问题——通用人工智能已接近“可用”，但距离真正“通用”仍有关键缺口；哈萨比斯接受媒体采访时指出，当前所谓通用人工智能系统还难与人类智能匹敌，主要体现在三上：其一，多数系统部署前完成训练，运行中很难像人类一样在真实环境里持续吸收经验、修正策略并适应新情境；其二，虽具备一定短期推演能力，但对跨越多年尺度的长期规划仍显不足；其三，能力表现存在波动和断层，可能在高难度任务上表现亮眼，却在提问方式变化或基础问题上出错，难以形成稳定、可靠的“通用能力”。 原因——技术路径与现实约束叠加，使“会做题”与“能做事”之间仍有落差。一上，现阶段主流系统以离线训练为主，模型更新往往依赖再训练或迭代发布，难以像人类一样日常工作与生活中持续积累知识并形成稳健技能；另一上，长期规划不仅需要持续感知环境并获取反馈，还涉及目标分解、资源约束、风险评估与跨阶段校正，这对系统的记忆机制、因果推理与自我纠错能力提出更高要求。同时，能力不稳定也与数据分布差异、表述变化带来的泛化难题有关：在特定评测中取得高分，并不等同于在开放世界中长期稳定输出高质量结果。 影响——行业预期需要降温与校准，应用扩张更要守住可靠性底线。哈萨比斯的表态在一定程度上为市场与公众提供了参照：通用人工智能不是靠单点突破就能实现，而需要系统性能力的长期积累与融合。对产业界而言，这意味着在医疗、金融、交通、科研等高风险领域推进应用时，必须更重视稳定性、可解释性与安全边界，避免把局部能力当作整体智能。对科研与工程团队而言，未来竞争焦点可能从单纯追求基准成绩，转向“真实场景中的持续表现”，包括长期任务执行、跨场景迁移、错误自检与人机协同能力。 对策——以持续学习、长期规划与稳健评测为抓手，推动技术、管理与治理合力推进。业内普遍认为，补齐短板需要多路径并进：在技术层面，探索更适合在线环境的学习机制，使系统能在可控、安全的条件下从新数据与反馈中迭代，同时强化长期记忆与任务分解能力，提升跨时间尺度的规划与执行；在工程层面，完善面向真实业务的评测体系与压力测试，建立覆盖数据、模型、部署与监控的全流程质量控制，降低“偶发正确”带来的风险；在治理层面，高风险应用需强化审查、可追溯与责任界定，推动形成与技术演进相匹配的安全规范与行业标准，确保新能力在可控范围内落地。 前景——未来五到十年或是关键窗口期，但从“实验室能力”走向“社会化能力”仍需跨越多重门槛。哈萨比斯此前判断，真正意义的通用人工智能可能在五到十年内出现。结合当前发展态势，基础模型能力提升以及算力、数据、算法的协同进步仍将持续，但决定“通用”成色的关键，或在于能否实现稳定可靠的持续学习、面向复杂现实的长期规划，并在开放环境中保持一致的能力表现。另外，随着系统在科研与产业中的角色加深，社会对其安全性、合规性与可控性的要求也会同步提高，技术突破与治理能力建设需要并行推进。
哈萨比斯对通用人工智能瓶颈的坦诚分析，既呈现了此领域的真实进展，也指向了下一步的发力方向。持续学习、长期规划与能力稳定性的突破，是通用人工智能从理论走向现实的关键。解决这些难题，不仅依赖算法与算力的进步，也需要对智能机制更深入的理解。科学界保持理性与务实，有助于引导产业稳健发展，减少过度炒作与不切实际的期待。