7月28日，东吴证券发布了一份聚焦通用人工智能（AGI）的汽车行业深度研究报告，系统梳理了AGI的定义、衡量标准，并对AGI可能到来的时间节点进行了前瞻性判断。

首先来看AGI的定义。全球机构对其理解大致可归纳为四类锚点：第一类以OpenAI和麦肯锡为代表，偏向经济价值口径，关注AI能创造多少商业回报；第二类由DeepMind倡导，采用能力分级口径，按性能水平分阶段评估；第三类由Chollet/ARC提出，强调技能获取效率，即学习新事物的速度；第四类以LeCun、李飞飞等学者为代表，更看重对世界的理解与具身交互能力。这些定义并无绝对对错，本质上是基于对“智能”的不同侧重点——你更关注结果、能力、学习效率，还是世界模型？

从机构判断来看，AGI的来临并非某一单一时间点，而是如同层层阶梯逐步演进。OpenAI提出的五级路线图，以经济价值和自主程度为主线，从对话者、推理者、智能体，逐步发展到创新者和组织级AI；DeepMind的《Levels of AGI》则采用“性能”和“通用性”两个维度，从L0到L5划分能力层级。相比之下，OpenAI的路线图更直观，便于对应商业化进程；DeepMind的框架则更为审慎，适合学术研究比较。

关于通往AGI的技术路径，主要分歧在于现有范式能否继续外推。激进派认为，规模化扩展、测试时推理、强化学习及智能体系统仍能持续推动进步；审慎派则提醒，当前模型缺乏世界模型、因果推理和稳健泛化能力，可能需要新范式，甚至引入物理具身；务实派更看重应用落地，对时间表持克制态度，不急于下结论。

目前，衡量AGI及其经济价值尚无统一标准。传统基准测试已趋于饱和，而ARC-AGI、METR、GDPval、DeepMind的L0-L5等新标尺，分别从推理能力、任务时长、经济活动性或能力层级进行测量，但行业内仍缺乏权威的评测机构。在经济测算方面，从十年内拉动GDP约1%的保守估计，到每年数万亿美元的增加值，甚至全自动化后的增长爆发，差异主要源于劳动替代比例、应用场景边界和自动化假设的不同。

映射到产业层面，短期可观察到高价值职能的渗透，以及推理、智能体、具身智能等领域的工程化拐点；中长期则需要跟踪测试时计算、强化学习、世界模型、机器人等路径，评估它们能否跨越当前可验证的任务边界。

值得关注的是，数字AI底座模型的发展路径已逐渐清晰，其价值在于确定性，但在物理世界的建模闭环上存在短板。而物理AI恰恰能成为物理世界的AI解决方案。在AI当前发展阶段，物理AI的增量空间更大，其中智能驾驶作为最先跑通闭环的代表场景，值得重点跟踪。

风险提示：技术迭代不及预期的风险；大模型厂商ARR增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。