政策命名
美国政府语境的 SI
2026 年 9 月行政令推动以 Super Intelligence / SI 替代 AI 的称呼，但法律定义仍沿用原有 AI 范围。
是传播与政策框架 ≠ 已实现 ASI 白宫 EO 14434
研究报告 · V1.1 · 2026.10
从 AI 到 SI人类走向超级智能时代
七十年技术史的主线，不是模型单纯变大，而是智能从回答问题，走向持续行动、组织协作，最终开始改进“制造智能的方法”。
真正值得监测的临界点，不是某家公司宣布 AGI，而是 AI 能否稳定完成长周期科研闭环，并持续缩短下一代 AI 的研发周期。
ASI
基础模型
＋推理
＋推理
工具
＋行动
＋行动
多智能体
组织
组织
实验
＋验证
＋验证
记忆
＋学习
＋学习
不是一个“神模型”，而是一套持续运行的系统
01概念边界
先拆开三种 “SI”
2026 年的 Super Intelligence 同时出现在政策、产品和技术讨论里。三者混用，会把愿景误判为事实。
企业愿景
产品化的 Superintelligence
Meta 强调个人超级智能；SSI 将安全超级智能设为唯一目标。它们兼具路线表达、品牌定位与长期愿景。
是方向与产品叙事 ≠ 独立验证 Meta · SSI
技术定义
ASI：认知上的系统级超越
传统定义强调在几乎所有重要认知领域超过最优秀的人类；DeepMind 进一步提出超越大型人类组织的系统。
截至 2026.10 尚无普遍认可实现 Good · Bostrom · DeepMind
≠
局部超人能力，不等于通用 Agent；通用 Agent，也不等于 ASI。
报告将 “SI” 用于 2026 年出现的广义超级智能叙事，将 “ASI” 专用于技术意义上的 Artificial Superintelligence。
02能力演进
智能边界如何外移
每次跃迁都不是把上一阶段简单替换，而是把新的能力层叠加到系统里。
规则显式编码知识
学习从数据找规律
基础模型通用认知接口
推理增加测试时计算
工具使用改变外部状态
Agent持续完成任务
多 Agent机器组织协作
AI 研发 AI能力增长自加速
从被动生成输出 → 持续状态 → 行动能力 → 组织能力 → 科研与自我改进
1950
可观察的智能行为
Turing 用 Imitation Game 把“机器能否思考”转为可评价行为问题。S1
1956
AI 成为独立领域
Dartmouth 提出：学习与智能的各方面，原则上可以被精确描述并由机器模拟。S2
1965
智能爆炸的机制
Good 指出：设计更好机器本身也是智力活动；超人机器或可改进制造智能的方法。S3
2012—20
深度学习与 Scaling 工业化
GPU、数据、深层网络与可预测扩展规律，让芯片、电力、数据中心和资本成为能力生产资料。S7
2022—26
从聊天到持续自治
推理、工具使用、计算机操作与 Agent，让任务单位从一次回答扩展到小时、天与更长周期。S8
03系统形态
ASI 可能先是一个系统，而非一个模型
单个模型的“智商”不足以解释组织级能力。真正的跃迁来自模型、记忆、工具、实验、资源与治理的耦合。
基础模型理解 / 生成
推理与世界模型规划 / 模拟
长期记忆状态 / 经验
工具与执行环境行动 / 反馈
多智能体协调分工 / 审查
安全与权限层控制 / 审计
→
Systemic Superintelligence
- 持续目标
- 可靠行动
- 资源调度
- 共享基础设施
- 可验证科研
- 能力自我改进
- 数字与物理接口
- 人类最终授权
Σ
如果系统能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现有公司、大学或科研机构。Google DeepMind：From AGI to ASI
04路线竞争
他们追求的不是同一种超级智能
选择区域查看。企业披露反映其公开路线，不等同于独立第三方验证。
OpenAI
自动化 AI 研究员 ＋ Personal AGI
前沿模型、推理、Agent、计算机使用、记忆与基础设施并行；2026 年将自动化 AI 研究列为三大目标之一。S9 · S10 · S21
Google DeepMind
从科学 AI 延伸到后 AGI 理论
以 Alpha 系列、强化学习和自动发现积累，系统讨论 scaling、范式变化、递归改进与多 Agent 集体四条路线。S11 · S22 · S23
Meta
Personal Superintelligence
Muse Spark 路线强调多模态推理、工具与多 Agent orchestration，将超级智能视作个人能力放大器。S12
Anthropic
能力阈值绑定安全升级
Responsible Scaling Policy 以网络、生物、AI R&D 和自主性能力阈值对应更高安全要求。S13
SSI
只做 Safe Superintelligence
不以过渡消费产品为中心，尝试让能力与安全同步推进。S14
SpaceXAI / xAI
Persistent Agents
Grok Bot 作为持续存在的团队成员，拥有身份、记忆、工具、运行环境与协作能力。S15
ByteDance Seed
Seed for Seed
Seed2.1 被官方描述为模型研发流程参与者，覆盖评测、数据、训练、研究与基础设施任务。S16
DeepSeek · 腾讯 · 阿里
Agent 化、全栈化与产业落地
公开叙事较少直接使用 ASI，但路线汇合于长上下文、Agentic Coding、跨工具执行、Agentic Cloud 与终端。S17 · S18 · S19
05四条路径
AGI 之后，能力如何继续跃迁
更可能的现实不是四选一，而是四条路线相互叠加并形成反馈回路。
继续 Scaling
模型、数据、训练与推理算力增长，持续跨越专业能力边界。
关键依赖：资本 · 电力 · 芯片 · 数据中心
新范式突破
新架构、世界模型、记忆、神经符号融合或未知学习机制改变能力曲线上限。
关键变量：尚不可预测的研究突破
Recursive Improvement
AI 改进模型、训练、推理 harness、编译器、芯片与实验流程。
关键证据：跨代、可持续的研发加速
Multi-Agent Collective
专家 Agent 通过分工、并行与互审，形成超越单体模型的组织级智能。
关键瓶颈：协调成本 · 可靠性 · 权限
06关键临界点
AI R&D Takeoff
当 AI 不只辅助研究，而是开始连续压缩下一代 AI 的研发周期，能力增长速度本身就成为历史变量。
真正的反馈回路
更强 AI→更快研发→下一代 AI↻
一次性提效不是智能爆炸。必须看到连续跨代、可复现、覆盖软件—模型—数据—硬件的正反馈。
研究占比
前沿实验室中，由 AI 独立或主导完成的研究比例持续提高。
端到端实验
从论文构想到可复现实验，不再只负责代码片段与资料整理。
成果进入生产
AI 产生的新算法、训练方法或系统优化被稳定用于生产系统。
代际周期缩短
模型研发周期明显缩短，且无法只用增加人力解释。
长期多 Agent 研发
机器团队能自动发现、诊断并修复实验问题，长时间稳定运行。
跨层协同优化
同时优化软件、模型、数据、推理 harness 与硬件设计。
07观察框架
真正的 ASI 测试，不是排行榜
图灵测试问“像不像人”；更重要的问题是：系统能否长期产生超过人类组织的真实成果。
Generality
跨越绝大多数重要认知领域，而非局部超人。
Expertise
在多个领域达到世界顶级专家水平。
Autonomy
低监督下稳定工作数周甚至数月。
Agency
安全调用软件、资金、设备与机器人。
Collective Intelligence
协调大规模 Agent 并保持组织可靠性。
Discovery
持续产生训练数据与文献之外的新知识。
AI R&D Capability
显著提升 AI 研发速度与成功率。
Recursive Improvement
提升连续跨代、自我强化，而非一次性提效。
08文明变量
当智能成为基础资源
机会和风险不是两份清单，而是同一组能力在不同目标、权限与制度下的镜像。
机会 / Leverage
科学发现
假设—建模—实验—分析形成机器闭环，瓶颈转向算力、实验自动化与验证。
认知劳动成本下降
战略、开发、法律、设计、研究与运营获得新的供给曲线。
个体与小组织杠杆
稀缺资源从执行人手转向好问题、好目标、可信数据与判断力。
专业服务再分配
高水平智能低成本复制，可能缩小地理、收入与人才稀缺造成的服务差距。
挑战 / Control
对齐与控制
能力越强，模糊目标偏差越大；监督者可能无法直接判断系统结果。
双重用途
药物发现、漏洞发现与工业控制能力，都可以产生完全相反的结果。
权力集中
现实风险可能先来自掌握算力、模型、数据与 Agent 基础设施的人类组织。
认知与制度风险
信息生成超越验证能力；生产率红利的分配、个人参与权与事实链都需重构。
最高智能不再天然属于人类时，目标设定权属于谁？
真正的 SI 不会只是一个更聪明的聊天机器人。它更可能是一套分布式、持续运行、能够调用数字与物理资源的系统。
人类最值得争取的，不是阻止一切智能进步，而是让能力增长、控制机制、社会制度与人的参与权同步演进。
前一个问题决定我们能否安全抵达；后一个问题决定超级智能时代是否仍然属于人类。
09来源与边界
依据与开放问题
本页是对研究报告 V1.1 的结构化分析；不把企业愿景、政策命名或未来判断包装成已验证技术事实。
主要一手来源（S1—S12）
S1 · Turing：Computing Machinery and IntelligenceS2 · Dartmouth：AI 概念的诞生S3 · I. J. Good：Ultraintelligent MachineS4 · Vernor Vinge：Technological SingularityS5 · Nick Bostrom：SuperintelligenceS6 · Transformer：Attention Is All You NeedS7 · OpenAI：Scaling LawsS8 · OpenAI：Computer-Using AgentS9 · OpenAI：Building standards for AIS10 · OpenAI：Research accelerationS11 · Google DeepMind：From AGI to ASIS12 · Meta：Muse Spark / Personal Superintelligence
主要一手来源（S13—S23）
S13 · Anthropic：Responsible Scaling PolicyS14 · Safe Superintelligence Inc.S15 · SpaceXAI/xAI：Grok BotS16 · ByteDance Seed：Seed2.1S17 · Tencent：Hy3S18 · DeepSeek：V4 PreviewS19 · Alibaba Cloud：Agentic eraS20 · The White House：EO 14434S21 · OpenAI CharterS22 · Google DeepMind：Levels of AGIS23 · Google DeepMind：AlphaGo
仍需回答的开放问题
“长周期自治”应以多长时间、何种失败率为阈值？组织级智能如何与单模型能力分离测量？AI R&D 提效何时构成连续跨代的正反馈？比监督者更强的系统，如何提供可验证证明？多 Agent 规模扩大后，协调成本如何增长？生产率红利与最终授权权如何制度化分配？
证据边界：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官方披露，不等同于独立第三方验证；关于未来 ASI 形态的内容，是基于当前技术路径的分析判断。