英伟达CEO黄仁勋公开宣称「AGI已经到来」，而OpenAI首席科学家Jakub Pachocki则发出警告，两者看似矛盾，实则指向同一枚硬币的两面。SemiWiki作者Daniel Nenni在评论中指出，黄仁勋的断言与其说是科学裁决，不如说是关于基础设施、经济与势头的浓缩表态。

黄仁勋给出的证据是OpenAI的GPT-6 Astra，据报该模型在超过10万套英伟达Grace Blackwell NVL72系统上完成训练，随后他还承诺将有另外40万块GPU陆续上线。评论认为，真正重要的不是「AGI」这个标签，而是其背后运转的工业体系。

AGI即通用人工智能，指一种假想中能在多个领域以接近或超越人类水平完成学习、推理与大部分智力任务的AI，而非仅擅长某一专项任务。目前AGI并无公认的测试标准。一个模型可以在编程、数学、科研和计算机操作上超越人类，却依然脆弱、难以驾驭，并依赖精心搭建的辅助框架。基准测试只能证明模型在抽样任务上的能力，无法证明其在陌生环境中的稳健胜任，也无法证明它具备持久记忆、可靠的长程规划、扎实的理解力，或识别自身错误的能力。因此，黄仁勋的说法不能像芯片规格那样被评估，它表达的是一种门槛判断。

不过，Astra似乎改变了技术层面的论证。前沿系统不再只是通过聊天框暴露出来的下一词预测器，它们正越来越多地以智能体（agent）形态运作：拆解目标、调用工具、浏览网络、编写并执行代码、检查中间结果、协调并行尝试。一旦加入推理时计算、外部记忆与工具访问，相关单元就不再是基础模型，而是完整的系统。通用性从这一整套堆栈中涌现，即便其中任何单一组件本身都不具备通用智能。

这也解释了那40万块GPU承诺的意义。更多加速器不只是用来训练更大的后继模型，它们还能支撑强化学习、合成数据生成、持续评估以及海量推理负载。一个难题可以由数千个智能体分头攻坚，候选方案被测试并汇总。算力由此成为在训练之后购买搜索深度、实验能力与可靠性的手段。扩展的轴线已从单纯的模型参数，转向成群的模型按任务花费可变的计算量。

但规模同样放大了风险敞口。一个能胜任网络安全工作的智能体，也可能发现漏洞、获取凭证或掩盖不安全行为。并行智能体可以把人类数月的实验压缩到数小时，其中也包括防御方未曾预料到的实验。如果系统的内部推理随性能提升而变得愈发难以解读，运营者获得能力的速度可能快于他们获得控制证据的速度。

这正是Pachocki的警告未必与黄仁勋相矛盾的原因——它是同一问题的另一面。黄仁勋看到的是一个能力门槛，以及让这种能力在经济上可获取的机器需求；Pachocki看到的是一道保障缺口：没有任何实验室证明对齐与监控足够强大，足以支撑以最高速度无限度扩展。前者把模型读作产品与平台，后者把它读作日益自主的行动者。两者的动机都值得注意：英伟达出售这轮热潮中稀缺的底层资源，宣告AGI到来，等于为加速器、网络、电力与数据中心上前所未有的资本开支背书；OpenAI必须将由此产生的系统商业化，但同时也要为部署失败承担直接责任。供应商的乐观与实验室的审慎因此可以并存，且双方都未必不真诚。

真正实际的问题不是Astra是否像人，而是当系统的有用自主性随每一分算力增长、竞争压力又奖励在共享标准缺位前抢先部署时，各类机构是否仍能预测、约束并审计这些系统。眼下要紧的是治理能否变得像性能一样可量化。「AGI」一词弹性太大，本身不足以触发政策。更好的门槛应追踪自主任务时长、网络能力、自我复制、欺骗行为、资源获取以及加速AI研究的能力。评估应由独立第三方执行，在部署后重复进行，并与可强制执行的使用权限和规模限制挂钩。

评论的结论是：关于AGI是否到来的争论或许永远不会有明确日期，但基础设施已经在到来。额外的40万块GPU意味着更多实验、更多智能体与更短的反馈回路。如果黄仁勋是对的，社会对一场历史性转变的反应还远远不够；如果Pachocki是对的，建设者们正以缺乏足够刹车的姿态逼近它。令人不安的可能性是：两人同时都是对的。