企业官网建设流程全解析

AGI临界点、750MW级算力集群、SWE-bench分数线、人形机器人大规模量产、3到7年的窗口期——这几个词拼在一起，就是今年技术圈最热也最焦虑的一张图景。有人把它当成下一次工业革命的前夜，有人觉得这是又一轮泡沫叙事，但很少有人把这几个变量放在同一张图里推演。

这篇长文，就沿着“代码、晶圆与寿命鸿沟”这条主线往下拆：为什么SWE-bench能当AGI的进度尺，为什么750MW级电力和晶圆产能反而是真正的天花板，为什么生物电池这类能源议题会忽然挤进AGI叙事，以及“人形机器人+寿命鸿沟”到底在说什么。如果你关心AGI什么时候来、来了之后会怎样，或者只想搞清楚自己该在3到7年的窗口期里做点什么，这篇文章应该能给你一个可用的分析框架。

1. 以代码为尺：SWE-bench为什么是AGI最硬的技术指标之一

1.1 SWE-bench怎么考：让AI在真实项目里“接单修bug”

我一直觉得，SWE-bench是目前最接近“软件工程日常工作”的测试场。它没有把题目规定成“请写一个排序算法”，而是从主流开源项目里捞出一批真实存在的issue——有的是用户报的bug，有的是维护者提的功能改进——然后要求AI直接到代码仓库里干活：先找到相关文件，理解上下文，动手修改，最后产出一个能够通过隐藏测试的补丁。只有测试完全跑通，这一题才算做对。

这个设计很关键，因为它把“做题”变成了“做事”。在线题库式的编程题有明确的输入输出和最优解，AI只要做过类似题型就能蒙对；而SWE-bench的任务信息是不完备的，问题描述可能含糊，代码库动辄几千个文件，涉及逻辑可能横跨多个模块，修复完还要保证不破坏已有的功能。说白了，这就是一个新工程师入职第一周的典型工作场景。所以SWE-bench的通过率不是“模型背了多少题”，而是“模型能不能在陌生代码库里独立解决问题”。

最早的那版基准大概收集了两千多个真实issue，后来社区又做了更严苛的扩展版本，增加了多仓库、多依赖的难任务。无论哪一版，评分的逻辑都很朴素：提交一个补丁，跑一套隐藏测试，能过就是能过，过不了就是过不了。这份“务实”是我最看重的地方——它不以“模型说得对不对”论英雄，只看“模型到底把事办成了没有”。

1.2 从个位数到五成：三年时间，代码Agent走完了什么路

翻一翻这几年的榜单，能看到一条陡峭的曲线。两三年前，最强模型在这个基准上的成绩还停留在个位数，大家当时的评价是“能跑通流程但基本修不好”。到2024年前后，头部实验室的Agent框架已经能稳定拿下百分之三十左右；再往后，各种“推理增强”的新一代模型配合多轮工具调用、测试反馈循环，把通过率推到了百分之四五十甚至更高。这个速度超出了大多数人的预期。

成绩飙升的背后不止一个单点突破，而是组合拳：一是检索增强，让模型能够先搜出相关文件和历史提交，而不是大海捞针；二是Agent循环，让模型可以反复读报错日志、跑测试、改代码，形成自我反馈；三是长上下文窗口，从几千token扩到几十万甚至百万级，整个代码仓库都能塞进上下文；四是测试生成能力，模型自己先写测试来验证自己对需求的理解。这套组合技在2024年前后逐步成熟，才把解决率推上了新台阶。

但我必须泼一盆冷水。SWE-bench分数上涨，既有真实能力进步，也有榜单效应。模型开始针对这种任务格式做优化，甚至可能对高频出现过的仓库产生“记忆污染”。真实世界的需求通常更模糊、依赖更多、变化更快，榜单上的“五成”换成现实业务里的“五成”，往往还要打个折扣。不过即便如此，一个能自动修复一半常见issue的系统，已经足以让软件行业的协作方式发生质变，这是我亲眼看着发生的事。

1.3 尺子的边界：会改代码不等于理解世界

承认SWE-bench的进步，并不等于承认AGI就近在眼前。代码能力只是人类智能的一角，而且是很“应试”的一角。SWE-bench里的任务大部分是局部修复，像“这个函数在边界条件下会越界”“这个配置项在旧版本不生效”之类；而真正的软件工程还包括从零设计架构、权衡技术债务、理解业务价值，更不要说那些跟物理世界交互的任务——动手做实验、操作设备、照顾病人。这些事需要的世界模型、物理常识、长期记忆，SWE-bench一个字都没考。

所以对代码分数，我的建议是“两看”：既要认真看涨速，因为它代表了AI在符号推理和工具使用上的真实进步；也要警惕把单一基准外推成AGI时刻。用SWE-bench做尺子，量的是“软件路径”这一侧的进度；而完整性还差另外两块拼图——一块是硬件与能源的物理底座，也就是晶圆和750MW；另一块是具身交互的物理载体，也就是人形机器人和寿命的时间尺度。下面把这两块展开说。

2. 晶圆与750MW：AGI硬件底座的物理课

2.1 一块晶圆上的战争：制程、良率与先进封装

很多人讨论AGI时只聊算法，但天上不会掉算力。任何一颗AI芯片，都要从一块高纯度硅晶圆开始，经过光刻、刻蚀、沉积、离子注入等数百道工序，最后切成几百颗裸片。先进制程的产线投资动辄以百亿计，而且良率控制极其苛刻——晶圆上任何一粒灰尘、任何一次光刻偏移，都可能让一整片区域报废。你算法再聪明，也要排队等晶圆从产线上流出来，这就是“代码与晶圆”之间最直接的关系。

制程推进到3纳米以下之后，单纯靠把晶体管做小已经越来越不划算，于是行业转向了两个方向：一个是先进封装，把多颗芯片用2.5D/3D方式封装在一起，让不同功能单元紧挨着通信，减少数据传输损耗；另一个是堆叠式高带宽存储，把存储颗粒像积木一样叠起来，给AI模型提供极大的内存带宽。这两项技术在大模型时代的重要性，一点不亚于光刻工艺本身。我见过太多团队，模型结构设计得很漂亮，结果一算，带宽根本喂不饱算力，只能回头改设计——这时候你才明白，算法工程师的想象力，最终是以“物理上拿得到多少颗先进封装的芯片”为边界的。

2.2 750MW是什么概念：一座吞电的算力城市

先澄清一个常见误解：750MW不是一颗芯片的功耗。单颗主流AI芯片的功耗在300到1000瓦之间，一台八卡服务器的整机功耗大约在几千瓦到一万瓦，一个机柜从十几千瓦到几十千瓦，而一个几万张卡的超大规模算力集群，整体供电需求就到了几百兆瓦。所以标题里说的“750MW芯片”，更准确的理解是“一座以750MW为供电容量的超级算力集群”，或者说，是运行下一代大模型训练所必需的电能级。

这个数字到底有多大？我们算一笔账：750MW满负荷运行一年，用电量是75万千瓦乘以8760小时，约等于65.7亿度电。按每度电0.5元算，一年的电费大概在33亿元量级。33亿元是什么概念？它足够给一座几十万人口的城市全年供电，也接近一台百万千瓦级核电机组的出力。为了让这个系统持续运行，你需要配套的是一整套超高压输变电设施、巨大的冷却循环体系、以及能够承受瞬时负荷波动的电网调度能力。

我习惯用一小段脚本估算这种项目的体量，代码很简单，但每次跑完都会让自己冷静一下：

power_mw = 750 hours_per_year = 24 * 365 energy_wh = power_mw * 1000 * hours_per_year # 换算成瓦时 energy_yi_kwh = energy_wh / 1e8 # 换算成“亿度电” price_per_kwh = 0.5 # 元/度 annual_cost_yi = energy_yi_kwh * price_per_kwh print(f"年用电量约 {energy_yi_kwh:.1f} 亿度电") print(f"年电费约 {annual_cost_yi:.1f} 亿元")

看到没有，光是电费这一项，就足以把绝大多数想挤进AGI赛道的玩家拦在门外。所以在晶圆之外，电力才是另一个真正意义上的入场券。

2.3 算力与算法的赛跑：谁先撞墙

过去几年，前沿模型训练所需的算力大约每隔几个月就翻一倍，这个增速已经远超集成电路性能提升的经典规律。相比之下，芯片每瓦性能的年提升幅度，乐观估计也只有两到三成。一边是需求近乎指数上涨，一边是能效只能线性改善，中间的缺口就只能靠“堆电”来填。这也是为什么大家会看到一个个百兆瓦级园区拔地而起——不是大家喜欢浪费电，而是算法进步的速度，正在把能源变成最短的那块板。

于是问题自然就转到了能源侧：如果算力需求继续膨胀，而电网、电厂、储能设施跟不上的话，AGI的临界点可能不是被算法卡住，而是被电卡住。这就解释了为什么“从SWE-bench到生物电池”这条线索，会突然出现在AGI的讨论里。接下来把这条线索展开讲。

3. 从SWE-bench到生物电池：为什么AGI的尽头是能量问题

3.1 生物电池为什么会挤进AGI叙事

生物电池听着有点生物课本的味道，它大体指两类东西：一类是酶燃料电池，利用生物酶的催化作用把有机物里的化学能转成电能；另一类是微生物燃料电池，利用微生物当“活的催化剂”来处理有机物并发电。它们的共同优点是原料来源广、环境友好、甚至可以做得很柔性；共同的缺点是功率密度和循环寿命远远不如锂电池。你不可能靠一组酶燃料电池去点亮750MW算力集群，那中间差了大约九个数量级。

那它为什么出现在AGI的讨论框架里？我觉得核心在于“反身性”：如果AGI真的把代码能力修炼到很高水平，那它最该去解决的问题，恰恰是物理世界的能量与材料问题。蛋白质结构预测可以做酶的设计，让催化效率更高；生成式模型可以快速筛选电池电解质和电极材料；自动化实验系统配合论文阅读，可以极大缩短“发现—验证—放大”的周期。换句话说，生物电池不是AGI的电源，而是AGI用来证明“我能改造物理世界”的最好样板之一。这个叙事链条，才是它被放进标题里的原因。

3.2 能量密度、功率密度与供能时间窗

要理解电池研发的难度，得先分清两个概念：能量密度衡量“同样重量能存多少电”，单位是瓦时每公斤；功率密度衡量“单位重量能多快释放电力”，单位是瓦每公斤。对算力中心来说，更看重持续稳定的功率输出；对人形机器人来说，既要能量密度够高以支撑续航，又要功率密度够大以支持瞬间发力。这两者往往是矛盾的，而调节这对矛盾，就是电池工程师的日常。

拿数据说话：现在主流锂离子电池包的能量密度大概在250到300瓦时每公斤，下一代的固态电池如果能做到400甚至600瓦时每公斤，同样的重量下机器人续航几乎翻倍；要是哪天真有1000瓦时每公斤级别的电池出现，整个电动航空、机器人产业的格局都会重写。作为参照，标准汽油的热值大约是12000瓦时每公斤，这也是为什么燃油车加油三分钟就能跑五百公里，而电动车要充半小时只能跑四百公里的根本原因。AGI能不能在3到7年里加速电池材料的筛选，让这些数字提前落地，我认为是未来几年最值得盯的变量之一。

3.3 AGI加速能源研发的回环

更宏观地看，“从SWE-bench到生物电池”其实是在描述一个闭环：AI用代码能力解决科研难题，科研难题的突破反过来解除AI的能源约束，然后更大规模的训练又推动更强AI——这个正反馈一旦成立，3到7年窗口就不再是“能不能到AGI”的问题，而是“用多快的速度走完剩余路程”的问题。

我说句实在话：短期三年内，这个回路还不足以改变算力中心的供电结构，电网和传统能源依旧会是主力；但五到七年的尺度上，由AI辅助催化的新材料、储能和生物合成突破，很可能带来第一波实质性的能源成本下降。届时的胜负手，可能不在于谁的模型多一个百分点，而在于谁先把“代码能力”转化成“物理世界的改造能力”。这件事，恰好也是人形机器人和寿命鸿沟要讲的部分。

4. 人形机器人与寿命鸿沟：物理载体和时间的双重错配

4.1 人形机器人：智能为什么需要一个“人形壳子”

如果说SWE-bench是AGI的“脑力测试”，那人形机器人就是AGI的“动手能力测试”。为什么是“人形”而不是“狗形”或者“机械臂形”？原因很朴素：我们生活的环境——楼梯、门把手、插座、工具——全部是按照人类身高、手型和力量习惯设计的。一台机器若要通用地在这套环境里工作，长成“人形”是摩擦最小、适配面最广的方案。双足提供移动性，双手提供操作能力，头部的多传感器提供感知，剩下的事情交给模型。

这两年人形机器人突然从demo走向试点，不是因为某一家公司的黑科技，而是几个齿轮终于咬合了：第一，大模型给了机器人一个“大脑”，它终于能看懂指令、理解场景、进行多步任务规划；第二，硬件供应链成熟了，高扭矩密度的关节电机、带触觉的灵巧手、低成本激光雷达和视觉传感器，都到了能买得起的地步；第三，数据来源丰富了，互联网上的海量人类行为视频可以被用作预训练数据，机器人的遥操作采集又补上了最后一公里。于是我们看到，各种工厂里出现了小批量试用的人形机器人，虽然动作还慢、还很笨，但方向已经确定。

4.2 寿命鸿沟：三重时间尺度的错配

标题里“寿命鸿沟”这四个字，我琢磨了很久，最后倾向于三层读法。第一层是最直观的：人类寿命和技术代际的鸿沟。过去一个职业的知识半衰期可能有二十年，你刚入行学到的东西，够你吃到退休；但AGI时代，模型能力每几个月就上一个台阶，你今天掌握的技能，三年后大概率要从头学。一个人要想跨越这条鸿沟，要么持续学习，要么接受被“技术时间”远远甩开的命运。

第二层是软件与硬件的寿命错配。人形机器人身上很明显：算法可以每周更新一版，但关节的电机、减速器、电池循环寿命是按年来计的。你会看到一个现象——机器人的“大脑”远比“身体”进步得快，硬件成了拖后腿的那半边。这个错配同样发生在人类自己身上：我们的认知方式、知识结构可以快速更新，但身体的衰老、精力的下降却遵循生物学时钟，没办法被“OTA升级”。

第三层是制度和系统的寿命错配。电网的建设周期是五到十年，教育体系的调整周期是按代算的，监管法规的修订同样慢得出奇；而技术在按季度演化。三重时间尺度在3到7年窗口期内会剧烈碰撞，这才是“寿命鸿沟”最深刻的地方——它不是说人类会死，而是说，我们建立秩序的速度，可能追不上技术改变世界秩序的速度。

4.3 3到7年窗口期的依据与不确定性

为什么各家讨论都集中在3到7年？梳理一下，大致有四个支撑：一是模型能力曲线的外推，按当前算力与性能的关系往后推，几年后会到达一个“许多任务线都越过人类水平”的区间；二是硬件交付周期，新一代晶圆厂产能投放、新算力园区建成，大概需要三到五年，正好卡在这个区间；三是人形机器人从原型到万台量产，大致也是这个节奏；四是科研反馈回路，AI辅助科研从“能用”到“规模化”同样需要数年。四条线在时间轴上交汇，于是有了一个3到7年的“运行区间估计”。

但窗口期不是预言，它有大量不确定性：能源可能卡脖子、模型能力可能碰到高原、安全与治理可能强行踩刹车、或者出现某种意料之外的突破把时间表大幅提前。我的态度是，把3到7年当成一个“参照系”来规划项目和职业，但别把它当成倒计时来制造焦虑。真正值得花时间的，是想清楚下一步的分叉点到底会怎么展开，也就是文明分叉的问题。

5. 文明分叉：突进、滞胀与多极的三条路径推演

5.1 路径一：突进式——软件突破带动全面加速

先讲最乐观的分叉。假设在3到7年内，SWE-bench解决率冲上七八成，AI自动完成大部分软件工程；人形机器人在特定场景做到比人工更便宜、可替换；电池和储能因为AI加速研发而突破。这个局面下，软硬件的正反馈会全面提速：AI设计芯片、AI写代码、AI做实验、机器人进工厂，人类的产出似乎被无限放大。这就是“突进式”分叉——AGI更像一次工业革命级别的加速器。

但这条路的代价同样巨大：劳动力市场会在极短时间内被重塑，大量重复性岗位消失的速度可能快于社会保障体系的调整速度；赢家通吃的局面会进一步加剧不平等；“机器干所有活”的社会如何分配财富，会成为比技术本身更棘手的议题。所以我虽然认为突进式概率不低，但从不觉得它等于“天堂”——它更可能是人类有史以来最剧烈的产业结构地震。

5.2 路径二：滞胀式——硬件与能源卡脖子

第二条路径是“看得见摸不着”。AI在软件基准上一骑绝尘，但真要大规模部署，立刻撞上晶圆产能、750MW级电力和储能瓶颈。训练一个前沿模型要排队等芯片、要抢电网容量、要面对冷却用水的环保审批；人形机器人造得出来，却因为成本、可靠性和能量密度不够而无法规模化。这就是“滞胀式”分叉——技术指标在涨，实际落地却像是被灌了铅。

这条路径下，AGI依然会来，但会是“渐进且受到物理约束的”。好处是社会有时间适应，坏处是那一批重仓算力基础设施的玩家会非常难受——你投了几百亿建园区，结果电价上涨、政策收紧、产能爬坡不及预期，回本周期无限拉长。我个人判断，3到7年窗口期内，滞胀式力量是真实存在的，它和突进式同时在场，最终走向取决于能源技术的突破速度。

5.3 路径三：多极与对冲式——治理和安全优先

第三条路径不追求某一个“AGI时刻”，而是多个中心、多种路线并行竞争。不同地区会用不同的推进节奏：有的激进部署大模型，有的把AGI关在隔离环境里研究验证；有的允许人形机器人进工厂，有的只允许它们在实验室里做极限测试。这就像历史上多次出现过的技术多极格局一样，没有一个压倒性的分叉点，而是能力分布和规则的碎片化。

这条路径的一个关键变量是安全研究。随着模型能力逼近临界点，会有越来越多人认为应该预留“安全缓冲区”，在自动化验证、可解释性、可控性上投入重兵。如果这条力量占据上风，3到7年窗口期可能不是AGI全面落地的时刻，而是“AGI被制度化收编”的开端。它没那么戏剧化，却可能是大多数普通人最舒服的一种过渡方式。

所以我对“文明分叉”的真实理解是：文明不会在某一天早上“哗”地分成两条路，而是同时沿着突进、滞胀、多极三条轨迹分层推进。不同行业、不同地区、不同公司会各自选一条甚至同时踩上两条。与其押注单一结局，不如把三条路径都装进自己的情景库，然后通过关键指标动态更新权重。

6. 面向3-7年窗口期：观测清单与实操建议

6.1 一份可以直接抄作业的观测清单

前面讲了那么多框架，最后给点能落地的。我整理了一份3到7年窗口期的跟踪清单，基本覆盖了上面讨论的所有维度。大家可以根据自己的行业角色挑着关注，不用全看。

这张表的核心思想是：不要盯着“哪年AGI”这种口号式问题，而是盯着一组可量化的代理指标。当你在多个维度上同时看到加速信号，那才说明临界点真的近了。

6.2 给工程师和读者的四点实操建议

第一，把“会用工具+长上下文”当成基本功。现在的新一代模型都很擅长调用检索、执行代码、读写文件，你要是还在把模型当聊天机器人用，等于拿着智能手机打传呼机。尽早习惯把模型当成一个需要“管理”的协作对象，你的产出效率会明显不一样。

第二，建立能效思维。不管你做软件还是硬件，都要把“每瓦算力能换多少业务价值”当成默认的思考框架。未来的项目预算书里，电力消耗一定会像性能指标一样重要，早适应早占便宜。

第三，不要神化榜单。SWE-bench也好、其他基准也好，都是路标而不是终点。真正可靠的能力验证，是在你自己业务的一个真实难题上做对照测试，三个月跑一次，记录趋势，这比任何新闻标题都可靠。

第四，做好个人层面的“寿命对冲”。既然寿命鸿沟的本质是时间尺度错配，那应对方式也很简单：保持学习带宽、保持健康、保持可迁移的通用能力。复杂系统未必要预测准，但一定要扛得住震荡——个人是这样，项目是这样，文明也是这样。

我个人这几年最大的体会是，AGI这场讨论最稀缺的不是技术，而是“把不同尺度的变量放在同一张表里推演”的能力。SWE-bench的分数涨得再快，也要回到晶圆产能和电价里去验证；人形机器人再酷，也得解决电池循环寿命和关节磨损的问题；3到7年窗口期再让人焦虑，它也只是四条时间线交汇的粗糙估计。

最后分享一个小技巧：我每隔几个月就会用同一个问题检验自己手头的项目——“假如AGI能力两年后翻十倍，我现在做的事还成立吗？”这个问题帮我砍掉过不少伪需求，也逼我往更接近物理世界、更接近真实瓶颈的方向走。奇点前夜，最有用的不是预言奇点何时来，而是确保自己在奇点到来时，手里还握着有用的牌。