Why Jensen Huang Is Wrong Abo…

Jensen Huang is wrong: today’s AI is impressive, but it is not AGI.

His own words expose the problem. On Lex Fridman’s podcast, Huang said, “I think we’ve achieved AGI,” then minutes later admitted that “the probability that 100,000 of those agents build NVIDIA is zero percent.” That is not a trivial nuance. It is a direct acknowledgment that the system he called AGI cannot sustain a complex organization, cannot carry responsibility across time, and cannot reliably perform open-ended work at scale. A model that can briefly produce a viral app is useful. A system that deserves the label AGI must do far more than impress in a demo.

第一個論點：Huang 對 AGI 的門檻太低

第一個問題很簡單：他把一個狹窄的成功案例，包裝成一般智能。AI 會寫程式、寫文案、協助產品上線，這些都很有價值，但它們證明的是工具能力，不是一般性智能。Huang 舉的例子如果只是「AI 能做出一個熱門 app、創造收入、然後消失」，那更像是高效自動化流程，不是能跨情境學習、推理、調整目標的 AGI。

把標準拉回嚴肅定義，差距就很清楚。《Artificial Intelligence: A Modern Approach》把 AGI 描述為能「理解、學習並執行人類能執行的任何智力任務」的系統；OpenAI 的公開說法則是「在大多數經濟上有價值的工作中超越人類的高度自主系統」。對照今天的模型，這些門檻都還沒被跨過。它們是能力很廣的窄型系統，不是能自主處理任務全貌的通用智能。

第二個論點：失敗模式仍然太多，且太核心

如果 AGI 已經到來，我們就不會還把 hallucination、脆弱推理、長鏈條規劃失敗，當成產品的主要風險。事實正好相反，這些問題至今仍是日常。模型可以通過考試、摘要大量文本、在熟悉範式下寫出像樣的程式碼，但一碰到因果推理、長期記憶、真實世界約束與一致性決策，表現就迅速下滑。這不是邊角問題，而是核心能力缺口。

產業界和研究界其實都看得很清楚。Yann LeCun 一再強調，單靠擴大大型語言模型不會自然長出人類級智能，還需要 world models；Gary Marcus 也長期主張，LLM 距離 AGI 還非常遠。連 Satya Nadella 都說，我們「甚至還沒接近」。爭論的焦點不是 AI 有沒有用，而是能不能把「很有用」誤認成「已經通用」。把能在幾分鐘內討好使用者的系統叫做 AGI，就像把計算機叫成數學家，因為它算得比人快。

反方可能怎麼說

最強的反方論點是：AGI 本來就不是一個清楚、固定的標準。人類自己也不是什麼完美的「通用智能」；我們有偏見、有限、依賴工具，而且高度專門化。從這個角度看，一個能寫作、能編碼、能搜尋、能摘要、能跨任務推理的系統，已經「夠通用」了。若硬要它像科幻作品中的全知機器，反而會錯過真正的里程碑。

另一個反方主張更務實：市場不在乎哲學定義，只在乎能不能做事。如果模型已經能在很多經濟價值高的工作上替代人力，那企業就會把它當成 AGI 來部署，政策與勞動市場也會跟著改變。既然影響是真實的，名稱上的爭論似乎就不重要。

但這個說法最後還是站不住腳，因為術語會直接影響風險判斷。若把 AGI 一路下修到「非常好用的軟體」，這個詞就失去辨識重大技術轉折的功能，只剩宣傳效果。商業自動化的門檻，和人工通用智能不是同一件事。兩者混在一起，只會抬高期待、掩蓋限制，最後讓產品、投資與政策都建立在錯誤前提上。今天的 AI 的確會改變世界，但這不等於它已經是 AGI。

你能做什麼

如果你是工程師、PM 或創辦人，請停止把 AGI 當成行銷捷徑，改用能力導向的語言：它能做什麼、在哪裡失敗、幻覺率多高、需要多少人工覆核。產品設計上，優先追求可驗證的可靠性，而不是模糊的通用性；決策上，把今天的模型視為強大但有邊界的系統，預留監督、驗證與回滾機制。真正成熟的做法，不是爭論 AGI 到底到了沒，而是按「它還沒到」來設計。