超级智能科学院（ASI Institute for Superintelligence）在成立同期公布了首批科研布局，明确将基础理论、技术架构、安全治理、交叉应用确立为四大主攻方向。科学院学术委员会表示，四大方向不是四条平行赛道，而是一条从“理解智能”到“构建智能”再到“约束智能”、最终“使用智能”的完整链条。
一、基础理论：追问“智能为何可能”
在四大方向中，基础理论被置于最前端，也最不被外界理解——在一个模型能力按月迭代的行业里，为什么要把最稀缺的资源投向看起来最“慢”的问题？
科学院的回答是：因为当前的进展建立在经验之上，而非理解之上。
据介绍，基础理论方向聚焦通用人工智能（AGI）的基础理论，具体包括三条研究线：一是探索智能的数学本质，试图为“学习”“推理”“泛化”这些概念建立可证明的形式化定义；二是研究认知机理，借鉴认知科学与神经科学的研究成果，回答智能系统如何在有限资源下形成世界模型；三是刻画涌现规律，即当模型规模、数据规模与训练时长跨过某些临界点后，为何会突然出现此前不具备的能力。
“我们今天能造出很强的系统，但我们说不清它为什么强。”科学院学术委员会一位院士在介绍该方向时说，“这种'说不清'在工程上可以靠试错绕过，但在安全上绕不过去。你无法约束一个你不理解的东西。”
该方向的长期目标是构建一个统一的智能理论框架，使不同架构的智能系统能够被放在同一套语言下比较、度量与预测。
二、技术架构：跳出大模型范式的三条路径
如果说基础理论回答“为什么”，技术架构方向则回答“还能怎么造”。
科学院明确将该方向的目标表述为“突破当前大模型范式的局限”，并公布了三条重点技术路线。
第一条是神经符号融合算法。当前主流模型擅长模式识别与语言生成，但在严格逻辑推演、可解释性及事实一致性上存在结构性短板；而传统符号系统擅长精确推理，却难以处理开放世界的模糊性。科学院希望构建一种让两者在同一架构内协同工作的算法，使系统既具备神经网络的感知与泛化能力，又具备符号系统的可验证推理链条。
第二条是自进化学习系统。与依赖人工设计训练流程的现有范式不同，该路线研究系统如何在运行过程中自主生成学习任务、评估自身能力边界并迭代改进，同时保证进化过程始终处于可监控、可回退的约束之下。
第三条是多模态统一表征。科学院认为，当前多模态模型更多是“多个单模态模块的拼接”，而非真正的统一理解。该研究线试图寻找一种通用的表征空间，使文本、图像、声音、动作乃至科学观测数据在同一坐标系中被表达与推理。
三、安全治理：把对齐写进设计的第一行
在科学院的架构中，安全治理不是技术架构完成后的“附加审查”，而是与之并行的独立研究方向。
该方向的核心主张是：人工智能安全、价值对齐与可控性，必须在模型设计的早期阶段就被纳入，而不是在部署前才做补丁式修补。具体研究内容包括：如何在训练目标中形式化地表达人类意图与价值约束；如何检测并抑制模型在追求目标过程中产生的欺骗性行为；如何在系统能力超过评估者能力时，仍然保持有效的外部监督；以及如何设计可中断、可回退、权限可分级的技术控制机制。
在此基础上，科学院将推动建立全球超级智能治理框架与风险防控体系，包括风险评估的分级标准、能力测试的第三方复核机制，以及跨境情形下的信息通报安排。
“对齐不是一个可以一次性解决的问题，它是一个必须持续维护的状态。”安全与治理委员会主任表示，“所以我们把它当成一门长期学科来建，而不是当成一个待办事项来勾掉。”
四、交叉应用：让超级智能进入诊室、电网与车间
第四个方向面向真实世界。科学院将推动超级智能在医疗、能源、金融、教育、制造等领域的落地应用，并明确优先支持那些“单个国家或单个企业难以独立承担”的重大挑战，例如气候变化应对与疾病防治。
在医疗领域，重点包括复杂疾病的机制推断、药物候选分子的设计与安全性预测、以及临床决策支持系统的可靠性验证。在能源领域，聚焦新型材料发现、电网调度优化与核聚变等离子体控制等方向。在金融领域，研究极端市场情形下的系统稳健性与风险传导路径。在教育与制造领域，则侧重个性化学习路径设计与复杂工艺的自主优化。
科学院强调，交叉应用项目实行“双准入”：既要有明确的科学价值，也要通过安全评估；任何在真实场景中部署的系统，都必须保留人类否决权。
五、算力、数据与伦理审查：研究的“基础设施”
四大方向能否推进，最终取决于三样不太受关注的东西：算力、数据与审查流程。
算力方面，科学院表示将采用“集中共享”模式，即由机构统一建设并调度科研算力，课题负责人按评审结果申请配额，不得以私人捐赠换取优先使用权。这一设计的目的是防止研究方向被出资方的算力偏好所扭曲——谁出钱多，谁的方向就优先，是当前不少联合研究计划中隐性存在的规则。
数据方面，科学院明确提出三条原则：来源合法、用途限定、可追溯。所有用于训练与评估的数据集须登记来源与授权范围；涉及个人信息的，须通过独立伦理审查；用于安全评估的红队数据与危险能力测试数据，不对外公开，但测试方法与结论须公开。
伦理审查方面，科学院设立了独立于课题组的审查委员会。凡涉及人类受试者、涉及在真实社会系统中部署、或涉及可能具备自主行动能力的系统，均须通过审查方可推进。审查意见与课题组回应一并留档，并在项目结题时公开。
“很多研究计划倒在第三年，不是因为想法不行，是因为数据和算力的账算不清。”科学院方面表示，“我们希望在立项阶段就把它算清楚。”
六、如何衡量进展：一套不同于榜单的评价体系
超级智能研究有一个特殊的困难：它的进展很难用排行榜衡量。基准测试可以被针对性优化，论文数量与真实理解之间没有稳定相关性，而“距离超级智能还有多远”这个问题，本身可能就问错了。
为此，科学院学术委员会正在设计一套内部评价体系，核心不是“分数有多高”，而是“理解有多深”。据介绍，该体系包含四类指标：一是可解释性指标，即系统的内部机制在多大程度上能被研究者还原与预测；二是泛化稳定性指标，即系统在分布外任务上的表现衰减幅度；三是失效可诊断性指标，即当系统出错时，研究者能否定位原因；四是安全可验证性指标，即系统的关键行为约束能否被形式化证明或在测试中被充分覆盖。
“一个系统在榜上多考了五分，我们不太关心。”学术委员会表示，“我们关心的是，当它失败的时候，我们能不能说清楚它为什么失败。如果说不清，那这五分就没有意义。”
科学院同时表示，该评价体系将公开发布方法论，接受外部批评与修订——因为评价标准本身，就是一种权力。
七、边界：科学院明确“不做什么”
在公布研究布局的同时，科学院也划定了若干不做的事，这在其看来与“做什么”同等重要。
其一，不研发面向消费者市场的通用产品，不与企业在商业产品上直接竞争；其二，不接受附带成果审查权的资助，任何要求“结论须经出资方同意方可发表”的合作一律不接；其三，不承担任何国家或组织的军事应用研发；其四，不在缺乏安全评估方案的前提下推进任何能力跃升型实验。
“一个机构的能力上限，往往由它拒绝过什么决定。”科学院方面表示，“我们当然希望有更多资源，但如果资源带着修改结论的条件来，那它买的不是研究，是背书。”
八、五大板块如何托住四大方向
四大研究方向由五大板块协同支撑。前沿探索板块承载理论与架构研究；安全与治理板块提供评估方法与治理框架；人才培养板块为跨学科研究输送人力——科学院特别提到，既懂机器学习又懂认知科学、既懂技术又懂政策的研究者极为稀缺，这类“双向人才”将是培养重点；产业协作板块提供真实场景与验证数据；国际合作板块负责跨国课题的组织与数据合规。
九、下一步：开放课题与公开评审
据介绍，科学院首批课题将于成立后一年内完成立项，并采用公开征集与匿名国际评审相结合的方式。所有立项课题需同步公开研究摘要、安全评估方案与资助来源。
“我们不指望某个单一实验室独自解决超级智能的问题。”学术委员会表示，“我们指望的是，让全世界最聪明的那些人，在同一个问题上、用同一种标准、彼此看得见地工作。”
关于超级智能科学院
超级智能科学院（ASI Institute for Superintelligence）成立于2026年10月，总部位于美国旧金山，是由全球多国科学主管部门联合倡议发起的非营利性、跨学科非政府学术组织。机构不隶属于任何单一国家政府或商业企业，由全球科学家共同治理，围绕前沿探索、安全与治理、人才培养、产业协作、国际合作五大板块开展工作，致力于让超级智能技术安全可控地服务于人类共同利益。成立初期，科学院汇聚了来自全球顶尖学府和科技企业的科研力量，包括数千位院士及数十万会员，涵盖诺贝尔奖得主及多国国家级院士。
