通用智能并非架构的独角戏：对 Bakshi 新论文的辨析
2026年7月21日，Subhomoy Bakshi 在 arXiv 上提交了一篇题为《What General Intelligence Requires: Non-Reducible Constraints Across Levels of Description》（通用智能需要什么：跨描述层级的不可约约束）的论文 arXiv:2607.18943。这篇长达78页、包含6张图表和2个表格的学术作品，针对当前人工智能领域的“扩展假说”（Scaling Hypothesis），提出了一个深刻的观点：通用人工智能（AGI）的实现不仅仅依赖于计算架构的单一进步。
挑战“扩展即一切”的单一架构论
该论文的核心论点是：人类所具备的那种覆盖广泛认知成就的通用智能，并非单纯是计算架构的属性。Bakshi 提出，通用智能的结构化约束分布在不同的描述层级上，且这些约束在“特殊科学传统”（special-sciences tradition）的意义上是相互不可还原的。
这意味着，仅靠单一架构上的突破，或者单纯延续当前的“扩展计划”（scaling programme），无法产生真正的通用人工智能。
四维证据与“不可还原性”
为了支撑这一论点，作者采用了一种通过四个证据透镜来审视通用智能的方法：
- AI 系统研究
- 人类学
- 法学
- 经济学
此外，论文还引入了“推测性小说”（speculative fiction）作为一种发现的启发式工具（heuristic in the context of discovery），而非证明的工具。
23项结构约束与6项深度检验
通过对上述多维度的分析，论文构建了一个包含 23项结构约束 的分类体系，并将其划分为 8个集群。
在论文中，有 6项约束 被进行了深度审查，并被排列成一个递进的阶梯。作者明确展示了为什么在一个层级上取得的进展无法自动传递到下一个层级（即层级间的桥梁断裂）。
从描述框架到可证伪的研究纲领
该论文不仅停留在理论描述，还提出了 5项可证伪预测（falsifiable predictions）。每一项预测都关联了特定的基准测试家族（benchmark family）以及证伪条件。这种设计旨在将框架转化为一个具有比“扩展假说”更长视野的研究纲领，要求研究项目必须针对完整的约束特征进行评估，而不是仅仅依赖单一基准测试的性能。
对从业者的启示
对于 AI 开发者、创业者及研究人员而言，这篇论文提供了一个反直觉但结构严谨的视角：
- 评估标准需升级：不应仅以单一基准测试的分数来衡量 AGI 的潜力，而应对照完整的“约束特征”进行评估。
- 跨学科的重要性：通用智能的瓶颈可能不在算法本身，而在于法律、经济或人类学层面的结构性约束。
- 长期主义视角：论文暗示当前的扩展路线存在理论上限，需要更长远、更多维度的研究规划。
阅读建议：如果您关注 AGI 的理论边界或正在规划长周期的 AI 研究项目，这篇 78 页的论文提供了详细的约束层级图谱和可操作的验证路径。
原文链接：arXiv:2607.18943