TL;DR：
当前通用人工智能（AGI）面临的最大瓶颈并非算力或单一推理能力，而是缺乏人类般持续学习和适应新情境的能力。这使得AI短期内难以全面取代白领工作，但一旦此技术障碍被突破，未来十年内AI将能像人类一样在工作中积累经验，引发难以估量的经济与社会变革，重塑产业与劳动力结构。
在对通用人工智能（AGI）的狂热预期与冷静审视之间，一道深刻的哲学与技术鸿沟正在显现。尽管大语言模型（LLM）已展现出惊人的语言处理和初步推理能力，但资深AI实践者的亲身经验却揭示了一个核心症结：模型缺乏人类那种在实际工作中持续学习、反思和优化的能力。这一“持续学习”的短板，正成为AGI从实验室走向大规模商业落地，并全面重塑白领工作流的最大阻碍，也预示着智能革命将比多数人预想的来得更慢，却也可能在十年内比任何人想象的更快地爆发。
AGI进程中的“萨克斯悖论”：持续学习的致命短板
当前的LLM，其能力边界如同“开箱即用”的工具，虽能高效完成特定、封闭的任务——例如重写转录稿或整理访谈素材1。然而，其核心症结在于无法像人类那样通过实践持续进步和积累经验。作者生动地将其比喻为“教人吹萨克斯”：如果每次学生出错都要打断，写下详细错误分析，让下一个学生阅读笔记后再尝试，而不能在试错中自主调整优化，这注定是行不通的。同样，无论提示词如何精妙，也无法让LLM仅靠文字描述学会这种动态、上下文相关的“萨克斯”技艺。
这种“萨克斯悖论”揭示了人类智能的本质：构建语境、反思失误、并在实操中持续优化细节的能力，而非仅仅是原始智力或对大量数据的记忆。虽然强化学习微调（RL fine-tuning）等技术存在，但LLM仍缺乏人类学习的主动适应性。一位优秀的编辑之所以出色，在于其能自主发现观众偏好、理解作者兴奋点、并优化日常流程，而这绝非通过为每个子任务定制强化学习环境所能达成的。因此，即便AI发展停滞，其对白领岗位替代的比例也将远低于25%，而非如某些乐观者所言的“未来五年全面自动化”1。缺乏持续学习，AI采集再多数据也难以成为真正的“员工”，因为其无法真正地构建上下文并进行经验积累。
从自动化到自主化：AI Agent的进化路径与数据鸿沟
除了持续学习的困境，AI智能体在计算机操作能力上的突破也面临巨大挑战。尽管有研究员预言，到2025年末将出现能够自主完成报税等复杂任务的可靠计算机操作智能体——即能够自主翻阅邮件、处理订单、追索发票、并最终提交表格的系统，但实际落地远比想象中困难。
核心挑战在于：任务时长增加导致的执行链延长，以及计算机操作多模态数据的先天不足1。过去的模型扩展受益于海量互联网文本数据，但操作智能体所需的图像、视频、UI交互等模态数据远未达到同等规模。正如Mechanize所言，这好比用1980年的文本数据训练今天的GPT-4，即便有算力也无济于事1。虽然理论上强化学习微调或模型自创模拟UI训练可能提供解决方案，但从GPT-4到类似o1这样能解决可验证数学编码题的模型尚需两年，更何况是数据更匮乏、模态更复杂的计算机操作难题，其难度被普遍低估。
当前的计算机操作智能体，其能力水平如同GPT-2时代，缺乏预训练数据，需要在稀疏奖励下通过陌生操作指令进行长周期优化。这意味着在未来1-2年内，我们可能会看到惊艳但尚不实用的Demo，而真正能够处理复杂、端到端、长周期计算机操作项目的智能体，可能要到2028年才能实现，例如能像称职总经理一样处理小企业税务的AI1。
“觉醒”的推理能力：微观智能与宏观瓶颈
然而，对AI的悲观论调也需避免矫枉过正。当我们审视顶尖模型如o3或Gemini 2.5的思考轨迹时，不难发现它们确实展现出了惊人的推理能力。它们能拆解问题、揣摩用户需求、进行内心独白，甚至发现方向错误后立即调整1。这种体验让人不禁感叹：“它竟真的做到了！”这种“婴儿级通用智能”的觉醒，是当前AI最令人振奋的成就之一。
给Claude Code模糊需求，它能在十分钟内零样本生成可用程序，这种“机器竟能思考推演给出聪明答案”的震撼体验，足以证明我们正在见证智能机器的诞生。然而，这种微观层面的智能觉醒，与宏观层面的持续学习和泛化能力之间，仍存在一个巨大的瓶颈，构成了当前AI发展的核心矛盾。
十年决战：算力红利、算法迭代与产业重构
尽管短期内面临挑战，但对未来十年，尤其在持续学习能力突破之后，业界普遍抱持乐观态度。一旦AI能够像人类白领一样在工作中自主学习（例如AI视频剪辑师半年后能深刻理解个人偏好和观众喜好），其价值将呈断层式跃升1。更具颠覆性的是，这些具备在线学习能力的AI，其学习成果能在所有副本之间同步和整合，相当于单个AI同步学习全球所有岗位的经验，这将使其迅速蜕变为超级智能，无需纯粹的“软件奇点”即可引爆广泛部署的智能革命。
这种乐观预测并非空穴来风，因为从GPT-1到GPT-4，仅仅用了四年，而要在未来七年内找到模型在职学习方案，也并非痴人说梦。然而，这场智能革命的成败，很大程度上将决定于本十年。过去十年AI的进步得益于前沿系统训练算力年增四倍，但无论是芯片、电力还是训练消耗占GDP的比例，这种增长模式在2030年后将必然终止1。这意味着，如果在这十年内无法突破持续学习等关键算法瓶颈，深度学习范式的低垂果实终将被摘尽，AGI出现的年现概率将急剧下跌。届时，全球AI产业的竞争格局和商业版图将彻底重塑，甚至可能引发软件开发行业人才需求的重构，初级工程师岗位面临被智能体替代的风险2。
深远影响：人类工作范式的演进与AI伦理的再审视
如果AI的持续学习能力和计算机操作智能体在未来十年内取得突破，这将不仅是技术层面的胜利，更是对人类社会结构、工作方式乃至文明进程的深层变革。白领工作将不再是AI难以触及的“禁区”，而是会经历一场从效率提升到范式重构的剧变。届时，人类将更多地从事需要创造性、批判性思维、复杂情感理解和跨领域整合的工作，而重复性、规则性的劳动将更多地由AI完成。
这种变革也必然带来深刻的伦理挑战。如何确保AI学习的公平性、消除偏见？当AI能够自主在工作中学习并做出决策时，其责任边界又在哪里？我们必须提前思考并制定相应的治理策略。从MIT Technology Review的权威深度到Wired的哲学思辨，再到TechCrunch的商业敏锐，多维度洞察提醒我们，即便当前AI存在局限，也应为即将到来的“真正疯狂的时代”做好准备。这场十年之内的“决战”，将定义我们与智能机器共存的未来。