大家好，这里是最佳拍档。

AGI定义之争与行业乱象

2026年的AI行业正站在一个充满争议的十字路口。关于通用人工智能（Artificial General Intelligence, AGI）的实现时间，业界观点分歧巨大：马斯克认为AGI一两年内就能实现；Anthropic的达利奥给出的时间是两三年；谷歌Deepmind的哈萨比斯则认为是五到十年。然而，吴恩达却给AGI泼了一盆冷水，他认为真正的AGI，距离我们还有几十年。在近期的一次深度访谈中，他更是直言，自己很确定智能不是一个Transformer加上Scaling Laws就能解释的。

在当下的AI行业，AGI这个词似乎已经成了一个万能标签。企业为了融资、公关，甚至政策层面的便利，不断降低AGI的定义门槛，让这个原本代表通用AI的专业概念，已经彻底沦为了一个营销工具。吴恩达在访谈中给出了自己对AGI的清晰定义：AI能做人类能做的任何智力任务。这个定义的核心在于通用性和快速学习能力。但是今天的AI，哪怕是最先进的大语言模型，都还做不到这两点。

吴恩达用了一个非常形象的比喻来形容当下的AGI定义乱象：如果社会开始把所有颜色都叫做蓝色，不管是红色、黄色还是绿色都被贴上蓝色的标签，那么蓝色这个词本身就彻底丧失了它的意义。而现在的AGI，就正处于这样的状态。这种定义的混乱带来的并非只是概念上的模糊，而是实实在在的负面影响。吴恩达在访谈中提到，他观察到不少高中生因为听说AGI马上就要来了，便放弃了某些专业方向的学习。在商业层面，不少CEO在做投资决策时，也被AGI一两年内就会落地的叙事误导。吴恩达直言，2026年能实现AGI的唯一方式，就是某家公司把AGI的定义门槛降到足够低，然后宣布自己跨过去了，但这不过是自欺欺人的营销手段，并非真正的技术突破。

Turing-AGI Test：衡量真AI的新标准

正是因为AGI这个词已经被行业用烂，失去了原本的专业价值，所以吴恩达在2026年初提出了一个全新的测试框架——Turing-AGI Test（图灵AGI测试），试图为衡量真正的通用AI建立一个可落地、可验证的标准。这个测试的设计逻辑和我们熟知的原版图灵测试有着本质的区别。其核心思路是：别测AI能不能骗人，测它能不能干活。

在Turing-AGI Test中，被测试的对象（不管是AI还是人类）都会获得一台配备网络连接和常用软件的电脑，包括浏览器、Zoom、文件系统等等，让它和一个远程办公的人类员工能使用的工具完全一致。随后，人类评委会设计一个需要持续几天的工作体验，具体内容测试对象是事先完全不知情的。如果AI能像一个熟练的专业人士那样，独立完成这些具有实际经济价值的工作任务，才算通过这个测试。

吴恩达为什么要抛弃原版的图灵测试呢？这背后有着深刻的行业教训。1950年，图灵提出的经典图灵测试核心是让人类裁判通过文字聊天的方式判断对面的交流对象是AI还是人类。曾经的洛布纳奖就是基于这个测试设立的，但是比赛结果却发现，AI想要骗过裁判，根本不需要展现真正的智能，只需要模仿人类的打字错误、语气习惯，甚至是一些逻辑上的小失误，就能够轻松做到。而在2026年的当下，AI的核心价值和发展目标早已不是模仿人类了，而是为人类创造价值、完成实际的经济工作。所以衡量AI智能的标准，自然也应该跟着时代的变化而调整。

除了原版图灵测试，吴恩达也对当前行业内主流的基准测试提出了质疑，比如SWE-bench、GPQA等等。这些基准测试的核心问题在于，它们都是提前固定的测试集，哪怕研究团队不刻意针对测试集进行优化，间接的优化也几乎是不可避免的，这就导致测试结果无法真实反映AI的实际能力。而更深层的问题在于，AI的智能具有锯齿状的特征：在某些特定领域，比如数学计算、代码编写，AI的能力已经远超人类；但是在另一些领域，比如常识判断、复杂场景的决策，AI的能力又极其薄弱。而固定的测试集往往只能测到AI能力的一小部分，无法全面、客观地衡量它的通用性。

而Turing-AGI Test的优势在于，人类评委可以实时设计未公开的任务，主动探测AI的能力边界，知道它在哪里强、在哪里弱。这才是检验AI通用性的正确方式。吴恩达认为，如果一个AI真的达到了AGI的水平，那么人类评委在任何一个维度的、具有经济价值的工作任务中，都不应该发现它明显不如人类的地方。

Agentic AI与工作流的可靠性挑战

随后，话题转向了Agentic AI（代理AI）和Agentic Workflow（代理工作流）。作为Agentic AI概念的首创者，吴恩达在2024年就提出过四种核心的Agentic设计模式：反思、工具使用、规划和多Agent协作。随后这个概念迅速在整个AI行业扩散，成为了当下最热门的技术方向之一。但是吴恩达在访谈中也坦诚说道，他当初提出这个概念时，完全没想到一堆营销人员会抢过这个词，往任何东西上都贴一个agentic的标签，导致这个原本的专业概念也陷入了过度炒作的困境。

虽然现在Agentic Workflow已经应用在了代码编写、合规审查等多个领域，已经在实际应用中创造了可观的经济价值，但是吴恩达同时清醒的指出，对于很多企业级的工作流来说，当前的Agentic Workflow在可靠性上还存在着巨大的缺口，不足以直接上生产环境。很多人在实验室中看到，给大模型一堆工具，让它自由发挥完成任务，效果往往非常惊人。但是实验室的场景和企业的实际需求有着本质的区别。企业需要的是确定性，是系统跑一万次、十万次，每次都能给出正确的结果。而当前的AI模型在自主决策时依然存在着不可预测性。按照这个标准，放手让AI自己做还远远达不到企业的要求。

所以在实际的工程实践中，行业内的普遍做法是：把复杂的工作流拆成一个一个的关键步骤，逐一实现AI的自动化，确保每一个步骤都稳定、可靠，再将这些步骤串联起来，形成完整的工作流。

在Agentic Workflow的工程实践中，还有一个容易被忽视但极其重要的问题，那就是给大语言模型太多的工具，反而会让它搞砸任务。吴恩达在访谈中肯定了Anthropic围绕Claude Code搭建的SDK以及其调度框架的设计，认为这是行业内的优秀案例。但是他话锋一转，指出了行业内的一个普遍问题：如果给大语言模型提供太多的工具描述，这些描述会消耗模型大量的输入上下文，导致模型的注意力被分散，进而更容易出现调错API、选错工具的情况，甚至连核心的任务目标都会被忽略。行业内的MCP server也存在同样的问题：工具列表太长，模型面对众多选择时，反而不知道该用哪个工具来完成任务，最终的效果大打折扣。

这也就解释了，为什么到了2026年，上下文工程和精心设计的调度框架依然是AI Agent开发的核心关键。吴恩达自己也承认，这听起来有点不可思议：在大模型已经发展到GPT 5、Claude 4.5、Gemini 3的时代，为什么还要操心提示词怎么组织，或者给模型挂几个工具？这种看似基础的工程细节呢？事实就是，这些细节依然在决定着AI系统的整体性能，哪怕模型的能力再强，没有合理的上下文设计和调度框架，也无法发挥出真正的实力。

主持人在访谈中也提出了一个非常好的问题：更聪明的模型，能不能直接取代精心设计的工作流呢？吴恩达的回答是：理论上可以，但是实际上比大多数人以为的要难得多。当前的顶级模型确实越来越擅长自主使用工具，能力提升的速度非常快，但要让它们在高风险的商业场景中稳定、可靠地独立运行，依然还有很长的路要走。

The Bitter Lesson与Scaling Laws的演进

聊到这里，我们不得不提到Rich Sutton那篇著名的文章《The Bitter Lesson》（苦涩的教训）。这篇文章对整个AI行业的发展产生了深远的影响。萨顿的核心论点是：在AI的发展过程中，原始算力的提升总是会打败人类的聪明才智。与其让工程师花费大量时间设计复杂的规则和算法，不如把精力放在提升算力、扩大模型规模上，让模型通过海量的数据自主学习。

主持人在访谈中向吴恩达提出了一个尖锐的问题：你现在专注于做Agentic Workflow，把人类的思维过程编码成模型的工作流，这是不是在和萨顿的苦涩教训唱反调呢？吴恩达的回答是，他并没有反对萨顿的观点，反而坦言萨顿的文章写得非常好，对行业的影响力巨大。同时，他也回忆了自己的经历：当年创建Google Brain时，他定下的头号使命就是scale，也就是提升模型的规模和算力。而在那个时候，几乎所有人都觉得这个想法很奇怪，不理解为什么要把精力放在堆算力上。吴恩达直言，自己大概是AI领域最早推动大规模训练的人之一，而正是Google Brain这种规模优先的DNA，让团队在2017年发明了Transformer架构，点燃了后来的生成式AI革命，改变了整个AI行业的发展方向。

但是吴恩达紧接着做了一个非常重要的区分：在AI发展的不同时间节点上，规模化的能力和向模型中注入其他知识的能力之间，存在着一种动态的平衡。规模化的力量确实极其强大，这是毋庸置疑的事实，也正是因为它能带来巨大的真实价值，才被行业过度炒作，甚至被神化，超出了它的实际水平。吴恩达的评价非常客观，他认为规模化依然是极其有价值的技术方向，只是没有行业炒作的那么神。而他所推崇的Agentic Workflow，并不是对规模化的否定，而是对规模化的补充。它的核心思路是在利用大模型规模化优势的基础上，额外向模型中注入结构化的人类知识，构建更可靠、更实用的AI系统。两者之间不是矛盾的，而是相辅相成的。

吴恩达还点出了一个非常有趣的融资逻辑：因为Scaling Laws的确存在，模型的性能会随着数据量、算力和模型参数的提升呈现出可预测的增长，所以创业者在向投资人融资时，可以非常明确地说“给我更多的钱，我会把机器规模化、把数据规模化，然后模型的性能会按照预测的方向提升”。这个论证非常有力，也非常好用，很容易获得投资人的认可。但也正因为这个论证的核心是真实的，它就更容易被过度推销，很多创业者会夸大规模化的效果，承诺一些根本无法实现的目标，这也进一步加剧了行业的炒作泡沫。

那么，当下的Scaling Laws究竟走到了哪一步呢？吴恩达的判断是，AI的规模化时代并没有结束，但是实施的难度，已经越来越大了。他还提到了一个很有画面感的数据：当前AI技术的进步速度可能依然是指数级的，但驱动这个进步所需要的资金，同样也是指数级的。从商业角度来看，花指数级的钱驱动指数级的技术改进，其实并不是一件坏事，因为这些建设成本可以分摊到海量的用户身上，通过商业化实现盈利。但是这也意味着，一旦行业的资金投入出现停滞，AI技术的进步速度，也会随之放缓。这是当前规模化发展的核心痛点。

更关键的变化出现在规模化的配方层面。在吴恩达创建Google Brain的时代，规模化的朴素做法就是更多数据、更大模型；只要不断增加训练数据的量、不断扩大模型的参数规模，就能实现模型性能的稳步提升。但是到了2026年的今天，AI模型已经几乎把整个互联网上海量的公开数据利用完了，更多数据、更大模型的简单配方已经不再适用。吴恩达用摩尔定律做了一个非常贴切的类比：摩尔定律持续了几十年，芯片的集成度每18个月翻一番，但是背后的具体半导体技术却一直在更换，从一种工艺跳到另一种工艺，从来不是靠单一的技术实现的。而AI的规模化，也是一样的道理。当前驱动规模化的核心引擎，已经从原来的公开数据和大参数，转变为合成数据生成和各种强化学习配方。而这两者都需要大量的人工工程和人为设计，不再是简单的堆算力、堆数据就能实现的。吴恩达也坦言，如果未来持续加大对规模化的投入，却不再能带来相应的性能回报，那他会改变对规模化的看法。但是就目前的行业现状来看，还远没有到那一步。

持续学习：通向AGI的关键拼图

如果说规模化是AI发展的基础引擎，那么持续学习（Continuous Learning）就是通向AGI的关键拼图，而这块拼图，目前的AI行业还远远没有找到。Anthropic曾经预测，持续学习问题会在2026年被解决，但是吴恩达在访谈中表示，他也期待这一天的到来，只是在他看来，2026年想要完全解决持续学习问题是不太可能的，大概率会有一定的技术进展，但是无法实现彻底的攻克。

在吴恩达看来，首先，当前行业内解决AI记忆和学习问题的主流做法，是让AI把新获取的信息写成文本，存进某种Agent记忆中，当需要使用这些信息时，再从记忆中调取。但是吴恩达提出了一个根本性的疑问：文本真的是AI记忆的好表征吗？在他看来，文本作为一种线性的表征方式，很难完整、准确地表达复杂的知识和经验。尽管目前已经有了一些非文本表征的研究，比如基于图像、向量的记忆表征，但是大部分的工作依然停留在文本层面。这是当前持续学习的第一个痛点。

而更关键的一个问题，也是当前AI持续学习的核心瓶颈：我们为AI搭建的所有这些记忆系统，都没有真正更新大语言模型的权重。简单来说，AI虽然读了新的信息、记了新的知识，但是它的大脑本身，并没有因为这些新的经验而发生任何改变。这和人类的学习方式有着本质的区别。当外挂的记忆过多时，不仅调取会变得困难，还会出现信息混淆、遗忘的问题，这就是行业内所说的灾难性遗忘（Catastrophic forgetting）。

当被问到当前持续学习的最大瓶颈是什么时，吴恩达的回答有些让人意外：他说，我们根本不确定正确的方向是什么。他坦言，自己的团队确实有一些觉得有前景的研究想法，但是他自己也不确定这些想法能不能行，只能先尝试，再看结果。

那么，持续学习的突破对AI的发展究竟有多重要呢？吴恩达用了一个非常直白的经济学论证来解释：一个人类小孩只需要摔几跤就能学会走路，而当前的AI需要通过强化学习进行几百万次的模拟训练，花费大量的算力和时间。如果训练一个AI完成一个狭窄的任务就要花费一百万美金，那么对于很多小众的、个性化的任务来说，根本就不值得去做，AI的应用场景也会被大幅限制。所以，持续学习的突破，直接关系到AI能否像人类一样，用很少的经验快速学会新东西，而这正是通向AGI的真正瓶颈之一。

AGI炒作的风险与行业泡沫

聊完了技术层面的问题，我们再来看看行业层面的风险，而这也是吴恩达最担心的一件事：也就是过度炒作导致的期望落差，最终引发的行业泡沫破裂。吴恩达在访谈中表示，他观察到当前能让AI发展脱轨的因素其实很少，因为当下的AI技术已经能实实在在地解决问题，创造巨大的价值，行业的发展基础是牢固的。但是有一件事，让他真正感到担心，那就是行业内对AGI的过度炒作。

AI行业的历史已经多次证明了这种炒作的危害。历史上的几次AI寒冬，无一不是因为善意的研究者和企业家过度承诺了AI的潜力，拉高了社会的期望。而当技术的发展无法达到这些期望时，社会的失望情绪会迅速蔓延，最终导致投资和行业兴趣的集体崩塌，让AI行业陷入长期的停滞。

吴恩达认为，当前行业内最危险的叙事就是“AGI马上就要来了”。这个叙事制造了一种不切实际的期望：很快AI就会和人类一样聪明，很快所有的工作都会被AI替代。而当这些期望不可避免地落空时，社会的反弹可能是灾难性的，不仅会让资本从AI行业撤出，还可能引发公众对AI的抵触情绪，甚至影响到相关的政策制定。所以吴恩达认为，给当前的AGI叙事降温，并不是否定AI的价值，反而是在为AI行业的可持续增长奠定坚实的基础。

人类智能的本质：通用性与可塑性

在这场访谈的后半段，还出现了一段意想不到的学术讨论，话题围绕着杨立昆和哈萨比斯之间的一场争论展开：人类的大脑，到底是通用的学习器，还是专门化的智能系统呢？杨立昆认为，人类的智能本质上是专门化的，我们的大脑拥有多个专门的模块，分别负责语言、视觉、运动等不同的功能，这些模块相互协作，形成了人类的智能。而哈萨比斯则主张，大脑的核心是一个通用的学习器，我们之所以能学会不同的技能、完成不同的任务，是因为这个通用学习器具有强大的适应能力和学习能力。

面对这场看似针锋相对的学术争论，吴恩达的回答却出人意料。他不觉得这里有什么矛盾。在他看来，大脑的厉害之处在于它的可塑性，也就是强大的学习能力。一个拿到数学博士学位的人，展现出的是高度专门化的智能；但是同一个大脑，如果接受不同的训练，完全可以成为国际象棋大师，或者成为一名优秀的网球运动员。所以吴恩达认为，人类智能的通用性应该体现在学习能力上，而不是体现在已经什么都会上。虽然我们的智能终点是专门化的，但起点是通用的。

在这个问题上，吴恩达还透露了一个很少被公开讨论的思想源头，这也是驱动他创建Google Brain的核心假设——One Learning Algorithm Hypothesis。这个假说的基本思想是：人类的DNA包含的信息量其实是非常有限的，根本不可能编码出无数个专门的智能模块，但是它却编码出了一个高度通用的学习算法。人类的大脑之所以能学会数学、骑摩托车、打字、做客服等等几乎任何事情，正是因为底层有这样一个通用的学习引擎，而不同的训练和经验，让这个通用引擎发展出了不同的专门化能力。这个信念，让吴恩达坚定地走向了大规模神经网络的方向，因为他认为，如果人类的大脑只用一个学习算法就能完成如此多的任务，那么人工神经网络在足够大的规模下，也应该能展现出类似的通用性。

智能与意识的界定

在这场访谈中，吴恩达还谈到了一个非常深刻的问题：智能和意识的区别。他表示，如果自己能回答一个关于现实的终极问题，他想搞明白的是智能的本质，而不是意识。意识是不可测量的，也是不可验证的——你永远不知道我有没有意识，我也永远不知道你有没有意识。哲学上甚至存在哲学僵尸（philosophical zombies）这个概念，因为我们永远无法接触到另一个人的内在体验。所以意识在本质上，是一个哲学问题，而不是一个科学问题。

但是智能不一样，智能是可以观察、可以测量的。人类的大脑到底通过什么机制，展现出了如此广泛、如此强大的智能行为呢？这个问题一定有答案，只是我们目前还没有找到。吴恩达还透露了一个不太为人知的经历：在创建Google Brain之前，他曾经花费大量的时间泡在神经科学家的圈子里，读了一大堆的神经科学论文，希望能从人类的大脑中找到AI的发展思路。但是最后的结论是，当前的神经科学基本上还不知道大脑是怎么工作的，我们对人类智能的了解还处于非常初级的阶段。也正是因为这个原因，吴恩达最终放弃了从神经科学路径去建造AI，转而专注于大规模神经网络和机器学习的研究。

而在这个问题上，吴恩达说出了一句分量极重的话：“我很确定智能不是一个Transformer加上Scaling Laws就能解释的，它一定需要更多东西。”这句话，既是对当前AI技术发展的清醒认知，也是对整个行业的提醒：我们现在看到的Transformer架构和规模化，确实推动了AI的爆发式发展，但它们都只是通往真正智能的第一步，而不是全部。AI的发展，可能还需要更多的理论突破和技术创新。

AI对就业与教育的影响

对于如今普通人最关心的问题——AI的发展会对大家的就业产生什么样的影响呢？吴恩达首先列出了明确的高风险职业名单，包括呼叫中心岗位、翻译、配音演员。这些职业之所以面临着被AI自动化的巨大风险，核心原因在于它们的工作内容几乎100%都是标准化、重复性的，而这正是AI最擅长的领域。吴恩达坦言，他对这些即将被AI影响的从业者真的感同身受。他认为，AI行业的从业者有义务帮助这些人获得新的技能，让他们能够重新进入劳动力市场，这是AI行业的社会责任。

但是吴恩达同时也强调，对于绝大多数的工作来说，AI带来的并不是完全替代，而是部分自动化。他引用了麻省理工学院经济学家埃里克·布莱恩约弗森等人做的基于任务的岗位分析：如果把一个职业拆分成一个一个的具体任务，再分析哪些任务能被AI自动化，结果发现，对于绝大多数的工作来说，AI只能自动化掉30%到40%的任务，剩下的60%到70%的任务依然需要人类来完成。这些任务往往需要创造力、判断力、情感沟通能力，而这些都是当前AI的短板。

在就业问题上，吴恩达在访谈中反复强调：“AI不会取代人，但是会用AI的人，会取代不用AI的人。”但是他也表达了一个更深层的担忧：当前的教育体系和AI时代的需求已经严重脱节。当前的大学教育，很多大学的课程设置还在为2022年的岗位培养学生，而那些岗位很多已经在AI的影响下消失了。相反，现在的雇主找不到足够多懂AI的人才。吴恩达认为，教育体系的转型已经迫在眉睫，但是具体该怎么转，他自己也觉得目前看来仍然非常有挑战。

开源的力量与中美AI竞争

在访谈中，主持人还问到了一个行业内的热点问题：开源时代是否已经结束了呢？吴恩达的回答非常明确：开源不仅没有死，而且目前最好的开源或开放权重模型，有很多都来自中国。他表示，过去几年，AI行业内可选的开源方案数量一直在快速增长。虽然专有模型的发展速度也很快，但重要的是，开源模型的增长同样强劲，两者形成了良性的竞争。

吴恩达随后展开了一段关于创新自由的论述。他以移动开发平台为参照，在美国做移动互联网的创新，基本需要获得iOS或Android这两个看门人的许可，很多创新想法因为平台的限制，根本无法实现。而如果AI领域也出现类似的两三个看门人，也就是只有少数几家大型科技公司能负担得起前沿模型的训练成本，掌握着AI的核心技术，那么整个行业的创新自由就会大幅萎缩，大量的中小企业和创业者会被挡在AI创新的大门之外。而这，最终会让整个社会变得更穷，因为创新是经济发展的核心动力。吴恩达坦言：“我真心希望我们不会走到那个未来，而开源，就是防止这种寡头垄断的关键。”因为开源模型能让更多的人、更多的企业参与到AI的创新中来，降低AI技术的使用门槛。

关于中国和美国在AI领域的竞争，吴恩达的判断显得非常务实。他认为，AI是一个多面的领域，中国在开源和开放权重模型上处于领先地位，而美国则在闭源的专有模型上拥有优势。两者各有千秋，也各有自己的核心竞争力。吴恩达的职业生涯和中美两国都有着深厚的联系，所以他对两边都有感情。但是他也明确表达了自己对美国和西方世界的价值认同，认为尽管民主制度有时运转得好、有时运转得差，但它依然是社会发展的一个重要支柱。

AI的终极目标：赋能个体

在这场访谈的最后部分，吴恩达谈到了驱动他几十年如一日投身AI行业的底层价值观，那就是赋能每一个人用AI来构建。他表示，自己最看重的两件事：第一件是让人类变得更强大，这是他做所有研究和创办公司的原动力。他相信AI的核心价值不是替代人类，而是增强人类的能力，让人类能完成以前无法完成的事情。第二件是帮助别人实现他们的梦想——这里他特别强调了“他们的梦想”，而不是“我的梦想”。他认为，AI技术的价值在于给更多的人提供工具和技能，让他们有更好的条件去追求自己想要的东西。而这也是他创办DeepLearning AI的核心初衷：通过在线教育，让更多的人学会AI技术，掌握AI工具。

好了，以上就是吴恩达这次访谈的主要内容了，希望能带给大家一些帮助。感谢收看本期视频，我们下期再见。