2026 年伊始，DeepLearning.AI 创始人、斯坦福大学兼职教授吴恩达（Andrew Ng）在年度通讯《The Batch》新年特刊中提出关键问题：“2026 年会是我们最终实现 AGI 的一年吗？”他并未止步于设问，而是推出一套新评估框架——“Turing-AGI Test”（图灵-AGI 测试），以更务实的方式衡量 AI 是否真正具备通用智能。
Turing-AGI 测试：以“工作能力”为核心标准
该测试要求被试者（AI 或人类）在一台配备浏览器、Zoom 等常用软件并可联网的电脑前，完成数天真实工作体验。例如，先接受客服岗位培训，再接听真实客户来电，并全程接受动态反馈。若 AI 能如熟练人类员工般稳定执行任务，则视为通过。
吴恩达强调，“工作”是理解 AGI 的核心关键词——普通人所期待的 AGI，是能胜任大多数知识工作的系统。但当前部分企业宣称的“AGI 进展”，实则基于远低于此标准的狭义指标，导致认知错位与实践风险：有高中生因误判技术成熟度而放弃学科深耕；有 CEO 基于不切实际预期做出重大投资决策。
突破传统测试局限
吴恩达指出，经典图灵测试侧重“欺骗能力”，即让裁判无法分辨机器与人类。但历史表明，模拟打字错误等非智能行为反而更易“蒙混过关”。而当前 AI 发展的核心目标是创造具有经济价值的工作系统，因此，评估“能否做事”比“能否伪装”更具现实意义。
此外，主流 AI 基准测试（如 GPQA、AIME、SWE-bench）均依赖固定题库，模型可通过针对性调优提升分数，无法真实反映通用性。Turing-AGI 测试则由裁判自主设计任务场景，内容不提前披露，更接近真实世界对适应性、鲁棒性与持续学习能力的要求。
警惕炒作泡沫，回归建设主线
吴恩达提醒，过去数十年中，过度乐观的预期曾引发多轮“AI 寒冬”。当前 AI 虽处于强劲上升轨道，但资本狂热可能催生泡沫。Crunchbase 数据显示，2025 年全球 AI 领域融资达 2023 亿美元，同比激增 75%；高盛预计 2026 年 AI 资本支出将升至 5270 亿美元。
与此同时，MIT Media Lab 2025 年 8 月报告指出，企业在生成式 AI 上投入 300–400 亿美元，但 95% 的组织尚未获得任何实质性回报。OpenAI CEO 山姆·奥特曼亦公开表示，投资者整体上对 AI 过度兴奋。
吴恩达认为，若 Turing-AGI 测试竞赛中所有 AI 均未通过，反而是利好——有助于降温炒作、降低泡沫风险，为长期可持续投资铺平道路；而一旦有系统真正通关，则意味着其已超越营销概念，具备真实商业与社会价值。
六位专家展望 2026：开放、科学、教育、行动、医疗与连接
开源生态：开放才是稳定之基
IBM 研究院 AI 模型副总裁大卫・考克斯（David Cox）主张“真正的开源 AI”应不被任何单一实体控制，不绑定特定公司价值观。他类比 1990 年代 Linux 挑战微软的历史，批评当前部分“开放模型”虽发布权重，却隐瞒训练数据、限制商用收入，本质仍是封闭策略。
他强调地缘政治下模型易遭数据投毒，透明协作开发是解方。IBM 在斯坦福 AI 透明度指数中以 95% 排名第一。其观点落脚于务实：AI 不必惊艳，但需稳定可信。“让 AI 在 2026 年变得更开放、更怪异，也有一点更无聊。”
科学发现：从模仿到探索稀有模式
普林斯顿大学 Vertaix 实验室创始人阿吉・布索・迪恩（Adji Bousso Dieng）指出，当前深度学习主导范式“插值”擅长复现常见模式，却在罕见样本上失效。而物理与生物科学的重大挑战——如设计全新蛋白质、发现高效固碳材料——本质是“发现问题”，答案恰恰隐于分布边缘。
她呼吁将“多样性”提升为核心优化目标，而非次要评估项。唯有如此，AI 才能从人类知识的复刻者，进化为知识边界的共同拓展者。
教育变革：检测不如共建
微软首席数据科学家胡安・M・拉维斯塔・费雷斯（Juan M. Lavista Ferres）指出，AI 检测器在实验室表现良好，但现实场景中学生天然具备规避动机与能力。结构性矛盾在于：可检测 AI 内容的系统，同样可用于训练规避该检测的系统。
检测易误伤非英语母语者，且对高阶规避失效。他建议转向真实能力评估：现场考试、口头答辩，并将 AI 工具默认纳入作业设计流程。“精灵已出瓶，无法收回。”教育的关键不是禁止，而是重构。
行动智能：预测之外，更要执行
艾伦人工智能研究所高级研究科学家谭梅・古普塔（Tanmay Gupta）强调，预测模型 ≠ 行动系统。经济中有价值的任务，需在复杂动态环境中持续感知、决策、反馈、迭代。编程领域已见趋势：从代码补全，到能理解需求、检索代码库、运行测试、交付方案的 Agent。
这类目标导向系统需持久记忆、长期专注力、实时响应能力，以及应对模糊性、未知性与未定义任务的韧性——这正是下一阶段 AI 的前沿阵地。
生物医学：多模态需深度整合与可解释
加州大学圣地亚哥分校副教授彭涛・谢（Pengtao Xie）指出，当前生物医学多模态模型（文本、图像、序列联合推理）仍显碎片化、脆弱且难以解释。生物系统本质是多尺度、多视角的，基础模型须实现模态间深度语义融合，而非表面拼接。
可解释性是临床落地前提：医生不仅需要预测结果，更需知悉依据何在、证据来源。2026 年进展不应仅看基准分数，更应衡量其是否真正嵌入科研与诊疗工作流。
人机关系：从“一对一”走向“社群连接”
AMD 企业副总裁莎朗・周（Sharon Zhou）呼吁打破 AI 与用户的单点交互范式。当前互联网正滑向两极：一端充斥低质 AI 内容，另一端则尝试全面屏蔽大模型。她提出第三路径——设计能主动促成人际联结的 AI。
例如，在深夜倾诉人际关系困扰时，AI 可提议接入有相似经历的用户，并以启发式提问活跃对话，助用户自然建立联结、修复认知盲区、获得新视角。“好奇心在共享中加速”，若 AI 天生被设计为“撮合者”，人与技术皆可获益。
吴恩达在公开信结尾写道：“新年快乐，祝大家在新的一年里有一个美好的建设之旅。”在喧嚣的炒作声中，“建设”二字恰是 2026 年 AI 发展最坚实的主题——属于那些沉心打磨产品、深耕场景、交付真实价值的实践者。
图丨吴恩达（来源：MIT Technology Review）
图丨David Cox（来源：MIT-IBM Watson AI Lab）
图丨Adji Bousso Dieng（来源：Princeton Engineering）
图丨Juan M. Lavista Ferres（来源：Microsoft）
图丨Tanmay Gupta（来源：Medium）
图丨Pengtao Xie（来源：Pengtao Xie）
图丨Sharon Zhou（来源：MIT Technology Review）
