AGI不是终点，DeepMind新论文：迈向ASI，真正的AI进步才刚开始
智能连续谱：AGI只是人类平均水平，ASI才是超级专家组织
当AI行业还在争论通用人工智能何时到来时，Google DeepMind联合滑铁卢大学、澳大利亚国立大学和伦敦大学学院的研究团队，在一篇题为《From AGI to ASI》的论文中，将问题直接拉向更远的未来。他们没有预测奇点年份，而是冷静拆解了一个核心问题：在达到人类水平的通用智能之后，AI会不会继续沿着智能连续谱向上演进？
论文给出了清晰的坐标定义：AGI是在绝大多数认知任务中达到普通人类中位数水平的系统；ASI则是在所有人类活动与认知领域，全面超越数万名顶尖专家协作团队的系统。 两者之间还存在一个理论极限——UAI（AIXI），一种数学上理想化的通用智能体，代表机器智能的上限。这套定义不是概念游戏，而是整个讨论的基础。因为如果AGI只是门槛，那么真正的问题就变成了：跨过这道门槛后，数字智能是否会继续攀升？
四条路径：从堆算力到多智能体涌现，通向ASI的多元路线
论文提出了从AGI走向ASI的四条可能技术路径，它们不互斥，更可能并行推进、相互叠加。
-
路径一：继续扩展计算、模型和数据。 过去十年AI能力的提升很大程度上来自规模扩展。论文指出，即使算法不变，只要算力持续增长（例如每年10倍），全球同时运行一亿个AGI实例，或让单个AGI思考速度快100倍，这种量变本身就足以催生ASI级别的群体能力。人类十年才能解决的理论物理难题，对加速后的AGI只是一个多月的计算量。
-
路径二：算法范式跃迁。 当前主流的大规模Transformer预训练范式可能不够，走向AGI/ASI需要更强的长期记忆、持续学习、世界模型、规划能力和工具使用能力。未来的突破可能来自全新架构，如无限工作记忆的线性时间架构（Mamba）、脉冲神经网络或神经形态硬件。
-
路径三：递归自我改进（RSI）。 AI开始参与AI研发，形成正反馈循环：更强的AI帮助设计更好的模型架构、优化训练、生成数据、设计芯片。今天已能看到早期形式（AI辅助写代码、自动调参、神经架构搜索），未来一旦AI能显著提升AI研发效率，进步速度将摆脱人类能力的限制。
-
路径四：多智能体协作与群体涌现。 ASI不一定来自单个超级大脑，而可能来自大量AGI智能体组成的数字生态系统。它们可以通过极高带宽的通信协同，瞬间拆解巨型工程为一亿个子任务并行推演。即使单个模型无法大幅超过人类，一个由大量人类水平AGI组成的系统，也可能构成实际意义上的ASI。
六大瓶颈：数据墙、资源墙、范式墙，挡在超级智能前的叹息之墙
论文没有描绘必然到来的神话，而是列出了可能阻碍AGI走向ASI的六大瓶颈。
- 数据墙：高质量文本数据快被消耗殆尽，预训练数据增量可能见顶。
- 资源墙：维持算力指数级增长需要天文数字的资金、芯片、电力、稀有材料。如果AI经济回报无法覆盖成本，扩张可能不可持续。
- 范式墙：当前基于Transformer的预测下一个Token范式本身存在致命缺陷——幻觉、无法处理认识不确定性、容易被注入攻击。单纯扩展可能无法突破这些天花板。
- 研究变难：科学领域“低垂的果实”被摘完，取得突破所需的努力急剧增加。
- 抽象壁垒：AI主要训练在人类数据上，学习的是人类已有概念。要发现人类尚未发现的新科学理论和新抽象结构，AI能否真正做到？它需要从原始数据中发现新变量、新因果关系，且许多新抽象还需物理实验验证，后者受制于现实反馈速度。
- 人为刹车：监管、安全担忧、社会反弹可能导致人类强行设定算力上限或禁止AI进化。
结论：AGI不是终点，是中场
这篇论文提供的最重要启示，不是时间表，而是一幅理解AI后续演进的地图。AGI到ASI之间未必存在清晰戏剧化的分界点，更可能是一系列由AI推动的科学、技术和社会变化不断叠加，最终让世界在持续演进中进入完全不同的状态。论文结尾留下一句克制的判断：要让AI进步停在人类这条线上，需要多道关卡同时变成死路，这种巧合不太可能发生。真正的AI进步，才刚刚开始。