锚定扩展：为什么智能体AI需要确定性环境

在为人类容忍而设计的环境中，长链代理执行会呈指数级失败：在每步确定性 $δ< 1$ 的情况下，$k$ 步链的成功率会降低为 $δ^k$。迄今为止，AGI 到 ASI 扩展的争论（Genewein 等人，2026）将进展视为计算增长与一系列摩擦（数据墙、抽象障碍、具体瓶颈、多代理信任）之间的竞赛；我们认为，对于其结果可以在经济上、物理上或通过多方解决进行验证的广泛的代理人工智能任务而言，环境决定论是贯穿这四个方面的互补约束轴。三个正式结果确定了该制度：链任务成功的确定性效率界限、不完美奖励下飞轮天花板上的验证者古德哈廷地板，以及环境侧技能进化的收敛条件。我们将该框架运作为涵盖五个可衡量属性的供应确定性指数（SCI）、作为采用阶梯的五级确定性成熟度模型（DMM）以及可证伪的开放问题计划（OQ1-OQ5），其具有将强制撤回的明确无效结果。该位置与平台无关。我们采取三个相互竞争的立场：模拟到真实的充分性、对齐充分性和人工智能作为正常技术。