谷歌DeepMind最新论文揭秘AI终局：从AGI到ASI，有4条路和6道关

过去十年，人工智能的发展速度不断刷新人们的预期。曾经还停留在科幻设想中的 AGI，正在成为许多大型 AI 机构面向未来十年的明确目标。但一个更值得追问的问题是：如果 AGI 真的到来，AI 的发展会停在那里吗？

Google DeepMind、滑铁卢大学、澳大利亚国立大学和伦敦大学学院的联合研究团队，在一篇近期论文中讨论了这个更远的问题。它没有急于宣称「奇点即将到来」，也没有给出某个确定年份的预测，而是把问题拆得更冷静：在人类水平的通用人工智能之后，AI 本身是否还会沿着智能连续谱继续演进？如果会，它可能通过哪些路径，从 AGI （Artiffcial General Intelligence，通用人工智能）走向 ASI（Artiffcial Super Intelligence，超级人工智能）？又有哪些瓶颈会减缓、限制甚至改变这一过程？

这篇论文真正提供的，不是一张未来时间表，而是一幅理解AI后续演进的地图。它提醒我们：AGI 未必是终点，更可能只是 AI 跨过人类平均水平之后，一个新阶段的开始。

相关研究成果以「From AGI to ASI」为题，已发表于预印本平台 arXiv。

查看论文：
Paper - From AGI to ASI | Papers | HyperAI

AGI 之后，智能如何继续向上？

讨论「AGI 之后」之前，首先要弄清楚一个问题：我们说 AI 变得「更强」，究竟强到什么程度？

在日常讨论中，AGI 常被简单理解为「像人一样聪明的 AI」。但这句话并不精确。像谁一样？像普通人，还是像专家？是在考试、写作、编程等认知任务上接近人类，还是在真实世界中也能长期行动、学习、规划和自我修正？这篇论文采用了一个相对粗略但更便于讨论的定义：AGI 指的是大致达到中等人类水平的人工通用智能。它不是在某个狭窄任务上超过人类的系统，而是在足够广泛的认知任务中，具备接近普通人的通用能力。

这个定义看似保守，却很关键。因为今天的 AI 已经在很多单点任务上超过人类，例如棋类、蛋白质结构预测、代码生成、图像识别等。但单点超越并不等于 AGI。AGI 强调的是通用性，是面对不同任务、不同情境时的迁移、理解和适应能力。而 AGI 并不是智能连续谱的尽头。沿着这条谱系继续向上，才进入 ASI，也就是人工通用超级智能的讨论范围。

论文对 ASI 设定了一个很高的门槛——不是指某个 AI 在单一领域成为「世界冠军」，而是指一个系统在几乎所有人类关心的任务和领域中，都具备超越人类的能力。更重要的是，它不只是超过某个专家，而是要可靠地超过一个由大量专家组成、长期协作的大型人类组织。

换句话说，AGI 可以理解为「一个普通人的通用认知水平」，而 ASI 则更接近「一个超级专家组织之上的通用能力」。前者回答的是AI能否达到人类平均水平，后者追问的是：当数字智能可以被复制、加速、协作和持续扩展之后，它是否会形成远超人类集体的能力？

在 AGI 和 ASI 之外，论文还讨论了一个理论极限：UAI（Universal AI），或者说 AIXI。AIXI 是一种数学上理想化的通用智能体，代表机器智能的理论上限。但它不可计算，不是今天可以训练和部署出来的模型，更像一座理论灯塔：它告诉我们机器智能在极限情况下可能是什么样，而现实系统只能从下方不断逼近它。

由此，论文建立了一个清晰的坐标系：AGI 是人类水平的通用智能，ASI 是远超人类专家集体的通用超级智能，AIXI 则是理论上的智能极限。这套定义不是概念游戏，而是后文所有讨论的基础。因为如果 AGI 只是跨过人类平均水平的门槛，那么真正的问题就不再是「AGI 会不会出现」，而是：跨过这道门槛之后，数字智能还会不会继续向上攀升？

从 AGI 到 ASI，可能不止一条路

论文提出，从 AGI 走向 ASI，至少存在 4 条可能的技术路径。它们并不互斥，也不一定依次发生，更可能在未来并行推进、相互叠加。

第一条路，是继续扩展计算、模型和数据。过去十年，AI 能力的提升很大程度上来自规模扩展：更多算力、更大模型、更多数据，以及更高效的算法。问题在于，当 AI 跨过 AGI 门槛之后，这种趋势是否还能继续有效。把模型做得更大、把算力堆得更多，是否一定会带来更高层次的智能？答案并不确定。

但论文也指出，即使单个模型的能力增长放缓，AI 系统的整体能力仍可能继续提升。原因在于，数字智能拥有生物智能不具备的优势：它可以被复制、加速、暂停、恢复，并以极高带宽共享经验。一个 AGI 系统如果能被复制成数百万、数亿个实例，并行工作、相互协作、快速运行，那么即便单个实例仍只是「人类水平」，整个系统也可能表现出远超人类组织的能力。

第二条路，是算法范式转变。今天的主流 AI 范式，大致是在海量数据上训练大型基础模型，再通过指令微调、强化学习、工具调用、检索增强、测试时推理等方式提升能力。但这条路线是否足以通向 ASI，目前仍然未知。

现有模型仍有明显短板。例如，它们在持续学习、长期记忆、稳健规划、真实世界交互、因果理解和开放式任务执行上仍不够可靠。未来如果要从 AGI 继续迈向 ASI，可能不只是把现有模型继续做大，而是需要新的架构、新的训练目标、新的记忆机制、新的世界模型，甚至新的硬件形态。

第三条路，是递归式自我改进。这是最容易让人联想到「智能爆炸」的路径。它指的是 AI 开始参与 AI 研发，并通过这种方式加速下一代 AI 的进步。这种自我改进不只是AI给自己改代码。它还可能包括：AI 帮助设计更好的模型架构，优化训练流程，生成更高质量的数据，设计芯片和计算系统，自动进行实验并分析结果。一旦 AI 能够显著提升 AI 研发效率，就可能形成一个正反馈循环：更强的 AI 帮助研发更强的 AI，而更强的 AI 又进一步提升研发效率。

不过，论文并没有简单断言这种爆炸一定会发生。递归式自我改进同样会遇到现实摩擦。更大的模型需要更昂贵的实验，更先进的芯片依赖真实产业链，更复杂的科学问题需要物理世界中的验证。即使 AI 研究者可以在数字世界中高速运转，也仍然可能被实验周期、制造周期和资源约束拖慢。

第四条路，是从大规模多智能体系统中涌现 ASI。超级智能不一定来自一个单体模型，也可能来自大量 AGI 组成的集体。人类文明的能力并不来自单个人的大脑，而来自语言、制度、组织、市场、科学共同体和专业分工。如果 AI 智能体也能形成类似甚至更高效的协同结构，那么 ASI 可能是一种「组织智能」的涌现结果。

在这种情况下，未来的超级智能可能更像一家完全自动化的超级公司、一个数字科研共同体，或者一个由无数专业智能体组成的自组织系统。它们可以分工、协作、复盘、复制、重组，并以远高于人类组织的速度积累经验。因此，从 AGI 到 ASI 的演进，未必是某个模型突然发生质变，也未必只有一条技术路线。它更可能是规模扩展、范式演进、自我改进和多智能体协作共同作用的结果。

6 个瓶颈：速度取决于哪些摩擦力

如果说 4 条路径描述的是 AI 如何继续向前，那么 6 大瓶颈讨论的则是：这场演进会在哪里遇到阻力，又有哪些因素可能让它慢下来。

首先是数据。今天的大模型高度依赖高质量人类数据训练，但文本、代码、图像、视频以及专业知识数据并不是无限的。如果未来模型继续扩大，对数据的需求可能会超过人类自然生产数据的速度。合成数据、自我对弈、仿真环境等，可能成为新的数据来源，但它们能否持续提供足够高质量、足够新鲜、足够多样化的数据，仍然是一个开放问题。

其次是资源。扩展计算并不是抽象发生的。它背后需要芯片、数据中心、电力、冷却系统、供应链、资本投入和工程人员。如果通往 ASI 必须依赖训练和推理计算的持续扩大，那么能源、土地、先进制造、网络基础设施和资金投入，都会成为现实约束。AI 能力的增长，最终不只取决于算法，也取决于现实世界能否支撑起越来越庞大的计算系统。

第三，是现有神经网络范式是否足够。大模型路线已经取得巨大成功，但成功并不意味着没有天花板。当前系统仍可能缺乏一些走向更高通用智能所需的核心能力，比如长期自主行动、持续学习、稳健因果推理、抽象概念发现，以及复杂环境中的可靠规划。如果这些问题不能通过简单扩展解决，那么从 AGI 到 ASI 就不是「再大一点」就够了，而需要能力结构上的进一步突破。

第四，是研究本身会越来越难。在任何技术领域，早期往往都有大量「低垂的果实」，一些相对直接的改进就能带来明显进步。但随着领域成熟，每进一步都可能需要更高成本、更大实验和更复杂的研究体系。AI 也可能如此。真正的不确定性在于：AI 提升研究效率的速度，能否快过研究本身变难的速度。

第五，是抽象屏障。今天的 AI 主要是在大量人类数据上训练出来的，它学习的是人类已经表达出来的概念、语言、知识和推理模式。但如果走向 ASI 需要发现人类尚未发现的新概念、新科学理论和新抽象结构，AI 能否真正做到？如果 AI 只是重组已有知识，它很难真正超越人类科学共同体。它需要具备从原始数据和现实互动中发现新结构、新变量、新因果关系的能力。更现实的是，许多新抽象还必须通过物理实验验证。哪怕 AI 能飞快提出假设，也仍可能被实验周期、制造条件和现实反馈速度限制。

最后，是人类社会的有意放缓。AI 不是在真空中发展。随着能力提升，安全、伦理、就业、军事、金融、教育、信息传播和社会治理问题都会变得更加尖锐。如果高级 AI 系统引发重大事故，或者社会认为其风险超过收益，监管、国际协议、行业自律和公共舆论都可能主动踩下刹车。当然，这种放缓也会受到经济竞争和地缘竞争的反向拉扯，因此它本身也是一个复杂变量。

这六道瓶颈共同决定了从 AGI 到 ASI 的演进速度，同时也警醒人们，超级智能问题不只是技术问题，也是资源问题、组织问题、科学问题和治理问题。

不是一个奇点，而是一连串变化

许多关于超级智能的讨论，习惯把未来描绘成一个单点事件：某一天 AGI 出现，随后世界被瞬间改写。但这篇论文给出的图景更复杂，也更现实。AGI 到 ASI 之间，未必存在一个清晰、戏剧化的分界点。更可能发生的是，一系列由 AI 推动的科学、技术和社会变化不断叠加，最终让世界在持续演进中进入一个完全不同的状态。

首先被改变的，可能是科学发现的速度。如果 AI 能够阅读文献、提出假设、设计实验、运行模拟、分析数据，并不断优化研究路径，科学研究就会从「人类研究者使用 AI 工具」，转向「人类与 AI 共同构成研究系统」。未来的突破不一定来自某个天才个体，也可能来自一个高速运转、持续迭代的数字科研网络。

其次被改变的是组织形态。今天的公司、实验室和政府机构，仍然以人类为基本单元。人类的时间、注意力、记忆、沟通带宽和学习速度，都构成了组织能力的边界。但 AI 智能体可以并行运行、无损复制、高速共享经验，并在需要时被快速生成和重组。未来的组织可能不再只是由人组成，而是由人类、AI 智能体、自动化流程、知识库、工具系统和外部环境共同构成。

进而可能被改变的是人类对自身角色的理解。如果 AGI 只是工具，人类仍然是主要的决策者和创造者。但如果 AI 系统能够持续学习、协作、改进自身，并在越来越多领域超过专家组织，那么人类社会就必须重新思考权力、责任、劳动、教育、创造力和治理结构。届时，问题不只是「AI 能帮人做什么」，而是「人在一个高度智能化的系统中，如何重新定位自己」。

这并不必然意味着悲观结局，论文没有把未来简单写成乌托邦或反乌托邦。它真正强调的是不确定性：AI 进展可能在人类水平附近放缓，也可能继续加速；它可能像互联网和智能手机一样，成为一种深刻但可被社会逐步吸收的通用技术，也可能带来远超以往技术革命的连续冲击。

正因如此，面对 AGI 之后的世界，最危险的态度不是乐观或悲观，而是把 AGI 当作终点。AGI 如果出现，真正的问题才刚刚开始。届时，人类面对的可能不只是一个更强的工具，而是一种能够被复制、加速、协作、积累经验，并反过来推动自身进化的数字智能体系。

图灵曾写道：「我们只能看到前方很短的距离，但我们能看到那里有大量工作需要完成。」这句话或许正适合描述今天的AI时代。我们未必能准确预测 AGI 和 ASI 何时到来，也无法确定哪条路径最终占据主导。但可以确定的是，如果 AI 继续沿着智能连续谱向前演进，人类需要准备的，就不只是迎接一个技术节点，而是一场持续展开的深层变化。

AGI 不是终点。它可能只是人类第一次真正站到了超级智能的入口。