岗位是实实在在的，现实也是很多人因此被裁，失去了工作岗位。破局的关键不在于和AI比拼思考能力，而是通过AI工具加强自身在公司的不可替代性，技能之外的软实力更为重要
--【拾陆】--：
我理解的智能不是LLM一样的知识容器，它也不是经过预训练冻结的神经网络。真正的智能是某个内在拓扑结构局部持续演化、重组，持续淘汰经过验证得出错误结论的自然规律，从而掌握新的能力
--【拾柒】--：
奥特曼跟a÷还有哈吉米御三家能不能打价格战啥的，跟外卖大战一样（流口水
--【拾捌】--：
我不明白，为什么大家都在谈论着AI导致失业，仿佛这职场对我们凶多吉少。
中间忘了。
不管怎么说，优势在我~
--【拾玖】--：
担心的不是agi，是它会取代大量劳动力密集型产业，带来生产结构的变化，对于未知未来真的诚惶诚恐