若不是 token 有限额，我真觉得 GPT5.5/OPUS4.6 加上相对成熟的 Harness 基本已是 AGI 了

[viskem]

因为不了解 LLM 本质，也刚摸索 Agent 小半年，我感觉：

无限的知识挖掘与总结 x 无限的自动化工程优化 x 无限学习、计划、执行、总结 LOOP ，

然后其中夹在一些你身为“老父亲”直觉性大道理。

我觉得它真能永动搞出点啥名堂……

当然，它受限于互联网知识是肯定的，大家怎么看？

看不少朋友说瓶颈在于 Agent 记忆，以及上下文有限。

我想了想，人类神经上下文也许并不见得就有多高。

反而，除了突破大规模上下文，还有个突破口也许是 [高效的记忆串联] ，以及 [高效的瞬时记忆碎片重塑] 。

也就是相对优秀的 Harness ，或者我认为已经不该叫Harness，暂且取个名叫： [Heuristic System] 。

记忆存储本身无非是海量数据，这一点 SSD 和内存运行本身不是问题。

但优秀的架构，还是有很高的上限以及个性。

[inyfee]

感觉目前的瓶颈就是记忆系统。各家也都在搞。

[wsseo]

我觉得八字还没一撇

[Ulduar]

我觉得上下文管理还很初级
除非能出一个系统 自动全局设计架构 自动开 subAgent 自动注入合适的上下文去完成子模块

[viskem]

@Ulduar 是的，其实这也就是相对优秀的 Harness ，然而架构优秀这件事本身还有很高上限。

[nc]

在 Anthropic 工作就能体验到 AGI ，Mythos 不限 token 随便用，claude -p 可以玩出很多花样，比如 Bun 的重构。

[viskem]

@nc 人与人之间差距真的太大了 T_T...

[ntdll]

现在限制 AI 的，其实不是 token 有限，而是上下文有限和注意力有限，compact 也好，记忆系统也罢，本质上就是给不够用的上下文擦屁股，而简单的增加上下文会快速的拉爆显存，导致边际效用递减。

也就是说，如果有朝一日，能解决不大幅提升成本的情况下，大幅提高上下文大小（且注意力不分散），这就算一个大的里程碑了。

[sillydaddy]

目前已有的理解能力，再加上缺失的持续学习，就是 AGI 了。持续学习是 AGI 缺失的一块拼图。
持续学习的关键是什么呢？ LLM 的上下文已经够大了，但是把上下文当做记忆，总感觉不太对劲。

LLM 的一整个权重，可以看作是一个具大的无状态的函数，类似于函数式编程中的纯函数，里面完全没有任何状态，我们知道，纯函数编程的一个别扭之处是，它的效率很低——最近我用 Cavalry 这个动效制作软件就深有体会，它是纯函数，没有状态，相比之下，Origami Studio 就可以保有状态，后者要比前者方便不少——LLM 把所有的状态，都存放在上下文里面。这种函数与状态分离的模式，会不会就是它效率很低的原因呢？不知道，只是瞎猜的。

[cnrting]

更像是编程助手和网页分析总结工具

[vone]

国内部分模型通过蒸馏 Anthropic 和 OpenAI 的模型提升性能，但是其模型性能只能逼近 Anthropic 和 OpenAI 但很难超越。
同理，可推断出如果目前的技术路线只是对人类知识的蒸馏，那他应该永远无法达到 AGI 。

[FreshOldMan]

@nc #5 这么牛，你在 Anthropic ？？

[lucifer9]

就冲你发的这个节点
就说明你内心其实还是不认为是 agi 的