AGI的核心研究问题，是如何定义、衡量并判断通用人工智能何时到来。全球机构对AGI的理解主要落在四类锚点：以OpenAI、麦肯锡为代表的经济价值口径，以DeepMind为代表的能力分级口径，以Chollet/ARC为代表的技能获取效率口径，以及LeCun、李飞飞等更强调世界理解与具身交互的口径。不同定义并非简单对错，而是回答“智能以结果、能力、学习效率还是世界模型为准”的不同问题。
　　从机构判断看，AGI并非一个单一时间点，而更像能力阶梯。OpenAI五级路线图以经济价值和自主程度为主轴，从对话者、推理者、智能体、创新者走向组织级AI；DeepMind《Levels of AGI》则以性能和通用性二维刻画，从L0到L5衡量能力层级。前者直观、便于映射商业化进度，后者更审慎、便于学术比较。
　　围绕通往AGI的路径，分歧集中于现有范式能否外推。激进阵营认为规模化、测试时推理、强化学习和智能体系统可继续推进；审慎阵营提示现有模型缺世界模型、因果和稳健泛化，可能需要新范式甚至物理具身；务实阵营更重应用落地，对时间表保持克制。
　　AGI的衡量与经济价值仍缺统一答案。传统基准趋于饱和，ARC-AGI、METR、GDPval、DeepMind L0-L5等新标尺各自测量推理、任务时长、经济活动或能力层级，但行业尚缺权威评测机构。经济测算方面，从十年拉动GDP约1%的保守估计，到每年数万亿美元增加值乃至全自动化后的增长爆发，差异主要来自劳动替代比例、用例边界和自动化假设不同。
　　产业映射上，短期更可观察的是高价值职能渗透和推理、智能体、具身智能等工程化拐点；中长期需跟踪测试时计算、强化学习、世界模型、机器人等路径能否跨越当前可验证任务边界。
　　我们认为,数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。
　　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。