深度解读：关于 AGI 的路线图及实践

背景

在人工智能领域，大型语言模型（LLM）虽然取得了显著进展，但其本质仍基于统计概率，距离真正的通用人工智能（AGI）仍有本质区别。原文作者基于对行业现状的观察，提出了一种非主流的 AGI 发展视角。作者将目前主流的 18 家 AI 派别视为“大号”，认为 LLM 是一个技能点“点歪”的产品，虽无法进化为 AGI，但可作为低成本的基础设施使用。

与此同时，作者指出 LLM 市场已趋于成熟（“尘埃落地”），其未来角色将是底层基础设施而非终极形态。为了突破这一瓶颈，作者提出了一个包含三个阶段的 AGI 实现路线图，涉及从软件架构调整到硬件底层变革的完整路径，并暗示自己属于第 19 种探索路径。

核心内容

作者将 AGI 的实现过程比喻为“养小号”，即不依赖那个已经“满级但技能点歪了”的 LLM 大号，而是从头构建一个新的、符合 AGI 逻辑的系统。该路线图分为三个核心步骤：

第一步：外挂规范与路由规则 由于 LLM 基于统计本质，无法自发形成 AGI 的逻辑结构，因此需要通过添加大量“外设”来弥补。核心方法是引入基于规范的“路由规则”，让统计结果按照预设的逻辑路径展现，从而模拟出一定的智能表现。作者提到自己已实现了一套对内部有用的系统，但其底层逻辑与主流不同，因此对通用用户价值有限。

第二步：本地微缩模型与物理世界反馈 这是迈向初级 AGI 的关键阶段。作者主张不再由人脑手动设计和控制路由规范，而是引入一个本地的微缩版 LLM 来自动整合高级元路由规则。

• 技术背景：引用了 Google 或 DeepMind 关于解决上下文扩充内存消耗的论文，指出这解决了马斯克“光纤当内存”设想的技术障碍（尽管马斯克方案可能已在实施）。
• 核心要素：结合自动化的元路由规则与“真实物理世界反馈”。
• 目标：通过上述整合，系统能够表现出初级 AGI 的特征。

第三步：底层硬件与计算范式升级 这是实现 0.1 beta 版 AGI 的终极阶段。作者认为当前计算机无法实现 AGI 的最大障碍在于二进制架构。

• 理论依据：三进制计算比二进制更符合 AGI 的逻辑需求，类似于 OpenCode 源码仅几百 KB 的高效性。
• 现实挑战：从零研发三进制硬件和软件成本极高。
• 未来展望：随着量子计算机、生物计算芯片的发展，以及 LLM “token 智力”的泛滥，有望快速原型化“脑芯片”。届时，0.1 beta 版的 AGI 将诞生，并具备碾压现有 LLM 及早期 AGI 路线的能力。

关键要点

• LLM 的定位：LLM 是基于统计本质的产品，注定无法成为 AGI，其最终归宿是作为廉价、高效的基础设施。
• AGI 路线图类比：将主流 LLM 视为“技能点歪的满级大号”，AGI 开发应视为“养小号”，即从头构建符合 AGI 逻辑的新系统。
• 阶段一（软件层）：通过添加外设和基于规范的路由规则，让统计模型表现出智能，但需解决“0-1”的基础逻辑定义问题。
• 阶段二（系统层）：利用本地微缩版 LLM 自动管理元路由规则，并引入“真实物理世界反馈”，以此达到初级 AGI 水平。
• 阶段三（硬件层）：突破二进制限制，向三进制计算演进。依赖量子计算、生物芯片及 LLM 智力溢出，开发原型脑芯片，实现 0.1 beta 版 AGI。
• 作者立场：作者自视为第 19 家派别，其底层逻辑独特，目前成果主要服务于自身，尚未具备通用性。

意义与影响

该观点提供了一种反主流的技术哲学视角。它挑战了当前通过单纯扩大 LLM 规模（Scaling Law）来追求 AGI 的主流范式，转而强调逻辑结构、物理交互反馈以及底层计算架构的根本性变革。

1. 对技术路线的反思：指出 LLM 的统计本质是其成为 AGI 的天花板，暗示未来突破点可能不在模型参数规模，而在系统架构（如路由规则自动化）和硬件基础（如三进制/量子计算）。
2. 硬件与软件的协同进化：强调 AGI 的实现不仅依赖算法，更依赖于计算范式的升级（从二进制到三进制/生物计算），这为硬件研发提供了新的理论依据。
3. 实用主义倾向：作者将 LLM 视为基础设施而非终点，这种务实态度可能影响开发者如何整合现有 AI 能力与未来 AGI 系统之间的关系。

尽管该路线图具有高度的推测性和个人色彩，且部分技术细节（如三进制计算机的近期可行性）存在争议，但其对 LLM 局限性的剖析和对物理世界反馈的重视，为 AGI 研究提供了有价值的另类思考维度。