2030 年前，第一个可独立验证的 AGI 会出现吗？

作者于2026-11-01要求处理上线后遗留的审核措辞：移除支持、反对与更新信号段落中的候选/待审核前缀，澄清更新信号不是已发生的概率修订。仅编辑表述；不增加科学结论，不改变判定合同、初始概率、发布时间或原始快照。

{"prediction_id":"0006","at":"2026-11-01T15:50:09.006Z","field":"body","before":"**English Title:** Will the first independently verifiable AGI emerge by 2030?\n\n## Probability Rationale\n\n我认为未来四年 AI 的跨领域认知能力可能取得巨大进展，但通用泛化、长期自主性、陌生任务处理和独立验证仍存在显著不确定性，因此将严格合同成功与失败视为大致等可能。\n\n## Supporting Evidence\n\n*候选支持分析，待作者审核。* [METR 的长任务测量方法](https://arxiv.org/abs/2503.14499) 提供了比单轮问答更接近实际工作的观察轴：用人类完成任务所需的时长衡量任务难度。自主执行复杂软件任务已经成为可测量的研究对象；这是制定长期规划要求的依据，而非到2030年必然实现AGI的证明。\n\n研究编辑的推断是：如果跨领域迁移、陌生任务学习和长任务可靠性同时提高，通用能力的证据将比任何一个排行榜更有说服力。这仍是推断，不是已确认的未来事实。\n\n## Counterarguments\n\n*候选反对分析，待作者审核。* 人工智能可能同时拥有很高的考试成绩和很不稳定的现实执行能力；预训练覆盖广也不等于能学会真正陌生的规则。人类不断补写工作流、挑选成功样例或使用未披露训练资料，都可能制造通用性的假象。\n\n[METR TH1.1](https://metr.org/blog/2026-01-29-time-horizon-1-1/) 明确显示任务组成会影响估计，长任务人类基线中也存在估算值。因此不能将软件任务的增长趋势机械外推到所有认知领域，更不能把“50%成功时长”误读为全部同长度任务都可靠完成。\n\n## What Would Change My Mind?\n\n*候选更新触发条件，待作者审核。* 在互不相关机构的盲测中，同一版本系统持续通过新领域与长任务测试，会支持上调；在训练污染清除、预算统一或取消人工救场后表现大幅下降，会支持下调。这里不填写概率，也不把这些候选触发条件伪装成已经发生的修订。\n\n## Approved Resolution Contract\n\n到2030年底，至少存在一个可封存、无逐题人工救场的同一通用认知系统，同时达到固定成人参照的跨领域能力、陌生规则学习和多阶段长任务自主性，并在180日核验窗口内获得两家独立机构验证。第一个表示至少出现一个，不裁定秘密项目的历史优先权；不要求意识或身体。\n\n1. 同一核心覆盖语言沟通、数学推理、自然科学推理、软件工程、信息整合、视觉空间、社会情境、现实约束规划八域；至少七域达到固定普通成人中位，其余域不低于第25百分位，用同时95%置信下界核验。\n2. 人类参照固定为18–65岁、能使用普通话完成任务的成年人，年龄三层×教育三层等权；每域至少100人及100个独立新题，按下述冻结章程盲测，不冒充全球人口中位数。\n3. 至少20种新规则或新工具任务，覆盖至少四域，首次完整测试成功率≥80%；允许自主试验和任务内学习，禁止见题后人工补流程、题间答案记忆或专项训练。\n4. 至少30个多阶段长任务跨三域、至少两域非软件工程，人类实测主动工作中位时长≥8小时；AI在每题24小时墙钟内一次完整尝试、完整成功率≥80%，接管、超时及未完成计失败。\n5. 允许通用工具、检索与外部记忆；模型、通用harness、学习算法、工具权限和有限计算/费用上限见题前封存，两机构对同一版本使用同一资源清单，无后台人工代答。\n6. 两家无共同控制、无结果挂钩报酬的机构各独立完成全套验证并均达标；公开任务章程、参照方法、全部分母/失败/区间、版本与受控原始审计结论，私有权重可以不公开。\n\n**No:** 到核验截止，按固定检索及复核程序仍没有满足全部六项的可独立核验系统，即No。单榜高分、公司宣言、被人工救场、无法排除题目污染或版本漂移的演示不计；秘密成果或拒绝审计不能无限延期。\n\n## What Does NOT Count?\n\n- 公司自称AGI或单榜高分\n- 逐题人工救场、改专用流程或测试答案污染\n- 不同领域临时换不同专用系统\n- 用意识或身体缺席直接否决认知能力\n\n## Independent Verification\n\n固定查阅arXiv/Crossref原始论文及其补充资料、METR等评测机构原始报告、候选开发者可定位的技术报告；开发者材料只提供候选线索。对每个候选建立六条件证据表，索取两机构的版本指纹、资源清单、原始运行/失败及人类参照审计。V前30日公布候选及排除理由，接收具体异议至V；两名无利益关系的领域/方法审核者复核，同一冻结合同判Yes或No。两机构不能共享题目实例或由开发商统一运营，允许依法受控查验而非公开私有权重。\n\n能力须属于T前有可信版本/时间证据的系统；V内可以重新测试该封存系统的既有能力并晚发论文，不得用V内新模型、新训练或人工新工作流补足。允许原封存学习算法在题内学习并在每题后复位；不能把后来改进的算法倒算到2030。\n\n**限定不可判定/取消：** 只有预先合格保全后因客观不可抗力/法律禁令毁失关键证据、无法消解的合格证据重大冲突，或未可合理预见且无法按冻结等价替换规则处理的构念失效，才可经独立领域与方法审核公开书面理由列不可判定，排除Brier分母。普通保密、无记录、测试失败、成本高或不显著不是取消理由；发布前已知不可执行则先BLOCKED。\n\n## Thresholds and Operational Protocol\n\n### 八域；七域成人中位、余域p25；同时95%下界\n\n限制广度和短板，保留原严格认知意图；同时下界提供积极能力证据，明确比点估计碰到中位数更强，不包装成学界AGI共识。\n\n按每域共同任务量规计算AI及分层成人分布，公开16个中位/p25差值的同时区间与原始审计摘要；边界能力可能无法通过，不能事后撤区间。\n\n### 每域≥100人、≥100题；九层等权\n\n提供可执行的最低覆盖而非功效保证；固定参照构成避免挑弱群体；这是普通话成人操作样本而非全球代表样本。\n\n独立招募、公开年龄/教育层样本数及权重；私有身份受控查验。样本与题量在见候选成绩前固定，不在显著后停止或逐步加到通过。\n\n### 20种/四域、30长任务/三域、80%、8人类小时、24AI小时\n\n分别检查陌生规则、多域长任务和高于偶然的可靠执行；8小时是人类难度尺，24小时是有限尝试边界，不能互相替代。\n\n发布每题目标、预定成功量规、实际人类主动时间、AI墙钟/计算/等待及失败；成功率为固定确认性任务组的观察比例，不宣称真实总体成功率下界也是80%。\n\n### 两独立机构；180日核验\n\n减少单机构或供应商自评偏差，允许核查既有版本而不延长发展时间。\n\n实际独立运行和受控原始日志审计，不以两份公司新闻稿代替。\n\n### 八域固定题族\n\n每域四族、族内等权：语言为理解/指令表达/多轮澄清/论证修订；数学为数量代数/概率统计/离散逻辑/新规则推导；自然科学为实验设计/证据评价/机制与因果/提供资料下跨学科迁移；软件为新规格实现/调试/测试安全/维护陌生小型代码库；信息整合为多来源检索/冲突溯源/不确定性校准/综合决策简报；视觉空间为新形状/空间变换/图表场景/多步空间推理；社会情境为意图与沟通/协商约束/规范冲突/不确定人物信息判断；规划为资源排程/多约束计划/环境扰动修复/实际数字工件交付。任务须有事前可核对目标，社会题不以某一政治观点为正确答案。软件仅一域，禁止用八类代码题冒充八域。\n\n### 成人参照与量规\n\n年龄层18–34、35–49、50–65；教育层为初中及以下、高中或中专/职校、大专及以上，九格各权重1/9。独立招募而非由开发者挑人，公开性别等构成及招募偏差，不声称概率代表全国或全球。每域≥100名成人，可跨域重复参与，九格人数尽量均分、差不超过1；不得用专业竞赛选手替代普通人。所有人使用相同语言说明、任务必要材料、检索/计算器/IDE等普通工具，禁止生成式AI代答。每题用在看候选成绩前固定的0–1量规，域内四族等权；以每名成人的域得分形成中位与p25。先用与确认样本分离的盲试点排除全体地板/天花板或歧义题，不因某候选得失改题。\n\n### 同时区间与固定样本\n\n在同一任务上算AI域均分减成人中位/p25，共16个差值。固定10,000次双重分层bootstrap：人按九格保样本数重抽，任务按四族保题数重抽，人题共同重算全部差值。以各差值bootstrap标准差作SE，取16维中心化标准误最大值分布的95百分位q，报告LB=D−q×SE；七个中位差LB≥0且所有域p25差LB≥0。零方差或失效量尺不得生成虚假窄区间，该次测量不能提供Yes；只可使用见候选成绩前登记的替补流程。每机构每冻结版本只有预登记的完整确认性主测试；样本/题量与种子在成绩揭盲前封存，不能挑最好运行、边看显著性边增加样本。方法是预定近似区间，不声称有限样本精确保证。\n\n### 防污染与资源公平\n\n冻结领域构念/题族/量规及实例抽样章程，具体私有题由无利益关系机构在候选版本封存后生成；隔离出题、成人试点、候选运行及判分人员，保留时间、版本、任务输入与访问日志。发现既有泄题只能按预登记的盲等价替补规则处理，两机构使用不共享的新实例；不得看失败后定向换题。每题从同一封存核心与初始记忆启动，题内自主学习允许，题间答案清零。人类与AI获得同一目标和允许的外部资料；公布AI硬件/并发/工具调用/推理/费用上限，两机构对同候选保持一致，耗尽计失败。无需把美元或FLOPs设成定义AGI的任意新增门槛。长任务24小时包括等待，实报计算和等待；目标系统在受控复制环境运行，避免不可控外部队列。长任务的人类8小时须实测主动工时，不用AI运行时长倒推。\n\n## Evidence Sources\n\n- [Levels of AGI：定义框架基线](https://proceedings.mlr.press/v235/morris24b.html)\n- [METR长任务原始研究](https://arxiv.org/abs/2503.14499)\n- [METR TH1.1：任务与人类基线限制](https://metr.org/blog/2026-01-29-time-horizon-1-1/)\n- [arXiv原始论文检索入口](https://arxiv.org/)\n- [Crossref DOI登记检索入口](https://search.crossref.org/)\n\n## Shared Settlement Protocol\n\n所有条件必须在事件截止T前实际成立；核验截止V只接收或审计T前事实，可重放T前封存系统，不补新能力、用户或临床随访。两名无开发方控制关系、披露专业资格与利益冲突的审核者分别逐条映射证据，异议交无利益冲突第三审核者复核；公开候选与排除理由、检索记录和审查结论。来源依次为预注册/原始运行与受控独立审计、原始论文及监管/官方统计；营销材料只作线索。固定检索覆盖各卡来源及其官方继承库，自研究基线日至T；V前30日公示暂定清单，V为接收截止。V末无独立可核验的完整事件通常No，秘密项目或拒审不永久延期。仅限原先保全后客观毁失、无法消解的关键证据冲突或不可预见且无法用冻结替代路径处理的构念失效，才可由独立审查说明不可判定并排除Brier；发布前已知不可执行须先BLOCKED。首次合同及附件原文冻结，后续网页解释不改变原计分合同。全部为未批准候选，本轮不填概率、不发布。\n\n以上通则末句的候选状态属于P5当时记录；合同内容已获作者批准，判定条款保持原文。\n\n**Contract version:** P5-0006-R1\n\n**Contract SHA-256:** 0354d094f57e9af2859095458c6c48dbcac2c11fe598b996aaece35ce4429361\n","after":"**English Title:** Will the first independently verifiable AGI emerge by 2030?\n\n## Probability Rationale\n\n我认为未来四年 AI 的跨领域认知能力可能取得巨大进展，但通用泛化、长期自主性、陌生任务处理和独立验证仍存在显著不确定性，因此将严格合同成功与失败视为大致等可能。\n\n## Supporting Evidence\n\n[METR 的长任务测量方法](https://arxiv.org/abs/2503.14499) 提供了比单轮问答更接近实际工作的观察轴：用人类完成任务所需的时长衡量任务难度。自主执行复杂软件任务已经成为可测量的研究对象；这是制定长期规划要求的依据，而非到2030年必然实现AGI的证明。\n\n研究编辑的推断是：如果跨领域迁移、陌生任务学习和长任务可靠性同时提高，通用能力的证据将比任何一个排行榜更有说服力。这仍是推断，不是已确认的未来事实。\n\n## Counterarguments\n\n人工智能可能同时拥有很高的考试成绩和很不稳定的现实执行能力；预训练覆盖广也不等于能学会真正陌生的规则。人类不断补写工作流、挑选成功样例或使用未披露训练资料，都可能制造通用性的假象。\n\n[METR TH1.1](https://metr.org/blog/2026-01-29-time-horizon-1-1/) 明确显示任务组成会影响估计，长任务人类基线中也存在估算值。因此不能将软件任务的增长趋势机械外推到所有认知领域，更不能把“50%成功时长”误读为全部同长度任务都可靠完成。\n\n## What Would Change My Mind?\n\n在互不相关机构的盲测中，同一版本系统持续通过新领域与长任务测试，会支持上调；在训练污染清除、预算统一或取消人工救场后表现大幅下降，会支持下调。这些观察用于未来判断，不代表已经发生概率修订。\n\n## Approved Resolution Contract\n\n到2030年底，至少存在一个可封存、无逐题人工救场的同一通用认知系统，同时达到固定成人参照的跨领域能力、陌生规则学习和多阶段长任务自主性，并在180日核验窗口内获得两家独立机构验证。第一个表示至少出现一个，不裁定秘密项目的历史优先权；不要求意识或身体。\n\n1. 同一核心覆盖语言沟通、数学推理、自然科学推理、软件工程、信息整合、视觉空间、社会情境、现实约束规划八域；至少七域达到固定普通成人中位，其余域不低于第25百分位，用同时95%置信下界核验。\n2. 人类参照固定为18–65岁、能使用普通话完成任务的成年人，年龄三层×教育三层等权；每域至少100人及100个独立新题，按下述冻结章程盲测，不冒充全球人口中位数。\n3. 至少20种新规则或新工具任务，覆盖至少四域，首次完整测试成功率≥80%；允许自主试验和任务内学习，禁止见题后人工补流程、题间答案记忆或专项训练。\n4. 至少30个多阶段长任务跨三域、至少两域非软件工程，人类实测主动工作中位时长≥8小时；AI在每题24小时墙钟内一次完整尝试、完整成功率≥80%，接管、超时及未完成计失败。\n5. 允许通用工具、检索与外部记忆；模型、通用harness、学习算法、工具权限和有限计算/费用上限见题前封存，两机构对同一版本使用同一资源清单，无后台人工代答。\n6. 两家无共同控制、无结果挂钩报酬的机构各独立完成全套验证并均达标；公开任务章程、参照方法、全部分母/失败/区间、版本与受控原始审计结论，私有权重可以不公开。\n\n**No:** 到核验截止，按固定检索及复核程序仍没有满足全部六项的可独立核验系统，即No。单榜高分、公司宣言、被人工救场、无法排除题目污染或版本漂移的演示不计；秘密成果或拒绝审计不能无限延期。\n\n## What Does NOT Count?\n\n- 公司自称AGI或单榜高分\n- 逐题人工救场、改专用流程或测试答案污染\n- 不同领域临时换不同专用系统\n- 用意识或身体缺席直接否决认知能力\n\n## Independent Verification\n\n固定查阅arXiv/Crossref原始论文及其补充资料、METR等评测机构原始报告、候选开发者可定位的技术报告；开发者材料只提供候选线索。对每个候选建立六条件证据表，索取两机构的版本指纹、资源清单、原始运行/失败及人类参照审计。V前30日公布候选及排除理由，接收具体异议至V；两名无利益关系的领域/方法审核者复核，同一冻结合同判Yes或No。两机构不能共享题目实例或由开发商统一运营，允许依法受控查验而非公开私有权重。\n\n能力须属于T前有可信版本/时间证据的系统；V内可以重新测试该封存系统的既有能力并晚发论文，不得用V内新模型、新训练或人工新工作流补足。允许原封存学习算法在题内学习并在每题后复位；不能把后来改进的算法倒算到2030。\n\n**限定不可判定/取消：** 只有预先合格保全后因客观不可抗力/法律禁令毁失关键证据、无法消解的合格证据重大冲突，或未可合理预见且无法按冻结等价替换规则处理的构念失效，才可经独立领域与方法审核公开书面理由列不可判定，排除Brier分母。普通保密、无记录、测试失败、成本高或不显著不是取消理由；发布前已知不可执行则先BLOCKED。\n\n## Thresholds and Operational Protocol\n\n### 八域；七域成人中位、余域p25；同时95%下界\n\n限制广度和短板，保留原严格认知意图；同时下界提供积极能力证据，明确比点估计碰到中位数更强，不包装成学界AGI共识。\n\n按每域共同任务量规计算AI及分层成人分布，公开16个中位/p25差值的同时区间与原始审计摘要；边界能力可能无法通过，不能事后撤区间。\n\n### 每域≥100人、≥100题；九层等权\n\n提供可执行的最低覆盖而非功效保证；固定参照构成避免挑弱群体；这是普通话成人操作样本而非全球代表样本。\n\n独立招募、公开年龄/教育层样本数及权重；私有身份受控查验。样本与题量在见候选成绩前固定，不在显著后停止或逐步加到通过。\n\n### 20种/四域、30长任务/三域、80%、8人类小时、24AI小时\n\n分别检查陌生规则、多域长任务和高于偶然的可靠执行；8小时是人类难度尺，24小时是有限尝试边界，不能互相替代。\n\n发布每题目标、预定成功量规、实际人类主动时间、AI墙钟/计算/等待及失败；成功率为固定确认性任务组的观察比例，不宣称真实总体成功率下界也是80%。\n\n### 两独立机构；180日核验\n\n减少单机构或供应商自评偏差，允许核查既有版本而不延长发展时间。\n\n实际独立运行和受控原始日志审计，不以两份公司新闻稿代替。\n\n### 八域固定题族\n\n每域四族、族内等权：语言为理解/指令表达/多轮澄清/论证修订；数学为数量代数/概率统计/离散逻辑/新规则推导；自然科学为实验设计/证据评价/机制与因果/提供资料下跨学科迁移；软件为新规格实现/调试/测试安全/维护陌生小型代码库；信息整合为多来源检索/冲突溯源/不确定性校准/综合决策简报；视觉空间为新形状/空间变换/图表场景/多步空间推理；社会情境为意图与沟通/协商约束/规范冲突/不确定人物信息判断；规划为资源排程/多约束计划/环境扰动修复/实际数字工件交付。任务须有事前可核对目标，社会题不以某一政治观点为正确答案。软件仅一域，禁止用八类代码题冒充八域。\n\n### 成人参照与量规\n\n年龄层18–34、35–49、50–65；教育层为初中及以下、高中或中专/职校、大专及以上，九格各权重1/9。独立招募而非由开发者挑人，公开性别等构成及招募偏差，不声称概率代表全国或全球。每域≥100名成人，可跨域重复参与，九格人数尽量均分、差不超过1；不得用专业竞赛选手替代普通人。所有人使用相同语言说明、任务必要材料、检索/计算器/IDE等普通工具，禁止生成式AI代答。每题用在看候选成绩前固定的0–1量规，域内四族等权；以每名成人的域得分形成中位与p25。先用与确认样本分离的盲试点排除全体地板/天花板或歧义题，不因某候选得失改题。\n\n### 同时区间与固定样本\n\n在同一任务上算AI域均分减成人中位/p25，共16个差值。固定10,000次双重分层bootstrap：人按九格保样本数重抽，任务按四族保题数重抽，人题共同重算全部差值。以各差值bootstrap标准差作SE，取16维中心化标准误最大值分布的95百分位q，报告LB=D−q×SE；七个中位差LB≥0且所有域p25差LB≥0。零方差或失效量尺不得生成虚假窄区间，该次测量不能提供Yes；只可使用见候选成绩前登记的替补流程。每机构每冻结版本只有预登记的完整确认性主测试；样本/题量与种子在成绩揭盲前封存，不能挑最好运行、边看显著性边增加样本。方法是预定近似区间，不声称有限样本精确保证。\n\n### 防污染与资源公平\n\n冻结领域构念/题族/量规及实例抽样章程，具体私有题由无利益关系机构在候选版本封存后生成；隔离出题、成人试点、候选运行及判分人员，保留时间、版本、任务输入与访问日志。发现既有泄题只能按预登记的盲等价替补规则处理，两机构使用不共享的新实例；不得看失败后定向换题。每题从同一封存核心与初始记忆启动，题内自主学习允许，题间答案清零。人类与AI获得同一目标和允许的外部资料；公布AI硬件/并发/工具调用/推理/费用上限，两机构对同候选保持一致，耗尽计失败。无需把美元或FLOPs设成定义AGI的任意新增门槛。长任务24小时包括等待，实报计算和等待；目标系统在受控复制环境运行，避免不可控外部队列。长任务的人类8小时须实测主动工时，不用AI运行时长倒推。\n\n## Evidence Sources\n\n- [Levels of AGI：定义框架基线](https://proceedings.mlr.press/v235/morris24b.html)\n- [METR长任务原始研究](https://arxiv.org/abs/2503.14499)\n- [METR TH1.1：任务与人类基线限制](https://metr.org/blog/2026-01-29-time-horizon-1-1/)\n- [arXiv原始论文检索入口](https://arxiv.org/)\n- [Crossref DOI登记检索入口](https://search.crossref.org/)\n\n## Shared Settlement Protocol\n\n所有条件必须在事件截止T前实际成立；核验截止V只接收或审计T前事实，可重放T前封存系统，不补新能力、用户或临床随访。两名无开发方控制关系、披露专业资格与利益冲突的审核者分别逐条映射证据，异议交无利益冲突第三审核者复核；公开候选与排除理由、检索记录和审查结论。来源依次为预注册/原始运行与受控独立审计、原始论文及监管/官方统计；营销材料只作线索。固定检索覆盖各卡来源及其官方继承库，自研究基线日至T；V前30日公示暂定清单，V为接收截止。V末无独立可核验的完整事件通常No，秘密项目或拒审不永久延期。仅限原先保全后客观毁失、无法消解的关键证据冲突或不可预见且无法用冻结替代路径处理的构念失效，才可由独立审查说明不可判定并排除Brier；发布前已知不可执行须先BLOCKED。首次合同及附件原文冻结，后续网页解释不改变原计分合同。全部为未批准候选，本轮不填概率、不发布。\n\n以上通则末句的候选状态属于P5当时记录；合同内容已获作者批准，判定条款保持原文。\n\n**Contract version:** P5-0006-R1\n\n**Contract SHA-256:** 0354d094f57e9af2859095458c6c48dbcac2c11fe598b996aaece35ce4429361\n","reason":"作者于2026-11-01要求处理上线后遗留的审核措辞：移除支持、反对与更新信号段落中的候选/待审核前缀，澄清更新信号不是已发生的概率修订。仅编辑表述；不增加科学结论，不改变判定合同、初始概率、发布时间或原始快照。"}

{"prediction_id":"0006","registered_at":"2026-10-27T03:59:03.313Z","original":{"prediction_id":"0006","title":"2030 年前，第一个可独立验证的 AGI 会出现吗？","category":"ai-technology","tags":["cohort-2026","topic-agi","AGI","Artificial Intelligence"],"initial_probability":0.5,"created_at":"2026-10-27T03:59:03.313Z","published_at":"2026-10-27T03:59:03.313Z","closes_at":"2030-12-31T23:59:59+08:00","resolves_at":"2031-06-29T23:59:59+08:00","criteria":{"yes":"到2030年底，至少存在一个可封存、无逐题人工救场的同一通用认知系统，同时达到固定成人参照的跨领域能力、陌生规则学习和多阶段长任务自主性，并在180日核验窗口内获得两家独立机构验证。第一个表示至少出现一个，不裁定秘密项目的历史优先权；不要求意识或身体。\n1. 同一核心覆盖语言沟通、数学推理、自然科学推理、软件工程、信息整合、视觉空间、社会情境、现实约束规划八域；至少七域达到固定普通成人中位，其余域不低于第25百分位，用同时95%置信下界核验。\n2. 人类参照固定为18–65岁、能使用普通话完成任务的成年人，年龄三层×教育三层等权；每域至少100人及100个独立新题，按下述冻结章程盲测，不冒充全球人口中位数。\n3. 至少20种新规则或新工具任务，覆盖至少四域，首次完整测试成功率≥80%；允许自主试验和任务内学习，禁止见题后人工补流程、题间答案记忆或专项训练。\n4. 至少30个多阶段长任务跨三域、至少两域非软件工程，人类实测主动工作中位时长≥8小时；AI在每题24小时墙钟内一次完整尝试、完整成功率≥80%，接管、超时及未完成计失败。\n5. 允许通用工具、检索与外部记忆；模型、通用harness、学习算法、工具权限和有限计算/费用上限见题前封存，两机构对同一版本使用同一资源清单，无后台人工代答。\n6. 两家无共同控制、无结果挂钩报酬的机构各独立完成全套验证并均达标；公开任务章程、参照方法、全部分母/失败/区间、版本与受控原始审计结论，私有权重可以不公开。","no":"到核验截止，按固定检索及复核程序仍没有满足全部六项的可独立核验系统，即No。单榜高分、公司宣言、被人工救场、无法排除题目污染或版本漂移的演示不计；秘密成果或拒绝审计不能无限延期。","sources":["https://proceedings.mlr.press/v235/morris24b.html","https://arxiv.org/abs/2503.14499","https://metr.org/blog/2026-01-29-time-horizon-1-1/","https://arxiv.org/","https://search.crossref.org/"],"ambiguity":"只有预先合格保全后因客观不可抗力/法律禁令毁失关键证据、无法消解的合格证据重大冲突，或未可合理预见且无法按冻结等价替换规则处理的构念失效，才可经独立领域与方法审核公开书面理由列不可判定，排除Brier分母。普通保密、无记录、测试失败、成本高或不显著不是取消理由；发布前已知不可执行则先BLOCKED。\n不计成功：公司自称AGI或单榜高分；逐题人工救场、改专用流程或测试答案污染；不同领域临时换不同专用系统；用意识或身体缺席直接否决认知能力\n八域；七域成人中位、余域p25；同时95%下界：限制广度和短板，保留原严格认知意图；同时下界提供积极能力证据，明确比点估计碰到中位数更强，不包装成学界AGI共识。 核验：按每域共同任务量规计算AI及分层成人分布，公开16个中位/p25差值的同时区间与原始审计摘要；边界能力可能无法通过，不能事后撤区间。\n每域≥100人、≥100题；九层等权：提供可执行的最低覆盖而非功效保证；固定参照构成避免挑弱群体；这是普通话成人操作样本而非全球代表样本。 核验：独立招募、公开年龄/教育层样本数及权重；私有身份受控查验。样本与题量在见候选成绩前固定，不在显著后停止或逐步加到通过。\n20种/四域、30长任务/三域、80%、8人类小时、24AI小时：分别检查陌生规则、多域长任务和高于偶然的可靠执行；8小时是人类难度尺，24小时是有限尝试边界，不能互相替代。 核验：发布每题目标、预定成功量规、实际人类主动时间、AI墙钟/计算/等待及失败；成功率为固定确认性任务组的观察比例，不宣称真实总体成功率下界也是80%。\n两独立机构；180日核验：减少单机构或供应商自评偏差，允许核查既有版本而不延长发展时间。 核验：实际独立运行和受控原始日志审计，不以两份公司新闻稿代替。\n八域固定题族：每域四族、族内等权：语言为理解/指令表达/多轮澄清/论证修订；数学为数量代数/概率统计/离散逻辑/新规则推导；自然科学为实验设计/证据评价/机制与因果/提供资料下跨学科迁移；软件为新规格实现/调试/测试安全/维护陌生小型代码库；信息整合为多来源检索/冲突溯源/不确定性校准/综合决策简报；视觉空间为新形状/空间变换/图表场景/多步空间推理；社会情境为意图与沟通/协商约束/规范冲突/不确定人物信息判断；规划为资源排程/多约束计划/环境扰动修复/实际数字工件交付。任务须有事前可核对目标，社会题不以某一政治观点为正确答案。软件仅一域，禁止用八类代码题冒充八域。\n成人参照与量规：年龄层18–34、35–49、50–65；教育层为初中及以下、高中或中专/职校、大专及以上，九格各权重1/9。独立招募而非由开发者挑人，公开性别等构成及招募偏差，不声称概率代表全国或全球。每域≥100名成人，可跨域重复参与，九格人数尽量均分、差不超过1；不得用专业竞赛选手替代普通人。所有人使用相同语言说明、任务必要材料、检索/计算器/IDE等普通工具，禁止生成式AI代答。每题用在看候选成绩前固定的0–1量规，域内四族等权；以每名成人的域得分形成中位与p25。先用与确认样本分离的盲试点排除全体地板/天花板或歧义题，不因某候选得失改题。\n同时区间与固定样本：在同一任务上算AI域均分减成人中位/p25，共16个差值。固定10,000次双重分层bootstrap：人按九格保样本数重抽，任务按四族保题数重抽，人题共同重算全部差值。以各差值bootstrap标准差作SE，取16维中心化标准误最大值分布的95百分位q，报告LB=D−q×SE；七个中位差LB≥0且所有域p25差LB≥0。零方差或失效量尺不得生成虚假窄区间，该次测量不能提供Yes；只可使用见候选成绩前登记的替补流程。每机构每冻结版本只有预登记的完整确认性主测试；样本/题量与种子在成绩揭盲前封存，不能挑最好运行、边看显著性边增加样本。方法是预定近似区间，不声称有限样本精确保证。\n防污染与资源公平：冻结领域构念/题族/量规及实例抽样章程，具体私有题由无利益关系机构在候选版本封存后生成；隔离出题、成人试点、候选运行及判分人员，保留时间、版本、任务输入与访问日志。发现既有泄题只能按预登记的盲等价替补规则处理，两机构使用不共享的新实例；不得看失败后定向换题。每题从同一封存核心与初始记忆启动，题内自主学习允许，题间答案清零。人类与AI获得同一目标和允许的外部资料；公布AI硬件/并发/工具调用/推理/费用上限，两机构对同候选保持一致，耗尽计失败。无需把美元或FLOPs设成定义AGI的任意新增门槛。长任务24小时包括等待，实报计算和等待；目标系统在受控复制环境运行，避免不可控外部队列。长任务的人类8小时须实测主动工时，不用AI运行时长倒推。\n所有条件必须在事件截止T前实际成立；核验截止V只接收或审计T前事实，可重放T前封存系统，不补新能力、用户或临床随访。两名无开发方控制关系、披露专业资格与利益冲突的审核者分别逐条映射证据，异议交无利益冲突第三审核者复核；公开候选与排除理由、检索记录和审查结论。来源依次为预注册/原始运行与受控独立审计、原始论文及监管/官方统计；营销材料只作线索。固定检索覆盖各卡来源及其官方继承库，自研究基线日至T；V前30日公示暂定清单，V为接收截止。V末无独立可核验的完整事件通常No，秘密项目或拒审不永久延期。仅限原先保全后客观毁失、无法消解的关键证据冲突或不可预见且无法用冻结替代路径处理的构念失效，才可由独立审查说明不可判定并排除Brier；发布前已知不可执行须先BLOCKED。首次合同及附件原文冻结，后续网页解释不改变原计分合同。全部为未批准候选，本轮不填概率、不发布。","completion":"固定查阅arXiv/Crossref原始论文及其补充资料、METR等评测机构原始报告、候选开发者可定位的技术报告；开发者材料只提供候选线索。对每个候选建立六条件证据表，索取两机构的版本指纹、资源清单、原始运行/失败及人类参照审计。V前30日公布候选及排除理由，接收具体异议至V；两名无利益关系的领域/方法审核者复核，同一冻结合同判Yes或No。两机构不能共享题目实例或由开发商统一运营，允许依法受控查验而非公开私有权重。\n能力须属于T前有可信版本/时间证据的系统；V内可以重新测试该封存系统的既有能力并晚发论文，不得用V内新模型、新训练或人工新工作流补足。允许原封存学习算法在题内学习并在每题后复位；不能把后来改进的算法倒算到2030。"},"permalink":"/predictions/0006/","excerpt":"到2030年底，至少存在一个可封存、无逐题人工救场的同一通用认知系统，同时达到固定成人参照的跨领域能力、陌生规则学习和多阶段长任务自主性，并在180日核验窗口内获得两家独立机构验证。第一个表示至少出现一个，不裁定秘密项目的历史优先权；不要求意识或身体。","body":"**English Title:** Will the first independently verifiable AGI emerge by 2030?\n\n## Probability Rationale\n\n我认为未来四年 AI 的跨领域认知能力可能取得巨大进展，但通用泛化、长期自主性、陌生任务处理和独立验证仍存在显著不确定性，因此将严格合同成功与失败视为大致等可能。\n\n## Supporting Evidence\n\n*候选支持分析，待作者审核。* [METR 的长任务测量方法](https://arxiv.org/abs/2503.14499) 提供了比单轮问答更接近实际工作的观察轴：用人类完成任务所需的时长衡量任务难度。自主执行复杂软件任务已经成为可测量的研究对象；这是制定长期规划要求的依据，而非到2030年必然实现AGI的证明。\n\n研究编辑的推断是：如果跨领域迁移、陌生任务学习和长任务可靠性同时提高，通用能力的证据将比任何一个排行榜更有说服力。这仍是推断，不是已确认的未来事实。\n\n## Counterarguments\n\n*候选反对分析，待作者审核。* 人工智能可能同时拥有很高的考试成绩和很不稳定的现实执行能力；预训练覆盖广也不等于能学会真正陌生的规则。人类不断补写工作流、挑选成功样例或使用未披露训练资料，都可能制造通用性的假象。\n\n[METR TH1.1](https://metr.org/blog/2026-01-29-time-horizon-1-1/) 明确显示任务组成会影响估计，长任务人类基线中也存在估算值。因此不能将软件任务的增长趋势机械外推到所有认知领域，更不能把“50%成功时长”误读为全部同长度任务都可靠完成。\n\n## What Would Change My Mind?\n\n*候选更新触发条件，待作者审核。* 在互不相关机构的盲测中，同一版本系统持续通过新领域与长任务测试，会支持上调；在训练污染清除、预算统一或取消人工救场后表现大幅下降，会支持下调。这里不填写概率，也不把这些候选触发条件伪装成已经发生的修订。\n\n## Approved Resolution Contract\n\n到2030年底，至少存在一个可封存、无逐题人工救场的同一通用认知系统，同时达到固定成人参照的跨领域能力、陌生规则学习和多阶段长任务自主性，并在180日核验窗口内获得两家独立机构验证。第一个表示至少出现一个，不裁定秘密项目的历史优先权；不要求意识或身体。\n\n1. 同一核心覆盖语言沟通、数学推理、自然科学推理、软件工程、信息整合、视觉空间、社会情境、现实约束规划八域；至少七域达到固定普通成人中位，其余域不低于第25百分位，用同时95%置信下界核验。\n2. 人类参照固定为18–65岁、能使用普通话完成任务的成年人，年龄三层×教育三层等权；每域至少100人及100个独立新题，按下述冻结章程盲测，不冒充全球人口中位数。\n3. 至少20种新规则或新工具任务，覆盖至少四域，首次完整测试成功率≥80%；允许自主试验和任务内学习，禁止见题后人工补流程、题间答案记忆或专项训练。\n4. 至少30个多阶段长任务跨三域、至少两域非软件工程，人类实测主动工作中位时长≥8小时；AI在每题24小时墙钟内一次完整尝试、完整成功率≥80%，接管、超时及未完成计失败。\n5. 允许通用工具、检索与外部记忆；模型、通用harness、学习算法、工具权限和有限计算/费用上限见题前封存，两机构对同一版本使用同一资源清单，无后台人工代答。\n6. 两家无共同控制、无结果挂钩报酬的机构各独立完成全套验证并均达标；公开任务章程、参照方法、全部分母/失败/区间、版本与受控原始审计结论，私有权重可以不公开。\n\n**No:** 到核验截止，按固定检索及复核程序仍没有满足全部六项的可独立核验系统，即No。单榜高分、公司宣言、被人工救场、无法排除题目污染或版本漂移的演示不计；秘密成果或拒绝审计不能无限延期。\n\n## What Does NOT Count?\n\n- 公司自称AGI或单榜高分\n- 逐题人工救场、改专用流程或测试答案污染\n- 不同领域临时换不同专用系统\n- 用意识或身体缺席直接否决认知能力\n\n## Independent Verification\n\n固定查阅arXiv/Crossref原始论文及其补充资料、METR等评测机构原始报告、候选开发者可定位的技术报告；开发者材料只提供候选线索。对每个候选建立六条件证据表，索取两机构的版本指纹、资源清单、原始运行/失败及人类参照审计。V前30日公布候选及排除理由，接收具体异议至V；两名无利益关系的领域/方法审核者复核，同一冻结合同判Yes或No。两机构不能共享题目实例或由开发商统一运营，允许依法受控查验而非公开私有权重。\n\n能力须属于T前有可信版本/时间证据的系统；V内可以重新测试该封存系统的既有能力并晚发论文，不得用V内新模型、新训练或人工新工作流补足。允许原封存学习算法在题内学习并在每题后复位；不能把后来改进的算法倒算到2030。\n\n**限定不可判定/取消：** 只有预先合格保全后因客观不可抗力/法律禁令毁失关键证据、无法消解的合格证据重大冲突，或未可合理预见且无法按冻结等价替换规则处理的构念失效，才可经独立领域与方法审核公开书面理由列不可判定，排除Brier分母。普通保密、无记录、测试失败、成本高或不显著不是取消理由；发布前已知不可执行则先BLOCKED。\n\n## Thresholds and Operational Protocol\n\n### 八域；七域成人中位、余域p25；同时95%下界\n\n限制广度和短板，保留原严格认知意图；同时下界提供积极能力证据，明确比点估计碰到中位数更强，不包装成学界AGI共识。\n\n按每域共同任务量规计算AI及分层成人分布，公开16个中位/p25差值的同时区间与原始审计摘要；边界能力可能无法通过，不能事后撤区间。\n\n### 每域≥100人、≥100题；九层等权\n\n提供可执行的最低覆盖而非功效保证；固定参照构成避免挑弱群体；这是普通话成人操作样本而非全球代表样本。\n\n独立招募、公开年龄/教育层样本数及权重；私有身份受控查验。样本与题量在见候选成绩前固定，不在显著后停止或逐步加到通过。\n\n### 20种/四域、30长任务/三域、80%、8人类小时、24AI小时\n\n分别检查陌生规则、多域长任务和高于偶然的可靠执行；8小时是人类难度尺，24小时是有限尝试边界，不能互相替代。\n\n发布每题目标、预定成功量规、实际人类主动时间、AI墙钟/计算/等待及失败；成功率为固定确认性任务组的观察比例，不宣称真实总体成功率下界也是80%。\n\n### 两独立机构；180日核验\n\n减少单机构或供应商自评偏差，允许核查既有版本而不延长发展时间。\n\n实际独立运行和受控原始日志审计，不以两份公司新闻稿代替。\n\n### 八域固定题族\n\n每域四族、族内等权：语言为理解/指令表达/多轮澄清/论证修订；数学为数量代数/概率统计/离散逻辑/新规则推导；自然科学为实验设计/证据评价/机制与因果/提供资料下跨学科迁移；软件为新规格实现/调试/测试安全/维护陌生小型代码库；信息整合为多来源检索/冲突溯源/不确定性校准/综合决策简报；视觉空间为新形状/空间变换/图表场景/多步空间推理；社会情境为意图与沟通/协商约束/规范冲突/不确定人物信息判断；规划为资源排程/多约束计划/环境扰动修复/实际数字工件交付。任务须有事前可核对目标，社会题不以某一政治观点为正确答案。软件仅一域，禁止用八类代码题冒充八域。\n\n### 成人参照与量规\n\n年龄层18–34、35–49、50–65；教育层为初中及以下、高中或中专/职校、大专及以上，九格各权重1/9。独立招募而非由开发者挑人，公开性别等构成及招募偏差，不声称概率代表全国或全球。每域≥100名成人，可跨域重复参与，九格人数尽量均分、差不超过1；不得用专业竞赛选手替代普通人。所有人使用相同语言说明、任务必要材料、检索/计算器/IDE等普通工具，禁止生成式AI代答。每题用在看候选成绩前固定的0–1量规，域内四族等权；以每名成人的域得分形成中位与p25。先用与确认样本分离的盲试点排除全体地板/天花板或歧义题，不因某候选得失改题。\n\n### 同时区间与固定样本\n\n在同一任务上算AI域均分减成人中位/p25，共16个差值。固定10,000次双重分层bootstrap：人按九格保样本数重抽，任务按四族保题数重抽，人题共同重算全部差值。以各差值bootstrap标准差作SE，取16维中心化标准误最大值分布的95百分位q，报告LB=D−q×SE；七个中位差LB≥0且所有域p25差LB≥0。零方差或失效量尺不得生成虚假窄区间，该次测量不能提供Yes；只可使用见候选成绩前登记的替补流程。每机构每冻结版本只有预登记的完整确认性主测试；样本/题量与种子在成绩揭盲前封存，不能挑最好运行、边看显著性边增加样本。方法是预定近似区间，不声称有限样本精确保证。\n\n### 防污染与资源公平\n\n冻结领域构念/题族/量规及实例抽样章程，具体私有题由无利益关系机构在候选版本封存后生成；隔离出题、成人试点、候选运行及判分人员，保留时间、版本、任务输入与访问日志。发现既有泄题只能按预登记的盲等价替补规则处理，两机构使用不共享的新实例；不得看失败后定向换题。每题从同一封存核心与初始记忆启动，题内自主学习允许，题间答案清零。人类与AI获得同一目标和允许的外部资料；公布AI硬件/并发/工具调用/推理/费用上限，两机构对同候选保持一致，耗尽计失败。无需把美元或FLOPs设成定义AGI的任意新增门槛。长任务24小时包括等待，实报计算和等待；目标系统在受控复制环境运行，避免不可控外部队列。长任务的人类8小时须实测主动工时，不用AI运行时长倒推。\n\n## Evidence Sources\n\n- [Levels of AGI：定义框架基线](https://proceedings.mlr.press/v235/morris24b.html)\n- [METR长任务原始研究](https://arxiv.org/abs/2503.14499)\n- [METR TH1.1：任务与人类基线限制](https://metr.org/blog/2026-01-29-time-horizon-1-1/)\n- [arXiv原始论文检索入口](https://arxiv.org/)\n- [Crossref DOI登记检索入口](https://search.crossref.org/)\n\n## Shared Settlement Protocol\n\n所有条件必须在事件截止T前实际成立；核验截止V只接收或审计T前事实，可重放T前封存系统，不补新能力、用户或临床随访。两名无开发方控制关系、披露专业资格与利益冲突的审核者分别逐条映射证据，异议交无利益冲突第三审核者复核；公开候选与排除理由、检索记录和审查结论。来源依次为预注册/原始运行与受控独立审计、原始论文及监管/官方统计；营销材料只作线索。固定检索覆盖各卡来源及其官方继承库，自研究基线日至T；V前30日公示暂定清单，V为接收截止。V末无独立可核验的完整事件通常No，秘密项目或拒审不永久延期。仅限原先保全后客观毁失、无法消解的关键证据冲突或不可预见且无法用冻结替代路径处理的构念失效，才可由独立审查说明不可判定并排除Brier；发布前已知不可执行须先BLOCKED。首次合同及附件原文冻结，后续网页解释不改变原计分合同。全部为未批准候选，本轮不填概率、不发布。\n\n以上通则末句的候选状态属于P5当时记录；合同内容已获作者批准，判定条款保持原文。\n\n**Contract version:** P5-0006-R1\n\n**Contract SHA-256:** 0354d094f57e9af2859095458c6c48dbcac2c11fe598b996aaece35ce4429361\n"},"sha256":"9d1c783c3f0187587a8c78e374d9332f3e5ff1195d65be124bb50e4b8d3fab7e","serialization":"forecast-canonical-json-v1"}

The source distribution's docs/FORECASTING_LAB.md specifies serialization, independent digest recomputation, retained history, and its limits.