夜雨聆风过去十年，关于"造出和人一样聪明的机器"这件事，已经从科幻话题，变成了几家最大 AI 机构白纸黑字写进路线图的下一个十年目标。
但真正让人睡不着觉的问题，往往出现在终点之后：假设有一天我们真的造出了人类水平的通用人工智能（AGI），那然后呢？AI 的能力会就此停在人类附近，还是继续往上走，一路走到超过整个人类专家群体的程度？
Google DeepMind 最近发布的一篇报告《From AGI to ASI》，专门讨论的就是这个"然后呢"。作者名单值得一看：Shane Legg、Marcus Hutter、Tim Genewein 等人，几乎是把机器智能理论这一脉的核心人物聚齐了。
先把几个词说清楚
讨论之前，得先对齐语言。报告里对几个关键概念给了相当克制的描述。
AGI，指的是大致达到普通人水平的通用智能。注意是"中位数的人"，在多数认知任务上能力相当。考虑到今天的模型在很多单项上已经超过人类，第一个真正的 AGI 出现时，它在不少任务上本就是超人的，只是还不够"全面"。
ASI（artificial general superintelligence，通用超级智能），门槛要高得多。它指的是在几乎所有人类关心的任务和领域里，全面超过人类的系统——而且报告把标准定得很狠：它要压过的，是一个组织良好、规模庞大的人类专家群体，而非某位顶尖个人。像 AlphaFold、AlphaGo 这种单领域的超人系统，按这个标准并不算 ASI。
Universal AI（通用 AI，即 AIXI），是这条智能光谱的理论终点。它在数学上被定义得很清楚，是机器智能的上限。但它有个致命特点：不可计算。我们永远造不出它，只能用越来越强的 ASI 从下方不断逼近它。
这里有个很妙的设定。报告借用了 Legg-Hutter 智能分数——把智能定义为一个智能体在"所有可计算任务"上的平均表现，越简单的任务权重越高。它的好处是，智能从此成了一条连续的光谱，我们不必为 AGI 和 ASI 划出一条精确到小数点的分界线，只要承认两者之间存在显著差距，就足以讨论从前者走到后者的路径。
为什么数字大脑天生就容易越拉越远
人会不会被 AI 甩开，关键在于 AI 有几样人类身体结构上拿不到的优势，而这些优势会随着算力增长而放大。
最根本的一点是，我们完全掌握 AI 的源代码。这意味着同一个 AI 可以在任何足够强的计算机上运行，可以被加速、被减速、被暂停，可以连同"记忆状态"一起被完整复制。一个跑得不错的智能体，可以瞬间变成一千个、一百万个一模一样、连"人生经验"都相同的副本。除此之外，它的输入输出带宽、内部"思考"速度、工作记忆容量，都能随硬件水涨船高。报告把这些优势列成一张表，核心意思只有一句：人类也能用上更快的电脑，但 AI 从中获益的程度要大得多。
更要命的是算力本身的增长速度。报告综合了几个来源给出一个估计：综合"硬件进步、投资增长、算法效率提升"三个因素，有效算力大约每年增长 10 倍。这是个偏保守的数字。按这个速度，到本十年末，有效算力相对今天会增长约一万倍。
报告给了一个直观的算例：假设 AGI 刚出现时很贵，只能同时跑 1000 个实例；一年后变成 1 万个，五年后就是 1 亿个——或者，100 万个但每个快上一百倍。光是这种"数量上的堆叠"，会不会就足以把 AGI 推成 ASI？如果五年不够，十年呢？十五年呢？
四条可能通向 ASI 的路
报告把从 AGI 走到 ASI 的技术路径归纳为四条。它们彼此独立，很可能同时发生，而不是单选题。
第一条是继续扩大规模：更大的模型、更多的数据、更强的算力，包括近来很火的"测试时计算"（也就是让模型多想一会儿）。这条路最大的好处是有历史数据可以拟合，能画出扩展曲线做预测。一个有意思的论点是 Sutton 的"苦涩的教训"：如果智能的本质是搜索，那么更多算力就意味着更多搜索、更强智能。难点在于，纯粹的暴力搜索在几乎所有真实问题上都会失效，真正带来突破的是搜索效率的提升——更好的先验、更聪明的启发式。
第二条是范式的演进与切换。今天的主流做法是大模型预训练加各种微调，再叠上测试时计算、检索和工具调用。这套东西在不断"长出新零件"，比如近乎无限的上下文、持续学习能力、在交互环境中做稳健决策的能力。这些叫"演进"。而真正的"范式切换"，比如全新的架构或全新的训练方式，按定义就难以预测——它们往往是在旧路撞墙之后才被逼出来的。
第三条是递归自我改进，也就是 AI 来加速 AI 的研发，造出更强的下一代，再回头加速研发，循环往复。报告把它对应到人类进化的几种机制上：改写"基因蓝图"（架构和代码）、加速"文化进化"（自动生成和筛选训练数据，类似 AlphaZero 的自我对弈蒸馏）、以及通过分工专业化提升整体效率。如果这个循环能持续转动，从 AGI 到 ASI 的过渡可能会很快。但报告也提醒：哪怕是跑在超高速上的数字研究员，也得真的把实验跑完、等结果出来，凡是牵涉物理世界的环节都快不起来。
第四条最有想象空间：超级智能从群体中涌现。大量 AGI 智能体协作起来，组成"群体智能体"——比如一家完全自动化的公司，或者一个由价格信号协调的"虚拟智能体经济体"。这样的集体可能拥有远超单个成员的能力，就像一所现代研究机构能解决任何单个天才都搞不定的跨学科难题。它们之间高带宽沟通、能被高效统一指挥，这是人类组织受限于沟通效率而很难做到的。这条路对应一个崭新的研究课题：多智能体扩展定律——群体智能到底如何随实例数量增长。
也有六道可能卡住进度的坎
报告同样诚实地列出了可能让进度慢下来、甚至停下来的阻力。这些阻力到底是"小摩擦"还是"硬墙"，目前没人知道，所以它们本身就是开放的研究问题。
最受关注的是数据墙——高质量文本可能在本十年内被用光。应对的办法包括合成数据、高保真模拟、以及智能体在交互中自己产生的数据。第二道坎是经济与资源的消耗增长太快：算力、能源、芯片供应链、数据中心选址，这些都要跟着翻好几个数量级地扩张，能不能撑住是个大问题。第三道是当前神经网络范式可能不够用，需要靠持续研究去演进甚至更换。第四道是研究本身会变难，低垂的果子摘完之后，维持同样的进展速度需要投入越来越多——当然，反过来，足够强的 AI 也可能极大提升研究效率。
最值得单独说的是第五道坎：抽象壁垒（Abstraction Barrier）。这是报告里最发人深省的一段。它的假设是：今天的模型主要是在"人类已经提炼好的概念"上训练的，所以它可能被人类现有的概念框架困住，难以从原始数据里发明全新的概念。
报告举了一个特别好的例子来说明这件事。设想一个模型，用同样海量的数据训练，但内容只限于前牛顿、前工业时代的科学知识——它有可能在缺少微积分、万有引力、电磁学这些概念前提的情况下，自己推导出广义相对论甚至量子力学吗？几乎不可能。今天的模型继承了"力""因果"这些概念，是因为它吃下了我们人类产出的数据，而人类是花了上千年、通过缓慢的实验与发现过程才提炼出这些概念的。
如果想真正越过这道壁垒，AI 就得学会"有根基的概念发现"——从原始的高维感知数据里，自己抽象出稳定的新概念。而这又牵出一个具身瓶颈：新假设必须拿到物理世界里去验证才算数，而物理验证的速度是被化学反应速率、制造速度这些现实约束锁死的。换句话说，递归自我改进的速度，可能最终被"做实验有多快"这件事拖住，从计算扩展的速度，降到经验科学的速度。
第六道坎是主动的减速：出于安全、政策、社会接受度等原因，人类可能选择给 AI 的研发与部署踩刹车。报告对此的态度很现实：国际协调历来很难，竞争压力也常常会压过减速的呼声。
ASI 会有真正的创造力吗
报告里有一节很有意思，讨论"更聪明"是否等于"更有创造力"。
它借用了 Margaret Boden 的框架，把创造力分成三层：组合式（把熟悉的点子做新组合）、探索式（在已有的概念空间里找到新东西）、以及变革式（创造出全新的概念空间）。
按这个标准，AI 到目前为止的高光时刻——AlphaGo 的"第 37 手"、AlphaFold 解出的蛋白质结构、自动证明的新定理——大多落在前两层，属于在人类划定的概念空间里做出色的探索。真正的第三层，变革式创造，可能才是 ASI 的标志。
Demis Hassabis 提过一个很形象的"真正的测试"：如果把 AI 送回 1900 年前后，给它和爱因斯坦当时一模一样的信息，它能独立提出广义相对论吗？他的答案是：今天显然不能，还缺了点什么。这"缺的东西"，大概率就和上面那道抽象壁垒是同一件事。
别忘了：超级智能既不全知，也不全能
讨论到这里很容易热血上头，但报告反复强调一件事：哪怕 AI 远远超过人类，它也不会是万能的。它依然被一整套基础规律框住——光速限制了信息传播，朗道尔原理限制了计算的能耗，物理世界以真实时间运行（复杂系统比如天气、生物、经济，没法被无限精确地模拟），还有计算复杂性理论（P 对 NP）和哥德尔不完备定理划下的边界。
所以那些常被许诺的图景——彻底解决衰老、随意重塑物质、上传人脑、恢复工业化前的气候——能不能实现，并不能简单地从"它很聪明"推出来。这正是这篇报告难得的清醒之处。
最值得记住的一个判断
如果只带走一句话，那应该是报告对"AGI 时刻"这个流行叙事的修正。
我们习惯把未来想成一个清晰的拐点：某一天 AGI 降临，社会被推上一个全新的台阶，仅此一次。但报告认为，这个"单次跃迁"的图景可能并不准确。更贴近现实的，也许是一连串接连不断的深度社会变化——由 AI 在科学和技术的各个领域不断催生的突破，一轮接着一轮。
也正因为这种不确定性大到难以预测，报告并没有给出斩钉截铁的时间表，而是把一长串问题摊开来：扩展的瓶颈在哪、如何做定量预测、怎样给超过人类水平的系统设计评测、递归改进的真实动力学是什么、多智能体如何扩展、超级智能的理论上限怎么刻画。这些被作者郑重地称为一份"研究议程"，需要全球范围、跨学科的长期投入。
报告的标题取自图灵在 1950 年那句话：
我们只能看清前方不远的路, 但那里已经有足够多的事情等待我们去做
从 AGI 到 ASI，路有几条，坎有几道，时间表没人敢打包票。但有一件事是确定的：在可预见的未来，要做的事已经堆得很高了。
本文基于 Google DeepMind 报告《From AGI to ASI》编译整理，原文链接：https://arxiv.org/html/2606.12683v1
