倘若通往通用人工智能 (AGI) 的道路

與人類自身發展歷程如出一轍，

這將意味著什么？

Arm 工程部機器學習 (ML) 技術副總裁兼院士 Ian Bratt 認為，這種可能性并非空穴來風。在生命早期，人類大腦會從感知外界逐步進階到語言表達，繼而邁向邏輯思考與規劃能力。這一過程被稱為神經可塑性曲線。Bratt 指出，人工智能 (AI) 正沿著一條類似的路徑演進，且當前已處于“認知能力的臨界點”。

如今，我們正親眼見證這一演進過程。當前的 AI 模型能力已今非昔比：它們既能模擬推理過程、完成復雜任務，又能處理文本、視覺與音頻信息，其中許多模型已融入日常，嵌入各類常用工具與系統之中。隨著 AGI 日趨成熟，其應用將覆蓋云服務器、移動設備、交通工具及工業系統等多個領域。這就要求計算平臺具備高效擴展能力，能夠在任何需要的場景下實現智能運行。

為厘清未來發展方向，麻省理工科技評論洞察 (MIT Technology Review Insights) 與 Arm 聯合發布《通往 AGI 之路》報告，深入探討了未來的前行路徑，以及為何這條路徑或許會比我們預期的更貼近人類自身發展規律。該報告匯集了 AI 研究與治理領域前沿人物的洞見，梳理了未來面臨的戰略挑戰與機遇。

AGI：看似近在咫尺，實則道阻且長

據非營利組織 AI Impacts 牽頭的全球綜合預測顯示，AI 系統最快或于 2028 年開始實現 AGI 領域的關鍵里程碑。這些能力涵蓋問題解決、目標導向推理，乃至無需輔助便能在特定任務中超越人類表現。

然而，即便是如今最尖端的模型，在適應性方面仍力有不逮。正如《通往 AGI 之路》報告中所指出的，這些模型在空間推理、運動控制、社會感知與創造力等領域仍存在明顯短板。真正的 AGI 需要彌合這些鴻溝，并探索在不同系統中處理、傳遞與擴展智能的全新路徑。

智能進階，架構效率是關鍵

AGI 的發展進程正在加速，但隨之而來的成本也水漲船高。2010 年之前，AI 的算力需求每 21 個月才會翻倍；而隨著深度學習的崛起，這一周期已縮短至每 5.7 個月翻一番。模型規模擴大的同時，對算力的渴求也愈發旺盛。據估算，未來 AI 級工作負載的能源需求或將突破 20 太瓦，這一數值已逼近當前全球的總發電量。

正如 Bratt 所言：“若我們期望抵達那個萬物皆實現認知增強的遙遠未來，算力必須迎來階躍式的爆發增長。”要滿足這一需求，不能只追求原始運算速度，更需通過架構革新來優化延遲、帶寬與能效。

異構計算：通往 AGI 的務實之道

報告強調，實現 AGI 不必拘泥于單一處理器類型，異構計算才是兼具可擴展性與平衡性的解決方案。這種模式整合了 CPU、GPU、NPU 及各類加速器，每種組件均針對特定 AI 任務優化調校。它能讓計算在最適宜的場景中進行，無論是端側、邊緣側，還是云端。

在全球科技生態中，Arm 計算平臺已為數十億臺互聯設備提供核心算力支撐，其具備的能效優勢、性能表現與擴展能力，可滿足 AI 技術棧各層級實現智能性的需求。例如，2025 年出貨到頭部超大規模云服務提供商的算力中，將有近 50% 是基于 Arm 架構。此外，Arm 技術還賦能全球范圍內的智能手機、交通工具及工業系統實現智能性，不僅降低了延遲，保障了數據隱私，還大幅削減了帶寬成本。

軟件與標準：開啟新浪潮

僅靠硬件并不足矣。AGI 還需“協同調度”能力，即在不同計算環境中管理眾多復雜、分布式的 AI 工作負載。這意味著需要依托軟件框架、調度工具及開放標準，讓 AI 模型具備適應、可擴展與可互操作的能力。

報告提出，AI 系統需具備環境感知能力與動態分布式部署能力。開發者對平臺的要求是，無需重寫代碼，就能簡化多種芯片類型的開發流程。而生態系統的協同合作，正是實現這一愿景的核心所在。

Arm 的路徑已與這一方向高度契合：一方面推動開發者更多地使用 AI 技術；另一方面將 Arm 計算平臺打造成主流 AI 框架的可靠后端。通過這兩大舉措，讓數十億基于 Arm 架構的系統能高效運行推理工作負載，最終推動 AI 技術更為普及。

更智能的未來，根基必須堅實

未來 AI 的突破性進展，將取決于我們當下所做出的架構選擇。Arm 正致力于構建核心根基，讓 AI 得以負責任、高效率地演進、拓展，并釋放全部潛力。Arm 是未來 AI 的基石。