2025 年，全球 AI 格局以令人屏息的速度发生了转向。
人们对通用人工智能（AGI，Artificial General Intelligence）的神秘滤镜开始褪色，而超级人工智能（ASI，Artificial Super Intelligence）则走上舞台，成为更关键、更具决定性的下一道前沿。
Anthropic 高管 Jack Clark 发出严厉警告：巨变正在逼近——AI 可能把世界撕裂成两个平行现实。
这一刻并非源于某一次单点突破，而是长期累积的结果：技术、资本、工作岗位与日常生活在同一时间被重塑，形成一轮叠加式的变化循环。
模型能力大幅跃升，但 “AGI” 这一标签依旧存在争议。2025 年的研究普遍显示，推理、多模态理解与智能体行为出现显著进步；与此同时，关于这些系统是否真正具备“通用智能”的讨论也仍在持续。
投资浪潮进一步推高了基础设施扩张。全球 AI 融资继续加速，生成式 AI 吸引了 339 亿美元资金，科技巨头的资本开支逼近 4000 亿美元。热潮之下，泡沫担忧再度升温，能源消耗问题也受到更严格的审视。
职场变革同样提速，既带来机会，也带来压力。AI 工具越来越像是“基本配置”而非加分项，尤其在竞争激烈的求职环境里更是如此。
与此同时，AI 更深地渗透进日常生活，但并未彻底颠覆它。智能体与机器人进入制造业、医疗与运营等领域，在可见层面提升效率；但许多人仍觉得变化是渐进式的，而不是革命性的。
一个观点在行业里反复出现：AGI 不是终点线——超级智能才是真正故事的起点。
如果真正的 AI 竞赛始于 AGI 之后，那么 2025 很可能会被记住：这是人们第一次清晰听见“发令枪声”的一年。
AI 一年，人类千年
迄今为止，自然界的一切智能都属于生物智能——碳基、进化而来、依附于实体之中。
但现代大语言模型（LLM）可能代表着一种前所未有的形态：一种由人类创造、而非在自然中发现的全新智能类别。
在 2025 年年终回顾中，Andrej Karpathy 直言不讳：这是他（以及他认为整个行业）第一次开始以更直观的方式，内化理解 LLM 智能的“形态”。
在推理、多模态处理与智能体方面，进展是毋庸置疑的。OpenAI 的 o3 系列与 Google 的 Gemini 3 展示了能力的“跃迁式”提升。虽然在现实部署中依然存在限制，但“AGI 近在地平线”的共识，已在许多行业圈层形成。
在越来越多的任务上，领先模型开始超越人类基准。
斯坦福《2025 AI 指数报告》指出，AI 在 7 项评估中超过人类基线，覆盖的能力包括：
图像分类
视觉推理
中等难度阅读理解
英语语言理解
多任务语言理解
竞赛级数学
博士级科学问题
最顽固的差距仍在多模态理解与推理——即跨图片、图表、示意图与文本等多种格式、跨学科进行推断的能力。
即便如此，这一差距也在快速缩小。
MMMU 基准测试（用于评估需要大学学科知识的跨学科推理能力）成为关键参照。它具备四大特点：覆盖面广（6 大学科、30 门课程、约 11,500 道题）、图像类型高度多样、图文交错需要跨模态推理，以及要求扎根深厚领域知识的专家级感知与推理。
成绩提升非常迅速：
到 2023 年末，Google Gemini 得分 59.4%。
2024 年，OpenAI o1 达到 78.2%。
2025 年，Gemini 3 Pro 在更难的 MMMU-Pro 上达到 89.8%。
与此同时，新模型发布节奏变得极其紧凑。前沿实验室几乎每 8–12 周就推出一次重要更新。
OpenAI 的 o3 系列（包括 o3-mini）因“先思考再回答”的推理风格受到关注——经常使用多达 10 倍的 token 来提高“智能密度”，但也同步推高成本。
Google 的 Gemini 3 被广泛认为是多模态能力的高点，能够处理文本、图像、视频与音频，并进行更深层的跨模态推理。
线上社区对“开放性”议题高度关注。年初，Reddit 上关于前沿模型开放获取的讨论迅速升温。
DeepSeek-R1 及其开源蒸馏版本占据话题中心，但用户也指出一个关键取舍：本地可运行的发布版是蒸馏模型（8B 或 32B），并非完整的 671B 版本，性能往往更接近 GPT-3.5，而非最前沿的 SOTA 水平。
更深层的吸引力在于 DeepSeek 的开放策略——尤其是在其训练效率据称大幅提升的背景下。
随后研究者声称，他们在一个 3B 参数模型上，用不到 30 美元复现了 DeepSeek-R1-Zero 风格的强化学习训练方案，让“成本壁垒究竟能降到多低”的讨论再次升温。
“通用智能”相关的基准也在演化。ARC-AGI-1 上的最佳成绩逼近 90%，ARC-AGI-2 上 AI 已超过人类平均水平。
但怀疑也仍然存在。Yann LeCun 继续强调，自回归 LLM 在结构上存在局限，需要更丰富的感官数据与更扎实的现实世界锚定。
整体而言，2025 的一个明确转折是：AI 正从“聊天机器人”走向“智能体”——能够更自主地规划、执行与协调任务的系统。
关于 AGI：有人说只剩 2–3 年，也有人更谨慎
如果说过去几年是“把模型做大”，那么 2025 更像是在“把模型落地”。
围绕代码、推理、多模态、长上下文与企业可用性，AI 巨头们加速冲刺、寸土必争。
同时，AI 未来的讨论变得更宏大也更具体：科技领袖们越来越频繁地谈论 AGI，甚至把 ASI 视为终极目标。
一般来说，AGI 被定义为能在广泛任务上匹敌人类智能的系统；ASI 则是进一步超越人类能力的系统。
一些标志性事件体现了这种转向：
6 月，扎克伯格成立 Meta 超级智能实验室，瞄准“个人超级智能”。
9 月，奥特曼提出社会应为 2030 年前可能出现的 ASI 做准备。
Anthropic CEO 认为，到 2027 年 AI 可能在“几乎所有领域”超越人类。
马斯克更激进，预测 AI 甚至可能最快在明年就超过最聪明的人类。
含义很明确：没有任何一家大公司愿意错过这波浪潮。
扎克伯格说，他宁愿冒着误投数千亿美元的风险，也不愿在超级智能时代落后。
据报道，在净资产达到 6320 亿美元后，马斯克对 xAI 员工表示：如果公司能挺过未来两到三年，就有望成为 AI 赢家。
有人（如 Databricks CEO）甚至认为行业已实现 AGI；另一些人（如 DeepMind 联合创始人 Demis Hassabis）则更谨慎，把 AGI 放在“5 到 10 年内”的窗口。
时间表不同，但共同信念一致：AI 进步正在加速，并且在叠加式加速。
这种速度很难否认。
单在一年内，OpenAI 就发布了 30 多项重要产品与更新：
年初：高效模型与智能体（如 Operator、o3-mini）
年中：多模态与智能体工具（如 Sora 2、AgentKit），以及开放权重模型与 GPT-5
年末：面向专业任务的性能优化（如 GPT-5.2 系列）与创意工具（如 ChatGPT Images）
Google、Anthropic 与 xAI 也各自贡献了“高光时刻”。
一月看似魔法的能力，到十二月就成了日常。
中国开源浪潮：DeepSeek 的爆发之年
2025 年的开源 AI 不只是活跃——而是被点燃了。
围绕 LLaMA、DeepSeek、Mistral 以及更广泛的模型栈，一个密集生态迅速成形：微调框架、推理加速、简化本地部署的工具链不断完善，门槛几乎以月为单位下降。
中国开源动能显著提升——在这一叙事里，LLaMA 逐渐被描述为失去“舞台中心”。
DeepSeek 成为年度最大黑马。
DeepSeek-R1 被描述为首个通过同行评议并登上《Nature》封面的“大模型”，其创始人梁文锋也入选《Nature》年度“10 位重要人物”。
与此同时，其他架构的热度开始降温。
Mamba 在早期走红后，逐渐淡出研究之外的应用视野。讨论普遍认为，Transformer 已在软硬件生态里被深度优化，要在经济上证明“用未经充分验证的新架构重新训练超大模型”是合理的，难度极高——尤其当实际效果与现有模型相当甚至更弱时。
成熟的 Transformer 工具链也带来巨大的迁移成本。批评者还指出固定状态内存方案的限制，比如难以选择性检索被跳过的 token。
在计算机视觉领域，“Vision Transformer 是否已完全取代 CNN”仍有争论。
社区观点倾向于认为：Transformer 在许多大规模任务上优势越来越明显，但 CNN 与混合架构在小数据集、医学影像与特定领域仍具竞争力。有人提到 ConvNeXt 是强有力的替代方案，并强调数据集质量往往比架构选择更重要，同时指出 Transformer 的现实代价：更高的内存需求，以及对可变分辨率图像处理的挑战。
为下一阶段做准备
过去一年，记者 Lee Chong Ming 与 50 多位科技领袖进行了深入交流——从掌舵万亿级公司的巨头，到押注未来的年轻创业者。
在董事会、行业峰会与播客访谈中，有三条观点被反复提及。
1）用好 AI，否则你可能被更会用 AI 的人取代
英伟达 CEO 黄仁勋多次强调：
每份工作都会受到影响，而且是立刻受到影响。你不会被 AI 取代，但你可能会被更善于使用 AI 的人取代。
很多领袖都呼应这一点，并指出年轻员工可能更有优势，因为他们早已把 AI 工具当成日常工作的一部分。
奥特曼在 8 月的 YouTube 节目《Huge Conversations》中表示，虽然一些岗位不可避免会消失，但应届毕业生可能最有能力适应变化。
他说，如果自己现在 22 岁刚毕业，会觉得这是“史上最幸运的一代”。
但他也强调了更棘手的问题：随着 AI 重塑工作结构，年长员工将如何适应。
斯坦福教授李飞飞表达了相近观点——与学位相比，掌握新工具的能力可能更重要。
在她的创业公司 World Labs 中，她不会雇佣拒绝使用 AI 工具的工程师。
这种变化不再只是预测，而是已经进入日常工作流。
2）AI 时代，软技能更值钱
另一个强共识是：AI 自动化越多，人类能力越重要，而不是越不重要。
Salesforce 首席未来官 Peter Schwartz 在 5 月告诉媒体：最重要的技能是同理心与协作能力，而不是编程知识。
如果家长问孩子该学什么、是否要做程序员，他的答案很简单：学会如何与他人合作。
领英亚太区首席经济学家 Chua Pei Ying 在 7 月也指出：无论对资深员工还是应届毕业生，沟通协作等软技能都越来越关键。
当 AI 压缩团队规模、自动化任务，“人的那一层”反而成为差异化。
3）人类必须处在 AI 的核心位置
许多领袖反复强调：在 AI 加速发展中，人类的掌控与自主性必须居于中心。
微软 AI 负责人 Mustafa Suleyman 认为，超级智能必须支持而非压制人类自主性。
他在 11 月表示，团队正在努力构建“人道主义的超级智能”，并警告：比人类更聪明的系统可能很难控制，也很难与人类利益对齐。
Anthropic CEO Dario Amodei 强调误用风险，认为先进 AI 降低知识工作门槛的同时，风险与回报会同步放大。
他表示，Anthropic 的“负责任扩展政策”聚焦三大风险领域：AI 自主性，以及化学、生物、放射性与核威胁——这些被误用时可能危及数百万人。
被称为“AI 教父”的 Geoffrey Hinton 也在 8 月再次警告：当系统超越人类智能后，保护人类将成为核心挑战。
目标是确保当 AI 比我们更强大、更聪明时，依然“在乎人类”。
从炒作到现实：技术是工具，智慧在人
2025 年，AI 并没有“颠覆一切”。
但它确实打下了难以忽视的基础。
Karpathy 把这一年描述为 AI 跨过了“英语即编程”的门槛——意味着更多人可以用自然语言指挥机器，并获得有价值的结果。
下一阶段不只是更强的模型，而是建立以人为本的超级智能：让系统抬升人类，而不是边缘化人类。
无论你是 AI 从业者，还是与 AI 共存的普通人，有一个结论越来越清晰：学会使用 AI 工具，正在变成必需品。
这一年，AI 从奇观走向实用力量，并留下一个明确提醒：
技术是工具，智慧仍属于人类。
