谷歌官宣3万字路线图:1亿人类水平的AI就是ASI!

新智元报道  

AGI什么时候来？

谷歌DeepMind宣布：AGI，已经过时了！

就在最近，谷歌DeepMind出了一份干货满满的57页报告，标题只有四个词：《从AGI到ASI》。

论文地址：https://arxiv.org/abs/2606.12683

全世界都拼命想实现的AGI，在谷歌DeepMind这儿，只是个起点。

整整57页，就推演了一个问题：

带队的是DeepMind联合创始人、首席AGI科学家Shane Legg，还有他的博士导师、AIXI理论发明人Marcus Hutter，再加上一个14人的顶配天团。

18年前，Legg的博士论文就叫《Machine Super Intelligence》。18年后，师徒俩把假设写成了路线图。

最惊人的操作在这里：这篇论文的第一章，不叫Introduction，叫「Summary Instructions」。

这是在明明白白对着AI下指令：

这是人类论文史上头一遭，作者默认读者里有AI，还预设AI会替人类读完它。

整篇报告最核心的判断，可以总结成一句话：就算模型的能力永远停在人类水平，只要算力还在涨，超级智能照样会被硬生生「挤」出来！

在报告中，谷歌DeepMind对智能给出了清晰的界定，一共分三级——

AGI，在大多数认知任务上达到人类中位数水平。只要一个AI系统的智力水平大致相当于一个普通人，它就是AGI。

ASI，要在几乎所有任务上，稳定超过「数万名顶尖专家、协调良好、围绕单个问题连续协作十年」的产出。

一整个专业研究领域、一家大型公司All in十年，这只是起评分。AlphaFold、AlphaGo那种单点封神的，都不算。

报告还提前堵死了一个漏洞，这数万名专家只能用2010年的技术储备，防的就是有人说「人类可以先造出ASI再用它解题」。2010年，也是DeepMind成立的那一年。

Universal AI (UAI / AIXI)，是智能在理论上的绝对天花板。

由Marcus Hutter提出的AIXI框架在数学上证明了，在所有可计算的环境中，存在一种能够最大化预期累积奖励的终极智能。ASI只是在这条智能连续体上不断逼近UAI的一个里程碑。

为什么硅基智能必定碾压碳基生物？

报告无情地指出，随着算力的增长，AI拥有生物智能无法企及的先天外挂。

而且，算力越多，差距越大。

输入/输出速度：今天的LLM可以在几秒钟内吞下几本书，这种带宽是人类无法想象的。

内部处理速度：无论是串行深度还是并行广度，「思考」的速度都可以通过增加算力来提速。即便有递减收益，这种扩展优势也是生物智能不具备的。

基底独立性：AI可以随意从一台旧电脑无缝迁移到更强、更节能的超级计算机上，甚至在运行时进行硬件分布式部署。

无损复制与经验共享：人类培养一个博士需要20年，而AI只需要复制粘贴「DNA」（代码）和「一生经验」（内存状态），瞬间就能生成几百万个完美分身。

那么，我们究竟该如何跨越AGI，抵达ASI呢？DeepMind提出了四条可能并行发生的路径。

这是目前最符合直觉、也是正在发生的路径：继续扩大有效算力、数据和模型规模。

报告的措辞很笃定：即便单个模型的能力完全停滞，几年之内，AGI也会从实验室奢侈品变成基础设施。

报告里有个思想实验：假设AGI刚造出来时贵得要命，全球只跑得起1000个实例。按每年10倍的增速，一年后是1万个，五年后是1亿个。

如果AGI是一台达到人类水平的机器，那么通过算力增长，在五年或十年后，我们可以同时运行一亿个AGI实例，或者让它们的思考速度加快100倍。这种规模的量变，本身就足以催生ASI级别的群体能力。

为什么DeepMind回答会得出这种结论？

原因在于，如果AGI是一台达到普通人水平的机器，那么一亿个AGI绝不仅仅是一亿个各自为战的「硅基打工人」。

DeepMind指出，这种规模的量变足以跨越那条划分AGI与ASI的红线，并在群体层面涌现出令人胆寒的超级智能。

首先，这是一个无损且无限的「克隆分身」。

培养一个顶尖科研人才需要20年，但复制一个AGI的经验和知识只需要一瞬间。这一亿个实例可以被零边际成本地部署到人类科学的所有盲区。

其次，会出现零摩擦的高维心智通信。

人类之间的协作受限于低带宽的语言文字，充满误解与损耗。而同源的AGI集群拥有相同的底层权重，它们能够通过高维向量和代码直接共享记忆与上下文。只要一个节点顿悟了某个难题，一亿个分身将在毫秒级内同步完成「认知进化」。

然后，会出现一个全自动的「赛博科研帝国」。

它们能以一种超越人类社会结构的模式进行协作。面对可控核聚变或常温超导这样的巨型工程，它们可以瞬间将其拆解为一亿个子任务，同时进行海量的平行推演和试错，展现出单一个体永远无法企及的组织级智慧。

另外，即使是那些无法并行拆解的单线任务，充裕的算力也能用来「纵向加速」。让一个AGI的思考速度提升100倍，意味着人类需要花十年时间死磕的理论物理难题，对加速状态下的AGI来说，只是一个多月的计算量。

简而言之，只要算力和数据跟得上，「量变」将直接重塑智能的形态。

就算算法范式不发生本质革命，单靠这一亿个不知疲倦、共享大脑、且思考速度快上百倍的集群，其算力网络所展现出的集体智慧，就已经稳稳踏入了ASI的领域！

如果今天「预训练大模型加微调加测试时推理」这套打法撞到天花板，可能逼出全新的架构或学习范式。

为了突破极限，我们可能需要真正的范式转变——比如完全新颖的架构、甚至转向脉冲神经网络和神经形态硬件，又或者是为了解决上下文窗口限制而普及具有无限工作记忆的线性时间架构（如Mamba）。

ASI可能根本不是一个孤立的「超级大脑」，而是一个极其庞大、复杂的数字生态系统。数以百万计的AGI专家可以通过「市场机制」或「蜂群思维」进行协作。

通过极高带宽的通信，它们可以将极其复杂的问题拆解，每个智能体只负责自己最擅长的领域。这种多智能体的协同效应，可能会涌现出远超所有个体总和的超级群体智能。

熟悉科幻的人会立刻反应过来，这有点像《星际迷航》里的博格集合体。

这也是火力最猛的一条。

这是最容易引发「智能爆炸」和指数级增长的路径。AI可以通过以下几种方式亲自下场加速AI研发：

· 遗传演化（修改代码与硬件）：AI可以自己编写更好的神经网络架构，甚至设计更节能的AI芯片（例如AlphaEvolve和FunSearch已经在做的事情）。

· 文化演化（数据驱动的自我提升）：类似AlphaZero，AI可以通过自我博弈和在仿真环境中的测试，自己生成、过滤并提炼更高质量的训练数据。

前途看似光明，但DeepMind在报告中发出了严厉的警告。

如果下面这些摩擦变成绝对的瓶颈，AI的发展可能在AGI阶段甚至更早就被迫停滞。

前五道分别是，数据墙（高质量文本快喂完了）、资源墙（算力、电力、芯片的账单指数级膨胀）、范式墙（预训练Transformer这套打法可能撞顶）、研究变难（低垂的果子摘完了）、人为刹车（监管、事故、社会反弹）。

1. 数据墙

互联网上的高质量人类文本数据，预计将在本年代末耗尽，「模型崩溃」或退化就在眼前。

2. 经济与自然资源无底洞

维持算力每年代10倍甚至100倍的指数级增长，需要天文数字的资金投入、全球芯片供应链的极致压榨、以及令人咋舌的能源消耗。AI经济回报无法覆盖这些成本，投资泡沫就会破裂。

3. 研究难度指数级上升

科学界有一个定律，随着领域成熟，「低垂的果实」被摘完，取得突破所需的努力会急剧增加。

4. 现存神经范式的天花板

单纯靠预测下一个Token真的能通往终极智能吗？幻觉、无法处理认识不确定性、容易被Prompt注入攻击，是当前基于大规模语料预训练范式的致命基因缺陷。

5. 人类的主动决策（故意放慢速度和社会强烈反对）

当AGI真正开始大规模接管白领工作、重塑社会契约时，极大概率会引发巨大的社会抵触、政治反弹甚至恶性事故。

为了全人类的安全，监管机构、政府甚至大众可能会强行拉下电闸，人为设定算力上限，禁止AI进一步进化。

这五道墙，报告都给出了解决方案。真正难办的，是第六道。

6. 抽象屏障：最深刻的哲学拷问

第六道关卡，是「抽象壁垒」。是全篇最锐利的原创观点。

如果把从古至今直到牛顿时代的所有人类文字喂给AI，它能自己「顿悟」出广义相对论或量子力学吗？

DeepMind认为：极大概率不行，因为它缺乏微积分或引力等底层概念基元。

如果AI无法脱离人类语料，从原始数据中独立构建出全新的概念，单个模型将永远是一只超级鹦鹉，被锁死在人类认知的上限。

不过，就算每个AI都被这堵墙摁住，集体智能照样能靠堆实例冲过去。墙挡得住一个天才，挡不住一亿个普通人。

正如阿兰·图灵在1950年所言：「我们只能看清前方很短的距离，但我们能看到那里有许多必须要做的事情。」

DeepMind的这份重磅报告并没有给我们一个确定的时间表，而是描绘了一幅充满变数的路线图。从AGI到ASI，可能是一场波澜壮阔的智力爆炸，也可能是一场陷入能源、数据和物理法则泥沼的漫长跋涉。

报告结尾，留了一句相当克制的判断：要让AI进步停在人类这条线上，得是好几道关卡同时变成死路，这种巧合不太可能发生。

他们押注的两种结局，要么在AGI之前就先卡住，要么从AGI到弱ASI走得相当顺。

但不可否认的是，我们这代人，极有可能是见证达特茅斯会议70年来人工智能最终夙愿实现的一代。

参考资料：

https://x.com/sebkrier/status/2065355723018584333?s=20

https://arxiv.org/abs/2606.12683

编辑：Aeneas 摩西