AGI快了吗？ AI大厂FOMO个啥？

最近两年，如果你稍微留意一下科技和财经新闻，会发现一个特别奇怪的现象。

一方面，华尔街的分析师们越来越频繁地在财报电话会上追问同一个问题：“你们在AI基础设施上砸了这么多钱，回报到底在哪里？更重要的是，什么时候能看到足以匹配这些投入的回报？”另一方面，微软、谷歌、亚马逊、Meta这四家头部大厂，像是完全没听见一样，不仅没有收敛，反而把资本开支的数字不断往上推。到2025年底，这几家公司的AI基础设施投入已经集体进入数千亿美元级别。进入2026年，华尔街对AI基础设施资本开支的预测进一步上调，多家投行和研究机构的预测显示，未来几年全球AI基础设施投入可能进入万亿美元级别，这个规模已经接近过去互联网和移动通信基础设施建设的高峰期。这已经不是企业级的商业投资，而是国家级基础设施的体量。

这些数字本身并不说明什么，资本市场每天都有巨额投资发生。但真正奇怪的是，这一次当投资者提出质疑之后，大厂并没有表现出传统企业面对不确定性时的那种谨慎，反而像是在一场已经开始的比赛中加速奔跑。

更大的争议来自所谓“AI资本循环”。英伟达卖GPU给云厂商，云厂商购买算力建数据中心，模型公司租用云资源训练下一代模型，资本市场再根据AI的增长预期给整个链条上的公司更高估值。但现在，真正的问题已经不再是AI有没有产生价值，而是价值是否已经足以覆盖如此巨大的基础设施投入。现实正在呈现一种明显分化：少数领先企业已经从AI中获得显著收益，而大量企业仍停留在实验阶段。目前AI最大的特点，并不是所有企业都已经看到回报，而是回报正在高度集中于少数拥有数据、算力和工程能力的组织。对于普通企业来说，AI可能仍然只是一个效率工具；但对于头部公司来说，它已经开始改变竞争结构。同时，面向普通消费者的“杀手级应用”仍然没有出现，但企业内部的AI应用已经开始产生真实价值。正是这种局部但明确的回报信号，让大厂敢于持续加码。

投资者们从一开始的兴奋，渐渐变成了狐疑，再后来，有些人开始公开表达不满。但大厂这边呢？微软CEO萨提亚·纳德拉（Satya Nadella）说“这是工业革命级别的机会”，Meta创始人马克·扎克伯格（Mark Zuckerberg）说“我们宁愿在需要之前就建设能力，也不愿意到时候来不及”，谷歌CEO桑达尔·皮查伊（Sundar Pichai）说“对我们来说，投资不足的风险远远大于投资过度的风险”。

话说到这个份上，已经不是简单的商业决策了，这几乎是一种信仰。

人们给这种现象起了个名字，叫FOMO——Fear Of Missing Out，害怕错过。问题是，他们到底在怕错过什么？如果你去问一个在硅谷工作的工程师，他会告诉你：“AGI要来了。”你要是追问：“AGI是什么？什么时候来？”他可能会停顿一下，然后给你一个标准答案：“通用人工智能啊，大概三五年吧。”但你要是继续问：“那为什么是现在？为什么你们这么确定？”他大概率会说：“大家都这么觉得啊。”

这个回答显然不能让任何人满意。如果你是普通投资者，你会觉得这帮人疯了——几千亿美金砸下去，就凭一句“大家都这么觉得”？如果你是AI行业的从业者，你可能会感到一丝不安，因为你知道“AGI”这个词在过去两年里被用得太多太滥，以至于它几乎失去了任何严肃的意义。而如果你只是一个关心未来的普通人，你可能会隐隐觉得，有什么大事正在发生，但所有人都说不清楚那到底是什么。

这篇文章想做的，就是试着把这件事情搞清楚。我们不从任何预设的结论出发，而是从一个令人困惑的现象开始，慢慢地追问下去：头部大厂这么疯狂地烧钱，他们到底看到了什么我们没有看到的东西？这个东西真的存在吗？如果存在，它意味着什么？

一、一场奇怪的降温

先让我们把时间往回拨两三年。

2023年初，ChatGPT刚刚引爆全球，整个科技圈陷入了一场史无前例的AGI大讨论。那段时间，只要你打开社交媒体，一定能看到有人在争论“AGI什么时候到来”。Anthropic CEO达里奥·阿莫迪（Dario Amodei）多次警告AI能力可能快速增长并进入大量经济活动，DeepMind CEO德米斯·哈萨比斯（Demis Hassabis）强调AI agent与世界模型的结合将带来科学发现的革命性突破，英伟达CEO黄仁勋（Jensen Huang）则反复说AI基础设施正在成为新的计算平台。OpenAI CEO山姆·奥尔特曼（Sam Altman）近年来则不断强调，未来AI发展的关键不只是模型规模，而是能够执行复杂任务的AI系统。就连一向直言不讳的马斯克也一边起诉OpenAI，一边说“到2025年底，AI将比任何单个的人类都聪明”。

那是一个全民谈AGI的时代。咖啡馆里、播客里、董事会会议室里，所有人都在问同一个问题：机器什么时候会拥有和人类一样的智能？

奇怪的是，到了2024年中左右，关于AGI的公共讨论开始明显降温。第一轮AGI狂热悄然退潮。不是AGI的话题消失了，而是它从一种“激动人心的科技预言”变成了一种“有点令人疲惫的陈词滥调”。自媒体不再拿AGI当标题党，因为读者已经麻木了。学术会议上，人们开始回避给出明确的时间表，因为谁都怕被打脸。社交媒体上，如果有人再说“AGI三年内到来”，评论区里会出现大量嘲讽：“又来了”“你先让大模型把小学数学题算对再说”“真正的智能不是预测下一个token”。

表面上看，整个社会似乎进入了一种“AGI疲劳期”。人们经历了两年的讨论，发现这个问题越讨论越复杂，越讨论越没有共识。一部分人开始怀疑AGI根本就是个伪命题，另一部分人觉得就算AGI会来，那也是很久以后的事情，跟现在的生活没什么关系。

但就在这种公共讨论逐渐冷却的过程中，大厂的内部投入却在以惊人的速度加速。

如果你只看公开信息，会觉得大厂在2024年已经“冷静”下来。毕竟连奥尔特曼都不怎么提AGI了，改口说“我们专注于打造有用的产品”。扎克伯格在Meta的开发者大会上花了一个小时讲AI在广告系统里的应用，听起来无聊透顶。谷歌的演示里，Gemini的主要卖点变成了“帮你写邮件、做表格”。一切似乎都回归了商业常识——AI不是用来造神的，是用来提效赚钱的。

但如果你去看他们实际在做什么，就完全是另一回事了。从Meta大规模建设AI基础设施，到微软与OpenAI推动超大规模数据中心计划，再到亚马逊通过AWS与Anthropic深度合作并推进自研芯片，以及Google DeepMind进一步整合基础模型与Agent方向，头部公司已经进入基础设施竞赛的“战时状态”。这些行动的规模之大、节奏之快，完全超出了“商业理性”能解释的范围。任何一个冷静的CFO看到这些预算数字，都会本能地警觉：我们的客户在哪里？收入模型是什么？回报周期有多长？但显然，这些公司的最高决策层没有给CFO一票否决的权力。

这就是最让人困惑的地方。如果公共讨论里，连“什么是AGI”都没有共识，如果连AI领域的顶级学者都还在争论“大模型到底有没有真正的推理能力”，那为什么这些掌握着全世界最多资源、最聪明的一群人，会用一种近乎“All in”的姿态，去押注一个连定义都还没搞清楚的未来？

要回答这个问题，或许不能直接从“AGI”这个词入手，而需要先退一步，看看这个词背后的泥潭。

二、词语的泥潭

过去两年多里，关于AGI的争论，渐渐从技术路线之争，演变成了一场跨学科的混战。计算机科学家、神经科学家、哲学家、认知心理学家、语言学家，甚至神学家都加入了进来。大家吵来吵去，发现问题的根源根本不在于“技术什么时候能实现”，而在于“我们甚至无法就‘智能’这个词的含义达成一致”。

一派观点认为，AGI意味着机器拥有了和人类完全同等的认知能力——包括意识、情感、创造力、社会理解力。按照这个定义，AGI几乎等价于“人工意识”，而意识是什么，人类自己还没搞明白。既然我们连意识如何产生都不知道，又怎么可能造出一个有意识的机器？

另一派观点则认为，AGI不需要意识，它只需要能够在绝大多数有经济价值的认知任务上达到或超越人类的表现。按照这个标准，一个没有任何内心世界、只是纯粹工具性地解决问题的能力，就可以被称为AGI。

还有一派观点，以曾任Meta首席AI科学家的杨立昆（Yann LeCun）为代表，从根本上质疑当前大模型的技术路线能否通向AGI。杨立昆反复说，人类的学习不是靠海量文本数据的统计模式匹配，而是靠与世界互动、建立因果模型。一个从来没有见过苹果从树上掉下来的孩子，不会知道万有引力定律，但他通过扔东西、摔东西、舔东西，渐渐建立起对物理世界的直观理解。这种从经验中抽象出世界模型的能力，才是智能的核心。而当前的大模型，只是在“预测下一个token”，它没有真正理解物理世界，没有持久记忆，没有规划能力。杨立昆甚至公开说，“一个猫的智能都比现在最大的语言模型强得多”。

同样值得聆听的还有强化学习先驱里奇·萨顿（Richard Sutton）。他以“苦涩的教训”闻名，一直强调那些试图将人类知识硬编码进AI系统的做法，从长远来看都会输给那些让AI直接从环境交互中学习的方法。萨顿近年来越来越强调经验、交互、世界模型和持续学习的重要性。在他看来，真正的智能不是从人类文本中蒸馏出来的，而是在与世界的持续互动中生长出来的。

这些争论都是有道理的。但问题在于，它们让“AGI”这个词变成了一个哲学泥潭。一旦你跳进去，就很难再爬出来。你讨论自指能力是不是智能的必要条件，讨论中文屋论证，讨论感受质的不可还原性——这些都是极其重要的问题，但它们跟你“要不要在未来几年投入千亿美元建设AI基础设施”之间，产生不了任何直接的决策关联。

这就形成了一个巨大的认知断层。一边是学术界和公众舆论中日趋疲惫的AGI定义争论，另一边是头部大厂以一种看起来近乎鲁莽的方式疯狂扩张算力基础设施。普通投资者站在岸边，看着这两边，完全无法理解大厂的行为逻辑：如果连什么是AGI都说不清楚，你们凭什么认为它快来了？

这个困惑是合理的。但或许，我们的问题问错了。与其问“AGI是什么”，不如问另一个更具体的问题：大厂实际在做什么？他们手里的牌，到底是怎么打的？

三、慢思考的迁徙

要理解大厂的行为，我们必须回到一个更根本的问题：大模型的智能，究竟是从哪里来的？

答案是：数据。

在过去的几年里，AI领域有一个公开的秘密，就是预训练的数据红利正在耗尽。以OpenAI联合创始人兼前首席科学家伊利亚·苏茨克维（Ilya Sutskever）为代表的一批研究者明确指出，互联网上可供训练的高质量文本数据，已经被消耗得差不多了。那些年我们引以为傲的大模型能力跃升——从GPT-3到GPT-4，从PaLM到Gemini——很大程度上是因为我们在不断地喂给模型更多、更干净的数据。但现在，这个“数据油井”快要见底了。

要知道，收集和清洗数据曾经是整个AI开发流程中最耗费人力、最不性感却最重要的工作。早期的GPT训练数据，需要大量的人工标注员逐条筛选、去重、分类、打分。那是一个苦力活，催生了整个数据标注产业。但现在，高质量的公开文本数据已经近乎枯竭，简单的规模扩张走到了尽头。

就在人们觉得大模型的能力天花板似乎要出现的时候，一个意外的突破口被打开了。

那就是思维链。

思维链的概念其实并不复杂。传统上，你问大模型一个问题，它直接给你一个答案。但如果你在训练的时候，让模型看到人类是怎么一步步推理出这个答案的——先考虑什么前提，再推导出什么中间结论，最后如何得出结论——那么模型就会学到这种“慢思考”的模式。于是当它面对新的问题时，它也会模仿这个推理过程，一步一步地推，而不是直接蹦出一个可能正确的、也可能荒谬的答案。

从技术上讲，思维链是一种后训练方法。预训练阶段模型学的是“这个世界的文本长什么样”，后训练阶段则让模型学会“面对这样的问题，人类会怎么思考”。你在训练数据里加上几千几万条带有完整推理步骤的例子，模型就会把这套推理模式内化到它的参数里。

这里发生了一件微妙但极其重要的事情。

在预训练时代，模型的能力上限被人类已经写出来的文本所限制。互联网上有什么，模型就学什么。但现在，思维链打开了一扇新的大门：人类可以把我们自己的推理过程——那些从来没有被完整写下来、只存在于我们大脑中的认知轨迹——变成训练数据，喂给模型。这样模型就不仅能模仿我们说什么，还能模仿我们怎么想。

这听起来可能像是一个技术细节，但它实际上暗示了一个全新的范式。

想象这样一个流程。你现在有一个能力还不错的大模型，你把它的接口开放给一批非常有才华的工程师、数学家、程序员、设计师、作家，让他们用这个模型作为工具去解决真实世界中的复杂问题。在解决问题的过程中，这些人类专家会与模型反复交互——提出假设、验证答案、纠正错误、尝试不同的路径。整个过程，从最初的模糊需求到最终的完整方案，构成了一条完整的“问题解决轨迹”。这条轨迹里既有人类的判断和决策，也有模型当前的推理能力，两者交织在一起，形成了一段此前从未存在过的、高质量的训练数据。

然后你用这些数据去训练下一代模型。下一代模型学到了人类专家与上一代模型合作解决问题的全部经验，它的能力自然会比上一代更强。

更关键的是，这种能力提升会形成一种自我强化的循环。因为当下一代模型变得更强之后，它可以参与到更复杂的问题解决过程中去，人类专家与它合作产生的新轨迹也会更复杂、更高质量。这些新数据再用来训练更下一代的模型。如此循环往复。

说到这里，我们有必要引入一个关键概念。今天各大厂疯狂推动的Agent工程，本质上是在模型之外增加一个Harness层。这个层包括记忆、规划、工具调用、验证、任务管理等组件，使一个原本只能生成文本的模型，变成能够执行复杂任务的系统。这里需要区分两类Harness：一类是部署在用户侧或企业侧的应用Harness，另一类是大模型公司内部用于训练、评估和产生反馈数据的Harness。我们讨论的主要是后者——那些为了生产下一代模型训练数据而存在的内部Harness。

一个值得深思的悖论在这里浮出了水面。如果Agent越来越重要，它最后会不会反而越来越不重要？

原因在于，这些内部Harness系统从诞生之初，就背负着一种奇怪的宿命。它们存在的最大价值，不是成为最终产品，而是作为数据生产器——它们在与人类协作的过程中，源源不断地产生宝贵的“推理轨迹”。这些轨迹被收集起来，喂给下一代模型。下一代模型训练出来之后，很多原先依赖Agent框架才能完成的任务，模型自己就能直接做了。很多Agent能力可能最终会被模型吸收，而Agent本身则会不断向更高层次的问题求解系统迁移。那套Agent系统，从它被设计出来的那一刻起，就注定要经历这样的蜕变：它的一部分能力被模型内化，另一部分则演化为更复杂系统的基石。

这真是一种向死而生的悲壮。那些深夜加班设计prompt链、调优工具调用、搭建记忆模块的工程师们，他们的工作成果最终会被训练进模型的权重里，然后他们写的那些代码就成了过时的遗产。事了拂衣去，深藏功与名。对于具体做这个工作的个人来说，这听起来有些伤感；但对于整个AI系统的能力演进来说，这是最有效率的路径。

这里还有一个更深层的变化。Agent所提供的，并不仅仅是工具调用能力。它实际上承担的是一种外部化的“慢思考”过程。规划、搜索、验证、反思，这些本来需要通过多轮显式计算才能完成的认知活动，被外挂在模型之外，由Harness层来协调。随着这些过程不断产生高质量轨迹，并被用于后训练，它们会逐渐被压缩进模型参数，成为模型可以瞬间调用的“快思考”能力。

这对应了心理学家丹尼尔·卡尼曼那个著名的区分：系统2的慢思考，正在被蒸馏为系统1的快思考。原本需要一个Agent框架花几十步推理才能解决的问题，下一代模型可能一步就能完成。Agent层不是在消亡，而是在完成一种认知上的迁徙——它把原本存在于系统外部的智能结构，迁移到了模型内部。

这也是近年来重新受到关注的“递归自我改进”（Recursive Self-Improvement，简称RSI）概念的真实面貌。不过，RSI并不一定意味着某一天机器打开一个开关，然后开始无限自我升级——那是科幻电影的拍法。更现实的路径可能正是我们刚才描述的这个过程：通过人类参与的数据生产、Agent协作、模型训练和能力迁移，一代一代模型吸收上一代系统产生的经验，最终形成一种工程意义上的递归改进循环。它不需要“意识觉醒”作为前提，只需要数据和算力的持续投入。

当然，这并不意味着语言模型路线已经解决了智能的所有问题。世界模型、具身智能以及感知—行动闭环仍然代表另一条重要的探索路径。未来的智能系统，很可能不是单纯的大语言模型，而是语言、行动和环境交互的深度融合。但至少在目前，语言模型所开辟的这条数据飞轮之路，已经足够清晰，足够让那些看清了方向的人愿意押上重注。

四、地图的寓言

如果我们把上面这个逻辑推演到极致，就会看到一个清晰的趋势：只要这种“人+AI生产数据→数据训练新AI→新AI减少对人的依赖”的循环能够持续下去，那么理论上，终有一天，AI系统会掌握人类目前所能完成的全部认知任务。

这里有一个认知科学上的类比，可以帮助我们更好地理解这个过程。事实上，这个类比在前面讨论Agent的时候就已经呼之欲出了：当Agent层把外部的慢思考迁移进模型内部时，它本质上是把一张张认知地图植入了模型。

认知科学里有一个预测加工理论，简单来说，它认为大脑是一个多层级的预测机器。我们之所以能在这个复杂的世界里游刃有余，不是因为我们对每一个具体情境都进行从头计算，而是因为我们大脑中存储着大量的“内部模型”——或者叫“地图”。当你走进一家咖啡馆，你的大脑立刻调用了“咖啡馆地图”：你知道在哪里点单、在哪里付钱、在哪里坐下、怎么应对店员的目光。当你开车时，你的大脑调用的是“驾驶地图”：红灯停、绿灯行、前车刹车你减速。当你跟人吵架的时候，你的大脑又换成了“社交冲突地图”：什么时候该强硬、什么时候该让步、什么话不该说。

我们每个人，都在一生中积累了无数张这样的地图。而且在面对同一个情境时，大脑会自动选择它认为最适用的那张地图。如果一张地图不管用了——比如你按咖啡馆地图去处理一场车祸现场，那肯定会出大问题——大脑会迅速检测到这种不匹配，然后切换到另一张地图。

这就是人类智能中一个极其关键、但往往被忽视的能力：元认知切换。知道自己当前的地图不管用了，知道该换一张，知道换哪一张。更进一步说，真正高级的智能，并不是拥有更多地图，而是拥有一个能够判断当前环境、选择合适地图，甚至在发现所有已有地图失效时创造新地图的机制。这种“选择地图的地图”，或许才是智能中最难以复制的部分。

目前的大语言模型，最明显的缺陷之一，恰恰就在这里。一旦它进入一个“推理死胡同”，它往往不知道停下来，不知道换一条路，不知道“我在这个问题上用了错误的方法”。它只是沿着概率最高的路径继续预测下一个token，越走越远，直到生成出一堆看起来头头是道但完全错误的胡话。最近业界兴起的各种循环工程——让模型自己检查自己的输出、自己规划、自己验证——在本质上都是在试图解决这个问题：给模型一个“发现错误并换地图”的外挂机制。

但我们现在还没有办法让模型自己拥有这种换地图的能力。这件事情，暂时还是由人来做的。人在使用模型的时候，发现答案不对，于是换一种问法，换一个prompt，手动切到另外一张“地图”。等以后模型的能力更强了，有没有可能把所有可能用到的地图，以及“什么时候该换地图”的判断逻辑，全部训练进模型的参数里？按照前面那个数据飞轮的逻辑，这是完全可能的。因为每一次人类帮助模型“换地图”的过程，也是一条训练轨迹。当你积累了足够的“换地图轨迹”数据，喂给下一代模型，它自然就学会了自己换地图。

如果真的有那一天，AI系统不再需要人类在旁边帮它踩刹车、换挡、看地图，它自己就能完成从发现问题、分析问题、尝试方案、碰壁、换方案、最终解决问题的一整套闭环——那么不论你对AGI的定义是什么，不论你要求AGI具备意识还是情感还是什么别的东西，一个不可否认的事实是：这个AI系统已经具备了独立完成人类认知工作的能力。

而这就是头部大厂看到的东西。他们看到的是一条正在形成、并且可能产生指数级收益的能力增长回路。这条回路在过去的12到18个月里，已经产生了几次明确的迭代跃迁。他们相信，按照这个势头继续下去，短则一两年，长则三五年，AI系统的通用任务处理能力将覆盖目前人类能做的绝大多数有经济价值的认知工作。

五、他们到底看到了什么？

现在，让我们回到最初的那个问题。

大厂FOMO个啥？

他们FOMO的不是明天的模型排行榜，不是下一个季度的市场份额，甚至不是一个模糊的、哲学意义上的“通用人工智能”。他们FOMO的，是这条已经启动的、自我加速的数据飞轮。他们害怕错过那个临界点——当AI系统能够自主产生高质量训练数据、自主迭代自身能力的那一刻，落后的人将永远追不上。

更值得注意的是，他们相信，通向更高阶智能系统的关键工程条件正在逐渐形成。问题已经不是“是否会发生”，而是“谁能最快让这个飞轮旋转起来”。某些关键条件已经开始满足：模型能够参与生成训练数据，Agent能够辅助完成复杂任务，后训练能够持续吸收这些经验。现在的问题不是等待奇迹发生，而是尽可能让这个飞轮转得更快。

这是一场“谁先完成闭环谁就通吃”的游戏。因为一旦某个玩家率先达到了那个临界点，它的模型就能以指数级的效率不断自我强化，而追赶者会发现，自己面临的不仅是算法上的差距，更致命的是数据上的差距。对方拥有的高质量交互数据是你拿不到的，对方的模型已经在真实世界中处理了数以亿计的复杂任务，迭代了无数轮，而你的模型还在实验室里用公开数据集做消融实验。

更重要的是，这条路径并非只是未来幻想。OpenAI、Anthropic等领先模型公司的快速商业化，以及企业客户对高级模型服务的持续需求，说明市场已经开始为这种能力增长付费。大厂押注的不是一个遥远的、虚无缥缈的未来，而是一条已经产生实际收入、并可能进一步加速的技术路线。

这就是为什么萨提亚·纳德拉敢说“投资不足的风险远大于投资过度”。这不是一句公关话术，而是他在看到了这条飞轮运转的逻辑之后，做出的一个理性计算。如果赢了，微软将成为下一个时代的操作系统——一个无所不在的智能层，嵌入到经济活动的每一个毛细血管里。如果输了，或者如果它因为保守而错过这个节点，它将失去的不是一个业务线，而是整个未来计算的底座。

扎克伯格也是这么想的。他为什么在元宇宙的惨败之后，还敢把赌注压得更大？因为他看到了同样的事情：AI不是在取代社交网络，而是在重塑人机交互的底层逻辑。如果AI系统真的进化到了能够自主处理复杂任务的程度，那么谁拥有最强的AI，谁就拥有了下一代用户界面、下一代内容生态、下一代广告系统。Facebook当年错过移动互联网的故事，他不允许再发生一次。

谷歌的焦虑则可能更深。搜索本身就是一个“换地图”的极致体现——用户在搜索引擎里输入一个模糊的查询，谷歌需要在一毫秒内判断用户真正想要的是什么，需要调用什么样的知识地图来回答。如果一个未来的AI助手，能够在用户开口之前就预判需求，能够用自然语言直接给出最精准的答案，能够替用户完成从查询到决策到执行的全过程，那么传统搜索引擎的存在价值就会被连根拔起。谷歌必须确保，这个未来的AI助手，是自己造的，而不是别人造的。

还有一个值得注意的玩家。中国公司DeepSeek（深度求索）的路线也体现了类似的倾向。与许多创业公司优先追求商业化不同，DeepSeek公开表达过对基础模型能力和AGI长期目标的重视，他们的逻辑不是“先赚钱再谈技术”，而是“沿着技术路线走到头，能力本身会创造价值”。这说明全球主要技术力量的竞争焦点，正在从短期应用竞争转向下一代智能基础设施竞争——大家看到的，是同一条飞轮。

所以你看，这些大厂的决策者，并不是在盲目地追逐一个虚无缥缈的“奇点”概念。他们不需要AGI的哲学定义达成共识，他们只需要相信这条工程路径是可行的。而事实上，这条路径的可行性，已经在他们自己的实验室里被初步证实了。剩下的问题只是：砸多少钱，能把这个过程加速多快？

当他们想清楚了这一点，那么华尔街的质疑、媒体的嘲讽、公众的不解，就都变成了可以承受的噪音。在战略级的赌博面前，季度财报上的波动算什么？如果赌对了，现在的千亿美金投入在未来的版图里不过是入场券的价格。

六、真正的不确定性

事情似乎清楚了，但一种更大的不安却随之降临。

我们弄清了大厂在做什么，也弄清了这个逻辑为什么能驱动他们不顾一切地投入。但这个逻辑本身，并不天然导向一个好的结局。驱动这场豪赌的核心叙事，不是“我们应该为人类创造一个更美好的未来”，而是“如果我们不跑在最前面，就会被别人吃掉”。这本质上是一种基于恐惧的竞争逻辑。而恐惧驱动的技术变革，历史上往往伴随着巨大的社会震荡。

如果AI系统真的在未来几年内达到了能够自主完成绝大多数认知任务的水平，那么它对现有社会结构的冲击将是根本性的。工作、教育、财富分配、社会认同——所有这些我们用来组织人类社会的支柱，都将面临重构。这个飞轮一旦开始高速旋转，就没有人能按下暂停键。无论是政府监管，还是行业自律，在指数级加速的技术能力面前，都显得极其迟钝。我们迄今为止的公共讨论，还停留在“AI会不会抢走工作”“该不该给AI加护栏”的初级阶段，而大厂的实验室里，下一代模型的训练已经跑完了好几轮。

一个巨大的不对称正在形成。一边是少数几家头部公司手里集中了地球上最强大的算力、最顶级的人才、最丰富的数据，他们在以战争动员的效率推进着AI能力的前沿。另一边是全球几十亿的普通人和数以百万计的中小企业、传统机构，他们对正在发生的事情只有模糊的、片段化的理解。当未来的AI系统真正展现出通用能力的时候，绝大多数人将毫无准备。

但或许也不全是悲观的。历史上每一次智能工具的出现，也都重新定义了人的位置。印刷术没有让人类停止思考，反而让思考变得更加普遍和深入。计算机没有让人脑退化，反而催生了全新的认知领域。问题或许不是机器是否拥有智能，而是人类能否在新的智能生态中重新找到自己的角色。这个过程会很痛苦，会伴随着大量的失落和迷茫，但人类这个物种的韧性，恰恰在于我们一次又一次地在技术颠覆之后重新定义了自己。

当我在前面描述Agent层“向死而生”的悲壮感时，那种悲壮感其实不仅仅属于Agent工程师，它或许也是整个人类在智能演化史上的一种隐喻。我们在拼命教会一个系统如何比我们更好地思考和行动，而这个系统一旦学会，我们引以为傲的那些能力——包括我们此刻正在进行的、关于它是否应该存在的思考——都可能被它纳入自己的运算。也许真正的问题并不是AI有没有意识，而是在制造了一个能够不断重绘自身认知地图的系统之后，人类第一次需要面对这样一个境况：如果地图不再由我们独占，如果那个我们一直以来赖以定义自身的东西——思考的能力、解决问题的智慧——不再是独一无二的，那么，我们是谁？而这个问题，或许正是人类在漫长的进化史上，第一次能够真正停下来认真思考的奢侈。

如果要说这篇文章有什么实用的建议的话，我觉得只有一条：不要等到一切都明晰了再做准备。对普通投资者来说，理解这个技术逻辑，远比追逐短期的股票涨跌重要得多。因为如果你不知道这场变革的本质是什么，你手里的所有资产定价模型都将失效。对普通工作者来说，认识到“可被轨迹化的认知劳动”将在未来几年面临前所未有的替代压力，比抱怨AI没有创造力要实际得多。对于每一个普通人来说，保持警觉，保持学习，保持对自身思维过程的理解和训练——这些看起来老生常谈的东西，在未来可能是唯一可靠的救生圈。

至于更宏大的问题，比如社会如何应对大规模失业，财富如何重新分配，人类在失去了“劳动定义自身”这个几千年来的根基之后，该如何重新确立存在的意义，这些我真的没有答案。但我至少希望通过这篇文章，让更多人意识到，这一切不是遥远未来的事。它正在发生，就在此刻，在某个地下三层的恒温恒湿数据中心里，几十万块GPU正以人类无法想象的速度吐纳着数据。它们在学习我们如何思考，在吸收我们所有的地图，在为那个不再需要我们陪伴它思考的时刻，默默做着准备。

或许在很多年以后，当后人们回看这个时代，他们会发现，我们今天所有关于AGI定义的争吵，都是茶杯里的风暴。真正改变历史的，是那些在公共视野之外悄然启动的数据飞轮，和几个CEO在深夜做出的、当时看起来疯狂至极的投资决策。

而命运这位裁判，从来不会在开局的时候就吹响哨子。它只会让时间，一点一点地，把底牌翻开。

到时候，我们会站在哪里？

这个问题，留给每一个读到这里的你。