言语道断，因果自现——我心中的AGI是什么（节选）

     过去这一两年，我们亲眼看着大模型的语言能力以肉眼可见的速度跃迁：写作、总结、对话、问答、解题，越来越“像人”；HLE之类的评测分数一再刷新纪录，连奥数级别的题目也能被系统性攻克。于是一个看上去顺理成章的结论开始流行：“所谓AGI、大一统的通用智能，大概也就差不多了。”但在我看来，这是一场美丽的误会。

为了把这件事讲清楚，我借用一个比喻：今天主流的大模型，更像是“文科大模型”。它以语言生成与文本一致性为中心，把知识组织成“像真的叙述”和“像对的答案”。它的价值在于“模拟”：它能理解我们的委婉与修辞，能生成优雅的文字、逼真的对话、动人的故事；它会在教育、沟通、内容生产上变成新的基础设施，像电、像水，润物无声。但即便它能解奥数、HLE也能拿高分，这些胜利也大多发生在封闭系统里：题目定义明确、规则固定、对错可判、反馈即时。

     但我一直坚信，人类真正需要AI去对抗的，是衰老、疾病、能源、材料、气候这些问题；这些战场不在考试题的封闭世界里，没有标准答案等你生成，只有现象、噪声、偏差、缺失变量与缓慢反馈；正确不是“写出来”的，而是被外部世界“确认出来”的。封闭世界的高分，证明了推理工程的成熟，但并不代表已经拥有了稳定的知识生产机制；高水平解题固然是走向发现的必要基础，却远非充分条件，因为真正决定未来的，不是封闭的叙述，而是那条冰冷而精确的因果红线；它关心的不是“说得对不对劲”，而是“这个假设能不能被现实否决或确认”；它的终极产物不是新作品，而是新知识——新的定理、新的材料、新的药物、新的工艺、新的工程结构。我把这种范式称为“理科大模型”。它的价值在于“发现”。

     真正决定AGI应该是什么，取决于我们的价值取向：我们究竟更在意一个能理解所有修辞，还能取代人类工作的“灵魂伴侣”，还是更迫切地需要一个能帮我们撕开迷雾、照亮未知，创造价值的“因果明镜”？我认为是后者。实现AGI不是为了再造一个更会聊天的会生成的系统，而是为了打造一种“会发现”的智能。

     那么，我心目中AGI目标究竟要做什么？用一句话概括：它是一个高可信、可验证、可纠错的通用推理引擎。在工程上能够做到三百步以上的复杂推理后，依然维持接近99%级别的整体正确率，并通过形式化和工具链把每一步推理“钉死”为可检查的证据，最终对任意复杂问题给出闭环解决方案。

     为什么我们死磕“300步”？我们必须先定义推理的最小单位——标准原子步，作为可审计的基本推理单元。每一步只执行单一逻辑操作，依赖最小必要输入，其结果可以通过工具或规则直接检验。按照这个标准，现在的大模型单步推理准确率最高能冲到98%，哪怕每一步都能做到这个最高水平，300步后的端对端成功率也只有0.23%，已经接近归零。这意味着在300步之后，概率和运气基本失效，系统必须依赖可检验的推理与外部反馈闭环，而不是靠“看起来合理”的续写去蒙混过关。所以我认为300步是独立解决复杂现实问题的“跨度起点”。

     为什么99%必须是硬杠？因为发现式系统不是用来“聊天”，而是要进入现实成本区间：实验、工程、医疗、决策。低一个点的可靠性，就意味着高频的错误下注；而现实世界的错误，不是“答错题”，而是浪费实验窗口、烧掉工程预算、甚至造成不可逆的损耗。

     我心目中的AGI，是能在300步的逻辑长征中，靠自我纠错熬过“概率死亡”，最终抵达地图之外的起点。从这里开始，AGI就可以在科学、工程、决策规划等任意领域里，作为一个可审计、可验证的通用问题求解器存在。

     MiroMind已经在这条路走出了第一步。以BrowseComp为例，MiroMind仅用235B参数模型就给出了SOTA的成绩，它的意义不在于“分数本身”，而在于证明了一个工程事实：我们正在把推理从“单次生成”推进到“时间序列上的反复求证”。更具体地说，我们不是依赖一次性长链思考去赌对答案，而是训练模型在更深、更频繁的agent/环境交互中不断获取外部反馈并纠错，让推理过程逐步变成可审计的证据链。对我们而言，这就是“通用求解器”的第一块地基，然后在99%可靠性前提下逐步推到300步以上的跨度。

    我心中的AGI就是一个无限接近“大圆镜智”的智能系统，不迷恋漂亮的语言，而是追问事实的真相是什么；不急着给出答案，而是去求证背后的因果是什么。在一个被语言和叙事塞满的AI时代，我们需要一面只对“因果和真相”负责的镜子。文/陈天桥（盛大集团创始人）