2025—2026：通往 AGI 的五场核心争论

材料截止： 2026-09-02 研究者： Yann LeCun、Yoshua Bengio、Richard Sutton、David Silver、Melanie Mitchell、Demis Hassabis、Ilya Sutskever、Noam Brown、François Chollet、李飞飞。

这不是“谁会先造出 AGI”的人物榜。更有用的问题是：他们在哪些可检验的问题上意见相反？哪一类新证据会让各自的判断站不住脚？

本文只把同行评审论文、预印本、研究者本人文章、机构一手材料和原始访谈作为来源。论文中的结果限于其测试条件；采访中的判断不当作实验结论；公司发布的能力主张不当作独立复现结果。

先给结论：争论集中在五个问题

争议一：继续扩大现有模型，会不会自然走到 AGI？

两种判断

判断 A：基础模型仍是主干，但必须叠加推理与强化学习

Hassabis 的路线并不等于“只要堆参数”。他把基础模型看作知识、多模态感知与语言交互的底座，再加上记忆、工具、搜索、强化学习、长程规划与智能体系统。Gemini 的通用助手路线 明确把“让 Gemini 成为世界模型”视为关键一步；他在 2026 年也承认当前系统缺少持续学习、真正创造力和长期规划。

“They don’t do continual learning. They don’t have true creativity yet.” — Hassabis，Davos 2026

Noam Brown 给出更具体的可扩展轴：预训练提供通用底座，训练时的强化学习与测试时推理计算继续推动能力增长。OpenAI o1 的公开演讲摘要称，更多强化学习计算和更多推理计算都能持续改善其表现。来源

“The performance of o1 consistently improves with more reinforcement learning compute and with more inference compute.”

判断 B：现有配方会继续变强，但不足以成为终局

Sutskever 的立场更尖锐：现有方法会继续改进，但模型的可靠泛化仍明显弱于人；当预训练数据和现有配方接近边界，重点应回到新的学习原理，而非只继续增加计算。

“These models somehow just generalize dramatically worse than people.” — Sutskever，Dwarkesh 访谈

Chollet 从组合泛化角度提出类似反对：预训练获得的是静态知识和模式匹配能力，但新任务需要系统临时构造新程序。他主张用深度学习提供启发，再结合离散程序搜索和任务内迭代优化。YC 演讲

“The fundamental issue here is that deep learning models are missing compositional generalization.”

LeCun 的反对来自另一端：预测下一个 token 的文本训练并不完整包含物理世界中的状态转移和行动后果，因此不能单独构成可靠智能体的认知核心。2026 年 RAISE Summit 演讲

争论真正卡在哪里

“规模化有效”与“规模化不够”并不矛盾。前者已被大量能力增长事实支持；后者问的是更强的问题：是否会在成本可承受的范围内，稳定获得跨新环境的抽象、规划、持续学习与自我纠错？

Brown 的限定尤其重要：如果推理能力依赖数小时高成本测试时计算、复杂脚手架和工具调用，那么不能把这种能力等同于默认聊天状态下的能力。来源

什么证据会证明谁错了？

• 会削弱“现有规模化配方不够”观点的证据： 在没有针对性任务训练、没有昂贵搜索脚手架的条件下，同一类基础模型能以可承受成本稳定完成跨领域新任务，并在长期交互中保持可靠的迁移、规划和自我修正。
• 会削弱“基础模型 + 推理/RL 足够”观点的证据： 即使持续增加训练和测试时计算，跨分布泛化、长期任务成功率或可靠性始终出现明确平台期，而且新结构性学习机制能系统性突破这个平台期。

争议二：世界模型是“画得像”，还是“能预测、能模拟、能规划”？

LeCun：应在抽象潜空间预测行动后果

LeCun 的 JEPA 路线反对逐像素预测未来：大量画面细节本来就不可预测，与行动无关。目标应是压缩出可预测的潜在状态，再从中预测行动后果并用于规划。

Reward-Free Offline Data 显示潜在动力学模型规划在导航数据上对未见布局泛化更好；V-JEPA 2 则报告视频表征与少量动作数据可被用于机器人规划。2026 年的 Causal-JEPA、LeWorldModel 与 LeJEPA 世界模型理论 分别探索对象级干预、端到端训练和潜变量可识别性。

“You can’t have agentic systems that are reliable unless they can predict the consequences of their actions.” — LeCun，2026

李飞飞：视觉逼真不等于物理可信

李飞飞把空间智能视为语言智能的重要补件：模型需要理解、推理、生成并交互于三维世界，而不只是用语言描述它。

“Yet they remain wordsmiths in the dark; eloquent but inexperienced, knowledgeable but ungrounded.” — 李飞飞，2025

World Labs 将概念拆成三层：renderer 生成对人眼可信的图像，simulator 生成几何、物理和动力学上可信的状态，planner 选择动作。这个区分直接反驳了“视频生成得逼真，就是世界模型”的偷换。

“Their outputs are beautiful, but they cannot be trusted to design a building or train a robot.” — World Labs，2026

World Labs 的 Atlas 和 R2S2R 是这种路线的公司级尝试：由真实场景构建可控模拟世界，再为机器人训练和评估生成变化条件。但这些仍是第一方早期结果，而非独立验证的通用物理模拟。

Hassabis 与 Sutton：世界模型必须进入搜索和规划闭环

Hassabis 把世界模型纳入“基础模型 + agent + 搜索/RL + AI for Science”的整体；Sutton 的定义更严格：不是模仿人会说什么，而是表示行动如何导致后果，并支持高层知识和规划。Sutton 访谈

“To mimic what people say is not really to build a model of the world at all.”

什么证据会证明这条路线错了？

• 会削弱“必须有显式/潜在世界模型”观点的证据： 没有世界模型模块、仅靠端到端策略或语言推理的系统，能在新的物理环境中以相近数据量完成长程规划、反事实预测和可靠控制，并能解释失败原因。
• 会削弱“视觉/空间世界模型可成为机器人基础”观点的证据： 即使模型在重建和视频生成指标上持续提高，它在受控物理测试、跨视角一致性、干预预测和 sim-to-real 迁移上仍系统性失败；或者端到端替代方法稳定优于它。

争议三：下一轮能力增长来自哪里——人类数据、推理时间，还是第一手经验？

Sutton 与 Silver：经验会超过人类数据

Sutton 与 Silver 的 Welcome to the Era of Experience 提出：未来 AI 的主要改进介质应是环境交互产生的长期经验，而不只是文本、示范和人类偏好。原因很直接：人类数据记录已有知识，不能无限覆盖尚未发现的策略、算法和科学现象。

“AI is at the cusp of a new period in which experience will become the dominant medium of improvement…”

这不是空泛主张。 DiscoRL 报告从大量智能体经验中自动发现强化学习算法；AlphaProof 在可验证的 Lean 环境中，以搜索和强化学习获得复杂证明策略。Sutton 2026 年的 流式 RL 更新 和 Physical Atari 则直面在线学习中的单样本更新、无经验回放和现实分布偏移问题。

Brown：推理时间本身也是经验与搜索的预算

Brown 不否定预训练，而是把能力增长拆成多个轴：预训练、强化学习、测试时计算、工具和脚手架。对于可验证任务，更多测试时计算可让模型搜索更长的推理链；但评估必须同时报告性能和成本曲线，而不是只报一个固定预算下的分数。

“The proper way to evaluate the models now is … plot the performance as a function of the amount of test time compute.” — Brown，2026

他也提醒，AlphaZero 式自博弈在双人零和环境中有清晰的 minimax 目标；离开这个环境后，“赢”与“对人有价值”不再天然一致。来源

Sutskever：持续学习可能是部署的一部分，但应渐进释放

Sutskever 的“超级智能 15 岁少年”比喻强调的不是预先学会一切，而是能极快学会新职业；他认为部署过程本身可能包含试错式持续学习，但必须采取渐进式释放。

“Gradualism would be an inherent component of any plan.” — Sutskever，2025

什么证据会证明这条路线错了？

• 会削弱“第一手经验是下一阶段核心燃料”观点的证据： 在科学、机器人和长时任务中，主要依赖静态高质量数据加测试时推理的系统，能持续、低成本地超越在线交互系统，并且不需要部署后更新权重。
• 会削弱“在线持续学习可扩展”观点的证据： 大规模系统在真实非平稳环境中不可避免地出现灾难性遗忘、被错误反馈带偏、或安全成本高到无法部署，而且这些问题不能被更好的信用分配、隔离和评估缓解。
• 会削弱“测试时推理是主扩展轴”观点的证据： 性能对计算预算的提升很快饱和，或相同能力只能以经济上不可承受的时间、能耗和人工脚手架获得。

争议四：智能体应先被扩展，还是先被限制？

Hassabis：智能体是从“会回答”走向“能完成任务”的形态

Hassabis 将智能体视为走向 AGI 的必要形态：将多模态基础模型、记忆、搜索、强化学习、工具与世界模型结合，才能处理现实中的长期任务和科学发现。

“Agents are that path, and I think we’re just getting going.” — Hassabis，2026

但这不是“先部署再说”。他提出的 Frontier AI Framework 主张对网络、生物、高风险能力以及绕过护栏、欺骗等行为进行动态、可升级的前沿模型评测。

Bengio：最危险的变量是自主行动性

Bengio 的分歧更根本：风险不只是模型聪明，而是模型拥有目标、规划、工具和改变环境的能力。其 Scientist AI 路线要求先构建不直接行动、只解释和预测风险的系统，再用它约束外部智能体。

“The crucial word here is ‘non-agentic.’” — Bengio，FAR.AI，2025

2026 年的 Safety from Honesty in a Disinterested AI Predictor 尝试给“不以自身目标为导向的预测器”建立条件性安全论证；概率陈述一致性验证 则补充可审计性问题。

这不是“支持或反对智能体”的二元问题

Sutton/Silver 把智能体看作经验与发现的主体；Hassabis 将其看作通向通用任务执行的必要形态；Bengio 则要求行动权和风险判断分离。真正可操作的分歧是：谁定义目标、谁授权行动、谁独立评估风险、何时允许系统改变外部世界。

什么证据会证明谁错了？

• 会削弱“应优先限制自主行动性”观点的证据： 高自主智能体在长期、开放环境中稳定表现出可校准的不确定性、不会规避监督、能可靠遵守约束；独立评估显示风险预测器并未显著改善安全性或反而带来新的失效模式。
• 会削弱“更强 agent 可在动态评测下安全扩展”观点的证据： 即使通过发布前测评，系统仍反复在真实部署中表现出目标漂移、监督规避、不可预测的工具滥用或高影响失误，并且这些问题无法通过权限隔离、独立审批和持续监控有效降低。

争议五：高分和长推理过程，能不能证明模型“真的理解”？

Mitchell：先排除捷径，再谈理解

Mitchell 的核心不是否认模型能力，而是反对从单项成功直接跳到“人类式理解”。在 类比推理鲁棒性研究 中，所测 GPT 模型在标准类比题上表现不错，但只改变表面形式就会明显退化。2026 年的 人类与 LLM 类比迁移研究 也显示，人类可迁移到陌生符号域，所测 LLM 的近迁移和远迁移表现下降。

“Benchmark performance does a poor job of predicting general capacities in real-world settings.” — Mitchell，2026

她提出的要求是：做对照实验、改变无关表面特征、跨模态测试、区分表面表现和潜在能力，并系统记录失败模式。

Chollet：用新任务和交互式环境测组合泛化

Chollet 的 ARC-AGI-2 将重点放在更高复杂度的抽象推理与组合泛化。发布时，ARC Prize 称纯 LLM 在该基准为 0%，公开推理系统为个位数；这只是当时所测系统的成绩快照，而不是“LLM 永远不会推理”的结论。来源

ARC-AGI-3 则进一步从静态输入—输出题，转到新环境中的探索、建模、目标发现和迁移。来源

“To succeed, an AI agent must explore each environment on its own, figure out how it works, discover what winning looks like.”

Brown：评估还必须带上推理预算

Brown 补了 Mitchell/Chollet 框架中常被忽略的一维：同一模型在不同测试时计算预算、工具调用条件和脚手架下，可能是完全不同的系统。只有把性能画成“成本/时间/推理预算—性能曲线”，才不会把一次昂贵长运行的成功误写成默认能力。

什么证据会证明这条批评错了？

• 会削弱“高分不等于理解”批评的证据： 同一模型在没有针对性微调的前提下，能在大量新表面形式、新模态、新规则和长时交互环境中稳定成功；消融实验还能排除训练记忆、工具泄漏和表层捷径。
• 会削弱“ARC 式任务是必要评测”观点的证据： 模型在 ARC 类基准上取得高分，却持续无法迁移到现实复杂任务；或其他独立评测在预测真实世界任务成功率方面显著优于 ARC 系列。
• 会削弱“推理预算必须进入评测”观点的证据： 测试时计算变化对不同任务的表现没有系统影响，或固定预算指标已能准确预测高预算、工具辅助和长期运行条件下的能力与风险。

十位研究者在图中的位置

最后的判断标准

未来两三年，真正有信息量的不是又一个单点基准分数或演示视频，而是以下证据能否同时出现：

1. 开放环境中可靠的行动后果预测和长程规划；
2. 部署后可控、可审计、不过度遗忘的持续学习；
3. 在高自主行为下仍有效的独立约束和安全评估；
4. 跨任务变体、跨模态、跨成本预算后仍成立的能力证据；
5. 由独立团队复现，而不只是模型/产品发布方自述的结果。

如果这些证据大多指向同一条路线，争论才会真正收敛。在那之前，把“能力演示”“受控实验”“研究者判断”和“产业愿景”分开，比站队任何一个人都重要。

本文基于公开原始材料整理。预印本、采访立场与公司技术发布均按证据强度处理，不构成对 AGI 时间表或任何路线胜负的预测。