Agent 已经会动手，AGI 还缺哪张证据表？Mollick 与 Marcus 的最新观点

过去 24 小时里，最值得关注的变化不是又出现了一个更高的模型分数，而是「AI 到底能不能被放进真实工作流」这个问题变得更具体了。Ethan Mollick 一边记录 Codex 通过电脑控制完成软件安装、3D 建模和动画制作，一边提醒开放权重模型如果最终占据主导，未必意味着 AI 行业崩塌，价值可能只是从模型实验室转移到算力供应商。临近窗口结束时，他又用一个中文提问观察 Kimi K3 的推理链语言分布。Gary Marcus 则把讨论拉回 AGI 的可交付能力：当前系统离 AGI 仍远，短期预测需要面对具体能力清单，而不是只看演示效果。

本期覆盖北京时间 2026 年 7 月 18 日 08:00 至 7 月 19 日 08:00 的窗口内原创内容。可独立核验、且有足够信息量的素材主要集中在 Mollick 与 Marcus 两位作者，其他追踪账号没有在窗口内提供同等密度的原创长推，因此不为凑覆盖面加入转推或窗口外内容。

Mollick 是宾夕法尼亚大学沃顿商学院教授，长期研究 AI、创新与创业。7 月 18 日 11:20 左右，他分享了一次 Codex 的 computer use 体验：用户只需要提出「我从没用过 Blender，请通过电脑控制下载、安装它，再做一个 3D 水獭并把它变成小动画」的任务，Codex 就能完成这一串动作；在 Windows 端，用户只点击了一次授权安装 Blender。1

这条推文的价值不在水獭这个演示对象，而在任务链的长度。传统代码生成通常把模型交付物定义为一段代码，用户还要自己安装环境、打开软件、确认状态、处理权限，再检查结果。computer use 把这些中间步骤也纳入了模型的责任范围：它得识别界面，调用程序，等待反馈，继续执行，并把动作推进到一个可见产物。

但「只点击一次」同样暴露了边界。Agent 并没有消灭权限系统，关键动作仍需要人确认。真正进入企业工作流后，难点也会从「会不会点按钮」转向权限给到哪一步、失败后能否回滚、软件状态是否可观察，以及最终产物由谁验收。对采购方而言，这比一次漂亮的演示更接近可用性指标：任务能否完整闭环，人工介入发生在哪里，出错成本是否可控。

在另一条原创推文中，Mollick 对「开放权重最终占据主导会导致 AI 崩塌」的说法表示困惑。他的判断是，即使实验室在竞争中失利，也不代表 AI 没有价值，因为算力仍是瓶颈，价值可能由算力提供商捕获，而不是由模型实验室捕获。2

这把争论从「开放还是闭源」换成了更实际的利润分配问题。模型权重越来越容易获得，并不等于训练、推理、部署和持续服务都变得免费。假如能力逐渐商品化，模型层的差异会被价格和可替换性压缩，算力、网络、数据中心和部署工具的议价能力反而会上升。对企业用户来说，开放权重带来的主要变化可能不是「从此没有供应商」，而是供应商锁定的位置发生变化：模型可以替换，算力和工程系统未必容易替换。

这也是为什么「模型更强」不能直接等价于「公司更有护城河」。模型产品需要证明的不只是能力上限，还包括推理成本、稳定性、许可条件和替换成本。开放权重真正冲击的，可能正是实验室把模型能力和商业价值绑定在同一层的方式。

7 月 19 日 07:24，Mollick 又分享了一个更细的观察。他用中文要求 Kimi K3 挑选两首适用于 LLM、且不落入陈词滥调的诗，并指出：即使任务明确要求面向中文读者、讨论中文诗歌，推理链中仍有 95.5% 的字符和 88% 的词是英文。3

这不是一个足以替代正式评测的样本，也不能据此给模型的中文能力排名。但它提出了一个经常被产品界面遮住的问题：用户看到的是中文答案，模型在中间如何组织概念、检索关联和判断语义，却可能遵循另一套语言分布。对普通聊天来说，这未必构成问题；对教育、法律、研究和需要细腻文化语境的工作，输入语言、推理过程和最终表达之间是否一致，就可能影响可解释性和错误定位。

模型评测因此不能只问「它最后答得像不像」。还要问它在不同语言、不同任务和不同约束下，是否保持相近的判断结构。单个提示词不是答案，但它提醒产品团队：用户界面的语言一致，不等于系统内部的任务理解已经一致。

Gary Marcus 是长期质疑生成式 AI 可靠性与 AGI 时间表的 AI 研究者。7 月 18 日 09:08，他回应 Demis Hassabis 对当前系统距离 AGI 仍远的判断，写道：如果只需要再有一两个突破，他会感到意外；如果一个突破都不需要，他会感到震惊。4

半小时后，他又提到自己与 Miles Brundage 在 2024 年底做的一场赌注：双方列出 10 项通常会被期待由真正 AGI 完成的能力，目标时间设在 2027 年底。Marcus 说，赌注已经过半，按他的判断，AI 目前最多只完成其中 1 项，并认为「今年年底出现 AGI」的预测荒谬。5

这里最重要的不是 Marcus 的时间判断是否正确，而是他把讨论从路线口号换成了验收表。一个系统可以在狭窄任务里完成令人印象深刻的操作，同时在迁移、持续学习、长期规划或非预设环境中表现有限。前者足以推动产品发布，后者才决定它是否配得上「通用」这个词。两者混在一起，才会让一次成功演示被误读成能力边界已经消失。

Mollick 的 Codex 案例和 Marcus 的 AGI 怀疑并不矛盾。前者说明 agent 正在从「生成回答」进入「操作软件并交付结果」，后者提醒这种跃迁发生在具体任务里，并不自动证明系统已经获得通用智能。一个更稳妥的判断框架是把两件事分开：先看它能否在真实环境中完成任务，再看这种能力能否跨任务、跨语言、跨环境稳定迁移。

过去一年的 AI 讨论常把演示、分数、模型权重和公司估值放在同一张图里。本期几条原创推文提供了另一种拆法：演示检验行动能力，语言样本检验任务理解，开放权重讨论价值归属，能力清单检验 AGI 时间表。AI 的下一道门槛，可能不是再做出一个更像人的回答，而是让外界知道它究竟在哪些条件下可靠、在哪些条件下仍然需要人接管。