DeepMind谈AGI之后:通往ASI的四条路线与千倍成本落差

资讯 AI 行业观察 作者:机器之心 全文 3279 字 · 约 9 分钟读完 配图 4 张 分类GoogleAGIDeepMind

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

所属频道 大厂动态前沿研究

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)。

DeepMind谈AGI之后:通往ASI的四条路线与千倍成本落差(配图 1)

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。

DeepMind谈AGI之后:通往ASI的四条路线与千倍成本落差(配图 2)

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谈AGI之后:通往ASI的四条路线与千倍成本落差(配图 3)

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。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. DeepMind谈AGI之后:人类水平只是起点,ASI还有多远?

    机器之心编辑部最近,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-come

    来源 腾讯网
  2. Gemini 4 Neon发布:跑分逼近旗舰,单任务成本砍半

    作者|Wildcard编辑|靖宇谷歌,这次是真的回来了。11 月 18 日,Google DeepMind 点亮了Gemini 4 Neon的霓虹灯牌。这是 Gemini 4 系列在短短 7 周内甩出的第 4 款元素模型。如果看一眼官方放出的基准跑分长表和社区实测反馈,你会发现它精准卡在了一个极其舒服的「甜点」位上,既

    来源 腾讯网
  3. Claude 杀疯了,催生了一场海外租电脑的狂欢

    最近在开发者圈子里,发生了一件挺有意思的怪事。 Google Cloud 这类海外云厂商正在满世界送 300 美元的试用额度,广告铺天盖地。 但国内不少天天靠 AI 写代码的工程师,对这些白送的机器却提不起太大兴趣。有人宁可每个月掏小几百块钱,托人在美国或澳洲机房租一台真正的物理 Mac mini,甚至直接买台苹果小主

    来源 AI 行业观察
  4. 北大校友出题考AI蛋白质序列:Claude答上,GPT和Gemini落败

    11月19日晚 Anthropic 在纳斯达克敲钟,代码 ANT,发行价 83 美元。上周它刚发了 Claude Fable 5.2,这几天不管打开哪个群,聊的都是它写代码又强了多少,这个模型的定价贵不贵。 APPSO 是昨天在 Hacker News 首页刷到这篇博客的。它不聊代码,也不聊股价,标题就一句话,「Cla

    来源 AI 行业观察
  5. ChatGPT和Gemini被曝推送虚假购物网站:151品牌测试出错率几何?

    最近有一项新研究爆出了一个很值得大家警惕的问题:AI聊天机器人居然会主动给用户推荐虚假购物网站。 品牌保护服务商Podqi做了一组测试,一共覆盖151个不同品牌。 测试结果显示,Perplexity给出风险网址的概率高达15%,ChatGPT和Gemini的情况也好不到哪里去,出错比例和它相差不远。 很多人已经习惯买东

    来源 AI 行业观察
  6. Anthropic IPO定价83美元:80余位学者发声明质疑其安全性

    【TechWeb】11月18日,Anthropic正式确定IPO发行价为每股83美元,高于此前70-78美元的指导区间;公司连同部分股东共发行约9.8亿股A类普通股,公开发行筹资约813亿美元,叠加向谷歌、英伟达、微软等战略投资者的260亿美元私募配售,合计融资规模突破944亿美元,超越SpaceX今年6月创下的纪录,

    来源 腾讯网
  7. GAO报告显示四大AI平台12小时内生成恐袭方案 参议院听证将聚焦安全风险

    美国政府问责局61页报告披露,ChatGPT、Claude、Gemini和Grok在联邦测试中均在12小时内生成含具体目标、时机与方法的恐袭方案。参议院国土安全委员会主席宣布启动听证,四家企业回应称正持续改进安全机制。报道还原测试过程,拆解守约失效机制,并分析对产业监管与竞争格局的影响。

    来源 AI 行业观察
  8. Anthropic冲击IPO:AI循环融资模式迎来首次公开定价

    Anthropic走向公开市场,意味着它必须背负巨额算力承诺接受投资者审视。这家明星公司的上市,不只关乎自身成败,更被视为检验AI行业“循环融资”模式成色的关键一役——即便Anthropic失去领先,亚马逊、谷歌等基础设施伙伴仍可能继续从AI浪潮中获利。

    来源 AI 行业观察
  9. 谷歌AI智能体改一处代码成功率翻8倍:Harness自我优化研究

    IT之家 11 月 20 日消息,谷歌研究人员当地时间 11 月 17 日最新发表的研究论文《Harnesses That Improve Themselves》(《能够自我改进的 Harness》)显示,通过让 AI 智能体逐步修改自身运行框架,并对每次修改进行验证,可以显著提高软件工程任务的完成率。在一项 SWE-

    来源 腾讯网
  10. 谷歌建“平行互联网”训练Chrome代理:沙盒能兜住风险吗

    为了让AI浏览代理在真实网页上替用户办事,谷歌Chrome团队搭建了一个与真实互联网平行的“镜像维度”沙盒。在这个替代宇宙里,代理可以尽情犯错、暴露失控风险,而不会波及真实用户。这既是浏览器AI竞赛的基础设施,也折射出AI代理安全测试的行业难题。

    来源 AI 行业观察
  11. MIT“AI炒作指数”:AI像皮疹蔓延,人还能做主吗?

    MIT Technology Review发布“AI炒作指数”,指出人工智能已渗透日常生活每个角落:Google不惜损失数十亿美元广告收入强推AI Overviews,人形机器人开始被搬进家庭清洁场景,超市、街道、手机屏幕处处是AI。文章剖析这场全民AI热潮背后的商业逻辑、技术现实与泡沫隐忧,追问当AI像皮疹

    来源 AI 科技快讯
  12. 谷歌Gemini 4 Neon发布:100万Token上下文,每百万输出15美元

    智东西(公众号:zhidxcom)编译 | 杨京丽编辑 | 李水青智东西11月19日消息,刚刚,谷歌发布Gemini 4系列新模型Gemini 4 Neon,面向复杂软件工程、知识工作和科学研究,主打在前沿智能水平下,更快、更经济地完成多步骤任务。这是谷歌7周内发布的第四款Gemini 4系列模型。▲谷歌发布Gemin

    来源 腾讯网
  13. 刚刚,Gemini 4 Neon 突袭发布,性价比一夜斩杀 Opus 5.5

    谷歌发布 Gemini 4 Neon,主攻软件工程、知识工作与科学推理,提供百万上下文窗口,每百万输入、输出 Token 分别为 3 美元和 15 美元。新模型发布当天上线 Gemini App、AI Studio 和企业端 API,文章对比了其与 Claude Opus 5.5 等模型的表现。

    来源 爱范儿
  14. Gemini登陆Mac桌面:AI代理可代操作电脑,隐私风险几何?

    谷歌为Gemini推出面向Mac的重磅更新,首次将可执行任务的AI代理引入桌面端,能够整理文件、填写表单并完成多步骤工作流。这标志着Gemini从对话助手向“能动手”的操作型智能体进化,也意味着谷歌在桌面AI代理赛道正式与OpenAI、Anthropic和微软正面交锋。与此同时,桌面自动化带来的便利与隐私风险

    来源 AI 科技快讯
向下滚动自动加载更多