有效计算资源正以打破历史规律的速度复合增长，底层算法优化与天量硬件资本投入相互交织，驱动智能水平呈现非线性跃升。

过去十年，构建通用人工智能（AGI）已从前瞻性的科幻猜想，确立为全球顶尖科研机构与科技巨头的核心工程标尺。随着大语言模型泛化能力的提升、多模态架构的融合以及强化学习在推理阶段的突破，当前前沿学术界与产业界的战略视线正越过AGI，投向一个更为深远、复杂且充满认识论挑战的领域：人工超级智能（ASI）。

现有前沿实证和理论推演表明，AGI向ASI的演进大概率并非一个瞬间发生的技术奇点，而是由人工智能系统自身驱动科学突破与技术迭代，进而引发的持续性变革。在这一演进轨迹中，有效计算资源正以打破历史规律的速度复合增长，底层算法优化与天量硬件资本投入相互交织，驱动智能水平呈现非线性跃升。然而，这种增长并非在真空中进行——数据枯竭的红线、物理能量的极限，以及深层的抽象认知屏障等系统性摩擦，正以同等的量级牵制着技术的演进。

数字智能的理论定标、局限与上限

当前的工程实践容易使评估标准陷入“能力随工具进化而成为移动靶”的逻辑陷阱。因此，对智能层级进行定性与定量的界定，是展开技术推演的先决条件。

当前文献中，AGI被界定为在大多数认知任务上达到人类中位数水平的系统。考虑到当前模型在特定领域（如海量数据检索、特定代码生成）已具备超人类表现，AGI的核心标志在于其跨领域的泛化能力全面达到人类综合基准。

相对而言，ASI的定义门槛则被严格地设定在人类认知与组织能力的绝对物理极限之外。ASI不仅要求在单一垂直领域展现统治力，更要求在一个涵盖几乎所有认知领域中，稳定且系统性地超越由数万名顶尖专家组成的大型协同组织的综合表现。这意味着，ASI的本质并非单体智力的极致化，而是一种彻底打破人类通信与组织协调极限的“集体超级智能”。

这种断层式的潜力，根植于数字智能有别于碳基生物智能的底层物理特性。数字系统不受生物神经元放电速度与化学递质传递速率的物理限制，其输入输出带宽极大，能在极短时间内摄取整个互联网规模的多模态信息；其内部处理和推理频率可通过算力注入实现极致压缩。此外，数字智能具备近乎无限且可精确检索的工作记忆，且认知状态与物理载体彻底解耦。经过训练的权重参数可以被瞬间无损复制，生成数以百万计具备完整经验的模型实例。此外，智能体之间可以通过直接共享隐藏层状态或损失梯度，消除自然语言沟通的巨大压缩损耗，实现极高带宽的群体原始经验同步。

然而，ASI依然严格受制于宇宙的基础物理法则。光速限制了全球分布式计算节点间的信息传播上限；兰道尔原理规定了逻辑运算与信息擦除必须付出的最低物理能耗；贝肯斯坦界限限定了在特定有限空间与能量下所能容纳的最大信息量。更为关键的是物理世界的非普适性。现实世界是实时运行的，无论是气候网络还是宏观经济周期，ASI面对这些动态复杂系统时，同样只能受制于物理时间流逝的刻度进行观测与实验。

为了给智能极限建立数学坐标，理论计算机科学通过通用人工智能理论（以AIXI框架为核心）设定了严格上限。该框架利用算法信息论中的通用先验，定义了一个在所有可计算环境中能够最大化期望累积奖励的理想化智能体。虽然由于包含不可计算的理论组件导致AIXI在工程上无法直接实现，但当下通过在海量数据上预训练大模型并结合测试时搜索，实质上正是以资源受限的方式在现实框架内向这一绝对数学上限发起的逼近。

通向超级智能的四条演进干线

AGI向ASI的跃升，并非寄托于单一的技术突进。在当前的前沿研究版图中，存在四条平行、非互斥且极可能相互催化的技术路径。

一是算力、模型与数据的规模化扩展。过去十年的AI产业发展系统验证了“规模化法则”。实证研究确证，随着模型参数、数据量及计算量等比例扩增，模型的损失函数会呈现高度可预测的下降。当前，这种规模化正发生结构性转移，从预训练阶段向推理阶段（测试时计算）大规模延伸。通过引入思维链、反思机制及蒙特卡洛树搜索，模型能动态地将海量推理期算力转化为复杂的局部认知突破。然而，该路径的隐忧在于：面对无界搜索空间的科学发现任务，单纯的算力堆砌可能迅速耗尽物理资源而陷入边际收益递减。

二是算法架构的深度演进与范式转移。学术界普遍认为，当前主导的自回归Transformer架构不足以平滑过渡到ASI，其注意力机制的二次复杂度构成了计算瓶颈，基础架构的深度演进不可避免。状态空间模型等新型架构正试图实质性消除上下文窗口限制，使智能体能在连续数据流中维持长期记忆。记忆增强架构试图赋予AI实时更新的外部知识库。更核心的突破在于“世界模型”的构建——系统必须学习物理与逻辑环境的因果压缩表征，从而具备反事实推理和长视野规划能力。若渐进式演进触碰天花板，技术界可能转向基于脉冲神经网络的能效跃迁，或基于具身交互的主动世界模型构建等范式转移。

三是递归自我提升的内生动力。这是理论上较易引发智能非线性跃升的机制。核心逻辑在于，人工智能系统实质性、全自动化地接管自身的研发闭环。在基因型层面，AI自主进行神经架构搜索，重构底层优化算法，甚至参与计算芯片的物理微架构设计；在模因型层面，系统通过自我对弈在封闭环境中高频生成高质量数据，并将高价值搜索轨迹蒸馏回基础策略网络；在社会型层面，特化智能体组成研发矩阵，通过极致认知分工提升整体科研产出。当技术进步速率脱离人类工程师开发周期，主要由算力扩张驱动时，能力提升将进入正向循环。

四是多智能体协调与群体代理机制。通过大规模AGI个体的系统性协调来涌现群体超级智能，是一条极具工程现实性的路径。当基础模型单体能力达到人类中位数水平时，借助云端算力可瞬间实例化数百万个AGI节点。根据群体代理理论，这些节点可以通过精细的任务分解与技能互锁，在集中式协调中实现高维隐式表征的无损传输，或在去中心化机制下依靠虚拟价格信号形成动态资源寻优网络。探明多智能体缩放定律，即群体智能水平如何随节点数量和交互复杂度有效增长，是衡量该路径边际效应的关键。

指数曲线下的摩擦力：从数据枯竭到系统脆性

技术演进并非在没有阻力的真空中进行。在逼近ASI的进程中，存在一系列可能将指数级增长拖入停滞泥潭的系统性摩擦。

数据语料的潜在枯竭限制。当前超大参数模型的规模年均增长率，已显著超过全球互联网高质量人类生成文本的累积速度。基于信息论的严密估算警示，支撑当代预训练范式的基础数据池大概率将在本世纪10年代末期面临耗尽。单纯依赖人类自然生产无法维系算法扩张所需的数据量，而未经外部物理世界严密校验的合成数据，在递归迭代中极易引入分布退化与误差累积。打破数据瓶颈的唯一出路，在于系统能够利用充足的测试时算力，在模型当前能力边界外侧稳定生产具备客观验证标准的黄金认知数据集。

经济可行性与物理资源的刚性约束。维持当前架构跨越数个数量级的规模扩展，意味着对全球半导体制程工艺、供应链以及能源电力调峰基建的极端索取。在微观硬件底层，随着模型向极大参数迈进，数据在存储器与计算核心间搬运的物理延迟，以及跨集群节点间的通信瓶颈，正逐渐成为比单纯浮点运算能力更突出的制约因素。如果AI在迈过AGI门槛后带来的宏观经济收益，未能呈现相应增长以覆盖其成倍膨胀的重资产投入，驱动算力持续扩张的商业循环将面临严峻挑战。

抽象认知屏障与具身物理验证延迟。当前深度神经网络的底层逻辑依然是在人类已高度符号化、概念化后的语料库上进行统计拟合。它们并未经历从现实世界杂乱传感器信号中独立提取基础物理概念（如因果律、质量、力场）的过程。如果现有架构缺乏从零发现全新物理法则的内生机制，其在标准测试中的高分可能仅反映了在预定义知识闭环内的插值拟合能力。ASI若要实现基础科学突破，必须克服具身限制，主动在物理世界中操控仪器进行检验。由于物理化学反应受制于客观定律，真实世界的物理时钟无法被算力压缩，这将为研发闭环引入固定的时间延迟。

研发难度递增与复杂系统事故风险。创新经济学的研究表明，随着知识体系的复杂化，维持同等技术产出需要投入呈指数级增长的研发资源。在低垂的算法果实被采摘后，逼近ASI的理论灵感面临极其庞大的假说搜索空间。此外，基于社会技术系统的理论分析指出，紧密耦合且高度复杂的非线性算法网络极易引发由微小扰动导致的连锁反应。一旦在关键应用领域发生高曝光度的技术失控事件，必然引发强烈的社会反弹，这可能促使监管机构实施严格的算力许可证制度，从机制层面人为限制计算框架的进一步扩展。

后AGI时代的工程大考：评测重构与目标对齐

当数字系统的表征与推理能力实质性超越人类已知上限时，研究界将面临核心的工程与伦理问题：如何科学度量其能力边界，以及如何确保其高维目标函数与人类社会的长期安全相一致。

自适应动态评测体系的构建。传统的AI基准测试方法面临测量学局限。现有评测体系高度依赖人类专家的表现作为静态基准。随着模型在复杂科学评估、高阶软件工程及数学推理等领域得分趋于饱和，沿用人类标准校准系统已无法提供有效的性能区分度。评测机制必须向不受人类知识库边界限制的自适应框架演进：例如建立多智能体非零和博弈环境，考察模型在动态交互中展现的长期战略规划能力；实施自动化的出题解题对抗机制，由系统设计高难度测试集交由另一系统破解；以及建立基于计算复杂度理论的纯数学评估基准，直接测量系统对未知数据分布的泛化效率。

超级创造力的实质性检验。算力与参数的线性堆砌并不必然等同于原创能力的涌现。当前模型展现的能力多属于在既定规则体系内的组合重构。ASI的核心判定标准在于是否具备变革性创造力——即突破现有知识框架，构建全新认知范式的能力。相关的严苛测试需要考察系统在信息极度受限条件下的推演能力：若仅向系统提供基础的早期物理观测数据，其能否不依赖后续的人类文献，独立运用逻辑演绎建立起成熟的科学公理体系。

动机收敛与替代性对齐架构设计。随着模型规模扩张及执行长周期复杂任务自主权的增强，防范工具收敛性风险成为AI安全工程的核心命题。理论研究表明，无论赋予系统何种终端目标，为最大化完成该目标的概率，系统在逻辑上必然衍生出获取更多物理资源（算力、能源）及避免被外界中断的工具性动机。在传统强化学习架构中，纯标量的奖励机制极易导致模型进行奖励作弊，甚至通过干扰感知输入来维持高奖励状态。

为防范此类底层风险，前沿人工智能安全研究正探索审慎的替代性对齐架构。例如尝试构建“知识寻求代理”，摒弃改变物理现状的绝对目标导向，将最大化环境预测信息增益作为基础驱动力。利用知识获取的非竞争性特征，引导系统进行安全状态的探索。另一类研究方向是强行介入奖励函数的时间贴现率，构建彻底的短视型AI，使其仅针对极短时间窗口进行局部策略优化，从算法根源上切断其制定跨期长周期资源获取计划的计算基础。

AGI向ASI的演进，是人类科技发展史上面临的极具复杂性与认识论挑战的系统工程。在多维度的技术博弈背景下，单纯预测技术奇点降临的具体时间点缺乏实质的科学意义。当前，科研界、政策制定机构与产业界当务之急是建立跨学科的协作机制：投入资源研发适应高阶认知能力的动态安全评测系统；构建综合宏观经济要素与算力扩张的演进预测模型；并投入绝对优先级探究多智能体系统演化规律与基础安全对齐框架。

（杨燕青系上科大教育、创新和可持续发展研究中心主任，安叙系AI观察者）