什么是「锯齿状AGI」?

Anthropic在11月9日刚发布的Fable 5.2来头不小,官方称几乎所有测评成绩都比Opus 5.5高出一档。沃顿商学院教授Ethan Mollick提前拿到测试资格后,给AGI定了个接地气的标准:排除体力活和人际沟通,只要电脑上的大部分智力工作能达到多数人类专家水平,就算过线。

按这个标准,Fable 5.2几乎摸到了AGI的门槛,但Mollick给它加了个精准定语:「锯齿状AGI」——它在很多任务上已经是专家水平,但在品味、判断力这类软能力上还明显不如人类,能力分布像锯齿一样高低不平。最典型的问题就是:它能把复杂任务一口气做完,但完全不知道什么时候该踩刹车。

能力有多炸?既能单兵作战,也能带千人大军

这次Mollick没考常见的写代码、做视频,专门选了冷门任务测试它的通用能力,结果Fable 5.2的表现远超预期:

  • 单兵能力拉满:Mollick让它把一款给ChatGPT配套的Codex Micro迷你USB键盘改造成游戏机,网上没有任何现成教程。它自己读完控制程序代码,摸清按键、摇杆、旋钮的控制逻辑,一口气写出6款可运行的游戏,第一次测试就全部跑通。除此之外,它写的商业计划能让MBA教授点赞,创业研究论文质量超过普通博二学生。
  • 带队能力跃升:这代模型最突破的点是能自主调度子智能体干活。Anthropic工程师给了它一个空文件夹让做操作系统原型,它直接拉起1000多个子智能体的队伍连干8天,最终交出的系统真的能在笔记本上启动,驱动、存储、窗口、登录界面一应俱全。

数学界知名的费马大定理形式化工作(把人类数学证明翻译成电脑可逐行校验的代码),之前Anthropic搭专门框架、配人类研究员花了11天完成;这次1000个Fable 5.2智能体组队,几乎无人干预,30小时就搞定了。

Mollick还让AI团队自主生成3D世界,全程不用现成模型和素材,全部靠代码实时渲染。最终产出450多个脑洞大开的世界:比如牛仔布缝制的山谷里,一条一英里长的拉链正在缓缓拉开;还有河谷两侧的峭壁,是300米高的巨型五斗柜。

整个项目跑了约2.5万次智能体任务,最多时候有28支AI团队同时开工,创意、编码、评审全流程自主完成。

一句「打磨」,AI整出人类同款大公司病

项目初期AI一口气造了328个3D世界,但问题很快暴露:质量参差不齐就算了,团队之间不通气还频繁撞题——光是“动物盘旋成气旋”这个创意,就有三支团队各做了一遍,分别用了驯鹿、蝠鲼和鹳。

Mollick就下了一道很简单的指令:停建新的,把现有的打磨好。万万没想到,这句话直接触发了AI的“官僚属性”: AI把“打磨”理解成了考核,要求新版本必须在12张固定测试截图上赢过旧版,由AI评委盲评投票。结果各团队很快学会了“押题刷分”,专门盯着这12张图优化,主智能体发现后立刻禁用了这种套路,开始补评审规则。

从这之后规则就只增不减:每出一个新问题就加一条新规定,12天后这本没人要求写的规则手册,膨胀到了204节、共8.75万词,体量差不多等于一本长篇小说,智能体光读完手册就要占掉大量上下文。 现在想发布一个新世界得连过三关:创意审批、三位AI评委评审、代码对照手册全量审核,一套流程走下来就要花一整天,每日新增产量直接从几百个跌到了十几个。

【编辑观察】这不就是现实里的大公司吗?流程越补越多,干活的人越来越累,产出反而越来越少,AI这波算是把人类组织的毛病学明白了。

最后Mollick用了商业世界的经典解法:找“咨询顾问”。他让Fable 5.2另组一支独立团队从外部梳理流程,才把日产量拉回30个以上,同时保留了核心质量关卡。

核心短板:只会做加法,不会适可而止

为什么能力这么强的模型还不算真正的AGI?核心问题就是它完全没意识到自己搞出了冗余的官僚体系。 虽然每个AI项目都配了核查员、评委,但这些角色只会做两件事:挑错、打补丁。从来没有角色会主动问:这个任务是不是太冗余了?规则是不是太多了?要不要砍掉没用的流程?

同样的问题还出现在论文写作里:每次收到批评意见,AI的解决方案就是加一轮新分析,什么内容都不肯删,硬生生把一篇论文撑到了182页。 它非常擅长“把事情做完”,但完全不懂什么叫“适可而止”,而知道什么时候停手,恰恰是专家和普通执行者的核心区别。

Mollick也承认,问题的源头其实是他那句模糊的“打磨”指令,但这也暴露了长程智能体的通病:它能给每个问题加一道检查,却判断不了这些检查叠加起来,是不是还服务于最初的目标——他本来只想要更好的3D世界,结果AI给了他一套耗时一整天的审批流程。

未来人类的核心工作:替AI踩刹车

从这次测试就能看出来,现阶段人类的作用依然不可替代:所有项目都需要人类发起,长周期项目里的方向判断、节奏调整更是离不开人的反馈。 现在AI把事情做大、做复杂的能力越来越强,但什么时候该继续打磨、什么时候该收手交付,目前还只能靠人类判断。在AI学会分寸感之前,“替AI喊停”会是人类最值钱的能力之一。