先说我的结论，Open AI和Deepmind在ICPC 2025 World Final上的表现，证明了AGI已经势不可挡。我对AGI已经没有了任何怀疑。
更新（9/21/2025）：
看了大家的回复后，我想再补充几点。
（1）首先是关于这次成绩的真实性。我在评论区看到有人，比如 @南风 就提到：“OpenAI有作弊前科，还是多观察下”。我其实也同意OpenAI过去有过夸大宣传（hype）甚至是某种意义上可视为“作弊”的记录，但这一次，我认为结果是可信的。
我的判断，核心论据来自Linux.do社区的一个帖子。有用户测试了公开的 gpt-5-high API，结果是12道题中做出了9道。其中6道题甚至没在本地编译就直接一发AC，另外3道也只反馈了一次就AC了。
GPT-5 (high) API ICPC(国际大学生程序设计竞赛) 2025 测试结果
一个公开的、能力还不是最强的模型都能做到这个地步，那OpenAI用内部算力更足、更强的旗舰模型AK全部题目，是完全可能的。
（2）我看到有些人说，算法竞赛解决的只是玩具问题，和实际工程能力差得比较远。我承认，工程项目上的挑战，跟算法竞赛确实有很多不一样的地方。但对现在这种基于cot reasoning架构的LLM来说，它在这两方面的能力表现是高度相关的。
我们可以看一个很清晰的时间线对比。2023年4月，GPT-4的Codeforces评分只有400分，这意味着它的coding能力低于绝大多数学过编程的人，就不用说跟算法竞赛选手比较了。那时候它在工程上基本没法用，那是自然，因为最简单的需求都会写出千疮百孔的代码。
直到2024年9月，GPT-o1发布，rating冲到了1900分。说明模型在做简单至中等难度的算法题时，其CoT已经能保证大概率做对，会做且考虑清楚了所有边界情况。
这样的CoT显然也是能帮助在做工程项目里的简单至中等难度的需求时，能理清楚需求和实现的各种细节。于是紧接着在第二年，各种AI Code Agent就如同雨后春笋一般冒了出来，变得真正实用。
今年8月，GPT-5刚出来的时候骂声一片，但过一会儿后，在coding领域的口碑就迅速反弹，很多人都认为它比几个月前大家公认的Claude Code写代码要更好。那我们看前面的GPT-5（high）的算法竞赛成绩就不难理解了。
现在大家vibe coding所使用的模型都只是在rating 1600-1900分左右，如果说明年，大家用的模型能达到OpenAI参加这次ICPC的内部模型的能力的话，我认为vibe coding肯定也会有很大的飞跃。
（但我依然认为这个时代，经验丰富的程序员依然是很重要的，能力更强者之间的合作带来的效益是远大于小白和能力强者之间的合作的。）
（3）我看到有人说，ICPC之所以能被AI攻克，是因为它有严格、标准化的评测，对就是对，错就是错。其他领域，比如画画、写小说，主观性太强，AI就很难做好。
我同意其他领域可能会更困难，但这套AGI的模式仍然是通用的。只需要看，我们是否能为这个领域建立一个有效的评价机制。
不一定非要有绝对客观的标准。只要我们能训练出一个评价模型（Reward Model），它能以比较高的准确率，判断出AI的一个产出是好是坏，并且能判断出“产出A”比“产出B”更好还是更差。只要有了这个，AI就有了明确的优化方向。
一旦这个评价机制建立起来，AI就能通过海量的尝试和反馈，不断地产出更符合人类期望的结果。到那时，这个领域里“人类的智能”也就被AI学会并可以无限复制了。这就是为什么我认为AGI已经势不可挡，人类在所有理性的领域上展示的智能，都能被AI复制。
（4）刚刚提到的评价模型无法覆盖的领域，我认为就是那些感性因素远胜于理性因素的领域。在这些领域，就算没有AI，光凭人类的理性也无法得到公认的答案。（画图不属于此，因为虽然大家审美不同，但还是有大多数人都同意的审美标准）。
我能想到的一个例子就是现在的美国政治。对于美国总统这个岗位，比如我们看特朗普，无论他做什么，都有大概一半美国人认为他做得很好，另一半人觉得他做得很差。
在这种情况下，我们根本无法训练出一个可用的评价模型，因为人类的反馈本身就是完全分裂的。这样的模型，其效果可能还不如随机猜测（random guess）。
所以，“美国总统”就是我想到的一个绝对不会被AI替代的岗位。
这也让我对那些关于“AI Doom”的悲观预言有了新的看法。有些悲观派认为AI会取代所有工作，AI将接管并统治世界，但你看到，那肯定是有一些岗位是无法被替代的，而人类的Administrator，显然没法，也不会被AI替代。
以下是原回答：
利益相关：我是退役了好几年的算法竞赛选手，退役前最好成绩是国内区域赛金，离入围Final还有点距离，Codeforces最高rating在2200左右。
我一直觉得，算法竞赛的成绩对LLM时代的AI来说是极好的benchmark，原因有3:
（1）完全排除训练数据污染的问题。ICPC，OI，Codeforces（除了educational round）等比赛，对出题者的基本要求就是不能出原题。也就是说，只要我们保证测试的比赛的时间是在LLM knowledge cutoff之后的，就基本能保证没有数据污染。
（2）有很标准化的，且很严苛的测试手段。只要测试数据出得足够好（大多数情况都能满足），提交的程序只要有任意一个地方没考虑清楚就是0分。相比较之下，很多其他领域的主观题，需要靠人类评委来打分，很多时候写个差不多好的答案，中间稍有疏漏也能有不错分数。
（3）简单题可能一眼就能看出解法，但很多难题需要很长的推理过程，且需要一些奇思妙想。这点很适合测试现在的reasoning模型加长cot之后的表现。
如今两家公司基本上算是攻破了这一benchmark（OpenAI成绩更好一些）。
这在我两年前，甚至一年前，是完全想象不了的。因为2023年4月的GPT 4在很多benchmark（比如文学等）上表现得很优异的同时，Codeforces只有400分。远低于任何一个刚刚入门算法竞赛的人类选手。
GPT 4这时候我就听到了AGI的概念，当时我是完全不信的。它离我自己的水平都差得远了，只是看起来会“生成代码”而已。
之后的一年多，我都维持了这个判断。我始终觉得Next token prediction这个pattern要产生真正的“智能”是不靠谱的，从原理上就难以解决hallucination这个问题。
直到2024年9月，o1带来的reasoning范式，确实是一个大进展。Codeforces rating来到了1900，甚至2100.我认为模型后训练对cot强化学习后，推理能力比纯的next token prediction强了很多。但仍然有点侥幸，因为我认为它的推理能力还是没有超过我。至少很多我会做的题，o1甚至o1 pro都还是做不出来。
o3宣称rating到了2700+，但我一直怀疑这个数字，因为这个o3是最初的满血版o3，而且是对算法竞赛做了专门的后训练的，一直没有公开访问权限。
然后是现在，Open AI宣布AK了ICPC 2025 World Final（即全部题都做出来了）。最难的那道C题，不仅场内选手没做出来，场外mirror的jiangly（我认为很接近算法竞赛的GOAT水平）也没做出来。相信看过直播的人都印象深刻。
这对我来说还是很难以置信的。这意味着，现在的模型架构，已经能有效解决hallucination问题，以至于在做ICPC最难的题时提交的答案不出一点差错；并且拥有了和最聪明的人类平齐的推理能力。
我此刻的想法有点像柯洁在某个节目接受采访时说过的“今后如果AI能够做一些事，导致有些人失业的话，失业的人可能就能明白我们下棋人那时候的心情“。