2026 年 8 月 26 日，英伟达财报电话会上，有人问黄仁勋如何看待通用人工智能（AGI）。他的回答是：「对于很多任务来说，我们可以说已经实现了 AGI。」
这一说法争议很大，也没有得到广泛认可，但它也折射出当前 AI 能力的变化。顺着这句话回看，人工智能作为一门学科，已经走过了 70 年起伏不断的发展历程。
起点：1955 年寄出的达特茅斯提案
七十一年前的今天，也就是 1955 年 8 月 31 日，四名年轻研究者向洛克菲勒基金会寄出了一份提案，题为《关于举办达特茅斯人工智能夏季研究项目的提议》。
提案开头提出，他们计划在 1956 年夏天，于新罕布什尔州汉诺威镇的达特茅斯学院开展一项为期两个月、由 10 人参与的研究。提案的基本假设是：学习的每一个方面，或者智能的任何其他特征，原则上都可以被精确描述，从而使机器能够模拟它。
这份提案的四位署名者分别是：
- 达特茅斯学院数学系助理教授约翰·麦卡锡（John McCarthy），28 岁
- 哈佛大学初级研究员马文·明斯基（Marvin Minsky），28 岁
- IBM 信息研究主管纳撒尼尔·罗切斯特（Nathaniel Rochester），36 岁
- 贝尔实验室数学家克劳德·香农（Claude Shannon），39 岁
四人中，只有香农当时已经算得上学界明星。他在 1948 年发表的《通信的数学理论》早已成为经典文献。
这四人向基金会申请了 13500 美元，最终获批的是 7500 美元。
10 个人、2 个月、7500 美元，试图解决智能问题。放到今天看，这大概是人工智能历史上最著名的一次低估。更有意思的是，提案中列出的几项任务——让机器使用语言、形成抽象和概念、解决当时只有人类能解决的问题、并且自我改进——在 2026 年仍然像是一份行业路线图。
“人工智能”这个名字，本身就是一次划界
在「人工智能」这个词出现前，这个领域已经有一个更成熟的名字：控制论（Cybernetics）。诺伯特·维纳（Norbert Wiener）1948 年出版的同名著作影响很大，也围绕他形成了庞大的学术圈。
但麦卡锡不想进入这个圈子。按照后来的多方回忆，他既不愿意认维纳当这个方向的核心人物，也不想与其正面争执；同时，他也觉得香农的信息论过于理论化。他希望做的是更具体的事情：用计算机实现智能。
在这种背景下，「Artificial Intelligence」被造了出来。这个词不是一个严格技术定义，更像是一种学术上的划界动作。
这件事后来变得很重要。因为从诞生第一天起，「人工智能」就没有一个可操作、可证伪的定义。它很难被明确宣布已经实现，也很难被严格宣布已经失败。此后几十年里，围绕 AGI 的争议反复出现，这个起点提供了一个解释。
1956 年夏天：达特茅斯会议让学科正式成形
1956 年 6 月到 8 月，达特茅斯会议在学院内持续了 8 周。它并不像今天的标准学术会议，没有固定议程，也没有统一论文集。与会者来来去去，有人只待一周，也有人几乎待满整个夏天。关于实际参会人数，不同资料给出的数字从十几人到 30 多人不等，因为「参加过」本身就没有严格边界。
会议期间，最亮眼的成果并非来自提案的四位署名者，而是卡内基理工学院的艾伦·纽厄尔（Allen Newell）与赫伯特·西蒙（Herbert A. Simon）。他们带来了一套名为「逻辑理论家」（Logic Theorist）的程序。
这套程序能够证明伯特兰·罗素（Bertrand Russell）和阿尔弗雷德·怀特海（Alfred North Whitehead）《数学原理》第二章 52 条定理中的 38 条，其中有一条定理，程序给出的证明甚至比罗素原版更简洁。
纽厄尔和西蒙随后将论文投给《符号逻辑杂志》，并且在作者栏中郑重写上了 Logic Theorist 的名字。结果，这篇稿件被拒了。
从这个意义上说，这也是历史上第一次，一个 AI 系统没有拿到署名权。
不过，不管当时讨论如何分化，那场会议之后，人工智能这门学科已经被正式命名并开始独立发展。
黄金十年：成果密集，预期也开始失控
达特茅斯会议后的十几年，通常被看作 AI 最乐观的一段时期。研究者少，资金相对充足，而每一个演示看上去都像在提前展示未来。
1958 年，康奈尔航空实验室的弗兰克·罗森布拉特（Frank Rosenblatt）制造出感知机（Perceptron）。那是一台真实的硬件设备，名为 Mark I Perceptron，使用 400 个光电管作为「视网膜」，通过电位器调节权重，再依靠电机转动更新参数。它能够学会区分简单图形。
《纽约时报》当时在报道中写得相当激进，称这种机器未来将能够行走、说话、看见、书写、自我复制，并意识到自己的存在。
同一年，麦卡锡发明了 LISP 语言。此后约 30 年里，它都是 AI 研究的重要通用语言。
1959 年，IBM 的阿瑟·塞缪尔（Arthur Samuel）让自己的跳棋程序通过自我对弈提升水平，最终能够战胜他本人。这也是「机器学习」第一次有了可被直观看见的对应成果。
1966 年，MIT 的约瑟夫·维森鲍姆（Joseph Weizenbaum）写出 ELIZA。这是一个只有 200 多行代码的模式匹配程序，扮演一名罗杰斯学派心理治疗师，把用户的话改写成反问句再抛回去。
维森鲍姆写 ELIZA 原本是为了讽刺人机对话的浅薄，但结果恰好相反。报道称，他的秘书与 ELIZA 对话几分钟后，认真要求他离开房间，因为她想单独与 ELIZA 交流。这件事后来深刻影响了维森鲍姆，他此后成为 AI 最尖锐的批评者之一。
1970 年，特里·维诺格拉德（Terry Winograd）的 SHRDLU 可以在虚拟积木世界中理解类似「把那个绿色的大块放到红色方块上面」的指令，还能解释自己为何这样做。同期，斯坦福研究院的机器人 Shakey 可以在走廊中规划路径、推动箱子，只是每走一步都需要很长时间，这也是它名字的由来。
技术进展不断出现，预测也开始越来越大胆。1965 年，赫伯特·西蒙写道，20 年内机器将能够完成人所能做的任何工作。1970 年，明斯基在接受《Life》杂志采访时表示，3 到 8 年内，人们就会拥有一台具备普通人一般智力的机器。
神经网络退潮：从《感知机》到第一次失速
就在乐观情绪最强的时候，明斯基也参与了另一项对行业影响深远的工作。1969 年，他与西摩·帕普特（Seymour Papert）出版《感知机》，用严格数学证明指出，单层感知机连异或（XOR）这样的简单逻辑都无法表达。
书中也提到多层网络的可能性，但整体态度偏悲观，认为训练问题看不到解法。
这本书的影响远超其数学论证本身。此后十多年里，神经网络方向的经费基本断流。1971 年 7 月 11 日，罗森布拉特在切萨皮克湾划船时发生事故去世，去世当天正好是他 43 岁生日。
这一阶段，符号主义暂时占了上风。但它的领先并不稳固，因为它很快也会遇到自己的天花板。
第一次寒冬：ALPAC 报告与莱特希尔报告
AI 第一次全面降温，来得很快。核心问题有两个：算力不足，以及组合爆炸。
1966 年，美国国家科学院发布 ALPAC 报告，对机器翻译给出严厉结论。报告认为，经过 10 年投入，机器翻译不仅没有比人工翻译更快、更便宜，质量也明显更差，因此建议停止资助全自动翻译。
1973 年，英国科学研究委员会委托应用数学家詹姆斯·莱特希尔（James Lighthill）评估 AI 研究的价值。最终形成的《莱特希尔报告》措辞相当直接：AI 研究在各个领域都没有兑现承诺；那些在玩具问题中表现不错的方法，一旦面对真实世界规模的问题，就会因搜索空间的组合爆炸而失效。
所谓组合爆炸，是这一代 AI 的根本难题。无论是下棋、走迷宫还是证明定理，本质上都可以看成在一棵巨大搜索树上寻找答案。玩具问题的树足够小，尚可穷举；真实问题的规模则可能大到接近宇宙原子数量级，当时的算力几乎无从应对。
《莱特希尔报告》发布后，英国的 AI 研究经费几乎被全部撤销，只留下两三所大学继续保有相关力量。美国方面，DARPA 在 1974 年前后也显著收紧了对 AI 的开放式资助。卡内基梅隆的语音理解研究项目（SUR）因未达到 DARPA 期望指标而被砍掉。
第一次寒冬大致持续到 1980 年前后。它反映的不是研究完全停滞，而是 AI 的承诺与交付之间出现了明显裂缝。
专家系统时代：聚焦单点任务，商业化率先爆发
行业第一次解冻，靠的是思路收缩。既然做不出通用智能，那就先做只擅长一件事的系统。
爱德华·费根鲍姆（Edward Feigenbaum）提出的口号是「知识就是力量」。1965 年启动的 DENDRAL 能根据质谱数据推断有机化合物分子结构；1972 年开始的 MYCIN 能诊断血液感染并推荐抗生素剂量，在评估中的表现接近人类专家。
这类系统的架构很明确：一个存放大量「if...then...」规则的知识库，加上一个推理引擎。
真正把专家系统推向商业应用的是 XCON。1980 年，卡内基梅隆为 DEC 公司开发的这套系统开始为 VAX 小型机自动配置订单，减少了人工装配错误带来的高成本。按照 DEC 方面的估算，XCON 每年可为公司节省约 4000 万美元。
这一数字迅速点燃了市场。进入 1980 年代，专家系统成为企业 IT 采购中的标准项目之一。围绕 LISP 的专用硬件公司 Symbolics 和 LMI 快速崛起，AI 相关产业规模在 1980 年代中后期据称达到数十亿美元量级。
日本的反应最为激进。1982 年，日本通商产业省启动「第五代计算机」计划，目标是构建基于逻辑编程和大规模并行架构的智能机器，试图直接越过冯·诺依曼架构。
第二次寒冬：硬件失势，规则系统难以扩展
这轮繁荣结束得比第一次更快。
1987 年，通用工作站的性能超过昂贵的专用 LISP 机器，Symbolics 等公司的硬件产品迅速失去市场基础，几个月内需求大幅蒸发。
更深层的问题出在软件侧。专家系统依赖人类专家逐条口述规则，再由知识工程师逐条编码。这个过程缓慢、昂贵，而且当规则数量增加后，规则之间会相互冲突。系统既不能自行学习，也无法应对规则库之外的情形；维护成本还会随着规模扩大而超线性上升。
到了 1990 年代初，「人工智能」这四个字在企业采购和风投圈里几乎已经成了负面标签。日本的第五代计算机计划则在 1992 年结束，未能实现预定目标。
第二次寒冬由此展开，它的成因与第一次高度相似：预期跑得太快，技术兑现跟不上。
改名求生：不叫 AI 的年代
从 1990 年代到 2000 年代中期，这个领域做了一件很务实的事：尽量不再使用 AI 这个名称。
研究者转而使用机器学习、数据挖掘、模式识别、知识工程、智能系统、信息检索等说法。申请经费时，避开「人工智能」往往更容易成功。这段历史后来被称作 AI 寒冬中的「伪装」。
但也正是在这段时间里，学科本身反而更健康。摆脱了「造出通用智能」的宏大叙事之后，研究开始转向统计方法和可测量指标。支持向量机、贝叶斯网络、隐马尔可夫模型、集成学习逐步成熟，朱迪亚·珀尔（Judea Pearl）把因果推断引入概率图模型。
这些方法不承诺制造智能，它们只承诺在特定任务上取得更高准确率，而它们确实做到了。
公众最容易看到的标志性事件，是 1997 年 5 月 11 日 IBM 深蓝以 3.5 比 2.5 战胜加里·卡斯帕罗夫（Garry Kasparov）。不过，深蓝依靠的是专用芯片每秒搜索 2 亿个棋局位置，它几乎不包含任何「学习」能力。当时这场胜利被广泛解读为算力的胜利，而不是智能的胜利。
同样在 1997 年，塞普·霍克赖特（Sepp Hochreiter）和于尔根·施密德胡伯（Jürgen Schmidhuber）发表长短期记忆网络（LSTM），为循环神经网络的梯度消失问题给出解决方案。这篇论文当时几乎没有引起关注，但 20 年后它成为语音识别和机器翻译产业的重要基础。
神经网络方向的火种，则主要由杰弗里·辛顿（Geoffrey Hinton）、杨立昆（Yann LeCun）和约书亚·本吉奥（Yoshua Bengio）持续保留。由于他们在主流并不看好的时期坚持这一路线，后来被戏称为「加拿大黑手党」。
2004 年，加拿大 CIFAR 提供了一笔当时看上去并不起眼的经费，支持辛顿组织跨机构研究项目。2006 年，辛顿等人关于深度置信网络的论文重新为这一路线命名：深度学习。
数据开始补位：ImageNet 改变了准备条件
除算法和研究群体外，另一半关键变量来自数据。2007 年前后，李飞飞（Fei-Fei Li）开始推动 ImageNet 项目，构建一个包含约 1500 万张标注图片、覆盖 2 万多个类别的数据集。
她的判断是，算法效果上不去，部分原因不是模型本身，而是可用数据太少。按照文中说法，当时主流观点认为，给如此大规模的数据做标注既不现实，也缺乏意义。ImageNet 一度依靠亚马逊 Mechanical Turk 上的众包工人才得以推进。
2009 年，ImageNet 数据集发布；2010 年起，年度识别竞赛开始举办。
按原文的概括，在 2012 年之前的十年里，火药、引信和火柴分别由三批彼此并不知情的人准备完成。
2012 年：AlexNet 把转折点推到台前
2012 年 9 月，多伦多大学的亚历克斯·克里泽夫斯基（Alex Krizhevsky）、伊利亚·苏茨克维（Ilya Sutskever）和辛顿将一套 8 层卷积神经网络送入 ImageNet 竞赛。AlexNet 的 top-5 错误率为 15.3%，而第二名为 26.2%。
在计算机视觉这样相对成熟的领域，年度提升 1 到 2 个百分点已经算明显。10 个百分点的差距意味着领先幅度极大。
原文指出，AlexNet 使用的算法并不全是新东西：卷积网络在 1989 年杨立昆的工作里已经出现，反向传播来自 1986 年论文，ReLU 激活函数的思路也不是首次提出。真正新的，是两块英伟达 GTX 580 显卡带来的训练能力，以及 ImageNet 提供的大规模数据。
同一年，谷歌大脑的吴恩达和杰夫·迪恩（Jeff Dean）用 16000 个 CPU 核心搭建的网络，在无标注 YouTube 视频帧上自发学出了一个对猫脸敏感的神经元。两件事共同释放了同一个信号：旧算法加上新算力和大数据，会出现新能力。
从 AlphaGo 到 Transformer：加速期到来
2013 年，DeepMind 用深度强化学习让智能体在只看屏幕像素的情况下学会玩 Atari 游戏；2015 年，这项成果登上《自然》。
2016 年 3 月，AlphaGo 以 4 比 1 战胜李世石（Lee Sedol）。第二局第 37 手，也就是后来被称作「神之一手」的一步，AlphaGo 在五路肩冲。职业棋手最初普遍认为这是失误，几小时后才逐渐承认它是一手好棋。原文认为，这一步之所以被反复讨论，在于它第一次让很多人直观看到：系统的判断可能来自人类棋谱之外。
2017 年 10 月，AlphaGo Zero 发表，不再使用人类棋谱，而是从零开始自我对弈，在 3 天后超过战胜李世石时使用的版本。
也是在 2017 年，谷歌 8 位研究者发表论文《Attention Is All You Need》，提出 Transformer 架构。该架构去掉循环结构，改用注意力机制建模序列关系，最大的优势是可以进行大规模并行训练。论文当时定位于机器翻译效率优化。
原文还提到，如今这 8 位作者已经全部离开谷歌，分别创业或加入其他实验室。
规模成为主线：BERT、GPT、Scaling Laws 与 Chinchilla
Transformer 出现后的 5 年，行业主线变得非常集中：把模型做大。
2018 年，谷歌的 BERT 与 OpenAI 的 GPT-1 分别验证了「大规模无监督预训练加下游微调」的路线。
2019 年，GPT-2 发布时，OpenAI 以「可能被滥用生成虚假信息」为由，采取分阶段开放模型权重的做法。按照原文说法，这一争议后来比模型本身更具有预示性。
2020 年 5 月发布的 GPT-3 被视作分水岭。该模型拥有 175B 参数，不需要微调，只靠提示词中的少量示例就能完成新任务。原文将这种没有被显式训练出来、却随规模扩张出现的能力称为「涌现」的一种表现。
同年，OpenAI 的 Jared Kaplan 等人发表 Scaling Laws 论文，指出模型性能与参数量、数据量、算力之间存在可预测的幂律关系。2022 年，DeepMind 的 Chinchilla 论文又修正了相关配比结论，指出当时的大模型普遍训练数据不足。
按原文表述，这两篇论文的实际作用，是把训练大模型从一门手艺推向一种工程。
如果说过去 60 年 AI 的主要问题是承诺快于能力，那么 2020 年之后，情况第一次出现反转：能力增长开始呈现可外推曲线，资本因此更容易计算投入回报。这也是千亿美元级资金持续涌入的直接原因。
图像生成与 ChatGPT：界面改变了交付方式
在同一时期，图像生成模型沿着另一条路线推进。2021 年，CLIP 实现图文对齐；2022 年，扩散模型推动 DALL·E 2、Midjourney 和 Stable Diffusion 密集出现，「AI 作画」开始成为面向大众的话题。
接着是 2022 年 11 月 30 日。OpenAI 将一个基于 GPT-3.5 的对话演示产品放到网上，最初预期只是收集反馈。结果，ChatGPT 5 天获得 100 万用户，2 个月达到 1 亿月活，成为当时史上用户增长最快的消费级应用。
从技术角度看，原文认为 ChatGPT 相对 GPT-3.5 的主要变化是基于人类反馈的强化学习（RLHF）和一个对话框；从产品角度看，它做的是把已经存在两年的能力，第一次交给没有技术背景的用户使用。
按照文中的一句概括，AI 70 年里最重要的一次交付，可能就是一个界面。
2023 到 2026：模型从“能聊”转向“能办事”
原文认为，此后三年多的变化密度，已经超过前面 60 年总和。
2023 年被描述为模型军备竞赛之年。GPT-4 在 3 月发布，在多项人类专业考试中进入前列。中国市场同年出现「百模大战」，从大厂到创业公司，发布会的频率一度以周计算。幻觉、版权、就业冲击等问题，也在这一年首次被大规模严肃讨论。
2024 年出现两个转折。其一是技术路线变化：OpenAI 在 9 月发布 o1，把强化学习用在推理链条上，让模型在回答前先「想」得更久。原文称这一路线为「推理时扩展」，其效果是把一部分算力需求从训练侧转移到推理侧，并带来数学与代码能力的阶跃。
其二是象征意义上的变化：10 月，诺贝尔物理学奖授予约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿；化学奖授予戴维·贝克（David Baker）、德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John Jumper）。神经网络与 AlphaFold 在同一周内分别得到两个学科奖项认可。
2025 年，原文将最大的变量归结为开源。一月，DeepSeek-R1 发布，性能对标 OpenAI o1，但训练成本低一个量级，而且完全开源。文中认为，它的直接影响是把推理模型门槛压低到几乎人人可用，间接影响则是改写了「必须堆算力才能追赶」的默认假设。此后，国产开源模型在全球开发者生态中的份额继续上升。
同样在 2025 年，几个长期被视为 AI 难以完成的标志性任务被突破。7 月，OpenAI 的一个内部实验模型与谷歌 DeepMind 的 Gemini Deep Think 分别在国际数学奥林匹克（IMO）上达到金牌水平，6 道题解出 5 道。OpenAI 强调，该模型没有为数学专门训练，依赖的是通用强化学习和测试时计算扩展。8 月，同一套模型在国际信息学奥林匹克（IOI）上获得金牌，在包含 330 名人类选手的总榜上排名第 6。11 月，DeepSeek Math-V2 开源，同样达到 IMO 2025 金牌水平。
节奏变化尤其明显。2025 年 2 月，MathArena 的评测还显示，所有顶级模型在 IMO 真题上连铜牌线都没达到；5 个月后，金牌水平已被实现。
进入 2026 年，行业共识再次位移。1 月，清华主办的 AGI-Next 峰会上，与会专家给出的表述是：以对话为核心的 Chat 范式已经告一段落，竞争正在转向「能办事」的智能体。
文中将这一判断对应到几项同时发生的变化：
- 模型上下文协议（MCP）等工具接口开始标准化，智能体可以接入现实世界系统，不再只是在沙盒中运行
- 推理成本在两年内下降超过 95%，使「每个业务流程配一个 Agent」在经济上变得成立
- 企业侧的 AI 治理框架和权限体系开始建立
到 2026 年年中，前沿实验室的模型迭代周期已从季度级压缩到月度级，百万级 token 上下文成为旗舰模型标配，模型控制电脑、执行长程任务、在协作工具中以独立身份常驻，都已经从演示变成付费功能。
与此同时，物理世界方向——包括世界模型、具身智能和机器人——在原文看来，正重复大模型 2020 年前后的轨迹：架构大致收敛，数据成为瓶颈。
这也就是黄仁勋说出「已经实现 AGI」时所处的现实背景。
七十年的五条反复规律
文章最后归纳了 AI 70 年历史中反复出现的 5 个模式。
第一，每一次寒冬都源于承诺跑在能力前面。1973 年被否定的，不只是搜索算法，而是「20 年内机器能做人的一切工作」这种说法；1987 年崩掉的，不只是专家系统本身，而是围绕它堆起来的估值。技术曲线是连续的，资金曲线是跳跃的，两者错位的位置，就是寒冬出现的位置。
第二，理查德·萨顿（Richard Sutton）在 2019 年《The Bitter Lesson》中提出的观点，被原文视作一条苦涩教训：短期内依赖人类知识的方法常常领先，但长期往往会被依赖算力扩展的通用方法超过。从符号规则输给统计学习，到手工特征输给端到端训练，再到精心设计架构输给更大的模型，这个剧本已经重复了至少三次。
第三，莫拉维克悖论仍然成立。汉斯·莫拉维克（Hans Moravec）在 1988 年指出，对机器而言，智力测验或下棋这类「高级」任务未必最难，反而是一岁小孩具备的感知和运动能力更难复制。文中据此举例：今天的模型能拿 IMO 金牌，但让机器人稳定叠好一件衬衫，仍然是研究问题。
第四，AI 效应依旧存在。麦卡锡那句常被引用的话是：一旦某件事成功了，就没人再叫它 AI。语音识别、机器翻译、垃圾邮件过滤、人脸解锁、推荐系统都曾是 AI 前沿，现在只是普通功能。道格拉斯·霍夫施塔特（Douglas Hofstadter）对这一现象有更彻底的概括：AI 就是那些还没被做到的事情。这意味着「AI 还没实现」在任何时点几乎都可以成立，因为定义总是在后移。
第五，路线之争从未结束。达特茅斯会议上，符号主义、连接主义和行为主义就已经同场出现。明斯基与罗森布拉特之间的分歧，到今天换了形式继续存在：杨立昆长期公开质疑，仅靠自回归语言模型无法走到真正智能，主张世界模型；而相信缩放定律的人则认为，历史已多次证明押注规模的一方会获胜。
AGI 是否已经实现，仍取决于标准
文章将这个问题重新拉回起点。
如果按照 1955 年达特茅斯提案中的标准，答案已经接近「是」。当年列出的四项任务——使用语言、形成抽象和概念、解决当时只有人类能解决的问题、自我改进——今天的系统在前三项上的表现，足以让麦卡锡等人感到震惊。至于第四项，模型使用自己生成的数据和自己的评判来改进自己，也已经不再只是设想。
但如果按照 1965 年西蒙提出的标准，即机器能完成人所能做的任何工作，那么答案仍然是明确的「否」，而且看不到具体日期。
原文认为，这两个答案都不能轻易说错。它们共同说明的是：过去 70 年里，人们始终没有解决「人工智能」这个词从诞生起就存在的定义问题。因为这个词从未获得可以被证伪的明确边界，所以它成了一个会被不断重画的目标。当能力提高时，划线的人会把线往后挪；当能力不足时，划线的人又会把线往前拉。
这种模糊性并不全是坏事。正因为目标边界松动，符号逻辑、感知机、专家系统、支持向量机、卷积网络和 Transformer 才能在 70 年里都被视作朝同一个方向努力。
但到了 2026 年，模糊定义的代价开始变得具体。尤其当「AGI 已实现」这样的话，出自全球市值最高的公司掌门人之口，而且发布时间又紧贴财报和芯片订单预期，它就不再只是一个纯粹的学术判断。
文章最后留下的问题不是「AGI 到底实现了没有」，而是：当一个目标可以被不断重新定义时，人们该用什么标准判断自己是否真的在前进。
70 多年前，达特茅斯提案中的那 10 个人只给了自己 2 个月时间。他们显然严重低估了问题的复杂度，但至少，他们写清楚了自己打算解决什么。