从 AGI 到 ASI：后通用智能时代的演进路径与挑战

背景

在过去十年中，构建具备人类水平的人工智能通用智能（Artificial General Intelligence, AGI）这一概念，已从遥远的推测转变为许多顶级 AI 组织确定的下一个十年目标。随着这一目标的逼近，其实现将对人类社会产生深远且广泛的影响，从而引发了一系列复杂的未来议题。

本报告旨在探讨在 AGI 实现之后，人工智能如何沿着机器智能的连续体继续发展。该连续体的终点是“通用人工智能”（Universal AI），这一概念在理论上已有较为清晰的理解，为报告的核心焦点——从人类水平的 AGI 向人工通用超级智能（Artificial Superintelligence, ASI）的过渡——提供了形式化的基础。

核心内容

本报告首先对 ASI 进行了界定，随后深入探讨了从 AGI 迈向 ASI 的四种潜在路径，并分析了这些路径上可能存在的摩擦与瓶颈。

1. ASI 的定义与特征 报告将 ASI 直观地定义为一个比大型人类组织更具智能和认知能力的系统。这一界定不仅强调了个体智能体的超越性，也隐含了对集体智能效率的对比。

2. 从 AGI 到 ASI 的四种潜在路径 报告详细分析了以下四种可能促成这一过渡的路径：

• AGI 的规模化扩展（Scaling AGI）： 通过增加计算资源、数据量和模型规模，直接提升现有 AGI 系统的性能。
• AI 范式转移（AI Paradigm Shifts）： 突破当前的技术框架，引入全新的算法架构或学习机制，实现智能质的飞跃。
• 递归改进（Recursive Improvement）： AGI 系统具备自我改进能力，能够优化自身的代码、架构或训练过程，从而引发智能水平的指数级增长。
• 大规模多智能体集体涌现（ASI Emerging from Large-Scale Multi-Agent Collectives）： 通过协调大量 AGI 智能体之间的交互与合作，从群体层面涌现出超越单个智能体总和的超级智能。

3. 摩擦与瓶颈 报告指出，在上述路径中可能存在各种摩擦和瓶颈。确定这些摩擦的影响是微不足道还是具有实质性阻碍，提出了许多具体的开放研究问题。

4. 预测的不确定性与社会变革形态 鉴于预测 ASI 进展存在巨大的不确定性，不能排除 AI 进步在未来几年继续加速的可能性。这意味着，由引入人类水平 AGI 所导致的单一变革性步骤变化的图像可能是不准确的。更可能的情况是，AI 赋能的进步和突破将在科学和技术的多个领域引发一系列变革性的社会变化。

关键要点

• 目标明确化： 构建人类水平 AGI 已从推测变为顶级 AI 组织的下一个十年具体目标。
• ASI 的直观定义： ASI 被理解为比大型人类组织更智能、认知能力更强的系统。
• 四大演进路径：
  1. 单纯扩大现有 AGI 规模。
  2. 发生根本性的 AI 技术范式转移。
  3. 通过递归自我改进实现智能加速。
  4. 通过大规模多智能体协作涌现出超级智能。
• 研究缺口： 目前尚不清楚上述路径中的摩擦和瓶颈是轻微的还是决定性的，这需要具体的开放研究来解答。
• 变革的非线性预期： 由于预测的不确定性，AI 进步可能持续加速。社会面临的挑战可能不是 AGI 出现时的“单一时刻”冲击，而是由 AI 在科技各领域突破引发的“一系列”持续性社会变革。
• 应对策略： 应对这一前景需要全球范围内跨学科的巨大努力。

意义与影响

这份来自 arXiv cs.AI 的报告（提交于 2026 年 6 月 10 日）标志着 AI 安全与战略规划领域的视角转变。它不再仅仅关注“是否”能实现 AGI，而是深入探讨“之后”会发生什么。

1. 对 AI 发展预期的修正 报告挑战了公众和业界常见的“奇点时刻”叙事，即认为 AGI 的出现会瞬间带来颠覆性变化。相反，它提出了一种更渐进但更广泛的变革图景：AI 将在科学、技术等多个领域持续推动突破，带来一系列连锁反应的社会变革。

2. 跨学科合作的紧迫性 由于 AI 进步可能带来的广泛社会影响，报告强调准备应对这一前景不能仅靠计算机科学家，而需要全球范围的、大规模的跨学科合作。这涉及伦理学、社会学、经济学、法学等多个领域，以共同应对 ASI 时代可能出现的复杂问题。

3. 开放研究议程的设定 报告明确指出了当前研究的盲区，特别是关于路径摩擦和瓶颈的量化评估。这为未来的 AI 安全研究指明了方向：不仅要追求智能的提升，更要理解提升过程中的阻力、风险和非线性效应。

4. 政策与治理的前瞻性 对于政策制定者和监管机构而言，这份报告暗示了监管框架需要具备高度的适应性和前瞻性。鉴于 AI 进步可能加速且影响广泛，现有的静态监管模式可能失效，需要建立能够应对快速迭代和多领域影响的动态治理机制。