通往AGI之路道阻且长：为未来智能筑牢算力基础

倘若通往通用人工智能 (AGI) 的道路

与人类自身发展历程如出一辙，

这将意味着什么？

Arm 工程部机器学习 (ML) 技术副总裁兼院士 Ian Bratt 认为，这种可能性并非空穴来风。在生命早期，人类大脑会从感知外界逐步进阶到语言表达，继而迈向逻辑思考与规划能力。这一过程被称为神经可塑性曲线。Bratt 指出，人工智能 (AI) 正沿着一条类似的路径演进，且当前已处于“认知能力的临界点”。

如今，我们正亲眼见证这一演进过程。当前的 AI 模型能力已今非昔比：它们既能模拟推理过程、完成复杂任务，又能处理文本、视觉与音频信息，其中许多模型已融入日常，嵌入各类常用工具与系统之中。随着 AGI 日趋成熟，其应用将覆盖云服务器、移动设备、交通工具及工业系统等多个领域。这就要求计算平台具备高效扩展能力，能够在任何需要的场景下实现智能运行。

为厘清未来发展方向，麻省理工科技评论洞察 (MIT Technology Review Insights) 与 Arm 联合发布《通往 AGI 之路》报告，深入探讨了未来的前行路径，以及为何这条路径或许会比我们预期的更贴近人类自身发展规律。该报告汇集了 AI 研究与治理领域前沿人物的洞见，梳理了未来面临的战略挑战与机遇。

AGI：看似近在咫尺，实则道阻且长

据非营利组织 AI Impacts 牵头的全球综合预测显示，AI 系统最快或于 2028 年开始实现 AGI 领域的关键里程碑。这些能力涵盖问题解决、目标导向推理，乃至无需辅助便能在特定任务中超越人类表现。

然而，即便是如今最尖端的模型，在适应性方面仍力有不逮。正如《通往 AGI 之路》报告中所指出的，这些模型在空间推理、运动控制、社会感知与创造力等领域仍存在明显短板。真正的 AGI 需要弥合这些鸿沟，并探索在不同系统中处理、传递与扩展智能的全新路径。

智能进阶，架构效率是关键

AGI 的发展进程正在加速，但随之而来的成本也水涨船高。2010 年之前，AI 的算力需求每 21 个月才会翻倍；而随着深度学习的崛起，这一周期已缩短至每 5.7 个月翻一番。模型规模扩大的同时，对算力的渴求也愈发旺盛。据估算，未来 AI 级工作负载的能源需求或将突破 20 太瓦，这一数值已逼近当前全球的总发电量。

正如 Bratt 所言：“若我们期望抵达那个万物皆实现认知增强的遥远未来，算力必须迎来阶跃式的爆发增长。”要满足这一需求，不能只追求原始运算速度，更需通过架构革新来优化延迟、带宽与能效。

异构计算：通往 AGI 的务实之道

报告强调，实现 AGI 不必拘泥于单一处理器类型，异构计算才是兼具可扩展性与平衡性的解决方案。这种模式整合了 CPU、GPU、NPU 及各类加速器，每种组件均针对特定 AI 任务优化调校。它能让计算在最适宜的场景中进行，无论是端侧、边缘侧，还是云端。

在全球科技生态中，Arm 计算平台已为数十亿台互联设备提供核心算力支撑，其具备的能效优势、性能表现与扩展能力，可满足 AI 技术栈各层级实现智能性的需求。例如，2025 年出货到头部超大规模云服务提供商的算力中，将有近 50% 是基于 Arm 架构。此外，Arm 技术还赋能全球范围内的智能手机、交通工具及工业系统实现智能性，不仅降低了延迟，保障了数据隐私，还大幅削减了带宽成本。

软件与标准：开启新浪潮

仅靠硬件并不足矣。AGI 还需“协同调度”能力，即在不同计算环境中管理众多复杂、分布式的 AI 工作负载。这意味着需要依托软件框架、调度工具及开放标准，让 AI 模型具备适应、可扩展与可互操作的能力。

报告提出，AI 系统需具备环境感知能力与动态分布式部署能力。开发者对平台的要求是，无需重写代码，就能简化多种芯片类型的开发流程。而生态系统的协同合作，正是实现这一愿景的核心所在。

Arm 的路径已与这一方向高度契合：一方面推动开发者更多地使用 AI 技术；另一方面将 Arm 计算平台打造成主流 AI 框架的可靠后端。通过这两大举措，让数十亿基于 Arm 架构的系统能高效运行推理工作负载，最终推动 AI 技术更为普及。

更智能的未来，根基必须坚实

未来 AI 的突破性进展，将取决于我们当下所做出的架构选择。Arm 正致力于构建核心根基，让 AI 得以负责任、高效率地演进、拓展，并释放全部潜力。Arm 是未来 AI 的基石。