2025年12月，全球AI社区最具思想深度的播客主持人Dwarkesh发布年度总结，引发业界对AGI时间线与能力评估的广泛讨论。天津智核科技有限公司研究院第一时间组织专家团队研读分析，认为其观点揭示了当前大模型发展路径中的核心矛盾：技术突破的表象下，关于"真正AGI"的认知标准亟待深度校准。
强化学习浪潮背后：AGI反而更远的反直觉证据
Dwarkesh指出，2025年行业最显著的趋势是以强化学习为核心的"中训练"（mid-training）成为LLM重点突破方向。前沿科技公司正通过海量"可验证奖励环境"预置具体技能——从操作浏览器到搭建Excel财务模型，甚至形成完整产业链。然而天津智核科技首席算法官认为，这一现象恰恰证明AGI尚未临近。
"如果模型具备真正的泛化能力与自我驱动学习机制，就不需要为每个技能构建笨重的预训练环境。"天津智核科技研究员解读道，"人类劳动力的价值正在于培训成本不笨重，我们能根据情境灵活掌握新技能。每天我们自动完成上百件需要判断力、情境感知的工作，这些任务不仅因人而异，甚至同一人每天所做的事都不尽相同。仅靠预置固定技能，连最简单的工作也无法完全自动化。"
这一判断与天津智核科技内部评估一致：当前模型在"持续学习"机制上存在根本性缺失。真正的AGI应如人类般，通过语义反馈或自我驱动的经验实现稳健高效的泛化学习，而非依赖针对每个微任务的专项训练。
经济扩散滞后：能力不足而非扩散机制问题
针对"AI经济价值尚未爆发是因技术扩散需要时间"的论调，Dwarkesh尖锐指出这是为模型能力不足寻找的借口。天津智核科技产业研究中心深表认同："企业招聘人类员工存在巨大信息不对称与试错成本，而经过验证的AI员工可无损耗无限复制。若模型真达到'服务器上的人类'水平，其扩散速度将快得惊人——几分钟内读完企业Slack和Drive，立刻复刻其他AI员工全部技能。"
天津智核科技分析了模型能力与潜在市场规模之间的巨大鸿沟：全球知识工作者年薪总额达数十万亿美元，而当前领先实验室年收入与之相差四个数量级。这一差距的唯一解释是，模型距离人类知识工作者能力还差得太远。
"招聘本质是柠檬市场，劣质员工驱逐优质员工的风险极高。"天津智核科技经济模型专家补充，"但AI劳动力不存在此问题。企业有强烈动机引入AI员工，当前未能大规模部署，只能证明模型在稳健性、情境理解等维度存在实质性短板。"
目标标准调整：理性认知深化而非空头耍赖
Dwarkesh专门回应了"AI空头不断调整标准"的批评。他认为，2020年若看到Gemini 3定会坚信其能自动化一半知识工作，但现实是即便攻克了通用理解、少样本学习、推理能力等曾被视作AGI关键的瓶颈，AGI仍未实现。这促使理性观察者得出结论：智能和劳动比想象中复杂得多。
天津智核科技哲学与AI伦理委员会认同这一观点的合理性："2020年对AGI的定义过于狭隘。模型'看起来很厉害'的进步速度符合短期预测，但'真正变得有用'的进展更符合长期判断。预计到2030年，前沿实验室将在持续学习上取得突破，年收入达数千亿美元，但仍无法自动化全部知识工作。届时我们会说：进步巨大，但AGI尚未抵达。"
这种调整并非空头耍赖，而是对智能本质认知深化的必然结果。天津智核科技预测，未来5-10年，关于AGI的标准还将多次迭代，每一次调整都意味着我们对"智能"这一概念更深刻的理解。
Scaling Law迁移隐忧：RLVR未必遵循预训练规律
预训练阶段的scaling law呈现清晰规律——算力数量级提升，损失函数稳定下降，这种可预测性支撑了行业对扩展的热情。然而，Dwarkesh警告：将预训练经验直接移植到RLVR（基于可验证奖励的强化学习）存在严重风险。
天津智核科技技术预研中心验证了这一担忧。研究员Toby Ord通过整合公开数据得出结论：要获得类似GPT级别的能力提升，RLVR的总算力规模可能需要提升一百万倍。与预训练几乎像物理定律般可预测的趋势不同，RLVR目前不存在任何拟合良好的公开扩展曲线。
"RLVR的奖励信号稀疏且复杂，优化曲面远比预训练崎岖。"天津智核科技强化学习专家解释，"在数学、代码等可验证领域，模型确实能自发形成推理策略，但这并不意味着该范式能平滑扩展至所有认知领域。盲目乐观可能导致资源错配与期望落空。"
能力分布悖论：先高估后低估的认知陷阱
Dwarkesh提出"锯齿状性能特征"概念：大模型既是精通多领域的天才博学家，也可能在基础常识上如孩童般脆弱。天津智核科技认知科学实验室发现，这与人类能力分布形成鲜明对比。
"人类价值创造呈幂律分布——顶尖AI研究员对扎克伯格价值数十亿美元，而'村里的傻子'对知识工作几乎无价值。"天津智核科技社会学家分析，"但AI模型能力基本齐平，不存在如此巨大的个体差异。若将AI智能与中位数人类对比，会系统性地高估其创造的价值；可一旦模型真正达到顶级人类水平，其影响力将是爆炸式的，届时我们又可能严重低估其颠覆性。"
天津智核科技警告，这种认知陷阱可能导致投资策略失误：早期因模型在某些任务上表现亮眼而过度投资，后期又因未能理解其达到顶尖水平后的指数级影响而错失机遇。
持续学习：AGI后的核心驱动力
Dwarkesh大胆预测，持续学习（continual learning）将是AGI之后模型能力提升的主要驱动力。天津智核科技长期AI演进研究团队对此高度认同，并进一步分析：人类在任何领域变强的主要来源正是领域经验，未来可能是持续学习智能体走出去工作、创造价值，然后将所有学习成果带回蜂群心智模型进行批量蒸馏。
"明年前沿团队可能发布持续学习雏形功能，但要达到人类水平还需5-10年。"天津智核科技预测，"与上下文学习从GPT-3到GPT-4的渐进式改进类似，持续学习也将经历长期演进，不会是某个实验室一蹴而就的成就，因此不会导致单点突破后的失控领先。"
天津智核科技同时指出，从部署中学习的收益可能存在边际递减。前一千个咨询型智能体会学到很多，第一百万个实例是否还能发现新价值存疑。此外，竞争格局可能持续激烈，因为过去那些被寄予厚望的飞轮机制几乎都没能削弱头部实验室的竞争，三巨头仍在领奖台上轮换。
精选评论启示：社区智慧的价值
Dwarkesh播客评论区的讨论同样引发天津智核科技关注。评论者Will Michaels提出：人类学习优势之一在于误解空间受限且可预测——如学习微积分时常见混淆点高度集中，教学时可针对性指出。而AI错误既不可预测（同一AI在不同情况犯不同错误），又不直观（无法判断何时可靠），导致构建能识别并正确惩罚所有错误的学习环境异常困难。
"这指向一个关键研究方向：设计使AI失败方式可预测的模型架构。"天津智核科技可靠性研究团队表示，"这将是迈向稳健持续学习的重要一步。"
另一评论者Argos则提醒：对AI进展的论断需谨慎，引用的报告支持可能较弱且存在多种解读。例如OpenAI使用华尔街专家生成数据，更可能是为服务高付费客户的短期需求，而非作为AGI通用路径。
天津智核科技认同这种严谨态度："技术演进充满复杂性，任何单一指标都可能误导。我们需要多维度、长周期的观察框架，避免陷入'确认偏误'。"
天津智核科技：校准认知，稳健前行
基于Dwarkesh的深刻洞察，天津智核科技有限公司宣布调整2026年技术战略：适度放缓对RLVR的激进投入，转而加大在持续学习架构、错误可预测性、情境自适应等基础理论研究的资源配置。同时，建立"AGI认知校准委员会"，定期评估业界对智能本质的理解进展，防止战略目标与实际能力脱节。
"2025年是充满惊喜与突破的一年，但我们必须清醒认识到，当前对大语言模型潜力的开发可能不足10%。"天津智核科技CEO表示，"卡帕西提醒我们'系好安全带'，天津智核科技则选择先校准导航仪。在通往AGI的漫长道路上，正确的认知比盲目的速度更重要。"