هیچ واژه‌ای در این حوزه به اندازه‌ی AGI هم وعده داده و هم ابهام ایجاد کرده است: در یک گفتگو یعنی «ربات‌ها همه‌ی شغل‌ها را می‌گیرند»، در جلسه‌ی هیئت‌مدیره یعنی «هدف سه‌ساله‌ی ما»، و در مقاله‌ی علمی یعنی چیزی که هنوز تعریف مشترکش را نداریم. برای کاربری که باید امروز تصمیم بگیرد — چه یاد بگیرد، چه سرمایه‌گذاری کند، چه محصولی بسازد — این ابهام خطرناک است. این مطلب سه کار می‌کند: تعریف‌های جدی را مرتب می‌کند، وضعیت واقعی فعلی را نسبت به هر تعریف می‌سنجد، و نشانه‌های قابل مشاهده را می‌دهد تا خودتان بسنجید.
AGI در مقابل هوش مصنوعی امروزی: تفاوت در «عمومی بودن»
مدل‌های امروزی، هرچقدر هم چشمگیر، در بنیاد «محدودِ-متنوع»اند: در طیف گسترده‌ای از کارها خوب‌اند اما در هر کار، از یک انسان متخصص آن حوزه ضعیف‌ترند و در شرایط خاص — داده‌ی ناقص، محیط جدید، مأموریت طولانی — به‌شکلی شکننده می‌شکنند. AGI در تعریف استاندارد، سیستمی است که در «همه‌ی» کارهای شناختیِ از نظر اقتصادی ارزشمند، هم‌سطح یا فراتر از انسان عمل کند: نه فقط نوشتن و کدنویسی، بلکه یادگیری سریع کارهای کاملاً جدید، تعمیم به محیط‌های دیده‌نشده و خودگردانی پایدار در مأموریت‌های طولانی.
همین «همه» و «هم‌سطح» است که مسئله‌ساز می‌شود: برای هیچ سیستم فعلی صادق نیست؛ و برای تعریف دقیقش، هیچ اجماعی بین آزمایشگاه‌ها نیست. وقتی شرکتی اعلام می‌کند «به AGI رسیده‌ایم»، یعنی «تعریفِ ما را پر کرده‌ایم» — و تعریف‌ها فرق دارند: از «اقتصادِ بسیاری از کارهای شناختی را خودکار می‌کند» تا «هر کار شناختی انسان» و حتی «فوق‌هوش» — سیستمی که از بهترین انسان در همه‌چیز جلوتر است، مفهومی متفاوت به نام Superintelligence.
AGI یک نقطه‌ی مشخص در افق نیست؛ طیفی است که هر آزمایشگاه از جای متفاوتی رویش خط کشیده است.
کجا ایستاده‌ایم؟ نگاه بدون هیجان
پیشرفت‌های سه سال اخیر واقعی‌اند و نباید کم‌شمردیم: مدل‌های استدلالی که در مسائل سختِ ریاضی و کدنویسی به سطح متخصص‌های برتر رسیده‌اند؛ عامل‌هایی که مأموریت‌های چندساعته را با ابزارها اجرا می‌کنند؛ چندوجهی‌شدن که دیدن و شنیدن را افزود. اما فاصله با تعریف کامل AGI هم واقعی است: خودگردانی طولانی مدت هنوز شکننده است — عامل‌ها در مأموریت‌های چندروزه هنوز گم می‌شوند؛ تعمیم به محیط‌های کاملاً جدید، نقطه‌ضعف شناخته‌شده است؛ و یادگیری مستمر از تجربه — انسان هر روز از دیروز بهتر می‌شود، مدل‌ها تا نسخه‌ی بعد نه — هنوز حل نشده است. جمع‌بندی منصفانه: در کارهای بسته و قابل‌ارزیابی به سطح برتر انسان رسیده‌ایم؛ در باز بودنِ دنیا و پایداریِ خودگردانی، فاصله باقی است.
چرا تعریف این‌قدر مهم است؟
به نظر فلسفی نمی‌آید، اما سه پیامد عملی مستقیم دارد. اول، وعده‌های بازار: هر محصولی که «AGI» را می‌فروشد، دارد از ابهام تعریف سوءاستفاده می‌کند؛ با پرسیدن «کدام تعریف؟ کدام معیار سنجش؟» بیشترِ ادعاها فیلتر می‌شوند. دوم، ایمنی: اگر به سیستم‌های خودگردانِ عمومی نزدیک می‌شویم، سؤال هم‌راستایی — که ساخت آن در مرحله‌ی RLHF توضیح داده شده — از دغدغه‌ی پژوهشی به الزام محصولی تبدیل می‌شود؛ زمان‌بندی این آماده‌سازی به تعریف وابسته است. سوم، برنامه‌ریزی فردی و سازمانی: اینکه «کدام مهارت‌ها در کدام افق ارزشمند می‌مانند» به سرعتِ رسیدن به خودگردانی وابسته است؛ و پاسخ صادقانه‌ی این سؤال هنوز طیفی است، نه تاریخی قطعی.
نشانه‌های مسیر: چه چیزی را تماشا کنیم؟
به‌جای پیش‌بینی تاریخ، شاخص‌های قابل‌مشاهده را دنبال کنید: طول خودگردانی — مأموریت‌های چندروزه‌ی بدون‌نظارت که به‌طور قابل‌اتکا کامل می‌شوند؛ امروز سقف‌ها ساعت‌هاست، نه روزها. یادگیری از تجربه: مدل‌هایی که بدون بازآموزیِ کامل، از شکست‌های اجرا درس می‌گیرند. تعمیم واقعی: عملکرد قوی در کارهایی که در داده‌ی آموزش عملاً نبوده‌اند. اقتصاد واقعی: سهم معنادارِ خودکارشده از کارهای شناختی سازمان‌ها — این شاخص، صادق‌ترین‌هاست چون پول پشتش است. هر کدام از این‌ها که جابه‌جا شود، بدانید مرز جابه‌جا شده است.
جمع‌بندی
AGI سیستمی است که در همه‌ی کارهای شناختی ارزشمند، هم‌سطح انسان کار کند؛ تعریفش بین آزمایشگاه‌ها اختلافی است و همین ابهام، هم وعده‌ها را آسان می‌کند هم سنجیدنش را. وضعیت فعلی را منصفانه این‌طور خلاصه کنیم: به سطح برتر انسان در کارهای بسته رسیده‌ایم، در خودگردانی پایدار و تعمیم باز هنوز نه. برای تصمیم‌های امروز، به تعریف‌ها اکتفا نکنید؛ شاخص‌ها را دنبال کنید و ابزارهای موجود را با کار واقعی خودتان بسنجید — همین امروز با حساب رایگان ماین‌دبیس، مرز «الان چه ممکن است» را با تجربه‌ی خودتان مشخص کنید، نه با تیترها.