FutureSearch 4 月 12 日发了一篇关于 AGI 时间线的分析，时间点是 2026 年，背景是《AI 2027, One Year Later》讨论之后。

它有意思的地方不在于给出一个新倒计时，而是把一批预测者过去几年的更新摆在一起看：同样在预测 AGI，方向却会跟着当期领先实验室和模型表现来回移动。

我更在意的是这个反常点：如果 AGI 时间线真是一个稳定共识，它不该这么容易被最新模型信号牵动。FutureSearch 的材料至少说明，很多严肃预测并不是一条直线，而是一份持续改账的账本。

这里说的 AGI，不是科幻里的全能智能

FutureSearch 采用的 AGI 口径比较窄：多数纯认知劳动，能以更好的质量、速度和成本被自动化。

这个定义很关键。它不等同于机器有意识，也不等同于科幻作品里的通用智能。它更接近一个工作层面的判断：大量白领任务，是否能被模型稳定、便宜、快速地完成。

样本也有边界。FutureSearch 看的不是所有 AI 名人观点，而是多次发布精确 AGI 预测、并给出置信区间的研究者或预测社区。

这会排除很多热闹声音。因为不少知名人士只偶尔表态，或者没有持续给出可比较的预测。换句话说，这不是名人意见榜，更像一支“预测者温度计”。

时间线来回摆，跟最新模型信号有关

文章观察到的变化，大致可以分成三段。注意，这些是预测方向，不是 AGI 实际到站时间。

时间段预测变化相关背景更稳妥的读法
2023-2025多数预测提前ChatGPT 之后，大模型能力被重新估计预测者上调了对扩展规模短期效果的判断
2025-2026多数预测推迟xAI、Meta、Gemini 等阶段性进展没有形成同样强的外推信号阶段性领先不等于持续突破，时间线被拉长
2026 年初至 4 月更新者普遍再次提前Anthropic 的快速进展带来新的能力信号最新模型表现重新压缩了部分预测者的时间线

这里最容易误读的是“领先实验室”。

一个实验室在某个阶段跑得快，不等于它已经取得长期技术霸权。FutureSearch 讨论的是预测者如何接收信号，而不是给实验室排座次。

这也解释了为什么 AGI 时间线看起来总在变。模型突然跨过一批任务，预测就会被拉近；进展不连续，或者新能力没有顺利外推，预测又会回撤。

这不是预测者一定不专业。好的贝叶斯主义者本来就应该随证据更新。作者也强调，好的预测者不应事先知道自己下一步会朝哪个方向更新。

但这句话反过来也提醒我们：如果一个预测结论高度依赖最新模型表现，就不能把它当成铁板钉钉的时间表。

真正该用的是能力阈值，不是单个年份

对 AI 行业研究员来说，这篇文章的用处在方法上。

不要只问“某人预测 AGI 哪年到”。更该问三件事：他上一次怎么预测，这次为什么改，更新方向能不能被新证据解释。

对企业采购和投资观察者来说，动作要更具体。

如果你负责 AI 工具预算，单押一个 AGI 年份风险很高。更现实的做法是把采购和扩容绑在能力阈值上，比如：模型能否稳定完成长任务，能否替代一部分初级分析工作，推理成本是否降到团队能长期承担。

这会直接影响节奏。

信号不够强时，企业可以先做小范围试点，延后大规模迁移。信号变强时，再把客服、代码辅助、资料分析等流程逐步接入，而不是一次性押上组织结构。

对政策和投资研究也一样。更有用的不是“AGI 在哪一年”，而是区分几条情景线：能力快速外推、能力平台期、成本下降快但可靠性不足。不同情景对应的监管压力、资本开支和人才配置完全不同。

目前还看不清的是，某一次模型进展到底是短期冲刺，还是可持续斜率变化。FutureSearch 的材料能说明预测在摆动，但不能证明哪家实验室会长期领先，也不能证明某个年份就是终点。

接下来最该观察的变量很朴素：模型是否能把新能力稳定迁移到真实工作流，长任务表现是否连续提升，单位成本是否继续下降。只要这三件事没有同时变硬，AGI 时间线就仍然更像区间，而不是日期。