我们在 AI 发展上达到了一个转折点。曾经承诺越来越强大模型的扩展法则正显示出递减回报。GPT-5、Claude 和 Gemini 代表了非凡的成就，但它们正在达到暴力扩展无法解决的渐近线。通往人工通用智能的道路不是通过训练越来越大的语言模型——而是通过构建工程系统，将模型、记忆、上下文和确定性工作流组合成大于其部分的总和。
让我直言：AGI 是一个工程问题，而不是模型训练问题。
平台期的现实
当前一代大型语言模型已经撞上了一道墙，这对任何每天使用它们的人来说都变得越来越明显。它们是令人印象深刻的模式匹配器和文本生成器，但它们在根本上受到以下限制：无法维持跨会话的连贯上下文、缺乏持久记忆、以及使它们对复杂多步推理不可靠的随机性。
我们以前看过这部电影。每个技术浪潮都遵循相同的轨迹：初始突破、快速扩展，然后是递减边际收益的递增成本。半导体行业在 2000 年代早期撞上了这道墙，当时时钟速度扩展变得不可能。当时的解决方案不是通过暴力强制更快的处理器——而是通过多核设计从根本上重新思考架构。
AI 正处于同样的转折点。 我们需要停止问”如何让模型更大？“并开始问”如何让系统更智能？“
AGI 的系统方法
人脑不是单一的神经网络——它是专门化系统协同工作的集合：记忆形成、上下文管理、逻辑推理、空间导航、语言处理。每个系统都 evolved specific purposes，并以复杂的反馈循环异步运行。
真正的 AGI 需要我们工程化类似的系统。这就是我们实际需要构建的：
1. 作为基础设施的上下文管理
当前模型的注意力跨度以千 tokens 计。人类的上下文跨度跨越多年的生活经验。差距不仅是量化的——它是质的。我们需要上下文管理系统，能够：
- 按需检索和过滤相关信息 使用复杂的检索系统
- 维护连贯的世界模型 这些模型跨会话持久存在，并随新信息演变
- 桥接不同专业知识领域之间的上下文 gap
- 处理冲突信息 使用概率加权和不确定性量化
这需要超越简单的向量相似性搜索，去构建可实时更新、查询和推理的操作知识图谱。我们在 Context Engineering 的工作为这些系统提供了基础。
2. 作为服务的记忆
LLM 没有记忆——它们通过 elaborate methods 来伪造记忆，如提示工程和 context stuffing。真正的 AGI 需要记忆系统，能够：
- 当被新证据反驳时更新信念
- 将信息整合 跨多个体验到一般原则中
- 忘记不相关的细节 而不会灾难性遗忘
- 生成关于存储信息可靠性和来源的元知识
这不仅仅是数据库持久性——这是构建像人类记忆一样演变的记忆系统：随使用而强化，随不使用而衰减，并基于新理解重新组织。来自软件系统的架构模式向我们展示了如何设计此类演进结构。
3. 具有概率组件的确定性工作流
AGI 的真正突破将来自构建确定性框架，可以在适当时纳入概率组件。把它想象成像构建编译器：总体流程是刚性且可预测的，但各个步骤可以使用启发式和概率优化。
我们需要能够：
- 将问题路由 到基于问题特征的专业求解器
- 执行多步工作流 具有回滚和恢复能力
- 通过确定性检查验证输出 在接收概率结果之前
- 以可预测的方式组合能力 同时保持随机生成的好处
我们在关于确定性 vs. 概率系统的研究演示了如何有效地构建这些混合架构。关键见解是不确定性应该是系统设计中的头等概念，而不是我们试图消除的东西。
4. 作为模块化组件的专业模型
未来不是一个模型统治所有——而是成百上千个专业模型在编排的工作流中协同工作。语言模型在语言任务中仍然出色，但它们在以下方面表现糟糕：
- 符号操作 和精确计算
- 视觉-空间推理 超越基本模式匹配
- 时间推理 和规划复杂序列
- 有意图的代理行为 具有持久目标
与其等待一个突破使语言模型擅长所有事情，我们应该构建能够：
- 将问题路由 到针对特定领域优化的模型（thinking in agents演示了这种方法）
- 组合不同模型类型的输出 成连贯的解决方案
- 维护兼容性 同时允许各个组件独立演变
- 优雅地处理失败 当个别模型表现不佳时
工程挑战
这让我们得出核心见解：构建 AGI 是一个分布式系统问题，而不是机器学习问题。 我们被欺骗认为因为数据中心规模的训练集群是分布式系统，我们已经在进行系统工程。没有什么比这更远离真相了。
真正的工程挑战是构建：
- 容错管道 其中组件失败不会级联成系统失败
- 监控和可观测性 系统，能够检测模型输出何时漂移或变得不可靠
- 部署系统 允许滚动更新而不破坏现有集成
- 测试框架 能够跨数千个模型和参数组合验证系统行为
这是需要几十年分布式系统经验的工程挑战类型，而不仅仅是机器学习专业知识。解决方案将来自理解如何在硬件、软件和 AI 模型的交叉点构建可靠、可扩展系统的基础设施工程师。
我们应该构建什么
当其他所有人都专注于扩展下一个模型时，我们应该构建使通用智能成为可能的基础设施。这是我的路线图：
第一阶段：基础层
- 上下文管理服务：持久的、可查询的、版本化的知识图谱，具有实时更新
- 记忆服务 具有学习巩固模式的具象和语义记忆系统
- 工作流引擎 具有回滚能力的概率组件确定性编排
- 代理协调层 具有协商共识和冲突解决的多代理系统
第二阶段：能力层
- 专业模型控制 针对特定推理域微调的模型，具有标准化接口
- 符号推理引擎 可与概率组件配合的精确计算和符号操作能力
- 规划和目标管理 能够将复杂目标分解为可执行子计划的系统
- 跨模态集成 将感官输入（文本、视觉、音频）组合成统一表示的系统
第三阶段：涌现层
这是真正的 AGI 涌现的地方——来自所有这些组件精心架构设计下的协同工作，而不是来自任何单一的突破性模型。系统的能力将通过从细致架构设计中涌现的特性超过其各个部分。
前进的道路
通往 AGI 的道路不是通过训练更大的 transformer——而是通过构建分布式系统，能够编排数百个专业模型，跨会话维护连贯上下文，围绕概率组件执行确定性工作流，并提供生产规模下的容错操作。
这本质上是工程工作，需要数十年的构建可靠分布式系统的经验，而不仅仅是机器学习专业知识。突破将来自理解如何在 AI 模型交叉点构建上下文路径、记忆系统、工作流编排和模型规模化协调的基础设施工程师。
通向 AGI 的竞赛不是由拥有最大 GPU 集群的团队赢得的——而是由懂得如何构建可靠、工程化的 AI 系统、能够实际跨领域推理同时保持一致行为的团队赢得的。
我们现有的模型已经足够。缺失的部分是将它们变成通用智能的系统工程。
我们一直问错了问题。不是”我们如何达到下一个模型突破？“而是”我们如何构建使通用智能与现有模型不可避免的架构？”
答案是系统工程。AGI 的未来是架构的，而不是算法的。