一、狂热与理性并存：被叙事裹挟的 AGI 讨论

当下 AI 行业对于 AGI 的讨论，分化出两种比较极端的心态：一部分人期待超级智能快速降临，也有一部分人担忧其带来各类潜在风险。两种态度背后，其实共享着同一种想象：期待一个如同 “神明” 般的集中式超级 AI 突然问世。

行业近期接连发生不少极具话题度的事件，进一步放大了这类舆论。有上万 AI 智能体协作尝试求解长期悬而未决的数学难题，相关消息迅速引发广泛热议，但该成果仍处在待学术界核验的阶段，并未真正完成问题解决。与此同时，头部 AI 实验室内部出现不同声音，部分技术人员公开发声警示超级智能带来的潜在风险，甚至给出较为悲观的风险概率判断，相关观点在行业内引发一轮关于技术踩刹车的讨论。

与此同时，各家厂商模型发布会接连不断，跑分指标持续刷新，不断输出能力升级的宣传。但回归现实落地场景，当前 AI 能够稳定胜任的工作大多集中在文稿撰写、资料检索、表格与演示文档制作等任务，更类似一名效率尚可的实习生。对于普通人日常生活里的人情往来、现实生活事务介入程度很低。

无论是对 AI 成果的过度神化，还是放大风险渲染末日式恐慌，或是单纯比拼跑分数字，本质都是一种简化的叙事。热闹的舆论之下，一个更基础的问题却经常被忽略：真正的 AGI，究竟应该具备什么样的形态与能力。

二、现实能力短板：锯齿状智能与创造力门槛

评判 AGI，不能只看模型处理已知任务的熟练度，是否拥有突破未知、产出全新创造物的能力，是一道关键分水岭。熟练完成已有范式内的工作，只是把已经存在的事情做得更高效，属于工具能力；而进入未知领域、解决人类难以攻克的新问题、实现发明创造，才是迈向通用智能的重要标志。

对照这一标准，当前 AI 能力展现出非常明显的不均衡特征，行业将该现象称为锯齿状智能。模型可以在奥数类题目拿到不错成绩，但面对读取模拟时钟这类生活化简单任务，正确率仅略高于随机猜测；在受控测试环境中，机器人任务成功率可观，一旦放到真实家庭环境，完成率便大幅下滑；执行电脑操作任务时，也会出现相当比例的任务中断失败。就如同一名严重偏科的学生，部分领域表现亮眼，在基础物理常识、简单现实逻辑上却频频出错。

造成这种现象源于大模型底层运行逻辑：现有大语言模型依靠统计概率逐字生成内容，每一步优先选择概率最高的路径，容易被困在已有的人类经验范式当中。它擅长整合、润色已有的人类成果，却很难开辟概率极低、不曾出现过的全新思路。它可以优化已有的网页设计，却很难完成真正原创性的艺术创作；可以整合现有素材产出宣传文案，但内容往往带有明显的 AI 生成痕迹。面对室温超导这类长期悬而未决的前沿难题，模型依旧只会回归已有的旧思路，很难提出突破性方向。

创造力是通往 AGI 一道难以跨越的门槛。如果无法实现对未知领域的突破，无论跑分提升多少，模型依旧只是能力强大的工具，并非真正意义上的通用人工智能。

三、路线转向：从巨型云端模型走向本地模型

过去行业竞争的主线，集中在不断堆叠模型参数，而如今越来越多从业者意识到，单纯把模型规模持续做大的阶段已经接近尾声，评测导向也逐步从 “回答质量” 转向 “任务实际完成效果”。本地模型，成为越来越多企业与研究者看好的新方向。

本地模型指部署在个人电脑、手机等终端设备之上的大模型，不需要每一次调用都依赖云端算力。海内外产业端已经出现诸多相关动作：海外企业发布本地化数字员工产品、开源大模型；国内科技企业预判未来大部分 token 消耗将发生在个人终端设备，多家机构陆续开源适配本地运行的模型，部分高校科研团队也参与到本地模型研发，还开展了与硬件厂商的合作。部分行业观点预判，数年之内本地模型有机会追平当下主流云端模型的综合表现，占据可观市场份额。

推动产业转向本地模型，来自成本、安全、隐私多方面的现实考量。 第一是使用成本，云端调用会持续消耗 token 产生开销，本地运行主要消耗设备电费，能够实现更高程度的使用自由度； 第二是数据安全，企业核心业务资料、行业专有数据反复上传外部云端，存在数据泄露、被用于外部模型训练的隐患；如果所有智能能力都掌握在少数机构的云端，还会带来高度集中的垄断风险； 第三是个人隐私，个人相册、未对外公开的方案文稿等敏感内容，并不适合持续向外传输，而这些恰恰是 AI 深度服务个体所需要的信息素材。

当然，这并不代表云端模型会彻底消亡，它依旧具备自身的价值，只是未来会从唯一选择，变成众多技术方案当中的其中一种。真正的理想图景，是 80 亿人能够拥有属于自己的 AI，而不是少数机构垄断全部智能能力。

四、落地现实阻碍：理想与民用产品之间的鸿沟

尽管本地模型赛道热度走高，开源项目不断涌现，但真正面向普通大众、开箱即用的成熟产品依旧稀缺。

当前本地部署还存在不少现实门槛。部署操作对使用者有一定技术门槛，普通用户难以轻松完成；同时模型对硬件配置要求较高，即便部署完成，在执行长链条复杂任务时稳定性不足，长步骤操作任务的完成占比偏低，市场上还混杂着部分仅能在演示环境运行、真实业务场景表现不及预期的产品。

现阶段本地模型落地更多集中在政企市场，本地部署一体机采购规模快速增长，部分政务场景已经落地应用，实现业务处理效率的提升。但面向普通消费者的成熟产品供给还比较有限。

这样的产业变迁可以找到历史参照。早年算力高度集中在价格高昂的小型机，大型设备掌握少数机构手中；随着 PC 与服务器普及，廉价、开放、普惠的算力走向千家万户，旧时代巨头随之更迭，而它所孵化的技术却成为行业通用标准。今天的云端大模型所处的位置，和当年小型机的处境有相似之处，开放、低成本、人人可以使用的技术，往往具备更强的长期生命力。

部分创业企业已经面向消费级本地模型方向开展探索，在专项基准测试当中，部分 27B 参数本地模型，在工具调用、导航、金融分析、浏览器自动化等项目取得不错的成绩，和超大参数旗舰模型差距有限。面向普通用户的理想本地模型，应当做到下载即可使用，不需要额外频繁支付调用费用，可以长期陪伴使用者，记住用户的习惯与信息，成为个人专属助手。

五、AGI 的另一种可能性：生长在每一台终端设备之上

真正 AGI 的到来，或许不会是某一场声势浩大的产品发布会宣布 “超级智能诞生”。更有可能是潜移默化的变化：某一天人们发现，自己电脑当中的 AI 已经熟悉自身习惯，能够持续给个人提供协助与启发。

这意味着 AI 不再是少数巨头手里的中心化 “神级智能”，而是散落在无数普通人设备当中，各有特质、多元生长的个体智能。AGI 不一定由单一超级大模型实现，它可能从千千万万台终端设备里面逐步长出来。行业不必被动等待一个完美的 AI 降临，普惠的、属于每一个人的 AI 生态，才是值得产业去奔赴的方向。