DeepMind震撼报告：四条通往超级人工智能之路

今年2月，谷歌DeepMind CEO德米斯·哈萨比斯在印度AI峰会上说了一句话，让很多人坐不住了。他说：AGI到来后，影响会是工业革命的十倍，但速度也是十倍——大概十年内展开，而不是一个世纪。他还给出了一个更具体的时间表：AGI可能在5年内到来。

这可不是随便哪个科幻作家的信口开河，说这话的人是亲手打造了AlphaGo和AlphaFold的人。

而在他身边，还有一位更耐人寻味的人物——他的联合创始人Shane Legg，从2009年就开始公开预言：AGI在2028年到来的概率是50%。这个判断，他坚持了17年。

就在最近，Legg与十几位谷歌DeepMind顶尖研究员联手发布了一份长达57页的报告：《从AGI到ASI》。报告的核心问题不再是“AGI何时到来”，而是：当我们真的造出了与普通人类认知水平相当的AI之后，会发生什么？

这是一个比“AGI何时到来”更难回答、也更值得认真对待的问题。

• 论文标题：From AGI to ASI
• 论文地址：https://arxiv.org/abs/2606.12683

一道被跳过的追问

过去几年，“AGI时间线”几乎成了科技圈最热门的猜谜游戏。马斯克说2026年就是奇点，奥特曼预测2028年，连一向谨慎的LeCun也把预测从“遥远未来”改到了2030-2035年。

但在这场竞猜中，有一个关键问题几乎没人认真回答：就算AGI真的来了，它会停在那里吗？

人类历史上，每一种可以自我强化的技术从未真正停在原地。火药引出大炮，蒸汽机引出工业革命，互联网引出智能手机时代。当我们热衷于讨论“AGI到来的那一刻”时，或许忽略了更重要的事：AGI到来之后的十年，会是什么样子？

这份新报告给这个问题起了一个正式的名字：从AGI（通用人工智能）到ASI（超级人工智能）的过渡。

所谓ASI，按报告的定义，是“在几乎所有任务和领域中，超越数以万计训练有素的人类专家组成的协作集体”的系统。不是超过某个天才，而是超过整个专业领域的集体智慧。

数字智能的天然优势

在正式讨论路径之前，报告先用一张表格点破了一件容易被忽视的事：数字智能与生物智能在本质上是不对称的竞争。

：今天的大模型几秒就能“读完”一整本书。内部处理速度随算力提升而提升，不受神经元放电速率的限制。记忆容量大得多，而且不会遗忘。

更关键的是：

，不仅是代码，还有它的“人生经历”——也就是权重状态。如果需要，几小时内就能从一个实例变成一百万个。

这些优势会随着算力的增加而不断扩大，而人类在这一维度上几乎没有对等的反制手段。

报告估计，当前AI的“有效算力”（综合硬件进步、投资增长和算法效率三个因素）每年增长约10倍。过去十年，这个增速相当稳定。

四条通往ASI的路径

报告的核心是系统梳理了从AGI到ASI的四条可能路径。它们并不互斥，很可能同时推进。

第一条：

。

这是当前AI进步的主要驱动力：更大的模型、更多的数据、更多的算力。报告指出，如果“更多算力等于更高智能”的逻辑成立（就像国际象棋引擎那样），那么仅凭量变就可能触发质变。

最极端的场景是：假设人类水平的AGI每次运行成本较高，最初只能运行1000个实例。但随着算力每年增长10倍，五年后就能运行1亿个实例，或者让同样的100万个实例运行速度快100倍。这样的扩大，算不算超级智能？

第二条：

。

当前的AI范式是用海量数据预训练大型Transformer模型，再辅以各类微调和推理增强。但这一范式可能并不足以直接到达ASI。研究者们正在探索的方向包括：真正意义上的持续学习（不再遗忘旧知识）、能在开放环境中可靠决策的智能体，以及基于神经形态硬件或强化学习的全新训练范式。

这条路径最难预测，因为真正的范式转变往往是突然发生的。但报告指出，恰恰因为难以预测，它更不应该被忽视。

第三条：

。

这是最令人兴奋、也最令人不安的路径。

设想这样一个闭环：AI帮助改进AI的研究与开发，这产生了更强的AI，更强的AI又进一步加速了研究进展……如此循环。报告把这个过程类比为人类的“基因进化”（更好的代码和硬件设计）、“文化进化”（更好的训练数据和知识积累）和“分工进化”（专业化的AI协作系统）三种机制的同步运转。

AlphaZero已经展示了这种机制的雏形：它通过与自己对弈，不断用搜索结果来改进自己的“直觉”（即策略网络），从而以极低的计算代价大幅提升棋力。类似的逻辑，在AI研究本身中是否也能发生？

最新的“AI科学家”系统（如AlphaEvolve）已经展示了AI可以自主发现新的数学构造和算法。报告认为，如果这一能力进一步成熟，递归自我改进就不再是科幻，而是工程学问题。

第四条：

。

单个人类的智识有限，但一家拥有数万名顶尖专家的研究机构却能解决任何一个个体都无法独立攻克的难题。AI的集体，是否也能产生类似的涌现？

报告提出了一个有趣的概念：“认知分工”。当成百上千个专业化的AGI实例组成协作网络，分解复杂任务、并行推进、高带宽交换结果，集体智能可能远超任何单一成员。

与人类组织不同的是，AI集体的通信带宽极高，不需要用复杂的层级结构来弥补沟通瓶颈。报告甚至半开玩笑地提到：一个“AGI首席执行官”在某种字面意义上，真的可以直接与每一个“员工实例”沟通，消除官僚摩擦。

六道可能的减速关卡

路径描绘清楚了，但报告并不乐观地认为哪条路一定畅通无阻。研究者们列出了六个可能成为真正瓶颈的障碍。

。互联网上的高质量文本接近耗尽，预计20年代末就会遭遇天花板。合成数据如果不加甄别地反复使用，会导致“模型坍塌”——就像只读自己作文的学生，越来越在原地打转。解决方案是仿真、交互学习、搜索增强，但能否跑赢扩大规模的速度，仍是未知数。

。持续扩大规模需要持续增长的投资、芯片生产、能源和数据中心。报告甚至提到了“轨道数据中心”这样的极端方案，但随即指出其带来的风险：火箭发射会削弱臭氧层，退役硬件在大气层燃烧会改变高空大气，轨道拥挤可能导致灾难性的碰撞连锁反应。扩大规模的代价，可能不只是电费单。

。大型预训练模型，叠加再多后处理和推理增强，可能依然到不了AGI。这一担忧并非空xue来风，而是来自对当前架构深层局限性的分析。

。经济学家Bloom等人的研究表明，大多数成熟领域的“每研究员产出”都在随时间下降。AI研究也不会例外。但反制力量同样存在：如果AI能大规模自动化研究工作，那么“再多雇18倍的研究员”这件事，用算力来替代，可能只需要一年多的算力增长就能实现。

。这是报告中最具哲学深度的概念。提出者Lerchner认为：当前AI系统本质上在“人类已有抽象框架”内工作。它们的超人之处主要来自更快的速度和更大的记忆，而不是真正能从原始感知数据中“发明新概念”。

报告举了一个发人深省的例子：如果把顶尖大模型放到牛顿之前的科学环境中，给它同样的数据，它能推导出广义相对论吗？答案几乎肯定是否，因为它缺少“力”、“因果性”、“曲率”这些概念的原初构建过程，而这些概念是人类花了几个世纪、通过与物理世界的反复交互才提炼出来的。

这意味着，如果“发明真正新颖的概念框架”是通往ASI的必要条件，那么AI可能需要一种截然不同的学习方式：

。

。最后一个障碍与技术无关，而是整治性的：监管机构、公众舆论、重大事故，以及国际竞争，都可能改变AI发展速度。报告承认，在没有有效全球协调的情况下，单边减速面临“军备竞赛”压力，但同样承认：如果发生足够大的AI相关事故，公众态度的逆转可能使进一步扩大规模在整治上、法律上或商业上都变得不可行。

结语

报告以图灵1950年的一句话作为书签：“

”

这种克制，在当下充斥着“奇点宣言”的AI话语场中，格外珍贵。

谷歌DeepMind这份报告没有给出“ASI什么时候到来”的预测，也没有断言哪条路径必胜。它做的，是更扎实也更艰难的一件事：把从AGI到ASI这段旅程的地形图，尽可能清晰地画出来，包括那些可能走通的峡道，也包括那些可能让一切停步的悬崖。

当AI能力开始接近人类水平时，人类最需要的不是预测，而是准备。

你准备好了吗？