从AI到AGI还有多远？管理者必须看清的能力边界与竞争优势构建路径

随着大模型在代码生成、数据分析、内容创作等任务上不断突破，一个摆在所有管理者面前的关键问题是：世界是否正在走向通用人工智能（AGI）？AGI描绘的是一种截然不同的状态——AI不再只擅长某几类特定任务，而是能像顶尖人类专家一样，在广泛的认知任务中理解问题、学习、推理并完成工作。这样的能力今天尚未出现，对它何时、甚至能否实现，业界远未形成共识。但对企业而言，与其押注AGI会在哪一年到来，不如先看清一个当下已经可以观察到的现象。

帕斯卡赌注：不确定性下的决策框架

AI的能力并非整齐划一地向前推进，而是呈现出明显的锯齿状前沿。相关研究机构与多所领先学术机构在2023年的一项联合研究给出了系统证据：AI在不同任务上的表现差异极大——有些已达到专家甚至顶尖水平，有些只是普通水平，还有一些仍明显落后于人类。把这些高低不一的能力边界连起来，就形成了一条锯齿状的前沿曲线。这种能力分布广泛存在于不同岗位中，也解释了为什么AI对工作的影响并非简单的替代，而是催生了一种全新的分工方式。

软件工程是AI应用最成熟的领域之一，却依然无法被AI完整接管。研究发现，软件工作并不能简单切分为AI能做与不能做两部分：AI确实能显著加速代码生成与测试，但仍无法独立承担系统层面的架构判断、多方利益的权衡，以及对最终结果负责。过去两年中，随着AI承担了更多编码工作，工程师反而把更多精力投向AI尚不能完成的高价值任务，人的价值不降反升，就业人数也在持续增长。这为理解其他岗位的AI影响提供了直观参照。

从多年产业实践经验来看，通往AGI的道路上至少横亘着四道现实约束。其一是数据耗尽：高质量公开文本是有限的，正如业内专家所指出的，互联网只有一个，依赖扩大语料推动能力提升的预训练路径终将触及天花板。其二是可验证奖励强化学习（RLVR）的局限：这种方法在数学、编程等结果容易验证的任务上极为有效，但知识工作中的大量任务——例如判断一款产品是否该推出、一套投资策略能否跑赢指数——答案只能由市场和时间给出，反馈延迟且缺乏公认标准，难以用RLVR训练。其三是在工作中学习的缺失：当前模型虽能通过检索和记忆机制获取组织信息，却不会像员工一样在完成任务的过程中持续积累经验、沉淀隐性知识，这严重制约了AI在依赖组织情境的判断与决策中的表现。其四是算力、能源与硬件的物理上限：训练AGI级模型需要巨大的电力、电网容量与芯片供应，且即便技术上实现，商业化还会受安全规范、数据产权与市场准入的多重约束。

面对AGI何时到来的高度不确定性，管理者可以借鉴帕斯卡赌注的决策逻辑：当未来结果高度不确定、不同结局的影响又相差巨大时，理性的做法不是等待确定答案，而是选择在更多可能情景下都更有利的路径。落到企业层面，这意味着为一个AI持续变强、但能力边界仍然存在的未来做好准备：在AI已擅长的任务上让机器承担更多工作、人负责监督与校验；在人类仍具优势的判断、权衡与担责环节，让员工投入更多时间。制造业与具身智能领域的演进尤其值得关注——当AI不仅能生成信息，还能感知环境、做出决策并采取行动时，人机协同将从办公室延伸到工厂、仓储等物理场景。企业真正的竞争优势，正来自于让运营模式既能适应当前的锯齿状前沿，又能随能力边界的变化持续动态调整。

AGI的争论短期内不会有答案，但这并不妨碍企业行动。真正重要的问题不是AI何时全面超越人类，而是AI正以多快的速度进入研发、生产、服务与决策流程，重新划定人机分工的边界。看清锯齿状前沿，布局人机协同，让组织随技术演进而持续进化——这才是当下最务实的竞争策略。