DeepMind发布博客《AGI之后是什么?》:提出通往ASI四条路线

资讯 36氪 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)。

所属频道 大厂动态前沿研究

近日,Google DeepMind Institude 在官方博客上发文,题为《AGI 之后是什么?》,讨论的方向是人工通用智能(AGI)之后技术会往哪里走,以及人类可能沿着哪些路径抵达人工超级智能(ASI)。

DeepMind发布博客《AGI之后是什么?》:提出通往ASI四条路线(配图 1)

文章链接:https://institute.deepmind.com/essays/what-comes-after-agi/

文中提到,AGI 算不上人工智能发展的终局,它更像是智能连续谱上的一个阶段而已。只要模型能力、计算效率和多智能体协作水平继续往上走,AI 就有可能越过人类专家的认知水平,甚至让自身的技术进步越来越快。

围绕智能能力边界、认知工业化、技术发展路径和递归自我改进这几个角度,DeepMind 展开了分析,给出通往 ASI 的四条潜在技术路线。该机构还强调,到了超级智能时代,真正的难题不只是把 AI 做得更强,还包括怎么衡量、怎么预测、怎么治理这类技术进步。

一、AGI 不是终点,ASI 还有多远?

几十年下来,人工智能研究始终盯着一个目标:做出能在人类几乎所有认知任务上都达到人类水准的 AGI。

不过 DeepMind 的判断是,AGI 并非人工智能发展的终点。在它看来,人类水平的智能只是整个智能连续谱上的一个节点,这个节点之上还有很大的能力空间。

DeepMind发布博客《AGI之后是什么?》:提出通往ASI四条路线(配图 2)

对于人工超级智能(ASI),文章给出的描述是:在几乎所有人类关心的任务上,这类 AI 系统都能持续压过大规模的人类专家团队。

举例来说,ASI 也许能在极短时间内拿下某个科研领域要花好几年才有的进展;也可能用更少的资源,做出大型科技公司花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过人类的能力。可这些突破都还局限在特定领域,离全面的超级智能差得明显。

DeepMind 强调,人类已经能从数学和物理学角度去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留有多大能力空间,眼下这个问题还没有被充分探索。

除了模型本身的能力突破,DeepMind 还提到,算力持续增长、运行成本快速下降,同样可能成为 AI 走向超级智能的重要推手。

文章由此提出「认知工业化」(Cognitive Industrialization)这一概念:AI 的计算效率越来越高,越来越多的认知工作或许会像工业时代的体力劳动那样,走上标准化、自动化、规模化生产的路子。

文章指出,过去十年,AI 有效计算能力的增长主要受到三个因素推动:

硬件性能提升:每美元能够购买的计算能力,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。

三种因素共同作用,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发布博客《AGI之后是什么?》:提出通往ASI四条路线(配图 3)

DeepMind 还做了进一步推演:假设相关趋势再延续十年,今天要花 10 亿美元 AI 计算成本才能完成的认知工作,将来可能只需约 1000 美元。

当然,这个预测有个前提,就是效率提升的趋势能一直延续下去;它并不代表成本一定会按这个速度往下降。

更关键的是,即便 AI 模型的基础能力没有出现重大突破,光靠更低的运行成本、更快的处理速度,再加上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写。

按这一情景推想,数十亿个能高速运行、持续协作的 AI 智能体,综合生产能力可能远远超过单个人类或单个 AI 系统。

这也就意味着,从 AGI 迈向 ASI 的过程未必非要等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持续往上走,同样可能是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,还填不上 AI 在各类认知能力上的缺口。DeepMind 的判断是,想真正走到 ASI,关键技术得先有突破。

围绕这一点,文章梳理出四条可能走得通的路。

第一条,把模型和数据规模继续做大。

眼下 AI 发展主要就走这条路:训练数据加量、模型做大、训练算力加码,推理阶段也投入更多计算资源,靠这些持续抬高系统能力。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。

在 DeepMind 看来,高保真模拟环境、合成数据、强化学习以及推理阶段的计算,接下来或许能用来撬开这些瓶颈。

第二条,换技术范式。

现在的主流大模型,基本架在 Transformer 架构和序列预测机制上。这套范式成果不小,可放到持续学习、世界建模、决策能力、样本效率这些方面,模型仍带着跟人类智能不一样的局限。

通往 ASI 究竟只需把现有技术一点点改好,还是非得靠全新的模型架构和学习范式,学界仍有争论。

第三条,把多智能体协作能力提上去。

单个 AI 的本事或许有限,可大量智能体凑成协作系统,就有机会攒出更强的集体智能。企业、科研机构、市场能解决单个人类搞不定的问题,未来成千上万个 AGI 智能体同样可能靠任务分工、信息共享和彼此配合,拿下更复杂的认知任务。

但多智能体系统不是越大越好使。通信开销、协调效率、信息失真、群体行为这些毛病,都会拖住能力提升。

第四条,实现递归自我改进。

文章着墨最多的,正是这条路径。

所谓递归自我改进(RSI),就是 AI 不再只是人类开发、改进的技术工具,而是能参与研发下一代 AI 系统。

AI 的研发能力一旦上来,模型架构设计、算法优化、芯片设计与训练数据生成的效率都可能跟着提高,后续技术迭代也就更快。这个反馈循环若能一直转下去,AI 进步的快慢就不再完全看人类研究人员的工作效率。

DeepMind 进一步拆出三个层面:代码与设计优化,即改进模型架构、训练算法及芯片设计;数据驱动改进,靠模拟、推理和实验造出更高质量的训练数据,AlphaZero 展示的就是这类机制;群体协作改进,让智能体专业化分工,抬高研发效率。

这三种机制,DeepMind 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,递归自我改进未必走向失控式的指数增长。技术越成熟,找出新的有效改进就越难;评估与反馈机制要是不可靠,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,可能先跑出更高程度的递归自我改进;要靠复杂现实判断的任务,进度恐怕会慢一些。

DeepMind 强调,这四条路线不是各走各的,它们可能彼此促进,一起把 AI 能力往上推。哪怕某条路撞上瓶颈,别的路仍可能继续往前走。

换句话说,只掐住模型训练算力这类单一因素,未必管得住 AI 发展的整体速度。受限的那一环一旦被突破,能力甚至可能突然跳升。未来的 AI 治理,得同时盯住模型规模、算法效率、多智能体协作及自动化研发等多个维度。

三、建立新的衡量与预测体系

文章收尾时,DeepMind 把话题拉回更现实的一层:假如 AI 真的进入超越人类智能的阶段,人类该怎么接?

它给出的核心建议是:建模、测量、预测,并持续迭代。

超级智能的本事可能大到人类专家都判断不了,现有测试手段到时候难免吃力。所以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,长期盯住 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做。

DeepMind 的判断是,未来十年 AI 继续保持快速发展的可能性,应当被认真对待。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可能会提速。就算超级智能没那么快出现,认知工业化也足以让知识工作和全球经济发生深刻变化。

在 DeepMind 看来,AGI 不是人工智能发展的尽头。比起只盯着怎么把 AGI 做出来,更该做的是提前弄清 AGI 之后技术会怎么演、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 翻身记:SemiAnalysis 补交道歉表,Hassabis 接梗

    曾断言 Gemini 掉队的研究机构 SemiAnalysis,在 Gemini 4 系列密集发布后向 Google 公开致歉。文章梳理 DeepMind 的组织调整、算力分配与长期研发积累,解析真实工程任务驱动的后训练如何提升编程和智能体能力。

    来源 爱范儿
  3. Gemini 4 翻身背后:SemiAnalysis 填表道歉,Hassabis 接梗回应

    Google DeepMind通过组织调整、算力重新分配和训练体系升级,在短短七周内连续推出四款Gemini 4模型。依托大规模预训练、多线并行研发和真实工程场景的强化学习训练,Gemini在编程和Agent能力上实现突破,重返行业第一梯队,此前唱衰Google的SemiAnalysis也公开致歉。

    来源 华尔街见闻
  4. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  5. 谷歌50天连发4款模型:Gemini 4 Neon登场,世界模型同步开放

    OpenAI时隔75天的顶级模型刚刚发布,社区里的吐槽就炸开了。有人直言新模型“几乎没法用”,有人抱怨它过分谨慎、难以指挥,还有人认为,这家伙解释起自己的工作就像在“说外星话”。甚至有人用漫画玩了个梗,吐槽GPT-6.2 Astra的语言风格,根本是防御过当。图片来源网络前·赛博义父Tibo在X上表示,他已经收到了关于

    来源 腾讯网
  6. 只改一处代码,谷歌 AI 智能体优化 Harness 后任务成功率提升 8 倍

    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 AI 行业观察
  7. 谷歌工程师让打印机跑2.7亿参数模型:每词元约60秒

    IT之家 11 月 20 日消息,谷歌 DeepMind 技术团队成员奥马尔 · 圣塞维耶罗(Omar Sanseviero)于 11 月 17 日在 X 平台发布推文,在只占用 14.1MB 内存的情况下,成功让办公激光打印机运行 2.7 亿参数的 Gemma 3 270M 模型,每输出一个词元(Token)消耗约

    来源 腾讯网
  8. 自家人都看不下去了?数百谷歌员工要求公司允许中小学使用不含 AI 的谷歌搜索

    IT之家 11 月 20 日消息,当地时间 19 日,据彭博社报道,超过 500 名谷歌员工和合同工联名请愿,要求公司允许中小学继续使用不含 AI 功能的谷歌搜索。 请愿书致谷歌 CEO 桑达尔 · 皮查伊、搜索业务负责人伊丽莎白 · 里德和教育业务负责人克里斯 · 菲利普斯。活动由 Alphabet 员工工会发起,其

    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 Gemini 登陆 Mac:AI 可后台操控电脑,修图做 PPT 自动完成

    人工智能正从“动嘴皮子给建议”加速走向“动手帮你干活”。11月20日,谷歌正式为 macOS 版的 Gemini 应用推出了“电脑操控”(Computer Use)功能,让 AI 能够跨越桌面应用、本地文件以及网页环境,自主执行多步骤复杂任务。 后台独立运行不抢鼠标,支持实时预览与随时叫停 对于习惯

    来源 AI 开发者社区
  11. AI数据中心排放飙升,Meta重审2030净零目标

    Meta正在重新评估2030年可持续发展目标,背景是AI数据中心扩张导致排放创纪录。本文梳理算力竞赛如何推高电力与碳成本,分析Meta调整的可能路径,并探讨微软、谷歌、亚马逊等科技巨头是否会跟进,以及净零承诺在AI时代面临的透明度与执行挑战。

    来源 AI 科技快讯
  12. 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
  13. 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
  14. 谷歌论文:光改提示词智能体成功率反降,改运行框架升至40%

    调教 AI 智能体,惯用手法是反复打磨提示词。谷歌 11 月 17 日发表的论文却给出反直觉结论:只改提示词,智能体成功率反而从 5% 跌到 2.5%;而让优化模型直接改写其运行框架,成功率冲到 40%,足足 8 倍。 142 行代码,拆成四块逐个改 Harness 指包裹在模型外围的运行框架,负责

    来源 AI 开发者社区
向下滚动自动加载更多