AGI 的技术成熟度与投资逻辑

title: “AGI 的技术成熟度与投资逻辑”
authors: “DeepThink.ai”
affiliations: “AI Genius Institute”
keywords: “通用人工智能；技术成熟度；投资逻辑；规模化定律；能力评估；风险治理”

Abstract

以大语言模型为代表的通用能力系统快速演进，使通用人工智能（AGI）从概念讨论转入工程与资本竞赛。然而，AGI 的定义与能力分级尚未统一，能力证据多来自公开基准而非真实长程任务，投资叙事与技术证据之间缺乏可核查的对齐机制。本文提出一套 AGI 技术成熟度与投资逻辑的联合框架：其一，构建覆盖能力性能、泛化、自主性、可靠性、成本效率与安全治理六个维度的成熟度模型，并给出由证据密度与瓶颈维度共同决定的保守分级判据；其二，将成熟度等级映射到基础层、模型层与应用层的阶段性投资逻辑，要求每条投资论点绑定可观测的证伪指标。基于可核实文献证据的案例分析表明：当前系统的公开基准表现与真实任务专家接受度之间仍存在差距，成熟度判定应以瓶颈维度而非平均分聚合。本框架为研究评估与资本配置提供同一套语言，用于降低技术判断与投资决策脱节所带来的系统性风险。

—

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop）与 程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: GitHub - AIGeniusInstitute/deepthink: DeepThink, A Loop Engineering App Running On Desktop, and Inte

—

1 Introduction

1. 动机与重要性。 过去十年，训练算力与算法效率的持续投入使语言模型展现出跨领域的通用能力迹象（Bubeck et al., 2023），围绕 AGI 的研发投入与资本开支同步扩张。当技术目标从“单点能力突破”转向“通用系统构建”时，研究社区需要回答“系统离 AGI 还有多远”，资本市场需要回答“在何时、以何种顺序配置资本”。两个问题共享同一批证据，却长期使用两套互不翻译的语言：前者依赖基准分数与能力演示，后者依赖叙事与类比。证据与决策脱节会同时放大技术误判与投资误配，因此有必要建立一套统一的成熟度—投资联合框架。

2. 现有做法的具体局限。 其一，AGI 的定义与分级不统一。已有工作或给出概念性路线图（Feng et al., 2024），或提出以性能、通用性、自主性为轴的分级框架（Morris et al., 2023），但分级结果很少与资源配置决策直接对接。其二，能力证据的效度有限。对真实科学智能体请求的评测显示，前沿模型尚无一在全部评审维度上达到专家接受阈值（Brueckner et al., 2026）；对大规模跨模型评测分数的因子分析亦提示“通用智能因子”只得到部分支持（Haznitrama et al., 2026）。其三，能力增长的外推缺乏边界条件。规模化定律刻画了损失随算力的幂律下降（Kaplan et al., 2020），也存在更优的数据—参数配比（Hoffmann et al., 2022），但从损失外推到“通用能力”与“经济替代”需要额外假设。其四，宏观 AI 经济建模（如 GATE 模型，Erdil et al., 2025）刻画了自动化与内生投资的长期动态，却不提供微观投资标的的阶段性判据。

3. 本文核心思路。 本文提出 AGI 技术成熟度与投资逻辑联合框架（以下简称本框架）。技术侧，定义六维成熟度向量——能力性能、泛化、自主性、可靠性、成本效率、安全治理——并给出由证据密度与瓶颈维度共同决定的保守分级判据：整体等级取瓶颈维度（“木桶原理”），拒绝以平均分掩盖短板。投资侧，把成熟度等级映射为基础层（算力、能源、数据中心）、模型层（基础模型研发）与应用层（垂直智能体与工作流）的阶段性投资逻辑，并要求每条投资论点绑定一个可观测、可证伪的指标。两侧共用同一套证据标准，使“技术判据”与“投资论点”可以在同一张表上互相校验。

4. 贡献。

• 提出覆盖六个维度的 AGI 技术成熟度模型，给出维度定义、证据要求与保守聚合判据，使“离 AGI 多远”的判断可被逐维复核。
• 建立成熟度等级与三层产业结构（基础层、模型层、应用层）之间的投资逻辑映射，明确各阶段的核心论点、关键里程碑与主要风险。
• 提出“论点—证伪指标”绑定机制，为每条投资论点指定可观测指标与失效条件，形成可执行的技术尽调清单。
• 基于可核实文献证据开展案例分析，展示公开基准表现与真实任务接受度之间的差距如何改变成熟度判定与投资结论；文中不引入任何新的实验数据，所有数值均标注文献来源。

5. 结构说明。 第 2 节按技术流派综述相关工作；第 3 节给出问题形式化与框架细节；第 4 节为基于文献证据的实证分析与局限；第 5 节讨论适用边界；第 6 节总结。

2 Related Work

2.1 AGI 定义与能力分级。 围绕 AGI 的界定，已有研究给出概念梳理与路线图（Feng et al., 2024），并提出以性能、通用性、自主性等轴刻画能力等级的框架（Morris et al., 2023），强调先定义等级再谈评估与风险。同期工作从早期系统的能力广度出发讨论 AGI 的雏形与其缺陷（Bubeck et al., 2023）。这类工作解决了“AGI 是什么、如何分级”，但分级结果不与资本配置、里程碑投资决策相连接。本文沿用“先分级、后评估”的思想，并将分级输出直接对接投资逻辑映射。

2.2 能力增长的经验规律。 规模化研究刻画了语言模型损失与模型规模、数据量、训练算力之间的幂律关系，并指出大模型更具样本效率（Kaplan et al., 2020）；后续工作通过更大规模配比实验提出模型与数据应同步扩展的计算最优配比（Hoffmann et al., 2022）。供给侧的算力增长被划分为三个时代：深度学习兴起前训练算力约每 20 个月翻倍，此后约每 6 个月翻倍，2015 年末进入大规模时代后出现 10–100 倍级的算力跃升（Sevilla et al., 2022）；算法进步同样贡献显著，达到固定能力所需算力可在数年内下降一个数量级（Hernandez & Brown, 2020）。这类工作描述了“能力供给曲线”，但不提供成熟度判据，也不回答曲线外推的失效条件。本文将其作为成本效率维度的证据来源，并以外推失效条件构造证伪指标。

2.3 AI 经济与转型建模。 宏观方向上，GATE 模型将基于算力的 AI 发展模型、自动化框架与含内生投资和调整成本的半内生增长模型结合，用于模拟 AI 自动化对投资与增长的影响（Erdil et al., 2025）；另有工作尝试以数学指标刻画 AGI 发展水平与经济增长的关系（Gondauri, 2025）。微观证据方面，对大规模科学助手使用数据与科学家调研的分析报告了广泛采用与自报生产率提升（Codreanu et al., 2026）。这类工作回答“AI 对经济整体意味着什么”，但不给出面向单一投资标的的阶段性判据。本文在宏观叙事与微观标的之间补上一层：以成熟度等级为共同变量，把宏观情景假设拆解为可跟踪的微观里程碑。

2.4 能力上限与可靠性约束。 理论与实证工作从两个方向给出约束：其一，对自我改进的一般情形，不存在可可靠判定“自我修改是否为真实改进”的可终止判定门（Moser et al., 2026），这限制了递归自我改进路线的可验证性；其二，对 1,618 个语言模型、13,251 项评分的因子分析显示机器智能仅部分可被共同因子解释（Haznitrama et al., 2026），提示单一“智能总分”会遮蔽能力结构。本文将这两类约束内化为框架设计原则：安全治理维度不可被其他维度抵消，整体成熟度按瓶颈维度聚合。

3 Method

3.1 Problem Formulation

给定一个待评估的 AI 系统 $S$ 与一组可核查证据 E = { e 1 , e 2 , … , e n } E = \{e_1, e_2, \dots, e_n\} E={e1​,e2​,…,en​}（论文报告值、公开基准记录、第三方评测、部署审计记录等），本框架求解两个问题：

1. 成熟度判定：输出 $S$ 的成熟度向量 $\mathbf{m}(S)=(m_C,m_G,m_A,m_R,m_E,m_S)$ 与整体等级 $L(S)$；
2. 投资映射：在产业结构层次 ℓ ∈ { 基础层 , 模型层 , 应用层 } \ell \in \{\text{基础层}, \text{模型层}, \text{应用层}\} ℓ∈{基础层,模型层,应用层} 上，输出阶段性投资逻辑 $\Pi (\ell ,L)$，含核心论点、里程碑指标与证伪条件。

核心定义如下：

m d ( S ) = 1 ∣ E d ∣ ∑ e ∈ E d w ( e ) ⋅ q ( e ) , d ∈ { C , G , A , R , E , S } m_d(S) = \frac{1}{|E_d|} \sum_{e \in E_d} w(e) \cdot q(e), \quad d \in \{C, G, A, R, E, S\} md​(S)=∣Ed​∣1​e∈Ed​∑​w(e)⋅q(e),d∈{C,G,A,R,E,S}

其中 $E_d\subseteq E$ 为维度 $d$ 的证据子集，$q(e)\in [0,1]$ 为单条证据的质量评分（由来源可靠性、任务真实性、评审独立性三项取最小值），$w(e)$ 为归一化权重。整体等级取瓶颈维度：

$$L(S)=\underset{d}{\min }{\ell }_d(m_d(S))$$

其中 ${\ell }_d(\cdot )$ 为维度 $d$ 的分级映射函数。选择 $\min$ 聚合而非加权平均，理由见 3.5 节。

符号表：

符号	含义	取值/说明
$S$	待评估 AI 系统	本文取大语言模型及其智能体封装为默认对象
$E$	可核查证据集合	仅收录可公开验证来源
$q(e)$	单条证据质量	$[0,1]$，三项取最小
$w(e)$	证据权重	归一化，${\sum }_{e\in E_d}w(e)=1$
$m_d$	维度 $d$ 的成熟度得分	$[0,1]$
$L(S)$	整体成熟度等级	AGI-TRL 1–6
$\ell$	产业结构层次	基础层 / 模型层 / 应用层
$\Pi (\ell ,L)$	阶段性投资逻辑	论点、里程碑、证伪条件三元组

3.2 Framework Overview

框架由三个模块串联：证据采集与质量评分 → 六维成熟度评估与分级 → 投资逻辑映射与证伪监控。整体流程如下：

┌────────────────────────────────────────────────────────────────────┐
│                    AGI 技术成熟度与投资逻辑框架                      │
├────────────────────────────────────────────────────────────────────┤
│                                                                    │
│  ┌──────────────┐    ┌──────────────────┐    ┌──────────────────┐  │
│  │ M1 证据层     │    │ M2 成熟度评估层   │    │ M3 投资映射层     │  │
│  │              │    │                  │    │                  │  │
│  │ · 文献报告值  │──▶ │ · 六维打分 m_d   │──▶ │ · 三层产业定位    │  │
│  │ · 公开基准    │    │ · 证据质量加权    │    │ · 阶段性论点      │  │
│  │ · 真实任务评测│    │ · 瓶颈聚合 L(S)  │    │ · 里程碑指标      │  │
│  │ · 部署审计    │    │                  │    │ · 证伪条件        │  │
│  └──────────────┘    └──────────────────┘    └──────────────────┘  │
│          │                     │                       │           │
│          └─────────────────────┴───────────────────────┘           │
│                                │                                   │
│                    ┌───────────────────────┐                       │
│                    │ 反馈回路：证伪监控     │                       │
│                    │ 指标失效 → 重评 m_d   │                       │
│                    │       → 更新 Π        │                       │
│                    └───────────────────────┘                       │
└────────────────────────────────────────────────────────────────────┘

（图 1：框架总览。M1 提供证据，M2 输出成熟度，M3 输出投资逻辑，证伪监控构成闭环。）

3.3 Module Details

3.3.1 六维成熟度模型。 维度定义与证据要求如表 1。

维度	记号	定义	典型证据	已知失效模式
能力性能	$C$	在代表性任务上的绝对表现	公开基准、竞赛结果	基准污染、刷分
泛化	$G$	跨任务、跨模态、跨域的迁移稳定性	跨域评测、分布外测试	单因子解释力不足（Haznitrama et al., 2026）
自主性	$A$	长程任务中对人工监督的依赖程度	智能体长程任务成功率、接管率	任务长度外推失败
可靠性	$R$	输出的一致性、可复核性与故障率	重复试验方差、专家接受度	平均表现掩盖尾部风险
成本效率	$E$	单位能力所需算力、能耗与货币成本	算力趋势、算法效率倍增记录	成本外推依赖硬件与算法双假设
安全治理	$S$	可控性、可审计性与合规性	红队评测、审计报告、治理制度	自我改进的可判定性受限（Moser et al., 2026）

（表 1：六维成熟度模型。）

3.3.2 成熟度等级 AGI-TRL。 参考工程领域的技术成熟度思路，定义六级：

等级	名称	判定要点	证据形态
L1	概念验证	单一代表性任务出现通用能力迹象	受控演示（如 Bubeck et al., 2023）
L2	基准达标	公开基准高分，但真实任务未达专家接受度	基准评测 + 反例评测
L3	领域泛化	多个专业域内稳定迁移，失效可预测	跨域评测矩阵
L4	长程自主	长程多步任务低接管率运行	智能体长程任务审计
L5	经济可靠	真实任务达到专家接受度且单位成本低于人工	部署审计 + 成本核算
L6	通用自主	全任务域、全自主、可控可审计	需 $S$ 维度同时达标

（表 2：AGI-TRL 分级。）

3.3.3 投资逻辑映射。 成熟度等级决定资本应投向“供给曲线”“采用曲线”还是“现金流与治理”，如表 3。

层次 $\ell$	早期（L1–L2）	中期（L3–L4）	后期（L5–L6）
基础层	算力、芯片、能源供给扩张	推理成本下降与利用率	容量过剩风险、折旧与电价敏感性
模型层	训练配方与数据资产	领域适配与可靠性工程	差异化收敛、监管与合规成本
应用层	垂直场景试点与验证	工作流集成与分发	替代人工的现金流兑现

（表 3：成熟度阶段 × 产业层次的投资逻辑。）

每格给出一个“论点—里程碑—证伪条件”三元组 $\Pi (\ell ,L)$。例：应用层中期论点为“长程智能体进入生产工作流”，里程碑指标为真实任务专家接受率，证伪条件为连续两个评估周期接受率无提升。

3.3.4 论点—证伪指标绑定。 每条投资论点必须绑定指标 $f$，满足：可观测、有明确失效阈值、有固定复评周期。常见论点的证伪指标示例：

投资论点	证伪指标	失效条件示例
算力持续是最稀缺资源	训练算力翻倍周期	周期显著拉长且算法效率无法补足
能力随算力可外推	损失—能力外推残差	残差连续超阈值
智能体可替代知识工作	真实任务专家接受率	达不到接受阈值（Brueckner et al., 2026 型结果）
自我改进加速能力增长	可验证改进次数占比	无可靠判定门（Moser et al., 2026）

（表 4：论点—证伪指标绑定示例。）

3.4 Training / Inference（评估协议）

本框架不含模型训练，其“推理”即评估流程，共五步：

1. 证据采集：按表 1 的六维收集可核查证据，禁止使用无法追溯来源的数据；
2. 质量评分：对每条证据计算 $q(e)$，三项取最小：来源可靠性、任务真实性、评审独立性；
3. 维度打分：按 3.1 节公式计算 $m_d$；
4. 保守分级：取瓶颈维度得到 $L(S)$，同时输出完整向量 $\mathbf{m}(S)$ 供复核；
5. 投资映射与监控：按表 3、表 4 生成 $\Pi (\ell ,L)$，进入固定周期的证伪复评。

3.5 Complexity or Theoretical Properties

评估复杂度。 设维度数 $|D|=6$，每维证据数上限 $k$，则单次评估的时间复杂度为 $O(|D|\cdot k)$，瓶颈在证据获取而非计算。

保守聚合的性质。 令 $\bar{L}={\sum }_d{\alpha }_d{\ell }_d(m_d)$ 为加权平均分级，则必有 $L(S)={\min }_d{\ell }_d(m_d)\le \bar{L}$。即瓶颈聚合给出整体成熟度的下界，宁可低估、不许高估。对投资决策而言，低估的代价是错失部分收益，高估的代价是在未验证能力上配置资本；两者的下行风险不对称，故取下界。

安全维度不可抵消。 由 Moser et al. (2026) 的一般性结论，自我改进路线不存在可靠的通用“改进判定门”，因此 $S$ 维度不允许被 $C$、$G$ 等维度的高分抵消：$L(S)$ 对 $m_S$ 单调不减。这为“能力很快、治理滞后”的系统设置了硬约束。

证据质量下界。 由于 $q(e)$ 取三项最小值，任何来源不可靠或评审不独立的证据都不能抬高维度得分，这使刷分行为在形式上无法提升 $L(S)$。

4 Experiments

本节为基于可核实文献证据的案例分析。本文不训练新模型、不运行新基准，所有数值均来自公开文献并标注来源；凡文献未报告的数值一律标记 [实验数据待填] 或留空，不作估计。

4.1 Experimental Setup（分析设计）

证据来源。 选取 2017–2026 年间可公开核查的 12 篇文献作为证据池（见 References），覆盖定义分级、规模化规律、真实任务评测、经济建模四类。

分析对象。 以“大语言模型及其智能体封装”作为典型系统 $S$，因其是当前讨论 AGI 与投资的共同焦点。

评估维度与指标。 沿用表 1 的六维；指标采用文献报告值，包括训练算力翻倍周期、算法效率改进倍数、真实任务专家接受度、跨模型因子分析结论等。

假设。 （1）文献报告值在各自实验条件下成立；（2）跨文献数值不做横向换算，只作定性方向判断；（3）未公开的部署数据不进入证据池。

4.2 Main Results（成熟度评估案例）

按 3.4 节流程对当前典型系统评估，结果如表 5。等级判定为作者基于文献证据的判断，标注为判定而非测量值。

维度	关键证据（来源）	得分区间（判定）	等级（判定）
$C$	跨域能力广度演示（Bubeck et al., 2023）；基准高分普遍	高	L2–L3
$G$	通用智能因子仅部分成立（Haznitrama et al., 2026）	中	L2
$A$	真实长程任务未达专家接受阈值（Brueckner et al., 2026）	中低	L2
$R$	真实任务评审分歧存在（Brueckner et al., 2026）	中低	L2
$E$	算力约 6 个月翻倍（Sevilla et al., 2022）；效率数年降一个数量级（Hernandez & Brown, 2020）	高	L3
$S$	自我改进判定无通用可靠门（Moser et al., 2026）	低	L1–L2
整体 $L(S)$	瓶颈聚合 ${\min }_d$	—	L2（瓶颈：$A$、$R$、$S$）

（表 5：当前典型系统的成熟度评估案例。得分为作者依据文献证据的定性判定，非实验测量值。）

结论一：按瓶颈聚合，当前系统整体处于 L2（基准达标、真实任务未稳），而非由 $C$、$E$ 的高分推高的 L3 以上。结论二：$E$ 维度的高分意味着“能力供给曲线”仍然陡峭，这支持基础层中期逻辑，但不支持应用层后期逻辑。

补充参考：AI 在科研场景中的规模化使用研究（Codreanu et al., 2026）报告了自报生产率提升，属 $E$ 维度的宏观佐证；但自报数据的证据质量 $q(e)$ 按 3.4 节规则应打折，不足以单独抬升 $A$ 或 $R$。

4.3 Ablation Study（聚合规则对照）

为检验聚合规则的影响，对照两种方案（判定均为作者推演，无新数据）：

聚合规则	整体等级	资本含义	风险
加权平均 $\bar{L}$	L2–L3 之间	倾向中期（L3–L4）论点	以 $C$、$E$ 高分掩盖 $A$、$S$ 短板
瓶颈聚合 ${\min }_d$	L2	倾向早期（L1–L2）论点	可能低估，但下行受控

（表 6：聚合规则对照。）

对照显示：加权平均会把“基准强、治理弱”的系统推向中期投资逻辑，恰好复现“技术叙事跑在证据前面”的历史误配模式；瓶颈聚合牺牲部分上行收益换取下行可控。此结论为框架性质的推演，定量幅度留待后续工作。

4.4 Analysis

定性分析。 能力证据的效度差距是成熟度判定的关键变量：公开基准高分与真实任务接受度之间的落差（Brueckner et al., 2026）解释了为何 $C$ 与 $A$、$R$ 必须分维。规模化规律（Kaplan et al., 2020; Hoffmann et al., 2022）解释了 $E$ 维度的高分，但外推到“通用能力”需要跨维度假设，本框架将其显式化为证伪条件。

效率分析。 供给侧算力翻倍周期（Sevilla et al., 2022）与算法效率改进（Hernandez & Brown, 2020）共同决定能力成本曲线。历史上算法效率的改进速度超过硬件摩尔律贡献，这意味着投资逻辑若只押注算力硬件而忽视算法与数据资产，会错配风险敞口。

失败案例。 常见失败模式有三类：（1）以基准分数推断真实任务替代（被 $A$、$R$ 维度证伪）；（2）以单一“智能总分”掩盖能力结构（被因子分析证伪，Haznitrama et al., 2026）；（3）以自我改进叙事替代可验证改进记录（被一般性判定限制证伪，Moser et al., 2026）。

4.5 Limitations

其一，本文为框架与文献证据型分析，不含新实验，表 5、表 6 的等级判定为作者判断，需后续以标准化评测协议复核。其二，证据池限于公开文献，头部实验室的内部评测与部署数据缺失，可能系统性低估实际成熟度。其三，经济侧缺少可比的单位任务成本与投资回报数据，表 3 的阶段性论点尚不能给出量化收益预测，相关单元格应以 [实验数据待填] 处理。其四，六维权重与分级映射函数 ${\ell }_d(\cdot )$ 的具体参数依赖专家设定，敏感性分析留待后续工作。

5 Discussion

成因解释。 技术判断与投资判断脱节的根源在于证据粒度不匹配：研究评测报告“平均分”，投资决策关心“尾部风险与现金流”；研究结论描述“存在性”（某能力出现），投资结论需要“可靠性”（该能力可稳定兑现）。本框架用六维分解把存在性证据与可靠性证据分开，再用瓶颈聚合处理尾部风险，使两类判断可以在同一张表上对齐。

适用边界。 本框架适用于以通用能力系统为标的的评估与投资分析，尤其是基础层、模型层、应用层三层结构下的阶段性决策。对于纯基础设施（如能源、土建）或与通用能力无关的垂直软件，六维模型的 $G$、$A$ 维度区分度下降，应谨慎套用。此外，框架输出是分级与论点，不是买卖建议；具体估值与仓位需结合财务模型，本文不提供。

伦理与社会影响。 成熟度判定直接影响资本流向与公共预期：高估成熟度会催生就业替代预期与泡沫，低估则可能延缓对安全与治理的必要投入。本框架将安全治理设为不可抵消维度，即从流程上保证“治理滞后即整体不升级”，以对冲能力叙事对公共决策的绑架。同时，本文遵循证据可核查原则：所有数值标注来源，不使用无法验证的内部数据。

6 Conclusion

本文提出 AGI 技术成熟度与投资逻辑联合框架：以六维成熟度向量刻画能力、泛化、自主性、可靠性、成本效率与安全治理，以瓶颈维度聚合给出保守分级，并将分级映射到基础层、模型层、应用层的阶段性投资逻辑与证伪指标。基于可核实文献证据的分析表明：当前典型系统的公开基准表现与真实任务专家接受度之间存在差距，按瓶颈聚合整体处于 L2，资本逻辑应偏早期而非中期；算力与算法效率的持续进步支持基础层投入，但不构成应用层“替代兑现”的证据。本文未引入新实验数据，等级判定为基于文献的判断，需标准化评测复核。

未来工作具体如下：（1）制定公开的六维评测协议并发布可复现的成熟度记分卡；（2）收集单位任务成本与投资回报数据，填充表 3 的量化单元格；（3）对分级映射 ${\ell }_d(\cdot )$ 做参数敏感性与跨领域迁移分析；（4）将证伪监控接入持续评测流水线，实现投资论点的自动失效预警。

References

1. Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2023). Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv:2311.02462.（ICML 2024）
2. Feng, T., Jin, C., Liu, J., Zhu, K., Tu, H., Cheng, Z., Lin, G., & You, J. (2024). How Far Are We From AGI: Are LLMs All We Need? arXiv:2405.10313.
3. Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., Nori, H., Palangi, H., Ribeiro, M. T., & Zhang, Y. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv:2303.12712.
4. Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361.
5. Hoffmann, J., Borgeaud, S., Mensch, A., et al. (2022). Training Compute-Optimal Large Language Models. arXiv:2203.15556.
6. Sevilla, J., Heim, L., Ho, A., Besiroglu, T., Hobbhahn, M., & Villalobos, P. (2022). Compute Trends Across Three Eras of Machine Learning. arXiv:2202.05924.
7. Hernandez, D., & Brown, T. B. (2020). Measuring the Algorithmic Efficiency of Neural Networks. arXiv:2005.04305.
8. Grace, K., Salvatier, J., Dafoe, A., Zhang, B., & Evans, O. (2017). When Will AI Exceed Human Performance? Evidence from AI Experts. arXiv:1705.08807.（Journal of Artificial Intelligence Research）
9. Erdil, E., Potlogea, A., Besiroglu, T., Roldan, E., Ho, A., Sevilla, J., Barnett, M., Vrzla, M., & Sandler, R. (2025). GATE: An Integrated Assessment Model for AI Automation. arXiv:2503.04941.
10. Moser, B. B., Frolov, S., Nauen, T. C., Raue, F., & Dengel, A. (2026). The Self-Improvement Problem. arXiv:2610.21646.
11. Brueckner, A. M., Patel, D., He, Y., & Kassis, T. (2026). K-Bench: measuring model performance on real scientific agent requests. arXiv:2608.21601.
12. Haznitrama, F. G., Azizy, A. H., & Ardi, F. R. (2026). Large-scale factor analysis shows machine intelligence is only partially interpretable. arXiv:2609.36515.
13. Codreanu, Imas, Mateos-Garcia, Emmens, Muiruri, Turrell, Jacobs, Kasirzadeh, Trisovic, Chen, Rodchenko, Pollard, Strand, Rock, Iscenko, Curto Millet, Thompson, Manyika (2026). AI in Science: Early Insights. arXiv:2609.28504.（作者名单以文献页为准，完整名单此处无法核实全部拼写）
14. Gondauri, D. (2025). Gauging Growth: AGI Mathematical Metrics for Economic Progress. arXiv:2506.03156.

Appendix

A.1 证据质量评分细则。 $q(e)=\min (r_{\text{source}},r_{\text{task}},r_{\text{review}})$，三项分别评估：来源可靠性（是否可公开核查、是否经同行评审）、任务真实性（实验室基准 / 真实部署任务）、评审独立性（作者自评 / 第三方评审）。三项均取 $[0,1]$。

A.2 分级映射函数的默认设定。 ${\ell }_d(m_d)$ 默认按等宽区间映射：$[0,0.2)\to 1$，$[0.2,0.4)\to 2$，依此类推至 6 级。具体参数为工程约定而非经验估计，可由专家组调整；调整时须记录版本并报告敏感性。

A.3 投资尽调清单（可执行版）。

1. 该标的的核心论点属于表 3 的哪一格？
2. 对应的里程碑指标是什么？数据来源是否可核查？
3. 证伪条件是否明确？复评周期多长？
4. 证据池中是否混入 $q(e)$ 过低的证据？是否已按最小值规则处理？
5. 若按瓶颈聚合，当前 $L(S)$ 是否支持该论点所处阶段？

A.4 常见论点的证伪记录模板。

论点	首次提出时间	绑定指标	最近一次复评结果	状态（存活/失效）
（示例行，数据待填）	[实验数据待填]	[指标名称]	[实验数据待填]	[实验数据待填]

（表 7：证伪记录模板；单元格数值需由实际尽调填入，本文不预置。）