SI / RESEARCH MONOGRAPH · 2026.10
V1.1 · LONGFORM
ARTIFICIAL INTELLIGENCE → SUPERINTELLIGENCE

从 AI到 SI

人类走向超级智能时代的技术史、产业格局与未来图景

不是模型排行榜,也不是未来主义口号。这是一份关于“智能如何从工具演化为系统”的研究专著。

当 AI 从回答问题,走向持续改变现实,并开始改进制造智能的方法本身,真正的分水岭才会出现。
70+years
16chapters
23sources
Core proposition

未来真正的超级智能,很可能首先不是一个更大的 Model,而是一套能够学习、推理、行动、组织、验证并持续改进自身的 System。

执行摘要

V1.1 相比 V1.0 的升级

一、先把概念说清楚:AI、AGI、SI、ASI 并不是一回事

1. Artificial Intelligence:一个不断扩张的总称

AI 最初是一个研究计划的名字,而不是一个清晰的能力等级。随着技术变化,过去被称为 AI 的能力会不断变成普通软件能力;与此同时,新的能力又被纳入 AI。AI 因而更像一个历史上不断移动边界的集合。

2. AGI:通用性与人类水平能力的交叉区域

AGI 没有全球统一定义。OpenAI 长期强调能够在广泛经济价值工作上达到高度自主能力;Google DeepMind 则更倾向于同时考察 Generality(覆盖范围)与 Performance(能力水平)。因此 AGI 更可能是一段能力区间,而不是某一天突然点亮的开关。

3. ASI:传统技术意义上的超级智能

I. J. Good 与 Nick Bostrom 一脉相承的定义强调:超级智能在几乎所有重要认知领域显著超过最优秀的人类。2026 年 Google DeepMind 又把这个概念扩展到系统层面:人工通用超级智能可以理解为在智能与认知能力上超过大型人类组织的系统。

4. 2026 年美国政府语境中的 SI

美国行政部门在 2026 年 9 月通过行政令推动使用 Super Intelligence / SI 替代 Artificial Intelligence / AI。但行政令同时明确,当前 SI 的法律定义仍沿用原有 AI 的法定范围。因此,这里的 SI 首先是政策与传播命名,并不等于技术上已经实现 ASI。

5. 企业语境中的 Superintelligence

Meta 的 Personal Superintelligence 强调让每个人拥有能够理解目标、调用工具并长期协作的个人智能;SSI 则把 Safe Superintelligence 直接设为唯一目标。企业使用 Superintelligence 一词时,既包含技术路线,也包含品牌定位与长期愿景。

本报告后文统一约定:SI 用于描述 2026 年出现的广义“超级智能”叙事;ASI 专指技术意义上的 Artificial Superintelligence。

二、AI 的思想史:人类一直在重新回答“什么叫智能”

1. 1950:Turing 把“机器会不会思考”转换成可观察行为

Alan Turing 没有执着于先定义“思考”,而是提出 Imitation Game。这个转化奠定了早期 AI 的一个核心传统:不必先解决意识哲学,先研究机器能否表现出可被观察和评价的智能行为。

2. 1956:Artificial Intelligence 成为独立研究领域

Dartmouth 项目提出一个极具野心的假设:学习和智能的各个方面原则上都可以被精确描述,并由机器模拟。七十年后的大模型仍然建立在这个根本信念上——智能至少有相当一部分可以计算。

3. 符号主义与连接主义:写出规则,还是让机器自己学

早期符号 AI 试图把知识和规则显式写进计算机;连接主义则希望让神经网络从数据中形成内部表示。现代深度学习的胜利,本质上是“学习规则”逐步压倒了“人工穷举规则”。

4. 1965:Good 提前写出了 ASI 的核心机制

I. J. Good 提出 Ultraintelligent Machine:如果机器能够超越最聪明的人,而设计更好机器本身也是一种智力活动,那么超级智能就可能设计出更好的超级智能,形成 intelligence explosion。真正关键的不是“第一次达到人类水平”,而是“第一次能够有效改进制造智能的方法”。

5. 1993—2014:Singularity 与 Superintelligence 被系统化

Vernor Vinge 将超人类智能与技术奇点联系起来;Nick Bostrom 则把超级智能的能力、动机、控制与治理问题系统化。这个阶段的 ASI 仍然主要是未来研究与风险哲学,尚不是现实工程路线图。

三、2012—2022:深度学习、Transformer 与 Scaling 把 AI 变成工业体系

1. 深度学习:从手工特征转向端到端学习

AlexNet 等工作证明,GPU、数据和深层神经网络可以形成强大的性能飞轮。AI 研发的核心生产函数开始从“聪明的规则设计”转向“算法 × 数据 × Compute”。

2. AlphaGo:机器开始发现人类没有明确教过的策略

强化学习与自我博弈展示了一个重要可能性:AI 不只复现训练数据中的人类经验,也可以在定义清晰、反馈充分的环境中发现新策略。这是“生成新知识”能力的早期预演。

3. Transformer:通用序列建模基础设施

2017 年 Transformer 把注意力机制推到中心位置,随后大规模预训练让一个模型能够通过 Prompt 和少量示例解决大量不同任务。模型开始从单任务工具变成通用认知接口。

4. Scaling Laws:智能第一次具有近似工业化扩展规律

OpenAI 2020 年的 scaling laws 研究显示,语言模型损失与模型规模、数据规模和训练计算量之间在广泛范围内呈可预测关系。其产业含义非常直接:算力、数据中心、电力、芯片与资本开始成为“制造更多模型能力”的生产资料。

四、2022—2026:从 Chatbot 到 Reasoning、Agent 与持续自治

1. ChatGPT 的意义:自然语言成为计算机的通用入口

聊天界面只是表象。真正的变化是普通人第一次可以用自然语言直接调动复杂模型能力。人与软件的关系从“学习菜单、按钮和编程语言”转向“表达目标”。

2. Reasoning:从预测下一个词走向投入更多推理计算

推理模型把 inference-time compute 变成新的扩展轴。同一模型面对困难问题可以投入更多计算、尝试和验证,而不是一次性给出答案。这让模型更接近通用问题求解系统。

3. Tool Use 与 Computer Use:智能获得手和脚

当模型能够搜索网页、调用 API、运行代码、处理文件、操作 GUI,它就从“知道很多”变成“能够改变外部状态”。OpenAI 的 Computer-Using Agent 与后续统一 Agent 产品清楚展示了这条路线。

4. Agent:基本单位从一次回答变成一次任务

Agent 的关键不是会聊天,而是能够围绕目标进行多步规划、执行、观察、纠错和继续行动。任务持续时间从几十秒扩展到小时、天甚至更长,可靠性和权限管理随之成为核心工程问题。

结构图 1|从 AI 到 ASI 的能力演进主线

结构图 1|从 AI 到 ASI 的能力演进主线
这条链条不是严格的时间顺序,也不是每一步都必须完成后才能进入下一步。它表达的是一个更重要的方向:AI 从“被动生成输出”逐渐获得持续状态、行动能力、组织能力、科研能力和改进智能本身的能力。

五、从 Agent 到 Multi-Agent:智能开始形成“组织”

单个模型的 IQ 并不能解释未来全部能力。现实世界的复杂成果本来就不是由一个人完成,而是由组织完成。多 Agent 系统把专业分工、并行工作、审查、交接、共享记忆和权限边界引入机器智能。

如果一个系统能够稳定协调成千上万个专家级 Agent,它即使没有一个“IQ 无限高”的中心模型,也可能在组织层面超过任何现有公司、大学或科研机构。Google DeepMind 2026 年把 large-scale multi-agent collectives 明确列为 AGI 走向 ASI 的候选路径之一。

六、真正逼近 ASI 的临界点:AI 开始研究 AI

Good 的“智能爆炸”今天第一次从哲学逻辑变成现实工程问题,因为前沿模型已经能够参与代码、评测、数据生成、实验设计、文献分析和模型开发流程。

OpenAI:Automated AI Researcher

OpenAI 在 2026 年把“构建自动化 AI 研究员”列为三大主要目标之一,并表示已达到此前设定的 automated research intern 阶段目标。它强调的不是让 AI 脱离人类无限自我复制,而是让 AI 在人的监督下持续加速深度学习与对齐研究。

ByteDance Seed:Seed for Seed

Seed2.1 已被官方描述为模型研发流程中的参与者:参与评测、数据、训练、研究和基础设施任务,并可由多个 Agent 承担执行、评估、诊断与优化角色。这类“模型参与制造下一代模型”的闭环值得高度关注。

Google DeepMind:从自动算法发现走向后 AGI 路线研究

DeepMind 一方面通过 Alpha 系列探索自动算法和科学发现,另一方面在《From AGI to ASI》中正式讨论 scaling、范式变化、recursive improvement 与 multi-agent collective 四种后 AGI 路径。

本报告认为,比“某家公司宣布 AGI”更重要的历史信号,是 AI R&D Takeoff:AI 开始显著缩短 AI 自身研发周期,并且这种加速能够连续跨代保持。

七、2026 年主要参与者:他们追求的其实不是同一种“超级智能”

1. OpenAI:自动化 AI 研究员 + Personal AGI

OpenAI 当前公开路线把三个目标并置:自动化 AI 研究、释放高智能机器带来的科学与经济收益、让每个人拥有 Personal AGI。它的核心技术栈是 frontier model、reasoning、agent、工具/计算机使用、记忆与大规模基础设施。

2. Google DeepMind:从 AGI 研究直接延伸到 ASI 理论

DeepMind 在主流实验室中对 AGI→ASI 的理论框架表达得最系统。其优势不仅是通用模型,还包括 AlphaGo、AlphaFold、AlphaEvolve 等长期积累的科学 AI、强化学习和自动发现传统。

3. Meta:Personal Superintelligence

Meta Superintelligence Labs 的 Muse Spark 系列强调多模态推理、工具使用与多 Agent orchestration。Meta 的愿景重点不是一个集中式超级大脑替所有人做决定,而是把超级智能下沉为个人能力放大器,并与终端、眼镜和社交产品结合。

4. Anthropic:把能力扩展与安全阈值绑定

Anthropic 的 Responsible Scaling Policy 强调:随着模型达到更高的网络、生物、AI R&D 与自主性能力,安全要求必须同步上调。它代表一种“能力越强,证明安全的责任越高”的治理路线。

5. SSI:不做过渡产品,直接瞄准 Safe Superintelligence

Ilya Sutskever 创立的 Safe Superintelligence Inc. 把公司目标压缩到极致:一个目标、一个产品——安全超级智能。它代表“避免消费产品周期干扰,能力与安全同步推进”的实验室路线。

6. SpaceXAI/xAI:Persistent Agents

Grok Bot 把 Agent 从临时聊天会话提升为持续存在的团队成员:拥有身份、记忆、运行环境、工具和独立计算机,可以在用户不持续盯着界面的情况下继续工作,并与其他 Bot 协作。这代表产品层面从 Chat history 走向 Agent roster 的变化。

7. 中国主要厂商:Agent 化、全栈化与产业落地

中国路线公开叙事中较少直接宣称 ASI,但技术路线正在快速向 Agent 靠拢:DeepSeek V4 预览版强化百万上下文与 Agentic Coding;字节 Seed2.1 强调真实生产力、跨工具执行和 Seed for Seed;腾讯 Hy3 重点强化 Agent 能力并深度接入 WorkBuddy、CodeBuddy、元宝和 ima;阿里则从 Qwen、AI 芯片、Agentic Cloud、OS 到终端构建全栈 Agent 体系。

因此,中美公开叙事有差异,但工程路线正在汇合:更强基础模型只是底座,真正竞争逐渐转向推理、工具、Agent、持续运行、AI 研发闭环和算力基础设施。

八、AGI 到 ASI 的四条可能路径

路径 A|继续 Scaling

模型、数据、训练算力与推理算力继续增长,使系统跨越更多专业能力边界。这条路线最连续,也最依赖资本、电力、芯片和数据中心。

路径 B|新范式突破

Transformer 不一定是智能计算的终点。新的架构、学习算法、世界模型、记忆机制、神经符号融合或其他尚未知范式,都可能使能力曲线发生跃迁。

路径 C|Recursive Improvement

AI 能够研究并改进训练方法、模型结构、推理方法、Agent harness、编译器、芯片设计和实验流程。如果每一代 AI 都能显著帮助制造下一代,研发周期本身会被压缩。

路径 D|Large-scale Multi-Agent Collective

大量接近或超过专家水平的 Agent 通过分工、并行和互相审查形成组织级智能。超级智能不再依赖一个“神模型”,而可以从大规模机器组织中涌现。

现实世界更可能是四条路线叠加:更强模型为 Agent 提供大脑,多 Agent 提供组织规模,AI 研发提供反馈回路,新范式突破则不定期改变整个系统的上限。

九、未来真正的 SI/ASI 很可能是什么样子

关键判断:ASI 可能首先不是一个 Model,而是一个 System。

它可能没有单一人格,也未必具有意识;却可以同时调用多种模型、运行成千上万个 Agent、拥有长期记忆、操作数字与物理工具、管理实验和资源,并持续吸收反馈。它更像一个“智能操作系统 + 组织 + 科研机构 + 执行网络”的结合体。

结构图 2|Systemic Superintelligence:系统型超级智能

结构图 2|Systemic Superintelligence:系统型超级智能
真正的差异可能不在某个模型参数量,而在整个系统是否具备:持续目标、世界模型、长期记忆、可靠行动、资源调度、多智能体协作、可验证科研和能力自我改进。

十、超级智能的最大机会:把“智能”变成基础资源

1. 科学发现速度发生结构性变化

如果 AI 可以完成“提出假设—查阅文献—建模—写代码—运行模拟—设计实验—分析数据—提出新假设”的闭环,科学进展将越来越受计算、实验自动化和验证速度约束,而不再主要受人类研究人员数量约束。

2. 认知劳动成本持续下降

工业革命降低机械功成本,计算机降低计算成本,互联网降低信息传播成本;AI 可能持续降低高质量认知劳动成本。战略分析、软件开发、设计、法律、营销、研究和运营都将获得新的供给曲线。

3. 个体与小组织获得前所未有的杠杆

一个人可以长期拥有研究、编程、设计、财务、法务和运营 Agent。OPC 和小型 AI 原生企业的能力边界将显著扩大。真正稀缺的资源会逐渐从“有没有执行人员”转向“有没有好问题、好目标、可信数据、判断力与资源权限”。

4. 医疗、教育与专业服务可能被重新分配

当高水平专业智能可以低成本复制,过去因为地理、收入和人才稀缺造成的服务差距有机会被压缩。关键约束将转向数据、责任边界、现实资源和制度许可。

十一、超级智能的核心挑战:不是“AI 会不会邪恶”这么简单

1. Alignment:目标是否与人类意图一致

系统越强,模糊目标带来的偏差越大。真正困难的是让长期自主系统在复杂环境、冲突价值和未知情境下仍保持可预测的目标边界。

2. Control:人能否有效监督比自己更聪明的系统

如果系统在某一领域已经远超监督者,人类无法简单通过“看答案对不对”完成监督。未来必须更多依赖 AI 监督 AI、形式验证、隔离执行、权限分层、可解释性、行为审计和关键动作的人类批准。

3. Dual-use:同一种能力可以产生完全相反的结果

能发现药物的系统也可能帮助设计危险生物方案;能发现软件漏洞的系统也可能用于自动攻击;能操作机器人和工业系统的能力同样具有双重用途。能力安全将从内容过滤升级为系统安全。

4. 权力集中:最大的现实风险可能首先来自“谁拥有超级智能”

如果算力、模型、数据与关键 Agent 基础设施高度集中,问题可能首先不是 AI 统治人类,而是少数拥有先进 AI 的国家、企业或组织获得前所未有的能力差距。治理对象既包括 AI,也包括掌握 AI 的人类组织。

5. 工作与收入制度:劳动不再是价值创造的唯一中心

如果大量认知价值由资本、算力和 AI 产生,以工资劳动为核心的收入与身份制度会承受压力。真正长期的问题不是“哪些岗位消失”,而是生产率红利如何分配、个人如何获得参与经济的权利与资源。

6. Epistemic Risk:当信息生成能力远超人类验证能力

超级智能既能提升知识生产,也可能让虚假信息、说服、模拟证据和信息战达到新规模。未来稀缺的可能不是信息,而是可验证的事实链、可信来源和制度化证明。

十二、真正的 ASI 测试:别再只看图灵测试和 Benchmark

图灵测试问“机器像不像人”;未来真正的问题是“机器能否长期产生超过人类组织的真实成果”。因此更有意义的 ASI 观察框架至少包含八个维度:

十三、比“AGI 宣布日”更重要的临界点:AI R&D Takeoff

假设一代前沿系统过去需要一年以上才能完成研发。AI 进入研发闭环后,如果研发周期持续缩短,而每一代系统又进一步提升下一代研发效率,那么真正改变历史的变量不再只是模型能力,而是“能力增长速度本身”。

应重点监测的现实信号

如果这些信号同时出现,并形成持续正反馈,那么 Good 在 1960 年代提出的 intelligence explosion 才真正具有工程意义。

十四、ASI 未必意味着“机器产生意识”

意识、自我体验和智能是不同问题。一个没有人类式情感和主观体验的系统,也完全可能设计新药、证明数学定理、管理全球供应链、开发软件、控制机器人并设计下一代 AI。对文明影响而言,首先需要讨论的是 capability、agency 与 control,而不是先解决意识哲学。

十五、从 AI 到 SI,人类真正面对的是“认知地位”的变化

哥白尼改变了人类在宇宙中的位置,达尔文改变了人类在生命体系中的位置,工业革命证明机器可以比人更有力量,计算机证明机器可以比人计算得更快。超级智能可能进一步告诉我们:人类也未必永远是地球上能力最强的认知主体。

这并不自动意味着人类失去价值。更重要的问题是:当“最高智能”不再天然属于人类,我们是否仍能掌握目标设定、制度设计、价值选择和最终授权。未来真正稀缺的人类能力,可能越来越接近“决定什么值得做”,而不是“亲自完成每一步”。

十六、结论:真正的 SI,不会只是一个更聪明的聊天机器人

把七十年 AI 历史压缩成一条主线:人类先试图把智能规则写进机器,随后让机器从数据学习,再让模型掌握语言和世界知识;接着让它推理、使用工具、操作计算机、承担长期任务、组织其他 Agent;现在,AI 开始进入制造下一代 AI 的研发流程。

因此,AI → AGI → ASI 最重要的变化不是名称,而是智能从“回答问题”走向“持续改变现实”,再走向“改进制造智能的方法本身”。

未来真正的 SI/ASI 大概率是一套分布式、持续运行、能够调用数字与物理资源的智能系统。它可能由多个不同模型与大量 Agent 组成,并通过验证、记忆、实验和学习保持长期能力。

对于人类而言,最值得争取的不是阻止一切智能进步,也不是把希望寄托在某个神奇模型上,而是让能力增长、控制机制、社会制度和人的参与权尽量同步演进。

前一个问题决定我们能不能安全抵达超级智能时代;后一个问题决定超级智能时代还是否真正属于人类。

主要参考来源

S1|Turing:Computing Machinery and Intelligence

S2|Dartmouth:AI 概念的诞生

S3|I. J. Good:Speculations Concerning the First Ultraintelligent Machine

S4|Vernor Vinge:The Coming Technological Singularity

S5|Nick Bostrom:Definition of Superintelligence

S6|Transformer:Attention Is All You Need

S7|OpenAI:Scaling Laws for Neural Language Models

S8|OpenAI:Computer-Using Agent

S9|OpenAI:Building standards for the next phase of AI

S10|OpenAI:Research acceleration inside OpenAI

S11|Google DeepMind:From AGI to ASI

S12|Meta:Muse Spark / Personal Superintelligence

S13|Anthropic:Responsible Scaling Policy

S14|Safe Superintelligence Inc.

S15|SpaceXAI/xAI:Designing Grok Bot for persistent agents

S16|ByteDance Seed:Seed2.1

S17|Tencent:Hy3

S18|DeepSeek:V4 Preview

S19|Alibaba Cloud:Full-stack AI for the agentic era

S20|The White House:Executive Order 14434, Inaugurating the Era of Super Intelligence

S21|OpenAI Charter:AGI mission and definition

S22|Google DeepMind:Levels of AGI framework

S23|Google DeepMind:AlphaGo

说明:本报告以公开一手资料为主。企业对自身模型能力、路线与时间表的描述属于其官方披露,不等同于独立第三方验证;涉及未来 ASI 形态的部分为基于当前技术路径的分析判断。