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

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。

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 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。