中美两国在实现通用人工智能（AGI）的路径上正显现出根本性分化。美国领先实验室普遍看好由代码自动化驱动的递归自我改进（RSI），追求纯软件层面的“智能爆发”；而中国则在算力受限和制造业优势的背景下，走出了一条“具身智能”与“物理世界闭环”的演化道路。虽然中国官方更强调AI的产业落地，但底层科研力量正通过多模态和世界模型，试图从物理交互中自下而上地催生AGI。
美国路径：软件驱动的递归自我改进
在美国顶尖实验室（如 OpenAI、Anthropic）看来，通往 AGI 的核心逻辑是递归自我改进（RSI）。这种理论认为，当 AI 能够像人类工程师一样编写代码、研究算法时，它就能被用来开发下一代更强的模型，从而形成一个自我加速的循环。
- 核心手段： 自动化 AI 研发流程，特别是智能体编程（Agentic Coding）。
- 时间预测： 硅谷普遍认为这一进程已经开始，部分领袖预计在 2026 至 2028 年间实现高度自动化。
- 竞争逻辑： 谁先启动 RSI 循环，谁就能赢得竞争。这种视角下，中国的算力缺口被视为难以逾越的障碍。
中国特色：具身智能的“物理闭环”
与美国追求的“超级大脑”不同，中国科研界和初创公司正倾向于一种更具身、更缓慢但也更扎实的 AGI 愿景：像人类一样在物理世界中成长。
“先建立一个拥有语言、图像理解能力的‘大脑’，再给它配上手脚。它通过与物理世界的交互获得反馈信号，进而学习并修改模型，形成闭环。” —— 张鹏，智谱 AI CEO
这一路径主要包含三个关键步骤：
- 多模态与世界模型： 不再仅仅预测下一个单词，而是预测物理世界的下一个状态（如因果关系和时空连续性）。
- 具身 AI（机器人）： 物理世界提供的数据复杂度远超虚拟世界。通过机器人与现实的交互，AI 能够获得最真实的训练信号。
- 闭环进化： 当 AI 进入物理场景，它不再依赖静态的人类数据，而是通过每一次物理操作进行参数优化和模型升级。
自下而上的“约束驱动”创新
北京对 AGI 的态度是“好奇”而非“痴迷”。中国政府目前的议程仍优先考虑具体的部署目标，而非宏大的超级智能叙事。然而，这种务实态度反而催生了独特的创新环境：
- 避开算力瓶颈： 如果 RSI 依赖海量算力，那么具身智能则更依赖制造业基础和物理数据管道，这正是中国的结构性优势。
- 学术与政策的结合： 科学家们通过“人工智能+”等官方辞令，将 AGI 研究包装在“赋能制造业”或“应对人口老龄化”的框架内，争取资源。
- 去中心化的探索： 相比美国的“曼哈顿计划”式集中研发，中国呈现出从大厂（如阿里、字节）到初创公司（如 MiniMax、智谱）多路径并行的特征。
被忽视的信号：不叫 RSI 的自我改进
外界往往因为中国较少使用“AGI”或“RSI”等术语而低估其进展。事实上，许多中国实验室已经在秘密进行类似的自我改进工作，只是表述更为含蓄。
- 上海人工智能实验室（SII）： 已开发出能发现新神经网络架构的系统，并称之为“自进化闭环”。
- MiniMax： 尽管自称商业驱动，但据报道其 80% 的新代码已由 AI 生成，其模型正针对自我改进进行优化。
关键洞察： 战略家们不应仅仅通过表面措辞来判断中国的 AI 进展。西方分析家往往在寻找他们熟悉的语言，却忽略了中国正在构建的不同技术架构。
结论：目的地是否相同？
中美两国对 AGI 的定义和实现方式正因各自的资源禀赋（美国拥有芯片和软件优势，中国拥有数据和制造优势）而发生扭曲。美国在建造一个脱离躯体的“数字神明”，而中国则试图从泥土和钢铁中孵化“人造智慧”。
最终，双方可能不仅路径不同，甚至到达的“目的地”——即对通用人工智能的最终形态定义——也将大相径庭。