實驗室執行長的時間表比學界更樂觀，會不會是因為他們有商業誘因要誇大進展？
這是一個合理的懷疑角度，但完整的圖像比單純的「利益驅動誇大」更複雜。實驗室執行長確實掌握學界研究者通常看不到的內部資訊——例如尚未公開發布的模型能力、內部研發流程實際的加速幅度——這些資訊本身可能真實地支持較樂觀的判斷，而不完全是誇大。同時，商業誘因確實存在：更激進的時間表有助於募資、吸引人才、維持市場敘事，這個利益結構本身也值得讀者納入考量。
比較嚴謹的態度，是把「這個人掌握了我看不到的資訊」跟「這個人有誘因誇大」兩件事分開來看，而不是用其中一個理由直接否定另一個的存在——實務上，這兩個因素很可能同時在起作用，讀者不需要選擇只相信其中一種解釋。
如果連學界內部都對「規模化能不能通往 AGI」有根本分歧，這代表算力規模化這個技術現象本身有問題嗎？
不完全是。算力規模化作為一個經驗觀察——放大算力、資料、參數量，模型能力沿可預測曲線提升——本身有相對紮實的實證支持，這不是分歧的焦點。真正的分歧在於一個更進一步、目前無法用現有證據直接驗證的推論：「這條曲線持續延伸下去，最終會不會通往具備人類水準通用智能的系統」。
懷疑論者的立場，通常不是否認規模化過去帶來的能力提升是真實的，而是主張「規模化能持續帶來能力提升」跟「規模化能帶來 AGI」之間，存在一個尚未被證明的推論跳躍——換句話說，這是一個關於「曲線會不會在某個地方轉彎或碰到天花板」的預測分歧，而不是對過去已經觀察到的曲線本身有異議。
「遞迴自我改進」聽起來像是能無限加速的機制，為什麼會有人認為算力瓶頸能限制住它？
遞迴自我改進的樂觀敘事，核心假設是：AI 系統能協助加速 AI 研發本身，形成一個正向回饋循環，速度會越來越快。但這個敘事裡容易被忽略的一環是，AI 研發不是只需要「聰明的人力」（或現在等同的「聰明的 AI 研究助手」），還需要實際的運算資源去跑實驗、驗證假設、訓練新模型——而算力的物理供應（晶片產能、資料中心建置速度、電力供應）不會因為研發人力（不論人類或 AI）變充裕，就自動跟著等比例增加。
悲觀情境論點指出的正是這個結構性限制：當人力端的瓶頸被 AI 自動化解除後，算力端反而會變成更明顯的限制因素——這也是為什麼理解 AGI 時間表辯論，沒辦法脫離算力規模化跟算力治理這兩個更基礎的物理與政策現實：算力本身能不能持續增長、增長速度有多快，直接決定了遞迴自我改進這個加速器實際能發揮多大效果。
「廣泛時間表」這個建議聽起來像是逃避表態，這真的是一個有用的建議嗎？
表面上看確實容易被誤解成迴避立場，但這個建議背後有具體的認識論邏輯：當面對的是持續存在、而且沒有隨著新證據出現而收斂的專家分歧時，堅持只押注在單一時間點，反而是一種認知上的過度自信——因為這代表你相信自己已經掌握了足以裁定這場長期分歧的關鍵資訊，但目前沒有證據顯示任何一方掌握了這種決定性資訊。
實務上，「廣泛時間表」不代表什麼都不做或拒絕思考，而是建議具體的決策（例如職涯規劃、投資配置、政策倡議的急迫程度）應該對一個涵蓋數年到數十年的時間範圍都保有一定的因應能力，而不是把資源全部押在「AGI 一定會在某個特定年份出現」或「AGI 一定要等到很久以後」這兩種極端假設的其中一種上——這比選邊站更誠實地反映了目前證據本身能支持的確定程度。
如果你在 2023 年問一群發表過頂尖 AI 論文的研究者「高階機器智能」何時會出現，中位數答案是 2047 年；2024 年再問一次同一批人，中位數答案跳到 2040 年——短短一年蒸發了七年。但這個看似穩定收斂的中位數，其實掩蓋了一個更值得注意的事實：這批研究者裡有 10% 認為 2027 年前就會發生，另外 10% 認為要等到 2100 年之後才會發生。當同樣在頂尖期刊發表論文、參加同樣研討會、使用同樣架構的專家，對同一個問題的答案能差到 73 年，這代表的已經不是「對時間點有分歧」，而是「對智能本身是什麼、目前這條技術路徑是不是走在對的方向上」有根本性的分歧。
目前公開發表最積極時間表的，多半是正在經營前沿 AI 實驗室的人。Anthropic 執行長 Dario Amodei 在 2026 年世界經濟論壇達沃斯年會上表示，AGI 很可能在幾年內、甚至最快 2027 年就會到來，他把程式撰寫自動化與 AI 研究的自我回饋循環，列為主要的加速動力。這種樂觀時間表並非個案：根據一份追蹤 2023 到 2026 年間各方 AGI 時間表變化的視覺化整理，2025 到 2026 年間更新過預測的人裡，幾乎所有人都把時間表往前推進，而不是往後延——這跟前一年（2023、2024 年）的普遍趨勢一致。
另一端的懷疑者，論點通常不是「AGI 永遠不會出現」，而是「目前主流的技術路徑（持續擴大現有 Transformer 架構的規模）本身就到不了 AGI，除非出現根本性的研究突破」。這批研究者的時間表壓縮幅度，明顯小於實驗室執行長，原因正是他們不認同「持續規模化就是通往 AGI 的道路」這個前提。這代表雙方的分歧，不是同一份證據下的機率判斷差異，而是對「應該把哪些證據算進來」這件事本身，就有不同的立場。
即使在傾向樂觀時間表的陣營內部，對於「遞迴自我改進」（AI 協助加速 AI 研發）這個關鍵加速器能帶來多大效果，也存在明顯分歧。一種被稱為「悲觀情境」的論點指出：就算某個實驗室真的做到用 AI 自動化幾乎所有研發人力，算力（用來跑實驗、訓練模型的運算資源）本身仍然是一個難以繞過的硬瓶頸——當人力變得相對充裕，算力反而會變成更嚴重的限制因素，讓進展速度慢下來，而不是像遞迴自我改進的樂觀敘事所暗示的那樣持續加速。這也是為什麼理解 AGI 時間表辯論，很難脫離算力規模化跟算力治理這兩個更基礎的技術與政策現實。
對於試圖根據 AGI 時間表來規劃投資、職涯或政策立場的讀者而言，最誠實的結論可能不是選邊站，而是承認這是一個目前沒有穩定答案的問題。有研究者提出的「廣泛時間表」（broad timelines）論點認為，面對這種持續存在、而且沒有隨著證據累積而收斂的專家分歧，正確的認知策略不是去猜哪一派「才是對的」，而是承認自己應該對一個很寬的時間範圍都保持相當程度的信心配置，而不是押注在某個特定年份。這也是為什麼地緣政治競爭會被部分分析者視為時間表本身的加速因子而非單純的背景變數——當美中兩國的前沿實驗室都不願意單方面暫停開發速度，安全研究與對齊工作被迫讓位給「不要落後」這個更急迫的優先順序，這個動態本身，可能比任何單一預測模型，更直接地影響 AGI 實際到來的時間點。