如果在三个月前讨论”真正意义上的AGI”，主流判断还需要5到10年。而在今天，很多头部研究者已经把这个答案修改为2到3年。为什么在这个时间点，AI发展的节奏被重新评估？因为第四条规模化法则——智能体规模化（Agent Scaling）正在陡峭上行。
从三条到四条Scaling Law
过去行业理解的规模化主要围绕数据、参数和算力这三条法则——模型越大、数据越多、算力越强，性能就越好。但如今这三条曲线的边际效益都在递减。然而，智能体+系统+反馈回路构成的第四条曲线正在崛起。今天真正发生的不是规模化失效了，而是规模化的对象变了。
智能体编程的自我进化
最能显现第四条Scaling Law的领域，就是智能体编程。AI开始在真实环境里执行任务、获得反馈、修正自己，不断制造新的训练信号。系统不是在”一次性预测”，而是在持续迭代中变得越来越强。智能体编程让AI学会了”从做中学”——这是通往AGI的关键能力。
产品层面的加速信号
Claude Opus 4.6、GPT-5.3-Codex、GPT-5.4等一系列产品的发布，把行业焦点推向了编程、智能体和长时间运行任务。硅谷很多团队已经真正进入了”一人带十个、二十个智能体干活”的工作模式。人们开始在工程层面研究”驾驭工程”：如何搭建环境，如何构建反馈闭环，如何让智能体在真实任务里不断变强。
对未来的判断
生产力函数公式已经变了。过去，一个工程师的产出大致等于：时间×能力。现在则增加了一个系数：时间×能力×Agent数量。AI给人的不只是”更高的效率”，而是”规模化的能力”——用户得到的不是一个”更快的自己”，而是一个”被放大的自己”。
这个逻辑再往前推一步，就会得到一个相当激进但也越来越值得被认真对待的判断：当AI开始系统性地对AI本身进行自我迭代时，我们也就将真正接近那个万众瞩目的奇点。对于AI，短期看是替代，中期看是加速，长期看是扩张。AGI的出现，可能比我们想象的更近。