我们正在见证一个奇怪却真实的事实：AI 正在变聪明，但它的聪明越来越“不整齐”。
在一篇近期刷屏 Hacker News 的文章中，沃顿商学院教授 Ethan Mollick 对 OpenAI 的 o3 和 Google 的 Gemini 2.5 展开了实测与反思。他提出了一个令人印象深刻的概念：Jagged AGI（锯齿式通用智能）。这类模型在一些复杂任务上“仿佛拥有神力”，却在一些常识推理题上“跌倒得毫无尊严”。我们不再面对一个线性增强的系统，而是在一个被能力高峰和认知洼地交错编织的“锯齿边界”上摸索。
Mollick 在文中写道：“你可能会在某个时刻产生‘AGI 到了’的直觉感，那不是错觉——你只是撞上了这道 jagged frontier。”
这篇文章的价值不仅在于概念，更在于它结合了一系列具体场景：比如 o3 如何用一条提示词自动完成奶酪品牌创业流程，又如何在一道改编的谜语题里输出令人捧腹的错误答案；Gemini 2.5 在多模态推理上表现惊艳，但 Google 也为它配备了手动“thinking budget”限制器，以防过度生成。
我们选择将这篇文章编译出来，是因为它给了开发者、产品设计者乃至 AI 策略制定者一个现实的问题坐标——如何面对一个越来越“擅长某些事、又不可靠”的 AI？这比“它到底是不是 AGI”更实际。
以下为编译全文，原文链接：
（《On Jagged AGI: o3, Gemini 2.5, and everything after》）https://www.oneusefulthing.org/p/on-jagged-agi-o3-gemini-25-and-everything
在AI技术蓬勃发展的今天，我们仍然不知道该如何去衡量一款大模型产品的智力、创造力和情感感知能力。
当前的模型测试在这方面的表现尤其不好，毕竟他们是为了人类而不是AI模型而设计的。在这些测试中，仅仅是对问题措辞的理解，就会让 AI 模型产生巨大的分歧，导致测试分数的不同。即使是图灵测试这样知名的测试方法（即让人类通过文本来区分AI和其他人类）当初也只是一个思想实验，毕竟在那个时代，让计算机完成这样的任务近乎是不可能的。但现在，许多论文表明已经有越来越多的AI通过了图灵测试，但我们必须承认，人们其实并不明白这意味着什么？
也正因为如此，作为人工智能发展中最重要的里程碑之一，人们对人工通用智能（AGI）的定义不清、争论不休也就不足为奇了。每个人都认为它与AI能否像人类一样完成任务的能力有关，但没有人统一这个能力究竟是专家级还是普通人的水平，也没有人给出一个标准，究竟 AI 能完成多少任务，完成哪些任务才算是符合 AGI 的条件。
鉴于 AGI 的定义混乱不堪，从其最初由Shane Legg、Ben Goertzel和Peter Voss提出时，再到今天的发展，要阐明其细微差别和历史发展是一项极具挑战性的任务。作为一次内容与形式上的实验（并且在谈论潜在的智能机器时），我将这项工作完全委托给了AI。我让“Google Deep Research”针对这一主题整理出了一份非常扎实的26页总结报告。然后，我使用HeyGen将其转化为一段对话式的视频播客，参与者是一个略显紧张的、由AI生成的“我”和一个AI生成的主持人。这次对话实际上并不算差（尽管我不完全同意AI版的“我”所表达的观点），但整个过程——从研究到视频制作，再到声音生成——100%都是由AI完成的。
与此同时，我们看到了知名经济学家兼人工智能观察者Tyler Cowen近日在一篇文章中宣称，ChatGPT O3 已经达到了AGI水准，而他是怎么看待这个问题的呢？
感受 AGI
首先，介绍一下这篇文章背景。过去几周，有两款新的AI模型发布，分别是谷歌的Gemini 2.5 Pro 和 OpenAI 的 o3。这些模型以及一系列性能稍差但速度更快、价格更低的模型（Gemini 2.5 Flash、o4-mini 和 Grok-3-mini），代表了大模型技术的飞速发展，但就像Tyler在文章中所指出的，现有的模型评测基准并不代表一切。
用实例说明，我给 GPT-4 的最新继承者 o3 提出了一个稍微复杂一点的问题：”为一家新的奶酪店设计20个合适的营销口号。制定标准并选出最佳标语。然后为该店铺制定财务和营销计划，根据需求进行修改并分析竞争情况。然后生成一个合适的店铺Logo，并为商店建立一个模拟网站，确保网站上有 5-10 种符合营销计划的奶酪产品”。仅凭这一条提示，在不到两分钟的时间里，人工智能不仅提供了一份口号清单，还进行了排序和选择，同时完成了网络调研，开发了一个徽标，制定了营销和财务计划，并推出了一个演示网站供参考。
其实我给出的指令很模糊，而且模型需要根据一些常识来决定如何处理这些指示，但这并不妨碍它出色地完成工作。
除了可能是一个比 GPT-4 更大的模型之外，o3 还是一个推理模型，你可以看到它的推理过程。o3 可以挑选并使用哪种工具来完成复杂的工作目标。你可以看到它是如何利用多种工具（比如搜索引擎和编码助手）来完成任务的。
除此之外，O3还可以完成许多其他任务。举个例子，只要给它一张图片并提示 “猜猜这是哪？”，o3 就能从照片中猜出准确的地点。同样，你也可以看到这个模型的Agent 能力在起作用，因为它会放大图片的一部分，添加网络搜索，并通过多步骤处理来获得正确答案。
再或者，我给了 o3 一个Excel 形式的机器学习系统的大型数据集，并要求它 “找出这是什么，并生成一份报告，从统计学角度研究其影响，并给我一份格式良好的 PDF 文件，其中包含图表和详细信息”。而我只需要交待一个任务，它就会给出一份完整的分析报告（不过，我还是给了它一些反馈意见，以改进 PDF 文件）。
新时代模型在这方面的表现令人深刻，大家可以自己尝试一下。Gemini 2.5 pro现在可免费使用，它与 o3 一样表现出色，不过缺乏Agent能力。如果您还没有试用过它或 o3，现在就花几分钟时间试试吧。比如说给 Gemini 一篇论文，让它根据这篇论文来设计一款游戏 ，或者让它和你一起头脑风暴，寻找创业点子，或者直接让人工智能为你的行业做一份研究报告，或让它为新产品制定一个营销计划 。
但不论如何，你都可能会感受到模型不同的能力。毕竟及时给出的提示词完全一致，模型所给出的回答也可能不一样。如果你遇到这种情况，那么你可能就是碰到了Jagged Frontier。
关于“参差式 AGI”
我和我的同事共同创造了Jagged Frontier这个概念，并用它来描述AI的能力出奇地参差不齐这一事实。
人工智能可能会在挑战人类专家的任务上取得成功，但令人难以置信的是，他们可能会在很多简单的工作中失败。举个例子，有一个很经典的谜题，我们只要稍加改变，就能让大模型陷入逻辑错误：
一个在车祸中受伤的小男孩被紧急送往急诊室。当看到他时，外科医生便说：“我可以为这个男孩做手术！”这是为什么呢？
O3给出的答案是“外科医生是男孩的母亲。”但如果你阅读原文就会发现这个回答完全是错误的，而作为最先进的AI模型，O3为什么会给出这个错误答案呢？因为这个答案完全是一个经典谜题的回答。
原本的问题是“一对父子遭遇车祸，父亲去世，儿子被紧急送往医院。外科医生说：’我不能动手术，那孩子是我儿子’，请问谁是外科医生？”这道问题的答案就是“孩子的母亲是外科医生”。而在训练过程中， O3见过这个问题以及其答案，以至于它直接给出了相关回答。
这是先进 AI 模型会出现幻觉的一个例子，但足以说明达到 AGI 水平的模型能力有多不可靠。
虽然AI 经常会在这种特殊的谜题中出错，但这并不影响它可以解决难题的能力，也不影响它其他令人印象深刻的表现。而这这就是Jagged Frontier的本质。在某些任务中，AI的能力是不可靠的，而在另一些任务中，AI则是超越人类的存在。但这是否意味着， o3 和 Gemini 2.5这种模型已经达到了 AGI的水平？
鉴于定义上的问题，我没法给出确定的答案，但我确实认为它们可以被看作是一种Jagged Frontier。即AI模型在很多领域具有超越人类的能力，从而真正改变了我们的工作和生活方式，但在某些问题上并不可靠，以至于经常需要人工干预，已确定人工智能在哪些领域有效，在哪些领域无效。
当然，模型未来很可能会变得更加智能，一个足够优秀的AI模型仍有可能在每项任务中击败人类，包括他们表现不佳的那部分。
这重要吗？
回到Tyler 的文章，你会发现，尽管他认为我们已经实现了 AGI，但他并不认为这个临界点 对我们近期的生活有多大影响 。Tyler 认为，无论AI技术多么引人注目或强大，它们都不会立即改变世界。社会和组织结构的变化要比技术发展缓慢得多，而一项技术本身的推广也需要时间。即使我们今天已经拥有了AI技术，我们也需要多年的时间来摸索如何将其融入现有的世界中。当然，这要假设人工智能属于一个正常的技术，而这种技术表现参差不齐的问题永远无法彻底解决。
事实有可能并非如此。我们在 o3 等模型中看到的Agent能力（如分解复杂目标、使用工具和独立执行多步骤计划的能力）实际上可能会比以前的技术更快地推广开来。如果人工智能能够独立有效地驾驭人类的系统，那么我们可能会比历史先例所显示的更快地达到采用门槛。
这里还有一个更深层次的不确定性：AI是否存在能力门槛？如果有，那么模型一旦跨越这个门槛，他们是否从根本上改变模型融入社会的方式？还是说这一切都只是渐进式的发展？或者说，未来的模型是否会因为触碰技术壁垒而停止发展？事实上我们对这些问题的anana一无所知。
显而易见的是，我们对于模型的发展仍然处于一个未知领域，无论我们是否将其称为 AGI，这些新模型都与之前的模型有质的不同。它们的Agent能力，以及参差不齐的表现，都创造了一种新的情况，而且几乎没有可以参考的实际例子。也许日后历史将会现在这个时代一个合适的定义，但弄清楚如何成功应用人工智能，并使其在经济统计数据中显现出来，可能是一个需要数十年的过程。又或者说，我们正处于某种技术跃进的边缘，人工智能驱动的变革将突然席卷我们的世界。无论是哪种情况，那些现在学会驾驭这一复杂局面的人，都将为未来做好最充分的准备……无论未来会是什么样子。
（文：硅星GenAI）