DeepMind谈AGI之后:通往ASI的四条路线与千倍成本落差
最近,Google DeepMind Institude 发布了最新博客文章《AGI 之后是什么?》,探讨了人工通用智能(AGI)之后的技术演进方向,以及人类可能通过哪些路径迈向人工超级智能(ASI)。 文章链接:https://institute.deepmind.com/essays/what-comes-afte
近日,Google
DeepMind Institude 发布博客文章《AGI 之后是什么?》。文章讨论的是人工通用智能(AGI)之后技术会往哪个方向走,以及人类可能沿哪些路径走向人工超级智能(ASI)。

文章链接:https://institute.deepmind.com/essays/what-comes-after-agi/
在 DeepMind 看来,AGI 并非人工智能发展的尽头,它更像是智能连续谱上的一个阶段。模型能力、计算效率和多智能体协作水平若继续往上走,AI 有可能超过人类专家的认知能力,甚至把自身的技术进步也提速。
文章从智能能力边界、认知工业化、技术发展路径和递归自我改进等角度切入,给出通往 ASI 的四条潜在技术路线。DeepMind 同时强调,超级智能时代真正棘手的地方不只在于把 AI 做得更强,还在于怎么衡量、怎么预测、怎么治理这种技术进步。
一、AGI 不是终点,ASI 还有多远?
过去几十年,人工智能研究一直盯着一个目标:做出能在人类几乎所有认知任务上达到人类水平的 AGI。
不过 DeepMind 认为,AGI 并不是人工智能发展的终点。人类水平的智能只是整个智能连续谱中的一个节点,它上面还有很大的能力空间。

文章把人工超级智能(ASI)界定为一种 AI 系统:在几乎所有人类关注的任务中,它能持续超过大规模的人类专家团队。
举例来说,ASI 可能在极短时间内做完一个科研领域要花多年才能取得的进展;也可能用更少的资源,做出大型科技公司一年才能完成的芯片设计与技术研发成果。
其实眼下 AI 已经在国际象棋、围棋、蛋白质结构预测以及部分数学证明任务上表现出超越人类的能力。但这些都属于特定领域的突破,离全面的超级智能还有明显距离。
DeepMind 强调,人类已经能从数学和物理学角度研究智能的理论极限,可从人类水平的 AGI 到这些极限之间到底有多大的能力空间,目前仍是一个没被充分探索的问题。
除了模型本身的能力突破,DeepMind 还提到,计算能力持续增长、运行成本快速下降,同样可能成为推动 AI 迈向超级智能的重要因素。
文章由此提出「认知工业化」(Cognitive Industrialization)的概念:AI 计算效率不断提升,越来越多认知工作可能像工业时代的体力劳动那样,实现标准化、自动化和规模化生产。
文章指出,过去十年,AI 有效计算能力的增长主要靠三个因素推动:
硬件性能提升:每美元能买到的计算能力,长期以来以每年约 1.5 倍的速度增长。
算法效率提高:达到相同性能所需的训练计算量持续降低,推理算法效率也在快速改善。
计算基础设施投资增加:AI 硬件投资在过去十年保持高速增长,推动全球计算资源不断扩张。
三种因素叠加,使全球有效计算资源的年增长速度达到约 10 倍甚至更高。

DeepMind 进一步推演:如果相关趋势再持续十年,今天要花 10 亿美元 AI 计算成本才能完成的认知工作,未来可能只需约 1000 美元。
当然,这个预测有个前提,即效率提升的趋势能够延续,它并不意味着成本一定会按这个速度下降。
更关键的是,就算 AI 模型的基础能力没有重大突破,只靠更低的运行成本、更快的处理速度以及更庞大的智能体数量,知识工作和社会经济结构也可能被明显改变。
在这种情景下,数十亿个能高速运行、持续协作的 AI 智能体,可能形成远超单个人类或单个 AI 系统的综合生产能力。
这也就意味着,从 AGI 迈向 ASI 的过程,未必完全依赖某一次颠覆性的模型突破。智能体数量、运行速度和协作规模的持续提升,同样可能成为推动智能能力跨越的重要力量。
二、从 AGI 到 ASI,
DeepMind 提出了四条技术路线
光靠智能体数量变多、跑得更快,还不足以补上 AI 在各类认知能力上的短板。DeepMind 的判断是,真正走向 ASI,关键技术上得先有突破。
文章据此梳理出四条可能走得通的路。
路径一,是把模型和数据的规模继续做大。
这也是眼下 AI 研发的主攻方向:训练数据、模型体量、训练算力,再加上推理阶段投入的计算资源,都往上加,以此带动系统能力持续走高。问题是,高质量数据不够用,模型扩张带来的回报在递减,能源、芯片等基础设施也卡着脖子。
往后看,高保真模拟环境、合成数据、强化学习,以及推理阶段的算力投入,或许能成为绕开这些瓶颈的办法。
路径二,是让技术范式发生转变。
现在的主流大模型,基本都架在 Transformer 架构和序列预测机制上。这套范式成绩斐然,可放到持续学习、世界建模、决策能力、样本效率这些方面,模型的表现仍与人类智能存在差距。
未来要走到 ASI,是继续把现有技术打磨下去就够了,还是非得换上全新的模型架构和学习范式?这个问题目前仍有争论。
路径三,是加强多智能体之间的协作。
单个 AI 的本事或许有限,但把大量 AI 智能体组织成协作系统,就有望形成更强的集体智能。企业、科研机构、市场都能办成单个人办不到的事,照此推论,将来成千上万个 AGI 智能体通过分工、共享信息和互相配合,也可能扛下更复杂的认知任务。
可多智能体系统并不是铺得越大就越灵。通信开销、协调效率、信息失真、群体行为这些环节,都会拖住能力的上限。
路径四,是让 AI 实现递归自我改进。
这条路径也是文章着墨最多的一条。
所谓递归自我改进(RSI),指的是 AI 不再只是人类开发、改进的工具,它自己就能参与下一代 AI 系统的研发。
AI 的研发能力一旦上去,模型架构设计、算法优化、芯片设计、训练数据生成这些环节的效率都可能被它推高,后续迭代也就跟着提速。只要这个反馈循环能一直转下去,AI 的进步速度就不必再完全看人类研究人员的效率。
DeepMind 进一步拆解,这个过程可能落在三个层面上:其一是代码与设计优化,改模型架构、训练算法和芯片设计;其二是数据驱动改进,靠模拟、推理和实验产出质量更高的训练数据,AlphaZero 展示的就是这类机制;其三是群体协作改进,让智能体各专其职,把研发效率抬起来。
DeepMind 把这三套机制分别比作生物进化里的遗传进化、文化进化和社会演化。
文章同时提醒,递归自我改进未必就会滑向失控的指数级增长。技术越成熟,再找出有效的改进点往往越难;而评估与反馈机制一旦不可靠,自我改进还可能停摆,甚至倒退。
所以,数学证明这类能自动验证的领域,有可能最先实现程度更高的递归自我改进;那些要靠复杂现实判断的任务,进展恐怕会慢一些。
DeepMind 强调,这四条路线彼此并不孤立,它们可能互相助推,一起把 AI 能力往上顶。哪怕某一条路线卡住了,其余路径仍有可能继续往前走。
换句话说,只盯着模型训练算力这类单一因素去限制,未必压得住 AI 整体的发展速度。被卡住的环节一旦被突破,能力甚至可能突然跳升。今后的 AI 治理,得把模型规模、算法效率、多智能体协作、自动化研发这几方面一并纳入视野。
三、建立新的衡量与预测体系
文章收尾时,DeepMind 把话题拉回一个更实际的问题:假如 AI 真的走到超越人类智能那一步,人类该怎么接?
它给出的核心主张是:建模、测量、预测,并且不断迭代。
超级智能的本事,可能大到人类专家都评不过来,现有的测试手段会顶不住。往后得把更靠谱的基准测试、自动化验证机制和预测模型建起来,持续盯住 AI 能力往哪走。这件事光靠前沿 AI 实验室不够,科研机构和政策制定者也得跨学科一起上。
在 DeepMind 看来,未来十年 AI 继续猛跑的可能性,值得认真对待。从专家级 AGI 走到超级智能,医学、材料、清洁能源这些领域的科学突破或许会提速。就算超级智能没那么快落地,认知工业化也可能把知识工作和全球经济改个模样。
说到底,AGI 不是人工智能的终点。比起只盯着怎么把 AGI 做出来,人更该提前弄明白 AGI 之后技术会怎么演进、跑得多快、对社会影响有多深。