文章核心观点 - 红杉资本合伙人认为，通用人工智能（AGI）已经到来，其功能性定义是“能把事情搞清楚的能力”，而长周期智能体（如Claude Code）是这一能力的首批例证 [1][8][14] - 长周期智能体的能力正以指数级速度增长，大约每7个月翻一番，预计到2028年能完成人类专家一天的工作，到2034年能完成一年的工作 [4][24] - 人工智能应用正从“说话者”向“行动者”演进，2026年将是长周期智能体的元年，它们将像同事一样全天候工作，彻底改变工作模式 [10][27] AGI的功能性定义与现状 - AGI被定义为“能把事情搞清楚的能力”，其核心要素包括：基础知识（预训练）、基于知识的推理能力（推理时计算）以及迭代寻找答案的能力（长周期智能体）[14][16] - 2022年ChatGPT的出现标志着知识/预训练要素的突破，2024年底o1的发布带来了推理/推理时计算能力，而过去几周Claude Code等编程智能体则跨越了长周期智能体的能力门槛 [16] - 长周期智能体已能像人一样连续自主工作数小时，发现并修正自身错误，无需具体指令即可自行判断，这标志着AGI在功能上已经实现 [16] 长周期智能体的能力例证 - 一个具体案例是，智能体在31分钟内为一位创始人找到了合适的开发者关系负责人候选人，过程包括在LinkedIn、YouTube、Twitter上交叉验证信息，并最终起草精准的挖角邮件 [3][4][20] - 该智能体自主完成了形成假设、验证、碰壁、转向直至找到答案的全过程，展示了在模糊情境中导航以达成目标的“把事情搞清楚”的能力 [4][20] - 智能体目前仍会失败，例如产生幻觉或丢失上下文，但趋势明确且这些失败正变得越来越可修复 [20] 技术路径与发展曲线 - 实现长周期智能体主要依赖两种可扩展的技术路径：强化学习（由研究实验室推动）和智能体框架（由应用层产品设计）[22][23][24] - 市场已出现一些以其智能体框架闻名的产品，例如Manus、Claude Code、Factory的Droids等 [24] - 根据METR的追踪，长周期智能体完成长周期任务的能力正以指数级进步，大约每7个月翻一番 [24] - 按此指数曲线推算，到2028年智能体可可靠完成人类专家一天的任务，2034年完成一年的任务，2037年完成一个世纪的任务 [24] 行业影响与应用前景 - AI应用正从2023-2024年的“说话者”（对话式应用）向2026-2027年的“行动者”演进，后者将像同事一样被全天候使用，用户将从个人贡献者转变为智能体团队的管理者 [27] - 长周期智能体将解锁基于“工作成果”出售的新商业模式，促使企业重新思考如何将工作产品化、可靠交付以及根据价值和成果定价 [28] - 多个行业已出现具体应用案例：医疗（OpenEvidence扮演专科医生）、法律（Harvey扮演律师助理）、网络安全（XBOW扮演渗透测试员）、运维（Traversal扮演SRE）、销售（Day AI扮演业务开发等）、招聘（Juicebox扮演招聘官）、数学（Harmonic扮演数学家）、芯片设计（Ricursive扮演芯片设计师）、AI研究（GPT-5.2和Claude扮演研究员）[31] - 长周期智能体将能处理海量、长期的任务，例如分析20万项临床试验、挖掘所有客户支持工单信号或重构整部美国税法，使原本雄心勃勃的路线图变得可行 [29][30]