快速回答：AGI 是什麼？

AGI（Artificial General Intelligence，通用人工智慧）是指能在任何智力任務上達到或超越人類水準的 AI 系統。與目前的 AI 不同，AGI 能跨領域思考、學習全新的技能、理解抽象概念並自主推理。截至 2026 年，AGI 尚未實現，所有現有的 AI（包括 ChatGPT、Claude）都屬於弱 AI（Narrow AI）。

AGI 的正式定義

AGI 是能夠在各種認知任務上達到人類水準表現的 AI 系統，包括跨領域的技能遷移、抽象知識的泛化，以及完全自主地解決未見過的問題。

不同組織的定義有所差異：

OpenAI 把 AGI 定義為「在最具經濟價值的工作上，超越人類的高度自主系統」。這個定義偏向經濟面——能取代人類工作就算 AGI。

DeepMind 在 2023 年提出了 AGI 分級框架，把 AI 的通用性和效能分成五個等級：Emerging（新興，某些任務不如人類）、Competent（稱職，至少達到中位數人類水準）、Expert（專家級，前 10% 人類水準）、Virtuoso（大師級，前 1%）、Superhuman（超人類，超過所有人類）。在這個框架下，AGI 是在至少 80% 的認知任務上達到「Expert」等級以上。

Anthropic 更關注 AGI 的安全面向，強調在達到 AGI 之前必須先解決 AI 對齊（Alignment）問題。Anthropic 的立場是：如果 AGI 不安全，那麼越快達到 AGI 越危險。

這些定義之間的差異不只是語意問題——它直接影響了「AGI 有沒有達成」的判斷。用 OpenAI 的定義，當 AI 能做大部分辦公室工作時可能就算 AGI；用 DeepMind 的定義，需要通過一系列認知測試才算。

白話解釋

現在的 AI 都是專才：AlphaGo 只會下圍棋，ChatGPT 處理文字，Midjourney 生成圖片。各自很強，但做不了專長以外的事。

AGI 的差別在於跨領域的能力。今天學程式、明天學做菜、後天學開車，都能學會，而且理解「為什麼」要這樣做，碰到沒見過的問題也能推理出解法。現在的 AI 像很會考試的學生，給什麼範圍就背什麼；AGI 是碰到沒考過的題目也能想辦法的人。

用一個更具體的例子：你跟現在的 AI 說「我家水龍頭漏水」，它可以告訴你修理步驟。但如果你家的水龍頭是一個它從沒見過的特殊型號，裝在一個奇怪的角度，而且你手邊只有一把鉗子和膠帶——現在的 AI 可能會給你一個不適用的標準答案。AGI 則應該能像一個有經驗的水電工一樣，根據實際狀況臨場判斷、用手邊有的工具想出解法。

ANI vs AGI vs ASI

AI 按能力分三個層級：

類型 全名 能力 現況
ANI（弱 AI） Artificial Narrow Intelligence 只能執行特定任務 目前所有 AI，包括 ChatGPT、Claude
AGI（通用 AI） Artificial General Intelligence 能像人類一樣跨領域思考和學習 尚未實現
ASI（超級 AI） Artificial Superintelligence 在所有領域都超越人類智慧 理論概念，無時間表

目前人類建造的所有 AI 系統，無論多強大，都屬於 ANI。ChatGPT 看起來很「通用」——它能寫文章、寫程式、翻譯、回答問題——但它本質上仍是基於模式匹配的文字預測模型，不具備真正的理解、推理或意識。

一個常見的誤解是把「多功能」等同於「通用」。ChatGPT 能做很多事，但它做每件事的方式本質上都是「根據訓練資料中的模式產生看起來合理的文字」。它不會因為學了程式設計就更擅長下棋，不會因為寫了很多英文就更理解物理定律。每個能力都是獨立從訓練資料中學到的，缺乏真正的知識遷移。

2026 年 AGI 最新進展

ARC-AGI-2 基準測試

ARC-AGI-2 是專門衡量 AGI 級別抽象推理能力的基準測試。設計者是 Chollet（Keras 的作者），他的目標是創造一個「不能靠死記硬背通過」的測試。測試內容是你從未見過的視覺推理題——給你幾組輸入和輸出的圖案範例，讓你推斷規則並套用到新的輸入上。

2026 年的結果：人類得分接近 100%，最先進的 AI 系統得分約 4%。

這個巨大差距說明，當前 AI 在「真正的抽象推理」上仍遠落後於人類。AI 在有大量訓練資料的任務上表現好，但面對全新的、需要推理出規則的任務時，跟人類的差距是數量級的。

OpenAI o3 的突破與爭議

2024 年底，OpenAI 的 o3 系統在 ARC-AGI（第一版）測試中達到了 87.5%，首次超過人類平均 85% 的分數。但 ARC-AGI-2（第二版更難）推出後，AI 的表現又掉回個位數。這說明 AI 的「推理能力」可能比看起來更脆弱——稍微增加一點難度就大幅下降。

這也引發了一個重要的方法論問題：AI 公司是否在「針對測試優化」而非真正提升推理能力？如果你知道測試的格式和題型，你可以訓練模型在那個特定格式上表現好，但這跟真正的通用推理是兩回事。

各家公司的 AGI 時間表

OpenAI（Sam Altman）：曾暗示 AGI 可能在 2025-2030 年間達成，但他對 AGI 的定義偏向經濟面——AI 能做大部分知識工作就算。

DeepMind（Demis Hassabis）：預估 AGI 還需要至少 5-10 年。DeepMind 的研究方向包含了 AI 安全和神經科學啟發的新架構。

Anthropic（Dario Amodei）：認為 2026-2027 年可能出現具有「變革性」能力的 AI，但強調這不一定等於 AGI，而且安全問題可能比能力問題更緊迫。

Meta AI（Yann LeCun）：認為目前的 LLM 路線無法達到 AGI，需要全新的架構。LeCun 長期主張 autoregressive language models 只是在做模式匹配，不具備真正的世界模型。

這些預測都有利益衝突的問題：AI 公司有動機誇大 AGI 的接近程度來吸引投資和人才。

功能性 AGI vs 真正 AGI

2026 年出現了一個重要辯論：部分研究者認為「功能性 AGI」——能在大多數經濟活動中取代人類的 AI——已經或即將到來。但另一派認為，真正的 AGI 需要具備意識、因果推理和真正的理解能力，這離實現還很遠。

這個辯論的實際影響很大。如果功能性 AGI即將到來，企業和政府需要立即開始準備——重新設計教育系統、建立 AI 治理框架、規劃社會安全網。如果真正的 AGI 還很遠，這些準備可以慢慢來。飛飛認為不管 AGI 什麼時候來，提早準備都比措手不及好。

AGI 的技術挑戰

為什麼 AGI 這麼難？

常識推理是第一道牆。人類有大量不用學就知道的常識（水會往下流、人會感到疼痛、你把杯子推到桌子邊緣它會掉下去），AI 缺乏這些直覺性知識。目前的 AI 是從文字中學到「水會往下流」這個事實，但它不像人類一樣從跟物理世界的互動中真正「理解」為什麼。CYC 專案從 1984 年開始嘗試手動編碼常識知識，四十年後仍然沒有完成，因為人類的常識知識量太大而且很多是隱性的。

跨領域遷移也還沒解決。人類學會騎腳踏車後，很快就能學會騎摩托車，因為很多概念是共通的（平衡、方向控制、加速減速）。但目前的 AI 學了一項任務後，無法輕易將知識遷移到其他任務。一個下棋的 AI 不會因此更擅長做菜，即使兩者都涉及「提前規劃」和「評估風險」。

因果理解同樣棘手。AI 很擅長找到「相關性」（A 和 B 經常一起出現），但很難理解「因果性」（A 導致 B）。例如 AI 可能發現「帶傘的人比較少淋到雨」，但不一定能理解「帶傘不能阻止下雨，只是讓你不會淋濕」。Judea Pearl 的因果推理框架（do-calculus）是這個方向的理論基礎，但目前的 LLM 架構沒有內建因果推理能力。

具身認知（Embodied Cognition）的問題。人類的智慧跟身體經驗密切相關——我們理解「重」是因為我們搬過重的東西，理解「痛」是因為我們痛過。AI 缺乏與物理世界互動的經驗，這可能是一個根本性的限制。機器人學（Robotics）的進展可能幫助解決這個問題，但目前機器人的感知能力還遠不如人類。

最根本的問題是：沒有人能精確定義什麼是 AGI。不同的定義導致了不同的結論，連「達成了沒有」都沒辦法判斷。這有點像問「機器能不能思考」——先得定義什麼是「思考」。

AGI 的風險與倫理

AGI 的潛在風險是 AI 安全研究的核心問題：

對齊問題（Alignment Problem）是第一個：如何確保 AGI 的目標跟人類的價值觀一致？一個被賦予「最大化產量」目標的 AGI，可能會以人類完全沒預料到的方式來實現目標，甚至犧牲人類的利益。這不是科幻小說的情節——現在的推薦演算法已經展現了類似的問題：被要求「最大化使用者互動時間」的演算法，學會了推送爭議性內容，因為這些內容最能讓人不停刷。

控制問題。一旦 AGI 的智慧達到或超越人類，我們可能無法理解、預測或控制它的行為。這跟控制一個比你聰明的人一樣困難——你可能連它是不是在騙你都判斷不出來。

就業面的影響。如果 AGI 真的能在所有認知任務上超越人類，全球就業市場會被重新洗牌。不過歷史上每次技術革命（蒸汽機、電腦、網路）都創造了新的工作類型，AGI 是否會不同是一個開放的問題。

武器化風險。AGI 可能被用來開發自主武器系統或大規模網路攻擊。聯合國的 Convention on Certain Conventional Weapons（CCW）正在討論自主武器的管制，但進展緩慢。

Geoffrey Hinton、Yoshua Bengio 等研究者認為 AGI/ASI 可能威脅人類的存續。截至 2026 年 1 月，已有超過 133,000 人簽署了呼籲全球禁止開發超級智慧的請願書。但也有人認為這是過度擔憂——Nick Bostrom 的存在風險論述被批評為缺乏實證基礎。

AGI 安全研究的現況

AGI 安全研究是專門研究「如何讓 AGI（如果被開發出來的話）不會造成傷害」的領域。主要的研究方向包含：

可解釋性（Interpretability）。讓人類理解 AI 模型內部在想什麼。如果我們能看到 AGI 的推理過程，就更容易發現它是否偏離了我們的期望。Anthropic 的「Mechanistic Interpretability」研究是這個方向的代表，他們嘗試理解 LLM 的個別神經元和特徵在做什麼。

對齊研究（Alignment Research）。研究如何讓 AI 系統的目標和行為與人類的價值觀一致。RLHF 是目前最常用的對齊技術，但研究者認為 RLHF 只是初步的解法，對 AGI 級別的系統可能不夠。Anthropic 的 Constitutional AI 和 OpenAI 的 Superalignment 計畫都是這個方向。

AI 治理（AI Governance）。建立法規和國際協議來管理 AGI 的開發和使用。歐盟的 AI Act 是目前最全面的 AI 法規框架。美國的 Executive Order on AI Safety 和英國的 AI Safety Institute 是政府層級的治理努力。

紅隊演練（Red Teaming）。在模型發布前，組織專家團隊嘗試找出模型的安全漏洞和有害行為。OpenAI、Anthropic 和 Google 都有內部紅隊，部分公司也邀請外部研究者參與。

以上這些研究目前都處在早期階段。AGI 安全研究的挑戰在於：研究對象（AGI）還不存在。研究者需要在 AGI 出現之前就準備好安全措施，但在沒有實際系統可以測試的情況下，很難確認安全措施是否有效。這有點像在地震還沒發生之前設計抗震建築——理論上可行，但要到地震真的來的時候才知道設計夠不夠好。

全球的 AGI 安全研究投入正在快速增長。據估計，2024 年全球投入 AGI 安全研究的資金超過 5 億美元，但這跟投入 AGI 能力研究的資金（超過 100 億美元）相比仍然相對較少。許多研究者呼籲增加安全研究的投入比例。

常見誤解

「AGI 已經存在了」——不。所有現有的 AI 系統，包括最先進的 ChatGPT 和 Claude，都屬於 Narrow AI。它們在特定任務上非常強大，但不具備跨領域的通用智慧。

「AGI 就是有意識的 AI」——AGI 和意識是兩個不同的概念。AGI 指的是認知能力的通用性，不一定需要有意識。一個 AGI 系統可能在所有任務上表現得像人類一樣好，但仍然沒有主觀體驗。關於機器是否能有意識，是哲學和神經科學的問題，目前沒有共識。

「AGI 明年就會實現」——AI 進步很快，但 ARC-AGI-2 測試顯示，AI 在抽象推理上仍遠落後於人類（4% vs 接近 100%）。大多數研究者認為 AGI 至少還需要數年到數十年。AI 公司的時間表預測有利益衝突的問題，不能照單全收。

「AGI 一定是危險的」——AGI 的風險取決於它如何被設計和控制。AI 安全研究的目標是確保 AGI（如果實現的話）能安全地與人類共存。風險是真實的，但並非不可管理。重點是要在 AGI 達成之前把安全研究做好，而不是在它已經存在之後才開始想。

台灣觀點

台灣在 AGI 競賽中的位置比較特殊。台灣有全球領先的半導體製造能力（台積電），而 AGI 的訓練需要大量的高階晶片。這讓台灣在 AGI 的供應鏈中扮演關鍵角色——即使台灣自己不開發 AGI，AGI 的實現幾乎一定需要用到台灣製造的晶片。

台灣的國科會和數位部已經開始關注 AGI 相關的政策議題，包括 AI 安全、AI 治理和 AI 對勞動市場的影響。但跟美國、歐盟和英國相比，台灣的 AGI 政策討論還在早期階段。

對台灣的企業和個人來說，不需要等 AGI 到來才開始準備。目前的 Narrow AI 已經在改變工作方式了。飛飛建議把注意力放在「理解和善用現有 AI 工具」上，同時保持對 AGI 進展的關注。過度擔心 AGI 的威脅或過度期待 AGI 的紅利，都不如務實地提升自己的 AI 素養。

常見問題 FAQ

AGI 和目前的 AI 差在哪？

目前的 AI（Narrow AI）只能執行特定任務，例如下棋、翻譯、生成文字。AGI 則能在任何智力任務上達到人類水準，包括跨領域學習、抽象推理和自主決策。最核心的差異在於「知識遷移」——AGI 學了 A 技能後，應該能把相關知識應用到 B 技能。

AGI 什麼時候會實現？

沒有確定答案。各家公司的預測從「5 年內」到「數十年」不等。ARC-AGI-2 基準測試顯示，AI 在抽象推理上仍遠落後於人類。技術突破的時間表本質上是不可預測的。

AGI 有意識嗎？

AGI 和意識是不同的概念。AGI 指的是認知能力的通用性，不一定需要有意識。目前科學界對「意識是什麼」本身都還沒有共識。

誰在研發 AGI？

主要包括 OpenAI、Google DeepMind、Anthropic、Meta AI 等公司，以及全球各大學的 AI 研究實驗室。各家的技術路線和安全策略有很大差異。

AGI 會取代所有人類工作嗎？

如果真正的 AGI 實現，確實可能影響大多數認知性工作。但歷史上的技術革命都創造了新的工作類型。人類在創造力、情感連結和道德判斷這些面向上，目前看不到被取代的跡象。

AGI 和 ChatGPT 差在哪？

ChatGPT 是基於 LLM 的 Narrow AI，本質上是文字模式預測。AGI 需要具備真正的理解、推理、跨領域學習和自主決策能力，這些是 ChatGPT 目前不具備的。

AGI 最大的風險是什麼？

對齊問題（Alignment）——如何確保 AGI 的目標與人類價值觀一致。一個目標沒有對齊的超級智慧系統，可能以人類無法預料的方式行動。

如何為 AGI 時代做準備？

建立 AI 素養、理解 AI 的能力和限制、培養 AI 難以取代的技能（創造力、批判性思考、人際互動），同時關注 AI 安全和倫理議題。對企業來說，開始思考 AI 對你的產業的影響，並建立內部的 AI 使用規範。

參考資料

  • Artificial general intelligence — Wikipedia
  • OpenAI Charter — OpenAI 章程
  • DeepMind Levels of AGI Framework — AGI 分級框架
  • ARC-AGI Benchmark — ARC Prize 基準測試