AGI时间表收窄，制造业该加速AI还是夯实数据底座？|科瑞斯达

当AGI时间表不断提前，制造业真正该加速的不是AI应用的部署速度，而是数据底座的建设密度、系统架构的模块化程度以及组织能力的成熟速度。

一、AGI时间预测为何持续收窄？

2026年5月，Google I/O大会后，DeepMind CEO Demis Hassabis在接受Axios采访时修正了他对AGI（Artificial General Intelligence，通用人工智能）的时间预测。

【图源：网络】

什么是AGI？

简单来说，AGI指的是能够在几乎所有认知任务上达到或超越人类水平的AI系统，与当前只能处理特定任务的"窄AI"（如ChatGPT、图像识别系统）形成对比。

它不仅能写诗、能编程，还能像人类一样在不同领域之间迁移知识、解决从未见过的新问题。

约11个月前，Hassabis的预测窗口是2030年到2035年。2026年5月，这个窗口的下限被提前至2029年，上限仍为2030年——即2029年到2030年。

收窄的理由很具体：智能体（Agent）技术的加速落地。

Hassabis的原话是："We can see agents really happening now and imagine what they will be in another year, and how useful they'll be."（我们现在能看到智能体真正落地了，能想象一年后它们会是什么样子，会有多大用处。）

这不是孤立的个案。

2026年1月的达沃斯论坛上，Anthropic CEO Dario Amodei与Hassabis同台对话时，两人的时间表分歧已经公开化：Amodei认为距离AI系统全面超越人类只有1-2年，Hassabis则认为需要5-10年。

【图源：网络】

但两人对"AI系统构建AI系统"的自我改进循环都给予了高度关注——这个循环是否闭合，将决定时间表是进一步收窄还是重新放宽。

更值得注意的是Hassabis的坦诚：他承认自己的措辞"intentionally provocative"（有意带有挑衅性），目的是引起政策制定者、经济学家和公众对AI安全治理紧迫性的关注。

这意味着，这一时间窗口既反映技术判断，也带有倡导和警示的意图。

二、制造业决策层受到何种冲击？

当AGI时间表收窄的消息传到制造业，它确实正在产生影响——但不是以大多数人想象的方式。

大多数人想象的方式是什么？

一种典型的焦虑链条是这样的：Hassabis说AGI提前到2029年→竞争对手可能用AI重构产线→我们的智能工厂计划太慢了→必须加速上AI质检、AI排产、AI供应链→否则会被淘汰。

这种焦虑在2025-2026年有一个专门的术语：AI FOMO（AI错失恐惧症）。

【图源：网络】

2026年2月，Méndez-Suárez、Ćukušić和Ninčević-Pašalić在《Technology in Society》发表的研究，基于OECD最新工作场所数据，采用fsQCA（fuzzy-set Qualitative Comparative Analysis，模糊集定性比较分析）方法分析了员工对AI的焦虑。

研究表明，感知到AI降低其决策自主权的员工，更可能经历FoMO焦虑。

这种焦虑在组织内部会向上传导，但制造业的组织决策并非其简单放大。

Amodei在2024年的论述中提出了一个关键框架：即便超级智能出现，其效能仍受物理世界速度、数据质量、内在复杂性和人类约束的刚性限制。

2025年他进一步将"强大AI"（powerful AI）的时间线收窄至2026-2027年，但始终强调能力阈值的出现不等于工业渗透的完成，智能能力的跃升不等于物理世界的即时重构。

Deloitte在2024年8月至9月对600家大型制造商的调查印证了这一判断：

【图源：网络】

仅29%的制造商在工厂或网络层面规模采用了AI或机器学习。
仅24%规模部署了生成式AI。

这两个数字揭示了一个基本事实：即使在美国制造业的头部企业中，AI的大规模应用仍然是少数派实践，而非行业标配。

更关键的是投资优先级。当被问及未来两年的投资方向时，制造商的选择是：

1.数据分析：40%

2.云计算：29%

3.AI：29%

4.工业物联网（IIoT）：27%

其2026年《State of AI in the Enterprise》报告进一步显示，员工层面的AI工具接触率与生产环境的实际部署率之间存在显著鸿沟——"接触AI"与"规模化运营"仍是两个不同的阶段。

【图源：网络】

数据底座优先于AI应用，这一投资结构在技术乐观主义持续升温的背景下保持稳定。

Deloitte在报告中将这一逻辑概括为：

"The strategic approach today is less about deploying the latest innovation than it is about investing in and adopting core systems to enable smart manufacturing and operations."（今天的战略重点，与其说是部署最新创新，不如说是投资和采用核心系统，以支撑智能制造和运营。）

2026年的舆论升级，加剧了个体层面的FOMO情绪。但组织层面的数据揭示了一个更复杂的现实：焦虑存在，投资结构却未随之摇摆。

这种"情绪-行动"的脱节，并非偶然抵抗，而是工业周期的结构性特征使然。

三、技术预测与工业周期错配是否重演？

技术预测波动与工业周期错配，不是新现象。

2000年互联网泡沫时期，"dot-com将颠覆一切制造业"的预测同样激烈；

2015年工业4.0概念爆发时，"40-50%的设备需要更换"的喧嚣同样震耳。

但这次确实存在结构性差异，需要正视而非回避。

1.差异一：技术渗透深度不同

互联网对制造业的影响，主要停留在信息传递层——ERP联网、在线采购、电子订单。

而今天的AI，特别是预测性维护、计算机视觉质检、自主排产等应用，直接作用于生产决策过程。

据美国能源部联邦能源管理计划（DOE FEMP）《运维最佳实践指南》，基于状态的监测可实现10倍投资回报，减少70%至75%的故障和35%至45%的停机时间。

【图源：网络】

行业研究也显示，预测性维护已成为全球部署最成熟的制造业AI用例，ML模型分析振动、温度、电流和声学传感器数据，可在故障发生前数小时至数天预测设备失效，典型窗口为48-72小时。

这些不是信息传递工具的改良，而是生产控制逻辑的重构。

2.差异二：AI与物理系统的耦合程度不同

互联网与制造业的耦合是"松耦合"——网络断了，产线可以继续运转。

而AI与OT（运营技术）系统的耦合是"紧耦合"——AI质检系统通过边缘计算层与PLC实时联动，其决策输出直接参与产线控制。

这种紧耦合意味着，AI技术路线的切换将直接触发物理系统的重新认证——而工业设备的安全认证（如SIL、PL等级）与特定软硬件版本绑定，更换即意味着以年计的重新验证周期.

以主流PLC平台为例，从停产公告到官方支持结束，生命周期通常长达10年以上——松耦合允许试错，紧耦合惩罚切换。

【图源：网络】

这不仅意味着AI影响更直接，更意味着技术路线选择的沉没成本极高——在AGI成熟前押注特定技术路线的风险，远大于"等待并构建可接入架构"的保守策略。

3.差异三：自我改进循环的存在

Amodei与Hassabis在达沃斯对话中共同关注的"AI系统构建AI系统"的自我改进循环，在互联网时代不存在。

这意味着技术迭代速度可能显著加快，今天的"领先技术"可能在AGI自我改进后被迅速淘汰——在技术路线未明朗时押注特定方案，一旦押错，纠错的成本和周期将远超以往。

然而，即便制造业希望利用 AGI 加速转型，也必须面对一个悖论：AGI 理论上可以压缩文档编写、培训等技术执行工作，但无法压缩第三方认证和法律合规的周期——后者涉及现场审计、多方博弈和制度惯性，其节奏不因技术能力而大幅改变。

四、领先制造商正在加速什么？

那么，面对这些结构性差异，领先制造商在做什么？

Deloitte的数据给出了清晰的图景：

1.筑基优先于架梁。 57%的制造商已使用云计算，57%已使用数据分析，46%已使用工业物联网——这些数据底座的建设比例，远高于AI的29%。

2.标准化优先于定制化。 45%的制造商采用了架构标准，54%采用了统一数据模型。这意味着他们在构建技术中立的接口层，而非把特定AI技术嵌入产线核心。

3.核心系统优先于最新创新。 78%的制造商将智能制造预算占比提高到20%以上，但投资方向是先进生产排程（35%）、制造执行系统（33%）、质量管理（28%）——这些是工业软件的"老基建"，而非AI的"新应用"。

这些选择的共同逻辑是：不赌AGI何时成熟，而是确保无论AGI何时成熟，工厂都能接入。

五、AGI加速效应的边界何在？

面对"AGI时间表收窄，工厂转型是否该加速"的问题，中高层决策者需要一个经得起追问的回应框架。

以下是一个基于工程逻辑的决策检查清单：

这个框架的核心原则：工厂转型的时间表应由工业资产的物理周期、数据底座的建设周期、组织能力的成熟周期决定，其节奏受AI技术演进影响，但不受AGI预测波动支配。

结语：两个时钟，两种逻辑

AGI时间表在收窄，这是AI行业的事实。

但工厂转型的时间表不能跟着收窄，或者说工厂转型的决策逻辑不应随之波动，这是制造业的结构性格局。

两个时钟，两种逻辑。

理解这个区别，是2026年制造业中高层决策者的核心认知任务。

这意味着决策者应将AGI时间表纳入"情景规划"而非"投资指令"，确保开放架构、统一数据模型和标准化接口的弹性，而非追逐技术的最新版本。

若您正在规划相关方向或有相关咨询需求，欢迎私信交流具体情境，我们愿意分享更多一线观察。

本文核心资料来源：Fried, I. Google DeepMind's Hassabis: AGI is 3 to 4 years away. Axios;Amodei, D. Machines of Loving Grace: How AI Could Transform the World for the Better. Anthropic;Deloitte. 2025 Smart Manufacturing and Operations Survey;U.S. Department of Energy, Federal Energy Management Program. Operations & Maintenance Best Practices Guide (Release 3.0).

关注【科瑞斯达】官方公众号，了解更多前沿资讯及落地经验

分享至：

上一篇: 科瑞斯达|新能源行业为什么更需要IPD？

下一篇: 科瑞斯达|AI越强大，IPD越重要：为什么"生成式效率"反而放大了"决策型浪费"

返回上级