汽車行業深度報告：AI系列深度02期，AGI是什么？.pdf

研究目的與核心內容

本報告為東吳證券汽車行業AI系列深度第二期，聚焦AGI（通用人工智能）的定義、衡量、路徑與經濟影響，旨在為汽車產業投資者建立理解AI技術演進框架的基礎認知，并映射至數字AI底座與物理AI的產業機會判斷。

AGI定義與機構分歧

報告系統梳理全球機構對AGI的四類理解錨點：經濟價值口徑（OpenAI、麥肯錫）、能力分級口徑（DeepMind L0-L5）、技能獲取效率口徑（Chollet/ARC）、世界理解口徑（LeCun、李飛飛）。不同錨點導致同一進展可被樂觀者稱為"前夜"、審慎者判為"尚在山腳"。全球機構按立場分為激進（近端）、審慎（遠端）、務實（應用）、具身（物理）四類陣營，時間表判斷從2026年至數十年不等。

分級框架與技術路徑

OpenAI五級路線圖（對話者→推理者→智能體→創新者→組織）以經濟價值為主軸，當前處L2向L3過渡；DeepMind以性能×通用性二維分級，當前模型僅處"新興AGI"。技術路徑包括訓練時規模化、測試時計算與強化學習、新架構、世界模型與具身、神經符號、自我改進、智能體系統等，核心分歧在于"現有范式能否外推至AGI"。

衡量基準與經濟測算

衡量AGI面臨基準飽和、Goodhart定律、數據污染、依賴自報四重困難。ARC-AGI、METR、GDPval、DeepMind L0-L5等新標尺涌現，但統一標準仍缺位。經濟價值測算差異顯著：麥肯錫用例增加值法估算每年數萬億美元；Acemoglu宏觀task-based法認為十年GDP拉動約1%；全自動化增長模型指向爆發式躍升情景但依賴瓶頸假設。

風險治理與產業映射

審慎派（Hinton、Bengio）強調生存性風險與立即監管；加速派（LeCun、吳恩達）認為風險被夸大、力推開源。報告核心產業判斷：數字AI底座路徑清晰但難閉環物理世界，物理AI成為增量更大方向，智能駕駛作為最先跑通閉環的代表場景應重點關注。