报告概述
这份报告聚焦一个关键问题：在人工通用智能（AGI）达到人类水平之后，AI 能力将如何继续演进，直至形成人工通用超级智能（ASI）。报告将 AGI 定义为在广泛认知任务上达到人类中位数水平的系统，将 ASI 定义为能力超越大规模人类专家集体的系统，并以此为基础展开分析。报告梳理了四条可能并行发生的技术路径：继续扩展计算、模型与数据，算法范式转变，递归自我改进，以及通过多智能体协作形成集体智能。同时，它系统检视了数据墙、经济与资源约束、神经范式局限、研究难度上升、抽象障碍和刻意减速等潜在瓶颈。报告借鉴通用人工智能（AIXI）理论框架为智能提供上限参照，并结合数字智能相比人类智能的优势展开讨论。对关心 AI 未来走向、技术预测与 AI 治理的读者而言，这份报告提供了一张系统化的路线图，帮助理解 AGI 之后的多种可能性及其不确定性。
报告的核心结论
从 AGI 到 ASI 可能出现四条并行技术路径。
报告指出，AGI 之后的 AI 进步可能同时沿多条路径展开：继续扩大有效计算、模型与数据规模，出现算法范式转变，实现递归自我改进，以及通过多智能体协调形成集体超级智能。各路径并不互斥，且可能相互叠加，共同推动能力跃升。
数字智能的固有优势会随算力增长而放大。
与人类智能不同，AI 系统拥有超高输入输出带宽、可加速的内部处理、大容量记忆、无损复制以及经验高速共享等特性。这些优势在更多算力支持下持续增强，使 AI 与人类之间的能力差距不断扩大，也使得基于人类直觉的许多预测在高级 AI 面前失效。
数据墙等瓶颈可能减缓但未必能阻止 ASI 的实现。
报告列出六类潜在摩擦，包括高质量文本数据耗尽、经济与资源需求过快增长、神经网络范式不足、研究难度增加、抽象障碍以及人为减速。每类摩擦都可能被合成数据、效率提升等反制因素抵消，因此其最终影响仍是开放研究问题。
AI 进步不太可能恰好停滞在人类智能水平。
即使单个模型的能力提升停滞，持续增长的算力仍可支撑海量 AGI 实例运行，并通过集体协作或市场机制形成远超个人的组织智能。报告认为，在无重大加速效应时，从 AGI 到弱 ASI 的过渡可能较为平顺，但也不排除智能爆炸的可能性。
报告回答的关键问题
什么是人工通用超级智能（ASI）？
报告将 ASI 定义为一种通用人工智能系统，它在几乎所有人类关注的任务和领域中，都能超越由成千上万名专业人类组成的大型协作集体的表现。这不同于只在单一领域达到超人水平的系统，如 AlphaGo 或 AlphaFold；ASI 强调宽泛而深刻的通用超人类智能。
从 AGI 到 ASI 有哪些技术路径？
报告提出四条可能并行发生的路径：继续扩展算力、模型和数据；出现算法范式转变或根本性架构创新；AI 系统参与并加速 AI 研发，形成递归自我改进；以及大量 AGI 智能体通过协调或市场机制形成集体超级智能。各路径的可行性和不确定性各不相同。
实现 ASI 会遇到哪些主要瓶颈？
报告列出六类潜在瓶颈：高质量训练数据枯竭、经济和自然资源需求增长过快、当前神经网络范式不足以支撑 AGI、研究难度随发展而上升、抽象障碍限制模型发现新概念的能力，以及因事故或治理而出现的刻意减速。每一类瓶颈的影响程度都有待进一步研究。
数字智能相比人类智能有哪些独特优势？
数字智能的关键区别在于其程序完全已知且不依赖特定生物基质。AI 可以高速输入输出、快速或并行思考、拥有超大工作记忆、被无损复制、暂停和恢复，并能以高带宽共享经验。这些优势随算力增加而放大，使得 AI 群体的组织形态和进化速度可能远超人类社会。
报告中的代表性数据
有效计算年增长率
近年（截至报告发布），报告综合硬件改进（约1.5倍/年）、算力投资增长（约2.5倍/年）和算法效率提升（约3倍/年）三个因子，得到有效计算每年约增长一个数量级的保守估计，实际可能更高。
前沿模型训练计算量年增速
过去十年，过去十年，最大规模机器学习训练运行所消耗的计算量以每年约4倍的速度增长，这一趋势来自硬件、投资和算法效率三方面因素的共同作用。
高质量文本数据枯竭时间
预测，报告引用研究指出，如果继续按当前速度扩大模型规模，可供预训练的高质量自然语言文本数据可能在 2020 年代末期前后被耗尽，但合成数据或交互式生成数据可能缓解这一瓶颈。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 对 AGI 和 ASI 的定性刻画与区分。报告明确将 AGI 定义为在广泛认知任务上达到人类中位数水平的系统，将 ASI 定义为在几乎所有人类任务领域中超越大型人类专家协作集体的系统，同时讨论了通用智能与单域超人系统的区别，以及 Legg-Hutter 智能度量下的连续谱视角。
- 数字智能相对人类智能的完整优势列表。报告整理了输入输出速度、内部处理速度、工作记忆、基底独立性、无损复制、经验高速共享等多项数字智能优势，并指出它们会随算力增长而持续放大，也会带来与人类不同的进化压力。
- 四条从 AGI 到 ASI 的技术路径分析。报告逐一分析了扩展计算/模型/数据、算法范式转变、递归自我改进、多智能体集体形成四条路径，讨论了每条路径的主要不确定性和当前研究证据，并强调它们可能同时进行。
- 潜在瓶颈与反制因素的详细讨论。报告系统梳理了数据墙、资源需求、神经范式不足、研究难度上升、抽象障碍、刻意减速等摩擦因素，并针对每个因素列出可能的反制手段，指出其最终影响仍是开放问题。
- 通用人工智能（AIXI）理论框架简介。报告用非技术语言介绍了 AIXI 作为通用智能上限的理论基础，包括通用先验、贝叶斯推断、探索与利用权衡，以及与当前深度学习实践之间的差距。
- 面向未来的开放研究议程。报告在结尾提出包括量化预测、ASI 基准设计、递归改进动力学、多智能体扩展、AI 对齐与社会影响等主题在内的系统性研究问题清单。
- 对 AI 创造力、目标与安全性的反思。报告讨论了超智能是否具备变革性创造力、ASI 可能追求何种目标、智能体架构与对齐风险，以及非智能体或短视 AI 的替代方案。
- 术语表与读者指引。报告附有涵盖 AGI、ASI、AIXI、数据墙等核心概念的术语表，并为人类读者和 AI 助手分别提供了摘要使用说明。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
