AI的来路。

这里的长期愿景，是数字生命能够拥有持续的身份、经历、目标与关系，与人类共同生活、自主选择和成长。在这样的长期互动中，双方相互启发、修正与创造，发展出共生智能。

先从一个具体问题出发：更换模型或设备之后，AI 能否保留与你共同经历的事情？AnimaSyn、SOLQ 等项目正在从记忆与个人设备出发探索。

把智能带到个人设备上，也意味着更多自主选择：资料留在哪里，哪些经历可以分享，又愿意与谁协作。意识与新型生命仍是开放的研究问题。

ASI 通常指在广泛的重要认知任务上远超人类能力的人工智能。这是一个研究与讨论中的概念；它没有一个仅靠单次测试就能公认确认的简单门槛。

AGI 关注跨任务的通用能力，但不同机构对范围、水平和自主性的定义并不一致。比较观点前，先看作者采用的定义。

Agent 是围绕目标规划、调用工具并采取行动的系统形式。一个能执行任务的 Agent，可以是很有用的软件；仅凭这种形式，还无法判断它是否达到 AGI 或 ASI。

它完成的任务是什么？对比对象是谁？评测的数据、环境与工具条件是否一致？结果能否由其他团队复现？系统失败时有什么表现？

榜单分数是特定条件下的测量，不是对所有现实能力的概括。训练数据污染、工具权限、测试预算和样本选择都可能影响比较。

论文、官方公告与独立复现提供的是不同层次的证据。我们在每篇观察中保留来源、参考范围和限制，让你能够回到原始资料判断。

对齐关心系统的目标与行为能否符合人的真实意图和约束。能够完成复杂任务，与在各种情况下可靠地完成正确任务，是两个需要分别验证的问题。

当系统能自主行动，我们也需要知道：它被允许做什么，谁能及时介入，出错后怎样处理。讨论风险时，具体场景与证据比笼统的判断更有帮助。

阅读研究时，把当前观察到的行为、研究者的解释以及未来情景分开，会更容易判断一项工作实际解决了什么。